AI终于赚钱了，全球1100亿美元的真实收入，为什么让人更不安？

两年了。

这两年，“AI泡沫”的警告声从来没断过。但最该回答的问题没人能正面回答：这个行业到底赚了多少钱？什么时候能收支平衡？

答案最近才冒出来。

给出答案的是分析机构Exponential View，领头人是一向对AI保持审慎的分析师兼投资人Azeem Azhar。他的团队花了好几个月，梳理了超过1000家公司的财务数据、供应链记录、行业披露——做了一件听起来简单、实际上极其繁琐的事：把AI行业的真实收入，从根上重算了一遍。

为什么要重算？AI行业的收入数字里一直藏着个秘密：同一笔钱，云服务商算一遍，大模型厂商算一遍，应用层再算一遍。报告管这个叫“去重”。把那些重复计算的水分挤掉之后，数字会缩水不少，但可信度会大幅提升。

去重后的结论是：过去12个月，全球生成式AI（不含中国大陆本土市场）产生了1100亿美元的真实收入，年化运行率超过了1750亿美元。

更抓眼的是某个季度的数字。

2026年第一季度，AI行业季度收入达到250亿美元。连续第二个季度，这个数字超过了同期的芯片与数据中心折旧（210亿美元）。

Azhar的措辞很有意思：AI需求“just about clears the depreciation hurdle”，也就是勉强跨过了折旧门槛。

注意，不是“大幅超越”，不是“全面覆盖”，是“勉强跨过”。这位深度参与AI投资的人，在自己发布了对AI最乐观的需求侧报告后，用了这样一个克制到近乎审慎的表述。

这种克制，不是没来由的。

不过在此之前，得先感受一下这个行业的增速。EV报告给出的参照让人印象深刻：AI收入增速大约是此前任何一次IT平台浪潮（互联网、云计算、智能手机）的3倍。2024年，AI行业每新增10亿美元收入大约需要180天；到2026年，这个时间缩短到了不到2天。一种非线性的、近乎垂直的爬升。

速度快，但规模还小。另一个容易被忽略的数字是：就算按1750亿美元的年化收入来算，AI行业目前也只占到美国GDP的0.42%。整个IT行业占美国GDP的比例是9.4%。换句话说，AI很大，但在宏观经济尺度上，它仍然处于极早期阶段。1100亿美元是一笔真实的巨款，但也只是早期的巨款。

拷问一：AI到底回本了吗？

先说结论：得看用哪把尺子。

EV报告用的尺子，是AI季度收入对比同期的折旧摊销额——那些过去购置的芯片和数据中心，在本季度计入账本的成本。250亿对210亿，确实是跨过去了。

但换一把尺子，画面立刻变样。

Sequoia资本合伙人Da vid Cahn从2024年起就在追踪一个指标：以英伟达数据中心收入的运行率为基数，乘上2（GPU只是数据中心成本的一半，另一半是能源、厂房、冷却），再乘上2（运营商需要的毛利率）。最后算出来的，就是AI行业每年必须产生的最低收入门槛。

2024年底，这个门槛是2000亿美元。2024年中，随着英伟达收入飙升，门槛更新到了6000亿美元。到2026年，还在继续上移。

对照EV报告1750亿美元的年化收入，差距超过了4倍。

还有第三把尺子：从整个投资周期来看，EV报告原文承认，到2026年底，AI相关的资本支出比ChatGPT前的历史趋势线额外多出了5350亿美元。如果加上此前已有的基础投入，多家行业机构（包括Goldman Sachs和Morgan Stanley）的综合测算显示，超大规模云商的AI相关累计资本支出已逼近2万亿美元。累计收入，远未触及这个数字。

三把尺子，三种结论。

这不是哪个算法“更正确”的问题。关键问题在于：当媒体标题写着“AI收入首次超过折旧”，大多数人理解的是第二行或第三行，而报告描述的其实是第一行。

更值得关注的是折旧数字本身的争议。

2025年11月，曾因做空次贷而声名大噪的Michael Burry公开指控：各大科技巨头正在把GPU的会计折旧年限从实际经济寿命的2-3年，拉长到5-6年。他的测算（引用自行业分析师综合推演，并非经审计数据）显示：2026到2028年之间，行业合计低估折旧约1760亿美元。

需要说明的是，延长折旧年限本身在会计准则框架内是被允许的。折旧年限本质上是对资产使用寿命的估计，企业有自主判断空间，审计师也确实签了字。AWS的CEO曾公开表示，六年前的A100服务器因为需求旺盛至今都没退役——这为拉长折旧年限提供了某种现实依据。真正的争议在于：这个判断，和芯片在快速迭代环境下的真实经济寿命，到底能不能对上号。

如果对不上，那个“跨过”的里程碑，可能从未真实发生过。

值得注意的是，EV报告自己也没有回避这个问题。报告直接画了两种情景做对比：在乐观情景下，如果GPU确实能在6年折旧期满后继续产生收益（旧芯片承担推理等低要求工作负载），CapEx是能够回本的；但在悲观情景下，如果H100今天就已经过时——芯片实际有效寿命只有2-3年——那么收入远远不够覆盖资本支出。

