AI 万亿投资:软件收入能不能养得起算力工厂?

过去两年，AI 投资最热闹的地方在上游。NVIDIA 的 GPU、云厂商的数据中心、光模块、网络设备、电力、冷却和服务器，构成了资本市场最熟悉的 AI 交易。

但如果把视角只停留在“谁在买芯片、谁在建机房、谁的订单最多”，读者很容易忽略一个更根本的问题：这些巨额资本开支，最终由谁买单？

AI 基础设施本质上是一座“算力工厂”：它把电力、芯片、网络、数据和模型转化成智能 token、自动化流程、广告转化率、代码生成、客服响应、机器人动作和企业决策。

只要这些产出能够变成足够高质量、足够持续、足够快增长的收入，今天的高投入就可能是新一轮技术周期的地基。反过来，如果下游应用收入和生产率收益追不上上游建设速度，AI 仍然会改变世界，但资本市场会先重新计算价格。

因此，讨论 AI 投资不能只问“算力需求有没有上限”，还要问“有效需求能不能支付算力成本”。更具体地说，投资者至少要同时看三本账：第一本是 AI 软件收入账，也就是 SaaS、模型 API、AI Agent、AI Coding 和企业应用能创造多少收入；第二本是 AI 基础设施成本账，也就是 GPU、服务器、数据中心、网络、电力和融资成本已经前置投入多少；第三本是企业 ROI 账，也就是客户使用 AI 后是否真的节省人力、提升收入或改善利润。

AI 的长期方向不等于所有 AI 资产都值得在任何价格买入。真正的分水岭不是“AI 有没有用”，而是“谁能把 AI 的用处变成自由现金流”。

一、先算收入池：SaaS能否支撑万亿 CapEx

SaaS 和 AI Software 是下游收入池，AI Infrastructure 是上游成本池。前者代表企业和消费者愿意为软件、模型和自动化服务支付的钱，后者代表云厂商、模型公司和数据中心运营商为了提供算力而提前投入的钱。

根据 Gartner 的全球 IT 支出预测，全球软件支出在 2025 年约为 1.244 万亿美元，2026 年预计达到 1.433 万亿美元，同比增长约 15.2%；同一预测中，数据中心系统支出 2026 年预计约为 5824 亿美元，同比增长约 19%. Gartner 对公有云市场的预测显示，Cloud Application Services，也就是 SaaS，2025 年预计约为 2991 亿美元. 其他第三方市场研究给出的 SaaS 规模更高，例如 Fortune Business Insights 估计 2026 年全球 SaaS 市场约为 3756 亿美元，Precedence Research 则估计 2026 年约为 4650 亿美元.

这些数字说明，SaaS 不是小市场。企业每年花在软件上的钱已经是万亿美元级别，花在 SaaS 上的钱也已经是数千亿美元级别。问题在于，AI 基础设施的建设速度同样巨大，而且更前置、更重资产、更依赖融资和折旧消化。Gartner 2026 年 5 月的 AI spending 预测显示，全球 AI spending 2025 年约为 1.765 万亿美元，2026 年预计约为 2.596 万亿美元；其中 AI Software 2026 年预计约为 4532 亿美元，而 AI Infrastructure 2026 年预计约为 1.432 万亿美元.

口径	2025 年规模	2026 年规模或预测	对投资者意味着什么
全球软件支出	约 1.244 万亿美元	约 1.433 万亿美元	这是 AI 软件化变现的最大传统预算池
全球 SaaS 支出	Gartner 口径 2025 年约 2991 亿美元	第三方口径约 3756 亿至 4650 亿美元	SaaS 是 AI Agent 最容易首先改造的企业软件层
AI Software	约 2829 亿美元	约 4532 亿美元	收入增长很快，但利润质量仍需要验证
AI Infrastructure	约 9756 亿美元	约 1.432 万亿美元	上游投入明显前置，回收依赖下游高质量现金流

