乌兰察布89个数据中心：阿里华为快手为何扎堆？

（本文作者为 奇帆商业，钛媒体经授权发布）

文 | 奇帆商业，编辑 | 陆垚

10月8日，《金融时报》把目光投向了内蒙古乌兰察布。

这座北方城市离北京有数百公里，眼下正成为国内数据中心落地最集中的区域之一。当地已签约的数据中心项目有89个，阿里、华为、快手，还有第三方数据中心运营商，都先后在这里落子。报道里还提到一个细节：当地一所废弃的学校，如今正被改建成数据中心。

乌兰察布能把这些互联网公司拉过来，靠的并不是人口，也不是软件人才，而是电价和地价相对便宜，加上气候条件利于服务器散热。

今年7月，《中国新闻周刊》去过当地走访。在那片原本以传统产业为主的土地上，阿里巴巴、中联数据等企业的数据中心已经一座座冒出来。当地还提出要打造“Token之都”，想把能源资源变成新的产业优势。

图源：中联数据 乌兰察布数据站

乌兰察布这轮建设热潮，赶上的正是AI产业的一轮降价潮。

今年5月，据路透社报道，DeepSeek宣布把V4-Pro模型的API价格永久下调75%，不同计费档位的价格从原先每百万Token 0.1元至24元，降到0.025元至6元。

图源：路透社报道信息DeepSeek模型价格永久下调

到了10月，《金融时报》援引Silicon Data编制的Token价格指数称，综合Token价格比今年5月的高点跌了超过52%。这里面既有模型自身调价的因素，也有企业把部分任务转给低价模型带来的影响，并不是所有模型都跌了同样的幅度。

模型服务越卖越便宜，可科技巨头那边，采购服务器、盖机房的动作一点没停。

8月20日，阿里巴巴公布截至6月底的季度财报，单季资本开支676.78亿元，同比增长75%。同一时期，AI云与算力服务收入484.37亿元，同比增长45%。

把这两组数字摆到一起，能看到AI产业里正在出现的一种变化：模型公司一路压低服务价格，云服务商却得提前砸下大笔资金，去建那些要过好几年才能慢慢回本的计算设施。

过去两年，行业里聊得最多的，是模型能力和GPU数量。谁家能训出更强的模型，谁手里握着更大的计算集群，往往就决定了这家AI公司能拿到多少市场关注。

等模型真正进入实际应用，另一套更传统的商业规则开始起作用了。服务器要折旧，机房要一直供电，计算资源得找到愿意掏钱的客户。技术进步确实能把成本压下来，可这并不保证每一笔基础设施投入都能换来理想回报。

中国AI的竞争，正从抢算力，走到经营算力这一步。

01 AI巨头，为什么开始向电厂靠近？

乌兰察布进入互联网公司的视野，并不是大模型出现之后才有的事。

早在生成式AI兴起之前，阿里、华为等企业就已经在能源条件占优的地区布下数据中心。云计算改掉了服务器的商业属性。以前互联网公司买计算设备，主要是撑自家搜索、电商、视频这些业务；云服务起来之后，计算、存储和网络资源慢慢变成了可以对外出售的标准化服务。

服务器不再单纯是一笔技术投入，它同时成了要持续产出收入的经营资产。对云服务商来说，除了设备采购价，机房建设、电力供应、网络连接和运维这些开销，都牵扯着这门生意到底赚不赚钱。

大模型一来，计算需求被推到了新的量级。

模型训练要在比较集中的时间里调动大量GPU，模型上线之后，又得一直响应用户请求。现在AI正往编程、办公和企业软件里钻。以前少量服务器就能应付的业务，开始多出模型调用、数据处理和计算任务。

数据中心最扎眼的成本之一，就是电费。

假设一座数据中心的IT设备平均功率为10MW，全年不停机，PUE为1.2。要是每千瓦时电价差0.40元，一年下来的电费差额大约是4205万元。放到五年看，累计差额可能超过2亿元。

需要说明的是，这笔账只是拿来展示成本对电价有多敏感，乌兰察布并没有哪一座具体的数据中心与之对应。真实电费还要看设备负载率、用电合同、散热方案和运营方式，可电价对大型计算设施的分量，已经摆在那儿了。要是一家云厂商手里同时跑着好几个大型数据中心，光电力采购条件上的差别，就足以挤出可观的成本空间。以前这像是地方招商和能源供应的事，现在已经被科技巨头摆进了投资决策里。

