三年前，人工智能还只是茶余饭后的猎奇谈资。如今，它已成为资本博弈的重要方向。这给投资者带来的挑战在于，不仅要认识到人工智能的颠覆性影响，还要搭建起足够严谨、能够指导投资决策的分析框架。为此，我们梳理了每位投资者都需要了解的七大AI投资洞察：从日新月异的AI基础设施建设，到开始自主执行任务的智能体，再到未来数十年将重塑全球地缘政治格局的两大技术体系等。
四力合一:
算法、算力、人才与资本
四股力量共振演进，势头前所未有。
人工智能正在以超乎预期的速度，从一项突破性技术演变为新一代基础设施。拐点在于谷歌于2017年推出了Transformer架构。自此之后，算法、算力、人才与资本四股力量齐头并进，形成彼此强化的飞轮效应：基础架构的连续突破推动算法不断迭代、算力极速扩张、人才向少数机构聚集、资本投入的规模与速度在科技史上前所未有。自Transformer问世以来，围绕人工智能的资本开支已达到约2.3万亿美元，而且速度非但没有放缓，反而正在加速。
结果显而易见。仅在2025年，Token（人工智能模型处理的基本文本单元）的消耗量就增长了10倍以上。各模型正迈向多模态化，涵盖语音、图像与视频领域。这种自我强化的正向循环依然在进行中：更强大的模型催生了更高的使用量，更高的使用量吸引了更多的资本投入，更多的资本投入又反哺出更强大的模型。
以上四股力量正向通用人工智能（AGI)迈进，目标是让人工智能系统可胜任人类能从事的任何智力任务，不分领域，也不需针对特定任务进行重新训练。通用人工智能将彻底打破这种限制，面对从未遇到的问题，它能够自主识别、设计和执行解决方案。除了通用人工智能之外，还有人工超级智能(ASI)系统，其在所有领域的表现都将超越人类的极限。目前，人工智能的能力大约每四个月进化一倍，这意味着到2028年，系统的能力将比今天强250倍。
摩尔定律失效之后：物理极限成为新瓶颈每轮科技革命都会遇到瓶颈，AI时代的瓶颈正在不断转移。
过去60年，摩尔定律始终是产业发展的核心定律——算力每隔两年会变得更便宜、更强大。如今这一定律已不再适用。算力增长并非暂时放缓，而是已达到物理极限。这是一种结构性的变化，意味着行业必须寻找全新的方式来保证性能。
对此，行业采取了多维度的对策。在芯片层面，芯粒架构（将多个半导体并置或堆叠封装）正打破传统设计的极限，继续提升性能。在系统层面，协同设计的多芯片架构使AI计算密度实现跃迁式的增长。在数据中心层面，硅光子技术异军突起，解决了铜缆在大规模场景下无法克服的带宽瓶颈。
过去被视为标准化零部件的环节，现在正被重新定价为战略性供应链资源。存储芯片目前供不应求，预计会持续到2026年底。受人工智能和数据中心需求驱动，存储需求在2027年预计会增长75艾字节–100艾字节（exabytes，EB），2028年预计再翻一番。云厂商巨头的采购行为已发生结构性的变化：现在确保供应安全更为优先，成本和价格在其次，大家竞相签订长期供应协议，这在以前的存储行业非常罕见。
AI产业发展的规律十分清晰。瓶颈沿着供应链不断转移：先是芯片，然后是电力、存储、网络互联、散热。每一次转移都会让昨天仍被视为普通商品的产业环节变成明天最稀缺的战略资源。半导体行业的投资逻辑不再是比较谁能造出最好的芯片，而是谁能掌握下一个不可或缺的供应链环节。对投资者而言，在市场形成共识之前率先识别出这个环节便是机会。
Token经济: 算力成为营收来源数据中心成为新时代的工厂，而Token是其核心产品。
三年前，大家还在问人工智能能做什么。今天，更重要的问题是人工智能能创造什么。而Token便是答案。每次回答用户提问、每次起草文档、每次智能体执行任务，都会产生Token。Token可计量、可定价、可扩展，是数据中心这一新型工厂的产物。
数据中心已不再只是支持业务的成本中心，而是生产智能的“工厂”，其产出以每百万个Token为单位计价，就像电力按每千瓦时计价一样。
