GS Global Economics Analyst: AI 支出热潮并未过热 (Briggs, 2025-10-15)

Page 1

执行摘要

**关于本已规模可观的 AI 资本开支 (capex) 之上还要进一步增加的公告，放大了围绕 AI 投资可持续性的担忧。** 在本期 Global Economics Analyst 中，我们的论点是：预期的投资水平是可持续的，尽管最终的 AI 赢家仍不那么清晰。

**技术背景仍然支持 AI capex，原因有两点。** 第一，AI 应用一旦部署即可提升生产率。第二，要释放这些生产率收益需要可观的算力，尤其是因为模型规模的扩张速度比算力和能源成本下降的速度快得多。

**我们并不担忧 AI 投资的总量。** AI 投资占美国 GDP 的比重 (<1%) 今天比此前历次大型科技周期 (2–5%) 更低。此外，我们估算 AI 在美国释放出的"资本侧收入"的现值贴现 (present-discounted value, PDV) 为 **8 万亿美元**，合理估算区间为 **5 万亿–19 万亿美元**。这些估算超出了当前累计 AI 投资预测——而且这还没考虑海外利润、新利润池、或 AGI 的潜在出现。

**我们看到关于"今天做投资的公司是否会从这笔支出中受益"的合理担忧**，尤其是因为科技硬件折旧很快。如果 AI 投资者能够获取 AI 长期经济价值中超额的份额，那么时间错配的担忧或许不那么重要；但在以往的基础设施建设中，"先发者 (first movers)"的表现喜忧参半，"快跟者 (fast followers)"则常常借助已建好的基础设施获取超额收益。

**当前 AI 市场结构对于"今天的 AI 领先者是否将成为长期 AI 赢家"几乎不提供清晰指引。** 当互补资产 (如半导体) 稀缺、且生产纵向一体化时，先发优势更强——这意味着今天的领先者可能跑赢；但在像当下这样技术快速变迁的时期，先发优势更弱。先发优势在切换成本高时也往往更强，而早期 AI 采用者正在跨多个模型分散使用。

**只要公司继续预期：(1) 先发优势能让它们获取与 AI 生产率相关收入的超额份额，或 (2) 算力产能上的投资将改善模型表现、并可能促成 AGI 的出现——那么扎实的宏观叙事就将支撑 AI capex。**

报告署名分析师:

Jan Hatzius: +1(212)902-0394 | jan.hatzius@gs.com | Goldman Sachs & Co. LLC
Joseph Briggs: +1(212)902-2163 | joseph.briggs@gs.com | Goldman Sachs & Co. LLC
Sarah Dong: +1(212)357-9741 | sarah.dong@gs.com | Goldman Sachs & Co. LLC
Megan Peters: +44(20)7051-2058 | megan.l.peters@gs.com | Goldman Sachs International

---

Page 2

AI 支出热潮并未过热

自 9 月初以来，OpenAI 已先后宣布与 Oracle 达成 3000 亿美元的交易、获得 Nvidia 1000 亿美元投资、与 AMD 签订部署 6GW GPU 的战略合作、并与 Broadcom 签订部署 10GW 定制 AI 芯片的战略合作。其他美国云厂商 (hyperscalers) 也在 2025 年下半年披露了新的投资，尽管节奏更慢。

这些投资将叠加到本已规模可观的 AI capex 之上。如 Exhibit 1 所示，敞口于 AI 基础设施建设的美国上市公司收入增长，暗示 2025 年 AI 相关支出约为 3000 亿美元；而美国国民账户中 AI 相关支出的三月年化口径较 2022 年均值上升了 2770 亿美元。尽管夏季支出上行部分可以由关税驱动的前置进口解释——美国从台湾的进口推动了近期 AI 支出激增，9 月又显著回落——但两项指标都指向 AI 相关支出有一轮规模较大的（约 3000 亿美元年化）增加。

