第一部分：智慧的經濟學
為什麼 AI 產業即將從追求智慧本身，轉向追求每一美元能買到多少智慧
我越來越確信，人工智慧產業正接近自 ChatGPT 推出以來，最重要的經濟轉折點之一。然而，絕大多數投資人仍聚焦於一個變數——這個變數在今日固然重要，但最終可能遠不如市場目前所假設的那麼有價值。目前的主流討論依然圍繞著：哪家公司擁有最聰明的模型、哪個前沿實驗室在最新的基準測試中拔得頭籌、哪個推理模型在越來越冷門的學術評比中得分最高、以及哪家 AI 公司暫時登上了業界不斷變化的排行榜龍頭。這些討論無疑能吸引媒體目光，但我認為它們可能忽略了正在表面之下悄悄展開、規模更大的經濟轉型。因為最終決定 AI 生態系統中利潤流向的變數，很可能不是智慧本身，而是每一美元能換取多少智慧。
要理解這個轉變，最簡單的方式或許是透過一個比喻——每當我思考企業採用 AI 的議題時，這個比喻就會浮現在我腦海中。當一家公司需要有人來核對帳目、編製財務報表或處理發票時，它不會去招募一位純數學博士。這不是因為這位博士沒有能力勝任這項工作，而正是因為他的能力遠遠超過這項工作在經濟上的合理需求。精準記帳所創造的價值，本質上是有上限的。一旦帳目正確無誤，再投入更多智慧所帶來的邊際效益就微乎其微，無論那智慧有多麼卓越。因此，理性的組織會圍繞經濟效益而非能力來進行優化：雇用能以最低成本、持續產出符合品質標準成果的人，同時將稀缺的智慧人才部署到那些額外智慧確實能創造邊際價值的問題上。
然而，當問題本身改變時，經濟學也會徹底翻轉。如果目標是發現突破性的阿茲海默症療法、開發革命性的半導體架構，或解決人類面臨的最困難的科學問題之一，那麼，雇用世界上最頂尖研究人員的成本，相對於成功所帶來的潛在經濟價值，就變得幾乎微不足道。單一項突破可能創造數百億甚至數千億美元的價值，使得少數頂尖科學家的薪資在整個專案的經濟效益中變得幾乎無關緊要。在這些情況下，智慧本身成了稀缺資源，而最大化能力而非最小化成本，就成了理性的經濟決策。
我相信，人工智慧現在正接近這個分岔點。在過去兩年裡，企業幾乎不加思索地使用最先進的模型來處理所有能想到的任務——無論是摘要郵件、從發票中提取資訊、分類客服工單、翻譯文件、撰寫會議記錄、生成例行軟體程式碼，還是搜尋內部知識庫。這主要是因為業界才剛跨過大型語言模型對知識工作普遍有用的門檻。當一項技術首次在商業上可行時，組織自然會選擇效能最高的解決方案，因為它們仍在回答一個更根本的問題：這項技術到底能不能用？在企業驗證能力的階段，成本最佳化仍是次要考量。
然而，這種行為不太可能是一個穩定的平衡點，因為試點專案終將變成生產系統，而生產經濟學最終會主導技術經濟學。我們已經開始在企業 AI 部署中觀察到這個轉變。組織發現，挑戰不再是判斷 AI 是否創造價值，而是判斷它創造的價值是否足以抵銷大規模部署所帶來的快速擴張的成本。一旦財務部門開始以審視其他企業科技投資的同樣紀律來審視 AI 預算，最佳化過程就不可避免地從「最大化智慧」轉向「最大化每一美元能買到的智慧」。
推理成本持續以驚人速度下降，只會加速這個轉變。史丹佛 AI 指數估計，在 2022 年底到 2024 年底之間，提供 GPT-3.5 等級效能的成本下降了超過 280 倍。Andreessen Horowitz 則得出結論：維持固定等級的模型能力，每年大約會便宜十倍。Epoch AI 在多個推理基準測試中也得到了類似結論，顯示今日價格高昂的能力，很快就會變成明日的廉價商品。就連 OpenAI 的財務長 Sarah Friar 最近也觀察到，GPT-4 與該公司最新一代模型之間的推理成本，在短短兩年內下降了約 97%。這說明了該產業的通縮動態有多麼驚人。雖然每個組織衡量這些趨勢的方式略有不同，但它們都指向同一個根本結論：智慧正以現代科技中罕見的速度變得極度便宜。
