向上進入應用層：AI逃離商品化陷阱為何可能導致企業鎖定

作者：Arvind Narayanan 和 Akash Kapur

*我們在本文中的目標是超越人工智慧是否是泡沫的爭論。我們透過兩種方式做到這一點：將當前的財務狀況與誰從長遠來看獲得價值的問題明確分開，並認識到實驗室不僅限於模型提供者。他們可以向上遷移並且已經在積極地這樣做。這可能會讓他們擺脫商品陷阱，但也會引發新的擔憂——客戶鎖定和競爭減少。 *

Akash Kapur 是普林斯頓大學的訪問學者和 New America 的高級研究員。他與 Sayash Kapoor 沒有關係。

隨著領先的人工智慧公司繼續大規模投資產能並競相進行重磅IPO，他們的商業模式仍然存在嚴重問題。這些公司——以及由晶片製造商、超大規模企業和依賴它們的基礎設施合作夥伴組成的龐大生態系統——將如何在 2030 年代初期收回預計在人工智慧基礎設施方面的投資4-8 兆美元？

目前的討論分為批評者和支持者。批評者指出，虧損不斷增加、資本支出與收入之間存在差距，以及有關領先實驗室大量燒錢的報告。支持者提到了快速的收入成長、企業採用以及Anthropic第一個獲利季度等里程碑。每個營地都有一個有效點。但兩者都看錯了地方——同樣的季度報表，同樣對不斷變化的行業的短期看法。

近幾個月來，我們一直在思考人工智慧業務的本質和可持續性，但我們的觀點與大多數現有評論不同。如今，人工智慧公司的大部分收入都是透過對推理收費來賺取的，但前沿推理的條件使得這項業務異常難以維持。模型基本上沒有差異，領先的實驗室以相似的資本結構運作，轉換成本較低，價格可以自由調整。所有這些似乎都為商品陷阱創造了條件，這將對建立高利潤甚至盈利業務的任務構成真正的挑戰。

同時，我們認為該產業仍處於轉型階段，成熟後其結構將會截然不同。根據歷史證據和經濟理論，我們認為這種均衡中的競爭可能會將模型推理的價格推向生產代幣的邊際成本，從而在模型層中留下很少的持久利潤空間。然而，這並不意味著人工智慧業務本質上是不可行的。同樣的分析為人工智慧實驗室指明了前進的道路，並引出了我們論文的中心論點：

*實驗室實現持久盈利的最有可能的途徑不是透過迄今為止佔據大部分投資的基礎層（晶片、資料中心、模型），而是透過垂直整合、嵌入式企業部署以及刻意建構轉換成本和其他「護城河」的組合，在更高的堆疊上進行。 *

實驗室透過提升堆疊來獲取價值的策略已經開始，其中許多策略借鑒了企業軟體的劇本。除了當前人工智慧生態系統的可持續性之外，它們還提出了更廣泛的社會關注問題——關於競爭、創新以及經濟和政治權力的整體分配。迄今為止，關於人工智慧的公眾討論一直存在著一種有些自相矛盾的二分法：對壟斷集中和失控的市場力量的焦慮，但低轉換成本和相對可互換模型的現實似乎掩蓋了這些擔憂。但如果我們認為實驗室將越來越朝向更高層次發展是正確的，那麼現在就值得認真對待對集中度和競爭的擔憂，而不是在鎖定效應開始顯現之後。我們在結論中回到了這些更廣泛的問題，並在即將發表的論文中更深入地探討了本文涵蓋的許多主題。

歷史分析：基礎設施層絕大多數未能捕捉它所創造的價值

*人工智慧作為常規技術*框架致力於在適用的情況下從過去的變革性技術中吸取經驗教訓。我們認為，人工智慧也受到與投資、競爭和價值獲取相關的許多相同動態的影響，這些動態塑造了先前的技術創新浪潮。因此，作為我們研究的一部分，我們透過更廣泛的歷史視角研究了人工智慧價值捕獲的難題，以及實驗室可能對此做出的反應。

