为什么SpaceX的GPU云服务增长迅速却仍在亏损
2026/8/5
SpaceX最近披露了一个引人注目的财务里程碑：其AI和云服务部门在2026年第二季度产生了约25.6亿美元的收入——几乎是去年同期收入的三倍。增长的驱动力是什么？向渴望处理能力来训练和运行大型模型的AI公司租赁GPU计算容量。
然而，尽管这个数字令人瞩目，该部门仍然在亏损运营。
这种表面上的矛盾实际上是当前塑造AI基础设施行业的最重要动态之一——它对机器人、物流、农业和自主系统等领域的公司如何思考AI计算有着直接影响。
GPU争夺战
要理解正在发生的事情，你需要理解云AI基础设施的经济学。建设数据中心、网络结构、冷却系统和GPU集群所需的资本投入巨大。一旦客户签约，云合同的收入相对较快地开始流入，但需要时间——通常需要数年——才能使收入超过用于建设这些客户正在使用的基础设施的累计成本。
SpaceX的情况完美地说明了这一点。收入同比几乎翻三倍，这表明市场需求强劲和合同成功。但亏损也来自同样的地方：新容量的构建速度快于现有合同的回报速度。在基础设施经济学中，这被称为「J曲线」效应——你大量支出，收入攀升，最终曲线向上弯曲进入盈利期。问题总是J曲线需要多长时间才能触底并恢复。
这种模式并非SpaceX独有。AWS、Google Cloud和Microsoft Azure在其云业务成为利润引擎之前都亏损了多年。如今的区别在于GPU加速计算的资本密集度远高于支撑第一波云浪潮的通用服务器，这意味着前期成本——以及所需的耐心——甚至更大。
为什么AI公司选择租赁而非购买
这个等式的需求端同样能说明问题。AI公司——从训练基础模型的初创公司到微调特定领域系统的企业——都选择租赁GPU容量而非拥有它。原因很直接：GPU硬件昂贵，随着新一代的出现而快速贬值，并且需要专业化的基础设施才能大规模运营。从云提供商租赁会将这笔资本支出转换为运营支出，在计算需求变化时提供灵活性。
这一动态正在加速蔓延到每一个依赖AI的行业。农业无人机操作员分析田间图像、物流公司运行路线优化算法、机器人开发者训练感知模型——他们都越来越依赖云GPU容量作为管道中的某个环节，即使最终的推理发生在边缘。
边缘与云的分界
对于从业者来说，云AI和边缘AI之间的区分在这里变得至关重要。云GPU容量——SpaceX和其他公司正在销售的那种——主要用于训练模型和运行大规模推理工作负载，其中延迟可以接受且连接可靠。但许多现实世界的机器人和自主系统应用都需要AI决策在本地实时发生，无需往返数据中心。
这是边缘AI硬件的领地，如NVIDIA Jetson Orin Nano Super开发者套件和NVIDIA Jetson AGX Orin 64GB——紧凑、高效的计算模块，可直接在设备上运行AI推理。在远程工业现场进行自主检查的四足机器人如Unitree B2，或在仓库中执行灵巧操纵任务的Unitree G1，无法承受云延迟来应对核心感知和控制回路。AI必须驻留在机器人上。
类似地，农业无人机如DJI Agras T50依赖车载传感和处理来导航可变地形并自主执行精确喷施模式——云连接是补充，而非基础。
这对行业意味着什么
SpaceX的收入激增——及其同步的亏损——发出了一个明确信号：AI计算市场规模巨大且增长迅速，但服务它所需的基础设施仍在建设中。需要云GPU容量进行训练或大规模推理的公司正在进入一个供应快速扩张的市场，这可能随着时间推移推动竞争并潜在降低价格。
对于开发AI驱动产品的组织——无论是自主机器人、检查无人机还是智能制造系统——战略问题越来越多地关乎计算应该在哪里进行。云训练管道和边缘推理正在成为互补而非竞争的选择。最佳架构使用云容量进行模型开发的重活，然后将优化的模型部署到有能力的边缘硬件，在这些硬件上决策需要快速和可靠地发生。
火箭公司现在是GPU云市场的主要参与者这一事实强调了AI计算需求已经蔓延的广泛程度。它不再是超大规模提供商的专属领地——而且这种竞争，即使目前无利可图，对于构建下一代智能机器的工程师和开发者来说可能是好消息。
对用于机器人或自主系统项目的边缘AI硬件感兴趣？探索NVIDIA Jetson开发者套件和我们完整的AI能力机器人平台系列——或与我们的团队联系讨论适合你的应用的正确计算堆栈。
参考资料
本文由AI辅助起草，发布前已经过审核。