摘要

一级市场私人AI投资、科技龙头的资本开支和数据中心数量均显示，美国AI投资处于全球领先位置。我们认为，中美AI投资差异或反映了两国商业模式、融资环境和技术部署路径的差异。商业模式上，美国云厂商和大模型公司通过云租赁、API调用、订阅服务等，逐步形成算力投入、收入兑现和再投资的循环；中国AI应用和Token调用增长较快，商业化尚处于从用户扩张和应用部署向收入兑现过渡的阶段。融资环境上，美国多层次融资体系更能支持高不确定性、长周期的大模型和算力基础设施投资；中国股权投资市场处于结构调整期，长期资金和耐心资本作用上升，投资更偏硬科技和产业落地。技术路线上，美国更偏“规模优先”，中国在外部芯片约束下更重视模型效率和部署成本，模型能力差距正在收敛。

展望后续，中国AI资本开支未来提速或主要取决于需求侧变现和国产算力供给。从需求侧看，AI应用落地与大模型商业化带来的推理需求，以及模型、云服务和数据中心相关硬件出海带来的外部需求持续释放；从供给侧看，国产AI芯片替代带来的供给改善，是AI投资可持续扩张的另一关键变量。总体来说，中美AI资本开支绝对规模短期仍可能存在差距，但在应用扩散、出海需求和国产替代推动下，中国AI资本开支有望延续稳步扩张，其主线并非单纯追求规模驱动下的快速追赶，而更可能是在效率驱动下的稳健加速。

正文

不同口径下的中美AI投资差异

比较中美AI投资，首先需要明确统计的边界。按照OECD的定义，AI系统是基于输入进行推断，并生成预测、内容、建议或决策，从而影响物理或虚拟环境的机器系统。从产业链视角看，AI训练与部署依赖高度资本密集的实体与数字基础设施：上游包括芯片设计、制造及相关供应链，中游为集成服务器、网络、电力、制冷等要素的数据中心，并通过云平台向模型开发者和用户提供算力服务；下游则是基于算力和云服务开发、部署的AI模型及其终端应用。

图表1：AI产业链图解

资料来源：OECD，中金公司研究部

由此可见，AI投资并不是单一环节的资本投入，而是贯穿“底层硬件—算力基础设施—模型开发—终端应用”的多层次资本形成过程。也正因为AI投资链条较长、参与主体多元，目前尚无统一的权威统计口径。为提高可比性，我们采用三类互补指标交叉观察中美AI投资情况：一是市场私人AI投资，反映模型和应用企业的市场化融资能力；二是科技龙头公司的资本开支，反映云厂商和大型互联网平台形成算力资产的能力；三是数据中心和电力基础设施，反映AI训练与部署的资源承载能力。

首先，从市场融资看，美国AI投资规模显著领先，并且领先幅度近年有所扩大。根据斯坦福大学《2026 AI Index Report》的数据，2013-2025年间美国私人AI投资（包含风险投资和私募股权等）累计约7573亿美元，同期中国约1381亿美元。2025年美国私人AI投资额达2859亿美元，中国约124亿美元。

需要补充的是，考虑到这一数据不包括政府层面的投资，可能低估了中国实际AI投资规模。有研究指出，中国政府VC基金在2000-2023年间累计向9623家AI企业投资1840亿美元，不过中美AI一级市场投资体量还是存在一定差距。

图表2：2013-2025年全球各地区私人部门AI投资总额

资料来源：Quid，《2026 AI Index Report》,中金公司研究部

图表3：2025年美国私人部门AI投资领先幅度扩大

资料来源：Quid，《2026 AI Index Report》,中金公司研究部

作为AI基础设施投资的代表性主体，云计算厂商和大型互联网公司的资本开支，是衡量AI基础设施投资的重要代理变量。2025年美国五大云计算厂商（亚马逊、谷歌、微软、Meta、甲骨文）合计资本开支高达3871亿美元，同比增长约72.7%；2025年中国头部互联网与云厂商（腾讯、百度、阿里、字节跳动、金山云）合计资本开支为514亿美元、同比增长65.6%，增速不逊于美国同类企业，而投资规模仍有差距。

