后记

超大 CSP（微软、亚马逊、谷歌、Meta）的财报是 7 月市场的第二道分水岭，市场担忧和关心哪些点？他们的重要性在后文里聊到的，超大 csp 的业绩已经是衡量 AI 商业化关键指标（权重能和大模型 ARR 一致）。核心还是看 AI 需求的增长速度、收入质量和单位经济，能否赶上资本开支、折旧、能源成本和融资需求的上升速度？简单说就是 AI 商业化兑现速赶不上 AI 资本投入和成本增长速度，大科技的自由现金流也会摆上台面。聊聊我的思考。

1、市场担忧大致可以拆成四层

1）高预期和拥挤交易

市场已经把未来若干年的持续 Capex、芯片需求和云增长部分计入价格。几家大科技公司 2026 年合计 Capex 约 7300 亿美元。只要财报「很好但没有继续超预期」，拥挤的半导体、存储、数据中心和电力交易也可能下跌。但不能简单说整个大科技板块都已经计入「很多年完美预期」。微软、Alphabet、Amazon、Meta 还有 Office、搜索广告、电商、社交广告等庞大非 AI 现金流。真正最容易计入多年预期的，通常是收入与 AI Capex 高度绑定、且周期弹性更大的供应链公司。

近期的去杠杆让这种高于其和拥挤交易的程度减轻了很多。

2）资本开支、折旧和自由现金流错配

收入可以立即增长，但数据中心、GPU、供电和网络带来的折旧会持续多年。当前市场开始从「谁花得最多」转向： 谁能让新增容量最快进入付费利用，并产生足以覆盖折旧和资金成本的毛利。亚马逊 1 季度自由现金流转负、微软 Cloud 毛利率受到 AI 投资压力、Alphabet 明确提示折旧和能源成本上升，说明这个担忧并非纯粹情绪。

3）市场同时担心「Capex 太多」和「Capex 被削减」

这并不矛盾，因为影响对象不同： 对 CSP 股东而言，无回报的 Capex 增加是负面； 对芯片、存储、数据中心和电力供应链而言，Capex 削减是收入负面。

因效率提高而减少 Capex，同时保持收入和容量，是正面； 因需求减弱而削减 Capex，则对整个 AI 产业链都是负面。

所以市场真正关心的不是 Capex 绝对增加还是减少，而是： 每一美元新增 Capex 能带来多少可持续毛利和自由现金流

4）AI 商业化的收入和投资周期存在时间差

当前云端 AI 需求很强，部分 CSP 仍然受容量约束，但企业大规模从试点转向生产、续约和扩张，需要更长时间。市场担心的是，在折旧和融资成本率先进入财务报表之后，企业 AI 收入能否足够快地接上。此外，利率、能源价格和宏观风险也会影响长久期科技资产，不能把所有回撤都归因于 AI。投资者同时在「AI 基础设施被低估」和「投入过多、过早」两个叙事之间反复摇摆。

2、什么能够真正扭转市场情绪

单纯发布更多模型、公布更多 Token 数量，或者再次上调 Capex，都不足以消除担忧。市场需要看到一条连续的证据链。

第一，AI 收入具有广度，而不是依靠少数战略客户

必须看到企业客户数量、生产工作负载、付费席位、续约和每客户消费同步增长，并且剔除 OpenAI、Anthropic 等少数超大合同后，需求仍然强劲。

第二，AI 毛利额增长快于折旧和运营成本

允许短期毛利率下降，但新增 AI 毛利额必须明显超过新增折旧、能源、网络和人才投入。最好能看到单位推理成本下降，同时总毛利额持续提高。

第三，backlog 能够转化为近期收入

仅有三年、五年的大型合同不够。市场会更看重未来 12—24 个月收入确认比例、消费超过初始承诺的程度，以及新容量上线后的即时利用率。

第四，自研芯片和模型优化带来可验证的经济收益

市场需要的不只是「Trainium、TPU、MAI 更便宜」，而是： 自研芯片占比上升、 每 Token 或每成功任务成本下降、实现价格下降幅度小于成本下降幅度、每加速器小时毛利提高、客户消费总额和平台附着收入继续增长。

第五，自由现金流谷底变得可见

市场要看到： Capex 增速开始可控、新增 Capex 有合同需求支撑、经营现金流增长能够覆盖越来越多的资本支出、回购和资产负债表不会长期被挤压、折旧高峰和投资回收期能够被解释清楚。自由现金流是否转负只是表象，市场真正交易的是转负的原因、幅度、持续时间，以及未来能否恢复。

