Lovable融资4亿美元：AI的钱正转向推理侧

一条融资引出的产业主线

2026年8月13日，瑞典AI应用生成公司Lovable宣布完成4亿美元C轮融资，投后估值达到133亿美元。这条看似普通的融资新闻，背后串联起了一条更大的产业逻辑：AI的钱正在从训练侧转向推理侧和电力侧。

Lovable（前身为GPT Engineer）的核心产品允许用户通过自然语言描述来生成完整的网站和Web应用程序，无需手动编写代码。这类工具属于"AI驱动的低代码/无代码"赛道，与Vercel旗下的v0、Bolt.new、Replit等产品形成直接竞争。该赛道的核心价值主张是将软件开发的门槛从"会写代码"降低到"会描述需求"，理论上可将数周的开发工作压缩到数分钟内完成。

从技术实现角度看，Lovable的难点不仅在于生成单个代码片段，而在于生成完整可部署的应用——包括前端UI、后端逻辑、数据库schema、身份验证、API路由等多个组件的协调。这要求系统具备"全栈理解"能力，能将自然语言需求分解为多层技术决策。竞品中，Vercel的v0专注于UI组件生成并与Next.js生态深度绑定；Bolt.new（由StackBlitz开发）强调浏览器内完整开发环境；Replit则从在线IDE切入，逐步叠加AI辅助功能。这些产品的共同挑战在于生成代码的"可维护性"——一次性生成容易，但生成后的迭代修改、调试、扩展才是真正考验，这也是决定用户留存率的关键因素。

据B站极客早班车的分析，本轮融资由Menlo Ventures领投，EQT旗下ScaleUp Europe Fund联合领投。Menlo Ventures是硅谷老牌风投，管理规模超过60亿美元，近年来在AI领域频繁出手，曾投资Anthropic等明星项目。EQT则是总部位于斯德哥尔摩的欧洲最大私募股权公司之一，管理资产超过2400亿欧元，其旗下ScaleUp Europe Fund专注于欧洲成长期科技公司。两家机构联合领投意味着Lovable同时获得了美国市场资源和欧洲本土资本的双重背书，这种跨大西洋的资本组合在AI赛道中越来越常见。

你可能没注意到，跟投名单横跨欧洲、拉美与亚洲——而亚洲一侧出现的正是腾讯。

这意味着国内大厂在AI应用层提前卡了一张牌。腾讯自身也有AI应用线，但在海外卡位上一直缺一个明确标的，Lovable恰好填补了这个空缺。

Lovable高估值背后的兑现压力

Lovable主要做面向开发者的AI网站与应用生成，本轮距离上一轮仅隔约一年，估值就跳升至133亿美元。这种一级市场的高估值会产生连锁反应。

同行承压与融资锚点

首先，同类低代码与网站生成类AI应用会被市场重新比较。估值叙事弱的玩家会先承压，下一轮融资可能就要打折。 另一边，Lovable的高估值也会抬高同行的融资锚点，加大后续收入兑现的压力。

关键在于ARR能否站住

133亿美元买的是一个故事，能不能兑现是另一回事。Lovable估值能否站住，要看后续披露的ARR（年度经常性收入）与净收入留存率（NRR）。

ARR是SaaS公司最核心的估值基准，代表已签约客户在未来12个月内预期贡献的订阅收入。NRR则衡量现有客户群体的收入变化——超过100%意味着老客户的扩展收入（升级、加购）超过了流失和降级的损失。顶级SaaS公司的NRR通常在120%-140%之间。对于133亿美元估值的Lovable而言，市场通常期望其ARR至少达到3-5亿美元级别（对应30-40倍ARR估值倍数），且NRR稳定在120%以上，才能证明高估值的合理性。

在SaaS估值体系中，估值倍数（Valuation Multiple）通常以EV/ARR（企业价值/年度经常性收入）来衡量。公开市场上，增长率30%+的上市SaaS公司通常获得10-15倍ARR估值；一级市场由于流动性折价的反向效应（稀缺性溢价），增速更高的未上市公司可获得30-50倍甚至更高的估值倍数。133亿美元估值若对应40倍ARR，意味着Lovable需要约3.3亿美元ARR；若对应25倍（更保守假设），则需要5.3亿美元ARR。考虑到该赛道产品月费通常在20-100美元区间（面向个人开发者）到数百美元（面向团队），达到这一ARR水平需要极大的付费用户规模或成功切入企业级市场。

