大型科技公司从巨额 AI 投资中得到了什么
尽管尚未向投资者提供衡量回报的清晰指标，Alphabet 及其竞争对手仍已承诺投入数千亿美元发展 AI。一则在 Google News 上传播的《纽约时报》提问，道出了其中的紧张关系：公司究竟从如此庞大的支出中得到了什么？
简短的答案是：更多云端容量、更快的产品开发、更强的广告系统，以及不断增长的 AI 收入。更难回答的问题则是，当折旧、能源成本和硬件更换计入账目后，这些收益能否带来可持续的回报。
Microsoft、Amazon、Meta 和 Oracle 面临着与 Alphabet 相同的考验。它们的业务各不相同，但其支出背后共享着一个假设：AI 计算需求将足够快速地增长，从而消化那些在每台服务器开始创造收入之前数年就已订购的基础设施。
这一假设尚未落空。云业务增长、长期合同、产品采用率和容量短缺，都表明需求真实存在。然而，这些公司很少披露可明确归因于 AI 基础设施的收入或利润。
这正是核心转变。大型科技公司能够证明 AI 有助于既有业务，却仍无法单独衡量其最大一轮投资周期的回报。投资者只能通过间接信号，而非一个简单的利润数字来判断这些支出。
最新 Google News 讨论究竟改变了什么
AI 支出的讨论焦点，已从需求是否存在，转向这种需求能否赚到足够多的钱。
在生成式 AI 热潮的大部分时期，科技公司只需要证明客户希望获得模型和计算能力。容量短缺使这一论点相对容易成立。云服务提供商可以指向等待中的客户、不断扩大的待履约订单，以及持续上升的使用量。
最新一轮财报季提高了标准。投资者如今希望知道，收入增长能否跟上资本支出，即 capex；后者涵盖服务器和数据中心等长期资产。
这一转变之所以重要，是因为领先企业不再只是在资助一个小型实验类别。Microsoft 表示，预计其 2026 日历年的 capex 约为 1,900 亿美元。该预测包括约 250 亿美元与更高的零部件价格相关的支出。
Microsoft 还预计，随着更多容量上线，单季度 capex 将超过 400 亿美元。近期支出中约三分之二涉及寿命较短的资产，主要是中央处理器和图形处理器。
这些组件能够支持即时计算需求，但也比建筑物或电力系统更早需要更换。今天购买的一台服务器，并不像设计为可运行多年的数据中心外壳那样运作。
Amazon 预计将在 2026 年围绕 AI、芯片、机器人和卫星业务投入 2,000 亿美元资本支出。Meta 在公布第二季度业绩后，将其年度 capex 区间上调至 1,300 亿至 1,450 亿美元。
据财报发布后的报道，Alphabet 将其 2026 年展望上调至 1,800 亿至 1,900 亿美元。这些预测包含非 AI 投资，因此不应将其视为精确的 AI 总额。
不过，技术基础设施占据了扩张的很大一部分。因此，Amazon、Alphabet、Microsoft 和 Meta 的合计估算已达到数千亿美元。
Oracle 还增加了另一项大型基础设施计划。其参与之所以重要，是因为它已成为 AI 实验室的重要供应商，尽管其传统软件业务不同于面向消费者的平台。
一项当前估计显示，Alphabet、Amazon、Microsoft、Meta 和 Oracle 今年的支出接近 8,000 亿美元。这一数字仍属预测，各家公司对支出的分类方式也不同。尽管如此，其规模足以解释为什么这则 Google News 报道不只是又一次季度财报回顾。
这笔支出之大，足以影响现金流、借款、能源开发、芯片供应和建筑市场。它也改变了投资者评估这些公司时的方式——这些公司过去曾因轻资产的软件经济模式而备受赞誉。
最近的一项现金流分析发现，到 2027 年，超大规模云服务商的 capex 可能超过其合计自由现金流。这并不自动意味着投资无利可图，但意味着这些公司将日益依赖融资、租赁或减少对股东的分配。
因此，这一事件并非单一的支出公告，而是整个财报周期中一项更严苛财务考验的浮现。
高管们已无法只靠描述模型能力来作答。他们必须将基础设施与已售出的容量、得到改进的产品、避免的成本或锁定的未来合同联系起来。
云业务增长表明支出确实带来了成果
大型科技公司拥有可信的 AI 需求证据，但需求与投资回报并不是一回事。
Microsoft 提供了最清晰的公开案例。在其 2026 财年第三季度，Microsoft Cloud 收入达到 545 亿美元，同比增长 29%。
