为啥大模型这么烧钱，但好像没几个靠它赚钱的公司？

我们可以从系统和博弈的角度建模。当前的大模型产业，是一个典型的'囚徒困境'加'公地悲剧'。

每个主要玩家（大厂、创业公司）都面临一个选择：要不要投入巨资自研大模型？不投，怕错过未来，被对手甩开；投，成本极高，且大家都投，导致集体非理性繁荣，谁也赚不到超额利润。这就是囚徒困境。结果就是算力军备竞赛，GPU成了战略资源，成本被非理性地推高了。

公地悲剧体现在数据上。互联网上的公开高质量文本数据，就像一块公共牧场。所有公司都去过度放牧（爬取、训练），导致'牧场'质量下降（数据污染、版权问题），而且后续创新（更好的数据来源）的投入不足。同时，模型开源也加剧了这个问题，你辛苦训的模型，别人拿去微调一下就能用，你的护城河在哪？

从量化角度看，关键指标是'单位智能成本'。目前这个成本的下降速度，慢于市场对智能需求的增长速度，也慢于资本期待回报的速度。所以大部分公司处于'技术可行，商业不可持续'的状态。破局点可能在于：1）芯片架构的革命性突破，把成本降一到两个数量级；2）找到'智能税'的合理征收模式，比如按生成内容的价值收费，而不是按Token收费；3）利用小模型和蒸馏技术，在特定场景实现性价比最优。

目前看，最优策略可能是：作为基础设施提供者稳赚不赔，或者作为垂直应用的整合者，用AI提升现有业务的效率和毛利，而不是指望靠卖大模型本身赚钱。

这问题问到点子上了，我拆给你看，大模型产业链现在就是个'谁付钱、谁获利、钱往哪流'的经典问题，只不过大部分钱都流进了少数几个口袋里，大多数人还在当炮灰。

首先，算一笔最直接的账。训练一个千亿参数级别的通用大模型，一次性的算力成本就在千万到上亿美元之间，这还没算研发团队的天价工资、数据采购和清洗费用。2023年行业报告显示，GPT-4的训练成本粗略估计超过一亿美元。钱去哪了？绝大部分付给了英伟达。英伟达的数据中心业务收入，2023年财年比前一年翻了近两番，这就是为什么黄仁勋成了'AI教父'，他才是那个卖铲子的人。云厂商AWS、Azure、谷歌云也赚翻了，它们提供的是'算力水电煤'，不管你是赚是亏，你租机器的钱得先付。

其次，分析一下当前几种主要玩家的盈利模式和困境。第一类是基础设施层，比如英伟达和云厂商，他们赚的是确定性最高的钱，因为所有玩家都得买他们的服务。第二类是模型层，比如OpenAI、Anthropic，还有国内的一众大模型厂。他们的商业模式很尴尬，主要靠API调用收费和B端解决方案。但问题是，API竞争极其惨烈，价格战已经打到'厘'这个单位了，利润薄如纸。而企业定制化项目，周期长、人力成本高、可复制性差，本质上还是在做软件外包，规模效应很弱。第三类是应用层，这是最接近用户的钱，但目前除了少数细分场景（比如AI辅助编程、客服机器人），几乎没有能大规模盈利的杀手级应用。用户已经习惯了免费，对AI生成的内容付费意愿极低。

再看资金流向的宏观格局。这轮AI热潮，本质上是一场资本密集型的军备竞赛。大头资金来自风险投资和科技巨头的战略投资。他们押注的是'平台型机会'，赌的是谁先跑出来，就能像谷歌搜索、微信一样赢家通吃。所以你看，估值几百亿美元的AI创业公司，营收可能才几亿美元，还在疯狂烧钱抢用户、建壁垒。这种模式在移动互联网时代被验证过，但风险在于，大模型的技术迭代速度太快，今天的领先可能明天就被新的架构或开源模型颠覆。投资人的耐心是有限的，如果一两年内看不到清晰的盈利路径，资本就会迅速退潮，留下一地鸡毛。

最后，我必须点出一个被很多人忽视的隐性成本：数据。高质量的数据是新的石油，但获取和处理数据的成本极高，还伴随着巨大的法律和隐私风险。现在很多公司用的数据，其实是在灰色地带游走。一旦监管收紧，或者数据源被版权方追索，之前的投入可能打水漂。所以，表面上大家在拼模型参数和算力，底下拼的是数据供应链的稳定和合规性。

