a16z 合伙人 Benedict Evans 在 2026 年 6 月的一场硅谷对话中表示，大模型本身并不具备网络效应，行业价值最终可能继续向上游转移，模型公司或将更像提供基础能力的“卖水人”，重演部分运营商只赚“通道费”的历史路径。他同时指出，当前真正跑出产品市场契合度（PMF）的场景仍主要集中在编程，Agentic Coding 已从“可用”走向“显著改变工作方式”的阶段。随着模型效率以年增百倍级别提升、资本持续大规模投入，按 ROI 定价的模式难以长期维持，Token 价格也可能进一步走向商品化竞争。
同样在 2026 年 6 月，Anthropic 过去 12 个月的年化营收增长超过五倍，达到 470 亿美元。与此同时，四大科技巨头当年的 AI 资本开支指引合计已超过 7000 亿美元，接近全球电信行业总投入的两倍。
在市场普遍以“投资不足的风险高于过度投资”来为高投入背书时，Evans 在 a16z 播客中回顾了 2008 年前后的移动数据危机，并借此讨论当下 AI 行业的经济结构。
彼时，iPhone 上市后 AT&T 推出无限流量套餐，用户快速转向 YouTube 等高带宽应用，网络容量随即承压，运营商不得不投入巨额资金扩容。最终，大量创新应用并非运营商主导完成，后者更多只是承担了底层连接的角色。
Evans 每年发布一次《AI Eats the World》主题演讲，这一系列在硅谷被视为观察技术周期的重要样本。与许多更强调乐观预期的观点不同，他更习惯从历史案例中拆解潜在风险。在他看来，如今 20 美元/月的 ChatGPT 订阅价格，与背后高昂的 Token 成本之间存在明显张力，这与当年移动数据领域定价与成本错配的情况有相似之处。
他直言，当前“所有赌注都还没有封盘”。尽管终局仍难以判断，但当模型效率每年提升 100 到 200 倍、全球接近万亿美元资本持续涌入时，有一点较为明确：现阶段这种“按 ROI 溢价定价”的状态，很难长期延续。
Evans 对 AI 经济学核心矛盾的六项判断可概括为：
- 基础模型未必等同于最终产品，价值更可能继续向上游迁移。模型公司可能扮演基础设施提供者角色，类似芯片商、ISP 或移动运营商，建设了关键能力，却未必拿走最高利润。
- 编程仍是当前最清晰的 PMF 场景。Agentic Coding 已从“有帮助”走向“足以改写工作流”，而更多其他场景仍处于试探阶段。
- 现有定价体系面临压力。随着模型效率快速提升、CapEx 以万亿规模扩张，Token 更可能像移动数据一样进入商品化竞争。
- AI 不会终结 SaaS，但会重塑软件边界。LLM 在技术栈中的位置、专用软件与通用工具之间的分工，都将重新被定义。
- 历史有助于解释技术变迁，却无法直接给出预测。无论是移动互联网、云计算还是 PC 时代，都只能提供参照，而不能直接推导出 AI 终局。
- 真正重要的问题正逐步离开纯技术圈。AI 对律所、投行、咨询公司与内容行业意味着什么，需要行业内部视角才能回答。
01 OpenAI 与 Anthropic 的策略分化
Erik Torenberg 在对话中提到，距离 Evans 最初发布《AI Eats the World》已过去一年多，外界最关心的问题之一是：这段时间里，哪些判断已经兑现，行业究竟看清了什么。
Evans 认为，过去一年最明显的变化，是产品策略与竞争重心都开始分化。竞争已不再只是单纯地将模型做得更大、更快、投入更多算力，而是逐渐转向“哪些场景真正产生了需求”。
在他看来，OpenAI 的策略经历了数次调整，从广泛押注多个方向，逐步转向更加突出编程场景。Agentic Coding 的效果已经开始被市场明确感知，这也使编程成为当前科技行业关注度最高的落地方向之一。需求快速增长的同时，容量、价格、供需失衡与资本支出之间的矛盾也同步浮现。
他指出，行业此前长期停留在“这项技术很有意思，但还不确定该拿来做什么”的阶段，而现在至少在编程上，答案已经变得清晰。至于其他行业能否复制类似路径，他认为“几乎肯定会有”，但当前真正被验证的，仍主要是编程。
