向产业链上游攀升：AI 摆脱低附加值陷阱背后的企业锁定风险
向生态链上游攀升：AI 如何摆脱低附加值陷阱，并加剧企业锁定风险
批评者与吹捧者都在盯着错误的目标
Arvind NarayananJul 09, 20261712429Share作者：Arvind Narayanan 与 Akash Kapur
本文旨在超越“AI 是否泡沫”的争论。我们将通过两种方式做到这一点：厘清当前财务状况与长期价值分配主体的区别，并认识到 AI 实验室不会仅仅停留在模型提供商的角色。它们正在向产业链上游迁移，且行动激进。这很可能助其摆脱低附加值陷阱，但随之而来的是客户锁定效应减弱竞争活力的担忧。
Akash Kapur 是普林斯顿大学的访问学者，也是 New America 的高级研究员。他与 Sayash Kapoor 无任何亲属关系。
随着头部 AI 公司持续大规模投资算力基础设施，并竞相冲向重磅 IPO，市场对其商业模式的可持续性仍有重重疑虑。到 2030 年代初，AI 基础设施预计将吸引 4万亿至8万亿美元 投资，这些公司及其庞大的生态系统——包括芯片制造商、超大规模云服务商和基础设施合作伙伴——如何收回这笔巨额投入？
目前的讨论主要分为两派：批评者与吹捧者。批评者聚焦于不断扩大的亏损、资本开支与收入的巨大缺口，以及头部实验室巨额现金消耗的传闻。吹捧者则援引收入增长的加速势头、企业级市场的快速渗透，以及 Anthropic 实现首个盈利季度 等里程碑事件。双方都有合理之处，但两者都盯错了目标——它们都只盯着同样的季度财报，对这个仍处于剧烈波动期的行业缺乏长远视角。
最近几个月，我们一直在思考 AI 业务的本质及其可持续性，得出的结论与现有的大多数评论不太一样。如今 AI 公司很大一部分收入来自推理服务的收费，但前沿推理的业务特性决定了这是一门极难维持的生意：各家模型大同小异，头部实验室的资本结构也差不多，用户的切换成本很低，价格还能随意调整。这一切似乎正在为商品化陷阱铺路——想做出高毛利甚至盈利的业务，将面临实实在在的挑战。
与此同时，我们认为行业仍处在过渡阶段，等它成熟后，结构会与今天大不相同。结合历史证据与经济理论，我们的判断是：在均衡状态下，竞争会把模型推理的价格压到生成 token 的边际成本附近，模型层几乎没有持久盈利的空间。但这并不意味着 AI 这门生意本质上做不成——同样的分析恰恰为 AI 实验室指出了一条出路，也正是本文的核心论点：
实验室要实现持久盈利，最可能的路径不在底层基础环节（芯片、数据中心、模型）——尽管目前的投资大头都砸在这里——而是在技术栈的上游：通过垂直整合、深入企业内部部署，以及刻意构建切换成本等“护城河”来实现。
各大实验室正通过向价值链上游延伸来攫取价值，其中不少做法源自企业软件的成熟套路。这不仅关乎当前 AI 生态系统的可持续性，也引发了更广泛的社会关切——涉及市场竞争、创新动力以及经济和政治权力的分配。目前公众对 AI 的讨论存在一种看似矛盾的分裂：一边是人们对垄断集中和权力失控的焦虑，另一边则是现实中切换成本低、模型可替代性强的现状，这似乎又在消解那些担忧。但如果我们的判断正确——即实验室将日益向更上游扩展——那么关于集中度和竞争的问题就值得现在就认真对待，而不是等到锁定效应显现之后才追悔莫及。我们将在文末重新审视这些更宏观的问题，并在一篇即将发布的深度论文中展开更多相关话题。
历史分析：基础设施层极少能捕获其所创造的价值
我们的 AI 作为常规技术 框架致力于在适用的情况下汲取过往颠覆性技术的经验。我们认为，AI 在投资、竞争和价值捕获方面，受制于许多与以往技术创新浪潮相同的动力学机制。因此，在我们的研究中，我们透过更宽广的历史视角来审视 AI 价值捕获这一难题，以及实验室对此的潜在反应。
