2030年六成AI算力花在推理!模型、空间数据和软件,谁先收到钱

到 2030 年，推理工作量预计会消耗全球数据中心需求的 43%，或者占全球 AI 算力需求的 60%。

这个数字比“又发布了一个更强模型”更值得盯。

模型继续变强当然重要，但产业问题已经变了：高端推理要开始收费，物理世界的数据要沉淀下来，企业软件要接住智能体带来的治理需求。

AI 现在最硬的一关，是工作负载能不能变成账单。

离调用量、订单、收入和客户扩容越近，下一阶段的位置越清楚。还停在产品演示和概念入口的环节，就要继续等客户用真金白银投票。

一、别只盯训练，推理已经开始收费

过去看 AI，市场很容易盯模型参数、训练规模和发布节奏。现在得往后多看一层：企业智能体和多步骤工作流，正在把推理调用拉起来。

中国底层 AI 市场预计会从 2024 年的 1607 亿元增至 2030 年的 9930 亿元，复合增速 35.5%。这不是演示需求，而是越来越多企业开始把 AI 放进真实流程。

但推理收费不会是所有 Token 一起涨价。

标准化生成大概率还会继续降价。能卖出溢价的，是高复杂度、长上下文、强可靠性的企业推理。

一个很直接的信号是，1Q26 在执行 83% API 提价的同时，Token 处理量仍扩大 4 倍，开放平台年化经常性收入已经超过 2.5 亿美元。

变化就在这里：需求不只停在热度，已经能进入调用量和收入指标。

当然，涨价不是万能答案。模型厂商后面能不能继续改善毛利，还要看算力、芯片和云侧供给能不能接住订单。

二、推理变重以后，系统和互联先被拉到台前

推理负载一旦变重，受益范围就不会只停在模型。芯片、机架、互联、供电、液冷、服务器和边缘设备，都会重新被摆上台面。

COMPUTEX 2026 和 GTC Taipei 的方向很清楚：竞争正在从单颗芯片，转向机架级系统协同。

CPU 与 GPU 在 AI 推理时代的互补比例已经达到 1:1，互联、800V DC power、液冷和边缘 AI，也被放进同一个系统框架里看。

互联尤其值得单独看。

Marvell 把“AI 扩展取决于互联”放到核心位置，并与英伟达围绕 NVLink Fusion 和硅光技术形成 20 亿美元合作。

这背后的问题很实际：算力堆上去以后，数据能不能在集群里低延迟、低功耗地流动，开始决定系统效率。

边缘 AI 和机器人也不是孤立概念。AI PC、工业设备、AMR、无人机和机器视觉，本质上都在回答同一个问题：推理能不能从云侧走到本地和实体世界。

如果应用适配、散热、续航和客户导入跟不上，这些环节就还在验证期。只有开始量产和交付，系统供给才会从展会看点变成订单看点。

三、从调用账单到预算承接口

把这些信息放到一张链路表里，会更清楚：它们不是四个孤立热点，而是同一笔 AI 账单的不同收款口。

越靠近真实调用和企业控制点，越容易先看到订单。越靠近物理世界数据入口，越需要等客户场景跑起来。

这张表只想说两件事。

第一，离现金流最近的是高端推理和企业软件，因为它们已经进入调用、扩容和续费口径。

第二，空间智能更像下一阶段入口，价值在数据和仿真位置，但还不能提前写成大规模商业化。

四、空间智能值钱的不是概念，是数据入口

空间智能能接上 AI 主线，不是因为名字新，而是因为物理 AI 需要高质量空间数据。

机器人训练、仿真迁移、工业视觉和 3D 内容生成，都绕不开一件事：把真实世界变成模型可用的数据资产。

国内可视化市场到 2029 年有望达到 1729 亿元。相关平台已经拥有超过 10000 块 GPU，每日执行 1280 万次任务，并沉淀 4.796 亿个结构化 3D 模型资产。

