a16z新文：从加密矿场到AI云，「新云」为何越增长越烧钱？

原文标题：Charts of the Week: Head In The Neoclouds
原文作者：Moses Sternstein，a16z

编者按：在生成式 AI 推动新一轮算力投资的背景下，市场对 AI 基础设施的讨论，正在从「有没有足够多的 GPU」转向「谁能以可持续的方式提供算力」。当模型训练、推理需求与数据中心扩张已成为共识，一个更底层的问题开始浮现：算力需求的高速增长，能否真正转化为稳定的利润与现金流？

在 a16z New Media 发布的《Charts of the Week》中，作者 Moses Sternstein 从 CoreWeave、Nebius 和 Applied Digital 等新云公司切入，讨论 AI 算力市场的增长、估值与盈利矛盾，并进一步延伸至横向 SaaS、模型路由和前沿实验室人才竞争。

在这篇文章中，作者并非简单判断 AI 需求是否强劲，而是将当前 AI 交易拆解为一组更底层的结构性问题：既有基础设施如何被重新定价，收入增长为何没有同步改善市场预期，以及 AI 产业的竞争焦点为何正从单纯扩张转向效率与回报。

第一，是基础设施价值的重新发现。过去，铁路沿线土地、天然气管道和有线电视网络都曾为特定行业服务，随后被改造成电信和互联网基础设施。今天，类似的资产重估再次发生。部分新云公司原本服务于加密货币挖矿，已经拥有电力、机房、冷却系统和高密度计算的运营经验；AI 需求爆发后，这些能力迅速转化为稀缺的算力供给。其意义在于，AI 基础设施竞争并非完全从零开始，早期优势往往来自对旧资产、能源资源和工程能力的重新组合。

第二，是收入高增长与盈利不确定性的并存。CoreWeave 等新云公司的早期收入增速，一度超过 AWS 等云巨头起步阶段，但资本市场并未给予同等程度的认可。原因在于，新云并不是典型的轻资产软件生意。GPU 采购、电力接入、数据中心建设、芯片折旧和债务利息会随着规模同步上升，甚至快于收入增长。这意味着，收入扩张只能证明 AI 算力需求旺盛，却不能自动证明商业模式具有足够高的资本回报率。市场真正等待的，是这些企业能否把订单和收入转化为可持续的自由现金流。

第三，是软件价值正在按照 AI 影响重新分化。过去，市场担心生成式 AI 会普遍削弱 SaaS 公司的护城河，但 Atlassian 的表现说明，AI 也可能成为提高客户支出与产品黏性的工具。与此同时，网络安全和可观测性软件继续获得估值溢价，因为 AI 扩大了潜在风险，也提高了企业对成熟解决方案的依赖。这意味着，所谓「SaaS 末日」并不会均匀发生。AI 究竟是替代产品、压低价格，还是扩大需求，正在成为软件估值分化的新标准。

第四，是 AI 应用正在从「堆 Token」转向优化 Token。过去，企业往往倾向于直接调用能力最强的模型，或给工程团队一笔预算自行试验；如今，Databricks 等公司开始通过智能路由，根据任务难度匹配不同价格与性能的模型，在维持效果的同时降低成本。Token 单价下降也不必然意味着 AI 总支出收缩：当单位成本降低、应用场景增加，Token 消费总量和整体市场规模仍可能继续上升。效率与需求并非相互排斥，而可能形成彼此强化的循环。

如果将这篇文章压缩为一个判断，那就是：AI 基础设施已经证明自己可以创造高速增长，但下一阶段的胜负将取决于企业能否把增长转化为更高的资本效率。在这个意义上，本文讨论的对象已经不只是 CoreWeave 们能否成为下一代云巨头，而是整个 AI 产业能否从算力扩张走向可持续的商业回报。

以下为原文内容：

头顶「新云」

20 世纪初，南太平洋铁路公司在连接美国各地城市与城镇的已清理土地上，拥有大量闲置的建设权。铁路路权的范围远宽于铁轨本身，因此沿线还留有许多可供开发的走廊。

于是，这家铁路公司沿铁路线铺设了一套通信网络，并将其命名为「南太平洋铁路内部联网电话系统」（Southern Pacific Railroad Internal Networking Telephony）。到 20 世纪 70 年代，公司开始将这套网络商业化，向更广泛的用户开放。

随后，两件事同时发生了：一方面，长途电话市场的垄断格局走向终结；另一方面，光纤电缆开始具备商业可行性。原有通信走廊被改造成光纤线路，这套网络后来也以其英文缩写「Sprint」为人所知。曾经服务于铁路的资产，由此成为电信革命的基础设施骨干。

将既有实体网络改造成更大规模商业技术基础设施的，并不只有铁路公司。

20 世纪 80 年代，威廉姆斯公司（Williams Company）把闲置的天然气管道改造成光纤通道，成立了 WilTel。该公司后来被出售，并最终更名为 WorldCom。到了 90 年代，为有线电视业务铺设的单向同轴电缆，也经历了一轮规模庞大、成本高昂的升级，最终成为 Comcast 和 Charter 面向消费者提供宽带互联网服务的基础设施。

