高盛不是在预测AI，它是在为7.6万亿美元找钱
高盛研究报告《借力AI重塑实体经济》解析读完高盛最新发布的《Harnessing AI for the Real Economy》，我脑子里留下的第一个问题，不是AI会不会改变世界，而是：在AI真正改变世界之前，谁会先收到钱？ 答案几乎已经写在报告里。 芯片公司先卖出GPU，数据中心先获得租约，电力设备商先拿到订单，机器人公司先完成融资，私人信贷先收取利息，投行先设计交易结构。至于企业能不能因此提高生产率、AI产品能不能形成稳定利润、机器人能不能比工人更便宜，那是资本部署以后才需要回答的问题。 这正是这份34页报告最值得读、也最容易被忽略的地方。 高盛估算，2026年至2031年，全球围绕AI计算硬件、数据中心和新增电力的投入可能达到7.6万亿美元。这个数字相当于在短短几年内，再造一套横跨芯片、机房、电网、能源和工业设备的庞大基础设施。 但报告并没有证明，终端客户已经准备好支付同等规模的费用；也没有证明，AI创造的收入和成本节约能够覆盖折旧、用电、维护、融资和技术淘汰。 换句话说，AI产业目前最确定的不是利润，而是账单；最先兑现的不是生产率，而是资本开支。 这不是一个细节，而是理解未来十年AI产业、就业、资本市场和中国制造业命运的钥匙。 先看这个最吸引眼球的数字。 高盛把7.6万亿美元拆成三部分：约5.10万亿美元用于计算硬件，占67%；约2.15万亿美元用于数据中心，占28.2%；约3580亿美元用于新增电力，占4.7%。报告预计，相关年度资本开支将从2026年的约7650亿美元增加到2031年的约1.64万亿美元，年复合增长率约16.5%。 乍看之下，这是一个关于AI需求的宏大预测。 但仔细阅读高盛公开的方法说明就会发现，它首先是一套供给侧反推模型：以英伟达未来数据中心收入预期作为各类AI加速芯片部署量的代理，假设英伟达约占总计算支出的75%，再根据芯片数量、节点成本、功耗、数据中心能效指标PUE、单位造价和新增电力成本，反推出承载这些芯片需要多少机房、冷却和电力。 这套模型实际回答的是：如果市场预期中的芯片销售全部实现，我们需要花多少钱把它们装进去并让它们运转？ 它没有直接回答另一个更重要的问题：谁会为这些算力持续付费？ 一家云厂商买了10万块GPU，只能证明它发生了资本开支，不能证明10万块GPU都能获得足够高的利用率。一座数据中心建成，只能证明资产可以通电，不能证明客户会以足以覆盖资本成本的价格长期租用。一家企业启动100个AI项目，也不能证明其中有10个能够进入生产环境。 芯片销售预期，不等于AI终端需求；AI终端需求，不等于商业收入；商业收入，不等于自由现金流。 而资本市场最容易犯的错误，恰恰是把这四件事写在同一条向上的曲线上。 7.6万亿美元还对几个变量高度敏感。 GPU的经济寿命究竟是三年、五年还是七年？旧GPU能否转去承担低时效推理、合成数据和边缘任务？定制芯片会减少总支出，还是因为计算更便宜而刺激更大需求？算法效率提升能否快过智能体调用量的增长？已经宣布的数据中心项目，有多少会因为电力、许可、客户或融资问题延期甚至取消？ 只要其中一个关键假设改变，7.6万亿美元就可能明显上调或下调。 所以，它不是写在未来资产负债表上的确定数字，更像一张在特定假设下测算出的最大建设账单。 问题在于，一个足够巨大的数字一旦被反复引用，就会反过来影响现实。企业担心错过AI，扩大采购；地方政府担心错过产业，规划算力中心；资本担心错过收益，追逐数据中心和电力资产；供应商再把这些投资计划当成需求证据。 预测由此参与制造了它所预测的未来。 这并不意味着高盛的判断是错的。 恰恰相反，这份报告最有价值的地方，是它从投行而不是实验室的视角，把AI的下一阶段说透了：AI已经不再只是一场模型竞赛，它正在变成一场现实世界的资本重组。 