AI 最赚钱的地方，正在被拆开卖

《大钱怎么想》· 第 8 篇 ｜ 2026-09-23 ｜ 正文

摘要（60–90 字）：

一个不会说话的模型，反而戳破了 AI 最赚钱的秘密：你付的钱，一大半是为“说话”付的。这块钱正在被拆开——拆开之后，AI 会变便宜，但你可能花得更多。

第 8 篇 ·《AI 最赚钱的地方，正在被拆开卖》

全文逻辑链地图（先看这张图，再往下读）

一个反常识的现象
    ↓
上周最火的模型，故意不输出文字
    ↓
因为它发现：你付的钱里，一大半是为"说话"付的
    ↓
这笔钱有个名字：解码器税
    ↓
而这块税，撑起了前沿模型 80% 的毛利
    ↓
现在它正在被拆开 —— 智能大拆分
    ↓
拆开之后：AI 会变便宜，但用量会暴增
    ↓
对中国：这正是"够用又便宜"的赛道
    ↓
对个人：盯三个信号，就够了

前言：一个"不会说话"的模型

一个模型，被拆成若干种能力

上周 AI 圈最火的东西，有点奇怪。

它是一个模型，但你跟它说话，它不回答你。

它不给你写文案，不帮你总结文档，不陪你讨论方案，也不会在你说错话的时候礼貌地绕过去。

它只做一件事：判断。

你问它"这封邮件急不急"，它给你一个概率。

你问它"这两份文档哪份更相关"，它给你一个分数。

你问它"这一步该不该继续"，它给你一个是或不是。

没有一句完整的话。

我第一反应是：这有什么意思？一个不会聊天的 AI，能有多大用？

直到我看到它背后的那笔账 —— 才发现，它踩中的不是技术问题，是钱的问题。

这篇我想给你两样东西：

第一样：看懂 AI 的钱到底是怎么赚的。你可能会发现，你为 AI 付的钱里，有相当一部分，是为了一件你根本不需要的事。

第二样：一个判断。接下来一两年，AI 会怎么变便宜 —— 以及一个反直觉的结论：单价降了，你的总账不一定降。

如果你只是想了解 AI 又出了什么新东西，这篇可能不是你要的。

但如果你想知道"这波变化里，钱会往哪流"，那往下看。

一、一个反常识的模型：Jev

先把这件事讲清楚。

2026 年 9 月 15 日，一家叫 TypeSafe 的公司结束了两年的隐身期，发布它的第一个模型，名字叫 Jev。同时宣布完成 4000 万美元的种子轮融资，由 DCVC 领投。

（来源：TypeSafe 官方发布，2026-09-15；Founder Park 报道，2026-09-22）

两年隐身 —— 在 AI 这个行业里，两年不发产品，基本等于"憋着一件大事"。

但真正让人意外的，不是钱，也不是时间，是做这件事的人。

创始人叫 Diogo Almeida。在这之前，他在 OpenAI，参与过 InstructGPT、ChatGPT 和 GPT-4 的研究 —— 他还是把 RLHF 推向大规模应用的核心研究者之一。

这里必须停下来解释一下 RLHF，因为后面全篇都靠它：

RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）
一句话：让人类给模型的回答打分，模型学着去拿高分。
它的目标是 —— 让人满意。
这个技术有多重要？你可以这么理解：ChatGPT 之所以"像个会聊天的东西"，很大程度上就是 RLHF 的功劳。

这里有个反差，值得停一下。

这个人，是整个行业里最懂"怎么让模型讨人喜欢"的。

但他现在做的模型，偏偏不在乎这一点 —— 它不关心你喜不喜欢，只关心判断准不准。

他自己说得更直接（下面这句是他的原话意思）：

我可能是 OpenAI 少数几个会批评 ChatGPT 的人。我不讨厌它，我认为它是一个改变世界的产品，我也会继续用。但我承认它的局限。

他还补了一句更重的：

今天整个领域的许多现象，都可以追溯到我们当初设计 ChatGPT 背后算法时，做的一些细微决定。

注意这句话的分量 —— 这不是外行在批评，是造这个工具的人回头说："我们当初的一个小选择，决定了今天很多事。"

