人工智能构建期的资本分配困局：调和激增的资本支出与虚无缥缈的企业生产力增长The Capital Allocation Dilemma of the Artificial Intelligence Buildout: econciling Surging Capital Expenditure with Elusive Enterprise Productivity Gains

一、 宏观全景：人工智能基础设施建设的狂热与盈利的分化

全球科技产业正经历一场史无前例的结构性变革。数以万亿美元计的资本被重新分配，强力注入人工智能（AI）基础设施的建设之中。在2026年第二季度的美股财报季中，标普500指数的企业盈利表现出极其强韧的整体姿态：剔除与特定私募股权投资估值相关的非经常性损益后，标普500指数的每股收益（EPS）实现了高达31%的同比高速增长。然而，在这一令人瞩目的繁荣表象之下，深入剖析数据却揭示出整个权益市场正呈现出极其严重的两极分化。这场由AI驱动的利润增长红利，几乎完全被锁死在物理硬件和云服务等极少数基础设施层企业手中，而广大处于产业链下游的终端应用企业，在投入了巨额的IT和研发预算后，却迟迟未能将技术实验转化为对利润表有实质贡献的生产力收益。这一结构性矛盾，已成为当前企业资本分配最严峻的困局。

作为这场AI资本开支竞赛中的典型代表，社交媒体与数字广告巨头Meta Platforms（纳斯达克交易所上市，股票代码：META）的近期表现生动诠释了这一博弈。在过去三年中，Meta在社交媒体基本盘的强劲复苏以及AI广告推荐系统的优化推动下，股价一路上扬，截至2026年8月14日，其股价在三年内飙升了95%，公司市值膨胀了近8000亿美元，稳稳跨过1.4万亿美元的超级门槛，其远期市盈率（P/E）目前维持在19.7倍。然而，Meta的光鲜数据背后却隐藏着资本分配的巨大争议。其资本支出（Capex）从2024年的390亿美元，飙升至2025年的720亿美元，并预计在2026年进一步激增至1300亿至1450亿美元。由于如此庞大且仍在加速的AI基础设施投入，Meta在2026年第二季度的自由现金流（FCF）骤降了91%。此外，截至6月30日，公司未反映在资产负债表内的表外合同承诺金额从一年前的280亿美元暴增至3490亿美元。这种从极度轻资产的软件商业模式向极度重资产、高资本消耗的硬件和数据中心运营模式的急剧转变，引发了市场的深切忧虑。在2026年8月18日美股收盘时，Meta因市场对高昂开支回报周期的质疑，股价下跌4.45%（折合下跌25.30美元），收于543.67美元。Meta的剧烈波动，正是当前美股AI科技股估值重估期的一个显微镜缩影。

在这种两极分化的宏观格局下，AI基础设施的绝对受益者——以英伟达（NVIDIA）、美光科技（Micron）等半导体巨头及四大超大规模云服务商（Hyperscalers，包括微软、谷歌、亚马逊、Meta）为代表——录得同比高达54%的整体利润飙升，贡献了整个标普500指数单季利润增长的约一半。相比之下，标普500中位数企业的利润增速则仅为14%；如果进一步剔除因地缘政治波动导致原油价格高企而享受周期性红利的能源板块，非AI基础设施的普通中位数企业利润增速同样也停留在14%的平淡水平。这种鲜明的割裂让市场开始反思：基础设施建设的暴利能否持续，而下游企业又为何在生产力转型的道路上步履蹒跚？

二、 资本错配的算术：“600亿美元之问”升级与信用市场的隐忧

要理解这一困局的症结所在，必须从硬件投入与下游软件价值产出的数学公式入手。风险投资机构红杉资本（Sequoia Capital）合伙人戴维·卡恩（David Cahn）提出的“600亿美元之问”，如今已经随着军备竞赛的升级演变为一个更为庞大的“6000亿美元之问”。在AI基础设施的建设周期中，硬件采购成本只是总拥有成本（TCO）的冰山一角。英伟达的芯片销售收入，需要乘以2倍才能反映数据中心的整体造价（包括高昂的液冷机房、电力传输网络、建筑物及备用发电机等非芯片硬件），接着还必须再乘以2倍以反映终端用户采购算力并实现合理毛利率（通常假设为50%）后所需的营业收入：

