随着 AI 基础设施竞赛加速，超大规模云服务商资本支出逼近 7,000 亿美元
Google News 揭示了 AI 基础设施领域一个显著变化：四家超大规模云服务商目前预计，2026 年合计资本支出将接近 7,000 亿美元。Alphabet、Amazon、Microsoft 和 Meta 已不再试探生成式 AI 是否值得投入更多产能。它们正以一种逻辑进行建设：受限的算力供应所构成的威胁，可能大于产能过剩。
最新财报为这一决定提供了依据。云业务收入正在加速增长，客户正消化新部署的产能，高管们仍在描述供应限制。但资本支出的增速快于许多传统 AI 收入指标。
这一差距定义了当前的矛盾。超大规模云服务商承诺，需求将吸收不断扩张的数据中心；而投资者希望看到证据，证明由此带来的收入足以支撑昂贵且快速折旧的硬件。
问题已不再是大型科技公司会不会投资，而是这些基础设施能否在芯片老化、电力成本上升或主要 AI 客户更换供应商之前，转化为生产力。
最新 Google News 资本支出观察揭示了什么
资本支出竞赛已从雄心勃勃的指引，转向几乎所有主要云平台持续推进的执行阶段。
Alphabet、Amazon、Microsoft 和 Meta 以异常庞大的基础设施计划进入 2026 年。它们最新披露的信息显示，这些计划正在扩大，或稳定在此前区间的高位附近。
这些公司投入的不仅是图形处理器。其计划还包括数据中心建筑、网络设备、定制加速器、传统处理器、存储、冷却系统和能源基础设施。
这些资产的财务周期也各不相同。建筑和电力系统可在多年内持续发挥作用。由于效率快速提升，GPU 和其他计算组件面临更短的更换周期。
在比较不同资本支出数字时，这种构成至关重要。Microsoft 表示，其财年第三季度支出中约三分之二用于短寿命资产，主要是 GPU 和 CPU；其余部分则用于预计在更长时期内创造价值的资产。
Microsoft 报告季度资本支出为 319 亿美元，随后表示下一季度支出将升至 400 亿美元以上。该公司预计，2026 年日历年资本支出约为 1,900 亿美元，其中包括更高的组件成本。
该公司还预计，产能限制将持续至 2026 年。这一限定支持了支出逻辑，因为它表明 Microsoft 能够将新增设备投放到供应不足的环境中。
不过，供应受限并不保证回报具有吸引力。一项受限服务可能增加产能，却同时面临价格下降、电力成本上升或客户集中度不利等问题。
Alphabet 也构成了一项同样重要的检验。根据一份 Alphabet 云业务分析，Google Cloud 第二季度收入达到 248 亿美元，同比增长 81.8%。随着需求持续扩大，Alphabet 也上调了基础设施展望。
该公司报告称，来自 AI 实验室、金融机构、制药公司及其他企业买家的需求强劲。其 财报说明列出的客户包括 Deutsche Börse Group、Pfizer、Roche、Kakao 和 World Labs。
这些名称表明，AI 基础设施需求并不局限于面向消费者的聊天机器人。企业需要算力用于模型训练、推理、数据处理、机器人技术、药物研究和内部应用。
推理是指运行已训练模型以生成答案或完成任务的过程。与训练不同，每当客户使用一项 AI 功能时，推理需求都可能重复出现。
这种重复性构成了超大规模云服务商最有力的经济论点。如果企业将模型嵌入重复性工作流程，算力需求就可能变得持久，而非昙花一现。
Amazon 在第二季度后也强化了同样的信息。AWS 销售额增长 37%，为该服务 18 个季度以来最快增速。根据一份 AWS 支出更新，Amazon 随后将预期资本支出上调至 2,200 亿美元。
Meta 的定位不同。它并未运营可比的公共云业务，因此其大部分基础设施用于广告、推荐系统、内部模型和消费者产品。
