夜雨聆风Views are my own.
MS&E 435: Economics of the AI Supercycle 是 Stanford 2026年春季开设的一门课，主讲人 Apoorv Agrawal（Altimeter Capital 合伙人）每周请一位 AI 产业核心玩家来讲他们看到的经济学。嘉宾覆盖芯片（NVIDIA/Groq）、能源（Crusoe）、数据平台（Databricks）、应用（OpenAI/Anthropic）等，基本上是 AI 价值链每一层有名号的大佬。
我打算每讲写一篇，以课程为切入点，用最新数据做检验，加上自己的一些解读。这是第一篇。
第一课由 Apoorv 自己来讲，他提出了一个 AI 价值链框架：A-Shaped 三层模型（Semi / Infra / Apps），回答的核心问题是“钱去了哪里”。
一、AI 产业的“物理定律”：A-shaped （倒三角） vs. V-shaped （正三角）
Apoorv Agrawal 在第一课开场提出了最关键的的问题：Where’s the money?
Source: Apoorv Agrawal / Altimeter Capital,“The Economics of Generative AI”(2024)
两年后，他在 Two Years Later 中更新了同一张图：
Source: Apoorv Agrawal / Altimeter Capital,“The Economics of Generative AI: Two Years Later”(2026)
AI 产业2026年年化总收入（annualized revenue，非 SaaS 意义上的 ARR）超过 435B，但大多数人对“钱流向了哪里”的回答是模糊的。Apoorv 给出的框架有三个组成部分：
AI Stack 三层切分。 把整个 AI 产业切成三层：Semi（半导体）、Infra（基础设施/云）、Apps（应用）。这个切分看似简单，但它强制把每一家公司、每一笔收入归入一个明确的层级。Google 不是一个整体——它的 TPU 业务在 Semi 层，GCP 在 Infra 层，Gemini 在 Apps 层。这种拆解可以更好地跨层比较。
“倒三角”（A-shaped）价值分配。 云计算时代的价值分配是正三角（V-shaped）：应用层最大，基础设施居中，半导体最小。AI 时代恰好反过来，Semi 层捕获绝大部分收入和利润，应用层反而最小。这是当前产业的价值分配现状。
超级周期类比。 PC、互联网、移动、云——每一次平台级技术变革都经历了从硬件主导到软件/应用主导的价值迁移。Apoorv 的核心预测：AI 也会经历同样的翻转，但速度可能比所有人预期的都慢。
这个框架合在一起可以回答：每家公司在哪里、钱在哪里、钱往哪走。
为什么这个框架比单一公司分析更有用
一个例子：如果你只看 OpenAI 的增长曲线（从2023年 2B 到2026年 25B ARR，三年12.5倍），你会得出“应用层正在爆发”的结论。但放回三层框架里，情况完全不同。
同一时期，NVIDIA 的数据中心收入从 75B 年化增长到 300B+（Q1 FY2027 单季 75.2B），绝对增量是 OpenAI 的近10倍。
应用层在百分比意义上增长最快，但在绝对美元意义上，Semi 层吃掉了生态系统增长的大部分。
二、从 90B 到 435B：五倍增长，结构没变
2024年4月，Apoorv 首次发表“The Economics of Generative AI”时，AI 生态系统的年化收入大约 90B。分布大致是：
Semi 层约 75B:NVIDIA 数据中心季度收入 18B，年化约 72B，加上少量其他玩家
Infra 层约 10B：超级云厂商 + 推理云
Apps 层约 5B:OpenAI 当时约 2B ARR，加上 Anthropic、Midjourney 等。
Semi 层占收入的 83%，占毛利的 88%。两年后的2026年春季，他在课堂上展示的更新数据：
Semi 层约 300B:NVIDIA FY2026 数据中心收入 193.7B，加上 Broadcom AI 半导体约 34B、HBM 等约 25B
Infra 层约 75B:Azure、AWS、GCP、Oracle 各贡献 10-20B AI 相关收入，CoreWeave 约 6B，以及其他推理提供商
Apps 层约 60B:OpenAI 约 25B + Anthropic 约 30B 占据约75%，其余为 Cursor、ElevenLabs、Glean 等。
Semi 层占收入的约70%，占毛利的约79%。
注： Anthropic 026年4月公布的 30B ARR 可能存在争议。OpenAI 认为按 net basis 计算应为约 22B，因为 Anthropic 将云合作伙伴收入按 gross basis 入账。本文采用 Anthropic 公布数字以保持与 Apoorv 框架一致。
五倍增长，形状几乎不变。
Source: Apoorv Agrawal / Altimeter Capital,“The Economics of Generative AI: Two Years Later”(2026)
增量的分配更能说明问题：345B 的新增收入中，Semi 层独占 225B（65%），Apps 层只拿到 55B（16%）。
NVIDIA 一家公司贡献了 175B 增量，相当于整个应用层当前体量的三倍。用 Apoorv 的原话：
“Despite 5x growth in the overall ecosystem, the shape hasn‘t changed much.”
