关于这轮 AI 热潮到底是不是泡沫这个问题，过去两年争论不休 。但在反复讨论“这些钱花得值不值
”之前 ，我们似乎都默认了一个前提：这笔钱是一个大致确定的数字
。但高盛近期发布的一份报告认为
，这个前提可能并不成立。

近期，高盛全球研究院发布了一份名为《Tracking Trillions》的报告 ，他们以英伟达（NVIDIA）的前瞻数据中心收入作为锚点
，推算出 2026 至 2031 年全球 AI 基础设施累计资本开支的基线：约 7.6 万亿美元 。其中，计算芯片约 5.1 万亿 ，数据中心约 2.15 万亿，电力约 3,580 亿
。2026 年单年约 7,650 亿美元
，到 2031 年增至 1.64 万亿。

但报告真正想说的不是 7.6 万亿这个数字高或低，而是这个数字本身极其脆弱 。市场习惯把 AI CapEx（资本支出）当作需求侧问题来讨论：AI的商业化能不能撑起这些投入？但高盛认为 ，供给侧的不确定性同样巨大
，而且被严重低估
。建这些东西到底要花多少钱，取决于一小组很少被摊开讨论的假设。

改变其中任何一个 ，万亿美元级别的数字就会跟着偏移 。

一块芯片该折旧几年

报告列出了四个最能撬动总量的假设
。排在第一位的是 AI 芯片的经济使用寿命。

这是一个正在华尔街引发激烈争论的变量 。目前超大规模厂商普遍按 4 到 6 年的周期对 GPU 服务器计提折旧。但英伟达已转向年度产品发布节奏：Hopper（2022）
、Blackwell（2024）、Rubin（2026） 、Rubin Ultra（2027）每一代在能效和性能上都是数量级的跃升
，而非渐进式改良
。这使得 5 到 6 年的折旧周期在经济意义上越来越难以自洽。

高盛的敏感性分析显示，将芯片使用寿命从 5 年缩短到 3 年 ，2026-2031 年间的隐含年度折旧总额从约 3 万亿美元跳升至近 4 万亿美元；反过来延长到 7 年
，则降至 2.2 万亿美元 。仅这一个参数的调整，就可以让生态系统承受的折旧成本偏移上千亿美元
。

图丨芯片使用寿命的敏感性分析（来源：Goldman Sachs）

知名投资人 Michael Burry 在 2025 年下半年公开做空英伟达和 Palantir 时 ，正是以此为核心论据。他估计 2026 至 2028 年间
，超大规模厂商因高估芯片使用寿命将累计少计约 1,760 亿美元折旧，从而使利润虚高超过 20% 。他的判断是：芯片的真实经济寿命接近 2 到 3 年 ，当前的会计处理不过是一种盈余管理
。

各家厂商的实际动作也呈现出有意思的分歧。亚马逊在 2025 年初将部分服务器的折旧年限从 6 年缩短至 5 年，为此承受了约 7 亿美元的营业利润冲击
，并在 2024 年四季度对一批提前退役的设备计提了 9.2 亿美元加速折旧 。

微软 CEO Nadella 则公开表示，公司正有意拉开不同代际芯片的采购节奏 ，避免在单一代产品上背负四五年的折旧包袱
。而 Meta 在三年内三次延长服务器使用寿命
，最近一次在 2025 年 1 月，将折旧减少转化为单季度 29 亿美元的利润增量 ，恰好发生在亚马逊缩短折旧周期的同一时间。

CoreWeave CEO 则给出了相反的证据：该公司 2020 年购入的 A100 芯片目前仍然满负荷运转
，一批合同到期的 H100 被立刻以原价 95% 的价格重新租出 。高盛报告也承认，旧芯片在推理
、边缘计算和合成数据生成等低敏感度场景中仍有经济价值 ，这种分层部署模式可能支撑更长的使用寿命
。

争论的本质不是技术问题
，而是利润表问题。折旧年限决定了每年需要摊销多少成本，进而决定了这场万亿美元豪赌的账面回报率 。

数据中心正在变成另一种东西

第二个关键假设是数据中心的建设成本。高盛的基线假设是每兆瓦 1,500 万美元
。但报告指出 ，这个数字正面临上行压力。

传统云数据中心的建设成本大约是每兆瓦 1,000 万美元 。AI 时代的数据中心完全不同：机架功率密度从过去的 5-15 千瓦飙升到 Blackwell 时代的 130-200 千瓦
，再到 Rubin 时代的 500 千瓦以上；冷却方式从风冷转向全液冷；计算、内存 、网络和供电必须协同设计而非独立堆叠
。

图丨数据中心规格的演进（来源：Goldman Sachs）

NVIDIA 在 2026 年 GTC 上发布的 Vera Rubin 平台将这种压力推向了新的极端。NVL72 机架将 72 块 Rubin GPU 和 36 块 Vera CPU 封装进标准 42U 机柜，功耗相当于 40 户美国家庭 ，要求 45°C 进水温度的直接液冷和 800V 直流供电，大多数现有设施完全无法承载 。未来的 NVL576 配置更是指向每机架 600 千瓦
。

高盛的敏感性分析显示
，将数据中心成本从每兆瓦 1,500 万美元调整到 1,900 万美元，六年累计数据中心 CapEx 从 2.15 万亿美元上升到 2.72 万亿美元 ，增量超过 5,700 亿美元。而且建筑和电力设施的设计寿命通常是 20 到 25 年
，但当设施的技术需求可能在投产两年内就发生根本性变化时，长寿命资产的“耐久性 ”反而成了风险 。