芯片需要预付款，数据中心需要土地和建设贷款，电力项目需要长期合同，机器人需要设备融资，云服务需要租赁和资产证券化。技术企业开始面对过去只有能源、通信、航空和基础设施行业才熟悉的问题：期限、抵押物、残值、利用率、利率、租约、项目现金流和违约风险。 但读者也必须知道这份报告站在哪里。 报告末页明确说明，它由Goldman Sachs Investment Banking制作，不是Goldman Sachs Global Investment Research的研究产品，也没有承诺对全部公开信息进行独立核验。 报告的叙事路线非常清晰：先证明AI资本需求巨大，再说明企业资产负债表无法独立承接，随后展示投资级债券、私人信贷、项目融资、资产支持证券、商业地产抵押贷款证券、保险资本、主权财富基金、售后回租和GPU抵押融资如何共同填补缺口。 而这恰好是投行最擅长、也最希望扩大的一组业务。 这不是指控，而是阅读任何产业报告都必须具备的基本能力：不要只看作者说了什么，还要看作者处在交易链的什么位置。 一家芯片公司发布的报告，会强调算力需求；一家云厂商发布的报告，会强调AI采用；一家咨询公司发布的报告，会强调组织转型；一家投行发布的报告，自然会强调资本缺口和金融结构。 高盛不是单纯在预测7.6万亿美元，它也在告诉全球资本：这里可能出现一生一次的融资机会。 真正值得警惕的，不是投行希望做生意，而是市场可能把“需要融资”误读成“值得投资”。 需要大量资本的行业，未必是高回报行业。航空、通信、铁路和新能源都改变过世界，但它们也都曾制造过巨额过剩、价格战、破产和资产减值。 技术革命一定会创造赢家，却从不保证所有为革命修路的人都能赚钱。 AI资本链条存在一个极不对称的时间结构。 上游的收入今天确认，下游的生产率明天验证。 芯片公司交付设备就可以确认收入；建筑商完成机房就可以收到工程款；电力设备商交付变压器和开关设备就可以回款；债权人从贷款发放后开始计息；投行在融资完成时获得费用。 但真正为整条产业链提供最终偿付能力的，是企业客户未来能否用AI多卖产品、少花成本、提高质量或缩短周期。 如果生产率兑现需要五年，而GPU三年就失去经济竞争力，风险落在资产持有人身上。 如果数据中心贷款期限是十年，而主力客户三年后迁移到更便宜的芯片或区域，风险落在项目融资方身上。 如果企业为了“不能错过AI”提前签署算力合同，却迟迟无法把试点部署到核心流程，风险最终落在企业股东和员工身上。 这就是AI时代最需要警惕的错配：技术迭代按月计算，芯片折旧按年计算，电网建设按十年计算，而投资者的耐心往往按季度计算。 四套时钟同时运转，却没有任何一套保证彼此同步。 因此，AI泡沫最可能出现的地方，不一定是模型能力本身，而是现金流兑现速度慢于资产折旧和债务到期速度的地方。 AI完全可能真的改变世界，同时让一批追逐AI的投资者亏钱。 互联网是真的，2000年的大量互联网估值也是泡沫；铁路是真的，历史上的铁路债务危机也是真的；光纤最终成为数字经济基础，铺设光纤的许多公司却没能活到需求成熟。 “技术是不是革命”和“当前价格是否合理”，从来是两个问题。 过去二十年，企业软件最舒服的商业模式，是按账号收费。 企业有1万名员工，就购买1万个账号。员工是否每天使用、是否真正创造价值，并不直接影响软件公司的当期收入。新增员工意味着新增席位，组织规模扩大意味着软件收入自然增长。 智能体正在破坏这套逻辑。 当一个智能体可以执行过去由10名员工分别完成的资料收集、信息录入、初步分析和报告生成，客户为什么还要购买10个账号？当用户只需要描述目标，智能体就能跨多个系统完成任务，客户为什么还要为每一个软件界面分别付费？ 未来，企业软件会被迫回答一个过去可以回避的问题：你究竟完成了多少工作？ 这意味着软件价值不会消失，但收费依据会改变。 