向上迁移：AI如何逃离商品陷阱却面临企业锁定风险
向上迁移：AI如何逃离商品陷阱却面临企业锁定风险
本文旨在超越关于AI是否泡沫的争论。我们通过两种方式达成：明确区分当前财务状况与长期价值捕获问题，并认识到AI实验室不限于模型提供商。它们可以向上迁移，且已积极行动。这很可能让它们避开商品陷阱，但引发新担忧——客户锁定与竞争减少。
由普林斯顿大学访问学者Akash Kapur合著。
随着头部AI公司持续大规模投资基础设施，并竞相筹备轰动性的IPO，其商业模式仍存严重质疑。这些公司——连同依赖它们的大量芯片制造商、超大规模云服务商和基础设施合作伙伴——如何收回预计到2030年代初投入的4-8万亿美元AI基础设施投资？
当前讨论分为批评者和支持者。批评者指出亏损加剧、资本支出与收入差距、以及头部实验室烧钱报告。支持者则引用收入快速增长、企业采用率提升以及Anthropic首个盈利季度等里程碑。双方各有道理，但都看错了方向——同样是季度报表，这种短期视角忽略了行业仍处于变动之中。
近几个月来，我们思考AI业务的性质和可持续性，得出了与大多数现有评论不同的结论。目前AI公司主要靠收取推理费用获得收入，但前沿推理的条件使其成为异常难维持的业务。模型大多无差异化，头部实验室资本结构相似，转换成本低，价格可自由调整。这似乎奠定了商品陷阱的条件，对构建高利润率甚至盈利业务构成真正挑战。
同时，我们认为行业仍处转型阶段，成熟后结构将大为不同。基于历史证据与经济学理论，我们论证均衡状态下竞争很可能将模型推理价格推至生成token的边际成本，模型层几乎无持久利润空间。但这并不意味着AI业务本质上不可行。同一分析暗示了AI实验室的出路，引出本文核心论点：
实验室最可能实现持久盈利的路径并非通过基础层（芯片、数据中心、模型）——这些迄今占据大部分投资——而是向上迁移，通过垂直整合、嵌入式企业部署、以及刻意构建转换成本和其他“护城河”的组合。
实验室通过向上迁移捕获价值的策略（许多借鉴自企业软件）已经开始。除了当前AI生态的可持续性，它们引发更广泛的社会担忧——关于竞争、创新以及经济政治权力的整体分配。目前关于AI的公开讨论呈现某种矛盾：一方面担忧垄断集中和失控的市场权力，另一方面转换成本低、模型可互换的现实似乎否定这些担忧。但如果我们的判断正确——实验室将日益向上迁移——那么现在就应该认真对待集中和竞争问题，而不是等到锁定效应显现之后。我们在结论中回到这些更广泛的问题——并在即将发表的论文中深入探讨本文涉及的许多话题。
历史分析：基础设施层往往无法捕获其创造的价值
“AI作为正常技术”框架致力于在适用时从过去的变革性技术中吸取教训。我们认为AI也受制于投资、竞争和价值捕获等类似动力，这些动力塑造了以往技术革新浪潮。因此作为研究的一部分，我们通过更广泛的历史视角审视AI价值捕获难题及实验室可能的应对。
我们考察了六个资本密集型基础设施行业的历史实例（铁路、电力、电信与光纤、云计算、半导体制造、商业航空）。我们认为如今的AI具有许多类似基础设施的特征：大规模资本需求；低边际成本；商品化产品与最终创造价值的应用部分脱钩。这使基础设施成为出了名难做的生意。
但同时，AI是软件，而软件业务历来利润丰厚，利润率极高。该行业怀有软件级别的利润率野心。因此，我们还调查了SaaS的增值和锁定策略，并分析AI能否复制它们。我们的论点是：AI公司的可持续性和价值捕获在很大程度上取决于它们能否从第一组基础设施属性成功迁移到第二组企业软件属性。
总体而言，我们从历史分析中识别出三条对AI有启发意义的教训。第一，基础设施提供商很少能捕获其创造的价值。在铁路、电力、电信和航空领域，建设产能的公司最终要么被竞争、要么被监管、要么被商品化，导致利润率微薄。许多情况下，它们被彻底摧毁。1990年代末电信和光纤建设期间，容量在七年内膨胀了186,000倍，价格暴跌，约2万亿美元市值蒸发。基础设施创造的价值主要流向了建立在它之上的行业和应用。商业航空八十年来一直摧毁投资者资本，因为典型净利润率仅2-4%，通常低于资本成本——尽管各行各业从全球化经济中受益。
