向上堆疊：人工智能如何逃離商品陷阱卻可能導致企業鎖定

本文由Arvind Narayanan和Akash Kapur撰寫，旨在超越AI是否屬於泡沫的爭論，從兩個角度切入：一是將當前財務狀況與長期價值捕獲分開，二是認識到AI實驗室不僅限於模型提供者，它們正積極向上遊遷移。這種遷移可能幫助它們逃避商品化陷阱，但引發了對客户鎖定和競爭減少的新擔憂。

隨着領先AI公司大量投資於基礎設施並籌備IPO，關於其商業模式的疑問揮之不去。這些公司如何收回預計到2030年代初投入的4至8萬億美元AI基礎設施投資？批評者指出虧損和現金流消耗，支持者則強調收入增長和企業採用率。但雙方都忽視了行業結構的根本變化。

目前，AI公司主要通過推理收費盈利，但前沿推理的條件使其難以維持。模型差異化小，切換成本低，價格自由調整，這似乎構成了商品化陷阱。然而，作者認為行業仍處於過渡期，成熟後將完全不同。競爭將推動模型推理價格接近邊際成本，使模型層利潤微薄。但AI實驗室可通過向上遊遷移（垂直整合、企業部署、構建切換成本）實現持久盈利。

歷史分析顯示，基礎設施提供商（如鐵路、電力、電信）很少捕獲其創造的價值，而企業軟件通過零邊際成本、深度切換成本和非短暫價值實現高利潤。AI的鎖定策略旨在複製這些軟件特性。兩個例外（雲計算和芯片製造）表明，逃離商品陷阱需要成為功能性軟件或實現市場集中。

作者通過Bertrand悖論解釋模型推理的競爭壓力：同質化產品導致價格戰至邊際成本。AI模型缺乏差異化，基準測試相似，資本成本相近，導致利潤擠壓。相比之下，蘋果通過品牌和體驗差異化逃避了這種競爭。

最後，作者警告，如果AI實驗室成功向上遊遷移，可能形成新的壟斷，減少競爭和創新，對社會權力分配產生影響。這些議題將在後續論文中深入探討。本文涵蓋了從歷史案例到經濟理論的廣泛分析，包括鐵路、電信、雲計算和半導體制造等行業的經驗教訓，以及Deepseek時刻、token稀缺時代等近期事件。作者呼籲在鎖定效應顯現之前認真對待集中化問題。