AI算力不是一轮硬件行情，而是一条基础设施资产化链路

真正的预期差不只在 GPU 和模型，而在一笔 AI 资本开支最后会变成现金流，还是变成折旧。

【WebX新资产系列｜AI算力 01】

如果只看行情，AI 算力这条线很容易被讲得很热。

谁离 GPU 更近，谁的订单更弹，谁的产品更“纯”，谁还没被资金轮到。这样的讨论当然有市场意义，它能解释短期注意力怎么移动，也能解释为什么某些环节会被反复交易。

但我现在更想把问题往后推一步。

一笔 AI 基础设施预算投下去以后，最后到底留下了什么？

这不是一个修辞问题，而是一道账本题。

钱先进入 GPU、服务器和网络设备，再进入机房、液冷、电力接入、运维系统和调度平台。前半段很容易被看见，因为它对应采购、交付和订单；后半段更难判断，因为它要看客户负载、合同周期、利用效率、电费、折旧和现金回收。

同样是买设备，结果可能完全不同。

一种结果是，设备被持续调用，客户愿意长期付费，收入覆盖电费、运维和折旧，基础设施能力沉淀下来。

另一种结果是，设备被买回来，机房建起来，但客户负载不够稳定，折旧先开始跑，能耗和利息压力留在账上。

这就是我认为 AI 算力不能只按硬件行情理解的原因。

它不是没有行情。它当然会有行情。

但如果只按行情看，很容易把“资本开支已经发生”误读成“资产价值已经形成”。这中间隔着一段很长的路。

> 设备不是资产，持续被客户使用的设备才开始接近资产。

这句话，是这篇文章的起点。

现象已经很热，但热的不是同一件事

AI 算力最近的热度，并不是凭空出现的。

从公开披露看，大型科技公司已经把 AI 基础设施写进了真实预算。微软在 2026 财年第三季度披露，季度收入 829 亿美元，Microsoft Cloud 收入 545 亿美元，Azure 和其他云服务收入同比增长 40%。更关键的是，它披露 AI 业务年化收入运行率超过 370 亿美元，同比增长 123%。

这组数字说明，AI 不再只是研发口径里的投入，也开始进入收入端。

但同一份财报电话会里，更值得咀嚼的是另一组数据：微软当季资本开支为 319 亿美元，其中大约三分之二用于短寿命资产，主要是 GPU 和 CPU；剩余部分用于可支撑未来十五年甚至更长时间变现的长寿命资产，包括大型数据中心站点相关租赁。

这句话比单纯的“加大 AI 投入”更有信息量。

因为它把 AI 基建拆成了两种资产命运：一类迭代快、折旧重，另一类周期长、需要长期需求验证。前者更接近设备扩张，后者更接近基础设施沉淀。两者都重要，但研究方式完全不一样。

Meta 的数据也有同样的张力。2026 年第一季度，Meta 收入 563.1 亿美元，同比增长 33%；经营现金流 322.3 亿美元，自由现金流 123.9 亿美元。与此同时，资本支出，包括融资租赁本金支付，达到 198.4 亿美元。公司还把 2026 年全年资本支出预期上调到 1250 亿至 1450 亿美元，理由包括组件价格上升，以及为未来容量增加数据中心成本。

这不是“讲故事”的热度。

这是一种真实的财务重排：收入、现金流、资本开支、折旧和未来容量，被同一条 AI 基础设施线牵到了一起。

所以市场把它看成硬件行情并不奇怪。硬件最先有订单，财报最先有收入，产业链最先能看到交付。

但硬件行情只是第一层。

如果这笔钱最后不能形成稳定负载、客户合约和可回收现金流，它就只是更昂贵的设备周期。如果它能把大模型需求、云厂商预算、机房资源、电力约束和企业客户调用串起来，它才可能成为更长期的基础设施资产线索。

这就是分歧。

市场最容易看见“买了什么”，但更难判断“留下了什么”。

事实告诉我们：预算已经从模型走向基础设施

AI 算力不是一个单点市场。

它从模型需求开始，但不会停在模型公司；它从 GPU 采购开始，但不会停在 GPU；它从云厂商资本开支开始，但最后要落到服务器、网络、数据中心、电力和客户交付。

NVIDIA 的财报给了第一层事实锚点。

NVIDIA 2026 财年第四季度披露，季度收入 681 亿美元，同比增长 73%；其中数据中心收入 623 亿美元，同比增长 75%。2026 财年全年，数据中心收入达到 1937 亿美元。