我们认为，至少以当前超大规模形式出现的AI，有落入同样商品陷阱的风险——这一陷阱曾困扰众多先前的基础设施建设者。Carlota Perez提出过理论：在“安装期”建设基础设施的建设者很少能幸存下来捕获其创造的价值。
第二，企业软件不受这一模式影响，它通过一套特定且可复制的机制逃离陷阱。基础设施公司挣扎之处，企业软件维持了75%甚至更高的毛利率数十年。它通过结合基础设施业务缺乏的三个属性实现：零边际复制成本、深度转换成本、以及非短暂价值使得固定建设成本可在数十年内摊销。AI实验室的锁定策略最好被理解为试图将软件的这些结构性属性引入AI。
最后，两个部分例外揭示了AI要打破历史赔率需要什么。两个基础设施业务——云计算和芯片制造——成功逃离了商品陷阱。云获得了类似软件的属性（托管服务锁定、流出费用、承诺支出协议），台积电在领先芯片制造领域实现了近乎垄断的地位。这些案例之所以重要，是因为它们展示了逃离商品陷阱实际需要什么。资本密集型行业可以维持持久利润率，但必须要么变得功能上像软件，要么实现市场集中。
为何我们认为收取模型推理费无法收回基础设施投资
如前所述，AI建设的批评者指出实验室当前亏损，支持者则提早期利润，但两者犯了相同错误：将过渡期误认为均衡期。我们仍处于AI经济转型的早期，简单外推是有缺陷的。在均衡状态下，供需双方都将与今天大不相同。
AI实验室迄今起伏的几个例子：大规模且投机性的基础设施建设，可以说超前于需求；Deepseek时刻，开源权重模型几乎追上前沿；企业采用AI代理带来需求激增，通常伴随非理性和浪费的做法（如token排行榜），导致所谓的token稀缺时代；最近，企业重新考虑在前沿模型上的支出，推动竞争性开源生态再次兴起。
这些起伏在上述历史案例中多有对应。铁路最初经历投机狂热（1840年代英国的铁路狂热）。在美国，随着时间推移，需求超过产能，到1860年铁路资本直接和间接年回报率估计达15%——在当时极为巨大。但随着网络成熟，产能赶上需求，竞争挤压利润率，许多铁路公司破产。
因此，为更好预测实验室长期前景，有必要从年复一年、季复一季的财务（及叙事）波动中后退一步，将分析建立于经济学理论。一个关键概念是伯特兰悖论：当企业销售同质化产品（前沿模型推理）时，价格竞争将迫使它们以边际成本出售每个单位（token）。
理论分析之所以重要，是因为历史记录能否预测AI行业命运存在争议。例如，我们的同事Mihir Kshirsagar认为，监管是铁路、电力和电信公司无法提取其基础设施产生的剩余的主要原因，而非将其视为经济学的固有结果。因此，理论给了我们另一个预期利润率被挤压的理由。尽管实践中悖论容易逃脱，但我们认为模型推理包含了产生悖论的条件异常纯粹的版本：
- 模型大多无差异化。至少三家公司——OpenAI、Anthropic和谷歌——成功留在前沿并生产出行为和性能相似的模型。此外，对于越来越多用例，前沿性能并非必需，开源权重模型已经足够好。而且，模型的近乎等价很容易被客户观察或感知到，因为有数百个基准定期评估模型，前沿模型都倾向于聚集在顶部。
- 一个来自其他行业的对比揭示性例子：苹果通过避开伯特兰竞争的这一方面来维持高利润率。它抵制在客观上可观察的性能维度（千兆赫、百万像素）上竞争，而是宣传结果和难以言说的品质（“它就是好用”），并创造强大的品牌差异化。
- 所有供应商都有相似的资本成本。AI知识迅速扩散；模型开发的主要范式——模型缩放、推理缩放、强化学习等——都几乎同步进行。因此，要以给定输出质量生产一个token，所有实验室在训练上花费相似。在假设的未来中，如果前沿移动不那么快，成本将由推理主导，而推理成本往往甚至比训练成本更相似。
- 缺乏地理差异化。在铁路的例子中，零散的本地垄断和受困产能为抵御利润率压缩提供了一定防御。AI推理业务缺乏这种差异化，企业可以有效地服务整个市场。虽然目前可能存在token容量限制，但我们预计这是暂时的。
