炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：虎嗅APP）

本文来自微信公众号： 战魔田默 ，作者：战魔田默，原文标题：《战魔田默｜科技公司曾经以“轻”为贵，AI为什么正在改写这条商业定律？》

如果把过去二十多年的科技商业史压缩成几个关键词，“轻资产”一定占有一席之地。

软件比工厂更容易获得高估值，平台比仓库更容易形成规模效应，算法、流量、数据和网络效应，也比庞大的机器设备更符合资本市场对优秀科技公司的想象。

一家制造企业如果想把产能增加一倍，往往需要增加厂房、设备、库存和人员；一家互联网公司增加一倍用户，却未必需要增加一倍物理资产。

软件完成开发以后可以低成本复制，平台形成网络效应以后，可以在资产无需同比例增加的情况下继续扩张。

于是，一个延续多年的商业偏好逐渐形成。资产越轻，似乎越高级。

但AI正在制造一个醒目的反差。

8月26日，阿里完成800亿港元新股配售，资金全部用于AI，其中约60%用于扩大全球计算基础设施，约40%用于建设超大规模AI数据中心，并升级存储、数据库和高性能网络等云基础设施。

把视线移到美国，同样的事情正在以更大规模发生。

Amazon把2026年现金资本开支预期提高到约2200亿美元。尽管这笔投入并不全部属于AI，但多数技术基础设施投资用于支持AWS增长。

Meta预计2026年资本开支为1300亿至1450亿美元，核心驱动力之一同样是服务器、数据中心和网络等AI基础设施的扩张。

最数字化、最虚拟化的一轮技术浪潮，反而正在催生规模极其庞大的实体计算体系。

过去二十多年，科技公司为什么以“轻”为贵？到了AI时代，全球最强大的科技公司为什么又开始主动变重？

轻资产的商业逻辑并没有失效。AI改变的不是企业应该偏爱“轻”还是“重”，而是重新定义了什么资产值得企业控制。

轻资产从来不是一种商业道德。

资本市场长期奖励的，也不是“资产少”本身，而是更高的资本效率。

如果一家企业投入100亿元资产才能创造10亿元利润，另一家企业只需要20亿元资产就能创造同样利润，在其他条件相近的情况下，后者自然拥有更高的资本回报。

互联网把这种能力推到了一个新的高度。软件可以重复复制，平台可以依靠网络效应扩张，用户数据可以反复调用，大量IT能力又可以交给云服务商、软件公司和外部供应商完成。

随着代工、物流外包、IT服务订阅、平台分发和专业化供应链不断成熟，企业不必再把所有生产资料都装进自己的资产负债表，而是可以把资本集中在少数高价值环节。

这背后还有一个经常被忽略的条件。轻资产能够成立，不只是因为企业主动减少资产，也因为外部市场已经足够成熟。只有当供应商稳定、合同可以执行、服务能够标准化、交易成本持续下降时，企业才敢把更多能力交出去。

因此，轻资产并不是企业单方面设计出来的财务结构。它依赖一套能够承接外包、分工和交易的社会基础设施。云计算、第三方物流、代工制造、移动支付和平台渠道越成熟，企业越有条件把固定资产变成按需采购的服务。

资本市场看起来在奖励“轻”，实际奖励的是用更少资本创造更多长期价值的能力。

这个逻辑直到今天都没有失效。

资产少，不一定代表资本效率高；资产多，也不一定代表资本效率低。关键始终是一块钱资本投入之后，能够产生多少持续利润、现金流和竞争优势。

AI带来的变化，在于一些过去可以方便采购的资源，正在变成影响成本曲线、产品速度和竞争资格的战略资源。

一个用户输入一句话，几秒钟之后得到答案，看起来几乎没有任何重量。

但沿着这个答案继续向下追，会看到芯片、服务器、高速网络、存储系统、数据中心、电力、制冷以及土地。所谓“云”，从来不是飘在空中的东西。

AI越普及，对这些物理资源的调用反而越大。

更重要的是，一些过去可以随时从市场购买的资源，正在受到芯片供应、能源容量、建设周期和规模约束。

芯片可以买到，不等于计算能力能够立即投入使用。一座大型数据中心从选址、获得电力指标、建设机房，到服务器安装、网络调试和正式运行，往往需要很长时间。

电力接入、变压设备、冷却系统和高速网络中的任何一项延迟，都可能让已经采购的芯片无法形成有效供给。

这意味着AI基础设施的竞争，不只是采购多少GPU，也包括能否把土地、能源、网络、设备和运维能力按时组织起来。单个环节的资源或许能够购买，整套系统的交付能力却需要长期积累。

