AI产业回报的新边界

投入端：五年增长至3.1倍，扩张从北美走向全球

2026—2030年年均增长32.5%；年度增速由2026年的80%降至2030年的15%。

北美仍是最大买家。2026年北美大厂投入约7,219亿美元，占全球79%；到2030年增至1.84万亿美元。GPU集群、网络、电力与机房构成主要采购，决定上游收入的绝对规模。

后续增速来自其他地区与新买家。中国投入由775亿增至5,698亿美元，四年增长约6.4倍；新型云厂商由726亿增至2,458亿美元。全球需求更分散，使AI基础设施扩张从少数公司的预算，延伸到区域云和行业部署。

回报端：收入四年增长至14.5倍，毛利提升更快

2026—2030年终端收入年均增长95%；毛利率由50%提高到约63%。

2026—2028年是收入追赶投入的关键阶段。终端收入预计由3,119亿增至1.50万亿美元，2027、2028年同比增速分别约143%和97%。到2030年，收入增速仍有67%，显著高于同期投资增速。

毛利增长来自产品成熟和交付效率。原预测应用毛利由2026年的1,559亿美元增至2030年的2.85万亿美元；其与当年基础设施投资之比由17%升至101%。这意味着付费需求逐渐具备支撑巨大基础设施的体量。

毛利与年度投资的规模比不等于投资回报率；原模型已扣除云、模型与应用转售的重复收入。

增长最快的环节：原生应用与大厂应用，而非模型接口本身

两类应用2026—2030年年均增速均超过120%，模型接口（API）约62%，云AI服务约88%。

原生应用由360亿增至9,000亿美元，大厂自营应用由300亿增至7,600亿美元。客户不仅购买模型能力，更愿意为现成的业务结果付费；掌握用户和工作流程的应用，能够获得更大的客户账单。

云AI服务由1,004亿增至1.26万亿美元，仍是最大的单一环节。应用越深入企业流程，越需要数据、执行环境、存储和部署支持；模型价格下降，也未必削弱整张云账单。

Anthropic：年末ARR预期超过年初的13倍

2025年末90亿 → 2026年5月470亿 → 7月650亿 → 年末预期1,200亿美元以上。

ARR在2026年上半年完成第一轮跃升。2月ARR140亿美元，4月超过300亿，5月达到470亿。7月媒体报道的650亿美元，比2025年末高出约6.2倍；增长已经跨过早期小基数阶段。

9月的新增信息是年末预期继续提高。9月18日报道给出超过1,000亿美元的年末预期，随后FT报道进一步提高到超过1,200亿美元。即使以较低的1,000亿计算，下半年仍需要显著扩张；1,200亿情景意味着7月至年末再增长约85%。

第三方跟踪保留了更细的变化。TickerTrends在6—7月估计约674亿—743亿美元，Yipit在7月估计690亿，均高于之后披露的7月650亿。跟踪曲线显示6—7月增长阶段性放缓；9月年末预期再上移，意味着企业客户扩张与长期执行任务需要带动新一轮增长。

从几百名开发者，到整个部门的持续工作

收入的三个增长因子开始相乘：客户覆盖扩大、任务更高频、每项任务消耗更多计算。

第一层：从少数开发者扩到更多岗位。代码生成和测试最容易验证效果，一家企业先为几百名开发者购买，再扩到数千名员工。文档、分析和流程自动化复用同样的资料连接与工具执行能力。

第二层：从主动提问变成持续委托。Co-Work接入企业资料、保留任务记忆、定时监控，并按计划执行。日报、检查、跟踪和异常处理能够反复运行，客户使用频次从“偶尔打开”变成“每天交付”。

第三层：从一次生成变成多步闭环。检索资料、调用工具、生成结果、验证和返工都会增加模型与执行资源消耗。客户愿意付的钱，来自整项工作完成的价值，因此任务单价可以远高于一次聊天。

Anthropic全年收入：2026年约646亿，2028年积极情景3,000亿美元

2026年较原预测上修约29%；2028年较8月媒体转述预测中值高约54%。

上半年收入合计约162亿美元。随着7月ARR达到650亿美元、年末预期提高至1,200亿美元，收入贡献明显向下半年集中，全年有望达到约646亿美元，高于原预测500亿美元。

2027—2028年的增长由编码向更广的企业工作扩散。本报告积极情景对应全年收入1,800亿、3,000亿美元；其中2028年高于8月报道的1,900亿—2,000亿美元，反映新一轮客户扩张和长期执行任务的机会。

