用户越多亏得越多 AI行业求解“规模不经济”难题

证券时报记者 周春媚

7月以来，全球资本市场对AI信仰经历了一场真刀真枪的考验。AI算力板块从一片看好走到了十字路口，分歧越来越大。从硅谷巨头Meta开始出租富余算力，到衡量AI实际使用热度的Token支出指数从5月高点回落约20%——这一连串信号，让支撑AI算力上涨的逻辑开始松动，全球AI算力股也来了波集体回调。

说到底，上游算力的景气度是否可持续，最终还得看下游应用端能不能撑住。应用端的商业模式是否成立、盈利可不可期、增长能不能持续——这些终极问题，直接决定了AI资本开支还能不能继续往上冲。记者近期走访产业界发现，眼下大部分AI应用还没跑通“收入覆盖成本”的盈利模型。当“免费换规模”的老互联网逻辑撞上“按量计费”的AI新成本结构，一个“用户越多亏得越多”的规模陷阱正在悄悄形成，成了AI发展路上绕不开的拦路虎。

AI算力板块的震荡调整，本质上就是市场对高昂资本开支的一次重新审视：如果应用层拿不出可行的商业模式，利润高度集中在上游硬件手里，那这种繁荣恐怕很难持续。市场人士指出，只有AI下游——也就是软件应用和AI端侧——有了真正的需求释放和业绩收入，整个链条才能良性循环起来。

难以承受的AI成本

AI创业公司的老板们，最近都在认认真真地算AI这笔账。

“我们公司的算法工程师，一下午就要‘烧’掉300到500美元，比工资还高。”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，除了造本体，还得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，背后全是真金白银的算力支出。

如果训练还能算一次性支出，那推理就是伴随着每次用户调用不断发生的现金消耗——这才是真正让人头疼的部分。

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：孩子拍一张照片，AI就能识别物品并科普相关知识。目前累计用户已超25万，日均使用时长45分钟。可这款售价大约500元的产品居然没盈利——不光是因为存储芯片、PCB等硬件涨价推高了成本，更关键的是，用户每次拍照识别都要调用大模型，都要消耗Token。换句话说，用户越多、使用时间越长，成本就越不可控。

产品越成功，亏损越严重——在AI产业链下游应用端，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。整条链上，谁离用户越近，谁越难赚钱。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和价格敏感、低忠诚度的用户之间，要在夹缝中盈利，难度可想而知。

最近有一组数据，让人对AI高昂成本的压力有了更直观的感受。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%。这个指数被视为反映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，它的走弱意味着用户的AI支付意愿正在接近阶段性上限。

Token支出指数下滑，最直接的表现是：科技公司开始限制员工使用AI了。比如微软、Meta等公司都采取了措施控制AI成本。一位国内头部互联网大厂的程序员也告诉记者，他们公司内部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。”

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，增长逻辑就是“烧钱换规模、规模换利润”。但这一套在AI时代已经行不通了——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，使用额度随金额递增。不过专业版之外，豆包也对普通用户保留免费的基础版本，并强调免费版的功能和额度足以覆盖大部分日常场景。

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）也已经上线了付费会员体系，同样走包月订阅路线。智谱清言分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。两者都和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，没有设置付费版本。

然而，能收费不代表能盈利，二者之间隔着一道鸿沟。

从To C端来看，付费模式推行起来阻力重重。和君咨询合伙人沈佳庆接受证券时报记者采访时表示，除了作为生产力工具的场景外，AI在其他场景的收入乏善可陈，根源在于国内个人用户付费意愿普遍不高。前述AI教育硬件公司负责人也告诉记者，由于国内用户还没形成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9.9美元到15美元订阅费，用来覆盖部分模型调用推理成本。

再看To B端，盈利面临的则是企业预算约束和落地效果之间的差距。“赚钱难度不小，因为客户非常理性。对大多数企业来说，AI应用预算不是新增的资本开支，而是从本来就在缩减的数字化转型预算中分出来的，所以总市场并没有变大。”沈佳庆说。随着企业部署和应用AI进入深水区，在取得一定效果后，往往就会发现AI对核心商业模式、市场竞争力的改进作用暂时还比较有限，一些看不到明确效益的应用场景自然就被砍掉了。

虽说现阶段B端盈利比C端更有确定性，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应用还远没到这个程度。“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付高额订阅费或项目款的痛点。”

AI资本开支的再审视

近年来，资本市场对AI算力基建板块的热情追捧，背后有一个核心逻辑：AI能力会随着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，核心在于两件事——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拍学机把高频、简单的识别任务（比如识别常见动植物）交给低成本、本地部署的端侧小模型处理，只有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不是按“数据库查询次数”来收费的，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。”

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。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，却没见到金沙。”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续。