原文：What has to go right to justify the trillions being spent on AI CapEx?

作者：Eric Flaningam

来源：SandHill.io #307 推荐阅读 · 行业动态与分析 ｜ RecodeX 编译

导读：市场都在问“AI 需求能否填满正在上线的算力”。Generative Value 作者、现任 Timeless 合伙人的 Eric Flaningam 认为，短期答案显然是“能”，但长期真正的问题是：这个行业何时能靠自身收入养活自己，而不再依赖外部融资。他从供给（芯片、电力、资金、劳动力）出发，倒推云厂商需要多少第三方 AI 收入，再列出三项“必须做对”的条件，最后指出应用形态将决定哪类基础设施会短缺。

一、引言：短期不愁，长期难答

短期需求证据随处可见：新兴云（neocloud）短期算力价格环比翻倍，据报道 AWS 的产能已售罄至 2028 年。但累计超过 1 万亿美元的 AI 资本开支，有很大一部分将在 2027 年集中上线，使 AI 算力供给大约翻一番。

图1：谷歌、Meta、微软、亚马逊、甲骨文、SpaceX、CoreWeave、Nebius 的资本开支预计 2027 年约 1.4 万亿美元、2028 年约 1.5 万亿美元，约为 2023 年的 9 倍（来源：市场一致预期、公司财报）
图1：主要公司资本开支预测——2027 年约 1.4 万亿美元，2028 年约 1.5 万亿美元

早期算力需求多来自训练，押注的是未来推理收入。作者团队测算了一个“收入门槛”：到 2027 年底 AI 客户至少需支出 6000 亿美元、2028 年超过 1 万亿美元，云厂商才能持续跑赢资本成本并保有合理利润。

作者的核心判断：

  • 底线条件：前沿实验室持续推进能力边界，并守住足以支撑下一轮训练的利润率。
  • 编程和聊天机器人是当下 AI 收入主力，仅编程长期就可能支撑万亿级收入；但开源模型不断缩小差距、常规任务持续流向开源模型，而收入门槛还在上升，因此前沿模型必须在“性能更好就值得多付很多钱”的领域——药物发现、材料发现、量化交易、机器人——赚取溢价。
  • 扩散速度：能力不等于采用。ChatGPT 和 Claude Code 是首批真正改变工作方式的产品，还需要更多。

（作者附注：他两个月前加入 Timeless 任合伙人，本文基于团队对 AI 基建的研究。）

二、供给有多少

基准判断：非中国地区芯片交付约 2026 年 20GW、2027 年 35–40GW、2028 年 50GW 以上。瓶颈几乎遍布整个供应链，连洁净室开发商、数据中心滤网供应商都在疲于应对需求。

图2：AI 供应链全景——半导体、IT 设备、数据中心建设、电力与融资必须协同，才能让关键 IT 容量上线（来源：Timeless）
图2：AI 供应链示意图

1. 芯片供应链

  • 英伟达指引明年数据中心收入约 6500 亿美元（按 70% 增速），约折合 2027 年出货 20GW；
  • 博通（XPU，主要是 TPU）预计 2027 年 AI 半导体收入 1150 亿美元，约 10GW；
  • AMD、Marvell、联发科合计再贡献 5–6GW（AMD 占大头）。
图3：全球每年新上线的关键 IT 容量（GW，按机架功率计，不含制冷等设施开销；PUE 1.2 时总电力约为其 1.2 倍）。2026–2028 年为基于英伟达、博通、AMD、Marvell、联发科指引的估算（来源：公司财报与电话会、Timeless 内部估算）
图3：每年新增关键 IT 容量（GW）

英伟达自己认为内存（HBM）在 2028 年初前都是加速器瓶颈，作者认为该约束已计入指引。脚注补充：业界正用片上 SRAM 或闪存分担内存工作，但这可能只是把瓶颈转移到同样生产 CPU/GPU 的逻辑晶圆厂。合计 2027 年约 35–40GW 算力，按 PUE 1.2–1.5 计需 42–60GW 电力。

2. 电力

电网供电比表后（behind-the-meter）发电可靠得多，而按承诺可用率定价的数据中心若用表后发电，需要大量冗余。电网不够，压力就转向表后供应链，两边都出现瓶颈：

  • 并网：从申请到运行的中位数约 5 年（2008 年不到 2 年）；
  • 燃气发电：燃机订单排到 2030 年以后，联合循环电厂需 4–6 年；
  • 变压器：大型机组交付周期 2.5–4 年；
  • 输电：新建高压线路需 10 年以上。

据 SemiAnalysis，2027 年全球新增数据中心容量约 40–50GW，其中美国约 40GW，与芯片交付大体匹配；2028 年谁是瓶颈取决于表后电力能否跟上。其他解法：去电力更便宜充足的海外（异步智能体的兴起让延迟不再那么关键），或直接把 GPU 搬到风电、光伏等“搁浅电源”旁（如作者所投的 Rune Energy）。