而利润端的集中度更加极端：
Source: Apoorv Agrawal / Altimeter Capital,“The Economics of Generative AI: Two Years Later”(2026)
Semi 层以约73%的毛利率产生约 225B 毛利，Infra 层55%毛利率产生约 40B，Apps 层整体约33%毛利率仅产生约 20B。Semi 层独占 AI 生态79%的毛利润美元。
这里的 Apps 层33%是 Apoorv 对整个应用层的 blended 估算，包含大量尚未盈利的 AI 创业公司和低毛利的 API 转售业务；头部玩家如 Anthropic 的订阅毛利率已达约70%，但拉低均值的长尾极其庞大。
对比云计算生态中半导体仅占6%毛利，AI Stack 几乎是云 Stack 的镜像倒影。
形状不变意味着什么
应用层从 5B 到 60B 增长了12倍，Semi 层的利润占比只从 88% 降到了 79%。
按这个速度，要达到云计算时代的形状（应用层占70%利润），需要超过十年。两年前听到“AI 价值链是倒挂的”，自然反应是：早期现象，等应用层成熟就会翻转，但2年后的数据否定了这个直觉。
Apoorv 的解释是：AI 应用的边际成本不是零。 传统 SaaS 写好代码后，分发给第100万个用户的边际成本趋近于零，所以毛利率能跑到 80-90%。AI 应用打破了这个前提：每一次推理请求都消耗真实的 GPU 算力，成本与使用量线性相关。
这个解释正确但不充分。电信也是边际成本非零（每通电话消耗带宽），但电信产业的价值链并没有长期倒挂——运营商而非设备商拿走了大部分利润。不过这个翻转发生在需求增速见顶之后：2000年代初光纤过度建设 + 互联网泡沫破裂，需求增速骤降，思科等设备商的定价权随之崩塌；在此之前的1990年代网络建设高峰期，设备商也曾短暂占据过价值链顶端，毛利率一度达到 60-70%。
AI 的特殊性在于：算力需求的增长速度持续超过摩尔定律的降本速度。这正是1990年代电信设备商黄金时代的翻版，只是持续时间可能更长。
A-shaped 结构被三个机制锁定：
第一，模型能力竞赛制造了持续性的算力军备。 每一代 frontier model 的训练 FLOPS 以每年约4倍的速度增长，如从 GPT-4 的约 2e25 到 GPT-5 级别的约 1e26，而芯片单位算力成本每年只下降约30-40%，因为制程进步放缓且先进封装成本上升。需求增速是供给降本速度的3-4倍。只要这个剪刀差存在，Semi 层就能持续扩张绝对利润。
第二，推理需求的弹性极高（Jevons Paradox）。 即使单位推理成本下降了90%，Agent 架构使得单次用户交互的 token 消耗量暴增10-100倍，因为一个 Coding Agent 在后台可能调用数十次 LLM。成本下降被使用量爆发完全吞噬。据 Menlo Ventures 的数据，2025年企业 AI 总支出增长320%，包含企业 AI 软件+API 支出，不含基础设施 CapEx，per-token 价格同期下降90%。效率提升刺激了更多使用，总消耗量反而增加。
第三，NVIDIA 的定价权来自生态锁定而非单纯的供给稀缺。 即使 ASIC 在推理端蚕食份额，训练工作负载仍然高度依赖通用 GPU。因为你不知道下一个模型架构是不是一定是 Transform 系，而 ASIC 天然为特定工作负载优化。CUDA 生态的锁定效应 + 每一代架构的性能代际跳跃，让 NVIDIA 能在需求爆发时维持75%毛利率而非被迫降价。
那什么条件下 A-shaped 会翻转？
首先不是“推理成本下降”。过去两年推理成本已经下降了约90%，形状没动。真正的翻转条件是需求饱和。只有当 AI 推理需求的增速低于效率提升的速度时，应用层才能把省下的算力成本转化为利润而非再投入更多推理。目前没有任何迹象表明需求正在饱和，Agent、多模态、实时推理正在打开全新的消耗维度。
另一条路径是结构性断裂：ASIC 在 frontier model 训练上大规模证明自己，进而打破 NVIDIA 的定价权；或广告模式重构应用层收入端，让边际成本不再由用户直接承担。两者都有苗头，但都还没有到达临界点。
微观视角：20 美元的流向
这个结构在微观层面同样成立。
