一年暴跌十三倍的运算成本却让极少数巨头悄悄买走八成单两家做大模型的公司在短短大半年里把合起来的年化收入从大约300亿美元推到了1050亿美元。你可能以为这代表满大街的企业都在疯狂给AI掏钱。但一份刚出炉的行业报告直接泼了盆冷水在这场看似全民狂欢的采购里大约1%的客户悄悄买下了整整80%的单。2026年10月8日投资机构Air Street Capital的Nathan Benaich发布了第九份年度《AI现状报告》。整份报告最抓人眼球的结论只有一句话AI算力日常运行的这门生意也就是行业里常说的推理正在变成一个规模极其惊人的收入瀑布但几乎所有涌出来的金子都被极少数端着大桶的公司接走了。一、为什么便宜了13倍总账单反而更吓人了我们先来看一个反常识的技术现实。按照研究机构Epoch AI的统计从2023年算起如果要让AI在几个固定测试里考出同样的分数最低的运算成本每个季度都会缩水大约47%。折算下来一年能便宜约13倍。这就像四年前你寄一封挂号信要花十三块钱如今花一块钱就能寄出去。照理说企业在这个工具上的开销应该越来越省才对。但现实完全相反OpenAI和Anthropic的合计年化收入从2026年年初的约300亿美元一路飙升到夏末的约1050亿美元。虽然这个数字包揽了两家公司的订阅、编程工具和所有接口调用并不是单纯的运算收费但需求膨胀的速度毫无疑问是极其可怕的。问题出在哪里说白了单价暴跌并不等于总账单会缩水。过去大家用模型就像在搜索引擎里敲一行字点一下回车它回答一句买卖就算结了。但现在大家都在用智能体也就是让AI像个数字员工一样去干活。这种模式下你给它一个稍微复杂的任务比如整理一份横跨三个部门的财务台账它不是回答一次而是在后台把模型当成外脑前前后后反复调用上百次、上千次。单次运算虽然便宜得像自来水但水龙头一旦被智能体拧开整夜不关流下来的水费就会变成天文数字。更扎眼的是企业之间令人窒息的贫富分化。报告引用了财务服务机构Ramp在2026年8月的数据在AI支出排名前1%的公司里平均每个月要给每位员工花掉7205美元的AI费用而在排在中间位置的普通公司里这个数字仅仅是12.5美元。前1%的公司的人均支出几乎是中位数公司的580倍。这彻底解释了为什么大家对AI的感受完全不同。有的公司只是给员工报销几个月度会员账号偶尔用来润色一下邮件而真正的重度客户是把一整套日夜运转的自动化业务全部架在了模型上面。看似大家都在报告里写着自己采用了AI但两者交出的账单完全是两个物种。二、更贵的模型为什么反而干不好具体的苦活既然顶级客户花钱如流水他们是不是必须买最前沿、单价最贵的超级通用模型答案恰恰相反。报告里摆出了好几个让人意外的测试结果通用大模型在专业工种面前正在被垂直打磨过的小团队迎头痛击。法律科技公司Harvey做过一个尝试。他们拿开源的GLM-5.2模型进行业务专门训练回头去跑合同审阅表。结果发现这个专门训练过的模型每核对一个表格单元的成本比顶尖的通用模型Sonnet 5还要低54.8%而在Harvey自己的质量打分体系里它拿下了0.903分反而高过了Fable 5的0.867分。无独有偶招聘平台Mercor挑了1928个由行业专家完成的专门任务去训练一个开源的Qwen模型。等到拿480个留出来的测试任务去考它时这个模型一次性通关的成功率直接从16.11%跳到了27.29%。为什么最聪明的前沿通用模型在这种活儿上反而吃瘪报告给了一个很形象的反例。通用模型Opus 5在做四项规规矩矩的结构化会计填空题时试了20次拿了20次满分。但一旦把它扔进模拟银行日常作业的环境里给它100个真实业务流程它的通过率瞬间暴跌到了12.3%。因为在真实的商业世界里客户要的从来不是一个在纸面上答题满分的学霸而是能把活儿稳稳交掉的熟手。报告用了一个极其生动的例子一份本来内容算得很正确的员工报销单智能体如果只是因为中间漏掉了一个审批勾选或者最后忘了点提交在现实业务里它就是一份纯粹的废纸。在评测基准FrontierChallenge的97个科学流程测试里另一个顶尖通用模型GPT-5.6 Sol在满足单个要求的得分上拿到了87.9分的高分但如果要看它完完整整把整套活儿做完的比例只有区区20.6%。这就是为什么报告的作者直言单次输出的价格根本说明不了问题未来能变成稳定生意的只有那些被正确完成的工作。三、七千亿资本开支背后连电线杆子都在卡脖子既然下游的推理需求像瀑布一样冲下来上游自然开始了一场近乎疯狂的造基建运动。