OpenAI 和 Anthropic 的商业模式，本质上已经越来越像“烧钱换算力”的重资产基础设施生意。

两家公司都在冲刺IPO，但核心问题非常一致：算力成本失控。OpenAI预计到2028年仅算力支出就达到1210亿美元，当年亏损仍可能高达850亿美元。Anthropic规模更小，但路径一致——模型能力每提升一代，训练成本都是非线性上升。

一个非常关键的结构是，两家公司都在“定义两套利润”：
一套不包含训练成本（可以盈利），一套包含训练成本（长期巨亏）。本质上，是把训练当作资本开支处理，但现金流是真实流出的。

收入端确实很强，两家公司都属于历史级增长，今年收入预计翻倍以上，且结构正在向企业客户倾斜。但问题在于，推理成本仍然吞噬超过一半收入，同时C端大量免费用户带来显著成本负担。

自由现金流层面，未来几年都将持续大幅为负，高度依赖外部融资。这也是为什么市场在推动IPO制度调整，让这类公司更快进入指数体系，吸引被动资金承接。

所以这一轮AI，本质已经从“软件逻辑”转向“基础设施逻辑”：
算力=资本开支，模型=资产，推理=持续运营成本。

问题不再是“能不能赚钱”，而是：
收入增长能否最终覆盖这个级别的算力投入。

但需要注意，这一类模型预测，很可能已经开始失真。

核心原因在于：模型假设的是“训练驱动增长”，但现实在过去2–3个月已经明显转向“推理+应用驱动”。

2月以来最重要的变化是代码能力的跃迁（coding agents / copilot）。这一类需求具备三个特征：高频使用、强付费意愿、单位算力产出价值更高。同样一单位算力，用在代码场景上的变现效率，明显高于通用对话。

这会带来两个变化：
第一，收入质量提升，企业收入占比加速上升；
第二，推理成本占收入比，有可能下降得比当前模型预测更快。

但底层约束没有改变：训练成本仍然是指数级上升，而且是前置投入。

本质不是模型错了，而是：
短期盈利路径可能被低估，但长期仍然是“算力资本开支驱动”的重资产模式。

一句话总结：
代码是第一个证明AI可以赚钱的场景，但还不是能够覆盖训练成本的场景。#人工智能#