众力资讯网

全球科技股集体大跌!AI行业最大的瓶颈,是如何找到真正的盈利点


大家好,我是花朵,每天给大家带来最新的动态,内容随便更,每篇都是干货;如果你觉得这些信息对生活有用,就点个关注~
最近一段时间,海外科技板块连续走弱,不少AI龙头股价出现明显回调,连带国内算力、AI相关板块跟着承压。很多关注AI赛道的人一下子慌了,不少人心里冒出疑问:AI是不是炒完了?之前吹得火热的人工智能,是不是只是一场热闹的概念行情?
其实我们把时间线拉长一点就能看明白,这一轮科技股集体回落,并不是AI技术本身出了问题,也不是市场不再看好人工智能长期空间。核心矛盾已经悄悄切换。前两年市场炒AI,大家看的是技术突破、算力扩张、大模型发布,拼的是谁的参数更大、谁的集群规模更强。资本愿意砸钱,看的是未来想象空间,盈利可以暂时放在一边。

但行情走到现在,投资者的标准变了。资金不再愿意单纯为“未来故事”买单,大家开始追问同一个很现实的问题:烧了这么多钱搭起来的大模型、算力集群,到底靠什么稳定赚钱?能不能持续产生现金流?能不能覆盖高昂的硬件、电力、研发成本?
这就是当前AI行业最核心的瓶颈:技术落地速度很快,可规模化、可持续的盈利模式,还没有全面跑通。今天我们用大白话,把这件事掰开来讲,先搞懂这一轮全球科技股调整背后的逻辑,再梳理AI各个细分方向真实的赚钱路径,区分哪些是短期增收、哪些是长期稳定盈利,同时说清楚普通投资者看AI赛道时,怎么避开那些只有热度没有利润的陷阱。
一、科技股集体回调,不是AI逻辑终结,是估值逻辑换了赛道
很多人看到AI龙头持续下跌,第一反应就是AI行情结束了。这个判断太片面。我们先搞清楚,这一轮下跌的几个主要触发因素,分开看就不容易被盘面情绪带着走。
第一,前期估值已经提前透支了远期预期。过去两年,AI主线一路走强,不少科技公司的股价上涨,依托的是市场对AI增量空间的预判。很多公司营收增速不错,但利润增速远远跟不上营收,甚至持续大额亏损。股价涨上去,靠的是大家相信以后利润会爆发。一旦市场开始要求兑现业绩,估值就要重新校准,高估值的标的自然会迎来调整。
第二,算力成本居高不下,吃掉大量利润。训练一次超大模型,电费、芯片损耗、机房运维都是一笔天文数字。就算模型训练完成,后续持续推理、对外提供服务,每一次调用都要消耗算力资源。很多AI公司,用户量涨得很快,收入跟着上涨,但是算力成本同步往上走,收入增加,利润却没怎么增加,增收不增利成了常态。资本市场慢慢意识到,算力成本不是短期就能快速降下来的,盈利的难度比之前预想的更高。
第三,行业竞争越来越拥挤,价格战开始出现。现在不管是海外还是国内,大模型厂商越来越多,通用大模型的供给快速变多。为了抢客户、拉活跃度,不少厂商会下调API调用价格,甚至长期免费开放一部分基础能力。价格内卷之下,单用户、单次调用的收益被持续压缩。想要靠卖模型接口赚大钱,难度比早期高很多。
第四,机构资金的风险偏好回落。在市场环境平稳的时候,资金愿意去博弈高成长、高预期的科技赛道;一旦宏观预期波动,资金会优先转向确定性更高的资产。高估值的AI科技股,就容易被资金减持,引发板块同步调整。
以上这些因素叠加在一起,才有了我们看到的全球科技股集体走弱。但这里有一个关键点:调整杀的是过高的估值、落空的盈利预期,不是人工智能本身的长期需求。AI能够提升生产效率,这个大方向没有变。只是行业从“讲故事、拼投入”的上半场,进入到“算账本、拼盈利”的下半场。能不能找到真实、可持续的盈利模式,会成为未来区分AI企业好坏最重要的标尺。
以前判断一家AI公司好不好,看的是算力规模、模型参数、用户数量;接下来判断好坏,第一看现金流,第二看毛利率,第三看客户复购。没有稳定盈利闭环的企业,哪怕热度再高,估值都会持续承压。这也是这一轮科技股下跌带给所有参与者最重要的信号。
二、AI赚钱到底难在哪?看懂盈利路上四道绕不开的坎
