文 | 高恒说

3 月 24 日，OpenAI 宣布关停 AI 视频生成产品 Sora，这款上线仅 6 个月、曾登顶 App Store 的现象级应用，将连同 App、API 及原计划接入 ChatGPT 的视频能力一并下线。

这件事的反常之处在于，Sora 并不是一个失败产品：它上线 10 天下载破百万，峰值达到约 333 万，但整个生命周期内收入只有约 210 万美元。

当一款 " 用户喜欢但赚不到钱 " 的 AI 产品，被一家刚完成 1100 亿美元融资、准备 IPO 的公司主动放弃，问题就不再是产品本身，而是增长逻辑开始发生变化。

一个更清晰的信号正在出现：AI 行业正在从 " 能力优先 "，转向 " 变现优先 "，不是所有看起来很先进的技术，都值得被继续投入。

01：一款爆火产品，为什么被主动放弃

如果只看产品表现，Sora 很难被归类为 " 失败案例 "。

2025 年 9 月上线后，这款 AI 视频生成工具在极短时间内完成了冷启动：10 天下载量突破 100 万，一度登顶 App Store 免费榜，峰值下载达到约 333 万次。从传播效果看，Sora 几乎是继 ChatGPT 之后，OpenAI 在消费者端最具话题性的产品之一。

它的技术能力也没有明显短板。相比此前的文生视频工具，Sora 在画面连贯性、真实感和叙事能力上都有明显提升，用户可以直接生成接近影视级质感的短视频，这也是它在上线初期迅速出圈的核心原因。OpenAI 甚至一度为其引入内容生态资源，2025 年 12 月与迪士尼达成 10 亿美元投资及角色授权合作，允许用户调用漫威、星球大战等 IP 进行创作，试图把 Sora 推向 "AI 内容平台 " 的位置。

如果按传统互联网产品逻辑，这样的路径是成立的：技术突破→ 用户增长 → 内容生态 → 商业化。但 Sora 的问题恰恰出在最后一步。

这款产品的商业模型几乎没有跑通。移动分析机构 Appfigures 的数据披露 Sora 整个生命周期内的应用内购收入只有约 210 万美元。而其背后的算力消耗却极其惊人，视频生成是当前最消耗计算资源的 AI 任务之一，单次生成成本远高于文本或图片，在用户规模上来之后，每天的算力支出可以达到数百万美元级别。

这意味着一个非常直接的结果：用户越多，亏损越大。

这种 " 增长反而放大亏损 " 的结构，使得 Sora 很难像 ChatGPT 那样，通过订阅或增值服务形成稳定现金流。即便它一度具备爆款特征，但商业上更接近一个 " 高成本的演示产品 "，而不是一门可以规模化复制的生意。

更重要的是，用户侧的热度也没有持续。移动分析机构 Appfigures 数据显示，Sora 下载量在 2025 年 11 月达到 333 万次峰值后迅速回落，到 2026 年 2 月已降至约 113 万。同时，为了控制成本和合规风险，平台对生成次数进行限制，并加强对 deepfake 内容的管控，这在一定程度上进一步压制了用户活跃度。

换句话说，Sora 面临的是一个双向收缩：一边是成本无法下降，另一边是使用体验受限，用户增长开始失速。

在这种情况下，OpenAI 的选择就变得可以理解。公司不仅关停了 Sora 的独立应用，还同步取消 API 服务，以及原计划整合进 ChatGPT 的视频能力。这不是一次单点产品调整，而是一次明确的资源回收：把算力和团队，从一个 " 消耗大、回报慢 " 的方向，转移到更核心的业务上。

一个细节可以说明这种转向的彻底性。据媒体报道，OpenAI CEO Sam Altman 在内部会议中表示，将把资源聚焦于核心业务，包括 ChatGPT、企业级工具、编程助手 Codex 以及计划中的 " 超级应用 "，而非 " 分散注意力的副本任务 "。原 Sora 研究团队将转向 " 世界模拟研究 "，重点支持机器人和真实世界物理任务，而非消费级视频生成。

