原文標題：Charts of the Week: Head In The Neoclouds
編者按：在生成式 AI 推動新一輪算力投資的背景下，市場對 AI 基礎設施的討論，正在從「有沒有足夠多的 GPU」轉向「誰能以可持續的方式提供算力」。當模型訓練、推論需求與資料中心擴張已成為共識，一個更底層的問題開始浮現：算力需求的高速增長，能否真正轉化為穩定的利潤與現金流？
在 a16z New Media 發布的《Charts of the Week》中，作者 Moses Sternstein 從 CoreWeave、Nebius 和 Applied Digital 等新雲公司切入，討論 AI 算力市場的增長、估值與盈利矛盾，並進一步延伸至橫向 SaaS、模型路由和前沿實驗室人才競爭。
在這篇文章中，作者並非簡單判斷 AI 需求是否強勁，而是將當前 AI 交易拆解為一組更底層的結構性問題：既有基礎設施如何被重新定價，收入增長為何沒有同步改善市場預期，以及 AI 產業的競爭焦點為何正從單純擴張轉向效率與回報。
第一，是基礎設施價值的重新發現。過去，鐵路沿線土地、天然氣管道和有線電視網路都曾為特定行業服務，隨後被改造成電信和網際網路基礎設施。今天，類似的資產重估再次發生。部分新雲公司原本服務於加密貨幣挖礦，已經擁有電力、機房、冷卻系統和高密度運算的營運經驗；AI 需求爆發後，這些能力迅速轉化為稀缺的算力供給。其意義在於，AI 基礎設施競爭並非完全從零開始，早期優勢往往來自對舊資產、能源資源和工程能力的重新組合。
第二，是收入高增長與盈利不確定性的並存。CoreWeave 等新雲公司的早期收入增速，一度超過 AWS 等雲端巨頭起步階段，但資本市場並未給予同等程度的認可。原因在於，新雲並不是典型的輕資產軟體生意。GPU 採購、電力接入、資料中心建設、晶片折舊和債務利息會隨著規模同步上升，甚至快於收入增長。這意味著，收入擴張只能證明 AI 算力需求旺盛，卻不能自動證明商業模式具有足夠高的資本回報率。市場真正等待的，是這些企業能否把訂單和收入轉化為可持續的自由現金流。
第三，是軟體價值正在按照 AI 影響重新分化。過去，市場擔心生成式 AI 會普遍削弱 SaaS 公司的護城河，但 Atlassian 的表現說明，AI 也可能成為提高客戶支出與產品黏性的工具。與此同時，網路安全和可觀測性軟體繼續獲得估值溢價，因為 AI 擴大了潛在風險，也提高了企業對成熟解決方案的依賴。這意味著，所謂「SaaS 末日」並不會均勻發生。AI 究竟是替代產品、壓低價格，還是擴大需求，正在成為軟體估值分化的新標準。
第四，是 AI 應用正在從「堆 Token」轉向優化 Token。過去，企業往往傾向於直接呼叫能力最強的模型，或給工程團隊一筆預算自行試驗；如今，Databricks 等公司開始透過智慧路由，根據任務難度匹配不同價格與效能的模型，在維持效果的同時降低成本。Token 單價下降也不必然意味著 AI 總支出收縮：當單位成本降低、應用場景增加，Token 消費總量和整體市場規模仍可能繼續上升。效率與需求並非相互排斥，而可能形成彼此強化的循環。
如果將這篇文章壓縮為一個判斷，那就是：AI 基礎設施已經證明自己可以創造高速增長，但下一階段的勝負將取決於企業能否把增長轉化為更高的資本效率。在這個意義上，本文討論的對象已經不只是 CoreWeave 們能否成為下一代雲端巨頭，而是整個 AI 產業能否從算力擴張走向可持續的商業回報。
以下為原文內容：
頭頂「新雲」
20 世紀初，南太平洋鐵路公司在連接美國各地城市與城鎮的已清理土地上，擁有大量閒置的建設權。鐵路路權的範圍遠寬於鐵軌本身，因此沿線還留有許多可供開發的走廊。
