OpenAI 近期的财务披露揭示了人工智能行业经济模型的严峻前景。该公司不仅未能实现内部收入和用户增长目标，更预计 2026 年的亏损额可能高达 140 亿美元。

首席财务官 Sarah Friar 已在内部发出警告，激增的计算成本可能超越收入增长，这引发了外界对其能否支撑未来大规模计算合同的质疑。在 8520 亿美元的估值下，OpenAI 的收入增速已无法匹配证明该估值所需的 IT 基础设施成本增速。

这一现象并非孤例，而是整个行业结构性功能障碍的缩影。当前，AI 公司估值被推至前所未有的高度，但其购买的计算容量远超有效部署能力。OpenAI 的主要收入源于 API 访问费和 ChatGPT 订阅费，然而每个用户查询均消耗 GPU 时间，导致推理阶段利润率极低甚至为负。尽管订阅用户增加带动收入增长，但计算成本随使用强度呈指数级上升，且数十亿美元的下一代模型训练投资需数月甚至数年才能产生回报。

闲置产能悖论

更深层次的矛盾在于，科技公司囤积的大量 GPU 并未投入实际使用。尽管主流叙事强调算力 " 稀缺性 " 以辩护高价，但 Cast AI 发布的《2026 年 Kubernetes 优化状态报告》显示，基于 AWS、GCP 和 Azure 约 23,000 个集群的数据，95% 的企业 GPU 容量处于闲置状态。数十亿美元的计算资源已配置并付费，却极少用于生产性工作。

这种错配导致除头部模型公司和云计算巨头外，其他市场主体被排除在外。从伦敦到拉各斯的初创企业及机构难以以合理价格获取算力。硬件与需求同时存在，但当前模式缺乏有效的连接机制。

利用率低下的结构性根源

造成利用率低下的原因是结构性的。企业购买 GPU 往往旨在应对峰值需求，如同为早晚高峰修建高速公路，却在其余 23 小时让道路空置。此外，市场存在严重的囤积行为，大型企业购买的 GPU 数量远超运营所需，硬件首先成为资产负债表上的资产信号，其次才是生产工具。

AI 模型训练的周期性加剧了这一问题。公司在数周内全力运行 GPU 集群后，往往在下一个训练周期前让其长期闲置，期间缺乏激励措施促使他人使用该容量。结果是，最大玩家囤积了几乎不使用的硬件，而真正需要将算力用于生产性用途的小型团队——如在内罗毕或圣保罗开发应用的开发者——却因高昂定价被拒之门外。

分布式替代方案的兴起

闲置产能的持续存在催生了对新模式的需求。分布式计算网络试图将未充分利用的硬件与需要算力的开发者直接连接。在该机制下，拥有空闲容量的数据中心、公司或个人可接入网络，由系统验证机器能力并匹配工作负载。快速响应任务路由至附近高性能硬件，批量训练任务则分散至更便宜的分布式机器，开发者无需关心硬件物理位置。

通过编排层将兼容硬件分组为集群，开发者可将工作负载部署于多台机器，视作统一资源。这不仅让闲置 GPU 产生回报，降低开发者访问成本，还使硬件所有者能将休眠资产货币化。更重要的是，分布式网络降低了对少数中心化提供商的依赖，增强了供应链韧性。

资产减值风险逼近

人工智能行业正面临修正压力。公司资产负债表上堆满了按完全利用率定价的 GPU 资产，而实际利用率仅为 5%。随着清算时刻临近，财报必须反映现实，行业计算访问规模可能随之收缩。依赖中心化提供商的企业将首当其冲，而接入分布式替代方案的公司则更具抗风险能力。

基础设施与需求均已具备，缺失的仅是无需万亿美元估值即可运作的匹配模式。这种模式正在构建中，问题在于行业还需经历多少次资产减值，才能真正重视这一结构性变革。

【星途科讯 图文丨略略】