如果你最近刷到过科技评论人 Ed Zitron 在 CNBC Squawk Box 上关于英伟达和 AI 实验室的言论第一反应多半是这又是 AI 泡沫论其实没那么简单。他把一个技术圈观众也很关心的问题摆到了台面上——英伟达市值被 AI 资本开支撑得很高但大量 AI 实验室烧钱训练模型、运营服务却始终拿不出稳定盈利模型。这个讨论不只是财经新闻。API 定价、开源模型走向、本地部署性价比、团队研发预算怎么分配都会受到这条产业链的影响。这篇文章就把 Ed Zitron 的质疑拆开来看AI 算力军事竞赛的账怎么算AI 实验室为什么难赚钱以及普通开发者应该如何应对。先说一个整体判断与其说 Ed Zitron 在唱衰 AI不如说他在追问一个商业问题——当训练成本、基础设施投入和收入增长的速度不匹配时整个产业的定价逻辑还能维持多久。英伟达的高估值建立在“AI 资本开支继续高速增长”的预期上。只要云厂商和 AI 实验室还在持续买 GPU故事就能继续讲一旦下游现金流撑不住最先受冲击的是算力需求预期然后才会传导到模型公司估值。这个链条的每一环都和你日常选择“调用 API 还是自己部署”直接相关。文章会按这个顺序展开先看讨论背景和核心矛盾再拆 AI 实验室的成本收入结构用一个简单 Python 模型做盈亏测算接着对比多空双方逻辑最后落回技术选型和开发者的应对方式。1. 核心议题速览这期节目到底在争什么Ed Zitron 在节目里讨论的内容可以归纳成几个核心议题。这里不逐句复述他的发言而是把这类讨论的常见论点和反对方观点整理成一张表议题质疑方常见论点产业方常见回应对开发者/技术人的影响英伟达估值与 AI 资本开支估值过高依赖 AI 资本开支持续增长一旦投入放缓会剧烈回调AI 是长期趋势数据中心和模型能力还在快速迭代需求远未见顶GPU 价格、云实例定价、训练和推理成本AI 实验室盈利模式API 和订阅收入覆盖不了训练与运营成本长期依赖融资不可持续早期 Facebook/Amazon 也经历过长期亏损基础设施投入期不一定立刻盈利API 服务稳定性、闭源模型定价策略算力投入与实际收入转化千亿级算力投入没有对应量级的收入爆发大模型能力提升带来新场景Agent/编码/推理需求会逐步放量AI 产品是否值得重投入商业模式是否成立开源模型与闭源模型竞争闭源模型的高成本会被开源模型压缩护城河有限闭源模型持续领先API 市场足够大本地部署可行性、模型选择策略AI 泡沫论 vs 生产力革命很多 AI 应用停留在 Demo 阶段实际生产收益有限AI 编码、客服、知识库等场景已经有可量化收益落地项目 ROI 评估方式这张表不是某一次节目的完整记录而是近一年 AI 行业反复出现的争论主线。Ed Zitron 的价值在于把这些抽象矛盾用电视节目的方式压缩成几个尖锐问题如果最大的模型公司都不赚钱谁在为算力买单如果 AI 收入增长无法追上 GPU 采购速度产业链会不会发生连锁反应2. AI 算力军备竞赛为什么会谈到英伟达英伟达之所以成为这轮讨论的中心不只是因为 GPU 硬件本身而是因为它处在 AI 资本开支的最上游。2.1 训练与推理都要吃算力大语言模型的生命周期分为训练和推理两个阶段。训练阶段需要成千上万张 GPU 同时工作数周甚至数月推理阶段虽然单次算力需求低但用户请求是持续的长期累计成本不低。当 OpenAI、Anthropic、Google 等头部玩家同时在训练下一代模型和支撑大规模产品流量时GPU 采购就成了刚性支出。2.2 数据中心和云厂商是最大买家云厂商疯狂建设 AI 算力集群一方面是为了满足外部客户需求另一方面也是为了自身的模型研发和内部智能化改造。这些资本开支最终通过 GPU 采购转化为英伟达的收入。整个循环大致是AI 实验室和云厂商采购 GPU → 英伟达收入增长 → 市值/估值上升市场预期 AI 需求长期增长 → 更多资金进入 AI 基础设施AI 实验室用新融资继续买 GPU → 新一轮采购这是一个自我强化的循环。问题是循环唯一的出口是 AI 应用真正产生足够的收入来覆盖投入。如果这个出口迟迟没有打开资本市场的耐心就会受到考验。2.3 为什么说“供给过剩”和“供给不足”同时存在一种观点是英伟达 GPU 供不应求另一种观点是算力供给过剩。两种说法其实针对不同维度高端训练集群在头部厂商手里依然紧张H100/H200 这类设备的需求仍然旺盛。