ARTICLE · 1313476
AI泡沫破裂,反而会让AI巨头更强大?
AI泡沫破裂,反而会让AI巨头更强大?19世纪的铁路泡沫破裂后，行业所有权走向集中；21世纪的AI泡沫，可能为AI公司铺就一条相似的道路。 当前，最大的AI公司通过将"闭源"模型与必要算力捆绑销售来创收。但开源权重模型正日益成为可行且更实惠的替代方案。 如果AI公司无法筹集足够资金履行债务义务，其算力资产就可能被收购。这将需要超越传统"破产企业抗辩"的反垄断政策，以及对存续实体的开放接入和互联互通要求。 21世纪最具变革性的技术，正开始与19世纪的那项变革性技术遥相呼应：铁路。AI突破人类认知的约束，重新定义商业与文化；铁路则突破地理的约束，二者影响如出一辙。两场变革都伴随着对基础设施的大规模投资。 铁路繁荣最终酿成铁路崩盘。崩盘的原因与后果，都为今天提供了镜鉴。崩盘前，铁路公司和投资者笃信未来需求足以支撑巨额资本开支，纷纷过度扩张。财务清算之后，资产仍在，所有权却走向集中。J.P.摩根等金融家重组了财务虚弱和破产的铁路，这一过程被称为"摩根化"。到1906年，七家公司控制了美国约三分之二的铁路里程。 AI是否正走向一场"数字摩根化"？随着AI市场竞争加剧，其基础设施的控制权可能更加集中。 AI经济由三个高度互联的群体构成。领先的模型开发者：Anthropic、OpenAI、谷歌和Meta，要么坐拥雄厚资产负债表，要么具备惊人的融资能力。AI模型运行所需的基础设施同样集中：全球云基础设施收入近三分之二由三家财力雄厚的超大规模厂商创造——亚马逊、微软和谷歌。眼前的财务隐忧则指向第三类群体：独立公司。这些所谓的"新云"公司，如CoreWeave、Nebius和Crusoe，已借款数十亿美元建设有竞争力的算力基础设施。它们在公司层面或许独立，但财务稳定性与来自AI巨头的业务紧密绑定。 独立算力容量对AI巨头很重要。但或许最重要的意义在于，它为那些选择在主导企业之外开发AI应用的人提供了替代选择。正如铁轨本身不如跑在上面的列车重要，AI模型是基础，真正具有变革性的是运行其上的应用。如果数字摩根化成为现实，可能意味着这些竞争性替代方案的丧失，以及AI权力的进一步集中。 据《金融时报》报道，"投资者正失去信心，认为AI繁荣带来的收入不足以支撑为数据中心融资的巨额债务。"一位机构投资者表示，独立数据中心正面临"达尔文时刻"，最弱者可能难以生存。 这些财务问题可能重塑整个行业，进一步壮大AI巨头的力量。正如铁路所昭示的，当一家陷入财务困境的基础设施公司破产时，其核心资产依然存在。在21世纪，这意味着拥有微芯片、电力合同、光纤连接和客户的数据中心，将向有财力吸收它们的企业敞开。 产生这一幕的条件已经可见。悬而未决的问题是：当前金融市场的震荡，是否会为21世纪这项变革性技术带来类似铁路的结局？如果基础设施仍有价值，而部分独立所有者未能存活，结果可能就是现代版的铁路整合。预见这种可能性，现在就应着手确定什么是可接受的，以及需要哪些政策决定来防范数字摩根化。 铁路的经验表明，需求可以蓬勃增长，而为满足需求融资的公司却在倒闭。对一项变革性技术的需求，与建设其基础设施者的财务可行性，是两种不同的现实，由"财务物理学"连接。投入算力基础设施的数万亿美元，必须由该基础设施所产生的现金流来支撑。 预期收入能否支撑这些财务承诺，是核心关切。《金融时报》报道："OpenAI决定将IPO推迟至明年，Anthropic季度销售增长放缓，引发了对AI繁荣可持续性的质疑。"Gartner研究警告，若当前投资轨迹延续，到2030年底或有超过3.5万亿美元的AI基础设施面临减值。