非营利研究机构Epoch AI最新发布的研究报告显示,AI公司(特别是OpenAI)最终能够实现盈利的观念存在重大漏洞。
这份由Jaime Sevilla、Hannah Petrovic和Anson Ho撰写的研究论文指出,虽然运行AI模型可能产生足够的收入来覆盖其运营成本,但任何利润都会被开发下一个重大模型的成本所抵消。因此报告称:"尽管每个模型都能赚钱,但公司每年仍可能亏损。"
GPT-5案例分析揭示收支现状
研究人员创建了一个名为"GPT-5套件"的案例研究,其中包括OpenAI在GPT-5作为旗舰模型期间的所有产品,包括GPT-5和GPT-5.1、GPT-4o、ChatGPT和API,并估算了运行该套件的收入和成本。
收入方面相对简单。由于该套件包含OpenAI的所有模型,因此代表了公司在去年8月至12月GPT-5运行期间的总收入:61亿美元。
然而,这61亿美元的收入需要与运行GPT-5套件的成本进行对比。这些成本主要来自四个方面:推理计算成本32亿美元、员工薪酬12亿美元、销售和营销22亿美元,以及法律、办公和行政成本2亿美元。
从毛利润角度看,仅考虑运行模型的直接成本(即32亿美元的推理计算成本),收入61亿美元可产生29亿美元的利润,毛利润率为48%。这个数字虽然低于其他软件业务,但足以最终建立业务。
生命周期分析显示真实困境
然而,当考虑模型的完整生命周期时,情况变得复杂。虽然从毛利润角度看GPT-5套件是盈利的,但是否足以收回开发成本仍是问题。理论上,只要持续运行模型,迟早会获得足够收入来收回成本。但实际上,模型的生命周期可能太短,无法产生足够收入,因为可能被竞争对手的产品超越而被迫替换。
关键在于比较毛利润和研发成本。研究发现,从完整生命周期来看,GPT-5套件明显无法盈利,即使从毛利润角度也是如此。
未来盈利前景分析
关于AI模型是否会变得盈利这一重大问题,研究报告指出:"最关键的一点是,这些模型生命周期亏损不一定是警报信号。AI模型今天不需要盈利,只要公司能说服投资者它们将来会盈利。这对快速增长的科技公司来说是标准做法。"
报告认为盈利性完全可能,因为"计算利润率在下降,企业交易更具粘性,模型能够保持相关性的时间比GPT-5周期暗示的要长。"
行业专家观点
Moor Insights & Strategy副总裁兼首席分析师Jason Andersen表示,OpenAI和其他通用AI公司可以使用三个杠杆来改善其财务状况:调节发展节奏、多样化产品和从其他软件供应商获取收入。
他认为OpenAI和Anthropic最有机会长期发展并保持独立,但需要找到与Google、Microsoft等已将AI融入其他产品的公司竞争并获胜的方法。
Info-Tech Research Group咨询研究员Scott Bickley表示,OpenAI对目前不盈利的状况相当开放,但他们展示了未来三年收入将指数增长的图表,这就是为什么他们现在试图筹集2000亿美元来建设支持每年数千亿美元业务的基础设施。
他估计OpenAI因与英伟达和超大规模云服务商的协议以及数据中心建设而承担的总财务承诺现已达到1.4万亿美元。他认为这要么"极度成功超出想象",要么"惨败,让所有人都能以极低价格收购帝国的一部分",不太可能有中间道路。
Q&A
Q1:Epoch AI研究报告的主要结论是什么?
A:报告指出AI公司虽然运行模型能产生收入覆盖运营成本,但开发下一个重大模型的成本会抵消利润,导致公司每年可能亏损,质疑了AI公司最终能实现盈利的观念。
Q2:OpenAI的GPT-5套件财务状况如何?
A:GPT-5套件在去年8月至12月期间产生61亿美元收入,运营成本包括推理计算32亿美元、员工薪酬12亿美元等。虽然毛利润率达48%,但考虑完整生命周期后仍然无法盈利。
Q3:AI模型未来能否实现盈利?
A:专家认为有可能,因为计算利润率在下降,企业交易更具粘性,模型保持相关性时间更长。OpenAI等公司可通过调节发展节奏、多样化产品和获取其他收入来源来改善财务状况。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。