社区

作者 |肖恩

编辑 |德新

虽然Anthropic当下风头无两，收入和估值都暂时压过了OpenAI，但OpenAI仍是全球增长最快的科技公司之一。

在最新一轮融资公告中，OpenAI给出了漂亮的反击：公司每月收入约20亿美元；不久前刚完成1220亿美元承诺融资，投后估值达到8520亿美元。

对比任何传统科技公司，这都是一条令所有人羡慕的增长曲线。

但背后还有另一串数字——据路透社报道，OpenAI在2026年一季度收入为57亿美元，同时期账上现金减少了37亿美元。

赚钱越多，花钱更快。

更烧钱的还在后面。OpenAI计划到2030年，累计投入约6000亿美元用于计算资源，这个资金规模已经超过了传统软件公司高毛利的经营范式，更像是重工业领域的投资。

这也是OpenAI当下最矛盾的地方：它的模型越是先进复杂，用户规模越多，推理成本越高。一方面，它站在AI技术探索的最前沿；同时，又深陷于重资产的AI基建之中。

OpenAI的处境是美国AI产业的一个缩影。你去翻看它的账本里，藏着AI繁荣背后的另一套逻辑。

一、万亿巨头之间的「循环融资结构」

今天美股市场有13家万亿美金市值以上的公司，如果去掉巴菲特的伯克希尔以及制药公司礼来，剩下的11家万亿巨头都与AI强相关，并且相互之间有错综盘杂的合作关系。

这一轮美国AI产业的繁荣，并不只是企业之间正常的商业合作，背后逐渐形成了一种特殊的“循环融资结构”。

资金由巨头公司投向模型公司，模型公司再通过算力采购将资金返回给上游的云厂商与芯片公司，云服务商、芯片公司因为订单需求和收入扩张迎来一轮市值暴涨，而模型公司又通过释放更高的收入预期和算力需求，撑起下一轮的估值与融资。

在这个结构里，每一笔支出，同时也是另一端的收入来源，交易本身在不断强化整个系统的增长故事。

OpenAI是其中最典型的样本，据披露的2025财年数据，OpenAI当年收入为130.7亿美元，总支出却达到340亿美元，营业亏损约209.2亿美元。其中最大的支出，流向了微软。

在340亿美元总支出中，有高达172亿美元直接支付给微软，用于购买Azure云服务基础设施和算力。

在OpenAI上，微软同时扮演多个角色——投资者（累计约130亿美元）以及最大的云算力供应商。

资本先以投资形式进入OpenAI，再通过云服务与算力采购回流到微软。账面上，OpenAI拿到了资金，微软获得了云业务收入。

但OpenAI与微软的关系，只是整个系统的一部分。

在更大范围的链条里，NVIDIA、CoreWeave与OpenAI，AWS和OpenAI、Google和Anthropic，也都存在类似的结构。

NVIDIA参与OpenAI融资，同时持有CoreWeave股份，OpenAI随后与CoreWeave签订超过百亿美元级别的基础设施合同。CoreWeave基于这些长期合同，再向NVIDIA采购GPU资源，用于扩充算力集群。

据公开信息，CoreWeave至少采购了约25万块高端GPU（以H100为主），总投入约75亿美元。

在这个链条中，每家公司都有自己的增长叙事：

• NVIDIA：GPU需求持续增长；

• CoreWeave：长期算力合同支撑收入确定性；

• OpenAI：持续扩展的算力供给。

但这些交易相互嵌套，资金在投资与采购、算力扩张与云服务供应之间循环，不断转化为新的收入和估值预期。

从结果来看，这一轮AI繁荣并非伴随着用户终端收入带来的线性增长，而是建立在“资本流动 + 算力采购 + 基础设施扩张”共同构成的循环之上。

OpenAI是这个系统中最引人注目的节点，但不是唯一节点。

二、推理成本，顶级模型公司的「阿喀琉斯之踵」

翻看OpenAI的财务数据，有一个问题就像房间里的大象一样无法忽视——为什么它的成本这么高？

大家通常认为是模型训练太烧钱。训练前沿模型，本来是一次性投入，要买GPU、租云、堆数据中心。

更关键的是，模型上线后开始进入持续消耗的阶段，也就是推理环节。

当用户向ChatGPT提出一个问题后，大模型在底层会经历两个步骤。第一步是“预填充（Prefill）”，系统会一次性读取并处理输入内容，这一部分相对高效，GPU可以进行大规模并行计算。

真正拉开成本差距的，是“解码（Decode）”。

模型必须一个token、一个token地生成答案。每一步生成，都需要重新读取模型参数和上下文信息，并把数据从高带宽内存（HBM）搬到计算单元附近。生成的token越多，这种过程就会重复越多次。

问题在于，这个过程中GPU并不是总是在计算，而是有相当多时间在等待数据被不断搬运到位。

通用GPU的计算能力很强，但在这种低延迟、高并发的推理场景中，算力往往不在瓶颈，而在数据传输与内存带宽。

单张GPU的带宽结构在设计时已经固定，当推理规模扩大时，最直接的方式不是提升单卡效率，而是增加GPU，通过规模来扩充吞吐能力。

于是，这个原本是硬件层面的约束，最终会变成暴增的成本：更多用户、更长输出、更复杂推理，都意味着需要更多GPU、更高电力消耗，以及更大规模的数据中心。

这也解释了为什么输出token的成本持续高于输入token。

输入是一次性处理，输出则是逐步生成，越长的回答，消耗指数级上升。推理模型出现之后，这种结构被进一步放大。模型在给出最终答案前，会生成大量中间“思考”步骤，这些步骤虽然对用户不可见，但同样需要耗费计算资源。

