AI终于赚钱了，全球1100亿美元的真实收入，为什么让人更不安？,ai成本高

两年了。

两年来，“AI泡沫”的警告声此起彼伏，但却没有人能真正回答一个最简单的问题：这个行业，到底赚了多少钱？它什么时候能收支平衡？

不过最近，答案来了。

发布它的是分析机构Exponential View，领头人是分析师兼投资人Azeem Azhar。他的团队花了数月时间，梳理了超过1000家公司的财务数据、供应链记录和行业披露，做了一件听起来简单、实际上极难的事：把AI行业的真实收入，从头算了一遍。

为什么要重算？因为AI行业的收入数字，一直有一个秘密：同一笔钱，云服务商算一遍，大模型厂商算一遍，应用层再算一遍。报告称之为“去重”，去掉这些水分之后，数字会缩水很多，但也因此第一次变得可信。

去重之后，结论是：过去12个月，全球生成式AI（不含中国大陆本土市场，下同）产生了1100亿美元的真实收入，年化运行率超过1750亿美元。

更引人注目的，是一个季度数字。

2026年第一季度，AI行业季度收入达到250亿美元，连续第二个季度超过了同期的芯片与数据中心折旧（210亿美元）。

Azhar本人表示，这是AI需求“just about clears the depreciation hurdle”，即勉强跨过了折旧门槛。

注意他的用词。不是“大幅超越”，不是“全面覆盖”，是“勉强跨过”。这位深度参与AI行业投资的人，在自己发布了对AI最为乐观的需求侧报告之后，选择了这样一个克制的表述。

这种克制，是有原因的。

但在展开之前，有必要先感受一下这个行业的增长速度。EV报告的另一组数据提供了参照：AI收入增速大约是此前任何一次IT平台浪潮（互联网、云计算、智能手机）的3倍。2023年，AI行业每新增10亿美元收入大约需要180天；到2026年，这个时间已经缩短到不到2天。这是一种非线性的、近乎垂直的爬升。

然而，速度快不代表规模大。另一个容易被忽视的数字是：即便以1750亿美元的年化收入计，AI行业目前也仅相当于美国GDP的0.42%，而整个IT行业占美国GDP的9.4%。换句话说，AI很大，但在宏观经济尺度上，它仍然处于极早期。1100亿美元是一笔真实的巨款，但也只是一笔早期的巨款。

拷问一：AI到底回本了吗？

先说结论：取决于你用哪把尺子。

EV报告用的尺子，是AI季度收入对比同期的折旧摊销额，即过去购置的芯片和数据中心，在这个季度里计入账本的那部分成本。250亿对210亿，确实跨过去了。

但换一把尺子，画面立刻变了。

Sequoia资本合伙人David Cahn从2023年起就在追踪一个指标：英伟达数据中心收入的运行率，乘以2（GPU只是数据中心成本的一半，另一半是能源、厂房、冷却），再乘以2（运营商需要的毛利率）。得到的，就是AI行业每年必须产生的最低收入门槛。

2023年底，这个门槛是2000亿美元。2024年中，随着英伟达收入飙升，更新为6000亿美元。到2026年，还在上移。

对照EV报告1750亿美元的年化收入，差距超过4倍。

还有第三把尺子：从整个投资周期看，EV报告原文承认，到2026年底AI相关资本支出比ChatGPT前的历史趋势线额外多出了5350亿美元；若加上此前已有的基础投入，多家行业机构（包括Goldman Sachs和Morgan Stanley）的综合测算显示，超大规模云商AI相关累计资本支出已逼近2万亿美元。累计收入，远未触及这个数字。

三把尺子，三种结论。

这不是哪种算法更“正确”的问题。但当媒体标题写着“AI收入首次超过折旧”，大多数读者理解的是第二行或第三行，而报告描述的是第一行。

更值得关注的，是折旧数字本身的争议。

2025年11月，曾因做空次贷而声名大噪的Michael Burry公开指控：各大科技巨头正在将GPU的会计折旧年限从实际经济寿命的2-3年，拉长至5-6年。他的测算（引自行业分析师综合推演，非经审计数据）：2026至2028年间，行业合计低估折旧约1760亿美元。

