AI竞争新赛道
过去几年，我们讨论AI公司时，感觉它们本质上还是软件公司。
办公室里坐着很多研究员和程序员。
训练一个模型。
通过互联网提供服务。
全世界用户打开网页就能使用。
这看起来是一个非常典型的互联网商业模式：
软件写一次，可以服务几亿人。
但最近AI行业的发展越来越让我觉得：
AI公司正在变得越来越“重”。
芯片。
服务器。
数据中心。
电力。
冷却系统。
高速网络。
甚至核电站和输电线路。
这些听起来不像传统互联网公司的核心业务。
反而更像制造业和能源行业。
为什么最先进的软件产业，最后却开始疯狂建设物理基础设施？
AI和过去的软件有一个很大的不同
传统软件复制成本非常低。
Microsoft开发一套Office以后，
第100万个用户下载软件，并不需要重新建设一座工厂。
Google提供搜索服务当然也需要大量服务器，
但和今天生成式AI的算力需求相比，情况已经发生明显变化。
AI模型每回答一个问题，
背后都需要真正的计算。
模型越大。
推理越复杂。
用户越多。
需要的GPU和电力也越多。
所以AI有一个很特别的特点：
软件能力的增长，会直接转化成物理资源需求的增长。
这让AI产业开始越来越像工业体系。
芯片正在变成AI公司的发动机
目前AI行业最重要的企业之一当然是NVIDIA。
原因并不复杂。
大家都想训练AI。
但真正能够高效率训练大型模型的GPU供应有限。
于是一个很有意思的产业关系出现了。
OpenAI、Google、Meta、Microsoft、Anthropic这些公司表面上互相竞争，
但很多时候都依赖相似的底层硬件。
这就像世界上所有汽车企业，
最后都需要向同一家企业购买发动机。
从客户角度看，这当然不是最理想的状态。
所以越来越多大型科技企业开始自己设计AI芯片。
Google有TPU。
Amazon有Trainium和Inferentia。
Microsoft也在开发自己的AI加速芯片。
Meta同样在投入定制芯片。
原因并不一定是它们认为自己能够马上超过NVIDIA。
而是：
当一个零部件决定整个业务的成本和扩张速度时，你很难永远把它完全交给别人。
这其实是一个非常经典的工业逻辑
制造业里经常会出现类似的问题。
一家企业刚开始规模比较小的时候，
尽可能外包是最合理的。
别人已经有成熟产品。
直接购买成本最低。
自己开发反而浪费资源。
但随着规模越来越大，
计算方式就会改变。
假设一家AI公司每年购买几百亿美元GPU。
那么即使自己设计芯片只能降低10%的长期成本，
这个数字也已经非常惊人。
更重要的是，
自己拥有芯片以后，可以针对自己的模型进行优化。
模型和硬件不再完全分开设计。
这就是所谓的垂直整合。
AI竞争可能越来越像汽车产业
汽车公司真正的竞争力从来不只是：
谁设计了一辆好看的车。
背后还有一整套体系。
发动机。
变速箱。
电池。
供应链。
工厂。
软件。
经销网络。
售后服务。
制造质量。
AI未来可能也会逐渐形成类似结构。
模型只是用户最容易看到的一层。
下面可能还有：
AI芯片。
云计算平台。
数据中心。
开发工具。
Agent平台。
企业数据。
能源合同。
最终形成一个非常庞大的技术栈。
这时候一家AI公司的竞争力，就不能只看某一次Benchmark。
真正的问题变成：
你能不能以足够低的成本，把这种智能提供给十亿用户？
所以“最聪明的模型”未必一定会赢
科技行业历史上已经发生过很多类似的事情。
技术最先进的产品，
并不一定最后拥有最大的市场。
真正决定结果的往往还有：
价格。
生态。
可靠性。
开发者。
分发渠道。
使用成本。
AI也可能一样。
假设A模型能力是100。
B模型能力是95。
但B模型的运行成本只有A的一半。
企业客户会怎么选？
很多实际应用并不需要世界上最聪明的AI。
它只需要：
足够聪明。
稳定。
便宜。
快速。
能够接入现有系统。
所以未来AI竞争的核心指标，很可能从单纯的“智力”逐渐增加一个非常现实的问题：
每一单位智能到底多少钱？
这可能也是AI最终能否真正进入工业的重要条件
聊天机器人可以很贵。
因为普通用户一天可能只问几十个问题。
但如果未来AI真正进入工厂，
情况就不同了。
假设一个数字孪生系统里面有几十个AI Agent。
一个负责分析传感器。
一个负责判断设备状态。
一个负责调用仿真。
一个负责优化生产计划。
一个负责生成报告。
这些Agent可能每天运行几千次甚至几万次。
这时候每一次调用成本只差几分钱，
最后都会变成非常大的数字。
所以AI真正大规模进入工程和制造以后，