3. 劳动力与融资

  • 融资：市场预期这些关键公司 2027 年资本开支达 1.5 万亿美元，占 AI 资本开支总额 85%。按每 GW 全口径成本 450–500 亿美元计，可支撑 35–40GW 新增容量，因此 2027 年对大型云厂商不构成即时约束（小厂另说），但 2028 年后需越来越多依靠自身收入。
图5：各公司资本开支市场预期（与图1相同，供参考）
图5：重复图1的资本开支预测
  • 劳动力：脚注给出数据——电气工程占超大规模数据中心建设成本 40–50%，单个园区高峰期需 800–1400 名电工（普通写字楼仅 20–30 名）；美国约 81.9 万名电工中仅 10–20% 具备中压、开关柜和调试经验，据此美国技工储备每年难以支撑远超 30GW 的新建项目。作者相信高薪会吸引更多人入行，但未来 12 个月能否解决是未知数。

三、门槛：这些供给需要赚多少钱

作者强调这不是收入预测，而是倒推：若云厂商要在上述资本开支上取得 35% 营业利润率，需要多少第三方 AI 收入。

图6：云厂商为在 AI 数据中心资本开支上实现 35% 营业利润率所需的第三方 AI 客户收入。按年度容量折算折旧与运营成本、加上利润，再按年末各批次加总：2027 年底年化约 6000 亿美元，2028 年底约 1.1 万亿美元（来源：Timeless 内部估算）
图6：所需第三方 AI 收入测算

结论：2027 年底需年化约 6000 亿美元，2028 年底约 1.1 万亿美元（脚注：不含微软 Copilot、Meta 信息流排序等自用负载，也未计入人力等经营开支，真实数字应更高）。对比现实：2026 年所需第三方收入为 2810 亿美元，而前沿实验室加上 Cursor、Cognition 等产品年底收入大约只接近 2000 亿美元。

图9：领先 AI 模型与应用公司的年化收入，以及 Timeless 对 2026 年底的估计——预计合计 1650–2200 亿美元，Anthropic 与 OpenAI 占 80% 以上；年化收入未经审计、口径不一，且存在应用公司向实验室付费造成的重复计算
图9：主要 AI 公司年化收入

这 800 亿美元左右的缺口目前由风投和企业资本填补。明年需新增 3000 亿美元以上收入，后年再增 4000 亿美元以上。

四、哪些事必须做对

  1. 前沿模型在高价值工作上持续进步：落后者的利润会被竞争压缩；许多应用公司已把最难的任务交给前沿模型、简单任务交给小型开源模型。常规工作撑不起万亿收入，关键是高价值市场扩张能否快于其他领域的降价压力。
  2. AI 在经济中扩散：作者借用 Nick Sleep 2011 年致股东信——亚马逊体验明显更好，为何每年只增长约 40%？答案是习惯的改变是“漂移而非顿悟”。用他的一句话概括：“我们都是习惯的动物。”许多增长预测隐含了人们能迅速改变习惯的假设；因此让 AI 易用的公司（如作者所投的 Instinct）和廉价模型至关重要。
  3. 价值不被竞争蚕食：抵御蒸馏、建立持久优势、提高转换成本；同时找到新的变现方式，例如数万亿美元规模的药物发现，以及材料与机器人领域。

三者都成立，则可预见的未来都将供不应求：全球劳动 GDP 约 30 万亿美元、年增 3–4%，AI 将吃下其中可观份额。若不能立刻实现，融资市场会出现波折，部分公司会挣扎——但正如 Gavin Baker 所说，“慢一点、久一点”或许更好。

五、应用将决定什么会短缺

“GW 供给对 GW 需求”过于简化：应用对内存、CPU、存储、GPU 有不同需求，应用形态决定基础设施约束形态。历史上技术浪潮都是基础设施催生新应用，新应用再反过来决定后续要建什么。

图8：移动互联网时代（2010–2016）与 AI 建设期（2022–2026）中半导体、基础设施、软件与服务板块的相对股价表现。移动时代先是半导体跑赢，其后是基础设施与设备，最后是软件；a16z 认为 AI 正沿相同顺序演进（来源：a16z Growth；摩根士丹利研究、FactSet）
图8：两轮技术周期中各板块股价表现对比

例如：需要即时响应的负载与可在夜间异步运行的负载需求截然不同；前沿训练需要巨型紧耦合集群，而大量推理可分散到小型站点；每一步都调用前沿模型的产品，与只在最难决策时调用的产品，经济性完全不同。

结语

以风投视角看，两种情景对创业公司都不错：乐观者错了，就有大量闲置算力供新应用使用；乐观者对了，能更早上线供给或榨取现有算力效率的公司更有价值。作者预告下一系列文章将聚焦药物发现、机器人、材料发现等前沿方向。（原文附免责声明：不构成投资建议，观点不代表 Timeless Partners。）

本文由 RecodeX 编译自 What has to go right to justify the trillions being spent on AI CapEx?（作者：Eric Flaningam），首发于 SandHill.io #307 推荐阅读。本文为中文编译稿，非全文翻译，完整内容请阅读原文。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。