夜雨聆风
经济学迷思：为什么 AI 时代不是人人暴富，而是巨头更巨头？
很多人以为，AI 时代来了，普通人终于可以翻身了。
会写 Prompt，就能月入十万。
会用 ChatGPT，就能一个人干掉一个团队。
会生成图片、视频、文案，就能躺着赚钱。
听起来很美。
但经济学最喜欢做的一件事，就是把美好的神话拆开，看看里面到底是谁在赚钱。
AI 时代当然会创造机会。
但它首先创造的，不是“人人暴富”，而是一个更现实的问题：
AI 正在让强者更强，让巨头更巨头。
为什么？
因为 AI 表面上是软件革命，底层却是一场超级重资产竞赛。
你在手机上输入一句话，AI 几秒钟给你一篇文章。这个过程看起来很轻，像魔法。但魔法背后不是空气，而是 GPU、数据中心、电力、芯片、云计算、液冷系统、模型训练、数据清洗和资本市场。
换句话说：
你看到的是一个聊天框，巨头看到的是一座座 AI 工厂。
这就是 AI 时代最大的经济学迷思。
普通人以为 AI 的核心能力是“会说话”。
资本市场知道，AI 的核心资源是“烧得起钱”。
我们先看一组非常直观的估算。
有研究者用 NVIDIA Blackwell GPU、NVL72 机架和公开训练公式，估算了下一代前沿 MoE 大模型的训练成本。这里的 MoE，可以简单理解为“专家混合模型”：模型总参数很大，但每次回答问题时只激活其中一部分参数。
这个估算假设：下一代模型可能进入 2T、4T、10T 参数级别，并假设每次只激活 5% 参数。
这意味着什么？
看起来已经很夸张了，但真正夸张的是后面的成本。
按照这个估算，如果使用比较现实的 BF16 训练精度，并假设 90 天训练周期、20% 模型算力利用率、B200 GPU 每小时 5 美元，那么结果大概是：
这组数字非常重要。
它告诉我们，AI 不是一个“会用工具就能躺赢”的小生意。
真正的前沿模型竞争，已经不是普通创业，而是接近工业级基础设施建设。
191 个 NVL72 机架是什么概念？
这已经不是几台服务器，而是一座小型 AI 工厂。
4763 个 NVL72 机架又是什么概念？
这不是“创业公司买点显卡训练模型”，而是需要超级云厂商、数据中心、电力供应、液冷系统和巨额资本一起配合。
所以 AI 时代第一条经济学规律是：
表面上是智能竞争，底层是资本开支竞争。
这像不像淘金热？
淘金的人很多，但最稳定赚钱的，往往不是拿着筛子在河里淘金的人，而是卖铲子、卖水、卖帐篷、卖铁路运输的人。
AI 时代也是一样。
大家都想用 AI 淘金，但真正先赚钱的，是给所有人提供 AI 基础设施的人。
英伟达卖芯片。
微软、谷歌、亚马逊卖云。
OpenAI、Anthropic 做模型入口。
Meta 用开源模型争夺生态。
数据中心公司卖算力。
电力公司卖能源。
液冷、光模块、服务器、网络设备厂商，也都被卷进了这条产业链。
普通人以为自己在使用 AI。
巨头知道自己在建设新的生产资料。
这才是差距。
更关键的是，模型越大，成本不是线性增长，而是迅速膨胀。
为什么？
因为训练计算量大致和模型参数规模的平方相关。
按照这篇估算里的公式：
训练数据量 = 40 × 总参数量
激活参数量 = 总参数量 × 5%
训练计算量 ≈ 12 × 总参数量²
这意味着，当模型从 2T 变成 4T，不是简单贵一倍，而是训练计算量接近变成四倍。
当模型从 2T 变成 10T，训练计算量会出现数量级跃升。
这就是为什么 AI 巨头越跑越快，小公司越追越吃力。
技术进步表面上降低了使用门槛，却提高了顶层竞争门槛。
你可以花几十美元订阅 AI 工具。
但巨头要花几亿、几十亿美元训练下一代模型。
你获得的是工具入口。
巨头控制的是工具背后的工厂。
