a16z New Media 发布最新一期《Charts of the Week》，作者 Moses Sternstein 将近期 AI 基础设施交易拆成几组更底层的问题来看：算力需求确实在扩张，但谁能把订单、收入和资产扩张，最终变成可持续的资本回报，市场还在等待答案。
文章以 CoreWeave、Nebius 和 Applied Digital 等「新云」公司为切口，讨论 AI 基础设施的增长、估值和盈利矛盾，并把视角延伸到横向 SaaS、模型路由，以及 OpenAI 与 Anthropic 等前沿实验室的人才争夺。
旧资产被重新定价，「新云」并不是从零起步
文章先从基础设施重估谈起。Moses Sternstein 提到，历史上曾多次出现旧实体网络被改造成新技术基础设施的案例。20 世纪初，南太平洋铁路公司在连接美国各地城市与城镇的已清理土地上拥有大量闲置建设权，后来沿铁路线铺设通信网络，并将其命名为「南太平洋铁路内部联网电话系统」。到 20 世纪 70 年代，这套网络开始商业化，随后在长途电话垄断走向终结、光纤具备商业可行性后，原有通信走廊被改造成光纤线路，最终以「Sprint」的名称为市场熟知。
类似情况也发生在其他行业。20 世纪 80 年代，威廉姆斯公司把闲置天然气管道改造成光纤通道，成立 WilTel，该公司后来被出售，并最终更名为 WorldCom。到了 90 年代，为有线电视业务铺设的单向同轴电缆也完成了大规模、成本高昂的升级，最终成为 Comcast 和 Charter 面向消费者提供宽带互联网服务的基础设施。
作者借此引出「新云」公司：这类企业本身已经拥有现成基础设施，而这些资产正在被大幅改造和重新定价，以满足 AI 的新需求。按文中说法，这些公司过去大多从事能源和算力密集型的加密货币挖矿，后来赶上 AI 浪潮。谁掌握电力使用权、机房、冷却系统，以及高强度计算负载的建设和运营经验，谁就更容易进入当前最热门的赛道之一；在 CoreWeave 的案例里，还包括大量 GPU。
这也是文章的第一个判断：AI 基础设施竞争并不是完全从头开始，早期优势往往来自旧资产、能源资源和工程能力的重新组合。
收入增长极快，但新云仍远小于超大规模云服务商
从收入增速看，文中提到，规模最大的三家上市新云公司表现相当突出。虽然超大规模云服务商创业早期的云业务收入只能估算，但大致趋势已经很清楚：新云公司的增长速度非常快，而且明显快于三大云服务商起步阶段的增速。
不过，作者同时强调，这些公司在整个算力销售市场中仍只是相对较小的参与者，与超大规模云服务商相比，体量还有很长的追赶距离。后者单季度创造的收入，比新云公司高出几个数量级。
文章给出的一个对比是，CoreWeave 大约只用了 25 个季度，就实现了 AWS 自推出后到第 40 个季度才达到的 26 亿美元收入。这个数字被作者反复用来说明一点：至少从营收扩张速度看，新云公司的确跑得非常快。
按常理，这样的增速叠加 AI 行业热度，本应足以推动投资者情绪继续升温，但文中的结论并没有停在这里。
股价没有跟着收入一起上行，市场更在意长期盈利能力
文章指出，尽管这些公司最新一轮财报普遍不错，但过去一年里，CoreWeave 的股价仍累计下跌约 16%，只有 Nebius 相对接近此前高点。作者的判断是，这个故事总体仍然不错，但对规模最大的那家新云公司来说，吸引力显然弱了一些。
市场表现平淡，部分原因在于，许多增长预期可能已经反映在估值里。文中提到，对于新云这种资本密集型企业，市销率并不是最理想的估值指标，但仍能直观说明问题：规模更小、增速更快的 Nebius 和 Applied Digital，估值溢价远高于规模明显更大的 CoreWeave。后者收入仍在翻倍，但已经落后于榜首企业 400% 至 450% 的增速水平。
