block_fancy

过去聊 AI 模型，大家最爱问一个问题，谁最聪明。
谁推理更强，谁代码更好，谁数学更稳，谁多模态更惊艳。
这个问题当然重要。
但到了应用商业化阶段，它不再是唯一的问题，甚至很多时候不是最先要问的问题。
真正该问的是，够不够用，快不快，便不便宜，能不能稳定跑在你的业务里。
这就是便宜模型变强以后，AI 竞争开始发生的变化。
以前大模型像奢侈发动机。你把它装进产品里，演示效果很好，但只要用户量上来，成本就开始咬人。一次调用看起来不贵，成千上万次调用叠起来，毛利就会被吃掉。
而且很多真实任务，并不需要最聪明的模型。
客服分流、固定格式摘要、表格抽取、工单分类、标题改写、短文本翻译、知识库检索后的回答，这些任务需要的是稳定、快速、便宜、可控。
如果一个小模型能把这些事做得八九不离十，它就很有商业价值。
因为产品最终不是在比赛模型排行榜。
产品是在算一笔账。
每次用户操作花多少钱。
响应要等几秒。
出错后谁来兜底。
能不能部署到客户自己的环境。
数据能不能少出门。
这些问题，比谁在通用测试里多赢几分更接近生意。
便宜模型变强以后，AI 应用会出现一个很重要的分工。
简单任务交给小模型。
复杂判断交给大模型。
高频流程交给低成本模型。
关键节点再调用更强模型。
这听起来像技术架构，其实是商业架构。
因为它决定一个 AI 产品能不能从试用走向规模化。
很多 AI 应用死在一个地方，演示阶段没有成本压力，正式上线才发现每一次用户使用都是亏的。产品经理只看生成效果，财务看的是毛利，客户看的是稳定，用户看的是等待时间。
低成本模型的意义就在这里。
它不是替代所有强模型。
它是让 AI 从一个炫技功能，变成可以被嵌进业务流程里的日常能力。
再说延迟。
很多人低估了速度对产品的影响。
如果用户在聊天窗口里等 8 秒，他会觉得你在思考。
如果用户在办公软件里每个动作都等 8 秒，他会觉得你坏了。
AI 一旦进入工作流，就不能只看最终答案质量，还要看交互节奏。
写作助手可以慢一点。
客服助手不能慢。
实时翻译不能慢。
销售跟进建议不能每次让人等半天。
本地办公、端侧助手、移动设备上的 AI 功能，更是如此。
低延迟让 AI 从一个被动调用的工具，变成一个随手可用的界面层。
这会改变产品设计。
过去我们设计 AI 功能，常常是一个按钮，点一下，等生成。
未来更多 AI 功能会像自动补全、实时建议、即时归类、边写边改。它不再占据一个独立页面，而是贴在工作过程里。
这时候最强模型未必最合适。
最合适的模型，是那个在质量、成本、速度和可控性之间达到平衡的模型。
所以 AI 的下一场竞争，不是简单的谁最聪明。
而是谁更会调度模型。
产品里可能同时有大模型、小模型、规则系统、检索系统、缓存、人工复核。用户看不到这些东西，但它们决定产品能不能稳定交付。
这对创业团队反而是机会。
因为如果竞争只剩最强模型，中小团队没有太多话语权。
但如果竞争转向模型编排、场景理解、成本控制和产品体验，小团队就有空间。
一个垂直场景里，最有价值的不一定是最贵的模型。
可能是一个小模型，加上一套干净的数据结构，一组高质量样例，一个清楚的验收流程。
这也是为什么便宜模型变强以后，AI 应用会更像软件生意。
你要算成本。
你要做分层。
你要定义任务。
你要知道哪些错误可以接受，哪些错误必须人工复核。
你要把模型能力藏在产品背后，而不是让用户每次都面对一个万能输入框。
最后给产品团队一份清单。
第一，把功能拆成高频低风险、低频高风险、需要强推理、只需要格式处理四类。
第二，高频低风险任务优先尝试低成本模型。
第三，对用户体验敏感的场景，把延迟当成核心指标。
第四，不要只看模型单次效果，要看稳定性、失败率和返工成本。
第五，把强模型留给关键判断，不要让它处理所有重复劳动。
第六，记录每个任务的单位成本，别等用户量起来才算账。
第七，把模型选择做成产品能力，而不是临时技术决策。
便宜模型变强，不会让强模型失去价值。
它会让 AI 产品真正开始分工。
而一旦开始分工，竞争就从模型智商，转向产品基本功。

