人工智能超级周期正在衰退：人工智能十亿美元豪赌——为何科技热潮如今遭遇残酷现实

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年9月6日 / 更新日期：2026年9月6日 – 作者： Konrad Wolfenstein

人工智能超级周期正在衰退：人工智能十亿美元豪赌——为何科技热潮如今遭遇残酷现实？——图片来源：Xpert.Digital

成本巨大，利润微薄：人工智能行业是否面临重大崩溃？

炒作过后，幻灭降临：为什么企业突然对人工智能犹豫不决

突破性技术——但谁来为此买单？6. 人工智能的成本陷阱：当计算能力吞噬利润

人工智能的蓬勃发展将科技界推入了一场前所未有的淘金热潮。然而，在令人瞩目的语言模型和数十亿美元的估值背后，一个巨大的经济问题正在酝酿。尽管科技巨头们正将巨额资金投入数据中心、高性能芯片和电源供应，但实际的需求却远远落后。人工智能行业越来越像一场对未来的豪赌：巨额的运营成本和隐藏的表外风险，与一个远比预期更难实现真正盈利的市场环境形成了鲜明的对比。仅仅节省时间并不能带来收入——而普通终端用户也无力承担天文数字般的基础设施成本。备受瞩目的人工智能超级周期是否正面临着严峻的现实考验？本文将深入分析不断扩大的回报差距、迫在眉睫的市场整合，以及最终为何只有那些能够将人工智能转化为真正可衡量的价值创造的企业才能生存下来。.

与此相关：

Xpert.Digital 最新人工智能研究：人工智能模型正在成为企业创造价值的工业生产要素和操作系统。

人工智能十亿美元豪赌：为何市场如今正迫使人们进行现实检验——当计算能力增长速度超过支付需求时

全球人工智能市场的发展远未达到顶峰，但它正面临着一场迄今为止鲜少被公开讨论的经济考验。从技术层面来看，人工智能无疑代表着一次结构性突破：语言模型、多模态系统、专业代理、工业计算机视觉解决方案以及自动化决策支持正在改变工作流程、产品乃至整个价值链。与此同时，这一技术上的成功也日益演变为商业挑战。令人瞩目的建模能力与可持续的商业模式之间存在着鸿沟，而随着每一座新数据中心的落成、每一份芯片的采购以及每一笔数十亿美元的额外投资，这一鸿沟都可能进一步扩大。.

核心问题不再是人工智能是否有用，而是全球人工智能基础设施的预期收益能否覆盖其开发、运营、融资和持续更新的成本，从而支撑当前的估值和投资计划。这正是争论的焦点所在。许多应用可以节省时间、改进研究、加速编程、简化翻译、生成内容或支持客户服务流程。但节省时间并不会自动转化为额外的收入、利润或可持续的商业价值。在很多情况下，人工智能仅仅是转移了任务、提高了对速度的期望，或者降低了现有服务的成本，从而降低了差异化优势。.

因此，经济现实远比人们普遍认为的人工智能超级周期不可避免要复杂得多。大型科技公司并非投资于单个应用，而是投资于一个完整的产业系统，该系统涵盖半导体、数据中心、电源、冷却系统、光纤、云平台、模型训练、模型运行、数据许可、安全架构和销售。这个系统需要多年巨额资本投入。这些投资如今正在进行，而预期需求的大部分尚未实现。因此，人工智能行业越来越像是一场押注未来支付意愿的赌博。.

Xpert.Digital 对多达 24 个 AI 模型进行的比较揭示了市场多元化的迅速发展。除了广为人知的主流平台之外，还有开放模型、行业特定系统、多模态产品、紧凑型设备端模型，以及针对编程、分析、图像处理或工业流程的高度专业化解决方案。这种多样性在技术上是积极的，但也加剧了经济问题。并非所有高性能模型都能支撑起一个独立的、高利润的商业模式。随着基本功能越来越相似，性能差异缩小得越来越快，竞争的焦点也从模型智能转向价格、分销、数据访问、集成、计算成本和客户忠诚度。.

因此，如今的人工智能经济与其说像一个规模经济效益高、边际成本低的传统软件市场，不如说更像一个资本密集型的基础设施市场，只不过披上了软件的外衣。这种区别至关重要。纯软件只需相对较少的额外资本投入即可在全球范围内发展壮大。而生成式人工智能则需要大量的物理资源进行训练和使用。每次执行查询都会产生计算成本、能源消耗、网络成本以及昂贵硬件的折旧。模型越强大、用户群体越大，不仅收入增长越多，运营成本也会随之水涨船高。.