作者认为，如果说新云公司的真正矛盾在哪里，不在于增长，而在于长期盈利能力。它们扩张时必须不断投入芯片、电力和实体基础设施，而且这些支出都不低。
以 CoreWeave 为例，文章称其收入增长十分可观，但资本开支更加惊人。除资本开支之外，主要成本还包括芯片折旧，且折旧金额已经超过收入的一半；同时，为了提前建设昂贵基础设施而举债，也带来了仍在上升的利息支出。
这也是 a16z 这篇文章的第二个重点：收入扩张只能说明 AI 算力需求旺盛，不能自动证明商业模式具备足够高的资本回报率。市场真正等待的，是这些企业能否把订单和收入转化成可持续的自由现金流。
横向 SaaS 没有一起下沉，Atlassian 成为反例
在软件板块，文章更新了「SaaS 末日」这条市场叙事。作者提到，此前在软件股抛售中受创最严重的一家公司，最近一个月表现相当不错；过去 30 个交易日，横向软件公司在 IGV 软件 ETF 成分股中的表现位居前列，不过从这组数据采集之日起，它们已经回吐了部分涨幅。
文中认为，这些公司的基本面总体仍然稳健，尤其是 Atlassian，并没有像市场此前担心的那样在 AI 冲击下走弱。该公司实现了业绩和指引的双双超预期：云业务收入同比增长 31%，收入积压订单的增速还要更高。
更关键的是 AI 对业务的作用发生了变化。Atlassian 表示，其 AI 助手 Rovo 已得到广泛采用；使用 Rovo 的客户，其支出增速接近非 Rovo 用户的两倍。按照作者的说法，这对 Atlassian、对 Rovo、对横向 SaaS 都是好消息。
但文章也没有把结论推得过远。横向 SaaS 的整体估值，仍略低于其他软件类别。除少数例外，包括 Atlassian 在内的横向 SaaS 公司，其预期市销率普遍低于「增速—估值倍数」趋势线所对应的水平。作者直言，横向 SaaS 只是度过了一个相对不错的月份，仅凭一个月表现，还不足以让市场相信「SaaS 末日」已经取消。
相比之下，网络安全和可观测性软件则是另一种情况。文章称，网络安全板块继续大幅跑赢 IGV 软件 ETF 中的其他类别。在这个领域，AI 反而被视为顺风因素，因为市场认为 AI 提高了对网络安全威胁的风险感知，而且企业客户不会靠「氛围编程」临时拼出一套安全方案。
企业开始优化 Token 投入，Databricks 称平均任务成本可降 30% 以上
文章随后把视线转向模型使用、Token 消耗和 Token 支出管理。
作者以 Databricks 为例称，在「该用哪个模型」「哪个模型最好」这些问题上，Databricks 并没有采用赢家通吃的思路，也没有只是给工程师一笔预算让他们自行试验，而是提出另一种做法：把合适的任务自动分配给合适的模型。为此，该公司开发了一套「智能路由器」Smart Router。
按文中说法，Databricks 对实际效果相当满意。据称，这套路由器能够在必要时调用能力更强、价格更高的模型，在条件允许时则切换到能力较弱、价格更低的模型，从而「持续将平均任务成本降低 30% 以上」。
作者认为，追求 Token 支出的效率前沿并不是坏事。相反，这意味着需求仍在增长，应用场景不仅继续停留在性能最前沿，也开始向能力没有那么顶尖的模型扩散。最初的悲观叙事曾认为，这些次优模型会迅速被淘汰，但文章给出的图景并非如此。
文中还提到，效率提升会扩大需求覆盖范围，呈现出市场乐于看到的、类似杰文斯悖论的动态。按照 Silicon Data 的 Token 价格强度指数，整体价格强度正在下降，尤其是在更低价的开放模型于持续扩张的市场中占据更高份额之后。