这些数字很有价值，但不能直接等同于收入全面打开。

更稳的看法是，数据资产、仿真环境和训练平台正在形成入口。入口本身有价值，价格还要靠客户采购来确认。

它距离稳定收入还隔着三道关：客户是否愿意把真实场景放进平台，仿真结果能否迁移到机器人和工业现场，收费模型能否从任务量沉淀为持续采购。

所以空间智能的看点不在“概念更大”，而在它能不能成为机器人和物理 AI 的基础设施。

能沉淀数据、能提供仿真、能连接真实场景的环节，才可能在下一轮扩散中获得更清楚的位置。

在验证完成前，它更适合作为中长期入口，而不是短期利润线。

五、AI 没有吃掉软件，反而把中间层推出来

市场之前担心 AI 会直接吞掉 SaaS。现在看，另一条路径更清楚：企业越想部署智能体，越需要数据、流程、权限、监控和安全软件。

AI 项目一旦从试点走向生产，就不再只是买模型。

企业要回答一串很现实的问题：谁能访问数据，调用是否可追踪，结果能否审计，成本能否按部门分摊，异常能否及时拦截。

这就是企业软件中间层承接预算的逻辑。模型负责生成和推理，但企业真正付钱的项目，往往落在控制面。

数据平台把内部数据整理成可调用资产，可观测性平台看清调用链和成本，数据库和开发平台让应用接入业务系统，安全平台负责身份、权限和威胁防护。

智能体越多，这些控制面越不能省。

Snowflake 的线索更像数据入口，FY27Q1 NRR 提升至 126%，说明客户扩容正在回到平台使用量上。

Datadog 对应监控和可观测性，26Q1 收入同比增长 32%、RPO 同比增长 51%，超过 6500 家客户使用至少一个 AI 集成。

AI 应用越多，企业越需要看清系统运行状态。

MongoDB 对应数据库与开发平台，FY27Q1 RPO 达 14.6 亿美元、同比增长 88%，45% 的大客户使用两项及以上平台功能。

重点不在名字多，而在应用开发和数据调用正在绑定同一平台。

CrowdStrike 对应安全控制，FY26Q4 新增净 ARR 达 3.31 亿美元，Falcon Flex 结束 ARR 同比增长 120%。

AI 扩散后，安全预算没有消失，反而要跟着新的访问和调用风险扩容。

ServiceNow 将 2026 年 AI 收入目标从 10 亿美元上调到 15 亿美元，也指向同一个变化：企业需要的不是另一个聊天框，而是把 AI 放进流程、合规和控制系统里的能力。

软件中间层的价值，不是替模型讲故事，而是把模型变成可采购、可治理、可续费的企业项目。

六、哪些环节更先接到账单

如果按兑现速度排序，模型开放平台和企业软件中间层更靠前。

前者已经看到调用量和 ARR，后者已经在 NRR、RPO、ARR 和收入指引里出现改善。

两者的共同点是，需求已经能被财务指标捕捉，而不是只停留在产品发布。

企业软件内部也要分层看。

数据平台看 AI 工作负载和客户扩容，监控平台看调用链、日志和成本观测需求，数据库与开发平台看多产品使用和收入确认，安全平台看身份权限、端点防护和平台化续约。

这些公司放在一起，不是为了凑名单，而是分别对应企业 AI 项目落地后的四个必需环节：数据可用、系统可观测、应用可开发、安全可控制。

系统供给、互联、液冷、电源和边缘 AI 还处在产品到订单之间，后续要看量产信号和供应链名单变化。

空间数据、仿真平台和机器人训练环境还在从入口走向收入的路上，更适合当作中长期线索观察，不能当成已经兑现的利润线。

这也是判断 AI 主线时要分层的原因。

靠近调用、账单和企业预算的环节，优先看收入和订单；靠近物理世界和机器人训练的环节，优先看客户采用和场景迁移。

把这两类指标混在一起，就容易把还在试跑的资产，写成已经兑现的利润。

七、后面最该看三件事

第一，高端推理付费能否延续。Token 调用量、开放平台 ARR、云业务利润率和毛利率，是判断模型商业化能不能继续往前走的关键。

第二，空间数据能否商业化。

3D 数据、仿真平台和机器人训练环境如果只是数据资产，位置还不够硬。只有进入客户采用、任务量增长和收费验证，空间智能才会从入口走向收入。

在此之前，它更像“下一轮物理 AI 的门票”，还不是已经落袋的利润。

第三，企业 AI 软件预算能否扩散。RPO、NRR、大客户扩容、AI 收入目标和安全监控需求如果继续上行，软件中间层的修复就更有质量；如果只停留在试点和短期项目，就只能算阶段性估值修复。

这轮 AI 后面不要只问“谁的模型更强”，更要问谁离调用账单、物理数据和企业治理预算更近。

高端推理如果不能持续收费，模型商业化要降温；空间数据如果商业化太慢，只能留在中长期入口；企业软件如果没有订单、留存和使用量改善，也不能写成全面反转。

所以这条主线的核心，不是把模型、机器人和 SaaS 都装进一个大故事里。

后面要跟的，是模型调用形成账单以后，预算有没有继续流向数据、监控、编排和安全这些控制点；物理世界的数据入口，能不能从任务和资产继续走向客户采购。

我把这条线的关键资料整理成了「AI 推理付费、空间智能与企业软件重构资料包」，想继续跟踪的话，可以点左下角「阅读原文」领取。