最近谷歌發(fā)布財報后討論最多的不是搜索業(yè)務增長了多少而是資本開支又沖到了什么水平。大家都盯著AI軍備競賽卻很少有人認真算過一筆賬當一家公司把越來越多的錢投向AI基礎設施時它原本最賺錢的核心業(yè)務會不會被慢慢拖垮這個標題——“在AI資本支出的祭壇上谷歌正在犧牲下金蛋的鵝”——說的就是這件事?！敖瘗Z”比喻的是谷歌的搜索廣告業(yè)務穩(wěn)定、高毛利、持續(xù)幾十年為整個公司供血。而AI capex資本開支則是為了維持大模型競賽中的位置不得不持續(xù)投下去的無底洞。兩者之間的關系不是簡單的“投入換增長”而可能是一場零和博弈。這篇文章不打算做情緒化評價而是從技術與商業(yè)結(jié)合的角度拆解谷歌在AI資本開支上的困境錢去了哪里、和核心業(yè)務沖突在哪、回報模型怎么算、開發(fā)者和架構師又能從中借鑒什么。1. 背景AI資本開支狂潮與“金鵝”隱喻1.1 什么是“金鵝”“金鵝”這個概念來自伊索寓言一只每天下一個金蛋的鵝主人為了快速獲得更多金子把鵝殺了結(jié)果什么都沒了。在谷歌的語境下這只“金鵝”就是搜索業(yè)務。谷歌搜索占據(jù)了全球搜索市場的大部分份額通過搜索結(jié)果頁上的廣告位獲得收入。這個商業(yè)模式簡單、高效、毛利率極高而且已經(jīng)穩(wěn)定運轉(zhuǎn)了幾十年。它不僅是谷歌的現(xiàn)金來源還是所有新業(yè)務孵化時的“奶媽”——無論是Waymo、DeepMind還是云業(yè)務早期都離不開搜索業(yè)務的輸血。金鵝的特點不是“增長快”而是“穩(wěn)定、持續(xù)、成本低”。這正是資本開支的反面重資產(chǎn)、長周期、回報不確定。1.2 AI capex是什么CAPEX全稱Capital Expenditure資本開支。簡單說就是公司為了長期發(fā)展而花的、不是一次性計入當期費用的錢。買地、蓋樓、買服務器、建數(shù)據(jù)中心都屬于資本開支。與之對應的OPEXOperational Expenditure是運營開支比如員工工資、電費、房租。谷歌的AI資本開支主要指建設AI數(shù)據(jù)中心、采購GPU/TPU算力、擴建網(wǎng)絡基礎設施、升級電力與冷卻系統(tǒng)的投入。這些投入的規(guī)模可以從財報里看到動輒幾十億甚至上百億美元的季度資本開支已經(jīng)把谷歌的資產(chǎn)負債表推向了多年未見的高強度狀態(tài)。1.3 為什么說谷歌在“犧牲”金鵝關鍵在于資源是有限的。當公司把越來越多的資本、人力、組織注意力投向AI基礎設施建設時其他業(yè)務的資源就必然被擠壓。在過去谷歌可以同時推進大量創(chuàng)新項目搜索體驗升級、廣告系統(tǒng)優(yōu)化、地圖、郵箱、云服務。但現(xiàn)在大模型和AI基礎設施變成了“政治正確”的優(yōu)先事項其他項目要么讓路要么被裁撤。當一家公司的核心利潤業(yè)務開始從戰(zhàn)略優(yōu)先級上下滑而大量資金卻涌入一個回報周期不明確的賽道時“犧牲金鵝”就不是夸張的說法而是一個正在發(fā)生的結(jié)構性風險。2. 核心概念拆解AI資本開支到底花在哪了2.1 AI資本開支的構成很多人以為資本開支就是“買顯卡”實際情況比這復雜得多。谷歌的AI基礎設施資本開支至少包含以下項目數(shù)據(jù)中心土木建設土地、建筑、機房改造這些是物理基礎也是資本開支的大頭。計算設備采購GPU服務器、TPU設備。谷歌是少數(shù)自研AI芯片的公司每一代TPU的研發(fā)和部署都需要巨額投入。網(wǎng)絡設備升級數(shù)據(jù)中心內(nèi)部和跨數(shù)據(jù)中心的網(wǎng)絡帶寬建設。大模型訓練需要海量數(shù)據(jù)在GPU之間高速傳輸網(wǎng)絡設備是不可忽視的成本。電力與冷卻系統(tǒng)AI數(shù)據(jù)中心的功率密度遠高于傳統(tǒng)數(shù)據(jù)中心液冷、供電擴容、備用電源都是真金白銀。軟件與集群管理平臺雖然部分人員開支算OPEX但為算力集群配套的調(diào)度、監(jiān)控、容錯系統(tǒng)建設同樣消耗資源。2.2 資本開支如何影響利潤表資本開支通常不會一次性出現(xiàn)在利潤表上而是以“折舊”的形式逐年分攤。比如一個價值10億美元的數(shù)據(jù)中心假設折舊年限為5年那么每年要計提2億美元的折舊費用直接減少利潤。這就帶來一個非?