AI 真正创造价值的地方

AI正在发生一些奇怪的事情。

假期结束后，我的一个孩子回到学校。

一位老师告诉全班，他已经做出了一个个人决定：在学校时间不仅禁止游戏和AI——连iPad也要禁。回归纸笔。100%。

另一位老师也打算效仿。

在公司、学校和各种机构中，AI引发的反应从着迷到恐惧——往往同时出现。有人靠近，有人拉紧急制动。

这种紧张是可以理解的。

但它也解释了为什么公众辩论一直在围绕同样的问题打转。

AI是泡沫吗？ 它是突破吗？ 它要接管一切了吗？

取决于你问谁，你会听到这三种说法——通常带着同样的信心。

有趣的不在于人们持不同意见。 而在于他们在哪里寻找答案时产生分歧。

因为AI并不是均匀地创造影响。在某些地方，它几乎没有动静。在其他地方，它似乎一下子改变了一切。

这种不对称性是关键。

1. 提出正确的问题

过去两年，AI辩论一直围绕同样那些老问题打转。

AI是泡沫吗？ 投资是否过于循环？ 模型是否在过快地商品化？

这些问题听起来合理。但它们在很大程度上也是无关紧要的。

它们将AI框定为一种信仰体系——可能成功，也可能不成功。 这种框架已经不再匹配现实。

到2026年，AI不再是一个寻找用例的投机性技术。它是一个已经在重塑工作完成方式的系统——不均匀地、不完美地、但可衡量地。

真正的问题不是AI是否令人印象深刻。

真正的问题是：AI到底在哪里创造经济价值？

一旦你提出这个问题，辩论就变了。

因为AI不会通过产生更好的答案、更漂亮的演示或更智能的聊天机器人而成为改变世界的超级周期。它只有在改变成本结构、替代工作和体现在经营业绩中时，才会成为超级周期。

这不再是未来的承诺。

它已经可见——只是不在大多数人看到的地方。

让这个时刻与众不同的不是技术突然变得更聪明了。而是经济学的拼图拼上了。成本下降得足够快，可靠性提高得足够远，基础设施扩展得足够广，使AI从实验阶段进入了生产阶段。

与此同时，投资最多的公司并不是在猜测。它们位于全球计算的中心。它们在那些趋势被市场看到之前很久就能观察到使用模式、工作负载转移和内部采用。当它们花费数千亿时，它们不是在对一个抽象的未来下注。它们在回应它们已经能观察到的需求模式。

与上面的图表一起看，这将AI放入了一个不同的历史类别。与蒸汽或电力不同，资本深化正以更快的速度、更大的强度和更短的时间窗口发生。这种组合很罕见——正是它定义了真正的经济超级周期（即：康德拉季耶夫周期）。

这就是为什么"泡沫与否"的问题没有抓住要点。更有用的问题——真正能解释接下来会发生什么的问题——是：

AI技术栈的哪一部分将智能转化为真实的工作？

回答了这个问题，AI故事的其余部分就变得容易理解得多。

2. 图表：正确解读

让我们从一个图表开始 :)

瑞银最近发布了一张图表，将AI分为三个层次：

1. 使能层：电力、芯片、数据中心、GPU、网络。
2. 智能层：大型语言模型：文本、图像、视频、推理。
3. 应用层：副驾驶、代理、工作流、人们实际使用的软件。

