在阅读此文前,为了方便您进行讨论和分享,麻烦您点击一下“关注”,可以给您带来不一样的参与感,感谢您的支持。
本文章内容均有可靠的信息来源,相关信源加在文章结
2026年11月,美国AI产业出现了一个耐人寻味的反差,科技巨头还在往数据中心里砸钱,华尔街却已经开始担心这笔钱能不能收回来。
11月13日,美联储公布的金融稳定报告显示,87%的受访市场人士将AI相关风险列为金融稳定的重要隐患。更值得关注的是,美国投入巨资争夺算力优势之际,中国企业却在用更低的成本,让越来越多的人用得起AI。
一个拼命扩大投入,一个努力压低使用门槛,这场科技竞争的较量,正在从谁拥有更多芯片,转向谁能把算力真正变成生产力。
美国的问题,不只是投资太贵
要理解这场危机,先得看清美国科技巨头究竟把多少钱压在了AI上。按照2026年第三季度财报和全年资本开支指引,亚马逊预计全年资本开支约2200亿美元,Alphabet预计1950亿至2050亿美元。
Meta预计1350亿至1450亿美元,微软则预计2026年日历年度资本开支约1700亿美元。这四家公司的全年支出规模已经达到7000亿美元上下。再加上上一年度的投入,近两年累计规模逼近1.1万亿美元。
这里面并非每一美元都用于AI,但数据中心、服务器、GPU和云基础设施已经成为投资的重要方向。
问题在于,机房不是买回来就能赚钱的设备,它需要土地,需要变电站,需要电力供应,还需要客户持续购买算力服务。任何一个环节出现延迟,前面投入的资本都可能变成暂时无法产生收入的固定成本。
Anthropic的上市文件,把这种压力展示得非常直观,这家由达里奥·阿莫代伊领导的美国AI公司,截至2026年9月及之后,已经签订约9009亿美元的采购承诺和租赁协议。
其中约4516亿美元预计在2030年底前发生,约707亿美元将在随后12个月内到期。这意味着什么?一家AI公司还在快速扩大商业规模,就已经需要为未来十几年锁定庞大的算力资源。
公司当然可以通过经营收入和融资来支付,但如果客户增长、算力需求或者融资环境出现变化,这些长期承诺就会变成沉重的约束。
更值得琢磨的是,Anthropic的财务报表显示,2026年前九个月净亏损约1040亿美元,其中约943亿美元来自可转换票据等金融工具的公允价值变动,而不是日常经营直接烧掉了这么多现金。
同期营业亏损约12.6亿美元,这组数字真正说明的,不是AI企业已经经营失败,而是估值、融资和算力扩张之间的联系越来越紧密。当企业依靠资本市场不断提高估值,再用融资锁定未来算力,整个产业就会对投资者信心变得更加敏感。
美联储11月13日发布的金融稳定报告,正好提供了另一组证据,秋季调查中,87%的受访市场人士将AI相关风险列为金融稳定隐患,春季这一比例还是50%。
这不是普通投资者在网上发几句牢骚,而是美国金融体系内部参与者对风险的集中关注。在我看来,美国AI投资最值得警惕的地方就在这里,资本可以在短时间内堆出庞大的算力规模,但不能保证所有投入都能按计划变成收入。
这也解释了为什么11月初美国AI股票遭遇抛售后,韩国半导体市场会跟着承压。11月6日,韩国综合股价指数盘中最大跌幅达到8.8%,交易所触发20分钟熔断机制,最终收跌6.02%。三星电子和SK海力士分别下跌6.4%和10.4%。
韩国半导体企业与全球AI服务器、存储器供应链高度关联,美国AI投资预期发生变化,自然会影响市场对相关订单的判断。
不过,这场调整并不意味着AI需求消失,11月17日,英伟达公布第三季度财报,营收达到1158亿美元,同比增长103%;数据中心业务营收达到1076亿美元,同比增长110%,并预计下一季度营收约1300亿美元。这份成绩单恰恰说明,AI算力需求仍然强劲。
与此同时,英伟达的领导层风波也引起市场关注。黄仁勋于11月12日辞去CEO职务,11月17日董事会明确表示不打算恢复他的CEO职位,公司继续由科莱特·克雷斯担任临时CEO。
但把个人风波直接等同于英伟达技术竞争力崩溃,显然不符合财报反映的现实。所以,真正出现裂缝的不是美国所有AI技术,而是那种只要不断砸钱、不断扩大规模,就一定能获得高回报的投资预期。
中国模型正在改变AI的成本
美国的压力已经摆在台面上,中国的机会又在哪里?关键不只是芯片,而是如何使用芯片。过去,很多人理解AI竞争,习惯先看芯片性能,再看谁拥有更多GPU。这种思路没有错,但它忽略了一个更重要的问题,同样完成一项任务,究竟需要消耗多少算力?
