AI 服务器增长面临更严峻的基础设施考验

随着支出加速，Bernstein 上调了服务器展望，但 Google News 的标题掩盖了需求与满足这些需求所需基础设施之间的矛盾。

底层的 Investing.com 报道发布于 2025 年 9 月 20 日。报道称，Bernstein 预计全球服务器市场将在 2026 年达到 4,500 亿美元。这家券商将该预测与 Microsoft、Alphabet、Amazon、Meta、Oracle 以及新兴云服务运营商不断扩大的预算联系起来。

这一乐观判断如今有了更多证据支持，但也面临更严峻的考验。服务器需求已不再局限于训练大型 AI 模型。推理、定制加速器、存储、网络和传统处理器都在争夺组件、电力与建设能力。

Nvidia 仍通过其 GPU 系统在这一建设浪潮中居于核心地位。不过，Google、Amazon、Meta 和 Microsoft 也在投资专用集成电路，即 ASIC，这类芯片面向更特定的工作负载设计。这形成了市场最关键的较量：支出承诺与将这些承诺转化为实际运行计算能力的物理条件之间的较量。

Bernstein 的 Google News 预测究竟说了什么

Bernstein 的预测并不只是认为企业会购买更多服务器，而是认为资本支出将支撑一轮异常广泛的基础设施周期。

原始报告称，自 2025 年 7 月以来，市场对 2026 年资本支出的共识预期已上调近 20%。Bernstein 预计，其覆盖的投资池将在 2024 年至 2027 年间以 26% 的复合年增长率增长，达到约 5,000 亿美元。

资本支出通常简称 capex，涵盖建筑物、服务器、网络设备和电力系统等长期资产。因此，capex 预测的上升不仅代表芯片订单增加，也表明运营商预计将部署并使用显著更多的计算能力。

Bernstein 还估计，在建和即将建设的数据中心涉及约 7,700 亿美元的总投资。所列项目包括 Oracle 在 Texas 的 Stargate 扩张、xAI 在 Tennessee 的 Colossus 系统，以及采用其 Trainium 加速器的 Amazon 设施。

这家券商据此将建设项目储备转化为 2026 年全球服务器市场规模 4,500 亿美元的预测。它预计，报告中定义为包含相当于八块 GPU 的系统的高端 GPU 服务器，将在 2025 年增长约 55%，并在 2026 年增长 35%。

机架出货量提供了另一项具体衡量指标。Bernstein 模拟预测，在 Nvidia GB200 和 GB300 系统的支持下，机架数量将从 2025 年的 30,000 个增至 2026 年的 56,000 个。一个机架将处理器、网络、电力输送、冷却接口和配套硬件整合为可部署的数据中心单元。

原始服务器展望还强调了定制加速器。Bernstein 预测，到 2026 年，ASIC 将占基于 CoWoS 的 AI 加速器出货量近 45%。

CoWoS 是一种先进封装方法，可在高度集成的封装内连接处理器与高带宽内存。其产能至关重要，因为云服务运营商若没有合适的封装、内存、板卡和服务器组件，便无法部署加速器。

Bernstein 将超过 100 亿美元的新 Broadcom AI 订单视为定制芯片需求增长的证据。报告还重点提及 Wiwynn 和 Accton，这两家台湾制造商为大型云客户提供服务器和网络系统。

报告引用的共识预测显示，Wiwynn 和 Accton 的营收预计将分别增长 130% 和 111%。这些预估反映的是在供应链中流转的价值，而不只是相同机器数量的增加。

在解读标题时，这一区别至关重要。服务器营收增加，可能是因为供应商出货了更多系统、每套系统变得更昂贵，或产品组合转向复杂的 AI 机架。Bernstein 对 4,500 亿美元的预测结合了这三种力量。

报告还包含一个利好的供应信号。Bernstein 表示，用于先进半导体基板的特殊材料 T-glass 的短缺状况看起来“好于担忧”。供应商良率的提高似乎降低了 Nvidia 系统生产面临的一项直接风险。

不过，该预测从未保证每个已宣布项目都会按计划投入运营。它确立的是支出逻辑。实际执行仍取决于芯片、内存、网络、冷却、电力、许可，以及愿意使用由此产生计算能力的客户。

