7万亿美元算力豪赌背后，大厂们是否在用防御性投资掩盖ROI的崩塌

最近在复盘英伟达财报以及几家头部云厂商的 CapEx（资本支出）数据时，我发现了一个极其诡异的矛盾：硬件供应商的增长曲线几乎是垂直上升的，但真正买单的科技巨头们反而陷入了集体焦虑。粗略计算，这波 AI 浪潮带来的资本支出规模已经逼近 7 万亿美元，但除了卖“铲子”的英伟达，真正能将这笔巨额投入转化为大规模营收的公司寥寥无几。

我认为，目前整个行业最核心的困局在于，算力成本的边际效用正在递减。在 Scaling Law（规模法则）的光环下，业界形成了一种惯性思维：只要增加算力，模型能力就会线性提升。但现实是，增加 10 倍的算力投入，并不意味着模型在实际业务场景中的能力能同步提升 10 倍。

现在很多公司疯狂堆卡，其实是为了在 LMSYS Chatbot Arena 这种公开榜单上刷出更高的分数，以此维持一种“领先”的假象，而非真正解决了某个具体的业务痛点。当能力提升的曲线开始放缓，而成本曲线依然陡峭时，投资回报率（ROI）的崩塌几乎是必然的。在这种背景下，很多大厂其实陷入了典型的“防御性投资”陷阱。他们下单买卡，并非是因为看清了商业闭环，而是出于一种深层的恐惧——害怕掉队。在这种心理驱动下，公司不得不把大模型强行塞进每一个既有产品里，但用户端的实际需求并没有同步爆发。结果就是，很多原本被寄予厚望的 AI 工作流，在实际应用中变成了昂贵的“电子玩具”。

更深层的危机在于商业模式的单一与脆弱。目前绝大多数 AI 产品的变现路径依然停留在简单的“订阅制”，最典型的就是每月 20 美元的会员费。这种模式在传统 SaaS 时代可行，但在 AI 时代极其危险，因为它根本无法覆盖背后的推理成本和电力开支。

以目前主流的 H100 集群运行成本来看，高频次的复杂推理请求会导致单次调用成本极高。如果不能在定价模型上实现突破，或者在推理效率上实现数量级的优化，这点订阅费在庞大的研发投入面前几乎可以忽略不计。很多公司在计算 ROI 时，往往只看了营收端的增长，却忽略了推理侧（Inference）随用户量增加而线性增长的成本压力。

此外，落地场景的碎片化让很多项目成了空谈。现在市面上绝大多数所谓的“AI 实战案例”，本质上都是简单的 Wrapper（套壳应用）。它们通过调用 API 实现了简单的界面交互，但缺乏深层的业务逻辑支撑。这种产品最致命的问题在于，用户在新鲜感过后会迅速意识到它无法替代核心工作流，导致留存率极低。

现在的局面就像是全球的科技巨头都在不计成本地建设超级工厂，但问题是，他们还没找到足够多的买家来消化这些工厂生产出来的产品。如果不能从单纯的参数竞赛转向真正的端到端价值创造，这 7 万亿美元的投资最终可能会变成一场极其昂贵的教训。