乌兰察布的好处也就显出来了：电力资源相对宽裕，土地适合盖大规模机房，北方天气还能帮部分散热环节省一笔。《金融时报》提到，内蒙古一些地方的数据中心能借当地电力系统、以及与电厂直接连接等办法，把能源供应成本压下来。

这些条件确实能帮企业把长期运营开销降下去。但服务器不是有电就能随便搁。训练模型要靠高速互联的计算集群，推理服务又得盯着网络延迟。对响应速度要求高的产品来说，离主要用户和网络枢纽近，照样有价值。把计算设施搬到能源更便宜的地方，电费可能省了，网络传输、资源调度、系统维护却会冒出新的麻烦。

大型云厂商得在这些条件中间找平衡。训练、批处理和存储这类任务，有一部分适合去吃能源成本的红利；时延敏感的业务，就得按用户分布来部署计算资源。数据中心到底建在哪，要看企业打算让它干什么活。而选址，只是投资决策里的一环。

同一批计算设备，企业自己掏钱买，和向云厂商租，账面上会走出不一样的结果。像阿里这样的云服务商，可以盖机房、买GPU，再把算力卖给外部客户。第三方数据中心运营商提供机房、供配电和运维，靠长期合同收钱。模型公司既能按实际用量买云服务，也能自己建计算集群。几条路都能拿到算力，要担的风险却各不一样。

自建，意味着企业得先拿钱出来，设备能不能用满，风险自己扛。买云服务能少掏初始资本开支，调整资源规模也更灵活，但用得久了，总成本可能更高。计算需求稳定、规模又够大的企业，自建或许更划算；业务还在快速变的AI公司，租反而能避免过早把技术和资产锁死。

还有个差别容易被忽略。机房、电力系统和网络基础设施能服役很多年，GPU却可能在远没到物理寿命之前，就丧失了原来的成本竞争力。新一代芯片往往算得更快，模型架构和推理技术也一直在变。企业今天买的GPU，几年后也许还能正常跑，可要是新设备能用更低的成本干完同样的活，旧设备就得面对更凶的价格竞争。

电价便宜能改善成本，却抹不掉这层风险。一家数据中心最后赚不赚钱，不光看设备采购和运营开销，还得看往后能不能保持足够高的利用率，能不能以合适的价格一直把计算资源卖出去。

以前，科技公司发愁的是芯片不够，训不了模型。现在，芯片买回来怎么用、折旧由谁背、几年内能收回多少投资，也成了经营者躲不开的问题。

02 DeepSeek降价75%，算力为什么还不够便宜？

今年5月，DeepSeek调整V4-Pro模型价格，引来市场关注。5月23日，路透社报道称，DeepSeek把此前V4-Pro模型75%的降价幅度改成了永久调整。按当时公布的信息，不同计费档位的API价格降到了原来的四分之一。

在这之前，DeepSeek曾把该模型偏高的定价和高端计算资源的供应约束挂在一起，并预计随着相关硬件供给好转，服务价格还有继续往下走的空间。

但模型报价降75%，不等于完成同一项任务所需的计算成本也降了75%。

模型企业挂出的API标价，就是客户买这项服务要掏的钱。可落到企业自己头上，真实付出的计算开销还得看芯片性能够不够强、模型结构怎么设计、推理环节有没有做优化，以及设备利用率、资源调度效率这些变量。

成本压下来了，降价才有余地；同行之间抢市场，也可能逼着厂商主动把收费调低。站在客户角度，两种情形看到的都是Token变便宜；可对模型公司来说，利润那头发生了什么，很可能完全是两码事。

10月5日《金融时报》引用的Silicon Data指数，给了一个不一样的观察窗口。

把各类价格放一起看，Token价格比5月的高点跌了超过52%。不过一些高端模型报价依然比较稳，中位数也没有跟着跌那么多。

图片来源：《金融时报》Token价格观察信息图

这种分化透露出一个信号：企业买AI服务的方式正在起变化。

以前大家挑产品，习惯先翻模型能力排行榜。如今模型越来越多，不少活儿都可以扔给便宜但够用的模型去干。像简单的信息归类、文档梳理、常规客服这类事，未必非得用最贵的那款；碰上复杂推理、专业分析、高可靠性要求，高性能模型才可能继续派上用场。

企业真正在意的，是干完一件事要花多少钱，以及出来的结果能不能达到业务标准。

对模型厂商来说，能力领先当然还有价值，可它已经不代表所有任务都有人愿意出高价。普通模型一旦能扛下客户大部分日常需求，高端模型就得拿出证据，说明多出来的性能配得上更贵的价钱。