与此同时，模型规模、资本开支和整体使用量仍在持续上升，但两三年前提出的许多底层问题并没有真正得到答案，例如：模型市场是否会出现绝对赢家，模型层能否拿到价值链更高位置的收益，模型能力边界在哪里，以及普通消费者何时会从“每周尝试一次”进入“每日常用”阶段。
对于“编程是否本来就最有可能先爆发”这一问题，Evans 认为，从行为逻辑看，这并不难理解：最愿意率先尝试新工具的人，本来就是软件开发者，而他们最自然的实验对象，也正是软件开发本身。
他将这一阶段类比为 1997 至 1998 年间的互联网，或 20 世纪 70 年代末到 80 年代初的个人电脑时代。当时技术充满想象空间，但真正成熟的应用仍然有限。早期个人电脑最主要的用途之一，是帮助人们制造更多计算机；而今天，LLM 最早被大规模验证的用途之一，同样是帮助人们创造更多软件和算力需求。
不过，他也强调，今年年初出现了一个更重要的变化：Agentic Coding 从“有一定帮助”跃升为“足以改变工作方式”。这一转折在事后看似合理，但在发生之前，很难有人准确预测时间点，更难断言它一定会先在编程场景突破。
谈到组织层面的影响，例如初级工程师、高级工程师、团队结构与岗位分工，Evans 的态度相对谨慎。他认为，这项变化仍在非常早期的调整阶段，六个月前很多能力还并不成熟，如今企业和团队仍在快速试错，很难据此推导未来三到五年的稳定组织形态。
但他承认，一些现实问题已经开始出现。最典型的是：企业是否还会像过去那样招聘初级员工？如果仍然招聘，他们承担的工作内容会如何变化？当一整类过去由人完成的基础任务被自动化后，职业路径、训练机制以及团队构成都会受到影响。尤其在软件开发领域，这已经不再只是理论问题。
在谈到 OpenAI 的战略演变时，Evans 认为，这始终是一家充满戏剧张力的公司。他提到，该公司 CEO 因医疗原因休假，也使外界对其后续节奏产生更多关注。
他回顾称，去年下半年到第四季度，市场对 OpenAI 的核心质疑在于：模型能力本身不错，但除了聊天之外，如何推动用户在更多任务中真正使用这些工具。与之相比，Anthropic 在资金实力相对较弱的情况下，把重点更集中地押在编码场景，结果这一方向取得了更明确的反馈。
不过，在 Evans 看来，这并不代表其他问题已经解决。当前真正跑通的仍主要是软件开发，以及部分其他领域的零散场景。大量用户依然停留在“偶尔试用”的阶段，远未形成稳定高频使用习惯。
他还提到，硅谷内部对 AI 的使用状态也出现明显分化：一部分人已经大量部署本地设备、持续运行开源模型；另一部分人则只是认可其“有些用途”，但实际使用频率并不高。如何跨越这条鸿沟，仍是行业面临的重要问题。
相比之下，企业端的一些案例更接近“点状自动化”。在这类场景中，用户并不是先拿到一个通用工具再自行摸索，而是企业先明确一个待解决的问题，再把 AI 嵌入工作流。例如，有公司尝试使用 LLM 改善现金流预测，尤其是在面对大量小型供应商、应收账款不稳定且利润率较低的业务模式时，这种预测能力具有更直接的业务价值。这类需求，与用户在聊天机器人里随手发出一般性指令，性质并不相同。
当被问及早期采用者与大众用户之间的使用频率差异时，Evans 给出的解释有几个层面。
首先，他认为技术扩散一直是在前一代基础设施成熟后加速完成的。移动互联网不必等待互联网从零诞生，互联网也不需要等待个人电脑重新发明。因此，新技术的采纳速度本身就会越来越快。
其次，在每一轮重大技术变革的早期，大多数工具其实都不够成熟，使用门槛也很高。他回忆，早年的个人电脑、互联网和移动设备都经历过类似阶段：工具难用、系统不稳定、需要用户投入大量精力才能跑通。今天的生成式 AI，在某种意义上也仍处在这一阶段。
关键在于，行业最终需要把当前这些“需要少数高意愿用户反复折腾才能跑起来”的能力，变成一种低门槛、可规模化、接近一键可用的产品体验。
02 定价危机与平台历史教训
