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 未来技术路径与趋势判断
当前AI技术演进呈现出数条相互交织、互为驱动的技术路径，理解这些路径的走向，是研判未来算力需求规模与结构的先决条件。
路径一：大模型参数规模与能力持续扩展。从GPT-3的1,750亿参数到GPT-4的约1.8万亿参数（业界估算），再到下一代模型的更大规模，参数的持续增长已被证明与模型能力呈现强正相关的"规模定律"（Scaling Law）。尽管近年来亦出现DeepSeek等通过优化训练效率以更少参数逼近更大模型性能的技术路径，但业界主流预测仍认为，在追求前沿能力的竞争压力下，参数规模与训练算力的绝对需求将持续增长。OpenAI联合英伟达、AMD、博通签约采购26吉瓦（GW）算力的战略布局，是这一判断最有力的现实佐证之一。
路径二：AI Agent与多智能体协同的普及化。当AI从单一对话模式进化为能够自主感知环境、规划任务、调用工具、协同执行的Agent体系，其对算力的消耗模式将发生根本性改变——从"用户发起的单次推理"转向"持续运行的自主推理循环"。IDC最新预测模型显示，全球活跃Agent数量将从2025年的约2,860万快速攀升至2030年的22.16亿，年复合增长率高达139%。持续运行的数十亿级Agent，将在推理侧形成常态化的大规模算力消耗，进一步强化数据中心的长期扩张需求。
路径三：具身智能与物理AI的产业化进程。AI与机器人技术的融合催生了"具身智能"（Embodied AI）这一新兴领域，其核心是将AI的感知、推理与决策能力嵌入具有物理交互能力的机器人系统。2025年全球人形机器人销量突破万台，2026年预计增长至约4万台。具身智能的边缘部署需求，将对分散式算力基础设施（包括边缘数据中心与车载/机载AI计算单元）形成持续拉动，其对金属材料的需求结构与大型数据中心有所不同，但总量同样可观。
路径四：推理需求的结构性放大。随着AI应用从"少数企业实验"走向"大众日常使用"，推理（Inference）侧的算力需求正逐步赶上甚至超越训练（Training）侧。Gartner预测，到2028年全球将有15%的日常任务由AI Agent自主执行，大量用户的高频推理请求将构成持续稳定的计算负荷，推动推理芯片、推理服务器与专用推理加速卡的需求持续扩张，并在材料用量层面形成与训练侧相互叠加、难以分割的综合需求。
综合来看，可信赖的判断是：AI技术演进在可预见的中长期内，将持续沿着"算力需求扩张→基础设施建设→上游原材料消耗增加"的逻辑链条向上游传导，且这一传导的强度将因Agent化、具身化、普及化等多条技术路径的协同推进而不断被放大，而非趋于收敛。
1.4 算力硬件需求的中长期预测
技术路径的研判，最终需要落实为对算力硬件需求的量化预测，后者才是驱动上游金属原材料需求的直接变量。本节从数据中心用电量、算力装机规模、AI服务器出货量与资本开支规模四个维度，综合多家权威机构的预测数据，建立量化的中长期需求预判框架。
维度一：数据中心用电量。根据Gartner于2026年6月发布的最新预测数据，全球数据中心总用电量将从2025年的447太瓦时（TWh）增长至2026年的565 TWh（同比增长26.4%），并进一步增长至2027年的702 TWh（同比增长24.1%）。其中，AI优化服务器的用电量从2025年的95 TWh跃升至2026年的175 TWh（增长84.2%），并将在2027年达到258 TWh，首次超越传统服务器用电量，成为数据中心耗电的主体。展望2030年，全球数据中心总用电量预计突破1,200 TWh，届时全球数据中心装机总量将达到约290 GW。国际能源署（IEA）研究同样印证了这一高速增长趋势，IEA预测随着AI Agent等高耗能应用场景的普及，全球数据中心电力消耗到2030年有望实现翻倍，其中AI相关数据中心的用电量预计将较当前水平增长三倍。
