86%的VC交易涌向AI，万亿美元盛宴才刚刚开始

本文整理自a16z官方播客节目《AI， Infrastructure， and the Next Investment Cycle》。David George、Sarah Wang、Alex Immerman与Santiago“Santi”Rodriguez是a16z成长基金的四位合伙人。

本期节目以年度报告State of Markets中的25页关键图表为线索，讨论市场上涨背后的盈利、超大规模厂商的算力军备竞赛、模型层与应用层的极低采用率，以及消费、公共软件市场、IPO与二级市场的最新观察。

节目发布于2026年9月30日。本文来自微信公众号：Z Potentials，编译：黄秋人，原文标题：《喝点VC｜a16z投资复盘：86%的VC交易涌向AI，万亿美元盛宴才刚刚开始》，头图来自：AI生成一、技术是“一切周期”David：欢迎回到a16z播客。

我是David George，今天和我一起的还有我的同事Sarah Wang、Alex Immerman和Santiago Rodriguez。我们会在这一期里过一遍最新一期State of Markets报告中的25页关键图表：市场上涨背后的盈利、AI建设的规模、采用率增长的证据，以及这个周期对硬件、软件和下一代私营公司意味着什么。

我们会解释图表背后的含义，也会聊聊我们在企业一线看到的情况。Sarah、Alex、Santi，谢谢你们来。在本期播客上线当天，我们也会发布完整的State of Markets报告。

这是我们成长团队一年一度的传统，把科技、AI、基础设施和整个市场里最大的趋势汇成一份材料，今天我们就从中挑出一些有趣的图表来讨论。想看全貌的话，请务必去读完整版，里面干货很多。今天要聊的领域包括宏观——CapEx、数据中心、加速增长的需求；

以及一线观察——模型、应用和几个垂直领域的深度盘点。技术正在驱动一场遍及整个经济的投资热潮：盈利增长支撑着市场上涨，AI需求把基础设施支出推得远超此前预测。超大规模厂商正把近期的经营性现金流几乎全部投入产能建设，而需求在我们看到的几乎所有案例中持续超过供给。

这些钱流向了芯片、电力、散热、建筑和熟练劳动力，还有更多。这场扩张恰逢我们改造物理基础设施的更大需求，正在为各行各业创造机会。好，我们直接开始。第一页：技术是“一切周期”。这部分可能有些显而易见，但这一页上的数字今天看起来相当惊人——高科技设备、软件和研发现在约占美国资本开支的55%，这是个令人震惊的数字。

技术驱动着经济所有领域的投资周期，从软件和模型，到电力、建筑和产业产能。科技股约占美国股市总市值的40%，全球市值前十的公司里有八家是美国科技公司。这是一个宏大叙事，你在capex里能看到它，在数据中心建设里能看到它，也在流向模型公司的资本里能看到它——模型公司合计已经筹集了超过3500亿美元。

放到更长的历史里看，因为这是被引用最多的类比：这次建设的规模占GDP的比重，已经超过了当年的铁路。我们都有一个感觉：如果快进到五到七年、甚至十年后回头看这些数字，累计值很可能会是现在的20倍以上。

所以，这确实像是Marc Andreessen那句“软件吞噬世界”的下一章。Alex：过去15年，软件改变了所有这些行业，但当时只有一小部分人能构建软件——我们都不是。而今天，你看看我们自己：我们每个人都有几个自动化任务在每晚运行。

如果顺着这个逻辑去推算软件需求，那就意味着多得多的算力、芯片、电力和建设。所以看到现在大部分投资都集中在科技上，也就不奇怪了。我们经常被听众问到同一个问题：这一切都很了不起，但这是泡沫吗？

市场创了新高，但市场当前的交易倍数其实反而下降了——股票涨了约20%，倍数却降了约20%。这意味着涨幅是由基本面盈利驱动的，而不是倍数扩张。标普500的盈利倍数低于20倍，而构成标普500的大多数都是非常高质量的企业。

