大模型为何没有网络效应？AI时代的「通道费」困局与变现指南

type

status

date

slug

summary

category

icon

password

网址

2026年6月，硅谷。Anthropic的年化营收在过去12个月里翻了五倍多，达到470亿美元。四大科技巨头今年的AI资本开支指引合计超过7000亿美元，接近全球电信行业总投入的两倍。

当整个行业用“投资不足的风险比过度投资更大”自我说服时，Benedict Evans在a16z的播客室里谈起了2008年的移动数据危机。

那是iPhone首发后的混乱年月。AT&T推出无限流量套餐，用户疯狂看YouTube，网络瞬间瘫痪，运营商花数千亿美元扩容。最终，所有酷炫的应用都是别人做的，运营商只赚到了“管道费”。

Evans每年发布一份名为《AI Eats the World》的演讲，被硅谷视为观察技术周期的重要坐标。和大多数乐观主义者不同，他习惯从历史里找坏消息。在他看来，今天20美元/月的ChatGPT订阅与背后上万美元Token成本之间的裂缝，和当年5000亿美元天价数据账单出自同一种幻觉。定价与成本严重脱节，而所有人都假装没看见。

“所有赌注都还是开放的。”他坦承自己无法预测终局。但当模型效率每年提升100到200倍，而全球有近万亿美元资本涌入这个赛道时，他认为至少有一件事是确定的：今天这种“按ROI定价”的奢侈不会持续太久。

以下是Evans对AI经济学核心矛盾的六个判断：

基础模型不是产品，价值终将向上游转移。模型公司很可能沦为卖水人，重蹈芯片商、ISP和移动运营商的覆辙。它们建造了惊人的基础设施，却没能捕获最多的利润。

编程是目前唯一真正找到PMF的领域。 Agentic Coding已从“有点用”跃迁为“改变一切”，但除此之外，大多数场景仍停留在“每周打开一次ChatGPT随便试试”的边缘。

定价体系正在崩溃。当模型效率每年提升100-200倍，而CapEx以万亿规模涌入时，今天按ROI定价的奢侈不会持续。Token终将像移动数据一样，走向商品化价格战。

AI不会终结SaaS，但会重新定义软件的边界。概率性的LLM该放在技术栈的顶端还是底部？企业软件将迎来新一轮“Excel vs. 专用软件”的混沌博弈，更多的软件，更多的竞争，更不确定的利润率。

历史只能解释，不能预测。移动互联网、云计算、PC时代的类比都有用，但没有一个能告诉你OpenAI会不会成为下一个Windows，还是下一个Netscape。

真正的问题正在离开技术圈。AI对律所、投行、咨询公司和好莱坞意味着什么？这些答案不在旧金山，而在那些知道“初级员工到底在做什么”的行业内部人手里。

OpenAI与Anthropic的策略分化

Erik Torenberg：Benedict，欢迎回到a16z播客。上次你来的时候，我们讨论了你那版演讲的第一版《AI Eats the World》。到现在你已经写完快一年半了。你总是从"哪些是大问题"开始演讲。但这次我想先问问：自你最初发表那次演讲以来，我们学到了什么？哪些预测成真了？我们来回顾一下。

Benedict Evans：先来谈谈过去一年发生了什么吧。我认为我们更清晰地看到了产品策略的分化，也看到了竞争张力——这种竞争已经不只是"把模型做得更大、更快、投入更多算力"那么简单了。

OpenAI的策略经历了好几次转向——从"昨天一次性押注所有方向"，到"也许我们应该加倍押注编程领域"。显然，Agentic Coding已经真正开始奏效了。因此科技界的所有焦点都高度集中在这个领域，它已经具备了绝对的产品市场契合度，客户旺盛的需求几乎让你应接不暇。当然，这也带来了供应紧缺的问题，围绕容量、价格、供需失衡以及资本支出定价的矛盾，正是我们当下所看到的局面。这就是我们目前所处的节点——曾经我们觉得这玩意儿有点意思、挺令人兴奋，但又不完全确定能用它来做什么。而现在它确实能用于编程，至于能不能用于其他领域，答案几乎肯定是能的，但编程是目前真正发挥作用的地方。

