从 2024 年到 2029 年，全球 AI 产业链的累计资本支出（涵盖芯片、服务器、光通信、电网建设及发电机组等）将达到约 11 万亿美元。在这 11 万亿的基建狂潮中，即便科技巨头将全部经营现金流（约 6 万亿美元，占 54.5%）用于再投资，仍有超过 5 万亿美元（占 45.5%）的资金缺口必须通过信贷市场举债来解决
这场 AI 竞赛，表面上争的是模型能力，底层争的却是资本、能源和算力。真正值得警惕的，不只是科技公司会投入多少钱，而是如此巨大的投入将如何改变整个社会的资金价格和资源分配。
SemiAnalysis 创始人 Dylan Patel 给出的预测是：2024 年到 2029 年，全球 AI 产业链累计资本支出约为 11 万亿美元。即使科技巨头把约 6 万亿美元经营现金流全部投入其中，仍有超过 5 万亿美元需要依靠信贷融资。
我的判断是，如果这组数字大体成立，AI 就不再只是一个高增长行业，而会成为全球资本市场新的定价中心。
算力正在向极少数实验室集中
Patel 预计，到 2028 年，OpenAI 和 Anthropic 可能获得全球 70%至80% 的增量算力，合计规模超过 100 吉瓦。
这个判断不能只看电力规模。新部署的芯片每瓦性能可能是上一代的数倍，因此头部实验室占据的虽然是“增量算力”，实际掌握的却可能是更高比例的有效计算能力。
集中化背后有一套清晰的经济逻辑。领先模型的变现效率更高，实验室便能以更高价格购买算力；更多算力又能帮助它们训练更强模型，进一步扩大收入和能力差距。这是一个不断自我强化的循环。
云厂商、数据中心运营商甚至拥有强大资产负债表的新玩家，也会成为这个循环的一部分。它们可以先建设算力，再判断是留作自用，还是高价租给出价最高的前沿实验室。
所以，未来算力的所有权未必全部登记在两家实验室名下，但最终服务对象和价值归属仍可能高度集中。
实验室经济模型已经发生变化
一年前，市场还在怀疑大模型能否赚钱。模型服务的收入甚至不足以覆盖推理成本，实验室主要依靠外部资本维持扩张。
现在，Patel 给出的情况已经不同。算力基础成本约为每兆瓦 1000 万至1500 万美元，而 Anthropic 的收入产出已达到每兆瓦 5000 万美元，并可能继续上升。
一旦头部模型能够把一单位算力转化为数倍收入，原来的算力成本就不再是市场价格的锚。数据中心拥有者会要求分享这部分超额收益，算力租金、芯片价格、存储器价格以及能源设备价格都会随之上涨。
这也解释了为什么供应链扩张没有想象中那么快。资本可以迅速发现利润，却无法立刻制造更多光刻机、光学系统、发电机组、电网和数据中心。需求信号要经过很长的产业链才能转化为真实产能。
高回报行业会抬高全社会的资金成本
AI 基建最深远的影响，可能发生在信贷市场。
如果数据中心和前沿实验室能够承受 8%甚至更高的融资成本，资金自然会从回报较低的领域流向 AI。房贷、市政债券、传统制造业、中小企业和高负债公司，都必须用更高利率与它竞争。
这不是简单的“科技公司多借了一些钱”。当融资缺口达到数万亿美元，新增需求足以改变整个市场的信用利差。科技巨头多支付的利息，最终可能变成其他借款人共同面对的新价格。
传统资产也会因此承压。公用事业、消费品、铁路等企业的价值，主要来自长期而稳定的现金流。当折现率从较低水平上升到 8%甚至10%时，这类远期现金流的现值会明显下降。
风险最大的可能不是拥有 AI 产业和税基的国家，而是债务沉重、依赖短期外债展期、又没有参与 AI 产业链的经济体。它们既分享不到 AI 的高回报，又必须承受全球融资成本上升的后果。
更多算力未必会变成更多外部服务
一个容易被忽略的判断是：未来新增算力未必主要用于向用户出售 Token，反而可能越来越多地回流到实验室内部。
外部推理可以立即产生收入，但本质上仍是线性变现。内部研发如果能改善下一代模型、加速代码和架构迭代，甚至形成模型帮助研发模型的闭环，实验室认为它带来的长期价值可能远高于当期收入。
因此，实验室只需要保留足够的推理算力来产生现金流，支撑更大的研发集群。剩余算力则会被投入研究、实验、合成数据和下一代模型训练。
这意味着一个反直觉的结果：模型能力越强、外部需求越旺盛，头部实验室反而越有动力把最稀缺的算力留在内部。算力不只会集中，能力进步本身也可能变得更加封闭。
真正的约束来自现实世界
如果只看资本回报率，资源似乎应该无限涌入 AI。但现实中，电力、芯片设备、数据中心建设周期和融资能力都会限制扩张。
政治约束同样真实。数据中心消耗电力、土地和公共资源，也会推高其他行业的融资成本。当越来越多居民、企业和政府感受到挤出效应，监管阻力必然上升。
所以 AI 不太可能沿着一条光滑的指数曲线发展。技术能力、资本冲动、供应链瓶颈、信贷市场和政治反应会不断拉扯。即使模型本身具备快速进步的条件，整个经济体系也未必允许它全速前进。
最终问题是权力如何分配
算力集中并不只是产业格局问题。如果 AI 能够承担越来越完整的知识工作，那么算力实际上就是一种可以迅速复制的劳动力。
训练模型具有强烈的规模经济：一次投入形成的能力，可以在海量任务中反复使用。领先模型又能帮助研发下一代模型，并从更广泛的部署中获得数据和反馈。这些机制都在奖励领先者，而不是缩小差距。
因此，最值得关注的不是未来究竟由哪家公司领先，而是我们是否正在把越来越多的计算能力、研发能力和等效劳动力集中到极少数机构手中。
市场机制原本依靠分散决策提高效率，但当最强模型、最多算力和最高资本回报互相强化时，市场本身也可能推动极端集中。政府干预可以减速，却未必天然带来更合理的权力分配。
在我看来，11 万亿美元资本开支只是这个问题最醒目的数字。它真正揭示的是：AI 正在从一个技术变量，变成决定利率、资产价格、产业资源乃至社会权力结构的基础变量。
我们不能只问模型还会强多少，也要问建设这些模型的钱从哪里来，谁因此失去资金，算力最终掌握在谁手中，以及整个社会要为这种集中支付什么代价。