就在推理成本持續崩跌的同時，企業也開始遇到一個完全不同的挑戰——這個挑戰最終可能更為重要。公司越來越發現，他們原本預期能撐過整個財年的 AI 預算，在短短幾個月內就用完了，因為使用量的擴張速度遠超最初的預期。Sam Altman 最近提到，企業客戶越來越常告訴 OpenAI，他們已經在財年第一季就用完了計畫中的年度 AI 支出，現在他們要求的不是更聰明的模型，而是更有效率的模型。這個觀察不應被視為另一個軼事，因為它標誌著 AI 已進入一個截然不同的商業化階段。組織已經得出結論：人工智慧確實有用。他們的注意力現在正轉向確保它能以經濟的方式運作。
表面之下發生的技術演進，也強化了同樣的結論。在大型語言模型革命的初期，業界參與者大多假設，更好的模型只需要更多的參數、更大的架構，以及指數級增長的算力。然而，前沿實驗室越來越發現，經過精心訓練的小型模型——透過更好的資料集、改進的推理技術、合成訓練資料和精密的蒸餾方法來強化——可以接近大型系統的效能，但推理成本卻只需其一小部分。Meta 已經在內部展示了這個理念：它主要將自己最大的前沿模型用作「老師」，同時在廣告和推薦基礎設施中部署規模小得多的蒸餾模型。如此一來，它將最大的智慧保留給學習，而圍繞經濟效益而非基準分數來最佳化生產。
其結果是，人工智慧越來越像人類勞動市場，而非科學競賽。沒有任何理性的組織會讓每個職位都由諾貝爾獎得主擔任，就像沒有任何企業最終會將每個推理請求都導向世界上最昂貴的前沿模型。涉及前沿科學研究、高等數學、複雜工程、自主推理或藥物發現的任務，幾乎肯定會繼續依賴最強大的 AI 系統，因為其經濟效益是沒有上限的。然而，絕大多數的企業工作負載——包括文件分類、客戶支援、工作流程自動化、資訊提取、軟體維護、合規監控、企業搜尋、合約審查，以及無數其他任務——其可靠性、一致性、治理和經濟效益，遠比在基準排行榜上再擠出一兩個百分點來得重要。
這就是為什麼我認為 AI 產業可能正接近它自己的「Linux 時刻」。像 Llama、DeepSeek、Qwen、GLM、Kimi 等開放權重模型，並不需要在每個基準測試上都超越所有專有前沿模型，才能從根本上重塑產業經濟。它們只需要變得足夠強大，足以勝任絕大多數的企業工作負載。因為一旦跨過那個門檻，購買決策就會越來越由投資報酬率而非原始能力驅動。企業 CIO 從來不會僅僅因為某個關鍵基礎設施在基準測試中排名第一就選擇它。他們會圍繞安全性、治理、可靠性、合規性、整合度、供應商支援、營運簡便性和總持有成本來進行最佳化。人工智慧不太可能有所不同。
如果這個觀點是正確的，那麼 AI 產業的定義性指標就會逐漸從智慧本身，轉向每一美元能買到的智慧。而前沿模型則會越來越集中在那些其經濟價值確實值得為最高等級能力付費的問題上。這個區別構成了接下來投資論點的基礎。因為一旦智慧本身變得越來越充裕，投資人就應該開始問一個不同的問題。與其爭論誰建造了最聰明的模型，我們更應該問：當智慧變得足夠便宜，可以嵌入全球經濟中的幾乎每一個工作流程時，誰能抓住這個經濟價值？在我們看來，這才是 AI 投資故事下一階段的真正起點。
第二部分：價值的偉大遷移
為什麼已部署算力的擁有者，最終可能比新算力的銷售者捕獲更多價值
如果第一部分的中心論點是正確的——也就是人工智慧正穩步演進，趨向於最大化每一美元能買到的智慧，而非智慧本身——那麼投資人自然的問題就是：隨著這個轉變展開，經濟價值最終會遷移到哪裡？市場今天的答案似乎非常直接：買那些賣「鏟子」的公司。買 Nvidia、買 Broadcom、買 ASIC 設計公司、買網路設備供應商、買記憶體製造商，以及任何其他銷售建造下一代 AI 基礎設施所需硬體的公司。這個策略在過去幾年無疑是正確的，因為超大規模雲端業者啟動了科技史上最大的資本支出週期之一，將數千億美元投入 GPU、網路設備、電力基礎設施、冷卻系統，以及全新的 AI 園區，以支援每個人預期將會爆發的 AI 推理需求。