AI 基础设施支出已超越 GPU 训练

Bernstein 论点最有力的支撑在于，AI 需求如今覆盖了更多类型的服务器，而不仅是最昂贵的 GPU 集群。

早期生成式 AI 投资高度集中于训练。训练通过处理大规模数据集，利用大量加速器构建或优化模型。这类工作负载对 Nvidia GPU 和高带宽内存带来了非同寻常的需求。

推理则不同。它运行已训练的模型，以回答提示词、生成媒体内容、对内容排序或完成自动化任务。随着使用量增长，推理所需的装机基础可能比周期性的训练任务更庞大、更持续。

AI 智能体又增加了一层需求。一个智能体可以调用模型、检索信息、使用软件工具，并反复执行步骤直至完成任务。即便是简单的用户请求，也可能触发多次模型调用、数据库搜索以及传统计算操作。

这种模式将需求分散到加速器和通用服务器上。CPU 负责准备数据、协调请求、管理存储、验证用户身份，并处理模型执行前后的工作。网络设备则在各个阶段之间传输信息。

TrendForce 在 1 月预测，2026 年 AI 服务器出货量将同比增长超过 28%。该机构预计，包括传统系统在内的全球服务器总出货量将增长 12.8%。

该公司将部分增长归因于 Google 和 Microsoft 为 Gemini 和 Copilot 推理流量采购更多通用服务器。其 AI 出货量预测还指出，需要替换 2019 年至 2021 年云计算扩张期间购置的设备。

这创造了一轮比纯 GPU 叙事所暗示的更广泛的支出周期。云服务商可能部署一个加速器机架、增加用于准备请求的 CPU 服务器、扩展存储，并升级内部网络。随后，设施还必须提供足够电力并移除由此产生的热量。

因此，Bernstein 的 Google News 预测捕捉到了一项重要的方向性变化。AI 基础设施已开始从集中的模型训练，转向服务日常工作负载的分层生产系统。

云服务预算的规模支持这一解读。Axios 汇总的公司指引显示，在 2026 年 2 月，领先的超大规模云服务商当年支出可能约为 6,100 亿美元。这一中值约为两年前支出的三倍。

超大规模云服务商是指在多个地区建设基础设施并服务众多客户的大型云运营商。它们的采购决策会影响半导体生产、设备设计、能源开发以及服务器制造商的财务表现。

超大规模云服务商支出估算并不能与服务器营收完全一一对应。这些预算包括建筑、土地、网络、能源系统和其他设备。不过，它们表明支撑 Bernstein 分析的需求信号并未消失。

这类支出也流向了新兴基础设施提供商。Neoclouds 专门出租加速计算能力，通常围绕 Nvidia 系统构建。它们可以快速增加可用容量，但其经济性取决于融资成本、利用率、硬件供应和客户集中度。

大型云运营商则拥有不同的优势。它们可以将工作负载导向自有芯片，并将投资分摊到现有服务中。Google 可以将 Tensor Processing Units 与 Google Cloud、Gemini、广告、搜索和外部模型开发者连接起来。

Amazon 可以将 Trainium 和 Inferentia 处理器与更广泛的 AWS 平台结合。Microsoft 可以为 Azure 和 Copilot 服务优化基础设施。Meta 则可以让定制硅芯片服务于规模巨大的内部推荐和广告工作负载。

这种多样性使服务器持续增长更具可能性。但由于不同架构以不同方式封装计算能力，它也让市场更难通过单一机架数量来衡量。

定制 AI 芯片正在削弱 Nvidia 的默认地位

核心竞争压力已不再是 AI 基础设施会不会增长，而是哪种架构将获得增长中的每一笔新增支出。

Nvidia 通过 GPU、网络、系统及其 CUDA 软件环境，建立了加速 AI 的默认平台。CUDA 为开发者提供了在 Nvidia 处理器上运行计算工作负载的工具和库。

这一软件基础使 Nvidia 难以被取代。一款竞争芯片需要具备可接受的性能、可靠供应、高效软件，以及足够多的可用开发者。更低的硬件成本无法弥补数月的工程工作或薄弱的生产可靠性。