Meta 报告第二季度资本支出为 310.8 亿美元，并在其 季度业绩中将全年指引收窄至 1,300 亿至 1,450 亿美元。
综合来看，这些披露表明，投资周期覆盖面广、推进活跃，且仍在加速。紧张关系由此开始，因为每家公司都必须将这种实体扩张转化为不同形式的回报。
云业务增长正在支撑支出逻辑
当新增算力投入运营之际收入增长同步加快，超大规模云服务商的资本支出看起来就不那么投机。
最有力的证据来自云平台。Google Cloud 和 AWS 均报告了强劲增长，而 Microsoft 继续向投资者表示，Azure 需求超过了可用供应。
Microsoft 报告称，其财年第三季度 Azure 按固定汇率计算增长 39%。其高管预计，在 2026 年日历年下半年，增长将小幅加速。
产能与收入之间的这种关系至关重要。闲置在仓库中的服务器无法支撑乐观论点；快速开始承载付费工作负载的已安装服务器则可以。
Microsoft 表示，其正专注于更快地让新到设备具备创收能力。具备创收能力的产能包括已安装、完成网络连接、测试并通过客户可购买服务对外提供的硬件。
这一转化可能需要时间。超大规模云服务商必须取得场地、接通电力、完成建设、安装设备，并将这些设备整合进其软件平台。
该过程也会造成季度数据不均衡。融资租赁可能在租赁开始时体现出较大的资产价值，即使相关现金流出发生在更长期间内。
Microsoft 的披露提供了有用背景。该公司表示，其财年第三季度资本支出中有 47 亿美元涉及融资租赁，主要用于大型数据中心场址。
因此，投资者不能仅凭一个资本支出数字来判断这一周期。他们需要在多个季度中比较已安装产能、云业务增长、经营现金流、利润率和已签约需求。
剩余履约义务（RPO）是其中一项指标。它代表公司预计将在未来确认的合同收入，但确认时间和取消条款可能有所不同。
RPO 上升能够支持基础设施投资，因为它让管理层对未来需求拥有更高可见性。然而，合同并不能消除客户集中度或执行风险。
Alphabet 云业务的加速提供了另一项信号。其第二季度云业务增速显著超过公司整体收入增速。这一表现表明，AI 基础设施已成为重要增长引擎，而不只是研发费用。
Amazon 的 AWS 加速也指向同一方向。尽管收入基数已很大，该云业务部门第二季度的增长仍快于第一季度。
这些结果削弱了最简单的泡沫论点。超大规模云服务商并非在所有相关业务停滞时仍持续投入。多项云业务正随着投资同步加速。
更有力的怀疑论点涉及这种增长的规模和持久性。高百分比增长必须持续足够长时间，才能覆盖折旧、能源、网络、维护和融资成本。
折旧是将资产记录成本在其预计使用寿命内分摊的过程。公司今天可以产生正现金流，同时承担由新安装基础设施带来的大量未来折旧。
当设备的淘汰速度快于预期时，这项会计负担就会变得重要。如果更新的加速器能以更低能耗完成相同工作，客户将倾向于采用更新硬件。
旧设备仍可服务于较小模型和传统工作负载。不过，其经济价值取决于效率、利用率、软件支持和市场定价。
因此，云业务增长只回答了第一个问题：它表明需求存在。但它尚未证明每一美元投入所对应的全生命周期回报。
S&P Global Ratings 估计，Alphabet、Amazon、Meta、Microsoft 和 Oracle 将在 2026 年投入约 7,500 亿美元。根据其 资本支出信用评估，这将约占其合计收入的 38%。
该机构还指出，强劲的第一季度业绩显示，这些支出已开始产生效果。其表述概括了当前的平衡：经营势头支持扩建，而前所未有的规模也增加了财务敞口。
真正的较量是需求与折旧之间的较量
决定性竞争并非 Google 对 Microsoft，或 Amazon 对 Meta，而是已签约的 AI 需求与计算硬件较短经济寿命之间的竞争。
由于支出总额巨大，公司之间的比较备受关注。然而，出于同样的原因，主要压力落在每一家超大规模云服务商身上。
