2022年底以来，生成式人工智能由模型能力突破，打开AI产业革命的序幕。云厂商AI基础设施资本开支激增，美国的资本开支和亚洲半导体相关产业链制造之间形成一个共振闭环。市场也对这一技术浪潮给予了较高的估值溢价。但市场对供需关系的理解是基于未来预期，需求端商业模式与盈利兑现并不同步，对于“AI投资回报率”的分歧也有所加大。从框架上，该如何客观评估AI技术革命的生命周期、演进路径及其对资产价格的影响？在《新一轮技术变革的宏观分析框架》中，我们曾介绍过佩蕾丝的“技术-经济范式”等经典理论，佩蕾丝关于“导入期”和“展开期”的划分非常有启发性。在本篇报告中我们进一步介绍“创新扩散理论”及其对本轮技术革命的观测视角。

第一，什么是创新扩散理论？创新扩散理论（Diffusion of Innovations Theory）是埃弗里特·罗杰斯于1962年系统提出，旨在揭示一项新创造、技术或理念如何在社会系统与经济网络中随时间演化、传播并最终被全面采纳的内在机制。该理论关注的不只是创新本身是否先进，更重视创新如何从少数先行者扩散至大众市场，以及哪些因素会加快或阻碍这一过程。罗杰斯的经典模型构建了技术采纳曲线，该曲线在累计采纳率上呈现出典型的S型扩散特征（S-Curve Diffusion），其演进轨迹可划分为萌芽期、爆发突破期、成熟扩散期以及饱和衰退期；从扩散过程看，新技术在初期只有少数人尝试，采用速度较慢；当技术跨过临界点后，示范效应、成本下降和网络效应共同推动采用率快速上升；进入成熟阶段后，潜在用户逐渐减少，扩散速度再次放缓。

第二，在微观采纳者画像上，罗杰斯根据风险偏好与决策时序将群体划分为五类：创新者（Innovators，占比2.5%）、早期采用者（Early Adopters，占比13.5%）、早期大众（Early Majority，占比34%）、晚期大众（Late Majority，占比34%）以及落后者（Laggards，占比16%）。技术扩散能否跨越临界质量并触发指数级扩散，取决于市场对该项创新的五个维度感知特性：相对优势（Relative Advantage）、兼容性（Compatibility）、复杂性（Complexity）、可试验性（Trialability）以及可观察性（Observability），当一项技术具备显著的相对优势、与现有工作流高度兼容且复杂性较低时，其S型曲线的斜率将显著陡峭化，从而加速从早期市场向主流市场的渗透。

2022年底以来，生成式人工智能由模型能力突破，打开AI产业革命的序幕。云厂商AI基础设施资本开支激增，美国的资本开支和亚洲半导体相关产业链制造之间形成一个共振闭环。市场也对这一技术浪潮给予了较高的估值溢价。但市场对供需关系的理解是基于未来预期，需求端商业模式与盈利兑现并不同步，对于“AI投资回报率”的分歧也有所加大。从框架上，该如何客观评估AI技术革命的生命周期、演进路径及其对资产价格的影响？在《新一轮技术变革的宏观分析框架》中，我们曾介绍过佩蕾丝的“技术-经济范式”等经典理论，佩蕾丝关于“导入期”和“展开期”的划分非常有启发性。在本篇报告中我们进一步介绍“创新扩散理论”及其对本轮技术革命的观测视角。

首先，什么是创新扩散理论？[1]创新扩散理论（Diffusion of Innovations Theory）是埃弗里特·罗杰斯于1962年系统提出，旨在揭示一项新创造、技术或理念如何在社会系统与经济网络中随时间演化、传播并最终被全面采纳的内在机制。该理论关注的不只是创新本身是否先进，更重视创新如何从少数先行者扩散至大众市场，以及哪些因素会加快或阻碍这一过程。罗杰斯的经典模型构建了技术采纳曲线，该曲线在累计采纳率上呈现出典型的S型扩散特征（S-Curve Diffusion），其演进轨迹可划分为萌芽期、爆发突破期、成熟扩散期以及饱和衰退期；从扩散过程看，新技术在初期只有少数人尝试，采用速度较慢；当技术跨过临界点后，示范效应、成本下降和网络效应共同推动采用率快速上升；进入成熟阶段后，潜在用户逐渐减少，扩散速度再次放缓。