到2030年，全年收入研究预测为6,750亿美元。这一规模需要AI进入部门与项目预算：客户购买的是持续交付的研发、知识工作和业务结果，而不只是增加聊天席位。

OpenAI：十亿周活入口，承接订阅、企业与广告三类收入

2026年收入预测360亿美元，2030年3,500亿美元；五年累计8,400亿美元。

用户规模提供了不同于纯企业软件的变现基础。每周活跃用户已达10亿，使用其产品的企业达250万家；企业与开发者按任务使用付费，消费者订阅提供稳定收入，广告则覆盖尚未订阅的用户。

免费用户的商业化已经开始。8月底广告ARR达到10亿美元。更广的用户入口，加上更强的电脑操作和执行能力，使搜索、购物和工作任务成为新的收费机会。

远期增长仍需要大量计算支撑。公司五年累计计算与基础设施支出预测8,560亿美元，与同期收入体量相近。AI执行时间延长、任务更复杂，会让收入和算力消费同步上升。

开源模型：78%的Token份额开始转化为更高的推理支出份额

Vercel AI Gateway：9月19日披露开源模型Token占比78.4%；9月22日Kimi、DeepSeek与智谱合计推理支出占比31.8%，超过OpenAI的25.0%。

变化已经超出“低价换用量”。9月18日、20日与22日，三家合计推理支出份额均超过OpenAI；最新的9月22日领先6.8个百分点，期间仍有日间波动。开源模型正在获得有实际预算的生产任务。

低成本模型让智能体更容易高频运行。一项任务可能调用模型几十次；对于资料处理、编码迭代和后台监控，单次价格的差异会被反复放大。降低成本后，客户能够覆盖更多原本不值得自动化的任务。

能力差距缩小，采购标准转向整项工作的效果。高难度规划仍可调用高价前沿模型，大量执行和检查则交给开源模型。混合使用既保留任务可靠性，也能把预算分配到更多工作量。

能力进步与成本下降，共同扩大算力需求

闭源模型让更难的工作可以交付，开源模型让更多日常工作值得自动化；两条路径都增加实际执行的任务量。

更强的模型，打开高价值任务。从生成一段代码到完成一个项目，AI需要反复阅读、调用工具、检查与修正。原来由人完成的更多环节交给模型后，即使每一步更高效，整项工作的计算量仍可能提高。

更便宜的模型，把应用从“少量试用”推向“日常运行”。Stanford AI Index记录，达到GPT-3.5同等基准表现的推理价格在2022年11月至2024年10月下降超过280倍。9月Vercel的开源模型用量与支出份额进一步表明，低成本选择已经承接实际业务。

客户购买的是完成工作，算力需求来自工作量。当自动处理一份资料、一段视频或一个工单变得划算，企业会增加覆盖范围，也会让AI多试几次以提高质量。模型厂商、推理托管和执行云因此可以同时增长。

xAI：2027年规划新增9.7GW，对应约5,335亿美元建设规模

以每GW 550亿美元估算，2028年20GW集群对应累计工程规模约1.1万亿美元；最大增量集中在2027—2028年。

算力扩张从单个超级集群进入多基地建设。规划容量由目前1.3GW升至2026年末2.3GW，2027年末10—12GW，2028年20GW。按2027年12GW测算，当年新增容量9.7GW，是目前运行规模的约7.5倍。

外部客户扩大了需求基础。首批10GW规划中，40%容量面向外部；若沿用这一比例，2028年可供外部客户使用约8GW。Anthropic已经宣布使用Colossus算力，说明xAI的基础设施不仅依赖Grok自身商业化，也可以承接其他模型与应用的增长。

每GW的投资价值远不止GPU。按NVIDIA给出的500亿—600亿美元建设参照，2027年增量对应4,850亿—5,820亿美元，2028年增量对应4,000亿—4,800亿美元。服务器、HBM、高速互联、变压器和电力设备都会分享这一采购需求。

新型云厂商：客户预付款支持扩建，2030年投资空间指向2,458亿美元

原预测2026年去重后AI投资726亿美元、2030年2,458亿美元；最新合同条款增强了这一路径的资金支持。

客户争取的是更早可用的计算能力。新型云厂商（Neocloud）专门建设GPU集群，承接模型公司、大型云和企业的租赁需求。9月访谈指出，优先取得已通电场址、标准化部署和快速交付，是其承接紧急需求的优势。

扩建逐渐由订单和客户资金共同推动。Nebius第二季度70%的新签合同含预付款，可覆盖相关建设支出的50%—60%。IREN在8月披露，2026年容量对应40亿美元已签约ARR，客户预付款覆盖相关GPU资本开支的45%—55%。这使更多项目可以更早启动。

