a16z报告：新型算力云（Neoclouds）疯狂吸金、横向 SaaS 会消亡吗？

Neocloud 到底是什么？先别急着看增长

01 · 先看最重的一笔钱

假设一家 AI 公司要训练模型。它需要的不只是一批 GPU，还需要足够的电、能放下机器并持续散热的数据中心、连接成千上万张卡的高速网络，以及让整套系统稳定运行的运维团队。它当然可以自己从头建设，也可以直接向 CoreWeave 这样的公司租一套已经能开工的算力。

Neocloud 就是后一种生意。 它不是“小号 AWS”的时髦别称，而是一批围绕 AI 和高性能计算组织产能的新型云厂商。它们把 GPU、供电、机房、网络和运维打包成可用的计算能力，再卖给模型公司与企业。CoreWeave、Nebius、Applied Digital、IREN 是这一组数据重点观察的公司。这个名称不是严格的监管或会计分类，而是市场给一批相似公司的共同标签。

先把陌生词落到地上

传统云卖“通用计算”，Neocloud 先解决“GPU 产能”

AWS、Azure、Google Cloud 提供数据库、存储、网络和通用计算等完整服务；Neocloud 的起点更窄，先解决最紧缺的 GPU、电力和高密度机房。窄，意味着它可以围绕一种爆发性需求更快扩张；也意味着收入更容易与少数大客户、少数芯片供应商和一轮硬件周期绑在一起。

Neocloud 并不是第一次把旧基础设施变成新产业的起跑线。历史上至少出现过三次相似的资产重估：铁路公司曾把沿线土地权改作通信线路；天然气公司把闲置管道变成光纤通道；有线电视公司则把同轴电缆升级成宽带网络。

底层资产先存在，新的通信需求随后爆发，能完成改造和运营的人把它变成了另一门生意。

这个历史类比解释了它们为什么能迅速起跑，却不能证明它们一定能成为下一代大型云。铁路通行权和地下管道可以使用几十年，GPU 却会在新一代芯片出现后迅速贬值；通信网络面对的是广泛客户，Neocloud 的早期收入还可能高度依赖少数大客户。类比到这里就该停下，接下来必须看数据。

先看速度。图一把 CoreWeave、Nebius 和 Applied Digital 的早期收入轨迹，与 Azure、AWS、Google Cloud 当年推出后的季度收入放在一起。为了公平比较，横轴不是自然年份，而是“各自云业务启动后的第几个季度”。CoreWeave 大约用 25 个季度做到约 26 亿美元季度收入；早期 AWS 大约到第 40 个季度才来到相近位置。

这确实是一条罕见的增长曲线，但还要看图的画法。实线是已实现数据，虚线包含估计；早期大型云也有反推值。因此它能回答“谁在早期跑得更陡”，不能当作同口径审计，也不能把虚线当成已经发生的未来。

数据图 · 点按任一图表可查看大图

图二和图三把兴奋拉回地面。第一张速度图回答“斜率有多陡”，接下来的规模图回答“今天到底有多大”。AWS、Azure、Google Cloud 单季都是数百亿美元收入，几家 Neocloud 仍只占云计算市场的一小块。两种判断可以同时成立：它们创造了云计算史上罕见的增长速度，也还远没有变成另一个 AWS。

空间很大，为什么股票没有整齐上涨？因为股票交易的不是需求有没有，而是这份需求已经有多少写进价格。图四显示四家公司的一年股价路径明显分化；图五则把收入增长和 EV／过去十二个月销售额放在一起。增长最快、规模较小的公司拿到更高倍数，CoreWeave 虽然仍在翻倍增长，估值却已经不像增长 400%—450% 的公司那样陡。

这里还有一个容易被忽略的会计问题：销售倍数适合做直观比较，却不是评价重资产公司的最佳工具。软件公司多卖一份订阅，新增成本可能很低；Neocloud 多交付一批算力，往往要先买 GPU、扩机房、接电并融资。两家公司同样增加一美元收入，最后能留下的现金完全可能不同。

图六终于把成本放回增长旁边。CoreWeave 从 2025 年第三季度到 2026 年第二季度，季度收入大约从 14 亿美元升到 26 亿美元；同一组图里，Capex 从约 27 亿美元升到约 71 亿美元，中途一度达到约 82 亿美元。这段扩张期的资本开支连续高于当季收入。