这个数字足够说明，AI 计算需求已经变成一个极大的硬件收入池。

但如果文章停在这里，又会退回最熟悉的叙事：GPU 很强，需求很旺，算力很缺。

这当然成立，却不够。

更值得往下看的，是 GPU 被放进什么样的系统里。

NVIDIA 同一份披露里提到，与 CoreWeave 合作加速建设超过 5GW 的 AI factories，到 2030 年；也提到与 Meta 的多年、多代际战略合作，覆盖本地部署、云和 AI 基础设施，包括大规模部署 NVIDIA CPU、网络以及数百万颗 Blackwell 和 Rubin GPU。

这些表述的重点，不只是芯片数量。

它说明 AI 计算开始以“工厂”的方式组织：大规模设备、网络互联、供电容量、机房密度、客户负载、长期合同和运营效率，被打包成一个系统。

Amazon 的披露进一步说明了这条线如何扩散。2026 年第一季度，AWS 销售额为 375.87 亿美元，同比增长 28%；AWS 经营利润为 141.61 亿美元。Amazon 还披露，其芯片业务，包括 Graviton、Trainium 和 Nitro，年化收入运行率超过 200 亿美元，并且同比三位数增长。

更具体的是，Amazon 披露过去 12 个月落地超过 210 万颗 AI 芯片，其中超过一半是 Trainium；同时宣布从 2026 年开始部署超过 100 万颗 NVIDIA GPU。OpenAI 承诺通过 AWS 基础设施消耗约 2GW 的 Trainium 容量，Anthropic 也披露与 Amazon 扩大合作，锁定最高 5GW 的训练和部署容量。

注意这里的单位变化。

过去我们讨论算力，常常用“多少张卡”“多少台服务器”。现在越来越多披露开始用 GW，也就是用电力容量来描述 AI 基础设施。

这不是口径变化那么简单。

它意味着算力资产的边界，已经从芯片本身推到了电力、机房、散热和集群运营。GPU 再强，如果没有足够的供电、网络和可用机房，也很难转化成可交付能力。

CoreWeave 的披露则把另一面讲得更直接。

CoreWeave 2026 年一季度收入 20.78 亿美元，收入 backlog 达到 994 亿美元，并披露已经超过 1GW active power，目标是到 2030 年超过 8GW。与此同时，公司当季净亏损 7.40 亿美元，利息费用净额 5.36 亿美元。

这组数据很有意思。

一边是近千亿美元 backlog 和快速扩张的电力容量，一边是亏损、利息和资本结构压力。它几乎把 AI 算力的正反两面摆在了同一张桌上：需求是真实的，扩张也是真实的，但重资产运营的代价同样真实。

这比单纯讨论“算力紧缺”更接近本质。

因为算力不是自然变成资产的。它要先穿过融资成本、设备折旧、客户兑现和电力约束。

数据的关键，不是越大越好，而是能不能闭环

很多时候，资本开支越大，市场越兴奋。

这不难理解。大额预算意味着订单，订单意味着产业链收入，收入又会带来新的估值想象。

但从资产角度看，资本开支不是答案，它只是起点。

一笔 AI 基础设施投入，大致会经历三个阶段。

第一阶段，是可见的采购和建设。

GPU、AI 服务器、高速互联、光模块、交换机、机柜、液冷、配电系统、备用电源、机房土建和网络改造都会进入预算。这个阶段最容易形成新闻，也最容易形成产业链热度。

第二阶段，是交付和上架。

设备到货并不等于可用。大规模集群要完成部署、调试、网络打通、供电接入、散热验证和资源调度。微软提到新 GPU 的 dock-to-live 时间在最大区域较年初缩短近 20%，这类运营指标其实很重要。它说明算力不是买来就能卖，而是要经过复杂的上线过程。

第三阶段，才是资产质量的判断。

客户是否持续调用？合同周期够不够长？单机柜功率有没有被有效利用？电费和运维能不能被收入覆盖？设备折旧会不会快于收入增长？推理负载能不能在更长时间内填满集群？

这一阶段才决定，一笔投入是变成可经营资产，还是变成账面负担。

Lenovo 的披露可以放在这个位置看。

2025/26 财年第三季度，Lenovo 基础设施方案集团收入同比增长 31% 至 52 亿美元。公司披露 AI server 业务收入实现高双位数增长，并拥有 155 亿美元 pipeline；Neptune 液冷收入同比增长 300%，原因是 CSP、企业和中小企业客户采用度提升。