新的经济模式已经形成。算力与营收直接挂钩，这在企业技术史上前所未有。拥有越多算力的企业，其营收也会越多。在这种新型经济下，最重要的技术指标是每瓦电力产生的Token数，也就是每单位能源能生产多少智能。
然而，Token需求的增长并非线性的。人工智能经历了三个截然不同的阶段，每个阶段的Token消耗都大幅提升。生成式AI确立了Token消耗的基准。推理型AI引入了自我反思和纠错机制，所需算力约高出1000倍。智能体AI不仅仅回答问题，它能使用工具、执行任务并持续运行，所需算力比原始对话模型高出约100万倍。
智能体转型：
从被动响应到自主执行
人工智能不再被动等待指令，而是开始自主完成工作。
第一代人工智能是被动响应：用户输入问题，AI给出答案。这种交互需要人类熟悉系统界面并主导执行。如今，全新的模型已经来临。人工智能不再是被动响应的工具，而是演进为自主行动的系统，能自主执行任务、管理工作流程、持续稳定运行，并独立完成交易。从被动搜索答案到主动执行任务，这是工作方式的结构性重塑。
这一趋势已经率先体现在软件开发领域，并在数据上有所体现。有些工程师已经同时管理四个或更多的智能体，他们不再亲自写代码，而是分配任务，其角色也从执行者变成了监督者。2026年初，各大互联网基础设施平台上的智能体流量几乎垂直上升。
这种转型对企业组织层面的影响不亚于在技术层面的影响。微软将企业中的AI交互划分为三种不同的模式：简单对话、任务委派，以及拥有独立身份、工具和工作空间的数字员工。虽然不同企业、不同部门的应用程度存在差异，但在未来三年，大多数个人员工都将成为智能体的管理者，而非具体任务的直接执行者。每位员工都将管理智能体。企业面临的问题不是要不要采纳智能体AI，而是如何尽快围绕智能体重新设计工作流程，而非简单地将AI叠加到现有的流程之上。
目前最容易被市场忽视的一项变化，就是智能体从执行迈向交易。智能体商务已经逐渐成为新的基础设施，由AI智能体自主执行采购、支付结算、管理资金往来。事实上，智能体与智能体之间的交易将直接完成，未来的支付体系（支付平台或网络）不需要人工授权、不受银行营业时间限制、几秒钟就能完成结算。围绕这些需求，新一代支付平台、互联网基础设施和数字资产网络已经开始建设。
传统软件行业依赖授权许可收费盈利，其市场规模达到2万亿美元。未来AI经济将迈向以Token消耗收费的新篇章。
数据、行业能力与分发能力：
新的软件护城河
真正的竞争壁垒，已不再是代码，而是3个D（Data, Domain, Distribution）。
尽管人工智能的训练需要投入大量资本且竞争激烈，但未来真正创造价值的是人工智能的使用，即推理、编排、应用和工作流程，这些领域将提供更持久的经常性收入。相较于传统软件公司，新兴原生AI公司有海量算力加持，且员工人数远远更少，在运营成本和迭代速度方面已经展现出了结构性的优势。
代码不再是竞争壁垒，工作流程的复杂性、数据的专有性、行业专业能力、网络效应、合规性和分销能力才是铜墙铁壁。如今的软件开发成本远低于从前。过去需耗时数月、耗费上亿美元投资开发出的功能，现在几天就能复制出来。但历经二十多年沉淀的网络和生态却无法复制。真正的护城河从来不仅仅是软件本身，而是其背后长期积累下来的资源。人工智能并未改变这种逻辑，反而强化了这一优势。
尤其是在垂直的软件即服务(SaaS)领域，在数据、行业能力与分发能力三方面均具备优势的公司很可能最终胜出。数据方面的竞争最为激烈。大多数企业数据分散存储在几十个系统之中，包括客户关系管理(CRM)、企业资源规划(ERP)、电子邮件和文档系统；每个系统又封闭在各自的数据库孤岛之上，数据导出往往还要额外支付费用，这使统一访问变得昂贵且缓慢。AI智能体无法获取数据全貌，便只能生成低质量、碎片化的建议。
如果企业能建立统一数据底座，使智能体能同时进行跨系统推理，优势将成倍放大。那些利用数据封闭收取导出费的软件厂商并不是在保护自己的护城河，更可能是在加速自身的淘汰。
