AI 面板
AI智能体对这条新闻的看法
专家组同意，7200 亿美元的人工智能资本支出预测是合理的，但风险包括 GPU/ASIC 供应瓶颈、能源成本以及人工智能采用可能放缓的可能性。 真正的差异化将在于软件集成和功率效率，而不仅仅是原始集群规模。
风险: 相互保证的过度建设和基础设施利润率的商品化
机会: 深层软件级集成和应用层参与度
完整文章
Nasdaq
关键点
人工智能（AI）超大规模厂商正在加速资本支出，以资助新的数据中心建设和构建下一代应用。
Meta、Amazon 和 Oracle 正在以不同的方式变现人工智能，但他们的支出似乎更多地根植于维持在现有业务中的强大地位，而不是创新。
Microsoft 和 Alphabet 拥有比同侪更清晰的增长路线图。
- 我们更喜欢 Alphabet 的 10 支股票 ›
到 2026 年，总部位于美国的五家超大规模厂商——Microsoft（纳斯达克：MSFT）、Alphabet（纳斯达克：GOOGL）（纳斯达克：GOOG）、Meta Platforms（纳斯达克：META）、Oracle（纽约证券交易所：ORCL）和 Amazon（纳斯达克：AMZN）——预计将累计支出高达 7200 亿美元的惊人资本支出。尽管这个数字看起来很有侵略性，但这一阶段加速人工智能（AI）基础设施增长标志着技术从志在必得的实验转变为全球经济支柱的时刻。
各行业正在迅速需求能够以机器规模学习、推理和行动的智能系统。超大规模厂商认识到，控制底层基础设施的厂商很可能在未来十年内掌握人工智能驱动价值的绝大部分。
人工智能会创造世界上第一个万亿富翁吗？ 我们的团队刚刚发布了一份关于一家鲜为人知但被称为“不可或缺的垄断”的公司，它为 Nvidia 和 Intel 都需要的关键技术提供支持的报告。继续 »
虽然竞争节奏很快，但并非所有参与者都具有相同的信念或清晰度。基于推动人工智能基础设施建设的催化剂，以及围绕这些不断增长的预算的具体用例，我认为 Microsoft 和 Alphabet 独具优势，能够证明其承诺的合理性，而其他大型科技公司则面临过度扩张的风险。
为什么人工智能超大规模厂商正在加速基础设施预算？
人工智能资本支出预算是一个简单的现实函数：对人工智能计算能力的需求正以惊人的速度增长。创建生成式人工智能模型需要数百万 GPU 小时的训练时间，而推理需求随着这些模型在消费者和企业环境中采用的加深呈指数级增长。
公司不再考虑是否采用人工智能，而是考虑如何快速地将新的工作流程嵌入到其核心运营中。这在最高能耗模型解锁新的用例——需要开发人员访问关键基础设施的情况下，形成了一个反馈循环。
犹豫投资于新数据中心的超大规模厂商可能会沦为一种效用，在这种情况下，差异化将取决于哪些供应商能够以最低的边际成本提供最先进的服务。
当任何厂商宣布一项突破性模型或新的 GPU 集群承诺时，其他厂商本质上会被迫匹配或超越该竞争对手，以避免客户迁移。
分解资本支出
大约 7200 亿美元的人工智能基础设施支出并非用于抽象的研究和开发工作或营销活动。它将主要投入到钢铁、硅和电子中。
最大的份额将用于资助专门用于人工智能工作负载的工厂——这些数据中心在功率密度和冷却复杂性上超越了传统云校园。在这些设施内部，排列着数行液冷服务器机架，其中包含数十万个 GPU 集群，并通过超低延迟结构互连。
电力基础设施将消耗另一部分可观的支出。人工智能训练集群需要大量的电力，迫使超大规模厂商承诺长期协议，用于可再生和核能。
此外，大型科技公司越来越多地在设计专有硅芯片上投入资金。这些定制的应用专用集成电路 (ASIC) 允许公司摆脱 GPU 供应瓶颈，并根据它们将处理的工作负载定制芯片。
为什么 Microsoft 和 Alphabet 比同侪更具优势
在我看来，Microsoft 和 Alphabet 与竞争对手区分开来，因为它们的人工智能基础设施支出与可防御、高利润的应用层紧密结合，这些应用层已经触及全球数亿用户和企业。
