AI越便宜，为什么实体经济反而更重要了？

很多人讨论AI，还习惯沿用互联网时代的尺子：谁的用户最多，谁的流量最大，谁最有机会成为下一个平台。

但读完a16z的两份报告，再看卡兹克的解读，我觉得需要换一把尺子。AI的使用情况，正在透露一种不同的经济结构：人们为它付的钱，可能对应购买生产能力；产品获得的用户，可能同时带来持续发生的计算成本；智能价格下降，也可能扩大芯片和电力的需求。

这些变化放在一起看，才能理解为什么一种看起来如此虚拟的技术，会让实体经济重新变得重要。

先看谁在付钱：AI正在进入一部分人的生产预算。

a16z第七版消费AI报告中，美国样本里AI付费者最高支出的1%，贡献了19.5%的观察支出。他们更偏向购买自动化、开发和创作工具。按消费支出排列的前50个产品中，有29个没有进入网页或移动流量榜。报告原文

这组数据的意义，比“少数人花钱很多”更值得关注：付费意愿可能由具体工作的价值驱动，一个服务人数较少的工具，也可能获得足够强的付费需求。样本支出不能当作公司总收入，但它提示我们，流量大小与商业价值之间，需要多看一层用户在做什么。

卡兹克由此讨论AI作为生产资料的意义。我更关注它带来的身份变化：一个用个人银行卡购买开发、设计和自动化工具的人，在账面上是消费者，在实际用途上却可能承担着小型生产者的角色。卡兹克署名转载

当一个人可以按月购买过去需要团队协作才能提供的部分能力，消费软件、企业软件和专业服务之间的边界，就可能发生变化。竞争也可能从“卖给多少人一套工具”，向“帮用户完成多少有价值的工作”扩展。

这是我从使用结构得到的推论。付费记录不证明每个人都实现了盈利，却让我们看见，一部分AI需求已经进入了生产活动。

再看成本：AI的用户增长，不能直接套用互联网的利润逻辑。

传统互联网里，一篇内容制作完成，软件的一项功能开发完成，服务更多用户往往可以摊薄前期成本。平台再通过广告或交易，把规模变成收入。当然，带宽、存储、审核和交易处理都有成本，“复制便宜”并不等于整个平台零成本。

AI生成新的回答、代码或视频，通常还要执行新的计算。训练和研发可以摊薄，缓存、批处理与模型优化也能降低服务成本，但大量个性化任务仍会持续占用算力。

因此，一个AI产品获得更多活跃用户，既扩大了收入机会，也可能扩大推理支出。尤其是在统一订阅价格下，用户越重度，收入未必同比增加，服务成本却可能继续上涨。

这就改变了“先免费扩大规模，以后再变现”的难度。a16z在报告中观察到，订阅和额度收费仍是消费AI产品的主要收费方式，并把模型成本作为解释之一。商业模式部分

我的理解是，这些产品需要同时经营用户需求和计算成本。用户愿意付多少钱，要与完成相应服务需要多少成本相匹配。规模仍然重要，但产品必须能够从新增使用中留下收益。

那么，智能变便宜以后，总支出会下降吗？

《State of Markets II》把单位智能成本下降与算力需求扩张放在一起讨论。卡兹克借杰文斯悖论解释这一现象：效率提高，可能使更多用途变得经济可行，最终扩大资源消耗。报告PDF，第34—35页

可以用一个假设例子理解。每项任务需要10元时，只做10项，总支出是100元。成本降到1元后，原来不值得做的任务也能做了；如果使用扩大到200项，总支出就变成200元。数字只是机制示意，不是市场预测。

关键在于降价释放了多少新需求。价格下降本身不会必然增加总消耗；只有新增用途和使用规模足够大，才会超过效率提升节省的资源。

Agent让这件事尤其值得观察。一项工作可能包含检索、推理、工具调用和反复处理，模型也可以嵌入后台，持续承担过去没有经济条件自动化的任务。需求增长可能来自同一批用户做得更深，也可能来自新的工作进入AI的使用范围。

所以，AI的总需求不能只看新增了多少聊天用户，还要看每个用户把多少工作交给了它。这里也有一个更深的变化：当机器成为模型服务的调用者，需求不再严格受一个人每天能聊多久的限制。

这又会改变商业模式：Agent可能参与交易，而不仅是吸引注意力。

互联网广告通常把用户的注意力交给广告主；交易平台则通过撮合成交收费。能协助选择并执行购买的Agent，有机会进入更接近成交的环节：从理解需求，到比较方案，再到完成交易。

这可以提供订阅以外的收入来源，但也意味着利益关系需要重新安排。Agent获取收益，可能依赖用户是否成交、成交金额，或者商家的合作条件。它服务用户意图的能力，和它引导交易的商业激励，需要放在一起判断。

原报告把个人Agent的交易收费作为潜在方向，并明确说明文中两款相关产品当时尚未实施抽佣。原文说明

因此，我认为值得观察的是：谁能进入用户真正有价值的决策与执行环节，谁能建立可持续的收费方式，又能把计算成本控制在合理范围。流量是入口，用户正在完成的工作和交易，可能更接近最终的收入来源。

最后把钱的流向连起来，实体经济的位置就清楚了。

用户把AI用于更多工作，应用和模型服务需要计算能力；算力扩张进一步需要芯片、内存、网络、电力、散热与数据中心。a16z描述的另一面，是大型科技公司的现金流正在支持这轮建设，资金沿产业链流向基础设施供应者。市场报告说明

这里同时有需求和融资两条线。今天的用户付费并不一定已经覆盖全部建设支出，既有业务利润和融资也在支持供给扩张。因此，设备订单增长与应用端盈利，并不必然同时发生。

对实体经济，我的思考是：随着智能服务更容易获得，承载它的互补要素可能变得更稀缺。模型升级可以很快，电力接入、先进芯片制造和大型设施建设却需要不同的时间尺度。

IEA对AI与能源的分析也指出，电力、并网、制造能力和芯片供应面临瓶颈。IEA报告

这意味着，有些企业的价值可能来自可靠供电、设备交付和稳定运行这些具体能力。软件能创造需求，需求最终能否兑现，还要依赖实体系统承接。技术扩张的速度，开始更多地受到物理世界的交付速度影响。

实体经济与AI还存在另一层关系：工厂、能源企业和物流系统，也可以把AI用于设计、调度、维护与生产优化。IEA同样讨论了这些应用的潜力。工业应用部分

由此推论，实体企业可能通过两种途径获得增量：为AI提供基础设施，或把AI变成自身的生产能力。后者能否产生收益，取决于行业数据、设备条件和流程能否配合。传统企业积累的知识，也可能成为智能技术发挥作用的必要条件。

这并不意味着所有实体行业都会普遍受益。供给扩张仍会改变稀缺程度，设备订单也需要对应持续的最终需求。判断价值最终留在哪里，还要看交付能力、竞争和收入是否足以覆盖长期成本。

把使用结构、边际成本和资金流向连起来，我得到的心得是：AI正在改变人们购买能力的方式，也在改变生产能力背后的资源分配。

当智能变得更容易获得，经济活动中的约束不会自动消失。它可能从“谁能完成这项认知工作”，转移到“谁掌握真实需求、行业条件，以及支撑规模化生产的实体资源”。

AI越便宜，更多事情越值得去做；更多事情真的被做起来，物理世界的重要性就会更加清晰。