於是，這家鐵路公司沿鐵路線鋪設了一套通訊網路，並將其命名為「南太平洋鐵路內部聯網電話系統」（Southern Pacific Railroad Internal Networking Telephony）。到 20 世紀 70 年代，公司開始將這套網路商業化，向更廣泛的用戶開放。
隨後，兩件事同時發生了：一方面，長途電話市場的壟斷格局走向終結；另一方面，光纖電纜開始具備商業可行性。原有通訊走廊被改造成光纖線路，這套網路後來也以其英文縮寫「Sprint」為人所知。曾經服務於鐵路的資產，由此成為電信革命的基礎設施骨幹。
將既有實體網路改造成更大規模商業技術基礎設施的，並不只有鐵路公司。
20 世紀 80 年代，威廉姆斯公司（Williams Company）把閒置的天然氣管道改造成光纖通道，成立了 WilTel。該公司後來被出售，並最終更名為 WorldCom。到了 90 年代，為有線電視業務鋪設的單向同軸電纜，也經歷了一輪規模龐大、成本高昂的升級，最終成為 Comcast 和 Charter 面向消費者提供寬頻網際網路服務的基礎設施。
這就引出了另一類企業：它們同樣坐擁現成的基礎設施，而這些資產如今正被大幅改造、重新定價，以滿足一種新興技術的需求——這就是「新雲」（neocloud）公司。
簡單概括，新雲公司原本大多從事能源和算力密集型的加密貨幣挖礦業務，隨後 AI 浪潮到來。突然之間，誰擁有電力使用權、基礎設施，以及建設和管理高強度運算負載的經驗——在 CoreWeave 的案例中，還包括大量 GPU——誰就站上了當下最炙手可熱的賽道之一。
當然，這並不是嚴格意義上的同類比較。但如果觀察規模最大的三家上市新雲公司，其收入增速確實令人矚目。
我們只能估算超大規模雲端服務商創業早期的雲端業務收入，但大致趨勢已經很清楚：新雲公司的增長速度極快，而且明顯快於三大雲端服務商起步階段的增速。
需要說明的是，在整個算力銷售市場中，新雲公司目前仍只是相對較小的參與者。
它們距離超大規模雲端服務商的體量，也還有很長的路要走。
超大規模雲端服務商每季度創造的收入，比新雲公司高出幾個數量級。但與此同時，CoreWeave 大約只用了 25 個季度，就實現了 AWS 自推出後到第 40 個季度才達到的 26 億美元收入。再強調一次：這些企業的增長速度確實非常快。
擁有如此高的增速，又搭上 AI 行業的順風車，按理說投資者應該相當興奮。某種程度上的確如此，但真實情況要更複雜一些。
雖然這些公司最近一輪財報的表現普遍不錯，但過去一年裡，CoreWeave 的股價仍累計下跌約 16%；只有 Nebius 較為接近此前的高點。
因此，這個故事總體上仍然不錯，但對其中規模最大的新雲公司來說，吸引力顯然弱了一些。
近期市場表現相對平淡，部分原因在於許多增長預期可能已經反映在估值之中。
對於新雲這類資本密集型企業，市銷率並不是最合適的估值指標，但用來說明問題仍然很直觀。規模較小、增速更快的 Nebius 和 Applied Digital，估值溢價遠高於規模大得多的 CoreWeave。CoreWeave 的收入仍在翻倍，但已經不及榜首企業 400% 至 450% 的增速。
如果說新雲公司真正存在什麼問題，那並不是增長，而是長期盈利能力。新雲公司需要持續投入晶片、電力和實體基礎設施才能擴大規模，而這些成本都不低：
以 CoreWeave 為例，其收入增長確實十分可觀，但資本開支更加驚人。其他巨額成本還包括晶片折舊——折舊金額已經超過收入的一半——以及為提前建設昂貴基礎設施而舉債所產生、且仍在上升的利息支出。