- 价格可以自由变动，无合谋。铁路和公用事业历史上曾能通过默契或明确合谋保持高价。但AI模型几乎不可能，因为来自次前沿模型的竞争激烈。
- 转换成本极小。即使迁移API的摩擦也很大程度上被提供商无关的路由工具层消除了。（伯特兰悖论背后的理论模型是单次博弈，转换成本不进入等式，但实践中必须考虑。）
对此的一种可能回应是，利润率被挤压多少并不重要，因为AI公司可以靠量补价。但数字行不通。假设净利润率5%（远高于航空业），且需要在五年内收回前述4-8万亿美元投资，结果将需要16-32万亿美元年收入——高端相当于当前全球GDP的四分之一。
采用这种立足于历史和经济学理论的长远视角，使我们能够忽略其他分析师通常依赖的几个因素。目前，我们处于大规模、资本密集的训练运行持续产生更好模型的时期。这迫使实验室留在升级跑步机上，将收入（乃至更多）再投资于训练，承受越来越高的投资。当这台跑步机放慢（并非说AI将停止改进——其他路径如推理缩放和更好工具将存在）时，业务将进入新的均衡阶段，很可能与今天截然不同。在那个状态下，当前主导辩论的三个因素的重要性将远低于现在。
第一个是效率提升驱动的token价格下降，批评者将其视为价格战缩小的证据。我们认为，虽然token价格确实在迅速下降（且这一趋势可能持续），但这未必是实验室的问题。根据需求曲线形状，释放需求可能足以补偿价格下降——即所谓的杰文斯悖论，效率提升导致资源消耗增加（而非减少）。
第二个是token稀缺，支持者将其视为实验室定价权的证据。然而任何稀缺都可能是暂时现象，会通过基础设施投资和算法改进的结合得到缓解或消除。因此token稀缺不太可能让实验室提高利润率。
第三个主导当前话语的因素是支付意愿。批评者有时预测，当实验室结束补贴的低于成本的订阅定价时，需求将消失。但这将支付意愿视为固定量，可从今天外推。长期来看，我们预计AI将成为大多数知识工作的必需部分，这项技术将像工业革命一样具有变革性。在这种规模的转型中，支付意愿可能极其巨大。
换句话说，我们必须区分价值创造和价值捕获。我们预计创造的价值将深不可测。实验室的核心——甚至可能是生死攸关的问题——是它们能否捕获哪怕一小部分价值。一家公司愿意将其从AI创造的价值中的多大份额支付给AI供应商？这不是一个随意外生的数字。它很大程度上取决于AI实验室逃离商品陷阱的程度。
正如我们下文论证的，逃离商品陷阱最可靠的方式是向下游移动（在AI情境中即“向上迁移”）。从销售物理基础设施或产品转向包含服务的捆绑有时被称为“服务化”。例如，随着硬件变得商品化，IBM成功转型为服务公司，最终将其PC部门出售给联想。电信公司也持续努力避免成为“哑管道”，但未成功。价值反而被利用基础设施的应用捕获，导致大型科技公司崛起。我们认为实验室如今面临同样分叉：要么在模型之上的层捕获价值，要么看着别人建立在其建设和付费的基础设施上创造利润丰厚的业务。
实验室的应对方式
总结到目前为止的论证，我们的历史分析和经济学理论表明，逃离商品陷阱只有两条可行路径：建立对市场的垄断性控制，或在更高层捕获价值，通常伴随更高的转换成本。
我们认为第一条路径不太可能，前沿将保持竞争性。AI例外论的支持者可能不同意，预测一种史无前例的发展：能力不连续性如此剧烈，以至于彻底重塑竞争格局。在这种“硬起飞”场景中，一个或多个实验室实现递归自我改进，使当前经济学基本无关。
在我们的完整论文中，我们论证了为什么这种场景极不可信。目前我们指出，许多政策制定者、投资者和其他利益相关者不倾向于押注这种可能性，而必须为不实现的情况做计划。
这使向上迁移成为最可能的路径。我们认为AI公司充分意识到商品陷阱；它们正全力转型，超越纯推理供应商（即通过模型API销售无差异化token），并寻求在更高层捕获价值。我们处于这些努力的早期，许多新且更系统的策略很可能出现（我们在下一节考察一些）。但一些努力已经明显。
