第一部分：智能的经济学
为什么 AI 行业即将优化每美元智能，而非智能本身
我越来越确信，人工智能行业正接近自 ChatGPT 推出以来最重要的经济转折点之一，然而绝大多数投资者仍然专注于一个变量——这个变量虽然今天确实重要，但最终可能远不如市场目前所假设的那么有价值。主流讨论仍然围绕着哪家公司拥有最智能的模型、哪个前沿实验室在最新基准测试中领先、哪个推理模型在日益晦涩的学术评估中得分最高，以及哪家 AI 公司暂时在行业不断变化的排行榜上占据领先地位。虽然这些讨论无疑会吸引头条新闻，但我认为它们可能忽略了悄然发生在表面之下的更大经济转型，因为最终决定 AI 生态系统中利润流向的变量，很可能不是智能本身，而是每花费一美元所能获得的智能量。
理解这一转型的最简单方法，或许是通过一个在我思考企业 AI 采用时反复浮现在脑海中的类比。当一家公司需要有人来核对账目、准备财务报表或处理发票时，它不会招聘一位纯数学博士，不是因为这个人缺乏完成工作的能力，恰恰是因为他们拥有的能力远超该任务在经济上的合理需求。准确记账所创造的价值从根本上是有上限的。一旦账目正确，使用更高级的智能几乎不会带来额外的边际收益，无论这种智能多么卓越。因此，理性的组织会围绕经济性而非能力进行优化，雇佣能够持续产出符合质量标准工作的最廉价人员，同时将稀缺的智力人才部署到那些额外智能确实能创造增量价值的问题上。
然而，当问题本身发生变化时，经济状况就完全不同了。如果目标是发现突破性的阿尔茨海默症疗法、开发革命性的半导体架构，或解决人类面临的最困难的科学问题之一，那么雇佣世界上最聪明研究人员的成本，相对于成功可能产生的潜在经济价值而言，就变得几乎无关紧要。一个单一的突破可能创造数百亿甚至数千亿美元的价值，使得少数精英科学家的薪水在整个项目的经济性中几乎微不足道。在这些情况下，智能本身成为稀缺资源，最大化能力而非最小化成本成为理性的经济决策。
我相信人工智能现在正接近这种分化。在过去两年中，企业几乎无一例外地默认使用前沿模型来处理几乎所有可以想象的任务，无论是总结电子邮件、从发票中提取信息、分类客户支持工单、翻译文档、起草会议记录、生成常规软件代码，还是搜索内部知识库，这主要是因为该行业刚刚跨过大型语言模型在知识工作中变得广泛有用的门槛。当一项技术首次具备商业可行性时，组织自然会选择可用的最高性能解决方案，因为它们仍在试图回答一个更基本的问题，即该技术是否真的有效，而在企业验证能力的过程中，成本优化仍然是次要的。
然而，这种行为不太可能是一种稳定的均衡，因为试点项目不可避免地会变成生产系统，而生产经济最终会主导技术经济。我们已经开始在企业 AI 部署中观察到这种转变，因为组织发现挑战不再是确定 AI 是否创造价值，而是确定相对于大规模部署所带来的快速扩张的成本，它是否创造了足够的价值。一旦财务部门开始以应用于其他所有企业技术投资的同样纪律来审查 AI 预算，优化过程就不可避免地从最大化智能转向最大化每美元花费所获得的智能。
推理成本持续下降的惊人速度只会加速这一转变。斯坦福 AI 指数估计，提供 GPT-3.5 级别性能的成本在 2022 年底到 2024 年底之间下降了超过 280 倍，而 Andreessen Horowitz 得出结论，维持固定水平的模型能力每年大约便宜十倍，Epoch AI 在多个推理基准测试中也得出了类似的结论，这表明今天以高价出售的能力很快就会变成明天的商品。甚至 OpenAI 的首席财务官 Sarah Friar 最近也观察到，GPT-4 与该公司最新一代模型之间的推理成本在短短两年内下降了约 97%，这充分说明了该行业的通缩动态有多么非凡。尽管每个组织衡量这些趋势的方式略有不同，但它们都汇聚到同一个基本结论上，即智能正以现代技术中任何地方都罕见的步伐变得极其便宜。
