本报告分析这一轮人工智能投资形成了怎样的产业结构，以及这些投资靠什么偿付。三个网络由本报告自建：第一个记录企业间的供货关系，数据库收录 386 家企业与 770 条关系，网络计算限定在其中 235 家企业与 610 条关系构成的分析网内；第二个记录股权投资关系，覆盖 498 个主体与 562 条关系；第三个记录债权与项目融资关系，覆盖 27 个主体与 24 条关系。三个网络共享同一批企业主体。本报告计算各网络上的控制点、单点故障与资金闭环。数据口径与计算方法见附录。

第一个结论关于估值。 按一家公司的连接数量与网络排名为人工智能产业链资产定价，会系统性地估反。本报告用毛利率逐个对照网络指标，发现度数、特征向量中心度、连通中心度与上游度全与毛利率无关，秩相关系数在 0.13 到 0.36 之间。解释毛利率的指标是不可绕开性。这体现为一家公司占了多少条移除后网络就断开的连接，秩相关系数 0.68；它是不是移除后网络断成两截的节点，0.68；移除它后有多少对原本可达的主体不再可达，0.58；有多少家客户把它列为该项投入的唯一合格供方，0.50。对照样本为 19 家毛利率口径一致的企业，其中处在不可绕开位置的 7 家毛利率中位数为 67.8%，不在这种位置的 12 家中位数为 41.3%。样本扩充到 27 家之后，桥连接数与毛利率的秩相关系数降至 0.46，仍在 5% 水平显著。实际判断有三个办法，满足任一即可认定：客户在年报风险因素里说明该项投入仅有一家合格供方；移除它后上下游间不存在其他通路；该产品的合格供应商名单只有一到两家。分析网 235 家主体中，处在这种位置的有 42 家。

第二个结论关于风险从哪里开始。 分析网内断供即停产级别的依赖共 128 条，其中 126 条在营。本报告逐个移除主体以测算影响面。移除英伟达使 11 家中下游主体失去全部关键上游通路，涉及算力服务商、模型企业、应用企业与机器人厂商四类。影响面并列第二的亚马逊云与国家电网各影响 4 家。单点故障高度集中，压力测试从英伟达做起即可覆盖大部分风险。影响面由 15 家降至 11 家，原因是 OpenAI 的关键上游由英伟达一家增至英伟达与 AMD 两家，经它相连的三家下游随之取得第二条通路。替代通路正在建成，本报告为这个判断设定的失效条件已部分兑现。中国一侧的不可绕开位置有两个。一个是国家电网，三家电信运营商的电力供给同时来自它；另一个是华为，七家整机与云服务企业把它列为唯一合格供方。台积电不在这份高影响面名单上，因为它的客户仍有其他关键上游通路。影响面与不可替代性是两个不同概念，评估时必须分开计算。

第三个结论关于卡口的位置。 断供即停产的依赖关系并不只集中在最上游。按各层供给关系中该级别所占比例排序，能源层以 29.4% 居首，云与算力层对应用层的供给以 28.3% 次之，其后依次是芯片层 26.8%、材料设备与代工层 18.4%，模型层只有 13.2%。前两处的差距已收窄到 1.1 个百分点。产业有两处卡口：第一处在能源、设备与芯片；第二处在云与模型对应用层的供给。应用层企业普遍亏损却难以脱离云与模型，原因正是第二处卡口。

第四个结论关于中美两条产业链的关系。 两条产业链并非相互隔离。全网跨境的断供即停产级关系共 24 条。境外指向境内的 15 条中，有 4 条指向中芯国际，分别是深紫外光刻设备、前道工艺设备、刻蚀设备与涂胶显影设备。出口管制的作用点即这 4 条。境内指向境外的 9 条同样是断供即停产级别。英伟达的液冷部件与服务器电源、谷歌的冷却分配单元、亚马逊云的光模块，其供应方分别是英维克、麦格米特、中际旭创与新易盛。中国企业既是买方也是关键供方。只按买方评估管制风险会漏算一半敞口。

第五个结论关于资金循环。 全网 562 条股权关系中，相互持股与有向持股环各有零个。这个结论在含被动持仓、做市存货与已终止关系的 578 条主体对上同样成立，主体数扩大到三倍半之后检验强度显著提高。资金的闭合出现在两处。第一处是投资与供货同时存在的主体对，按集团口径计算全网共 60 对，其中客户入股供应商型 26 对、供应商融资型 22 对、双向绑定 12 对。英伟达占据其中 22 对，其中 13 对是英伟达出资供客户购买自身产品，评估其收入增长时这部分必须单列。中国企业涉及 9 对，这是按头部科技集团名单计算的窄口径。第二处是三到五个主体串成的资本与货物闭合，共 46 个，资金从出资方流出，绕行数家企业之后以采购的形式流回。证据最完整的两两叠加是腾讯持有燧原科技 20.26% 股权且同时作为其客户。燧原对腾讯的销售额占总营收八成以上，比例在两年内由三分之一升至八成。买方兼任股东并贡献主要收入时，卖方的收入增速反映股东的采购决策，不代表市场需求。产业出资方在这些安排里取得的是经济敞口，不是控制权。英伟达持有 Nscale 的两个类别股份合计 5.99% 经济权益、零表决权，亚马逊持有 Anthropic 的可转债与优先股同样无表决权。出资方主动放弃表决权仍然出资，说明它要的是敞口与绑定。资本网络的集中出现在两端：被投方一端汇聚资金，最高的一家汇入 53 个出资方；出资方一端是少数产业资本的系统性布局，英伟达一家出资 27 家企业，而 412 个出资方里有 338 个只投一家。

第六个结论关于偿付。 外部市场每年为人工智能实际支付千亿美元量级，同期产业投入则是万亿美元量级。巨额差值由三项资金源承担：大型科技企业的经营现金流、私人信贷与项目债、一级市场股权融资。各方承压次序可以推演：缺乏长期绑定订单的算力中间服务商最先承压，私人信贷渠道次之，大型科技企业的资产负债表最后受损。现有的人工智能市场规模总数皆由多个口径拼接而成。三种常见拼法各有固定的失真方向，本报告正文将逐一说明还原方法。

本报告的六个结论可靠性各异。不可绕开性与毛利率的对照、断供影响面、跨境关系清单、投资与供货叠加的主体对，均由网络计算或一手披露数据得出。租金分级与承压次序是逻辑推断，报告已为每一项推断给出失效条件与先行指标。本报告不构成证券交易、授信审批或投资决策依据，完整边界说明见附录。

自 2022 年底以来，人工智能从软件产品转变为重资产产业。早期人工智能以软件交互界面为主，用户以文本生成能力、准确率与幻觉率衡量其价值。三年后，人工智能的运转依赖电网、晶圆厂与主权基金。产业变化不仅体现在模型能力提升，更在于改变实体经济结构。头部科技企业将年度合计资本开支提升至 7000 亿美元以上，使全球算力资本开支达到万亿美元量级。电力供应成为核心战略资源，先进制程芯片产能成为国家间的博弈工具。

技术影响超出信息技术领域，改变了产业组织、资本配置与国家能力的边界。在产业组织层面，模型部署取决于芯片、先进封装、高带宽内存、集群网络、电力与冷却系统这六环同步交付。任何一环延期，其余五环投入即成为闲置存货。这种高度互补的生产方式使定价权集中于少数环节。在资本配置层面，早期扩张依靠大型科技企业的经营现金流，近期的增量投资转向债务融资与私人信贷。财务风险因此从利润表转移至资产负债表。在国家能力层面，先进制程产能、高带宽内存与电力供给成为可实施出口管制与阻断供应的战略资源。一个国家的算力上限不再由其本土研发投入决定。

这些变化引出两个核心问题。第一个问题是，当前的资本投入将形成何种产业结构，产业价值最终留存于哪些环节。回答第一个问题需要识别哪些主体掌握一旦中断即引发系统性停产的位置，哪些主体的地位容易被复制，结构租金与在位租金集中于哪个环节，以及此集中源于物理规律还是短期先发优势。第二个问题是，如此规模的投入靠什么偿付，风险累积于何处，以何种次序暴露。回答第二个问题需要测算终端市场的年度实际支付能力，评估资金缺口规模，辨析前期投入以股权还是债务形式存在，并计算产业内部的资金循环比例。两个问题相互关联：产业控制权决定租金的分配格局，租金的分布位置决定资金缺口最终由哪一类主体的资产负债表承担。本报告不单设章节讨论国家间的依赖与制衡，因为技术瓶颈的分布与供应中断的敞口已包含在这两个问题中。美国的电力并网排队与中国在先进制程上的单点依赖，均是这两个问题之下的分析维度。

为回答这两个问题，本报告以实体产业数据替代对未来的主观预测，构建了三个网络。第一个是供应网络。供应网络将每家企业设为节点，将企业间的供货关联设为有向连接。数据库收录 386 个节点与 770 条关系，网络计算限定在其中 235 个节点与 610 条关系构成的分析网内，跨期比较因此在同一批主体上进行，不受收录范围扩大的影响。供应网络用于识别业务依赖程度，不统计交易金额，因此反映产业控制权分布，不涉及市场规模测算。供应关系按中断后果分级，最高一级是断供即停产，分析网内共 128 条，其中 126 条仍在营。此级别的定义是采购方在公开披露中承认，若该供应商中断供货，采购方将面临生产停滞。第二个是资本网络。资本网络用有向连接表示股权持有或出资，方向代表资金流向。资本网络共收录 602 个出资与持股事件，覆盖 498 个主体。同一对主体间的多轮出资在拓扑上合并为一条关系，602 个事件对应 562 条主体间关系。本报告描述证据规模时使用事件数量，分析网络结构与闭环检验时使用关系数量。两项指标衡量不同维度，不可相减或互相替换。第三个是债权与项目融资网络。债权与项目融资网络单独记录私人信贷放款、项目债、特殊目的实体股权、承销与信用增级安排，覆盖 27 个主体与 24 条关系。债权与股权的经济性质不同，将两者放入同一个网络会使持股比例这一列失效，也使度数同时反映两种不同的关系，因此本报告分表存放。三个网络共享同一批企业主体。若同一对主体间同时存在供货关系与出资关系，本报告将其记为跨网叠加，据此识别产业内部的跨网循环路径。中心度指标、割点与桥、分层集中度、跨网叠加与闭环检验的完整定义与计算方法，连同三个网络的数据来源类型与采信规则，均见附录^[1]。

解读网络时需明确一项原则：网络仅反映已核实的关系，不代表穷尽产业内的全部交互。两个主体间没有连接，仅说明当前证据未覆盖该关联。此原则对不同结论的影响方向不同。控制点集中的判断因此偏保守。补入未观测到的关系时，新增连接通常表现为对既有关键节点的额外依赖。冗余程度的判断则相反，更密的连接提高韧性。本报告在扩充覆盖后确认此现象：网络中最大的稠密子群包含 37 家企业，横跨中美两侧的云、模型与应用三层；而两端的能源层、数据中心硬件层与最终需求层平均每家企业只有 1.7 到 3.0 条连接。冗余的分布极不均匀，中间稠密，两端稀疏。

还有一层偏差来自披露制度本身。上市规则要求企业承认关键投入存在单一来源，却不要求指名对手方，因此按采购方一侧披露构建的网络会把已知存在的依赖记成缺边，集中度被系统性低估，且低估的方向是确定的。本报告的做法是从供应方一侧反查，用供应商自己披露的客户占比补回这些关系。同一机制也出现在资本一侧：上市出资方须披露重大股权投资而非上市出资方不必，因此公开可见的出资额分布高估上市机构的份额。本报告因此区分表决权比例为零与表决权比例未知两种情形，前者是已核实无表决权，后者是尚未取得数据，两者不合并计算。

基于三个网络，本报告得出六个结论，推演路径见 图 1-1。第一，按连接数量或中心度排名给人工智能资产定价将得出相反的估值结论，解释毛利率的是不可绕开性。分析网 235 家主体中处在不可绕开位置的有 42 家。第二，单点故障不是分散分布的。移除英伟达使 11 家中下游主体失去全部关键上游通路，影响面并列第二的两家各影响 4 家。第三，断供即停产的关系不只集中于最上游。产业存在两处卡口，第一处在能源、设备与芯片，第二处在云与模型对应用层的供给。第四，中美两条产业链的交叉点可逐条识别。跨境的断供即停产级关系共 24 条，境内一侧既是买方也是关键供方。第五，产业内部的资金循环发生于跨网叠加的 60 对集团之间，而不在纯股权结构中。562 条股权关系中相互持股与有向持股环各有零个。第六，外部世界每年为人工智能实际支付的金额为千亿美元量级，同期投入为万亿美元量级。差额由三类来源承担，承压次序可明确推演。

点击放大

这六个结论的可靠性等级不同，应用时需加以区分。不可绕开性与毛利率的对照、126 条在营的断供即停产关系及其影响面、24 条跨境关键关系清单、60 对投资与供货叠加的集团、能源层的位置以及各层集中度读数，均由网络算法直接计算或一手信息披露证实，是实证结果。租金的分级是逻辑推断。本报告依据替代周期与准入壁垒，判断台积电获取结构租金，英伟达获取在位租金，并为后者设定三个明确的失效触发条件。此判断为本报告的独立分析，不代表第三方评级。财务风险的暴露次序同样是逻辑推断。此次序基于三项资产负债表事实推演，本轮产业周期尚无历史先例可供验证。资金缺口的闭合时点、中国人工智能应用端较美国更早实现盈亏平衡的预测以及三种特定的传导机制，是情景假设。本报告将其表述为条件触发机制，不提供发生概率。在缺乏可核验参数的环节，本报告给出触发条件与观测指标，不提供单一精确预测。

本报告存在两项主要限制。第一，中美两条产业链的证据强度不均衡。中国一侧的资金数额与合同条款多数来自公开媒体转述，其方向与网络结构具备参考价值，但交易量、价格与期限缺乏一手核实文件。本报告在正文中逐处标注。不可绕开性与毛利率的对照样本为 19 家毛利率口径一致的公司，是横截面描述性统计，不构成因果推断，且样本偏向已上市并提供完整披露的大型企业。第二，本报告不讨论分配问题。数据显示人工智能的普及率较高，但实际收益转化不足，技术红利尚未实质到账。在此之前讨论红利如何在资本与劳动间、在不同行业与地区间分配，缺乏事实基础。本报告不构成证券交易、授信审批或投资决策依据，完整免责声明见附录 A4。

后续八章沿同一主线展开。各章从产业结构切入，评估资金缺口，分析终端需求与价值归属，随后讨论资金循环与财务风险传导，最后给出不同参与者的应对策略。各章的核心问题与主要结论见 表 1-1，读者可据此直接查阅特定章节。

本章回答一个可直接用于估值的问题：什么样的网络位置能留住利润。流行做法是看一家公司连接多少家企业、中心度榜单排第几。本章用毛利率逐个检验这些指标，结论是它们与利润无关。解释利润的是不可绕开性，即该公司是否为别人绕不过去的那一个。本章随后指出，不可绕开的位置在产业链上有两处，而非通常认为的仅上游一处。

2.1 分析单位：九层依赖网络

分析人工智能产业链需要九层软硬件依赖网络，单一线性结构会忽略跨层控制关系，而资金流向与风险传导恰沿跨层关系展开。九层框架包括能源资源（L0）、材料设备与代工（L1）、芯片（L2）、服务器与数据中心（L3）、云算力（L4）、数据与模型与工具链（L5）、应用与智能体（L6）、终端与机器人（L7）及最终需求（L8），全网 235 家企业依主业分布各层^[1]。国际清算银行 2026 年供应链研究把人工智能供应链划分为算力、基础设施、数据工具、模型、应用等至少五个层级，与本报告框架方向一致。两者均表明，分析基础是层际依赖关系，非单一核心企业。

企业层分布见 表 2-1。服务器与数据中心层（L3）44 家最多，材料设备与代工层（L1）41 家次之，应用层（L6）40 家。境内 124 家，境外 111 家。境内企业在材料设备与代工层有 25 家、在服务器与数据中心层有 28 家，两处均超境外。这与通常认为中国在上游薄弱的印象不同，第 2.4 节将说明这批企业的位置性质。本报告数据库收录 386 家主体与 770 条主体对供应关系，本表与后文各项网络计算限定在其中 235 家主体与 610 条关系构成的分析网内。

资料来源：本报告供应网络节点表。本表统计出现在供应关系上的企业。最终需求层按可核验采购方样本收录，收录标准见附录 A6.1，该层非穷举。

单一线性结构失效原因有三。第一，同层内部依赖方向差异大，云算力层云服务商同时是买方、卖方与分发渠道，向上采购芯片与整机，向下托管模型并转售。第二，境内外同层企业面临环境不同，同在 L4 层，亚马逊云是全球模型分发枢纽，中国移动是国内集采买方，两者的风险传导方向相反。第三，控制关系跨层存在，设备决定制程，制程决定芯片，芯片决定整机，单环节供需必须放在整体网络中才能得出定价结论。图 2-1 展示九层框架与国际清算银行五层分类的映射关系。

点击放大

2.2 连接数量不解释租金，不可绕开性解释租金

图 2-2断供即停产的依赖骨架：卡口有两处，不只在最上游

可交互版本：点图例筛选产业层级、关系类型与关键依赖边，搜索公司定位，点节点看中心性与上下游清单。静态图与本探索器同底数据。

静态图版本（含口径、数据源与截止日期）

点击放大

供应网络整体形态见 图 2-2。本节把网络指标分两组，逐个与毛利率对照。第一组是连接数量类，包括入度、出度、总度数、特征向量中心度、连通中心度、Katz 双向中心度与上游度，衡量一家公司连了多少家、连的群体是否重要、卡在多少条通道上。第二组是不可绕开性类，包括一家公司占多少条移除后网络即断开的连接（桥连接数）、其是否为移除后网络断成两截的主体（割点）、多少家客户将其列为该投入的唯一断供即停产级供方（唯一关键供方计数），以及移除它后有多少对原本可达主体不再可达（本质性）。

对照样本是 19 家有完整年报毛利率披露且口径可比的企业，覆盖 L1 到 L7，结果见 表 2-2，两组代表指标与毛利率的散点对照见 图 2-3。两组指标的系数差距明显：不可绕开性类的六项系数全部为正，且都在百分之五水平显著；连接数量类无一项显著。桥连接数的秩相关系数是 0.68，按公司连接总数归一之后的桥占比是 0.60，两者均在百分之一水平显著；连通中心度 0.36、总度数 0.26、上游度 0.24、特征向量中心度 0.13，四项的 p 值均高于 0.13。解释力非来自公司大小：桥占比已按连接总数归一，其与毛利率的秩相关 0.60 高于总度数与毛利率的 0.26，两组指标的差距无法由公司规模解释。

资料来源：本报告网络指标与公司年报毛利率。样本 19 家，横截面，属描述性统计，不构成因果推断。样本限定在毛利率口径一致的企业：CoreWeave、IREN 与 Nebius 三家披露的毛利率不含折旧摊销，与同业不在同一口径，不与同业同图比较，落在本样本内的是 CoreWeave。剔除毛利率主要由非人工智能业务决定的多元化平台后剩 14 家，桥连接数的秩相关系数为 0.621（p 值 0.018），唯一关键供方计数为 0.549（p 值 0.042），方向不变。不分毛利率口径纳入全部 20 家，桥连接数为 0.586（p 值 0.007）；样本扩至 27 家，桥连接数降至 0.456（p 值 0.017），仍在 5% 水平显著。

二分对照更直接。样本中占据割点位置或被某家客户列为唯一关键供方的 7 家企业为英伟达、微软、台积电、Meta、AMD、博通与 Arista Networks，毛利率中位数是 67.8%；两者均非的 12 家，中位数为 41.3%，曼惠特尼单尾检验 p 值是 0.0013。样本扩至 27 家后，两组中位数为 65.9% 与 42.6%，p 值 0.0093，差距收窄而方向不变。

点击放大

两个反例说明机制。CoreWeave 毛利率是 71.7%，该读数不含折旧摊销，它因 Runway 一家客户把它列为唯一关键供方而进入不可绕开名单，但不占任何桥连接，净利率为负 22.7%。智谱毛利率是 56.3%，同样没有不可绕开连接，净利率为负 947%。毛利率可凭一时定价撑住，但撑不住折旧与获客。不可绕开性决定的不是价格能否提升，而是提升后的价格能否留下。

一处反例需一并说明。新思科技毛利率是 77%，在本网络中它既非割点也非他人的唯一关键供方。其利润来自电子设计自动化双寡头格局，而本报告网络仅记录其与英伟达间的一条关系，产品市场层面的寡头结构无法在连接数上体现。样本扩至 27 家后又添三例同型证据：Arm Holdings 毛利率 97.5%、Adobe 89.3%、Salesforce 77.7%，三家均不占不可绕开位置，其利润同样来自产品市场的寡头格局。不可绕开性仅解释利润来源一部分，产品市场集中度是另一部分，两者需并用。

由此得到三个可直接使用的判断办法，任一成立即可认定某公司处在不可绕开位置：客户年报风险因素写明该投入仅其一家合格供方；移除该主体后，其上下游间不存在其他通路；该产品合格供应商名单仅一到两家。分析网 235 家主体中，按割点或唯一关键供方计，处该位置者有 42 家。按层看，云与算力层 36% 的企业处该位置，芯片层 30%，模型层 26%，终端层 17%，最终需求层与材料设备与代工层各 12%，服务器与数据中心层 11%，应用层与能源层各 10%。

第一个判断办法有公开来源可查。表 2-3 汇总几处发行人自述的单一来源披露，这类陈述是议价权最直接证据，因其出自采购方而非供应方。

资料来源：公司年报与官方披露。

ASML 与蔡司半导体制造技术（蔡司 SMT）是这批披露里绑定最深的一例，也是不可绕开位置的最强样本。ASML 在 20-F 里写明，光学系统上蔡司 SMT 是其唯一供应商，而 ASML 是蔡司 SMT 的唯一客户，蔡司 SMT 长期停供将使 ASML 无法继续经营。两家的绑定不止于采购：ASML 持有蔡司 SMT 24.9% 股权，供货价格按双方业绩浮动，重大投资决策相互享有否决权，2025 年 ASML 对蔡司 SMT 净放贷 7.04 亿欧元，期末预付款约 11.9 亿欧元。采购、股权、定价与治理四重绑定同时存在，说明这类位置不靠合同期限维持，而由投入本身没有第二个来源决定。

这类具名披露是少数，多数依赖只承认存在而不指名。披露义务要求企业承认关键投入仅一家合格供应商，但不要求指名这家供应商：应用材料、泛林、KLA、康宁与格芯等九家境外硬件上游企业在监管文件里承认单一来源依赖而不点名，华虹半导体、长电科技、中科曙光与商汤科技等五家境内企业的前五大客户全部以代号披露。因此按买方一侧披露构建的供应网络，会把已知存在的依赖记成没有关系，集中度被系统性低估，而低估的方向是确定的。破解办法是从供方一侧反查：超科林在自己的年报里写明应用材料与泛林两家合计占其营业收入 58.7%，这条依赖在两家买方自己的文件里查不到。读者据此可以推断，公开可得的集中度读数是产业实际集中度的下界，不是它的估计值。

并列比较不可绕开性与连接数量，控制点排序与市场印象差异明显，见 表 2-4。英伟达双口径居首，11 家客户将其列为唯一关键供方，且占据 5 条桥连接。此后双口径分离。谷歌、OpenAI 与微软特征向量中心度靠前，但唯一关键供方计数仅分别为 3、2、2。中芯国际特征向量中心度仅 0.041，全网靠后，却是 3 家企业唯一关键供方。国家电网特征向量中心度是 0.023，排位极末，却是三家电信运营商与世纪互联的唯一电力来源。按连接数量排序会把中芯国际与国家电网排到榜外，而两者恰是各自链条无法绕开的位置。

资料来源：本报告中心度与不可绕开性计算结果，利润率取自各企业公开披露。特征向量中心度在所在连通分量内归一化，仅同分量内可比，本表取值限定在网络主分量内。

利润率一列不是同一口径，读的时候只取排序不取具体数值差。英伟达、微软、博通为各自 2025 财年的美国会计准则毛利率，谷歌为 Alphabet 集团 2025 财年合并毛利率，台积电、中芯国际与华为为 2025 年国际财务报告准则毛利率。标 △ 的国家电网是 2024 年毛利率，它的 2025 年度财务披露尚未发布。标 ✳ 的两格都不是毛利率，与毛利率也不同尺度：亚马逊云一格是分部营业利润率，中国移动一格是息税折旧摊销前利润率，前者已扣除销售与研发费用，读数系统性低于同一业务的毛利率。OpenAI 与 Anthropic 未上市，无公开毛利率披露，留空。博通的准则口径含 60.31 亿美元并购形成的无形资产摊销，剔除后为 78.6%；微软与谷歌是多元化平台，利润率由与人工智能无关的业务共同决定。本表的十二家是控制点排行的对象，不是第 2.2 节不可绕开性检验的样本，后者限定在 19 家口径一致的企业。

表的最后一列是各企业公开披露的利润率，用来看网络位置与留存利润对不对得上。这一列的四种口径不能互比，只能取排序：占据不可绕开位置的英伟达、微软与博通读数最高，都在三分之二以上；台积电 59.9% 与谷歌 59.7% 次之。中芯国际是这条规律的边界，它是 3 家企业的唯一关键供方，利润率却只有 21.0%，原因是它的不可绕开性来自管制之下没有替代者，而不是技术领先，先进制程的折旧又压住了利润。可见不可绕开的位置是收取租金的必要条件，不是充分条件：位置决定了别人绕不过去，能不能把这一点变成利润，还要看这个位置是靠技术门槛守住的，还是靠外部限制临时造出来的。OpenAI 与 Anthropic 两格留空，它们未上市，没有公开的利润率披露，而这两家恰恰是外界最关心的。

中国移动需单独说明。其入度 28 居全网之首，唯一关键供方计数却为 0。原因在于该位置来自买方枢纽而非供方地位，其汇集服务器、交换机、温控与电力四类采购，各类别均有多家合格供应商竞争。它另占 4 条桥连接，说明部分供应商仅借其渠道进入市场，这代表供应商脆弱性，而非中国移动定价权。买方枢纽压低采购价，但受政策管制无法将价差留作自身利润。评估此类主体须区分其对供应商的影响力与自身盈利能力。

据此重构定价权排序。台积电享有结构性溢价，定价权最强且持久。英伟达享有在位性溢价，一旦谷歌 TPU 对外销售、AMD 在头部买家训练集群占据有效份额、或大客户自研专用芯片达规模量产这三事件中任一突破临界水平，其溢价将快速收缩。电力入口凭并网周期构筑壁垒，定价权上升。高带宽内存受制单一买方，博通交换芯片业务限于单一客户。云服务渠道数量增加，无法支撑垄断溢价。模型层易于复制，开源模式正压低其溢价。电子制造服务与封测定价权趋零。

定价权与利润对照见 图 2-4。溢价集中于不可绕开位置，不按上下游顺序分布。台积电毛利率 59.9%，浪潮信息 4.77%、超聚变 8.58% 处同一链条下一环，相差一个数量级。模型与应用层亏损是开源与多路径化后的均衡结果，第 5 章将给需求侧对应证据。

点击放大

2.3 卡口有两处，不是一处

上节回答何种位置能留住利润，本节回答此种位置在产业链分布于何处。答案为两处，而通常产业分析仅见第一处。

本报告将供应关系按中断后果分级，最高级是断供即停产，定义为采购方公开承认该供应商断供将致其生产停滞。全网该级关系共 128 条，其中 126 条在营^[2]。按各层供给关系中该级别占比排序，能源层最高，29.4% 的供给关系属于断供即停产；云与算力层对下游供给 28.3% 次之；芯片层 26.8%；材料设备与代工层 18.4%；服务器与数据中心层 17.8%；模型层仅 13.2%；应用层仅 7.4%。

该读数指向两项结论。第一，最上游确为卡口，能源、设备与芯片三层占比均接近或超过两成。第二，云与算力层对应用层供给同为卡口，比例仅次于能源，且两处卡口的差距已收窄至 1.1 个百分点，芯片层与第二位相差 1.5 个百分点，三处高位互相挨得很近。两处卡口的高低之分正在消失，云与模型对应用层的锁定强度已接近能源。第二处卡口此前不易察觉，因其需应用层与最终需求层充分覆盖方可显形。应用层企业普遍亏损却无法脱离云与模型，原因在于：投入端被锁死，产出端却面临可替代竞争。第 4 章关于价值迁移分析及第 5 章价值捕获率测算，均以此卡口为前提。

模型层比例最低，仅 13.2%，与第 2.2 节结论一致。模型层在连接数量排名靠前，断供后果排名靠后，两者结合说明其位置显要但不具锁定能力。

断供后果另一维度是影响面。本报告仅沿在营断供即停产关系构建子网，共 126 条关系覆盖 122 个主体，传导时不计产品集成与芯片适配两类关系，因其描述产品互相嵌入或能否运行，非买方无法自制投入。沿该子网可追溯至能源、设备材料或芯片源头的中下游主体共 35 家。逐个移除主体，结果见 表 2-5。

资料来源：本报告断供压力测试计算结果，仅计入在营的断供即停产级关系。

单点故障非分散，而集中于一主体。移除英伟达使 11 家中下游主体失去全部关键上游通路，并列第二的亚马逊云与国家电网各影响 4 家，且英伟达的影响面横跨算力服务商、模型企业、应用企业与机器人厂商四类。压力测试由此着手即可覆盖大部风险。中国一侧对应主体为国家电网，三家电信运营商与第三方数据中心运营商世纪互联的电力供给均源于此。两者性质不同，英伟达是可替代性问题，国家电网是不可迁移问题。

这个读数对头部买家的通路结构高度敏感，而集中度正在下降。若 OpenAI 的断供即停产级上游仅英伟达一家，移除英伟达的影响面是 15 家；OpenAI 增加 AMD 一条通路之后，它自身脱离名单，把 OpenAI 列为唯一关键供方的 Klarna、Zendesk 与摩根大通三家随之脱离，影响面降至 11 家。四家主体一次性脱离，起因是一条供应关系。这说明单点故障的集中度取决于头部买家有没有第二条合格通路，而不取决于芯片供应商的市场份额，也说明下降来自替代通路的实际建成而非口径调整。第 9 章为这一判断设定的失效条件之一是超大规模买家出现第二家可承担主力训练任务的芯片供应方，该条件已经部分兑现。

