AI 从算力竞赛到智能体经济的四层基础设施

一、 AI 投资框架

过去两年，AI 投资最清晰的一条线，是围绕大模型能力提升展开的。市场先定价了 GPU、云厂商资本开支、先进封装、HBM、高速互联、数据中心和电力资源。这个阶段的核心逻辑非常直接：模型越大，训练和推理越多，对算力的需求就越强。

但 AI 发展到今天，问题正在发生变化。市场不能只问“哪个模型更强”，还要问：AI 如何进入企业系统？Agent 如何获得身份和权限？机器如何完成支付和结算？AI 如何从屏幕里的文本生成走向现实世界的动作执行？这些问题背后，指向的不是单一应用，而是一整套新的商业基础设施。

换句话说，AI 的下半场不只是模型竞赛，而是智能体经济的基础设施重构。如果未来大量 Agent 能够代表个人、企业和机构完成搜索、调用、交易、审批、生产、配送和执行，那么它们必须有算力、有身份、有权限、有支付能力、有审计机制，也必须最终能够调动物理世界资源。

把 AI 发展拆成四个更抽象模块：AI 硬件上游、AI 对 SaaS 趋势的影响、AI 未来支付与传统金融上链、Physical AI。

模块	回答的底层问题	投研关键词	需要警惕的风险
AI 硬件上游	智能从哪里产生，算力和能源从哪里来	GPU、ASIC、HBM、先进封装、光模块、数据中心、电力、散热、边缘芯片	资本开支过热、供需错配、估值透支、能源瓶颈
AI 对 SaaS 的影响	Agent 如何进入企业数据、流程和权限体系	身份、权限、API、数据治理、工作流、审计、垂直软件	per-seat 模式承压、低壁垒软件被自动化、AI ROI 不确定
AI 支付与金融上链	Agent 如何自主完成交易、支付和结算	稳定币、机器支付、RWA、代币化存款、链上审计、可编程结算	监管不确定、法律权属、合规成本、流动性割裂
Physical AI	AI 如何从数字世界进入物理世界	机器人、自动驾驶、工业视觉、仿真、世界模型、传感器、边缘计算	安全责任、硬件成本、数据闭环、仿真到现实迁移

硬件是骨骼和能量，SaaS 控制面是神经系统，支付和金融上链是血液循环，Physical AI 是身体和行动能力。当这些基础设施逐步成熟，AI 才可能真正从“工具”演化成“可独立执行任务的经济主体”。

二、第一层：AI 硬件是一轮重资产基础设施周期

AI 的第一层基础设施仍然是硬件。只要模型能力继续提升，只要推理需求继续扩张，算力就不会只是一个短期主题。麦肯锡将未来 AI 数据中心扩张描述为一场数万亿美元级别的算力建设竞赛，其背后不仅是芯片，而是数据中心、服务器、网络、电力、散热和资本开支共同构成的系统工程。

这意味着，AI 硬件上游不能被简单理解成“买 GPU”。GPU 是最显性的瓶颈，但并不是唯一瓶颈。随着训练和推理规模扩大，约束会不断外溢：HBM 决定显存带宽，先进封装决定芯片集成能力，光模块和交换机决定大规模集群的通信效率，数据中心决定部署速度，电力和散热决定长期运行上限。

投研上最容易犯的错误，是把 AI 硬件理解成一条芯片产业链。更准确地说，AI 硬件是新一代数字基础设施。

从投资视角看，AI 硬件上游至少可以分成两层。第一层是云端算力基础设施，包括训练和推理芯片、存储、封装、网络互联、服务器、数据中心和能源系统。第二层是物理入口硬件，包括边缘 AI 芯片、摄像头、传感器、雷达、执行器、电池、机器人零部件和智能终端。前者决定模型能不能生成智能，后者决定智能能不能进入现实世界。

