a16z 全球市場洞察：萬億資本開支、AI 原生架構演進與全週期投資版圖

這份材料真正的大主題，不是“a16z 看好 AI”，而是一個更大的判斷：

過去 15 年是“軟件喫掉世界”，未來 15 年更可能是“AI 驅動資本重新進入物理世界”。

芯片、電力、數據中心、網絡、製造、機器人、國防、自動駕駛、生物醫藥，會重新成爲技術資本最重要的戰場。

a16z 最近甚至專門設立了 11 億美元 Machine Age Fund，投資芯片、內存、網絡、存儲、數據中心、機器人、電力和冷卻等物理基礎設施。它自己明確說，AI 正在從軟件問題演變成一場巨大的實體基礎設施建設。Andreessen Horowitz

但在進入深層解讀之前，我先幫你把材料裏的幾個數字校正一下。

第一，“AI 泡沫已經被證僞”這個表述過頭了。

從 ChatGPT 於 2022 年 11 月 30 日推出，到 2026 年 9 月，S&P 500 的確從約 4,080 點上漲到約 7,600 點，接近 90%。這個數字基本成立。YCharts

但是“整個市場 P/E 已低於 20 倍”不能這麼寫。當前 S&P 500 的整體估值並沒有普遍低於 20 倍，一些市場指標仍處於 20 倍以上。

所以更準確的結論應該是：

今天不能簡單類比 1999 年互聯網泡沫，但也不能因此證明 AI 資產沒有估值風險。

真正的區別是：

1999 年很多公司是：

估值先漲，利潤以後再說。

今天 NVIDIA、Microsoft、Meta、Amazon、Google 等龍頭至少擁有：

真實收入 + 真實利潤 + 真實現金流 + 真實 AI 需求。

這是一輪有基本面支撐的資本開支週期。

但：

有基本面 ≠ 任何價格都合理。

這兩個概念必須分開。

一、最重要的判斷：AI 正在結束“輕資產科技”的黃金時代

過去二十年硅谷最完美的商業模式是什麼？

Software。

爲什麼？

因爲複製一個軟件用戶的邊際成本極低。

Salesforce 寫好一套軟件：

第 1 萬個客戶和第 100 萬個客戶，不需要重新建 100 萬座工廠。

這就是軟件爲什麼可以擁有：

70%

80%

甚至 90%

的毛利率。

所以 Marc Andreessen 2011 年提出了那句著名的：

Software is eating the world。

但是 AI 帶來了一個非常有意思的逆轉。

傳統軟件：

使用得越多，單位成本越接近零。

生成式 AI：

使用得越多，首先要燒更多 GPU、電力、內存和網絡。

這意味着技術經濟重新擁有了：

物理約束。

Token 不是真正免費的。

一個 ChatGPT 請求背後不是一個抽象的“雲”。

而是一整條產業鏈：

電廠

輸電

變壓器

數據中心

冷卻

GPU

HBM

網絡交換機

光模塊

服務器

模型

應用

所以 AI 把互聯網經濟重新從：

Bits

拉回到了：

Atoms + Bits。

這就是爲什麼現在最值得理解的不是“哪個 AI App 火了”。

而是：

誰擁有 AI 世界不可繞過的生產資料？

二、AI其實正在重新發明“資本密集型科技”

上一代創業神話是：

幾個年輕人。

幾臺電腦。

一個辦公室。

拿 200 萬美元。

可能做出十億美元公司。

Facebook、Instagram、WhatsApp、Dropbox，都屬於這種時代。

AI基礎設施卻完全不同。

今天訓練前沿模型可能涉及：

數十億美元算力。

建設大型數據中心：

數十億美元。

先進芯片廠：

數百億美元。

電力系統：

更是幾十年的基礎設施資產。

這意味着：

Technology 與 Capital Markets 正重新深度綁定。

這非常重要。

因爲未來科技競爭不只是：

“誰的工程師更聰明？”