台积电未列此单，此点需解释。其下游客户尚有其他关键上游通路，移除它不致中下游主体失联。这不等同台积电可替代。影响面衡量中断向下传导范围，不可替代性衡量该位置能否由他人接手，两者概念不同。台积电在 表 2-4 为 3 家企业唯一关键供方，不可替代性排名高；其在压力测试表现不显著，因客户群与其他上游通路重叠。评估须分开计算，混用会同时错估不同主体。

网络冗余度分布极不均。分析网 235 个主体有 30 个割点，585 个关系对中 55 条为桥，占比 9.4%。最大稠密子群含 37 家企业，横跨中美两侧云、模型与应用三层。但两端情况相反，按层计平均连接数，云与算力层 9.03、模型层 8.42、芯片层 8.07，而服务器与数据中心层仅 2.95、能源层 1.80、最终需求层 1.69。中间稠密，两端稀疏。这与本章前两节结论相印证：稠密中间层连接多、中心度高、租金低；稀疏两端连接少、中心度低、却是断供后果最重位置。割点名单见 图 2-5，第 7 章压力测试与第 8.1 节资产画像将复用此单。

冗余度的读数随关系覆盖程度变化，方向是确定的。同一批 235 个主体，供应关系由 534 条补到 610 条之后，桥由 82 条降到 55 条，割点由 32 个降到 30 个，上游度为 1.0 的主体占比由 30.2% 降到 24.7%。也就是说，先前测得的脆弱有一部分来自关系没有查全，不是产业事实。外部观察者看到的产业脆弱程度，一部分取决于他掌握的数据边界：关系查得越少，产业看上去越脆。这与披露制度低估集中度是同一类问题，观测方式决定了看到什么。

零部件层数据补入后，割点名单本身亦随之改写。无锡元基精密机械同时是富创精密与先锋精科两家半导体零部件厂商的前五大供应商，这个共用单点在只覆盖设备整机的网络里看不到。先锋精科的五家具名供应商全部位于境内，合计占其采购 37.49%，其客户端 80.78% 集中在北方华创与中微公司等五家。零部件层因此两头都集中：向上依赖少数几家专用件供应商，向下只卖给少数几家设备整机厂，而这一层的断供后果要经设备整机才传到晶圆厂，链条更长，暴露更晚。

点击放大

层级维度集中度见 表 2-6。该指数按供应关系数计算，非营收份额集中度^[4]。居前六项落在 1,183 到 1,287 之间，分属模型层、芯片层、能源层与材料设备与代工层，相互差距不足一成，链条顶端已不存在某一层独高的格局。其中材料设备与代工层采购入边集中度为 1,183，中芯国际一家占该层 69 个采购关系中 18 个，此乃国产制程依赖收敛单一主体的直接读数。云与算力层采购入边集中度 843，供给出边 950，两向均非最集中环节，说明分发权虽重要但已非少数独占。

资料来源：本报告分层集中度计算结果。

按关系数计算的集中度不区分一条关系值多少钱，按收入份额看，客户集中度的分界线是网络位置而不是行业。Applied Digital 单一客户占其收入 59%，Arista Networks 前两大客户微软与 Meta 分别占 26% 与 16%、合计 42%，TeraWulf 的高性能计算收入 100% 来自单一客户；同处软件与数据服务的 Snowflake、Adobe 与 Intuit 则无一家客户超过 10%。前三家都在为少数几家超大规模买家专供的位置上，后三家面对的是分散的企业市场。口径本身也会翻转结论：Palo Alto Networks 三家分销商合计占其收入 44.2%，而其终端客户无一家超过 10%，按分销口径与按终端口径得出的集中程度相反。评估客户集中度须先确定数的是哪一层交易对手。

产品层面紧缺度可分档，见 表 2-7。分档依据是该产品合格供应者数、使用者数及断供即停产级关系条数。

资料来源：本报告在营供应关系产品口径统计结果，不计已切断历史关系。

2.4 中国坐标：可替代性分层与双向敞口

中国企业网络分布异于通常印象。境内企业在材料设备与代工层有 25 家、服务器与数据中心层 28 家，均多于境外。但数量多不等同位置强。按依赖强度与可替代性交叉排序，最难替代环节集中 L1 与 L2，具体为半导体设备、验证工具、先进制程与高带宽内存；最易替代环节集中 L3 及以下模块组装与系统集成。国产替代机会与授信风险均遵循此分层。图 2-6 显示，右上角兼具断供即停产依赖与极高替代难度者为极紫外光刻系统与英伟达加速平台，紧邻其下为验证工具、高带宽内存与晶圆代工，底部为光模块、液冷机舱与电子制造服务代工^[8]。

该矩阵有两类用途。右上角对应第 8.1 节国产替代核心靶区，替代难度最高，政策与资本最集中。右下角兼具断供即停产依赖与可替代能力，是获取实际订单及融资切入点。跨国企业境内设厂不等同中国客户能同等获取产品，测算断供情景须基于合法可采购集合，非全球供给。

点击放大

中国产业链结构可概括为三点。第一，全球一侧英伟达、台积电与高带宽内存三角，对应中国一侧的两个不可绕开位置，而非一个。一个在制造：所有国产芯片制造最终收敛于中芯国际单一主体，华为的先进制程也仅依赖中芯国际一个断供即停产级节点，台积电供货已于 2020 年切断。另一个在芯片与整机：华为总度数 28、出度 22，境内居首，身兼芯片、整机与云服务三重供给角色，百信信息、宝德计算机、长江计算、神州鲲泰、河南昆仑、湘江鲲鹏与华为云七家把华为列为该项投入的唯一合格供方。两个位置的失效条件不同，中芯国际取决于境内能否建成第二条先进制程产线，华为取决于昇腾之外能否出现第二套可量产的国产加速卡与配套软件栈。华为亦是影响面与不可替代性有别的中国样本：其唯一关键供方计数为 7，而断供压力测试上的影响面仅 1 家，因这七家整机与云主体在关键依赖子网上追不到能源、设备或芯片源头。第二，运营商集采体系推动替代链路成型，中国移动入度 28、中国电信入度 16 居前，完整链路为中芯国际代工、华为及寒武纪等供芯片、华鲲振宇等组装、运营商智算中心承接算力。第三，模型层形成深度求索与 MiniMax 两个结构中心，深度求索借开源分发不依赖单一渠道，MiniMax 与美国云服务捆绑模式接近，同涉算力采购与接口销售。

跨链关系是中国坐标里最易被忽略的一维。中美两条产业链绝非互不接触。跨境关系共 83 条，其中断供即停产级别 24 条，逐条列于 表 2-8。

资料来源：本报告在营供应关系。境外至境内 15 条，境内至境外 9 条。

此表给出两项可直接使用的判断。第一，出口管制作用点为四条关系，非笼统封锁面。中芯国际上游共 18 条依赖关系，四条来自境外且属断供即停产级，分别为 ASML 深紫外光刻、应用材料前道设备、泛林刻蚀、东京电子涂胶显影。其余 14 条来自境内，拓荆科技沉积设备与安集科技化学机械抛光液已达断供即停产级，华海清科、至纯科技、中微公司、北方华创、沪硅产业、江丰电子、华大九天等处次级。国产替代进度可按此依赖表逐条读取，无需依赖整体国产化率等口径冲突数字^[9]。

境外至境内两条关系值得单独指出。三星电子为昆仑芯提供 14 纳米晶圆代工与 2.5D 封装，说明国产加速卡的先进封装同样依赖境外代工，通路不止台积电一条；博通为锐捷网络提供以太网交换芯片，与该公司自陈外购芯片占其原材料采购 51.93% 是同一件事的两侧读数，一侧是网络关系，一侧是公司账目。

第二，敞口双向，中国一侧非仅买方。英伟达液冷部件与服务器电源、谷歌冷却分配单元、亚马逊云光模块，供应方分别为英维克、麦格米特、中际旭创与新易盛，且均属断供即停产级。中际旭创一家同为英伟达与谷歌关键供方。评估管制风险若仅视中国为买方将漏掉一半敞口。此点对第 5 章偿付分析尤为重要：这批企业收入直绑境外数据中心建设节奏，境外资本开支放缓会先于境内传导至其报表。

两条链方向差异依然成立。全球链集中风险在卖方，断供即停产级供应者少；中国链集中风险在买方，集采驱动形成树状结构^[10]。资金介入全球链需评估断供即停产属性背书，介入中国链需评估集采应收账款确权。服务器与数据中心层供给集中度仅 383，为全链最分散，信创厂商同面集采买方，缺乏定价权与客户多样性，价值评估须穿透至中标订单。

2.5 能源层：不是最上游，但断供后果最重

能源层纳入后，一通行说法须修正。能源非网络上游度最高段。补入半导体零部件与设备后，上游度居前者为超科林 7.66、MKS Instruments 7.37、先锋精科 7.24、中微公司 7.11，而三家发电与核电企业 Constellation 5.93、Oklo 5.85、Vistra 5.35 在本报告网络内均排在第五十名之后，能源层平均上游度 5.02，低于材料设备与代工层 5.94，两者差距 0.92。按拓扑位置论，能源与半导体零部件同处最上游，但并不比后者更靠上^[11]。

能源特殊性在别处。其供给关系 29.4% 属断供即停产级，比例全网最高，超芯片层 26.8% 与材料设备层 18.4%。电力为替代弹性极低投入，中断冲击远超其成本占比^[5]。电力兼具不可迁移、不可库存特征，并网周期自身构成准入壁垒。将能源判断由拓扑位置转至断供后果与不可替代性，结论反更稳固，因其不依赖网络覆盖层级。

图 2-7 显示三项结构事实。第一，Meta 因能源采购成网络割点。其虽边缘买方，却连接三个核电与绿电节点，为连接核电复兴与人工智能需求唯一通路，买方削减开支将切断电站现金流基础。第二，枢纽节点高度依赖能源，微软与亚马逊云各自连接发电商，OpenAI 直接能源依赖最多。第三，中美能源耦合模式相反，美国为发电商对单一买方签长期协议，面临买方毁约或开支下调交易对手风险；中国为电网对运营商集中输送，面临电网故障与电价调整系统性风险。能源层供给集中度 1,211，属寡头竞争非垄断，若按装机容量计则显著更高，见 图 8-3。

点击放大

本章小结

本章给出四项结论。第一，人工智能产业链资产估值当看不可绕开性，不看连接数与中心度排名。三个判断办法为客户年报写明唯一合格供方、移除后上下游无其他通路、合格供应商名单仅一至两家，全网处此位置者 42 家。第二，卡口两处，第一处为能源、设备与芯片，第二处为云与模型对应用层供给，应用层普遍亏损源于后者。第三，单点故障集中英伟达，移除将致 11 家中下游主体失全部关键上游通路，并列第二的亚马逊云与国家电网各影响 4 家，压力测试当由此始；这一集中度随头部买家取得第二条合格通路而下降；影响面与不可替代性属不同概念，台积电前者不显而后者排名极高，华为为中国一侧同型样本。第四，中美两条链于设备材料与光模块深度交叉，跨境断供即停产级关系 24 条，出口管制作用点系指向中芯国际四条关系，而中国一侧同为英伟达、谷歌与亚马逊云关键供方，敞口双向。

网络稠密处与卡口非同一处。中间三层连接稠密、中心度高、毛利率低；两端连接稀疏、中心度低、断供后果重。按中心度榜单选投资标的，将系统性买入无租金批次。中心度榜单仅作压力测试参考，控制点须经割点、断供即停产依赖与替代周期三重筛选方可确定。投资应对名单见第 8.1 节，理论与结构映射见 表 A-5。

前一章列明了控制点名单，并解释了利润在关卡处积累的机制。控制点分析理清了产业链各环节间的制约关系，但尚未解答出资决策的核心问题：当前周期的资金以多大规模滞留于哪些环节，以及这些投入何时转化为收入。本章认为，产业不缺芯片，而是缺乏六个环节同步兑现的能力。当前的资本开支规模已超过产业的兑现能力。

3.1 资本开支的扩张规模

当前 AI 基建已成为全球固定资产投资的核心领域。2025 年主要科技公司的 AI 资本开支约为 4,100 亿美元，而 2026 年的第三方预测规模达到 7,000 亿美元。这迫使产业与金融参与者必须确立相应的投资策略。需要明确，7,000 亿美元是第三方预测数值（世界经济论坛，2026），并非已实现数据^[1]。然而，仅 2025 年已实现的 4,100 亿美元，就已超过多数国家全年的固定资产投资规模。如图 3-1所示，本报告的分析不依赖具体的预测点值。无论 2026 年的实际开支是 6,000 亿美元还是 7,000 亿美元，投资规模空前且高度集中于少数买家这一结构性事实均成立。各方应当基于此事实制定投资策略。

点击放大

当前的产业扩张具有实质的物理基础，表现为大规模的设备安装。两组数据证实了这一点。宏观层面，全球 AI 数据中心额定电力容量在 2025 年第四季度约为 29.6 GW，其中芯片热设计功耗约 11.8 GW（根据斯坦福大学以人为本人工智能研究院《2026 年 AI 指数报告》估算^[2]）。29.6 GW 相当于三十座百万千瓦级电厂的满负荷发电量，具体规模对比见图 3-2。微观层面，单家算力服务商向美国证券交易委员会披露的数据提供了直接证据。CoreWeave 的活跃电力容量从 2023 年的约 70 MW 增长至 2024 年的约 360 MW，并在 2025 年超过 850 MW，三年内成倍增加至十二倍，见图 3-3。发行人在监管文件中披露的装机数据具有法律效力，证明行业整体规模扩张的判断成立。

点击放大

点击放大

当前的核心问题不在于资本是否投入，而在于投入何时、按何比例转化为可用算力与实际收入。

3.2 有效产能不等于名义产能：同步兑现约束

算力供给的瓶颈不在于芯片产量，而在于芯片、先进封装、高带宽内存、集群网络、电力以及冷却这六个环节能否同步建设。若任何一个环节未如期完成，其余五个环节的资本开支均会转化为闲置存货。一颗 GPU 转化为可计费算力的前提，是同时具备充足的先进封装产能、满配的高带宽内存、集群网络设备（含交换芯片与光模块）、已并网的电力以及匹配高密机架的冷却系统。先进封装负责将逻辑芯片与高带宽内存集成于同一块基板，有晶圆无成品的问题通常出现在该环节。六个环节的扩产周期各不相同，芯片扩产以月计算，先进封装与高带宽内存以季度计算，电力并网则以年计算。名义产能（芯片出货量）与有效产能（可用算力）之间因此形成结构性缺口，本报告称之为六环同步约束机制^[3]。该机制解释了智算中心市场中表面矛盾的现象：能支持大型集群的高端算力局部短缺，而缺乏六环同步条件的项目面临利用率不足。表 3-1列出了六环清单及其建设延迟的后果。

资料来源：本报告的六环同步约束框架。

商业术语中的订单、未交付订单余额（backlog）、协议额、规划容量、收入与现金代表业务的不同阶段，且不可混淆。将未交付订单余额错认为收入，是当前周期估值虚高的最常见原因。未交付订单余额指已签约但尚未交付的订单总额，它与订单额、出货额、收入及回款同属一笔业务的不同阶段。各阶段数值不能相加，更不能等同于收入。戴尔的财务披露提供了一个案例。2026 财年其 AI 优化服务器订单超过 640 亿美元，出货量超过 250 亿美元，期末未交付订单余额为 430 亿美元（来源于戴尔科技 2026 财年财报）。这三个数值描述了同一业务的三个阶段，不能相加，也不能将 640 亿美元视为戴尔的实际 AI 收入。类似的概念混淆现象存在于产业链的各个环节。在液冷领域，施耐德电气与 Switch 签署的 19 亿美元协议代表可供销售的系统容量，而非已交付的收入。施耐德电气与 Motivair 向 TeraWulf 交付的 2.9 亿美元属于组合方案的金额下限，并非液冷单项的独立收入（来源于施耐德电气官方新闻稿）。共封装光学的技术演示不代表实际量产，政策文件中的规划目标不等同于已验收的付费需求。上述误读均违反了一个业务状态的区分纪律^[4]。

分析产业链数据的正确方法是沿八个阶段构成的管道展开。这八个阶段依次为规划、在建、承诺（含订单、未交付订单余额与协议额）、投产、可用、利用、收入以及现金，具体见图 3-4。资金从规划转化为现金必须依次通过这八个阶段，形成一个兑现漏斗。向右的每个推进步骤均会产生数值折损，且业务状态不可逆转，例如未交付订单余额不能直接变现为收入。折损率的高低取决于六环同步约束机制。若电力建设滞后，产能从投产到可用阶段的转化率将下降。若客户结构单一且预租率不足，算力从可用到利用阶段的转化率将降低。市场误读的原因通常是，将处于漏斗左侧阶段的高额数字按右侧阶段的标准进行估值。本节提出的兑现管道框架为第 7 章中项目现金流与押品链分析提供了方法论基础，也是表 8-3的设计依据。尽职调查中的每个问题，都在于确认目标企业的财务数据实际处于该管道的哪个阶段。

点击放大

结合上述框架，表 3-2呈现了十个关键环节的供需状态判断。供需实质紧张的环节（含高端训练芯片、高带宽内存与先进封装）主要受限于物理产能不足及长期订单锁定。供需表面紧张的环节（如智能体平台）表现为市场产品数量庞大，但有效供给缺乏。至于推理服务环节，其实际供给增长且价格下降，短缺叙事已被证伪。

资料来源：本报告的供需状态判断，2026 年 8 月快照，据台积电、三星、英特尔、SK 海力士的公开披露更新。

供需状态表把限制政策列为高端训练芯片的主要风险，而管制对供需的作用点在两个方向上都有公司具名的样本。第一个方向是境外产业链依赖中国境内产能。磷化铟是制造光通信激光器与探测器的化合物半导体衬底，光模块离不开它。美国光器件厂商 Coherent 于 2026 年 6 月与衬底厂商 AXT 签订三年协议，预付 2228.85 万美元，锁定 AXT 北京工厂 2026 至 2028 年的 6 英寸磷化铟衬底产能（据双方披露的协议文本）。AXT 与日本住友合计约占全球磷化铟衬底八成，AXT 的产能在中国境内，出口须取得中国的出口许可。第二个方向是中国的反制措施改变境内企业的采购流向。硅片厂商沪硅产业在回复中国证监会问询时写明，其采购自美国的多晶硅未受美国出口限制，但因中国对美国商品加征关税，公司已下调对美国 Hemlock 的采购并转向其他供应商；德国瓦克、Hemlock 与代理日本 Tokuyama 产品的丸红三家在 2018 年合计占其多晶硅采购金额 95.51%^[9]。两个样本合起来说明，管制与关税的作用点不限于美国对华方向。中国企业既是被管制的买方，也是境外光模块链所依赖且受中国许可管制的供方，关税这类措施会直接改写具名企业的采购流向。这与第 2 章跨境依赖敞口双向的结论一致，对六环同步的含义是，芯片与集群网络两环的跨境可得性约束在中美两侧同时成立。

国产替代能否解除中国一侧的约束，公司自己的披露比外部评估更可靠，这些披露指向三个事实。第一，替代受限有两种形态。交换机厂商锐捷网络在上市公告书中写明，其合作的芯片原厂主要为 Broadcom 等国外厂商，短期内把现有产品的芯片全部换成国产的可行性较低，2021 年外购芯片占其原材料采购 51.93%，这是买不到合适国产件的形态。海光信息在招股说明书中记录了另一种形态，公司从 AMD 取得高端处理器技术授权，2019 年被列入美国实体清单（美国商务部限制对其出口的企业名单）后 AMD 停止技术服务，但许可协议未撤销，后续产品迭代由公司自行完成，这是协议仍在而服务已停的形态。第二，国产算力生态内部的依赖同样是双向的。拓维信息 2025 年年报显示，华为投资控股既是其第一大供应商（采购 4.69 亿元，占年度采购 50.15%），又是其第一大客户（销售 13.16 亿元，占年度销售 41.51%），承载昇腾与鲲鹏整机业务的湘江鲲鹏是其全资子公司。整机厂从华为买芯片再把整机卖回华为，拓维信息是昇腾整机生态中唯一把这种双向依赖披露到公司名与百分比的上市公司。第三，国产 GPU 的客户关系尚未稳定。沐曦 2023 年的前五大客户在 2024 年全部退出前五大名单，直接客户以经销商与集成商为主，其中三家兼具股东身份；摩尔线程前五大客户占收入比连续三个报告期超过 97%；两家在招股期间都没有取得互联网大厂的稳定订单（均据招股说明书）^[10]。高集中度叠加客户年年更换，与英伟达对少数云厂商那种稳定复购的高集中度是两回事，前者说明出货规模由少数大额集群项目决定，不是由持续复购决定。供需状态表中高端训练芯片一行的供给高度集中，在中国境内的含义因此是国产供给尚未形成稳定的买卖关系。

3.3 收入缺口：框架、量级与触发条件

根据资本开支覆盖终端 AI 收入的恒等式计算，当前产业的实际收入远不及前期的资本投入。收入缺口已是事实，核心问题在于哪些主体将承担该缺口。恒等式的计算无需依赖外部预测：在已知资本开支、资产经济寿命与预期回报率的条件下，能逆向计算出实现盈亏平衡所需的年化收入规模。若将 2025 年 4,100 亿美元的资本开支代入任何合理的资产寿命与回报率组合，推算出的年化终端 AI 收入均达到数千亿美元的一个水平。图 3-5展示了计算的敏感性区间，本报告不依赖单一数值。外部机构的测算方向与此一致，红杉资本提出的 6,000 亿美元收入要求是市场最受关注的分析版本^[5]。收入侧的实际数据同样证实了缺口的存在。尽管企业级 AI 采用率达到 88%，但在绝大多数业务职能中，智能体的规模化应用比例仍为个位数。这种应用范围广但业务转化浅的现状表明，应用层产生的收入短期内无法支撑上游高昂的资本开支，具体分析见第 5 章。

点击放大

收入缺口由何种资产负债表承担，直接决定了风险暴露的位置。科技巨头利用其充沛的自有经营现金流覆盖缺口，具备较强的财务承受能力。缺口对其主要表现为利润率下降的压力。私营算力商与项目公司则依赖股权融资与债务来填补缺口，其生存高度依赖持续的再融资能力。缺口对这类企业表现为直接的信用风险。如图 3-6所示，24 家样本公司的财务数据显示，这两类企业的资产负债表状况已出现显著分化。科技巨头的经营现金流目前仍足以覆盖资本开支，而依赖外部资金的企业则无法实现内部覆盖^[6]。财务数据的详细分析见第 6.4 节，资本结构的具体影响见第 6 章。第 7 章判断信用风险将率先在算力中间层暴露，其理论基础即来源于此。

点击放大

收入缺口的发展趋势能转化为具体的风险触发条件。若 2026 年资本开支达到 7,000 亿美元，且企业级 AI 收入增速未能突破当前市场水平（即智能体规模化应用比例保持在个位数），缺口将持续扩大。风险将沿着第 7 章分析的估值与杠杆链条向外传导。相反，若智能体在核心业务职能中的规模化应用比例突破 10% 的一个临界水平，本报告关于收入缺口的结论将需重新修正。第 9 章已将此条件列入表 9-1的监控指标。

3.4 技术折旧：12 到 18 个月一代

底层芯片架构约每 12 至 18 个月更新一代，但算力资产在财务报表中通常采用数年的直线折旧法，导致技术的物理更新速度超过财务折旧速度。世界经济论坛（2026）保守评估技术更新可能快于折旧周期。本报告据此判断，在产品生命周期末端购入的算力资产，其账面价值通常存在系统性的高估现象^[7]。本报告收集的产品发布数据证实，GPU 与高带宽内存的代际更迭周期正在缩短。例如，HBM3E 产品商业化出货不足两年，HBM4 便已进入量产阶段（基于企业公开披露）。产品代际周期的压缩对财务评估产生直接影响。按 5 至 6 年直线折旧的算力资产，其实际经济寿命可能仅能覆盖 2 至 3 个技术代际周期。企业购入当前代际产品的时间越晚，其资产残值被高估的程度越严重。

基于上述分析，本报告提出两项资产评估纪律，并将在后文应用。第一，在将算力资产作为抵押品时，必须根据技术代际差异计提折扣，且折扣幅度应依据资产的专用性进行分层评估。通用服务器的专用性最低，节点专用设备与定制化 ASIC 芯片次之，站址绑定的基础设施工程专用性最高。专用性越高的资产，折旧幅度应当越大。第 7.1 节将详细说明残值评估链条，技术更新节奏与折旧期限的对比见图 7-4。第二，若融资项目的贷款期限超过底层资产的实际经济寿命，项目的第一还款来源必须完全独立于资产残值。在现金流覆盖能力的评估模型中，不允许设定通过出售到期设备偿还本金的假设。表 8-3中关于折旧匹配的审查问题正是为了落实该纪律。

3.5 电力约束：中美瓶颈互为镜像

在美国市场，AI 产业链的供给瓶颈正从芯片制造转移至电力供应。电力基础设施的建设周期远长于芯片扩产周期。芯片产能短缺的市场自我修正通常需 12 至 24 个月，而电力短缺的缓解需 3 至 8 年。当前美国增加电力供应的三条路径均面临拥堵。第一条是部署重型燃气轮机，其设备交付周期长达 3 年。GE Vernova 公司 2028 年之前的生产配额已全部售罄，2029 至 2030 年间仅剩约 10 GW 的供应量，且设备价格相比 2019 年大幅上升（据 Wood Mackenzie 预测，2027 年设备成本将达每千瓦 600 美元）。第二条是核电站重启，该方案最快需至 2027 或 2028 年方能实现规模化供电，例如微软与 Constellation 合作的三里岛核电项目即设定了该商业运行目标。第三条是新能源并网。美国电网并网的审批等待期已从 2008 年的不足 2 年延长至当前的 8 年以上。目前 PJM 电网排队审查的装机容量已超过 170 GW。并网队列反映新建发电设施接入电网的待批名单，队列延长直接导致新增电力供应速度放缓。

电力短缺的预期已完全反映在市场价格信号中。电网容量拍卖机制指电网运营商提前数年采购供电保证承诺。其拍卖结算价格构成评估电力短缺程度的最直接指标。如图 3-7所示，PJM 电网容量拍卖价格从 2024 至 2025 年度的每兆瓦日 28.92 美元飙升至 2026 至 2027 年度的 329.17 美元上限，价格成倍增加。在 2028 至 2029 年度的拍卖中，价格再次触及上限，并产生 6.8 GW 的采购缺口。PJM 历史上首次出现连续两次拍卖采购量未达标的情况（数据来源于 Utility Dive 及 Constellation 公开披露）。针对供给侧的量化评估来自高盛（2025 年 11 月数据）：美国电网的有效备用电力容量在五年内已从 26% 降至 19%，全美 13 个区域电网中有 8 个的备用容量占比已降至 15% 的一个临界水平甚至更低。同时，Gartner 预测，到 2027 年将有 40% 的 AI 数据中心面临电力供应受限。基于此判断，2026 至 2029 年间美国 AI 算力的边际定价权将由电力供应商而非芯片制造商掌握。尽管英伟达等芯片厂商能加速出货，但缺乏电力支持的 GPU 设备仅能转化为闲置库存。

点击放大

面对电力供给约束，大型科技公司的策略是将常规公共电力采购升级为深度的战略资源绑定。过去一年内，科技巨头签约的美国核电装机容量已超过 10 GW，具体明细见表 3-3。此类交易普遍采用长期购电协议，即发电与用电企业签订期限长达 10 至 20 年的购电合同，以提前锁定供电量与结算电价。这催生了第四种电力获取模式：发展表后分布式电源。用电企业在电网计量系统外自主建设燃气轮机或燃料电池等发电设备，通过自建电源规避漫长的电网并网审批。例如，Stargate Abilene 项目采用 GE Vernova 的燃气轮机实现自备发电。这种建设周期仅 12 至 18 个月的方案正在替代长达 8 年的电网排队路径。为此，美国联邦能源监管委员会于 2025 年 12 月专门针对共址负荷项目出台了监管规定。分析长期购电协议清单可见，交易对手高度集中。在总计六个企业主体、七笔重大交易中（含 Meta 于 2026 年 1 月执行的一揽子交易，涵盖与 Vistra 的存量购电协议及对 Oklo 的直接出资），采购方仅限于微软、亚马逊、Meta 与谷歌这四家科技巨头。该市场格局正是第 2.4 节所述垄断结构在商业合同层面的体现。

资料来源：各公司公告与主流媒体报道转述，2025 年 12 月汇总。小型模块化反应堆是工厂预制的小型核电机组，首电最早 2030 年，它当前的估值靠超大买家的资金背书。能源层补边台账见附录 A3。

中国 AI 产业链在基础设施层呈现与美国相反的镜像结构：电力资源属于冗余资产，未构成产业发展的瓶颈。截至 2025 年底，中国全国发电装机容量达到 38.9 亿千瓦，同比增长 16.1%（数据来源于国家能源局）。高盛测算，至 2030 年中国电网备用容量将达到约 400 GW，相当于届时全国峰值电力需求的 25%。该规模是 2030 年全球数据中心总电力需求预估值（约 120 GW）的三倍以上。在区域分布上，中国西部存在明显的电力结构性富余。2025 年，甘肃、青海、新疆等省份的光伏发电利用率跌破 90%，西藏仅为 64.9%。这些尚未被消纳的弃电属于等待算力负荷接入的沉睡资产。从需求侧对比，两国差异更为显著。2024 年中国数据中心总用电量为 1,660 亿千瓦时，仅占全社会总用电量的 1.68%（数据来源于中国信息通信研究院）。即使到 2030 年，全国数据中心用电量达到预测上限的 7,000 亿千瓦时，该增量也处于国家电网备用容量的消化能力内。相比之下，美国数据中心 2024 年的用电量约为 183 TWh，各机构预测到 2030 年将激增至 426 至 843 TWh，五年内成倍增加。该增量预计将占据全美新增电力需求近一半的份额（国际能源署、劳伦斯伯克利国家实验室与美国电力研究院的具体预测存在分歧，但整体增长趋势判断一致），对比图表见图 3-8。