在最有价值的组件竞争力下降之前，它们都必须让昂贵的基础设施保持繁忙。衡量可用算力中有多少正在实际使用的利用率，因而变得至关重要。
满负荷运行的 GPU 集群可以带来经常性收入，或改善一项盈利的内部服务。利用不足的集群则会持续消耗资本、能源和运营关注。
Microsoft 的资产构成让这一时间压力更加清晰。季度资本支出中约三分之二流向了包括处理器和加速器在内的短寿命资产。这些组件可迅速支撑收入，但其经济优势也可能迅速减弱。
剩余三分之一包括长寿命基础设施。数据中心场址、电力连接和网络设备能够支持数代计算设备。
这形成了分层的投资逻辑。即便单个芯片过时，长寿命设施仍可保留战略价值。安装在这些设施内部的短寿命硬件则必须更快实现商业化。
Amazon 和 Google 可以通过公共云服务出售这些产能。它们可将基础设施成本分摊给众多客户、地区和工作负载类型。
它们也可以在不同硬件类别之间迁移工作负载。客户可能在先进加速器上进行训练，却在成本较低的芯片上运行常规推理。
Microsoft 通过 Azure 拥有类似机会。它可以通过模型托管、企业软件、开发者工具以及 Copilot 等第一方应用实现产能变现。
Meta 的路径则不那么直接。它可以利用 AI 基础设施改善广告定向、内容推荐、用户参与度、模型开发和未来消费者服务。
Meta 第二季度营收同比增长 28%，广告展示次数增长 14%，平均广告价格上涨 12%。这些数据表明，其核心业务目前能够为大规模基础设施投资提供资金支持。
然而，回报无法清晰归因于某一款 AI 产品。更好的推荐可能提升用户参与度，而改进后的广告模型则可能提高转化率。
这使得 Meta 的资本支出比与客户合同挂钩的 AWS 支出更难评估。这类投资可以创造真实价值，却未必形成一条名为 AI 收入的独立业务线。
Alphabet 面临类似的复杂情况，因为 AI 会影响云服务、广告、搜索、生产力工具和消费者产品。一些回报体现为防御性收益，而非新增销售。
例如，在 AI 原生替代方案面前维持 Google Search 的使用量，就可能为巨额基础设施支出提供合理依据。这一结果保护的是现有业务，而非创造一个独立的收入类别。
防御性投资在经济上可以是理性的。但外部投资者仍难以衡量其效果，因为管理层无法展示反事实结果。
同样的问题也影响生产力产品。AI 助手可能有助于留住客户、推动升级或降低流失率，却不会带来易于单独识别的付款收入。
因此，需求与折旧之间的较量无法仅凭已披露的 AI 收入得出结论。分析师需要更广泛的证据。
他们需要关注云业务增长、利用率、服务定价、毛利率、客户多元化、电力效率和产品采用情况。目前没有任何一家公司披露了完整图景。
这一信息缺口有助于解释，为何 Google News 的报道不断回到超大规模云服务商的资本支出上。支出是可见且即时的，而回报则会随着时间推移分散地体现在各条业务线中。
这一比较也明确了谁面临压力。基础设施供应商会在订单增长时受益。云服务商则必须证明，所购设备能够带来可持续的经济效益。
企业买家还面临另一重影响。更多容量可以提高可用性，并扩大模型选择范围。但这也可能加深对少数控制基础设施层供应商的依赖。
开发者应关注供应商是否会将效率提升传导给客户。如果需求仍高于供给，更快的芯片并不必然带来更低的账单。
计划部署 AI 的公司还应区分暂时性的容量短缺与结构性经济问题。如今受限的服务，可能在多家超大规模云服务商完成新设施建设后面临激烈的价格竞争。
这种转变将有利于买家，却会给供应商带来压力。支撑当前增长的同一场基础设施竞赛，未来也可能造成产能过剩。
资本支出数据仍无法证明什么
云业务的快速增长验证了当前需求，但并不能证明每一座新数据中心都将获得可接受的全生命周期回报。
第一项不确定性是客户集中度。大型模型开发商能够消耗异常庞大的计算容量，即使需求依赖于少数几家买家，也可能使云平台看起来取得了广泛成功。
