我在「泡沫TV」聊过一期节目，名字就叫“人工智能行业需要不切实际的巨量收入”。当时弹幕里有人问：你们搞投资的是不是对“巨量”有误解？后来我把完整思考整理出来，发现这个误解恰恰是行业的底色。人工智能当然是过去十年最性感的赛道，技术突破一个接一个，资本故事一轮接一轮，但落到公司财务报表上，绝大多数AI公司都面临同一个尴尬：收入增长确实快，但离“撑起估值所需的那种收入规模”还差着几个数量级。这篇文章不讨论某个具体模型多强，也不吹某个应用多神，我想聊的是商业层面那个不那么性感、但决定生死的问题——AI公司为什么必须追求不切实际的巨量收入，以及这种追求如何塑造了整个行业的形态。
1. 为什么AI行业成了一台吞金兽：收入压力的根源
1.1 技术跑得越快，账上烧得越猛
做AI这行的朋友应该都有体感：每次模型能力上一个台阶，不是意味着可以喘口气，而是意味着必须花更多钱追下一代。这个行业不存在“做到一个版本吃三年”的安逸。GPT-3出来时大家觉得够用了，GPT-4出来就不得不重新训练；开源模型刚追上闭源水平，新的推理范式又来了。算力军备竞赛让每一家想留在牌桌上的公司都得持续砸钱，而砸钱的节奏由技术迭代决定，不由收入节奏决定。这就形成了第一个结构性矛盾：支出走的是技术曲线，收入走的是商业曲线，二者天然错位。
更麻烦的是，AI公司招人也贵得离谱。一个能独立带训练任务的算法工程师，年薪百万是行情价，顶尖的翻几倍还不一定挖得到。研发团队动辄几百人，每个人都是高成本单元。再加上数据清洗、标注、合规、算力调度这些支持岗位，一个稍微成规模的AI团队，月度人力加算力的固定支出轻松上千万。这种成本结构下，如果年收入只有几个亿，毛利率再好看也填不平研发深坑。
1.2 估值已经跑到了收入前面
你去看一级市场或二级市场给AI公司的定价，会看到一个扎心的事实：很多公司估值对应的隐含收入预期，是现有收入的几十倍甚至上百倍。这意味着什么？意味着市场不是在为“今天的你”定价，而是在为“未来的你成为基础设施级平台”定价。想撑住估值，公司就不得不按“未来平台”的标准来花钱，提前建团队、提前囤算力、提前开疆拓土，哪怕当下的收入根本覆盖不了这些开支。
于是AI公司普遍陷入一种状态：账面收入高速增长，亏损同样高速增长。这不是某家公司经营失误，而是整个赛道的估值体系把“收入规模”推到了不切实际的位置。一家AI应用公司如果只想着做一门年入几千万的好生意，投资人大概率会翻白眼——在AI赛道，几千万收入连给估值提鞋都不够。行业默认的潜规则是：要么做到数十亿收入级别，要么就别在主流牌桌上出现。
2. 商业化四条路：每一条的体量都被高估了
既然收入天花板决定生死，那AI公司到底靠什么赚钱？我把市面上跑得通、跑不通的路子捋了一圈，无非四条：卖算力、卖能力（API）、卖应用、卖解决方案。看起来百花齐放，实际每条路都有硬天花板。
2.1 卖算力：资源生意的上限很清晰
卖算力是这轮AI浪潮最先赚钱的生意。GPU云、算力租赁、推理加速服务，本质上是把物理资源打包出售。这个模式的优点是现金流来得快，缺点是你赚的每一分钱都是“辛苦钱”——要买卡、要付电费、要维护机房，还得随时应对芯片迭代导致的老设备贬值。
算力生意的总盘子确实很大，但分到具体公司头上，规模天花板取决于能不能持续融到钱买新卡。更微妙的是，算力需求高度集中在大模型训练和头部云厂商手里，中小算力服务商拿到的多是零散的单子，议价能力弱，毛利率被夹在采购成本和客户压价之间。我见过不少做算力转售的创业公司，流水看着不小，年底一算净利润薄如纸片。资源生意适合巨头当基本盘，不适合创业公司当增长引擎。
2.2 卖API：价格战打到地板上
模型API被很多人看作是AI时代的“水电煤”，理想很丰满——每家企业都要调用大模型能力，按token计费，做成规模就是躺着收租。但现实是，token价格在这两年里已经跌了好几轮，幅度大到让人怀疑人生。头部厂商为了抢客户把单价打到极低，后来者为了活下去只能跟着降，整个市场变成了一场比谁更能耗的消耗战。
