AI 的经济账根本算不通 作者：Ed Zitron 原文： AI's Economics Don't Make Sense 昨天早上，GitHub Copilot 用户终于得到了一个确认： 我一周前报道过的那件事 成真了—— 从 2026 年 6 月 1 日起，所有 GitHub Copilot 计划都将改为按用量计费（usage-based pricing） 。以前，微软会给用户一定数量的“ 请求（requests） ”。
现在，它要根据用户实际使用模型的成本来收费。微软把这称为“……朝着一个可持续、可靠、面向所有用户的 Copilot 业务和体验迈出的重要一步”。
换句话说，用户每月订阅 GitHub Copilot 花多少钱，就得到等值的 token（词元，token）额度，比如每月 19 美元的套餐，就给你 19 美元的 token。翻译一下 ：“ 我们不能再继续补贴 GitHub Copilot 用户的算力了，否则 Amy Hood 会拿棒球棍开始揍人。
” 不管怎样，这份公告本身很有意思。它提前展示了这些涨价将会被包装成什么样： Copilot 已经不是一年前的那个产品了。
它已经从编辑器里的助手，演变成了一个智能体式平台（agentic platform）。它能运行长时间、多步骤的编程会话，使用最新模型，并在整个代码库中反复迭代。
智能体式使用正在成为默认方式，而这会带来明显更高的计算和推理（inference）需求。今天，一个快速的聊天问题，和一次持续数小时的自主编程会话，可能让用户付出同样的价格。
GitHub 一直承担了这类使用背后不断攀升的推理成本，但目前的高级请求模式已经不可持续。按用量计费可以解决这个问题。
它能让定价更好地对应实际使用情况，帮助我们维持长期服务可靠性，也减少我们限制重度用户的必要。你看，问题并不是“ 微软一直在补贴将近 200 万人的计算成本 ”，而是“ AI 已经变得太强、太 powerful、太复杂了，所以它基本上已经是另一个产品了！
” 也许 Copilot 的确已经不是“……一年前的那个产品”，但底层的经济错配并没有发生太大变化：微软连续 三年 允许用户每个月烧掉超过订阅费本身的 token 成本。根据 《华尔街日报》2023 年 10 月的报道 ： 个人用户每月为这款 AI 助手支付 10 美元。
今年最初几个月，该公司平均每位用户每月亏损超过 20 美元。一位熟悉相关数字的人士说，有些用户每月给公司造成的成本高达 80 美元。
很自然， GitHub Copilot 用户正在反抗 。他们说这个产品已经“死了”，已经“彻底毁了”。
而我两年前就在《次贷式 AI 危机》（Subprime AI Crisis）里预言过这一点 ： 我假设一种次贷式 AI 危机正在酝酿：几乎整个科技行业都买进了一项以极低折扣出售的技术，而这项技术高度集中，并由大型科技公司大量补贴。总有一天，生成式 AI（Generative AI）那惊人且有毒的烧钱速度会追上它们。
结果就是涨价，或者公司推出新产品和新功能时附带极其苛刻的费率——比如 Salesforce 的“Agentforce”产品那种 离谱的每次对话 2 美元收费 ——最后连那些预算充足、最忠诚的企业客户也无法证明这笔支出是合理的。如今，这一天终于到了。
因为 你使用的每一项 AI 服务都在补贴算力 ，也因为每一项服务都因此在亏钱： 当你付费使用一家 AI 创业公司的服务时——当然，这也包括 OpenAI 和 Anthropic——你通常是按月付费，比如 Anthropic 的 Claude 有 20 美元、100 美元或 200 美元/月的计划 ，Perplexity 有 20 美元或 200 美元/月的计划 ，OpenAI 则有 8 美元、20 美元或 200 美元/月的订阅 。在一些企业使用场景中，你会拿到用于完成某些工作单位的“点数（credits）”。