，F(xiàn)實的問題AI基礎設施的折舊周期可能比技術迭代周期還長。你花大價錢建好的數(shù)據(jù)中心可能三年后就因為下一代芯片能效比更高而失去成本優(yōu)勢。但會計上折舊還在繼續(xù)利潤還在被持續(xù)侵蝕。這是所有重資產(chǎn)科技公司都逃不過的難題。2.3 TPU自研是優(yōu)勢也是負擔谷歌自研TPU確實在訓練成本上比純采購GPU更有優(yōu)勢但同時也意味著更高的研發(fā)投入和更長的迭代周期。如果TPU生態(tài)不如CUDA成熟很多第三方模型和工具鏈無法直接跑在TPU上就會導致利用率不足。算力利用率不高的GPU/TPU集群是資本開支里最沉默的浪費。硬件買回來不會自動變成收入只有持續(xù)跑業(yè)務、跑訓練、跑推理才能慢慢回收成本。但業(yè)務量跟不上資本開支就成了沉重的資產(chǎn)包袱。3. “犧牲金鵝”的技術傳導路徑3.1 路徑一AI Overviews與搜索廣告位的沖突前幾年谷歌開始把AI OverviewsAI概覽整合進搜索結(jié)果頁初衷是提升搜索體驗。但從商業(yè)模式上這件事充滿兩難。傳統(tǒng)搜索頁面展示的是10個藍色鏈接用戶點擊鏈接后跳轉(zhuǎn)到第三方網(wǎng)站廣告主通過點擊付費。AI Overviews的出現(xiàn)改變了這個模型用戶不再需要點擊鏈接AI直接在頁面頂部給出答案。答案越準確用戶點擊廣告的概率就越低。這對用戶的搜索體驗是好事但對谷歌的廣告收入是潛在的壞消息。如果AI概覽搶占了傳統(tǒng)搜索結(jié)果和廣告位結(jié)果是廣告展示量下降、點擊率下降、商家獲得的流量下降。一旦廣告主發(fā)現(xiàn)投放回報率降低他們就會減少投放預算。這正是“犧牲金鵝”最直接的表現(xiàn)為了在AI時代保持產(chǎn)品領先用最賺錢的業(yè)務模式做賭注。3.2 路徑二算力投資擠壓非AI創(chuàng)新資源在公司內(nèi)部資源分配從來不是完全平等的。當AI成為公司最重要的戰(zhàn)略方向后GPU/TPU資源、研發(fā)人員、產(chǎn)品經(jīng)理的精力都向AI傾斜。那些非AI方向的團隊申請算力資源要排隊招人名額被壓縮項目優(yōu)先級被下調(diào)。這種資源傾斜在短期內(nèi)看是戰(zhàn)略聚焦但長期看會損傷組織的創(chuàng)新能力。很多非AI方向的微創(chuàng)新可能正是未來增長的重要來源。當所有資源都撲在大模型上公司就失去了多元化布局的機會。3.3 路徑三折舊壓力與技術迭代錯配技術迭代速度越快資本開支的資產(chǎn)減值風險就越高。打個比方你買了一批算力卡計劃用五年攤完成本。結(jié)果兩年后新一代卡功耗降低、性能翻倍你用同樣電費能獲得兩倍算力。此時如果競爭對手已經(jīng)用上新卡你的老卡在性價比上就處于劣勢。為了保持競爭力你不得不提前淘汰老卡但賬面折舊還沒有攤完這就成了“閑置資產(chǎn)持續(xù)折舊”的雙重損失。谷歌的應對策略是盡量延長設備使用周期、優(yōu)化利用率但在技術快速迭代的行業(yè)里這并不容易。3.4 路徑四預期管理綁架了經(jīng)營決策上市公司為了維持股價需要不斷向資本市場講AI故事。這就導致一種惡性循環(huán)資本開支越高預期越高預期越高越要繼續(xù)加大投入證明自己一旦某些季度資本開支增速放緩市場就會認為公司AI戰(zhàn)略出了問題。資本開支從一個技術決策變成了資本市場的信用承諾。這時候公司已經(jīng)不是在為業(yè)務做決策而是在為預期做決策。而所有為預期做決策的資源投入都存在脫離業(yè)務實際的風險。4. 用一個可計算的模型看“資本開支回報”前面講了那么多邏輯下面用代碼做一個簡單的量化分析。雖然不能完全反映谷歌的真實情況但能幫我們建立一個“資本開支回報”的思考框架。4.1 靜態(tài)回收期模型假設一個AI數(shù)據(jù)中心項目初期投入為50億美元每年運營與折舊成本為10億美元AI業(yè)務帶來的年收入按照某個增速增長。我們可以用Python快速計算回收期。