从开源模型崛起，探讨模型公司和云厂商业化格局 20260804

📋 总结 本文从开源模型崛起切入，系统分析了云厂与模型厂商的商业化格局，重点讨论了资本开支、折旧传导、MaaS利润率、模型推理成本及收入结构等关键问题，主要结论如下： 云厂收入结构：当前云厂AI收入主要来自IaaS和MaaS。闭源模型价格战会通过IaaS将利润压力传导至云厂，但开源模型在MaaS层能提供 \n \n 总结 \n 本文从开源模型崛起切入，系统分析了云厂与模型厂商的商业化格局，重点讨论了资本开支、折旧传导、MaaS利润率、模型推理成本及收入结构等关键问题，主要结论如下： \n \n 云厂收入结构：当前云厂AI收入主要来自IaaS和MaaS。闭源模型价格战会通过IaaS将利润压力传导至云厂，但开源模型在MaaS层能提供更高利润率（如GRM5.2部署后Oper margin约67%，优于闭源模型在分成后的43%-63%），因此云厂未来更倾向部署开源模型以改善利润结构。 \n 折旧传导滞后：折旧对云厂利润的影响比市场预期更慢。以谷歌为例，其资本开支90%先转为在建工程，且折旧周期较长（服务器6年、机房20年，平均约9年），导致折旧增速远低于收入增速。即使明年折旧增速可能达70%，但若收入增速仍维持在90%以上，折旧对margin的冲击仍不明显，真正的压力可能要等到28-29年需求放缓时才会显现。 \n MaaS业务盈利能力：MaaS本身利润率较高，如亚马逊Bedrock的Oper margin在净额法下可达50%以上。开源模型无分成费用，进一步提升了云厂MaaS业务的ROI，有助于改善整体利润率。 \n 模型推理成本关键因素：模型参数量、注意力机制选择及硬件infra能力共同决定推理成本。参数量越大，单卡TPS越小；注意力机制影响KV Cache占用，进而影响并发与成本；国产模型在硬件利用率（如GLM-5.2在910C上利用率仅30%）和推理精度（多停留在FP16，而海外已用FP8）方面存在差距，导致毛利率显著低于海外（约40% vs 70%）。芯片升级（如从H100到GB200）能有效提升毛利率。 \n 国产模型爆发拐点：国产模型性能在四月份已达到Opus 4.6水平，叠加近期大规模融资（五家公司累计约1500亿），预计到2027年6月ARR将超过1000亿人民币，进入加速增长期。算力采购规模也将进一步释放。 \n 谷歌与亚马逊对比：谷歌AI收入增长主要依赖TPU（IaaS层），亚马逊则依靠Claude带动的MaaS业务。两家公司均受益于折旧滞后和MaaS高利润率，市场可能低估其未来现金流，而高估资金缺口，当前云厂是较优选择。 \n 远期风险：长期来看，行业持续增长取决于模型能力能否继续突破以及新的应用场景能否涌现。若缺乏新场景，开源模型可能被视为足够，增长将受限；若模型能力停滞，市场可能触顶。因此，技术和场景创新是核心变量。 \n \n 会议实录 \n 重新回流到云厂，具体来看，云厂当前的AI收入主要来自IaaS和MaaS。具体而言，一方面，如果闭源模型厂商陷入价格战，确实可能将利润端的压力传导到云厂。但另一方面，在MaaS层，开源模型可能给云厂带来更高的利润率水平，因此云厂未来可能更倾向于部署开源模型，推动自己的MaaS业务，实现较高的利润率。未来也可能更多通过MaaS加开源模型的模式来改善自己的利润结构。 \n 另一方面，经过测算，整个折旧的传导是很慢的。以谷歌为例，其资本开支可能在当年有90%先转为在建工程，到第二年才正式开始产生折旧。因此，以26年Q2为例，谷歌的云收入增速超过80%，但整个公司的折旧增速只有40%左右。这说明折旧的传导周期相对靠后。另外，MaaS业务本身也有非常好的利润率水平，例如亚马逊的MaaS业务，其operating margin可能达到50%以上。这两个因素使得市场可能低估了这些云厂未来的现金流表现，而高估了资金缺口。因此，从这个角度看，无论是从开源模型还是从利润率趋势来看，云厂都是当前相对较好的选择。 \n 当然，这里也需要提示，如果从更远期的角度看，最关键的问题在于需要新的场景和模型能力的持续突破，才能有继续向上的趋势。背后的核心原因在于，即使前面提到的两个点都很重要，但模型能力的继续突破和新的场景的涌现才是关键。