AI金属：AI基础设施建设浪潮下的金属原材料产业研究（上）

文 | 盘古智库 人工智能基础设施的大规模建设，正在对上游金属原材料产生结构性需求冲击。据英国《金融时报》汇总的行业估算，2026年亚马逊、谷歌、微软、Meta四大云厂商资本开支合计将超过7,250亿美元；麦肯锡则预计到2030年，全球AI相关数据中心投资将达到3.7万亿至5.2万亿美元区间（若计入非AI数据中心，总规模约6.7万亿美元）。本报告提出并系统论证"AI金属"这一分析框架：AI基础设施从电网、数据中心到服务器的每一个层级都是金属密集型资产，而这些金属的供给端却普遍面临矿山开发周期长达十余年、伴生属性导致供给刚性、冶炼产能地理高度集中三重约束。 盘古智库课题组围绕 AI 金属开展深度研究并形成本报告，报告三大核心判断如下：第一，AI金属的需求曲线已被AI改写——到2030年全球数据中心年用铜量有望超过50万吨，磷化铟等品种面临接近70%的供需缺口；第二，中国在镓、精炼锗、稀土冶炼、钨、精铟等环节占据全球主导地位，并已通过出口管制将这一优势转化为体系化的博弈工具；第三，美国及其盟友正以"战略股权投资+价格下限+长期包销"的国家资本主义方式重构供应链，但矿山与冶炼产能的建设周期决定了其短期内难以摆脱对中国的依赖。对中国而言，巩固优势的关键在于资源端找矿突破、循环端再生金属体系扩张，以及以AI技术反哺矿业全产业链的效率革命。 第一篇： AI点燃资源新周期：算力革命如何重构全球金属需求 第一章 AI产业演进与趋势展望 1.1 技术代际演进与发展脉络 人工智能的现代发展史，并非一段平滑推进的技术曲线，而是一系列由关键技术突破驱动的阶跃式跃迁。从1950年代图灵提出"机器能否思考"的哲学命题，到今天以万亿参数规模大模型为核心的生成式AI浪潮，这一历程大致可划分为四个代际阶段。 第一阶段（1950—2011年）：符号主义与早期机器学习的探索期。 这一漫长阶段以规则驱动的符号主义AI为主导，辅以浅层神经网络、决策树、支持向量机等机器学习方法。受限于算力水平与数据规模，该阶段AI系统仅能在高度结构化的特定场景中运作，缺乏面向真实世界的泛化能力，曾历经两次"AI寒冬"的周期性低谷。这一阶段对算力基础设施的需求相对有限，其对上游原材料产业的影响尚属微弱。 第二阶段（2012—2016年）：深度学习的奠基期。 2012年是深度学习发展史上的决定性节点。Hinton团队提出的卷积神经网络模型AlexNet在ImageNet图像识别竞赛中以显著优势夺冠，将错误率从26.2%压缩至15.3%，一举证明了深度神经网络在大规模感知任务上的革命性潜力。此后，GPU并行计算架构对深度学习训练的加速效应逐渐得到产业认知，英伟达CUDA平台成为AI算法工程师的标准工具集，奠定了此后十余年"GPU算力驱动AI产业"的基本格局。这一阶段语音识别、图像识别等感知类AI应用开始规模化落地，但算法仍高度任务专用，通用性不足。 第三阶段（2017—2022年）：Transformer架构与预训练范式的建立期。 2017年，Google Brain团队发表论文《Attention Is All You Need》，提出Transformer架构，以自注意力机制取代循环神经网络的序列处理方式，从根本上突破了长序列信息传递的效率瓶颈。这一架构创新催生了"预训练+微调"的新范式：在海量无标注数据上进行大规模预训练，形成具备广泛语言理解能力的基础模型，再针对具体任务进行少量标注数据的微调，大幅降低了AI应用的开发门槛。