硬件层级	代表环节	核心作用	投研观察重点
算力芯片	GPU、ASIC、AI 加速器	训练与推理核心计算	性能迭代、供应约束、客户集中度、毛利率持续性
存储与封装	HBM、先进封装、2.5D/3D 集成	提升带宽和系统集成密度	产能瓶颈、良率、扩产节奏、资本开支回报
网络互联	光模块、交换机、以太网/InfiniBand	支撑大规模集群通信	速率升级、云厂商采购周期、价格竞争
数据中心与能源	机柜、电力、液冷、土地资源	决定 AI 算力部署上限	电网接入、长期电价、PUE、建设周期
物理入口	传感器、边缘芯片、机器人零部件	让 AI 感知并作用于现实世界	终端放量、成本曲线、场景适配能力

硬件主线的机会在于，它承担了 AI 时代最底层、最确定的需求。但硬件主线的风险也同样明显。第一，AI 资本开支可能阶段性领先应用收入，导致市场对 ROI 重新评估。第二，硬件链条具有周期性，一旦云厂商采购节奏放缓，上游订单和估值会快速调整。第三，能源、电网和数据中心审批可能成为比芯片更慢的变量。第四，硬件公司估值往往提前反映多年增长，一旦增长率边际下修，股价弹性也会很大。

因此，对 AI 硬件的正确理解，不是“所有上游都长期无脑受益”，而是识别谁拥有真正的稀缺瓶颈、定价权、客户粘性和跨周期需求。最值得长期跟踪的硬件资产，不是只吃一轮采购周期红利的公司，而是那些能够在多个技术周期中持续占据基础设施位置的环节。

三、第二层：AI 重构 SaaS，真正被重估的是企业控制面

AI 对 SaaS 的影响更复杂，也更容易被误读。一个流行观点是：AI Agent 会替代大量白领工作，所以传统 SaaS 的 seat 模式会被破坏。

SaaS 的本质不是网页和表单，而是企业的数据、流程、权限、身份、审计和组织协作方式。过去 SaaS 以人为中心，一个员工对应一个账号，一个部门对应一套工具，所以 per-seat 收费非常自然。但在 AI Agent 时代，许多操作不再由人逐项点击完成，而是由 Agent 调用 API、读取数据、执行任务、生成报告、发起审批或连接外部服务。

这会削弱一部分传统 seat 的价值，却会提升“控制面”的价值。所谓控制面，就是 Agent 在企业系统中行动时必须经过的一整套基础设施。它需要知道自己是谁，代表谁行动，有什么权限，能访问哪些数据，能否调用某个工具，执行结果如何审计，出现错误由谁负责。

AI Agent 一旦进入企业，就不再只是聊天机器人，而是一个可以执行任务的“数字员工”。数字员工必须有身份，必须有权限边界，必须留下日志，必须可以被撤销、审计和追责。否则，企业不可能放心让 Agent 进入客户数据、合同系统、财务系统和生产系统。

所以，AI 对 SaaS 的影响不是简单的“替代软件”，而是一次价值来源的重新排序：低壁垒、弱数据、弱流程、弱合规的软件会被压价；掌握企业核心数据、权限、流程和责任边界的软件会被重估。

SaaS 类型	AI 的影响	可能结果
通用办公与轻量工具	AI 可直接生成内容、自动执行操作	seat 增长承压，功能同质化加剧
低壁垒 CRUD/表单软件	Agent 可自动读写、迁移和编排流程	价格压力上升，差异化下降
垂直行业系统	数据结构和业务流程深，替换成本高	可能成为 Agent 的行业入口
身份、权限与安全	Agent 行为必须被认证、授权和审计	控制面价值提升
数据、API 与集成平台	Agent 需要调用多系统工具	成为企业智能体编排层
合规、审计与风控	自动化越强，责任边界越重要	价值从效率工具转向治理基础设施

从投资角度看，未来 SaaS 的分化会非常明显。不能再用“是不是 AI SaaS”这么粗糙的标签判断价值，而要问几个更底层的问题：它是否掌握企业关键数据？它是否嵌入不可轻易迁移的业务流程？它是否控制身份、权限或审计？它是否能被 Agent 调用，还是会被 Agent 绕过？它的收费模式能否从 seat 转向 usage、outcome、transaction 或 platform fee？

