未来 AI 竞争，什么东西最值钱？

讨论 AI 的未来，很容易顺着一张成本表找赢家：GPU 花钱最多，所以芯片最值钱；电力限制扩张，所以能源最值钱；模型越来越便宜，所以应用最值钱。

这几种判断都抓住了一部分，但中间少了一步：花出去的钱，最后由谁赚到，又为什么能一直赚到？

Epoch AI 的一份模型估算了美国 1 GW IT 容量、采用 GB200 NVL72 的数据中心。按 IT 设备五年、设施十四年的资产寿命及资金成本年化，资本成本约占总成本的 89%，电力约占 7%。这是特定假设下的估算，资本成本还包含设施和网络，不能全算成 GPU 折旧，也不代表训练研发、销售等全部 AI 业务成本。

这组数字更值得推演的地方是：当大部分成本已经压在设备和设施上，竞争会越来越围绕一个问题展开：谁能让这些投入产出更多有人愿意付钱的结果？

昂贵的机器，必须遇到有效的工作

机器买回来，即使没有客户，资本也已经占用了。任务排队、网络等待、反复编译、无效重试，都可能让昂贵的设备没有产出相应价值。因此，调度、推理引擎和系统工程会直接影响这门生意的成本。

一个具体例子是 SGLang 在 2026 年 7 月合并的优化：减少反复编译后，同一硬件配置在所测负载下的输出吞吐提高了约 27%。但逐 token 延迟略有变差。提升成立于具体条件，不能简单说所有任务都快了 27%。

这种取舍很关键。为了吞吐把请求攒成大批次，客户可能等得更久；为了让每个人更快收到回答，又可能牺牲总产量。值钱的是在客户能接受的速度和质量下，多交付结果的能力。

电力也不能因为账单占比小就被忽略。IEA 在 2026 年的报告中仍把电网和变压器等供给列为扩张约束。电价低，和设备能否按时接上足够的电，是两回事。前者影响运行成本，后者可能决定整笔投资什么时候开始产出。暂时卡住扩张的资源，即使在成本表里占比不高，也可能有很强的议价能力。

但一个瓶颈赚钱，往往也会吸引更多供给来解决它。今天的稀缺，不自动等于长期的利润归属。

模型越容易替换，真实需求越有分量

可以设想两家 AI 应用。第一家只有一个聊天框，接上谁的模型都差不多。第二家嵌在一个每天有人使用的工作流程里，知道任务从哪里来、做到什么程度算完成，还能看到用户最终有没有采用结果。

如果几个模型在这个任务上已经足够接近，第二家就能比较供应商，把上游降价变成自己的利润，或者更低的客户价格。第一家也能换模型，但用户换掉它同样容易。

因此，未来更有价值的入口，会是持续产生具体任务、拿得到必要上下文、又能收到结果反馈的位置。单纯有流量还不够。用户看过一次演示，没有把下一次工作交过来，这个入口就没有形成稳定需求。

顺着这个逻辑，模型公司有动力向应用和工作流程延伸，应用公司则有动力保留切换模型的能力。双方争的是同一件事：谁离付费需求更近，谁能决定这次任务交给谁做。

这个判断有明确的前提。假如只有一个模型能完成某类高价值任务，换掉它会显著降低成功率，模型提供方仍然有很强的议价权。前沿能力和难以替代的芯片供给，完全可能持续获得利润。“应用会赢”不能脱离能力差距来谈。

最贵的反馈，是知道什么叫做对了

“有数据”也容易被说得太轻巧。一堆聊天记录，未必能告诉系统答案好不好；很多人点了赞，也未必说明一项工作真的完成了。

以修复代码为例，提示词和生成的补丁只是过程。补丁有没有通过针对性测试、审查时改了哪里、合并后有没有引入问题，才更接近结果。持续得到这些反馈，才可能把下一次交付做得更好。

这也解释了领域经验为什么仍然值钱。有人必须判断该解决哪个问题，哪些约束不能破坏，什么证据足以验收。生成能力越便宜，这些判断越可能成为整体流程里跟不上的一环。

不过，反馈本身也有成本和边界：能否合法使用，是否及时，能不能区分模型错误与流程错误。如果每次都要专家花很长时间重新检查，所谓数据优势可能只是把昂贵的人力藏到了后台。

所以数据的价值，要落实到成功率、返工率或者交付成本的改善。积累得多，只是起点。

最后要算的是，一件事做成要多少钱

便宜的 token 会让更多尝试变得划算，但尝试次数增加，不代表完成的工作同样增加。一个 Agent 连续调用几十次工具，最后仍需要人从头接手，就很难仅凭调用价格判断它便宜。

更有意义的账，是把模型调用、工具费用、失败重试、人工审核和返工加起来，再看交付了多少合格结果。这个口径把模型、工程和业务放到了同一张账上：模型更强可以减少失败，系统更好可以避免重复工作，任务定义更清楚可以减少无效探索。

由此可以作一个有条件的判断：随着更多模型达到具体任务的可用门槛，利润会更偏向那些掌握持续需求，并能低成本、可靠地完成它的公司。谁能保留多少利润，还取决于客户换掉它有多容易，以及竞争者能否复制这套交付。

对小团队，这意味着一个明确、反复发生、能够验收的问题，可能比一个覆盖所有事情的聊天入口更值得投入。先证明用户愿意持续把这件事交过来，再看技术和反馈能否让每次交付更省力。

未来 AI 最值钱的东西会随瓶颈移动：有时是按时可用的算力，有时是别人达不到的模型能力，有时是工作流程里的判断与信任。贯穿这些变化的标准相同：能否把投入稳定地变成有用的结果，并且在竞争出现之后，仍有人愿意为你付钱。