自 2023 年中以来，我们就一直预期会出现一轮大规模 AI 投资周期，由训练 AI 模型和运行 AI 查询所需的硬件支出最初涌现所驱动；但这些投资公告的规模、速度和循环性 (circularity) 引发了围绕 AI capex 可持续性的疑问 (以及其他议题，参见我们股票研究团队近期对关键 AI 辩论的总结)。这些担忧尤其突出，因为 AI 的采用和收入仍然有限。

尽管存在这些担忧，我们仍然认为当前投资水平相当可持续，尽管今天进行投资的公司是否会成为最终的 AI 赢家则不那么清晰。

Exhibit 1: 2023 年以来 AI 投资增长约 3000 亿美元

（柱状图）美国国民账户中 AI 硬件支出的年化值（相对 2022 年的变化），分项为：半导体 / 计算机与服务器 / HVAC / 数据中心建造 / 电力建造。三月平均：**2770 亿美元**（详见原 PDF）。数据来源: Goldman Sachs Global Investment Research, Compustat, Bureau of Economic Analysis

基本面 capex 驱动因素

技术背景仍然支持 AI capex，原因有两点。

---

Page 3

第一，生成式 AI 仍然看起来将在任务自动化方面带来快速加速，从而推动劳动力成本节约并提升生产率。我们的基线估算暗示：在完成完全采用之后，美国整体经济范围的劳动生产率将获得 15% 的总体提升，我们预期这一过程将在 10 年内实现。

与我们的基线一致，学术研究与企业轶事都指向：在 AI 应用部署之后，平均生产率提升 25–30%。Exhibit 2 中汇总的用例诚然仍然有限——我们估计当前应用所面临的自动化风险只覆盖了 2.5% 的就业，主要集中在编码、客户服务和咨询支持——并且随着应用扩展到更难自动化的工作职能，平均影响将趋于温和。但这些早期估算凸显了：生成式 AI 在被恰当部署时，有潜力带来变革性的生产率提升。

近期的新闻头条令人质疑生成式 AI 是否能带来显著价值。最值得注意的是，MIT Media Lab/Project NANDA 在 8 月发布了一份报告，标记 95% 的 AI 试点项目未能交付可衡量的商业价值，而仅有 5% 的定制企业 AI 工具达到了生产部署阶段。

我们认为 MIT 研究的细节并不那么令人担忧，原因有二。第一，"只有 5% 的 AI 工具达到生产部署阶段"这一核心结论，与我们基于 Census Business Trends and Outlook 调查的跟踪估算一致：不到 10% 的美国企业已将 AI 用于常规生产。第二，该研究还得出结论：当企业满足以下条件时它们获取了显著价值：1) 购买应用而非自行内部开发工具；2) AI 自动化项目源自一线管理者而非中央实验室；3) 针对具体任务用集成式工具自动化，而非使用通用 AI 应用。我们的总体结论是：随着公司摸清楚如何把具体应用整合进业务流程，有效的 AI 采用可能需要时间；但一旦这一步完成，AI 可以带来可观的生产率收益。

第二，要释放这些生产率收益需要可观的算力

Exhibit 2: AI 在成功部署时带来巨大生产率提升

（柱状图）生成式 AI 采用对劳动生产率的影响：估算值。 **学术研究**（共 15 项研究）—— Peng et al. (2023) / Gambacorta et al. (2024) / Weintraub et al. (2025) / Abramoff (2023) / Noy Zhang (2023) / Cambon et al. (2023) / Edelman et al. (2023) / Cui et al. (2024) / Chen Wang (2025) / Lang et al. (2023) / Korinek (2023) / Brynjolfsson et al. (2023) / Dell'Acqua et al. (2023) / Peng et al. (2023) / Vaithilingam et al. (2022)。中位数：**26%**，均值：**27%**。 **企业案例**（共 20 例）—— Autodesk / UC San Diego / Adobe / Deloitte / Tencent / Ness Digital / Ally Financial / PwC / Block / Twilio / Paypal / Workday / SAP / Citizen's Bank / Bank of America / Octopus Energy / Ernst & Young / Klarna / Anthropic / you.com / Planview。中位数：**30%**，均值：**31%**。数据来源: Goldman Sachs Global Investment Research