第六，企业客户能够证明真实 ROI

最有力量的证据不是模型评测或 Token 数，而是客户披露：收入和转化率提升、人工和处理时长下降、 从试点进入生产、续约和扩大部署、 全部 AI 成本计入后、投资回收期仍然具有吸引力。

对二季度财报最理想的「金发姑娘组合」市场最希望看到的是：

云和 AI 收入高于预期 + 利润率大致稳定 + backlog 开始转化 + Capex 没有意外失控，或新增 Capex 明确对应已签约需求 + 自由现金流不再恶化。

反过来，最危险的组合是：

Token 和使用量大涨，但每客户支出、毛利和自由现金流没有改善；RPO 增长依赖单一战略模型公司；Capex 再次大幅上调，而利润率和收入指引却下降

前言

最早是 7 月 6 号看到了 Coinbase 在 AI 上工程化实践，让我开始深度思考和研究企业在未来采用部署 AI 的过程中会出现什么的趋势变化，上周写两篇：

CSP（云服务商）部署性价比高的开源模型并转售 Token 的意义：

来超大 CSP 的业绩表现将会衡量 AI 商业化更重要的指标和价值重塑：

沿着这个思考进一步去深化扩展，就形成现在的这篇长文，更详细地聊聊个人的逻辑和想法。

一 分场景、多模型，企业采用 AI 进程进入工程化阶段带来的变化

1、分场景：企业不会再问「哪个模型最好」，而会问「这个任务应该用哪个模型」

未来不是「专项高性价比 Token」，因为 Token 本身只是计量单位。真正被专项化的是：模型；推理策略；上下文与数据；工具调用路径；硬件与服务方式；安全和人工复核机制。

企业选择模型的目标函数将从单纯追求模型能力，变成：

任务净价值 = 任务成功概率 × 业务价值 − 推理及执行成本 − 错误与风险损失。

由此会形成四类典型场景：

例如，邮件分类、摘要、字段抽取、初步客服分流、代码格式检查等任务，对模型能力的边际要求较低，却具有调用量大、价格敏感的特点。这类任务会逐渐迁移到小模型、开放模型或 CSP 自研性价比模型。

而复杂代码生成、重要合同分析、科学推理、战略研究、复杂 Agent 规划等任务，模型准确率提升几个百分点可能对应很高的业务价值，因此仍愿意支付前沿模型溢价。

2、企业采用 AI 越深入，越需要专有的 AI 系统

无论前沿闭源大模型使用了多少公共、授权或合成数据，它通常都不掌握某一家企业的实时数据、内部规则、组织权限和隐性经验。大企业更需要的是「私有 AI 边界」，包括数据不被用于训练、私有网络、专属租户、权限隔离、数据驻留和可审计性；只有一部分场景必须真正本地化或隔离部署。

企业真正缺少的不是一个「读过所有企业文件」的模型，而是一个能够在正确权限下，调用正确数据，并按企业规则采取行动的系统。

企业私有数据需要分四类处理：

而「经验型数据」是企业 AI 最难的资产，经验并不天然以数据形式存在。它通常分散在：老员工的判断中、邮件和聊天记录中、被否决但未记录的方案中、异常事件处理过程中、人工覆盖系统建议的动作中、客户投诉和事后复盘中。

要把这部分经验转化为 AI 资产，企业必须建立：

原始经验 → 任务样本 → 专家判断 → 正确与错误标准 → 模型评估集 → 反馈和后训练

因此大企业的护城河不是简单的「拥有很多文档」，而是：

能否把隐性知识转化为机器可学习、可检索、可评估、可执行的组织上下文。

这也正是为什么企业 AI 越来越需要 FDE、数据工程师、领域专家和业务负责人共同参与。

而上面聊到这么多都指向了一点：

企业采用 AI 正从「购买最强模型」进入「围绕私有数据、业务流程和多模型系统进行工程化部署」的阶段。

二「复合 AI 系统」到「中间层」崛起

1、多模型、多模块：AI 产品将从「模型调用」升级为「复合 AI 系统」

未来企业生产级 AI 系统通常不会只是一个模型 API，而是由多个模块共同完成工作：用户请求、身份与权限、场景识别、数据和上下文获取、模型路由、模型推理、工具/API 调用、结果验证、风险控制、人工复核或自动执行、监控和持续评估。