本文無意就新雲公司最終能否成功，或其當前股價是否合理作出判斷。除去話題本身的熱度，這裡真正想說明的是，新雲公司恰好構成了整個 AI 交易中多空拉扯的一個縮影。
一方面，它們身處一個規模遠超所有人此前預期、且仍在繼續擴大的垂直市場——算力市場——並創造了歷史罕見的增長速度；另一方面，建設這類企業的成本也處於歷史高位，需要投入龐大且持續折舊的固定基礎設施。
橫向 SaaS 回歸？
下面簡要更新一下「SaaS 末日」不斷變化的市場版圖。此前軟體股大拋售中受創最嚴重的一家公司，最近一個月表現相當不錯。
過去 30 個交易日，橫向軟體公司在 IGV 軟體 ETF 成分股中的表現位居前列——儘管從這組數據採集之日起，它們已經回吐了部分漲幅。
總體而言，這些公司的基本面依然穩健。尤其是 Atlassian，它並沒有像市場此前預期的那樣，在 AI 衝擊下走向衰落。
這家生產力軟體公司實現了業績與指引的「雙雙超預期」：雲業務收入同比增長 31%，收入積壓訂單的增速甚至更高。但更關鍵的信號或許在於，AI 正在成為業務增長的助推器，而非阻力。Atlassian 表示，其 AI 助手 Rovo 已得到廣泛採用；同時，使用 Rovo 的客戶，其支出增速接近非 Rovo 用戶的兩倍。
這對 Atlassian 是好消息，對 Rovo 是好消息，對橫向 SaaS 也是好消息。
不過，橫向 SaaS 的整體估值依然略低於其他軟體類別。
除少數例外，包括 Atlassian 在內的橫向 SaaS 公司，其預期市銷率普遍低於「增速—估值倍數」趨勢線所對應的水平。
再強調一次，橫向 SaaS 只是度過了一個相對不錯的「月份」。想讓市場相信「SaaS 末日」已經取消，僅憑一個月的表現遠遠不夠。
當然，如果你的軟體業務屬於網路安全或可觀測性領域，那就是另一回事了——對這些公司而言，所謂「SaaS 末日」從來沒有發生過。
網路安全板塊繼續大幅跑贏 IGV 軟體 ETF 中的其他類別。在這個領域，AI 反而成為順風因素：市場普遍認為，AI 提高了人們對網路安全威脅的風險感知，而且沒有哪個企業客戶會靠「氛圍程式設計」（vibe coding）臨時拼湊出一套自己的安全解決方案。
這一邏輯最終能否成立，當然還需要時間檢驗。但至少目前來看，傳統軟體公司的處境絕非整齊劃一。
投資者高度關注 AI 究竟會給每家公司帶來增益，還是造成侵蝕，並隨著每一批新數據不斷修正原有判斷——這也是理所當然的。
邁向 Token 投入的效率前沿
圍繞模型使用、Token 消耗以及 Token 支出管理的市場格局，仍在以各種有趣的方式不斷演化。
以 Databricks 為例。
在「我們應該使用哪個模型」「哪個模型最好」這些問題上，Databricks 沒有採取贏家通吃的思路，也沒有只是給工程師一筆預算，讓他們自行決定怎麼花。它提出了另一個問題：「如果我們開發一套方案，把合適的任務自動分配給合適的模型，會怎樣？」
Databricks 當然不是唯一這樣做的公司，但它開發了一套「智慧路由器」（Smart Router），而實際效果令其相當滿意。
據稱，Databricks 的路由器能夠在必要時調用能力更強、價格更高的模型，在條件允許時則使用能力較弱、價格更低的模型，由此「持續將平均任務成本降低 30% 以上」。
總體而言，追求 Token 支出的「效率前沿」很難不是一件好事。這意味著需求仍在繼續增長，應用場景不僅在性能最前沿持續演進，也在向能力不那麼頂尖的模型擴散。在最初的悲觀敘事中，這些次優模型原本被認為會迅速遭到淘汰。
