Gartner：AI 基础设施风险令 3.5 万亿美元进入减值风险区

Gartner 表示，到 2030 年，超过 3.5 万亿美元的计划支出将处于 AI 基础设施风险区。这一警告挑战了当前大规模建设背后的核心假设：需求能否以足够快的速度增长，从而让日益昂贵的数据中心实现盈利。

这家研究机构预计，AI 提供商将在 2026 年投入近 1 万亿美元用于基础设施。它预测，2027 年至 2030 年间还将有 6 万亿美元投资。然而，行业预计收入远不足以支撑这些资产所需的回报。

这并不只是又一场关于人工智能是否处于金融泡沫中的争论。Gartner 的减值预测指出，资本支出与收入之间存在可量化的冲突。

这种冲突也区分了两类基础设施所有者。多元化云平台可以在更广泛的业务中消化较低回报；专注于 AI 云服务的运营商则往往依赖借贷资本、昂贵硬件和集中的客户需求。

这一差异使 neoclouds 面临的压力大于 Amazon Web Services、Microsoft Azure 或 Google Cloud。neocloud 是指专门出租加速计算能力的服务提供商，通常围绕图形处理器构建。

因此，Gartner 所称的 AI 基础设施风险不止涉及会计问题。它考验的是哪些运营商能够同时承受价格下跌、硬件老化、融资成本和企业采用速度放缓。

Gartner AI 基础设施风险始于 4.9 万亿美元缺口

Gartner 的核心发现是，基础设施所有者所需的收入与市场预计能够创造的收入之间存在错配。

Gartner 表示，到 2030 年，AI 数据中心所有者需要累计获得 8.5 万亿美元收入。这一金额将覆盖已公布的资本支出、融资成本以及 12% 的投入资本回报率。

Gartner 预测，同期可归因于企业和消费者 AI 的收入最多只有 3.6 万亿美元。在不考虑这些收入如何在价值链中分配的情况下，缺口已达 4.9 万亿美元。

基础设施所有者未必能获得 AI 产品创造的大部分收入。模型开发商、软件公司、咨询机构、应用提供商和分销商都会分走一部分。

Gartner 预计，不到一半的可归因 AI 收入将流向拥有大量基础设施的提供商。许多 AI 原生企业采用轻资产模式，转而租用计算能力。

这种分配使上述缺口更加严峻。数据中心所有者承担资产和融资义务，但其他公司可以获取大量应用收入。

Gartner 并非表示 3.5 万亿美元必然会消失。该公司称，如果当前投资轨迹延续，这一金额可能面临减值风险。

当资产账面价值超过其合理预期可产生的经济收益时，就会发生减值。所有者随后会在财务报表中下调该资产价值。

这一区别很重要，因为风险暴露并不等同于已实现亏损。在减值变得必要之前，项目可以延期、产能可以重新配置，支出计划也可以缩减。

不过，这些调整仍将表明最初的需求假设过于乐观。即使没有正式减记，也可能导致利润率下降、项目取消或行业整合。

最初的减记警告发布之际，投资者已经在质疑 AI 建设热潮的经济性。其规模为这场讨论提供了更清晰的财务框架。

如果投资沿着 Gartner 所假设的路径继续，到 2032 年将有超过 4 万亿美元的资产价值面临减记风险。Gartner 预计，行业在 2032 年底前无法实现其假设的 12% 回报率。