比如 Lovable 的 25 美元/月订阅给用户“每月 100 点” ，还附带 25 美元（截至 2026 年第一季度末）的云托管额度，未用完的点数还能跨月滚存。当你使用这些服务时，相关公司就要为你调用的 AI 模型付钱。
它们要么按每百万 token 的价格向某个 AI 实验室付费，要么——像 Anthropic 和 OpenAI 那样——向出租 GPU 运行模型的云服务商付费。一个 token 大约相当于 3/4 个单词。
作为用户，你感受到的不是 token 的燃烧，而只是输入和输出的过程。 AI 实验室用“token”“消息”或者 5 小时速率限制加百分比进度条来掩盖服务成本。
你作为用户，并不知道这些东西到底值多少钱。而在后台，AI 创业公司正在疯狂烧钱，直到最近之前都是如此。
Anthropic 曾允许你每花 1 美元订阅费，就烧掉超过 8 美元的计算成本 。 OpenAI 也允许类似的事情发生，只是很难衡量具体比例。
AI 创业公司和超大规模云服务商（hyperscalers）曾以为，只要用补贴过的亏钱产品把足够多的人拉进门，让他们深度依赖这些服务，等公司大幅涨价时，用户就不会离开。我想，它们还以为 token 成本会随时间下降。
但现实恰恰相反：虽然_某些_模型的价格可能下降了，新的“推理模型（reasoning models）”却会烧掉更多 token， 这意味着推理成本不知怎么地反而随着时间变高了 。这两个假设都是错的。
因为对于任何接入大语言模型（Large Language Model，LLM）的服务来说，按月订阅模式_根本不合理_。生成式 AI 的核心经济账已经坏了 可以这样想。
当 Uber（ 不，这件事一点也不像 Uber ）开始提高打车价格时，它的底层经济结构并没有改变，呈现给乘客和司机的结构也没有变：用户为一次乘车付钱，司机为一次接单获得报酬。司机仍然要支付油费、车险、地方政府可能要求的各种许可证费用，以及车辆融资相关成本；这些成本并没有由 Uber 补贴。
Uber 的巨额亏损来自补贴、无休止的营销支出，以及在无人驾驶汽车等方向上注定失败的研发投入。生成式 AI 订阅和 Uber 完全不是一回事 为了说明 AI 定价错配的规模，我想让你想象另一个历史版本：在那个世界里，Uber 的商业模式完全不同。
生成式 AI 订阅就像 Uber 每月向用户收 20 美元，然后允许用户坐 100 次车，只要每次不超过 100 英里都行；与此同时，汽油价格是每加仑 150 美元， 而且油钱由 Uber 来付 ，因为有人坚持认为 总有一天石油会便宜到不值得计量 。最终，Uber 会决定开始向用户收取一个月费，让他们获得叫车资格，然后再按他们消耗的汽油收费。
突然之间，用户从每月 20 美元坐 100 次车，变成了先付 20 美元才能接触到司机，再为一次 10 英里的车程支付 26 美元。可以理解，用户会有点不爽。
这听起来有点夸张，但其实相当准确地描述了生成式 AI 行业正在发生的事，尤其是 GitHub Copilot 正在发生的事。 GitHub Copilot 之前的定价允许用户每月使用 300 次高级请求，同时还可以使用 GPT-5 mini 之类的模型发送“无限聊天请求”。
每一次请求，用微软自己的话说，就是“……你要求 Copilot 为你做某事的任何互动”。在请求制生命周期的后期， 更昂贵的模型会消耗更多请求额度 ，比如 Claude Opus 4.6 会消耗 3 次高级请求。
当你用完高级请求后，Copilot 会允许你在当月剩余时间里随便使用那些更便宜的模型。而且这甚至还不是一开始的情况。
直到 2025 年 5 月之前 ，微软都在给用户无限制使用模型的权限。即便后来只是开始加一点限制， 用户也已经非常愤怒 ，因为他们不接受这个产品有_任何_限制。
微软——就像每一家 AI 公司一样——用一个不可持续的服务骗了自己的客户。因为用月费订阅来销售由 LLM 驱动的服务， 从来、从来就没有合理过 。