图丨数据中心成本敏感性分析（来源：Goldman Sachs）

报告还点出一个尴尬的现实：不到两年前建成的“过渡型 AI 数据中心
”可能已经无法满足下一代芯片的功率和散热需求
。当一座数据中心的设计寿命是 20 年 ，但技术需求可能在投产两年内发生根本变化时
，长寿命本身就变成了风险。

省下来的钱，会不会直接花掉

第三个假设涉及芯片架构选择 。

GPU 之外 ，越来越多算力会通过 ASIC（Application-Specific Integrated Circuit
，专用集成电路）交付：Google TPU（Tensor Processing Unit）
、AWS Trainium、Meta MTIA 、OpenAI 与 Broadcom 合作的定制芯片
。这些芯片在特定任务上的每单位有效算力成本和功耗都比通用 GPU 低。

仅就近期合同看：Anthropic 在 2025 年 10 月宣布从 Google 采购至多 100 万颗 TPU，规模“几百亿美元” ，2026 年 4 月这个合作扩展到 5 GW 的 TPU 容量与 400 亿美元的 Google 投资 。Broadcom 2025 财年的 AI ASIC 营收约 200 亿美元
，订单积压 730 亿。Morgan Stanley 把 2027 年 TPU 出货量估计上调到 500 万颗，2028 年到 700 万颗
。

但 Lee 和 Greenbaum 更想问的问题是：这些更便宜的算力 ，最终会让总建设规模变小，还是会被新一轮使用吸收掉？

他们把问题归结为一个变量：算力需求的弹性。

一种情景是需求相对固定 。机构知道自己要训练多大的模型
、服务多少用户
，更便宜的芯片直接缩小资本盘子，架构选择实实在在地改变总数
。另一种情景是需求跟着价格走。算力变便宜了 ，团队就会训更大的模型、跑更长的上下文 、把 AI 塞进更多原本不值得用的场景
，省下来的钱又花回去了 。总的基础设施规模没变，变的是谁赚走了中间的利润
。

报告提到 ，NVIDIA 数据中心 GPU 的毛利率约 75%
，远高于其他芯片供应商。万亿美元乘以 75%，这个利润池将成为超大规模厂商转向自研芯片的最强动机 。问题是 ，这个动机驱动的结果是“少花钱 ”还是“多用量”
，答案完全不同
。

目前报告的基线倾向于后者。在算力需求远未饱和的阶段，便宜的计算催生的是更多使用 ，而不是更少投入
，架构变化改变的是价值分配而非总盘子 。作者也承认这个判断有时效性：当推理负载占比上升、利润率压力增大
、边际算力的回报开始递减，更便宜的芯片确实可能开始压缩总支出
。但那个阶段还没到。

瓶颈不改变成本 ，但可能改变信心

第四个假设是建设周期拉长 。电力接入排队、审批流程 、专业劳动力短缺
、变压器和冷却设备的交货周期（目前 GPU 交货期已延长至 36 到 52 周），都在拉大资本投入与产能上线之间的时间差。

延长本身不改变单位成本
。电力的价格、数据中心的每兆瓦造价 、芯片的效率都不动。它通过另一种方式作用：拉长时间线
、增加协调复杂度
，最终让 take-or-pay 合同的承约方、信贷供给方 、依赖二级市场融资的运营方都暴露在更长久的不确定性下 。

高盛认为，在基准情景下 ，瓶颈只是拖慢了部署节奏而非减少了总量
。项目延期
、资本重复投入（最典型的是自建发电设施绕开电网排队）
，结果是一个效率更低但总规模不变的建设过程。

但当瓶颈足够严重、足够持久，故事会从供给侧滑向需求侧 。当大量项目同时卡住 ，市场的关注会从“我们怎么把它建出来
”转向“我们到底是不是该建这么多”
。报告把这种状态称为反馈回路：供给侧的摩擦倒灌进需求侧的怀疑。

报告判断当前环境更接近基准情景
，但缓冲不大 。五大超大规模厂商 2026 年的 CapEx 指引已合计攀升至约 7,000 亿美元（综合多家分析师估算），较 2024 年的 2,000 多亿美元翻了两倍多
。资本密集度已达到营收的 45%-57% ，更像公用事业公司而非科技公司。

仅 2025 年一年
，这些公司就通过债券市场融资超过 1,080 亿美元，未来几年的预计发债规模达 1.5 万亿美元 。在这个杠杆水平上 ，执行层面的延迟很容易传导为需求层面的质疑
。

不改变总量的因素
，和一个循环悖论

高盛还列出了几个看上去很重要 、但对总量影响有限的因素。

训练与推理的比例变化影响的是回本速度，不是基础设施总量 。内存价格的剧烈波动本质上是供需失衡在极端采购量下的反映 ，高盛预计类似的短期冲击还会在光互连
、封装等其他环节反复出现。

自建电力确实抬高了单项目成本，但电力在六年累计投入中只占约 3,580 亿美元
，不到总量的 5%，即使大规模铺开也撼动不了 7.6 万亿的整体数字
。这些变量决定的是谁赚钱、什么时候赚钱 ，而不是总共要花多少钱。

报告坦言
，其分析建立在一种循环的逻辑上：如果建设真的成功，基础设施铺开 、瓶颈疏通、算力价格继续下降 ，那么结果结果未必是过剩
，而很可能是新一轮需求和新一轮场景在更低的价格点上被激活 。今天足以满足 AI 野心的那一笔建设，恰恰是它对明天的技术机会不够用的原因
。

参考资料：

1.https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成