跳到正文
Behind the Balance Sheet(youtube.com)· Steven Clapham·· 9 天前品質評分58

誰在靠 AI 賺錢?Benedict Evans 來解答

誰在靠 AI 賺錢?Benedict Evans 來解答

重點導讀

Benedict Evans 認為,AI 估值與 TAM(總可及市場)模型並不可靠,因為模型成本與需求都充滿不確定性;而且 AI 創造的價值有相當大一部分可能變成消費者剩餘,未必會落到 Anthropic 這類模型公司手上。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

科技產業分析師暨電子報作者 Benedict Evans 認為,Anthropic 的 S-1 回答不了投資人最想知道的問題——這波龐大的 AI 建設究竟能不能賺到報酬——因為幾個關鍵變數(推論定價、訓練成本、使用深度,以及價值究竟落在哪一層)全都還沒有定論。整段對談大部分是在談 AI 經濟學的結構性論證,而不是對 Anthropic 下定論:超大規模雲端業者的資本支出與折舊風險、模型沿著陡峭的價格效能曲線走向商品化,以及價值究竟歸於模型供應商,還是歸於其上的應用層。Anthropic 的申報檔案本身只佔了開場幾分鐘。

Evans 切入這個題目的框架相當特別:他 1999 年入行,2000 年成為電信分析師,正好趕上歐洲行動電信業者砸下約 1,100 億至 1,200 億歐元標 3G 執照,最後卻賺不到報酬——儘管行動上網後來變得無所不在。他通篇套用這個類比,也套用雲端、晶片與試算表的類比,並且坦言自己不知道其中幾個問題會如何收場。讀者讀完應該能帶走一套評判 AI 投資說法的實用框架、一組關於資本支出與模型經濟的具體數字,以及一份明確的觀察訊號清單。

Anthropic 的 S-1 營收爆發,卻藏住了真正關鍵的變數

Evans 讀過申報檔案後認為,這份檔案幾乎能佐證任何一種先入為主的看法。樂觀派可以指著一年內營收成長約 10 倍、Claude 承擔的研究工作比重持續攀升;懷疑派則可以指著 800 億美元的虧損——他形容這筆虧損大部分是會計上的帳面產物。檔案沒有揭露的是使用的深度與廣度:它只報營收和客戶數,卻沒說產品在少數核心使用者之外到底好不好用,部分原因是 API 的使用情況對它而言是不可見的。

在他看來,最引人注目的特徵是成本結構與正常損益表恰好相反。推論成本(即銷貨成本)大致持平,營收卻成長了好幾倍,靠的是效率提升。訓練成本屬於研發費用,照理應該是固定成本,卻隨著營收同步上升。「如果這張圖沒有標示,你會以為兩條線是反過來的,」他說。

他也點出營收面的集中度問題:Anthropic 約 80% 的營收來自過去六個月打造的模型,四月之前打造的模型只佔約 20%。這既反映客戶偏好最新模型,也反映一個一年前的模型已經變成近乎免費的商品。

「固定成本看起來像變動成本,變動成本看起來像固定成本。」

他認為這份檔案的預測價值有限,因為最關鍵的兩條線——推論定價與訓練支出——都取決於未知數:規模擴張還能不能持續帶來回報、模型公司能不能做出差異化,以及 Token 的供需如何平衡。

超大規模業者的資本支出已超越現金流,難怪信用分析師也進了會議室

依 Evans 的數字,Meta、Google、Amazon 與 Microsoft 今年合計資本支出規劃約 7,500 億美元,五年前約為 1,000 億美元。四家中有三家——Microsoft、Google、Amazon——今年資本支出將超過營收的 50%。資本支出成長速度已超越自由現金流,這就是這些公司轉向資本市場籌資的原因,也是科技分析師突然得搞懂 IG(投資等級債)和 HY(高收益債)是什麼的原因。

對於麥可·貝瑞提出的折舊問題,Evans 選擇把各個變數攤開來談,而不是給出結論。資產的可用經濟壽命取決於每 GW 能產出多少 Token(隨晶片與模型進步而提升)、每個 Token 能產生多少成果、這些成果能收多少錢,以及你是否受電力限制。如果電力稀缺,拆掉舊晶片、換上每瓦報酬更高的新晶片就合理;如果電力充裕,舊晶片大概就會繼續留著。機械故障率則是未解的問題:「我不知道那會是什麼樣子。我不是資料中心分析師。」