因此，Sora 的退出，本质上不是一次产品层面的失败，而是一次典型的资源配置决策。

02：OpenAI 为什么必须 " 收缩 "：不是选择，而是被逼的

Sora 被关停本质上是 OpenAI 正在为过去一年的 " 扩张策略 " 付出代价。

2025 年，是 OpenAI 产品线扩张最激进的一年。除了视频生成模型 Sora，公司还在推进 AI 浏览器 Atlas、与 Jony Ive 合作的硬件项目、ChatGPT 电商功能等多个方向。Altman 曾把这种打法形容为 " 在公司内部押注一系列创业项目 "，试图在 AI 时代的多个入口同时卡位。

这套逻辑在当时并非没有道理。ChatGPT 拥有 9 亿周活跃用户基础，OpenAI 也具备领先的模型能力，从直觉上看，" 多点开花 " 有助于扩大生态边界。但问题在于，AI 行业的核心资源不是人力，而是算力，而算力在现阶段是高度稀缺且昂贵的。

当多个项目同时推进，资源被不可避免地分散。据媒体报道，多位现任和前任员工反映，过多的并行项目导致战略方向模糊，算力资源在团队之间频繁调拨。组织架构也愈发混乱，比如 Sora 团队被放在研究部门下面，但它实际上在负责公司最受关注的产品之一。

在这种情况下，" 什么都做 " 很容易变成 " 每件事都做不深 "。

真正的转折，来自外部竞争的变化。

过去一年，Anthropic 在企业市场和编程场景的快速崛起，对 OpenAI 形成了直接压力。金融科技公司 Ramp 数据显示，截至 2026 年 2 月，在首次采购 AI 工具的企业中，Anthropic 占据约 73% 的支出份额，而 OpenAI 仅约 27%；在整体企业 AI 订阅市场，OpenAI 虽然仍以 34.4% 领先，但 Anthropic 的增速明显更快，2026 年 2 月其月环比增长为 4.9%，同期 OpenAI 则出现 1.5% 的下滑。

差距最明显的是 Coding 这一高价值赛道。根据 Menlo Ventures 报告，Anthropic 的 Claude Code 已经占据约 54% 的编程市场份额，而 OpenAI 仅约 21%。这款产品在发布六个月后就实现了 10 亿美元年化收入，到 2026 年 2 月已超过 25 亿美元。更关键的是，它不仅服务开发者，还在向非技术人群扩展，形成更广泛的生产力工具。

对比来看，Anthropic 的策略非常单一：不做视频、不做图像、不做硬件，只聚焦文本、代码和企业场景，把有限的算力全部投入到回报率最高的方向。而 OpenAI 在多个方向分散投入，反而削弱了在核心赛道上的优势。

这意味着，竞争的逻辑已经发生变化。AI 行业不再只是 " 谁的模型更强 "，而是 " 谁能把模型变成稳定收入 "。

在这种背景下，OpenAI 内部开始重新定义优先级。2026 年 3 月 16 日，应用业务 CEO Fidji Simo 在全员会议上直言，" 我们不能因为被副本任务分心而错过这个时刻，我们必须在生产力方面，特别是企业生产力方面做到极致。"

如果说竞争压力改变了方向，那么资本压力则进一步压缩了选择空间。

2026 年 2 月，OpenAI 完成总计 1100 亿美元的融资，投前估值 7300 亿美元，成为历史上融资规模最大的未上市公司之一。但高估值背后，是同样惊人的亏损。据外媒报道，2025 年公司收入约 131 亿美元，但亏损约 80 亿美元；到 2026 年，预计亏损将扩大至 250 亿美元，预计最早在 2030 年代才能盈利，现金消耗率高达 83.3%。

与此同时，这轮融资附带大量条件，例如 Amazon 的 350 亿美元资金需要在实现 AGI 或完成 IPO 后才能到账。这使得 OpenAI 必须在短期内证明自身的盈利路径。