技术进步背后的回报差距

人工智能行业最显著的经济冲突在于投资规模与可盈利需求之间的矛盾。企业、投资者和公共利益相关者通常将人工智能视为一项不可避免的未来技术。这种假设在本质上是正确的；人工智能将成为经济结构中不可或缺的一部分。然而，这并不意味着今天的每一项投资、每一代芯片、每一家创新型公司或每一个数据中心项目都能获得经济上的成功。.

错误在于将技术相关性等同于即时投资回报。电力、铁路、电信和互联网也具有变革性意义。然而，它们的发展阶段都导致了产能过剩、投机泡沫、价格战和公司倒闭。正因为一项技术具有长远意义，其经济应用的第一阶段可能成本过高、时机过早或过于分散。基础设施的后续效益往往由与最初投资于资本密集型开发阶段的公司不同的公司获得。.

人工智能领域的这种风险尤其高，因为其投资链异常漫长。它始于高性能芯片和内存组件制造商，随后是服务器制造商、网络技术公司、冷却技术公司、数据中心建设商、能源供应商、云平台和模型提供商。之后，企业必须将这些系统集成到实际运营流程中。只有在这条投资链的末端，才会出现付费客户，他们必须愿意为可衡量的改进支付高于技术本身成本的费用。.

供应链的每个环节都在考虑增长因素。芯片供应商预计超大规模数据中心的需求将不断增长。超大规模数据中心规划建设，因为模型提供商和企业客户预计需要更大的容量。模型提供商投资培训，因为他们预计用户数量将达到数百万甚至数十亿。企业客户购买许可证，因为他们期望提高生产力。只有当最终用户需求不仅增长，而且能够获得足够的利润率时，整个供应链才能可靠地运转。.

这正是疑虑产生的地方。许多公司都在广泛测试生成式人工智能，但最终只将试点项目的一小部分推广应用。从商业角度来看，原因不难理解：数据结构不完整或涉及法律敏感信息，流程尚未标准化，专业知识难以规范化，结果需要验证，接口不足，或者预期收益不足以支撑对系统进行根本性改造。此外，还有数据保护、信息安全、责任承担、员工委员会、监管合规以及行业特定质量标准等方面的要求。.

因此，在实践中，人工智能的价值不仅体现在提高员工个人效率，还体现在自动化处理那些重复性高、错误成本高或周期长的明确流程。例如，保险公司的文件验证、生产中的质量控制、机械工程中的智能备件采购、B2B销售中的自动报价、设备维护需求预测，以及支持复杂的软件开发。在这些领域，人工智能可以改善具体、可衡量的关键绩效指标（KPI）：处理时间、废品率、交付能力、错误率、首次正确率、每位销售代表的收入或机器停机时间。.

对于通用聊天机器人和人工智能助手而言，情况则更为复杂。它们确实能为员工带来显著的个人效益，但这些效益往往分散在许多细小的任务中。例如，员工可以更快地进行研究、更有效地撰写电子邮件，或者为演示文稿创建初步大纲。这些固然有价值，但节省下来的时间并不会直接转化为额外的生产力。通常情况下，节省下来的时间会被其他任务占据，质量标准也会提高，或者由于没有裁员也没有使用外部服务，节省下来的时间根本无法被察觉。因此，经济影响虽然存在，但远不及最初人们对这项技术的热情所预期的那样显著。.

这种差异解释了为什么迄今为止，生成式人工智能的广泛应用难以获得与全球基础设施投资相匹配的投资回报。人工智能可以提高生产力，但并不会立即按比例提升整体经济产出；它可以降低成本，但并不会持续提高利润率；它可以催生新的服务，但客户却不愿意为此支付额外费用；而且，它还可以将以往需要付费的知识和通信服务转化为更容易互换的标准化商品。.

普通用户不足以构成有效的平衡力量。

私人用户市场最初的狂热催生了这样一种期望：生成式人工智能能够像搜索引擎、社交网络或智能手机一样，成为一种普及的大众市场产品。这种期望可以理解，但在经济上却难以实现。私人市场规模庞大，但用户的付费意愿却十分有限。许多用户接受免费或大幅补贴的服务。即使是相对较低的月费，也只有一部分用户会长期支付。.

由于功能最强大的模型无法像传统数字产品那样几乎免费复制，因此问题更加严重。与潜在用户群体相比，文本文件、应用程序或音乐流的额外成本相对较低。然而，复杂的AI查询却会消耗大量的计算资源。对于图像、视频、音频或智能体应用而言，这些成本还会显著增加。当数百万用户大量使用高质量功能时，成本负担的增长速度可能会超过订阅或广告收入的增长速度。.

