科技公司的利润正在流向芯片、机房和电网，软件公司正在接受新的增长检验，越来越多的企业则在上市前就已经长成巨头。这些变化，在a16z的《State of Markets》2026年9月版里，被放进了同一幅市场图景。

这份90页报告的中心判断是：科技已经成为牵动整个经济周期的力量，AI正在改变这股力量的传导方式。过去以软件和轻资产为主的增长，开始向计算设备、能源、制造、机器人和国防延伸；与此同时，AI应用仍处于使用广泛、深度不足的阶段。

报告并没有把所有问题都归结为“AI是不是泡沫”。它依次讨论了盈利、资本开支、使用量、硬件供应链、软件估值、私募市场和创业公司的变化，也留下了对持续性、回报和技术替代的疑问。下面沿着这条论证展开，保留关键原图。图中的历史数据、共识预测和企业案例，按各自的来源与时间理解。

从一个行业，走向投资和盈利的中心

a16z认为，科技已经从相对独立的产业，变成全球经济的重要驱动力。它的影响不只体现在互联网服务：研发、设备投资、企业利润与资本市场，都越来越依赖科技公司的活动。

报告引用的一张长期图表，把高技术设备、软件和研发合并计算，显示这部分支出占美国资本开支的比例已达到约55%。这是支出类别的统计口径，并非“科技行业占美国GDP的55%”。

按报告对科技公司的分类，全球市值最大的100家上市公司中，科技公司约占35%的家数，却占约60%的市值。在标普500中，科技公司的利润份额接近一半；报告估计，它们贡献了2026年约76%的年度盈利增量。这一年度数字使用的是报告时点的共识估计，不能当成全年已经实现的结果。

图 1科技对标普500盈利增长的贡献。来源：a16z原报告，底层数据出处与日期见图内。

利润率也在提供支撑。报告展示，多个行业的利润率都在扩张，但科技尤其突出；科技与非科技公司的盈利能力差距已经拉大。对应到财报，报告引用的统计显示，约94%的标普500公司达到或超过每股收益预期。增长主要由科技和能源领跑，但并不完全局限于少数公司。

股价上涨，背后不只有估值

报告对市场上涨的解释，是利润增长在承担主要推动作用。它把盈利预期与估值倍数拆开，指出在利润上升的同时，多个行业的估值倍数反而有所下降。按报告使用的科技样本，年内股价上涨超过20%，而估值倍数比过去五年的平均值低约20%。

由此，a16z认为，很难仅凭市场创下新高就把这轮上涨概括为泡沫。这是报告对当时定价的判断，并不意味着估值压缩已经排除了未来的风险。

市场内部的领先者也在变化。报告展示，2026年其他科技公司跑在“七巨头”和大型云厂商前面，并把这种轮换与云厂商投入AI基础设施、半导体企业承接利润增量联系起来。最赚钱的公司在花钱，供应链公司则在获得更多收入和利润。

但盈利之外还有交易结构。报告特别提醒，散户、动量和杠杆仍在影响市场波动：这一轮散户更多买入市场共识中的科技主题及杠杆ETF，而不只是早年的“迷因股”。基本面改善与交易拥挤，可以同时存在。

万亿美元级资本开支，仍不断上修

a16z把AI视为一次代际平台变化。报告将它放在大型机、个人电脑、互联网、云与移动计算的历史序列中，认为新一轮计算平台可能连接更多设备、用户和应用，因此需要更大的基础设施。

大型云厂商的资本开支，是最直观的表现。报告列出的共识路径显示，Alphabet、Amazon、Meta、Microsoft和Oracle的合计资本开支，从2025年的约4160亿美元，走向2026年约8000亿美元的量级；2027年以后，相关预测进入每年万亿美元以上的区间。

图 2大型云厂商资本开支：历史值与共识预测。来源：a16z原报告，底层数据出处与日期见图内。

报告不同页面引用的来源和时间不同，2026年的柱状图分别给出约7770亿美元与7910亿美元。本文按“约8000亿美元量级”呈现，不把不同版本拼成一个精确预测。图中2026年及以后的数值属于共识估计。

报告还比较了历年资本开支预测，指出市场分析师反复低估满足算力需求所需的投入。它将当前开支占GDP的比例，与铁路、油气、电信等历史投资周期的高点作比较，说明这一轮建设已经具有宏观分量；这种比较本身不保证各周期会产生相同结果。

