2026年电子行业投资策略：把握AI创新，找寻价值扩张方向

从资本开支到 ROI 测算，解读算力核心变量

Token 是大模型处理文本的基本计算单位（1 英文 token≈4 字符/0.75 词， 非英文 token 字符占比更高），其处理量与计算量呈平方级增长，直接反映算力 需求。模型调用时，Token 消耗需依托 GPU/TPU 集群、电力、网络等底层资源， 而资本开支正是支撑这些资源建设的核心动力。 Token 量体现当前算力需求，资本开支反映未来算力预期。头部厂商通过资 本开支投入芯片、数据中心，提升 Token 处理能力；而 Token 增长（尤其是商业 化场景 Token）又反推资本开支扩容，形成“开支→算力→Token→收入→再开 支”的循环。 主流商业模式（C 端订阅、B 端 API 调用）均以 Token 为核心定价单位。本 质上是将“智能”与“算力”进行了标准化的货币兑换，传统的软件是零边际成本， 但 LLM 每次生成都有显著的 GPU 电力与损耗成本。Token 计费是目前唯一能 让收入与物理成本线性对齐的商业单位。

根据 OpenRouter 的数据，在 2025 年 12 月 22 日到 12 月 29 日 OpenRouter 中 Token 使用量排名前三名的是 xAI 的大模型 Grok Code Fast 1、Google 的 Gemini 2.5 Flash 和 小米的 MiMo-V2-Flash。同期，在各大模型厂商中，Google 的 token 数在市场中占比较高，达 23.1%；其次是 X-Ai 和 Anthropic。

Token 高增需依赖场景突破，商业化是核心瓶颈。当前，Token 使用增长主要来自 AI 搜索、智能聊天工具等场景（如谷歌 AI Overview）；后续会重点推 进 AI + 企业服务、智能 Agent 等具备商业化潜力的场景布局，以持续带动业务 增长。在资源投入方面，未来相关资本开支的规划，将与高价值应用场景的推进进 度相匹配。 资本开支转向“效率优先”，硬件（如英伟达 GB200 推理效率较 H100+30 倍）与软件优化降低实际经济投入，企业不再单纯追求 Token 规模，而是通过芯 片自研、系统升级提升单位 Token 的算力性价比。

1.1 资本开支的贡献者

NV 作为全球算力的绝对龙头，其下游客户涵盖各个行业，我们将英伟达的主 力客户，分为 CSP、大模型厂商、主权 AI 和政企客户三大类别。 1）CSP 客户：CSP 厂商主要包括谷歌、Meta、微软、亚马逊、甲骨文等， 是英伟达数据中心收入的最主要来源，CSP 厂商资本开支快速增长，也成为支撑 英伟达业绩持续高增的核心要素。3Q25 全球五大 CSP 厂商资本开支合计达到 3081 亿美元，同比增长 75%，算力军备竞赛下，云厂商资本开支进入加速增长阶 段。 2）大模型厂商：除了 CSP 客户以外，大模型厂商同样是英伟达收入贡献的主 要来源。全球主流大模型厂商包括 OpenAI 等，此外，谷歌、meta 等厂商在大模 型领域也表现突出。 3）主权 AI 和政企客户：地缘政治不确定性进一步加速主权 AI 落地，政策端 的技术主权导向与区域化布局，正成为主权 AI 市场扩容的重要支撑。据 Gartner 预测，2027 年全球将有 35%的国家完成区域专属 AI 平台的锁定，通过本地化专 有情境数据构建技术壁垒与竞争优势；据埃森哲预测，至 2028 年，全球 65%的 政府将出台技术主权相关专项法规，进一步规范主权 AI 的场景化应用需求。政策 端的密集落地将推动主权 AI 从核心基础设施建设向多行业渗透延伸，为市场规模 持续扩容提供坚实保障。