定价权可能从“拥有多少功能”迁移到“完成多少任务”，从“多少人登录”迁移到“产生多少结果”，从“谁控制界面”迁移到“谁控制数据、权限、工作流和责任闭环”。 软件行业真正的危机，不是AI会写代码，而是AI让客户发现，很多软件长期收取的不是价值费，而是组织规模税。 最危险的是一类夹在中间的公司：它没有专有数据，没有关键工作流入口，无法对业务结果负责，只是在通用模型外面加一层界面。模型越强，它的功能越容易被复制；推理调用越多，它的成本越高；客户员工越少，它能出售的账号越少。 它会同时遭遇功能商品化、席位缩水和毛利率下降。 相反，掌握行业对象、客户历史、权限体系、审批逻辑和交易记录的企业软件，可能因为模型越来越便宜而变得更强。模型负责生成，软件负责知道“谁可以做什么、在什么条件下做、做完如何记录、出错由谁负责”。 所以，软件没有死亡。正在死亡的，是“增加几个AI按钮，就继续按人头涨价”的幻想。 高盛报告中最被低估的判断，不是7.6万亿美元，而是工业AI的五个胜负条件：物理规律、专有数据、边缘部署、可认证性，以及与现有工作流的整合。 互联网AI可以在发布会上犯错，工业AI不能。 一段错误文案最多导致返工；一套错误控制指令可能损坏设备、污染一批产品，甚至造成人身伤害。语言模型可以用“看起来合理”获得高分，工业系统必须在高温、粉尘、振动、断网、传感器漂移和设备老化的环境中长期运行。 工业AI最难的部分，往往不是模型，而是那些不适合出现在演示视频里的脏活：清洗传感器数据，接入20年前的设备，处理不同厂商协议，标记异常工况，重建工艺约束，设计人工接管，完成安全认证，明确事故责任。 这也是为什么西门子收购Dotmatics、Synopsys收购Ansys、Emerson整合AspenTech具有更深的含义。它们争夺的不是一个聊天机器人入口，而是从设计、仿真、工艺、生产到维护的完整工具链。 未来工业AI最大的护城河，可能不是最强的通用模型，而是三类别人很难复制的资产：多年积累的失败数据，现场专家没有写进手册的隐性知识，以及可以持续记录“状态—行动—结果”的闭环系统。 这也决定了数字孪生的真假。 真正的数字孪生不是一套三维大屏，而是一个持续接收现实状态、推演不同决策、影响现实系统，再用结果纠正模型的闭环。只有模型，没有实时数据，它只是数字模型；只有可视化，没有决策接口，它只是高级看板；只有预测，没有反馈校准，它只是一场昂贵演示。 物理世界不会因为PPT写着“智能制造”就自动被数字化。 报告预计，人形机器人市场可能从2025年的约2万台增长到2035年的约140万台。 这个数字非常适合登上新闻标题，也非常容易脱离商业条件。 Figure与宝马披露，机器人在宝马工厂累计运行1250多个小时，装载超过9万件零件，参与3万余辆X3的生产。这是值得重视的工程进展，但它证明的主要是机器人能够在相对受控场景中完成钣金件取放。 公开信息并没有完整回答：现场究竟部署了多少台机器人？人工接管率是多少？故障间隔多长？一项任务迁移到另一条产线需要多久？设备售价、维护、保险和安全改造合计多少？与固定机械臂、专用自动化和人工相比，总拥有成本究竟如何？ “参与生产3万辆汽车”和“独立生产3万辆汽车”，是两件完全不同的事。 人形机器人行业目前最常见的传播技巧，是用累计动作量代替单位经济性，用实验室能力代替生产可用性，用融资额代替客户收入，用远期产量代替当前订单。 真正决定商业化的，不是机器人能否走路、翻跟头或叠衣服，而是六个枯燥指标：每个有效工作小时成本、设备利用率、故障间隔、人工接管率、任务迁移时间，以及合同期限能否覆盖设备回收周期。 机器人即服务也不会消灭风险。它只是把客户的一次性设备投入，转化为运营商的资产负债表压力；把设备残值、闲置率、维护和技术过时风险，从工厂转移给机器人公司及其融资方。 