David Cahn 发问：AI 能否在回报落空前回答这个 3 万亿美元的问题？

红杉资本合伙人 David Cahn 已将其对 AI 基础设施投入的估算上调至 1.5 万亿美元，迫使投资者正视一个规模大得多的收入难题。AI 能否在预期回报推迟至 2028 年以后之前，回答这个 3 万亿美元的问题？

这一数字代表 Cahn 对支撑整个行业 2026 年基础设施支出所需收入的估算，其中涵盖芯片、数据中心、电力系统、网络设备以及运营商利润背后的经济成本。

如今的矛盾已不再只是 AI 乐观派与怀疑派之间的对立，而是行业承诺的收入与 Google、Meta、Microsoft、Amazon 及其合作伙伴已经作出的实体和财务投入之间的较量。

AI 公司正在快速增长，但基础设施投入的扩张却处于另一个量级。不断下降的 token 成本和更加廉价的开放权重模型让 AI 更容易普及，却也使收入目标更难实现。

这种反转令超大规模云服务商承受压力。投资者期待它们规模庞大的资本投入计划在未来几年带来自由现金流的显著增长。

如果这些现金流未能如期兑现，影响将不止波及模型开发商，还会蔓延至芯片供应商、电力公司、信贷市场、主要股票指数乃至更广泛的经济领域。

David Cahn 将 2000 亿美元的警告升级为 3 万亿美元的考验

Cahn 的新估算改变了 AI 争论的焦点：问题不再是产品是否有需求，而是收入能否追上基础设施支出。

Cahn 于 2023 年开始提出这一论点，当时 Nvidia 公布的 GPU 年收入接近 500 亿美元。他在此基础上加入了整个基础设施链条所需的运营成本和利润。

计算结果表明，行业需要约 2000 亿美元收入才能收回初始投资。这一估算后来被称为 AI 的“2000 亿美元之问”。

提出这一问题并非断言 AI 注定失败。Cahn 将其视为对创业者的挑战：开发能够以盈利方式利用现有算力的应用。

三年的激进建设已经改变了问题的规模。根据 7 月 9 日发布的一篇基础设施分析，Cahn 目前估计，2026 年 AI 基础设施支出将达到 1.5 万亿美元。

他的模型表明，行业需要实现 3 万亿美元收入，才能证明这些支出具有合理性。该数字所反映的远不只是加速器的采购价格。

数据中心需要电力、冷却系统、网络、内存、土地、建筑劳动力以及持续维护，基础设施运营商也期望获得资本回报。

Cahn 认为，最终所需收入可能更高。内存限制、专用推理芯片和不断上涨的建设成本，都可能推高每吉瓦容量所需创造的收入。

吉瓦衡量的是电力容量，而非 AI 产出。它之所以重要，是因为电力已经成为限制企业部署新计算系统速度的最明确因素之一。

Apollo 发布了另一项基础设施预测，同样体现了这种压力。其估计，要支撑截至 2028 年的 AI 基础设施建设，将需要近 3 万亿美元资本。

Apollo 预计，其中约一半资金需求将来自外部融资。其资本预测还估计，私人信贷可提供超过 8000 亿美元。

这些估算衡量的是不同事物，不应将其视为完全相同。Cahn 测算的是证明支出合理性所需的收入，而 Apollo 估算的是基础设施融资需求。

不过，两种计算都指向同一个根本问题：AI 的实体基础设施扩张速度，已经超过行业证明其能够产生相匹配、可持续客户收入的速度。

这种扩张还存在漫长的建设周期。Cahn 表示，一座 AI 数据中心平均需要大约两年才能建成。

因此，在生成式 AI 热潮初期宣布的项目，往往要等到许多采购决策作出之后才会投入运营。其经济价值取决于能否维持多年的持续需求。

云基础设施的发展提供了一个节奏更慢的先例。Amazon 于 2006 年推出 AWS，而企业工作负载的迁移历时数十年。

这种节奏让服务商能够逐步为扩张提供资金。当前的 AI 周期则要求企业在需求同样清晰可见之前，就提前锁定芯片、电力和建设产能。

因此，3 万亿美元之问并不是在问人们是否使用 AI。AI 已经广泛应用于搜索、软件开发、客户服务、研究、内容生产和办公工作。

它真正要问的是：客户是否愿意支付足够多的费用，并持续足够长的时间，以支撑为他们建设的基础设施。这是一项严格得多的考验。

以当前收入，AI 能否回答这个 3 万亿美元的问题？

头部 AI 公司已经建立起规模可观的业务，但其披露的收入仍远低于 Cahn 的计算所要求的水平。

据报道，截至 2026 年 7 月，Anthropic 的年度经常性收入已接近 600 亿美元。年度经常性收入（ARR）是根据当前的订阅和合同收入，推算其全年收入水平。

