行业与公司 * 行业为全球大模型与人工智能领域，涉及科技巨头在AI基础设施、研发及商业化方面的竞争[1] * 提及的公司包括微软、谷歌、亚马逊、Meta、阿里巴巴、腾讯等中美大型科技公司[7] 核心观点与论据 AI竞争本质与资本开支结构 * AI竞争已从流量争夺转向基础设施与入口争夺，入口定义从消费端用户数转向供给端的问题定义与结果负责能力[1][2] * AI领域的竞争是历史级别的资本密集型竞争，资本开支涵盖三大方面：物理底座（芯片、机房、电力）、研发系统（数据、模型、人才）和持续服务（推理成本、全球节点部署）[2] * AI投入可分为六层结构：第一层芯片和服务器、第二层网络和存储、第三层数据中心、第四层能源和冷却系统、第五层训练系统/模型/数据/研发、第六层推理和产品[5] * 前四层（芯片、网络、IDC、能源）属固定资产，产出方差小；后两层（训练、推理）属研发经营，效果差异巨大[1][5] * 训练是固定资本需求，决定能否形成模型能力；推理是变动资本需求，关系到能否经济、规模化地提供服务，推理需求通常比训练更大[6] 资本开支回报与市场担忧 * 市场对AI资本开支回报的担忧根本原因在于AI时代与PC、移动互联网时代的运行逻辑可能存在巨大差异[3] * 资本开支回报担忧源于供需不匹配，2025-2026年巨头财报或因AI投入出现剧烈波动，不投入的机会成本远高于投入风险[1][3] * 以一家2026年资本开支达1,500亿元的巨头为例，资金流向包括AI云建设、市场推广、视频内容处理分发、物流电商刚性支出、模型训练和推理专用AI投入等[4] * 资本开支转化为商业回报需经历两次关键转化：第一步形成可用AI能力，第二步将能力有组织、经济地进行交付[8] * 硬件投资周期相对可控，后端推理服务和生态建设具有高度不确定性，尤其在全模态技术出现后不确定性会被放大[8] 财务指标与商业化路径 * 传统ROE、净利增速指标失效，需关注AI收入转化率（30%-50%为关键拐点）及资产利用效率等结构性指标[1][9] * 收入转化率是核心指标，即AI相关业务收入在总收入中的占比，当达到30%或50%时可被视为重要拐点[9] * 商业化进程预计在2027-2029年进入观察期，回报路径涵盖算力租赁、MaaS、现有业务增效及长期入口价值抢占[1][10] * 效率提升不会减少总开支，反而因激发新场景应用而维持或增加总体投入[1][6] * 研发投入并不完全体现在资本开支财务报表中，大公司内部通过调用现有资源、成本分摊等方式核算，真实成本难以精确反映[6] 中美市场差异与公司策略 * 中美市场在部署方面存在差异，海外大模型呈现清晰全球化趋势，国内主要以内循环为主[2] * 中国科技巨头目标配置差异化日益明显，阿里梯队阵型最清晰，是行业领导者；腾讯逻辑成立但具体走向仍需观察[7] * 内部需求与外部商业化必须明确区分，内部需求将AI技术应用于自身业务提升效率，外部商业化将AI能力作为产品或服务对外提供[7] * 阿里云2026年Q2增速从Q1的38%提速至43%被视为积极信号[3] 其他重要但可能被忽略的内容 * AI时代与PC及移动互联网时代存在显著差异，AI技术影响范围更深、扩散速度更快，但不等于经济效益会超过PC或移动互联网时代[2] * AI时代对个人的影响更偏向精神与制度层面，重新界定人的位置，人的智能逐渐被基础设施化[2] * 数据中心作为连接长周期资产与短周期技术的环节，面临会计摊销与技术实际迭代速度不匹配的风险，例如会计上按五年摊销的设备可能在第二年就被新技术取代[5] * 资本开支首先冲击现金流，然后才逐步反映到利润中[8] * AI领域的泡沫化是科技革命的"标配"，需要通过大量资本投入来推动[10] * 入口价值是长期竞争焦点，但AI时代的入口可能与互联网时代完全不同[10]