两国电网端的价格变化趋势截然相反。中国西部算力枢纽的电价维持在每千瓦时 0.2 至 0.35 元的低廉水平，东部地区电价在 0.6 至 1.0 元之间。随着新能源装机规模持续扩大，全国整体电价呈下降趋势。美国市场中，数据中心密集分布区域的电价持续上升，部分州的居民用电费率一年内大幅上升超过 20%。中国通过宏观政策将自身在电力供给层面的优势予以制度化保障。算电协同发展战略于 2026 年正式写入国家政府工作报告及十五五规划。同时，绿电直连模式与源网荷储一体化项目已落地投运。中国电力侧对数据中心的限制不在于总量短缺，而在于结构性指标约束。例如，国家算力枢纽节点内新建数据中心的绿色电力使用比例不得低于 80%，环北京地区的能耗指标曾阶段性暂停发放。中国政策的核心目标是规范数据中心的建设位置及用电结构，而非应对绝对电力短缺的危机^[8]。

点击放大

中美产业链的镜像结构可得出明确结论：美国产业扩张的瓶颈正从 L1 架构层与 L2 芯片制造层下移至 L0 基础设施层（即电力供应与电网并网）。中国产业扩张的瓶颈则受限于 L2 层（先进制程芯片），而 L0 层的充足电力构成其最稳固的产业缓冲垫。两国产业链面临相反的约束条件，资本投资策略应当聚焦于不同的产业环节。针对本章主题，可得出两项推论。第一，在六环同步建设清单中，电力供应环节在美国产业链上的重要性权重必须系统性上调。针对缺乏具名电力合同（如长期购电协议或直连协议）的智算中心项目，其建设延期的风险概率结构性偏高。金融机构应将电网并网许可与长期电力合同从常规风险监测指标，前置为项目投资与信贷发放的前提条件。第 7 章与第 8 章将落实此审查要求。第二，两国算力成本曲线的背离产生了一个明确的产业判断：美国 PJM 电网容量成本上涨叠加燃气轮机设备涨价，正在部分抵消 AI 推理单位成本的下降趋势。高昂电价已构成美国 AI 商业化进程中的隐性税负。相反，中国电价的下降趋势配合国产芯片运算效率的追赶，促成了国内 AI 推理成本的双向下降。若在 2027 年美国 PJM 或 ERCOT 电网再次出现电力采购缺口，且核电重启计划延期，美国本土的 AI 推理成本将面临上涨。此情境下，即使中国基础模型的能力暂时落后于美国半个代际，中国 AI 应用企业也有望先于美国同行达到盈亏平衡点。廉价而充足的能源供给，是对中国 AI 产业链构成方向性利好的结构变量。

本章小结

结合六环同步约束机制及技术代际快速更迭的证据，本报告得出结论：缺乏长期锁单支持、没有自有业务应用场景，且单纯依赖债务融资填补收入缺口的算力中间层企业，将是本轮产业周期中信用风险最先暴露的环节，本报告对该细分领域持有负面预期。 针对美国产业链，缺乏锁单的评估标准还必须扩展至企业是否持有具备法律效力的电力购销合同。同时，本报告对持有具名长期电力合同的能源基础设施资产持有正面预期。此类资产是本章分析范围内现金流可验证性最强的一类 AI 投资敞口。

关于当前庞大规模的资本开支最终将转化为哪些环节的产业价值，本报告将在第 4 章探讨。项目风险在产业链具体环节间的传导机制分析安排在第 7 章。各类金融参与者如何根据风险特征划分支持性与限制性客户名单，请参考第 8.1 节。

上一章计算了资金在各个环节的留存量级，本章分析产业价值最终沉淀的环节。本章判断：这一轮产业价值分配由瓶颈控制权决定，不受市场份额影响。产业瓶颈正从物理资格向部署权、进而向交付权迁移。随着迁移过程，模型提供方不断贬值，掌握业务流程与客户入口的环节持续升值。下文将解答六个核心问题：市场份额指标为何失效；当前瓶颈处于哪个阶段；该阶段的控制权属于谁；模型层为何无法沉淀价值；市场如何为工作流定价；上述结论在何种条件下发生反转。

4.1 AI 并非一个可测量的单一市场

AI 并非单一市场，而是几十个交易单位互不通约的细分市场的集合。分析人员面对任何 AI 市场份额数据时，应当首先核实其基数是如何计算的。

各环节的成交计量标准彼此缺乏换算关系，导致市场总规模无法准确计算。半导体设备按照经过验收的台套成交，晶圆代工按照合格晶圆等价量成交，高带宽内存按照堆栈成交并分代际计价，加速器按照颗或模块成交，算力租赁按照兆瓦月或实例小时成交，模型调用按照每百万 token 分档计价，企业软件按照席位月或租户月计价，机器人则按照台月计价。这些计量单位之间不存在换算机制：分析人员无法将一台光刻机折算为一定数量的 token，也无法将一个席位月等效为一定数量的合格晶圆。图 4-1 呈现了上中下游的代表性交易单位，证实了单一市场基数无法涵盖所有交易形态。

点击放大

行业内常见的 AI 市场规模数据多源自三种统计方法，每种方法均存在一个特定失真方向。第一种方法将各环节收入直接相加，会导致同一笔终端支出被重复计算多次，产生系统性高估。第二种方法采用使用率调查替代市场份额，产生基数虚增。多选题问卷统计的是受访者使用某家产品的比例，单个机构可同时勾选多家供应商，因此勾选比例之和远超百分之百，该数据无法反映任何一家企业的真实市场份额。第三种方法利用厂商自报的可寻址市场推算占有率，导致基数完全由卖方定义。可寻址市场的边界属于营销统计口径，并非真实的成交记录口径。

由于统计基数不具备合理性，本报告拒绝提供任何一个 AI 细分市场的前四大厂商份额合计值与集中度指数。全产业链的 48 个细分市场均无法呈现可信的当前供给结构，其中 21 个细分市场甚至仍在争议其统计边界。本报告正文中呈现的所有集中度指标，均用于度量供应关系的集中度，而非市场份额的集中度，这两项指标不可互换使用^[1]。

分析人员在审阅 AI 市场报告时，可以设置三个问题进行快速检验。第一个问题是基数覆盖了哪些产业环节，以及上游收入是否被重复计入下游。第二个问题是分子与分母是否采用同一个计量单位。若分子采用台套而分母采用收入金额，两者之间经历了一次缺乏依据的折算过程。第三个问题是相关数据源自成交记录与监管披露，还是源自问卷调查与厂商自报。若报告无法清晰解答上述任何一个问题，其中的份额数据便不具备进入估值模型或授信材料的资格。

市场份额不可准确测量并不意味着产业结构无从辨析。供应网络能够直接揭示哪些企业掌控着不可替代的核心环节。第 2 章已证实了这一网络结构的定量结果：在 23 个断供即停产级别的关键依赖关系中，共有 19 个分布在能源、半导体设备、先进制程、高带宽内存、交换芯片与整机交付这条主干线上；其余 4 个依赖关系表现为芯片供应商与云算力服务商对模型企业的单向供给，供给方均非模型企业或应用企业。本章将继续围绕控制权这一线索展开分析，识别控制权的迁移方向。

4.2 瓶颈控制权经历三个阶段迁移，第二阶段的控制节点脱离企业主体

这一轮产业价值分配由瓶颈控制权决定，而该瓶颈正处于动态迁移之中。物理资格这一阶段已经完成，部署权这一阶段正在进行，交付权则是下一阶段。这三个阶段的控制节点存在差异，赢家类型各有不同，各方参与者的进场时点也相应错开。

三个阶段的演进形态见 图 4-2。这三个阶段的边界在时间线上相互重叠，前一阶段的瓶颈并未消失，只是不再构成边际上最紧的约束条件^[2]。

点击放大

第一阶段是物理资格，其定价权顶点出现于 2023 年至 2025 年期间。 这一阶段的核心稀缺资源包括半导体设备、先进制程、高带宽内存、先进封装与加速器，产业界面临的核心挑战是能否实现制造以及能否达到合格良率。第 2 章的网络计算结果证实了这一阶段控制节点的位置：英伟达的八条上游供应边全部汇入其单一主体，其主导地位稳固；台积电是三条关键制造边的经手者；博通掌控着一对一的交换芯片瓶颈；三家高带宽内存供应商与英伟达形成对向锁定机制。这一阶段的瓶颈并未消除，但边际稀缺度正在下降。相关产能处于爬坡状态，三星代工与格芯等替代供给方已经出现在候选供应边上。

第二阶段是部署权，该阶段目前正在推进。 在芯片供给状况改善之后，产业约束条件转移至设备安装与电力供应环节，具体形态包括并网指标、长期电力合同、机架工程、冷却许可与用水许可。第 3 章已详细分析了这一阶段的供需细节，本节将补充分析其具备的一个结构特征，该特征对于出资方与政策制定者均具有重要意义。

部署权阶段的控制节点脱离了企业网络，集中于电网、行政审批、土地与水资源等公共要素。 电网调度机构、并网审批部门、土地供应方与水资源管理者并不属于任何一家 AI 企业的供应商。这些主体未出现在本报告的 235 家企业节点中，但决定着本阶段项目能否开工以及何时开工。这个控制节点包含四个可直接观察的行政开关。第一个开关是并网排队时长。美国的并网队列已从 2008 年的不足 2 年延长至 8 年以上，PJM（宾夕法尼亚、新泽西、马里兰电网）在审容量超过 170 吉瓦。第二个开关是容量价格。PJM 容量拍卖价格从 2024 至 2025 年度的每兆瓦日 28.92 美元升至 2026 至 2027 年度的 329.17 美元上限，并在 2028 至 2029 年度再次触达价格上限，同时出现 6.8 吉瓦的采购缺口。第三个开关是土地与许可。该因素决定数据中心站址能否落地，同时也决定自建电源方案是否具备可行性。第四个开关是水资源。高密度机架的冷却用水在缺水地区已成为一个独立的审批门槛。这四个开关均不受产业内部产能的调节。

对于投资者与出资方而言，这一阶段的尽职调查对象发生了更替。第一阶段的尽调对象为供应商的产能、良率与在手订单，第二阶段转变为并网批文、长期电力合同或直连协议、水权以及地方许可。即使一个项目的芯片订单已完全确定，若项目方无法提供具名的电力合同与并网批文，其投产时点依然无法确定，整机到货后只能滞压为存货。分析人员首要审查材料不再是芯片供货合同，而是电力与许可文件。

对于政策制定者与监管者而言，这一阶段的控制开关掌握在行政部门手中。单一国家的政策对跨国芯片供应链的影响相对有限，而并网时序、审批时长、土地配置与水资源分配则是行政力量能够直接调节的变量。电力短缺的出清周期通常为 3 至 8 年，芯片短缺的出清周期仅为 12 至 24 个月。出清周期较长的要素构成真实的产业约束。中国在这一阶段的处境与美国截然相反，国内电力装机充裕，西部地区电价维持在每度 0.2 元至 0.35 元之间且仍在下行，电力已从约束条件转化为比较优势，中国产业链的瓶颈依然集中于先进制程环节（见第 3 章）。

第三阶段是交付权，该阶段已在供应网络中显现。 基础设施完成扩张之后，产业界最稀缺的资源将转变为将模型能力转化为客户业务流程的节点，具体形态包括模型交付、行业工作流、数据治理与分销入口。第 2 章证实，云服务层供给侧的关系集中度为 1,610，谷歌、AWS 与阿里云三家企业占据了该层 57.1% 的供应关系，微软与 AWS 的连通中心度分别位列全网第二与第三。模型触达企业客户的分发权依然集中于少数几家云服务商手中，尽管该集中度已从高位回落，且前三名企业中的第三家已由微软更替为阿里云。若按供给出边数量进行比较，云服务层的集中度目前排在芯片与存储层的 2,044 以及模型层的 1,911 之后，该环节并非全产业链中集中度最高的节点。交付权阶段的守门人竞争格局已提前呈现，同时也记录到了集中度松动的首个指标。

三个阶段的迁移对应着三个性质不同的锁定机制。分析人员若误判锁定机制，便等同于误判了项目的还款来源。表 4-1 呈现了这三个机制的交易形态、可转移性与还款来源。

4.3 数据飞轮机制在合同层面发生断裂

市场给予模型企业的飞轮溢价与赢家通吃溢价缺乏实证支撑。调用量增加、数据量增长、模型能力提升、客户规模扩大的传导链条，在商业 API 的合同条款层面已发生断裂，且全产业链 48 个细分市场中有 42 个未能达到平台经济学的门槛。

飞轮逻辑的第一环为客户数据回流至模型训练环节，但这一环在实际合同条款层面并不成立。OpenAI、Anthropic 与谷歌 Gemini 的商业 API 文档均明确规定，客户通过 API 提交的数据默认不可用于训练模型，除非客户主动选择共享该项权限（数据提取自三家企业的官方 API 条款与隐私政策，2026 年 8 月）。在第一环缺失的情况下，后续的逻辑传导无法成立。调用量增长与模型能力改进虽然同步发生，但这两个现象之间还并列存在规模经济、算法迭代与需求增长三个独立变量。目前的实证数据不足以将数据飞轮效应从这些变量中单独剥离并予以证实^[3]。

平台经济学理论对平台模式设定了两个核心门槛。第一个门槛要求客户群体之间存在相互影响机制，即客户规模越大，单一客户获取的价值越高。第二个门槛要求这种网络效应必须是经营者主动构建的结果，而非自然附带的产物。在 48 个细分市场中，共有 42 个不符合这两个门槛。其余市场中仅消费级 AI 助手这一单一市场因证据不足而无法判定。因此没有任何一个市场呈现出平台主导的商业形态。AI 供应链的多数环节属于买断与租用关系，并非撮合双边用户交易的平台市场。

模型 API 的商业形态是标准化的商品交易形态。三家主流厂商均按照每百万 token 的标准分档列价，价格表完全公开，系统根据用量分层自动提升额度。共享 API 并不交付模型权重，客户获取的是远程调用权而非核心资产（数据提取自三家企业的官方定价页，2026 年 8 月）。在价格公开、计量单位统一且存在多家供给方这三个条件同时具备之后，价格便成为市场的主要竞争维度，定价权逐步向买方与分发方转移。

采购侧的成交记录证实了定价权的这一转移。河南中原消费金融的大模型采购项目于 2025 年 2 月由百度、火山引擎、腾讯云与通义云启四家共同中标，百度的中标份额为 40%，买方没有把一个项目交给单一模型供应商。金山办公不训练自有基座模型，WPS AI 同时接入 DeepSeek、智谱、MiniMax、百度文心一言与阿里通义千问五家模型，钉钉的模型广场采用同一做法^[5]。三个案例分处金融机构采购、办公软件与协同平台，买方在模型层均不锁定单一供应商，模型供给方在采购谈判中处于可替换的位置。模型商品化的判断由此获得采购侧的直接证据，不再依赖推论。

第 2 章的网络形态分析证实了上述结论。模型层的网络中心度表现为连通中心度高、权威特征低：OpenAI、Anthropic 与 Mistral 位于其他节点相互连接的通道上，但与其直接相连的并非必须依赖它们的关键节点。这三家企业的网络位置主要依靠多平台分发策略获得。分析人员可以判断，模型企业的网络位置具备可复制性，而硬件三角的网络位置不可复制。

这一分析结果为企业估值与授信业务提供了清晰的推论。任何基于数据飞轮与赢家通吃假设而赋予模型企业的估值溢价，均缺乏实质性的证据支撑。智谱与 MiniMax 已于 2026 年 1 月在香港上市，此前只能依据融资公告估算的模型企业从此承担定期披露义务，其收入、毛利率与客户集中度进入公开报表，上述溢价是否成立可以按报表逐期检验（两家企业的披露数字见第 5 章）。在各家模型能力趋同之后，基于 token 计价的业务是一门依赖价格竞争的传统生意，而非坐拥垄断租金的平台业务。商业条款揭示了如下事实：数据资产不归属于模型提供方，业务流程状态归属于客户与系统集成方，分发渠道被云服务商掌控。关于产业资金的最终流向，下一节将予以解答。

4.4 市场已为工作流定价，但商品化过程存在逆转可能

2026 年的一笔收购交易为工作流入口设定了明确的市场定价，同时科技巨头的分部收入数据证实了产业资金的实际流向。该笔收购交易还揭示了另一个产业规律：可切换性属于特定入口的属性，而非整个行业的普遍属性。一旦分发方被模型提供方买断，标准化商品化的竞争形态便会在该入口内逆转为排他性锁定。

工作流入口的价值已具备真实的成交记录。2026 年 6 月 16 日签约、8 月 14 日交割，SpaceX 斥资 600 亿美元以全股票方式收购了 AI 编码工具 Cursor 的母公司 Anysphere（数据源自美国证券交易委员会 8-K 文件）。按 Cursor 截至 2026 年 6 月初约 40 亿美元的年化总收入计算，该笔交易的估值倍数约为 15 倍市销率。Cursor 自身并不训练前沿模型，而是接入第三方模型。买方实际支付的是数百万开发者工作流入口的溢价，而非模型能力的对价。工作流环节正在升值这一判断，由此获得了实证检验。

产业资金的实际流向由科技巨头的分部财务披露予以证实。这些数据的时序轨迹清晰，统计口径均为各公司向美国证券交易委员会提交的分部收入。AWS 分部收入从 2019 年的 350 亿美元攀升至 2025 年的 1,287 亿美元；微软智能云分部从 2020 财年的 484 亿美元增长至 2025 财年的 1,063 亿美元；英伟达计算与网络分部在 2025 财年录得 1,162 亿美元收入；AMD 数据中心分部从 2022 年的 60 亿美元升至 2025 年的 166 亿美元；博通半导体方案分部从 2019 年的 174 亿美元增至 2025 年的 369 亿美元。图 4-3 呈现了这几条增长主线，云服务与数据中心相关分部在各家企业总收入结构中的占比呈现持续上升态势^[4]。

点击放大

上述两组事实共同指向了一个明确的结论。AI 支出的最终归宿是那些具备成熟利润表与深厚企业客户关系的巨头分部，而非仍需依赖外部融资维持运转的独立模型企业。智谱与 MiniMax 上市之后，这类企业的融资渠道由私募轮次转为公开市场，对外部融资的依赖本身没有改变（资金结构分析见第 6 章）。国际清算银行在《全球 AI 供应链中的科技巨头》（国际清算银行公报第 122 期，2026 年 2 月）中指出，少数科技巨头正在 AI 供应链的至少五个层级同时进行布局。这种跨层整合策略一方面解释了资金流向巨头分部的原因，即这些企业同时掌控着算力、分发与客户入口三个核心环节；另一方面也意味着互操作障碍、产品捆绑与锁定风险正在同一批资产负债表内不断累积。这为第 7 章关于共同依赖链的分析埋下了伏笔。

商品化进程并非不可逆转。Cursor 收购案恰好提供了一个反向案例。在被收购之前，Cursor 同时接入 Claude、GPT 与 Gemini，属于保持模型中立的分发方，也是买方实施多栖策略的典型样本。但在被 Grok 的母公司 SpaceX 买断之后，该入口的多模型中立性随之失效，第三方模型的接入能否继续维持已成为一个未决问题（参考行业报道，2026 年 8 月）。该事件为企业买方提供了一项可执行的采购纪律：评估某项工具的锁定成本时，评估依据不应是该工具当前支持多少家模型，而应是其控制人发生变更后仍能支持多少家模型。此外，该笔交易在资本层面表明，上市股票正逐渐成为应用层并购交易的通用货币。600 亿美元的巨额对价难以依靠现金完成支付，但利用新上市企业的股票具备可行性。此部分内容将在第 6 章展开。

当前的竞争优势并不等同于最终的胜局。产业分析需要在每个阶段设置一组明确的反转条件。一旦条件触发，相关企业的市场地位便会发生改变，监测级别也需相应升级。表 4-2 展示了这组条件监测表，其中的触发条件将同步纳入第 9 章的复核触发器机制中。

注：企业进入该监测集合的标准为具备可核验的交付事实，而非市场份额指标。此外，另有三个失败机制普遍适用于上述所有阶段：客户或区域结构过度集中、算法进步直接替代数据优势、出口管制与数据驻留规则切断了可采购产品集合。

本章小结

本章的核心判断在于：模型提供方持续贬值，工作流环节不断升值。产业价值最终沉淀于掌握业务流程与分销渠道的环节，而非单纯提供模型能力的环节。基于上述分析，本报告看好掌控交付权与分发入口的资产，看空以模型能力作为估值基础的独立模型企业。

上述判断对于各类市场参与者具有不同的指导意义。对于政策制定者与项目出资方而言，部署权阶段的控制开关掌握在行政部门手中，这一转变促使项目的核心约束条件与尽职调查清单从芯片供应转向了电力与行政许可。对于负责估值与授信的金融机构而言，不可测量的市场份额数据以及缺乏实证支撑的赢家通吃溢价，均无法作为可靠的业务决策依据。对于企业买方与应用层创业者而言，市场已为工作流入口设定了明确的交易对价，但这也意味着，一旦该入口被模型提供方收购，其原有的切换灵活性便会逆转为排他性的厂商锁定。针对上述变化，各方参与者应当采取何种应对策略，第 8 章将按照参与者身份分别提供建议。

本章分析留下了两个待解问题。技术采用与实际收入之间尚存多大距离，这一问题将由第 5 章解答。独立模型企业依靠何种机制维持生存，这一问题交由第 6 章的资本网络分析进行解答。

前四章集中分析了 AI 产业的供给侧。本章转向需求端，回答三个问题：终端每年能提供多少收入，购买者是谁，收入增速能否追上算力装机增速。结论是：需求真实存在，但量级比行业叙事小一个数量级。2026 年已实现 AI 收入对同期算力资本开支的覆盖率在 10% 到 15% 之间，一年前为 7%。虽然差距缩小，但部分资金属于产业内部的转移支付。

本章利用两套证据回答需求问题。第一套证据是已发生交易，数据来自财务披露、公开标价与调查口径；第二套证据是未来预期，通过生产率实验、岗位数据与深度案例自下而上估算。这两套证据给出的时间窗口不一致，构成核心分歧。

第一部分 已经发生的需求

5.1 先破口径：同一个问题，四种答案差 5 到 8 倍

各机构发布的预测数据差异巨大，不同机构间的数据差距可达 8 倍。本报告仅采用一个具备经济学逻辑的指标作为宏观基准，其他口径数据并列列出，不作调整。

当前各类报告给出的 AI 市场规模从 3,000 亿美元至 20 万亿美元不等，这是因为四种不同的经济活动被统一归为 AI 市场规模。通过表 5-1可区分这四种口径。分析需遵守三个原则：第一，不同口径数据不可直接相加；第二，厂商收入口径内的数据不能直接累加，产业链条会导致同一笔最终需求被重复计算；第三，赋能产值与生产率折算反映潜在价值，并非企业实际收入。

资料来源：各机构公开发布的统计口径，数据快照日期为 2026 年 8 月。摩根士丹利提出的 40 万亿美元可寻址市场规模在其原文语境中指代全球劳动力市场总额，本报告不将其作为需求数据引用。

不同机构对同一年全球 AI 支出的测算结果存在 5 到 8 倍差异。2026 年 5 月 Gartner 预测全球 AI 支出为 2.59 万亿美元，而 IDC 基于直接归属口径的同年预测值约 4,070 亿美元。差异源于口径不同：IDC 仅计入直接用于 AI 项目的支出，Gartner 涵盖了所有受 AI 影响的技术升级支出。Gartner 的预测值也在变动，机构已声明不同版本的数据不具可比性^[1]。单一机构内部的预测序列也常冲突，引用预测数据时必须标明出处与日期。

中国市场数据口径分歧更甚。2025 年信通院测算的人工智能核心产业规模超 1.2 万亿元，中金测算的生成式 AI 市场规模约 1,200 亿元，而 IDC 统计的公有云模型即服务营收仅 30.7 亿元，相差两个数量级。地方统计也存在矛盾，北京、上海、深圳的产业规模加总超过全国，因为统计对象不同，无法加总。

为解决口径混乱，本报告仅保留一个宏观基准指标：AI 资本开支占国内生产总值的比重。该指标分子为固定资本形成，分母为国内生产总值，两者同质可比。高盛测算 2026 年该指标在美国为 1.8%，预计 2028 年升至 2.8%^[2]。作为参考，2024 年美国 AI 基建支出占比为 1.6%，略高于 2000 年电信泡沫峰值的 1.2%，远低于 1870 年铁路时代的 6.0%。图 5-1展示了这四种统计口径与宏观基准的关系。该基准仅用于分析整体量级，不反映产业链各环节实际收入。

点击放大

5.2 用已实现收入立底：覆盖率 10% 到 15%，缺口是 3 到 10 倍

全链条可归因的 AI 收入年化约 1,880 亿美元，本报告剥离产业内部循环之后测算终端真实支出在 1,200 亿到 1,600 亿美元；前述收入对应 2026 年约 1.04 万亿美元的全球算力资本开支，覆盖率为 10% 到 15%。测算表明，收入与所需资本开支的缺口是 3 到 10 倍，而非 3% 到 10%。

测算覆盖率的分子采用三个统计口径，本报告将三个口径一并列出^[10]。最宽松的口径为模型层年化运行率，2026 年 8 月 OpenAI 运行率超过 400 亿美元、Anthropic 为 650 亿美元，加上 xAI、Mistral 与中国四家企业共约 1,090 亿美元。较严格的口径按会计确认收入年化计算，OpenAI 2026 年第二季度确认收入 67 亿美元、Anthropic 为 115 亿美元，全行业年化收入落在 800 亿到 1,000 亿美元区间。最广泛的口径为全链条可归因收入，本报告将模型层 1,090 亿美元、微软 AI 运行率 370 亿美元、亚马逊云科技生成式 AI 运行率 250 亿美元、阿里云 73 亿美元、百度约 70 亿美元与应用层约 30 亿美元相加，得到全链条收入约 1,880 亿美元；该数字包含重复计算部分，因此仅用于衡量整体规模，不参与比值计算。

测算覆盖率的分母包含两个具体指标。四大云厂商 2026 年资本开支指引合计约 7,250 亿美元，较 2025 年的约 4,100 亿美元增长 77%；若加上甲骨文、中国厂商、独立算力商与主权 AI 项目，本报告自下而上加总的全球算力资本开支约 1.04 万亿美元。分析师将模型层运行率除以四大云厂商资本开支得到 15% 的比值，除以全球算力资本开支得到 10% 的比值，将剥离内部循环后的终端支出约 1,400 亿美元除以 1.04 万亿美元得到 13% 的比值；在同口径下，2025 年终端支出 290 亿美元除以总资本开支 4,100 亿美元等于 7%。换言之，行业每投入 1 美元算力资本开支，前沿模型公司当年仅能取得 0.10 到 0.15 美元的年化收入，且该数值为营业收入而非净利润。图 5-2提供了两年的数据对照。

点击放大

三家市场机构采用不同的方法测算行业实现可持续发展所需的收入水平，测算结果落在 6,500 亿到 2 万亿美元区间，所需收入与实测收入之间存在 3 到 10 倍的差距，具体方法与倍数详见表 5-2。Bain 公司的测算逻辑采取逆向推导方式，该机构不预测 AI 产品的实际销售额，而是计算按照当前算力建设规模推演所需收回的收入底线；其结论表明，即使全美企业将全部本地 IT 预算迁移至云端，并把 AI 在销售、营销、客服与研发环节节省的资金全部重新投入数据中心，2030 年行业仍面临 8,000 亿美元的收入缺口。三家机构的测算方法互不相同，但得出的整体趋势高度一致。

资料来源：Bain 全球技术报告新闻稿、摩根大通与红杉资本测算的公开转述，以及本报告对企业披露数据的汇总，快照日期为 2026 年 8 月。上述所需收入数值均由第三方机构测算得出，本报告仅引用其量级与方向判断。

利润端表现弱于收入端。财务数据显示，2025 年 OpenAI 确认收入 130.7 亿美元，经营亏损达 209 亿美元；xAI 财年收入 32 亿美元，亏损 64 亿美元；智谱收入 7.24 亿元，净亏损 47.18 亿元。行业仅 Anthropic 在 2026 年第二季度实现正向调整后经营利润。除一家企业外，模型层均未将收入转化为净利润；资本开支的偿还依然依赖融资，而非经营现金流。

收入与支出的差距确实验证了收敛趋势，但部分增长源于内部资金循环。这是产业最积极的事实：模型层年化运行率从 2025 年末约 290 亿美元增至 2026 年 8 月约 1,090 亿美元，增长 3.8 倍；同期四大云厂商资本开支从约 4,100 亿美元增至约 7,250 亿美元，增长 1.77 倍。硬件增速同向，英伟达数据中心收入同比增速连续四个季度加速，至 2026 年 7 月财季达 117%，收入 890.2 亿美元。图 5-3展示了这三个趋势。若延续该增速，收入覆盖率将在 2027 到 2028 年间进入 30% 到 50% 区间。

点击放大

监管文件揭示了收入收敛的质量问题。微软 2026 财年年报披露，来自 OpenAI 商业安排的收入为 241 亿美元。彭博社估算，OpenAI 贡献了微软当年 AI 收入的 50% 至 70%。瑞银估算，OpenAI 与 Anthropic 合计占谷歌云 2026 年收入的 27%，2027 年将升至 48%。此类内部交易影响需求估算：若将微软的 370 亿美元与 OpenAI 的 400 亿美元相加，重复计算比例可能高达 70%。

资金循环并非财务造假，而是链式生产的均衡形态。但直接相加云厂商与模型公司的 AI 收入会系统性高估真实需求，因此全链条收入口径不参与覆盖率比值计算。

关于数据口径有两个风险提示。第一，年化运行率不等于确认收入。例如，Anthropic 650 亿美元运行率对应当季年化收入 460 亿美元，相差 40%；OpenAI 相差 49%。第二，企业披露的 AI 收入指标属自愿披露，不受通用会计准则约束。微软在 2026 财年第四季度停止更新 AI 运行率，这一行为本身即是市场信号。因此，本报告将模型公司招股文件、微软是否再次披露运行率、英伟达应收账款及库存、阿里云 AI 收入是否破百亿，作为观测需求端的四个财务先行指标。

