（来源：创业邦）

作者丨小龙

编辑丨关雎

过去几年，AI创业的主叙事一直集中在模型和应用：谁能训练出更强的基础模型，谁能做出更好的Agent，谁能在企业软件、搜索、编程等场景里获得用户。

但到了2026年，越来越多的大额交易开始出现在这些公司的“下一层”。

8月28日，Andreessen Horowitz（a16z）宣布成立规模11亿美元的Machine Age Fund，投资方向从芯片、内存、网络、存储，一直延伸到数据中心、机器人，以及支撑这些设备运行所需要的电力、冷却和其他基础设施。

a16z对这只基金的定位非常明确：加速AI的“physical buildout”。

几乎与此同时，AI产业链上还出现了一系列更具代表性的资本动作。

Anthropic近期连续签下数百亿美元规模的算力和基础设施协议：今年5月，它承诺未来五年向谷歌 Cloud及相关芯片基础设施投入2000亿美元；8月又被曝将用450亿美元向Nscale租赁未来六年的计算能力；此外，它还从AMD采购数十亿美元AI服务器，并推进自研芯片。

英伟达则在另一端向上游和生态延伸。就在本周，英伟达已经同意以129亿美元收购开源AI平台Hugging Face。Hugging Face此前估值约45亿美元，年化收入约1.5亿美元。

再往物理世界延伸，国防航天公司Ursa Major宣布通过SPAC上市，交易后股权估值约23亿美元，并获得3.5亿美元PIPE融资，用于扩大固体火箭发动机、高超音速发动机和导弹系统产能。

单独看，这些是完全不同的交易：一只VC基金、一批云计算合同、一笔芯片公司的收购、一家军工公司的上市。

但把它们放到同一张产业链地图里，会发现一个越来越明显的变化：

AI正在从“模型和软件的竞争”，进入“整个技术栈和基础设施的竞争”。

a16z为什么在这个时候推出

“Machine Age”？

a16z的这只基金最值得注意的地方，并不是11亿美元本身，而是它对AI投资对象的定义发生了变化。

a16z过去最著名的投资逻辑，是软件的规模化能力。

软件一旦完成开发，可以以极低的边际成本复制给更多用户，因此VC能够通过较小的早期资本投入，换取一个潜在的全球市场。

Marc Andreessen在2011年提出“Software is eating the world”，此后互联网、云计算、SaaS、移动互联网和消费科技，成为硅谷风险投资最重要的财富创造机器。

但生成式AI的规模化路径与传统SaaS并不完全一样。

模型的训练和推理都需要持续的计算资源。模型参数、上下文长度、用户数量以及Agent执行任务的次数增加，都会转化为算力需求。算力背后又对应GPU、CPU、HBM、网络设备、服务器、存储、数据中心和电力。

因此，AI应用的增长并不会只带来软件收入，同时也会带来一系列物理基础设施需求。

a16z此次基金覆盖的范围，正好对应了这条链条：芯片和内存是计算的核心部件，网络解决大规模计算之间的数据传输，数据中心承载算力，电力和冷却系统则决定这些设备能否持续运行。

这也是“Machine Age”这个名字与传统硬件基金最大的区别。它并不是简单地从软件转向机器人，而是在投资一个更大的命题：AI的计算能力正在成为一种工业基础设施。

而AI公司的资本开支已经开始大到足以改变数据中心、芯片和能源行业的投资逻辑。Anthropic正是最典型的案例。

Anthropic正在变成

“算力采购大户”

过去，人们理解AI公司的成本结构，通常还是按照软件公司的方式来理解：研发人员、模型训练、销售和市场。

现在，这个模型已经越来越不准确。

Anthropic最近一系列算力交易显示，领先基础模型公司的成本结构正在向大型基础设施企业靠拢。

今年5月，Anthropic承诺未来五年向谷歌云及相关芯片基础设施投入2000亿美元。这意味着平均每年约400亿美元的潜在支出。这一承诺相当于谷歌此前披露云业务订单积压的40%以上。