OpenAI 和 Anthropic 尤其重要，因为它们的训练和推理需求能够影响多个云平台。它们的基础设施关系还包括战略投资、容量承诺和商业合作伙伴关系。
这引发了循环性担忧。超大规模云服务商可能投资一家模型公司，提供云额度或容量，随后再从该公司确认基础设施收入。
这些交易仍可能合法且具有经济意义。不过，分析师必须将独立客户需求与由相关融资安排支持的活动区分开来。
近期一项 AI 收入分析指出，超大规模云服务商并未单独披露其 AI 数据中心带来的销售额和利润。该分析还强调了行业对 OpenAI 和 Anthropic 的依赖。
第二项不确定性是定价。需求可以快速增长，但单位价格也可能下降，尤其是在新芯片以单位能源生成更多 token 时。
Token 是 AI 模型处理的小型文本或数据单元。供应商通常通过生成或处理这些单元的成本来衡量推理的经济性。
较低的单位成本可以扩大使用量。但除非更高的业务量抵消价格下降，否则也可能降低固定工作量所带来的收入。
第三项不确定性是使用寿命。超大规模云服务商会为服务器设定会计使用年限，但其竞争性寿命取决于模型架构、软件优化、内存容量、网络和能源效率。
六年的折旧周期并不能保证高价值客户会在六年内持续需要同一款加速器。旧芯片可能会转向价值较低的工作负载。
第四项不确定性涉及电力。数据中心需要稳定可靠的电力供应，而在资源受限地区，接入电网可能需要数年时间。
即使公司已获得土地或签订设备合同，电力限制仍可能延迟收入实现。它们还可能迫使供应商在会增加网络或运营成本的地点建设设施。
第五个问题是建设时点。宣布资本支出并不意味着容量会立即可用。许可审批、变压器、冷却设备和输电基础设施都可能成为瓶颈。
这些延迟带来艰难的平衡。建设过慢，可能会将客户拱手让给拥有现成容量的竞争对手；建设过快，则可能在需求增长放缓后才完成设施。
第六项不确定性关乎内部使用与外部使用之间的取舍。一家公司可以将稀缺的加速器分配给自身模型、消费者应用、研究团队或公共云客户。
Microsoft 表示，仍需在 Azure 需求与第一方应用和研究之间持续平衡。即使同一批硬件在其他领域创造价值，这一决策也会影响已披露的云收入。
Alphabet 也必须在 Google Cloud、Gemini、Search、广告和其他产品之间作出类似的资源分配选择。Amazon 则需要在 AWS 客户与自身零售、广告、机器人和消费者 AI 系统之间取得平衡。
内部工作负载可以带来可观回报。然而，与直接云销售相比，其收益更难比较，尤其是在它们只是渐进式改善现有服务时。
Meta 面临这一挑战中最集中的版本。其基础设施主要服务于自身应用，因此投资者必须从广告表现、用户参与度和产品采用情况中推断回报。
最后一项不确定性是战略行为。超大规模云服务商不会在与竞争对手无关的情况下独立作出投资决策。
如果一家公司扩张，其他公司会担心失去模型开发商、企业客户、技术人才和生态系统控制权。因此，即使高管私下预期回报较低，支出仍可能维持高位。
这种动态类似一场军备竞赛。每个参与者可能都更希望全行业放缓建设步伐，但没有参与者愿意成为唯一容量不足的公司。
这并不意味着这些支出不理性。它意味着部分资本支出既服务于竞争防御，也服务于客户需求。
持怀疑态度的观点不应声称超大规模云服务商缺乏收入或现金。其最新业绩显示出可观增长、强劲的运营业务，以及融资渠道。
更准确的担忧是，健康的公司仍可能过度投资。强劲的资产负债表会降低短期财务风险，却不能保证资本配置高效。
三个信号将决定接下来会发生什么
如果超大规模云服务商的资本支出要继续获得投资者支持，接下来的三个财报周期必须显示出容量转化、多元化需求和稳定的经济效益。
第一个信号是，新部署的容量是否会推动云收入再次加速增长。