这一更长的时间线改变了基础设施所有者面临的问题。在预期回报赶上已部署资本之前，他们必须为数年的扩张提供资金。

因此，Gartner 的 AI 基础设施风险既是时间问题，也是收入问题。需求可以快速增长，但其到来的速度仍可能不足以支撑为之建设的资产。

AI 支出跑在已验证需求之前

这轮建设假设未来 AI 工作负载能够以当前企业采用尚未证明的规模实现商业化。

AI 模型需要专用处理器、高带宽内存、网络设备、冷却系统、建筑设施以及稳定电力。这些组件大多必须在提供商明确客户使用强度之前就先行落实。

这一顺序形成了艰难的投资周期。提供商必须先建设产能，而使用量、价格、客户留存率和软件商业模式仍未确定。

在需求变得明确之后，产能无法立即出现。数据中心开发涉及土地、许可、电力协议、电网接入、设备订购、施工和测试。

等待需求得到验证，可能使提供商缺乏足够产能；过早建设，则可能让昂贵硬件利用不足，同时利息和融资支出持续发生。

行业在很大程度上选择了后者这一风险。大型云公司和专业提供商正在争夺处理器、电力、选址和客户，而收入模式尚未成熟。

这一选择有一定合理基础。训练更大模型会消耗大量计算资源。为广泛使用的 AI 应用提供服务可能需要更多产能，因为用户每次提交请求都会触发推理。

企业也正从实验转向生产系统。客户服务、软件开发、文档分析、搜索、安全和研究都会产生持续性的推理工作负载。

然而，技术使用并不会自动带来基础设施层面的回报。提供商必须将这些使用量转化为收入，而收入需超过硬件折旧、能源、网络、融资、人员和维护成本。

价格竞争使这种转化更加困难。模型开发商一再在提升性能的同时降低常见推理任务的成本。硬件和软件优化也能降低每次响应所需的计算量。

这些改进能够刺激需求，但也可能使每单位计算的收入下降速度快于总使用量增长速度。

这形成了一个熟悉的技术悖论：更便宜的计算会扩大市场，但基础设施所有者需要足够大的规模，才能抵消单位价格下跌和设备快速老化的影响。

独立研究此前已勾勒出实体建设的规模。一项 2025 年的计算投资分析估计，到 2030 年，全球数据中心将需要 6.7 万亿美元投资。

该估计包括 5.2 万亿美元用于承载 AI 工作负载的设施，以及 1.5 万亿美元用于传统计算。它还警告，过度投资可能造成资产闲置，而投资不足则可能限制增长。

Gartner 的分析更进一步，将这波建设浪潮与可归因收入及所需回报进行比较。这一比较将产能预测转化为偿付能力测试。

若仅以模型需求上升来解释 AI 支出，就会忽略这一财务层面。更多 token、智能体和企业部署，并不保证基础设施所有者能够获取足够价值。

最重要的数字不是 AI 使用总量，而是在芯片与最终应用之间的每一个参与者都分得一杯羹之后，所剩下的利润率。

这一利润率还必须在相关硬件失去竞争力之前实现。一款处理器即使仍能正常运行，也可能因新系统具备更高的每瓦性能而在经济上过时。

当产能扩张速度快于盈利性工作负载时，Gartner 的 AI 基础设施风险便会加剧。当新硬件降低上一周期采购设备的价值时，风险会进一步上升。

Neoclouds 面临最严峻的考验

专业 AI 基础设施提供商将高度集中的收入，与可能迅速失去经济价值的资产结合在一起。

Gartner 预测，到 2030 年，超过 80% 的 neocloud 提供商将不再独立运营。这一结果可能包括倒闭、收购、合并，或被整合进更大的平台。

这一预测并不意味着 80% 的企业都会直接关门。它描述的是一个在成本压力暴露出差异化不足后，可能走向整合的市场。

