PPT_補充 | 大型AI模型是否獲利？

大型AI模型是否獲利？

從「擴大算力」轉向「資本效率」的整體分析

核心重點

核心問題	目前可觀察到的事實	判讀
大型模型是否已普遍獲利？	多數純模型公司未公開完整審計損益；已知案例呈現營收快速成長，但研發、推論與算力承諾也同步急升。	不能把「營收成長」或「估值上升」等同於已獲利。
模型做得更大，是否必然更賺錢？	更大模型通常需要更多訓練與推論資源，但性能提升可能遞減，且企業客戶會比較價格、速度與可靠度。	規模只有在新增收入與毛利高於新增算力成本時才合理。
為何應排除硬體公司？	模型業者購買GPU與資料中心，會直接形成硬體供應商收入；但這無法證明購買者本身能回收投資。	真正應檢驗的是模型公司每一美元算力能換回多少收入、毛利與留存。
DeepSeek、Kimi帶來什麼訊號？	稀疏MoE、較少啟用參數、蒸餾、低精度與軟硬體協同可降低訓練及推論成本，同時維持競爭力。	競爭優勢可能由「最大模型」轉向「每單位成本的能力」。
是否應繼續擴充硬體？	可以擴充，但應分階段、以需求與單位經濟驗證，而非因競爭者擴充就同步擴充。	盲目擴充可能造成高折舊、低利用率與長期現金流壓力。

重要數字總覽

下表保留照片與前述分析中最有助於判斷的數字。這些數字的用途不是證明公司已獲利，而是比較收入成長、算力承諾與模型效率是否相稱。

公司／模型	重要收入或規模數字	重要成本或效率數字	學生判斷重點
OpenAI／GPT、ChatGPT	2025年收入約130億美元；2026年初年化收入報導超過250億美元。	2025年支出約80億美元；規劃至2030年累計算力支出約6,000億美元。	收入高速成長，但未來算力承諾遠大於單一年收入；必須觀察毛利與現金流能否改善。
Anthropic／Claude	2025年底年化收入目標約90億美元，且企業客戶占收入比重高。	持續依賴募資及雲端合作，完整年度成本與自由現金流未公開。	企業市場較容易收費，但年化收入不等於淨利。
DeepSeek／V3	公司未公開完整年度營收與損益。	V3完整訓練約278.8萬H800 GPU小時；6710億總參數，但每token約啟用370億參數。	重點是以稀疏啟用降低實際運算量，而非單純追求所有參數同時運作。
DeepSeek／V2	公司未公開完整年度獲利。	相較前代，技術報告稱訓練成本降低42.5%、KV快取減少93.3%，生成吞吐量提高。	效率改善可能比盲目增加GPU更能改善單位經濟。
Moonshot AI／Kimi	訂閱與API需求成長，但未公開完整年度營收及損益。	採MoE、長上下文與開放模型路線，仍需募資與新增算力。	較小資本規模仍能形成產品競爭力，顯示模型大小不是唯一優勢。
Google／Gemini、Meta／Llama、Alibaba／Qwen	可透過雲端、搜尋、廣告、辦公軟體與生態系間接變現。	母公司投入龐大AI基礎設施，但未拆分單一模型的完整損益。	母公司獲利不能直接當作模型獲利；應分辨交叉補貼與模型本身回報。

一、分析範圍與判斷原則

本報告將焦點放在「開發與營運大型語言模型及其應用軟體的企業」，例如 OpenAI、Anthropic、xAI、DeepSeek、Moonshot AI（Kimi），以及由大型平台補貼的 Gemini、Llama、Qwen。NVIDIA 等晶片或伺服器供應商不納入獲利排名，因為硬體供應商獲利只能證明模型業者正在支出，不能證明模型投資本身具有正報酬。

