证券时报记者 周春媚
自7月以来，全球资本市场对AI的信仰经历了一场严酷的现实检验。AI算力板块从备受追捧走到了十字路口，多空分歧日益加剧。从硅谷巨头Meta开始出租富余算力，到衡量AI实际需求热度的Token支出指数自5月高点下滑约20%——这一系列信号，动摇了支撑AI算力股上涨的核心逻辑，引发全球AI算力概念股集体回调。
归根结底，上游算力的景气度能否持续，最终取决于下游应用端的承接能力。应用端的商业模式是否成立、盈利是否可期、增长能否延续——这些核心问题，直接决定了AI资本开支是否还有继续攀升的空间。记者近期深入产业界调研发现，目前绝大多数AI应用尚未形成“收入覆盖成本”的盈利闭环。当传统的“免费换规模”互联网逻辑，遭遇“按量计费”的AI全新成本结构时，一个“用户越多亏损越多”的规模陷阱正在悄然成型，成为AI发展道路上难以回避的障碍。
AI算力板块的震荡调整，本质上是市场对高昂资本开支的一次重新审视：如果应用层无法拿出可行的商业模式，利润高度集中于上游硬件环节，那么这种繁荣的可持续性将面临质疑。市场分析人士指出，只有当AI下游——即软件应用和AI端侧——释放出真实需求并产生实际收入，整个产业链才能形成良性循环。
难以承受的AI成本
当前，AI创业公司的管理者们都在认真核算AI的成本账。
“我们公司的算法工程师，一下午就要消耗300至500美元的算力成本，这甚至高于其薪资支出。”一家具身智能独角兽的创始人对记者表示。机器人作为软硬一体的AI终端，除了本体制造，还需研发部署在机器人上的具身大模型，每一次模型训练都要消耗大量Token，背后都是实实在在的算力投入。
如果说训练成本尚属一次性支出，那么推理成本则是伴随每次用户调用持续发生的现金消耗——这才是真正棘手的难题。
深圳一家AI教育硬件公司负责人告诉记者，公司研发的AI拍学机接入了大模型，实现了“万物识别”功能：孩子拍摄照片，AI即可识别物品并科普相关知识。目前累计用户已超过25万，日均使用时长达到45分钟。然而，这款售价约500元的产品竟尚未盈利——不仅因为存储芯片、PCB等硬件涨价抬高成本，更关键的是，用户每次拍照识别都需要调用大模型，消耗Token。换言之，用户越多、使用时间越长，成本就越难以控制。
产品越成功，亏损越严重——在AI产业链下游应用端，这一“规模不经济”悖论普遍存在。记者采访了解到，上游算力端几乎吞噬了模型厂商及应用端的全部利润。整条产业链中，离用户越近的环节，盈利难度越大。模型厂商和应用端夹在拥有绝对议价权的上游算力供应商与价格敏感、忠诚度低的用户之间，在夹缝中寻求盈利，挑战巨大。
最近一组数据，让人们更直观地感受到AI高昂成本的压力。独立指数提供商Silicon Data编制的大模型Token支出指数在今年5月触及高点后，目前已回落约20%。该指数被视为衡量AI服务付费意愿及边际需求变化的风向标。市场分析人士认为，该指数走弱，意味着用户的AI支付意愿正接近阶段性上限。
Token支出指数下滑的最直接表现是：科技公司开始限制员工使用AI。例如，微软、Meta等企业已采取措施控制AI成本。一位国内头部互联网大厂的程序员也向记者透露，公司内部前沿模型接口经常需要排队，“本质上就是在限制使用，我感觉限制用量迟早会全面推行。”
赚钱为什么这么难
在传统互联网模式下，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，增长逻辑是“烧钱换规模，规模换利润”。然而，这套逻辑在AI时代已失效——因为推理成本会随用户规模和日活同步“膨胀”，规模越大，账单越高。
面对高昂成本，AI应用端正经历从免费圈地向付费探索的转型。6月24日，豆包专业版正式上线，采用包月订阅模式，提供68元、200元、500元三档，使用额度随金额递增。不过，专业版之外，豆包仍为普通用户保留免费基础版，并强调其功能和额度足以覆盖大多数日常场景。
除豆包外，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）也已推出付费会员体系，同样采用包月订阅模式。智谱清言分为VIP和SVIP，连续包月价格分别为49元和149元；Kimi包月费用分49元、99元、199元、699元四档。两者都像豆包一样保留了免费基础版。而DeepSeek、阿里千问、腾讯元宝目前仍对普通用户免费，未设置付费版本。
然而，能收费并不等同于能盈利，二者之间横亘着一条鸿沟。
从To C端来看，付费模式推行阻力重重。和君咨询合伙人沈佳庆接受记者采访时表示，除作为生产力工具的场景外，AI在其他场景的收入表现平平。根源在于国内个人用户付费意愿普遍较低。前述AI教育硬件公司负责人也告诉记者，由于国内用户尚未形成AI付费习惯，他们的拍学机在国内和国外采取了“双轨制”——国内免费，国外每月收取9.9美元至15美元订阅费，用于覆盖部分模型调用的推理成本。
再看To B端，盈利面临的则是企业预算约束与落地效果之间的差距。“赚钱难度不小，因为客户十分理性。对大多数企业而言，AI应用预算并非新增资本开支，而是从本就在缩减的数字化转型预算中划拨出来的，因此总市场并未扩大。”沈佳庆说。随着企业部署和应用AI进入深水区，在取得一定成效后，往往发现AI对核心商业模式、市场竞争力的改进作用暂时有限，一些看不到明确效益的应用场景自然被舍弃。
尽管现阶段B端盈利比C端更具确定性，但B端的投入也更“重”——高度定制化，需要长期维护和运营。更关键的是，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。而目前AI应用远未达到这个层次。“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——这些功能有固然好，没有也无伤大雅，它们并非企业愿意为之支付高额订阅费或项目款的真正痛点。”
AI资本开支的再审视
近年来，资本市场对AI算力基建板块的热烈追捧，背后有一个核心逻辑：AI能力会随资本开支的扩大而提升，进而产生更大回报。但现实是，算力账单持续攀升，实际业务回报却有限，AI行业正面临一场深刻的商业模式重构。
要走出“规模不经济”的陷阱，关键在于两件事——降本和提质。
降本，需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，来降低推理成本。前述AI教育硬件公司负责人介绍，他们的AI拍学机将高频、简单的识别任务（如识别常见动植物）交给低成本、本地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会调用云端大模型。同时利用推理缓存技术，对重复出现的用户提问直接返回历史结果，避免重复计算，从而降低Token消耗。
提质，则是要摒弃“为AI而AI”的功能堆砌，从“卖Token”真正转向“卖结果”。前者关注“用了多少”，后者关注“产出了什么”。一位业内人士告诉记者，在传统IT服务中，甲骨文、赛富时这类软件公司并非按“数据库查询次数”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，最终可能还是要回到这条路上来。”
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，并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。沈佳庆打了个比方：“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，却未见到金沙。”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恐怕也难以持久。