很多普通人会觉得,AI既然用处这么多,赚钱应该很简单。实际进入行业里面就会发现,从技术可用,到稳定赚钱,中间隔着好几道很难跨越的门槛。很多项目看着客户很多、热度很高,仔细一算账,其实是亏本生意。
第一道坎:刚性成本太高,边际成本很难归零。
传统互联网软件有一个很吸引人的特点,开发完成之后,新增一个用户,增加的成本很低,用户越多,摊薄成本之后利润越高。但AI大模型不一样。
大模型分为训练和推理两个环节。训练是一次性大额投入,推理是持续不断的消耗。客户每问一个问题、生成一张图片、跑一段AI分析任务,都要调用GPU,消耗电力。客户越多,推理算力消耗就越大。哪怕模型本身不再迭代,只要持续提供服务,成本就持续产生。
虽然长期看芯片工艺进步、算力优化会降低单位成本,但这个下降速度是缓慢的,短时间内很难做到像传统软件那样接近零边际成本。这就意味着,AI服务很难无限扩张而不增加成本。收入规模上去,成本同步跟着上涨,利润弹性被限制住。
第二道坎:通用大模型通用性强,但是个性化落地成本高。
通用大模型什么都能聊,写诗、写文案、查资料都可以,可它很难直接满足企业客户的专属需求。企业想要把AI用到自己的业务里,往往需要做微调、知识库对接、业务流程改造、私有化部署。
这套定制化服务,需要大量工程师、行业顾问去对接,属于人力密集型工作。一个项目谈下来,前期沟通、调试、运维花掉大量人力。项目金额看着不小,扣掉人工、算力成本之后,净利润并不高。而且定制项目很难直接复制给下一家客户,一个方案只能适配一家企业,没法批量复制放大,规模效应很难形成。
很多AI服务商,一年忙活几十个政企项目,营收看着不错,利润薄得像一张纸。
第三道坎:客户付费意愿和付费能力参差不齐。
AI客户大体分成两类,一类是C端普通用户,一类是B端企业客户。
C端用户习惯了互联网免费模式,想要让用户持续付费订阅AI会员,门槛很高。很多人新鲜感一过,就不再续费。免费用户流量很大,转化成付费用户的比例一直偏低。
B端企业客户相对有钱,但决策非常谨慎。企业买AI服务,核心看能不能实实在在降本增效。如果用了AI之后,没法明确算出节省多少人力、提升多少产出,企业就不愿意持续掏钱。很多企业只是先拿小预算试点,不会一次性大规模采购。试点订单多,长期稳定大单少,收入波动很大。
第四道坎:技术迭代太快,持续投入停不下来。
AI行业更新速度非常快,新的模型架构、新的优化方案不断出来。一家企业如果停止投入研发,半年到一年,技术水平就会落后同行。想要保持竞争力,就要持续买芯片、招算法人才、投入新模型训练。研发投入是长期刚性支出。
就算某一款产品短期赚到钱,赚来的利润,很大一部分又要重新投进研发里面。不少头部AI厂商,营收年年增长,但是持续保持亏损,就是这个原因。赚钱的速度,赶不上技术迭代需要花钱的速度。
这四道坎,共同构成了AI盈利的核心难题。不是AI没有需求,而是需求转化为稳定利润的链路,比大家预想的更长、更难。
三、盘点AI赛道里,已经跑通的盈利模式,哪些靠谱,哪些只是噱头
AI赛道分支很多,不同方向的盈利逻辑差别巨大。我们把主流的商业模式一个个拆开,看哪些已经形成稳定现金流,哪些还处在探索阶段,哪些风险偏高。
第一种,卖算力硬件、光模块、服务器。
这是目前整条产业链里面,盈利确定性相对最高的一环。不管哪家公司做大模型、做AI应用,都要采购GPU、服务器、高速光模块、交换机。算力是底层基础设施,属于上游卖铲子的生意。
客户不管最后能不能靠AI赚到钱,硬件采购的钱是要先付出去的。所以上游硬件厂商,订单、收入兑现是最直接的。当然它也有风险:硬件周期属性很强,一旦下游客户资本开支放缓,订单马上就会收缩;同时行业扩产之后,产品价格下滑,毛利率会承压。
简单总结:上游硬件是当下兑现度最好的方向,但属于周期成长赛道,不是稳赚不赔。
第二种,模型API调用服务。
就是厂商把训练好的大模型封装成接口,客户按调用量付费。开发者、小公司不用自己训练大模型,直接调用模型能力。
