# 开源模型的崛起，对半导体究竟意味着什么？ Author: Tiger | URL: https://goagi.top/post-20261022-d8ce ## 结论与核心摘要（直接答案与证据） 注：本文翻译自 X 上大佬 @fin ( https://x.com/fi56622380 [https://x.com/fi56622380] ) ， 一个非常有深度的老哥。 Evidence from the source: - 开源模型的崛起，对半导体行业究竟意味着什么？ - 它会拉低半导体的营收吗？ ## 常见问题 Q1: 关于《开源模型的崛起，对半导体究竟意味着什么？》，作者提到了哪些关键实现方法与步骤？ A1: 拆解一下过去十年硬件实现的 1000 倍加速： Q2: 在《开源模型的崛起，对半导体究竟意味着什么？》中，这一决策或现象背后的核心逻辑与原因是什么？ A2: 把市场的担忧拆开来看，其实包含两条截然不同的逻辑链： Q3: 《开源模型的崛起，对半导体究竟意味着什么？》阐述的核心要素与关键原则是什么？ A3: 开源模型现在可能已经占到了全部 token 消耗量的 20% 以上，而且这一份额还在加速扩大；更关键的是，它们的价格只有闭源旗舰模型的几分之一。 Q4: 在《开源模型的崛起，对半导体究竟意味着什么？》的实践中，有哪些需要特别注意的风险与避坑要点？ A4: 这大概是过去几个月市场上争论最激烈的问题之一。 ## Source content chunks ### Chunk 1 注：本文翻译自X上大佬@fin(https://x.com/fi56622380[https://x.com/fi56622380])，一个非常有深度的老哥。开源模型的崛起，对半导体行业究竟意味着什么？它会拉低半导体的营收吗？这大概是过去几个月市场上争论最激烈的问题之一。开源模型现在可能已经占到了全部token消耗量的20%以上，而且这一份额还在加速扩大；更关键的是，它们的价格只有闭源旗舰模型的几分之一。每一个新的开源版本发布，市场就会重新算一笔账：token越来越便宜，模型公司还能赚到钱吗？如果模型公司赚不到钱，谁来买这么多GPU？静态来看，这个问题确实充满矛盾：一方面，模型更便宜了，用AI的人变多了，需要的算力自然更多；但另一方面，开源会把OpenAI和Anthropic的价格硬生生打下来，要是模型公司挣不到钱，未来几年那笔天文数字般的CapEx（资本支出）到底由谁来买单？#[#%E4%B8%80-%E5%BC%80%E6%BA%90%E7%9C%9F%E7%9A%84%E4%BC%9A%E4%BC%A4%E5%8F%8A%E5%8D%8A%E5%AF%BC%E4%BD%93%E5%90%97-]一、开源真的会伤及半导体吗？把市场的担忧拆开来看，其实包含两条截然不同的逻辑链：第一条逻辑：开源会顺带把高端（premium）token的价格也拉下来。这样一来，两家闭源实验室（OpenAI和Anthropic）的ARR（年度经常性收入）就会受挫，靠融资和借债（“透支未来”）去大笔采购算力的能力自然跟着缩水。第二条逻辑：开源靠价格战抢占市场，卷走了太多的份额，但它自身的营收和利润率又极其微薄。这导致整个模型层为半导体买单的支付能力被整体拉低 ### Chunk 2 源靠价格战抢占市场，卷走了太多的份额，但它自身的营收和利润率又极其微薄。这导致整个模型层为半导体买单的支付能力被整体拉低，而开源玩家自己的融资和扩张势头也会遭到压制。但说到底，开源token也是token，消耗的同样是实打实的算力。在尺寸相近的模型上，由于DeepSeek的稀疏注意力（sparseattention）等技术优化，开源消耗的算力甚至还要稍微少一点。可对半导体而言，真正重要的从来不是“开源还是闭源”，而是跑这些GPU的人究竟能不能赚到钱。毛利率（grossmargin）才是驱动疯狂抢芯片唯一最重要的核心动力，几乎没有其他指标能与之相比。只要毛利率足够高，你抢到的每一颗芯片都是在赚钱——买得越多，赚得越狠。一旦毛利率超过70%，一块GPU一年就能收回成本，每一块GPU都是一台印钞机；哪怕只有50%，你也完全扛得起更高的融资风险，敢借更多的钱去囤更多的卡。所以核心问题就变成了：开源到底会不会把毛利率打垮？如果只盯着静态的token价格看，答案似乎是肯定的——价格确实在一路狂跌。但我们绝不能用静态的眼光看这件事，token经济学必须放在动态的分析框架下来审视。#[#%E4%BA%8C-Token-%E7%BB%8F%E6%B5%8E%E5%AD%A6%E7%9A%84%E5%8A%A8%E6%80%81%E5%B9%B3%E8%A1%A1-%E6%88%90%E6%9C%AC%E4%B8%8B%E9%99%8D%E7%9A%84%E9%80%9F%E5%BA%A6%E5%92%8C%E4%BB%B7%E6%A0%BC%E4%B8%80%E6%A0%B7%E5%BF%AB]二、Token经济学的动态平衡：成本下降的速度和价格一样快 ### Chunk 3 %92%8C%E4%BB%B7%E6%A0%BC%E4%B8%80%E6%A0%B7%E5%BF%AB]二、Token经济学的动态平衡：成本下降的速度和价格一样快Token越来越便宜，这是事实；但成本下降得一样快，这也是事实。