利润先变成设备，自由现金流承压

过去几年，大型云厂商的高利润为AI建设提供了主要资金。报告展示的另一面，是资本开支快速吞噬经营现金流，自由现金流明显下降。

图 3资本开支与自由现金流：未来部分为预测。来源：a16z原报告，底层数据出处与日期见图内。

图中的预测认为，这种压力可能持续到2028年前后，随后自由现金流有望恢复。这里的“恢复”依赖未来收入、利润和支出路径，仍是预测。当前利润很高，也不能直接证明每一项新增AI投资都会获得同样的回报。

当内部现金不足以覆盖扩张，债务市场开始承接更多资金需求。报告同时展示投资级债券和特殊目的融资载体等渠道，表明AI建设的融资正在延伸到资产负债表内外。更长期的借款，也让债务期限成为这轮建设的一部分。

图 4建设融资向债券与特殊目的载体扩展。来源：a16z原报告，底层数据出处与日期见图内。

a16z对这种融资的解释是：大型云厂商此前负债较少，盈利能力强，目前投入资本回报率仍高于借款成本和加权平均资本成本，因此具备借钱投资实物资产的理由。

图 5投入资本回报率与借款成本，图内指标为ROIC。来源：a16z原报告，底层数据出处与日期见图内。

这张图比较的是投入资本回报率ROIC，虽然报告页面的大标题写的是ROE。两者不是同一个指标；按图内定义阅读，才能避免把股东权益回报率与资本投入回报率混在一起。

建设正在影响工作和电力成本

AI投资也在向科技行业之外传导。报告展示，数据中心建设推动了建筑与技能工种的招聘，一些设施管理、施工和技术岗位的薪资高于同地区的非数据中心岗位。a16z据此认为，AI基础设施已经成为新增建设、就业、进口和融资的重要推动力。

电费问题上，报告给出了一个与直觉不同的解释：持续、稳定的大规模用电，可以分摊电网固定成本。它引用Watten、Bistline和Blanford在2026年8月24日的研究，称在该研究样本和方法下，数据中心容量每增加10%，居民平均零售电价估计下降约0.4%；并把2019至2024年样本中的变化解释为约6%的电价下降。

这是报告引用的特定研究估计，不代表任何地区新建数据中心都会降低电费。报告借此强调的是规模经济这一可能机制，而非给所有电网作统一结论。

收入增长、积压订单与旧GPU的价值

报告用OpenAI和Anthropic的收入年化规模曲线，说明AI实验室的增长速度和规模。它还比较AI实验室与上市软件公司的新增收入，认为AI需求已不只是建设端的预期。不过，年化收入和年度实际收入的口径不同，不能直接互换。

云厂商的收入积压订单同样快速增加，报告称其同比约翻倍；专注AI算力的新型云公司也在较短时间内实现了很快的收入增长。a16z据此解释，大型云厂商反复提到的“需求大于供给”已有经营数据支撑。

图 6大型云厂商的收入积压订单。来源：a16z原报告，底层数据出处与日期见图内。

积压订单反映未来履约安排，并不等于当期收入，更不等于可以立即使用的算力。报告对两年后现金流反弹的判断，仍使用预测数据。

另一项观察是旧GPU并未迅速失去经济价值。报告展示B200、H100、H200和A100的租赁价格及由租金推导的残余价值，指出部分旧型号仍然保持较强价格。在a16z的解释中，新一代芯片与更便宜的智能没有立即挤掉旧芯片，需求扩大仍在消化各代设备。

图 7GPU租赁价格与由租金推导的残余价值。来源：a16z原报告，底层数据出处与日期见图内。

这支持的是报告时点的租赁市场观察。图中的残余价值是推导值，不是二手设备实际成交价；租金保持强势，也不能单独决定企业应采用怎样的会计折旧年限。

“用上了AI”与“持续测量成效”相距很远

报告认为，AI采用已经很广泛，但深度不足。在它引用的标普500公司统计中，2026年第二季度约69%的公司提到已部署AI，约29%披露可量化影响，只有约2%披露持续跟踪的指标。