我們研究了資本密集基礎設施產業的六個歷史實例（鐵路、電力、電信和光纖、雲端運算、半導體製造和商業航空）。我們認為，今天的人工智慧具有許多類似基礎設施的特徵：大量的資本需求；邊際成本低；一種商品產品，在某種程度上與最終創造價值的應用程式脫鉤。這使得基礎設施成為眾所周知的艱難產業。

但同時，人工智慧也是軟體，而軟體業務歷來利潤豐厚，利潤率極高。該行業有軟體利潤的野心。因此，我們也調查了軟體即服務的增值和鎖定策略，並分析了人工智慧是否可以複製這些策略。我們的論點是，人工智慧公司的可持續性和價值獲取在很大程度上取決於它們能否成功地從第一組「基礎設施」屬性遷移到第二組「企業軟體」屬性。

總的來說，我們從歷史分析中確定了人工智慧的三個指導性教訓。首先，基礎設施提供者很少捕獲他們創造的價值。在鐵路、電力、電信和航空領域，建設產能的公司最終都受到競爭、監管或商品化，利潤微薄。在許多情況下，它們被徹底摧毀。在 20 世紀 90 年代末的電信和光纖建設期間，容量在七年內爆炸了 186,000 倍，價格暴跌，大約 2 兆美元的市值被抹去。基礎設施產生的價值主要歸於建立在基礎設施之上的產業和應用程式。八年來，商業航空已經摧毀了投資者的資本，因為典型的淨利潤率為 2-4%，往往低於資本成本——即使各種企業都受益於全球化經濟。

我們認為，人工智慧，至少以其目前的超大規模形式，有可能陷入困擾許多先前基礎設施建設者的相同商品陷阱。 Carlota Perez 提出了一個悖論現象，在「安裝期」期間創建基礎設施的建造者很少能夠生存下來並獲取其創造的價值。

其次，企業軟體不受這種模式的影響，它透過一組特定的、可重複的機制逃脫了陷阱。基礎設施公司陷入困境，而企業軟體幾十年來一直保持 75% 或更高 的毛利率。它透過結合基礎設施企業缺乏的三個屬性來實現這一點：零邊際複製成本、深度轉換成本以及允許固定建設成本在幾十年內攤銷的非短暫價值。人工智慧實驗室的鎖定策略最好理解為嘗試將軟體的這些結構屬性導入人工智慧。

最後，兩個部分例外 揭示了人工智慧如何才能戰勝歷史機會。雲端運算和晶片製造這兩項基礎設施業務已經成功擺脫了商品陷阱。雲端獲得了類似軟體的屬性（託管服務鎖定、出口費用、承諾支出協議），而台積電在領先的製造領域取得了近乎壟斷的地位。這些案例很重要，因為它們顯示了擺脫商品陷阱實際上需要什麼。資本密集產業可以維持持久的利潤，但只能透過成為功能性軟體或實現市場集中化來實現。

為什麼我們認為對模型推理收費無法收回基礎設施投資

如前所述，人工智慧建設的批評者指出實驗室目前的虧損和早期利潤的推動，但兩者都犯了同樣的錯誤：將過渡期誤認為均衡。我們仍處於人工智慧經濟轉型的早期階段，天真的推論是有缺陷的。在均衡狀態下，供需雙方看起來都將與現在有很大不同。

到目前為止，人工智慧實驗室命運波動的幾個例子：大規模的投機性基礎設施建設，可以說超出了需求； Deepseek 時刻，開放重量模型幾乎趕上了前沿；隨著公司採用人工智能代理，需求激增，但往往伴隨著代幣排行榜等非理性和浪費的做法，導致所謂的代幣稀缺時代；最近，隨著公司重新考慮在前沿代幣排行榜等非理性和浪費的做法，導致所謂的代幣稀缺時代；最近，隨著公司重新考慮在前沿模型上的支出，重新考慮了生態系統。

