1718M.CN · AI 神经枢纽

本文来自微信公众号：底线思维，作者：世界科先声

10月28日，谷歌母公司Alphabet公布第三季度财报：营收同比增长25%，达到1275.8亿美元；营业利润增长约30%，达到405.8亿美元。谷歌云营收同比增长103%，达到307.1亿美元。

增长依旧强劲，只是，市场更关注另一组数据：

第三季度营收和广告收入均低于市场预期，净利润同比下降约25%。与此同时，单季资本开支达到513.6亿美元，自由现金流录得负90.7亿美元。公司预计，2026年全年资本开支将达到1950亿至2050亿美元，2027年还将进一步增加。

广告业务增速放缓，同时AI投资持续扩大带来现金流压力，这双重忧患，使得财报甫一公布，Alphabet盘后就下跌约10%。等到正式开盘，收跌12.64%，创2004年上市以来最大单日跌幅；市值单日蒸发近5000亿美元，据悉为美股史上第二大单日市值损失，仅次于英伟达2025年1月的纪录。

一开盘，谷歌股价创纪录大跌……

图为谷歌股价过去一年内的走势，可以瞥见AI投资叙事正接受愈发严苛的数据验证。

技术在飞快迭代，对AI的需求也正以可感的方式暴涨，收入也在增加。但是，巨额投入AI能否转化为足够高、足够持久的资本回报，仍是未知数。

这就引来今天“世界科先声”想讨论的一个话题：

以谷歌为代表的科技巨头，在ChatgptGPT横空出世，由此进入生成式AI军备竞赛，至今已近三年，为什么还没有形成一条足够稳定的盈利循环？

纵观AI产业链，问题可能出在三本账还没有完全对上：AI创造了多少价值，这些价值最终由谁获得，以及前期投入的资本何时能够收回。

AI创造了价值，但价值未必能够转化为供应商的利润

先算一笔小账：一家企业用上AI，每年节省1000万美元的人工和运营成本。AI服务商能从这1000万美元里分走多少？未必很多，它可能只收取100万美元的订阅费。客户觉得划算，服务商能不能赚钱，还得看推理成本、研发投入、销售费用和客户支持等支出。

对企业来说，效率提升也未必立刻反映在利润表上。员工原来两小时完成的工作，现在一小时就能做完。如果企业没有因此减少支出、增加订单或提高产出，效率确实提高了，利润却未必会有明显变化。

麦肯锡2026年的AI调查提供了一个参照：80%的受访者表示AI提升了个人工作效率，37%表示AI已对所在企业的息税前利润产生积极影响；按照麦肯锡的定义，能够从AI中获得显著财务收益的高绩效企业约占6%。

现实中的问题是，很多企业已经意识到AI的能力，也在管理会议上反复强调AI转型，却还没有找到将其嵌入核心业务、持续兑现收益的办法。部署模型只是开头，数据治理、系统集成、质量审核、员工培训、流程调整和风险控制，都需要额外投入。技术上能够完成的任务，也未必能直接替代一项完整的业务流程。

服务商同样面临收益分配的问题。客户愿意支付多少费用，取决于替代方案、市场竞争、实际收益和自身议价能力。即使AI为客户创造了1000万美元的价值，服务商也没有理由自动获得其中的大部分。

因此，AI应用的商业化首先要解决一个问题：创造出来的价值，究竟有多少能够转化为服务商的收入和利润。

模型越强，未必越赚钱

如果说上一层讨论的是价值如何在客户和供应商之间分配，那么接下来要看的，就是模型公司获得收入之后，究竟能留下多少利润。

模型公司主要通过订阅、API调用和企业合同获得收入。对于按使用量收费的业务，收入取决于调用量和平均价格，利润还取决于完成这些任务的成本。

假设平均售价下降50%，调用量就需要翻倍，收入才能维持不变。如果推理成本没有同步下降，利润反而可能受到挤压。

再看一个更具体的例子：假设一项AI服务原来每次售价100元，成本60元，单次毛利为40元。经过模型优化和硬件升级，单位成本下降40%，降至36元。如果市场竞争又迫使售价下降60%，价格就只剩40元，单次毛利也会从40元缩减至4元。

客户获得了更便宜的服务，供应商的单位利润却大幅缩水。此时，调用量必须显著增加，才有可能弥补单位利润的下降；如果规模增长不足，收入即使保持增长，盈利能力也可能恶化。模型优化、硬件升级和推理调度能够降低单位成本，但竞争往往会促使供应商把部分效率收益让给客户。