头部公司已经形成数百亿美元采购体量。CoreWeave全年资本开支指引350亿—390亿美元；原模型采用中值，并计入Nebius、IREN、Crusoe等厂商，2026年去重后AI投资合计约726亿美元。2030年2,458亿美元意味着四年约36%的年均增长，仍有持续扩张空间。

中国算力：推理扩张推动预算前移，2026年投入上修至约1,033亿美元

字节跳动最新研究预期为2026年资本开支700亿美元、2027年1,000亿美元；中国境内AI投资较原预测分别增加约258亿、135亿美元。

最新研究将字节跳动的预算推向更高水平。9月产业资料预计2026、2027年资本开支约700亿、1,000亿美元；公开报道也给出2026年最高700亿美元的投入预期。视频生成、基座训练和内部推理共同消耗算力，预算显著高于原模型2026年约282亿美元。

更多采购开始围绕推理与执行。9月21日调研认为2027年新增需求主要来自推理卡，自研芯片份额上升。阿里巴巴6月季度资本开支约677亿元人民币，同比增75%；业绩交流进一步指出，智能体带来的CPU采购和芯片组件涨价也在增加投入。增量因此同时落在加速器、CPU、内存和互联上。

更高投入首先改变近期斜率。更新后2026、2027年中国AI投资约1,033亿、2,283亿美元；原2030年5,698亿美元已包含较快扩张。近期预算上调增强了从2026向后续大规模建设过渡的基础。

并行探索与独立验证，让AI交付数学研究成果

从Anthropic约60个子智能体，到OpenAI约1万智能体协作，多路探索、共享成果与独立验证正在推进复杂数学问题。

模型接上真实实验，科研开始从单点提效走向持续交付

通用推理组织任务，专用模型探索候选，实验平台检验结果；三者接通，付费范围就能从软件扩大到研发项目。

研究工具也被AI改进，科研开始形成自我增强循环

清晰目标、可靠验证与可复用改进，使科研具备递归自我改进的条件；能力提升又扩大下一轮探索。

AI制药的收入贯穿五个环节，临床与实验交付扩大付费空间

从选择靶点到临床运营、制剂工艺，AI改变的是每一轮试错的质量、成本和等待时间。

AI药物Ⅰ期通过率75%，高于历史行业基准52%

按每100个项目折算，相差23个可继续进入疗效验证；更高的阶段通过率，对应更大的后续临床候选池。

收入已经从软件走向交付：英矽智能上半年增长287%，金斯瑞AI业务翻倍

药企愿意为可开发候选、可复现实验和可推进项目付费，商业模式由工具订阅扩展为项目与成果权益。

科研价值具有乘数效应：降本释放项目量，更高成功率扩大成果产出

同样经费下，项目成本下降30%、成功概率由10%升至15%，预期成功项目数可达到原来的2.14倍。

工具改进可以跨项目复用，发现的价值随应用规模扩大

AI科研的长期回报来自更多有效创新，以及一次发现惠及更多人的扩散效应。

AI科研收入来自研发交付，2030年约4,245亿美元

2.03万亿美元可交付科研预算中，AI研发交付收入约占21%；4,221亿美元研发交付与24亿美元药物成果分成构成AI科研收入。

药物之外，材料、能源与工业研发共享同一条增长路径

科学智能可以替客户购买更多有效实验、仿真和工程方案，收入空间由单一药物赛道扩展到工业创新。

AI科研收入：2035年有望跨过1万亿美元

核心条件路径下，2035年约1.01万亿美元、2040年约1.91万亿美元；增长由预算、部署和交付深度共同决定。

2030年AI芯片研发新增市场预测：268.3亿美元

对照186.8亿美元的传统EDA年市场预测，AI增量取决于可交付研发工作量。

AI芯片研发指AI参与芯片设计与验证的研发方式，覆盖计算、通信、模拟等多类芯片。电子设计自动化（EDA）是所用的软件和平台。SEMI统计的2026年一季度电子系统设计收入为57.5亿美元，其中计算机辅助工程、物理设计/验证及电路板/多芯片模块工具合计31.9亿美元，折合年化127.6亿美元；其余是知识产权模块（IP）和服务。传统EDA底座按年增10%推演，2030年预计年市场规模达到186.8亿美元。

更大的付费来源在研发团队。美国总部半导体企业2025年研发投入768亿美元；以其全球份额约六成及后续增长推算，2030年全球半导体研发预算约2,098.9亿美元。AI接管验证、调试和实现任务，才有机会把原来用于工程时间的预算转成软件和服务收入。

