AI 發展的下一階段：從基礎設施到應用
人工智能行業確實正在進入一個關鍵的過渡時期。在見證了推動 Nvidia、數據中心運營商和公用事業公司股價大幅上漲的前所未有的基礎設施支出後，市場現在正在轉向應用和變現階段。本全面分析審視了這一演變，並為投資者提供了可行的見解。
理解 AI 價值鏈的演變
AI 行業可以通過一個三層價值鏈框架來理解，該框架有助於識別價值目前在何處被創造，以及未來將在何處遷移：
啟用層（基礎設施） — 目前推動大部分投資，包括半導體生產（Nvidia、AMD、TSMC）、雲平台（AWS、Microsoft Azure、Google Cloud）、數據中心和電力基礎設施。該層已經出現爆炸性增長，大科技公司每年共花費約 3,500-4,000 億美元用於 AI 基礎設施。
智能層（模型） — 這個中間層包括由 OpenAI、Anthropic、Google DeepMind 和 Meta 等公司開發的基礎模型和大型語言模型（LLM）。這些模型將原始計算能力轉化為可用的智能。
應用層（終端使用解決方案） — 這代表價值的最終目標地，其中 AI 能力被嵌入到特定的業務用例和工作流程中。這是最終必須進行變現的地方，以證明大規模基礎設施投資的合理性。
基礎設施階段：我們走過的路程
2023-2025 年期間由分析師所謂的「AI 基礎設施軍備競賽」所主導。主要特徵包括：
大規模資本支出：Microsoft 計劃每季度花費超過 300 億美元，Google 已將 2025 年資本支出指導提高至 850-930 億美元（高於最初估計），Meta 將支出增加至 660-720 億美元，Amazon 預計 2025 年花費約 1,250 億美元。高盛預計全球 AI 基礎設施支出到 2030 年可能達到 3-4 萬億美元。
基礎設施瓶頸：該行業面臨 GPU 可用性、電力採購、電網接入和數據中心容量的限制。數據中心電力需求每年增長約 20%，到 2030 年可能占美國電力消費的 10-12%。
股市表現：基礎設施受益公司見證了戲劇性的估值增長。Nvidia 達到 5 萬億美元的市值，而 Constellation Energy、NRG Energy 和 Vistra 等公用事業公司在標普 500 中排名年初至今前 30 名。
應用階段：下一個前沿
多方來源確認 2025-2026 年代表投資重點從基礎設施建設轉向應用變現的轉折點。這一轉變由多個因素驅動：
為什麼應用將主導下一階段
經濟必要性：應用層必須產生足夠的收入來證明啟用層和智能層的合理性。正如瑞銀所指出的，「應用層的變現潛力與啟用層和智能層成本的比率是未來投資回報的關鍵指標」。
市場成熟度：基礎設施投資基本上已進行或已承諾。高盛研究表明，受益於基礎設施建設的 Nvidia 以外的公司表現「參差不齊」，儘管 AI 熱潮，某些類別幾乎沒有上漲。
競爭動態：基礎模型正迅速成為商品化的實用工具，而不是差異化因素。真正的競爭優勢日益在於具有專有數據和深厚領域專業知識的應用特定實現。
企業採用加速：企業 AI 支出增長迅速，88% 的企業現在將超過 5% 的 IT 預算用於 AI，許多企業的目標是不久後達到 25% 以上。此外，74% 的公司報告 AI 計劃達到或超過 ROI 目標。
投資者應關注的內容：關鍵投資主題
基於對市場趨勢、投資者報告和專家預測的全面分析，以下是投資者應關注的關鍵領域：
1. 垂直 AI 解決方案（行業特定應用）
垂直 AI 代表下一階段最高信心度的投資機會之一。這些是針對特定行業定製的、具有深厚領域專業知識的 AI 解決方案。