Gartner研究发现，数据中心所有者需要在十年末前创造约8.5万亿美元，以覆盖支出和资本开支，而当前预测显示最多只有3.6万亿美元。 通往必要现金流的一条路径，是OpenAI、Anthropic和谷歌等提供的专有AI服务。这些公司通过将"闭源"模型与必要算力捆绑销售来创收。捆绑服务的收入，帮助支撑公司对算力容量的承诺。这些承诺构成了为必要算力基础设施融资的主要后盾。 挑战这一计划的，是不捆绑的"开源权重"模型。这类模型通常更便宜，以不同许可证提供训练好的权重，允许用户下载、修改和运行。权重往往免费下载，买家只需为运行它们的算力付费。这给AI巨头带来定价压力，同时威胁其捆绑算力收入，进而危及公司对购买算力容量的长期承诺。 随着AI前沿推进、模型竞争加剧，AI巨头的回应是降低旧模型价格，就像面包师给隔夜面包打折。前沿模型仍保持溢价。 更便宜的智能可能触发经济学家所说的"杰文斯悖论"：效率提高降低了资源使用成本，刺激需求，反而可能增加总消费。威廉·斯坦利·杰文斯在研究维多利亚时代英国煤炭使用时提出了这一概念。机构投资者Apollo的一份报告证明了其对AI的适用性：自2025年底以来，AI模型总支出几乎翻倍，而每token价格自2023年以来下跌超过90%。需求更大，未必意味着财务回报更高。 在前沿模型层面，经济问题变成：销售日益强大模型访问权的收入，能否支撑其开发和运营成本？这反过来对独立基础设施提供商产生连锁反应。CoreWeave高达1040亿美元的订单积压，其融资所依赖的支柱，主要由OpenAI、Meta和微软的合同支撑。Gartner研究预测，到2030年，超过80%的独立算力提供商将"停止独立运营"。 如果token价格下跌使模型开发者无法创造足够收入来支撑其长期算力承诺，即便使用量飙升，这种能力的可获得性就可能受到质疑。后果将波及那些基于这些预期而建设产能的独立算力提供商。 讽刺的是，帮助压低价格的开源权重模型，可能成为最大的输家之一。开源权重模型或许更便宜，但仍需算力。如果财务困境减少了独立基础设施提供商的数量，应用开发者可能发现算力替代方案变少。剩下的将是超大规模厂商，它们内置的自我优待利益冲突，使其倾向于保护自家模型及其支持的模型。 悖论在于：模型层面的竞争让智能更可负担，却让背后的基础设施竞争性更弱。 面对高昂的前沿价格，前沿模型客户的行为是理性的，通信巨头AT&T便是例证。7月，该公司宣布日均消耗450亿个AI token。Token是AI模型管理、计量和计费的单位。在大语言模型中，一个token约代表四分之三个单词。每家模型开发者创建和计数token的方式不同，价格也因用于输入查询还是输出答案而异。截至10月17日，OpenAI（GPT-6 Astra）和Anthropic（Claude Fable 5.1）的前沿模型对每百万输入token收费10美元，对类似单位的输出token收费50美元。 上述价格仅为示例，但说明了最大化token使用如何迅速变成预算杀手。AT&T通过像理性消费者一样行事来应对挑战。该公司称，通过开发自己的路由和缓存网关，将任务匹配到最具成本效益的闭源或开源权重模型，将AI成本降低了多达90%。并非所有AI辅助活动都需要前沿模型的马力。用户的决策围绕特定模型能否完成特定任务展开。为利用这些决策，AI巨头提供了多种开源权重模型，包括Meta的Llama、谷歌的Gemma、英伟达的Nemotron和OpenAI的gpt-oss。云公司也已开始以有竞争力的价格，用开源权重模型进行低成本捆绑。 AT&T的理性反应，说明了需求与收入之间的区别。其对AI的需求巨大且增长，但每单位智能所需支付的金额却在下降。将这种行为乘以所有AI用户，就会明显看出：AI使用量的快速增长，未必能产生当初为产能融资时所假设的收入。 