高盛投行部門6月下旬發佈全新30多頁報告《Harnessing AI for the Real Economy》。中文可譯為：《駕馭AI，進入實體經濟》或《AI如何賦能真實經濟》。（文末有報告連結）

報告的核心結論很直接：AI的下一階段，將從數字應用擴展到實體產業。過去幾年，AI最先改變的是軟體、辦公、程式設計和知識工作；接下來，高盛認為更大的變化會發生在工廠、電網、倉庫、實驗室、國防系統和複雜供應鏈中。

報告將影響AI經濟的關鍵趨勢概括為四個方向：

第一，顛覆者正在被顛覆：軟體的未來正在重寫。
傳統軟體公司必須圍繞AI重新創業。真正跑在前面的公司，不是簡單給舊產品加上AI功能，而是把AI能力原生嵌入工作流，主動打破自己原有的產品經濟學，並朝新的價值層級演進，而不是防守舊有模式。

第二，Physical AI與新的工業革命。
隨著數字基礎設施建設持續推進，AI的下一階段正在進入真實經濟。Physical AI正在成為企業價值創造的新前沿，改變公司建設、營運和擴張的方式。

第三，新的資本池正在塑造AI未來。
戰略合作、主權資本和新的結構化信貸工具，正在定義AI擴張的下一階段。相比過去的技術革命，AI需要調動更廣泛、更多元的資本來源。

第四，複雜交易需要更靈活的資本解決方案。
要贏得AI經濟，企業既需要戰略願景，也需要果斷的資本戰略。這場工業轉型的速度和規模，要求企業在完整資本棧上設計更定製化、更靈活的解決方案。

我們一起來詳細看看其中的核心觀點：

01｜A Convergence Unlike Any Before：AI打破了過去技術革命的節奏

高盛在第一部分先講了一個很重要的歷史差異。過去的技術革命大多遵循一個順序：先建基礎設施，再長出應用，最後資本結構逐步適配。但AI這一次不是這樣。今天是基礎設施建設、應用擴散、產業重組、能源擴張、資本創新、併購整合幾乎同時發生。高盛稱，AI時代正在推動一場現代史上罕見的工業轉型，速度更快、範圍更廣、資本強度更高，同時創造新的基礎設施和新的產業結構。

報告開篇還提到，hyperscalers到2030年在AI上的投資預計超過6兆美元，而2026—2031年圍繞算力、電力和資料中心的建設資金需求預計超過7兆美元。

這意味著，AI不是科技行業內部的一次產品升級，而是一次“基礎設施—產業—資本—組織能力”同時重排。AI不是輕資產軟體革命，它正在變成一場重資產、長周期、跨行業的工業革命。

02｜Parallel Shifts：一邊建AI基礎設施，一邊重寫真實經濟規則

報告第5頁提出一個很關鍵的概念：parallel shifts。

也就是AI經濟的兩個變化正在平行發生：一邊是算力、資料中心、電力等基礎設施還在大規模建設；另一邊，AI已經開始重寫真實經濟的運行規則。高盛提到，全球hyperscaler資本開支預計在2026年超過7600億美元，約等於每天20億美元；全球資料中心供給從2019年的30GW增長到2024年的57GW，到2030年還預計新增65GW。

但更重要的是，高盛把視角從“AI基礎設施”轉向“AI落地在那裡”。今天SaaS只佔全球GDP不到0.5%，而實體經濟，也就是製造、機器人、國防、建築、能源等領域，佔據的是全球經濟剩下約99.5%的空間。報告用一句話把這個觀點講得很清楚：軟體是第一個訊號，physical AI才是AI真正落地的地方。

過去AI最熱鬧的地方，可能只是全球經濟最小的一層；真正更大的機會在真實經濟。

03｜Capital at Stake：AI不是輕資產工具，而是7.6兆美元等級的資本建設

第7頁是全文最有衝擊力的圖表之一。高盛給出2026—2031年AI資本開支基準估算，總額約7.6兆美元，分為Compute、Data Centers和Power三塊。

