钢铁、芯片和打卡:AI 时代,价值到底流向哪里

在每一个技术时代，价值都不会流向“最好的产品”，而是流向那个占住关键一层的人，那一层，是所有东西都必须在上面运行的。

我在 Duolingo 上已经连续打卡 1338 天了。每天早上我都会打开它。有时候只用三十秒，有时候用十分钟。将近四年，一天都没断过。

但有个不太奇怪的事实是：ChatGPT 明明是更好的语言老师。它更灵活、更像对话、更有耐心，也更有可能真正帮我学会一门语言。可我还是没有离开 Duolingo，一次都没有，甚至没有认真动过这个念头。

“更好的产品”和“人们真正会用的产品”之间的这个差距，是现在技术里最重要的问题之一。而这个问题，也能解释今天 AI 经济里正在发生的很多事，为什么 Nvidia 明明可以多赚很多钱却没有这么做，为什么 Google 这一季的表现是所有超大规模公司里最好的，以及为什么很多 AI 应用公司在收入增长的同时，其实正在慢慢走向边缘化。

答案一直都是同一个，而且 150 年来都没变过：

价值不会流向最好的产品，而是流向那个占住关键一层的人。

这张“地图”其实已经存在 150 年了，只是材料变了。

一张理解 AI 的结构地图

如果你想看清 AI 的价值是怎么流动的，你需要一张“结构图”

AI 的价值，必须经过六层：基础设施、芯片、数据、模型、执行、应用。

大多数人看到的是一张技术图，但我看到的是 1890 年的铁路。

卡内基把钢卖给所有修铁路的人。洛克菲勒通过控制关键节点，掌握了 90% 的炼油。摩根用资本把整个体系连在一起，不只是为了回报，更是为了协调，把彼此竞争的铁路公司绑在一起，避免无序竞争把资产价值拖垮。

今天 AI 里正在形成的，是同样的结构。

荷兰的 ASML 造出了所有先进芯片必须用的机器。台积电生产几乎所有 AI 模型运行所需的芯片。Nvidia 的 CUDA 成了开发者必须依赖的软件层，几百万开发者都在上面构建，一旦要迁移，成本极高，甚至几乎不可能。甚至北卡罗来纳州的一座矿，都在整个芯片生产链条里占着关键位置。

1880 年，洛克菲勒控制了 90% 的炼油，2000 年，思科控制了 85% 的路由。AI 底层的集中，也在走同样的路径，只是更快，也更隐蔽。

问题从来不是“会不会集中”，而是：

当它集中时，你在哪一层。

最强的位置，往往也是最克制的

在整个体系里，最有力量的玩家，反而最克制。

Nvidia 掌握着最稀缺的资源：GPU。所有 AI 实验室、云厂商、neocloud 都离不开它。需求远远超过供给。按最简单的经济逻辑，它完全可以把价格拉到极限，赚最多的钱。

但它没有。TSMC也是一样。

如果 Nvidia 把价格压到极限，就会逼 Google 加速 TPU，Amazon 投更多钱做 Trainium，Microsoft 加快自研芯片。短期收益，会换来长期的威胁。

这和当年摩根对铁路做的事情很像。他让各条铁路停止价格战，不是因为他慷慨，而是因为混乱正在摧毁他投进去的资产价值。

在任何一个体系里，最强的位置，不是那个榨取最多利润的，而是那个让自己成为“没人能绕开的那一层”的位置。然后用足够的克制，让别人没有动力去尝试绕开你。

应用层，看起来强，其实更像农民

现在很多人看 AI，关注的是：哪个模型更强，哪个公司会赢，哪个应用用户最多。

这些问题，其实都是在看“楼”。

真正该问的是：谁拥有“地”。

应用层看起来很强：它直接面对用户，有分发、有收入。

但如果你仔细看，它更像铁路时代的农民。

农民依赖铁路，但不掌控铁路。当铁路公司调整价格时，农民只能承担成本，因为他们没有别的选择，也没有谈判能力。

今天的结构也类似。

底层玩家之间是高度绑定的：云厂商投资模型公司，模型公司依赖算力，大家在同一个利益网络里。

但应用层，在这个网络之外。它依赖下面，却不在这个“协调体系”里。

市场其实已经开始反映这一点了：SaaS 估值压缩、软件贷款折价、这一季 Google 和其他公司的表现明显分化。

这不是简单的估值问题，而是护城河的问题。

市场正在区分两类公司：一类有真正的飞轮，一类只是从 OpenAI 租能力，再希望自己的界面足够粘人。

大多数应用公司，其实是后者，只是还没有完全意识到。

三个问题，帮你分清“飞轮”和“假护城河”

我通常会问三个问题：

第一，是什么具体的用户行为，产生了这些数据？这个行为，是不是只会发生在你的产品里？

关键不是你想收集什么数据，而是用户实际做了什么。如果这个行为在别的地方也能发生，那这些数据就不属于你。

第二，这些数据是本质上独有的，还是只是你来得早？

有些数据只有你的用户能产生，比如医疗场景中的影像和诊断数据，别人很难复制。有些数据只是时间问题，资金足够的竞争对手几年就能补上。

时间优势，不是飞轮。

第三，这些数据，会不会让产品对这个用户“明显变好”，还是只是整体上“稍微变好”？

很多公司会在这里误判。它们积累了很多数据，但只是让模型整体稍微提升，而不是对某个具体用户产生质的变化。

Duolingo 的护城河，是我帮它建的

再来看我这 1400 天的打卡。

真正产生价值的数据，不是我做了多少练习，而是这些细微的行为：我什么时候打开App，是累的时候还是有精力的时候，用了三十秒还是十分钟，哪些提醒把我拉回来，哪些语法让我卡住。

这种长期、连续的行为模式，在几亿用户、几十种语言、十年时间里积累下来，是非常深的“习惯”和“学习心理”的数据。

而且，这种数据是很难复制的。

你不是多投点钱，就能在两年内造出一个“十年用户行为”。

更关键的是

这不只是数据。这是一个身份。

这 1400 天的打卡，我带不走。如果我换平台，我失去的不只是一个工具，而是这个身份，“那个已经坚持了 1400 天的人”。

这个身份，是锁在 Duolingo 里的。

这才是真正的护城河。

Duolingo 的飞轮，不只是语言学习数据，而是个体层面的习惯心理数据，长期积累，并绑定在一个无法迁移的身份上。

所以，即使 ChatGPT 是更好的老师，也不会直接替代它。

赢的产品，不一定是最好的，而是那个让你离开时感觉“失去了一部分自己”的产品。

最稀缺的，一直是人类行为

整个结构会继续变化，瓶颈会不断移动。

在移动互联网时代，限制从基础设施转向对问题的理解和网络效应。

在 AI 时代，限制正在转向另一件事：基于人类行为的、长期积累的数据飞轮。

Google 这一季表现好，不是因为 Gemini 是最强模型，而是因为它在多个层同时占住了关键位置：Search、Android、Chrome 带来的分发，TPU 带来的算力，以及二十年积累的人类行为数据。

它不是在比赛的公司，它是比赛发生的那一层。

而大多数应用公司，没有分发，也没有飞轮。

它们有的是一个不错的界面，一些在增长的用户，以及一个从别人那里“租来的模型”。

铁路时代的农民也有土地，但这并不能保护他们。