据报道，OpenAI 在 2025 年创造了 130 亿美元收入。该公司于 2025 年 11 月表示，其 ARR 已达到 200 亿美元，这表明其增长速度继续超过已确认的年度收入。

这些数字证明市场确实存在真实需求，尤其是对编程智能体和通用助手的需求。但它们仍不足以填补数万亿美元的鸿沟。

模型提供商的收入也只是答案的一部分。Google、Microsoft、Amazon 和 Meta 可以通过云服务、广告、商业交易、订阅以及内部效率提升，将 AI 变现。

Google 可以将模型应用于搜索广告和云端工作负载。Microsoft 可以把助手嵌入商业软件，同时通过 Azure 出售计算能力。

Amazon 可以在零售业务中使用 AI，并通过 AWS 提供模型基础设施。Meta 则可以改善广告系统和用户参与度，而无须对每一次模型交互直接收费。

这些间接回报让 Cahn 的计算变得更加复杂。即使一美元的广告绩效提升从未体现为模型 API 收入，它仍可能有助于证明基础设施投入的合理性。

成本节约同样重要。一个能够缩短软件项目周期或自动完成客户支持工作的智能体，即使没有成为一条独立产品线，也能创造价值。

然而，间接收益很难被单独衡量。企业可能会把一些改善归功于 AI，但这些改善也可能来自价格调整、组织裁员、市场增长或传统软件升级。

近期最具实力的应用仍然集中在少数领域。在一篇2026 年 AI 展望中，Cahn 将编程和 ChatGPT 视为两大已经得到验证的杀手级应用。

他预计，这两个类别的年收入都将接近或超过数百亿美元。他还观察到，越来越多的初创公司正在迈向可观的商业规模。

编程智能体具有格外清晰的经济价值。它们可以编写代码、审查变更、测试界面、调查故障并操作开发工具。

买方可以将这些成果与工程时间、发布速度和缺陷率进行比较，因此其回报比泛泛承诺“改善知识工作”更容易衡量。

即便如此，收入归因仍然困难。一家公司可能会同时付费使用多个助手，而工程师也仍在继续使用原有的开发工具和云服务。

关键问题不是智能体能否生成有用的代码，而是由此产生的生产力提升，能否超过订阅、推理、审查、安全和集成成本。

企业实施还会带来额外延迟。大型组织必须将模型接入私有数据、权限体系、软件系统和审批流程。

它们还需要建立评估方法，以区分看似流畅的回答与真正可靠的结果。一个模型在演示中表现出色，仍可能在漫长的生产工作流中失败。

Cahn 曾表示，企业已经对艰难的内部 AI 项目感到疲惫。这种疲惫为应用型初创公司创造了机会，但也减缓了基础设施所有者所需收入的增长速度。

专注于特定场景的应用可以围绕单一任务封装模型，减少集成工作。然而，应用提供商仍需承受模型成本下降和功能被迅速复制的压力。

因此，收入逻辑必须在多个层面同时成立：模型提供商需要获得合同，应用公司需要留住客户，超大规模云服务商则需要让数据中心实现有利可图的利用率。

如果每单位工作量的价格下降速度快于需求扩张速度，那么仅提高利用率还不够。收入取决于使用量与单位成本下降之间的相互作用。

要回答这个 3 万亿美元的问题，客户必须在智能能力价格下降的同时，以大得多的规模消费这些能力。这种结果并非不可能，但所需的增幅极其庞大。

更便宜的 Token 带来 AI 的核心收入悖论

让 AI 更容易普及的效率提升，也可能削弱偿还基础设施投入所需的收入增长。

模型公司通常按 token 收费，即生成过程中所处理的文本或代码的小型单位。token 成本下降可以降低运行助手和智能体的费用。

这对开发者和企业买方而言是好消息。随着模型或硬件的改进，去年成本过高的工作流可能变得具有商业可行性。