TCO = 2 × 预估数据中心芯片营收 × 2 (反映下游合理毛利率需求)

根据这一模型，在目前英伟达的芯片出货规模和各大云服务商的资本开支指导下，整个AI生态系统每年需要产生接近6000亿美元的营业收入，才能平衡和收回前期的资本投入。然而，截至目前，全球由生成式AI技术带来的实质性端点软件与云服务收入（包括OpenAI的34亿美元年化收入，以及其他AI初创公司、SaaS巨头的AI付费增值服务）累计也仅在1000亿美元上下。这就造成了高达5000亿美元的结构性“资本空洞”。当前，这一巨大的赤字主要在依靠科技巨头自身资产负债表上极其雄厚的历史积蓄进行输血和掩盖。

不仅如此，AI基础设施的物理造价也在经历极其严重的通货膨胀。在2010年代的传统云计算黄金期，建设一座标准数据中心的平均成本大约在每兆瓦（MW）1000万美元；而到了今天，为了支撑AI超高密度算力所需的液冷系统、高电压电网接入以及复杂的机架内互联架构，一座下一代AI数据中心的建设成本已经暴涨至每兆瓦1500万到2000万美元，同比通胀率惊人。而与传统折旧周期长达20年的建筑物理机房、25年的电网基础设施不同，处在技术迭代风暴中心的AI高阶芯片和算力服务器，其经济寿命极其短暂，往往在短短4到6年内就会因为英伟达等厂商如B100、Rubin等新一代芯片的推出而面临严重的经济和技术性过时。这就意味着，超大规模云服务商必须在极短的窗口期内实现高强度的资产周转，否则折旧风暴将彻底摧毁其利润表。

这种前所未有的高资本消耗，正在深刻地改写科技巨头的财务风险和信用市场格局。在过去，这些万亿市值的超级企业习惯于依靠自身庞大的自由现金流来100%自给自足地解决资本开支，几乎不依赖外部融资。但由于AI建设周期的开支强度已经逼近其日常运营现金流的90%至100%（历史十年均值仅为40%左右），他们被迫走向了此前很少涉足的债券市场。自2025年第四季度以来，Meta、谷歌母公司Alphabet、亚马逊等巨头通过公开信用市场密集发债，累计债务融资规模已经突破2000亿美元，全球AI相关的债券发行在2026年预计将达到创纪录的5700亿美元。如此迅猛的融资浪潮已经引发了信用市场的消化不良，导致超大规模发行人的长期 unsecured 债券利差在今年夏天一度拉宽了35至50个基点。这种融资模式的转变，标志着AI投资已经不再是一项可以随时中止的轻资产科技尝试，而转变为一项背负着沉重债务、利息和折旧刚性支出负担的“重资产工业化浪潮”。

三、 终端生产力的“幻影”：数据壁垒、人类监督与预算的零和博弈

与物理基础设施端的热火朝天形成鲜明对比的是，绝大多数产业链下游企业在推进AI落地的过程中，遭遇了难以逾越的结构性阻碍。高盛策略分析师本·斯奈德（Ben Snider）的研究表明，在第二季度的标普500企业财报中，仅有区区2%的企业在其财务报表中明确量化并证实了AI对公司净利润的直接正面贡献，这一比例与第一季度相比毫无增长。虽然有11%的企业声称通过采用AI技术在诸如软件编程效率、呼叫中心客户支持等特定应用场景中实现了生产力提升，但令人沮丧的是，这些企业的整体财务利润增长速度，与那些完全没有使用或量化AI效率的企业相比，并不存在任何统计学上的显著差异（前者利润同比增速中位数为17%，后者为14%，在统计学上无法排除随机性误差）。

为什么钱花出去了，生产力的收益却成了“幻影”？根据贝恩咨询（Bain & Company）对全球951家大型公司的最新AI与自动化追踪调查，企业面临着三大无法回避的现实阻碍：