還包括：

誰融資能力最強？

誰能拿到電？

誰可以買到 GPU？

誰能鎖定 HBM？

誰能快速建設數據中心？

誰可以獲得土地和許可？

誰能承受前期數十億美元投入？

換句話說：

AI把科技重新變成了工業。

三、這就是所謂“The Age of Atoms”的真正含義

很多人理解：

AI = Chatbot。

這是最淺的一層。

真正大的趨勢是：

AI最終會進入：

工廠

汽車

軍工

物流

能源

礦山

農業

醫療設備

機器人

a16z 自己現在越來越強調所謂 electro-industrial stack：

電氣化 + 材料 + AI + 工業設備 + 軟件控制系統。

它把礦物、功率電子、電池、電機、傳感器和軟件視爲同一個產業棧。Andreessen Horowitz

這是一個巨大的資本範式變化。

過去互聯網解決的是：

information problem。

比如：

怎麼找到出租車？

Uber。

怎麼找到酒店？

Booking。

怎麼買東西？

Amazon。

怎麼傳播信息？

Google / Facebook。

下一階段開始解決：

physical execution problem。

不只是：

“告訴我附近有什麼出租車。”

而是：

汽車自己來接我。

不只是：

“告訴我倉庫庫存。”

而是：

機器人自己搬貨。

不只是：

“幫我設計零件。”

而是：

AI控制工廠自己生產。

這就是從：

Software Economy

進入：

Machine Economy。

四、爲什麼萬億美元 CapEx 不一定意味着泡沫？

這裏必須學一個非常重要的金融概念：

資本支出的好壞，不能看金額，要看資本回報率。

假設 Amazon 建一個 100 億美元數據中心。

問題不是：

“100 億是不是太多？”

而是：

這 100 億未來能產生多少：

Revenue？

EBITDA？

Free Cash Flow？

ROIC？

如果投入 100 億，

未來每年產生 30 億自由現金流，

這可能是一筆非常好的投資。

如果只能產生 3 億，

那就是災難。

所以 AI CapEx 真正應該觀察的是：

Incremental ROIC。

不是絕對 CapEx。

a16z 最新材料甚至稱，僅美國五家 hyperscaler 明年的資本支出就可能達到約 1 萬億美元。Andreessen Horowitz

這意味着什麼？

全球資本市場正在進行一場巨大賭博：

未來 AI 帶來的收入與生產率提升，能否支撐今天建設的計算資產？

這是整個 AI 牛市最核心的問題。

五、理解這輪週期，必須學會“鐵路類比”

AI基礎設施和19世紀美國鐵路非常像。

鐵路建設時期，美國投入鉅額資本：

土地

鋼鐵

橋樑

車站

軌道

很多鐵路公司最後破產。

但是：

鐵路本身改變了美國經濟。

這就是科技投資歷史最有意思的規律：

技術革命可以是真的，但投資者仍然可能虧錢。

鐵路是真的。

大量鐵路股票死了。

互聯網是真的。

Pets.com 死了。

光纖網絡是真的。

Global Crossing 破產了。

智能手機是真的。

BlackBerry 被淘汰了。

所以今天面對 AI，一定要把兩個問題分開：

問題1：

AI是不是巨大技術革命？

越來越多證據指向：

是。

問題2：

今天所有 AI 公司估值是不是合理？

完全是另一個問題。

這是投資者最重要的認知。

Technology ≠ Security Price。

偉大技術不一定意味着所有相關股票都是偉大投資。

六、爲什麼“算力越便宜，算力需求反而越大”？

這部分材料裏最有價值的經濟學概念就是：

Jevons Paradox——傑文斯悖論。

19世紀英國經濟學家 William Stanley Jevons 發現：

蒸汽機效率提高以後，

煤炭消耗並沒有下降。

反而增加了。

因爲：

煤變得更經濟以後，

更多行業開始使用蒸汽動力。

AI一樣。

很多人認爲：

模型越來越便宜，

所以 AI 基礎設施需求會下降。

未必。

假設一次 AI任務以前要：

$10。

現在下降到：

$0.10。

企業不會只想：

“太好了，我省了 $9.90。”

