hi，我是Jacqueline

AI 的价值如何沿产业链分布、当前卡在哪一环、以及最终谁能在这场竞争里活得更久更好？

贯穿主线越往上游越确定、越被垄断；越往下游越弹性、越不确定。整条繁荣目前都押在同一个尚未兑现的赌注上——应用层能否把 AI 变成可持续赚钱的生意。技术只提供可能性，能否兑现，取决于组织本身愿不愿、且有没有能力被重塑。

一、AI 产业链的三层结构

可以把 AI 技术栈大致分为三层。一个关键的经济学规律贯穿其中：确定性与弹性成反比——越上游越确定、越集中、越垄断；越下游越弹性、越分散、越不确定。

背后的经济学原因：上游是重资产 + 规模经济 + 赢家通吃（谁的芯片/模型领先一代，需求就向他集中）；应用层是轻资产 + 场景碎片化（每个细分需求都不同，容得下很多小玩家）。

应用层「扎堆」恰恰意味着「不安全」

应用层创业多，不等于好赚。正因门槛低，它两头受挤压：

•上面被模型厂商「顺手做掉」：模型每升级一代，就可能吃掉一批套壳应用的生存空间（所谓「被下一代模型干掉」的焦虑）。

•下面被同质竞争拖入价格战：无数相似产品互相压价。

关键真正能活下来的应用层公司，往往不是赢在 AI 本身，而是赢在 AI 之外的东西——独家数据、行业 know-how、客户关系、工作流嵌入。AI 降本是门票，不是奖金。

软件定价被冲击：老软件的护城河变浅

传统 SaaS 的定价逻辑（按席位/按月订阅）正在被 AI 冲击，原因有二：

1.价值锚被打乱：过去软件按「多少人用」收费，AI 做的是「替代人干活」。若一个 AI 顶 10 个人，该按席位还是按「省下的人力」收费？定价基准从「工具使用权」变成「工作成果」，商业模式的锚都在重定——这就是「软件定价非常难」的根源。

2.护城河变浅：很多老软件的价值在于把某业务流程的模块固化了。AI 让「重做一个这样的模块」的成本骤降，于是涌现一批创业公司专门用 AI 平替老软件最赚钱的模块。存量厂商有客户、数据、渠道但背历史包袱；新厂商轻快、AI 原生但缺信任与规模。鹿死谁手，现在下不了结论。

二、算力的两种需求：训练 vs 推理

模型厂的算力需求分为训练和推理两类，二者的经济学性质截然不同。

一个贴切的类比：训练是「建厂买设备」（资本开支 CapEx），推理是「工厂开工的电费与原料」，同时也是收入的发生点（运营开支 OpEx）。

关键的不对称这与传统软件相反。传统软件造好后，多一个用户的边际成本几乎为零；但 AI 多一次调用就实打实多烧一份推理算力。所以 AI 的「生产力」端不是免费规模化的——用得越狠越烧钱。这是理解模型层困境的核心。

