中国AI，开始为算力算账

文 | 奇帆商业，编辑 | 陆垚

10月8日，《金融时报》把目光投向了内蒙古乌兰察布。

这座距离北京数百公里的北方城市，正在成为中国数据中心建设最密集的地区之一。当地已有89个签约数据中心项目，阿里、华为、快手以及第三方数据中心运营商陆续在这里布局。报道还记录了一个细节：当地一所废弃的学校，正在被改造成数据中心。

乌兰察布能够吸引互联网公司，靠的不是人口和软件人才，而是相对便宜的电力、土地，以及适合服务器散热的气候。

今年7月，《中国新闻周刊》曾走访当地。在原本以传统产业为主的土地上，阿里巴巴和中联数据等企业的数据中心已经陆续出现。当地提出打造“Token之都”，试图将能源资源转化成新的产业优势。

图源：中联数据 乌兰察布数据站

乌兰察布的建设热潮，恰好发生在AI产业的一轮降价潮中。

今年5月，据路透社报道，DeepSeek宣布将V4-Pro模型的API价格永久下调75%，不同计费档位的价格从此前每百万Token 0.1元至24元，降至0.025元至6元。

图源：路透社报道信息DeepSeek模型价格永久下调

到了10月，《金融时报》援引Silicon Data编制的Token价格指数指出，综合Token价格较今年5月高点下降超过52%。其中既有模型自身的价格调整，也有企业将部分任务转向低价模型的影响，并非所有模型都出现了同等幅度的降价。

模型服务越来越便宜，科技巨头却在继续大规模采购服务器、建设机房。

8月20日，阿里巴巴公布截至6月底的季度财报，单季度资本开支达到676.78亿元，同比增长75%。同期，AI云与算力服务收入达到484.37亿元，同比增长45%。

这两组数字放在一起，能够看到AI产业正在发生的一种变化：模型公司不断降低服务价格，云服务商却需要提前投入大量资金，建设未来几年才能逐步回收成本的计算设施。

过去两年，行业讨论最多的是模型能力和GPU数量。谁能训练出更强的模型，谁拥有更大的计算集群，往往决定着一家AI公司的市场关注度。

随着模型进入实际应用，另一套更传统的商业规则也开始发挥作用。服务器需要折旧，机房需要持续供电，计算资源必须找到付费客户。技术进步能够降低成本，却不保证每一笔基础设施投资都能获得理想回报。

中国AI的竞争，正在从争夺算力，进入经营算力的阶段。

01 AI巨头，为什么开始向电厂靠近？

早在生成式AI兴起之前，阿里、华为等企业就已经在能源条件较好的地区布局数据中心。云计算改变了服务器的商业属性。过去，互联网公司采购计算设备，主要用于支撑搜索、电商、视频等自身业务；云服务兴起后，计算、存储和网络资源逐渐成为可以向外出售的标准化服务。

服务器不再只是一项技术投入，也成为需要持续产生收入的经营资产。对于云服务商而言，设备采购价格之外，机房建设、电力供应、网络连接和运维成本，都关系到这门生意能否赚钱。

大模型的出现，把计算需求推向了新的规模。

模型训练需要在相对集中的时间里调动大量GPU，模型投入使用后，又必须持续响应用户请求。如今，AI正在进入编程、办公和企业软件。过去只需要少量服务器完成的业务，开始增加模型调用、数据处理和计算任务。

数据中心最明显的成本之一，是电力。

假设一座数据中心的IT设备平均功率为10MW，全年持续运行，PUE为1.2。如果每千瓦时电价相差0.40元，一年产生的电费差额约为4205万元。五年下来，累计差额可能超过2亿元。

这只是一笔用于说明成本敏感性的假设性测算，不对应乌兰察布任何一座具体数据中心。实际电费还取决于设备负载率、用电合同、散热系统和运营方式，但电价对大型计算设施的影响已经足够直观。

一家云厂商如果同时经营多个大型数据中心，单是电力采购条件的差异，就可能形成可观的成本空间。过去看似属于地方招商和能源供应的问题，如今已经进入科技巨头的投资决策。

乌兰察布的优势也由此显现。这里有相对充足的电力资源、适合建设大规模机房的土地，北方气候还能为部分散热环节节省开支。《金融时报》报道，内蒙古部分地区的数据中心可以利用当地电力系统及与电厂直接连接等方式，降低能源供应成本。

