AI 基础设施周报：内存涨价、Token 账单与 AI 回报压力

执行摘要

本周核心判断：

内存超级周期延续： DRAM 二季度合约价预计环比涨约 63%（一季度已涨 90–95%），HBM 2026 年产能基本售罄；Micron 股价逼近 1,089 美元历史高位、市值约 1.2 万亿美元，SanDisk 年内涨约 558% 成标普表现最佳个股；Micron 6 月 24 日财报将检验这轮超级周期是否见顶。
Token 账单悖论： 单位 token 价格两年降约 280 倍，企业 AI 账单却涨约 320%；agentic 任务单次消耗是普通对话的 5–30 倍，Goldman Sachs 估 agent 可能把 token 需求拉高 24 倍；Uber 四个月烧光全年 AI 编码预算，FinOps 报告 73% 企业 AI 成本超预算。
企业 AI 回报受拷问： MIT 称 95% 生成式 AI 试点零损益影响，BCG 称仅 26% 公司获实质财务价值，S&P Global 称 42% 公司在 2025 年放弃了多数 AI 项目。
中国应用层两极分化： 演语科技近 3 亿美元 B+ 轮、估值超 20 亿美元、ARR 突破 3 亿美元（5 月集团收入同比增超 3000%），创国内 AI 应用层单轮融资纪录；月之暗面（Kimi）估值半年涨约 6 倍至约 300 亿美元，上半年五轮融资累计近 60 亿美元。
模型与渠道层： Gemini 3.5 Pro 仍处有限预览、临近 GA，定价约 15/60 美元每百万 token；OpenAI 上线 Partner Network 与 Deployment Simulation；Anthropic 开设首尔办公室，5 月年化收入跑率达 470 亿美元；Oracle 裁员数千人将开支转向 AI 数据中心。

主要事件

内存进入结构性涨价：合约价、股价与即将到来的 Micron 财报

先解释内存为什么是这轮算力周期的瓶颈。训练和推理所需的高端 GPU 必须搭配 HBM（高带宽内存，直接堆叠在 GPU 旁、为其高速供数的内存），而三大原厂 Samsung、SK Hynix、Micron 把产线集中转向利润更高的 HBM，挤压了常规 DRAM（普通内存）的供给，从 HBM 到普通服务器内存的价格被一起抬高。量级上，服务器 DRAM 合约价一季度环比已涨约 90–95%，TrendForce 与下游渠道预计二季度再涨约 63%，并延续到三、四季度；HBM 2026 年产能在多年期长约下基本售罄，SK Hynix 称其 HBM、DRAM、NAND 产能 2026 年基本卖光。IDC 把这轮转变称为产能向 AI 的永久性再分配。

资本市场也作出了反应。Micron 股价本周逼近 1,089 美元的历史高位，过去一年涨幅按不同口径在 700%–900% 之间，市值约 1.2 万亿美元；SanDisk 年内涨约 558%，是标普 500 年内表现最佳的个股。下一个关键节点是 Micron 将于 6 月 24 日盘后发布财报，公司此前指引季度收入约 335 亿美元、非 GAAP 毛利率约 81%，市场将这份财报视为判断 HBM 需求是真实还是见顶的依据；也有分析师提示内存板块固有的繁荣与萧条周期风险。内存涨价会通过服务器成本、云实例报价和模型推理单价层层传导到企业账单上，而这部分成本上升常与模型厂商的降价促销同时发生、相互抵消，企业看到的是名义单价下降、实付总额上升。

单价跌、账单涨：token 经济学的悖论

单位 token 价格两年里下降约 280 倍，企业的 AI 账单却平均上涨约 320%。差异不在单价，而在用量结构。从简单聊天机器人转向 agentic 工作流后，单个任务消耗的 token 是普通对话的 5 到 30 倍，Goldman Sachs 估计 agent 化可能把整体 token 需求推高 24 倍。真实案例已经出现：Uber 的 CTO 确认公司四个月就烧光了 2026 年全年的 AI 编码工具预算，背后是 Claude Code 在其约 5000 人工程团队中的渗透率从 32% 升到 84%，人均月 API 成本 500 到 2000 美元；FinOps Foundation 的 2026 报告称 73% 企业的 AI 成本超出最初预算。

