AI这么火，大头被谁赚走了

大众感受到的 AI 热潮，基本发生在应用端。比如豆包聊天更聪明了，可以一句话生成网页了，图片和视频也能通过AI随心所欲的创作。新产品不断出现，周围开始使用AI工具的人也越来越多。

我们会自然觉得，这轮热潮中，这些产品一定可以大赚特赚。

但沿着产业链往回看，图景就不太一样了。

与两年前的测算相比，AI 生态新增了约 3,500 亿美元的收入，其中约 75% 落在半导体芯片层。虽然应用发展得很快，从只能聊天进化到能干活和生成各种图片视频，收入增长了十倍以上，但整个产业的收入分布却没有发生同样剧烈的变化，上游仍然拿走了收入增长的大头。

为什么会这样？回头看看上一轮云计算，就更容易理解了。

一、同样是软件，成本变了

云计算时代，一家公司不必自己买服务器、建机房，也能把软件交付给大量用户。算力和存储可以按需购买，越来越多的生意基于这套基础设施上生长出来。

云时代的软件应用和基础设施占据了更大的收入空间，芯片的份额相对较小；但 AI 时代的收入分布，则明显向半导体一端倾斜。

这当然与 AI 所处的阶段有关，但还有一个更直接的区别：服务用户的成本。

传统软件开发完成后，新增一个用户，通常不需要把产品重新制作一遍。用户越多，研发成本就越容易被摊薄，边际成本基本为0。一些软件公司能达到八九成毛利率。

AI 产品的账本不同。用户让它回答问题、分析文件、生成代码，背后通常都需要LLM（大语言模型）实时生成。这个使用模型生成内容的过程，叫做“推理”，而这也是需要花钱的。

所以在AI模型训练好了，为客户提供服务的边际成本并不为零，而是类似于线性增长。越多用户使用你的产品，你为LLM进行推理投入的成本就越高。

一次复杂任务还可能包含多轮计算。用户用得越勤，产品为此付出的算力成本也越高。对应用公司来说，用户增长带来收入机会，也带来持续的服务支出。

	传统云软件业务	生成式 AI 业务需要额外面对的问题
新增用户	交付成本通常较低，研发投入可以摊薄	使用模型仍会产生计算成本
使用频率提高	往往有助于留存和续费	留存之外，还要看模型账单如何变化
扩大规模	有机会改善利润空间	需要收入与服务效率一起改善

二、沿着产业链，看看钱去了哪里

想看清这笔账，可以使用一个三层划分：芯片、基础设施、应用。

在此前的云服务时代，这三层的收入分布更像一个倒三角形：底层芯片支撑云基础设施，云基础设施再支撑更大规模的软件与应用市场。越靠近用户，能够承载的业务越丰富，收入规模也越大。而今天的 AI 呈现出相反的形状：芯片层占据了收入的大头，基础设施层次之，应用层目前相对较小，形成一个底部宽、顶部窄的正三角形。

芯片层：越来越多的算力需求，越来越多的采购订单

无论训练模型还是提供推理服务，都需要计算资源。当公司争相建设 AI 能力时，芯片采购是最早就会发生的支出。

因此，下游产品还在探索怎么收费，上游已经可能拿到订单。对拥有强供给能力和定价能力的厂商来说，需求增长能够更直接地转化为收入，例如英伟达。

但眼前的优势不等于永久的优势。大型客户会不会开发替代芯片？竞争能否压低价格？如果客户减少建设投入，订单会怎样变化？

芯片层的核心问题是：现在的需求和定价能力，能持续多久？

基础设施层：把算力变成可用的服务

买到芯片，还不能直接向所有用户提供稳定的 AI 服务。算力需要被组织、调度和交付，模型也需要可靠地运行。

云平台和推理服务商，做的就是其中一部分工作。它们向下购买或租用算力资源，向上让客户更方便地使用这些资源。

这一层看起来离收入很近，但相对于芯片层却面临着更为激烈的竞争：既有专门做某项服务的初创公司，也有希望覆盖更多需求的云巨头。用户在不同厂商之前迁移的成本也相对较低。