企業會開始問：

以前哪些事情因爲太貴，我根本沒讓 AI 做？

然後需求開始爆炸。

七、一個非常簡單的AI經濟學例子

假設一個律師事務所以前有：

1萬份合同。

如果AI檢查一份合同成本：

$20。

總成本：

20萬美元。

於是公司可能只檢查最重要的：

1,000份。

如果模型成本下降100倍：

$0.20。

那麼：

1萬份全檢查：

$2,000。

突然之間：

原本不存在的需求出現了。

然後律師事務所可能進一步想：

爲什麼一年檢查一次？

能不能每天檢查？

能不能實時監控？

能不能把：

合同

郵件

法律變化

法院判例

全部持續分析？

這時候 Token 用量反而可能上漲：

100倍。

甚至：

1000倍。

所以模型公司最希望看到的事情其實就是：

單位推理價格下降 + 總Token消費爆炸。

類似歷史上的：

Bandwidth。

Storage。

Compute。

單位價格一直下降。

但全球總消費量一直增長。

八、這也是爲什麼“最強模型”未必是最大商業贏家

這裏是創業者非常值得學習的一點。

很多人做 AI 產品的第一反應：

“我要調用最好的模型。”

這是錯誤思路。

真正的企業級 AI 應該問：

這項任務需要多強的模型？

舉例：

客戶問：

“我的訂單什麼時候到？”

你根本不需要一個世界最聰明的大模型。

小模型就夠。

但客戶問：

“請分析這份200頁併購協議的重大法律風險。”

可能需要最強模型。

於是出現：

Model Routing。

簡單任務：

便宜模型。

複雜任務：

昂貴模型。

極複雜任務：

多模型驗證。

這和航空公司 Revenue Management 非常像。

不是每一個乘客都配置頭等艙。

你優化的是：

整個系統經濟性。

所以 AI應用未來最大的護城河之一可能不是：

“我用了哪個模型。”

而是：

我如何組合模型。

九、真正的AI應用利潤來自“Price–Cost Decoupling”

這一點非常重要。

假設你做 AI 法律產品。

客戶願意付：

$100

完成一次複雜法律分析。

今天你的 AI成本：

$30。

毛利：

$70。

一年後，通過：

Caching

Routing

Fine-tuning

Small models

Distillation

成本變成：

$5。

但是客戶仍然願意付：

$100。

那麼毛利從：

$70

增加到：

$95。

這就是：

Price–Cost Decoupling。

企業不是按：

“你用了多少 Token”

付錢。

而是按：

你創造了多少價值。

這是 AI應用層真正可能出現鉅額利潤的地方。

十、所以未來最差的AI商業模式是什麼？

很簡單：

Wrapper。

調用 OpenAI API。

套一個界面。

然後加價。

因爲：

底層模型越來越強。

模型公司隨時可以把你的功能直接喫掉。

最強 AI創業公司必須擁有至少其中一個：

獨特數據。

專有 Workflow。

客戶分發渠道。

行業集成。

監管能力。

品牌。

網絡效應。

高 switching cost。

否則模型層不斷進步時：

你的產品價值可能不斷被壓縮。

十一、Vertical AI 爲什麼值得高度重視？

傳統 SaaS 賣的是：

software seats。

Vertical AI 開始賣的是：

labor outcome。

區別巨大。

傳統軟件告訴律師：

“這是法律軟件，你自己操作。”

AI法律產品未來告訴律師事務所：

“把文件給我，我直接把工作完成。”

因此市場邊界從：

Software Budget

擴張到了：

Labor Budget。

這就是 AI應用層真正大的 TAM 擴張。

假設美國一個行業：

軟件支出只有：

100億美元。

但人工支出：

2000億美元。

傳統 SaaS TAM 是：

100億。

AI如果開始承擔工作，

理論上進入的是：

2100億美元經濟池。

這就是爲什麼 AI software 的機會可能遠遠大於上一代 SaaS。

a16z 也公開提出過類似判斷：AI 應用不是簡單爭奪舊的軟件預算，而可能開始“喫掉 labor”。Andreessen Horowitz

十二、企業AI現在真正的情況不是“有沒有采用”，而是“有沒有進入核心工作流”

