你的AI月费去向何方？揭示20美元背后的算力供应链

正文：

一幅图表将 Claude Pro 在美国的月费约20美元进行拆解，展示了模型公司、云计算资源、GPU 折旧、电力及供应链的成本分配。这一图示引发了投资者对AI应用收入估值的重新思考。

这幅图并非来自 Anthropic、亚马逊云或英伟达的官方财务数据，因此不能视为任何公司的真实账务记录。它的价值在于提出了一个根本性的问题：用户支付给AI应用的订阅费用中，有多少能够像传统的SaaS一样转化为软件毛利？

传统SaaS的估值逻辑相对清晰。软件开发完成后，新增用户的成本通常较低，成熟的软件公司的毛利率通常在70%到80%以上。投资者愿意给予高估值，因为随着收入规模的扩大，利润率有可能继续提升。

而AI应用面临的挑战在于，用户每次提问、编写代码、分析文件或调用代理时，都需要消耗GPU时间、电力、内存带宽和云资源。尽管表面上是固定的月费，实际上却形成了一条随使用量波动的成本链。轻度用户可能享有高毛利，而重度用户在可用额度或相关工具套餐内频繁使用时，成本可能迅速上升。

因此，这幅20美元的拆分图所要挑战的不是某家公司究竟获取了多少美元，而是“AI应用的收入是否天然等同于SaaS收入”。AI公司需要证明自己具备高估值的潜力，不仅要展示用户愿意付费的意愿，还要确保加权后的毛利率能够持续改善。

AI订阅与普通软件订阅的最大区别在于“每次使用”的边际成本不再接近于零。

在传统SaaS中，一个团队增加一个账号，服务提供商虽然也需要承担服务器、客服和带宽成本，但这些成本通常不会随着每次点击而线性增加。真正高昂的费用主要集中在研发、销售和客户获取上。产品实现规模化后，新增加的收入中有相当部分能被保留下来。

大模型产品则有所不同。用户输入问题，模型生成答案的过程称为推理，即模型被用户调用时实际进行的计算。Token是模型读写文本的基本计量单位。用户提问越多、上下文越长、生成内容越复杂，消耗的Token和算力也就越多。

这就导致了固定订阅费与可变成本之间的矛盾。Claude Pro在美国的月费约为20美元，价格受到地区、税费及Anthropic的调整影响。用户看到的是固定价格，但模型公司面对的却是各异的使用模式。有些用户仅进行邮件撰写和信息查询，而另一些则可能处理长文档、执行代码任务或调用更复杂的自动化流程。

市场上流传的拆分图试图将这一现象具象化：20美元中，部分分配给模型公司，部分则支付给云和算力提供者。算力成本包括电力、运维和GPU折旧。GPU采购进一步流向英伟达、台积电、HBM（高带宽内存）供应商、光模块、ODM和电力相关企业。

这里的“GPU折旧”可以理解为，昂贵的GPU并非一次性成本，而是根据使用年限、使用强度或会计口径逐渐分摊到AI服务中。实际的分配会受到套餐限额、用户类型比例、云服务商内部结算价格、预留算力折扣、GPU利用率和折旧年限的影响。平均成本并不等同于边际成本。

投资者应关注的核心是方向：AI应用公司不仅要披露收入增长，还需说明收入增长背后的算力成本是否同步增长。如果使用量扩张快于模型效率提升，则订阅收入越高，毛利压力可能越明显。只有效率改善足够迅速，模型公司才有机会接近软件公司的利润结构。

目前阶段，AI使用量的增长更直接流向基础设施，而非完全沉淀在应用层。

无论用户是在Claude、ChatGPT、Gemini，还是企业内部的代理中使用模型，推理最终都需要依赖算力、电力、内存和网络。应用层可能出现产品更替，但底层资源的消耗则更为刚性。只要AI使用量持续上升，云资本开支、GPU采购、HBM需求和数据中心电力消耗也将随之增加。

这也是为什么英伟达、台积电、SK海力士等基础设施链条在市场上不断被重估的原因。近年来，英伟达的整体毛利率维持在高位，FY2026年度的GAAP和非GAAP毛利率约为71.1%和71.3%，后续季度的指引也保持在高位。值得注意的是，个别季度可能会受到特定费用的影响，公开财报也不总能直接揭示AI数据中心的真实毛利结构，但稀缺基础设施的定价权已在业绩中得到体现。

HBM是这一链条上最具代表性的环节。它不仅是普通内存，而是AI加速器中支持高吞吐量计算的关键组件。随着模型规模、上下文长度和并发推理需求的增加，AI芯片对高带宽内存的依赖愈加显著。供应链估算显示，HBM在新一代AI芯片成本中的占比提升，这也是SK海力士、三星、美光在AI周期中被重新定价的重要原因。

电力和数据中心的成本也逐渐从背景成本转变为投资主线。单次普通文本查询的能耗可能并不显著，但复杂的代理、长上下文、代码生成和多轮任务会显著提升计算需求。对于云服务商和数据中心运营商而言，关键不在于某一次查询的耗电量，而是在海量推理请求持续发生时，集群利用率、电价、冷却、机房容量和电网接入能力都会成为成本和瓶颈。

基础设施端的优势在于业绩验证的速度较快。云服务商的AI资本开支已经发生，英伟达的收入和毛利在财报中得以体现，而HBM制造商的订单和价格也会迅速反映在利润表中。模型应用层的交易则更多是基于未来的预期：订阅转化、企业渗透率、API收入以及未来成本曲线下降后的利润释放。

软件投资者和AI多头并非没有反驳的声音。效率派的核心观点是，今天的推理成本偏高只是早期阶段的现象，模型优化、缓存、小模型、自研芯片和更高的集群利用率将持续降低单位成本。只要成本足够快速地下降，AI应用仍旧有机会回归高毛利的软件逻辑。

这一反驳是有现实依据的。在同等或更高能力的情况下，部分主流模型的单位价格已经显著下降。OpenAI曾披露，GPT-4o mini相较于早期的text-davinci-003，每token的成本下降了99%。不同公司的节奏并不完全一致，Anthropic最近更倾向于同价升级和模型分层，但行业的总体方向仍然是以更低的成本提供更强大的能力。

模型公司也有多种方式来改善单位经济性。简单的任务交给小模型处理，常见请求通过缓存进行复用，复杂任务则由更强大的模型执行。云服务商则通过自研芯片和集群调度来降低单位算力的成本。谷歌推出了TPU，微软推出了用于推理的Maia，亚马逊也在推进Trainium和Inferentia。

从技术进步的角度来看，AI应用的利润率确实存在改善空间。更便宜的推理、更优的模型路由和更强的压缩能力，都能使同样的20美元订阅承载更多的使用量。轻度用户、高价企业套餐、API分层定价和更严格的使用限制，也能够改善整体的单位经济性。

然而，难点在于成本的下降并不是唯一的变量。AI应用正在从简单的聊天任务转向更复杂的工作负载。过去，用户可能