战魔田默｜AI本来是软件生意，为什么正在变成资本密集型产业？

本文来自微信公众号： 战魔田默 ，作者：战魔田默，原文标题：《战魔田默｜AI本来是软件生意，为什么正在变成资本密集型产业？》

如果只看产品形态，AI仍然很像软件。

ChatGPT、Gemini、Claude、DeepSeek都运行在屏幕和云端，一次模型升级甚至不需要用户更换任何硬件。和汽车、钢铁、化工相比，它看起来仍然属于最典型的数字产业。

但如果把视线转到这些产品背后，看到的却是另一幅景象。

国际能源署数据显示，五家大型科技公司2025年的资本开支已经超过4000亿美元，2026年预计还将大幅增长。数据中心持续扩张，先进芯片成为战略资源，电力开始制约算力部署。

Google、Microsoft、Amazon、Meta等科技巨头不仅在采购GPU，也在布局自研芯片、能源供应和长期基础设施。

一家AI公司今天想扩大生产能力，面对的已经不只是算法，还包括芯片、数据中心、网络、冷却、电力以及长期资本投入。这样的生产体系，在过去的软件产业并不常见。

更值得注意的是，AI技术本身正在迅速提高效率。模型架构持续优化，推理成本不断下降，DeepSeek也已经证明，更高的算法和工程效率可以显著降低单位计算成本。

按照传统逻辑，技术效率提高以后，产业应该变轻。

现实却恰恰相反。

单位计算成本在下降，全球AI基础设施投资仍在上升；芯片性能不断增强，科技公司对电力和数据中心的需求却持续扩大；模型调用门槛不断降低，支撑这些模型的物理系统反而更加庞大。

为什么智能越来越便宜，生产智能的产业却越来越资本密集？

过去几年，我们主要把AI理解成一场模型革命。如今越来越清楚的是，它同时也是一场基础设施革命。

模型依然决定智能能够达到什么高度，但芯片、能源、数据中心、资本和产业组织方式，开始决定这些智能能够以多大规模进入现实世界。

AI没有把软件变成传统工业，却让一种过去高度依靠代码和人才扩张的产业，第一次需要大规模组织现实世界的生产资料。

01

软件可以无限复制，智能却需要持续生产

传统软件之所以形成独特的商业魅力，并不只是因为固定资产少。

更重要的是，它的收入增长往往不需要同步追加同等规模的物理生产资料。

制造一辆汽车，需要重新消耗钢材、电池、轮胎和生产能力；一套成熟软件开发完成以后，多增加一个用户，新增成本却通常很低。

互联网和云计算进一步强化了这种模式。企业甚至可以把服务器和数据中心留在云厂商的资产负债表上，把主要精力集中在产品、用户和研发。

这也是资本市场长期给予优秀软件公司高估值的重要原因。

高毛利当然重要，更重要的是增长与资本投入之间并不存在严格的同步关系。

生成式AI开始改变这条边界。

传统软件当然也需要计算，但大量价值来自已经完成的软件开发。程序写好以后，同一套功能可以被无数用户重复使用。

AI模型则不同。

训练模型需要计算，用户每一次调用模型同样需要计算。一次问答、一段代码生成、一张图片、一段视频，背后都对应真实的GPU运算、网络传输和电力消耗。

代码可以无限复制，智能却需要持续生产。

用户增长因此不再只意味着收入增长，也意味着推理需求同步增加；模型能力变强以后，人们能够交给AI处理的任务更加复杂，计算消耗也可能随之增加。

模型效率提高，并不意味着整个AI产业需要的算力会减少。

如果一次推理成本下降十倍，而AI使用次数增长一百倍，总计算需求依然会上升。效率提高还可能打开大量过去因为成本太高而不存在的市场，让AI进入办公、编程、搜索、广告、医疗、工业软件乃至机器人。

单位智能的成本不断下降，总体智能需求却可能增长得更快。

传统软件最有吸引力的一点，是新增用户几乎不需要新增生产能力。AI则把计算重新带回产品生产过程。

这正是AI从一种典型的软件生意，开始重新表现出资本密集特征的第一层原因。

02

模型之外，竞争已经延伸到芯片、电力与数据中心

如果AI竞争只发生在算法和模型层，它仍然可以保持相对轻盈。

但今天的竞争已经不断向下延伸。

模型公司需要芯片，芯片需要服务器和高速互联，数据中心需要稳定电力，电力又依赖土地、电网、建设周期和长期资本。

Google、Microsoft、Amazon、Meta近年来都在开发自己的AI芯片，不只是为了减少对单一供应商的依赖，也因为当计算成本成为核心成本以后，芯片本身就进入了战略腹地。