這是區分 AI hype 和 AI value 的關鍵。

公司給員工買 Microsoft Copilot：

不代表 AI transformation。

員工偶爾：

總結郵件。

寫PPT。

潤色文字。

這種價值非常有限。

真正的第二階段是：

AI直接進入：

Customer support

Coding

Sales

Accounting

Insurance claims

Legal review

Healthcare administration

Procurement

一旦進入這些核心 workflow，

AI就開始改變：

Headcount。

Cost structure。

Cycle time。

Revenue。

Error rate。

這時 CEO 和 CFO 才真正開始關心。

所以未來衡量企業 AI 不應該問：

“多少員工使用 AI？”

而應該問：

AI 管理了多少經濟活動？

這個指標高級得多。

十三、一個老闆真正應該計算什麼？

不是：

AI每天有多少用戶。

而是：

以前一個業務流程：

100個人 × $100,000 成本

= 1000萬美元。

AI之後：

60個人 + $100萬AI成本

= 700萬美元。

企業每年省：

300萬美元。

這才叫：

ROI。

如果軟件公司能夠拿走其中：

100萬美元，

客戶仍然淨省：

200萬美元。

那麼軟件公司和客戶都贏。

這種 AI 纔會形成真正持久的商業模式。

十四、公開 SaaS 爲什麼正在經歷估值重構？

這份材料裏另一個非常重要的數據基本成立：

a16z 最新統計指出，到 2026 年公開軟件公司中大約：

75%已經盈利。

但只有約：

30%仍保持20%以上增長。

a16z 將其描述爲高利率時代之後“增長換盈利”的結果。Andreessen Horowitz

這非常有意思。

因爲 SaaS 沒有死。

實際上：

財務質量比以前好。

真正的問題是：

Growth Scarcity。

資本市場永遠願意給增長高估值。

但如果你：

盈利了，

卻只增長：

8%

10%

12%

市場會開始把你當：

成熟企業。

而不是：

高速科技公司。

這就是爲什麼很多 SaaS 公司不是業務崩了，

而是：

Multiple Compression。

十五、爲什麼真正的高速增長越來越留在私有市場？

a16z也觀察到：

2026年公開軟件、互聯網、FinTech公司中，市場預計收入增速超過30%的公司已經極少；與此同時，私募市場仍存在大量高速增長公司。Andreessen Horowitz

背後的資本市場結構變了。

以前公司需要 IPO：

籌錢。

給員工流動性。

給VC退出。

建立品牌。

現在成熟私募市場可以提供：

幾十億美元融資。

Tender Offer。

Secondary liquidity。

Private credit。

主權基金。

養老金。

所以企業可以：

Stay Private Longer。

這是一個極大的結構變化。

十六、這實際上正在“私有化美國增長經濟”

這是金融市場一個非常重要、但普通投資者容易忽略的趨勢。

過去美國普通投資者可以買到：

Amazon 很早期。

Microsoft 很早期。

Google 較早期。

今天很多企業在 IPO 之前可能已經：

100億美元。

500億美元。

1000億美元。

甚至更高。

那麼大量財富創造已經發生在：

Private Market。

這意味着未來金融體系可能越來越分裂：

普通居民：

Public equities。

養老金、VC、PE、主權基金、高淨值：

Private growth。

如果真正高增長公司長期留在私募市場，

那麼：

誰擁有 private-market access

會越來越影響財富分配。

這是美國資本市場未來非常大的制度問題。

十七、數據中心與電價這個結論，要非常謹慎

你材料裏寫：

數據中心容量每增加10%，居民電價下降0.4%。

這個數字確實來自 2026 年一項研究。

研究分析美國 2015—2024 年數據，發現數據中心容量增加10%，與居民平均零售電價約下降0.4%相關，並嘗試用因果識別方法解釋。Stack Futures

它背後的經濟學邏輯很好理解：

電網大量成本是：

Fixed Cost。

比如：

輸電線路。

變電站。

基礎設施維護。

如果大型數據中心持續高負荷用電，

這些固定成本可以分攤到更多 kWh。

平均成本可能下降。

這是：

Economies of Scale。

但是千萬不能把它寫成：

“數據中心不會推高電價。”