Day1Global 最近的一期 podcast “AI 超级周期经济学（一）：我们现在在什么位置，将去哪里？”，详细拆解了用户每月付给 Claude 的 20 美元的流向：
Anthropic 在推理层面留 14 美元毛利，扣除人员等经营成本后理论分摊约 4 美元净利；剩下 6 美元流向算力提供方。
算力方的 6 美元中，电力拿走 1.2 美元，运营成本 0.9 美元，算力方自己留 0.9 美元利润，而 3 美元直接交给 NVIDIA。
NVIDIA 的 3 美元中毛利 2.25 美元、净利 1.5 美元——50%的净利率。
剩下 0.75 美元再分给台积电、HBM 三巨头（海力士/三星/美光）、光模块厂商和 ASML。
Source: Day1Global 播客 E76, 基于公开财报数据估算
用户每付 1 美元给 AI 应用，约 0.075 美元沿算力链流向 NVIDIA 的净利端，应用公司理论可留约 0.20 美元。小数点未必精确，但 A-shaped 在每一笔微观交易中都在重现。
把这条算力链按物理流程展开，可以拆成八层：
Source: Day1Global 播客 E76, Star 自制 AI 产业 8 层全景图
把每家公司按这八层归位，按从你 20 美元中分到的净利润排序：
Source: Day1Global 播客 E76, Star 自制
Anthropic 理论分摊 4 美元（20%），NVIDIA 净利 1.5 美元（7.5%），AWS/NeoCloud 净利 0.9 美元（4.5%），台积电 0.157 美元（0.8%），电力公司 0.12 美元（0.6%），SK Hynix/美光 0.105 美元（0.5%），光模块 0.042 美元，ASML 0.025 美元，ODM（富士康）0.012 美元，NAND 0.004 美元。
十家公司合计净利 6.90 美元，占 20 美元的 34.5%——剩下 65.5% 被运营成本和研发吃掉。
关键在净利率的排序而非绝对金额：NVIDIA 50%，台积电和 ASML 同样惊人，Anthropic 的理论分摊 20% 反而最低。
不可或缺性决定定价权，定价权决定利润率。
这套估算的三点澄清
这张图的方向性结论成立，具体数字有三处口径偏差：
一、4 美元是单笔订阅的理论分摊，不是公司净利率。 Anthropic 2026 年训练+推理支出约 19B，大致等于全年收入，管理层预期 2028 年才真正转向公司层面盈利。4 美元更接近“单位推理经济的极限利润空间”。
二、“3 美元给 NVIDIA”在 Anthropic 这条链上被高估。 Anthropic 与 Google（200B 五年合同/TPU）、AWS（Trainium）深度绑定，加上承诺采购 100 万颗 TPU，NVIDIA 在其算力链中的实际份额估计只有 30-40%。要匹配这个假设，样本应换成 OpenAI 或 xAI；Anthropic 恰恰是头部公司中对 NVIDIA 依赖最低的几家之一。
三、20 美元消费订阅不代表 Anthropic 整体。 Claude Code 单独已超 2.5B ARR，1000+ 企业客户年支出 1M+。重度 Agent 调用的 token 经济结构与个人订阅完全不同。
三处简化并没有影响大趋势：上游高净利、应用层被算力链层层截流是稳健判断。
A-shaped 的持续性：2026年5月的实时验证
2026年5月的最新数据从三个方向验证了这个结构的持续性。
供给侧（Semi 层）： NVIDIA FY2026（截至26.1）数据中心收入 193.7B，毛利率维持在约75%。Q1 FY2027（截至26.4）总收入 81.6B，数据中心收入 75.2B，同比增长92%。黄教主在 GTC 2026 透露 Blackwell + Vera Rubin 两代架构的 revenue visibility 2026-2027可达 1 万亿美元，Q2 指引来到了 91B。Semi 层的绝对规模仍在加速膨胀。
需求侧（CapEx）： 四大超级大厂（Microsoft、Alphabet、Amazon、Meta）2026年 Capex 指引合计达到 715-725B，比2025年的 410B 增长超过70%。仅 Q1 2026 一个季度，Alphabet 35.67B、Amazon 44.2B、Microsoft 30.88B 三家就花了 110.75B.