就在推理成本持续下降的同时，企业开始遇到一个完全不同的挑战，这个挑战最终可能更为重要。公司越来越多地发现，他们原本预计能够维持整个财年的 AI 预算，在短短几个月内就被耗尽，因为使用量的增长远超最初的预期。Sam Altman 最近提到，企业客户越来越多地告诉 OpenAI，他们实际上已经在第一季度内消耗完了计划好的全年 AI 支出，现在他们要求的不是更智能的模型，而是更高效的模型。这一观察不应仅仅被视为另一个轶事，因为它标志着 AI 已经进入了一个根本不同的商业化阶段。组织已经得出结论，人工智能是有效的。他们的注意力现在正转向确保它在经济上也是有效的。
表面之下发生的技术演进也强化了同样的结论。在大语言模型革命的最初几年，行业参与者基本上认为更好的模型只需要更多的参数、更大的架构和指数级增长的计算量。然而，前沿实验室越来越多地发现，经过精心训练的较小模型，通过更好的数据集、改进的推理技术、合成训练数据和复杂的蒸馏方法进行增强，可以接近更大系统的性能，同时只需要一小部分的推理成本。Meta 已经在内部展示了这一理念，它主要将其最大的前沿模型用作教师，同时在其广告和推荐基础设施中部署显著更小的蒸馏模型，从而将最大智能保留给学习，同时围绕经济性而非基准分数来优化生产。
其结果是，人工智能越来越开始类似于人类劳动力市场，而非科学竞赛。没有哪个理性的组织会用诺贝尔奖得主来填补每一个职位，就像没有哪个企业最终会将每一个推理请求都路由到世界上最昂贵的前沿模型。涉及前沿科学研究、高级数学、复杂工程、自主推理或药物发现的任务几乎肯定会继续依赖最强大的 AI 系统，因为其经济上行空间实际上是无限的。然而，绝大多数企业工作负载涉及文档分类、客户支持、工作流自动化、信息提取、软件维护、合规监控、企业搜索、合同审查以及无数其他任务，在这些任务中，可靠性、一致性、治理和经济性远比在基准排行榜上再挤出一两个百分点重要得多。
这就是为什么我相信 AI 行业可能正在接近它自己的 Linux 时刻。像 Llama、DeepSeek、Qwen、GLM、Kimi 等开放权重模型，并不需要在每个基准测试上都超越每一个专有前沿模型，才能从根本上重塑行业经济。它们只需要变得足够强大，足以胜任绝大多数企业工作负载，因为一旦跨过这个门槛，购买决策就越来越多地由投资回报率而非原始能力驱动。企业 CIO 从未仅仅因为某项关键基础设施在基准测试中排名第一就选择它。他们围绕安全性、治理、可靠性、合规性、集成、供应商支持、运营简单性和总拥有成本进行优化。人工智能不太可能有什么不同。
如果这个观点是正确的，那么 AI 行业的决定性指标将逐渐从智能本身转向每美元智能，而前沿模型将越来越集中在那些其经济价值确实值得为最高水平能力付费的问题上。这种区别构成了后续投资论点的基础，因为一旦智能本身变得越来越丰富，投资者就应该开始问一个不同的问题。与其争论谁构建了最智能的模型，我们更应该问，当智能变得足够便宜，可以嵌入到全球经济中的几乎每一个工作流程时，谁能捕获经济价值。在我们看来，这才是 AI 投资故事下一阶段的真正起点。
第二部分：巨大的价值迁移
为什么已安装计算资源的所有者最终可能比新计算资源的销售者捕获更多价值
如果第一部分的核心论点是正确的，即人工智能正在稳步朝着最大化每美元智能而非智能本身的方向发展，那么投资者自然会问，随着这一转变的展开，经济价值最终会迁移到哪里。市场今天的答案似乎非常简单。购买那些提供“镐和铲子”的公司。购买 Nvidia、Broadcom、ASIC 设计商、网络供应商、内存制造商，以及任何其他销售构建下一代 AI 基础设施所需硬件的公司。这一策略在过去几年无疑是正确的，因为超大规模云服务商开启了技术史上最大的资本支出周期之一，将数千亿美元投入到 GPU、网络设备、电力基础设施、冷却系统以及全新的 AI 园区中，这些园区旨在支持每个人所期望的 AI 推理需求的爆发。