我们考察了六个资本密集型基础设施行业的历史案例：铁路、电力、电信与光纤、云计算、半导体制造以及商业航空。我们认为，当前的 AI 具备许多基础设施特征：巨额资本投入；极低的边际成本；以及一种与最终创造价值的上层应用相对脱节的标准化产品。这使得基础设施领域历来是一项艰难的业务。
但与此同时，AI 本质上仍属软件，而软件行业历来利润丰厚，拥有极高的利润率。该领域对软件级利润空间抱有强烈野心。因此，我们也调研了 SaaS 的增值与锁定策略，并分析 AI 能否复制这些模式。我们的核心观点是：AI 公司的可持续性与价值捕获能力，很大程度上取决于它们能否成功从第一组基础设施属性，向第二组企业软件属性转型。
纵观历史，我们为 AI 行业总结出三条重要启示。首先，基础设施提供方极少能捕获其创造的价值。在铁路、电力、电信和航空等领域，建设产能的企业最终都因竞争、监管或商品化而利润微薄，许多甚至直接破产。以 1990 年代后期的电信和光纤建设为例，七年内容量膨胀了 186,000 倍，价格崩盘，约 2 万亿美元市值蒸发。基础设施产生的价值主要流向了建立在其上的产业和应用。商业航空业毁掉了投资者资本长达八十年，因为典型的净利率仅为 2–4%，往往低于资本成本——尽管各行各业都从全球化经济中受益。
我们认为，至少以当前超大规模云厂商（hyperscaler）形态的 AI，正面临与许多早期基础设施建设者相同的商品化陷阱。卡罗塔·佩雷斯（Carlota Perez）曾提出一种悖论现象：在“安装期（installation period）”内创建基础设施的建设者，很少能活到捕获该价值的时候。
其次，企业软件并不受这个规律的制约，它通过一套具体且可复制的机制躲开了这个陷阱。基础设施公司步履维艰，企业软件却能几十年来维持 75% 以上的毛利率。它靠的是拥有基础设施业务所不具备的三个特性：复制的边际成本为零、深厚的转换成本，以及可长期存在的价值，使前期建设成本能在几十年间摊销。AI 实验室的锁定策略，本质上就是把软件的这些结构特性移植到 AI 上的尝试。
最后，两个部分例外 揭示了 AI 要打破历史宿命需要具备什么条件。有两个基础设施业务成功摆脱了商品化陷阱：云计算和芯片制造。云计算获得了类似软件的特性（托管服务锁定、流量出口费、承诺消费协议），台积电则在先进制程上取得了近乎垄断的地位。这两个案例之所以重要，是因为它们表明摆脱商品化陷阱究竟需要什么。资本密集型行业可以维持持久的利润率，但前提是要么在功能上变成软件，要么实现市场集中。
为什么我们认为靠模型推理收费收不回基础设施投资
如前所述，AI 建设的批评者盯着实验室当前的亏损，鼓吹者则盯着早期利润，但两者犯了同一个错误：把过渡期当成了均衡态。AI 对经济的改造才刚开始没几年，简单的线性外推并不可靠。等到市场达到均衡时，供需两端的模样都会与今天大不相同。
人工智能实验室迄今命运起伏的几则案例：一轮规模宏大且带有投机色彩的基建扩张，其步伐或许超出了需求；Deepseek 时刻，开放权重模型几乎追平前沿水平；随着企业纷纷拥抱 AI 智能体，需求激增，但往往伴随着非理性的浪费行为，比如盲目竞争 Token 排行榜，由此引发了所谓的“Token 稀缺”时代；最近，各公司重新审视对前沿模型的支出，竞争性开源生态的建设再度升温。
这些起落与上文提及的历史案例多有相似之处。铁路行业起初也经历过投机狂热（如 19 世纪 40 年代英国的铁路泡沫）。在美国，随着时间推移，需求超出运力，导致直至 1860 年，铁路资本的年度直接和间接回报估算高达 15%——这在当时是相当惊人的数字。但随着网络成熟，运力追赶上需求，竞争压缩了利润，许多铁路公司相继破产。