这张表最重要的启示是：AI 不是没有收入池，而是收入池和成本池之间存在三重错配。第一是时间错配，基础设施 CapEx 先发生，软件收入和生产率收益后兑现。第二是口径错配，上游建设按万亿美元计，而真正能覆盖折旧和融资成本的高毛利收入仍在爬坡。第三是质量错配，很多 AI 收入早期可能来自促销、试用、低价 API 或亏损换增长，不等于立刻形成自由现金流。

所以，AI 投资的核心不是简单判断“市场大不大”。市场当然大，但投资者更应该问：这块市场能以什么毛利率、什么回款速度、什么留存率和什么资本效率兑现？

二、AI Agent 的价值：改变软件收费单位

如果 AI 只是传统 SaaS 的功能增强，商业价值会受到明显限制。比如在 CRM、办公软件、设计软件或客服系统里加入一个 Copilot，然后按用户席位加价 20% 到 30%。这当然能带来收入增长，但它仍然受制于企业 IT 预算、用户数量、竞争替代和客户 ROI 证明。

真正重要的变化，是 AI Agent 可能把企业软件的收费单位从 seat 改成 task、workflow、transaction、outcome。传统 SaaS 的逻辑是“人使用软件”，因此按用户、模块和订阅周期收费。AI Agent 的逻辑则更接近“软件替人完成工作”，因此它有机会把预算锚点从 IT 软件预算扩展到工资、外包、客服、销售运营、法务助理、代码开发、财务处理和后台流程等更大的成本池。

收费范式	传统 SaaS	AI Agent SaaS	投资者应追问的问题
计费单位	用户席位、模块、订阅周期	任务、调用量、流程、交易、结果	是否能突破 seat 增长瓶颈
价值锚	提升人效、规范流程	替代部分劳动、自动完成业务	是否能分享人工成本节省
成本结构	云成本相对可控，毛利率高	推理成本和模型成本可能显著增加	毛利率能否随规模改善
竞争壁垒	数据、流程、生态、渠道	数据闭环、执行权限、工作流嵌入	是否掌握不可替代的执行场景
主要风险	增长放缓、席位饱和	ROI 不清、幻觉、权限、安全和成本失控	是否只是“AI 功能”，而不是“AI 劳动力”

这一变化为什么重要？因为企业愿意为“工具”支付的钱，通常低于愿意为“结果”支付的钱。一个销售软件如果只是帮销售人员记录客户，它只能分享软件预算；如果它能自动挖掘线索、生成邮件、推进流程并带来可验证成交，它就有机会分享销售成本和收入增长。一个代码工具如果只是自动补全，它是开发者效率工具；如果它能完成测试、迁移、修复、文档和上线前检查，它就开始接近数字工程师。

Gartner 曾预测，到 2026 年，40% 的企业应用将集成任务特定 AI Agent，而 2025 年这一比例不足 5%；在更长期情景下，到 2035 年 Agentic AI 可能贡献约 30% 的企业应用软件收入，超过 4500 亿美元. 这个预测不意味着所有 SaaS 公司都会自动受益。相反，它意味着软件行业会重新分层：只会包装 AI 功能的公司，可能被模型和平台压缩；掌握数据、流程和执行权限的公司，才可能把 AI 变成真正的利润增量。

AI Coding 是一个特别值得观察的早期样本。OpenAI 在 2026 年 3 月披露，公司收入达到每月约 20 亿美元，即约 240 亿美元年化；Codex 每周用户超过 200 万，三个月增长 5 倍，使用量环比增长 70%. SemiAnalysis 也讨论过 Claude Code 在开发者工作流中的渗透，并认为它可能成为编码领域的重要拐点. SaaStr 汇总过 OpenAI、Anthropic 和 Claude Code 的公开及半公开收入信息，但其中包含估算和市场传闻，需要谨慎看待.