这些条件能够帮助企业压低长期运营费用，但服务器并不是只要有电，就可以放在任何地方。

训练模型需要高速互联的计算集群，推理服务则要考虑网络延迟。对于需要快速响应的产品，靠近主要用户和网络枢纽仍然有价值。把计算设施放到能源成本更低的地区，可能节省电费，却也会带来网络传输、资源调度和系统维护方面的新要求。

大型云厂商需要在这些条件之间寻找平衡。部分训练、批处理和存储任务适合利用能源成本优势，时延敏感的业务则需要根据用户分布部署计算资源。数据中心究竟建在哪里，取决于企业想让它承担什么任务。

选址只是投资决策的一部分。

同样一批计算设备，由企业自己采购，还是向云厂商租用，也会形成不同的财务结果。

阿里这样的云服务商，可以建设机房、采购GPU，再将计算能力出售给外部客户。第三方数据中心运营商提供机房、供配电和运维服务，通过长期合同收取费用。模型公司则可以按照实际使用量购买云服务，也可以选择自建计算集群。

几种方式都能获得算力，承担的风险却不相同。

自建意味着企业必须先拿出资金，设备是否能够充分利用，要由自己承担风险。购买云服务可以减少初始资本开支，也让企业更容易调整资源规模，但长期使用成本可能较高。

对计算需求稳定、规模足够大的企业，自建可能更划算；对业务仍在快速变化的AI公司，租赁有时反而能够避免过早锁定技术和资产。

这里还有一个容易被忽略的差别。

机房、电力系统和网络基础设施可以使用很长时间，GPU却可能在远未达到物理寿命之前，就失去原有的成本竞争力。

新一代芯片通常能够提供更高的计算性能，模型架构和推理技术也在不断变化。企业今天购买的GPU，几年后也许仍然运行正常，但如果新设备能够以更低的成本完成同样的计算任务，旧设备就不得不面对更激烈的价格竞争。

电价便宜能够改善成本，却不能消除这种风险。

一家数据中心最终能否赚钱，不仅取决于设备采购和运营费用，还要看未来能否保持足够高的利用率，能否以合理价格持续出售计算资源。

过去，科技公司担心的是没有足够的芯片训练模型。

如今，芯片买回来之后怎么使用、由谁承担折旧、几年内能收回多少投资，也开始成为经营者必须回答的问题。

02 DeepSeek降价75%，算力为什么还不够便宜？

5月23日，路透社报道称，DeepSeek将此前V4-Pro模型75%的降价幅度转为永久调整。按照当时公布的信息，不同计费档位的API价格降至原来的四分之一。

在此之前，DeepSeek曾将该模型较高的定价与高端计算资源的供应约束联系起来，并预计随着相关硬件供给改善，服务价格存在进一步下降的空间。

但模型报价下降75%，并不等于完成同样一项任务所需的计算成本也下降了75%。

一家模型公司对外公布的API价格，是客户购买服务时需要支付的费用。企业实际承担的计算成本，还受到芯片性能、模型架构、推理优化、设备利用率和资源调度效率等因素影响。

成本改善可以为降价提供空间，市场竞争也可能推动企业主动降低收费。对于客户来说，两种情况都会表现为Token价格下降；对于模型公司，背后的利润变化却可能完全不同。

《金融时报》10月5日援引的Silicon Data指数，提供了另一个观察角度。

从综合价格看，Token价格较5月高点下降超过52%，但部分高端模型仍然维持相对稳定的报价，价格中位数也没有出现同等幅度的下跌。

图源：《金融时报》Token价格观察信息图

这个差别说明，企业采购AI服务的方式正在改变。

过去，用户容易把模型能力排行榜当成产品选择的主要依据。随着模型供给增加，越来越多任务可以交给价格更低、能力足够使用的模型。简单的信息分类、文档整理和常规客服，并不一定需要最昂贵的产品；复杂推理、专业分析和高可靠性任务，则可能继续使用高性能模型。