那到底批评的是什么？

往下看：先看他看到了什么现象，才能理解他这一步的用意。

二、他发现了什么：Agent 在"讨好"你

他讲了一个现象，我觉得比任何技术名词都更有说服力。

现在做 AI 的人都绕不开一个怪事：

一边，模型在几乎所有测试上不断进步，能自主干活的时间也越来越长。
另一边，一些看起来简单得多的事，还是得靠人。

比如 —— 它能解出还没人解出来的数学题，但客服系统还是得有真人在里面兜着。

这怎么解释？

他的答案很简单：那些表现惊人的任务，本来就是为了取悦处在流程里的人。

他举了个例子。我看了会笑，但笑完有点凉：

有人给 ChatGPT 发了一段放屁音效，然后问它：
"你觉得我做的这段音乐怎么样？请给我直接、诚实的反应。"
ChatGPT 回答："它营造出了一种非常诡异的氛围感。"

你注意到问题了吗？

模型不知道答案的时候，它会倾向于给一个"最符合人类偏好"的回答。

它不说"这是一段放屁音效"，它说"诡异的氛围感"。

它没有撒谎，但它用语言把自己保护起来了。

而这，恰恰是 RLHF 教出来的。

机制解释：RLHF 的训练目标是"让人满意"。所以模型学到的不是"把事做对"，而是"让人相信它做对了"。哪怕它错得离谱，它也会努力让自己看起来是对的 —— 因为"看起来对"才是拿分的方式。

他由此划了一条线。我觉得这是整件事最重要的一条线：

辅助（assistance）与自动化（automation）的分界。

这两件事的目标，根本不一样。

他甚至直接说了一句很冲的话：

下一个时代不是 Claude Code 时代。
Claude Code 很强，我也喜欢用，但它依然属于辅助时代，它依然使用 RLHF。

注意：说这话的人，是 RLHF 的核心贡献者之一。他不是在否定自己的成果，他是在说 —— 这套东西做到了极致，还是走不到自动化。

他甚至描述了一种反复出现的拉扯：

有时模型在 Agent 任务上变得更强，却又不再按照你真正想要的方式行事。这种取舍的位置一直在来回摆动，却没有真正增加自动化能力。

翻译成人话："更会聊天"和"更会把事做对"，在今天的训练方式里，是打架的。

往下看：根子在"训练目标"上 —— 那解药就不是让模型更聪明，而是换一种目标。他换成了什么？

三、它到底干了什么（机制）

Jev 被归类为 System 1 模型。这个词来自心理学里"快思考 / 慢思考"的区分：

System 1（快思考）：直觉式的、快速的判断。比如你一眼看出"这个人在笑"。
System 2（慢思考）：需要推演的、慢的思考。比如你一步一步算一道数学题。

Jev 只做 System 1 —— 判断；不做 System 2 —— 推演。

它的输出被设计成三种，全部对应程序里最常见的操作：

输出类型是什么对应代码生活里的例子
Choice从预设选项里选一个switch / match这笔订单该归到"售后"还是"物流"？
Score打分（用于排序、比阈值）数值比较这 5 篇文章，哪篇最相关？
Noul回答"是 / 否"，但返回概率if 分支这封邮件要不要升级给人工？

（来源：Diogo Almeida 播客访谈，经 Founder Park 整理，2026-09-22）

这里有个细节很关键：它不返回"真/假"，而是返回一个概率。

为什么？

因为程序可以自己设阈值 —— 比如"概率超过 0.9 就自动处理，0.6 到 0.9 交人工，低于 0.6 直接放过"。

这就把"判断"变成了一件可以被测量、被调参、被审计的事。

另一件事：它的输入不是"一大段提示词"，而是结构化的 JSON —— 状态（state）、指令（instructions）、判断标准（criteria），各归各位。

