瑞银最新测算显示，2026年全球AI资本开支总额将达到9980亿美元，几乎是2025年5060亿美元的两倍；预计2027年支出将继续增长至1.447万亿美元，同比增幅约45%。但这份报告最震撼的信息并非总量数字，而是其内部结构所揭示的残酷现实。
从具体数据来看，2025年内存相关开支为710亿美元，占AI资本开支总额的14%；2026年内存开支飙升至3670亿美元，占比升至37%；到2027年，内存开支将进一步达到9230亿美元，占比高达64%。与之形成鲜明对比的是，非内存开支从2025年的4350亿美元增至2026年的6310亿美元后，2027年反而回落至5250亿美元，降幅约17%。
这组数据传递出一个被市场严重低估的信号：如果剔除内存涨价因素，2027年AI基础设施的实际投资规模不仅没有增长，反而在萎缩。这意味着所谓的AI投资狂潮，在很大程度上是一场由内存价格飙升制造的表观繁荣。科技巨头们并不是在疯狂地扩建数据中心、采购更多GPU，而是在为同样的硬件支付越来越高的价格。RBC的测算更为直白，剔除内存成本后，2026年云厂商资本支出增速将从表观的80%大幅回落至40%左右。
AI投资正在经历石油危机式的成本冲击
当前AI产业面临的内存成本暴涨，在经济学意义上更接近1973年的石油危机，而非传统的技术迭代周期。石油危机的本质不是世界需要更多石油，而是石油供给被卡住，价格飙升导致整个工业体系成本结构被重塑。今天的内存市场正在上演同样的剧本。HBM高带宽内存的供给被三星、SK海力士、美光三家牢牢掌控，HBM3e的单价是普通DDR5的3到4倍，而产能扩张周期长达18到24个月。这与石油输出国组织通过控制产量操纵油价的逻辑如出一辙。不同之处在于，石油可以被替代，而HBM在可预见的未来没有替代品，它是大模型训练的氧气，没有它，再强大的GPU也只是一块废硅。
这一判断的推论是，内存涨价不是周期性波动，而是结构性瓶颈。瑞银预计结构性供应不足至少持续到2028年中期，这意味着AI产业的成本压力在未来两年内不会缓解，反而可能加剧。
利润转移正在重塑全球AI价值链的地缘格局
瑞银报告中有一句容易被忽略但极其重要的话：这笔支出本质上是收入与利润向亚洲内存厂商转移。让我们算一笔账：2025到2027年AI资本开支增量约1万亿美元，其中90%来自内存。而同期三星、SK海力士、美光三家内存巨头的合计净利润预计在6000到8000亿美元之间。这意味着，美国科技巨头每年砸向AI的数千亿美元，有相当大一部分最终流入了韩国和台湾地区的企业口袋。
这揭示了一个深刻的悖论：美国将AI视为国运之战，投入数万亿美元，但最大的受益者却是亚洲的内存厂商。英伟达虽然凭借GPU拿下了市值第一的宝座，但其服务器成本中HBM的占比越来越高，利润率正在被内存厂商侵蚀。据SemiAnalysis披露，英伟达之所以还能维持高毛利，是因为它从供应商那里获得了极优定价，远低于市场平均水平，这本质上是英伟达利用其议价能力将成本压力转嫁给了其他云厂商和中小玩家。
从地缘经济角度看，这是一场静默的价值链再平衡。过去十年，全球半导体价值链的利润分配高度向美国设计端倾斜，而现在，随着AI对内存依赖度的指数级上升，利润重心正在向亚洲制造端转移。这一趋势对全球科技竞争格局的影响，可能比任何关税政策都更为深远。
现金流危机正在逼近，AI泡沫的触发条件已经浮现
市场目前对AI投资的最大争议在于，这到底是互联网式的价值创造，还是铁路泡沫式的过度投资。瑞银的数据为这场争论提供了一个关键的观察窗口。当资本开支的增长主要由价格上涨而非数量扩张驱动时，它暴露了两个致命问题。
第一，投资回报率正在被系统性高估。科技巨头们在财报中展示的AI收入增长，很大程度上是在高价卖出的基础上实现的。一旦内存价格回落，API定价将失去支撑，收入增长曲线可能断崖式下跌。据2026年中期的测算，在最乐观情景下，微软、谷歌、Meta的AI业务投资回报率分别为-9%、-15%、-28%。
第二，自由现金流正在被吞噬。S&P Global的模型显示，2027年六大超大规模云厂商中，仅微软一家预计能保持正自由现金流，其余五家全部为负。FactSet的数据也印证了这一趋势：2026年五大超大规模厂商的自由现金流接近零或转负，增量债务占资本开支比例已从2024财年的9%飙升至2026年中的32%。当一家公司每新增1美元经营现金流需要对应1.57美元的资本投入时，它实际上是在借钱烧钱。这不是可持续的增长模式，而是典型的泡沫前兆。
内存瓶颈将加速AI产业的马太效应
内存涨价对不同规模玩家的影响是极度不对称的。头部云厂商凭借资金规模和长期供应协议，能够以相对优惠的价格锁定HBM产能，甚至通过自研架构降低对HBM的依赖。而中小AI创业公司和二三线云厂商，既没有议价能力，也没有技术储备来对冲成本上涨，只能被动接受市场价格。
这导致的结果是，AI产业的进入门槛正在被内存成本强行抬高。据Epoch AI与斯坦福AI Index的联合测算，GPT-4的训练成本约为7800万美元的计算资源，而谷歌Gemini Ultra的训练成本更高达1.91亿美元。Epoch AI的研究进一步指出，自2016年以来，前沿模型的训练成本以每年约2.4倍的速度增长，若该趋势持续，到2027年最大规模的单次训练成本将突破10亿美元。在这一成本结构中，AI加速器芯片与人员开支是最大的两项支出，各自达到数千万美元级别；服务器组件（含HBM内存）在硬件成本中占比约为15%-22%。这意味着，AI前沿研究的入场券价格已经翻倍，大量学术机构和初创公司将被迫退出竞争。
从产业生态的角度看，这不是好事。一个健康的创新生态需要金字塔结构，底部有大量中小玩家进行试错和探索，顶部有少数巨头进行规模化落地。如果内存成本持续高企，金字塔的底部将被削平，AI创新将越来越集中于少数几家巨头手中，最终损害的是整个行业的长期活力。
结语：稀缺性的重新定义
过去两年，市场普遍认为AI时代最稀缺的资源是算力，GPU越多越好，算力越强越好。但瑞银的这份报告告诉我们，这个认知可能已经过时了。在AI基础设施的成本结构中，内存正在取代GPU成为新的稀缺性锚点。而稀缺性的转移，意味着价值链的重新分配、竞争格局的重塑、产业逻辑的切换。
当潮水退去时，真正赚钱的可能不是那些站在聚光灯下的算力明星，而是那些默默控制着数据闸门的内存巨头。毕竟，在AI的世界里，没有内存，再聪明的模型也只是一堆无法运行的代码。