换句话说，这份对AI需求侧最乐观的报告，在折旧寿命这个关键变量上，自己也不敢下定论。它只是把两种结果摆出来，让读者自己判断。而这两张图之间的差距——1760亿美元的悬殊，恰好和Burry的指控方向一致。

拷问二：价格打到骨折，收入怎么还在涨？

这是AI行业最反直觉的事之一，值得认真停下来看一看。

AI的价格，正在经历历史性的崩塌。斯坦福大学AI Index记录了这组数字：2024年11月，查询一个GPT-3.5级别模型的价格是每百万token 20美元。到2024年10月，同等能力的查询降到了0.07美元。不到两年，降了280倍。

a16z的“LLMflation”分析更激进：GPT-3级别的推理成本从2024年到2024年，降低了整整1000倍。

按常规商业逻辑，价格跌1000倍，收入应该跟着暴跌。

但事实是，这个行业的收入正以接近200%的年增速在扩张。原因出在一个160年前的经济学现象上：杰文斯悖论（Jevons Paradox）。

1865年，英国经济学家威廉·杰文斯观察到：瓦特改良蒸汽机之后，每单位工作所需的煤大减少了，但英国的总煤炭消耗量反而急剧上升。原因很简单——更高效的蒸汽机让煤炭动力在更广泛的领域变得经济可行，开辟了全新的需求。

AI正在精确地重演这个过程。

当每百万token的成本从20美元跌到0.07美元，之前只有少数大公司能负担的AI应用，突然对初创公司、中小企业和个人开发者打开了大门。每当一个能力层级变得可负担，大量“之前不值得做”的应用场景就冒了出来：不是存量用户用得更便宜了，而是增量用户带着全新用例涌入了市场。

数据也印证了这一点。Bain & Company的分析显示，2024年12月到2025年12月，token成本减半，但同期token消耗量增长了450%。价格降一半，用量涨四倍半，总支出不降反升。

EV报告自己的数据更精确：全球token月消耗量已经超过30Q（千万亿），同比增长14倍。报告测算了需求弹性：每降价10%，用量增长12%到18%，弹性系数约1.2到1.8。需求增长始终快于价格下降——这正是杰文斯悖论在数字经济中的精确数学表达。

一位分析师的总结精准得让人忍俊不禁：“模型越来越便宜，用量越来越重，账单顽固地居高不下。”

EV报告还提出了一个更具前瞻性的类比：今天AI行业的Token计费，正在重演当年Google发明CPC（按点击付费）的故事。

CPC出现之前，横幅广告按展示计费，市场规模有限；CPC让广告支出第一次可以和投资回报挂钩，最终催生了价值数千亿美元的数字广告生态。报告认为，Token计费正在成为AI时代的“价值计量单位”。当每一次调用都可以被精确计价和追踪，AI的商业化就不再是黑箱。这不是简单的降价，而是一个新的商业范式正在形成。

企业端的体感更直接。Uber把整年的AI预算，在四个月内全部用完，不是因为超支失控，而是因为每次调用变得更便宜之后，工程师们发现了越来越多值得自动化的流程，用量当然螺旋上升。

EV报告提到，Uber的AI支出上限大约是每名工程师每年1500美元——这个水平已经排在美国企业前10%。换句话说，即便是全美最激进的AI采用者之一，其支出规模相对于营收也仍然只是“毛毛雨”。空间巨大，但这也意味着飞轮一旦加速，消耗会远超预期。

这是真实运转中的需求飞轮。EV报告记录的1100亿美元，是真实付出去的钱。

但正是在这里，一个更深的问题浮现了。

一台真正高速运转的引擎，才需要认真担心散热和燃料。需求越真实，接下来的风险就越不能被轻描淡写。

聊完AI行业“赚了多少钱”，一个同样重要但很少有人问的问题浮出水面：这些钱流向了哪里？产业结构正在发生什么变化？

EV报告的答案是：价值正在沿着技术栈向上迁移。

一年前，云基础设施占据了AI行业总收入的约82%，模型层约11%，应用层仅约7%。到2026年，应用层份额已经升到了约11%（年收入增长2.95倍），模型层微降至约9%，云基础设施则跌破80%。

这意味着，虽然底层硬件和云服务仍然拿走了绝大部分收入，但增速最猛的已经不是它们，而是应用。钱正在从“卖铲子的人”流向“挖金子的人”。

但报告同时指出了一个隐忧：前沿模型的定价权正在被快速侵蚀。去年的前沿模型，今年就被开源权重模型追上、商品化。在OpenRouter平台上，开源模型的token份额持续上升。如果模型能力快速同质化，模型层的收入增长可能比预期更早见顶——而这恰恰会加剧“折旧门槛”的压力：收入增长放缓，折旧却在加速。