四大美国超大规模云服务商对2026年的资本开支指引加在一起达到了惊人的7330亿美元。另一边英伟达被报告直接比喻为AI领域的中央银行它甚至拉上了包括高盛、黑石在内的六家顶级金融机构打算在市场上撬动超过5000亿美元的第三方资金专门用来给数据中心垫资修路。但你可能想不到这台无比庞大的吸金机器现在正被最接地气的现实问题死死绊住。首当其冲的就是电以及当地邻居的选票。很多人分不清签约电力和真正通上电的区别。一家公司在合同上签了4吉瓦的用电协议并不等于机房里已经有4吉瓦的电在跑服务器。它还得经历艰难的拿地、繁琐的政府审批、漫长的土建、变电站通电最后才能把芯片插上机架。报告梳理了一批转型做AI的前加密货币挖矿企业他们手里虽然签下了大约5.6吉瓦的电力协议但截至2026年二季度末真正通上电运行的只有大约900兆瓦连两成都不到。更棘手的是当地居民的抵触情绪。民调机构Gallup在2026年3月做过一次调查结果发现有71%的受访美国人明确反对在自己家附近建造AI数据中心。相比之下反对在本地建核电站的比例也才只有53%。这种邻避情绪直接转化成了真金白银的阻力。监测机构的数据显示光是2026年第二季度就有至少45个数据中心项目因为当地居民的激烈反对而被硬生生叫停或者推迟涉及的投资金额接近680亿美元。除了物理世界里的阻碍账本上的雷也在悄悄变大。摩根士丹利统计发现七家超大规模云厂商和芯片制造公司表外的采购承诺和资产租赁支持已经超过了3万亿美元。这些大多是给还没建好的设施开出的未来兑现期票。如果未来的实际需求跟不上建房子的速度这笔巨大的兜底账单到底该由谁来扛一头是前沿通用模型在具体业务交付上的屡屡碰壁另一头是机房建设在现实世界里撞上的电力和选票墙角。整份报告把行业眼下的困局讲得格外透彻这场竞赛已经彻底脱离了比拼参数大小的早期阶段。无论是手握千亿资金的云巨头还是拼命压缩成本的垂直应用团队大家都在寻找能把具体活儿稳稳交掉的办法。借用报告作者在正文里留下的那句冷峻判断摆在所有入局者面前的其实只有两条路要么死在冲向前沿的路上要么活得足够久去接住那道真正落地的推理收入。 
长河君 · 2026/10/9 22:36:21 · 阅读 1.2k 一年暴跌十三倍的运算成本，却让极少数巨头悄悄买走八成单
一年暴跌十三倍的运算成本却让极少数巨头悄悄买走八成单两家做大模型的公司在短短大半年里把合起来的年化收入从大约300亿美元推到了1050亿美元。你可能以为这代表满大街的企业都在疯狂给AI掏钱。但一份刚出炉的行业报告直接泼了盆冷水在这场看似全民狂欢的采购里大约1%的客户悄悄买下了整整80%的单。2026年10月8日投资机构Air Street Capital的Nathan Benaich发布了第九份年度《AI现状报告》。整份报告最抓人眼球的结论只有一句话AI算力日常运行的这门生意也就是行业里常说的推理正在变成一个规模极其惊人的收入瀑布但几乎所有涌出来的金子都被极少数端着大桶的公司接走了。一、为什么便宜了13倍总账单反而更吓人了我们先来看一个反常识的技术现实。按照研究机构Epoch AI的统计从2023年算起如果要让AI在几个固定测试里考出同样的分数最低的运算成本每个季度都会缩水大约47%。折算下来一年能便宜约13倍。这就像四年前你寄一封挂号信要花十三块钱如今花一块钱就能寄出去。照理说企业在这个工具上的开销应该越来越省才对。但现实完全相反OpenAI和Anthropic的合计年化收入从2026年年初的约300亿美元一路飙升到夏末的约1050亿美元。虽然这个数字包揽了两家公司的订阅、编程工具和所有接口调用并不是单纯的运算收费但需求膨胀的速度毫无疑问是极其可怕的。问题出在哪里说白了单价暴跌并不等于总账单会缩水。过去大家用模型就像在搜索引擎里敲一行字点一下回车它回答一句买卖就算结了。但现在大家都在用智能体也就是让AI像个数字员工一样去干活。这种模式下你给它一个稍微复杂的任务比如整理一份横跨三个部门的财务台账它不是回答一次而是在后台把模型当成外脑前前后后反复调用上百次、上千次。单次运算虽然便宜得像自来水但水龙头一旦被智能体拧开整夜不关流下来的水费就会变成天文数字。更扎眼的是企业之间令人窒息的贫富分化。报告引用了财务服务机构Ramp在2026年8月的数据在AI支出排名前1%的公司里平均每个月要给每位员工花掉7205美元的AI费用而在排在中间位置的普通公司里这个数字仅仅是12.5美元。