这个模式优势是标准化,可以批量对外提供服务,理论上可以规模化。缺点前面也提到了,算力成本高,行业内卷降价,单位毛利持续压缩。单纯只做API调用,很难维持高利润。想要做好,必须靠大规模流量摊薄成本,或者开发高附加值的专属模型。
第三种,行业垂直AI解决方案。
不去做万能的通用大模型,深耕某一个固定行业,比如工业质检、医疗影像、智能仓储、财税审核、法务文书。针对行业痛点开发专用AI工具。
垂直方案的好处:客户目标明确,能算清楚投入产出,付费意愿更强,竞争比通用模型小。比如工厂用AI视觉检测产品缺陷,可以直接减少质检员,降低次品损耗,收益看得见。
短板在于,行业壁垒是行业知识,不是单纯算法。想要做好,团队必须懂这个行业,懂业务流程,跨行业复制很难。深耕一个赛道做起来之后盈利稳定,但是扩张速度不会太快。
第四种,AI SaaS订阅工具。
面向企业或者个人,做成标准化软件,按月、按年收订阅费。AI写作、AI设计、AI视频、AI办公助手都属于这一类。
理想状态是标准化产品,一次开发,反复售卖,边际成本低。现实情况是竞争极度激烈,同类工具层出不穷,用户很容易换产品。想要留住用户,需要持续迭代功能,还要持续投入算力。很多AI工具看着付费用户不少,扣除算力成本之后盈利微薄。
第五种,政企项目、私有化部署。
不少AI公司订单来自政府、大型国企。客户数据不允许出内网,要求模型部署在本地机房。这类订单单项目金额大,回款相对稳定。
风险点也很突出:项目定制化程度高,交付周期长,人力投入大;客户预算跟着政策节奏走,波动明显;招投标竞争激烈,压价严重,利润空间有限。很多时候是增收不增利。
第六种,AI赋能原有主业,降本增效。
这个模式很多人容易忽略,也是长期最稳健的一类。不是专门开一家AI公司卖AI产品,而是传统企业把AI融入自己原有业务,降低成本、提升效率。比如制造业用AI优化排产、物流企业用AI规划路线、金融机构用AI做风控。
这类企业不靠AI单独卖钱,AI是工具。它没有单独的AI收入,但是可以增厚原有业务利润。这种盈利模式很扎实,风险低,只是AI带来的增量弹性不会像纯AI公司那么夸张。
把这几类放在一起对比,我们可以得到一个清晰结论:现阶段,上游硬件的盈利兑现最好;垂直行业方案、AI赋能主业属于稳健路线;通用大模型API、C端AI订阅工具,盈利模式还在持续打磨,不确定性更高。市场之前炒作的时候,把所有AI方向混在一起给高估值,现在行情调整,资金开始区分兑现能力,分化一定会越来越明显。
四、容易踩进去的几个误区,看AI盈利千万不能只看表面数据
科技股回调的时候,也是去伪存真的时候。很多报告、宣传文案会用好看的数据误导人,不管是从业者还是普通关注赛道的人,这几个误区一定要避开。
第一个误区:用户量高、访问量大,就等于以后能赚钱。
流量不等于收入,活跃度不等于付费。很多AI产品免费引流,吸引大量用户,可免费用户很难转化付费。平台每天调用量几百万,一核算,大部分是免费额度,真正付费调用占比很低。流量只是基础条件,不是盈利保证。判断价值,优先看付费用户、客单价、续费率,而不是总访问量。
第二个误区:营收增速高,就是优质标的。
营收增速只是一个数字,必须搭配毛利率一起看。有些公司靠低价抢订单,营收涨得很快,毛利率持续下滑,卖一单亏一单,靠规模扩大亏损。这种增长是虚假的增长,行情好的时候市场愿意包容,一旦风格切换,估值会快速下杀。健康的增长,是营收上涨的同时,毛利率保持稳定或者稳步抬升。
第三个误区:觉得大模型越大越强,就越有价值。
不是参数越大越好。超大模型训练成本、推理成本极高,如果找不到匹配的高价值客户,模型再强也只是烧钱机器。现在行业也在往小而精的方向走,很多专用小模型,针对单一任务优化,成本低、效果够用,反而更容易做出利润。适合业务需求的模型,远比盲目堆参数的模型更有商业价值。
第四个误区:短期拿到一笔大额订单,就代表盈利模式跑通。