这里的「多模块」比「多模型」更重要。因为企业最终购买的不是模型本身，而是一个能够可靠完成业务任务的系统。

为什么企业会走向多模块？

1）单一模型不可能同时在质量、成本、速度、隐私和稳定性上都最优。

2）模型本身并不了解企业实时数据、权限体系和业务状态。必须通过数据层、检索层、工具层和系统连接器取得上下文。

3）生产环境需要可审计、可回滚、可监控。模型输出不能直接等同于业务执行。

4）模型更新频繁。企业必须把业务逻辑与特定模型解耦，避免每次模型变化都重写整个应用。

MCP 等开放协议的出现，就是在试图标准化模型与数据源、企业工具之间的连接方式，减少每个模型分别开发连接器所造成的碎片化。

但多模型不等于模型数量无限增加

每增加一个模型，企业都会增加一组隐性固定成本：安全审核、法务与知识产权评估、数据驻留审查、质量基准测试、模型更新后的回归测试、运维和故障处理、供应商管理。所以最可能出现的组织形式并不是「每个团队自由选择几十个模型」，而是：

中央建立有限的合规模型池、统一数据与安全控制面；各业务部门根据场景调用不同模型。

这带来的趋势就是：底层基础设施逐步集中，场景创新则分散到业务部门。

2、中间层价值崛起：成立，但必须区分「控制权」与「独立商业价值」

未来中间层大致可以分为六类：

哪些中间层最容易获得价值

最有可能长期捕获价值的，不是最薄的模型包装层，而是控制以下一种或多种稀缺资源的平台：

1）企业数据和上下文：能够合法、实时、按权限调用企业数据。

2）身份和安全：决定 AI 可以访问什么、可以替谁执行什么。

3）业务工作流：掌握任务入口和执行闭环。

4）跨模型评估数据：积累真实生产环境的质量、成本和风险数据。

5）分发能力：已经拥有大量企业用户或系统入口。

数据平台、云平台、安全平台、ERP 和行业软件厂商因此具备天然优势。

微软披露，其 AI 客户越来越多地同时使用 Foundry、Fabric、Cosmos DB 和安全治理服务；Google 也强调 AI 使用推动 BigQuery 和数据工作流增长。这说明 AI 模型调用可能成为数据库、分析、存储、安全和 Agent 运行时等服务的获客入口

哪些中间层容易被商品化

以下中间层虽然有使用价值，但未必能形成独立利润池：

· 简单 API 聚合；

· 没有专有数据的模型路由；

· 通用 Prompt 管理；

· 没有业务闭环的基础 Agent 编排；

· 只在多个模型之间转发请求的薄层产品。

原因是 AWS、Microsoft、Google 等 CSP 本身可以将这些功能作为云服务免费或低价捆绑；大型应用厂商也可以把它们内嵌到现有产品。

所以更准确的判断是：

中间层的战略重要性必然上升，但中间层独立厂商的总价值未必同比例上升。

中间层可能成为 AI 产业的「操作系统」，但最后获得经济利益的可能是：CSP、数据平台、安全和身份平台、拥有系统记录的应用软件公司、少数具有跨云中立性和专有生产数据的独立中间件厂商。

跨云中立性会是独立厂商对抗 CSP 捆绑的重要优势。大型企业通常不愿把模型、数据、评估和治理完全锁定在同一个云平台，因此独立中间层仍有空间，但必须提供超越「简单调用模型」的能力。

三 多模型时代，超大 CSP 会不会成为坚实中间层

1、CSP 部署开放模型和自研性价比模型，会带来什么变化？

变化一：模型调用从单一供应商采购，变成模型组合管理

企业不再只与一个模型厂商深度绑定，而会维护一个模型组合：

· 前沿闭源模型承担能力要求最高的任务；

· 开放模型承担可标准化和可私有化任务；

· CSP 自研模型承担高频、成本敏感任务；

· 企业自有模型承担高度专有、数据敏感任务。

CSP 成为模型组合的入口和路由器。模型厂商争夺的不再只是客户，而是模型在路由系统中的任务分配份额。

新的模型竞争指标因此包括：被纳入多少企业合规模型池？在路由器中获得多少请求？获得的是高价值任务还是低价任务?

变化二：模型价格下降，但总 AI 支出未必下降

模型变小、缓存增加和上下文压缩会降低每任务 Token 和每 Token 价格；但成本下降也可能激发更多使用场景，使任务量大幅增长。

变化三：CSP 收入来源从模型抽成扩展到全栈附着

即使开源模型不产生高额模型授权收入，CSP 仍可以从以下环节收费：GPU、TPU 和自研 ASIC 计算；托管推理服务；数据库和向量检索；对象存储；网络和数据传输；Agent 运行时；安全和身份；评估、日志和监控；企业支持服务。