如果你想知道按 token 计费后服务可能会有多贵， GitHub Copilot Subreddit 上有位用户 发现，过去一次高级请求的 token 消耗大约价值 11 美元。原因是一次“请求”可能会在上下文窗口（context window）里使用 60,000 个 token，调用几个工具，并经历一堆内部“轮次（turns）”——也就是模型为了生成结果在后台做的那些步骤。
这里还存在一个更底层的问题：大语言模型很容易产生幻觉（hallucination）。当一次高级请求原地打转、吐出一堆半坏不坏的代码时，这当然很烦。
但如果你是自己为这次失败买单，这种失误就没那么容易原谅了。用户也已经被训练成用一种完全不同于 token 计费的方式来使用产品。
我想，很多人根本没有真正意识到自己会烧掉多少“token”，也不知道某个具体任务需要多少 token。而这个数字还会根据你使用的模型不同而变化。
这_绝对不是 Uber 那套逻辑_。任何告诉你两者相同的人，都是在为糟糕行为找借口。
Uber 可能涨过价，但它并不需要彻底改变平台的底层经济结构，用户也不需要因为 Uber 突然按每加仑汽油计费，就完全改变自己使用产品的方式。 AI 月费订阅全都是 AI 补贴骗局的一部分：它们故意把生成式 AI 和真实成本切开 如果不按每个用户_实际烧掉的 token_ 来收费，基于 LLM 的服务从来就没有、也永远不会有经济上可行的提供方式。
而这些公司在欺骗用户的过程中，创造出了一批收益虚幻、投资回报可疑的产品。这一点其实_多年来都明摆着_。
从经济学上讲，月费订阅只适用于成本相对稳定的业务。健身房可以卖会员，因为它大致知道器材会有多少磨损，课程运行成本是多少，以及一定时间内电费、人工、水费等开销大概是多少。
Google Workspace 的客户——至少在 AI 进入之前——成本主要来自访问或存储文档的成本，以及 Google Docs 和其他服务的持续运行成本。数字存储成本相对低，而且不像 LLM，Google Workspace 对计算资源的需求并不特别高。
所以即便某个 Google Drive 用户特别重度使用，也不太可能吃掉其月费订阅的利润率。但 AI 订阅用户的成本可能_剧烈波动_。
一个用户可能只是偶尔用 ChatGPT 搜索一下；另一个用户可能塞进大批文档，或者尝试重构整个代码库，或者让它帮自己做 PowerPoint 演示文稿。而服务提供方——无论是 OpenAI 或 Anthropic 这样的模型实验室，还是 Cursor 这样的创业公司——除了让产品变差之外，几乎没有真正办法控制用户会怎么用。
比如设置使用上限、缩小上下文窗口、把用户推向更小也更差的模型，或者改变价格来吓退那些会发起大量消耗 GPU 请求的用户。可是，这些服务有意隐藏 token 数量，也隐藏某项活动到底花了多少钱。
结果就是，用户并不真正知道速率限制意味着什么。于是每一次 突然调整速率限制 ，都会让客户手忙脚乱地试图弄清楚自己到底还能用这项服务完成多少实际工作。
这是一种虐待式、操纵式、欺骗式的做生意方式。它存在的唯一原因，就是 Anthropic、OpenAI 和其他 AI 公司要扩大用户基数。
因为大多数 AI 用户感受到的真实或想象中的收益，都建立在这样一个前提上：他们每支付 1 美元订阅费，就能烧掉 8 到 13.50 美元不等的 token 。这种有意的欺骗只有一个目标：确保大多数人永远不会接触到生成式 AI 的真实成本。
当 《大西洋月刊》激情洋溢地把 Claude Code 描述成 Anthropic 的“ChatGPT 时刻” 时，它讨论的是一个每月 20 美元的订阅，而不是 Anthropic 为提供这项服务在底层实际烧掉的 token 成本。也正因为如此，作者才会原谅模型犯下的“轻微错误”，或者原谅它在“更复杂的编程任务上卡住”。
如果那位作者支付的是自己真实烧掉的 token 成本，而且每次模型“卡住”都会带来 15 美元的 token 账单，我不认为她会对这些失败如此宽容。但这正是骗局的一部分。
