四大云和平台公司，2026 年计划资本开支约 7000 亿美元。
这个口径来自 Benedict Evans 对大厂 capex 指引、市场预期和 AI 基建投资的整理，不是某一家公司的单独公告。它最刺眼的地方在于对比：全球电信行业一年资本开支大约 3000 亿美元，油气行业约 1 万亿美元。
AI 数据中心这一波投入，已经不像互联网公司常规买服务器。它更像一次重资产行业上马：芯片、内存、电力、土地、冷却、融资结构，全都被拖进同一张账单。
Evans 在《AI eats the world》里真正抓住的，不是“AI 会改变世界”这句旧话，而是一个更硬的矛盾：需求涨得太快，供给跟不上；用户规模很大，依赖未必深；模型越来越强，护城河还没看清。
我更在意的是最后一点。2026 年的 AI 竞争，表面看是模型和 GPU，底层其实是资本回报测试。
7000 亿美元买来的，不只是 GPU
这轮 AI 竞争先表现为资本开支爆炸。但瓶颈不只在 NVIDIA。
| 变量 | 当前状态 | 真正约束 |
|---|---|---|
| 四大云 / 平台 capex | 2026 年计划约 7000 亿美元 | 科技公司开始按重资产行业节奏下注 |
| NVIDIA / TSMC | GPU 与先进制程仍紧 | 不是只看采购预算，还要看制造与封装产能 |
| 内存 | 高带宽内存等环节吃紧 | 算力扩张被供应链多个节点卡住 |
| 电力 / 数据中心 | 建设周期长，接入慢 | AI 扩张不再是“插上服务器”就能解决 |
| OpenAI 等需求 | 增长仍远超供给 | 容量、价格和商业模式都没到均衡 |
OpenAI 也在尝试加入这场资本俱乐部。外界报道过 30GW 以上容量、数千亿美元甚至更大规模的交易设想。但这些应理解为目标、交易框架或报道口径，不能写成已经落地的事实。
这不是一句“泡沫要破了”就能解释的事。高 capex 本身不等于财务恶化，也不等于投资错误。问题在于资本结构变了：AI 公司过去像软件公司讲增长，现在被迫像电力、电信和半导体公司一样讲供给。
软件行业最迷人的三件事，是轻资产、高毛利、网络效应。前沿 AI 的底座却越来越接近电厂和移动网络：资本密集，折旧沉重，建设周期长，还要持续追赶下一代模型。
“天下熙熙，皆为利来。”但这一轮，利润还没来，账单先到了。
对 AI 创业者来说，这会直接改变动作。过去可以先拿 API 做产品、用增长故事融资；接下来要更早算单位经济模型：一次任务的推理成本是多少，客户付费能不能覆盖，毛利率会不会被模型调用吃掉。
对企业买家也一样。大模型采购不该只看演示效果。更该问四件事：能不能进现有系统，错误谁负责，部署周期多长，节省的钱能不能被财务部门承认。
用户很多，但使用还不够深
另一个反常点更刺眼：ChatGPT 周活已经超过 9 亿，但付费用户大约只有 5%。这个数字同样来自 Evans 对公开信息和市场口径的整理，精确值可能会变，但方向很清楚。
这不是失败。相反，这是史上少见的消费级产品扩张速度。问题在于，它现在更像“人人都会偶尔用”，还不像“每天离不开”。
Evans 有个判断很准：消费级 AI 目前是“一英里宽，一英寸深”。很多人用它写邮件、查资料、改文案、做摘要。但对相当多用户来说，它还不是稳定工作台。
企业端也类似。试点很多，真正嵌进流程、改预算、稳定产生利润的项目少得多。
| 层面 | 看起来很热 | 现实问题 | 受影响的人 |
|---|---|---|---|
| 消费者 | 周活巨大 | 日常黏性和付费转化不够深 | 普通用户会继续观望，能免费用就不急着付费 |
| 企业 | pilot 很多 | 部署、权限、责任边界慢 | CIO 和业务负责人会延后大规模采购，先压 ROI |
| 开发者 | 接入模型很快 | 产品同质化严重 | 小团队要从“套壳”转向工作流和数据壁垒 |
| 模型公司 | 能力提升快 | 是否有网络效应仍未定 | 不能只靠 benchmark 证明商业价值 |
这里要小心。Evans 没有断言“模型一定商品化”。他的提问更克制：模型会不会缺少网络效应？通用模型之间会不会趋同？价值会不会上移到应用、工作流、数据和行业改造？
我倾向于认为，这些问题比下一代模型 benchmark 提高多少更重要。
用户不为参数付钱。用户为结果付钱，为少花时间付钱，为少雇一个外包团队、少开几次会、少犯一次合规错误付钱。
模型是发动机，但客户买的是车。车还要有方向盘、刹车、保险和维修体系。企业客户尤其如此。
这也是为什么很多 AI 产品会卡在“看起来有用”和“值得长期付费”之间。一次惊艳演示很容易，变成每天要打开的系统很难。
胜负手在落账，不在声势
移动网络是一个有用类比，但不能照搬。
2010 年后，移动数据流量爆炸，运营商花了很多钱建网络。最后拿走最大价值的，往往不是管道公司，而是 App、广告平台、内容平台、电商和支付。
基础设施规模巨大，不代表能捕获上层价值。AI 也可能出现类似分工：模型和算力成为底座，更多利润长在应用层、行业数据、工作流、分发入口和系统集成里。
但这只像了三成。AI 和移动网络不完全一样。前沿模型、专有数据、企业分发入口和多模态能力，仍然可能形成差异。模型层的大门没有关。
真正的问题是：这些差异能不能稳定收费。
我会看四个指标，而不是只看谁发布了更强模型。
| 观察指标 | 为什么重要 | 看错会怎样 |
|---|---|---|
| 推理成本 | 决定产品毛利率 | 用户越多，亏得越快 |
| 客户留存 | 判断是不是刚需 | 周活漂亮，但收入不稳 |
| 部署周期 | 决定企业扩张速度 | pilot 多，订单少 |
| 数据 / 流程嵌入深度 | 决定护城河 | 模型一降价，产品就被替代 |
对创业者来说，“接入大模型”不是产品完成，只是开工。真正难的是选对自动化段落：哪一步能省钱，哪一步能减少错误，哪一步客户愿意持续付费。
对企业负责人来说，也别把 AI 项目做成展厅工程。一个更现实的做法是先砍小场景：客服质检、销售资料整理、代码迁移、合规审查、内部知识检索。能量化节省，再扩大预算。
写代码会变便宜。做软件不一定变简单。
Evans 这份报告的价值，不在于给出确定预言，而在于把问题摆正了：AI 正在从演示阶段进入部署阶段，从模型竞赛进入资本、组织和利润竞赛。
前半场比谁能造出更强的智能。后半场比谁能把智能塞进真实世界的缝里，还能把钱收回来。
开头那个 7000 亿美元的数字，最后要回到一个朴素问题：这些钱买来的算力，能不能变成客户账单里的刚需。
烧钱不难。难的是烧完以后，留下的不是热闹，而是利润。