现在焦点变得狭窄了很多。除此之外，数据还在不断上升：模型越来越大，CapEx持续增长，使用量也在增加，人们用得越来越多。但两三年前你提出的那些根本性问题，大部分至今仍没有答案。比如我们不知道模型领域会不会出现一个绝对的赢家，不知道他们能否在价值链上层获取价值，不知道模型的能力边界在哪里，也不知道以目前的技术，消费者什么时候会从每周使用变成每天使用。所以，所有这些问题依然悬而未决。

Erik Torenberg：说到编程，我们当初有没有可能预见到它会成为第一个真正爆发的应用场景？

Benedict Evans：如果你从确定性的角度看，可以这样推理：谁最喜欢摆弄这些东西？软件开发者。而软件开发者最想尝试用这些东西来做什么？当然是软件开发本身。所以从这个非常朴素的角度来看，软件开发的优先级最高。我经常把这个时刻类比成1997、1998年的互联网，或者70年代末80年代初的个人电脑时代——那时候一切都非常令人兴奋，但还不太清楚这东西到底是用来干什么的，因为它还没有真正成熟。早期人们用个人电脑做的最主要的事情就是制造更多的计算机，而如今人们用LLM（以及更大型的LLM）做的第一件事，也是制造更多的算力。所以这并不令人意外。

但今年年初发生了一个明显的转变：Agentic Coding从"还算有用"变成了"真正改变一切"。我不确定是否有人能准确预测到它会在什么时候发生，也不知道它就是第一个跑出来的应用。有些人事后会说自己早就料到了，但我不认为任何人能够确定性地预测到这一切会在什么时间点发生，并且就是以编程的形式率先突破。

Erik Torenberg：那在组织层面，我们学到了什么？对初级工程师、高级工程师，以及对岗位格局、团队组织形式意味着什么？

Benedict Evans：我觉得目前还什么都谈不上。六个月前这东西根本还没法用。现在所有人都在手忙脚乱地试图搞明白它到底意味着什么。你要是太沉溺于噪音和细节，抓住某人在某场活动上说的一句话就以为天要塌了，那就会陷入混乱。这一切至少要两三年才能稳定下来，且不说别的，光定价问题就存在巨大的供需矛盾，从而引发各种意外。所以我们根本不知道未来的团队会是什么样。

我认为人们开始提出一些新的问题，最明显的一个就是：你还招初级员工吗？如果招，他们做什么？你过去为什么要招初级员工？你招他们来到底是做他们本身能做的事，还是做别的事？如果你把过去由人来做的一整类工作都自动化了，那会发生什么？这个疑问在软件开发领域变得更真实了，因为你确实在把大量过去由人做的事自动化。所以这些疑问已经从理论层面变成了现实。但我认为没人能说自己知道未来三到五年的市场结构会是什么样，也不知道软件工程师的职业路径会变成什么样——你要是觉得自己能知道，那才是疯了。

Erik Torenberg：聊聊OpenAI吧。最让你感到意外的是什么？你如何理解他们的战略演变以及他们面临的未来问题？

Benedict Evans：这从来都是一个充满了戏剧冲突的地方。显然，他们的CEO因医疗原因休假，这让局面出现了一些变化。

去年下半年到第四季度，外界提出的问题是：模型本身还不错，但除此之外呢？你们怎么让人们用这些东西去做别的事情？几乎就像是在说"去问ChatGPT要15个如何基于基础设施构建价值的点子，然后全部照做"，OpenAI差不多就是这么干的。而Anthropic资金实力相对较弱，他们说：我们专注于编码。然后他们就真的把编码做出来了。至于是有意为之还是偶然撞上的，留给别人去评说。但显然这招奏效了。

但问题依然存在：目前真正发挥作用的是软件开发，以及一些其他领域的部分场景。还有很多人只是兴致勃勃地在边缘试水，有的场景用一用。硅谷内部的分化也相当明显——一边是那些买了成堆Mac Studio、全天候跑开源模型的人，另一边是另外那百分之四五十的人，他们认为这东西确实有点用，但上周才用过一次。问题是，你怎么弥合这个鸿沟？我不认为这个问题有简单答案。软件开发确实跃过了那条鸿沟，但很多其他领域的人还在挠头，用起来也就是浅尝辄止。