这也是这条融资线中最值得持续盯紧的兑现变量——下一个观察窗口就是Lovable公开的季度ARR与NRR数据。

AI推理支出首次反超训练

Gartner在8月14日给出了一个关键预测：2026年全球AI推理工作负载支出将达233亿美元，首次以年度预测口径超过训练。

要理解这一里程碑的意义，需要先区分AI训练与推理这两种截然不同的算力模式。AI训练是指利用海量数据和算力从零构建或更新模型参数的过程，特点是高度并行、一次性投入巨大但可预期结束。训练通常需要数千到数万张GPU协同工作数周乃至数月，对GPU间通信带宽（如NVLink、InfiniBand）要求极高。AI推理则是将训练好的模型部署到生产环境中处理实际请求（如回答问题、生成图片），特点是7×24小时持续运行、延迟敏感、需求随用户增长线性扩展。推理对单次计算的并行度要求低于训练，但对总吞吐量和成本效率要求更高。

Gartner的预测通常基于对全球IT支出的自上而下分析，结合对主要云厂商资本开支计划、GPU出货量预测和终端客户调研的综合建模。推理支出超过训练的结构性原因有三：第一，训练是"一次性"成本，即使模型迭代频繁，单个组织的训练支出增长有上限；而推理成本随用户量线性甚至超线性增长，是持续性支出。第二，AI应用的爆发式增长——从ChatGPT到各类Copilot——意味着推理请求量呈指数级膨胀。第三，推理优化虽在持续降低单次请求成本（如量化、投机解码、MoE架构），但需求增速远超效率提升速度，形成"杰文斯悖论"——效率提升反而刺激更多使用。Gartner预测的"推理反超训练"意味着AI已从实验室阶段进入大规模商业化部署阶段。

这标志着算力需求正从一次性的训练集群，转向持续的推理容量。按当前节奏，2026年推理侧在头部云厂AI收入中的占比会持续抬升。

对不同玩家的影响

这一转变对产业链各环节影响不同：

• 应用层：Token单价继续下行是好事，成本更低；
• 按Token计价的早期SaaS：则面临毛利压力；
• 毛利决定因素：GPU利用率、模型精度、KV Cache复用直接决定推理业务的盈利能力。

其中，KV Cache（Key-Value Cache）是大语言模型推理过程中的关键优化技术。在Transformer架构的自注意力机制中，模型生成每个新token时都需要参考之前所有token的注意力信息，计算量随序列长度平方级增长。KV Cache将已计算过的Key和Value矩阵缓存在GPU显存中，避免重复计算。KV Cache复用则更进一步——当多个用户请求共享相同的前缀（如系统提示词）时，可以在请求间共享缓存，大幅降低显存占用和计算开销。这项技术直接影响单张GPU能同时服务的并发请求数，是推理服务毛利率的关键决定因素之一。

除KV Cache外，当前推理优化技术栈还包括多项关键技术：模型量化（将FP16/BF16权重压缩为INT8/INT4，牺牲微小精度换取2-4倍吞吐提升）；投机解码（Speculative Decoding，用小模型快速草拟多个token，再由大模型并行验证）；连续批处理（Continuous Batching，动态合并不同请求以提升GPU利用率）；以及PagedAttention（由vLLM首创，将KV Cache按页管理以减少显存碎片）。vLLM、TensorRT-LLM等推理框架都在这些方向上持续优化，它们共同决定了推理服务的成本结构和单位经济模型。

直接受益方包括英伟达、AMD、博通，以及AWS、GCP等云厂，CoreWeave、Lambda这类新云也能分一杯羹。

腾讯资本开支暴增印证AI投资趋势

腾讯8月13日公布的二季度财报，为这条主线提供了硬数据佐证。单季资本开支达527.8亿元，同比增长176%，环比增长65%，主要投向算力采购与全场景AI产品落地。同期研发支出272.8亿元，同比增长35%。

将腾讯的数字放在全球视角下对比更能看出力度：单季527.8亿元（约72亿美元）已接近Meta同期水平。作为参考，微软2025财年Q3资本开支约216亿美元，Alphabet约172亿美元，Meta约139亿美元。腾讯的资本开支主要流向国产GPU采购（华为昇腾等）、自建数据中心以及AI大模型（混元）的训练与部署。176%的同比增速在全球科技巨头中属于最激进的一档，反映出国内AI基础设施仍处于"补课"阶段——既要追赶模型能力，又要应对国产化替代的额外成本。

