全球AI投资破万亿美元，算力供应链进入深度重构期

全球AI投资规模正式突破万亿美元门槛，算力供应链的结构性矛盾随之进入深度重构期。资本端的高速涌入与供给侧的产能瓶颈形成鲜明对照，从芯片制造到数据中心运营再到云计算调度，整条算力链路正在经历前所未有的布局调整。

万亿投资规模与股权融资创纪录背后的资本逻辑

高盛发布的报告指出，2026年全球AI投资总规模预计达到1.019万亿美元，其中美国市场接近6000亿美元。这一数字相比2024年的约4500亿美元实现了翻倍以上增长，标志着AI基础设施投资从试验性投入进入规模化部署阶段。报告显示，2026年第二季度AI相关股权发行规模达到2520亿美元，创下历史新高，反映出市场对AI资产的追捧已从一级市场传导至公开市场融资。

资本流向呈现明显的结构性分化。约60%的投资流向数据中心建设和GPU采购，15%投入芯片制造产能扩张，10%用于电力基础设施升级，剩余部分分布在模型训练、数据标注和软件平台。这种分布结构表明，当前AI产业的资本密集型特征集中在物理基础设施层面，而非算法和软件层。从投资回报周期看，数据中心项目的投资回收期约5-7年，芯片工厂约8-10年，资本的重资产属性决定了这一轮投资周期的持续性较强。

美国接近6000亿美元的投资规模中，超大规模云厂商贡献了约70%。亚马逊AWS、微软Azure和Google Cloud三大平台的资本开支合计超4000亿美元，较2025年增长约45%。这种集中度也意味着云厂商对算力供应链的议价能力空前增强，芯片采购订单的结构和交付节奏直接影响上游供应商的产能规划。

云计算CPU资源紧缺与算力消费模式转变

与万亿投资形成悖论的是，AWS内部备忘录显示其65%的EC2实例CPU利用率低于20%，但CPU资源却处于紧缺状态。这种”整体闲置、局部紧缺”的矛盾根源在于算力消费模式的转变。传统Web服务工作负载以IO密集型为主，CPU利用率天然偏低，资源按峰值配置导致大量闲置。而AI Agent的兴起改变了这一格局——Agent需要持续的推理计算、工具调用和上下文维护，CPU消耗模式从间歇性突发转变为持续高负载。

一个运行在EC2 c6i实例上的传统API服务，CPU利用率通常在5%-15%之间波动，流量峰值时短暂升至40%左右。而运行同样规格实例的AI Agent服务，即使没有用户请求，后台也需要持续运行向量检索、上下文压缩和定时检查逻辑，CPU基线利用率维持在30%-50%之间，活跃推理时飙升至80%以上。这种负载特性差异导致传统按峰值预留的容量规划模型失效——闲置实例的CPU资源无法有效复用给Agent工作负载，因为它们分散在不同可用区的不同实例上。

AWS的应对策略包括推出专门面向AI推理的计算实例类型、在EC2 Fleet中引入基于CPU基线利用率的自动调度算法，以及内部推行的”Compute Savings Program”，要求各业务线明确设定CPU利用率目标并提供优化路线图。这一趋势对整个云计算行业具有信号意义：通用计算实例的SKU设计正在从”性能优先”转向”利用率优先”，未来实例类型的划分可能更多基于工作负载模式而非纯粹的硬件规格。

SpaceX与Tesla合建Terafab芯片工厂的产能展望

SpaceX与Tesla联合宣布在得克萨斯州建设Terafab芯片工厂，初期投资168亿美元，规划面积超过1亿平方英尺。这一项目对标台积电最先进制程的晶圆厂规模，但产能目标显著不同——Terafab的设计目标是实现”1太瓦计算”的年产出能力，即每年生产总算力达到1太瓦级别的算力芯片。半导分析机构SemiAnalysis预测，到2027年Terafab的电力装机容量将超过10GW，相当于一座中型核电站的全部发电能力。