另外还有很多企业正在用AI自动化一些特定的后台流程——这种情况下，你不是让用户自己去摸索这个新工具能做什么，而是直接告诉他们：这里有一个我们可以解决的问题。我去美国和科技行业之外的公司交流，也跟咨询顾问和投资者聊天，他们都在逐个审视这些点状解决方案。

比如我前两天跟一家大宗商品公司交流，他们想用LLM来改善现金流预测，因为他们跟很多小生产商打交道，不太确定什么时候能收到付款，而这是一个利润率很低的生意，所以现金流预测对他们来说是大问题。这跟去ChatGPT或Claude上随便说"帮我写点东西"完全是两回事。

Erik Torenberg：相比早期采用者每周或每天使用的情况，你怎么看？

Benedict Evans：我认为可以从几个不同的维度来回答。首先，我们永远是站在前人的肩膀上进步的，而且进步在不断加速。移动互联网不需要等互联网出现之后才诞生，它只需要等蜂窝数据网络到位。互联网不需要等个人电脑普及，个人电脑也不需要等消费电子产品和半导体先成熟。所以采纳速度一直在加快。当年你老板Marc Andreessen做Netscape的时候，全球个人电脑数量才几千万台。你不可能有9亿周活跃用户——因为根本没有9亿台电脑。所以加速度一直存在。

第二个要点是：这些变革的早期阶段，谁都看不清它会怎么运作，而且实际上什么都不能用。我年纪大到还能记得这些事情。我不知道你多大，但三十多岁的人可能已经不记得那个年代了——你正工作到一半，屏幕上的一切突然卡死，你得趴到桌子底下拔掉电源，然后祈祷过去一小时做的东西至少还能找回一部分。这种事现在再也不会发生了。

回到80年代，你买一块声卡就要花300美元，而电脑还未必能正常发声。那300美元花出去，还得搭上一个周末才能让它工作起来。我记得那些折腾的日子。互联网也是一样。你得先拿到一张装有TCP/IP协议的软盘，速度慢得要命，而且你想做的事根本还没有现成的工具。移动端也是一样。我们现在就处在那个阶段。当然，关键问题是：这里面哪些东西最终能成？现在也一样：浏览器能不能成？这东西到底能不能站稳？这一切怎么拼到一起？在那些极其令人兴奋的东西和愿意投入精力让它运转起来的一小群人之间，存在一条鸿沟，而我们要做的是把它变成一个一键就能搞定的事情。

定价危机与平台历史教训

Benedict Evans：第三点在于：单位的经济性变得更加切实可见了。我观察到，目前我们提到的定价紧缩与2009到2010年移动数据领域发生的情况非常相似。一方面，人们突然收到金额高达5000甚至10000美元的数据账单；另一方面，如果你用的是无限流量套餐——就像美国AT&T独家首发iPhone时推出的那种——所有人都买了iPhone开始用起来，3G网络一开，大家开始看YouTube，整个网络就瘫痪了，因为根本没有足够的容量来支撑。有趣的是，到现在科技圈里还有人不懂蜂窝网络有边际成本。他们必须扩容，而扩容是要花钱的。运营商不得不手忙脚乱地调整成本曲线，使其与基础设施定价体系对齐、与底层成本对齐、并与用户感知到的价值对齐——他们通过分级套餐、合理使用条款、限速等方式大致实现了这一点。

但另一面恰恰就是我们现在看到的情况：你每个月付20美元，却能用掉价值上万美元的Token；反过来，如果你随便玩了两天，突然收到一张1万美元的账单，你肯定会惊呼这是什么鬼。现在你就能看到一模一样的新闻故事，这正是2008到2010年发生过的事，也和2001到2003年GPU领域发生的事情如出一辙。

