Barclays称AI实验室将近40%的收入流向云计算巨头

Barclays表示，AI模型公司每获得100美元收入，约有35至40美元支付给AWS、Microsoft Azure和Google Cloud。这一估算让AI热潮成为一个更复杂的故事：究竟是谁攫取了其中的经济价值。

多家媒体于8月30日报道了这项分析，其中包括一则36Kr快讯。分析将推理——即已部署模型每次处理请求时执行的计算——描述为AI实验室向云运营商转移收入的重要渠道。

据报道，Barclays估计，云服务商可从AI实验室每获得100美元收入中保留10至20美元的营业利润。这意味着，相关基础设施收入的营业利润率介于35%至45%之间。

令人意外的并非AI公司的计算账单高昂，而是模型经济效益的改善并未让云计算公司退出价值链。AI实验室和超大规模云服务商正从同一批请求中获利，但基础设施所有者仍会优先收取属于自己的份额。

这也构成了这些数字背后的核心张力。OpenAI、Anthropic及其他模型开发商希望将智能转化为高利润率的软件产品；AWS、Azure和Google Cloud则提供了交付这些产品所需的大部分计算能力。

“40美元”说法改变了我们解读AI收入的方式

AI实验室的收入可以快速增长，但其中一大笔持续性收入会立即以基础设施支出的形式流出。

Barclays的估算以假设性的100美元AI实验室收入为起点。根据介绍该研究的报道，其中约35至40美元用于支付三大云平台提供的推理能力。

这笔费用覆盖了向用户提供模型回复所涉及的硬件和系统，包括加速器、网络设备、存储、电力、冷却系统，以及用于调度工作负载的软件。

这一估算并不意味着每家AI公司都支付相同比例。实验室的成本取决于模型架构、客户构成、合同条款、利用率、硬件配置，以及运营自有基础设施的能力。

处理大型代码库的编程代理，消耗的token可能远高于一次简短的面向消费者的聊天机器人对话。对延迟有严格要求的企业部署，其成本也可能与后台摘要任务不同。

这一数字更适合被理解为行业模型，而非某家指定公司的经审计财务报表。据报道，Barclays将这项分析称为“AI Labs & Hyperscaler Unit Economics Primer”，但完整的机构报告尚未公开。

