致读者的一封信

Dan Dees｜全球银行与市场业务联席主管

AI 时代正在推动一场现代历史上前所未有的产业变革：速度更快、覆盖面更广、资本密集程度更高，新的基础设施与新的产业正在同时诞生。

将决定 AI 经济面貌的大部分资本尚未投入，大部分基础设施尚未建成，将塑造竞争格局的大部分并购也尚未完成。预计到 2030 年，仅超大规模云服务商在 AI 领域的投资就将超过 6 万亿美元，数倍于互联网泡沫时期投入互联网基础设施的资本。

为如此规模的建设提供资金，需要动用整个资本体系：股权、公开市场及私募债务、主权资本，以及新的合资结构，其中一些结构甚至尚未被创造出来。据估算，2026—2031 年间，算力、电力和数据中心建设所需投资将超过 7 万亿美元。[1] 即使达到这一规模，美国 AI 投资也仅相当于当下年度 GDP 的约 1.2%。

[2] 如果目前的预测成为现实，这一比例还会进一步上升；但即便在最乐观的情景下，也仍将远低于 19 世纪铁路建设时期 3%—4.5% 的水平。

在 2025 年的《为 AI 时代提供动力》中，我们探讨了基础设施建设，以及为满足相关需求而出现的融资创新。本报告关注接下来会发生什么：实体经济正在展开的产业重组、为其提供资金而汇聚的各类资本，以及现有数字基础设施融资与大规模物理 AI 所需融资之间的差距。

这种模式有其历史先例。1886 年，乔治·威斯汀豪斯在上一轮重大能源转型的核心地带创办了自己的电气公司。如今，这家公司再次站在能源转型的前沿，而这场转型将决定未来的发展方向：加快大规模核电建设，帮助满足不断增长的能源需求，并支持美国的能源安全。

西门子于 1847 年围绕电报技术创立，如今已成为塑造工业 AI 未来的领军者。企业之所以能够历经此类变革而持续发展，是因为它们拥抱新技术，并据此重塑战略打法和资本结构。

与此同时，新兴企业正在同步构建自己的技术体系和资本架构：AI 实验室的营收增长至数十亿美元规模；物理 AI 和机器人公司正以软件初创企业的速度吸引资本；国防领域的挑战者正在重塑既有企业；太空企业以前所未有的规模进入公开市场；还有一些新公司，正在为工程设计和制造本身开发 AI。

150 多年来，高盛一直与每一次重大产业变革背后的企业携手同行。今天，我们继续为创新者对接资本、行业专业知识和战略指导，帮助他们应对正在发生的转型。而我们感觉，这一切才刚刚开始。

Dan Dees

全球银行与市场业务联席主管

目录

以往的革命并非始于工具出现之时，而是始于资本跟上、推动工具规模化之时。上一轮转型正在为当前的转型创造条件：AI 的算力需求，正牵引着下一轮能源建设。

我们在 2025 年发布的《为 AI 时代提供动力》报告中，估算未来十年的基础设施投资机会为 5 万亿美元，[3] 超过电气化与互联网建设两者之和。[4] 但第二层变革也正在与之交汇：AI 正在重塑工业运营和市场，进而重塑整个实体经济。

同时发生的转变

支撑 AI 经济所需的大部分建设仍在进行中，然而 AI 带来的颠覆速度已经超过这些基础设施的建设速度。

预计 2026 年全球超大规模云服务商的资本支出将超过 7,600 亿美元，约合每天 20 亿美元。全球数据中心供给能力从 2019 年的 30 吉瓦增至 2024 年的 57 吉瓦，预计到 2030 年还将有 65 吉瓦投产。

[5] 资本正在不同地区同步流动：美国超大规模云服务商的投资占据主要新闻版面，但中东主权财富基金、欧洲产业界对本土 AI 能力的投资，以及亚洲围绕区域供应链展开的资本部署，现已成为全球建设进程的结构性组成部分。

2026 年 6 月，谷歌同意每月向 SpaceX 支付约 9.2 亿美元，在截至 2029 年年中的期间内合计约 300 亿美元，以使用约 11 万颗英伟达 GPU。这表明，算力需求已经超过了即便是最大的 AI 算力拥有者按自身时间表能够建成的供给。

[6] 电网运营商正在优先处理一些接入申请，其所需电力在三年前的任何规划模型中都未曾出现；各大制造商的大多数配电设备也都积压着需要数年才能交付的订单。这种错配在不同领域出现的时间并不一致，市场周期最短的领域最先感受到冲击。

目前，软件行业释放出了第一个重要信号，而物理 AI 将成为这一变化的落脚点。今天，软件即服务（SaaS）占全球 GDP 的比例不到 0.5%。实体经济，也就是 AI 几乎尚未触及的全球经济中其余约 99.5% 的部分，从制造业、机器人到国防、建筑和能源，才决定了这一机会的真正规模。

[7] 2025 年，行业实验室发布了约 90 个值得关注的 AI 模型，是 2023 年数量的两倍多；进入 2026 年后，发布速度进一步加快。[8] 随着智能深度嵌入产品、工作流程和决策，最初发生于软件行业内部的颠覆，将扩散到经济的每一个领域。

工业经济已经开始大规模部署 AI。西门子在德国安贝格电子工厂采用 AI 驱动的预测性维护，将生产停机时间缩短了 40%。[9] Figure AI 的人形机器人在宝马位于南卡罗来纳州斯帕坦堡的车身车间生产线上，每天工作 10 小时，持续了 5 个多月；累计运行约 1,250 小时，参与生产了超过 3 万辆汽车。

[10] 这些都是工业范式正在围绕 AI 重建的明确信号。

图示：AI 的真正机会在于其余约 99.5% 的经济

资料来源见尾注 [11]、[12]、[13]。

AI 总资本支出的基准估算

2026—2031 年间，算力、数据中心和电力领域的资本投入约为 7.6 万亿美元。

来源：高盛全球研究院。[14]

资本问题至关重要

现有资本架构是为依次展开的建设而设计的，并非为了应对并行发生的需求。投资级公司债、银团银行贷款、项目融资等传统工具，仅凭自身无法同时支持数字基础设施建设和跨行业的 AI 部署；这已超出任何单一资本类别能够高效提供资金的范围。

新的工具正在出现。私募信贷融资现在已经能够支持单个容量超过 1 吉瓦的数据中心园区。Vantage 位于得克萨斯州、容量为 1.4 吉瓦的园区在 2025 年获得融资，以超过 250 亿美元的规模，成为有记录以来最大的数据中心建设融资项目。