AI Coding 的意义不只是收入增速快，而在于它最接近“AI 替代高工资白领劳动”的可观察场景。若 AI 能在开发、测试、迁移、客服、销售运营和投研建模中形成可计量结果收费，AI SaaS 的天花板就不再只是传统软件预算。但这里也有反身性：越强的 Agent 往往消耗越多推理算力，收入增长如果同时伴随更快的成本增长，就未必立刻改善现金流。

三、再算成本池：软件增量很快，但基础设施投入更快

理解 AI 周期，必须把“收入增量”和“资本开支增量”放到同一张表里。2026 年 AI Software 预计从 2025 年约 2829 亿美元增长到约 4532 亿美元，增量约 1703 亿美元；AI Infrastructure 预计从 2025 年约 9756 亿美元增长到约 1.432 万亿美元，增量约 4564 亿美元. 这意味着软件收入当然在高速增长，但基础设施支出的增量更大，而且更依赖折旧、融资和未来利用率来消化。

假设某一阶段高 CapEx 达到 7650 亿美元量级，单靠 AI Software 一年的增量收入去覆盖，比例大约只有 22%。这不是说 AI 投资必然不成立，而是说明单年软件增量很难独立解释整个基础设施建设强度。若考虑折旧、维护性 CapEx、融资成本和目标现金回报，一次性 7650 亿美元 CapEx 可能需要约 4173 亿美元的年收入支撑；如果每年持续投入 7650 亿美元，稳态收入需求可能达到约 1.53 万亿美元。这组数字不是精确预测，而是帮助读者理解资本开支回本压力的压力测试。

情景问题	关键数字	如何理解
AI Software 2026 年较 2025 年增量	约 1703 亿美元	收入池增长很快，但仍只是年度增量
AI Infrastructure 2026 年较 2025 年增量	约 4564 亿美元	基础设施增量更大且更资本密集
AI Software 增量对高 CapEx 假设覆盖	约 22%	单年软件增量不足以完全解释激进 CapEx
一次性 7650 亿美元 CapEx 所需年收入	约 4173 亿美元	取决于折旧、融资成本和目标回报
每年持续 7650 亿美元 CapEx 的稳态收入需求	约 1.53 万亿美元	若建设强度长期维持，收入要求显著提高

这也是为什么“AI 是不是泡沫”不能用一句话回答。说它全是泡沫，忽略了 AI Coding、Agent、广告优化、云迁移、模型 API、自动驾驶和机器人等真实需求；说它完全没有泡沫，又忽略了 CapEx 前置、融资结构复杂、折旧压力上升和企业 ROI 尚未充分验证。更准确的表述是：AI 的长期方向大概率成立，但资本市场已经把大量未来现金流提前资本化了。

在这种情况下，2026—2027 年真正要观察的不是“大家还买不买 GPU”这么简单，而是企业 AI 项目能不能从试点走向生产，模型公司能不能降低单位推理成本，云厂商能不能把 GPU 集群转化为高利用率收入，SaaS 公司能不能证明 AI 加价不是短期营销，广告和电商平台能不能通过 AI 显著改善转化率。如果这些答案持续为正，CapEx 可以被消化；如果答案迟迟不出现，市场会先砍估值，再砍订单，最后砍融资。

四、七家公司：花钱者、收钱者和长期期权

在 AI 交易中，很多公司都会被放进同一个篮子里。但如果按现金流位置划分，它们的差异非常大。Alphabet、Microsoft、Amazon、Meta 和 Oracle 主要是基础设施需求方，它们把现金流或融资能力转化为数据中心、服务器、网络和 GPU。NVIDIA 是供给侧货币化者，它把客户 CapEx 转化为自己的收入、利润和自由现金流。Tesla 更像 Physical AI 的终端侧长期期权，当前利润兑现与远期叙事之间距离更大。

结合相关公司年报、投资者关系资料和统一横向整理口径，Alphabet 2025 年总 CapEx 约 914.5 亿美元，Microsoft FY2025 CapEx 约 645.5 亿美元，Amazon 2025 年 productive assets CapEx 约 1318.2 亿美元，Meta 2025 年 CapEx 约 696.9 亿美元，Oracle FY2025 CapEx 约 212.1 亿美元且 FY2026 指引约 400 亿美元，NVIDIA 自身 CapEx 约 60.4 亿美元.

