Barclays预计AI资本开支或在2028年见顶至约1万亿美元

概览

这是一篇Barclays关于美国互联网与半导体行业的AI需求和供给建模框架报告。报告核心问题是：在AI能力加速、Agentic AI扩散和潜在递归自我改进背景下，AI实验室未来需要多少训练与推理算力，以及这些需求将如何转化为超大规模云厂商资本开支。报告结论是，AI Capex可能在2028年达到约1万亿美元的高点，随后增速趋平或温和回落，但整体推理使用量仍会继续增长。

核心观点

报告认为AI行业正从简单问答和辅助工作流走向Agentic AI与自动化生态，2027年后模型发布节奏和能力提升可能进一步加速。Barclays认为市场仍低估了这一轮资本开支上行，尤其是2028年超大规模云厂商Capex可能比一致预期高出3000亿美元以上。其逻辑是，前沿AI实验室的训练和研究算力费用将在2029年达到高点，而云厂商需要提前约一年建设相应基础设施，因此Capex高点落在2028年。

分析框架

报告不是从供应链产能或传统年度Capex预测出发，而是以OpenAI和Anthropic等AI实验室的收入、训练算力费用、推理算力费用和用户/查询量预测作为需求代理，再折算为B200等效GPU、GW级算力容量和超大规模云厂商Capex。报告还假设OpenAI和Anthropic当前约占行业算力需求的三分之二，Google、Meta、xAI等其他实验室占其余三分之一且长期占比会提高。

方法论与常识提炼

• 需求反推供给AI实验室算力需求驱动Capex框架

  用AI实验室训练和推理算力费用预测反推云厂商新增算力建设。

  报告认为AI实验室是token和算力的最大消费者，其内部预测比单纯观察供应链或年度Capex一致预期更能反映未来几年真实需求。

• 时间错配T-minus-1-year Capex逻辑

  训练算力消耗高点通常需要前一年资本开支建设。

  若2029年训练和研究算力需求达到高点，云厂商需要在2028年前后完成数据中心和下一代算力建设，因此Capex高点会提前出现。

• 算力标准化Nvidia Blackwell-equivalent测算

  用B200等效算力统一不同代际GPU、TPU和ASIC的算力口径。

  报告承认未来FLOPS/GPU、GPU/rack和rack/GW会变化，但认为用等效算力口径可以更稳定地估算AI实验室需求对应的容量。

• 算力瀑布训练算力转推理算力假设

  前沿训练使用过的上一代算力未来可转为推理。

  报告假设新一代算力主要用于前沿训练，随着更新代际上线，旧训练算力可转向推理，因此2027年后新增推理专用Capex需求可能较低。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• AMZN AWS