需求主体已经反转：推理超过训练

最近一年最重要的结构性变化，是推理已经反超训练，成为算力需求的主体：

•2026 年，推理约占全部 AI 算力需求的三分之二，而 2023 年只占三分之一——这个反转是 2026 年 GPU 需求的决定性驱动力。

•推理市场预计 2026 年超过 500 亿美元，首次比训练算力市场增长更快。

•更激进的预测：2026 年推理需求将超过训练 118 倍；到 2030 年推理可能占总 AI 算力的约 75%。

含义：训练需求是一次性、集中的（主要是模型厂训下一代）；推理需求才是细水长流、可持续的，而它只能来自应用层的真实使用。

三、关键价格数据与「背离」

把 token 价格（下游产品）和算力价格（中游成本）放在一起看，2026 年出现了一个关键背离，它是理解整盘棋的钥匙。

Token 价格：断崖式下跌（数据截至 2026 年中）

整体跨度从 $0.10 到 $30，差约 150 倍。趋势上：

•2025 年初到 2026 年初，LLM API 价格约下跌 80%（GPT-4o 输入从 $5 降到 $2.50）。

•拉长看，GPT-4 在 2023 年初是 $30/百万输入 token，等效能力现在约 $2.50，不到三年降 12 倍。

•最尖锐的口径（a16z「LLMflation」）：同等性能推理成本每年降约 10 倍，三年降约 1000 倍（$60 → $0.06 / 百万 token）。

算力价格：长期暴跌，但近一年反涨

GPU 租赁单价的曲线，出现了和 token 价格不同的走向：

•长期暴跌：H100 从 2022 年的 $7–10/小时以上，到 2025 年底在非超大规模厂商处普遍跌到 $2–4/小时。

•近一年反涨：H100 一年期合约租金从低点 $1.70 涨到 2026 年 3 月约 $2.35/小时，自 2025 年 10 月涨了近 40%。

•新一代分流：B200 租赁指数 2026 年 3 月单月涨 24%，而 H100 几乎没动。

•云厂商提价：AWS 在 2026 年初把 GPU 实例（实际用于 ML 的 Capacity Block）价格上调约 15%，打破云资源二十年来的通缩规律。

背离的含义Token 价格（产品）在暴跌，但算力（成本）近期在涨——这说明 token 降价不是因为成本降了，而是模型厂在用价格战抢市场、靠效率优化硬扛。

换句话说：单位推理价格 ↓↓↓，推理总开支 ↑↑↑，推理硬件租金 ↑。

这是非常反常识的，按常理新卡出来、老卡(H100)该降价,但H100租金不跌反涨——因为整个算力供给盘子被需求和基础设施瓶颈绷紧了,老卡的富余产能也被吸收掉了。

租金反涨 = 需求端三股力量(真实推理 + 训练竞赛 + 预期性囤货)同时拉动 × 供给端被基础设施物理瓶颈(电力、数据中心、配套)卡住,两头收紧的结果。

陷阱：推理暴涨 ≠ 应用层在赚钱

一个极易踩的推论是「推理算力暴涨 = 应用层开始付费了」。

方向有理，但中间断了一环，这一环正是整个泡沫争论的核心。

「推理用量暴涨」只证明「有人在大量调用」，没说明「调用者自己赚不赚钱、付的钱够不够覆盖成本」。

事实上，对任何有真实生产流量的团队，推理成本会在上线几周内就超过训练成本——推理暴涨很可能恰恰是应用层在「烧钱」而非「赚钱」。

更要命的机制：cost-per-token 取代 FLOPS 成了决定 AI 公司生死的 KPI。

若推理成本 $1、收 $2，毛利 50%；成本降到 $0.40，同样定价毛利 80%，或者把降出来的空间用于降价换用户。

于是所有人都在「降价换用户」，推理单价暴跌带来的利润空间又被价格战吃回去了。

正确判读推理算力暴涨证明的是「AI 被大规模使用」（usage），不直接证明「AI 在可持续赚钱」（monetization）。usage 是必要条件，不是充分条件。

真信号不在算力价格，而在应用层公司的毛利率转正且可持续、续费率、客户愿不愿涨价、单位经济（LTV/CAC）是否健康。

四、算力的三条成本曲线

「算力成本」其实不是一条曲线，而是三条走向不同、甚至相反的曲线。

把它们分开，才能解释上一节那个核心背离——为什么模型厂能一边付着上涨的租金、一边把 token 价格砍掉 80%。

曲线①：GPU 租赁/采购单价（供需驱动，U 型）

这是大多数人说「算力成本」时默认指的那条——租一张卡、买一张卡多少钱。它的形状是 U 型右半段：长期暴跌、近期被需求顶回去，驱动力是供需而非技术。

•H100 租赁：发布初期（2022–2023）每小时 $7–10 以上，一度超 $12；2025 年底跌到 $2–4；2026 年近一年反涨，一年期合约从低点 $1.70 涨到约 $2.35，自 2025 年 10 月涨近 40%。

•H100 采购：新卡 $25,000–40,000/张；二手从 2023 年峰值的约 $40,000 跌到 $6,000–22,000，跌了约 85%。

•新一代分流：B200 租赁指数 2026 年 3 月单月涨 24%，H100 几乎没动；AWS 把 ML 用的 Capacity Block 提价约 15%。需求在往新卡迁移，同时整体趋紧。

曲线②：单位有效算力成本（换代驱动，陡降无反弹）

同一张卡的租金可能在涨，但「每单位真实计算能力」的成本一直在降——因为新芯片每瓦、每美元能干的活越来越多。

这条曲线没有反弹，因为它由技术换代驱动，而技术只往前走。

•锚点：在 H100 上跑推理，比在 B300 上贵约 11 倍。同样的推理任务，换代硬件让单位成本掉一个数量级——这正是「H100 在某些推理任务上经济性过时」的原因。