一笔大单,有可能是一次性试点订单,明年客户不一定继续采购。判断模式跑通,要看连续多个季度,客户复购情况、持续性订单。偶然拿到大单,只能说明产品得到一次认可,不能证明形成稳定生意。
第五个误区:AI会快速替代所有岗位,市场空间无限。
AI是效率工具,替代一部分重复性工作,同时也会催生新岗位。但落地节奏是循序渐进的,企业替换原有流程需要时间、试错成本。不要高估短期渗透速度,很多预期里面的需求,兑现周期会比想象中更长。
五、站在当前节点,怎么理性跟踪AI赛道,把握观察重点
AI是长期大方向,但波动会非常剧烈。经过这一轮全球科技股调整之后,我们不需要全盘否定赛道,而是调整观察框架,把重心从“技术热点”转移到“盈利验证”。给大家整理几个长期跟踪的核心指标,不用天天盯盘,定期对照就能判断行业冷暖。
第一,算力产业链的资本开支计划。海外头部云厂商、科技企业的算力采购预算,是上游硬件景气度的风向标。资本开支向上,硬件订单有支撑;资本开支放缓,整个产业链需求都会承压。同时跟踪GPU、高速光模块的报价变化,价格持续下行,说明供给增加,行业竞争加剧。
第二,各家AI厂商的财报:营收结构、毛利率、经营现金流。重点看付费收入占比、推理成本控制、销售费用率。优秀的标的,随着规模扩大,单位推理成本逐步下降,毛利率稳步抬升,经营现金流转正。如果长期经营性现金流为负,持续依靠融资维持运转,风险就要重点留意。
第三,B端客户的复购率和客单价。企业客户复购,代表AI方案真正帮客户解决了问题,愿意持续花钱。如果大多是一次性试点,复购低迷,说明产品价值还没有站住脚。
第四,行业落地案例的复制速度。一个垂直AI方案,能不能从一家客户成功复制到同行业几十家、上百家客户,决定了它能不能做大。只能零散做个案,没法复制,生意天花板很低。
第五,降本技术的落地进度。模型蒸馏、量化、稀疏化推理、新芯片架构、新型光互联技术,都是用来降低推理成本的。成本下降,是打开盈利空间最核心的变量。这类技术的成熟落地,会成为行业盈利拐点的重要信号。
对于想要参与这条赛道的普通人,也要调整自己的预期。AI不再是闭眼拿住就能上涨的风口。未来赛道内部会严重分化:能够持续兑现利润、现金流健康的公司,会慢慢走出独立行情;只有概念、持续烧钱、找不到盈利路径的标的,估值会持续承压。
布局思路上,可以优先关注盈利已经兑现的上游基础设施,以及有明确行业场景、稳定复购订单的垂直AI企业;对于纯通用大模型厂商,保持谨慎,耐心等待现金流持续改善的信号,不要急于抄底。同时做好仓位管理,AI科技板块波动大,不要重仓押注单一标的,预留容错空间。
六、总结:AI的未来,终究要靠盈利支撑,故事只能陪行业走一程
全球科技股这一轮集体下跌,本质是市场在给AI行业踩刹车。提醒所有参与者:技术突破只是第一步,商业闭环才是长跑的终点。人工智能可以改变生产方式,提升全社会效率,这个长期趋势没有改变。但技术红利,不等于自动变成企业利润。
过去几年,资本给AI充足的试错空间,允许大家不计成本投入研发、搭建算力、打磨模型。这个阶段已经慢慢走到尾声。接下来,行业比拼的不再是谁烧钱更快、谁的模型更大,而是谁能找到真实、可持续、可复制的盈利点,把技术优势转化成源源不断的现金流。
盈利瓶颈,是当下AI最大的难题,但它不是解不开的死局。随着推理技术持续优化、算力成本逐步下行、行业场景不断成熟,会有越来越多企业跑通自己的商业模式。只是这个过程需要时间,中间会不断伴随着预期修正、估值波动、企业淘汰。
风口总会退潮,潮水退去之后,能留下来的,一定是能赚钱的企业。看清盈利这个核心标尺,我们才能在AI这条长期赛道里面,避开泡沫,抓住真正有价值的机会。
话题互动
你觉得AI行业最先跑通稳定盈利模式的,会是上游算力硬件,还是垂直行业AI应用?你怎么看待AI企业持续烧钱研发这件事?欢迎在评论区分享你的想法,点赞关注,持续客观解读科技产业趋势。
免责声明:本文仅为产业逻辑科普,不构成任何投资建议。AI行业技术迭代快、股价波动高,请理性判断,自行承担风险。