对AI需求、基建与增长的思考

风险提示：本文所提到的观点仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。

作者：陆家嘴幽灵

来源：雪球

刚刚过去的八月 ， 相较于七月的科技市场 ， 体感有了明显改善 。 当前 ， 市场争论仍主要集中在两个问题 ： AI基础设施建设是否过度 、 算力账本能否算平 ？

周末做了些学习 ， 简单做个分享 。

01
AI需求的持续性

很多人习惯性将移动互联网时代的渗透率见顶逻辑 ， 直接套用到当下的AI 。 但其实这种思维框架容易导致错判这轮科技周期的真实长度 。

要理解AI算力需求的爆发 ， 首先要明白它与互联网时代硬件需求的底层差异 。

互联网 、 移动互联网时代的硬件基建 ， 生命周期受制于一个单一维度 ：用户渗透率。 宽带和智能手机的普及是一条标准的S型曲线 ， 当渗透率跨过50%的中点 ， 硬件增速的下滑就是必然 ， 因为平价包月服务无法在单个用户身上获取指数级的增量需求 ：

一个人不会因为看十倍的网页而付十倍的网费 ， 硬件端自然也就触顶 。

但AI时代不同 ， 算力需求 （ 以Token衡量 ） 的上限是由两个维度共同决定的 ：

Token总需求 = 用户渗透率 × 人均Token使用量

目前 ， AI工具的初步普及确实已越过高速增长的拐点 ， 这也是市场感到各大模型日活增速不再惊艳的原因 。 然而第二维度 ， 也就是人均Token消耗量 ， 才刚刚起步。

企业内部人均AI支出中位数目前每月仅仅是十位数100 。 如果未来AI作为核心生产力工具 ， 能够承接的工作当量至少对应四位数的预算空间 ， 仍有两个数量级的增长空间 。

所以在AI时代 ， 我们看到了一个罕见现象 ：

当第一条用户渗透率的S型曲线刚刚走平 ， 第二条人均用量的S型曲线能实现无缝衔接 。

更关键的是 ， 互联网软件分发的边际成本几乎为零； 但在AI时代 ， 高额的推理算力成本使得每一次访问都会真实消耗硬件资源 。 商业模式从流量变现转向每Token毛利变现 。

这种双重指数增长的叠加 ， 意味着AI基建周期将远长于传统互联网基建期 。

02
数据中心建设是否合理

判断数百亿美元的数据中心建设是否合理 ， 我们可以从微观 、 宏观层面算两笔账 。

1. 微观层面 ： 极佳的单位经济模型

以A和OA两家头部为例 ， 目前纯推理端的投资资本回报率高达60%左右 。 1GW的数据中心建设与运营年化成本约100亿美元 ， 但其创造的推理算力收入可接近300亿美元 。

在如此利润的驱动下 ， 只要其ARR在下半年保持温和的环比增长 ， 就完全能支撑起2027年之前的算力扩张规划 。

当然 ， 由于推理端毛利极高 （ 闭源模型高达70-85% ） ， 必然会吸引大量新兴云厂商涌入 。 算力规划的时间差可能会导致未来出现过度建设的情况 ， 但反过来算力过剩会导致推理成本下降 ， 这反而利好应用层与模型厂的生态扩张 。

2. 宏观层面 ： 数据中心正在推动再工业化

市场此前对数据中心大量消耗资源存在顾虑 ， 但现实反馈正在改变这一偏见 。

事实上 ， 数据中心正在成为重塑区域经济的核心引擎 。 在水资源方面 ， 新建数据中心普遍采用闭环冷却系统或再生水 ， 消耗量远没有想象中那么高 。 在税收与基建方面 ， 以昆西市为例 ， 因数据中心入驻 ， 贫困率从29%骤降至6% ， 巨额房产税反哺了当地的高中 、 医院和消防设施 。 更重要的是 ， 数据中心建设催生了电工 、 管道工 、 暖通空调技术人员等岗位的需求 ， 且这种维护与升级是长期持续的 。

在能源端 ， 庞大的电力需求正在倒逼天然气 、 太阳能及电网级储能电池的大规模部署 ， 甚至在部分情况下能够压低用电费率 。

AI基建不仅没有对实体经济产生负面影响 ， 反而正在推动大规模的再工业化 。

03
ARR增长引擎开源与闭源

当狭义的代码辅助工具渗透率逐渐见顶 ， 市场开始拷问 ： 什么场景能够接力支撑ARR增长 ？

答案是Coding ， 广义编程。 在企业应用中 ， 代码正在成为Agent调度各类软件和操作系统的通用母语 。

目前 ， 广义Coding任务占头部AI企业所有ARR的比例高达60%至70% 。 其中 ， 狭义的程序员代码编写仅占约40% ， 另外20%至30%则是由其他行业的任务转化而来 。 例如 ， 财务人员分析Excel 、 投行构建估值模型 ， AI在后台的实际执行路径均是开启一个Linux沙盒 ， 通过编写和运行程序来完成观察环境 、 执行代码 、 验证结果的闭环 。

代码正通过大模型以隐蔽的方式加速渗透 。 当前制约Token消耗增速的并非场景天花板 ， 而是企业工作流的整合进度与员工习惯的学习曲线 。 广义Agent Coding的需求非常可观 。

另一个讨论是开源与闭源 。

目前 ， 纯开源模型的推理ARR大致在40至50亿美元量级 ， 而闭源模型高达千亿级美元 ， 开源占比仅为3%左右 。 背后是极高的算力与融资壁垒。 开源推理托管服务商受制于有限的资产负债表 ， 难以租赁足够的算力集群来实现指数级扩张 。

这也是为什么英伟达要花129亿美元买下开源社区Hugging Face 。 因为开源生态急需破局 ， 而英伟达需要开源去制衡自研芯片的闭源巨头 。

同时 ， 闭源巨头正在采取阶梯式防守策略 。 以OA推出降价80%的4o mini为例 ， 这与移动互联网时代高通防守联发科的策略一致 ：

旗舰模型 （ Sol ） 维持技术与品牌天花板 ， 而平价模型 （ Luna ） 主动填满低价区间 ， 去竞争开源竞争者的利润空间 。

开源与闭源还是处在相对稳定的生态位共存 。

04
总结

在算力向实体经济渗透的当下 ， 我们在考量一家企业时 ， 可以关注两个方面 ：

第一 ，审视其在传统互联网时代的资源禀赋 （ 如牌照壁垒 、 现金流 、 分红比率等 ） ， 这构成了估值的安全边际 。

第二 ，审视其在AI时代的生态卡位 。 把它放到三层框架中 ： 第一层是基础大模型 ； 第二层是垂类模型 、 Agent与开发分发平台 ； 第三层是利用前两层能力对自身供给端和生产流进行改造的企业 。

AIGC本质已经从单纯的表达性内容 （ 影视 、 游戏等 ） ， 向生产性内容（ 工作流替代 ） 和决策性内容（ 医疗 、 金融等 ） 扩张 。 单纯的ROE和自由现金流尚不足够 ， 还应关注Token消耗变现+消费端闭环回流的分布估值 。

AI时代 ， 算力的跃升与物理世界重构正在同步发生 。 市场争论的不应该是资本开支的绝对数值 ， 而是该用什么样的时间跨度去衡量它。