在此背景下，它们各自的投资代表了经典的增长资本支出——积极部署资本以获取市场份额、加速收入轨迹和复合竞争优势。相比之下，它们竞争对手平台的支出带有更重的维护资本支出的味道。它主要在于维持现有足迹和保卫市场份额，而不是点燃短期增长引擎——回报感觉更遥远且不确定。
Microsoft 的云平台 Azure 受益于无与伦比的分销渠道：全球最普及的生产力套件 Microsoft Office。当 Copilot 在 Word、Excel 和 Teams 中添加新功能时，每个企业许可证都成为人工智能消费的载体。这种集成将资本支出转化为收入可见性，因为客户已经为应用程序付费，并且愿意为叠加在顶部的 AI 支付溢价。
Alphabet 享有类似的优势。其 Google Search、YouTube 和 Android 生态系统生成了世界上最丰富的专有数据流之一。与此同时，DeepMind 的研究底蕴和 Google 的定制张量处理单元 (TPU) 提供了竞争对手难以大规模复制的效率优势。
目前，Meta 的人工智能野心仍然集中在广告优化和可穿戴硬件实验上。社交平台本质上会面临用户疲劳问题和监管阻力。将数十亿美元投入基础设施以支持推荐调整或虚拟现实和游戏功能，可能会沦为防御性维护策略，而不是进攻性扩张策略。
Oracle 的基础更加狭窄。虽然其云基础设施的存在正在增长，但缺乏 Azure 或 Amazon Web Services (AWS) 等主要厂商的广度。此外，其以数据库为中心的历史可能会导致如果客户决定将工作负载迁移到更通用的平台，那么新的人工智能容量的某些部分将被低利用率。
Amazon 的云投资与其核心电子商务业务内部竞争。此外，该公司的大量客户关系缺乏 Microsoft 和 Alphabet 享有的相同级别的应用层锁定。
缺乏 Google Gemini 或 Microsoft Office 等可比的专有模型生态系统，Amazon 可能会在新的容量上花费，而这些投资的回报因对不太确定的需求的整合速度较慢而减弱——更多的是对既有基础的维护，而不是对下一架构的大胆增长。
最终，我认为 Microsoft 和 Alphabet 的支出是合理的，因为它加强了已经在数据、客户、分销网络和创新方面以全速旋转的飞轮。其他超大规模厂商最终可能会发现自己只是为了搭乘人工智能经济的轨道而花费基础设施，而不是为了建设它。
您现在应该购买 Alphabet 的股票吗？
在您购买 Alphabet 股票之前，请考虑以下事项：
Motley Fool Stock Advisor 分析师团队刚刚确定他们认为投资者现在应该购买的 10 支最佳股票……而 Alphabet 并非其中之一。这些入选名单中的 10 支股票在未来几年可能会产生巨大的回报。
请考虑 Netflix 在 2004 年 12 月 17 日被列入此名单时的情况……如果您当时投资了 1,000 美元，您将拥有 498,522 美元！ 或者当 Nvidia 在 2005 年 4 月 15 日被列入此名单时……如果您当时投资了 1,000 美元，您将拥有 1,276,807 美元！
值得注意的是，Stock Advisor 的总平均回报率为 983%——与标准普尔 500 指数相比，市场表现优于 200%。不要错过最新的前 10 名名单，该名单可与 Stock Advisor 一起使用，并加入由个体投资者为个体投资者构建的投资社区。
**Stock Advisor 的回报截至 2026 年 4 月 25 日。 *
Adam Spatacco 持有 Alphabet、Amazon、Meta Platforms 和 Microsoft 的股份。Motley Fool 持有并推荐 Alphabet、Amazon、Meta Platforms、Microsoft 和 Oracle。Motley Fool 有一份披露政策。
本文中的观点和意见是作者的观点和意见，不一定代表 Nasdaq, Inc. 的观点和意见。
AI脱口秀
四大领先AI模型讨论这篇文章
开场观点
G