像ChatGPT或Claude Code这样的产品位于模型之上的层。产品不像模型那样可互换，原因包括技术、合同和行为等多方面，我们在下一节讨论。就OpenAI而言，ChatGPT（而非OpenAI API）长期以来占其收入的大部分。Anthropic在2026年初的收入仍由API主导，但随着Claude Code的爆炸性增长，这种情况可能不会持续太久。
栈中的下一层是AI原生SaaS或“智能即服务”，实验室已在这方面做出早期动作：ChatGPT的公司知识功能，以及Anthropic关于记录系统中代理的愿景。然而，这一层是实验室最容易受到现有SaaS巨头（尤其是微软）攻击的地方。
AI公司还在追求定制部署和工作流重新设计——通过前沿部署工程师和咨询公司合作。这不太符合栈的层次结构。栈假设了一个均衡状态，其中工作场所已通过AI转型，而这一类别涉及试图将转型本身货币化。
价值捕获最具投机性且可能更有利可图的途径是栈的顶层：AI代理作为“数字工作者”的理念。许多公司一直在宣传这一理念。也许主要AI公司第一个被设计为像数字工作者而非工具运作的产品是2026年6月发布的Claude Tag。一个嵌入公司每个团队的数字工作者很快成为整个组织的隐性知识库，成为不同团队工作流和业务流程的关键。除非明确构建可移植性，否则它变成实际上无法被解雇的数字员工，造成比最糟糕的企业软件更强的锁定。当公司销售数字工作者时，总可寻址市场是整个经济的劳动力支出，远大于公司的IT预算。但正因如此，这一愿景可能面临企业最强烈的抵制。
图1展示了正在进行的一些努力。注意，栈描述的是客户支付的对象，而非计费单位。token定价可在栈的任何层使用，其他单位（订阅、结果）可在高层组合或替代使用。决定商品陷阱是否适用的是每层提供的价值类型，而非定价模型。我们在下一节更详细地讨论定价策略。
本文的一个关键见解是，在栈中上游运营的公司可以捕获更多其创造的价值。它们能更好地差异化产品并构建各种护城河（如下所述），其中许多可以说是新颖的，且比企业软件曾拥有的更强大。
一个重要提示：对于AI实验室，尤其是OpenAI和Anthropic，要向上迁移，它们必须与拥有许多优势（尤其是现有分销渠道和深入的企业客户关系）的更大现有玩家竞争。谷歌可以轻松地垂直整合到其现有消费产品线中。SaaS现有玩家，尤其是微软，正押注它们能比AI实验室更快破解“智能即服务”模式。这种不均衡重塑了AI生态的竞争动态，并指出了试图攀登价值栈的关键参与者之间的重要差异。
向上迁移打开了多样且强大的护城河
向上迁移如何使公司逃离商品陷阱？答案并非仅仅是高层创造更多经济价值。而是它们使价值变得可捕获且持久：在栈中上游运营允许实验室区分其产品，并构建原始推理销售商（即API提供商）无法获得的锁定和转换成本。它们有效地让AI公司逃离了作为伯特兰悖论核心的缺乏差异化。向上迁移不仅是新产品策略；它们是构建护城河的策略。在这一节，我们考察几种不同的护城河——一些实验室已经在构建，一些可能在未来构建。
为了识别当AI公司从模型层向上移动时哪些护城河会开启，我们考察了企业软件公司如何产生定价权并捕获价值，然后分析哪些策略可能适用于AI公司以及哪些新策略变得可用。
在深入之前，我们注意两个重要细微之处。第一，虽然护城河是保护市场份额免受竞争的方式，但我们兴趣在于分析AI公司捕获其为客户创造的价值的能力。尽管如此，涉及策略大致相同，因为两者都需要避免价格战。
第二，我们的分析侧重于企业市场，因为我们认为它将占收入的大部分。OpenAI最近转向这一方向，而Anthropic一直专注于企业。虽然广告驱动的消费产品未来可能成为重要收入流，从而在逃离商品陷阱中发挥作用，但这并不削弱我们关于企业护城河的论点。
1. 嵌入护城河：AI模型是客户在工作流中调用的东西。但另一种愿景是客户栖息的系统。后者更有利于构建护城河。
