刚刚过去的八月，相较于七月的科技市场，体感有了明显改善。当前，市场争论仍主要集中在两个问题：AI基础设施建设是否过度、算力账本能否算平？

周末做了些学习，简单做个分享。

01

AI需求的持续性

很多人习惯性将移动互联网时代的渗透率见顶逻辑，直接套用到当下的AI。但其实这种思维框架容易导致错判这轮科技周期的真实长度。

要理解AI算力需求的爆发，首先要明白它与互联网时代硬件需求的底层差异。

互联网、移动互联网时代的硬件基建，生命周期受制于一个单一维度：用户渗透率。宽带和智能手机的普及是一条标准的S型曲线，当渗透率跨过50%的中点，硬件增速的下滑就是必然，因为平价包月服务无法在单个用户身上获取指数级的增量需求：

一个人不会因为看十倍的网页而付十倍的网费，硬件端自然也就触顶。

但AI时代不同，算力需求（以Token衡量）的上限是由两个维度共同决定的：

Token总需求 = 用户渗透率 × 人均Token使用量

目前，AI工具的初步普及确实已越过高速增长的拐点，这也是市场感到各大模型日活增速不再惊艳的原因。然而第二维度，也就是人均Token消耗量，才刚刚起步。

企业内部人均AI支出中位数目前每月仅仅是十位数100。如果未来AI作为核心生产力工具，能够承接的工作当量至少对应四位数的预算空间，仍有两个数量级的增长空间。

所以在AI时代，我们看到了一个罕见现象：

当第一条用户渗透率的S型曲线刚刚走平，第二条人均用量的S型曲线能实现无缝衔接。

更关键的是，互联网软件分发的边际成本几乎为零；但在AI时代，高额的推理算力成本使得每一次访问都会真实消耗硬件资源。商业模式从流量变现转向每Token毛利变现。

这种双重指数增长的叠加，意味着AI基建周期将远长于传统互联网基建期。

02

数据中心建设是否合理？

判断数百亿美元的数据中心建设是否合理，我们可以从微观、宏观层面算两笔账。

1. 微观层面：极佳的单位经济模型

以A和OA两家头部为例，目前纯推理端的投资资本回报率高达60%左右。1GW的数据中心建设与运营年化成本约100亿美元，但其创造的推理算力收入可接近300亿美元。

在如此利润的驱动下，只要其ARR在下半年保持温和的环比增长，就完全能支撑起2027年之前的算力扩张规划。

当然，由于推理端毛利极高（闭源模型高达70-85%），必然会吸引大量新兴云厂商涌入。算力规划的时间差可能会导致未来出现过度建设的情况，但反过来算力过剩会导致推理成本下降，这反而利好应用层与模型厂的生态扩张。

2. 宏观层面：数据中心正在推动再工业化

市场此前对数据中心大量消耗资源存在顾虑，但现实反馈正在改变这一偏见。

事实上，数据中心正在成为重塑区域经济的核心引擎。在水资源方面，新建数据中心普遍采用闭环冷却系统或再生水，消耗量远没有想象中那么高。在税收与基建方面，以昆西市为例，因数据中心入驻，贫困率从29%骤降至6%，巨额房产税反哺了当地的高中、医院和消防设施。更重要的是，数据中心建设催生了电工、管道工、暖通空调技术人员等岗位的需求，且这种维护与升级是长期持续的。

在能源端，庞大的电力需求正在倒逼天然气、太阳能及电网级储能电池的大规模部署，甚至在部分情况下能够压低用电费率。

AI基建不仅没有对实体经济产生负面影响，反而正在推动大规模的再工业化。

03

ARR增长引擎、开源与闭源

当狭义的代码辅助工具渗透率逐渐见顶，市场开始拷问：什么场景能够接力支撑ARR增长？

答案是Coding，广义编程。在企业应用中，代码正在成为Agent调度各类软件和操作系统的通用母语。

目前，广义Coding任务占头部AI企业所有ARR的比例高达60%至70%。其中，狭义的程序员代码编写仅占约40%，另外20%至30%则是由其他行业的任务转化而来。例如，财务人员分析Excel、投行构建估值模型，AI在后台的实际执行路径均是开启一个Linux沙盒，通过编写和运行程序来完成观察环境、执行代码、验证结果的闭环。

代码正通过大模型以隐蔽的方式加速渗透。当前制约Token消耗增速的并非场景天花板，而是企业工作流的整合进度与员工习惯的学习曲线。广义Agent Coding的需求非常可观。

另一个讨论是开源与闭源。

目前，纯开源模型的推理ARR大致在40至50亿美元量级，而闭源模型高达千亿级美元，开源占比仅为3%左右。背后是极高的算力与融资壁垒。开源推理托管服务商受制于有限的资产负债表，难以租赁足够的算力集群来实现指数级扩张。

这也是为什么英伟达要花129亿美元买下开源社区Hugging Face。因为开源生态急需破局，而英伟达需要开源去制衡自研芯片的闭源巨头。

同时，闭源巨头正在采取阶梯式防守策略。以OA推出降价80%的4o mini为例，这与移动互联网时代高通防守联发科的策略一致：

旗舰模型（Sol）维持技术与品牌天花板，而平价模型（Luna）主动填满低价区间，去竞争开源竞争者的利润空间。

开源与闭源还是处在相对稳定的生态位共存。

04

总结

在算力向实体经济渗透的当下，我们在考量一家企业时，可以关注两个方面：

第一，审视其在传统互联网时代的资源禀赋（如牌照壁垒、现金流、分红比率等），这构成了估值的安全边际。

第二，审视其在AI时代的生态卡位。把它放到三层框架中：第一层是基础大模型；第二层是垂类模型、Agent与开发分发平台；第三层是利用前两层能力对自身供给端和生产流进行改造的企业。

AIGC本质已经从单纯的表达性内容（影视、游戏等），向生产性内容（工作流替代）和决策性内容（医疗、金融等）扩张。单纯的ROE和自由现金流尚不足够，还应关注Token消耗变现 消费端闭环回流的分布估值。

AI时代，算力的跃升与物理世界重构正在同步发生。市场争论的不应该是资本开支的绝对数值，而是该用什么样的时间跨度去衡量它。