這些起起落落與上述歷史案例研究有許多相似之處。鐵路最初出現了投機狂潮（1840 年代英國的鐵路熱潮）。在美國，隨著時間的推移，需求超過了運力，導致 1860 年鐵路資本的直接和間接回報估計達到每年 15%——在那個時代是巨大的。但隨著網路的成熟，運力趕不上需求，競爭擠壓了利潤，許多鐵路公司破產了。

因此，為了更好地預測實驗室的長期前景，擺脫財務（和敘述）的年度和季度波動，並以經濟理論為基礎進行分析是有幫助的。一個關鍵概念是伯特蘭悖論：這表明，當公司出售同質產品時（前沿模型推理），價格競爭將迫使他們以生產它的邊際成本出售每個單位（代幣）。

理論分析很重要，因為歷史記錄對人工智慧產業命運的預測效果如何這一問題存在爭議。例如，我們的同事 Mihir Kshirsagar 將監管視為鐵路、電力和電信公司無法提取其基礎設施產生的盈餘的主要原因，而不是將其視為其經濟的固有結果。因此，該理論為我們提供了預期利潤率受到擠壓的額外理由。儘管理論上的悖論在實踐中很容易逃脫，但我們相信模型推理包含了產生悖論的條件的異常純粹的版本：

• 模型基本上沒有差異。至少三家公司，OpenAI、Anthropic 和 Google 已經成功地保持在前沿，並生產出行為和表現彼此相似的模型。此外，對於越來越多的用例，前沿性能並不是必需的，開放權重模型足夠好。此外，客戶很容易觀察或感知到模型的近似等效性，因為定期評估模型的基準有數百個，而前沿模型都傾向於聚集在頂部附近。

  與另一個產業形成鮮明對比的是，蘋果公司透過逃避伯特蘭競爭的這一方面來維持高利潤率。它抵制在客觀可觀察的性能維度（千兆赫、百萬像素）上進行競爭，而是宣傳成果和不可言喻的品質（「它就是有效」），並創造強大的品牌差異化。

• 供應商都有類似的資本成本。人工智慧知識傳播迅速；模型開發的主要典範——模型縮放、推理縮放、強化學習等等——都幾乎同步進行。因此，為了以給定的輸出品質生產代幣，實驗室都在培訓上花費了相似的金額。在假設的未來，前緣移動速度不會那麼快，成本將由推理成本主導，而推理成本往往比訓練成本更相似。

• *缺乏地域差異。 *就鐵路而言，當地壟斷企業和自有產能的拼湊，為防止利潤壓縮提供了一定的防禦措施。人工智慧推理業務缺乏這種差異化，企業可以有效地服務整個市場。雖然目前可以說有代幣容量限制，但我們預期這只是暫時的。

• 價格可以自由更改，沒有串通。鐵路和公用事業公司能夠在歷史上的某些時刻默契或明確地勾結以保持高價格。但對於人工智慧模型來說，這種情況極不可能發生，因為來自次前沿模型的競爭非常激烈。

• *轉換成本極低。 *即使是遷移 API 的摩擦也可以透過與提供者無關的路由 工具層來很大程度上消除。 1

對這一切的一個可能的反應是，利潤被擠壓多少並不重要，因為人工智慧公司只會透過數量來彌補。但數字並不能解決問題。如果我們假設淨利潤率為 5%（遠高於航空公司），並且需要在 5 年內收回上述 4T 至 8T 美元的投資，那麼我們最終的年收入要求為 16 至 32T 美元，其中較高的一端是當今世界 GDP 的四分之一。