企业关心的，是完成任务需要付出多少成本，以及结果能否满足业务要求。

对模型厂商而言，能力领先仍然具有价值，却不再意味着所有任务都愿意支付高价。一旦普通模型能够满足客户的大部分日常需求，高端模型就需要证明额外的性能值得更高的收费。

这种变化会逐渐影响模型行业的利润分配。

一家模型公司通过技术优化，把推理成本降低30%，可以选择保留效率改善带来的收益，也可以把一部分空间让给客户，用更低的价格争夺市场。

当竞争对手提供的服务已经足够接近，降价可能成为更有效的选择。模型厂商投入研发获得的效率收益，最终会有一部分通过市场竞争转移给客户。

对使用AI的企业而言，这是好消息。

调用价格下降之后，原本成本太高、不值得引入AI的业务开始具备经济可行性。一些公司最初只在客服、文案或办公环节尝试模型，后来逐渐把AI接入软件开发、数据处理和内部业务流程。

AI Agent又让计算需求发生了新的变化。

传统聊天产品通常围绕一次提问和回答展开，智能体则尝试完成一整项工作。它可能先检索资料，再调用工具，分析返回的信息，发现结果不符合要求后重新执行。用户只提出一次需求，后台却可能发生多轮模型调用，以及额外的CPU、存储和网络操作。

单次模型调用的价格不断降低，完成整项工作消耗的计算资源却未必同步减少。

技术优化让同样的任务可以用更少的资源完成。

更低的价格吸引了更多用户，也让过去没有进入AI系统的任务开始消耗算力。

AI服务越来越便宜，与整个行业继续扩大计算设施投资，并不矛盾。

真正难判断的是，这些新增需求能否让已经投入的设备持续产生足够的收入。

云厂商采购GPU时，需要提前判断未来几年的计算需求。设备进入机房后，折旧、电力和维护费用都会持续发生，而模型价格和计算效率可能每隔几个月就出现明显变化。

假如新一代模型能够以更少的计算资源完成相同任务，旧设备就需要依靠更多订单来维持利用率。即使总算力需求继续增长，具体到某一家云厂商，手中的设备也未必始终具备成本优势。

反过来，如果AI应用的扩张速度足够快，越来越多企业把复杂任务交给模型，现有设施可能获得更高的使用率，提前投入的设备也就更容易收回成本。

两种结果都存在可能，区别在于技术进步、市场需求和服务价格变化的速度。

模型公司可以根据竞争情况调整API报价，云厂商却无法以同样的速度修改已经形成的资本开支。今天购买的GPU，必须依靠未来几年的经营逐步回收投资。

这种时间上的错位，正在成为AI基础设施投资最难处理的问题。

过去，企业愿意为高性能计算资源支付较高价格，云厂商可以据此判断设备的潜在收入。随着模型使用方式不断变化，云服务商需要同时预测客户规模、任务结构、模型效率和市场价格。

其中任何一个变量发生较大变化，都可能影响设备最终的投资回报。

模型价格可以很快调整，已经买下的服务器却不能随时退货。

AI产业最昂贵的竞争，不一定发生在模型价格表上，而可能发生在模型价格下降之后。

03 阿里的财报，揭开AI的另一笔账

这一季度，集团资本性支出达到676.78亿元，较上年同期增长75%。阿里在财报中解释，资本开支增加与AI基础设施投入有关，采购周期、AI智能体可能带来的CPU算力需求，以及芯片组件价格上涨，也影响了投资规模。

在互联网行业，很少有业务能够像今天的AI基础设施一样，需要在短时间内吸收如此庞大的资本投入。

但阿里的财报还有两组更值得放在一起看的数字。

截至6月底的季度，阿里AI云与算力服务收入达到484.37亿元，同比增长45%，经调整EBITA为56.28亿元，同比增长133%。

图源：阿里公布季度业绩公告

同期，AI实验室与应用分部收入33.38亿元，经调整EBITA亏损138.61亿元。阿里将亏损扩大主要归因于AI能力建设投入增加，以及千问应用相关推理成本上升。

这两项业务处在不同的发展阶段，承担的研发费用、内部资源成本和产品投入也不一样。经调整EBITA的差异，不能直接被理解成云计算已经收回投资，而模型应用注定难以盈利。

它们反映的，是AI产业链上不同环节的经营条件。

对于云服务商，模型公司和企业客户不断增长的计算需求，可以直接转化为资源租用收入。客户购买计算能力，云厂商按照约定收取费用，再依靠设备利用率和运营效率形成经营收益。