非常、非常重要的一点是：主流媒体中写 AI 的人绝不能真正理解这些服务的成本。任何关于 ChatGPT 或 Claude Code 这类服务的主流文章，都最好由那些几乎不知道单个任务会让用户花多少钱的人来写。
请记住：生成式 AI 服务在很大程度上是实验性产品。它们不像任何其他现代软件或硬件那样运行。
你不能只是走到 ChatGPT 或 Claude 面前，就让它开始为你干活。我的意思是，你_当然可以_这么做。
但如果你的提示词写得不对，不理解它的工作方式，输入材料有错误，或者它自己就是弄错了，它就会吐出你不满意的结果。然后你又得重新提示它。
LLM 本质上不可预测。你无法保证某个 LLM 一定会执行某个动作，也无法保证它会给出基于现实的结果。
你无法确定某个任务——哪怕是你过去用 LLM 做过很多次的任务——到底会花多少钱。你也无法确定模型什么时候会突然发疯并删除某些东西，或者根本没做某件事却声称自己做了。
如果你不是按 token 付费，这些问题会更容易被原谅。因为在订阅用户心里，这只是和聊天机器人多来一两轮，而不是正在产生真实成本。
人们也不会太严厉地批评所谓的“锯齿状智能（jagged intelligence）”—— （指 AI 在某些任务上表现惊人，在另一些看似简单的任务上却莫名失败，能力边界很不平滑） ——因为大家默认你现在遇到的问题未来总会被解决，而且反正你也没有为失败额外付钱。如果用户一开始就必须按真实费率付费，我想很多人会立刻放弃这个产品。
因为当你只是胡乱探索 LLM 能做什么时，非常非常容易就烧掉 5 美元的 token。旁注： 事实上，你可能花掉一大笔钱，却始终得不到想要的结果，因为 LLM 根本不是真正意义上的人工智能！
一个并不了解其局限的人，很容易花掉 30 美元、50 美元，甚至 100 美元，去试图说服一个 LLM 做某件它_坚称_自己能做的事。这里有个术语：谄媚（sycophancy）。
LLM 常常被设计成会肯定用户，哪怕用户在 说一些危险而失控的话 。这种倾向也可能延伸到这种场景：“你想要这个巨大到技术上或财务上都一点也不可行的东西？
没问题！这就是为什么整个行业如此努力地掩盖这些成本——因为这他妈就是在宰人！
我认为，大多数 AI 订阅服务转向按 token 计费是不可避免的。尤其是 Anthropic 和 OpenAI 现在都已经对企业客户这么做了。
微软把 GitHub Copilot 订阅用户改成按 token 计费，同样是一个非常、非常糟糕的信号。微软可以说是资本最充足、利润最高、也最有条件继续补贴算力的公司。
如果连它都负担不起继续补贴，那么其他公司也负担不起。真正需要关注的信号—— 一匹真正的苍白之马 ——会是 Anthropic 或 OpenAI 这样的主要 AI 实验室，把_所有_订阅用户都转向按 token 计费。
（“苍白之马”暗指《启示录》中象征死亡的马，这里指灾难性转折信号。一旦那件事发生，你就会知道：打烊时间到了。
普通公司负担得起按 token 计费吗？ Anthropic 估计 Claude Code 用户每天花 13 到 30 美元，每年 7,000 美元以上；大型组织每年会花几十万甚至几百万美元 正如我上周讨论过的， Uber 的 CTO 在一次会议上说，公司在几个月内就花完了 2026 年的全部 AI 预算 。
高盛也指出，有些公司在 AI token 上的支出，已经高达其人力成本的 10%，并且可能在接下来几个季度升至 100% 。这是训练每个 AI 用户尽可能多地使用这些服务、同时掩盖真实成本的直接结果。
每一家要求所有员工“尽可能多用 AI”的大公司，要么从根本上忽视了自己的真实 token 消耗，要么与这件事完全脱节。而当公司被迫支付_实际成本_时，我不确定你还能如何从经济上证明对这项技术的_任何_投资是合理的。
当然，当然，你会说工程师“交付代码更快”之类的屁话，我懂。但问题是： 到底快了多少？
