29
0OpenAI正面临巨额亏损，其高昂的推理成本导致通用大模型商业模式的持续性受到质疑。与此同时，自动驾驶（Robotaxi）市场竞争激烈，Waymo、特斯拉和Mobileye在技术路线和市场策略上各显神通，但规模化落地仍是挑战。与此形成对比的是，中国正积极推动AI在冶金等传统行业的垂直应用，追求高投资回报率的务实路线。这些现象共同引出了一个核心问题：AI能否从“演示台上的玩具”转变为具有经济效益的“生产工具”。
大型AI模型的财务困境
- OpenAI巨额亏损: 2026年6月数据显示，OpenAI去年收入130亿美元，但亏损高达210亿美元，意味着每赚1元需倒贴1.6元，毛利率为负。
- 高昂的算力成本: 英伟达指出AI算力成本远高于雇佣人工，推理环节（用户调用模型）的GPU成本是主要开销，用户付费无法覆盖成本。
- 商业模式可持续性挑战: 用户越多亏损越严重，引发了对通用大模型商业模式能否跑通，以及这是否是整个AI行业结构性问题的质疑。
Robotaxi市场的激烈竞争与挑战
- Mobileye入局竞争: 作为技术供应商的Mobileye宣布将于2027年在美国推出Robotaxi服务，直接挑战Waymo和特斯拉。
- Waymo的运营与策略: 已在11个城市运营，并推出每月29.99美元的订阅制，旨在锁定高频用户。
- 特斯拉的规模化瓶颈: 特斯拉在德州仅获准运营约50辆Robotaxi，规模远小于Waymo，纯视觉方案的规模化应用可能面临挑战。
中国的工业AI落地策略
- 国家级应用试点启动: 中国在南京启动国家级冶金行业AI应用试点基地，这是“十五五”规划框架下的首批试点之一。
- 聚焦垂直行业应用: 中国的策略是避免追逐通用大模型，直接扎根钢铁等年产值巨大但数字化水平参差不齐的传统行业。
- 高投资回报率模型: AI在炼钢参数优化、质量检测等具体场景应用，每次推理能节省数万元能耗，展现出与通用模型烧钱逻辑相反的高投资回报率。
AI商业化与实用性的核心拷问
- 从“玩具”到“工具”的转变: 核心问题是AI能否从技术展示转变为能进入预算表的、具备实际生产价值的工具。
- 盈利能力与成本控制: OpenAI需解释亏损和可持续性，数据中心需解决电力消耗问题，行业模型需证明其在实际车间中的落地效益。
- 关注落地能力而非参数: 未来的AI发展应更关注其稳定性、合规性及在特定场景下的经济效益，而非单纯追求模型参数的提升。