因爲研究自己也強調：

2015—2024 的歷史結果不能保證未來繼續成立。

如果未來：

電力供給跟不上。

變壓器缺貨。

輸電擁堵。

燃氣價格上漲。

新增發電建設太慢。

那麼數據中心完全可能推高邊際電力成本。Emergent Mind

a16z 自己在能源政策文章裏也承認這一風險，並主張大型 hyperscaler 應承擔自己引起的電網升級成本，而不是讓居民用戶補貼。Andreessen Horowitz

這纔是完整答案。

十八、AI戰爭最終可能演變成“電力戰爭”

很多人看 NVIDIA。

真正往下看一層：

GPU需要什麼？

Electricity。

所以 AI 最終一個非常重要的瓶頸不是：

Chip。

而是：

Watt。

a16z 最近甚至直接寫：

“We are running out of watts.”

它列出的緊缺資產包括：

powered land

turbines

transformers

data centers

GPUs

advanced-node wafers

HBM。Andreessen Horowitz

這意味着能源行業可能重新進入科技產業核心。

核電。

天然氣。

地熱。

儲能。

電網軟件。

變壓器。

輸電。

過去很多VC覺得這些行業：

太慢。

太重。

CapEx太高。

現在 AI 把這些行業重新變成：

technology bottleneck。

而投資歷史告訴我們：

瓶頸往往就是利潤池。

十九、爲什麼 NVIDIA 會賺錢？因爲它控制瓶頸

經濟利潤通常不是平均分佈的。

鐵路時代：

土地和鐵路節點賺錢。

石油時代：

油田和煉化能力賺錢。

互聯網時代：

搜索入口賺錢。

移動時代：

操作系統和App Store賺錢。

AI早期：

GPU賺錢。

未來瓶頸可能遷移。

從：

GPU

轉移到：

HBM。

Power。

Networking。

Cooling。

Data centers。

Robotics actuators。

甚至：

銅。

所以最聰明的產業研究永遠問：

下一階段約束整個系統增長的東西是什麼？

而不是：

“今天最熱門的公司是誰？”

二十、機器人可能比LLM更大，這個判斷並不瘋狂

爲什麼？

因爲 LLM 主要進入：

knowledge work。

機器人進入：

physical labor。

全球勞動經濟規模巨大。

製造。

倉儲。

物流。

建築。

農業。

養老。

餐飲。

家庭服務。

如果 AI只能幫助程序員寫代碼，

市場已經很大。

如果AI最終能夠：

搬。

抓。

裝配。

駕駛。

清潔。

配送。

施工。

市場則直接進入：

全球實體勞動市場。

所以 Physical AI 的最終 TAM 完全可能超過純語言模型。

但最大的差別是：

LLM迭代：

幾個月。

Robot迭代：

涉及機械、硬件、安全、供應鏈，通常慢得多。

所以：

機器人潛在市場更大，但商業化速度可能慢很多。

這是分析機器人最重要的平衡。

二十一、自動駕駛真正的價值並不是“賣車”

這是很多人理解 Waymo、Tesla autonomy 時最容易錯的地方。

汽車今天的利用率極低。

絕大多數私人汽車：

一天 24 小時，

可能 22—23 小時都停着。

這是一個巨大的資本浪費。

自動駕駛如果真正成熟：

車輛可以：

連續運營。

於是汽車從：

Consumer Durable

變成：

Productive Asset。

類似：

出租車。

服務器。

飛機。

一輛車不再只產生：

“使用價值”。

而可以產生：

cash flow。

於是產業結構可能從：

OEM賣車。

變成：

Autonomous Fleet Network。

這是商業模式層面的革命。

二十二、American Dynamism背後其實是“美國重新工業化”

a16z這幾年越來越重視：

Defense。

Manufacturing。

Aerospace。

Energy。

Robotics。

Infrastructure。

原因非常深。

過去美國幾十年的經濟趨勢是：

製造外包。

金融化。

軟件化。

資產輕量化。

中國則大量積累：

製造業供應鏈。

工業能力。

基礎設施能力。

AI時代以後美國突然重新發現：

你不能只擁有：

software。

你還需要：

工廠。

芯片。

電網。

無人機。

導彈。

機器人。

製造工程師。

所以所謂：

American Dynamism

本質上是一種：

Technology-driven reindustrialization。

這也是爲什麼 Anduril、SpaceX、Palantir 這類公司如此重要。

它們代表一種新的美國科技公司：

不是：

“做一個App。”