5.3 采用广、兑现浅：渗透率口径差 17 倍

88% 的组织至少在一个职能应用了 AI，但智能体规模化使用占比在所有职能中均停留在个位数。采用率与规模化率的差距，是上游资本开支迟迟无法转化为终端收入的微观原因。

对比采用率与规模化率能揭示产业化实质。据斯坦福大学《2026 年 AI 指数报告》^[3]，2025 年 88% 的组织至少在一个职能使用 AI，但依赖 AI 运行业务流程的规模化使用占比均为个位数。图 5-4对比了这两个数字。初步采用与规模化应用之间存在流程重构、系统集成、权限设计与异常处理等障碍，这也是第 4 章交付权阶段的核心工作。采用率已无法作为领先指标。第 9 章将智能体规模化占比超 10% 设定为一个重估节点，用于修正价值迁移主张。

点击放大

渗透率统计口径极度分散，同一年最高与最低值相差 17 倍。图 5-5展示了八个口径：麦肯锡测算使用率 88%、普华永道 79%、毕马威 53%、德勤 42%、标普全球生产环境应用率 31%、全组织规模化应用率 14%、斯坦福测算低于 10%，以及麻省理工 NANDA 项目定制工具进入生产环境比例 5%。项目折损率同样高企：Forrester 与 Anaconda 指出 88% 试点未进入生产阶段；Gartner 预计到 2027 年 40% 项目被取消；NANDA 报告称 95% 试点未产生财务影响。估算真实需求时，只能采用 10% 至 31% 的生产化口径数据。若用 88% 采用率直接乘以工资池总额将严重高估，第 5.5 节详细量化了该高估倍数。

点击放大

技术价值兑现量级要求市场调整预期。据谷歌云投资回报调查^[4]，实现收入提升的 AI 用户中，53% 估计增益在 6% 至 10% 之间。增益来源依次为生产率（70%）、客户体验（63%）、业务增长（56%）。图 5-6表明，技术改造带来了正向收益，但仅为个位数百分比的效率增益，并未重塑业务模式。结合第 3 章资本开支量级可知：应用层收入短期内无法支撑庞大上游投入。财务缺口必须在各主体资产负债表中消化，第 6 章将分析承担主体。

点击放大

5.4 需求的三块构成：智能体、多模态与中国

已实现的需求主要集中在少数具备清晰商业模式的场景中。本节从三个维度展开：按应用场景看智能体，按支出规模看多模态，按付费能力看中国市场。这构成了自下而上的实证基础，并为参数估计提供数据。

第一块：智能体，编程是唯一经过市场验证的赛道

在全部智能体场景中，软件开发是唯一孕育出多家十亿美元级公司的领域；客服定价模式确立为按结果计费；法务场景规模位居第三；而销售岗位的智能体应用已被数据证明缺乏实际需求。

编程是唯一被大规模市场验证的付费场景。三家头部应用年化收入合计超 75 亿美元：Cursor 截至 2026 年 6 月初超 40 亿美元，公司称其中约四分之三来自企业客户^[15]；Claude Code 约 25 亿美元；Copilot 约 10 亿美元。三者相加对应全球超 1 万亿美元的开发者薪酬总额，渗透率约 1%（75 亿除以 1 万亿等于 0.75%），明细见表 5-3。Uber 的案例从侧面印证了需求真实性：Claude Code 在 Uber 工程师中的渗透率从 2025 年 12 月的 32% 升至 2026 年 3 月的 84%，公司在四个月内耗尽全年 AI 工具预算，人均月支出 500 至 2000 美元。这也表明按量付费模式易导致采购方超支。

编程赛道的头部公司同时说明，应用层与模型层之间的采购不是自上而下的单向关系。Cursor 自身不训练前沿模型，向 OpenAI、Anthropic、谷歌与 xAI 采购模型，开源模型的推理则由 Together、Fireworks、Baseten 等推理服务商分担^[16]。2026 年 6 月 16 日，SpaceX 签署全股票协议，以约 600 亿美元收购 Cursor 的母公司 Anysphere（美国证券交易委员会 8-K 文件与 Cursor 官方公告），买方支付的是开发者工作流入口的对价，第 4 章已分析这笔交易的含义。同类的横向与反向采购在应用层普遍出现：Notion 把工作区产品卖给 OpenAI、Vercel 与 Cursor，同时向 OpenAI、Anthropic 与谷歌采购模型，向 Cohere 采购检索重排，向 Decagon 采购客服智能体；Cohere 把智能体平台 North 卖给算力供应商 CoreWeave；Intercom 试用 Cursor 之后改用 Augment Code。这些交易对模型层价值捕获的含义有两点。第一，模型层收入中有一部分来自应用层公司的采购，而这些应用层公司的收入又有一部分来自模型公司的采购，5.2 节剥离内部循环时所说的往返交易不限于云厂商与模型公司之间，也发生在模型层与应用层之间；这部分回流的金额未披露，量级远小于云与模型之间的往返，不改变覆盖率的结论，但模型层的净捕获比运行率显示的更低。第二，应用层公司在模型与推理两个环节都保持多家并采，替换成本低，模型公司对应用层的议价能力受此约束，价值更多归于掌握工作流入口的一方。

客服的定价模式已经确立，但行业收入远低于预期。公开标价集中在每次成功解决问题收费 0.5 至 2 美元：Intercom 产品 Fin 标价 0.99 美元；Zendesk 于 2026 年 5 月调整为仅对已验证解决的问题计费 1.50 至 2.00 美元；HubSpot 下调为成功解决每次 0.50 美元。定价模式是影响收入规模的核心变量：以 10 人客服团队、每月 1 万次会话、AI 解决率 50% 为例，若按席位计价，企业年支出约 1.4 万美元；按每次解决 0.99 美元计费，支出约 5.9 万美元；按每次会话 2 美元计费，支出约 24 万美元，收入差距达 17 倍。因此，任何智能体市场规模预测都必须明确其定价假设。

法务场景规模位居第三。Harvey 年化收入从 2026 年 1 月 1.9 亿美元升至 7 月的 3.5 亿美元，Legora 耗时 18 个月实现 1 亿美元收入。产品已进入多数美国百强律所，但定价仍维持按席位每月 500 至 5000 美元，未演变为按结果付费，因为案件结果归因风险过高。销售岗位则是被证伪的典型领域：AI 销售开发代表工具的年客户流失率介于 50% 至 70%，约为人类销售人员流动率的两倍。头部厂商 11x 在 2025 年经历夸大客户数的调查与创始人更迭。全球销售薪酬总额约 1.1 万亿美元，常被用作规模预测基数。由此可见：行业薪酬总额大小与技术需求的可实现性无关。

资料来源：厂商披露、企业财报与第三方追踪数据，数据快照日期为 2026 年 8 月。收入数据以年化运行率为主，该指标与会计确认收入不能混用；软件开发一行的三个数均取总年化收入口径，Cursor 为 2026 年 6 月初读数，三家合计 75 亿美元除以 1 万亿美元等于 0.75%，表中取约 1%；市场渗透率由已实现收入除以对应行业薪酬或服务总额计算得出，属于本报告的分析推断。

判断智能体项目是否值得投入或授信，出资方重点考察四个维度：流程嵌入深度、系统可靠性、权限边界以及可核算投资回报，不看产品演示。经合组织报告指出，智能体是能感知环境、使用工具并代表用户执行多步任务的系统（OECD AI Papers 第 56 号，2026 年 2 月）。在业务语言中，智能体与聊天机器人的本质区别是有无操作企业系统的权限。自主性是专业词汇，核心在于评估自主决策程度与出错时的责任归属机制。自主性越高，对权限边界与回退机制要求越高，这与金融稳定理事会的人工监督匹配原则一致（详见第 8 章）。

上述四个标准及其指标详见表 5-4。它们排除了产品演示�## 5.9 深案例一：办公智能体会不会成为下一个办公套件

办公智能体已达到人人可试的普及度，但尚未具备人人必买的必要性。未来它会成为必备品，但普及拐点未至。其最终形态很可能不是当前的独立产品，而是被免费内置进现有办公套件，由席位加用量的混合计价模式重新定义商业价值。

办公智能体是将 AI 需求扩展至所有白领的核心载体。若它成为办公必需品，需求基数将从几百万特定群体扩展到数亿知识工作者。评估这一市场需关注：付费渗透率、增长曲线位置与收入归属。

目前全球领先产品的渗透率不到 7%。Microsoft 365 Copilot 付费席位从 2025 年底的 1,500 万增至 2026 年中的 3,000 万以上。以 4.5 亿到 4.64 亿商业付费席位为基数，渗透率为 6.47%。超 93% 的存量席位未为其付费。不过，头部产品增长正在加速，微软在 2026 财年第四季度单季净增 1,000 万席位，5 万席位以上客户数同比增长 7 倍，全员部署的企业环比增长 75%，表明大企业正全员推广。

续约表现取决于实际使用率。第三方监测显示，拥有权限的用户中仅 35.8% 实际使用，部署 90 天后的日均活跃用户数中位数在 30% 到 38% 之间。44.2% 的流失用户因“不信任输出结果”弃用。80% 的 IT 负责人要求增加治理控制机制才愿意大规模部署。低使用率与低信任度是最大续约风险。标普调研显示，2025 年 42% 的受访机构放弃了大部分 AI 项目，远高于 2024 年的 17%。AI 应用的 12 个月留存率仅 21.1%，低于其他应用的 30.7%。

中国市场呈现高用户、低付费特征。2026 年 5 月中国 AI 原生应用月活达 4.99 亿。对比之下，钉钉平台 2,600 万企业中仅 19 万家为付费组织，渗透率仅 0.73%。金山办公的 4,825 万付费个人用户基于 30 年积累，并非 AI 增量。主流厂商普遍避谈付费与活跃数据，反映出商业化滞后。Anthropic、字节、腾讯等均未披露有效付费指标^[12]。

独立产品的核心压力在于功能被现有平台免费内置。钉钉、飞书与企业微信在 2025 至 2026 年间将 AI 表格分析与摘要设为基配。独立产品必须靠提高跨系统任务完成率证明价值。计费模式也随之转变。传统软件按账号收费，智能体跨岗位执行任务使人头计数失效。微软、Salesforce、金山办公等纷纷转向“席位费+使用量”或按对话计费，市场上限不再单纯取决于席位数。

回顾历史，微软 Office 与钉钉均耗时 6 到 8 年才达到规模顶峰。办公智能体发展至今 8 个月，大致相当于 Office 的 1993 年：基本形态获验证，但格局未定。图 5-13 对比了相关时间轴。

对中国市场的推算显示，2030 年保守情景市场规模约 600 亿元；中性情景约 1,750 亿元（6,000 万个人用户按每月 100 元，120 万家企业按平均 40 席及每席 180 元估算）；乐观情景约 3,800 亿元。中性情景预估要求智能体在四年内走完传统软件三十年的积累过程，且每月 100 元单价目前缺乏历史支撑。若 21.1% 的年留存率适用中国，预测需下调 30% 到 50%。

综合来看，本报告提出三个投资判断：第一，不应以月活推导收入，用户规模与变现价值已解耦。第二，评估重点应转向实际付费留存。第三，办公智能体最终大概率融入现有办公平台，由“席位+用量”重塑单用户价值，独立产品将面临生存挑战。

第二块：多模态，成熟变现模式在于企业流程嵌入

该技术领域的潜在市场规模约 3,600 亿美元（详见本报告第 5.10 节测算）^[5]，目前已实现收入约 30 亿美元，渗透率仅为 0.8%。面向消费端的订阅路线已被证明不可行，商业变现的核心在于嵌入企业业务流程，其经济模型具有低毛利特征（详见 图 5-7）。

点击放大

面向消费端的订阅缺乏商业可行性。Sora 在 2025 年 11 月至 2026 年 3 月生命周期内，累计收入仅 210 万美元，最终停运，团队承认其经济模型不可持续。同期，Adobe 提价导致用户流失；Canva 明确将 AI 功能列为拖累财务表现的因素。消费端市场能提供品牌知名度，但无法贡献实质利润。

经过验证的商业路径是深度嵌入企业业务流程，依据可核算的投资回报。ElevenLabs 的语音代理在 Revolut 覆盖超 400 万客户，问题解决提速 8 倍；在 Klarna 为 3,500 万客户提速 10 倍。HeyGen 帮助 Würth 削减了 80% 的翻译成本。此类企业合同单笔达 200 万美元，远超消费端客单价。截至 2026 年 3 月，AI 生成短视频在快手平台广告中的渗透率达 10%，成为可靠的实测基准。

人工智能服务的毛利率显著低于传统软件。Bessemer 指出 AI 服务毛利率多在 50% 到 60%，而传统软件通常为 80% 到 90%。ICONIQ 数据显示 2026 年 AI 行业毛利率均值为 52%。Figma 因 AI 成本增加，毛利率从 92% 降至 82.4%，迫使其限制月度计算额度。底层算力成本正向定价传导，即梦平台频频提价，生成 15 秒视频底层成本升至最高 5.03 元。高昂推理成本拉低毛利，迫使企业按量计费，进一步触及消费端支付上限，证明只有企业端模式得以存活。

第三块：中国市场，付费能力构成硬性约束

中国市场需求侧的确定性体现在庞大的用户规模与密集场景，但核心约束在于终端付费能力。模型使用量增速与营收增速之间存在数量级差距，这种落差是结构性的。

使用量与收入的背离最能反映中国市场现状。基于 IDC 数据，公有云模型调用量在 2025 年增长 16 倍，但模型即服务营收仅 30.7 亿元。预计 2026 年调用量再增 20 倍，而营收仅约 186 亿元，呈现使用量增长 20 倍而收入仅增长 6 倍的非对称状态。算力单价下行是直接原因，通用文本调用价格已逼近成本线。

软件交付形态进一步压缩了利润。智谱 2025 年总收入 7.24 亿元，本地部署占比 73.7%，毛利率 48.8%；云端 API 收入 1.90 亿元，毛利率仅 18.9%。MiniMax 2026 年上半年收入中毛利率仅 17.9%。企业将绝大部分成本转移至云厂商。中国市场的高毛利源于一次性项目制交付，具备规模化潜力的 API 调用反而是低毛利。此外，2022 年中国 SaaS 支出占比仅 2.6%（美国为 7.2%），员工超 5000 人的大企业数量比美国低 60%。低劳动力成本削弱了替代人工的经济价值，抑制了付费意愿；大客户多为国企，采购遵循非市场化导向；总包模式推动服务定制化，阻碍了标准化。

交付主要表现为项目制。2025 年公开中标大型 AI 项目达 7539 个，单体金额中位数 86 万元，较 2024 年下滑。2024 年国企招标占比达 61.25%；2025 年亿元级订单半数源于政务。市场呈现项目增多、规模缩小、需求碎片化趋势。能源（72.5%）与金融（63.7%）应用深度最高；政务采购额最大，但本质是财政驱动的基建。表 5-5列出了四个需求统计口径，本报告仅采纳最严格的两个窄口径。

资料来源：各机构公开发布报告，2026 年 8 月快照。产业规模（1.2 万亿）除以 2025 年中国 GDP（140.19 万亿）约 0.86%，仅作宏观参照。

消费端付费转化率极易受庞大基数误导。截至 2025 年 12 月，中国生成式 AI 用户达 6.02 亿；但 83% 用户日均使用不足 1 小时，接受的月订阅上限仅 48.3 元。摩根士丹利测算豆包中性情景下付费转化率仅 1.0% 至 1.5%^[6]。本报告采信 1% 口径，因为国内消费软件年续费率 30% 已是顶尖水平。中国消费端订阅市场上限在未来三五年内仅为数十亿至百亿元量级。

宏观数据方面^[7]：2025 年 AI 核心产业规模超 1.2 万亿元；2025 年上半年智能算力达 788 EFlops。图 5-8展示了供需仪表盘。中国在用户与应用渗透率上是最大单一市场；算力装机受限于第 2.3 节所述的物理约束。确定性最高的是 6 亿用户与 6000 家企业的落地需求。

点击放大

广东在宏观版图中战略位置清晰^[8]：全省 AI 与机器人企业超 3700 家，广深两地聚集了 84%。2024 年广东 AI 核心产业规模达 2200 亿元。广州方案设定智能终端与智能体应用普及率在 2027 年超 70%；广东鼓励金融业构建智能信贷等机制^[9]。地理分布见图 5-9。

点击放大

本报告对中国与广东市场的判断分两层。首先，广东企业密度提供了庞大潜在需求，政府普及率目标及金融融合政策提供信用背书，这是第 8.4 节案例分析的论据。其次，政策普及率目标是技术渗透率，不可视为商业订单；6.02 亿用户体验不证明具备付费能力。技术兑现最可能率先突破的领域是广东制造业（汽车、机器人等）、能源与金融场景，这些场景具备高频、数据密集、流程清晰优势，对齐表 5-4评估标准，且实体客户拥有稳定现金流，其数字化转型还款来源不单向依赖 AI 项目成败。

5.5 怎么估：工资池法的陷阱与本报告的参数

工资池乘以渗透率再乘捕获率，是目前应用最广但也极易高估的算法。实证显示，文字类工作价格捕获率仅 8% 到 20%，语音类 2% 到 7%。即便是最成熟场景，已实现捕获率也仅约 1%。中性情景下，净捕获率在 5% 到 10% 之间，较主流假设的 30% 低 5 到 10 倍。

主流估算常以企业万亿美元薪酬为基数，乘以渗透率和捕获率。其偏差源于未扣除衰减环节。从潜在工资池到厂商实际收入须经过四个衰减环节，见 图 5-10。

点击放大

第一环节是价格捕获率。文字工单 AI 单价对应人工单价的捕获率在 12% 到 19% 之间；语音 AI 捕获率仅 2% 到 7%。若假设捕获率超 25%，必须有特殊依据。同质化竞争下，边际成本趋零会使价格跌至成本线。

第二，渗透率必须与价格捕获率剥离。第 5.3 节指出应采用 10% 到 31% 的生产化口径；若用体验使用率代替，估值会虚高四倍。第三，替代工资往往转化为内部效益而非外部收入。摩根大通凭 AI 省钱创收，四大会计师事务所减少招聘，巨头倾向自建，导致留给第三方的份额最小。第四，数量扩张系数难以抵消单价下降，增量交互单价显著更低。

RPA（机器人流程自动化）行业是极佳对照组。早期 RPA 也以“数字劳动力”和巨额工资池为基数，七年后行业总规模仅 47 亿到 61 亿美元，捕获率仅占预期千分之几。相比之下，从既有软件市场向上外推更具逻辑连贯性：高盛预测客服软件市场到 2030 年因生成式 AI 扩张 20% 到 45%，整体应用软件达 7,800 亿美元。这意味利润池主要在软件生态内重新分配。两种估算方法结果相差 5 到 10 倍。

本报告设定了三个情景的参数区间（见 表 5-6）。中性情景下，净捕获率介于 5% 到 10% 之间；乐观情景 15% 到 20%；保守情景参考 RPA 历史，落在 1% 到 3%。

资料来源：公开标价、企业披露与第三方调查，快照日期为 2026 年 8 月。本表为本报告的推断结果，并非任何机构的官方预测。本报告不对三个情景的发生概率提供点估计。

5.6 三个轨迹与它们的外推：这套算法能回答什么，不能回答什么

把收入、投入与产出的财务轨迹置于时间轴上机械外推，资金缺口闭合窗口在 2028 到 2030 年。但该算法只能回答缺口依现速多久收窄，无法回答市场需求能否释放。

前五节数据呈现了三个随时间变化的轨迹。一是收入：模型层年化运行率从 2024 年三季度约 70 亿美元增至 2026 年 8 月的 1,090 亿美元。二是投入：四大云厂商年度开支从 2025 年 4,100 亿增至 2026 年指引的 7,250 亿美元。三是产出：英伟达数据中心单季收入从 307.7 亿增至 2026 年 7 月的 890.2 亿美元。三者对比如 图 5-11 所示。

点击放大

基于此，本报告测算了覆盖率（收入除以资本开支）。2025 年覆盖率为 7%；2026 年剥离循环后中值约 13%。中性情景下，假设收入年增 90%、开支年增 30%，覆盖率在 2028 年超 30%，2030 年达 60%。悲观情景下，2030 年覆盖率仅 23%。乐观情景下，2029 年覆盖率超 100%。这种悬殊源于人为设定的增长率缺乏理论约束。

数据外推有三大局限。第一，将增长率视为常数，忽视了基数扩大后的衰减。第二，无法反映潜在需求变化，88% 的体验率与个位数生产化率的落差证明流程改造尚未完成。第三，无法剥离循环收入。模型公司支付给云厂商的算力融资款若持续扩大，将导致收入增速被高估。

单纯依赖财务外推无法准确判断未来需求。后文将转换视角，从技术与组织维度采用自下而上的方法重新估算。

第二部分 未来需求从何而来

研究需求规模趋势与驱动因素需引入新证据体系：任务级随机对照实验测算生产率提升，岗位与招聘数据分析生产方式改变，深度案例说明资金流向。该体系虽不提供新点估计值，但能明确需求释放机制、时间顺序及先行指标^[11]。

5.7 技术能提升多少生产率：任务、岗位与宏观是三个不同的乘数

任务级实验测得效率提升在 14% 到 40% 之间，全国调查测算总工时节省为 2.2%，而行政数据估算的收入与工时效应为零。这三个数据不矛盾，构成一条传导链，当前整体传导率仅在 3% 到 7% 之间。

任务级实验提供了最强的因果识别证据。客服岗位（5,179 名坐席）每小时解决问题量提升 14%（期刊版 15%），新手提升达 34%（准实验，Brynjolfsson 等，2023、2025 年）。写作岗位（453 名专业人士）耗时减少 40%、质量提升 18%（随机对照实验，Noy 与 Zhang，2023 年）。开发者岗位（4,867 名）完成任务数提升 26.08%，初级提升 27% 到 39%，资深提升 8% 到 13%（随机对照实验，Cui 等，2024 至 2025 年）。

咨询岗位实验同时测算收益与代价。758 名波士顿咨询顾问的实地实验显示，在模型能力边界内任务中，完成数量提升 12.2%、速度提升 25.1%、质量提升 40%；在超出边界任务中，AI 辅助组正确率比对照组低 19 个百分点（随机对照实验，Dell'Acqua 等，2023 年）。脱离能力边界评估提效没有意义。

宏观口径数据通常低一个数量级。全美调查显示，2026 年 5 月在业者中 45.2% 将 AI 用于工作，但仅 6.3% 工时配备 AI 辅助，节省时间相当于总工时 2.2%（调查，Bick 等，2026 年）。丹麦行政数据的双重差分估计得出，AI 对收入与工时效应为零，且排除大于 2% 的可能。时间节省转化为产出的比例仅 3% 到 7%（准实验，Humlum 与 Vestergaard，2025 至 2026 年）。

这三组数据构成一个乘数链条：宏观效应 = 任务级提升 × 任务在总工时占比 × 时间节省转化为产出比例。第一项参数在 14% 到 40%，第二项为 6.3%，第三项为 3% 到 7%。三项相乘，收入端数值接近零。图 5-12 将该链条拆解。若直接将实验值乘以总体工资池，会导致双重高估。

点击放大

生产率提升随模型迭代增强。METR 2025 年 7 月实验显示 16 名资深开发者使用 AI 耗时反增 19%；但 2026 年 2 月后续实验中，原队列转为加速 18%，新队列加速 4%（随机对照实验，METR，2025、2026 年）。法律领域 2024 年实验提速不提质，换用新模型与检索增强后，6 项任务中 5 项效率提升 50% 到 130%（随机对照实验，Schwarcz 等，2025 年）。

人机协作模式构成一个独立乘数。医学实验显示，50 名医师在诊断推理得分仅提升 2 个百分点，而大模型单独作答高出对照组 16 个百分点（随机对照实验，Goh 等，2024 年），表明效率瓶颈在交付模式。斯坦福对 51 个部署案例访谈证实，由 AI 自主处理、人类仅审核异常的架构中位生产率提升 71%；而人类逐项审批架构提升仅 30%（调查与访谈，Pereira 等，2026 年 4 月）。权限下放与否导致价值相差一倍以上。

5.8 岗位与生产方式正在怎样改变

岗位替代的确凿证据是入门级岗位招聘萎缩，而非存量裁员。22 到 25 岁高暴露岗位就业缺口已扩至约 19%，主因是企业减少招聘。同时，三个独立团队在宏观层面均未测出显著就业效应，两者并行不悖。

斯坦福数字经济实验室对比高 AI 暴露与低暴露职业发现，22 至 25 岁群体就业缺口达 19%，高于一年前的 15%（观察性研究，Brynjolfsson 等，2026 年 8 月修订）。缺口主因是企业减少招聘，而非资深员工离职。受影响岗位集中于依赖编码化知识的环节，依赖经验的隐性知识岗位未缩减。该下降趋势至 2024 年才具备统计显著性。

招聘端结构性变化在科技行业尤为明显。大型科技公司整体招聘规模比 2019 年低 25%，但工程岗位占比从 46% 升至 55%。应届与入门级岗位招聘大幅下降，大公司降 65%，早期创业公司降 76%。受冲击最重的是设计、产品与市场营销（观察性研究，SignalFire，2026 年 6 月）。整体招聘缩小、工程占比扩大、入门需求收缩同时发生。

替代效应在交易摩擦小的自由职业平台最显著。ChatGPT 发布后，写作类接单量降 2%、收入降 5.2%，图像类接单量降 3.7%、收入降 9.4%，高技能工作者受创更深（准实验，Hui 等，2023 至 2024 年）。另一研究显示，8 个月内自动化易感职位数比手工密集职位数多降 20.86%，其中写作降 30.37%、开发降 20.62%（准实验，Demirci 等，2024 年）。写作与翻译的外包需求整体下降 20% 到 50%（准实验，Teutloff 等，2025 年）。

宏观层面并未测出显著就业效应。耶鲁预算实验室采用合成双重差分法发现，工资未受显著影响，高暴露组失业率微升但不具统计显著性（准实验，Gimbel 等，2026 年 5 月）。丹麦行政数据测算就业效应为零，排除大于 2% 的可能（准实验，Humlum 与 Vestergaard，2026 年 3 月修订）。欧美对比调查未发现 AI 采用与就业市场系统性变化的关联（调查，Bick 等，2026 年春季）。

企业归咎于 AI 的裁员多为叙事策略。2026 年前 7 个月累计声称因 AI 裁员超 11 万人。企业有动机将需求疲软或过度招聘包装为 AI 冲击以提振股价。麦肯锡调查显示，39% 预期未来因 AI 裁员，但仅 14% 过去一年实际执行裁员。

AI 首先取代高度市场化的外包任务，而非企业内部固定岗位。自由平台交易摩擦小，需求大降；正式雇佣调整慢，宏观就业影响为零。AI 厂商初期收入源于市场化成交任务，企业内部工资池潜藏的需求，需组织主动调整业务流程后才能释放。

生产方式改变已在企业发生。谷歌在 2026 年内部约半数代码由 AI 编写、人类审查。Anthropic 调查显示，27% 的 AI 辅助任务属纯增量工作，表明技术执行了过去无经济可行性的任务，未替代存量（调查，Anthropic，2026 年）。在客服领域，Klarna 曾宣称 AI 助手抵 700 人，后承认削减过度，于 2026 年中转为 AI 承接高频任务、人工处理复杂任务的混合模型。未建治理层就盲目替代，尾部复杂场景质量将受损。

5.9 深案例一：办公智能体会不会成为下一个办公套件

办公智能体已达人人可试普及度，但尚未具备必买必要性。办公智能体会成为必备品，但普及拐点未到，且最终形态未必是当前独立产品。相关功能更可能免费内置进现有办公套件，通过席位加用量的混合计价模式重塑单用户价值。

办公智能体是将 AI 需求扩展至所有白领岗位的核心载体。若成为必备品，需求基数将扩展到全球数亿知识工作者，需重估第 5.5 节的捕获率参数。评估该市场需关注：付费渗透率阶段、增长曲线位置、最终收入归属。

全球领先办公智能体产品渗透率不到 7%。财报显示，Microsoft 365 Copilot 付费席位在 2026 年 6 月底超 3,000 万。以 4.5 亿至 4.64 亿 Microsoft 365 商业席位为基数，渗透率仅为 6.47%（第三方按官方基数测算）。微软推广该产品三年，部署大量入口，仍有超 93% 存量席位未付费。

头部产品增长曲线仍加速上升。微软在 2026 财年第四季度单季净增 1,000 万席位，环比翻倍。企业自报数据显示，5 万席位以上客户数同比增长 7 倍，向多数员工部署的企业数量环比增 75%，每用户对话次数近翻倍。企业正全员推广该产品，非小范围尝试。

已付费席位实际使用率偏低。第三方监测显示，拥有权限用户中仅 35.8% 实际使用。部署 90 天后日活中位数在 30% 到 38%，持续周活稳定在已购席位 30% 到 55%。流失用户中 44.2% 因不信任输出而放弃，2026 年 1 月准确性净推荐值为负 19.8。80% 技术负责人要求增加治理机制才愿大规模部署。低使用率与低信任度构成续约风险。

中国市场办公智能体呈现高用户规模与低付费转化特征。第三方数据显示，中国 AI 原生应用 2026 年 5 月月活达 4.99 亿。对比来看，钉钉平台企业总数 2,600 万家，付费组织仅 19 万家，渗透率 0.73%。唯一完整披露付费数据的金山办公，截至 2026 年 6 月累计年度付费个人用户 4,825 万，此为 30 年积累存量。5 亿月活与 0.73% 渗透率的落差，是理解中国需求的核心参考。

主流办公智能体缺乏公开付费数据，反映商业化滞后。Claude Cowork 仅对订阅者开放且不单独计价，TRAE Work 与 Kimi Work 未披露规模。厂商在推广时宣传用户数，对付费数据保持缄默^[12]。当首家厂商按季度正式披露付费席位与续费率时，该品类才进入可供深度投资研究阶段。

