AI资本支出、Token成本与Meta卖算力：Microsoft、Amazon、Google三大云估值重估

摘要

2026年以来，围绕人工智能基础设施的资本开支继续上升，市场对大型科技公司的关注点也随之发生变化。过去，投资者更倾向于把 AI 投入视为长期增长资产；现在，核心问题逐渐转向：这些资本开支能否转化为足够高的收入、毛利、自由现金流和资本回报率。

Microsoft、Amazon 和 Alphabet/Google 三大云厂近期股价承压，表面上反映的是 AI 资本支出、自由现金流和 Token 成本的担忧。但更深层的产业变化可能是，企业 AI 正从“粗放试用”进入“用量精算期”。在这一阶段，企业不再无限制地调用最昂贵模型，而是根据任务价值、成本、成功率、延迟和合规要求，对模型、算力、数据、安全与计费进行更精细的管理。

这并不必然意味着 AI 需求崩溃。相反，它可能意味着 AI 正从试验阶段进入正式业务部署阶段。对于单一模型公司而言，企业控制 Token 成本可能带来压力；但对于 Azure、AWS、Google Cloud 这类多模型云平台而言，用量精算反而可能强化其作为企业 AI 成本控制层、模型路由层、数据治理层和收费层的价值。

一、市场重新定价三大云的核心原因

近期三大云相关股票承压，并不能简单理解为市场否定 AI 长期需求。更准确地说，市场正在把关注点从“AI 有没有需求”转向“AI 需求需要多少资本才能兑现”。这是一种估值逻辑的变化。此前，AI 资本开支往往被视为增长性投资；但随着数据中心、GPU、网络、电力、冷却和存储投入迅速扩大，投资者开始质疑这些支出究竟是高回报增长资产，还是科技巨头不得不参与的防守性军备竞赛。

微软的数据能够直观体现这种资本开支加速。Microsoft 2026财年第三季度新增物业和设备支出为308.76亿美元，去年同期为167.45亿美元；2026财年前九个月该项支出为801.46亿美元，去年同期为474.72亿美元。这一变化说明，AI基础设施建设已经从正常云资本开支升级为更高强度的投资周期。

Amazon 的现金流结构同样显示出资本开支压力。Amazon 2026年第一季度 AWS 销售额同比增长28%至376亿美元，AWS经营利润为142亿美元，说明云业务本身仍保持强劲增长；但公司过去12个月经营现金流为1485亿美元，自由现金流下降至12亿美元，主要原因是物业和设备购买大幅增加，而公司明确表示这主要反映 AI 投资。

Alphabet/Google 也呈现类似特征。Alphabet 2026年第一季度 Google Cloud 收入增长63%至200亿美元，云业务增长显著加速；但同一季度购买物业和设备支出达到356.74亿美元，自由现金流为101.16亿美元。Google 的现金流并未恶化到不可控状态，但资本支出的斜率明显变陡。

因此，市场真正担心的并不是三大云没有需求，而是需求过强本身带来的资本约束。如果 AI 基础设施投资持续上升，但对应收入和现金流转化速度不及预期，估值倍数自然会受到压缩。

二、AI成本已经进入财报，而不只是停留在叙事层

AI 产品和传统软件订阅服务最大的区别之一在于成本结构。传统 Office 或企业软件的边际成本较低，用户多写一封邮件、多做一份表格或多生成一份文档，不会显著增加软件公司的单位成本。但 AI 产品不同。每一次模型调用、每一次推理、每一次 AI agent 执行任务，背后都对应算力、存储、网络和模型服务成本。

Microsoft 已经在财报中披露了这一变化。2026财年第三季度，Microsoft Cloud 毛利率下降至66%，原因包括 AI 基础设施持续投资和 AI 产品使用量增长，部分被 Azure 和 Microsoft 365 Commercial Cloud 的效率提升抵消。换言之，AI 使用量不再只是收入端的故事，也已经进入成本端。

在 Productivity and Business Processes 部门，Microsoft 披露成本收入增加6.8亿美元，主要由支持 Microsoft 365 Copilot 席位和用量增长的 AI 基础设施投资驱动。这并不意味着 Copilot 破坏了 Microsoft 基本面；相反，它说明 AI 软件的毛利率结构可能低于传统 Office SaaS，但如果公司能够通过“席位+用量”的方式重新设计收费模式，毛利压力仍有管理空间。

这一变化对投资者的含义很重要。AI 产品不能只按传统软件逻辑估值，而要同时观察收入增长、使用强度、推理成本、模型路由效率、缓存比例和用量收费能力。未来真正值得跟踪的，不只是 AI 产品的用户数，而是单位使用量能否形成可持续毛利。