因此你赚了多少钱，或者省了多少钱？如果你把相当于人力成本 10% 的钱花在 AI token 上，你是否在其他地方获得了抵消这笔额外支出的收益？
我不确定你有。我也不确定_任何_一家把巨额资金投入 token 的企业，看到了_任何_投资回报。
这也就是为什么 每一项 关于 AI 投资回报率的研究 ，都很难找到它存在的证据。大体上，你读到的那些对生成式 AI 的各种可能性兴奋到失态的人，都没有支付过它的真实成本。
每一个在 Twitter 上长篇大论，说自己整个工程团队都在猛敲 Claude Code 的疯子，用的都是 每人每月 125 美元的 Teams 订阅 ，其使用限制和 Anthropic 每月 100 美元的消费者订阅相近。每一个在 LinkedIn 上像怪物一样宣称自己用某个 Perplexity 产品“几分钟完成了几个小时工作”的人，最多也只是为 Perplexity 的 Max 订阅每月支付 200 美元。
现实中，一个 10 人团队、每月 1,250 美元的 Teams 订阅，很可能每月在 API 调用上烧掉 5,000 到 10,000 美元，甚至更多。 Anthropic 增长负责人 Amol Avasare 上周说，其 Max 订阅 本来是为重度聊天使用而设计的 ，并不是为人们用 Claude Code 和 Cowork 做的那些事情设计的。
他还明确表示，Anthropic 现在正在寻找“ 不同选项，以继续提供优秀体验 ”。换句话说，就是“我们迟早要改价格”。
我不确定人们是否意识到这些 token 有多贵，尤其是涉及大型代码库、并且经常调用编程工具和基础设施工具的编码项目。一个每月支付 200 美元的人，能预见性地承担 350、400 或 500 美元吗？
他们能承受某个月花得_比这还多_吗？如果他们超预算了怎么办？
如果他们真的付不起完成工作所必需的钱，又怎么办？举个更实际的例子。
直到 4 月初，Anthropic 自家的 Claude Code 开发者文档（ 存档 ）还写着：“Claude Code 用户的平均成本是每位开发者每天 6 美元，90% 用户的每日成本低于 12 美元。截至本周， 文档已经改成了这样 ： Claude Code 按 API token 消耗量收费。
订阅计划价格（Pro、Max、Team、Enterprise）请见 claude.com/pricing。每位开发者的成本差异很大，取决于模型选择、代码库大小，以及使用模式，比如运行多个实例或自动化流程。
在企业部署中，平均成本约为每位开发者每个活跃日 13 美元，每位开发者每月 150 到 250 美元；90% 用户每个活跃日成本低于 30 美元。若要估算自己团队的支出，请先从小规模试点小组开始，并使用下面的跟踪工具建立基线，再进行更广泛部署。
如果我们假设一个月平均有 21 个工作日，那么 Claude Code 用户的平均成本约为每月 273 美元，或每年 3,276 美元。如果按每个工作日 30 美元计算，就是每月 630 美元，或每年 7,560 美元。
这些数字_惊人_，更惊人的是： 如果你使用 Anthropic 最近的任何模型，你根本不可能只花每天 30 美元 。 Claude Opus 4.7 的价格是每百万输入 token 5 美元、每百万输出 token 25 美元。
“ 100 万 token 大约等于 50,000 行代码 ”。如果你使用所谓最先进的模型，你不可能不跑过_至少_100 万 token；如果你并不特别清楚某项任务该用哪个模型，这个数字还会大幅上升。
我们再拿每天 30 美元这个数字多算几下。对一个 10 人开发团队来说，这就是每年 75,600 美元，而且我们只算工作日。
如果仅仅三个月的平均费用升到每个工作日 50 美元，总额就会变成 88,200 美元。如果再有一个月每天超过 100 美元，你一年就要花 102,900 美元。
如果你每天花 300 美元，那么一个 10 人团队一年在 token 上就要花 756,000 美元。在资金充裕的创业公司那种“小金库心态”里，或者像 Meta 这样的香蕉共和国里，这也许还能发生。