然而，单位成本下降会给供应商带来压力。如果智能体使用更少的 token 完成相同任务，那么除非客户运行更多任务，否则服务商获得的使用收入就会减少。

这正是 Cahn 论点中的核心反转：技术进步增强了产品能力，却也提高了收回基础设施投资所需的使用量。

OpenAI 表示，在许多任务中，GPT-5.4 所需的 token 少于 GPT-5.2。该公司还将其定位为在编程、工具使用和专业工作流方面更强大的模型。

在一项公开编程评测中，GPT-5.4 得分为 57.7%，而 GPT-5.2 为 55.6%。OpenAI 的模型评估还显示，其智能体式网页搜索能力取得了显著提升。

OpenAI 后来声称，其最新模型在智能体编程任务中的 token 效率提高了 54%。这一说法描述的是以 token 衡量的计算用量，而非有保证的生产力提升。

实际生产环境中的独立结果可能会因提示词、工具、任务长度和推理设置而异。基准测试无法确定企业部署的最终成本。

即便如此，趋势已经十分清晰。模型之间的竞争不仅关乎智能水平，还取决于它们将计算转化为已完成工作的效率。

效率提升可以通过一种常见的经济效应刺激需求。当一种资源变得更便宜时，人们往往会发现更多使用方式。

开发者可能会从偶尔使用代码补全，转向让智能体持续监控测试。客户支持团队可能会分析每一次客户互动，而不再只是抽样分析。

研究人员可能会同时开展多项并行调查。产品团队则可能在作出选择之前，生成、测试和比较更多原型。

尽管单项任务的成本有所降低，但这些场景仍可能增加 Token 的总消耗量。基础设施投资逻辑能否成立，取决于这种需求扩张能否在一个极其庞大的市场中发生。

智能体工作流提供了一条可能的路径。智能体不会在回答一次提示后就停止，而是会制定计划、调用工具、读取文件、检查结果，并反复执行相关步骤。

2026 年发布的一项研究发现，智能体编程任务消耗的 Token 可能远多于普通的代码对话。同一研究还发现，即便重复执行相同任务，不同轮次之间的 Token 消耗也存在巨大差异。

这种波动解释了为何需要谨慎看待效率方面的说法。更多 Token 并不总能带来更高的准确率，而且模型很难预测自身的消耗量。

买家将越来越重视实际完成的工作，而不是原始 Token 用量。这会推动行业转向基于成果的评估、可预测的预算和可审计的执行过程。

企业在组织自身的 AI 工作时，可以将信息来源、决策和模型输出集中保存，从中获益。一个可搜索的 AI 知识库 能够减少重复检索，并保留结果背后的上下文。

更充分的上下文可以减少浪费，但无法保证可靠性。对于影响重大的财务、法律、医疗、安全和运营决策，团队仍需进行人工审核。

经济层面的关键问题是，这些工作流能否创造足够多的新增活动，以抵消效率提升带来的消耗下降。供应商需要消费规模的增长速度超过单位成本的下降速度。

这一要求与其他计算技术转型类似。存储成本下降催生了更多数据，带宽成本降低则推动了视频流媒体和云应用的发展。

AI 也可能遵循同样的规律。不同之处在于，在新的需求曲线完全形成之前，行业就已经投入了巨额资本。

开放权重模型令超大规模云服务商的预测承压

开放权重模型的竞争，正在挑战这样一种假设：不断增长的 AI 使用量将主要流向价格最高的美国模型和云平台。

开放权重模型允许用户下载或自行运行其训练后的参数，但并不一定会公开训练数据或完整的开发过程。

组织可以在自有基础设施上运行这些模型，也可以使用专门的托管服务，或针对更具体的任务进行调整。这种灵活性能够降低对单一供应商的依赖。

Apollo 首席经济学家 Torsten Slok 将这一转变视为超大规模云服务商预测面临的一项风险。他指出，中国模型正在扩大市场份额，而 Token 价格仍在持续下降。

