Goldman Sachs
AI capex / 云与数据中心
Tracking Trillions: AI build-out 规模假设
公开研究观点，以原文为准：Goldman Sachs Global Institute 讨论 AI CapEx 规模对芯片寿命、数据中心成本、架构组合和瓶颈假设的敏感性。
查看英文原文 ↗ Goldman Sachs 官方公开页
为什么值得关注
免费这份研究的钩子不是单一大数字，而是 Goldman Sachs Global Institute 把 AI build-out 的“万亿级”争论拆成芯片寿命、数据中心成本、架构组合、功率、劳动力和设备瓶颈等假设。它提醒读者：AI capex 看起来像一个总额问题，实际是更新周期、物理建设和供应链交付能否同时成立的问题。具体情景与数字以原文为准。
关键看点
免费- AI build-out 规模要拆成新增集群、存量更新、训练与推理比例，而不是只看云厂商资本开支 headline。
- 芯片寿命是敏感变量：更新节奏越快，对加速器、服务器、网络和折旧假设的影响越大。
- 数据中心成本不止 GPU，还包括土地、建筑、电力接入、冷却、网络、存储、运维和融资成本。
- 功率、劳动力和设备瓶颈决定理论需求能否落地，尤其会影响变压器、开关设备、冷却和施工服务交付。
涉及的产业链环节与公司
免费教育性映射看，该主题覆盖云服务商、GPU/ASIC、AI 服务器、网络交换、光模块、数据中心工程、电力设备、冷却系统、施工服务和运维软件。代表公司类别包括大型云平台、计算与连接芯片厂商、服务器 ODM、网络设备商、电力与热管理设备商、数据中心工程服务商；这里只说明 AI capex 可能触达的节点，不构成投资建议。
🔒 会员深度解读
Goldman Sachs 这份报告，逐点完整中文解读
- 逐点逐句完整解读：把每个核心结论拆成中文，讲清逻辑与口径
- 用 Compassing AI 深问这份报告：要点追问、横向对比、连到你关注的板块