近来市场上开始流行一种说法：随着 GPU 成本下降、模型标准化、算力即服务（AIaaS）成为基础设施，价值会逐渐从芯片公司（如英伟达）转移到云服务商，就像铁路时代后期价值从钢铁制造商转向铁路运营商一样。
然而，我对这一判断持保留态度。
原因不只在于当前数据中心的经济性远不如想象，还在于来自中国厂商的激烈竞争正从根本上压缩云服务商的利润空间。
一、云利润的现实——远低于想象。
此前Oracle的数据中心毛利披露给市场泼下一盆冷水：
即便对 GPU 折旧进行了摊薄处理，数据中心的盈利能力依旧偏弱。考虑到 GPU 的生命周期仅 3–5 年，而建设数据中心还包括土地、电力、制冷、网络与人力，这些成本使得毛利率本身就非常有限。
因此，认为“AI 基建价值最终会向云集中”并不符合现实。英伟达仍然掌握着算力的定价权与供需结构，而云服务商变得越来越像“搬运工”，要在高资本支出（CapEx）和高折旧成本下艰难生存。
从经济学角度讲，这是一种典型的 垄断上游 + 分散下游 的价值锁定模式：
上游（英伟达）凭技术垄断抽取主要利润；下游（云）竞争激烈且成本高企，利润有限。
这与铁路时代早期钢铁厂、蒸汽机车制造商占据高利润非常类似。
二、下游应用不及预期 + 中国厂商竞争进一步压缩利润。
我也认同另一个重要因素：下游利润未必如市场预期般乐观。
许多企业发现 token 需求没有预期的那么大。
单个 token 的经济效益（如自动化节省成本、提升收入）并没有即时兑现。
许多应用场景还在试验阶段，尚未实现高频使用。
更关键的冲击来自中国厂商。
阿里 + Qwen：极低 token 价格正在重塑成本结构——阿里巴巴旗下的 Qwen 系列模型引发了一场实质性的价格冲击。
根据公开报道，阿里将 Qwen-VL 的 API 价格定为：输入 1000 token ≈ 0.003 元人民币
这比 OpenAI、Anthropic 等公司的 token 价格低了一个数量级。
阿里之所以能做到这一点，主要来自：
1.中国厂商的价格战策略。
AI 仍处于市场争夺早期，“量大价低”是自然策略，中国市场普遍倾向 aggressively cutting prices。
2.成本结构优势。
在中国部署基础设施、电力、土地、人力成本普遍更低；阿里本身拥有自有云基础设施，扩展边际成本低。
3.生态捆绑。
阿里不靠模型收费盈利，而靠：云存储/数据平台/企业 IT 服务/SaaS。
因此 API 可以作为“入口产品”低价出售。
4.战略定位不同。
西方 LLM 公司采用“高溢价 + 商用定价”；中国采用“普及率 + 使用量”模式。
这使得阿里、腾讯、字节等厂商实际上构成了全球 token 定价的底部压力。
对于云服务商而言，这意味着：
AI 价格不像 IaaS 那样可以稳定抽取高毛利；token 价格受到中国厂商冲击而下移；最终压缩了美系云的单位利润。
因此，“价值会向云集中”这条路径进一步变得不成立。
三、资本周期视角：AI 基建正重复铁路的历史为了理解当前局面，我认为可以将视角扩大到资本周期的历史规律。
铁路时代：
1865–1873 的铁路狂潮使产能投资占 GDP 的 7–10%。竞争导致过度铺轨、运力闲置率超过 30%。最终酿成 1873 年的“恐慌”和 65 个月的大萧条。
AI 时代：未来 5–7 年 AI 数据中心投资预计超过 4 万亿美元。OpenAI、微软、谷歌、Meta 正陷入典型的“囚徒困境”：不投资会落后，投资又可能产能过剩。
关键指标正在出现铁路时代的相似迹象：·高资本支出·单位利润持续下降·多方重复建设·竞争者过多·下游盈利能力不稳
而你提出的判断非常准确：
利用率下降（产能闲置是关键信号）价格战加剧（已在中国模型看到）融资趋紧（部分云服务商债务压力上升）
这些都是典型的周期转折点前兆。
四、总结：价值最终不会集中在云，而会像铁路一样向应用扩散。
从铁路、互联网、智能手机等周期中，可以得出结论：“基础设施建设的*受益者并非建设者，而是使用者。”
铁路使制造业和物流成为*赢家；互联网让电商、数字广告、媒体公司成为赢家；智能手机让应用开发者、平台生态成为赢家。
因此，我认为 AI 最终价值流动的路径是：
阶段 1：芯片厂商（现在）英伟达凭垄断地位抽取高额利润。
阶段 2：应用开发商（未来）当模型成本下降、硬件普及后，真正赚钱的是：AI 企业软件垂直行业解决方案自动化工具AI-native 公司
而云服务商最终只是“过路费”提供者，利润难以太高。
阿里与 Qwen 的低价策略则提前揭示了未来：token 会变成廉价、可替代的基础资源，而非高利润产品。