2030年预测形成三项年度新增支出：EDA的AI功能费52.3亿美元、工程智能体服务费176.3亿美元、客户另购执行算力39.7亿美元。传统工具与AI年采购额预计合计约455亿美元，市场扩张主要靠可交付工作量增加。

EDA的工艺与验证积累，成为智能体交付芯片的执行底座

大模型负责组织工作，专业引擎检验设计；更自动化的研发，会反复调用既有工具和工艺数据。

芯片工程有明确的检查标准，但检查本身需要复杂工具。逻辑验证要覆盖大量状态，模拟电路仿真要使用器件模型，物理签核还要满足时序、功耗和晶圆厂规则。生成一份看似合理的设计，与证明它能够制造并稳定运行，是两个工程环节。

EDA难以快速复制的部分，是多年积累的求解算法、验证流程，以及与晶圆厂共同校准的工艺设计套件（PDK）。先进制程、模拟电路与先进封装还要求电路、电热和制造约束相互协调。客户已验证的设计方法和硅片反馈，使专业工具具备持续复用价值。

AI调度EDA已出现生产案例。Andes的加载存储单元（LSU）定制由8.5周降至6周，eMemory手册分析与测试平台构建工作量约降80%；AMD早期评估的调试周期减少25%—40%。这些是具体工程环节的改善，为“读规格—运行工具—定位错误—修改—再验证”的收费方式提供基础。

云端推理与端侧需求分化，催生更多芯片方案和迭代任务

吞吐、响应速度、能耗和内存的权重不同，软硬件协同的重要性持续上升。

云端推理可以拆为两个阶段：预填充（Prefill）读取用户输入和上下文，解码（Decode）逐步生成输出。长上下文、短问答、并行智能体对计算和存储的需求不同；两阶段独立部署后，可以分别扩容、设置并行方式与分配缓存，更容易按工作负载选择资源。

硬件开始按负载分工。AMD与Cerebras公布由Helios承担高吞吐预填充、晶圆级引擎承担低延迟解码的方案。端侧则需要在本机立即处理感知和反馈：Qualcomm新Hexagon扩大50%共享内存，以减少DDR往返，配合专用计算、量化和模型路由，兼顾功耗、隐私与响应。

解码不只是“查缓存”。它仍要执行模型计算，瓶颈可能在权重搬运、键值（KV）缓存容量、内核调度或专家互连；大批量也能提高计算强度。预填充与解码分池，让资源各自扩容；端侧短反馈闭环，则更重视低延迟和每瓦效率。

不同芯片能否优于通用配置，取决于具体约束。SPAD的研究模拟在相同性能下获得19%—41%的硬件成本下降，展示了专门化潜力；HeteroPanacea则进一步发现，模型、上下文和互连条件会改变最佳组合。短输入、低并发或缓存传输成本较高时，同种硬件的一体部署依然可能更合适。

需求分化带来更多架构、存储、互连与功耗方案需要验证。AI降低每次探索和修改的工程成本后，同一团队有能力服务更多工作负载，设计工具与工程智能体由此获得持续任务量。

计算需求做大市场，细分芯片也能支撑规模化研发

更多推理任务、更分化的部署约束与更密集的平台更新，共同增加架构探索、验证和定制需求。

2030年AI基建年投资更新预测约3.01万亿美元。按55%用于AI设备、设备中65%归属加速器产品、其中70%服务推理，得到约7,523.9亿美元的云端推理加速器年销售市场。三项均为研究分配假设；其中仍包含随加速器交付的HBM与封装。

总市场做大，细分优化也有经济价值。基准中取得1% / 5%的产品销售份额，即对应约75.2 / 376.2亿美元年销售额。低延迟解码、长上下文和行业推理因此能支持不同方案，并持续产生存储、互连、精度和功耗的设计任务。端侧另受终端装机与设备预算驱动，不包含在上述云端金额中。

年度平台迭代扩大并行工程量。NVIDIA从Blackwell Ultra走向Rubin，再到规划中的Rubin Ultra；AMD从MI350到MI400，并公布2027年MI500、2028年MI600。单个芯片项目仍可能开发两三年，多代团队错开启动，才形成每年交付。AI缩短验证与收敛环节，有助于增加可并行产品，而不是自动取消流片和实测周期。

硬件空间解释了研发需求的来源。AMD已把2030年跨数据中心、PC与端侧等全产品可服务市场（TAM）预测提高至约2万亿美元，范围比推理加速器更广。本节回报测算仍只纳入客户为AI芯片研发工具、智能体和独立执行新增支付的费用。

