技术-经济范式视域下的生成式人工智能：资本循环、模型商品化与产业重构

人工智能吞噬世界：2025年人工智能产业观察与展望

走向未来

人类科技史是一部不断重写的断代史，每隔十五年左右，底层计算平台就会发生一次剧烈的地质板块运动。从大型机到个人电脑，从互联网到移动互联网，每一次跃迁都遵循着相似的破坏性创新规律。站在2025年的深秋回望，我们正处于生成式人工智能这一新周期的风暴眼之中。这不仅仅是技术的迭代，更是资本、算力、应用与社会生产关系的一次全面重构。通过深入剖析本轮技术周期的各个切面，我们可以透过喧嚣的泡沫，看清隐藏在算力军备竞赛背后的产业逻辑与未来图景。最近，Benedict Evans发布了最新版的报告《人工智能吞噬世界》，本文基于该报告的数据进行分析。本文PDF版本及Benedict Evans的报告已收录到“走向未来”【https://t.zsxq.com/xpWzq】知识星球中

资本周期的疯狂与必然

当下的科技产业正经历着前所未有的资本狂热。以微软、谷歌、Meta和亚马逊为代表的科技巨头，正在进行一场甚至超越了自身现金流承载能力的算力军备竞赛。2025年，仅这四家巨头的资本支出预计就将达到4000亿美元，这一数字已经超过了全球电信行业的年度总投资额。这种近乎疯狂的投入并非源于理性的短期回报计算，而是源于对错失下一个时代的极度恐惧。对于科技巨头而言，过度投资的风险仅仅是财务报表上的短期波动，而投资不足的风险则是彻底的生存危机。历史的教训历历在目，微软在PC时代的霸主地位并未能助其在移动互联网时代延续辉煌，当重心发生转移，旧时代的王权往往瞬间崩塌。

1.jpg

这种资本涌入直接催生了基础设施建设的超级周期。数据中心正在成为新的工业神庙，其建设规模和速度已经超越了传统商业地产。然而，硬件层面的制约依然严峻。英伟达作为算力时代的军火商，其产能扩张受制于台积电的先进封装能力，供需矛盾依然尖锐。更深层的瓶颈在于能源与物理空间。在美国，电力供应的滞后已经成为数据中心建设的最大障碍，变压器、传输线路乃至发电产能的扩容速度，远远跟不上GPU集群对电力的吞噬速度。相比之下，中国在电力基础设施上的优势可能在未来几年成为一个不可忽视的变量。这种物理世界的硬约束，使得算力基础设施的建设周期被拉长，也推高了人工智能的入场门票，使得小玩家在基础层面的竞争资格被彻底剥夺。

2.jpg

在这一轮资本循环中，我们观察到了一种奇特的闭环生态，这在某种程度上构成了泡沫的内核。巨头们投入巨资购买英伟达的芯片，英伟达的收入又回流到科技生态中，投资于各类AI初创公司，而这些初创公司融到的资金，最终又以云服务费用的形式回流到巨头手中。例如，OpenAI不仅是微软的合作伙伴，也是其云服务的大客户；同时，英伟达也在通过投资将资本注入生态。这种资金在少数几家公司之间的内部循环，虽然在短期内推高了整个行业的估值泡沫，但也实实在在地沉淀了基础设施。就像光纤泡沫破灭后留下了互联网的高速公路一样，这一轮AI泡沫破灭后，也将为人类留下庞大的并行计算集群。这些昂贵的硬件不会消失，它们将成为下一个时代各种智能应用运行的廉价土壤。

模型的商品化与护城河的消逝

在技术层面，大语言模型正在经历快速的商品化过程。仅仅三年的时间，从GPT-3的惊艳亮相到如今，市场上已经涌现出数十个在基准测试上分数接近的顶尖模型。无论是OpenAI、Anthropic，还是谷歌、Meta，甚至是来自中国的开源模型，在通用能力的评估上，差距正在迅速缩小。基准测试的分数日趋饱和，领先者与追赶者之间的距离被压缩在毫厘之间。对于开发者和企业用户而言，这意味着选择变得丰富而廉价。当一个核心技术变得唾手可得且差异化极小的时候，它就很难再成为企业的核心护城河。

