①AI擴張正從算力、數據中心延伸至製造、能源、物流、國防和生命科學等現實場景；②AI供應鏈約束由「缺芯」轉向「缺電、缺設備、缺工人」；③模型推理價格下行加速軟件重估，工業數字孿生、倉儲自動化和無人裝備率先兌現商業價值，實體AI融資機制仍待完善。
財聯社7月6日訊（編輯 夏軍雄）高盛在最新報告中稱，人工智慧（AI）投資的重心已開始向更廣闊的實體經濟延伸，算力、電力和數據中心仍在高速建設之際，AI已同步進入製造、能源、物流、國防、生命科學和機器人等現實場景。
該行指出，過去技術革命往往遵循「基礎設施先行、應用隨後、融資配套」的順序，而AI正在打破這一節奏，基礎設施建設與產業改造並行推進，資本市場也被迫同步重構。
高盛預計，2026年至2031年，全球圍繞計算、數據中心和電力的AI資本開支將達到約7.6兆美元，年度投入將從2026年的7650億美元升至2031年的1.64兆美元。超大規模雲廠商到2030年的AI投資或超過6兆美元。
未來競爭的關鍵不只是模型或晶片，而是資本結構、能源供給、產業數據、工程能力和部署能力。
AI基建仍在上半場
AI基礎設施的擴張仍是整個產業鏈的起點。2026年，全球超大規模雲廠商資本開支預計超過7600億美元，相當於每天投入約20億美元；全球數據中心供給則已從2019年的30吉瓦增至2024年的57吉瓦，預計2030年前還將新增約65吉瓦。
高盛認為，AI需求增長速度正在快於基礎設施建設。一個標誌性案例是，Google在2026年6月同意向$SpaceX (SPCX.US)$每月支付約9.2億美元（到2029年中累計約300億美元），以獲取大約11萬顆$輝達 (NVDA.US)$GPU的使用權。
這反映出，即使是擁有大規模自建數據中心的科技巨頭，也難以完全依靠自身建設節奏滿足算力需求。
此外，電力逐漸成為新的約束條件。傳統電網原本面向相對穩定的居民和商業負荷設計，而AI訓練和推理帶來的用電需求高度集中，且增長速度極快。
高盛指出，數據中心併網排隊期在部分核心市場已長達8至12年，遠長於GPU更新周期。電網、變壓器、配電設備和施工人員的短缺，可能令AI擴張從「缺芯」轉向「缺電、缺設備、缺工人」。
AI正改寫企業軟件的定價邏輯
在AI衝擊實體經濟之前，軟件行業已經率先感受到壓力。
高盛預計，隨著智能體能夠承擔更多過去由人完成的任務，未來十年自動化和企業軟件的潛在市場規模將擴大約2.5倍。但市場並未因此給予傳統軟件公司更高估值，反而擔憂AI會壓低軟件定價、侵蝕訂閱收入，並重構利潤率。
今年上半年，iShares擴展科技軟件ETF（其主要持倉包括$微軟 (MSFT.US)$和$賽富時 (CRM.US)$等公司）下跌約17%，較2025年10月高點下跌約26%。同期，軟件類股遠期市盈率從2025年末約35倍壓縮至約22倍，為2014年以來低位。
背後的原因在於，SaaS（軟件即服務）時代依賴席位訂閱、功能模塊和客戶關係獲取溢價的商業模式，正在被「按結果付費」的新模式挑戰。
未來AI軟件的價值，可能更多集中於三層：一是直接完成任務、交付結果的應用層；二是調度模型、工具和工作流的智能體編排層；三是沉澱企業專有數據、業務流程和機構知識的數據與上下文層。
中國低成本模型正改變推理價格體系
模型本身則可能更快商品化。尤其在推理環節，中國模型正在以更低成本改變市場定價。
高盛指出，中國模型在OpenRouter平台Token消費中的佔比，已從2024年末的低個位數升至2026年初約50%。
報告稱，部分中國模型提供商可在政策與成本支援下接近成本定價，而私營資本支援的美國模型公司必須考慮資本回報。
隨著推理價格下降，企業未來的競爭重點將不只是「接入那個模型」，而是能否把模型嵌入獨有的數據、流程和業務結果之中。
工業AI軟件與數字孿生
高盛認為，工業AI軟件的影響可能比傳統企業軟件更大，因為其覆蓋製造、能源、汽車、生命科學和航空航天等多個行業。
其核心是數字孿生，即對工廠、設備、產品或流程進行高保真虛擬對應。企業可以在現實改造前，先在虛擬環境中模擬成本、產能、材料表現和投資回報，再將結果反饋至生產環節。
具體而言，製造企業可由定期維護轉向預測性維護；汽車企業可通過數字孿生生成自動駕駛訓練數據；藥企可縮短藥物發現和臨床設計周期；電力公司則可預測負荷並優化調度。