Evans 认为，当前 AI 行业内关于定价与供需的紧张关系，与 2009 至 2010 年移动数据市场的经历高度相似。
当时，一方面，部分用户会突然收到高达数千甚至上万美元的数据账单；另一方面，在无限流量套餐下，大量 iPhone 用户开始集中使用高带宽服务，导致 3G 网络容量迅速吃紧，运营商不得不持续追加资本开支扩容。最终，运营商需要通过分级套餐、合理使用规则和限速等方式，逐步让基础设施成本、定价机制与用户感知价值重新对齐。
在 Evans 看来，今天 AI 领域也出现了类似现象：用户每月只支付 20 美元，却可能消耗高额的 Token 成本；反过来，如果按真实消耗计费，用户又很难接受账单规模。这种价格与成本之间的张力，本质上和移动互联网早期的结构性矛盾一致。
更值得注意的是后续结果。移动数据流量后来增长了约 1500 至 2000 倍，全球移动互联网收入达到约 1 万亿美元，年资本开支约 2000 亿美元，但 ARPU 在 20 年间并未同步增长。真正创造大量新应用与新利润的，主要并非运营商本身，价值更多转移到了更上层。
Evans 认为，这正是大模型产业必须面对的核心问题：模型本身究竟能否直接完成终端任务，还是需要在其上继续构建大量应用层产品？如果最终仍需要报税软件、行业系统、流程工具与专业工作流来承接具体需求，那么底层模型提供者的角色更接近通用基础设施，而非最终价值捕获者。
由此延伸出的另一个问题是：模型能力是否会最终演化为一种按边际成本出售的商品型基础设施。就当前市场环境看，这个判断并不容易被接受，因为短期内模型公司往往仍能卖出其所能提供的大部分 Token，并据此维持较高定价。
但 Evans 提醒，在未来几年，当 1 至 2 万亿美元级别的资本开支陆续落地、模型效率继续以 100 至 200 倍的年提升速度演进、更多新模型持续进入市场后，供需关系很可能转向新的均衡。届时，如果模型性能趋近、功能相似、底层芯片也没有本质差别，那么模型层的定价权究竟来自哪里，就会成为更加尖锐的问题。
他回顾历史指出，芯片公司、ISP 与移动运营商都未必成功捕获了价值链中的最高利润。相比之下，Windows 与 iOS 之所以能够获得更强控制力，是因为它们不仅是基础设施，还掌握了平台层的杠杆与网络效应。而模型层当前并不天然具备这种条件。
因此，问题并不只是“模型会不会赚钱”，而是模型公司最终更像基础设施提供者，还是像操作系统平台那样掌握更强的分配能力与控制力。Evans 提到，Netscape 的故事本身也说明，技术形态并不必然等同于价值中心，浏览器曾被视为关键入口，但最终决定价值归属的，并不只是浏览器本身。
面对“AI 更像互联网还是更像云”的提问时，Evans 认为，历史类比能提供理解框架，但不具备直接预测力。回看过去，每一次技术转型在发生时都伴随大量不确定性，许多在事后看起来理所当然的结果，在当时并不清晰。
他提到，有人批评他没有给出足够明确的未来判断，只是在重复“我们还不知道”。但在他看来，这恰恰符合当前技术周期的现实：变量过多、路径分叉太多。可以提出哪些方向更可能成立，也可以指出哪些逻辑不容易成立，但若要在这个阶段用单一路径解释全部终局，风险极高。
在他看来，这正是技术周期早期的典型特征——所有赌注都仍然开放。只有当 S 曲线进一步上行，市场格局才会逐渐收敛，真正的问题也会随之改变。
03 基础模型不是产品，价值在上游
在解释“基础模型不是产品”这一观点时，Evans 给出了几个关键前提。
首先，他认为，当前很难看到哪家公司能够长期构建一个“从根本上始终显著优于同行”的模型，并持续维持这种优势。模型不像搜索、社交媒体或视频平台那样天然具备明显网络效应，也不占据类似 Instagram、YouTube 或 Google 搜索那种可持续强化的战略位置。
不同模型之间当然存在能力侧重与体验差异，但这种差异未必足以构成牢固的长期护城河。很多时候，差别更像是“愿意为多一点性能付出多少成本”。