这种改变，会一点点重塑模型行业的利润怎么分。

假设一家模型公司通过技术手段把推理成本砍掉30%，它既可以自己留下效率提升带来的收益，也能让出一部分空间给客户，用更低的报价去抢市场。

对手提供的服务已经贴得很近时，降价往往更管用。模型厂商砸研发换来的效率红利，最后总有一部分会经由市场竞争流到客户手里。

对用AI的企业来讲，这自然是个好消息。

调用价格一降，那些原本因为太贵、不划算而搁置的AI业务，开始变得能做了。有些公司起初只拿模型试试客服、写文案或者办公场景，后来慢慢把AI接进软件开发、数据处理和内部流程里。

AI Agent的出现，又给计算需求添了新变数。

传统聊天产品一般就是一问一答。智能体想做的却是把一整件事办完：先找资料，再调工具，分析返回来的信息，发现结果不对就重来一遍。用户只提了一次需求，后台可能已经跑了好几轮模型调用，还搭上额外的CPU、存储和网络操作。

单次调用的价格一直在往下走，可做完一整件事要烧掉的算力，不一定跟着同比例缩水。

技术优化确实能让同样的任务吃掉更少资源。

价格更低了，来的人更多了，那些以前压根没进过AI系统的任务，也开始消耗算力。

AI服务越卖越便宜，跟整个行业还在加码建计算设施，这两件事并不打架。

真正棘手的是，这些新冒出来的需求，能不能让已经砸下去的设备一直挣回足够的钱。

云厂商买GPU的时候，得提前预判未来几年的计算需求。机器搬进机房之后，折旧、电费、维护开销会一直往外掏，而模型价格和计算效率，可能隔几个月就变一次样。

要是新一代模型能用更少算力干完同样的活，旧设备就得靠更多订单来撑住利用率。哪怕总算力需求还在涨，落到某一家云厂商头上，手里的机器也未必一直有成本优势。

反过来说，如果AI应用铺开得够快，越来越多企业把复杂任务交给模型，现有设施的使用率可能被推得更高，提前投下去的设备也就更容易把本收回来。

两种结果都有可能发生，关键看技术进步、市场需求以及服务价格的变化有多快。模型公司能根据竞争态势去调API报价，云厂商就没这么灵活，已经形成的资本开支没法用同样的节奏修改。今天买下的GPU，只能靠往后几年的经营一点一点把投资挣回来。

这种时间上的错位，正是AI基础设施投资里最难办的一环。以前企业肯为高性能计算资源掏比较高的价钱，云厂商据此就能推算设备能带来多少收入。可模型的使用方式一直在变，云服务商现在得同时去猜客户规模、任务结构、模型效率还有市场价格。

这几个变量里随便哪个出现大变动，都可能波及设备最后能不能收回投资。模型价格说调就能调，已经到手的服务器可没法说退就退。

AI产业里最烧钱的那场竞争，未必发生在模型价格表上，倒可能出现在模型价格降下来之后。

03 阿里的财报，揭开AI的另一笔账

8月20日，阿里巴巴公布截至2026年6月30日的季度业绩。这一季集团资本性支出为676.78亿元，比上年同期增长75%。阿里在财报里给出的解释是，资本开支增加和AI基础设施投入相关，采购周期、AI智能体可能带动的CPU算力需求，以及芯片组件涨价，也都对投资规模产生了影响。

在互联网行业里，很少有业务像今天的AI基础设施这样，要在短时间内吃下这么大体量的资本投入。不过阿里的财报里，还有两组数字更该摆在一起看。

截至6月底的季度，阿里AI云与算力服务收入为484.37亿元，同比增长45%，经调整EBITA为56.28亿元，同比增长133%。

图源：阿里公布季度业绩公告

同一时期，AI实验室与应用分部收入33.38亿元，经调整EBITA亏损138.61亿元。阿里把亏损扩大主要归到AI能力建设投入增加，以及千问应用相关推理成本上升上。

这两项业务所处的发展阶段不同，各自承担的研发费用、内部资源成本和产品投入也不一样。经调整EBITA上的差距，不能直接理解成云计算已经把投资收回来，而模型应用注定赚不到钱。它们反映的是AI产业链上不同环节各自的经营条件。