图 8AI部署、量化影响与持续跟踪指标之间的差距。来源：a16z原报告，底层数据出处与日期见图内。

这组差距是报告强调“仍处早期”的重要依据：有部署、有局部收益，与形成可重复衡量的企业级应用，是不同阶段。

报告汇集的企业案例，呈现了AI正在进入哪些经营环节：

•购物与广告。Amazon披露，使用Alexa购物的客户平均每单消费高出40%以上，Ads Agent的获客成本低约6%。Meta披露，GEM带来约15%的提升，Advantage+购买转化和加购转化分别提升约13%和16%；GEM引语使用conversations一词，原报告未进一步说明其指标含义。Shopify称，Sidekick让新商家在15天内达到五笔订单的比例提高约8%，AI搜索相关表现比传统自然搜索高约80%。

•企业软件。ServiceNow称，2026年第二季度AI年度合同价值超过10亿美元，智能体部署在九个月内增加九倍。Snowflake称，CoCo账户超过9100个，单季新增超过2000个。Microsoft称，GitHub Copilot收入环比增长超过60%，Microsoft 365 Copilot付费席位超过3000万。

•金融与保险。Affirm披露，模型帮助完成了原系统可能拒绝的一部分申请，使完成购买增加约3.4%。Lemonade把约5%的理赔费用率与AI、自动化进展联系起来。Chime称，过去四年每年的服务成本都下降约10%，AI是效率改善的因素之一。

•零售。Walmart称，使用Sparky的客户数量同比增加约70%，使用该工具的顾客平均每单消费高约40%。

这些都是报告引用的公司披露或管理层表述。使用AI的客户可能本就不同于其他客户，各公司的样本、时间和指标也不同，不能把这些百分比合并成一个“AI平均回报率”。Shopify的“高约80%”所比较的具体指标，原报告引语未完整定义，本文不进一步补成转化率或收入。

企业支出也有扩张空间。报告引用的调查显示，多数公司计划增加AI投入，约20%的组织将成本列为约束。a16z认为，AI目前在企业整体成本结构中占比仍小，潜在应用范围又可能超出传统IT预算；它以云计算早期约占IT支出4%的情况作参照，而非给AI规定同样的增长轨迹。

使用量的分布，比平均值更重要

报告还展示了代码提交、新代码库和年轻人创业活动的增长。劳动力部分，它引用的数据表明，高强度采用AI的公司与低强度采用AI的公司，在入门岗位变化上出现分化，技术岗位招聘也高于原有趋势。a16z据此挑战“AI采用必然减少所有技术招聘”的简单判断，但图表没有排除企业原本增长速度、行业和组织条件的差异。

更明显的分化发生在使用者之间。报告引用的支出数据中，最前面的1%用户群体，其AI供应商支出中位数约为前10%群体的八倍；OpenAI企业数据也显示，前沿使用者与典型企业的输出token增长差距在扩大。

图 9AI支出分布：重度使用群体与其他使用者。来源：a16z原报告，底层数据出处与日期见图内。

这些群体并非全球所有AI用户的统一样本。它们说明的是：总量增长背后存在很强的集中度，不能用少数重度使用者的行为代表所有企业已经成熟采用AI。

智能更便宜，为什么算力仍然紧张？

a16z的解释是杰文斯悖论：单位使用成本下降，可能释放更多用途，扩大总需求。报告把模型价格快速下降，与GPU租金相对坚挺放在一起，认为二者可以同时发生。

图 10token价格下降与GPU租赁价格的分化。来源：a16z原报告，底层数据出处与日期见图内。

智能体是这条逻辑中的重要变化。报告引用OpenRouter数据，展示智能体消耗的token已经超过人工交互；在相应分类里，智能体token中超过85%来自缓存提示词。路由、缓存和其他效率改进降低了运行成本，也使更多智能体任务具有经济可行性。

图 11OpenRouter平台的智能体与人工交互token使用量。来源：a16z原报告，底层数据出处与日期见图内。

因此，token数量的增长不能简单按统一单价换算成收入。缓存token、新提示词token、推理和输出token，价格与计算负担都不同。

模型竞争也没有被报告描述为单一赢家通吃。开放权重模型扩大使用份额，前沿闭源模型仍为高难度任务获得溢价；报告引用的平台统计显示，前沿实验室约以35%的token份额获得70%的支出份额。旧模型也继续承接用途。a16z的判断是，性能和价格分层正在扩大需求，而不只是让不同模型争夺一块固定的市场。

