貝萊德CEO談及人工智能：看好未來12個月的市場前景

本文來自微信公眾號： 硅谷宇宙 ，作者：硅谷宇宙

前七大超大規模云廠商資本開支合計預計2025年同比增長65%2026年同比增長16%,規模由2024年約220億美元升至2026年逾420億美元;資本開支占營收比重同步升至約26%,處于歷史高位。數據來源:Company data DellOro UBS estimates

支撐這一判斷的并不是單純的估值擴張，而是一場正在改變企業成本結構、基礎設施融資方式和全球能源競爭格局的技術革命。

芬克認為，市場當前最值得關注的問題不是AI需求會不會突然消失，而是美國能否以足夠低的成本提供算力、存儲和電力。

主要加速器平臺年度部署功率測算圖。全球AI加速器年新增裝機容量預計從2025年約17吉瓦提升至2030年約60吉瓦，2025年至2030年累計新增裝機達233吉瓦，英偉達與AMD合計占據主要份額。數據來源：美銀全球研究英偉達AMD英特爾亞馬遜谷歌。

如果供給建設持續落后，AI仍會增長，但紅利可能集中在少數資金實力雄厚的大型科技公司，普通企業反而會因為計算成本過高而被排除在外。

01

數據中心融資

正在成為金融市場的新資產類別

芬克首先將AI基礎設施融資定義為金融行業的下一輪重要變革。過去科技行業的融資重點主要是軟件公司股權、風險投資和公開市場股票；

但現在資金需求正在轉向數據中心、芯片采購、電力系統、網絡設備和長期能源合同。這種變化的根本原因，是AI基礎設施的資本密集度遠高于傳統互聯網業務。

美國數據中心容量預計以約20%的復合增速擴張,從當前約46吉瓦升至2026年61吉瓦2027年75吉瓦2028年91吉瓦2029年99吉瓦,到2030年達106吉瓦,2031年及以后進一步升至116吉瓦。數據來源:451 Research Morgan Stanley Research
黃仁勛：1GW工廠成本約1000億美元，AI成本持續抬升

建設一座1GW級別的數據中心，投資規?？赡苓_到500億至600億美元，其中包括計算設備、存儲系統、建筑工程、冷卻設施、變電系統和能源接入。

數據中心用電需求分地區測算圖。全球數據中心累計用電功率預計從當前約100吉瓦增長至2030年近300吉瓦，中國地區新增規模最大，成熟亞太與新興亞太地區同步擴張。數據來源：美銀全球研究Gartner。

單靠科技公司的資產負債表，難以長期承擔全球范圍內持續擴張所需的全部資本。

AI產業需要依賴項目融資、基礎設施基金、私人信貸、資產證券化和設備融資等工具。

數據中心運營商可以通過長期租賃合同鎖定現金流，云服務商可以通過融資租賃采購芯片，能源企業則可以憑借長期購電協議建設新的發電和輸電設施。

前三大云服務商云收入同比增速預計從2024年的22%升至2026年的24%。數據來源：彭博新能源財經及公司數據

這也凸顯了全球資本在AI基礎設施建設中的核心驅動作用。

芬克認為下一階段算力供給的控制權，本質上取決于誰能更高效地將長期資金導入數據中心、能源網絡和半導體供應鏈中。

02

AI需求仍然強勁

但高昂算力成本制造不平等

芬克對AI泡沫的擔憂相對有限。他更關注的是算力和存儲供不應求，以及由此形成的高成本問題。

在他的判斷中，當前服務器、存儲和計算資源需求增長速度仍然快于供給擴張，這也是存儲芯片及相關基礎設施資產持續獲得市場重估的重要原因。

在2025至2027年營收復合增速預測上,美光以160%居首,CBRS為131%SNDK為85%IONQ為76%英偉達為74%;多數個股集中在10%至40%區間,QRVO為負2%SWKS為負1%位列末端。數據來源:FactSet Morgan Stanley estimates