在这种结构下，模型越复杂，并不意味着越高效，反而可能意味着更高的持续成本。

底层云厂商是按照真实资源消耗计费的，而OpenAI在前端却采用固定订阅或相对稳定的价格体系。这种结构在轻度使用时问题不大，但在重度使用场景下，成本与收入之间的差距会迅速放大。

有第三方测算显示，在高强度使用情况下，单个Pro订阅用户的算力成本，可能远高于订阅收入。因此，OpenAI真正的压力不止是规模，而是“规模增长本身就会同步放大成本”。

那在这种成本结构下，为什么产业还能继续扩张？

三、英伟达与微软，两个绕不开的收费站

OpenAI的上游，其实存在两个关键“收费站”。

第一个是芯片和算力层。NVIDIA是最核心的供应商，但同时也是整个系统里最稳定的定价中心。通用GPU足够强，可以支撑训练、推理和数据中心扩张，但它并不是为大规模逐token生成的推理场景单独设计的。

只要继续依赖通用GPU，OpenAI就很难真正控制成本结构。GPU价格、供给节奏、云厂商定价方式，都会持续作为外部变量存在。

于是，OpenAI开始尝试往更贴近自身需求的方向走：不只购买算力，而是参与算力的设计。

OpenAI与博通合作推进自研芯片，本质上不是为了立刻替代所有GPU，它要解决自己的推理成本问题。如果每天最大的开支来自推理，那么继续用通用GPU不是最经济的方式，它需要一套更符合大模型推理路径的硬件。

第二个收费站是云服务与数据中心层。

过去几年，OpenAI最依赖的云服务商是微软Azure。微软既是投资者，也是算力供应商。这个关系让OpenAI获得了早期快速扩张的基础，但也让它产能和成本都高度绑在了微软上。

现在，OpenAI正在从单纯租用云服务，转向更主动地锁定和组织基础设施。

它一边继续与微软保持深度绑定，另一边又把Oracle、CoreWeave、AMD、NVIDIA等更多玩家拉进来。「星际之门」计划，本质上也是为了提前锁定数据中心、GPU、电力和网络容量。

传统模式下，OpenAI是云服务的大客户。但随着推理需求的膨胀，它开始更接近一个基础设施的规划者：提前签长期合同，锁定未来几年的算力容量，参与数据中心资源安排，甚至通过芯片合作影响硬件设计的方向。

这样做不一定能立刻省钱，甚至短期内会让承诺支出变得更大。但它能换来两件东西：更稳定的算力供应，以及更强的议价空间。

这也是为什么OpenAI与AMD的合作指向6吉瓦级GPU部署，同时与NVIDIA又锁定了至少10吉瓦的数据中心系统。10吉瓦是什么概念？它相当于几个大型核电站的输出总和，约为肯尼亚全国用电峰值的四倍以上。

OpenAI仍然是一家AI应用公司，它的核心能力仍然是模型和用户入口。

只是AI走到今天，后端的资产越来越重，用户规模越大、付费用户越多，后端就越需要芯片、数据中心、电力和长期资本来托底。

四、巨额账单如何被推动成为增长信号？

随着OpenAI成本持续上升，这个问题逐渐从单一公司内部，扩展到整个行业的承受能力。

一方面，算力投入在不断增加；另一方面，整个AI产业的估值和融资规模也在同步扩大。

资本市场在这里扮演了关键角色。在这一轮AI扩张中，收入不再只是经营结果，而被更多当作未来算力需求的信号。合同规模、算力采购、基础设施支出，这些原本属于成本侧的数字，被持续解读为增长信号。

同一笔支出，对OpenAI来说是成本，对云厂商来说是收入，对芯片公司来说是需求，而在资本市场中，则成为未来增长的依据。于是，系统并没有因为成本上升而收缩，反而在这种“重新定价”中继续扩张。

另一层支撑来自更宏观的背景。

过去两年，美国政府通过AI行政令与一系列产业政策，把AI从单纯的商业技术，逐步推入国家基础设施框架之中。

在《AI行政令》（Executive Order on Safe, Secure, and Trustworthy AI）中，超大规模模型训练被纳入监管范围，算力规模、模型能力和安全风险开始被系统性记录与审查。

云厂商也被要求进入责任链条之中，为模型训练与部署提供基础设施层面的配合。

这意味着，Microsoft、Amazon、Google这些云服务提供方，不再只是市场参与者，同时也成为政策体系的一部分。

同时，《CHIPS and Science Act》（芯片与科学法案）把半导体制造能力重新纳入国家产业安全框架，推动先进制程回流与本土产能建设，使得算力供给开始受到美国国家层面的结构约束。

当资本市场在定价未来，国家体系在定义能力边界，AI的账单就不再只是企业自己的问题。

五、结语

今天的AI繁荣，不是简单的泡沫。

OpenAI的收入、NVIDIA的GPU订单、CoreWeave的数据中心合同，都是真实发生的。

但真实不等于健康。

美国AI产业正在用真实支出，支撑一个更大的资本叙事。

OpenAI的账本证明AI需求确实存在，但也说明这个故事离不开循环融资的结构，以及更宏大的国家战略。

AI已经不只是软件生意。它承载着资本对下一次技术革命的想象，同时也是美国重塑技术领导力的重要抓手。

可如果有一天，终端收入追不上算力支出，模型调用撑不起基础设施扩张，这套循环就会从繁荣的放大器，变成成本的深渊。

这场下注，还没到结算的时候。