维度二：数据中心装机规模与新增算力需求。摩根大通预计，2026—2030年期间，全球将新增122 GW的数据中心用电容量；截至2025年中，全球数据中心建设投资已达到年化400亿美元，同比增长30%。从主要科技公司的具体建设计划看，微软计划未来两年将数据中心总规模翻倍，其2026年启动的费尔沃特算力集群设计容量达2GW；亚马逊过去12个月新增了3.8GW算力；谷歌宣布在印度投资60亿美元建设1GW容量的数据中心。上述项目仅为头部厂商的已披露计划，尚不包括中国、中东及其他地区的同期建设规模。
维度三：AI服务器出货量。Gartner数据显示，2025年全球AI优化服务器支出预计达1,400亿美元，较2022年的700亿美元实现翻倍，预计2028年或突破2,000亿美元。2026年一季度，全球AI服务器出货量同比增长超过51%，AI服务器占整体服务器比例已升至75%。AI服务器出货量的持续放量，是本报告后续章节测算各类金属需求增量的核心数量基础——每一台AI服务器对铜、银、钽、锡、稀土等金属的单机用量均显著高于传统服务器，出货量的增长倍数与单机用量的增长倍数的乘积，构成了金属需求曲线斜率陡峭化的根本原因。
维度四：资本开支总量。花旗集团将2026年AI资本开支预测从4,200亿美元上调至4,900亿美元，并将2029年累计预测从2.3万亿美元提升至2.8万亿美元，这一判断的底层逻辑是：真实存在的企业级需求为这轮投资热潮提供了"出口"，形成了价值验证的闭环，与2000年互联网泡沫时期缺乏真实商业收入支撑的情形存在本质区别。摩根大通则将2030年全球AI与数据中心累计支出预测置于约5.5万亿美元的量级，其中约4.1万亿美元将来自债务融资。
综合上述四个维度，形成如下预测基准框架，供本报告后续各章节的金属需求测算所参照（表1-1）：
数据来源：盘古智库根据公开资料整理。Gartner（2026年6月）；IEA（2026年4月）；摩根大通（2026年6月）；花旗集团（2026年）；摩根士丹利。
有必要对预测数据的使用边界作出两点说明。其一，上述预测均来自主流机构，但各机构口径与假设前提存在差异，本报告引用时已尽可能注明来源，读者在具体引用时应核对原始数据。其二，AI技术演进本身存在内生不确定性——关键技术突破或挫折、主要经济体监管政策的重大调整、地缘政治冲突对产业链的扰动，均可能使实际需求轨迹偏离当前预测区间。
第二章 AI基础设施金属用料图谱
2.1 分析框架：硬件链条的层级划分
AI算力基础设施并非单一的硬件系统，而是由电网配套、数据中心土建、服务器整机、散热系统、光通信互联五大层级组成的复杂工程体系。每一个层级对金属原材料的依赖方式与消耗强度各不相同，形成了一张从矿山到机房的完整"金属用料图谱"。
本章沿"宏观到微观、外围到核心"的逻辑路径逐层展开。从最外围的电网与输配电基础设施出发，依次深入至数据中心土建与配套设施、服务器整机用料结构、液冷散热系统、光模块与高速互联环节，最终以英伟达GB200 NVL72机柜为典型案例，构建单机金属用量的量化测算表，作为本报告后续各金属品类需求测算的共同数量基础。
需要特别指出的是，AI算力基础设施区别于传统数据中心的根本特征，在于其显著更高的功率密度——传统数据中心单机柜功率通常为6—8千瓦（kW），而当前满载GPU的AI服务器机柜已达30—50kW，英伟达GB200 NVL72整机柜总功率达132kW，Rubin架构单机柜功率预计将突破600kW。功率密度的阶跃式提升，是理解本章所有金属用量倍增效应的底层物理驱动力——更高功率意味着更强的导电需求（消耗更多铜）、更大的散热压力（消耗更多铜铝冷板）、更复杂的电源管理（消耗更多钽电容）、以及更高速率的数据互联（消耗更多银、锗、铟等光通信材料）。
2.2 电网与输配电环节用料