因此，若要更准确地预测实验室的长期前景，我们有必要跳出逐年或逐季的财务与叙事波动，将分析立足于经济理论。其中一个核心概念是 伯川特悖论：该理论指出，当企业销售同质化产品（在此指前沿模型推理服务）时，价格竞争将迫使它们以生产边际成本出售每一个单位（Token）。
理论分析至关重要，因为历史经验在多大程度上能预测 AI 行业的命运，目前仍有争议。例如，我们的同事 Mihir Kshirsagar 认为，铁路、电力和电信公司无法获取其基础设施所产生的剩余价值，主要原因是受到监管限制，而非经济本质的必然结果。因此，理论为我们提供了预期利润率受挤压的另一个理由。尽管在实践中很容易规避这一理论悖论，但我们认为，模型推理领域包含着一种异常纯粹的、导致该悖论发生的条件：
-
模型层面缺乏差异化。OpenAI、Anthropic 和 Google 至少有三家厂商始终处于前沿行列，其产出模型的运行行为与性能表现高度相似。此外，对于越来越多的使用场景而言，最前沿的性能并非必需，开源权重模型已足够好用。而且，模型间的近似等价性极易被客户察觉，因为有数百个基准测试定期用于评估模型，且前沿模型的性能评分通常都聚集在最高分段。
-
各家厂商的资本成本大致相同。AI 知识的传播速度极快，模型发展的主要范式——如模型扩展、推理扩展、强化学习等——都在同步推进。因此，为了生产相同输出质量的 token，各大实验室在训练上的投入金额相当。即便在未来前沿进展放缓的假设情境下，推理将成为主要成本来源，而推理成本的相似度往往比训练成本更高。
-
缺乏地域性差异。回顾铁路行业，由地方垄断构成的碎片化格局以及被锁定的运力，为抵御利润率压缩提供了一定缓冲。AI 推理业务缺乏这种地域差异化，企业实际上可以服务整个市场。虽然当前确实存在 token 产能瓶颈，但我们预计这只是暂时现象。
-
定价可自由调整，且无合谋行为。铁路和公用事业公司在历史上曾通过默契或明示的合谋来维持高价。但在 AI 模型领域，由于非前沿模型存在着激烈的竞争，这种现象的可能性极低。
主导当前讨论的第三个因素是付费意愿。批评者有时预测，当研究实验室停止其亏损且经补贴的低价订阅策略时，需求将消失殆尽。但这种观点将付费意愿视为一个固定数值，认为可以从当下的水平直接外推至未来。从长远来看，我们认为 AI 将成为大多数知识工作的核心组成部分，其变革性将与工业革命相当。在如此规模的转型中，潜在的付费意愿可能是巨大的。
换言之，我们必须区分价值创造与价值捕获。我们预期所创造的价值规模将难以估量。对于研究实验室而言，核心问题——甚至可能是关乎生死的问题——在于它们能否从这部分巨大价值中捕获哪怕微小的一部分。公司愿意为 AI 带来的价值向 AI 供应商支付多大比例的费用？这不是一个随意浮动或外部决定的数字，它在很大程度上取决于 AI 实验室能在多大程度上跳出商品化陷阱。
如下文所述，跳出商品化陷阱最可靠的方式是在经济价值链中向下游移动（在 AI 领域，这意味着向“堆栈上层”移动）。从销售实体基础设施或产品转向包含服务的捆绑方案，通常被称为“服务化”。例如，随着硬件商品化，IBM 成功转型为服务公司，最终将 PC 业务整体出售给联想。电信公司也曾持续且努力地试图避免沦为“哑管道”，但未能成功。价值最终被那些利用基础设施的应用层捕获，从而促成了大型科技公司的崛起。我们认为，研究实验室如今面临同样的分岔路口：要么在模型之上的层级捕获价值，要么眼睁睁看着其他人在他们斥资构建的基础设施之上建立起有利可图的生意。
研究实验室如何应对
总结前文的论点，我们的历史分析及经济理论表明，跳出商品化陷阱只有两条可行路径：建立类似垄断的市场控制力，或在堆栈的高层捕获价值，通常这伴随着转换成本的增加。
