AI本质探析：从互联网到工业制造的转变

我们过去常常将 AI 视为互联网的延伸。这或许是因为许多从事 AI 工作的人原本就来自互联网行业。

然而，随着观察的深入，我们发现当前 AI 的商业根基更类似于制造业。

传统互联网的核心模式是：编写一次代码，便可无限复制，边际成本趋近于零。其核心在于代码背后的流量增长，并通过流量实现盈利。

但大模型的运作方式并非如此。

大模型企业需要采购 GPU、建设数据中心、消耗电力、训练模型、部署推理系统，然后持续生成 token。它并非简单地复制软件，而是通过工业体系持续产出一种新的产品：智能。

NVIDIA 首席执行官黄仁勋有一个生动的比喻：未来数据中心不再是 data center，而是 AI factory。传统数据中心用于存储数据，而 AI factory 则是将能源作为输入，输出 token。

这句话极为关键。

这意味着当前 AI 的商业模式并非传统互联网，用户规模、用户数据、用户习惯的意义有限，而是一个“以能源和芯片生产智能”的工业体系。

因此，当前的大模型竞争，本质上不是几家互联网公司在比拼产品体验、用户规模或停留时间，这些是互联网时代的衡量标准，而是几个超级工业系统在比拼：谁拥有更多 GPU、更便宜的电力、更强的数据中心调度能力，谁的智能密度更高，谁能把单位 token 的成本压得更低。

这正是制造业的逻辑。

前端比拼资本投入，后端比拼单位成本。

前沿能力比拼研发投入，普及能力比拼规模效率。

Sam Altman 也从另一个角度表达了类似观点。他在《Three Observations》中提到，模型智能大致取决于训练算力、数据和推理算力；同等智能水平的使用成本大约每 12 个月下降 10 倍。

这表明 AI 将同时呈现两个趋势：

一方面，前沿模型的成本越来越高，因为大家需要持续建设更大的算力基础设施。

另一方面，普通智能变得越来越便宜，因为推理成本、模型压缩、硬件效率都在快速优化。

这与钢铁、汽车、芯片、光伏、电池等行业非常相似。

早期存在技术溢价，但一旦工艺成熟、产能扩张、供应链完善，价格就会迅速下降。

这里还有一个重要机制：蒸馏。

所谓蒸馏，就是利用更强大的大模型生成高质量输出，再用这些输出训练更小、更便宜的模型，使小模型在特定任务上接近大模型表现。OpenAI 官方也将 model distillation 描述为：用前沿模型的输出，提升更低成本模型的表现。

蒸馏的商业价值在于：大模型投入巨资探索出的能力，会被更小、更便宜、更专用的模型快速吸收。

这就像制造业中的工艺扩散。

第一家工厂投入巨资研发，后来者通过学习、压缩、改造供应链，以更低的成本实现相同能力。

这也是为什么模型层的高附加值会逐渐减少。

如果一家公司只是在销售“更聪明一点的 token”，长期来看一定会面临压力。因为客户可以更换模型，开源模型会追赶，小模型可以蒸馏，推理成本会下降。

但这不意味着 AI 没有高附加值。

真正的高附加值，会从模型本身转移到具体应用场景中。

谁拥有私有数据，谁掌握业务流程，谁具备分发渠道，谁能对业务结果负责，谁就能获得高附加值。

比如在品牌广告中，真正有价值的不是“生成一段广告文案”，而是将 AI 融入完整的增长流程：

从人群洞察，到卖点提炼，到创意生成，到素材版本化，到投放测试，到数据复盘，再到下一轮创意迭代。

这才是 AI 在商业场景中的真正形态。

不是一个简单的聊天框，而是一条智能生产线。

因此，关于“AI 是制造业”，我将其总结为三句话：

第一，AI 的底层是制造业：用资本、能源、芯片和数据中心生产智能。

第二，蒸馏会让模型能力快速扩散，使通用智能 token 越来越商品化。

第三，高附加值不会消失，但会从模型迁移到数据、流程、分发和结果闭环中。

真正值得做的，不是再造一个基础模型。

而是找到一个高价值场景，把越来越便宜的智能，变成越来越确定的业务结果。