根据 Apollo 7 月发布的分析，在使用量最高的 20 个模型中，中国模型的 Token 使用量领先于美国同类模型。相关图表的数据来自 OpenRouter 及其他使用情况数据集。

这类数据集并不能代表整个市场。它们可能会过度反映频繁切换模型的开发者，同时低估企业内部的私有部署。

尽管如此，这些数据仍揭示了具有实际意义的竞争行为。对于日常任务，只要更便宜的模型表现足够好，用户往往就会选择它。

软件团队可能会将前沿模型留给架构决策，同时使用较小的模型处理测试、文档、分类和格式化任务。

客户服务部门可以把简单请求交给本地模型处理，再将含义模糊的对话升级至能力更强的托管系统。

这种组合会压缩任何单一供应商的定价空间。当多个模型都能达到买家要求的门槛时，基准测试中的领先地位也会变得不那么值钱。

Google、Meta、Microsoft 和 Amazon 仍受到规模、分发渠道和现有客户关系的保护。它们可以将 AI 与云服务、生产力软件、广告系统和开发者平台捆绑销售。

它们还拥有足以在价格战期间继续扩建的资产负债表，而规模较小的基础设施供应商则缺乏这种缓冲空间。

然而，规模既能提供保护，也会带来风险敞口。最大的公司投入了最多的资本，同时也承受着最高的投资者预期。

Apollo 审视的市场一致预期认为，未来几年超大规模云服务商的自由现金流将增长一倍以上。自由现金流是指扣除运营支出和资本支出后剩余的现金。

这些预测假设当前的投资将催生规模更大、利润更高的业务，同时也假设回报会足够快地到来，以跑赢折旧和融资成本。

折旧是将资产成本分摊到预计使用寿命中的会计处理。当更新的加速器使现有硬件在经济上失去吸引力时，折旧问题尤其重要。

数据中心即便在物理层面仍可正常运行，产生的回报也可能低于原定计划。更快的芯片可能会在旧系统的会计寿命结束前，就降低其经济价值。

Cahn 还警告称，如果通用人工智能的实现时间推迟，当前部署的产能可能面临风险。如果先进能力来得更晚，一部分硬件可能在需求足以证明投资合理之前就已经老化。

这并不意味着已安装的芯片会变得毫无用处。现有系统仍可用于运行较小的模型、执行微调任务和推理、开展研究，以及处理优先级较低的工作负载。

问题在于实际回报与最初预测之间的差距。原本为稀缺的高端智能而建设的产能，最终可能进入竞争激烈的大宗商品市场。

Slok 概述了回报不及预期时可能出现的三种后果。第一，资本支出和折旧仍将继续，但现金流和盈利预测会被下调。

第二，大型科技公司的抛售可能蔓延至芯片、能源、数据中心和股票市场。

第三，当经营现金流无法再覆盖扩张需求时，超大规模云服务商可能会更多地举债。这将提高杠杆率，并使贷款方承担更多基础设施风险。

Apollo 的分析更进一步，认为回报迟迟未能兑现，可能促成经济衰退和 S&P 500 的回调。这是一种风险情景，而非已经确立的预测。

这一判断也需要放在具体背景下理解。最大的超大规模云服务商拥有多元化业务、强劲的现金创造能力，并且能够调整支出计划。

它们可以推迟项目、重新谈判供应承诺、转移工作负载，或将产能重新分配给内部产品。它们的投资计划并非完全缺乏灵活性。

开放竞争也可以有一种更乐观的解读。更便宜的模型能够让更多组织采用 AI，从而增加对云存储、网络、安全和部署工具的需求。

即使自有模型失去市场份额，超大规模云服务商仍可通过托管竞争对手的模型获利。从历史上看，基础设施平台一直能从广泛的软件生态系统中受益。

因此，压力主要来自回报兑现的时间和利润率，而不是需求的简单崩溃。AI 的采用率可能继续上升，但财务回报到来的时间可能晚于市场预期。

三项信号将揭示 AI 回报是否正在兑现

答案最先会体现在利用率、自由现金流和企业行为上，而不是另一项登上头条的基准测试中。

第一项信号是超大规模云服务商的自由现金流。Google、Meta、Microsoft 和 Amazon 必须证明，AI 投资能够支撑现金创造能力持续增长至 2028 年。