然而，我越来越相信市场问错了问题。投资者几乎完全专注于谁销售下一块 GPU，而更重要的问题最终可能变成谁拥有最后一块。这种区别今天可能看起来微不足道，但它从根本上改变了整个 AI 生态系统的经济性，因为它将注意力从一次性的硬件销售转移到已部署基础设施所产生的经常性现金流上，其中大部分基础设施将在初始资本支出发生后的数年内继续处理 AI 工作负载。
从我们的角度来看，未来几年行业的发展只有两种大致的场景，而使得这场投资辩论特别有趣的是，这两种结果对超大规模云服务商来说，似乎都比当前市场定价所暗示的要有利得多。
第一种可能性是，AI 模型通过更好的架构、蒸馏、量化、推测解码、路由算法、编译器优化以及日益复杂的推理技术的组合，继续变得显著更高效，从而允许云提供商从他们已有的硬件中提取更多有用的工作。不再需要每年额外 1000 亿美元的资本支出来保持竞争力，现有的 GPU 集群随着每一代新模型的推出而逐渐变得更高效，使超大规模云服务商能够支持指数级增长的推理工作负载，而无需通过购买新硬件来一对一地匹配这种增长。在这个世界里，已经位于 Microsoft Azure、Amazon AWS 和 Google Cloud 内部的 AI 基础设施将变得比投资者目前所认识到的更有价值，因为每一个软件突破都有效地延长了已部署硬件的经济生产力。
如果这种情景成为现实，那么对云经济的影响将变得异常有吸引力。资本支出自然开始稳定，折旧随着早期投资的成熟而逐渐下降，而收入则因企业 Token 消耗的持续扩张而继续复合增长。结果是，随着超大规模云服务商从吸收大量资本的企业转变为越来越多地将其资产负债表上的基础设施货币化的企业，自由现金流急剧上升。市场目前视为技术领域最大支出之一的东西，最终可能被证明是有史以来最大的生产性资产基础之一，在投资者不再担心建造它所需的初始投资之后，仍能产生有吸引力的回报。
另一种情景在许多方面甚至更具建设性。这就是杰文斯悖论情景，即效率的提高并不会减少需求，反而会加速需求，因为更低的成本使全新的应用在经济上变得可行。随着推理变得极其便宜，公司不再限制 AI 的使用，而是开始将智能嵌入到其组织内的几乎每一个工作流程中。Agent 持续执行而非偶尔执行，软件越来越多地自动调用模型，而不是等待人类发起请求，编码助手在产生最终答案之前反复评估自己的工作，客户支持系统同时咨询多个模型，企业软件开始将推理视为一种始终在线的公用事业，而非昂贵的溢价功能。每个单独的 Token 变得更便宜，但处理的 Token 总数却呈指数级增长，因为企业突然发现了数千个以前不经济的新用例。
历史表明，这正是技术进步通常展开的方式。当存储变得极其便宜时，人类并没有用更少的钱存储相同数量的信息。我们存储了多得多的信息。当带宽变得极其便宜时，我们并没有仅仅降低互联网账单。我们将基于文本的网站转变为流媒体视频平台。当云计算降低了部署软件基础设施的成本时，企业并没有购买更少的服务器。他们构建了在本地计算经济条件下永远不会存在的全新软件类别。人工智能似乎很可能遵循完全相同的轨迹，其中下降的推理成本足以加速需求，从而压倒每个单独 Token 产生的任何收入减少。
这两种情景的显著特征是，它们对云基础设施的所有者来说都高度有利。如果模型效率的提高快于需求，超大规模云服务商的资本支出就会放缓，而自由现金流则会加速。如果需求的增长快于效率，超大规模云服务商将继续扩张基础设施，同时从运行在日益高效硬件上的 AI 服务中产生显著更大的收入。在这两种情景中，我们都不会得出对云平台本身结构性负面的结果。相反，争论变成了相对受益者而非绝对赢家和输家的问题。
