AI 的高额投入，正在变成产品定价约束
AI 基础设施投入开始承受市场审问。真正的产品问题是：每一项新增算力，能否换来可持续的用户价值与利润。
真正重要的，不是 Alphabet 和 Tesla 正在大笔投入 AI；而是基础设施支出已经开始变成产品定价约束。因为每一个新增工作负载，都必须证明自己能够承担对应的算力账单。
信号已经从数据中心传到了财报电话会
CNBC 7 月 23 日报道，Alphabet 与 Tesla 的 AI 支出正在令华尔街失去耐心，基础设施投入甚至盖过了增长本身。同一轮报道还提到，Alphabet 正在研发更高效的 AI 芯片。把这两个信号放在一起看，比单独看任何一个标题更有意义：市场不再把算力当成一项隐形前提，而是开始追问，成本曲线是不是产品战略的一部分。
这是一种重要变化。生成式 AI 的第一阶段，产品逻辑通常很简单：增加模型能力、获取用户，然后再慢慢优化经济性。但高推理量产品并不存在一个单一成本时刻。它会持续支付上下文、重试、工具调用、延迟、存储与峰值容量的成本。演示中看起来便宜的功能，进入持续使用阶段后，可能迅速变成毛利问题。
芯片故事让这个机制更清楚。更好的芯片不只是硬件上的胜利，它会改变哪些工作负载能够以可接受的价格提供，哪些延迟承诺真正负担得起，以及一个产品能否增加智能体行为，而不必暗中补贴每一次任务。
市场可能误读了什么
投资者开始不耐烦，很容易被解读成市场正在否定 AI 投资。这个结论太宽泛。更准确的说法是：资本支出必须开始对应一个明确的工作负载假设。
总支出本身无法告诉我们产品是否优秀。一家公司可以大规模建设通用容量，却没有把使用量变成收入的路径；另一家公司也可以投入很多，只因为它拥有清晰的工作负载——搜索、编程、推荐、模拟或自主控制——并且更好的单位经济性会扩大市场。
这里还存在时间错配。基础设施通常先于可见需求到来，而产品收入往往要等可靠性、分发和定价实验完成之后才出现。过早削减投入，可能让有潜力的工作负载失去发展空间；但如果没有测量体系，持续投入就会把乐观变成永久性的运营成本。
更隐蔽的取舍是灵活性。专用芯片和高度优化的服务栈可以降低成本、改善延迟，却也可能让公司更难切换模型，或服务非标准工作负载。只有当这种效率能够经受模型架构与客户行为变化时，它才真正有价值。
更准确的判断：算力已经是产品界面
采购者真正要问的，不再只是“哪个模型的基准测试最好”，而是：“哪些工作负载会因为增加算力而变好？我们能否测出这种改善？”
这带来一个具体的产品设计要求：团队应该把成本和质量遥测，绑定到用户能够理解的工作单位，而不是只绑定 token 或 GPU 小时。对智能体来说，这个单位可能是完成的案件、解决的工单或合并的代码；对研究助手来说，可能是经得起复核、并带有引用的答案。分母必须把基础设施和用户结果连起来。
这也会改变路由策略。便宜模型不一定更高效，因为它可能带来更多重试、更长上下文或更多人工修复。反过来，一个更贵的模型如果减少失败恢复，也可能更经济。真正的利润杠杆，是把模型、上下文长度、工具使用和验证深度放在一起决策。
建设者现在就可以做几件事：记录每个完成工作流的成本、延迟、重试与人工修正；把固定容量投入和可变推理成本分开；在承诺无限使用前测试备用模型与降级模式；最后，按照完成结果的价值定价，而不是按照 AI 功能的新鲜感定价。
我们此前写过智能体交易的证据台账，它提供了一个相邻的参照：只有当系统记录发生了什么、在什么条件下发生、失败模式是什么，可靠性主张才具备决策价值。AI 产品经济性也需要同样的纪律。关于推理如何变成产品路线图，则从基础设施侧指出了同一层约束。
现实检验
AI 支出很大，并不自动意味着它不理性；需求可见，也不自动证明支出合理。决定性问题是：每一个主要工作负载，是否都有一条可测量的路径，能把更多算力转化为更多价值。
接下来两个财报周期，可以观察一个很具体的指标：公司是否披露按工作负载拆分的效率、定价变化或产品结构，而不只是总资本支出与模型可用性。如果讨论始终停留在建设更大集群，却看不到毛利和使用质量，那么市场是在产品尚未被理解之前，先为容量买单。
因此，AI 竞赛正在进入一个不那么光鲜的阶段。赢家仍然可能购买巨量算力，但他们会知道每一份新增算力究竟买来了哪一种客户结果，也知道什么时候应该停止为产品无法转化成持久需求的容量继续付费。
也可以阅读英文原文，了解同一判断的英文版本。
来源：CNBC，2026 年 7 月 23 日；CNBC，2026 年 7 月 20 日。