Terafab的定位并非与传统晶圆厂竞争通用芯片市场，而是聚焦于AI加速器的专用产能。当前全球AI芯片产能高度集中于台积电，其CoWoS先进封装产能是制约GPU和ASIC交付的核心瓶颈。SpaceX和Tesla入局芯片制造的战略逻辑在于算力自主可控——SpaceX的星链卫星网络和卫星端推理需求、Tesla的自动驾驶FSD芯片和Dojo训练系统，都需要稳定的高算力芯片供给。自建产能虽然初期资本开支远超采购成本，但在地缘政治不确定性加剧的背景下，供应链安全溢价正在被重新定价。

10GW的电力需求是Terafab面临的重大挑战。目前全球最大规模的单体晶圆厂电力装机约2-3GW，Terafab需要配套建设专用发电设施或签订大规模购电协议。得克萨斯州的电力市场环境为这一项目提供了独特优势——丰富的风电和光伏资源可以显著降低运营碳排放，同时该州电力市场的独立调度机制避免了跨州电力传输的监管障碍。Terafab如果按计划建成，将使全球AI芯片产能的地理分布从过度依赖东亚转变为更加均衡的多极化格局。

国产十万卡AI加速卡集群上线与算力自主化进展

中科曙光在郑州建设的国产十万卡AI加速卡集群正式上线运行。该集群采用国产DCU加速卡构建，支持26个应用领域超过300个计算任务，日均作业量超过15万个。十万卡规模的集群在系统互连、调度策略和故障容错方面面临极高的工程挑战——万卡级别的训练任务中，单个节点的故障概率累积到每天数次，如果不具备高效的断点续训和故障隔离能力，大规模训练任务的完成时间将因频繁重启而严重膨胀。

郑州集群的技术架构采用三级互连拓扑：节点内通过高速PCIe Gen5连接GPU与CPU，节点间通过200Gbps InfinBand网络构建无阻塞胖树拓扑，跨机柜通过400Gbps以太网骨干互连。这种分层互连设计在成本和性能之间取得平衡，相比全InfinBand方案节省约30%的网络设备成本，同时保持85%以上的大规模集合通信效率。

日均15万个作业的吞吐量反映出该集群采用了细粒度调度策略。传统超算作业调度以独占节点为主，单作业持续数小时至数天。AI训练集群则需要支持大量中等粒度的微调、推理和数据处理作业并发执行，调度系统需要实现GPU级别的资源共享和抢占式调度。曙光配套的调度系统支持基于容器的弹性分配，将单张GPU的资源按显存和算力维度切分给多个轻量任务，提高整体利用率。这一国产集群的上线标志着中国在万卡以上规模AI算力基础设施建设能力上取得实质性突破，在芯片制程受限的条件下，通过系统和架构创新实现了可用算力规模的快速提升。

2026国际基础科学大会与底层研究的长期价值

2026国际基础科学大会（ICBS）在北京开幕，颁发了首届ICBS奖章，9位获奖者包括数学领域的Claire Voisin、Horng-Tzer Yau、张寿武等。大会期间举办超过500场学术活动，覆盖数学、理论物理和理论计算机科学三大基础学科。这一活动的意义不仅在于学术交流本身，更在于它折射出基础科学与AI技术发展的深层关联。

当前AI技术的核心突破——从Transformer架构到大模型训练的理论基础——本质上植根于数学和理论计算机科学的长期积累。ICBS奖章获奖者Claire Voisin在代数几何领域的工作为理解高维数据结构提供了理论工具，Horng-Tzer Yau在数学物理领域的贡献与统计力学和随机矩阵理论密切相关，而这些理论正是理解大模型训练动态和泛化能力的重要分析框架。张寿武在数论和算术几何领域的工作虽然看起来离工程应用遥远，但其发展的工具体系在密码学和分布式计算安全领域有直接应用。

500余场学术活动中，相当比例涉及计算理论、优化算法和信息论的最新进展，这些方向恰好是AI算力效率提升的理论源头。在算力供应链面临物理极限约束的节点上，算法层面的效率突破可能成为突破产能瓶颈的关键路径。基础科学研究的投入回报周期动辄数十年，但其对技术革命的底层支撑作用不可替代。全球AI投资规模虽然已达万亿量级，但如果底层理论基础储备不足，硬件投入的边际收益递减将不可避免。从这个角度看，基础科学大会的学术价值与万亿规模的产业投资形成互补关系——前者拓展知识边界，后者将知识转化为生产力，两者的良性互动是AI技术持续发展的必要条件。