總投入從2026年的7650億美元，上升到2031年的1.64兆美元。其中Compute始終是最大項，2026年約4940億美元，到2031年約1.13兆美元；資料中心從2320億美元增長到4360億美元；電力從390億美元增長到730億美元。

這張圖不只是說明AI很燒錢，而是說明AI的組織問題正在變成資本問題。企業AI轉型下一階段，不只是“有多少員工在用AI”，還要回答算力成本怎麼分攤、資料中心能力怎麼獲得、能源約束怎麼解決、模型推理成本怎麼核算、AI資產回報怎麼評估。過去人力資源管理主要管headcount，未來組織管理可能還要理解token、compute、data center、power這些新的生產要素。

這一點也可以和微軟“Tokenomics is the new headcount”聯絡起來。以前企業問：這個崗位要不要加人？以後會問：這個任務由人做、由Agent做、由機器人做，還是由外部算力服務完成？不同選擇背後的成本結構完全不同。

04｜Software: The First Domain and Enterprise Shock：軟體是第一隻“金絲雀”

進入第二章後，高盛先講軟體。報告第9頁的判斷很重要：軟體是AI經濟學的“煤礦裡的金絲雀”，因為AI對生產率、定價和利潤結構的影響，最早會在軟體行業顯現。

高盛預計，隨著Agent能力把軟體延伸到過去只能由人完成的工作，自動化和企業軟體的總可服務市場未來十年可能擴大約2.5倍。

但這並不意味著所有軟體公司都會受益。高盛提到，軟體行業正在被重新定價。iShares Expanded Tech-Software Sector ETF在2026年截至6月下跌約17%，較2025年10月高點下跌約26%；軟體類股前十大持倉市值蒸發近8000億美元，遠期P/E從2025年底約35倍壓縮到約22倍。高盛的意思不是“軟體市場變小了”，而是市場還看不清楚：那些軟體公司能真正重構成AI-native business model，那些只是把AI功能貼在舊產品上。

05｜Pricing Power Migrates：定價權從應用層遷移到結果層、Agent層和資料層

報告第10頁強調，SaaS時代，定價權在應用層。企業按seat付費，軟體擁有客戶關係、資料入口和標準化工作流。但AI時代，這套架構正在鬆動。價值和定價權開始遷移到三個控制點：結果層、編排與Agent層、資料與上下文層。

結果層決定企業是否願意為“完成的工作”付費，而不是為功能數量或帳號數量付費。編排與Agent層會成為企業行動的作業系統，決定任務如何路由、如何協同、如何保證可靠性。資料與上下文層決定AI是通用工具，還是不可替代的企業能力。模型越商品化，企業自己的流程歷史、制度知識、客戶資料、業務上下文就越重要。

未來企業AI競爭，不是“買了那個模型”，而是誰掌握了自己的工作流、業務上下文和任務編排權。真正值錢的不是模型本身，而是模型進入組織之後形成的閉環：知道任務從那裡來、交給誰、用什麼資料、承擔什麼責任、如何驗證結果、如何沉澱經驗。

06｜The China Cost Divide：中國模型降低推理成本，但價值會繼續上移

高盛在第10頁單獨寫了“The China Cost Divide”。報告認為，模型層已經不是單一地理格局。美國實驗室仍然錨定大量企業部署，但中國開發者也在推進前沿能力，包括阿里、字節、騰訊、百度、小米，以及DeepSeek、Moonshot、MiniMax、智譜等專注型實驗室。高盛特別提到，一些開源權重模型已經接近或位於全球開放模型排行榜前列，而且推理成本遠低於美國前沿模型。

OpenRouter資料顯示，中國模型在其平台上的token消耗佔比，已經從2024年底的低個位數，上升到2026年初的大約一半。但高盛提醒，token量不等於收入。當模型層商品化之後，價值會繼續向資料層、結果層和應用層遷移。

