AI基建与具身智能：从算力竞赛到有效价值

执行摘要：谷歌年资本开支预计超2000亿美元押注AI数据中心，长程智能体重塑基建设计，token能力半年翻倍，电力成为最根本瓶颈；与此同时，网球训练机器人进入赛事场景，资本加速涌入，行业开始以'有效付费小时'衡量商业价值。本报告梳理AI基建与具身/服务机器人两大赛道的产业链格局、数据表现与竞争态势，并判断：产业评价体系正从规模指标（FLOPS、销量）转向真实有效价值（goodput、付费时长），这将决定未来竞争胜负手。

产业现状：两大赛道加速共振

一、AI基建：进入千亿级投入周期

AI基础设施的投入规模在2026年达到新的量级。据谷歌AI基础设施负责人Amin Vahdat在与红杉资本的对谈中披露，谷歌今年资本开支预计超过2000亿美元，主要投向数据中心建设。这一数字标志着头部科技公司的AI基建投入已从“百亿级试水”进入“千亿级周期”，算力扩张成为科技巨头竞争的主战场。

值得产业界关注的是，这一轮基建扩张的驱动逻辑正在发生变化。Vahdat指出，长程智能体（Agent）的崛起正在重塑数据中心的设计逻辑。与传统的单轮推理请求不同，智能体需要跨多步骤、长时间完成任务执行，这直接推高了对CPU、网络与存储的需求——基础设施的压力不再单纯来自GPU算力，而是向整条系统链路扩散。

在供给端，谷歌提出的目标是约每六个月将服务侧token生成能力翻倍，且明确表示这一翻倍“主要靠软件与模型优化而非硬件实现”。这意味着单纯堆砌硬件的粗放式扩张模式面临修正：硬件仍然是资本开支的主体，但性能提升的边际来源正在向软件层和模型层转移。

在衡量体系上，Vahdat提出了一个具有产业风向标意义的观点：以goodput（有效吞吐）取代FLOPS作为衡量系统真实性能的核心指标。这一转变背后是产业逻辑的成熟——算力规模不再等于有效价值，真正重要的是单位基础设施投入所能产出的有效智能服务量。同时，他强调电力才是最根本的瓶颈，能源约束正在取代芯片约束，成为AI基建扩张的第一限制条件。

二、服务机器人：借体育赛事完成商业化首秀

与AI基建的重资产路线不同，服务机器人赛道选择了场景驱动的商业化路径，而2026年中国网球公开赛成为这一路径的标志性舞台。

本届中网热度空前：开赛前三日入场人数与票务收入均达到上届同期的约两倍。在这一高关注度场景中，网球机器人首次亮相——卧安机器人旗下品牌Acemate成为赛事指定训练机器人供应商。体育赛事为机器人产品提供了天然的展示窗口：高频次、高强度、高公众曝光的训练场景，既是产品可靠性的压力测试，也是面向消费市场的品牌教育。

资本市场对这一赛道的反应迅速且明确，将其视为独立赛道进行布局：

融资节奏之密集——庞伯特半年内三轮——反映出资金对该赛道商业化确定性的早期判断：体育训练场景需求真实、付费主体清晰（俱乐部、培训机构、个人学员），且产品价值可量化。

三、双赛道共振：同一底层逻辑，不同价值路径

两条赛道看似分属上下游，实则共享同一轮技术周期，且呈现出互补的商业化节奏。

上图的逻辑链条揭示了本章的核心判断：产业正在从“算力竞赛”转向“有效价值”的验证。在基建侧，goodput指标的提出意味着巨头开始以“有效产出”而非“理论峰值”评估投入效率；在应用侧，机器人赛道则提出“有效付费小时”概念——即每台机器每天能产生多少用户愿意持续付费的训练时间，而非简单统计销量。

两个指标指向同一个共识：规模不等于价值，可持续的付费验证才是商业化成功的标准。基建侧的goodput约束了上游资本开支的有效性边界，应用侧的有效付费小时则检验下游场景的真实需求。当服务机器人依赖大模型获得更强的环境感知与交互决策能力，而基建投资最终需要通过应用层的付费场景回收成本时，两大赛道的共振实际上构成了AI产业链价值闭环的上下游两端。

