技术深度解析
250亿美元的季度烧钱并非单一支出，而是三种截然不同且相互叠加的成本结构汇聚而成。第一个也是最不稳定的成本是前沿模型训练。行业已从缩放定律时代（算力翻倍带来可预测的性能提升）进入收益递减阶段。训练像GPT-5或其后续模型，如今需要由10万块以上H100/B200 GPU组成的集群运行数月。单次训练运行，计入硬件折旧、能源和冷却成本，耗资可达5亿至10亿美元。架构本身也在演变：混合专家层曾是一种成本节约手段，如今却变得愈发复杂——某些模型已使用超过一万亿个参数，并采用动态路由机制，大幅增加了推理时的算力消耗。
第二个成本黑洞是自建数据中心基础设施。OpenAI正逐步摆脱对云服务的依赖，转而自建设施。这是一项持续多年、耗资数百亿美元的资本支出。一个为下一代训练集群所需的1吉瓦数据中心，其建设和装备成本就高达100亿美元以上。运营成本——购电协议、冷却系统、网络架构——每年还要再增加数十亿美元。这种垂直整合是一场押注长期成本控制的豪赌，却在短期内造成了巨大的现金流压力。
第三个成本是人才。能够推动前沿突破的研究人员市场竞争异常激烈。顶尖AI科学家的薪酬方案（含股权）通常超过每年1000万美元。仅OpenAI一家就雇佣了数千名此类人才。这不仅是薪资成本，更是机会成本——这些研究人员本可以开发创收产品，而非探索未经证实的研究方向。
对于关注工程权衡的读者，开源仓库llm.c（Andrej Karpathy开发，约3万星标）提供了一个极简的、教学性的LLM从头训练实现，凸显了原始计算需求。vLLM仓库（约4万星标）对于理解推理优化至关重要，展示了PagedAttention和连续批处理等技术如何将服务成本降低至朴素实现的十分之一。这些项目表明，效率前沿并非固定不变。
| 成本类别 | 2026年第一季度估算（美元） | 主要驱动因素 | 同比变化 |
|---|---|---|---|
| 模型训练 | 100-120亿 | GPU集群、能源、研发 | +150% |
| 数据中心基础设施（资本支出+运营支出） | 80-100亿 | 新设施建设、电力、冷却 | +200% |
| 人才与运营 | 50-70亿 | 薪资、股权、福利 | +80% |
| 总计 | 约250亿 | | +140% |
数据要点： 数据中心基础设施成本增长最快，反映出从租用向自建的战略转变。这是一场高风险、高回报的赌注，只有在未来5-7年内利用率始终接近100%时才能获得回报。
关键参与者与案例研究
OpenAI并非这场烧钱竞赛中的独行者。整个前沿模型生态系统都在参与一场类似——尽管程度稍轻——的财务较量。Anthropic据估计每季度烧钱50-80亿美元，成本结构相似但收入基础更小。Google DeepMind受益于母公司的现金流和内部TPU基础设施，拥有结构性成本优势。xAI（Elon Musk的创业公司）正在孟菲斯建造全球最大的训练集群，初始投资据报为40亿美元。
然而，一股反制力量正在兴起。Mistral AI（法国）已证明，一个规模较小但效率极高的团队，可以用极少的预算——估计每季度3-5亿美元——打造出具有竞争力的模型（如Mistral Large、Mixtral 8x7B）。其策略依赖于架构创新（稀疏MoE）和专注于开放权重发布，从而降低了上市成本。
Databricks及其开源模型DBRX的案例具有启发性。DBRX的训练成本约为1000万美元，仅为OpenAI支出的极小部分，却在多个编程基准测试中取得了具有竞争力的性能。这证明了'规模假说'并非唯一路径。
| 公司 | 2026年第一季度估算烧钱额 | 主要收入模式 | 关键成本优势/劣势 |
|---|---|---|---|
| OpenAI | 250亿美元 | API + ChatGPT订阅 | 烧钱最高，收入最高，但投资回报率最差 |
| Anthropic | 60亿美元 | API + Claude订阅 | 烧钱较低，注重安全，用户基数较小 |
| Google DeepMind | 80亿美元（内部估算） | 集成至Google Cloud | TPU优势，巨额现金储备，创新周期较慢 |
| Mistral AI | 4亿美元 | API + 开源 | 高效架构，低开销，规模较小 |
| xAI | 30亿美元 | API + Grok订阅 | 激进建设，尚未形成规模优势 |