类似变化也出现在能源端。

过去一家软件公司的战略会上，很少需要讨论电网接入、长期电力采购或者核电供应。今天，这些问题已经进入大型科技公司的核心决策。

原因并不复杂。

一座新的数据中心可以在相对较短时间内建成，但大规模电力设施、输电系统和电网扩容往往需要更长周期。

AI创新速度很快，底层基础设施却仍然受物理世界建设周期约束。

科技公司因此必须同时面对两种不同的时间尺度。

模型可能几个月就换代，数据中心需要数年建设，能源基础设施的生命周期则更长。企业不仅要判断下一代模型需要多少算力，还要提前几年布局未来的电力、机房和供应链。

科技产业原本擅长快速迭代，如今却不得不同时具备长期基础设施投资能力。

AI竞争由此不再只是算法战争，也开始变成一场对现实世界关键资源的争夺。

03

AI基础设施开始决定全球产业落点

这种变化已经不再只是几家科技公司的资本开支问题，它开始影响全球产业布局。

Google宣布未来两年在芬兰投入约150亿美元建设AI基础设施，并配套电网升级、清洁能源和电池项目，同时签署长期核电采购协议。

选择一个地区建设大型AI基础设施，看的已经不只是土地价格或者税收优惠，还包括电力成本、电网稳定性、芯片供应、网络条件以及政策环境。

PwC预计，从2026年至2050年，全球AI基础设施累计资本开支可能达到31.6万亿美元，数据中心年度资本开支可能从2026年的约8000亿美元上升到2050年的1.8万亿美元。

更值得注意的是，长期投入的大头未必来自建筑本身，而是服务器、GPU和其他ICT设备需要持续更新。

这意味着，一个国家未来能够承载多少AI产业，很大程度上取决于它能够承载多少工业级智能基础设施。

电力是否充足，电网接入需要多久，能否稳定获得先进芯片，是否拥有足够的数据中心土地，金融市场能否提供长期资本，都会影响AI产业最终在哪里落地。

国际能源署已经明确指出，全球AI价值链正在同时争夺电力、电网连接、芯片制造能力和资本，而技术创新的速度开始明显撞上物理、社会和监管系统的运行速度。

这与上一代互联网产业有明显区别。

互联网公司当然也需要基础设施，但应用层长期可以把大部分基础设施交给电信运营商和云计算公司。AI走到今天，头部企业已经很难完全置身于底层资源之外。

计算能力本身开始成为产业竞争力的一部分，而计算能力背后，又站着能源和工业体系。

AI竞争因此出现了一条新的链条。

技术竞争向算力竞争延伸，算力竞争向能源和基础设施竞争延伸，最后又反过来影响全球资本和产业布局。

04

从模型革命到基础设施革命

如果把时间拉长，会发现这种变化并不陌生。

电力的意义从来不只在发电机。只有发电厂、电网和终端设备逐渐成熟以后，电才从一项前沿技术变成整个工业社会的基础能力。

互联网同样经历过类似过程。早期最耀眼的是浏览器、门户网站和应用创新，后来光纤、服务器、数据中心和云计算不断成熟，数字服务才真正大规模进入整个经济体系。

通用技术改变社会，通常都要经历一次从技术突破到基础设施化的迁移。

AI可能已经进入这个阶段。

曾鸣最近提出一个值得重视的产业史判断。他把AI的发展划分为基础设施形成、Agent应用爆发和AI原生时代三个阶段，并认为2026年已经成为第一阶段基本完成的重要节点。

在他的判断中，以Token为标准度量单位，意味着智能正在形成可以规模化、标准化调用的基础设施能力，而模型公司未来更接近AI时代的云服务商，并不必然是AI原生时代最后的赢家。

