持续更新 · 精选 AI 工具与中文实测 2026 年 11 月 2 日

AI 资讯

AI 日报 · 10/26|算力还在抢,钱先撤了

Apollo 说科技业外 AI 零财务回报,马斯克预言两百多家新云厂商出局,42% 的 AI 项目被母公司放弃,而核电站旧址仍被改建成 AI 工厂。

「AI 日报 · 10/26|算力还在抢,钱先撤了」每日 AI 热点封面图(2026-10-26):纸白底、墨黑几何排版、品红点缀的半调网点,无文字商标与人脸。
本文目录 5 节

今天有四条消息,都和钱有关,但它们讲的不是同一件事。放在一起看,会发现一个不太舒服的结论:这一轮 AI 的投入规模,已经跑在了回报前面。

Apollo:除了科技公司,AI 几乎没有带来财务回报

全球最大的投资机构之一 Apollo Global Management 在本周六发布的一份经济分析里给出了一个相当直白的判断:在 AI 热潮中取得营收增长的,基本只有「七巨头」这类既有科技公司,而这部分增长并没有扩散到科技行业之外。报道用了「零财务回报」这个说法来形容科技业以外的处境。(来源:Business Insider)

这条值得注意的地方不在于「AI 是不是泡沫」这种老话题,而在于说这话的人是谁。Apollo 是管理着巨额资产的另类投资机构,它的立场不是唱衰技术,而是在评估资本回报。当一个以配置资本为业的主体开始公开质疑回报分布,通常意味着后续的资金流向会变谨慎——这对靠融资活着的那一端影响最直接。

马斯克给新云厂商算了一笔账:两百多家要出局

同样在周末,马斯克在社交平台上对新云厂商(主打 GPU 即服务与 AI 推理算力租赁的公司,如 CoreWeave、Nebius、Crusoe Cloud、Lambda Labs)开火。他先是说「我们很快会看到大量算力闲置在尚未完工的数据中心里」,随后补充了更具体的判断:过去几周债券市场几乎切断了这类企业的融资渠道,除非该公司有独立于 AI 数据中心之外的稳定大额营收,这意味着 200 多家新云厂商会迎来一轮惨烈的倒闭与整合浪潮,能活下来的不会很多。(来源:IT之家)

这里有个耐人寻味的对照:马斯克同时宣布 SpaceX 刚完成一笔 400 亿美元的 GPU 相关债务融资,并特意说明「我们是投资级主体,还有星链与发射业务带来的收入」。换句话说,他论证的其实是融资资格的分水岭——有没有 AI 之外的现金流。同一篇报道还提到两个市场信号:这类企业的信用违约互换成本近日大幅飙升,以及数据中心承租方对交付延期的每日赔付要求,已从今年早些时候的水平大幅提高。

AI 坟场:42% 的 AI 项目最终被母公司放弃

TechCrunch 整理了一份「AI 坟场」清单,记录那些没能活下来的项目和公司。里面有两个具体案例:做了五年、主打 Zapier 替代品的 AI 工作流工具 Relay 已在今年 8 月彻底关停——原因很直白,当 OpenAI、Google 等大平台把同类自动化能力直接内置进自家产品后,它作为一个独立产品就很难再找到存在理由;聊天机器人平台 Character.ai 则在成立仅五年后申请破产。(来源:TechCrunch)

更值得注意的是一个统计口径:据 S&P Global Market Intelligence,约 42% 的 AI 项目最终被其所属企业放弃。原因包括资金不足、技术挑战、竞争、难以规模化,或者只是用户需求太弱。这条对做产品的人比融资新闻更有用——它说明「被大平台顺手做掉」是这个赛道上概率很高的死法,而不是意外。

另一面:电力和土地还在被抢

与上面三条形成反差的,是基础设施端仍在扩张。德国普鲁士电力(PreussenElektra)本月 21 日宣布,将与英伟达一道评估在停运核电站原址建设「AI 工厂」数据中心的可行性。德国 2023 年停运了所有核电站,普鲁士电力承担其中八座设施的退役和拆除。核电站的价值在于现成的工业用地、高容量电网接入、完善基础设施,冷却系统也可能复用——这些都能压低前期投资。英伟达的说法是,对工业用地再利用是德国发展高性能 AI 基础设施「很有前景的方法」,这项评估是开放式的,要看技术、经济与能源条件是否成立。(来源:IT之家)

把它和前三条放一起看会更有意思:融资端在收缩、项目端在出清,但电力与土地这些实物资源还在被争夺。这不矛盾——恰恰说明钱正从「广撒网的初创公司」转向「能锁定长期成本的基础设施」。谁能拿到便宜的电和现成的场地,谁的单位算力成本就更低。

对读者意味着什么

如果你在选工具,今天的信号是:尽量别把关键流程押在一个「大平台顺手就会做掉」的能力上,Relay 的关停就是活例子;选那些有独立商业模式、或者能自托管的产品更稳。站内关于模型与部署方式的选择,可以参考GPT 与 DeepSeek 怎么选和DeepSeek 模型选型指南,里面按任务、成本与部署需求给了决策口径。

如果你在做产品,42% 这个数字值得贴在墙上:它不是一个悲观预测,而是这个赛道的基准淘汰率。先想清楚「大厂做这件事的时候,我还剩什么」,比先想「我的功能怎么做得更好」更实际。

本文由 AI 辅助整理,信息以文中来源链接为准;文中所述均来自公开报道与厂商公告,未做一手实测。

讨论 0

参与讨论

相关阅读

同一场景下的其他工具与工作流。

全部文章