市場規模和增長：垂直 AI 市場在 2024 年估值為 51 億美元，預計到 2030 年將達到 471 億美元，可能到 2032 年超過 1,000 億美元。麥肯錫估計，AI 總價值潛力的超過 70% 將來自垂直 AI 應用。
垂直 AI 為什麼勝出：
行業特定模型相比通用 AI 實現 25% 更高的 ROI
它們解決水平解決方案無法解決的獨特合規、監管和工作流程要求
它們利用專有行業數據，創造可防禦的競爭護城河
Gartner 預測超過 80% 的企業到 2026 年將使用垂直 AI
垂直 AI 機會示例：
醫療：PathAI 用於醫療診斷、AI 驅動的藥物發現平台、患者監測系統
金融：Feedzai 用於欺詐檢測、Rogo 用於金融分析、AI 驅動的信用承銷（Upstart）
法律：Harvey AI 用於法律研究和文件分析
製造：預測性維護和供應鏈優化
零售：Vue.ai 用於庫存管理和個性化客戶體驗
投資重點：尋找具有深厚行業夥伴關係、監管合規專業知識、專有數據集和在關鍵業務工作流程中經驗證的客戶採用的公司。
2. 代理 AI 和自主系統
代理 AI 代表從被動工具到能夠獨立推理、規劃和執行複雜多步驟工作流程的自主代理的演變。
市場動態：全球代理 AI 市場預計將從 2025 年的 73 億美元增長到 2030 年超過 410 億美元（複合年增長率約 41%）。2024 年第四季度，收益電話會議對 AI 代理的提及增長了 4 倍，由 Y Combinator 在 2024 年 1 月至 2025 年 6 月期間資助的投資相關初創公司中，73% 是代理 AI 相關的。
近期機會（2025-2026）：
專業服務、客戶支持和運營中的結構化任務自動化
AI 副駕駛和編碼助手（示例：GitHub Copilot、Tabnine）
銷售、營銷和後台功能中的工作流程編排
自主財務分析和投資組合管理
中期機會（2027-2030）：
跨職能推理和決策系統
跨部門協調的多代理系統
醫療、金融和製造等行業特定的代理平台
關鍵考慮因素：實施代理 AI 的公司報告業務流程加速 30-50%。然而，Gartner 預測到 2027 年底，超過 40% 的代理 AI 項目將被取消，原因是成本上升、業務價值不明確或風險控制不足。這表明投資者應關注具有明確 ROI 指標、健全治理框架和經驗驗證的生產部署的公司。
3. 企業 AI 軟件和 SaaS 平台
將 AI 嵌入其核心產品的企業軟件公司代表一個引人注目的投資類別，因為他們從現有的客戶關係和經常性收入模型中受益。
市場增長：全球 AI 軟件市場預計將從 2024 年的 1,750 億美元增長到 2030 年的約 4,670 億美元。企業軟件預計到 2024 年底將因 GenAI 集成而經歷 100 億美元的收入提升。
高信心公司名單：
ServiceNow：領先的 AI 驅動工作流程和生產力解決方案
Salesforce：Einstein AI 嵌入在 CRM 和業務應用程序中
SAP：在企業數據層中的強大地位，從 AI 驅動的雲遷移中加速增長
Datadog：通過新 AI 監控產品從雲提供商增長中受益
Palantir：政府和商業客戶的 AI 平台（AIP），在國防領域特別強勁
Snowflake：企業數據平台，支持 AI 模型訓練和部署
要查找的內容：
高客戶保留率和不斷擴大的 AI 相關 ARR（年度經常性收入）
AI 功能推動定價能力和向上銷售機會的證據
創造轉換成本的集成能力
與基礎模型提供商的合作夥伴關係（OpenAI、Anthropic 等）
4. AI 基礎設施「鎬和鏟」遊戲（超越半導體）
雖然半導體投資占主導地位，但幾個基礎設施類別已準備好持續增長：
數據中心房地產投資信託（REIT）：
