执行摘要

如果把本轮生成式 AI 浪潮定义为一场“利润池再分配”，那么截至2026 年 6 月 18 日的公开数据，确实更支持这样的判断：利润首先流向上游算力、网络、云基础设施与关键部件；中游模型厂商收入暴涨但现金消耗仍大；下游应用层普遍面临毛利被推理成本侵蚀、价格战、获客成本高、付费转化不稳的三重压力。英伟达 2026 财年营收达到2159 亿美元，其中数据中心收入1937 亿美元；亚马逊 2025 年现金资本开支达到1283亿美元，Alphabet 2025 年资本开支达到914 亿美元，并在 2026 年指引中继续大幅提升；阿里巴巴则宣布未来三年至少投入3800 亿元人民币于 AI 与云基础设施。上游的共同特征不是“需求验证已经完成”，而是稀缺算力与基础设施在产业早期掌握定价权。[1]

中游并非没有收入，相反，收入增长极快。OpenAI 2025 年收入约130 亿美元，到 2026 年 2 月末年化收入已超过250 亿美元；Anthropic 在 2026 年一季度收入48 亿美元，并预计二季度收入109 亿美元、调整后经营利润5.59 亿美元。但这不能简单等同于“稳健盈利模式已经成立”：OpenAI 2025 年计算支出约80 亿美元，2026 年一季度又烧掉37 亿美元；Anthropic 即使接近季度盈利，也同时签下了每月12.5 亿美元的算力合同。中游的现实不是“赚不到钱”，而是收入增长与资本/算力消耗几乎同步放大，头部玩家仍在把大部分现金流重新投回模型迭代与推理能力扩张。[2]

下游应用层的压力则更直接。Reuters 报道称，AI 编程明星公司 Cursor 在 2025 年 1 月已实现1 亿美元 ARR、Windsurf 约5000 万美元年化收入，但两者都处于负毛利；C3.ai 2025 财年收入3.891 亿美元、GAAP 毛利率61%，但仍处于大额亏损与重组中；SoundHound 2025 年四季度收入3450 万美元、GAAP 毛利率39.9%，2026 年一季度收入继续增长至4420万美元，但 GAAP 毛利率进一步下滑至约31%。这说明“有用户增长”与“有利润”并不是同一件事。尤其在编程、客服、内容生成等高调用场景中，模型调用与推理成本会直接侵蚀应用层毛利。[3]

更关键的是，生产力提升并不自动转化为企业利润。McKinsey 2025 年全球调查显示，88%的受访企业已在至少一个业务功能中常态化使用AI，但只有39%报告 AI 对企业层面 EBIT 产生了影响，而且其中多数仍低于5%；真正达到“AI 高绩效”的只占约6%。这与微观研究并不矛盾：NBER/QJE 对客服场景发现，生成式 AI 让坐席平均生产率提高14%–15%，低技能员工提升可达34%；GitHub 的实验显示，使用Copilot 的开发者完成任务速度平均快55%。结论是：AI 已能显著提升局部效率，但从“工具效率”跨越到“企业利润表改善”，需要流程重构、组织重配、产品定价权和新增需求共振，难度远高于单点提效。[4]

因此，“AI 大泡沫：越上游越赚钱、越下游越难盈利”这一判断，就现阶段数据而言，大体成立；这是一轮高度前置资本开支驱动的基础设施周期，上游拿走了先发利润，下游大规模商业化仍处于成本高、竞争激烈、价值捕获不足的阶段。[5]

方法论与范围

本报告采用“价值链三层”框架：上游指GPU、服务器、网络器件、云基础设施与基础云平台；中游指基础模型与模型即服务；下游指面向终端企业或个人的 AI 应用与SaaS。时间范围尽量覆盖2022—2026/2027，但由于多数公司直到 2024—2026 年才开始单独披露 AI 相关指标，表格中的“AI 相关收入”在不少公司处只能采用代理口径，例如英伟达以“数据中心收入”近似 AI 基础设施收入，Intel 以“Data Center and AI”分部收入近似 AI 暴露收入，AWS/Google Cloud/阿里云则用“AI 年化收入、云收入中 AI 增长驱动、AI 调用量或 AI 产品占比”作为代理。相关代理口径均在表中注明。[6]

数据源优先级依次为：官方财报/10-K/20-F/投资者信、监管文件、Reuters、McKinsey/BCG、学术论文。对“推理成本”与“用户付费”的比较，报告采用的是官方 API 标价或官方订阅价格，这只能视为“外部可观察的价格样本”，不等于厂商内部真实边际推理成本。对 OpenAI 2025 年“支出 80 亿美元”与“总花费 340 亿美元”这类口径差异，报告按 Reuters 所述分别视作计算/经营支出口径与更广义成本口径处理，并在不确定性部分解释。[7]

