字节跳动刚通过银团贷款筹集 296亿美元，阿里巴巴完成 800亿港元配售；此前几个月，谷歌、亚马逊合计融了 800多亿美元，英伟达也抛出 5000亿美元 级“大计划”。全球大厂疯狂找钱，投向几乎都指向同一个方向：AI基础设施。

近代产业史上，铁路、城镇化等重塑格局的机遇，本质上都是一轮顶级基建升级。过程中会有争议和泡沫，但最终沉淀下来的基础设施，往往能托举此后数十年的产业发展。这一次AI基建覆盖更广、砸钱规模更大、迭代速度也更快。

今年7月，市场情绪出现一轮剧烈波动：上万亿算力投资未来能不能赚钱？无脑堆卡、扩集群的粗放阶段还没结束，但资本已经开始追问回报。

与此同时，普通用户正在常态化使用各类桌面Agent。AI不再只是聊天框，而是能自动运行、循环干活的智能体，今年也因此被不少人视为真正的 Agent元年。需求端最直接的结果是Token消耗持续超预期：今年3月国内日均Token调用突破140万亿，较2024年初增长超过千倍。

但行业一边喊缺卡，一边又存在惊人浪费。卡内基梅隆大学用 756张GPU连续跑31天，发现集群近两成时间处于“等待”状态；OpenAI推理业务有一半以上能耗耗在空转上；国内不少智算中心的GPU平均利用率甚至不到30%。

【编辑观察】堆卡规模曾是最直观的“AI实力”，但当资本开始要求回报，利用率和单位Token成本，会比PPT上的总算力更诚实。

当AI Infra进入深水区，芯片、电力、硬件、软件、模型、应用层层叠加，新融资和新概念层出不穷。投中网联合中关村科学城公司、中关村创业大街举办的“Agent元年，重构AI Infra新势力”闭门沙龙，试图从噪音中辨认真正的信号。

“七姐妹抱团，中国散装”

九章云极、趋境科技、特斯联，都是国内直接供给Token的核心玩家。它们分别依靠调度、异构整合和全链路优化，解决GPU空转、利用率低、推理成本高的问题。

  • 九章云极已在国内布局12个智算中心节点，并进入东南亚市场，业务覆盖智算新云、训练工厂与Token工厂三大板块。联合创始人暨COO尚明栋观察到，美国算力供给高度集中，头部云厂商与AI基础设施公司形成紧密生态；中国则更分散、更贴近实际产业需求。
  • 趋境科技核心团队来自清华大学计算机系高性能计算研究所，继承了十余年技术积累。2023年底成立时正值“百模大战”，公司却明确聚焦大模型推理。总裁兼CFO武文洁坦言，真正下场后会明显感到国产卡与海外高性能卡仍有差距，获取高端卡也越来越难。
  • 特斯联2015年成立于重庆，从AIoT场景成长为AI-IoT独角兽，股东包括国央企、IDG资本、AL Capital，以及京东、科大讯飞、商汤等产业资本，产品已部署于全球170多个城市、服务超过900个客户。AI Infra业务负责人刘跃认为，特斯联走的是垂直场景驱动AI Infra和Agent迭代的路线，与通用Token服务或算力租赁并不相同。

【编辑观察】中美差异不是简单的“谁领先”，而是两套产业组织方式：美国靠生态集中和底层通用平台收割，中国靠场景密度与定制化降本。

芯片层面的差距也呈现出多种形态。海松资本董事总经理刘忱举例称，一些推理芯片公司直接把某家模型公司的架构写进芯片，几乎等于为单款模型做专用芯片，效率可达现有方案的100倍；但模型一迭代，芯片可能就失去用途。从绝对通用到绝对效率之间存在大量中间地带，没有任何一家公司能解决所有问题。

国产通用GPU的难度，在象帝先身上体现得很典型。公司2020年9月成立于重庆，创始人唐志敏曾参与龙芯1号、2号研发，也是海光信息创始人之一，约80%研发人员来自海光同芯体系，在售产品已到第三代。公司累计融资约30亿元，估值一度达150亿元，2025年依靠数亿元战略投资缓解压力，今年4月已与中信建投证券签约启动上市准备。

象帝先的王耀宇判断，英伟达的核心壁垒不只是硬件，而是CUDA软件生态。国内目前还没有形成统一接口，完全通用化难度很大；更现实的路径是先做定制化，再随着Agent需求扩大满足快速增长的市场。

AIGCode联合创始人&CTO陈秋武给出的数据更直观：去年英伟达产出的算力卡规模是昇腾的100倍，今年差距已扩大到约200倍。AIGCode长期适配国产算力，2025年底已与海思合作完成130B参数模型预训练，如今可以在国产硬件上完成700B参数大模型训练。但软件优化能提升有效算力，却无法弥补硬件供给总量的硬缺口。

君科丹木管理合伙人张瑞琪认为，中美会逐渐形成两套体系：中国短期内封装和散热更重要，因为制程尚未完全突破、功耗较高；美国则持续追求更先进芯片。他还比喻，美国创投生态像两层比萨，中国更像千层饼；美股“七姐妹”去年发起超过300起并购，国内并购数量仍有限，中美创投机构的资金体量至少差着美元与人民币的汇率单位。