行业经验与分发能力是同样重要且更持久的竞争优势。深度嵌入关键任务工作流的系统，例如核心银行系统、ERP，以及支撑整个行业运转的垂直SaaS，其护城河来自多年积累的实施复杂度、合规能力和行业专业知识，人工智能只会强化这些优势。投资者需要区分哪些公司能够利用人工智能加强自身优势，哪些公司可能被AI原生公司颠覆。具备数据、行业能力与分发能力的企业将具备最强大的竞争优势。
昨天的科幻 正在成为现实
人工智能不再只是用来分析经济，而是开始运行经济。
人工智能正走出软件层面，开始应用到能够移动、建造、运输和操作的机器之中。如果说数字人工智能承接了知识层面的工作，那么具身人工智能将推动实体经济的发展。自动驾驶、机器人、工业自动化、无人机以及智能基础设施不再停留在试验阶段。这些技术正在进行大规模商业化部署。在地面与传统空域之间，新的低空交通开始崛起。软件定义车辆的营收翻了一番，2027年的目标直指20亿美元。这类车辆的早期需求主要来自政府项目和国防合同，其潜在市场规模显著扩大。
无论最终用途是什么，每个自主系统都依赖相同的技术体系：芯片、算力、传感器、储能、电力驱动和执行系统。价值也将更多集中于那些掌握关键节点的企业。
目前人形机器人的训练正从现实世界转移到仿真环境，几天就能完成原本需要数年的物理学习，这种突破使具身人工智能从试验走向规模化应用。具身人工智能可能会重塑交通物流、制造业、建筑业、农业、国防和医疗保健行业。核心平台、底层基础设施以及软件生态将是支撑这一生态系统的重要部分。
自主智能不仅局限于小众垂直领域。它将贯穿硬件、软件、传感器和动力系统。这意味着人工智能不再只是用来分析经济，而是开始从地面、空中和太空全面推动经济。它将降低劳动力成本，重塑供应链，并重新定义价值创造的核心环节。投资者无需试图预测哪种机器人会胜出，只需要将资金投入到所有自主系统都依赖的核心环节。
人工智能是一轮全栈资本周期
这不是一个行业故事，而是一场跨资产、跨行业的资本周期。
人工智能是一轮全栈资本周期，技术链上的每个环节都在实时定价。半导体、晶圆代工、存储、网络、电力和制冷等各个环节都会有赢家胜出。模型层面的环节包括训练、推理、安全和治理。应用层面的环节则有软件、智能体平台、机器人、传感器、执行器和边缘计算。随着瓶颈在整个技术栈中不断转移，稀缺资产也随之转移。
该技术栈包括三个不同的层级。底部是基础设施层，其特点是资本密集、供应紧张，也是所有AI系统最终赖以运行的基础。中间是模型层，涵盖模型训练、推理和编排，这一层算力消耗最大，竞争变化最快。顶部是应用层，分为两大类：一是在数字化工作流程中自主执行的智能体AI，二是通过机器人、传感器、边缘计算和自主系统在物理世界中运行的自主AI。对于投资者而言，关键问题不再是哪家企业拥有最好的模型，而是谁控制基础设施、谁拥有数据、谁能够驾驭新兴的智能体经济、谁被嵌入到关键任务工作流程、谁掌握具身人工智能供应链，以及谁能够将AI能力转化为持久的盈利能力。
投资者应重点关注人工智能在哪些领域能释放新的需求，而不仅仅是降低成本。人工智能领域最大的突破在于制造出全新的问题，然后在市场意识到这些问题之前将其解决。从历史规律来看，先是基础设施建设，然后价格降低、需求加速增长，最后是新应用爆发。仅在2025年，AI Token价格就下降了10倍。目前所建设的基础设施是在为下一代应用铺路。能创造最大回报的公司可能尚未出现。但我们相信，这种规律过去不断重复，人工智能也不例外，只不过有一个关键差异：速度。电报用了几十年时间才实现商业化，光纤建设耗时十年，但人工智能的价格压缩只用了一年时间。AI应用大规模普及可能不用等上十年，拐点可能只需要两年。
（本文系摩根士丹利投资管理原创稿件， 作者系摩根士丹利投资管理解决方案与多资产团队副首席投资官。文章仅代表作者个人观点，不代表本刊立场。）
翻翻配资提示：文章来自网络，不代表本站观点。
