证券时报记者周春媚
7月以来 ，全球资本市场经历了一场关于“人工智能（AI）信仰 ”的震荡 ，AI算力板块从普遍乐观走到了一个关键的分歧点 。从硅谷科技巨头元公司（Meta）出租富余算力，到衡量AI实际使用热度的词元（Token）支出指数较5月高点下跌约20%，一系列行业信号 ，让支撑AI算力上涨的逻辑出现松动 ，触发全球AI算力股普遍回调 。
从AI产业链来看，支撑上游算力端景气度的 ，最终还得是下游应用端。应用端的商业模式是否成立 、盈利是否可期 、增长是否可持续——这些终极之问 ，决定着AI资本开支能否持续扩张。记者近日采访产业界人士发现，当前大部分AI应用尚未跑通“收入覆盖成本”的盈利模型 。当“免费换规模”的互联网旧逻辑撞上“按量计费 ”的AI新成本结构 ，一个“用户越多亏得越多 ”的“规模陷阱”正在发生 ，并成为发展之路上的拦路虎 。
AI算力板块的震荡调整，本质上是资本市场对高昂资本开支的一场重新审视：如果应用层尚未构建可行的商业模式 ，利润高度集中于上游硬件或不具备持续性。市场人士指出 ，只有AI下游，也就是软件应用和AI端侧有了需求释放和业绩收入后 ，整个链条才能更良性地循环起来 。
难以承受的AI成本
AI创业公司的老板们 ，最近都在认真计算AI的成本 。
“我们公司的算法工程师，一下午就要‘烧’掉300至500美元，比工资还要高。 ”一家具身智能独角兽的创始人告诉证券时报记者 。机器人本质上是软硬一体的AI终端 ，机器人公司除了要造出本体外 ，还需要研发部署在机器人上的具身大模型，而每一次模型训练 ，都需要消耗大量的Token ，背后都是真金白银的算力支出 。
如果训练可以视为一次性的支出，那么推理则是伴随着每一次用户调用而发生的、持续的现金流消耗。
深圳一家AI教育硬件公司的负责人告诉证券时报记者 ，公司研发的AI拍学机通过接入大模型 ，实现了“万物识别”的功能，孩子用拍学机拍一张照片 ，AI就能识别图片中的物品 ，科普相关知识，累计用户规模已超25万 ，日均使用时长达45分钟 。然而 ，这款售价大约500元的产品却没有实现盈利，不仅因为硬件受存储芯片、印刷电路板等涨价影响而成本增加，而且用户每一次拍照识别都需要调用大模型 ，都要消耗Token——这意味着 ，用户越多 、使用时间越长，成本就越高 、越不可控 。
产品越成功 ，亏损越严重——在AI产业链的下游应用端 ，这是一个普遍存在的“规模不经济 ”悖论。记者采访了解到，上游算力端几乎吃掉了模型厂商及应用端的所有利润 ，整个链条中 ，谁离用户越近，谁越难赚钱 。因为模型厂商及应用端需要面对的 ，是拥有绝对议价权的上游算力供应商 ，以及对价格敏感、低忠诚度的用户，要在夹缝中实现盈利 ，并不容易 。
最近的一则数据 ，让AI高昂成本带来的压力初现端倪。独立指数提供商Silicon Data编制的大模型Token支出指数在今年5月触顶后，如今已回落约20%。这一指数被视为反映AI服务付费意愿及边际需求变化的指标，有市场分析人士认为 ，其走弱表明用户的AI支付意愿已接近阶段性上限 。
Token支出指数下滑 ，最直观的一个体现是，科技公司最近开始对员工Token使用量进行限制 。例如 ，微软 、Meta等公司均采取措施限制员工使用AI ，以控制快速膨胀的AI成本。一名国内头部互联网大厂程序员也告诉证券时报记者，现在公司内的前沿模型接口经常要排队 ，“本质上就是在限制使用 ，感觉限制用量迟早会来 。 ”该程序员表示 。
赚钱为什么这么难
传统互联网模式下，开发一款APP的成本是固定的 ，新增一个用户的边际成本趋近于零 ，其增长逻辑是“烧钱换规模 、规模换利润”。但这套打法在AI时代已经失效，因为推理成本会随着用户规模和日活一起“膨胀 ” ，规模越大 ，账单越贵 。
面对高昂的成本，AI应用端正在经历一场从免费圈地到付费探索的转向 。6月24日，豆包专业版正式上线 ，采用包月订阅模式 ，有68元、200元 、500元三档付费方案，使用额度随金额依次增长。但在专业版之外 ，豆包也对用户保留免费的基础版本 ，并强调免费版的功能与额度可以满足大部分用户的日常生活场景 。