这就是为什么我相信市场继续误解超大规模云服务商资本支出的真正含义。许多投资者继续将 AI 基础设施支出视为仅仅是抑制近期盈利能力的另一项运营费用，而实际上它越来越类似于生产性资本形成。纵观经济史，变革性的基础设施投资在建设阶段几乎总是显得财务上不具吸引力，因为它们在产生有意义的现金流之前消耗了大量资本。铁路、电网、电信网络、光纤电缆和云计算都遵循着完全相同的模式。前期投资看起来过大，直到利用率达到运营杠杆变得压倒性的水平，此时这些相同的资产开始在投入资本上产生非凡的回报。
因此，争论不应围绕超大规模云服务商在 AI 基础设施上是否支出过多。更重要的问题是，这些资产最终能否产生足够的经济产出来证明投资的合理性，而越来越多的证据表明答案是肯定的。然而，市场似乎正在为一个相当奇怪的中等情景定价，即半导体公司继续受益于资本支出无限期保持高位的假设，而超大规模云服务商同时被交易，就好像同样的支出永久性地压制了资本回报率。我发现这种组合越来越难以调和，因为要么 AI 基础设施随着时间的推移变得显著更高效，允许自由现金流急剧上升，要么 AI 需求增长足够快，以证明持续投资的合理性。这两种结果对云提供商来说似乎都不是根本性的看跌。
支撑这一论点的最重要发展或许是，推理本身越来越像一种公用事业，而非高端技术产品。电力提供了一个有用的类比，因为消费者很少知道，也不太关心，到达他们家的电是由哪个发电站产生的。他们只是期望电力能够可靠、安全并以尽可能低的成本到达。人工智能似乎正在朝着完全相同的均衡发展。很少有企业最终关心常规文档分类是由 GPT-7、Claude 8、DeepSeek、Llama、Qwen 还是其他开放权重模型执行的。他们关心的是答案是否满足所需的质量门槛，能否无缝集成到现有工作流程中，是否符合安全和监管要求，并且以尽可能低的总成本实现。一旦推理开始类似于公用事业而非奢侈品服务，行业的经济性自然就会从奖励智能本身转向奖励负责大规模交付该智能的基础设施。
另一个类比可能更合适。前沿 AI 实验室越来越像航空公司，而超大规模云服务商越来越像机场。航空公司在服务质量、客户体验、航线网络、机队现代化和运营效率上激烈竞争，但他们也面临着持续改进的压力，因为昨天的优质产品很快就会成为今天的行业标准。机场则在一个完全不同的经济模型下运营，因为他们无论哪家航空公司最终赢得市场份额都会受益。每一架飞机仍然会降落，每一位乘客仍然会走过航站楼，每一家航空公司仍然会支付着陆费，而每一个额外的航班只会增加已有基础设施的利用率。
同样的经济逻辑可能越来越适用于人工智能。OpenAI、Anthropic、Google DeepMind、xAI、Meta、DeepSeek 以及未来的前沿实验室无疑将继续激烈竞争，以构建世界上最智能的模型，基准测试的领导地位将在未来十年内多次易手。然而，每一个企业推理仍然在某个人的数据中心内运行，消耗着某个人的 GPU，利用着某个人的网络基础设施，并最终依赖于某个人的云平台。航空公司激烈竞争乘客。机场则无论哪家航空公司获胜，都静静地收取租金。
随着模型竞争的加剧，这种区别变得更加有力。开放权重模型不断改进，专有模型在常规企业工作负载中变得越来越可互换，并且随着客户围绕每美元智能而非绝对能力进行优化，模型层的定价压力逐渐出现。然而，每一个 Token 仍然消耗计算资源，每一次推理仍然穿越云基础设施，每一个企业工作负载仍然依赖于安全、可扩展、全球分布的计算资源。每 Token 的经济性可能在模型层受到压缩，但基础设施的利润率仍然显著具有韧性，因为提供推理服务的物理行为继续进行，无论最终执行计算的模型是哪个。
在我们看来，这代表了目前人工智能领域内正在发生的最大的经济价值迁移之一。价值本身并没有消失。它只是改变了所有权。与其主要集中在前沿模型构建公司，越来越多的价值迁移到每天编排数万亿 AI 请求的平台。随着智能变得越来越丰富，模型能力持续趋同，长期赢家可能不一定是那些生产最智能模型的公司，而是那些拥有世界智能流动所依赖的基础设施的公司。如果 AI 革命的第一阶段奖励了智能的创造者，那么第二阶段可能越来越多地奖励那些分发智能的人。在我们看来，这才是真正的投资机会开始出现的地方。