需要说明的是，延长折旧年限本身在会计准则框架内是被允许的。折旧年限本质上是对资产使用寿命的估计，企业有自主判断空间，审计师也已签字确认。AWS的CEO曾公开表示六年前的A100服务器因需求旺盛至今未退役，这为拉长折旧年限提供了一定的现实依据。真正的争议在于：这个判断，是否与芯片在快速迭代环境下的真实经济寿命相符。

如果答案是否定的，那个“跨过”的里程碑，可能从未真实发生。

值得注意的是，EV报告本身也没有回避这个问题。报告直接画了两种情景对比：在乐观情景下，如果GPU确实能在6年折旧期满后继续产生收益（旧芯片承担推理等低要求工作负载），那么CapEx是可以回本的；但在悲观情景下，如果H100今天就过时，即芯片实际有效寿命只有2-3年，那么收入远远不够覆盖资本支出。

换句话说，这份对AI需求侧最为乐观的报告，在折旧寿命这个关键变量上，自己也不敢下定论。它只是把两种结果摆出来，让读者自己判断。而这两张图之间的差距，就是1760亿美元的悬殊，恰好与Burry的指控方向一致。

拷问二：价格打到骨折，收入怎么还在涨？

这是AI行业最反直觉的事情之一，值得认真停下来看一看。

AI的价格，正在历史性地崩塌。斯坦福大学AI Index记录了这组数字：2022年11月，查询一个GPT-3.5级别模型的价格是每百万token 20美元。到2024年10月，同等能力的查询降至0.07美元。不到两年，降低了280倍。

a16z的“LLMflation”分析更激进：GPT-3级别的推理成本从2021年到2024年，降低了整整1000倍。

按常规商业逻辑，价格跌1000倍，收入应该暴跌。

但事实是，这个行业的收入在以接近200%的年增速扩张。原因在于一个160年前的经济学现象：杰文斯悖论（Jevons Paradox）。

1865年，英国经济学家威廉·杰文斯观察到：瓦特改良蒸汽机之后，每单位工作所需的煤炭大幅减少，但英国的总煤炭消耗量，反而急剧上升。因为更高效的蒸汽机让煤炭动力在更广泛的领域变得经济可行，开辟了全新的需求。

AI正在精确地重演这个过程。

当每百万token的成本从20美元跌至0.07美元，之前只有少数大公司能负担的AI应用，突然对初创公司、中小企业和个人开发者打开了大门。每当一个能力层级变得可负担，大量“之前不值得做”的应用场景就变得经济可行：这不是存量用户用得更便宜了，而是增量用户带着全新用例涌入了市场。

数据也印证了这一点，Bain & Company的分析显示，2024年12月至2025年12月，token成本减半，但同期token消耗量增长了450%。价格降一半，用量涨四倍半，总支出不降反升。

EV报告自己的数据更为精确，全球token月消耗量已超过30Q（千万亿），同比增长14倍。报告测算了需求弹性：每降价10%，用量增长12%至18%，弹性系数约1.2至1.8。需求增长始终快于价格下降，这正是杰文斯悖论在数字经济中的精确数学表达。

分析师的总结精准得令人忍俊不禁：“模型越来越便宜，用量越来越重，账单顽固地居高不下。”

EV报告还提出了一个更具前瞻性的类比，今天AI行业的Token计费，正在重演当年Google发明CPC（按点击付费）的故事。

CPC出现之前，横幅广告按展示计费，市场规模有限；CPC让广告支出第一次可以和投资回报挂钩，最终催生了价值数千亿美元的数字广告生态。报告认为，Token计费正在成为AI时代的“价值计量单位”，当每一次调用都可以被精确计价和追踪，AI的商业化就不再是黑箱。这不是简单的降价，而是一个新的商业范式正在形成。

企业端的体感更直接。Uber把整年的AI预算，在四个月内全部耗尽，并非因为超支失控，而是随着每次调用变得更便宜，工程师们发现了越来越多值得自动化的流程，用量自然螺旋上升。

EV报告提到，Uber的AI支出上限大约是每名工程师每年1500美元，这个水平已经排在美国企业前10%。换句话说，即便是全美最激进的AI采用者之一，其支出规模相对于营收也仍然是“毛毛雨”。空间巨大，但这也意味着飞轮一旦加速，消耗会远超预期。