其次，他认为聊天机器人本身只是一个功能有限的 V1 形态界面。它在某些任务、部分用户和特定场景中非常有效，但绝大多数真正的业务问题，并不能只靠一个聊天框解决。企业仍需要工具链、数据、控制逻辑、合规边界和清晰的用户界面设计。
更重要的是，擅长完成工作的人，不一定擅长把工作过程抽象成一套可复制的软件产品。就像擅长平面设计的人，并不等同于适合设计 InDesign 的人；擅长理财咨询的人，也未必适合定义一套理财 AI 工具的产品逻辑。
Evans 由此引出一个更广泛的问题：企业到底需要专用软件、横向软件，还是继续依赖 Excel 一类通用工具？现实里，大量组织都存在介于这几者之间的“灰色地带”。许多部门实际上依靠一个复杂的表格系统或临时流程持续运作，直到某个规模临界点才会被专门软件替代。
在这种背景下，他并不认为模型公司能够自己完成所有上层产品建设。就像微软和苹果不可能亲自打造 Windows 与 iOS 之上的每一个应用，模型公司也不太可能垂直包办所有行业解决方案。
因此，一个核心问题再次浮现：模型公司是否具备类似操作系统那样的平台杠杆？Evans 的答案偏向否定。他举例称，一家律所、制造企业或银行在采购业务软件时，不太可能因为“我们统一使用 Claude”或“我们统一使用某个底层模型”而做决策。对于大多数企业客户而言，底层模型更像云服务层，被集成、被抽象、被隐藏，而非采购决策的直接核心。
从这个意义上说，他更倾向于把基础模型类比为云服务商：它们当然可以形成一定竞争优势，但这种优势未必足以转换成平台控制力、网络效应或持续定价权。
他还将模型行业与半导体行业相联系。半导体每一代进入门槛都更高、资金需求更大、参与者更少，模型行业也在呈现类似特征。但即便如此，如果最终市场里仍存在 3 到 6 家主要前沿模型提供商，再加上大量边缘模型和开源模型，那么价格纪律如何形成，本身就值得追问。
尤其是当不同公司背后还有完全不同的商业模式时，问题会更复杂。例如，依赖广告收入的平台，其定价逻辑与纯模型商业化公司的逻辑并不相同。
Evans 认为，当前市场处于一个供需、容量、CapEx 与定价都高度失衡的阶段。需求旺盛并不意味着无法进入新的价格均衡。移动数据行业已经展示过类似路径：即使需求增长了 1500 到 2000 倍，市场最终仍会在供给与竞争中形成新的价格平衡，并在很多地区引发激烈价格战。
因此，他的核心观点不是断言“模型一定会商品化”，而是提出一条更具经济学一致性的推理链：如果底层能力趋同、用户可切换、资本不断加码、供给逐步释放，那么模型层为什么不会更接近商品化基础设施？这一问题，至少值得行业正面回答。
04 编程之后，下一个突破会在哪里
谈到接下来最值得关注的问题，Evans 认为，除了模型能力边界、差异化程度之外，一个非常现实的话题是：在什么时间点，越来越多的用例不再需要最贵、最快、最大的云端模型，而可以由旧模型、开源模型或端侧模型完成。
在他看来，这将直接关系到设备端 AI 的发展路径。以苹果为代表的平台方，未来很可能会强调有多少能力能够下沉到设备本地运行。对于用户而言，本地算力在体验上接近“免费”，对于开发者来说也意味着不同的成本结构。
另一个正在浮出水面的重点，是 AI 对专业服务行业的影响。例如律所、咨询公司、投行等典型的“金字塔型”组织，如果大量底层分析、整理与辅助工作被自动化，那么这些机构的招聘、培训、晋升和利润模型都会受到影响。
一个状态看板特效，服务节点和统计值会以不同节奏刷新。 从下载体验看，它的优势在于文件清晰、没有外部依赖、可以直接用浏览器打开。用户可以先阅读本文了解实现方式，再进入演示页体验真实交互。
Evans 强调，这类问题仅凭技术视角很难回答。因为如果不了解律所、咨询公司或金融机构内部的真实工作流，就很难判断 AI 实际会改写哪一部分任务、哪一段价值链，以及客户最终买单的到底是什么。
他借 Netflix 举例说明：虽然 Netflix 建立在科技行业提供的基础设施之上，但它真正面对的核心问题，本质上是内容行业的问题，而不是技术行业的问题。同样，AI 对法律、金融或影视行业的影响，也不仅是技术问题，更需要行业内部知识来解释。
