高盛：AI的商业化瓶颈与投资范式的...

来源：市场资讯

（来源：RMB交易与研究）

就在教主黄仁勋此前关于AI基建五层蛋糕的理论还在发酵之际，几家著名投行都对此提出了自己的分析。高盛首席 TMT 分析师就指出：2026年将是生成式AI“去伪存真”之年。

他指出，“我们并不怀疑 AI 的长期潜力，但短期内，市场对‘利润兑现速度’的预期过于乐观。2026 年下半年将出现明显的行业洗牌，只有那些能够证明 AI 显著提高了客户 ROI（而非仅仅是玩耍感）的公司才能维持估值。”

此前，黄仁勋主张将价值万亿美元的传统数据中心升级为AI加速的“Token（代币）工厂”。这不仅仅是服务器的简单更替，而是从CPU主导转向加速计算架构的全面平台级迁移。

他指出，智能体AI（Agentic AI）和物理AI（Physical AI）正驱动市场从单一工具向自主工人转变，这将带来百万亿美元的潜在市场需求。

黄仁勋将AI产业体系划分为五个层级，指出投资的先后顺序：

1. 能源层：基础层底座。他强调电力、土地和能源供应是AI发展的“无本之木”。
2. 芯片层：英伟达的GPU（Blackwell/Rubin系列）作为计算力的核心实体。
3.云基础设施层：将物理芯片转化为高效算力服务。4.AI模型层： 驱动数据生成的算法。
5. 应用层：位于顶层，连接千行百业

他建议，所有国家都应该把建设AI工厂成为新基建，每一国家和企业都将像建设电网一样，建设自己的AI工厂。

投行的核心观点：从“基建扩张”到“应用证伪”

但投行的研究普遍认为，过去三年的 AI 投资逻辑主要集中在“铲子股”（如 GPU 和数据中心），2026 年市场的核心矛盾已经转移：下游软件商（SaaS）的 AI 收入增速，远低于上游基础设施的资本开支增长。

主要表现在资本开支（CapEx）过载，全球超大规模云服务商（Hyperscalers）在 2025 年投入了超过 2500 亿美元，但目前从中直接获得的“AI 溢价收入”不到该金额的 15%。

此外，推理成本也存在巨大的黑洞：随着模型参数规模（Parameters）的增加，推理（Inference）端的电力和算力成本正在吞噬软件公司的毛利。

三大变现障碍（Bottlenecks）

首先是订阅制的“天花板”效应：高盛发现，企业级用户对“AI Copilot”类产品的付费意愿正在下降。调查数据：只有 22% 的企业表示愿意为每个席位支付超过 30 美元的 AI 附加费。

原因：许多 AI 功能（如自动草拟、总结）被视为“效率补丁”而非“不可或缺的生产力飞跃”，无法支撑高昂的订阅溢价。

其次是电力与物理限制：投行的报告强调了“能源瓶颈”对 ROI 的打击。

数据中心对电力的需求导致全球电价上涨，这使得 AI 模型的运行成本（OpEx）比一年前高出了 40%。由于电网老化和供应短缺，新数据中心的上线时间被推迟，导致已投入的资本无法转化为即时收入。

此外，还包括 “由于生成而产生”的版权与合规成本 法律诉讼和内容合规审查的成本（Legal & Compliance costs）正在成为企业大规模部署 AI 的隐形成本，这使得 CFO 在审批 AI 预算时变得极其谨慎。

✅ 寻找：AI 基础设施的“第二曲线”

那如何在AI浪潮中应对以上问题呢。

首先是关注能源转型资产：高盛建议将部分科技配置转向电网升级、核能（SMR）和制冷技术。这些公司是 AI 竞赛中真正的、且具有防御性的受益者。

其次在垂直领域寻找龙头：比如优先考虑在特定行业（如医疗诊断、法律自动化、复杂工程设计）拥有核心数据壁垒的公司，而非通用型 AI。

结论：2026 年是“去伪存真”之年

投行的TMT 分析师指出，我们并不怀疑 AI 的长期潜力，但短期内，市场对‘利润兑现速度’的预期过于乐观。2026 年下半年将出现明显的行业洗牌，只有那些能够证明 AI 显著提高了客户 ROI（而非仅仅是玩耍感）的公司才能维持估值。