一家头部科技公司一个财年花在研发上的钱，能抵得上不少国家一整年的科研预算。最新披露的数据里，2026 财年研发费用达到 457.65 亿美元，比上一财年的 345.50 亿美元多出约 32%。只看第四财季，研发支出 117.30 亿美元，去年同期还是 88.66 亿美元，增幅同样超过三成。这组数字本身不稀奇，稀奇的是钱往哪儿去——芯片、产品、AI，还有支撑这些的底层基础设施。
财报电话会上，管理层把话说得很直白：运营支出同比增长 21%，很大一部分原因就是研发投入持续加码。对下一财季的指引也给了区间，运营支出预计 204 亿到 208 亿美元，毛利率落在 45% 到 46%，里面既算了内存成本上涨，也算上了 AI 助手推广的开销。换句话说，AI 不是实验室里的预算项，它已经开始啃食利润表。
钱砸向 AI，先被压到的是基础设施
把 AI 当作“巨大机遇”这句话，几乎每家厂商都在说。但真正落到执行层面，第一道坎不是算法，是算力。模型训练要成片的 GPU 集群，推理要低延迟、高并发的服务节点，数据要存、要备、要合规隔离。这些需求叠加在一起，机房里的机柜密度、供电冗余、网络出口带宽，全都被重新算了一遍账。
更麻烦的是节奏。研发投入可以按财年规划，业务负载却未必按季度线性增长。今天推理请求翻倍，明天训练任务排队，后天又要为某个区域的合规要求做数据本地化。云上弹性当然能接住一部分波动，可一旦负载稳定下来、规模上去，按量计费的单子会变得很难看。这也是为什么不少团队在 AI 项目度过验证期后，会重新把目光放回物理服务器——资源独享、性能可预期、长期成本更可控。
选型别只看单价，先分清训练和推理
训练和推理对服务器的要求完全是两回事。训练吃的是并行算力和高速互联，机器之间带宽不够，再多卡也是干等；推理更在意单机吞吐、内存带宽和网络延迟，还要考虑弹性扩缩。如果团队做的是垂直场景的小模型微调，未必需要顶配集群，一台配置扎实的物理服务器加上合理的存储分层，往往比盲目堆云实例更划算。
海外业务还有一层现实约束：用户在哪，节点就该离哪近。面向欧美市场的服务，机房落在相应区域能明显压低往返延迟；做多区域部署时，还要留意数据跨境传输的合规边界。这些不是买一台高配机器就能解决的，得在租用阶段就把网络拓扑和合规路径想清楚。
对于刚起步、负载还没定型的团队，我的建议是先小规模验证，别一上来就签长期重资产。等业务曲线稳定了，再把核心负载迁到独享资源上。新酷云的物理服务器适合这类场景——整机资源不与他人争抢，配置按需选择，适合推理服务、中小规模训练和数据库这类对稳定性敏感的业务，最低价也比多数人预想的低。如果业务本身是多站点运营、看重搜索引擎收录和 IP 分布，站群服务器会更对路；而涉及用户数据、容易成为攻击目标的业务，高防服务器该上就得上，别等被打瘫了再补。
研发军备竞赛下，中小团队的机会在哪
巨头烧钱，中小团队没必要跟着烧。AI 能力正在变成可调用的接口，真正拉开差距的是场景理解和工程效率。把有限的预算花在离用户更近的部署上，花在能稳定扛住峰值的服务器上，比追参数更实际。研发投入创新高这件事，对租用市场的影响是供给更丰富、选择更多，但选错方向的代价，从来都是自己承担。
换个角度看，基础设施的账要算三五年，不是算一个季度。今天省下的那点单价，很可能在扩容、迁移和故障恢复里加倍还回去。选型时多问一句：这台机器半年后还够不够用？答案往往比价格标签更重要。