图表4：美国五大云计算厂商资本开支

资料来源：FactSet，中金公司研究部

图表5：中国五家头部互联网与云厂商资本开支

资料来源：iFinD，中金公司研究部

从数据中心和电力基础设施看，美国在数据中心存量上领先，而中国在电力供给和基础设施协同方面具有一定比较优势。从数据中心存量看，截至2025年美国数据中心数量达到5427座，较位居第二的德国（529座）多10倍，在全球AI基础设施布局上具有显著领先优势。相比美国在数据中心存量上的领先，中国在发电能力和电力基础设施建设方面具备一定比较优势：国际能源署（IEA）数据显示，2024年全球数据中心用电量约占全球电力消费的1.5%，其中美国占45%、中国占25%；从全社会发电量看，中国近年来的发电总量已远超美国和欧盟，为算力扩张提供了相对充裕的电力供给基础。

图表6：截至2025年美国数据中心数量居全球首位

资料来源：《2026 AI Index Report》,中金公司研究部

图表7：美国数据中心用电量占比最大

注：2025年及以后为预测值  资料来源：IEA，中金公司研究部

不过，电力不是中美AI投资的差距的主因。核心原因在于电力设施相关成本在AI资本开支中的占比相对有限。据Epoch AI测算，一个1GW级AI数据中心的年化成本中，服务器占比最高（约50.2亿美元），数据中心设施建设（约13.9亿美元）和网络基础设施（约11.7亿美元）分列二三位，电力等能源成本约5.9亿美元，仅为服务器成本的约1/8。

图表8：中国在电力供给和基础设施协同上具备比较优势

资料来源：Ember，Our World in Data，中金公司研究部

图表9：一个1GW级AI数据中心的年化成本

资料来源：Epoch AI，中金公司研究部

AI投资差距背后的三重系统性差异

我们认为，中美AI投资差距反映了两国在商业模式、融资环境与技术路线三个维度上的系统性差异。这些差异不是简单优劣之分，而是商业化变现方式、资本市场融资环境、技术约束与选择不同，共同塑造了两国AI资本开支的不同节奏。

商业模式变现影响资本开支节奏

中美AI投资差距的形成，首先源于商业模式变现路径的不同。美国AI资本开支的底层逻辑，是将强大的算力转化为可计量的Tokens服务并向客户变现：云厂商一方面持续加大服务器、网络互联、电力与制冷等基础设施以提升算力供给；另一方面，通过GPU/TPU算力租赁、云服务、模型API以及与下游大模型公司分成等方式获取全球化收入。

美国大模型公司方面，B端主要通过API调用Tokens用量向企业收费，例如Anthropic收入中API占比约62%；C端则以订阅服务为主，用户以固定月费获取模型使用权或更多配额，比如OpenAI收入以C端订阅（占75%）为主。随着算力需求增加，尤其是Agentic AI渗透率提升，主要大模型公司的年化经营收入快速增长，显示算力投入已形成较为多元的商业化通道，进而支撑云厂商持续扩大资本开支、形成“投入—变现—再投资”的循环。当然，收入高增不等同于稳定盈利，云厂商资本开支前置也意味着租赁回报、利用率和现金流仍需逐步兑现。

图表10：大模型公司年化收入呈上升较快

注：统计数据截至2026年5月15日  资料来源：Epoch AI，中金公司研究部

图表11：全球主要云厂商云服务利润率

资料来源：FactSet，中金公司研究部

相比之下，中国AI商业化仍处于从用户规模扩张、应用部署与Tokens调用量增长，向收入兑现和利润改善过渡的阶段。一方面，以DeepSeek为代表的开源模型有效降低了B端部署成本，推动AI应用在办公、营销、编程等场景中加速扩散，各类大模型也依托庞大国内市场积累了较大的C端活跃用户基础。另一方面，中国云服务厂商收入还主要来自国内市场，客户结构、价格竞争和企业付费习惯与海外有所不同，中国云服务厂商的整体利润率偏低（比如阿里云），使得云服务收入增长对资本开支的反哺节奏相对渐进。

