别被财报里的资本支出骗了，大厂在 AI 上的真实投入可能高达 3 万亿美金

盯着科技巨头财报里的资本支出（CapEx）去推算 AI 投入，是分析师常走的一条路，可这条路走不到真相跟前，因为会计处理有它自己的腾挪空间。被摊销掉的硬件成本、电力基础设施那些看不见的投入、为撑住算力集群而做的底层架构升级，把这些一并计入，大厂在 AI 上的真实花费会比公开数字高出一大截，量级能到 3 万亿美元。

差距来自一条朴素的会计规则。人们看的是年度支出，而 GPU 集群和数据中心在财报里挂在“长期资产”名下。一家公司吃下数万颗 H100，这笔钱不会在当季一次性变成亏损，它会被摊进三到五年的折旧周期。年度支出因此显得温和，现金流出却完全是另一回事。

拆开这笔隐形支出，有三个角度能看清资源战的底牌。

硬件摊销制造了时间差。单颗 NVIDIA H100 的成本摆在那里，买进来就被资本化，账面上的年度支出自然低于真金白银的流出。财报里某个季度 CapEx 抬头，往往只是早先付掉的巨额订单在分期摊销，资金压力在下单那一刻就已经发生了。

能源基建是沉没成本。AI 竞争的瓶颈早就不在芯片，而在电。超大规模算力集群要电网升级、工业级冷却系统、专用光模块撑着，部分公司干脆买地、自建变电站，甚至直接投小型核电站。这些支出在财报里常被归进“通用基础设施升级”，不会单列成“AI 研发支出”。可没有这些电，买了 10 万颗芯片也不过是机房里的废铁。

生态系统的冗余投资同样昂贵。高可用性（High Availability）要求部署海量冗余算力，为防宕机、扛峰值流量而生的冗余，本质上是一种极贵的浪费。它埋在整体运维费用里，却是大模型服务稳定运行绕不开的代价。

当投入到了万亿级别，比模型参数、刷榜单都失去了分量，真正较量的是谁能扛住这种资本开支，还不让股价崩盘地持续烧钱。

中小团队想靠纯算力路线硬刚大厂，面对的不是一个模型，而是一套由核电、光模块和万亿级现金流托起来的工业体系。出路在于放下规模幻想，去更高效的推理框架里找空间——比如优化量化算法——或者扎进更精准的垂直场景，在局部战场吃效率红利。