AI产业链价值流向解析：算力、数据与模型如何分配收益

过去两年，美股AI产业链的市值膨胀堪称一场盛宴，数万亿美元的新增财富被创造出来。但如果你仔细看看这桌盛宴的座次，会发现一个极其不均衡的图景：英伟达独自坐在主位，市值高达4.5万亿美元，毛利率维持在73%的惊人水平；而像OpenAI、Anthropic这样的明星公司，年化营收加起来也不过450亿美元；至于更下游的CoreWea ve、Cursor、Perplexity们，则大多处于一边融资、一边烧钱的阶段。整个产业的价值分布，清晰地呈现出一个越往上越肥厚的三角形结构。

那么，钱到底流向了哪里？更重要的是，十年后，钱的流向又会如何演变？这正是斯坦福大学本学期新开设的MS&435课程试图拆解的核心命题。课程主持人、来自投资机构Altimeter的Apoorv Agrawal，邀请了九位身处产业关键位置的嘉宾，试图从这些一线掌舵者的视角中，拼凑出AI产业价值流动的未来地图。

三角形价值分布

早在2026年初，Agrawal就曾发表过一份题为《生成式AI的经济学》的报告，当时的结论直指核心：芯片层吞噬了整个产业链83%的毛利。

两年时间过去，整个生态的规模已经从900亿美元飙升至4350亿美元。而芯片层的利润统治地位依然稳固，尽管份额从83%微降至79%，但霸主地位丝毫未动摇。

拆开来看，芯片层年营收约3000亿美元，其中英伟达一家就拿走八成；基础设施层约为750亿美元；应用层约为600亿美元。三层的毛利率分别是73%、55%和33%。换算成真金白银的毛利绝对值，则依次是2250亿、400亿和200亿美元。

这种利润结构，与驱动了上一轮科技增长的云计算产业形成了鲜明对比。在传统的云计算堆栈里，价值是倒挂的：芯片层只能分到6%的毛利，而应用层则拿走了70%。

对于当前的竞争格局，Agrawal有一个精妙的总结：芯片层是“单机游戏”，应用层是“双人游戏”（指少数巨头竞争），而中间的基础设施层，才是唯一真正在进行的“多人混战”。

英伟达的独角戏

第二节课由Altimeter的合伙人Brad Gerstner与英伟达的Sunny Madra共同主讲。Sunny Madra曾是Groq的投资人，并参与了其被英伟达收购的交易。两人从不同角度解释了，为何英伟达在芯片层的统治地位短期内难以撼动。

Brad Gerstner给出了一组反直觉的估值数据：英伟达市值4.5万亿美元，市盈率却只有13倍，仅为市场平均水平的一半，而其营收年增速高达70%。他公开预测，英伟达将成为全球第一家市值突破十万亿美元的公司。理由很直接：在接下来的八个季度里，英伟达已经锁定了价值万亿美元的订单，需求远远压过了供给。英伟达CEO黄仁勋也曾向他表示，AI推理的需求未来将增长“10亿倍”。

这种自信源于从“预训练”迈向“推理时代”的技术底层逻辑——每生成一个token所需的计算量，与模型参数量、上下文长度的平方成正比。这意味着推理阶段的计算需求将是海量的。

当然，挑战者并非没有。谷歌的第七代TPU Ironwood已开始量产，据称Anthropic下单了100万件，甚至有传闻称这迫使英伟达对部分客户降价30%；亚马逊的Trainium2芯片已经部署了超过140万个实例，相关业务年化收入突破百亿美元；微软的Maia 200芯片也在今年1月于Azure上线。此外，OpenAI也与博通签订了10吉瓦的自研ASIC合同。

对于这些竞争，黄仁勋的反应显得云淡风轻：“很多ASIC项目最终会被砍掉。”从历史经验看，他或许是对的。退一步讲，即便谷歌TPU、亚马逊Trainium、微软Maia全部获得成功，英伟达目前依然是绝对的领先者。这些挑战者的出现，恰恰说明这个市场的蛋糕到底有多大，而非英伟达即将被替代。

