人工智能就业影响的比较政治经济学透视
摘要
当下围绕人工智能与就业的探讨，往往在两种极端观点间徘徊：一种断言AI会即刻引发大规模失业浪潮，另一种则声称只要宏观失业率平稳，AI的就业冲击就被高估了。本文主张，这两种看法均失之偏颇。目前AI对就业的冲击并未主要体现为整体失业率的飙升，而是表现为年轻群体求职困难、毕业生入职通道收窄、初级白领岗位门槛抬高、中间执行层被迫转型或内卷降级，以及收入预期下滑引发的消费萎缩。同时，纺织、制衣、餐饮、零售、物流、家政、看护、建筑、轻工、电子装配等劳动力密集型产业眼下遭遇的核心压力，并非AI的直接取代，而是全球经济疲软、贸易摩擦、外部需求波动及居民消费力衰退。这导致了两种就业吸纳渠道同时萎缩：中低技能青年面对传统产业萧条，大学毕业生面对白领入职门槛变窄，中间执行层面对AI拉高“常规执行”及格线后的分流重压。
本文通过对比美、中、印、英、日及欧盟的就业指标，指出：宏观失业率的平稳无法证明就业系统的健康。ILO预测2026年全球失业率保持在4.9%，OECD 2026年4月失业率为5.0%，欧盟2026年4月失业率为6.0%、欧元区为6.3%；然而欧盟青年失业率仍高达15.1%，欧元区为14.7%，中国2026年5月16—24岁非在校青年失业率虽跌至11个月新低但仍达15.6%，美国近期大学毕业生失业率约为5.7%，高于整体水平，印度IT行业新兵招聘急剧缩减。这表明，就业危机并非没有降临，而是被整体失业率掩盖在了入职门槛、岗位质量、收入预期及行业吸纳力之中。
本文进一步指出，美国应届生求职压力不能单纯归咎于“远程办公”。远程办公更像是一种表层组织形态，它暴露并加速了白领任务的可外包性。生成式AI提升了外包交付的效率，使得原本需大量新手完成的基础编码、测试、文档、数据清洗和客服话术等任务，可由更少的外包人员配合AI工具共同搞定。从而形成新链条：美国本土初级岗位缩减，部分任务转至海外外包；海外外包商再利用AI和更少员工交付；美国毕业生失去入口，印度新手也失去入口。AI、外包化、离岸化与任务模块化共同削薄了全球白领劳动分工中的初级任务层。
本文的核心结论是：AI治理不能仅探讨模型安全、算力竞赛与产品创新。真正需要追问的是：谁在生产智能，谁承担转型代价，谁占有生产率红利，以及谁有能力迫使这条链条重新定价。前三问揭示了AI生产关系中的分配断层，第四问才是政治问题的核心。当前能够迫使重新定价的力量——国家、工会、公共财政和跨国协调机制——在AI议题上均相对弱化。正是这一制度性落差，使得AI治理不能止步于技术治理，而必须迈入比较政治经济学分析。
一、问题提出：为何宏观失业率平稳并不能证明风险不存在？
评估AI对就业的冲击，不能仅看宏观失业率。失业率属于滞后指标，它仅能统计已失业且仍在积极求职的人群，却难以反映更早发生的结构性变动：企业停止招聘初级岗位，毕业生无法迈入理想职业路径，中间层加薪与晋升停滞，劳动者从专业岗位流向低薪服务业或零工经济，工时缩减、收入下滑但仍被计为就业。
从宏观失业率来看，当前全球就业大盘确未崩盘。ILO《Employment and Social Trends 2026》预测，2026年全球失业率保持在4.9%，但同时警示这种平稳不代表劳动力市场已恢复健康。OECD数据显示，2026年4月OECD整体失业率为5.0%，且已连续数年维持在该水平附近。Eurostat数据显示，2026年4月欧盟失业率为6.0%，欧元区为6.3%，同样较上月保持稳定。
然而，若将观察视角从宏观失业率转向青年及入门级岗位，景象便截然不同。2026年4月，欧盟青年失业率达15.1%，欧元区青年失业率为14.7%；欧盟有291.3万25岁以下青年失业，其中欧元区为233.7万人。中国2026年5月16—24岁非在校青年失业率为15.6%，较4月的16.3%回落，且处于11个月低点；25—29岁失业率为7.2%，低于4月的7.4%；30—59岁失业率为4.1%，低于4月的4.2%。这组数据表明，中国就业压力虽有所缓解，但青年失业率仍远高于中壮年群体，就业压力依旧集中在劳动力市场入口处。美国近期大学毕业生失业率亦高于整体水平，纽约联储数据显示，2026年第一季度近期大学毕业生失业率约为5.7%。