---

Page 4

（以及相关的能源消耗）。近期趋势暗示算力和能源需求将上升 (参见我们股票分析师近期更新的数据中心预测，其中暗示在中期供需健康增长)。

如 Exhibit 3 所示，训练大语言模型所需的算力 (以浮点运算次数 FLOPs 衡量) 持续以远快于算力成本下降速度 (FLOPs/美元；以 每年 40% 的速度下降) 的速度增长 (大约 每年 400%)。Exhibit 4 显示在训练查询次数 (350%) 和前沿 AI 模型数量 (125%) 上同样快速的需求增长速度，而能效改善的绝对速度虽然很快、但相对速度较慢 (40%)。这些趋势的关键启示是：只要需求增长与算力成本下降之间的差值保持宽阔，对算力和电力产能的投资就应当继续增加。

需求增长很可能在近期内继续超过技术成本的下降，部分原因是更大的模型仍在推动表现改善。

Exhibit 3: 大语言模型的算力需求持续增长，同时成本继续下降

（图表）训练 FLOPs 大幅上行，单位 FLOP 成本持续下行 (详见原 PDF)。数据来源: Goldman Sachs Global Investment Research, Epoch AI

Exhibit 4: 模型与算力需求当前的增长速度远快于成本或能效的改善

（柱状图）AI 增长趋势 (年度变化)： - 推升成本：Training FLOPs per Model、LLM Queries、Number of Large Scale Models - 降低成本：FLOPs per Watt、FLOPs per Dollar (详见原 PDF) 数据来源: Goldman Sachs Global Investment Research, Epoch AI

---

Page 5

如 Exhibit 5 所示，模型规模与表现之间在历史上的正相关 (左图) 根据当前 Hugging Face MMLU-Pro 排行榜的数据 (右图) 一直延续到现在。这一模式暗示：前沿模型开发者要保持竞争力，其支出的持续上行将是必要的 (Exhibit 6)。

很难判断技术上的投资激励会在哪一点开始减弱，但"早期生产率提升前景可期"叠加"算力资源增加带来的模型表现继续改善"这一组合，暗示我们尚未到达那个点。因此，尽管随着 AI 投资周期超越建设阶段、且硬件成本下降占主导，投资最终应趋于温和，但技术背景目前仍看起来支持 AI 投资的延续。

Exhibit 5: 更大的模型仍在带来更好的表现

（两幅散点图） - 左图：2012–2023 模型规模 vs. 表现 (横轴：log 参数数量，纵轴：反向 log perplexity)。 - 右图：当前 MMLU-Pro Leaderboard 上的模型规模 vs. 表现 (横轴：log 参数数量，纵轴：MMLU 得分)。 (详见原 PDF) 数据来源: Goldman Sachs Global Investment Research, Epoch AI

Exhibit 6: 模型表现持续改善

前沿模型在 Artificial Analysis Intelligence Index 上的表现 (详见原 PDF)。数据来源: Goldman Sachs Global Investment Research, Hugginface.co

---

Page 6

测算生成式 AI 的宏观经济价值

我们同样仍认为对 AI 投资的宏观经济理由颇具说服力，并且对 AI capex 的美元金额并不太担心。

经济评论人士指出当前部署的 AI capex 规模前所未有：累计的 AI 驱动数据中心和基础设施建设的累计金额可能达到数万亿美元量级。例如，Nvidia CEO Jensen Huang 9 月强调，到 2030 年 AI 基础设施支出可能总计达到 3–4 万亿美元。我们的股票分析师同样预测可观的投资，尤其在数据中心和电力领域：仅云厂商 (hyperscaler) capex 在 2025–2027 年累计就预计达到 1.4 万亿美元。

虽然就名义美元而言 AI 投资的建设规模确实大于此前的周期，但在做出适当缩放后，这一建设看起来并不那么极端。如 Exhibit 7 所总结，历史上基础设施投资的脉冲一般在 GDP 的 2–5% 处达到峰值；而 1920 年代制造业电气化和 1990 年代末 IT 繁荣中的投资周期 (后者是我们 2023 年中预测 AI 投资周期可能达到 GDP 2% 的依据) 在 GDP 的约 1.5–2% 处达到峰值。过去 12 个月美国的 AI 投资 (Exhibit 7 右图) 仍低于 GDP 的 1%，按历史标准属于一次较大、但并不超额的脉冲。

