该行指出，过去技术革命往往遵循“基础设施先行、应用随后、融资配套”的顺序，而AI正在打破这一节奏，基础设施建设与产业改造并行推进，资本市场也被迫同步重构。
预计，2026年至2031年，全球围绕计算、和的AI资本开支将达到约7.6万亿美元，年度投入将从2026年的7650亿美元升至2031年的1.64万亿美元。超大规模云厂商到2030年的AI投资或超过6万亿美元。
未来竞争的关键不只是模型或芯片，而是资本结构、能源供给、产业数据、工程能力和部署能力。
AI基础设施的扩张仍是整个产业链的起点。2026年，全球超大规模云厂商资本开支预计超过7600亿美元，相当于每天投入约20亿美元；全球供给则已从2019年的30吉瓦增至2024年的57吉瓦，预计2030年前还将新增约65吉瓦。
高盛认为，AI需求增长速度正在快于基础设施建设。一个标志性案例是，谷歌在2026年6月同意向SpaceX每月支付约9.2亿美元（到2029年中累计约300亿美元），以获取大约11万颗英伟达GPU的使用权。
这反映出，即使是拥有大规模自建数据中心的科技巨头，也难以完全依靠自身建设节奏满足算力需求。
此外，逐渐成为新的约束条件。传统电网原本面向相对稳定的居民和商业负荷设计，而AI训练和推理带来的用电需求高度集中，且增长速度极快。
高盛指出，数据中心并网排队期在部分核心市场已长达8至12年，远长于GPU更新周期。电网、变压器、配电设备和施工人员的短缺，可能令AI扩张从“缺芯”转向“缺电、缺设备、缺工人”。
高盛预计，随着智能体能够承担更多过去由人完成的任务，未来十年自动化和企业软件的潜在市场规模将扩大约2.5倍。但市场并未因此给予传统软件公司更高估值，反而担忧AI会压低软件定价、侵蚀订阅收入，并重构利润率。
今年上半年，iShares扩展科技软件ETF（其主要持仓包括微软和Salesforce等公司）下跌约17%，较2025年10月高点下跌约26%。同期，软件板块远期市盈率从2025年末约35倍压缩至约22倍，为2014年以来低位。
背后的原因在于，SaaS（软件即服务）时代依赖席位订阅、功能模块和客户关系获取溢价的商业模式，正在被“按结果付费”的新模式挑战。
未来AI软件的价值，可能更多集中于三层：一是直接完成任务、交付结果的应用层；二是调度模型、工具和工作流的智能体编排层；三是沉淀企业专有数据、业务流程和机构知识的数据与上下文层。
模型本身则可能更快商品化。尤其在推理环节，中国模型正在以更低成本改变市场定价。
高盛指出，中国模型在OpenRouter平台Token消费中的占比，已从2024年末的低个位数升至2026年初约50%。
报告称，部分中国模型提供商可在政策与成本支持下接近成本定价，而私营资本支持的美国模型公司必须考虑资本回报。
随着推理价格下降，企业未来的竞争重点将不只是“接入哪个模型”，而是能否把模型嵌入独有的数据、流程和业务结果之中。
高盛认为，工业AI软件的影响可能比传统企业软件更大，因为其覆盖制造、能源、汽车、生命科学和航空航天等多个行业。
其核心是，即对工厂、设备、产品或流程进行高保真虚拟映射。企业可以在现实改造前，先在虚拟环境中模拟成本、产能、材料表现和投资回报，再将结果反馈至生产环节。
具体而言，制造企业可由定期维护转向预测性维护；企业可通过生成自动驾驶训练数据；药企可缩短药物发现和临床设计周期；电力公司则可预测负荷并优化调度。
高盛在报告中列出了几个关键并购案例。西门子德国安贝格工厂借助AI预测性维护，已将生产停机时间降低40%。在产业并购层面，西门子2025年以51亿美元收购Dotmatics，意在从制药设备制造延伸至药物研发模拟。
Synopsys（新思科技）以350亿美元收购Ansys，整合芯片设计、仿真和物理建模能力；Emerson（艾默生电气）则以约170亿美元完成对AspenTech剩余股权的收购，强化流程仿真和工业AI能力。
高盛指出，自2020年以来，大型工业公司已斥资超过1100亿美元收购这一领域的软件资产。其逻辑并非简单扩大规模，而是企业希望控制从研发、仿真、设计到制造和运营的完整工具链。
AI进入现实世界的另一条路径，是、自动驾驶设备、无人机和智能工业装备。高盛将其称为“物理AI”，其难点远高于文本生成模型，原因是机器不仅要理解语言和图像，还要处理重力、摩擦、材料、温度、运动轨迹和安全约束。
高盛认为，未来赢家将具备五项能力：物理规律驱动的算法架构、专有数据、边缘部署能力、通过安全认证的能力，以及与现有工作流深度整合的能力。尤其在航空、能源和领域，模型一次错误就可能造成严重后果，可靠性和可认证性是商业化前提。
人形机器人是市场最受关注的方向。高盛预计，全球市场将从2025年的约2万台增长至2035年的140万台。其需求基础在于劳动力短缺：美国制造业约有1300万从业者，物料搬运岗位缺口超过100万个。
但高盛也提示，距离大规模盈利仍有距离。资本和硬件进展较快，真正滞后的是工厂部署、员工培训、任务流程设计和单位经济性验证。现阶段，商业价值最明确的并非人形机器人，而是仓储、自动化设备和无人化工业装备。
与主要处理文本和图像的大语言模型不同，世界模型试图理解物理和社会系统中的因果关系，例如模拟摩擦、材料行为、供应链反应、政策冲击或企业竞争策略。
物理世界模型将支撑机器人、、自动驾驶和工业设计；社会世界模型则可能被用于战略推演、投资决策、治理压力测试和政策情景分析。
高盛认为，世界模型并非替代大语言模型，而是叠加新的计算需求。若其发展速度超预期，当前围绕算力和电力的投资预测仍可能偏低。
高盛认为，国防集中了实体AI、政府资本、供应链安全和战略竞争等多个因素，是AI工业化逻辑最尖锐的试验场。
AI不会取代人类作战决策，而是在开火前的侦察、通信、导航、识别、后勤和任务执行中充当力量倍增器。
其中，和自主飞行器是较早落地的类别，因为人类仍可控制任务目标，AI负责飞行、导航和目标识别。
国防与太空的技术要求高度一致：都需要在信号受干扰、GP买球股份有限公司S受限、低延迟和边缘计算环境下运行。
报告以为例：其在收购xAI后，已同时具备国防、连接服务和AI算力属性，并计划从2028年起部署可在太阳同步轨道进行大规模AI推理的卫星。
数据中心、服务器和电力资产已逐步形成较成熟的融资路径：投资级债券、项目融资、私募信贷、ABS、CMBS、基础设施基金和售后回租均可参与。
但机器人、人形机器人、自动化设备和实体AI的融资仍不成熟。它们既不像软件公司那样轻资产，也不像数据中心那样具备稳定现金流和可抵押资产。
GPU更新快、残值不确定，机器人则需要长时间部署、验证和维护，传统债务工具难以直接覆盖这些风险。
因此，未来AI产业真正的融资难点，不在于科技巨头能否继续购买GPU，而在于如何将早期技术风险、硬件折旧风险、长期部署风险和客户收入风险，转化为保险资金、私募信贷、项目融资和长期机构资本能够接受的资产。