应用层：有人使用，还需要有人持续付钱

应用层离我们最近，也最容易让人直接感受到 AI 的价值。但实现“能持续赚钱”对现在的产品来说依旧是个大难题，有两个原因，一是现在许多AI产品的商业模型都是用户订阅，而大量的用户都处于免费试用阶段，付费意愿较低。以全球用户量最大的AI产品ChatGPT为例，付费用户仅仅占总用户量的5%。二是产品中提供的服务需要持续支付用于AI模型推理的成本，使得利润进一步降低。

应用需要面对的问题是：用户愿意为什么付钱，提供这些服务要花多少钱，以及是否存在订阅制以外的盈利方式？

三、今天的分布，是一张AI时代还处于建设期的快照

看到这里，很容易得出一个判断：既然大头被上游拿走了，应用是不是没有那么大的价值？

并不一定，今天购买芯片、建设数据中心，可能是为了未来数年的需求；今天的应用收入，却主要反映已经发生的使用和付费。

两边的时间并不完全对齐。用铺设铁路作类比，轨道需要提前修好，运输业务才能在上面发展。建设阶段，修路和供应设备的公司先获得收入，并不难理解。

但铁路修好后，究竟会有多少乘客和货物，也需要后来的需求证明。

AI 同样如此。建设期可以解释为什么收入先集中在上游，但这不能保证所有投入最终都有足够回报。反过来，也不能仅凭应用当下的收入规模，就否定未来可能出现的价值。

我们看到的，既是竞争格局，也可能是产业发展阶段留下的形状。

四、未来，大头会换人吗？

收入分布可能发生变化，但变化可能比预想中慢。重点在于三个条件。

第一，完成同样任务的成本，能否持续下降。

如果模型和服务效率提高，完成一次有用任务所需的成本降低，应用就有机会留住更多收入。不过，更低的成本也可能伴随降价、更复杂的功能或更高的使用量。成本下降能否改善利润，还要看产品如何收费和交付。

第二，AI 创造的价值，能否支撑持续付费。

偶尔觉得惊艳，与愿意每个月付钱，是两回事。当一个工具能稳定完成任务、节省时间，用户才更容易形成持续使用和付费的理由。

消费级 AI 如果希望覆盖更多人，可能需要走出知识工作场景，进入更广泛的日常需求。

下图为ChatGPT，Gemini和日常软件产品的对比，像 YouTube、WhatsApp、微信这样的产品，已经融入大量用户的日常生活，用户量排据上游；推特、抖音等社交产品，则通过人与人之间的连接，让用户持续回来，排据中游。购物、听音乐等满足特定需求的产品则相对较低，但依旧存在大量用户。全球用户量第一的AI产品ChatGPT 才刚刚越过特定需求这一类产品，开始向社交产品所在的位置靠近。它缺少足够强的日常使用理由：人们通常是在有问题要问、有任务要完成时，才打开它。因此，从知识工作走向更广泛的日常需求，关键不只是让模型能做更多事，而是让更多人在普通的一天里，也有理由反复使用它。

第三，收费方式能否适应不同用户。

订阅适合一部分用户，按使用付费适合另一些需求。面对大量不愿订阅的用户，广告也是一条可能路径。用户在与 AI 对话时会表达具体意图，这可能为广告提供导向价值。

当然，会有很多反对者觉得这会严重损害对话体验和信任，在AI对话产品中加入广告是不可能的。

但在移动互联网时期也发生过类似的事情，当时人们觉得在手机中加入广告是不切实际的，比电脑显示器小那么多的屏幕，加入广告肯定会严重影响体验，但最终人们还是找到了合适的方法在移动端中加入了广告。

相关资料来源：Stanford《AI & E 435》课程讲座