2
0这两年，AI几乎成了所有科技讨论的“背景音乐”。但真正值得警惕的，是我们很容易把它当成一次短期风口：模型更聪明了、算力更贵了、资本更疯狂了——于是话题就停留在“热不热”“泡不泡”。
a16z最近的一场分享里，马克·安德里森（Marc Andreessen）给了一个完全不同的切入点。
马克·安德里森是硅谷最具影响力的互联网创业者与风险投资人之一，曾共同开发早期广泛普及的图形化浏览器 Mosaic，并联合创办 Netscape，推动互联网走向大众化。此后他与 Ben Horowitz 共同创立风险投资机构 Andreessen Horowitz（a16z），长期投资并塑造了多代关键科技公司与产业趋势。
在这次分享中，他不是在讨论“这波AI会不会退潮”，而是在画一张更长周期的未来地图：AI会把钱从哪里吸来？权力会落到谁手里？产业结构会变成什么样？
如果只用一句话概括他的核心判断，那就是：
这不是互联网的下一波浪潮，而是一场酝酿了近80年的技术革命，正在进入兑现承诺的阶段。
听上去夸张，但恰恰是理解当下争论的钥匙。
一、别把AI当“新科技”：它是一场80年长跑的最后冲刺
很多人会下意识觉得：AI是这两年突然火起来的，真正的起点是ChatGPT。
安德里森的说法更“拉长镜头”。他把时间线往回推到计算机科学的源头，并指出在 1930年代，计算机其实站在一个岔路口上：
·一条路：把机器做成“超级高效的加法器”，也就是更快、更强、更稳定的计算设备。这条路线成为主流，塑造了IBM等公司，也塑造了我们过去几十年对“电脑”的典型印象——数学能力极强，但你跟它说话，它听不懂。
·另一条路：不让机器做数学题，而是尝试模仿人类大脑的结构。这条路线当时更像“科幻”，后来长期被搁置，但它对应的概念我们今天很熟悉：神经网络。
他还提到一个很有画面感的细节：关于神经网络的关键论文，在 1943年就出现了；而论文作者之一甚至在 1946年的电视采访里预言“未来计算机一定会基于人脑模型构建”。
这条路线后来经历了多次沉浮、几次“AI冬天”，在某些阶段甚至被视为死胡同。但就是有一批人没有放弃。直到ChatGPT这样的里程碑出现，世界才集体意识到：那条被长期搁置的路线不仅走得通，而且潜力巨大。
所以，今天的“爆发”并不是凭空发生。它更像是——一场长周期科研与工程积累终于跨过临界点，进入兑现阶段。
二、AI到底烧不烧得起？多数人把账算错了
AI最常见的质疑只有一句话：太烧钱了，这商业模式怎么可能成立？
安德里森的回应很直接：很多人只盯着成本，却严重低估了需求与收入潜力。他把“经济账”拆成两端：消费端与企业端。
1）消费端：AI有一个前所未有的“分发优势”
电力、电视这些通用技术的普及，往往需要几十年。AI不一样，它直接站在互联网之上，可以在极短时间触达全球用户。
这意味着：AI的扩散速度，本身就会重写商业化路径。
他还观察到一个看似离谱但很现实的趋势：一些AI公司正在尝试极高价订阅——比如每月200甚至300美元。
听起来贵，但它的逻辑是：用更高客单价换取更强现金流，持续投入研发，做出真正“顶尖”的产品，然后服务那批愿意为高质量付费的专业用户。
2）企业端：商业模式更干脆——按 token 付费
在企业端，他认为商业模式反而更清晰：按token计费。
你可以把token理解成“智能的计量单位”。企业调用模型处理文本、生成图片、改写邮件、辅助客服，本质上是在按消耗的智能单位付费。
这不是玄学，也不是“概念”，而是一种非常可结算的交易结构：
·你想把客服满意度提高5%；
·你想让营销邮件点击率翻倍；
·你想把销售话术、投放素材、产品文档变得更高效……
只要这些提升带来的收益大于token成本，这笔账就成立。
企业真正关心的不是“AI酷不酷”，而是ROI：智能到底值多少钱。
三、最关键的变量：智能单位成本正在“超级通缩”
整场分享里，安德里森最核心、也最具争议的一点，是他对成本曲线的判断：
AI的单位成本下降速度，可能比摩尔定律还快。
他把这个过程叫做“超级通货紧缩”。意思是：同样的智能能力，会在更短时间内变得更便宜。便宜到超出我们对硬件时代的直觉。
这会引发一个经典反驳：可我们每天都在听新闻——GPU很贵、很缺、甚至被少数公司垄断，成本怎么可能降得下来？