Amazon最新季度AWS收入同比增长37%，创下18个季度以来最快增速，但公司仍表示现有供给无法完全满足需求。

按照公司管理层的说法，计划在2027年增加的大部分计算能力已经被客户预订，2028年的部分产能也已经获得客户承诺。

阿里的情况同样具有代表性。最新季度里，阿里云外部商业化收入同比增长45%，AI相关产品收入连续第十二个季度实现三位数增长。800亿港元融资，并不是脱离业务需求的孤立投资，而是云与AI需求持续增长之后的基础设施扩建。

产业稀缺性一旦改变，企业边界就可能跟着改变。

过去只是后台成本的东西，今天可能决定产品响应速度；过去可以随时采购的资源，未来可能影响单位成本；过去不需要亲自控制的环节，也可能决定客户能否按时获得服务。

企业因此需要重新判断，哪些资源仍然只是普通生产要素，哪些资源已经变成决定竞争结果的关键能力。

既然算力、芯片和数据中心越来越重要，是不是钱越多、资产越重，竞争优势就越强？

当然不是。

AI正在同时制造两类公司。一类拥有庞大基础设施，并能够持续把这些资产变成产品和收入；另一类即使拥有同样昂贵的基础设施，也可能只得到更高折旧和更重的财务负担。

一笔资本投入要形成护城河，至少需要完成三次转化。

第一，资本需要转化成稀缺控制力。

如果所有竞争者都能以相近价格、在相近时间买到同样资源，单纯拥有它并不会形成战略优势。只有当一项资产受到供应、技术、能源、规模或时间约束，企业对它的控制才可能具有额外价值。

第二，规模需要转化成单位成本优势。

一万个GPU并不天然比一千个GPU更有竞争力。如果更大的计算集群能够提高利用率、降低单位推理成本、缩短客户交付周期，规模才具有经济意义；否则，规模只是更大的账单。

第三，资产需要进入产品和客户。

算力需要进入模型，模型需要进入产品，产品需要进入客户，客户最终需要形成收入和现金流。如果这条链没有走通，一家公司拥有的就不是护城河，而是一批昂贵机器。

Amazon的优势并不只是拥有数据中心和服务器，而是能够把芯片、算力、云服务、模型平台、开发工具和企业客户连接起来。

客户越多，基础设施利用率越高；利用率提高以后，单位成本又可能继续下降，基础设施由此进入一套彼此强化的系统。

评价这类系统，至少可以观察四组结果。第一组是利用率和单位计算成本，第二组是模型调用量和客户数量，第三组是收入、毛利与合同期限，第四组是自由现金流和资本回收周期。

这些指标共同回答一件事，同样一亿元基础设施，究竟能够持续创造多少商业价值。

只看资本开支的绝对规模，很容易把投入能力误认为经营能力。

真正决定资产质量的，不是企业花了多少钱，而是资产在整个生命周期里创造的现金流能否覆盖资本成本，并留下足够高的超额回报。

传统工厂的一条生产线，可能运行十年甚至更长时间。

AI基础设施面对的却是完全不同的折旧环境。芯片性能持续迭代，模型架构不断变化，训练和推理效率快速提高，单位计算成本也可能因为新的技术路线突然下降。

今天极其稀缺的资产，并不保证五年以后仍然具有同样经济价值。

这让AI重资产投资同时承担四类风险。

第一类是利用率风险。数据中心建成以后，如果客户需求不足、模型调用增长不及预期，大量服务器就会闲置。资产越庞大，固定成本越高，利用率下降带来的财务压力越明显。

第二类是技术折旧风险。如果新的芯片或模型架构让过去需要100份算力完成的任务只需要20份，旧有算力的经济价值就必须重新计算。

第三类是路线锁定风险。产业技术路径尚未稳定时，过早把大量资本锁定在某一种芯片、网络架构或者计算方案上，既可能取得先发优势，也可能让企业被自己的资产绑住。

第四类是现金流风险。巨额资本开支会直接压缩自由现金流，对企业的融资能力和资本配置能力提出更高要求。

Amazon过去12个月的自由现金流已经由正转负，流出76亿美元，主要原因是包括AI在内的基础设施投资大幅增加。

Alphabet在2026年第二季度也出现约59亿美元的单季度负自由现金流，不过其过去12个月自由现金流仍然为正。

这些数字不能简单证明AI投资过度，却说明资本市场评价科技公司的方法正在改变。投资者不能只看收入增速和利润表，还必须追问今天牺牲的现金流，未来能够换来多少收入、利润和产业位置。