Source: FactSet, Apollo Chief Economist; via Apoorv Agrawal,“Two Years Later”(2026)
超级大厂合计 CapEx 从2020年约 90B 增长到2026年指引 715-725B，六年涨了 8 倍，且加速度本身还在增加。这些钱绝大部分流向 NVIDIA GPU、定制 ASIC、HBM、电力基础设施和数据中心建设。
CapEx 的指数增长是 A-shaped 结构得以维持的驱动力：只要超级云厂商持续以这个速度向底层注资，Semi 层的绝对收入就会持续膨胀，即使应用层增速更快也无法在比例上追上。
Apoorv 在 Two Years Later 中引用了超级大厂 CEO 们的表态。Meta的Zuckerberg 最直白：
“In the worst case, we would just slow building new infrastructure for some period while we grow into what we build.”
Amazon Jassy 和 Google Pichai 的措辞不同，但逻辑一致：
宁可过度投资也不能在算力竞赛中落后，因为算力不足的代价（失去 AI 市场份额）远大于过度投资的代价（资产暂时闲置）。
应用层（Apps 层）： OpenAI 月收入约 2B（年化 24-25B），Anthropic 在5月20日向投资者披露，其 Q1 2026 实际收入 4.8B，Q2 预计达 10.9B，环比增长127%，并将实现公司成立以来首个运营盈利季度，预计运营利润 559M。
按 Q2 数字年化，Anthropic run rate 已达约 43.6B，远超4月宣布的 30B。但 Anthropic 自己也承认，由于下半年计划大幅增加算力和训练支出，包括租用马斯克 SpaceX 签订的 1.25B/月算力合同，全年未必能维持盈利。
OpenAI 的处境更能说明问题：2026年预计现金消耗 27B，2027年预计 63B。收入在高速增长，利润仍然被算力成本严重压缩。
应用层公司的收入增长被 Semi 层的“算力税”持续截流，收入规模已经达到传统 SaaS 巨头水平，利润结构却更像一家硬件公司。
动态地看，应用层的单位经济在快速改善。
一年前 Anthropic 的推理毛利率只有约38%：用户付 20 美元，它留 7.6 美元，剩下 12.4 美元全部流向算力。到2026年，毛利率升至70%，留 14 美元，算力成本压缩到 6 美元。
改善的核心驱动力是推理效率的提升（如 MoE 架构、更优的 batching、更便宜的 ASIC 推理）和定价权的增强。Anthropic Q2 首次盈利正是这条改善曲线的里程碑：
应用层公司首次证明 AI 业务可以在运营层面赚钱，而非永远被算力成本吞噬。
但即便算力成本被压缩了一半，NVIDIA 从每笔交易中的绝对抽成并没有等比例下降——因为总推理量在同步爆发，单笔变薄被总量增长覆盖。
Apoorv 2024年建立的框架在两年后依然有效：A-shaped 是 AI 计算经济学的结构性刻画，且这个结构可能会持续较长时间。
三、2024 vs 2026：逐条对账
Apoorv 2024年文章中做了几个具体判断，两年后逐条看看是否仍然成立。
判断1：“NVIDIA 毛利率已见顶，将进入下行通道”
2024年原文： 引用 SemiAnalysis 的分析，认为 NVIDIA 毛利率已经见顶，B100 及后续产品的毛利率将略有下降。
2026年现实： NVIDIA FY2026 GAAP 毛利率为 75.0%。Q1 FY2026 因 H20 出口管制产生 4.5B 减值，导致单季 GAAP 毛利率短暂降至约60.5%，但随后逐季恢复。Q4 FY2026 回到 75.0%，Q1 FY2027 维持 74.9%（GAAP）/ 75.0%（non-GAAP），Q2 FY2027 指引同样为 75.0%。
结论：部分正确，但幅度远小于预期。
