超過1000家公司的財務資料、供應鏈記錄，把AI行業的真實收入，從頭算一遍。
兩年了。
兩年來，“AI泡沫”的警告聲此起彼伏，但卻沒有人能真正回答一個最簡單的問題：這個行業，到底賺了多少錢？它什麼時候能收支平衡？
不過最近，答案來了。
發佈它的是分析機構Exponential View，領頭人是分析師兼投資人Azeem Azhar。他的團隊花了數月時間，梳理了超過1000家公司的財務資料、供應鏈記錄和行業披露，做了一件聽起來簡單、實際上極難的事：把AI行業的真實收入，從頭算了一遍。
為什麼要重算？因為AI行業的收入數字，一直有一個秘密：同一筆錢，雲服務商算一遍，大模型廠商算一遍，應用層再算一遍。報告稱之為“去重”，去掉這些水分之後，數字會縮水很多，但也因此第一次變得可信。
去重之後，結論是：過去12個月，全球生成式AI（不含中國大陸本土市場，下同）產生了1100億美元的真實收入，年化運行率超過1750億美元。
更引人注目的，是一個季度數字。
2026年第一季度，AI行業季度收入達到250億美元，連續第二個季度超過了同期的晶片與資料中心折舊（210億美元）。
Azhar本人表示，這是AI需求“just about clears the depreciation hurdle”，即勉強跨過了折舊門檻。
注意他的用詞。不是“大幅超越”，不是“全面覆蓋”，是“勉強跨過”。這位元深度參與AI行業投資的人，在自己發佈了對AI最為樂觀的需求側報告之後，選擇了這樣一個克制的表述。
這種克制，是有原因的。
但在展開之前，有必要先感受一下這個行業的增長速度。EV報告的另一組資料提供了參照：AI收入增速大約是此前任何一次IT平台浪潮（網際網路、雲端運算、智慧型手機）的3倍。2023年，AI行業每新增10億美元收入大約需要180天；到2026年，這個時間已經縮短到不到2天。這是一種非線性的、近乎垂直的爬升。
然而，速度快不代表規模大。另一個容易被忽視的數字是：即便以1750億美元的年化收入計，AI行業目前也僅相當於美國GDP的0.42%，而整個IT行業佔美國GDP的9.4%。換句話說，AI很大，但在宏觀經濟尺度上，它仍然處於極早期。1100億美元是一筆真實的巨款，但也只是一筆早期的巨款。
1 拷問一：AI到底回本了嗎？
先說結論：取決於你用那把尺子。
EV報告用的尺子，是AI季度收入對比同期的折舊攤銷額，即過去購置的晶片和資料中心，在這個季度裡計入帳本的那部分成本。250億對210億，確實跨過去了。
但換一把尺子，畫面立刻變了。
Sequoia資本合夥人David Cahn從2023年起就在追蹤一個指標：輝達資料中心收入的運行率，乘以2（GPU只是資料中心成本的一半，另一半是能源、廠房、冷卻），再乘以2（營運商需要的毛利率）。得到的，就是AI行業每年必須產生的最低收入門檻。
2023年底，這個門檻是2000億美元。2024年中，隨著輝達收入飆升，更新為6000億美元。到2026年，還在上移。
對照EV報告1750億美元的年化收入，差距超過4倍。
還有第三把尺子：從整個投資周期看，EV報告原文承認，到2026年底AI相關資本支出比ChatGPT前的歷史趨勢線額外多出了5350億美元；若加上此前已有的基礎投入，多家行業機構（包括Goldman Sachs和Morgan Stanley）的綜合測算顯示，超大規模雲商AI相關累計資本支出已逼近2兆美元。累計收入，遠未觸及這個數字。
三把尺子，三種結論。
這不是那種演算法更“正確”的問題。但當媒體標題寫著“AI收入首次超過折舊”，大多數讀者理解的是第二行或第三行，而報告描述的是第一行。
更值得關注的，是折舊數字本身的爭議。
2025年11月，曾因做空次貸而聲名大噪的Michael Burry公開指控：各大科技巨頭正在將GPU的會計折舊年限從實際經濟壽命的2-3年，拉長至5-6年。他的測算（引自行業分析師綜合推演，非經審計資料）：2026至2028年間，行業合計低估折舊約1760億美元。
需要說明的是，延長折舊年限本身在會計準則框架內是被允許的。折舊年限本質上是對資產使用壽命的估計，企業有自主判斷空間，審計師也已簽字確認。AWS的CEO曾公開表示六年前的A100伺服器因需求旺盛至今未退役，這為拉長折舊年限提供了一定的現實依據。真正的爭議在於：這個判斷，是否與晶片在快速迭代環境下的真實經濟壽命相符。
如果答案是否定的，那個“跨過”的里程碑，可能從未真實發生。