曲线③：每百万 token 成本（三重叠加，最陡）

这是终端最关心的「算一次要花多少钱」，也是降得最猛的一条。

•锚点：GPT-4 等效性能，2022 年底每百万 token 约 $20，2026 年约 $0.40；a16z「LLMflation」口径为每年降约 10 倍、三年约 1000 倍（$60 → $0.06）。

它为什么比前两条都陡：因为它 = 硬件效率提升（曲线②）× 软件/推理优化 × 模型架构改进，三重下降叠加的结果。

三条曲线的关系：背离的根源

结论租金（①）近期在涨，但单位算力成本（②）和每 token 成本（③）仍在陡降。所以模型厂能一边付着上涨的租金、一边把 token 价格砍 80%——靠的是②③的陡降在补贴①的上涨。

脆弱点也在这里：一旦技术换代的降本速度（②③）追不上需求推高租金的速度（①），价格战就撑不住，繁荣就面临重新定价。

五、谁最难受，与「卖铲子」逻辑

模型层：两头烧钱，利润难兑现

模型层被两件事同时挤压：一头训练是停不下来的军备竞赛（不烧就被甩开），另一头推理在打价格战（赔本降价抢市场）。

那是不是「算力的利润没兑现」？

校正算力的利润正在兑现，而且兑现得很好，只是兑现给了上游（英伟达卖卡）和中游（云厂商租算力），不是模型层自己。

模型层是唯一「把别人的利润当成自己成本」的环节：向上游/中游付钱买算力（成本），向下游收 token 费（收入），而付出 > 收回。

它最危险，但不一定最「难受」。

而且模型层不是铁板一块：头部（OpenAI、Anthropic、Google）是「主动的、构筑护城河式的烧钱」，有规模、有最强模型、有云巨头深度绑定甚至注资，烧得起还在挤死对手；中小模型公司是「被动的、追赶式的烧钱」，才是最难受、最可能出局的。

模型厂「利润可能一直无法兑现」成立吗？

可能成立：若 AI 应用始终找不到「用户愿持续付高价」的模式，模型层收入永远追不上「训练+推理」成本，而推理还随用量线性增长，就是「越成功越亏钱」的死结，靠资本输血直到输不动。

不能跑出可持续的真实付费需求,模型层就是下一个烧光钱的共享经济。

可能不成立：历史上重资本新技术（电力、铁路、云计算本身）都经历过「先疯狂烧钱、利润延迟兑现、中间一地鸡毛、最终少数赢家通吃」。

AWS 早期也亏了多年，后来成了利润奶牛。若 AI 重走此路，现在只是兑现前的必经阶段。

结论：模型层当前烧钱不盈利，本身不能证明它「一直无法兑现」——重资本行业早期都这样。胜负手仍是应用层能否跑出可持续的真实付费需求。

资本的「卖铲子」逻辑：钱锁向硬件

「大部分资金宁愿把钱锁死在硬件上，越不愿押注中下游」——这个判断被数据强烈支持，是聪明钱逻辑：

•硬件需求是确定的、当下兑现的：无论哪个应用/模型赢，只要 AI 在被使用，推理就要消耗算力。这是经典「卖铲子」——淘金者谁赢不知道，卖铲子的稳赚。

•中下游回报是不确定的、押未来的：谁能跑出可持续模式，现在没人知道。

•（是租？是买 ？是公有？是私有？是混合？是垂直？是通用？）

但有一个风险前提「卖铲子稳赚」的前提是「淘金热本身得持续」。

若应用层最终大面积证明赚不到钱，淘金者撤退，连铲子需求都会断崖。

硬件的「确定性」是相对的——它在淘金热里最确定、最后才倒下，但不能独立于淘金热而存在。

铲子需求的尽头，仍连着应用层能否赚钱这个总开关。

六、AI 替代与公司存续

很多人对AI 的认识都停留在软件层面上，我个人认为如果AI 一定要从计算机行业的角度来定义，是一种更接近软件跟操作系统之间东西，但是训练+推理本质上是一种学习能力，是计算机无法天然习得的。