正如我們此前提到的，效率提升會擴大需求的覆蓋範圍，這正是市場希望看到的、類似傑文斯悖論的動態。
Silicon Data 的 Token 價格強度指數顯示，整體價格強度正在下降，尤其是隨著價格更低的開放模型在持續擴張的市場中佔據更高份額。
這裡有必要再次澄清一個經常被誤解的概念：這些指數衡量的是 Token 支出的成本強度，而不是絕對美元金額。它同時取決於 Token 消耗數量與 Token 的綜合成本。這意味著，即使每 Token 價格下降，Token 總消耗量和總支出金額仍然可能繼續上升。
真正重要的是，整體需求仍在增長，而定價和模型選擇逐漸走向效率前沿，只會進一步推動這種增長。尤其值得注意的是，「AI 需求」或「AI 採用」並不是一個單一、同質化的概念。重度用戶與其他用戶之間依然存在巨大差距。這清楚表明，「始終使用最好的模型」或許適合部分企業，但肯定不適合所有企業。
如今，市場正在迅速形成更多可供選擇的替代方案。總體而言，這是一件好事。
根據企業支出管理平台 Ramp 的數據，所有企業都在增加 AI 支出，但支出中位數與前 10% 企業之間，以及前 10% 與前 1% 企業之間的差距都極為懸殊。
Ramp 的數據通常更偏向科技公司，解讀時需要考慮這一點。但數據顯示，支出排名前 10% 的企業，其人均 AI 支出大約是中位數企業的 50 倍。
這種分佈很可能不是偶然形成的。能夠從 AI 支出中釋放更多價值的企業，大概也正是投入最多的企業——即使並非每家公司都如此，至少相當一部分公司符合這一規律。
波士頓諮詢公司對 107 家上市公司的分析發現，Token 使用量排名前兩個五分位組的公司，收入增速明顯快於其他企業。
這裡想表達的核心是，Token 需求與使用效率正在相互強化：企業獲得的價值越多，消耗的 Token 也就越多。
這個過程當然存在投入與回報之間的反覆權衡，研發也總會包含一些前期成本。但對絕大多數企業而言，不加節制地「堆 Token」從來都不是一種有效策略。
因此，企業未來越來越不必採取這種做法，顯然是一件好事。
前沿實驗室人才爭奪戰
New Media 最近剛剛有兩位出色的團隊成員加入 OpenAI，所以最後我們用幾張有趣的圖表，看看前沿 AI 實驗室的人才招聘情況。
Dario Amodei 最近表示，他擔心員工正在把金錢置於使命之上。從 Levels.fyi 的數據來看，這種擔憂或許並非毫無依據。
如果完全按照數據表面來理解，Anthropic 給工程師開的薪酬非常高，而且遠高於谷歌、特斯拉等公司資歷相當的工程師。
看來，成為技術團隊成員的確是一件不錯的事。
此外，還有一組數據也很有意思。
根據 Live Data Technologies 的數據——由 Truist Securities 整理呈現——各家實驗室的人才來源既有大量重疊，也存在明顯差異：
兩家公司都從超大市值科技公司招聘了不少人才，不過只有 OpenAI 從輝達和特斯拉招過人，而且都發生在 2026 年。
Databricks、Snowflake（近期）、Palantir 和 DeepMind，同樣是兩家公司共同的人才來源。
兩家實驗室也都從 Salesforce 和 Stripe 招聘了相當數量的員工。
但雙方的重疊似乎到此為止。Anthropic 從 SaaS 公司招聘了不少人才，而 OpenAI 幾乎沒有；OpenAI 則大量從消費互聯網、平台市場和廣告科技公司招人，而 Anthropic 在這些領域的招聘相對較少，Airbnb、Netflix 和 Uber 除外。
至於這些差異意味著什麼，就留給各位自行解讀了。