当账单失控的主因是用量结构而非单价，企业需要按团队、项目、模型与供应商维度的实时成本归因，以及对高价模型的精准配额，让昂贵的推理只用在确有回报的任务上，把可降级的流量路由到更便宜的模型。AgentsFlare 在 endpoint、用户、团队、模型四个维度记录真实推理成本，并支持按成本预算与 SLA 动态路由。企业沉淀出规模用量后，模型计费档位通常随之松动，在统一控制层上拿到的实际价格空间往往比账面价目表更大。

95% 试点零回报：企业 AI 的回报问题进入主舞台

被反复引用的数据有几组：MIT 的研究发现 95% 的生成式 AI 试点没有带来可量化的损益影响；BCG 对 1800 名高管的 AI at Scale 调查显示，只有 26% 的公司从 AI 投资中获得了实质财务价值；S&P Global 称 42% 的公司在 2025 年放弃了多数 AI 项目。多份分析把症结指向集成与组织能力，而非模型质量本身。真正跑出回报的企业，先在技术之下搭好了三层地基：能验证 AI 任务是否有效的度量、把任务串成自动化流程的基础设施、让系统持续学习的策略。

企业 AI 的回报之所以难兑现，部分原因是成本端缺乏可观测与可治理的地基，试点要么因账单失控被叫停，要么因无法归因而无法证明价值。对 CxO 而言，回报问题首先是一个能否把成本、效果、调用链路看清楚的工程问题，其次才是模型选型问题。一个独立于任何单一模型厂商的访问与治理层，提供请求级审计、成本归因、以及与配额挂钩的质量评估，是把试点推进到可量化生产的前置条件之一。

草稿备注：本节为延续性议题，上游讨论自 5 月 Axios 报道的企业 AI 成本冲击起升温，本周的新增量在于多组量化数据被集中校验并与内存涨价形成因果闭环，故单列成节。

中国应用层的两极：演语科技刷新融资纪录，月之暗面估值半年涨 6 倍

演语科技完成近 3 亿美元 B+ 轮融资，投后估值超过 20 亿美元，由 Granite Asia、腾讯、顺为资本联合领投，蚂蚁集团、源码资本、红杉中国等老股东跟投。公司由 90 后字节前员工带队，旗下拥有 AI 图片创作社区 LiblibAI、AI 视频平台 LibTV 与 AI 设计 Agent 星流；ARR 截至 5 月已突破 3 亿美元、较本轮完成时增长近 3 倍，5 月集团整体收入同比增超 3000%，收入主要来自短剧、影视、广告等专业内容生产者的真实预算。这刷新了国内 AI 应用层单轮融资纪录。演语已经有真实现金流，与多数试点难以证明回报的状况形成对照。

模型层的月之暗面（Kimi）估值在 6 月初冲至约 300 亿美元，较 2025 年底约 43 亿美元的起点在半年内涨约 6 倍，上半年近乎每月一轮、五轮融资累计近 60 亿美元，K2.5 更新后 ARR 在 4 月增至 2 亿美元以上。资本对中国 AI 的下注并未因回报质疑而退潮，但筛选标准在收紧：能拿到大额融资的，要么有清晰的付费场景与现金流，要么有头部模型地位与高速增长的 ARR。应用层供应商正在加速分层，绑定单一厂商的迁移风险随之上升；在模型与应用快速洗牌的窗口里，保持在多家供应商之间的切换能力，比押注某个当期赢家更稳妥。