3.jpg

过去，人们认为拥有最好的模型就是最大的优势，现在看来，这更像是一个短暂的时间窗口。模型本身的智力水平固然重要，但它更像是一种新型的电力或石油，是基础能源而非最终产品。对于绝大多数应用层公司来说，依赖单一模型的API构建业务是极其危险的，因为模型能力的迭代速度极快，今天的领先者明天就可能被超越。真正的竞争壁垒正在从模型层向上下游转移。向下是算力和数据的规模效应，向上则是用户体验、分发渠道和网络效应。

我们看到，微软正在利用其在PC时代的操作系统垄断地位，试图将AI能力深度植入到Windows和Office体系中，这是一种典型的利用旧时代资产在新时代通过捆绑策略进行价值捕获的手段。然而，历史告诉我们，新平台往往会诞生新的原生应用，而不是旧应用的简单升级。Word里的Copilot固然有用，但它不太可能成为AI时代的杀手级应用。真正的颠覆者，往往诞生于对新交互范式的深刻理解之中，就像触屏手机催生了Uber和Instagram，而不是更好的浏览器。我们目前看到的“AI应用”，很多只是给旧软件穿上了新马甲，真正的原生应用形态尚未完全显现。

企业落地的摩擦与现实

尽管媒体和资本市场对AI的热情高涨，但在企业端的实际落地过程中，冷静与审慎依然是主基调。根据摩根士丹利等机构的CIO调查数据，虽然大部分企业已经开始了AI的试点项目，但真正大规模部署进入生产环境的比例依然很低。许多企业甚至计划将实质性的部署推迟到2026年以后。这种滞后并非源于对技术的不信任，而是源于企业级应用固有的复杂性。

企业级软件的部署从来就不是一个简单的技术问题，而是一个涉及数据治理、法律合规、业务流程重组的系统工程。大语言模型的幻觉问题、数据隐私泄露的风险、以及与遗留系统的集成难度，都是横亘在企业应用面前的崇山峻岭。更重要的是，企业需要时间去弄清楚，究竟哪些业务环节是适合被AI自动化的。目前的成功案例主要集中在编程辅助、市场营销物料生成以及客户服务等容错率较高或易于验证的领域。

以编程为例，像Cursor这样的AI原生代码编辑器，正在从根本上改变软件工程的作业模式。它不仅仅是自动补全代码，而是通过理解整个项目库的上下文，实现了对编程意图的精准捕捉。这种变化使得软件开发的门槛大幅降低，同时也极大地提升了资深工程师的生产力。在市场营销领域，欧莱雅和联合利华等巨头已经开始利用生成式AI大规模生产广告素材，将过去需要耗费数周的创意制作过程缩短到几小时。这些都是“吸收”阶段的典型特征，即利用新技术来优化现有的工作流程，降低成本，提高效率。

然而，真正的变革在于“创新”和“颠覆”阶段。当AI不仅仅是帮我们写邮件，而是帮我们重新定义沟通的方式；当AI不仅仅是帮我们优化广告投放，而是帮我们重构品牌与消费者的连接方式时，真正的价值才会释放。目前，我们仍处于这一进程的极早期阶段。就像云计算经过了十几年才占据了企业工作负载的30%一样，AI在企业中的渗透也将是一个漫长而持续的过程。企业需要时间去消化这项新技术，去调整组织架构，去培养新的人才。在这个过程中，咨询公司和系统集成商反而成为了第一波受益者，因为企业需要有人来告诉他们“如何使用AI”。

