卖Token的已赚钱，买Token的还在赔钱！硅谷顶级投资人：AI泡沫会不会破，要看开发者能不能让Token赚钱！
原创 姜篇 2026-09-24 18:05 日本
卖Token的已经赚钱，买Token的还在陪跑！硅谷顶级投资人：AI泡沫会不会破，要看开发者能不能让Token赚钱！
编辑 | 姜篇
Brad Gerstner：“makers of the tokens”
Brad Gerstner：卖Token的人正在赚钱，买Token的人基本还在陪跑。
Brad Gerstner：“somebody has to pay”
Brad Gerstner：如果行业每年要砸下1.5万亿美元建设算力，总得有人把这笔钱付掉。
最近Brad Gerstner参加了一场访谈，他谈到了“AI没有泡沫”。
备注：Brad Gerstner是Altimeter Capital创始人兼CEO，长期投资科技公司。2026年9月17日，他在All-In Summit讨论了AI收入、资本开支和企业利润率。
他把钱从芯片一路追到云厂商、模型公司和企业客户，最后发现，英伟达和算力基础设施已经收到现金，应用层还欠市场一个答案：这么多Token消耗出去，最后换回了什么？
是用户续费，是企业少招了一批人，是客服成本下降，还是只换来一段看上去很厉害、第二天没人再打开的演示？
这也是开发者真正碰到的AI泡沫。
模型可以越来越强，调用价格可以继续下降，但一个产品若不能把Token换成收入或可核算的降本，使用量越大，账单只会越难看。
下文保留他的核心判断，同时把这笔账落到AI应用和Agent开发上。
卖Token的人，已经先收到现金
Brad先看了几张很简单的账。
过去一年，英伟达收入大约翻了一倍，几家大型云厂商的资本开支也大约翻了一倍。OpenAI、Anthropic和SpaceX的估值继续上升。与2000年前后的互联网泡沫相比，他认为眼前的上涨更多由盈利推动，并非单靠估值倍数越吹越高。
Brad Gerstner：“No bubble.”
Brad Gerstner：他的判断是，目前还不是2000年式的泡沫。
半导体公司贡献了纳斯达克约70%的回报。云厂商拿出巨额资本开支建设数据中心，这些钱几乎沿着采购单流进GPU、网络、存储和电力基础设施，变成上游公司的收入和自由现金流。
Brad称“卖Token的人正在赚钱”
开发者站在这条链条的另一端。我们调用模型、购买云资源、接入向量数据库、部署Agent，支出的每一笔钱都会先成为别人的收入。
可应用自己的收入不会自动出现。
一款AI编程工具每天跑10万次任务，上游看到的是Token用量增加；团队自己还要回答另一件事：这些任务有多少真正完成了，有多少需要人工返工，又有多少用户愿意持续付费？
1.5万亿美元账单，最后谁买单
Brad把问题推到了更大的一张账单上。
云厂商建设数据中心，再把算力租给模型公司。模型公司训练和推理消耗GPU，应用公司通过API继续购买Token。链条可以很长，钱最终仍要从企业和消费者手里回来。
Brad Gerstner：“somebody has to pay”
Brad Gerstner：1.5万亿美元的资本开支，总得有人买单。
Brad追问巨额AI资本开支最终由谁支付
Brad在演讲中估算，头部AI实验室合计年化收入约1000亿美元，并认为它们还需要迅速冲到1800亿美元，才有机会跟上正在扩大的资本开支。
假设一家云厂商建了一座数据中心，模型公司租走算力，Agent产品又买走模型调用。只要最后没人愿意为Agent的结果付钱，整条链就只能依靠下一轮融资继续往前推。
Brad用AI实验室收入曲线对照资本开支需求，图中数据为其估算
Token涨得快，收入却要追得更快
Brad认为，当前最重要的数据之一，是头部AI实验室每月收入究竟接近40亿美元还是80亿美元。
Brad Gerstner：“$4B or $8B a month?”