中低端算力或早期采购的 GPU如果模型能力没有同步跟上可能被闲置。这解释了为什么市场会同时出现“一卡难求”和“算力过剩”两种叙事。在资本开支高峰期两种现象会并存最怕的不是某一种状态而是投入与回报之间长时间不匹配。3. 不盈利的 AI 实验室成本与收入的结构性错位讨论 AI 实验室亏损不能只看“烧钱”这个表面现象要拆开成本和收入两边的结构。3.1 成本侧训练、推理、人力、数据AI 实验室的成本大头通常包括四块训练成本。一次大规模预训练要消耗大量 GPU 算力除了 GPU 采购还有机房、电力、散热、网络等配套成本。推理成本。模型上线后每次用户请求都会产生算力消耗。用户越多推理成本越大。这对“免费开放产品拉用户”的模型公司来说压力尤其明显。人才成本。顶尖研究人员、工程师、产品团队薪酬极高。数据成本。数据获取、清洗、标注、版权授权都要花钱。数据版权相关支出正在成为新的变量。高质量文本数据开始变成“许可制”资源训练数据成本不会像算力成本那样快速下降。3.2 收入侧API、订阅、企业服务目前 AI 实验室的收入来源主要有三块API 按量计费开发者按 token 调用优点是门槛低缺点是单价持续下降收入增长需要靠调用量放量。C 端订阅ChatGPT Plus 这类订阅模式用户黏性强但全球用户付费渗透率有限。B 端企业服务定制化部署、私有化方案、行业解决方案单价高但销售周期长、交付成本高。问题在于这三块收入的增速不一定能追上 GPU 采购和运营成本的增长速度。尤其是当基础模型能力接近厂商开始“卷价格”时单位收入会被进一步压低。3.3 融资依赖与长期亏损亏损本身不是问题问题在于亏损是否处于可控、可预期的曲线中。市场可以接受 AI 实验室亏损前提是能看到亏损收窄和收入加速增长的趋势。如果每一轮融资都把更多钱变成 GPU但收入曲线始终不上升投资人就会开始用更苛刻的模型来给公司估值。Ed Zitron 在节目里的本质质疑就在这里把“技术潜力”换算成“商业价值”需要时间但资本市场不一定愿意无限期等待。4. 用 Python 做一个简单的盈亏测算为了把成本收入逻辑讲得更具体这里不引用任何一家公司的真实财务数据而是用一个 Python 成本收入模型演示如何估算一个 AI 实验室需要多少收入才能平衡。def estimate_loss( training_cost, annual_ops_cost, annual_revenue, financing_cost0.0 ): total_annual_cost annual_ops_cost financing_cost annual_loss total_annual_cost training_cost - annual_revenue break_even_revenue total_annual_cost training_cost return { annual_loss: annual_loss, break_even_revenue: break_even_revenue, } # 假设场景一次中等规模的模型训练 result estimate_loss( training_cost80_000_000, # 训练投入单位美元 annual_ops_cost40_000_000, # 推理/人力/数据等年度运营成本 annual_revenue25_000_000, # API订阅企业服务收入 financing_cost10_000_000, # 融资利息或优先股成本 ) print(f年亏损: {result[annual_loss]/1e6:.1f} 百万美元) print(f保本年收入: {result[break_even_revenue]/1e6:.1f} 百万美元)运行这个脚本会看到当训练投入 8000 万、年度运营成本 4000 万、收入只有 2500 万时年亏损高达 1.05 亿美元保本收入需要 1.3 亿美元。也就是说这家实验室要在当前收入基础上再撑大 4 倍才有机会打平。更现实的情况是训练并不会只做一次。模型要迭代每隔一段时间就要重新训练或微调这会让训练成本变成常态化支出。