安德里森的回答是：这种担心更多是短期视角。长期看，几个变量会同时推动成本下行：
1.资本正在以极大规模涌入芯片制造、数据中心等基础设施领域，供给会被快速拉升；
2.在传统产业里常见的规律是：短缺会引发扩产，扩产会带来成本下行；
3.很多人忽视了硬件的“寿命”：GPU并不是一年就报废的设备。若硬件可用多年，那么今天投入的基建成本，会在更长周期里持续摊薄，提供越来越便宜的算力。
换句话说：争论的关键不在“今天贵不贵”，而在于“成本曲线是否会持续陡峭下行”。安德里森押注的是后者。
四、产业格局不是“赢家通吃”：少数巨型模型 + 海量小模型共存
当成本下降、能力扩散，产业结构会变成什么样？
安德里森的图景是一个“金字塔”：
·顶端是少数超级强大的巨型模型，像“上帝模型”一样不断冲击智能上限；
·底部和中部则是海量更小、更便宜、更易部署的专用模型，被嵌入到手机、汽车、家电、门锁等各种实体产品里。
支撑这种结构的机制，是他提出的“追赶函数”：大模型开疆拓土，小模型快速复制普及。
他的观察是：一个顶尖大模型费尽心力实现的新能力（比如更强推理），往往在 6到12个月后，就会被更小、更便宜的模型复制出来。
原因有两类：
·知识传播速度极快（论文、工程经验、开源生态）；
·训练技巧与算法持续优化，让小模型用更少资源达到过去大模型才能达到的效果。
这也解释了为什么“模型能力”不像传统硬件那样形成长期垄断：领先者确实领先，但领先成果会快速扩散。
最终结果不是单一路线，而更可能是：顶端不断突破，底部迅速普及。
五、开源 vs 闭源：不是商业选择，而是“人才供给”的结构性问题
谈到开源和闭源，很多人习惯把它当作“商业模式之争”：OpenAI更闭源，Meta更开源，谁能赚更多钱？
安德里森的落点更深：开源的最大价值，是解决AI发展里最根本的瓶颈之一——人才短缺。
为什么？
因为最好的AI学习材料，往往不是教材，而是最先进的模型本身。当开源模型被公开，全世界任何有天赋的年轻人都可以下载、研究、修改，相当于把“最顶尖的武功秘籍”免费公开。
这会以远超传统教育体系的速度，培养下一代AI工程师与研究者。于是，开源不仅是技术路线，它会变成生态结构的一部分。
六、中美竞赛：外部竞争正在重塑政策与创新环境
当讨论走到全球层面，安德里森提到中美竞赛。
他认为这和过去美苏冷战不同：中美在经济上深度捆绑，但地缘竞争又极其现实，因此这更像一场“双马竞赛”。
他还提到一个值得玩味的政策推论：当华盛顿的决策者意识到这不再是“美国公司自己玩的单马竞赛”，而是“真正的双马竞赛”时，美国国内那些可能扼杀创新的极端立法风险，反而可能下降。
原因很简单：当竞争压力足够大，首要任务会变成“不能落后”。从这个角度看，竞争客观上可能加速全球AI技术发展，并改变监管议程的排序。
七、最后的关键问题：别听人们怎么说，要看他们在做什么
在结尾，安德里森借用了社会科学里的经典观察：
如果你想了解人们的真实想法，是去问他们，还是去观察他们的行为？
在AI问题上，两者的差异巨大。
如果你做民意调查，你会听到大量恐慌：担心失业、担心失控、担心反乌托邦。但如果你观察现实行为（显示性偏好），你会看到几乎相反的景象：
人们在用AI写工作报告、做方案、改邮件、处理情绪问题、甚至做健康建议——它已经在以各种方式渗透到日常生活里。
于是，一个更尖锐的问题被抛给所有人：
当你判断AI的真正走向时，你更相信媒体上那些充满焦虑的标题，还是更相信你身边不断发生的真实使用行为？
结语：判断AI，不要只盯“情绪”，要盯“结构变量”
安德里森的蓝图未必每个细节都正确，但它提供了一种更高维的观察框架：把AI从短期热点拉回到长周期技术与产业演化，并把注意力从“今天的情绪与价格”转向几个更硬的变量：
·成本曲线是不是会持续快速下行；
·能力扩散是不是会越来越快；
·产业结构会不会走向“少数巨型 + 海量小型”的共存；
·人才供给与开源生态会怎样影响竞争格局；
·真实使用行为是否持续增长。
也许，理解AI时代最稳妥的方法不是预测结局，而是持续观察：钱正在流向哪里，能力在以什么速度普及，普通人和企业又在如何把它嵌入真实流程。
当这些变量一起指向同一个方向时，所谓“风口”就不再是风口，而更像一场结构性迁移。