工程研发成本下降30%的假设：打平研发成本所需的部署量由2.4万套降至1.95万套

定制芯片是否划算，要把一次性研发投入与长期单位成本放在同一张账上。

通用计算平台的优势是适用面广、软件成熟、启动快；模型与业务变化较快、部署量较小时，灵活性本身就有价值。定制方案可以把资源集中到稳定任务，但需要先支付架构、验证、物理实现及流片等固定成本，再靠足够多的部署摊销。

右侧把一套设备定义为完成相同工作量、满足相同服务要求的一套计算设备。示意中，定制每套三年采购、用电和运维成本低2万美元，却比通用方案多4.8亿美元固定投入，部署超过2.4万套后才体现成本优势。

如果AI只将3亿美元工程研发投入降低30%，掩模、IP等其他固定成本保持不变，定制固定投入降至4.1亿美元，打平额外前期投入所需的部署量降到1.95万套。过去规模不足的部分需求，开始具备定制的经济基础。更少返工和更短开发周期，还可能提高追赶工作负载变化的能力。

这条路径扩大的是可行的产品种类和研发频次。是否采用定制仍取决于软件适配、工作负载稳定性与交付要求；AI芯片研发工具通过降低尝试成本、提高验证能力，让客户有条件评估更多方案。

收费从席位延伸到任务，客户分享节省下来的研发产能

2030年基准情景预计释放约440.8亿美元工程产能价值，为268.3亿美元新增采购提供经济基础。

软件加价是第一层，任务交付是第二层。既有EDA可通过AI功能、更多并发和用量收费提升单客收入；独立智能体则以完成验证、调试和模块实现作为付费理由。合同有机会从“给多少人使用”，延伸到“交付多少验证工作、缩短多少工程周期”。

本情景中，设计工程人力占研发预算60%，其中70%采用智能体、采用部分释放50%人力时间；智能体供应商取得释放价值的40%，客户再将9%用于独立执行计算。支付全部AI新增费用后，客户仍保留约172.5亿美元的可用工程产能。

提速也会带来更多计算。智能体同时跑更多候选方案、测试和调试循环，增加CPU、内存、仿真许可和云端并发；物理仿真与光刻计算逐步使用GPU加速。单位任务更便宜、可负担任务更多，两者可以同时发生。

新变化是持续委托：用户离开，任务仍在推进

个人智能体开始承接跨应用的执行工作，产品竞争由回答质量延伸到完成结果。

两个产品相继跨过发布节点。Grok Bot 于 8 月 11 日开始测试，8 月 26 日扩至 SuperGrok 与 Cursor 多个付费套餐；Muse 于 9 月 8 日在美国推出，覆盖手机、网页与 WhatsApp。Muse 是应用产品，Muse Spark 是驱动它的模型。

Muse 从日常生活切入，Grok Bot 强调可复用的数字同事。前者用目标、记忆与成果界面组织长期任务；后者可设置不同专长的 Bot，在云电脑中接力、按计划运行。共同变化是把浏览器和外部工具接进执行过程。

Muse 截至 9 月 21 日累计下载约 250 万次，表明产品开始快速获客。商业体量将由留下来的执行用户、每周委托频次和付费深度共同决定。

从生活事务切入，付费价值直接落到省时和结果

家庭行政、行程安排、订阅管理与购物，是较容易高频使用、检查结果的起点。

Meta 的设计团队展示过完整的开学准备场景：读取学校信息、整理日历、采购用品，发现即将截止的报名事项。原先分散在邮箱、日历与网站里的事务，被组织成同一个长期目标。

Grok Bot 展示了持续比价、信息整理和专长分工。一套任务被教会之后可以反复运行，用户无需每次重述背景。从每次操作省几分钟，走向每周托管一组事务，才会形成持续订阅。

支付让代办真正完成。Stripe 已为 Muse 与 Grok Bot 接入 Link；接受 Link 的商户超过 100 万，其他商户可借助限定购买的一次性卡。用户确认总价后，个人智能体继续执行结账。

2030 年可服务数十亿人，执行用户由使用习惯决定

基准研究情景：68 亿在线人口 × 75% 可接入 × 50% 持续执行，得到 25.5 亿执行月活；以这一用户池估计，全年有 10.2 亿人委托交易。

全球入口已覆盖数十亿人。ITU 统计 2025 年约有 60 亿互联网用户；Meta 2026 年 6 月旗下应用日活达 36 亿。个人智能体进入主流手机、网页和消息应用后，可触达的人群远大于今天独立下载智能体应用的用户。

从使用 AI，到习惯把事情交给 AI。微软估计 2026 年 6 月全球劳动年龄人口中 18.8% 使用过生成式 AI，领先市场已超过六成。2030 年基准假设可接入者中 50% 形成每月执行习惯，要求日历、购物、资料整理与事务跟进成为可靠的日常功能。上行情景为 70 亿在线人口 × 85% 可接入 × 65% 持续执行，对应 38.68 亿执行月活。

