最近谷歌发布财报后讨论最多的不是搜索业务增长了多少而是资本开支又冲到了什么水平。大家都盯着AI军备竞赛却很少有人认真算过一笔账当一家公司把越来越多的钱投向AI基础设施时它原本最赚钱的核心业务会不会被慢慢拖垮这个标题——“在AI资本支出的祭坛上谷歌正在牺牲下金蛋的鹅”——说的就是这件事。“金鹅”比喻的是谷歌的搜索广告业务稳定、高毛利、持续几十年为整个公司供血。而AI capex资本开支则是为了维持大模型竞赛中的位置不得不持续投下去的无底洞。两者之间的关系不是简单的“投入换增长”而可能是一场零和博弈。这篇文章不打算做情绪化评价而是从技术与商业结合的角度拆解谷歌在AI资本开支上的困境钱去了哪里、和核心业务冲突在哪、回报模型怎么算、开发者和架构师又能从中借鉴什么。1. 背景AI资本开支狂潮与“金鹅”隐喻1.1 什么是“金鹅”“金鹅”这个概念来自伊索寓言一只每天下一个金蛋的鹅主人为了快速获得更多金子把鹅杀了结果什么都没了。在谷歌的语境下这只“金鹅”就是搜索业务。谷歌搜索占据了全球搜索市场的大部分份额通过搜索结果页上的广告位获得收入。这个商业模式简单、高效、毛利率极高而且已经稳定运转了几十年。它不仅是谷歌的现金来源还是所有新业务孵化时的“奶妈”——无论是Waymo、DeepMind还是云业务早期都离不开搜索业务的输血。金鹅的特点不是“增长快”而是“稳定、持续、成本低”。这正是资本开支的反面重资产、长周期、回报不确定。1.2 AI capex是什么CAPEX全称Capital Expenditure资本开支。简单说就是公司为了长期发展而花的、不是一次性计入当期费用的钱。买地、盖楼、买服务器、建数据中心都属于资本开支。与之对应的OPEXOperational Expenditure是运营开支比如员工工资、电费、房租。谷歌的AI资本开支主要指建设AI数据中心、采购GPU/TPU算力、扩建网络基础设施、升级电力与冷却系统的投入。这些投入的规模可以从财报里看到动辄几十亿甚至上百亿美元的季度资本开支已经把谷歌的资产负债表推向了多年未见的高强度状态。1.3 为什么说谷歌在“牺牲”金鹅关键在于资源是有限的。当公司把越来越多的资本、人力、组织注意力投向AI基础设施建设时其他业务的资源就必然被挤压。在过去谷歌可以同时推进大量创新项目搜索体验升级、广告系统优化、地图、邮箱、云服务。但现在大模型和AI基础设施变成了“政治正确”的优先事项其他项目要么让路要么被裁撤。当一家公司的核心利润业务开始从战略优先级上下滑而大量资金却涌入一个回报周期不明确的赛道时“牺牲金鹅”就不是夸张的说法而是一个正在发生的结构性风险。2. 核心概念拆解AI资本开支到底花在哪了2.1 AI资本开支的构成很多人以为资本开支就是“买显卡”实际情况比这复杂得多。谷歌的AI基础设施资本开支至少包含以下项目数据中心土木建设土地、建筑、机房改造这些是物理基础也是资本开支的大头。计算设备采购GPU服务器、TPU设备。谷歌是少数自研AI芯片的公司每一代TPU的研发和部署都需要巨额投入。网络设备升级数据中心内部和跨数据中心的网络带宽建设。大模型训练需要海量数据在GPU之间高速传输网络设备是不可忽视的成本。电力与冷却系统AI数据中心的功率密度远高于传统数据中心液冷、供电扩容、备用电源都是真金白银。软件与集群管理平台虽然部分人员开支算OPEX但为算力集群配套的调度、监控、容错系统建设同样消耗资源。2.2 资本开支如何影响利润表资本开支通常不会一次性出现在利润表上而是以“折旧”的形式逐年分摊。比如一个价值10亿美元的数据中心假设折旧年限为5年那么每年要计提2亿美元的折旧费用直接减少利润。这就带来一个非常现实的问题AI基础设施的折旧周期可能比技术迭代周期还长。你花大价钱建好的数据中心可能三年后就因为下一代芯片能效比更高而失去成本优势。但会计上折旧还在继续利润还在被持续侵蚀。这是所有重资产科技公司都逃不过的难题。2.3 TPU自研是优势也是负担谷歌自研TPU确实在训练成本上比纯采购GPU更有优势但同时也意味着更高的研发投入和更长的迭代周期。如果TPU生态不如CUDA成熟很多第三方模型和工具链无法直接跑在TPU上就会导致利用率不足。算力利用率不高的GPU/TPU集群是资本开支里最沉默的浪费。硬件买回来不会自动变成收入只有持续跑业务、跑训练、跑推理才能慢慢回收成本。但业务量跟不上资本开支就成了沉重的资产包袱。3. “牺牲金鹅”的技术传导路径3.1 路径一AI Overviews与搜索广告位的冲突前几年谷歌开始把AI OverviewsAI概览整合进搜索结果页初衷是提升搜索体验。但从商业模式上这件事充满两难。传统搜索页面展示的是10个蓝色链接用户点击链接后跳转到第三方网站广告主通过点击付费。AI Overviews的出现改变了这个模型用户不再需要点击链接AI直接在页面顶部给出答案。答案越准确用户点击广告的概率就越低。