然而，我越來越相信市場問錯了問題。投資人幾乎完全專注於誰賣出下一顆 GPU，而更重要的問題最終可能是：誰擁有最後一顆 GPU。這個區別今天可能看起來很微妙，但它從根本上改變了整個 AI 生態系統的經濟學，因為它將注意力從一次性的硬體銷售，轉向由已部署基礎設施所產生的經常性現金流——這些基礎設施中的大部分，在初始資本支出發生後，將繼續處理 AI 工作負載多年。
從我們的角度來看，未來幾年產業的演進只有兩種大方向。而讓這個投資辯論特別有趣的是，這兩種結果對超大規模雲端業者來說，似乎都比目前市場定價所暗示的要有利得多。
第一種可能性是，AI 模型透過更好的架構、蒸餾、量化、投機解碼、路由演算法、編譯器最佳化，以及越來越精密的推理技術，持續變得更加高效。這使得雲端供應商能從他們已經擁有的硬體中提取出更多有用的工作。他們不再需要每年再投入 1000 億美元的資本支出才能保持競爭力；現有的 GPU 叢集會隨著每一代新模型的出現而變得更具生產力。這使得超大規模雲端業者能夠支援指數級增長的推理工作負載，而無需透過購買新硬體來一比一地匹配其增長。在這個世界裡，已經部署在 Microsoft Azure、Amazon AWS 和 Google Cloud 內部的 AI 基礎設施，其價值將遠比投資人目前所認知的更高，因為每一次軟體突破，都相當於延長了先前部署硬體的經濟生產力。
如果這個情境成真，對雲端經濟的影響將變得極具吸引力。資本支出自然開始穩定，隨著早期投資逐漸成熟，折舊也逐漸下降，而收入則因企業 Token 消耗持續擴張而不斷複合增長。其結果是，自由現金流將急劇向上攀升，因為超大規模雲端業者從吸收大量資本的企業，轉變為越來越多地將其資產負債表上已有的基礎設施貨幣化的企業。市場目前視為科技業最大開銷之一的東西，最終可能被證明是有史以來最大的生產性資產基礎之一，在投資人不再擔心建造它所需的初始投資之後，仍能持續產生誘人的回報。
另一種情境，從許多方面來看，甚至更具建設性。這就是「傑文斯悖論」的情境：效率的提升並不會減少需求，反而會加速需求，因為更低的成本讓全新的應用在經濟上變得可行。隨著推理變得極度便宜，公司不再配給 AI 使用，而是開始將智慧嵌入其組織內的幾乎每一個工作流程。Agent 持續執行而非偶爾執行；軟體越來越多地自動呼叫模型，而非等待人類發起請求；程式碼助手在產出最終答案前反覆評估自己的工作；客戶支援系統同時諮詢多個模型；企業軟體開始將推理視為一種永遠在線的公用事業，而非昂貴的高級功能。每一個單獨的 Token 都變得更便宜，但處理的 Token 總數卻呈指數級增長，因為企業突然發現了數千個以前不經濟的新用例。
歷史告訴我們，科技進步的展開方式正是如此。當儲存變得極度便宜時，人類並沒有為了省錢而儲存相同數量的資訊。我們儲存了遠更多的資訊。當頻寬變得極度便宜時，我們並沒有只是降低網路帳單。我們將基於文字的網站轉變成了串流影音平台。當雲端運算降低了部署軟體基礎設施的成本時，企業並沒有購買更少的伺服器。他們建立了全新的軟體類別，這些軟體在本地運算的經濟模式下根本不可能存在。人工智慧似乎很可能遵循完全相同的軌跡：推理成本下降，加速了需求，其程度足以壓倒任何因單一 Token 收入減少所帶來的影響。
這兩個情境的顯著特點是，兩者都對雲端基礎設施的擁有者高度有利。如果模型效率改善的速度快於需求，超大規模雲端業者的資本支出就會放緩，而自由現金流則會加速。如果需求增長快於效率改善，超大規模雲端業者就會繼續擴張基礎設施，同時透過在越來越具生產力的硬體上運行的 AI 服務，產生大幅增加的收入。在這兩種情境中，我們都沒有看到對雲端平台本身結構性負面的結果。相反地，辯論變成了誰是相對受益者，而非絕對的贏家或輸家。
這就是為什麼我認為市場持續誤解超大規模雲端業者資本支出的真正意義。許多投資人繼續將 AI 基礎設施支出視為壓抑近期獲利能力的另一項營運費用，而實際上它越來越像生產性資本的形成。在整個經濟史上，變革性的基礎設施投資在建設階段幾乎總是顯得不具財務吸引力，因為它們在產生有意義的現金流之前，消耗了大量的資本。鐵路、電網、電信網路、光纖電纜和雲端運算都遵循完全相同的模式。前期投資看起來過度，直到利用率達到一個營運槓桿變得壓倒性的水平，屆時這些相同的資產就開始在投入資本上產生非凡的回報。
