8005 亿美元资本开支：AI 算力投入的三个换算

如果要找一个数字来代表 2026 年人工智能的投入强度，最直观的不是模型参数、不是估值，而是资本开支。

Alphabet、Amazon、Meta、Microsoft、Oracle 这五家超大规模厂商 2026 年的资本开支合计约 8,005 亿美元。这个数字需要有一点概念基础才能理解其量级：它大致相当于 8,000 亿美元，是 2022 年前繁荣周期基线水平的两倍以上，并且这些支出的主要去向不是办公楼和服务器折旧，而是为 AI 训练与推理专门建设的数据中心、供电与网络设施。

更有意思的是，不同机构用不同方法算出来的数字并不一样，而且差得不小：Moody's 的口径是 7,850 亿美元（把 CoreWeave 这类新型算力租赁商算了进去），高盛的全球口径是 1.019 万亿美元（其中美国占 5,810 亿）。

这组数字值得拆开看的地方在于：它们不只是「钱很多」，而是在回答一个具体问题——这笔钱花完之后，收益从哪里来，以及有没有人能接得住这笔产能。

一、为什么同一年的数字会差 2,000 多亿

先解释口径差异，否则后面的判断会失焦。

高盛那个 1.019 万亿美元最需要小心解读，因为它是一个推断值而不是统计值。它的做法很巧妙也很粗糙：先取 2022 年的资本开支作为「没有 AI 热潮时」的基线，然后把 2026 年超出基线的部分几乎全部归给 AI。这个方法会同时高估和低估——高估的部分是那些同期涨价的常规设备（服务器 CPU 本身在涨价），低估的部分是那些被归为「维持性支出」但实际服务 AI 的部分。所以 1.019 万亿应该被理解为量级参考，不是精确计数。

而 8,005 亿这个数字是五家公司自己给出的预算，可核查性最高。下面所有的比例分析都以它为基准。

二、季度数据：谁在加速，谁在减速

把 2026 年第一季度的实际执行数字拿出来，能看出每家的节奏完全不同。

Google 的 107% 是这组数据里最值得注意的一个：它的资本开支同比翻了一倍，而它的绝对值排第二。同时 Meta 的 45% 明显落后于同业。四个数字的差异说明了一件不太舒服的事：这已经不是一个行业性的整体趋势，而是几家公司各自在做各自判断的组合——同样的市场环境，资本投入的强度可以相差一倍以上。

把视野放到全年，四大云服务商的合计预期被上调到约 7,300 亿美元。这里有一个必须记录的细节：J.P. Morgan 追踪的 2026 年共识预期在年内从 6,500 亿美元被上调到 8,000 亿，上调幅度约 23%。年初的预测和实际投入之间差了两成多，这说明行业对需求的上修是持续发生的，而不是一次性的。

三、钱具体变成了什么：1GW 的单位经济学

把八千亿美元换算成可感知的单位，才能理解它的重量。Epoch AI 的数据集提供了一个非常有用的换算基准：建设一个 1 GW 规模的 AI 数据中心，前期资本开支约 380 亿美元，年运营支出约 9 亿美元。

也就是说，五家厂商 2026 年的全部资本开支，加起来只够建大约 21 个 1GW 规模的数据中心。这个数字之所以重要，是因为它给出了一个可以横向比较的锚：任何声称「投入巨大」的说法，都可以用「相当于多少个 1GW 中心」来校验。同样，任何声称「影响有限」的说法，也应该说明它们是分散在多少个这种规模的项目上。

还要注意 380 亿与 9 亿这个比例：前期投入是首年运营支出的 42 倍。这决定了这门生意的现金曲线形状——投入是一次性的巨额沉没成本，收益是逐年摊开的。这个结构对融资能力的要求极高，也解释了为什么这轮扩张的推动者几乎清一色是现金流稳定的大公司，而不是创业公司。

四、最关键的那个拐点：2026Q3 超过现金流

如果 8,005 亿这个数字只是「很多」，那么 Epoch AI 提出的那个比较才真正有分量：超大规模厂商的资本开支，到 2026 年第三季度将超过其经营性现金流。

这个转折点的含义需要说清楚：它意味着这些公司的资本开支预算第一次超过了自身业务产生的现金。在此之前，扩张是由利润和经营现金流支撑的，属于「用赚来的钱投资」；在此之后，扩张需要动用存量资金、举债或变卖资产。这是两种完全不同的财务状态。

把这个拐点和「四大 CSP 全年上调至约 7,300 亿」放在一起，能看到行业已经不是在选择「投不投」，而是在选择「投多快」。而一旦资本开支超过现金流，缩减投资就会从「战略调整」变成「财务事件」——这会显著改变行业的行为模式：不再有「这一轮先试试水」的选项，只有「这一轮必须跑完」的承诺。