例如，在目前没有新场景的情况下，能力继续突破可能演变成当前局面，大家认为开源模型已经足够；而如果模型能力不突破，市场可能就到此为止了。因此，这才是更核心的因素，也是最终需要关注的点。这是本报告的核心结论。 \n 接下来，详细拆解一下资本开支情况。大家知道，今年以四家巨头为例，他们可能今年有8000亿的资本开支，明年可能达到1.2万亿的规模。国内也在今年有明显加速。这确实意味着，大家在今年都迎来了现金流上的一个考核。测算下来，大家的现金流与资本开支的比例可能都在100%甚至超100%的临界点。之前也计算过净债务比EBITDA这个比例，它是反映现金流覆盖和信用承受程度的核心指标。如果该数值超过1.24，可能意味着整体债务评级有下降风险。这是一个参考指标。可以看到，像海外的一些公司如Oracle这种比较激进的，已经达到非常高的位置。 \n 国内举个例子，阿里在24年以前净债务比EBITDA还是负值，意味着现金好于债务水平。但到24年以后，这个数字转正并一直在往上走。这些因素也是当前的核心关键点，包括已经看到这些公司开始进行一些融资。 \n 像谷歌，25年到今年年中已经累计融资超过1600亿，规模较大。那么，为什么国产模型现在到了这样一个拐点？一方面，能力上达到了一个临界点；另一方面，ARR也是国产模型从Q2开始真正加速的一个阶段。 \n 背后的核心原因在于，海外ARR整体拐点发生在二月份Opus 4.6的发布，之后整个SaaS的ARR进入爆发期。从性能角度看，国产模型大概在四月份左右达到了Opus 4.6的水平。因此，在此之后，国产模型真正进入了ARR加速期。从现阶段来看，四月份之后，包括GLM5.2、Kimi K3、千问3.8等模型，都达到了在现有许多工作场景中能以低成本实现与海外模型同样任务的效果。 \n 另外，可以看到，在OpenRouter这个价格敏感平台上，国产模型的token占用量很高，但成本支出占比可能不到20%，形成了明显差异。在定价上，国产模型基本上是海外模型的10%左右，尤其是与Opus 5比较，差异很明显。另一个维度，国内的AI Labs等公司在今年5到7月完成了新一轮融资，融资体量较大，这些资金将支持他们进一步推动模型训练和推理。 \n 大致做了一个测算，这个测算可能比较粗糙，但可以提供一些参考。思路是，从25年到今年年终大概一年半时间，这五家公司累计融资了1500亿人民币。假设这笔钱足够支撑他们用到明年年中，即从现在开始往后一年时间，那1500亿的资金大概支撑他们使用了两年半，从25年到27年中，共30个月。假设使用是线性增加的过程，那么27年6月是单月支出的高峰。在那个时间点，按照线性增加的趋势测算，27年6月支出大概是50亿到100亿左右。假设其中一半做训练、一半做推理，那么有50亿支撑推理。假设这些公司平均毛利率40%，通过50亿推理支出反算，27年6月收入端接近90亿。这个收入对应ARR大概一千多亿。这是一个相对粗糙的假设，但可以大致测算出，这些公司到27年6月可能拥有超过1000亿人民币的ARR。因此，最近这一轮融资对他们非常关键，无论是训练大参数模型还是支撑后续推理需求都很重要。可以看到，各家到25年融资都在300亿左右，但最主要的是最近这一轮，包括阶跃、智谱等，智谱最近配售约70亿，后面还要在A股上市进一步融资。因此，这些国产模型公司的算力采购规模接下来还会加速释放。 \n 从这个角度可以看出，无论是从性能还是资金储备上，国产模型都到了爆发的拐点。接下来进一步围绕这个事情进行测算，看一下国产开源模型崛起后会带来哪些影响。首先，这个测算相对复杂。 \n 解释一下测算逻辑：将云厂和模型厂商放在一个模型里。以GB200和Opus 5为例，一G瓦的GB200数据中心目前资本开支约400亿美元，一年的收入体量约200多亿美元。具体而言，一G瓦数据中心对应四十多万张GB200，按租赁价格计算，一年租赁收入约200亿美元。这是云厂的商业模式，其operating margin可能在45%左右。进一步传导到模型厂，刚才说的200亿云厂收入就是模型厂的成本，即一G瓦数据中心在模型厂角度，算力支出是200亿。进一步假设推理和训练的分配：海外推理进展较快，训推比已接近6:4，边际上假设为5:5，未来训练和推理可能1:1分配。这样，200亿算力成本中有100亿用于推理，这是成本端。要算毛利率，还需要收入端。