AI数据中心建设对配套电网的升级需求，是当前市场最容易被系统性低估的隐性金属消耗来源。一座大型AI数据中心的电力需求通常在100—500兆瓦（MW）量级，其专用输电线路、变电站、变压器的建设规模相当于一座中型工业园区的配套电力基础设施，所涉及的金属消耗量并不亚于数据中心机房本身。
铜是输配电环节最核心的金属。地下输配电电缆大量使用铜导体，每千米地下高压电缆耗铜约19.5吨；变压器绕组以铜线圈为主要材料，一台大型数据中心专用变压器耗铜可达数十吨。施耐德电气的行业测算数据显示，AI相关超大规模数据中心的铜耗强度约为39吨/MW，非AI超大规模数据中心约为36吨/MW，企业级数据中心约为32吨/MW，AI数据中心相对企业级数据中心的铜用量溢价高达22%，这一差异主要来源于更高功率密度所驱动的电源与配电系统扩容。综合设备侧与电网侧的用铜口径，预计2026年全球AI相关领域铜需求将超过60万吨。
铝是架空输电线路的主流导体材料。钢芯铝绞线（ACSR）凭借密度约为铜三分之一、单位重量导电效率高且成本相对低廉的特性，在数据中心园区外围长距离输电线路中具有天然的工程经济性优势。大型AI数据中心园区的专用架空高压线路建设，构成了铝在电力基础设施领域的直接需求来源。
硅钢与其他合金材料用于变压器铁芯的制造，其性能优劣直接影响变压器的能效水平与损耗控制，亦属于数据中心配套电力设施的重要用料，但因其不属于本报告所界定的"AI金属"品类，不作深入展开。
2.3 数据中心配套设施用料
数据中心的土建与配套设施层面，金属消耗主要集中在以下四个子系统。
机柜结构件：铝合金为主导材料。服务器机柜、机房走线架、承重框架等结构件，以铝合金为主流材料，凭借其轻量化、高强度、易加工与良好散热性的综合优势。单个标准机柜的铝材用量约为15—30公斤，大型AI数据中心通常配置数千至数万个机柜，结构件层面的铝消耗量可观但增长相对线性。
不间断电源（UPS）系统：铜与铅酸蓄电池为主。AI数据中心对电源可靠性要求极高（通常需达到Tier IV标准，即年可用率99.995%），大容量UPS系统的铜线圈、铜母排及铅酸蓄电池（近年亦有锂电池替代趋势）构成该子系统的主要金属消耗。
精密空调与冷水机组：铜与铝的传统应用场景。即便数据中心日益转向液冷方案，风冷精密空调仍是当前过渡期内的主要配置，其蒸发器与冷凝器的铜管、铝翅片散热结构，以及冷冻水管路系统中的铜管，构成了配套设施层面铜铝消耗的传统存量来源。
供配电线缆与母线槽：高密度铜用量场景。数据中心机房内部供配电系统，包括高密度母线槽、机柜间电力线缆与机柜内部配电单元（PDU），均大量使用铜导体。AI服务器的高功率密度显著提升了供配电系统的设计电流，进而推动铜截面积与用量的同步增加。
2.4 服务器整机的用料结构拆解
服务器整机是AI金属消耗中种类最丰富、结构最复杂的环节。一台AI服务器的用料清单，涵盖了铜、铝、银、锡、钽、金、稀土、镓、锗、铟等十余种金属，且每种金属都有其功能不可替代的具体应用位置。
主板PCB（印制电路板）：铜的密集用料场景。AI服务器主板的层数通常达到16—32层，层间连接通孔（Via）与线路走线均采用电镀铜填充，单张高层数PCB的含铜量约为200—400克，AI服务器通常配置多块高层数PCB（主板、GPU底板、HBM互联基板等），综合PCB含铜量显著高于传统服务器。
芯片封装：金、银、钽的精密应用层。GPU、CPU、NPU等处理器芯片的先进封装工艺（CoWoS、SoIC等）涉及多层金属互连结构。引线键合工艺中的金线（直径约25微米）连接芯片焊盘与基板，其长期化学稳定性与高延展性使之在高可靠性场景中不可替代；银浆与导电银胶用于芯片与基板间的电气连接与导热界面；钽电容作为核心被动元件分布于处理器供电回路，AI服务器GPU功耗已突破千瓦级，钽电容用量是传统服务器的10倍以上，这一量级差异是钽供需紧张的直接来源。
