一旦模型超越其最大必要智能水平，AI任务就会变成商品，竞争便转向成本、延迟、基础设施和分发。前沿实验室仍能成长为庞然大物——前提是新能力能以比竞争对手复制和商品化更快的速度创造有价值市场。

智能前沿的经济学

当下许多人在担忧，当DeepSeek、Qwen、GLM等模型正在商品化前沿能力时，OpenAI、Anthropic、Google这类前沿模型公司能否存活。

我认为完全可能出现这样的局面：前沿模型公司跻身全球最大企业之列，同时其模型执行的大部分任务却沦为商品。这两种结果可以并存，因为AI并非单一市场。供应商可能趋向同质化，但应用场景却千差万别。每个任务对智能的需求不同，而许多任务都存在一个临界点——超过该点后，更强的智能不再产生额外价值。

大语言模型与其他高固定研发成本、能力快速迭代的技术市场颇为相似。

理解这类市场有个简单方法：按成本和能力绘制模型图谱。对于特定任务，有些模型根本达不到能力门槛。在达标模型中，买家则关注成本和延迟。什么才算足够能力、可接受延迟或诱人价格，会因应用场景剧变。

“能力”定义取决于具体场景。这里我用“智能”作为特定任务能力的简称。有的模型擅长生成图像，有的擅长视频创作，有的精于编程，有的长于数学推理。用什么标准衡量智能是合理问题，但答案随任务而变。

我预计模型间的表达差异会随时间缩小。我强烈怀疑多模态输入输出模型最终将战胜许多专用模型。目前看来，为数据增加维度似乎能整体提升推理能力。我们口语中称能执行所有这些任务的模型为“前沿模型”，是因为历史上只有前沿模型能做到这点。这正变得越来越不成立——多模态性与前沿智能实为独立特性。

任务智能饱和

对任何特定任务，存在两个关键阈值：

• 最低可行智能（MVI）：模型突破该阈值即可执行任务。如同人类在任务上表现各异，达到最低可行智能的模型很少成为最优者，但可能勉强够用，可能达到可接受精度的绝对底线，终归完成了任务。

• 最大必要智能（MNI）：超过该点后，增强智能不再带来收益。任务已达到应用场景所需的性能与一致性水平，更多智能无法创造额外价值。

低于MVI时，模型无法可靠执行任务，该场景的经济价值微乎其微；处于MVI与MNI之间时，智能提升产生递增经济价值；超过MNI后，智能的边际价值趋近于零。

前沿智能仅对尚未饱和的任务具有意义

在任务层面，智能的边际效益递减并最终归零。

存在大量长周期任务，我们尚不清楚其最大必要智能在哪里。有些任务的理论天花板可能极高，甚至可能存在边际收益永无上限的问题——或许理解宇宙就是其一。我们不得而知。

同样存在大量确实存在最大必要智能的任务。存在硬性上限，额外智能不再带来提升，甚至可能因过度思考产生负面效果。

人类就体现这点：极度聪明的人往往不适合简单工作，因为他们容易过度思考。大语言模型似乎也如此——给前沿推理模型一项本质简单的任务，它可能空转五分钟试图寻找难点，有时根本不存在难点，它只需直接作答。

即便是编程，其智能需求范围也常被高估。我认为正确编程所需的智能并非无限，这是个相对有界且可验证的领域。特定编程任务显然需要更强智能，我们尚未构建出无错软件或无错系统。我虽未完全确信已达到饱和，但或许再经历一两次模型迭代，就能在软件开发的惊人广泛领域里达到该点——我们实际已解决了许多并不简单的编程任务。

最终触及智能上限的任务数量可能比人们想象的更多。

当你不再需要更多智能

随着模型能力增强，越来越多任务达到饱和点。当更新、更智能的模型发布时，对于已饱和的任务几乎没有采用理由。在特定时间点，前沿模型通常服务成本更高且往往更慢。一旦不再需要额外智能，人们就会关注成本和许多场景中的速度。

还有其他维度：配置便捷性很重要，与其他工作流的嵌入集成很重要，基础设施很重要。商品市场中存在多种差异化服务、交付和商业模式的方式，能让供应商摆脱纯粹的商品定价。

此处需要区分可靠性。任务可靠性本身属于智能范畴：若模型A能80%正确执行任务，模型B能99.99%正确执行，则后者具备更强的特定任务能力。这种提升存在于MVI与MNI之间。

超过MNI后，可靠性指代基础设施可靠性：供应商能否保持正常运行时间？能否应对高峰负载而不出故障或延迟？能否提供可预测吞吐量？这些在任务智能饱和后依然有价值，但属于基础设施和服务属性。

延迟同理。速度可分解为“首token生成时间”和“每秒token数”。高度实时场景可能极其关注token开始流式输出的速度，而其他场景则完全无关。批量离线工作可能容忍24小时延迟，其定价也将相应调整。

因此，任务层面的采购决策是在能力、成本、延迟及应用场景的其他要求之间进行选择。一旦多个模型跨越MNI，更强智能不再决定胜负。

这就是多数高科技市场的运作方式

半导体行业已呈现这种结构。

存在庞大品类的芯片，其能力需求早已饱和。汽车、工业设备、家电和嵌入式设备使用大量无需前沿晶体管密度的芯片。例如在汽车应用中，成熟工艺节点仍有巨大需求。客户通常缺乏将这些芯片迁移至新节点的动力，因为现有技术已足够，迁移会产生额外开发和认证成本。