三、企业开始控制Token：需求崩溃还是用量精算？

企业开始控制 AI 使用，是近期市场担忧的另一条主线。但这类现象不应直接等同于需求消失。更合理的解释是，企业正在从“能用 AI 就用 AI”转向“每一次 AI 使用是否值得”的用量精算阶段。

Uber 的案例具有代表性。据媒体报道，Uber 在鼓励员工使用 AI 程序开发工具后，四个月内消耗完整年 AI 预算，随后对 Claude Code、Cursor 等 agentic coding tool 设置每位员工、每个工具每月1500美元的上限。该案例并不说明 AI 工具没有价值，反而说明当工具足够好用且扩散速度过快时，企业预算可能迅速失控。

Google 与 Meta 之间的 Gemini 算力限制也显示出高端算力仍然紧缺。根据媒体转述的报道，Google 告知 Meta 其无法满足 Meta 所需的全部 Gemini 计算容量，Meta 也因此鼓励员工更有效率地使用 AI Token。该报道尚未被 Reuters 独立核实，因此应被视为媒体报道而非官方确认事实；但其反映的趋势清晰，即即使大型科技公司仍在大量建设 AI 基础设施，优质算力供给仍可能跟不上需求。

Microsoft 内部对 Claude Code 授权的调整也体现出同样逻辑。The Verge 报道称，Microsoft 计划移除大部分 Claude Code 授权，并推动许多开发者转向 GitHub Copilot CLI；报道称这一调整既与工具整合有关，也有财务因素。该案例说明，即使在大型科技公司内部，AI 工具的使用也开始接受成本、产品战略和生态控制的约束。

AWS 的部分定价变化则从供给端反映 AI 算力稀缺。据 Business Insider 报道，AWS 将 EC2 Capacity Blocks for ML 价格上调约20%，此前1月已出现约15%的价格上调。需要强调的是，这并不是整个 AWS 全面涨价，而是特定 AI/ML 容量预留服务的价格调整。其含义在于，高端 AI 算力仍具有稀缺性，头部云厂在部分容量产品上具备一定定价能力。

这些案例共同指向一个判断：企业不是停止使用 AI，而是开始管理 AI 使用。Token 成本、算力预算、任务价值和使用权限正在成为企业 IT 和财务部门共同关注的问题。这正是“AI 用量精算期”的产业基础。

四、Meta传出出售算力：供给端也开始计算ROI

Meta 近期传出规划云业务、出售多余 AI 算力的消息，为这条逻辑补充了供给端证据。Reuters 转述 Bloomberg 报道称，Meta 正在建立云业务，以出售多余的 AI 计算能力；该计划仍在发展中，策略可能变化，Reuters 也表示无法独立核实该报道。因此，这一信息应被视为媒体报道和需要观察的信号，而不是已经完成的官方战略披露。

这一事件的意义不在于 Meta 是否会立即成为 AWS、Azure 或 Google Cloud 的直接替代者，而在于它说明大型科技公司在巨额 AI 基础设施投入之后，也开始考虑如何将算力转化为可对外收费的资产。Reuters 报道还提到，分析人士认为 Meta 增加算力供给对 CoreWeave、Nebius 等 neocloud 公司的影响可能大于对大型 hyperscaler 的影响，因为这些公司部分依赖 Meta 需求增长；报道也指出，Meta 在2026年 AI 基础设施开支可能高达1450亿美元。

从产业角度看，Meta 的案例说明 AI 算力正在资产化。算力不再只是内部研发投入，也可能成为被出租、被定价和被管理的基础设施资产。但真正能够长期捕获价值的，不只是“谁拥有算力”，而是谁能把算力、模型、数据、安全、计费和企业工作流整合到一起。这也是三大云与单一算力租赁商之间的关键差异。

五、AI用量精算期：从粗放试用到正式业务部署

“AI 用量精算期”可以理解为企业 AI 商业化的第二阶段。第一阶段是粗放试用期，企业的核心问题是能不能把 AI 接入产品和流程。在这个阶段，AI 功能被快速嵌入软件、搜索、办公、客服和程序开发工具，市场更关注用量、叙事和技术可行性。

第二阶段则是用量精算期。企业开始询问：每一次 AI 调用是否值得？是否所有任务都需要前沿模型？哪些任务可以用较便宜模型？哪些内容可以缓存？哪些任务适合批量处理？哪些 AI 使用应该放入席位费，哪些应该按用量收费？这表明 AI 从产品展示走向正式业务部署，企业开始将其纳入预算、合规和成本分摊体系。