[2]莱恩和格罗斯两位社会学家曾以爱荷华州的两个农业社区为对象，围绕杂交玉米种子的推广展开田野调查。他们通过入户访问种植玉米的农户，试图厘清农民改变耕作习惯的动因、获取信息的渠道类型，以及这些信息如何影响其最终决策。研究结果表明，创新采纳行为是既有社交网络与媒介使用习惯两者共同作用的结果。1954年，罗杰斯在爱荷华州立大学攻读农业社会学，研究方向正是农业创新的扩散。在研读了莱恩和格罗斯的成果之后，他随即参与了对克林斯地区148名农民的访谈，了解他们对于2,4-D除草剂及其他农业新产品的采用情况。这次经历让他正式走上扩散研究的道路。1957年，罗杰斯完成博士论文《克林斯农业社区几个农业创新产品的扩散分析》。在该文的文献综述部分，他明确提出：创新的扩散本质上是一种普遍的社会变迁过程，不应局限于特定的创新类型、受众群体、文化背景或地理区域。此后，罗杰斯加入俄亥俄州立大学农业社会学院，继续围绕该州农民的农业创新采纳行为开展系统性研究。出于构建一个普适性扩散模型的初衷，他于1962年出版了《创新的扩散》第一版。这部著作系统整合了当时扩散研究的最新成果，提出了具有广泛适用性的扩散模型，并主张对受众进行标准化分类，同时以统一的概念框架来界定扩散过程。

扩散结果通常表现为累计采用率的S形曲线：早期信息少、风险高，增长较慢；随着产品效果更易观察、配套成本下降、同业案例增加，采用速度加快；接近饱和后，增速再次放缓。[3]Bass模型进一步把采用动力区分为外部影响与内部模仿，前者包括技术突破、媒体传播和政策推动，后者主要来自既有用户的示范与口碑。采用率因而不是技术能力的简单函数，而是供给条件与社会学习共同作用的结果。

在微观采纳者画像上，罗杰斯根据风险偏好与决策时序将群体划分为五类：创新者（Innovators，占比2.5%）、早期采用者（Early Adopters，占比13.5%）、早期大众（Early Majority，占比34%）、晚期大众（Late Majority，占比34%）以及落后者（Laggards，占比16%）。技术扩散能否跨越临界质量并触发指数级扩散，取决于市场对该项创新的五个维度感知特性：相对优势（Relative Advantage）、兼容性（Compatibility）、复杂性（Complexity）、可试验性（Trialability）以及可观察性（Observability），当一项技术具备显著的相对优势、与现有工作流高度兼容且复杂性较低时，其S型曲线的斜率将显著陡峭化，从而加速从早期市场向主流市场的渗透。

创新者和早期采用者合计约占16%，早期大众对应的累计采纳率约为16%—50%，晚期大众对应的累计采纳率约为50%—84%。罗杰斯将累计采纳率约10%—20%视为临界区间；进入这一范围后，扩散速度通常开始明显加快。

创新扩散并非单纯取决于技术性能，而是技术特征、信息传播与采用者决策共同作用的结果。其中，潜在采用者对一项创新的相对优势、兼容性、复杂性、可试验性和可观察性的认知，是影响扩散速度的重要因素。相对既有方案的优势越明显、与原有生产和生活方式越兼容、试用成本越低、实际效果越容易被观察，创新通常越容易扩散；反之，较高的使用复杂度会延缓采用。因而，新技术从实验性应用走向大规模普及，往往不仅需要技术能力持续提升，还需要使用门槛下降，以及越来越多可验证的应用案例，以降低潜在采用者面对新技术时的不确定性。