交易只是个人智能体的一部分用途。行程整理、家庭行政、消息跟进等任务并不发生付款。基准估计全年 10.2 亿人连接支付并真正授权交易；这些人可以来自订阅或免费组，不能另加为新增用户。

付费覆盖可以超过50%，收费方式会分层

基准研究情景为 35% 独立订阅、15% 付费套餐、10% 按任务付款，合计 60%；分母是实际执行任务的月活用户，与可接入人群的执行率分开。

成熟的高频服务支持较高付费渗透。Spotify 2026 年二季度有 7.77 亿月活、3 亿 Premium 用户，付费权益比例约 38.6%。个人智能体若稳定节省时间，有机会形成同样持续的使用习惯，并进一步覆盖付费意愿较低的轻度用户。

已有产品把收费做成不同层次。Muse Power 和 Max 的价格分别为 20、100 美元/月；Grok Bot 借助现有付费套餐分发，Microsoft 消费套餐也已将 AI 功能与额度分档。高频用户买独立订阅，中频用户付套餐升级价差，偶发需求按任务购买。

独立订阅达到 50% 也有可行路径。上行情景要求执行从比价与整理资料扩展到每周多项稳定托管，低价套餐覆盖更多地区，复杂任务按额度分档。以 18 美元月费、每周节省 1 小时计，年支出仍低于前述 520 美元价值的一半。

2030 年新增收入约 1,501.9 亿美元，持续服务占主导

基准情景：直接订阅 1,124.6 亿、套餐增量 183.6 亿、按任务收费 91.8 亿、交易服务 102 亿美元。

直接订阅仍是最大的收入池。25.5 亿执行月活 × 35% 直接订阅 × 15 美元/月，形成 1,606.5 亿美元年订阅额；按 70% 属于新增服务支出计算，贡献约 1,124.6 亿美元。套餐升级和按任务服务再贡献约 275.4 亿美元。

交易让商户成为另一类付费方。购物与预订把高意愿需求送到商户端。若 10.2 亿用户每年代办 2,500 美元交易，形成 2.55 万亿美元交易额；按 1% 智能体服务净费率、40% 新增归因估算，贡献 102 亿美元收入。

高付费覆盖让后台持续运行有了收入支撑。基准下每名执行月活带来约 4.91 美元/月新增应用收入。简单任务用低成本模型与直接接口，复杂任务按套餐额度或次数收费，执行深度与价格可以共同提高。

远期：拥有个人智能体逐渐普遍，频繁委托仍有层次

2035 年与 2040 年研究情景中，可接入者的持续执行率进一步达到 65%、80%，对应 44.46 亿、61.56 亿执行月活。

“多数人都有”首先表现为接入普及。若个人智能体成为手机和消息应用的标准功能，2035 年可接入者达到 68.4 亿、2040 年达到 77 亿。轻度用户偶尔委托，重度用户每天托管多项事务，人数增长和任务密度增长可以同时发生。

更深的委托需要服务能力和收费方式一起成熟。2035 年、2040 年的执行用户中，显性付费覆盖分别假设为 70%、77%；家庭套餐、低价地区套餐与按次付费共同扩大覆盖，而非所有人购买同一档独立订阅。

CPU 三条需求曲线：执行沙箱具有最大的部署弹性

主机和训练环境服务共享集群，执行沙箱则直接跟随用户数量、任务频次与执行深度扩张。

前两类需求在建设初期增长快，随后更受共享效率影响。GPU 主机负责数据准备、调度和传输；强化学习环境负责运行代码或模拟场景、返回验证结果。增加共享、复用与调度能力，可以降低同等部署规模所需的 CPU 增量。

执行沙箱的需求更直接地跟随用户扩张。每多一位持续委托的用户，就增加一组浏览器、工具运行与结果检查。即使主机配比不变，更多用户、更长任务和更多并行助手，仍可推动独立 CPU 集群扩容。

这已经是生产系统的实际工作负载。DeepSeek 9 月披露的 DSec 训练沙箱系统，单个生产规模单元约 160 个节点、每日服务 300 万沙箱；生产系统支持超过 38 万并发沙箱。环境隔离、快速启动和资源复用开始决定大规模服务效率。

CPU 核时和保留内存需要分别扩容。任务等待外部事件时可以休眠，但浏览器与文件状态仍需保存。AgentSysBench 的 10 个应用中有 5 个由非模型环节主导延迟，部分工作负载单会话工作集峰值达 28GB，显示调度与状态管理同样重要。

