瑞銀最新測算顯示，2026年全球AI資本開支總額将達到9980億美元，幾乎是2025年5060億美元的兩倍；預計2027年支出将繼續增長至1.447萬億美元，同比增幅約45%。但這份報告最震撼的信息并非總量數字，而是其内部結構所揭示的殘酷現實。

從具體數據來看，2025年内存相關開支為710億美元，占AI資本開支總額的14%；2026年内存開支飙升至3670億美元，占比升至37%；到2027年，内存開支将進一步達到9230億美元，占比高達64%。與之形成鮮明對比的是，非内存開支從2025年的4350億美元增至2026年的6310億美元後，2027年反而回落至5250億美元，降幅約17%。

這組數據傳遞出一個被市場嚴重低估的信号：如果剔除内存漲價因素，2027年AI基礎設施的實際投資規模不僅沒有增長，反而在萎縮。這意味着所謂的AI投資狂潮，在很大程度上是一場由内存價格飙升制造的表觀繁榮。科技巨頭們并不是在瘋狂地擴建數據中心、采購更多GPU，而是在為同樣的硬件支付越來越高的價格。RBC的測算更為直白，剔除内存成本後，2026年雲廠商資本支出增速将從表觀的80%大幅回落至40%左右。

AI投資正在經曆石油危機式的成本沖擊

當前AI産業面臨的内存成本暴漲，在經濟學意義上更接近1973年的石油危機，而非傳統的技術疊代周期。石油危機的本質不是世界需要更多石油，而是石油供給被卡住，價格飙升導緻整個工業體系成本結構被重塑。今天的内存市場正在上演同樣的劇本。HBM高帶寬内存的供給被三星、SK海力士、美光三家牢牢掌控，HBM3e的單價是普通DDR5的3到4倍，而産能擴張周期長達18到24個月。這與石油輸出國組織通過控制産量操縱油價的邏輯如出一轍。不同之處在于，石油可以被替代，而HBM在可預見的未來沒有替代品，它是大模型訓練的氧氣，沒有它，再強大的GPU也隻是一塊廢矽。

這一判斷的推論是，内存漲價不是周期性波動，而是結構性瓶頸。瑞銀預計結構性供應不足至少持續到2028年中期，這意味着AI産業的成本壓力在未來兩年内不會緩解，反而可能加劇。

利潤轉移正在重塑全球AI價值鍊的地緣格局

瑞銀報告中有一句容易被忽略但極其重要的話：這筆支出本質上是收入與利潤向亞洲内存廠商轉移。讓我們算一筆賬：2025到2027年AI資本開支增量約1萬億美元，其中90%來自内存。而同期三星、SK海力士、美光三家内存巨頭的合計淨利潤預計在6000到8000億美元之間。這意味着，美國科技巨頭每年砸向AI的數千億美元，有相當大一部分最終流入了韓國和台灣地區的企業口袋。

這揭示了一個深刻的悖論：美國将AI視為國運之戰，投入數萬億美元，但最大的受益者卻是亞洲的内存廠商。英偉達雖然憑借GPU拿下了市值第一的寶座，但其服務器成本中HBM的占比越來越高，利潤率正在被内存廠商侵蝕。據SemiAnalysis披露，英偉達之所以還能維持高毛利，是因為它從供應商那裡獲得了極優定價，遠低于市場平均水平，這本質上是英偉達利用其議價能力将成本壓力轉嫁給了其他雲廠商和中小玩家。

從地緣經濟角度看，這是一場靜默的價值鍊再平衡。過去十年，全球半導體價值鍊的利潤分配高度向美國設計端傾斜，而現在，随着AI對内存依賴度的指數級上升，利潤重心正在向亞洲制造端轉移。這一趨勢對全球科技競争格局的影響，可能比任何關稅政策都更為深遠。

現金流危機正在逼近，AI泡沫的觸發條件已經浮現

市場目前對AI投資的最大争議在于，這到底是互聯網式的價值創造，還是鐵路泡沫式的過度投資。瑞銀的數據為這場争論提供了一個關鍵的觀察窗口。當資本開支的增長主要由價格上漲而非數量擴張驅動時，它暴露了兩個緻命問題。

第一，投資回報率正在被系統性高估。科技巨頭們在财報中展示的AI收入增長，很大程度上是在高價賣出的基礎上實現的。一旦内存價格回落，API定價将失去支撐，收入增長曲線可能斷崖式下跌。據2026年中期的測算，在最樂觀情景下，微軟、谷歌、Meta的AI業務投資回報率分别為-9%、-15%、-28%。

第二，自由現金流正在被吞噬。S&P Global的模型顯示，2027年六大超大規模雲廠商中，僅微軟一家預計能保持正自由現金流，其餘五家全部為負。FactSet的數據也印證了這一趨勢：2026年五大超大規模廠商的自由現金流接近零或轉負，增量債務占資本開支比例已從2024财年的9%飙升至2026年中的32%。當一家公司每新增1美元經營現金流需要對應1.57美元的資本投入時，它實際上是在借錢燒錢。這不是可持續的增長模式，而是典型的泡沫前兆。

内存瓶頸将加速AI産業的馬太效應

内存漲價對不同規模玩家的影響是極度不對稱的。頭部雲廠商憑借資金規模和長期供應協議，能夠以相對優惠的價格鎖定HBM産能，甚至通過自研架構降低對HBM的依賴。而中小AI創業公司和二三線雲廠商，既沒有議價能力，也沒有技術儲備來對沖成本上漲，隻能被動接受市場價格。

這導緻的結果是，AI産業的進入門檻正在被内存成本強行擡高。據Epoch AI與斯坦福AI Index的聯合測算，GPT-4的訓練成本約為7800萬美元的計算資源，而谷歌Gemini Ultra的訓練成本更高達1.91億美元。Epoch AI的研究進一步指出，自2016年以來，前沿模型的訓練成本以每年約2.4倍的速度增長，若該趨勢持續，到2027年最大規模的單次訓練成本将突破10億美元。在這一成本結構中，AI加速器芯片與人員開支是最大的兩項支出，各自達到數千萬美元級别；服務器組件（含HBM内存）在硬件成本中占比約為15%-22%。這意味着，AI前沿研究的入場券價格已經翻倍，大量學術機構和初創公司将被迫退出競争。

從産業生态的角度看，這不是好事。一個健康的創新生态需要金字塔結構，底部有大量中小玩家進行試錯和探索，頂部有少數巨頭進行規模化落地。如果内存成本持續高企，金字塔的底部将被削平，AI創新将越來越集中于少數幾家巨頭手中，最終損害的是整個行業的長期活力。

結語：稀缺性的重新定義

過去兩年，市場普遍認為AI時代最稀缺的資源是算力，GPU越多越好，算力越強越好。但瑞銀的這份報告告訴我們，這個認知可能已經過時了。在AI基礎設施的成本結構中，内存正在取代GPU成為新的稀缺性錨點。而稀缺性的轉移，意味着價值鍊的重新分配、競争格局的重塑、産業邏輯的切換。

當潮水退去時，真正賺錢的可能不是那些站在聚光燈下的算力明星，而是那些默默控制着數據閘門的内存巨頭。畢竟，在AI的世界裡，沒有内存，再聰明的模型也隻是一堆無法運行的代碼。