中国AI竞赛转向电力成本与折旧：模型降价、算力投资加码

距离北京数百公里的北方城市乌兰察布，已成为中国数据中心建设最密集的集群之一。当地政府已签署数十个项目，阿里巴巴、华为、快手以及专业运营商均已入驻，甚至有一所废弃学校正被改造成算力设施。吸引它们的并非软件人才，而是相对低廉的电价、可用的土地以及有利于降低冷却负荷的气候条件。

这轮建设热潮恰好与模型价格的急剧下滑同步。今年5月，DeepSeek将其V4-Pro API费率下调75%并转为永久性调整。到10月，由Silicon Data编制、被《金融时报》引用的一项Token价格指数显示，综合价格较5月峰值下跌超过52%。并非所有模型降幅一致，部分高端产品价格相对坚挺，但方向明确：按Token出售的智能正在变便宜。

然而，出售算力的公司花得更多而非更少。阿里巴巴截至6月30日季度的资本开支达676.78亿元，同比增长75%，主要由AI基础设施驱动；同期其AI云与计算服务收入增长45%至484.37亿元。这两个数字勾勒出行业的新张力：模型提供商竞相压低标价，云运营商却必须为回收期长达数年的设施融资。

电力是最显眼的成本项。假设一个10兆瓦的IT负载以1.2的电源使用效率持续运行，若每千瓦时单价相差0.40元，年度电费差距约为4200万元，五年累计差额超过2亿元。实际合同因利用率、电价和冷却设计而异，但这一敏感度足以将选址问题推入董事会层面。能够提供稳定电力、直连发电资源以及较低环境温度的地区，正成为战略资产。

选址仍存在权衡。训练集群偏好高密度、高带宽的网络结构；对延迟敏感的推理则更看重靠近用户和网络枢纽。批量训练、批处理任务和冷存储可以迁往廉价电力地区，交互式产品却无法忽视延迟。因此运营商倾向于拆分工作负载，而非追求单一理想站点。

所有权结构带来另一层风险。自购GPU的公司需自行承担利用率风险和折旧；从云厂商租用的公司则以更高的长期单位成本换取灵活性。GPU让计算更复杂：物理寿命可能长于经济寿命。更新的芯片代际或更高效的模型架构，可能让早期采购即使硬件仍能运转也提前被淘汰。廉价电力能改善运营利润率，却无法消除技术过时。

模型侧的降价并不一对一映射为任务成本下降。API标价既反映竞争定位，也反映底层效率。客户越来越多地将常规分类、摘要和客服工作交给更便宜的模型，把昂贵模型留给更难的推理任务。智能体放大了这一效应：单次用户请求可能触发数十次模型调用、工具使用和重试。更低的Token价格扩大了可行任务的范围，却不会自动减少每个完成工作流所消耗的总算力。

阿里的业绩展示了同一集团内部的分化。AI云与计算服务收入上升、调整后EBITA大幅提高；而包含Qwen等消费产品的AI实验室与应用板块，则因吸收能力投资和更高的推理成本而录得大额调整后EBITA亏损。同一度电，在云账本上是收入，在模型账本上却是成本。

芯片厂商在服务器出货时确认销售；云运营商只有通过多年利用率才能收回资本；模型公司则只有在付费客户大规模到来时才能回本。这一时序安排是核心管理难题。模型价格可以在数月内下跌四分之三，而数据中心的折旧周期却以年计。需求增长可能填满产能，也可能让运营商用不再处于成本前沿的资产打价格战。算法与硬件的进步抬高了AI能力上限，同时也缩短了任何一代设备的舒适回收窗口。

中国AI产业过去两年证明了自己能训练出有竞争力的模型并获取芯片，如今正在学习一门更传统的纪律：如何选址、供电、融资并让庞大的资本基础保持忙碌，而建立在这一基础之上的产品却越来越便宜。乌兰察布不断升起的服务器机房天际线，是对电力问题的一种回答。更难的答案——这些机房在下一轮效率提升后能否收回成本——将写在利用率和自由现金流里，而非Token价目表上。