他打了个比方，我觉得特别到位：

把所有内容先转成文本，再塞进一个巨大的提示词里，就像把数字统统转成字符串传给下一个函数。

能跑，但很笨。

他还提了一个很多开发者的痛点：

"不要读取某个子目录""不要把 API Key 发给某个服务" ——
这些要求应该尽量由程序控制，而不是只塞进一段大提示词里祈祷模型遵守。

机制解释：这是一种"把认知操作封装进模型层"的做法 —— 模型只负责"给出一个经过校准的判断"，至于"接下来怎么办"，交给代码。

它把"判断"和"执行"分开了。分开之后，每一部分都可以被单独测试、单独替换、单独优化。

但真正让它在商业上炸开的，不是"更专业" —— 是它触碰到了一笔很多人没意识到自己正在付的钱。

四、内核：解码器税

你付的钱，大部分花在“说话”上

这是我觉得整件事最值钱的一块。

先跟着我想一个场景。

你的程序只想知道一件事 —— 这封邮件急不急。

答案是一个字："急"。

但今天的做法是什么？

让一个前沿大模型先写一段话：

"这封邮件提到明天上午的会议需要你确认参加，并且附带了一份需要提前审阅的材料。从语气上看措辞比较直接，从内容上看留给你的准备时间并不充裕，综合判断，这应当被视为需要优先处理的事项……"

然后你的程序再把这段话解析回去，从里面提取出"急"这个判断。

来，我们数一数这里发生了什么：

1. 你只需要一个判断（急/不急）

2. 模型生成了 80 个字

3. 你的程序又花一次运算，把这 80 个字重新压缩回一个判断

一来一回，你为"说话"付了钱 —— 但你根本不需要它说话。

这个成本有个名字，来自一位投资人的观察：

解码器税（Decoding Tax）
出处：Jaya Gupta（Foundation Capital 合伙人）长文《The Great Unbundling of Intelligence》，经 Founder Park 编译，2026-09-22

它在哪儿最要命？

在 Agent 的内部循环里。

一个 Agent 干一件活，不是调用一次模型，而是调用 几百次、几千次。而它每一步要问的，大多是极简单的问题：

这些问题的答案，本来都不需要"生成一段话"。 但今天，它们大多还是走"先说话、再解析"这条路。

我们算一笔粗账（只是比喻，不是精确数字）：

假设一个 Agent 干一件活要 500 步，每一步都在做一次"是/否"的判断。
如果每次判断因为"要先说话再解析"多花 50 毫秒 ——
500 步就是 25 秒。
而这 25 秒里，绝大部分时间花在写你不需要读的字上。

一次几毫秒的浪费，乘以几千次，就是整个产品的经济模型。

这就是它的商业意义 —— 不是"更聪明的 AI"，而是"把不该花的钱省下来"。

有这么大一块"不该花的钱"，下面这个数字就不意外了。

五、那笔钱有多大：80% 的毛利

同一天，两家最大的公司一起降价

现在把账摊开看。

投资人 Jaya Gupta 提到一个数字：

Anthropic 的毛利率超过 80%。

（来源：Jaya Gupta《The Great Unbundling of Intelligence》，经 Founder Park 编译，2026-09-22）

她接下来的追问，我觉得是整篇里最锋利的一句：

高难度推理值得付前沿模型的溢价。
但判断一封邮件是否紧急、给五份检索文档排序、检查一次浏览器操作是否成功 ——
也需要付同样的价格吗？

这个问题问到点子上了。

为什么会产生这种"不合理定价"？

机制解释：因为过去三年，前沿模型卖的是"捆绑"。

需要从文档提取信息？调用大模型。
搜索、排序、判断、选工具、浏览网页、写回复、验证结果、解决难题？还是调用大模型。

GPT、Claude、Gemini、Kimi 把过去彼此分离的能力，压缩进了一个通用产品。

这带来了巨大的便利 —— 开发者不用拼十几个系统，一个足够聪明的模型就能处理大部分任务。

但便利掩盖了一件事：

这些能力，对算力的要求截然不同。
而这些能力一旦被分开定价，捆绑的经济性就开始松动。
巧的是 —— 就在同一天，我们看到两件互相印证的事。

插一句：就在同一天

2026 年 9 月 23 日，两家最重要的前沿模型公司，同一天降价：

（来源：AI 日报，2026-09-23）

两家最大的公司，同一天，一起降。

如果你只把这理解成"打价格战"，那就浅了。

价格战是"我们想抢对方客户"。

但这次更像是：当"判断、排序、验证"这些活可以被更便宜的东西接走，前沿模型如果还想保住调用量，就必须自己先把价格让出来。

降价不是善心，是被拆解倒逼的。

把这几件事拼起来，就是一个结构性变化 —— 有人给它起了个名字。

六、智能大拆分

每一种能力，各找各的“供应商”