相对优势，即新技术相较原有方案能否带来更高效率、更低成本或更好体验；兼容性，即是否适应既有制度、流程和用户习惯；复杂性，即学习和使用门槛是否足够低；可试验性，即能否通过低成本、小范围试点验证效果；可观察性，即采用后的收益是否容易被其他潜在用户看到。相对优势、兼容性、可试验性和可观察性越强，复杂性越低，创新扩散通常越快。

[4]杰弗里·摩尔在《跨越鸿沟》中进一步对罗杰斯的静态分类进行了动态修正，指出在由技术愿景驱动的早期采用者与由实用主义驱动的早期大众之间，存在一条深不可测的“鸿沟”：早期采用者重视技术的前瞻性和颠覆潜力，愿意容忍产品不成熟；早期大众则更关注可靠性、标准化程度、系统兼容性和明确的投资回报，新技术只有从单一功能或试验性产品发展为易部署、可复制、具有完整服务体系的“完整产品”，才能真正进入主流市场，否则技术扩散就会在鸿沟边缘陷入停滞。

不同采用群体对于新技术不确定性的容忍程度并不相同。创新者和早期采用者更愿意在技术尚不成熟、商业模式尚未完全验证时尝试新技术，而早期大众的决策通常更为审慎，更依赖已有用户经验和实际效果。映射到产业演进中，这意味着技术从早期市场进入主流市场，需要回答的不再只是技术能否实现，而是能否以可接受的成本稳定运行、能否嵌入既有流程，以及能否形成可复制的经济回报。因此，技术突破只是创新扩散的起点，能否从实验性采用进一步走向规模化商业应用，是决定其扩散进程的关键。

[5]卡萝塔·佩蕾丝（Carlota Perez）将创新扩散从宏观“技术-经济范式”的角度阐释，佩蕾丝认为，每一轮重大的技术革命都会经历两个大时期与四个细分阶段：由金融资本主导、以基础设施建构与高风险投机为特征的“安装期”（Installation Phase，包含爆发期 Irruption 与狂热期 Frenzy）；随后是由金融危机或资产价格剧烈重估所引发的“转折点”（Turning Point）；最终过渡到由生产资本主导、技术全面融入实体经济并释放生产率红利的“部署期”（Deployment Phase，包含协同期 Synergy 与成熟期 Maturity）。

从创新扩散理论的视角，目前AI技术革命处于什么阶段？结合OECD、麦肯锡等调研口径的数据，从用户渗透、企业部署和效率兑现三个层次看，当前AI整体大概率处于“早期采用者向早期大众过渡期”，并呈现广度扩张较快、深度扩散仍在跨越鸿沟的特征：（1）消费端已较早进入早期大众阶段；（2）企业端接近早期大众入口，但行业和规模差异较大；（3）企业内部的扩散深度仍然有限；（4）微观层面的效率增益已经开始显现，但外推仍需谨慎。综合来看，通用C端工具已进入早期大众，头部及知识密集型企业位于早期大众入口，多数企业的生产级部署仍在跨越鸿沟，Agent多为试验或局部部署。此外，阶段错位在行业之间同样明显，互联网、软件开发、数字营销和专业服务的可试验性高，改造一个任务的失败成本较低，部分场景已经接近早期大众；而医疗、金融核心系统、工业控制和公共服务更看重准确性、可追溯性和责任边界，多数场景仍由早期采用者主导。

[6]2026年Stanford AI Index显示，2025年已有88%的受访组织在至少一个业务环节使用AI，70%的组织使用生成式AI；但AI Agent在绝大多数业务功能中的部署仍为个位数。[7]McKinsey 2025年全球调查同时显示，39%的受访者认为AI对EBIT产生了某种程度的影响，而其中多数组织归因于AI的EBIT占比仍低于5%。

