AI的成本困局：基础设施经济学将如何重塑市场下一阶段

来源： 

原文作者： 

编译整理：

AI 正在以惊人的速度扩张，但其底层经济逻辑远比表面看起来更加脆弱。当三家云巨头掌控全球三分之二的算力，当训练成本奔向 10 亿美元，当推理账单让创业公司猝不及防——这场算力军备竞赛的真正代价，正在悄然重塑整个 AI 产业的价值分配。

本文并非讨论谁将构建出最先进的模型。它探讨的是一个更根本的问题：当前 AI 基础设施的经济模式，在规模化之后是否真正可持续？算力分配机制的变革，又将如何重塑整个市场的价值分布？

一、幕后的智能成本

训练一个前沿大模型，动辄需要数千万乃至数亿美元。Anthropic 曾公开表示，训练 Claude 3.5 Sonnet 的成本为「数千万美元」，而其 CEO 达里奥·阿莫迪（Dario Amodei）此前预计，下一代模型的训练成本或将逼近 10 亿美元。据行业媒体报道，GPT-4 的训练成本可能已超过。

然而，训练成本只是冰山一角。真正在结构层面持续施压的，是推理成本——也就是每一次模型被调用时产生的费用。按照 OpenAI 公开的 API 定价，推理按百万 Token 计费。对于高使用量的应用而言，这意味着即便在规模化之前，每日推理成本就可能已达数千美元。

AI 常被描述为一种软件。但它的经济本质，越来越像一种资本密集型基础设施——既有高额的前期投入，又有持续不断的运营支出。

这种经济结构的转变，正在悄然改变整个 AI 产业的竞争格局。能够负担得起算力的，是那些已经建立起大规模基础设施的巨头；而那些试图在夹缝中生存的初创公司，正在被推理账单一点一点地蚕食。

二、资本强度与市场集中

根据，AWS 目前占全球云市场约 33%的份额，微软 Azure 约 22%，谷歌云约 11%。三家合计掌控全球云基础设施约三分之二的份额，而全球绝大多数 AI 工作负载，正是运行在这三家公司的基础设施之上。

这种集中度的现实意义是：当 OpenAI 的 API 出现宕机，数以千计的产品同时受影响；当某家主要云服务商遭遇故障，跨行业、跨地域的服务随之中断。

集中度并没有在收窄，基础设施支出反而在持续扩张。以英伟达为例，其数据中心业务年化营收已突破，显示高性能 GPU 需求持续旺盛。

更值得关注的是一个隐性的结构性不平等。根据和市场报告，OpenAI、Anthropic 等头部实验室通过多十亿美元的「股权换算力」协议，以最低每小时 1.30–1.90 美元的近成本价锁定 GPU 资源。而那些缺乏与英伟达、微软、亚马逊战略合作关系的中小公司，则被迫以超过每小时 14 美元的零售价采购——溢价高达 600%。

这个定价鸿沟，正是由英伟达近期向头部实验室合计 400 亿美元的战略投资所驱动的。AI 基础设施的获取权，越来越多地由资本密集型采购协议决定，而非开放的市场竞争。

在早期采用阶段，这种集中可以看起来「有效率」。但在规模化之后，它带来的是定价风险、供应瓶颈与基础设施依赖——三重脆弱性叠加。

三、被忽视的能源维度

AI 基础设施的成本问题，还有一个常被忽视的维度：能源。

根据，数据中心目前约占全球电力消耗的 1–1.5%，而 AI 驱动的需求增长可能在未来几年显著推高这一比例。

这意味着，算力经济学不仅是一个财务问题，更是一个基础设施与能源挑战。随着 AI 工作负载的持续扩张，电力供给的地缘政治意义将日益凸显——哪个国家能以最低能源成本提供最稳定的算力，将在 AI 时代的产业竞争中占据结构性优势。

当黄仁勋在 GTC26 宣布英伟达订单可见性突破 1 万亿美元时，他描述的不只是一家公司的商业成功，而是整个文明正在将电力、土地和稀缺矿产转化为智能算力的宏大进程。

四、重新思考基础设施机制

在中心化数据中心持续扩张的同时，另一类探索正在悄然兴起——试图从根本上重新定义算力资源的协调方式。

去中心化推理：一种结构性替代

协议是这一方向上的代表性实践。这是一个专为 AI 推理设计的去中心化网络，其核心设计目标是：将网络同步和共识开销压缩到最低，把尽可能多的计算资源导向真实的 AI 工作负载。

在治理层面，Gonka 采用「一算力单元一票」的原则——治理权重由可验证的算力贡献决定，而非资本持股比例。在技术层面，协议采用短周期性能测量区间（称为 Sprint），要求参与者通过基于 Transformer 的工作量证明（PoW）机制实时展示真实的 GPU 算力。