公司	AI 产业链位置	最新实际 CapEx 或代理口径	关键判断
Alphabet	AI/Cloud 需求方 + 应用分发	约 914.5 亿美元	搜索、YouTube、云和 TPU 形成内部消化能力，但 CapEx 压力显著
Microsoft	AI/Cloud 需求方 + 企业软件现金牛	约 645.5 亿美元	Azure 与 Office/企业软件结合紧密，但 OpenAI 生态也带来外部依赖
Amazon	AI/Cloud 需求方 + 电商/物流现金流机器	约 1318.2 亿美元	AWS 与物流混合口径使 AI 纯度较低，但基础设施规模最大
Meta	垂直 AI 数据反馈系统 + 基础设施需求方	约 696.9 亿美元	广告业务有明确 AI ROI 闭环，是重要的垂直数据反馈系统
Oracle	OCI AI 云挑战者 + 数据库现金牛	约 212.1 亿美元，FY2026 指引约 400 亿美元	弹性高，但对大客户、长约和融资环境更敏感
NVIDIA	AI Factory 供给侧	自身约 60.4 亿美元	不是主要 CapEx 承担方，而是最大收钱者
Tesla	Physical AI 终端侧期权	约 85.3 亿美元	自动驾驶和机器人期权巨大，但当前利润与估值之间差距最大

这张表的重点不是简单比较谁花钱最多，而是判断谁能把投入转化为可验证现金流。Meta 的特殊性在于，它不是单纯买 GPU 追赶模型，而是把 AI 直接嵌入广告排序、推荐系统、内容理解和创意生成。广告业务天然具备高频反馈闭环：用户是否点击、是否停留、是否购买，都会快速反哺模型。因此，Meta 更像一个以广告为核心的垂直 AI 数据反馈系统，而不仅是社交媒体公司。

Alphabet 和 Microsoft 的优势在于多层收入缓冲。Google 有搜索、YouTube、Android、Cloud 和自研 TPU；Microsoft 有 Office、Windows、Azure、GitHub、Dynamics 和企业客户关系。它们的 AI 投入虽然巨大，但不是完全依赖外部融资的单点押注。Amazon 的问题更复杂，因为它的 CapEx 同时包含 AWS、物流、履约和设备资产，AI 纯度低于纯云口径，但 AWS 仍然是 AI 训练和推理需求的重要承接者。

Oracle 是高弹性标的，也是高敏感标的。OCI 如果承接大量 AI 工作负载，收入和 RPO 会快速上升；但如果增长高度依赖少数模型公司、长约客户或外部融资环境，风险也会被放大。Tesla 则更接近长期 Physical AI 期权：如果自动驾驶和机器人商业化成功，它的估值框架会被改写；但以当前利润看，市场已经为远期叙事支付了很高价格。

五、NVIDIA 的强大不在一颗 GPU，而在整座 AI Factory

NVIDIA它不是这轮 AI CapEx 的最大承担者，而是最大变现者。客户把钱投入 GPU、网络、服务器、数据中心和云集群，NVIDIA 把这些投入转化为收入、毛利、现金流和平台控制力。因此，NVIDIA 的估值争议不在于它是不是优秀公司，而在于客户 CapEx 周期能维持多久，以及下游收入兑现能否支撑这种 CapEx 周期。