1. 人类监督成本与“人机协作”的财务漏洞。企业在制定AI投资预算时，几乎都天真地建立在“完全自动化”的理想财务模型之上，即由软件直接取代人工，从而完全抹去该岗位的工资和福利成本。但根据贝恩的调查，目前全球仅有7%的企业能够在生产环境中成功运行“完全自主（Fully Autonomous）”的AI代理。相反，有高达38%的企业系统运行在“必须由人类进行最终审批（Human Approval Required）”的低效模式下，另有32%的企业采用的是“依靠人类监督和例外队列处理”的模型。这就意味着，在现实的合规和风控要求下，企业并没有能够真正削减人力编制，而仅仅是将员工的工作从“亲自执行”转变为了“监督、审核AI的产出（即 Thomson Reuters 研究所称的‘人类事实核查员’岗位）”。高昂的人力成本依然固化在公司内，使得软件投入变成了一笔无法带来直接降本效益的额外开支。

2. “用未兑现的节余资助新科技”的循环资金黑洞。高达44%的企业财务主管承认，他们目前用于 generative AI 的增量 IT 预算，在很大程度上是在指望用此前上一代自动化项目（如自动化流程机器人RPA、智能文档处理IDP）所承诺产生的成本结余来“自我滚动资助”。然而，贝恩的调查结果无情地指出，在上一轮自动化浪潮中，由于技术局限和业务流程繁杂，有接近40%的企业最终实现的成本节约比例甚至连10%都不到，远远低于当初立项时普遍设定的11%至20%的目标。这意味着，下游企业在用一笔根本没有实际兑现的“虚无节余”去资助更加昂贵的AI技术开发，导致企业的IT负债表赤字进一步扩大，陷入了自我循环套牢的陷阱。

3. 底层数据壁垒与“业务流债务”的放大效应。有超过41%的首席信息官（CIO）指出，阻碍AI项目向生产端推进的最大壁垒既不是算法不够先进，也不是人才短缺，而是企业自身底层陈旧、高度割裂的数据库架构（这一比例在已经开展大规模AI试点的头部企业中甚至高达44%）。不仅如此，由于企业内部在几十年的运营中堆积了惊人的“业务流债务（Workflow Debt）”——即为了修补系统缺陷而人为设立的各种冗余审核、 nested exception 和非标准化业务路径——如果企业在没有对这些底层流程进行彻底重新梳理和简化（Pay down workflow debt）之前，就急匆促忙地套上AI自动化外衣，其结果不仅无法理顺业务，反而会通过算法将原有的效率缺陷和数据垃圾进行成倍放大，使得后期维护和重构的成本变得极其难以承受。正如汤森路透（Thomson Reuters）资深财务顾问鲍勃·迈克尔斯（Bob Michaels）所强调的，在目前的财务记账准则下，硬件设备可以分多年折旧，而下游企业的软件授权费和SaaS订阅费支出，必须在当期利润表中100%全额确认为期间费用。这使得企业的AI探索成本在没有带来任何收入回报之前，就先一步对当季利润率造成了直接的肉眼可见的伤害。

这就导致了企业IT预算内部的零和博弈：由于约三分之二的企业无法获得全新的外部预算支持，他们不得不通过“拆东墙补西墙”的方式，将资金从其他成熟的IT软硬件、网络安全或标准数据分析项目中硬生生地剥离出来（具体资金剥离分布如表1所示），这无疑给传统的企业级SaaS软件服务商（如Salesforce、Workday等）带来了沉重的业绩压力和客户流失。这种IT预算内部的残酷再分配，不仅没有提升整个经济体的总生产力，反而引发了一场漫长而痛苦的软件产业价值重构。