值得注意的是，EV報告本身也沒有迴避這個問題。報告直接畫了兩種情景對比：在樂觀情景下，如果GPU確實能在6年折舊期滿後繼續產生收益（舊晶片承擔推理等低要求工作負載），那麼CapEx是可以回本的；但在悲觀情景下，如果H100今天就過時，即晶片實際有效壽命只有2-3年，那麼收入遠遠不夠覆蓋資本支出。
換句話說，這份對AI需求側最為樂觀的報告，在折舊壽命這個關鍵變數上，自己也不敢下定論。它只是把兩種結果擺出來，讓讀者自己判斷。而這兩張圖之間的差距，就是1760億美元的懸殊，恰好與Burry的指控方向一致。
2 拷問二：價格打到骨折，收入怎麼還在漲？
這是AI行業最反直覺的事情之一，值得認真停下來看一看。
AI的價格，正在歷史性地崩塌。史丹佛大學AI Index記錄了這組數字：2022年11月，查詢一個GPT-3.5等級模型的價格是每百萬token 20美元。到2024年10月，同等能力的查詢降至0.07美元。不到兩年，降低了280倍。
a16z的“LLMflation”分析更激進：GPT-3等級的推理成本從2021年到2024年，降低了整整1000倍。
按常規商業邏輯，價格跌1000倍，收入應該暴跌。
但事實是，這個行業的收入在以接近200%的年增速擴張。原因在於一個160年前的經濟學現象：傑文斯悖論（Jevons Paradox）。
1865年，英國經濟學家威廉·傑文斯觀察到：瓦特改良蒸汽機之後，每單位工作所需的煤炭大幅減少，但英國的總煤炭消耗量，反而急劇上升。因為更高效的蒸汽機讓煤炭動力在更廣泛的領域變得經濟可行，開闢了全新的需求。
AI正在精確地重演這個過程。
當每百萬token的成本從20美元跌至0.07美元，之前只有少數大公司能負擔的AI應用，突然對初創公司、中小企業和個人開發者打開了大門。每當一個能力層級變得可負擔，大量“之前不值得做”的應用場景就變得經濟可行：這不是存量使用者用得更便宜了，而是增量使用者帶著全新用例湧入了市場。
資料也印證了這一點，Bain & Company的分析顯示，2024年12月至2025年12月，token成本減半，但同期token消耗量增長了450%。價格降一半，用量漲四倍半，總支出不降反升。
EV報告自己的資料更為精確，全球token月消耗量已超過30Q（千兆），同比增長14倍。報告測算了需求彈性：每降價10%，用量增長12%至18%，彈性係數約1.2至1.8。需求增長始終快於價格下降，這正是傑文斯悖論在數字經濟中的精確數學表達。
分析師的總結精準得令人忍俊不禁：“模型越來越便宜，用量越來越重，帳單頑固地居高不下。”
EV報告還提出了一個更具前瞻性的類比，今天AI行業的Token計費，正在重演當年Google發明CPC（按點選付費）的故事。
CPC出現之前，橫幅廣告按展示計費，市場規模有限；CPC讓廣告支出第一次可以和投資回報掛鉤，最終催生了價值數千億美元的數字廣告生態。報告認為，Token計費正在成為AI時代的“價值計量單位”，當每一次呼叫都可以被精確計價和追蹤，AI的商業化就不再是黑箱。這不是簡單的降價，而是一個新的商業範式正在形成。
企業端的體感更直接。Uber把整年的AI預算，在四個月內全部耗盡，並非因為超支失控，而是隨著每次呼叫變得更便宜，工程師們發現了越來越多值得自動化的流程，用量自然螺旋上升。
EV報告提到，Uber的AI支出上限大約是每名工程師每年1500美元，這個水平已經排在美國企業前10%。換句話說，即便是全美最激進的AI採用者之一，其支出規模相對於營收也仍然是“毛毛雨”。空間巨大，但這也意味著飛輪一旦加速，消耗會遠超預期。
這是一個真實運轉中的需求飛輪。EV報告記錄的1100億美元，是真實付出去的錢。
但正是在這裡，一個更深的問題浮現了。
一台真正高速運轉的引擎，才需要認真擔心散熱和燃料。需求越真實，接下來的風險就越不能被輕描淡寫。
在討論AI行業“賺了多少錢”之後，一個同樣重要但鮮少被問起的問題是：這些錢流向了那裡？產業結構正在發生什麼變化？
EV報告給出回答是，價值正在沿著技術堆疊向上遷移。
一年前，雲基礎設施佔據了AI行業總收入的約82%，模型層約11%，應用層僅約7%。到2026年，應用層份額已升至約11%（年收入增長2.95倍），模型層微降至約9%，雲基礎設施則跌破80%。
這意味著，雖然底層硬體和雲服務仍然拿走了絕大部分收入，但增速最快的不是它們，是應用。錢正在從“賣鏟子的人”流向“挖金子的人”。
但報告同時指出了一個隱憂，即前沿模型的定價權正在被快速侵蝕。去年的前沿模型，今年就被開源權重模型追上並商品化。在OpenRouter平台上，開源模型的token份額持續上升。如果模型能力快速同質化，模型層的收入增長可能比預期更快見頂，而這恰恰會加劇“折舊門檻”的壓力：收入增長放緩，折舊卻在加速。
