"AI 使用模式正从生成式查询向代理式行动加速演进，推动算力需求持续攀升。" 台积电首席执行官魏哲家在年度股东会上表示，即便持续扩张全球产能，公司仍无法在未来数年内满足由人工智能驱动的芯片需求，并重申 2026 年全年以美元计算的营收增速将超过 30%。
摩根士丹利曾预计，到 2028 年全球数据中心建设成本约为 2.9 万亿美元；大型科技公司 2026 年资本开支预计达到 7400 亿美元，同比增长 69%。高盛则预计，全球数据中心电力需求到 2027 年增长 50%，到 2030 年较 2023 年最高增长 165%。
戴尔、联想等头部整机厂商最新财报也传递出同一信号：AI 服务器需求不仅没有放缓，反而正在从集中式训练向推理、智能体部署与企业级应用全面扩散。
然而，多位业内人士在接受《科创板日报》记者采访时表示，市场热情背后，算力成本、商业价值度量、垂直场景适配等挑战，成为智能体规模化落地前必须跨越的门槛。
▍ AI 基础设施需求从单一训练算力，扩展到推理、Neocloud 等
戴尔 2027 财年第一财季的总营收达到 438.4 亿美元，同比增长近 88%，创下自 2018 年重返公开市场以来的最快单季增速。
其中，AI 服务器收入同比暴涨 757%，达到 161 亿美元；当季斩获的 AI 相关订单高达 244 亿美元，积压 AI 服务器储备订单更是达到创纪录的 513 亿美元。
"AI 的机会丝毫没有放缓的迹象。" 戴尔首席运营官 Jeff Clarke 在财报声明中直言。基于这一强劲表现，戴尔将 2027 财年全年 AI 服务器收入预期从 500 亿美元大幅上调至 600 亿美元。
无独有偶，联想集团 2026 财年第四季度同样交出不错的成绩单。AI 相关收入同比增长 84%，占集团总收入比重提升至 38%。基础设施方案业务（ISG）经营利润率转正至 3.6%，收入 56 亿美元，同比增长 37%，均为纪录高位。AI 服务器储备订单达 210 亿美元。
市场正在形成一个清晰共识：AI 基础设施需求结构正在从单一训练算力，扩展到训练、推理、Neocloud、企业部署和数据中心建设共同驱动的长期资本开支周期。
CIC 灼识董事总经理陈一心在接受采访时指出，整机厂商作为下游系统集成与品牌商，直接面对最终客户，是产业链价值传导的关键节点。" 能够将高性能 CPU/GPU、先进互联、液冷、高压电源等复杂子系统高效整合并优化的厂商，将获得更高溢价。"
艾媒咨询 CEO 张毅表示：" 因为 AI 基础设施的商业价值从上游芯片向下游整机传递，这已经非常明显。戴尔、联想等厂商凭借定制化的整机和液冷方案，迎来了不错的订单机会和利润双升。"
▍ Agent AI 时代的全面到来
AI 基础设施需求的背后，是智能体热潮。
备受关注的 Claude Code，以及开源 agent 框架 Open Claw 等工具，正在改变人们使用软件的方式。AI 不再只是聊天窗口里的助手，而是开始像一个能持续调用工具、编写代码、执行任务、维护会话和管理工作流的 " 数字员工 "。
阿里巴巴 CEO 吴泳铭在 5 月财报电话会上透露，从去年年底至今，API 调用需求的大幅增长几乎全部由 AI 编程能力提升带动，阿里百炼 MaaS 平台年化经常性收入已突破 80 亿元。
黄仁勋更在 GTC 2026 宣告 Agent AI 时代的全面到来，并宣布 NVIDIA Vera Rubin 全面投产，旨推动全球的智能体 AI 工厂的发展。Vera Rubin 专为智能体时代打造，提供了英伟达迄今为止规模最大的 POD 级平台。高通总裁兼 CEO 克里斯蒂亚诺安蒙也在演讲中宣告 "2026 年是 AI Agent 之年 "。