即使底层模型保持可互换，围绕特定客户累积的状态可能不会。随时间推移，该状态累积：持久记忆和对话历史、上传的文档库和检索索引、自定义技能或评估套件、工作流和业务流程、以及各种形式的微调或定制。这种“数据引力”是企业软件粘性的重要组成部分，也是为什么替换它被描述为“开心手术”。
OpenAI（公司知识）和Anthropic（Claude Cowork，与PwC合作）已经在追求这些途径。这些策略的持久性仍是一个开放问题。一个复杂性是，有助于构建护城河的数据通常位于公司服务器上的现有系统（如Salesforce、Workday、SAP）中，AI实验室基本无法访问。为克服这一点，AI公司可以通过控制代理占有的编排层来构建护城河，从而有效提供绑定组织工作流的连接组织。然而，如果开放标准使编排层保持薄且可更换，价值最终可能流向代理集成商和企业，而非实验室本身。
2. 生态系统护城河：像Windows、GitHub和SAP这样的企业软件都受益于一个事实：随着它们获得更多客户或在其平台上构建的开发者，平台价值增长。AI市场尚未表现出强大的生态系统护城河。实验室已尝试在AI作为平台之上创建双边市场，但迄今为止要么不成功（GPT商店），要么太薄而无法产生有意义的转换成本（Claude插件）。
一个被广泛讨论但尚未实现的网络效应是“飞轮”——使用客户IP训练AI模型或系统，无论是数据、代理执行的环境、这些代理的执行轨迹、还是私人评估套件。到目前为止，企业对允许其IP以这种方式被AI开发者使用持谨慎态度，但这未来可能改变。毕竟，每个行业只需要一个（适当激励的）客户叛逃就能启动飞轮。
3. 商业护城河：这一类别涵盖一系列熟悉策略，主要借鉴自企业软件和云计算。商业合同可以包括各种机制（多年协议、承诺支出层级、预付额度），使得叛逃到竞争对手不经济。实验室已在其企业协议中部署其中一些机制，但这一护城河的持久性也值得怀疑。精明的企业采购团队会在签署前要求可移植性，合同锁定对反垄断监管机构非常明显。
垂直整合提供了相同商业逻辑的更强版本。当AI助手被捆绑到企业已付费的软件中（Microsoft 365中的Copilot、Google Workspace中的Gemini），AI的边际成本似乎为零，使得独立竞争对手难以在价格上竞争。整合玩家还可以利用现有销售和采购关系：不是赢得新的预算线，而是简单地将AI融入客户已承诺的软件续订对话中。当然，这一策略只适用于像谷歌和微软这样的整合现有玩家。如上所述，这意味着像OpenAI或Anthropic这样的独立实验室必须在结构上不平等的竞争环境中竞争，通常从它们正对抗的公司那里租赁基础设施。
4. 行为护城河：虽然上述护城河通过技术或商业机制运作，行为护城河通过使用AI系统的人运作。类似于早期企业软件浪潮（Microsoft Excel、CRM系统），AI工具的使用可能导致无法独立完成任务的能力侵蚀，同时建立特定于供应商的驱动代理产品技能，产生依赖。这是一个社会风险可能尤为严峻的领域，超出了对价值捕获的影响：技能侵蚀可能对劳动力韧性、安全以及人与AI系统之间的权力分配产生深远影响。
但行为护城河还包括新颖且理解不足的AI锁定形式，在早期软件中不存在。一个显著表现是对模型语气或“个性”的关系性依恋，如#Keep4o反弹生动展示——OpenAI被迫响应用户要求恢复GPT-4o。更具推测性的是，对于协作性知识工作（如写作或判断密集型工作，而非自动化），AI贡献的质量即使事后也很难被买家验证，因为没有客观标准。这使得此类工作成为所谓的信誉商品，类似于律师和顾问。无法比较质量，信誉商品的买家倾向于依赖声誉和信任。这抑制了价格竞争，即使转换的技术成本接近零，也延缓了切换。
5. 定价策略：这一路径与上述路径互补或叠加，描述了实验室在实现锁定并能行使定价权后可能捕获更多价值的方式。思路是实验室可能通过按结果收费（节约成本的百分比、每解决一张支持票的费用）而非按token收费来克服商品陷阱。这正是OpenAI CFO Sarah Friar声明“收入应与智能价值成比例”背后的明确论点。