8月，Anthropic将向Nscale支付约450亿美元，在未来六年租用其位于美国西弗吉尼亚州的数据中心算力，对应460MW电力容量。Nscale计划在当地建设1.35GW数据中心园区，并配套2GW天然气发电能力。

这意味着，仅仅为了满足一家AI公司的计算需求，一个基础设施开发商就需要同时考虑：

芯片采购、服务器建设、数据中心建设、供电能力和发电能力。

而Anthropic并没有把算力全部押在一家供应商身上。

2025年11月，Anthropic与微软、英伟达达成合作，承诺向Azure购买300亿美元计算资源，并计划使用1GW 英伟达计算能力；英伟达和微软分别参与其融资。

与此同时，Anthropic长期也是亚马逊的重要AI客户，并使用亚马逊云科技Trainium、谷歌TPU和英伟达GPU等不同硬件体系。

这背后实际上出现了一个非常重要的商业变化：基础模型公司开始主动管理自己的算力供应链。

过去云计算的逻辑是企业购买计算资源。现在对于最头部的AI公司而言，情况正在反过来——它们的计算需求已经大到足以影响云厂商的数据中心建设、芯片采购和电力规划。

Anthropic甚至已经开始向芯片设计环节延伸。

8月27日，报道称，Anthropic近期曾探索以约70亿美元收购AI芯片创业公司MatX，虽然双方后来转向潜在合作，但Anthropic正在持续扩充内部芯片团队，并与多家芯片创业公司讨论训练和推理芯片设计。

因此，Anthropic这条线可以概括成：买云→买芯片→锁定数据中心→参与硬件设计。

这正是AI产业“向下游基础设施渗透”的一个非常具体的案例。

如果说Anthropic代表的是AI需求端向基础设施下沉，那么英伟达收购Hugging Face，则代表供应端向AI软件生态上游延伸。

据外媒报道，英伟达已经同意以约129亿美元收购Hugging Face。Hugging Face的年化收入约1.5亿美元，2023年融资时估值约45亿美元。

单纯用传统软件公司的收入倍数，很难解释这笔交易。

但Hugging Face的价值并不只是收入。它聚集了开放模型、数据集、开发工具和全球AI开发者，是目前最重要的开源AI生态之一。

对于英伟达来说，这意味着它正在从单纯的GPU供应商进一步向“AI计算平台”扩张。

过去英伟达最核心的护城河是GPU和CUDA。现在，它已经拥有从GPU、网络、服务器、软件栈到AI模型生态的完整布局。收购Hugging Face，实际上是把开发者和模型进一步纳入这个生态。

这与Anthropic的路径正好相反：Anthropic在向下游寻找更多计算资源；英伟达则在向上游寻找更多模型和开发者。

两者都在扩大自己在AI技术栈中的控制范围。

真正被AI重新定价的

可能是整个“卖铲子”产业

算力需求最终都会落到一个非常传统的行业：电力。这是一个过去很少出现在软件行业商业模型中的变量。

AI数据中心对电力提出的不只是“总量”要求，还有稳定性和功率密度要求。因此，AI基础设施的瓶颈已经从“有没有GPU”，逐渐扩展到：有没有地方放GPU，有没有足够的电，有没有电网接入，有没有变压器和冷却设备。

这也是为什么AI资本开始进入传统上并不属于科技VC核心视野的领域。

从产业链看，AI基础设施至少可以拆成五层：

最底层是芯片和半导体制造。包括GPU、CPU、ASIC、HBM、先进封装，以及制造这些芯片所需要的设备和材料。

第二层是计算基础设施。包括服务器、网络、存储、液冷以及数据中心。

第三层是能源基础设施。包括电网、变压器、天然气发电、核电、可再生能源和储能。

第四层是AI软件基础设施。包括模型平台、模型路由、数据、开发工具和部署平台。

第五层才是消费者和企业最终能够看到的AI应用。

过去资本最关注的是第五层和第四层，现在资金开始明显向第一、第二、第三层移动。

Reuters近期报道，美国数据中心建设正在向供应链传导。以Generac为例，这家过去主要生产家用备用发电机的公司，如今数据中心发电机订单积压已经达到16亿美元，并计划到2027年底投入2.5亿美元扩建相关工厂。

