> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI不是电力，而是电气化
- URL: https://www.hubwiz.com/blog/ai-isnt-electricity-it-is-electrification/
- Published: 2026-05-18T14:15:09.000Z
- Updated: 2026-05-18T14:15:09.000Z
- Description: 为什么OpenAI刚刚投入40亿美元来证明吴恩达只说对了一半。
- Author: admin
- Tags: INDUSTRY, #Import 2026-10-14 14:41

19世纪80年代，托马斯·爱迪生在下曼哈顿建立的珍珠街发电站开始为纽约市第一批付费客户供电。发电机运转了，技术是真实的。然而，在接下来的二十年里，美国大部分地区依然一片漆黑——不是因为电力不存在，而是因为没有人把电线拉进墙壁里。

吴恩达理解了发电的部分。2017年，站在斯坦福大学商学院，他提出了一个将定义整整十年AI战略的框架：*"人工智能是新的电力。就像100年前电力改变了几乎所有行业一样，今天我很难想到有哪些行业不会在未来几年内被AI所改变。"*

他说对了，但他也不完整。

2026年5月11日，OpenAI宣布了一项让这种不完整性变得不容忽视的事情。这家公司——训练了 arguably 全球最强AI模型的公司——以140亿美元的估值成立了一个独立的部署实体，吸引了40亿美元的承诺投资，完全聚焦于将这些模型*部署*到企业中。这些投资方不仅仅是资本提供者，它们是TPG、高盛、麦肯锡、贝恩、Advent、Brookfield、软银、华平。全球经济中的咨询和私募股权巨头，将前瞻性承诺写入了一家整个论点就是"仅有模型还不够"的企业。

如果AI真的像电力，为什么它需要一支庞大的驻场工程师团队、一个价值140亿美元的部署载体，以及麦肯锡和高盛的机构力量才能运作起来？

答案是，吴恩达描述的是发电厂。我们现在正在建设的是电网。

![智能电网](https://www.hubwiz.com/blog/content/images/2026/05/1-R1egFCB6ApKH9WtfopJlEg-1.png)

## 1、每个人都忽略的比喻中最重要的部分

以下是隐藏在电力比喻中的关键物理课：电力不会在发电处创造价值。它只在到达负载时——一台电机、一个灯泡、一台医疗设备、一条工厂流水线——才创造价值。1882年的发电站确实是革命性的，但一个发电却没有配电基础设施的城市，不过是一种昂贵的产热方式。

对这个前提的修正版本是：**AI是一种类似公用事业的能力，但企业价值来自AI** ***电气化***\*，而非AI生成。\*\*

这个区别在经济上和概念上同样重要，因为AI算力有一个不同寻常的特性，使电力比喻突然变得非常精确：它是易腐的。

超大规模数据中心产生的算力——以每秒浮点运算次数（FLOPs）衡量，由先进的GPU集群驱动——无法被储存。如果租用的GPU集群闲置一分钟、一小时、一天，与该时间相关的资本支出就不可挽回地烧掉了。计算周期无法储存以备将来使用。它们必须被持续消耗，才能证明建设它们所需的投资是合理的。

OpenAI目前在其基础设施上每分钟处理大约150亿个token。该公司已宣布的基础设施承诺——通过与软银和甲骨文的Stargate项目——在未来四年内接近5000亿美元。Anthropic已将其与AWS的合作伙伴关系扩大到据报1000亿美元（十年期），获得了多达100万个Google TPU的访问权限，并在2026年2月以3800亿美元的估值完成了300亿美元的G轮融资。

这些数字无法承受闲置的处理器。

智能经济已经到达了电网运营商一直以来都了解的运营现实：发电和消耗必须持续平衡。而以资本曲线要求的速度推动可衡量的企业消耗的唯一方法，是将工程师嵌入客户环境，将AI接入生产工作流。

在电力比喻中，前置部署工程师（Forward Deployed Engineer）就是电网运营商——负责将发电能力转化为可计费、可衡量的负载的实体。

## 2、370亿美元无法弥合的差距

企业市场一直在AI上花钱。问题在于它是否获得了价值。

MIT的NANDA计划在去年7月研究了约300-400亿美元的企业GenAI投资后，发布了"The GenAI Divide: State of AI in Business 2025"报告。最引人注目的发现是：只有5%的整合AI试点项目提取了数百万美元的可衡量利润价值。绝大多数仍然停滞，没有任何可衡量的商业影响。

Menlo Ventures从投资端追踪了同样的现象。企业AI支出从2023年的17亿美元增长到2024年的115亿美元，再到2025年的370亿美元——现在约占全球SaaS支出的6%。AI的试点到生产转化率为47%，而传统SaaS为25%。技术的转化率更高。但起点——实际达到生产阶段——仍然是瓶颈。

麦肯锡的2025年全球AI调查完成了这幅图景：88%的组织至少在一个职能部门使用AI，但只有大约三分之一实现了全企业范围的规模化。

从88到33的差距，正是部署公司要捕获的市场。

![企业AI差距](https://www.hubwiz.com/blog/content/images/2026/05/1-Nsx5ebd4obEqrNYheoS0Yw.png)

