Anthropic算力账本难平：边际利润为何不升反降？

编者按：当整个行业都在谈论大模型推理成本将随规模下降时，Anthropic却交出了一份相反的算力经济学答卷。TechCrunch报道指出，在算力边际利润本应改善的时刻，Anthropic的算力利润率反而在恶化。这不仅是单个公司的财务信号，更折射出AI基础设施投资与商业回报之间的深层张力。

算力利润率为何“逆势”恶化？

据TechCrunch报道，Anthropic仍在艰难应对算力经济学问题。报道的核心判断非常直接：在Anthropic的算力边际利润本应随着模型效率提升、基础设施利用率改善而变好的时候，这些指标却在变差。对于一家以Claude系列模型为核心产品的AI公司而言，这意味着每单位算力投入所换回的商业价值正在收窄。

表面上看，这似乎违背了AI行业的普遍经验。过去两年，模型推理的单位成本持续下降，硬件迭代和软件优化让同样任务所需的算力不断减少。但问题在于，成本下降并不自动等于利润率改善。当模型能力提升带来更复杂的推理链路、更长的上下文窗口和更高的并发需求时，单次调用的绝对算力消耗可能不降反升。与此同时，客户对价格极为敏感，API定价战让成本节约难以转化为利润留存。

“在算力边际利润应该改善的时候，它却在恶化。”TechCrunch的这句判断，点出了Anthropic当前面临的核心矛盾：技术效率的进步，被商业定价和需求结构的变化抵消了。

规模效应在AI推理侧为何失灵？

传统云计算经济学中，规模效应非常清晰：采购更多GPU、提升数据中心利用率、摊薄固定成本，单位算力成本就会下降。但大模型公司的成本结构更复杂。训练成本是一次性且巨大的资本开支，推理成本则是持续发生的运营开支。随着Claude等模型被嵌入更多企业工作流，推理请求的复杂度和总量同步上升，运营开支的增速可能快于收入增速。

另一个关键变量是基础设施依赖。Anthropic的算力主要来自大型云厂商合作，这种模式能快速获得先进芯片和弹性扩容能力，但也意味着单位算力成本受制于合作伙伴的定价策略。自建数据中心或定制芯片可以长期降低成本，却需要巨额前期投入和较长的建设周期。在竞争节奏极快的AI行业，这种“时间差”会直接体现在边际利润上。

此外，模型能力竞争迫使公司不断训练更大、更强的模型。每一代新模型都需要更多算力用于训练和评估，而这些投入在短期内难以被收入覆盖。当行业从“模型竞赛”转向“应用落地”时，算力成本从研发费用逐渐变成营业成本，利润表承受的压力更加直接。

价格战与客户结构：利润的隐形杀手

AI模型API市场已经出现明显的价格竞争。头部厂商通过降价吸引开发者，中小厂商则用低价争夺细分场景。对于Anthropic而言，Claude在长上下文、代码生成和企业安全等场景具备差异化优势，但差异化并不等于定价权。企业客户往往同时接入多家模型，根据任务类型和成本动态路由。这种“多模型策略”让单一供应商难以维持高毛利。

更微妙的是客户结构变化。早期AI收入大量来自实验性项目和开发者试用，单价高、规模小。随着企业级部署扩大，大客户议价能力增强，合同折扣、预留容量和定制化服务都会压缩利润率。Anthropic要在收入增长和利润改善之间取得平衡，难度远高于纯软件订阅模式。

Anthropic的应对与行业启示

面对算力经济学的压力，Anthropic并非没有动作。行业普遍路径包括：提升模型推理效率、优化路由与缓存、与云厂商深化合作以获取更优算力价格、探索混合部署方案，以及通过高价值企业功能提升客单价。但这些措施需要时间，而资本市场的耐心有限。

对整个人工智能行业而言，Anthropic的困境具有代表性。算力不是普通云资源，它既是AI公司的生产资料，也是竞争壁垒。当算力边际利润恶化时，公司要么继续融资输血，要么提高价格，要么压缩模型规模。三条路都有代价。TechCrunch的报道提醒我们：AI商业化的真正考验，或许不在于模型能多聪明，而在于算力账本能不能算平。

本文编译自TechCrunch。