Neoclouds 的出现，是因为对加速计算的需求超过了传统云平台可提供的产能。它们可以获得处理器、组建集群，并将其出租给模型开发商或企业客户。

当计算资源仍然稀缺时，这种模式尤其有效。由于访问权本身具有价值，客户会接受更高价格、更长期承诺或有限的灵活性。

随着更多设施上线，稀缺性可能消退。届时，客户可以基于价格、可靠性、软件、网络、地域覆盖和支持服务比较不同提供商。

当竞争对手提供相同处理器时，出租大致相似硬件的提供商几乎没有保护空间。合同可以支撑短期收入，但续约取决于未来价格和客户需求。

融资又增加了一个压力点。专业运营商通常没有多元化科技公司所拥有的广告、电商、生产力软件和成熟云业务收入。

因此，在需求发展期间，它们可用于补贴基础设施的空间更小。一座设施延期、一位客户流失、再融资问题或价格急剧下跌，都可能影响整个业务。

客户集中度会放大这些冲击。一家大型模型开发商可能支撑大规模扩张，但如果该客户减少需求或更换供应商，提供商便会变得脆弱。

硬件在停止工作之前，经济价值就已开始折旧。新一代加速器可以提供更快的训练速度、更大的内存容量、更强的网络能力或更高的能源效率。

旧处理器可能仍适用于推理或要求较低的工作负载。但将它们转入这些市场，通常意味着必须接受更低的租赁费率。

数据中心本身的使用寿命比服务器更长。但当冷却、供电或网络需求发生变化时，为高密度 AI 集群配置的建筑可能仍需进一步投入。

Gartner 的论点在杠杆率高、客户集中且产能缺乏差异化的领域最有说服力。这些因素可能将租赁费率下跌转变为减值或重组。

该警告发布后的市场反应反映了这种担忧。随着投资者重新评估预期回报，与专业计算和数据中心产能相关的股票承压。

短期股价波动并不能证明 Gartner 的预测。但它们表明，资本市场认识到收入增长与可持续的基础设施经济性之间存在差异。

新型云服务商可以通过锁定长期合同、控制电力成本，以及开发提高客户迁移成本的软件来应对这一压力。它们还可以专注于那些运营专业能力至关重要的工作负载。

这些防御措施所需的不只是处理器供应充足。它们还需要提供差异化服务，并在原始算力变得更易获得后依然保持价值。

这正是 Gartner 对 AI 资产减记的预测指向行业整合的原因。规模可以改善采购、融资、利用率和客户多样性，而收购则可将资产转移至资产负债表更稳健的企业。

行业整合或许能保留大部分实体产能，但仍将证明，许多最初的运营商无法创造足够的独立回报。

超大规模云厂商拥有更大空间来捍卫扩建计划

Amazon、Microsoft 和 Google 面临相同的基础设施经济规律，但其更广泛的业务使它们有更多方式捕获 AI 价值。

超大规模云厂商以全球规模运营计算基础设施，并支持 AI 之外的多种服务。这种业务组合使其投资逻辑不同于专业供应商。

云平台可从存储、数据库、网络、安全、开发者工具和传统计算服务中获得收入。AI 工作负载也能强化这些相关业务。

这些平台掌握了从基础设施到应用之间更长的价值链。它们可以出租加速器、销售托管模型访问服务、托管客户数据，并提供部署 AI 系统的工具。

它们还可以在内部使用基础设施。搜索、广告、推荐、生产力软件、电商和客户支持都会产生工作负载，而这些并不会体现为外部云销售额。

这种更广泛的价值捕获并不能消除 Gartner 所指出的 AI 基础设施风险，但它为超大规模云厂商提供了更多机会，可通过多个收入来源证明支出的合理性。

Gartner 发布研究结果后，Amazon Web Services 提出了直接反驳。AWS 财务主管 John Felton 表示，该公司的资本支出正在支持具有实质意义的创新和客户需求。

