本文为投稿内容。
作者简介：龚志宇博士（Garros Gong ）毕业于滑铁卢大学管理科学（运筹学）专业，研究方向聚焦于不确定性条件下的数据驱动决策优化。当前积极开展跨学科合作，研究领域涵盖决策科学、应用经济学与人工智能赋能的决策系统，重点探索生成式人工智能与数据分析方法在复杂决策问题中的应用，致力于推动智能化决策工具在金融体系与公共部门治理场景中的学术研究与实践落地。本文作者系科睿青年学社会员（青年研究成员）。
通过对铁路、电气化及半导体三次基建扩张周期的深度回溯，笔者认为当前的人工智能算力热潮标志着第四次超级资本支出周期的确立。当基建投入预计占到国内生产总值的 2.1% 这一关键门槛时，宏观竞争的焦点已从算法竞赛转向对芯片、电力和散热设施等底层实物资产的规模化掌控。
19 世纪 80 年代的铁路建设是美国工业体系从地区碎片向全国统一市场转型的物质基础。这一时期，资本投入占国内生产总值的比例冲高至 6.0%。其逻辑在于通过极高密度的沉淀资金压低长期运输成本，从而重塑了全社会的资本产出比。
19 世纪 80 年代周期关键数据：
资产沉淀：1880 年资本产出比高达 16.4，意味着每产生 1 美元收益需要巨大的初始资产支持。
技术代际：钢轨耐用性是铁轨的 10 倍，这种硬科技投入使大规模工业物流成为可能。
终局分配：摩根财团通过金融整合结束了无序竞争，确立了对下游所有行业的准入定价权。
当时铁路建设表现出极强的前期沉淀特征。这种对瓶颈技术的先占，让上游的钢铁巨人如 Carnegie Steel 赚取了材料红利，但更长效的回报流向了那些利用这一物理骨架进行商业重构的下游巨头。例如，Standard Oil 利用管道与铁路网锁定了能源分配，Sears 零售则利用这一网络实现了全国化覆盖。
20 世纪 20 年代的电气化开启了生产流程的再造。这一周期的启示在于：单纯的技术引入无法直接转化为生产力的爆发，其间存在着巨大的组织适配成本。在电力投资占国内生产总值约 4.0% 的背后，是工厂组织架构长达 40 年的摸索。
图自unsplash
20 世纪 20 年代周期关键数据：
效率反弹：在组织适配完成后，制造全要素生产率增速从 0.8% 翻倍至 1.6%。
逻辑切换：工厂从动力轴中心化转向按工作流布局的单元驱动模式。
要素替代：大规模机械化导致农业劳动力向服务业剧烈迁移，重塑了就业结构。
在电气化早期，工厂仅仅是机械地更换动力源，导致生产率长期停滞。真正的革命发生在企业为了电力彻底推倒重建生产线之后。这意味着目前 AI 投资带来的巨大账面亏损，实际上是企业进入智算时代必须支付的学费。AI 的红利并非来自于显卡数量，而取决于企业能否为了利用这些算力而彻底重塑其经营模式。
20 世纪 60 年代的半导体扩张由国家意志强行开启。这一时期，政府研发投入占全社会的 70%。其核心作用在于通过海量的确定性需求，人为压低了新技术的成本曲线，使其顺利渡过了脆弱的成长期。
20 世纪 60 年代周期关键数据：
成本崩塌：芯片单价在一年内从 120 美元暴跌至 15 美元，开启了商用化大门。
第一客户：NASA 与军方的海量订单，消解了私有资本无法承担的初期高研发风险。
宏观遗产：不计成本的基建投入，最终培育出了后续数十年的数字经济生态。
在这一阶段，国家扮演了风险承接者的角色。如果没有阿波罗计划这种不计成本的买家，初创阶段的芯片产业很难抵御高昂的研发支出压力。这证明在超级投资周期的初期，确定性的需求锚点比技术精度更具生存价值。当前的 AI 竞赛虽以私有资本为主，但在算力主权的博弈背景下，国家级的战略投入正重新显现出 20 世纪 60 年代的逻辑底色。
2026 年的 AI 基建潮是这一逻辑演化的现代形态。美国每年的 AI 基建投入预计达 7000 亿美元。在当前的竞争密度下，算力已超越了作为租用服务的范畴，被视为维持核心竞争力的战略储备。
2026 年预测周期关键数据：
投资强度：AI 资本支出规模达到了过去十年均值的 2.5 倍，呈现饱和攻击态势。
分配逻辑：控制算力即控制了下游生态的路权，重现了 19 世纪 80 年代的铁路霸权。
物理极限：电力供应与液冷散热成为继芯片之后的第二道物理瓶颈。
