AI 的“6000 亿美元之问”更适合作为资本配置压力测试,而不是预言。David Cahn 在红杉资本 2024 年文章中,以英伟达数据中心业务预期 Run Rate 为起点,为非 GPU 数据中心成本乘以 2,再为下游 50% 毛利假设乘以 2,从而追问终端 AI 收入能否支撑正在建设的基础设施。
这套历史模型有意保持简单。到 2026 年,真正有价值的做法是保留问题,同时把新闻标题替换为一套显式呈现折旧、运营成本、融资、利用率、价格和客户价值的模型。
核心要点
- 6000 亿美元是 2024 年假设集的输出,不是经过审计的行业负债。
- 比较基础设施支出与“AI 收入”前,必须对齐期间、实体、会计口径和内部云消耗。
- 资本回报取决于已安装且可用的容量,而不是已宣布项目或已采购加速器。
- 单次简单查询能耗下降,可以与总需求上升同时发生,因为推理、视频和 Agent 工作负载持续扩张。
- 应用经济性应按已验收业务结果度量,并扣除推理、Tool、复核、支持和失败成本。
- 使用区间和敏感性分析;单一 Break-even 数字会隐藏真正决定结果的变量。
还原最初的 6000 亿美元情景
2024 年框架使用了两个显式倍数:
英伟达数据中心业务预期 Run Rate
x 2,估计 GPU 之外的数据中心总成本
x 2,估计下游 50% 毛利要求
= 隐含年度终端收入
算术很透明,但每个输入都可以争论:
| 假设 | 为什么会变化 |
|---|---|
| 加速器收入代表年度基础设施投资 | 采购、部署、内部使用、库存和会计期间并不一致 |
| GPU 占总成本一半 | 电力、网络、冷却、土地、人工与融资因地点和代际而异 |
| 一年收入应证明一年投资 | 资产跨期服务工作负载,经济寿命并不相同 |
| 下游毛利为 50% | 云转售、模型 API、内部提效和应用的业务组合不同 |
| 已披露 AI 收入可直接比较 | 定义可能包含订阅、云消耗、广告增益或内部转移 |
这套模型的价值在于让一个巨大主张可以被证伪。脱离日期与假设,只重复“6000 亿美元”这个结果时,它就会误导决策。
到 2026 年发生了什么变化
当前证据同时增强了乐观与谨慎两种论点。
国际能源署(IEA)报告称,最大型科技公司的资本开支在 2025 年超过 4000 亿美元,预计 2026 年再增长 75%。IEA 同时指出,并非所有已宣布项目都会落地;并网、能源设备、芯片制造、融资和社区接受度都在限制实际部署。
需求和效率也在快速变化。IEA 估计,近几年单个 AI 任务的能耗每年至少下降一个数量级,但推理、视频和 Agent 任务的能耗可以达到简单文本查询的数百到数千倍。因此,数据中心总能耗由效率、采用率和工作负载结构共同决定。
红杉资本后续的《A Tale of Two AIs》把 2026 年描述为数据中心延期与应用采用继续增长的碰撞。它是投资者观点,不是中立统计,但指出了正确的拆分方式:基础设施完工与应用需求可以向不同方向变化。
2026 年的问题不再只是“收入在哪里”,而是:
- 已宣布资本中,有多少真正变成已部署、已通电容量?
- 这些容量按工作负载获得了怎样的利用率和价格?
- 哪些收入是新增且可以归因于 AI?
- 扣除可变算力、支持、复核和失败成本后,还剩多少贡献?
- 资产失去经济价值前,回报是否超过融资成本?