最近 Anthropic 的新闻，有点像把 AI 创业这个词按在桌上重新审了一遍。
一家 2021 年成立的公司，靠 Claude 站到大模型第一梯队，又在新一轮融资里把估值推到 9650 亿美元附近。这个数字已经不是普通创业公司语境里的大了，它更像一个问题。
AI 公司到底还算创业公司吗？
如果我们还用过去 SaaS 创业的眼光看它，就会觉得离谱。过去的软件公司，最迷人的地方在于轻资产，高毛利，边际成本低。先写出产品，再用增长和续费证明自己。
但大模型公司不是这样。
它们先要买算力，买人才，买数据工程，买企业客户的信任。用户还没大规模付费之前，账单已经先跑起来了。
所以 Anthropic 的估值，不只是投资人押注一个聊天机器人。它押的是一整套结构，模型能力能不能继续往前，企业客户会不会把 Claude 放进工作流，云厂商和芯片供应链能不能持续供给算力，以及资本市场愿不愿意继续相信这条路。
这就让 AI 创业变得很不像创业。
过去创业公司最重要的是快。先跑起来，边跑边修。
现在头部 AI 公司最重要的是扛。扛算力，扛研发，扛合规，扛客户迁移，扛估值背后的增长预期。
这不是小团队在车库里写代码的故事，更像电信、云计算、半导体和软件订阅混在一起的故事。
说到这里，最关键的不是估值高不高。
关键是这种估值背后，钱买的到底是什么。
第一层，钱买的是算力时间。
大模型训练和推理不是一次性开支。模型越强，客户越多，推理量越大，算力越像公司的原材料。Anthropic 融资时强调扩展计算能力，这句话听起来普通，其实很要命。
对传统软件公司来说，增长意味着服务器成本上升一点。
对大模型公司来说，增长可能意味着一轮新的算力采购、云服务承诺和芯片供给安排。
第二层，钱买的是企业入口。
Claude 真正有价值的地方，不只是能聊天，而是开始进入企业软件、客服、代码、文档、流程自动化这些场景。ServiceNow 这类企业软件伙伴，把 Claude 接进自己的产品里，等于把模型变成工作流的一部分。
这是估值能讲下去的地方。
消费级聊天有热度，但企业级合同有收入可见性。只要企业愿意把模型嵌进流程，AI 公司就不再只是卖一次调用，而是在争夺长期工作入口。
第三层，钱买的是信任。
AI 公司面对的不是普通产品风险。模型幻觉、数据安全、版权、企业合规、行业监管，每一个都可能影响采购。企业客户不是问你能不能生成，而是问你能不能被审计、能不能被追溯、能不能被采购。
所以估值越高，公司越不像创业公司。
它必须像基础设施一样稳定，又必须像创业公司一样高速增长。
这很矛盾。
也是它最危险的地方。
因为一旦资本市场把你按基础设施定价，它就会要求你有基础设施级别的需求确定性。一旦市场按软件公司定价，它又会要求你有软件公司级别的毛利和扩张效率。
AI 大模型公司夹在中间。
它们既要烧钱，又要证明不是烧钱换热闹。
既要开放给企业，又要把安全边界讲清楚。
既要追模型前沿，又要把每次推理成本压下来。
这就是为什么我觉得，Anthropic 的估值不是一个单纯的融资新闻。它更像一个行业拐点。
AI 创业的第一阶段，是证明模型能做出惊艳能力。
第二阶段，是证明这些能力能被企业稳定使用。
第三阶段，才是真正残酷的地方，要证明高估值背后的收入、毛利和基础设施投入能互相对得上。
对普通 AI 创业者来说，这件事也有启发。
不是所有团队都要走 Anthropic 这条路。
事实上，大多数团队也走不了。
头部大模型公司拼的是资本、算力、模型和企业入口。中小团队真正该拼的，是具体行业里的流程理解，是把模型变成可采购、可复用、可嵌入的产品。
如果你没有能力买下算力战争，就不要假装自己在打一场模型战争。
你要打的是场景战争。
最后留一份清单。
如果你正在做 AI 产品，先问自己五个问题。
第一，你卖的是模型能力，还是企业流程里的一个可交付结果。
第二，客户为什么要把数据和工作流放到你这里。
第三，你的成本会不会随着用户增长一起失控。
第四，你有没有能支撑采购的安全、权限、审计和合规说明。
第五，如果大模型能力继续降价，你的产品还剩下什么。
Anthropic 的万亿估值故事很壮观。
但真正值得普通创业者学习的，不是估值。
是它提醒我们，AI 时代的公司不再只是写软件。
它们在争夺工作流、算力资源和组织信任。

> 著者整理 | 2026年3月11日 | 黄仁勲 2026.03.10 NVIDIA公式ブログ長文に基づく
一、五層ケーキは一体何を語ったのか
2026年3月10日、NVIDIAのCEOである黄仁勲は、2016年以来の第七回目となる公開長文を発表しました。これは普通の業界の観察ではなく、体系的な産業マップです。彼は「五層ケーキ」という素朴な比喩を使って、AIの本質を再定義しました。
五層構造は下から上へと次のようになります：
エネルギー → チップ → インフラ → モデル → アプリケーション
成功したアプリケーションはすべての層に影響を及ぼし、最下層の発電所まで電力を供給します。

最近 @FabricFND の Fabric Protocol を研究していて、見るほどにこのプロジェクトが本当に価値のあることをしていると感じる。
AIエージェントのストーリーはみんな聞き飽きているが、実際に実現可能で、経済モデルが機能するプロジェクトは非常に少ない。Fabric Foundation が行っていることは異なる——それは AIエージェントが本当にチェーン上で自律的に運用できるインフラを構築していることであり、$ROBO はこのシステムの核心的な推進力である。
なぜ私は #ROBO を支持するのか？
従来のDeFiプロトコルの問題は、人間の介入が必要であり、効率が低く、反応が遅いことだ。Fabricの考えは、AIエージェントがこれらの繰り返しのチェーン上の操作を引き継ぐこと——自動的に戦略を実行し、ポジションを管理し、収益を最適化することだ。これは概念ではなく、実際に稼働しているインフラである。

こんにちは、広場の皆さん。今日は私が非常に期待しているAI+ロボット+ブロックチェーンの融合プロジェクトについて深く共有したいと思います —— @FabricFND が発表した Fabric Protocol。
Fabric Protocol は、次世代ロボット経済の構築を目指す分散型インフラストラクチャ基金です。彼らはブロックチェーン技術を通じて、自律型インテリジェントロボットとAIエージェントにオンチェーンのアイデンティティ、主権ウォレット、そして完全な経済システムを与えています。これは、未来のロボットが単なる道具ではなく、独立して経済活動に参加し、タスクを完了し、利益を得ることができる「デジタル市民」となることを意味します。