OpenAI烧掉1210亿：AI公司集体栽进"基建黑洞"

2028年，OpenAI要在算力上花掉1210亿美元。这个数字是什么概念？够买下整个AMD还有余。更扎心的是，这还不是终点——Anthropic同期也要砸进数百亿。两家AI巨头的财报像一盆冰水：当训练成本被计入商品成本而非研发费用时，利润表瞬间变脸。软件行业玩了三十年的"轻资产高毛利"套路，在AI时代彻底失效。

软件神话的终结：从"写代码"到"建电厂"

传统软件公司的财务模型堪称完美。写一次代码，无限复制，边际成本趋近于零。Salesforce、Adobe、甚至早期的Google，都靠这个逻辑撑起了万亿市值。但AI公司正在经历一场残酷的财务重构。

OpenAI和Anthropic的财报披露了一个被刻意隐藏的真相：它们现在按两种方式报告盈利——剔除训练成本，和包含训练成本。前一种看起来像SaaS，后一种则暴露出血淋淋的资本密集型本质。训练成本不再是"研发支出"，而是实打实的商品销售成本。

这种会计处理方式的转变，标志着AI从"软件产品"向"基础设施服务"的质变。类比的话，过去的软件公司像出版社，印一本书卖一万本；现在的AI公司像电厂，每发一度电都要烧煤。更麻烦的是，这煤还越烧越贵。

GPT-4的案例极具代表性。训练成本约1.5亿美元，但两年内的推理成本飙升至23亿美元——15倍的成本放大效应。软件行业的VC们从未见过这种乘法。他们的估值模型建立在边际成本递减的假设上，而AI正在反向操作：用户越多，烧得越狠。

推理吞噬一切：80%成本藏在"使用后"

行业普遍误判了成本结构。2026年，推理预计将占AI算力总消耗的65%；而在模型全生命周期中，推理成本占比高达80%-90%。这意味着什么？训练只是首付，推理才是房贷——而且利率还在涨。

这种成本结构的颠覆性，堪比汽车行业的"电动车转型"。传统车企卖车即结束，特斯拉却要为每一辆车的终身OTA、超充网络、自动驾驶算力持续买单。AI公司同理：每新增一个用户，不是多卖一份软件，而是多签一份长期运维合同。

OpenAI年收入约130亿美元，Anthropic约70亿美元。表面看增长迅猛，但对比估值——OpenAI 3000亿、Anthropic 1830亿——市销率分别高达23倍和26倍。这种估值隐含了一个危险假设：成本曲线会快速下降，或者收入会指数级增长。两个假设至少得对一个。

但成本曲线正在对抗摩尔定律。模型规模每18个月增长10倍，而硬件效率提升速度追不上需求膨胀。OpenAI的1210亿预算不是野心，是生存必需——不够算力，模型就会落后；够了算力，财务就会失血。

基建重力：四大云厂商6500亿的集体押注

AI正在压缩数十年的基建周期。1990年代电信泡沫，AT&T们花了十年铺光纤；2000年代云计算崛起，AWS用八年证明模式；而AI基建，全部要在三年内到位。

2026年，亚马逊AWS、微软Azure、Google Cloud、Meta四大 hyperscaler（超大规模云服务商）的资本开支预计超过6500亿美元。这笔钱流向三个方向：GPU集群、数据中心、能源设施。其中能源正在成为隐形瓶颈——一个大型AI数据中心的耗电量相当于中小城市，而电网扩容需要以年为单位。

这种"基建重力"正在重塑竞争规则。OpenAI和Anthropic的差异化路径清晰可见：前者同时押注消费端和企业端，后者专注企业API。但底层逻辑一致——谁掌握算力供给，谁才能定义模型能力。

历史正在押韵。1990年代的电信基建催生了思科、朗讯的辉煌，也以破产潮收尾；2000年代的云计算让AWS、Azure成为印钞机，但也淘汰了 Rackspace 等先行者。AI基建的终局只有两种剧本：硬件效率跑赢需求膨胀，赢家通吃；或者成本失控，行业大洗牌。

两种终局：效率革命，或血腥整合

Google的TPU（张量处理单元）和Nvidia的Blackwell架构，是行业押注的降本希望。但芯片迭代速度能否追上模型膨胀？TPU v5相比v4性能提升约2.5倍，而GPT-4到GPT-5的参数增长预期是10倍。这个缺口，只能靠堆量弥补。

更隐蔽的风险在于"推理优化"的瓶颈。模型压缩、量化、稀疏化等技术已经挖了不少潜力，但边际收益在递减。当技术优化触及物理极限，成本压力将向产业链上游转移——要么压榨芯片厂，要么压榨用户。

OpenAI的应对策略是垂直整合：从Stargate项目到自研芯片传闻，都在试图夺回议价权。Anthropic则选择绑定AWS和Google，用多供应商策略分散风险。两种路线没有对错，只有赌大小的区别。

一个被忽视的细节：两家公司的现金流结构。OpenAI的130亿收入中，API和企业订阅占比持续提升，这意味着客户正在从"尝鲜者"变成"重度依赖者"。这种锁定效应是双刃剑——客户越离不开，推理成本越刚性；但一旦服务中断或涨价，迁移成本也极高。

游戏的核心变量从未如此清晰：不是模型参数，不是论文引用，是每token（令牌）的成本曲线。当华尔街开始用"每美元智能"（intelligence per dollar）而非"准确率"来评估AI公司时，行业的估值逻辑已经完成切换。

6500亿的云厂商资本开支、1210亿的OpenAI算力预算、15倍的训练-推理成本乘数——这些数字勾勒出一个反直觉的结论：AI竞赛的赢家，可能不是最聪明的算法团队，而是最会算账的基建运营商。软件时代的英雄是产品经理，AI时代的英雄是首席财务官兼供应链总监。

最后一个值得玩味的信号：OpenAI和Anthropic都在财报中刻意区分"含训练"和"不含训练"的利润。这种披露方式本身，就是在教育市场接受新的估值语言。当投资者习惯了用"基建股"而非"科技股"的框架来定价，那些还在讲"轻资产平台"故事的AI公司，会不会成为第一批被挤出的泡沫？