高带宽存储（HBM）：锡与稀土的新兴需求场景。HBM（High Bandwidth Memory）是AI算力系统中的核心存储组件，其三维堆叠封装工艺依赖大量微凸块（Micro-bump）焊接，每颗HBM芯片的焊点数量可达数万个，高纯锡球是这些焊点的主要材料。此外，HBM控制芯片中稀土氧化物用于先进制程栅介质材料，3纳米节点中镧、铒、钆等稀土高k薄膜已成为不可或缺的功能材料。
电源模块（PSU）：铜与铝的传统厚截面用料。AI服务器功率需求大幅提升，电源模块输出功率从传统服务器的500—1,000瓦提升至3,000—8,000瓦，功率变换模块中的铜绕组变压器、铜散热基板及铝制散热鳍片用量同步增加。
稀土永磁材料：风冷风扇的不可见用料。即便在液冷渗透率持续提升的趋势下，当前大量AI服务器仍配置辅助冷却风扇，高效直流风扇的永磁电机采用钕铁硼磁铁，每台服务器的稀土用量虽以克计，但在数百万台AI服务器的规模下形成可观的累积需求。
2.5 液冷散热系统用料分析
散热系统是本轮AI算力建设周期中金属用料结构变化最为剧烈的环节。液冷方案对风冷方案的快速替代，不仅改变了散热系统的工程形态，更根本性地改变了散热环节对铜铝两种金属的消耗量与消耗结构。
冷板式液冷：铜铝的主战场。冷板（Cold Plate）是直接贴合芯片表面、将热量导入冷却液的核心传热部件，是液冷系统中金属用量最集中的单一部件。当前主流冷板材质以铜为主（导热性能最优），铜铝复合材质冷板（铜制芯部流道、铝制结构外壳）占比快速提升，预计2026年铜铝复合材质冷板占比将超过60%。GB200 NVL72机柜的散热功率达到132kW，其冷板系统中的铜铝用量显著高于传统风冷服务器，单机柜冷板价值量约70万元，含铜铝合计用量约20—35公斤（视材质比例而定）。AI单台服务器液冷冷板耗铝约20—30公斤，单柜浸没式液冷槽用铝则高达约90公斤。
浸没式液冷：铝的规模用料场景。浸没式液冷（Immersion Cooling）将整机或整机柜浸没于绝缘冷却液中，其液冷槽体以铝合金为主要材料（兼顾导热性能与重量成本），单机柜铝材用量可达90公斤以上。随着英伟达Rubin架构（单机柜功率将达600kW）的到来，浸没式液冷将从当前的补充方案升级为高功率密度场景的唯一可行技术路线，铝的需求将随之出现新一轮量级提升。
冷却管路与分配单元（CDU）：铜的延伸需求来源。从机柜冷板到数据中心冷水机组之间的冷却液分配管路（主要由铜管或不锈钢管组成），以及机房内部的冷量分配单元（CDU）中的铜制热交换器，构成了液冷系统铜用量的延伸部分，总量虽小于冷板本身，但在大规模智算中心建设中亦是不可忽视的铜消耗场景。
银基高温焊料：液冷系统的精密用料。冷板流道的密封焊接、铜管接头的高可靠性连接，在对焊缝可靠性要求极高的高压冷却液系统中，部分场景会使用银基硬钎焊材料（银铜合金或银铜锌合金）以确保在压力与温度交变环境下的长期密封可靠性，构成银在液冷系统中的小量但高价值密度应用场景。
2.6 光模块与高速互联用料
光模块是AI数据中心内部网络互联的核心器件，也是AI金属消耗中技术复杂度最高、涉及小金属种类最多的环节之一。随着AI服务器集群内部互联速率从100G快速迭代至800G、进而向1.6T演进，光模块的单机用银量、用锗量、用铟量均呈现代际跃升特征。
银：光模块用量随速率代际倍增。光模块中的银主要用于激光器芯片的导电焊料、电极引线以及金属封装外壳的导电镀层。单个800G光模块用银量约为1克，是100G光模块用银量的5倍，这一倍数关系与数据中心内部互联速率的升级轨迹高度绑定——当前AI数据中心已普遍部署800G光模块，1.6T光模块预计将于2027年实现大规模商用，届时单模块用银量将进一步提升。以单个GB200 NVL72机柜通常配置数十至上百个光模块计算，单机柜光模块层面的用银量已达数十克至百克量级。