尽管如此，云服务公司仍有充分理由开发 ASIC。定制加速器可以去除某一特定工作负载不需要的功能，也可以优化内存传输、功耗、数值格式以及与公司网络的连接方式。

Google 通过其 Tensor Processing Units推进了这一策略，并通过 Google Cloud 向外提供用于训练和推理工作负载的服务。Amazon 提供用于模型训练的 Trainium 和用于推理的 Inferentia。Meta 已开发自有加速器，而 Microsoft 也已推出用于内部和云端工作负载的芯片。

TrendForce 最初预计，基于 ASIC 的 AI 服务器将占 2026 年出货量的 27.8%。该机构称，这是自 2023 年以来的最高占比，并预计定制芯片系统的增长速度将快于 GPU 系统。

该预测中，GPU 占出货量的 69.7%。因此，尽管定制架构不断获得市场份额，Nvidia 仍保持多数地位。真正重要的变化并不是 GPU 被立即取代，而是面向高容量工作负载的可信替代方案正在出现。

Bernstein 近 45% 的估计与 TrendForce 约 28% 的估计之间的差异值得关注。Bernstein 特指基于 CoWoS 的 AI 加速器出货量，而 TrendForce 讨论的是 AI 服务器出货量份额。这两个分母衡量的并不是同一件事。

加速器数量、先进封装数量和服务器数量不能被视为可互换的指标。一台服务器可以包含多枚加速器，而机架级系统则整合了数量各异的计算托盘。不同研究机构对产品的定义也有所不同。

这也是简短的 Google News 标题可能夸大确定性的原因之一。“服务器出货量”听起来像是标准化单位，但市场涵盖传统 CPU 设备、八 GPU 服务器、机架级平台和定制系统。

总体方向依然一致。ASIC 正在扮演更大的角色，因为云服务提供商希望实现供应多元化，并对运营成本拥有更强控制力。GPU 仍是适用于新模型、不断变化的软件，以及需要熟悉平台的客户的灵活选择。

当工作负载具有可预测性且规模足以覆盖设计成本时，定制芯片的表现最佳。一家运行数十亿次类似推理操作的云服务公司，可以将这些成本分摊到大量使用量之中。规模较小的买家通常无法做到这一点。

这形成的是一种分工，而非简单的胜负之分。Nvidia 可以继续在前沿训练和通用加速计算中保持关键地位，而定制芯片则承接部分特定的推理工作负载。

服务器制造商必须同时应对这两条路径。他们既需要适配 Nvidia 机架架构的设计，也需要围绕云服务商自有芯片构建的系统。不同客户在网络、散热、供电和验证方面的要求各不相同。

压力同样延伸至 Intel 和 AMD。AI 集群仍需要主机 CPU、存储控制器、安全功能和通用计算能力。然而，Nvidia 的 Grace 处理器以及云服务商设计的 Arm 芯片，可能会夺走过去默认分配给 x86 系统的任务。

因此，市场正在扩张，但也变得更加不均一。增长并不能保证每一家供应商都能维持自身的份额、定价能力或利润率。

预测遭遇组件与电力的现实检验

需求已不再是唯一的严重限制。服务器热潮必须穿过一个无法以软件速度扩张的供应链和电力系统。

截至 2026 年 4 月，TrendForce 已下调其整体服务器出货量展望。该机构表示，全年增长率将维持在约 13%，低于此前接近 20% 的预期。

此次调整并不反映客户兴趣疲弱。供应商正优先将组件用于价值更高的 AI 系统，导致传统服务器的交货周期延长。印刷电路板和 CPU 的延迟已接近一年。

电源管理集成电路，即 PMIC，负责调节电压并在电子系统内部配电。AI 服务器需要更高的功率密度，因此供应商将更多制造产能分配给此类产品。

TrendForce 预计，通用服务器的 PMIC 交货周期将从 21 至 26 周延长至 35 至 40 周。用于监控和管理服务器的基板管理控制器芯片，也面临更长的等待时间。

预计 BMC 的交货周期将从 11 至 16 周延长至 21 至 26 周。该机构的组件预警显示，AI 需求如何能够提振一个细分市场，同时限制另一个市场。

这正是解读不断上升的出货预测时面临的主要挑战。订单增长速度可能快于交付。收入可以上升，而单位出货量增长却低于此前预期。短缺也可能促使生产转向高价系统，在并未实现相应实体扩张的情况下推高市场价值。

