AI 吞噬世界：導航下一個平台轉型

科技的歷史並非工具的線性進步，而是一系列平台轉型的過程。每隔 10 到 15 年，一場根本性的變革——從大型主機到 PC，從網路到智慧型手機——就會重塑價值如何被獲取、誰是守門人，以及哪些產業面臨生存威脅。我們目前正處於生成式 AI 引發的這場轉型之中。

根據分析師 Benedict Evans 的觀點，當前時代的特徵是大規模、近乎於絕望的資本部署。「big four」 (Microsoft, Alphabet, AWS, and Meta) 正投入數千億美元於數據中心和晶片，其背後的驅動力源於一種單一的恐懼：投資不足的風險遠大於投資過度的風險。然而，隨著這場資本支出（capex）戰爭塵埃落定，一個關鍵問題隨之而來：平衡點會是什麼樣子？

資本支出爆炸與商品化陷阱

我們正看到半導體需求和數據中心建設的空前激增。在某些情況下，美國的數據中心支出甚至超過了辦公大樓的建設。這與以往科技時代的「輕資產」本質有所不同；這些公司現在正挑戰金融引力，為下一個前沿領域建設基礎設施。

然而，歷史表明，商品化基礎設施很少能在技術棧的上層獲取價值。Evans 將其與 2010 年的行動網路進行類比。雖然電信商建立了支撐行動革命的萬億美元級「管道」，但真正的價值是由建立在這些管道「之上」的應用程式和服務所獲取的（例如 Uber, Instagram, TikTok）。

如果 LLM 遵循這一軌跡，模型本身將會變成商品。當 OpenAI, Anthropic, Google, and Meta 的前沿模型都達到相似的通用能力水平時，定價權就會消失。在這種情況下，智能會變成一種公用事業——就像電力或水一樣——按量計費。

從「空白螢幕」到實際部署

儘管存在炒作，但在 AI 使用與其潛力之間存在著顯著的「容量差距」。雖然 ChatGPT 擁有數億週用戶，但絕大多數用戶並非每日重度用戶。消費者的使用目前處於「一英里寬，一英吋深」的狀態。

為了從實驗階段轉向必要的日常使用，AI 必須超越「空白螢幕」（聊天介面）。Evans 認為，聊天介面對於通用用途來說是一種糟糕的 UX，真正的創新將發生在「應用程式」中——即將 AI 整合進現有流程的特定工作流和工具。

部署模式

新技術通常分為三個階段進行部署：

吸收： 做得比以前更好（例如，使用 AI 寫出更好的電子郵件）。
創新： 實現以前不可能實現的事（例如，即時分析一百萬通客戶電話以尋找特定的情緒）。
顛覆： 完全重新定義問題。

目前，最成功的部署案例是在編碼、行銷和客戶支援——這些領域的任務是明確的，且投資報酬率（ROI）易於衡量。特別是在編碼領域，我們正看到一種世代轉型，小團隊可以在一週內完成以前需要數十人耗時數月的工作。

自動化悖論：工作 vs. 任務

AI 時代最深刻的問題之一是勞動力會發生什麼變化。Evans 建議我們區分「任務」與「工作」。

任務： 工作中枯燥、重複的部分（例如，撰寫規格書、建立試算表）。這些正被自動化至趨近於零成本。
工作： 為了達成目標所需的隱性知識、品味、品味、見解與策略性思考。

從歷史上看，當一項任務變得免費時，並不一定會摧毀「工作」；通常，它會擴大工作的範疇。當自動化庫存管理（條碼）被引入時，超市並沒有解雇所有員工；他們只是增加了五倍的產品種類。「枯燥」的工作被自動化了，從而實現了更複雜的商業模式。

技術不確定性與「陵墓」風險

雖然資本部署規模驚人，但存在一種技術風險，即目前的路徑可能效率低下。一些觀察家指出，AI 的「大型主機時代」——向問題投入更多參數和更多數據——可能是一種笨拙的方法。

如果發現了一種更緊湊、更高效的智能表示模型，目前的巨型數據中心可能會變成「舊技術的腐朽陵墓」，就像 PC 革命邊緣化了早期計算時代的大型計算中心一樣。這種可能性突顯了集中式數據中心智能與潛在的分布式部署未來之間的緊張關係。

結論：假定極端不確定性

當我們展望 2026 年及以後，最有價值的策略是假定極端不確定性。AI 時代的贏家可能不會是那些僅僅建立了最大的模型，而是在於提出了正確的新問題：「以前是什麼不可能的，而現在變得便宜了？哪些產業曾受保護於 AI 現在可以自動化至零成本的成本結構中？」

正如 Evans 著稱，歷史不會重演，但會押韻。當前這種想法失敗、產品形態不明確的混亂狀態，是每一次平台轉型的特徵。目標並非完美地預測未來，並非預測未來，而是建立能讓新能力變得實用的工作流和產品。