他提到，公司第二季度报告的订单积压接近 5000 亿美元。AWS 表示，这些需求来自大型企业、AI 实验室和中小企业。

根据 AWS 的支出论证，该公司对投资仍感到安心，因为客户正承诺长期使用。AWS 报告季度营收为 422 亿美元，同比增长 36.7%。

订单积压能够提高可见性，但并不能完全回答回报问题。合同可能跨越多年、包含服务义务，也可能包括与专业 AI 基础设施无关的工作负载。

营收增长也不同于投入资本回报率。一项业务可以迅速扩张，同时产生低于其投资成本和风险水平的回报。

不过，AWS 的回应指出了对 Gartner 模型最有力的挑战。需求可见性和多元化收入能够让大型平台在周期较弱的阶段持续投资。

超大规模云厂商也可以放缓某一类建设项目，而不放弃更广泛的云战略。它们可以重新调配硬件、协商采购时间表，或优先发展需求更强的设施。

其采购规模可能降低设备和融资成本。全球布局则可在电力、监管或本地容量受限时，将工作负载在不同地区之间转移。

定制加速器提供了另一道防线。内部设计的芯片可以减少对单一供应商的依赖，并改善特定工作负载的经济性。

这一策略也有自身成本。设计处理器、软件和网络需要持续投入，同时客户仍期待与广泛采用的系统兼容。

因此，这个故事中的核心对立并不是 Gartner 与某一家公司之间的争论，而是行业的营收承诺与已部署资本的经济现实之间的冲突。

超大规模云厂商拥有更多防御手段，但仍需要客户以极大规模使用 AI 服务。它们的优势在于，能够在一个规模大得多的系统中捕获价值。

3.5 万亿美元警告并未证明什么

Gartner 的预测是一种基于支出、收入和回报假设的情景推演，而非对必然损失的审计时间表。

该分析假设当前的投资轨迹将持续下去。当项目经济性走弱时，供应商可以改变这一轨迹。

在设备到位之前，建设可以推迟。硬件订单可以调整，设施可以分阶段启用，计划地点也可能维持未开发状态。

产能短缺的持续时间也可能长于预期，从而支撑价格。电力接入、许可延误、供应限制和当地反对意见，可能在市场达到供过于求之前限制新项目。

这些约束将减少面临疲弱需求的已建成基础设施数量，也可能提高正常运转产能的价值。

需求可能超过 Gartner 的收入预测。AI 智能体、科学系统、机器人、媒体生成、编程工具和企业自动化，可能创造目前仍难以建模的工作负载。

行业也可能找到更好的变现方式。当 AI 系统能够完成有价值的工作，而不是仅提供偶发协助时，企业可能愿意支付更多费用。

这种结果需要可衡量的经济价值。企业客户最终需要生产率提升、额外收入或更低的运营成本，以证明持续 AI 支出的合理性。

知识密集型公司也面临同样的考验，只是规模更小。一个 AI 知识库 只有在人们能够将其输出用于实际决策和工作流程时，才能产生价值。

基础设施供应商依赖于这种应用层面的成功。如果企业 AI 始终只是实验性预算项目，需求将无法支撑目前规划中的每一座数据中心。

效率带来了另一项不确定性。更好的硬件、更小的模型、缓存、量化和改进的软件，可以通过相同的基础设施产出更多结果。

效率可以提高高利用率供应商的利润率，但也可能减少满足特定需求量所需的总容量。

其影响取决于需求弹性，即成本下降时使用量的响应强度。如果较低成本带来大幅增加的需求，供应商就能让系统保持繁忙。

如果需求增长缓慢，效率可能使新建产能变得多余。因此，同一项技术进步既可能强化应用，也可能削弱基础设施所有者。

Gartner 采用的 12% 回报假设也值得关注。它代表该公司为投资资本选择的门槛回报率，而非通用的会计阈值。

较低的必要回报将缩小模型中的缺口。更高的融资成本或项目风险则会扩大缺口。

收入归因带来了另一项挑战。AI 对云合同、广告产品、软件订阅和内部效率均有贡献，但这些价值难以被精确分配。