当所需能力达到后，经济性更依赖制造成本、可靠性、可用性和规模。成熟节点半导体制造历来利润率较低，这可能导致即使芯片需求依然庞大，也难以论证新建昂贵产能的合理性。

我认为大语言模型将呈现相同趋势。随着更多任务的智能达到饱和，现有工作负载中将有越来越大部分由围绕价格、延迟和其他特性优化的模型服务，而非追求最大能力。

这与绝对token总量关系不大。总token量可能大幅增长，其中前沿模型与市场商品化部分所占份额将动态变化。

能力的边际提升可能创造新市场，消耗难以置信的token量。在某个时期，前沿模型可能服务几乎全部需求。随后更便宜的模型通过优化价格和延迟赶上，夺取大部分市场。

GPU提供了有益类比。

GPU最初是图形处理器。随着性能增强和可编程性提升，它们在屏幕渲染之外找到日益宝贵的应用：实现更丰富的游戏体验，成为加密货币繁荣时期的重要基础设施，最终演变为现代AI的核心算力基础。

如今AI已成为NVIDIA最大市场。在最新财年，NVIDIA数据中心业务营收约1940亿美元，游戏业务仅160亿美元。该公司将数据中心业务的巨量增长直接归因于加速计算和AI。

并非一直如此。这项曾主要用于图形渲染的技术因能力与可编程性提升而开辟全新市场，实现了截然不同的工作负载。

同样的动态适用于智能领域。

前沿创造市场

当新模型推动前沿突破时，某些先前低于最低可行智能的任务跨越阈值，原本不可能提供的服务变得可能，从而创造市场。

其他任务已处于MVI与MNI之间，更强模型能更好执行这些任务，创造更多经济价值。

随着时间推移，竞争对手复制该能力，成本下降。最终多个模型超越特定任务的最大必要智能，此时额外智能不再成为产品差异化要素，竞争聚焦于客户关心的其他方面。

前沿模型通过使先前不可能的任务成为可能来创造新市场。当这些任务达到饱和且相同能力扩散至更便宜的模型时，它们便被商品化。

时间利润模型

《盈利的艺术》中有个“时间利润模型”。我认为大语言模型和多数高科技市场高度遵循该模型。

当你实现新技术突破时，只有有限时间能开发利用，直到竞争对手赶上并压低价格。模型市场同样如此。

在前沿尖端，公司可收取相对较高甚至惊人的价格，因为可能只有一两家参与者能提供该能力层级的服务。有限竞争创造定价权，使价格远高于边际成本。

随后竞争赶上，这些经济优势便会恶化。

前沿模型在提升智能方面越成功，其后的商品化模型能力就越强

昨日的前沿能力逐渐以低得多的价格被数十乃至数百家供应商提供。

这不代表前沿模型公司的商业模式糟糕。即使最终仅占少数token份额，这些公司仍可能成为市场最大利润来源。

其利润来自稀缺能力。当某公司是唯一能执行有价值任务的供应商时，它拥有巨大定价权；而服务一项数百家模型都能执行的任务时，定价权则微乎其微。竞争越少，定价权越强，价格可远超边际成本。

前沿模型与前沿模型公司

OpenAI、Anthropic或Google可同时服务前沿市场与落后数代的模型市场。它们可蒸馏前沿系统、运营小型模型、动态分配推理算力，或利用规模优势参与全市场竞争。

技术上并无障碍。我某种程度上认为市场也会支持许多其他供应商，因为创新公司与最低成本生产者历来发展出截然不同的企业特质。

NVIDIA在此颇具启发性（但类比需精确）。NVIDIA参与多个计算市场，包括游戏、专业可视化、汽车和数据中心，不仅服务绝对前沿。

然而，其非凡经济性日益来自技术能力高度差异化的市场，而非试图主导所有低成本半导体应用场景。数据中心业务贡献了NVIDIA 2026财年2160亿美元营收中的近1940亿美元。

部分原因在于分发。分销渠道在一定程度上决定组织形态。为高难度技术问题与复杂客户设计的组织，与为海量低成本单位服务的组织可能截然不同。

这些市场的竞争形态也不同。在绝对前沿，可能只有一两个真正对手；但在能力曲线大幅下移处，可能面临成百上千供应商的竞争——那是更激烈、更残酷的刀战。

一旦任务本身饱和，前沿模型公司便不再具备明显的智能优势。它们可能有其他优势：规模重要，GPU采购能力重要，分发渠道重要，基础设施重要。它们可能成为全球最擅长蒸馏自身模型的公司。

这些都是潜在优势，但当众多供应商已能满足智能需求时，竞争环境会严苛得多。

谁该运营路由？

对此框架的直接解读是：每个应用动态选择最便宜且能完成给定任务的模型。我相当怀疑跨模型路由是否真如此简单。

基于构建大量智能体系统的经验，你通常无法为同一任务替换不同模型并期望相同输出。不同模型对相同token输入有不同表达，具有不同故障模式，需要不同提示词才能达成不同效果。随机性和训练细节至关重要。

原则上，路由公司可训练翻译模型理解意图，为特定模型重写提示词，然后将任务发送给相应供应商。这完全可能实现。但我们尚未普遍看到其有效运作。

存在大量场景适合动态分配：聊天机器人和单轮交互场景显然适用，某些人机协同任务也可能适用。但对于长期运行的智能体任务，我不太确定——更换底层模型可能改变整个系统行为。

允许最高成本智能生产者运营路由存在基本经济问题。