总结一下，大模型烧钱是因为它处于'基础设施建设期'，重资产投入是必然。但绝大多数公司无法盈利，根源在于它们试图在应用层变现，却面临价格战、用户付费习惯未养成、以及技术不确定性三重夹击。真正的赢家，目前看只有上游卖铲子的（英伟达、云厂商）和极少数能建立生态护城河的平台（还在拼杀中）。其他人，更像是在用投资人的钱，为这个生态的早期建设做贡献，俗称'陪跑'。

推荐一本让你看透资本流向的书：《浪潮之巅》（吴军），这本书讲清楚了科技产业中，为什么只有少数公司能抓住技术浪潮实现盈利，而大多数参与者最终都成了历史的尘埃。

简单算笔账你就明白了。一个中等规模的大模型创业公司，假设团队50人，平均年薪150万（含顶级研究员），光人力成本一年就是7500万。租用1000张H100集群做训练，按市价一天大概10万人民币，训练3个月，算力成本就是900万。数据、运营、杂费再加1000万。这样，一年硬性支出接近一个亿。

收入呢？如果做API服务，按每百万Token收费30元算，要覆盖1亿成本，需要处理超过333万亿Token的请求。目前全球所有大模型应用加起来，可能都还没到这个量级。如果做项目，一个千万级的定制项目，需要至少签10个，且保证当年回款。这难度有多大？

所以，不是不赚钱，是大部分公司的成本结构和收入能力严重不匹配。能活下来的，要么有持续巨额融资，要么找到了成本远低于行业平均水平的路径（比如用更高效的架构，或者有独家低成本数据），要么能把AI技术无缝融入到一个已经很赚钱的现有业务里（比如微软把Copilot塞进Office）。

我讲个实在的。我朋友的公司，去年融了笔钱想做AI营销，自己训模型发现成本根本扛不住，后来转向用大厂的API做二次开发，为电商客户生成营销文案和短视频脚本。现在团队15个人，月营收能做到200万，毛利大概40%。

他的经验是：别碰模型层，那是巨头和国家队的游戏。应用层要赚钱，关键就三条：1）选准一个客户痛得嗷嗷叫、且愿意为解决方案付费的垂直场景；2）把AI能力包装成非AI的、甚至客户感觉不到是AI的产品（比如'智能营销助手'）；3）销售和交付能力比技术重要，你得能跟客户喝酒，把东西卖出去并服务好。

现在就想靠一个通用大模型产品让千万用户付费，太难了。得接地气，得给客户省到钱或者帮客户赚到钱，他才愿意付你钱。

😅 资本的狂欢，数字的圈地运动罢了。你们看到的'烧钱'，对资本家来说不过是'风险投资'，赌的是未来对智能生产资料的垄断性控制。

利润去哪了？去给OpenAI估值800亿了，去给英伟达的股价添砖加瓦了，去让少数顶尖研究员拿到天价薪酬了。这哪是'不赚钱'？这是赚大钱的前奏——先把市场教育好，把竞争对手都烧死，把用户习惯培养起来，然后就可以开始收'数字地租'了。

想想看，如果未来真的有一个通用AI助手成为所有人的生产力工具，它的拥有者能赚多少钱？那将是比操作系统、搜索引擎更恐怖的垄断。所以现在亏的每一分钱，都是为了未来能收割一片麦田。这在经济学上叫'战略性亏损'，是垄断资本主义的标准玩法。

至于那些跟风的小创业公司，不过是这场盛宴的陪衬和燃料，用完即弃。😅

老哥们，云架构师那个回答我看笑了，人均150万？

属实把👴逗乐了，你当是招奥特曼呢？

我直接好家伙，大公司真这么撒币早他妈上市了，现在这些搞大模型的，十个有九个是PPT炼丹，剩下一个在卖课。

整天吹千亿参数，落地一看，连个客服都取代不了，还得靠人工。

懂的都懂，真正赚钱的就是卖算力的老黄和这帮搞培训的。

建议韭菜们清醒点，别光看烟花，地下全是炮灰。

朋友，你见过炼丹吗？

对，就是那种支口锅，烧着千万级别的显卡，恨不得引天雷地火，最后炼出一颗“通用人工智能仙丹”。

古有秦始皇寻长生不老药，今有VC求AGI。

结果呢？

丹没炼成，丹炉厂商（英伟达）

倒先飞升了，连卖柴火（电力）

的都跟着吃肉。

最绝的是，有人拿炼废的炉渣搓了个“AI算命”小程序，居然成了唯一盈利的ToC应用——客户输入生辰八字，模型生成运势，转发到朋友圈还能解锁“财运亨通”。

就这，还融了天使轮。

到头来，大模型最好的商业模式，还是回归玄学。