神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
在过去 12 个月的时间里，生成式 AI 经济已创造出 1100 亿美元的销售额。增长速度可谓惊人。按年化计算，其收入运营率已超过 1750 亿美元。
这些数据耗费了我们数月时间才构建完成。据我们所知，这是业内首次对涵盖全栈的消费者及企业 AI 支出进行自下而上、去重后的测算。我们于今日在首份《AI 经济现状》报告中正式发布这一研究成果。
AI 市场的供应端相对容易看清。那些提供“淘金铲”的供应商——包括电脑芯片、内存、变压器、冷却系统等 AI 数据中心的所有核心部件提供商——大多是上市公司。通过他们的信息披露、销售业绩和远期订单簿，我们能够大致掌握全行业在基础设施建设上的投入。
不过，想要摸清需求端则要困难得多。而这正是我们过去几个月全力攻克的难题。我们构建了一个专属的 AI 经济模型，全面审视企业和消费者的 AI 总支出，以此来回答这场 AI 浪潮中最核心的几个硬核问题：
这个市场到底有多大？
收入是否在持续增长？
这些收入在多大程度上能够覆盖前期的投资成本？
未来随着 Token（词元）价格下跌而质量提升，整个行业的经济效益会发生怎样的变化？
在深入探讨报告之前，我们认为有必要先拆解一下这项研究背后的方法论。
方法论
如何统计需求端
我们在模型设计上的一个核心原则就是避免重复计算。我们统计的是终端客户实际支付的美元。举个例子，如果你花 1 美元向 Anthropic 购买 Claude 服务，而 Anthropic 随后花 50 美分向亚马逊购买云服务来支撑该运行，我们在内部会同时记录这两个数字，但在最终发布去重数据时，只会计入 1 美元。这样就避免了对供应链中流动的价值进行重复统计。
这绝非易事。统计供应端固然简单，但要把需求端理清楚却极为棘手。流入 AI 领域的大部分收入都流向了未上市的私营企业，比如 OpenAI、Anthropic、Cursor、ElevenLabs 以及数以百计的其他公司。从法律上讲，它们没有任何信息披露的义务。
其余的收入则流向了为这些模型提供底层支持的大型超大规模云厂商（Hyperscalers）：亚马逊、谷歌和微软。尽管它们是上市公司，但它们并不会定期或系统性地披露其 AI 业务板块的独立收入。
为了揭开这一迷雾，我们仔细研读了超大规模云厂商、新型独立云（Neoclouds）、其供应商以及客户的公开表态，仅采用置信度极高的细节事实来推导我们的模型。同时，我们也参考了报道详实的内容外泄和公司自述，并为其评定相应的置信度得分。
最终，我们为那些贡献最大的公司和业务单元建立了一套逐项细分的财务模型。每个模型实际上都是一份经过拆解的财务方案，包含了损益表、资产负债表和现金流量表，并与外部独立渠道及内部一致性检查进行了交叉比对。这确保了我们数据的可审计性——我们可以清晰地溯源是哪一个数据点、带有怎样的置信权重，构成了某项特定的预测。
我们未纳入统计的内容
我们没有将“内部 AI 增效”纳入其中，例如 Meta 或谷歌因推荐系统优化而带来的广告收入增长。我们确实对这些板块建立了模型，但并未包含在本次报告中。
我们同样没有考虑大型科技公司通过内部 AI 工具所实现的效率提升和成本节省。这部分数据目前尚未进行追踪。
我们未计入专业服务和系统集成费用。当一家《财富》500强企业在 AI 领域进行投入或投资时，只有一部分资金会直接流向 AI 公司。这无法代表其整体投入的全部规模，因为很大一部分资金都用于支付协助落地实施的专业咨询与服务机构。
尽管我们已经建立了针对中国市场收入的模型，但本次发布的 1.0 版本报告暂未包含中国市场的数据。
核心数据
这些收入是真实的吗？
在过去的 12 个月里，剔除重复计算后，整个 AI 生态系统共创造了 1100 亿美元的收入。这一增长势头十分健康。如果将最近一个月的收入进行年化折算，其收入运营率已达到 1750 亿美元。
这些收入的增长速度超过了以往任何一次 IT 导向的产业浪潮，其扩张速度大约是移动互联网或早期互联网浪潮的三倍。
尽管许多企业已经告别了零星的试点阶段，但它们仍处于规模化扩张和深度融合的早期阶段。在我们与欧美各行各业（从工业制造到保险，从金融到制药）高管的交流中，大家透露出的共同信号是：他们计划在未来几年进一步加大对 AI 的投资。企业在财报电话会议上谈及 AI 影响的频率也越来越高，不过值得注意的是，调研中有一半的 CEO 认为，自己能否保住饭碗取决于能否交出一份漂亮的 AI 答卷。
AI 带来的收入能付得起 GPU 的账单吗？
我们想要追踪的下一个问题是，AI 产生的收入能否填平建设基础设施所需巨额的资本开支（CapEx）。我们的模型将主要超大规模云厂商以及专业 AI 云服务商（即新型独立云）的 AI 专属资本开支与常规资本开支进行了剥离。这一调整至关重要，因为在 ChatGPT 诞生之前，这些超大规模云厂商每年的资本开支就已经高达 1200 亿美元左右。
我们锁定了投向 AI 基础设施的增量投资，并将算力资产按 6 年进行折旧，其他基础设施资产按 14 年进行折旧。我们的模型显示，目前直接归属于超大规模云厂商的 AI 收入，刚好能够勉强覆盖这笔折旧费用。
将折旧年限设为 6 年是完全站得住脚的。这种较长的资产使用寿命主要反映了两点：第一，市场需求依然远超目前可用的 AI 算力；第二，云厂商在管理和调度大规模 GPU 集群方面的技术愈发成熟。这两点都带来了积极影响，单凭第二点就足以支撑延长其经济寿命的合理性。
Token 的未来走向如何？
我们还深入分析了随着 Token 价格下降，整体市场规模会如何演变。需求弹性表明，价格的走低反而刺激了支出的总额攀升。我们估计，在各类服务商中，价格每下降 10%，Token 的使用量就会增加 12% 至 18%，因此总支出规模依然呈现上涨态势。
我们指出，尽管 Token 是一个非常实用的计费指标，但它并不能准确衡量在该行业中流转的“智能”所蕴含的真正经济价值。通过将 Token 的产量、实际呈现在终端用户面前的有效输出比例，以及底层模型的综合能力进行加权结合，经过“质量调整后的输出 Token”能为我们评估 AI 经济提供一个更客观、更准确的“智能商数”。
报告还涵盖了哪些内容
该报告还深入探讨了以下议题：
AI 需求对美国电力行业带来的冲击，以及电力利用效率正在发生怎样的变革；
Token 成本的最新动向，以及基于使用量计费的模式将如何进一步拓宽市场边界；
在不同的价格与技术能力演进轨迹下，预测 AI 需求增长速度的四种潜在情景。
译者：boxi。