Azure 及其他云服务收入增长 40%。商业剩余履约义务——衡量尚未确认的已签约收入的指标——达到 6,270 亿美元。
这些数字并未单独剥离生成式 AI。Azure 在销售模型训练和推理服务的同时，也销售数据库、存储、网络安全以及传统计算服务。
尽管如此，Azure 的快速增长很难与 Microsoft 持续增加的 AI 容量完全分开。管理层多次表示，客户需求超过了现有供给，这表明部分新增基础设施能够迅速创造收入。
Microsoft 还报告称，其软件产品组合的采用率有所提高。它已将 Copilot 功能嵌入 Microsoft 365、GitHub、安全产品和商业应用中。
该公司表示，其 AI 业务规模已超过某些成熟的 Microsoft 业务线。这一说法来自管理层，且缺乏详细的利润拆分，但它表明 AI 已不再只是内部研发支出。
其云业务业绩也说明了投资者为何尚未完全否定这些支出。在扩张基础设施的同时，公司的收入和营业利润仍在增长。
Alphabet 提出了类似论点，只是业务组合不同。Google Cloud 销售基础设施、数据服务、Workspace 软件，以及对 Gemini 模型系列的访问权限。
截至 2025 年底，Alphabet 表示，基于其生成式 AI 模型构建的产品收入同比增长近 400%。它还报告称，在超过 2,800 家公司中，Gemini Enterprise 的付费席位已超过 800 万个。
这些采用数据具有意义，但并不是回报计算。Alphabet 没有将 Gemini Enterprise 收入、相关计算支出或营业利润作为独立数据披露。
Google 还将 AI 应用于其更大的广告业务。机器学习能够改善广告选择、竞价、衡量和创意制作。在交易量极其庞大的业务中，即使是小幅改善也可能意义重大。
Meta 更积极地遵循这种内部回报模式。大多数人并不为 Meta 的 AI 助手付费。相反，该公司利用 AI 推荐内容、定向投放广告、自动创建广告活动，并提升用户参与度。
Meta 报告称，2026 年第二季度收入为 608 亿美元，同比增长 28%。不过，营业利润下降 8%，营业利润率从 43% 降至 31%。
法律费用和遣散费影响了这些业绩，因此不能将这一下滑完全归因于 AI。但成本和费用仍增长了 55%，说明这一投资周期能够多快地对已报告业绩形成压力。
Mark Zuckerberg 表示，AI 正在加速 Meta 的核心业务并支持新产品。公司的季度业绩支持了收入依然强劲这一说法，但并未揭示其中有多少增量收入来自 AI。
Amazon 则拥有另一条变现路径。AWS 可以销售模型访问服务、专用芯片、训练集群、存储、数据库，以及用于部署 AI 应用的工具。
其零售业务也能将 AI 用于需求预测、物流、推荐、广告和客户服务。这些改进可能降低成本或提高转化率，却不会以“AI 收入”项目的形式出现。
因此，实际回报分散在多个账目中。一部分投资带来直接云服务销售；一部分改善既有产品；一部分支持研发；另一部分则提供尚未投入使用的容量。
这种广泛性在经济上很有用，却令分析工作颇为棘手。投资者能够看到整体公司在改善，却不知道最新的数据中心是否获得了可接受的回报。
不过，这些证据驳斥了最简单的泡沫论点。这些公司并不是在没有客户、没有合同、没有产品的情况下建设基础设施。
悬而未决的问题是，当前增长能否证明基础设施的全部成本是合理的，其中包括融资、电力、维护和硬件更换。
真正的较量是承诺与可衡量回报之间的较量
主要冲突并非 Alphabet 对阵 Microsoft，而是管理层的 AI 承诺与投资者能够验证的财务证据之间的较量。
比较超大规模云服务商或许能显示谁是赢家，但无法解决衡量问题。每家公司都将 AI 与那些即使没有最新一轮投资浪潮也会产生收入的业务结合在一起。
早在 ChatGPT 出现之前，Alphabet 的搜索广告就已使用机器学习。Meta 的推荐系统是 Facebook 和 Instagram 的核心。生成式 AI 需求激增前，AWS 和 Azure 就已是大型云平台。
这段历史使反事实情境难以判断。一家公司可以在大举支出后报告利润上升，但分析师无法观察到，如果没有这笔支出，利润原本会是多少。
缺失的数字是增量投入资本回报率。投入资本回报率，即 ROIC，将税后营业利润与为产生这些利润而投入的资本进行比较。