这也是为什么 AI 时代的软件投资不能只看前端功能。很多 Copilot 功能会被快速复制，但底层数据、身份、权限、工作流和合规体系不会轻易迁移。未来真正有价值的软件公司，可能不是“把 AI 放进产品里”的公司，而是那些能让 AI 安全进入企业核心流程的公司。

SaaS 的未来不是简单从“人使用软件”变成“AI 帮人使用软件”，而是逐步走向Agent 调度软件、软件暴露能力、企业控制 Agent 行为。这就是 AI 对 SaaS 的深层改变。

四、第三层：AI 支付与传统金融上链，机器经济需要自己的结算层

如果 AI Agent 只是帮人写文章、做 PPT、总结邮件，那么支付体系不会发生根本变化。但如果 Agent 未来能够自主发现服务、调用 API、购买数据、订阅工具、租用算力、支付推理费用，甚至代表用户执行交易，那么现有支付体系就会显得笨重。

传统支付系统是为人类和机构设计的，而不是为高频、低额、自动化、全球化的机器交易设计的。信用卡、银行转账、订阅制、月结账单、人工 KYC 和中心化账户体系，在人类商业活动中运行良好，但在 Agent 经济中可能并不适配。一个 Agent 可能需要为一次 API 调用支付几美分，为一段数据支付几厘钱，为一次模型推理支付微小费用。它需要的是实时、低成本、可编程、可审计、可全球流转的支付与结算层。

稳定币和代币化现金之所以重新受到重视，正是因为它们在某些维度上更接近机器经济需要的支付轨道。麦肯锡指出，稳定币可以在速度、成本、透明度、可用性和包容性方面改善传统支付痛点。这并不意味着稳定币一定会替代传统银行体系，但它说明市场正在寻找一种更适合互联网原生交易的价值表达方式。

稳定币的核心意义，不只是“加密货币交易媒介”，而是互联网原生结算资产。它让价值可以像信息一样，在全球网络中以更低摩擦流动。

更进一步，机器支付协议试图把支付嵌入互联网请求本身。Solana 对 x402 的介绍中明确提出，AI agents 未来会为 API 访问、数据源、计算资源和订阅服务自主付费，而 x402 试图利用 HTTP 402 状态码提供一种互联网原生支付协议。无论最终哪条链、哪个协议胜出，方向本身值得重视：Agent 需要的不是传统意义上的“支付按钮”，而是嵌入机器调用流程中的支付能力。

这也解释了为什么 RWA、代币化存款和传统金融上链会与 AI 叙事发生交集。世界经济论坛在 2025 年资产代币化报告中总结，代币化能够带来共享记录系统、灵活托管、资产碎片化、可组合性和可编程性等能力。这些能力对于传统金融而言是效率改造，对于 AI Agent 而言则可能是行动边界的扩展。Agent 如果要调动现实世界资源，就不仅需要调用软件 API，也需要调用可编程的资金、资产和合约。

但这一条线必须保持冷静。IOSCO 在 2025 年金融资产代币化报告中强调，资产代币化仍处于早期商业采用阶段，固定收益和货币市场基金相对领先，但跨链互操作、可信结算资产、法律权属、私钥安全、智能合约漏洞、市场碎片化和监管一致性仍是重要约束。

金融上链组件	对 Agent 经济的作用	现实约束
稳定币	提供低摩擦、全球化、可编程结算资产	储备透明度、监管、法币出入金、银行关系
机器支付协议	让 API、数据、计算和服务可按次自动收费	标准化不足、生态早期、用户体验和合规问题
RWA	将链下资产映射为可编程金融资源	法律权属、托管、估值、流动性和监管
代币化存款	让银行存款具备链上表达和可编程流转能力	银行系统改造、央行监管、跨机构互通
链上身份与审计	记录 Agent 行为、权限和责任边界	隐私保护、身份标准、法律认可度

所以，AI 与金融上链的关系不应被理解为“AI 概念炒币”。更准确的表述是：如果 Agentic Economy 成立，那么它需要一套比传统支付更适合机器使用的价值结算层。稳定币、RWA、代币化存款、链上身份和机器支付协议，都是这套结算层的候选模块。