这就是第二条经济学规律：
AI 降低了普通人的使用门槛，却抬高了产业顶层的资本门槛。
再看数据问题。
很多人以为，只要有 GPU，就能训练更大的模型。
但这篇估算提醒了另一个更关键的问题：数据可能比 GPU 更稀缺。
按照“每个参数需要 40 个 token”的训练数据假设：
2T 模型需要 80T tokens。
4T 模型需要 160T tokens。
10T 模型需要 400T tokens。
可是公开可抓取互联网数据大约只有 100T tokens。
这就很尴尬了。
2T 模型还可以勉强吃公开互联网数据。
4T 模型开始需要额外合成数据。
10T 模型则需要大约 300T synthetic tokens，也就是合成数据。
换句话说，AI 巨头不是简单地“上网抓资料”就可以了。
当模型规模越来越大，公开互联网已经不够吃了。
这就是第三条经济学规律：
AI 时代，数据不是变便宜了，而是高质量数据越来越贵。
更狠的是，合成数据本身也要花钱。
这篇文章用 Claude Sonnet 4.6 的 API 价格做了一个估算：如果要生成 300T synthetic tokens，并假设输入输出比例是 1:10，也就是用 30T prompt tokens 生成 300T output tokens，那么：
这组数字非常关键。
因为它说明，到了 10T 级别，数据成本本身就可能接近甚至成为模型训练成本的一大块。
10T 模型训练成本约 37 亿美元。
如果用批处理 API 生成 300T 合成数据，成本约 23 亿美元。
也就是说，合成数据成本差不多相当于训练成本的 60%。
如果用标准 API 价格，合成数据成本甚至可能达到 46 亿美元，比训练成本还高。
这说明 AI 的瓶颈不只是芯片。
AI 的瓶颈还有数据。
过去互联网公司争的是用户数据。
今天 AI 公司争的是训练数据、合成数据、专有数据、高质量行业数据和可授权数据。
这就是为什么法律、医疗、金融、制造、科研这些行业数据会越来越重要。
公开网页数据大家都能抓。
但真实病例、真实合同、真实交易、真实生产流程、真实企业知识库，不是谁都能拿到。
所以未来最值钱的不一定是“会写提示词的人”，而可能是掌握高质量行业数据的人。
这也解释了为什么 AI 巨头会疯狂进入企业服务。
他们不只是卖软件。
他们也是在接近数据源、工作流和商业场景。
再看 post-training，也就是模型预训练之后的微调、强化学习和对齐阶段。
很多人以为模型训练完就结束了。
实际上，预训练只是第一步。后面还要进行 SFT、RL、偏好对齐、安全训练、工具调用训练、代码能力强化、多模态训练等流程。
这篇文章提到，post-training 可能额外增加约 20% 成本；甚至有公司报告称，后训练阶段的算力消耗几乎可以接近预训练。
这进一步说明，AI 模型不是一次性产品，而是一种持续烧钱、持续迭代、持续维护的基础设施。
你买一个普通软件，成本主要发生在开发阶段。
但 AI 模型不一样。
模型要持续训练。
要持续推理。
要持续优化。
要持续对齐。
要持续处理用户请求。
要持续购买算力。
要持续支付电费。
这就是为什么 AI 公司哪怕用户很多，也不一定立刻赚钱。
因为每一次用户调用，都有真实成本。
你问 AI 一句话，看起来免费。
但背后有 GPU 在跑，有电在烧，有服务器在散热，有模型在推理。
这就是第四条经济学规律：
AI 的边际成本没有消失，只是被平台暂时隐藏了。
互联网时代，很多平台的边际分发成本接近于零。
一篇文章多给一个人看，成本几乎可以忽略。
一个短视频多播放一次，成本也非常低。
但 AI 不一样。
每一次对话、每一次生成图片、每一次代码推理、每一次长文分析，都要消耗算力。