而是：

重新建設國家的工業能力。

二十三、把整份a16z市場判斷壓縮成一條產業鏈

你真正應該看到的是：

AI模型能力提高

↓

更多AI任務出現

↓

Token需求爆炸

↓

Inference增長

↓

GPU需求增長

↓

HBM、網絡、服務器增長

↓

數據中心增長

↓

電力需求增長

↓

發電、輸電、冷卻、變壓器增長

↓

製造業資本支出增長

↓

機器人與自動化改善生產能力

↓

AI進入實體經濟

↓

勞動生產率提升

↓

新的應用與商業模式出現

這不是：

“AI軟件行業”。

這是：

一整個新的資本形成周期。

二十四、這也是爲什麼這輪AI週期可能影響美國GDP，而不只是Nasdaq

1990年代互聯網最大的早期影響：

信息傳輸。

今天AI基礎設施則直接帶動：

Construction。

Power。

Manufacturing。

Semiconductors。

Real estate。

Utilities。

Engineering。

所以這輪投資週期本身就可能貢獻：

GDP。

而這也是一個有趣的宏觀變化：

過去十幾年美國增長非常依賴：

消費。

現在AI可能讓：

Private Fixed Investment

重新成爲增長的重要發動機。

如果這一趨勢長期持續，

美國經濟結構可能從：

消費驅動 + 數字服務

逐漸變成：

消費 + 數字服務 + 大規模科技工業資本形成。

二十五、創業者真正該從這裏學什麼？

不要只問：

“什麼AI產品還能做？”

應該問五個更高級的問題：

第一，現在整個產業鏈最大的 bottleneck 在哪裏？

電？

算力？

數據？

Workflow？

人才？

監管？

第二，成本下降100倍以後，什麼以前不經濟的行爲會突然變得經濟？

這是尋找新市場最好的方法之一。

第三，我是在賣軟件，還是在完成工作？

後者TAM通常大得多。

第四，我的價值來自模型，還是模型之外？

如果模型升級以後你的產品就沒用了，

那就沒有護城河。

第五，哪一類客戶已經有明確ROI，而不是隻喜歡AI故事？

真正的大企業軟件公司最終都必須進入：

CFO的Excel。

最後，把這一整套邏輯記成四句話

第一句：

上一輪科技革命把資本從原子世界抽出來，投入軟件；這一輪AI革命正在把軟件產生的智能重新灌回原子世界。

第二句：

AI最大的經濟價值可能不是產生內容，而是把過去只能由人完成的工作變成可計算、可複製、可自動執行的生產過程。

第三句：

未來最大的贏家未必只是擁有最強模型的人，而可能是控制瓶頸、工作流、分發、數據、能源和物理執行能力的人。

第四句：

如果上一代創業的核心問題是“軟件能不能喫掉這個行業”，下一代真正的問題將是——“AI能不能直接完成這個行業裏的工作”。

這就是這份 a16z 材料最值得讀者理解的核心。

它真正描述的不是一次普通的 AI 牛市，而是一個更宏大的可能性：

從互聯網時代的“數字化世界”，進入機器時代的“自動化世界”。

而一旦這個判斷成立，未來十年的最大機會就不會只存在於 ChatGPT 這樣的界面裏。

它會沿着整條產業鏈向下擴散：

模型 → 芯片 → 數據中心 → 電力 → 製造 → 機器人 → 汽車 → 國防 → 醫療 → 整個實體經濟。

這纔是所謂 AI Supercycle 真正值得理解的地方。