这一设计的意义在于：近 100%的网络算力被导向 AI 推理工作负载本身，而不是消耗在维持共识、协调通信等基础设施开销上。

分布式算力的经济逻辑

从经济学角度看，去中心化算力网络的价值主张有三个层次。

第一是成本层。中心化云服务商的定价结构，本质上包含了巨额固定资产折旧、数据中心运营成本和股东利润预期。去中心化网络通过将闲置 GPU 资源货币化，可以将这部分成本显著压缩。以 Gonka 为例，当前通过其 USD 计费网关 GonkaGate 提供的推理服务，定价约为每百万 Token 0.0009 美元——而 Together AI 等中心化服务商对同类模型（如 DeepSeek-R1）的定价约为 1.50 美元，差距达千倍以上。

第二是供应弹性层。中心化服务商的算力供给是刚性的，扩容周期以月乃至季度计算。去中心化网络的参与者可以随需求波动弹性加入或退出，理论上能更快速响应需求峰值——正如亚马逊云服务当年因节假日流量峰值需求而诞生一样，AI 推理的峰谷波动同样需要弹性基础设施来承接。

第三是主权层。这一维度在主权国家的视角下尤为突出。当一国政府的公共服务深度依赖某家外部云服务商时，算力依赖即是战略脆弱性。去中心化网络提供了一种可能：本地数据中心可以作为节点接入全球分布式网络，在保障数据主权的同时，通过向全球市场提供算力来获得可持续的商业回报。

五、价值分配的重构时刻

回到文章开头的核心问题：当前 AI 基础设施的经济模式，在规模化之后是否可持续？

答案是：对于头部玩家，可持续；对于其余所有人，越来越不可持续。

AWS、Azure、Google Cloud 通过数十年的资本积累建立起护城河，其规模优势在短期内几乎无法撼动。但这种结构性优势同时意味着：定价权、数据访问权和基础设施依赖，都高度集中于少数几个私人实体手中。

历史上，每一次重大技术基础设施的垄断，最终都催生出了替代性的分布式架构——互联网本身就是对电信垄断的反叛，BitTorrent 是对内容分发中心化的颠覆，比特币是对货币发行集中化的挑战。

AI 基础设施的去中心化，可能不是一种意识形态选择，而是一种经济必然——当集中化的成本高到足以驱动大规模用户迁移时，替代方案的需求就会真实爆发。黄仁勋用「每一次金融危机都将更多人推向比特币」来类比这一逻辑，同样适用于算力市场。

DeepSeek 的横空出世已经证明了一件事：在开源模型的能力逼近闭源前沿的世界里，推理成本将成为决定 AI 应用规模化速度的核心变量。谁能提供最低成本、最高可用性的推理算力，谁就掌握了这场竞争的入场券。

结语：基础设施战争才刚刚开始

AI 的下一阶段竞争，不会在模型能力的排行榜上分出胜负，而会在基础设施的经济博弈中见真章。

集中化的算力巨头手握资本和规模优势，但也背负着固定成本结构和定价压力。去中心化网络正在以极低的边际成本切入市场，但需要证明自己在稳定性、易用性和生态规模上能够达到真实的商业门槛。

两种路径将长期并存，并相互施压。中心化和去中心化之间的张力，将是未来五年 AI 产业最值得持续追踪的结构性主题之一。

这场基础设施战争，才刚刚开始。

关于作者

是的高级产品经理与研究员，同时也是协议的联合创始人之一。她的研究方向涵盖机器学习基础设施、大语言模型推理以及分布式计算系统。

她毕业于巴塞罗那加泰罗尼亚理工大学（UPC Barcelona），获数学博士学位，并曾在该校担任研究员与讲师。2021 年加入 Product Science 以来，她主导开发了一套 AI 工程工具，目前已被逾百名工程师采用，并在多家《财富》500 强企业中投入使用。

关于

Gonka 是一个旨在提供高效 AI 算力的去中心化网络，其设计目标是最大限度地利用全球 GPU 算力，完成有意义的 AI 工作负载。通过消除中心化守门人，Gonka 为开发者和研究人员提供了无需许可的算力资源访问，同时通过其原生代币 GNK 奖励所有参与者。

Gonka 由美国 AI 开发商 Product Science Inc. 孵化。该公司由 Web 2 行业资深人士、前 Snap Inc. 核心产品总监 Libermans 兄妹创立，并于 2023 年成功融资 1800 万美元，2025 年新增融资 5100 万美元，投资者包括 OpenAI 投资方 Coatue Management、Solana 投资方 Slow Ventures、Bitfury、K 5、Insight and Benchmark 合伙人等。项目的早期贡献者包括 6 blocks、Hard Yaka、Gcore 等 Web 2-Web 3 领域的知名领军企业。

| | | | | | |