未来几年，真正先产生大规模价值的，很可能不是最像人的机器人，而是最不像人的专用设备：机器视觉、AI质检、预测性维护、自动分拣、自主移动机器人、自动导引车、无人矿卡和特定工序自动化。 人形是传播优势，不一定是经济优势。 AI产业有一个反直觉事实：在高盛测算的7.6万亿美元中，新增电力投资只占约4.7%，却可能决定其余95%的资本能不能工作。 芯片可以买，电力不能下载。 主要数据中心市场的并网等待可能达到8至12年。GPU可能两三年更新两代，数据中心需要两至四年建设，输配电设施、大型变压器、燃气轮机和核电项目需要更长时间。 等电网终于接通，最初规划安装的芯片可能已经失去经济竞争力。 国际能源署预计，全球数据中心用电量将从2024年的约415太瓦时增加到2030年的约945太瓦时，超过翻倍。它在全球用电量中的比例仍不到3%，但数据中心高度集中，增长速度远快于局部发电和输电设施，压力不会平均分布。 对一个国家而言，3%可能可控；对一座电力已经紧张的城市而言，一个超大规模数据中心可能直接改变区域能源价格、工业用电分配和基础设施规划。 水资源、液冷系统、变压器、开关设备、天然气轮机、建设许可和现场施工能力，都可能成为比GPU更稀缺的资源。 更难快速扩充的是人。 报告预计，仅美国电力与电网价值链到2030年就需要新增50多万名员工，而电工、控制工程师、核电技术人员和大型设备维护人才往往需要三至四年培养。 资本可以在一天内完成转账，却不能把四年的能力形成压缩成四个月。 这意味着AI进入实体经济后，企业最关键的竞争不再只是抢算法工程师，也包括抢电气工程师、自动化人才、工业数据工程师、安全专家、设备维护人员和既懂工艺又懂AI的现场集成人才。 未来真正稀缺的资产，可能不是一块写着“数据中心规划”的土地，也不是一批没有客户的GPU，而是已经通电、具备冷却条件、拥有长期客户、取得许可，并且有人能够维护的运营能力。 当AI需要7.6万亿美元，它就不可能只是一门技术生意。 投资级债券、私人信贷、项目融资、资产支持证券、商业地产抵押贷款证券、保险资本、主权财富基金、售后回租和GPU抵押融资，正在进入同一条产业链。 这会加速建设，也会创造新的系统性脆弱点。 GPU是一种奇怪的抵押品：物理寿命可能很长，经济寿命却可能很短。新一代芯片如果在每瓦性能和每美元性能上大幅提高，旧GPU仍然可以运行，却可能无法按原价格出租。 贷款期限如果长于设备的竞争力周期，债权人最后拿到的可能是一批功能正常、经济价值却快速缩水的机器。 数据中心也并非天然安全的房地产。没有确定电力接入、冷却设计无法承受下一代机架密度、主力租户拥有退出权、地区水资源受限，或客户算力路线变化，都可能让看似长期的基础设施迅速变成搁浅资产。 更值得警惕的是循环融资。 芯片企业和大型平台投资AI实验室，实验室再承诺购买芯片与云服务；这些采购合同成为新型云服务商和数据中心的融资依据；数据中心订单又反过来证明芯片需求旺盛。 同一笔资本可能同时被呈现为融资增长、芯片订单、云收入预期和数据中心现金流，而链条末端并没有出现足够多独立付费的终端客户。 只要资金持续进入，这套结构看起来非常繁荣；一旦终端收入增长慢于债务和折旧，所有人会突然发现，产业链中的“需求”有一部分来自产业链自己。 报告自身也提供了一个颇具意味的口径案例。报告称高盛参与了Alphabet约900亿美元的股权融资，但Alphabet向美国证券交易委员会提交的文件显示，已经完成的公开普通股、私募配售和强制可转换优先股净融资合计约496亿美元，另有400亿美元ATM（随行就市增发）额度尚未使用。 所谓“约900亿美元”，更接近已完成融资与未来可用额度的合计，而不是已经到账的现金。 这未必是事实错误，却说明在AI资本叙事中，计划投资、融资容量、已签合同、在建项目和已经产生收入，经常被放在非常接近的位置，最终在传播中被压缩成同一个词：规模。 规模越大，故事越容易成立；但偿债依靠的不是故事，而是现金流。 