故而，问题不在于AI是否已引发全社会失业潮，而在于：AI及相关产业重组是否正挤压职业入口、降低收入预期、改变岗位质量，并最终借由消费萎缩传导至更广泛的劳动力密集型产业。若此过程延续，社会风险未必先表现为失业率飙升，而可能体现为社会阶层间流动性衰退，乃至阶层固化。
二、分析框架：双通道收缩与收入—消费—就业负反馈
本文提出“双通道收缩”框架。
第一条通道是传统劳动密集型就业吸纳渠道萎缩。纺织、制衣、餐饮、零售、物流、家政、看护、建筑、轻工、电子装配等产业，眼下遭受的核心冲击并非AI直接替代，而是全球经济疲软、贸易争端、消费乏力、供应链重构及外需动荡。WTO《Global Trade Outlook and Statistics - March 2026》显示，2025年世界商品贸易量增长4.6%，该数字指商品贸易“量”而非贸易额；基准情景下，2026年商品贸易量增速预计降至1.9%，2027年回升至2.6%。WTO同时指出，2025年贸易超预期与AI相关产品贸易增长及部分提前出货相关。这表明全球贸易并非全面溃败，而是结构分化：AI硬件、半导体及相关电子产品坚挺，传统劳动密集型消费品链条未必同步获益。IMF和OECD也均指出，战争、商品价格、关税、政策不确定性与金融条件正拖累全球投资、贸易与增长。
第二条通道是初级认知劳动与普通白领入职通道萎缩。AI当下最直接的冲击对象并非线下护工、服务员、建筑工或家政员，而是可文本化、可编码、可流程化的任务：基础编码、测试、数据清洗、文案、摘要、翻译、客服话术、PPT、报告初稿、初级研究、IT外包交付、初级工程及程序员岗位。ECB 2026年研究发现，美国AI高替代风险岗位在2019—2025年就业平均下降超4%，而低替代风险岗位增长13%；低风险岗位就业占比从23%升至25%，高风险岗位占比从35%降至33%。
这两条通道同步收缩，会催生更危险的收入—消费—就业负反馈：
入职通道萎缩，令青年、毕业生及普通白领收入预期下滑；收入预期下滑致使消费力减弱；消费萎缩进一步挤压餐饮、零售、服装、物流、家政、装修、轻工等劳动力密集型产业需求；劳动密集型产业萎缩后，低中技能青年及被白领岗位排挤者失去就业缓冲池；失业、低就业与收入下滑进一步加剧，贫富差距扩大，社会维稳压力攀升。
故而，眼下风险并非单纯的“AI替代人”，而是“AI挤压白领入口+全球需求萎缩削弱传统吸纳行业+收入下滑反噬服务消费”的复合过程。
三、Rogier描绘的“杠铃效应”：普通执行层遭挤压
“杠铃效应”并非AI时代的新生概念。劳动力市场研究长期存有关于岗位极化的探讨，即高技能、高收入岗位与低技能、低收入岗位双双扩张，而中等技能、中等收入岗位相对萎缩。AI时代的变局，是这一既有岗位极化逻辑被生成式AI与数字化任务分解进一步推向白领及初级认知劳动领域。
MasterClass创始人David Rogier在相关访谈中描绘了AI时代可能浮现的“杠铃效应”：一端是顶尖专家，另一端是高主动性通才，中间那些“勉强及格”的普通执行者空间遭挤压。该判断不应被视作“未来仅存两类人”的绝对定论，而应被理解为一种岗位价值结构的变迁：AI拉高了普通执行工作的及格线，使原本凭中等执行能力获取稳定收入的岗位面临重新定价。
以往，一个“尚可”的文案、初级分析师、普通程序员、IT外包新手或基础运营人员仍有市场。因这些岗位虽非顶尖，却承担了组织运转中大量必要任务：撰写初稿、整理资料、做PPT、编写基础代码、处理客服话术、完成数据清洗、撰写会议纪要、做初步市场分析。这些任务的价值不仅在于最终产出，亦在于训练新人，使其逐步积淀组织知识、职业判断与行业经验。