我们判断，第一条路径的可能性微乎其微，前沿模型的市场格局仍将保持充分竞争。信奉“AI 例外论”的人或许持反对意见，预测会出现一种在历史上从未有过的断崖式能力跃升，彻底重塑整个竞争版图。在这个“智能急转”情景下，一家或多家实验室实现了递归式自我改进，使得现有的经济模型基本失效。
在完整报告中，我们详细论证了为何这种情景发生的可能性极低。暂且不论那些，我们需要指出，当前的政策制定者、投资者以及其他利益相关方，很难押注于这种极端假设；他们实际上必须为这种可能性落空、而现实继续演进的情景做好规划。
这意味着，向上游移动将是 AI 产业最可能的发展趋势。我们相信，AI 公司早已对“商品陷阱”心知肚明：它们正全力摆脱单纯推理卖家的定位，即停止通过模型 API 兜售缺乏差异化的“token”，转而追求在技术栈更高处的价值捕获。这一轮转型才刚刚起步，未来必然会涌现出更多、更具系统性的策略（我们将在下一章探讨部分）。不过，目前已有若干清晰的动作出现。
诸如 ChatGPT 或 Claude Code 等成熟产品，位于模型层之上的独立层。模型之间具有高度的可替换性，而产品并非如此，技术、商务及用户使用习惯等多方面都导致了产品的差异化，这在下一章有详细讨论。就 OpenAI 而言，ChatGPT 而非 OpenAI API，长期以来贡献了其绝大部分的营收。Anthropic 在 2026 年初的收入仍主要依赖 API，但随着 Claude Code 的爆发式增长，这种格局可能会很快被打破。
再往上一层，是 AI 原生 SaaS，或者说“智能即服务”。各大实验室在这条线上已做出初步布局：比如 ChatGPT 的“企业知识”功能，以及 Anthropic 提出的“记录系统（System of Record）内嵌 Agent”的构想。不过，恰恰在这一层，各大实验室最容易遭到现有 SaaS 巨头的阻击，尤其是微软。
AI 公司还在推行定制化部署和工作流重塑——通过前线驻场工程师以及与咨询公司的合作。这一类并不完全契合技术栈的框架。技术栈预设的是工作场所已经完成 AI 转型后的均衡状态，而这一类业务的本质是尝试把转型过程本身变成收入来源。
最具投机性、但潜在回报也最高的价值捕获路径，是技术栈的顶层：把 AI agent 打造成“数字员工”。很多公司都一直在宣扬这个概念。大型 AI 公司推出的产品中，第一个明确设计成数字员工而非工具形态的，或许是 2026 年 6 月发布的 Claude Tag。一个嵌入公司每个团队的数字员工，很快就会成为整个组织隐性知识的载体，成为各团队工作流程和业务流程中不可或缺的一环。除非明确支持可迁移性，否则它会变成一个实际上“永远开除不了”的数字员工，其锁定程度比最糟糕的企业软件有过之而无不及。当公司出售的是数字员工时，可触达的市场总额就是整个经济体的劳动力支出，远大于企业的 IT 预算。但也正因为如此，这一愿景很可能会遭到企业界最强烈的抵制。
图1展示了其中一些正在进行中的尝试。请注意，该堆栈描述的是客户实际支付的对象，而非计费单位。Token 定价可用于堆栈的任何层级，而在更高的层级中，订阅制或按结果计费等方式也可单独或组合使用。决定商品陷阱是否适用的，是堆栈各层级所承载的价值类型，而非定价模式。我们将在下一节中详细探讨定价策略。
本文的一个核心观点是：在堆栈中位置越高的公司，能够捕获其创造的价值中更大的一部分。它们能更好地实现产品差异化，并构建多种护城河（详见下文）。这些护城河在某种程度上是新颖的，且比传统企业软件所享有的更具威力。
但有一个重要前提：AI 实验室，尤其是 OpenAI 和 Anthropic，若想向堆栈上层延伸，必须与优势明显的在位巨头展开竞争。这些巨头不仅拥有现有的分销渠道，还深耕企业客户关系。Google 可以轻松地将其垂直整合到现有的消费级产品线中。SaaS 在位者，尤其是 Microsoft，则押注于自己能够比 AI 实验室更快地突破“智能即服务”模式。这种不均衡正在重塑 AI 生态的竞争格局，也揭示了试图攀升价值堆栈的关键玩家之间的重要差异。