狭义归因模型可能低估基础设施所支持的收入。广义模型则可能将原有系统本就会产生的业务收入归功于 AI。

因此，3.5 万亿美元这一数字应被视为风险敞口估计。它揭示了在 Gartner 假设下错配的规模，但并未指出具体资产或公司。

这种局限并不意味着这一警告无关紧要。当投资决策比结果可观察的时间早数年到来时，情景分析依然很有用。

如果支出持续增长，而利用率、利润率和可归因收入仍然疲弱，Gartner 的 AI 资产减记论点就会更有力。如果在折旧加速前，盈利性需求迎头赶上，其论点就会减弱。

三项信号将决定这一警告是否成立

利用率、现金回报和行业整合，将显示 AI 扩建是在创造可持续的基础设施业务，还是在形成搁置产能。

第一项信号是 AI 数据中心披露的利用率。供应商很少提供完整且可比的指标，但若干运营指标可以揭示方向。

投资者应关注租赁价格、合同期限、客户集中度、部署延误以及填满新增产能所需的时间。价格下跌伴随新增空置产能，将支持 Gartner 的警告。

仅有高利用率还不够。供应商可以通过折扣合同填满设施，但这些合同可能无法覆盖融资和折旧成本。

更有力的信号是高利用率、稳定价格和不断改善的运营利润率同时出现。这种模式将表明，客户足够重视产能，足以支撑其经济性。

第二项信号是主要平台的投入资本回报率。资本支出可以支持未来增长，但现金生成能力最终必须证明其回报。

云收入、运营利润率、自由现金流、折旧、采购承诺和订单积压转化都值得关注。没有任何单一数字能够决定结论。

如果云业务增长依然强劲，同时利润率经受住不断上升的折旧压力，超大规模云厂商的辩护就更具可信度。如果收入增长但现金回报持续下降，Gartner 所说的 AI 基础设施风险将更难忽视。

第三项信号是新型云服务商的行业整合。Gartner 预计，到 2030 年，超过 80% 的此类供应商将停止独立运营。

收购、重组、取消项目、契约条款变化和困境资产出售，都将提供早期证据。行业明显转向少数规模化运营商同样如此。

行业整合不一定意味着 AI 需求已经崩溃。它可能意味着需求依然健康，但最初的供应商采用了不可持续的财务结构。

电力供应将影响这三项信号。数据中心无法通过缺乏可靠电力或电网连接的处理器实现变现。

能源需求展望 预计，到 2030 年，全球数据中心耗电量将达到约 945 太瓦时。这是近期水平的两倍以上。

预计 AI 将推动其中大部分增长。然而，数据中心将需求集中在特定地点，输电和发电容量可能在这些地点成为刚性约束。

电力瓶颈可能保护已建成设施免受供过于求影响，也可能使那些获得土地和设备、却没有可行接入方案的项目陷入困境。

顺序很重要。如果企业在回报走弱和明显产能过剩的情况下仍继续投入资本，Gartner 的预测就会更有说服力。

如果供应商削减边际项目、提高利用率，并将企业采用转化为盈利性的经常性需求，这一预测就会减弱。支出纪律可以避免减值，而无需否定 AI 更广泛的重要性。

读者应将人工智能的成功与为其基础设施提供融资的每一家公司的成功区分开来。一项有用的技术仍可能在错误的价格下吸引过多资本。

同样的区别也适用于早期通信和计算热潮。过度建设损害了投资者，但幸存下来的基础设施后来支撑了有价值的服务。

Gartner 的警告认为，在扩建尚未完成之前，行业正接近这一考验。在当前轨迹下，其模型认为超过 3.5 万亿美元面临风险。

下一个问题不是 AI 使用量是否会继续增长，它几乎肯定会增长。问题在于，收入能否足够快地流向资产所有者，以赶在折旧、融资成本和新竞争加剧之前实现回报。

关注服务商实际披露的数据，而非他们的承诺。新建设施是否正以可持续的价格实现满负荷运营？扣除折旧后的回报是否在改善？专业运营商是否仍能保持独立？

这些答案将决定 Gartner 所指出的是一场本可避免的资本错配，还是一轮历史性资产减记周期的开端。