数据与证据

先看上游。就财报与监管文件可见的样本而言，上游公司有三个共同特征。第一，收入增长最陡峭。第二，资本开支扩张最快。第三，即使 AI 业务带来一定毛利压力，利润池仍然远大于中下游。英伟达是最典型的例子：2024 财年总营收609 亿美元、数据中心收入475 亿美元；2025 财年总营收1305 亿美元，数据中心收入同比再增142%，按 2024 财年基数折算约1150亿美元；2026 财年总营收进一步升至2159亿美元，数据中心收入1937 亿美元。与此同时，资本开支从 2024 财年的11 亿美元、2025 财年的34 亿美元，升至 2026 财年的61 亿美元。这意味着最赚钱的不是“AI 终端应用”本身，而是给所有人卖算力、互连、交换和整机系统的公司。[8]

Dell 与 Broadcom 提供了第二层证据。Dell 2026 财年营收1135 亿美元，但其年报和 Reuters 同时指出，AI 优化服务器的销售会压低产品毛利率；它 2026 财年资本开支约26 亿美元，2026 年一季度 AI 服务器订单就达到121 亿美元、积压订单144 亿美元。Broadcom 2025 财年营收640 亿美元，AI 相关收入200 亿美元，约占总营收三分之一；但 Reuters 也指出，AI 芯片和系统销售的增长拉低了未来毛利预期。这说明上游内部也存在分化：卖最稀缺芯片和网络的利润最好，卖整机系统与更重集成服务的利润未必同等丰厚；但整体利润池仍明显大于下游。[9]

云平台则把“上游赚钱”从芯片扩展到了基础设施。AWS 2023—2025 年营收分别为907.6 亿、1075.6 亿、1287.3 亿美元，2025 年经营利润456.1 亿美元；亚马逊 2024—2025 年现金资本开支分别为776.6 亿、1283.2 亿美元，且“绝大多数用于支持 AWS 增长的技术基础设施”。Google Cloud 2023—2025 年营收分别为330.9亿、432.3 亿、587.1 亿美元，经营利润从17.16 亿跃升至139.1 亿美元；Alphabet 2025 年资本开支914 亿美元，并在 2026 年先给出1750—1850亿美元指引，随后在一季度后上调到1800—1900 亿美元。阿里云的口径不同，但趋势相同：截至 2026 财年四季度，阿里云季度营收416.3 亿元人民币，其中 AI 相关产品已占外部云收入的30%，而阿里巴巴表示未来三年至少投入3800 亿元人民币，且可能超过这一目标。也就是说，全球主要云厂商都在把盈利能力与资本支出再度向 AI 基础设施倾斜。[10]

下表汇总了上游样本公司在2023—2026/2027 最新披露期的关键指标。对未单独披露毛利率或 AI 收入的云平台，表中以经营利润率或AI 代理指标替代。

再看中游。OpenAI 与 Anthropic 的共同特征是：收入增长几乎呈指数级，但现金与算力消耗同样激烈。OpenAI 的官方与 Reuters 披露显示，其 2024 年年化收入约60 亿美元，到 2025 年已超过200 亿美元年化，2025 年实际收入约130 亿美元；同时，Reuters 2 月报道其 2025 年计算支出约80 亿美元，6 月又转述 FT 报道称 2025 年“总花费”达到340亿美元，反映出不同口径下成本仍极高。2026 年一季度，OpenAI 收入57 亿美元、烧钱37 亿美元。这表明模型层虽已找到旺盛需求，但还远没有摆脱重资本、重算力的增长方式。[18]

Anthropic则显示了中游的另一种可能：企业导向、少补贴消费者，也许更早接近利润平衡。Reuters 报道称，Anthropic 预计 2025 年底达到90 亿美元年化收入，并且80% 收入来自企业客户；到 2026 年一季度，公司收入已达48亿美元，二季度预计109 亿美元，并首次实现约5.59 亿美元调整后经营利润。不过，这也并不意味着中游已经进入“稳定高利润”阶段——Anthropic 同时签下了每月12.5 亿美元的算力合同，本质上仍是在用巨额资本支出去对冲需求爆发。[19]

Google 与 Meta 则提示了一个重要事实：大厂模型业务的真实利润并不透明。Google 已披露，Gemini 等第一方模型在 2025 年四季度通过直连 API 已处理每分钟超 100 亿 token，到 2026 年一季度提升到超 160 亿 token；但公司并未单独披露“模型业务收入与利润”，而是把 AI 收益体现在 Google Cloud、订阅、搜索与广告等多条业务线上。Meta 更是如此：2025 年资本开支722.2 亿美元，2026 年预计1150—1350亿美元，但 AI 货币化主要仍体现在广告投放优化、付费消息和订阅等场景，没有独立的 Llama 模型 P&L。这意味着中游中最重要的一类主体——大型平台公司——实际上在用其他利润池来补贴模型能力扩张。[20]

下游的数据最能支持“越往下游越难盈利”的命题。Cursor 与 Windsurf 是最具象的例子：它们的收入增长十分亮眼，但 Reuters 明确指出其毛利为负。这是一个非常关键的事实：在传统 SaaS 中，收入上升往往意味着毛利杠杆改善；但在高频 AI 应用中，收入上升同时可能带来更高的模型调用与推理支出，如果应用层没有足够强的定价权、分层路由、缓存、混合模型架构与使用限制，毛利并不会像传统软件那样自然扩张。[24]