这并非意味着消费者市场不重要。它仍然具有战略意义，因为它能够产生使用数据、提升品牌知名度、带来分销优势并增强平台忠诚度。它也可以成为高端产品的切入点。但它几乎无力独自承担全球人工智能竞赛的基础设施成本。单一的月度订阅服务无法与将人工智能深度集成到关键流程中的多年企业合同相提并论。.

此外，人们的习惯化倾向日益增强。曾经令人惊艳的功能很快变成了理所当然的标配。文本生成、翻译、图像编辑、摘要生成和基础编程辅助等功能逐渐失去了新鲜感。客户越来越倾向于根据价格和易用性来比较不同的服务提供商。这造成了典型的商品化压力。当多个型号都具备相似的性能水平时，仅仅依靠型号质量来支撑高价的合理性就变得难以成立。.

这一发展总体上对用户有利。他们受益于价格下降、选择范围扩大以及日益开放的替代方案。然而，对供应商而言，这意味着他们可以在一个差异化日益困难、定价权日渐式微的市场中进行高额投资。在这种情况下，认为每个人工智能模型都能成为全球盈利机器的想法是站不住脚的。.

因此，在经济上起决定性作用的客户群体仍然是企业部门。但即便如此，他们的支付意愿也并非无限。企业购买人工智能并非仅仅为了显得现代化。只有当人工智能能够带来收入增长、成本降低、风险缓解、质量提升或具有战略意义的市场差异化时，他们才会进行可持续的投资。在经济衰退和融资成本上升的情况下，这些要求会变得更加严格。人工智能预算会与自动化、网络安全、ERP系统、工厂现代化、人员发展、能源效率和国际供应链等方面的投资展开竞争。.

借助“托管人工智能”（人工智能）实现数字化转型的新维度——平台及B2B解决方案 | Xpert咨询

“托管式人工智能”开启数字化转型新篇章——平台及B2B解决方案 | Xpert Consulting - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

托管式人工智能解决方案——工业人工智能服务：服务业、工业和机械工程领域保持竞争力的关键

为何并非所有人工智能提供商都能生存：市场经济分析

企业需求依然具有选择性。

经济规模庞大，但其产能并非无限。这一看似显而易见的道理在人工智能讨论中却常常被忽视。即便几乎所有公司都采用人工智能，也并不意味着每家公司都会在外部模型、云容量和代理系统上投入巨额且不断增长的资金。许多应用会集成到现有的软件套件中，并作为附加功能产生有限的额外收入。其他应用则会在本地运行，通过规模较小的模型或开源解决方案实现。还有一些应用会在试点阶段后被终止，因为数据质量、流程成熟度或监管负担超过了其带来的收益。.

因此，关键问题不在于有多少公司在尝试人工智能，而在于人工智能能为每家公司带来多少额外利润，以及其中有多少会转化为公司愿意为人工智能服务提供商付费。这两个数字之间存在显著差异。.

例如，一家机械工程公司可以使用人工智能辅助服务来缩短查找技术文档的时间。然而，模型提供商并不会因此受益。很大一部分收益会落入机器制造商、系统集成商、ERP或PLM软件提供商、云运营商或客户自身手中。价值创造是分散的。与此同时，底层模型基础设施的提供商还要承担硬件、运营、后续开发和销售方面的巨额成本。.

对于人工智能代理而言，这一点尤为突出。它们被视为下一个重要的增长阶段，因为它们不仅旨在生成内容，还要执行任务链。理论上，它们可以核对订单、比较供应商、协调预约、启动软件测试、更新销售数据或处理支持案例。但在实践中，它们很快就会遇到可靠性、授权、数据质量、可解释性和责任方面的问题。系统自主性越高，对控制和安全性的要求就越高。因此，在关键业务流程中，人类通常仍然是决策链的一部分。虽然这不会降低自动化带来的好处，但确实限制了自动化程度的充分发挥。.

因此，人工智能经济很可能并非由单一的普适市场决定，而是由一系列截然不同的子市场构成。其中一些子市场可能利润丰厚，例如：专业工业应用、医学图像分析、网络安全、软件开发、金融分析、物流管理或科学研究。而另一些子市场则会因标准化、开源和平台集成而面临价格压力。认为整个人工智能行业将在各个领域同时获得超高利润率的假设，在经济上并不令人信服。.

尤其在欧洲和德国，另一个因素也发挥了作用。中小工业企业（SME）通常拥有宝贵的数据、深厚的流程知识和复杂的应用案例。这为高效的AI解决方案提供了机遇。与此同时，许多公司组织结构复杂，依赖现有的IT环境，且资源有限，难以开展耗时漫长的转型项目。因此，瓶颈不在于能否获得高性能模型，而在于如何实现流程的无缝集成。.