云岫资本方面对《科创板日报》记者表示，随着 AI 从训练走向应用和推理，模型即服务增长空间巨大。不同的垂直应用类的模型消耗大量的 Token，一旦在实体经济当中产生稳定的收益，会引发群体效应，带来高增长。
在此趋势下，陈一心分析认为，单芯片红利正在放缓，机柜已成为新的超级芯片。随着单点功耗逼近物理极限，AI 基础设施的竞争已演进到机柜级阶段。互联、液冷、电源的工程落地能力，正在直接决定算力的实际交付效率。
具体而言，多个产业链环节迎来结构性机会：
在电源与能源管理方面，AI 服务器电源市场正迈入高速增长通道。能够提供高功率、高可靠性、高效率，特别是符合高压直流趋势的整柜电源解决方案的企业将核心受益。
在高效液冷方面，传统风冷散热达到瓶颈，液冷技术从可选项变为必选项，催生冷板、浸没等液冷方案及配套精密结构件的巨大市场。
此外，数据中心内部互联成为关键资产，专注于高速互联解决方案的企业面临机遇。同时，AI 设备对高端 PCB 的需求扩大，利好高端 PCB 设备及制造厂商。除了核心的 GPU，专注于 AI 推理、互联接口或存算一体等细分领域的芯片及 IP 公司，也将在重构的硬件生态中找到位置。
▍ AI 应用尚未形成商业规模
然而，热潮之下，智能体的落地挑战同样不容忽视。
IDC 中国研究总监卢言霞指出一个现实问题："目前大部分 AI 应用赛道都没有成商业规模，AI 软件也都还没有形成规模。"
Gartner 的判断更为冷静：到 2027 年底，超过 40% 的 Agentic AI 项目可能因成本高、商业价值不清或风控不足而被取消。
陈一心认为，具体挑战集中在以下几个方面：
算力成本居高不下：企业部署私有化模型或调用大型 API，均面临显著的算力成本和后期维护成本。如何平衡效果与成本，找到最优的性价比方案，是商业化推广的关键。
价值度量难题：除了编程等场景，一些 AI 应用带来的价值提升难以直接、精确地度量，这会影响客户的付费意愿和定价策略的制定。
技术成熟度与可靠性挑战：医疗等行业对 AI 输出的准确性、可靠性和可解释性要求极高。当前大模型存在的问题不足以支撑这一类行业的大规模落地。
组织与人才壁垒：企业成功应用 AI 不仅需要技术，更需相应的业务流程改造、数据治理能力以及兼具 AI 技术与行业知识的复合型人才。
优刻得董事长兼 CEO 季昕华对《科创板日报》表示，AI 投入产出比存在一定的现实挑战。
"企业老板有两大焦虑，如何让员工真正用起来，以及用了以后，发现成本上升但效率提升不明显。比如公司每周 AI 花费六十几万元，每月近三百万元，效果尚未完全显现，所以接下来，如何能够衡量大模型的效果和效率才是关键。"
市场一边追逐智能体，一边又迅速把问题从 " 能不能做 " 转向 " 值不值得做 "。这场智能体热潮最终将如何落地，取决于基础设施成本能否有效下降、商业模式能否清晰验证、以及垂直场景能否真正跑通价值闭环。这既是前所未有的机遇，也是一场需要耐心与实力的长跑。
对此，云岫资本相关负责人认为，来自于经验和垂直行业等专有数据的训练和 Token，会更显其独特价值，在解决某些复杂的垂直行业问题上，积累专业数据和经验，能建立长期的壁垒和市场空间。
卢言霞则判断，随着大模型开始收费，基础大模型可能会独立成为一个赛道。WorkBuddy、TraeSolo、QCoderWork 这类桌面智能体也值得看好。AI 营销赛道则是早已落地的领域，比如 AI 辅助营销与客服一体化等，但该赛道的厂商比较分散。接下来，需要关注的是，在企业各个领域中，哪些领域能率先跑出数字人 / 数字员工的应用。