低留存率制约收入增长。标普全球调研显示，2025 年 42% 受访公司放弃大部分 AI 项目，平均每家终止 46% 概念验证项目。基于 7.5 万开发者数据，AI 应用 12 个月留存率为 21.1%，低于其他应用的 30.7%。AI 应用早期试用转付费率高，但难以持续提供长期价值。

独立办公智能体面临竞争，核心功能被现有平台免费内置。钉钉、飞书等密集将 AI 摘要、搜索设为基础配置，导致同质化。第三方评估指出，领先厂商在写作、总结方面成熟，但在流程编排、权限控制、执行安全等维度偏弱。独立产品须提高跨系统任务完成率来证明商业价值，不能仅依赖单一功能易用性。

计费模式转变是商业化核心变化。传统软件按用户数量收费，而智能体跨岗位执行，单一员工数难反映负载。微软宣布相关业务将转向基础用户费叠加使用量模式。Salesforce Agentforce 采用按次计费，金山办公与腾讯也推出混合计费。该转变扩大市场规模测算空间，上限取决于实际调用频率，用户渗透率指标意义减弱。

软件发展周期可参照。微软 Office 获取 85% 份额历时 6 至 8 年，增长拐点源于系统换代；钉钉规模见顶同样耗时 7 至 8 年。办公智能体发展仅数月，用户增长极快，但付费刚起步。参照 Office 历程，当前相当于 1993 年，基本形态获验证，行业标准未定，决定胜负的平台换代尚未发生。图 5-13 将相关序列进行对比。

点击放大

本报告对 2030 年中国办公智能体市场进行推算：保守情景 600 亿元，中性情景 1,750 亿元，乐观情景 3,800 亿元。其中，个人付费用户规模是最不确定的变量。中性情景预估的 6,000 万用户高于金山办公 30 年积累的存量。第二大不确定变量是单用户月均 100 元预期，缺乏历史数据支撑。若 21.1% 的年留存率适用中国，留存低于 30% 将导致订阅基座不稳，上述预测需下调 30% 到 50%。该推算未计入按用量计费模式。对比可见，Microsoft 365 Copilot 当前 3,000 万席位年化收入约 108 亿美元，中国全市场中性情景的 245 亿美元在全球尺度下相对合理。

本报告提取三个投资判断：第一，不应使用月活跃用户推导收入规模。用户规模与商业变现已解耦，低转化率是核心区别。第二，评估重点应转向实际付费留存数据，商业化瓶颈在于缺乏基础付费用户。第三，办公智能体会普及但拐点未到，其能力将整合至现有平台。行业通过混合计费重塑单用户价值，独立产品面临严峻挑战。

5.10 深案例二：影视娱乐，替代已大规模发生而价值捕获极低

影视娱乐是唯一完成大规模、可观测产业替代的内容行业。产业替代规模与 AI 厂商获取的收入存在一到两个数量级差距，若用产业规模乘替代比例推算 AI 收入会造成 10 到 50 倍高估。

本节探讨替代发生后资金流向。影视娱乐是唯一经历全过程的样本，可直接观察。

替代已经大规模发生

影视娱乐产业供给结构断层式切换。2026 年一季度全行业上线微短剧约 12.8 万部，AI 微短剧约 12.2 万部，占比超 95%（中国网络视听协会，2026 年 4 月）。触发事件是 2026 年 2 月红果平台取消真人短剧承制保底。细分数据一致：3 月抖音 AI 微短剧上传量近 5 万部；红果新上线 AI 剧日均 2,000 部，达真人剧 20 倍；漫剧百强中 AI 仿真人剧占比在 2 月升至近 60%（第三方监测，DataEye）。

替代影响直达实体端。横店影视 2026 年一季报显示营收同比降 50.36%，扣非净利润降 92.5%（企业财报）。同期横店短剧开机量减四分之三，影棚空置近 80%。曾容纳 30 多个剧组的片场至 2026 年 4 月仅剩 1 个，供 AI 剧真人补拍表情。与 2025 年单日开机四五十个形成鲜明对照。头部短剧公司称 2026 年初短剧产能压缩超 80%。

要素价格下降体现在各工种中。短剧配音单价从每分钟 115 元降至 45 元；头部演员日薪从 5 万至 10 万降至 1 万；后期剪辑月薪从 1.4 万降至 5,500 元。从业者表示，AI 已取代服化道、灯光摄影等绝大多数环节，仅制片、导演与编剧不可或缺。同时也有岗位创造：九州文化转型 AI 制作后员工增至 4,000 人，80% 为 AI 创作者。行业出现 AI 抽卡师，负责筛选批量生成素材。

配音与译制是替代最高环节。AI 译制已成剧集出海主流。华策影视自研模型支持 20 种语言翻译并用于出海。AI 漫剧出海标配是 8 种语言的 AI 翻译加配音。

长剧与电影替代速度略缓，但平台态度一致。爱奇艺 2026 年推集成智能体平台，预期 AI 电影占比达 50%（企业自报）。腾讯视频推进 AI 全流程制作剧集与电影。可灵模型参与《太平年》虚拟场景制作，两月工期压至两周。海外亦然，Netflix 2026 年有 300 个节目制作使用生成式 AI（企业财报）。

产业替代不等于人工智能厂商获取收入

被替代的产业产值与模型厂商实际收入间存在四项损耗，逐层相乘最终比例不到 2%。 分析师直接用产业规模乘替代比例推算 AI 收入并不合理。

第一项损耗：制作成本仅占总产值 20% 到 30%。2025 年微短剧产值 677.9 亿元为流水口径，含流量投放与广告分账（艾媒咨询等，2026 年）。按均部 50 万估算 4 万部剧，制作总支出约 200 亿，占比极小。AI 替代目标仅为制作成本。

第二项损耗：AI 将制作成本压缩 80% 到 90%。真人剧常规单部 40 万至 70 万，而 AI 仿真人剧总成本约 30 万，AI 精品漫剧 13 万至 15 万。即使 AI 占据 100% 产能，行业制作总支出也从 200 亿降至 40 亿至 80 亿。AI 越有效，替代成本基数越小，厂商收入越低。

第三项损耗：算力支出仅占 AI 制作成本 30% 到 40%。AI 漫剧中剧本占 10% 到 15%，人力占 40% 到 50%，流向抽卡师、分镜等岗位。按中性情景，每年流向模型与云厂商资金约 14 亿到 28 亿元。

第四项损耗：模型层服务单价每年降 20% 到 30%。纯算力成本下降，第三方预测 2027 至 2029 年单秒画面降至 0.5 元下。开源模型冲击定价体系，调用量增长难转为收入同比例增长。

用 677.9 亿产值乘 95% 替代比例得出 644 亿，而实际模型层收入仅 14 亿到 28 亿，相差 23 到 46 倍。用产业规模乘替代比例推算造成 10 到 50 倍高估。这与企业数据一致。可灵模型 2026 年一季度收入超 6.5 亿，70% 到 75% 靠海外，国内年收入约 6.5 亿到 8 亿。微短剧 95% 产能被替代，但模型厂商国内收入仅十亿量级。图 5-14 绘制了四项损耗瀑布图。

点击放大

行业节省的资金并未流入模型厂商，主要有三个去向。第一，改善内容制作方与平台的毛利润。真人短剧制作与推广成本约四五十万元，总收入需七八十万元方可盈利；转用人工智能技术后，单部成本压缩至约 5 万元，总收入达 10 万元即可盈利。第二，消耗于流量投放。短剧行业总体亏损率超过 90%，生命周期缩短至三四周，内容供给激增稀释了单部作品商业价值，节省的成本迅速耗于流量竞价。第三，平台补贴的反向流出。红果平台 2026 年内容总投入预算预期增加超 40%。抖音集团对真人短剧的保底扶持预算超 15 亿元，单部作品保底金额同比提升约 60%。快手平台投入 8 亿元探索多元分账，提供 2 亿元现金孵化精品，并配以 10 亿级专属流量池。此次产业变化是一次典型的生产者剩余转移与消费者剩余扩张，而非产业价值向模型层集中。

技术边界：哪些环节已经实现工业化，哪些环节尚未达成

技术已在部分环节跨越工业化门槛。优质模型生成的素材实际可用率已超 90%。Seedance 2.0 模型在 2026 年 2 月完善了角色一致性、多镜头叙事与运镜控制等技术，构成行业爆发关键节点。同年 7 月底，单次生成视频时长提升至 30 秒，可灵模型推出原生 4K 直接输出功能。主流模型算力服务按时长计价，单价约每秒 1 至 3 元，720P 单价约每秒 1 元。在题材适配上，实景搭建成本高且需视觉特效支持的仙侠、玄幻、科幻与历史等题材已具备工业化量产能力，其中 2D 与 3D 漫剧规模化生产速度最快。

技术未跨越的障碍同样具体。复杂群像戏与细腻情感表达仍是主要瓶颈，业内预计需 1.5 至 2 年突破。生成视频的恐怖谷效应依然明显，角色面部虽接近真人，但存在眼神空洞、肢体僵硬、口型与配音不同步等问题。对此，年轻观众明显排斥，中老年观众接受度较高。此外，抽卡式生成导致高返工率，一份公开简报显示某项目返工 14,593 次，约占总生成量的 13%。技术应用成本曲线不呈现单调下降，当制作要求从 80 分的流畅度升至 90 分的电影级质感时，人工智能的质量增量递减；追求极致视觉效果时，其总成本甚至可能超过真人拍摄加后期特效。

观众的实际观看数据与作品上线量呈相反趋势。2026 年春节档，真人剧上线数量约为人工智能剧的五十分之一，但总播放量是后者的 25 倍。红果平台春节档站内总观看量达 336.1 亿次，8 部高播放量作品全为真人短剧。两类作品的高播放量比例差距达一个数量级。2025 年全行业上线 6 万部漫剧，破亿作品仅 96 部，比例 0.16%；而真人短剧该比例稳定在 1.5% 至 3%（第三方监测，DataEye 与抖音集团短剧版权中心）。数据表明，人工智能内容的繁荣存在幸存者偏差。在真人短剧大面积亏损背景下，人工智能短剧的单位经济效益可能更差。真人短剧的核心付费群体是 30 岁以上女性（占比 75%），恰好是对恐怖谷效应最敏感的人群，强化了这一商业约束。

各平台在真人内容投资上增加投入而非缩减预算。2026 年 3 月红果平台表示对真人短剧投入规模不变，全年总预算预期增加超 40%。同时，监管部门将生成内容纳入管理体系，提高了合规成本。2026 年 4 月 1 日起，人工智能微短剧实行先备案后上线，存量未备案作品全网下架，红果平台一周内下架 3,522 部违规漫剧。7 月 1 日起，行业施行按投资额分类分层审查。9 月 1 日起，生成内容超 30% 的作品须在片头显著标识，违规最高罚款 100 万元并可能吊销许可证。司法层面也有判例：2026 年 4 月广州市黄埔区法院对首例人工智能短剧侵权案作出一审判决，确认其受著作权法保护；3 月北京互联网法院判决未经授权生成可识别形象侵犯肖像权，平台需担连带责任。国际市场阻力更为明显。因美国电影协会与演员工会指控 Seedance 2.0 模型涉嫌侵权，字节跳动暂停其全球发布。美国演员工会 2026 年 6 月批准新协议，要求制片方替代真人演员前必须证明有重大附加价值，使用数字复制品须获演员书面同意并单付报酬。

由此形成的人工智能需求规模

将上述约束条件代入分层推算模型，中国境内影视娱乐内容生产贡献的模型层与算力层直接收入区间如下（本报告推断）：2026 年保守情景 25 亿元，中性情景 40 亿至 60 亿元，激进情景 90 亿元（其中微短剧与漫剧 15 亿至 28 亿元，广告与营销 10 亿至 20 亿元，长剧电影与译制 5 亿至 12 亿元）。2028 年中性情景 90 亿至 130 亿元。2030 年中性情景 150 亿至 250 亿元。若计入上游芯片与云基础设施，按模型层 70% 至 90% 毛利率倒推，上游收入约占模型层收入 10% 至 30%；2030 年中性情景下，上游将叠加 20 亿至 70 亿元收入。全球市场方面，采用高盛预测基准，未来五年全球人工智能视频生成市场将增长 10 倍，2030 年达约 290 亿美元，影视娱乐内容预计占 40% 至 60% 份额，即每年 120 亿至 175 亿美元。本报告弃用另两个预测口径：其一称 2025 年市场仅 7.168 亿美元，与可灵单模型实际收入冲突；其二预测 2030 年达 827 亿美元，数值明显偏高^[13]。

三项独立线索指向同一个结论

本节落点在于影视产业数据与前述需求的交叉验证。三项独立证据共同指向一个结论：第一，智能体公开标价数据。文字类价格捕获率为 8% 至 20%，语音类 2% 至 7%；但编程、客服与法务三个成熟场景的实际价格捕获率仅 0.3% 至 1%。第二，多模态支出基数折算。在 3,600 亿美元总支出基数中，技术渗透率仅 0.8%。第三，产业损耗分析。自下而上计算影视制作成本占产值的 20% 至 30%，这与多模态章节基于全球内容投入宏观分解提取的 15% 至 30% 经验值吻合。

三项线索指向一个结论：在人工智能已完成技术替代的领域，模型厂商捕获的价值仅占被替代产业产值的百分之一到百分之二量级，而非技术替代比例。 替代比例衡量技术渗透，价值捕获衡量商业兑现；将两者等同是本轮估算最系统的错误。这为第 5.5 节的参数表提供了外部验证。中性情景下 5% 至 10% 的净捕获率针对的是尚未替代的岗位工资总额。一旦替代完成且竞争充分，实际价值捕获率将滑向保守情景的 1% 至 3% 区间，影视行业的实际数据验证了这一保守情景。

该结论还有两项附带含义。第一，短剧与漫剧是视频技术使用量实际爆发的首要场景，应作为需求测算的首要锚点。第二，产业真正的商业增量在于业务出海与技术外溢，而非国内存量替代。可灵模型 70% 至 75% 的收入来自海外；Seedance 模型的海外调用量占比已由三分之一升至二分之一。火山引擎将视频模型定位为世界模型基础底座，应用于具身智能数据合成与自动驾驶极端场景生成。影视娱乐仅是技术发展曲线上的首个付费场景，而非终极市场。

5.11 需求为什么还没释放：卡在组织，不卡在模型

企业组织与流程改造滞后是解释需求尚未释放的最强理由，并非模型能力不足。执行相同任务的企业间差异不在于模型选择，而在于是否重设计工作流程。历史类比给出的改造周期为 8 至 13 年，2026 年正处于该周期中段。

前三节已解答技术提升幅度、岗位变化及替代后的资金流向。遗留问题是时序：若生产率确实提升，为何测算的付费需求仅占资本开支的 10% 至 15%？答案在于瓶颈存在于买方组织内部，而非模型能力或价格。

麦肯锡 2026 年全球调查的分组对比提供了决定性证据。80% 的受访企业报告个人生产率改善，但报告息税前利润受影响的企业比例为 37%，AI 高绩效企业占比 6%，两者均与 2025 年持平（调查，麦肯锡《2026 全球 AI 现状调查》）。尽管模型多次迭代，归因于 AI 的财务回报并未变化。关键在于：近四分之三的高绩效企业重新设计了工作流程，而其余企业仅有四分之一采取行动。核心差异在于组织。

斯坦福数字经济实验室对 51 个成功部署案例的访谈印证了此结论：77% 的核心挑战是变革管理、数据质量与流程重设计等无形成本；61% 的成功项目经历过未计入回报核算的失败；相似案例的实施时间从几周到数年不等，差别在于高管支持、既有流程与用户意愿；42% 的案例中模型具有可替代性，竞争优势在于编排层（Pereira 等，2026）。42% 的比例意味着模型层的实际定价权低于预期，商业价值向编排层与流程改造服务迁移，印证了第 4 章的判断。

权限边界与系统集成构成第二和第三个摩擦因素。仅约 21% 的组织对自主智能体具备成熟治理模型，超 40% 的项目面临 2027 年底前被取消的风险。采用率口径的分歧反映了集成成本：宽口径下 79% 的高管表示正在采用，严口径下仅 17% 完成部署（调查，Gartner）。这些摩擦的消除将催生智能体身份管理、权限控制、系统审计等新支出。Zylo 数据显示，AI 原生应用支出同比增长 108%，大型企业增长 393%。

监管不确定性是第四个摩擦因素。欧盟数字综合法案将高风险系统义务推迟一至四年执行（最晚至 2030 年 8 月），但这属于延期而非废除，风险管理与人类监督等义务未变。其效果是企业增加了 16 个月的不确定期，抑制了不可逆的组织改造投资。

模型能力不足是第五个摩擦因素，其消除速度构成本轮预测最大不确定性。支持该观点的证据显示，智能体跨操作系统任务准确率两年内从约 12% 升至 66.3%，但仍有三分之一任务无法完成。反对视其为技术上限的证据则表明：9 大行业 44 个职业的基准测试中，模型表现呈近乎线性提升，正逼近专家水平；智能体持续完成任务的时长约每 7 个月翻番；METR 测试将该趋势估计由放缓修正为加速。可靠性是推动任务跨越无人值守门槛的连续过程，系统每攻克一个类别便解锁一批自动化工作流，市场需求因此呈现台阶状跃升而非平滑增长。

历史类比提供了具体的时间参考。爱迪生珍珠街电站于 1882 年运营，但直至 1919 年仍有超半数美国制造业厂房未通电，生产率大幅收益于 1920 年后才显现，周期长达 40 年（David，1990）。该漫长周期的原因在于企业若要获取经济价值，必须重设工厂布局；若仅用电动机替换蒸汽机并保留原有传动轴，反而增加双重资本成本。信息技术普及重复了这一模式：发展早期的资本与劳动力主要用于积累未计量的无形资本，导致官方全要素生产率被低估（Brynjolfsson 等，2021）。组织资本是技术生产率必要互补品（Bresnahan 等，2002）。

本轮技术的不同参数是采用速度。生成式 AI 达到约 44% 采用率耗时仅为个人电脑的三分之一（Bick 等）。快速采用大幅提前了组织重组起点。若假设滞后期与采用速度同比例压缩，结合电气化的 40 年与信息技术的 25 年，本轮改造周期约为 8 至 13 年，起点为 2022 年底（本报告推断^[14]）。2026 年正处于中段。其投资时序含义为：当下基础设施层收入确定性最高，应用层收入拐点更可能出现在 2027 至 2030 年。图 5-15 对比了三次技术的见效时间轴。

点击放大

技术使用深度的层级差异验证了该判断。将月度模型使用量排名前 10% 定义为前沿企业，其人均输出 token 是典型企业的 8.3 倍；前沿企业周活跃用户插件与技能使用率为 21% 和 19%，典型企业仅为 9% 和 3%；模型厂商内部插件使用率高达 95%（OpenAI，2026）。相同模型使用深度相差两个数量级，受制于组织架构与流程，而非技术能力。

5.12 怀疑派的正面反驳：并列呈现，不做调和

上一节认为需求释放是时间问题，本节给出两个反驳证据。本报告并列呈现，不做调和。

宏观上限测算提供首个反驳证据。学者 Acemoglu 指出，只要人工智能表现为任务层面成本节约，宏观后果即受 Hulten 定理约束：总增益等于受影响任务占 GDP 比重乘以平均成本节约。参数如下：约 20% 任务受影响，其中可盈利自动化任务占 23%，乘积为 4.6% 的 GDP 份额；平均劳动成本节约设为 27%，转换后总成本节约 14.4%。结论是十年全要素生产率增益不超过 0.66%，GDP 增益约 0.93% 至 1.16%（Acemoglu，2024）。对照高盛预测的 GDP 增长 7% 与麦肯锡的年均提高 1.5 至 3.4 个百分点，差异显著。

该分析并不否认微观任务效率提升，分歧在于聚合阶段。核心命题是：即便微观数据准确，Hulten 定理也会将宏观增长限制在 1% 以内。反驳该理论需证明 AI 创造了新任务，改变定理适用条件。例如 Anthropic 调查显示，约 27% 的辅助任务属于增量工作，未纳入成本节约计算；也有批评指其遗漏了资本深化与成本内生下降。本报告仅陈述争议。

基于经验数据的持续性分析构成第二个反驳。丹麦一项结合全国雇主雇员数据的研究发现：人工智能先行企业中并未随时间呈现出明显收益趋势，表明其有限影响可能长期维持（Humlum 与 Vestergaard）。这直接挑战了“需求释放需时间累积”的论点：若领先企业都未见时间累积效应，归因于企业改造未完成便缺乏支撑。该研究 2026 年修订版虽承认企业内存在结构性变化与新任务涌现，但强调宏观劳动力市场并未显著改变。

并列呈现两类观点的核心在于投资指导意义不同。若组织滞后理论成立，低覆盖率为周期性，基础设施投资偿还期拉长；若宏观上限与持续性理论成立，当前传导率即为极限，token 消耗量高增但应用层收入脱节，低覆盖率即为结构性困境。第 9 章已将这两种情境映射至不同观测指标。

5.13 本部分结论与四项先行指标

若生产率提升真实存在且受制于组织改造，需求释放则为时间问题。本报告认为，该判断在已突破门槛的任务类别上成立，在未突破的任务上不成立。市场需求将呈台阶状释放。

本报告推导出三层判断。第一，在已突破可靠性门槛的任务类别中，需求释放取决于组织改造耗时。麦肯锡调查的高绩效企业流程重设计、斯坦福案例中处理无形成本的挑战，以及前沿企业显著更高的人均 token 消耗，均支撑此论点。

第二，对于未突破可靠性门槛的任务，需求释放受制于规模约束与 Hulten 定理。Acemoglu 估算的 4.6% 份额取决于任务暴露度与可盈利自动化比例，无法靠企业增加部署扩大。这两层判断针对不同任务集合，逻辑并不矛盾。

第三，由于任务进展不同，市场需求释放呈台阶状。当特定任务类别突破无人值守门槛，将引发企业滞后 1 至 3 年的组织改造，完成后相关支出跃升并稳定。当前市场处于第一级台阶阶段：企业正针对代码编写、标准客服与文档处理重构组织。必须指出，若按丹麦研究的 3% 至 7% 传导率，收益传导受阻时，token 消耗量维持高增，但应用层收入脱节。

为判断需求释放是否开启，本报告确立四项一级先行指标（见 表 5-7）：报告利润受影响的企业占比、严口径智能体生产部署率、按结果计费模式扩散范围、入门级岗位缺口机制变化。这些指标公开透明、不受厂商披露干扰。

资料来源：各机构公开发布数据，快照日期 2026 年 8 月。中国专项指标重点考察结构而非总量，具体理由详见下文段落。

总量数据评估中国市场已失效，中国专项指标需解析调用结构。国内大模型日均调用量两年内增长千倍，2026 年 3 月突破 140 万亿次；但同期公有云模型服务规模仅约 186 亿元。目前流量集中于付费能力较弱的内容生产与问答辅助。需求真正释放的信号应是调用结构向能源、电力、钢铁与金融等核心业务系统转移，这类企业数字化应用深度达 72.5% 与 63.7%，且有充沛现金流。市场价格弹性系数约在 1.2 至 1.8，价格降 10% 带动 12% 至 18% 使用量增长。若直接用调用量线性外推收入，将导致系统性高估。

5.14 两部分的接口：缺口闭合窗口分歧

财务外推模型得出缺口闭合窗口为 2028 至 2030 年，组织改造周期推演为 2030 至 2035 年，两者相差 2 至 5 年。本报告认为：2028 至 2030 年的闭合更有可能通过缩减资本开支实现，而非收入端大增。

恒等式可直接测算收入缺口：将 1.04 万亿美元算力开支代入 5 年寿命与 10% 回报率，年需回收约 2,700 亿美元；若计入电力、运维及下游毛利，终端需覆盖万亿美元收入。芯片架构迭代实为 12 至 18 个月，按 5 年折旧偏于乐观。对照实测的 1,200 亿至 1,600 亿美元终端支出，存在 3 至 10 倍缺口。

缺口闭合需满足三个条件（见图 5-16）。第一，收入增速维持高位，模型层增速需超资本开支增速两倍。该条件受制于资本开支飙升（12 个月内预测上调 78%），高增速易被投资抵消。需同频比对云厂商季度资本开支环比与模型公司确认收入。

第二，产业内循环交易占比下降，但现状相反。谷歌云来自模型公司收入占比将升至 48%，微软来自 OpenAI 协议收入达 241 亿美元；专用性投资推高了企业绑定动机。剥离内部循环后，真实终端需求增速缓慢。需关注模型公司客户集中度及云厂商披露口径。

第三，保持合理价格捕获率，避免价格崩塌。当前价格压力显现：语音场景捕获率仅 2% 至 7%，中国文本接口逼近成本，客服单次解决价腰斩，视频生成成本年降 20% 至 30%。同质化降价将抵消渗透率提升。关键指标是按结果计费标价与续约溢价（如 ServiceNow 高阶溢价 25% 至 45%）。

点击放大

两组时间窗口存在差异：财务外推预计 2028 至 2030 年突破 50% 收入覆盖，而组织改造周期推演的完成期在 2030 至 2035 年。成因有三。其一，测算对象不同。覆盖率改善可来自收入增加或投资缩减；若收入增长滞后，改善动力只能是资本开支缩减。其二，高增长来源结构。当前的高增速依赖早期采用者与模型公司融资，中位企业接棒尚需时日。2028 至 2030 年间将出现需求断层。其三，平滑模型无法捕捉台阶状释放形态，高估了平台调整期的表现。

据此得出核心结论：商业缺口的首次显著收窄，更可能由投资减速引发，而非需求集中释放。 理由如下：第一，需求释放以年计，资本调整仅需数月。第二，瓶颈在买方组织内，降价或模型迭代无法强行缩短周期。第三，影视行业实践证明，即使完成技术替代与改造，模型层捕获价值依然极低。

该判断的证伪条件如下：若 2027 年内四项先行指标有两项达到临界（尤其是利润影响率破 45% 与严口径部署率破 30%），表明改造快于预期，判断失效。反之，若指标停滞且两家云厂商下调开支，判断即获确认。

最先兑现商业价值的四类业务特征为：高频执行、结果可复核、买方现金充沛、按果或量计费。这四类包括：1）代码编程，已孕育十亿美元级公司；2）客服，定价定型；3）企业流程嵌入的多模态应用，如快手素材消耗实测；4）中国本土能源与金融垂直领域，数字化深。同时需回避四类高难领域：视频消费端订阅受制于低转化率，销售智能体客户流失率高，影视制作受版权与工会限制，政务项目受制于地方财政。

本章小结

全球算力资本开支 1.04 万亿美元，对应终端真实支出仅 1,200 亿至 1,600 亿美元，支出覆盖率 10% 至 15%。市场采用广但商业兑现低，智能体规模化使用仍是个位数。生产率传导率仅为 3% 至 7%，将实验数值直乘工资池造成系统性高估。办公智能体尚未普及，影视娱乐证明技术替代完成后厂商捕获价值极低。需求释放瓶颈在于买方组织结构重组，该周期长达 8 至 13 年。

总结判断如下：最终需求存在，但量级远低于预期，且集中于可核算收益的高频场景。我们看多具备任务高频、结果可复核、买方现金充沛的企业端改造，看空基于工资池乘数估值的智能体供给与消费端订阅。在已完成替代的领域，模型厂商捕获价值仅为 1% 至 2%。2028 至 2030 年的缺口收窄更可能由算力投资减速引发，而非需求大规模释放。

在缺口扩大与需求改造周期漫长的背景下，本报告将从第六章切入资金流转与风险演变主线，解析垫资主体与风险结构，并回应循环收入占比问题。

前五章分析产品与收入的流动，本章分析资金的流向。解答资金缺口由谁垫付这个问题，需要引入持股与投资关系的有向图。本章结论是：纯股权层面没有形成循环，相互持股与有向持股环各为零；资金的闭合发生在股权与货物叠加之处，集团口径下有 60 对主体之间既有出资又有供货，另有 46 个由三到五个主体串成的资本与货物闭合。融资结构呈债务化特征，资金在生态内流转，债务在生态外积累。

6.1 资本网络：资金供给主体分析

资本网络显示，人工智能头部生态已形成从科技巨头到研究实验室、算力提供商，再到设备供应商的资本绑定机制。资本关系与供应链关系高度一致。参与者通过股权强化了供应链依赖。

资本网络记录 602 起出资与持股的登记事件，涉及 498 个独立主体。将同一对主体之间的多轮出资合并为一个关系后，网络包含 562 条关系。登记事件按边计数，同一笔出资若由两份文件分别记录会重复计一次，因此评估证据规模用登记起数，分析网络结构与闭环检验用关系条数。核心分析网之外另有全库口径，全库覆盖 504 个主体与 578 条主体对关系，多出的部分是做市商的自营存货、被动二级市场持仓与已经终止的关系，这三类不进入结构分析。此外另建一个债权与项目融资网络，单独记录私人信贷放款、项目债、特殊目的实体股权、承销与信用增级安排，覆盖 27 个主体与 24 条关系，不与股权关系合并统计。这个网络包含 2025 年 10 月至 2026 年 8 月的 4 起合并事件。收购对价与出资额的经济实质不同，在图中作为单独关系呈现^[1]。

资本网络按持股比例加权，不按出资金额加权，原因在披露惯例。一级市场的融资公告给出的是轮次总额与领投名单，单笔出资额通常不披露，除非出资方本身是上市公司、须在定期报告里列出重大股权投资。逐组实算的出资额填充率在 4% 到 16% 之间。由此产生一个方向确定的偏差：从公开信息看到的出资额分布会高估上市机构的份额。控制权与依赖关系的分析应当用比例而不是金额，因此这个限制不影响本章的结论，但它限定了任何按金额排出的出资方榜单的可信度。

