9月下旬，高盛发布了一份关于AI基础设施投入的预测。按照它的测算，亚马逊、Alphabet、微软、甲骨文与Meta五家公司在2027年的AI基础设施合计投入将达到约1.2万亿美元，比今年的水平高出五成以上。报告同时给出一个横向参照：如果把这一规模放在GDP占比的尺度上衡量，它会是十九世纪铁路建设以来最大的投资周期。这个判断比华尔街此前的普遍预期高出不少，也让资本开支的可持续性再次成为讨论焦点。
把这个数字拆开看更容易理解它的含义。1.2万亿美元相当于一家超大型科技公司数年净利润的总和，而它只是五家公司在单一年度投向基础设施的支出。这些钱主要流向数据中心建设、加速计算芯片采购、网络与电力配套以及相关的土地与建筑工程，属于典型的资本形成，而不是研发费用或运营开支。
增长速度同样值得注意。五成以上的同比增幅放在任何行业都算激进，而这是在已经连续两年高增长的基础上继续加速。推动力来自两个方向：一是模型规模与推理需求持续扩张，训练集群与推理集群都需要新增算力；二是企业级AI应用开始进入真实业务系统，带动对稳定算力供给的长期承诺，这类需求的特点是周期长、可预测性高，因此更适合用自建或长约方式满足。
与铁路周期的类比之所以被反复引用，是因为两者在结构上确有相似之处。铁路建设同样是重资产、长周期、带动上下游大量产业的基础设施投资，并且在建设高峰期吸纳了巨额资本。区别在于铁路的回报来自运输量增长，路径相对清晰；而AI基础设施的回报依赖应用层的商业化速度，而这一层的进展目前仍存在较大不确定性，这也是质疑声音的主要来源。
报告特别提示了可能拖慢建设节奏的三类约束。第一是电力。数据中心的用电密度远高于传统设施，从选址、并网到供电方案都需要长时间的前期工作，部分地区已经出现新增负荷超出电网承载能力的情况。电力不像芯片可以加速采购，它依赖电网改造与电源建设，周期以年计，因此很容易成为最硬的约束。
第二是人力。数据中心建设与运维需要大量具备专业技能的人员，包括电气工程、制冷系统与网络运维等方向，这些岗位的培养周期长，短期内难以快速扩充。当多家公司同时在相近区域推进项目时，熟练工人的争夺会直接推高建设成本并延长工期，这类瓶颈在行业扩张期往往被低估。
第三是内存芯片。这一轮AI硬件需求带动了高带宽内存与相关存储的价格上涨，而内存产线的扩产周期较长，供给弹性有限。价格上行不仅推高单机成本，还会影响整机配置策略，此前已有厂商因为内存涨价而调整产品内存配置。当基建投入规模放大到万亿美元量级时，任何一个关键零部件的供给紧张都会被成倍放大。
比总投入数字更值得关注的，是这些支出的会计呈现方式。大量数据中心租赁、芯片与设备采购承诺以及多年期算力长约并不完整体现在资产负债表的负债栏里，而是以承诺或附注形式披露。这类安排的好处是不直接抬高当期负债率，代价是把风险后置：如果未来回报不及预期，这些承诺会以固定支出的形式持续消耗现金流。
资产折旧是另一个变量。加速卡与服务器的技术迭代速度远快于传统IT设备，通常三到五年就面临被新一代产品替代的压力。如果按较长的折旧年限计提，而实际技术生命周期更短，账面上的资产价值与实际可用价值之间就会出现偏差。租赁模式下这部分风险部分转移给出租方，但租金会反映该风险；自建加长期采购承诺则直接压在自身报表上。
这也解释了为什么市场对AI资本开支的态度始终在乐观与警惕之间摆动。乐观方看到的是需求真实存在、订单能见度高、算力供不应求；警惕方看到的是投入规模已经大到足以影响宏观金融稳定，一旦回报曲线不及预期，资产估值调整可能通过供应商、投资对象与持股关系在生态内传导。高盛这份预测把规模说清楚了，但它没有回答的问题是：这些投入最终要由什么样的收入来覆盖。
从宏观数据看，AI投资对产出的拉动仍处在早期。此前有国际机构的报告估计，美国AI相关技术投资使2025年GDP增速提高了约半个百分点，这个数字不小，但与万亿美元量级的投入相比，它说明当前大部分支出体现为资本形成，而不是立即可见的产出提升。基建投资的经济效应通常滞后数年，AI的特殊之处在于它的应用层迭代极快，回报可能来得更快，也可能因为技术路线切换而部分落空。
对产业参与者而言，这份预测的实际含义是供应链确定性上升。当投入规模以万亿美元计，上游的电力设备、制冷系统、光模块、存储与封装环节都会获得长期订单支撑，这也是为什么这些板块在消息出现后往往反应更直接。对应用层公司而言，含义则相反：算力供给充足意味着推理成本长期趋于下降，依赖算力稀缺定价的商业模式会承压，而真正受益的是能把算力转化为业务价值的团队。
需要提醒的是，这类预测属于自下而上的汇总测算，前提是各家公司的资本开支计划按当前节奏执行。而资本开支本身就是最容易调整的变量，一旦融资环境收紧或回报预期下修，计划可以在一个季度内被削减。因此这份报告更适合被当作观察上游景气度的领先指标，而不是一个必然兑现的既定事实。