中国AI算力大变局：从囤芯片到算经济账

内蒙古乌兰察布正在成为中国算力重镇。这座距离北京数百公里的北方城市，目前已签约89个数据中心项目，阿里巴巴、华为、快手等企业相继落户，甚至连当地废弃的学校都被改造成了数据中心。

乌兰察布吸引科技巨头的底气，在于相对低廉的电价、土地成本，以及适合服务器自然散热的气候。当地甚至打出打造“Token之都”的口号，试图将风电、光伏等能源优势直接转化为算力产业优势。

然而，这股基建热潮正迎头撞上AI行业的激烈降价潮。

5月，DeepSeek宣布将V4-Pro模型的API价格永久下调75%，每百万Token价格降至0.025元至6元区间。

到了10月，Silicon Data编制的Token价格指数显示，综合Token价格已较高位下跌超52%。

模型调用越来越便宜，巨头的机房采购却越买越凶。阿里巴巴最新季度财报显示，单季度资本开支高达676.78亿元，同比增长75%，其中大部分流向了AI基础设施；同期AI云与算力服务收入达484.37亿元，同比增长45%。

一边是服务单价大幅缩水，另一边是重金押注数年才能回本的硬核资产。过去两年，行业最关心模型跑分和GPU持有量；如今，商业逻辑正在回归常识——服务器要折旧，机房要交电费，算力必须找到能持续付费的客户。中国AI正式迈入经营算力的新阶段。

算力向能源腹地转移

数据中心最大的日常开支就是电力。以一座IT设备平均功率10MW、PUE为1.2的中型数据中心为例，一度电如果便宜0.4元，一年就能省下超4200万元电费，五年累计差额超过2亿元。对拥有多个大型集群的云巨头而言，电价微小的浮动直接决定了业务盈利与否。

靠近电厂、直连供电，能让乌兰察布等能源重镇构筑起成本护城河。但这并不意味着算力可以随意搬迁：AI模型训练需要高带宽互联集群，在线推理则高度依赖网络时延。企业必须精细拆分任务——把批量计算和模型训练放在能源洼地，把低时延的推理节点留在靠近核心用户的大城市。

更严峻的挑战来自芯片生命周期。机房土建寿命可达数十年，而GPU往往在物理损坏前，就因制程与架构迭代失去了成本竞争力。几年前高价购入的芯片，面对性能成倍提升的新硬件，随时面临残酷的减值竞争。

为什么Token降价没让算力真正变便宜？

DeepSeek等模型大幅降价，并不等同于计算成本同比例下降。API售价反映的是市场竞争策略，背后包含推理优化、设备利用率和商业补贴。

企业用户的采购习惯也发生了分化：常规信息分类、文档总结转向高性价比的平价模型，复杂推理任务才分配给昂贵的高端模型。同时，AI Agent智能体的兴起改变了算力消耗形态。一个任务不再是单次问答，而是涉及多次工具调用、环境检索和多轮循环，单次Token再便宜，整套任务跑下来消耗的算力依然庞大。

技术迭代让单次计算更经济，随之扩大的应用规模又反向推高了总消耗。对于提前预支数百亿建机房的云厂商而言，一旦未来模型效率跃迁导致需求收缩，或者新架构提前淘汰旧硬件，前期的重资产投资就将承受巨大的回收压力。

从技术比拼到重资产运营

在阿里的财报中，AI云与算力服务经调整EBITA达到56.28亿元，而AI实验室与应用分部经调整EBITA亏损138.61亿元。这直观展现了产业链的错位：芯片商卖出即获利，云厂商需要数年靠租赁收回机房本金，而模型应用公司仍在为高昂的推理账单买单。

传统互联网业务具备显著的边际成本递减效应，一套代码可以零成本分发给上亿用户。但AI不同：每一次用户请求，背后都是真金白银的算力消耗。服务如果无法在实际业务中带来可量化的降本增效，客户的预算终究有限。

模型价格几个月内就能跌去大半，但数据中心收回成本却需要数年。当技术以月为周期迭代，资本以年为跨度周转，中国AI公司正在被迫补上最重要的一课：如何把算力做成一门算得清账的重资产生意。