这种信息获取缺口很重要。读者无法独立审查35至40美元估算背后的每一项假设，包括工作负载规模、硬件折旧、合约折扣和模型效率。

公开报道大体认同核心数字。另一份Barclays摘要同样将35至40美元的基础设施份额和10至20美元的营业利润归因于该行研究。

不过，多次报道仍可能源自同一份底层文件。因此，不应将它们视为对该模型计算结果的独立验证。

尽管如此，这一估算仍为理解AI经济提供了有用框架。模型提供商披露的收入，并不等同于扣除推理成本后留存的价值。

传统软件服务每增加一位用户，增量成本通常相对较低。生成式AI则需要在用户提问、生成图像或将任务委派给代理时进行大量计算。

模型开发商可以通过量化、缓存、批处理、路由和更小型的专用模型降低成本，也可以协商更低廉的计算容量，或部署定制系统。

然而，更高的效率并不必然降低基础设施总支出。成本下降可能鼓励用户发起更多请求，而代理则能在无需持续人工干预的情况下生成长串模型调用。

这种反弹效应改变了token成本下降的意义。单个智能单位的成本可以下降，但购买单位的总数量可能增长得更快。

Barclays的模型捕捉到了单位效率与总需求之间的差异。AI实验室或许能更高效地处理每项请求，但云服务商仍在销售更多总量的计算资源。

这正是“40美元”说法造成真实张力的原因。它表明，模型层正在改善，但尚未摆脱对基础设施层的依赖。

为什么AI推理利润率上升得如此之快

据报道，利润率提升反映了模型服务成本下降、更高的利用率和更强的收入表现，而不是计算成本的消失。

据报道，Barclays估计，付费推理的利润率已从2025年的低两位数升至2026年约50%至65%，甚至更高。经调整毛利率同比提升30至50个百分点。

付费推理指与收入直接相关的模型使用，例如API调用、订阅服务或企业产品。毛利率衡量的是扣除直接提供这些服务的成本后剩余的收入。

多种机制都能迅速推动这一利润率变化。新一代加速器可处理更多工作，而更好的软件能让这些加速器在一天中更长时间保持运转。

模型提供商还会利用缓存避免重复计算信息。批处理则将兼容的请求合并，从而把基础设施成本分摊到更多输出上。

量化会降低表示模型参数时使用的数值精度。这可以减少内存和计算需求，不过过度量化可能影响输出质量。

蒸馏则训练更小的模型，以复现更大模型的特定行为。对于不需要最高能力的任务，所得模型的运行成本可能更低。

路由进一步增加了一层效率。服务可将简单请求导向较小模型，并将昂贵的前沿系统留给困难问题。

收入结构与技术效率同样重要。企业合同、高价值编程工作负载和按量计费产品，能够从一定规模的基础设施中产生更多收入。

Barclays的数据表明，模型公司在计算的两端都取得了实质进展。它们似乎一边从付费请求中获得更多收入，一边降低了每次有效响应所附带的计算成本。

不过，50%至65%的毛利率并不等同于公司整体盈利。AI实验室仍需支付训练、研发、员工、数据、安全系统、分发和一般运营等费用。

训练支出尤其重要，因为该模型聚焦于推理经济。构建下一代模型可能需要单独投入一批计算资源，远早于该模型开始创造收入。

销售激励也可能使情况更复杂。免费使用、捆绑访问、促销额度和最低消费合同，都可能影响确认收入与实际需求之间的关系。

因此，估算中的改善支持的是一个更狭义的结论。据报道，即使承担显著的云计算成本，付费模型服务正成为一项可行的高利润率业务。

这与“每增加一次AI查询都会必然加深供应商亏损”的观点形成了重要变化。但它并不能证明每一家大型实验室都已实现可持续的净盈利。

更高的利润率也可能吸引更激烈的竞争。模型提供商可能降低API费率、在订阅中包含更多使用量，或投入额外计算资源以提升回答质量。

据报道，Barclays预计，随着前沿模型竞争加剧以及更多计算供给到位，推理利润率将逐步下降。这一预测符合正常市场逻辑。

如果多家供应商都能提供相近水平的智能，客户的议价能力就会增强。一部分效率收益将转移给买方，而非留在实验室手中。

同样的压力也可能通过产品设计显现。提供商可能在现有订阅中允许更长的上下文、更多代理步骤和额外推理。

这些新增功能会改善产品，但也会消耗更多计算资源。它们可能先将硬件效率转化为更好的服务，而非持久利润。

这就是据报道的逆转机制。AI实验室改善了利润率，但竞争可能将部分收益转化为更低价格和更重的工作负载。

无论哪种模型胜出，云计算巨头都能获得收入

AWS、Azure和Google Cloud占据有利位置，因为模型竞争能够带动整个市场的基础设施需求。

AI实验室必须说服客户，相比竞争对手，其模型拥有更好的性能、可靠性或集成能力。云服务商则可在多家实验室相互竞争、且都需要更多计算资源时受益。

这种安排类似于基础设施通行费，不过云计算公司同样面临巨额成本和投资风险。它们必须在未来需求明朗之前采购设备并建设数据中心。

近期财务披露说明了投资者为何重视云计算业务的地位。Amazon披露，AWS在2026年第二季度实现422亿美元销售额，同比增长37%。

AWS季度营业收入为166亿美元，而一年前为102亿美元。这些数据意味着该业务部门的营业利润率约为39%。

Amazon还表示，其AWS AI业务的年化收入运行率已超过250亿美元。该公司在其季度业绩中称，该业务同比增速达到三位数百分比。

这些业绩并未将推理收入与其他AWS服务收入分开，也无法证明Barclays针对AI实验室的具体分配比例。

但它们表明，一家大型云平台能够在快速扩张的同时产生可观的营业收入。AWS在当季贡献了Amazon绝大多数部门营业收入。

Microsoft提供了另一种视角，因为它并未将Azure作为独立报告分部披露。其Intelligent Cloud部门除Azure外，还包括服务器和企业产品。

Microsoft表示，截至2026年6月30日的季度中，Azure及其他云服务收入增长43%。根据其财报电话会议，Azure年收入超过1000亿美元，增长41%。

Intelligent Cloud部门季度收入为393亿美元，营业收入为160亿美元，营业利润率维持在约41%。

Microsoft还表示，客户需求仍持续超过现有云计算容量。该公司当季新增31个数据中心，整个财年新增88个。

这些数据支持了Barclays论点中的需求侧。计算容量依然极具价值，因为客户会在新基础设施投入使用后不久便开始使用。

它们也揭示了成本端的情况。随着 Microsoft 在需求到来前扩建 AI 基础设施，并支持不断增长的产品使用量，其云业务毛利率有所下降。

Microsoft Cloud 的毛利率在最新季度降至 65%，低于一年前的 68%。这项业务不止包含 Azure，因此该数字不能代表纯 AI 基础设施的盈利能力。