AI颠覆了这套机制。生成式AI可快速生成及格线以上的文本、代码、摘要、分析初稿与客服话术，令“平庸执行”的稀缺性骤降。企业未必立刻裁撤现有员工，但会削减新增岗位，尤以需大量培训的初级岗位为甚。由此，岗位未简单消亡，而是被高级化：企业仍需新人，但更期盼新人一入职便具备判断、整合、沟通、AI协作及系统设计能力。
PwC 2026 Global AI Jobs Barometer的数据亦佐证此点。PwC分析显示，在美国AI暴露较高的入门岗位中，要求传统高级技能的“seniorised entry-level roles”自2019年来增长35%，而其他入门岗位萎缩；AI暴露高的入门岗位也更可能要求领导力、创造力与面对面互动等传统上隶属更高级岗位的能力。
这对毕业生及初级白领极为不利。因初级岗位本就不只是产出岗位，更是训练岗位。若这些任务被AI、外包团队或资深员工携AI完成，职业阶梯的首层便会变窄。由此催生的并非单纯失业，而是职业入口的结构性上移。
四、美国：远程办公非根因，外包化与任务模块化方为实质
若说第三节描绘的是AI改变了企业对新人的能力期许，那么本节要探讨的是：这些初级任务本身流向了何方。美国应届生求职压力不能单纯归因于AI，亦不能单纯归咎于远程办公。New York Fed 2026年6月研究指出，疫后远程办公的扩张可能削弱年轻大学毕业生迈入劳动力市场的机会，因远程或混合办公降低了企业对新人监督、即时反馈与非正式培训的便利度。该研究粗略估算，远程办公可解释2017—19年至2022—24年年轻大学毕业生失业率攀升的约64%。
然而，该结论需置于更深层的政治经济学链条中审视。远程办公或许非根本缘由，而是外包化、离岸化与任务模块化的表层表征。疫情期间，企业验证了大量白领任务可在办公室外被拆解、监督与交付。此验证不仅打消了企业对异地协作的技术顾虑，亦降低了跨国外包的管理成本门槛。换言之，远程办公真正的要害，不在于员工是否居家办公，而在于它让企业察觉：诸多白领任务可脱离本土办公室、本土培训体系与本土劳动力市场。
一旦任务可被远程拆分、监督与交付，它便未必需由美国本土应届生完成，而可被转至海外外包团队、低成本远程劳动力或AI辅助系统。纽约联储捕捉到的是远程办公与年轻毕业生失业间的相关机制，但其背后更深层的变局是：白领初级任务正被跨国低成本劳动力替代、平台化协作与AI工具共同重构。此处所谓跨国低成本劳动力替代，意指企业借由将任务转移至劳力成本更低地区或外包团队，从而压缩本土用工成本。
美国本土毕业生丧失的，不仅是办公室内的培训契机，更是原本承载训练功能的初级任务本身。基础编码、测试、数据整理、文档、客服话术、初级分析与运营支持，往昔是新人迈入白领职业阶梯的首层；如今这些任务可由海外外包团队承接，亦可由AI工具部分完成，再由更少资深员工审核。于是美国应届生被排挤，并非因“居家办公学不到东西”这般简单，而是因资本发觉众多可远程任务可被外包化、离岸化与AI化。
美国劳动力市场眼下呈现“低裁员、低招聘”的格局。2026年6月20日当周，美国初请失业金为21.5万人，表明未现突发裁员潮；但截至6月13日当周，续请失业金升至182.1万人，表明部分失业者重返岗位周期拉长。这与当前白领市场的体感相符：企业未大规模裁人，但新增岗位、尤以entry-level岗位更趋审慎；岗位挂着，但招聘慢、门槛高、经验要求攀升。
故而，美国案例表明：AI、远程办公、外包化、疫后招聘回调与企业效率导向并非互斥的解释。远程办公暴露并加速了白领任务的可外包性，AI进一步削减了初级任务的劳力需求，企业效率导向则缩减了本土entry-level headcount。三者协同，使美国本土毕业生、印度IT新手及其他低成本外包劳动力同期面对更窄的职业入口。
五、印度：IT外包大国的入口萎缩
印度乃理解AI与全球白领劳动分工重构的关键案例。印度坐拥年轻人口结构，本该享有人口红利，但就业吸纳长期匮乏。更关键的是，印度不仅面临传统制造业吸纳不足，亦面临IT外包与科技新兵招聘被AI和外包链条改写。