但这个类比或比较中更有趣的部分在于：从那以后，移动数据流量增长了大约1500到2000倍。全球移动互联网网络的总收入大约为1万亿美元，每年CapEx约为2000亿美元，而ARPU已经20年没有增长。所有那些酷炫的新东西都是别人做出来的。运营商本来以为所有好东西都会由自己来建造——我曾在拥有银行牌照的电信公司工作过，因为他们觉得他们会自己做移动银行——这在现在看来完全疯了。但关键就在这里：他们建造了这套惊人的全球性、极其复杂、极其昂贵的基础设施，使用量不断增长，改变了所有人的生活，我们都在为此付费——可他们自己却没从里面赚到多少钱，因为所有价值都向上游转移了。

而这正是LLM面临的核心问题：模型本身能做完全部事情吗？还是需要在它上面建300个应用？你能不能直接对模型说"帮我把税报了"，还是需要有一个报税软件，这个软件在内部用了10种不同的AI方式来处理？如果答案是后者，那么作为底层基础模型的提供者，你的定位又是什么？

它会不会变成一种以边际成本出售的商品性基础设施？目前来看这似乎是一个很难让人接受的概念。因为你现在能卖掉你能造出来的所有Token，所以你可以按ROI定价。但在未来几年，有大约1到2万亿美元的CapEx投入，模型效率每年提升100到200倍。还会有新的模型出现。模型会消耗更多还是更少的Token？我们会达到一个不同的均衡点。而当模型之间性能差不多、做同样的事情、用同样的芯片时，模型公司凭什么还能有定价权？

回顾历史：芯片公司没有捕获到价值，ISP没有捕获到价值，移动运营商也没有捕获到价值。Windows和iOS捕获到了，但它们在做的完全是另一回事：它们有各种杠杆可以向上游移动，还有网络效应，而模型没有。所以问题就在于：模型公司是像基础设施层那样收场，还是像操作系统层那样捕获价值并决定别人能做什么？讽刺的是，Netscape的故事正好说明了这一点——Marc Andreessen当年著名地宣称他要把Windows变成一堆调试得很烂的设备驱动程序，然后微软硬生生挤进了市场。但最终证明，网页浏览器本身不是关键——价值都在别的地方。所以这些像漩涡一样的大问题都悬而未决，最终又回到了我前面说的：有些事情你能知道，但你根本不知道它最终会怎么收场。

Erik Torenberg：是啊，现在还不清楚这会更像互联网（大部分价值和应用层面的更好利润率发生在应用层），还是更像云（价值似乎在硬件层，目前看起来Nvidia看上去赚得最多，利润率更高）。但它会不会一直这样？还是会变得更像互联网？要怎么开始预测这个答案？

Benedict Evans：对此我有两个回答。有大量关于历史如何运作的名言——我最喜欢的一句是：历史教会我们的只有一件事，那就是总会发生一些事，而且你总能事后解释为什么必然如此，但在当时并不明显。特别是我记得大约15年前，很多非常聪明的科技人士拿到了iPhone和Android，然后说：这是开放与封闭的又一轮较量，我们要干掉iPhone，但这当然没有发生。我可以事后解释原因，但所有这些类比都有用，却没有一个是预测性的。历史总是事后看来才显而易见。

有趣的是，我最近做了几个播客，也发布了这个演讲，然后就有一类评论说：Benedict，你没做好你的工作，你应该告诉我们未来会发生什么，你的职责就是做预测。可你看起来就只会说"我们不知道"。这里有两个问题。一个是在有些地方我确实说了我认为什么行不通、什么会奏效——比如我认为基础模型不是产品，聊天机器人也不是产品，价值会在上游。但另一个方面是，在这个周期阶段，存在太多变量，你不知道最终会是哪一个。如果你非要说"我觉得就是那个"，你可能对，但你必须意识到其中的不确定性有多大，有多少条不同的路径可能走向。这就是这个阶段周期的本质：所有赌注都还是开放的。

等S曲线开始向上走，它就会收窄。曾经有一个时刻Windows Phone似乎也可能成功——事后看来当然不太可能。曾经有一个时刻移动端怎么走还不清楚，后来清楚了——这就是正在发生的事，然后我们就转向下一个问题。