在这样的约束下，资源配置的逻辑变得非常直接：优先支持能够快速产生收入、且可以规模化复制的业务。

对比之下，Sora 所在的视频生成方向，恰恰处于另一端：成本高、变现弱、合规复杂、且短期难以形成稳定现金流。

因此，关停 Sora 并不是一个孤立决策，而是整个战略收缩的一部分。

03：从 Sora 到 Coding，AI 行业开始进入 " 算账时代 "

如果把 Sora 的关停放在更大的时间尺度里看，它真正标志的，不是一款产品的结束，而是 AI 行业运行逻辑的一次切换。

过去两年，AI 行业的核心叙事只有一件事：能力不断突破。

从文本到图像，再到视频，多模态模型不断刷新上限，" 能不能做出来 " 几乎是评价一切的标准。只要技术成立，哪怕成本高、路径不清晰，也会被视为值得投入的方向。Sora 正是这种阶段的典型产物，它代表的是能力边界，而不是商业边界。

但现在，一个更现实的约束开始显现：算力不再是可以无限投入的资源。

无论是模型训练还是推理调用，AI 系统的每一次输出，本质上都在消耗真实成本。和传统互联网产品不同，AI 并不存在 " 边际成本趋近于零 " 的规模效应，相反，在高复杂度任务（如视频生成）中，边际成本反而显著上升。这意味着，不是所有用户增长，都能转化为利润增长。

当这一点被反复验证之后，行业的评价体系开始发生变化：从 " 这个能力有多强 "，转向 " 这项能力的单位成本能否被收入覆盖 "。

在这个新标准下，不同方向的分化开始迅速拉开。

知名科技产业时评人彭德宇对我们分析到，一类是以视频生成、多模态内容为代表的方向，它们在技术展示上最具冲击力，但同时也最 " 烧钱 "，对算力和带宽的消耗远高于文本类任务，且用户付费意愿相对有限。这类产品更容易成为爆款，却很难成为稳定业务。另一类是以编程、文档处理、企业自动化为代表的生产力场景，它们的技术形态看起来并不 " 惊艳 "，但具有两个更关键的特征：一是使用频率高，二是可以直接嵌入企业流程，替代真实人力成本。这使得它们更容易形成清晰的付费逻辑，并在短时间内建立收入规模。

这也是为什么，过去一年 AI 行业的重心，正在从 " 内容生成 " 转向 " 生产力工具 "。前者解决的是 " 用户觉得有趣 "，后者解决的是 " 企业愿意付钱 "。

当行业开始用同一套标准去衡量不同方向时，结果就会变得非常明确：不是最先进的能力获得最多资源，而是最先跑通商业模型的能力获得最多资源。

这种变化，本质上意味着 AI 正在从 " 技术周期 " 进入 " 商业周期 "。

在技术周期中，核心问题是突破边界，允许试错，甚至鼓励冗余投入；而在商业周期中，核心问题变成效率，需要收敛，需要排序，也需要放弃。

Sora 的意义正在于此。它并不是一个个例，而更像是一种 " 被验证过但暂时不成立 " 的路径：技术上可行，需求上存在，但在当前成本结构下，不具备规模化盈利的条件。

因此，它被放弃，并不意味着这个方向永远不重要，而是意味着，在当前阶段，它还不值得成为主线。

如果把这一逻辑再往前推一步，可以看到一个更清晰的趋势：AI 公司的竞争，正在从 " 谁的模型更强 "，转向 " 谁能把算力变成收入 "。

在这个过程中，模型能力仍然重要，但它不再是唯一变量。真正决定胜负的，是如何在算力成本、产品形态和商业模式之间建立稳定关系。

从这个角度看，Sora 的结束，标志着一个更具体的变化：AI 不再是一个只讲 " 可能性 " 的行业，而开始变成一个必须讲 " 账算不算得过来 " 的行业。

而一旦进入这个阶段，类似的取舍不会只发生一次。