腾讯大规模采购华为昇腾（Ascend）系列AI芯片是美国对华芯片出口管制下的必然选择。昇腾910B/910C是华为对标英伟达A100/H100的AI训练芯片，采用达芬奇架构，理论算力接近但软件生态（CANN vs CUDA）成熟度仍有差距。CANN（Compute Architecture for Neural Networks）是华为为昇腾芯片开发的异构计算架构，功能定位类似英伟达的CUDA+cuDNN组合，但开发者社区规模、第三方框架适配度和调试工具成熟度仍在追赶中。这意味着腾讯的实际算力采购成本可能高于使用英伟达方案的海外同行——同等有效算力需要更多芯片数量和更长的软件适配周期。但这反过来意味着国内AI芯片产业链（包括华为海思、寒武纪等芯片厂商，中际旭创等光模块厂商，以及曙光、浪潮等服务器厂商）获得了确定性更高的订单可见度。527.8亿元单季资本开支中，业界估计60-70%流向服务器和芯片采购，其余用于数据中心土建、网络设备和电力基础设施。

腾讯自己的说法叫"营收反哺AI"，即主营现金流被直接调去做算力投资。按线性外推，腾讯全年CAPEX Run Rate会抬到2000亿元量级。

代价则是折旧上行、自由现金流收缩。服务器和GPU的折旧年限通常为3-5年，527.8亿元单季资本开支意味着未来数年每季度将新增100亿元以上的折旧费用，直接侵蚀营业利润率。自由现金流（FCF）的收缩则影响回购和分红能力。但这直接抬升了国内GPU服务器、光模块订单的可见度，供给稳定的厂商将进一步受益。

五年视角：3到4万亿美元的AI基建盘子

SemiAnalysis估算，美国AI数据中心新增电力需求将从2026年的21GW增长到2030年的84GW。

SemiAnalysis是一家专注于半导体和AI基础设施的独立研究机构，由Dylan Patel创立，以深度技术分析和供应链追踪著称，其研究报告被华尔街投行和科技公司广泛引用。

为了直观理解这一数字的规模：1GW（吉瓦）等于100万千瓦，大约相当于一座大型核电站的装机容量，或足以供应约75万户美国家庭的用电。传统超大规模数据中心的单园区功率通常在50-200MW之间，而新一代AI数据中心（如xAI的Memphis园区）正朝着GW级单体规模迈进。84GW意味着到2030年，仅美国AI数据中心的新增电力需求就相当于新建84座大型核电站——这解释了为什么电力供给已成为AI算力扩张的最大瓶颈之一。

AI数据中心的电力瓶颈不仅是总量问题，更是时间和空间的匹配问题。电网新增输电容量的建设周期通常需要5-7年（涉及规划、审批、征地、施工），而AI算力需求的倍增周期仅1-2年，这种时间错配是真正的瓶颈。解决方案沿两条路径展开：一是"电跟着算力走"，即在已有充裕电力的地方建数据中心（如水电丰富的太平洋西北部、天然气发电便宜的德克萨斯州）；二是"算力自带电"，即在数据中心园区内自建发电设施（天然气联合循环电厂、SMR核电站等），绕过电网容量限制。此外，液冷技术（直接液冷DLC或浸没式液冷）正成为GW级数据中心的标配，因为传统风冷在功率密度超过50kW/机架后效率急剧下降，而最新的GB200 NVL72机架功率已达120kW+。液冷不直接解决电力供给问题，但通过降低制冷系统的PUE（电力使用效率，即总用电/IT设备用电的比值），可将更多电力分配给计算本身——传统风冷数据中心PUE约1.3-1.5，液冷可将其降至1.05-1.1，意味着同等电力下可多部署20-30%的GPU。

按当前硬件成本，每GW数据中心投资至少400亿美元；若采用Vera Rubin平台，单GW上限可达470到500亿美元。Vera Rubin是英伟达继Blackwell（2024）之后的下一代AI计算平台，预计2026年下半年开始出货，将搭载新一代GPU架构和HBM4高带宽内存。英伟达的平台命名规则以历史科学家命名——Hopper（2022）→ Blackwell（2024）→ Vera Rubin（2026），每代在能效比（FLOPS/Watt）上较前代提升2-3倍。"单GW投资上限可达470-500亿美元"反映的是：更先进的平台意味着更高的单芯片价格和更密集的计算密度，虽然每FLOP成本在下降，但每GW电力所能部署的计算总价值在上升。