因此，CSP 真正关心的不是模型本身的收入份额，而是：

CSP AI 总毛利 = 推理毛利 + 数据附着毛利 + 存储网络毛利 + 安全治理毛利 + Agent 运行时毛利

AWS 披露 Bedrock 客户支出环比增长、Token 处理量大幅上升，同时推出 AgentCore 注册、政策和评估等服务；Microsoft 和 Google 也在推动模型、数据、Agent 和治理服务的组合。这说明 CSP 正在试图把模型服务转化为全栈云消费。

变化四：模型厂商价值不会消失，但会向能力顶端和应用端延伸

开源和自研性价比模型会压缩中低端模型的价格，但不会自动消除前沿模型价值。模型厂商可能采取三条路径：1）持续提高能力上限，保持复杂任务溢价；2）向 Agent、编码、研究等高价值应用上移；3）提供定制后训练、安全、企业治理和专属容量。

最终更可能形成：

CSP 控制基础设施和模型分发；
前沿模型厂商控制能力上限；
中间层控制上下文、治理和调度；
应用厂商控制工作流和用户入口。

这不是单一层赢家通吃，而是不同层分别收取不同类型的租金。

变化五：企业在模型层的议价能力提高，但平台锁定可能加深

多模型和开放模型降低了企业对单一模型厂商的依赖。

但如果企业的数据、权限、Agent 状态、评估系统和工作流都部署在同一个 CSP 上，那么模型层锁定下降的同时，云平台锁定反而可能上升。

也就是说：

模型可替换性提高，不代表整体架构可迁移性提高。

2、CSP 控制的是横向 AI 底座，垂直 SaaS 控制的是业务执行层

CSP 最有可能捕获以下价值：GPU、TPU 和自研 ASIC 算力；开源模型托管；闭源模型分发；模型微调与蒸馏；数据库和数据湖；向量检索与知识图谱；网络和存储；身份和权限；安全与治理；Agent 运行时；评估和可观测性；企业技术支持。

垂直 SaaS 掌握：工作入口；业务对象；业务语义；用户权限；历史操作数据；系统记录；行业规则；最终动作执行；客户结果反馈。

因此，它可以把便宜模型包装成高价值业务结果。

但这只适用于真正拥有工作流和核心独家数据的 SaaS。只是给通用模型套一个简单界面的薄应用，反而容易被模型厂商或 CSP 替代。之前这里

有聊过这一点。

3、最可能形成「双中间层」

未来企业 AI 架构可能是：

CSP 不一定能够直接越过垂直 SaaS 控制全部业务流程；垂直 SaaS 也不太可能独立承担底层大规模算力和多模型基础设施。谁能够捕获最多价值，取决于五个控制点

真正高价值的层，不一定是离模型最近的层，而是能够同时控制：

上下文、权限、工作流、行动和结果反馈。

传统 SaaS 项目通常是：

Fit-gap 分析 → 配置 → 数据迁移 → UAT → 上线。

企业 AI 项目更接近：

场景筛选 → 数据权限 → 评估集 → 模型选择 → RAG 和工具接入 → 模型路由 → 安全边界 → 人工复核 → 生产监控 → 反馈与后训练。

最大区别是：

SaaS 主要是在既定软件中配置流程；AI 是在生产过程中持续优化一个概率系统。

因此，AI 实施更像软件工程、数据工程、模型工程、流程咨询和组织变革的结合体。

四 对超大 CSP 的价值重塑

1、超大 CSP 的价值重塑

之前这里有聊过：之前市场认为 CSP 特别是几家超大 CSP 是一个二道贩子，贩卖算力和 token，同时还要承担巨额的资本开支但并没捕获最大的价值。现在「高效中型模型 + 规模部署」在生产环境下也证明了自己觉的价值，而非一味追求参数军备竞赛。

那么过去的认知也要反转了：超大 CSP 已经是企业 AI 进程多模型架构下的「AI 操作系统层」。

成本营收结构的变化 CSP 转售闭源模型时：

CSP 拿到的分成比例有限（通常 20 - 50% 不等，具体看合同），还要承担模型方的定价压力。自托管开源模型转售：开源模型基本零授权成本，CSP 只需承担自己的算力、电费和运维成本。CSP 几乎拿走全部 markup（扣除算力成本后）。因为定价可以参考开源社区实际成本 + 合理溢价，空间更大。

