人工智能浪潮对软件行业的冲击 - 人工智能浪潮发展迅猛 特别是Anthropic等公司发布的新模型 如Opus 4.6、Claude Code和Claude Cowork 加剧了市场对传统企业软件股的担忧 [2][3] - 市场担忧AI智能体能够编写软件并执行多种功能 可能降低底层软件的重要性和价值 导致投资者质疑AI是会取代软件还是仅仅减少软件许可购买 [2][5] - 软件行业在2026年初开局艰难 最大的软件交易所交易基金iShares Expanded Tech-Software Sector ETF年内已下跌21.7% [4][5] 华尔街分析师的分歧观点 - Fundstrat的Tom Lee认为 人工智能正在软件行业造成严重破坏 这意味着裁员即将到来 [1] - Wedbush的Dan Ives则认为此次软件股抛售令人费解 并称之为“黄金买入机会” 他相信AI用例将爆炸式增长 关键软件的整体使用量将大幅跃升 足以弥补任何价格压力 [4][5][6] - 两位分析师的观点差异可能在于细节 并非完全对立 [7] 软件公司的应对与挑战 - 软件公司正竞相与大型语言模型合作和集成 以交付实际成果 例如ServiceNow、Figma与Anthropic合作 Salesforce与OpenAI在去年10月建立了深度合作伙伴关系 [9] - 一个关键问题是 如果软件公司未来价值很大一部分依赖于集成LLM 那么LLM提供商是否会分走更大利润 软件公司能否维持原有定价 [10] - 现有企业软件提供商如Salesforce和ServiceNow拥有来自大型企业多年的数据财富 这可能构成护城河 但新进入者若以十分之一甚至二十分之一的价格提供类似能力 仍可能引发客户切换或要求降价 [11] 行业前景与估值考量 - 投资者应为一段时间的颠覆和不确定性做好准备 软件股在过去十年左右因“轻资产”商业模式和强劲增长前景通常享有较高估值 这在此刻无助于缓解压力 [10] - 预计那些未自建LLM的主要软件公司的估值将维持在低于其近期历史的水平 此次抛售可能带来长期买入机会 但估值重估短期内不太可能发生 [11] - 一些科技高管认为当前的恐惧被夸大 Nvidia CEO Jensen Huang表示AI可能会使用现有软件工具而非发明全新工具 ServiceNow CEO Bill McDermott指出公司有混合定价结构 可按席位或使用量计费 由客户选择 [8]

涉及的行业与公司 * 行业：电力行业、能源行业（特别是天然气和铀）、人工智能（AI）数据中心行业 [1][9][34] * 公司：看涨的能源供应商，包括天然气公司EQT、EXE、DVN以及铀公司CCJ和KAP [34] 核心观点与论据 * **AI的电力需求呈指数级增长且难以满足**：大型语言模型（LLM）的训练算力每年增长5倍，GPT-3在2021年的训练耗电量为1,287,000 kWh，预计明年训练单个LLM的能耗将相当于抚养超过一百万儿童至成年的能量 [5][6] AI推理（查询）的能耗因任务复杂度而异，从文本分类的极低能耗到视频生成的极高能耗，相差数个数量级 [9][10][11][12] 总体AI电力需求的变化范围可超过8个数量级，而美国整体电力需求增长缓慢，预计到2030年仅从4 PWh增长至约4.9 PWh，年复合增长率约2%，供应弹性远低于AI需求弹性 [15][16][17] * **电力供应增长缓慢且存在争夺**：美国总电力需求预计缓慢增长，AI数据中心的电力需求属于"商业"类别，若想获得更多电力，只能通过固定合同或抬高价格从其他用途"争夺" [15][16][17] 无法要求电力工程师以十倍速度交付电力，最多只能实现百分比增长，而计算机科学家可以优化算法十倍提升效率 [18][19] * **基于杰文斯悖论，人类对电力的需求近乎无限**：技术效率提升（如煤炭使用效率）通常会导致消费量增加而非减少，因为更低的成本激发了更多用途，这并非悖论，而是反映了人类对有效用物品的无限需求 [25][26][27] 经济正在全面电气化，全球能源需求持续增长，所有能源类型都将被需要 [29][30][32][33] * **看好上游能源供应商的纪律性**：公司看好天然气和铀供应商，认为在AI GPU和数据中心投资热潮中，上游能源供应商保持了投资纪律，并未出现投资过剩 [34][36] 推荐那些为经济电气化提供一次能源的纪律性供应商 [34][36] 其他重要内容 * **AI的货币化终局是利用内向者的不安全感**：AI的最终货币化模式是创造虚拟知己/朋友/治疗师，通过代理型LLM训练来预测用户行为，从而说服用户进行消费（如赌博、度假），本质上是货币化内向者的不安全感 [24] * **电力价格由供应商满足需求的意愿决定**：价格是在供应商选择满足需求时设定的 [34]

文章核心观点 - 随着推理模型的普及和智能成本的下降，对AI算力的需求不会减少反而会复合增长 [1] 作者背景 - 作者为一家财富500强大公司的全资子公司的DevOps工程师，是AI工具和应用程序实际构建、部署和维护方面的真正主题专家 [1] - 作者对生成式AI系统背后的科学有日益深入的了解，源于对机器学习算法、模型训练和模型部署的第一手经验 [1] - 作者正在获取更高级的AWS机器学习认证以进一步提升其在AI和机器学习方面的专业知识 [1]