科技的一个特点是：当你真正理解了一件事，知道了它是怎么运作的、未来会怎么走的时候，恰恰就是你该转向下一件事的时候了。你应该总是去寻找那些我们还不知道答案的安静角落。我的Apple电子表格我已经五年没更新了——因为我们早就知道结果了。我不在乎下一代iPhone长什么样，我也不关注他们在中国的市场份额了。结果已经定了，下一个问题。

基础模型不是产品，价值在上游

Erik Torenberg：你刚才说你不认为基础模型是产品，你认为价值会向上游移动。请解释一下你的推理以及这可能会是什么样子。

Benedict Evans：我认为可以把三个或四个构建块放在桌面上讨论。

第一个是：目前来看，很难造出一个从根本上永远比别人好、还能持续保持差异化优势的模型。它没有网络效应，也没有你能拉的杠杆，或者像Instagram、YouTube、Google搜索那样的战略位置。LLM没有可对应的东西。当然，不同模型各有侧重——也许这个比那个好一点，也许你更喜欢这个，但它们之间不存在根本性的差异，唯一区别就是你愿意花多少钱。

第二个问题：聊天机器人本身就是一个奇怪的、功能有限的V1版UI。在某些场景、某些人和某些任务上它确实很好用，但大部分情况下你还需要一大堆别的东西。你需要工具链，需要正确配置，需要有合适的数据，需要配置好各种控制和用户界面。需要有人认真思考过这个工具应该怎么运作，因为擅长使用工具完成工作的人，和擅长决定工具应该做成什么样的人，通常是两拨人。

擅长平面出版物设计的人不是该去做InDesign的人，那是另一套技能。擅长理财咨询的人也不是设计理财机器人的合适人选——那需要不同的技能、不同的人。现在我们就在摸索中间地带：Claude有这个，Claude有那个，还有Skills等等。在我看来这就有点像，谁来做Skill？另一个问题是，这看起来有点像你在Excel里选"新建文件"时看到的模板——它们只能走到一定地步，到某个节点你就突破模板了。我的演示文稿里有一张幻灯片，引用了一个多年前在Twitter上有人对我说的话：他说自己当咨询顾问，一半工作是教别人用Excel来当数据库用，另一半是教别人用数据库来当Excel用。

所以这里有一个模糊的、混沌的地带：你需要专门的软件吗？你需要横向软件还是垂直软件？还是你就在Excel里搞定一切？我们都见过整个部门靠一个10兆的Excel文件运转的例子——我自己的生意也在用Numbers电子表格。但到了某个节点，你就会超越那个极限。

那么模型公司能做出所有这些吗？当然不能，就像微软或苹果不可能做出Windows和iOS上的每一个App一样。所以模型公司有没有那种杠杆效应？它们是Windows还是iOS？再问一次：有网络效应吗？

比如你现在是一家律师事务所，你要买一套软件——a16z投资过很多企业软件，这家律所或制造企业或银行会问"这个用的是Claude还是OpenAI？因为我们统一用的是Claude"吗？不会，根本不是这样运作的。云时代也不是这样，你不会说"我们公司统一用AWS"，你甚至不知道某个SaaS产品跑在哪个云上。这才是关键，它被剥离掉了，不是你需要关心的问题。所以从这个意义上看，基础模型更像云服务商——它们可能有一些竞争优势，但没有那种杠杆效应，没有网络效应，没有控制力。

这也让我联想到另一种对比：半导体行业——每一代都越来越贵，参与者越来越少。综合来看，模型本质上是一种不同的商品，聊天机器人不是正确的UI或产品，模型公司不可能自己做出所有东西。所以它们是底层基础设施。那么它们有定价权吗？

未来会有大概3到6家公司做前沿模型，每年投入——没有人确切知道，大概是2000亿到2万亿美元——再加上一批边缘模型和开源模型。所以最终会有五六家公司在这个市场上相互竞争销售这些产品。价格纪律从哪里来？尤其是其中一些公司还有完全不同的商业模式。比如Google靠广告赚钱，他们对定价的态度跟OpenAI就不一样。

我认为难点在于：我们现在所处的状态和最终应该达到的状态之间存在差距——这其实是大一经济学课程就会讨论的话题。我们目前处于一个...