AI 盈利悖论：铲子、空手套白狼与 ROI 之路

当前技术周期中挥之不去的核心问题很简单：AI 盈利了吗？ 虽然世界正被大语言模型 (LLMs) 和生成式智能体的能力所吸引，但财务账本却讲述了一个更复杂的故事。最近 Hacker News 上关于追踪 AI 盈利能力的讨论凸显了基础设施建设者与试图将智能变现者之间的深刻分歧。

“铲子销售商” vs. “淘金者”

在 AI 经济学分析中，一个最持久的主题是“铲子”类比。在淘金热期间，卖铲子的人往往比淘金者本人获得更可靠的利润。在当前的 AI 热潮中，Nvidia 是主要的铲子销售商，正如一位评论者所指出的，他们本质上是在“收割所有人”。

然而，硬件层不仅仅只有一家公司。讨论表明，硬件制造商和云服务提供商与纯粹的 AI 软件公司处于根本不同的风险类别。虽然模型实验室如果 AI 泡沫破裂可能会倒闭，但硬件提供商留下的增长产能和基础设施可以重新用于其他计算需求。

硬件格局

  • Nvidia: 占据主导地位，夺取了当前 AI 支出的绝大部分。
  • AMD: 在基础盈利能力追踪器中经常被忽视，但正在取得重大进展，据报道其研发成本不到其 AI 收入的一半。
  • Cloud Providers (PaaS): 像 AWS、Azure 和 Google Cloud 这样的公司正在为 AI 提供基石，尽管其盈利能力与它们所托管的实验室之间复杂的利益关系紧密相连。

计算额度的“空手套白狼”游戏

讨论中提出的一个特别深刻的观点是主要云服务提供商与 OpenAI 和 Anthropic 等 AI 实验室之间正在进行的“空手套白狼”游戏。其机制如下：

  1. 股权换计算额度: 云服务提供商向 AI 实验室提供股权，以换取计算额度。
  2. 循环收入: AI 实验室使用这些额度来训练和运行模型，云服务提供商随后将其记为收入。同时，AI 实验室也将由此产生的服务记为收入。

正如一位贡献者所指出的，这创造了一个循环，双方都在记入收入，但并没有“真金白银”从外部来源进入系统。实际的成本——用评论者的措辞来说是“意面沙拉”——正被 PaaS 提供商的现金储备所吸收。这提出了一个关键问题：在需要切实的、外部的 ROI 之前，最大的科技巨头还能支撑多久这种对下一代模型训练的补贴？

盈利之路：传统实验室 vs. 新一代实验室

有一种日益增长的理论认为，“传统实验室”与“新一代实验室”之间正在形成分歧。

  • Legacy Labs (OpenAI, Anthropic): 这些公司拥有巨大的开销、庞大的训练成本和极高的烧钱率。考虑到其初始投资的规模，对某些人来说，盈利似乎几乎是不可能的。
  • New-Gen Labs (DeepSeek, Qwen, Kimi): 这些较新的参与者可能正在实现效率方面的突破。评论者指出，特别是 DeepSeek，相对于其总支出，表现似乎非常“出色”，这表明盈利之路可能在于效率而非单纯的规模。

长期风险：物理与战略层面

除了财务会计之外，AI 盈利能力还面临根本性的物理障碍。在 RAM 或磁盘存储中移动单个比特的数据所需的能量受物理极限的限制。要实现可持续、大规模 AI 所需的能效提升，需要投入大量的时间和金钱。

此外，一些人警告称，这些公司最终赚钱的方式可能会发生战略性的“相变”。提议的模型是两阶段法：

“1. 通过过度支出和比竞争对手活得更久来获得市场主导地位。2. 通过‘劣质化’ (Enshittify) 并榨取客户来偿还债务。”

结论：重新定义 ROI

当前盈利能力追踪器的批评者认为它们过于狭隘。他们认为这些追踪器未能考虑到公司将 AI 集成到现有产品中（例如 Meta 使用 AI 来优化广告排名）所带来的生产力提升和 ROI，而不是仅仅将 AI 作为独立产品销售。

虽然“纯 AI”公司可能仍处于亏损状态，但 AI 集成到更广泛的经济中表明，其价值并非在“AI 收入”这一项中体现，而是体现在整个数字生态系统效率的提升中。

Sources