四、本章小结

2026年的产业图景呈现两条清晰的升温曲线：上游，谷歌为代表的巨头以超2000亿美元的年资本开支推动AI基建进入千亿级投入周期，同时以goodput、电力瓶颈、token能力半年翻倍等议题重新定义基建的评价框架；下游，服务机器人借中网等顶级体育赛事完成商业化首秀，资本以半年三轮、累计近2亿元的节奏押注独立赛道。上游求“有效算力”，下游求“有效付费”，两条曲线在“从规模到价值”的产业逻辑转向上形成共振——这也为后续章节讨论价值评估体系与商业化路径奠定了事实基础。

竞争格局：巨头主导与细分突围

云巨头主导AI基建投入

AI基建的竞争格局首先体现在资本投入的量级差异上。以谷歌为代表的云巨头已将AI基建置于战略核心：谷歌AI基础设施负责人Amin Vahdat公开披露，谷歌今年资本开支预计超过2000亿美元，其中主要投向数据中心。这一量级的投入意味着AI基建的入场券门槛极高，能够持续参与算力底座竞争的玩家实际上仅限于少数几家全球性云厂商。

在投入方向上，一个值得关注的结构性变化是：长程智能体的崛起正在重塑数据中心的设计逻辑。Vahdat指出，当AI应用从单次问答转向多步骤、长周期的智能体任务时，CPU、网络与存储的需求被同步推高——这改变了以往以GPU为中心的堆叠式扩容路径。同时，谷歌要求自身约每六个月将服务侧token生成能力翻倍，而这一目标主要依靠软件与模型优化而非硬件堆砌来实现。这一判断具有产业风向标意义：算力提升的主路径正在从“买更多芯片”转向“更高效地用好已有芯片”，模型压缩、推理优化、系统调度的价值权重显著上升。

在衡量体系上，谷歌提出以goodput（有效产出）取代FLOPS作为系统真实性能的核心指标，并强调电力才是最根本的瓶颈。这三点共同指向同一逻辑：未来AI基建的竞争力不在于纸面算力规模，而在于单位电力、单位资本所能转化的有效智能产出。

机器人赛道：新锐密集融资，格局未定

与基建侧的巨头垄断形成鲜明对比，具身智能与机器人应用赛道呈现出典型的早期竞争特征——细分场景突围、资本密集下注、格局远未固化。

2026年中网的热度为观察这一赛道提供了样本：开赛前三日入场人数与票务收入均达上届同期约两倍，而网球机器人首次亮相赛事——卧安机器人旗下Acemate成为赛事指定训练机器人供应商。体育训练机器人作为细分场景，正在从概念演示走向商业化落地。

资本端的动作更为密集：庞伯特在不到半年时间内完成三轮A轮系列融资，累计金额近2亿元；英汉思完成累计过亿元的A轮系列融资。短短数月内多家新锐完成多轮融资，说明一级市场已将体育训练机器人视为独立赛道进行系统性布局。

从算力竞赛到有效价值：两条赛道共同的收敛逻辑

值得注意的是，基建与应用两条赛道虽然发展阶段不同，但正在收敛于同一价值标准。基建侧，goodput取代FLOPS意味着“有效算力产出”成为新的竞争维度；应用侧，观察者提出这门生意的成败不应只看销量，而应看每台机器每天能产生多少「有效付费小时」——即用户是否愿意为机器提供的训练时间持续付费。

「有效付费小时」指标的本质，是要求机器人企业从一次性硬件销售逻辑转向持续性服务运营逻辑：设备落地的价值不取决于出货量，而取决于单机日均被真实使用并付费的时长。这一标准若被行业广泛接受，将直接影响资本对各家的估值方式——营收结构中的经常性收入占比、单机利用率数据将比融资规模和销量排名更具说服力。

综上，当前AI产业的竞争格局呈现“哑铃型”结构：一端是资本开支以千亿美元计、比拼软件优化效率与电力约束下有效产出的云巨头；另一端是融资密集、场景细分、商业模式尚待验证的具身智能新锐。连接两端的共同标尺正在形成——无论算力还是机器人，行业评价体系都在从规模叙事转向有效价值叙事。对于新锐企业而言，在格局未定的窗口期内率先跑通「有效付费小时」模型，可能比融资额竞赛更具决定性意义。