第三个维度则是生成式 AI 与此前平台转型的本质差异。Evans 指出，在 PC、互联网、移动互联网时代，尽管人们也无法完全预测终局，但至少清楚许多基础约束条件，例如硬件价格、网络部署速度和物理扩张边界。
而在生成式 AI 领域，这些边界本身还在快速变化。模型会变大多少、变快多少、变便宜多少、在哪些任务上能力跃迁，都还没有稳定答案。甚至不排除出现新的技术突破，使成本曲线进一步发生陡变。正因如此，这一轮转型的不确定性比以往更高。
他再次强调，当前真正形成 PMF 的仍然主要是编程。如果 Anthropic 的年化营收从去年的 90 亿美元运行率升至 470 亿美元，且主要依赖软件开发相关需求，那么问题就变成：当其他行业也开始出现类似可落地、可规模化的场景时，会发生什么。
对于“编程之外哪些用例可能形成日活级使用”的问题，Evans 给出的回答仍偏框架性。他将自己的演讲拆为三部分：资本与基础设施、软件如何被重写，以及“变化”本身。
在他看来，AI 的本质之一，是把原本只能由人完成、且难以自动化的工作，变成可被自动化的一类任务。围绕这一点，可以从几个角度思考。
第一是价格弹性：当完成任务的成本显著下降后，企业是花更少的钱做同样的事，还是花同样的钱做更多的事？又或者，因能力提升而解锁新的收入结构？
第二是门槛变化：过去某些能力因为太贵而无法普及，现在是否变得可进入？是否有一些原本被高成本限制的环节，会因为 AI 而成为新的商业机会？
第三是新增可能性：是否存在一些过去由于成本过高而从未被认真考虑过的需求，如今终于变得可行？
他以 YouTube、Spotify 等为例说明，新技术最重要的价值，不只是把旧事情做得更快，而是把旧技术根本做不了的事情变成现实。这一逻辑放到 AI 上，同样成立。
不过，他也提醒，这类判断一旦落到具体行业，差异就会迅速放大。互联网削弱了物理分发的价值，但它对报纸行业和电影行业的影响完全不同。因此，AI 的产业结果同样不能只靠宏观叙事来概括。
在更具体的场景中，Evans 对广告、电商、品牌和消费决策体系的变化尤其感兴趣。他认为，Google、Meta 和 Amazon 长期以来掌握了海量商品、SKU 和用户行为数据，但并不真正“理解”商品的语义与购买动机。LLM 则有机会补上这一层抽象能力。
理论上，AI 可以更好地识别商品是什么、用户为什么购买、相似商品之间的差异是什么，并据此改善推荐与广告系统。这也是为什么相关平台在把 AI 深度融入广告投放、推荐引擎和预测算法后，广告收入与转化效率会出现加速变化。
进一步地，AI 还能把“看图识物、跨平台比价、风格化推荐、多维商品对比”等能力整合到新的消费入口中。过去几年这些能力仍带有实验属性，而现在已经开始接近可用产品形态。
归根结底，Evans 认为，新技术诞生初期，人们总会先用它去做旧事情：做更多表格、更快生成邮件、更高效整理资料。但真正决定长期价值的，往往是那些旧技术做不到的新任务。
在企业场景中，一个更高阶的例子可能是：企业录下了所有客户会议，积累了 CRM 邮件流、用户行为数据与分析指标，那么是否能借助 LLM 从更高抽象层发现流失率、定价策略和销售效率之间的新关系？这种能力，已经不同于传统意义上的情绪分析或脚本自动化。
不过，Evans 也明确表示，在今天这个阶段，试图直接预测 AI 时代的“Uber”或“Airbnb”是什么，仍然为时尚早。
05 AI 时代的 SaaS 格局会更分散还是更集中
当被问及 AI 是否会让 SaaS 市场比以往更分散时，Evans 认为，至少有一点较为明确：软件的构建成本会下降，开发速度会提升，而能够被软件解决的问题会明显增多。这意味着竞争会更加激烈，市场中的产品数量也会继续膨胀。
但与此同时，利润率结构会如何演化，仍没有明确答案。结果导向定价是否会成为主流，也是一个悬而未决的问题。Evans 认为，把企业软件中的每一次操作都与最终损益表直接绑定，在绝大多数场景下都不容易成立，至少长期看并不简单。