高盛在報告中列出了幾個關鍵併購案例。西門子德國安貝格工廠藉助AI預測性維護，已將生產停機時間降低40%。在產業併購層面，西門子2025年以51億美元收購Dotmatics，意在從製藥設備製造延伸至藥物研發模擬。
$新思科技 (SNPS.US)$以350億美元收購Ansys，整合晶片設計、模擬和物理建模能力；Emerson（$艾默生電氣 (EMR.US)$）則以約170億美元完成對AspenTech剩餘股權的收購，強化流程模擬和工業AI能力。
高盛指出，自2020年以來，大型工業公司已斥資超過1100億美元收購這一領域的軟件資產。其邏輯並非簡單擴大規模，而是企業希望控制從研發、模擬、設計到製造和運營的完整工具鏈。
物理AI與機器人
AI進入現實世界的另一條路徑，是機器人、自動駕駛設備、無人機和智能工業裝備。高盛將其稱為「物理AI」，其難點遠高於文字生成模型，原因是機器不僅要理解語言和圖像，還要處理重力、摩擦、材料、溫度、運動軌跡和安全約束。
因此，工業AI的競爭並不完全遵循大模型的商品化邏輯。
高盛認為，未來贏家將具備五項能力：物理規律驅動的演算法架構、專有數據、邊緣部署能力、通過安全認證的能力，以及與現有工作流深度整合的能力。尤其在航空、能源和汽車領域，模型一次錯誤就可能造成嚴重後果，可靠性和可認證性是商業化前提。
人形機器人是市場最受關注的方向。高盛預計，全球人形機器人市場將從2025年的約2萬台增長至2035年的140萬台。其需求基礎在於勞動力短缺：美國製造業約有1300萬從業者，物料搬運崗位缺口超過100萬個。
但高盛也提示，人形機器人距離大規模盈利仍有距離。資本和硬體進展較快，真正滯後的是工廠部署、員工培訓、任務流程設計和單位經濟性驗證。現階段，商業價值最明確的並非人形機器人，而是倉儲機器人、自動化物流設備和無人化工業裝備。
高盛預計，人型機器人廣泛商業部署可能要到2027年至2029年才會出現。
世界模型或成未來AI基建的新引擎
高盛特別強調，「世界模型」可能成為未來AI基礎設施需求的第二引擎。
與主要處理文字和圖像的大語言模型不同，世界模型試圖理解物理和社會系統中的因果關係，例如模擬摩擦、材料行為、供應鏈反應、政策衝擊或企業競爭策略。
物理世界模型將支撐機器人、物流、自動駕駛和工業設計；社會世界模型則可能被用於戰略推演、投資決策、治理壓力測試和政策情景分析。
高盛認為，世界模型並非替代大語言模型，而是疊加新的計算需求。若其發展速度超預期，當前圍繞算力和電力的投資預測仍可能偏低。
國防與太空是實體AI最具戰略價值的應用場景
高盛認為，國防集中了實體AI、政府資本、供應鏈安全和戰略競爭等多個因素，是AI工業化邏輯最尖銳的試驗場。
AI不會取代人類作戰決策，而是在開火前的偵察、通訊、導航、識別、後勤和任務執行中充當力量倍增器。
其中，無人機和自主飛行器是較早落地的類別，因為人類仍可控制任務目標，AI負責飛行、導航和目標識別。
全球軍用無人機市場2026年約為200億美元，未來十年預計大致翻倍。
國防與太空的技術要求高度一致：都需要在信號受干擾、GPS受限、低延遲和邊緣計算環境下運行。
報告以SpaceX為例：其在收購xAI後，已同時具備國防、連接服務和AI算力屬性，並計劃從2028年起部署可在太陽同步軌道進行大規模AI推理的衛星。
高盛認為，未來「國防公司上市」和「太空公司上市」的邊界將越來越模糊。
融資鴻溝
報告最後的落點是：AI技術擴散速度快於資本體系適配速度。
數據中心、服務器和電力資產已逐步形成較成熟的融資路徑：投資級債券、項目融資、私募信貸、ABS、CMBS、基礎設施基金和售後回租均可參與。
但機器人、人形機器人、自動化設備和實體AI的融資仍不成熟。它們既不像軟件公司那樣輕資產，也不像數據中心那樣具備穩定現金流和可抵押資產。
GPU更新快、殘值不確定，機器人則需要長時間部署、驗證和維護，傳統債務工具難以直接覆蓋這些風險。
因此，未來AI產業真正的融資難點，不在於科技巨頭能否繼續購買GPU，而在於如何將早期技術風險、硬體折舊風險、長期部署風險和客戶收入風險，轉化為保險資金、私募信貸、項目融資和長期機構資本能夠接受的資產。 (財聯社)