這不是遠在天邊的風險。它正在發生。
3 拷問三：需求是真的，危機也是真的
讓我們把傑文斯悖論反過來用。
需求越旺盛 → 各家大廠越不敢踩剎車 → 投資越猛 → 未來折舊越大 → 收入門檻越高 → 需要更多投資維持競爭力……
這是一個自我加速的飛輪，沒有自然的停止機制。
EV報告裡有一個數字可以把飛輪的速度具體化：AI基礎設施的年折舊額，據行業分析師綜合測算，預計到2026年底將逼近1110億美元。而Q1我們剛剛跨過的季度折舊線，是210億美元。門檻，正在快速升高。
飛輪的物理尺度也在膨脹。EV報告記錄，全球最大規模的資料中心在短短四年間擴大了約50倍。晶片在資料中心成本中的佔比從2021年的約40%上升到2026年的約60%，其中增長最快的不是GPU本身，而是高頻寬記憶體（HBM），其份額從約2%飆升至約18%，已成為AI基礎設施投資中最大的增量項。
當然，這個飛輪也有對衝力量：開源模型的快速成熟和推理效率的持續提升，正在壓低單位算力成本，為行業提供一定的喘息空間。但目前來看，這些力量的速度，還追不上摺舊門檻上升的速度。
與此同時，超大規模雲商的自由現金流已經在告急。2024年這一群體每季度還能產生約450億美元的自由現金流，到2026年Q1，已跌至約40億美元。分紅和回購之外，這些公司已經開始靠借債維持AI投資。2025年的債務發行額，是歷史平均水平的四倍。
飛輪在加速，但它需要燃料。而燃料的供給，正在觸碰兩道硬牆。
第一道硬牆：電
這聽起來像是基礎設施問題，實際上是整個AI產業的天花板。
全球資料中心用電量，預計到2026年將逼近1050 TWh。如果資料中心是一個國家，它是全球第五大電力消耗體，夾在日本和俄羅斯之間。
美國東北部電網營運商PJM預測，2027年將出現6GW的供電缺口（相當於六座大型核電站同時滿負荷發電）。諮詢機構Gartner的預測更直接：到2027年，電力短缺將直接限制40%的AI資料中心擴張。
問題的核心，是一個無法用錢解決的時間錯配：超大規模資料中心幾個月就能建好，但一座核電站從規劃到並網需要十年，電網輸電線路的許可審批通常也要五到七年。空檔期裡，只能靠天然氣填，這與各大科技公司公開承諾的碳中和目標，形成直接衝突。
微軟與三里島核電站簽署協議，重啟其中仍可運行的1號機組（2號機組於1979年事故後已永久關閉），亞馬遜花6.5億美元買下直連核電站的資料中心園區，Meta和Google廣泛佈局核電購電協議。這些動作的本質，是在電力成為最大瓶頸之前，提前鎖定稀缺資源。但能做到這一點的，只有少數資產負債表最雄厚的玩家。其餘的，只能排隊等電。
第二道硬牆：折舊的定時炸彈
目前輝達H100 GPU在發佈第四年仍供不應求，AWS的CEO公開表示六年前的A100伺服器至今未退役，這說明折舊年限拉長，也許有真實的市場需求支撐。
但這不應該讓人放鬆。
H100之後有Blackwell，Blackwell之後有Rubin，Rubin之後還有Feynman。輝達大約每兩年就帶來一次代際性的性能跳躍。一旦新晶片的成本效益足夠領先，舊資產的價值就會迅速縮水，更便宜的新算力會搶走舊晶片能承接的工作負載。
普林斯頓大學CITP的研究發現：GPU的實際有效壽命約為1-3年，而行業普遍按5-6年計提折舊。這一判斷與Burry的指控方向一致，但同樣屬於學術估算，並非審計結論。
這個差距，是一根拉得越來越緊的弦。當它斷的那一天，多年積累的帳面利潤虛高，會集中釋放。
4 體能測試還在後面
平心而論，EV報告的里程碑是真實的。
過去兩年，“AI需求是否真實存在”是最難回答的問題：最重要的AI公司大多未上市，雲服務商從不單獨披露AI收入，整個需求側籠罩在一層霧裡。這份報告第一次把霧吹開了一些。1100億美元，是真實付出去的錢。
但也需要記住，AI收入目前僅相當於美國GDP的0.42%。這個行業很大，但仍然很早。跨過折舊門檻，是第一關的成績單，不是最終判詞。
而“勉強跨過折舊門檻”，是一個極其脆弱的平衡。它需要三個條件同時成立：AI收入繼續以接近200%的速度增長，折舊假設不被迫修正，電力供給跟得上飛輪的轉速。
這三個條件裡，沒有一個是理所當然的。
Azhar說過一句話，值得反覆回味：“在資本密集型投資的這個階段，你不會期待大幅超越折舊門檻，如果那樣的話，說明你之前可能把錢留在桌上沒賺。”
這句話的另一面是：現在活得最好的玩家，是那些一方面真實地跨過了這條線，另一方面還留有足夠餘裕去應對電力短缺和折舊衝擊的人。
這場財務大考，AI通過的是受控條件下的第一關。
真正的壓力測試，將由物理世界來主持。 (鈦媒體AGI)