API生意的另一个尴尬是：客户黏性很差。今天用你的模型，明天别家出一个效果更好或更便宜的，切换成本低到可以忽略。除非你在某个垂直领域有不可替代的数据或效果优势，否则API收入很容易大起大落，无法形成可预期的经常性收入。而投资人和二级市场最喜欢的恰恰是可预期性，这个矛盾意味着纯API公司很难讲出长期复利的故事。
2.3 卖订阅应用：留存率是硬伤
面向C端或小B端的订阅制AI应用，是很多人眼中最性感的商业模式——边际成本低、毛利高、有复购。但这块业务的命门是留存率。用户因为一个新鲜功能下载应用，用完发现价值就那么回事，下个月就取消了订阅。AI应用的留存曲线普遍比传统SaaS难看，原因是传统SaaS解决了固定的业务流程问题（比如客户管理或文档协作），而AI应用解决的多是“锦上添花”的泛需求。
我拆过不少AI订阅产品的用户行为数据，次月留存能到30%就算优秀，很多产品三个月后只剩个位数。在这种留存水平下，获客成本根本摊不回来。就算你靠病毒传播把用户量拉起一个高峰，收入也会跟着留存一路滑梯。想在AI订阅赛道做出规模，本质上不是做模型能力，而是做产品机制和习惯养成，这远比大多数人想象的要难。
2.4 卖企业解决方案：定制化吞噬利润
最后一条路是给大企业做私有化部署和定制方案，这也是很多AI公司实际收入的大头。但做企业项目的人都懂：项目中真正赚钱的不是AI模型本身，而是交付过程中的咨询、集成和运维。每家企业都有独特的数据格式、业务流程和安全要求，你以为在复制解决方案，实际每单都在做定制。交付周期动辄半年一年，团队被绑死在项目里，毛利率被人力成本反复摩擦。
企业方案的规模天花板同样存在：能签大单的客户就那么多，签单到回款周期长，还需要持续投入售后。在这个模式下，AI公司本质上变成了一家外包公司，规模能做上来，但估值逻辑里的“平台属性”被稀释殆尽。资本市场愿意给外包公司多少倍PE，大家心里都有数。
3. 成本结构决定了AI公司没有“小富即安”的选项
3.1 一次训练吃掉一个中型企业的年利润
很多人对AI训练成本的感知，停留在“很贵但不知道多贵”。我可以给个直观参照：训练一个前沿大模型的单次成本，普遍在千万美元量级，这还没算反复实验调参的消耗。这个数字意味着什么？意味着一次失败的大规模训练，就烧掉了一家稳健中型企业一整年的净利润。而且这笔支出不是一次性的，模型每隔几个月就要迭代，每次迭代都是一次豪赌。
为了防止训练中断，团队还得储备冗余算力、做断点续训、搞分布式调优，每一项都是成本。更别提数据工程这种不起眼但吞金的环节——清洗、去重、配比、质量评估，看着不如模型架构酷炫，却要堆大量人力和计算资源。
3.2 推理成本：每多一个用户都是持续支出
训练是一次性的痛，推理是持续的放血。传统软件做一万个用户和做一个用户，边际成本近乎为零；但AI应用每处理一次请求，都要消耗真实的GPU算力。用户越多，算力账单越厚，这意味着业务的规模增长并不能带来很好的规模效益——除非你的模型推理效率持续提升，而这一点是靠长期研发投入换来的。
我算过一笔账：一个面向C端的AI对话产品，如果要做到百万日活，按平均每个用户每天对话20轮计算，一天就是两千万次推理请求。即便每次推理成本压到0.01元，单日推理成本也高达20万元，一个月就是600万。这还只是推理，没算带宽、存储、产品研发。在这种情况下，订阅收入如果不做到客单价足够高且留存足够好，毛利率会非常难看。
3.3 人才溢价与组织膨胀互相强化
AI行业的人才成本不仅是薪酬高，还在于流动性高。稍微有点名气的算法工程师，一年内收到十几家猎头电话是常事，想留人就得不断加薪和画饼。于是我们看到一个奇特现象：很多AI公司明明收入还不稳定，组织架构却已经按照未来巨头的标准搭好了——研究院、基础模型组、应用组、商业化组、战略部一应俱全。组织膨胀反过来又推高了融资需求，形成了“融更多的钱—招更多的人—烧更多的钱—需要更大的收入预期”的循环。