按注册地口径统计，境内主体与境外主体之间的持股关系有 46 条，这个数字要拆开看，其中大部分不是资本跨境流动。第一类是境内被投方股东名册里的境外注册持股载体，即设在英属维尔京群岛、开曼群岛、香港与新加坡的持股平台，46 条里的多数属于这一类，MiniMax 一家占 28 条；这些载体的最终控制人多在境内，按注册地记为境外，因此在图上表现为跨境关系。第二类是境外机构投资者对境内标的的财务持股，阿布扎比投资局、瀚亚投资、未来资产证券与 Janchor Partners 对 MiniMax 的持股、软银集团对商汤科技的持股、香港投资管理有限公司对阶跃星辰的持股都属于这一类。第三类是产业方的跨境战略投资，数量只有几条，方向是双向的：英伟达、优步与雷诺日产三菱联盟风投持有文远知行，属境外产业方投向境内；联想集团持有 Nscale、富创精密持有 Compart Systems 64%，属境内产业方投向境外；AMD 持有通富超威合资封测厂 15%，是境外产业方在境内设合资厂。按最终控制人口径衡量，两侧的资本网络仍然近乎各自成网，因此分成两个图呈现。产业层面的跨境风险敞口参见第 2.4 节，跨境供应关系共 83 条，其中断供即停产级 24 条。

图 6-1 是境外部分，两端均在境外的关系有 274 条，涉及 68 个被投方；图 6-2 是境内部分，两端均在境内的关系有 242 条，涉及 41 个被投方。两个图画的是便于阅读的分析子图，全库规模以正文数字为准。两个图的读法相同：按角色分三列，左列是只出资不被投的主体，中列是既出资又被投的主体，右列是只被投的主体；一家公司只出现一个节点，圈内数字是该主体的持股关系数。

图 6-1境外持股关系有向图：钱集中流向少数被投方，股权层没有环

可交互版本：按持股关系类型、生态簇、来源类型筛选，点主体看持股比例与交易金额溯源。静态图与本探索器同底数据。

静态图版本（含口径、数据源与截止日期）

点击放大

点击放大

资本网络的两端都集中，但两端集中的性质不同。被投方一端是资金汇聚：Anthropic 汇入 53 个出资方，MiniMax 50 个，沐曦股份 41 个，壁仞科技 29 个，Lambda 23 个，X.AI Holdings 与国家集成电路产业投资基金三期各 19 个。出资方一端是产业资本的系统性布局：英伟达一家出资 27 家企业，超过第二名软银集团 8 家的三倍，其后是 AMD、MGX 与腾讯各 6 家，布鲁克菲尔德资产管理与微软各 5 家。除这几家之外，412 个出资方里有 338 个只投一家，占 82.0%。财务出资方分散与产业出资方集中这两件事同时成立，读资本网络不能只读被投方一端。

资本网络有 71 个割点。这个读数随网络覆盖范围变化：每查到一个只投一家的出资方，就为被投方增加一条桥并使其成为割点，因此割点数量衡量的是当前可见范围内的通道唯一性，不宜跨版本比较。

除两端集中之外，这个结构还有两个特征。

第一，资本流向与供应链路径高度重合。微软持有 OpenAI 股权并作为其算力供应商，均有原始文件证明。英伟达注资 xAI 同样有正式文件证实，但对应的加速卡供货关系暂未计入供应网络，按情景推断处理^[4]。资本与供应关系一致，说明两个网络的风险因素不独立。

第二，马斯克生态内部发生显著结构重组。图中红色虚线框标示 SpaceX 的伞形控制结构：SpaceX 全资控股 X.AI Holdings Corp，后者 100% 控股 xAI Corp（负责 Grok 与 Colossus 业务）与 X Corp。Anysphere 由 SpaceX 直接控股。SpaceX 节点附带 IPO 标注（Nasdaq: SPCX，2026 年 6 月 12 日上市）。下文用 xAI 体系统称 X.AI Holdings 及其两家子公司。图表包含三种连接边：母子控制关系（深红）、少数股权投资、财团收购关系（青绿虚线）。财团收购指 xAI 参与的 Aligned 财团收购案。财团成员身份不等于控制权，各成员对数据中心容量的使用权按情景推断处理。

分析头部绑定案例需明确数据口径。表 6-1 列出关键资本连接边及五起合并事件的统计依据。

表 6-2 列出资本网络度数排名前 15 的主体。前四位都是被投方，第五位是英伟达，它是唯一进入前列的纯出资方。国家集成电路产业投资基金三期同时出现在两端，它汇入 19 个出资方并向 4 个主体出资，是境内资金的中转层。

▲ 标记该主体属 SpaceX 旗下。该集团在资本网络的总度数为 28。表内为当前生效的关系，已终止的持股不计入。

图 6-3 对比各集团在两个网络中的度数名次。

点击放大

英伟达在供应网络排第 1，在资本网络排第 6，两个网络都居前列。Anthropic 的位置相反，它在资本网络排第 1，在供应网络排第 8，融资能力领先于产业连接。OpenAI 体系在供应网络排第 3，在资本网络排第 18，产业链地位高于资本网络地位。MiniMax 体系在资本网络排第 2，在供应网络排第 24，与 Anthropic 同型。

资本名次远高于产业名次的集团有一批，多数是尚未形成供货规模的模型与芯片创业企业，它们的背离会随业务展开自行收敛。马斯克体系不属于这一类。它在资本网络排第 5，在供应网络排第 69，这种背离没有通过业务增长弥合，而是通过并购内部化。并购后，原投资方的少数股权转换为上市主体股票。SpaceX 依靠星链业务收入支撑 xAI 的资金消耗。合并后，风险从 xAI 的独立融资能力上移至 SPCX 整体股价。随着 Cursor 收入计入，该体系的产业排名上升^[2]。

中国节点的资本与供应关系叠加呈四种组织形态^[3]。

第一，双向绑定。阿里巴巴与 MiniMax 同时确立三重关系：阿里持股 13.66%、阿里云提供算力、MiniMax 向阿里云销售接口服务。同型的还有中国移动与科大讯飞、中微公司与拓荆科技、郑州宇通与文远知行，双方互为供货方与被投方。

第二，供应商融资。华为与中国电信投资面壁智能并提供算力，中芯国际持有灿芯半导体并为其代工。资本与供应连接一一对应。

第三，客户投资供应商。腾讯投资智谱，但智谱算力依赖华为，腾讯在模型层扮演财务投资人与分发渠道角色。同型的还有中科曙光对海光信息、兆易创新对长鑫存储、上海源庐加佳对沐曦股份。

第四，两头在外。字节跳动在外部模型层零投资，算力依赖英伟达与华为。字节跳动对跨链断供风险最敏感。

以上四种按绑定方式分类。若改按持股比例与依赖量级的关系分类，会看到另一件事：股权比例系统性低估实际经济依赖，只看持股比例会看漏控制关系。四种错配各有一个可查的样本。供应商入股客户，中芯控股持有灿芯半导体 18.98% 的股权，而灿芯 86.62% 的采购来自中芯国际。客户入股供应商，中科曙光持有海光信息 27.96% 的股权，承接海光 56.68% 的销售，2025 年金额为 81.49 亿元。买方出资换取产能优先级，兆易创新累计出资 23 亿元取得长鑫存储 1.88% 的财务性少数股权，而它向长鑫的采购占自身采购总额的 16.38%，公告写明长鑫为其利基型存储业务开放部分产能。拿股权换订单，沐曦股份的直接客户以经销商与系统集成商为主，其中三家同时是股东。四例的共同点是股权比例远低于依赖强度。出资方向、货流方向与量级三者的组合决定了谁在控制谁，因此评估依赖必须同时读两个网络。

综上，本节得出两个判断。第一，中国市场的云厂商与模型企业存在互锁循环，且已落到具名案例。按出资方集团含境内主体的口径计，中国一侧的叠加有 17 对，其中客户入股供应商型 8 对、双向绑定 5 对、供应商融资型 4 对；按只数头部科技集团的窄口径计为 9 对。第二，中国模型企业的融资与算力已形成制度化绑定，融资来源不再由科技巨头独占，绑定关系落实到法律文件层面。

6.2 资金循环检验：股权层未见环路，跨网叠加层证实 60 对循环

纯股权层没有形成闭环：企业相互持股 0 例，有向持股环 0 个。资金的闭合出现在另外两个层面：集团口径下有 60 对主体之间既有出资又有供货，另有 46 个由三到五个主体串成的资本与货物闭合。

股权层的检验结论是两个零。在 562 条关系及并购形成的控制关系中，公司之间相互持股与有向持股环均为 0。这个结论的分量来自它的检验范围：资本网络的主体数与关系数各扩大到三倍半之后独立复算，两个零都没有被打破；把检验范围放宽到含做市存货、被动二级持仓与已终止关系的 578 条主体对，结果同样是零。因此，媒体报道的循环持股在股权结构里找不到对应物。这不是样本太小看不到环，而是在一个大得多的样本上仍然没有环。表 6-3 说明该结论的边界。

跨网叠加层有 60 对循环结构，分为三种模式。客户入股供应商型 26 对，出资方从被投方采购；供应商融资型 22 对，出资方向被投方供货，被投方用出资购买出资方的产品；双向绑定 12 对，双方互为供货方与被投方。统计口径为集团，同一集团内的出资主体、母公司与云子公司视为一个主体，理由是出资决策与采购决策由同一个集团作出。按单一法人主体统计则为 52 对，差额来自资本网络按出资主体建节点而供应网络按经营主体建节点，两个口径不可混用^[5]。英伟达一家占 60 对中的 22 对，其中 13 对是它出资供客户购买自身产品，5 对是它入股自己的供应商，4 对是双向绑定。

资料来源：本报告资本网络与供应网络的叠加计算。持股比例仅列已公开披露者，未披露一律留空，不估算。英伟达一家占 22 对，为便于阅读在表中按模式合并列示。腾讯持燧原 19.95% 为登记值，业界常引用的 20.26% 是含一致行动人的合计口径；燧原对腾讯的销售占比 83.79% 是含 AVAP 的合计口径，直接销售口径为 74.90%。阿里持月之暗面 36% 是 2024 年 3 月的基准日读数，其后轮次可能已稀释。

这 22 对以及其余叠加关系的性质，取决于出资方拿到的是什么证券。产业出资方在人工智能标的上系统性取得无表决权证券。无表决权优先股指一类享有分红与清算顺位、不享有股东会投票权的股份。英伟达持有 Nscale 的是 C-3 与 C-4 两个类别的全部股份，合计 5.99% 的经济权益与零表决权；亚马逊持有 Anthropic 的 80 亿美元可转债与 100 亿美元优先股同样没有表决权；Anthropic 的 G 轮与 H 轮在文件原文里即为无表决权优先股。

这个安排要求把资金循环的两种风险分开评估。第一种是冲击沿投资端与收入端同时传导，出资方既承担被投方的经营风险，又承担自身的收入风险，这一种不因有无表决权而改变。第二种是出资方能否借持股影响被投方的采购决策，这一种取决于治理安排，在无表决权的持股上不成立。分开评估比笼统称之为资本联盟更接近事实：出资方主动放弃表决权仍然出资，说明它要的是经济敞口与商业绑定，不是控制权。判断被投方的收入质量时，应当核查采购承诺的合同条款，而不是持股比例。

资金的闭合还有第三种结构，它既不是相互持股，也不是同一对主体之间既出资又供货，而是资本与货物在三到五个主体上闭合。英伟达向 IREN 授予最多 3,000 万股认股权，行权价每股 70.00 美元，按英伟达向 IREN 交付的加速卡数量分批归属，授予日公允价值约 7.934 亿美元，这笔金额被 IREN 资本化计入所购加速卡的成本。认股权证指一份在约定期限内按约定价格认购股份的权利，行权前不构成现时持股。这一例把结构讲得最清楚：该股权安排在会计上就是供应合同的对价，资本关系与供应关系是同一份合同的两面。

三个主体以上的闭合样本可以直接读出资金的路径。中际旭创向英伟达供应光模块，英伟达出资 Lumentum，Lumentum 向中际旭创供应光器件；把 Lumentum 换成 Coherent 是同一形态的第二例，而英伟达在 2026 年 3 月 2 日认购 Coherent 20 亿美元。第三例经过四个主体：英特尔向 CoreWeave 供货，CoreWeave 向 OpenAI 供算力，软银集团出资 OpenAI，软银集团又出资英特尔。在股权有向图上找不到这样的环，因为环上有一段是货物流动。

这类闭合的筛选标准需要写明。在资本关系与供应关系的并图上枚举长度 3 到 5 的有向环，要求环上的资本关系在核心分析网内且未终止、供应关系为断供即停产级或高依赖级且未切断，符合条件的有 46 个，其中每条资本关系都有持股比例或出资额的 26 个。环的条数本身不是发现。环的数量随长度快速增长，云服务商与加速卡供应商这类高连接主体会出现在大量环里，一条经过它们的路径不等于一个有经济含义的资金循环。因此本报告只报经过筛选的闭合，并优先给出枢纽主体不超过一个的样本，上述三例都属于这一类。

循环机制将分散风险转化为相乘风险。以微软与 OpenAI 为例，收入确认口径的调整将同时改变微软收入、OpenAI 成本与估值。阿里巴巴与 MiniMax 案例中，企业毛利率与股价同步反应。供应商融资循环中，被投企业的采购能力依赖出资方注资。这 60 对结构与 46 个多主体闭合构成了估值与杠杆链条的具体载体。

准闭环为识别 CoreWeave 模式提供模板。其扩张依赖生态支持与债务预先租赁，供给、资本与需求均依附于同一生态。

2026 年合并浪潮推动绑定形态升级：第一，供应商融资准闭环进入公开市场，芯片商对马斯克体系的敞口转换为上市股票；第二，绑定从一对一演进为财团级别，如 Aligned 收购案。

合并浪潮将头部生态分化为三类，见 表 6-5。

本报告预判，韧性排序为谷歌、马斯克，最后是微软与 OpenAI。谷歌无需支付算力溢价；马斯克体系通过 IPO 降低资本成本；微软与 OpenAI 结构最脆弱，面临复杂谈判。一体化改变了风险形态，马斯克体系将项目风险转化为系统风险。

理论分析表明，循环交易是链条式生产的均衡组织形态^[8]。其一是链条可靠性逻辑，其二是绑定动机逻辑。专用性投资（如定制算力设施）加剧敲竹杠风险，促使企业股权绑定。叠加对数与多主体闭合的数量都在增加，风险监测应重点跟踪新增绑定。

绑定关系将沿着最关键且难以契约化的环节发生。预测未来三年新增绑定环节包括能源资产股权化、HBM 预付款参股，以及 Anthropic 的战略选边。由此得出风险筛选规则：绑定关系清单既是核心租金名单，也是潜在并购预测名单。

6.3 融资结构债务化：私人信贷规模达 2,000 亿美元

AI 融资来源正从科技巨头现金流转向债务与私人信贷。单笔贷款金额变大，但风险补偿未变，说明风险定价滞后。

国际清算银行数据显示^[6]：AI 私人信贷余额超 2,000 亿美元，单笔贷款均值 1.69 亿美元，条款却与其他行业相近（图 6-4）。私人信贷不逐日盯市，估值滞后在下行期会放大风险。

点击放大

债权与项目融资网络覆盖 27 个主体与 24 条关系，关系类型有 9 类：特殊目的实体股权、项目债、私人信贷放款、安排行、基金管理、承销、资产证券化结构顾问、信用增级及其受益方。承销指投资银行按约定条件包销或代销一笔证券发行，并负责定价与分销。资产证券化指把未来可预期的现金流打包成可交易证券出售给投资者。摩根大通是该网络出度最高的主体，出度为 5，同时是割点：它任 Hut 8 的 42.5 亿美元票据与 CoreWeave 52.5 亿美元组合发行的主承销商，又出现在 Switch 的首次公开发行承销团里。花旗集团与巴克莱任 Switch 资产证券化的联席结构顾问，该笔发行规模 7.68 亿美元；美国银行、花旗集团、高盛、摩根大通与摩根士丹利五家同为 Switch 首次公开发行的承销团成员。这个位置来自承销与放贷的中介角色，不是持股，因此不与资本网络的中心性并列比较。

银行在这条链上的位置是承销与债权，不是产品买卖。算力资产的建设资金主要由项目债、私人信贷与资产证券化提供，银行以主承销商、结构顾问与贷款人的身份进入，收益来自费用与利息，风险敞口对应发行人的再融资能力而不是模型能力。识别机会与风险都应当从这个位置出发。

有一类关系三个网络都装不下，需要单列说明。信用增级指第三方为债务人的付款义务提供担保或背书，使该笔义务获得更高的信用等级。谷歌为 Fluidstack 承租 TeraWulf 546 兆瓦容量的租约付款义务提供信用背书，对价是 TeraWulf 的 7,358 万股认股权证，行权价每股 0.01 美元，发行时公允价值 5.155 亿美元，2025 年末权证负债 8.447 亿美元。谷歌不在这份租约的任何一端，却同时握有对承租方的付款支持义务与对出租方的股权敞口。这种安排既不是供货，也不是持股，也不是放款，但它把三方的偿付能力接在一起，评估任一方的信用时都不能略过另外两方。

融资结构债务化还带来一条更快的传导渠道，即股权质押。股权质押指股东把持有的股票抵押给金融机构换取融资，股价跌到约定水平时，股东必须补充抵押品或被动减持。软银集团持有 Arm 86% 的股份，其中 72.0% 已经质押（2026 年 5 月 21 日）；埃隆·马斯克所持特斯拉股份中有 7.10% 已质押（2025 年 9 月 15 日）。Arm 的估值下跌不只减记软银的资产，还会直接触发补仓义务；软银集团同时是 OpenAI 的主要出资方之一，补仓压力会压缩它对 OpenAI 的后续出资能力。这条通路把估值链与偿付链接在一起，且它的时滞以交易日计，不以财报季计。因此，评估以估值为抵押的融资安排时，应当同时查主要股东的质押比例，把它与现金流覆盖率并列。

资金缺口最终由垫资主体的资产负债表消化。科技巨头用利润表消化缺口；算力提供商与独立实验室则依靠债务。资金在生态内流转，债务在生态外积累。

这种债务化对金融机构有间接风险。交易对手及理财产品底层资产可能间接接入隐性风险池。资产配置需执行穿透审查。

伴随 SpaceX 上市，融资模式进入公开市场阶段。风险核心从估值不透明转向估值高波动。股票承载多重业务叙事，成为私有资产估值锚点。风险敞口应统一纳入监测。

6.4 头部公司资金表：资本开支挤压下的分化

24 家样本公司数据显示，企业资产负债表分化为两种形态：科技巨头经营现金流能覆盖资本开支，而算力提供商与独立实验室依赖外部输血。这是投资机构筛选交易对手的分水岭。

自 2023 年起，资本开支强度急剧上升^[7]。微软、谷歌、亚马逊与 Meta 的经营现金流大于资本开支；而 CoreWeave 等提供商与实验室经营现金流为负或小于开支，依赖股权与债务融资。

点击放大

资金流向图仅收录披露具体金额的连接（图 6-5），分为分笔股权出资与全股票收购对价。图表左侧为资金造血方，右侧为资金输血对象，中间管道是股权网络与私人信贷渠道。

风控判断的明确标准是：经营现金流自证能力是区分主体类别的首要分水岭。依赖输血的主体，其信用逻辑等同于再融资通道必须畅通。但被投端集中、资金循环与定价滞后表明，该通道韧性不足。

本章小结

本章总结四个判断。第一，资本网络两端都集中，被投方一端汇聚资金，出资方一端由少数产业资本系统性布局，其余出资方绝大多数只投一家。第二，纯股权层没有环路，资金的闭合出现在跨网叠加的 60 对结构与 46 个多主体闭合上；产业出资方取得的是经济敞口而不是控制权。第三，融资结构债务化，私人信贷突破 2,000 亿美元且风险定价滞后，股权质押把估值冲击直接转成现金流冲击。第四，资产负债表分化，经营现金流成为核心分水岭。资金在生态内部流转、债务在生态外部积累。合并将背离现象内部化，但风险在循环结构中相乘。这种绑定机制将持续扩散。

7.0 风险的因果网络

第 6 章已阐明，资金在头部生态内部循环，外部债务填补缺口。本章分析风险敞口的影响顺序与因果关系。三类触发事件（资本开支减速、技术换代、收益不及预期）沿着四个方向（项目现金流与押品链、估值与杠杆链、偿付能力链、共同依赖链）扩大影响。风险兑现存在先后顺序：无锁单的算力中间层最先承压，私人信贷渠道紧随其后，巨头资产负债表最后受冲击。

如图 图 7-1 所示，触发事件无需以 AI 技术失败为前提。巨头下修指引即可引发资本开支减速。技术换代以 12 至 18 个月一代推进（世界经济论坛，2026 年 5 月，第三方预测），是一项确定事件。目前企业 AI 采用率达 88%，但 Agent 规模化使用占比仅为个位数（斯坦福 HAI《2026 年 AI 指数报告》，组织自报调查），收益不及预期风险已显现。四条传导链各具放大机制：项目链依赖再融资，估值链受制于私人信贷估值滞后，偿付链源于转型速度差，依赖链受制于无冗余网络结构（见第 2.2 节：网络有 30 个割点，585 个关系对中 55 条为桥，占 9.4%）。四种放大机制共用一个前提：市场高集中度导致少数企业遭受的冲击无法被稀释，直接转化为行业波动。四条链之间还有一条直接连接：主要股东的股权质押把估值链的冲击直接送进偿付链，绕开经营层面（见第 7.2 节）。

2026 年的合并与上市事件为该网络增加了一个公开市场节点。SPCX 股价成为马斯克体系内发射、星链和 AI 三块业务资本开支的共同资金上游，SpaceX 构成资本网络的一个割点（见第 6 章）。

点击放大

风险兑现顺序由三个资产负债表事实决定。第一，巨头经营现金流能覆盖其资本开支（见第 6.4 节财务面板），其利润表率先消化冲击，兑现时间最靠后。第二，AI 私人信贷余额超 2000 亿美元（国际清算银行《Financing the AI boom》，2026 年 1 月），因不实行逐日定价，资产重估影响滞后，兑现时间居中。第三，无锁单且无自有场景的算力中间层同时面临债务扩张、技术折旧和客户集中劣势。触发事件直接冲击此类企业现金流，兑现时间最靠前。CoreWeave 型结构是该层典型，其供应依赖芯片厂商，扩张依靠债务和预租，供应商同时也是注资人。^[1]

2026 年，电力成本成为该网络的核心变量，构成美国 AI 商业化的额外负担（图 图 7-2）。PJM 容量拍卖价格两年内上涨约 8 倍并出现历史首例连续采购不足；重型燃机价格较 2019 年上涨近 2 倍。价格向下游传导，推高数据中心度电成本和自备电源开支，部分抵消了推理单位成本的下降。Token 定价难以下降推迟了应用层的商业化兑现，挑战着 7000 亿美元资本开支的回收。若 2027 年 PJM 或 ERCOT 再次出现缺口且核电重启延期，美国推理成本将上升。相反，中国电价下行叠加国产芯片能效提升，推理成本下降。中国 AI 应用的盈亏平衡点将先于美国到来。

点击放大

市场对同一组事实存在分歧（见表 表 7-1）。怀疑派指出 AI 对生产率提升有限，质疑巨额资本开支对应的需求规模，并测算潜在收入缺口约 6000 亿美元。乐观派则强调 88% 的组织已部署 AI，巨头云业务收入占比攀升（见第 4.4 节），且私人信贷条款未恶化。分歧在于商业化兑现速度。各方策略必须在两种情景下均保持有效，第 8.1 节的分层框架正是基于两种速度情景设计。

注：怀疑派论点属于外部观点，已标注出处，本报告不将其作为既定事实引用。

7.1 项目现金流与押品链：无锁单的裸算力两端受损

算力与数据中心风险构成自我强化的链条。建设延期拖累预租率，利用率不足压低单价，产生现金流缺口，迫使企业依赖再融资，最终技术换代降低资产残值。每一个环节都会加速下一环节恶化（图 图 7-3）。如图 图 3-4 所示，任何一环落后，其余环节的资本开支都会转化为无效存货。

点击放大

传导链对应贷后监控的七个指标：建设进度、并网与长期电力合同、用水与冷却、预租率与前五大租户占比、算力利用率与单价、设备分层折旧与残值、现金流覆盖与再融资缺口。^[2] 其中，预租率（投产前已签租约容量占比）与前五大租户占比最先暴露风险。单一租户退出即可破坏现金流模型。

美元区项目中，最长的时滞出现在电力端。并网排队超 8 年，重型燃机 2028 年前交付售罄，核电重启需至 2027 到 2028 年。本报告判断：缺乏具名电力合同或直连协议的项目，建设延期是基准假设。芯片短缺出清需 1 至 2 年，电力短缺则长达 3 至 8 年，市场无法靠短暂等待化解延期风险（表 表 7-2）。

注：GE Vernova 管理层同时提示，燃机并非唯一瓶颈。工程总承包、许可审批与燃气供应均构成约 3 年周期的约束条件。数据来源见附录 A3。

电力端引发两类新风险敞口。第一类是交易对手集中风险。美国核电与长期购电买方集中于四大巨头。任一买家下修资本开支，将切断电站现金流，因此能源信用分析必须穿透评估买方资本开支。第二类是资产搁浅。若 AI 需求下修，未来集中交付的燃机及反应堆（或国内低上架率智算中心的配套电源）将受损。此外，中国产业链的电力风险源于结构性约束。新建数据中心面临严苛的绿电占比与能耗指标限制，授信审查必须评估合规路径。

押品端按资产专用性分为四档：通用设备回收率最高，节点专用设备次之，客户专用 ASIC 再次之，受站址及许可约束的工程回收率最低。实际回收还需扣除各项成本。当前缺乏真实的回收率数据，仅能提供相对次序（见附录 A1）。图 图 7-4 显示，架构更新快于折旧年限，代际末尾购入的算力资产账面价值高估是系统性问题。如果贷款期限超过资产实际经济寿命，第一还款来源必须与资产残值脱钩。

点击放大

银行在这条链上的敞口形态是承销与债权，不是股权。承销指银行为发行人组织证券发行并向投资者分销，收取费用而不长期持有这笔债务。本报告的债权与项目融资网络覆盖 27 个主体与 24 条关系，关系分九类，除项目债、私人信贷放款与特殊目的实体权益之外，还包括承销、资产证券化结构顾问与信用增级。摩根大通在 Hut 8 的 42.5 亿美元票据与 CoreWeave 的 52.5 亿美元组合发行中担任主承销商，花旗与巴克莱担任 Switch 资产证券化（7.68 亿美元）的联席结构顾问，美国银行、花旗、高盛、摩根大通与摩根士丹利同为 Switch 首次公开发行的承销团成员。摩根大通是这个网络里出度最高的主体，也是割点，它一家连着 Hut 8、CoreWeave 与 Switch。这个位置来自承销与放贷的中介角色，不来自持股，因此不与股权网络的中心度并列比较。

信用增级把项目的信用锚点从借款人移到第三方，只看借款人报表的审查看不到它。信用增级指第三方为债务人的付款义务提供担保或背书，使这笔义务取得高于债务人自身的信用等级。谷歌为 Fluidstack 承租 TeraWulf 546 兆瓦设施的租约付款义务提供背书，对价是 TeraWulf 的 7358 万股认股权证，行权价 0.01 美元，发行时公允价值 5.155 亿美元，2025 年末权证负债 8.447 亿美元。年报写明背书在起租之后生效，触发条件限于承租方付款违约或资不抵债，因工期延误而终止租约不触发。授信审查因此要问三件事：背书是否已经生效，触发条件覆盖哪几种违约，背书方自身的资本开支计划是否稳定。谷歌不在租约的任何一端，却同时握有对承租方的付款约束力与对出租方的股权敞口。

缺乏信用租户锁单的裸算力项目，在现金流与残值两端均面临风险，应予以压缩与回避（对应图 图 8-2 的左下格）。无法明确长期电力合同、预租租户及折旧年限匹配的项目，属于无锚项目。

7.2 估值与杠杆链：估值滞后本身是放大器

收益预期落空引发资产重估，暴露循环融资、关联融资及表外承诺，风险沿着私人信贷与交易对手网络扩散。这一链条依赖三个具体载体（图 图 7-5，详见表 表 6-4）。

点击放大

第一个载体是股权与收入同向的循环，按集团口径共 60 对，英伟达一家占 22 对，其中 13 对是它出资给客户去采购自身产品。风险最大的三组为：微软与 OpenAI 的股份、托管及 IP 授权三线互锁；阿里巴巴与 MiniMax 的股份及服务互购；软银与 OpenAI 的股权及服务绑定。其余多为供应商融资型循环（如英伟达与 Together AI），把传导链延伸至芯片厂商与运营商。这种循环使冲击呈相乘放大效应。若收入确认或计费机制改变，股东的投资端与收入端将同时受损。要区分的是，产业出资方在这些循环里多以无表决权证券持股，它承担被投方的经营风险与自身的收入风险，却不能借持股左右被投方的采购决策，因此判断收入质量要核查采购承诺的合同条款，不看持股比例。

第二个载体是 SPCX 单一股票风险。xAI 的融资网络超前于其实际业务网络。2026 年 SpaceX 并购 xAI 并上市，使出资人私有股权转为上市股票，风险承受方扩大至公开市场。xAI 的资金消耗转由星链业务收入支撑，单点风险上移至 SPCX 股价波动。^[3]

第三个载体是英伟达。它的 25 条上游供应关系中有 9 条属于断供即停产级别，覆盖晶圆代工、高带宽内存、光模块与液冷电源四类投入，任一中断都会传导至它的全部下游客户。

三个载体之外，还有一条把估值冲击直接转成现金流冲击的通路：主要股东的股权质押。股权质押指股东把持有的股票抵押给金融机构换取融资；股价跌到约定水平时，股东必须补充质押品，补不上就被动减持。软银集团持有 Arm 的 86% 股份，其中相当于 Arm 全部股权 72.0% 的部分已经质押（2026 年 5 月 21 日）；马斯克质押的特斯拉股份为 2.36 亿股，占公司总股本的 7.10%，相当于他受益持股的三分之一（2025 年 9 月 15 日）。这条通路接在估值链的资产重估与偿付链的出资能力之间，跳过了收入与利润这一段。Arm 的估值下跌不只减记软银的资产端，还会触发补仓义务；软银同时是 OpenAI 的主要出资方之一，补仓压力压缩它对 OpenAI 的后续出资能力，缺口要么由别的出资方补上，要么由 OpenAI 放慢支出。质押补仓以交易日计，经营层面的传导以财报季计，因此在四条链之中这条通路兑现最快。第 6 章给出这个机制在资本网络里的位置，本章取它的监测含义：评估以估值为抵押的融资安排时，要同时查主要股东的质押比例，把它与现金流覆盖率并列为观察项。