消费者一侧，也还没有普及到所有人

报告展示，美国家庭的AI付费渗透率、订阅者月均支出和活跃订阅数量都在上升，但付费家庭仍只占很小部分。官网导读将截至4月的比例概括为约2%；这个时间截点不能替代报告中其他更新到更晚月份的订阅统计。报告还展示桌面产品的留存曲线，部分用户群体的曲线在使用一段时间后回升。

图 12美国家庭AI付费渗透率与订阅者支出。来源：a16z原报告，底层数据出处与日期见图内。

AI带来的搜索转介流量也在增长，不过报告引用的数据中，其绝对规模仍显著小于传统搜索和直接访问。它另外展示Meta的Muse进入消费者应用竞争的情况，提出等待“超级应用”的问题；短期下载份额的变化，还不是长期留存或商业成功的结论。

本章最后，报告用移动互联网时期半导体、基础设施与软件服务的先后表现作对照，提出AI周期也可能先建设底层，再扩展服务。它提供的是历史参照，并没有证明这轮周期一定复制同样的时间顺序。

云厂商的现金流，正在变成供应链的现金流

过去十多年，软件是科技投资的重要主角。AI建设让资本更直接地流向GPU、HBM内存、供电、光互连、散热、技能工种乃至铜等材料。

报告用大型云厂商与半导体公司的自由现金流曲线，概括这种转移：云厂商先把利润投入建设，硬件供应商则承接其中的需求与现金回报。

图 13云厂商与半导体企业的自由现金流变化。来源：a16z原报告，底层数据出处与日期见图内。

这不是逐美元对应的会计资金追踪，而是报告对产业变化的解释。它的资本开支流向图也说明，一笔AI建设支出会分散进入服务器、网络、电力、冷却和设施工程，不能全部等同GPU采购。

“原子世界”的复兴，不只靠数据中心

a16z把这轮变化称为从“比特”转向“原子”：从轻资产的软件，走向设备、能源和工业能力。报告引用的长期估计显示，到2040年全球基础设施投资需求约为90万亿美元。这个数字覆盖多年、多个地区和多类基础设施，并非AI市场规模，也不是单年支出。

图 14全球基础设施的多年投资需求，非AI单年市场规模。来源：a16z原报告，底层数据出处与日期见图内。

报告随后把几条趋势接在一起。制造业部分，展示了美国工厂活动、产出和产能的变化；电力部分，强调电动汽车、建筑、电气化工业和数据中心共同扩大用电需求，电力公司的投资预测也在上升。

太空领域，发射成本下降与发射载荷增加共同扩大商业活动；机器人领域，自动化需求不仅需要模型，还需要电机、传动、轴承等部件。报告认为，目前许多机器人供应链环节位于海外，产业布局正在变化。

自动驾驶部分，报告展示Waymo每周载客次数向50万次增长的轨迹，并比较其他无人出租车服务的用户变化。国防部分，它展示全球预算占GDP的比例以及美国相关订单、出货的增长，认为新技术与新的安全需求正在共同扩大市场。

这些主题在报告里共享的是资本需求、工程能力和供给建设，不能全部归因为AI，也不能用同一个增速外推。

硬件领先，但周期问题没有消失

报告展示，重资产企业相对轻资产企业的市场表现出现反转。AI供应链成为当时领先的方向，内存尤其突出；DRAM和NAND价格图也显示出明显上行。

图 15AI供应链与内存相关企业的年内表现。来源：a16z原报告，底层数据出处与日期见图内。

不过，a16z并未忽略半导体的周期属性。它提出，一些大型芯片公司的远期估值倍数，低于其高盈利增长预期通常对应的水平。报告给出的解释，是需求仍高度依赖大型云厂商资本开支，而长期关注周期行业的投资者会担心高点和后续效率改善。

报告进一步提出一个条件性设想：如果资本开支持续，智能需求继续扩张，这轮周期可能不同于过去。其中“如果”不能省略；高利润也会激励电力、计算和内存的技术创新与效率提升。

