SVTR 编者按 ｜ 红杉资本合伙人 David Cahn 把 AI 基建这笔账算到了 3 万亿美元，Apollo 首席经济学家 Torsten Slok 警告这道题答不好会拖累标普。市场大多在争"AI 有没有泡沫"。SVTR 认为更重要的问题是：即便 AI 最终创造的价值远超 3 万亿，承担资本开支的人、压低成本的人和捕获收入的人，也未必是同一批。这篇写给关注 AI 基础设施、二级市场联动与中美算力分工的投资人：真正该盯的不是缺口有多大，而是价值到底流去了谁的口袋。
读图：钱高度压在上游。据 SVTR AI 创投库，截至 2026 年 7 月收录的 5,718 家 AI 公司；仅统计已披露融资的公司，按创投库三层分类法（基础层/模型层/应用层）归类。
一、缺口不是"总量填不满"，是一道分配题
先把账算清。按 Cahn 7 月的估算模型，2026 年超大规模厂商的 AI 数据中心资本开支约 7500 亿美元（其中 Amazon、Alphabet、Microsoft、Meta 四家合计已达约 7100 至 7250 亿）。按他惯用的 2 倍口径（覆盖非芯片成本与 50% 毛利），要让这一年的投入拿到合理回报，最终需要约 1.5 万亿美元的终端收入；从 ChatGPT 上线累计，这个收入要求滚到约 3 万亿美元。注意这算的是要赚回来的收入，而非今年花掉的现金，两者常被混为一谈。
账本另一头，OpenAI 与 Anthropic 加起来的年化收入约 1000 亿美元量级（据 SemiAnalysis 7 月建模，其模型预计 Anthropic 三季度经营利润有望超 10 亿美元，但前沿实验室整体仍在烧钱）。3 万亿是累计收入要求，1000 亿是当前年化能力，一个是存量目标、一个是流量现状，严格说不同口径；但足以说明现有商业化规模离基建承诺还差着数量级。
真正的结构性风险不在总量，在分配。这笔钱在四拨人之间流转，进和出却不是同一拨。掏钱建产能的，是少数超大规模厂商、数据中心和前沿实验室。把成本一路压下来的，是开源模型、推理优化和更省的芯片。白捡生产率红利的，是用上 AI 的企业和普通用户。真正有机会把钱赚到手的，是那些攥着用户、工作流、交易入口和专有数据的应用公司。掏钱的挤在最上游，收钱的散在最下游。
这种分家不是推演出来的。SVTR AI 创投库里 5,718 家 AI 公司，模型层和基础层加起来才两成，却占了近七成的已披露融资；剩下近八成公司全挤在应用层，人均拿到的钱不到模型层的十三分之一。钱已经砸在上游，收入却指望下游千军万马去挣。
二、效率与开源，正在改写"谁收到钱"
"代币工厂"的商业模式默认一件事：产能建好，用量会涨上来填满它。Cahn 三年前那道 2000 亿美元的题，正是靠用量爆发慢慢消化的。但 2026 年冒出两个变量，动的不是用量，是收入的归属。
一是效率。OpenAI 最新的 GPT-5.6 Sol 在智能体编码任务上，Token 效率比对手模型高 54%（据 Sam Altman，7 月 9 日）。对用户，这意味着同一项任务用更少 Token；对模型厂商，它落成收入下降、毛利提升还是用量进一步爆发，取决于价格降得多快、新增需求接不接得住。所以钱会不会变少，本身就说不准。
二是开源。据 OpenRouter 数据，中国模型的周度 Token 消耗在 2 月 9 至 15 日那周首次反超美国（4.12 万亿对 2.94 万亿），到 6 月已拉开到约 18 万亿对 5.5 万亿；美国模型在该平台的份额一年内从约七成滑到约三成。驱动力很直接：中国模型便宜 10 到 20 倍。
Jevons 悖论（越便宜、用得越多）几乎保证 AI 总用量继续爆发，这点没有悬念。真正悬着的是钱归谁。单位智能的价格一旦降得比需求涨得还快，多出来的用量就会成片漏向不为这 7500 亿资本开支买单的那侧。"代币工厂"真正的还款风险，是用量照涨、钱却流去了别处。
三、换到中国：不接这道题，而是把它变难
与美国实验室靠超大规模资本硬砸绝对前沿不同，DeepSeek、Qwen、Kimi 这批中国头部厂商走的是另一条工程路线：把训练效率、推理成本和开源分发做到极致，用低价去抢开发者和调用量。它们同样在争这场模型竞争，只是换了一种打法。
但有一点容易被带偏：开源权重是中国的，不等于这些调用不为美国基建付钱。它们照样可能跑在 AWS、Azure、Google Cloud 上，照样烧英伟达的 GPU，照样给美国的数据中心和电力买单。被开源真正压薄的，首先是模型层的溢价和高毛利 API 收入，未必是整个基础设施层的收入。
更准确地说：开源没有让 AI 投资集体无法回本，它是在把价值从模型所有权挪到算力托管、产品分发和最终工作流。前沿实验室可能丢掉 API 溢价，云和算力仍能从推理需求里收钱，芯片和电力则看模型最终在哪运行。中国在做的，不是回答"AI 能不能赚够 3 万亿"，而是通过商品化输出，把这道题里"高毛利那部分"抽走，让美国花钱方的还款周期变长。
对钱不多的玩家，这里其实有条现实路径：别跟巨头拼资本开支，用便宜模型去卡应用和分发的位置。前提是应用层能建起 Token 之上的粘性，否则一样会被"够用且便宜"击穿。
四、风险会传导，落点是创业者
Slok 担心的不是 AI 本身，是传导。市场普遍押注，随着今天建的算力陆续投用，谷歌、Meta、微软、亚马逊合计的自由现金流会从 2026 到 2030 年增长四倍以上。可"七巨头"如今占了指数太大权重，一旦回本节奏慢下来，问题就关不住，会从芯片、电力、数据中心一路传到整个标普 500。用 Slok 的原话，回报放缓"可能把经济推向衰退、把标普推向回调"。
同样一道题，不同人该问的不一样。基础设施基金要问自己投的产能靠谁付费；软件 AI VC 要问效率红利和开源替代会不会连应用层的定价权一起压薄；二级和产业资本要问 2028 年后现金流兑现的共识，有没有被过度定价进当下估值。笼统喊"AI 泡沫"没意义，关键看你是掏钱建产能的那方，还是靠它收钱的那方。
说到底，AI 大概率会创造远超 3 万亿美元的经济价值，但砸下这 3 万亿资本的人，未必拿得到同比例的收入。所以接下来 12 个月，真正值得下注的不是模型能力，而是谁能占住一个高频工作流、攒下模型抄不走的专有数据、握住最终的客户关系和交易入口。Token 越来越便宜，调用本身早就不是护城河，把调用嵌进业务结果才是。SVTR AI 创投库会持续盯着算力基建和应用层的融资分流，中美两侧对着看。