这就引出了另一类企业：它们同样坐拥现成的基础设施，而这些资产如今正被大幅改造、重新定价，以满足一种新兴技术的需求------这就是「新云」（neocloud）公司。

简单概括，新云公司原本大多从事能源和算力密集型的加密货币挖矿业务，随后 AI 浪潮到来。突然之间，谁拥有电力使用权、基础设施，以及建设和管理高强度计算负载的经验------在 CoreWeave 的案例中，还包括大量 GPU------谁就站上了当下最炙手可热的赛道之一。

当然，这并不是严格意义上的同类比较。但如果观察规模最大的三家上市新云公司，其收入增速确实令人瞩目。

我们只能估算超大规模云服务商创业早期的云业务收入，但大致趋势已经很清楚：新云公司的增长速度极快，而且明显快于三大云服务商起步阶段的增速。

需要说明的是，在整个算力销售市场中，新云公司目前仍只是相对较小的参与者。

它们距离超大规模云服务商的体量，也还有很长的路要走。

超大规模云服务商每季度创造的收入，比新云公司高出几个数量级。但与此同时，CoreWeave 大约只用了 25 个季度，就实现了 AWS 自推出后到第 40 个季度才达到的 26 亿美元收入。再强调一次：这些企业的增长速度确实非常快。

拥有如此高的增速，又搭上 AI 行业的顺风车，按理说投资者应该相当兴奋。某种程度上的确如此，但真实情况要更复杂一些。

虽然这些公司最近一轮财报的表现普遍不错，但过去一年里，CoreWeave 的股价仍累计下跌约 16%；只有 Nebius 较为接近此前的高点。

因此，这个故事总体上仍然不错，但对其中规模最大的新云公司来说，吸引力显然弱了一些。

近期市场表现相对平淡，部分原因在于许多增长预期可能已经反映在估值之中。

对于新云这类资本密集型企业，市销率并不是最合适的估值指标，但用来说明问题仍然很直观。规模较小、增速更快的 Nebius 和 Applied Digital，估值溢价远高于规模大得多的 CoreWeave。CoreWeave 的收入仍在翻倍，但已经不及榜首企业 400% 至 450% 的增速。

如果说新云公司真正存在什么问题，那并不是增长，而是长期盈利能力。新云公司需要持续投入芯片、电力和实体基础设施才能扩大规模，，而这些成本都不低：

以 CoreWeave 为例，其收入增长的确十分可观，但资本开支更加惊人。其他巨额成本还包括芯片折旧------折旧金额已经超过收入的一半------以及为提前建设昂贵基础设施而举债所产生、且仍在上升的利息支出。

本文无意就新云公司最终能否成功，或其当前股价是否合理作出判断。除去话题本身的热度，这里真正想说明的是，新云公司恰好构成了整个 AI 交易中多空拉扯的一个缩影。

一方面，它们身处一个规模远超所有人此前预期、且仍在继续扩大的垂直市场------算力市场------并创造了历史罕见的增长速度；另一方面，建设这类企业的成本也处于历史高位，需要投入庞大且持续折旧的固定基础设施。

横向 SaaS 回归？

下面简要更新一下「SaaS 末日」不断变化的市场版图。此前软件股大抛售中受创最严重的一家公司，最近一个月表现相当不错。

过去 30 个交易日，横向软件公司在 IGV 软件 ETF 成分股中的表现位居前列------尽管从这组数据采集之日起，它们已经回吐了部分涨幅。

总体而言，这些公司的基本面依然稳健。尤其是 Atlassian，它并没有像市场此前预期的那样，在 AI 冲击下走向衰落。

这家生产力软件公司实现了业绩与指引的「双双超预期」：云业务收入同比增长 31%，收入积压订单的增速甚至更高。但更关键的信号或许在于，AI 正在成为业务增长的助推器，而非阻力。Atlassian 表示，其 AI 助手 Rovo 已得到广泛采用；同时，使用 Rovo 的客户，其支出增速接近非 Rovo 用户的两倍。

这对 Atlassian 是好消息，对 Rovo 是好消息，对横向 SaaS 也是好消息。

不过，横向 SaaS 的整体估值依然略低于其他软件类别。

除少数例外，包括 Atlassian 在内的横向 SaaS 公司，其预期市销率普遍低于「增速---估值倍数」趋势线所对应的水平。

再强调一次，横向 SaaS 只是度过了一个相对不错的「月份」。想让市场相信「SaaS 末日」已经取消，仅凭一个月的表现远远不够。

当然，如果你的软件业务属于网络安全或可观测性领域，那就是另一回事了------对这些公司而言，所谓「SaaS 末日」从来没有发生过。

网络安全板块继续大幅跑赢 IGV 软件 ETF 中的其他类别。在这个领域，AI 反而成为顺风因素：市场普遍认为，AI 提高了人们对网络安全威胁的风险感知，而且没有哪个企业客户会靠「氛围编程」（vibe coding）临时拼凑出一套自己的安全解决方案。