融资环境差异

资本市场成熟度影响中美AI投资规模。AI尤其是大模型研发具有前期投入大、研发周期长、商业模式仍在演化等特点，不仅依赖企业自身现金流，也高度依赖资本市场对长期不确定性资产的定价、融资和退出支持。根据Quid的统计，2013至2025年间，美国新获融资的AI公司累计多达8909家，中国为1766家；2025年美国新获融资AI公司为1953家，中国为161家。这与美国更为成熟的多层次资本市场有关，一级市场、公开市场和债务融资工具（如GPU抵押贷款）较为发达，能够支持OpenAI、Anthropic、xAI、CoreWeave等企业在商业化仍处于验证阶段时进行大规模融资，并通过IPO、并购和再融资形成“融资—退出—再投资”的资本循环。

图表12：美国新增获资AI公司远超其他国家

资料来源：Quid，《2026 AI Index Report》,中金公司研究部

图表13：中国股权投资市场处于结构调整期

资料来源：私募通，中金公司研究部

相比之下，中国股权投资市场处于结构调整期。2021年以来，中国股权投资市场经历调整，市场化LP风险偏好、美元基金活跃度和IPO退出节奏均有所变化；2025年以来募资、投资和退出端已有边际修复，但资金来源和投资偏好较此前发生转变，政府投资基金、险资和AIC等长期资金作用上升，资本市场对硬科技和产业落地方向的支持力度较强。而大模型训练和基础研发具有资金消耗大、回报周期长、商业模式不确定性高，更依赖高风险偏好的市场化资本和成熟退出机制。这使得国内AI相关资本开支更强调产业落地和确定性，节奏相对稳健。

技术路线上的“规模”和“效率”

在技术路线维度下，美国企业更侧重大规模算力集群和前沿训练，更偏“规模扩张”，中国企业同时重视模型性能、工程效率与部署成本，更重“效率优化”。值得关注的是，尽管AI投资体量差距较大，算力也有悬殊，截至2026年第一季度，亚马逊、谷歌、Meta、微软和甲骨文五家合计占据全球AI算力的约75.8%，而中美在大语言模型表现上的差距却在收敛——据Epoch大模型能力指数（ECI），二者差距已从2024年的平均约7个月进一步缩小至2026年的约4个月，这背后是技术路径选择的不同。

美国追求“规模优先”，更强调扩大算力规模、模型参数和前沿训练以实现通用人工智能（AGI）为目标，是典型的资本密集型路径；受外部芯片供给约束影响，中国选择了一条“算法效率优先”的道路，中国AI企业更重视模型效率、部署成本和用有限算力获得更高性能。

图表14：美国五大云厂商算力占比在70%以上

资料来源：Epoch AI，中金公司研究部

图表15：中美大模型表现差距正在缩小

资料来源：Epoch AI，中金公司研究部

除模型架构和工程优化外，人才与数据供给也强化了中国的效率路径。大模型能力提升离不开高质量人才和数据资源，中国在这两方面具备一定相对优势。人才侧，根据《2026 AI Index Report》，中国研究者贡献了全球23.2%的AI出版物和20.6%的引用量（美国为12.6%），并申请了全球69.7%的AI专利。数据侧，中文语料、产业数据和国家数据要素市场建设，也为模型迭代和行业应用提供支撑。综合来看，人才、数据与算法效率共同提高了中国在有限算力约束下推进模型迭代的能力，进而解释了资本开支规模差异与模型能力收敛并存的现象。

中国AI资本开支：双重驱动下的稳步加速前景

商业模式、融资环境和技术路线的差异，决定了中美AI资本开支现阶段的规模和节奏，但并不意味着差距会保持不变。展望后续，中国AI投资的斜率主要取决于两项条件：需求侧能否由应用活跃度转化为可持续收入和算力利用率，供给侧能否通过国产芯片、服务器及软件生态协同提高算力可得性。