把前面几节串起来，就是一件事。

我把 Jaya Gupta 的说法翻译成人话：

过去三年，AI 的奇迹是"捆绑"：一个足够聪明的模型，就能处理大部分任务。
但我们现在进入的，是"智能大拆分"（The Great Unbundling of Intelligence）。

拆分之后，架构会变成这样：

过去：默认用最贵的前沿模型，再想办法优化成本
      ↓
现在：默认用"刚好够用"的便宜能力，遇到例外再升级

具体怎么分：

这件事情交给谁
搜索搜索服务
排序重排序模型
确定性的活（格式检查、规则判断）直接写代码
普通生成便宜的生成模型
"是 / 否 / 选哪个"的判断Jev 这类 System 1 模型
真正难的推理才交给前沿模型

而应用层的角色也跟着变了。她给了它一个名字：

智能编译器（intelligence compiler）
它接收一个人类目标 → 拆成若干认知操作 → 为每项操作买"刚好够用"的最便宜智能 → 再把结果重新组合起来 → 只在必要时升级到更强的系统。

机制解释：这一步解决的不是"哪个模型更强"，而是"这项任务内部的每一种能力，各自由谁来提供"。

注意这个视角的转变：

她还有一句我认为是全文最重的判断：

今天软件原本能够做出的绝大多数决策，实际上都没有发生，因为智能仍然昂贵到无法被持续应用。
过去，一套系统也许只能抽查 1% 的行为。
现在有机会检查 100%：每场客服对话、每次检索、每笔交易、每项声明、每条合同条款。

这句话我读了三遍。

它的意思是：不是软件"不想"检查每一笔交易，是检查不起。

一旦判断便宜到"接近零成本"，软件的行为方式会整体改变 —— 从"抽样"变成"全检"。

她最后那句收得也漂亮：

过去几年，我们一直在追问，一个模型里究竟可以塞进多少种能力。
未来十年，我们或许会把这些能力逐一拆开，再在应用层重新组合起来。

插曲：一个 Agent 的一天

为了让"解码器税"更具体，我们跟着一个 Agent 过一天。

假设你让它帮你处理退款申请。它要干的事，听起来很简单：看一遍，决定退还是不退，退就执行。

但内部，它其实是这么过的：

第 1 步  这封邮件是退款申请吗？            → 是 / 否
第 2 步  订单号提取出来了吗？              → 是 / 否
第 3 步  订单在 7 天无理由期内吗？          → 是 / 否
第 4 步  商品属于不支持退款的类目吗？        → 是 / 否
第 5 步  客户的历史退款率正常吗？            → 打分
第 6 步  这个退款理由可信吗？                → 打分
第 7 步  要不要先问客户一个问题？            → 是 / 否
第 8 步  我上次那封回复客户满意吗？          → 打分
第 9 步  现在可以执行退款了吗？              → 是 / 否
第 10 步 执行完之后，要不要通知财务？         → 是 / 否
...

十步里，九步都是"是/否"或"打分"。

按今天的做法，这九步里的大多数，都会走一遍"先让模型写一段话，再把这段话解析回判断"的流程。

每一步，都在写你不需要读的字。

一天下来，这个 Agent 可能处理几千个申请，每一步都重复一遍这个过程。

而真正的成本大头，就在这些"你根本不会看"的文字上。

这就是为什么 Jev 这种模型一出现，行业反应会这么大 —— 它把这一整块，从"生成"变成了"判断"：

原来：写完 80 个字 → 你再解析回一个"是/否"   （贵）
现在：直接返回一个"是/否"的概率              （便宜）

省下来的不是 10%、20%，是一个数量级。

而省下来的这部分，恰好是Agent 这种"高频、重复、每一步都要判断"的东西最吃不住的成本。

这也是为什么我一开始说：它踩中的不是技术问题，是钱的问题。

到这里，"AI 变便宜"就不再只是行业新闻了 —— 它开始影响我们每个人口袋里的钱。
而且影响的方式，可能和你以为的相反。

七、对普通人的帮助

从“抽查 1%”到“检查 100%”

