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
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。