锗与铟：光电转换芯片的不可替代基材。光模块的核心光电转换器件——激光器（EML或VCSEL）和探测器（PIN/APD）——需要基于磷化铟（InP）或锗（Ge）基材料制造。磷化铟衬底是当前高速光芯片（800G及以上）激光器芯片的主流基材，铟是磷化铟的核心原料；锗基光探测器则广泛用于硅光集成（Silicon Photonics）方案中的接收端。随着AI数据中心对高速光模块需求量的爆发式增长，铟和锗在光通信领域的工业需求同步快速放量，成为AI金属体系中供需矛盾最为突出的细分场景之一。
铜缆互联：近场短距的"以铜代光"趋势。英伟达GB200 NVL72采用铜缆连接方案（每根NVLink铜缆长度约0.64米），取代此前在机柜内部使用的光模块方案，体现出在0.5—3米超短距场景下铜缆在成本与能耗上相对光模块的系统性优势。单台GB200 NVL72机柜用铜总量约为1.36吨，显著高于此前架构方案，"铜进光退"这一趋势在机柜内部短距互联场景中已形成明确的技术路线判断，将成为数据中心用铜量提升的重要结构性增量来源。
2.7 典型机柜单机金属用量测算
在完成上述各硬件环节的金属用料分析之后，本节以英伟达GB200 NVL72机柜作为当前AI算力基础设施的标准参照，构建单机柜金属用量的综合测算表（表2-1）。
GB200 NVL72是目前全球部署规模最大的旗舰AI训练机柜方案，集成72个英伟达Blackwell GPU和36个英伟达Grace CPU，整机柜总功率达132kW，采用100%冷板液冷方案，是理解当代AI数据中心金属用量结构最具代表性的分析对象。
数据来源：盘古智库根据公开资料整理。
综合以上各环节分析，可以形成本章的核心判断：AI算力基础设施相较传统数据中心，在金属用量层面呈现出全面的量级提升，且这一提升并非某一两种金属的局部增量，而是铜、铝、银、锡、钽、稀土、锗、铟等多个品类的全面系统性扩张。更值得关注的是，技术代际迭代的加速（从GB200到Rubin的功率密度升级幅度超过4倍）意味着单机柜金属用量的增长曲线尚未触顶，后续章节将依据本章建立的金属用量基准框架，逐一深入分析各金属品类的供需格局与价格走势。
第三章 矿业供给特征与结构性约束
3.1 资本密集与长周期投资特征
矿业是全球工业体系中资本密集程度最高、投资回收周期最长的行业之一。这一基本属性，从根本上决定了矿产资源供给对需求信号的响应能力远远弱于制造业或服务业，也决定了当AI算力需求在3—5年内爆发式增长时，上游矿业供给体系在同等时间窗口内几乎不可能作出对等响应。
资本开支规模的周期性波动与长期不足。全球矿业资本开支呈现出显著的周期性特征，且每一次资本开支的收缩往往会在数年乃至十数年后引发供给短缺。以铜矿为典型代表，全球主要铜企资本开支自1998年逐步上升，于2013年达到约1,109亿美元的历史峰值；此后随着铜价回落，资本开支大幅压缩，2021—2024年全球铜矿资本开支年均约872亿美元，仅为2013年峰值的79%。铜矿开发周期约为5—6年，这意味着2013年前后资本投入的收缩，正在2025年前后以供给增量明显不足的形式显现其滞后效应。
矿山建设的全程资本需求与不确定性并存。一座大型金属矿山从勘探到建成投产，通常需要经历预查、普查、详查、可行性研究、环境影响评估、矿区规划审批、工程设计、基础设施建设、试生产等完整流程。每一个阶段都是资本的密集投入期，且前一阶段的资金必须在高度不确定的情况下投入，才能决定是否进入下一阶段。标普《全球市场情报》（S&P Global Market Intelligence）2023年5月发布的研究报告分析了1980年后全球发现的127个贵金属和贱金属矿山，调查发现，矿山从发现到商业生产的平均时间为15.7年，其中最短6年，最长32年。铜矿项目尤为突出，标普统计的2019—2022年投产的15个新矿山，自发现起平均交付周期长达23年，其中可行性研究平均耗时6.6年，建设期平均耗时3.2年。卡莫阿-卡库拉（Kamoa-Kakula）铜矿是近年被认为建设速度较快的典型案例，从启动设计到投产历时5年，若从2008年发现该矿算起，则历时整整13年。