如果AI从软件走向实体经济，中国的相对优势会明显上升。 中国拥有规模巨大的制造业体系、密集的零部件供应链、工程人才、工业场景、物流网络和持续压缩成本的能力。电机、减速器、传感器、电池、机器视觉、汽车电子、工业自动化和机器人本体，可以在相对集中的产业网络中快速迭代。 中国模型的低成本也会放大这一优势。 当通用智能越来越便宜，企业的竞争重点就从“谁能调用最强模型”，转向“谁能把智能嵌入最多设备、最多流程和最多真实交易”。 中国真正有机会建立的，不只是一个更便宜的模型产业，而是一套更低成本的智能制造操作体系。 但最危险的误判，是把美国的算力扩张完整复制一遍。 地方政府、产业基金和国资平台很容易围绕算力中心、机器人产业园、数据基地和示范工厂展开竞赛。每个项目在立项时都有宏大需求预测，真正运营后却可能面对客户不足、利用率偏低、芯片过时、能源成本过高和同质化竞争。 当所有地区都把“建设能力”当成产业能力，重复建设就会成为最隐蔽的风险。 中国企业最需要警惕四个陷阱：把Token处理量份额当成商业份额，把机器人出货量当成客户价值，把算力规模当成AI能力，把政府示范项目当成可持续需求。 低成本也不自动等于高利润。如果模型、机器人和算力服务都进入价格战，技术红利可能迅速转化为客户红利，却无法转化为企业自由现金流。 中国最优的路径，不是与美国超大规模云厂商比较谁投入更多，而是利用制造业场景，率先证明AI能够降低每件合格产品成本、减少停机时间、提高良率、降低每吨能耗、缩短交付周期。 美国可能先建立最昂贵的AI基础设施，中国则有机会先证明AI怎样在现实世界里赚钱。 前提是不要在证明生产率之前，先陷入基础设施军备竞赛。 人们讨论AI与就业时，通常想象一个戏剧性时刻：公司宣布引入AI，同时裁掉数千人。 现实可能更安静，也更深远。 企业不一定马上解雇现有员工，但可能停止招聘新人；不一定直接取消一个部门，但可能要求同样人数承担更多工作；不一定删除岗位名称，却会把岗位内部60%的任务交给智能体。 AI对劳动力市场最先产生的影响，可能不是存量就业突然崩塌，而是新增岗位减少、初级岗位消失和职业入口变窄。 这比一次性裁员更难被统计，也更容易被忽视。 初级分析师、初级程序员、招聘助理、客服、文案、运营和行政岗位长期承担两项功能：完成大量标准化工作，同时为新人提供学习复杂任务的入口。 如果企业只自动化初级工作，却没有重建人才成长路径，它会在短期降低成本，在三到五年后发现自己失去了中高级人才的内部供给。 更大的矛盾是，AI系统需要员工贡献流程知识、异常案例和隐性经验，但如果员工相信贡献知识的结果就是被替代，他们最理性的选择可能是保留知识、降低合作、拒绝纠错。 企业越高调宣称“用AI降本裁员”，越难获得训练AI所需要的真实知识。 这也是许多管理者尚未看见的悖论：组织信任不是AI转型的软性附属品，而是数据质量和系统效果的生产要素。 对人力资源部门而言，真正的任务不再是组织几场提示词培训，而是重新回答五个问题：哪些任务可以完全自动化？哪些只能由AI增强？哪些必须保留人的判断和法律责任？员工与智能体组成的新团队如何分工和评价绩效？当初级任务消失后，未来专家从哪里成长出来？ AI先替代的可能不是某一个人，而是企业过去对“岗位”的整套理解。 资本市场喜欢线性故事：投入更多算力，获得更强模型；部署更强模型，得到更高生产率；生产率提高，形成更多利润。 现实不是这样。 通用技术通常存在生产率J曲线。企业在早期要支付数据治理、流程重构、系统集成、员工培训、风险控制和组织调整成本，短期效率甚至可能下降，之后才逐步释放价值。 购买模型只需要几天，改变流程可能需要一年；部署一个智能体只需要几周，重新划分权责可能需要更久；技术可以被强制上线，信任不能。 大量AI项目的问题不是模型不够强，而是没有业务基线、没有明确责任人、没有生产环境数据、没有异常处理机制，也没有停止条件。 