# 文件路徑calc_payback.py def calc_payback(initial_investment, annual_opex, annual_revenue, growth_rate, years10): 計算靜態(tài)回收期 :param initial_investment: 初期資本開支億美元 :param annual_opex: 年運營成本億美元 :param annual_revenue: 第一年AI業(yè)務收入億美元 :param growth_rate: 年收入增長率 :param years: 觀察年限 :return: 累計凈現(xiàn)金流、回收期 cumulative_cashflow -initial_investment payback_year None for year in range(1, years 1): revenue annual_revenue * ((1 growth_rate) ** (year - 1)) net_cashflow revenue - annual_opex cumulative_cashflow net_cashflow print(f第{year}年收入 {revenue:.2f} 億美元凈現(xiàn)金流 {net_cashflow:.2f} 億美元累計 {cumulative_cashflow:.2f} 億美元) if cumulative_cashflow 0 and payback_year is None: payback_year year if payback_year: print(f靜態(tài)回收期第{payback_year}年) else: print(在觀察期內(nèi)無法回收初始投資) return cumulative_cashflow, payback_year if __name__ __main__: # 假設數(shù)據(jù)僅用于演示模型思路 calc_payback( initial_investment50, annual_opex10, annual_revenue8, growth_rate0.3, years10 )運行結(jié)果大致如下第1年收入 8.00 億美元凈現(xiàn)金流 -2.00 億美元累計 -52.00 億美元 第2年收入 10.40 億美元凈現(xiàn)金流 0.40 億美元累計 -51.60 億美元 第3年收入 13.52 億美元凈現(xiàn)金流 3.52 億美元累計 -48.08 億美元 ...這個模型告訴我們?nèi)绻鸄I業(yè)務收入增長不夠快或者初始投資太大回收期會非常漫長。資本開支的真正風險不在于花了多少錢而在于這些錢多久能產(chǎn)生正向現(xiàn)金流。4.2 敏感性分析下面用敏感性分析看當收入增長率和運營成本變化時回收期會怎樣變化。# 文件路徑sensitivity_analysis.py def sensitivity_analysis(initial_investment, base_opex, base_revenue): growth_rates [0.1, 0.2, 0.3, 0.4, 0.5] opex_factors [0.8, 1.0, 1.2, 1.5] print(敏感性矩陣回收期年) print(f{增長率\\成本系數(shù):14}, end) for factor in opex_factors: print(f成本x{factor:10}, end) print() for growth in growth_rates: print(f增長率{growth:8}, end) for factor in opex_factors: opex base_opex * factor revenue base_revenue cumulative -initial_investment payback None for year in range(1, 16): revenue base_revenue * ((1 growth) ** (year - 1)) cumulative revenue - opex if cumulative 0 and payback is None: payback year print(f{str(payback) if payback else 15:14}, end) print() if __name__ __main__: sensitivity_analysis(initial_investment50, base_opex10, base_revenue8)敏感性的意義在于我們不需要一個精確的數(shù)字只需要看到哪些參數(shù)對回收期影響最大。通常收入增速比成本控制更能決定資本開支的成敗。