它们未必全部以今天的形态成熟，也未必全部由加密原生机构主导。但它们回答的是一个真实问题：当机器开始代表人和企业进行经济活动时，钱和资产应该如何被表达、转移、授权和审计？

五、第四层：Physical AI，让 AI 从屏幕进入现实世界

前三个模块解决的是 AI 在数字世界中的基础设施：算力、软件和支付。第四个模块则更进一步，它关注 AI 如何进入物理世界。Physical AI 不是一个单纯的机器人概念，而是 AI 从“生成内容”走向“执行动作”的过程。

Deloitte 将 Physical AI 定义为让机器能够自主感知、理解、推理并实时作用于物理世界的 AI 系统。它区别于传统自动化的关键，不是机器会不会动，而是能否感知环境、从经验中学习，并根据实时数据调整行为。

未来的机器人不只是机械臂，而是一个由感知、推理、规划和执行组成的闭环系统。

Physical AI 的真正难点不在“做出一个机器人样机”，而在可规模化训练和部署。物理世界的数据比互联网文本更贵、更稀缺，也更危险。一个语言模型答错问题可以重新生成，但一台机器人抓错物体、车辆判断失误、无人机飞行错误，可能带来真实损失和安全责任。因此，Physical AI 的基础设施不仅包括机器人本体，还包括仿真平台、合成数据、世界模型、边缘计算、安全评估、远程运维和行业集成。

NVIDIA Cosmos 的产品方向体现了这一点。Cosmos 并不只是服务单个机器人，而是提供世界基础模型、视频数据处理、仿真到真实转换、物理推理和合成数据生成能力，用于机器人、自动驾驶和工业视觉智能体训练。 NVIDIA 在 2025 年发布 Cosmos 新模型时也强调，世界基础模型、Omniverse 和合成数据工具可以帮助机器人和自动驾驶开发者更快生成训练数据，并改善物理 AI 的后训练流程。

Physical AI 层级	关键环节	核心价值
感知层	摄像头、雷达、传感器、工业视觉	获取物理世界数据
认知层	VLA 模型、世界模型、时空推理	理解场景、预测结果、规划动作
执行层	机器人本体、执行器、夹爪、底盘、电机	将智能转化为物理动作
训练层	仿真平台、合成数据、强化学习、模仿学习	降低真实世界训练成本
运维层	安全系统、远程监控、行业集成、责任审计	支撑规模化部署

Physical AI 的长期想象空间很大，因为它触及的是现实世界的生产率。制造、物流、仓储、农业、医疗、建筑、能源巡检、家庭服务、自动驾驶和国防，都有可能被 Physical AI 改造。但它的商业化节奏也可能比纯软件慢，因为硬件迭代、供应链、场景适配、监管审批和安全责任都会拖慢放量速度。

投研上不应只盯着最吸引眼球的人形机器人。人形机器人可能是终极形态之一，但 Physical AI 的商业化很可能先从结构化、半结构化和高 ROI 场景开始，例如仓储、工厂、安防巡检、工业检测、自动驾驶特定路线、医疗辅助和危险环境作业。真正值得关注的是谁能形成数据闭环、场景闭环和成本下降曲线。

六、四条线如何连成一张图：从模型能力到智能体经济

如果把四个模块放在一起，就能看到一条更完整的 AI 发展路径。AI 硬件提供算力和物理入口，SaaS 提供企业数据与流程控制面，支付与金融上链提供机器经济的结算层，Physical AI 则让智能进入现实世界执行。它们不是孤立赛道，而是同一个长期趋势的不同层面。

基础设施层	对应能力	解决的问题	可能受益资产类型
算力层	训练、推理、数据处理	AI 如何产生智能	芯片、存储、封装、网络、数据中心、电力
控制层	身份、权限、数据、流程、审计	AI 如何进入企业系统	安全、身份、数据平台、垂直 SaaS、API 管理
结算层	支付、清算、资产表达、合约执行	AI 如何进行经济活动	稳定币、支付协议、RWA、银行代币化基础设施
执行层	感知、行动、反馈、安全	AI 如何改造现实世界	机器人、自动驾驶、工业视觉、仿真平台、边缘硬件