印度技术行业整体并未衰退。Nasscom数据显示，印度技术产业规模约3150亿美元，仍是全球关键IT服务、产品与创新中心。Nasscom预计印度技术行业2025—26财年增长6.1%，净增就业约13.5万人，总就业人数约595万人。这表明印度IT行业仍在增长，并非简单衰退。
然而，行业增长不再等同于大规模吸纳初级新人。Nasscom曾指出，印度科技行业FY22招聘约38万名新手；到FY24，不同机构口径显示新手吸纳显著萎缩。Xpheno口径显示，印度软件服务公司FY24新手招聘仅约6万—7万人，创二十年来新低；另有更宽口径报道称，freshers intake自FY22的约38万人降至FY24约9.5万人，FY25回升至约12万人。
无论依凭哪一口径，趋势皆明晰：印度IT服务业正从“海量招新人—培训—外包交付”的模式，转向更少量、更专业化、更AI导向的招聘模式。往昔，美国企业将部分IT任务外包予印度，印度外包公司再大量招募新手，借由培训与标准化交付完成项目。现今，AI提升了交付效率，印度外包公司亦不再需要过往那般多新手。遂而形成新链条：
美国本土初级岗位缩减，部分任务转至海外外包；海外外包商再用AI与更少员工交付；美国毕业生失去入口，印度新手亦失去入口。
这表明AI与外包并非二选一的归因，而是互相强化。AI令任务更易被标准化、切分、审核与远程交付；远程办公让企业习惯异地协作与远程管理；外包平台与IT服务商提供低成本交付力；企业效率导向令本土headcount与外包新手同期被挤压。结果便是，整个跨国白领劳动分工中的初级任务层遭削薄。
印度案例尤为关键，因其表明：人口红利不会自动蜕变为就业红利。年轻人口众多仅为潜在劳动力供给；能否转化为就业，取决于制造业、外包服务、城市服务业与公共部门能否吸纳这些青年。若劳动密集型制造业匮乏，而IT外包又被AI提升生产率、削减新手需求，人口红利便可能蜕变为就业压力。
六、中国：低利率无法化解职业入口与产业吸纳不足
中国案例表明，利率非就业问题的核心解释变量。中国利率处于低位，但青年就业压力依旧凸显。2026年5月，中国16—24岁非在校青年失业率为15.6%，虽已跌至11个月低点，但仍远高于中壮年群体；同月25—29岁失业率为7.2%，30—59岁为4.1%。这表明，就业压力并未均匀分布于各年龄段，而是聚焦于青年与劳动力市场入口端。
中国问题的核心非资金价格过高，而是产业吸纳力不足与毕业生供给压力叠加。2026届中国高校毕业生规模预计约1270万人，较2025届的1222万人增加约48万人，创历史新高。毕业生供给持续居高位，而往昔吸纳高校毕业生与城市白领的数个重要渠道，涵盖房地产链条、平台互联网、教培、地方财政相关岗位、金融、传媒、内容运营、消费互联网及部分外贸岗位，皆不如过往扩张强劲。与此同时，AI进一步挤压内容、客服、数据分析、运营、文案、基础编程、初级开发、助理研究等岗位需求。
低利率无法自动催生高质量白领岗位，亦无法自动弥合毕业生供给与专业岗位需求间的错配。对中国而言，风险在于：一方面高校毕业生规模庞大，另一方面传统白领吸纳部门放缓；同时，劳动密集型产业又受消费乏力、外需动荡与利润挤压掣肘，无法全盘承接被白领岗位排挤的人群。
故而，中国的就业压力并非单一AI冲击，而是“毕业生供给高位+白领岗位扩张放缓+ AI挤压初级认知任务+消费乏力削弱服务业吸纳”的复合压力。
七、日本：人口短缺缓冲总量就业，却无法否认白领重构
日本提供了另一种参照。日本利率相对本国长期零利率与负利率时代有所上行，但总体就业表现依然强劲。日本总务省统计局数据显示，2026年4月日本季调失业率为2.5%，处于较低水平。这表明，日本未现类似青年人口大国那般的总量就业压力。