供给端的瓶颈仍然具体。报告展示，GPU到货相对及时，但制造GPU、组装系统和让系统通电所需的其他环节，交期往往更长。原材料、先进封装、内存、光学器件、变压器和燃机，都可能影响整体部署。

图 16AI建设供应链交期：制造、系统与供电约束。来源：a16z原报告，底层数据出处与日期见图内。

这张图同时使用了跟踪数据、公司电话会与部分推断区间，图下注释保留了这些差别。报告强调的结论是：拿到芯片，与获得可以持续运行的计算系统，仍然隔着一整条供应链。

重估有选择，经营基本面尚未普遍崩塌

硬件的强势，对应着软件相对疲弱。a16z认为，2026年初所谓“SaaS末日”更适合被理解为一次有选择的重估：AI确实让市场重新审视护城河和长期价值，但利率上升之后，企业从增长转向盈利，也改变了合理的估值水平。

报告展示，网络安全和可观测性类别表现较强，垂直行业软件受到的压缩小于横向通用软件。高增长公司仍能获得相对较好的倍数；增长较慢的公司，则更难维持此前的高估值。

图 17软件估值压缩：高增长与中等增长公司的差异。来源：a16z原报告，底层数据出处与日期见图内。

与此同时，报告的经营数据并未显示软件收入增长与经营杠杆已经普遍恶化。收入增长较早期放缓，但近期相对稳定；多项效率和利润率指标仍保持稳定或改善。报告因此保留了“到目前为止”的限定，而没有将它写成软件长期安全的保证。

结构变化比单季波动更重要。按报告的上市软件样本，约75%的公司已盈利，只有约30%的公司收入增速超过20%。高增长、未盈利的公司减少，较低增长、较高利润率的公司增加。

图 18上市软件从高增长转向盈利：报告定义的样本。来源：a16z原报告，底层数据出处与日期见图内。

该样本排除中国公司，成分和数量也随时间变化。这组数字描述报告定义的上市软件群体，不能推广到全球全部软件企业。

两种未来，报告都没有提前排除

报告用报纸行业提供了一种警示：其股票下跌曾比盈利崩塌早约五年。这个历史例子提醒，当前利润稳定不一定足以排除商业模式长期被替代的可能性。

但报告也展示另一条路径：AI可能提高轻资产企业的资本效率与回报。相关图表里的未来ROE包含市场预期，并非已实现的改善。

所以，报告对软件的态度可以概括为：既不把股价下跌等同于业务已经崩塌，也不把眼下经营稳定当作长期防御能力的证明。增长、盈利、产品价值和AI适应能力，需要在后续经营中继续接受检验。

企业上市更晚，价值形成得更早

报告把视线从上市公司转向私募市场，展示了创投退出规模的高点，以及大型未上市公司的估值扩张。这里需要区分：退出价值并不等于新股融资额，IPO和并购退出也不是同一个交易过程。

a16z认为，越来越多价值在企业上市前形成。它将图中所列五家未上市科技公司（不含中国公司）的最近披露估值，与过去十年的科技公司上市时价值比较，前者合计约2.2万亿美元，后者合计约1.73万亿美元。

图 19大型私募公司估值与科技公司上市时价值的比较。来源：a16z原报告，底层数据出处与日期见图内。

报告还用一组更广的未上市公司，将其最新披露估值与历史科技IPO和纳斯达克100公司的上市基准作比较，估算有约3—4万亿美元价值在私募阶段积累。这个差额取决于所选基准，不能与上述五家公司的总估值混用。

两边使用不同的估值时点与交易条件：私募融资估值不是每天可成交的市场价格，上市首日价值也不是今天的市值。报告借这一比较说明规模变化，并不等于两组资产可以直接互换。

企业保持私有状态的时间延长，也让更多增长留在上市之前。报告另外展示，美国活跃独角兽的合计估值超过Russell 2000所代表的小盘股总价值，提出企业可能跳过“小市值上市”的阶段，直接以更大规模进入公开市场。

幂律在企业、交易和基金之间同时存在

报告引用的美国退出样本显示，2026年上半年，排名前1%的退出占总退出价值约84%，前10%占约94%。

图 20美国退出价值的集中度，非退出交易数量占比。来源：a16z原报告，底层数据出处与日期见图内。

这是退出价值的集中度，不是退出交易数量的占比，也不是每一家创投基金的收益分布。极少数大额退出，可以显著改变整个样本的总量。

二级市场也在呈现分化。报告引用的员工股份要约和私募二级交易数据，显示一些优质公司折价有限，甚至溢价成交；但这些观察来自相应平台和交易样本，并不意味着所有未上市公司都没有流动性折价。