NV 毛利率确实没有继续上升，从 FY2024 的约76% 高点略有回落，但并未出现显著下行趋势。75% 左右已经维持了超过两年，且 Q1 FY2026 的 H20 减值是一次性事件而非趋势性下行，此后毛利率迅速恢复并稳定在 75% 区间。
尽管 ASIC 竞争加剧，NVIDIA 通过 Blackwell 架构的性能代际提升和 Rubin 的提前布局，持续维持了定价权。CUDA 生态系统的锁定效应、训练工作负载对通用 GPU 的依赖、以及每一代架构持续拉开与竞品的性能差距，共同构成了一个比“供给增加→价格下降→毛利率压缩”更复杂的动态。
看上去，NV 的护城河比2024年预期的更深。
判断2：“应用层将在本十年末捕获大部分价值（Inning 3）”
2024年原文： 预期 AI 价值链将遵循历史模式，从 Inning 1（Semi 主导）经过 Inning 2（Infra 崛起）到 Inning 3（Apps 主导），预计在2030年左右完成。
2026年现实： 应用层收入从 5B 增长到 60B（12x），但利润占比仅从约3% 上升到约7%。按当前速度，要达到应用层主导（占50%+利润）需要远超十年。Apoorv 自己在2026年更新文章中也修正了这个判断，承认“可能需要超过十年”。
结论：方向正确，时间表过于乐观。算力军备、Jevons 悖论、生态锁定，这三重锁定机制只是表层现象。更根本的差异在于：
云计算时代基础设施建好后，应用层的边际成本趋近于零，价值自然向上迁移；AI 的边际成本则是永久性的。
AI 需求弹性太高，每一轮降本都被更多使用吞噬。
Source: Apoorv Agrawal / Altimeter Capital,“The Economics of Generative AI: Two Years Later”(2026)
Apoorv 在 Two Years Later 中给出了这张预测图：
左侧是云计算过去10年的实际演化——从硬件主导的正三角翻转为应用主导的倒三角；右侧是他对 AI 未来10年的预测——从当前的 A-shaped 逐步向应用层倾斜，但他标注了“Biggest Opportunity”在应用层顶部，同时承认翻转速度会比云时代慢得多。
一个关键的变量是 ASIC 芯片：
如果 TPU、Trainium 和其他 ASIC 能在训练工作负载上大规模证明自己，就能压缩 NVIDIA 的利润率，加速利润向上迁移；但如果 NVIDIA 持续通过架构代际跳跃维持定价权（目前的轨迹），翻转时间线可能远超十年。
Apoorv 自己的措辞从2024年的“within this decade”变成了2026年的“may take longer than 10 years”。
判断3：“定制芯片将压缩 NVIDIA 的份额”
2024年原文： 提到 Google TPU、Microsoft、Amazon、Meta 都在开发自研芯片，预期这将降低总拥有成本并削弱 NVIDIA 的垄断。
2026年现实： ASIC 竞争确实在加速，但方式和2024年预期的有所不同。Google TPU Ironwood（v7）已达到与 Blackwell 同级的算力水平，Anthropic 签下了 AI 史上最大的单一客户自研芯片承诺——超过100万颗 Ironwood（首批约40万颗），对应超过 1GW 算力。
AWS Trainium 截至2025年底已部署超过50万颗 Trainium2，是最大的商用超级云 ASIC 集群，Amazon 有 225B 的 Trainium 采购承诺。
OpenAI 与 Broadcom 合作设计自研芯片，10GW 规模，首批2026年下半年上线，市场估计 OpenAI 长期算力结构为 60% NVIDIA / 30% 自研 / 10% AMD+其他。
整体趋势上，TrendForce 预测2026年定制 ASIC 出货量增速 44.6%，GPU 出货量增速 16.1%。
结论：方向正确，进展比预期更快，但 NVIDIA 的应对也比预期更强。
ASIC 确实在蚕食 NVIDIA 的份额，尤其在推理工作负载上。但 NVIDIA 仍然控制着约81%的 AI 数据中心芯片市场（IDC 数据），并且在训练工作负载上的主导地位几乎没有被撼动。