更重要的是，我们认为生成式 AI 所承诺的潜在经济收益证明数万亿美元量级的投资周期是合理的。为估算未来 AI 收入的价值，我们基于 Exhibit 7 中所总结的假设估算了一个现值贴现 (PDV)。

**生产率**：基于我们的 AI 生产率估算，我们假设在完成完全采用之后美国劳动生产率与 GDP 的基线总体提升为 **15%**，相当于今天美元口径下 **4.5 万亿美元** 的经济价值创造。在替代情景中，我们考察了我们此前估算中关于 "更弱"的 AI 情景 (基于对 AI 自动化工作任务能力的更悲观假设，对应 **8%** 的生产率提升) 与"更强"情景 (生产率收益达到 **27%**)。

Exhibit 7: 大型投资周期往往出现在历次通用目的技术 (general purpose technology) 生产率繁荣之前

（两幅柱状图） - 左图：前沿经济体新兴技术的历史投资脉冲峰值 (占 GDP %)：UK Railroads (1860s) / US Railroads (1880s) / US Auto Infrastructure (1910s) / US Electric Motor (1920s) / US ICT Hardware (1990s) / US Telecom (1990s) / US Generative AI (2020s)。 - 右图：通用目的技术的投资占 GDP 比重相对生产率繁荣前水平的变化 (Electric Motor 厂房设备 / Information Tech ICT 设备与软件 / Gen AI 半导体、算力、数据中心、电力)，横轴为相对生产率繁荣起点 (t=0) 的年份。 (详见原 PDF) 数据来源: Goldman Sachs Global Investment Research, Bureau of Economic Analysis

---

Page 7

**时间线**：基于我们潜在 GDP 预测中内置的 AI 采用时间线，我们假设公司层面的采用主要发生在 2027–2037 年的 **10 年**期间，并且在公司内部存在采用与生产率收益完全实现之间 **4 年**的滞后。我们还考察了 AI 采用分别在 **5 年**和 **15 年**内完成的上行和下行情景。

**AI 价值创造中的资本份额**：我们假设 AI 驱动的生产率收益所创造的增量价值中资本占 **41%** 份额，与全经济范围的平均水平一致。我们还考察了 AI 经济价值创造中的资本份额对应行业资本份额第 25 百分位 (**28%**) 和第 75 百分位 (**60%**) 的情景。

**贴现率**：我们假设贴现率为 **15%**，对应公开交易的 AI 公司加权平均资本成本 (WACC) (取自 Bloomberg) 的第 75 百分位。我们使用第 75 百分位而非平均值 (13%) 或中位数 (12%)，是因为 AI 收入高度不确定，且未上市的 AI 敞口公司的资本成本可能比上市同行更高。我们也考察了贴现率高 5pp (20%) 和低 5pp (10%) 的情景。

---

Page 8

在上述基线假设下，我们估算生成式 AI 在美国创造的经济价值的 PDV 为 20 万亿美元，其中 8 万亿美元 将作为资本侧收入流入美国公司。此外，在替代情景下我们估算资本侧收入的 PDV 区间为 5–19 万亿美元，且估算不出意料地对贴现率的选择尤为敏感 (Exhibit 9)。