同时要指出一个平衡的事实：数据中心投资占美国 GDP 的份额目前仍然不高，只是处于快速增长阶段。这意味着从宏观总量看，这轮投入尚不足以构成系统性风险；但从企业个体看，现金流结构的变化是实质性的。两个尺度要分开看，混在一起会得出「既危险又安全」这种无意义的结论。

五、2027 年的预测：1.2 万亿与 50% 的差距

高盛对 2027 年的预测给出了这轮扩张的终点量级：五家厂商合计资本开支将达到 1.2 万亿美元。而当前华尔街共识是 1.1 万亿。

「比 2026 年高逾 50%」这个表述值得逐字读。它意味着行业的共识预期是资本开支在 2027 年还会再涨半个量级，而这个预期是在 2026 年已经实际翻倍（Q1 同比 +45% 到 +107%）之后形成的。连续两年高速扩张且预期继续加速，是硬件供应链最舒服的处境，也是最脆弱的处境——因为它已经把未来两年的订单提前锁死了。

这组预测的真正用途，不是判断哪一家更准，而是识别「如果这个数字错了，会先在哪里出错」。答案几乎一定是需求侧：如果 AI 应用的付费转化跟不上推理成本下降的速度，最先反应的不是云厂商裁减 capex，而是新项目取消和订单延期——这部分压力会沿着供应链向上游传导，且传导有滞后。

六、这笔钱对采购方的实际含义

把宏观数字翻译成对使用 AI 的企业有用的判断，有五条。

第一，推理价格还会继续降，但降价的来源变了。八千亿的建设支出意味着未来两到三年会有大量新产能释放。产能释放对价格是压制的，所以任何依赖「未来算力会更便宜」的规划都是站得住的——但要留一个边界：降价的前提是需求侧不出现断崖，而历史上基础设施投资的过度建设阶段，价格会先崩到零再回升。

第二，锁定长期合同要开始看供给方的资产负债表。一旦 capex 超过经营现金流，供应商的融资能力会成为其交付能力的组成部分。评估长期算力合同时，除了价格还要看对方的现金流结构和融资渠道——一个用债务支撑扩张的供应商和一个用利润支撑的供应商，在合同期内的行为模式不同。

第三，别用「行业都在投」来论证自己的项目合理。8,005 亿是行业总量，其中很大一部分服务的是训练前沿模型和超大规模推理服务，这部分产能不会外溢到普通企业的应用层。把行业总量当成自己项目的需求证明，是这类论证里最常见的错误。

第四，理解为什么「自建算力」在 2026 年不是选项。1GW 需要 380 亿前期投入，而单个中型企业的全年 IT 预算通常远低于此。这组数字直接排除了中小规模自建的选项，剩下的现实路径只有三条：完全用云、在云上做深度优化、或者把非核心推理降级到边缘设备。

第五，把「资本开支超过现金流」当成一个行业信号来跟踪。这个拐点之后，行业的行为会从「快速试错」转向「长周期承诺」，而长周期承诺意味着技术路线的容错率下降——一旦选定某种硬件架构或某种技术范式，替换的成本会远高于前两年。在 2026 年做技术选型，可逆性本身是一项应该被明确定价的价值。

七、结语

把这一批数字放在一起，2026 年 AI 资本开支的完整形状是这样的：

五家超大规模厂商约 8,005 亿美元，Q1 同比增幅 45% 到 107% 不等，全年共识从 6,500 亿被上调到 8,000 亿；这相当于约 21 个 1GW 规模的数据中心；而到 2026 年第三季度，资本开支将首次超过经营性现金流；2027 年的共识预期是 1.1 万亿，高盛预测 1.2 万亿，比 2026 年再涨 37% 到 50%。

这组数字最有价值的信息不在规模，而在三个结构性的变化：

第一，资金来源的性质变了——从利润扩张变成动用存量和举债扩张，这改变了行业的容错空间。

第二，投入的锁定程度变高了——连续两年翻倍且预期继续加速，意味着未来产能已经被提前锁定，供给侧的自由度在下降。

第三，决策的可逆性变差了——在长周期承诺成为行业常态之后，技术路线选择错误的修复成本显著上升。

而对绝大多数使用 AI 的组织来说，最实际的一条推论是：算力会继续变便宜，但便宜是有条件的——条件是需求不出现断崖，以及你不在这条曲线的断点上做重资产承诺。八千亿美元是一个关于「别人在做什么」的数据，判断「自己该做什么」仍然要回到自己的需求侧数据。