把84GW乘进去，2026到2030年AI基建总投资可能达到3到4万亿美元。这是把"推理拐点+CAPEX翻倍"拉长到五年视角的总盘子上限。需要注意的是，这一估算代表的是理论上限而非确定性预测——实际投资规模将取决于AI应用商业化的兑现速度、利率环境、监管政策以及是否出现"算力过剩"的周期性调整。

受益方不仅包括英伟达、博通与液冷厂商，还延伸到电力设备厂商——NRG、Vistra这类电力公司也会被带动，核电与SMR（小型模块化反应堆）订单值得期待。

SMR是装机容量在300MW以下的核反应堆，相比传统大型核电站（1000MW+），其优势在于可工厂化预制、建设周期短（理论上3-5年vs传统核电10年+）、选址灵活，可直接部署在数据中心园区附近。微软已与Constellation Energy签署重启三里岛核电站的协议，亚马逊收购了Talen Energy的核电数据中心园区，谷歌则与Kairos Power签署了SMR购电协议。NuScale Power是美国首家获得NRC（核管理委员会）设计认证的SMR公司。这一趋势的本质是：AI数据中心需要7×24小时稳定、低碳、大规模的基荷电力，而SMR恰好满足这三个条件——不受天气影响（区别于风电/光伏）、零碳排放（满足科技公司ESG承诺）、且可提供数百MW级持续出力。

工具观察：SelfTime CLI选品命令行

除了产业趋势，本期还介绍了一个面向TikTok Shop卖家的选品命令行工具——SelfTime CLI。

它并非AWS CLI那种通用云计算命令行，而是专门面向短视频电商选品场景。工具提供9个MCP工具，覆盖类目、产品、达人、视频、品牌5个模块。

MCP（Model Context Protocol，模型上下文协议）是由Anthropic于2024年底开源发布的标准化协议，旨在为AI模型提供统一的外部工具调用接口。通过MCP，AI代理可以像调用API一样访问数据库、文件系统、第三方服务等外部资源，而无需为每个工具单独编写适配代码。MCP的设计理念类似于USB接口对于硬件的意义——提供一个通用标准，使得任何工具提供者都能以统一格式暴露自己的能力，任何AI代理都能以统一方式调用这些能力。SelfTime CLI提供的"9个MCP工具"意味着它将TikTok Shop的数据查询能力封装成了标准化的MCP接口，AI代理可以直接调用这些工具完成选品分析，实现从"人查数据"到"AI自动查数据并分析"的转变。这代表了一种新兴的产品形态——不再是传统的仪表盘或SaaS界面，而是为AI代理提供的"工具箱"。

以前需要人工跑的数据，现在可以拼成一条命令行流程。

采用按月订阅模式，月付百元量级，定位是中小卖家也能上手的固定运营成本工具，而非大卖家的进阶分析工具。当然局限也要说清：它目前在横评榜单里位列第一档，但不等于市场份额第一；数据新鲜度受限于平台授权。真正值得验证的是查询准确率、更新频率，以及自动化能否持续节省运营工时。

结语：盯紧Q3财报的硬信号

综合来看，AI的钱正从一次性训练，转向持续推理与持续电力。一条融资（Lovable）、三条产业数据（Gartner预测、腾讯财报、SemiAnalysis估算）、一款工具，共同勾勒出估值、拐点、CAPEX连成的一张图。

下一期最值得关注的是：Q3财报里头部云厂会不会把推理收入单独披露——那将是判断这条主线是否真正兑现的硬信号。目前AWS、Azure、GCP在财报中均将AI收入混在云服务总收入中披露，尚未单独拆分训练与推理的收入构成。微软偶尔会提及"AI对Azure增长的贡献百分点"，谷歌会披露Cloud部门整体增速，但均未细分到推理vs训练的颗粒度。若Q3财报中有厂商率先披露推理收入占比或增速，将为市场提供前所未有的可比数据，直接验证"推理反超"这一叙事是否已在商业层面落地。历史上，当一项业务从"混合披露"变为"单独披露"时（如AWS从亚马逊财报中独立出来），往往意味着管理层认为该业务已具备独立叙事能力——这本身就是一个强信号。

本文为资讯整理，不构成投资建议。