过去这半年，有两条"烧钱"的新闻，摆在一起看特别有意思。

美国这头：四大云厂商 2026 年的资本开支合计奔着六千多亿美元去，比 2025 年一口气涨了约六成。可就在砸下这么多钱的当口，他们在财报会上还是那句——产能不够用；而市场转头就给脸色，谷歌、亚马逊、微软财报一出，股价应声而跌。钱花到历史级别，一边喊不够，一边被嫌贵。

中国这头：「东数西算」推进四年，带动社会投资破万亿，智算规模到 2026 年一季度冲到约 188 万 PFLOPS。更值得琢磨的是，今年「算电协同」四个字头一回写进政府工作报告——算力和电力，被正式摆到了一起。

四大云厂商资本开支：2025 → 2026（十亿美元）

两条新闻，一个共同的潜台词：这一轮 AI 的较量，早就不在"谁的模型更聪明"那一层，而在"谁供得起"这一层了。 上一篇笔者说，看世界要数洋流别数浪花——那"谁供得起"，就是眼下最大的一股洋流。

而"供得起"这道题，笔者拆下来，就三个变量：算力、数据、落地。 一个个拆，数字尽量给到能核对的那一层。

一、算力：这轮浪潮的"水量"

先给结论：这一轮 AI 的能力上限，本质是被算力供给锁死的。 笔者盯三个数——水量涨多快、单位成本掉多快、天花板还剩多高。

水量：还在翻倍地涨，但开始减速。 研究机构 Epoch AI 的测算是，前沿模型的训练算力常年每年翻 4 到 5 倍，领跑的实验室一度接近每年 10 倍。但拐点也来了——这个增速正减速到 2028 年的 3 到 4 倍/年。关键是那句话：真正踩下刹车的，是电力、资本和数据，不再是芯片本身。 这句话，后面两根轴还会反复印证。

成本：另一头在雪崩。 同样能力的推理，单位成本掉得比谁都快。GPT-4 级别的模型，2022 年底跑一百万 token 大约要 20 美元；到 2026 年初，同等效果只要 0.4 美元上下——三年时间，掉了约 1000 倍。

同能力推理成本：$20 → $0.40，三年约 ×1/1000（对数轴）

这条曲线才是普及的引擎：成本每掉一个数量级，就有一大批昨天"算不起"的场景，今天突然算得起了。很多应用不是做不到，是还没便宜到值得做。

天花板：电。 而这一切的物理上限，是电。训练前沿模型的耗电量大约每年翻一倍；要把 4 倍/年的算力增长维持到 2030 年，得往里喂超过 5 吉瓦的电——抵得上好几座核电站连轴转。这也正好解释了上面那句"刹车是电不是硅"。

所以"AI 还能不能更强"，笔者不去猜模型聪不聪明，只盯这三个数：规模涨多快、成本掉多快、电够不够喂。

二、数据：决定"水质"

算力是水量，数据是水质。而这口井，正在见底。

研究机构 Epoch AI 的测算是：高质量的人类文本，会在 2026 到 2032 年之间被用尽——笔者写这篇的此刻，我们正站在这个窗口的入口。斯坦福那份年度 AI 报告，也在示警同一件事："数据见底"。上一节说算力的刹车之一是数据，指的就是这个。

高质量人类文本：预计 2026–2032 用尽，我们正在入口

于是钱在往"造数据"上砸。有机构估计，2026 年合成数据的采用率会到七成半；英伟达在 2025 年 3 月花了约 3.2 亿美元，收购一家专做合成数据的公司；还有报道说，苹果把 2026 年的 Siri 升级直接建在了合成数据管线上——原因很直白：真人数据，在他们要的规模上不够用了。

但笔者要泼盆冷水：用模型造的数据去喂模型，是把双刃剑。 弄不好，是把偏差一代代放大——好比拿一台"很少见过罕见病"的 AI 去生成医学影像，再训练下一台，结果对罕见病越来越瞎。所以到今天，最能打的模型，底子仍然锚在真人数据上。

判断一个方向有没有后劲，笔者从不只看它模型多大，而是看它站在哪一口数据井上、那口井会不会干。桶再大，井干了也白搭。

三、落地：决定"浪能不能变成钱"

前两个变量决定 AI"能有多强"，第三个决定它"能值多少钱"。这也是最容易被 demo 带偏的一环。

数字最诚实。MIT 一份广被引用的报告统计：真正在半年内跑出明显收入加速的 AI 试点，只有约 5%。 普华永道 2026 年全球 CEO 调研更直接——56% 的 CEO 说还没从 AI 投入里看到明显财务回报，只有 12% 说同时拿到了增收和降本。 大多数 AI，今天还写在 PPT 里，没写进损益表。

AI 落地的现实落差：5% / 12% / 56%

但另一头，"离不开"的角落也在冒头。同一批数据里，真正把 AI 推进生产环节的公司，平均能做到 1.7 倍投资回报，头部能到十几倍；投资机构 a16z 的观察是，厂商交付的项目成功率约七成，自己闷头攒的只有三成上下。 真金白银的回报，藏在客服、财务自动化、软件工程这些不起眼、却能"写进预算"的地方。

它是在替谁"省钱/赚钱"，还是只在让人"惊叹"？

从"玩具"到"工具"到"基础设施"，每跨一步，都比发布会上的数字诚实得多。笔者看落地，看的是有没有人真的把它写进了预算。

把三个变量拼成一张地图

到这儿，你手里就有三把尺子了：

· 算力——能力上限（水量）：训练算力 4–5 倍/年、推理成本 3 年 ×1000、电力天花板

· 数据——能力质地（水质）：人类高质量数据 2026–2032 见底、合成数据顶不顶得住

· 落地——价值兑现（浪→钱）：约 5% 试点半年见效、12% CEO 增收又降本

下次再刷到一条 AI 大新闻，别急着转，先把它往这三把尺子上一放，问一句：它在推动哪个变量？是让变量加速，还是暴露了某个变量的瓶颈？

八成的"重磅"，问完这一句就露馅了——它只是浪花。而真正重要的那两成，会顺着某一根轴，把你带到一个别人还没看到的地方。

而这三根轴，其实正在悄悄拧成同一句话：这一轮 AI，正在从"缺不缺芯片"的时代，走进"缺不缺电、缺不缺数据、落不落得了地"的时代。 谁先看懂这个换挡，谁就比还在数浪花的人，早看清一层。

笔者也得说句公道话：这张地图不保证你次次看对。笔者自己就在"时间尺度"上栽过跟头——方向看对了，却把"会发生"当成了"很快会发生"。这三个变量帮你回答的是"会不会"，至于"多快"，得靠另一套完全不同的信号。那个，笔者留到复盘那篇再摊开讲。

先记住这张最粗的地图。它已经足够让你，比大多数还在数浪花的人，看得清楚一层了。

本文引用数据均来自公开研究与媒体报道（Epoch AI、斯坦福 AI Index、MIT、普华永道、a16z、世界经济论坛、国家数据局等），仅作宏观态势探讨，不涉及任何具体投资标的、公司或板块，不构成投资建议。