他區分不同型別的投資人。投資 Google 的信用投資人就算資料中心最後變成「暖氣機」,也還有廣告業務墊底;股權投資人買下的則是地上那個洞。他也提到融資邏輯:預期未來成長足以吸收債務的公司,應該偏好發債而非增資,或者使用可轉債。

供需失衡才是麻煩所在。無差異化的商品在需求大於供給時可以賺到高毛利——就像石油——但這種情況不會持久。他拿這波建設與 1990 年代末的光纖對比:光纖是先於需求大幅鋪設,這次則是需求先行、建設在後追趕。光纖的前例仍然有意義,因為那個堆疊的每一層最後都只能以邊際成本出售。

今天的模型就是商品,而價格效能曲線陡得毫不留情

被問到 LLM 有沒有護城河,Evans 直說:「今天,談不上。」主要基準測試上,Anthropic、OpenAI、Google 與 Meta 彼此接近,中國模型和 xAI 也落後不多。差異只出現在特定用例,尤其是在最前沿——模型勉強才做得到任務的那種場景。

更重要的曲線是價格對比效能。最新的滿血模型很貴;一個六個月前的模型可能以 10% 的價格拿到 90% 的基準測試分數(這是他舉的示意數字)。極端一點看,語音辨識已經被解決,而且直接跑在你的手機上。對任何開發者來說,策略問題是:這個用例到底需不需要前沿模型——客服通話摘要不會需要一個十年後才出現的模型。

這形成的是分佈,而不是二分法:有些用例確實需要最新、最貴的模型,而且不同供應商之間有實質差異;大多數用例則沿著曲線往下滑,最後變得可以互換。這就是為什麼四月之前的模型只佔 Anthropic 營收的 20%。

價值很可能落在應用層,而非模型供應商

Evans 的核心結構性論點是:給每個人一個模型,就像 1980 年代中期給每個人一套試算表、1990 年代中期給每個人一個瀏覽器。那些工具改變了 5% 到 10% 的人的生活,但企業重新架構營運流程靠的不是它們——靠的是 SAP 和 Oracle,以及後來上千家 SaaS 公司。今天典型的美國大型企業跑 400 到 500 個 SaaS 應用,十年後可能跑到一千個,其中一半跑在 AI 模型上,而錢是付給那些軟體公司,不是付給 Anthropic 或 OpenAI。

他把 AI 解鎖的東西分成兩類:自動化(把既有工作做得更快、更便宜——聽完每一通客服錄音、派出 10,000 個代理去掃一個程式碼庫找漏洞),以及抽象化(問出以前沒辦法問資料庫的問題——「這週我該打給誰」,而不是一連 35 步的查詢)。第二類才是新軟體公司誕生之處,而且消耗的 Token 多得多。

他檢驗多頭論述的方法很簡單:請說明為什麼這件事不會像雲端那樣發展。雲端是門好生意,但它不設定議程,也沒有把上層軟體產業的價值收進自己口袋。至於反面論述——模型會好到可以自己把整件事做完——他比之為安瑟倫(Anselm)論證上帝存在時的本體論證:它之所以成立,只是因為把結論塞進了前提。「那句話裡有兩個巨大的『如果』。」

「不會是 Claude 跑在財務長的筆電上,就像財務長不會用筆電上的一份 Excel 來管一萬人公司的庫存一樣。」

他對由上而下的 TAM(總可及市場)推算普遍存疑。Aswath Damodaran 對 Anthropic 的 1.5 兆美元估值,前提之一是大型藥廠會是主要客戶——但藥廠在藥物研發商業化上的位置,按理說比模型實驗室更有利。Evans 也提到,Damodaran 在 2014 年曾以 2024 年移動出行 TAM 只有 180 億美元為由,直指 Uber 嚴重高估,結果漏看了 Uber 改造計程車市場、還加上外送與廣告;2024 年移動出行實際總交易額是 830 億美元,外送再加 750 億美元,貨運 50 億美元。重點不是抓錯,而是這類試算表捕捉不到新類別,也捕捉不到消費者剩餘。他舉了一個耐人尋味的例子:20 世紀每一個十年,會計師人數都在增加,PwC 現在僱的人比試算表出現之前還多——而這些價值既不出現在 Microsoft 的損益表上,也不出現在生產力統計裡。

