3 万亿美元的 AI 难题：营收能否匹配基础设施支出？
人工智能行业目前正陷入一场高风险的竞赛：一边是巨额的资本支出，另一边则是对营收增长的迫切需求。随着超大规模厂商（hyperscalers）向硬件领域投入数万亿美元，一个关键问题随之而来：软件层能否创造足够的价值，以抵消芯片带来的巨大成本？
日益扩大的资本支出与营收之间的差距
AI 基础设施的投资规模令人震惊。红杉资本合伙人 David Cahn 此前基于英伟达（Nvidia）500 亿美元的 GPU 营收，估算需要 2000 亿美元的营收来匹配；而现在，他大幅修正了预测。由于过去三年持续不断的超大规模扩张，Cahn 目前预计到 2026 年，AI 基础设施支出将达到 1.5 万亿美元。
为了收回这些成本，该行业必须创造约 3 万亿美元的营收。这一数字可能只是一个保守的基准。内存成本的上升、新型专用推理芯片的部署以及数据中心建设成本的增加，都在推动每吉瓦（GW）资本支出所需的营收大幅提高。尽管前沿实验室正在实现增长——据报道 Anthropic 的年度经常性收入（ARR）已达到 600 亿美元，OpenAI 也达到了 200 亿美元——但目前的收益与 3 万亿美元门槛之间仍存在巨大差距。
超大规模厂商的豪赌与通缩风险
“七巨头”（Magnificent Seven）风格的超大规模厂商——谷歌（Google）、Meta、微软（Microsoft）和亚马逊（Amazon）——是这一支出的主要驱动力。这些巨头正押注于到 2028 年自由现金流将大幅加速增长，其前提是 AI 服务将成为必不可少的、高利润的公用事业。
然而，阿波罗（Apollo）首席经济学家 Torsten Slok 警告称，可能会出现严重的阻力，从而使这一数学模型失效。有两种特定趋势对“Token 工厂”商业模式构成了威胁：
- 开源权重（Open Weights）的兴起： 各机构正越来越多地转向更便宜的开源权重模型（包括来自中国的模型），而不是仅仅依赖昂贵的前沿模型。
- Token 通缩： 随着模型效率的提高，单个 Token 的价格正在暴跌。例如，OpenAI 的最新模型在编程任务中的 Token 效率提升了 54%。虽然这对开发者和终端用户来说是件好事，但对于那些依赖高 Token 吞吐量来抵消巨额基础设施成本的供应商来说，这造成了“逐底竞争”（race to the bottom）。
AI 投资回报失败的宏观经济影响
其中的利害关系远不止于科技巨头的资产负债表。由于目前的市场领导地位高度集中在少数几家公司手中，整个标普 500 指数（S&P 500）都与这一 AI 投资周期的成败紧密相连。
如果超大规模厂商无法在 2028 年前实现预期的现金流目标，市场反应可能会是系统性的。Slok 指出，回报速度慢于预期不仅会导致特定行业的调整，还可能将更广泛的经济推入衰退。对于 AI 生态系统而言，未来几年将是一个决定性的测试：即智能变现的速度，能否赶上生产智能的硬件成本加速上升的速度。
核心要点
- 巨大的营收需求： 为了支撑到 2026 年预计达 1.5 万亿美元的基础设施支出，AI 行业需要创造约 3 万亿美元的营收。
- 效率悖论： 模型效率的提高（例如 OpenAI 在编程任务中提升了 54% 的效率）降低了用户的成本，但却为资助硬件建设的公司带来了定价压力。
- 系统性经济风险： 由于超大规模厂商的增长是标普 500 指数的主要驱动力，未能实现 AI 回报可能会引发更广泛的市场调整或经济衰退。