资本有多重视 AI：从融资数据到其他产业的连锁反应

如果你只看 2026 年上半年的 AI 融资数据，会得出一个很强的结论：资本正在以前所未有的密度押注 AI。

Crunchbase 数据显示，2026 年 Q1 全球创业公司融资达到 3000 亿美元，环比增长和同比增长都超过 150%，其中 AI 公司拿走了 2420 亿美元，占全部 VC 资金的 80%。KPMG 的统计口径更高，认为 Q1 全球 VC 投资达到 3309 亿美元，其中仅 10 笔超 20 亿美元的大额交易就贡献了超过 2060 亿美元。

OpenAI 的 1220 亿美元融资、Anthropic 的 300 亿美元、xAI 的 200 亿美元、Waymo 的 160 亿美元，四家公司在一个季度里拿走了 1880 亿美元，占全球 VC 投资的将近三分之二。

但数据本身的惊人程度，掩盖了一个更重要的问题：这些钱到底意味着什么？它会对其他产业产生什么影响？

一、资本浓度的三个维度

1. 地理上：美国主导，中国加速

2026 年 Q1，美国公司拿走了约 83% 的全球 VC 资金，远高于历史平均水平。中国排名第二，约 161 亿美元；英国第三，约 74 亿美元。

但中国 AI 融资在 2026 年明显提速。一季度中国 AI 领域融资超过 1100 亿元人民币，同比激增 185%。DeepSeek 首轮融资超过 500 亿元人民币，估值突破 500 亿美元；月之暗面不到半年累计融资超过 39 亿美元，估值从 43 亿美元涨到 200 亿美元；阶跃星辰、智谱、MiniMax 等也都在快速融资或上市。

斯坦福 HAI 的 2026 AI Index Report 提到，2025 年美国私人 AI 投资约 2859 亿美元，是中国的 23 倍；但如果计入中国政府引导基金和国资背景投入，这个差距会被显著缩小。DeepSeek 融资结构就很典型：梁文锋个人出资 200 亿，腾讯、宁德时代等产业资本进入，国家 AI 基金作为唯一拥有投票权的外部股东直投 10 亿。

这说明 AI 投资不只是商业行为，也是国家战略能力的竞争。

2. 阶段上：大钱流向后期，早期在萎缩

Q1 的融资 surge 几乎完全集中在后期阶段。 late-stage 融资达到 2466 亿美元，同比增长 205%；158 家公司完成了 1 亿美元以上的融资，总金额 2350 亿美元。

但 seed 阶段虽然总金额增长 31%，交易数量却下降了 30%。这意味着早期生态正在两极分化：少数被认为有潜力的团队能以更大金额起步，但普通创业者的早期融资环境并没有同等改善。

投资人不是"看好所有 AI 公司"，而是在集中押注已经证明规模潜力的头部公司。

3. 领域上：基础模型吸走七成以上资金

根据 AI Funding 的统计，2026 年全球 AI 融资约 3370 亿美元，其中 Foundation Models & AGI 独占 2408 亿美元，占比 71%。Enterprise AI 交易数量最多，但单笔金额远小于基础模型公司。AI Healthcare 只拿到约 5 亿美元，AI Agriculture 约 2 亿美元。

这个结构说明，资本当前最看重的不是 AI 在具体行业的应用落地，而是"谁能先做出更强、更通用、更有入口价值的基础能力"。应用层的回报还在争论中，基础设施层的确定性反而被高估了。

二、对其他产业的影响：不是"AI 改变一切"，而是"AI 先改变某些东西"

AI 对产业的影响，比融资数据更不均匀。它目前主要集中在五个领域。

1. 能源与电力：AI 最直接的外部成本

AI 对能源产业的影响是物理层面的。Morgan Stanley 估计，2028 年前全球数据中心建设成本将达到 2.9 万亿美元，其中 80% 以上尚未发生。美国数据中心电力需求预计到 2028 年达到 74 GW，但可用电力供给可能缺口约 49 GW。

四大科技巨头 2026 年资本开支合计超过 7000 亿美元，其中绝大部分用于 AI 基础设施。这些钱流向芯片、服务器、数据中心土地、网络设备和电力设施。

结果是：电力变成 AI 扩张的硬约束。天然气、核电、储能、微电网、小型模块化反应堆重新受到重视。能源公司获得新的定价权，但也面临电网延迟、设备短缺和公众反对电费上涨的舆论压力。

