# 你以为在用AI，其实在排队等死
**作者**: Linote
**日期**: 2026-04-26T01:02:44.000Z
**来源**: [https://x.com/Alexjkman/status/2048206106669756761](https://x.com/Alexjkman/status/2048206106669756761)
---
全文约9000字，人工阅读或AI总结皆可，共六章（含中国市场附章）。引言至第三章是地基，建议所有读者顺序读完再跳读其余部分——后面的判断都建在上面。第四章起分职场人与创业者/投资人两个视角并行呈现，第六章为市场冲击时间轴，区分了已发生、可推断、不确定三个层级，读者可按需侧重。
这篇文章没有解决方案，也没打算给。读完你可能更焦虑，因为它把你以为模糊的事情说清楚了。唯一的用处是：知道自己站在哪里，比不知道强。
# 引言：飞机史的三个核心逻辑
1903年，莱特兄弟在北卡罗来纳州飞了12秒，120英尺。此后55年，飞机经历了从军用到民用、从无序扩张到被制度驯化的完整过程。1958年波音707投入商业运营，普通人才开始使用。
这段历史提供三个可提取的结构性逻辑，用途是理解一个新技术从诞生到普及中间经历了什么，不是为AI的未来定下时间锚点。
## 1.事故驱动立法，技术成熟不驱动立法
1926年《航空商业法》出台，背景是两年24起致命事故。
1938年《民用航空法》，导火索是联邦参议员坐飞机坠机身亡。
1958年FAA成立，触发点是大峡谷空中相撞128人全部遇难。
每一条安全法规背后都有具体的死亡人数和可以上头版的名字。
## 2.收入结构决定早期存活
早期航空公司靠政府邮件合同苟活，不靠乘客。
这是稳定且可预期的业务收入，不随市场情绪波动。
没有这个收入来源，大多数航空公司在商业化的第一个十年就会消失。
## 3.技术、制度、人心需要大致同步推进
这55年里三者之间的张力始终在可控范围内。
技术超前于制度和人心时，代价会在后来某个节点集中显现。
飞机有物理边界，有可见事故，有主权范围内可执行的法规。
AI不具备这三个条件。
用飞机的时间表预测AI的未来，前提条件不成立。
# 第一章：AI的现状
## 2017年——Transformer出现
注意力机制（Attention Mechanism）重构了语言模型的基础架构。
Transformer放弃了此前主流的循环神经网络（RNN）结构，改用并行化的自注意力层处理序列关系，训练效率大幅提升。
当时学界和产业界均未预见其商业影响的规模。
## 2017—2022年——黑箱期
GPT系列在实验室内迭代。OpenAI于2018年发布GPT-1（1.17亿参数），2019年GPT-2（15亿参数），2020年GPT-3（1750亿参数）。规模扩大带来的能力跃迁超出研究者预期，但无商业化落地，无A端买家，无机构背书。
这代AI从诞生起就缺乏A端客户——无军事采购需求，无政府财政支持。
早期航空公司靠邮件合同获得稳定收入；AI公司靠风险资本和科技巨头输血，资金的性质是投资，叙事改变时可以在一个季度内撤走，合同收入则不会。
## 2022年——ChatGPT
2022年11月上线，5天100万用户，2个月1亿用户，成为史上用户增长最快的消费产品。这是C端起步，商业模式未经验证，配套体系缺位。用户规模增长不等于商业模式成立。
ChatGPT依托GPT-3.5，核心创新在于用人类反馈强化学习（RLHF）对模型进行对齐训练，使其能够遵循指令、进行多轮对话。这一训练方式本身并不新颖，但规模化应用是首次。
## 2023—2024年——能力快速迭代与盈利验证期
GPT-4（2023年3月）在多项专业考试中超过人类平均水平：律师资格考试约第90百分位，美国医师执照考试通过线以上。多模态能力（图像理解）同步推出。Google发布Gemini，Meta开源Llama系列，Anthropic推出Claude系列，大模型赛道全面竞争化。