这个差距之所以存在，是因为购买模型访问权不等于部署AI。在基础模型创造企业价值之前，必须协同工作的有六个不同层级：模型访问、可信数据和上下文、身份和权限管理、工作流和工具集成、评估和治理、以及组织采纳。大多数试点在第一层做得对，但很少有全部六层都做到位的。

CFO想要六个月的投资回收期。数据团队需要可以向审计师辩护的准确性。法务需要数据驻留保证。运营部门希望AI连接到SAP，而不是坐在旁边。这些不是沟通失误——它们是对"完成"的不兼容定义。而一个模型端点，无论多么强大，都无法在没有集成点部署的专业人工知识的情况下解决这些问题。

## 3、Palantir在2003年就知道了这一点

在讨论OpenAI和Anthropic在2026年5月做了什么之前，值得了解他们复制了什么——因为这个模式并非源自旧金山。

Palantir Technologies成立于2003年，基于一个事后看来显而易见的论点：企业软件中最重要的工作不是在数据中心，而是在客户的运营环境中。他们的前置部署工程师——FDE——不是销售人员或顾问，他们是生产工程师，会进入客户的Slack工作空间、获得安全许可、一次在现场工作数周，直接在客户的基础设施中编写代码，直到平台正常运作。

商业成果是非线性的。

![没有配电的发电是沉没资本](https://www.hubwiz.com/blog/content/images/2026/05/1-2yTFLsKmCpVZNyN_Aih-pg.png)

智能电网：没有配电的发电是沉没资本。

Palantir的教训不仅仅是部署速度。它是后端工程改进可以直接改变软件经济学。

![Palantir指标](https://www.hubwiz.com/blog/content/images/2026/05/1-hDu5wPNMujkAIcoyrqgD-g.png)

在2019年第二季度到2020年第二季度之间，Palantir将平均安装时间从数月缩短到14天。同期，由其Apollo基础设施管理的自动化升级从每周20,000次增长到每周41,000次。贡献利润率从2018年的14%扩大到2019年的21%，再到2020年上半年的48%。该模型确定了一个1190亿美元的总可寻址市场——560亿美元商业市场，630亿美元政府市场——不是通过广泛销售，而是通过针对管理世界上最复杂数据挑战的机构。

交付模式背后的理念是Palantir所说的"Software as a Substrate"——对瘫痪大多数IT转型的"推倒重来"方式的拒绝。平台不是取代遗留系统，而是作为一个基础层，将碎片化的数据环境绑定在一起。FDE的工作是编排，而非替换。每个现有系统都成为一项资产；平台使这些资产能够相互对话。

LinkedIn上FDE职位发布数量在2024年到2025年间增长了1,165%。Andreessen Horowitz称其为科技行业最热门的工作。但与大多数热门头衔一样，这种扩散伴随着稀释——估计40%新设的"前置部署工程师"角色实际上只是重新包装的销售工程职位。判断标准很简单：真正的FDE编写生产代码，他们的薪酬不与销售配额挂钩，他们的参与不会在合同签署后结束。

## 4、2026年5月的一周

在2026年5月初的短短一周内，全球两家领先的AI实验室都宣布了明确以Palantir模式为蓝本的价值数十亿美元的部署实体。

![部署实体对比](https://www.hubwiz.com/blog/content/images/2026/05/1-uUmUEn_5apsMicZWSM-DDQ.png)

**OpenAI部署公司**，于5月11日宣布，以140亿美元估值吸引了40亿美元的承诺投资。TPG领投。战略上值得注意的联合投资者是高盛、麦肯锡公司、凯捷和贝恩公司——全球企业的咨询巨头，将前瞻性承诺写入了一个整个论点就是"AI最难的部分不是模型"的载体。该公司收购了Tomoro——一家2023年与OpenAI结盟成立的伦敦部署公司——从第一天起就带来了150名FDE。据报道，为PE支持者设计了17.5%的保证年回报——这是Palantir尽管机构化程度很高但从未有过的金融工程层。

**Anthropic的企业AI服务合资企业**，于5月4日宣布，筹集了15亿美元——由黑石、Hellman & Friedman和高盛锚定。目标客户是医疗保健、制造业、金融服务和零售业的中等市场PE投资组合公司。高盛的Marc Nachmann明确将这家合资企业描述为"民主化获取前置部署工程师的途径"——将FDE而非模型命名为市场需要解决的关键约束。

当高盛和麦肯锡投资于部署而非模型时，瓶颈已经正式向下游转移了。

支持这些项目的系统集成商——贝恩公司、麦肯锡、凯捷——同时是合作伙伴和对冲手段。几十年来，他们一直以企业转型的复杂性建立自己的价值。FDE模式有可能将其中一些工作吸收到软件供应商的关系中。通过投资OpenAI的部署实体，他们在帮助构建可能最终使自己商品化的平台的同时，购买了抵御颠覆的保险。

## 5、定价永远是风向标

在企业技术的历史上，供应商改变定价模式的时刻，就是战略变得清晰可辨的时刻。

传统的SaaS很简单：已知的每席位成本乘以用户数量，得出可预测的年度预算线。这种简单性同时也是其局限性——它为访问而非结果收费，而且不给供应商任何激励来确保软件真正被使用。

