文章核心观点 - AI基础设施公司在获得大量订单的同时，正进行大规模裁员和成本控制，其根源在于AI投资的重资产属性迫使公司调整成本结构，用人力成本置换算力成本[4][5][7][16][17] - AI产业的价值分配正发生集中化变革，价值与利润向直接掌握模型生成能力（Token生成）和用户消耗入口（Token消耗）的环节聚集，而传统基础设施环节则日益商品化，陷入成本竞争[18][20][21][23] - AI技术周期的加速演进导致岗位结构迁移，基础设施支持类岗位的可替代性增加，而模型开发与应用创新类岗位需求上升，公司对AI的应用思路（“省钱”还是“赚钱”）决定了其对人力资源的不同策略[30][31][35][40][41] AI基础设施公司的财务与运营矛盾 - 资本支出激增侵蚀现金流：甲骨文计划将年度资本支出提升至约500亿美元，主要用于数据中心与AI基础设施建设，导致其自由现金流从2024年的约118亿美元转为负值，并预计在2026年达到-230亿美元[5][6] - 重资产投入成为行业常态：AI基础设施建设具有重资产属性，数据中心建设周期长、资本密集度高，高端算力卡单价可达数万美元，大规模部署需成千上万张，单座数据中心成本动辄数十亿甚至百亿美元[13][14] - 股价表现承压：在加大AI投资的同时，甲骨文2024年股价下跌约25%，跌幅超过所有科技巨头[6] 行业性裁员现象与共性原因 - 裁员波及全产业链：2025至2026年间，多家处于AI基础设施链条的公司宣布大规模裁员，包括英特尔（约2.5万人）、亚马逊（约1.6万人）、微软（约9000人）及Block（超4000人）[12] - 裁员企业的共同角色：这些公司分布在半导体、云计算、企业软件及支付基础设施等领域，共同点是都在为AI提供底层支持，是AI需求增长的最早承接者[12] - 核心矛盾：订单和使用量增长带来的收入，与因重资产投资导致的成本结构变化同时出现，形成财务压力[13] AI产业价值结构的重构 - 价值向Token集中：AI时代的价值可围绕Token分为两类，即模型生成Token的能力和用户消耗Token的量，红利正集中于此[20][21] - 定价权转移：掌握模型能力的公司（如OpenAI、Google DeepMind）和拥有大规模用户入口的平台能定义产品与价格，而传统基础设施环节变得像“电力”和“带宽”，必不可少但难以决定价格[21][22] - 利润分布规律：越接近Token生成与消耗的环节，利润空间越高；距离该核心越远，竞争越趋向于成本压缩[23][24] 技术演进对岗位结构的影响 - 自动化替代人力：随着AI技术从非标准走向标准化、再走向自动化，许多系统维护、数据处理等基础设施支持工作被系统替代，人力需求下降[25][26] - 岗位迁移方向：直接参与模型开发、应用构建或产品创新的岗位需求正在增加，岗位从基础设施支持层向价值创造层迁移[30][31] - 从业者稳定性关键：工作的稳定性取决于其离AI价值核心（Token）的远近，而非单纯的技术能力，提供支持与基础设施的第三类工作可替代性正在提高[36][37][38] 不同公司的AI战略分化 - 成本控制型战略：部分基础设施公司将AI视为降低成本、提升效率的工具，选择用前期投入的算力替代持续的人力成本[26][29][35] - 创新加速型战略：以产品和应用为核心的公司（如WHOOP）将AI视为加速创新的工具，用于缩短研发周期、扩大产品边界，并因此逆势招聘（如计划招聘约600人）[33][34][35] - 战略差异根源：公司对AI的应用思路决定了人力资源策略，是用于“省钱”还是用于“赚钱”导致了裁员与招聘同时发生的行业图景[41]