前1%的公司的人均支出几乎是中位数公司的580倍。这彻底解释了为什么大家对AI的感受完全不同。有的公司只是给员工报销几个月度会员账号偶尔用来润色一下邮件而真正的重度客户是把一整套日夜运转的自动化业务全部架在了模型上面。看似大家都在报告里写着自己采用了AI但两者交出的账单完全是两个物种。二、更贵的模型为什么反而干不好具体的苦活既然顶级客户花钱如流水他们是不是必须买最前沿、单价最贵的超级通用模型答案恰恰相反。报告里摆出了好几个让人意外的测试结果通用大模型在专业工种面前正在被垂直打磨过的小团队迎头痛击。法律科技公司Harvey做过一个尝试。他们拿开源的GLM-5.2模型进行业务专门训练回头去跑合同审阅表。结果发现这个专门训练过的模型每核对一个表格单元的成本比顶尖的通用模型Sonnet 5还要低54.8%而在Harvey自己的质量打分体系里它拿下了0.903分反而高过了Fable 5的0.867分。无独有偶招聘平台Mercor挑了1928个由行业专家完成的专门任务去训练一个开源的Qwen模型。等到拿480个留出来的测试任务去考它时这个模型一次性通关的成功率直接从16.11%跳到了27.29%。为什么最聪明的前沿通用模型在这种活儿上反而吃瘪报告给了一个很形象的反例。通用模型Opus 5在做四项规规矩矩的结构化会计填空题时试了20次拿了20次满分。但一旦把它扔进模拟银行日常作业的环境里给它100个真实业务流程它的通过率瞬间暴跌到了12.3%。因为在真实的商业世界里客户要的从来不是一个在纸面上答题满分的学霸而是能把活儿稳稳交掉的熟手。报告用了一个极其生动的例子一份本来内容算得很正确的员工报销单智能体如果只是因为中间漏掉了一个审批勾选或者最后忘了点提交在现实业务里它就是一份纯粹的废纸。在评测基准FrontierChallenge的97个科学流程测试里另一个顶尖通用模型GPT-5.6 Sol在满足单个要求的得分上拿到了87.9分的高分但如果要看它完完整整把整套活儿做完的比例只有区区20.6%。这就是为什么报告的作者直言单次输出的价格根本说明不了问题未来能变成稳定生意的只有那些被正确完成的工作。三、七千亿资本开支背后连电线杆子都在卡脖子既然下游的推理需求像瀑布一样冲下来上游自然开始了一场近乎疯狂的造基建运动。四大美国超大规模云服务商对2026年的资本开支指引加在一起达到了惊人的7330亿美元。另一边英伟达被报告直接比喻为AI领域的中央银行它甚至拉上了包括高盛、黑石在内的六家顶级金融机构打算在市场上撬动超过5000亿美元的第三方资金专门用来给数据中心垫资修路。但你可能想不到这台无比庞大的吸金机器现在正被最接地气的现实问题死死绊住。首当其冲的就是电以及当地邻居的选票。很多人分不清签约电力和真正通上电的区别。一家公司在合同上签了4吉瓦的用电协议并不等于机房里已经有4吉瓦的电在跑服务器。它还得经历艰难的拿地、繁琐的政府审批、漫长的土建、变电站通电最后才能把芯片插上机架。报告梳理了一批转型做AI的前加密货币挖矿企业他们手里虽然签下了大约5.6吉瓦的电力协议但截至2026年二季度末真正通上电运行的只有大约900兆瓦连两成都不到。更棘手的是当地居民的抵触情绪。民调机构Gallup在2026年3月做过一次调查结果发现有71%的受访美国人明确反对在自己家附近建造AI数据中心。相比之下反对在本地建核电站的比例也才只有53%。这种邻避情绪直接转化成了真金白银的阻力。监测机构的数据显示光是2026年第二季度就有至少45个数据中心项目因为当地居民的激烈反对而被硬生生叫停或者推迟涉及的投资金额接近680亿美元。除了物理世界里的阻碍账本上的雷也在悄悄变大。摩根士丹利统计发现七家超大规模云厂商和芯片制造公司表外的采购承诺和资产租赁支持已经超过了3万亿美元。这些大多是给还没建好的设施开出的未来兑现期票。如果未来的实际需求跟不上建房子的速度这笔巨大的兜底账单到底该由谁来扛一头是前沿通用模型在具体业务交付上的屡屡碰壁另一头是机房建设在现实世界里撞上的电力和选票墙角。整份报告把行业眼下的困局讲得格外透彻这场竞赛已经彻底脱离了比拼参数大小的早期阶段。无论是手握千亿资金的云巨头还是拼命压缩成本的垂直应用团队大家都在寻找能把具体活儿稳稳交掉的办法。借用报告作者在正文里留下的那句冷峻判断摆在所有入局者面前的其实只有两条路要么死在冲向前沿的路上要么活得足够久去接住那道真正落地的推理收入。