因此，辯論不應該圍繞超大規模雲端業者是否在 AI 基礎設施上花費太多。更重要的問題是，這些資產最終能否產生足夠的經濟產出來證明這項投資是合理的。越來越多的證據顯示答案是肯定的。然而，市場似乎正在為一個相當奇怪的「中間地帶」定價：半導體公司繼續受益於資本支出將無限期維持在高檔的假設，而超大規模雲端業者卻同時被交易得像這筆支出永久壓抑了資本回報率一樣。我發現這個組合越來越難以調和，因為要嘛 AI 基礎設施隨著時間推移變得極具生產力，讓自由現金流急劇上升；要嘛 AI 需求增長夠快，足以證明持續投資是合理的。這兩種結果對雲端供應商來說，基本上都不是看空的。
支撐這個論點的最重要發展或許是，推理本身越來越像一種公用事業，而非高級科技產品。電力提供了一個有用的類比，因為消費者很少知道，也不太關心是哪個發電廠產生了送到他們家中的電力。他們只是期望電力能可靠、安全地送達，並且成本盡可能低。人工智慧似乎正朝著完全相同的平衡點演進。很少有企業最終會在意例行文件分類是由 GPT-7、Claude 8、DeepSeek、Llama、Qwen 還是其他開放權重模型來執行。他們在意的是，答案能滿足所需的品質門檻、能無縫整合到現有工作流程中、符合安全和法規要求，並且能以最低的總成本做到。一旦推理開始像公用事業而非奢侈品服務，該產業的經濟學自然就會從獎勵智慧本身，轉向獎勵負責大規模提供該智慧的基礎設施。
另一個類比可能更為貼切。前沿 AI 實驗室越來越像航空公司，而超大規模雲端業者則越來越像機場。航空公司在服務品質、客戶體驗、航線網路、機隊現代化和營運效率上激烈競爭，但他們也面臨持續的壓力要改進，因為昨天的頂級產品很快就會變成今天的業界標準。機場則在完全不同的經濟模式下運作，因為無論哪家航空公司最終贏得市場份額，它們都能受益。每架飛機仍然要降落，每位旅客仍然要走過航廈，每家航空公司仍然要支付降落費，而每一個額外的航班都只是增加了對現有基礎設施的利用率。
同樣的經濟邏輯可能越來越適用於人工智慧。OpenAI、Anthropic、Google DeepMind、xAI、Meta、DeepSeek 以及未來的前沿實驗室，無疑將繼續激烈競爭，以建造世界上最聰明的模型，基準測試的領導地位在未來十年內會多次易主。然而，每一次企業推理仍然在某人的資料中心內運行，消耗某人的 GPU，利用某人的網路基礎設施，並最終依賴於某人的雲端平台。航空公司為乘客激烈競爭。機場則無論哪家航空公司獲勝，都靜靜地收取租金。
隨著模型競爭加劇，這個區別變得更加有力。開放權重模型持續改進，專有模型在例行企業工作負載上變得越來越可互換，定價壓力逐漸在模型層出現，因為客戶圍繞每一美元能買到的智慧而非絕對能力進行最佳化。然而，每一個 Token 仍然消耗算力，每一次推理仍然穿越雲端基礎設施，每一個企業工作負載仍然依賴於安全、可擴展、全球分佈的運算資源。每 Token 的經濟效益可能在模型層受到壓縮，但基礎設施的利潤率仍然非常強韌，因為提供推理的物理行為，無論最終由哪個模型執行計算，都持續存在。
在我們看來，這代表了目前人工智慧領域內正在發生的最大規模的經濟價值遷移之一。價值本身並沒有消失。它只是改變了所有權。它不是主要集中於建造前沿模型的公司，而是越來越大的比例遷移到每天協調數兆次 AI 請求的平台。隨著智慧變得越來越充裕，模型能力持續趨同，長期的贏家可能不一定是那些生產最聰明模型的公司，而是那些擁有世界智慧流經的基礎設施的公司。如果 AI 革命的第一階段獎勵了智慧的創造者，那麼第二階段可能會越來越獎勵那些分發智慧的人。在我們看來，這才是真正的投資機會開始浮現的地方。
第三部分：協調層