不仅仅是企业，每一个个体也迫切需要在这场认知革命中找到方向。为了打破信息茧房，系统性地构建AI认知体系，强烈推荐加入最具价值知识星球“走向未来” （https://t.zsxq.com/xpWzq）。在这里，你可以一站式获取AI相关的各类前沿市场分析报告、硬核技术论文书籍以及应用实践指南，主题涵盖生成式AI、大模型、AIGC、AI芯片和机器人等技术、应用和市场。更重要的是，你将与优秀的同侪一起探讨如何使用人工智能大模型和智能体来为工作增效，为生活添彩。立即加入“走向未来”知识星球，一起走向AGI的未来，在不确定的时代寻找确定的增长逻辑。

杰文斯悖论与无限实习生经济

人工智能的广泛应用引发了关于劳动力替代的广泛焦虑。然而，经济学中的杰文斯悖论告诉我们，当某种资源的利用效率提高时，人们对该资源的需求往往会不降反升。大语言模型本质上是向经济体中注入了无限且廉价的初级智力资源。我们可以将其比喻为拥有了“无限的实习生”。

5.jpg

当雇佣一个人类员工处理文档需要支付高昂薪水时，企业会谨慎地计算投入产出比；而当AI可以以接近零的边际成本处理海量文档时，企业不会选择减少文档处理量，反而会选择处理以前因为成本过高而放弃处理的那些海量信息。比如，过去零售商可能只有精力对头部热销商品进行精细化管理，而现在利用AI，他们可以对数十万个长尾SKU进行同样的精细化运营。这并没有减少对运营人员的需求，反而创造了新的数据分析和决策需求。

这就好比蒸汽机并没有让煤炭的消耗量减少，反而随着工业革命的爆发，人类对煤炭的需求呈指数级增长。蒸汽机赋予了英国相当于其人口数倍的虚拟劳动力，而AI正在赋予全人类数十倍于人口总数的虚拟智力。关键的问题不在于AI是否会取代人类的工作，而在于人类如何利用这些“无限实习生”去创造以前无法想象的价值。未来的工作形态，将更多地从执行者转变为指挥者和校验者。

这也引出了“人在回路”的重要性。由于大语言模型在本质上是概率性的，它永远无法保证100%的准确率。因此，在医疗、法律、金融等高风险领域，人类的校验和最终决策权是不可或缺的。AI可以完成90%的基础工作，但剩下的10%的关键判断，依然需要人类专家的智慧。这种人机协作的模式，将是未来很长一段时间内的主流工作形态。同时，我们也必须警惕，当内容生成的成本趋近于零时，互联网上充满了AI生成的垃圾信息，这反而增加了人类筛选优质信息的成本，从而可能催生出新的“策展”和“推荐”商业模式。

拆解旧世界的捆绑

互联网经济的核心逻辑之一就是捆绑与解绑。AI的出现，正在对现有的商业捆绑关系进行新一轮的解构。在PC时代，微软通过Windows捆绑了Office；在移动互联网时代，谷歌通过Android捆绑了搜索。而AI时代的到来，让用户可以直接跨过应用层，直接获取服务和结果。

4.jpg

当我们使用ChatGPT询问旅行建议时，我们不再需要访问Booking.com去筛选酒店，不再需要去TripAdvisor看评论，也不需要去航空公司官网查机票。AI模型在后台消化了所有这些信息，直接给出了最终的解决方案。这对传统的垂直领域平台构成了巨大的威胁。如果用户不再访问网站，那么网站的广告位价值何在？如果流量不再分发，那么搜索引擎的商业模式基石是否会动摇？

这对于像谷歌这样的巨头来说，是一个典型的“创新者的窘境”。谷歌的搜索业务年收入数千亿美元，它是现有信息分发模式的最大受益者。AI搜索虽然用户体验更好，但其商业化效率目前远低于传统搜索广告。因此，谷歌在推进AI搜索时显得犹豫不决，既要防守OpenAI的进攻，又要避免左右互搏伤害自己的现金牛。而OpenAI没有历史包袱，它可以毫无顾忌地推出ChatGPT Search，试图重构信息入口。

