AI大模型烧钱竞赛：前沿实验室的盈利困境与AGI的自我扩散
前沿AI实验室的盈利困境：烧钱竞赛与商业现实
2025年，OpenAI预计实现约130亿美元收入，但总成本和费用高达340亿美元，经营亏损超过200亿美元。这意味着，OpenAI每赚进1美元，就要支出约2.6美元。这种财务压力并非个例，而是整个前沿AI实验室面临的普遍现象。
惩罚性循环：模型竞赛的残酷逻辑
Andrew Ho将当前的模型竞争描述为一种“惩罚性循环”。训练下一代模型需要更多芯片、电力、数据和人才，实验室只有不断扩大投入，才有机会实现能力领先。然而，这种领先只能维持几个月，竞争对手会迅速推出水平接近的闭源模型，开放权重模型也会继续追赶。率先突破的实验室承担了探索能力的全部成本，上一代能力却可能很快变成价格低廉、随处可得的商品。
最近发生的两件事正好展现了这种压力：GPT-5.6系列在7月9日发布，三周后OpenAI便将Luna的API价格下调80%、Terra下调20%；而就在此前几天，月之暗面开放了2.8万亿参数Kimi K3的完整模型权重，允许第三方自行部署和继续开发。前沿实验室几乎没有停下来的空间。
能力领先的商业价值：保质期越来越短
即使保持能力领先，这种领先也不会自动转化为商业收入。一项新技术出现后，人们通常需要很长时间才能推出符合市场且能长期获利的产品。Andrew甚至认为，即使模型能力停留在今天的水平，社会也可能需要20年以上才能将大语言模型充分整合进日常生活。这意味着，前沿实验室既要持续承担越来越高的研发成本，又可能要等待多年才能看到新技术大规模落地带来的收入。
Dwarkesh Patel则持不同观点。他承认，如果模型能力增长真的越来越慢，那么前沿实验室的估值确实难以成立。但他相信，模型能力仍会以足够快的速度向前推进。在快速进步阶段，能力领先三个月意味着产品功能的明显跃升。例如，三个月前模型只能生成代码，而三个月后可以独立完成调试和部署。只要领先模型能够完成竞争对手无法稳定完成的任务，用户就可能愿意支付数倍价格。
然而，模型价格本身也在快速下降。斯坦福大学《AI Index 2025》显示，达到GPT-3.5水平的模型推理成本，从2022年11月至2024年10月下降了超过280倍。模型公司必须在竞争对手追上之前，尽快把能力优势转化成收入，然后继续投入下一轮训练。随着竞争加剧，领先能力的“价格保质期”正变得越来越短。
AGI的自我扩散：技术落地的另一种可能
在技术扩散问题上，Andrew看到的是时间上的错位：训练成本需要立刻支付，经济回报却需要等待企业慢慢改造组织。Dwarkesh则认为，这种判断低估了AGI与过去技术的根本差异。
数字员工：AGI的主动适应能力
如果AGI真的相当于“运行在服务器上的人类”，它就不会像普通软件那样等待企业为它设计完整的部署流程。它可以自己阅读公司的云盘和内部文档，了解组织结构，观察同事如何工作，主动询问哪里需要帮助，并逐渐接管更复杂的任务。它还可以将一个AI员工学到的经验迅速复制给大量实例，让其他“新员工”省去从头培训的过程。
Dwarkesh将这种AGI类比为一名高技能、有经验、具有创业能力的移民。一个人进入陌生社会后，会主动找工作、学习规则、建立关系，也可能创办自己的公司。他不需要等待整个社会先为自己准备好使用说明。AGI同样可以做到这些，而且复制成本更低。
技术扩散的加速：从组织改造到招聘过程
按照这套逻辑，当前AI进入企业的速度仍然缓慢，可能意味着模型能力还不够强。只要模型仍需要人类替它拆解任务、清洗数据、连接系统和检查结果，它就仍然是一项需要部署的工具。等到AI能够自己完成这些工作，技术扩散可能从一项持续数十年的组织改造，变成一次快速增加“数字员工”的招聘过程。Dwarkesh认为，引入一个经过安全验证、可以直接复制的AGI，甚至可能比招聘、培训和管理一名人类员工更加容易。
奇点到来之前：可能的出路
评论区有人指出，即使AGI没有立刻出现，前沿实验室的商业模式仍有两条可能的出路。
成本端：向芯片产业链上游移动
OpenAI、Google等公司正在向芯片产业链上游移动，希望通过定制芯片和自建基础设施，降低生产单位智能的成本，减少被芯片和云计算供应商拿走的利润。例如，OpenAI与博通合作开发定制芯片，Google的TPU已迭代多代。这些举措有望在长期内改善成本结构。
收入端：规模效应的潜力
大模型具有传统企业不具备的规模效应。一种能力只需训练一次，便可以同时出售给数百万用户。如果模型在编程、制药、金融或法律等高价值领域取得突破，巨额训练成本就可以由大量客户共同分摊。例如，GitHub Copilot的订阅模式已经证明了这种潜力，而未来更强大的模型可能带来更高的付费意愿。
结语：争论的启示
这场争论揭示了前沿AI实验室面临的深层矛盾：一方面，模型能力的快速进步需要持续巨额投入；另一方面，商业回报的兑现却存在时间差和不确定性。Andrew的悲观源于对成本曲线和扩散速度的冷静分析，而Dwarkesh的乐观则基于对AGI本质的激进想象。无论哪种观点正确，一个不争的事实是：AI行业的商业模式正在经历前所未有的考验，而答案或许只有时间能给出。对于从业者和投资者而言，理解这场争论的实质，或许比预测结果更为重要。