Digital Realty Trust（DLR）、Equinix 和類似運營商從長期租賃承諾中受益
AI 驅動的租賃已達到前所未有的水平，2025 年指導已多次向上調整
REIT 提供股息收益率（DLR 目前為 2.72%）同時捕獲 AI 基礎設施增長
網絡和連接：
Arista Networks：EtherLink AI 平台，支持更快的 AI 連接
Cisco 和 Juniper Networks：AI 數據中心網絡解決方案
支持高速數據傳輸的光學元件製造商
電源和冷卻基礎設施：
Schneider Electric：為數據中心提供高效能源和冷卻系統的領先提供商
Vertiv：電源管理和冷卻解決方案
Caterpillar：報告數據中心供應部門銷售增長 31%
專業芯片設計師：
Broadcom：主導定製 AI 芯片市場（「定製矽」）
Arm Holdings：許可芯片架構設計，見到強勁的 AI 驅動需求
Marvell Technology：數據中心基礎設施半導體
5. 主權 AI 和區域計算基礎設施
主權 AI — 國家建立具有本地數據、模型和基礎設施的 AI 能力 — 代表一個新興的宏大趨勢，具有重要的投資含義。
投資規模：
美國：承諾 5,000 億美元用於 Stargate 項目
沙特阿拉伯：分配 400 億美元用於主權 AI 計劃
印度：AI 計算基礎設施資助計劃 24 億美元
新加坡：多模式 AI 模型 7,000 萬美元
加拿大：主權 AI 計算戰略 3 億美元
英國：主權 AI 單位資助 5 億英鎊
投資理由：政府將本地化 AI 視為對數據隱私、國家安全、國內科技生態系統發展和經濟增長至關重要。這在以下領域創造機會：
區域雲提供商和數據中心運營商
本地 LLM 開發公司
合規和治理平台
主權雲服務提供商
Nvidia 的觀點：該公司預計 2024 年從主權 AI 投資中獲得 100 億美元的收入，高於前一年的零。
6. AI 開發者工具和 MLOps 平台
AI 應用程序開發的激增為幫助開發者構建、部署和管理 AI 系統的工具創造了持續的需求。
關鍵類別：
模型中心和機器學習操作：Databricks、Hugging Face、Weights & Biases
AI 開發框架：LangChain 用於 AI 應用程序開發
代碼協助：Cursor AI、GitHub Copilot、Replit
部署和監測：Modal、Anyscale、生產 AI 監測工具
市場動態：當企業從實驗階段轉向生產時，他們需要用於模型版本控制、實驗跟踪、持續集成/部署和監測的複雜工具。管理 AI 生命週期的複雜性為這些平台創造了持續的需求。
7. 數據質量、治理和準備服務
數據基礎設施和質量管理代表在成功進行 AI 部署之前必須解決的關鍵瓶頸。
為什麼這很重要：
54% 的公司將分散的數據確認為 AI 實施的最大障礙
數據質量差導致不可靠的 AI 輸出並侵蝕信任
監管合規（尤其是在醫療、金融、政府部門）需要健全的數據治理
投資機會：
Snowflake：AI 的數據倉儲和管理
Databricks：統一的數據和 AI 平台
Scale AI：數據註釋和人類反饋強化學習（RLHF）服務
Bright Data：AI 訓練的網絡數據基礎設施
Anomalo：使用 ML 發現異常的數據質量和可觀測性解決方案
企業優先級：具有強大數據治理和質量實踐的組織能夠更快地部署 AI 模型、做出更自信的決策並更有效地管理監管要求。
關鍵風險因素和挑戰
雖然應用階段呈現重大機會，但投資者必須仔細評估幾個風險因素：
1. 95% 失敗率挑戰
儘管進行了大規模投資，95% 的 GenAI 計劃永遠不會投入生產。麻省理工學院研究證實企業難以從試點轉向規模化部署。這創造了一個嚴峻的選擇環境，只有具有卓越執行能力的公司才能成功。