然而，这在短期内不太可能。结果定价需要解决一个具有挑战性的衡量问题。实验室尚未建立衡量和理解客户业务流程的基础设施，也无法跟踪——更不用说定价——不同结果。缺乏这种可见性，结果指标容易激励双方钻空子：每解决一张票的费用激励客户将多个问题塞进一张票，并激励供应商在不一定修复的情况下关闭票。此外，结果因垂直行业和企业而异，AI实验室缺乏SaaS供应商花数十年建立的嵌入式客户团队，以获得这种下游可见性。尽管如此，一些AI公司正试图在这方面创新。如果AI实验室能够迁移到记录系统，通过足够投资，这些挑战会变得可处理。
转变的更广泛影响
我们分析提出的问题对AI经济的未来有重大影响，但远不止于任何单个AI公司的前景。它们涉及数字市场的结构、经济权力的分配以及AI可能产生的创新生态系统类型。
如果实验室未能逃离商品陷阱，后果主要是财务上的：经济史上最大资本建设之一可能爆发信心危机，通过更广泛的科技领域和整体市场产生涟漪效应。但若成功——特别是如果它们成功增加转换成本并建立客户锁定——后果看起来不同，且在某些方面更令人担忧。这将提高每个依赖AI的企业的成本，并使少数玩家处于结构性优势地位，后来难以挑战。
在相关护城河硬化之前，现在似乎值得认真对待几个问题：
- 实验室能否在不排除竞争、不重复先前有害集中模式的情况下建立可持续业务？
- 对投资者和AI公司有效的策略能否也产生更广泛的社会价值，还是AI中的价值捕获以牺牲周边生态为代价？
- AI的收益会是分散的（主要归属于部署它的企业和更广泛的经济）还是集中的（大部分被超大规模云服务商、前沿AI实验室、SaaS现有玩家和投资者捕获）？
这些问题仍有很大不确定性，但历史表明，建立互操作性标准、可移植性要求和转换成本透明度的时间点要早，在锁定加剧且干预结构上变得更困难之前。幸运的是，美国FTC和英国CMA等竞争监管机构正在关注这一领域，但迄今为止似乎将分析重点放在栈的底层。我们的分析表明，它们必须拓宽视野。
感谢Sayash Kapoor对初稿的反馈。
延伸阅读
虽然我们论点的许多方面至少有一定新颖性，但“无护城河”论点本身并不新鲜。其首次突出表述（据我们所知）可追溯到三年前一份泄露的谷歌文档。许多评论者如Gary Marcus、Ed Zitron和Cory Doctorow一直坚持这一观点或其变体。
我们分析中可能新颖的是从历史类比中汲取，并显示模型推理匹配毁灭性竞赛的先决条件甚至比那些先例更好。我们与预测泡沫者确实不同之处在于认识到：(1)AI栈相当厚实，商品陷阱仅适用于模型层；(2)实验室敏锐意识到问题；(3)并一直在拼命迁移以摆脱它。
许多其他人对实验室持悲观态度，包括Benedikt Evans以及Luis Garicano和Jesús Saa-Requejo。后者认为价值捕获将发生在价值链顶端（硬件和物理提供商，因为计算瓶颈）和执行层（模型被用于工作之处，制约因素是组织而非技术）。我们基本同意。但他们得出结论实验室无法捕获太多价值。隐含假设似乎是实验室仅限于模型供应商，在我们看来这是日益过时的观念。
Semianalysis认为，由于计算稀缺，实验室将能维持高毛利率。我们认为这是暂时状态。
最接近我们思路的是普林斯顿CITP同事Mihir Kshirsagar，他就此主题撰写了四篇文章系列。虽然我们受益于与Kshirsagar的对话，但我们的思路大体独立发展，有许多一致点和一些分歧点。与Kshirsagar一样，我们认为如果没有锁定的承诺，快速AI建设在经济上不合理。他的分析将超大规模云服务商与AI实验室之间的联盟（如微软-OpenAI、亚马逊-Anthropic）确定为锁定的主要载体，这与我们的诊断略有不同。
Nathan Lambert提供了一种可能的结局图景——双层AI经济，处于知识工作前沿的客户为基于领先实验室前沿模型的“向上栈”产品和服务支付高溢价，而其他人满足于开放模型生态。他一个预测比我们更尖锐：前沿实验室将让API业务衰退以保护其更高利润率的产品。