能力提升之外，成本压力同步显现。推理成本（inference cost）成为核心约束：GPT-4每次调用成本远高于GPT-3.5，大规模部署的单位经济学尚未成立。2024年，各家厂商集中发力推理效率优化，GPT-4o、Claude 3.5、Gemini 1.5 Pro相继将上下文窗口扩大至百万token量级，单次调用成本较2023年下降60%至80%。
商业化进展方面：OpenAI 2024年营收约37亿美元，同比增长约三倍，但亏损约140亿美元，依赖微软持续注资。
真正实现规模化盈利的B端案例极少。
AI浪潮中率先稳定盈利的是算力供应商：英伟达2024财年数据中心营收约475亿美元，H100 GPU供货持续紧张。
## 2024年至今——智能体（Agent）转向
单次问答模式（chat）的天花板开始显现，产业重心向能够自主执行多步骤任务的AI智能体转移。
典型形态包括：自动完成代码审查与部署的编程Agent、能够操作浏览器完成采购流程的任务Agent、在企业内部系统间流转信息的工作流Agent。
智能体模式的商业逻辑与chat模式不同：chat依赖订阅收费，智能体可以按任务完成量计费，单次交易价值更高。
但其落地面临新的障碍：错误在多步骤链条中会放大，责任归属更复杂，企业IT系统的接入标准尚未统一。
已记录的AI事故包括幻觉输出、数据泄露、算法歧视，但尚无一起具有明确死亡归因、足以触发立法的公开事件。
监管框架仍处于碎片化状态。
# 第二章：AI是否会重蹈覆辙
飞机史的内在逻辑是：事故→立法→标准化→盈利→普及。
AI的六个结构性特征使这条路径不再成立，且每一个都是性质差异。
## 1.伤害弥散，立法触发机制失效
飞机坠机产生可见的现场、可归因的死亡、可上头版的单一事件，因果链清晰。
AI造成的伤害分布在大量个体上：算法歧视影响十万人的贷款申请，无单一死亡时间和地点；医疗AI误诊的责任归属在医生、模型还是医院采购决策之间无法厘清；深度伪造的损害发生在信息层面，不在物理层面。
欧盟AI Act的推进部分源于算法歧视投诉的积累，证明单一事故并非立法的唯一路径。但这条路径的立法速度至少慢一个数量级，执行力也更弱。
## 2.监管套利消解主权边界
飞机必须在某国跑道降落并接受该国监管，这一物理约束使ICAO的国际协调成为可能。
AI的服务器、研发团队和用户可以分属不同司法管辖区，监管责任随之碎片化。
欧盟AI Act、美国联邦层面的监管滞后、中国生成式AI管理办法三套体系并行，标准互不兼容。这一格局不一定是过渡状态。
## 3.开源架构削弱监管抓手
Llama、Mistral、Qwen均已开源。针对闭源商业模型的任何监管框架对开源生态均无约束力，技术能力一旦公开即永久可及。
这一论点处理的是权力集中问题，而非监管可执行性问题，两者不等价。
## 4.真值验证缺乏独立标准
飞机事故后打开黑匣子可还原物理过程，物理世界提供独立于系统本身的客观真值。
AI系统目前缺乏等价的独立验证方法：现有幻觉检测依赖另一个LLM作为评判者，真值验证需要人类预先提供正确答案。
在独立验证方法建立之前，AI进入高风险行业受到认识论层面的约束，而非只是监管层面的约束。
这个缺口产生了真值审计（ground truth auditing）的概念：在模型输出进入决策流程之前，用独立于模型本身的外部标准对其进行实时核验。
真值审计介入的核心位置是每个步骤的输入端，在信号进入下一个模块之前做校验，把错误拦截在传播之前——对多步骤Agent而言，相当于在每个决策节点装熔断机制。
出错时能说清楚是哪一步、由谁触发、依据是什么，这条可追溯链条同时解决业务准确性和合规责任两个问题。
填补这个基础设施缺口目前有两个方向，对个人和小团队可进入，且供给严重不足。
其一，运行时真值审计：能在特定垂直场景（如医疗编码、法律条文比对、财务数据核查）建立独立验证管道的团队，填补的是真实的基础设施空缺，商业逻辑清晰。