开源权重模型正在成为全球开发者生态中不可忽视的力量。这类模型以宽松许可证开放训练权重，用户可下载、修改并在自有环境中运行，权重本身往往免费，付费的只是推理所需的算力。从Hugging Face等平台的下载趋势看，开源模型在多项基准上已具备与主流闭源模型竞争的能力，且在多数生产力场景中足够可用。 对成本敏感的用户而言，这是一种务实的成本控制策略。AT&T的案例已说明问题：它通过自建路由与缓存网关，把任务匹配到最具性价比的闭源或开源模型，将AI成本压低了多达90%。并非所有AI辅助活动都需要前沿模型的马力，用户的决策本质上围绕"某模型能否完成某任务"展开。为承接这类需求，主流厂商也纷纷推出开源权重产品线，云厂商则以更具竞争力的价格提供开源模型捆绑服务。 这给闭源厂商的捆绑算力收入带来直接压力。闭源前沿模型仍保持溢价，但旧模型价格持续下探，如同面包师给隔夜面包打折。更便宜的智能可能触发"杰文斯悖论"：效率提升降低单位成本，刺激需求，反而推高总消费。Apollo的一份报告印证了这一点，自2025年底以来AI模型总支出几乎翻倍，而每token价格自2023年以来下跌超过90%。需求更大，未必意味着财务回报更高。 OpenRouter报告揭示了使用量与收入之间的结构性错位：闭源权重模型占模型支出的73%，却仅占总token量的28%；开源模型则在token消费中占据不成比例的大份额，却只产生相对较小的支出份额。这一差异正是基础设施繁荣背后财务假设的脆弱之处。开源模型或许更便宜，但仍需算力；若财务困境减少独立算力提供商的数量，应用开发者可选的算力替代方案将变少，剩下的将是内置自我优待动机的超大规模厂商。 悖论由此显现：模型层的竞争让智能更可负担，却让背后的基础设施竞争性更弱。这种使用量与收入的背离，可能使当初为产能融资时所依赖的收入假设落空。 所有AI都依赖算力。关于AI基础设施融资的头条新闻，已将注意力从前沿模型令人惊叹的能力和令人瞠目的估值，转移到支撑一切的比特和字节。这种重新定向强化了一点：AI技术栈模型层的竞争，可能产生反常效果，推动关键算力层的整合。 无论价格下跌是因为开源权重模型、价格战还是其他因素，前沿实验室每卖出一个token的收入都在减少。虽然这可能威胁其算力承诺的可行性，但对主要模型实验室而言，其资产负债表和融资能力提供了一定绝缘。类似保护，独立基础设施提供商可能无法获得。如果这些公司无法筹集必要资金履行债务义务，其算力资产就可能被收购。最可能的潜在收购者，是已经主导AI的公司和/或结盟的金融利益。这创造了一种现实，需要超越传统"破产企业抗辩"的反垄断政策，以及对存续实体的开放接入和互联互通要求。 这让我们回到铁路的教训。摩根化的问题在于，关键基础设施的所有者可以决定依赖该基础设施的企业的竞争机会。AI基础设施代表类似危险：控制算力容量，可以影响谁能部署将塑造经济的应用。 数字摩根化的前景，要求具有前瞻性意识，同时关注所有权和行为。反垄断机构需要防范主导企业及其盟友利用财务困境，作为收购以消除独立算力替代方案的便利借口。此类审查不应限于直接收购；该行业已充分展示出建立相互交织关系、可能带来类似控制集中的能力。 同样重要的是，关键AI基础设施的所有者应面对可强制执行的非歧视性接入和互联互通期望，以确保对算力容量的控制不会变成对谁能在AI中竞争的控制。 有意义的铁路监管，只在铁路版图基本划定之后才到来。AI政策仍有时间在AI版图定型之前采取行动。定义这一机遇的结果太重要了，不能留给少数AI巨头CEO及其金融家。 （改编译自How an AI bust can make Big AI bigger）