如果一种模型需要昂贵的硬件和大量计算资源才能完成普通企业的日常任务,另一种模型却能以更少的资源达到足够好的效果,那么后者就可能获得更广阔的市场,这正是中国模型企业不断探索的方向。
2026年9月10日,DeepSeek推出V4.1-Flash。这款模型采用5520亿参数的混合专家架构,但在不同计算阶段激活的参数分别约为80亿和160亿,同时通过优化缓存机制,降低模型运行所需的存储资源。
DeepSeek官方公布的非高峰时段API价格中,每百万Token的输入价格为0.15美元,命中缓存时仅为0.003美元,输出价格为0.60美元,高峰时段价格则为非高峰时段的两倍。
大家可能觉得,每百万Token几毛钱有什么了不起?但企业真正看重的不是单次调用便宜了多少,而是一个月运行数百万次、数千万次之后,究竟能节省多少成本。
一家企业如果要让AI处理客户咨询、整理合同、分析数据、生成代码,使用量越大,单位成本的差异就越重要。过去,AI能力越强,往往意味着企业需要承担更高的使用成本。
现在,中国模型正在尝试改变这笔账。说白了,技术再先进,如果只有少数大企业用得起,它的产业影响力就会受到限制;只有把成本降到更多企业可以接受的水平,AI才可能真正进入大规模生产环节。
这也解释了为什么开源模型值得重视,模型开放以后,开发者不必从零开始训练一套基础模型,可以根据自己的业务需求进行调整、部署和二次开发。
企业也可以将模型部署在自己的服务器上,减少对外部平台的依赖,更好地管理内部数据。这种模式的价值,不只是少付一笔API账单,而是让AI技术能够更快进入不同国家、不同行业和不同规模的企业。
2026年第三季度的全球模型使用数据,已经出现了非常明显的变化。洛伊研究所11月发布的中美AI竞争分析显示,中国模型在第三季度的Hugging Face下载量接近18亿次,美国模型约5亿次。到2026年10月26日当周,中国模型在OpenRouter平台的文本请求中占比达到55%,美国模型约为38%。
这两个数字值得重视,它们说明中国模型已经不只是实验室里的技术成果,而是在全球开发者和模型使用平台中形成了真实影响力。
但也要看到,美国模型在网站和手机应用上的全球用户触达仍然占据明显优势。洛伊研究所的同一份报告显示,美国模型在相关网站和应用使用数据中依旧领先。
因此,中国真正值得争取的,不是靠某一次测试宣布全面胜利,而是让越来越多的开发者、企业和产业用户愿意长期采用中国模型。我个人更倾向于认为,开源生态可能是中国AI产业最有价值的突破口之一。
因为芯片性能的差距,可以通过架构优化和工程创新逐步缩小;但一旦全球开发者习惯使用某套模型、工具和开发生态,形成的市场影响力就不只是一次技术升级能够替代的。
算力背后的电力和基础设施
如果说模型成本决定了AI能不能普及,那么能源和基础设施就决定了算力能不能真正建起来,这也是中美竞争中一个容易被忽略的环节。
美国拥有全球领先的芯片设计企业,也拥有亚马逊、微软、谷歌这样的云计算巨头,但这些优势不能绕开一个最基本的条件,数据中心必须有稳定的电力供应。
国际能源署在2026年发布的《电力2026》报告中预计,美国未来五年的电力需求将增加超过420太瓦时,其中数据中心预计贡献约一半的增长。换句话说,AI产业扩张不只是增加几栋服务器机房,而是在给整个电力系统增加新的负担。
问题在于,电力建设不是科技公司签一份采购合同就能完成的。变压器、输电线路、变电站、并网审批,每一个环节都需要时间。美国一些数据中心项目甚至开始考虑在公共电网之外建设临时供电设施,以绕开并网等待。
