在人工智能爆发式增长的今天，算力已成为这个十年最关键的战略资源之一。全球范围内，数百万台服务器全天候运转，支撑着基础模型训练与机器学习应用的落地，而运行这些数据中心所需的硬件、处理器、内存、存储设备及能源，共同构成了支撑 AI 发展的核心 —— 算力。麦肯锡研究显示，到 2030 年，全球数据中心为满足算力需求需投入 6.7 万亿美元，其中 AI 专用数据中心资本支出达 5.2 万亿美元，传统 IT 应用数据中心需 1.5 万亿美元，这场规模惊人的投资竞赛，正重塑全球科技产业格局。
原文下载：AI产业_麦肯锡_2025计算成本AI驱动下数据中心基础设施.pdf
算力需求爆发：AI 与非 AI workload 的双重驱动
算力需求的激增，源于 AI 与传统非 AI 业务的双重拉动。AI 负载虽占据主导地位，但非 AI 处理任务仍是数据中心活动的重要组成部分，包括网页托管、企业资源规划系统、电子邮件和文件存储等。与 AI 负载不同，非 AI 负载对算力要求较低，可通过中央处理器高效运行，无需专用图形处理器或 AI 加速器，且使用模式更可预测、功率密度更低，对冷却和能源的需求相对温和，这使得专注于非 AI 处理的数据中心在基础设施需求、资本密集度和运营考量上，与 AI 优化的数据中心存在显著差异。
从增长前景来看，全球数据中心容量需求到 2030 年可能增长近两倍，其中约 70% 来自 AI 负载。麦肯锡预测，到 2030 年 AI 相关数据中心容量需求将达 156 吉瓦，2025 至 2030 年间新增 125 吉瓦。这一预测的实现，取决于两大关键变量：AI 用例的商业价值转化与技术创新周期的影响。若企业无法将 AI 转化为实际业务价值，算力需求可能不及预期；反之，变革性 AI 应用可能催生远超当前预测的需求。而技术创新的影响则更为复杂，尽管 DeepSeek V3 模型等案例显示，AI 模型的训练成本可降低 18 倍、推理成本降低 36 倍，但杰文斯悖论在此同样适用 —— 效率提升会刺激更广泛的 AI 实验与训练，长期来看可能抵消效率增益对算力需求的缓解作用。
投资规模与场景：从 3.7 万亿到 7.9 万亿的变量博弈
为应对 AI 算力需求，全球相关产业链需在 2030 年前投入 5.2 万亿美元，这一核心预测基于多场景分析与关键假设。麦肯锡构建了三种投资情景：加速需求情景下，2025 至 2030 年 AI 相关数据中心容量新增 205 吉瓦，需资本支出 7.9 万亿美元；持续增长情景（即基准情景）需 5.2 万亿美元，对应 124 吉瓦新增容量；受限需求情景下，新增容量 78 吉瓦，资本支出仍需 3.7 万亿美元。无论哪种情景，其投资规模都令人瞩目：3000 亿美元的发电投资相当于新增 150-200 吉瓦天然气发电能力，可满足 1.5 亿美国家庭一年的用电需求；1500 亿美元的光纤投资可铺设 300 万英里光缆，足以绕地球 120 圈。
如此庞大的投资规模，由四大因素共同驱动：生成式 AI 的大规模采用、企业级 AI 集成、基础设施竞争竞赛与地缘政治考量。生成式 AI 的基础模型训练和运行需要巨量算力，训练与推理负载共同推动基础设施增长，其中推理预计到 2030 年成为主导负载；从汽车到金融服务等行业的 AI 应用部署，需要海量云计算能力，且随着用例拓展，AI 应用将更趋复杂，整合特定领域的专用基础模型；超大规模企业与普通企业争相构建专有 AI 能力以获取竞争优势，催生了更多数据中心建设，这些 "建设者" 希望通过规模化、优化数据中心技术栈来降低算力成本；各国政府为增强安全、经济领导力和技术独立性，也在 AI 基础设施领域加大投入。
投资流向与主体：五大投资者的角色分工
AI 算力投资的 60%（约 3.1 万亿美元）流向技术开发商与设计者，用于生产芯片和计算硬件；25%（约 1.3 万亿美元）分配给能源供应商，用于发电、输电、冷却和电气设备；15%（约 800 亿美元）流入建设者，用于土地、材料采购和场地开发。这一分配格局对应着五大核心投资者原型，各自承担着不同的角色与使命。