这一逻辑最终能否成立，当然还需要时间检验。但至少目前来看，传统软件公司的处境绝非整齐划一。

投资者高度关注 AI 究竟会给每家公司带来增益，还是造成侵蚀，并随着每一批新数据不断修正原有判断------这也是理所应当的。

迈向 Token 投入的效率前沿

围绕模型使用、Token 消耗以及 Token 支出管理的市场格局，仍在以各种有趣的方式不断演化。

以 Databricks 为例。

在「我们应该使用哪个模型」「哪个模型最好」这些问题上，Databricks 没有采取赢家通吃的思路，也没有只是给工程师一笔预算，让他们自行决定怎么花。它提出了另一个问题：「如果我们开发一套方案，把合适的任务自动分配给合适的模型，会怎样？」

Databricks 当然不是唯一这样做的公司，但它开发了一套「智能路由器」（Smart Router），而实际效果令其相当满意。

据称，Databricks 的路由器能够在必要时调用能力更强、价格更高的模型，在条件允许时则使用能力较弱、价格更低的模型，由此「持续将平均任务成本降低 30% 以上」。

总体而言，追求 Token 支出的「效率前沿」很难不是一件好事。这意味着需求仍在继续增长，应用场景不仅在性能最前沿持续演进，也在向能力不那么顶尖的模型扩散。在最初的悲观叙事中，这些次优模型原本被认为会迅速遭到淘汰。

正如我们此前提到的，效率提升会扩大需求的覆盖范围，这正是市场希望看到的、类似杰文斯悖论的动态。

Silicon Data 的 Token 价格强度指数显示，整体价格强度正在下降，尤其是随着价格更低的开放模型在持续扩张的市场中占据更高份额。

这里有必要再次澄清一个经常被误解的概念：这些指数衡量的是 Token 支出的成本强度，而不是绝对美元金额。它同时取决于 Token 消耗数量与 Token 的综合成本。这意味着，即使每 Token 价格下降，Token 总消耗量和总支出金额仍然可能继续上升。

真正重要的是，整体需求仍在增长，而定价和模型选择逐渐走向效率前沿，只会进一步推动这种增长。尤其值得注意的是，「AI 需求」或「AI 采用」并不是一个单一、同质化的概念。重度用户与其他用户之间依然存在巨大差距。这清楚表明，「始终使用最好的模型」或许适合部分企业，但肯定不适合所有企业。

如今，市场正在迅速形成更多可供选择的替代方案。总体而言，这是一件好事。

根据企业支出管理平台 Ramp 的数据，所有企业都在增加 AI 支出，但支出中位数与前 10% 企业之间，以及前 10% 与前 1% 企业之间的差距都极为悬殊。

Ramp 的数据通常更偏向科技公司，解读时需要考虑这一点。但数据显示，支出排名前 10% 的企业，其人均 AI 支出大约是中位数企业的 50 倍。

这种分布很可能不是偶然形成的。能够从 AI 支出中释放更多价值的企业，大概也正是投入最多的企业------即使并非每家公司都如此，至少相当一部分公司符合这一规律。

波士顿咨询公司对 107 家上市公司的分析发现，Token 使用量排名前两个五分位组的公司，收入增速明显快于其他企业。

这里想表达的核心是，Token 需求与使用效率正在相互强化：企业获得的价值越多，消耗的 Token 也就越多。

这个过程当然存在投入与回报之间的反复权衡，研发也总会包含一些前期成本。但对绝大多数企业而言，不加节制地「堆 Token」从来都不是一种有效策略。

因此，企业未来越来越不必采取这种做法，显然是一件好事。

前沿实验室人才争夺战

New Media 最近刚刚有两位出色的团队成员加入 OpenAI，所以最后我们用几张有趣的图表，看看前沿 AI 实验室的人才招聘情况。

Dario Amodei 最近表示，他担心员工正在把金钱置于使命之上。从 Levels.fyi 的数据来看，这种担忧或许并非毫无依据。

如果完全按照数据表面来理解，Anthropic 给工程师开的薪酬非常高，而且远高于谷歌、特斯拉等公司资历相当的工程师。

看来，成为技术团队成员的确是一件不错的事。

此外，还有一组数据也很有意思。

根据 Live Data Technologies 的数据------由 Truist Securities 整理呈现------各家实验室的人才来源既有大量重叠，也存在明显差异：

两家公司都从超大市值科技公司招聘了不少人才，不过只有 OpenAI 从英伟达和特斯拉招过人，而且都发生在 2026 年。

Databricks、Snowflake（近期）、Palantir 和 DeepMind，同样是两家公司共同的人才来源。

两家实验室也都从 Salesforce 和 Stripe 招聘了相当数量的员工。

但双方的重叠似乎到此为止。Anthropic 从 SaaS 公司招聘了不少人才，而 OpenAI 几乎没有；OpenAI 则大量从消费互联网、平台市场和广告科技公司招人，而 Anthropic 在这些领域的招聘相对较少，Airbnb、Netflix 和 Uber 除外。

至于这些差异意味着什么，就留给各位自行解读了。