对云服务商来说，模型公司和企业客户不断增长的计算需求，能直接变成资源租用收入。客户买计算能力，云厂商按约定收费，再靠设备利用率和运营效率做出经营收益。

模型公司要算的是另一笔账。训练模型得采购或租用计算资源，推理服务也会一直耗算力。企业还得扛研发、产品和市场推广的投入。只有API调用、订阅收入或者企业解决方案带来足够多的付费需求，模型业务才有可能慢慢把这些成本盖住。

同一笔计算资源支出，在云厂商报表里可能是收入，到了模型公司报表里就成了成本。要是模型公司选择自建集群，原本按月付给云服务的钱，又会变成前期的资本开支，加上往后持续产生的设备折旧和运营费用。

第三方数据中心运营商扮演的角色又不一样。它们可以靠机房租赁、供配电和运维服务收钱，不一定拥有客户在用的GPU，也未必直接掺和模型服务的商业化。芯片厂商、机房运营商、云服务商和模型公司，虽然都参与了AI基础设施的扩张，却不一定会踩着同一个时间点拿到收益。

芯片厂商把设备卖给客户，销售收入就出来了。云厂商买设备花的钱只是开头，后面得靠计算服务挣回来。模型公司还得往下走，找到真正愿意为AI能力掏钱的客户。

但AI行业的投资一直在涨，这不代表链条上每家企业都能跟着多赚钱。阿里的资本开支还把另一个问题摆了出来，这个问题平时容易被经营利润挡住。

云业务的经调整EBITA即便大幅好转，集团依然要不断拿钱去建基础设施。经营利润看的是某个会计口径下的表现，跟新增设备投资已经回本，是两码事。

对云服务商而言，一笔计算资产值不值得买，要看整个使用周期能带来多少收入，还要算电力、维护、折旧、设备更新会吃掉多少成本。

这跟互联网公司过去熟悉的某些经营方式不太一样。搜索、社交、电商这些平台攒到一定用户量之后，靠广告、交易佣金和增值服务就能把收入做大。这类业务也要技术基础设施，但数字产品分发出去的规模效应通常比较强。

AI模型服务不一样，计算得一直跑下去。用户每调一次模型，后台就得消耗相应的算力。推理效率提上去能把单位成本压下来，可计算上的投入并不会就此归零。

企业赚不赚钱，要看客户肯付多少、这笔钱能不能盖住完成任务的花销，以及用量再大一些能不能把设备利用率拉起来。

这样一来，科技公司的竞争优势就不只是模型能力了。一家公司可能握着性能领先的模型，却因为服务成本太高，商业化规模迟迟做不大；也可能手里没有市场上最强的模型，但凭借更低的计算成本、更稳的服务和成熟的客户体系，照样能拿到持续收入。

云服务商同样逃不开竞争。如果多家厂商都能提供差不多的计算资源，客户就会去比价格、比稳定性、比开发工具、比迁移成本。设备多能帮你接住需求，却不一定能换来更强的定价权。

模型公司还要过另一关。低成本模型能揽下大量常规任务的时候，高端模型就得拿实际效果来说清楚自己凭什么收得更贵。模型性能往上走依然重要，可客户最后买的是把活干完的能力，不是技术指标本身。

这轮AI投资能不能拿到理想回报，终究得回到具体业务里找答案。一家企业肯持续买AI服务，可能是因为软件开发周期短了、客服效率高了，或者某些流程少用了人。这些好处要是能盖过使用成本，客户就有动力加投入；反过来，模型再强，带不来能算清楚的经营改善，企业也很难一直加预算。

乌兰察布的数据中心建设、DeepSeek的价格调整、阿里的资本开支，看上去分属不同环节，实际上都指向同一个问题。

电价低能把运营开支压下来，却没法保证数据中心有足够客户；模型降价能扩大使用面，但部分服务的定价空间可能因此被挤掉；云业务收入涨了，经营表现会好看一些，可新增的计算资产还是要好几年才收得回来。

中国AI产业还在投资扩张期，计算需求也还有往上走的空间。只是行业需求涨，不等于每家企业买回来的服务器都能长期保住成本优势，更不等于所有投入都能换到足够高的回报。

过去两年，AI公司要证明的是自己能训出更强的模型。算力设施越投越重之后，除了技术能力，资产管理和资本回报也开始进入竞争范围。

模型价格几个月就能降掉四分之三，一座数据中心却要花好几年才回本。技术按月迭代，资本按年回收，中国AI公司真正要学的，恐怕不只是怎么训出更好的模型，还有怎么经营一门重资产生意。