向堆栈上层延伸，意味着打开一扇通向多样化且强大护城河的大门
向上游走，企业是如何摆脱同质化商品陷阱的？答案并不只是更高层级能创造更多经济价值，而是它让价值变得可捕获、可持续：占据技术栈更高一层，AI 实验室就能让自己的产品形成差异化，并构建起锁定效应和切换成本——而这些是纯粹卖推理能力（即 API 提供商）的厂商做不到的。这实际上让 AI 公司跳出了 Bertrand 悖论的核心困境：产品缺乏差异。向上走不只是新的产品策略，更是构建护城河的策略。本章我们将分析几种不同类型的护城河——有些实验室已经在建，有些则是未来可能建设的。
为了弄清 AI 公司从模型层向上走能打开哪些护城河，我们研究了企业软件公司如何获得定价权、捕获价值，进而分析哪些策略适用于 AI 公司，又有哪些新策略应运而生。
在展开之前，先说明两点。第一，护城河的作用是防御竞争对手、守住市场份额，但我们关心的是分析 AI 公司能否从客户身上捕获自己创造的价值。不过两者所需的方法大体相同，都要求避免陷入价格战的底端竞争。
第二，我们的分析聚焦于企业市场，因为我们认为未来大部分收入将来自这里。OpenAI 近期已经转向了这个方向，Anthropic 也一直专注于企业市场。虽然广告驱动的消费级产品未来也可能成为重要收入来源，从而在摆脱同质化商品陷阱中发挥作用，但这并不影响我们关于企业级护城河的论点。
1. 嵌入式护城河：AI 模型是客户在工作流程中调用的东西，但 AI 还有另一种形态：客户身处其中的一个系统。后者更有利于构建护城河。
即便底层模型保持可互换，围绕它为客户积累的状态却未必如此。随着时间推移，这些状态不断累积：持久化的记忆与会话历史、上传的文档语料库与检索索引、自定义的技能或评估套件、工作流及业务流程，以及各种形式的微调或定制。这种“数据引力”正是企业软件具备高粘性的关键所在，也难怪替换它会被形容为一台“开胸心脏手术”。
OpenAI（企业知识）和 Anthropic（Claude Cowork、普华永道合作）均已在探索这些路径。这些策略能否持久，目前仍是未知数。一个复杂之处在于，有助于构建护城河的数据往往存在于 Salesforce、Workday 和 SAP 等成熟系统的企业服务器中，AI 实验室很难直接获取。为突破这一瓶颈，AI 公司可通过掌控智能体所处的编排层来构筑护城河，从而为组织的工作流提供“连接组织”的中介层。然而，如果开放标准使编排层保持轻薄且易于替换，最终的价值可能流向智能体集成商和企业，而非 AI 实验室。
2. 生态护城河： Windows、GitHub 和 SAP 等 enterprise 软件都受益于平台网络效应：随着基于平台构建的客户或开发者增多，平台本身的价值也随之增长。AI 市场目前尚未展现出强大的生态护城河。虽然实验室曾尝试在 AI 作为平台的层上构建双边市场，但迄今要么未能成功（如 GPT Store），要么过于轻薄，无法形成有意义的转换成本（如 Claude 插件）。
一个被广泛讨论但尚未真正实现的网络效应，是利用客户的知识产权来训练 AI 模型或系统的“飞轮”——这些知识产权可以是数据、Agent 的运行环境、Agent 的执行轨迹，或私有的评测套件。目前，企业对 AI 开发商如此使用自己的知识产权还很谨慎，但未来可能改变。毕竟，每个行业只需有一家（在足够激励下）客户先松口，飞轮就能转起来。