现在的算力扩张具有极强的占位特征。NVIDIA 扮演了 19 世纪钢铁巨头的角色，而解决电力与散热的基建商则成为了新周期的隐形赢家。科技巨头们不计代价地投入，本质上是为了在即将到来的行业重构中，确保自己拥有一张无法被对手绕过的门票。这种对底层资产的掌控，是为了抵消未来可能出现的资源挤兑风险。
历史规律清晰地预示：超级资本支出周期的终局高度一致：基建扩张最终会核销掉低效企业，并孕育出一批跨时代的长期赢家。
19 世纪 80 年代的铁路周期诞生了Standard Oil与Sears零售；20 世纪 20 年代的电气化浪潮成就了GE与DuPont；20 世纪 60 年代的半导体基建则奠定了Intel、Microsoft以及现代军工巨头的统治地位。当前的 AI 算力网络正在重复这一过程。
图自unsplash
虽然当前面临巨额的基础设施折旧压力，且产出回报仍处于适配期，但这场竞赛的实质是存量市场的资源掠夺。参考 1893 年铁路泡沫的教训，如果大规模铺设的设施在短期内无法转化为现金流，市场会出现剧烈的估值出清。然而，那些能够挺过适配期并成功将算力转化为实际产出的企业，将成为未来数十年经济运行的新主干。在这个周期中，成功的核心不在于避开投入，而在于如何成为那个最终掌握底层分配权的长期赢家。
免责声明：本文仅代表作者个人观点，不构成任何投资建议。市场有风险，决策需谨慎。
• Melius Research：报告核心图表与 AI 基建预测
https://www.calpers.ca.gov/documents/202601-full-what-we-need-to-know-powerpoint-a/download?inline
• NBER：1870 至 1950 年美国铁路资本形成历史研究
https://www.nber.org/system/files/chapters/c9502/c9502.pdf
• JPMorgan：AI 基建对当前美国国内生产总值增长的贡献分析
https://am.jpmorgan.com/us/en/asset-management/adv/insights/market-insights/market-updates/on-the-minds-of-investors/is-ai-already-driving-us-growth/
• Brownstone Research：AI 投资潮中的隐藏赢家，冷却与电力基建商
https://www.brownstoneresearch.com/bleeding-edge/earnings-season-update-the-untold-winners-of-the-ai-spending-wave/
• Employ America：冷战时期半导体产业政策与成本下降逻辑
https://www.employamerica.org/industrial-policy-and-investment/a-brief-history-of-semiconductors-how-the-us-cut-costs-and-lost-the-leading-edge/
• Yale University：20 世纪 20 年代电气化与现代消费者经济的诞生
https://energyhistory.yale.edu/electricity-consumption-culture-gender-and-power/
• Intellectia AI：2025 至 2026 年超大平台算力支出与债务压力分析
https://intellectia.ai/news/stock/hyperscalers-capital-expenditure-soars-amid-ai-boom
• ITIF：铁路建设对 19 世纪 90 年代美国国内生产总值的量化增益研究
https://itif.org/publications/2020/03/09/fact-week-us-gdp-would-have-been-25-percent-lower-1890-without-railroad/
【本文中包含的图片均来源于网络，仅用于信息传播和新闻报道目的。我们尊重并保护所有版权拥有者的权利。若有任何版权问题，或版权拥有者不希望图片被使用，请与我们联系，我们将在收到通知后立即处理并删除相关图片。】