AI越来越强，真正赚钱的可能不是大模型公司？

如果你想真正看懂2026年的人工智能，斯坦福大学发布的《2026 人工智能指数报告》，几乎是一份绕不开的年度报告。

所以，我把这份报告拆成一个系列，系列名称就叫：《2026 AI大变局：读懂人工智能指数报告》

整个系列一共9篇，不追求把报告重新翻译一遍，而是沿着一条认知升级路径，把“报告解读”逐渐变成一张属于普通人的“AI时代认知地图”。

第一篇：AI时代的“地图”来了：斯坦福这份425页权威报告到底告诉了我们什么？

第二篇：中美AI已经没有代差，真正的差距还剩什么？

第三篇：一边像博士，一边像小学生：这才是2026年的真实AI

第四篇：AI不会平均地影响所有人：2026年，职场真正开始分化

本篇是第五篇。讨论的核心问题是——当模型越来越强、越来越趋同时，利润和战略价值究竟会沉淀在哪里？

过去几年，AI世界最吸引眼球的永远是大模型：ChatGPT、Claude、Gemini、DeepSeek……谁又登顶排行榜，谁的推理能力更强，谁又发布了下一代模型。

但如果把斯坦福《2026 AI Index Report》里关于算力、芯片、数据中心和资本投入的数据放到一起，你会看到另外一个完全不同的AI世界：我们每天使用的聊天机器人，只是浮在水面上的那一小部分，真正支撑这场AI革命的，是水面以下越来越庞大的基础设施。这也是《2026 AI大变局：读懂人工智能指数报告》第五篇真正想回答的问题：AI的钱，到底流向了哪里？

【报告发现】三年时间，全球AI算力增长约30倍

先看一个非常惊人的数字。

Stanford报告估算，2022年以来，全球AI算力容量平均每年增长约3.3倍，到2025年已经达到约1710万块H100等效算力。如果连续三年按照3.3倍计算，相当于三年扩大约36倍。当然，“H100等效”不是说全世界真的部署了1710万块英伟达H100，而是为了比较不同AI芯片的计算能力，把它们统一折算成H100这一基准。【来源：Stanford HAI，Research and Development】

更值得注意的是这1710万块“H100等效算力”由谁提供。报告显示，Nvidia占全球AI算力容量的60%以上，Google和Amazon提供了相当一部分，其余厂商中，华为所占份额仍较小，但正在增长。【来源：Stanford HAI，2026 AI Index】

芯片还只是开始。

这些芯片需要服务器，需要高速网络，需要数据中心，需要冷却，最终还需要一个最基础的东西——电。2025年，全球AI数据中心的电力容量已经上升到29.6GW，Stanford将其与纽约州峰值用电需求作比较；美国拥有5427座数据中心，数量超过其他任何单一国家十倍以上。【来源：Stanford HAI，Research and Development】

再往产业链上游追一层，集中度甚至更高。Stanford指出，全球几乎所有领先AI芯片都依赖TSMC制造。换句话说，我们看到的似乎是OpenAI、Anthropic、Google、DeepSeek之间的模型大战，但沿着产业链不断往下拆，最后会拆到GPU、晶圆代工、数据中心、网络、电力和冷却系统。【来源：Stanford HAI，Research and Development】

AI表面是一场软件革命，底层却越来越像一场重资产的工业革命。

【我的解读】AI产业正在出现一个有趣的“剪刀差”

真正值得关注的，是模型层与基础设施层正在出现两种完全不同的趋势。

一边是模型能力越来越接近。我们在第二篇已经讨论过，截至2026年3月，Anthropic、xAI、Google和OpenAI在Arena Elo排名中已经聚集在25分以内，阿里巴巴和DeepSeek也处于第一梯队。Stanford由此判断，竞争压力正在逐渐转向成本、可靠性和特定领域表现。【来源：Stanford HAI，Technical Performance】

另一边，却是支撑这些模型的基础设施投入越来越大。

2025年全球企业AI投资超过上一年一倍，其中私人投资增长127.5%；生成式AI投资增长超过200%，接近所有私人AI融资的一半。与此同时，前沿AI公司的收入虽然高速增长，算力支出和基础设施资本开支也在创纪录增长。【来源：Stanford HAI，Economy】

这形成了一个很有意思的“剪刀差”：上面的AI能力正在逐渐趋同，下面的基础设施军备竞赛却越来越昂贵。

这也是为什么，我认为理解AI产业不能只画一张“大模型公司排行榜”，而应该画一条完整的价值链：

能源／设备 → 晶圆制造 → AI芯片 → 服务器与网络 → 数据中心／云计算 → 基础模型 → AI软件 → 行业应用 → 企业生产率。

越往左，越重资产；越往右，越接近客户和真实业务。而最有意思的问题恰恰是：这条链上，未来谁拥有最大的价值捕获能力？答案现在还远没有确定。

芯片企业拥有极高的技术和供应链壁垒；云厂商掌握算力入口；模型公司掌握前沿技术和用户入口；行业软件公司拥有工作流；而真正进入制造、医疗、金融、采购、供应链等行业之后，企业自身的数据、流程和Know-how又可能形成另一道壁垒。