若头部 AI 公司收入增速连续低于资本开支增速，资产重估将启动。私有资产不实行逐日定价，这种滞后性使风险集中爆发。SPCX 上市将私有估值与公开市场对接，缩短了滞后期。公开市场定价成为私有资产基准，若 SPCX 股价回撤，行业整体定价与上市窗口将同步收缩。机构需监控 SPCX 回撤幅度、星链现金流覆盖率、主要股东的股权质押比例及头部企业上市进度。金融机构排查敞口分为三层：直接授信、私人信贷交易对手敞口、代销与资管产品底层敞口。

7.3 偿付能力链与共同依赖链：一个慢变量，一个盲区

偿付链属于慢变量。应用普及不均改变了现金流分布，转型缓慢的企业与被替代的个人偿付能力将承压。 该风险兑现靠后，主要改变风险名单与期限结构。机构需将客户的 AI 改造进度转化为量化授信指标，并监控五个先行指标：高自动化职业暴露比例、行业收入与工资变化、消费信贷滚动率、中小企业现金流及转型融资效果（图 图 7-6）。广东制造业的 AI 改造进度即构成对冲机制（见第 8.4 节）。

点击放大

共同依赖链属于盲区。 前三大云服务商覆盖超 80% 的受访金融机构，但仅 18% 的监管机构收集第三方依赖数据（图 图 7-7）。企业共用云服务、开源组件等带来关联性风险，AI 应用加剧了这一点，单点服务中断将导致多家客户业务停摆。

点击放大

供应网络包含 30 个割点，585 个关系对中 55 条为桥结构，占 9.4%。冗余的分布极不均匀：中间三层的云、模型与应用连接稠密，最大稠密子群含 37 家企业并横跨中美两侧；两端的能源层、数据中心硬件层与最终需求层平均连接数只有 1.7 到 3.0，接近线性链条。在稠密子群之外，压力测试应直接假设割点中断等同于链条断裂。机构应将 30 个割点企业作为压力测试的参考名单，并优先测算英伟达，移除它会让 11 家中下游主体失去全部关键上游通路，并列第二的亚马逊云与国家电网各为 4 家。^[4] 依赖登记能力也可转化为第三方韧性服务产品。

目前可识别出三条最危险的传导路径（图 图 7-8）： 第一条，硬件干线级联效应。风险从台积电经由英伟达、AMD 和博通传导至下游。先进制程缺乏备选，单点故障等同于全链断供。 第二条，电力慢变量效应。风险从美国电力入口传导至商业化时间表，抬升成本并限制规模，改变资本开支回收模型。Meta 是观测该路径的关键节点。 第三条，政策触发路径。风险从中芯国际经由华为等企业传导至运营商集采。若制裁升级，国产芯片供给放量将冻结，整机层现金流断档。

点击放大

压力测试需遵循两项原则。第一，供应网络与资本网络情景必须合并测试。股权绑定导致供给中断与押品重估同步发生。第二，覆盖双向传导规律：供给端问题向下游传导（涨价与断供），需求端问题向上游传导（订单取消）。

跨境断供敞口是中国市场特有的风险。这里数的是断供即停产级的供应关系，不是全部跨境关系：前者共 24 条且全部仍在存续，后者共 83 条。24 条里境外至境内 15 条，境内至境外 9 条。境外至境内的 15 条中，英伟达向境内主体供应加速卡占 6 条（深度求索、浪潮信息、联想集团、利通电子、商汤科技、英博数科），指向中芯国际的前道设备占 4 条，其余是台积电向壁仞科技的代工、博通向新易盛与锐捷网络的芯片、Coherent 向中际旭创的光芯片、三星电子向昆仑芯的代工与封装。境内至境外的 9 条使敞口双向：光模块、液冷部件与封测服务一旦受阻，受损的是境外买方。^[5] 排查中国 AI 主体风险时，必须评估其关键设备可采购集合在政策收紧后的剩余选项。

7.4 三情景与监测仪表：明确站队，给出翻转条件

延续扩张的基准情景概率最高，但参与者策略必须能抵御降温与信用事件冲击。 表 表 7-3 为第 8 章行动提供触发接口。

注：三类情景的骨架对应一棵结构情景树，图 图 7-9 呈现了完整形态。极端但可能情景属于央行金融稳定报告的规范用语。触发阈值的具体数值需要前瞻性校准，当前处于待校准状态，表内提供的是方向性触发逻辑。

点击放大

三情景之中，有一条翻转条件已经部分兑现，这里给出明确结论。第 9 章为单点故障集中在英伟达这一判断设定的失效条件是替代通路建成。本轮移除英伟达的影响面由 15 家降到 11 家，掉出的四家分别是 OpenAI 以及经由 OpenAI 才与英伟达相连的 Klarna、Zendesk 与摩根大通；原因不是它们退出网络，而是 OpenAI 的关键上游由英伟达一家增加到英伟达与 AMD 两家，替代通路真实建成，下游三家随之取得第二条通路。本报告的结论是：三情景的框架与概率排序不变，基准情景仍然最有可能，但租金失效不再是一个待观察的假设，它已经是一个正在发生的过程。 英伟达的单点地位没有被推翻，它的影响面是 11 家，并列第二的亚马逊云与国家电网各为 4 家。改变的是租金失效这一组先行指标的读法：此前把 AMD 在头部买家训练集群中的份额当作尚未发生的触发条件，现在应当把它当作已经发生的起点，继续观察的是替代通路的扩散速度，即它停在 OpenAI 一家，还是沿头部买家名单继续铺开。若影响面在一年之内继续下降，且掉出者不再集中于同一条下游路径，降温情景中上游订单能见度下降一项的概率应当上调。

本报告以互联网泡沫时期为历史类比：技术采用真实但早期收入微薄，基础设施投资的失误在于节奏。未能熬过低谷的企业倒在再融资环节。本轮 AI 周期的不同之处在于，融资主体转为私营算力商与私人信贷机构，导致资产定价不透明，风险出清滞后。这正是必须严肃对待极端情景的原因。

风险监测体系最终落实为一个可执行的仪表盘，详见表 表 7-4。机构应当按月或按季度记录七组先行指标。如果任何指标连续两个观察期出现恶化，就要对照表 表 7-3 检查是否触发情景切换。

注：主体级数据必须由使用者按照自身口径补齐。

本章小结

本章提出四项判断：第一，AI 金融风险是因果网络。三类触发事件沿四个方向扩大影响。风险兑现按顺序波及无锁单算力中间层、私人信贷渠道、巨头资产负债表。第二，项目链最长时滞在电力端。无具名电力合同项目面临建设延期。若贷款期限超资产寿命，还款来源须与残值脱钩。第三，估值链依赖三个具体载体，估值滞后放大风险，SPCX 上市加快了传导，主要股东的股权质押把估值冲击直接送进偿付链。第四，偿付链是慢变量，共同依赖链是盲区，机构高度依赖少数云服务商却缺乏监管数据。

风险不改变控制点集中于上游的判断，但改变了进场策略（详见第 8 章）。单点故障集中于英伟达这一判断的失效条件已经部分兑现：移除英伟达的影响面由 15 家降到 11 家，替代通路在 OpenAI 一家上真实建成。三情景的框架不变，租金失效由待观察的假设转为正在发生的过程。

前七章得出七个结论：控制点集中在上游资格供应者手中，产能缺口源于同步兑现而非芯片总量，价值从模型迁移至工作流，最终需求存在但量级比市场叙事小一个数量级，资金在产业内部循环而债务在外部积累，风险首先在无锁单的算力中间层爆发。本章基于参与者身份分类探讨应对策略。投资者与创业者关注市场地位稳定性，产业与金融从业者分析绑定关系及还款来源，政策制定者防范瓶颈与单点故障，研究者寻找未解问题。图 8-1 显示四类参与者与全书判断的对应关系。

点击放大

本章先确立通用分析基础，再分四节探讨各方应对措施。全书结构性发现提炼为两个核心问题：特定环节现金流能否独立验证；需求下调时，资产是否具备保值能力。

8.1 共用的判断底座：两轴分层与机会的成立条件

评估特定环节进入价值，不必预先判定行业是否处于泡沫阶段。本报告以现金流可验证性与资产通用性为两轴分层，提供四分类判断框架，适用所有参与者。 现金流可验证性指第三方能独立核查主体收入，即有具名客户、可执行合同与确认回款。资产通用性指核心资产原定用途失效后能转售或迁移的程度。横轴对应第 6.4 节现金流分化：巨头经营现金流能覆盖资本开支，输血型主体依赖融资；纵轴对应第 7.1 节回收能力分层。横轴反映租金分布状态，支持类企业占据高进入壁垒环节，压缩类企业处于可替代环节。完整映射关系见 表 A-5，矩阵全貌见 图 8-2。

点击放大

支持类（两轴皆高）包含三个方向。第一是上游资格供应者的供应链。具体落点并非核心三角（英伟达、台积电与高带宽存储），而是可服务的外围环节：光模块、液冷、电源、结构件与电子制造服务的中国产能。这些订单得到核心三角背书，质量高、验证成本低，统称上游外围供应链。第二是运营商集采链的中标供应商。中国移动入度 28 居全网之首，英伟达 25，中国电信 16。两大运营商的直接供应商共 35 家，覆盖服务器、交换机、温控与电力四类采购。确权应收账款结构天然适配集采回款节奏。第三是具备信用锁单的数据中心及配套设施。电力、冷却与公用工程属于上游度最高且供应最集中的环节，成立条件是预租、并网与电价合同必须前置。

能源基建不再是数据中心配套设施，而是现金流最易验证的独立资产类别。 升格后衍生出三个子类。一是具备信用锁单的能源资产。美元区 20 年期核电购电协议与国内西部绿电直连项目表现优异。二是电力设备出海链。美国电力短缺转化为中国企业的出口订单。 这一子类应单列为脱钩受益类别。它们依赖强度低、免于管制且具竞争力，构成中美两链间稳定渠道。脱钩越深订单越多，是两链敞口的天然对冲工具。三是绿电资产确权与交易。绿证、长期购电协议及算力与绿电的捆绑交易正生成具备质押价值的现金流。能源层供给侧关系集中度 1211，前三家占 47.1%，属寡头未垄断（见 图 8-3 与 表 2-6）。能源环节已成为新上游控制点，窗口依然敞开。

点击放大

维持类（现金流可验证但资产通用性低）包含巨头生态链企业与独立软件开发商。其现金流依托巨头订单与分成机制，但也受制于此。一旦分成规则变更，信用质量将受冲击。正确策略是保持短期限、紧跟合同执行，避免盲目加仓。

压缩类（现金流不可验证）涵盖缺乏锁单的裸算力供应商、纯模型概念公司，以及将政府规划等同于实际订单的项目。政府目标不等于验收的付费需求。针对封装测试与电子制造服务环节，本报告将其在分类中剔除。 这两环节面临层内替代与买方集中的双重压制，最终只能被收编或退出市场。研究者评估行业增长逻辑时应将其整体剔除。

回避与退出类（两轴皆低）指缺乏实际场景的智能体概念公司，以及依赖榜单得分融资的主体。榜单与治理得分无法转化为真实收入，产品演示也远未达流程嵌入深度（见 表 5-4）。

市场机会必须定义为成立条件与失败机制的组合，条件不满足则放弃。 最低成立条件是业务可行门槛；失败机制明确撤出的危险信号。表 8-1 详细列出五类机会规格。该规格对投资、经营与授信三种业务场景通用。^[1]

机会二目标区域是第 2.4 节替代性矩阵（图 2-6）右上角：依赖强度高且中国可替代性低的环节，包括生产设备、设计工具、先进制程与高带宽存储。跨链断供已成现实：台积电对华为、寒武纪代工已被切断，英伟达对四大厂及深度求索供货是待切断敞口。每条被削弱的跨链渠道都将需求推向集采与大厂自购。受益方指向华为昇腾整机与配套、寒武纪、海光信息，三家代工需求最终汇聚至中芯国际。国产算力有两个不可绕开的位置：中芯国际在制造一端，华为在芯片与整机一端，两者都是单点故障源，必须对其集中度实施管理（见第 8.4 节）。反之，服务器与数据中心层是全网供给侧集中度最低环节之一（关系集中度 383），44 家厂商面对集采买方，缺乏定价权与客户多样性。评估整机厂必须穿透至在手中标订单。机会三沿用 表 5-4 智能体四判据：流程嵌入深度、可靠性、权限边界及可核算投资回报。机会四治理蓝本采用金融稳定理事会 12 项实践（金融稳定理事会，2026）。机会五是第 7.3 节共同依赖缺口的商业化镜像。80% 依赖度与仅 18% 监测覆盖率形成反差，市场化机构可先行替客户完成数据收集，将风险管理转为商业服务。

本节总结两项通用纪律。第一，割点名单必须纳入集中度考量。全网共有 30 个割点（见第 2.3 节），既是控制点也是单点故障，必须附加其断链压力情景。该压力情景应按链级共用开关设置。中芯国际情景尤为典型：一个开关覆盖全部国产算力敞口（见第 7.3 节）。第二，矩阵分层对象是产业环节与主体画像，非具体投资标的。支持类反映控制点位于上游，租金集中在关卡环节；压缩类反映资本开支超越价值兑现，导致债务在外部积累。^[2]

8.2 投资者与创业者：位置能不能守住

投资核心在于退潮时位置是否具备租金背书。本报告看多结构性稀缺的上游位置与有既有现金流买方的企业侧改造需求；看空以工资池乘捕获率为估值的智能体、无锁单的裸算力及消费端订阅。

分析者须对位置租金分档评估，不同租金失效方式不同。 控制点分结构租金与在位租金：结构租金受制于物理条件与资本门槛，在位租金受制于当前份额与生态惯性（定义见附录术语表）。台积电获取结构租金，由物理条件与资本门槛支撑，失效需一代工艺变革，以年计。英伟达获取在位租金，依托软件生态与当期供给紧张。本报告设定三个失效触发器：谷歌张量处理器对外销售规模、AMD 在头部买家训练集群份额、大客户自研专用芯片量产节点。电力入口是唯一定价权上升的控制点，8 年并网排队周期构成壁垒。其余是路径竞争与买方枢纽，中心度高但定价权低。按连接数量或中心度排名选标的会系统性买错，筛选应换用不可绕开性：客户在年报风险因素里写明该投入仅一家合格供方；移除它后上下游间无其他通路；该产品合格供应商名单仅一到两家。三个办法任一成立即可，全网 235 家主体中处该位置的有 42 家。样本对照支持此换法，桥连接数与毛利率的秩相关系数是 0.68，而特征向量中心度只有 0.13（见第 2.2 节）。

在位租金失效呈跳变特征，非渐进侵蚀。 替代路径全链条可用时，需求将批量迁移（见附录 A5）。触发前，上游外围是优质资产；触发后，必须同步重估，无缓冲带。应采用触发器管理策略。表 8-2 将触发器整合为监测表，用于调整仓位、评估稳定性与复核敞口。

注：触发阈值属前瞻校准。租金失效触发逻辑是理论推论，即跳变式收缩。

本报告点名已被证伪赛道，提供反面清单。 第一是销售岗智能体。工具年流失率在 50% 到 70% 间，约为人工两倍。全球销售薪酬池虽达 1.1 万亿美元，但工资池规模与需求实现性无关。第二是消费端多模态订阅。Sora 在生命周期内总收入仅 210 万美元，下载量锐减，最终关停。Adobe 与 Canva 同样在提价后面临流失。消费端提供用户基数，但不贡献实质利润。第三是以政策普及率为需求的项目。其可持续性依赖财政而非商业逻辑。这三类可列入观察，但不应作为还款或收入依据。

创业者切入环节须满足四个特征与两项纪律。 四个特征（见第 5.9 节）：任务高频次、执行可复核、买方有稳定既有现金流、计价单位可落地。符合领域包括编程辅助、客服、嵌入流程的多模态应用及中国能源与金融场景。两项纪律（见第 5.8 节）：第一，估值分母不能直接用工资池。中性情景下净捕获率仅 5% 到 10%。捕获率超 25% 必须充分论证。第二，估值倍数不能套用传统软件。人工智能毛利率在 50% 到 60%，传统软件则为 80% 到 90%。推理成本压低毛利，倒逼按量计费，又触及用户支付意愿天花板。

资金缺口结论在投资端转化为三个动作。 全链条人工智能收入年化约 1880 亿美元。剥离内部循环后，终端真实支出在 1200 亿到 1600 亿美元间。对应 2026 年 1.04 万亿美元算力资本开支，覆盖率仅 10% 到 15%，缺口达 3 到 10 倍。第一，分析师须将覆盖率比值作为模型前提，明确资金缺口如何闭合。第二，投资者将第 5.9 节三个闭合条件作持仓复核标准（模型层收入斜率维持在资本开支斜率两倍以上、圈内交易占比下降、价格不因竞争崩溃）。当前证据与第二个条件相悖：巨头云收入中模型公司占比大幅攀升。第三，严格区分行业整体与企业自身增长。资金缺口闭合前，上下游能见度处不同时间轴。

8.3 产业内与金融从业者：绑定关系与还款来源

观察企业间的互锁关系比评估技术更能预测存活概率。 股权绑定沿着最关键且合同难写的环节发生，绑定名单就是租金名单（见第 6.2 节）。若无人绑定，说明可替换性高，评级应降档。对于已绑定主体，须核查收入中股东采购比例并折价处理。核查依赖不能只看持股比例，两者的量级常常不匹配：中芯控股持有灿芯半导体 18.98% 的股权，而灿芯 86.62% 的采购来自中芯国际；中科曙光持有海光信息 27.96% 的股权，而承接海光 56.68% 的销售。持股比例也不说明出资方能否影响被投方的采购决策，判断收入质量要看采购承诺的合同条款而不是股权结构。当前已知绑定集中在跨网叠加层，按集团口径共 60 对，其中英伟达一家占 22 对，有 13 对是它出资给客户购买自身产品，评估其收入增长时此部分必须单列；出资方在中国一侧的有 9 对。预计后续出现新枢纽：能源资产股权化、高带宽存储预付参股、模型企业选边站队。新互锁关系出现是租金确认信号，也标志系统相关性上升。

识别供应商融资与圈内循环有可操作标准。 循环出现在跨网叠加层，即资本与供应关系叠加。产业内从业者可核查三点：一是收入独立性，来自股东收入必须单列；二是承诺可执行性，算力采购与预付能否兑现取决于独立收入；三是依附程度，收入来源方与出资方重合意味着信用质量深度绑定。

押注单一生态体系风险在不同组织形态下各异。 纵向整合协同效应强，但融资能力集中在控制人；合同绑定灵活，但分成规则变更将单边冲击信用质量（维持类主体寄生位置）；内部一体化韧性强，但排斥外部供应商。从业者应将客户集中度与生态集中度分开统计，并在专用性投资评估中结合分成规则变更条款。

银行在这条链上的敞口形态是承销与债权，不是股权。 债权与项目融资网络覆盖 27 个主体与 24 条关系，银行出现在承销与结构顾问两个位置。承销指银行代发行人向投资者销售证券并对销售结果承担责任，结构顾问指银行为资产证券化设计现金流分层与信用结构。摩根大通任 Hut 8 的 42.5 亿美元票据与 CoreWeave 52.5 亿美元组合发行的主承销商，花旗与巴克莱任 Switch 资产证券化的联席结构顾问，五家大型投资银行同为 Switch 首次公开发行的承销团成员。这两个位置的收入是费用收入，不进贷款余额，因此常规的授信统计看不见它；但发行失败或价格破发时，包销余额与客户关系损失会同时出现，敞口在这一刻才显形。从业者应把承销与结构顾问敞口与自营持仓分开统计，并按底层资产的现金流可验证性给每个发行项目分档，分档标准与授信七问一致。

金融机构操作模式可作方法示范。 还款来源要求现金流确切出现，不接受估值增长。分层矩阵转化为客户白名单与授信限额，成立条件转化为放款前提。授信七问是相关业务最低检查线，无法答复则降额或增风控。 前六问翻译了兑现漏斗与风险传导链条；第七问是结构筛选器。

股东的股权质押是新的授信关注点。 股权质押指股东把自己持有的股票抵押给金融机构换取融资，股价跌到约定水平时，股东必须补充抵押品或被动减持。软银集团持有 Arm 86% 的股份，其中 72.0% 已经质押。这类安排把估值下跌直接转成主要股东的现金流压力，时滞以交易日计，不以财报季计。授信审查与投后管理应把主要股东的质押比例列为与现金流覆盖率并列的观察项：出资方一旦被迫补仓，它对被投方的后续出资能力随之下降，而被投方的收入预测通常假定这笔出资会按期到位。

设定押品与限额是第二组核心动作。 押品价值按专用性定折让比例：通用服务器变现能力最高，定制芯片次之，站址工程最低。限额管理须执行三项：将限额拆分为美国链与中国链；将电力设备出海单列为对冲工具；将中芯国际压力情景设为链级共用开关。电价压力测试应仅针对美元区。资产配置端必须穿透底层敞口并向客户披露（各业务机会与风险链的对应关系见 表 8-4）。

金融机构内部应用必须与对外授信保持同等严苛标准。 应优先选高频、结果可复核任务；审慎对待自动授信及资金操作。这与机会四成立条件同源。价值核算要求：年度总价值等于节省工时乘时薪加增量收入与避免损失，减去全成本。必须持续跟踪采用率、错误率等核心指标。金融机构内部应用的投资回报兑现速度将快于对外销售产品，因为流程、数据与权限均在可控范围内。这解释了第三方技术厂商在金融场景捕获收入极少的事实（见第 5.5 节）。

8.4 政策制定者与监管者：瓶颈、单点与先行指标

制定产业政策必须聚焦瓶颈与单点故障。 断供压力测试应从英伟达做起：移除它会让 11 家中下游主体失去全部关键上游通路，并列第二的亚马逊云与国家电网各影响 4 家，单点故障高度集中。供应网络存在 30 个割点，移除任一均导致网络断裂。585 个坍缩关系对中，55 条为唯一路径，中断则无备用。最大稠密子群由 37 家企业构成，横跨中美两侧云、模型与应用三层，该区段具备绕行能力。缺乏冗余的是两端：能源层、数据中心硬件层与最终需求层平均连接数在 1.7 到 3.0 之间。产业韧性政策应锁定这 30 个割点与两端稀疏环节，避免普惠式投放，也不必对稠密子群作无绕行路径极端假设。

共同依赖构成监管监测盲区。 前三云服务商覆盖超 80% 金融机构，但仅 18% 监管机构收集依赖数据。为填补盲区，监管需执行三项动作：一是建立登记制度，穿透至嵌入式依赖；二是强制要求提交业务迁移与退出方案并定期演练；三是区分使用率口径与市场份额口径，不可混用。

国产产业链有两个不可绕开的位置，一个在制造，一个在芯片与整机，对企业与政策传达不同含义。 企业看到供应保障难题；政策制定者则看到集中度悖论：国产替代越成功，对可行节点的依赖越深。第一个位置是中芯国际，华为昇腾、寒武纪与沐曦的代工需求全部收敛至它。中芯国际自身有 18 条上游依赖，其中 4 条来自境外且为断供即停产级别，分别是深紫外光刻、前道工艺、刻蚀与涂胶显影四类设备。第二个位置是华为，它的总度数 28、出度 22，在境内企业中居首，有 7 家整机与云主体把它列为该项投入的唯一合格供方，包括百信信息、宝德计算机、长江计算、神州鲲泰、河南昆仑、湘江鲲鹏与华为云。两个位置的失效条件不同：中芯国际的失效取决于第二条先进制程产线能否建成，华为的失效取决于昇腾之外能否出现第二套可量产的国产加速卡与配套软件栈。华为在断供压力测试上的影响面是 1 家，与它的 7 家唯一关键供方计数并不冲突：那 7 家整机主体在关键依赖子网上追不到能源、设备或芯片源头，因此不计入影响面，影响面度量的是波及范围，唯一关键供方计数度量的是不可替代性。这导致：对中芯国际制裁升级将引发连锁反应，同时命中芯片供应、整机制造、集采应收与西部算力敞口。压力测试必须将中芯国际作为链级共用开关评估，并对华为单设一个开关。政策可重点推进两项工作：一，第二供应链考核从产能转向工艺节点突破与耗材自主度；二，将跨链关系存续状态纳入常态化监测。跨境断供即停产级关系共 24 条，境外指向境内 15 条，境内指向境外 9 条。后者包括英维克与麦格米特对英伟达、中际旭创对英伟达与谷歌、新易盛对亚马逊云供货，中国一侧同时是关键供方，敞口双向。监管必须对两方向分类登记。

能源环节跃升为新上游控制点，能源政策实质等同于产业政策。 测算显示：美国 Constellation Energy 的上游度 5.93，与材料设备与代工层的平均值 5.94 持平。美国制约产业瓶颈已从芯片转移至电力：PJM 容量拍卖价格飙升 8 倍，排队周期拉长至 8 年，燃气轮机交付延至 3 年。中国则相反：西部电价低廉且充沛，成为比较优势。中美供需镜像结构导出三个政策落点：一，算力布局政策抓手是控制并网时序与锁定长期电价合同，而非机架指标（电力短缺出清周期长于芯片）；二，电力设备出口是脱钩中少数正相关增长通道，值得专项政策支持；三，绿电与算力捆绑交易须以确权规则先行确立为前提。

产业推动部门应紧盯先行指标，杜绝将规划指标等同业绩。 政策目标（如普及率）能降低获客成本，但不等于商业需求。状态区分纪律是：规划、在建、承诺、投产、可用、利用、收入、现金，八个状态只能顺序升级。表 8-5 对比先行指标与常被误用的虚荣指标。

行业覆盖率结论直接转为宏观系统监测指标。 终端市场真实付费在 1200 亿到 1600 亿美元，对应 1.04 万亿美元资本开支，覆盖率仅 10% 到 15%。监管与产业部门应将其纳入常规监测：其一，它比单一企业报表更能提示系统性债务风险；其二，地方监管可计算区域覆盖率（本地算力投资对比本地付费收入）。若区域覆盖率长期停滞而投资攀升，风险已蔓延至宏观总量。

广东与广州实践提供经典区域案例。 需求侧：广东省人工智能企业超 3700 家，产业规模 2200 亿元。政策侧：广州市设定智能终端普及率 2030 年超 90%。依本章框架，资源投放优先级为：制造业改造项目高于数据中心配套建设，数据中心配套高于对泛科技企业的普惠式扶持。制造业改造还款来源是主业稳定现金流，绕开了风险传导链条。评估数据中心配套必须区分设备供应商与裸算力提供商，实行差异化信贷。同时，70% 与 90% 仅是产品渗透率目标，无法构成合格还款来源。

8.5 研究者：还没有答案的问题

盲区标定下一阶段研究方向。^[3] 表 8-6 梳理五个核心问题与所需数据。其中，财富分配问题受制于一个前置条件：生产率增益尚未大规模转为利润。智能体规模化使用率停留在个位数；53% 企业增益幅度仅在 6% 到 10%。增益兑现前，分配推论缺乏事实基础。

绑定关系与控制点位置的因果方向识别亟待攻克。 本报告结论是绑定名单就是租金名单。但因果方向目前无法识别：是关键位置吸引绑定，还是高强度绑定创造关键节点？两者在横截面数据上特征相同。需借助外生冲击推断因果（如政策禁止特定持股）。若结果支持前者，说明绑定是必然结果，管制无法改变结构；若支持后者，说明绑定本身是垄断成因，反垄断执法便找到抓手。

本章小结

本章提供四组解答。针对投资者与创业者，市场位置稳固性取决于租金类型，不同租金形态期限与监测方式存在差异；销售岗智能体等赛道已被证伪。针对产业与金融从业者，观察绑定关系比评估技术更能预测存活概率。企业必须自查收入独立性、承诺可执行性及依附程度。金融机构授信七问与押品折让标准将宏观判断转为微观前提。针对政策制定者，产业韧性政策必须锁定 30 个割点，摒弃普惠式扶持。能源政策已等同于产业政策；压力测试必须将中芯国际作为链级共用开关评估。针对研究者，梳理出五个核心问题，绑定与租金地位因果识别最为紧迫。

不同参与者应对动作各不相同，但底层判断基础必须一致。 第一，占据上游：稀缺性源于资格认证与关键位置。上游资格供应外围环节及有锁单的能源基建抗风险最强。第二，押注锁单：现金流可验证性是共用筛选标准。第三，防范中间层：无锁单、无场景、依赖债务消化的算力中间层必先爆发风险。总体纪律是面对同一批标的，须具备进攻与防守两套动作。第 9 章将为五个主张挂载复核触发器，以应对变局。

判断会随时间改变。此前的判断无人回头验证，报告因此失效而无人知晓。本章把复核判断的时机转化为可以机械执行的数据条件，统一记录于 表 9-1。本报告在 表 7-4 提供七组先行指标，在 表 7-3 设定三个假设情景，与这些数据条件的观察节奏相匹配。

9.1 六个判断各自的失效条件

第一个判断是，解释租金的是不可绕开性，不是连接数量与中心度排名。这个判断有两个失效路径。一个是替代通路被打通。如果某个此前只有单一合格供方的环节出现第二家通过客户验证并拿到订单的供应商，该位置的不可绕开性即刻消失，租金随之归零，这与理论预期一致，须立即把这个主体从租金名单移到普通供应商名单。另一个是解释力本身失效。本报告的对照样本为 19 家毛利率口径一致的公司，若样本扩充到 50 家以上之后，桥连接数与毛利率的秩相关系数降至 0.3 以下，或者连接数量类指标转为显著，则判断依据不再成立，届时须重新检验指标选择。当前样本扩充到 27 家时这个系数为 0.46，仍在 5% 水平显著，两个失效条件都未触发。但方向值得注意：新入样的三家高毛利率企业都不占据不可绕开位置，与新思科技同型，它们的共同特征是产品市场的寡头结构而非网络位置。产品市场集中度因此应当由备选判据升格为与不可绕开性并列的第二个判据，两者并用才能覆盖租金的全部来源。