1.2 AI 投资驱动下，云厂商资本开支扩张积极

我们对北美主要云厂商：谷歌、微软、亚马逊、Meta 以及甲骨文的资本开支 进行复盘。自 ChatGPT 于 22 年底推出以来，海外云厂商对 AI 基础设施投资力度 显著增强，2023、2024 及 2025 年 Q1-Q3，五家公司资本开支合计分别达 1602 亿、2591 亿（yoy+62%）、3081 亿（yoy+75%）美元，资本开支进入加速扩 张周期，具体来看： 谷歌：谷歌的资本开支主要用在 Google Cloud、Gemini 大模型训练，以及 支撑广告业务的基础设施等。2024 年谷歌 Capex 达 525 亿美元，yoy+63%； 2025 年 Q1-Q3 谷歌 Capex 进一步增长至 636 亿美元，yoy+66%，其中 3Q25 Capex 为 240 亿美元，yoy+83%，Capex 投入明显加速。 微软：微软的资本开支主要投向两部分：Azure 云和 Copilot 相关的算力需 求。2024 年微软 Capex 达 756 亿美元，yoy+84%；2025 年 Q1-Q3 微软 Capex 增长至805亿美元，yoy+52%，其中3Q25 Capex达到349亿美元，yoy+75%， Capex 投入稳步增长。 Meta：与其他几大 CSP 厂商不同，Meta 没有云业务，其资本开支主要用在 广告推荐系统和 AI 模型训练。2024 年 Meta Capex 达 373 亿美元，yoy+37%； 2025 年 Q1-Q3 Meta Capex 增长至 483 亿美元，yoy+112%，其中 3Q25 Capex 达到 188 亿美元，yoy+128%。除体量较小的甲骨文外，Meta 2025 年 前三季度 Capex 投入在 5 家 CSP 厂商中增速最快，虽然 Meta 不做云，但其广 告和内容分发以及 Llama 系列大模型开发对算力要求较高，Capex 扩张较为激进。 亚马逊：亚马逊 Capex 主要用于大规模的 AWS 云业务扩张。2024 年亚马逊Capex 达 830 亿美元，yoy+57%；2025 年 Q1-Q3 亚马逊 Capex 增长至 923 亿美元，yoy+67%，其中 3Q25 Capex 达到 351 亿美元，yoy+55%。由于亚 马逊本身为全球最大的云厂商，本次 AI 驱动下的资本开支亦为业内最大。 甲骨文：甲骨文 Capex 主要用于追赶云业务以及支持自身业务。2024 年甲 骨文 Capex 达 107 亿美元，yoy+55%； 2025 年 Q1-Q3 甲骨文 Capex 增长 至 234 亿美元，yoy+246%，其中 3Q25 Capex 达到 85 亿美元，yoy+269%。 由于甲骨文云业务体量较小，仍需大量前置投入扩建算力基础设施，其 Capex 扩 张速度最为激进。

1.3 谷歌引领 CSP，开启下一代 AI 产业浪潮

1.3.1 谷歌模型家族

自 2023 年 12 月 Gemini 1.0 发布起，谷歌大模型体系进入快速迭代： 2024 年 2 月 Gemini 1.5 以百万级上下文窗口树立长序列处理优势；2024 年 底 Gemini 2.0 引入原生 Agent 架构与工具调用，实现模型—算力—应用的深度 闭环。 2025 年，谷歌同步推进开源与端侧布局，2025 年 5 月 Gemma 3 在轻量级 模型中实现推理能力跨越提升，2025 年 8 月 Nano Banana 将高质量生成能力 下沉至终端侧，丰富谷歌生态的边缘算力矩阵。 最新的 Gemini 3.0 Pro 于 2025 年 11 月推出，其在深度推理、多模态理 解和实时交互上全面增强，被视为谷歌重新占据行业技术高点的关键节点。同时间推出的 Nano Banana Pro 是架构于 Gemini 3 Pro 的新一代图像生成与编辑模 型，具有业内领先的文字渲染、精细编辑与现实世界知识，定位为专业级图像生产 工具。

云侧：Gemini 3 Pro 是谷歌于 2025 年 11 月 18 日推出的新一代大型语言 模型。Gemini 3 Pro 在推理、多模态、Agent 能力明显增强，在数学、代码、长 文本等领域显著优于 Gemini 2.5 Pro、Claude Sonnet 4.5 与 GPT-5.1。采用大 量自研 TPU 训练。谷歌的 Gemini 3 pro 的主要优势包括：1）多模态融合：支 持文本、音频、图像、视频等全链路多模态输入，能够理解和处理完整代码仓库、 长视频文档等复杂内容，适合高难度推理与跨信息源整合场景。屏幕截图准确率 72.7%（行业领先 2 倍），Video-MMMU 视频推理 87.6%（超 GPT-5.1/Claude 4.5）；2）逻辑推理能力全面提升：在 GPQA Diamond（91.9%超越 GPT-5.1 的 88.1%）、AIME 2025（95.0%/100%领先）、MMLU（91.8%领先）强调数学、 多步逻辑推理的基准任务上，Gemini 3 Pro 超越 GPT-5.1；3）长文本能力跨越 式升级：128K 全文长度下仍能保持高准确率，SimpleQA 测试 72%（超 Claude 4.5 的 29.3%）；4）自研 TPU：依托谷歌自研 TPU 完成训练,可显著提升大模型 训练速度并支持更大模型规模，具有较强的成本优势； 端侧：Nano banana 是谷歌 2025 年 8 月发布的轻量图像模型（Gemini 2.5 Flash Image），主打图像编辑与多模态融合。聚焦边缘设备场景的轻量级智 能模型，以“小体积、高性能、低门槛”为核心特色，面向消费电子、物联网终端 及轻量化业务需求。Nano banana 的主要优势包括：1）自然语言驱动编辑：无 需复杂工具，仅通过文字指令即可实现 “像素级精准修改”，支持模糊指令理解； 2）角色与场景一致性：可以保持“角色／对象一致性“，跨编辑、跨场景保持主 体细节统一：多轮修改不 “样貌漂移”，还原角色表情、服装纹理；3）多图像融 合：可同时合成多张图像，同时自动匹配光线方向、视角透视、阴影效果，支持对已有图像进行局部／全局编辑；4）低成本：每张图生成成本约 0.074 美元（约 0.5 元人民币）。