这对用户的搜索体验是好事但对谷歌的广告收入是潜在的坏消息。如果AI概览抢占了传统搜索结果和广告位结果是广告展示量下降、点击率下降、商家获得的流量下降。一旦广告主发现投放回报率降低他们就会减少投放预算。这正是“牺牲金鹅”最直接的表现为了在AI时代保持产品领先用最赚钱的业务模式做赌注。3.2 路径二算力投资挤压非AI创新资源在公司内部资源分配从来不是完全平等的。当AI成为公司最重要的战略方向后GPU/TPU资源、研发人员、产品经理的精力都向AI倾斜。那些非AI方向的团队申请算力资源要排队招人名额被压缩项目优先级被下调。这种资源倾斜在短期内看是战略聚焦但长期看会损伤组织的创新能力。很多非AI方向的微创新可能正是未来增长的重要来源。当所有资源都扑在大模型上公司就失去了多元化布局的机会。3.3 路径三折旧压力与技术迭代错配技术迭代速度越快资本开支的资产减值风险就越高。打个比方你买了一批算力卡计划用五年摊完成本。结果两年后新一代卡功耗降低、性能翻倍你用同样电费能获得两倍算力。此时如果竞争对手已经用上新卡你的老卡在性价比上就处于劣势。为了保持竞争力你不得不提前淘汰老卡但账面折旧还没有摊完这就成了“闲置资产持续折旧”的双重损失。谷歌的应对策略是尽量延长设备使用周期、优化利用率但在技术快速迭代的行业里这并不容易。3.4 路径四预期管理绑架了经营决策上市公司为了维持股价需要不断向资本市场讲AI故事。这就导致一种恶性循环资本开支越高预期越高预期越高越要继续加大投入证明自己一旦某些季度资本开支增速放缓市场就会认为公司AI战略出了问题。资本开支从一个技术决策变成了资本市场的信用承诺。这时候公司已经不是在为业务做决策而是在为预期做决策。而所有为预期做决策的资源投入都存在脱离业务实际的风险。4. 用一个可计算的模型看“资本开支回报”前面讲了那么多逻辑下面用代码做一个简单的量化分析。虽然不能完全反映谷歌的真实情况但能帮我们建立一个“资本开支回报”的思考框架。4.1 静态回收期模型假设一个AI数据中心项目初期投入为50亿美元每年运营与折旧成本为10亿美元AI业务带来的年收入按照某个增速增长。我们可以用Python快速计算回收期。# 文件路径calc_payback.py def calc_payback(initial_investment, annual_opex, annual_revenue, growth_rate, years10): 计算静态回收期 :param initial_investment: 初期资本开支亿美元 :param annual_opex: 年运营成本亿美元 :param annual_revenue: 第一年AI业务收入亿美元 :param growth_rate: 年收入增长率 :param years: 观察年限 :return: 累计净现金流、回收期 cumulative_cashflow -initial_investment payback_year None for year in range(1, years 1): revenue annual_revenue * ((1 growth_rate) ** (year - 1)) net_cashflow revenue - annual_opex cumulative_cashflow net_cashflow print(f第{year}年收入 {revenue:.2f} 亿美元净现金流 {net_cashflow:.2f} 亿美元累计 {cumulative_cashflow:.2f} 亿美元) if cumulative_cashflow 0 and payback_year is None: payback_year year if payback_year: print(f静态回收期第{payback_year}年) else: print(在观察期内无法回收初始投资) return cumulative_cashflow, payback_year if __name__ __main__: # 假设数据仅用于演示模型思路 calc_payback( initial_investment50, annual_opex10, annual_revenue8, growth_rate0.3, years10 )运行结果大致如下第1年收入 8.00 亿美元净现金流 -2.00 亿美元累计 -52.00 亿美元 第2年收入 10.40 亿美元净现金流 0.40 亿美元累计 -51.60 亿美元 第3年收入 13.52 亿美元净现金流 3.52 亿美元累计 -48.08 亿美元 ...这个模型告诉我们如果AI业务收入增长不够快或者初始投资太大回收期会非常漫长。资本开支的真正风险不在于花了多少钱而在于这些钱多久能产生正向现金流。