距離北京數百公里的北方城市烏蘭察布，已成為中國資料中心建設最密集的叢集之一。當地政府已簽署數十個專案，阿里巴巴、華為、快手以及專業運營商均已入駐，甚至有一所廢棄學校正被改造成算力設施。吸引它們的並非軟體人才，而是相對低廉的電價、可用的土地以及有利於降低冷卻負荷的氣候條件。

這輪建設熱潮恰好與模型價格的急劇下滑同步。今年5月，DeepSeek將其V4-Pro API費率下調75%並轉為永久性調整。到10月，由Silicon Data編制、被《金融時報》引用的一項Token價格指數顯示，綜合價格較5月峰值下跌超過52%。並非所有模型降幅一致，部分高階產品價格相對堅挺，但方向明確：按Token出售的智慧正在變便宜。

然而，出售算力的公司花得更多而非更少。阿里巴巴截至6月30日季度的資本開支達676.78億元，同比增長75%，主要由AI基礎設施驅動；同期其AI雲與計算服務收入增長45%至484.37億元。這兩個數字勾勒出行業的新張力：模型提供商競相壓低標價，雲運營商卻必須為回收期長達數年的設施融資。

電力是最顯眼的成本項。假設一個10兆瓦的IT負載以1.2的電源使用效率持續執行，若每千瓦時單價相差0.40元，年度電費差距約為4200萬元，五年累計差額超過2億元。實際合同因利用率、電價和冷卻設計而異，但這一敏感度足以將選址問題推入董事會層面。能夠提供穩定電力、直連發電資源以及較低環境溫度的地區，正成為戰略資產。

選址仍存在權衡。訓練叢集偏好高密度、高頻寬的網路結構；對延遲敏感的推理則更看重靠近使用者和網路樞紐。批次訓練、批處理任務和冷儲存可以遷往廉價電力地區，互動式產品卻無法忽視延遲。因此運營商傾向於拆分工作負載，而非追求單一理想站點。

所有權結構帶來另一層風險。自購GPU的公司需自行承擔利用率風險和折舊；從雲廠商租用的公司則以更高的長期單位成本換取靈活性。GPU讓計算更復雜：物理壽命可能長於經濟壽命。更新的晶片代際或更高效的模型架構，可能讓早期採購即使硬體仍能運轉也提前被淘汰。廉價電力能改善運營利潤率，卻無法消除技術過時。

模型側的降價並不一對一對映為任務成本下降。API標價既反映競爭定位，也反映底層效率。客戶越來越多地將常規分類、摘要和客服工作交給更便宜的模型，把昂貴模型留給更難的推理任務。智慧體放大了這一效應：單次使用者請求可能觸發數十次模型呼叫、工具使用和重試。更低的Token價格擴大了可行任務的範圍，卻不會自動減少每個完成工作流所消耗的總算力。

阿里的業績展示了同一集團內部的分化。AI雲與計算服務收入上升、調整後EBITA大幅提高；而包含Qwen等消費產品的AI實驗室與應用板塊，則因吸收能力投資和更高的推理成本而錄得大額調整後EBITA虧損。同一度電，在雲賬本上是收入，在模型賬本上卻是成本。

晶片廠商在伺服器出貨時確認銷售；雲運營商只有通過多年利用率才能收回資本；模型公司則只有在付費客戶大規模到來時才能回本。這一時序安排是核心管理難題。模型價格可以在數月內下跌四分之三，而資料中心的折舊週期卻以年計。需求增長可能填滿產能，也可能讓運營商用不再處於成本前沿的資產打價格戰。演算法與硬體的進步抬高了AI能力上限，同時也縮短了任何一代裝置的舒適回收視窗。

中國AI產業過去兩年證明了自己能訓練出有競爭力的模型並獲取晶片，如今正在學習一門更傳統的紀律：如何選址、供電、融資並讓龐大的資本基礎保持忙碌，而建立在這一基礎之上的產品卻越來越便宜。烏蘭察布不斷升起的伺服器機房天際線，是對電力問題的一種回答。更難的答案——這些機房在下一輪效率提升後能否收回成本——將寫在利用率和自由現金流裡，而非Token價目表上。