1.3.2 谷歌 TPU，当前最强 ASIC

谷歌的 TPU 研发始于 2013 年，自 2015 年起，谷歌就已经开始在内部使用 TPU，截至目前，谷歌第七代 TPU（Ironwood）在算力、能效与带宽方面实现 全面跃升，是公司当前最强的自研加速器。能效上，Ironwood 每瓦性能较 TPU v6（Trillium）提升约 2 倍；存储规格显著升级，单芯片支持 192GB HBM、7.4TB/s 带宽，分别为上一代的 6 倍与 4.5 倍，可支撑更大模型与更高吞吐；互联方面， 双向带宽提升至 1.2Tbps（1.5 倍），显著增强集群通信效率。整体而言，Ironwood 在能效、存储与互联三项核心指标全面进阶，为谷歌大模型训练/推理及算力外售 布局提供更强底座。

在机柜架构方面，谷歌同样具备优势。谷歌的 TPU 机柜通常采用 64 卡架构， 机柜内部采用铜缆或光纤通信，机柜外部统一采用光通信进行组网。 在谷歌 TPU v7 机柜中，一个 TPU 机柜配置 16 个 TPU Tray，以及 16 个或 8 个 CPU Tray，一个 ToR 交换机，两组 Power Shelf 以及 BBU；在每个 TPU Tray 中，PCB 板上安放四颗 TPU 芯片，一个 16 Tray 的 TPU 服务器中配置 64 颗 TPU 加速卡。

1.3.3 其他 CSP 厂商的 Capex 破局之道

各 CSP 厂商都在探索商业闭环，梳理 Capex 扩张思路，通过其重点投资的方 向观察后续 Capex 破局之道。在 CSP 厂商中，目前亚马逊、微软、谷歌市占率靠 前，根据 Synergy Research 的数据，2024 年全球云计算市场市占率中，亚马逊 占比最高，达到 32%；其次是微软 Azure 和谷歌。

1）微软 Azure：应用生态反向拉动的飞轮式突破

Azure 的正循环核心是“应用生态→算力需求→资本开支→生态强化”，依 托 Office、Windows、Teams 等原生应用生态，将 AI 算力投入转化为生态粘 性与 ARPU 提升，形成独特的、可持续的正循环逻辑。 公司将算力重点分配于内部项目，其中 Copilot 为重中之重，此外 Azure 云 业务亦为 Capex 的重点投资方向。25 年 10 月，OpenAI 承诺向 Azure 云采购约 2500 亿美元的服务，在未来多年内完成，3Q25 微软 Azure 业务收入同比增长 39%。 应用端生态绑定：Copilot 已全面嵌入 Office、Teams、Windows 等核心应 用，实现 AI 从 “工具” 到 “生态底层能力” 的转变，驱动用户对 Azure 算 力的刚性需求 —— 并非为卖云而建算力，而是为强化生态而建算力。

2）亚马逊：系统级整合驱动成本与自主可控双突破

AWS 正循环的核心并非单一硬件创新，而是全链路自研 + 协同优化的系统 级整合能力，通过 “需求 - 研发 - 落地 - 反馈 - 迭代” 的自循环，将资本开支 从 “被动投入” 转化为 “主动调控”，构建可持续的资本开支正循环。 公司为全球最大的云服务厂商，根据 Synergy Research 数据，2024 年亚马 逊 AWS 云业务市占率达 32%，AWS 为亚马逊资本开支主要投入方向,预计 4Q25 新增 1GW 以上算力，并计划于 2027 年底实现算力翻倍。公司在 AI 领域的布局 相对滞后，3Q25 AWS AI 相关云业务同比增长 18%，远低于 Azure 的 39%， 谷歌及微软云分别具备 TPU 及 Open AI 大客户优势，其在 AI 市场的快速渗透给 于 AWS 较大的竞争压力，AWS 推出 Trainium3 芯片及绑定 Anthropic 以应对 挑战，并与 Open AI 达成合作协议，当前 AWS 在 AI 算力服务方面正加速追赶。

