AI 产业经济学习01：AI 风口下，谁先尝到甜头？

AI ECO 01 封面：AI 风口下，谁先尝到甜头？

AI 风口里，最容易被看走眼的一件事是：贴近用户的人，不一定最先赚到钱。

我们通常会以为，谁握住用户，谁就握住价值。互联网时代很多案例也印证这个逻辑：应用圈住用户，平台圈住流量，软件企业把用户习惯变成订阅、广告、交易或生态位置。

但生成式 AI 的早期经济格局有点反常识。

应用层最喧嚣，用户增速最快，产品故事最多。然而真正先拿到定价权的，往往是更底层的东西：GPU、芯片供给、数据中心、电力和云基础设施。

所以 Week 1 的核心问题可以浓缩成一句话：

卡片 01：AI 风口下谁先尝到甜头？

Stanford MS&E 435 的 Week 1 主题是Intro to the Economics of Generative AI。课程材料里把 Apoorv Agrawal 的《The Economics of Generative AI》和 2026 年更新版放在核心阅读位置。

这两篇文章最有价值的地方，是把"AI 很热"拆成了一个产业链问题。

2024 年那篇文章里，Apoorv 把生成式 AI 栈拆成三层：芯片层、基础设施层、应用层。他当时估算，芯片层捕获了生成式 AI 栈大约 83% 的收入，以及接近 88% 的毛利润。

这个数字之所以关键，不是因为它精确到小数点，而是因为它揭示了结构：

AI 应用离用户最近，但早期稀缺资源在算力层。

谁掌握稀缺资源，谁就先有定价权。

卡片 02：价值链为何倒过来？

到了 2026 年更新版，这个结构并未完全反转。Apoorv 估算 AI 生态的年化收入已经从大约 900 亿美元增长到约 4350 亿美元，但半导体层仍然捕获约 70% 的 AI 收入、约 79% 的毛利润。

应用层增速很快，但绝对金额上，底层算力依然吸走了大部分增量。

这就是"倒置价值链"的含义。

在传统云经济里，应用通常更贴近最终客户，也更容易捕获大部分利润。在生成式 AI 的早期，情况更像一座倒过来的金字塔：最底层的 GPU 和芯片，反而先拿到最大价值。

这并不意味着应用层没有机会。

恰恰相反，长期看，真正大的应用机会一定会出现。问题在于：用户量不等于利润，热度不等于商业模式，试用也不等于习惯。

AI 应用要把价值拿回来，至少要走过四步。

第一步是使用量。很多人下载、尝鲜、转发截图，这说明需求被点燃了，但还不说明用户离不开它。

第二步是留存。用户是否愿意反复回来？如果只是被一次模型发布、一次社交传播、一次低价活动带来，很快又离开，这个使用量就很浅。

第三步是习惯。用户是否把它放进了日常任务？写作、学习、编程、研究、销售、客服、管理、分析，哪些任务开始默认从 AI 开始？

第四步才是付费与利润。收入能不能覆盖推理成本、获客成本、模型成本和服务成本？

卡片 03：用户很多不等于赚钱

Apoorv 的 State of Consumer AI 系列给了一个很好的观察角度。

Part 1 里，他写到 AI 应用已经超过 10 亿周活用户，ChatGPT 约占 70%，并且是少数真正达到消费者互联网规模的 AI 应用。Part 2 继续看 engagement 和 retention：使用量只能说明谁来了，留存和习惯才说明谁留下了。Part 3 再进一步讨论时间和商业化：用户时间是订阅、广告和其他变现方式的原材料。

这条逻辑对所有 AI 应用都很关键。

一个产品可以有很多人试过，却没有形成固定任务。

也可以有很多人频繁使用，却因为推理成本过高、定价过低，越多人用越亏。

所以 AI 应用的难点不是"有没有人试"，而是能不能把使用变成习惯，再把习惯变成可持续利润。

这篇材料里最容易理解的类比，是淘金热。

应用公司像淘金者。机会巨大，故事动人，每个人都希望挖到金子。

但早期更稳定赚钱的，往往是卖铲子、卖矿机、卖水、卖交通和卖营地服务的人。

对应到 AI，GPU、芯片、云、数据中心和推理基础设施，就是"铲子和矿机"。

只要所有人都想训练模型、部署模型、调用模型、做 Agent、做企业 AI，底层算力需求就会先被放大。

卡片 04：不一定是淘金者先富

这个类比有一个重要边界。

卖铲子的人先赚钱，不等于淘金者永远赚不到钱。早期基础设施吃到稀缺溢价，是因为市场还在建设生产系统。等算力成本下降，模型能力稳定，企业流程被重构，应用层才有机会把价值重新拉回用户任务里。

换句话说，应用层不是没机会，而是要等自己的经济条件成熟。

AI 应用真正的拐点，不是"用户试过"，而是用户的核心任务回不去旧方式。

第一阶段是新奇工具。

用户因为好奇而使用，问几个问题，让它写一段话，生成一张图，改一段代码。这个阶段有传播，但不一定有留存。

第二阶段是高频助手。

它开始反复出现在学习、写作、编程、研究等场景里。用户会回来，但可能仍然把它当作外部工具。

第三阶段是工作流入口。

用户不再先打开旧工具再找 AI 辅助，而是先从 AI 开始定义任务、拆解问题、找资料、生成初稿、调用工具。

第四阶段是业务结果交付。

这时 AI 不只是提供能力，而是直接改善成本、效率、收入或客户体验。企业也不再只为"功能"付费，而是愿意为结果的一部分付费。

卡片 05：从工具到工作流

这一点和 Week 0 的判断连在一起。

如果 AI 只是一个软件功能，它的价值会被工具化。

如果 AI 变成工作流入口，它就开始改变控制权。

如果 AI 能承担业务结果的一部分，它才真正进入商业价值捕获。

把这篇的判断压缩成一个框架，我会看三件事。

第一，掌握稀缺资源。

短期内，GPU、芯片供给、数据中心、电力和高质量推理容量，决定了谁能先拿到定价权。

第二，降低单位成本。

训练成本和推理成本下降以后，应用层才会有更大的利润空间。否则用户越多，可能放大的不是利润，而是亏损。

第三，占据用户工作流。

应用层最终要从"工具"变成"入口"，再从入口变成"业务结果交付"。只有这样，离用户近才不只是流量优势，而是价值捕获能力。

卡片 06：谁能捕获 AI 的价值？

所以这篇的结论不是"应用没价值"，也不是"芯片永远赢"。

更准确的说法是：

短期，价值集中在算力层。

长期，价值可能迁移到应用层。

但迁移不会自动发生。它需要算力成本下降，需要产品形成习惯，需要企业流程改变，也需要应用真正绑定可衡量的业务结果。

课程