將贏家與失敗者區分開來的因素：
與可測量的 KPI 和業務目標的明確一致性
強大的數據基礎和基礎設施
技術人才和領域專業知識
有效的變革管理和組織購買力
現實的 ROI 期望和測量框架
2. 變現和 ROI 不確定性
雖然 AI 應用程序的用戶採用率很高，但只有 3-5% 的用戶是付費訂戶。許多 AI 服務仍然免費或補貼以推動採用，這對收入轉換造成不確定性。
企業 ROI 數據：
超過 80% 的受訪者表示他們的組織尚未從 GenAI 看到切實的企業級 EBIT 影響
60% 的企業預計從 ML 或 GenAI 工作中獲得低於 50% 的 ROI
然而，74% 的高級 AI 計劃公司達到或超過期望，表現最好的公司看到 ROI 超過 30%
大多數組織實現有意義回報的時間表是 6-12 個月
投資含義：專注於展示明確單位經濟學、客戶願意支付溢價和不斷擴大的基於使用情況的收入的公司。
3. 過剩產能和泡沫風險
多個可信來源警告潛在的 AI 基礎設施過剩產能和泡沫風險：
關注點：
「當這麼多產能上線時，其中一些最終必然是邊際的」— Ares Management 聯合總裁 Kipp deVeer
英國央行警告「急劇市場修正」的可能性增加，AI 科技估值「顯得過高」
如果 AI 應用程序推出被證明比預期更緩慢，到 2027 年該行業可能面臨未充分利用計算能力的困境
分析師預測表明雲資本支出增長將從 2025 年的 54% 放緩至 2026 年的 19%，然後是 2027 年的 7% 和 2028 年的 5%
2026-2030 商業測試：這個時期代表當今大規模基礎設施投資必須開始產生回報的關鍵測試場所。企業採用和可示範的業務價值對於證明持續支出的合理性至關重要。
4. 競爭動態和利潤率壓縮
基礎模型正在迅速商品化，具有多項含義：
GPU 短缺的解決可能削弱 Nvidia 的定價能力和利潤率
主要科技公司開發定製 AI 芯片可能侵蝕 Nvidia 的主導地位
AI 降低軟件進入障礙，造成激烈的競爭壓力
平均 AI 初創公司估值已達到 37.5 倍收入，相比傳統 SaaS 的 7.8 倍，表明可能難以達到的高期望
5. 監管和合規複雜性
至少 69 個國家提出了 1,000 多項 AI 相關政策倡議，監管合規變得日益複雜。歐盟 AI 法案設立了全球先例，亞洲分散的監管方法造成額外挑戰。
投資者考慮：具有強大合規框架、隱私保護和治理結構的公司將處於更好的位置，特別是在醫療、金融和政府等高度監管的部門。
應用階段的投資戰略框架
基於全面分析，以下是用於評估 AI 應用投資機會的結構化框架：
第一層：高信心類別（2025-2027）
在高價值部門（醫療、金融、法律）中具有經驗驗證的客戶吸引力的垂直 AI 解決方案
具有不斷擴大的 AI 相關 ARR 和強大市場地位的企業 AI 軟件公司
專業服務和運營中的結構化代理 AI 應用
支持 AI 部署的數據基礎設施和質量平台
戰略區域中的主權 AI 受益者
第二層：選擇性機會（2026-2028）
具有強大採用指標的開發者工具和 MLOps 平台
超越半導體的 AI 基礎設施遊戲（數據中心、網絡、電源/冷卻）
專業計算體系結構和定製矽
具有經驗驗證變現的消費者 AI 應用
第三層：長期/更高風險（2028+）
能夠進行部門級自主性的跨職能代理系統
物理 AI 應用（機器人、自主系統）
具有未經驗證市場契合度的新穎 AI 業務模型
關鍵指標和盡職調查清單
在評估潛在 AI 應用投資時，專注於這些關鍵指標：
收入和增長：
AI 特定收入增長率及作為總收入的百分比