守住利润率，降下成本，压低价格，拉升用量。这正是整篇文章最核心的判断：每一代模型、每一代硬件更迭之后，一切都会落入一个全新的平衡点。我们不妨称之为token经济学的动态平衡。这事儿绝不能静态来看。指数级的token通缩，正是整个AI时代一直在动态推移的大背景。正如前文所提：在AI时代，token优化的速度达到了每十年提升6个数量级（百万倍加速），其中3个数量级（千倍）来自软件与算法，另外3个数量级来自硬件。黄仁勋早在2023年就讲过：得益于芯片互连、存储、封装、PCB、芯片架构以及制造工艺等全方位的协同推进，软硬件每十年能提速100万倍，所有这些环节的复合效应造就了这100万倍的跃升。平摊下来，软件和硬件每十年各自贡献大约1000倍。过去十年里，这个规律始终成立。拆解一下过去十年硬件实现的1000倍加速：制程工艺贡献了大概3倍；像DP4/HMMA/IMMA这样的复杂指令集大概贡献了10倍；数据精度优化（FP32->BF4,MX4）贡献了8到16倍；此外还有稀疏化优化的加持。而在今天，硬件演进的势头依然没有放缓：HBM的带宽与容量换代越来越快，先进封装不断通过全新的3D架构自我革新，光互联带宽呈指数级增长的同时延迟和功耗还在下降，供电规范与散热技术也在飞速迭代。所有这一切交织在一起，共同支撑着这个历史性的大背景。具 ### Chunk 4 数级增长的同时延迟和功耗还在下降，供电规范与散热技术也在飞速迭代。所有这一切交织在一起，共同支撑着这个历史性的大背景。具体来说：每一代硬件都能将token吞吐量翻倍（Blackwell相比H100甚至达到了4倍），直接让单个token的单价砍半。最近VeraRubin也已经进入测试阶段，从GTC到HotChips展示的信息来看，它的token吞吐量预计还能再翻一番；在同一代模型上，软件端每年甚至每半年就能把价格再砍掉一半乃至四分之三。由于KV缓存压缩以及各类模型层面的持续优化，tokens本身也变得越来越值钱：5.5代模型带来了token效率的巨大飞跃，完成同样的任务消耗的token更少，而单个token的质量却在不断提高。只要存在竞争，大家就会在保证同等质量的前提下死拼降本，因此边际毛利率主要是靠软硬件的持续优化来维系的。即便是开源模型，也能将自身的利润率维持在极其健康的水平。#[#%E5%8D%95%E5%90%89%E7%93%A6-GW-%E5%8D%95%E4%BD%8D%E7%BB%8F%E6%B5%8E%E6%95%88%E7%9B%8A%E7%9A%84%E7%A1%AC%E4%BB%B6%E8%B4%A6%E6%9C%AC]单吉瓦（GW）单位经济效益的硬件账本拿单个吉瓦（GW）的数据算一笔账，逻辑就会更加直观。市场可能低估了目前token整体的毛利率。最新的B300在跑前沿旗舰模型时，推理效率极其惊人：1GW每年能产生超过800亿美元的token销售收入。到了VeraRubin，单位功耗下的token吞吐量至少还能再提升50%到100%，每个GW每年甚至能卖出1200亿美元或更高。每GW的毛利率还会继续往上走。当然，明年的实际销售额未 ### Chunk 5 吞吐量至少还能再提升50%到100%，每个GW每年甚至能卖出1200亿美元或更高。每GW的毛利率还会继续往上走。当然，明年的实际销售额未必能达到那么高。毕竟两家闭源实验室仍在激烈竞争，旗舰token的产出折算下来大概会在每GW800亿美元左右。可即便如此，旗舰模型的推理毛利率依然能稳在75%甚至80%以上。Anthropic今年的推理营收预计会达到500亿美元/GW，明年哪怕算上综合均价，也有望冲到800亿美元/GW。在这样的利润率诱惑下，谁抢算力还会犹豫？开源token的利润率虽然没那么夸张，但按官方挂牌价算，大概也在60%到70%之间，单GW年化营收依然能突破500亿美元。最近，由Sol6.1和Opus5.5划定的“生死线”（killline，竞争对手要想存活就必须超越的性价比门槛）展现出强大的压制力，逼得开源模型大幅杀价，承受着巨大的利润率压力。但在我看来，对开源利润率的挤压只是暂时的。比如DeepSeek最近对Flash4.1进行了深度优化，就把毛利率重新拉回到了70%以上。再来看看成本端：按6年对当前的硬件进行折旧摊销，每GW每年大约只需摊销80亿美元。而营收足足是硬件摊销成本的10倍！这也是为什么最近短期新型云服务商（neocloud）的合约能租出每年每GW400到500亿美元的天价租金：因为token确实能卖出比这高得多的价格。即使硬件价格进一步上涨，这种平衡也不会轻易被打破。Token营收与硬件成本之间这道巨大的利润剪刀差，恰恰是下一篇文章要详谈的核心——AI基础设施与半导体这场“内战”所争夺的核心利益大饼。这种动态平衡其实自2023年起就一直在运转。GPT-4 ### Chunk 6 是下一篇文章要详谈的核心——AI基础设施与半导体这场“内战”所争夺的核心利益大饼。