大厂在AI上的投入其实比财报里写的要高出3万亿美金

很多分析师盯着财报里的资本支出（CapEx）算AI投入，但这种算法根本没触及核心。如果你把那些被摊销的硬件成本、电力基础设施的隐形投资，以及为了维持算力集群而进行的底层架构升级全部算进去，你会发现那些科技巨头在AI上的真实砸钱规模比公开数字高得多，甚至能顶上3万亿美金的量级。

这背后其实是一个很简单的会计逻辑问题。很多GPU集群和数据中心被计入了长期资产并分年摊销，而不是一次性计入当期支出。这就导致外界看到的数字是被“平滑”过的。而且，为了跑起这些大模型，大厂得在电网升级、冷却系统以及专用光模块上投入海量资金，这些支出往往被掩盖在通用基础设施建设里。

我想从几个维度拆解这种“隐形支出”的逻辑：

• 硬件摊销的时间差： H100 这种卡虽然贵，但公司不会在买回来的那一刻就把它全部计入亏损，而是分几年摊销。这意味着账面上的年度支出远低于真实的现金流出。
• 能源基建的沉没成本： 现在的瓶颈早就不在芯片本身，而在电力。为了给 AI 集群供电，很多公司在买地、建变电站甚至投资核电，这些钱在财报里可能被归类为“设施升级”，而非直接的 AI 研发。
• 生态系统的冗余投资： 为了保证高可用性，大厂必须部署大量的冗余算力，这种为了防止宕机而产生的浪费，同样是极其昂贵的隐形成本。

这种投入规模意味着 AI 竞争已经演变成了纯粹的资源消耗战。当投入规模达到万亿级别时，单纯比拼模型参数已经没意义了，比的是谁能支撑起这种恐怖的资本开支且不至于导致股价崩盘。在这种环境下，中小规模的团队如果想通过纯算力路线硬刚大厂，基本是不可能的，唯一的出路是寻找更高效的推理框架或更精准的垂直场景。