需求侧：应用商业化与出海拓展

中国AI资本开支能否提速，首先取决于需求侧能否延续扩张。从应用部署看，麦肯锡2025年AI应用现状调研显示，中国大陆地区有45%的受访企业实现AI的规模化或全面部署，高于全球38%的均值；同时，83%的企业已在至少一个职能中常态化使用生成式AI，显示中国大陆企业在AI应用广度上具备一定领先优势。从用户规模与调用量看，《2026中国AI应用全景图谱报告》显示，2026年4月国内AI应用Web端月访问量突破9亿，APP端月下载量超2.4亿，日活同比增长223%，AI应用正从早期试用向更高频交互转化。

图表16：AI在中国企业部署中持续拓展

资料来源：麦肯锡，中金公司研究部

图表17：中国AI模型厂商在海外用户覆盖上仍有提升空间

资料来源：IDC，中金公司研究部

应用渗透率的提升能否真正转化为资本开支，还取决于商业化变现渠道能否打通。近期豆包推出增值服务订阅版本，标志着中国AI应用商业化探索进入新阶段。若商业化转化率、用户付费意愿和单位推理成本持续改善，云厂商和大模型公司有望像海外同行一样，通过API调用、云资源租用和订阅服务等获得稳定收入，从而推动云服务、算力基础设施和相关硬件投资进入更稳健的扩张阶段。

与此同时，出海需求的释放有望为国内需求扩张提供额外增量，并进一步验证商业模式的可复制性。近年来，中国AI对外输出正从硬件设备延伸至模型、API和算力服务。凭借较高性价比，中国开源大模型和API服务正在吸引海外开发者使用，部分平台调用量和生态影响力有所提升。硬件方面，国产GPU/AI芯片直接出口仍处于早期阶段，但数据中心相关配套硬件出口更为活跃，包括光模块、光纤光缆、服务器配套和网络互联设备等。若模型服务、云服务和数据中心硬件出海延续增长，出口端有望成为支撑国内算力投资的重要补充需求来源，也意味着中国AI商业模式的兑现路径正从单一依赖国内市场转向国际市场拓展。

供给侧：国产替代下的软硬件协同

供给侧的AI芯片国产替代，是支撑中国AI资本开支可持续扩张的另一关键变量。在美国持续收紧高端AI芯片出口的背景下，国产算力的“补位”明显加速。IDC的数据显示，2025年中国本土AI加速卡厂商在国内AI加速卡市场的合计份额已升至约41%，英伟达份额降至约55%。与此同时，DeepSeek V4等国产大模型发布并开源，部分模型也开始在国产NPU/GPU平台上进行推理侧适配和验证，显示软硬件协同正在加快。根据CIC灼识咨询（China Insights Consultancy）的推算，中国智能计算芯片需求正迎来大幅增长，该市场收入由2020年的17亿美元增长至2024年的301亿美元，复合年增长率为105.0%；预计2024年至2029年复合年增长率为46.3%，将显著高于全球平均水平。

国产替代的意义不在于短期内完全替代海外最先进训练芯片，而在于提高国内算力供给的可得性、降低外部供应不确定性，并推动推理、行业模型和部分训练场景的国产算力使用比例提升。我们认为，随着国产芯片、服务器、互联网络和软件生态逐步成熟，此前受供给约束抑制的潜在投资需求有望逐步释放，与需求端的应用扩散和出海需求形成呼应，共同支撑中国AI资本开支的扩张空间。

综合来看，推动中国AI资本开支提速的两条路径各有侧重：需求侧，AI应用落地和Token调用量增长已在发生，出海需求进一步打开增量空间，二者共同验证商业模式的可持续性，对推理算力需求的拉动最为直接；供给侧，AI芯片国产替代有助于改善供给约束，释放此前受限的投资需求，不过也受到地缘环境、技术迭代速度等因素影响。

我们认为，中美AI资本开支绝对规模的差距短期内或仍将存在，但在应用扩散、出海需求和国产替代推动下，中国AI资本开支有望延续稳步扩张。换言之，中国AI资本开支的主线或并非单纯追求规模驱动下的快速追赶，而是在效率驱动下的稳健加速。

注：本文来自中金公司2026年7月6日发布的《如何理解中美AI投资差异? 》，报告分析师：黄文静 S0080520080004，潘治东 S0080124080025，张文朗 S0080520080009