收入端通过TPS计算，即每个GPU每秒产生的token。可以算出一年能产生多少token，再乘以token均价，得到一G瓦数据中心一年带来的收入。这是测算逻辑。知道收入和成本后，可以算出毛利率和operating margin。这里最核心的变量是TPS，它影响后续的毛利率和经营利润率，所以对这个环节做了一些拆解。公式可能比较复杂，感兴趣可以后面详细看。 \n 详细说一下测算逻辑。首先假设一个最基本的推理单元，其中有N张卡。这些卡的内存主要用于三个用途：模型权重、KV Cache、冗余。假设比例约为6:3:1，即60%内存用于模型，30%用于上下文栈的KV Cache，10%作冗余。按照这个比例，可以算出最小推理单元需要多少张卡。举例：如果模型占用内存空间为6G，那么最小推理单元对应的内存大小需要10G。知道模型参数及其占用的内存空间后，可以算出最小推理单元需要的卡数。在这个基础上，进行下一步假设：最小推理单元同时能处理多少个请求（即batch）。通过KV Cache上限计算，例如一条请求上下文占KV Cache10G，剩余100G空间则只能同时处理10条请求。这样可以通过KV Cache容纳的请求数算出并发。然后形成一个基础案例：在一个推理单元上，同时有多个并发请求进行推理，从而算出模型在推理过程中每秒产生的token数。因为知道模型参数、请求数、卡数，可以算出模型在一张卡上每小时处理的token数量。这个思路比较复杂，涉及较多公式，感兴趣可以详细看报告内容。这里只说明思路，然后给出计算结果。 \n 以Opus 5在GB200上推理为例，其TPS约为2000，即每秒处理2000个token。Opus 5的混合价格约为3.9美元。由此可以算出，1G瓦数据中心用Opus 5进行推理，一年约产生500亿美元收入。毛利率接近80%，考虑训练成本和其他运营成本后，operating margin约为37%。这样就形成了一个基础的数据中心加模型厂的商业化闭环。 \n 接下来进入后续模型问题的讨论。第一个问题：价格战如何影响他们？主要讨论IaaS部分。价格战发生后，闭源模型厂商首先降价，进一步传导到毛利率。表中第二列和第三列展示了降价20%和降价50%的情况。正常情况下，模型厂毛利率为79%。降价20%时，毛利率下降6个百分点；降价50%时，毛利率下降约20多个百分点。考虑到成本刚性，Oper margin从37%降至27%，再降至亏损。因此，降价50%对模型厂影响较大。进一步考虑，模型厂不会全部承担价格战风险，可能将部分成本压力让渡给云厂。假设模型厂要维持65%毛利或10%的Oper margin，那么云厂的毛利率会下降约4个百分点，Oper margin下降约12个百分点，影响也较大。所以从IaaS角度看，如果发生价格战，云厂的margin端会受损。 \n 但是，可以看另一个点，即MaaS业务的角度。最近很多人做过拆解，例子比较清晰。以开源模型GRM5.2为例进行测算。首先，如果单纯跑闭源模型，海外模型的margin还不错，因为Claude本身定价有溢价。但有一个重要因素：云厂在部署闭源模型时需要支付一笔分成费用。测算下来，如果分成比例在40%，云厂MaaS的Oper margin可能被压到43%；如果分成比例在20%，Oper margin约为63%。而开源模型部署后的Oper margin约为67%。因此，即使在20%到40%的分成区间，开源模型都会带来更好的margin。所以，开源模型的崛起对云厂是比较利好的，能够改善其MaaS业务的ROI。这是这里得到的一个重要结论。 \n 另外，还做了一些其他测算。例如芯片升级带来的影响。同样的模型，用H100、GB200和Rubin计算，可以看到毛利率明显提升。国产方面，用950和910C比较，毛利率也是提升的。这个结论逻辑简单，用数据可以证明。 \n 这里还想说一个模型层面的结论，计算后发现一个有意思的点。第一个结论：模型参数量越大，单卡TPS越小。因为参数量大，计算和内存读取都会变慢。芯片性能越强，单卡TPS越大。这两个结论很好理解。第二个结论：影响模型成本和定价的重要原因是模型自身的参数量和注意力机制的选择。以GLM-5.2和Opus 5为例，Opus 5参数量约5T，GLM-5.2约7000亿，参数量的差异与价格差异接近。