便宜模型會加速AI普及，但不會自動帶來組織優勢。中國企業的機會，不只是用更低成本呼叫模型，而是把低成本推理能力嵌入自己的供應鏈、生產現場、客服系統、研發流程、銷售網路和管理機制。否則，模型再便宜，也只是更便宜的通用工具。

07｜The Industrial AI Software Layer：工業AI軟體正在成為物理營運的控制平面

第11頁進入工業AI軟體層。高盛認為，一個平行重構正在發生：工業AI軟體正在成為設計、模擬、生產、運行物理系統的操作層。它不像軟體行業估值調整那麼顯眼，但規模更大，因為它不是單一行業，而是覆蓋製造、汽車、生命科學、能源、公用事業、航空航天等多個產業。

報告列了五個場景：製造營運從定期維護轉向預測性維護；汽車工程師用數字孿生和合成資料訓練自動駕駛模型；生命科學壓縮藥物發現並虛擬化臨床試驗設計；能源企業預測負荷、最佳化電網調度；航空航天把設計、測試和製造整合進連續平台。這裡的AI不是一個辦公助手，而是生產系統的即時反饋層。產品、裝置、材料、流程和演算法之間形成閉環，質量控制、設計調整和過程最佳化可以同時發生。

這對組織變革的含義很大。未來企業的AI轉型，不會只是“某個部門上線一個AI工具”，而是圍繞工業軟體平台重新組織研發、生產、質量、維護和供應鏈。工業AI軟體會成為新的“控制平面”，物理營運會圍繞它重新排列。

08｜Cybersecurity as Connective Tissue：安全不再是成本項，而是AI部署前提

第11頁還有一個容易被忽略但非常重要的小節：Cybersecurity as Connective Tissue。高盛說，每一次計算基礎設施轉型都會擴大攻擊面。從斷開的系統到網際網路，從本地部署到SaaS，再到AI，每一步都讓安全問題更複雜、失敗後果更嚴重。AI時代更特殊的一點是，企業必須把專有資料和營運上下文帶入外部模型，這在某種程度上逆轉了過去幾十年“把核心資料留在企業內部”的努力。

因此，安全不再只是AI項目裡的一個成本項，而是部署AI的前置條件。沒有安全、權限、審計、資料邊界和責任機制，企業就很難把AI真正放進核心流程。

09｜Digital Twins as the Foundation：數字孿生是工業AI的底座

第12頁是報告中很值得展開的一頁。高盛把數字孿生定義為對物理資產、設施或流程的高保真虛擬呈現。它的價值是：企業可以在現實世界改變之前，先模擬成本、吞吐量、產能和ROI。

報告從NASA Apollo 13的地面模擬器講起，再講到F1賽車團隊用數字孿生在賽前模擬數千圈，縮小模擬和現實之間的“correlation gap”。

高盛隨後用幾起併購說明數字孿生正在變成產業控制權的一部分：西門子2025年以51億美元收購Dotmatics，把數字孿生從工廠地面延伸到實驗室和藥物研發；Synopsys以350億美元收購Ansys，把模擬、晶片設計和物理建模整合到一個平台；Emerson約170億美元收購AspenTech，把過程模擬、資產績效管理和工業AI軟體納入自動化組合。

這些案例背後的邏輯，不是橫向擴大規模，而是縱向掌握完整工具鏈。誰能從設計、模擬、測試、生產到營運形成閉環，誰就更有可能擁有工業AI時代的控制權。

10｜The Physical AI Stack—the Brain Layer：Physical AI不是機器人外殼，而是一整套技術堆疊

第13頁討論Physical AI Stack。高盛強調，Physical AI不同於基於文字訓練的生成式AI，它需要視訊、力反饋、本體感知等多模態訓練資料，而這些資料過去稀缺且昂貴。現在這個瓶頸正在被打破，因為模擬環境、數字孿生和合成資料可以生成大量現實測試難以獲得的資料。

