生成式 AI 经济学解读：基础模型如何打破传统 AI 的商业困境

很多人以为只要挂上「AI」的标签，软件公司就能享受 SaaS 那种极高的毛利率。但回顾过去十几年，靠传统 AI 起家的初创公司，几乎没人能真正撼动 Google 或 Meta 这样的科技巨头。

风投机构 a16z 最近拆解了这里面的经济学账本，点破了一个残酷现实：以前的 AI 公司很难做成纯粹的软件生意，反而极容易陷进低毛利的泥潭。

采樱桃的代价与「平庸螺旋」

传统 AI 最致命的问题不是技术不行，而是边际成本递减规律在这里失效了，甚至变成了反向护城河。

在很多严肃场景下，长尾极端情况的代价极高。比如做一个摘樱桃的机器人，做到 80% 的准确率可能只要花 2000 万美元；想提到 90%，投入就会暴增到 2 亿美元；要是想做到 95%，账单可能直奔 10 亿美元而去。

先发公司砸巨资攻克长尾，后来的跟随者却能花极小的代价把差距补齐。更尴尬的是，很多时候 AI 竞争的对手不是代码，而是人类本身。

人类大脑只需要一碗粥和大约 150 瓦的能量，在感知任务上甚至只消耗 12 瓦，而全球平均时薪才 5 美元左右。相比之下，高端自动驾驶系统的一套芯片功耗就超过 1300 瓦。全行业为自动驾驶砸了约 750 亿美元，但跟人类司机或网约车比起来，经济账依然很难算过来。

这就导致了一个被 a16z 称为「AI 平庸螺旋」的死循环。初创团队为了保证准确率，在早期雇佣大量人工在后台审核兜底，希望以后逐步自动化。

但早期投资人只看用户增长，公司为了维持增速只能不断扩充人力。等准备融大钱时，这家公司已经长成了一个重度依赖人力的服务外包机构，毛利率被牢牢压死在低位，彻底失去了软件公司的爆发力。

容错率变了，飞轮才能转起来

生成式 AI 和基础模型之所以引发质变，核心在于它跳出了这个成本黑洞。

一方面，它服务的场景不再死磕绝对的零失误。生成一段文本、画一张图，用户容忍甚至喜欢多样性，不再需要成千上万的人工在后台时时刻刻肉身兜底。

另一方面，它创造了完全独立于巨头旧业务的新用户行为。过去语音助手做不到的事情，现在的底层模型直接激发出全新的使用习惯。

这种势头在产品扩散速度上体现得淋漓尽致。ChatGPT 仅用 5 天就突破了 100 万用户，这种爆发力在以往任何纯 AI 产品身上都是看不到的。

为什么重要

我们认为，a16z 梳理的这套逻辑，给今天所有做 AI 原生产品的开发者和投资人提了个醒：决定一家公司生死的往往不是模型参数，而是你的业务到底落在哪个容错容忍度区间。

如果你做的是绝对不能出错的场景，比如涉及合规、转账或重度决策，你就得警惕自己是不是在走传统 AI 的老路，最终靠不断招人兜底把自己做成一家外包劳务公司。

对于从业者来说，真正的甜区是那些容错度高、依赖创意和泛化能力、且能催生全新交互习惯的领域。在那里，AI 才是真正的生产力杠杆，而不是吃掉利润的无底洞。

看起来，生成式模型虽然打破了旧的平庸螺旋，但新的算力账单同样沉重。初创公司依然要面对模型供应商提价和巨头快速抄作业的双重挤压，如何把爆款流量沉淀为高毛利的真实复购，才是接下来几年最难跨过的坎。