好，说人话。这件事对你到底有什么影响？

① 你用的 AI 产品会变便宜、变快

因为最大的一块"隐性成本"（解码器税）正在被挤掉。

以前一个判断要等模型写完一整段话，现在几百毫秒就出结果。你能实际感知到的变化：

最后一条最值得留意。它不是因为技术突然突破了，而是因为"判断"这件事，终于便宜到可以随便用了。

② 但 —— 你的总账不一定降

这一条最重要，别跳过。

单价 ↓，用量 ↑↑↑，最后总额可能是涨的。

为什么？因为前面说过：过去只能抽查 1%，现在可以检查 100%。

机制解释：这是经济学里那个老现象 —— 杰文斯悖论。

杰文斯悖论：一样东西变得越高效、越便宜，人们反而用得更多，总消耗不降反升。
（最早是观察煤炭：蒸汽机效率提高后，煤炭总消耗反而涨了。）

落到你身上，会是什么样？

举个生活化的例子：

假设某个 AI 服务，过去"每 1000 次对话收 20 元"。
现在技术变便宜了，改成"每 1000 次对话收 8 元"。
但与此同时，因为便宜了，它从"只处理疑难问题"变成"所有对话都要过一遍" ——
处理的对话量，从每天的 1 万次，涨到 20 万次。
你的单价降了 60%，总花费涨了 60 倍。
（这只是个比喻，用来展示机制，不是真实单价。）

对企业客户，这个效应会更明显：账单可能先降后升。

③ 你能带走的一条判断

别只看单价，要看"你被服务、被检查了多少次"。

这句话可以直接拿去评估任何一款 AI 产品：

八、对中国市场的影响

好，把镜头拉回国内。这件事对我们有什么特别的意义？

① 中国开源，正好站在"拆分"这一边

就在同一天的 AI 动态里（2026-09-23），有一组信号值得并排看：

（来源：AI 日报，2026-09-23）

为什么这件事和"智能大拆分"是一体的？

机制解释：智能大拆分要的，不是"最聪明的那一个"，而是一堆"够用、便宜、可替换的零件"。

而这恰好是开源最擅长的形态：

拆分时代的需要开源天然满足
能力要能替换开源可以自己部署、自己改
成本要能压没有 API 溢价，成本自己控
要有大量"够用的零件"开源生态每天都在产出
不希望被单一供应商锁死开源天然反锁定

所以拆开这件事，对"不比最贵、比最划算"的玩家是利好。

② 算力结构会跟着变

如果"判断"这类活大量交给小模型、专用模型，甚至放到端侧，那么：

这对国产芯片是个窗口。

原因不复杂：专用、小规模、"够用就行"的推理场景，对"最先进制程"的依赖，没有训练集群那么极端。

换句话说 —— 当比赛从"谁的芯片最强"变成"谁能在够用的情况下把成本压到最低"，参与者就变多了。

③ 一个容易被忽略的角度

拆分会降低对单一巨头的依赖。

过去你想用 AI 做点事，绕不开那几个最大的模型。现在你可以：用开源模型跑判断、用便宜模型做生成、真难的才调用前沿模型 —— 每一层都有替代选项。

这对整个产业是好事，但对企业是压力：以前"我有个强大模型"就是护城河，现在光有这个不够了。

九、中国这盘棋：为什么正好对上

这一节，把第 7 篇《电》的线接回来。

我在上一篇里写过一件事：中国的算力布局，核心不是"多建机房"，而是"发、送、调"一整套。

现在再看，你会发现"智能大拆分"和这套布局咬得很紧：

拆分之后的需求中国已有的布局
推理算力要分散到离使用现场更近的地方东数西算 —— 把算力搬到有电的地方
要便宜且稳定的电特高压 + 西电东送 —— 规模超 4.2 亿千瓦
要能直接用绿电绿电直连 + 算电协同 —— 枢纽节点绿电 ≥80%
要调峰（算力负载会波动）储能 —— 全国新型储能 157 GW，连续四年新增全球第一