為什麼擁有路由層的公司，最終可能擁有企業 AI
如果 AI 革命的第一階段是以打造最智慧的模型為定義，第二階段是從已建置的基礎設施中提取更多經濟價值，那麼我相信第三階段將圍繞著一個遠不那麼光鮮、但潛在價值卻高得多的主題：編排（Orchestration）。換句話說，問題的重心將逐漸從「誰打造了最智慧的模型」轉向「誰來決定哪個模型該執行哪項任務」，因為一旦企業開始以生產規模而非試點規模部署 AI，管理智慧的重要性將遠遠超過單純地取得智慧。
目前圍繞企業 AI 最大的誤解之一，是認為組織最終會在所有可能的工作負載上標準化使用單一的前沿模型。這在前沿能力仍有顯著差異時看似合理，但歷史告訴我們，企業技術幾乎從不朝這個方向發展。公司不會因為某個資料庫、程式語言、網路安全產品或雲端服務在基準測試中排名最高，就只採購那一種。相反地，它們會建構圍繞成本、可靠性、治理、效能和業務需求最佳化的技術堆疊，根據每項工作負載的經濟效益，使用不同的工具來執行不同的功能。
人工智慧很可能會以完全相同的方式演進。絕大多數的企業推論並不需要前沿智慧。文件分類、合約提取、發票處理、客戶支援、軟體測試、企業搜尋、會議摘要、翻譯、合規監控，以及無數其他例行商業流程，只需要一個能持續達到所需品質門檻、且成本最低的模型即可。更複雜的推理任務、策略規劃、科學研究、先進軟體工程，以及自主代理工作流程，可能仍會依賴最有能力的前沿系統，但這些僅佔企業整體 Token 消耗的相對小部分。其結果是，組織開始動態地路由工作負載，將較簡單的任務分配給較小、較便宜的模型，同時只將最 demanding 的要求升級到前沿系統，在那裡，額外的智慧才能真正創造出增量的經濟價值。
這種轉變從根本上改變了企業價值的所在位置。一旦路由成為主流的部署模式，個別的 AI 模型就會逐漸變成可互換的元件，位於一個更大的編排平台之後。企業不再直接購買智慧，而是購買一個能夠決定在特定時刻該部署哪種智慧的系統。與其要求員工在 GPT、Claude、Gemini、Llama、DeepSeek、Qwen、GLM、Kimi 或未來的模型之間做選擇，編排層會根據延遲、成本、準確性、治理要求、安全政策、法規限制、客戶偏好和工作負載複雜度，自動且安靜地做出決定。其顯著的結果是，模型本身逐漸退居幕後，而編排平台則成為主要的客戶關係介面。
這讓我想起另一個重要的技術轉型。多年來，投資人認為作業系統是企業運算的經濟中心，因為每個應用程式最終都依賴於它。Linux 從根本上改變了這個假設，它讓作業系統本身變得越來越普及，同時將價值轉移到雲端基礎設施、企業軟體、網路安全、託管服務，以及建構在其之上的更高層級應用程式。作業系統從未消失，只是它在經濟上的重要性不如圍繞它的生態系統。
我相信開放權重 AI 模型有潛力產生非常相似的結果。DeepSeek、Qwen、Llama、GLM、Kimi、MiniMax 以及許多其他開放權重模型，正以極少數投資人完全理解的速度穩步改進。重要的是，它們不需要在每個基準測試上都超越所有專有前沿模型，就能重塑產業經濟。它們只需要變得足夠有能力，足以勝任大約百分之八十的企業工作負載即可，因為一旦跨過這個門檻，採購決策就會主要由經濟效益而非排行榜排名驅動。模型本身越來越像 Linux：免費可用、能力強大、持續改進，最終有價值不是因為它自己捕獲了經濟租金，而是因為它讓一個全新的生態系統得以圍繞它而誕生。
這就是為什麼我越來越相信 AI 產業正接近它自己的 Linux 時刻。開放權重模型將智慧商品化。編排則將其貨幣化。這個區別至關重要，因為它從根本上改變了產業護城河的所在位置。
如今，大部分討論都集中在基準測試領導地位、參數數量、推理分數和科學評估上。這些指標在前沿領域無疑很重要，但在《財星》500 大企業的採購委員會內部，它們的重要性就低得多。企業 CIO 很少因為某項技術在學術排行榜上名列前茅就採購它。他們採購技術是因為它能無縫整合到現有的身分系統中、滿足治理要求、符合法規標準、提供稽核軌跡、支援安全政策、提供可預測的服務等級協議、簡化採購、降低營運複雜度，並最小化總持有成本。實際上，一旦技術成熟，可靠性幾乎總是能擊敗理論上的優越性。