表 1. 下游企业人工智能部署预算的资金流向与分类（IT Budget Reallocation）

数据来源：高盛投资策略研究（Goldman Sachs Research）企业IT主管专项调研。

四、 转型期的量化指标：劳动力成本敏感度与领先企业的筛选

面对资本配置的严重失衡，聪明的投资者和机构研究者已经不再听信那些空泛的“AI赋能”宣传口号，转而寻求依靠严谨的量化指标来筛选出真正具备AI生产力收益捕获能力的实体企业。高盛策略研究团队在此期间构建了一套极具实操价值的“AI生产力捕获 playbook”，通过两层核心量化维度，对全美罗素1000指数中的实体企业进行了深度过滤：

1. 劳动力成本敏感度（Labor Cost Sensitivity）。即该企业的总员工劳动力开支（薪酬、社保折算等）占其总营业收入的比例。在全美标普500指数中，整体平均劳动力成本约占总营业收入的12%，但不同行业之间的结构性差异极其巨大：例如重资产能源板块的劳动力成本仅占营收的5%，而科技、工业和服务性板块的成本占比则普遍高达16%至21%。该指标越高，说明该企业一旦通过AI技术实现哪怕是极小比例的人工工时替代或流程精简，其释放出来的利润弹性（即对经营利润率的向上拉动）就越呈现非线性的倍数增长。

高盛联合劳动力分析机构 Revelio Labs，对罗素1000指数成份股企业内部的岗位工种分布进行了细颗粒度的透视，精准测算其公司整体薪酬支出中，有多少比例是支付给了那些可以被AI和认知自动化深度重塑的暴露岗位（如法务合规审核、标准财务对账、初级市场文案、技术文档编写等）。

通过综合两项指标的行业得分，并施加极其苛刻的过滤规则——剔除所有英伟达等直接向外卖算力的硬件提供商，同时排除因技术变迁而面临主营业务商业模式颠覆的高风险软件、广告公司，且公司管理层必须在近两季财报会中有过具体的AI效率探讨——高盛成功筛选出最有望在技术成熟期兑现长期实质性生产力红利的“Top 20 深度 adopter 组合”。

表 2. 高盛量化筛选：最契合AI生产力释放潜力的罗素1000领先企业（Top 10）

数据来源：高盛投资策略研究（Goldman Sachs Portfolio Strategy Research）。

必须要向投资者明确指出的是，高盛的这一量化短名单仅仅代表这些企业在业务流程和财务结构上拥有最完美的“AI改造基因”，并不代表其目前已经实现了显著的效率变现。事实上，这些企业的近期盈利数据同样还处在缓慢、曲折的技术导入前期，其利润表尚未迎来实质性的改善。对于下游AI应用红利的释放，市场各方需要抱有长达24到36个月以上的战略耐心。

五、 利润表的隐形侵蚀：折旧费用激增与科技股利润率的压制

即使我们退一步，不考虑下游企业在应用端的磕磕绊绊，单纯观察那些正享受着AI军备开支红利的科技巨头（如三大公有云巨头和芯片采购大户）本身，其长期的资产回报率（ROE）和利润率基础也正面临着一项隐秘且致命的财务逆风——折旧与摊销费用（D&A）的戏剧性 cresting。

在AI buildout 爆发之前，科技巨头们在长达十年的时间里都享受着极高的净资产收益率（ROE）扩张。这主要归功于他们极其轻资产的业务模式（物理服务器需求低，高毛利的软件开发复制成本接近于零），其在资产周转率（Sales/Assets）上一直处于极佳的攀升状态。然而，AI时代的到来，彻底扭转了这一物理定律。随着万亿级资金沉淀为地皮、大容量变电站、极速液冷管网和昂贵的专用硅片，科技巨头的业务模式正在迅速重资产化、重体力化。其资产周转率已经连续几个季度出现趋势性下滑。

这种向高资产密度（Asset Intensity）的战略迁徙，正在利润表上埋下高额的财务地雷。根据高盛的财务模型分析，随着前两年买入的GPU和建起的数据中心陆续在2026年到2028年之间建成投产并进入正式运营状态，这些庞大的前期支出正成系统地转化为资产负债表上的固定资产，并开始在利润表上强制计提无处可躲的折旧费用。市场一致预期显示，超大规模云服务商的折旧摊销开支占其总营业收入的比例，将从2022年AI爆发前的7%底线，系统性地拉升至2027年的12%。这一刚性的500个基点的利润率拖累，将在未来数年内持续地侵蚀科技行业的经营性毛利率。