[15] 主权财富基金和养老基金已从被动配置资金，转向在整个基础设施体系的各个层级直接共同投资。

通过资产支持证券（ABS）和商业抵押贷款支持证券（CMBS），将数据中心的稳定现金流证券化，已经形成成熟做法；投资级资本市场如今也在为仍处于开发阶段的数据中心融资，机构投资者承担 AI 时代建设项目施工风险的规模，在三年前还不存在。

没有人能够准确预测未来十年将如何展开。上述总量估算建立在四项供给侧假设之上，高盛全球研究院认为它们决定了建设规模：AI 芯片的经济使用寿命；下一代数据中心的成本与复杂程度；芯片和架构的组合；以及电力、劳动力和设备瓶颈所造成的建设周期延长。

模型会以无法完全预见的方式进步，基础设施建设可能比当前预测更快，也可能更慢；影响资本流动的地缘政治力量，将带来任何框架都无法充分涵盖的意外。今天的规模估算假定，现有模型架构将决定未来的算力需求。这是一个合理的基准情景；但如果世界模型与语言模型并行扩张，而非取代后者，那么目前估算的总量可能偏低。

一、软件：首个受到冲击的领域，以及企业面临的震荡

高盛全球投资研究部估计，未来十年，随着智能体能力使软件能够承担过去只能由人完成的工作，AI 将使自动化与企业软件的潜在市场总规模扩大至目前的约 2.5 倍。[16] 今天正在发生的重新定价，发生在一个结构性扩张、而非收缩的市场类别之中。对既有企业而言，问题不在于能否生存，而在于如何定位。

在 AI 自动生成代码和智能体工作流的推动下，AI 正在迅速颠覆软件行业本身。云转型期间，行业领导者提供了清晰的迁移范本；与之不同，AI 转型目前尚无成熟的行动指南。已经在规模化经营中展现出完全 AI 原生商业模式的上市软件公司寥寥无几。市场尚无法充分判断，哪些既有企业会率先完成自我重建，而重新定价的幅度已经相当显著。

截至 2026 年 6 月，iShares 扩展科技软件行业 ETF 年内下跌约 17%，较 2025 年 10 月的高点下跌约 26%；同期，该领域十大持仓公司的市值合计蒸发近 8,000 亿美元。预期市盈率从 2025 年末的约 35 倍压缩至约 22 倍，为 2014 年以来最低水平。

[17] 无论底层基本面如何，这种不确定性都已经促使资本从企业软件流向其下层的基础设施。

不过，那些把这一时刻视为自我重建契机、而非威胁的企业，正在拉开领先优势。它们推出原生融入自身工作流的 AI 能力，主动颠覆自身产品的经济模式，并围绕正在形成的价值层次布局，而不是捍卫原有格局。

定价权正在转移

在 SaaS 时代，应用层享有溢价。系统负责组织数据、标准化工作流程，并通过按席位收费将访问权限变现。定价权掌握在拥有客户关系的应用层手中。这种旧有架构已不再适用。

今天，溢价正在转向围绕三个控制环节组织起来、以结果为导向的架构。结果层以完成的工作来衡量软件，而非功能覆盖面或席位数量。编排与智能体层充当企业行动的操作系统，决定工作如何流转，以及在哪些环节保障可靠性。

支撑这两层的数据与上下文层，则决定 AI 是沦为通用工具，还是变得不可或缺：随着模型日益同质化，专有的工作流历史和组织知识成为差异化的来源。训练与推理正在分化为两种不同的经济活动。训练是前期资本投入，推理则是运营成本，持续发生于每一次用户交互之中，也是 AI 的经济账最终见分晓的地方。

中美成本差距在这一环节也最为明显：中国模型的推理服务价格只是美国前沿模型价格的一小部分，而且差距一直在扩大。获得国家支持的提供商可以将价格定在接近成本的水平，而私人资本必须通过定价收回投入。

中国带来的成本差距

模型层本身已经不再是单一地区的故事。除了支撑多数企业部署的美国实验室，中国开发者也在推动技术前沿。阿里巴巴、字节跳动、腾讯、百度和小米等成熟平台，与 DeepSeek、月之暗面（Moonshot）、MiniMax 和智谱等专注模型研发的实验室共同崛起。

多个开放权重模型目前在全球开放模型中排名领先或接近领先，单位词元的服务成本却仅为对手的一小部分。由于 AI 的经济账最终在推理环节体现，这一成本结构会直接影响建设所需算力需求以及资本的定价。[18]

根据 OpenRouter 的追踪，中国模型在其平台词元消耗量中的占比，已从 2024 年末的低个位数，上升至 2026 年初的约一半。[19] 但词元使用量并不一定等于收入。随着模型层趋于同质化，价值正在向数据层和结果层上移，经济收益也集中于这些层级。

网络安全：连接各环节的纽带

每一次计算基础设施的转变，都扩大了安全需求：从相互隔离的系统到互联网，从本地部署到 SaaS，再到如今的 AI。每一次转型都拓宽了“攻击面”，放大了安全失守的后果，并催生出专为新架构而生的安全领域领导者。AI 转型带来的扩展幅度是迄今最大的。

企业必须将专有数据和运营上下文从自己的环境转移到外部模型之中，这与过去几十年将数据留在企业内部系统中的努力背道而驰。这种变化使安全成为部署 AI 的前提，而非其中的一项成本；市场也正在据此定价。十年前塑造云安全的模式，如今正以更快的速度在 AI 安全领域重演。将在 2030 年代主导 AI 安全的公司，现在正在创立。

对于围绕 AI 经济布局的机构而言，网络安全已不仅是一个垂直行业，而是连接部署各环节的纽带。

二、工业 AI 软件层

工业 AI 软件领域正在发生一场并行的重组。在这一运营层，既有企业将 AI 嵌入用于设计、仿真和运行实体业务的工具。它不如软件板块抛售那么引人注目，但规模更大，因为这一叠加层并不局限于特定行业。

关键在于，这一层能够建立持续的反馈闭环：生产对象本身，例如正在制造的汽车，将材料属性实时反馈给机器。由此，质量控制、设计和工艺调整能够同步进行，以降低成本、优化产出。