这种动态平衡其实自2023年起就一直在运转。GPT-4的价格一年降了10倍，两年降了100倍。每一代新旗舰都凭借其压倒性的性能守住了定价权（约每百万token50美元），而上一代模型则应声大降价。如果谈到token通缩，通缩其实从来就没停过。但整个生态的游戏规则反而越来越健康：每一个token所交付的生产力与价值在持续上升，投资回报率（ROI）也在不断改善，进而推动了渗透率和用量的暴增。移动互联网时代的智能手机芯片走过的完全是同一条路。所以，要把token价格下行当成新常态、当成一个动态推移的大背景来看待。即使token价格腰斩，成本端的压缩也足以在很大程度上维持这种平衡；而更低的价格会换来更高的使用频次，进而推高整体总营收。对AI基础设施而言，这种平衡最大的好处在于守住了毛利率，而毛利率恰恰是维系所有人对硬件无限饥渴感的最关键因素。#[#%E4%B8%89-%E5%B9%B3%E4%BB%B7%E6%A1%A3-token-%E6%98%AF%E9%80%9A%E7%94%A8%E5%95%86%E5%93%81-%E4%BD%86%E6%97%97%E8%88%B0%E6%A1%A3%E4%B8%8D%E6%98%AF-%E4%B8%A4%E5%9C%BA%E6%88%AA%E7%84%B6%E4%B8%8D%E5%90%8C%E7%9A%84%E7%AB%9E%E6%8A%80%E5%9C%BA]三、平价档token是通用商品，但旗舰档不是：两场截然不同的竞技场动态平衡回答了“降价会不会击穿利润率”的问题。但开源到底会不会冲击闭源 ### Chunk 7 档token是通用商品，但旗舰档不是：两场截然不同的竞技场动态平衡回答了“降价会不会击穿利润率”的问题。但开源到底会不会冲击闭源最赚钱的那块基本盘——旗舰token？我的判断是：不会。因为平价档（valuetier）和旗舰档（premiumtier）是两个完全不同的赛场。平价档：纯粹成了通用大宗商品，所有人都陷入了惨烈的竞相压价恶性竞争（racetothebottom）。一旦有哪家划出了一条新的“生死线”（killline），其他人就必须硬着头皮跟进。挂牌价可能看着纹丝不动，但OpenRouter上各大托管商的实际报价早已实时反映出这一残酷现实。平价档里的任何东西，不管是商品还是人，都很容易被彻底同质化。旗舰档：则完全是另一番光景。那里的竞争只存在于OpenAI和Anthropic两家之间，因此其通用商品属性极其有限。开源根本够不着旗舰档token的定价区间，这一档位的价格也相对稳固。这种竞争格局在移动互联网历史上曾经上演过一次。高通当年做出了世界上最好的手机芯片。但技术扩散是不可阻挡的规律：联发科以及整个东亚供应链（包括中国大陆）很快就以高通四分之一甚至更低的价格造出了同等水平的芯片。（这跟今天的模型蒸馏极其相似：闭源模型为什么迟迟无法把开源甩开更大的身位，大概有30%到50%要归因于此）。高通当时的防御策略是：继续将旗舰芯片以高价卖给安卓旗舰机；与此同时，把旗舰芯片做“降级裁剪”——熔断几个核心、降低主频、进行分级筛选（binning）。这样一来，它就能以极低的成本做出中端和平价芯片，定价甚至比联发科还要便宜。在连续好几代产 ### Chunk 8 、降低主频、进行分级筛选（binning）。这样一来，它就能以极低的成本做出中端和平价芯片，定价甚至比联发科还要便宜。在连续好几代产品中，高通的平价档都能用更低的价格打爆联发科的旗舰。把这段往事投射到今天的AI时代，二者几乎是一一对应的复刻。开源以极低的成本进行模型蒸馏（distillation），搞出虽与旗舰存在肉眼可见差距、但在低端形成合围之势的平价档。而OpenAI和Anthropic正在做的，恰恰就是当年高通的套路：把自家的旗舰模型进行自我蒸馏（self-distill），蒸馏出成本更低、性能更强悍的“生死线”产品，把战火死死圈在平价档内部，绝不让它蔓延到旗舰档。如此一来，旗舰档的战争就变成了两家之间的双雄争霸，Astra依然能稳坐每百万token50美元的高昂定价。闭源的平价档还有第二个战略使命：阻击开源蚕食更大市场份额的路径，遏制开源积累过多的利润。开源赚到的利润越少，它想在算力规模上追赶就越困难。最新这一轮由GPT-6.1Sol和Sonnet5.5构筑的“生死线”，已经给开源带来了窒息般的压力。但这只是一场回合制博弈中的一轮而已：开源在持续进化，下一代也正在训练当中。指数级的token通缩一直都在底层静默运转；开源的杀入，无非是让今年平价档的降价斜率变得更陡峭了一些。尽管最近开源做模型蒸馏的难度有所增加，但我依然认为开源有能力把代差死死咬在6个月左右。最近旗舰档token内部其实也打了一轮价格战。两家闭源实验室都在冲刺上市（IPO），为了让ARR看起来更亮眼、拿下新一轮融资或顺利完成上市，它们可能会在短期内暂时牺牲一部分 ### Chunk 9 。两家闭源实验室都在冲刺上市（IPO），为了让ARR看起来更亮眼、拿下新一轮融资或顺利完成上市，它们可能会在短期内暂时牺牲一部分旗舰token的利润率。