在规制最为严格的司法管辖区，这一时间跨度可能进一步延长。美国国家矿业协会（NMA）估计，平均需要7—10年才能获得在美国运营矿山所需的全部许可证。力拓（Rio Tinto）与必和必拓（BHP）自1995年以来持续推动美国亚利桑那州的Resolution铜矿项目，累计花费超过20亿美元，但截至2023年，土地交换协议仍未获得美国国会批准——这一案例典型地揭示了矿业资本在高环保标准与反采矿情绪盛行的成熟司法管辖区所面临的审批周期极度不确定性。
资本边际回报率下降是资本开支长期低迷的深层原因。随着全球铜矿石品位的持续下滑，开采同等数量的铜金属所需处理的矿石量大幅增加，吨铜开采成本随之系统性上升。品位下滑与成本攀升的双重挤压，直接压低了新建矿山项目的预期资本回报率，成为矿业公司即便面对高铜价依然对大型新项目保持审慎的根本原因之一。
3.2 供给周期与AI需求的时间错配
矿业供给的长周期属性与AI算力需求的短周期爆发之间，存在一个根本性的时间错配——这是理解当前AI金属供需紧张格局最重要的结构性背景。
AI需求爆发的时间压缩效应。如第一章所述，ChatGPT于2022年11月发布，两个月内月活用户突破1亿。从这一时间点到2026年中，全球AI服务器出货量年增长率已超过50%，数据中心装机规模从约70GW扩展至超过130GW，铜、银、钽等多种金属的AI相关需求在不足4年内实现了数倍的量级增长。这种需求增长的速度与规模，在工业史上极为罕见，与过去任何一次技术周期驱动的大宗商品需求扩张相比，均呈现出显著更快的演进节奏。
供给响应的时间滞后效应。与此形成鲜明对比的是供给侧的结构性迟缓。以铜为例，即便矿业公司在2022—2023年AI算力需求爆发的初期即决策启动新的大型铜矿开发项目，按15.7年的全球平均建设周期计算，这些项目最早也要到2037年前后才能形成实质性供给——届时距离AI算力需求的首次规模化爆发已相隔15年。即便按照卡莫阿-卡库拉这类"快速推进"项目的设计到投产5年计算，2023年启动的项目也要到2028年才能投产，而AI算力硬件的需求高峰预计将早于这一时点显现。
"需求3—5年爆发、供给15年以上响应"的错配格局，是AI金属价格中枢趋势性上移的根本支撑。中邮证券的行业研究指出，2025—2027年铜矿增量仅分别约为28万吨、73万吨、30万吨，精炼铜产量增速仅为1.1%、2.9%、1.4%，远低于历史增长水平；而同期铜需求增速中枢（受新能源与AI的双重拉动）已升至2.5%—2.8%，供需增速的长期背离是当前市场判断铜价中枢趋势性上移的核心基本面依据。从1990—2021年全球铜矿勘探成果来看，共发现228个铜矿床，但其中只有12个是在最近10年内发现的，新增资源量仅6,050万吨，占比仅5%——这意味着即便从勘探端发力，短期内也难以显著改变供给格局。
这一时间错配的意义不限于铜：对于锗、钽、稀土等建设周期同样长达数年、且环评与社区协议要求更为复杂的小金属矿种，供需错配的持续时间可能更长，价格上行的结构性支撑也更为顽固。
3.3 地缘政治风险与供应链安全
关键矿产的地理分布本身呈现出高度的空间集中特征，这种集中与当前日益复杂的地缘政治格局相互叠加，形成了矿业供给侧最难以通过市场机制自我修复的结构性风险。
资源禀赋的地理集中是地缘风险的物理基础。全球主要金属矿产资源在地理分布上极不均衡：智利、秘鲁、刚果（金）三国合计贡献全球铜矿产量的约55%；刚果（金）一国贡献全球钴产量的约74%，且这一集中度在过去十年非但未有改善，反而随卡莫阿-卡库拉等超大型矿山的投产而进一步加深；全球锡矿供应主要来自中国、印度尼西亚、缅甸三国；根据USGS 2025年数据，中国以27万吨产量稳居全球稀土产量首位，占全球总量的约69%；镓产量约95.7%来自中国，锗产量约60%—70%来自中国。这种地理集中意味着，任何单一地区的政治动荡、自然灾害、监管政策调整，都可能对全球特定金属的供给产生立竿见影的冲击。