这组数据不是用来讲某家公司“好不好”，而是用来说明产业链传导的形态。

AI 预算并不会只停留在 GPU。它会继续流向整机、机柜、散热、系统集成和服务化交付。液冷增长，也不是孤立技术热词，而是高密度部署之后被迫出现的基础设施需求。

如果单机柜功率上升，传统风冷难以支撑，液冷就不再只是“先进方案”，而是能否稳定交付高密度算力的条件之一。

同理，光互联也不是单独的概念。训练集群规模越大，节点之间的数据传输越频繁，网络延迟和带宽会直接影响集群效率。模型越大，算力越集中，互联越像基础设施的神经系统。

这里不能讲得太满。

不是所有液冷、光模块、IDC 或服务器公司都会自然受益；更不是所有和 AI 基建沾边的资产都能沉淀价值。很多环节只是阶段性吃到订单，未必能留下长期壁垒。

真正有意思的是那些能把交付能力、客户关系、能耗效率和现金回收串起来的环节。

换成更朴素的话：不只是完成交付，而是能不能被反复使用、持续收费、长期维护。

为什么只看 GPU 会看窄

GPU 是最显眼的入口，也是最容易被市场理解的资产符号。

这很正常。它稀缺、昂贵、技术壁垒高，需求也强。

但如果只看 GPU，AI 算力会被看短。

原因有三层。

第一，GPU 决定的是计算能力的一部分，不决定交付能力的全部。

一批 GPU 只有接入服务器、网络、存储、电力和调度系统，才能变成可交付算力。单个硬件越强，系统约束越容易被放大。芯片到货以后，如果机房没准备好，电力容量没跟上，网络瓶颈没解决，它仍然不能形成有效供给。

第二，GPU 的经济性要被客户负载验证。

训练负载和推理调用的性质不同。训练更集中、更项目化，推理更分散、更持续，也更接近真实商业使用。一个数据中心能不能成为好资产，不只取决于设备规模，还取决于负载结构能不能稳定，客户合同能不能覆盖折旧和运营成本。

第三，GPU 的收入链条最终要进入现金流。

云厂商可以提高资本开支，算力服务商可以增加集群，硬件供应商可以交付设备。但资本市场最终会问更直接的问题：这些投入带来的收入是否足够高质量？毛利率是否会被电费、折旧和利息吞掉？客户需求是否有持续性？设备代际变化会不会让上一轮投入更快老化？

这也是为什么 Meta、Microsoft、Amazon、CoreWeave 这些披露放在一起看，比单独看某一个硬件环节更有价值。

它们共同说明了一件事：AI 算力已经从技术竞争进入资本效率竞争。

谁能买到设备，只是第一步。

谁能把设备快速上线，压低单位成本，获得稳定客户负载，并把高强度投入转成可回收现金，才是后面的分水岭。

这也是我更愿意把 AI 算力看成一条基础设施资产线索，而不是一轮单纯硬件行情的原因。

这里最容易出错：把规模当成资产

AI 算力这条线最危险的地方，不是没有需求。

需求当然存在。大模型训练、推理调用、企业 AI 应用、代码生成、视频生成、机器人仿真、药物研发、工业设计，都会继续消耗算力。

真正的风险，是把需求存在直接等同于每一笔投入都能成为资产。

这一步不能跳。

规模不等于资产。

设备不等于资产。

融资不等于资产。

大订单也不等于资产。

它们只是通往资产的条件。

如果客户需求集中在少数大客户，议价权可能不在基础设施提供方手里；如果合同周期和设备折旧周期不匹配，前期收入看起来很厚，后面利润可能被折旧吃掉；如果电力接入和机房资源扩张慢于设备采购，账面订单可能变成交付压力；如果推理需求没有按预期放量，训练集群闲置时间上升，资产效率就会下降。

CoreWeave 的例子很适合作为反证观察。

它的 backlog 和 active power 说明需求和扩张都很强，但亏损、利息费用和资本结构压力也说明，重资产 AI 云不是轻松生意。它不像传统软件那样，新增收入可以低成本复制。每一轮扩张背后，都要绑定更多设备、更多电力、更多数据中心合同和更多融资能力。

