深度丨中國互聯網的舊邏輯，正在被AI公司的「規模陷阱」徹底反轉

過去二十多年，中國互聯網的成功都有一套清晰的底層邏輯：

只要把服務器、帶寬、研發等固定投入鋪上去，后續每多一個用戶、每刷新一次頁面，幾乎不再增加任何成本。邊際成本接近于零，規模越大越賺錢，于是“先搶用戶、后賺錢”成了所有產品的共同玩法。廣告、電商、支付、金融……只要撐到足夠體量，盈利只是時間問題。

但到了大模型時代，這套行之有效的邏輯突然失效了。

一、AI 正在瓦解互聯網時代的商業定律

AI 的邊際成本不是零，它是真金白銀。每一次問答、每一段生成，都要重新跑一遍昂貴的 GPU 推理，燒掉顯存、電力、調度系統。而且這種成本沒辦法像互聯網那樣攤在廉價服務器上去稀釋——模型越強、推理越復雜、上下文越長，單次調用的成本就越高，幾乎沒有“規模效應”可言。

于是，一個和互聯網規律完全相反的現象出現了：產品越好、體驗越順、用戶越多，虧得越快。

ChatGPT 是最典型的例子。

OpenAI 目前約有 8 億用戶，但訂閱轉化率只有 5% 左右。絕大部分的算力消耗，都是免費用戶帶來的。在這種結構下，to C 業務的規模越大，算力成本越高，虧損也越明顯。按照業內測算，OpenAI 目前每月約有 4 億美元訂閱收入、6 億美元 API 與企業收入，總營收接近 10 億美元。但在 GPT-5 時代，其單月成本仍高達約 11.7 億美元，每月虧損約 1.67 億美元。

互聯網時代“規模帶來降本”的鐵律，到了 AI 時代完全被反轉。在中國，這個“AI 收入陷阱”體現得更直接、更激烈。

國內用戶在移動互聯網時代已被“免費心智”教育得非常徹底，對訂閱、會員、按量付費的接受度遠低于歐美。因此，為了搶用戶、搶心智，各家在早期幾乎都給到了最完整的體驗：不限次數、上下文拉滿、多模態直接開放。當產品的月活、日活升到千萬、上億的量級時，問題不再是“要不要再買幾臺卡”，而是“這條業務的單位經濟模型到底還能不能算得通”。哪怕把用戶價格提高一截，ARPU 也很難覆蓋掉人均算力消耗，更別提研發、運營和獲客成本。

這也解釋了，為什么你會看到許多 AI 產品一邊在前臺公布亮眼的用戶和收入數據，卻從不披露利潤情況，一邊還在后臺悄悄做各種“節流”。因為只要降不下來 10%、20% 的推理成本，這條業務就永遠跑不到盈虧平衡。

過去做資訊、做視頻、做社交，對成本敏感但不致命。當時的焦點永遠是增長、是留存、是變現。可對 AI 應用來說，算力成本幾乎是決定生死的單一變量。前端產品所有的焦慮，最后都會順著鏈路傳導到同一個地方：云廠商到底能不能把推理成本真正壓下去。

這就是 AI 時代的本質變量：在成本結構被顛覆之后，云計算行業第一次站在了產業鏈的“命門位置”，也第一次被推到臺前。

二、AI 的規模不經濟，正在反向創造云廠商的窗口期

大模型出現之前，中國云計算市場長期是一套相對成熟且穩定的秩序。

IDC 報告年復一年呈現相似結構：阿里云、華為云、運營商云、騰訊云牢牢占據頭部，市場高度集中，云計算競爭已經進入“重資產沉淀 + 政企大單鎖定”的存量階段。在這套規則里，誰更早鋪下機房、鎖定更多合同，誰就更難被撼動，因此新玩家很難通過傳統路徑破局。

國家數據局在今年 8 月披露的數字，是理解這一變化的關鍵線索：2024 年初，中國日均 Token 消耗量還只有約 1000 億；到了 2025 年 6 月底，這個數字已經突破 30 萬億。一年半增長超過 300 倍，這不是“增長”，這是整個社會第一次出現的“全民級 AI 使用負荷”。

Token 的激增同時也讓 AI 公司的經營邏輯暴露出前所未有的矛盾。AI 應用的用戶增長并不會自然帶來更好的利潤，相反，它會拉高推理成本。訂閱型收入、輕量廣告、會員制遠不足以覆蓋這類高強度推理開銷，導致AI 越火、虧損越明顯。