NVIDIA 反复强调 AI Factory 的概念：数据中心不再只是存储和处理数据的机房，而是把电力、数据和模型转化为智能 token 的工厂。这个说法有穿透力，因为它把 AI 基础设施的经济模型讲清楚了：如果 token 能被高价值应用持续消化，AI Factory 就是生产性资产；如果 token 只是低价补贴和试用消耗，AI Factory 的回报周期就会拉长。

NVIDIA 的另一层战略，是把自身从 GPU 供应商变成系统级平台。GPU、NVLink、InfiniBand/Ethernet、CUDA、NIM、推理服务器、机器人平台、Omniverse、DPU 和网络设备，共同构成它的生态。它不仅卖“计算”，也卖“数据移动”和“系统效率”。在 AI 数据中心里，瓶颈往往不只是单颗 GPU 的算力，而是 GPU 之间、服务器之间、机柜之间的数据移动效率。网络、光互连、DPU、存储和调度软件都在成为 NVIDIA 护城河的一部分。

NVIDIA 的角色	常见理解	更准确的理解
GPU 公司	卖高性能芯片	卖 AI Factory 的核心生产设备
平台公司	CUDA 生态强	硬件、网络、软件、库和开发者生态共同锁定客户
周期公司	受服务器周期影响	仍有周期性，但周期被模型规模、推理需求和生态迁移放大
最大受益者	客户花钱它收钱	对客户 ROI 极度敏感，风险来自下游 CapEx 反转

这就是为什么不能简单把 NVIDIA 当作“泡沫中心”或“永远上涨机器”。它的财务质量极高，客户需求真实，平台壁垒深厚；但它也处在整个 AI 资本开支链条的最上游。如果下游模型公司和云客户的收入兑现不及预期，NVIDIA 不一定最先出问题，却可能最先被市场重新定价。换句话说，NVIDIA 的风险不在自己的资产负债表，而在客户的资产负债表；不在技术领先性，而在下游 ROI 的时间表。

六、算力需求长期像无底洞，短期却受有效需求约束

从技术路径看，AI 对算力的需求几乎没有自然上限。模型训练需要更大规模、更高质量数据和更复杂后训练；推理需要更长上下文、更高并发和更低延迟；Agent 需要多轮规划、工具调用、记忆、验证和回滚；视频生成、世界模型、机器人和自动驾驶又把 token 从文本推向图像、视频、动作和传感器数据。

单个用户的一次 AI 请求，背后可能已经不是一次简单生成，而是一组模型协同：先理解意图，再检索资料，再规划步骤，再调用工具，再生成答案，再自我检查。未来如果 Agent 真正进入企业流程，一个订单处理、一次代码迁移、一次投研建模、一次客服闭环，都可能消耗多个模型、多次推理和大量上下文。从“潜在需求”角度看，算力确实像电力一样，价格下降和应用扩张会不断创造新需求。

但潜在需求不等于有效需求。人类有无限的旅行、医疗、娱乐和教育需求，但最终能转化为收入的，是在价格、预算、基础设施和 ROI 约束下的有效需求。AI 算力也是如此。只有当一次推理带来的价值高于成本，企业才会规模化部署；只有当 Agent 的错误率、权限风险、延迟和合规问题可控，企业才会把核心流程交给它；只有当单位 token 成本下降足够快，消费级应用才可能从新鲜感变成高频刚需。

因此，AI 算力的长期需求可能没有天花板，但短中期有效需求存在非常现实的约束：电力、土地、数据中心建设周期、GPU 供应、网络瓶颈、融资成本、客户预算、模型效率、监管压力，以及最重要的 ROI 证明。资本市场交易的不是“物理上可以消耗多少算力”，而是“经济上有多少算力能被高质量收入消化”。

七、2026—2027 年的关键：AI 可能进入 ROI 审判期

把软件收入、基础设施 CapEx、七家公司分层和 NVIDIA 的位置合在一起，一个更稳健的判断是：AI 不是简单泡沫，但正在进入 ROI 审判期。这个判断既不同于“AI 全是泡沫”的悲观叙事，也不同于“只要是 AI 就可以买”的线性乐观。