報告把Physical AI拆成幾層：基於Vision-Language-Model和Vision-Language-Action的“AI brains”；能夠生成合成訓練資料的模擬和數字孿生環境；以及輕量執行器、自適應夾爪、高密度電池、邊緣計算等專用硬體。它還提到Nvidia在2025年GPU Technology Conference發佈的開源Isaac GROOT N1，作為“腦層”的代表。

這部分適合把“機器人熱”降溫。真正重要的不是人形機器人長得像不像人，而是它背後的腦、資料、模擬、硬體、邊緣計算和系統整合能力。Physical AI的競爭，本質上是全端競爭。

11｜World Models as the Emerging Foundation：從預測文字到理解世界

第13頁還提出“World Models”。高盛認為，前十年AI主要是識別模式和預測文字；下一階段，AI前沿會轉向能夠理解世界如何運轉的模型。世界模型的價值在於理解物理和社會系統中的因果關係，這對於控制機器人、管理供應鏈、協調企業工作流等高價值決策非常關鍵。

物理世界模型要模擬重力、摩擦、熱力學和材料行為，從而支援機器人、自動駕駛系統和物流應用。社會或虛擬世界模型則可能模擬組織行為、競爭動作、治理結構和政策衝擊，讓企業在真正行動之前進行推演。這一點和企業戰略很相關：AI不只是幫人完成任務，而是開始幫助組織理解複雜系統、預演決策後果。

如果說Agent解決的是“任務如何執行”，world model解決的就是“在什麼環境裡決策”。兩者結合，才會把AI從辦公助手推向真實系統。

12｜Five Factors That Will Determine Industrial AI Winners：工業AI贏家的五個條件

工業AI不會像語言AI那樣快速商品化。決定誰能建立優勢的因素有五個：physics-based architecture、proprietary data、edge deployment capability、certifiability、workflow integration。擁有全部五項能力的公司，會形成更持久的競爭地位；只擁有一兩項能力的公司，容易被商品化。

第一，是否真正理解物理世界的約束，而不是只在數字流程裡做最佳化；第二，是否掌握不可替代的專有資料，而不是只依賴公網知識；第三，AI是否能部署到裝置、現場、網格節點和邊緣控製器，而不是只在雲端運行；第四，是否能通過安全、認證和監管門檻，尤其是在航空、能源、汽車等高風險領域；第五，是否能嵌入既有工作流，而不是推倒幾十年形成的營運實踐。

這裡最關鍵的是最後一點。工業AI的難點不是模型夠不夠聰明，而是能不能進入真實工作流。企業真正要建設的，不只是AI技術能力，而是AI嵌入流程、崗位、裝置、安全和績效體系的組織能力。

13｜Robotics and Physical Deployment：人形機器人很熱，但真正難的是工作流整合

第15—17頁討論機器人和物理部署。高盛先給出人形機器人的邏輯：美國有1300萬製造業工人，製造崗位空缺多於可用工人，還有超過100萬個材料搬運崗位空缺。高盛研究預計，人形機器人市場可能從2025年的2萬台增長到2035年的140萬台。

但報告態度並不盲目樂觀。高盛指出，人形機器人商業模式在三個變數上進展不均：資本走得最快，硬體也在快速進步，但工作流整合明顯滯後。把人形機器人嵌入現有營運、培訓員工、達到機構資本所需的單位經濟模型，都是現實挑戰。

機器人不是買回來就能上崗，與Agent一樣，企業要重寫崗位、班組、流程、安全規範、維運機制和績效系統。人形機器人的真正瓶頸，不一定是“機器能不能走路”，而是“組織能不能讓它穩定、安全、經濟地參與生產”。