芯片迭代持续加速，从 Trainium 2 到 3nm 工艺的 Trainium 3（算力、内 存容量 / 带宽显著提升），再到预计的 Trainium 4，不断强化核心优势；客户与 市场验证中，Anthropic 等核心客户持续涌入，有望推动 2026 年收入提升；资 本开支呈正向循环，聚焦 AI、定制芯片与基础设施，资本投入反哺技术研发，形 成 “投入 - 产出 - 再投入” 的良性循环。

3）Meta：开源 + ASIC 重塑行业推理成本体系的颠覆性突破

Meta 的正循环突破是作为外生变量，通过开源模型生态与自研 ASIC 芯片 的组合，打破 NVIDIA 主导的推理成本体系，带动全行业生态迁移与成本重置。 与其他几大云厂商不同，Meta 没有对外的云业务，其 Capex 专注于内部项 目，如 Llama 系列模型训练、广告内容推荐等。Meta 在 AI 领域的 Capex 已经 在对核心广告推荐业务形成明显拉动，在较为激进的 Capex 背景下，Llama 系列 模型面临 Open AI、谷歌 Gemini 等顶尖模型的挑战，模型性能将成为关注重点。 双轮驱动布局：一方面保持 Llama 3 及未来 Llama 4 的稳定开源节奏，持 续壮大开源模型生态；另一方面公开自研 MTIA v2 ASIC 芯片，采用台积电 5 纳 米制程，通过加大芯片 SRAM、带宽和 LPDDR5，实现计算性能的优化方案，核 心聚焦效率提升。

商业价值验证：推荐业务已率先体现 AI 的边际回报 —— 开源模型驱动的 开发者生态迁移，叠加 AI 优化的广告推荐算法，使得算力投入直接转化为商业化 成果，形成 “技术投入→生态繁荣→商业变现”的闭环。

1.3.4 OpenAI 的内循环和外循环

OpenAI 作为全球大模型龙头，与一系列算力基建供应商形成了“供应商投 资+订单绑定+股权交叉”的商业和资本内循环，核心逻辑是通过 AGI 的远期成长 空间，撬动芯片、云服务、制造等领域巨头的资金与资源，再将这些资源投入自身 基础设施建设与模型研发，而合作方则通过投资或绑定订单获得股价上涨、股权收 益等回报，资金与资源在生态内循环流转，进而推动整个体系扩张。 25 年 Q3 以来，OpenAI 持续推进 AI 硬件布局，扩张与 Oracle，软银合作 共建的星际之门项目，与 NVIDIA、AMD、Broadcom、AWS 等厂商建立战略合 作伙伴关系，与富士康达成了合作意向。

对外，OpenAI 也与企业、政府、消费者等构建了深度合作，跑通了商业模式 的外循环。 To B：OpenAI 与 B 端客户的合作主要包括两种模式：1）企业内部使用： OpenAI 全球企业客户突破 100 万家（截至 25 年 11 月），其中 ChatGPT for Work 使用人数超过 700 万，部分企业通过 API 直接调用大模型，合作伙伴包括 金融服务、医疗保健、零售等行业的领军企业。2）拓展 OpenAI 生态：Shopify、 Etsy、Walmart、PayPal 和 Salesforce 融入 ChatGPT ，打造“智能电商”新 体验； Canva 设计海报、 Figma 编辑图像、 Zillow 浏览房源等功能均集成在GPT 中。 To G：推出 OpenAI 政府版，助力公用事业提效，并将与美国国家实验室、 国家航空航天局 (NASA) 以及国税局 (IRS)等政府机构的既有合作纳入该框架； 首个政府合作项目将与国防部开展，合同金额为 2 亿美元。 To C：目前全球 ChatGPT 每周活跃用户超过 8 亿，付费用户占其每周活跃 用户基数的 5%，约为 4000 万。OpenAl 预计 2030 年每周活跃用户将达到 26 亿人，其中 8.5%（约 2.2 亿人）为付费订阅用户，使 ChatGPT 成为全球最大的 订阅业务之一。

综合来看，前期市场对算力需求的质疑更多聚焦在 OpenAI、英伟达、Oracle 三者内循环的商业模式，而 OpenAI 在企业、政府、消费者领域的对外合作，则 验证了 OpenAI 同样具备外循环的能力，进而减少了市场对大模型 ROI 的质疑。 我们认为，伴随 OpenAI 内循环和外循环体系的逐步稳固，算力需求有望进入正 反馈阶段，维持快速增长的态势。

编辑：火腿肠