其二，AI工程化集成：将AI能力嵌入企业现有系统，同时建立错误追踪、责任归因和回滚机制——多数企业采购AI工具后卡在集成和质控环节，能提供这一层服务的工程团队解决的是当前AI部署最普遍的瓶颈。
## 5.能源约束构成物理上限
AI扩张依赖算力，算力依赖电力。
数据中心电力消耗已影响部分地区电网规划，部分AI项目因电力不足搁置。
这一物理约束独立于监管和商业模式之外，对AI扩散速度的影响在大多数讨论中被低估。
## 6.红利分配依赖制度干预，不自动扩散
飞机红利最终扩散至普通乘客，票价下降，出行半径扩大，但这一过程依赖工会谈判、劳动法规和票价监管，是制度干预的产物，而非市场自发结果。
AI的现有数据显示生产力提升的收益流向企业利润而非工人休闲时间。部分群体通过AI获取了以前负担不起的专业服务，这是真实的局部受益，但不改变总体分配方向。缺乏制度干预时，红利会自动扩散的假设缺乏历史支撑。
# 第三章：谁在赚钱，谁在烧钱，谁来托底
早期航空公司靠政府邮件合同获得稳定收入，得以度过商业化早期。
AI产业目前没有对等的结构。
## 1.AI工具供应商：烧钱，不是盈利
OpenAI 2024年营收约37亿美元，亏损约140亿美元。Anthropic和Mistral的财务结构类似。这些公司的存续依赖微软、谷歌、亚马逊的战略投资和风险资本。
AI浪潮中真正盈利的是算力供应商。
AI工具供应商的盈利假设是：规模扩大后边际成本下降，盈利拐点出现。
但这一假设尚未被任何主要供应商验证。
## 2.采购AI的企业：效率提升不等于利润提升
在竞争充分的市场中，若竞争对手同步引入相同AI工具，效率提升会通过价格竞争转移至消费者，不留存于企业利润。
能够通过AI实现净利润提升的企业，需满足以下条件之一：
拥有竞争对手短期内无法复制的AI应用场景；
在竞争尚不充分的市场中率先部署；
或AI带来的成本下降幅度足以支撑价格战。
多数采购AI的企业不完全满足上述条件。
其采购动机更接近防御性布局——不采购会落后——而非基于清晰盈利路径的主动决策。
AI引入的隐性成本普遍被低估：数据清洗、系统集成、员工培训、输出质量监控，以及为提高准确率而重复运行模型所产生的额外算力消耗。这些成本分散在多个部门预算中，不经集中核算难以显现。
## 3. AI是工具，不是盈利的原因本身
当前已落地盈利的B端案例，无一例外都满足同一个条件：AI放大的是企业本就拥有的数据或流程壁垒，而非所有竞争者共享的通用模型能力。
盈利的来源是既有的不对称性，AI是放大器，而非原因本身。
没有不对称性，AI只是提供了成本更低的内卷方式。
以下案例可以支撑这个判断。
Palantir：高定制锁定，切换成本即护城河
Palantir的AIP平台2024年美国商业收入同比增长54%，客户数同比增长77%，政府业务毛利率达81%。盈利的根本原因不是AI能力，而是高度定制化部署使客户数据和工作流深度嵌入Palantir的系统，切换成本极高。AI在这里的作用是提升了已有系统的分析效率，护城河是客户依赖，而非模型本身。
AppLovin：自有生态数据，AI优化自己的引擎
AppLovin 2023年扭亏为盈，净利润3.6亿美元；2024年Q3利润同比增长298%，调整后利润率60%。其AI推荐引擎AXON优化的是自有移动广告生态的投放效率，训练数据来自平台积累的超过14亿日活用户行为。竞争对手无法复制这个数据集，AI能力本身是开放的，但数据壁垒不是。
税友股份、北森控股：行业数据壁垒的垂直落地
国内的案例同样验证这个逻辑。税友股份的“数智会计”系统覆盖全国778万企业用户，AI驱动的财税服务贡献了26.59%的回款收入，平均投资回报周期6.8个月。税友的壁垒是多年积累的财税数据和用户关系，AI做的是在这个基础上提升服务效率。北森控股的AI面试官在240家企业落地，将校招流程从3轮压缩至1轮，候选人到面率提升至95.5%，壁垒同样是招聘行为数据的长期积累。两家公司的共同特征是：ROI可量化，替代人工明确，客户决策链条短——这三个条件和AI无关，是业务场景本身的属性。