一些影响最为深远的平台是 AI 原生的，而非通过收购形成。Palantir 的 Foundry 已被部署到空客的制造业务、英国石油公司（BP）的能源业务，以及美国陆军 TITAN 项目的国防业务之中。这一类别如今已经独立成型，不再只是既有企业的收购目标。

自 2020 年以来，主要工业企业在收购这一领域的软件公司上已花费超过 1,100 亿美元，而且速度还在加快。[20]

图表：科技与工业领域的并购（5 亿美元以上）继续保持强劲的同比增长势头

来源：Dealogic，截至 2026 年 6 月 3 日。

数字孪生：底层基础

支撑这一叠加层的是数字孪生，即以现实中的实物为参照，高度逼真地构建实体资产、设施或流程的虚拟映射。1970 年，美国国家航空航天局（NASA）的工程师利用阿波罗 13 号的地面模拟器，定位了导致氧气罐破裂的电气故障。

今天，工业运营者为整座工厂运行持续更新的数字孪生，在实施任何变更之前，先模拟其对成本、产能和投资回报率的影响。

一级方程式赛车提供了一个清晰的概念验证。车队运行赛车的数字孪生，在比赛日前于无风险环境中模拟数千圈行驶，力求缩小仿真与现实之间的“相关性差距”。

西门子在 2025 年以 51 亿美元收购 Dotmatics，进一步凸显了这一产业逻辑。[21] 西门子此前已经拥有大量用于制造医药产品的设备；借助 Dotmatics，它向上游的产品设计环节拓展，利用 AI 模拟药物化学过程、缩短药物发现时间，并将试验过程本身虚拟化。

这一收购将数字孪生架构从工厂车间延伸到实验室工作台，也使其从单一行业应用，拓展为生命科学领域首个贯穿研发至制造的端到端平台。

近期的战略交易体现了这一更广泛的趋势。新思科技（Synopsys, Inc.）以 350 亿美元收购 Ansys，交易于 2025 年 7 月完成，是过去十年工业工程领域规模最大的纯软件交易。它将仿真、芯片设计和基于物理规律的建模整合到一个平台，服务于半导体、航空航天和汽车行业。

[22] 艾默生以约 170 亿美元收购 AspenTech，并于 2025 年 3 月通过买下剩余 43% 的股份完成交易，将流程仿真、资产绩效管理和工业 AI 软件纳入其自动化产品组合。[23]

这些平台正在成为控制层，实体运营则围绕它们重新组织。其对并购的影响是：工业 AI 软件已经成为与企业数据基础设施同等重要的收购标的类别，行业估值倍数也在据此定价。纵向一体化是这些交易共同遵循的逻辑：每一家收购方都向上游或相邻层级拓展，以掌握自身领域内的完整工具链，而非通过横向收购扩大规模。这正在成为一个独立的并购类别。

适用于数字基础设施的融资工具，也可以延伸至工业 AI 软件。下一层部署，包括人形机器人、工业机器人和自主设备集群，则属于硬件。这一层的融资架构尚未形成，但很可能会成为下一步的发展方向。

物理 AI 技术栈：大脑层

与使用文本训练的生成式模型不同，物理 AI 需要多模态训练数据，包括视频、力反馈和本体感知数据。过去，这些数据稀缺且采集成本高昂。如今，这种稀缺局面正在被打破。

物理 AI 技术栈与软件技术栈一样分层，但由不同的组件构成：以视觉—语言模型和视觉—语言—动作模型为基础的 AI 大脑；生成合成训练数据的仿真与数字孪生环境，其数据规模是现实测试无法比拟的；以及专门设计的硬件，包括轻量化执行器、自适应夹爪、高能量密度电池和专用边缘计算设备，使机器具备与人类协同工作的物理能力。

英伟达在 2025 年 GPU 技术大会上推出的开源 Isaac GROOT N1，就是大脑层的一个例子。

围绕这些层级，一个生态系统正在形成：既包括芯片制造商、云服务商、软件企业、传感器及零部件企业，也包括专业顾问和集成商。能够统筹多个层级的公司，正在争取制定标准、获取超额价值的有利位置。Mobileye 在 2026 年初以 9 亿美元收购 Mentee Robotics，就是全栈发展逻辑所预示的跨层整合案例。[24]

世界模型：正在形成的新基础

这一三层技术栈在前沿研究中如今有了一个名字：世界模型。世界模型表征物理系统和社会系统中的因果关系，而控制机器人、管理供应链或协调企业工作流程等高价值决策，都需要这种能力。物理世界模型模拟重力、摩擦、热力学和材料行为，为机器人、自主系统和物流应用打开空间。

它们今天已经进入规模化商业应用，需要专门构建的仿真环境、合成数据流水线和物理引擎。

社会或虚拟世界模型模拟组织和人类行为，使企业能够在真正采取行动之前，预演竞争举措、对治理结构进行压力测试，并模拟政策冲击。社会世界模型更接近机构资产配置者已经开展的情景规划工作，但其基础设施仍处于更早期、也更不成熟的阶段。这两类模型都依赖同一套算力基础。

市场对 AI 基础设施，包括算力、能源和芯片的主流预测，追踪的是基于 Transformer 的语言模型。世界模型是对语言模型的补充，而非替代。如果其发展轨迹延续下去，总算力需求可能超过目前的预测；除语言模型之外，基础设施扩张的投资逻辑将获得第二台引擎，而现有规模测算尚未将其纳入。

决定工业 AI 赢家的五项因素

工业 AI 不会以语言 AI 同样的方式走向同质化。五项因素将决定哪些公司能够在这一领域建立优势。将五项能力全部整合起来的公司，能够建立持久的竞争地位；只具备其中一两项的公司，最终会陷入同质化。

基于物理规律的架构

与基于语言的 AI 不同，工业 AI 的扩展不能超越物理定律。从设计之初，工业 AI 系统就必须考虑材料属性、热力学和机械公差。

专有数据

用于物理系统的最佳训练数据，存在于制造商、公用事业企业和仿真数据库内部，而不是公共互联网之上。

边缘部署能力

大多数工业 AI 必须在机器内部、电网节点和嵌入式控制器上运行，而不能只在云端数据中心运行。

可认证性

在航空、能源基础设施和汽车领域，一次 AI 幻觉就可能造成灾难性后果。取得认证是部署的准入门槛。

工作流整合

赢家会将 AI 作为能力层嵌入现有系统，而不是要求把延续数十年的运营实践全部推倒重来。

三、机器人与物理世界中的部署

物理 AI 是指在物理世界中运行的智能系统，包括自动驾驶车辆和自主工业设备、工业机器人、无人机和人形机器人。人形机器人占据了讨论的中心，但非人形系统已经在大得多的规模上运行，而且这一类别中一些最大的投资押注，根本不是机器人。