表面上看，三个层次都很重要。 但实际上，它们并不平等。

这是一个令人不舒服的真相：

如果你移除应用层，AI就不再是超级周期。

你只剩下基础设施和模型——令人印象深刻、昂贵，但影响有限。

没有应用的AI就像一辆没有轮胎的一级方程式赛车。 工程很惊艳。声音很大。但基本没用。

这就是很多讨论出错的地方。基础设施和智能常被视为主要故事。它们不是。它们是前提条件。

更准确地解读技术栈的方式是：

• 基础设施使能
• 智能层平权化
• 应用层捕获价值

基础设施使AI成为可能，但它吸收大量资本，只有在被高效使用时才能回本。智能层传播快、改进快，随时间推移变得更便宜。单靠它，提高了能力但很少重塑成本结构。

只有应用层将AI转化为能体现在GDP、利润率和经营业绩中的东西。

瑞银预测到2030年AI收入为3.1万亿美元，意味着使能层、智能层和应用层的六年复合年增长率约为30%。

如果你在脑海中逐层移除，就能清楚地看到：

• 移除基础设施，什么都不能运行。
• 移除智能层，应用就会停滞。
• 移除应用层，整个系统就失去了经济合理性。

这就是为什么应用层不仅仅是"三分天下有其一"。 它是决定AI成为持久的经济转型还是仅仅是令人印象深刻的技术阶段的那个层次。

3. AI技术栈实际如何运作（以及价值在哪里积累）

在争论泡沫、估值或谁在AI中"获胜"之前，值得先弄清楚一件事：这个系统在现实世界中究竟如何运作。

不是用营销语言。 不是用基准测试分数。 而是在经济现实中。

今天的AI作为三层堆栈运作：

• 基础设施
• 智能
• 应用

三者都是必要的。 但它们在经济上的表现不同——也不在同一个地方创造价值。

3.1 基础设施层：电力、芯片和战略确定性

这就是AI故事悄悄变得比大多数人意识到的更大的地方。

表面上看，基础设施层看起来很熟悉：GPU、数据中心、冷却、电力、不断增长的资本支出数字。我们以前见过基础设施周期：云计算、移动、宽带。

但现在正在发生的事情在一个关键方面有所不同。

从英伟达的Hopper代到Blackwell的转变不是一次普通的芯片升级。它标志着AI扩展不再是一个软件问题，而是完全与物理世界碰撞。Blackwell系统专为极端规模的AI工作负载设计，提供密集计算和为生成式AI推理和训练量身定制的新型冷却方案。

前几代是渐进式的。你可以将它们插入现有数据中心，使用空气冷却和熟悉的电力假设。

Blackwell打破了这个模式。

突然之间：

• 空气冷却不再足够
• 液体冷却成为必须
• 功率密度爆炸式增长
• 机架重量增加到建筑本身成为约束

这也是为什么推广并不顺利。延迟不是因为执行不力或过度承诺。而是因为现实。你可以比重新设计数据中心、加固地板、重新设计冷却系统和上线新电力容量更快地设计芯片。

而这仅仅是开始。

Blackwell之后的下一代（如英伟达Rubin）预计将在同一方向上走得更远：更高的密度、更激进的冷却假设，以及机架内内存和网络更深的集成。一旦跨越这个门槛，就没有回头路了。AI基础设施现在的行为更像是重工业而非传统软件堆栈扩展。

这具有深远的战略后果。

亚马逊、微软、谷歌和少数其他公司不再仅仅是计算能力的购买者。它们正在重新设计计算存在的物理基础：

• 签订长期电力合同，甚至直接购买发电资产
• 为大规模园区重塑房地产战略
• 从头重新思考数据中心架构

从外部看，这像是一场巨大的豪赌。

从内部看，不是。

这些公司位于全球计算的中心。它们在数百万服务和数十亿用户中看到真实使用情况。它们不只依赖预测——它们在自己的系统内实时观察行为变化。

这就是为什么这个基础设施建设具有自我强化的特质。

💻 更多计算降低成本。🔓 更低成本解锁新应用。🚀 新应用驱动更多使用。🔁 更多使用证明更多基础设施的合理性。

这个循环不需要信仰。它靠数据运行。

电力，而非智能，已经成为约束瓶颈。这就是为什么"电力到货时间"等概念现在比摩尔定律更重要。如果你不能足够快地输送电力，你的模型就不重要。

这就是为什么基础设施本身永远不能成为赢家。

它使其上方的一切成为可能。 它吸收大量资本。 它只有在被用于生产性、产生收入的工作时才能回本。

这就是通向下一层的桥梁——也是真正的经济故事开始的地方。

3.2 智能层：为什么模型改进很快，但价值并没有

如果基础设施是AI与物理世界碰撞的地方，那么智能层就是许多人被误导的地方。

这是大多数头条新闻所在。 新模型。 更好的基准测试。 更大的上下文窗口。 更强的推理。

所有这些都是真实的。

但这里有一个令人不舒服的真相：

模型层的改进并不自动转化为经济价值。

事实上，往往恰恰相反。

智能层改进得如此之快，正是因为它变得更便宜、更标准化、更容易复制。这不是AI的弱点——而是成熟的标志。但它改变了价值可以积累的地方。

我们以前见过这种模式。

维基百科使知识普遍可获取。 谷歌搜索使信息即时可得。

两者都是革命性的。 但单独来看，两者都没有取代大部分劳动力或重塑企业成本结构。

大型语言模型比许多人愿意承认的更接近这些例子。

它们非常擅长产生答案、摘要、草稿和建议。 它们极大地提高了个人能力的基线。

但提高基线与创造运营杠杆不是一回事。

执行创造杠杆。

在过去的科技周期中——手机、SaaS、社交媒体——成为最低成本生产商并不重要。苹果从来不是最便宜的手机。微软从来不是最便宜的软件供应商。价值来自分发、生态系统和锁定。