第三阶段是每任务成本优化。AI 时代不能只看每百万 Token 价格，因为企业真正购买的不是 Token 本身，而是某一工作流中的有效结果。例如，在程序开发中，一个任务可以是修复一个代码错误或完成一次被团队接受的代码修改；在客服中，一个任务可以是解决一张工单；在财务分析中，一个任务可以是完成一份可被分析师采用的摘要。真正重要的是完成一个有效结果的总成本，即模型成本、工具成本、重试成本和人工审核成本除以成功率。

第四阶段是结果付费期。企业最终更可能希望为结果付费，而不是单纯为 Token 付费。例如按解决的客服工单、完成的合规审查、生成的合格销售线索或完成的软件功能计费。若 AI 商业化进入这一阶段，价值将从“多消耗 Token”转向“以更低成本产生更多有效结果”。

六、为什么用量精算可能强化三大云平台价值

如果企业只是追求最强模型，价值可能集中在单一模型公司手中。但当企业开始追求以最低成本完成最多有效任务时，价值会更多流向多模型云平台。原因在于，正式部署 AI 的企业并不只需要模型本身，还需要权限管理、数据边界、模型选择、成本监控、计费分摊、延迟控制、合规审查和业务流程集成。

Microsoft、Amazon 和 Google 的共同优势在于，它们不只是出租 GPU 或销售单一模型，而是提供企业 AI 运行环境。Azure、AWS 和 Google Cloud 分别拥有计算、存储、网络、数据库、安全、身份管理、模型市场、模型路由、成本监控、计费、合规以及企业销售渠道。这些能力使它们在 AI 用量精算期更像企业 AI 平台，而不是单纯算力供应商。

云厂正在将这种能力产品化。Microsoft Azure AI Foundry 的 model router 旨在优化成本和延迟，在保持相近质量的情况下，把简单任务交给较小、较便宜模型，把复杂任务交给更强模型。AWS Bedrock Intelligent Prompt Routing 则可以在同一模型家族内根据每次请求选择模型，AWS 官方称其可在不牺牲准确性的情况下降低最多约30%的成本。Google Cloud 的 Model Garden 提供200多个来自 Google 和合作伙伴的模型，支持客户在同一平台发现、定制和部署模型。

这也是为什么 Meta 传出卖 AI 算力不一定构成对三大云的直接利空。短期看，它可能增加 AI 算力市场供给，尤其对部分只做算力租赁的公司形成竞争；但从更长期看，它反而证明算力正在成为可出租和可定价的基础设施资产。长期真正重要的不是单一算力供给，而是平台能否把算力、模型、数据和企业工作流整合起来。

七、三大云的不同路径

Microsoft 的优势在于企业工作流入口。Office、Teams、Outlook、Excel、PowerPoint、GitHub、Dynamics、Security 和 Azure 共同构成企业日常工作环境。Anthropic 或其他模型公司短期内很难直接破坏 Microsoft 的核心基本面，因为企业工作流、身份系统、权限、文件、协作和合规体系具有较高迁移成本。Microsoft 真正需要管理的是 Copilot 的毛利结构。如果 Copilot 完全依赖固定席位费且允许无限制高成本调用，毛利压力会较大；但如果 Microsoft 能逐步推进“席位+用量”模式，将高成本 AI 使用转嫁给更高价值场景，其毛利压力可能可控。

Amazon 的优势在于 AWS 的中立多模型平台定位。AWS 不需要完全押注单一模型，客户可以在 Bedrock 中使用 Claude、Amazon 自研 Nova、Meta、Mistral 或其他模型。即使部分任务从 Claude 分流到更便宜模型，只要工作负载仍留在 AWS 生态，Amazon 仍能捕获基础设施、数据接入、安全治理和平台服务收入。媒体报道称 Amazon 与 Anthropic 的部分合作条款可能从按算力时长结算转向更接近按 Token 用量结算；该信息尚非官方完整披露，因此只能作为观察信号。若该方向成立，Claude 使用成本会更线性地跟随用量上升，这可能促使 AWS 更积极推动模型路由和自研模型使用。

Google 的路径则更强调模型、芯片与云的一体化。Google 拥有 Gemini、TPU、Google Cloud、Model Garden、搜索与多模态数据等资源。Alphabet 2026年第一季度 Google Cloud 收入增长63%至200亿美元，云业务增长显著加速；公司还披露 Google Cloud backlog 超过4600亿美元。若 Gemini 与 TPU 的成本和性能优势能够转化为 Google Cloud 的企业份额和高质量现金流，Google Cloud 在 AI 用量精算期也可能受益。