所以，“AI时代谁最赚钱”很可能不是一个永远固定的答案。

但Stanford报告已经给出了一个非常重要的信号：模型本身正在面对越来越强的能力趋同，而支撑模型运行的算力需求却仍在快速扩大。

这很像19世纪的淘金热。

淘金的人当然可能一夜暴富，但无论最终谁挖到黄金，矿工都需要铲子、铁路、食物和工具。AI时代的“铲子”，已经远远不只是GPU，还包括先进制程、HBM、高速互联、服务器、数据中心、冷却设备和电力。

甚至连水都开始进入这张产业地图。Stanford专门把AI的能源、水资源和碳排放作为重要议题进行统计，因为模型训练和海量推理最终都必须落到物理世界的资源消耗上。【来源：Stanford HAI，Research and Development】

所以，网上经常说“AI的尽头是电力”，这句话虽然过于简单，却抓住了一个真实变化：AI越虚拟，它对物理世界的依赖反而越深。

【对你有什么用】不要只问“谁的模型最好”，要问价值留在哪里

如果你是普通人，这些数字看起来似乎离自己很远，但它们实际上解释了为什么AI正在如此快速地进入我们的生活。一边是史无前例的基础设施投入，另一边是AI服务越来越容易获得。当大量资本已经投入芯片、数据中心和模型之后，企业必须找到足够多的应用场景来消化这些算力，AI自然会越来越快地进入办公、教育、医疗、汽车、制造业和消费产品。

对企业管理者来说，更重要的启示是：不要试图在基础模型层重复建设别人已经投入巨资建设的能力。

如果一家制造企业投入大量资源训练一个通用大模型，与OpenAI、Google、阿里或者DeepSeek竞争，它很可能是在最昂贵、同时又越来越趋同的一层展开竞争。企业真正拥有的稀缺资源，往往不是模型，而是自己的客户、供应商、生产数据、工艺知识、业务流程和几十年积累下来的行业Know-how。

这也是企业AI战略应该发生的一个重要转变：过去问：“我们应该选哪个大模型？”

现在更应该问：“利用越来越便宜、越来越强的模型，我们能够把自己的哪些独特资产放大？”

采购企业可以把AI嵌入寻源、成本分析、合同审核和供应风险管理；制造企业可以进入质量、设备维护、排产和研发；医药企业可以进入研发、临床、监管和供应链。模型只是发动机，真正创造商业价值的，是发动机装进什么车、跑在哪条路上。

对于投资人，则更需要避免另一个极端：看到Stanford的数据，就简单得出“买铲子一定比淘金赚钱”的结论。

AI基础设施正在高速扩张，但基础设施同样存在周期、资本回报率和产能利用率风险。29.6GW的数据中心电力容量意味着巨大需求，也意味着巨大的资本已经押了进去。如果未来模型效率提高、单位推理成本快速下降，或者基础设施建设速度超过真实需求，产业链不同环节的回报率完全可能分化。

真正值得问的应该是三个问题：这个环节是不是稀缺？有没有议价权？需求增长能不能最终转化成自由现金流？

这比简单判断“AI是风口，所以AI产业链都会赚钱”重要得多。

从这个角度再看《2026 AI Index Report》，1710万块H100等效算力、29.6GW电力容量、5427座美国数据中心，以及高度集中的先进AI芯片制造，并不是几个孤立的数据。

它们共同描述了一件事：AI正在从一场算法革命，变成一场涉及芯片、制造、能源、资本和全球供应链的系统性产业革命。

模型当然重要。但如果只盯着ChatGPT、Claude、Gemini和DeepSeek，我们看到的可能只是冰山露出水面的那一小块。真正庞大的AI产业，正在水面以下展开。

而下一篇，我们将把视角从数据中心和芯片重新拉回人类最重要的问题之一：如果AI不仅能聊天和写代码，而是开始进入实验室、药物研发和医院，它究竟会给人类带来什么？

《2026 AI大变局：读懂人工智能指数报告》第六篇：《AI开始进入实验室和医院：下一轮AI革命，可能不在聊天机器人》

图片和引用来源：斯坦福《2026 人工智能指数报告》

版权及免责声明：“卢山说AI精进”个人公众号的文章均为本人原创（含联合AI创作部分）。未经本人许可，禁止进行转载、摘编及复制等任何使用。如需转载、引用或者有其它意向，请事先通过本公众号后台等方式申请并获得授权。原创文章中的部分文字、图片源于网络，如有任何问题请联系本公众号。