这个判断和AI资本密集化之间存在紧密联系。

当一种能力逐渐基础设施化，固定成本和规模效应通常会上升，底层市场也更容易集中。

电网、电信网络和云计算都经历过类似过程。早期可以有大量探索者，基础设施成熟以后，能够承担长期巨额投入的运营者往往会减少。

基础模型也可能朝这个方向发展。

如果这种判断成立，AI产业未来并不会简单变成“所有公司都更重”，而会形成更加鲜明的分层结构。

05

底层趋于集中，应用战争才刚刚开始

曾鸣判断，基础模型一旦成为公共基础设施，长期更可能走向寡头竞争和强监管。

如果沿着这个逻辑看，模型层的产业轮廓确实开始变得清晰。

但这并不等于整个AI产业已经接近终局。

恰恰相反，底层趋于集中，可能只是意味着产业竞争重心开始向上迁移。

曾鸣把Agent视为第二阶段的主体。在他的判断中，今天的应用层仍处于探索期，简单任务很容易被模型能力直接吞掉，但复杂任务、真实场景以及能够形成智能闭环的应用仍然有大量空间。

这给AI产业提供了一个重要的观察框架。

底层变重，也可能更加集中；上层则可能因为智能能力逐渐标准化，而变得更轻、更开放。

基础模型公司需要承担巨大的算力和研发投入，大量应用公司却不必自己训练模型。它们可以在成熟模型之上做Agent、行业软件、企业流程和垂直服务。

模型决定智能供给的底线，应用决定智能价值最终在哪里兑现。

所以，AI产业所谓“终局渐现”，更准确地说，是某些底层环节的竞争格局开始收敛，而整个应用世界远没有定局。

互联网基础设施成熟以后，并没有终结互联网创业，反而催生了搜索、电商、社交、移动互联网和无数新应用。

AI也可能经历类似过程。

当智能逐渐成为一种可以购买、调用和组合的基础能力以后，最大的商业机会未必继续集中在“谁拥有模型”，而可能转向“谁最懂得把智能嵌入真实经济活动”。

这也解释了为什么AI资本密集化与创业机会增加并不矛盾。

底层越重，进入底层的门槛越高；底层越成熟，上层创业的技术门槛却可能下降。

06

AI变重以后，核心指标将从毛利率延伸到资本效率

AI资本投入持续增加，并不意味着这门生意一定变差。

通信网络很重，大型基础设施也很重，但高利用率的资产同样可以形成长期回报。

资本密集本身不会决定一家企业是不是好生意，关键在于，大量资本投入以后能够产生多少持续收益。

资本效率，也因此重新进入AI企业竞争的核心评价体系。

过去评价一家优秀软件公司，最常看的可能是用户增长、续费率、毛利率和销售效率。AI时代，这些指标依然重要，但已经不够。

一家企业花100亿美元建设数据中心，如果这些设施能够长期保持高利用率，并支撑足够高的收入和现金流，重资产可以形成壁垒。

反过来，如果模型更新过快、用户付费不足、计算设施利用率不高，今天看起来稀缺的基础设施也可能变成昂贵负担。

AI基础设施还有一个传统软件资产并不突出的风险：核心计算设备的经济折旧速度很快。

数据中心建筑本身可以使用很久，但里面最昂贵的GPU、服务器和高速互联设备，却可能在几年以后就需要更新。

PwC预计，服务器、GPU等ICT设备未来可能成为AI基础设施资本开支最主要的组成部分，而且通常需要每四到六年刷新一次。

这形成了一种特殊的资产结构：既有基础设施的高资本投入，又有科技产业的快速技术迭代。

企业不仅要承担建设成本，也要承受设备快速更新带来的折旧风险。

资本效率的重要性因此进一步上升。

每增加一单位资本开支，能够形成多少新增收入；每增加一单位算力，能够创造多少有效使用；收入增长能不能覆盖持续的基础设施投资与设备更新，都会成为新的评价尺度。

“重”本身不是问题，投入更重而回报没有同步提高，才是问题。

07

万亿美元投入之后，AI需要什么样的资本？

当投资达到万亿美元量级，仅靠科技公司的经营现金流已经很难覆盖全部基础设施需求，资本结构也开始发生变化。

路透9月8日报道，到2026年8月，AI相关债务发行规模已经接近5000亿美元，约占美国高评级债务发行的五分之一。

与此同时，投资者对数据中心项目的要求变得更加严格，电网接入、施工许可、长期租约以及项目担保，都开始影响融资成本。

