AI 投资正在推动增长，同时暴露经济风险

TD Securities 发现了一种显著的经济失衡：2025 年，与 AI 相关的项目贡献了美国企业投资增长的近四分之三。Google News 的标题捕捉到了这一繁荣景象，却没有揭示其背后正在形成的依赖关系。AI 约占资本支出的 8%，却贡献了远超其占比的增长份额。

这种差异改变了经济讨论的重点。数据中心、芯片、电力设施、软件和研发方面的支出，如今在 AI 尚未带来广泛生产率提升之前就已支撑增长。经济先获得了投资，而实际运营回报仍存在不确定性。

因此，核心矛盾在于投资驱动型增长与生产率驱动型增长之间的较量。Alphabet、Amazon、Meta、Microsoft 及其他大型科技公司可以通过资本支出维持前一种增长引擎。后一种引擎则要求数千家普通企业围绕 AI 重组工作流程，并取得可衡量的成果。

Google News 标题遗漏了什么

TD Securities 描述的并不只是科技支出强劲增长的一年，而是一个日益依赖于单一狭窄投资周期的经济体。

TD Economics 估计，2025 年 AI 相关投资较其繁荣前趋势额外贡献了约 1,370 亿美元。其分析汇总了与 AI 建设相关的设备、建筑、软件和研发支出。

当年，数据中心和半导体设施合计带来了 1,250 亿美元投资。按 TD 的方法计算，软件和研发又增加了估计 680 亿美元的 AI 相关支出。

企业投资展望中最重要的发现，是由此形成的集中度。AI 相关活动贡献了近四分之三的企业投资增长，但仅约占总资本支出的 8%。

这一格局之所以重要，是因为 AI 产业链以外的支出依然疲软。根据 TD 的评估，50 多个投资类别中，2025 年实现增长的不足三分之一。

除疫情时期外，这样的广度是自 2010 年以来最弱的。这个比较并不意味着经济已回到金融危机后的状态，而是显示投资扩张从无关行业获得的支持有多么有限。

贸易不确定性和较高的借贷成本可以解释部分原因。对利率敏感的企业面临更紧的融资条件，而大型科技公司则继续利用充裕的现金流为数据中心提供资金。

这种失衡让同一组数据产生了两种截然不同的解读。一种观点认为，私营企业正在为重大的生产率提升建设基础设施；另一种观点认为，整体增长越来越容易受到少数企业集团持续支出的影响。

这两种观点可以在一段时间内同时成立。建设会创造需求，设备订单支撑制造业，软件开发也被计入投资。这些影响会先于企业证明 AI 能够提高更广泛经济体的产出而显现。

原始报道还需要区分名称。TD Securities 是 TD 旗下的资本市场业务，而详细估算来自 TD Economics 的研究。将标题视为单一企业预测，会模糊这种差别。

真正改变的不只是投资者热情。AI 基础设施已经大到足以影响全国投资统计、工业供应链、电力规划以及对经济增长的预期。

AI 投资正在承担更多经济增长动力

眼下的经济收益来自 AI 产能建设，而持久收益取决于企业最终如何利用这些产能。

一个数据中心会带动漫长的供应链。开发商需要土地、建筑劳动力、电气设备、冷却系统、服务器、网络硬件、存储设备、芯片和电网接入。

这些采购在建设期间推高投资，也为半导体制造商、公用事业公司、工程企业、云服务商和设备供应商带来收入。

美国经济分析局通过资本、劳动力、能源、材料和服务来解释这种关系。其增长核算框架追踪这些投入如何促进产业产出和全国增长。

2021 年至 2024 年间，信息产业资本是美国实际 GDP 增长的主要贡献因素之一。这一结果与 AI 及相关服务的大规模支出相一致。

不过，官方统计中并没有一个明确名为 AI 投资的类别。AI 软件横跨多个行业，计算机采购中也包含与机器学习无关的设备。

Federal Reserve 面临同样的衡量难题。其 2026 年 7 月的AI 建设分析综合软件、计算设备、数据中心和电力基础设施，以近似估算 AI 的贡献。