不过，这里有一个作者特别强调的澄清：这些指数衡量的是 Token 支出的成本强度，而不是绝对美元金额。它同时取决于 Token 消耗数量和 Token 的综合成本。这意味着，即便每 Token 价格下降，Token 总消耗量和总支出金额仍可能继续上升。
Ramp 与波士顿咨询公司的数据，都指向 AI 支出分层明显
在企业支出层面，文章称，「AI 需求」或「AI 采用」并不是单一、同质化的概念，重度用户与其他用户之间仍存在巨大差距。作者据此认为，「始终使用最好的模型」或许适合部分企业，但肯定不适合所有企业，市场正在迅速形成更多替代方案。
根据企业支出管理平台 Ramp 的数据，所有企业都在增加 AI 支出，但中位数企业与前 10% 企业之间，以及前 10% 与前 1% 企业之间，支出差距都非常大。文章同时提醒，Ramp 的样本通常更偏科技公司，解读时需要考虑这一点。
即便如此，作者仍给出一个鲜明数字：支出排名前 10% 的企业，其人均 AI 支出大约是中位数企业的 50 倍。文章认为，这种分布很可能不是偶然，能够从 AI 支出中释放更多价值的企业，大概率也是投入最多的企业，至少相当一部分公司符合这一规律。
波士顿咨询公司对 107 家上市公司的分析，也被用于支持这一点。按照文中的表述，Token 使用量排名前两个五分位组的公司，收入增速明显快于其他企业。
作者试图说明的核心是，Token 需求和使用效率正在互相强化：企业获得的价值越多，消耗的 Token 也越多。这个过程当然包含投入与回报的反复权衡，研发也总有前期成本，但对绝大多数企业来说，不加节制地「堆 Token」从来不是有效策略。随着企业未来越来越不需要这么做，文章认为这是积极变化。
OpenAI 与 Anthropic 的招聘来源既重叠，也明显分化
文章最后落到前沿实验室的人才竞争。作者提到，New Media 最近刚有两位团队成员加入 OpenAI，因此用几张图表观察前沿 AI 实验室的招聘情况。
文中先引用 Dario Amodei 的表态。作者写道，Dario Amodei 最近表示，他担心员工正在把金钱置于使命之上；从 Levels.fyi 的数据来看，这种担忧或许并非毫无依据。若按数据表面理解，Anthropic 给工程师提供的薪酬非常高，而且明显高于谷歌、特斯拉等公司资历相当的工程师。
另一组由 Live Data Technologies 提供、Truist Securities 整理的数据，则展示了 OpenAI 与 Anthropic 的招聘来源既有大量重叠，也存在明显差异。
文章称，两家公司都从超大市值科技公司招聘了不少人才，但只有 OpenAI 从英伟达和特斯拉招过人，而且都发生在 2026 年。Databricks、Snowflake、Palantir 和 DeepMind，也是两家公司共同的人才来源；双方还都从 Salesforce 和 Stripe 招聘了相当数量的员工。
但重叠基本到此为止。按照作者描述，Anthropic 从 SaaS 公司招聘了不少人才，而 OpenAI 几乎没有；OpenAI 则大量从消费互联网、平台市场和广告科技公司招人，而 Anthropic 在这些领域的招聘相对较少，Airbnb、Netflix 和 Uber 除外。
AI 算力已经证明能做大收入，下一步看资本效率
通篇看下来，Moses Sternstein 并没有简单回答「AI 需求是否强劲」这个问题，而是把 AI 交易拆成基础设施重估、增长与盈利错位、软件价值重分化、Token 使用效率，以及人才竞争等几个部分来讨论。
文章给出的压缩式判断是：AI 基础设施已经证明自己可以创造高速增长，但下一阶段的胜负，将取决于企业能否把增长转化为更高的资本效率。按这个逻辑，问题已经不只是 CoreWeave 们能否成为下一代云巨头，更是整个 AI 产业能否从算力扩张走向可持续的商业回报。