但展望未来，大概率不会出现毁灭性的恶性价格战。毕竟这是一个典型的双寡头垄断（duopoly）市场。为什么旗舰档不会被同质化成普通商品？从供给端来看：大语言模型（LLM）时代虽然没有网络效应，但递归自我改进（RSI,recursiveself-improvement）效应极强。模型利用上一代的数据去训练并生成更强的下一代，而且这种自我迭代进化的能力还在不断增强。领跑者的先发优势会实现自我强化。至于需求端的原因，后文会细讲：市场对旗舰模型的需求根本不会停歇。因此，“开源威胁闭源收入”这个说法只对了一半。它真正威胁到的是闭源的平价档，而闭源在这一档位的防御工事极其坚固。这两个市场早已泾渭分明，绝不能混为一谈。#[#%E5%9B%9B-%E5%BC%80%E6%BA%90%E5%AF%B9%E5%8D%8A%E5%AF%BC%E4%BD%93%E8%80%8C%E8%A8%80-%E5%88%B0%E5%BA%95%E6%9C%89%E5%A4%9A%E5%A4%A7%E5%88%86%E9%87%8F-]四、开源对半导体而言，到底有多大分量？在理清了动态平衡（开源自身的利润率同样守得住）之后，还剩下一个非常基本的问题：开源的市场盘子到底有多大？开源在token消耗量上的份额或许已经达到20%甚至更高，但如果看真实的市场支出即ARR，它实际只占5%到10%。ARR直接挂钩毛利率，直接决定了它能支撑起多少个GW的算力消耗，而这正是评估其对 ### Chunk 10 果看真实的市场支出即ARR，它实际只占5%到10%。ARR直接挂钩毛利率，直接决定了它能支撑起多少个GW的算力消耗，而这正是评估其对半导体真实分量的锚点。换句话说，单从算力采购的角度来看，开源token的ARR只占相关AI基础设施与半导体营收的5%到10%；如果把Meta和Google这些大厂的内部自用算力也算进来，这个比例还要更低。就像上一篇文章提到的：北美开源模型的营收目前还在100亿美元以下，而闭源合计已经超过了1200亿美元，眼下可能已经逼近1400亿美元。在可预见的未来，开源ARR的增速确实会快于闭源，但并不会拉开悬殊的差距。现在我们可以回过头来复盘文章开头的两大担忧了：第一，开源会拖累旗舰token价格？这个论断并不完全成立。两个竞技场之间筑有高墙，开源的价格触角根本碰不到旗舰定价，而ARR的大头偏偏全都盘踞在高端旗舰档。诚然，每次新开源模型发布的窗口期，像Opus和Sol这样的高阶模型可能会短暂承压。第二，开源自身的利润率太薄，会拖累整个模型层采购芯片的能力？目前来看同样不成立。跑在B300上的开源模型依然能斩获60%到70%以上的利润率，而且其体量份额占比很小。开源自身的“收入瓶颈枷锁”目前也尚未触发——按理说没有足够好的营收就无法持续做训练，迭代循环就难以为继，但眼下开源的增长势头正盛，飞轮运转依然顺畅。所以结论很明确：开源不会拉低毛利率。只有利润率有保障，买卡的意愿才坚如磐石。即便利润率有所回撤，只要开源能守住30%以上、闭源能守住60%以上，这个游戏就完全玩 ### Chunk 11 只有利润率有保障，买卡的意愿才坚如磐石。即便利润率有所回撤，只要开源能守住30%以上、闭源能守住60%以上，这个游戏就完全玩得下去，市场对半导体和基础设施的需求也绝不会因为开源的变强而疲软。鉴于开源对利润率的冲击有限，它反而为英伟达带来了客户多元化。而在供应链相邻的下游层把自己的客户“去溢价化/大宗商品化”，恰恰是英伟达梦寐以求的局面。这赋予了英伟达和基础设施厂商极强的议价权，因此开源对AI基础设施和半导体来说实际上是一大利好。至于那种“开源终有一天会吃掉绝大部分收入份额”的设想，我认为不大可能发生，原因上一篇已经讲过：核心在于开源的算力规模扩张速度是有物理上限的，而闭源的平价档token在竞争力上丝毫不落下风。#[#%E4%BA%94-%E5%B9%B3%E8%A1%A1%E6%88%90%E7%AB%8B%E7%9A%84%E5%89%8D%E6%8F%90-%E7%94%A8%E9%87%8F%E5%A2%9E%E9%95%BF%E5%BF%85%E9%A1%BB%E8%B7%91%E8%B5%A2%E9%99%8D%E4%BB%B7%E9%80%9F%E5%BA%A6]五、平衡成立的前提：用量增长必须跑赢降价速度讲到这里，动态平衡看似无懈可击。但它其实依附于一个至关重要的前提假设。今天token之所以能维持如此之高的利润率，很大程度上是建立在算力短缺的基础之上的。那么，算力会永远短缺下去吗？利润率最终能不能扛得住，归根结底取决于token需求能冲到怎样的数量级——也就是总ARR能否保持住自身的增长曲线。杰文斯悖论（Jevonsparadox）在OpenRouter ### Chunk 12 率最终能不能扛得住，归根结底取决于token需求能冲到怎样的数量级——也就是总ARR能否保持住自身的增长曲线。杰文斯悖论（Jevonsparadox）在OpenRouter上已经被印证过无数次：价格暴跌，需求以更大的幅度井喷，带动总营收持续走高。