a16z 报告：7,800 亿美元砸进 AI，采用依然浅薄

Andreessen Horowitz 于 2026 年 9 月 30 日发布了其对 AI 投资周期最全面的分析，核心发现与主流叙事背道而驰：今年有 7,800 亿美元资本涌入 AI 基础设施，但消费者和企业的实际采用依然薄得惊人。这份 State of Markets II 报告 —— 含 100 多张图表，由 a16z 成长基金普通合伙人 David George 撰写 —— 记录了这场建设的规模，以及建设与可衡量成果之间的差距。

这份报告覆盖 2026 年上半年的公开股票和私营科技市场，把 AI 建设框定为不是一个小众技术趋势，而是整个美国经济周期的主要驱动力。

科技已成为宏观周期 —— 不论 AI 是否奏效

George 的报告认为，科技已经取代耐用品，成为更广泛经济周期的引擎 —— 他把这个框架称为「Tech Is The Everything Cycle」（科技就是一切的周期）。根据 a16z 对标普 500 盈利预测的分析，科技板块贡献了该指数 2026 全年盈利增长的约 76%，增速约为非科技公司的 3.8 倍。

这种集中度在历史上并不寻常。此前的经济周期通常由住房、制造业或能源驱动。2026 年这一轮则由 AI 相关的基础设施支出驱动，尽管 AI 对企业生产力的实际影响在很大程度上仍未被衡量。

这个区别之所以要紧，是因为它造成了一种结构性依赖：标普 500 的盈利轨迹如今实实在在地系于超大规模云厂商的 AI 支出是否继续扩张。如果 AI 建设放缓，宏观叙事会迅速改变。

从比特到原子：7,800 亿美元涌向实体基础设施

AI 投资最初的论点 —— 大约从 2021 年到 2024 年 —— 假定价值将主要累积在软件上：基础模型 API、AI 增强的 SaaS 产品，以及开发者工具。2026 年的数据讲的是另一个故事。

四大超大规模云厂商 —— Microsoft、Amazon、Google 和 Meta —— 在 2025 年的 AI 基础设施上花了约 4,160 亿美元。a16z 报告依据公司指引和 Morgan Stanley 分析师的预测，预计这个数字在 2026 年将近乎翻倍，达到约 7,800 亿美元。同一批分析师预计，2027 年这一数字可能超过 1 万亿美元。

George 把这描述为一场「从比特到原子」的转变：超大规模云厂商从软件和云业务中产生的自由现金流，正被转化成对实体基础设施的采购 —— GPU、高带宽内存、网络互连、数据中心建设和发电。原本主要沿着软件经济学（边际成本近乎为零、毛利率很高）流动的盈利，如今被重新导向回报特征截然不同的实物资产类别。

眼下的财务受益方不是软件公司。而是 GPU 制造商、内存供应商、数据中心运营商和电力基础设施供应商。

GPU 租金在上涨而不是下跌 —— 杰文斯悖论解释了原因

报告中最违反直觉的发现之一涉及 GPU 定价。随着 NVIDIA B200 这类新一代芯片进入市场，人们本来会预期，随着产能被腾出，基于 A100 的旧服务器租价会下降。a16z 报告称，这并没有发生：尽管有更强大的替代品可用，A100 GPU 的租金仍保持稳定或上涨。

给出的解释是杰文斯悖论的一种版本 —— 这条经济学原理最早在 1865 年被提出，用来解释为什么煤炭发动机效率的提升反而让煤炭消耗增加，而不是减少。应用到 AI 推理上：随着更高效的芯片、量化和模型蒸馏让每次 AI 查询的成本下降，查询数量急剧上升。以前成本高到做不起的新应用变得在经济上可行。原本只产生少量 AI 使用的企业工作流，开始产生密集的 AI 使用。过去每个会话只调用一两次 AI 的消费产品，开始调用几十次。

最终结果是，GPU 总需求随新产能一到就把它吸收掉，让旧一代硬件继续被使用，而不是被淘汰。对于已有 A100 基础设施的公司，这意义重大：他们的资产并没有一下子被 B200 一代搁浅。

这一动态也强化了「从比特到原子」的论点。如果需求能可靠地吸收供给增量，那么 AI 部署的制约就不在算法或软件，而在物理层面：新的 GPU 集群、内存带宽和电力容量能建多快。

企业的 AI 部署很广，但几乎完全没有被衡量

a16z 分析中呈现的采用图景，造成了一个显著的分析张力。一方面，据 a16z 对公司披露信息的分析，截至 2026 年年中，69% 的标普 500 公司表示已有上线的 AI 部署 —— 这个数字说明 AI 已经从早期采用者的试验，走向了主流的企业推广。

另一方面，这些公司中只有约 2% 披露了展示 AI 随时间产生影响的跟踪指标。2026 年 4 月的一项独立调查发现，只有大约 2% 的美国家庭以任何形式为 AI 产品付费。

这些数字不一定矛盾。企业往往在第一年部署软件时并不衡量投资回报，而消费者的 AI 采用也仍处于早期。但 69% 的企业部署率与约 2% 的指标跟踪率之间的差距，大到足以引出一个结构性问题：当前的基础设施建设中，有多少正在转化为可证明的价值，又有多少还处在探索阶段？

这是科技投资中典型的周期早期风险模式：基础设施建设先于可证明的需求。当前的局面 —— 每年约 7,800 亿美元的 AI 基础设施支出，对应的是一个成果几乎全靠自我报告、没有量化的企业采用基础 —— 还谈不上危机，但是一种值得监测的状况。