以歷史和經濟理論為基礎，從更長遠的角度出發，我們可以忽略其他分析師傾向於批判性地評估的幾個因素。目前，我們正處於一個大規模、資本密集型培訓持續產生更好模型的時期。這迫使實驗室繼續使用升級跑步機，將收入再投資於培訓（然後是一些培訓），並承擔越來越高的投資。當跑步機變慢時，2 業務將達到一個新的平衡階段，這可能與今天截然不同。在這種情況下，目前主導辯論的三個因素將遠不如現在看起來那麼重要。

首先是效率提高推動的代幣價格下跌，批評者將此視為逐底競爭的證據，這將縮小蛋糕的大小。我們認為，雖然代幣價格確實在迅速下跌（而且這種趨勢可能會持續下去），但這對實驗室來說不一定是個問題。根據需求曲線的形狀，釋放需求不僅可以彌補價格下跌，即所謂的傑文斯悖論，即效率提高會導致資源消耗增加（而不是減少）。

第二個是代幣稀缺性，支持者將其視為實驗室定價能力的證據。然而，任何稀缺都可能是暫時的現象，可以透過基礎設施投資和演算法改進的結合來緩解或消除。因此，代幣稀缺不太可能讓實驗室增加利潤。

主導目前討論的第三個因素是支付意願。批評者有時會預測，當實驗室結束補貼的、低於成本的訂閱定價時，需求將會消失。但這將支付意願視為固定數量，可以從今天開始推斷。從長遠來看，我們預計人工智慧將成為大多數知識工作的重要組成部分，並且該技術將像工業革命一樣具有變革性。在這種規模的轉型中，支付意願可能是巨大的。

換句話說，我們必須區分「價值創造」和「價值獲取」。我們預期「創造」的價值將大到難以想像。對於實驗室來說，核心的——甚至可能是存在的——問題是他們是否能夠「捕捉」這一價值的一小部分。在人工智慧為公司創造的價值中，該公司願意向人工智慧供應商支付費用的比例是多少？這不是一些自由浮動的、外生確定的數字。這很大程度上取決於人工智慧實驗室能夠在多大程度上擺脫商品陷阱。

正如我們下面所討論的，擺脫商品陷阱的最可靠方法是向經濟價值鏈的下游移動（就人工智慧而言，這意味著「向上移動」）。從銷售實體基礎設施或產品到包含服務的捆綁銷售有時稱為「服務化」。例如，隨著硬體商品化，IBM 成功轉型為服務公司，最終將其 PC 部門全部出售給聯想。電信公司也為避免成為「啞管道」做出了持續、艱苦的努力，但沒有成功。相反，價值被利用基礎設施的應用程式捕獲，從而導致了大型科技公司的崛起。我們認為，實驗室現在面臨著大致相同的分叉：在模型之上的層中獲取價值，或者看著其他人在他們建造和付費的基礎設施之上創建利潤豐厚的業務。

實驗室如何應對

總結我們迄今為止的論點，我們的歷史分析和經濟理論表明，擺脫商品陷阱的可行途徑只有兩條：建立對市場的類似壟斷的控制，或者在堆疊的更高層獲取價值，這通常伴隨著轉換成本的增加。

我們相信第一條路線不太可能出現，並且前沿將保持競爭力。人工智慧例外論的支持者可能不同意，他們預測了一種史無前例的發展：能力的不連續性如此巨大，以至於完全重塑了競爭格局。在這種「硬起飛」場景中，一個或多個實驗室實現了遞歸的自我改進，使得當前的經濟狀況在很大程度上變得無關緊要。

在我們的全文中，我們論證了為什麼這種情況非常難以置信。目前，我們指出，許多政策制定者、投資者和其他利害關係人不願意押注這種可能性，而必須為這種可能性不會成功的情況做好規劃。

這使得在堆疊中向上移動成為最有可能的前進路徑。我們相信人工智慧公司很清楚商品陷阱；他們正在全力轉型，超越純粹的推理供應商（即透過模型 API 銷售無差別的代幣），並尋求在堆疊的更高層追求價值捕獲。我們正處於這些努力的早期階段，許多新的、更有系統的策略可能會出現（我們將在下一節中研究一些策略）。但一些努力已經顯而易見。