最新数据表明，尽管基础设施投资激增，多家领先科技公司的 ROIC 仍相对稳定。Meta 的情况更复杂，因为其盈利能力面临更大压力。
稳定的 ROIC 令人安心，因为它表明现有盈利仍能支撑规模大得多的资产基础。但这并不能证明最新资产已获得与旧业务相同的回报。
一项投入资本审查发现，最新支出尚未在多家超大规模云服务商中严重损害这一指标。该结果削弱了关于立即发生财务崩溃的说法。
但它也留下了一个关键的不确定性。如果这些公司投资更少，回报可能会更强。另一种可能是，随着新建项目的折旧开始进入利润表，回报将在未来恶化。
折旧会将资产的账面成本分摊至其预计使用寿命内。这种会计上的延迟意味着，建设热潮可能先影响现金流，而其全部费用要更晚才会反映在报告利润中。
硬件寿命尤为重要。Microsoft 曾表示，其约三分之二的资本支出涉及处理器等使用寿命较短的资产。
图形处理器在技术上可以保持多年可用，但新一代产品往往能带来更高的速度和效率。因此，即使硬件仍能正常运行，竞争压力也可能缩短其经济寿命。
电力是另一项约束。购买芯片并不会自动形成可用产能；还需要电力、冷却、网络，以及将设施接入电网的许可。
延迟接通电力可能使资本无法产生效益。反之，若数据中心已满负荷入驻且客户签订了合同，则可能在启用后不久便开始带来收入。
这些公司很少披露 AI 硬件的利用率，也避免公布大多数 AI 服务在产品层面的毛利率。
这使外部观察者只能依赖替代指标：
云服务收入增长反映计算需求是否正在扩大。
积压订单反映客户是否已签署未来承诺。
产能限制表明供给并未闲置。
软件采用率衡量 AI 功能是否触达付费组织。
毛利率揭示基础设施成本是否正在吞噬更多收入。
自由现金流显示资本投资后还剩下多少资金。
没有任何一项指标能够单独回答这个问题。将它们结合起来，比统计聊天机器人的用户数或重复资本支出总额更能描绘出有用的图景。
最有力的短期证据来自云服务需求和已签署合同。Microsoft 同时报告了 Azure 的快速增长和庞大的已签约积压订单。
最薄弱的证据则涉及独立的企业级应用。公司往往披露用户、席位、查询量或生成内容，却不展示收入留存和利润情况。
这一区别解释了为何“AI 已经实现自我回报”的说法值得谨慎对待。在整个投资计划取得可接受回报之前，AI 就可能已经对增长作出贡献。
这也解释了为何没有单独列出的 AI 利润项目，并不意味着没有回报。公司正将这项技术整合到广告、云服务、生产力软件、安全和内部运营中。
真正的检验需要时间。基础设施必须投入使用，客户使用必须成熟，折旧也必须计入财务报表，之后投资者才能将可持续收益与投入资本进行比较。
这些数字仍无法证明什么
当前披露显示出商业牵引力，但并不能证明最终由谁为完整的基础设施建设买单。
其中一项担忧是客户集中度。大型云服务提供商的 AI 需求，很大一部分来自包括 OpenAI 和 Anthropic 在内的少数模型开发商。
而这些实验室又依赖外部资本和云服务协议，为训练和推理提供资金。当一家云公司投资于某个 AI 实验室，而后者再将资金花在该公司的基础设施上时，这种关系可能形成循环。
这种安排仍会创造真实的经济活动。服务器在运行，工程师在开发产品，客户在使用模型。不过，它也使“需求完全独立且能够自我维持”的说法变得更复杂。
一项 AI 收入分析指出，Amazon、Alphabet、Microsoft 和 Meta 并未单独披露可归因于 AI 数据中心的销售额和利润。该分析还将对 OpenAI 和 Anthropic 支出的依赖列为集中度风险。
Microsoft 提供了一项异常有用的细节：它表示，OpenAI 在某一季度约占其商业剩余履约义务的 45%。剩余履约义务并非当期收入，其中很大一部分将在未来数年确认。
不过，这一数字仍显示出单一客户如何影响一项关键指标。广泛的企业采用之所以重要，是因为它能降低对少数获得大量资金支持的实验室的依赖。
第二项担忧涉及利用率。公司在尚未明确客户将需要何种模型、芯片和工作负载组合之前，就开始建设数据中心。
如果模型效率提升的速度快于使用量扩张，部分规划产能的收益可能低于预期。如果推理需求增长得更快，今天的支出或许反而显得克制。
因此，效率具有双重影响。更低的计算成本可以减少完成单项任务所需的资源，但也可能让 AI 在更多场景中变得可负担。
第三项担忧是产品价值。员工可以频繁使用 AI 助手，却未必能产生足以证明其组织成本合理的可衡量收益。
受控研究提供了乐观理由。一项颇具影响力的职场研究发现，获得生成式 AI 助手可提升客户支持效率，其中经验较少的员工提升幅度更大。