不過供不應求并不完全是利好。算力價格越高，越有利于芯片公司、云服務商和數據中心運營商，卻會壓縮應用層企業的利潤空間。

大型科技公司能夠采購數十萬顆加速器、自建數據中心，并通過內部規模攤薄成本；

按芯片類型劃分的超大規模云新增算力中,英偉達GPU的占比預計從2025年的73%降至2026年的54%后,于2027年回升至62%;新增算力總量從2025年的6.7吉瓦升至2026年的13.7吉瓦,再到2027年的19.5吉瓦,其中2027年英偉達GPU貢獻12.1吉瓦、谷歌TPU貢獻4.2吉瓦、亞馬遜Trainium貢獻2.1吉瓦。數據來源:Company data Morgan Stanley Research Estimates

中小企業只能通過云平臺按需購買算力，實際支付的單位成本通常更高。這可能使AI產業形成明顯的雙層結構。

上層是擁有資本、模型、芯片和數據中心的少數平臺公司，下層則是大量依賴外部API和云計算的應用企業。

當推理調用量快速上升時，計算支出可能吞噬應用收入，使許多企業即使擁有產品需求，也難以建立可持續商業模式。

芬克因此敦促大型云服務商繼續降低算力成本。真正具有普惠意義的AI革命，不只是模型能力不斷提高，還必須讓更多企業能夠承擔部署成本。

該圖按廠商顏色區分展示各AI編碼智能體單任務總token消耗的分布區間，涵蓋第5至第95百分位數據。Anthropic旗下ClaudeCodeOpus4.8高配中位消耗最高達1520萬，SpaceXAI旗下GrokBuild模型中位消耗僅290萬最低。數據來源：ArtificialAnalysis

只有當中小企業也可以使用智能客服、自動編程、供應鏈優化和數據分析工具，AI帶來的生產率提升才會從科技行業擴散至制造、金融、零售和專業服務領域。

算力供給增加不一定削弱AI產業，反而可能通過降低使用門檻，擴大整體需求規模。

03

電力與電網

可能比先進芯片更稀缺

芬克認為，美國AI發展的主要約束正在從計算設備轉向電力供應。

建設數據中心并不只是購買GPU，還需要獲得穩定的電力接入、變電容量和長期能源來源。1GW數據中心的負荷已經接近大型工業園區甚至中型城市。

以總投資350億美元的1吉瓦智算中心為例,GPU占比最高達38.8%,其后依次為網絡設備、機械與電氣設備、土地與建筑、CPU、散熱管理與存儲;該拆分基于Bernstein對GB200數據中心的成本模型估算。數據來源:Bernstein

隨著單個園區規劃容量從數百兆瓦提升至數吉瓦，傳統電網的審批、建設和輸電能力越來越難以滿足需求。

將數據中心投資統一折算到每吉瓦口徑后,支出主要由IT類設備、供電設備、冷卻設備與工程建設四大部分構成,覆蓋從算力硬件到基礎設施的完整成本鏈條。數據來源:Bernstein

芯片交付可能只需要數個季度，但輸電線路和大型發電設施通常需要數年才能完成。

芬克提出「能源來源中立」的立場，即不應預先排斥任何能夠提供穩定電力的能源形式。太陽能和風電可以降低邊際發電成本，但受天氣和儲能條件影響；

天然氣具有較強的調峰能力；核電則能夠提供長期、穩定的基荷電力。對于需要全年連續運行的數據中心而言，真正重要的是可靠性、成本和建設速度。

在智算中心供電設備中,不間斷電源每吉瓦約9.85億美元,開關設備每吉瓦約6.15億美元,配電設備每吉瓦約3億美元;供電設備廠商格局上,施耐德占21%維諦占17%伊頓占16%位列前三,ABB占9%西門子占7%羅格朗占8%其余合計占22%。數據來源:Bernstein