3. 商业护城河： 这一类包括各种人们熟悉的策略，大多借鉴自企业软件和云计算领域。商业合同中可以嵌入各种机制（多年期协议、承诺消费档位、预付额度），让客户转投竞争对手变得不划算。AI 实验室已经在企业协议中采用了其中一些机制，但这道护城河能否持久同样存疑。老练的企业采购团队在签约前会要求可迁移性，而且合同锁定的反垄断风险对监管机构来说也一目了然，极易被盯上。
垂直整合是同一套商业逻辑的更强版本。当 AI 助手被打包进企业本来就在付费的软件里（如 Microsoft 365 中的 Copilot、Google Workspace 中的 Gemini），AI 的边际成本看起来是零，独立厂商就很难在价格上竞争。整合型玩家还能借助现有的销售和采购渠道：不用去争取一笔新预算，只需把 AI 加进客户既有的软件续约谈判中。当然，这种策略只有 Google、Microsoft 这类整合型巨头才有。如前所述，这意味着 OpenAI、Anthropic 等独立实验室必须在结构性不平等的市场上竞争，甚至常常要向竞争对手租用基础设施。
4. 行为壁垒：前面讨论的壁垒依靠技术或商业机制起作用，而行为壁垒则是通过使用 AI 系统的人来发挥作用。正如早年企业软件（Microsoft Excel、CRM 系统）的情况一样，使用 AI 工具可能导致独立完成任务的能力发生退化，同时用户逐渐积累起针对特定供应商的操作 agent 产品的技能，从而形成依赖。这一领域的社会影响可能十分深远，超出了价值攫取本身：技能退化可能对劳动力韧性、安全性以及人与 AI 系统之间的权力分配产生深刻影响。
但行为壁垒还包括一些新颖且尚未被充分理解的 AI 锁定形式，在以前的软件行业找不到直接对应。一个明显的表现是用户对模型语气或“人格”产生的情感依恋，#Keep4o 抵制风波就生动地说明了这一点——OpenAI 在用户强烈要求下被迫恢复 GPT-4o。更进一步设想，在写作等协作型知识工作或以判断为主的工作中（区别于纯自动化任务），AI 贡献的质量即使在事后也难以验证，因为不存在客观标准。这类服务由此成为所谓的信任品，与律师和咨询服务类似。由于无法比较质量，信任品的买方往往依赖声誉和信任。这削弱了价格竞争，即便更换供应商的技术成本几乎为零，用户也很难切换。
5. 定价策略：这条路径是对上述各路径的补充或叠加，描述的是实验室在实现锁定、获得定价权之后如何攫取更多价值。其思路是：实验室可以通过按结果收费（节省成本的一定比例、每解决一张工单收取固定费用），而不是按 token 收费，来摆脱商品化陷阱。这正是 OpenAI CFO Sarah Friar 声称收入应“随智能的价值而扩展”背后的明确主张。
然而，短期内实现这一点的可能性不大。结果导向的定价要求解决一个棘手的测量难题。各大 AI 实验室尚未构建起衡量和理解客户业务流程的基础设施，更无从追踪——甚至定价——不同的业务成果。缺乏这种可见性，结果指标容易让双方钻空子：按解决工单计费会激励客户把多个问题塞进一张工单，供应商则可能为了结案而未真正修复问题。此外，不同行业和不同企业的成果定义各异，而 AI 实验室缺乏 SaaS 厂商花数十年构建的嵌入式客户团队，无法获得这种下游可见性。不过，一些 AI 公司正在尝试在这一领域进行创新。如果 AI 实验室能够切入“系统记录”（Systems of Record）领域，随着投入的增加，这些挑战将变得可控。
订阅获取基于证据的 AI 影响分析
Subscribe转型的更广泛影响
我们的分析所提出的这些问题对 AI 经济体的未来有着重大影响，但其意义远超任何一家 AI 公司的兴衰。它关乎数字市场的结构、经济权力的分配，以及 AI 可能催生的创新生态系统形态。