这为咨询、技术和实施合作伙伴提供了巨大的市场。人工智能的经济价值往往不在于仅仅提供一个聊天窗口，而在于将业务问题转化为可衡量的人工智能工作流程。那些能够连接数据源、重新设计流程、建立治理机制并将人工智能融入运营的企业，比那些仅仅依赖通用模型方法的企业更有可能创造持久价值。.

与此相关：

不要停留在“概念验证”阶段：为什么基于结果的人工智能模型正在彻底改变IT格局

数十亿美元的表外资金改变了风险

人工智能扩张的高昂成本并不会因为其融资结构游离于传统资产负债表之外而消失。这些融资结构是当前人工智能经济中最重要却也最不为人所理解的议题之一。国际清算银行指出，超大规模数据中心运营商除了发行传统债券外，还越来越多地利用表外融资结构和与私人贷款机构的合作来扩展其基础设施。.

从商业角度来看，这类模式具有诸多优势。数据中心、服务器集群、能源设施或专用基础设施可以通过项目公司、租赁模式、长期租赁协议、合资企业或外部投资者进行融资。这可以降低短期资本需求，分散风险，并能在短期内改善公司的资产负债表状况。这些融资工具对快速增长的市场极具吸引力，因为它们能够加速扩张。.

然而，关键的经济要点在于，这些义务并不会消失，它们只是转移了。这些义务不再是立即发生的投资支出，而是可以通过长期购买担保、租赁、产能承诺或付款承诺等方式推迟到未来。只要需求、产能利用率和价格符合预期，这种模式就能稳定运行多年。但如果收入低于预期，而基础设施成本又主要由合同固定，问题就会出现。.

这会产生杠杆效应。在高利用率和需求不断增长的情况下，大型数据中心可以发挥运营扩展引擎的作用。然而，随着利用率下降或激烈的价格竞争，这些设施反而会成为负担。硬件老化迅速，电力成本居高不下，贷款机构要求偿还贷款，而新一代芯片的出现也带来了额外的现代化压力。那些建设成本过高、过早或对需求预期过于乐观的企业，最终可能会面临巨大的压力。.

风险并非仅限于显而易见的科技公司，它们还会蔓延至私募信贷市场、保险公司、养老基金、基础设施融资机构、能源项目和房地产结构等领域。正因如此，关于表外融资的讨论远非仅仅是会计细节的问题，它关乎一旦出现调整，究竟由谁来承担损失。.

市场调整未必会以突然崩盘的形式出现。更可能的情况是，它最初会以一系列渐进式调整的形式展开：计算能力价格下跌、投资公告更加谨慎、投资回收期延长、利润率预期降低、贷款条件更加严格，以及对初创企业的审查更加严格。市场不会消失，但其估值可能会发生根本性变化。曾经的成长型市场将转变为一个回报预期更为现实的基础设施市场。.

当许多参与者抱持着同样的乐观假设时，连锁反应的风险就会出现：计算能力将持续稀缺，人工智能需求将持续呈指数级增长，并且高价可以得到有效控制。如果这些因素中只有一个崩溃，其影响尚可控制。然而，如果多个因素同时崩溃，商业模式将面临巨大压力。例如，如果模型访问价格下降、电力成本上升，以及主要公司的产品发布被推迟，运营成本与预期收入之间的差距可能会迅速扩大。.

为什么并非所有模型提供商都能生存下来

人工智能市场的整合不仅可能，而且在经济上也极有可能发生。目前，市场上存在太多目标相似的供应商，但它们的财务资源、数据获取渠道、销售渠道和基础设施合作伙伴关系却天差地别。从长远来看，大多数公司将无法同时为自身的前沿模型、计算基础设施、全球销售网络和庞大的研发预算提供资金支持。.

市场很可能会分裂成几个层级。顶层将是少数财力雄厚的平台公司和半导体企业，它们拥有充足的资金、云基础设施、全球分销渠道和企业客户。在其下方，一些专业模型提供商将站稳脚跟，前提是它们能够在特定领域提供更优的性能、更低的成本或独特的数据优势。另一个层级包括开源模型、欧洲或国家自主研发项目，以及将人工智能集成到现有行业产品的提供商。其余企业则必须通过合作、收购、技术专精或退出市场来实现转型。.

收购将发挥重要作用。大型科技公司不仅收购收入，还收购研发团队、数据访问权限、专业模型、客户关系和基础设施能力。然而，认为陷入困境的市场参与者会自动被强大的竞争对手收购的想法是有问题的。收购方也面临压力。他们必须为巨额投资提供资金，满足自身预期，并考虑监管风险。因此，收购可能带来益处，但并不能保证市场有序整合。.

