杰米·戴蒙谈AI：摩根大通已在用，瓶颈不只在芯片

关于杰米·戴蒙在巴黎的最新表态，公开报道其实并不长：在摩根大通年度全球市场会议上，这位摩根大通董事长兼CEO告诉彭博的弗朗辛·拉夸，AI几乎会改变一切，并谈到自己每天如何使用这项技术。

但如果只把这句话当作又一次AI金句，就会错过重点。结合摩根大通的公司更新和戴蒙近期多次发言，更清楚的图景是：AI已经进入这家大型银行的日常运营；与此同时，AI热潮能跑多快，越来越取决于电力、散热、数据中心和供应链这些看得见摸得着的基础设施。

巴黎讲话的重点：AI不是展示项目，而是经营议题

戴蒙在达沃斯世界经济论坛上说，摩根大通并不把AI看成一种与技术分开的新类别；技术一直在改变银行的工作方式，而现在AI也在管理层议程中有了自己的席位。

这句话的含义很实际：AI不是被放在创新实验室里的试点项目，而是要进入业务复盘、预算、团队管理和流程改造。摩根大通在2026年公司更新中称，技术仍是开支增长的主要驱动因素，该行预计当年技术支出约198亿美元，同比增长10%，原因包括业务增长以及对新产品和新能力的需求。

换句话说，戴蒙讲的不是遥远的未来，而是银行正在用钱、用人、用管理机制推进的现实项目。摩根大通也表示，其技术平台继续推动全公司范围内的创新和效率提升。

摩根大通现在怎么用AI

戴蒙把摩根大通的AI工作描述为长期工程，而不是最近才追热点。他在彭博采访中说，该行从2012年就开始做AI，约有2,000人参与，每年投入约20亿美元，应用范围包括风险、反欺诈、营销、创意生成和客户服务。

另一段彭博报道中，戴蒙称摩根大通每年从AI投资中节省的金额大致与投入相当，并表示该公司已经有数百个AI用例。

这说明，摩根大通的AI更像是一组分散在核心银行流程里的工具：有的用于后台自动化，有的用于风控和欺诈识别，有的面向客户服务，也有的用于员工辅助和决策支持。它不是单一产品，而是一套正在嵌入业务肌理的能力。

好处：效率、节省，以及更快的组织反馈

眼下最清晰的收益，是效率和生产率。关于戴蒙股东信的报道称，他预计AI会影响银行几乎每个运营环节，在提升生产率的同时，也会消除一些岗位。 另一份对年度信的摘要称，AI会影响客户服务和内部员工系统。

戴蒙还说，AI支出已经与大致相当的年度节省相匹配，并把更大的降本机会称为冰山一角。

这也是他态度显得务实的原因：AI确实可能改善银行工作的成本结构和响应速度，但这些收益并不会凭空出现。它们往往来自任务被重新拆分、流程被重写、团队边界被调整，甚至岗位本身被改变。

岗位冲击：再部署，不等于无痛转型

戴蒙并不认为AI只会轻松辅助每一位员工。2026年2月的一则报道称，摩根大通已为受自动化影响的员工启动庞大的再部署计划，在整体员工数量保持约318,500人的同时，将运营岗位削减4%、支持职能削减2%。

在达沃斯，戴蒙还警告说，AI的发展速度可能快到社会难以适应，并表示政府和企业需要合作，找到再培训员工的办法。

因此，现有资料支持一个明确判断：戴蒙预计AI会改变工作、消除部分任务或岗位，并带来大规模再培训需求。但这些资料并没有验证一个精确的摩根大通AI裁员人数。

真正可能拖慢AI热潮的，是物理世界

如果说戴蒙的表态讲的是金融机构如何采用AI，那么基础设施问题讲的就是AI热潮能扩张多快。高盛估算，到2026年AI基础设施支出可能达到约7,650亿美元，到2031年升至1.6万亿美元；2026年至2031年，算力、数据中心和能源等领域累计投资可能接近7.6万亿美元。

这意味着，AI竞争不只发生在模型、算法和芯片层面，也发生在电网、散热、机房、设备交付和高速连接层面。

1. 电力和并网

电力是最直观的卡点。高盛报告估计，AI相关扩张可能需要新增约47吉瓦发电能力，并指出冗长的并网排队仍是新项目接入电网的一大挑战。

德勤则估计，美国AI数据中心用电需求可能从2024年的4吉瓦增至2035年的123吉瓦；在其对美国电力公司和数据中心高管的调查中，电网压力被列为数据中心基础设施开发的首要挑战。

对AI行业来说，这意味着即便算力需求真实存在，项目也可能被并网时间、电力供应和输电审批拖慢。

2. 数据中心正在变成工业系统

AI数据中心不再只是放满服务器的机房。高盛将AI数据中心描述为围绕超高密度服务器构建的电气和热管理一体化系统；麦肯锡也称，AI正在把数据中心重塑为服务高密度负载的电力—热管理系统。

麦肯锡还认为，数据中心价值链中长交期关键部件的供应能力，正在成为一个关键增长约束。 这类瓶颈不一定像芯片短缺那样醒目，但同样可能决定项目交付速度。

3. 散热和液冷

散热正在从配套问题变成核心问题。世界经济论坛指出，过去只需数百块GPU的AI集群，如今可能需要数万块；拖慢这种扩张的瓶颈已不只是硅芯片，还包括热量、电力、连接和内存。

在满载GPU的热密度面前，传统空气冷却越来越吃力。世界经济论坛还称，液冷、浸没式冷却和新的热架构已经从实验性方案变成基础要求。

4. 网络、光纤和高速连接

大型AI集群需要在大量加速器和系统之间保持高速、稳定、低延迟连接。现有资料最稳妥的说法是：连接能力正在成为AI集群扩张的约束之一。世界经济论坛将连接列为拖慢AI集群扩张的因素，另一份报道也称投资瓶颈正从硅转向高速连接和基础能源供应。

不过，资料并没有单独量化一个光纤短缺。因此，更谨慎的结论是：光纤属于更广义的高速连接约束的一部分，而不是已经被这些资料证明为独立、可量化的瓶颈。

5. 原材料与设备供应链

关于原材料，现有证据也更支持设备和部件约束，而不是某一种大宗商品已经成为明确短板。麦肯锡强调，数据中心价值链中的长交期关键部件可能限制增长；世界经济论坛也指出，预计的数据中心投资中，很大一部分会流向冷却、发电和相邻硬件。

原材料当然可能通过这些硬件供应链影响AI扩张，但现有资料没有列出最紧缺的具体金属或材料，也没有给出明确排序。

结论：AI部署已经开始，速度由现实世界校准

戴蒙的AI信息并不是等待下一次模型突破，而是已经开始部署。摩根大通正在把AI用于核心银行功能，技术预算规模巨大，并为自动化改变岗位后的员工再部署做准备。

但另一面同样重要：AI下一阶段能跑多快，可能由电力、并网、高密度数据中心、散热、高速连接和长交期设备共同决定。换句话说，即便AI软件继续进步，真正限制部署速度的，可能是那些更难快速扩建的现实世界基础设施。