AI打破了这个模式。

每个AI输出都有边际成本。 每次响应都消耗计算。 推理能力的每次改进都增加token使用量。

几十年来，单位经济学首次再次变得重要。

这就是为什么每token成本已成为一个战略变量，而不仅仅是一个工程指标。这也是智能层比许多人预期的更快收敛的原因。

当模型变得更便宜时：

• 实验爆炸式增长
• 转换成本下降
• 差异化侵蚀

这对采用是好事。 对模型层的持续价值捕获是坏事。

这也解释了为什么"前沿"模型和"足够好"的模型之间的差距在经济上不如技术上看起来那么重要。

对于许多现实世界的任务，最好的模型和第二好的模型之间的差异根本不是决定性的——特别是当价格、延迟和可靠性进入考量时。

战略博弈已经从智能转向了效率。

问题不再是：谁拥有最聪明的模型？

而是：谁能以低廉、可靠、大规模的方式交付智能——而不会让自己的成本结构崩溃？

一旦智能变得丰富和负担得起，其独立价值就会崩溃。

这并不意味着模型不再重要。 它们非常重要。

但它们的重要性在于作为输入，而不是经济价值集中的地方。

智能层使其上方的一切成为可能。 它降低了门槛。 它加速了实验。

但就其本身而言，它主要创造的是能力——而非回报。

3.3 应用层：为什么突破从这里开始

在过去两年中，我们投资并亲手与15家AI原生创业公司合作——全部构建应用，而非基础设施或模型。

我们近距离看到的情况与宏观图景一致：真正的突破不是来自更聪明的模型，而是来自进入生产并开始做工作的应用。

如果真正的生产力突破发生——贝莱德现在称之为"可想象的"那种——它不会从更多数据中心或更好的基准测试开始。

突破将从应用开始。

这是GDP实际增长方式的约束。

换言之，贝莱德所指的不是模型突破，而是企业软件本身构建和使用方式的转变——从人类操作的工具到执行工作的系统。

宏观层面的生产力只有在重要部门的产出增加时才会移动：医疗保健、工业、工程、物流、金融。换言之，B2B，而非消费者聊天。

这直接指向应用层。

但要理解为什么这个时刻不同，回顾一下企业软件一直以来是什么样子的——以及为什么它从未带来那种阶梯式变化。

3.3 为什么B2B SaaS从未触发生产力突破

过去20年，B2B SaaS遵循了一个非常一致的模式。

Salesforce、ServiceNow、Atlassian或SAP等公司构建了静态软件系统。你部署一次——早期是本地部署，后来在云端——然后人类在那些系统内部做工作。