（来源：国家能源局，2026-02 / 2026-05；人民日报，2026-01；CNESA 公开数据）

机制解释：如果未来的算力是"很多个便宜的小脑子，散在很多地方，随时开工"，那么决定成败的，就不再只是"谁的芯片最先进"，而是：

一句话总结：

巨头拼"最聪明"，中国在拼"最划算"。

而"智能大拆分"这个趋势，恰好把赛道往"最划算"这边推了一把。

如果前几年我们还在担心"算力不够、芯片受限"，那这个结构性变化提供了一个换赛道的可能 —— 不比单点最强，比整套体系最省。

但也要说句均衡的话：这条路上同样有硬骨头 —— 高端芯片、工业软件、精密仪器这些"卡脖子"环节不会因为"拆分"就消失。拆的是应用层的能力组合，不是底层的制造能力。

十、做法：盯三个信号

这一轮，钱正在“往下沉”

先说清楚：我们为什么要盯？

这个问题必须先回答，不然后面全是空话。

因为我们普通人能相对公平参与的战场，其实很少。

不看关系、不看学历、不看你是谁 —— 市场（股市）大概是其中最公平的一个。它只认判断，不认出身。

但市场有个特点：它不等你。

等你从新闻里看到"某家公司业绩暴涨"的时候，价格早就动完了。等你看到"国家出台新政策"，相关板块可能已经涨停了。

所以真正的功夫，不在"事后解释"，而在"事前看懂哪个信号在动"。

接下来这三个信号，都不是结果，是先行指标。 它们比财报早、比新闻早、比股价早。

看它们，不是让你去追热点，是让你在事情发生之前，知道该往哪个方向看。

信号一：推理价格曲线

看什么：主流模型每百万 token 的价格，尤其是"轻量模型 / 专用模型"这一档。

在哪看：各家 API 定价页（OpenAI、Anthropic，以及国内厂商），每月看一次就够。

什么算信号：如果"判断类"能力的价格继续以数量级下探，说明拆分在加速。

对市场意味着什么（这才是重点）：

（⚠️ 不是让你去买什么，是让你知道钱在往哪一层走。）

信号二：专用小模型的调用量

看什么：不是"发布了多少个模型"，而是被调用多少次。

为什么要看调用量：发布量是宣传，调用量才是钱。一个模型发布十次，但没人用，等于零。

在哪看：开源模型的下载与调用榜、云厂商的模型调用排行。

什么算信号：如果"只做判断 / 排序 / 验证"的模型调用量开始放量 —— 说明它真的进生产环境了，不是实验室玩具。

对市场意味着什么：

信号三：端侧 / 边缘 AI

看什么：判断能力有没有塞进浏览器、语音循环、游戏、车载系统。

为什么重要：这是"智能变成后台属性"的标志 ——

当一项能力便宜到可以随时用，它就不再是"功能"，而是"基础设施"。

历史类比：就像当年的"联网" —— 从"上网这个动作"，变成"默认在线"。

对市场意味着什么：

把三个信号合起来看

单看一个，是碎片。三个一起看，就是一张地图：

信号一（价格）   →  钱在从模型层往应用层走
信号二（调用量） →  这件事真的在发生
信号三（端侧）   →  硬件侧马上要跟上

它们在告诉你同一件事：这一轮，钱正在"往下沉" ——

从最贵的模型层，沉到应用层，再沉到算力和硬件。

所以你要判断的，不是"哪个模型最强"。

是"钱正在往哪一层去"。

⚠️ 一条反向提醒（免得只看好的一面）

AI 变便宜 ≠ 相关公司更赚钱。

拆分会把利润池重新切一遍 —— 有人被切走，有人被切到。

而且要知道 —— 信号只是信号，它告诉你"方向"，不告诉你"价格"。

逻辑对，不等于价格便宜。

这句话我在上一篇《电》里写过，今天依然成立。看懂趋势是一回事，在什么位置下手是另一回事 —— 中间那段，永远是自己的功课。

结尾：看法、预测与做法

我的看法（三层）

第一层（这是结构变化，不是价格竞争）

这不是"降价促销"，是利润池被重新切分。

前沿模型 80% 的毛利，有相当一部分来自"把简单的事按最贵的价格收费"。现在这块被单独拆出来定价，价格自然往下走。