训练需要通用性和灵活性，主要还是无法确定下一个模型架构长什么样，而 ASIC 天然为特定工作负载优化。黄教主在 GTC 2026 也再次回答了这个问题：
“ASICs optimize for today‘s workloads, while GPUs optimize for the next workload”。
虽然是自我辩护，但确实也是业界面临的一个真实 trade-off。
四、框架之外：三个新现象
现象1：应用层的极端寡头化
2024年的框架隐含了一个假设：应用层最终会像云计算时代一样，由大量 SaaS 公司组成一个多元化的生态。但2026年的现实是：OpenAI + Anthropic 两家公司占据了应用层约75%的收入。
这个集中度远超云时代的任何阶段。即使在 SaaS 最集中的时期，前两名（Salesforce + Microsoft 365）也没有占到整个应用层收入的75%。
如果应用层本身也是寡头结构，“价值从 Semi 层迁移到 Apps 层”的含义就完全不同。“价值分散到千百个应用开发者手中”（云时代的故事）是不是会发生以及什么时候发生还不确定，而“从一个垄断者（NVIDIA）转移到两个寡头（OpenAI/Anthropic）”的现实已经发生了。
产业的终局是不是百花齐放，还是垄断者换人，这是个变数。
如果想在应用层创业，面对的可能并不是一个正在开放的大市场，而是两个巨头已经占据了大部分空间。像Coding（Cursor）、垂直行业 Agent（Harvey、Abridge）、基础设施工具（ElevenLabs、Replit），能活下来的公司，共同特征是要找到通用模型无法直接替代的差异化价值。
现象2：ASIC 竞争与层级边界模糊化
2024年的框架把 Semi 层视为一个相对同质的层级，主要由 NVIDIA 主导。但2026年 Semi 层内部已经分裂为两个截然不同的子市场，通用 GPU（NVIDIA 主导，用于训练）和定制 ASIC（Google TPU、AWS Trainium、Broadcom 代工，用于推理）。
三层模型的粒度问题在实操中更加明显。回到前面那张 8 层全景图——L1 能源、L2 制造、L3 存储、L4 芯片+互联、L5 算力服务、L6 数据、L7 模型+编排、L8 应用+执行，每一层都有独立的瓶颈和独立的垄断者。
比如业界知名人士“孙割”，去年早期就做出了“短期缺芯片（L4）、长期缺能源（L1）、永远缺存储（L3）”的判断，精确描述了瓶颈随时间迁移的动态。服不服？
三层模型把这些全部压缩进 Semi 和 Infra 两个桶里，丢失了瓶颈迁移的信号。
推理 ASIC 的崛起模糊了 Semi 和 Infra 的边界。当 Google 用自己的 TPU 运行 Gemini 的推理，这笔“成本”应该算在 Semi 层还是 Infra 层？当 Anthropic 在 Google TPU 上运行 Claude，Anthropic 付给 Google 的钱是“芯片成本”还是“云服务费”？三层模型在这里出现归类困难。
与此同时，垂直整合正在成为主导策略。Google（TPU + GCP + Gemini）、Amazon（Trainium + AWS + 投资 Anthropic）、Meta（MTIA + 自有基础设施 + Llama）。超级大厂们开始同时占据多个层级，“每一层有独立竞争格局”的假设越来越不成立。
Apoorv 在课堂上也触及了这个问题。当学生问“历史上有没有完全垂直整合的赢家”时，他的回答是：
Google 在搜索时代是垂直整合的，从服务器到搜索到广告；Apple 在移动时代是垂直整合的，从芯片到操作系统到应用商店），它们分别是各自超级周期中市值最高的公司。
如果 AI 超级周期也产生一个垂直整合的赢家，那三层模型的分析意义就会下降，因为赢家横跨所有层级，目前还没有明确的赢家出现。
现象3：推理成本的 Jevons Paradox
2024年的框架隐含假设：推理成本下降→应用层毛利率改善→价值逐步向上迁移。
2026年的数据确实显示推理成本在急剧下降：per-token API 定价在2025年初到2026年中下降了约90%，MoE 架构将每 token 计算量减少了60-80%，新一代 GPU（H200、B200）将推理吞吐量提升了2-3倍。