[8]截至2025年12月，我国生成式人工智能用户规模为6.02亿，普及率为42.8%，较2024年底提高25.2个百分点；通用对话、智能搜索、内容创作和办公助手已不再局限于技术人群。但该口径包含偶发和免费使用，不能直接推导付费率、使用强度或企业流程改造程度。

[9]2025年OECD可比国家中，使用AI的企业占20.2%，2023年为8.7%；大型企业采用率为52.0%，小型企业仅为17.4%。[10]美国人口普查局2026年专项调查显示，18%的企业在至少一个业务职能使用AI，按就业人数加权后为32%；超大型及知识密集型行业可达50%-60%。两组数据口径不同，但都表明头部企业率先进入早期大众，大量中小企业仍处在评估或试用阶段。

上述美国调查中，57%的采用企业只在不超过三个职能使用AI，65%只覆盖不超过三类任务，66%仍以辅助劳动为主。[11]麦肯锡2025年调查中，88%的受访组织表示至少在一个职能经常使用AI，但约三分之一才开始扩大部署，只有39%报告出现企业层面的息税前利润影响；在任何单一职能中规模化部署Agent的比例均不超过10%。这说明“用过AI”与“依赖AI完成核心流程”仍有较长距离。

[12]对5172名客服人员的研究显示，生成式AI使每小时解决问题数平均提高15%，低经验员工改善更明显。这证明AI在结构化、可监督任务中能够创造价值，却不代表所有行业都能等比例复制。

从创新扩散理论进一步看AI产业的演进路径：“创新者”阶段，AI主要由科研人员、技术极客和领先企业探索，市场首先验证的是大模型作为通用技术的可能性，早期的聊天交互等形态提供了技术可行性展示和用户认知启蒙。至“早期采用者”阶段，由于模型是沿技术逻辑而生，且使用门槛较高，AI主要服务于能够理解技术并主动调用工具的专业用户，因此AI Coding等生产力工具率先商业化（它最符合罗杰斯的五个条件），本质上属于“技术驱动型应用”。但在这一阶段，一则算力基础设施继续累积，要素的供求关系和创新成本会逐步变化；二则随着模型的继续代际迭代，比如从大语言模型到世界模型，将由解决单一专业任务转向重构高频生产生活场景，从而逐渐满足低成本、低门槛、高复制性等跨越鸿沟的条件，自然语言交互、多模态、Agent的发展可能成为最终打开“早期大众”阶段的几个线索。再之后，一则企业端的竞争会带来技术服务进一步向更多的行业和商业形态扩散，不使用AI的机会成本也会逐渐上升，二则AI产品自身会从定制化、碎片化走向成熟化、标准化，成为企业和个人的普遍工具，从而进入“晚期大众”阶段。最后，随着AI逐渐成为社会运行的基础设施，应用被嵌入到生产生活流程，技术门槛趋于消失，“落后者”也将在外部环境变化下被动纳入AI应用体系。

当前AI产业扩张仍具有较明显的基础设施先行特征。大模型训练与推理对芯片、数据中心、云计算和电力形成持续需求，而相关基础设施往往需要在终端应用收入充分兑现前提前建设。[13]美国头部科技企业资本开支自生成式AI加速发展以来明显上升，[14]Epoch AI估算显示，全球AI算力进一步向头部企业集中；中国则同步推进算力基础设施建设，[15]“十五五”规划明确提出构建多层次算力设施体系和全国一体化算力网，强化高性能智算资源和超大规模智算集群建设，推动绿色电力与算力协同布局。

随着模型能力持续提升，基础模型之间的竞争重点也可能发生变化。[16]Stanford《2026 AI Index Report》显示，中美领先模型之间的性能差距已明显收窄；与此同时，[17]在相近基准性能水平下，模型推理成本近年来也持续快速下降。[18]中国模型也在低成本推理（如DeepSeek）和开源生态（如阿里Qwen）方面加快发展。随着单纯依靠模型性能形成差异化的难度上升，产业竞争可能逐步由参数规模和榜单性能转向推理效率、开发者生态、平台服务以及场景适配能力。