Exhibit 8: 我们的基线假设为：15% 生产率提升、相对较慢的采用时间线、41% 的产出资本份额、15% 的贴现率

（四幅子图） - **累计 AI 采用**：横轴 2025–2045，对比 Medium / Fast / Slow 三条路径。 - **生成式 AI 对劳动生产率的影响**（完全采用后水平，GS 估算）：Much Less Powerful / Slightly Less Powerful / Baseline / Slightly More Powerful / Much More Powerful 五情景。 - **行业资本份额** (Capital Share of Value Add)：Real Estate 94% / Utilities 75% / Mining 73% / Agriculture 70% / Information Services 64% / Nondurable Manufacturing 63% / Wholesale Trade 56% / Data Process/Internet… 54% / Retail Trade 49% / Finance and Insurance 48% / Arts & Entertainment 46% / Transportation 43% / Durable Manufacturing **41%** / Total 38% / Accommodation/Food Services 37% / Construction 31% / Scientific and Technical… 29% / Other Services 28% / Professional Services 27% / Education 19% / Health 18% / Computer Systems Design 12% / Administration 11% / Warehousing 0%。 - **公开交易 AI 敞口公司的 WACC 分布**：横轴 6%–20%。第 75 百分位：**15%**。数据来源: Haver Analytics, Goldman Sachs Global Investment Research, Bloomberg

---

Page 9

我们从这项练习得出的关键结论是：生成式 AI 资本侧收入的 PDV 既在基线下、也在替代假设下都超过 AI 相关 capex 的预测，意味着当前及预期的 AI capex 总体水平是绰绰有余地被证明合理的。此外，我们得出这一结论时尚未考虑潜在的海外利润、新利润池和 AGI 的出现，意味着对 AI 基础设施支出前景而言有显著缓冲。

市场结构与租金分配

宏观背景虽然仍看似稳健，但我们看到关于"今天做投资的公司是否能从这笔支出中受益"的合理担忧。投资公司能否成为长期受益者，将关键性地取决于 AI 技术栈各环节中收入实现的时点与分配。

就时点而言，半导体和服务器投资——它们在美国国民账户 2400 亿美元 AI 支出中占 1120 亿美元 (Exhibit 9 右图) ——由于算力硬件的快速改进会快速折旧。假设科技设备寿命为 5 年 (基于我们股票研究团队的假设)，并使用 BEA 对 HVAC、数据中心建筑和电力投资的折旧估算，我们估算当前 AI capex 的折旧率为 18%，这意味着基础设施建设的时点与收入实现之间存在一定错配的可能。

如果 AI 投资者能够获取长期价值中的超额份额，时点考量或许不那么重要；但"先发者"在以往的基础设施建设中表现喜忧参半。在 Exhibit 10 中，我们基于对学术研究的回顾，定性地总结了历史基础设施投资周期的最终受益者。三种规律凸显。

第一——正如 1700 年代末和 1800 年代初的英国运河、1980 年代和 1990 年代的美国 IT 投资、以及 (在某些情形下) 1800 年代的美国铁路——先发者因高额投资和切换成本而获取了超额回报。第二

Exhibit 9: AI 资本侧收入的现值贴现预期超过 capex 预测

（两幅图） - 左图：AI 资本侧收入的现值贴现，替代情景。基线 PDV = **8 万亿美元**；不同贴现率 (Low 10% → 19 万亿；High 20% → 5 万亿)；不同生产率 (Low 8% → 5 万亿；High 24% → 12 万亿)；不同资本份额 (Low 28% → 6 万亿；High 60% → 12 万亿)；不同采用速度 (Faster → 11 万亿；Slower → 7 万亿)。 - 右图：未来 AI 资本侧收入的现值，GS 基线假设，2025–2050 时间序列。 (详见原 PDF) 数据来源: Goldman Sachs Global Investment Research

---

Page 10

在许多情况下——例如 1800 年代英国铁路建设以及更近期的光纤电缆和美国电信建设——先发者回报相当差，因为最初的过度建设让位于随后的崩盘，而这又让"快跟者"通过以低估值买入资产攫取了超额回报。第三，在其他情况下——即 1700 年代英国收费道路的建设和 1900 年代初美国电力的发展——先发者回报因监管和资本作为公用事业的重组而受到限制，限制了回报。

我们从这些历史先例中得出的结论是：基础设施建设的最终赢家由一组复杂的因素决定，包括时点、监管和市场竞争。

当前 AI 技术栈的市场结构对今天领跑 AI 投资的公司是否会成为长期 AI 赢家提供了有限的清晰度。Exhibit 11 用关于新进入者和获得融资的初创企业的数据 (来自 CB Insights) 总结了竞争格局，我们用多种其他来源 (包括 Epoch AI、Anterio、Bloomberg 和公开资料) 加以扩展。左图显示了每一层的公司数量 (不论规模)，右图显示了领头公司的市场份额。

