2026夏季达沃斯聚焦AI能源瓶颈，高盛警告AI投资占GDP比重已超互联网泡沫高点。今日早报覆盖能源、资本、芯片、IPO四条主线，末段附中国软件开发企业应对建议。
6月24日到25日，两条消息几乎同时抵达：夏季达沃斯把「无电力，不智能」搬上核心议程，而高盛发布研报指出美国科技投资占GDP比重已突破互联网泡沫时期峰值。一个在追问「电够不够」，一个在追问「钱值不值」。昨日早报中我们关注了字节旗舰模型发布和Agent市场冲刺449亿美元，今天转向基础设施层的两股暗涌。本日早报聚焦能源、资本、芯片、IPO 四条线。
2026 年夏季达沃斯论坛将 AI 与能源的紧张关系推到了聚光灯下。一组被反复引用的数据：一度电只能支撑 AI 生成约 5 万到 7 万个 token——差不多一本《雷雨》的文字量。国际能源署（IEA）预测，全球数据中心年耗电量将从 2024 年的 415 太瓦时翻倍至 2030 年的 945 太瓦时。（北京商报，6 月 24 日）
现场一项即兴投票的结果更直观：约 70% 的参会者认为能源和电网容量将在未来五年成为制约 AI 增长的主要瓶颈。宁德时代创始人曾毓群在现场给出了一个关键判断：问题不在总量，而在结构。中国新增数据中心的总耗电量相对于电力总量占比有限，但必须解决「用化石能源还是可再生能源」这道题。他透露中国已要求新建数据中心使用 80% 的可再生能源，并强调储能是弥合可再生能源波动性的关键——「一年 8760 小时，每小时都需要持续供电，没有哪个地区能保证。」
晶科能源副总裁钱晶在论坛期间算了一笔账：传统化石能源按现有节奏尚能支撑三四十年，AI 的爆发式叠加将狠狠压缩这个时间窗口。「未来数据中心的胜负手，不只看芯片算力，更看是否拥有稳定的电力底座。」（证券时报，6 月 25 日） 与此同时，曾毓群提供了一个令人信服的例证：宁德时代几家制造工厂采用 AI 系统后，电费支出减少了 30%。AI 既可以是能源的消耗者，也可以是能源的优化者。
高盛在 6 月 24 日发布的最新研报中抛出了一组令人警觉的数字：美国科技投资占 GDP 比重已升至约 4.9%，突破 2000 年前后互联网泡沫时期的高点。超大规模云厂商（Hyperscalers）2026 年资本开支预期在过去约 6 个月内被上调近 80%——从 5200 亿美元猛增至 7720 亿美元；2027 年预测更由 6140 亿美元升至 9420 亿美元。（财联社，6 月 24 日）
自 2022 年 11 月 ChatGPT 发布以来，AI 相关上市公司市值与私营 AI 企业估值累计增加约 27 万亿美元。但高盛的基准估算显示，AI 提升美国生产率后可为企业带来的新增资本收入现值仅为 9 万亿美元。即使叠加多项乐观假设——美国企业获得全球 AI 收益的 50%、更快采用速度——估值也仅升至 18 万亿至 28 万亿美元。只有在极端乐观假设下才能触及 43 万亿美元。
高盛不认为当前已完全复制 90 年代末的泡沫路径——美国企业利润率仍接近历史高位约 14%，经常账户赤字也未像当年那样恶化——但提出了一个新概念：「盈利泡沫」。当前云厂商 2026 年资本开支预计将占经营现金流的约 100%，意味着这些公司正将几乎全部内部现金流重新投入 AI 基础设施。一旦资本开支增速放缓，直接受益于投资潮的半导体、服务器、数据中心企业可能首先面临收入回落和估值重估。
产业调研网（Cir.cn）6 月 25 日发布的《2026-2032 年全球与中国大模型推理芯片行业研究及前景趋势报告》指出，随着开源大模型浪潮与智能体应用的爆发式增长，算力需求结构正发生根本性转变——推理算力增速远超训练算力，算力重心加速向推理侧倾斜。（产业调研网）
技术层面，AI 芯片正朝 Transformer 与混合专家（MoE）专用加速、高带宽存储集成及存算一体方向快速迭代。Chiplet 芯粒技术被视为突破单一架构性能瓶颈的关键路径。在互联层面，节点内高速互联与节点间光互联技术正在提升算力集群的通信效率。同时，连续批处理、量化及稀疏注意力等推理性能优化技术的广泛应用，正在进一步释放芯片的算力潜能。国产替代与全球供应链重构的双重背景下，具备自主指令集和全栈协同能力的芯片企业正在争夺新的生态位。
当地时间 6 月 1 日，Anthropic 在官网宣布已向美国证券交易委员会（SEC）秘密递交 IPO 申报材料（S-1 注册声明，采用保密审核流程）。这家成立近 5 年的公司计划最快于 2026 年秋季挂牌上市。（虎嗅，6 月 2 日） 这也是继 6 月中旬 Anthropic 冲刺万亿美元估值 传闻后，该公司在资本市场的最新实质性动作。
