2026年8月5日，星期三 · 精选 10 篇 · 特别主题：AI 的成本账
编辑精选
AI 行业正在出现一道看似矛盾的经济分叉：支撑 AI 的机器从未如此昂贵，但使用 AI 模型的价格却在快速下降。
亚马逊、Alphabet、Meta 和微软今年的基础设施投入预计合计约 7250 亿美元。OpenAI 到 2030 年的算力承诺据报道已经扩大到 7500 亿美元。这不是普通的软件预算。钱被花在更新很快的芯片、建设周期漫长的数据中心、电力合同、冷却系统和连接一切的网络上。最大的科技公司正在同时变成工业设施的运营者。
用户看到的价格却朝着相反方向移动。GPT-5.6 Luna 发布仅三周，OpenAI 就把价格下调了约 80%。Meta、xAI、中国的开放权重模型开发者和云服务商都在推动同一件事：模型能力变成普通商品的速度，可能比底层基础设施降价的速度更快。
这道裂缝也解释了最新财报季的市场情绪。微软获得了更积极的回应，因为 Azure 需求和利润增长证明巨额投入可以转化为收入。Meta 和 Alphabet 则面对更尖锐的问题，因为成本增长快于现金回报。亚马逊仍然选择提高投入，理由是现有需求已经超过它能建出的容量。
真正决定胜负的指标因此正在改变。调用价格、榜单成绩和数据中心规模都只说明一部分问题。企业最终要算的是“成功完成一项任务的总成本”：模型费用、重试、人工复核、等待时间，以及成品创造的价值。这一阶段的赢家未必拥有最大的算力集群，也未必提供最便宜的模型，而是那些能不断把昂贵基础设施转化为可靠成果、并让客户愿意持续付费的公司。
热门话题：AI 的成本悖论
以下十条动态共同指向一场经济重置：生产 AI 越来越重，销售 AI 却越来越卷。
四大科技公司的 AI 建设投入突破万亿美元
据《金融时报》的分析，亚马逊、Google、Meta 和微软自 2023 年以来投入基础设施的资金已超过 1 万亿美元，2026 年还预计新增约 7450 亿美元。这个数字改变了 AI 生意的性质。模型服务背后不再只是软件，而是一条由芯片、内存、土地、输电线路和发电设施组成的实体供应链。巨额投入可能形成长期优势，也会带来持续的折旧和融资成本，无论某个模型是否仍然受欢迎，这些账单都不会消失。AI 竞赛已经不再像一次软件试验，而更像建设一套新的工业体系。
亚马逊继续加码，但算力依然不够
亚马逊在第二季度取得强劲业绩后，把 2026 年的资本投入计划提高到约 2200 亿美元。CEO Andy Jassy 告诉投资者，即使投入达到这一水平，公司仍无法满足今年的全部需求，2028 年的客户需求也已经相当可观。AWS 和亚马逊自研 AI 芯片业务的年化收入都超过了 250 亿美元，说明基础设施需求已经开始成为实际收入。但这仍是一场巨大的提前下注：亚马逊必须先于客户建设容量，在设施尚未满载时承担成本，还要在竞争对手同步扩张时保持价格吸引力。
来源：美联社
微软交出了投资者现在最想看的答案
微软最新一季的资本投入同比增长 70%，净利润同时增长 31%。Azure 需求保持强劲，让公司更有底气证明昂贵的芯片和数据中心正在服务一门客户已经付费的生意。但另一个细节不能忽视：约三分之二的投入花在 CPU 和 GPU 等寿命较短的设备上，它们远比建筑物更快需要替换。微软展示了新经济的两面：强劲的云收入可以支撑建设热潮，但硬件更新周期也意味着 AI 基础设施不是一次性投入，而是一项长期、反复发生的承诺。
来源：Axios
Meta 先收到账单，回报还在路上
Meta 预计 2026 年的资本投入将达到 1300 亿至 1450 亿美元。其季度支出增长 55%，收入增长 28%，净利润下降 14%。AI 已经改善了 Meta 的广告和推荐系统，但公司更大的产品野心还没有产生相称的回报。真正的问题不是 Meta 今天能不能承担这笔钱，而是新增的每一美元究竟在强化已有的盈利业务、创造一门新业务，还是仅仅帮助公司跟上同样重金投入的竞争对手。