但也不能把 71 亿美元直接从 26 亿美元收入中相减，然后宣布当季亏了 45 亿。Capex 买来的是会跨季度使用的资产，不会一次全部进入利润表。它随后通过折旧和融资成本慢慢回来。CoreWeave 的一手文件显示，其 2026 年第二季度营收 25.75 亿美元、净利息支出 6.40 亿美元、净亏损 6.26 亿美元；根据半年累计数据倒算，单季折旧及摊销约 13.93 亿美元，接近当季营收的 54%。这是解读者倒算的量级，不是公司直接披露的独立季度项目。

这仍然不能自动证明它是一门坏生意。高资本开支也可能是在提前建设下一年的收入能力。真正的问题，是这些机器未来能被使用多久、保持多高利用率、以什么价格出租，以及收入到来之前要付出多少融资成本。

Neocloud 不是“增长还是假的、成本才是真的”。恰恰相反：增长和成本都是真的，悬念在于增长最终能不能跑赢资本消耗。

这门生意最终要同时校准三只时钟：需求兑现、资产回收和资金偿付。

这一章得到的判断是：看 Neocloud，不能只看增长率，也不能只看债务。需求兑现、资产回收和资金偿付必须放在同一张表里。

AI 没有平均地“杀死 SaaS”

02 · 产能之后，看软件如何被重估

如果说 Neocloud 卖的是 AI 所需的产能，那么 SaaS 卖的是企业每天使用的工作流程。横向 SaaS 指跨行业都能使用的通用软件，例如协作、项目管理、CRM 或 HR 工具；它与只服务医院、餐厅、建筑公司等特定行业的垂直软件相对。

为什么横向软件先被市场怀疑？因为它们最常见的卖点，包括界面、通用流程、信息整理和按席位收费，恰好也是生成式 AI 最容易重新组合的部分。投资者担心，企业以后可能用 AI Agent 完成一部分工作，减少软件席位，甚至自己拼出原来必须购买的轻量工具。这种集体担忧有个夸张的名字：“saaspocalypse”。

注意，这种折价未必来自眼前业绩已经坏掉。软件公司的当季收入可能仍然增长，续费也可能正常；市场担心的是几年以后：如果 AI 让开发成本下降、切换更容易、席位价值被压缩，今天的高毛利还能不能延续？所以股价会在问题真正出现在财报之前先动。

最近一个月，横向 SaaS 股票出现反弹，Atlassian 也给出一组很有意思的反证：营收和盈利双双超出预期，公司随后上调指引；云业务同比增长 31%，积压订单增长更快。更关键的是 Rovo：使用这款 AI 助手的客户，支出增长速度接近未使用客户的两倍。

这个数据重要，不是因为它证明所有 AI 功能都能赚钱，而是它展示了另一条路径：AI 不一定绕过现有软件，也可以增加现有软件的使用深度和客户支出。Atlassian 已经拥有客户、权限、工作记录和协作关系，Rovo 不是从零寻找上下文，而是在已有工作系统里调用它们。

于是问题从“AI 会不会杀死 SaaS”，变成了“哪些软件能把 AI 变成增量，哪些软件会被 AI 抽走价值”。

三张图要连着读：反弹、折价、品类分化

图七说明横向 SaaS 最近确实反弹；图八却说明，按下一季度收入增长和未来收入倍数比较，它们多数仍在趋势线下方。两张图并不冲突：前者说市场修正了最极端的悲观，后者说长期怀疑还没有消失。一个好月份不等于“saaspocalypse”已经取消。

图九再把软件拆成品类。网络安全与可观测性的一年表现明显领先。原因不是它们突然不再是 SaaS，而是 AI 对这类产品更像需求放大器：更多自动生成的代码、更多 Agent、更多系统连接，会增加攻击面和排障复杂度；企业也不会因为员工能“氛围编程”，就放心让他们自己拼一套安全系统。

更早的一组软件分化数据还补了一层：垂直 SaaS 往往拥有特定行业的流程、数据和客户关系，网络安全拥有信任门槛；通用横向工具却更容易被认为“软件本身不是护城河”。这仍是市场判断，不是终局事实，但它解释了为什么同样叫 SaaS，估值会走向完全不同的方向。

