向上堆叠：人工智能如何逃离商品陷阱却可能导致企业锁定

本文由Arvind Narayanan和Akash Kapur撰写，旨在超越AI是否属于泡沫的争论，从两个角度切入：一是将当前财务状况与长期价值捕获分开，二是认识到AI实验室不仅限于模型提供者，它们正积极向上游迁移。这种迁移可能帮助它们逃避商品化陷阱，但引发了对客户锁定和竞争减少的新担忧。

随着领先AI公司大量投资于基础设施并筹备IPO，关于其商业模式的疑问挥之不去。这些公司如何收回预计到2030年代初投入的4至8万亿美元AI基础设施投资？批评者指出亏损和现金流消耗，支持者则强调收入增长和企业采用率。但双方都忽视了行业结构的根本变化。

目前，AI公司主要通过推理收费盈利，但前沿推理的条件使其难以维持。模型差异化小，切换成本低，价格自由调整，这似乎构成了商品化陷阱。然而，作者认为行业仍处于过渡期，成熟后将完全不同。竞争将推动模型推理价格接近边际成本，使模型层利润微薄。但AI实验室可通过向上游迁移（垂直整合、企业部署、构建切换成本）实现持久盈利。

历史分析显示，基础设施提供商（如铁路、电力、电信）很少捕获其创造的价值，而企业软件通过零边际成本、深度切换成本和非短暂价值实现高利润。AI的锁定策略旨在复制这些软件特性。两个例外（云计算和芯片制造）表明，逃离商品陷阱需要成为功能性软件或实现市场集中。

作者通过Bertrand悖论解释模型推理的竞争压力：同质化产品导致价格战至边际成本。AI模型缺乏差异化，基准测试相似，资本成本相近，导致利润挤压。相比之下，苹果通过品牌和体验差异化逃避了这种竞争。

最后，作者警告，如果AI实验室成功向上游迁移，可能形成新的垄断，减少竞争和创新，对社会权力分配产生影响。这些议题将在后续论文中深入探讨。本文涵盖了从历史案例到经济理论的广泛分析，包括铁路、电信、云计算和半导体制造等行业的经验教训，以及Deepseek时刻、token稀缺时代等近期事件。作者呼吁在锁定效应显现之前认真对待集中化问题。