第二个判断是，单点故障集中在英伟达一家，移除它会让 11 家中下游主体失去全部关键上游通路，并列第二的两家各影响 4 家。这个判断的失效取决于替代通路的建成，而这个条件已经部分兑现。同一批主体上的影响面由 15 家降到 11 家，原因不是主体退出网络，而是 OpenAI 的关键上游由英伟达一家增至英伟达与 AMD 两家，经它相连的三家下游随之取得第二条通路。AMD 的份额因此不再是一个尚未发生的触发条件，而是一个已经发生的起点，此后要观察的是替代通路的扩散速度。如果谷歌的张量处理器对外销售形成规模，或更多超大规模厂商的自研芯片进入量产并承担主力训练任务，影响面会继续下降，届时须重算影响面并调整压力测试的起点。中国一侧的不可绕开位置有两个，国家电网构成三家电信运营商的共同单点，华为是七家整机与云服务企业的唯一合格供方。两者的失效条件不同：前者取决于运营商的自建电源或直连绿电达到可承担基载的规模，后者取决于昇腾生态之外出现第二套可量产的国产算力软硬件栈。需要注意，影响面与不可替代性是两个概念，台积电在影响面上不显著而在不可替代性上排名很高，在任一侧观察到变化时，都不得直接推及另一侧。

第三个判断是，断供即停产的关系不只集中在最上游，产业有两处卡口，第二处在云与模型对应用层的供给。这个判断的失效条件在应用层一侧。如果应用层企业的模型来源从单一供方普遍转为三家以上，且切换成本经公开案例证实可在一个季度内完成，第二处卡口将退化为普通采购关系，届时第 4 章关于价值迁移的推论与第 5 章关于价值捕获率的测算都需要重算。反向的触发条件是云与模型对应用层的断供即停产级关系占比继续上升并超过能源层，那说明锁定正在加强，应上调应用层的成本压力评级。

第四个判断是，中美两条产业链在设备材料与光模块两处深度交叉，出口管制的作用点是指向中芯国际的四条关系，而中国一侧同时是关键供方，敞口双向。这个判断有三个触发条件。第一，中芯国际遭遇设备与耗材级别的制裁升级，或这四条关系中任意一条被直接切断，国产算力的瓶颈将由潜在风险转为现实约束。第二，境内设备商在光刻、前道工艺、刻蚀与涂胶显影四类中任意一类通过量产验证，中芯国际的境外依赖条数下降，须逐条更新依赖表，不套用整体国产化率。第三，境内向境外的九条断供即停产级关系中任意一条被管制切断，或境外客户完成供应商替换，中国一侧的对外敞口收窄，与之绑定的光模块、液冷与电源企业的收入预测需要同步下调。

第五个判断是，产业内部的资金循环发生在投资与供货同时存在的主体对上，不在股权结构里。修正这个判断依赖企业的新增披露。这个判断的检验强度本轮显著提高：资本网络的主体数扩大到三倍半之后，相互持股与有向持股环仍然各为零。第一，如果任意两家公司披露相互持股或出现有向持股环，强检验的结论必须改写。第二，如果叠加主体对中的采购关系获得原始合同文件证实，情景推断应升级为既定事实。第三，如果跨网层出现新的商业绑定，例如能源资产实现股权化、高带宽内存采取预付或参股、Anthropic 明确绑定某一家云厂商，叠加清单将继续扩充，表 6-4 需要同步更新。第四，如果产业出资方在新一轮融资中取得表决权或董事席位，出资方取得的是经济敞口而不是控制权这一判断需要重估。判断收入质量的具体办法是把卖方营收中来自股东方的比例与该股东的持股比例并列，两者同时高的，收入的可持续性取决于一个主体的采购决策。这里要区分两件事：冲击沿投资端与收入端同时传导，不因出资方有无表决权而改变；出资方能否借持股影响被投方的采购决策，则取决于治理安排。

第六个判断是，外部世界的实际支付是千亿美元量级而同期投入是万亿美元量级，差额由三类来源承担，承压次序可以推演。须从两个方向监测。向上修正取决于收入增长，如果模型公司的季度确认收入连续两个季度以资本开支增速的两倍增长，且该增长不来自云厂商与模型公司之间的相互采购，覆盖率将更快上升。向下修正受制于资本开支的扩张速度，如果超大规模企业的资本开支指引继续大幅上修，收入增长将被稀释，缺口的闭合窗口从 2028 年推迟至 2030 年。处理财务数据时必须比较季度确认收入与季度资本开支，不可把年化运行率与资本开支直接对比，目前前沿模型公司在这两个口径下的读数差异已达四成到五成。关于市场规模，若某一个细分市场公布了统计口径一致且总额可被复原计算的供给结构数据，该细分市场应恢复定量计算并说明依据，其余市场维持不给份额数字的处理。

9.2 本报告没有回答的问题

受证据基础所限，本报告排除了四类问题。第一类是市场份额与市场规模的具体数值预测，理由见上一节。第二类是风险发生概率与损失参数的测算，当前技术周期缺乏历史先例，市场也没有不良资产的实际处置数据，本报告只给抵押资产的四档回收优先级排序，不给回收率数值，也不给情景的发生概率。第三类是政策博弈的最终走向，本报告给出依赖结构与瓶颈位置，不预测管制措施是否加码及干预层级。第四类是生产率增益的分配机制，包括就业替代、技能溢价与收入差距，数据显示这部分增益尚未落地，在它转化为财务回报之前，关于分配的讨论缺乏事实依据。

此外，本报告分析的两条产业链在证据强度上不对称。全球链的关键商业关系普遍有监管申报文件与年报支撑，中国链的分析主要依赖方向与结构特征，具体交易金额与合同条款多源自公开媒体转述。不可绕开性与毛利率的对照样本为 20 家公司，属横截面的描述性统计，样本偏向已上市且披露完整的大型企业，能源层主体未进入这个样本。读者引用涉及数量、价格与期限的结论时，必须核实一手原始数据。

9.3 不同的读者应当盯什么

投资者与创业者应当盯不可绕开性的三个判断办法，以及超额利润失效的三个触发器与 表 4-2 设定的条件式监测集合。本报告提供的是格局反转的具体条件，不提供最终胜利者名单。产业人士与金融从业者应当盯 表 7-4 的七组先行指标，尤其是设备利用率、算力续租价格与私人信贷利差，同时对买方兼股东的主体逐个核算收入中来自股东方的比例。政策制定者与监管机构应当盯共同依赖造成的观测盲区与瓶颈向单一节点收敛的风险，当前超过八成机构高度依赖前三大云服务商，而主动收集第三方依赖数据的监管机构占比不足两成；国产算力收敛于一个制造节点是结构性事实，中国一侧同时是境外数据中心的关键供方是另一个结构性事实，两者都需要常态化登记。外部研究者应当关注本报告标记为逻辑推断与情景假设的两级结论，以及不可绕开性检验的样本扩充，这些是最容易被新证据挑战的部分。

9.4 触发器怎么用

触发器机制的用途是把复核变成机械执行的条件比对。表 9-1 把复核时机转化为客观数据条件，执行人员按预设条件比对即可，无需依赖对本报告论证过程的记忆。本报告的后续更新沿用同一框架，底层证据库每年系统刷新一次，观测数据命中触发器时随时发布补充分析。框架保持恒定，数据滚动更新，结论允许随新证据翻转。

A1 证据边界

本报告将限定条件集中于此，以保持正文论证密度。正文引用的数字均可溯源至具名机构报告、公司披露文件或自建网络。本报告按四档证据等级管理主张，规则见 表 A-1。

本报告对网络数据制定七项纪律以防过度解释，见 表 A-2。来源不闭合或口径不可复算的材料整条弃用。无法检验的主张不纳入正文。隔离的判定标准与适用范围见 A6.7。

资本网络中识别出 4 项溯源未闭环的投资关系。这些关系涉及燧原、百川、PICO 等中国生态投资项目。这些关系已从主图与主表中剔除。剔除后腾讯出度由 4 降至 2，字节出度由 3 降至 2，阿里出度由 3 降至 2。百川智能两项资本入局记录均属未闭环关系，已移出网络。涉及中国大厂资本网络位置的结论按低证据等级执行。剔除前后的数值记录于数据文件，路径见 A3。

全书限定条件汇总（按章）

正文仅提供简明的单句释义。本节提供完整的段落解释。全部术语条目见 表 A-3。

表 A-4 承接正文移出的全部文件路径。读者可按中间一列的正文描述，反向核查右列的数据文件。

针对关键数字，随文标注来源机构名称与日期。读者可依照上表回查全部数据，沿着正文来源名、主张或来源编号、页级锚与文件校验值三步实现溯源。文件级的逐条对应关系保存在编制档案中，随时调取。

A4 免责边界

本报告属产业研究，非操作指引。报告中的分层矩阵、五类机会清单、授信七问、监测触发器与情景预案均属研究分析框架，不构成证券买卖建议、投资顾问意见、授信审批意见、评级结论或具体的投资与贷款条件。提及的公司名称仅用于说明结构与例证，非投资标的推荐。各方须按自身身份、约束条件与合规流程独立判断。引用的第三方预测、外部测算与调查数据仅代表来源机构观点。数据快照日期为 2026 年 8 月，结论随证据更新，使用前应核对快照是否过期。本节为全书唯一免责声明，正文不再重复。

A5 理论机制、实测结构与判断的映射

正文多处标注理论推论并指向本节。完整的映射关系见 表 A-5。每一行对应一项理论机制、两个网络上的实测读数，以及由此支撑的判断。理论表述属生产网络经济学与公司金融的推论，不作事实引用。实测读数可溯源至 A3 列出的中心度表与结构统计文件。

本节阐明三个网络的构建方法、来源采信标准、指标计算方式、两项专门检验的步骤、已知局限，以及公开披露给读数带来的三种方向确定的偏差。正文仅陈述判断结论，方法追溯见本节。

A6.1 产业投入产出关系构建方法

供应网络由公司构成节点，连线代表产出依赖。本报告仅将公司登记为节点，产品名称（如高带宽内存、晶圆代工等）记录在连线属性中。按主业将各公司划入相应产业层，同一公司仅归属一层。云业务与母公司分列时，按独立经营主体拆分。连线由供给方指向使用方。计算连通性时，同一对公司的多项往来合并为单一连线。

网络节点与公司数据库代表两种口径，引用须严格区分。数据库登记公司数多于网络节点数，差额为已登记分层但现有证据下未参与供应关系的公司。网络计算有两个口径：与上一期可比的读数在 235 个主体、610 条主体对关系上计算，描述覆盖规模的读数在全库 386 个主体、770 条主体对关系上计算。两个口径的数字不相加也不相除，跨期比较一律用前者，理由见 A6.8。计算桥占比一类以关系对为分母的指标时，610 条主体对关系先坍缩为 585 个无向关系对。

每项关系附带关系类型、依赖强度与证据来源三组属性。关系类型分供货、销售、代工、云托管、授权、集成与部件供应七类。代工与云托管适用的可替代性判断规则不同，故单列。依赖强度按断供后果分四档：critical 级别指使用方披露断供即停产；high 级别指切换需重新验证但技术可行；medium 级别指市场有现成替代品；其余为战略与交易型关系。判定依据为使用方披露口径与替代验证周期，交易金额不作判定标准。

按强度分档的结果在层与层之间差别明显。可比口径下断供即停产级关系共 128 条，其中 126 条仍在营。软件层的授权、托管与分发关系落在切换需重新验证与市场有现成替代品两档，允许商业协商与多栖部署；硬件与电力干线关系高度集中在断供即停产一档。模型层内也有断供即停产级关系，来自芯片与云算力服务商对模型公司的供给，由使用方披露确认。

关键投入的分级属另一套独立的录入体系，服务于替代性判断，不参与网络计算。本报告对 34 项关键投入录入两项分级：依赖强度（沿用前述四档）与中国市场可替代性（按是否存在量产替代、能否通过下游验证、切换需时分为高、中、低）。交叉排序得出第 2.3 节的替代性矩阵。此体系由本报告逐项核验录入，非第三方评级，读者决策前应重新复核。

能源层最后并入网络，规则同前。能源层共 10 个节点：美国市场 6 家具名发电与设备制造商；中国市场侧国家电网、南方电网与西部绿电基地；专门服务 OpenAI 的 SB Energy。这 10 个节点的出边接入算力、模型与应用层。依前述四档判定依赖强度，断电即停产的电力与冷却关系标记为 critical。可比口径下全网共 235 个节点与 610 项关系，全库共 386 个节点与 770 项关系。自第 2 章起网络读数均采用合并后口径。

证据来源分五大类，采信规则不同。第一类涵盖监管申报与年报披露，可直接支撑主论断，大多数 critical 分档依此材料。第二类涵盖公司官方公告，用于证实特定关系存在与方向，引用金额严格遵循公告口径。第三类涵盖招投标与中标公告，用于分析运营商集采链条，金融机构回补原公告方可放款。第四类涵盖交易双方正式材料，专门用于分析合并事件。第五类涵盖具名公开报道，可支撑关系方向，但无法核实金额、价格与期限，仅由此支撑的结论会明确标注。来源未闭合或口径无法复算的材料整条弃用。

正文引用的上游生产与商业状态，均提取自台积电、三星、英特尔与 SK 海力士的公开披露文件。上述材料证实产能负荷、代际切换及预留容量计费条款的存在，不能推断产量数据与合同金额。

A6.2 资本关系构建方法

资本网络收录 602 起登记的出资与持股事件，涵盖 498 个商业主体与 562 条主体间关系，附带具名来源；把已终止关系与被动持仓一并计入的全库为 504 个主体与 578 条关系。事件起数按登记条目累加，同一笔出资若由两条记录分别登记会重复计一次，引用时须写明是登记起数。4 项中国大厂投资关系因资金溯源未闭环被剔除。剔除前后出度变动见 A1 节。涉及中国大厂资本网络位置结论按低证据等级执行。

事件起数与关系数量为两种口径，须分开引用。同主体间多轮出资合并为单条连线，602 起事件收缩为 562 条主体间关系。阐述证据规模用事件起数，分析网络结构与闭环检验用关系条数，两者不可互换相减。登记了持股比例的关系远多于登记了出资金额的关系，原因与处理见 A6.8。

资本网络连线由出资方指向被投方。关系类型区分如下：股权投资记录轮次与金额；持股记录持股比例；母子公司与子公司控制记录持股比例与对价；控股投资指控股但未并表；收购记录支付对价；财团收购记录为财团参与，不标记为母子公司。闭环检验将所有连线纳入。

针对金额与持股缺失，处理规则如下：一，融资总额不分摊至单一出资人，共享上限的轮次仅记录总额及名单。二，未披露金额关系不补零不估算，不计入金额统计。三，持股比例统一标注为快照数据，说明口径。持股市值不得作为投资额数据。收购对价与现金出资额分列，严禁相加。四，持股比例与表决权比例分列，不相加；表决权比例记为零与表决权比例留空是两回事，前者是已核实该证券无表决权，后者是未取得数据，两者不合并计算。

2025 年 10 月至 2026 年 8 月的 4 起合并事件单独设立关系类型。收购对价与现金出资额实质不同，金额按交易公告记录，分列展示以免高估。

金额图表单独设分母，不可与关系总数混用。资金流向图仅呈现可稽核金额分布，并非全部资金流规模。读者切勿反向推算总出资额。

财务面板数据与网络构成独立样本，不可混淆。财务面板含 24 家公司 180 个年度观测数据，按原始报表口径录入，不折算不填补缺失。2026 年仅采纳中期或滚动十二个月数据。

严格依据控股层级建立连线。同一体系内控股公司与运营实体分别设立节点，出资挂载于实际指向的层级。以 xAI 为例，2025 年 3 月控股层设立后，股权挂载于控股层；历史融资随重组上移。控股层对实体的持股单独建立连线。名称相近的历史壳公司单独设点，不补建历史连线。

债权与项目融资关系单独建表，覆盖 27 个主体与 24 条关系，不与资本网络合并，因为两者的关系语义不同。关系类型包括项目债务、私人信贷、特殊目的实体股权、基金管理、承销、资产证券化结构顾问与信用增级。承销与结构顾问的连线由银行指向发行人，金额记该笔发行的总规模而不是单家机构的承销份额，未定价的发行不记金额；信用增级的连线由背书方指向被背书的义务人，触发后实际收款的一方单独记录，否则背书方与受益方在这张网里不连通。

三个网络所依据的来源文件逐份存档，共 350 份，每份登记文件名、格式、字节数与文件校验值，可按编号回查到具体的关系与数字。

A6.3 证据分层机制如何影响数据提取

合并后的网络统一采用以呈现全景。中国链与能源层关系由公告、报告支撑，方向结构高度可靠，排除会低估集中度与风险。分层信息保留在来源类型字段中，可按规则重新筛选计算。执行筛选后网络变稀疏，割点减少，桥接占比上升。两套计算结果不可替代或相减。

A6.4 网络指标的计算与解读方法

本报告指标分四类。

第一类包括度与集中度指标。度中心度统计连接数；入度反映供应商或机构出资数，出度反映客户或被投方数。层内 HHI 按各公司关系条数份额求平方相加，衡量关系集中度，非市场份额集中度。

入度与出度的算法如下。设 a_uv = 1 表示存在一条由 u 指向 v 的关系，否则为 0，则

k_in(v) = Σ_u a_uv，k_out(v) = Σ_u a_vu

两者都是原始计数，本报告不做归一化，因此表里的读数可以直接与关系条数相互印证。

第二类包括位置中心度指标。连通中心度评估卡位最短路径数量。特征向量中心度评估连接对象重要性，仅在同一连通分量内部可比。Katz–Bonacich 中心度纳入间接连线，度量上游链对单一公司的依赖深度。弃用 HITS 算法因其在密集网络收敛使数值失真。

连通中心度（betweenness centrality）的算法如下。设网络含 n 个节点，σ_st 为从 s 到 t 的最短有向路径条数，σ_st(v) 为其中经过 v 的条数，则

C_B(v) = [ Σ_s≠v≠t σ_st(v) / σ_st ] / [ (n−1)(n−2) ]

求和项把每一对起讫点的通道份额加总，除数是有向网络里除 v 之外的全部有序节点对数，归一化之后取值落在 0 与 1 之间。本报告按无权有向图计算，路径长度只数经过几条关系，不计金额与依赖强度，因此该指标度量的是位置而非交易规模。连通中心度衡量的是一个节点在通道上的位置，不是网络的连通性本身。网络断不断、哪条关系是剪断即断连的桥，属于第三类的结构冗余指标，与这个读数分开计算：一个节点连通中心度高而网络里没有桥的情形是存在的。

特征向量中心度（eigenvector centrality）的算法如下。

x_v = (1/λ) Σ_u a_uv x_u，写成矩阵形式即 Ax = λx

λ 取邻接矩阵的最大特征值。一家公司的读数由与它相连的公司的读数决定，因此连接对象越重要，读数越高。本报告先把网络无向化，再按连通分量分别求解，只计算节点数不少于 3 的分量，解向量在分量内部归一化，因此读数只在同一分量内可比，跨分量比较没有意义。

Katz–Bonacich 中心度的算法如下。

b = (I − αA)⁻¹ αA·1，展开成级数即 b_v = Σ_k≥1 α^k (A^k·1)_v

其中 1 为全 1 向量，A 为邻接矩阵，α 为折减系数。长度为 k 的路径按 α^k 折减，越远的层级权重越低，间接关系因此也计入。本报告取 α = 0.8/λ，λ 是有向邻接矩阵的谱半径，这样取值保证级数收敛；表头写的 α = 0.8 指的是谱半径的八成，不是折减系数本身。入向口径把邻接矩阵转置之后代入同一式子，衡量上游链条压在一家公司身上的深度；出向口径不转置，衡量它的下游影响面。

第三类度量结构冗余。移除割点导致链条断裂；移除桥导致连线两端不再连通。k-core 衡量稠密程度。上游度评估距消费者产业环节数；下游度评估距原始投入环节数。计算桥占比时，分母为坍缩后关系对数量，不同于有向关系总数。

割点、桥、上游度与中心度名次这四类读数对网络覆盖范围敏感，跨期比较必须在固定主体集上做，即用上一期的主体集合配本期的关系重算。不这样做，新纳入的边缘主体本身就会抬高割点与桥的计数，把观测范围的扩大读成产业结构的变化。扩大后的全库读数只用来描述覆盖规模，不与上一期对比。方向与幅度见 A6.8。

第四类涵盖不确定性检验程序。后验抽样推断未披露关系数量，提取期望值与排名稳定性。稳健性检验记录公司留在前十的频率。频率决定论证权重，如台积电与 Mistral 表述作降级处理。检验结果属模型输出，非观测事实，不等于置信区间。

跨网叠加分析将资本与供应网络对齐比照，识别资金循环。规则见 A6.6。

表 A-6 列示稳健性检验结果。正文仅引用方向性结论。

两个网络的后验抽样期望边数均系统性高于建模基底（参阅 图 A-1 与 图 A-2）。基底与候选集为建模快照，与正文关系不可相减。当前实测：供应网络在可比口径下 235 个主体、610 条关系、585 个关系对、128 项 critical，全库 386 个主体、770 条关系；资本网络 498 个主体、602 起登记事件、562 条关系；债权与项目融资网络 27 个主体、24 条关系。图表旨在论证存在未观测到的依赖，加重控制点集中的判断，缓解缺乏冗余的判断。资金循环监测清单随观测深入而拉长。

点击放大

点击放大

正文的监测表读数指标定义一致，可相互印证。主体微观数据未纳入，建议使用者自行补齐。

A6.5 已知局限

本节列示散见于正文的六项限定条件。

第一，网络仅记录能查实来源的依赖关系。未出现连线仅表明证据未覆盖。这使控制点集中的判断极稳健，但链条缺乏冗余的判断较保守。新主体加入后最大 k-core 值由 2 升至 3，印证冗余匮乏正获缓解，但控制点集中判断未松动。

第二，跨境往来合同细节普遍缺可审计底层证据。方向与结构可用，但交易量、价格与期限源于媒体报道。量化断供损失须严格遵循可采购集合框架。

第三，网络模型不度量交易金额。连线证实依赖关系，不反映规模与收入贡献。敞口金额评估须另寻财务口径。

第四，对中国大厂资本网络位置按低证据等级执行。4 项资金溯源未闭环的中国生态投资连线已从主图与主表剔除，剔除前后出度变动见 A1 节。

第五，层内集中度不等于市场份额。48 个细分市场交易单位不通约，本报告停止计算 CR4 比例与份额 HHI。文中所述层内 HHI 仅指供应关系集中度，两者不可混淆。

第六，数据快照截至 2026 年 8 月，合并事件更新至 2026 年 8 月 14 日。产业关系高速演进，第 9 章制定了复核判断的触发器条件。

A6.6 闭环检验的具体做法

闭环检验解答核心问题：AI 公司是否相互持股推高估值？检验分两级展开：股权层与跨网叠加层。

第一级在纯股权层，锁定相互持股与有向持股环两种结构。将 562 条资本关系构筑为有向图进行穷举与深度优先搜索检验。结果显示未发现闭环。在含已终止关系与被动持仓的全库 578 条主体对上独立复算，两个零同样成立。连续并购制造的是纵向控制链，非股权循环。

读者引用此结论须连带说明边界：仅限表内 562 条关系。披露层面不存在闭环不代表总体概率为零。后验期望数量高于建模基底，未来仍可能出现闭环披露。此检验需定期重跑。

第二级在跨网叠加层，按经济集团对齐，识别同一集团既有资本关系又有供应关系的组合。判定分两档：循环结构（股权与收入链均有一手文件支撑）；准闭环结构（资金拨付与收入在经济上绕圈，如供应商入股客户后客户反向采购）。准闭环连线有一手文件支撑，但风险属性属本报告推论。在此口径下，目前共 60 对：客户入股供应商型 26 对、供应商融资型 22 对、双向绑定 12 对，其中出资方在中国一侧的 9 对。按经营主体逐个比对只能检出 52 对，资本网按出资主体建节点而供应网按经营主体建节点，编号不一致会漏配同一集团的组合，因此按集团口径统计。三种判定模式定义见第 6.2 节：双向绑定、供应商融资型循环、客户入股供应商型循环。此检验对样本扩容极敏感，须与股权层结论分开解读。

第三级在两张网的并图上枚举资本与货物共同构成的闭合回路，长度取 3 到 5。筛选条件有两项：回路上的资本关系仍然生效且在核心网内，供应关系为断供即停产级或高依赖级且未被切断。不加筛选的枚举没有分析价值，因为回路数量随长度快速增长，云服务商与加速卡供应商这类高连接主体会出现在大量回路里，一条经过它们的路径不等于一笔有经济含义的资金循环。按上述条件筛选得到 46 个闭合，其中每条资本关系都登记了持股比例或出资额的 26 个。呈现时优先给出经过的高连接主体不超过一个的样本。

A6.7 市场结构审阅的具体做法

审阅覆盖 10 个市场大域下的 48 个细分市场，登记边界定义、交易单位、供给结构证据与结论，形成 375 个主张，编号与结论对应。

主张处置分三档，经三轮复核。第一档采纳，来源闭环可复算，共 225 个，直接支撑主论断。第二档带限定使用，来源可靠但口径受限，共 139 个，必须连带说明限定条件。第三档隔离弃用，来源未闭合或口径不可复算，共 11 个。隔离材料整条弃用。第一轮核实来源；第二轮核实口径与计量单位；第三轮核实推导逻辑。

不提供份额数据的两个原因：第一，21 个细分市场的边界定义存争议，分母无法确定。第二，27 个细分市场的供给结构问题悬而未决。证据缺口是普遍常态。

因交易单位不通约（如台套、片、堆栈、模块、兆瓦月、token、席位月），强行相加所得分母毫无意义。全面停止计算 CR4 与集中度指数。分析只能负责报告瓶颈位置与依赖结构，不提供任何市场份额数据。正文的集中度读数特指供应关系连线集中度。

A6.8 三种系统性偏差与数据边界效应

按公开披露构建产业网络，会引入三种偏差，它们的方向都是确定的。方向确定意味着读数可以当作边界值使用：知道偏在哪一侧，就知道真实值落在读数的哪一边。

第一，披露义务要求企业承认关键投入存在单一供应商，但不要求指名这家供应商。九家境外硬件上游企业在监管文件里承认关键部件依赖单一供应商而不点名，五家境内企业的前五大客户全部匿名披露。因此按买方一侧的披露构建的供应网络，会把已知存在的依赖记成没有关系，集中度被系统性低估。破解办法是从供方一侧反查：超科林在自己的年报里写明应用材料与泛林两家合计占其营业收入 58.7%，这条依赖在两家买方自己的文件里查不到。据此可以推断，公开可得的集中度读数是产业实际集中度的下界，不是无偏估计。

第二，一级市场的单笔出资额通常不披露。融资公告给的是轮次总额与领投名单，单笔出资额只有在出资方本身是上市公司、须在定期报告里列出重大股权投资时才可见，亚马逊对 Anthropic 的出资就是这样才可见的。因此从公开信息看到的出资额分布高估上市机构的份额。资本网络的加权因此只用持股比例，不用金额，轮次总额不参与任何求和。

第三，只检索一个证券类别会低估持股。同一投资方在同一被投方名下可能同时持有普通股、优先股与权证等多个类别，遍历全部类别之后，持股读数会明显上升，本报告核出的最大一处由 0.037% 修正到 0.806%。持股比例的核验因此以全类别检索为准。

第四项不是偏差，是数据边界效应：外部观察者看到的产业脆弱程度，一部分取决于他掌握的数据边界在哪里，数据越少，产业看上去越脆。割点、桥、上游度与中心度名次对网络覆盖范围敏感，每一个新纳入的边缘主体都会带出一条桥，并让它的邻居成为割点。在同一批 235 个主体上补入新查到的供应关系之后，桥由 82 条降到 55 条，割点由 32 个降到 30 个：先前测得的脆弱有一部分来自关系没有查全，不是产业结构本身的变化。这四条给读者的用法是同一条：读到任何一份按公开披露构建的产业网络，先问它的观测边界在哪里，再问偏差偏向哪一侧。

A7 方法的可复用之处与边界

本报告方法可移植至其他产业。列示五项做法与四个边界，移植时必须连带边界条件。

五项可复用的做法

第一，三个网络平行并置。在独立股权层未发现闭环，但在资本与供应叠加层识别出 60 对资金循环，债权与项目融资另建一层。单一网络无法得出此结论。

第二，停算纪律。分母属非法拼接产物时即停止计算。48 个细分市场均无可靠供给结构，故坚决不提供份额数据，只报告瓶颈位置与网络依赖结构。

第三，业务状态严格区分。规划、在建、承诺、投产、可用、利用、收入、现金只能顺向递进。订单、协议额不可等同于收入，政策目标不可视作真实需求。

第四，先评估参数不确定性。当四个参数的不确定性均超两倍时，乘积无意义。产出必须是区间范围与情景推演。

第五，核心结论触发器化。为各项判断明确推翻所需的数据条件，并编写为可执行格式。第 9 章复核触发器表即此实践。

四个使用边界

第一，披露驱动带来的系统性偏差。披露充分的主体在网络占据核心位置。未呈现绑定可能仅是披露缺口，不可直接作结构事实。

第二，后验抽样纯属模型输出，非客观观测事实，仅作敏感性参考。

第三，两条链证据强度不对称。中国链部分金额与合同条款源于媒体转述。金融机构使用时须回补原公告核实具体条款。

第四，网络指标含义局限性。中心度度量网络位置，不等同于商业议价权。需在中心度排名外独立实施定价权分拣。两榜单的不一致蕴含最大信息量。

A8 关于本实验室

本报告由中山大学粤港澳大湾区数字经济与数据科学实验室发布。实验室于 2023 年 9 月经广东省教育厅批准设立，属广东省普通高校哲学社会科学重点实验室，依托中山大学岭南学院建设。数字经济与数据科学处于科技与产业变革交汇点，研究关乎生产方式变革与生产力发展。本报告聚焦人工智能产业结构、资本关系与金融风险。