结论先行：大多数B端企业采购AI的结果是内卷，少数有不对称性的企业可以实现真实盈利，但这个“少数”比市场叙事里说的要少得多。
判断自己属于哪种，只需要回答一个问题：
我们的不对称性在哪里，AI能不能放大它？
答不上来，采购AI大概率是在为内卷付费。
从商业结果看，这不只是内卷，而是一场大清洗。
AI放大壁垒，也放大平庸。
有壁垒的企业借AI拉开差距，没有壁垒的企业借AI延缓出局——但延缓不是避免。
囚徒困境的结构决定了没有企业能单方面退出这场军备竞赛：每个企业单独看，加入AI是理性的；所有企业一起加入，集体结果是更激烈的竞争和更低的利润率。
清洗会持续到弱者出局为止。
因此，AI续命和寻找壁垒必须同时进行。前者是生存条件，后者才是生存理由。只做前者，不过是把死期往后推。
## 4.托底方缺位
政府充当AI的A端，在现阶段动机不足。飞机对军事和物流有直接可量化的战略价值，政府有明确采购动机。
AI目前在可靠性和责任归属均未解决的情况下，无法支撑政府签订长期稳定合同的条件。政府更可能扮演的是监管方的角色，通过立法和准入标准施加影响，而非通过合同提供收入托底。
大型科技公司目前扮演最接近A端的角色，但其性质是战略投资，不是合同采购。战略判断改变时，资金可以撤离。
当前结构的稳定性取决于两个变量：战略投资方的耐心，以及AI工具供应商找到可验证盈利模式的速度。
# 第三章附：中国市场
前三章描述的结构性问题在中国市场同样成立，但每个维度都被放大了：内卷更极端，数据主权更脆弱，政府角色更矛盾，大模型路径有自己的终点。
## 1. B端盈利：开源放大不对称性，也放大内卷
B端能否靠AI盈利，取决于企业有没有不对称性。
没有不对称性的企业，AI带来的只是内卷：竞争对手用同样的工具，同样的效率提升通过价格竞争转移给消费者，企业利润不增反压。
有不对称性的企业，AI能放大既有优势——私有数据、深度流程整合、先发锁定的客户关系——这类企业才有条件谈真实盈利。
开源模型在这里的作用是双刃的。闭源模型的API成本是所有企业均等承担的摩擦，开源模型把这个摩擦归零。
对有私有数据的企业，这是真实的放大器：省掉API成本，数据留在自己系统内，不对称性进一步拉开。
对没有数据壁垒的企业，开源模型只是提供了成本更低的内卷方式——门槛降低，进场者增多，竞争烈度上升。
中国市场的特点是后一类企业占多数，开源模型的普及在整体上加速了内卷，而非创造了差异化机会。
## 2. 蒸馏对数据主权的破坏
中国市场的数据合规环境使不对称性面临一个特有威胁：蒸馏。
竞争对手可以通过调用你的模型输出，用这些输出训练自己的小模型，提取你的数据优势而不需要接触原始数据。
蒸馏的是行为模式，而非原始数据，在现有法律框架下几乎无法追溯和追责。
对B端企业而言，这意味着把核心业务数据交给大模型厂商做微调或RAG，本身就是一种数据主权的让渡。
厂商可以从大量企业客户的数据中提炼行业洞察，用于训练自己的垂直模型。
企业以为在构建不对称性，实际上可能在为竞争对手的模型提供训练素材。
这个代价不会立即显现，但终将在某个节点以竞争优势消失的形式兑现。
## 3. 大模型的边际收益递减与特种化路径
当前这一代大模型的通用能力已经逼近边际收益递减阶段。
各家的差距从“能不能做到”变成“做得多精”，继续堆参数和算力的回报在收窄。
这一判断在国内外学界均有争议，但方向性是清晰的：纯粹的规模扩张路线正在遭遇物理和经济双重约束。
中国本土大模型在这个背景下的路径是：通用大模型趋于同质化，内卷驱动各家按照自身业务大类向特种方向分化。
最终可能形成几个各自在特定垂直领域有较强能力的特种模型，而非一个通吃的通用模型。
这个结果对B端企业的含义是：选模型不再是选能力最强的，而是选与自己业务场景匹配度最高的，同时要判断这家厂商的特种化方向是否与自己一致。
特种大模型会不会开源，以及会不会蒸馏企业客户的数据来强化自身，按照中国市场的商业逻辑，答案大概率是：不开源，会蒸馏。能圈住的不放开，能提取的不客气。