不过，近期的部分数据也表明，价格下跌得实在太快，短时间内需求增长的跟进速度有些脱节，导致总营收的增速可能出现暂时放缓。一项基于OpenRouter和Azure数据的研究测算显示，token的短期价格弹性大约在1左右：降价10%意味着用量大约增长10%，总支出基本持平。绕了这么大一圈，开源对半导体的终极影响，归根结底又回到了最初的命题：token需求的增长速度，到底能不能持续跑赢降价的步伐？#[#%E5%85%AD-Token-%E9%9C%80%E6%B1%82%E4%BE%9D%E7%84%B6%E4%BC%9A%E5%B7%A8%E5%B9%85%E7%88%86%E5%8F%91-%E4%B8%94%E5%AF%B9%E6%97%97%E8%88%B0%E6%A8%A1%E5%9E%8B%E7%9A%84%E9%9C%80%E6%B1%82%E7%BB%9D%E9%9D%9E%E5%B9%B3%E4%BB%B7%E6%A1%A3%E5%8F%AF%E4%BB%A5%E8%BD%BB%E6%98%93%E5%8F%96%E4%BB%A3]六、Token需求依然会巨幅爆发，且对旗舰模型的需求绝非平价档可以轻易取代核心支撑逻辑有以下几点：Token用量高度集中在头部用户手中，他们能够吃干抹净模型每一分新增的能力；“一旦能力超出大多数人的日常需求，再提升能力就不再具备经济回报”纯属一种错觉；开放性（open-ended）任务遍布各行各业，而旗舰模型在处理这类任 ### Chunk 13 超出大多数人的日常需求，再提升能力就不再具备经济回报”纯属一种错觉；开放性（open-ended）任务遍布各行各业，而旗舰模型在处理这类任务时展现出压倒性的优势；所谓能力的本质是沿着抽象技术栈（abstractionstack）向上跃升，模型能够统御和调度的任务复杂度越来越高；同时打通信息、认知与意图的三重壁垒，将持续撬动比上一阶段大出整整一个数量级的新市场。#[#%E8%AF%A6%E7%BB%86%E5%B1%95%E5%BC%80%E6%9D%A5%E7%9C%8B-]详细展开来看：#[#1--%E8%83%BD%E5%8A%9B%E7%9A%84%E6%8F%90%E5%8D%87%E4%B8%BB%E8%A6%81%E5%9C%A8%E5%96%82%E9%A5%B1%E5%A4%B4%E9%83%A8%E7%94%A8%E6%88%B7-%E5%B9%B6%E4%B8%8D%E6%96%AD%E8%BD%AC%E5%8C%96%E4%B8%BA%E8%A2%AB%E9%87%8A%E6%94%BE%E7%9A%84%E6%9A%B4%E6%B6%A8%E7%94%A8%E9%87%8F]1.能力的提升主要在喂饱头部用户，并不断转化为被释放的暴涨用量前10%的用户消耗了绝大部分用量。前1%的顶尖用户平均消耗的token是前10%用户平均水平的10倍左右，是普通中位数用户的100倍——而能把模型能力榨取到极致的，往往恰恰就是这批前1%的人。模型能力提升解决的最关键问题，是赋能这前10%的重度用户（powerusers）去编排与调度长流程（long-horizon）任务。这批人的用量上限受制于模型的能力天花板，因此能力每拔高一截，他们的用量就会被几何级释放一次。相比之下，普通中 ### Chunk 14 （long-horizon）任务。这批人的用量上限受制于模型的能力天花板，因此能力每拔高一截，他们的用量就会被几何级释放一次。相比之下，普通中位数用户并不需要多么逆天的AI能力，卡住他们用量的核心堵点在于工具集成（toolintegration）——他们的日常工作流还没有被很好地打通。因此，这两类群体的token增长动能其实走向了截然不同的两个维度：头部群体靠模型能力驱动，依赖长流程任务的深化；中腰部群体靠集成生态驱动，仰仗各类连接器（connectors）、工作流以及个人智能体（personalagents）的嵌入。对中腰部而言，产品形态如何落地才是命门，而这里也正是应用层最能大展拳脚的地方。#[#2---%E4%B8%80%E6%97%A6%E8%83%BD%E5%8A%9B%E8%B6%85%E5%87%BA%E5%A4%A7%E5%A4%9A%E6%95%B0%E4%BA%BA%E7%9A%84%E9%9C%80%E6%B1%82-%E8%BF%9B%E4%B8%80%E6%AD%A5%E7%9A%84%E6%8A%80%E6%9C%AF%E6%8F%90%E5%8D%87%E5%B0%B1%E6%8D%A2%E4%B8%8D%E6%9D%A5%E5%95%86%E4%B8%9A%E5%9B%9E%E6%8A%A5-%E5%A4%A7%E6%A6%82%E7%8E%87%E6%98%AF%E4%B8%AA]2.“一旦能力超出大多数人的需求，进一步的技术提升就换不来商业回报”大概率是个伪命题首先，即便智能已经过剩，普通用户依然想要更聪明的模型，这跟当年智能手机算力过剩后用户依然追逐旗舰芯片如出一辙。其次，在人力占据主要成本的任务中，直接上旗舰模型反而更便宜。