高盛的AI账本：7.6万亿砸进去，回报率接近零，谁在笑，谁在哭？

2024年6月，高盛首席股票策略师James Covello发布了一份报告，标题是："Too Much Spend, Too Little Benefit?"——花太多，回报太少？

这句话从高盛嘴里说出来，分量不轻。高盛本身就是这场AI狂潮最大的债主之一。 它承销债券、安排并购、为科技公司提供咨询服务，AI产业链上每花出去的一美元，都有高盛的份儿。

一家靠AI热潮吃饭的银行，站出来说"这事儿可能不划算"。

2026年5月，高盛两个团队同时发布报告，一个算成本，一个算收益，得出了同一个结论：机器比我们以为的更贵，产出比我们以为的更少。

但另一派人有完全不同的算法。这篇文章，把两套账本都摊开，最后试着回答一个问题：这到底是泡沫破裂前的警告，还是又一轮"这次不一样"之前的噪音？

反方：机器比想象的贵

数字一：7.6万亿美元

高盛全球研究院（Goldman Sachs Global Institute）2026年5月发布的报告，全称**"Tracking Trillions"，预测2026年到2031年，全球AI资本支出累计将达到7.6万亿美元**。

单看2026年，这个数字是7650亿美元——比2025年增长约77%，而这只是开头。报告预测，到2031年，单年支出将膨胀至1.6万亿美元。

但这份报告有一句很少被引用的话：

"坊间热议的4万亿至8万亿美元数字，比它们看起来要有条件得多。改变一个假设，数字就能上下浮动5000亿美元。"

芯片淘汰速度、数据中心建设成本（每兆瓦1500万至2000万美元，而传统设施仅需1000万美元）、电力基建费用——每一个变量都能让最终数字大幅偏移。这不是预测，这是带误差带的沙盘推演。

但市场已经当真了。微软、亚马逊、Google、Meta四家公司，2026年的资本支出指引合计约7250亿美元，同比增长61%到182%不等。数据中心债券发行量在2025年翻番，达到1820亿美元。超大规模企业烧光了所有自由现金流，开始发债建数据中心。

这是军备竞赛，不是投资决策。

顺便说一句：高盛自己测算，2025年美国GDP增长里，7000亿美元AI投资贡献接近零。

数字二：95%

MIT旗下NANDA项目2025年8月发布的报告，"The GenAI Divide: State of AI in Business 2025"，基于150位高管访谈、350名员工问卷和300个公开AI部署案例分析：

95%——接受调研的企业，生成式AI投资尚未获得任何可衡量的财务回报。

报告的描述很直白：

"60%的企业评估过AI系统，20%推进到试点阶段，只有5%真正投入生产。"

EY在2025年对近千家跨国企业（覆盖21个国家）的调查给出了另一个数字：99%的企业报告因AI相关风险遭受财务损失，平均每家公司亏损440万美元。

Gartner同期数据：2025年全球IT总支出预计从5万亿美元升至6.15万亿美元。原本被预期能省钱的AI，让IT预算膨胀了。

哈佛商业评论的具体测算：一万名员工规模的企业，AI错误导致的年生产力损失超过900万美元。

还有这个反差：

56%的美国人表示自己用过AI，但85%的劳动力根本没有一个能创造价值的AI用例。

绝大多数人根本没有一个能创造价值的AI用例——这才是56%使用率和85%无价值用例之间的真实落差。

数字三：75%

AI淘金热里，谁在真正赚大钱？

英伟达。

全球算力支出中，约75%流向了英伟达。英伟达的净利润自ChatGPT发布以来增长了约20倍，毛利率达到75%——远远甩开任何竞争对手。

一位分析师的描述很形象：

"半导体公司本应是客户赢了自己才赢的一类企业。但这轮周期里，芯片公司是在整条链上其他所有人亏损的时候，自己在赚。"

超大规模企业（微软、亚马逊、Google、Meta）股价表现远不如英伟达。模型公司和终端企业普遍亏损。

英伟达成了这场游戏里唯一的确定性——哪怕你不知道AI最后能不能赚钱，你得先买算力，而算力主要来自英伟达。

高盛的报告里有一句话：

"要么链上方的公司开始获得回报，要么它们最终会减少芯片支出。这个动态必须改变。"