• 像 ChatGPT 或 Claude Code 這樣的產品位於模型之上。由於一系列技術、合約和行為原因，產品不能像模型那樣互換，正如我們在下一節中討論的那樣。就 OpenAI 而言，長期以來，ChatGPT 而不是 OpenAI API 佔據了其收入 的大部分。 2026 年初，Anthropic 的收入仍由 API 主導，但隨著 Claude Code 的爆炸式增長，這種情況可能不會持續太久。

• 堆疊中的下一層是 AI 原生 SaaS 或“智慧即服務”，實驗室已朝這個方向採取了早期行動：ChatGPT 的公司知識 功能，以及 Anthropic 的記錄系統內的代理 願景。然而，在這一層，實驗室最容易受到現有 SaaS 現有企業的影響，尤其是 Microsoft。

• 人工智慧公司也透過前線部署工程師 以及與顧問公司的合作夥伴關係 尋求客製化部署和工作流程重新設計。這並不能完全融入堆疊。該堆疊假設一種平衡，其中工作場所已透過人工智慧進行轉變，而此類別的是關於嘗試將轉變本身貨幣化。

• 最具投機性、更有利可圖的價值獲取途徑是堆疊的頂層：人工智慧代理作為「數位工人」的想法。許多公司都在兜售這個想法。也許大型人工智慧公司的第一個版本是Claude Tag，它的設計功能類似於數位工作者而不是工具，於2026年6月推出。嵌入公司每個團隊的數位工作者很快就會成為整個組織的隱性知識庫，並對不同團隊的工作流程和業務流程變得至關重要。除非明確內建可移植性，否則它就會成為實際上無法被解僱的數位員工，從而產生比企業軟體最糟糕的鎖定程度。當公司出售數位員工時，潛在市場總量就是經濟體的全部勞動支出，遠大於公司的 IT 預算。但正是由於這些原因，該願景很可能會遇到來自企業的最大阻力。

重新繪製的封面插圖總結了其中一些正在進行的努力。請注意，堆疊描述的是客戶支付的費用，而不是計費單位。代幣定價可以在堆疊的任何層使用，其他單位（訂閱、結果）可以組合使用或作為更高層的替代品。決定商品陷阱是否適用的是堆疊每一層的價值類型，而不是定價模型。我們將在下一節中更詳細地討論定價策略。

本文的一個關鍵見解是，在該堆疊中運作較高的公司可以捕獲更多他們創造的價值。他們可以更好地差異化他們的產品並建立各種護城河（正如我們下面討論的），其中許多護城河可以說是新穎的，並且比企業軟體更強大。

一個重要的警告：對於人工智慧實驗室，尤其是 OpenAI 和 Anthropic 來說，要提升地位，他們必須與擁有許多優勢的大型現有企業競爭，特別是現有的分銷管道和深厚的企業客戶關係。谷歌可以輕鬆地垂直整合到其現有的消費產品線中。 SaaS 現有企業，尤其是微軟，押注自己能夠比人工智慧實驗室更快地破解「智慧即服務」模型。這種不平衡性重塑了人工智慧生態系統的競爭動態，並指出了試圖攀登價值鏈的關鍵參與者之間的重要差異。

向上移動堆疊會打開一系列多樣化且強大的護城河

提升堆疊如何讓公司擺脫商品陷阱？答案不僅僅是更高的層次創造更多的經濟價值。它們使價值變得可獲取且持久：在堆疊中進行更高的操作使實驗室能夠區分他們的產品，並建立原始推理賣家（即 API 提供者）無法獲得的鎖定和轉換成本。它們有效地讓人工智慧公司擺脫了伯特蘭悖論核心的缺乏差異化的問題。升級不僅僅是新產品策略；它們是護城河建設策略。在本節中，我們將研究幾種不同類型的護城河 - 有些是實驗室已經在建造的，有些是他們將來可能建造的。