第三部分：编排层
为什么拥有路由层的公司最终可能拥有企业 AI
如果 AI 革命的第一阶段是构建最智能的模型，第二阶段是从已部署的基础设施中提取更多经济价值，那么我相信第三阶段将围绕一个远不那么光鲜但潜在价值大得多的主题展开：编排。换句话说，问题逐渐从“谁构建了最智能的模型”转向“谁来决定每个具体任务该由哪个模型执行”，因为一旦企业开始以生产规模而非试点规模部署 AI，管理智能就变得比仅仅访问智能重要得多。
当前围绕企业 AI 的最大误解之一，是认为组织最终会在所有可能的工作负载上统一使用同一个前沿模型。在前沿能力仍有显著差异时，这种想法或许看似合理，但历史表明，企业技术几乎从不朝这个方向发展。公司不会仅仅因为某个数据库、编程语言、网络安全产品或云服务在基准测试中排名最高就全部采购。相反，它们会围绕成本、可靠性、治理、性能和业务需求构建技术栈，根据每个工作负载的经济性，让不同的工具执行不同的功能。
人工智能很可能以完全相同的方式演变。绝大多数企业推理并不需要前沿智能。文档分类、合同提取、发票处理、客户支持、软件测试、企业搜索、会议总结、翻译、合规监控以及无数其他常规业务流程，只需要一个能够以最低成本持续达到所需质量门槛的模型。更复杂的推理任务、战略规划、科学研究、高级软件工程以及自主 Agent 工作流，可能仍会依赖最强大的前沿系统，但这些只占企业整体 Token 消耗中相对较小的一部分。结果是，组织开始动态路由工作负载，将简单任务分配给更小、更便宜的模型，而只将最苛刻的请求升级到前沿系统，在那里，额外的智能才能真正创造增量经济价值。
这一转变从根本上改变了企业价值的所在。一旦路由成为主导部署模式，各个 AI 模型就逐渐变成可互换的组件，位于一个更大的编排平台之后。企业不再直接购买智能，而是购买一个能够决定在特定时刻应部署哪种智能的系统。与其让员工在 GPT、Claude、Gemini、Llama、DeepSeek、Qwen、GLM、Kimi 或未来模型之间做选择，编排层会根据延迟、成本、准确性、治理要求、安全策略、监管限制、客户偏好和工作负载复杂性，自动做出决策。其显著结果是，模型本身逐渐退居幕后，而编排平台成为主要的客户关系载体。
这让我强烈联想到另一个重要的技术转型。多年来，投资者认为操作系统是企业计算的经济中心，因为每个应用程序最终都依赖于它。Linux 从根本上改变了这一假设，它让操作系统本身变得越来越丰富，同时将价值转移到云基础设施、企业软件、网络安全、托管服务以及构建在其之上的更高级应用程序。操作系统从未消失，只是其经济重要性变得不如周围的生态系统。
我相信，开放权重 AI 模型有潜力产生非常相似的结果。DeepSeek、Qwen、Llama、GLM、Kimi、MiniMax 以及许多其他开放权重模型正在稳步改进，其速度之快，很少有投资者能完全认识到。重要的是，它们不需要在每个基准测试上都超越所有专有前沿模型，就能重塑行业经济。它们只需要变得足够强大，足以胜任大约 80% 的企业工作负载，因为一旦越过这个门槛，采购决策就主要受经济因素而非排行榜排名驱动。模型本身越来越像 Linux：免费可用、功能强大、持续改进，并且最终有价值，不是因为它本身能获取经济租金，而是因为它使得一个全新的生态系统得以围绕它诞生。
这就是为什么我越来越相信 AI 行业正在迎来自己的“Linux 时刻”。开放权重模型将智能商品化，而编排则将其货币化。这一区别至关重要，因为它从根本上改变了行业护城河的所在。