特种化阶段的数据主权风险因此比通用阶段更高——特种模型对垂直数据的依赖更强，提取的动机也更强。
## 4. 推理侧竞争与芯片硬约束
模型能力趋同之后，竞争重心从训练侧转向推理侧：谁能更快、更便宜地完成推理，谁才能真正规模化部署。
中国企业在推理成本控制上有人力和运营成本优势，但面临芯片硬约束——高端GPU的出口限制使国内算力供给受限，推理效率优化在硬件层面遭遇天花板。
这个约束与商业模式和监管框架无关，短期内没有市场化解法。
## 5. 政府角色：加剧内卷，不是托底
第三章已经说明，全球范围内政府充当AI的A端动机不足。中国的情况有独立的结构逻辑，结果更差。
逻辑链如下：房地产崩盘导致地方财政收入大幅萎缩，叠加债务存量，财政空间收窄；内需市场转冷，消费需求不足；地缘政治压力加剧，外部市场扩张受限。
三重压力下，政府的政策取向是宽松刺激，向各类行业提供补贴和采购支持，以维持经济活跃度，AI是其中的重点方向之一。采购动机不来自清晰的战略判断，来自"不能落后"的焦虑和"需要有增长叙事"的政治压力。
这套逻辑的结果是：政府采购规模可观，但验收标准模糊，对供应商而言是短期收入，构不成长期稳定的合同结构。
更重要的是，宽松政策降低了市场淘汰机制的有效性——本应出局的弱竞争者靠补贴续命，进场门槛下降，内卷烈度上升。
开源模型进一步把摩擦归零，各方都可以用对方的输出训练自己的模型，相互蒸馏成为普遍现象：数据主权在这个过程中被系统性侵蚀，没有一方能形成真正的壁垒，竞争以压低价格和服务质量为主要形式，形成恶性内卷。
政府采购的压力还会传导给供应商：拿到合同的前提是满足特定的政治和合规要求，这些要求有时和技术最优路径相悖。
供应商为满足政府标准而调整产品，反而削弱了产品在市场竞争中的适用性。
政府在这里更接近扭曲市场信号的力量，严格监管的动机和能力均不足。
## 6. Agent与真值审计在中国市场的含义
Agent在中国市场的落地面临比全球更高的不确定性。
多步骤任务链条中，每一层都可能引入合规风险——数据流转、跨系统访问、自动决策——而中国的数据合规框架（个人信息保护法、数据安全法）对这类场景的界定尚不清晰，监管解释权高度集中。
Agent出错的后果在中国市场可能不只是业务损失，还涉及合规责任。
正因如此，真值审计在中国市场的价值比全球更高，也更紧迫。
第二章已说明真值审计的通用逻辑；在中国市场，它额外承担一个功能：当监管解释权高度集中时，可追溯链条本身就是企业的保护层——出错时能说清楚是哪一步、由谁触发、依据是什么，在合规责任尚不清晰的监管环境中，这条记录的价值高于任何事后解释。
# 第四章：普通人的位置 / 机会的结构
## 1.普通职场人视角
## 1.1第一批承担成本的人，不一定是受益者
ChatGPT上线后，数亿人在无监管框架、无知情同意的条件下成为这一技术的真实用户和数据来源。
使用行为参与模型训练，反馈改进产品，订阅费支撑运营。
用户对系统工作机制几乎不了解，对错误几乎无追责渠道，对所产生的数据几乎无所有权。
学术研究已记录这一过程：AI高暴露职业的工作时长平均增加，满意度下降，议价能力收缩——重新定价通过既成事实推进，而非协商。
部分人确实受益：自由职业者产能提升，个体创业者起步成本降低，部分群体获取了以前负担不起的专业服务。
这些是真实的个体受益，但它们发生在无系统性保障的环境中，受益具有偶发性，代价具有结构性。
至于哪些任务类型具体在收缩、哪些需求正在增长，第五章逐一说明。
## 1.2退出选项收窄
当AI已嵌入招聘筛选、信贷评分、医疗建议和信息推荐，拒绝使用AI的代价不再是放弃一个工具，而是在多个关键节点上被动接受AI参与后的结果。
AI正在成为基础设施，而这一过程未经公众授权。
## 2. 创业者与投资人视角
## 2.1区分噪音与信号
多数AI应用解决的是可用性问题，尚未解决净收益问题。
两个问题之间有鸿沟，多数投资叙事和创业故事停在第一个问题上。
可作为信号的场景需同时满足两个条件：AI输出有独立于模型本身的客观验证标准；错误代价可控且可归因。