但它们的毛利率存在差异：海外Anthropic有70%毛利，而国内GLM-5.2只有40%。原因来自模型层面，包括参数量和注意力机制选择。参数量已提及。注意力机制方面，DeepSeek价格便宜是因为其上下文占用的KV Cache非常小，与注意力机制的设计有关。如何让相同上下文占更小的KV Cache，意味着同样一组卡并发可以很高，利用率高，单位请求成本低，因此定价可以很低。这是模型层面的原因。 \n 前面从参数量比较，GLM-5.2和Opus 5的参数差异与价格差异接近，但最终毛利率差异的重要原因来自infra能力的区别。有两个点：一是国产卡和国内硬件整体基础设施利用率比海外低；二是推理中模型和硬件支持的精度不够低。例如，用FP8和FP16做推理，精度差一倍，同样token占字节数差一倍，区别很大。GLM-5.2支持FP16和FP8，但多数可能还是FP16；很多国产卡声称支持FP8或FP4，但实际使用时不支持。这些导致推理无法做到低精度，计算量差距与别人差一倍，影响很大。另外，利用率也不够高。在假设下，GLM-5.2在910C上推理利用率可能只有30%，而Opus 5在GB200上推理利用率可能达60%。最终导致前者毛利率只有百分之四五十，后者有百分之七八十。这是从模型推理毛利率角度看到的模型层面和硬件层面的关键原因。 \n 这是关于云厂和模型厂商业模式的拆解。接下来分享最近对谷歌和亚马逊收入结构拆解的核心结论。这两家公司在AI收入上有一些区别。以谷歌为例，27年比26年收入增长约1000亿，其中可能只有150亿来自传统云，850亿来自AI云。AI云部分中，有500多亿来自IaaS层，尤其是TPU，TPU可能贡献近500亿。拆解结构，TPU租赁明年能贡献近300亿，TPU外售贡献约250亿。因此，谷歌的结构中，TPU是收入增长的重要原因，也是今年以来收入加速到80%多的核心原因。看margin变化，公司关于二、三季度有指引，短期来看，三季度margin可能受算力租赁因素影响，因为谷歌租用了SX数据中心且溢价较高。但如果不考虑这些因素，剩余部分对利润率有明显支撑。测算中，假设算力租赁对GPU租赁影响10个点的毛利率并维持，那么今年和明年的margin可能维持在35%左右，不会有明显波动。 \n 第二点，关于折旧影响为何不大或滞后。测算发现，当前现象是收入增速80%，折旧增速仅40%。从结构看，谷歌每年资本开支中90%转为在建工程，第二年才开始折旧，这首先导致滞后。其次，AI相关资本开支分为服务器（六成，折旧周期6年）和机房（四成，折旧周期20年），平均约9年折旧周期，比通常粗算的要久。因此，折旧真正峰值可能在明年，届时折旧增速可能达70%以上，但测算显示明年收入增速仍在90%以上，所以折旧对margin的影响在明年可能还不明显。真正可能看到影响是在28年，如果AI需求没有新场景，收入增速可能下降，那时可能面临margin压力，可能发生在28-29年。因此，折旧影响比大家想的更滞后，折旧比较平滑，只要有明显的需求增长，收入端能很快兑现，收入和capex是同步关系。 \n 关于亚马逊，也做了拆分。亚马逊27年对26年收入增长约七八百亿，其中传统云贡献约300亿，AI云贡献500亿。AI云的结构与谷歌不同，500亿中可能300亿来自MaaS。从今年一二季度已经有所体现，Claude正在快速带动亚马逊云收入增长，并改善其margin。这里的假设相对保守，给了40%的Oper margin，而SemiAnalysis的分析中Bedrock的Oper margin超过50%，核心原因是收入确认采用净额法（扣除分成后作为收入）。即使如此，收入增长幅度仍很夸张。这里关于MaaS的增长做了保守测算，按照今年底ARR 300亿，明年底翻倍。但实际上，如果只考虑Claude的贡献，市场对明年ARR的预期可能是三倍增长。因此，亚马逊明年的收入可能比测算的更高。这是对两家公司分析的核心结论。总结：折旧传导比大家想的慢，MaaS本身的 好利 润率可能推动云厂利润率向上。因此，市场可能低估了这些云厂未来的现金流表现，高估了现金流缺口。现阶段而言，云厂是相对较好的选择。但回到开头，从更远期看，需要新的场景和模型能力的持续突破，才能看到叙事向更长期发展。以上是报告的主要内容，关于测算部分可能讲得不够清晰。