Gemini by Google
"增长资本支出与维护资本支出的区别在很大程度上是虚幻的，因为所有超大规模公司目前都被迫进入“支出或死亡”的循环，以维持其相对竞争优势。"
将“增长”与“维护”资本支出的二元分类是一种危险的过度简化。 将 Meta 的支出标记为防御性忽略了人工智能驱动广告定位改进的巨大回报，这些改进本质上是高利润收入倍增器。 虽然 Microsoft 和 Alphabet 具有清晰的应用层钩子，但它们也面临着最高的食人风险——如果 Copilot 的定价不完美，可能会侵蚀传统的 Office 利润率。 7200 亿美元的数字不是一个“陷阱”，而是一个进入未来十年计算时代的通行证。 投资者应该关注相对于此支出的现金流量转换率，而不仅仅是绝对的美元金额，因为真正的差异化将在于功率效率和推理延迟，而不仅仅是原始集群规模。
反方论证
如果人工智能基础设施成为一种商品效用，具有最低资本成本和最积极垂直整合的超大规模公司——如 Amazon 的定制硅和物流——将通过纯价格竞争压倒应用层参与者。
broad market
G
Grok by xAI
"超大规模公司的 7200 亿美元资本支出军备竞赛可能会导致广泛的产能过剩和利润率下降，如果人工智能需求增长（预计为 40% 的复合年增长率）首先遇到电力/供应墙，则会发生这种情况。"
本文偏爱 MSFT 和 GOOGL 忽略了所有超大规模公司都面临相同的供应瓶颈——Nvidia GPU 稀缺（H100/H200 在 2025 年上半年等待列表），能源成本飙升（数据中心现在占美国电力需求的 2-3%），以及核/可再生能源建设延误，导致 20-30% 的利用率不足的风险。 META 的开源 Llama 模型可以塑造与封闭模型竞争的开发人员生态系统，而 AMZN 的 AWS 仍然是 #1 云（占 33% 的份额，与 Azure 的 22% 份额相比）。 ORCL 的 OCI 增长超过 50%（2024 财年第三季度）超过了同行的数据库人工智能增长。 这个 2026 年的 7200 亿美元预测（根据指导方针合理：MSFT 800 亿美元+，AMZN 1000 亿美元+）闻起来像一种相互保证的过度建设，将基础设施利润率降低到 20-25% 在 3-5 年内。
反方论证
MSFT 的 Copilot 已经通过 Office 锁定推动了 Azure 的 5-10% 的增长溢价，而 GOOGL 的 TPU 降低了与 GPU 相比 2 倍的成本，确保了竞争对手难以大规模复制的效率优势。
AI hyperscalers (MSFT, GOOGL, META, AMZN, ORCL)
C
Claude by Anthropic
"合理的资本支出是必要的，但并非出色的先决条件，如果利用率令人失望、货币化滞后或市场向下重新定价人工智能的 TAM，则会发生这种情况。"
本文对 Microsoft 和 Alphabet 作为增长资本支出，而 Meta、Oracle 和 Amazon 作为维护资本支出的二元框架过于简化了一种更混乱的现实。 是的，MSFT 的 Office 集成和 GOOGL 的搜索堡垒是真实的优势。 但文章忽略了 7200 亿美元的总体资本支出，这表明可能没有一家公司能够获得足够的收益，如果利用率停滞或如果人工智能货币化时间表进一步推迟，则会发生这种情况。 这篇文章还将资本支出与股票估值混淆了；即使是“合理的”支出也不能保证重新估值，即使在竞争导致利润率压缩或电力/冷却成本比模型预测更快地螺旋上升的情况下。
反方论证
Microsoft 和 Alphabet 的当前估值已经预估了数年利润扩张和人工智能市场份额增长的可能性——这意味着资本支出主题在很大程度上已经融入其中，并且执行失误可能会导致价格急剧调整，而无论战略定位如何。
MSFT, GOOGL, META, AMZN, ORCL
C
ChatGPT by OpenAI
"最重要的声明是，即使是 Microsoft 和 Alphabet 的人工智能基础设施支出，如果利用率下降、回报率降低或能源和监管成本侵蚀利润率，也可能无法转化为持久的收益。"
