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，用户越多越多全球资本市场经历了一场关于“人工智能（AI）信仰”的行业剧烈震荡。AI算力板块从此前的求解普遍乐观转向关键分歧点：从硅谷巨头元公司（Meta）出租富余算力，到衡量AI实际使用热度的规模词元（Token）支出指数较5月高点回落约20%，一系列信号表明支撑AI算力上涨的不经逻辑正在松动，引发全球AI算力股普遍回调。济难

审视AI产业链，用户越多越多上游算力端的行业景气度最终取决于下游应用端的表现。应用端的求解商业模式是否成立、盈利是规模否可期、增长是不经否可持续，这些终极问题决定了AI资本开支能否持续扩张。济难记者近日调研发现，用户越多越多当前大部分AI应用尚未跑通“收入覆盖成本”的行业盈利模型。当“免费换规模”的求解互联网旧逻辑撞上“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”正在形成，成为行业发展的重大阻碍。

AI算力板块的震荡，本质上是资本市场对高昂资本开支的重新审视：若应用层未构建可行商业模式，利润过度集中于上游硬件且缺乏持续性，则难以为继。市场观点指出，只有当AI下游（软件应用及端侧设备）实现需求释放与业绩转化，整个产业链才能进入良性循环。

难以承受的AI成本

近期，AI创业公司管理层正忙于精细计算AI成本。

“我们公司的算法工程师，一下午就要‘烧’掉300至500美元，这笔费用甚至超过了他们的工资。”一家具身智能独角兽创始人向证券时报记者透露。机器人作为软硬一体的AI终端，除本体制造外，还需研发部署具身大模型，而每一次模型训练都需消耗大量Token，背后是实打实的算力支出。

若将训练视为一次性支出，推理则是伴随每次用户调用发生的持续性现金流消耗。

深圳一家AI教育硬件公司负责人介绍，其研发的AI拍学机接入大模型后实现“万物识别”，累计用户超25万，日均使用时长达45分钟。然而，这款售价约500元的产品并未盈利。除硬件受存储芯片、印刷电路板涨价影响外，用户每次拍照识别均需调用大模型并消耗Token——这意味着用户越多、使用越频，成本越高且越不可控。

“产品越成功，亏损越严重”——这是AI下游应用端普遍存在的“规模不经济”悖论。调研显示，上游算力端几乎吞噬了模型厂商及应用端的所有利润。产业链中，离用户越近，盈利难度越大。模型及应用端需面对拥有绝对议价权的上游算力供应商，以及价格敏感、忠诚度低的用户，在夹缝中求生绝非易事。

最新数据显示，独立指数提供商Silicon Data编制的大模型Token支出指数在5月触顶后回落约20%。该指数反映AI服务付费意愿及边际需求变化，其走弱表明用户AI支付意愿已接近阶段性上限。

Token支出指数下滑最直观的体现是科技公司开始限制员工Token使用量以控制成本。微软、Meta等均已采取措施。一名国内头部互联网大厂程序员表示，目前公司内前沿模型接口经常排队，“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，APP开发成本固定，新增用户边际成本趋近于零，增长逻辑为“烧钱换规模、规模换利润”。但在AI时代，此逻辑失效，因为推理成本随用户规模和日活同步“膨胀”，规模越大，账单越贵。

面对高昂成本，AI应用端正从“免费圈地”转向“付费探索”。

• 豆包：6月24日上线专业版，采用包月订阅制（68元、200元、500元三档），同时保留满足日常场景的免费基础版。
• 智谱AI（智谱清言）与月之暗面（Kimi）：已上线付费会员体系，采取包月订阅。智谱清言VIP/SVIP连续包月分别为49元/149元；Kimi分为49元、99元、199元、699元四档。二者均保留免费基础版。
• DeepSeek、阿里千问、腾讯元宝：目前对普通用户维持免费，未设付费版本。

然而，能收费不等于能盈利，二者间横亘着巨大鸿沟。

To C端（面向消费者）：付费意愿低，阻力重重。
和君咨询合伙人沈佳庆指出，除生产力工具外，AI在其他场景收入乏善可陈，源于国内个人用户付费意愿普遍不高。前述AI教育硬件负责人透露，因国内用户未形成付费习惯，公司采取“双轨制”：国内免费，海外收取9.9-15美元/月订阅费以覆盖部分推理成本。

To B端（面向企业）：预算约束与落地效果鸿沟。
沈佳庆表示，企业客户极为理性。多数企业的AI预算并非新增开支，而是从已缩减的数字化转型预算中剥离，导致总市场未扩大。随着AI应用进入深水区，企业发现AI对核心商业模式和竞争力的改进作用有限，无法产生明确效益的应用场景将被砍掉。

尽管B端盈利比C端更具确定性，但其投入更“重”，需高度定制化及长期运维。更重要的是，沈佳庆认为，AI的真正价值在于创造原本不存在的商业模式，而非单纯降本。目前AI应用尚未真正创造价值。“会议纪要生成、周报扩写、文案改写、PPT美化、代码补全等功能，有更好，没有也没关系，它们并非企业愿意支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，资本市场热烈追捧AI算力基建，核心逻辑是AI能力随资本开支扩大而提升，进而产生更大回报。但在算力账单攀升而业务回报有限的背景下，AI行业正面临深刻的商业模式重构。

走出“规模不经济”陷阱，核心在于降本与提质。

1. 降本：优化模型架构与推理效率
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教育硬件负责人举例，其拍学机将高频简单任务（如识别常见动植物）交由低成本本地化端侧小模型处理，仅在复杂逻辑或长尾知识时调用云端大模型；同时利用推理缓存技术，对重复提问直接返回历史结果，避免重复计算，降低Token消耗。

2. 提质：从“卖Token”转向“卖结果”
摒弃“为了AI而AI”的功能堆砌，关注“产出了什么”而非“用了多少”。业内人士指出，传统IT服务（如甲骨文、赛富时）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，基于实际产生的产业价值定价。“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”视角下，AI资本开支的可持续性，不取决于算力有多强大，而取决于下游应用能否构建健康的商业增长和财务盈利模型。

沈佳庆比喻道：“这好比西部淘金热，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。”如果应用层无法创造真正价值——如直接创造新收入、自主完成核心业务闭环、具备不可替代性，那么底层基建的繁荣也将不可持续。

(责任编辑：百科)