基金管理人之间同样如此。报告比较头部创投组合与头部上市公司价值的变化，并展示基金资产向少数管理人集中。不同年份基金的净内部收益率、总价值倍数和现金分配倍数之间，差距也很大。

这里必须保留估值与现金回收的区别。基金账面价值增长，并非全部已经分配给投资人；较新年份基金的结果，还会继续受到估值变化和未来退出的影响。报告所说的头部优势，是对样本分化的观察，不是未来收益承诺。

零利率结束以后，生存方式变了

报告认为，创业公司与上市公司一样，在零利率环境结束之后转向盈利与资金效率。样本中的收入增长中位数放缓，利润率有所改善。

但刚刚成功完成融资的公司，并没有放弃增长。报告展示，这一群体仍保持与零利率高峰时期相近、甚至更快的增速。整体企业为了持续经营而降低消耗，新股权资金则仍偏向能够证明快速增长的公司。

钱更集中，进入的行业却更广

报告展示，AI相关交易在美国创投交易金额中的份额大幅提高，2026年图中达到约86%。分母是交易金额，不是融资企业的数量；“AI相关”也是图表采用的分类，不能等同于只有基础模型公司。

图 21AI相关交易占美国创投交易金额的份额。来源：a16z原报告，底层数据出处与日期见图内。

a16z认为，较少的基金正以更大金额投向较少的创业公司，硅谷和AI相关企业的份额上升。但集中度增加的同时，获得资金的行业也在变化：企业软件和消费者应用之外，法律、会计等传统服务，以及半导体、电力、国防等资本密集领域，都在进入创投的关注范围。

独角兽群体也出现了两种年龄变化：新进入独角兽行列的公司更年轻，留在未上市状态的整个存量群体却越来越老。报告中的另一张分布图显示，许多独角兽已盈利，但增长不超过20%，说明“独角兽”这一估值标签并不自动代表高速增长。

AI一代的增长曲线，仍带有样本限制

报告用SVB数据比较不同成立年份的企业，指出2022年成立的公司在第四年的收入增长曲线更陡；又用头部AI应用样本，展示小收入基数约五倍、大收入基数约2.5倍的收入规模变化。

图 22头部AI应用收入规模变化：不同基数、近似样本。来源：a16z原报告，底层数据出处与日期见图内。

这些图表不能直接代表所有AI创业公司。报告注明，部分数据为自有样本，AI应用收入的报告窗口和频率并不一致；五倍和2.5倍描述的是大致规模倍数，也不能改写成“增长500%”和“增长250%”。

a16z由此提出，AI一代可能具有不同的成长方式。标题本身保留了问号，意味着这仍是一个由早期样本支持、需要继续观察的判断。

报告最后一大部分，展示私营科技公司的数据如何帮助观察需求、效率和应用变化。它不只列出AI实验室，还把支付、医疗、房产、国防、公共安全和消费平台放在一起。

从token到算力价格

OpenRouter。报告引用其每周token数据，显示2026年9月约126.2万亿token，约为2025年9月4.7万亿的27倍，并称6月以来已翻倍两次。这是该平台的周度使用量，不能当成全行业token总量或年化收入。

图 23OpenRouter每周token使用量，非全行业总量。来源：a16z原报告，底层数据出处与日期见图内。

OpenAI。报告展示，企业重度使用者在插件和Skills等工具上的采用率，显著高于典型企业。这进一步支持前文的判断：成熟使用的差距不仅在调用次数，还在工具和工作方式。

Databricks。报告引用其编码任务测试，称Smart Router以每个任务约2.13美元的成本解决约92.3%的任务；相对图中比较基准，成本低约35%，解决率高约1.3个百分点。这是在指定任务和评测设置下的结果，不是对所有任务或所有模型的普遍排名。

图 24Databricks编码任务测试中的成本与完成率。来源：a16z原报告，底层数据出处与日期见图内。

Kalshi。报告把其对未来B200算力价格的定价作为观察窗口，强调算力价格已成为万亿美元建设的重要指标。不过，这属于市场对未来价格的定价信号，不能与即期租赁成交价格混用。