资源民族主义的浪潮正在系统性加剧供给的不可预测性。近年来，越来越多的资源国政府开始将本国矿产资源视为需要主动管控的战略资产，而非单纯的出口创汇来源。刚果（金）出台钴出口配额制度；印度尼西亚针对镍、锡等优势资源推出一系列严监管政策（禁止镍矿石出口、推动下游冶炼本地化）；中国自2023年起对镓、锗、锑、稀土等多类金属实施出口管制，且管制范围与精准度持续升级；美国则以国家安全为由，对多个战略矿产品种实施进口限制与国内储备管理。这一趋势被国际分析界概括为"资源民族主义蔓延"——2026年展望判断指出，资源国或将持续收紧本国优势矿产的监管政策，且这一趋势已出现向非洲、亚太地区其他国家蔓延的迹象。
大国地缘博弈赋予关键矿产"战略溢价"，改变其传统定价逻辑。历史上，大宗金属的价格主要由供需基本面决定，地缘政治风险作为短期扰动因素偶发性影响价格，但不构成中长期定价的结构性变量。然而，以AI金属为代表的关键矿产，正在经历一场深刻的定价逻辑转变——地缘政治溢价已从周期性扰动升级为结构性定价因素。以稀土为例，中国将稀土出口管制与14纳米以下逻辑芯片制造用途精准挂钩（详见第五章）；以钨为例，中国2025年对钨实施出口许可证管理后，钨矿石价格在半个月内上涨超过25%；以镓为例，2023年7月出口管制公告发布后，国际市场镓价在短期内剧烈波动。地缘政治已成为AI金属价格形成中与供需基本面并列的独立核心变量，这是本报告第二篇各金属品类分析中始终需要纳入考量的重要背景。
供应链安全已从企业风险管理议题上升为国家战略议题。中国社会科学院工业经济研究所2025年发布的研究指出，就国防安全所需的关键金属矿产而言，钽、钴等品类对外依存度超出70%，进口来源国高度集中在刚果民主共和国等地区，面临短供、断供的"卡脖子"风险。这一判断揭示了关键矿产供应链安全议题的双向性：不仅资源进口国（如美国、欧盟在稀土与镓锗领域）面临对华依赖风险，资源出口国（如中国在铜、钽、钴等品类上的对外依存度同样较高）也面临资源来源集中的安全挑战。这一双向脆弱性，使得关键矿产的国家战略布局日益成为各主要经济体政策讨论的优先议题。
3.4 伴生矿产的天然供给刚性
在本报告所涵盖的AI金属品类中，镓、锗、铟、银、钽等多个具有极高战略价值的品类，均属于伴生矿产（Co-product or By-product Minerals）——即这些金属并非作为独立经济目标进行开采，而是在开采其他主矿（铝土矿、铅锌矿、铜矿等）过程中作为副产品回收获得。这一属性赋予了这类金属一种独特的、几乎不可通过市场机制自我修复的供给刚性。
伴生矿的供给量由主矿决定，而非由自身价格决定。这是理解伴生矿供给逻辑最关键的基本命题。以镓为典型：镓主要赋存于铝土矿中，是氧化铝生产过程中的副产品。中国之所以控制全球约98%的镓产量，并非因为中国拥有全球98%的镓矿储量，而是因为中国的电解铝产量约占全球55%——镓产量是铝产量的伴随输出。这意味着：当AI驱动的氮化镓需求大幅增加，市场价格信号上升，希望通过"扩大镓产能"来增加供给时，唯一可行路径是扩大铝土矿开采与氧化铝生产——而这一决策完全遵循铝行业自身的供需逻辑，与镓的价格信号基本脱节。
同样的逻辑适用于其他主要伴生矿产：约32.1%的银产量来自铅锌矿的副产品，22.8%来自铜矿副产品，这意味着银的供给在很大程度上取决于铅锌矿和铜矿的开采规模，而并非独立响应银价的涨跌；锗主要伴生于锌矿中，约41%的全球锗储量赋存于中国，其产量同样受制于锌精矿的生产规模；铟主要赋存于闪锌矿（硫化锌矿）中，作为锌冶炼的副产品回收；钽主要赋存于钶钽铁矿（Coltan）中，集中分布于刚果（金）的特定地质构造带。
伴生矿的经济回收具有技术门槛与规模约束。即便主矿开采规模足够大，实现对伴生金属的高效经济回收也需要满足一定的技术条件与规模门槛。以镓的回收为例，每吨铝土矿中镓的含量通常仅为几十克，其经济回收需要在氧化铝生产流程中专门配置离子交换或溶剂萃取提镓装置，这一装置具有较高的建设成本与技术要求，并非所有氧化铝厂都具备。若想在中国之外重建规模化的粗镓生产能力，意味着必须单独为此配套铝土矿开采、氧化铝生产和电解铝冶炼的完整产业链，估算成本将使每公斤粗镓的生产成本不低于5,500元人民币，商业可行性几乎为零。