他给出了两个理解框架。
第一个框架是拆解企业软件版图。当前企业系统大致可分为三类：大型横向系统，如 SAP、Workday、CRM 和薪资管理软件；大量垂直软件；以及介于两者之间、由 Excel、邮件、共享文件系统构成的灰色操作层。很多业务流程会在这三种形态之间不断流动。
在他看来，LLM 的加入不会简单替代其中某一层，而是会成为这个复杂软件生态中的又一组选项。有的场景会把 AI 融入现有系统，有的场景则可能借助 AI 构建新的小工具，填补旧系统和手工流程之间的空白。
第二个框架则是：LLM 究竟位于技术栈的顶部，还是底部？
若放在底部，AI 更像 Salesforce、ERP 或垂直软件中的一个能力模块，用于自动生成邮件、辅助销售对话、整理上下文信息，并在明确边界与工具链中运行。
若放在顶部，AI 则可能横跨多个系统，调取 Salesforce、Workday、邮件与分析平台的数据，完成过去无法完成的综合判断与抽象分析。
在这种结构下，一个关键矛盾在于：概率性、可能出错的系统应该放在哪里；确定性的数据库、业务规则和工作流又该承担什么角色。Evans 的判断是，未来很可能两种模式都会并存，取决于具体问题。
从更宏观的角度看，他认为 AI 不会减少软件，反而会带来“更多的软件，远远更多的软件”。软件公司不断解决其他软件系统留下的问题，这种趋势在 SaaS 时代已经非常明显，而 AI 时代大概率还会进一步放大。
至于所谓“SaaS 末日论”，Evans 的态度相对冷静。他认为，现有 SaaS 公司中一定会有一部分被新一轮 AI 浪潮冲击甚至淘汰，但这并不意味着整个行业可以被简单打折估值。真正困难之处在于，当前还无法准确判断哪些公司会受益、哪些公司会受损。
谈到未来软件形态的形成路径时，Evans 认为，这需要大量实验与迭代。软件本质上是把某种工作流编码进去，而工作流又是从真实业务中“长出来”的，不是凭空定义出来的。
他提到，战略咨询公司和软件公司在某种程度上做着相似的事情：都在观察一家公司实际如何运作，再提出一种“更好的做法”。区别在于，软件公司把方法写进系统，咨询公司则把方法写进流程、岗位、培训与组织方案里。
这也带来一个更现实的问题：一家组织内部有多少关键工作其实是隐性的、没有文档、无法直接出现在训练数据中的。很多重要流程并不真正存在于标准操作手册里，而是隐藏在部门之间、激励机制之下、或依赖少数人的经验与判断。正因如此，AI 工具的落地不仅是功能问题，更是采纳、教育与组织协调问题。
对于“AI 原生软件是否会催生新界面甚至减少前端”的讨论，Evans 表示这些方向都值得关注，但他没有给出非常强的结论。他认为，类似“API 是新界面”的观点在过去也曾出现，如今只是在新的技术语境下重新出现。真正困难的部分仍在于异常处理——所有关键决策，最终都落在那些无法完全自动化、需要判断与经验介入的环节上。
他用“任务”和“职位”的区别来解释这一点：组成一个职位的具体任务可能会发生很大变化，但职位本身及其面向客户交付的核心价值，未必会同步消失。就像今天的会计师与 50 年前的会计师，工作方式可能完全不同，但客户购买的仍然是某种相近的专业结果。
更进一步说，LLM 最擅长的是那些“任何人都会给出类似答案”的任务，即标准化、可描述、可复用的工作；而最难处理的，往往是那些你自己都难以完整解释、且恰恰因为与众不同而有价值的任务。
06 模型商品化的可能命运与历史镜鉴
谈到“投资不足的风险高于过度投资”这一流行观点时，Evans 先从财务约束出发。他指出，微软、Meta 和 Google 当年的资本开支已接近收入的 50%，而传统被认为资本密集的电信行业，其 CapEx 占收入比例通常只有 15% 到 20%。四大公司合计 7000 亿美元的投入规模虽然巨大，但放在全球级基础设施建设视角下，并非完全不可想象。