这种循环里，任何一家公司想停下来“精打细算地过日子”，都等于主动退出竞争。因为对手在加速，你的减速就会变成掉队。这就是为什么我说AI行业没有“小富即安”的选项——成本结构和竞争节奏都逼着你往“巨量收入”的方向狂奔。
4. 估值体系扭曲了收入预期：泡沫从报表外长出来
4.1 市场按“终局规模”定价，公司按“终局预期”花钱
一级市场的定价逻辑是看终局——如果这个赛道最终会长出一个万亿级平台，那么现在哪怕烧钱也是值得的。这个逻辑本身没错，问题在于AI的终局仍然高度不确定，但估值已经提前按终局兑现了一部分。结果是公司被架在了火上烤：一边要维持高增长的故事，一边要在尚未成型的市场里找到足够大的收入。
这个“收入预期缺口”是整个行业最焦虑的来源。市场的耐心不是无限的，当投资者发现你距离“那个巨额收入”越来越远的时候，估值就会剧烈回撤。AI行业经历过的每一轮挤泡沫，本质都是市场在对“不切实际的收入预期”进行纠偏。
4.2 巨头的存在让所有垂直定价都很难
更让人头疼的是，AI行业里不仅有创业公司，还有一批弹药充足、场景丰富、既有流量又有数据的巨头。创业公司刚在一个垂直场景里做出点成绩，巨头可以靠免费或补贴迅速跟进，把市场定价打到创业公司无法承受的水平。这导致一个残酷的现实：在AI领域，很多看起来前景无限的细分市场，最终做大收入的往往是平台巨头，而不是最早冲进去的创业公司。
在这种格局下，创业公司想获得巨额收入，路径只剩下两条：要么在某个足够垂直且巨头看不上的场景里建立垄断级壁垒，要么冒险做平台级产品——而后者对资本、技术和场景的要求高到近乎苛刻。多数公司既没有前者的决心，也没有后者的资源，只能卡在中间，靠“不断讲故事”维持估值的体面。
5. 在泡沫期做一个清醒的AI从业者
5.1 先算单位经济模型，再谈改变世界
作为在这行泡了多年的从业者，我见过太多被“巨量收入”叙事裹挟的人和公司。我的建议一直很简单：不管外部预期多疯狂，你内部必须有一本清醒的账。每笔业务的单位经济模型要算清楚——毛利率多少，获客成本多高，客户生命周期价值几何，什么时候能回本。如果一个业务算下来永远亏钱，那它存在的意义就只是故事素材，而不是商业基石。
我常说一句话：AI的信仰要给，但财务的纪律也要有。哪怕你身处最狂热的赛道，也要留一条“理性逃生通道”。比如在主业务之外做一点现金流业务，哪怕增速没那么性感，至少能让你在大环境变冷的时候有活命的本钱。
5.2 真正活得好的公司长什么样
冷眼看了这几年，我发现真正活得好的AI公司往往不是最出名的，而是那些把“收入预期”管理得很有节奏感的公司。它们有几个共同特征：一是聚焦，不做全栈，只在某个细分场景里做到别人短时间追不上；二是收入结构多元，订阅、项目、生态合作各占一部分，不至于被单一模式拖垮；三是花钱有优先级，研发投入跟着商业化节奏走，而不是跟技术理想走。
举个例子，我认识一家做面向特定行业内容生成工具的团队，不大，几十个人，没有自研大模型，用开源模型做微调加垂直数据，客单价高、交付轻、续费稳定。它的估值没有明星公司吓人，但现金流转正，团队过得很踏实。在我看来，这种公司在泡沫期足够清醒，在潮水退去后反而容易剩下。
5.3 给从业者的几句实在话
最后说点个人体会。身处AI这个寒武纪大爆发式的时代，没有人愿意当旁观者，但也不要盲目把“不切实际的巨量收入”当成唯一目标。你要分清哪些是市场和资本强加给你的KPI，哪些是真正能沉淀下来的商业能力。技术会迭代，热点会转移，泡沫会破，但如果你在这个过程中积累了对某个场景的深刻理解、扎实的数据壁垒、稳定的客户关系和健康的现金流，那无论行业怎么变，你都有重新起跳的资本。
泡沫TV这期的结论其实不是什么高深道理：人工智能行业确实需要巨量收入，但更需要在追逐巨量收入的过程中，依然有人记得算清楚每一笔账，守住每一条护城河。大浪淘沙之后，留下来的一定是那些对技术有信仰、对商业有敬畏的团队。与各位共勉。
