代理式AI推动本地与边缘基础设施需求，企业计算硬件厂商受益
AI 摘要卡
代理式AI推动本地与边缘基础设施需求，企业计算硬件厂商受益
高盛专家网络会议纪要认为，代理式AI因成本、延迟、治理和数据主权要求推动企业采用混合计算架构，AI基础设施过度建设风险不高，DELL、HPE 等企业计算厂商有望受益。
- 代理式AI推动企业将部分工作负载放在本地和边缘，以降低 token 成本、实现毫秒级延迟，并满足数据隐私与治理要求。
- 专家认为AI基础设施尚未面临明显过度建设风险，原因是代理式AI需求强劲，且企业内部大量未训练数据仍需要新增训练基础设施。
- 企业可通过替换旧CPU服务器、升级网络和提升能效释放预算，并将编码、呼叫中心代理等用例带来的运营节省重新投入AI基础设施。
- 边缘平台出货的关键约束可能来自供应链，尤其是内存供应；大型AI集群还受电力和电网接入能力限制。
研报解读
概览
本报告总结了高盛于2026年7月10日举办的专家网络投资者电话会，嘉宾为 Microsoft 前AI转型总监 William Fong，主题聚焦AI基础设施需求趋势。报告核心结论是：代理式AI正在推动企业增加本地和边缘基础设施投入；AI基础设施需求尚未显示过度建设迹象；企业正在通过服务器能效提升和运营杠杆为硬件投资腾挪预算。
核心观点
第一，代理式AI使企业更倾向于采用云、本地和边缘结合的混合计算架构：单个AI代理可在本地运行以实现低延迟和数据隐私，复杂多代理编排层仍可使用云。第二，AI训练基础设施需求仍然稳健，因为全球大量企业内部数据尚未被训练，互联网仅代表全球数据的一部分。第三，Microsoft 取消部分与前比特币挖矿 neocloud 相关的数据中心 MOU，并不代表AI训练需求转弱，而是因为这些站点无法获得有保障的电力供应。第四，企业通过更换新一代CPU服务器、升级网络以及减少人力成本，正在把节省下来的运营预算重新投入AI基础设施。
分析框架
报告采用专家访谈和会议纪要方式，从企业AI工作负载部署位置、计算成本、延迟、治理、数据主权、训练需求、电力约束、硬件能效和企业预算来源等维度判断AI基础设施需求。
方法论与常识提炼
专家访谈驱动的需求判断
通过 Microsoft 前AI转型负责人 William Fong 的行业观察，评估企业AI基础设施采购、部署架构和预算变化。
云、本地与边缘协同部署
将低延迟、数据隐私和成本敏感的AI代理放在本地或边缘，将复杂多代理编排层放在云端，以优化成本、治理和性能。
成长、财务回报、估值倍数和综合因子比较
披露附录说明高盛用成长、财务回报、估值倍数和综合指标比较个股与市场及同业，但本会议纪要未围绕具体公司给出因子分数。
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）。
- DELL、HPE 等企业计算硬件厂商潜在受益者
- 优势
- 代理式AI推动本地部署和企业服务器升级，报告明确称这应成为企业计算厂商的有意义顺风。
- 劣势
- 需求兑现依赖企业预算、用例ROI和供应链交付能力。
- 对比
- 相较纯云端基础设施，本地企业计算更受益于延迟、数据隐私和治理约束。
- 风险
- 内存供应、电力约束、企业采购节奏放缓或AI用例回报不足。
- 边缘计算平台、PC 与 IoT 设备需求扩展方向
- 优势
- 低延迟和数据主权要求支持在边缘运行单个AI代理。
- 劣势
- 出货量可能受内存等关键供应链瓶颈限制。
- 对比
- 边缘平台更适合毫秒级响应和本地数据处理，云端更适合复杂多代理编排。
- 风险
- 内存供应不足、边缘AI应用落地速度不及预期。
- 云计算与数据中心基础设施仍为混合架构组成部分
- 优势
- 复杂多代理编排和新增训练需求仍需要云和大型数据中心能力。
- 劣势
- 部分站点若无法获得稳定电力，可能无法满足现代AI集群需求。
- 对比
- 云端并未被本地部署替代，而是在混合架构中承担更复杂的编排和训练任务。
- 风险
- 电力接入、电网容量、数据中心项目延期。
关键数据
- 会议日期2026-07-10高盛专家网络投资者电话会日期。
- 专家嘉宾William FongMicrosoft 前AI转型总监。
- 能效示例新平台可实现每机架约2倍性能、耗电降低50%报告举例称 Arm AGI CPU 等新平台可帮助企业用单台新服务器替换多台旧服务器。
- 企业数据训练空间互联网约占全球数据的三分之一专家认为大量企业系统内数据仍未被训练，支撑新增AI训练基础设施需求。
- 高盛全球覆盖股票数量3,104截至2026年7月1日，高盛全球投资研究覆盖并评级的股票数量。
- 评级分布Buy 50%，Hold 34%，Sell 16%报告披露的高盛全球股票覆盖评级分布。
影响与含义
若专家判断成立，AI基础设施投资的驱动因素将从单纯云端训练扩展到企业本地推理、边缘设备和混合编排架构。对硬件产业链而言，服务器、网络、内存、电力基础设施和边缘计算设备需求均可能获得支撑；对企业客户而言，硬件投资回报更多取决于能效升级、自动化用例落地和运营成本节省。
风险
- 内存供应链约束可能限制边缘平台和相关设备出货。
- 数据中心和AI集群对电力及电网接入要求高，缺乏保障电力的站点可能无法落地。
- 企业AI硬件投资依赖实际用例ROI，若编码代理、呼叫中心代理等节省不达预期，预算再投入可能放缓。
- 混合计算架构的安全、治理和运维复杂度可能提高企业部署难度。
后续跟踪
- 企业本地AI服务器采购订单和 DELL、HPE 等企业计算厂商的AI相关收入指引。
- 内存供应、服务器交付周期和边缘AI设备出货能力。
- 大型AI数据中心项目的电力合同、电网接入和项目取消或延期情况。
- 企业在编码代理、呼叫中心代理等实际用例中的成本节省和再投资比例。
- 云、本地和边缘之间的推理工作负载分布变化。