阿波罗测算,2028年AI产业需年收入1.5万亿至2万亿美元,每GW算力对应200亿美元终端收入
阿波罗全球管理公司报告指出,为支撑2026–2028年约3.5万亿美元的AI基础设施投资,到2028年底AI产业需实现1.5万亿至2万亿美元年化收入,约为当前水平的5–7倍;其核心测算显示,每吉瓦(G...
人工智能产业正经历前所未有的资本投入浪潮,但高企的基础设施开支能否被商业回报有效覆盖,已成为行业可持续发展的关键命题。阿波罗全球管理公司(Apollo Global Management)于11月18日发布的研究报告,首次系统性地量化了这一挑战:若要支撑2026至2028年间累计约3.5万亿美元的AI基础设施资本开支,到2028年底,AI产业所需的年化终端收入需达到1.5万亿至2万亿美元——相当于当前AI应用收入规模的5至7倍。
该测算并非基于粗略估算,而是建立在对算力单元成本、产业链分层利润结构及部署节奏的精细建模之上。报告以1吉瓦(GW)AI计算容量为基准单位,拆解其全生命周期经济模型:IT设备资本开支约300亿美元,数据中心建设约150亿美元,设备寿命按6年折旧。由此推算,每GW算力的年度折旧与运营费用约为68亿美元。但基础设施仅是起点——真正的收入压力来自产业链各环节的利润诉求。
根据阿波罗的分层模型,基础设施运营商需预留约37亿美元利润,基础模型开发商需53亿美元,而应用服务层则需39亿美元(其中独立应用公司部分按25%市占率、50%毛利率假设)。三者叠加后,每GW算力对应的年化终端收入需求升至约200亿美元。这一数字高度依赖硬件代际:若采用下一代Vera Rubin芯片,因能效与成本变化,年度折旧与运营费用可能升至近90亿美元,进一步抬高收入门槛。
报告进一步将微观模型扩展至宏观场景。阿波罗预计,到2028年底全球部署AI算力容量可达约100GW。按此推算,在保守与乐观两种部署情景下,支撑全部基础设施投资所需的年化终端收入区间即为1.5万亿至2万亿美元。值得注意的是,该收入主要指企业与消费者直接支付的AI应用与服务费用,如企业级AI软件订阅、生成式AI工具付费等,不包括谷歌、Meta等科技巨头因AI提升广告效率而获得的间接收益。
尽管目标庞大,AI商业化已展现惊人增速。数据显示,2024年初AI应用年化收入仅约110亿美元,至2026年第二季度增至2000亿美元,同年9月达2760亿美元——自2023年以来年均增长约3.75倍。然而,要在两年内从2760亿跃升至1.5万亿以上,意味着未来两年需维持每年2.3至2.6倍的增长率。阿波罗认为,历史增速证明路径具备可行性,但基数扩大后持续高增长的难度将显著上升。
更深层的挑战在于市场容量。阿波罗将2028年AI收入目标与现有科技市场对比:2025年全球云计算收入约4190亿美元,在线广告约7150亿,企业软件市场约1.19万亿美元。这意味着,仅靠传统科技市场的扩容,难以承载AI所需的收入体量。AI的长期商业化必须突破既有边界,向更广泛的经济活动渗透。
报告指出,关键突破口在于劳动生产率提升。2024年全球劳动收入达58万亿美元,即使AI仅带来温和的生产率改善(例如提升1%),也能创造约5800亿美元新增价值。若AI服务商能从中分得合理份额——例如10%至20%,即可获得580亿至1160亿美元增量收入,显著缓解收入缺口压力。麦肯锡2026年5月的调查显示,企业AI相关IT预算仍在扩张中; 而AI在制造业、金融、医疗等行业的落地案例,正逐步验证其可量化的成本节约与效率增益。
此外,收入结构的优化亦至关重要。当前AI收入高度集中于少数头部平台,但阿波罗模型中假设独立应用公司贡献25%的服务收入,并给予50%毛利率——这暗示生态多元化与垂直领域SaaS化将是提升整体变现效率的关键路径。若应用层毛利率普遍低于预期,或独立开发者参与度不足,将直接压缩全链条利润空间,迫使收入目标进一步上移。
值得警惕的是,当前部分基础设施提供商宣称投资回收期不足一年,主要源于GPU租赁价格高企与短期供需错配。但该现象具有阶段性特征:随着英伟达Blackwell及后续芯片产能释放、液冷数据中心规模化部署,单位算力成本将下行,租金溢价空间收窄。届时,若终端收入未能同步跟上,投资回报率将迅速回落。
阿波罗的测算本质上是一次“压力测试”:它不否定AI的技术前景,而是提醒产业界,资本狂热需与商业现实校准。算力竞赛的终点不是谁拥有最多GPU,而是谁能最高效地将算力转化为用户愿意持续付费的价值闭环。当每GW算力背后绑定200亿美元收入责任时,模型能力、工程效率与产品设计的协同,比单一维度的硬件堆叠更具决定性。
目前,行业正处于从“技术验证”向“价值交付”的转折点。微软Copilot、Adobe Firefly、Salesforce Einstein等产品已实现数亿美元级年收入,但距离千亿乃至万亿规模仍有数量级差距。下一阶段的竞争焦点,或将从数据中心规模转向客户留存率、LTV(客户终身价值)与行业解决方案深度。
AI的经济可行性最终取决于两个变量:一是技术进步能否持续降低单位任务成本;二是应用场景能否拓展至足够广阔的付费人群。阿波罗的2万亿美元目标,既是对产业雄心的丈量,也是对商业理性的提醒——没有可持续的收入流,再庞大的算力基建终将沦为沉没成本。