满足这两个条件的场景，才有条件建立真实的盈利模型，而非仅靠效率叙事撑着。
## 2.2算力层是当前最确定的盈利层
英伟达、微软Azure、亚马逊AWS率先稳定盈利，验证了“卖铲子比淘金先赚钱”的结构。
算力基础设施的进入门槛对多数创业者过高，更现实的切入点是算力层下游：数据中心建设、电网配套、硬件运维。
这类需求是物理性的，不因模型迭代消失。
## 2.3监管落地是被低估的机会窗口
具有约束力的AI监管框架一旦形成，将产生大量合规需求：AI系统审计、责任归属界定、行业准入认证。
这类需求政策驱动、客户刚需采购、与AI技术本身的成熟度无关。
监管落地后入场，窗口已窄；落地前完成准备，是这个机会的基本逻辑。
# 第五章：行业与职业 / 风口前的准备
## 1. 行业与职业变化
第四章说的是处境——你在哪里，系统如何运转。这一章说的是变化——具体什么在动，速度如何，方向是什么。受影响的不是职业整体，而是职业中满足以下三个条件的任务类型：历史样本足够丰富；输出质量有相对客观的评估标准；错误代价可控且可归因。影响表现为这类任务的议价能力下降和相关岗位规模压缩，不一定是职业消亡。
## 1.1正在发生的变化
招聘需求已在收缩的任务：初级内容生产、初级代码、初级数据处理、标准化客服。共同特征是格式明确、规则清晰、重复性高。
已出现但供给不足的需求：AI输出的监督与纠错。这类工作要求同时理解业务逻辑和模型行为，能判断模型输出何时不可信。需求已存在，具备这种能力的人稀缺。
## 1.2中期结构性变化
高风险行业的AI渗透速度，受两个结构性因素限速，而非技术能力本身。
第一，执照与责任归属：医疗、法律、金融领域的AI可提供建议，但不持有执照、不承担资产、不面临吊销或诉讼风险——最终签字责任无法转移至模型，只能留在持证人类专业者处。
FDA对医疗AI的审批路径迄今仅批准少数辅助诊断工具，且均附强制人工复核要求；欧盟AI Act将金融AI决策列为高风险类别，强制要求人工监督。
第二，真值审计缺失（见第二章第4点）：在独立验证方法建立之前，高风险判断的可靠性无法被系统性保证。
这两个因素的解决速度，决定渗透速度。更可能的中期结果是：持证专业者单位产能提升，初级岗位规模萎缩，职业本身存续。
需要物理在场的职业——水管工、电工、护工——中期内受到的主要影响来自AI辅助工具，而非直接替代。
语言模型的进展不能直接外推至机器人灵巧性，这是两条独立的技术路线，进展速率相差一个量级。
## 2. 创业者与投资人：风口前的准备逻辑
风口的方向可以预判，具体形态在落地前无法确定。提前准备的对象不是押注具体赛道，而是建立在信号出现时能快速响应的判断能力。
## 2.1最值得持续跟踪的政策信号
AI监管立法和行业准入标准是核心信号。
具有约束力的监管框架最可能首先在中国或美国形成——这两个市场是模型训练和应用部署最密集的地区，规模化问题率先积累，立法压力随之触发。
触发条件是规模化问题的爆发：医疗误诊、金融决策错误、或一场可被明确归因于AI的公共事件。
给出具体年份的前提不成立——关键变量是Agent在高风险行业的部署密度，与日历时间无关。
企业大规模部署（ML）大概集中在2024—2025年 ，形成足够密度通常需要2—3年；密度达到阈值后，可归因事故出现的概率随之上升，立法压力随即触发。
时间窗口取决于这条链条的推进速度，锁定年份是对不确定性的虚假精确。
# 第六章：冲击时间轴
以下是基于当前数据和结构性逻辑对AI市场冲击的阶段性推断。置信度随时间递减：近期基于已发生的事实，中期基于可识别的趋势，远期基于结构条件，2035年之后不做具体预测。
## 2026年1—4月：产业链闭环初步成形（已发生）
2025年1月，DeepSeek R1是第一个"DeepSeek时刻"：用远低于同行的训练成本做出比肩顶尖模型的能力，打破了"只有烧钱才能做AI"的行业叙事，英伟达单日股价暴跌17%。2026年1月，DeepSeek V4是第二个"DeepSeek时刻"，性质不同。全球AI圈反应平静，国内资本市场产业链集体大涨——中芯国际H股单日涨10%，华虹半导体涨超15%。