产业链上游：算力、电力与核心部件

一、数据中心：资本开支进入千亿量级

AI基础设施的投入规模已经进入前所未有的量级。谷歌AI基础设施负责人Amin Vahdat在与红杉资本的对谈中透露，谷歌今年资本开支预计超过2000亿美元，主要用于数据中心建设。这一数字背后，是长程智能体（Agent）崛起对基础设施设计逻辑的重塑：当AI应用从单轮问答转向多步骤、长时间运行的智能体任务，负载特征发生了结构性变化。

具体而言，智能体工作负载不仅推高了对GPU等加速器的需求，也同步推高了CPU、网络与存储的配套需求。智能体在执行长链路任务时，需要频繁调用工具、读写上下文、维持会话状态，这些都落在传统上被忽视的“非AI算力”上。这意味着数据中心的设计不再是“GPU堆料”，而是一整套算力结构的再平衡。

另一个关键指标是token生成能力的扩张速度。Vahdat指出，谷歌须约每六个月将服务侧token生成能力翻倍，且主要依靠软件与模型优化而非硬件堆叠来实现。这一表述透露出头部厂商的共识：单纯依赖硬件采购的扩张路径边际成本过高，系统级优化（推理框架、量化、调度）成为释放算力红利的主战场。

二、光网络与性能度量：从FLOPS到goodput

在数据中心内部，网络正在成为比计算更关键的瓶颈层。随着模型规模与集群规模的扩大，芯片间、机柜间的数据交换量急剧上升，光网络技术因此成为基建竞赛的核心环节之一。谷歌将其列为重点突破方向，反映了超大规模集群对低延迟、高带宽互连的刚性需求。

值得关注的是性能度量标准的转变。Vahdat提出以goodput（有效吞吐）取代FLOPS作为衡量系统真实性能的核心指标。FLOPS衡量的是硬件理论峰值，而goodput衡量的是最终交付给用户的、可用于生成有效token的实际能力。这一指标转换的产业含义在于：算力竞赛的评价体系正从“纸面参数”转向“有效价值”，与下游应用端追求实际回报的逻辑形成呼应。

三、电力：最根本的物理瓶颈

在算力、网络、存储之外，Vahdat给出了一个更为根本的判断：电力才是最根本的瓶颈。这一判断的产业逻辑清晰——数据中心的扩张最终受制于电网容量、供电稳定性与能源成本。当单集群功耗达到吉瓦量级，选址逻辑已经从“靠近网络与人才”转向“靠近电力”。头部厂商在电力资源上的布局与博弈，正在成为AI基建竞争的隐形主线。对于后发进入者而言，电力获取能力甚至可能比芯片获取能力更具决定性。

四、机器人上游：伺服与传感器的国产供应链

与云端算力基建并行的是具身智能的上游供应链。以近期为例，2026年中网开赛前三日入场人数与票务收入均达上届同期约两倍，网球机器人首次亮相赛事——卧安机器人旗下Acemate成为赛事指定训练机器人供应商。资本已将这一品类视为独立赛道：庞伯特不到半年完成三轮A轮系列融资累计近2亿元，英汉思完成累计过亿元A轮系列融资。

从产业链视角看，机器人整机的成本与性能高度依赖上游核心部件：

• 伺服系统（电机+减速器+驱动器）：决定运动控制的精度、响应速度与寿命，是关节模组成本的最大头；
• 传感器：包括视觉模组、力/力矩传感器、IMU等，决定了机器人的感知能力，尤其在训练机器人这类需要精准捕捉球路与人机交互场景中，传感器的性能直接决定用户体验；
• 控制器与嵌入式算力：机器人端的实时控制对低功耗、高确定性算力提出要求，与云端大算力形成互补。

与云计算上游的全球化采购格局不同，机器人核心部件的国产化率相对更高，伺服与中低端传感器领域已形成较成熟的本土供应链，这也是国内具身智能整机创业公司能够快速起量的供应链基础。但高端力控传感器、精密减速器等环节仍存在技术差距，是产业链升级的关键方向。

五、上游的“有效价值”检验

值得注意的是，本章开头提出的goodput指标与下游应用端的评估逻辑高度一致。网球机器人领域，业界提出的判断标准是“有效付费小时”——即用户愿意为机器提供的训练时间持续付费，每台机器每天能产生多少这样的小时数。这与goodput异曲同工：上游看有效吞吐，下游看有效时长，整个产业正从规模叙事转向价值叙事。