产业价值能否由模型层向应用层扩散，关键在于AI能否进入真实业务流程。[19]“十五五”规划进一步强调“模芯云用”协同、通用大模型与行业专用模型同步发展，并提出依托高价值场景推动模型应用落地和全面实施“人工智能+”。[20]2026年工信部与国家数据局进一步启动“模数共振”行动，面向制造业20个重点行业或领域，推动形成“数据—模型—场景应用”良性互促循环。与此同时，中美头部企业也开始将模型由独立工具进一步接入既有业务系统和复杂工作流。由此，应用层竞争的重点可能由“提供一个AI功能”转向“能否依托数据、业务系统和行业知识完成端到端任务”。

从局部应用进一步传导至企业乃至宏观生产率，则可能需要更长时间。[21]Brynjolfsson、Li和Raymond（2025）发现，生成式AI辅助使客服人员单位时间解决问题数量平均提高15%，且对经验较少、此前绩效较低的员工改善更明显；[22]但METR针对有经验开源软件开发者的实验发现，在使用早期2025年AI工具后，任务完成时间反而增加19%。不同任务效果的差异表明，AI生产率效应并非由模型能力自动决定，而具有明显的任务和人员异质性。只有当局部效率改善进一步转化为可复制的生产方式，AI价值才可能由算力和模型环节向更广泛行业扩散，并最终体现为宏观生产率提升。

需要指出的是，上述创新扩散过程也对应着AI产业价值创造环节的迁移。在最早的“创新者”阶段，AI仍处于技术探索和范式验证期，价值先集中于宏大且模糊的“范式改变”预期；“早期采用者”阶段，由于AI仍处于技术突破和能力验证期，使用者主要是技术人员和领先企业，产业发展的核心矛盾是如何提供足够的算力和基础设施支撑模型进化，因此价值首先集中于“卖生产资料”。能源、数据中心、芯片和云基础设施等环节率先受益，本质上是满足AI技术扩张所需的底层投入。随着AI跨越技术鸿沟进入早期大众阶段，产业发展的重点将由“提供AI能力”转向“帮助企业使用AI”。当模型能力趋于成熟、成本持续下降后，更多企业开始关注AI如何改善经营效率，价值创造也将从基础设施转向生产工具，包括AI操作系统、企业AI平台、行业模型和企业Agent等。此阶段的关键，是将通用模型能力转化为可复制、可部署、可衡量ROI的商业解决方案。进一步进入“晚期大众”阶段及“落后者”阶段，AI将不再只是企业主动选择采用的工具，而逐渐成为经济运行的基础设施。随着AI深度嵌入生产流程、行业生态和个人生活，竞争优势将由“是否使用AI”转向“如何利用AI重构生产方式”，产业价值也将由卖工具进一步转向“卖生产力”。通用人工智能、AI科学研究、具身智能的发展，有望推动AI从辅助人类工作的工具完全演变为新的基础要素，催生AI原生经济。

基础设施是扩散的前置条件。训练、推理和Agent任务量上升，会带动芯片、服务器、光通信、数据中心、云和电力系统需求。[23]Stanford AI Index显示，2025年美国私人AI投资达到2859亿美元，全球企业AI投资较上年增长一倍以上。[24]IEA预计，全球数据中心用电量将由2025年的485太瓦时升至2030年的950太瓦时，AI专用数据中心同期约增至三倍；五家大型科技企业2025年资本开支已超过4000亿美元，2026年计划再增长约75%。短期局部供给约束仍可能决定扩张节奏。