尤其容易受到那些处于不利灰色地带的供应商的冲击。它们规模太小，无法承担领先基础模式的成本；但产品又过于宽泛，无法通过特色服务来收取高价。它们缺乏强大的平台、独家数据源和深度销售团队。这类公司或许能在短期内通过融资、媒体关注和合作关系实现增长，但一旦投资者对收入质量、毛利率和客户忠诚度的要求越来越高，它们就会面临压力。.

预计未来将涌现出更稳健的商业模式，在这些领域，人工智能将难以被替代。这可能是由于行业特定数据、符合法律法规的工作流程、深度集成的系统、高昂的转换成本、监管审批或清晰的流程专业知识等因素造成的。一个能够可靠地支持关键工业质量控制并与机器、ERP 和维护数据相连接的人工智能系统，很难被一个免费的通用语言模型轻易取代。相比之下，一个简单的文本生成器则更容易与之比较。.

这为欧洲供应商提供了一条战略启示。试图用同样的财力参与所有全球基础模型竞争是不现实的。更有前景的方法是构建自主、高效且行业特定的AI架构：工业数据空间、安全运营模式、专业模型、高质量的集成服务以及可靠的治理。欧洲的优势不在于消费者平台的快速扩张，而在于复杂的工业应用、监管专业知识、机械工程知识、质量要求以及B2B关系。.

市场整合之前的可能发展趋势

未来几年不太可能出现人工智能要么蓬勃发展要么崩溃的简单选择。更可能的情况是，人工智能的发展将经历一个从资本驱动的增长阶段向以利润为导向的整合阶段不均衡的过渡。技术发展将持续进行。模型将变得更加高效，更小的系统将变得更加强大，硬件将不断改进，企业也将越来越多地找到高效的应用场景。与此同时，融资可能会变得更加急躁。投资者会更频繁地询问哪些收入是经常性的，哪些客户真正付费，扣除计算成本后还剩下多少利润，以及新的基础设施需要多久才能收回成本。.

一种可能的基准情景是，人工智能需求持续增长，但增速放缓，且增长方向与当前规划的基础设施相比有所差异。在这种情况下，计算能力和模型访问的价格将面临压力。大型平台由于将人工智能与云服务、办公软件、搜索引擎、广告、电子商务、操作系统或终端设备等集成，因此更有能力应对这一压力。而缺乏此类交叉补贴的纯模型提供商则面临更大的挑战。.

当企业需求低于预期而融资成本上升时，就会出现不利局面。这可能导致数据中心利用率不足、项目融资更加困难以及投资延迟。初创企业获得的资金将减少，高估值公司将不得不调整其增长预期，收购交易的估值也可能降低。其影响将超出人工智能行业，间接波及芯片制造商、服务器生产商、能源供应商、建筑公司和贷款机构。.

积极的情景也存在。然而，这种情景的前提是人工智能不仅能加速个人工作流程，还能催生新的商业模式、新产品，并显著改进工业流程。研发、机器人技术、自动化软件生产、个性化医疗、能源优化、物流和复杂规划等领域的突破尤为重要。在这种情况下，人工智能可以通过提高生产力和创造新的收入来源，使投资成本的合理性得到更大程度的体现。但即便如此，也并非所有现有供应商都能从中受益。技术的长期价值和单个公司的价值仍然是两个不同的概念。.

因此，冷静的视角是，人工智能既非投机泡沫，也非自动印钞机。它是一项变革性的通用技术，其经济应用远比其实际应用复杂得多。投资规模的前提是，未来其技术能力将带来可靠的现金流。然而，迄今为止，在许多领域，这一论证尚未完成。.

因此，市场将会整合。这未必会通过剧烈的单一崩盘来实现，而是通过价格竞争、估值下降、投资纪律、收购、战略性退出以及更加专注于经济效益已验证的应用来实现。最终的赢家将是那些不仅拥有令人印象深刻的商业模式，而且还能掌控所有因素的供应商：资本成本、能源消耗、硬件折旧、安全性、销售、客户整合、使用频率以及实际支付意愿。.

关键问题不在于人工智能是否会改变我们的经济。它肯定会改变。关键问题在于，当前这一代投资者是否投资于那些能够以可接受的回报为这场变革提供资金的公司。答案并非取决于模型排名、令人印象深刻的演示或数十亿美元的估值，而是在未来几年内取决于资产负债表、长期合同、数据中心利用率以及客户实际获得的生产力提升。.