2026年的企业AI看起来完全不同。严肃部署的实际成本结构现在包括：每用户年度席位费、每月token承诺、按API费率的超额费用、工具使用费、缓存写入费、扩展思维token费、长上下文两倍乘数，以及在某些配置中10%的美国专属推理驻留附加费。来自企业卡和支出管理公司Ramp的数据显示，在2026年中期之前的12个月中，每个客户的AI支出增长了13倍。

CIO Magazine直截了当地描述了这种转变："CIO们以为他们在买软件。他们实际上买的是专业服务项目。"

![定价演进](https://www.hubwiz.com/blog/content/images/2026/05/1-4uyInQRXKiAhsbRILbK12w.png)

这种定价演进的结果是基于结果的定价（Outcome-Based Pricing）——一种通过将薪酬完全与经过验证的商业结果挂钩，来解决正在崩溃的席位模型和波动的token模型之间紧张关系的模型。Zendesk对每次自动客户支持解决方案精确收费1.50美元，支付以72小时的静默期为条件，确认问题确实已解决。Intercom的Fin AI代理对每张已解决工单收费0.99美元。如果AI产生幻觉、未能解决或需要人工干预，企业无需付费。

历史先例是劳斯莱斯在20世纪60年代推出的"Power by the Hour"航空模式，在此模式下，航空公司只为发动机在空中无故障运行的小时数付费。维护、停机风险和可靠性完全转移给制造商。智能正在走同样的弧线。正如OpenAI的财务领导层所指出的，互联网向基于价值的分享演进——智能也将走同样的道路。

基于结果的定价不仅仅是一种商业让步。它是一种激励机制的结构性对齐，只有当供应商在客户环境中部署了FDE，对其部署架构有足够信心接受绩效风险时才能起作用。定价模型和交付模式是不可分割的。

## 6、根据你的位置，这意味着什么

实际影响因受众而异。

如果你是一位**企业采购者**，最重要的重新审视是：供应商选择大约只占决策的20%。剩下的80%是重新布线。基于基准测试分数在Claude和GPT-5之间选择，就像在建筑还没有电线的情况下在通用电气和西屋变压器之间选择。Menlo数据表明，2026年正确的采购架构是：选择一个前沿供应商——根据Menlo 2025年12月调查，Claude在企业LLM API份额中领先40%，其次是OpenAI的27%和Google的21%——通过超大规模云服务商（Amazon Bedrock、Vertex AI或Azure Foundry）进行合规和计费，并通过FDE或系统集成商合作伙伴配备实施人员。必须协同工作的六个层级不是一个技术项目。其中三个是组织层面的。

如果你是一位**从业者或CTO**，部署时间线是一个戴着工程帽子的变革管理项目。最难约束的不是上下文窗口或幻觉率甚至安全架构——而是让法务、财务和运营坐在同一个房间里，愿意就一个"足够好可以发布"的"完成"定义达成妥协。根据MIT NANDA的数据，内部AI构建的成功率大约是带有专业实施支持的供应商采购部署的三分之一。这个差距与模型质量无关。

如果你是一位**投资者或战略家**，2026年5月这些公告中的信号是结构性的。AI的价值正在从模型训练转移到部署深度。从AI浪潮中提取持久利润空间的公司不一定是训练最佳模型的公司——而是建设将这些模型接入全球商业确定性运作的机构能力的公司。关注部署深度指标的出现：上市时间、已安装部署的扩展收入、结果衡量基础设施。这些将成为下一波企业AI价值创造的领先指标。

## 7、墙里的电线

![墙里的电线](https://www.hubwiz.com/blog/content/images/2026/05/1-cMM51mm595a9OinhccTxUA.png)

吴恩达说对的是AI几乎将改变一切。他只是描述了一个需要发电和配电才能运转的系统的发电侧。

20世纪的电网运营商不是发明电力的那些人。他们是理解了没有配电基础设施的发电机只是一种极其昂贵的新奇事物的人。他们把电线穿过墙壁。他们建设了变电站。他们想出了如何实时平衡负载与发电。他们创建了足够复杂的计费模型，来为一种无法储存的商品定价。正因为他们的工作，你才能将设备插入插座，而不用想墙的另一侧发生了什么。

这项工作现在正在AI领域发生，不是在旧金山的研究实验室里，而是在特易购供应链的运营走廊、维珍大西洋的运营室、马里兰州的政府资格认定系统，以及数百家从未听说过GPT-5的中等市场制造商那里。

模型已经存在。电力正在被产生。2026年5月开始的竞赛——550亿美元的承诺资本在短短一周内就位支持的竞赛——不是建造更好发电机的竞赛。它是为建筑布线的竞赛。

电力的比喻一直都是对的。我们只是把隐喻搞错了一点点。最难的部分从来不是发电。

一直都是配电。

---

原文链接：[AI Isn't Electricity. It's Electrification.](https://medium.com/@LakshmiNarayana%5FU/ai-isnt-electricity-it-s-electrification-d3c751e47e30?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处