這種矛盾沿著技術鏈路一路下沉，最后全部壓到了基礎設施層：如果沒有足夠成熟的推理基礎設施，AI 應用規模越大，虧損越快。

傳統云計算的成本優化方式在這里完全失效。過去云廠商能夠依賴“平滑負載 + 多租戶攤銷”，業務高峰可預測，調度壓力也相對溫和；而面對 AI 場景，流量曲線徹底變成了另一幅圖景——熱點事件能在幾分鐘內推高調用量，晚上與白天的差異巨大，多模態任務帶來顯存與吞吐的極端波動。

在這樣的壓力之下，如果云廠商仍停留在“賣 GPU、按量計費”的思維，只提供算力而不優化推理效率，最終會陷入一種“營收增長但利潤被推理成本吞噬”的困境。這與 AI 應用本身的收入陷阱本質相同：規模越大，損耗越明顯。

也正是在這一背景下，中國云計算市場第一次出現了真正的增量領域——模型即服務（MaaS）。

企業不再選擇自建 GPU，而是直接使用云上模型；創業者把資源聚焦在產品和編排，而不是從頭訓練模型；to C AI 產品開始計算實時性、吞吐、成本之間的精確平衡。短短兩年間，MaaS 調用量、賬單規模、對低延遲和高 QPS 的要求，都被推到了一個遠超業界預期的高度。

在這股流量洪峰之中，火山引擎看到了一個過去不存在的突破口。

推理框架效率、KV cache 命中率、多模型路由、極端負載下的穩定性，這些在傳統云時代從未成為決定性指標，如今卻成為 AI 應用選型的核心。某種意義上，MaaS 是第一次讓云廠商在不依賴政企合同、不依賴基礎設施存量的條件下重新站到同一條起跑線上。

也因此，火山在過去兩年將敘事中心、產品中心、銷售中心全面向 MaaS 轉移，并不是“轉方向”，而是基于一個清晰的判斷：下一輪中國云市場的格局，不再由機房規模決定，而由誰能讓 AI 應用在云上真正跑得起、跑得穩、跑得不虧來決定。

AI to C 的收入困境，最終意外成為云廠商的重塑窗口期。

三、Gartner 的信號：中國云廠商第一次以“平臺形態”站到全球牌桌

Gartner 最新發布的AI 應用開發平臺的魔力象限，是云廠商轉變的另一條線索。

圖片來源于火山引擎官網

這張圖有兩個關鍵信號。

第一，Gartner 不再單獨評價某個模型，而是用“AI Application Platform”來觀察整個市場——在它的定義里，模型只是底層資源，真正被評估的是一整套能力：模型目錄、RAG/檢索增強、工具和 Agent 編排、推理效率、成本治理、安全合規、可觀測、網關與路由等等。企業要做的已經不是“接一個 API”，而是把 AI 當成長期基礎設施來建設。

第二，中國云廠商被整體放進了這張全球地圖。過去，國內更多被視為區域性 IaaS 提供者，而這一次，阿里云、騰訊云、火山引擎，都以“AI 開發平臺”的身份出現——說明在 Gartner 的視角里，中國廠商已經不只是“有云”，而是“有平臺”。

先看阿里和騰訊，它們代表的是兩種更“傳統云廠商”的演化路徑。

阿里云的優勢，很容易被行業共識到：模型能力扎實、Qwen 生態相對完善，長期經營的開發者群體和企業客戶基礎，為它做 AI 平臺提供了天然的土壤。從產品形態看，它在做的是“把原有云 + 大模型 + 開發工具慢慢收束成一套一體化平臺”，這條路子和海外幾家頭部云廠商比較接近。局限也很明顯：歷史包袱較重、產品線多，平臺需要時間去真正打通。

騰訊云則更多體現的是“穩”——它在政企、金融、運營商等高敏感行業里沉淀了大量安全合規能力，這種長期積累，在 AI 進入核心業務流程時會變得格外重要。與阿里相比，騰訊在模型和平臺上走得更保守一些，更新節奏沒有那么激進，但在那些“寧可慢一點，也不能出事”的場景里，它的可信度是資產。這種路徑不一定跑在最前面，卻很難被忽視。

