AI行业求解“规模不经济 ”难题 。

　　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 ，以及对费用 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
，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，连续包月费用 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 。和君询问 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应用近来 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）