2018年，OpenAI发布首代GPT模型（1.17亿参数）；2020年，GPT-3（1750亿参数）的发布以近乎人类水平的文本生成能力震惊学界，标志着大语言模型（LLM）正式成为AI技术的主流范式。 第四阶段（2022年至今）：生成式AI的商业化爆发期。 2022年11月30日，OpenAI发布ChatGPT，上线仅五天用户数即突破100万，两个月后月活用户突破1亿，成为历史上增长最快的消费级应用。ChatGPT的爆发标志着AI从"工具"向"助手"的形态跃迁，并迅速引发全球科技巨头的军备竞赛式投入。2023年，GPT-4发布，首次实现文本与图像的多模态理解；同年，谷歌推出Bard（后更名Gemini），Meta开源LLaMA系列，百度发布文心一言，国内外大模型赛道进入群雄并起局面。2024—2025年，OpenAI推出o1、o3等推理增强模型，DeepSeek-R1以更低成本实现与顶尖模型可比的推理能力，模型能力持续迭代，同时训练与推理对算力的需求同步以指数级别攀升。 这四个代际的演进揭示出一条清晰的历史规律：每一次AI技术范式的重大跃迁，都直接带来对算力规模需求的数量级扩张，进而向上游传导至芯片制造、服务器硬件与基础设施建设领域，并最终落实为对金属原材料的具体工业需求。正是这一传导链条，构成了本报告"AI金属"命题的历史基础。 1.2 全球产业格局与竞争态势 生成式AI的商业化爆发，迅速将技术竞争从学术实验室拉入全球地缘政治博弈的核心场域。以2023年为分水岭，全球AI产业格局已从"美国单极领跑"演变为"中美双强、多极竞逐"的结构性格局。 资本投入：历史上最快速的技术基础设施建设潮。 全球主要科技企业的AI相关资本开支，正在以工业时代从未有过的速度堆叠。摩根大通分析师将2026年全球AI资本开支预测上调至逾7,250亿美元，而据摩根士丹利测算，市场共识对2025年、2026年、2027年AI赋能企业的资本支出预期分别为4,500亿美元、5,200亿美元和5,400亿美元。从头部企业的具体披露来看，规模之大、增速之快均属历史罕见：Meta预计2025年资本开支达700亿—720亿美元，2026年增速将"显著高于2025年"；亚马逊预计2025年资本开支约1,250亿美元；谷歌2025年资本开支预计达910亿—930亿美元。麦肯锡则将2030年AI相关数据中心总投资预测定于5.3万亿美元的量级。 竞争格局：中美双核驱动，盟友阵营加速跟进。 美国方面，英伟达在AI训练芯片领域维持超过80%的市场份额垄断地位，Blackwell/Rubin架构持续巩固其技术代际优势；OpenAI、谷歌DeepMind、Anthropic等在基础模型层形成层叠竞争生态。中国方面，百度、阿里、字节跳动、腾讯、华为等主要科技企业均已完成基础模型布局，DeepSeek等新兴力量以成本效率优势在国际上引发广泛关注；国内智算中心建设在"东数西算"战略框架下加速推进，中国在AI服务器采购、算力基础设施建设方面的资本投入同样进入高速增长通道。欧洲、日本、韩国、中东国家（尤以沙特、阿联酋为代表）亦纷纷以主权AI基金、国家算力战略等形式加入基础设施建设竞赛。 供应链体系：高度集中与战略性脆弱并存。 当前全球AI算力供应链形成了高度集中且脆弱的结构：AI训练芯片高度依赖台积电3nm/4nm先进制程代工，EUV光刻机全球仅ASML一家可供应，CoWoS等先进封装产能高度集中于台积电与少数封装厂商。这种集中性既是效率优化的产物，也构成了供应链安全的核心脆弱点，并直接影响到上游金属原材料的消耗集中程度与地理分布格局——本报告后续章节将对此展开系统分析。 1.3 未来技术路径