这是一个真实运转中的需求飞轮。EV报告记录的1100亿美元，是真实付出去的钱。

但正是在这里，一个更深的问题浮现了。

一台真正高速运转的引擎，才需要认真担心散热和燃料。需求越真实，接下来的风险就越不能被轻描淡写。

在讨论AI行业“赚了多少钱”之后，一个同样重要但鲜少被问起的问题是：这些钱流向了哪里？产业结构正在发生什么变化？

EV报告给出回答是，价值正在沿着技术栈向上迁移。

一年前，云基础设施占据了AI行业总收入的约82%，模型层约11%，应用层仅约7%。到2026年，应用层份额已升至约11%（年收入增长2.95倍），模型层微降至约9%，云基础设施则跌破80%。

这意味着，虽然底层硬件和云服务仍然拿走了绝大部分收入，但增速最快的不是它们，是应用。钱正在从“卖铲子的人”流向“挖金子的人”。

但报告同时指出了一个隐忧，即前沿模型的定价权正在被快速侵蚀。去年的前沿模型，今年就被开源权重模型追上并商品化。在OpenRouter平台上，开源模型的token份额持续上升。如果模型能力快速同质化，模型层的收入增长可能比预期更快见顶，而这恰恰会加剧“折旧门槛”的压力：收入增长放缓，折旧却在加速。

这不是远在天边的风险。它正在发生。

拷问三：需求是真的，危机也是真的

让我们把杰文斯悖论反过来用。

需求越旺盛 → 各家大厂越不敢踩刹车 → 投资越猛 → 未来折旧越大 → 收入门槛越高 → 需要更多投资维持竞争力……

这是一个自我加速的飞轮，没有自然的停止机制。

EV报告里有一个数字可以把飞轮的速度具体化：AI基础设施的年折旧额，据行业分析师综合测算，预计到2026年底将逼近1110亿美元。而Q1我们刚刚跨过的季度折旧线，是210亿美元。门槛，正在快速升高。

飞轮的物理尺度也在膨胀。EV报告记录，全球最大规模的数据中心在短短四年间扩大了约50倍。芯片在数据中心成本中的占比从2021年的约40%上升到2026年的约60%，其中增长最快的不是GPU本身，而是高带宽内存（HBM），其份额从约2%飙升至约18%，已成为AI基础设施投资中最大的增量项。

当然，这个飞轮也有对冲力量：开源模型的快速成熟和推理效率的持续提升，正在压低单位算力成本，为行业提供一定的喘息空间。但目前来看，这些力量的速度，还追不上折旧门槛上升的速度。

与此同时，超大规模云商的自由现金流已经在告急。2024年这一群体每季度还能产生约450亿美元的自由现金流，到2026年Q1，已跌至约40亿美元。分红和回购之外，这些公司已经开始靠借债维持AI投资。2025年的债务发行额，是历史平均水平的四倍。

飞轮在加速，但它需要燃料。而燃料的供给，正在触碰两道硬墙。

第一道硬墙：电

这听起来像是基础设施问题，实际上是整个AI产业的天花板。

全球数据中心用电量，预计到2026年将逼近1050 TWh。如果数据中心是一个国家，它是全球第五大电力消耗体，夹在日本和俄罗斯之间。

美国东北部电网运营商PJM预测，2027年将出现6GW的供电缺口（相当于六座大型核电站同时满负荷发电）。咨询机构Gartner的预测更直接：到2027年，电力短缺将直接限制40%的AI数据中心扩张。

问题的核心，是一个无法用钱解决的时间错配：超大规模数据中心几个月就能建好，但一座核电站从规划到并网需要十年，电网输电线路的许可审批通常也要五到七年。空档期里，只能靠天然气填，这与各大科技公司公开承诺的碳中和目标，形成直接冲突。

微软与三里岛核电站签署协议，重启其中仍可运行的1号机组（2号机组于1979年事故后已永久关闭），亚马逊花6.5亿美元买下直连核电站的数据中心园区，Meta和Google广泛布局核电购电协议。这些动作的本质，是在电力成为最大瓶颈之前，提前锁定稀缺资源。但能做到这一点的，只有少数资产负债表最雄厚的玩家。其余的，只能排队等电。