  超大规模云厂商与OpenAI等AI实验室的潜在算力供给方

  优势

  报告估算AWS AI容量从2025年8GW升至2028年22GW，且提到Amazon与OpenAI协议规模上调。

  劣势

  高Capex可能压缩自由现金流，且AI算力回报依赖长期租赁和利用率。

  对比

  在Barclays估算中，AWS为主要容量贡献方之一。

  风险

  合同执行、数据中心交付、电力约束、Capex回报不及预期。

• MSFT Azure

  OpenAI重要云算力合作方之一

  优势

  与OpenAI生态关联紧密，可能受益于训练和推理算力需求增长。

  劣势

  报告使用一致预期与Barclays预测，显示2028年行业Capex需求可能高于市场预期。

  对比

  2028年估算AI容量为14GW，低于AWS和GOOGL但仍为核心供给方。

  风险

  资本开支强度、合同结构变化、竞争云厂商分流。

• GOOGL

  既是超大规模云厂商也是AI实验室参与者

  优势

  报告估算GOOGL 2028年AI容量达25GW，为列示厂商中最高。

  劣势

  需要持续投入自研模型、TPU和云基础设施。

  对比

  在容量表中高于AWS、MSFT、META和ORCL。

  风险

  AI商业化速度、Capex效率、与OpenAI/Anthropic生态竞争。

• META

  其他主要AI实验室和算力需求方

  优势

  长期可能提升除OpenAI和Anthropic之外实验室的行业算力占比。

  劣势

  短期商业化路径相对不如API/企业订阅直接。

  对比

  2028年估算AI容量为15GW。

  风险

  开源模型回报、广告业务与AI投入匹配度、现金流压力。

• ORCL

  云基础设施与AI算力租赁供给方

  优势

  可能受益于AI实验室长期算力合同和新型云基础设施需求。

  劣势

  容量基数较小，2028年估算为6GW。

  对比

  在列示超大规模云厂商中容量最低，但增量弹性仍受关注。

  风险

  交付能力、融资结构、客户集中度。

• 半导体与半导体资本设备

  AI Capex上行的上游受益链条

  优势

  B200等效GPU、加速器、服务器和设备需求随GW容量扩张而增加。

  劣势

  Barclays对该组别评级为NEUTRAL，暗示估值或周期风险可能抵消部分需求利好。

  对比

  与U.S. Internet的POSITIVE相比，半导体与设备评级更审慎。

  风险

  供给瓶颈、技术代际变化、客户Capex削减、周期性回落。

关键数据

• AI Capex峰值年份2028报告估算超大规模云厂商AI相关资本开支在2028年达到高点。
• 2028年超大规模云厂商Capex约$1.0TBarclays估算约$1.036T，约为超大规模云厂商经营现金流的89%。
• 相对一致预期差额约$300B+报告认为2028年市场一致预期低估Capex斜率。
• 2029年行业新增AI容量需求约23GWOpenAI和Anthropic约15.5GW，其他AI实验室约7.8GW。
• 2029年OpenAI和Anthropic训练算力费用约$155B该数字是推导前一年Capex高点的核心约束。
• 2030年OpenAI和Anthropic总算力费用约$290B包括训练与推理算力费用，较2024年的约$7B大幅上升。
• 2030年AI行业WAU假设约4.3B报告称该规模接近当前中国以外全球互联网用户规模。
• Agentic查询算力强度约为单次查询的7倍报告认为推理型和Agentic工作流会显著提高每次查询算力消耗。

影响与含义

若报告框架成立，AI基础设施投资周期的强度和持续时间将高于市场当前预期，受益方向包括云基础设施、AI服务器、GPU/加速器、数据中心、电力和相关半导体设备；但对互联网公司和云厂商而言，资本开支占经营现金流比例可能显著升高，投资者需要关注现金流承压、回报周期和算力租赁合同质量。

风险

• AI实验室收入、ARR、训练算力和推理算力预测主要来自媒体报道和公司披露，未来可能大幅修正。
• OpenAI与Anthropic算力预测存在不一致：报告称OpenAI 2029年训练和研究算力费用超过Anthropic三倍，未来可能需要收敛。
• 若递归自我改进或Agentic AI扩散不及预期，训练算力峰值和Capex峰值可能后移或下修。
• 若推理需求增长超过训练算力转用能力，新增推理专用Capex可能高于报告假设。
• 电力、数据中心、芯片供应、融资结构和长期租赁合同均可能成为约束。
• 报告披露Barclays及其关联方可能与研究覆盖公司存在业务关系，投资者需注意潜在利益冲突。

后续跟踪

• OpenAI和Anthropic ARR、收入预测、现金消耗和算力费用是否继续上修。
• 2027年前后模型发布节奏是否明显压缩，Agentic AI和自动化产品是否真正扩散到软件开发以外行业。
• 超大规模云厂商2026-2028年Capex指引、经营现金流占比和AI订单积压变化。
• 训练算力费用是否在2029年前后见顶，以及推理算力是否能由上一代训练算力充分承接。
• B200及后续GPU/TPU/ASIC的算力效率、机柜密度、数据中心电力和建设周期。
• 主权AI和中国AI云虽然不在报告核心范围内，但可能增加全球加速器和基础设施需求。