数字四：FOMO驱动的1820亿美元

2025年，数据中心债券发行规模达到1820亿美元。超大规模企业在财报电话会上给出的理由冠冕堂皇：AI是战略必需，现在不建，以后就落后。

高盛研究师的描述更接近真相：

"FOMO——错失恐惧——被证明是比糟糕的股价表现更强的驱动力。超大规模企业把参与AI军备竞赛放在了现有股东回报之前。"

没有一位CEO是因为ROI表格告诉他们"建数据中心合算"而动手的。每一家都在问："如果我错了，代价是什么？"

这个问题的答案，在每个人心里都是：比多花几百亿美元更可怕。

"错失AI"的不安全感，正在推动人类历史上最大规模的非理性资本配置。

正方：价格已经变了

悲观派的账本算完了。现在看另一套算法。

乐观派的核心论点是：你在用2024年的价格评估2026年的项目。

令牌成本：99.7%的跌幅

看一下这个数字：

GPT-4发布时（2023年3月），推理成本：每百万Token 30美元。今天，同等能力的模型：每百万Token 0.10美元。

这是99.7%的降价，分四轮完成——GPT-4o和Claude 3带来第一波降价，MoE架构（混合专家架构——就像一个团队里只有最相关的人回答你的问题，其他人不用参与，从而大幅降低计算成本）和开源压力继续压低水位。

DeepSeek-R1是转折点。

2025年1月发布，训练成本560万美元，约西方同等性能模型成本的十分之一。采用MoE架构，每次推理只激活6710亿参数中的370亿，性能与OpenAI o1持平，价格是后者的1/30。

Sam Altman的形容："比o1便宜20到50倍。"

DeepSeek-R1发布后60天内，超过60%的前沿模型新版本切换到了MoE架构。DeepSeek的效率优势是架构层面的，不是补贴层面的——这些技术进步已经扩散到整个行业，令牌价格的地板价不会反弹。

真正的账本藏在看不见的地方

但这里藏着一个反直觉的经济学现象——Jevons悖论。

1865年，威廉·杰文斯发现，更高效的蒸汽机没有减少煤炭消耗，反而因为激发了新的用煤场景，让总量增加了。效率越高，总消耗越大。

AI世界正在发生同样的事：

每一次降价，都让"不划算"变成"划算"。

企业AI云支出：2024年115亿美元 → 2025年370亿美元，增长219%，与此同时Token价格跌了95%。

Google的Token处理量，18个月内增长了130倍。

单个查询调模型一次。Agent工作流调模型50到500次。Anthropic的Claude Code，2026年初ARR（年度经常性收入）达到25亿美元，每月处理数千亿个Token。

价格跌了，总账单涨了——因为消费量增速远超价格跌幅。

NavyaAI报告里有一句话很扎心：

"大多数企业不知道自己在往哪开。他们知道燃料便宜，但不知道自己的车队跑了多少里程。"

一个框架，三个问题

高盛的两份报告，给我们留下了一个分析框架，而不是一个定论。

7.6万亿是数字，**95%**是数字，1820亿美元是数字。

三个数字背后，各有一个悬而未决的问题：

第一，7.6万亿的假设条件是什么？

芯片淘汰速度、数据中心成本曲线、AI实际需求的弹性——每一个变量都能让这个数字天差地别。这不是严肃的预测，这是沙盘推演。改变一个假设，结果可以差出一个高盛。

第二，95%的失败，是因为技术不行，还是因为用错了？

MIT报告的作者说得明白：失败不是因为模型质量，是因为**"学习差距"**——组织和人都没跟上。失败是组织问题，不是技术问题。如果这个判断是对的，那95%的失败是可以通过管理改进来修复的，而不是AI本身的问题。

第三，1820亿美元的债，最后谁来买单？

债券有到期日，数据中心有折旧。如果回报持续为零，这笔债的消化路径只有三条：要么AI应用突然爆发填上这个坑，要么债务重组让债主认栽，要么超大规模企业把成本转嫁给客户。这意味着等待债主们回答的账单，最终会来——只是还不知道以什么形式。

高盛没有说AI是骗局。它说的是：这场游戏中，有人在用过时价格买了一张还不知道能兑什么的票。

而整条链，都在等着那张票兑现——或者证明它根本兑不了。

参考来源：Fortune "Goldman Sachs finds insecurity is a key part of the AI boom"（2026-05-06）；NavyaAI "Tokens got 99.7% cheaper. So why did your AI bill triple?"（2026-02）；Forbes "The $725 Billion AI Spending Surge Is Missing The Real Bottleneck"（2026-04-30）；MIT NANDA "The GenAI Divide: State of AI in Business 2025"（2025-08）