如果说大模型价格战讨论的是“模型服务卖多少钱”，那么AI工厂回报率讨论的则是更底层的问题：建设和运营算力基础设施到底能不能赚钱？随着Token价格持续下行，算力投入不断扩张，市场对AI企业的评价正在从“有没有模型”转向“模型背后的AI工厂能否形成资本回报”。这也是为什么同样谈AI基础设施，不同机构给出的回报率判断可能差异巨大，因为分歧不只在技术，而在成本、利用率、折旧、商业化模式和资本结构。
AI工厂可以理解为大模型时代的新型生产设施。传统工厂把机器、原材料和人工组织起来生产实物产品；AI工厂则把GPU、网络、存储、能源、调度软件和模型工程组织起来生产智能服务。它的产品不是钢铁、汽车或手机，而是Token、推理结果、智能体服务和行业解决方案。问题在于，当Token价格越来越便宜，AI工厂还能不能像市场想象的那样获得高回报？这取决于它到底是在卖“基础算力”，还是在卖“带业务价值的智能能力”。
一、ROIC分歧背后，是对AI工厂商业本质的不同理解
市场上对AI工厂回报率的测算差异很大，本质上来自几组关键假设。第一是算力成本。GPU采购、机房建设、电力、液冷、网络互联、运维人员、备用容量，都会进入成本。纸面电价低，并不等于综合成本低；采购规模大，也不必然意味着单位产出高。如果集群架构、调度系统和推理优化不到位，低成本硬件也可能变成低效率资产。
第二是算力利用率。AI工厂最怕“建得快、用不满”。训练任务、推理任务、批处理任务、实时交互任务对算力的占用方式不同，如果不能通过错峰调度、多任务混部和资源池管理提高利用率，大量GPU就会在非高峰时段空转。对资本密集型设施而言，闲置不是小问题，而是直接吞噬ROIC的核心变量。
第三是折旧口径。算力设备技术迭代快，折旧周期设得长，短期账面成本就低；折旧周期设得短，短期利润就被压低。不同市场、不同公司、不同会计假设，会显著改变回报率结果。但从产业实质看，AI工厂不能只靠延长折旧周期美化报表，而要证明设备在生命周期内能够持续产生足够现金流。
第四是收入结构。如果收入主要来自高毛利订阅、API、企业标准化服务和平台生态分成，边际成本会被快速摊薄，资本回报率自然更高；如果收入主要来自算力出租、低价API或高度定制化项目，交付成本、人力成本和售后成本都会侵蚀利润。换句话说，同样一座AI工厂，卖“标准化智能服务”和卖“人力驱动的项目交付”，回报率完全不是一个量级。
二、为什么国内具备应用场景和基建优势，回报率却不一定更高
从表面看，国内AI工厂具备若干优势：电力和数据中心建设能力强，产业应用场景丰富，制造业、政务、金融、交通、能源等领域都有大规模智能化需求。但这些优势并不会自动转化为资本回报。真正影响回报率的，是场景能否标准化、产品能否复用、交付能否规模化、客户是否愿意为结果持续付费。
国内AI商业化的一个现实特点，是项目定制比例较高。很多企业客户需要结合自身数据、流程、权限、系统接口和合规要求做深度适配，这有利于形成场景壁垒，却也带来较高交付成本。海外头部厂商更依赖API订阅、企业软件套餐和全球标准化服务，一份能力可以复制给大量客户，边际成本更低。两种模式没有绝对优劣，但在短期财务表现上，标准化订阅更容易形成高毛利，定制化项目则更容易压低当期回报。
国内回报率偏低，也与产业阶段有关。大量AI基础设施仍处于投入期，算力建设先行，应用转化和商业回款滞后，前期资本开支自然会压低当期ROIC。与此同时，国内客户对AI价值的付费意愿仍在形成过程中，许多项目还停留在试点、示范、局部应用阶段，尚未全面进入核心生产系统。只有当AI真正带来可量化的降本增效，客户预算才会从创新试验转为长期运营支出。
因此，海外高回报测算可能包含一定乐观假设，国内低回报测算也可能低估长期价值。前者往往假设高利用率、高毛利订阅、高客户续费和全球市场溢价能够持续；后者则更多反映当前阶段投入重、交付重、标准化不足的现实。二者差距未必是能力鸿沟，更可能是商业化阶段、客户结构和收入模式的差异。