该分析发现，2025 年至 2026 年第一季度，AI 对季度 GDP 增长作出了有意义的贡献。其中，软件和计算机设备提供了最大的正向贡献。

但进口使计算更加复杂。一家公司可以进行大规模国内投资，同时从外国供应商处采购大部分计算硬件。

这种采购会提高设备投资，但进口会抵消其对 GDP 的部分直接贡献。这解释了为何资本支出与国内经济增长的变动幅度可能不同。

衡量缺口也存在于另一个方向。与决策改善、产品质量提升或员工产出提高等下游效益相比，投资核算更容易捕捉建设和设备支出。

一个利用 AI 更快解决案件的客服团队，可能无需购买新服务器就能创造更多价值。一个软件团队也可能在不增加人手的情况下，借助 AI 发布更多功能。

这些收益在经济上很重要，但要将 AI 的贡献与其他变化区分开来仍然很困难。企业在衡量节省时间、错误率、产出质量和被替代工作方面也各不相同。

因此，当前周期既有可见的一面，也有不确定的一面。可见的一面包括起重机、芯片、变电站和资本预算；不确定的一面则包括组织采用和持续的生产率提升。

这正是 Google News 的叙事值得审视的原因。一场已经影响 GDP 的支出繁荣，并不能证明 AI 已经改变了整个经济体的生产方式。

大型科技公司的支出正在给其他企业带来压力

AI 投资经济体奖励那些能够立即为基础设施融资的企业，同时迫使规模较小的企业在缺乏同等资源的情况下证明采用 AI 的合理性。

最大的科技集团进入这一周期时，拥有现金、云业务、既有客户以及进入全球资本市场的渠道。这些优势使其即便在利率较高的情况下仍能继续投资。

TD 研究估计，主要超大规模云服务商的季度资本支出从 2023 年约 400 亿美元增至 2025 年约 1,300 亿美元。超大规模云服务商运营着足以服务大规模客户需求的计算平台。