他還將美國與中國的能源建設節奏進行對比，指出中國正在擴大核電和太陽能等能源投資，而美國部分地區對新增電力項目仍持謹慎態度。

其擔憂在于，如果美國擁有最先進的芯片和模型，卻無法快速建設發電與輸電系統，算力部署最終仍會受到限制。

04

技術紅利進入利潤表

未來12個月仍由盈利驅動

芬克對未來12個月市場保持樂觀，核心依據是AI和自動化已經開始改善企業利潤率，而不僅停留在資本開支階段。

2026年以來全球信用市場AI相關債務發行已達約3360億美元,高于2025年全年的2170億美元,全年預計升至5800億美元;其中投資級超大規模云廠商與甲骨文一類發行量最大,全年預測達3000億美元。數據來源:Bloomberg Trepp CreditFlow PitchBook Morgan Stanley Research estimates

貝萊德自身提供了一個案例：在過去12個月中，公司員工總數基本保持不變，但管理資產規模增加約1萬億美元，利潤率提高260個基點。

這種經營杠桿來自多個環節。AI輔助編程可以縮短軟件開發周期，自動化交易與運營系統可以降低人工處理成本，數據分析工具則能提高風險管理、客戶服務和產品銷售效率。

在生成式AI的部門落地上,IT運維采用比例達47%軟件開發達44%客戶服務達33%供應鏈與庫存管理達15%,為當下采用最廣的領域;從對成本的影響看,客戶服務成本下降1.8%人力與薪酬下降1.5%企業財務與戰略下降0.8%,而供應鏈與庫存管理因投資回報可觀推動預算增加1.2%軟件開發推動預算增加0.8%。數據來源:Morgan Stanley

當收入繼續增長而人員規模保持穩定時，新增收入中的更大比例可以轉化為利潤。

如果這種模式擴散到更多行業，AI對市場的影響將從「科技公司資本開支增加」轉向「全行業利潤率上升」

金融機構可以減少后臺處理成本，制造企業可以提高設備利用率，零售企業可以優化庫存，專業服務公司則可以提升單個員工的產出。

最新調查顯示，提升員工整體生產力位居企業AI投入目標首位占比30%,面向客戶以驅動增收的應用占21%,專業崗位降本增效占17%,而暫不評估AI創新的比例已降至6%。數據來源AlphaWise及摩根士丹利研究部，樣本量100涵蓋美國與歐洲

盈利改善并不會平均分布。具備數據基礎、技術人才和資本投入能力的企業，更容易率先獲得生產率紅利；

無法承擔算力成本或缺乏數字化基礎的企業，可能進一步落后。這意味著未來12個月的市場機會仍可能高度分化。

芬克的判斷可以歸納為一條完整鏈條：

資本市場為數據中心和芯片提供融資，能源系統決定算力擴張速度，算力成本決定AI能否向中小企業普及，最終由企業利潤率驗證這輪投資是否合理。

當前金融系統的整體杠桿水平并未呈現類似2008年的明顯失衡，因此他更關注基礎設施供給不足，而非系統性金融危機。

標普成分股之間的已實現相關性接近歷史最低水平,正是這種低相關使得指數波動率在個股波動率大幅走高之際仍被控制在較低區間。數據來源:BofA Global Research

市場很快就會從「大模型狂熱」中冷靜下來。衡量AI行情延續性的標尺，正在從技術端的「芯片銷量」轉移到應用端的「商業閉環」

截至2026年7月10日,所覆蓋半導體個股的空頭持倉占流通股比例平均為5.6%中位數為4.8%,較一個月前的平均6.4%小幅回落;個股中SWKS升至19.2%處于高位,NVTS為14.6%IONQ為11.8%,而NVDA與AVGO等大市值龍頭維持在1.5%以下的低位。數據來源:FactSet Morgan Stanley Research

這需要電網的支撐、云端算力降本的配合，以及企業應用落地后的變現能力。

脫離了生產率提升的牛市注定難以持久，唯有當技術投入開始轉化為源源不斷的現金流時，這輪AI革命的黃金時代才算真正開啟。

本文信息主要整理自拉里·芬克（Larry Fink）近期CNBC公開訪談及貝萊德（BlackRock）對外披露的公開資料。文中所引述的觀點、數據與預測均來自上述公開渠道。僅供參考，不構成任何投資建議。市場有風險，投資需謹慎。

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4876082.html?f=wyxwapp