這也能解釋為什么谷歌拼命做大模型應用、擴大AI云服務規(guī)模——只有收入增長足夠快資本開支的重擔才能被消化。4.3 算力分配的預算配置文件示例在實際企業(yè)中AI資本開支落地后還面臨一個更現(xiàn)實的問題算力資源如何在多個團隊和項目之間分配。下面是一份簡化的算力預算配置用于演示“技術管理中如何用預算約束控制成本”。# 文件路徑ai_budget.yaml # 按項目設置算力預算單位卡時/月 version: 1.0 total_budget: gpu_hours_per_month: 100000 currency: USD projects: - name: search-ai-overview priority: P0 gpu_hours_per_month: 40000 expected_roi: high approval_required: false description: 搜索AI概覽模型迭代直接影響核心搜索體驗 - name: cloud-ai-inference priority: P0 gpu_hours_per_month: 30000 expected_roi: high approval_required: false description: 對外提供大模型推理服務按token計費 - name: internal-code-assistant priority: P1 gpu_hours_per_month: 10000 expected_roi: medium approval_required: false description: 內(nèi)部研發(fā)提效工具不直接產(chǎn)生收入 - name: research-untested-models priority: P2 gpu_hours_per_month: 5000 expected_roi: uncertain approval_required: true description: 前沿研究項目需要單獨審批避免算力浪費 limits: max_single_job_gpu_hours: 2000 idle_timeout_minutes: 30 max_queue_days: 3 optimization: enable_spot_instance: true enable_model_quantization: true enable_inference_cache: true這份配置的核心思想是算力越稀缺越需要按ROI分級管理。P0項目直接分配P2項目必須審批。這個思路不僅適用于大公司也適用于任何需要管理AI算力預算的技術團隊。5. 歷史參照與周期判斷5.1 互聯(lián)網(wǎng)泡沫時期的光纖“過度建設”2000年前后通信運營商和新興公司鋪設了大量海底光纜和骨干網(wǎng)絡資本開支遠超當時的需求。泡沫破裂后大量光纖網(wǎng)絡閑置很多公司破產(chǎn)。但諷刺的是這些“過度建設”的光纖網(wǎng)絡成了后來云計算、流媒體、移動互聯(lián)網(wǎng)的物理基礎。資本開支過頭不一定意味著資產(chǎn)沒有價值關鍵在于這個價值是在五年內(nèi)兌現(xiàn)還是在十五年后兌現(xiàn)。谷歌在AI基礎設施上的投入有可能走出類似曲線短期看是負擔長期看是壁壘。5.2 IBM與微軟的轉(zhuǎn)型經(jīng)驗IBM從硬件向軟件和服務轉(zhuǎn)型經(jīng)歷了長達十年的利潤陣痛微軟在押注Azure云業(yè)務時前幾年也是持續(xù)巨虧直到后來云計算成為第二增長曲線。這兩個案例的共同點是公司用傳統(tǒng)業(yè)務的現(xiàn)金流養(yǎng)大了新業(yè)務新業(yè)務最終成為公司的新支柱。區(qū)別在于新業(yè)務能否在現(xiàn)金流斷裂之前實現(xiàn)自我造血。谷歌的云業(yè)務和AI服務現(xiàn)在正處于“靠搜索反哺”的階段這個窗口期的長短取決于AI收入的增速。5.3 谷歌不是第一個豪賭的人但牌面不一樣和其他公司相比谷歌的家底更厚搜索業(yè)務的現(xiàn)金流、TPU的自研能力、DeepMind的技術積累、YouTube的廣告收入。這些優(yōu)勢決定了谷歌即使資本開支過度也不至于立刻崩盤。但風險在于當搜索廣告被AI產(chǎn)品替代的速度過快而AI產(chǎn)品本身的商業(yè)化還撐不起估值時公司就會陷入青黃不接的尷尬。