对于上游供应商而言，这意味着两点：其一，算力与部件的订单将从“建设性采购”逐步转向“回报驱动采购”，无法转化为有效产出的基建投资难以持续；其二，电力、核心部件等物理层资源的稀缺性将持续存在，具备资源锁定能力与系统优化能力的厂商将在下一阶段竞争中获得结构性优势。

产业链中下游：从token到训练服务

中游：模型服务与本体制造

AI产业链的中游承担着“承上启下”的角色：向上承接基础算力设施，向下输出可用的模型服务与实体机器人产品。这一层又可细分为服务侧与制造侧两条平行赛道。

服务侧：token生成能力的指数级军备竞赛

模型服务是中游最核心的环节。谷歌AI基础设施负责人Amin Vahdat在与红杉资本的对谈中披露了关键数据：谷歌2025年资本开支预计超过2000亿美元，主要投向数据中心建设。而在服务能力层面，他提出了一个清晰的量化指标——谷歌须约每六个月将服务侧token生成能力翻倍。

这一增长节奏的产业含义值得深究：

• 增长动力主要来自软件与模型优化，而非单纯堆砌硬件。这意味着中游竞争的焦点正从“买多少卡”转向“同样的算力能挤出多少有效token”，模型架构、推理框架、量化和蒸馏技术成为决定竞争力的核心变量。
• Agent是推高token需求的关键变量。Vahdat指出，长程智能体的崛起正在重塑数据中心设计逻辑——智能体需要多步推理、频繁调用工具、维持长期上下文，这同步推高了CPU、网络与存储需求，而不只是GPU。
• 衡量指标发生迁移。谷歌提出以goodput（有效产出吞吐）取代FLOPS作为系统真实性能的核心指标。FLOPS衡量的是硬件理论峰值，goodput衡量的是用户实际收到的有效token，这一指标迁移本质上反映了中游竞争从“基建规模”转向“有效价值”的逻辑转变，与本章标题“从token到有效价值”形成呼应。
• 终极约束是电力。Vahdat明确表示电力才是最根本的物理瓶颈。这意味着中游服务能力的扩张上限，最终不由芯片决定，而由能源供给决定。

制造侧：机器人本体

与模型服务并行的是机器人本体制造。相比服务侧的军备竞赛，本体制造更接近传统制造业的竞争逻辑：硬件成本、供应链、可靠性、场景适配能力。参考素材中卧安机器人、庞伯特、英汉思等公司，均属于这一梯队——它们不生产大模型，而是将现有AI能力封装进面向具体场景的物理产品中。

下游：企业场景与消费场景

下游是产业链价值兑现的最后一公里，目前呈现企业级与消费级两条路径。

企业场景

企业场景下，模型服务以API调用、私有化部署、Agent工作流等形式变现。长程智能体带来的多步推理需求，直接转化为token消耗量的倍数级增长——这正是中游服务能力必须每六个月翻倍的需求侧来源。对企业客户而言，评价标准同样是“有效产出”：一次Agent任务最终交付了多少可用结果，而非消耗了多少算力。

消费场景：训练机器人切入垂直市场

消费侧最具代表性的案例来自网球培训市场。2026年中网开赛前三日入场人数与票务收入均达上届同期约两倍，网球机器人首次亮相：卧安机器人旗下Acemate成为赛事指定训练机器人供应商。

资本对该赛道的判断已明确将其视为独立赛道：

网球场景为何成为切入点？产业逻辑大致有三：其一，网球训练高度依赖重复性喂球与动作反馈，恰好是机器可标准化替代的环节；其二，培训市场付费意愿明确、客单价清晰，商业模式可验证；其三，顶级赛事的曝光降低了消费者教育成本。

关键指标：“有效付费小时”

但素材提出了一个更冷静的分析框架：这门生意的成败不应只看销量，而要看每台机器每天能产生多少“有效付费小时”——即用户是否愿意为机器提供的训练时间持续付费。

这一指标的价值在于，它将机器人从“硬件销售”重新定义为“服务运营”。如果有效付费小时数上不去，销量再高也只是一次性硬件生意，无法形成持续收入与数据飞轮；反之，若单机日均可产生稳定付费时长，则具备向更大训练场景（其他运动项目、健身、康复）复制的基础。这实际上是对下游商业模式的“goodput式”检验——与中游以goodput取代FLOPS的逻辑同构：产业链各环节的估值逻辑，都在从规模指标转向有效价值指标。