如果把架构优化、硬件迭代和定价竞争的复合效应叠加，从 2023年3月的GPT-4 发布到现在，同等质量推理的单位成本下降了约两个数量级。
按线性逻辑，应用层早该吃下降本红利。但企业 AI 支出在同期反而增长了 320%——省下的算力没有变成应用层利润，全部回流成了更多 token 消耗。 这是 Jevons 悖论的标准剧本。
下一阶段更值得关注的是：需求弹性的来源如何从“更多用户”转向“更深使用”。
具体来说：
Agent 架构使得单次用户交互的 token 消耗量暴增（一个 Coding Agent 在后台可能调用数十次甚至上百次 LLM）
多模型路由成为主流架构，2026 企业平均使用 4.7 个模型，比 2025 的 2.1 个增长124%
企业从“实验性使用”转向“生产级部署”，使用量从试点规模跳到全量规模。这意味着即使用户数增长放缓，per-user 的算力消耗仍然在指数增长
需要记住一点，Jevons Paradox的驱动力不会因为用户渗透率见顶而消失。
Key Takeaways
A-shaped 翻转的唯一信号是需求饱和。 推理成本降了两个数量级，形状没动。如果企业 AI 总支出增速持续大于 per-token 成本降幅，翻转就不会来。
ASIC 在推理上已经赢了，训练上还需要一个“ChatGPT moment”。 100万颗 Google TPU Ironwood ，50万颗 Trainium2 已证明推理的经济性。但只有当某家公司用纯 ASIC 训出 frontier model，NVIDIA 的训练垄断才会被真正动摇。我判断Google在2027-2028有一定概率撼动NV的地位，Gemini肯定是TPU训练的，据称最新的Anthropic Mythos2也是全TPU训练的。
“价值迁移”对创业者是个陷阱叙事。 价值即使迁移，接住的是 OpenAI + Anthropic 两个寡头（占75%），不一定是千百个开发者。AI 时代的应用层机会可能是在巨人脚下找缝隙，不再是云时代的广阔空白市场。
Agent 让算力消耗与用户曲线脱钩。 多数“应用层终将主导”的预测把用户渗透率见顶当成 Semi 层利润见顶的信号；Agent 架构使每位用户的算力消耗本身开始指数增长，渗透率封顶后总消耗仍能爬升。这是大多数估值模型还没 price in 的变量。
三层模型分析独立公司仍然有效，但分析垂直整合者需要切换视角。 Google、Amazon、Meta 横跨三层，层级间利润转移是内部记账而非市场交易。从过去的历史规律看，每个超级周期市值最高的公司（搜索时代 Google、移动时代 Apple）都是垂直整合者。会是谁呢？
在 AI 价值链上选公司：不可或缺性 > 利润率 > 增速。 用户可以在 ChatGPT 和 Claude 之间切换，但没人能绕过台积电的制程。真正的“卖铲人”不是利润最高的，是无论谁赢都无法绕开的那一环。
Enjoy!
References
Apoorv Agrawal, “The Economics of Generative AI” (2024), Apoorv’s Substack
Apoorv Agrawal, “The Economics of Generative AI: Two Years Later” (2026), Apoorv’s Substack
Stanford MS&E 435: Economics of the AI Supercycle, Apoorv Agrawal (Altimeter Capital)
OpenAI / Anthropic ARR estimates via The Information, Bloomberg (May 2026)
Day1Global 播客 E76: “AI 超级周期经济学（一）：我们现在在什么位置，将去哪里？”
下一篇：Class #2 分析——当 Groq 的 CEO 加入 NVIDIA，当 Altimeter 的创始人亲自上阵，一场关于“推理经济学”和“tokens 作为 AI 价值原子单位”的对话。