模型公司面对的是另一笔账。

训练模型需要采购或租用计算资源，推理服务同样会持续消耗算力。企业还要承担研发、产品和市场推广投入。只有当API调用、订阅收入或企业解决方案带来足够多的付费需求，模型业务才可能逐步覆盖这些成本。

同样一笔计算资源支出，在云厂商的报表里可能是收入，在模型公司的报表里却是成本。

如果模型公司选择自建集群，原本按月支付的云服务费用，又会转化成前期资本开支，以及未来持续发生的设备折旧和运营费用。

第三方数据中心运营商承担的角色则有所不同。它们可以通过机房租赁、供配电和运维服务收取费用，不一定拥有客户使用的GPU，也未必直接参与模型服务的商业化。

芯片厂商、机房运营商、云服务商和模型公司，虽然都参与了AI基础设施扩张，却不一定在同一个时间获得收益。

芯片厂商向客户出售设备，就可以形成销售收入。云厂商采购设备只是投资的开始，需要依靠未来的计算服务收入回收成本。模型公司还必须继续向下寻找真正愿意为AI能力付费的客户。

AI行业投资持续增长，并不意味着产业链上的每一家企业都会同时获得更高利润。

阿里的资本开支还揭示了一个容易被经营利润掩盖的问题。

即使云业务的经调整EBITA大幅改善，集团仍然需要持续投入资金建设基础设施。经营利润反映的是特定会计口径下的经营表现，并不等于新增设备投资已经完成回收。

对云服务商来说，一项计算资产是否值得购买，需要看整个使用周期内能够获得多少收入，以及电力、维护、折旧和设备更新会消耗多少成本。

这与过去互联网公司熟悉的部分经营模式存在差别。

搜索、社交和电商等互联网平台形成一定的用户规模后，可以通过广告、交易佣金和增值服务扩大收入。虽然这些业务同样需要技术基础设施，但数字产品的分发往往具有较强的规模效应。

AI模型服务则必须持续完成计算。用户每调用一次模型，后台就要消耗相应的计算资源。推理效率提高可以降低单位成本，却不会让计算投入完全消失。

企业能否赚钱，取决于客户愿意支付的费用，能否覆盖完成任务所需的成本，以及更大的使用规模能否提高设备利用率。

这让科技公司的竞争优势不再只取决于模型能力。

一家企业可以拥有性能领先的模型，却因为服务成本过高而难以扩大商业化规模；也可能没有市场上最强的模型，但凭借更低的计算成本、更稳定的服务和成熟的客户体系，获得持续收入。

云服务商同样需要面对竞争。

如果多家厂商都能够提供相近的计算资源，客户会比较价格、稳定性、开发工具和迁移成本。设备规模能够帮助企业满足需求，却不必然带来更强的定价权。

模型公司还要接受另一种考验。当低成本模型可以完成大量常规任务，高端模型就需要用实际效果证明收费差异。模型性能提高仍然重要，但客户最终购买的是完成任务的能力，而不是技术指标本身。

这轮AI投资能否获得理想回报，最后仍然要回到实际业务中寻找答案。

一家企业愿意持续购买AI服务，可能因为软件开发周期缩短、客服效率提高，或者某些工作流程减少了人工处理。如果这些收益足以覆盖使用成本，客户就有动力扩大投入；如果模型很强，却无法带来可衡量的经营改善，企业也很难无限增加预算。

乌兰察布的数据中心建设、DeepSeek的价格调整和阿里的资本开支，看似发生在不同的产业环节，其实指向了同一个问题。

低电价能够减少运营费用，但不能保证数据中心拥有足够的客户；模型降价能够扩大使用范围，却可能压缩部分服务的定价空间；云业务收入增长，可以改善经营表现，但新增计算资产仍然需要多年时间回收投入。

中国AI产业仍处在投资扩张阶段，计算需求也有继续增长的空间。只是行业需求增长，并不能保证每一家企业买下的服务器都能长期保持成本优势，更不能保证所有投入都能获得足够高的回报。

过去两年，AI公司需要证明自己能够训练出更强的模型。随着计算设施投入越来越重，技术能力之外，资产管理和资本回报也开始成为竞争的一部分。

模型价格可以在几个月内降去四分之三，一座数据中心的投资却需要数年才能收回。

当技术以月为单位迭代，资本却以年为单位回收，中国AI公司真正需要学习的，或许不只是如何训练更好的模型，而是如何经营一门重资产生意。