建设者包括房地产开发商、设计公司和建筑企业，如特纳建筑公司和 AECOM，其 AI 相关资本支出约 800 亿美元，非 AI 相关支出 100 亿美元，核心投资集中在土地与材料采购、技术劳动力和场地开发。他们的机遇在于通过优化选址获得黄金地段、缩短建设周期，但面临劳动力短缺、选址限制和机架功率密度提升带来的空间与冷却挑战，模块化设计与场外预制成为其应对之道。
能源供应商涵盖公用事业公司、冷却 / 电气设备制造商和电信运营商，如杜克能源、施耐德电气等，AI 相关投资 1.3 万亿美元，非 AI 相关 200 亿美元，主要用于发电设施、输电线路、冷却解决方案和网络连接。他们的核心机遇是满足超大规模企业日益增长的能源需求，但需应对电网薄弱、散热管理、清洁能源转型和电网连接审批周期长等挑战，为此正加大对核能、地热、碳捕获与封存等新兴发电技术的投资，同时加速可再生能源与传统能源基础设施建设。
技术开发商与设计者以半导体企业和计算硬件供应商为核心，如英伟达、英特尔、富士康等，AI 相关投资 3.1 万亿美元，非 AI 相关 1.1 万亿美元，专注于 GPU、CPU、内存、服务器等关键硬件。他们是算力竞赛的核心受益者，但面临市场供应集中、产能不足和需求预测难度大等问题，扩大制造产能与供应链多元化成为其降低风险的关键。
运营商包括云服务提供商、托管服务商和 GPU 即服务平台，如亚马逊网络服务、谷歌云、Equinix 等，其投资集中在数据中心软件、AI 驱动自动化和定制芯片，核心机遇是通过高效规模化平衡投资回报、性能与能源使用，但不成熟的 AI 托管应用导致 ROI 计算模糊，运营效率低下与需求不确定性也带来挑战，优化冷却方案、提升机架堆叠密度和开发低算力需求模型成为其解决方案。
AI 架构师涵盖 AI 模型开发商、基础模型提供商和构建专有 AI 能力的企业，如 OpenAI 和 Anthropic，主要投资于模型训练与推理基础设施、算法研究。他们的竞争优势在于开发性能与低算力需求平衡的架构，但需应对 AI 治理、推理成本不可预测和 ROI 难以证明等问题，通过稀疏激活、蒸馏等技术优化模型架构，成为降低推理成本的关键路径。
投资挑战与破局之道：在不确定性中把握先机
尽管算力需求旺盛，但当前投资水平仍滞后于需求。麦肯锡通过数十次客户访谈发现，CEO 们因对未来需求缺乏清晰认知，不愿全力投入算力产能建设。AI adoption 的增长持续性不确定、基础设施项目建设周期长、投资回报难以量化等因素，使得企业投资决策陷入两难：过度投资可能导致资产闲置，投资不足则会错失发展机遇。
要在这场竞赛中脱颖而出，企业需在三大关键领域发力。首先，在不确定性中把握需求预测，尽早评估 AI 计算需求，预判需求变化，设计可随 AI 模型与用例演进的规模化投资策略。其次，聚焦算力效率创新，优先投资成本与能源效率兼具的计算技术，在优化性能的同时管控能耗与基础设施成本。最后，构建供应端韧性，保障能源、芯片等关键投入，优化选址并增强供应链灵活性，避免资本过度扩张。
同时，企业还需应对三大核心不确定性：技术突破可能降低硬件与能源需求；劳动力短缺、供应链瓶颈和监管障碍可能延缓电网连接、芯片供应和数据中心扩张；关税波动与技术出口管制等地缘政治紧张局势，可能给算力需求带来不确定性，进而影响基础设施投资与 AI 增长。
结语：算力竞速重塑 AI 未来
AI 驱动的算力需求，正引发一场规模达 7 万亿美元的全球数据中心投资竞赛。从建设者到 AI 架构师，五大投资主体在各自赛道上奋勇争先，既要应对劳动力、供应链、监管等现实挑战，也要在技术变革与需求波动的不确定性中寻找平衡。这场竞赛不仅是数据中心基础设施的规模化比拼，更是对企业战略眼光、创新能力与供应链韧性的全面考验。
未来五年，能够准确预判需求、持续优化效率并构建坚韧供应链的企业，将在 AI 时代占据主导地位。而这场投资浪潮的最终影响，不仅将重塑科技产业格局，更将深刻改变 AI 的发展路径，推动人工智能从实验室走向更广泛的商业应用，为社会经济创造更大价值。在这场关乎未来的竞速中，平衡增长与资本效率，将是所有参与者必须坚守的核心原则。