前七大超大规模云厂商资本开支合计预计 2025 年同比增长 65%2026 年同比增长 16%, 规模由 2024 年约 220 亿美元升至 2026 年逾 420 亿美元 ; 资本开支占营收比重同步升至约 26%, 处于历史高位。数据来源 :Company data DellOro UBS estimates
支撑这一判断的并不是单纯的估值扩张，而是一场正在改变企业成本结构、基础设施融资方式和全球能源竞争格局的技术革命。
芬克认为，市场当前最值得关注的问题不是 AI 需求会不会突然消失，而是美国能否以足够低的成本提供算力、存储和电力。
如果供给建设持续落后，AI 仍会增长，但红利可能集中在少数资金实力雄厚的大型科技公司，普通企业反而会因为计算成本过高而被排除在外。
数据中心融资
正在成为金融市场的新资产类别
芬克首先将 AI 基础设施融资定义为金融行业的下一轮重要变革。过去科技行业的融资重点主要是软件公司股权、风险投资和公开市场股票；
但现在资金需求正在转向数据中心、芯片采购、电力系统、网络设备和长期能源合同。这种变化的根本原因，是 AI 基础设施的资本密集度远高于传统互联网业务。
建设一座 1GW 级别的数据中心，投资规模可能达到 500 亿至 600 亿美元，其中包括计算设备、存储系统、建筑工程、冷却设施、变电系统和能源接入。
黄仁勋：1GW 工厂成本约 1000 亿美元，AI 成本持续抬升
单靠科技公司的资产负债表，难以长期承担全球范围内持续扩张所需的全部资本。
AI 产业需要依赖项目融资、基础设施基金、私人信贷、资产证券化和设备融资等工具。
数据中心运营商可以通过长期租赁合同锁定现金流，云服务商可以通过融资租赁采购芯片，能源企业则可以凭借长期购电协议建设新的发电和输电设施。
这也凸显了全球资本在 AI 基础设施建设中的核心驱动作用。
芬克认为下一阶段算力供给的控制权，本质上取决于谁能更高效地将长期资金导入数据中心、能源网络和半导体供应链中。
AI 需求仍然强劲
但高昂算力成本制造不平等
芬克对 AI 泡沫的担忧相对有限。他更关注的是算力和存储供不应求，以及由此形成的高成本问题。
在他的判断中，当前服务器、存储和计算资源需求增长速度仍然快于供给扩张，这也是存储芯片及相关基础设施资产持续获得市场重估的重要原因。
不过供不应求并不完全是利好。算力价格越高，越有利于芯片公司、云服务商和数据中心运营商，却会压缩应用层企业的利润空间。
大型科技公司能够采购数十万颗加速器、自建数据中心，并通过内部规模摊薄成本；
中小企业只能通过云平台按需购买算力，实际支付的单位成本通常更高。这可能使 AI 产业形成明显的双层结构。
上层是拥有资本、模型、芯片和数据中心的少数平台公司，下层则是大量依赖外部 API 和云计算的应用企业。
当推理调用量快速上升时，计算支出可能吞噬应用收入，使许多企业即使拥有产品需求，也难以建立可持续商业模式。
芬克因此敦促大型云服务商继续降低算力成本。真正具有普惠意义的 AI 革命，不只是模型能力不断提高，还必须让更多企业能够承担部署成本。
只有当中小企业也可以使用智能客服、自动编程、供应链优化和数据分析工具，AI 带来的生产率提升才会从科技行业扩散至制造、金融、零售和专业服务领域。
算力供给增加不一定削弱 AI 产业，反而可能通过降低使用门槛，扩大整体需求规模。
电力与电网
可能比先进芯片更稀缺
芬克认为，美国 AI 发展的主要约束正在从计算设备转向电力供应。
建设数据中心并不只是购买 GPU，还需要获得稳定的电力接入、变电容量和长期能源来源。1GW 数据中心的负荷已经接近大型工业园区甚至中型城市。
随着单个园区规划容量从数百兆瓦提升至数吉瓦，传统电网的审批、建设和输电能力越来越难以满足需求。
芯片交付可能只需要数个季度，但输电线路和大型发电设施通常需要数年才能完成。
芬克提出「能源来源中立」的立场，即不应预先排斥任何能够提供稳定电力的能源形式。太阳能和风电可以降低边际发电成本，但受天气和储能条件影响；
天然气具有较强的调峰能力；核电则能够提供长期、稳定的基荷电力。对于需要全年连续运行的数据中心而言，真正重要的是可靠性、成本和建设速度。
他还将美国与中国的能源建设节奏进行对比，指出中国正在扩大核电和太阳能等能源投资，而美国部分地区对新增电力项目仍持谨慎态度。
其担忧在于，如果美国拥有最先进的芯片和模型，却无法快速建设发电与输电系统，算力部署最终仍会受到限制。
技术红利进入利润表
未来 12 个月仍由盈利驱动
芬克对未来 12 个月市场保持乐观，核心依据是 AI 和自动化已经开始改善企业利润率，而不仅停留在资本开支阶段。
贝莱德自身提供了一个案例：在过去 12 个月中，公司员工总数基本保持不变，但管理资产规模增加约 1 万亿美元，利润率提高 260 个基点。
这种经营杠杆来自多个环节。AI 辅助编程可以缩短软件开发周期，自动化交易与运营系统可以降低人工处理成本，数据分析工具则能提高风险管理、客户服务和产品销售效率。
当收入继续增长而人员规模保持稳定时，新增收入中的更大比例可以转化为利润。
如果这种模式扩散到更多行业，AI 对市场的影响将从「科技公司资本开支增加」转向「全行业利润率上升」
金融机构可以减少后台处理成本，制造企业可以提高设备利用率，零售企业可以优化库存，专业服务公司则可以提升单个员工的产出。
盈利改善并不会平均分布。具备数据基础、技术人才和资本投入能力的企业，更容易率先获得生产率红利；
无法承担算力成本或缺乏数字化基础的企业，可能进一步落后。这意味着未来 12 个月的市场机会仍可能高度分化。
芬克的判断可以归纳为一条完整链条：
资本市场为数据中心和芯片提供融资，能源系统决定算力扩张速度，算力成本决定 AI 能否向中小企业普及，最终由企业利润率验证这轮投资是否合理。
当前金融系统的整体杠杆水平并未呈现类似 2008 年的明显失衡，因此他更关注基础设施供给不足，而非系统性金融危机。
市场很快就会从「大模型狂热」中冷静下来。衡量 AI 行情延续性的标尺，正在从技术端的「芯片销量」转移到应用端的「商业闭环」
这需要电网的支撑、云端算力降本的配合，以及企业应用落地后的变现能力。
脱离了生产率提升的牛市注定难以持久，唯有当技术投入开始转化为源源不断的现金流时，这轮 AI 革命的黄金时代才算真正开启。
本文信息主要整理自拉里 · 芬克（Larry Fink）近期 CNBC 公开访谈及贝莱德（BlackRock）对外披露的公开资料。文中所引述的观点、数据与预测均来自上述公开渠道。仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。