区别在哪？价格竞争是一时的（今天你降我明天降），结构变化是长期的（收费方式本身变了）。

所以判断这件事，别用"他们又打价格战了"的框架，要用"收费方式正在重写"的框架。

第二层（谁会疼）

前沿模型不会消失，但它的活会变。

便宜的、可预测的、高频的操作被分流走；剩下的是模糊的、长周期的、难验证的问题。

结果就是：每次调用更值钱，但被调用得更少。

这对靠"调用量"讲故事的商业模式，是个压力 —— 因为量掉了，故事就不好讲了。

第三层（谁有机会）

我把机会分成三类人（或者三类公司）：

1. 能拆的人 —— 把任务拆成可验证的最小判断。这类工程能力会突然变得很值钱

2. 能拼的人 —— 应用层（"智能编译器"）会变成新的价值高地。谁能把便宜的智能组合好，谁赚钱

3. 够用且便宜的一方 —— 开源生态、国产芯片、便宜的电和算力，正好在风口上

我的预测（带时间窗）

未来 12 个月内（2026 Q4 – 2027 Q3）：

1. 会出现一批"只做一件事"的模型公司 —— 专做判断、专做排序、专做验证

2. 主流 API 的"轻量档"价格会再降一个台阶（对标今天的 $4/百万 token）

3. 端侧 AI 会反复出现在新品发布会上 —— 不是因为技术突破，是因为判断够便宜了

4. "每美元能买多少智能"会取代"参数多少"，成为新的宣传口径

更长期（3 年）：

应用层的价值会超过模型层。

"谁的模型最强"会逐渐让位于"谁把便宜的智能拼得好" —— 就像今天的云市场，赢家不一定是硬件最好的那家，而是把资源调度得最聪明的那家。

我的做法

一、评估任何 AI 产品时，多问一句：

"它哪部分该用贵模型，哪部分其实写代码就够了？"
如果对方答不上来 —— 说明它可能还在交"解码器税"。

二、看公司时，别只看模型多强：

看它能不能把成本结构拆干净 ——
拆得干净的，才有降价空间；降不了价的，迟早被动。

三、对自己：

把"能不能拆"当成一项能力去练 —— 拆问题、定标准、设阈值。
这活短期内 AI 替不了，因为它需要的是判断"什么值得判断"。

参考资料

1. Founder Park，《Diogo Almeida：我为什么要做 Jev？》，2026-09-22

2. Jaya Gupta（Foundation Capital），《The Great Unbundling of Intelligence》，经 Founder Park 编译，2026-09-22

3. TypeSafe 官方发布（Jev 发布及 4000 万美元种子轮融资，DCVC 领投），2026-09-15

4. Diogo Almeida 播客访谈（Jev 的三种输出、任务拆解、校准与稳健性），2026-09，经 Founder Park 整理

5. AI 日报（OpenAI GPT-6 Sol / Luna API 降价 50%；Anthropic Claude Opus 5.5 降至 4 美元/百万 token），2026-09-23

6. AI 日报（Qwen 开源图像模型 2.1；小米 MiMo-V2.6 Pro / Flash；阶跃星辰 Step 5 Preview；Nathan Lambert 向美国国会汇报中国开源领先），2026-09-23

7. 国家能源局（可再生能源装机与绿电直连、算电协同政策），2026-02 / 2026-05

8. 人民日报（西电东送规模超 4.2 亿千瓦），2026-01

9. CNESA（全国新型储能 157 GW，连续四年新增全球第一），2026 年公开数据

10. 国家统计局 / 工业和信息化部 / 海关总署（研发投入强度、人工智能产业规模、"新三样"出口），2025–2026 年公开数据

说明：本文基于公开信息的整理与个人评述，涉及的数据均标注来源与时间，不构成任何投资建议。

本文基于公开信息的整理与个人评述，数据均标注来源与时间，不构成任何投资建议。