但日本就业平稳主要归因于人口老龄化与劳动力短缺，而非AI未生影响。在劳动力供给匮乏的经济体中，企业不易借由裁员或停招来应对技术变迁，因诸多行业本身便缺人。护理、零售、餐饮、交通、建筑、医疗辅助、社区服务等部门仍有劳力需求。故而，日本总体就业数据向好，并不能证明AI未重构白领工作内容，只是此种重构被老龄化、劳动力短缺与服务业人手匮乏所遮蔽。
日本案例的功能主要作为对照组：它表明AI就业冲击的表现取决于人口结构与产业结构。青年人口充裕但岗位吸纳匮乏的国家，AI更易表现为青年失业与毕业生入口萎缩；人口老龄化严峻、劳动力供给偏紧的国家，AI可能更多表现为岗位内容重构与人均产出跃升，而非失业率即刻攀升。
八、英国和欧盟：青年失业与入门岗位重构
欧盟数据表明，青年就业压力并非个别国度现象。2026年4月，欧盟青年失业率为15.1%，欧元区为14.7%，远高于整体失业率。这意味着，纵然欧洲整体劳动力市场相对平稳，年轻人迈入劳动力市场仍遇更高门槛。
英国则与美国具相似性：白领岗位、专业服务、科技、金融、咨询、创意产业与办公室支持岗位受远程化、外包化、AI工具及疫后招聘回调共同波及。AI未必即刻引发大规模裁员，但会改变entry-level岗位结构：企业更看重经验、判断、客户沟通、AI协作与跨职能整合，而不再愿为纯执行型新人提供大量训练任务。
此点亦获近期瑞士岗位数据的侧面印证。2026年6月Reuters报道了瑞士招聘平台jobs.ch基于超730万条招聘广告的分析。该研究比较了2025年岗位发布与2019—2022年所谓“AI前阶段”的平均水平，发现瑞士入门级岗位发布量下降32%；在受AI冲击较大领域，junior岗位下降16%，而senior岗位上升26%。受冲击较大者涵盖营销、行政、金融与IT，而医疗、建筑与技术工种等AI冲击较低的行业仍保较强junior需求。需留意，此组数据度量的是职位发布量，而非实际雇佣人数，但它仍能折射企业对junior岗位需求的变迁。瑞士非美国或英国，但其岗位结构变迁表明，AI更易先挤压办公室型、文本型与分析型junior岗位，而非即刻冲击线下体力型岗位。
九、传统劳动密集型产业：短期主因是需求匮乏，中期风险是就业弹性衰退
须明晰的是，AI当下并非纺织、制衣、餐饮、零售、物流、家政、看护、建筑、轻工、电子装配等产业萧条的主因。这些产业眼下更直接面对的是全球需求下行、消费乏力、贸易争端、关税不确定性、供应链重构与企业利润挤压。
传统劳动密集型产业本担两种功能。其一，它们吸纳中低技能青年、农村转移劳动力与非大学生群体。其二，它们充当社会就业缓冲池，吸纳自白领岗位、制造业或其他行业被排挤而出的人。若消费与外需匮乏，这些产业的吸纳力便会衰退。
然则，AI对这些产业并非全然无关。短期看，AI尚难大规模替代护理、家政、建筑、餐饮服务与复杂线下劳动；但中期看，AI或将借由客服自动化、库存管理、仓储机器人、路线优化、自动结算、平台调度与供应链管理，拉低这些产业在需求复苏时的就业弹性。亦即，纵使未来消费有所回暖，企业亦可能不再按过往比例扩增用工。
后一研判目前多基于AI渗透轨迹、自动化经验与企业成本逻辑所作的合理推测，尚缺大规模、跨行业、可比较的雇佣弹性数据予以证实。故而，对劳动密集型产业应作双重判定：短期主因是需求匮乏，而非AI直接替代；中期风险是AI和自动化或拉低行业新增用工弹性，使其愈发难担社会就业缓冲池之职。
十、收入—消费—就业负反馈：真正的社会风险
当下最凶险的结构，并非失业率已全盘飙升，而是主要劳动人口的收入预期与职业安全感衰退。中低技能青年察觉传统产业萧条，大学毕业生察觉白领入口变窄，中间执行层发觉自身需再培训、降薪或向下内卷。纵然整体失业率暂趋平稳，但收入增长、职业流动性与消费力或已恶化。
收入预期下滑首当挤压可选消费。青年、毕业生、中间层与城市白领削减餐饮、服装、旅游、娱乐、零售、家政、装修、教育培训与轻工消费品支出。消费萎缩又反噬劳动力密集型产业需求，令餐饮、零售、服装、物流、家政、建筑、轻工等产业招聘缩减。产业萎缩后，被AI与外包排挤的白领、中低技能青年及失业者更难觅替代岗位。