该研究覆盖的是特定场景，不应推广到所有职业。它表明，当 AI 与明确的工作流程、相关数据和可衡量的任务相连接时，能够提升产出。
企业部署的情况往往更复杂。员工需要在电子邮件、会议、文档、数据库和专业应用之间工作。权限限制和上下文不完整，可能限制助手能够完成的工作。
组织还需要承担集成、评估、安全和培训费用。模型订阅只是整体部署成本的一部分。
这就是为什么具体用例比宽泛的采用说法更重要。支持团队可以比较部署前后的问题解决时间。软件团队可以衡量审查时间、事故恢复时间或已完成工作量。
销售组织可以考察调研时间和转化率。产品团队则可以比较整合访谈、会议记录和规划文档所需的时间。
这些工作流程能够形成买方可审计的证据。它们也解释了为何对于部分知识工作者而言，AI 知识库比通用聊天窗口更重要。
在帮助处理公司特定工作之前，模型需要准确且可访问的上下文。更好的检索并不保证回报，但它将 AI 使用与员工实际需要的信息连接起来。
风险并不只是模型失效。更大的风险在于，公司将活跃度当作价值，却忽略返工、错误、集成费用和闲置产能。
高管有动力在完整成本到来前强调增长指标。批评者则有动力将每一个缺失指标都视为泡沫的证据。
两种立场都不充分。现有证据支持商业需求以及特定场景中的真实生产率提升，但并不支持“所有当前 AI 投资都将获得可观回报”的普遍说法。
三个信号将决定这些支出能否获得回报
云服务积压订单的质量、利润率的持久性和广泛的企业采用，将决定这一投资周期能否创造长期价值。
第一个信号是云服务合同的构成。当积压订单增长来自众多独立客户在生产环境中使用 AI 时，其表现最具说服力。
投资者应关注已签约金额转化为已确认收入的速度，也应寻找将广泛企业需求与少数模型开发商协议区分开来的披露。
如果云服务收入持续加速，同时客户集中度下降，那么持续基础设施需求的论据将更有力。如果积压订单仍然集中，且收入确认进一步延后，信心就会减弱。
第二个信号是折旧上升后的利润率表现。公司已警告称，随着更多设备投入使用，近期资本支出将推高折旧。
Microsoft 的云服务毛利率已经受到 AI 基础设施和产品使用量的压力。Meta 的营业利润率也在一个费用大幅上升的季度中下降。
利润率下降并不必然是警讯。公司可以理性地接受较低的短期利润率，以建设一个有价值的平台。
关键比较在于，收入和营业利润的增长是否足以抵消不断扩大的资产基础。若利润率持续侵蚀却没有相应增长，将削弱管理层关于回报的论点。
自由现金流将提供另一项检验。企业的会计利润可以不断增长，同时资本支出却吸收其产生的大部分现金。
债务、租赁和外部融资可以延长建设周期，但无法无限期替代有利润的客户需求。
第三个信号是科技公司和 AI 实验室之外可衡量的采用情况。席位数量和试点公告的重要性，不及续约、工作流程扩展和已披露的业务成果。
关注组织是否正从试点走向生产部署。证据应包括完成的任务、处理时间缩短、销售转化改善、支持成本降低或软件交付加快。
第二个职场工作流程可以帮助团队以这样的方式思考。有用的问题并不是员工是否打开过某个 AI 工具，而是该工作流程是否以更少投入产出了更好的结果。
买方也正是在这里影响投资周期。企业客户不必接受超大规模云服务商笼统的回报叙事。
他们可以设定基线、衡量一个狭窄用例、纳入审查成本，并只在证据支持后再扩大投入。这种纪律会将抽象的 AI 预算转化为一系列可检验的投资。
对开发者而言，问题在于新增产能是否降低延迟、改善模型可用性或降低单位成本。对知识工作者而言，问题在于 AI 是否能够检索可信上下文，并在日常工作中完成有用步骤。
对投资者而言，问题在于这些客户成果能否比硬件老化更快地产生现金。对超大规模云服务商而言，任务是证明基础设施需求能够超出一小群资金充足的 AI 实验室。
Google News 上的这场争论不会由一个季度或一个令人印象深刻的模型来解决。它将通过合同转化、客户多样性、利润率持久性和现金生成来定论。
Big Tech 已经从这些支出中获得了宝贵资产：数据中心、芯片、软件分发能力、模型能力，以及在成长市场中的领先地位。它也实现了真实的收入增长和特定领域的生产率提升。
仍不确定的是，整个建设计划能否获得与为其提供资金的软件业务相当的回报。读者现在应关注能够回答这一问题的三个信号：谁在购买产能、利润率会发生什么变化，以及日常企业工作流程是否改善到足以持续为其付费。