這個區別對投資人來說可能極為重要。贏得另一個基準測試能上頭條。贏得採購決策則能帶來經常性收入。編排層正好位於這些採購決策發生的位置。
Amazon 的 Bedrock 特別能說明這個轉變。雖然許多投資人仍將 Bedrock 主要視為一個讓客戶存取 Claude 或其他前沿模型的市場，但該平台已經演變成更重要的角色。Bedrock 越來越像企業 AI 的作業系統，允許組織存取來自眾多供應商、超過一百種模型變體，同時自動將工作負載路由到最能滿足成本、延遲、能力和治理組合的模型。智慧提示路由、AgentCore、記憶體管理、可觀測性、安全性、身分整合、瀏覽器自動化、工具呼叫和生產監控，都將 Bedrock 轉變為遠不止另一個 API 端點。它成為了管理企業 AI 本身的決策層。
Microsoft 的 Azure AI Foundry 遵循幾乎完全相同的理念。Foundry 不要求客戶承諾使用單一的前沿實驗室，而是允許企業編排日益多元化的 AI 生態系統，同時將這些工作流程直接嵌入 Azure 現有的安全架構、合規框架、開發者工具和企業軟體堆疊中。Google Vertex AI 追求類似的目標，雖然自然更側重於 Gemini。無論各自的實作策略為何，這三大超大規模雲端業者似乎都在朝著同一個目的地匯聚，即成為企業 AI 工作負載得以被編排的作業系統，而不僅僅是提供它們執行所需的基礎設施。這個轉變也創造了我認為市場嚴重低估的轉換成本。
如今，投資人常討論轉換成本，彷彿它們主要存在於模型層，詢問企業是否會忠於 OpenAI、Anthropic、Google 或其他前沿實驗室。我越來越相信，最終可能證明情況恰恰相反。一旦組織開始在 Azure AI Foundry、AWS Bedrock 或 Google Vertex 內部建構檢索管道、微調模型、評估框架、記憶體架構、安全政策、合規控制、可觀測性儀表板、身分整合和自主代理工作流程，更換底層模型就變得相對簡單，而遷移編排平台本身則變得困難得多。模型逐漸變得可替換。編排層則深深嵌入企業營運之中。
我的一位讀者最近提出一個觀察，完美地捕捉了這個轉變，他認為隨著時間推移，編排的「韁繩」可能變得和模型本身一樣有價值，因為它最終決定了智慧如何在組織內部被部署。我相信這個見解值得比目前更多的關注。競爭護城河正逐漸從擁有最智慧的模型，轉向擁有存取每個模型的流程。
另一個含義也自然而然地從這個框架中產生。許多投資人假設更便宜的模型必然會減少運算需求，因為每次個別推論消耗的資源更少。我相信情況很可能恰恰相反。路由並不會減少推論，它會擴展推論。一旦組織意識到他們能以今日成本的一小部分解決例行任務，他們就會停止配給 AI 的使用。Agent 開始持續而非間歇性地運作。模型反覆驗證自己的輸出、諮詢多個推理鏈、檢索更大的上下文視窗、評估競爭對手的回應，並執行日益複雜的自主工作流程。單個 Token 變得極其便宜，但總 Token 消耗量卻加速成長，因為智慧對於不斷擴大的應用範圍來說，在經濟上變得可行。
這就是傑文斯悖論（Jevons Paradox）在企業軟體中的體現。效率不會減少需求，效率會創造全新的需求。每一個額外的工作流程，無論最終由哪個模型執行推論，仍然會經過 Microsoft 的 Azure、Amazon 的 AWS 或 Google 的 Cloud。每一個被路由的請求仍然會消耗網路容量、儲存空間、GPU、記憶體、安全服務、日誌基礎設施、合規系統、監控工具和編排軟體。無論客戶最終選擇 GPT、Claude、Gemini、Llama、DeepSeek 或其他開放權重模型，雲端平台都能從中獲取價值。