4.2 敏感性分析下面用敏感性分析看当收入增长率和运营成本变化时回收期会怎样变化。# 文件路径sensitivity_analysis.py def sensitivity_analysis(initial_investment, base_opex, base_revenue): growth_rates [0.1, 0.2, 0.3, 0.4, 0.5] opex_factors [0.8, 1.0, 1.2, 1.5] print(敏感性矩阵回收期年) print(f{增长率\\成本系数:14}, end) for factor in opex_factors: print(f成本x{factor:10}, end) print() for growth in growth_rates: print(f增长率{growth:8}, end) for factor in opex_factors: opex base_opex * factor revenue base_revenue cumulative -initial_investment payback None for year in range(1, 16): revenue base_revenue * ((1 growth) ** (year - 1)) cumulative revenue - opex if cumulative 0 and payback is None: payback year print(f{str(payback) if payback else 15:14}, end) print() if __name__ __main__: sensitivity_analysis(initial_investment50, base_opex10, base_revenue8)敏感性的意义在于我们不需要一个精确的数字只需要看到哪些参数对回收期影响最大。通常收入增速比成本控制更能决定资本开支的成败。这也能解释为什么谷歌拼命做大模型应用、扩大AI云服务规模——只有收入增长足够快资本开支的重担才能被消化。4.3 算力分配的预算配置文件示例在实际企业中AI资本开支落地后还面临一个更现实的问题算力资源如何在多个团队和项目之间分配。下面是一份简化的算力预算配置用于演示“技术管理中如何用预算约束控制成本”。# 文件路径ai_budget.yaml # 按项目设置算力预算单位卡时/月 version: 1.0 total_budget: gpu_hours_per_month: 100000 currency: USD projects: - name: search-ai-overview priority: P0 gpu_hours_per_month: 40000 expected_roi: high approval_required: false description: 搜索AI概览模型迭代直接影响核心搜索体验 - name: cloud-ai-inference priority: P0 gpu_hours_per_month: 30000 expected_roi: high approval_required: false description: 对外提供大模型推理服务按token计费 - name: internal-code-assistant priority: P1 gpu_hours_per_month: 10000 expected_roi: medium approval_required: false description: 内部研发提效工具不直接产生收入 - name: research-untested-models priority: P2 gpu_hours_per_month: 5000 expected_roi: uncertain approval_required: true description: 前沿研究项目需要单独审批避免算力浪费 limits: max_single_job_gpu_hours: 2000 idle_timeout_minutes: 30 max_queue_days: 3 optimization: enable_spot_instance: true enable_model_quantization: true enable_inference_cache: true这份配置的核心思想是算力越稀缺越需要按ROI分级管理。P0项目直接分配P2项目必须审批。这个思路不仅适用于大公司也适用于任何需要管理AI算力预算的技术团队。5. 历史参照与周期判断5.1 互联网泡沫时期的光纤“过度建设”2000年前后通信运营商和新兴公司铺设了大量海底光缆和骨干网络资本开支远超当时的需求。