模型能力差距趋于收敛，使用成本持续下降。[25]达到GPT-3.5水平的推理成本在2022年11月至2024年10月间下降超过280倍，AI硬件的单位算力成本平均每年下降约30%，能效平均每年提高约40%。这会扩大可用场景，也会压缩单纯依靠参数规模或API价差获得的租金。竞争重点可能转向推理成本、可靠性、开发工具、开源生态和行业适配，云平台、数据治理与用户入口的重要性相对上升。

应用由辅助单项任务转向嵌入完整流程。扩散可能先发生在代码、客服、营销和知识管理，再向责任边界更复杂的金融、医疗和制造推进；产品形态由通用助手转向行业软件和Agent。[26]OECD将“系统性采用”界定为超越员工偶发使用、深入生产与业务流程的整合，并提示高固定成本、算力与数据集中和纵向一体化等竞争特征。因此，应用数量增加不等于利润平均扩散，入口、专有数据和核心工作流更为关键。

生产率兑现需要企业同步进行无形资产投资。数据标准、软件接口、员工培训和流程改造前期会增加成本；待互补投入形成后，效率红利才可能由少数任务扩展到企业和行业。[27]这就是“生产率J曲线”的含义。具身智能等后端环节还受到设备更新、工程验证和安全责任约束，扩散速度大概率慢于通用软件。产业链因此不是价值从硬件一次性转移到软件，而是基础设施、模型降本、应用试错和组织重构并行，利润池随采用深度重分配。

最后是对于资产定价的启示。在 “创新者”阶段，市场主要定价AI技术范式成立带来的长期产业空间，定价的是模型能力突破、技术路线演进以及潜在生态入口，由于模型企业资本化程度不够，市场先定价的是对应用端的想象。在 “早期采用者”阶段，市场主要定价AI技术扩张带来的基础设施需求，能源、数据中心、芯片和云基础设施等“生产资料”环节受益，其核心变量是资本开支和供需格局，估值基准是Capex与市占率。就像互联网革命之初，市场首先定价的是通讯基础设施、光纤、网络设备。然后进入“早期大众”阶段，市场关注点将逐渐从“谁提供AI能力”转向“谁利用AI创造价值”，盈利弹性从上游向中下游迁移，在Coding之后出现更广泛的对B端、C端的商业模式，商业模式、用户规模增长、软件收入等变量将成为核心变量，估值基准是潜在市场规模与收入增长。再然后是“晚期大众”阶段，AI商业模式本身利润率下降但对产业的影响面将进一步扩散，胜出的商业形态可能包括掌握智能入口的AI平台、AI原生企业、AI科学研发平台、具身智能，以及AI赋能传统行业的龙头，估值基准是生产率与长期ROE。

上游基础设施仍具有订单和收入可见度，但估值约束会逐步从“是否存在需求”转向“资本开支能否形成回报”。芯片、数据中心和云厂商需观察利用率、折旧和投入资本回报率；模型与平台需观察推理成本、付费留存和入口黏性；应用企业则要看AI能否进入核心流程并形成可归因收入或降本。若扩散顺利，行情宽度有望由算力、电力扩展至企业软件、行业应用和效率受益行业；若采用停留在试点，上游高投入与下游低变现的落差会成为估值调整来源。

产业链内部的利润分配不会同步变化，扩散不意味着所有环节同步受益，基础模型存在高固定成本和价格下降压力，只有形成成本、生态或入口优势的厂商更可能保留利润；应用层真正稀缺的是专有数据、客户迁移成本、合规能力与行业Know-how；传统企业能否受益，取决于数据基础和流程重构能力。“卖铲子”与“卖生产力”并非前后替代，更可能经历基础设施盈利先兑现、应用分化加大、效率受益行业逐步扩散。

资本开支扩张还会向利率和资源品市场传导。短中期数据中心、电网和设备投资会增加资金、铜与电力需求；中长期若AI提高全要素生产率，则潜在增速和中性利率可能上升，单位成本和通胀又可能下降。因此，AI对债券收益率不存在简单的单向结论，关键在于投资需求与资源约束、生产率与供给改善哪一项更早进入数据。资源品还需同时观察扩产、能效进步和资本开支反转。

