生成式 AI 經濟學解讀：基礎模型如何打破傳統 AI 的商業困境

很多人以為只要掛上「AI」的標籤，軟體公司就能享受 SaaS 那種極高的毛利率。但回顧過去十幾年，靠傳統 AI 起家的初創公司，幾乎沒人能真正撼動 Google 或 Meta 這樣的科技巨頭。

風投機構 a16z 最近拆解了這裡面的經濟學賬本，點破了一個殘酷現實：以前的 AI 公司很難做成純粹的軟體生意，反而極容易陷進低毛利的泥潭。

採櫻桃的代價與「平庸螺旋」

傳統 AI 最致命的問題不是技術不行，而是邊際成本遞減規律在這裡失效了，甚至變成了反向護城河。

在很多嚴肅場景下，長尾極端情況的代價極高。比如做一個摘櫻桃的機器人，做到 80% 的準確率可能只要花 2000 萬美元；想提到 90%，投入就會暴增到 2 億美元；要是想做到 95%，賬單可能直奔 10 億美元而去。

先發公司砸巨資攻克長尾，後來的跟隨者卻能花極小的代價把差距補齊。更尷尬的是，很多時候 AI 競爭的對手不是程式碼，而是人類本身。

人類大腦只需要一碗粥和大約 150 瓦的能量，在感知任務上甚至只消耗 12 瓦，而全球平均時薪才 5 美元左右。相比之下，高階自動駕駛系統的一套晶片功耗就超過 1300 瓦。全行業為自動駕駛砸了約 750 億美元，但跟人類司機或網約車比起來，經濟賬依然很難算過來。

這就導致了一個被 a16z 稱為「AI 平庸螺旋」的死迴圈。初創團隊為了保證準確率，在早期僱傭大量人工在後臺稽核兜底，希望以後逐步自動化。

但早期投資人只看使用者增長，公司為了維持增速只能不斷擴充人力。等準備融大錢時，這家公司已經長成了一個重度依賴人力的服務外包機構，毛利率被牢牢壓死在低位，徹底失去了軟體公司的爆發力。

容錯率變了，飛輪才能轉起來

生成式 AI 和基礎模型之所以引發質變，核心在於它跳出了這個成本黑洞。

一方面，它服務的場景不再死磕絕對的零失誤。生成一段文本、畫一張圖，使用者容忍甚至喜歡多樣性，不再需要成千上萬的人工在後臺時時刻刻肉身兜底。

另一方面，它創造了完全獨立於巨頭舊業務的新使用者行為。過去語音助手做不到的事情，現在的底層模型直接激發出全新的使用習慣。

這種勢頭在產品擴散速度上體現得淋漓盡致。ChatGPT 僅用 5 天就突破了 100 萬用戶，這種爆發力在以往任何純 AI 產品身上都是看不到的。

為什麼重要

我們認為，a16z 梳理的這套邏輯，給今天所有做 AI 原生產品的開發者和投資人提了個醒：決定一家公司生死的往往不是模型引數，而是你的業務到底落在哪個容錯容忍度區間。

如果你做的是絕對不能出錯的場景，比如涉及合規、轉賬或重度決策，你就得警惕自己是不是在走傳統 AI 的老路，最終靠不斷招人兜底把自己做成一家外包勞務公司。

對於從業者來說，真正的甜區是那些容錯度高、依賴創意和泛化能力、且能催生全新互動習慣的領域。在那裡，AI 才是真正的生產力槓桿，而不是吃掉利潤的無底洞。

看起來，生成式模型雖然打破了舊的平庸螺旋，但新的算力賬單同樣沉重。初創公司依然要面對模型供應商提價和巨頭快速抄作業的雙重擠壓，如何把爆款流量沉澱為高毛利的真實復購，才是接下來幾年最難跨過的坎。