随着AI从“能聊天”走向“会干活”，一场AI基础设施建设浪潮正在全球范围内加速展开。
“AI使用模式正从生成式查询向代理式行动加速演进，推动算力需求持续攀升。”台积电首席执行官魏哲家在年度股东会上表示，即便持续扩张全球产能，公司仍无法在未来数年内满足由人工智能驱动的芯片需求，并重申2026年全年以美元计算的营收增速将超过30%。
摩根士丹利曾预计，到2028年全球数据中心建设成本约为2.9万亿美元；大型科技公司2026年资本开支预计达到7400亿美元，同比增长69%。高盛则预计，全球数据中心电力需求到2027年增长50%，到2030年较2023年最高增长165%。
戴尔、联想等头部整机厂商最新财报也传递出同一信号：AI服务器需求不仅没有放缓，反而正在从集中式训练向推理、智能体部署与企业级应用全面扩散。
然而，多位业内人士在接受《科创板日报》记者采访时表示，市场热情背后，算力成本、商业价值度量、垂直场景适配等挑战，成为智能体规模化落地前必须跨越的门槛。
AI基础设施需求从单一训练算力，扩展到推理、Neocloud等
戴尔2027财年第一财季的总营收达到438.4亿美元，同比增长近88%，创下自2018年重返公开市场以来的最快单季增速。
其中，AI服务器收入同比暴涨757%，达到161亿美元；当季斩获的AI相关订单高达244亿美元，积压AI服务器储备订单更是达到创纪录的513亿美元。
“AI的机会丝毫没有放缓的迹象。”戴尔首席运营官Jeff Clarke在财报声明中直言。基于这一强劲表现，戴尔将2027财年全年AI服务器收入预期从500亿美元大幅上调至600亿美元。
无独有偶，联想集团2026财年第四季度同样交出不错的成绩单。AI相关收入同比增长84%，占集团总收入比重提升至38%。基础设施方案业务（ISG）经营利润率转正至3.6%，收入56亿美元，同比增长37%，均为纪录高位。AI服务器储备订单达210亿美元。
市场正在形成一个清晰共识：AI基础设施需求结构正在从单一训练算力，扩展到训练、推理、Neocloud、企业部署和数据中心建设共同驱动的长期资本开支周期。
CIC灼识董事总经理陈一心在接受采访时指出，整机厂商作为下游系统集成与品牌商，直接面对最终客户，是产业链价值传导的关键节点。“能够将高性能CPU/GPU、先进互联、液冷、高压电源等复杂子系统高效整合并优化的厂商，将获得更高溢价。”
艾媒咨询CEO张毅表示：“因为AI基础设施的商业价值从上游芯片向下游整机传递，这已经非常明显。戴尔、联想等厂商凭借定制化的整机和液冷方案，迎来了不错的订单机会和利润双升。”
Agent AI时代的全面到来
AI基础设施需求的背后，是智能体热潮。
备受关注的Claude Code，以及开源agent框架Open Claw等工具，正在改变人们使用软件的方式。AI不再只是聊天窗口里的助手，而是开始像一个能持续调用工具、编写代码、执行任务、维护会话和管理工作流的“数字员工”。
阿里巴巴CEO吴泳铭在5月财报电话会上透露，从去年年底至今，API调用需求的大幅增长几乎全部由AI编程能力提升带动，阿里百炼MaaS平台年化经常性收入已突破80亿元。
黄仁勋更在GTC 2026宣告Agent AI时代的全面到来，并宣布 NVIDIA Vera Rubin 全面投产，旨在推动全球的智能体AI工厂的发展。Vera Rubin 专为智能体时代打造，提供了英伟达迄今为止规模最大的 POD 级平台。高通总裁兼CEO克里斯蒂亚诺·安蒙也在演讲中宣告“2026年是AI Agent之年”。
云岫资本方面对《科创板日报》记者表示，随着AI从训练走向应用和推理，模型即服务增长空间巨大。不同的垂直应用类的模型消耗大量的Token，一旦在实体经济当中产生稳定的收益，会引发群体效应，带来高增长。
在此趋势下，陈一心分析认为，单芯片红利正在放缓，机柜已成为新的超级芯片。随着单点功耗逼近物理极限，AI基础设施的竞争已演进到机柜级阶段。互联、液冷、电源的工程落地能力，正在直接决定算力的实际交付效率。
具体而言，多个产业链环节迎来结构性机会：
在电源与能源管理方面，AI服务器电源市场正迈入高速增长通道。能够提供高功率、高可靠性、高效率，特别是符合高压直流趋势的整柜电源解决方案的企业将核心受益。
在高效液冷方面，传统风冷散热达到瓶颈，液冷技术从可选项变为必选项，催生冷板、浸没等液冷方案及配套精密结构件的巨大市场。
此外，数据中心内部互联成为关键资产，专注于高速互联解决方案的企业面临机遇。同时，AI设备对高端PCB的需求扩大，利好高端PCB设备及制造厂商。除了核心的GPU，专注于AI推理、互联接口或存算一体等细分领域的芯片及IP公司，也将在重构的硬件生态中找到位置。
AI应用尚未形成商业规模
然而，热潮之下，智能体的落地挑战同样不容忽视。
IDC中国研究总监卢言霞指出一个现实问题：“目前大部分AI应用赛道都没有成商业规模，AI软件也都还没有形成规模。”
Gartner的判断更为冷静：到2027年底，超过40%的Agentic AI项目可能因成本高、商业价值不清或风控不足而被取消。
陈一心认为，具体挑战集中在以下几个方面：
算力成本居高不下：企业部署私有化模型或调用大型API，均面临显著的算力成本和后期维护成本。如何平衡效果与成本，找到最优的性价比方案，是商业化推广的关键。
价值度量难题：除了编程等场景，一些AI应用带来的价值提升难以直接、精确地度量，这会影响客户的付费意愿和定价策略的制定。
技术成熟度与可靠性挑战：医疗等行业对AI输出的准确性、可靠性和可解释性要求极高。当前大模型存在的问题不足以支撑这一类行业的大规模落地。
组织与人才壁垒：企业成功应用AI不仅需要技术，更需相应的业务流程改造、数据治理能力以及兼具AI技术与行业知识的复合型人才。
优刻得董事长兼CEO 季昕华对《科创板日报》表示，AI投入产出比存在一定的现实挑战。
“企业老板有两大焦虑，如何让员工真正用起来，以及用了以后，发现成本上升但效率提升不明显。比如公司每周AI花费六十几万元，每月近三百万元，效果尚未完全显现，所以接下来，如何能够衡量大模型的效果和效率才是关键。”
市场一边追逐智能体，一边又迅速把问题从“能不能做”转向“值不值得做”。这场智能体热潮最终将如何落地，取决于基础设施成本能否有效下降、商业模式能否清晰验证、以及垂直场景能否真正跑通价值闭环。这既是前所未有的机遇，也是一场需要耐心与实力的长跑。
对此，云岫资本相关负责人认为，来自于经验和垂直行业等专有数据的训练和Token，会更显其独特价值，在解决某些复杂的垂直行业问题上，积累专业数据和经验，能建立长期的壁垒和市场空间。
卢言霞则判断，随着大模型开始收费，基础大模型可能会独立成为一个赛道。WorkBuddy、TraeSolo、QCoderWork 这类桌面智能体也值得看好。AI营销赛道则是早已落地的领域，比如AI辅助营销与客服一体化等，但该赛道的厂商比较分散。接下来，需要关注的是，在企业各个领域中，哪些领域能率先跑出数字人/数字员工的应用。
富牛证券提示：文章来自网络，不代表本站观点。