AI 的长期趋势是真实的。企业软件会被 Agent 改写，开发者工作流会被 AI Coding 改写，广告系统会被生成式创意和推荐模型继续优化，云计算会从 CPU 时代进入加速计算时代，机器人和自动驾驶可能打开 Physical AI 的长期空间。但资本市场也已经提前支付了大量未来收入：高估值、长约、RPO、数据中心建设、GPU 订单、私募信贷、SPV 和租赁义务，都在把未来现金流压缩到今天的资产价格里。

观察指标	乐观信号	风险信号
AI SaaS 收入	AI 功能带来净收入留存提升和高毛利增量	加价难以维持，推理成本吞噬毛利
企业 Agent 落地	从试点进入核心工作流，按结果付费出现	停留在 demo 和低价值自动化
云 GPU 利用率	训练与推理需求共同提升利用率	集群空置或只能靠降价填充
模型公司单位经济性	收入增长快于算力成本增长	用户越多亏损越大
数据中心融资	长约客户质量高，融资成本稳定	依赖高杠杆、单一客户和再融资
NVIDIA 订单	需求从训练扩散到推理和企业应用	客户推迟订单或压缩 CapEx

这里尤其要避免一个误区：市场调整不等于 AI 失败。互联网泡沫破裂后，互联网没有消失，反而诞生了更强的 Google、Amazon、Netflix 和云计算。AI 如果经历一次调整，也未必意味着长期逻辑破产，而可能是资本市场把低质量项目、过高估值和不可持续融资结构出清。真正的问题是：调整之后谁还能留下来，谁的收入质量更高，谁的现金流能自我循环，谁掌握不可替代的数据、分发、算力或工作流入口。

八、别全空，也别无脑买一切 AI

站在当前时点，最稳妥的 AI 投资框架不是“全空”或“满仓”，而是分层。第一层是现金流强、数据闭环明确、AI ROI 可以嵌入核心业务的平台公司，例如 Meta、Alphabet、Microsoft 这类公司。它们不一定便宜，但即使经历估值回撤，业务根基更稳。第二层是供给侧最强公司 NVIDIA，它仍然是 AI Factory 的核心收钱者，但更适合用周期和估值纪律管理仓位，而不是把长期叙事线性外推。

第三层是高弹性但高敏感的基础设施挑战者，如 Oracle、neocloud 和部分数据中心链条。它们的上行来自订单和 RPO，下行来自客户集中、融资成本和 CapEx 反转。第四层是 AI Agent、AI Coding、垂直数据和执行平台，这里可能诞生真正的下半场赢家，但也最需要自下而上甄别。

对于应用层，核心不是寻找“用了 AI”这三个字，而是寻找三类公司：一类拥有独特数据飞轮，模型越用越强；一类掌握工作流执行权限，Agent 能直接完成任务；一类能够把收费单位从 seat 推向 outcome，从而分享人工成本节省。只有这三类公司，才有机会从 AI 功能公司变成 AI 劳动力公司。

对于基础设施层，核心不是只看订单，而是看订单背后的客户质量和回款能力。由现金流强的云巨头自营建设，与由高杠杆 SPV、私募信贷和单一模型公司长约支撑的建设，风险完全不同。前者更像长期资产配置，后者更像期限错配和信用扩张。AI 的潜在需求也许无限，但资本结构不是无限的，电力不是无限的，客户预算也不是无限的。

最终，AI 投资可以收束为一句话：AI 的长期方向也许没有错，但资本市场现在要问的不是“AI 会不会改变世界”，而是“谁能把改变世界这件事变成足够高质量、足够持续、足够快的现金流”。如果 SaaS、Agent、Coding、广告、云和 Physical AI 能把现金流补上，今天的 CapEx 是新周期的地基；如果补不上，AI 不会消失，但价格会先被重新计算。