资本效率因此天然带有时间维度。一项投资可能压低当期现金流，却改善未来数年的成本结构和市场地位；也可能长期依靠“战略投入”的名义掩盖低利用率和低回报。

两者在投入初期看起来十分相似，只有后续客户、收入、利润和现金回收能够把它们区分开来。

这也是AI投资最困难的地方。企业必须在产能形成之前下注，却只能在资产投入运行以后验证判断。建设过慢可能错过需求，建设过快又可能承担闲置和折旧，资本配置由此变成对需求、技术和时间的综合判断。

AI时代由此多了一个比“轻重”更重要的资本指标。商业价值形成的速度，必须跑赢资产贬值的速度。

如果做不到，再战略的资产也可能成为昂贵库存。

如果只看到Amazon、Meta、Alphabet、Microsoft和阿里不断增加资本开支，很容易把AI理解成一场只属于巨头的资本战争。

但另一条路线也在同步出现。

中国AI公司正在通过模型架构、算法效率、开放生态和更低的使用成本，减少每一单位智能对资本的消耗。

MiniMax今年上半年收入达到1.166亿美元，同比增长283.1%。公司表示，增长主要来自模型推理需求、企业客户增加和API调用量上升。这个变化至少说明，市场不仅需要更大的模型，也在为可投入生产、成本可控的AI能力付费。

AI竞争因此同时考验两种能力。

一种是资本规模。资本可以扩大算力供给、提升基础设施覆盖、服务大型客户，并摊薄部分固定成本。

另一种是技术效率。算法、模型架构、芯片设计和软件优化，可以让同一份算力产生更多能力。

如果新的技术路线把完成一项任务需要的算力降低80%，既有资产的经济价值就会被重新定价。巨头可以用资本建立基础设施壁垒，挑战者也可以通过效率创新绕过部分壁垒。

资本和效率并不是两条彼此独立的路线。效率提高会改变企业需要投入的资本规模，资本扩大又可能为技术优化提供更多真实负载、客户数据和工程经验。

优秀企业需要让两者形成循环，而不是在“多花钱”和“少花钱”之间做静态选择。

最后获胜的企业，很可能既不是资产最多，也不是资产最少，而是既有能力配置大规模资本，又能持续提高每一块钱资本的生产率。

只有资本，没有效率，容易造出昂贵库存；只有效率，没有资源，也可能无法支撑大规模商业化。

AI提出的这道题，并不只属于科技公司。

所有企业都需要回答，什么应该自己做，什么应该交给市场？

过去几十年，“轻资产”“外包”“平台化”背后都有一个共同前提。只要外部市场能够更便宜、更稳定地提供某项能力，企业就没有必要自己拥有。

这个原则依然成立，但还需要补充另一个条件。如果失去一项资源会让企业失去竞争主动权，市场价格就不再是唯一判断标准。

制造全部外包，可以降低资本占用；但如果核心工艺也掌握在供应商手里，轻资产就可能变成技术依赖。

品牌把客户关系全部交给平台，可以减少渠道投入；但如果平台同时控制流量、数据和交易规则，节省下来的渠道资产可能换来更高的战略脆弱性。

企业把核心数据和技术系统完全交给外部供应商，同样可能获得更低的短期成本，却失去长期迁移能力。“轻”有时只是把资产负担转化成依赖关系。

不过，控制一项资源，并不意味着必须把它买下来。

所有权只是控制权的一种形式。有些资源必须自建，有些可以通过长期合同、合资、战略投资、独家协议或者稳定供应关系加以控制，还有大量标准化能力完全可以继续通过市场购买。

不同控制方式对应不同成本。自建能够获得更强自主性，却会增加资本占用和组织复杂度；长期合同减少前期投入，却可能带来价格和履约风险；合资与战略投资可以共享成本，也会增加协调难度。