八、Oracle为什么不是同一类故事

Oracle 同样受益于 AI 算力短缺，但其投资故事不同于 Microsoft、Amazon 和 Google。三大云的核心是把模型、算力、数据、安全、计费和企业工作流整合为平台；Oracle 的故事更像是巨大 AI 订单背后伴随更高资本支出、融资需求和自由现金流压力。

Oracle 官方披露，2026财年剩余履约义务达到6380亿美元，同比增长363%；但同一财年自由现金流为负237亿美元，原因是公司继续投资以支持 Cloud Infrastructure 业务增长。Oracle 还披露，2026财年已融资430亿美元债务和50亿美元股权，2027财年预计还将通过债务和股权融资约400亿美元。

因此，Oracle 的存在提醒投资者：市场对 AI 资本支出的担忧并非没有依据。只是这种风险在高资本强度、高融资需求、高客户集中度的 AI 基建故事中更为尖锐，而在 Microsoft、Amazon 和 Google 这类平台型云公司中，风险与平台价值需要分开评估。

九、估值含义：三大云是否被过度折价

估值层面，未来本益比可以作为一个粗略但有用的观察工具。Microsoft 当前约19倍未来本益比，过去五年平均接近30倍；Amazon 当前约27倍，过去五年平均约45倍；Alphabet 当前约24–25倍，过去五年平均约22倍。如果 AI 资本支出最终只是低回报的防守性支出，那么即使三大云回到二十多倍，甚至十幾倍未来本益比，也未必足够便宜。相反，如果 AI 用量精算强化了云平台在企业 AI 系统中的不可替代性，那么当前估值可能过度反映短期现金流压力，而低估未来平台现金流。

对投资者而言，关键不是简单判断三大云“便宜”或“昂贵”，而是判断其资本开支能否转化为长期平台收入。这需要持续跟踪云收入增长、AI 产品毛利率、资本支出增速、折旧压力、自由现金流恢复速度、模型路由效率、企业 AI 付费意愿以及用量收费结构。

十、风险因素

第一，AI 资本支出回收周期可能长于市场预期。数据中心、GPU、网络、电力和冷却设施均是高资本强度资产，如果 AI 收入增长不及预期，折旧和现金流压力可能持续压制估值。

第二，Token 价格下降可能对单位经济产生双重影响。较低 Token 成本有助于 AI 使用扩散，但如果价格下降速度快于用量增长和成本效率改善，云厂每单位算力产生的毛利可能受到压力。

第三，企业 AI 采用可能低于乐观假设。企业控制 Token 使用、设定预算上限和加强权限管理，可能意味着部分 AI 应用尚未证明足够清晰的 ROI。若 AI agent 在成功率、稳定性、合规和可控性方面不足，正式业务部署节奏可能放慢。

第四，模型公司和新型算力供应商可能改变价值分配。OpenAI、Anthropic、Google、Meta 以及新型 neocloud 都在争夺 AI 基础设施和模型调用价值。Meta 传出出售算力说明算力供给格局可能变化，但其长期影响仍需观察。

结论：问题不在于AI有没有需求，而在于资本开支能否转化为平台现金流

三大云当前面临的核心问题，不是 AI 需求是否存在，而是 AI 资本支出能否转化为可持续的平台现金流。市场对 AI 投入的态度正在从“投入越多越好”转向“投入能否产生回报”。这解释了为什么 Microsoft、Amazon 和 Google 的估值开始受到 AI 资本开支、自由现金流和 Token 成本的共同影响。

但企业开始控制 AI 使用，并不必然等于 AI 需求崩溃。它也可能说明 AI 正从粗放试用进入正式业务部署。正式部署阶段需要更复杂的模型选择、数据治理、权限控制、成本监控、计费体系和业务流程整合，而这些正是 Azure、AWS 和 Google Cloud 的优势所在。

Meta 传出出售算力说明供给端也开始寻找 AI 资本开支回报；Oracle 的例子则提醒市场，AI 基建需求强劲并不自动等于高质量自由现金流。对投资者而言，真正需要理解的是：不同 AI 基建公司承担资本开支风险的方式不同。Microsoft、Amazon 和 Google 的投资价值，最终取决于它们能否把 AI 基础设施投入转化为企业 AI 时代的长期平台现金流，而不是单纯取决于短期资本支出规模。