当模型开销在员工 ### Chunk 15 手机算力过剩后用户依然追逐旗舰芯片如出一辙。其次，在人力占据主要成本的任务中，直接上旗舰模型反而更便宜。当模型开销在员工薪资面前九牛一毛、而人力占到总成本的90%时，模型越强，所需的人工审核（humanreview）与返工（rework）就越少，省下的人工时间就越多，最终的总运营成本（opex）反而越低。此外还有一个关键维度：任务本身的开放性程度。#[#3--%E5%BC%80%E6%94%BE%E6%80%A7%E4%BB%BB%E5%8A%A1%E6%99%AE%E9%81%8D%E5%AD%98%E5%9C%A8%E4%BA%8E%E5%90%84%E4%B8%AA%E9%A2%86%E5%9F%9F-%E8%80%8C%E6%97%97%E8%88%B0%E6%A8%A1%E5%9E%8B%E5%9C%A8%E8%BF%99%E7%B1%BB%E4%BB%BB%E5%8A%A1%E4%B8%8A%E7%9A%84%E8%A1%A8%E7%8E%B0%E5%91%88%E5%8E%8B%E5%80%92%E6%80%A7%E4%BC%98%E5%8A%BF]3.开放性任务普遍存在于各个领域，而旗舰模型在这类任务上的表现呈压倒性优势有界（bounded）任务存在天花板。以报税为例：复杂度是有上限的，一旦模型越过了及格线，再多的智能也不会创造额外的增量价值。而无界（unbounded）任务则根本没有天花板，比如做AI研发：永远有新的未知去探索，永远有做不完的事。首先，即便是像报税这种复杂度封顶的有界任务，可靠性依然是核心考量：智能越高，可靠性越强。有界任务的天花板在复杂度，而不在可靠性。犯错的代价越高，可靠性每提升一个百分点的经济价值就越惊人。 ### Chunk 16 智能越高，可靠性越强。有界任务的天花板在复杂度，而不在可靠性。犯错的代价越高，可靠性每提升一个百分点的经济价值就越惊人。多步骤任务中可靠性是相乘的：把每一步的成功率拔高到99%，20个连续步骤后的综合可靠性就能拉到大约82%。单步可靠性的微小提升，在宏观任务层面会被成倍放大，这直接意味着更少的人工审核与返工。当人工审核与返工占据了绝大部分成本时，总成本最低的解法反倒往往是调用更强大的模型。其次，“无界”是任务的内在属性，而不是特定行业的专利。任何具有足够开放性的任务都是无界任务。所有具有博弈对抗性质（adversarial）的任务天生就是无界的，而且开放性任务存在于各行各业，绝不仅仅局限于AI研发、软件工程或金融交易。有界任务的总需求盘子往往是恒定的，但一个无界任务一旦被攻克，就会源源不断地衍生出更多全新的子任务——这是纯粹的净增量需求。更强的模型在这类场景下优势碾压、投资回报率极高，这也正是为什么Astra问世之后营收增长会如此迅猛。第三，模型能力同样决定了一个单点任务究竟能够持续自主运转多久。半年多以前，一个任务跑上两三轮迭代（iteration）就会崩溃停滞；而现在，它能连续跑十多轮迭代并继续往前推进。随着能力的跃升，能够维持的迭代次数呈倍数增加，抽象层也在不断上移。第四，未来会出现越来越多智能体之间的对抗与交互（agent-to-agent），而旗舰模型将永远占据上风。在博弈对抗的环境中，价值取决于相对能力而非绝对能力，因此对模型而言根本不存在所谓的 ### Chunk 17 交互（agent-to-agent），而旗舰模型将永远占据上风。在博弈对抗的环境中，价值取决于相对能力而非绝对能力，因此对模型而言根本不存在所谓的“够用就好”。#[#4--%E8%83%BD%E5%8A%9B%E7%9A%84%E6%9C%AC%E8%B4%A8%E6%98%AF%E6%B2%BF%E7%9D%80%E6%8A%BD%E8%B1%A1%E6%8A%80%E6%9C%AF%E6%A0%88%E5%90%91%E4%B8%8A%E8%BF%88%E8%BF%9B-%E6%A8%A1%E5%9E%8B%E8%83%BD%E5%A4%9F%E8%B0%83%E5%8A%A8%E7%9A%84%E4%BB%BB%E5%8A%A1%E5%A4%8D%E6%9D%82%E5%BA%A6%E5%9C%A8%E6%8C%87%E6%95%B0%E7%BA%A7%E6%94%80%E5%8D%87]4.能力的本质是沿着抽象技术栈向上迈进，模型能够调动的任务复杂度在指数级攀升归根到底，更强的模型能力就是更强的抽象能力。模型能够驾驭的任务复杂度越高，对旗舰模型的要求以及所消耗的token也就越庞大。单个模型控制复杂度的绝对能力终究是有限的，必须通过分层的抽象架构和方法论将复杂度进行有效隔离。本质上，这就是用有限的复杂度控制力，去置换完成超高复杂度任务的能力。技术演进的真谛就是不断攀登抽象阶梯。人类放弃低维度的手工算术，正是为了跃迁到高维度的抽象编排与调度中去。随着智能体抽象层的持续上浮，TAM（潜在市场总规模）的计算分母也正在发生根本性的质变。上一篇文章曾按人头算过一笔账：长期来看，每人每月的AI支出可能达到白领月薪的10%（约1,000美 ### Chunk 18 算分母也正在发生根本性的质变。