企业同时启动几十个试点，每个部门都能展示一个漂亮Demo，但没有人回答：项目上线后每月节省多少成本？质量是否提高？错误由谁承担？人工复核是否吞掉了全部效率？推理成本是否随着使用量上升？ 真正的AI转型，不是把AI加入现有流程，而是重新设计流程。 如果一个流程原本需要12次审批、7次数据录入和4个系统之间人工搬运，最差的做法是用AI加速这套低效流程。最好的做法是先取消不必要的步骤，再决定哪些由智能体执行、哪些由人判断。 AI不会自动治愈管理问题。它只会让好流程更快，也让坏流程更快地制造错误。 如果高盛对AI进入实体经济的大方向判断正确，真正的赢家未必是今天声量最大的公司。 第一类赢家，是掌握“现实入口”的企业。 它们控制工业设备、能源接口、交易系统、客户关系、权限体系或关键工作流。模型可以替换，但现实入口很难替换。 第二类赢家，是拥有专有反馈数据的企业。 互联网公开数据会逐渐商品化，真正稀缺的是企业在运营中持续产生的“状态—行动—结果”数据。谁知道某种材料在什么工况下会失败、某类客户在什么条件下会流失、某台设备在出现什么信号后会停机，谁就拥有更难复制的能力。 第三类赢家，是能够证明单位经济性的企业。 不是“使用了AI”，而是每次任务毛利为正；不是“部署了机器人”，而是每个有效工作小时成本低于替代方案；不是“建成数据中心”，而是通电率、出租率、客户质量和债务覆盖率足够稳健。 第四类赢家，是有资本纪律的企业。 它们不会因为一个宏大预测就无限扩张，而会让资产期限、客户合同、技术寿命和融资期限相互匹配；不会把签约额当收入，也不会把融资额度当现金。 第五类赢家，是能够重建组织的人。 当模型能力逐渐普及，企业之间的差距将更多来自谁能重新设计岗位、迁移隐性知识、建立人机协作、形成信任，并让一线员工真正采用系统。 相应地，最危险的也不是“没有AI”的企业，而是三类看起来非常AI的企业。 第一类，长期借款购买快速折旧的GPU，却没有稳定客户和最低使用承诺。 第二类，把通用模型包装成应用，却没有专有数据、工作流控制和客户结果。 第三类，同时开展大量AI试点，却没有清晰回报、责任人和停止机制。 它们拥有最完整的AI叙事，也可能拥有最脆弱的现金流。 高盛看对了一件极其重要的事：AI正在离开聊天框，进入数据中心、电网、工厂、仓库、矿山、实验室、机器人和企业核心流程。 下一阶段的竞争，不再只是模型参数和排行榜，而是谁能获得能源、谁能控制现实设备、谁能沉淀专有数据、谁能重构组织、谁能承担漫长的资本回收周期。 但高盛没有证明另一件事：7.6万亿美元资本开支必然获得合理回报。 技术可以提前部署，真实需求不能；机房可以提前建成，客户现金流不能；融资可以把风险推迟，却不能把风险消灭。 AI产业现在最宏大的叙事，是生产率；最庞大的现实，却是资本开支。 未来几年真正需要观察的，不是谁宣布了更大的模型、更多的GPU和更远期的数据中心，而是五个朴素指标：AI付费收入、生产部署率、每项任务毛利、资产利用率，以及客户是否愿意持续续约。 如果这些指标增长得比折旧和债务更快，7.6万亿美元将成为新工业革命的基础。 如果它们增长得更慢，一部分AI基础设施就会成为这个时代最昂贵的过剩资产。 因此，真正值得争论的已经不是“AI是不是泡沫”。 更准确的问题是：AI创造的生产率，最终会流向员工、企业客户、芯片公司、能源公司，还是金融资本？ 谁先拿到钱，已经越来越清楚。 谁最后买单，故事才刚刚开始。 资料说明：本文依据高盛《Harnessing AI for the Real Economy》及其公开方法说明，并结合国际能源署、Figure、Alphabet公开监管文件和生产率J曲线相关研究进行交叉分析。报告中的7.6万亿美元、人形机器人规模等均属于情景测算或预测，不代表确定结果。