14｜Non-Humanoid Robotics Working Today：真正賺錢的，先是非人形機器人

第17頁高盛專門提醒：今天產生收入的，不是人形機器人，而是工業機器人、倉儲車隊和自動駕駛裝置。報告提到，下一代履約中心一開始就按10倍機器人密度設計；Symbotic為Walmart營運黑燈倉庫；Amazon在2026年6月推出新一代Proteus自主移動倉儲機器人，可以響應自然語言。

高盛也提到中國的工業AI和具身智能公司，包括Unitree、UBTECH、Galbot、AgiBot、Spirit AI、小鵬、LimX等，正在以更低成本推進平台。報告判斷，中國一些單用途系統正在向整合AI stack演進，把視覺-語言-動作模型與世界模型結合起來。但廣泛商業部署預計還要到2027—2029年。

Physical AI落地不會均勻發生，最先成熟的不是最像人的機器人，而是單位經濟模型更清晰的物流自動化、預測性維護、倉儲機器人和自動化裝置。對企業來說，不要被人形機器人敘事帶偏，真正要問的是：那個場景有高頻任務、穩定環境、清晰ROI和可管理風險。

15｜Defense as a Strategic Extension：國防是Physical AI最激進的試驗場

報告第18—19頁把國防作為AI進入真實經濟的一個戰略延伸。高盛認為，Physical AI部署、主權資本合作、供應鏈重構和戰略競爭，都集中體現在國防領域。無人機、自動飛行、邊緣計算、衛星、太空通訊和AI推理正在匯合，國防成為AI工業邏輯的高壓測試場。

報告提到，2025年7月，美國國防部向Google Public Sector和OpenAI授予最高2億美元的軍事AI合同，並對Anthropic和xAI也有類似安排；Anduril在2026年5月完成50億美元H輪融資，估值610億美元，並與OpenAI合作把前沿AI帶入國家安全系統。高盛的結論是，防務科技的終局價值在不到十年內，從投機性變成了可承銷、可定價、可進入資本市場的類別。

16｜Energy and Resource Constraints：AI最後會撞上電力、冷卻和技術工人

報告第20—21頁是另一個非常重要的組織視角。高盛指出，所有AI資本結構最後都會撞上同一個物理約束：電力。AI訓練和推理不是唯一負荷，自動駕駛汽車、工業機器人、黑燈工廠和感測器網路都會持續產生資料，並要求即時處理。高盛寫得很直白：今天的電網是為另一種需求結建構造的。

報告提到，美國關鍵資料中心市場的電網接入排隊時間可達8—12年，相當於兩到三代GPU硬體周期；約三分之一未來容量可能採用behind-the-meter或孤島式供電；Microsoft、Meta、Oracle都在部署完全孤島式燃氣發電。能源不再只是AI的後台成本，而是AI戰略能否落地的前置條件。

更重要的是人才約束。高盛預計，到2030年，美國電力和電網價值鏈需要超過50萬名額外工人，而這些崗位通常需要3—4年培訓；能源學徒制入口2024年約4.5萬人，現在需要維持每年6.5萬人才能填補缺口。

未來最稀缺的人才未必都只在模型實驗室，也可能在電力工程、資料中心維運、冷卻系統、網路安全、工業自動化、裝置維護和現場工程。AI轉型會製造新的藍領高技能缺口。

17｜The Real Economy’s Financing Divide：數字基礎設施能融資，Physical AI還缺新資本結構

第21頁後，高盛開始討論“實體經濟的融資鴻溝”。它指出，數字基礎設施的融資工具已經比較成熟，比如投資級債券、私募信貸、基礎設施債務基金、房地產信託等；工業AI軟體可以通過公開市場敞口和選擇性併購進入；但Physical AI，包括人形機器人、工業機器人、自動化工業系統，仍然主要依賴風險投資和成長股權，存在期限錯配和集中風險。