所以 AI 平台会面临一个经典经济学问题：
用户越多，价值越大；
但用户越多，推理成本也越高。
这就是为什么 AI 时代的商业模式特别关键。
免费用户越多，不一定越好。
低价值调用越多，可能越亏。
真正赚钱的是企业客户、API 调用、云服务、嵌入式工作流和高价值行业场景。
所以普通人应该看清楚：
AI 不是没有机会。
但不同层级的人，赚的是不同的钱。
普通人用 AI，赚的是效率红利。
比如律师用 AI 做合同审查。
设计师用 AI 提高出图速度。
老师用 AI 做课件和教案。
自媒体用 AI 做选题、脚本和排版。
程序员用 AI 写代码、查 bug、搭原型。
企业员工用 AI 做会议纪要、数据分析和报告初稿。
这都是真机会。
但它们属于“劳动效率提升”。
创业公司用 AI，赚的是场景红利。
比如法律 AI、医疗 AI、财务 AI、营销 AI、客服 AI、教育 AI、工业巡检 AI、供应链 AI。
它们真正值钱的地方，不是“接了一个大模型 API”，而是懂行业、懂流程、懂客户、懂交付。
巨头用 AI，赚的是基础设施红利。
它们掌握芯片、云、数据中心、模型入口、企业客户和生态系统。
它们不只是用 AI，而是在给全社会的 AI 化收取“过路费”。
所以 AI 时代的财富分配，大致可以分成三层：
表面上看，大家都在 AI 时代。
实际上，大家站在完全不同的利润楼层。
这就是为什么“超级个体”这句话只说对了一半。
AI 确实让个体能力变强了。
但 AI 也让平台的能力更强了。
一个普通人用 AI，一天可以写十篇文章。
一个平台用 AI，可以重构搜索、广告、办公、编程、电商和企业服务。
一个创业者用 AI，可以少雇几个人。
一个巨头用 AI，可以重新定义整个行业的成本结构。
所以问题不是“AI 会不会让人赚钱”。
问题是：
你站在 AI 产业链的哪一层？
如果你只是会用工具，你得到的是效率红利。
如果你掌握行业和客户，你得到的是商业红利。
如果你控制算力、数据和入口，你得到的是时代红利。
这就是经济学要提醒我们的地方：
技术革命从来不只是技术问题，它一定会变成生产资料的重新分配。
农业时代，生产资料是土地。
工业时代，生产资料是工厂、机器、煤炭、钢铁和铁路。
互联网时代，生产资料是流量、平台、支付系统和用户数据。
AI 时代，生产资料是 GPU、数据、电力、云平台、模型入口和工程组织能力。
谁控制生产资料，谁就拥有定价权。
谁只能租用生产资料，谁就要支付平台费。
所以，不要简单相信“AI 让人人暴富”。
更准确的说法是：
AI 会让会用它的人更高效，让懂行业的人更值钱，让掌握基础设施的人更强大。
普通人应该拥抱 AI，但不要迷信 AI。
创业者应该使用 AI，但不要只卖 Prompt。
企业应该接入 AI，但更要找到真实场景。
投资者应该关注 AI，但不能只看概念。
AI 不是印钞机。
AI 是一套新的生产体系。
它会制造新机会，也会放大旧差距。
它会让小团队更强，也会让巨头更难被撼动。
它会降低某些工作的门槛，也会抬高整个产业顶层的资本门槛。
所以，AI 时代最重要的问题不是：
“我会不会用 ChatGPT？”
而是：
“我有没有行业场景？有没有客户？有没有数据？有没有分发渠道？有没有不可替代的专业判断？”
如果没有，AI 只是你的高级打字机。
如果有，AI 才可能变成你的生产杠杆。
最后用一句话总结今天的经济学迷思：
AI 没有消灭经济学。AI 只是重新分配了经济学里的三样东西：效率、权力和利润。
谁只学 Prompt，谁赚小钱。
谁掌握行业和客户，谁赚真钱。
谁控制算力和平台，谁赚时代的钱。
这就是为什么 AI 时代不是人人暴富，而是巨头更巨头。