泡沫破裂后大量光纤网络闲置很多公司破产。但讽刺的是这些“过度建设”的光纤网络成了后来云计算、流媒体、移动互联网的物理基础。资本开支过头不一定意味着资产没有价值关键在于这个价值是在五年内兑现还是在十五年后兑现。谷歌在AI基础设施上的投入有可能走出类似曲线短期看是负担长期看是壁垒。5.2 IBM与微软的转型经验IBM从硬件向软件和服务转型经历了长达十年的利润阵痛微软在押注Azure云业务时前几年也是持续巨亏直到后来云计算成为第二增长曲线。这两个案例的共同点是公司用传统业务的现金流养大了新业务新业务最终成为公司的新支柱。区别在于新业务能否在现金流断裂之前实现自我造血。谷歌的云业务和AI服务现在正处于“靠搜索反哺”的阶段这个窗口期的长短取决于AI收入的增速。5.3 谷歌不是第一个豪赌的人但牌面不一样和其他公司相比谷歌的家底更厚搜索业务的现金流、TPU的自研能力、DeepMind的技术积累、YouTube的广告收入。这些优势决定了谷歌即使资本开支过度也不至于立刻崩盘。但风险在于当搜索广告被AI产品替代的速度过快而AI产品本身的商业化还撑不起估值时公司就会陷入青黄不接的尴尬。6. 常见误判与风险排查清单资本开支决策往往带有很强的“叙事性”容易让人忽略基本逻辑。下表总结了常见误判与应对方法适合做决策时的自查。误判现象可能原因观察指标应对策略认为资本开支越高AI竞争力越强把投入等同于产出算力利用率、单位算力收入监控利用率与单位经济模型AI产品用户量增长但收入不涨免费策略或变现路径不清付费转化率、广告加载率、客单价设计清晰的商业化漏斗搜索广告收入下滑被忽略过度关注AI叙事搜索查询量、广告点击率、广告主预算建立核心业务健康度看板非AI项目长期被搁置资源全部向AI倾斜非AI项目立项数量、研发人员流动设置创新项目最低资源保障折旧压力导致利润下滑资本开支太大、折旧周期长折旧费用占总营收比例合理规划资产使用周期市场因AI预期降低而抛售股票资本开支增速放缓引发担忧财报电话会措辞、分析师预期用业务数据替代预期管理这张表的核心逻辑是不要用音量判断方向要用数据判断结果。观察资本开支是否有效最终要看算力有没有变成产品、产品有没有变成收入、收入有没有覆盖成本。7. 对开发者和技术管理者的启示谷歌的困境不是孤例。很多公司都有类似问题上一套AI系统买一批GPU招一批算法工程师结果业务没跑通成本却先上去了。7.1 给AI应用开发者的建议如果你负责AI应用开发不要把目光只放在模型效果上。部署一个模型需要关注单位推理成本一次请求消耗多少算力、多长时间、多少成本。这些指标决定了一个AI功能能不能长期运行下去。实践中可以这么做使用模型蒸馏技术用大模型生成训练数据训练小模型在效果接近的情况下大幅降低推理成本。对用户频繁触发的高频请求用缓存机制减少重复推理。在业务非高峰期使用弹性伸缩策略避免常驻大量空闲算力。7.2 给架构师的建议做AI相关的架构设计时要考虑和谷歌类似的“资本开支分层”问题训练集群和推理集群分离避免训练任务挤占在线推理资源。为模型部署设置自动伸缩策略根据QPS动态调整实例数。设计中立接入层避免被单一云厂商或单一芯片架构锁定。提前规划数据缓存与特征服务减少重复计算的开销。7.3 给企业决策层的建议企业做AI战略时一定要有一个基本的“单位经济模型”你投入的每一块钱在什么时间点通过什么路径产生多少回报。如果这个模型说不清楚再大的资本开支也只是讲故事。比较务实的框架是第一阶段用现有算力做试点验证AI功能是否带来真实的用户增长或成本下降。第二阶段根据试点数据决定是否扩大投入。第三阶段建立ROI监控体系把算力成本、人力成本、收入增长放在同一张报表里看。8. 总结金鹅仍然能下蛋但前提是平衡回到标题“At the altar of AI capex, Google is sacrificing the golden goose”。这句话确实点出了谷歌当下的核心难题AI资本开支是不得不投的“未来门票”但没有搜索广告这只“金鹅”的持续供血AI战略也很难持续。好在谷歌的“金鹅”目前还没有被真正杀死。搜索业务依然在为公司创造稳定的现金流TPU和DeepMind的技术积累也仍然领先。真正的风险不是“花钱”而是钱花出去后算力变成沉重的折旧负担产品收入没跟上核心业务的广告体验又被自己亲手破坏。如果用一个技术术语来总结这是一场“现金流与战略投资之间的资源调度”战争。资本开支的ROI有没有达标不看PPT上的算力规模只看一个朴素指标你花掉的每一分钱最终有没有变成真实的产品收入和用户价值。对谷歌来说最理想的结局是AI产品真正把搜索体验提升到新高度同时找到新的商业模式让“金鹅”变成“会下金蛋又会飞行的鸟”。最怕的结果则是金鹅被透支AI业务还没成熟旧的增长引擎先熄火。这个平衡题值得所有正在加码AI的公司反复思考。技术追赶重要但别用今天的命换明天的饼。