從許多方面來看，這正是我相信編排層可能成為整個 AI 堆疊中最有價值位置之一的原因。前沿實驗室無疑將繼續為基準測試領導地位而激烈競爭，因為智慧對於解決人類最困難的問題仍然至關重要。然而，隨著人工智慧從一項利基技術擴展為全球經濟的作業系統，企業將越來越不關心是哪個個別模型產生了答案，而更關心整個系統是否安全、可靠、合規、成本效益高，並能無縫整合到現有的商業流程中。
歷史一再證明，隨著技術成熟，價值會從發明本身轉移到協調其廣泛採用的基礎設施上。人工智慧似乎越來越有可能遵循完全相同的路徑。最終控制企業 AI 的公司，可能不一定是那些生產最智慧模型的，而是那些每天安靜地編排數十億個決策，同時讓人工智慧的複雜性對客戶幾乎完全隱形的公司。在我們看來，這正是該產業一些最寬廣、最持久的競爭護城河可能出現的地方。
第四部分：政府、地緣政治與新的 AI 秩序
為什麼監管可能加速而非減緩超大規模雲端業者的崛起。
到目前為止，這個論點幾乎完全建立在經濟學之上。不斷下降的推論成本、快速進步的開放權重模型、企業 Token 優化，以及經濟價值向基礎設施的遷移，都指向同一個結論：超大規模雲端業者在未來 AI 生態系統中正變得越來越核心。然而，還有另一股力量在悄悄強化完全相同的結果，而與技術進步不同，這股力量不太可能遵循摩爾定律或任何可預測的工程路線圖。它就是地緣政治。
在網路時代的大部分時間裡，科技公司都假設軟體可以自由跨越國界，讓一個國家開發的創新幾乎能即時在全球範圍內獲得。人工智慧正在證明其根本不同，因為前沿模型越來越不被視為純粹的商業產品，而是被視為戰略性國家資產，其能力延伸到網路安全、情報收集、軍事應用、科學研究和關鍵基礎設施。一旦政府開始從國家安全而非純粹商業競爭的角度看待 AI，全新的經濟動態就會開始浮現。
美國最近的發展很好地說明了這種轉變。川普政府關於促進先進人工智慧創新與安全的行政命令，建立了一個框架，在此框架下，某些前沿模型在廣泛商業發布前可能需要經過政府評估，特別是在涉及先進網路能力的情況下。雖然該框架是自願性的而非強制性的許可制度，但它引入了一個以前不存在的東西：前沿 AI 實驗室與聯邦政府之間關於部署最有能力模型的結構化關係。
這個發展今天看來可能微不足道，但我相信其長期影響遠比市場目前所認識到的要大。辯論不再僅僅是關於誰打造了最智慧的模型。它越來越關於誰能存取那個模型、在什麼條件下、以及透過什麼基礎設施。
Anthropic 的事件說明了這個不斷變化的格局。今年早些時候，對 Anthropic 最先進模型的存取受到了出口管制考慮的影響，造成了一種情況，即商業部署不再僅由技術準備就緒或客戶需求決定，而是越來越多地由地緣政治考量決定。無論一個人對這類政策的優點有何看法，更廣泛的方向似乎是明確的。前沿 AI 模型正逐漸成為受政府監管的戰略技術，其方式與先進半導體製造設備、密碼學、航太技術和某些國防能力幾十年來的情況大致相同。
這創造了一個許多企業尚未完全理解的問題。如果不同的模型在不同的司法管轄區、在不同的時間、在不同的監管框架下可用，那麼企業就不能再圍繞單一模型供應商來建構 AI 策略。在數十個甚至數百個國家營運的全球性公司需要靈活性，因為法規要求、資料主權規則、出口管制和模型可用性可能因司法管轄區而異。一家跨國銀行、製藥公司或工業製造商不能僅僅因為某個前沿模型在特定區域暫時無法使用就暫停營運。這個現實極大地增加了編排的價值。編排層不再僅僅為成本和效能進行優化。它越來越需要為合規進行優化。
一家在歐洲、美國、中東和亞洲營運的企業，最終可能需要根據工作負載複雜度，以及地理位置、資料駐留、網路安全要求、出口限制、客戶協議和當地法規，做出不同的路由決策。突然之間，選擇最佳的 AI 模型變成了一個極其複雜的最佳化問題，遠遠超出了基準測試效能的範疇。