昂贵的电工

第三节课的主讲人是Crusoe Energy的创始人Chase Lochmiller。Crusoe在德克萨斯州西部的阿比林市建造了一座2.1吉瓦的数据中心园区，这是全美最大的私人变电站，其用电量相当于两个丹佛市。首批入驻的客户是Oracle和OpenAI。为了建设这个庞然大物，园区常年有9000名施工工人，而阿比林全市人口也不过12万。

在一张揭示成本的幻灯片中，每兆瓦电力的总成本约为1900万美元。其中，最大的单项支出并非芯片或服务器，而是劳动力，每兆瓦高达470万美元，远超冷却设备和芯片本身的成本。按此计算，一个吉瓦（GW）级别的数据中心园区，仅劳动力成本一项，每年就可能烧掉47亿美元。

除了人力，硬件成本也在飞涨。燃气轮机的每兆瓦造价，在三年内从100万美元飙升至300万美元。背后的原因在于，GE Vernova、西门子、三菱重工和普惠这四大制造商的产能增长缓慢，而全球数据中心的需求却在成倍增长。

从长远视角看，整个电力架构——从765千伏的高压输电，到机柜内900伏的直流电转换——势必需要重新设计。但短期内，像伊顿（Eaton）、施耐德（Schneider）这类已有上百年历史、格局相对稳固的电气设备巨头，仍将继续从中受益。

组织结构跟不上 AI 发展

第四节课的嘉宾是数据软件公司Databricks的CEO Ali Ghodsi。他开场便抛出一个重磅观点：AGI（通用人工智能）其实已经实现了。按照2009年伯克利AMP实验室的定义，如今的AI模型早已达标。问题在于，当球已经进门时，人们却一直在把球门往后移。

他认为，人们觉得AI未达预期，问题往往出在自己身上。

MIT的一份报告显示，高达95%的企业AI试点项目最终失败。Ali对此的解释是，模型缺乏组织内部那些“从未被写下来的上下文”。每家公司都有那么一两位工作了二十年的老员工，大家遇到难题都会去请教他们，他们头脑中的经验和判断，恰恰是任何AI模型都尚未掌握的核心知识。

这让人联想到工业革命的历史：电动机在1880年被发明，但直到1920年，它才开始在统计学意义上显著提升生产力。中间那四十年，企业只是简单地将蒸汽机替换成电动机，却从未想过整个工厂的布局和生产流程都需要推倒重来。

Databricks自己也踩过类似的坑。公司一个原本需要三个季度才能交付的数据连接器项目，第一次尝试用AI辅助，只节省了一个半月时间。后来，他们换了一位敢于将整套流程推倒重做的负责人，结果一个季度就完成了全部交付。真正节省时间的，不是更新的模型版本，而是那个敢于重构流程的人。

Ali坚信，应用层巨大的机会终将浮现，并且会汇聚到那些敢于重写组织逻辑的玩家手中。这件事的推进速度，取决于人的决心与组织变革的勇气，而非等待GPT-6或Opus-5的发布。

倒三角

在技术发展的历史中，价值通常会从底层的硬件，逐渐向上层的软件和应用迁移。

云计算产业完成从硬件主导到软件主导的价值翻转，整整走了十五年。AI堆栈要完成同样的转变，无非两条路：要么应用层爆发式增长，创造巨大价值；要么芯片层那高达73%的毛利率，逐渐回落到云计算时代硬件那样的6%的水平。目前，这两边都在发生，但速度都不够快。如果按照过去两年的变迁节奏来推算，应用层想要在利润份额上追平当年云计算平台的水平，恐怕至少需要十年时间。

因此，当下的投资逻辑变得清晰：押注芯片层，赌的是未来两三年内就能落袋为安的确定性强现金流；而押注应用层，看的则是未来五到十年，价值从底层向上层迁移的大趋势。

一句话总结：在足以碘伏芯片层高毛利格局的技术革命到来之前，离芯片越近，就离利润越近。