数据机构预计，美国数据中心电气设备市场到2030年将增长至660亿美元，是当前规模的约两倍。

AI并不一定需要投资人去投资一家叫“AI”的公司，一家生产变压器、发电机、液冷设备、网络设备或者高带宽内存的企业，同样可能成为这轮AI资本开支周期的受益者。

但这不意味着美国VC开始放弃AI软件。事实上，2026年全球VC资金仍然高度集中在AI。

KPMG数据显示，2026年第二季度全球VC投资达到2274亿美元，其中前十大交易就贡献了1050亿美元；上半年全球VC投资达到5604亿美元，已经是过去五年同期最高水平。Anthropic以650亿美元融资成为当季最大单笔交易。

因此，真正发生变化的不是Software→Hardware；而是AI软件的增长正在产生一条越来越庞大的基础设施资本链。

模型能力提升带来算力需求，算力需求进一步推动GPU、内存、服务器、网络和数据中心建设，而数据中心扩张又将需求传导至电力、冷却和相关设备。当AI进一步进入机器人、制造和国防，又会产生新的硬件需求。

AI开始进入“资本开支时代”

这并不是一个只属于硅谷的故事。

中国的大型科技公司同样开始把越来越多的资本投入AI基础设施，最直接的信号来自阿里和腾讯。

阿里巴巴是目前最典型的案例。2026年第二季度，阿里资本开支达到676.8亿元人民币，同比增长75%；上半年用于AI和云基础设施的投入已经超过1800亿元，相当于此前宣布的未来三年3800亿元投资计划的一半左右。

这轮投入也已经开始反映在业务端。同期，阿里AI和云计算相关收入达到484.4亿元，同比增长45%；其中AI模型相关业务的年化经常性收入超过160亿元。阿里同时预计，这轮AI投资将在约三年内实现盈亏平衡，并按照五年设备使用周期实现中双位数的投入资本回报率。

这意味着，对于阿里这样的科技公司，AI已经不再只是研发项目，而开始成为一项需要持续投入、计算回报周期的长期资本项目。

腾讯也在增加投入。2025年，腾讯资本开支达到约767亿元人民币，同比增长超过70%；2026年公司继续提高资本开支，重点投向AI模型和相关基础设施。今年第一季度，腾讯资本开支达到319亿元，同比增长63%，AI基础设施是其中的重要投入方向。

从这个角度看，中美两边的产业路径虽然不同，但正在出现相似的资金流向：

美国由Anthropic、微软、谷歌、亚马逊等AI和云计算公司，通过长期算力协议、芯片采购和数据中心建设，把需求传导至基础设施投资机构和供应链；中国则更多由阿里、腾讯等科技巨头，以及产业资本、地方基金和政策性资金共同推动。

区别在于，美国更依赖VC、PE、基础设施基金和资本市场之间的分工，中国则呈现出科技巨头、产业资本与政策性资金共同投入的特征。

但最终，资金都在向同一批资产聚集：芯片、HBM、服务器、网络设备、数据中心、电力和冷却系统，以及进一步向机器人、自动驾驶和先进制造延伸的硬件。

过去两年的AI竞争，核心资产是模型；接下来，竞争的一部分将转移到谁能获得足够的芯片、算力、电力和数据中心资源，以及谁能把这些基础设施进一步转化为机器人、自动驾驶、工业自动化和国防制造能力。

因此，Machine Age真正值得关注的，并不是a16z突然开始投资硬件，而是AI正在从一轮软件创新，逐渐进入资本开支驱动的基础设施建设阶段。

软件仍然是需求的起点，但承接这轮需求的，已经是一条比软件本身长得多的产业链。

下一轮AI创业和投资机会，也因此不只存在于模型和应用层，而会更多出现在支撑AI规模化运行的芯片、算力、能源、机器人和先进制造等环节。