AI 不是简单地"改变能源行业"，而是把能源行业从配角变成了 AI 产业的上游瓶颈。

2. 半导体与硬件：需求强劲但结构在变化

Nvidia 仍然是从 AI 资本开支中获利最多的硬件公司。四大 hyperscaler 2026 年约 3800 亿美元以上的资本开支中，Nvidia 可能拿走 1300 亿美元以上，同比增长 85%。

但巨头们也在加速自研芯片：Google TPU、Amazon Trainium、Microsoft Maia、Meta MTIA。长期看，自研芯片会削弱 Nvidia 在推理侧的定价权，但训练侧和高端集群仍然依赖 Nvidia。

硬件产业的一个隐藏风险是折旧。有分析指出，GPU 的经济寿命可能只有 2-3 年，但公司财务上可能按 5-6 年折旧。如果这一差距被修正，未来几年的账面利润会承压。

3. 金融服务业：AI 最先产生可量化回报的行业之一

KPMG 的调查显示，超过 75% 的金融机构已经在财务规划、报告和商业分析中使用 AI，71% 认为 AI 达到或超出了 ROI 预期。部署 agentic AI 的机构在关键财务指标上表现强 32%，在预测准确性和 ROI 上强近 40 个百分点。

金融业适合 AI 的原因很现实：数据相对结构化、流程标准化、回报容易量化、监管框架成熟。Aveni 为英国 Nationwide 部署的金融专用大模型 FinLLM，就是一个例子：它不是通用聊天工具，而是直接嵌入合规、顾问运营和风控工作流。

4. 制造业：从试点转向规模化生产

Lenovo 在 Hannover Messe 2026 上展示的案例显示，其北美最大工厂通过 AI 和生成式 AI 方案将 lead time 缩短 85%，物流成本降低 42%，生产力提升 58%。Unilever 与 Accenture 合作的 AI 数字孪生项目，在多个工厂实现了 10-30% 的浪费减少和质量改进。

但制造业的 AI 采用仍然高度不均衡。PIIE 的研究发现，AI 在制造业主要用于销售、营销等非生产环节，真正的生产流程智能化还在早期。高薪、高技能、大公司的制造业子行业采用更快，低薪小公司较慢。

5. 医疗、教育、农业：资金不足但潜力巨大

AI Funding 的数据显示，AI Healthcare 只拿到 5 亿美元融资，AI Agriculture 只有 2 亿美元。这与它们潜在的市场规模完全不成比例。

原因也清楚：这些行业数据碎片化、监管严格、回报周期长、失败成本高。Cogniti 在教育领域的应用说明 AI 有实际价值——悉尼大学开发的平台让教师创建课程专用 AI agent，在新西兰和荷兰多所大学试点。但这些应用更多是渐进式改进，而不是资本喜欢的指数级增长故事。

三、劳动力市场：还没有大规模替代，但结构已经在变

关于 AI 会不会造成大规模失业，目前的证据仍然是"早期"，但结构变化已经很明显。

PwC 的 2026 Global AI Jobs Barometer 分析了 10 亿条招聘广告，发现 AI 正在创造一个"双轨"劳动力市场：

"专业化"岗位：AI 作为专家的能力放大器，强调判断、创造力和领导力，增长更快。
"民主化"岗位：AI 让非专业人士也能完成某些工作，这类岗位增长较慢。

最暴露于 AI 的头部 20% 公司，劳动生产力增长达到 163%，远高于其他公司。拥有 AI 技能的工人薪资溢价达到 62%，高于去年的 57%。AI 相关职位增长速度是整体就业市场的 8 倍。

Goldman Sachs 估计，未来十年全球约 3 亿个岗位暴露于 AI 自动化，美国约 25% 的工作时长可能被自动化。如果过渡期为 10 年，失业率可能仅上升 0.6 个百分点；但如果快速发生，影响会大得多。