折旧开支的剧烈攀升预计将导致科技巨头的平均净资产收益率（ROE）缩水约700个基点。其中，受折旧和硬件重组压力最显著的苹果公司（Apple）面临着潜在多达2600个基点的ROE收缩，而此前风光无限的英伟达同样也面临约1200个基点的ROE拖累压力。标普500指数的历史ROE水平正处于22%的极端历史高位（自1980年以来的第87个百分位），而高盛的敏感性分析指出，标普500指数的整体ROE水平每发生1个百分点的变化，就将直接导致整个大盘指数在市盈率估值（P/E Multiple）上发生大约一倍（1x turn）的同向修正。在当前21倍前瞻市盈率的极端昂贵位置上，折旧所引发的ROE暗中下行，将成为未来压制科技板块乃至整个大盘指数估值天花板的极其关键、但又最容易被普通投资者忽视的隐形杀手。

六、 战术组合对冲：AI垂直应用布局与防守性非科技板块构建

由于整个AI主线交易已经因高开支、慢变现的客观局限而在夏末遭遇了剧烈震荡，跟踪AI芯片板块的费城半导体指数（SOX）自高位回撤幅度一度高达20%，宣告进入技术性熊市。在当前这一估值修正和剧烈分化的战术转型期内，寻求稳健收益的机构投资者已经开始大幅削减对于拥挤的、缺乏业绩底撑的“AI概念股”的单一风险暴露，转而积极构建一个兼具技术前瞻性与防守性、能够有效对冲市场波动的多元化战术投资组合。

1. 深挖垂直应用领域的“局部 margin 赢家”

虽然全行业范围的AI生产力暴涨尚未到来，但在物流、仓储、医药和特定合规管理等非交互式物理流场景下，AI技术实际上已经展现出切实、惊人的经营效率提升。例如，在22V Research追踪的标普500企业中，有25家成功实现AI精细量化的前锋企业（以传统物流及垃圾处理巨头依靠AI算法进行垃圾收集卡车路线优化为典型代表），其经营利润率平均逆势拉升了180个基点，即使剥离企业内部其他常规降本增效计划的干扰，其AI带来的净利润率改善依然高达150个基点。这类公司之所以能取得成功，恰恰是因为他们完美绕过了自然语言模型的“幻觉”与人工核查缺陷。在采购策略上，这些成熟企业也普遍放弃了将全部工作荷载运行在极其昂贵的单一大模型提供商（如 OpenAI 或 Anthropic 的旗舰大模型）身上的奢侈做法，转而采用高度精细的“混合配置（Model-mixing）”机制——将海量、日常的简单数据任务分流给极其便宜的开源模型或本地专业化模型，仅将极少数需要深度推理的顶级任务保留给高阶闭源模型，从而以极低的算力总账单保住了利润率的胜利果实。投资人应当着力寻找这些懂得进行“AI精细 procurement”和“混合模型部署”的实体 adopter。

2. 布局高净值群体的“非对称性体验消费”

为了在科技股动荡期间对冲大盘系统性风险，高盛策略团队极力推荐配置一类极具韧性的特殊板块——高品质“消费者体验（Consumer-experience）”股票。这一赛道专注于提供实体化的娱乐、运动中心、高端主题公园、剧院博物馆以及高级博彩。由于其完全根植于线下真实的物理接触，该板块在天然上能够100%免疫由AI技术大爆发所带来的潜在业务 Cannibalization 或软件降价贬值风暴。在数据面上，该体验性消费支出的同比增速已经从2025年第一季度的1.1%（当时整体服务业增速为2%），大幅逆势加速至2026年第一季度的6%（此时服务业增速放缓至2%），展现出强劲的顺周期需求支撑。更重要的是，此类高阶体验项目消费高度向社会财富金字塔顶端的高净值群体（High labor-income distribution）倾斜，这使其在宏观经济潜在降温、普通大众消费意愿低迷的背景下，具备极高的经营韧性和非对称性盈利安全垫。