这些支出支撑了对先进芯片和数据中心容量的需求，也提高了企业开发模型、云服务和 AI 应用的竞争门槛。

规模较小的开发商并不需要建设数据中心，但通常依赖由大型服务商控制的基础设施，并会随着使用量增长而支付计算费用。

企业采购方则面临另一种压力。高管们已经听说 AI 将提高生产率，但许多人仍缺乏可靠的流程来评估产出质量和经济回报。

购买模型访问权限只是早期一步。企业还必须连接数据、重新设计工作流程、制定审查规则、培训员工，并决定哪些环节仍需要人工批准。

这些配套投资很少会出现在产品演示中，却决定了 AI 是会成为运营基础设施，还是沦为利用不足的订阅服务。

TD 的加拿大生产率研究清楚地区分了这两点。其生产率评估指出，美国早期收益主要反映资本深化，而非广泛的组织转型。

资本深化是指员工获得更多或更好的设备。它可以提高测得的产出，但不同于围绕一种新的通用技术重组生产。

2025 年第四季度，美国信息处理设备的实际投资同比增长约 28%，计算机及外围设备投资增长约 72%。

据 TD 引用的数据，美国数据中心建设开工量在 2025 年也增长约 190%。这些数字表明产能扩张极为显著。

但它们并不能证明某家医院缩短了行政延误，或某家制造商改善了缺陷率。这些结果取决于各组织内部的实施情况。

TD 引用的一项调查覆盖了美国、英国、德国和澳大利亚约 6,000 名高管。调查发现，AI 的采用较为广泛，但由 AI 带来的已实现生产率改善仍然有限。

这一缺口同样给科技供应商带来压力。他们必须在控制错误、安全暴露和监督成本的同时，推动客户从试验阶段进入可重复部署阶段。

对于知识工作者而言，教训很实际。更好的模型确实有帮助，但可靠的价值通常取决于如何组织提供给这些模型的信息。

经过维护的AI 知识库可以减少查找项目背景所花费的时间。其商业价值仍取决于准确性、访问控制和持续使用。

不同参与者被迫作出的应对也不同。大型科技公司必须维持基础设施的高利用率；企业采购方必须证明回报，而较小供应商则必须在租用的计算能力基础上打造差异化产品。

这种压力将持续超过当前支出周期。基础设施可以相对较快地获得融资并建成，但组织变革要通过预算、政策和员工行为逐步推进。

这一机制从数据中心延伸至生产率

只有当基础设施带来更低成本的计算、更广泛的采用，以及众多行业更高的产出时，AI 支出才能转化为持久的经济增长。

这一周期始于预期需求。科技公司预计训练和推理的使用将增加；推理指的是 AI 模型完成训练后投入运行的过程。

它们随之订购芯片、建设设施并确保电力供应。当这些订单看起来足够持久、能够证明其自身投资合理时，供应商便会扩大产能。

更多产能可以随着时间推移降低计算成本。更低的成本让开发者能够添加 AI 功能，也让企业能够以经济可行的方式运行更多任务。

更广泛的采用随后会带来提升生产率的机会。员工可以加快研究、汇总记录、生成草稿、检查数据，或自动化流程中明确界定的部分。

然而，这一机制中的每个环节都可能被削弱。电网接入延迟可能导致建筑无法完工，或阻止已建成设施全面投入运营。

芯片短缺可能推高成本并延长交付周期。TD观察到，随着需求撞上受限供应，半导体价格在2025年下半年加速上涨。

软件经济性带来另一项不确定因素。如果客户抗拒增加支出，或需要大量人工核验，更低的计算成本并不能保证应用能够盈利。

最后一步，即组织转型，是最困难的。早期的通用技术需要在技能、管理、基础设施和流程重构方面进行配套投资。

企业最初接入电动机时，电力并未立即改变工厂生产率。许多收益是在管理者围绕分布式电力重新设计生产之后才出现。

计算机也走过类似路径。企业先购买硬件，之后才逐步学会如何重构信息流、供应链和行政工作。

AI面临同样的时间滞后问题，同时还增加了可靠性方面的担忧。模型可能生成流畅的内容，但其中包含错误事实、缺失背景，或不安全的建议。

这造成了经济学家常说的生产率J曲线。在组织投资无形资产并重新设计工作方式时，已测得的生产率起初可能令人失望。

只有当这些变化带来的产出超过持续成本时，后续回报才会显现。培训、治理、数据准备和人工审核都应计入这一计算。

这一机制带来的收益分布也并不均衡。大型数据中心集群附近的建筑市场获得直接投资，而其他地区短期内几乎看不到收益。

AI相关行业的劳动者可能受益于需求上升。其他员工则面临工作流程变化，或不确定雇主是否会自动化其岗位中的部分职责。

其结果是一个由两只时钟塑造的经济体。基础设施时钟随着已公布的资本预算和建设进度推进。

生产率时钟则通过试验、信任、流程重构和可测量的结果推进。它不会因为又一座数据中心开业而自动加速。

这一差异让AI投资经济数据更具价值。它将为创造产能而花费的资金，与通过持续使用所产生的价值区分开来。

如果利用率上升且企业业绩改善，今天的建设就会成为长期增长的基础。如果采用停滞，同样的基础设施就会变成需要高昂运营成本的过剩产能。

投资数据仍无法证明什么

最有力的证据支持一轮大规模AI建设周期，但尚不足以证明生产率已广泛转型，或投资回报足够充分。

第一项不确定性在于定义。政府统计账户并不单独列出AI，因此分析师只能从同时包含AI和非AI活动的类别中构建估算。

