VentureBeat在十月做了一项覆盖156名AI从业者的 Pulse 调查,受访者来自员工规模100人以上的组织或为其提供咨询。结果指向一个与流行叙事并不完全吻合的判断:过去12个月里,38%的受访者表示其组织推迟、缩减或取消了一个已规划的AI项目,原因是成本超出预期;而将算力容量不足列为原因的比例只有12%。两者相差三倍以上。换句话说,在项目层面的决策桌上,“买不到芯片”并不是最常被搬出来的理由,“算下来不划算”才是。
成本以多种面孔出现,不只是一张GPU账单
调查测量的只是受访者对过去一年项目停滞原因的归因,并不能直接等同于整个AI基础设施投资的全貌。但把同期发生的其他信号叠加上去,成本压力的轮廓会更清楚。Gartner十月发布的研究显示,38%的企业在AI上已超出预算,同时85%的企业计划下一年继续增加支出。另一项Gartner调查则估计,超过一半的生成式AI项目会因架构选型不当和运维经验不足而超支。这些数字与VentureBeat的38%相互呼应,指向的是同一个方向:钱在花,账在收紧。
成本超支的来源并不单一。Anthropic第三季度的经历提供了一个上游视角:由于需求超出预期,公司临时斥资约50亿美元购买价格更高的短期算力,导致算力与基础设施成本占营收的比重从48%跳升到58%,当季由盈转亏。短期算力的单位成本“明显高于”长约锁定的容量,这种价格结构本身就会惩罚那些来不及做长期规划的需求波动。
下游的情况同样不轻松。Uber首席技术官曾表示,受token成本上升影响,公司2026年全年的AI预算仅四个月便已耗尽。Meta内部测算则显示,若维持当时的员工调用增速,仅内部AI使用一项,2026年支出便将达到数十亿美元,公司因此向数千名核心员工发放了token配额限制。这些案例说明,成本瓶颈并不只出现在“建不建数据中心”这个层面,它同样发生在每一次推理调用、每一个智能体的反复查询里。
预算在涨,但尺子没跟上
调查中有一个容易被忽略的对照:尽管成本超支普遍存在,79%的受访者仍预计所在组织的AI预算在未来一年会增长。但在全部受访者中,只有26%表示其组织用可衡量的财务回报来评判AI支出,且这一回报能够经得起财务团队的审视。在预计预算增长的那部分人里,这个比例也只上升到27%。
预算增长与度量能力之间的缺口,本身就是成本问题的一部分。如果一笔支出无法用财务语言说清楚它换回了什么,那么“超支”就会成为一个反复出现的默认结局。企业需要在运行中不断调整AI系统的配置:一个原型阶段可行的模型,放到规模化负载下可能变得过于昂贵;智能体的反复查询会推高检索环节的成本;同一个任务换一个模型,单位成本可能相差数倍。开源代码和开放接口的价值,正在于让企业可以在不重建每一层集成的前提下更换模型和供应商,但前提是有人能判断“换得对不对”。
Uber提供了一个可操作的小样本。该公司将托管智能体放到真实任务上做基准测试,同时跟踪回滚率和事故率等质量指标。在特性开关清理这项任务上,经过模型对比和选择之后,每次清理的成本下降了90%。这个结果只属于Uber的特定场景,但它示范的方法具有一般性:先把“完成的工作”定义清楚,再在同一把尺子上比较成本和质量的组合,而不是只看模型报价单。
账本正在被补上,但补的速度还不够快
行业层面已经出现了填补度量空白的尝试。Linux Foundation在2026年8月发起了Tokenomics Foundation,汇集30家行业参与者,目标是建立开放、供应商中立的AI成本与回报度量框架,把技术活动与业务价值之间的记录连接起来。该基金会执行董事J.R. Storment的定位很朴素:做一本“账本”,区别于把智能体连接到工具和模型的那类工程工作。
与此同时,现实世界的基础设施账本也在发出警示。Financial Times基于监管情报公司RegLayer的数据报道,2026年至少有47个美国大型数据中心项目被推迟、撤回或受阻,Bernstein分析师估计计划中的数据中心管线只有约35%具备可信度。CoreWeave的股价在一周内下跌近25%,高利率和债券市场环境正在挤压“新云”玩家的融资空间。当建设端的资金成本上升,项目端又缺乏清晰的回报度量,成本瓶颈就会从企业的损益表传导到整个基础设施投资的节奏上。
调查传递出的核心信息并不复杂:AI项目的停滞,更多时候不是因为机器不够,而是因为算账的方式还没有跟上烧钱的速度。预算继续增长,说明企业仍然相信AI值得投入;但只有当那26%的度量比例开始向上移动,成本才可能从“瓶颈”变成一笔可以管理、可以辩护的支出。
(素材来自:VentureBeat 智算芯能前沿网综合)
本文由智算芯能前沿网编辑整理,转载请注明出处。