模型与渠道层：Gemini 3.5 Pro 临近 GA，OpenAI 与 Anthropic 各自扩面

Google 的 Gemini 3.5 Pro 截至 6 月中旬仍处面向少量企业客户的有限预览，GA 临近，定价约为每百万 token 输入 15 美元、输出 60 美元，约为 Gemini 3.5 Flash 的十倍，主打 200 万 token 上下文与 Deep Think 推理，后者锁定在每月 250 美元的 Ultra 档。OpenAI 本周上线 Partner Network 与 Deployment Simulation（部署前行为模拟），并被披露 2026 年预计录得约 140 亿美元亏损、约为 2025 年的三倍，主因是算力、研究招聘与基础设施扩张。Anthropic 在 6 月 17 日开设首尔办公室、宣布与韩国 AI 生态的多项合作，其 5 月年化收入跑率达约 470 亿美元，14 个月前约为 40 亿美元。基础设施侧，Oracle 裁员数千人，把开支转向大规模 AI 数据中心建设，包括与 OpenAI、SoftBank 的 5000 亿美元 Stargate 合作。

前沿模型的高端定价（如 Pro 档 15/60 美元）与渠道绑定（云额度采购模型、Partner Network）在同时推进，企业只接一个 API 就够用的阶段进一步远去。当高价模型、渠道锁定与上游涨价叠加，企业需要一个不绑定任何单一模型或云的接入层，在 Gemini Pro、GPT、Claude、DeepSeek、Kimi 之间按任务、成本与 SLA 动态分配流量，并在 AWS、Azure、私有部署等环境下统一执行成本与权限策略，避免随渠道与投资关系的演变被动锁定。

综合判断：底层在涨价，顶层还没回本，企业现在必须管住成本

底层的内存与算力进入由供给驱动、原厂主动控量的结构性涨价周期，成本曲线短期内难以下行；顶层的企业落地回报仍在被严肃质疑，多数试点无法证明损益贡献。两条曲线反向移动，挤压点落在企业的推理账单上，而账单失控的主因已从单价转移到用量结构。模型厂商靠名义降价争夺份额，上游靠涨价兑现利润，企业在中间为下降的单价付出上涨的总账。

这种环境抬高了三类能力的优先级。一是成本可观测与归因，看清每一分钱花在哪个团队、哪个模型、哪个任务。二是供应商可切换，在快速洗牌的模型与应用层之间保留迁移能力，不被渠道绑定。三是数据主权与跨云一致性，涨价与渠道整合往往伴随更强的平台锁定，企业需要让自己的 AI 流量不流经任何单一厂商的基础设施。这三类能力共同构成独立于模型厂商与云平台的 AI 控制层，它的作用已经从让 AI 用得更顺，变成让 AI 用得起、且证明得了回报。

行动建议

把账单口径从单价切换到单位结果成本：在引入 agentic 工作流前，先按团队、项目、模型、任务建立成本归因基线，对高价模型（如 Gemini 3.5 Pro 15/60、Opus 档）设硬性配额，把可降级流量路由到更便宜的模型；用每个有效业务结果的成本，而非每百万 token 单价来评估回报，直接回应 MIT、BCG 揭示的试点无法证明损益的问题。

对内存涨价做成本传导预案：内存合约价二季度预计再涨逾六成、HBM 售罄，云实例与专用推理报价存在上调压力；锁定关键负载的容量与价格的同时，保留在多家云与多个模型供应商之间路由的能力，避免在单一云的涨价周期里被动承压。重点关注 6 月 24 日 Micron 财报对后续供给与价格的指引。

在应用层洗牌窗口保持可切换：演语科技与月之暗面的融资显示应用与模型层正加速分层，当期赢家未必是长期赢家；新接入的模型与应用尽量通过统一控制层接入，使迁移成本可控，不在某个供应商上做不可逆的深度绑定。

把回报当成工程问题先解决：在扩大部署前补齐三层地基，即任务级度量、流程自动化、持续学习与评估闭环，并把质量评估与配额、审计挂钩；先让少数高价值场景可量化地跑通，再放量，避免重蹈 42% 项目被放弃的覆辙。