这并不是否定 AI 算力。

恰恰相反，只有把反证放进来，AI 算力才值得长期研究。没有反证的热度，很容易变成口号。

从这个角度看，我会重点看几件事。

第一，资本开支有没有继续从预算穿透到真实交付。

不是只看公司说要投多少钱，而是看设备上架、机房投运、电力接入、客户负载和收入确认的节奏。

第二，云厂商和算力服务商的收入质量有没有改善。

如果 AI 业务收入增长，但毛利率持续被基础设施成本拖累，说明投入还没有完全跑通。如果收入增长同时伴随效率提升，才更接近资产质量改善。

第三，客户合约能不能变长、变稳。

算力中心最怕短周期需求和长周期折旧错配。客户合约越短，资产风险越高；客户负载越稳定，基础设施能力越容易被资本市场理解。

第四，电力和散热是否继续成为约束。

如果 AI 集群继续走向更高密度，液冷、供配电、机柜功率、园区电力和调度能力就会越来越重要。它们不是“边角料”，而是决定设备能不能持续工作的底层条件。

第五，推理需求能否接住训练之后的基础设施。

训练需求可以制造高峰，但推理调用更接近日常消费。算力资产能不能长期成立，很大程度上要看推理工作负载能不能带来持续收入。

这几件事，比短期谁涨得快更重要。

这条线为什么进入新资产框架

WebX 研究新资产，不是为了给每个热点套一个新词。

一件东西能不能进入新资产框架，至少要经历三个变化。

它先要从技术能力变成产品能力。

AI 模型需要算力，算力先表现为芯片、服务器、网络和机房。这个阶段主要是技术和供应链问题。

然后，它要从产品能力变成商业能力。

客户愿意为训练、推理、托管、调度、API 调用或企业 AI 工作负载持续付费。这个阶段看的是收入、合同、客户结构和交付稳定性。

最后，它要从商业能力变成可定价资产。

资本市场要能理解这类收入的周期、毛利、折旧、电力成本、客户集中度和扩张边界。只有到了这一步，AI 算力才不只是“设备卖得好”，而是可以被当作一种基础设施资产来研究。

这条路径现在还没有完全走完。

所以文章不能写成确定答案。

但它已经不再停留在概念阶段。微软、Meta、Amazon、NVIDIA、CoreWeave、Lenovo 这些公开披露，已经把预算、收入、订单、用电、液冷、客户合约和资本开支压力摆到了同一个平面上。

这就是它值得写的原因。

不是因为它热。

而是因为它开始出现资产形成过程中的关键变量：真实预算、真实交付、真实约束、真实风险。

我不认为 AI 算力只能被看成一轮硬件景气周期。硬件周期会有高低，订单会有节奏，供应链会有波动。但如果模型需求持续向企业应用、推理调用和产业工作负载扩散，算力基础设施就会越来越像电力、通信和云计算之后的新一层数字底座。

只是这层底座还很年轻，也很昂贵。

它需要用更多事实来验证。

这篇先落在一个判断上

这篇文章先把总判断说清楚：AI 算力不是不能按行情看，但如果只按行情看，很容易错过它更长期的资产问题。

更准确地说，AI 算力的研究重点，不应该停在“谁最热”，而应该落到一笔资本开支怎么变成可持续收入。

如果最后留下的是稳定客户、持续负载、可计量收入和可解释的现金回收，它就开始接近基础设施资产。

如果最后留下的是闲置设备、高折旧、电费压力和不稳定需求，它就只是一次昂贵扩张。

这也是我认为 AI 算力值得做成系列的原因。

它不是一个点，而是一条会不断分叉的线：GPU 只是起点，服务器、光互联、液冷、IDC、电力、调度、客户合约、折旧和现金流，都会影响最后的资产质量。

后续研究会继续观察：AI 资本开支如何向服务器、光互联、液冷、IDC、电力和调度系统传导。

更完整的样本、矩阵和验证清单，会继续保留在内部研究框架中，用于后续跟踪和复盘。

资料来源

• Microsoft FY26 Q3 earnings release and earnings conference call，2026 年 4 月 29 日。
• Meta Platforms Q1 2026 results，2026 年 4 月 29 日。
• NVIDIA FY2026 Q4 and fiscal year results，2026 年 2 月 25 日。
• Amazon Q1 2026 results and AWS AI infrastructure disclosures，2026 年 4 月。
• Anthropic and Amazon compute collaboration announcement，2026 年 4 月 20 日。
• CoreWeave Q1 2026 results，2026 年 5 月 7 日。
• Lenovo FY2025/26 Q3 financial results，2026 年 2 月。

本文仅作为产业研究、商业模式研究、公开信息整理和资产化路径分析，不构成任何证券、基金、虚拟货币或其他金融产品的投资建议，不构成买卖依据，不涉及交易撮合、账户开立、产品销售、业绩或回报保证、投资顾问服务。文中涉及的公司、项目、协议或资产类别，仅作为公开信息研究样本，不代表推荐。