定制芯片带来了另一项时间风险。Meta、Amazon 及其他运营商必须先验证新处理器、主板、网络和软件，才能进行大规模部署。TrendForce 将其预期的 ASIC 服务器份额从接近 28% 小幅下调至约 27%，因为调优可能会延迟出货。

Nvidia 平台也面临自身的集成要求。机架级系统需要液冷、高速网络、专用配电以及精确安装。交付单个处理器，并不意味着运营商能够立即为客户提供服务。

电力构成了更大的物理限制。Gartner 预计，全球数据中心用电量将在 2026 年增长 26%，从 447 太瓦时增至 565 太瓦时。

根据该预测，AI 优化服务器在 2025 年消耗约 95 太瓦时电力。预计其在 2026 年的耗电量将达到 175 太瓦时，增幅约为 84%。

Gartner 预计，AI 服务器在 2027 年将消耗 258 太瓦时电力。这将使其用电量首次超过传统数据中心硬件。

散热需求也会随计算需求一同上升。Gartner 预计，数据中心冷却系统将在 2026 年消耗 195 太瓦时电力，较上年增长 22.6%。

其数据中心预测将电力可用性列为刚性约束。如果运营商缺少已通电的建筑、冷却能力或电网接入，已完成的服务器机架也无法产出任何有用结果。

电力限制也因地点而异。云服务提供商可能在一个地区拥有闲置容量，却在另一个地区面临长达数年的公用事业排队等待。客户可能因延迟、监管或数据驻留要求指定特定地点，从而限制远程容量的价值。

用水、电网升级、当地反对意见和许可审批，都可能在设备订单启动后延误项目。运营商正日益探索现场发电、核电协议和长期可再生能源合同，但大型项目需要数年时间。

这些限制并未否定 Bernstein 的看涨论点。它们改变了该论点的时间节奏和价值分配。拥有可用组件、经过验证的设计以及可接入通电设施的供应商，能够获取更多价值。

风险在于，财务承诺可能跑在可部署容量之前。云服务公司可以在公用事业公司批准并网之前公布预算。服务器制造商也可以在所有组件供应尚未落实前接下订单。

因此，投资者和买家应区分三个阶段：已宣布的资本支出、已出货的设备和可投入生产的容量。第一项衡量意图，第二项衡量供应链执行，第三项衡量客户能否真正运行工作负载。

更高出货量并不保证更好的经济回报

AI 服务器市场可以快速增长，同时为云运营商、制造商及其客户带来不均衡的回报。

AI 系统包含昂贵的处理器、内存、网络和散热设备。高昂的物料成本可以为服务器组装商带来可观收入，却可能让它们的毛利率保持有限。

制造商可能接受较低的利润率百分比，因为大额订单带来的绝对利润依然重要。他们也可能期待服务、存储、网络或未来订单改善客户关系。

然而，集中的买家拥有显著的议价能力。Microsoft、Amazon、Google、Meta 和大型 neoclouds 可以要求定制设计、激进的交付进度以及细致的成本控制。

这些买家同样面临自身的经济挑战。他们必须让已安装的加速器保持足够高的利用率，以证明折旧、融资、电力和维护成本的合理性。利用率衡量可用计算容量中有多少在执行付费或具有生产价值的工作。

竞争拥挤的云市场可能压低租用费率，尤其是对于较旧的加速器代际。新的 Nvidia 产品可以降低仅在一年前购置的系统的相对价值。定制芯片也可能将工作负载从商用 GPU 转移出去。

