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：
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。
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。
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。
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。