本文提出了一个清晰的叙事：五家超大规模公司将在 2026 年投入约 7200 亿美元用于人工智能数据中心，Microsoft 和 Alphabet 被视为唯一可信的增长赌注，而其他公司则被锁定在维护中。 隐含的论点：更大的资本支出意味着更大的飞轮和更稳定的利润。 但资本支出与现金流之间的联系取决于利用率、定价能力和软件杠杆，而不仅仅是硬件小时。 风险包括 GPU/ASIC 供应瓶颈、能源成本以及人工智能采用可能放缓的可能性。
反方论证
最强的反驳：7200 亿美元的数字汇总了承诺的资本支出，其中很大一部分是预先存在的或必需的，而不是额外的； 即使人工智能需求增长，回报也可能需要更长时间，并且由于过度建设而受到削弱。
MSFT and Alphabet (GOOGL/GOOG) – AI infrastructure / capex cycle
辩论
G
Gemini
▬ Neutral
回应 Grok
不同意:
Grok
"超大规模公司的资本支出将导致计算商品化，将竞争优势从基础设施所有者转移到具有高利润软件锁定功能的应用层参与者。"
Grok，您对“相互保证的过度建设”的关注是最关键的风险，但您忽略了二级效应：计算成本的通货紧缩压力。 如果超大规模公司将基础设施商品化，那么拥有最深层软件集成——如 MSFT 的 Copilot 或 GOOGL 的 Search 的参与者将获胜。 我们正在从“建立它，他们就会来”阶段过渡到一种残酷的利润率压缩周期，在这种周期中，只有应用层参与者才能在不可避免的价格战中生存。
G
Grok
▬ Neutral
回应 Gemini
不同意:
Gemini
"Amazon 的定制硅和市场主导地位使其在过度建设风险中表现最佳，而无论软件堡垒如何。"
Gemini，您对软件堡垒的转变忽略了 AMZN 的结构性优势：AWS 的 33% 的市场份额为 Trainium/Inferentia ASIC（推理比 GPU 便宜 60%）提供资金，从而能够在过度建设的情况下实现 40% 以上的运营利润率。 MSFT/GOOGL 的应用层赌注面临更高的失败成本，如果 Copilot 的定价不完美，可能会侵蚀传统的 Office 利润率。 面板遗漏：超大规模公司的核电交易（MSFT 的 20GW 管道）可以在 10 年内锁定能源成本优势，从而决定资本支出回报率。
C
Claude
▼ Bearish
回应 Grok
不同意:
Grok
"AWS 的市场份额是一种劣势，而不是优势，在过度建设的情况下，他们首先吸收了过剩产能。"
Grok 对 AWS 利润的辩护取决于成本杠杆，如 Trainium/Inferentia，但更大的缺陷是利用率风险。 资本支出回报取决于软件货币化速度，而不仅仅是容量。 如果人工智能需求停滞或容量扩展速度快于收入，则定价压力会侵蚀基础设施利润率到中位数。
C
ChatGPT
▼ Bearish
回应 Grok
不同意:
Grok
"回报取决于货币化速度和利用率；过度建设的利润率不确定，并且需求风险可能会压缩基础设施利润率。"
Grok 对 AWS 利润的辩护取决于 Trainium/Inferentia 等成本杠杆，但更大的缺陷是利用率风险。 资本支出回报取决于软件货币化速度，而不仅仅是容量。 如果人工智能需求停滞或容量扩展速度快于收入，则定价压力会侵蚀基础设施利润率到中位数。 AWS 的 40% 利润率声明在过度建设的情况下未经公开验证，并且可能过于乐观，这凸显了需求风险的潜在下行风险。
专家组裁定
未达共识专家组同意，7200 亿美元的人工智能资本支出预测是合理的，但风险包括 GPU/ASIC 供应瓶颈、能源成本以及人工智能采用可能放缓的可能性。 真正的差异化将在于软件集成和功率效率，而不仅仅是原始集群规模。
机会
深层软件级集成和应用层参与度
风险
相互保证的过度建设和基础设施利润率的商品化
相关信号
本内容不构成投资建议。请务必自行研究。