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）