我们可以把模型改成带迭代周期的版本def multi_year_loss( annual_ops_cost, annual_revenue, training_frequency_years, training_cost_per_run, years5, ): loss 0 for year in range(1, years 1): training_expense 0 if year % training_frequency_years 0: training_expense training_cost_per_run loss annual_ops_cost training_expense - annual_revenue return loss total_loss multi_year_loss( annual_ops_cost40_000_000, annual_revenue25_000_000, training_frequency_years2, training_cost_per_run80_000_000, years5 ) print(f5年累计亏损: {total_loss/1e6:.0f} 百万美元)这只是一个简化模型但它说明了一个核心问题AI 实验室的亏损不是一次性投入造成的而是“持续运营 周期性重训练 收入增长缓慢”三者叠加的结果。只要收入增长跑不赢成本曲线资本缺口就会越滚越大。这种测算思路同样可以用于团队内部做技术选型评估自建模型、微调开源模型、直接调用 API其实都是一道成本收益题。5. 看多与看空两边到底在赌什么多空分歧的关键不在“AI 是否有用”而在“AI 的商业闭环什么时候跑通”。维度看多逻辑看空逻辑技术曲线模型能力还在持续提升更多场景会被解锁技术提升速度可能边际递减算力堆叠不是万能收入曲线企业客户和 C 端渗透率还在早期当前收入规模相比资本开支太小渗透速度不够快成本曲线推理成本会随硬件迭代继续下降训练成本没有同步下降前沿模型越来越大竞争格局头部厂商壁垒高份额集中开源模型逼近闭源模型定价权被削弱资本耐心基础设施投入期本来就是长期逻辑二级市场对长期亏损容忍度有限这里有一个容易被混淆的地方看空 AI 实验室不代表看空 AI 技术。很多人一边认为“AI 能力被高估”一边却用 AI 工具做代码生成、文档处理、数据分析。技术在落地商业模式在挣扎这两件事同时发生并不矛盾。对开发者来说这种分歧反而带来了好处。市场竞争越激烈API 价格下降越快开源模型越强本地部署的可选方案越多AI 厂商为了证明商业化能力会把更多精力放在真实场景的效果提升上而不是只堆参数。6. 对技术选型和开发者的影响这轮讨论离技术人并不远至少会在四个层面改变我们的选择和判断。6.1 API 定价还会继续下探只要头部 AI 实验室还在争夺市场份额API 单价就大概率不会长期维持高位。把成本压力放在大模型 API 上的项目短期内是受益者。但同时也要注意定价下降往往伴随着限流、速率限制和更严格的使用条款。生产环境依赖单一 API 供应商仍然是高风险做法。6.2 本地部署和开源模型的机会窗口当闭源 API 的定价权和可持续性受到质疑时开源模型和本地部署方案的价值会重新被评估。对一些数据敏感、并发稳定、成本敏感的中小团队来说微调一个开源模型部署在自己的服务器上可能是比长期按量调用更稳的选择。不过本地部署也有隐性成本GPU 采购或租用、运营维护、模型版本升级、推理优化。只有在 API 费用明显高于自建成本、且对数据隐私有硬性要求时本地部署才更有优势。6.3 推理成本优化会成为核心竞争力AI 实验室要盈利光靠涨价不行最终要靠降低单位成本。这意味着小模型、蒸馏模型、量化推理、MoE混合专家架构、缓存复用、专用推理芯片等方向都会获得更多资源。开发者选择模型时不能只看榜单分数还要看单位成本下的效果同样的任务小模型是否够用量化后精度损失是否可接受能否通过缓存和批处理降低请求成本6.4 不要为“演示型 AI”付过高的溢价Ed Zitron 的质疑还包括一类现象很多 AI 应用停留在“演示很惊艳落地难落地”的阶段。对技术决策者来说这提醒我们在评估 AI 产品时要区分“技术演示”和“生产可用”。判断标准可以包括任务完成率而不只是单轮回答质量。错误率对业务的影响边界。二次修改成本。高并发和长尾输入的稳定性。演示效果好不等于生产可用这个原则在任何技术周期里都成立。