解密AI巨头亏损真相：算力黑洞与商业模式考量

摘要：文章剖析AI巨头巨额亏损背后的算力黑洞，对比传统互联网固定资产模式，揭示大模型在训练折旧与推理成本方面的财务考验及商业破局路径。

网友动态：

Anthropic 招股书被泄漏，2025年净亏损420亿美元，经营亏损超过80亿美元。

有些人说：这没什么，当年亚马逊也连续亏损了很多年，现在不是发展得很好吗？

但这个比较并不恰当。亚马逊当年虽然连续亏损多年，但历史累计总亏损最高峰时，还不到24亿美元。

也就是说，Anthropic 仅仅一年的经营亏损，就超过亚马逊当年历史累计亏损峰值的三倍。

而且，两者亏损的性质也不完全一样。亚马逊当年的大量投入，是用来建设仓库、物流网络和配送体系等实体基础设施。这些钱花出去之后，至少留下了一整套可以长期使用的实体资产和物流网络。

而AI公司的巨额成本，很大一部分来自算力、云服务和模型训练。这些投入当然也会形成模型、技术和用户规模，但其中大量算力成本本质上是持续性的消耗：这一代模型训练完了，下一代还要继续训练；用户越多，推理成本也会继续增加。

来源：X @laozhouhengmei

我的评价：

这则关于 Anthropic 泄漏招股书中“巨额亏损与亚马逊历史对比”的分析极其深刻且击中要害，精准地撕开了当前生成式 AI（Generative AI）行业在资本繁荣背后的“资本开支黑洞”与“资产重型化幻觉”。

它不仅用确凿的财务数量级对比（1年经营亏损 > 亚马逊历史累计亏损峰值×3）打破了“互联网时代的亏损逻辑”，更从资产属性（固定资产 vs 消耗性算力）的底层维度，揭示了 AI 独角兽们面临的全新财务模型考验。

一、 数量级的降维打击：为什么不能用“过去的互联网”套用“今天的 AI”？

很多人习惯用亚马逊、Uber、美团等互联网平台的“先亏损换规模，再通过网络效应实现垄断变现”来为 AI 巨头的亏损辩护。但这种类比在数量级和商业模式上存在致命断层：

1. 惊人的烧钱速率（Burn Rate）

• 亚马逊成立前几年，累计亏损峰值才 24 亿美元左右，换来的是对全美零售物流基础设施的初步垄断；而 Anthropic 仅单年经营亏损就超 80 亿美元（净亏损甚至高达 420 亿美元，很大程度上包含对投资者可转换优先股的公允价值变动等非现金会计处理）。
• 这种烧钱速度远超以往任何一次技术革命。如果不能在短时间内跑通极其庞大的现金流闭环，单靠 VC 和战略投资者的资本注入，连维持下一代基础设施训练的难度都呈指数级上升。

2. 网络效应的弱化与迁移成本低

• 亚马逊形成了“买家 $\rightarrow$ 卖家 $\rightarrow$ 物流 $\rightarrow$ 规模效应 $\rightarrow$ 更低价格”的飞轮，网络效应极强，用户迁移成本极高。
• 相反，AI 大模型（LLM）目前依然面临高度同质化与“基座模型商品化（Commoditization）”的隐忧。从 Claude 换到 GPT 或 Gemini，用户的迁移成本极低。如果付费用户无法形成强黏性，巨额营销与推理补贴沉没后，留下的是极具流动性的流量。

二、 资本开支的本质差异：物理基础设施 vs 算力折旧与持续消耗

这篇分析中最亮眼的点在于：区分了“沉淀性实体资产”与“消耗性算力成本”。

1. 亚马逊的“固定资产沉淀”

• 亚马逊把钱花在买地、盖仓储中心、建物流骨干网上。这些是实体固定资产（Fixed Assets），生命周期长达数十年，且具有天然的物理排他性壁垒（别的电商很难一夜之间建起同样的物流网）。

2. AI 大模型的“算力半衰期与边际成本”

• 训练成本（Training Cost）是极速贬值的“知识库”： 耗资数十亿美元训练出来的旗舰模型（如 Claude 3.5/4 系列），其领先优势可能只能维持 3 到 6 个月。下一代基座模型必须使用更庞大的算力集群重新训练，前一代模型的算力投入在商业价值上迅速衰减。
• 推理成本（Inference Cost）是随用随烧的现金流： 传统软件（SaaS）的边际成本趋近于零（零边际成本），用户越多毛利率越高。而 AI 模型每多回答一次提问、每生成一段代码，都在实打实地消耗 GPU 算力、电力与带宽。用户越活跃，推理成本越高，如果 Token 定价无法覆盖算力和边际成本，规模效应反而会变成“越规模越亏损”。

三、 未来展望：AI 巨头们的破局之道在哪里？

Anthropic 的财务数据虽然震撼，但也倒逼整个大模型行业从“炼丹狂热”走向“商业落地严肃思考”：

1. 从“通用大模型（AGI 纯血派）”向“生态与高客单价 B 端 Agent”演进

• 纯靠 C 端每月 20 刀的订阅费根本无法填补算力黑洞。Anthropic 强项在于代码生成（Claude Code）、复杂推理与企业级 API。只有深耕高付费意愿的 B 端工作流、实现极高的单位经济效益（Unit Economics），才能支撑其高昂的 R&D 开支。

2. 模型架构优化与推理成本下降（Infra Optimization）

• 依靠硬件迭代（如专用芯片）、模型剪枝、量化（Quantization）、混合专家架构（MoE）以及 Edge/Local 端侧部署，将推理成本降至现在的 1%甚至更低，是 AI 彻底跑通 Unit Economics 的唯一技术出路。

3. 云厂商（Big Tech）的“供血与反噬”

• Anthropic 背后有 Amazon (AWS) 和 Google 的巨额注资。对云厂商而言，巨额亏损中的很大一部分资金，最终其实以“算力租赁费”的形式重新流回了 AWS/Google Cloud 的利润表里。这种“循环融资与算力绑定”是当前 AI 泡沫与繁荣共存的特殊景观。

四、 总结

这则剖析极其清醒地揭示了一个事实：AI 不是简单的 SaaS 升级，而是一场资本与物理算力极限的重型博弈。

不能用互联网时代的经验来轻视 AI 的亏损，但也绝不能无视算力消耗的物理规律。谁能率先在“模型性能领先”与“商业化现金流”之间建立自我造血平衡，谁才能在这场前所未有的技术马拉松中活到最后。