但任何真正关心成本的企业，都会非常难以证明：为一个“提高生产力”的服务多花五位数或六位数成本是合理的，而这种生产力提升又似乎没人能衡量。现在我认为大多数公司分成三类： 像 Spotify 或 Uber 这样的大型组织，企业部署规模巨大，CEO 已经被 AI 洗脑，允许预算失控。
我也会说，大型、资金充裕的创业公司也属于这一类。使用有补贴的“Teams”订阅的小型创业公司。
每月付费使用 Claude 或其他 AI 订阅的个人用户。大型组织现在仍然可以拿到一张免罪牌，说自己在 AI token 上为软件工程师烧掉几百万美元，并把理由包装成它们“最优秀的工程师” 不再写一行代码 这样可疑的好处。
但只要一次糟糕的财报电话会议，这个叙事就会改变。某个时候，投资者——哪怕是那些一直把 AI 泡沫吹起来的没脑子的蠢货——也会开始质疑不断上升的研发成本（AI token 消耗通常就藏在这里），尤其当公司的收入增长跟不上时。
这可能会导致更多裁员，以赶上成本，就像 Meta 的情况 一样。然后，当有人问出“这些玩意儿到底有没有让我们更快或更好地完成工作？
时，最终就会出现收缩。我还认为，那些在 AI token 上烧掉相当于人力成本 10% 甚至更多的创业公司，六个月后会很难说服投资者：这么做是必要的。
一旦所有人都切换到按 token 计费，我不确定我们还能看到围绕生成式 AI 的这么多炒作。 AI 数据中心和算力的经济账也算不通 人们谈论 AI 数据中心的方式，已经完全脱离现实。
我不认为他们意识到整个时代已经荒唐到什么程度。 AI 数据中心建起来很贵，运行起来也很贵，但实际收入很少 根据 TD Cowen 的 Jerome Darling 的说法，每兆瓦数据中心容量需要约 3,000 万美元的关键 IT 设备（GPU 及相关硬件），以及 1,400 万美元的数据中心容量成本。
数据中心看起来需要一年到三年不等才能建成，具体取决于规模，而且前提是电力供应可用。在据称到 2028 年底要建成的 114GW 数据中心中， 只有 15.2GW 处于某种形式的建设状态 。
而“在建”可以只是“地上挖了个坑”。这绝不意味着、也不应该意味着该设施即将提供的容量马上就能上线。
侧栏： 如果你对这里更深入的数学感兴趣，请订阅我的付费通讯，这样你就能看到我的 “混蛋数据中心模型” 。这个模型是在多位分析师和超大规模云服务商消息源协助下建立的。
我们先从简单的开始：以后每当你想到“100MW”，就把它理解成“44 亿美元”，其中相当大一部分会花在 NVIDIA GPU 上。结果就是，每个 AI 数据中心一开始就背着数百万美元的坑。
即便采用 6 年折旧（depreciation）周期，也需要_很多年_才能回本。而且由于 NVIDIA 的年度升级周期 ，等你完成第一份客户合同后，那些 GPU 很可能已经赚不了多少钱了。
目前还不清楚，除了 OpenAI 和 Anthropic 之外，AI 算力是否真的存在足够大的客户群。 OpenAI 和 Anthropic 的需求占在建 AI 数据中心的 50% 。
如果其中任何一家没有钱付款，就会形成巨大的系统性弱点。无论如何，这些数据中心的持续收费标准也并不清楚。
虽然 B200 GPU 的现货价格可能在每小时 4.50 美元左右，但长期合同通常价格低得多。根据 The Information 的报道，一位创始人说他们为期一年的承诺，价格约为每 GPU 每小时 3.70 美元。
必须说清楚的是，我们_必须_区分_现货_成本和合同算力。现货成本指的是你随机在别人服务器上启动 GPU 的价格；合同算力则构成了大多数数据中心资本开支（capex）。
大多数数据中心都是为了拥有_一两个大客户_而建设的，这意味着这些客户很可能会谈到更低的综合价格。结果是，很多数据中心每小时拿到的钱远低于 3.70 美元，因为它们按每兆瓦（或千瓦）收费。