杰夫·贝索斯与 Vik Bajaj 联合创办的 Prometheus 正在构建“人工通用工程师”：一种用于设计和开发复杂物理系统的软件，其对象从喷气发动机到药物化合物不等。该公司于 2026 年 6 月融资 120 亿美元，估值约为 410 亿美元，是这一类别迄今规模最大的早期投资之一。

[25] 除风险投资外，机构投资者也发挥了重要作用，表明机构资本正赶在商业部署的经济性得到验证之前进入市场。AI 压缩了发明和工程设计周期本身，使工业变革与生产率提升远远超越目前 AI 应用的范围，重塑流程、工业设计和自动化。

人形机器人：竞争激烈、仍存争议的领域

支持人形机器人发展的核心理由，是劳动力需求。美国拥有 1,300 万名制造业工人，但岗位空缺数量仍多于可用劳动力，物料搬运领域有超过 100 万个职位无人填补。高盛全球投资研究部预计，人形机器人市场将从 2025 年的 2 万台增长至 2035 年的 140 万台。

[26] 迪尔的田间作业系统、卡特彼勒的采矿平台等自主工业设备，将同样的劳动力替代逻辑延伸到农业和重工业，这些领域的单位经济模型更加成熟。迪尔将自主作业置于产品阵容的核心，通过 X9 联合收割机等设备应对日益严重的劳动力短缺；卡特彼勒则采取类似做法，其自主采矿车队已安全运输超过 110 亿吨物料。[27]

人形机器人的商业模式，在决定其可行性的三个变量上，进展并不均衡。

资本是领先指标。对 Figure、Apptronik、1X 和 Agility 等公司的风险投资，远在收入形成之前就已流入这一领域。这与该领域所处阶段相符，但投资所承担的时间跨度，比传统成长型股权投资模式更长。硬件正在快速进步，多个平台已在受控的商业环境中展现出可信的任务执行能力。

工作流整合则落后于前两者：将人形机器人嵌入既有运营、培训员工，以及达到机构资本所要求的单位经济水平，都构成实实在在的挑战。人形机器人需要有耐心、资本投入密集、适应漫长建设和部署周期的融资，其特征更接近深科技基础设施，而非速度更快、资本需求更轻的风险投资增长模式。

对机构投资者而言，这些公司想要构建的业务，与目前实际能够评估风险并提供融资的业务之间，存在显著差距。对于客户寥寥、财务表现尚未得到验证的 AI 原生公司，要筹集算力、硬件和制造所需的资本十分困难。

后期私募股权资本正在承担风险投资阶段的技术风险；目前既没有面向硬件密集型部署、可规模化运用的信用增级机制，也没有一种适用于物理 AI 领域的结构，能够像数字基础设施融资那样实现规模化。

今天已经投入工作的非人形机器人

当前，工业机器人的收入并非主要来自人形机器人。数百万台工业机器人、仓储机器人以及自动驾驶车辆已经投入使用。新一代履约中心从设计之初，就采用高达原先 10 倍的机器人密度。[28] Symbotic 为沃尔玛运营无人仓库，是仓储自动化资本流入的重要上市受益企业。

2026 年 6 月，亚马逊发布最新的 Proteus 仓储自主移动机器人，能够响应自然语言。专用硬件、AI 驱动的物流编排，以及与现有零售运营的整合，吸引了理解其单位经济模型、并正在实际投入资本的投资者。

一批中国工业 AI 开发企业，包括宇树科技、优必选、银河通用、智元机器人、千寻智能、小鹏和逐际动力，正以更低成本推进人形机器人与具身 AI 平台。高盛一份研究 14 家中国机器人公司的报告发现，单一用途系统正向一体化 AI 技术栈演进，将视觉—语言—动作模型与世界模型相结合。

[29] 用于建设“数据工厂”、解决训练数据瓶颈的资本也在扩大：银河通用于 2026 年初融资 25 亿元人民币，约合 3.5 亿美元；[30] 宇树科技于 2026 年 6 月通过科创板 IPO 审核。尽管规模化和对全栈的掌控正在降低成本，但广泛的商业部署预计仍要到 2027—2029 年才会出现。

资金首先聚集于单位经济模型最接近现有风险评估框架的应用：物流自动化、预测性维护和仓储机器人。对于仍带有风险投资阶段风险的应用，融资机制的形成并不均衡，有的甚至尚未形成。这一差距不容忽视，弥合它已经成为本十年最重大的融资问题之一。

四、国防：战略层面的延伸

物理 AI 部署、政府主权资本合作，以及围绕战略竞争重新布局的供应链，都集中体现于国防领域。对于 AI 经济的产业逻辑，这是最严峻的检验场景。采购周期可能长达十年甚至更久，资本形成由少数大型“主承包商”主导，技术采用相对缓慢。AI 正在同时改变这三点，而如今挑战既有企业的公司，已经显现出这种转变。

国防领域的 AI 并不取代交战本身。它在决定扣动扳机之前的每一个阶段，以及围绕作战的监视、通信和后勤系统中，都发挥着效能倍增器的作用。自主飞行和无人航空系统属于率先发展的类别，因为人在回路中的控制问题相对可控。操作人员掌控任务，AI 负责飞行、导航和目标识别。

2026 年，全球军用无人机市场规模达到约 200 亿美元，预计未来十年将增长至约两倍。[31]

向着无垠太空……

如今重塑国防领域的运营逻辑，正在延伸到轨道空间。两者遵循同一个要求：AI 并非锦上添花，而是在当今环境下运行的前提。两者也面临同样的约束：信号受到对抗干扰的环境、GPS 不可用或性能下降、对时延敏感的自主运行，以及必须在边缘端正常工作的计算能力。

使无人机集群协调一致的架构，也正是让卫星在实际任务中发挥作用的架构；流入两者的资本已经开始汇合。

SpaceX 就是一个清晰的例子。它在 6 月首次登陆公开市场时，创下了估值纪录。2026 年 2 月收购 xAI 后，它在同一个组织结构内，同时运营国防、连接服务和 AI 算力业务。该公司如今正在这一网络之上构建轨道算力层：通过太阳同步轨道卫星，规模化运行 AI 推理，目标是从 2028 年起部署。