如果实验室未能摆脱商品化陷阱，其后果主要体现为财务层面：经济史上最大规模的资本建设之一可能遭遇信心危机，并波及整个科技板块及更广泛的市场。但如果他们成功了——特别是如果他们能提高转换成本并建立起客户锁定效应——后果将有所不同，且在某些方面更令人担忧。这将推高所有依赖 AI 的企业成本，并巩固少数玩家占据的结构性优势地位，日后很难被挑战。
有几个特别值得认真对待的问题，最好在相关护城河固化之前予以考虑：
实验室能否在不扼杀竞争、不重蹈早期有害性市场集中覆辙的前提下，构建可持续的业务？
那些对投资者和 AI 公司有效的战略，是否也能产生更广泛的社会价值？还是说，AI 领域的价值捕获是以牺牲周边生态系统为代价的？
AI 带来的收益是分散的（主要归于部署 AI 的企业和整体经济），还是集中的（大都被超大规模云厂商、前沿 AI 实验室、SaaS 巨头和投资者拿走）？
这些问题仍存在很大不确定性，但历史经验表明，建立互操作性标准、可移植性要求和转换成本透明机制的时机要趁早——要在锁定效应不断累积、干预在结构上变得更加困难之前。幸运的是，美国 FTC 和英国 CMA 等竞争监管机构一直在关注这个领域，但到目前为止，他们的分析似乎都集中在技术栈的底层。我们的分析表明，他们必须拓宽视野。
感谢 Sayash Kapoor 对草稿提出的反馈。
延伸阅读
虽然我们论证的许多方面多少有些新意，但“无护城河”的论点本身并不新鲜。据我们所知，它最早的重要表述出现在三年多前一份泄露的 Google 内部文档中。Gary Marcus、Ed Zitron、Cory Doctorow 等许多评论者也一直在不遗余力地阐述这一观点及其各种变体。
我们的分析中可能比较新的地方，在于借助历史类比，说明模型推理比那些历史先例更符合毁灭性竞争的成立条件。而我们与那些预言泡沫的人肯定不同的地方在于：我们认识到（1）AI 技术栈相当厚实，商品化陷阱只适用于模型层，（2）各实验室对这个问题了然于心，（3）并且一直在拼命向技术栈上层迁移以摆脱困境。
许多人对 AI 实验室持悲观态度，包括 Benedikt Evans 以及 Luis Garicano 和 Jesús Saa-Requejo。后者认为：价值捕获将发生在价值链两端——一端是硬件和基础设施供应商[因为算力是瓶颈]，另一端是落地应用层，那里模型真正投入生产，关键约束是组织能力而非技术。我们基本认同这一判断。但他们据此得出结论：实验室无法捕获多少价值。其隐含假设似乎是实验室只能充当模型供应商，而这在我们看来早已过时。Semianalysis 则认为，凭借算力稀缺，实验室将能维持高毛利率。我们认为这只是一种暂时状态。
与我们的想法最接近的是普林斯顿大学 CITP 的同事 Mihir Kshirsagar，他围绕这一主题写过一系列共四篇文章。我们与 Kshirsagar 有过不少交流，但观点主要是各自独立形成的，共识很多，分歧也有一些。与 Kshirsagar 一样，我们认为如果没有锁定效应的前景，当前大规模的 AI 基础设施建设在经济上说不通。不过，他把超大规模云厂商与 AI 实验室之间的联盟（如 Microsoft-OpenAI、Amazon-Anthropic）视为锁定效应的主要载体，这一点与我们的诊断略有不同。
Nathan Lambert 描绘了未来可能演进的一种图景：一个双层 AI 经济体系。在此体系中，自身处于知识工作前沿的客户愿意为基于头部实验室前沿模型打造的“上层栈”产品与服务支付高昂溢价；而其他大多数人则对开放模型生态感到满意。他有一个预测比我们要更尖锐：前沿实验室会任由其 API 业务衰退，以保护利润率更高的产品线。
1Bertrand 悖论背后的理论模型是一次性博弈，未将转换成本纳入考量，但现实中我们必须考虑这一点。
2这并不意味着 AI 将停止进步——推理扩展和更好的工具等路径依然存在。
1712429Share