这一章得到的判断是：AI 没有平均地杀死或拯救 SaaS。它正在按工作流重新分配价值：能提供专有上下文、信任或新需求的产品更有机会，仅靠通用功能和席位收费的产品更难解释未来。

Token 越便宜，账单未必越小

03 · 软件背后，真正被消耗的单位

企业刚开始接入 AI 时，最简单的策略是：所有任务都交给最强模型，或者给工程师一笔预算自行决定。但任务并不一样。改一个日期格式和定位一个复杂代码故障，对推理能力的要求不同。如果全用最贵模型，大量预算花在不需要最强能力的地方；如果全用便宜模型，困难任务又可能失败。

为什么会有 Smart Router

不是每一道题，都值得叫最贵的模型来答

简单格式转换可以交给便宜模型，复杂代码问题再交给强模型。Databricks 的 Smart Router 会先判断任务，再把它路由到合适的模型。在这组编码任务上，它平均每题约 2.13 美元，解题率 92.3%；相较参考的强模型组合，成本低约 35%，解题率还高 1.3 个百分点。这里是特定评测结果，不代表所有真实工作负载。

这就是所谓的效率前沿 ：在相同质量下尽量少花钱，或者在相同预算下尽量提高质量。它不是寻找一个永远最好的模型，而是给不同任务安排不同模型。于是便宜、能力较弱的模型并没有因为前沿模型进步而失去价值；它们反而成为整个路由系统里处理大量普通任务的那一层。

四张图依次回答：怎样省、价格怎样变、钱花到哪里、与增长是否相关

图十一讨论的是 Token 的价格强度 ，不是整个市场花了多少钱。一个指数可以因为更便宜的模型获得份额而下降，同时 Token 数量和总美元支出继续上升。把“每个 Token 更便宜”直接翻译成“AI 公司收入会下降”，中间漏掉了使用量。

这很像杰文斯效应。蒸汽机更省煤以后，煤并没有因此没人买；更高效率让更多场景值得使用，最终需求可能扩大。AI 也是一样：一次任务从十美元降到一美元，不只是原来的任务省了九美元，还可能让九个以前不值得自动化的任务第一次进入预算。

图十二给出了现实中的分布。Ramp 的企业样本里，各个层级的人均 AI 支出都在上升，但头部和普通公司差距极大：前 10% 企业的人均支出大约是中位数企业的 50 倍，最头部与前 10% 之间又有明显差距。这说明“企业采用 AI”不是一个开关。有的公司只是买几个聊天机器人账号，有的公司已经把模型接进产品、客服、研发和自动化流程。

为什么头部公司敢花这么多？一种解释是，它们已经找到了能产生价值的工作流，所以使用越多、回报越明确、下一轮投入也越大。BCG 对 107 家年收入超过 5 亿美元的上市科技公司做了分组：Token 使用最低五分位的收入增长中位数约为 5.1%，最高五分位约为 16.5%。图十三因此很诱人，但也最需要克制。

它不能证明“多买 Token 就会让收入增长”。增长更快、技术能力更强的公司，本来就可能更早采用 AI；行业结构、资本实力和管理水平也可能同时影响两者。这里能确认的是相关性和一个值得继续追踪的方向：高强度使用并没有伴随明显的增长惩罚，至少部分公司已经愿意用真实预算投票。

把四张图合在一起，逻辑链才完整：路由降低单位任务成本；更低成本让更多普通任务进入可用范围；新场景抬高 Token 总量；用得最深的企业又更有理由继续投入。效率和需求不是跷跷板，它们可能彼此强化。

这一章得到的判断是：“Token 变便宜”只描述了价格，不描述市场。真正决定 AI 支出的是价格下降得多快、使用量增长得多快，以及企业能否找到足够多有回报的新任务。

高薪能买到人才，但还不能证明护城河

04 · 最后一笔钱，买最稀缺的人

这里的 “AI Lab” 不是普通公司的 AI 部门，而是 Anthropic、OpenAI 这类训练前沿基础模型的实验室。它们不只是调用现成模型，而是在决定下一代模型怎样训练、用什么数据、怎样评测和部署。能同时理解研究、分布式系统和产品化的人很少，因此人才成为算力之外的另一种稀缺产能。

