AI行業有一個很反常的現象。競爭越來越激烈，模型越來越多，API不斷降價，幾家大模型公司還在虧錢；但英偉達、數據中心、雲廠商仍在大規模投資，資本沒有退，反而越投越多。
按照傳統競爭邏輯，狼越來越多，肉應該越來越少，利潤也應該越來越薄。AI現在卻不是這樣。它更像一個狼越來越多、肉長得更快的市場。
要解釋這件事，起點不能放在英偉達的毛利率，也不能放在模型公司的虧損，而應該退到最前面：AI替代的東西原來值多少錢？
一、AI首先替代的是昂貴的人
ChatGPT Plus一個月20美元。這個價格和過去的互聯網會員差不多，但它提供的已經不是看電影、聽音樂或者存文件，而是寫作、翻譯、研究、分析、編程和處理各種知識工作。
所以20美元貴不貴，不能和Netflix比較，要和人工比較。一個程式設計師、律師、分析師、會計師或者研究人員工作幾個小時是多少錢？再看AI多少錢，兩者根本不是一個數量級。
用戶不會去算一輪對話用了多少GPU，也不會關心每百萬token的成本。他只知道，過去要自己花幾個小時，甚至請別人完成的事情，現在花很少的錢就能做到。
人工任務價值 ≫ AI售價
這就是第一層經濟關係。用戶覺得自己賺到了，而AI仍然有很大的定價空間。真正限制很多人的，已經不是AI貴不貴，而是有沒有值得做的任務、有沒有時間消化結果。
這也是為什麼AI每獲得一種新能力，市場就可能擴大一次。價格下降當然會擴大使用，但能力提高、新任務出現、更多工作流程被接入，往往比單純降價更重要。
二、用戶覺得便宜，不等於AI公司賣得便宜
從用戶端繼續往下走，會看到完全不同的一面。DeepSeek V4.1 Flash高峰時段未緩存輸入每百萬token約0.30美元，輸出約1.20美元。
SemiAnalysis用H200測試同一模型，並把設備購置、折舊、電力等折算成總擁有成本（TCO）。在其測試條件下，每百萬總token的推理算力成本大約只有幾美分，甚至更低。
假設一個任務80%是輸入、20%是輸出，那麼按上述價格，每百萬總token的平均銷售收入約為：
0.8 × 0.30 + 0.2 × 1.20 = 0.48 美元
如果每百萬token的推理算力成本為0.012美元，那麼:
推理價格倍數=每百萬總token的平均銷售收入/推理算力成本
是0.48 ÷ 0.012 = 40
這個數字只回答一個更基礎的問題：生產100萬token的算力成本，與把這100萬token賣出去的價格，相差多少？我們把這個比例叫作「推理價格倍數」。在這個例子裏大約40倍。即使採用更高的零售GPU租賃成本，這個倍數仍然很高。這樣的推理價差，放在多數傳統產業里都很難想像。注意：這不是DeepSeek的毛利率，也沒有扣除訓練、研發、人員、閒置算力、網絡、安全等費用。
這就解釋了為什麼模型公司敢不停買GPU：GPU雖然貴，但它生產出來的token更值錢。
三、梁文鋒的「十個月回本」
梁文鋒談DeepSeek定價時說過，他們的思路是：購買一批設備，按照現在的API價格，大約十個月收回設備成本。他同時說，這並不是利潤最大化定價；即使漲價50%，甚至翻倍，token消費也未必明顯下降。
這句話很重要。第一，設備回收期很短；第二，用戶對價格沒有那麼敏感。
為什麼？還是回到起點。用戶拿AI和什麼比較？不是拿它和GPU成本比較，而是拿它和人工比較。只要AI完成一項任務仍然比人工便宜很多，模型公司的定價空間就很大。所以DeepSeek即使按十個月設備回本來定價，用戶仍然覺得便宜。美國頭部模型的價格通常又顯著高於DeepSeek。今天AI產業真正驚人的地方，正是昂貴的人類勞動和越來越便宜的機器推理之間，存在一片很寬的經濟空間。
四、模型公司虧損，不等於賣token虧損
這一點很容易被混淆。公司虧損是一張總賬，賣token賺不賺錢是另一張賬。已經訓練完成的模型拿出來提供推理服務，完全可能是：
API收入 － 推理成本 ≫ 0
但企業又把錢花到新模型訓練、研究人員、數據、更多GPU、新數據中心、新產品和市場擴張。最後公司的利潤表仍然可以是虧損。所以公司虧損，並不等於每賣一次AI服務都虧錢。對投資者更重要的問題是：新投入一美元算力，多久能夠收回來？如果答案接近梁文鋒說的十個月，資本繼續湧入就不難理解。
這和一種靠燒錢維持、單位產品本身不賺錢的商業模式完全不同。
五、為什麼GPU越來越貴，token反而越來越便宜