围绕最终客户为国防机构的太空科技运营商，一批资本市场项目正在形成；国防企业上市与太空企业上市之间的区别，也正日益缩小。

更为深远的变化，在于谁来为国防技术提供资金。五年前，许多风险投资公司还主动回避国防领域。与政府合作被视为退出障碍、声誉成本，或者两者兼有。这一立场已经开始发生实质性转变。

老牌科技企业如今愿意在国防领域展开合作。2025 年 7 月，美国国防部向 Google Public Sector 和 OpenAI 授予了最高价值达 2 亿美元的军事 AI 合同，同时也向 Anthropic 和 xAI 授予合同。

[32] 资本市场的项目储备也在增长：2025—2026 年，Firefly、AEVEX、Hawkeye、York Space Systems 和 SpaceX 等以国防业务为重点的企业进行了 IPO。

相比之下，国防领域的并购仍受到结构性约束：行业内部估值不匹配，而挑战者也不愿被自己原本意在颠覆的采购文化所吸收。目前，资本主要通过直接投资和公开市场发行形成，而非通过战略性整合。一种新的融资模式也正在出现：获得美国政府结构性支持的跨境投资。

新一代挑战者

美洲

Anduril 于 2017 年创立，种子资金来自 Founders Fund。该公司在八年内经历六轮风险融资，并于 2026 年 5 月完成 50 亿美元的 H 轮融资，估值达到 610 亿美元。其产品线覆盖空中、地面、海上及反无人机系统，并通过公司的软件主干统一连接。

[33] 它与 OpenAI 的合作，将前沿 AI 引入国家安全系统。对机构投资者而言，这一发展过程表明，在不到十年的时间里，国防科技企业的终值已从纯粹推测，转变为可以评估并据以投资的价值。

欧洲、中东和非洲

欧洲的类似企业 Helsing 创立于 2021 年，在 2025 年 6 月完成 6 亿欧元的 D 轮融资，估值达到 120 亿欧元，并在德国和英国军队部署 AI 驱动的软件和 AI 原生攻击无人机。[34] 欧洲的大部分优势体现在军民两用工程技术，而非纯国防业务。

工业 AI 公司 PhysicsX 于 2026 年 6 月完成 3 亿美元的 C 轮融资，估值约为 24 亿美元。[35] 其 AI 原生物理仿真将航空航天与国防、半导体、汽车及能源领域的工程工作从数天压缩到数秒，服务于国防领域，但不以国防业务定义自身。

亚太地区

中国呈现了第三种结构上不同的模式。中国本土国防科技在军民融合框架内运行，以不同于欧美体系的方式，将国家研发、主权资本和工业制造相结合。其采购体系不必面对 Anduril 和 Helsing 在初创时期所经历的风险投资与政府之间的文化摩擦，这可能形成显著的竞争优势。

五、能源仍是关键制约

支撑国防、工业 AI 和数据中心建设的资本结构，最终都会触及同一个准入性约束：电力。

AI 训练与推理并非新增负荷的唯一来源。随着自主系统普及，包括电动与自动驾驶车辆、工业机器人，以及遍布传感器的无人工厂，每一个系统都会持续产生数据，而这些数据必须被接收、建模，并据此采取行动。这些处理需求进一步叠加在已推动基础设施建设的训练和推理负荷之上，却大多未被按照当下语言模型使用情况校准的预测所涵盖。

AI 在物理世界中的部署，不仅消耗 AI 能力，也正成为下一阶段算力及电力需求快速增长的来源。

今天的电网是为另一种需求结构建设的。公用事业企业围绕可预测的居民和商业负荷配置容量，平均利用率约为 60%；AI 训练需求却难以预测，而且集中于偏远地区。成熟的 AI 基础设施会将利用率推向 90%，到这一水平时，大多数公用事业运营假设将不再成立。

地理上的错配进一步加剧了问题：如今，得克萨斯州阿比林的电力需求已相当于旧金山。在最重要的数据中心市场，电网接入排队时间长达 8—12 年，相当于两到三代 GPU 硬件的更迭周期。[36]

图表：美国数据中心电力需求容量

纵轴：吉瓦（GW），刻度为 0、20、40、60、80、100。横轴：2009、2011、2012、2014、2015、2017、2018、2020、2021、2023、2024、2026 年预测值、2027 年预测值。来源：Alterio、高盛全球投资研究部。

表后供电，即用户侧自备供电，已成为少数正在兴起的应对方案之一。一年前，完全离网运行的数据中心还很少见，也未被视为超大规模 AI 基础设施的主流解决方案。过去 12—18 个月，在电网接入延误和 AI 算力经济性的推动下，它们已从边缘案例转变为可信的开发路径。

目前的估计表明，未来容量的三分之一可能采取离网方式，或永久离网，或作为最终接入电网之前的过渡。微软、Meta 和甲骨文正在部署完全离网的燃气发电设施。

公开市场如今已开始为这一变化背后的设备层定价：2026 年 6 月，高盛担任 INNIO 纳斯达克 IPO 的联席牵头簿记管理人。这家燃气发动机制造商的颜巴赫（Jenbacher）系统，为离网数据中心供电；此次扩大规模后的发行募集了约 24 亿美元。

[37] 原本为并网发电设计的项目融资结构，正在大规模改造，用于专门满足数据中心负荷的表后发电。这是资本为电力基础设施评估风险并提供资金的方式自然演进的结果。

核能也重新回到议程之上：微软于 2024 年 9 月达成的三里岛核电站重启协议，以及亚马逊于 2024 年 10 月对小型模块化反应堆的投资，反映了超大规模云服务商正从电力客户转变为电源开发的积极参与者，也表明它们愿意投入资本和需求，来解决电力约束。

铀转化瓶颈是另一个值得关注的问题：西方仅有三座铀转化设施在运营，其余全球产能则集中在俄罗斯和中国。发电只是建设的一部分。要支撑如此规模的 AI，也需要向周边系统投入大量资本，包括用于输送和平衡新增负荷的电力公用事业现代化，以及用于冷却的水务基础设施。每一项本身都属于资本密集型建设。

水是这场建设中较不显眼的一面：自 2022 年以来，美国已建或规划中的数据中心，约有三分之二位于水资源紧张地区；到 2030 年，数据中心用水需求预计将增至约两倍。这使冷却用水供应成为影响选址和融资的变量，而不只是运营成本。