7. AI 商业化的三条现实路径讨论完之后还是要回到一个正题AI 行业到底怎么才能真正赚钱主流的现实路径有三条。7.1 基础设施层卖水人逻辑英伟达就是最典型的“卖水人”。在 AI 淘金热中不管最终哪家实验室成功似乎都需要买 GPU。卖算力、卖网络设备、卖电力配套都是更容易变现的生意。风险在于如果下游需求增速放缓基础设施层会承受很大的估值调整压力。国内语境下算力租赁、私有化 GPU 云、边缘推理设备都属于这一层。对中小团队来说直接购买顶级 GPU 并不划算按需租用云上算力往往更灵活。7.2 模型层平台溢价逻辑模型层公司如果打造出广泛使用的开发者平台就能通过 API、订阅和企业授权获得持续收入。这种模式的关键不是模型参数有多大而是开发者生态、工具链和分发渠道。模板公司未来会分裂为两类一类走“超级模型”路线持续做大规模预训练靠技术领先获取溢价另一类走“场景模型”路线针对垂直领域做精调用更小、更快、更便宜的模型解决具体问题。后一类对多数开发者更友好也更容易产生真实的商业回报。7.3 应用层效果付费逻辑应用层离用户最近也最容易验证商业模式。AI 编程助手、客服机器人、知识库问答、营销内容生成、音视频处理工具本质上都是在用 AI 提高某条业务链路的生产效率。应用层能否赚钱取决于三件事是否能解决足够痛的问题让用户愿意付费。是否有足够的毛利率覆盖模型调用成本。是否能形成数据或工作流壁垒而不是只做 API 的套壳。 未来真正值得投入的方向大概率是“能把 AI 和具体业务流程深度绑定”的应用而不是只有一个对话窗口的泛化产品。8. 关注这轮讨论时建议避开五个认知陷阱围绕英伟达和 AI 实验室的讨论很容易走向极端这里有五个常见的认知陷阱值得留意。8.1 把“实验室亏损”等同于“AI 无用”实验室亏损主要反映商业模式问题不是技术价值问题。Transformer、深度学习、生成式 AI 在过去十几年已经真实改变了搜索、推荐、内容生产、编程等行业。技术有价值不代表每一家技术公司都能盈利这两件事要分开看。8.2 把“股价波动”等同于“技术失败”资本市场对 AI 的定价包含了大量预期某个季度资本开支指引不及预期或利率变化都可能引发剧烈波动。股价回调不意味着 AI 技术路线失败更多是市场对未来现金流折现的重新计算。8.3 只盯训练算力忽视推理成本很多人讨论 AI 成本时只谈训练但实际上推理成本在长尾阶段占比很高。一个产品如果用户量持续增长推理账单会不断累加。做技术方案时建议把训练和推理分开预算推理成本往往才是长期最重的负担。8.4 忽视算力利用率买了 GPU 不代表算力被高效使用。调度、并行策略、模型量化、负载均衡都会影响实际利用率。有的团队采购了大量显卡但因为工程能力不足利用率很低这笔账不能只算在硬件头上。8.5 把市场叙事当成技术路线“AI 必须要超大集群训练”是一种市场叙事不是绝对真理。很多实际业务用小模型就能解决强行上大模型反而增加成本。技术选型应该由任务复杂度决定而不是由市场上最热门的故事决定。9. 结论与下一步Ed Zitron 关于英伟达和不盈利 AI 实验室的讨论核心价值不在于给出一个“涨还是跌”的预测而在于把整个 AI 产业链的账摆在了明面上。对技术人员来说与其争论“AI 有没有泡沫”不如把注意力放到更可控的事情上你的项目靠 AI 解决了什么问题为此付出了多少成本是否建立了可复用的壁垒。下一步要做的建议先算清自己的账。把模型调用费用、GPU 成本、人力成本做成一张表量化 AI 项目的 ROI。验证小模型路线。不要默认所有任务都调用最大模型先测试小模型、量化和缓存方案。保持多供应商标配。不要把自己的工具链完全绑死在某个独有 API 上抽象好接口层留出替换空间。关注推理成本下降趋势。定期跑 benchmark把模型升级和成本核算绑定而不是只看 QA 效果提升。重视数据合规。不要因为 AI 工具便宜就随意处理敏感信息涉及隐私、版权、肖像的数据必须走授权和合规流程。这篇文章从行业讨论出发最后落到技术选型。对开发者而言最值得记住的一句话是AI 是不是泡沫不由某个人在电视节目上的判断决定也不由英伟达单季度财报决定而由每一家真正落地 AI 业务的企业是否算得过来账决定。先把账算清楚再决定要不要买卡、要不要调 API、要不要重投大模型——这比猜测市场走势可靠得多。如果你也在评估 AI 项目成本和选型建议把这篇文章收藏起来下次做方案时对照检查一遍。