不过，他也强调，这种支出增速不可能无限持续。企业不可能长期将年度 AI 基础设施投入推向 1.5 万亿美元甚至更高，因为资本本身存在上限，融资能力与现金流承受力也有限。从这个意义上说，CapEx 增速在某个阶段必然放缓。
他对更精细的判断保持谨慎。当前市场同时存在供给不足、需求高涨、效率提升与技术路线不确定等多重变量。边缘计算、开源模型和新一代模型何时加入竞争，也都会影响最终平衡点。
此外，模型的相关性窗口期可能只有 3 到 6 个月，至多 6 到 9 个月，而打造这些模型往往需要数十亿美元级别的投入和庞大基础设施。这种高投入、短周期的结构，本身就使行业更难稳定。
对于“大公司为什么仍必须继续投入”，Evans 的解释是，这在某种程度上已经带有生存竞争色彩。无论是 Google、Meta、微软、亚马逊还是苹果，都不能接受自己缺席下一代计算平台的风险。即便 CFO 会持续追问投资边界，这种“不能错过”的心态仍会推动资本继续流入。
当被问及是否会出现“Token 浪费的清算时刻”时，Evans 认为，局部案例几乎肯定会出现。比如有人用最贵模型完成并不需要高成本的简单任务，最终发现账单与价值严重不匹配。
但他更关注的是，整个行业目前仍处在一种“定价尚未与成本充分对齐”的失衡阶段。使用量、价格与 ROI 之间需要重新建立关系，而在早期阶段，这种关系本就很难精确量化。
他提到，很多企业当前感知到的 AI 收益，更多来自更快的分析、更好的客户支持、更高的生产效率等间接收益。这些价值确实存在，但未必能快速体现在独立收入科目里，也很难立即精确折算为财务回报。
另一方面，许多效率提升最终会演化成竞争必需品，而不是额外利润来源。就像 Excel 让分析工作更快，但企业未必因此可以向客户收更多钱。很多生产力提升会被市场竞争吸收，变成所有参与者都必须具备的基础能力。
Evans 以咨询和投行举例：某项分析过去需要一周，现在可能一天就能完成。公司也许会做更多分析，但对客户的收费结构未必同步改变。结果往往是效率提高了，但利润未必按同样比例扩张。
最后，在回应“如果模型最终可能商品化，为何基础模型公司仍是融资最热赛道”时，Evans 的回答并非简单否定模型公司的价值，而是再次强调：模型商品化并不是既成事实，而是一条值得严肃讨论的推理链。
他重申，移动通信行业提供了一个有参考价值的历史样本：行业规模极大、资本投入巨大、基础设施极其重要，但最高利润未必由基础设施建设者拿走。运营商确实获得了回报，也确实推动了整个产业发展，但最终并没有掌握全部价值分配权。
因此，他认为模型公司的现实处境更像一个两难命题：一方面，必须持续向前推进，因为一旦停止竞争，就可能迅速落后；另一方面，市场也必须回答一个更实际的问题——除了让软件行业更高效之外，这些模型如何真正扩展到经济中更广泛的场景，覆盖更多行业与更多普通用户。
也正因如此，市场上才会出现基础模型公司与咨询机构、私募股权和系统集成方合作的趋势。对于很多传统企业而言，真正困难的不是“是否有模型”，而是“这些模型到底该如何落到自己的业务里”。
在对话结尾，Evans 提到自己在演讲中反复使用的一张 20 世纪 50 年代 IBM 广告：广告中写道，一台 IBM 电子计算器相当于 150 名专业工程师。这类表述在每一轮基础技术变革中都曾出现。AI 当然是重大的、变革性的，但移动互联网、互联网、PC 乃至计算机本身，在各自时代同样如此。
在他看来，更合理的基准预期不是把 AI 当作完全脱离历史的孤例，而是承认：我们又一次进入了新的技术平台转型周期。这会带来积极变化，也会带来阵痛；会创造新职业，也会冲击旧岗位。等到多年后，人们大概率会像今天看待智能手机、宽带和云服务那样，把 AI 视为理所当然的基础能力。
他说，终点也许正是如此：技术最终会像“魔法”一样融入日常，以至于人们不再觉得它特别。
需要说明的是，以上内容主要围绕 AI 基础设施、模型商业化与软件形态演进展开，属于行业观察与技术经济讨论，不构成投资建议。相关赛道仍处于快速变化阶段，商业模式、定价结构与市场格局均可能继续调整。