理论上来说AI 可以替代大部分的白领工作，如果物理AI 大面积应用后，也可也替代很多蓝领工作。

这在历史上是可以约等于甚至超过蒸汽机时代的benchmark。

现代意义上的科层制大公司(职业经理人、多事业部制、有限责任公司的大规模运用)，主要是19世纪中后期铁路公司、之后20世纪初通用汽车那套"事业部制"成型的，满打满算150年左右。

从历史尺度看,这其实是个相当年轻、且和特定技术条件绑定的制度——它是为"信息靠纸质文件和电报传递、决策必须集中、协调成本极高"那个时代设计的。

一旦底层信息技术变了(先是计算机和互联网,现在是AI)，这套上层建筑没有理由永远不变。

所以大公司组织形态会被AI技术重塑，因为AI 会完全改变信息/决策/执行整套科级流程，AI的底层逻辑是扁平化的，垂直的。

传统公司是科层的，两者根本张力。

应用层的爆发取决于公司们有没有勇气和组织能力真正重构工作流程，而非把 AI 当装饰。敢替代＝敢动组织结构（压缩部门、重画汇报线、让 AI 接管整段流程）。

在存量竞争里，成本结构的代差就是生存能力的代差。当然替代不是大面积盲目的裁员。

若 AI 工具人人买得到，降本会被竞争迅速传导成降价，好处流向消费者而非利润。你砍一半、对手也砍一半，在更低价格上继续厮杀，行业价格中枢被打下去，谁也没多赚。可被复制的替代动作只是入场券，不是超额利润。

替代执行层问题不大；但若把积累 know-how、培养判断力、孕育创新的人也替代了，可能赢了这轮成本战却失去下一轮创新能力。AI 擅长「已知问题的高效执行」，不擅长「定义新问题、做反共识判断」。

替代什么、保留什么，才是真功夫。

能精准判断哪些环节该被 AI 替代、并有组织能力真正完成重构、同时守住 AI 之外护城河的公司，会活得更久更好。

「愿意替代」只不过是第一步

四类公司的分化

A.愿替代 + 做对：真正赢家。降本是门票，护城河是奖金。

B.愿替代 + 做错：最危险的激进者，可能死得比观望者更快。

C.不愿替代 + 有壁垒：靠 AI 之外的护城河暂时苟住，长期温水煮青蛙。

D.不愿替代 + 无壁垒：大概率缓慢衰落。

即使公司用了AI 之后，是不是还有别人复制不了的东西。

AI 替代是这一轮竞争的地板（不做就掉下去），不是天花板（做了就飞起来）。

写在最后

把五部分串起来，是一条完整的因果链：

上游（英伟达） 确定性最强、已兑现；中游（云） 靠训练需求＋军备竞赛预期先爆发、收入已兑现，但可持续性悬在下游头上；下游（应用） 最热闹、创业最多，却是唯一还没兑现、却决定全链成败的一环。

现在软件定价常难，因为大面积AI应用层抢着取代原有软件老登股的应用模块，这里面的生意会打的昏天黑地。

不只是短期价格战，是商业模式、定价逻辑、市场份额的全面洗牌。

token 价格暴跌（约 80%）与算力价格近期反涨（H100 涨约 40%）的背离，精确暴露了矛盾：模型厂在赔本降价拼命刺激下游用量，而支撑它们的算力成本却在涨。

这种状态不可持续——要么应用层尽快跑出可持续付费需求，要么这波建立在预期上的繁荣面临重新定价。

一句话这盘棋的胜负手在应用层能不能「打赢」；而「打赢」不是某个应用打败老软件，而是应用层整体能否把 AI 变成可持续赚钱的生意，从而把上中游的巨额投资从「预期」兑现成「现实」。技术只提供可能性——能否兑现，取决于公司制度本身愿不愿、且有没有能力被重塑。

免责声明

本文件为宏观研究讨论记录，不构成任何形式的投资建议。所有持仓分析、情景模拟及价格数据均为讨论参考，

投资决策请结合自身风险承受能力并咨询专业持牌顾问。

以上仅仅基于自我持仓的常规审查

点亮【赞和在看】，让爱流向你

关于我

关注自身成长与发展的30+女性，定期分享干货和小故事，不卖课，不卖货，持续更新，你的点赞关注是我的最大动力