3. 锚定现金流坚韧的行业“常青复合体”

投资者应积极增配那些被高盛定义为“复利者（Compounders）”的高质量Russell 1000成份股企业。这些企业常年保持着极其稳定的盈利增长、极高的资本回报率（ROIC）以及卓越的自由现金流转换率，且完全被隔离在AI大模型基建军备竞赛的暴风雨之外（不承受高昂的数据中心资本消耗，也不承受AI替代的生存焦虑）。虽然由于过去两年的资金抱团科技，这批“常青复合体”的估值曾被压制在近十年来的相对低位，但在科技股大撤退的背景下，其强韧的资产负债表和高确定性的红利派发正在成为全球风险避险资本最渴望回归的温和港湾。

4. 狙击迎来“降息春风”的优质兼并收购（M&A）标的

随着美联储正式开启其降息周期（首次宣示性降息25个基点，且经济学家预测终端联邦基金利率将在年中逐步降至3.00%至3.25%区间），全球信贷宽松环境正在为企业并购注入强大的驱动力。在2026年，全球已公布的并购重组交易规模同比暴涨32%，总金额飙升至惊人的1.2万亿美元，交易数量同比增加12%，其中有40%的兼并集中在技术硬件、电子设备以及大健康医药板块。在如此热烈的企业整合和巨头“外源性买药”的生态下，那些被金牌投行分析师锁定、且尚未被二级市场充分定价的高胜率优质并购靶子股，正在展现出极其丰厚且独立于大盘涨跌的阿尔法（Alpha）套利机会，为投资者在波谲云诡的“后AI构建期”提供了完美的防御与进攻性并存的战術组合。

七、 参考文献与数据源 (References)

Allianz Trade. (2026, March). AI capex cycle war-proof for now. Allianz Trade Economic Research.

Bain & Company. (2026, June). Your AI Budget Is Growing. Your Returns Aren't. Here's Why. Bain Automation and AI Pathfinder Survey 2026.

Goldman Sachs Portfolio Strategy Research. (2026, June). US Weekly Kickstart: The impact of the AI capex boom on S&P 500 return on equity. Lead Strategist: Ben Snider.

Goldman Sachs Global Institute. (2026, May). Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out.

Goldman Sachs Research. (2026, July). Three New Stock Themes Are in Focus as the AI Trade Gyrates.

Morgan Stanley Research. (2026, March). AI Market Trends 2026: Global Investment, Risks, and Buildout. Morgan Stanley Institute.

Morgan Stanley. (2026, August). Hyperscaler AI Capex to Surge 57% in 2027, Straining Credit Markets.

ProShares. (2026, July). 2026 Mid-Year Outlook: A Soft Landing Meets a Broader Market.

Sequoia Capital. (2024, June). AI's $600B Question. David Cahn.

Thomson Reuters Checkpoint News. (2026, August). AI's hidden price tag — millions spent, returns still a mystery. Bob Michaels.

22V Research / Bloomberg. (2026, August). AI is delivering 180 basis points of margin growth for S&P 500 companies that quantified it.

免责声明 (Professional Disclaimer)

本报告仅供学术探讨及信息参考之用，不构成任何形式的投资建议、财务咨询、法律或税务意见。本报告所载之全部数据、分析及预测，均基于公开可获取的市场资料及第三方研究机构（包括但不限于高盛、摩根斯坦利、贝恩公司及红杉资本等）发布之研究成果。报告中关于任何具体公司、交易所上市情况、股票代码及近期业绩表现的陈述，仅作为客观商业案例之分析与讨论，不构成买入、卖出或持有任何证券或金融产品的要约、招揽或建议。投资有风险，入市需谨慎。投资者应根据自身的财务状况、投资目标及风险承受能力，独立进行判断并咨询专业金融顾问。报告起草方（Gemini Notebook）及相关数据提供方，对投资者因依赖本报告中的内容或分析结论所导致的任何直接或间接投资损失，概不承担任何民事或法律赔偿责任。