更成熟一点的应用层公司也没有普遍摆脱这一问题。C3.ai 2025 财年收入3.891 亿美元，GAAP 毛利率61%，看起来并不低；但 Reuters 报道其 2025 财年调整后经营亏损达到3.244 亿美元，2026 年又继续大幅裁员重组。SoundHound虽然录得高增长，但 2025 年四季度 GAAP 毛利率只有39.9%，到 2026 年一季度进一步降至约31%。这意味着应用层即使能够形成收入，也很难像传统高毛利软件那样快速转化成稳定经营利润。[25]

下表给出应用层样本。它们不能代表全部 AI 应用公司，但足以说明：增长最快的应用并不必然最赚钱，甚至可能为负毛利；而上市公司中利润能见度较高的应用厂商，仍多处于亏损、重组或毛利承压状态。

最后是“生产力是否转化为利润”的证据。学术研究与咨询调查共同指向一个并不乐观但更真实的答案：局部提效很明显，利润转化率却偏低。客服场景的严谨研究表明，生成式 AI 的确能带来14%—15%的平均生产率提升，且更有利于低经验员工；GitHub 的实验也显示开发速度显著提升。但 McKinsey 的企业级调查同时表明，多数组织仍停留在试点和局部扩展阶段，只有少数公司通过流程重构、组织改造和管理指标重设，把效率变成了利润。BCG 的调查进一步显示，只有13%的员工认为 AI agents已经深度嵌入日常工作流程。也就是说，AI 的技术可行性已被证明，商业可兑现性却主要取决于组织重构，而非模型本身。[29]

图表

下面三张图都采用样本口径，目的不是精确刻画“全行业市场份额”，而是帮助理解利润与收入为何沿价值链向上游集聚。图中数值分别基于英伟达、AWS/Google Cloud 等上游样本，OpenAI/Anthropic 等中游样本，以及 Cursor/Windsurf/C3.ai/SoundHound 等下游样本的最新披露数据或年化口径。[34]

上图不是价值判断，而是当前利润分配的结构描述。它解释了为什么资本市场更愿意给上游基础设施与大云厂商高估值：它们不需要押注某一个单点应用能否胜出，而是在向整个生态“卖铲子”。[35]

这张图的重点不是“绝对值完全可比”，而是数量级差异。上游代表样本的 AI 收入已经以“百亿美元”为单位，中游进入“两位数十亿美元”，而下游代表样本仍主要停留在“数亿美元”量级。特别是下游，即使收入增长很快，也往往会同步带来负毛利或经营亏损。图中 2025 年下游样本采用 Cursor 1 亿美元 ARR、Windsurf 5000 万美元年化收入、C3.ai FY2025 3.891 亿美元收入合并口径；2026“最新”由于多数私营公司未再次披露完整口径，因此保守沿用可验证口径。NVIDIA 2025 年数据中心收入1150 亿美元为依据“FY2024 数据中心收入 475 亿美元 × FY2025 同比增长142%”的推算。[36]

这张饼图采用的样本口径为：上游按NVIDIA FY2026 数据中心收入 193.7 + Broadcom FY2025 AI收入 20 + AWS AI年化收入 >15；中游按OpenAI 年化收入 >25 + Anthropic Q1 2026 收入年化约 19.2；下游按Cursor 1亿 + Windsurf 0.5亿 + C3.ai 3.891亿 + SoundHound 2026Q1收入年化约1.768亿。它只能说明一件事：在当前可观测样本里，AI 经济的收入“厚度”仍主要集中在基础设施与模型层，真正靠 AI 应用拿到大规模收入的公司还非常少。[37]

结论

综合来看，本报告对命题“AI大泡沫：越上游越赚钱、越下游越难盈利”的判断是：基本成立。在 2022—2026/2027 的公开数据中，利润与收入确实呈现明显的“向上游集中”特征：芯片、交换、服务器、云平台先赚钱，而且赚得最厚；模型厂商收入高速增长，但仍需把巨额现金回投到训练、推理与基础设施；应用层虽然最接近用户，却被 token 成本、模型依赖、价格竞争和组织落地难题夹击。[38]

因此，现在还不能简单下结论说 AI 不是骗局，也不能仅凭基础设施繁荣就证明这轮 AI 革命已经成功。真正的关键不在于上游卖了多少芯片、建了多少数据中心，而在于下游应用能否真正创造新增需求、提升企业利润，并让用户愿意长期付费。如果未来应用层能够跑出大规模、高利润、可持续的商业模式，那么今天的基础设施投入可以被解释为技术扩散周期中的前置建设；但如果应用层长期无法赚钱，最终只剩上游资本开支和融资接力，那么这轮 AI 热潮就更接近一场由资本、算力和预期共同推动的巨大泡沫。