这和互联网泡沫完全不同——当时世界上市值最高的那些公司，股价大涨靠的是交易倍数抬升，很多股票交易在100倍市盈率。现在完全不是这种情况。相比之下，一些存储类公司——它们本身就周期性强——交易在前瞻盈利的六到七倍。

所以差异非常大。Santi：这里有个重要的补充：自GPT问世近四年以来，市场上涨了90%，年化17%。一般看到连续四年17%的年化增长，直觉反应就是“这肯定会回落”，我们现在也确实处在一个火热的时期。

但当你把它和刚才说的情形放在一起——市场以低于20倍的盈利倍数交易、盈利还在以15%的速度增长——这感觉确实不同于最近的2021年，也不同于2000年，那时候倍数和增长并没有真正同步。

David：完全同意。我之前在“铁路的比喻”里提过capex建设的规模。只看超大规模厂商——Alphabet、Amazon、Meta、Microsoft和Oracle——它们2026年的capex大约是7800亿美元，而2025年是4160亿美元；

所有的预期都指向2027年起每年超过1万亿美元。这里有一个模式：每一代计算平台，都支撑了远比之前庞大的用户和用途。这轮建设可以发生得如此之快，而需求依然超过供给，是因为用户量由已经存在的分发渠道驱动。

这个趋势建立在互联网、云计算和手机之上，所以理论上可以马上触达数十亿用户——这与之前的技术周期形成鲜明对比。Sarah：我觉得这一点值得展开。我们已经远远超越了“偶尔问一个问题”的模式。

想想智能体的崛起：并行任务、长时间运行的任务——你之前也提到过，任务会在你晚上睡觉时、白天做别的事时持续运行。如果智能体可以自主写代码、做搜索、执行这些任务，那么这些平台需要的算力，会远远超过我们以往任何时候的想象。

David：完全同意。这张图展示的是capex侧正在发生的事情：五大超大规模厂商的capex预测，在很短的时间内被持续大幅上调。曾经看起来像是天花板、要好几个季度甚至几年后才会达到的支出，如今已经变成了近期目标，因为算力需求还在不断膨胀。

看这张图，我觉得在任何一个时点上，人的本能反应都是“投资从这里开始会趋于平稳”。但过去四年，作为一个经济体，我们一直在低估这个趋势的强度。正如Sarah所说，随着模型的发展，已安装产能的使用率在不断被拉满。

所以David刚才提到的那些数字，就是目前的实际估计。Alex：用DG的话说，我们都会把当下的算力需求称为“model buster”。一个很有说服力的例子我们所有人都经历过：大约一年前，Sam Altman和Sarah Friar因为巨大的算力承诺挨了不少骂，大家都觉得他们鲁莽激进。

而现在，所有人都会说那个决定极有先见之明。即便如此，就在两周前，我们都看到OpenAI不得不暂停Pro计划的订阅——一个2000美元级别的服务，还是供不应求。我们正在经历的，是一种难以满足的需求。

David：供应链每一环的每一个人，和我们聊过的每一个人，都在跟我们说同一件事的不同版本：需求超过供给。数据中心供应链里有些环节，材料或产品要到2028年才能拿到。所以这种紧张并不会缓解。

同时，你也可以从需求侧看到高质量业务的证据：Microsoft、Google和Amazon合计有约1.7万亿美元的云积压订单。这些客户承诺在快速累积，而平台则在大举投资去服务这些需求。

所以，虽然在当前建设期自由现金流是受压的，但共识预测显示，2028年起会回升，之后显著增长。你可以看看Amazon最近一次财报电话会，他们很好地解释了这种J曲线动态：GPU（或TPU）的实际使用寿命其实相当长。

你得先建好数据中心这个“外壳”，这需要时间；然后再买芯片，但芯片的经济寿命会很长，而且比我们任何一个人预期的都要长。Sarah：是的，我知道一些超大规模厂商确实因为举债搞capex而挨批，但和模型实验室的动态类似，那些因为犹豫而更保守的，后来都后悔了。