而经济账就是从这里开始崩的。一个 100MW 数据中心坏掉的经济账：每小时 2.55 美元、满租时毛利率 16%，但由于债务仍然不赚钱 这是一个 100 兆瓦数据中心的起始成本。
一个 100MW 数据中心可能只有 85MW 的实际_可计费设备负载_。根据我与熟悉超大规模云服务商计费的人士的讨论，它们每兆瓦预计能带来约 1,250 万美元收入，也就是约 10.63 亿美元年收入。
我要说明一点：你知道的大多数数据中心公司其实并不亲自建设数据中心，而是把这项工作交给 Applied Digital 这样的公司，它们也被称为“主机托管合作方（colocation partners）”。例如， CoreWeave 向 Applied Digital 支付托管费，以使用其北达科他州的数据中心 。
CoreWeave 则负责数据中心内部所有 GPU 和其他技术设备。为了说明这种经济错配，我会用一个_理论上的_例子：一个数据中心租给一家_理论上的_ AI 算力公司。
这个数据中心里的 GPU 很可能是 NVIDIA 的 Blackwell 芯片。更可能的是，该数据中心使用的是由 8 块 B200 GPU 组成的 pod，每个 pod 零售价约为 45 万美元，也就是每块 GPU 56,250 美元。
假设有 85MW 关键 IT 负载，每兆瓦的全包资本开支约为 3,678 万美元，总 IT 资本开支约为 31.26 亿美元，其中约 26.7 亿美元花在 GPU 上。我们假设这个数据中心位于北达科他州 Ellendale。
那里的工业电价约为每千瓦时 6.31 美分，折合一年电费约 5,540 万美元。根据与消息源的讨论，我估计维护、人力、电源供应更换等持续成本约占收入的 12%，也就是每年约 1.28 亿美元。
这样成本就到了 1.834 亿美元。等等，抱歉。
你还得基于关键 IT 负载支付主机托管费。根据 Brightlio 的说法， 这项费用通常是每千瓦每月 180 到 200 美元 ，具体取决于部署规模和地点；不过我也见过低至 130 美元的价格，这里就用 130 美元计算，也就是每年约 1.33 亿美元。
于是总成本上升到 3.164 亿美元。好吧，这还是低于 10.6 亿美元，所以我们还不错，对吧？
错！你还有 31.26 亿美元的 IT 设备需要折旧。
按照 6 年折旧算，每年约 5.21 亿美元。这样每年总成本就是 8.374 亿美元，剩下约 1.686 亿美元年利润，也就是约 16.7% 的毛利率（gross margin）…… …… 前提是你始终 100% 满租！
你看，数据中心可能需要一两个月才能把 GPU 装进去并让客户上线。在这段时间里，你一分钱收入都没有，却还要亏掉更多钱，因为你得继续支付托管、电费和运营成本，只是电费和托管/运营成本会以较低比例计算（我模型里按 10% 电费、15% 托管/运营成本估算）。
这意味着你每天要亏约 327 万美元。为了这个例子，我们假设你额外花了一个月才让它开始运行。
这意味着你已经支付了约 1.02 亿美元，且永远拿不回来。把这笔钱算进第一年总成本和折旧后，总成本达到 9.394 亿美元，毛利率只剩 6.6%。
等等，见鬼，你该不会是借钱买这些 GPU 的吧？你还真借了？
这有多糟？哦_天哪_——你拿的是一笔 6 年期资产抵押贷款（asset-backed loan），贷款价值比（loan-to-value ratio，LTV）为 80%。
也就是说，你以 6% 利率借了 28 亿美元。你的银行以它永恒的慷慨给了你一个方案：12 个月宽限期，只付利息……这意味着利息约为 1.68 亿美元。
这会把第一年总成本（为了公平起见，不算那一个月延迟）推到约 10.05 亿美元，而你的收入是 10.6 亿美元。毛利率只有 5.19%，而你甚至还没开始还本金。
一旦开始还本金，你每月要支付 5,410 万美元贷款，总计接下来五年每年约 6.49 亿美元。这会把成本推到约 14.8 亿美元，也就是毛利率约为负 40%