预测市场 XBIT DEX 的数据显示，截至 6 月 1 日，Anthropic 被预测为 6 月底拥有「最佳 AI 模型」的概率高达 83.2%，远超 Google（13.5%）和 OpenAI（3.2%）。（腾讯新闻，6 月 1 日） Anthropic 此次抢先 OpenAI 启动上市进程，意味着 AI 基础模型层的竞争正在从技术叙事转向资本叙事。如果顺利上市，它将成为继 2025 年 CoreWeave 之后又一家登陆公开市场的 AI 基础设施公司。
据《华尔街日报》6 月 4 日报道，Meta 已多次推迟向开发者发布其新款 Muse Spark AI 模型 API 的计划，原因涉及漏洞和基础设施问题。截至当周该 API 仍无确定上线日期，但 Meta 发言人随后对外表示，已与部分早期合作伙伴开始测试，并期待本月发布。（汇通财经，6 月 4 日）
Muse Spark 是 Meta 在开源大模型路线上的最新动作。在 Llama 系列逐步确立开源生态地位后，Meta 试图通过 API 化路径将模型能力直接嵌入开发者工作流。不过连续跳票也暴露出大规模模型 API 化在工程侧的复杂性——高吞吐量内核、并发调度、安全对齐，每一项都不是「把模型包一层 API」那么简单。回顾 6 月 17 日 AI 早报 中我们分析过的趋势，模型 API 化正在成为大厂标配动作，但工程落地远比战略发布艰难。
IEA 数据显示 2024 年全球数据中心耗电 415 TWh，预测 2030 年达 945 TWh。一次 ChatGPT 查询的耗电量约为 Google 搜索的 10 倍。但总量占比有限——曾毓群在达沃斯指出，中国新增数据中心耗电量相对电力总量占比并不高，真正的挑战在于能源结构而非总量。
高盛的判断是：不是「估值泡沫」，而是「盈利泡沫」风险在上升。美股前瞻市盈率并未显著扩张，但市场对 2026/2027 年盈利的预期不断上调——而这些盈利高度依赖云厂商的资本开支周期。一旦 capex 增速放缓，整条供应链的利润都可能被重估。
训练芯片追求高浮点算力（TFLOPS）以加速模型参数更新，功耗和成本容忍度高。推理芯片更关注能效比（TOPS/W）、低延迟和成本控制，因为推理需要持续运行、面向海量并发请求。随着 AI Agent 和 AI Coding 等应用落地，推理需求增速已明显超过训练需求。
| 新闻事件 | 核心数据 | 关键信号 |
|---|---|---|
| 达沃斯 AI 能源议程 | 2030 年数据中心耗电 945 TWh；70% 参会者看瓶颈 | 电力底座成为 AI 竞争新维度 |
| 高盛 AI 投资研报 | 科技投资占 GDP 4.9%；capex 预期半年上调 80% | 市场定价领先宏观兑现，「盈利泡沫」风险上升 |
| 推理芯片赛道爆发 | 推理算力增速远超训练算力 | 算力重心向推理侧倾斜，Chiplet + 存算一体成关键路径 |
| Anthropic 秘密递表 | 6 月 1 日提交 S-1，最快秋季上市 | AI 基础模型层竞争转向资本叙事 |
| Meta Muse Spark API | 多次跳票后计划 6 月发布 | 大模型 API 化工程复杂度超预期 |
把今天的五条新闻串起来看，一条主线很清晰：AI 基础设施成本正在从「可忽略」变成「必须精算」的变量。
达沃斯的讨论揭示了一个基本事实——一度电 5 万 token，意味着一个日均调用百万 token 的应用，仅推理侧每天就要烧掉约 20 度电。如果按商业电价计算似乎不多，但叠加模型授权费、云服务溢价、并发峰谷调度损耗之后，单客户月成本很容易突破数千元。高盛的数据从另一个角度敲了警钟：云厂商 capex 已接近经营现金流的 100%，这些成本最终会以涨价或缩减免费额度的形式传递到应用层。
站在中国软件开发企业的立场，三条行动建议是清晰的：第一，在应用层做推理成本优化——量化、缓存、路由到更便宜的模型、对简单 query 使用小模型——不是在「省钱」，而是在「保利润」；第二，关注能效设计，数据中心 PUE 和芯片能效比（TOPS/W）应进入技术选型的核心评估维度；第三，不要盲目堆算力。推理芯片赛道的爆发意味着专用硬件正在拉低单 token 成本，等待半年可能意味着同样的推理任务成本下降 30%-50%。
宁德时代工厂用 AI 省了 30% 电费的例子也值得深思——用 AI 优化 AI 的能耗，可能是这个阶段最被低估的杠杆。