為了確定人工智慧公司從模型層向上移動時會出現哪些護城河，我們研究了企業軟體公司如何產生定價能力和獲取價值，然後分析了哪些策略可能適用於人工智慧公司以及哪些新策略可供使用。

在深入研究之前，我們注意到兩個重要的細微差別。首先，雖然護城河是從「競爭對手」手中捍衛市場份額的方法，但我們的興趣在於分析人工智慧公司獲取其為「客戶」創造的價值的能力。不過，所涉及的策略基本上是相同的，因為兩者都需要避免價格競底。

其次，我們的分析重點是企業市場，因為我們相信它將佔收入的大部分。 OpenAI 最近已朝這個方向轉向，而 Anthropic 則始終關注企業。雖然廣告驅動的消費產品有可能成為未來的重要收入來源，從而在擺脫商品陷阱方面發揮作用，但這並不會破壞我們關於企業護城河的論點。

1。嵌入護城河： AI 模型是客戶在其工作流程中調用的東西。但人工智慧的另一個願景是客戶居住的「系統」。後者更有利於建構護城河。

即使底層模型保持可互換，針對給定客戶的圍繞它的狀態也可能不是可互換的。隨著時間的推移，這種狀態會累積：持久記憶和對話歷史記錄、上傳的文檔語料庫和檢索索引、自訂技能或評估套件、工作流程和業務流程以及各種形式的微調或自訂。這種「數據引力」是企業軟體具有黏性的重要組成部分，也是取代它的原因被描述為「心臟直視手術」。

OpenAI（公司知識）和 Anthropic（Claude Cowork，普華永道合夥人）已經在尋求這些途徑。這些策略的持久性仍然是一個懸而未決的問題。一個複雜的問題是，有助於建立護城河的資料通常位於 Salesforce、Workday 和 SAP 等成熟系統中的公司伺服器上，人工智慧實驗室基本上無法存取這些資料。為了克服這個問題，人工智慧公司可以透過控制代理商所佔據的編排層來建構護城河，從而有效地提供綁定組織工作流程的結締組織。但是，如果開放標準 保持編排層的精簡和可交換，價值最終可能會流向代理整合商和企業，而不是實驗室本身。

2。生態系統護城河： Windows、GitHub 和 SAP 等企業軟體都受益於這樣一個事實：隨著它們獲得更多在平台之上構建的客戶或開發人員，平台的價值不斷增長。人工智慧市場尚未尚未展現出強大的生態系護城河。實驗室已經努力在人工智慧之上創建雙邊市場作為平台，但到目前為止，這些要么不成功（GPT 商店），要么太薄弱，無法產生有意義的轉換成本（Claude 插件）。

一種備受討論但尚未實現的網路效應是使用客戶 IP 訓練 AI 模型或系統的“飛輪”，無論是資料、代理執行的環境、這些代理的執行軌跡還是私有評估套件。到目前為止，企業對於允許人工智慧開發人員以這種方式使用他們的IP持懷疑態度，但這種情況在未來可能會改變。畢竟，每個部門只需要一名（適當激勵的）客戶背叛即可啟動飛輪。

3。商業護城河： 這個類別涵蓋了一系列熟悉的策略，主要藉鑑於企業軟體和雲端運算。商業合約可以包括各種機制（多年協議、承諾支出等級、預付信用），這些機制使得轉向競爭對手變得不經濟。實驗室已經在其企業協議中部署了其中一些機制，但這條護城河的持久性也值得懷疑。經驗豐富的企業採購團隊會在簽署前要求可移植性，而且合約鎖定對於反壟斷監管機構來說是高度清晰的。