如果再把華為云加進來，圖景會更完整。華為在算力、網絡、存儲等硬件基礎設施上有明顯優勢，在行業解決方案上也更偏“重型”，它看待 AI 的方式，更像是在既有行業場景中“增強一層智能能力”，而不是先搭一個通用 AI 平臺再向外輻射。這是一條偏“行業云 + AI”的路，節奏更慢，但可能在特定領域更完整。

在這三種路徑之外，火山引擎看起來有些“異類”。

從時間線看，它是這幾家里最年輕的一個，成立不過五年，卻在這次 MQ 中第一次被納入評估，并且在中國廠商中站在象限內相對靠前的位置。Gartner 把它同樣歸為 Challenger，但給出的標簽是另外一套敘事：火山引擎提供的是方舟這樣一個 AI 應用開發平臺，里面串起來的是豆包大模型、HiAgent、PromptPilot、veRL 等，強調的是 Agent 編排、Prompt 工程、強化學習框架，以及平臺層面對模型路由、治理和開發體驗的打包，而不是單一某個模型本身。

這背后隱含的是一種完全不同的出發點：

阿里、騰訊、華為是從“云”一路長到“AI 平臺”；

火山則是從“高強度 AI 負載”一路反推到“需要一套什么樣的平臺”。

字節系的內部場景，本身就是對延遲、吞吐、成本極其苛刻的一套綜合壓測：抖音的實時推薦與搜索、剪映與即夢的多模態生成、飛書的智能助手，再加上前文提到那些 ToC AI 應用本身的推理洪峰，構成了一個幾乎全天候高壓運行的環境。在這樣的環境下，推理框架、模型調度、緩存命中率、路由策略、資源利用率，不是“優化項”，而是能不能活下去的生存條件。

火山的對外平臺，本質上正是這套在內部被長期驗證的工程能力的外溢：先在自家業務里被逼著把成本結構和工程體系打磨到極致，然后再抽象出 MaaS 平臺和工具鏈，提供給外部開發者和企業使用。這和“先有云，再加 AI”的路徑，邏輯上是反過來的。

數據側同樣印證了這一點。IDC 的《中國大模型公有云服務市場分析（2025H1）》顯示，在面向外部客戶、按照 MaaS 層 Token 調用量統計的中國大模型公有云市場中，火山引擎的市場份額已經達到 49.2%，阿里云為 27%，百度智能云為 17%。也就是說，在前文提到的 536.7 萬億 Token 調用量里，接近一半是從火山的平臺上跑出來的。更早的 2024 全年數據則顯示，火山在這一細分市場的份額為 46.4%，一年內繼續抬升。這說明，在模型即服務這條新賽道上，它已經從“參與者”變成了必須被正視的“主角之一”。

（注：IDC數據不納入豆包、即夢等 C 端應用在平臺上的 Token 消耗。如果把這些“自用流量”考慮進來，火山在真實 AI 負載層面的份額，會比公開數字更高）

營收層面同樣在朝這個方向收斂。公開報道顯示，火山引擎 2024 年營收已超過 120 億元人民幣，增速超過 60%，并給出了 2025 年向 250 億元沖刺的目標，增速和體量在整體云市場中都處于較高檔位。

尾聲

如果把這些線索重新串在一起，會發現我們其實正站在一個很微妙的拐點上。

在舊世界里，大家相信的是“流量邏輯”——先把用戶規模做大，再慢慢找變現路徑，邊際成本會隨著時間自然攤薄；在新世界里，AI 應用一上線就要面對一個很殘酷的現實：每一次交互都對應一筆真實的推理開銷，規模不是自動攤薄成本，而是自動放大算力賬單。

正因為應用端被這種“收入陷阱”死死卡住，云廠商才第一次被推到了產業敘事的正中央。對所有參與者而言，接下來真正要回答的問題，其實都指向同一個核心：在一個邊際成本為正、Token 增長失控的時代，你能不能構建出一種既能承接規模、又能自洽盈利的基礎設施體系？

如果答案是不能，那么無論是好看的 DAU 曲線，還是激進的模型參數，都只是短期的煙花。

而如果答案是能，那么 AI 時代的“新云格局”，很可能就會從今天這些看似枯燥的工程細節和成本曲線里長出來。

參考文獻：

歡迎掃碼加群參與討論

我們相信認知能夠跨越階層，

致力于為年輕人提供高質量的科技和財經內容。

稿件經采用可獲邀進入Z Finance內部社群，優秀者將成為簽約作者，00后更有機會成為Z Finance的早期共創成員。

我們正在招募新一期的實習生