随着集群从单卡、单机走向万卡级，新的瓶颈也在出现。祥峰投资执行董事姜煦关注存储与互联：Scale Up和Scale Out不仅要求更强的多卡互联，也考验网络架构、存储访问和异构协同。如果互联带宽、通信效率或存储速度跟不上，单卡性能再强也难以转化为集群有效算力。

散热同样是隐形命脉。焦耳传热总经理刘旭强调，电子设备温度每上升10℃，故障率就会翻倍。国内高端散热技术已进入全球第一梯队，某类高端散热系统全球仅3套能稳定运行，其中一套就在中国；但部署规模差距明显，美国已达百万颗级别，国内约为20万颗。

真成投资管理合伙人李剑威则感受到全球算力极度紧缺：在美国、欧洲，合适的算力选址很快会被抢光，能够找到稳定50MW规模且电价友好的站点已是稀缺资源。他还提出一个值得验证的问题：智谱GLM5.3在OpenRouter上一天约有100T算力调用量，据传主要由国产算力支持；若属实，是否会颠覆“AI必须依赖先进制程芯片”的主流叙事？

钱往推理走，机会藏在瓶颈里

一个明确变化是，资本正在从训练转向推理。2026年一季度，约三分之二的AI资本开支已转向推理，重点是跑模型而不是训模型。做SGLang的RadixArk拿到1亿美元种子轮、估值4亿美元，从开源到融资只用了几个月，说明Infra层的竞争正从技术比拼前移到生态比拼。

不过，推理需求并非只会线性暴涨，它会被算法和软件持续压缩。Infra公司真正的对手，可能是模型公司自己降低Token消耗的速度。

尚明栋认为，训练是提前准备，推理才是真正使用。沿着推理主线，存储正在成为新机会：通过优化数据存取架构减少重复计算，HBM、SSD与企业级存储都可能衍生新技术形态。美国擅长前沿探索，中国则更适合把技术做扎实、把成本算清楚，让AI以低成本、规模化方式进入千行百业。

趋境科技把Token分为L1至L5，其中L3、L4、L5属于面向企业真实应用的高品质Token。公司采取“少模型、深优化”路线，围绕少数有明确生产需求的主流大模型持续优化，目标是在顶级大模型上的优化能力超过模型公司自身。

电力是另一个绕不开的瓶颈。科安创能创始人兼CEO姜伟给出的数据相当惊人：当前AI相关电量消耗约 485TWh，占全球电力1.5%；如果传统IDC全面转向AIDC，消耗可能增长10倍甚至200倍。海外电网容量已经成为核心卡点：泰国老园区基本没有多余电网，美国在建99个发电项目中八成是为数据中心建设的独立电站，欧洲不少国家也拒绝数据中心随意接入公共电网。

美国主要用天然气解决供电，卡在燃气轮机上，电价约0.25美元/度。光伏和风电虽然资源充足，但存在间歇性，无法直接满足7×24小时供电。科安创能的思路是通过多种储能技术组合形成配套方案，把用电成本压到全球平均约1元人民币/度。

应用端的商业化也在改善。李剑威观察到，其投资的AI应用公司在收入增长、毛利率和客户刚需方面都得到了验证，付费意愿强于预期；今年7月的行情暴跌甚至部分公司爆仓，更多是情绪和博弈结果，基本面并未发生根本变化。

冯源资本执行董事刘思远长期关注半导体。他认为，中美在先进设备、材料领域的脱钩，倒逼国产厂商进行大量独立开发和生态配套，反而催生很多细分机会。未来光互联、机柜、新工艺、新材料、散热都值得关注，尤其液冷、风冷路线尚未收敛，需要结合客户场景选型，其中会诞生大量落地机会。

新公司也在从更细分的位置切入。光擎源成立于今年6月，团队在Micro LED光通信领域已有17年积累，参与过“天琴计划”等交付，器件可靠性达到航天级标准，目前正在进行天使轮融资。COO张振判断，推理对延迟更敏感，下一代互联“光进铜退”是重要趋势，Micro LED兼具低功耗、高带宽和低成本优势，适合AI集群内部大规模高速交互。

未名智芯则尝试“让模型定义数据中心”。公司由北京大学计算机学院教授、原北京大学软件与微电子学院创始院长陈钟发起，成立两周完成天使轮融资。联合创始人陈凤云表示，国产算力落地的难点不是“有没有芯片”，而是能否把理论算力转化为可部署、可运营、可规模复制的有效算力。

其路径不是先造通用GPU再找应用，而是从模型计算图与Token负载出发，先验证编译器、运行时、数据流、分层存储和多芯片协同，再反向固化为专用芯片、机柜拓扑和数据中心级系统。首代产品聚焦高交互智能体场景下的MoE模型Decode推理，以机柜级软硬件一体化系统交付，目标是用更低Token成本释放国产芯片价值。