[38] 这些约束决定了 AI 经济的电力层能否按算力层所要求的速度建成，也决定了连接公用事业企业、超大规模云服务商与私人资本的新结构，能否成为其他物理 AI 领域资本形成的范本。

电力是关键瓶颈，但所需劳动力也越来越成为一个独立的结构性约束。负责建设、布线、冷却和保障这套基础设施安全的技术人员需求极为迫切，而培训速度无法赶上资本承诺的速度。高盛全球投资研究部估计，到 2030 年，美国电力与电网价值链需要新增超过 50 万名工人，而胜任这些岗位需要三至四年的培训。

理解这一短缺的关键，是人员补充的速度：2024 年，能源行业学徒培养体系的新入人数为 4.5 万；从现在起，每年必须持续吸纳 6.5 万人，才能弥合缺口，[39] 而这还没有计入退休人数超过新入行人数的影响。

它对资本的含义非常直接：如果融资结构把熟练劳动力视为随时可得的资源，而不是持续多年的约束，就会遭遇仅靠资本无法解决的延误。

这些约束的影响也超出了电网。随着算力和数据处理需求持续叠加增长，需求不仅在于电力，也在于以最低时延大规模传输数据。这种压力已开始加速 AI 生态系统的变化，从物理传输层一直延伸到计算发生的位置。将 AI 推理送入轨道以服务国防和连接需求的同一逻辑，也适用于能源：数据处理正迁向更接近可持续、充足电力的地方，其中包括太空。

今天看似属于国防和太空领域的故事，其底层实质是同一组算力与能源约束在不同领域的体现。这也说明，未来建设的架构可能与今天局限于地面的数据中心相去甚远。

电力与能源行业长期以来一直通过创新、投资和新商业模式，回应强烈的经济信号。

今天的电力约束确实存在，但这个行业的适应能力同样真实。我们正在发电技术、储能、融资结构、监管框架、电力市场设计和客户合同模式等方面看到创新涌现。正如页岩革命通过技术与商业创新释放了巨量新增能源供给，AI、数据中心和电气化带来的不断增长的电力需求，也正在催生新一轮解决方案。

瓶颈固然重大，但历史表明，它们更可能推动创新，而非无限期地限制增长。

六、实体经济的融资分野

在上述各个领域，一个分野反复出现：一些建设层级的融资架构已经成熟，另一些却几乎尚未成型。物理 AI 部署就是一个明显的问题。人形机器人、工业机器人和自主工业系统，承担着风险投资阶段的应用落地风险，其所需资金规模，目前只有长期资本池才能大规模支持。

对资产配置者的布局而言，其含义仍然十分具体。数字基础设施如今可以通过熟悉的工具投资，包括投资级债券、私募信贷、基础设施债务基金和房地产信托。工业 AI 软件可以通过公开市场投资以及选择性并购参与。物理 AI 则主要依赖风险投资和成长型股权资本，并伴随集中度风险和错配风险。

机构必须在这些风险与提前投资一个具有结构性重要性的类别所带来的潜在收益之间权衡。

这一缺口的另一侧，是实体经济本身，是 AI 将显著改变的制造、能源、机器人、国防和物流。总体而言，技术到来的速度，快于为其提供资金的资本体系形成的速度。哪些行业蓬勃发展、哪些行业停滞，较少取决于技术前沿本身，更多取决于谁能弥合融资缺口。这既是一项工程挑战，也是一项资本架构挑战。

自 1869 年以来，高盛一直为每一次重大资本转型背后的企业提供顾问服务。

依托在资本市场创新方面积累的传统，我们与准备把握这一机会的机构投资者一道，处于技术变革和产业变革的交汇点。这场转型的每一层，包括软件重组、工业 AI、机器人、国防和能源，都依赖不同的资本池，也需要不同的结构设计专长。

复杂性溢价

以往的技术转型奖励的是单一领域内深厚的专业能力。铁路时代的关键在于基础设施债券结构设计，互联网时代的关键则在于成长型股权投资和科技并购。在每个时代，融资挑战都足够集中一致，可以由专业化能力来解决。

AI 经济则有本质不同：通过投资级市场为数据中心建设融资，将并网电力结构改造以满足新增发电需求，以及软件行业并购、主权合作结构设计和关键原材料供应链投资，全部同步展开。每一项都依赖不同的资本池、结构设计专业能力和监管框架。以往时代的融资挑战较为集中、内在一致；AI 经济则面临许多同时发生的融资挑战。

跨行业视野至关重要。我们正在为超大规模云服务商的数据中心融资、公用事业企业的电网升级融资、工业企业的物理 AI 部署、主权财富基金的 AI 基础设施共同投资，以及软件企业为塑造企业技术栈而开展的并购提供顾问服务。2026 年 6 月，高盛担任 Alphabet 900 亿美元股权融资的首席牵头簿记管理人及配售代理。

这是有记录以来最大的股权发行，说明即便最成熟的科技领军企业，也在转向公开市场，以加快实现其 AI 雄心。[40]

图表：不同技术时代的主要融资工具类别

指数集中度正在重塑资本体系

这些资本结构变化的核心，是指数集中度。2025 年，超大规模云服务商和 AI 基础设施企业与 AI 相关的债务发行规模达到约 1,210 亿美元，占美国 1.83 万亿美元投资级债券发行市场的约 6.6%；后者本身已接近疫情时期 1.9 万亿美元的高点。

随着超大规模云服务商的无担保债务发行与项目融资债券叠加，预计这一占比将在 2026 年升至最高 20%。这是投资级债券指数权重的结构性调整，其影响将远远超出推动这一变化的发行人本身。[41]

机构固定收益投资组合中的资产配置者持仓限额、行业上限和单一发行人集中度门槛，并不是为数字基础设施占比接近指数五分之一的局面而设定的。

约束同时作用于两端：超大规模云服务商受到发行人集中度限制，单一发行主体的美元投资级债务能被市场吸纳的规模因此受限；资产配置者则面临指数层面的集中度门槛，限制任何单一投资组合可持有的风险敞口。两股力量将市场推向同一方向：分散至欧元、英镑和瑞士法郎发行，并将新增融资需求转移至私募市场。

这一转移正在重塑公开市场与私募市场的组合。今年以来，超大规模云服务商的全球基准债务发行规模已达到 1,070 亿美元，超过 2025 年全年规模，也远高于 2024 年不足 200 亿美元的总额。[42] 对这些发行人而言，传统杠杆指标已不再是主要约束，美元债券指数集中度才是。