如今，大部分讨论都集中在基准测试领先地位、参数数量、推理分数和科学评估上。这些指标在前沿领域无疑很重要，但在《财富》500 强企业的采购委员会内部，它们的重要性要低得多。企业 CIO 很少因为某项技术登顶学术排行榜就采购它。他们采购技术是因为它能无缝集成到现有的身份系统中，满足治理要求，符合监管标准，提供审计追踪，支持安全策略，交付可预测的服务水平协议，简化采购流程，降低运营复杂性，并最小化总拥有成本。在实践中，一旦技术成熟，可靠性几乎总能战胜理论上的优越性。
这一区别对投资者来说可能极其重要。赢得另一个基准测试能上头条。赢得采购决策能带来经常性收入。编排层恰好位于这些采购决策发生的地方。
亚马逊的 Bedrock 很好地说明了这一转变。尽管许多投资者仍将 Bedrock 主要视为一个市场，客户可以通过它访问 Claude 或其他前沿模型，但该平台已经演变成更重要的东西。Bedrock 越来越像企业 AI 的操作系统，允许组织访问来自众多提供商的 100 多种模型变体，同时自动将工作负载路由到最能满足成本、延迟、能力和治理组合要求的模型。智能提示路由、AgentCore、内存管理、可观测性、安全性、身份集成、浏览器自动化、工具调用和生产监控，所有这些都将 Bedrock 变成了远不止另一个 API 端点。它成为了治理企业 AI 本身的决策层。
微软的 Azure AI Foundry 遵循着几乎相同的理念。Foundry 不要求客户承诺使用单一的前沿实验室，而是允许企业编排日益多样化的 AI 生态系统，同时将这些工作流直接嵌入 Azure 现有的安全架构、合规框架、开发工具和企业软件栈中。Google Vertex AI 追求类似的目标，尽管自然更侧重于 Gemini。无论各自的实施策略如何，三大超大规模云服务商似乎都在朝着同一个目的地汇聚，即成为企业 AI 工作负载编排的操作系统，而不仅仅是提供它们运行的基础设施。这一转变也创造了我认为市场严重低估的转换成本。
如今，投资者经常讨论转换成本，好像它们主要存在于模型层，询问企业是否会忠于 OpenAI、Anthropic、Google 或其他前沿实验室。我越来越相信，最终可能恰恰相反。一旦组织开始在 Azure AI Foundry、AWS Bedrock 或 Google Vertex 内部构建检索管道、微调模型、评估框架、内存架构、安全策略、合规控制、可观测性仪表板、身份集成和自主 Agent 工作流，更换底层模型就变得相对简单，而迁移编排平台本身则变得困难得多。模型逐渐变得可替换。编排层则深深嵌入到企业运营中。
我的一位读者最近提出了一个观察，完美地捕捉了这一转变，他暗示，随着时间的推移，编排框架本身可能变得和模型一样有价值，因为它最终决定了智能在整个组织中的部署方式。我认为这一见解值得比目前更多的关注。竞争护城河正逐渐从拥有最智能的模型，转向拥有访问每个模型的工作流。
从这个框架中还可以得出另一个含义。许多投资者假设更便宜的模型必然会减少计算需求，因为每个单独的推理消耗更少的资源。我认为相反的情况更有可能发生。路由不会减少推理，而是会扩展它。一旦组织意识到他们可以以今天成本的一小部分解决常规任务，他们就会停止限制 AI 的使用。Agent 开始持续而非间歇性地运行。模型反复验证自己的输出，咨询多个推理链，检索更大的上下文窗口，评估相互竞争的响应，并执行日益复杂的自主工作流。单个 Token 变得极其便宜，但总 Token 消耗量会加速增长，因为智能对不断扩大的应用范围来说变得经济可行。
这就是企业软件中的杰文斯悖论。效率不会减少需求，效率会创造全新的需求。每一个额外的工作流，无论最终由哪个模型执行推理，仍然会流经微软的 Azure、亚马逊的 AWS 或谷歌的 Cloud。每一个被路由的请求仍然会消耗网络容量、存储、GPU、内存、安全服务、日志基础设施、合规系统、监控工具和编排软件。无论客户最终选择 GPT、Claude、Gemini、Llama、DeepSeek 还是其他开放权重模型，云平台都能捕获价值。
