时至今日，很多 AI 相关的事情都比较明晰了。我觉得可以对模型提供商以及算力资源提供商下一个三年以后回看的结论了。
TD;RL:
- 算法模型本身是一个需要持续投入且同质化严重的产品
- 算法的持续投入和分发受制于上游算力中心的钳制
- 算法更新迭代以 3个月为界限，任何一方停止投入则会被快速追上
- 同理算力中心也是如此，但相比算法本身，硬件的迭代可以慢于算法。
综上，行业的利润最终不会停留在「模型供应商」这个角色，也不会停留在「算力中心」这个角色。假设大家真的愿意为 AI 大量付费，那么利润大概率会重新回到使用场景之上，最终会回到拥有「硬件算力」且拥有场景或特权的某少量公司集团。
模型提供商的窘境
算法本质是一坨参数，然后在海量的数据中去寻找共现关系。训练时则是从一个参数状态 $\theta_{old}$ 去根据数据 $D_{new} + D_{old}$ 转移得到 $\theta_{new}$。 领先的先发者有两个优势，其一为已经得到的参数 $\theta_{old}$，其二为数据，即沉淀的 $D_{old}$ 以及已有的数据沉淀 pipeline。
然而仔细观察会发现这个比拼效率的飞轮有两个脆弱点，其一为新增单位数据数量的边际收益往往远小于初始成本，其二数据积累的 pipeline 随着高薪带来的人员流动会迅速平权。 这意味着飞轮的威力不是递增而是递减的。 同时，还有两个隐含的风险，其一为先发者对于新数据的 pipeline 改进是需要成本的（算力 + 人力 + 试错），同时一旦路线发生变更则积累的 $D_{old}$ 就得大量推倒重建。 其二为竞争对手的「开源威胁」即我个人打不过，那我开放 $\theta_{old}$ 让研究者去为了学术追求去优化我的模型，从而形成新的生态。 同时推理侧也有拱火的态势，即你的特殊模型结构需要自行研究加速支持，而我的因为开源则天然会有研究者去跟进，这里我就省下了成本，同时还树立了口碑。
算力中心的窘境
算力中心的窘境就非常好理解了，大概就是洛阳纸贵的道理。当算力投入成为「政治正确」的事情，那么每个人都是局中不得已的人，最后由“不求回报”的责任和权利不对等的纳税人所承担。 目前此时算力中心正处于「扩张态势」因而没有对模型提供商提供太大的压力，然而可见的未来是愿意付钱的“投资人”和“政客”，尤其是政客开始要求回报或清算时，这个节点会承担巨大的压力。 一方面是下游无法形成有效的收入（订阅制可以但利润不够丰厚，羊毛出在狗身上的商业模式又被大厂把持），另一方面是建立算力中心时的刚性债务与政治承诺（可以不赚但必须盈利）。 双重压力会形成一种负反馈，最终迫使同质化严重的算力变成和光纤一样的基础设施，最终联合被压榨的模型商形成一种「低价 token (推理成本)」 + 卷死大量同行后的「慢研发状态」。
未来
从现在个人每天几百M 的使用体验来看，低 token 成本 + 够用的算法能力是显然会改变用户体验的。 同时根据个人在 GPT 5.5 / Opus 4.5，和目前 sol 5.6 / opus 4.8 fable 的体验来看，5.5 已经达到了一个很好的田点，即即便我这种重度用户用起来其已经触达此轮算法方案的能力上限，更不消说很多普通用户也许 5.4mini 都够用。 另外，值得一提的是 DS 也已经追上了这个田点，DS 的涨价也标志着行业开始度过「烧钱」阶段，要进入可持续的商业落地的方案了。 我的判断是其最终会沦为低毛利 + 基础设施的定位，利润还是由现有掌握场景的厂家把持。