AI需求是否足以消化龐大的投資？| 瑞銀Q-Series

（來源：瑞銀全球研究）

Karl Keirstead

瑞銀美國軟件行業分析師

我們認為2025年AI硬件供應鏈瓶頸的進一步緩和或使投資者的討論焦點轉向需求。瑞銀近期發佈的Q-Series報告匯總瑞銀全球130位分析師的觀點，並利用UBS Evidence Lab數據來評估模型提供商、消費者和企業的需求能否給AI 資本支出帶來有吸引力的回報。我們的回答是「能」，其中企業需求相對落后。

AI討論焦點或從供給轉向需求

在當前AI起步階段，AI模型提供商和超大規模雲廠商均公佈大規模資本支出計劃，以擴大其AI基礎設施容量。2025年包括這些公司在內的AI資本支出總額或超過4000億美元，點燃投資者對AI硬件和AI技術供應商的興趣。

過去兩年，瑞銀就AI基礎設施建設過程中的供應瓶頸撰寫了多篇報告。目前AI供應鏈仍存在瓶頸（未來幾年電力基礎設施或成為堵點），但已開始邊際改善。我們認為這可能使投資者的討論焦點從供給轉向需求。如果AI需求最終無法消化供應，這一輪投資浪潮將化為 「AI泡沫」。 

相較於AI供應，我們認為市場對AI需求的研究不足，主要因為估算AI需求的難度大得多。我們從以下三個角度切入：

定性分析三大AI需求來源：即模型訓練、面向消費者的AI工具、企業需求。這些需求有多強勁？持久性如何？哪些方面最有可能低於預期？

定量估算：通過評估AI用例所需的算力，基於模型框架來估算需求。

自下而上地評估需求：匯總瑞銀研究部分析師對AI產品如何在他們所研究的公司和行業中部署的看法。此外，我們還藉助UBS Evidence Lab來跟蹤AI及所有相關術語在電話會中被提及的情況，以衡量管理層的產品開發重心。

AI需求的三大支柱有多強勁？

我們認為AI 需求有三個主要來源：1）大語言模型/模型提供商的訓練需求；2）面向消費者的產品的推理需求；3）企業的AI應用需求。

這三大支柱處於成熟度曲線的不同位置。初期AI需求主要來自亟需訓練用GPU的模型提供商。之后隨着模型提供商將其大模型「產品化」，開發出可變現的應用產品，消費者需求將接棒。希望通過部署AI來實現業務流程自動化、提高生產效率但行動緩慢的大企業則將補上AI需求的最后一環。

模型訓練持續消耗大量算力，目前無確切證據顯示該需求有所放緩。消費者需求也類似。「殺手級」AI產品ChatGPT的周活躍用户數已超過6億。能從消費者互動中變現的科技巨頭在加倍採購GPU，以增強其平臺的差異性。因此，我們認為短期內GPU需求將主要由消費者拉動。

企業GPU需求落后於前兩者，大多數財富500強公司仍處於「概念驗證」或測試階段，主要原因包括數據治理障礙、智能體性能差距、GPU成本高企等。不過，我們認為一旦這些問題得到解決，該羣體或產生最強勁的增量需求。結合UBS Evidence Lab數據，我們預計企業需求的拐點可能要等到2026年中/2027年。

最新的UBS Evidence Lab美國AI商業調查顯示，在生成式AI「誕生」24個月后，僅14%的受訪者所在企業在生產中大規模應用生成式AI，仍處於採用率曲線早期（進展緩慢，不及預期）。此外，至少在一個職能領域上線生成式AI的受訪者比例較2024年10月的前次調查小幅下降。

今年3-4月進行的UBS Evidence Lab中國企業家調查顯示，中國企業對AI應用的影響普遍持樂觀態度。73%的受訪者表示，所在企業已在一定程度上使用AI技術（AI投入平均佔IT支出的12.4%），20%的受訪者計劃未來使用AI技術。在已使用AI技術的受訪企業中，95%認為AI為其帶來效益。

定量評估：未來三年算力需求將快速增長

我們基於關鍵AI工作負載的算力強度來量化GPU需求。由於模型規模和複雜性增加、推理的算力要求不斷提高，生成式Al模型的算力強度繼續快速增長。

加總訓練和推理需求后，我們預測2024-2027年算力需求將以約115%的年複合增長率增長。其中，推理需求的佔比預計將持續上升，從2023年預期的20%升至2027年的57%，主要由企業普及率所拉動。

儘管AI加速器迭代后單價不斷走高，但這被算力性能的代際升級完全抵消，有效降低了單位算力成本（美元/PFLOPS）。更低的算力成本推高ROI，促進生成式AI的更廣泛應用。綜合考慮，我們預計AI加速器的潛在市場規模有望從2024年的約1250億美元大幅提升至2027年的約3090億美元，年複合增長率達到35%左右。

自下而上分析AI用例

最后，我們收集了瑞銀全球130位分析師對1）其覆蓋範圍內，哪些行業AI應用最活躍和2）迄今為止受益程度的反饋，來評估中期AI需求。

總體而言，生成式AI技術應用的影響在整個經濟中較難辨別，AI應用尚處於早期階段，但明顯呈增長態勢（比如非科技行業中的保險業）。互聯網和IT服務業的AI普及趨勢居各行業之首。

我們還利用UBS Evidence Lab對公司電話會中提及「AI」及所有相關術語的次數跟蹤，來評估管理層產品開發的關注點，繪製成熱力圖。

下圖展示了2025年1季度各行業的AI術語提及次數和市值，科技行業的AI提及次數可達到非科技行業的5倍，表明前者在採用率曲線上走得更遠。

我們的主要結論

綜上，我們依然樂觀看待AI需求趨勢。我們認為新模型的訓練需求和消費類產品推理工作負載的增長（得益於ChatGPT的風靡以及新產品的不斷涌現）將在未來幾年支撐GPU需求，進而推動對雲基礎設施、硬件和其他技術的需求。因此，中期AI需求有望結構性增長並消化AI基礎設施投資。

我們認為企業AI支出是主要風險來源，因為企業的AI應用進展緩慢，ROI不太明朗。若大模型/消費者需求引擎在企業AI支出增加之前就熄火，可能會引發暫時性去化過程。我們認為該情景的概率較低（約為20%），在可控範圍內。

*UBS Evidence Lab 是一個賣方專家團隊，工作範圍覆蓋眾多細分研究室，致力於提供深入洞察的數據集。 每個月，專家會利用一系列工具和技術來收集、清洗和關聯數十億項數據，進而將其轉化為可用於投資研究的論據。從2014年起，瑞銀研究部分析師一直都得到UBS Evidence Lab的專業支持，並基於后者對公司、行業及市場熱點問題富於洞見的數據集，撰寫了數千篇特色鮮明的瑞銀研究報告。UBS Evidence Lab本身不提供投資建議或意見，僅為瑞銀研究部及其客户提供富於洞見的數據集以進行進一步分析。