效率改善最终有多少留在供应商手里，还要看市场竞争格局。尤其当不同模型的能力逐渐接近，企业能够在多个供应商之间切换，或者采用成本更低的开源模型时，单纯依靠模型性能维持高溢价就会越来越困难。

DeepSeek凭借极低廉的API价格和开源策略被业界称为大模型行业的“价格屠夫”。在过去两年里，它“一屠再屠”……

这里存在一个值得关注的现象：AI越普及，技术可能创造越大的社会价值，但模型本身的商业定价权未必同步增强。

当然，技术进步也可能改善利润。只要单位成本下降得比售价更快，单位经济效益就能提升。关键在于，企业是否具备足够的成本优势、客户黏性或产品差异化，能否把技术效率转化为自身的竞争优势。

OpenAI CEO山姆·奥尔特曼今年6月接受CNBC采访时，将外界对AI投资回报的质疑称为当前对AI最公允的批评之一。他承认，企业投入了大量资金，已经取得一些很有价值的成果，同时也存在不少浪费。客户真正关心的，是还需要多久才能看到收入增长，以及何时才能把成本控制下来。

连模型公司的掌舵者都这么说，现在AI叙事光靠模型能力、用户数量、调用量画饼，显然不够。

真正的财务压力：投入先发生，回报没保证

AI产业还有一道比传统软件更重的成本门槛：物理基础设施。

训练模型需要大量算力，运行模型也会持续消耗计算资源。云厂商必须提前购买芯片、建设数据中心、配套电力和网络设施，才能承接未来的需求。这些钱要先花出去，未来需求有多大、设备利用率能达到多少、服务价格会如何变化，却都存在不确定性。

看到已有观点提到“现金流成为AI公司新评价标准”，若据此审视谷歌，第三季度自由现金流录得负90.7亿美元，显然是一个危险的信号。

不过，这里也要看到另外两点：一是，当季现金流还受到其他因素影响，包括约52亿美元欧盟罚款的现金支付，以及为TPU系统销售增加库存等；二是，过去12个月的自由现金流仍为正，约197亿美元。因此，可以说，公司整体现金创造能力还未完全枯竭。

实际上，分析一家公司的资本回报，不能只盯住单季度的自由现金流。更值得关注的是资本开支的增长速度，以及这些投入未来能够带来多少增量现金流。

如果数据中心利用率持续提高，客户合同能够兑现，云业务产生的利润足以覆盖折旧和资本成本，那么今天的现金流压力就可能换来未来的高回报。当然，反过来，如果需求增长不及预期，设备利用率偏低，或者技术迭代使现有设备在回本之前就失去竞争力，今天的投资就可能成为未来的财务负担。

这也牵扯到AI基础设施的另一个特殊之处：建设周期较长，芯片和模型技术的迭代速度却很快。

一座数据中心可以使用多年，但其中的加速器未必能在整个生命周期内保持同样的经济价值。即使设备仍然能够运行，也可能因为新一代芯片效率更高、单位计算成本更低，而面临经济性上的淘汰。因此，企业既要让设备在技术上可用，也要让它们在经济上足够高效——说白一点，得在技术优势消失之前，尽可能收回投入的成本。

AI军备竞赛的另一重风险由此而生：上一轮投资还没有完全回本，下一代芯片、数据中心和模型训练又需要新的投入。企业必须持续投资才能维持竞争力，资本回收周期却可能越来越难以预测。而美国国债收益率不断攀升的宏观背景，则会进一步放大相关风险。

谷歌数据中心图自谷歌官网

产业链里收入热闹，不等于终端需求扎实

既然资本回报存在这么多不确定性，科技巨头为什么还在继续投入？

因为不投同样有成本。

竞争对手可能率先获得企业客户、算力资源或关键模型能力，落后者就可能失去未来的市场份额。每家公司都有理由继续投资，即使短期回报并不理想。

这和汽车市场的价格竞争有几分相似：当所有参与者都担心落后时，即使整体利润受到挤压，单个企业也很难主动停下来。这是一种带有“囚徒困境”色彩的竞争。

与此同时，AI产业链内部存在大量资本和业务联系。云厂商投资模型公司，模型公司采购算力，云厂商再将收入投入新的数据中心和芯片。这些交易是真实存在的，也可能具有明确的商业价值。但产业链内部的收入增长，不能直接视为整个经济创造了同等规模的新增价值。