垂直整合提供了相同商業邏輯的更強大版本。當人工智慧助理捆綁到企業已經付費的軟體中（Microsoft 365 中的 Copilot，Google Workspace 中的 Gemini），人工智慧的邊際成本似乎為零，使得獨立競爭對手很難在價格上競爭。整合參與者還可以利用現有的銷售和採購關係：他們不是贏得新的預算線，而是簡單地將人工智慧納入客戶已經承諾使用的軟體的更新對話中。當然，這種策略只適用於Google和微軟等整合型老牌企業。如上所述，這意味著像 OpenAI 或 Anthropic 這樣的獨立實驗室必須在結構上不公平的競爭環境中競爭，通常從他們所面對的公司租用基礎設施。

4。行為護城河： 雖然上面討論的護城河是透過技術或商業機制運作的，但行為護城河是透過使用人工智慧系統的人類來運作的。就像早期的企業軟體浪潮（Microsoft Excel、CRM 系統）一樣，人工智慧工具的使用可能會導致獨立執行任務的技能的侵蝕，同時培養特定於供應商的技能來驅動代理產品，從而產生依賴性。這是一個社會風險可能非常嚴重的領域，超越了對價值獲取的影響：技能侵蝕可能會對勞動力彈性、安全以及人與人工智慧系統之間的權力分配產生深遠影響。

但行為護城河也包括新穎且鮮為人知的人工智慧鎖定形式，這些形式在早期軟體中沒有明確的模擬。一個值得注意的表現是對模型語氣或「個性」的關係依戀，當 OpenAI 被迫恢復 GPT-4o 以響應用戶需求時，#Keep4o 強烈反對 生動地證明了這一點。更具推測性的是，對於協作知識工作，例如寫作或判斷力強的工作（與自動化相對），即使事後購買者也很難驗證人工智慧貢獻的質量，因為沒有客觀標準。這使得此類工作成為所謂的信譽良好，類似於律師和顧問。由於無法比較品質，信用商品的購買者往往依賴聲譽和信任。即使轉換的「技術」成本接近零，這也會削弱價格競爭並減慢轉換速度。

5。定價策略： 此途徑是對上述途徑的補充或補充，並描述了實驗室在實現鎖定後可能能夠獲取更多價值並能夠發揮定價權的方式。這個想法是，實驗室可能能夠透過對結果收費（節省的成本百分比，每個解決的支援票的費用）而不是代幣來克服商品陷阱。這是 OpenAI 財務長 Sarah Friar 的聲明背後的明確論點，即收入應該「與情報價值成比例。」

但是，短期內這不太可能。結果定價需要解決具有挑戰性的衡量問題。實驗室尚未建立基礎設施來衡量和了解客戶的業務流程，以及追蹤（更不用說定價）不同的結果。如果沒有這種可見性，結果指標就會引起雙方的博弈：每解決一個問題都會收取一定的費用，這會激勵客戶將多個問題塞到一張問題中，而供應商會在不一定修復問題的情況下關閉問題。此外，垂直產業和公司之間的結果各不相同，而且人工智慧實驗室缺乏 SaaS 供應商花費數十年時間建立的嵌入式客戶團隊，以獲得這種下游可見性。儘管如此，一些人工智慧公司仍在嘗試在這方面進行創新。如果人工智慧實驗室能夠遷移到記錄系統，那麼只要有足夠的投資，這些挑戰就會變得容易解決。

此轉變的更廣泛影響

我們的分析提出的問題對人工智慧經濟的未來具有重大影響，但它們遠遠超出了任何單一人工智慧公司的前景。它們涉及數位市場的結構、經濟力量的分配以及人工智慧可能產生的創新生態系統。

如果實驗室未能擺脫商品陷阱，後果主要是財務方面的：對經濟史上最大的資本建設之一的潛在信任危機，會對更廣泛的技術部門和整個市場產生連鎖反應。但如果他們成功了——特別是如果他們設法增加轉換成本並建立客戶鎖定——後果看起來會有所不同，而且在某些方面更令人擔憂。這將提高每個依賴人工智慧的企業的成本，並鞏固少數參與者的結構性優勢地位，以後將難以競爭。