付费逻辑：买下机器之后，能力仍按工时和任务收费

机器人即服务（RaaS，按工时或年费采购完整作业）把设备、模型与交付打包；客户买断设备后，也可以持续购买模型和执行能力。

物理AI把感知、判断和动作连接起来，让机器在变化环境中完成工作。客户付的是持续交付结果的费用。工资年年支付，可靠的机器人服务也能按工时、任务或里程持续收费；能力费无需被限定为本体售价的一个小比例。

商业化已出现跨本体的模型收入。Skild披露ARR超过1亿美元、商业部署十个月累计确认约5,000万美元，已有60多家付费客户，约90%收入来自操作任务。模型能服务双臂、轮式操作等硬件，扩张入口因此包括既有工厂与仓库。

收费强度由场景决定。Agility给出的工业服务示意约10万美元 / 年，1X家庭订阅标价月费499美元；Aurora目标由车主按英里购买驾驶技术。先进入高利用率、高用工成本的工作，再以成本下降拓宽场景，形成收入与部署的循环。

重度编程样本人均日耗过亿Token，机器人还需持续处理现场信息

AI从回答问题走向整天执行工作后，会反复读取资料、尝试方案和检查结果；机器人还要连续看懂环境并控制动作。

一条指令，背后可能是数小时的模型工作。AI编程需要阅读代码、运行测试、分析失败，再修改和复查；读取同一份上下文也会累计Token。9月访谈中，受访机构重度编程员工的人均单日用量约1.2亿Token，一般办公约400多万。两者的差异说明，任务深度比“提问次数”更能解释计算需求。

多个智能体分工，会继续增加单个用户背后的工作量。例如，一个负责写代码、一个测试、另一个检索资料，可以同时运行。若四个智能体连续工作16小时，并反复处理较长的资料和代码，每日累计用量可达约10亿Token。这是长期并行执行的情景，体现工作时长与任务复杂度的共同作用。

机器人不仅需要“想”，还要不停地“看”和“动”。高层规划决定搬什么、走哪条路、失败后怎样调整；按任务复杂度测算，重复工位8小时约消耗2,496万Token，复杂现场16小时约1.96亿Token。与此同时，本地模型持续识别物体、调整抓取和维持平衡：Figure公开架构的动作控制每秒更新200次，底层反馈每秒1,000次。

2030年预测：人形机器人年出货180万台，工业与驾驶同步扩张

基准终端年收入预测：人形机器人约985亿美元，工业物流与现场软件约625亿美元，智能驾驶约947亿美元。

2030年人形年出货预测180万台处于机构100—300万台的2030区间。基准假设35%新设备进入服务机队，其余客户买断；3,000有效工时下，买断能力费6美元 / 小时，完整RaaS 15美元 / 小时。年均机队积累，使收入不止来自当年卖出的机器。

工业物流不必等待人形放量。Amazon逾百万机器人与DeepFleet约10%路径效率改善，已展示机队智能的价值。2030年假设新增100万套非人形AI设备、改造150万套存量设备，并部署20万处独立现场软件，覆盖搬运、操作、巡检、质检与编排。

驾驶收入来自乘用车系统与订阅、Robotaxi、货运和配送。Aurora最新提出2030年3万多辆无人卡车、50亿美元以上收入目标；本报告全球无人货运按20万辆、每年20万英里、每英里0.5美元，对应预测年技术服务收入200亿美元。全球运输和劳动支出为收费提供预算基础。

高利用率能力服务年费情景为0.8万—3.2万美元：2,000—4,000小时与4—8美元 / 小时决定区间。重复工位和复杂现场的高层云费情景约1.11—1.37美元 / 小时，配合缓存与本地路由后，为持续更新和交付保留利润空间。

2035—2040年情景：千万级在用机队支撑万亿美元年收入

物理AI终端年收入预测：规模化延伸情景2035年约1.26万亿美元、2040年约3.88万亿美元；通用能力突破情景分别约2.38和10.72万亿美元。

2030年180万台年出货预测并非终局。美银与罗兰贝格给出2035年人形年出货1,000万台的基准，罗兰贝格积极情景为3,000万台；Berg Insight最新预计2040年年出货2,600万、在用接近8,300万台。不同机构的年出货与在用存量，分别对应制造产能与持续收费能力。

规模化延伸情景假设2035 / 2040年人形年出货1,000万 / 3,000万台；通用能力突破情景假设3,000万 / 1亿台。后者需要机器从重复工位扩展到多任务生产、商业服务与家庭辅助，并实现低接管率和大规模维护交付。收入逐年由机队和收费重算。