三、Token贬值会倒逼AI公司重建盈利模型
Token持续贬值并不等于AI行业没有价值，而是意味着基础推理本身会越来越像基础设施。就像带宽越来越便宜并没有摧毁互联网公司，反而推动了视频、直播、电商、云服务等更高价值应用出现；Token变便宜，也会把大模型公司从“卖调用量”推向“卖结果、卖流程、卖解决方案”。
在这个过程中，纯粹依靠低价API换量的公司会承压。因为低价本身不是壁垒，头部厂商可以更低价，开放权重模型也可以更便宜。如果一家公司无法证明自己生成的Token更有业务价值，无法证明客户使用它之后获得了明确收益，那么调用量越大，亏损也可能越大。
真正有价值的AI公司，会把Token嵌入更完整的产品结构。比如面向企业的智能客服不只是回答问题，而是降低人工座席成本、提升转化率、缩短响应时间；面向制造业的智能排程不只是生成方案，而是降低库存、提高设备利用率、减少延期交付；面向金融的智能投研不只是总结报告，而是提高研究覆盖效率和风险识别能力。当Token能够与业务结果绑定，企业就不再只是购买模型调用，而是在购买效率提升。
四、识别“短期营收增长”和“长期可持续盈利”，要看四个指标
第一，看经常性收入占比。一次性项目、政府补贴、临时算力订单可以带来收入，但不一定能证明商业模式成立。真正健康的AI企业，应当有较高比例的年度订阅、长期框架合作、持续API调用或场景运营收入。经常性收入越高，说明客户不是被低价吸引来试一次，而是在持续把AI纳入自己的经营体系。
第二，看单位经济模型。AI企业不能只披露调用量、客户数和营收增速，还要说明单位Token或单位任务的边际毛利。推理过程中的电力、带宽、显存、调度、模型调用和运维成本是否低于客户支付价格，是判断公司能否穿越价格战的底线。卖得越多亏得越多，不是增长，而是风险暴露。
第三，看客户留存和扩展。真正创造价值的AI产品，客户会持续使用、增加场景、扩大规模。低价换来的客户通常缺乏黏性，一旦竞品更便宜就会迁移。高留存、高复购、高扩展，才说明模型能力已经嵌入客户流程，形成了替换成本。
第四，看LTV/CAC，也就是客户生命周期价值与获客成本的关系。如果一家AI公司需要大量销售、补贴和定制投入才能拿到客户，而客户贡献的长期毛利覆盖不了获客和交付成本，那么收入增长越快，资金压力越大。可持续盈利的公司，必须证明获客成本可以被长期收入摊薄。
五、真正能穿越周期的，是“AI基础设施+行业结果”的公司
未来AI企业的分化会非常明显。一类公司会停留在基础调用层，面对Token价格下降和头部厂商降价，只能不断压价求生；另一类公司会把模型能力、算力调度、数据治理、行业知识和业务系统整合起来，为客户交付可衡量的结果。前者更像卖原材料，后者更像卖解决方案。价格战越激烈，二者差距越明显。
AI工厂的长期价值，也不能只用“GPU数量”来衡量。更重要的是，这些GPU是否被高效利用，是否服务于高毛利场景，是否支撑稳定客户关系，是否形成数据和模型的持续迭代闭环。如果AI工厂只是低价出租算力，那么它会陷入重资产、低毛利、高折旧的困境；如果AI工厂能够承载行业智能服务，它就可能成为新一代产业基础设施。
这也解释了为什么价格战并不一定是坏事。价格下降会挤出泡沫、压缩虚高估值、淘汰低效率产能，但也会扩大AI应用半径，让更多企业买得起、用得起、用得深。最终胜出的公司，不会是最会讲大模型故事的公司，而是最能把算力转化为生产力、把Token转化为现金流、把技术能力转化为客户长期价值的公司。
大模型行业的下半场，本质是一场盈利纪律的重建。无论是闭源降价、开放权重，还是AI工厂回报率之争，都指向同一个结论：行业已经从“有没有AI”进入“AI能不能创造真实经济价值”的阶段。资本会变得更挑剔，客户会变得更理性，企业也必须更诚实地回答一个问题——当补贴退去、价格下行、融资变难之后，自己到底靠什么赚钱。（王鹏）