联邦储备银行的研究则相对谨慎：目前没有证据表明 AI 采用导致企业整体招聘减少。影响可能集中在特定职业，而不是总量失业。

四、泡沫风险：钱太多，收入还不够

几乎每份报告都会提到 AI 泡沫的可能性。主要论据有几个：

第一，资本开支远超当前 AI 收入。四大 hyperscaler 2026 年资本开支超过 7000 亿美元，但云收入中直接来自 AI 的部分可能只覆盖 15-20%。

第二，企业 AI 试点回报不佳。有调查显示 95% 的企业 AI 试点没有带来可量化的财务回报。

第三，物理瓶颈。电力、电网、芯片供应链、土地和许可都可能限制数据中心的扩张速度。

第四，囚徒困境式的过度投资。Alphabet CEO 曾说"投资不足的风险远大于投资过度的风险"。当所有巨头同时这么想，集体结果就是一个无法自我纠正的投资周期，直到损失大到无法忽视。

但支持"不是泡沫"的论据也同样有力：

AI 确实在代码生成、客户服务、研究、金融分析、制造业质量控制等领域产生可量化回报。
Nvidia GPU 租赁价格持续上涨，说明真实需求存在。
AI adoption 正在从试点转向生产部署。
基建投资本身会带动 GDP、就业和上游产业。

更准确的描述可能是：AI 不是单一资产，而是多层堆栈。某些层——比如有实际收入的数据中心运营商、有定价权的芯片公司、有客户粘性的企业应用——可能确实有基本面支撑。另一些层——比如估值极高的私人模型公司、依赖激进假设的数据中心项目、护城河不深的应用创业公司——则存在明显的泡沫风险。

五、个人观点：AI 正在重新定义"什么是核心资产"

这一轮 AI 资本热潮和以往科技周期有一个本质区别：它不只是关于软件、产品和用户增长，而是关于控制下一代生产要素。

过去 20 年，互联网公司的核心资产是用户、数据和分发渠道。现在 AI 公司的核心资产正在变成：算力、电力、模型权重、人才密度和监管许可。

这解释了为什么资本会如此集中：

基础模型公司需要天文数字的资金来训练和服务模型；
云厂商需要锁定 GPU 和电力来支撑客户需求；
国家需要确保 AI 能力不依赖对手；
能源公司需要为数据中心扩容。

这些都不是普通创业公司能参与的领域。AI 产业正在从"创业者可以颠覆巨头"变成"只有巨头和国家能玩得起的基础设施竞赛"。

对其他产业来说，这意味着几件事：

第一，AI 不会平均改变所有行业。 它会优先改变数据好、流程标准、回报可量化、监管相对清晰的行业——金融、软件、广告、部分制造业。医疗、教育、农业、建筑等行业会被影响，但速度更慢，更多以合规和辅助工具的形式出现。

第二，AI 会把产业利润重新分配。 上游的芯片、能源、数据中心会获得超额利润；中游的云厂商和模型公司会激烈竞争；下游的应用公司如果没有独特数据或工作流位置，很容易被 commoditize。

第三，劳动力市场会出现"技能溢价"和"公司集中度"同时上升的局面。 能使用 AI 的人更值钱，但不能简单被 AI 替代的工作也有溢价。同时，最有能力投资 AI 的大公司会进一步拉大与中小企业的差距。

第四，最大的风险不是 AI 不够强，而是 AI 的投入产出比长期不匹配。 如果数千亿美元投进去，只能换来代码补全和聊天机器人级别的回报，那么资本会重新定价，调整会比现在更剧烈。

结语

2026 年的 AI 资本热度不是虚假的，但它也不是普惠的。

资本极度重视 AI，这种重视体现在创纪录的融资、巨头的资本开支、国家的战略投入和能源产业的重新定位上。但它也造成了明显的资源错配：基础模型吸走过多资金，应用层和某些社会价值巨大的行业资金不足。

对其他产业来说，AI 不是一个均匀覆盖的技术浪潮，而是一股选择性极强的力量。它会先改变那些最容易被改变的环节，然后通过成本优势和集中度提升，逐渐重塑整个经济结构。

未来几年最值得观察的不是"AI 有没有泡沫"这种二元问题，而是：哪些 AI 投资真的能产生可持续回报，哪些只是在为一场还没有到来的未来提前买单。

参考