但即使选择自建电源,也无法完全摆脱发电设备和电力设备供应链的限制。这就形成了一个非常现实的矛盾,科技巨头可以提前采购芯片,可以提前租下土地,可以通过融资锁定未来算力,却不能让电力基础设施按照股价上涨的速度同步建成。
如果机房已经建好,设备已经买到,电力却没有接通,那么昂贵的GPU就无法充分发挥价值。这不是资本市场的情绪问题,而是实实在在的物理约束。
再看中国,国家统计局2026年2月公布的2025年国民经济和社会发展统计公报显示,截至2025年底,中国发电装机容量达到38.91亿千瓦,同比增长16.1%;全年发电量约10.58万亿千瓦时。
其中,风电装机容量约6.4亿千瓦,太阳能发电装机容量约12.02亿千瓦。这组数据说明,中国在能源基础设施建设和电力供给规模方面拥有坚实基础。
再加上东数西算工程持续推进,算力设施可以根据能源、土地和网络条件进行区域布局,不必所有大型机房都挤在东部人口密集地区。
当然,装机容量不等于随时可用的电力,新能源也需要储能、输电和调度体系配合。但中国长期积累的能源建设能力和制造业配套能力,确实为大规模算力建设提供了重要支撑。
这背后的差别值得琢磨,美国的科技巨头擅长调动资本,快速采购全球先进设备;中国则有机会把能源建设、设备制造、工程施工和算力部署放进更完整的产业体系中统筹。
AI竞争不是只比谁先买到芯片,芯片到了,能不能装进服务器?服务器建好,能不能及时通电?通电以后,能不能以足够低的成本持续运行?这些问题连在一起,才是一套真正有竞争力的算力体系。
中美AI竞争
把前面的变化放在一起看,这场竞争的方向就越来越清楚了,美国的优势依然非常明显。英伟达拥有先进GPU和完整的软件生态,美国科技巨头掌握大型云平台、全球客户和强大的资本市场。11月17日英伟达第三季度1076亿美元的数据中心营收,就是最直接的证明。
但美国也有自己的短板,巨额资本开支带来的回报压力,数据中心建设对电力基础设施的依赖,以及融资链条越来越复杂所带来的金融风险。
中国则走出了另一条具有自身特点的路线,先进芯片受到限制,就提高模型架构和算力使用效率;单纯依靠高价闭源服务难以形成普及优势,就扩大开源生态;模型研发完成之后,还要依托制造业、能源和企业应用场景,把技术变成真正的生产力。
这不是说中国已经解决了所有技术难题,在先进制程、顶级芯片和部分模型综合能力上,中美仍然存在差距,但问题是,技术领先并不等于所有商业场景都能形成绝对优势。
对于一家制造企业来说,它未必需要世界上最强的模型,它更关心的是能不能准确识别产品缺陷、能不能优化生产流程、能不能减少人工成本。对于一家中小企业来说,模型是否便宜、部署是否方便、数据是否安全,可能比排行榜上的几个百分点更重要。
这就是低成本模型的真正价值,如果中国企业能够把这种优势持续扩大,让更多海外开发者使用中国模型,让更多工厂、汽车、办公系统和工业设备采用中国AI技术,那么竞争就不再局限于芯片销售额和算力规模,而会延伸到整个产业生态。
而美国也必须回答同一个问题,投入了如此庞大的资本,究竟能否让AI真正创造足够的经济价值?
结语
美国砸下万亿美元级别的资本,确实建立了强大的AI基础设施,但巨额投入也带来了融资、能源和商业回报的压力。中国没有必要完全复制这条路线,而是可以继续发挥模型效率、低成本推理、开源生态和制造业配套优势。
接下来真正值得关注的,不是哪家企业又买了多少芯片,而是中国模型能否持续扩大全球采用率,能否把成本优势变成真实订单和产业生产力。
美国的算力墙还没有倒,但它已经不再坚不可摧。谁能让更多人用得起AI,谁就更有机会掌握下一阶段科技竞争的主动权。
信源:美联储重磅报告:“AI热”正推高资产估值 或对金融系统构成风险
信源:五家科技巨头财报出炉