上一章看了钱从哪进来。这一章翻开账本的另一页：钱花到哪去。大模型公司的成本结构里藏着这门生意最反直觉的部分——它看起来像软件公司，其实资产负债表像重工业。
两笔完全不同的钱：训练和推理
所有算力开销可以分成两类，它们的性格完全不同：
训练（training）：教模型学会本领的过程。把互联网上能找到的文本喂给它，让几万台机器连轴转几个月，调整模型内部几千亿个参数（可以粗略理解为模型「大脑」里可被拧动的旋钮数量），直到它预测下一个词的准确率高到够用。一次前沿模型的训练，2025 年以后的公开估算普遍在数亿到数十亿美元一次。
推理（inference）：模型学成之后，实际回答每一个用户问题的过程。你每问一次，机器就要真跑一遍。2026 年 OpenAI 光推理一项的年开销就被估算在 140 亿美元量级——注意，这不是建未来的产能，只是伺候好眼下的用户。
训练像制药公司研发新药：一次临床试验几个亿美金砸下去，成了就有一款药，败了就归零——而且新药专利还没到期，竞品可能已经比你好了。推理像药厂的生产线：每卖出一粒药都要真花成本。大模型公司难就难在，它同时背着这两种成本里最贵的版本。
基建的规模：数字大到失去直觉
先看几个 2025 到 2026 年的真实合同，感受一下量级：
- OpenAI 牵头的「星际之门」（Stargate）计划，公开口径是几年内投入 5000 亿美元建数据中心；
- Anthropic 2026 年 4 月与亚马逊 AWS 签了 10 年 超过 1000 亿美元的算力承诺，锁定最多 5 吉瓦的电力容量——吉瓦是核电站机组的功率单位，5 吉瓦大约是几座大型核电站的出力；
- 微软、谷歌、亚马逊、Meta 四家 2025 年合计资本开支（capex，指买设备、建厂房这类一次投入、分多年摊还的长期投资）超过 3000 亿美元，2026 年继续加码，其中大头流向 AI 数据中心。
这不是「互联网公司的机房大一点」的问题，这是人类历史上最快的基建狂潮之一——上一章的读者此刻应该追问：好，厂房建了就建了，传统电厂也这么建，问题在哪？
问题在折旧：一台每天都在贬值的印钞机
传统电厂的机组能用三四十年，成本摊到漫长的寿命里，每年薄薄一层。AI 数据中心里的核心资产 GPU 不一样：它是人类历史上性能进步最快的工业品，新一代芯片一出来，老芯片的「每度电产出」立刻相形见绌。
这里有一场 2025 年底吵得沸沸扬扬的会计之争。空方代表（比如因预测 2008 年次贷危机出名的 Michael Burry）指控：大型云厂商把 GPU 按 5 到 6 年折旧——即假设一台芯片能体面地干满六七年——从而把成本摊薄、把当期利润做高；而实际上，AI 芯片两三年后在新任务上就明显落伍，真实经济寿命可能只有 3 年左右。如果按 3 年重算，这些公司的利润会明显缩水。
多方反驳：老芯片不会报废，只是降级——跑不了最前沿的训练，还能跑要求低的推理任务，就像退役的客机改货机继续飞。
谁对？诚实的答案是没人知道，因为这批芯片还没活到头。但这场争论本身就是全书最重要的信号之一：
这门生意的盈利模型，建立在一个未经检验的假设上：今天买的芯片，五年后还能赚到钱。折旧年限差两年，分摊到几千亿的基建上，就是每年几百亿的利润差异。一本账的生死，系于一个没人验证过的数字。
成本结构的全貌
把成本摊开，一家大模型公司大致背着五座山：
- 算力 capex：芯片、数据中心、电力容量——最大头，且前置（先付钱，后收租）；
- 推理运营成本：随用户数线性增长的电费式开销，用户越多亏得越多还是赚得越多，取决于第四章的单位经济；
- 人才：顶级研究员年薪包开到千万美元级，2025 年起几家实验室之间互相挖角的价码屡见报端；
- 数据与训练实验：大量训练跑完发现不行，直接归零；
- 获客与补贴：免费用户、低价档、企业折扣——本质都是贴钱换规模。
注意这五座山的性格：前四座跟「收入多少」几乎无关——不管你卖不卖得出去，山都在那儿。这就是经营杠杆高的生意——成本里一大块是固定的，不管你卖不卖得出去，山都在那儿：做大了利润惊人，做不大亏损也惊人。它解释了为什么所有人都在疯狂抢规模——这门生意里，规模不是追求，是活路。
下一章我们把镜头推到最小的一格：不看几百亿的总账，就看卖出去一个 token 的那一瞬间，这笔交易本身，到底是赚还是赔？