在相關護城河變得堅固之前，現在有幾個問題似乎特別值得認真對待：

• 實驗室能否在不排除競爭和重複早期有害集中模式的情況下建立可持續的業務？

• 對投資者和人工智慧公司有效的策略是否也能產生更廣泛的社會價值，或者人工智慧中的價值獲取是否會以犧牲周圍的生態系統為代價？

• 人工智慧帶來的收益會是分散的（主要由部署人工智慧的企業和更廣泛的經濟體獲得）還是集中（主要由超大規模企業、前沿人工智慧實驗室、SaaS 現有企業和投資者獲得）？

這些問題仍有許多不確定性，但歷史表明，互操作性標準、可攜性要求和轉換成本透明度都應儘早建立，趕在鎖定效應累積、干預變得結構性困難之前。美國 FTC、英國 CMA 等競爭監管機構已開始關注這一領域，這是好消息；但目前它們的關注與分析似乎仍集中在技術堆疊底層。我們的分析表明，監管視野必須進一步向上擴展。

*我們感謝 Sayash Kapoor 對草案的回饋。 *

進一步閱讀

雖然我們的論點的許多方面至少有些新穎，但「無護城河」論點本身並不新鮮。它的第一個重要表述（據我們所知）可以追溯到三年多前，在一份洩露的谷歌文檔中。許多評論家，例如 Gary Marcus、Ed Zitron 和 Cory Doctorow 都堅持不懈地提出了這一點或它的變體。

我們的分析中「可能」的新內容是從歷史相似之處中汲取教訓，並表明模型推理比那些先例更符合毀滅性競爭的先決條件。我們「絕對」與那些預測泡沫的人不同的是，我們認識到（1）人工智慧堆疊相當厚，商品陷阱僅適用於模型層（2）實驗室敏銳地意識到了這個問題，（3）一直在瘋狂地擺脫它。

許多其他人對實驗室持悲觀態度，包括 Benedikt Evans 和 Luis Garicano 和 Jesús Saa-Requejo。後者認為，*價值捕獲將發生在價值鏈的頂部、硬體和物理提供者[因為計算瓶頸]，以及實施層，其中模型投入使用，綁定約束是組織性的，而不是技術性的。 *我們基本上同意。但他們的結論是，實驗室無法獲得太多價值。隱含的假設似乎是實驗室僅限於模型供應商，在我們看來，這是一個越來越過時的概念。

Semianalysis 認為，由於運算資源稀缺，實驗室將能夠維持高毛利率。我們認為這是暫時的情況。

最接近我們想法的是我們的普林斯頓 CITP 同事 Mihir Kshirsagar，他就該主題撰寫 系列 四 文章。雖然我們從與克希爾薩加爾的對話中受益匪淺，但我們的思維在很大程度上是獨立發展的，有很多共識，也有一些分歧。與 Kshirsagar 一樣，我們認為，如果沒有鎖定的承諾，人工智慧的快速發展就沒有經濟意義。他的分析認為，超大規模企業和人工智慧實驗室（例如 Microsoft-OpenAI 和 Amazon-Anthropic）之間的聯盟是鎖定的主要工具，這與我們的診斷略有不同。

Nathan Lambert 為這一切如何展開提供了一個願景 - 一個兩層人工智慧經濟，其中處於知識工作前沿的客戶為基於領先實驗室前沿模型的「堆疊」產品和服務支付高額費用，而其他人都對開放模型生態系統感到滿意。他的預測之一比我們的更為尖銳：前沿實驗室將讓其 API 業務衰退，以保護其利潤率更高的產品。

1

伯特蘭悖論背後的理論模型是一次性博弈，轉換成本不考慮在內，但在實踐中我們當然必須考慮它們。

2

這並不是說人工智慧將停止改進 - 其他路線（例如推理擴展和更好的工具）仍將保留。