分开计算三层经济账
不能把基础设施所有者、模型提供商和应用的经济性混在一起:
| 层级 | 收入单位 | 主要固定投入 | 核心运营风险 |
|---|---|---|---|
| 数据中心或云 | 加速器小时、预留容量、服务 | 站点、电力、冷却、网络、加速器 | 部署延期与低利用率 |
| 模型提供商 | Token、Request、Batch、独占容量 | 训练、Serving Fleet、研发 | 价格压缩与工作负载成本 |
| AI 应用 | Seat、Workflow、Transaction、已验收结果 | 产品、集成、分发 | 留存不足,复核和失败成本未定价 |
内部生产率提升可以在不形成外部 AI 收入的情况下证明 CapEx,但仍需证据:周期时间、人力重新分配、质量、风险与机会成本。反过来,如果 Serving 和支持成本吞噬收入,高营收也可能对应低回报。
建立可审计的资本回报模型
先从现金门槛开始,而不是从口号开始:
年度资本回收 = 已部署资本 / 经济寿命
年度运营成本 = 已部署资本 x 运营成本率
年度要求回报 = 已部署资本 x 要求回报率
年度收入门槛 = 资本回收 + 运营成本 + 要求回报
所需已验收结果 = 收入门槛 / 单个已验收结果贡献
这仍是简化模型。税、营运资本、残值、爬坡期、租赁结构、内部转移定价与不均匀现金流都可能重要。它的优势是每个假设都可以看见。
下面这段仅使用标准库的 Go 程序会计算三种情景,并明确价值单位。
package main
import (
"encoding/json"
"fmt"
"os"
)
type scenario struct {
Name string `json:"name"`
DeployedCapital float64 `json:"deployed_capital"`
EconomicLifeYears float64 `json:"economic_life_years"`
AnnualOperatingRate float64 `json:"annual_operating_rate"`
RequiredReturnRate float64 `json:"required_return_rate"`
ContributionPerOutcome float64 `json:"contribution_per_outcome"`
}
type result struct {
Name string `json:"name"`
AnnualCapitalRecovery float64 `json:"annual_capital_recovery"`
AnnualOperatingCost float64 `json:"annual_operating_cost"`
AnnualRequiredReturn float64 `json:"annual_required_return"`
AnnualRevenueHurdle float64 `json:"annual_revenue_hurdle"`
AcceptedOutcomesRequired float64 `json:"accepted_outcomes_required"`
}
func evaluate(s scenario) (result, error) {
if s.DeployedCapital <= 0 || s.EconomicLifeYears <= 0 {
return result{}, fmt.Errorf("%s: capital and economic life must be positive", s.Name)
}
if s.AnnualOperatingRate < 0 || s.RequiredReturnRate < 0 || s.ContributionPerOutcome <= 0 {
return result{}, fmt.Errorf("%s: rates and contribution are invalid", s.Name)
}
recovery := s.DeployedCapital / s.EconomicLifeYears
operating := s.DeployedCapital * s.AnnualOperatingRate
requiredReturn := s.DeployedCapital * s.RequiredReturnRate
hurdle := recovery + operating + requiredReturn
return result{
Name: s.Name,
AnnualCapitalRecovery: recovery,
AnnualOperatingCost: operating,
AnnualRequiredReturn: requiredReturn,
AnnualRevenueHurdle: hurdle,
AcceptedOutcomesRequired: hurdle / s.ContributionPerOutcome,
}, nil
}
func main() {
scenarios := []scenario{
{Name: "base", DeployedCapital: 1e9, EconomicLifeYears: 4, AnnualOperatingRate: 0.12, RequiredReturnRate: 0.08, ContributionPerOutcome: 20},
{Name: "short-life", DeployedCapital: 1e9, EconomicLifeYears: 3, AnnualOperatingRate: 0.12, RequiredReturnRate: 0.08, ContributionPerOutcome: 20},