这不是远在天边的风险。它正在发生。

拷问三：需求是真的，危机也是真的

把杰文斯悖论反过来用一下。

需求越旺盛 → 各家大厂越不敢踩刹车 → 投资越猛 → 未来折旧越大 → 收入门槛越高 → 需要更多投资维持竞争力……

这是一个自我加速的飞轮，没有自然的停止机制。

EV报告里有一个数字可以把飞轮的速度具体化：AI基础设施的年折旧额，据行业分析师综合测算，预计到2026年底将逼近1110亿美元。而Q1我们刚刚跨过的季度折旧线，才210亿美元。门槛正在快速升高。

飞轮的物理尺度也在膨胀。EV报告记录，全球最大规模的数据中心在短短四年间扩大了约50倍。芯片在数据中心成本中的占比从2024年的约40%上升到2026年的约60%，其中增长最快的不是GPU本身，而是高带宽内存（HBM），其份额从约2%飙升至约18%，已经成为AI基础设施投资中最大的增量项。

当然，这个飞轮也有对冲力量：开源模型的快速成熟和推理效率的持续提升，正在压低单位算力成本，给行业提供一些喘息空间。但目前来看，这些力量的速度，还追不上折旧门槛上升的速度。

与此同时，超大规模云商的自由现金流已经在告急。2024年，这个群体每季度还能产生约450亿美元的自由现金流；到2026年Q1，已经跌到了约40亿美元。分红和回购之外，这些公司已经开始靠借债维持AI投资。2025年的债务发行额，是历史平均水平的四倍。

飞轮在加速，但需要燃料。而燃料的供给，正在触碰两道硬墙。

第一道硬墙：电

这听起来像是基础设施问题，实际上是整个AI产业的天花板。

全球数据中心用电量，预计到2026年将逼近1050 TWh。如果数据中心是一个国家，它是全球第五大电力消耗体，排在日本和俄罗斯中间。

美国东北部电网运营商PJM预测，2027年将出现6GW的供电缺口——相当于六座大型核电站同时满负荷发电。咨询机构Gartner的预测更直接：到2027年，电力短缺将直接限制40%的AI数据中心扩张。

问题的核心，是一个无法用钱解决的时间错配：超大规模数据中心几个月就能建好，但一座核电站从规划到并网需要十年，电网输电线路的许可审批通常也要五到七年。空档期里，只能靠天然气填，这和各大科技公司公开承诺的碳中和目标直接冲突。

微软与三里岛核电站签署协议，重启其中仍可运行的1号机组（2号机组在1979年事故后已永久关闭）；亚马逊花6.5亿美元买下直连核电站的数据中心园区；Meta和Google广泛布局核电购电协议。这些动作的本质，都是在电力成为最大瓶颈之前提前锁定稀缺资源。但能做到这一点的，只有少数资产负债表最雄厚的玩家。其余的，只能排队等电。

第二道硬墙：折旧的定时冲击波

目前英伟达H100 GPU在发布第四年仍供不应求，AWS的CEO公开表示六年前的A100服务器至今没退役——这说明折旧年限拉长，也许有真实的市场需求在支撑。

但这一点都不让人放松。

H100之后有Blackwell，Blackwell之后有Rubin，Rubin之后还有Feynman。英伟达大约每两年就带来一次代际性的性能跳跃。一旦新芯片的成本效益足够领先，旧资产的价值就会迅速缩水——更便宜的新算力会抢走旧芯片能承接的工作负载。

普林斯顿大学CITP的研究发现：GPU的实际有效寿命大约在1到3年，而行业普遍按5到6年计提折旧。这一判断与Burry的指控方向一致，同样属于学术估算，并非审计结论。

这个差距，是一根越拉越紧的弦。当它断的那一天，多年积累的账面利润虚高，会集中释放。

体能测试还在后面

平心而论，EV报告的里程碑是真实的。

过去两年，“AI需求是否真实存在”是最难回答的问题：最重要的AI公司大多没上市，云服务商从不单独披露AI收入，整个需求侧一直被一层薄雾笼罩着。这份报告第一次把雾吹开了一些。1100亿美元，是真实付出去的钱。

但也得记住，AI收入目前只占美国GDP的0.42%。这个行业很大，但仍然很早。跨过折旧门槛，是第一关的成绩单，不是最终判词。

而“勉强跨过折旧门槛”，是一个极其脆弱的平衡。它需要三个条件同时成立：AI收入继续以接近200%的速度增长，折旧假设不被迫修正，电力供给跟得上飞轮的转速。

这三个条件里，没有一个是理所当然的。

Azhar说过一句话值得反复回味：“在资本密集型投资的这个阶段，你不会期待大幅超越折旧门槛，如果那样的话，说明你之前可能把钱留在桌上没赚。”

这句话的另一面是：现在活得最好的玩家，是那些一方面真实地跨过了这条线，另一方面还留有足够余裕去应对电力短缺和折旧冲击的人。

这场财务大考，AI通过的是受控条件下的第一关。

真正的压力测试，将由物理世界来主持。