你最近和Gavin做的那期播客里聊到了Microsoft，但我觉得这是一个全行业的问题。Santi：是的，另一个被频繁讨论的信号是现有GPU的现货市场价格：任何能上线算力的GPU，都能以有吸引力的价格租出去，超大规模厂商能获得可观的回报。

这是关键点，我们经常讨论：每一次这样的浪潮，都会创造巨大的用户和消费者剩余。就目前所见，消费者和用户从中获得了巨大价值——这也是他们用得这么狠的原因。服务这些用户的厂商赚得很好。然后一层层往下走到芯片——芯片的获取成本比12、18、24个月前高得多，但你依然能获得高毛利，并从用户身上创造出大量剩余。

二原子的新纪元David

：对超大规模厂商的capex，我们应该把它看成是别人的订单簿。这些历史上利润最丰厚的平台，正在把现金持续投入AI基础设施。正如刚才所说，这短期压低了它们的自由现金流，但对芯片订单、电力、建筑是巨大利好——这也是为什么这轮更广泛的技术热潮，变成了一场工业热潮。

我们花越来越多的时间，看那些服务这场工业热潮的企业，沿着数据中心供应链的各个环节。有意思的是，传统上我们的世界更多是关于变现已有的IP——建一次、无限卖；但这些生意要管理的复杂事务多得多：融资、管理供应商关系、预测产能、预测需求。

我们看到有些团队擅长这个，有些团队则挣扎甚至暂停。这和我们平时花时间的专长略有不同。这把我们带入“原子的新纪元”。这一页是大数字：到2040年，全球基础设施投资需求估计为90万亿美元。

但重要的是，这远超AI和数据中心，还包括电力、水、道路、交通。我们在投资组合里到处都能看到这一点：Anduril的巨大制造工厂，规模相当于87个足球场；Waabi正在激进地扩张他们的运输中心；

还有SpaceX在路易斯安那的千亿美元级投资。今天赌未来，从我们的角度看，和过去已经不一样了。正如Santi所说，这意味着建工厂、扩基础设施、增加遍布全国的熟练工作岗位。Santi：说到数据中心，投资物理基础设施和投资软件非常不同。

Elon很多年前就提出了“工厂即产品”的说法。我们支持的很多优秀创始人来自Tesla或SpaceX，这并不令人意外，因为他们知道，在执行层面，工厂最终会成为规模化过程中巨大的竞争优势。

我们经常听到很多关于数据中心的迷思：它们会耗尽美国的水资源；有钱人不想住在附近；还有我们最喜欢的一条——我的电费要暴涨了。但看起来可能反直觉的是，数据中心其实可以帮助降低你的电费。

最近一项美国的研究表明，数据中心容量每增加10%，居民电价会下降40个基点。你可以这样想：电网是一个共享的固定成本空间——电线杆、电缆、变电站。一个像数据中心这样大型而稳定的客户，可以把这些成本摊到更多单位的电力上。

简单说，共享系统上更多的需求是一件好事。David：是的，我完全同意你的说法。对共享基础设施的投资，也能改善与之相连的家庭和企业的经济效益。Sarah：这一点没有得到足够的媒体关注。

Dina Powell最近在一个播客里提到Meta的路易斯安那项目，他们和社区合作降低电价。今天就已经有真实的例子，这不是空谈。

三模型层与应用层

：可观的营收，极低的采用率Sarah：完全同意。现在我们聊聊模型层和应用层的趋势。一方面，正如我们预告过的，AI正在创造可观的营收和节省；另一方面，采用率仍处于极早期。在此基础上，趋势非常明确：成本正在骤降。

我们已经预告过智能体，现在智能体在更大范围的工作上变得经济可行了。而且就在我们说话的当下，格局还在变化：像TypeSafe这样的新实验室推出的Jev等新创新，正在把这一点推到更极端。

你会看到，两个数量级的成本差异真的会影响用例的数量。这有点像经典的杰文斯悖论（Jevons paradox），所以这个名字起得很贴切。总的来说，这对模型层和应用层都是绝佳的格局。这些改进正在为软件公司在增长和盈利两方面创造真实的机会。