随着新增需求移出投资级指数范围，私募基础设施基金和房地产基金开始受到关注：去年，基础设施基金募资达到创纪录的 2,210 亿美元，其增长可能进一步加快，到 2030 年资产规模可能达到 3 万亿美元。[43]

这种流动是双向的。资产层面的项目债务，即偿债安排与设施合同现金流相匹配、分期摊还本金的债券，过去主要属于私募信贷范畴。如今，随着建设规模超出私募机构资产负债表的承载能力，这类债务正在转入公开投资级市场。

Meta 于 2025 年末完成、用于 Hyperion 数据中心的 270 亿美元 Beignet 融资，是首个达到这一规模的此类结构；2026 年又出现了数笔类似交易。[44] 其结果是公开市场与私募市场方法的真正融合：以公开市场规模执行项目融资的风险管理原则。

随着更多发行人以这种方式为建设融资，这一模式的规模可能扩大至数千亿美元。

私募信贷市场的管理资产规模，已从十年前的约 5,000 亿美元增长至如今的超过 2.1 万亿美元。[45] 随着 AI 基础设施融资规模扩大，这一市场有望进一步增长。投资级私募信贷市场能够以数据中心资产和 GPU 集群作为抵押品，采用的是企业资产负债表贷款所不具备的方式。

专注私募信贷的保险资金和基础设施债务基金，可以像能源与公用事业领域评估购电协议那样，评估超大规模云服务商的长期合同，将投资级租户的合同现金流作为项目层面债务获得融资的可靠基础。售后回租结构让数据中心所有者在保留运营控制权的同时，将已建资产变现，再将资金投入新项目开发。

机器人即服务模式，则正把曾使 SaaS 实现规模化的订阅经济模式延伸到物理 AI 采购，将机器人支出从资本性支出转为运营性支出的会计处理。

GPU 融资兴起

AI 基础设施资本领域最新颖的演变，是私募信贷市场对 GPU 融资的适应。与数据中心房地产不同，GPU 是使用周期较短、贬值迅速的资产，存在技术过时风险，而传统抵押品框架并不是为评估和承担这种风险而设计的。

私募信贷行动最快。私募信贷资产支持融资市场的投资者，如今正围绕 GPU 集群设计融资安排：采用较短期限，内置设备更新条款，并以超大规模云服务商的包销承诺或云收入承诺作为信用基础。在这一融资层面，AI 资本需求与传统资本框架之间的差距最大；高盛也参与了这一市场的塑造。

资本池

与过去为数据上云提供资金的资本体系不同，AI 建设要求将复杂且彼此不同的融资市场更紧密地整合起来。信用增级通过投资级评级的信用支点，为非投资级交易对手提供融资；将投资级现金流与非投资级合同结合，扩大愿意参与的资本提供方范围，包括保险资金、银团信贷和私募信贷。

单一数据中心平台也可以在整个开发周期中采取类似做法：由于建设各阶段具有不同的风险与回报特征，每一阶段都可以匹配最适合其风险偏好的资金。在土地和施工等风险较高的早期阶段，使用私募信贷和股权资本；待资产趋于稳定、收益率确定下来后，再引入保险和养老金资金。

资本创新也已延伸至超大规模云服务商之外。杠杆融资和高收益债券市场，如今正在为信用状况未达到投资级门槛的 AI 基础设施运营商提供资金，拓宽了自 2024 年以来支持基础设施建设融资发行的资本基础。

Applied Digital 最近完成的 15.9 亿美元私募发行，是首笔专门用于承租方运营 GPU 业务的数据中心基础设施的高收益债券发行。[46]

新兴资本池

保险资金

长期负债需要长期资产与之匹配。2025 年，美国年金市场规模达到创纪录的 4,640 亿美元，五年间翻了一番。监管变化扩大了保险公司直接持有私募基础设施债权的能力。随着保险资金持续大规模流入 AI 基础设施，其结构性影响很可能可与抵押贷款支持证券对住宅房地产的影响相提并论。

主权财富

主权资本已成为一个新近被激活、由政府支持的跨境融资资金池，专门用于应对 AI、国防和电气化领域关键供应链的脆弱性。这类资本没有赎回风险，投资期限横跨数十年，因此可以通过收购平台、而非从零开发新项目的方式，战略性地进入 AI 基础设施领域。

来源：LIMRA，《2025 年美国零售年金销售最终结果》，2026 年 3 月。

处于核心的资本解决方案

高盛资本解决方案集团成立于 2025 年初，将公司完整的融资能力汇聚于一个体系之中，整合全球领先的顾问业务、一流的融资项目发起业务，以及跨流动性资产和另类资产类别配置资本的全球投资平台。

该集团的职责范围从设计之初就十分广泛：面向任何客户和任何行业，只要其融资难题超出单一工具或单一资产负债表能够解决的范围，就在整个资本体系中发起、设计和分销复杂的融资解决方案。

这套运作体系，恰恰是 AI 经济现在所需要的。此轮建设同时依赖多类资本池、结构设计专长和监管框架，而以往的技术转型从未需要将这些因素同时调动起来。随着专门的基础设施基金扩大数据中心平台规模，高盛也在为这些设施，以及围绕它们形成的更广泛生态系统的开发提供顾问和融资服务，包括土地、电力，以及将两者连接起来的结构化资本。

正在形成的并购新领域

科技与能源之间的联系，也界定了一个正在形成的并购新领域。超大规模云服务商对核电的投入承诺、数据中心开发商对电网基础设施的投资，以及工业企业对 AI 驱动的能源优化的部署，正在汇聚成一个位于科技并购与能源基础设施投资交汇处的交易类别。

一个例子是：2026 年 5 月，NextEra Energy 宣布以全股票方式收购 Dominion Energy，交易企业价值超过 1,200 亿美元。这将创建美国最大的受监管电力公用事业企业，通过整合为合并后的公司提供更多增长和扩大规模的路径，重点满足快速增长的需求，同时保持用户账单可负担。[47]

地缘政治资本：战略杠杆

AI 经济与地缘政治深度交织，开启了“工具性资本”的时代。包括美国在内，越来越多政府支持本国龙头企业，以实现供应链多元化等地缘战略目标。在中国以稀土出口管制回应特朗普政府的关税之后，美国国防部于 2025 年 7 月对 MP Materials 进行股权投资，并承诺采购其稀土磁体。