此外，AI还在通过“代理（智能体）”模式，试图接管我们与数字世界的交互。现在的SaaS软件不仅数量庞大，而且操作复杂。美国大型企业平均使用四五百个SaaS应用，员工在不同系统间切换的成本极高。AI智能体有望成为一个新的中间层，它理解用户的自然语言指令，并在后台自动操作各种复杂的软件系统。这实际上是对现有软件界面的一次彻底解绑，用户不再需要学习软件的菜单和逻辑，只需要表达意图。这将极大地降低软件的使用门槛，同时也可能让SaaS厂商退化为单纯的后端数据提供商。这种变革将从根本上改变企业软件的定价模式和竞争格局，未来的软件竞争将不再是功能的竞争，而是代理能力的竞争。

物理世界的最后疆域

生成式AI的影响力不仅仅局限于比特世界，它正在加速向原子世界渗透。机器人与自动驾驶是AI进入物理世界的两个重要抓手。过去十年，自动驾驶技术一直在“演示”和“量产”之间挣扎，数十亿美元的投入换来的进展缓慢。然而，随着端到端大模型的应用，自动驾驶正在迎来突破时刻。Waymo在加州的无人驾驶订单量呈指数级增长，特斯拉的FSD也展示了纯视觉方案的潜力。这表明，利用大模型对海量驾驶视频进行训练，让车辆学会像人类一样理解复杂的交通场景，是一条可行的路径。

6.jpg

同样的技术逻辑也适用于人形机器人。过去机器人只能在结构化的工厂环境中重复简单的动作，而有了大模型的加持，机器人开始具备理解自然语言指令和处理非结构化任务的能力。虽然目前人形机器人仍处于早期的“笨拙”阶段，就像早期的移动电话一样昂贵且难用，但进化的方向已经明确。当AI大脑与灵巧的机械身体结合，我们将看到自动化的边界从信息处理延伸到物理劳动，这将对制造业、物流业乃至家庭服务业产生深远的影响。

我们已经看到特斯拉的Optimus机器人开始在工厂中进行简单的搬运工作，这只是一个开始。随着多模态大模型的成熟，机器人将能够理解视觉、听觉和触觉信息，从而在更复杂的环境中执行任务。这将是AI“吞噬世界”的最后一块拼图，也是最难啃的一块骨头。物理世界的数据采集和模型训练难度远高于数字世界，但一旦突破，其释放的生产力将是惊人的。

7.jpg

结语：消失的技术

回顾1950年代，当自动电梯刚刚问世时，人们也曾恐慌电梯操作员这一职业的消失。当时美国有数万名电梯操作员，这在当时被视为一份体面的工作。人们担心没有了操作员，电梯会不安全，或者乘客会不知道如何操作。然而，随着技术的成熟，自动电梯变得安全、可靠且普及，电梯操作员这个职业彻底消失了，但我们并没有因此感到遗憾，因为电梯本身变成了建筑的一部分，变成了我们生活中习以为常的背景。

8.jpg

人工智能的终局也必然如此。今天我们谈论AI，是因为它还不够好，还不够普及，还需要我们专门去学习和适应。我们惊叹于ChatGPT的每一次对话，我们讨论Sora生成的每一段视频，是因为这些依然是“新奇”的事物。当AI技术真正成熟时，它将像电力、互联网和电梯一样，隐入后台，消失在我们的视线中。我们将不再惊叹于某个应用具备AI功能，因为那将是所有软件的标配。

在这个从“新奇”到“隐形”的过渡期，充满了混乱、泡沫和不确定性。但正是这种混乱，孕育着巨大的机会。对于创业者和投资者来说，关键不在于预测哪一个模型会赢，而在于洞察哪些旧的需求可以被新的方式满足，哪些旧的束缚可以被新的工具打破。AI正在吞噬旧世界，但它同时也正在反刍出一个效率更高、可能性更广阔的新世界。我们正处在这个伟大进程的开端，未来的十年，将是人类历史上最激动人心的技术变革期。所有的焦虑、兴奋和困惑，都是这个变革时代的注脚。唯有拥抱变化，深入理解技术背后的产业逻辑，我们才能在这场洪流中找到自己的位置。