小结

中游的竞争本质是效率竞争：以软件优化驱动token能力翻倍、以goodput衡量真实性能、以电力作为最终约束；下游的竞争本质是价值验证：训练机器人能否跑通“有效付费小时”模型，决定了具身智能消费场景是否真正成立。上游的算力军备竞赛只有经过中游的效率转化与下游的价值验证，才能形成完整的产业闭环——这正是“从算力竞赛到有效价值”这一主线在中下游的具体展开。

数据透视：投入规模与商业模式验证

基建端：投入在加速，衡量标准在重构

从全球视角看，AI基建的投入规模正在进入一个前所未有的量级。谷歌AI基础设施负责人Amin Vahdat披露，谷歌今年资本开支预计超过2000亿美元，主要投向数据中心。支撑这一投入的是两个结构性判断：其一，长程智能体的崛起正在重塑数据中心的设计逻辑，同步推高CPU、网络与存储的需求，即算力需求不再局限于GPU训练，而是向服务侧的推理与交互全面扩散；其二，谷歌须约每六个月将服务侧token生成能力翻倍，且主要依靠软件与模型优化而非硬件堆叠来实现。

值得注意的是，Vahdat同时指出了两重约束与转向：电力被认为是最根本的瓶颈，而以goodput（有效产出）取代FLOPS作为衡量系统真实性能的核心指标，则标志着基建评估逻辑从“名义算力”向“实际可用价值”迁移。

这一转向对下游具身智能领域具有直接的参照意义。当基建端的投入规模以千亿美元计，资本市场的关注点自然从“投了多少”转向“产出了多少有效价值”。这一逻辑在具身智能的商业化验证中体现得尤为清晰。

应用端：赛事热度与资本热度的双重印证

2026年中网提供了观察具身智能商业化的重要样本。赛事热度空前：开赛前三日入场人数与票务收入均达上届同期约两倍。网球机器人首次亮相这一顶级赛事场景——卧安机器人旗下Acemate成为赛事指定训练机器人供应商，标志着体育训练机器人从概念展示走向官方认证的场景落地。

资本侧的动作更为直接。庞伯特在不到半年时间内完成三轮A轮系列融资，累计近2亿元；英汉思完成累计过亿元的A轮系列融资。两家公司在短期内密集完成融资，反映出投资机构已将体育训练机器人视为可独立成型的赛道，而非人形机器人大叙事下的附属分支。

赛事方、设备商与资本三方在同一时间窗口内的动作，构成了一个初期的需求验证闭环：赛事提供权威场景与用户触达，厂商提供产品供给，资本提供扩张弹药。

核心指标：从销量到“有效付费小时”

但热度本身并不等于商业模式的成立。行业观察提出的核心命题是：这门生意的成败不应只看销量，而要看每台机器每天能产生多少有效付费小时——即用户愿意为机器提供的训练时间持续付费。

这一指标的产业逻辑值得拆解。传统硬件生意以出货量论成败，属于一次性交易；而有效付费小时指向的是一种类订阅或类服务的持续收入模型。机器人若只是“卖出去”，其商业价值在一笔交易中即告完结；只有当用户持续为使用时间付费，才说明产品真正嵌入了用户的训练日常，形成了复购与留存。这与基建端以goodput取代FLOPS的转向形成呼应——两个领域的共同趋势是：衡量标准从供给侧的能力参数，转向需求侧的真实有效消耗。

有效付费小时指标的成立，还隐含三个前提条件的验证：一是使用频次的稳定性，机器人能否成为日常训练工具而非尝鲜体验；二是付费意愿的持续性，用户是否愿意按时间计费长期投入；三是单机运营效率，场地或俱乐部的机器利用率能否覆盖采购与运维成本。