{Name: "lower-margin", DeployedCapital: 1e9, EconomicLifeYears: 4, AnnualOperatingRate: 0.12, RequiredReturnRate: 0.08, ContributionPerOutcome: 12},
}
results := make([]result, 0, len(scenarios))
for _, item := range scenarios {
value, err := evaluate(item)
if err != nil {
fmt.Fprintln(os.Stderr, err)
os.Exit(1)
}
results = append(results, value)
}
output, err := json.MarshalIndent(results, "", " ")
if err != nil {
fmt.Fprintln(os.Stderr, err)
os.Exit(1)
}
fmt.Println(string(output))
}
这些数值只用于演示,不是预测。实际使用时替换为有来源、日期对齐的输入,并保留 Base、Downside 和 Upside 情景。敏感性往往比单个输出更有价值:经济寿命缩短,或单个已验收结果贡献下降,可能比 Token 成本小幅下降更显著地提高所需业务量。
区分利用率与部署延期
硬件采购完成后,不会立即成为可以产生收入的容量。至少跟踪四个状态:
- **已订购:**合同已签,但仍有交付和取消风险。
- **已到货:**设备存在,但站点可能缺电力、网络或冷却。
- **已通电:**容量可以运行,但调度和软件仍可能限制使用。
- **生产性使用:**容量以可度量贡献服务已验收工作负载。
资本回报模型应使用生产性利用率。集群利用率很高,也可能只是被内部实验、折扣合同或没有产生验收结果的重试占满,经济性依然很弱。
IEA 的物理数据为纯财务模型提供了重要校验:2025 年全球数据中心用电量增长 17%,AI 专用数据中心用电量增长 50%;其中心情景预计总用电量从 2025 年的 485 TWh 增长到 2030 年约 950 TWh。这些是系统级估计,不是营收预测,但解释了为什么电网和设备约束必须进入资本模型。
按已验收结果为应用定价
对应用而言,Token 收入和 Token 成本只是中间指标。更持久的单位是已验收业务结果:
单个已验收结果贡献
= 售价或已验证客户价值
- 模型推理
- 检索与 Tool Call
- 人工复核
- 支持与修复
- 预期失败和合规成本
它可以是一条被合并的代码变更、已解决客服工单、已复核文档或已完成交易。验收标准必须独立于模型,避免系统通过降低质量来提高吞吐。
持续监控:
- 按客户 Cohort 统计任务验收与重复使用;
- 单个已验收结果的 Gross Margin 与 Contribution Margin;
- 人工分钟数与升级率;
- 重试、失败、退款与事故成本;
- 成功工作与拒绝工作各自消耗的延迟和容量;
- 促销价格结束后的留存。
如果 Agent 完成的工作更有价值,即使消耗更多 Token,也可能拥有更好的经济性;如果便宜模型制造了更多复核或失败成本,反而可能更贵。
使用决策看板,而不是单一缺口数字
基础设施判断应组合观察多个关联信号:
| 信号 | 乐观解释 | 风险解释 |
|---|---|---|
| 已通电容量 | 供给真正到达客户 | 项目搁置或持续延期 |
| 生产性利用率 | 工作负载形成付费需求 | 内部或低价值任务填满容量 |
| 单位算力价格 | 稀缺性和差异化仍在 | 价格压缩快于成本下降 |
| 单个验收结果贡献 | 应用创造持久价值 | 复核与失败成本吞噬利润 |
| 自由现金流 | 增长仍可被内部资金支撑 | 资本强度超过经营现金流 |
| 已签 Backlog | 未来需求已承诺 | 取消或延期转化上升 |
| 资产寿命 | 硬件跨周期产生收益 | 回收前已经过时 |
| 电力可得性 | 站点可以扩展 | 电网、燃机、变压器或冷却成为约束 |
任何一行都不能单独证明或否定泡沫。真正的判断在于同一批资产和客户能否从资本承诺,持续转化为已验收价值和现金。
AI CapEx 分析中的常见失败
避免这些捷径:
- 把最初 6000 亿美元情景当作当前已审计要求;
- 用某一年的 CapEx 对比另一期间的收入 Run Rate;
- 用私人公司估值收入减去公开公司会计数据;
- 在缺乏披露时,把所有 Hyperscaler CapEx 都算作 AI;
- 把已宣布项目当作已部署容量;
- 把会计折旧期当成保证的经济寿命;
- 假设推理成本下降一定提高毛利;
- 用 Token、Seat 或 Demo 代替已验收结果;
- 因为 Agent 执行更多步骤,就假设它自动创造价值;
- 忽视电力、网络、融资与本地审批约束。
决策清单
批准基础设施或应用投资前:
- 明确资产、工作负载、客户与会计边界。
- 分开统计已订购、已到货、已通电与生产性容量。
- 标注来源日期,并对齐财务期间。
- 建模经济寿命、残值、融资与爬坡延期。
- 对利用率、价格、运营成本和贡献毛利做压力测试。
- 定义一个可独立验证的已验收结果。
- 纳入复核、支持、失败、安全与合规成本。
- 比较自建、预留容量和 API 采购方案。
- 预先定义停止、缩容或重新议价触发器。
- 工作负载、硬件、价格或能源约束变化时重跑模型。
总结
6000 亿美元之问仍然有价值,因为它迫使 AI 行业把基础设施投资与终端用户价值连接起来。但原始数字必须继续绑定 2024 年假设。2026 年更可靠的分析,应追踪每一美元如何从已部署资本,经生产性利用率,转化为已验收结果的贡献,同时计入物理瓶颈与经济寿命。这样的模型无法完美预测周期,却能让分歧可审计,也让投资决策保留可逆性。