這正是超大規模雲端業者擁有結構性優勢、且這些優勢越來越難以複製的地方。Microsoft、Amazon 和 Google 已經營運著一些世界上最大的全球分散式雲端基礎設施，在管理身分系統、加密、網路安全、合規、主權雲端部署、法規認證、稽核要求以及與幾乎每個主要司法管轄區的政府關係方面擁有數十年的經驗。他們花了多年時間建立與企業 CIO、金融監管機構、醫療保健提供者、國防承包商和政府的信任，因為雲端運算在人工智慧到來之前很久就需要解決許多這些治理挑戰。
從許多方面來看，AI 只是繼承了這些優勢。企業客戶不再僅僅問 GPT 是否在推理基準測試上比 Claude 或 Gemini 略勝一籌。企業越來越多地問一系列不同的問題。這個工作負載能在德國合法運行嗎？客戶資料能留在日本境內嗎？這個模型能滿足金融監管機構的要求嗎？如果一個供應商暫時無法使用會怎樣？工作負載能否在不中斷營運的情況下自動重新路由？每次推論能否在幾個月後被稽核？我們能在監管審查期間證明合規性嗎？這些不是機器學習問題。它們是企業基礎設施問題。
歷史一貫表明，企業技術市場對可靠性的獎勵至少與對技術優越性的獎勵一樣多。CIO 很少僅根據基準測試排名來採購基礎設施，因為停機、合規失敗或安全漏洞給組織帶來的損失，往往遠大於技術效能的邊際差異。人工智慧似乎不太可能表現得不同。最智慧的模型可能吸引頭條新聞，但最可靠的平台往往能贏得採購決策。
這種不斷演變的地緣政治環境的另一個後果是，模型供應商本身變得越來越依賴超大規模雲端業者。隨著前沿開發變得越來越計算密集、監管審查增加、全球部署變得更加複雜，獨立實驗室越來越需要能夠提供基礎設施、合規、網路安全、主權雲端能力、企業分銷和全球客戶關係的合作夥伴。因此，超大規模雲端業者不僅僅是基礎設施供應商。他們越來越成為前沿模型接觸企業客戶的戰略分銷合作夥伴。
這創造了一個有趣的對稱性。每一個額外的模型都會強化編排平台。每一個額外的前沿實驗室都使多模型路由變得更有價值。每一個額外的監管框架都增加了企業部署的複雜性。這些趨勢中的每一個都強化了雲端平台的地位，而不是削弱它。諷刺的是，模型生態系統的競爭越激烈，編排層就變得越有價值，因為企業需要一個能夠管理這種複雜性的中立平台。這最終將我們帶回了核心的投資問題。
在過去的兩年裡，投資人理所當然地專注於識別哪家公司擁有最智慧的 AI 模型，因為智慧本身代表了該產業的主要瓶頸。我越來越相信這個瓶頸正在開始轉移。智慧在專有和開放權重模型中都在快速持續改進，推論成本持續崩跌，企業客戶正變得越來越關注經濟效益、治理和部署，而非僅僅是基準測試領導地位。
在整個科技史上，投資人一再高估了發明本身的價值，同時低估了使其得以廣泛採用的基礎設施的價值。鐵路改變了商業，但貨運網路捕獲了經常性的經濟租金。網際網路改變了溝通，但雲端運算成為有史以來最偉大的商業之一。智慧型手機改變了日常生活，但作業系統和應用程式商店最終成為價值數兆美元的分銷平台。
人工智慧可能遵循完全相同的模式。市場仍在辯論誰打造了最智慧的模型。我越來越相信這正在變成一個錯誤的問題。更重要的問題是，誰擁有每天最終將承載數兆個 AI 決策的基礎設施。智慧正變得越來越充裕。推論正變得越來越便宜。在越來越多的企業工作負載中，模型正變得越來越可互換。稀缺的是全球雲端基礎設施、企業信任、編排、治理、安全性、合規性、分銷能力，以及將所有這些能力整合成一個無縫平台、讓組織能夠在全球規模部署人工智慧的能力。歷史表明，稀缺資產一貫能捕獲長期經濟租金的最大份額。
這就是為什麼我們的信念超越了創造智慧本身的公司，而越來越轉向那些正在建構 AI 經濟作業系統的公司。人工智慧的第一章是關於發明智慧。下一章可能被證明是關於如何高效、安全且經濟地將智慧分銷到每一個企業、每一個產業，最終分銷到全球經濟的每一個角落。在我們看來，這正是未來十年最大的投資機會之一可能出現的地方。
結論：長期看好以下公司：NVDA、TSMC、SK Hynix、Micron、Samsung Electronics、Microsoft、Alphabet、Amazon、Meta。