新一代GPU越來越貴，不等於AI生產成本越來越高。機器價格只是一部分。真正應該看的是：一張GPU在整個使用期內，平均生產一百萬有效token要花多少錢。
每百萬token成本 ＝ GPU全生命周期總成本 ÷ 全生命周期有效token產量
如果新GPU貴50%，但有效token產量提高一倍以上，每個token反而會更便宜。SemiAnalysis對新一代硬件的測試已經顯示出這種趨勢：GPU更貴，但單位token的推理成本繼續下降。
於是幾件表面矛盾的事情可以同時發生：GPU價格上漲，AI服務價格下降，模型公司的單位推理經濟性反而改善。英偉達可以賺很多錢，下游仍然願意繼續買晶片。不是下游不會算賬，而是這筆賬本來就很好。
六、狼多，為什麼肉反而更多？
傳統行業的競爭通常建立在一個相對固定的市場上。十家公司搶100億元，變成二十家公司以後，每家公司自然更難賺錢。
AI現在不是這樣。它正在把過去價格很高的人類認知勞動，變成價格很低的機器認知勞動。每當模型獲得一種新能力，就會出現以前沒有的需求。
以前不會花100美元請人做的事，現在可能願意花1美元讓AI做；以前根本不值得做的分析，現在可以做；以前一個程式設計師一天只能處理幾個問題，現在可以處理幾十個。
所以市場不是固定的100億元。它可能從100億元變成1000億元。狼從10隻變成50隻，肉卻從100變成1000，每隻狼仍然可以吃得很好。
競爭在加劇，市場卻擴張得更快。價格下降沒有殺死利潤，因為成本也在下降；競爭者增加沒有讓大家沒飯吃，反而還會共同教育市場、帶來新的需求。資本投入越來越大，也不只是因為大家相信一個故事，而是很多參與者看到了一筆現實的單位經濟賬。
七、真正的風險在哪裏
這並不意味着AI沒有泡沫。局部當然可能有。
問題不是投資規模大不大，而是什麼時候出現：供給擴張持續快於真實需求擴張。
如果同時看到算力價格下降、利用率下降、設備回收期拉長、資本回報下降，而新的數據中心還在繼續高速建設，那麼某一段產業鏈才真正開始過剩。
所以判斷AI泡沫，不能只看英偉達賺了多少錢，也不能只看模型公司虧了多少錢。應該從最下面往上看：用戶使用AI究竟創造了多少價值，然後一路追到算力投資。
人工任務價值 → AI售價 → Token售價 → Token成本 → 算力投資回報
今天這條鏈最值得注意的事實很簡單：
人工任務價值 ≫ AI售價 ≫ 推理算力成本
只要這幾個差距仍然很大，AI產業就有足夠空間讓很多參與者同時賺錢。這裏說的是市場，不是說每一家公司都能賺錢。它不是一個典型的狼多肉少的市場，至少現在不是；它更像一個狼越來越多、肉卻長得更快的市場。
八、那些看起來「瘋狂」的現象，其實可以放回同一條鏈里
英偉達毛利很高，模型公司卻還在虧；GPU越來越貴，token越來越便宜；API持續降價，資本開支卻越來越大；競爭者越來越多，投資者卻還在繼續下注。單獨看，每一件事都像異常。
但把它們放回同一條鏈，就沒有那麼神秘了。終端用戶拿AI和昂貴的人類勞動比較，所以覺得AI極便宜；模型公司拿API售價和推理成本比較，仍有很大的單位經濟空間；它們再拿新增GPU投資和未來token產出比較，設備回收期又可能很短；上游於是有條件繼續提高硬件價格，而新一代硬件更高的吞吐量又繼續壓低單位token成本。
這是一條目前仍然能夠自我強化的鏈。
真正值得觀察的，不是資本投入本身有多大，而是這條鏈上哪一個差距開始明顯收窄。只要用戶獲得的價值仍遠高於AI價格，AI售價又遠高於單位推理成本，新增算力仍能較快回本，投資熱潮就有現實的經濟基礎。
AI今天看起來像一個瘋狂的市場，也可能只是因為我們過去習慣了狼多肉少。它現在更像一個少見的階段：狼越來越多，肉卻增長得更快。
資料說明
文中DeepSeek API價格、H200推理成本和梁文鋒「十個月回本」的數據，分別依據DeepSeek公開定價、SemiAnalysis InferenceX測試和公開流傳的梁文鋒投資人交流記錄。
參考資料
[1] OpenAI. 「What is ChatGPT Plus?」 OpenAI Help Center.
[2] DeepSeek. 「Models & Pricing.」 DeepSeek API Docs.
[3] SemiAnalysis InferenceX. 「DeepSeek V4.1 Flash on H200.」
[4] China Research Collective. 「Liang Wenfeng Investor Meeting, May 2026.」
