高盛最新报告指出，人工智慧（AI）的投资浪潮正从算力基础设施向更广泛的实体经济延伸，制造、能源、物流、国防、生命科学与机器人等产业已同步进入 AI 改造进程，资本市场也被迫跟上重构脚步。

高盛预估，2026 年至 2031 年间，全球围绕运算、资料中心与电力的 AI 资本支出将达约 7.6 兆美元，年度投入从 2026 年的 7,650 亿美元，逐步攀升至 2031 年的 1.64 兆美元；超大型云端业者至 2030 年的 AI 投资更可能突破 6 兆美元。

全球资料中心供给已从 2019 年的 30 吉瓦增至 2024 年的 57 吉瓦，预计 2030 年前还将再增约 65 吉瓦。

根据高盛，AI 算力需求的成长速度已明显超过基础设施建设。Google 今年 6 月宣布，每月支付 SpaceX 约 9.2 亿美元，至 2029 年中累计约 300 亿美元，换取约 11 万颗辉达 GPU 使用权，显示即便是自建大规模资料中心的科技巨头，也难以靠自身节奏满足算力需求。

与此同时，电力正成为新的关键瓶颈。高盛指出，部分核心市场的资料中心并网等待期已长达 8 至 12 年，远超 GPU 的更新周期，电网设备与施工人力短缺，恐使 AI 扩张瓶颈从「缺晶片」演变为「缺电、缺设备、缺人力」。

AI 冲击软体定价逻辑，SaaS 商业模式面临挑战

在冲击实体产业之前，软体业已率先承压。高盛预估，AI 代理（AI Agent）未来十年将使自动化与企业软体的潜在市场规模扩大约 2.5 倍，但市场对传统软体公司的估值反而下修，主因是 AI 可能压低定价、侵蚀订阅收入。

今年上半年，涵盖微软、Salesforce 等大型软体公司的 iShares 扩展科技软体 ETF 下跌约 17%，较 2025 年 10 月高点跌幅达 26%；软体板块远期本益比也从 2025 年底约 35 倍压缩至约 22 倍，创 2014 年以来新低。

高盛认为，SaaS 时代靠席位订阅与功能模组获取溢价的商业模式，正被「按结果付费」的新逻辑取代。

未来 AI 软体的价值，将集中在三个层次：直接交付任务结果的应用层、调度模型与工作流程的 AI 代理编排层，以及沉淀企业专属数据与机构知识的资料层。

值得注意的是，中国模型正以低成本颠覆推理环节的市场定价。高盛指出，中国模型在 OpenRouter 平台的 Token 消费占比，已从 2024 年底的低个位数攀升至 2026 年初的约 50%，部分中国模型提供商可在政策与成本支持下接近成本定价，对以私人资本为主的美国模型业者形成直接压力。

分析指出，随着推论价格下降，企业未来的竞争重点将不只是「接入哪个模型」，而是能否把模型嵌入独有的数据、流程和业务结果之中。

工业 AI 与数位双生掀起百亿美元并购潮

高盛特别点出工业 AI 软体的潜力，认为其影响力可能超越传统企业软体，因为其应用范围横跨制造、能源、汽车、生技医疗及航太等多个产业，可望带动更广泛的数位转型。

报告指出，这波工业 AI 浪潮的核心技术是数位双生。透过建立工厂、设备、产品或生产流程的高精度虚拟模型，企业能在实际投入资金或调整产线前，先模拟生产效率、成本结构、材料特性及投资效益，再将分析结果回馈到真实生产环境，以降低风险并提升决策效率。

相关大型并购案接连落地：新思科技（Synopsys）以 350 亿美元收购 Ansys，整合晶片设计与物理建模能力；西门子以 51 亿美元收购 Dotmatics，切入药物研发模拟；艾默生电气则以约 170 亿美元收购 AspenTech 剩余股权，强化工业 AI 与流程模拟。

高盛指出，自 2020 年以来，全球大型工业企业已累计投入超过 1,100 亿美元收购工业软体相关资产。

这些交易的目的不只是扩大业务规模，更重要的是建立从研发、设计、模拟、制造到营运的一体化软体平台，掌握完整的工业 AI 价值链，进一步提升竞争优势。

人形机器人前景可期，但大规模商业化仍需等待

在「物理 AI」领域，机器人、自动驾驶设备与工业智慧装备是 AI 进入现实世界的另一路径。

高盛预估，全球人形机器人市场将从 2025 年的约 2 万台增长至 2035 年的 140 万台，背后支撑力量是劳动力短缺。美国物料搬运岗位缺口已超过百万个。

不过，高盛也提醒，人形机器人距离大规模获利仍有一段路。

硬体与资本进展较快，但工厂部署、员工培训与单位经济效益验证仍明显滞后，广泛商业化部署最快也要等到 2027 至 2029 年。现阶段商业价值最确定的，仍是仓储机器人、自动化物流设备等较成熟的应用。

该行预计，人型机器人广泛商业部署可能要到 2027 年至 2029 年才会出现。

世界模型有望成为 AI 基建下一波成长动能

除了生成式 AI 外，高盛也特别点出，「世界模型」（World Model）有机会成为推动下一波 AI 基础建设投资的新驱动力。

报告指出，与主要处理文字、图片等内容的大型语言模型（LLM）不同，世界模型的目标在于理解真实世界的运作机制，并建立对物理环境与社会系统因果关系的模拟能力，例如材料特性、摩擦力、供应链变化、政策影响，甚至企业竞争策略等复杂情境。

高盛认为，物理世界模型未来可广泛应用于机器人、自动驾驶、智慧物流及工业产品设计等领域；社会世界模型则可协助企业与政府进行情境推演、投资分析、政策模拟、风险管理及治理压力测试等高阶决策。

报告强调，世界模型并不是大型语言模型的替代品，而是建立在现有 AI 技术之上的另一层能力。若世界模型的技术成熟速度快于市场预期，市场目前对 AI 算力、资料中心及电力基础设施的投资需求预估，仍可能过于保守，相关基础建设支出仍有进一步上修空间。

国防与太空：AI 工业化最尖锐的试验场

高盛认为，国防与太空是实体 AI 最具战略价值的应用场景，集结了技术、政府资本与供应链安全等多重因素。

AI 在国防领域的定位不在于取代人类作战决策，而是在侦察、通讯、后勤与任务执行中扮演「战力倍增器」。全球军用无人机市场 2026 年规模约 200 亿美元，预计未来十年将翻倍。

高盛以 SpaceX(SPCX-US) 为例，其收购 xAI 后已同时具备国防、连接服务与 AI 算力等多重属性，并计划自 2028 年起在太阳同步轨道部署可执行大规模 AI 推理的卫星。报告指出，未来「国防公司」与「太空公司」的界线将日趋模糊。

融资架构跟不上技术扩散速度

报告最后点出整个 AI 产业的核心难题：技术扩散速度已超过资本体系的适应能力。

资料中心与电力资产已有相对成熟的融资路径，包括投资级债券、私募信贷与基础设施基金等。

然而，机器人、人形机器人与自动化设备的融资仍不成熟。它们既不像软体公司那样轻资产，也不像资料中心那样具备稳定现金流与可抵押资产，GPU 残值不确定、机器人需要长时间部署验证，传统融资工具难以直接覆盖这些风险。

高盛认为，AI 产业真正的融资挑战，不在于科技巨头是否能继续购买 GPU，而在于如何将早期技术风险、硬体折旧与长期部署风险，转化为保险资金、私募信贷与长期机构资本能够接受的投资标的。