企业可能越来越关心：
不是“这个模型是不是排行榜第一”。
而是：
它运行一百万次需要多少钱？
能源于是变成了AI成本结构的一部分
这也是为什么最近大型科技公司不断签长期电力合同。
AI数据中心需要稳定运行。
GPU消耗大量电力。
服务器还需要冷却。
于是过去一个软件公司很少需要认真考虑的问题：
一度电多少钱？
突然变成了核心商业问题。
如果一家AI公司能够获得比竞争对手便宜20%的长期能源，
它可能就拥有非常实际的成本优势。
所以AI行业正在出现一个很奇怪的现象。
最顶尖的计算机科学家，
最后开始和：
电力公司、
核电站、
数据中心开发商、
变压器制造商
出现在同一条产业链里。
AI时代可能反而会让制造能力重新变得重要
过去二十年，世界最受关注的企业很多都是轻资产互联网公司。
写软件。
做平台。
建立网络效应。
工厂似乎属于“旧经济”。
但AI可能正在重新改变这种印象。
芯片需要制造。
服务器需要制造。
冷却设备需要制造。
变压器需要制造。
数据中心需要建设。
电网需要升级。
甚至核电站也可能需要重新建设。
AI越发展，
背后的物理世界反而越庞大。
这意味着一个国家未来的AI竞争力，
可能不仅取决于：
有多少AI博士。
还取决于：
有没有电。
有没有芯片制造能力。
有没有可靠的电网。
有没有工程师。
有没有土地。
有没有能力把大型基础设施真正建设出来。
这也解释了为什么AI竞争正在上升到国家层面
如果AI只是一个App，
政府其实没有必要太紧张。
但如果AI逐渐成为：
科研工具。
军事能力。
工业基础设施。
金融系统。
政府服务。
企业生产率工具。
那么算力就会逐渐变成一种战略资源。
这和石油、钢铁、半导体的历史非常相似。
国家会开始关心：
芯片在哪里生产？
数据中心在哪里？
模型由谁控制？
训练数据在哪里？
电力从哪里来？
供应链会不会被别人卡住？
于是AI竞争自然会从公司竞争变成国家竞争。
未来最大的AI公司，可能看起来越来越不像今天的软件公司
想象十年以后。
一家大型AI企业可能拥有：
自己的基础模型。
自己的芯片设计。
自己的云平台。
大量自建数据中心。
长期能源合同。
Agent生态。
机器人平台。
企业软件。
甚至自己的通信基础设施。
这已经不是传统意义上的软件公司。
更像是：
软件公司 + 半导体公司 + 云计算公司 + 基础设施公司。
这也是为什么AI时代需要的资本规模可能越来越大。
训练一个更好的算法可以由几十个人完成。
但建设全球AI基础设施，
需要的是数千亿美元。
这会不会反而让AI行业越来越集中？
这是我觉得非常值得关注的问题。
互联网时代，一个年轻人在宿舍里写出一个网站，
有可能慢慢变成全球公司。
AI时代当然仍然会出现很多创业公司。
但如果最前沿模型需要：
几十亿美元芯片，
大型数据中心，
稳定能源，
全球云基础设施，
那么真正能够参与最顶层竞争的企业可能越来越少。
小公司可以在上面创新。
开发Agent。
开发行业应用。
做专业模型。
但最底层的Foundation Model和算力基础设施，
可能越来越集中在少数巨头手里。
这有点像今天的航空业。
世界上有很多航空公司。
但真正能够设计大型民航客机的公司只有极少数。
未来AI会不会也形成类似结构？
现在还不知道。
AI革命最后可能还是一个规模问题
第一阶段AI竞争证明的是：
机器到底能不能变聪明？
现在答案已经越来越清楚：
可以。
第二阶段可能是：
这种智能到底能不能可靠、便宜地服务几十亿人和几千万家企业？
这就不再只是算法问题。
而是工程问题。
供应链问题。
能源问题。
资本问题。
甚至国家工业能力问题。
所以未来我们看到新的AI模型发布时，
除了问：
“它比上一代聪明多少？”
也许还应该问另外几个问题：
训练它花了多少钱？
运行它需要多少电？
每百万Token成本是多少？
它依赖什么芯片？
这些芯片在哪里生产？
因为AI真正改变世界，
不能只靠实验室里出现一个非常聪明的模型。
它最终还需要被大规模制造出来。
只不过AI时代所谓的“制造”，
制造的不再是一辆汽车或者一台电视。
而是：
以足够低的成本，大规模生产智能。
如果未来智能真的变成一种可以像电力一样随时调用的基础资源，
那么今天这些看起来非常昂贵的数据中心、芯片工厂和能源投资，
也许就是AI时代正在建设的第一批“发电站”。
感谢大家阅读！
你觉得未来AI竞争最重要的是模型能力，还是芯片、能源和基础设施？AI行业最终会被少数拥有巨大算力的公司控制，还是开源模型会让小公司仍然拥有足够大的生存空间？