深度拆解
当谷歌把全年算力预算一口气上调 150 亿:云业务利润率 35.6% 背后的产业逻辑
一家以广告为现金牛的公司,Q2 云业务营收同比暴增 82%,经营利润率却高达 35.6%——这个利润率甚至超过了不少传统软件巨头。更反常识的是,谷歌一边把 2026 财年资本开支指引上调至 1950-2050 亿美元,一边还能让市场用 16 倍 PE 给这家公司定价。当市场还在争论"AI 投入何时反噬利润"时,谷歌用一份财报给出了另一种答案:算力军备竞赛的胜负手,不在谁买得多,而在谁能让每一美元算力变成利润。
第一个齿轮:TPU 自研把算力成本从"市场价"变成"成本价"。谷歌不向英伟达采购全部算力,而是用自研 TPU 承担大部分训练与推理负载。这相当于把算力从"外购原材料"变成"自建工厂"——成本结构完全不同。当竞争对手还在按市场价购买 GPU 时,谷歌的边际算力成本已经低于行业平均,这直接反映在云业务毛利率上。
第二个齿轮:Gemini 全栈把模型能力变成云服务的差异化溢价。Gemini 月活从 2 月的 7.5 亿增长至 9.5 亿,每分钟处理 220 亿 API 令牌——这些数字意味着模型调用量在指数级增长。云客户买的不是"虚拟机",而是"带模型能力的算力",后者有更高的定价权。这正是云业务利润率能打到 35.6% 的核心:不是卖算力,是卖"算力+模型"的解决方案。
第三个齿轮:资本开支的规模效应摊薄单位成本。1950-2050 亿美元的 capex 指引,意味着谷歌在数据中心、TPU 芯片、网络基础设施上的投入进入"规模红利"阶段。数据中心利用率越高,单位算力成本越低;而 Gemini 的调用量增长恰好保证了利用率。这是一个典型的"投入越大、成本越低"的正循环——前提是需求端能跟上供给端。
35.6% 的云利润率不是"常态",而是"战略选择的结果"。如果谷歌未来加大在 AI 研发上的投入(比如 Gemini 的下一代训练),利润率可能回落。此外,1950-2050 亿美元的 capex 指引是"上限"而非"承诺",如果 AI 需求不及预期,实际资本开支可能低于指引。还有一个被忽视的风险:TPU 生态的封闭性。自研芯片虽然成本低,但生态绑定深,如果未来模型架构发生重大变化,TPU 的灵活性不如通用 GPU。这些不确定性意味着:高利润率可能是"阶段性优势",而非"永久护城河"。
理解谷歌这份财报,不需要纠结于"买不买谷歌股票",而是要看清三个产业事实:
第一,AI 基础设施投入已进入"自我造血"阶段。当云业务利润率能做到 35.6%,说明算力投入不再是"烧钱",而是"投资回报率可计算的生意"。这对整个 AI 产业链是积极信号——上游的芯片、光模块、液冷、数据中心,都在这份 capex 指引里看到了确定性需求。
第二,自研芯片正在改写算力成本结构。谷歌 TPU 的路径证明:在 AI 算力领域,"自研"不是"情怀",而是"成本控制"的硬核手段。这会倒逼其他云厂商重新评估"买 GPU"和"造芯片"的成本账。对国产算力芯片而言,这是一个值得关注的结构性变量。
第三,模型调用量是算力需求的"真金白银"验证。Gemini 每分钟 220 亿令牌的处理量,比任何"AI 渗透率"报告都更有说服力。当模型调用量以这种速度增长时,算力需求就不是"泡沫",而是"刚需"。这为整个 AI 算力产业链提供了需求侧的确定性锚点。
谷歌这份财报最大的价值,不是"超预期"三个字,而是它向市场展示了:AI 算力投入的终点不是"烧钱",而是"印钞"。当这个逻辑被验证,产业链的估值逻辑就要从"讲故事"切换到"看利润"。这才是真正值得跟踪的产业变化。
谷歌不向英伟达采购全部算力,而是用自研 TPU 承担大部分训练与推理负载。这相当于把算力从"外购原材料"变成"自建工厂"
Gemini 月活从 月的 7.5 亿增长至 9.5 亿,每分钟处理 220 亿 API 令牌——这些数字意味着模型调用
-2050 亿美元的 capex 指引,意味着谷歌在数据中心、TPU 芯片、网络基础设施上的投入进入"规模红利"阶段。数