除了豆包以外，记者梳理发现 ，国内主流大模型中 ，智谱AI（智谱清言）和月之暗面（Kimi）也已上线付费会员体系，均采取包月订阅模式 。智谱清言分为VIP会员和SVIP会员两种 ，连续包月价格分别为49元和149元；Kimi包月费用分为49元 、99元、199元 、699元四档。二者均和豆包一样保留免费的基础版本 。DeepSeek 、阿里千问、腾讯元宝则对普通用户维持免费 ，未设置付费版本 。
然而，能收费却并不代表能盈利 ，二者之间隔着一道难以跨越的鸿沟。
从To C端（面向消费者）来看 ，付费模式的推行阻力重重。和君咨询合伙人沈佳庆接受证券时报记者采访时表示，在作为生产力工具以外的其他场景，AI的收入乏善可陈 ，这源于国内个人用户的付费意愿普遍不高 。前述AI教育硬件公司负责人告诉记者 ，由于国内用户还没有形成AI付费习惯，公司的拍学机在国内和国外采用“双轨制 ” ，即对国内用户免费 ，对海外用户收取每月9.9美元至15美元的订阅费，以此覆盖部分的模型调用推理成本 。
从To B端（面向企业）来看 ，盈利则面临企业预算约束和落地效果鸿沟。“赚钱的难度并不低 ，因为客户是极为理性的 。对多数企业而言，AI应用预算并非新增的资本开支 ，而是从本就已经在缩减的数字化转型预算中分离出来的 ，因此，总市场没有变大 。”沈佳庆说 ，随着企业部署和应用AI进入深水区 ，在取得一部分效果后，往往就会发现AI对核心商业模式 、市场竞争力等的改进作用暂时还比较有限，一些无法产生明确效益的应用场景就将被砍掉。
虽然现阶段 ，B端的盈利比C端更具确定性 ，但B端的投入也更“重 ”，高度定制化 ，需长期维护和运营 。更重要的是 ，在沈佳庆看来，AI的真正价值不在于降本 ，而在于创造原本不存在的商业模式 ，而AI应用目前还未能真正创造价值 。“会议纪要自动生成 、周报一键扩写、营销文案批量改写、PPT排版美化 、简单代码补全，这些功能有更好 ，没有也没关系 ，它们不是企业愿意为之支付高额订阅费或项目款的痛点。 ”沈佳庆说 。
AI资本开支的再审视
近年来，资本市场热烈追捧AI算力基建板块 ，其核心逻辑是AI能力将随着AI资本开支的扩大而提升 ，进而产生更大的回报 。但是，在算力账单持续攀升而实际业务回报有限的情况下，AI行业正面临着一场深刻的商业模式重构。
要走出“规模不经济”的陷阱 ，核心在于两方面——降本和提质 。
降本 ，是要在模型架构和推理效率上做文章，通过引入端云协同 、大小模型动态路由、推理缓存与预计算等技术 ，降低推理成本 。前述AI教育硬件公司负责人表示 ，公司的AI拍学机将高频 、简单的识别任务（如识别常见动植物）交由低成本 、本地化部署的端侧小模型处理，仅在遇到复杂逻辑或长尾知识时才调用云端大模型 ，此外还利用推理缓存技术 ，对重复出现的用户提问直接返回历史结果，避免重复计算 ，降低Token消耗。
提质 ，是要摒弃“为了AI而AI”的功能堆砌，从“卖Token ”真正转向“卖结果 ” ，前者关心的是“用了多少” ，后者关心的是“产出了什么 ”。一名业内人士告诉记者，在传统的IT服务中，甲骨文、赛富时等软件公司并不是按照“数据库查询次数 ”来收费 ，而是采取项目制定价 、按服务周期付费 ，约定服务范围和效果指标，基于实际产生的产业价值来定价 。“AI花了几年时间绕路 ，最后可能还是要回到这条路上来 。”该业内人士说。
回到最初的问题 ，在“规模不经济 ”的视角下，AI资本开支的可持续性 ，不取决于算力本身有多强大 ，而取决于下游应用能否构建出健康的商业增长和财务盈利模型 。“就好比西部淘金热，卖铲子的人比淘金客更兴奋 ，淘金客在河边筛了几年 ，却没见到金沙 。 ”沈佳庆说，如果未来应用层仍无法创造真正的价值——比如能直接创造新收入 、自主完成核心业务闭环、具备不可替代性的产品 ，那么底层基建的繁荣或也将不可持续。
（文章来源：证券时报）