并不是说每个人都会赢，但毫不意外，AI正在把风险投资吸引到越来越广泛的行业中去。我们也看到更多公司在私营市场就达到巨大规模。这不是一张新图，但它是我最喜欢的图之一：OpenAI和Anthropic的合计营收规模。

过去几年，每一次GP内部会议我们都会放这张图，每个月都要更新它，因为它过时得太快了。关键点你在数字里就能看到：OpenAI、Anthropic合计的年化营收已经涨到了非同寻常的程度。

我们喜欢把它和历史上最伟大的软件公司对比——右边可以看到，就算按历史上最好的软件公司的净新增营收估计，领先实验室的净新增也已经远远超过。这不仅是规模，更是速度的惊人组合。Santi：但我们还是很早。

和其他平台迁移相比，AI迁移的有趣之处在于：我们不仅在使用AI的人口比例上还早，在那些用户对AI的消费份额（share of wallet）上也还很早。这和2008年不一样——那时候我们按“拥有iPhone的人的比例”来建模；

现在我们既要考虑多少人会使用AI产品，也要考虑他们使用到什么程度。Sarah：是的，“还很早”这个点非常重要，这里有一组指标可以佐证。其一，标普500公司的实际部署率是69%——如果你和我们一样是“AI上瘾者”，这大概接近你的预期。

但当你看向可量化的影响——这可能是衡量它们部署进度的一个好指标——是30%。再到终极指标，一个随时间追踪的指标，其实只有2%。所以我们相信AI正在交付成果，但在组织内部深化使用、并长期追踪这些成果，还有巨大的空间。

从这些分散的部署，走向真正深入影响、反复发生的工作流，坦白说是下一阶段。我可以说，和我们交流过的大多数企业，他们对AI的接触仍然主要停留在Microsoft Copilot，这本身就说明他们还有多长的路要走。

Alex：是的，模型能做什么与实际被如何使用之间的差距，正是让我对应用层如此兴奋的原因。Sarah，你和Databricks的Ali Ghodsi和Martin做的那场对话很精彩，他谈到AI可以非常了解世界，但对你所在的公司几乎一无所知。

我们在投资组合里的应用层公司中正看到这样的情况——它们在弥合这个差距。过去几个月有一个例子让我印象很深：Revolut拥有一支非常成熟的工程团队，但他们仍然要和11 Labs合作，把11 Labs一流的语音模型接入到客户账户和银行业务流程的安全连接中，这样当我作为客户打电话时，我的问题能被顺畅、高效、安全地解决。今天的机会很大程度上在于把这些能力驾驭起来，构建可靠的服务。

四、重度用户正在拉开差距Sarah：除了企业采用率还处于早期，另一个我们想用数据说明的显著趋势是：重度用户正在全面拉开差距。你可以认为AI支出在公司间普遍上升，但我们所说的那些最重度用户，花得要多得多。

我们看了一些YipitData的数据：AI工具支出排名前1%的企业，其支出中位数大约是前10%的八倍。印象深刻的是，前1%几乎相当于前2%到10%的总和。即使在我们自己的投资组合公司里——你可以说它们几乎完全是AI原生的——顶级用户的支出大约在每月7500到9000美元。

而中位用户——同样是这些最AI原生的公司——支出更接近月订阅的价格，大约200美元，可能再加一个订阅，200到400美元。所以如果你看中位和顶级用户的差距，是超过20倍的支出差。David：是的，我们和投资组合公司讨论的一个问题是：他们到底有多少采用率，怎么衡量。

比如你看他们花在AI工具上的钱占员工成本的比例：相对前瞻的大型财富500强公司，今天大概在1%。而我们组合里最前倾的AI原生公司可以高达10%。所以这些都只关乎扩散有多早、会扩散多深。

我们已经看到另一个组合内的例子：很多企业第一次采购Cursor或Cognition时非常兴奋，但现实是，那只是旅程的开始。从采购、试用这些工具到全面采用，跑道还很长。