这个框架的核心结论是：AI 投资正在从“模型能力定价”转向“生产力系统定价”。模型本身当然重要，但只有当模型能够被部署、被调用、被授权、被计费、被审计、被结算、被执行，它才真正进入商业闭环。

这也是为什么 AI 的下一阶段不会只属于模型公司。模型是大脑，但大脑需要身体、神经、血液和骨骼。硬件是骨骼和能量系统，SaaS 控制面是神经系统，支付和金融上链是血液循环，Physical AI 是身体和行动能力。缺少任何一层，Agentic Economy 都难以真正落地。

在这个意义上，AI Agent 不是一个孤立产品，而是一种新的经济组织方式。它会倒逼企业软件重构身份和权限，倒逼支付系统支持机器交易，倒逼金融资产具备可编程表达，也倒逼物理设备成为 AI 可调用的执行端。

七、AI 是长期主线，但不是所有叙事都能兑现

尽管 AI 是长期主线，但投研必须保持客观。历史上每一轮重大技术革命都会经历从基础设施建设、资本狂热、泡沫出清到真实应用沉淀的过程。铁路、电力、互联网、移动互联网和云计算都曾如此。AI 也不会例外。

短期看，最需要警惕的是四类风险。

第一，资本开支可能领先收入太多，导致部分硬件和数据中心资产面临 ROI 重新评估。

第二，软件公司虽然讲 AI 故事，但实际收入可能仍来自传统业务，AI 功能未必能带来足够增量付费。

第三，稳定币、RWA 和金融上链虽然方向明确，但监管、法律权属、托管和合规成本可能显著影响落地速度。

第四，Physical AI 的技术演示和真实商业部署之间存在巨大差距，样机能力不能直接等同于规模化利润。

更稳健的 AI 投资框架，不是追逐所有带 AI 标签的资产，而是寻找四类真正具有基础设施属性的公司、协议或平台。

判断维度	应重点寻找	应谨慎对待
稀缺性	卡位瓶颈、供给难以快速复制	纯概念、低门槛集成
商业化	已有真实客户、预算来源清晰	只有 Demo，没有付费闭环
可扩展性	边际成本下降、平台化能力强	项目制交付、难规模化
责任边界	能解决身份、合规、安全、审计问题	只强调效率，不处理风险
生态位置	成为他人必须调用的基础设施	依赖单一客户或单一周期

AI 的机会不在于“什么都买”，而在于理解产业从哪里开始形成不可逆的基础设施依赖。真正值得长期跟踪的，不一定是最会讲故事的公司，而是那些在新系统中承担关键职能的资产：算力瓶颈、企业控制面、机器支付层、物理执行平台。

结语：AI 投资需要从“应用热度”转向“基础设施位置”

AI 的第一阶段，市场已经用真金白银证明了算力的重要性。下一阶段，问题会变得更复杂：模型如何进入企业，Agent 如何获得身份和权限，机器如何完成微支付和结算，AI 如何安全地作用于物理世界。这些问题共同指向一个结论：AI 的商业化不是单点技术突破，而是一套基础设施的重构。

因此，未来几年 AI 投资最值得关注的四条主线，分别是：为 AI 提供算力和能源的硬件上游；为 Agent 提供数据、流程、身份和权限的软件控制面；为机器经济提供支付、清算和资产表达的金融基础设施；以及让 AI 进入现实世界的 Physical AI。

这四条线连接起来，就是从“模型”到“世界”的路径。AI 不再只是屏幕里的聊天框，而是会逐步成为企业系统中的操作者、金融网络中的交易者、物理世界中的执行者。真正的投资机会，也会从单纯的 AI 概念，转向那些支撑这一过程的关键基础设施。

换句话说，AI 的下半场，不是问“哪个应用最热”，而是问：当智能体开始大规模工作、交易和行动时，谁提供它们赖以运行的道路、规则、身份、资金和身体？

这可能才是未来几年 AI 投资最值得反复思考的问题。