软件：

• 存储数据
• 执行工作流
• 协调人员

但它不执行工作。

生产力的提升是真实的，但是渐进的：

• 更好的可见性
• 更少的错误
• 更顺畅的协调

关键是，人数仍然随产出增长而增长。随着业务增长，你需要更多的支持人员、更多的销售代表、更多的分析师。软件让人们变得更好，但它没有取代工作本身。

这就是为什么尽管经过了几十年的数字化，长期人均GDP增长几乎没有变化。软件改进了工作如何完成——而不是谁或什么来完成它。

这是传统SaaS从未突破的天花板。

3.4 AI原生应用改变了什么

AI原生应用建立在一个完全不同的假设上。

它们不再交付一个静态产品让人类操作，而是即时生成行为。软件不仅仅引导工作流，它执行工作流。

这就是代理（agent）登场的地方。

代理不是一个功能。 它不是UI改进。 它不是更智能的表单。

代理是这样的软件：

• 对任务负责
• 跨系统运作
• 持续运行
• 产生可验证的结果

这是根本性的断裂。

一旦软件开始做工作而不是支持工作，经济学就翻转了。

3.5 应用 → 代理 → 劳动力替代 → 投资回报率

这是最关键的链条——也是为什么应用层是触发器。

应用将AI直接嵌入真实的工作流。 不是作为辅助，而是作为执行。

这些应用围绕代理构建——可以在没有持续人类监督的情况下完成客户资格审查、解决支持工单、对账、生成代码、运行测试或准备监管报告的系统。

当代理可靠地工作时，劳动力在任务层面被替代：

• 不是一夜之间取代整个工作
• 而是足够的任务让人数增长放缓或逆转

这时经济学变得可见。

收入保持平稳或增长。 产出增加。 员工数量停滞或下降。

投资资本回报率提高。

看到真正AI回报的公司不是在展示最聪明的模型——它们在悄悄地从系统中移除工作。

这也是为什么利润率一开始看起来"更差"的原因。

AI原生应用即时生成一切。每个动作都消耗token。毛利率比传统SaaS下降。但运营杠杆大幅提升，因为劳动力成本下降的速度快于计算成本上升的速度。

更低的利润率。 更高的利润。

我们以前看过这部电影——在电子商务、云计算、物流中。赢家接受了早期的利润率压力，以解锁后来的规模和主导地位。

3.6 为什么这会拉动整个技术栈

应用层面的突破不仅仅创造自己的价值。它们拉动整个技术栈的需求。

当代理进入生产环境时：

• token使用量爆炸式增长
• 推理持续运行
• 上下文窗口增长
• 可靠性要求提高

这种需求证明了以下投资的合理性：

• 更多模型
• 更多基础设施
• 更多电力

而不是反过来。

基础设施不创造突破。 智能也不触发突破。

应用才触发突破。

它们是将能力转化为增长的火花——也是AI故事最终走出实验室、演示和试点阶段的原因。

这就是为什么如果生产力突破发生，它将从这里开始。

4. 为什么仅靠LLM限制了上限

到目前为止，模式应该很清楚了。

基础设施扩展。 模型改进。 成本下降。

然而，仅凭这些，没有一个能解释为什么AI值得目前部署的资本规模——或为什么它会导致真正的生产力突破。

那是因为大型语言模型本身不是一个经济终点。

它们是一种投入。

4.1 智能不是产出

智能层交付了一些了不起的东西： 以快速下降的成本提供高质量推理。

但智能本身不创造经济产出。

它创造能力。

一个模型可以解释问题、总结选项、草拟方案——但除非该智能被嵌入到一个执行系统中，否则实体经济中什么都不会改变。

这就是为什么与搜索引擎或百科全书的比较虽有误导性但有启发意义。

搜索改变了获取信息的方式。 它没有取代工作。

LLM也一样——除非它们被连接到将推理转化为行动的应用中。

这个区别决定了上行空间是变现还是停滞。

4.2 每token成本是新的资本成本

一旦智能变得丰富，经济学就会转变。

每个AI输出都有边际成本。 每个决策都消耗token。 每个额外步骤都消耗计算。

在规模上，token成本的行为不像软件费用，而更像资本成本。

这是新的。

传统SaaS在提高生产力的同时保持高毛利率。 AI原生系统用毛利率换执行。

乍一看，这看起来更糟。

更低的毛利率。 更高的可变成本。 更少的可预测性。

但这个观点忽略了二阶效应。当代理直接执行工作时，劳动力不再与产出线性扩展。这是真正的经济突破。

4.3 代理改变了公司的形态

代理不是功能。 它们不是副驾驶。 它们不是更好的用户界面。

代理是这样的系统：

• 对任务负责
• 跨工具和数据运作
• 持续运行
• 产生可验证的结果

一旦可靠部署，它们改变了公司的成本结构。

不是一夜之间。 不是通过消除整个岗位。

而是通过移除足够多的任务，让人数增长放缓、持平或逆转——即使产出在增长。

这就是投资资本回报率提高的地方。

收入保持平稳或增加。 劳动力投入稳定或下降。 计算支出上升——但增速低于劳动力本来的增速。

更低的利润率。 更高的利润。

看到真正回报的公司不是在谈论智能。它们在悄悄地从系统中移除工作。

4.4 生产力冲击改写劳动力，历史很清楚

这种动态并非史无前例。

在工业化之前，经济产出由三个要素产生： 自然资源、劳动力和知识。

随着工业化，资本作为第四个要素进入——一切都变了。

工作时间崩溃了。

同时，人均GDP爆炸式增长。

例如在瑞士，实际人均GDP从1920年的大约6,000瑞士法郎增长到2012年的超过62,000瑞士法郎——而人们工作的时间比以往任何时候都少。

生产力冲击不会消除价值。 它们改变价值如何被创造。

AI符合这个模式——但有一个关键区别。

资本和知识第一次可以直接执行工作。

代理不是辅助劳动力。 它们吸收任务。

而token成本——那种执行的价格——是新的生产成本。

4.5 为什么这闭环了

这就是为什么仅靠LLM限制了上限。

没有执行的智能会商品化。 没有应用的基础设施会燃烧资本。

只有当智能被嵌入应用——而应用部署代理——时，AI才以证明当前投资规模合理的方式重塑成本结构。

这也是为什么超级周期如果实现，不会首先在基准测试或产品发布中可见。

它会悄悄出现。

在公司用更少的人做更多事时。 在运营利润率尽管毛利率更低却在改善时。 在计算支出取代劳动力支出时。

历史表明经济蛋糕会变大。

未解决的是——一如既往——那个蛋糕如何分配。

AI不回答这个问题。

但它将这个问题重新推上了桌面。

而这通常是实验结束和真正经济周期开始的标志。

5、结束语

AI不会因为它变得更聪明而改变世界。

它会因为它开始做真正的工作而改变世界。

基础设施使这成为可能。 模型使其变得可及。 但只有应用——嵌入工作流的代理——将智能转化为生产力、投资回报率和增长。

如果真正的生产力突破发生，它不会从又一个模型发布或更大的数据中心开始。 它会悄悄地开始，在公司内部，软件停止辅助人类并开始执行任务的地方。

那就是AI周期成为现实的地方。

原文链接：AI 2026: Where AI Actually Creates Value

汇智网翻译整理，转载请标明出处