這部分說明了一個很重要的問題：AI進入真實經濟以後，不只是技術成熟度問題，也是資本結構成熟度問題。軟體可以快速迭代，資料中心可以用基礎設施金融來支援，但機器人、自動化裝置、工業現場部署，需要更長周期、更重資產、更高不確定性的資本支援。誰能發明新的融資結構，誰就可能加速Physical AI落地。

18｜Capital Architecture: Financing the Next Phase of Expansion：AI資本結構正在重畫市場

報告第三章講資本架構。高盛認為，AI經濟不是一個單一融資問題，而是一個複雜資本組合問題。它把鐵路、網際網路和AI進行對比：

鐵路時代主要靠長期基礎設施債券，網際網路時代主要靠VC、成長股權和科技併購，而AI經濟需要多種工具同時運轉，包括私募信貸、保險資本、長期資本、hyperscaler投資級債務、公共成長股權、能力驅動型併購、政府支援股權、項目融資和證券化。

高盛把這種能力稱為complexity premium，也就是複雜性溢價。AI不是單一賽道，而是資料中心、晶片、電網、軟體併購、主權資本、國防、關鍵礦產和實體產業部署同時推進。能看懂並協調這些複雜資本結構的機構，會在下一階段獲得優勢。

19｜From CapEx to Operating Model：從資本開支到組織運行方式

報告第24—25頁進一步談到AI如何重畫資本市場。高盛提到，AI相關債務發行在2025年約1210億美元，佔美國投資級市場約6.6%；2026年這一比例可能升至20%。私募信貸市場過去十年從約5000億美元增長到超過2.1兆美元，並開始用資料中心資產和GPU叢集作為抵押。

還有一個很有意思的趨勢是Robot-as-a-Service。高盛認為，機器人即服務正在把機器人採購從資本開支轉向營運開支，就像SaaS當年把軟體採購從一次性買斷變成訂閱一樣。這對組織管理很有啟發：當機器人、Agent、算力和AI能力都可以按需訂閱，企業的組織邊界、預算歸屬和績效核算都會變化。未來管理者不僅要管人，還要管模型呼叫、機器人產能、算力額度和AI資產回報。

20｜Geopolitical Capital：AI基礎設施正在變成戰略資產

高盛資本部分最後還有一個重要判斷：AI基礎設施正在從商業資產，變成戰略資產。報告在Geopolitical Capital as a Strategic Lever中指出，AI經濟和地緣政治越來越深地交織在一起。資本不再只是追求財務回報，也開始服務供應鏈安全、產業安全和國家戰略目標。

原因很直接：AI依賴算力，算力依賴晶片、GPU、電力、資料中心、冷卻系統和關鍵礦產。這些資源不只是企業採購項，也開始變成國家競爭的一部分。高盛提到，主權財富基金正在大規模投向資料中心、半導體和高性能計算基礎設施，背後的邏輯不只是財務回報，還有compute sovereignty，也就是算力主權。

未來AI基礎設施選擇，不只是技術決策，也會是戰略決策。企業選擇那個雲、那個模型、資料放在那裡、算力來源是否穩定、供應鏈是否安全、能源是否可持續，都會變得更重要。

21｜The Decisive Variable：決定未來的，不只是模型，而是組織資源的能力

報告第29頁的標題是The Decisive Variable。高盛在這裡收束全文：AI時代正在被真實地建造出來，領導者需要的不只是戰略願景，還需要果斷的資本戰略。因為這場轉型同時發生在數字經濟和物理經濟中，需要完整資本棧，包括股權、公共債務、私募債務、主權資本以及尚未完全發明出來的新結構。

高盛資本部分看似在講融資，實際是在講AI進入真實經濟後的底層約束。AI不再只是一個軟體工具，而是需要資本、算力、電力、資料中心、GPU、機器人、關鍵礦產、能源和長期人才共同支撐的生產系統。

企業的AI競爭，也會從“誰更會用AI”升級為“誰更會組織AI所需的全部資源”。這才是AI原生組織下一階段真正的分水嶺。 (AI組織進化論)