Microsoft 预计，随着更多基础设施上线，Azure 增长将有所改善。如果这种加速出现且利润率仍受控制，就会增强管理层关于供给限制收入的说法。
AWS 提供了第二项测试。其第二季度增长率在第一季度的 28% 后达到 37%。如果增长继续接近这一水平，将表明其更高支出是由不断扩大的客户需求推动的。
Google Cloud 必须证明其第二季度的大幅加速具有可持续性。再出现一个强劲季度，将表明该平台的受益不只是来自受限容量的暂时释放。
如果资本支出上升后云业务增长立即放缓，这一论点就会被削弱。届时，投资者需要判断缺口是由建设时点、定价还是需求走弱所致。
第二个信号是客户多元化。
超大规模云服务商已点名金融机构、制药公司、机器人开发商、模型实验室及其他客户。下一步是证明这些群体正从试点转向经常性的生产工作负载。
生产环境采用很重要，因为它能带来更稳定的推理需求。训练一个模型可能产生规模很大但间歇性的计算需求。
当员工、客户、软件代理或设备使用已部署的应用时，它都会产生业务活动。这种重复性需求能够在更长时期内支撑基础设施。
开发者和企业买家应关注证据，判断 AI 工作负载是否已超越少数几家基础模型公司。实用指标包括更多企业合同、更广泛的区域采用，以及对小型模型不断增长的需求。
多元化将强化投资逻辑。若收入持续依赖少数资金充裕的实验室，则会面临合同谈判、融资条件和合作关系变化带来的风险。
第三个信号是，随着折旧增加，营业利润率和自由现金流是否趋于稳定。
Meta 在资本支出达到 310.8 亿美元后，第二季度自由现金流仅为 7.84 亿美元。这并不能确立长期趋势，但显示出基础设施如何压缩短期现金生成能力。
随着支出增加，Alphabet 的自由现金流也面临更大压力。投资者将关注云业务增长和广告表现是否开始抵消这种压力。
Microsoft 的披露将尤其有参考价值，因为该公司将短寿命计算资产与更长寿命的基础设施区分开来。在折旧增加的同时保持稳定利润率，将支持其回报假设。
如果在资本承诺持续增加的同时利润率显著走弱，需求故事就会显得不够完整。管理团队将面临有关定价、硬件利用率和预期资产寿命的更尖锐问题。
这些信号的重要性不止于金融市场。超大规模云服务商的投资决定开发者在哪里能够获得容量、云服务商支持哪些芯片，以及新的 AI 服务能以多快速度投入生产。
它也影响企业架构。正在决定采用单一云、多个云还是私有基础设施的买家，需要了解当前的容量限制是否会持续存在。
持续建设将改善可用性并增加服务选择。但当应用依赖于供应商特定的模型、数据库、网络和代理平台时，它也可能让切换变得更困难。
知识工作者将通过产品设计感受到这些影响。更多计算容量可以支持更快的助手、更长的上下文、多模态功能，以及每次请求完成更多工作的代理。
只有当供应商能够以可接受的成本运行这些功能时，这些改进才会变得可持续。在基础设施竞赛期间获得补贴的功能，之后可能面临限制、使用控制或不同的产品打包方式。
因此，Google News 的资本支出叙事值得关注，但并非因为投入最多的企业必然胜出。资本承诺衡量的是信念与竞争压力，而不是已经实现的回报。
当前最有力的证据支持持续建设。云业务增长正在加速，供应仍然受限，超大规模云服务商拥有足够的财务能力继续投资。
尚未解决的问题是，在这些资产的使用寿命内，需求能否始终保持广泛且具有价值。答案将通过利用率、利润率、客户集中度和自由现金流逐步显现。
在将下一次资本支出增长视为成功证明或泡沫证据之前，先关注下一轮云业务增长。随后审视是谁在消耗新增产能，以及利润率能否维持。
对于开发者和企业买家而言，实际问题同样直接：新的 AI 工作负载是在创造持久价值，还是仅仅在消耗充裕的基础设施？请在自己的部署中跟踪这一差异。随着模型变化，衡量持续使用情况、业务成果、转换成本和效率。投资者用于评估超大规模云服务商资本支出的同样纪律，也应指导每一家在其基础上构建业务的组织。