专业推理服务。报告比较Baseten、Fireworks AI、Modal和Together AI等公司，与Snowflake和Datadog的收入增量和估值，提出一个新基础设施层正在形成。图中的年化收入增量含估计，私募估值来自不同融资时点；标题使用EV一词，但图轴写的是股权价值。因此，这里保留“股权估值比较”，不把它改成口径完全一致的企业价值比较。

从软件支付，到医疗和租赁服务

Stripe。报告引用其支付数据，展示成熟和年轻SaaS公司在进入2026年前后的收入增长，认为这一样本与“软件已经死亡”的叙事相冲突。年轻企业与成熟企业的规模、基数和增速差异很大，也不能把Stripe商户样本当成上市软件整体。

图 25Stripe样本内SaaS收入增长：成熟与年轻企业。来源：a16z原报告，底层数据出处与日期见图内。

Protege。报告展示，AI采用更快的医疗系统，其每十万名患者对应的院内死亡人数在样本后段更低，并据此强调医疗应用的潜力。图中带有误差区间，2026年还有星号标记，而该页未完整解释其含义，也没有充分展开样本和识别方法。这只能作为报告提供的早期关联性证据，不能单凭这张图断言AI已经造成死亡率下降。

图 26医疗系统AI采用与院内死亡率的早期关联证据。来源：a16z原报告，底层数据出处与日期见图内。

EliseAI。报告介绍，它在2025年11月末与ElevenLabs和Cartesia合作，引入地区口音的语音。其公司数据称，看房转化提高约5.28%，来电者互动和说话字数中位数分别提高约7.8%。这是具体服务与具体试验的结果，说明AI收益有时来自流程边缘的改进，而非一次彻底重写业务。

从国防和公共安全，到新的消费分发

Anduril、Castelion与Covenant。报告以新型弹药的成本和数量对比，说明国防需求不仅扩大，产品也向更小、更便宜、适合规模制造的方向变化。图中单位价格和数量对比，不应进一步推导成相同作战效果或完整采购成本。

Flock。报告引用自动车牌识别设备部署前后的统计，展示汽车盗窃、其他财产犯罪、车辆找回时间与破案指标的变化，认为硬件创新可以增强人手不足的警务能力。这是特定研究样本的观察，不能自动推广成所有城市的效果。

Whatnot。报告把收藏品价格、相关销售与平台周活跃用户放在一起，讨论社交媒体、创作者品牌和直播拍卖如何改变零售分发。它强调，即便在AI成为主线的时期，稀缺收藏品与新消费渠道也仍在创造自己的机会。

这些案例并非同一套抽样调查，部分公司也与a16z存在投资关系。它们的价值在于提供新的观察角度，而不是构成对整个经济的无偏统计。

a16z在结尾列出几类尚未充分开发的方向：重度消费者应用、机器人、自主系统、AI与生物技术、个人健康、企业中编码之外的应用，以及美国制造与产业能力的更新。

这与全文形成呼应。建设端已经投入巨量资本，应用端却仍有很大的深度差距；硬件与基础设施获得更多资金，软件和服务则需要继续证明自己的价值。私募市场中，企业成长得更大，资金和退出回报却更集中。

报告的总体判断仍然乐观：更便宜、更强的智能会扩大需求，AI的影响可能越过现有IT预算和软件边界，进入更多劳动密集服务与物理产业。但它的持续性，依赖报告中那些尚未成为结果的条件——采用是否加深、建设能否兑现、回报能否覆盖投入，以及新的效率能否继续释放需求。

这份市场全景所展示的，是已经出现的变化、当时的预测，以及a16z对二者的解释。读懂它们之间的区别，才能读懂这90页报告。

本文按a16z Growth《State of Markets》2026年9月版整理，覆盖原报告全部实质章节。官网导读《State of Markets II》由David George署名，发布于2026年9月30日。原报告封面只标注月份，各图的数据截点不同，不能把发布日当成所有数据的统一观察日。

本文由AI辅助整理，可能存在理解偏差或遗漏；有关a16z及其引用来源的表述，以原文为准。本文仅作信息整理，不构成投资、法律或税务建议。