这项练习的关键启示是：当前 AI 技术栈在应用层看起来极具竞争性，在基础模型层 (尽管 OpenAI 领跑) 和数据中心层相对而言竞争性也合理，在半导体层则竞争性更弱 (Nvidia 主导半导体设计、TSMC 主导半导体生产)。因此，当前市场结构暗示 AI 硬件提供商可获得超额回报，与目前为止 AI 交易的定价一致。

Exhibit 10: 先发者在以往基础设施建设中的表现喜忧参半

| 历史事件 | 先发者回报 | 快跟者回报 | 说明 | |---|---|---|---| | UK 收费道路 (Turnpikes) | 既不异常高也不异常低 | 既不异常高也不异常低 | 监管限制回报。 | | UK 运河 | 高 | 低 | 投资对先发者有价值；铁路出现后限制了后入者的回报。 | | UK 铁路 | 低 | 高 | 崩盘后整合者能够以低估值买入资产，长期价值创造为以深度折扣买入铁路的公司带来健康回报。 | | US 铁路 | 喜忧参半 | 高 | 在某些情形下早期进入者凭借本地垄断 (如 Pennsylvania Railroad 成为全球最大公司之一) 获取了超额回报，但其他公司则回报为负 (1870 年之前建成的全部铁路里程中有一半破产或重组)。后期整合者 (如 NY Central、Union Pacific) 通过以低估值买入获取了超额回报。 | | US 电力 | 既不异常高也不异常低 | 既不异常高也不异常低 | 先发者保住了市场份额，但监管以及以公用事业形式重组限制了回报。 | | US IT | 高 | 高 | 先发者能在大型机 (IBM)、操作系统 (Microsoft)、网络 (Cisco) 和云计算 (AWS) 上拿下市场份额，尽管 1990 年代末出现了过度兴奋和过度投资。后期进入者在许多领域也表现良好，因为科技对经济的变革性作用。 | | 全球光纤电缆 | 低 | 高 | 过度建设导致先发者回报低，后期买家通过以低估值买入资产攫取财务上行。 | | US 电信 | 低 | 高 | 过度建设导致先发者回报低，后期买家通过以低估值买入资产攫取财务上行。 |

注：红色阴影表示跑输，绿色表示跑赢，黄色表示中性。数据来源: Goldman Sachs Global Investment Research

---

Page 11

然而，对于投资可持续性而言，关键的问题是：基础模型层的在位者优势——即今天承担 AI capex 大头的云厂商——是否会带来长期超额回报，从而证明持续投资合理。关于"先发者" vs. "快跟者"优势的学术研究 (汇总于 Exhibit 12) 再次对超额市场份额和回报的前景给出了喜忧参半的信号。

一方面，学术研究暗示：当高额成本和关键资产获取受限抑制了竞争、或当纵向一体化让先发者能够掌控整个生产栈时，先发者可以获得超额回报。沿着这条线索：AI 投资的高额成本、OpenAI 和其他云厂商近期锁定关键算力资源的动作、以及越来越多的纵向一体化迹象 (主要在上游；Exhibit 13)，都暗示 AI 云厂商或许能够成功维持其先发优势。

Exhibit 11: 当前市场结构在应用层极具竞争性，半导体层竞争性较弱

（两幅图） - 左图：各层公司数量 (对数刻度)——半导体制造商：12；半导体设计者：19；数据中心运营商：31；AI 基础模型：32；应用：**1941**。 - 右图：领头公司市场份额——半导体制造商：65%；半导体设计者：94%；数据中心运营商：19%；AI 基础模型：50%；应用：2%。数据来源: Goldman Sachs Global Investment Research, Epoch AI, CBI, Bloomberg, Anterio