6. 常見誤判與風險排查清單資本開支決策往往帶有很強的“敘事性”容易讓人忽略基本邏輯。下表總結(jié)了常見誤判與應對方法適合做決策時的自查。誤判現(xiàn)象可能原因觀察指標應對策略認為資本開支越高AI競爭力越強把投入等同于產(chǎn)出算力利用率、單位算力收入監(jiān)控利用率與單位經(jīng)濟模型AI產(chǎn)品用戶量增長但收入不漲免費策略或變現(xiàn)路徑不清付費轉(zhuǎn)化率、廣告加載率、客單價設計清晰的商業(yè)化漏斗搜索廣告收入下滑被忽略過度關注AI敘事搜索查詢量、廣告點擊率、廣告主預算建立核心業(yè)務健康度看板非AI項目長期被擱置資源全部向AI傾斜非AI項目立項數(shù)量、研發(fā)人員流動設置創(chuàng)新項目最低資源保障折舊壓力導致利潤下滑資本開支太大、折舊周期長折舊費用占總營收比例合理規(guī)劃資產(chǎn)使用周期市場因AI預期降低而拋售股票資本開支增速放緩引發(fā)擔憂財報電話會措辭、分析師預期用業(yè)務數(shù)據(jù)替代預期管理這張表的核心邏輯是不要用音量判斷方向要用數(shù)據(jù)判斷結(jié)果。觀察資本開支是否有效最終要看算力有沒有變成產(chǎn)品、產(chǎn)品有沒有變成收入、收入有沒有覆蓋成本。7. 對開發(fā)者和技術管理者的啟示谷歌的困境不是孤例。很多公司都有類似問題上一套AI系統(tǒng)買一批GPU招一批算法工程師結(jié)果業(yè)務沒跑通成本卻先上去了。7.1 給AI應用開發(fā)者的建議如果你負責AI應用開發(fā)不要把目光只放在模型效果上。部署一個模型需要關注單位推理成本一次請求消耗多少算力、多長時間、多少成本。這些指標決定了一個AI功能能不能長期運行下去。實踐中可以這么做使用模型蒸餾技術用大模型生成訓練數(shù)據(jù)訓練小模型在效果接近的情況下大幅降低推理成本。對用戶頻繁觸發(fā)的高頻請求用緩存機制減少重復推理。在業(yè)務非高峰期使用彈性伸縮策略避免常駐大量空閑算力。7.2 給架構師的建議做AI相關的架構設計時要考慮和谷歌類似的“資本開支分層”問題訓練集群和推理集群分離避免訓練任務擠占在線推理資源。為模型部署設置自動伸縮策略根據(jù)QPS動態(tài)調(diào)整實例數(shù)。設計中立接入層避免被單一云廠商或單一芯片架構鎖定。提前規(guī)劃數(shù)據(jù)緩存與特征服務減少重復計算的開銷。7.3 給企業(yè)決策層的建議企業(yè)做AI戰(zhàn)略時一定要有一個基本的“單位經(jīng)濟模型”你投入的每一塊錢在什么時間點通過什么路徑產(chǎn)生多少回報。如果這個模型說不清楚再大的資本開支也只是講故事。比較務實的框架是第一階段用現(xiàn)有算力做試點驗證AI功能是否帶來真實的用戶增長或成本下降。第二階段根據(jù)試點數(shù)據(jù)決定是否擴大投入。第三階段建立ROI監(jiān)控體系把算力成本、人力成本、收入增長放在同一張報表里看。8. 總結(jié)金鵝仍然能下蛋但前提是平衡回到標題“At the altar of AI capex, Google is sacrificing the golden goose”。這句話確實點出了谷歌當下的核心難題AI資本開支是不得不投的“未來門票”但沒有搜索廣告這只“金鵝”的持續(xù)供血AI戰(zhàn)略也很難持續(xù)。好在谷歌的“金鵝”目前還沒有被真正殺死。搜索業(yè)務依然在為公司創(chuàng)造穩(wěn)定的現(xiàn)金流TPU和DeepMind的技術積累也仍然領先。真正的風險不是“花錢”而是錢花出去后算力變成沉重的折舊負擔產(chǎn)品收入沒跟上核心業(yè)務的廣告體驗又被自己親手破壞。如果用一個技術術語來總結(jié)這是一場“現(xiàn)金流與戰(zhàn)略投資之間的資源調(diào)度”戰(zhàn)爭。資本開支的ROI有沒有達標不看PPT上的算力規(guī)模只看一個樸素指標你花掉的每一分錢最終有沒有變成真實的產(chǎn)品收入和用戶價值。對谷歌來說最理想的結(jié)局是AI產(chǎn)品真正把搜索體驗提升到新高度同時找到新的商業(yè)模式讓“金鵝”變成“會下金蛋又會飛行的鳥”。最怕的結(jié)果則是金鵝被透支AI業(yè)務還沒成熟舊的增長引擎先熄火。這個平衡題值得所有正在加碼AI的公司反復思考。技術追趕重要但別用今天的命換明天的餅。