资本市场投票的对象不是模型能力，而是"用国产算力跑国产模型"的产业链闭环初步成形。
DeepSeek联合华为昇腾定义昇腾超节点，Qwen、Kimi、DeepSeek同周发布万亿参数开源模型，中国AI产业从单点突破进入体系作战阶段。
C端已达到基础设施量级。2026年一季度，中国AI原生APP月活4.4亿，豆包3.45亿、千问1.66亿、DeepSeek 1.27亿，单季新增1.3亿用户。特斯拉中国车机同步接入豆包和DeepSeek。
AI进入日常生活基础设施的过程，在C端已完成最难的一步——用户习惯的形成。
B端正处于分水岭的入口，而非出口。超过52%的中国企业CEO表示应用Agent后收入实现结构性增长；与此同时，95%的GenAI Pilot项目仍未产生实质影响，25%企业将AI支出推迟至2027年。
两组数据并存，说明B端尚在从概念验证向规模化落地的过渡中，未完成过渡。
## 2026年下半年—2027年：B端分化，C端基础设施化完成
推理成本较2024年已下降超40%，数据治理和系统协议适配技术趋于成熟，这两个条件是B端规模化的必要门槛，现在都在收敛。
预计2026年下半年，B端开始出现明显分化：有私有数据壁垒的企业开始兑现盈利，没有壁垒的企业加速内卷。
分化不以"谁在用AI"区分，而以"AI在放大谁的不对称性"区分。这与第三章的结论一致：有不对称性的企业是少数，内卷是多数企业的命运。
劳动力市场的变化在这个阶段加速，但不以戏剧性方式呈现。
初级岗位的议价能力进一步萎缩，变化通过招聘需求的静默收窄实现，而非大规模裁员公告。
AI Agent的目标市场正从软件支出转向劳动力市场，切换发生在这个阶段，但冲击要到下一阶段才集中显现。
C端在这个阶段完成基础设施化的最后一步：退出AI的代价开始大于使用AI的代价。
届时不使用AI原生产品的人，将在信息获取速度和决策质量上系统性落后，这不再是个人偏好的问题，而是在AI参与的竞争环境中的结构性劣势。
## 2027—2029年：第一起可归因事故，监管触发，真值审计开始商业化
随着Agent在高风险场景的部署密度上升，第一起可被明确归因于AI的公共事故出现的概率在这个阶段显著上升。
触发立法的不是AI能力本身，而是Agent部署密度达到阈值后错误放大的集中显现。
中美两个市场是最可能的触发点——这两个市场的部署密度最高，规模化问题率先积累。
与此同时，真值审计的第一批商业化产品预计在这个阶段出现，最可能的垂直场景是医疗编码和金融合规核查——这两个场景有客观正确答案作为外部标准，错误代价高，且已有成熟的行业标准体系（医疗ICD编码、金融合规准则）可以作为独立验证基准。
真值审计在这个阶段不是普遍现象，而是少数垂直场景率先建立的基础设施。
中国市场的真值审计路径有一个特殊变量：监管解释权高度集中，政府有能力通过行政授权指定某个场景的真值标准，速度比市场自发形成快。
这是把双刃剑——认定速度快，但标准可能失真，成为特定利益方圈定准入资格的工具。
真值审计标准的制定权本身可能成为新的捞金途径：谁控制审计标准，谁控制高风险行业AI应用的入场资格。
## 2029—2032年：真值审计扩散，高风险行业开始结构重组
完成真值审计建设的垂直场景，将率先出现AI承担实质决策责任的合法化。这不是技术自发完成的，而是监管认定的结果——监管机构明确某个场景的AI输出在经过真值审计后，可免除人类签字要求，或降低复核标准。
认定一旦出现，该场景的人力结构迅速重组：持证专业者从主判断者变为审核员，初级岗位大幅压缩，高端岗位单位产能大幅提升。
这个阶段资本市场的赢家结构趋于清晰：国产算力供应商（已开始兑现）、有私有数据壁垒的垂直B端（2027—2028年兑现）、掌握真值审计标准的机构（2029—2032年兑现）。
持续承压的仍是通用大模型供应商，除非找到可持续的按任务计费（Outcome）模式。