判斷大型模型是否值得繼續擴充，應依序檢查四件事：營收是否真實且可持續、毛利是否改善、算力資產是否充分利用、模型能力提升是否能轉化為更高價格或更高用量。

二、主要模型公司的獲利透明度與資本壓力

公司／模型	可取得的收入或商業訊號	成本／資本訊號	獲利狀況可否確認	整體判讀
OpenAI／GPT、ChatGPT	2025年收入約130億美元；2026年初年化收入報導已超過250億美元。	2025年支出約80億美元；規劃至2030年累計算力支出約6,000億美元。	無法由公開資料確認穩定淨利；高成長與高資本承諾並存。	最大風險不是沒有需求，而是收入能否快於算力支出與推論成本成長。
Anthropic／Claude	2025年底年化收入目標約90億美元，企業客戶占收入比重高。	持續依賴外部募資及雲端合作；公開資訊多用年化收入而非完整年度損益。	尚無公開完整審計資料可證明已穩定獲利。	企業導向較有利於付費，但仍須觀察毛利與雲端成本。
xAI／Grok	產品與平台整合帶來用戶，但未公開可比的模型收入、毛利與現金流。	超大型叢集與資料中心建設資本密集。	不可確認。	缺乏分部財務資料時，模型規模與用戶聲量不能作為獲利證據。
DeepSeek／V系列、R系列	API採低價策略，開放權重提高採用；公司未公開完整營收與損益。	V3技術報告稱完整訓練使用約278.8萬H800 GPU小時；MoE每個token只啟用部分參數。	不可確認公司是否獲利，但可確認其模型追求較高算力效率。	它證明「較低成本也能接近前沿能力」，迫使市場重新評估純粹擴大模型的必要性。
Moonshot AI／Kimi	訂閱與API需求成長，2026年仍持續募資擴張；未公開完整年度營收與損益。	Kimi採開放模型與MoE等路線，仍需新增資本與算力。	不可確認。	比OpenAI體量小，但產品競爭力顯示規模不是唯一決勝因素。
Google／Gemini	透過Workspace、Cloud、搜尋與開發者平台變現。	Alphabet只公布集團與雲端財務，未拆出Gemini獨立損益。	無法確認Gemini單獨是否獲利。	母公司有現金流可補貼，但「集團獲利」不等於「模型獲利」。
Meta／Llama、Meta AI	主要藉由廣告效率、內容推薦與生態系間接回收。	模型免費／開放權重，直接模型收入有限；AI基礎設施支出龐大。	無法確認Llama單獨獲利。	屬策略性基礎設施，不宜與純模型訂閱公司用同一標準比較。
Alibaba／Qwen	AI相關產品推動雲端收入成長；2026財年末AI產品占阿里雲外部收入約30%。	持續投資雲端與AI基礎設施，Qwen獨立成本與收益未揭露。	無法確認Qwen單獨獲利。	已有雲端變現管道，但仍須區分雲端整體收益與模型本身回報。

重要限制：私營模型公司通常只選擇性公布收入、年化收入、估值或募資，卻不公布成本分解、毛利、折舊及自由現金流。因此，本表的「不可確認」不是指一定虧損，而是指外部無法據此證明已經形成可持續獲利。

三、真正應看的不是參數量，而是單位經濟

指標	簡單意義	健康訊號	警訊
推論毛利	API或訂閱收入扣除每次生成所需雲端、GPU與能源成本後，還剩多少。	模型價格下降時，單次推論成本下降得更快。	用戶愈多，虧損反而愈大。
每美元算力收入	每投入1美元算力，能創造多少可持續收入。	隨模型迭代而上升。	模型更大，但收入提升有限。
算力利用率	購買的GPU是否長時間被有效使用。	需求穩定、排程效率高。	為未來需求預購過多，設備閒置。
客戶留存與擴張	企業試用後是否續約，並增加席次或API用量。	淨收入留存率高，使用深入工作流程。	大量免費流量，付費轉換與續約低。
能力／成本比	每單位成本能提供多少可靠能力。	較小、稀疏或專用模型可完成大部分任務。	以高成本前沿模型處理所有簡單工作。
資本回收期	資料中心、晶片與模型訓練投資多久可由現金流回收。	回收期短於設備技術壽命。	設備尚未回收就被新一代硬體淘汰。

四、DeepSeek與Kimi對「越大越好」的挑戰

DeepSeek的重要性不在於它已被證明獲利，而在於它提供了另一種工程方向：利用混合專家模型（Mixture of Experts, MoE）、只啟用部分參數、壓縮KV快取、低精度訓練及軟硬體協同，提高每單位算力所能提供的能力。DeepSeek-V2報告指出，相較前代模型可節省42.5%的訓練成本、減少93.3%的KV快取，並提高生成吞吐量；V3則以6710億總參數、每token啟用370億參數的方式降低實際運算量。