2040年假设能力费降至4美元 / 小时、完整服务费降至10美元 / 小时，年有效工时升至4,000。每100万台全年在用付费设备，分别对应160亿或400亿美元年服务收入。售价下降不妨碍总收入扩大：决定收入的是服务机队与实际工时，两类收费择一计入。

受益沿交付链展开：具身模型和服务商取得持续账单，训练算力、端侧芯片与存储承接计算，仿真软件降低上线成本，执行器、灵巧手和传感器扩大制造需求。按2030年人形年出货180万台预测、每台30个主体执行器和双手估算，对应年需求5,400万个执行器、360万只灵巧手。

新增收入来自研发交付、个人智能体与物理AI服务

2026年终端收入约3,442亿美元，2028年1.65万亿美元，2030年5.02万亿美元。

个人智能体把执行能力带入日常生活。从整理资料、安排日程到代办交易，客户为持续完成任务付费。订阅、套餐升级与按任务收费，共同拓宽消费者AI支出。

中期由专业交付扩张。AI科研连接模型、实验与成果权益，递归自我改进（RSI）进一步提高研究工具和方法的能力；AI芯片研发则通过调度EDA工具，承接验证、设计和工程交付。更快的创新增加可研发项目，也扩大客户可交付的任务量。

物理AI打开更长的收入周期。机器人一次销售之后，可以继续按年、按工时、按里程收取作业与驾驶服务费。2030年物理AI终端收入研究情景约2,558亿美元，其中持续收费的服务收入已超过单次硬件销售。

2030年收入上修：AI科研与物理AI贡献最大

AI科研增加2,123亿美元，物理AI增加1,742亿美元，个人智能体增加1,126亿美元。

AI科研：2030年完整市场测算约4,245亿美元。降低单次实验成本、增加有效研发轮次，以及将成果更早推向市场，使客户有理由为整项研发交付支付更高费用。

物理AI：新增收入来自AI机器人买断、按工时收费的机器人服务、工业软件和驾驶服务。更多收入直接来自真实作业，补充了仅靠软件订阅难以覆盖的回报空间。

个人智能体：持续管理日程、资料和消费任务，将用户付费从偶尔订阅推向常用服务。2030年个人智能体新增服务收入预计约1,502亿美元，付费渗透、服务频次和按任务收费共同决定规模。

远期AI终端年收入：2040年约20.3万亿美元

2035年总量约11.2万亿美元。AI科研、AI芯片研发、个人智能体新增服务与物理AI合计收入，由2030年8,573亿美元增至2040年约6.8万亿美元；物理AI通用能力突破可将2040年总量进一步推向27.1万亿美元。

最初的回报主要来自处理数字信息。编程、办公、客服、营销和分析，已经能产生可收费的效率与业务结果。这些市场仍会继续扩大，支撑AI收入的基本盘；成熟后的增长会逐渐放缓。

新的应用把收费范围扩展到创新和劳动。AI科研可以交付候选药物、实验结果与工程方案；个人智能体承接日常安排与消费任务；物理AI持续提供生产、服务和运输能力。它们打开研发、家庭服务和劳动预算，使远期回报不再只取决于文字信息处理的渗透率。

2040年上述四个应用领域贡献约占终端收入的34%。其中AI科研约1.91万亿、个人智能体新增服务约0.87万亿、AI芯片研发约1,512亿美元，物理AI规模化延伸约3.88万亿美元。更强的机器人通用能力，将进一步提高可服务岗位与在用机队规模。

既有数字业务2031—2035年按15%、之后按10%年增；各新领域分别依据预算、用户与机队测算。若既有业务分别按10%、7%增长，2040年总量约16.2万亿美元。均为研究情景。

投入同步上修，但收入与毛利增长仍快于建设支出

80%建设兑现基准下，2030年AI年投资约3.01万亿美元，应用毛利约3.13万亿美元。

建设上修集中于2027—2028年。xAI规划两年新增17.7GW，对应约9,735亿美元工程规模；中国最新预算也使投入前移。2027年全球投入增量尤其明显，服务器、网络、存储与供电设备共同受益。

应用收入增量的质量也在提高。个人智能体持续代办任务、AI科研交付和机器人服务具有持续付费特征。更多已有客户反复使用，可提高收入可见度，并分摊开发、部署与基础设施成本。

在当前选择下，2030年AI终端收入为5.02万亿美元，毛利为3.13万亿美元，当年投资为3.01万亿美元；毛利相当于当年投资的104%。

选择2027—2030年xAI新增建设投入兑现率，查看投资与毛利覆盖关系；收入预测保持同一情景。