计算机和外围设备包括普通办公设备。电力基础设施既支持AI设施，也支持家庭、工厂、交通运输和传统数据服务。

美联储警告称，随着无关趋势影响相同类别，外推2023年前的基准会变得不那么可靠。因此，每项估算都依赖于对纳入范围和归属关系的假设。

第二项不确定性涉及集中度。由少数现金充裕企业推动的投资扩张可以保持强劲，但其覆盖面有限。

TD发现，2025年增长的商业投资类别不足三分之一。这使得总体投资对超大规模云服务商的预算决策更加敏感。

第三项不确定性是变现。基础设施运营商需要获得足够的付费需求，以覆盖芯片、电力、冷却、维护、网络和融资成本。

消费者的热情不一定会转化为企业收入。企业客户在扩大部署前，会评估安全性、准确性、集成成本和可量化回报。

第四项不确定性涉及金融市场。更高的科技股估值可以通过家庭财富支撑消费，但价格下跌也可能逆转这一渠道。

TD在其市场压力分析中对这一风险进行了建模。按照其假设，标普500指数若出现假设性的30%回调，年度增长将减少超过一个百分点。

同一情景还会使年末失业率升至5%以上。TD将如此规模的调整描述为尾部风险，而非其核心预测。

模型中，10%的回调带来的影响要小得多。这种对比表明，任何重新定价的幅度，比市场波动本身的出现更重要。

TD还指出，循环融资和对债务的更大依赖可能构成潜在脆弱性。循环安排是指参与者为购买其产品的客户或合作伙伴提供资金。

这类协议可以加快基础设施部署。但当资本、计算合同和供应商收入都在同一商业网络内流动时，它们也可能掩盖独立需求。

电力构成另一项约束。全球数据中心产能需要发电、输电、变电站以及漫长的接入流程。

TD估计，全球已安装数据中心的电力需求从2020年的约60吉瓦增至2024年的约100吉瓦。美国和中国引领了这一扩张。

其电网约束报告认为，各地区必须在不将不合理成本转嫁给普通电力用户的前提下，为项目接入电网。

这一问题可能使投资演变为政治冲突。社区需要在税收收入和建设就业，与土地使用、用水量、输电升级和电费之间进行权衡。

这些风险都不会否定AI投资逻辑。它们界定了这一逻辑要成功所需满足的条件。

证据支持强劲的基础设施需求及其对商业投资的显著影响。关于全经济范围生产率的说法，则需要更直接的运营证据。

因此，读者应区分三种表述：AI支出规模很大、AI支出支撑增长，以及AI采用已改变生产率。这是三项不同的主张。

前两项拥有充分证据。第三项仍是一项开放性检验，无法通过资本支出总额来定论。

将决定下一步走向的三个信号

下一阶段将取决于投资广度、基础设施利用率和经过验证的生产率提升，而不只是更大规模的支出公告。

第一个信号是商业投资的广度。分析师应关注，更多非AI设备、建筑和知识产权类别是否开始扩张。

更广泛的增长将强化TD的观点，即经济可以超越集中式建设。持续疲软则会表明，AI仍是一种异常孤立的支撑力量。

这一指标也为未来有关资本支出的Google News标题提供了背景。当参与范围扩展到数家科技公司之外时，增长的总额看起来会更健康。

第二个信号是数据中心建设、设备订单、电力接入和实际利用率之间的关系。这些指标追踪的是同一基础设施周期的不同阶段。

如果持续建设同时伴随着半导体产出和活跃的计算需求，将支持投资逻辑。只有建设而没有利用率，则会增加产能过剩风险。

电网接入也属于这一信号，因为规划中的设施并不会仅仅因开工建设就变得具有生产力。接入延误可能使资本闲置，并扭曲已公布的产能。

美联储特别建议将实体建设与计算设备和半导体生产进行比较。差异可能揭示供应约束或支出结构的变化。

第三个信号是科技行业以外经过验证的生产率。企业应报告能够经受常规运营审查的产出、质量、周期时间或成本改善。

零售商缩短库存规划时间、医院减少行政工作，或制造商改善维护，都能比单纯的采用调查提供更有力的证据。

衡量必须包括实施成本。当组织无法将节省的员工时间转向额外产出或更优服务时，这种节省的价值有限。

第三个信号决定AI能否成为覆盖全经济的通用技术。它也决定基础设施所有者能否在初始建设期之后获得持续需求。

开发者面临的挑战，是在真实业务约束下创建可靠运行的系统。准确性、安全性、集成和人工监督将与模型能力同样重要。

企业买家应在部署前要求建立基准。他们需要知道哪项指标会发生变化、如何验证，以及改进伴随哪些新增成本。

知识工作者也可以在更小的范围内采用同样的纪律。跟踪AI工作流程是否减少检索时间、提高完整性，或加快一项重复性交付成果。

投资者面临的是这一检验的更广泛版本。他们必须区分由持续资本部署支撑的收入，与由盈利性终端用户需求支撑的收入。

TD Securities帮助将经济讨论从模型性能转向资本配置。这一转变很有价值，因为投资如今会影响增长、电力市场、供应链和金融风险。

问题不再是AI是否吸引了大量支出，而是这些支出是否创造了企业将以可持续水平使用的生产性产能。

请同时关注下一批投资报告、基础设施利用率披露和企业生产率证据。如果三者都改善，当前的集中度就会成为早期阶段，而非结构性弱点。

如果只有支出上升，Google News的叙事仍将不完整。读者应追问：哪些行业正在产出更多，谁获得收益，以及这些收益能否在建设期结束后持续存在。