综合来看，当前产业呈现“两端热、一环缺”的格局：基建端的资本开支以千亿美元计，应用端的赛事热度与融资速度均处高位，但从供给能力到持续付费之间的商业验证环节，仍处于早期。有效付费小时能否规模化，将决定体育机器人赛道是从资本叙事走向独立商业模式，还是停留在热度驱动的窗口期。对投资者与从业者而言，接下来最有信息量的数据不是融资额与销量，而是单机日均可付费小时数及其变化趋势。

趋势判断：goodput与付费小时的时代

从规模指标到价值指标的转向

回顾过去数年AI产业的发展叙事，评价体系长期围绕规模指标展开：算力侧看FLOPS、芯片出货量、资本开支；具身智能侧看销量、融资额、发布会演示效果。这套指标在产业早期起到了凝聚资本与人才的作用，但其局限性正在显现——它们衡量的是“投入了多少”，而非“产生了多少真实价值”。

谷歌AI基础设施负责人Amin Vahdat在与红杉资本的对谈中，明确提出了这一转向：应以外goodput取代FLOPS作为衡量系统真实性能的核心指标。FLOPS描述的是硬件的理论峰值算力，而goodput衡量的是系统实际交付的有效吞吐——扣除调度损耗、故障重试、任务失败之后的净产出。在模型训练以月计、推理成本以秒计的当下，两者的差距可能达到数倍之多。一家数据中心账面算力翻倍，但goodput停滞不前，意味着大量资本被浪费在“看起来很强”的数字上。

类似的逻辑同样出现在具身智能领域。2026年中网开赛前三日，入场人数与票务收入均达上届同期约两倍，网球机器人首次亮相：卧安机器人旗下Acemate成为赛事指定训练机器人供应商。资本也将其视为独立赛道——庞伯特不到半年完成三轮A轮系列融资累计近2亿元，英汉思完成累计过亿元A轮系列融资。但业内已经开始反思：这门生意的成败不应只看销量，而要看每台机器每天能产生多少“有效付费小时”——即用户是否愿意为机器提供的训练时间持续付费。一台卖出去但闲置的机器人，与一座建成但low utilization的数据中心，本质上是同一种风险。

基础设施侧：电力成为终极物理约束

在算力竞赛的表象之下，物理约束正在收紧。Vahdat明确指出，电力才是最根本的瓶颈。芯片性能可以随制程演进持续提升，但电网扩容以十年为周期，选址、环评、并网审批的节奏远慢于AI产业的需求曲线。

这一约束正在重塑产业形态。谷歌今年资本开支预计超2000亿美元，主要用于数据中心，但投入结构的重心正在变化：长程智能体的崛起正重塑数据中心设计逻辑，同步推高CPU、网络与存储需求——智能体需要长时间运行、频繁调用工具、维持上下文，这意味着推理负载的形态从“短促突发”转向“持续在线”，对供电稳定性与整体能耗效率的要求随之上升。同时，谷歌须约每六个月将服务侧token生成能力翻倍，且主要靠软件与模型优化而非硬件实现。这一约束条件的深层含义是：在电力天花板确定的前提下，增长只能来自单位能耗的有效产出提升——这正是goodput思维的工程化表达。

商业模式侧：从卖设备到卖有效时间

具身智能的融资热度与商业验证之间存在明显的时间差。近半年累计数亿元的A轮系列融资，反映的是资本对赛道的前置判断；而“有效付费小时”这一指标，则是后置的商业事实。两者的收敛需要时间，也需要场景的筛选。

从产业逻辑看，“付费小时”模式的优越性在于它天然对齐了供需双方：用户只为真正使用的服务付费，厂商的优化方向从压低成本转向提升可靠性与任务完成质量。这类似云计算从“卖服务器”到“卖uptime与SLA”的演进路径。当行业竞争从“谁的机器人能演示”转向“谁的机器人每天有更多小时被真实付费使用”，产品定义、销售模式乃至融资估值逻辑都会随之重构。

两种指标体系下产业形态的推演

结语

未来十年，AI基建与具身智能的产业形态，将不再由“建了多少”与“卖了多少”决定，而由两个更朴素的约束决定：物理上，电力决定增长的上限；商业上，真实付费决定谁留存下来。goodput与有效付费小时，一个度量机器的有效产出，一个度量服务的真实需求，两者共同指向同一个方向——产业正从规模叙事进入价值叙事。对从业者而言，尽早切换到这套评价体系，既是风险管理的需要，也是下一轮竞争的起点。