企业需要寻找的并不是控制程度最高的方案，而是与资源重要性相匹配的方案。

面对一项重大资产决策，企业可以连续问四个问题。

第一，失去它会不会改变竞争结果？

如果只是一般辅助能力，市场能够稳定提供，就没有必要为了安全感把所有东西都纳入企业。如果它影响成本、质量、客户关系、技术迭代甚至生存资格，企业就需要提高控制程度。

第二，竞争对手能不能以相近成本迅速获得？

只有存在持续稀缺性的资源，控制它才可能产生战略价值。今天紧缺不等于长期紧缺，今天昂贵也不等于未来昂贵。

第三，自己拥有是否明显优于租用、合作或者长期采购？

如果所有权不能带来更低成本、更快迭代、更稳定供给或者更大战略自主性，自建就可能只是在增加管理负担。

第四，组织有没有能力把它变成经营结果？

很多企业买到了正确的资产，最后依然失败。问题可能不是设备不先进，而是没有产品能力把技术商业化；不是产能不足，而是没有客户能力消化产能；不是数字化系统不好，而是组织流程根本没有改变。

这四个问题也有先后顺序。企业首先判断一项资源是否影响竞争结果，再判断它能否形成持续稀缺，随后选择所有权、合同或合作等控制方式，最后检验组织能否完成商业转化。

如果前两问的答案是否定的，后面就没有必要讨论自建；如果第四问没有答案，再重要的资产也不应该仓促投入。

企业最昂贵的一类错误，未必是买错资产，也可能是买对了，却不会用。

当企业不断增加芯片、算力、云、模型和开发工具以后，很容易产生一种错觉，技术系统越先进，组织能力就会自然提高。

实际情况并非如此。

据路透8月26日报道，Meta曾推进代号为Project OT的组织转型计划，希望通过AI重构部分工作流程和团队结构。Meta确认该项目确实存在，但也强调其中一些激进方案只是情景规划，并未全部实施。

这一项目遇到的困难很有代表性。AI可以显著增加代码和任务输出，却不保证这些输出能够同比例转化成稳定产品、客户价值和组织生产率；工具可靠性、审核能力、员工接受度和跨部门协同，都可能成为新的瓶颈。

资产越复杂，组织内部需要协调的接口越多。基础设施部门追求利用率，模型团队追求性能，产品部门关心体验，销售体系关心客户交付，财务部门则要求现金回报。如果这些目标彼此割裂，局部最优很容易变成整体低效。

资本能够购买更先进的技术系统，却不能自动购买更先进的组织系统。一家企业即使拥有领先的基础设施，如果产品部门不会调用、销售体系不会商业化、组织结构无法协同，资产仍然无法充分产生价值。

AI时代的资本竞争，最终会逼企业同时提高资产生产率和组织生产率。

前者决定机器有没有被充分利用，后者决定这些机器能不能持续变成产品、客户和现金流。缺少任何一个，重资产都会越来越重。

把时间拉长，会发现AI并不是第一次迫使企业重新思考自己的边界。

工业化曾经让企业把大量生产能力纳入内部，因为内部组织大型工厂比依靠分散市场更加高效。

全球化推动价值链拆分，企业又把制造、物流和服务交给遍布全球的供应商。互联网进一步降低信息与交易成本，让更多能力能够通过平台、云和专业服务商获得。

每一次产业革命，都在改变市场能够高效提供什么，也在改变企业必须自己控制什么。

AI同样如此。

一些过去必须内部建设的能力，会因为AI和云服务变得更加标准化，可以进一步交给市场；另一些过去可以放心采购的资源，也会因为算力稀缺、数据价值、模型能力和供应安全的重要性提高，重新进入企业的战略控制范围。

因此，AI时代不会产生企业应该变重的简单结论，轻资产时代也没有结束。未来的企业可能在一些环节继续变轻，同时在另一些环节主动变重。

资产总量并不是判断重点，资本放在什么位置、以什么方式形成控制、能否进入经营循环，才决定资产结构是否合理。

企业需要做的，是尽可能把非核心资产交给更高效的社会分工体系，同时对那些决定成本曲线、客户关系、技术速度和生存资格的资源保持足够强的控制。

科技公司过去以“轻”为贵，没有错。今天愿意重新变重，也未必违背过去的商业规律。

每一次产业结构发生变化，企业都需要重新划定市场与自身的边界。

AI没有终结轻资产，它只是在重新定义什么资产值得企业拥有。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4886863.html?f=wyxwapp