此过程将放大贫富差距。AI基础设施、模型公司、云服务商、芯片企业、平台公司与资本所有者或攫取更高生产率红利；顶尖工程师、AI架构师、资深产品与高级管理者或薪资上涨；但普通初级白领、中间执行层、外包工人与中低技能劳动者，则直面收入滑坡、岗位动荡与职业入口变窄。
这或催生一种“低收入稳定化”态势。所谓低收入稳定化，意指就业数量于统计意义上保持平稳，但就业质量、实际收入水准、职业流动性与向上通道同步恶化的态势。它有别于公开失业，因劳动者仍有工作；亦异于普通周期性衰退，因它未必能借由短期需求刺激自动修复。其真正凶险在于：社会表象上仍有就业，实质上却浮现收入下滑、消费萎缩与阶层流动性衰退，乃至最终固化。
这较周期性衰退更难治理。周期性衰退可借需求刺激部分纾解；但AI、外包化与岗位高级化改变的是任务结构与职业训练机制。纵然需求复苏，企业亦可能择取“AI +少数资深员工+海外外包团队”，而非重拾过往大规模junior hiring。
十一、替代行业困局：养老护理可吸纳人，却难等价承接收入与身份
自政策视角审视，最棘手的问题在于：理论上，各国应将就业吸纳、收入平稳与职业入口重构置于宏观政策核心；但现实中，极难觅得足够庞大且高收入的替代行业。
养老、护理、家政、社区服务、医疗辅助、育幼与康复行业确会扩容。人口老龄化将催生真实需求。然则，这些行业的痼疾在于支付能力匮乏、薪资低、工作环境差、社会认可度低、晋升空间受限。它们可吸纳部分劳动力，却极难等价承接被AI与外包排挤而出的程序员、分析师、IT外包员工、文案、运营、初级工程师与普通白领的收入、身份与职业资本。
遂而形成结构性悖论：高生产率AI行业吸纳就业有限；可吸纳海量劳动力的服务业又普遍低薪。被排挤而出的是中等收入认知岗位，新增较多的是低收入服务岗位。就业数量可部分转移，但收入结构与阶层位置无法等价迁移。
若无强再分配与公共支付机制，贫富差距极难凭市场自发修复。未来更可能浮现的非自然衍生的新中产吸纳周期，而是低收入稳定化、消费力衰退与社会流动性减弱，乃至最终固化的困局。
十二、AI治理的政治经济学转向：关键非提问，乃谁能重新定价
故而，AI治理不能仅探讨模型安全、算力竞赛、产品创新、数据合规与国际规则。这些问题固然关键，但若仅滞留于技术层面，便会漠视AI作为生产关系重构工具所衍生的分配问题。
真正需追问的是：谁在生产智能？数据标注员、内容审核员、RLHF工人、聊天训练员、软件工程师、用户数据、公共互联网文本与社会经验协同参与了智能生产。谁承担转型代价？初级白领、毕业生、IT外包新手、遭挤压的中间执行层、被迫转入低薪服务业者，以及消费萎缩后受冲击的劳动密集型产业承担了主要代价。谁拥有红利？平台公司、云服务商、模型公司、芯片企业、算力基础设施所有者、资本市场与少数高技能劳动者优先攫取生产率红利。
但此处尚需进一步辨析。AI产业链上的获益者并非完全同质。平台公司既是AI红利攫取者，亦是大规模雇主；部分模型公司目前仍处高投入、急速扩张期，利润空间受限；而当下阶段超额利润更显眼地聚拢于芯片、GPU、网络设备与云基础设施环节。以英伟达为例，FY2026全年收入达2159亿美元，全年GAAP毛利率为71.1%，其中数据中心全年收入达1937亿美元，约占全年收入的90%。迈入FY2027第一季度，英伟达收入达816亿美元，数据中心收入达752亿美元，单季GAAP毛利率约为74.9%。这表明AI基础设施瓶颈环节具极强红利聚拢力。
云基础设施亦具类似地位。AWS、Azure、Google Cloud等云平台不仅供给AI模型运行所需算力、存储、网络与推理服务，亦借由云服务定价与长期企业合约，将AI需求转为稳定基础设施收入。故而，若红利主要聚拢于芯片与云基础设施环节，那么“重新定价”的政策着力点便不可仅盯平台广告收入或终端AI应用收费，而须聚焦算力、云服务、芯片利润与基础设施租金。
不过，前三问主要属描述性。它们揭示了智能生产链条中的劳动