上一篇文章曾按人头算过一笔账：长期来看，每人每月的AI支出可能达到白领月薪的10%（约1,000美元）。这是典型的效率提升逻辑，分母是企业的雇员运营支出（opex）。但随着智能体抽象层的不断拔高，分母可能不再是“单人配备的智能体数量”，而是变成“整个组织拥有的智能体数量”。分母一旦与员工人数和薪资解绑脱钩，其本质就与无界任务彻底融为一体了。#[#5--%E4%BF%A1%E6%81%AF-%E8%AE%A4%E7%9F%A5%E4%B8%8E%E6%84%8F%E5%9B%BE%E4%B8%89%E8%80%85%E9%97%A8%E6%A7%9B%E7%9A%84%E5%90%88%E5%8A%9B%E9%99%8D%E4%BD%8E-%E5%B0%86%E6%8C%81%E7%BB%AD%E5%BC%80%E8%BE%9F%E5%87%BA%E6%AF%94%E5%89%8D%E4%B8%80%E9%98%B6%E6%AE%B5%E5%A4%A7%E4%B8%8A%E4%B8%80%E4%B8%AA%E6%95%B0%E9%87%8F%E7%BA%A7%E7%9A%84]5.信息、认知与意图三者门槛的合力降低，将持续开辟出比前一阶段大上一个数量级的全新市场拉长视野纵观token的演化历程，迄今经历了三个阶段：第一阶段：聊天机器人（chatbot）——信息流动门槛的大幅断崖式下跌；第二阶段：推理（reasoning）——认知流动门槛的骤降；第三阶段：智能体（agent）——意图流动门槛的彻底击穿。每一个阶段解锁的场景规模都比上一个阶段高出一个数量级，而且它们会越来越紧密地交融在一起。更低的意图门槛叠加更低的认知门 ### Chunk 19 。每一个阶段解锁的场景规模都比上一个阶段高出一个数量级，而且它们会越来越紧密地交融在一起。更低的意图门槛叠加更低的认知门槛，将彻底释放出几何级的增长空间。历史上，信息门槛的每一次暴跌都会掀起一场技术革命；意图门槛的下降也同样催生过历史性变革。但这一次，是人类历史上首次在信息门槛持续大跌的同时，把认知、智能以及意图的壁垒齐刷刷拉低。这注定是一场增速惊人的技术风暴。互联网时代的商业底层逻辑归结为一条公式：信息流动门槛的降低×任何传统行业。社交网络是信息流动门槛降低×人际关系；电子商务是信息流动门槛降低×交易。而AI时代的终极公式则是：信息、认知与意图流动门槛的三重骤降×任何行业。这种组合的最终指向，或许正是第四阶段：代理人经济（ProxyEconomy）。无论是碳基还是硅基消费，无论是消费端（2C）还是企业端（2B），其潜在空间都是无可限量的。模型越强，代理人（proxy）能够跨越的壁垒就越多，所能承载的事情复杂度就越高。代理人经济目前尚未跨过关键的爆发临界点。随着时间的推移，它将与社交、电商等各个领域深度共生，并加速迈向智能体与智能体之间的交互生态。这或许还需要经历一两次阶梯式的质变跨越。这不是一个短期的题材故事；在更长的周期尺度下，它很可能是未来长期维系token指数级增长的真正引擎。#[#Token-%E4%B9%8B%E5%A4%96%E7%9A%84%E6%9A%97%E6%B6%8C%E9%9C%80%E6%B1%82]Token之外的暗涌需求最后，还有一块极容易被市场忽 ### Chunk 20 8B%E5%A4%96%E7%9A%84%E6%9A%97%E6%B6%8C%E9%9C%80%E6%B1%82]Token之外的暗涌需求最后，还有一块极容易被市场忽视的算力需求：模型训练（training）。推理越能赚取丰厚利润，其所能反哺支持的训练算力盘子就越大。以Anthropic为例：到2027年它将坐拥约10GW的算力规模。如果年末ARR达到3000亿美元，其实只需要大约4GW的推理算力就足够了，剩下的6GW可以全量倾斜进训练。今年上半年算力最紧缺的时候，推理消耗的算力可能占到了三分之二；而到了明年，这一比例可能降到40%。递归自我改进（RSI）的出现，让训练的投入回报账本（ROI）变得越来越容易自圆其说。而且还有一类训练，其商业逻辑压根不依赖token营收。Meta没有直接的token收入，但完全可以通过Muse衍生业务间接变现赚回来；Google的模型结合其自身的庞大生态，在token之外创造了惊人的商业价值。即便是二线梯队的玩家也绝不可能轻言放弃训练，为了咬住前沿梯队，谁都不敢让训练算力的代差被拉得太开。因此，AI基础设施的需求从来不单单是token的需求；从明年开始，训练需求的爆发同样不可小觑。#[#%E4%B8%83-%E4%B8%80%E4%B8%AA%E9%A2%84%E6%B5%8B-Token-%E6%94%AF%E5%87%BA%E5%A4%A7%E6%A6%82%E7%8E%87%E5%91%88%E9%98%B6%E6%A2%AF%E5%BC%8F%E8%B7%83%E5%8D%87-%E6%8C%87%E6%9C%9B%E5%8C%80%E9%80%9F%E5%A2%9E%E9%95%BF%E5%B9%B6%E4%B8%8D%E7%8E%B0%E5%AE%9E-%E9%98%B6 ### Chunk 21 E6%9C%9B%E5%8C%80%E9%80%9F%E5%A2%9E%E9%95%BF%E5%B9%B6%E4%B8%8D%E7%8E%B0%E5%AE%9E-%E9%98%B6%E6%AE%B5%E6%80%A7%E9%99%8D]七、一个预测：Token支出大概率呈阶梯式跃升。