价格信号对伴生矿供给的引导效应极为有限。对于独立矿种（如铁矿石、铜），价格上涨会引发资本开支增加、新矿山开发提速等典型的供给侧响应，价格对供给的调节机制相对有效。但对于伴生矿种，价格上涨所能引导的供给响应极为有限——镓价翻倍，并不会导致全球氧化铝产能显著扩张；银价大幅上升，并不会触发铅锌矿企业专门为回收银而扩大产能。这一特性使得伴生矿的供需平衡调节机制存在根本性缺陷，价格在供需失衡时可能出现远超独立矿种的弹性——向上弹性大（价格可以持续上涨而供给难以跟上），但向下均值回归的市场机制也相对弱化（价格下跌不能有效引导供给减少，因为主矿企业不会因伴生金属价格下跌而削减主矿产量）。
3.5 其他结构性供给约束
除上述四类核心约束之外，矿业供给还面临若干重要的结构性制约因素，这些因素在中长期维度上同样会对AI金属的可用供给量产生实质性影响。
环境监管日趋严苛与ESG合规成本上升。全球范围内，矿业项目的环境影响评估要求、水资源使用限制、尾矿处理标准、碳排放约束等均在持续收紧。智利铜矿集中于气候干旱的北部及中部，水资源匮乏对采矿用水形成硬约束，部分矿山不得不投资高成本的海水淡化设施以解决生产用水问题，直接推高运营成本。全球稀土冶炼分离过程本身具有高放射性废料处置成本，这也是中国之外稀土精炼产能难以快速复制的重要原因之一。在南美、非洲等资源丰富地区开发新矿山，日益面临来自原住民社区的环保诉讼与社区阻挠，进一步拉长项目审批时间与建设周期。
劳动力成本与本地化要求的持续上升。主要矿产资源国政府普遍在推进矿业本地化政策，要求外资矿业企业提高本地员工比例、使用本地供应商、在当地进行更多的矿产品深加工。这些政策虽有其正当的发展诉求，但客观上提高了跨国矿业公司的运营成本，并在部分案例中引发劳资矛盾与停产事件。秘鲁地区的社区抗议长期困扰当地铜矿生产，是铜矿干扰率长期处于高位的主要因素之一。
技术人才稀缺与工程能力瓶颈。矿山建设与运营需要采矿工程、选矿冶金、岩土力学等高度专业化的技术人才，而全球范围内相关专业的工程师与技术人员供给长期不足，尤其是在偏远地区和发展中国家的大型矿山项目中，技术人才的获取与保留是项目进度延误的常见原因之一。这一约束在当前全球多个超大型矿山同步推进建设的背景下，形成了工程能力的系统性瓶颈。
再生回收供给的局限性。金属的再生回收（二次供给）理论上可以在不依赖新矿山开发的情况下补充市场供给，但对于AI金属体系中的多数品类而言，再生回收的实际贡献受到严格约束。如前所述，镓在单颗射频芯片中的含量约为几毫克，单独回收的经济性完全不成立；钽电容产品的微型化趋势使得废旧电子设备中钽的单件含量持续下降，提取工艺复杂且经济回报有限；稀土的回收虽然技术上可行，但受制于废料来源分散、收集体系不健全等问题，目前全球稀土回收量占总供给的比例仍低于5%。铜的回收相对成熟（全球废铜再生利用率约30%），但在AI拉动的需求高速增长期，再生铜的供给增速远不足以填补矿端供给的缺口。
综合以上五方面约束，本章可以形成一个总体性判断：矿业供给体系在可预见的未来，不具备随AI算力需求快速同步扩张的物理能力与制度条件。资本开支的长期不足、15.7年的平均建设周期、地缘政治风险的系统性积累、伴生矿产的内生供给刚性、以及环保与社区约束的持续强化，共同构筑了一道高度坚实的供给侧壁垒，使得"供给不足+需求扩张"的基本格局将在相当长的时间内持续存在，为AI金属价格体系的中枢上移提供了可信赖的结构性支撑。这一判断，构成本报告第二篇各金属品类分析中始终成立的供给侧底层逻辑，将在第四至第七章中依据各品类的具体供给特征得到进一步的细化与验证。
(本文作者系盘古智库高级研究员周济、牛站奎)