客戶獲取成本（CAC）與生命週期價值（LTV）
淨收入保留率
付費客戶轉換率（不僅僅是免費用戶）
產品市場匹配：
企業客戶數量和平均合同值
顯示可測量 ROI 的客戶案例研究
行業特定專業知識和夥伴關係
競爭定位和差異化
技術護城河：
專有數據資產
特定領域模型訓練和微調
與客戶工作流程的集成深度
轉換成本和鎖定動態
執行能力：
管理團隊在擴展 AI 產品方面的記錄
技術人才密度和保留
生產部署統計（不只是試點）
治理和風險管理框架
財務健康：
盈利能力的路徑和單位經濟學
相對於收入增長的現金燃燒率
毛利率（尤其是 AI 推理成本）
研發效率指標
時間和序列考慮
從基礎設施到應用的過渡不會均勻發生。高盛研究識別了 AI 交易的不同階段：
第 1 階段（完成）：Nvidia 和直接芯片受益者
第 2 階段（當前，2025-2026 年達到頂峰）：AI 基礎設施建設（數據中心、雲提供商、網絡、公用事業）
第 3 階段（現在新興，2026 年後加速）：來自將 AI 整合到產品中的公司的 AI 啟用收入
第 4 階段（2027 年後）：企業範圍內的生產力增長和成本節約
投資含義：我們目前正在第 2 階段和第 3 階段之間的過渡期，使這成為為應用層機會定位同時對具有可持續競爭優勢的基礎設施受益者保持選擇性敞口的最佳時機。
結論：平衡方法
AI 行業確實在從基礎設施驅動階段轉向應用和變現階段。這一轉變為能夠識別將成功在應用層捕獲價值的公司的投資者創造了引人注目的機會。
然而，這一轉變也引入了重大風險。迄今進行的大規模基礎設施投資必須由應用層收入來證明其合理性，否則該行業將面臨潛在的過剩產能和估值修正。2026-2030 年期間將是 AI 商業可行性的關鍵測試。
對於投資者，最優戰略涉及：
在價值鏈中進行多樣化，同時逐漸將權重轉向應用層機會
專注於展示 ROI 和生產部署而非只是試點的公司
優先考慮具有深厚行業專業知識和專有數據護城河的垂直 AI 解決方案
密切監測企業採用指標，作為商業成功的領先指標
考慮到 GenAI 計劃的 95% 失敗率，維持質量標準
評估管理團隊在駕馭從技術到可持續商業模型的複雜路徑中的能力
AI 的下一階段不是關於誰能構建最強大的基礎設施，而是關於誰能將 AI 能力轉化為可測量的業務價值。掌握這一過渡的公司將定義下一代技術領導者，而無法做到這一點的公司將成為過度炒作潛力的警示故事。市場已經開始在這兩組之間進行區分，精明的投資者在這種分離之前定位將獲得豐厚回報。
免責聲明：
本分析僅供信息和教育目的提供，不應理解為財務、投資或專業建議。AI 行業正在經歷快速技術發展和不斷演變的市場動態，這既創造了機會又帶來了重大風險。股票、部門或市場趨勢的過往表現不保證未來結果。
在 AI 相關公司的投資，無論是基礎設施、軟件應用還是服務，都涉及重大風險，包括本金損失的可能性。AI 部門面臨許多不確定性，包括技術採用率、變現挑戰、監管變化、競爭動態和潛在的市場過剩產能。本分析中提及的預測、估值和增長估計來自各種第三方來源，如有變更。實際結果可能與這些估計有重大差異。
投資者應進行自己的徹底盡職調查，考慮他們的個人財務狀況、風險承受能力和投資目標，並在進行任何投資決策前諮詢合格的財務顧問。本分析不構成購買、出售或持有任何特定證券的建議。作者和出版商對基於本信息做出的投資決策不承擔責任。
本分析中提及的公司提供作為示例，不構成投資建議。市場狀況、競爭格局和公司基本面在科技部門可能快速變化。
前瞻性陳述和市場預測涉及內在的風險和不確定性。經濟條件變化、監管發展、技術中斷、地緣政治事件和不可預見的競爭動態等因素可能導致實際結果與預期不同。投資者在投資人工智能等新興技術部門時應做好重大波動和重大虧損可能性的準備。