[48] 2025 年 10 月，美国能源部通过 Lithium Americas 的公司认股权证取得股权，相关安排以一笔现有的 22.3 亿美元先进技术汽车制造（ATVM）贷款为基础进行设计。

[49] Serra Verde 于 2026 年 2 月完成的交易进一步延续了这一模式：美国国际开发金融公司提供 5.65 亿美元，为巴西一座关键矿产矿山融资；同时配套一份向美国政府注资的特殊目的载体供货的 15 年包销协议，以及稀土元素最低价格保障。[50]

这些交易代表着一个正在形成的地缘政治资本类别：在政府金融支持下开展跨境采购，聚焦 AI、国防和电气化暴露出的供应链薄弱环节。目前，这一类别保持着稳定的交易节奏，过去 18 个月签署了多笔交易。每笔交易运用不同的政府工具，服务于密切相关的战略目标。

或许最具雄心的是，美国进出口银行的“金库项目”（Project Vault）提供 100 亿美元直接贷款，并撬动私人资本，以建立战略性关键矿产储备。[51] 美国国际开发金融公司和五角大楼战略资本办公室，也扩大了权限，并拓宽了关键矿产和先进制造供应方面的任务范围。

与此同时，各国正沿着两条路径同时推进 AI。对外，主权财富基金继续向全球数据中心、半导体和高性能计算基础设施资产投入大量资本，通过直接持有、合资企业和基金出资承诺等方式部署；除财务回报外，算力主权正日益成为交易的重要动因。

对内，政府正在设立专门的 AI 投资载体，相关安排包括本土 AI 枢纽建设承诺、对本国龙头企业的支持、技术转让条款，以及随资本投入一并取得的共同投资权。中东和北非地区的主权财富基金，占全球主权财富基金交易活动的 40%；其中，AI 和数字基础设施正成为主导性主题。

仅阿联酋和沙特相关投资载体迄今公布的资本投入目标，就已超过 3,000 亿美元。[52]

对于 AI 基础设施投资者而言，地缘政治因素已成为核心，决定哪些地区可以获得融资、哪些合作关系被允许，以及哪些供应链可靠。这些战略决策越来越需要跨越不断变化的地理格局，并应对持续演变的监管框架，包括《芯片法案》、《通胀削减法案》、半导体和稀土出口管制，以及中国国内的 AI 制度框架。

决定性变量

在我们为 AI 时代建设实体基础的同时，一种新的工业经济正在实时迅速成形。领导者需要战略眼光，也需要果断有力的资本战略。为这场变革提供资金，必须动用整个资本体系：股权、公开市场及私募债务、主权资本，以及仍在创造中的新结构。它正在数字经济和实体经济中同时发生，其规模和速度超越了以往任何一次转型。

数十年来，高盛一直与重大产业变革背后的领先企业携手同行。面对这一次变革，我们对客户的承诺依旧如一：让我们的资本、专业能力和战略指导，与客户重塑行业和全球经济的抱负保持一致。

凡是这场竞争展开的地方，都有我们的业务布局。我们为客户提供顾问服务，帮助他们应对复杂地缘政治环境所要求的结构性决策及其中的细微差别。我们以持久合作的文化和追求卓越执行的承诺，建立起卓越的投资银行业务，帮助客户把握新机会，释放增长与转型潜力。

将决定 AI 经济面貌的大部分资本尚未投入，将塑造竞争格局的大部分并购尚未发生，大部分基础设施也尚未建成。未来三到五年的决策，将为整整一代人的 AI 经济奠定架构。那些筹集资本、为风险定价，并跨行业设计交易结构的机构，将塑造最终结果。这些决策所回答的问题，将决定未来十年的走向。

全球投资银行业务领导团队

撰稿参与者

Stephan Feldgoise、Christina Minnis、Raghav Maliah、Mark Sorrell、Vivek Bantwal、Iain Drayton、Geraldine Keefe、Andre Kelleners、Jung Min、Katrien Carbonez、Sean Fan、John Greenwood。

Jason Tofsky、Kyle Jessen、Tyler Miller、Rebecca Kruger、Joe Porter、Mike Tarulli、Joseph Briggs、Brian Cayne、Jack Anstey、Usman Ashraf、Emily Baker、Sabina Ceric。

Vivek Kagzi、Dan Keyserling、Alex Laurn、Eric Liu、Matt Margolin、Megan Miller、Ben Nale、Benny Pinkas、Marco Poletti、John Sales、Michael Santiago、Larkyn Sinclair。

Erik Sparks、Karthik Subramanian、Heather Aholt、Brandon Bauer、Spencer Cheng、Mila Milatovic、Damien Petzold、Wilson Shirley、Caroline Brooks、Jamie Catherwood、Ella Pepper、Ethan Choi。

Laura Cyr、Erick Martinez、Adair Nguyen、Lauren Miller、George Berger、Chris Crossen、Claire Crozier、Chris Freyer、Jessica Till、Scott Lyles。

尾注

免责声明

本报告由高盛投资银行部编制，仅供参考，并非高盛全球投资研究部的研究产品。不得将本报告全部或部分复制、出版、重制或以其他方式复刻，也不得向任何其他人士分发或以其他方式传播。本报告并非旨在全面介绍高盛的产品与服务，其中观点可能与高盛及其关联公司其他部门或业务分部的看法和意见不同。

本报告不应作为交易任何公司证券或贷款的依据，包括本文提及的公司，也不应作为任何其他投资决策的依据。本报告不构成有关任何公司证券或贷款的要约或招揽，包括本文提及的公司，也不构成征集代理权或投票，不应被解释为投资建议。

除非本文另有说明，本报告使用并依据我们从公开来源获得的信息编制。在编制过程中，我们采用了某些假设，并依赖、假定向我们提供、与我们讨论或由我们审阅的所有财务、法律、监管、税务、会计及其他信息均准确完整，且不承担独立核实这些信息的责任。

本报告必然以本文所示日期当时有效的经济、货币、市场及其他状况，以及截至这些日期向我们提供的信息为基础；我们不承担更新或修订本报告的责任。

高盛并未通过本报告或向本报告接收者提供任何财务、经济、投资、会计、税务或法律建议。高盛及其任何关联公司，均不对本报告中所载陈述或任何信息的准确性或完整性作出任何明示或默示的陈述或保证，并明确不承担由此产生的任何责任，包括直接、间接或后果性损失或损害的责任。

© 2026 高盛。保留所有权利。

高盛 · 投资银行部