在许多方面，这正是我相信编排层可能成为整个 AI 栈中最有价值的环节之一的原因。前沿实验室无疑会继续在基准测试领先地位上激烈竞争，因为智能对于解决人类最困难的问题仍然至关重要。然而，随着人工智能从一项小众技术扩展为全球经济的操作系统，企业将越来越不关心哪个单独的模型产生了答案，而更关心整个系统是否安全、可靠、合规、成本效益高，并能无缝集成到现有业务流程中。
历史反复证明，随着技术成熟，价值会从发明本身转移到协调其广泛采用的基础设施上。人工智能似乎越来越有可能遵循完全相同的路径。最终控制企业 AI 的公司，可能不一定是那些生产最智能模型的公司，而是那些每天默默编排数十亿次决策，同时让 AI 的复杂性对客户几乎完全透明的公司。在我们看来，这正是该行业一些最宽广、最持久的竞争护城河可能出现的地方。
第四部分：政府、地缘政治与 AI 新秩序
为什么监管可能会加速而非减缓超大规模云服务商的崛起。
到目前为止，这个论点几乎完全建立在经济学基础上。推理成本下降、开放权重模型快速改进、企业 Token 优化以及经济价值向基础设施迁移，都指向同一个结论：超大规模云服务商正日益成为未来 AI 生态系统的核心。然而，还有另一股力量在悄然强化着完全相同的结果，与技术进步不同，这股力量不太可能遵循摩尔定律或任何可预测的工程路线图。它就是地缘政治。
在互联网时代的大部分时间里，科技公司都假设软件可以自由跨境流动，使得在一个国家开发的创新能够几乎瞬间在全球范围内可用。人工智能被证明是根本不同的，因为前沿模型越来越不被视为单纯的商业产品，而是被视为战略性的国家资产，其能力延伸到网络安全、情报收集、军事应用、科学研究和关键基础设施。一旦政府开始从国家安全而非纯粹商业竞争的角度看待 AI，全新的经济动态就开始出现。
美国最近的发展很好地说明了这一转变。特朗普政府关于促进先进人工智能创新和安全的行政命令建立了一个框架，在该框架下，某些前沿模型在广泛商业发布前可能需要接受政府评估，特别是在涉及高级网络能力的情况下。尽管该框架是自愿性的而非强制性的许可制度，但它引入了一个以前不存在的东西：前沿 AI 实验室与联邦政府之间关于最强大模型部署的结构化关系。
这一发展今天看起来可能微不足道，但我相信其长期影响远比市场目前意识到的要大。争论不再仅仅是关于谁构建了最智能的模型。它越来越多地是关于谁可以访问该模型，在什么条件下，以及通过什么基础设施。
Anthropic 事件说明了这一不断变化的格局。今年早些时候，对 Anthropic 最先进模型的访问受到出口管制考虑的影响，造成了一种情况，即商业部署不再仅仅由技术准备或客户需求决定，而是越来越多地由地缘政治因素决定。无论人们对这类政策的利弊持何种看法，更广泛的方向似乎是明确的。前沿 AI 模型正逐渐成为受政府监管的战略技术，其方式与几十年来先进的半导体制造设备、密码学、航空航天技术和某些国防能力非常相似。
这造成了一个许多企业尚未完全意识到的问题。如果不同的模型在不同的司法管辖区、不同的时间、不同的监管框架下可用，那么企业就不能再围绕单一的模型提供商构建 AI 战略。在数十甚至数百个国家运营的全球性公司需要灵活性，因为监管要求、数据主权规则、出口管制和模型可用性可能因司法管辖区而异。一家跨国银行、制药公司或工业制造商不能仅仅因为一个前沿模型在特定区域暂时不可用就暂停运营。这一现实极大地增加了编排的价值。编排层不再仅仅为成本和性能进行优化。它越来越多地为合规性进行优化。
一家在欧洲、美国、中东和亚洲运营的企业，最终可能需要根据工作负载的复杂性，以及地理位置、数据驻留、网络安全要求、出口限制、客户协议和当地法规，做出不同的路由决策。突然间，选择最佳的 AI 模型变成了一个极其复杂的优化问题，远远超出了基准测试性能的范畴。