自研模型更不用说，几乎营收全在 CSP。

2、但对超大 CSP 也带来新的挑战：时间差

可以把整个过程分成四个阶段。时间长度只是示意，不同行业差异很大。

阶段一：内部研发和容量投入

这一阶段：CSP 训练或后训练自研模型，部署开放模型，优化芯片、推理框架和模型路由，建立安全、评估和治理平台。

财务表现可能是：Capex 上升；研发费用和折旧上升；外部云收入受容量约束；毛利率承压；直接商业收入有限。

阶段二：客户试验和 FDE 实施

这一阶段：客户筛选场景；整理数据和权限；建立 RAG、评估集和工具连接；FDE 帮助完成首个生产系统。

财务表现可能是：专业服务和微调收入增加；云消费增长仍不显著；大量 POC 尚未规模化；人力投入增加；服务利润率可能低于软件利润率。

阶段三：生产推理规模化

这一阶段：客户工作流稳定；Agent 开始持续运行；推理、数据库、存储和安全消费增加；垂直 SaaS 开始按使用量或业务结果收费。

财务表现可能是：CSP 云消费加速；SaaS AI 附加收入上升；数据和安全附着收入增加；客户续约和扩张改善；单位推理成本下降。

阶段四：模型和工作流优化

这一阶段：高频任务转向小模型、自研模型和开放模型；高价值任务继续使用前沿模型；路由、缓存和蒸馏降低成本；FDE 成果逐渐产品化。

财务表现可能是：Token 单价下降；任务量增长；模型厂商收入结构分化；CSP 全栈附着收入提高；垂直 SaaS 按工作流和结果捕获更多价值；成功部署者的毛利和资本回报开始改善。

因此，市场可能先看到：

Capex 和人力投入上升
→ 然后看到 POC 和合同
→ 再看到生产工作负载
→ 最后才看到自由现金流和 ROIC。

这个时间差确实是当前 AI 投资争议的核心。

五 新的 AI 商业化指标体系

1、未来不能再只问「AI 收入多少」，而要同时回答五个问题。

最合理的评判方式不是寻找一个新的单一指标，而是建立从模型到资本回报的七层漏斗。

2、大模型 ARR 依然关键，但它应从「终局指标」变成「能力需求领先指标」

大模型厂商 ARR 仍然非常重要，原因有四个。

1）ARR 证明企业愿意为智能能力付费，ARR 至少说明部分客户已经进入付费状态，并愿意签订持续合同或形成稳定消费。

2）ARR 反映前沿模型是否仍然具有溢价，如果模型能力持续带来更高的任务成功率，客户就会为高价值任务支付溢价。即使大量常规任务转向小模型，前沿模型仍可能通过复杂推理、编码、研究和 Agent 任务保持高价格。

3）ARR 决定前沿模型厂商的研发和算力再投资能力，模型训练、后训练、推理服务、安全评估和企业销售都需要持续资本。ARR 决定模型厂商是否能够形成「收入—研发—能力提升—更多收入」的循环。

4）ARR 还是生态影响力的代理指标，开发者数量、API 调用、企业合同、模型进入应用的深度，最终通常会部分反映在 ARR 中。

3、综合来看

大模型 ARR 仍然关键，因为它证明企业愿意为前沿能力付费；

超大 CSP 业绩未来更全面和权重更高，显示企业采用 AI 进程中中间层沉淀的价值；

最终评价标准转向成功任务经济性、企业 ROI 和资本回报。

AI 商业化判断不应该在「大模型 ARR」和「CSP 云收入」之间二选一，而应形成一条完整证据链：

模型 ARR 证明付费需求
→ 生产工作负载证明采用深度
→ 单位成功任务毛利证明经营质量
→ 企业 ROI 证明需求可持续性
→ 自由现金流和 ROIC 证明资本开支合理性。

最终最值得跟踪的，不是「生成了多少 Token」，而是

AI 经济价值 = 生产任务数量 × 每任务价值 × 供应商价值捕获率 × 毛利率 − 资本占用成本​

这才是多模型、多模块时代衡量 AI 商业化的总框架。

上面所有的内容其实构成了一条连续的因果链：

业务场景差异扩大
→ 企业不再用一个模型解决所有任务
→ 形成多模型、多模块的复合 AI 系统
→ 路由、数据、评估、治理、安全等中间层成为控制面
→ 模型层价值不会消失，但大模型 ARR 从「唯一商业化指标」降为「重要领先指标」
→ 最终评价标准转向成功任务经济性、企业 ROI 和资本回报。

这已经不是纯粹的架构设想。AWS Bedrock 和 Microsoft Foundry 都已经把按质量、成本和任务复杂度进行模型路由做成正式产品；微软披露，超过一万家 Foundry 客户使用过不止一个模型，约五千家使用过开源模型。Google Model Garden 也同时提供自有模型、第三方闭源模型和开放模型的托管或自部署方式。

当然这迭代还处在早期，但趋势应该越来越明显了。