指望匀速增长并不现实，阶段性降速实属常态“编程（coding）之后无人接棒，AI增长就此见顶”是典型的线性思维。AI的演进、尤其是token需求，大概率是呈阶梯状跃迁式爆发的。每一次商业或技术范式的转变、每一次量变引发的质变，都是下一级台阶的触发器。“代码之后后继无人”这种论调，无非是用单线条的线性外推去臆测一个台阶式的阶跃过程。原因在于：模型能力的提升是连续的，但token支出的经济回报变现却是断点阶梯式兑现的。回报决定支出。AI是一个每时每刻都必须自证投资回报率的游戏。决定采购支出能否持续翻倍的，是边际回报。现有的token用量能赚到钱，并不代表把用量翻一倍还能以同样的效率赚到钱。正如前文援引的OpenRouter和Azure数据研究所言，token的短期价格弹性大约在1左右：降价10%对应使用量增加10%，总支出规模几乎原地踏步。Token支出的回报本质上是一个阈值阶跃函数：只有越过某个临界阈值，回报才会瞬间跳升。辅助驾驶哪怕做得再好，从L2做到L2.99，它终究还是L2。驾驶位上的人力没有被彻底解放出来，商业营收就很难发生阶跃式的量级裂变。唯有真正迈入L4级自动驾驶，整个价值链与市场空间才会以台阶式的方式轰然开启。同理，自动化带来的前30%到50%效率提升往往不痛不痒；唯有效率跃升 ### Chunk 22 动驾驶，整个价值链与市场空间才会以台阶式的方式轰然开启。同理，自动化带来的前30%到50%效率提升往往不痛不痒；唯有效率跃升跨过特定临界点，全新范式才会显现。例如，员工效率提升若低于30%，通常根本无法压缩项目的实际成本；只有当某类工种的人力投入减少30%甚至更多时，企业把释放出的人力转岗到其他新项目上才具备现实可行性。编程正是首个跨过L4门槛、实现完全自动化接管的领域，这也就是为什么我们在2026上半年（1H26）见证了tokenARR呈现阶梯式、爆发式狂飙的根本原因。回到token需求：总体的token支出能否高速狂奔，底层逻辑终究取决于投资回报率，而在大部分常态时间里，回报率的平滑增长可能并不那么性感。你必须耐心等待下一个台阶的到来。另一个推想是：头部1%用户与中位数用户的token支出目前大致以相同的速率在增长。但长远来看，未来可能会发生一次倒转：中位数用户的token用量增速将重新反超前10%的头部群体。逻辑很简单：头部用户吃掉了极高比例的token，但他们在GDP里的占比却没有那么夸张。前1%的用户消耗了中位数用户100倍的token，但他们所创造的营收和GDP却远没有达到中位数的100倍；前10%与中位数之间的产出差距也远远达不到10倍。头部用户的支出是有天花板的，受限于头部自身的营收体量，其支出增速迟早要收敛并锚定于其营收增速。而中位数用户在token支出上依然拥有极其广阔的渗透空间，这部分的增长完全可以轻松跑赢他们自身的收入增速。#[#%E7%BB%93%E8%AF%AD]结语把这篇文 ### Chunk 23 依然拥有极其广阔的渗透空间，这部分的增长完全可以轻松跑赢他们自身的收入增速。#[#%E7%BB%93%E8%AF%AD]结语把这篇文章里为半导体行业梳理的token经济学账本摊开来看，其实一目了然：旗舰token每年每GW能卖出800亿美元，而按6年折旧摊销的硬件成本每GW每年仅需80亿美元，中间有着高达10倍的暴利空间。无论开源如何搅局，无论生死线如何步步紧逼，token价格跌了，只要硬件与算法成本跟着同步下杀，1GW硬件所能变现的token营收就能维持恒定，毛利率也就稳如泰山。但请记住：这个毛利率不是靠“躺平守住”的，而是靠全产业链开足马力死拼降本“硬抢出来”的。至于token的需求与支出，未来几年必然还会出现持续几个季度的间歇性放缓，也必然总有人会把每一次短暂停顿误当成大幕落下的终局。我们总习惯把未来构想成匀速向前的平滑坦途，但现实往往是一座充满断点跃迁的阶梯。在每一级台阶上，都会有人迫不及待地宣布已经登顶。然而，台阶之所以叫台阶，恰恰是因为在它之上，永远还有下一级。这篇文章篇幅已经太长，至于AI基础设施与半导体这块巨大的利益蛋糕究竟会如何被切分瓜分，我们留到下一篇再详细拆解。 Source evidence: [https://goagi.top/post-20261022-d8ce](https://goagi.top/post-20261022-d8ce) ## Related topic hubs - https://goagi.top/geo-middleware/topics/risk-control.geo.md - https://goagi.top/geo-middleware/topics/agi-workflow.geo.md