中国AI热潮转向：从模型降价到算力基础设施的长期博弈

事件概述

中国人工智能行业的竞争逻辑正在发生根本性转变。随着模型API价格的急剧下降，科技巨头不再仅仅比拼谁拥有最强的模型，而是转向如何在乌兰察布等电力资源丰富地区维持高服务器利用率，并回收长达数年的基础设施投资。这一阶段的核心矛盾在于：模型侧的价格快速下行与算力侧的重资产长期折旧之间的张力。

核心信息

1. 模型价格断崖式下跌

• 价格趋势：2026年5月，DeepSeek永久将其V4-Pro API费率下调75%。至10月，根据Silicon Data编制并经《金融时报》引用的Token价格指数显示，综合价格较5月峰值下跌超过52%。
• 市场分化：虽然整体价格走低，但部分高端模型价格相对坚挺，不过“按Token计费的智能服务变得更便宜”是大势所趋。

2. 算力基础设施的巨额投入

• 资本支出激增：阿里巴巴截至6月30日止季度的资本支出达676.78亿元人民币，同比增长75%，主要驱动力为AI基础设施。同期，其AI云及计算服务收入增长45%，至484.37亿元。
• 选址策略转移：乌兰察布成为数据中心密集建设区，吸引阿里巴巴、华为、快手等入驻。选址逻辑从追求软件人才密度转向追求廉价电力、可用土地及利于散热的低环境温度。
• 电力成本敏感性：电力是运营成本中的关键变量。假设一个10兆瓦IT负载在PUE 1.2下运行，若电价每千瓦时相差0.40元，年度电费差额约4200万元，五年累计超2亿元。因此，能提供稳定直供电和低气温的地区成为战略资产。

3. 运营模式的复杂性与风险

• 负载分布权衡：训练集群偏好高带宽网络，推理服务需靠近用户以降低延迟。运营商通常将批量训练、冷存储迁移至低成本地区，而交互式产品则无法忽视延迟，导致工作负载分散。
• 折旧与技术过时风险：自购GPU的企业承担利用率风险和折旧压力。硬件的物理寿命可能长于经济寿命，新一代芯片或更高效的模型架构可能导致早期设备即使功能正常也面临“ stranded assets ”（搁浅资产）风险。
• Agent效应增加算力消耗：降低Token价格并未自动减少单次工作流的总算力消耗。AI Agent的使用使得单个用户请求可能触发数十次模型调用和工具使用，扩大了可行任务范围，但也增加了总计算量。

4. 财务表现的结构性分裂

• 内部盈亏分化：以阿里巴巴为例，其AI云及计算服务板块实现收入和调整后EBITA双增长；而包含通义千问（Qwen）等消费级产品的AI实验室及应用板块，因吸收能力投资和更高的推理成本，录得大额调整后EBITA亏损。
• 会计视角差异：同一度电在云账本上体现为收入，在模型账本上体现为成本。芯片厂商在服务器发货时确认销售，云运营商需通过多年利用率收回资本，模型公司则依赖大规模付费客户才能回收成本。

值得关注

中国AI行业在过去两年证明了其训练竞争性模型和获取芯片的能力，现在正进入更传统的重资产管理学科：如何在产品端价格持续下跌的同时，对庞大的资本基础进行选址、供电、融资并保持高利用率。乌兰察布崛起的数据中心天际线是对电力问题的回答，但更难的答案——这些设施在下一轮效率提升后能否收回成本——将写在利用率和自由现金流中，而非Token价格表上。