科技产业过去最典型的融资方式，是风险资本和股权资本。基础设施扩张以后，长期债务资本的重要性明显上升。

原因并不难理解。

模型研发高度不确定，适合由能够承担风险的股权资本支持；数据中心、电力和长期设备投资拥有更长的回报周期，也需要成本更低、期限更长的资金。

资产结构变化以后，融资结构也会随之改变。

AI影响的因而不只是科技公司的技术栈，也包括它们的资产负债表。

过去衡量一家优秀科技公司，人们习惯关注研发、增长和利润率。

未来还可能需要更多关注资本开支、债务期限、设备折旧、基础设施利用率和长期现金流。

科技产业开始重新学习一套工业时代非常熟悉的金融语言。

08

谁控制基础设施，谁就更接近产业权力中心？

基础设施不仅决定AI产业在哪里落地，也会影响产业链上的利润分配。

先进GPU、大规模高速网络和电力容量如果长期稀缺，拥有这些资源的一方就会获得更强的议价能力。

Microsoft、Amazon和Google因此占据特殊位置。

它们既拥有模型能力，也拥有云基础设施；既可以做AI产品，也可以向其他公司出售计算能力。

AI产业逐渐形成更加清楚的纵向分层。

上层是应用和服务，中间是模型，下面是云和计算平台，再往下则是芯片、数据中心和能源。

未来最大的利润究竟留在哪一层，现在还没有答案。

如果基础模型之间的能力差距不断缩小，价值可能向应用和客户关系转移；如果算力长期稀缺，基础设施一侧的议价能力则会增强。

模型层能否继续获取高额回报，则取决于少数公司能不能建立足够明显的技术和生态优势。

AI产业接下来最值得观察的，已经不只是每一层能增长多少，而是价值和利润如何在不同层级之间重新分配。

基础设施一旦成为稀缺资源，它就不再只是技术后台，而会进入产业权力中心。

09

效率革命，为什么不会让AI重新变回传统软件？

DeepSeek已经证明，算法和工程创新能够显著降低单位计算成本。

未来芯片性能还会继续提高，模型架构会持续优化，小模型也会承担更多任务。

但效率革命并不是AI资本密集化的反面。

它真正改变的，是单位智能的生产成本，而不是整个社会对智能的需求上限。成本越低，过去无法成立的应用越可能进入商业现实；Agent、机器人、自动驾驶以及更多行业应用，也会把智能进一步嵌入生产和生活。

因此，AI可能形成一种与传统软件不同的产业结构：单位智能越来越轻，生产智能的总体基础设施却越来越重。

效率提升不仅不会自动终结资本密集化，反而可能通过扩大智能的使用边界，带来对芯片、电力、数据中心和资本更大的总需求。

技术进步降低的是智能的价格，却可能扩大整个智能产业的规模。

10

AI重写的，是科技产业的生产方式

过去几十年，我们习惯把软件和工业放在两个世界里。

一个世界依赖代码、人才和知识，另一个世界依赖土地、机器和能源。前者被认为轻，后者被认为重。

AI开始让这条边界变得模糊。

模型和算法依然决定技术高度，但它们需要更强大的物理基础设施承载。芯片、电力、数据中心和长期资本不再只是后台资源，而开始直接影响一家科技公司的竞争能力。

这不是软件简单变成了工业。

而是软件第一次需要依靠工业级基础设施，持续生产一种新的商品——智能。

相应地，评价科技公司的方式也会发生变化。

高毛利依然重要，但资本回报率会获得更高权重；技术能力依旧重要，资产负债表和基础设施调度能力也会进入核心竞争。

科技公司不会因此变成传统制造企业。

更准确地说，它们正在形成一种新的混合结构：前端仍然保留软件和算法的高扩展性，底层却需要工业级资本投入。

过去的软件革命告诉我们，一套代码可以服务全世界。

AI时代可能依然是一套模型服务全世界，但为了让这套模型不断产生智能，企业必须持续组织芯片、电力、数据中心和资本。

所以，AI产业眼下最值得关注的变化，并不是模型又增加了多少参数，也不是哪家公司再次刷新了榜单。

更基础的问题是：为了生产下一单位智能，企业究竟需要投入多少现实世界的资源？

这个问题最终会决定AI公司的资本回报、产业壁垒，也会影响谁控制底层基础设施，谁拥有上层创新机会，以及未来的产业价值究竟留在哪里。

智能可以存在于云端，但支撑智能的世界，依然有重量。