场景驱动还让算力向边缘延伸。刘跃观察到两个方向：

  • 企业对数据敏感，同时需要与物理空间联动，推动算力从云端走向边缘；
  • 通用大模型之外，面向具体行业的垂类模型正在长出独立形态。

特斯联对应的产品是空间智能体和基于T-AgentBox的边缘侧产品，数据不出本地，以买断式算力替代持续的云端Token支出。外界将其比作“中国版Palantir”，但其壁垒同时包括场景数据、领域Know-how，以及物理空间中的“感知—决策—执行”闭环。

容易被忽略的还有加密算力。荆华密算副总裁王珂介绍，公司孵化于清华大学计算机系，项目发起人为清华计算机系教授任炬，主要把AI推理和训练加密做成可交付、可签约的服务，帮助算力中心提供可信Token。目前客户单周加密算力消耗已达100亿Token。他判断，按34.7%的年复合增速，加密算力在2030年前后有望成长为千亿美元级市场。

全场最反共识的声音来自陈秋武。他明确提出，推理生意未来可能急剧下降：当前模型处理任务时是在复杂空间中探索，而非直达最优结果；如果长程复杂规划能收敛到最优决策路径，现在需要百万Token的任务，未来可能只需千级或万级Token，直接下降三个数量级。

他也不认同摩根大通给出的370倍市场增长预期。按照轻端重云大模型覆盖率85%～90%、渗透率突破60%测算，实际增长倍率可能约为63倍。硬件还受到产能、供电和能源稳定性约束，五年内实现370倍算力扩张并不现实，产业资源必然流向软件优化和算法优化。

【编辑观察】最值得警惕的不是某一季度波动，而是用“Token永远线性暴涨”给所有公司估值。算法压缩一旦发生，先裸泳的往往是只会租卡、卖算力的工厂。

资本与产业，为什么越来越难对齐？

全球AI融资已经呈现强烈的赢家通吃格局：

  • 前三大单笔融资拿走约 51% 的资金；
  • 前十笔融资拿走约 83% 的资金；
  • 北美融资占比已从2024、2025年的超过80%，降至2026年的约66%；
  • 欧洲、亚太、中东机构开始更多出现在大额基建和硬件融资轮次中。

热闹之下，创业者和投资人的关注点正在拉开距离。创业者关心能不能交付、毛利多少、订单在哪；投资人关心能不能退出、估值贵不贵、下一轮谁接盘。

燕缘创投总经理、管理合伙人李军将科技投资分为两类：一类是商业应用，追求具体场景、本地化部署、C端突破和收入曲线；另一类是创新型突破，前期需要大量研发和里程碑验证，一旦跨过节点会出现非线性爆发。今年优质项目估值快速抬升，早期份额越来越难拿，投资的风险补偿收益却在下降。他建议创业者把握自身融资和发展节奏，不要只看金额和估值，更要看商业化与技术里程碑。

张瑞琪也提醒，资金过度向少数头部集中未必有利于生态，“AI共识下很多非共识路线反而有巨大创投价值”。他同时希望并购监管能进一步放松，让大企业以更灵活的架构收购前沿技术和团队。

水木梧桐创投董事总经理杨锐则把机构的投资方向概括为 “Infra的Infra”。其团队以清华校友为主，资深管理合伙人冯明宪博士曾深入参与台湾半导体产业，2002年主持过台积电一厂整厂转移宁波。过去一年，机构投资了光刻机微环境控制、薄膜沉积设备、半导体高纯度石英材料等上游环节。

在杨锐看来，AI应用厂商的上游是基座模型厂商，模型厂商上游是芯片厂商，芯片厂商又依赖晶圆厂、封装厂以及更上游的设备和材料公司。最上游的突破性技术，反而可能诞生更扎实的生意。市场不应在“速胜论”和“失败论”之间来回摇摆，而应冷静判断估值与业绩波动究竟是暂时现象，还是技术路线本身的价值问题。

陈秋武算了一笔尖锐的账：以昇腾910B的B3为例，月租金约1.6万元，但如果只是卖Token，月收益可能只有约4000元。AIGCode曾将客户在8台GLM5.2上的输出从172 token/s优化到1100～1600 token/s。优化空间如此之大却仍然亏损，说明不少国产算力处于空闲和浪费状态，缺少真正懂行的人把毛利做出来。

他进一步指出，一些技术较差的Token工厂之所以能拿到市场，是因为做基模、挑战最难技术的人没有下场做推理。如果推理需求未来急剧下降，那些按Token线性增长给出估值的公司将承受巨大压力。但无论市场如何波动，具备核心技术优势的公司仍有资本化价值，比如无问芯穹这类明星企业，即使估值高、份额难拿，依然会吸引投资人。

沙龙最后的问题依然现实：做商业应用能很快看到收入，但毛利不够高；做前沿科技有非线性想象空间，却要长期投入，没人知道何时跨过爆发节点。短期生存与长期突破如何平衡，并没有标准答案。

市场奖励β的阶段正在过去。敢重仓算力、敢押注赛道的勇气依然值钱，但只有勇气已经不够。AI Infra不会是一路向上的直线，它会像所有基建浪潮一样经历泡沫挤压和重新定价，淘汰虚浮的参与者，最终留下真正解决问题的人。