仅凭营收增长无法为这一问题定论。投资者需要看到，在支付数据中心建设、设备采购和配套基础设施的需求后，经营现金流仍有盈余。

由于商业模式不同，各家公司会给出不同的解释。对于 Microsoft、Amazon 和 Google，云业务积压订单十分重要；对于 Meta，广告业务回报的权重则更高。

真正有用的比较，是资本支出与新增现金流之间的关系。如果两者差距扩大，将强化回报延迟的判断。

如果差距缩小，这一判断就会被削弱，尤其是在公司能够明确指出可重复的 AI 收入，而不是依赖笼统的用户参与度说法时。

第二项信号是数据中心的实际利用率。Cahn 表示，如果芯片被囤放在仓库中，可能意味着建设延期，或设备交付进度与可用设施之间存在错配。

硬件必须配备电力、冷却、网络和完工建筑后，才能创造收入。已经交付却闲置的加速器仍然是一项资本成本。

需要关注数据中心启用日期是否推迟、电力供应是否受限，以及设备部署计划是否发生变化。同时也要观察供应商是否报告新增产能在上线后很快售罄。

Apollo 在 7 月表示，按需 GPU 产能实际上仍处于售罄状态。它还称，一些较旧芯片的租赁需求依然稳定。

这些证据支持短期供应紧张的判断。如果短缺持续存在，就会削弱行业已经过度建设的说法。

如果租赁价格下降，而已建成的产能仍处于空置状态，情况就会发生变化。这种组合意味着，在收入达到 Cahn 所要求的规模之前，供应可能已经追上需求。

第三项信号是企业是否愿意为实际完成的工作付费。企业需要走出实验阶段，并因为 AI 系统能够带来可衡量的成果而续订这些系统。

有用的指标包括智能体任务完成率、客户留存率、生产环境工作负载增长，以及有记录的劳动力或周期时间节省。原始提示次数提供的信息则较为有限。

软件开发仍将是一项重要考验。编程拥有清晰的工作流、高昂的人力成本、数字化工具和可衡量的产出。

如果编程智能体成为标准的生产基础设施，就能支撑跨模型和云平台的持续需求。如果采用仅停留在人工监督下的辅助阶段，就需要下调收入预期。

客户服务是另一项考验。模型必须正确解决问题、遵守政策、保护数据，并知道何时应将问题升级处理。

只有在质量仍可接受的情况下，降低每次对话的成本才有意义。否则，节省下来的成本只会转移到审核、纠错和客户挽回工作中。

知识工作则面临更棘手的衡量问题。组织必须将助手接入可靠的内部上下文，才能让输出持续具备实用价值。

这需要文档访问、权限管理、来源追踪和组织记忆。实用的知识工作流可以帮助团队检验 AI 是否能在重复性工作中节省时间。

接下来的几个季度应该会揭示，这些案例究竟会发展为持久的系统，还是继续停留在零散的生产力功能层面。持久的系统会产生经常性需求，并且不容易在预算削减时被取消。

投资者还应区分模型收入与基础设施回报。一款成功的应用，并不会自动保证每个数据中心所有者都能获得丰厚利润。

同样，API 成本下降也不能自动证明需求疲软。它可能会释放此前不具备经济可行性的工作负载。

AI 能否回答这个价值 3 万亿美元的问题？该行业已经展现出市场需求、快速的产品改进，以及若干有价值的应用。

但它尚未证明，自己能够创造与基础设施投入规模相匹配的收入。决定性证据将来自现金流、利用率和企业的重复采购。

与其将 Cahn 的计算视为走向失败的倒计时，不如把它看作一项压力测试。它指出了当前这轮基础设施建设最终必须承载的经济价值规模。

对于开发者和企业买家而言，实际应对方式并不是停止采用 AI，而是认真衡量成果，并保留每项决策背后的证据。

跟踪已完成的工作、审核成本、模型替换情况和真实使用量增长。这些记录将显示，效率提升究竟是在创造更多价值，还是仅仅降低了账单。

这个价值 3 万亿美元的问题，不会在一次财报电话会议中得到答案。随着成千上万家组织决定哪些 AI 工作流值得永久保留，答案将逐渐浮现。