( Bloomberg )-- 提供人工智能( AI )开发基础设施的公司的股票在经历今年早些时候的暴跌后现正大幅攀升,因为科技巨头的大手笔投资重振了投资者对这一波动领域的信心。
高盛集团追踪的两个投资篮子——一个追踪人工智能数据中心和电气设备股票,另一个追踪数据中心供电公司的股票——自四月低点以来分别上涨了 52% 和 39%。其中表现最为出色的个股包括 Vertiv Holdings Company,自 4 月 4 日以来涨幅达到 94%,以及同期上涨 75% 的 Constellation Energy Corporation。
推动这一走势的因素在于,全球最大的科技公司——包括 Amazon, Alphabet, Microsoft 和 Meta Platforms——依然持续在人工智能领域大手笔投入,消除了市场对资金是否会持续流向构成 AI 基础设施核心环节公司的疑虑。根据 Bloomberg Intelligence 的 Robert Schiffman 提供的数据,为支持 AI 需求而进行的资本支出自年初以来已增长了 16%。
Roundhill Financial Inc. 的首席执行官 Dave Mazza 表示:“财报季提醒投资者,生成式 AI 并非依赖流行语运转——它靠的是混凝土、铜材和千兆瓦。”
去年,由于人们对人工智能商业潜力的极大热情激发了数据中心的投资狂潮,以推动 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 等项目的发展,AI 基础设施公司的股票曾迎来一波惊人的上涨。
然而,2025 年开局的强劲表现随着来自中国初创企业 DeepSeek 的竞争压力以及全球贸易更广泛的不确定性逐步瓦解,使得投资者开始质疑数十亿美元的投入是否合理。对像 Microsoft 这样的科技巨头可能放弃数据中心项目的担忧,更加剧了抛售情绪。
当时任总统 Donald Trump 表示将暂停他在 4 月初推出的大部分关税时,投资者情绪整体回升,推动 S&P 500 指数接近二月份创下的历史高点。
最新的财报季进一步巩固了投资者信心,因为大型科技公司纷纷表明将继续在 AI 开发上加大投资。其中,Meta 表示,其今年早些时候预告的数千亿美元 AI 投资计划依然稳步推进。
Bloomberg Intelligence 的 Schiffman 写道:“最大的超大规模云服务商——Amazon.com, Alphabet, Microsoft 和 Meta——凭借巨额现金储备和低成本资金渠道,得以持续增加资本支出以支持未来的 AI 需求。”
与此同时,近期的一些企业交易也显示出投资水准保持稳定。例如,Amazon 计划在北卡罗来纳州投资 100 亿美元,以扩建其数据中心基础设施,从而支持 AI 和云计算技术的发展。
当然,如果贸易战再次升温并引发对全球经济增长放缓进而导致企业削减 AI 投资的担忧,投资者对 AI 的信心可能会再次受到冲击。
Franklin Templeton Investment Solutions 的副首席投资官 Max Gokhman 表示:“如果经济陷入衰退,利润率将受到压力,企业将被迫裁员并削减AI开支。”他补充道,这种情形并非他的基本预期。
此外,中国初创企业 DeepSeek 的激烈竞争也可能带来进一步影响——该公司在一月份以远低于成本的投入打造出与规模远大于自身的美国开发商系统媲美的产品,其表现曾令 AI 领域为之震惊。
这家中国初创企业上月表示,其升级后的 AI 模型在数学、编程以及一般逻辑方面的表现优于上一版本,同时减少了幻觉现象。
然而,目前对基础设施公司的热情仍然高涨,而白宫的支持更为这一势头提供了额外助力。今年早些时候,Trump 推出了 Stargate——一个涵盖部分美国最大科技公司的 OpenAI 数据中心,并计划在未来四年内在 AI 基础设施上投资 5000 亿美元。
Max Gokhman 表示:“对 AI 基础设施的需求只会不断增加。”
好文章,需要你的鼓励
巴克莱银行与 Microsoft 签订协议,将 Copilot 集成到内部生产力工具中,为全球 10 万员工打造一站式 AI 平台,提升工作效率。
这项由台湾大学与微软研究团队合作的研究探索了使用音频感知大语言模型(ALLMs)作为自动评判员来评估语音生成模型的说话风格。研究设计了"语音风格指令跟随"和"角色扮演"两个任务,测试了四种语音模型的表现,并比较了人类与AI评判的一致性。结果表明,特别是Gemini-2.5-pro模型,其评判结果与人类评判的一致性甚至超过了人类评判者之间的一致性,证明ALLMs可以作为可靠的自动评估工具。同时研究也发现,即使是最先进的语音模型在说话风格控制方面仍有显著改进空间。
思科调查全球逾8065名高级IT及业务领导发现,拥堵、网络攻击和配置错误引发的网络故障每年可能使企业损失达1600亿美元。为迎接AI、IoT和云环境的挑战,现代网络必须更智能、更安全、更灵活。
卡内基梅隆大学研究团队提出全新"Kinetics"缩放定律,揭示大语言模型测试阶段的资源分配策略需要重新思考。研究发现小型模型效率被严重高估,因为以往研究忽略了内存访问成本这一关键瓶颈。在测试阶段,注意力机制而非参数数量成为主要成本因素。基于此,团队提出以稀疏注意力为核心的新范式,显著提升问题解决准确率,在AIME测试中低成本场景下提升高达60个百分点,高成本场景下仍有5个百分点优势。