要判断需求是否扎实，需要区分三种情况：已经兑现的终端客户收入、具有约束力的合同，以及依赖未来增长假设的采购安排。三者的确定性不同。合同可以提高收入的可见性，却仍然需要考虑履约条件、交付进度、客户信用和相关成本。采购安排的名义金额再大，也不能直接等同于已经实现的客户收入。

已提交IPO申请、即将上市的Anthropic，就是一个值得观察的案例。

Business Insider对相关上市申报资料的分析显示，Anthropic在2026年第二季度实现收入116亿美元、营业利润9.74亿美元，营业利润率约为8%。这说明，规模化的AI服务确实有可能形成可行的经营模式。

但盈利并不意味着未来的资本风险已经解除。

根据Business Insider援引Evercore ISI分析师的估算，Anthropic涉及的计算资源安排总额接近8000亿美元，其中截至6月约2660亿美元属于固定或有保证的承诺。其余安排中，不少仍取决于算力交付情况，部分也包含调整或取消条款。

也就是说，AI服务已经能够产生利润，但未来的资本回报依然存在不确定性。

真正健康的商业循环，需要终端客户持续付费来支撑。当新增收入越来越依赖融资、战略采购和产业链内部承诺时，产业规模就可能增长得比最终需求更快。一旦终端需求不及预期，多个环节便会同时承压。

谷歌的特殊难处：AI既是增长机会，也可能侵蚀旧业务

谷歌面临的问题比一般AI创业公司更复杂。

它拥有成熟的搜索广告业务，也在快速扩大云计算业务。AI为它打开了新的增长空间，同时也可能改变原有搜索业务的商业模式。

Google Search&Other第三季度收入达到633.5亿美元，同比增长12%，低于第二季度约17%的增速。Alphabet整体广告收入约为820亿美元，也低于市场预期。

路透社报道指出，管理层将搜索广告增速放缓部分归因于AI Mode使用增加，同时表示新界面的广告变现仍处于测试和推广阶段。

这回复里藏着一个结构性难题：传统搜索主要通过搜索结果和广告点击实现变现，AI搜索则可能直接生成答案，让用户在对话界面中完成任务。对用户而言，这或意味着更好的体验、更少的操作步骤；对谷歌而言，广告展示、点击路径和每次查询的商业价值则都需要重新验证。

假设AI搜索让用户使用频率提高了20%，但每次查询带来的广告收入下降了30%，那么查询量增长也未必能弥补单位变现能力的下降。

谷歌需要找到新的平衡：AI搜索要足够好用，才能留住用户；广告系统也要能够适应新的交互方式，才能维持商业回报。

谷歌高管和政界人士在得克萨斯州该公司的数据中心出席一场活动。彭博社

结语：热闹不是回报，视频也未必是浪费

技术变强、收入变多、产业链内部交易变得更加活跃，这些都值得关注，但它们不足以证明AI投资已经进入良性循环。

AI军备竞赛最后可能真创造巨大经济价值，但价值怎么在芯片供应商、云平台、模型公司、应用企业和终端客户之间分，才决定各家能不能长期赚钱。等客户付的钱能覆盖整条链的研发、算力和资本成本，这场竞赛才算从烧钱扩张跑成良性商业循环。

从这个角度看，近期国内围绕AI Token消耗的争议，也值得换一个思路讨论。

有行业调研称，国内AI Token消耗中，短剧和视频生成占比约55%。不少媒体将此夸张地概括为“一半算力造爽剧”。

中文在线此前披露，国内AI Token消耗中，55%流向短剧和视频生成，24%用于电商与营销，软件开发只占15%。

客观来看，这组数据的统计口径值得质疑，不过，它引出了一个值得讨论的问题：

算力应该流向什么样的应用，才能更快形成可持续的商业回报？

有人愤慨，算力被用于生成短剧、娱乐视频和其他看起来不够硬核的内容，仿佛别人拿火药造枪，我们却拿来造烟花。这种着急可以理解，尤其是在算力资源有限、基础设施投入巨大的情况下。

但从资本回报角度来看，用来创造娱乐内容，未必全是坏处。AI视频至少离终端需求近：短剧、广告素材、游戏美术、影视预演，都是有人愿意买单或者能帮企业省钱的场景。