两年来，"AI 泡沫 " 的警告声此起彼伏，但却没有人能真正回答一个最简单的问题：这个行业，到底赚了多少钱？它什么时候能收支平衡？
不过最近，答案来了。
发布它的是分析机构 Exponential View，领头人是分析师兼投资人 Azeem Azhar。他的团队花了数月时间，梳理了超过 1000 家公司的财务数据、供应链记录和行业披露，做了一件听起来简单、实际上极难的事：把 AI 行业的真实收入，从头算了一遍。
为什么要重算？因为 AI 行业的收入数字，一直有一个秘密：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。报告称之为 " 去重 "，去掉这些水分之后，数字会缩水很多，但也因此第一次变得可信。
去重之后，结论是：过去 12 个月，全球生成式 AI（不含中国大陆本土市场，下同）产生了 1100 亿美元的真实收入，年化运行率超过 1750 亿美元。
2026 年第一季度，AI 行业季度收入达到 250 亿美元，连续第二个季度超过了同期的芯片与数据中心折旧（210 亿美元）。
Azhar 本人表示，这是 AI 需求 "just about clears the depreciation hurdle"，即勉强跨过了折旧门槛。
这种克制，是有原因的。
但在展开之前，有必要先感受一下这个行业的增长速度。EV 报告的另一组数据提供了参照：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。2023 年，AI 行业每新增 10 亿美元收入大约需要 180 天；到 2026 年，这个时间已经缩短到不到 2 天。这是一种非线性的、近乎垂直的爬升。
然而，速度快不代表规模大。另一个容易被忽视的数字是：即便以 1750 亿美元的年化收入计，AI 行业目前也仅相当于美国 GDP 的 0.42%，而整个 IT 行业占美国 GDP 的 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。1100 亿美元是一笔真实的巨款，但也只是一笔早期的巨款。
拷问一：AI 到底回本了吗？
先说结论：取决于你用哪把尺子。
EV 报告用的尺子，是 AI 季度收入对比同期的折旧摊销额，即过去购置的芯片和数据中心，在这个季度里计入账本的那部分成本。250 亿对 210 亿，确实跨过去了。
但换一把尺子，画面立刻变了。
Sequoia 资本合伙人 David Cahn 从 2023 年起就在追踪一个指标：英伟达数据中心收入的运行率，乘以 2（GPU 只是数据中心成本的一半，另一半是能源、厂房、冷却），再乘以 2（运营商需要的毛利率）。得到的，就是 AI 行业每年必须产生的最低收入门槛。
2023 年底，这个门槛是 2000 亿美元。2024 年中，随着英伟达收入飙升，更新为 6000 亿美元。到 2026 年，还在上移。
对照 EV 报告 1750 亿美元的年化收入，差距超过 4 倍。
还有第三把尺子：从整个投资周期看，EV 报告原文承认，到 2026 年底 AI 相关资本支出比 ChatGPT 前的历史趋势线额外多出了 5350 亿美元；若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 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。
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：各大科技巨头正在将 GPU 的会计折旧年限从实际经济寿命的 2-3 年，拉长至 5-6 年。他的测算（引自行业分析师综合推演，非经审计数据）：2026 至 2028 年间，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，审计师也已签字确认。AWS 的 CEO 曾公开表示六年前的 A100 服务器因需求旺盛至今未退役，这为拉长折旧年限提供了一定的现实依据。真正的争议在于：这个判断，是否与芯片在快速迭代环境下的真实经济寿命相符。
如果答案是否定的，那个 " 跨过 " 的里程碑，可能从未真实发生。
值得注意的是，EV 报告本身也没有回避这个问题。报告直接画了两种情景对比：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），那么 CapEx 是可以回本的；但在悲观情景下，如果 H100 今天就过时，即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 需求侧最为乐观的报告，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，就是 1760 亿美元的悬殊，恰好与 Burry 的指控方向一致。
这是 AI 行业最反直觉的事情之一，值得认真停下来看一看。
AI 的价格，正在历史性地崩塌。斯坦福大学 AI Index 记录了这组数字：2022 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，同等能力的查询降至 0.07 美元。不到两年，降低了 280 倍。
a16z 的 "LLMflation" 分析更激进：GPT-3 级别的推理成本从 2021 年到 2024 年，降低了整整 1000 倍。
按常规商业逻辑，价格跌 1000 倍，收入应该暴跌。
但事实是，这个行业的收入在以接近 200% 的年增速扩张。原因在于一个 160 年前的经济学现象：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炭大幅减少，但英国的总煤炭消耗量，反而急剧上升。因为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 美元跌至 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 " 的应用场景就变得经济可行：这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 月至 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 报告自己的数据更为精确，全球 token 月消耗量已超过 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% 至 18%，弹性系数约 1.2 至 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。
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，在四个月内全部耗尽，并非因为超支失控，而是随着每次调用变得更便宜，工程师们发现了越来越多值得自动化的流程，用量自然螺旋上升。
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。
这是一个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。
在讨论 AI 行业 " 赚了多少钱 " 之后，一个同样重要但鲜少被问起的问题是：这些钱流向了哪里？产业结构正在发生什么变化？
EV 报告给出回答是，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，应用层份额已升至约 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，但增速最快的不是它们，是应用。钱正在从 " 卖铲子的人 " 流向 " 挖金子的人 "。
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
让我们把杰文斯悖论反过来用。
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，是 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 2021 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，为行业提供一定的喘息空间。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 年这一群体每季度还能产生约 450 亿美元的自由现金流，到 2026 年 Q1，已跌至约 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，但它需要燃料。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，夹在日本和俄罗斯之间。
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，这与各大科技公司公开承诺的碳中和目标，形成直接冲突。
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 号机组于 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，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：折旧的定时炸弹
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 服务器至今未退役，这说明折旧年限拉长，也许有真实的市场需求支撑。
但这不应该让人放松。
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 的实际有效寿命约为 1-3 年，而行业普遍按 5-6 年计提折旧。这一判断与 Burry 的指控方向一致，但同样属于学术估算，并非审计结论。
这个差距，是一根拉得越来越紧的弦。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 公司大多未上市，云服务商从不单独披露 AI 收入，整个需求侧笼罩在一层雾里。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。
但也需要记住，AI 收入目前仅相当于美国 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。（原报告摘要 / 博客版：https://www.exponentialview.co/p/the-state-of-the-ai-economy ）
（本文首发钛媒体 APP，作者 | 硅谷 Tech_news，编辑 | 林深）