五可量化的案例

：成本侧与收入侧Santi：Sarah你前面提过，我们开始看到可量化的案例研究。我们在报告里点名了几家确实披露这些指标、并且看到AI带来实质改善的上市公司。成本侧：Chime披露，过去四年他们每年把服务成本降低超过10%，复利计算，服务成本几乎是下降了50%——这背后有我们投资组合公司Decagon的支持。

收入侧，我觉得Shopify的例子很有趣：他们推出了AI助手（sidekick），帮商家更快上手。结果，入驻后15天内达到五单的客户比例增长了8%。Shopify追踪这个指标，因为一旦商家达到五单，他们就会留下来、继续用Shopify。

所以这也是他们业务一个有意义的顺风。Sarah：绝对。说到服务成本下降带来的优势：你有更多空间去竞争——更好的定价、可能更广的服务、可以再投资于增长。这些好处不仅到达客户，也到达利润率，然后资金又回转投入。

另一个非常迷人的现象是：当然各家公司各不相同，不能一概而论，但在位者在这一轮里也做得很不错。ServiceNow是个好例子，他们披露AI年度合同价值（ACV）超过10亿美元，agentic部署增长了9倍。

所以你在整个技术栈里都能看到，从在位者到新公司。David：我们经常讨论一个有趣的问题——我们最前瞻的组合公司，比如Stripe，跟我们聊过：他们到底把增量AI投资花在哪里？是投资于为客户构建新产品、推动更高的营收？

还是用于成本侧的优化和效率提升？这就像我们的试金石：这些公司的创始人和CEO，到底在哪里看到最大的机会。推动营收增长的机会上行是无界的，而成本端的机会……David：成本侧的改善——当然你可以把它再投资回去，但那始终只是一个潜在的机会，会一直存在。

如果你认为今天资金的最佳用途是优化成本结构，那这对你的新营收机会意味着什么？Santi：就算在成本优化内部，也有不同的味道。一种是降低服务成本，这让你能再投资，让你成为一家更好的公司。

我觉得六个月前，我们整个行业真的都在关注“重建系统之记录”（systems of record）。如果你的工程师忙于重建一个系统之记录，只为省下几千几万美元，那我觉得这些资源有更好的用途。

Sarah：是的，如果把这些汇总起来，对应用型业务而言，相关的单位其实是“完成客户任务”的成本。如果你能解耦这一点——你为客户完成任务并收费，你可以用更好的路由让产品更经济——这很神奇，因为现在你不是每一步都用最贵的模型，但任务仍然被完成了。我想我们会看到最好的应用公司出现更多的利润率改善。

六当成本骤降

，新市场被打开Alex：完全同意。Sarah提到过ServiceNow看到海量的agentic使用。智能体已经在这里了，它们在执行任务。任务需要多步，多步意味着多次模型调用——这解释了OpenRouter上agent token使用量14倍的增长。

不过这些步骤正变得越来越廉价。我们看到缓存的应用——系统可以复用背景信息，而不是每次都从头处理。我看到Hebbia充分利用了这一点：他们的金融聊天工作负载，运行成本下降了10倍。同样的预算，现在可以支撑更多工作。

Sarah：是的，我认为你更广泛的观点是：更低的成本，让智能体现在可以查错、重试，一下子打开海量任务——在以前，推理或工具调用可能贵得无法承受。在可靠性恰恰是决定用不用智能体的关键场景里，这一点尤其重要。

还有，我们之前聊过TypeSafe，想象一下当成本降一个数量级、两个数量级的时候，打开的用例数量其实难以想象。David：再加上延迟大幅改善。绝对如此。Alex：是的，所以公司现在越来越认真地思考，如何在大规模下优化延迟或性能与成本。

以Databricks为例，他们用路由——为每个具体任务选择合适的模型——来改善性能和成本。他们的智能路由器表现更好：以比最强单模型低35%的成本，解决了更多问题。我们现在看到很多另一种做法是微调：Harvey