Google Cloud 则呈现出第三种结构。Google 一边销售云基础设施和应用，一边开发 Gemini 模型及定制 Tensor Processing Units。

Alphabet 报告称，Google Cloud 在 2025 年第二季度的营收为 136 亿美元，同比增长 32%。其运营利润达到 28 亿美元，在其云业务业绩中对应 20.7% 的运营利润率。

因此，这三家公司同时结合了多种经济角色。它们销售原始基础设施、托管数据库、模型平台、企业应用，以及对自有或第三方模型的访问权限。

这种广度增加了它们捕获价值的机会。云服务商可以从支撑单个应用的加速器、存储、网络、数据库、安全层和托管 AI 服务中获得收入。

模型开发商仍掌握重要议价能力。最强的模型能够吸引用户、影响应用设计，并可与多家供应商谈判大规模容量协议。

OpenAI 和 Anthropic 已将基础设施合作关系扩展至单一平台之外。更多元的供应商选择可以降低运营依赖，并提升谈判能力。

云服务商之间也在竞争。AWS 开发 Trainium 和 Inferentia，Google 提供 TPUs，Microsoft 在持续部署外部硬件的同时，也在设计自己的加速器。

定制芯片可以降低成本，并让各平台形成差异化。它们也可能使工作负载与某家服务商的软件和运营环境绑定得更紧密。

因此，主要竞争并非 AWS 对阵 Azure 或 Google Cloud，而是寻求软件式利润率的 AI 实验室，与持续从模型收入中获取份额的基础设施所有者之间的较量。

三大云服务商之间的竞争支撑着这场较量，但并不能取代它。即使实验室同时使用多家服务商，仍需为底层计算工作付费。

Barclays 估算无法证明什么

这些公开数字描绘了一种合理的行业结构，但并未提供每家 AI 实验室或云平台经审计的经济数据。

第一个不确定性在于底层数据。Barclays 是一家大型金融机构，但完整报告及其方法论并未在公开网页上提供。

公开摘要展示了模型的输出，却没有披露每一项输入。这使得人们难以用不同的 token 数量、利用率假设和容量协议来检验该估算。

第二个不确定性是会计范围。AWS 报告分部营收和运营利润，但其分部业务远不止 AI 推理。

Google Cloud 也将基础设施与 Workspace 应用合并计算。Microsoft 的 Intelligent Cloud 分部比 Azure 覆盖范围更广，而 Microsoft Cloud 还包含多项额外产品。