随着相关融资向贷款、融资租赁和债券延伸，部分风险也可能向信用市场传导。数据中心及配套能源项目具有投入大、回收期长、技术迭代快的特征，不能只看名义长协。需区分合同期限与客户信用、机架上架率与实际利用率、设备折旧与更新资本开支、电力接入与价格条款。若客户集中、合同可取消或算力代际更替较快，长期现金流可能弱于表面。随着融资延伸到项目贷款、租赁和债券，采用不及预期也可能由权益估值风险转化为信用利差风险。

不过，产业趋势与市场节奏并不完全同步。资产价格通常领先于宏观生产率，长期现金流不确定性也会放大波动。[28]Pástor和Veronesi对铁路和互联网时期的研究表明，市场持续学习时，创新企业股价可能出现事后看来具有“泡沫”特征的路径。技术方向正确与当前价格合理因而不是同一个问题。现阶段可跟踪三个缺口：资本开支与AI收入，AI收入与利润、现金流，微观效率与宏观生产率。三者依次收敛，定价才可能由主题和稀缺性稳定转向盈利和生产率；任何一环明显走弱，都更可能引发产业链内部重估。

从上述框架进一步看当下，目前应处于“早期采用者”的后段。从这一角度可以理解市场既反映第一阶段即基础设施Capex为代表的供给端逻辑；又开始初步追问第二阶段即“商业回报”的需求端逻辑。要素成本曲线下移、AI资本开支的增速下降可能会成为这一阶段结束的标志，我们初步关注2027年H1，主要理解是此前大规模AI资本开支进入产能释放阶段、折旧压力初步形成、云厂商的自由现金流和负债约束也会逐步形成。所以在目前阶段要保持定价预期的理性。“早期大众”阶段作为第二阶段，估值逻辑将会从“资本开支周期”切换至“商业验证周期”，新的万亿级商业模式、真正具备规模化变现能力的AI应用和平台可能成为新的定价核心，应用渗透率、付费意愿、单位经济模型、商业模式成熟度将成为新的定价变量。从长周期视角，关注AI科研、AI生物医药、具身智能、AI制造等代表第三个阶段的“AI原生经济”。

从头部企业当前基本面兑现顺序看，AI基础设施环节仍表现出更快的收入兑现。美国方面，[29]作为英伟达核心业务，数据中心增长强劲，2026财年第四季度业务收入达到了创纪录的623亿美元，同比增长75%，2026财年全年收入1937亿美元，贡献公司近九成收入；[30]百度2026年一季度数据也呈现类似分化，AI Cloud Infra收入同比增长79%，其中GPU Cloud收入增长184%，而AI Applications收入同比基本持平。至少从上述头部企业数据看，当前AI需求仍较快通过芯片、算力和云基础设施等环节转化为收入，创新扩散前期的基本面和资产定价也更容易围绕“资本开支扩张—基础设施需求—供应链盈利”展开。

但随着资本开支规模持续提高，市场需要验证的已不只是AI投入是否增长，而是新增资本能否产生相匹配的收入、利润和现金流。[31]美东时间7月22日盘后，谷歌母公司Alphabet公布第二季度财报，营收、盈利表现均好于预期，资本支出方面，谷歌二季度继续上调预期至1950亿至2050 亿美元之间，同时，谷歌出现了历史上首次出现负现金流，二季度Alphabet资本支出总额为449亿美元，超出预估的441.5亿美元。[32]中国头部科技企业中也已出现商业回报兑现案例，腾讯云2025年已实现规模化盈利。由此，随着AI投资基数上升，单纯的资本开支增长可能越来越难构成完整的估值逻辑，资本回报率、自由现金流以及AI投入对应的收入和利润增长将成为更重要的验证指标。