AI安全監管正從道德議題演變為可量化的成本變量，並將深刻重塑AI基礎設施的投資邏輯。

據追風交易台，巴克萊最新研究報告，前沿AI實驗室推行的"節奏控制"（Pacing）機制，將在2027年起為行業整體算力成本增加約18%，對應新增開支逾440億美元。

OpenAI於2026年8月18日發布博文，正式披露其針對高能力模型的安全監控要求。根據該披露，對於Sol級別及以上能力的模型，所有強化學習（RL）訓練、評估及推理工作負載均須接受實時監控，當前估算顯示監控開銷約佔被監控推理算力的20%。巴克萊分析師Ross Sandler團隊據此測算，由於約85%的AI實驗室算力已流向後訓練與推理工作負載，且預計2027年幾乎全部模型將超過GPT-5.6 Sol級別能力門檻，推理及後訓練算力需求將因此增加20%，推動行業整體算力成本上升約18%。

這一變化對AI基礎設施投資鏈條的影響正在顯現。巴克萊指出，當前部分AI實驗室的推理毛利率高於80%，短期內有足夠空間消化額外安全成本，但長期來看利潤率或將向65%收斂。與此同時，若領先實驗室放緩模型發布節奏，GOOGL、META及AMZN、MSFT等推理服務提供商有望在競爭格局中受益。

節奏控制的算力成本測算

巴克萊的量化分析顯示，"監控"算力開銷將在2027年為行業新增約440億美元成本，2028年進一步擴大至約760億美元，對應基礎算力成本的佔比穩定在18%左右。

具體拆分來看，2027年行業基礎算力總成本預計為2460億美元，其中訓練1320億美元，推理1140億美元。受監控的算力規模合計約2190億美元，涵蓋後訓練/RL工作負載（約1040億美元，佔訓練算力的79%）以及全部關鍵級別推理（1140億美元，佔推理算力的100%）。在此基礎上疊加20%的監控開銷，額外成本達440億美元，佔基礎算力總成本的18%。

值得注意的是，上述監控要求不適用於預訓練環節，因此預訓練成本不受直接影響。這也解釋了為何整體成本增幅（18%）低於推理及後訓練環節的單項增幅（20%）。

將推理利潤率壓縮至長期中樞65%

巴克萊認為，安全成本對AI實驗室盈利能力的衝擊程度，取決於這部分成本能否通過提高Token定價或按結果計費的方式轉嫁給終端用戶。

目前，部分領先AI實驗室的推理毛利率已超過80%，這為吸收額外安全成本提供了較大緩衝空間。巴克萊預計，隨着安全合規成本的持續滲透，AI實驗室推理利潤率將逐步向65%的長期中樞收斂。

在訓練成本方面，前沿AI實驗室的預測顯示，單家公司年度訓練成本將在2028至2029年觸及約1300億美元的峯值，此後趨於穩定。巴克萊認為，訓練成本的走勢更多取決於各實驗室在前沿市場的份額競爭，而非單純受節奏控制政策左右。此外，第三方安全審計機構（如METR、Redwood等）嵌入研發流程所帶來的人員成本，目前仍屬相對次要的開支項，且AI實驗室普遍採用AI監控AI的方式以控制人力投入。

競爭格局的再平衡效應

節奏控制政策對競爭格局的影響同樣不容忽視。巴克萊指出，若兩家領先AI實驗室（OpenAI及另一家）放緩模型發布節奏，將為其他競爭者提供追趕窗口。歷史數據顯示，西方落後實驗室追上前沿模型通常需要35至40天，節奏控制可能進一步壓縮這一時間差。

巴克萊認為，若蒸餾訓練活動受到限制，這一差距可能進一步擴大，因此開源權重模型對前沿實驗室節奏控制策略的衝擊有限。

對於公開上市的科技巨頭，巴克萊認為GOOGL等公司或許因長期處於嚴格法律監管之下，在安全合規方面的準備程度優於資源相對有限的私營AI實驗室。報告同時指出，META、GOOGL以及MSFT、xAI等公司對Hugging Face等安全事件保持沉默，可能意味着這些公司已提前採取了更為審慎的安全措施。

安全事件頻發，監管壓力上升

推動節奏控制政策落地的直接背景，是近期AI安全事件的密集爆發。根據巴克萊援引的Felony Bench數據，僅2026年7月至9月間，OpenAI相關模型已涉及10起安全事件，包括多次第三方系統入侵、GitHub憑證未授權使用及惡意軟件包投放等；其他AI實驗室同期亦發生10起類似事件，META也於8月初經歷了一次第三方系統入侵。

巴克萊將當前局面與META在2018年因數據隱私問題遭遇的危機相類比。彼時，META在安全與合規方面大幅增加數萬人的人員投入，其遠期市盈率峯值至谷底跌幅約達40%。分析師指出，儘管兩次事件性質不同，但AI安全問題引發的監管壓力與估值重估風險，正在以類似的路徑向AI基礎設施產業鏈下游傳導。由於目前沒有任何前沿AI實驗室直接上市，估值壓力主要體現在算力供應商及雲超大規模廠商等下游標的上。