这正是超大规模云服务商拥有结构性优势的地方，这些优势越来越难以复制。微软、亚马逊和谷歌已经运营着一些世界上最大的全球分布式云基础设施，在管理身份系统、加密、网络安全、合规性、主权云部署、监管认证、审计要求以及几乎每个主要司法管辖区的政府关系方面拥有数十年的经验。他们多年来一直在与企业 CIO、金融监管机构、医疗保健提供商、国防承包商和政府建立信任，因为在人工智能到来之前，云计算就需要解决许多这些治理挑战。
在许多方面，AI 只是继承了这些优势。企业客户不再只问 GPT 是否在推理基准测试上比 Claude 或 Gemini 略胜一筹。企业越来越多地提出一系列不同的问题。这个工作负载能在德国合法运行吗？客户数据能留在日本境内吗？这个模型能满足金融监管机构的要求吗？如果一个提供商暂时不可用怎么办？工作负载能否自动重新路由而不会中断运营？每个推理能否在数月后仍可审计？我们能否在监管审查期间证明合规性？这些不是机器学习问题。它们是企业基础设施问题。
历史一致表明，企业技术市场对可靠性的奖励至少与对技术优越性的奖励一样多。CIO 很少仅仅根据基准测试排名来采购基础设施，因为停机、合规失败或安全漏洞给组织带来的损失往往远大于技术性能上的微小差异。人工智能似乎不太可能有所不同。最智能的模型可能吸引头条新闻，但最可靠的平台往往赢得采购决策。
这种不断演变的地缘政治环境的另一个后果是，模型提供商本身变得越来越依赖超大规模云服务商。随着前沿开发在计算上越来越密集，监管审查越来越严格，全球部署变得越来越复杂，独立实验室越来越需要能够提供基础设施、合规性、网络安全、主权云能力、企业分销和全球客户关系的合作伙伴。因此，超大规模云服务商变得不仅仅是基础设施提供商。他们越来越成为前沿模型接触企业客户的战略分销合作伙伴。
这造成了一个有趣的失衡。每一个额外的模型都会强化编排平台。每一个额外的前沿实验室都会使多模型路由更有价值。每一个额外的监管框架都会增加企业部署的复杂性。这些趋势中的每一个都强化了云平台的地位，而不是削弱它。具有讽刺意味的是，模型生态系统竞争越激烈，编排层就越有价值，因为企业需要一个能够管理这种复杂性的中立平台。这最终让我们回到了核心投资问题。
在过去两年中，投资者理所当然地专注于识别哪家公司拥有最智能的 AI 模型，因为智能本身代表了该行业的主要瓶颈。我越来越相信这个瓶颈正在开始转移。智能在专有模型和开放权重模型中都在快速持续改进，推理成本持续暴跌，企业客户正越来越关注经济性、治理和部署，而不仅仅是基准测试领先地位。
纵观技术史，投资者一再高估发明本身的价值，而低估了使其得以广泛采用的基础设施的价值。铁路改变了商业，但货运网络捕获了经常性经济租金。互联网改变了通信，但云计算成为了有史以来最伟大的业务之一。智能手机改变了日常生活，但操作系统和应用商店最终成为了万亿美元的分销平台。
人工智能可能遵循完全相同的模式。市场继续争论谁构建了最智能的模型。我越来越相信这正在变成错误的问题。更重要的问题是，谁拥有每天最终将承载数万亿 AI 决策的基础设施。智能正变得越来越丰富。推理正变得越来越便宜。在越来越多的企业工作负载中，模型正变得越来越可互换。稀缺的是全球云基础设施、企业信任、编排、治理、安全、合规、分销，以及将所有这些能力整合成一个无缝平台，使组织能够以全球规模部署人工智能的能力。历史表明，稀缺资产始终能捕获长期经济租金的最大份额。
这就是为什么我们的信念超越了创造智能本身的公司，而越来越多地指向构建 AI 经济操作系统的公司。人工智能的第一章是关于发明智能。下一章可能被证明是关于高效、安全且经济地将智能分发给每一个企业、每一个行业，最终到达全球经济的每一个角落。在我们看来，这正是未来十年最大的投资机会之一可能出现的地方。
结论：长期看好以下公司：NVDA、TSMC、SK Hynix、Micron、Samsung Electronics、Microsoft、Alphabet、Amazon、Meta。