来源：Axios
Alphabet 首次出现现金流出，AI 回报成为董事会问题
Alphabet 第二季度出现 59 亿美元现金流出，与此同时，Google Cloud 的增长达到 82%。路透社报道称，公司还把 2026 年的投入计划再提高了 150 亿美元。这组反差提醒人们，不要用简单故事理解 AI：需求高速增长和现金状况恶化可以同时发生。数据中心容量能迅速带来收入，但建设、设备和折旧也可能以更快速度消耗现金。管理层面对的问题，已经从“团队是否在使用 AI”变成“AI 创造的价值，能否比支撑它的基础设施成本增长得更快”。
OpenAI 把 2030 年前的算力承诺扩大到 7500 亿美元
据 TechCrunch 援引的报道，OpenAI 预计到 2030 年将在基础设施上投入约 7500 亿美元。这个数字揭示了前沿模型公司的核心风险：训练下一代模型和服务当前模型都需要持续的巨额投入，而竞争又在压低客户价格。更大的规模可以提高效率和能力，也会抬高维持业务所需的收入门槛。OpenAI 的判断是，编程、研究、企业流程和个人助手的需求增长足以把预订的算力转化为有价值的付费工作，而不是闲置容量。
来源：TechCrunch
GPT-5.6 Luna 发布三周就降价 80%
OpenAI 把 GPT-5.6 Luna 的价格降至每百万输入 token 0.20 美元、每百万输出 token 1.20 美元，降幅约 80%。中档的 Terra 降价 20%，旗舰版 Sol 保持原价。比降幅更值得关注的是速度：过去，新模型通常能维持数月价格，Luna 却在三周后就重新定价。效率提升让降价成为可能，更便宜的中国开放权重模型和其他竞争者也压缩了高价空间。客户开始默认模型能力会上升、单位价格会下降，这有利于普及，却给承担算力成本的公司出了一道难题。
来源：OpenAI
价格战从“每个 token”转向“每项完成的工作”
OpenAI 提出，企业不应只选择 token 最便宜的模型，而应衡量“每一美元得到多少有用智能”。两者差别很实际：低价模型可能需要多次重试和更多人工复核，价格更高的模型则可能一次完成。真实成本还包括等待时间、监督和返工。这套算法也说明，下一阶段的竞争会发生在具体工作流程中，而不是排行榜上。只有当模型能够稳定地解决客户问题、审阅合同、完成经过检查的修改，或交付另一项可以计算的结果时，它才真正具有经济价值。
来源：OpenAI
开放模型正在让算力更像可以随时替换的商品
更便宜的开放权重模型一方面给高价接口施压，另一方面也让企业更容易在不同服务商之间迁移任务。路透社指出，如果模型和云算力越来越容易互换，基础设施公司可能不得不投入更多、接受更低回报。AI 正在遇到典型的商品化难题：服务商需要巨大规模来降低成本，而规模又让客户更容易比价和更换供应商。未来真正的差异将来自可靠性、安全、整合能力和可以衡量的任务表现，而不只是“拥有一个能力不错的模型”。
AI 的成本争论已经进入普通家庭的电费账单
美国政府正在扩大一项承诺，希望避免数据中心的新增用电成本转嫁给普通家庭。计划要求建设和使用大型数据中心的企业支付高于常规水平的费用，但美国电力市场分散，输电线路已经拥堵，执行并不容易。AI 的经济问题由此走出了科技行业：一次看似便宜的模型调用，可能依赖一套昂贵的实体系统，其负担由电力公司、当地社区和用户共同承担。如果行业不能透明地为自己的电力扩张买单，公众阻力可能会像芯片短缺一样，成为限制 AI 增长的重要因素。
本期特别报道由 WindFlash AI 根据公开的公司、财经、科技和政策资料整理，主题为人工智能的成本与回报。