Anthropic CEO Dario Amodei 曾担心，行业里的员工开始把金钱放在使命之前。Levels.fyi 的提交数据则显示，Anthropic 的工程师总薪酬处在极高水平。两件事并不矛盾。使命可以帮助组织吸引同路人，高薪则确保候选人不必为加入使命付出巨大的市场机会成本。

图十四还需要知道“总薪酬”是什么。它不只是工资，而是基础薪资加上股权、奖金等。图中 Anthropic 对应级别的总薪酬大约从 37.5 万美元一路上升到 130 万美元；越往高级别走，股权和奖金的比例越重要。数字很高，但股权估值、归属期和流动性都会影响它最后值多少。

三张图只回答“给多少、相对多少、从哪里来”，不直接回答“谁的组织更强”

图十五试图让比较更公平：把 Anthropic、Google 和 Tesla 的相近工程级别放在一起。Anthropic 在图中明显更高，但“相近级别”不等于岗位完全相同，私营公司股权也不像上市公司股票那样容易定价。再加上 Levels.fyi 来自用户自行提交，样本并不大，所以它适合回答“数量级有多高”，不适合当作完整薪酬普查。

图十六换了一个问题：这些实验室到底从哪里招人？OpenAI 和 Anthropic 都从大型科技公司、其他 AI 团队以及 Salesforce、Stripe 等软件公司吸收人才，也都出现 Databricks、Snowflake、Palantir、DeepMind 等共同来源。差异是，图中 Anthropic 从 SaaS 公司吸收得更多；OpenAI 则更多来自消费互联网、市场平台和广告技术公司，且在所示时期出现来自 Nvidia、Tesla 的招聘。

这种差异很容易产生猜想：Anthropic 是否更偏企业软件文化，OpenAI 是否更重消费产品和规模化分发？但数据还不支持唯一解释。招聘来源只能说明人员流向，不能独立证明战略，更不能证明谁的研究质量更好。

真正的组织优势还取决于这些人怎样协作、计算资源怎样分配、研究成果能否进入产品、关键人员是否长期留下，以及团队能否在安全、速度和商业压力之间作出一致选择。这些都不在薪酬图和招聘流向图的证明范围内。

薪酬图能回答市场愿意为稀缺人才付到什么数量级
也能看到现金与股权的构成变化。

薪酬图不能回答谁的文化更好、研究更强
样本、岗位匹配和股权估值都有局限。

流向图能回答人才从哪些产业经验中迁入
它可以帮助提出组织能力的假设。

流向图不能回答这些经验最后产生了什么结果
来源公司不是新组织表现的替代指标。

这一章得到的判断是：钱是前沿实验室的入场券，不是冠军证明。薪酬可以买到人才选择权，组织机制才决定这些选择权最后能否变成持续的研究和产品优势。

AI 没有降温，只是开始换一种记账方式

05 · 把四章合回来

这是一份多主题周报，不是一篇从头证明单一命题的论文。四章的对象不同，不能拿同一把尺子硬量：Neocloud 是资产密集生意，SaaS 关注软件护城河，Token 讨论价格与用量，人才图只能观察薪酬和人员流向。

但把四章并排，仍能看到一个共同变化：AI 正从第一阶段的“谁敢投入”，进入第二阶段的“谁能把投入转成回报”。共同问题只是一张地图，不能替代每章自己的答案。

算力账收入跑多快？
还要问折旧、利息和客户集中度留下多少空间。

软件账AI 是替代还是增量？
答案取决于具体品类，而不是 SaaS 这个大标签。

Token 账每次调用便宜多少？
还要看使用量是否更快地扩张。

人才账能不能把高手招进来？
还要看组织是否把薪酬变成持续产出。

因此，这 16 张图最重要的价值不是预测哪只股票会涨，也不是证明 AI 已经兑现全部承诺。它们给了读者一套更成熟的提问方法：看到惊人增长时补看成本与回收周期，看到软件反弹时补看具体工作流，看到 Token 降价时补看使用量，看到高薪时补看组织如何把人变成成果。

第一阶段，资本相信 AI，所以钱涌进来；第二阶段，钱已经进来了，所以每一笔都要开始解释自己。