四種類比勾勒模型實驗室的可能結局

Evans 提供的是一組歷史模板,而不是預測,並且明說他不喜歡做預測。

類比後來的發展對 Anthropic/OpenAI 的意涵
歐洲 3G 執照(約 2000 年)業者砸下約 1,100 億至 1,200 億歐元;行動上網成真,業者卻賺不到報酬採用規模龐大但價格低廉,投資沒有回報
雲端(AWS)是門好的基礎設施生意,但沒有把上層 SaaS 層收進口袋能獲利,但無法掌控價值落點
晶片/台積電先進製程晶圓廠成本大約每四年翻倍(Rock 定律),比摩爾定律慢;產業收斂到單一先進製程代工廠一、兩家贏家,握有真正的定價權
光纖(1990 年代末)建設遠超需求;每一層都只能以邊際成本出售整個堆疊價格崩跌

他另外補上一種可能:供給長期落後於需求,讓無差異化的商品也能賺到高毛利——「這顯然就是石油公司的情況」——但這種情況不會持久。

消費端 AI 有採用率,但還沒達到規模化的產品市場契合度

Evans 把軟體開發領域爆發式的產品市場契合度(product-market fit),與消費端的情況區分開來:消費端有 10 億到 15 億人在用 AI,但很多人想不出能拿它做什麼。空白畫面的問題才是限制所在:人們不知道該問什麼、什麼時候該問。

他對 Meta 聲稱其 Muse 產品已達到產品市場契合度存疑:1,000 萬使用者,其中 25% 在任何一天會使用——他指出這不等於日活躍使用者,而且「當人家不給你數字,或給你一個看起來像數字、其實不是數字的數字,那永遠是種訊號。」Zuckerberg 也說過,Muse 要等成本下降 10 倍才能規模化,以目前的速度大約要一年——所以如果規模化不了,那就不太算產品市場契合度。

策略上的後果是誰看得見使用者。如果消費端代理是靠被動觀察行為、主動提出建議來取勝,那麼 Google、Meta、Amazon 與 Apple 各自只摸到大象的一部分;OpenAI 和 Anthropic 只看得到 ChatGPT 或 Claude 裡面發生的事——這也是 OpenAI 可能想推裝置的原因之一。談到搜尋,他指出 Google 的表現比 2023 年市場共識預期的更穩,而把 ChatGPT 當搜尋引擎用,是用新工具做舊事情,而不是新行為。

代理會撞上責任歸屬、安全與客戶所有權

在 Evans 的解讀裡,Amazon 決定封鎖 Muse 有兩層原因。操作層面是銀行早就遇過的老問題:20 年來擋機器人,因為你無法驗證使用者身分,加上代理進行交易時的責任歸屬與退款爭議。策略層面則是沒有人想當別人家的笨 API 呼叫。Amazon 過去 12 個月廣告營收約 750 億美元,它想掌握客戶關係、加購銷售和店面。

他把這件事框定為零售業的老取捨——在龐德街開自己的店,還是在百貨公司裡租貨架——並歸納成一條規則:每個 AI 問題的答案只有兩種,一種是「沒有人知道」,一種是「上一次是怎麼運作的」。要不要讓新創完整存取客戶與業務資料、軟體要自建還是外購、要用供應商還是找 Accenture——這些全都有前例可循。

該觀察什麼,以及為什麼答案可能還沒辦法知道

Evans 收尾的綜合判斷是:數字高到這種程度,每一個比率看起來都像訊號,而人們會對任何一點風吹草動放大解讀——最近 Google 搜尋營收引發的市場反應就是一例。上漲時和下跌時,市場的走勢看起來一模一樣;沒有乾淨的出場訊號。

未解的張力在於兩個他同樣篤定的事實之間:這件事顯然會是驚天動地的大事,而我們不知道價值會落在哪裡。他拿 1997 年來比:當年是 ISP 和 Yahoo,對比後來真正重要的東西。值得追蹤的具體事項包括:是否會出現真正高強度、規模化的消費端用例(代理是候選);推論價格是否持續每年降 10 倍,同時代理式需求上升一到兩個數量級;訓練成本是否跟得上營收;以及模型實驗室會在最前沿做出差異化,還是終究落為商品化基礎設施。他也提到,整段對談始終沒談到機器人,他把它視為另一個獨立的 TAM 問題。

「所有 AI 問題的答案只有兩種:一種是沒有人知道,一種是上一次是怎麼運作的。」

來源: Behind the Balance Sheet (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論