傑富瑞在一份報告中提出，支撐當前AI熱潮的超大規模資料中心投資正面臨新的需求端挑戰：隨著小型語言模型效能提升、成本下降，企業AI部署可能從集中式雲端轉向本地化，從而對雲端算力需求以及鉅額資料中心資本開支形成壓力。

報告援引的一項觀察來自對AI伺服器實際使用情況的追蹤。2026年9月，Swerve Research Technologies通過監測Anthropic伺服器請求佇列的等待時間構建了一個擁堵指數，發現相關伺服器利用率較2026年1月至2月的峰值下降26%。這一指標並不能直接對應公司收入，但報告認為，如果利用率持續走低，可能意味著部分算力供給開始出現閒置。

與之形成對照的是，AI基礎設施投資仍在快速擴張。市場目前預計，Meta、Alphabet、亞馬遜和微軟四家美國科技巨頭2027年資本支出合計可能達到9900億美元。報告認為，如果AI算力需求增速最終無法匹配如此龐大的投資規模，部分資料中心可能面臨回報不足甚至成為擱置資產的風險。

報告也承認，近期AI消費應用層面仍有亮點。Meta旗下個人AI產品Muse於9月8日上線後，推動Meta股價在數週內上漲21%。但報告認為，單個應用的成功並不足以證明整個AI基礎設施投資週期能夠持續。

更值得關注的是，AI企業自身也釋放出一些不同於市場樂觀預期的訊號。Anthropic CEO、OpenAI CEO Sam Altman以及Elon Musk近期均曾公開討論放緩AI發展的必要性；Anthropic原計劃中的IPO則推遲至11月。與此同時，Anthropic此前已與SpaceX簽署價值450億美元、為期三年的算力合同，並與亞馬遜、谷歌雲達成數十億美元級別的算力合作。報告的邏輯是，如果AI收入增速放緩，而此前簽訂的大規模算力合同仍需持續兌現，企業的成本壓力可能進一步上升。

此外，據報道，Meta還在7月與Anthropic談判，擬在兩年內向其出租最高100億美元的資料中心算力。報告認為，大型科技公司開始積極尋找外部客戶消化算力，也反映出隨著基礎設施供給快速擴張，如何提高資產利用率正成為新的問題。

相比伺服器利用率的短期變化，報告更關注AI模型架構正在發生的變化。斯坦福大學與Together AI聯合釋出的《Intelligence per Watt》研究顯示，小型語言模型的效能正快速追趕大型語言模型，同時能耗和算力成本低50%至85%。如果這一趨勢延續，企業部署AI所需的算力規模和成本結構都可能隨之改變。

過去，企業更多依賴集中式雲端大模型完成AI任務；隨著小模型能力提升，部分場景可能轉向本地部署。對於銀行等對資料安全要求較高的行業，本地化部署本身已有較強需求；當小模型進一步降低部署成本後，這一模式的適用範圍可能繼續擴大。這意味著，AI應用增長並不必然對應雲端算力需求同比例增長——企業可能一邊擴大AI應用，一邊減少對超大模型API和集中式雲端算力的依賴。

這正是報告質疑近萬億美元資本開支的重要原因：如果未來更多AI應用由低成本、小規模、本地化模型承載，那麼當前圍繞超大規模資料中心形成的投資規模，可能與實際算力需求出現錯配。在這一情景下，真正需要重新評估的並非AI需求是否存在，而是AI需求究竟需要多少集中式算力，以及這些資料中心能否獲得與其投資規模相匹配的回報。

從產業鏈角度看，這一判斷觸及的是算力供需兩端的節奏差：上游是晶片、伺服器、電力與資料中心建設的持續投入，下游則是模型形態變化可能帶來的算力消耗結構遷移。若本地化小模型確實分流部分雲端推理需求，超大規模資料中心的利用率與租賃定價將更受關注，而算力合同的兌現節奏、雲廠商的資本開支紀律，以及AI應用收入能否跟上投資步伐，都會成為市場反覆權衡的變數。