软件没有死 —— 它是分化了

「SaaSpocalypse」（SaaS 末日）论认为，AI 会让软件产品商品化，把整个 SaaS 的收入倍数摧毁殆尽。2026 年的实际数据呈现出更细致的图景。

截至 2026 年年中，约 75% 的上市软件公司实现盈利，较 2021 年约 30% 的盈利占比大幅上升。只有约 30% 的公司收入增速达到 20% 或更高 —— 比 2021 年的狂热时期大幅下降。不惜代价追求增长的旧模式基本消失了，但这个行业靠把盈利放在首位活了下来。

估值分化是更有启发性的发现。基础设施软件 —— 涵盖云基础设施工具、数据库平台和网络软件这类支撑 AI 建设本身的类别 —— 的交易价格约为收入的 9.1 倍。横向软件工具（生产力、通用工作流、协作）的交易价格约为收入的 2.7 倍。这两类之间的价差，代表着市场对哪类软件从 AI 建设中受益、哪类受到威胁的判断。

消费级 AI 智能体与广告的清算

报告中最尖锐的含义之一，涉及支撑 Amazon、Google 和 Meta 业务的广告收入模式。一类新的面向消费者的 AI 智能体 —— 能替用户研究、比较并购买商品的工具 —— 正开始扰乱商业意图在数字平台上的流动方式。

威胁机制是结构性的：广告收入取决于在消费者表达购买意图的那一刻植入赞助内容。一个把消费者直接引向最佳商品匹配、绕过搜索结果和赞助列表的 AI 智能体，会把广告植入点彻底移除。据 a16z 同日发布的配套分析，Amazon 2025 年的广告收入约 690 亿美元，而 Alphabet 和 Meta 因掌控数字分发，广告收入合计近 5,000 亿美元。如果 AI 智能体成为主流购物界面，这些数字就是处在风险之中的财务堆栈。

企业对这一威胁的应对出现了明显分歧。Meta 在 2026 年 9 月推出其 Muse 个人 AI 智能体时，Amazon 采取行动，阻止 Muse 在其市场上购物，理由是担心它未经授权访问客户数据，并且没有表明自己是自动化智能体。相比之下，Instacart 和 Shopify 欢迎 Muse 接入 —— 这种差异反映的是依赖广告的平台与依赖交易费的平台之间的结构性区别。对 Shopify 来说，把购物意图转化为购买的 AI 智能体，无论通过什么界面，都是一笔收入事件。对 Amazon 来说，其广告业务在 2025 年对营业利润的贡献，超过了它自己报告的、不含 AWS 的营业利润，所以盘算完全不同。

延伸阅读：Meta Muse 登顶 App Store 榜单，随后遭遇 Mac 零日安全漏洞

风险投资回报正在走向历史极端的两极分化

报告中的风险投资图景，凸显了贯穿整个分析的一个主题：AI 时代的结果正向两个极端集中。

对于 2024 年份的基金，据 a16z 引用的 Burgiss 和 Cambridge Associates 的行业数据，按净内部收益率（IRR）排名前 10% 的基金，IRR 达到 40.5%。中位数基金为 -3.3%。底部四分位为 -14.6%。

对于 2021 年到 2023 年的年份 —— AI 炒作和估值的峰值期 —— 分配占实缴资本的比例（DPI）全面接近于零。在那段时期出资的有限合伙人（LP）仍在等待有意义的流动性。来自 2021 年峰值估值的后期阶段减记，继续拖累未实现的投资组合价值。

2026 年 8 月，a16z 完成了 Machine Age Fund 的募集，规模 11 亿美元，专门投向 AI 实体基础设施：芯片、内存、网络、存储、数据中心和机器人。这支基金的论点，是「从比特到原子」这一论断的直接体现 —— 即 AI 下一轮主要的价值捕获将发生在实物资产上，而不是软件抽象上。

延伸阅读：Andreessen Horowitz 推出学院，应对 AI 重塑入门级人才市场

接下来：智能体、机器人与衡量难题

a16z 报告点出了该公司预计在本个十年余下时间里会有重大 AI 发展的几个领域：面向消费者的 AI 智能体、机器人、自动驾驶汽车、生物学和药物发现中的 AI、健康领域的 AI，以及国防领域的 AI。

这些类别有一个共同特点：它们代表 AI 从语言任务转向物理世界任务，从纯数字运行转向具身运行。从产出文字和图像的推理，转向控制机器人或驾驶车辆的推理，意味着在性质上不同的基础设施需求 —— 延迟、可靠性和物理成本容忍度，都与 2024 年的数据中心工作负载大不相同。

本期报告指出的衡量难题，很可能在这些类别里持续并加剧。当 AI 在物理环境中运行时，要确立 AI 部署与业务成果之间的因果关系，会更难而不是更容易。机器人完成仓库任务是可以衡量的；而一个推荐算法对药物发现过程的改进，要干净地量化则要困难得多。

悬在 AI 周期之上、更紧迫的问题是：企业和消费者的采用，能否足够快地加速，以证明 2026 年正在进行的 7,800 亿美元基础设施建设是合理的。a16z 的数据表明，基础设施到来的速度比可衡量的需求更快。对于这种状况，历史既给出了令人安心的先例，也给出了警示性的先例 —— 其中最具参考价值的，是当下这一刻所引发的对 1990 年代末互联网基础设施建设的对照。