公开的云业务运营利润率不能直接归因于 AI 推理。共享研发费用、企业成本和硬件折旧也可能计入不同的会计类别。

一家云服务商可能报告较高的分部利润率，但在新部署的 AI 容量上赚得更少。成熟的存储、数据库和传统计算服务可以支撑更广泛的整体业绩。

反过来也可能如此。平台在填补新容量并扩大客户基础期间，可能愿意接受较低的短期利润率。

第三个不确定性涉及内部转移和战略关系。模型公司可能从同一家向其出售计算容量的云服务商处获得投资。

云额度、优先访问权、收入分成协议和股权投资，都会模糊简单的客户—供应商关系。名义上的基础设施账单未必能反映任一方的完整经济状况。

第四个不确定性是工作负载差异。一次简短文本请求、图像生成任务和长期运行的软件代理，其推理成本并不可比。

模型也可能在生成答案前投入额外计算。推理系统通常以更高的推理支出，换取在困难任务上的更好表现。

随着使用转向自主代理，每项用户操作对应的模型调用次数可能大幅上升。人类可能只发起一项任务，而软件会执行多次搜索、评估和修订。

这使成本控制成为应用设计问题，而不仅仅是模型问题。开发者必须决定何时更高质量的回答值得投入额外计算。

企业采购方也面临类似问题。当一款应用面向数千名员工运行，并反复执行自动化流程时，较低的 token 单价并不保证总体账单更低。

采购方应监测每项完成任务的成本，而不只是每个 token 的成本。如果需要更多重试、更多监督或额外的下游工作，更便宜的模型未必真的更便宜。

这种区别在评估生产力主张时同样重要。如果系统节省了足够的员工时间，或避免了代价高昂的错误，即使推理支出更高，依然可能带来更好的经济效益。

构建内部系统的开发者可以在可搜索的技术知识库中保留这些部署背后的决策记录。这类记录有助于团队长期比较模型质量、任务完成情况和运营成本。

第五个不确定性是定价行为。当服务商积极降价时，推理成本下降并不保证利润率扩大。

开放模型可能对专有 API 施加额外压力。企业可以在租用或自有的基础设施上部署部分开放模型，但也因此承担更多运营责任。

专业云服务商也可以争夺 AI 工作负载。它们可能提供有吸引力的加速器访问条件、灵活合同，或围绕更窄范围任务设计的系统。

这些替代方案削弱了这样一种观点：三家超大规模云服务商将永久获取同等比例的 AI 收入。它们并未消除为芯片、能源、网络和数据中心容量提供资金的需求。

据报道，Barclays 预计实际的 AI 实验室利润率将高于其部分估算。这仍是一项建模判断，而非相关实验室经验证的披露。

因此，这一估算应被视为价值链地图。它展示了收入可能流向何处，但无法判定哪家公司拥有最佳单位经济效益。

三个信号将检验云端利润论点

下一阶段将由披露的利润率、基础设施多元化程度，以及 AI 产品包含的计算量决定。

第一个信号，是在持续扩张容量期间的云业务盈利能力。AWS、Microsoft 和 Google 必须证明，在基础设施支出仍然高企时，增长中的 AI 需求仍能支撑利润率。

Amazon 的业绩提供了一个相对清晰的基准，因为 AWS 会公布分部营收和运营利润。投资者可以将未来的 AWS 增长与该分部利润率及 Amazon 的现金支出进行比较。

Microsoft 值得单独看待。即使 Microsoft 正在建设容量并支持更多 AI 使用，Azure 的增长仍可能强劲，而更广泛的云业务毛利率则可能下滑。

该公司的投资者指标显示，最新季度 Microsoft Cloud 的毛利率为 65%。未来披露将显示，效率提升能否抵消更广泛 AI 采用带来的成本。

如果云业务利润率在 AI 相关收入增长时保持稳定，Barclays 的论点就会更有说服力。这将表明基础设施提供商能够吸收大规模投资，而不牺牲其经济效益。

若利润率持续下滑，则会削弱这一论点。这意味着竞争、折旧、能源和新增容量吞噬的 AI 收入，可能高于模型所假设的水平。

第二个信号，是领先 AI 实验室是否将具有实质意义的推理工作负载转移至 AWS、Azure 和 Google Cloud 以外。多元化可以包括专业服务商、自建设施或更广泛的定制硬件协议。

实验室不需要放弃超大规模云服务商才能获得议价能力。它只需为下一批容量提供可信的替代选择。

长期合同将比公告更重要。关键证据是新的生产工作负载实际运行在哪里，而不是一家公司在哪里进行有限的技术试验。

据报道，Barclays 预计，部分由已承诺客户支持的基础设施项目将从三大服务商手中夺取份额。若出现这种情况，估计的 350 亿至 400 亿美元转移将变得更为分散。

云巨头可能通过降低费率、定制芯片、融资或更深度的软件整合来回应。每种回应都可能在减少其从中获得的利润率的同时，保住工作负载规模。

如果主要实验室仍与同样的三大平台签署最大的生产承诺，云服务商的地位就依然稳固。没有伴随工作负载迁移的供应商多元化，改变不大。

第三个信号，是推理服务商在每项产品中包含多少推理量。模型公司可以通过按使用量计费、更严格的限制，以及将请求路由至成本更低的系统来维持利润率。

它们也可以通过为相同订阅提供更长上下文、更多代理操作和更高推理投入来竞争。这一策略能提升客户价值，但也可能压缩利润率。

企业 AI 采购将使这一信号更易观察。采购方越来越多地同时评估成功完成任务、延迟、安全性和可预测支出。

一款在不维持输出质量的情况下减少推理成本的产品，不会创造持久价值。一款提升质量却无法控制总消耗的产品，可能难以规模化。

团队应在一套可重复的工作流中追踪模型选择、提示词、输出、审批和业务结果。结构化的AI 工作流有助于揭示增加模型使用量是否确实改善了最终成果。

Barclays 的估算最终重新定义了关于 AI 利润的讨论。根据公开报道的数字，模型实验室不再只是对每一次付费请求都在烧钱。

云服务商也并非被动供应商。它们为使每项请求成为可能的实体系统提供资金并负责运营，随后从模型收入中获取可观份额。

决定性问题在于，AI 实验室能否以快于竞争迫使其花掉节省成本的速度，降低这部分基础设施份额。请关注下一轮云服务商业绩、重大容量合同，以及产品使用限制的变化。

这些信号将显示：每 100 美元中近 40 美元是否仍将是持久的云端“过路费”，还是仅仅是 AI 基础设施建设阶段的暂时特征。