因此，需求质量与需求量同样重要。训练合同、面向消费者的 AI 服务、企业订阅、广告改善和内部生产力工具，会产生不同的收入特征。

最初的 Bernstein 报告将支出与积极的供应链评论及更顺畅的 GB200 出货联系起来。这些证据支持了交付情况，但并未独立证明每个数据中心项目的长期回报。

企业同样保持选择性。许多公司使用托管 AI 服务，而非自建大型集群。它们可以在不直接购买服务器的情况下增加模型使用量，从而使基础设施集中在少数服务提供商手中。

这些服务提供商有能力进行广泛试验，但股东仍期待回报。如果 AI 收入的增长慢于折旧和运营成本，管理团队将面临放缓未来建设的压力。

相反的结果则会强化这一预测。高利用率、不断扩大的 AI 收入和持续下降的推理成本，将证明继续投资是合理的。即使总用电量上升，效率提升也能降低每项任务的成本。

这种效应有时被称为反弹需求。当计算变得更便宜时，开发者会将其用于更多请求、更多用户或更复杂的推理。因此，效率提升可能推高总体基础设施消耗，而非降低它。

软件改进使计算更加复杂。更小的模型、量化、缓存和更好的调度，可以降低每次请求的计算量。量化会降低模型使用的数值精度，从而减少内存和处理需求。

然而，应用程序可能会将这些节省用于更长的上下文、额外的模型调用或更大规模的用户群体。一个会多次检查自身工作结果的智能体，可能比传统聊天机器人的一次回复使用更多推理资源。

对于开发者和企业买家而言，实际影响是复杂的。更多基础设施可以提升可用性，并降低部分计算成本。架构碎片化则可能让云平台、模型可移植性和性能方面的选择更加困难。

针对某一种定制加速器优化的工作负载，可能无法轻易迁移至另一家服务提供商。Nvidia 的通用软件环境降低了部分摩擦，这也强化了其战略价值，即便 ASIC 的采用不断增长。

买家应评估工作负载的总成本，而非只看芯片基准测试。网络、数据移动、存储、工程时间、排队延迟和电力可用性，都会影响实际可用的结果。

Bernstein 的预测描述的是一个不断增长的市场，而非利润的均等分配。拥有稀缺组件的供应商可能获得更强的议价能力。组装商的收入增长可能快于利润率。云运营商可以获得更多容量，同时承担更高的折旧费用。

这正是看涨标题之中的核心反转。更多服务器出货量证实 AI 投资仍然活跃，但也增加了未来 AI 产品必须创造的收入规模。

Google News 读者接下来应关注什么

三个信号将显示，Bernstein 的预测代表的是可持续部署，还是一轮跑在自身限制之前的支出周期。

第一个信号是已交付的容量，而非已宣布的预算。Microsoft、Alphabet、Amazon、Meta 和 Oracle 将继续披露资本支出。读者应将这些总额与管理层关于已通电容量、部署进度和客户可用性的评论进行对照。

只有当设备真正可以使用时，不断上升的预算才能强化需求论点。若因电网接入、冷却设施安装或组件短缺而反复延迟，将削弱近期出货预期。

第二个信号是 Nvidia GPU 与云服务商设计 ASIC 之间的结构变化。Nvidia 的机架部署仍是衡量广泛加速器需求最清晰的指标。Google TPU、Amazon Trainium、Microsoft Maia 和 Meta 加速器的部署情况，则揭示定制芯片是否正在承接可重复的工作负载。

TPU 或 Trainium 若能成功获得外部采用，定制芯片就不再只是内部成本控制项目。验证延迟、软件支持不足或客户使用有限，则会巩固 Nvidia 的默认地位。

读者应避免比较彼此不兼容的出货百分比。加速器数量、服务器和机架描述的是市场的不同层面。最有价值的披露将把已安装硬件与可用容量及实际工作负载使用情况联系起来。

第三个信号是基础设施效率。云计算公司必须证明，AI 收入、利用率或运营节省正与资本需求同步扩大。服务器供应商则必须表明，更高的 AI 收入能够带来可持续的利润，而非只有规模、没有回报。

电力使用同样属于这一信号。通过长期协议获得的电力，只有在发电能力和电网接入按时到位时才有意义。短期内依赖受限的区域电网，可能拖慢原本已有资金支持的项目。

Google News 的表述将 Bernstein 的调整视为对 AI 支出扩大的简单回应。但更完整的图景要求更高。支出依然强劲，推理正在扩大服务器需求，定制芯片也在推动市场多元化。

与此同时，组件、电力、散热以及经济效益决定了其中多少需求能够转化为有效产能。这些约束决定了谁能从扩张中获益，以及何时获益。

下一轮资本支出头条将吸引关注，但更值得问的运营问题是：有多少系统已经安装、通电，并用于创造收入的工作？

在将又一次上调预测本身视为确认之前，先关注这三个信号。如果部署、利用率和 AI 收入同步上升，Bernstein 的论点便更具支撑。若预算增长但进度延误、回报仍不明朗，服务器热潮依然会是真实的，但其经济效益将远不那么确定。