Brad Gerstner：这两个数字之间的差距，决定AI需求是在稳步增长，还是已经进入起飞阶段。
Brad将头部AI实验室月收入视为判断需求强度的重要信号
他还给出几组很抓眼的使用数据：今年Token使用量达到约47千万亿；Codex用户在8个月里增长40倍；企业知识工作相关的AI支出中位数在18个月里增长17倍。
Brad展示Token使用量的指数增长
免费用户每天多问20次，Token会增长；Agent失败后自动重试5轮，Token也会增长；一家公司把内部文档全部重新索引，Token仍会增长。
只有其中一部分会变成收入。
更麻烦的是，推理成本会随着使用同步发生。传统SaaS增加一个用户，边际成本通常很低；AI产品多完成一次长任务，背后可能要多跑几轮模型、搜索、代码执行和人工检查。
Brad展示企业知识工作AI支出的增长
开发者要算清一轮Agent运行的账
做AI应用时，Token单价很容易看到，真正决定项目能不能活下来的成本却藏在整条任务链里。
一个代码Agent接到“把支付服务升级到新SDK”的任务，第一次修改消耗了30万Token。测试失败后，它重新读取仓库、查文档、改代码，又跑了两轮。最后工程师花40分钟检查Diff，发现迁移脚本漏掉了旧数据，再手动补了一次。
这项任务的成本，不是第一次模型调用的价格。
它还包括失败重试、工具调用、缓存、沙箱、人工验收，以及改错以后可能引发的线上事故。把这些成本相加，再除以真正通过验收的任务数，才是“每次成功任务成本”。
一轮Agent运行从Token成本走向收入或降本
开发者至少要持续盯住四个数：一次成功任务的总成本、失败后平均重试次数、人工验收时间，以及用户愿意为这个结果付多少钱。
如果产品卖给企业，还要多问一句：这项功能究竟替企业省下了哪一笔钱？是少了多少客服工时，缩短了多少交付周期，还是降低了多少故障率？
答案不能停在“员工效率提高了”。财务部门看不见的效率，很难长期覆盖不断发生的推理费用。
企业买AI，要看到利润率
Brad判断，AI最终会反映在企业利润率上。
Brad Gerstner：“expand margins”
Brad Gerstner：企业愿意持续买AI，前提是收入增长或成本下降能落进利润表。
Brad谈AI如何帮助企业扩大利润率
他举了Uber和Snowflake的例子：业务仍在增长，员工数量却没有同步增加。他认为公司未必会突然裁掉所有人，更常见的变化是招聘速度降下来。
Brad认为企业不会按过去的速度扩招
对开发团队来说，这会改变AI项目的验收方式。
过去做内部平台，功能上线就算交付。现在接入Agent，管理层会继续追问：同样的需求量，团队是否少加了人；同样的故障量，恢复时间是否缩短；同样的发布频率，回滚和事故有没有增加。
一个Agent能写出5000行代码，并不能证明它创造了价值。它可能只是让评审队列更长。
还有三件事，会让账算得更难
Brad把监管、电力和利率列为AI扩张的三项风险。
其中最现实的是电力。他认为，美国现有计算基础设施不足40GW，而行业对下一年新增43GW的预测过于激进。数据中心并非买到GPU就能开机，电网接入、审批、变压器、熟练工人和发电设备都可能拖慢建设。
Brad梳理数据中心建设面临的电网、审批、设备与人力约束
利率也会直接改变这笔账。数据中心回收期很长，资金成本一旦上升，原本勉强成立的项目就会失去吸引力。
这也是为什么开发者不能只盯模型价格。AI产品的成本来自整条基础设施链，任何一环涨价、限额或延迟交付，最后都会反映到API价格、并发限制和服务稳定性上。
评论区：有人说没有泡沫，也有人已经准备回来打脸
Brad的结论是“现在还不是2000年式泡沫”，评论区显然没有形成共识。
网友认为Brad一边否认泡沫，一边又列出了资本开支与收入之间的缺口
网友追问AI公司的利润和自由现金流，认为AI的边际成本与传统软件不同
网友认为每Token成本竞争可能在提升效率的同时压缩利润
评论区最短的一句质疑：“没有泡沫”往往就是泡沫信号
写在最后
Brad在结尾提醒投资者保持判断弹性，跟着事实走，别梭哈。
Brad Gerstner：“follow the facts”“don't YOLO”
Brad Gerstner：别只跟着叙事走，收入、利润和现金流才会给出答案。
Brad在结尾提醒市场回到事实
对开发者也一样。
模型跑分、上下文长度和Token单价都重要，但它们只是原料参数。做成产品以后，团队仍要面对留存、推理成本、失败重试、人工验收和付费意愿。
AI泡沫会不会破，是市场的问题。自己的产品会不会先破，是开发者今天就能算清的账。
参考链接：
——好文链接——