算力增速从138%降至38%后，人工智能行业面临的风险主要包括算力泡沫破裂、技术路线锁定、需求结构化转型以及能源压力。这些风险的核心在于，过去依赖高速扩张的算力基础设施投入，可能因应用变现不及预期、芯片供应受限或技术路径切换而暴露脆弱性。
算力泡沫：过度投资与低利用率
随着中国AI算力规模增速从2020年的138%持续下降至2026年预计的38%（IDC数据），企业此前大规模投资的算力基础设施可能面临供过于求的风险。部分企业的算力利用率偏低，若应用端无法快速产生足够收入，前期高昂的硬件投入将难以回收，形成“算力泡沫”。
技术路线锁定与芯片供应不确定性
行业对英伟达CUDA生态的深度依赖，构成了显著的技术迁移成本。同时，美国芯片出口管制政策持续升级，直接冲击国内企业获取高端AI芯片的能力。在此背景下，华为昇腾910等国产ASIC芯片在BF16浮点算力和INT8定点算力方面已具备竞争力，但国产FPGA厂商（如紫光国微、复旦微电）的先进制程仍集中在28nm，与国际16nm水平存在差距，整体生态成熟度仍需追赶。
需求结构化转型：从训练到推理
目前大部分大模型处于开发阶段，对训练芯片（如GPU）需求旺盛。但未来随着模型成熟，推理需求能否有效接棒是关键。推理场景对芯片的能耗、时延和成本要求更高，更适合FPGA和ASIC。若推理需求增长不及预期，将导致算力基础设施的结构性闲置。
能源与功耗约束
算力中心的电力消耗快速增长，在碳中和政策约束下，高能耗的GPU集群面临运营成本上升和合规压力。相较之下，ASIC芯片凭借卓越性能和低功耗特性，有望成为更可持续的AI技术选择，但其渗透率仍受限于高昂的研发成本。
常见问题
国产AI芯片能否替代英伟达产品？
国产厂商在ASIC领域已取得突破：海思昇腾910在部分算力指标上具备竞争力，寒武纪等厂商的产品整体性能也能与国际产品比肩。但国产FPGA在工艺制程（28nm vs 国际16nm）和门级规模（旗舰产品约200K，约为国际高端产品的25%）上仍有差距，且整体软件生态（如CUDA替代）尚不成熟。
算力增速放缓是否意味着AI行业见顶？
增速放缓更多反映的是基数效应，而非需求饱和。IDC预测2026年中国AI算力规模仍将达到1270 EFLOPS，绝对量持续增长。风险在于增速下降后，前期过度投资可能暴露泡沫，但行业长期增长逻辑未变。
投资者应关注哪些风险信号？
需重点关注：企业算力利用率数据、大模型应用变现进展、芯片出口管制政策变化，以及推理芯片（FPGA/ASIC）的渗透率提升速度。