中国的特殊情况是，部分"掌握真值审计标准的机构"可能是政府指定的准公共机构，其盈利逻辑不同于市场竞争逻辑。
## 2032—2035年：双轨市场，彻底铺开与永久停滞并存
市场出现明显的双轨结构：完成真值审计的行业，AI彻底铺开，人力结构重组完成；未完成的行业，维持"AI辅助+人类签字"的现状，且这个现状可能是永久性的——真值审计需要客观外部标准，而部分行业根本不存在这种标准（艺术判断、战略决策、高度情境化的医疗诊断）。
B端在这个阶段的内卷已经不是竞争策略，而是生存方式。大多数没有不对称性的企业，AI不是增长引擎，而是维持竞争资格必须负担的成本。这个成本不会消失，只会随着竞争对手同步采购而继续上升。
## 2035年之后：认识论边界
超过这个时间窗口，本文不做具体预测。
原因不是悲观或乐观，而是依据不足：真值审计是否产生新的垄断结构，能源约束是否得到缓解，地缘政治是否进一步切割全球AI生态——这三个变量目前没有足够依据做定向推断。
任何在此之后给出具体数字或年份的预测，依据都值得质疑。
欧洲的做法通常被描述为"反AI"或"过度监管"：GDPR、AI Act、对平台的持续规制，代价是商业化速度落后于中美。
但这套框架客观上限制了最恶性的内卷——企业无法通过无约束的数据采集和AI监控获得竞争优势，劳动者保有更多谈判筹码，市场中的倦怠感有制度性出口。
中美市场的路径是防御性引入AI进行内卷：企业采购AI不是因为看清了盈利路径，而是因为不采购会落后。
这条路径的终点，可能是更高效率的内卷，而非更好的生活。
从这个角度看，中美与欧洲最终的市场结果，未必像现在看起来的差距那么大——只是抵达各自均衡点的方式不同。
# 结语
本文描述的是一个正在发生的过程，而非已经完成的结局。
AI对市场的冲击沿着一条可识别的路径推进——C端基础设施化、B端内卷与分化、高风险行业因真值审计缺失而滞后、监管触发依赖事故而非理性规划——但这条路径上的每个节点，都有一个关键问题尚未回答。
真值审计的标准，由谁来定？中国市场的答案可能是政府指定的准公共机构，美国市场的答案可能是率先建立标准的私营企业，欧洲市场的答案可能是监管机构。
三种答案对应三种权力结构和利益分配方式，但都指向同一个问题：当AI进入高风险行业，"谁来判断AI的判断是否正确"，本身就是一种权力。
中美以防御性内卷为路径，欧洲以制度性约束为路径，走向的可能是同一个终点：AI深度嵌入社会，红利分配的不公平通过不同机制固化，个人选择的空间持续收窄。路径不同，不代表结果不同。
这个问题，本文没有答案。
风浪越大，不代表鱼越大。这句话适用于市场，也适用于技术浪潮中的每一个人。
海上惊涛骇浪，但世界不只有这一片海。
万物皆虚，万事皆允。
by Linote
## 相关链接
- [Linote](https://x.com/Alexjkman)
- [@Alexjkman](https://x.com/Alexjkman)
- [4.8K](https://x.com/Alexjkman/status/2048206106669756761/analytics)
- [1.AI](https://1.ai/)
- [Linote](https://x.com/Alexjkman)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [9:02 AM · Apr 26, 2026](https://x.com/Alexjkman/status/2048206106669756761)
- [4,850 Views](https://x.com/Alexjkman/status/2048206106669756761/analytics)
- [View quotes](https://x.com/Alexjkman/status/2048206106669756761/quotes)
---
*导出时间: 2026/4/27 10:37:32*