Kimi同樣顯示，中型或資本規模較小的公司可透過開放模型、MoE、長上下文及產品體驗形成競爭力。這並不表示小模型一定更好，而是說「總參數」不再是唯一可比較指標。真正有商業意義的是：在同等可靠度下，誰能用更低成本完成客戶任務。

策略	優點	限制	適合情況
持續擴大單一前沿模型	可能取得最強通用能力與品牌領先。	訓練、推論及折舊成本極高；性能提升可能遞減。	高價值科研、複雜代理、前沿能力確實可收取溢價。
MoE與稀疏啟用	總容量大，但每次只運算部分參數。	系統調度與通訊較複雜。	需要兼顧能力與推論成本。
模型路由	簡單任務交給小模型，困難任務才使用大模型。	需要可靠的任務分類與品質監控。	大多數企業應用與客服、文件處理。
蒸餾與專用模型	成本低、速度快、可部署於企業內部。	通用性較低，需維護多個模型。	法律、醫療、金融、製造等固定流程。
開放權重＋雲端服務	擴大生態與採用，靠託管、工具及企業服務變現。	模型本身價格容易商品化。	Qwen、Llama、DeepSeek式生態策略。

五、大型模型是否應繼續擴充硬體？

答案不是全面停止，也不是無條件擴充，而是採取「分層擴充」與「里程碑式投資」。模型公司只有在新增算力能明確提高收入、降低單位成本或建立難以替代的能力時，才應擴大硬體。

決策條件	可以擴充	應暫緩或縮小
需求	企業排隊、已簽長約、API用量可預測。	主要是免費流量或未驗證的未來需求。
單位經濟	新增模型版本的每token成本下降，毛利改善。	性能提高，但推論成本上升更快。
差異化	新算力能解鎖代理、科學推理、多模態等可付費能力。	只是追求排行榜小幅領先，客戶不願加價。
利用率	現有GPU接近滿載，且有可靠容量規劃。	現有設備利用率低，仍大量預購。
資金來源	由營運現金流、長約或明確融資支撐。	依賴持續高估值募資填補日常推論虧損。
替代方案	已比較蒸餾、量化、MoE、路由及租用算力。	尚未改善軟體效率就直接購買更多硬體。

六、三種未來發展情境

情境	產業發展	獲利結果	硬體策略
效率勝出	模型能力差距縮小，小模型、MoE與路由快速普及。	模型單價下跌，但單位成本下降更快；高效率業者改善毛利。	優先優化軟體，只在需求確定後擴充。
規模寡占	少數前沿模型在代理、科研與多模態形成顯著領先。	領先者可收取高價，落後者因資本不足退出。	領先者大幅擴充，其他公司採合作或專用模型。
資本過剩	各家同步建置，企業付費成長低於預期。	折舊、能源與利息侵蝕現金流，估值與投資下修。	延後建設、出租閒置算力、轉向較小模型。

七、整體結論

大型模型產業目前最重要的問題，不是「AI有沒有需求」，而是「需求能否轉化成足以支付訓練、推論、折舊與持續研發的現金流」。OpenAI與Anthropic顯示收入可以快速成長，但也顯示算力承諾可能以更驚人的速度擴大；Google、Meta、Alibaba雖然母公司有獲利，卻沒有公開足夠資料證明Gemini、Llama或Qwen本身已獨立獲利。

DeepSeek與Kimi提供的主要啟示，是模型競爭不必只靠無限增加參數與GPU。更合理的方向是：以前沿模型建立能力上限，以小模型、MoE、蒸餾、量化與模型路由服務大多數日常需求，再用企業整合、工作流程與高可靠度應用創造收入。

閱讀數字時要特別注意：估值、募資額、年化收入、母公司獲利與模型本身淨利是不同概念。私營模型公司多未公開完整審計損益，因此教材以「可以確認的收入與成本訊號」協助判斷，不將未揭露資料推定為獲利。

因此，「是否繼續擴充硬體」應由單位經濟決定，而不是由競爭焦慮決定。能證明新增算力提高毛利與客戶價值的公司，可以擴充；不能證明者，模型愈大，可能只是把收入成長轉化為更大的資本負擔。