Exhibit 12: 学术研究暗示——当产品开发需要稀缺资产、并且具有纵向一体化时，先发优势最大；当技术快速变化时，先发优势更小

| 先发者占优 | 快跟者占优 | 对当前 AI 领先者的暗示 | |---|---|---| | 高切换成本 | 低切换成本 | 不确定 | | 先发者产品建立的网络效应决定了标准 | 产品市场标准尚未确定 | AI 领先者跑输 | | 网络效应改善产品质量 | 产品质量与网络效应无关 | AI 领先者跑输 | | 产品开发需要稀缺资产 | 互补资产充足 | AI 领先者跑赢 | | 技术栈纵向一体化 | 技术栈分别拥有且易于重新部署 | AI 领先者跑赢 | | 模仿成本高 | 模仿成本低 | 不确定 | | 技术变化缓慢 | 技术变化快速 | AI 领先者跑输 | | 市场增长缓慢 | 市场增长快速 | AI 领先者跑输 | | 专利/IP 保护强 | 专利/IP 保护弱 | AI 领先者跑输 | | 客户对使用的不确定性低 | 客户对使用的不确定性高 | AI 领先者跑输 |

注：红色阴影表示潜在跑输的原因，绿色表示跑赢，黄色表示中性。数据来源: UN COMTRADE, Goldman Sachs Global Investment Research

---

Page 12

另一方面，先发优势在技术和市场增长高速发生、IP 保护有限、或终端用户应用存在显著不确定性时，历史上被证明较小。这些规律论证了 AI 云厂商不存在可以证明 capex 持续合理的优势。

先发优势的其他关键决定因素仍不确定。IT 平台 (例如 Microsoft 及其他软件提供商) 在 1980、1990 和 2000 年代能够紧密集成进业务流程，凭借高切换成本得以获取这一时期软件所带来的生产率收益的估计 27% (Exhibit 14 左图)。相比之下，今天大多数公司正在跨多个基础模型分散使用 (Exhibit 14 右图)，这可能限制了未来的切换成本。同样地，先发者是否会从决定标准和质量的网络效应中受益，也并不清楚。

Exhibit 13: 收购主要集中在应用层的上游

（图）（详见原 PDF）数据来源: Goldman Sachs Global Investment Research, CBI

---

Page 13

持续支出的理由

我们分析得出的关键结论是：生成式 AI 所承诺的巨大经济价值证明当前 AI 基础设施投资是合理的；并且，只要公司预期今天的投资将在长期产生超额回报，AI 投资的总体水平就显得可持续。这一结论与我们组合策略团队最近得出的"我们并未处于泡沫"的工作相一致。

因此，只要公司相信：(1) 先发优势能让它们获取与 AI 生产率相关收入中的超额份额，或 (2) 对算力产能的持续投资将推动模型表现改善、并潜在地促成 AGI 的发展 (这种情形可能带来非常超额的利润)，我们预期扎实的宏观背景将支撑 capex。AI 投资可能对这两个维度上的新闻仍保持敏感。

Joseph Briggs

Exhibit 14: 软件提供商能够利用高切换成本和强网络效应获取 IT 生产率提升中的超额租金，但跨模型分散可能降低平台切换成本

（两幅图） - 左图：私营部门产出增长的年度贡献 (1981–2012)：来自软件 (合计) 与软件投资。 - 注：软件贡献基于 Byrne et al. (2013) 和 Oliner and Sichel (2000) 的结果估算。 - 投资份额占总贡献的均值：**27%**。 - 右图：按公司收入分组的部署模型数量：$500mn–$50bn / $5bn–20bn / >$20bn，部署模型数：5+ / 4 / 3 / 2 / 1 / 0。数据来源: Goldman Sachs Global Investment Research, Andreessen Horowitz

---

披露声明

原文 Disclosure Appendix (Page 14–16) 详见末页。包括 Reg AC 认证、Regulatory disclosures、各司法管辖区的额外披露 (Australia / Brazil / Canada / Hong Kong / India / Japan / Korea / New Zealand / Russia / Singapore / Taiwan / United Kingdom / European Union)、Global product 分发实体说明、General disclosures、以及版权条款。