丹药卖成白菜，前沿实验室就无缘元婴？

AI模型江湖01 / 专题研究 · 产业与投资

谁说前沿实验室成不了元婴？

# 丹药卖成白菜，前沿实验室就无缘元婴？

普通人的红利：产业 × 投资 × 交易，寻找AI时代的Google、Amazon ｜ 于AI诸相中，普皆共证菩提

本系列纯属个人兴趣，仅为AI江湖的八卦交流，不构成任何投资建议！如有侵权，联系删稿！｜2026年10月

<strong>问题｜</strong>模型降价、能力扩散、大厂追赶，能否直接推出前沿实验室只能做白牌供给？

<strong>判断｜</strong>成熟能力可以趋同，企业的生产修为与经营位置仍须分别证明。通用元婴的机会尚在，并不意味着所有实验室都能成婴。

<strong>看什么｜</strong>同条件任务差异、合格交付成本、客户持续建设的归属，以及跨代能留下的积累。

第1章 元婴尚未炼成，怎么先判了成婴无望？

前沿实验室究竟还有没有机会长成这个时代的大公司？《AI模型：金丹可争雄，谁能化元婴？》一直追问的，就是这件事。我们已经讨论过公司处在什么位置、智能如何生产、收入与利润往哪里去。如今需要正面拆开一道判词：模型越来越便宜，巨头又都追得上，独立实验室的元婴前程，是不是已经断了？

这道判词有吸引力。模型发布时声势浩大，过一段时间，类似能力出现在更多产品里；客户比较报价、要求折扣，云平台也能接入多家供给。于是，一条推论顺势成立：能力趋同，所以容易替换；容易替换，所以只能降价；只能降价，所以利润留不住；利润留不住，所以成不了元婴。

问题在于，这条链上的每一步，都有尚未证明的条件。某项能力出现替代者，不等于整套生产体系已经复制。报价下降，不等于合格交付的成本降得更慢。客户能换一个接口，不等于下一代产品的建设也能原样搬走。把这些差别略去，结论当然干脆，研究却停在了最需要展开的地方。

我的判断是：部分成熟能力走向商品化，完全可能；据此把所有前沿实验室判为白牌供应商，证据不够。金印五阶判断的是企业已经形成的经营位置。估值高低会改变市场的出价，不能代替金丹的占据与固化，更不能代替元婴的规则地位和合理收益。

因此，这组文章要重新打开进阶的可能性，同时把进阶条件写严。先破商品化的心魔，再问供丹、立派、入世怎样取舍；自营要哪些真功夫，领先怎样跨代留下，亲自进入下游又会变成什么生意，最后都要交给金印五阶检验。活下来、做成一门行业生意、长成通用平台大厂，是需要分别证明的结果。

第2章 功法传开了，修为就都一样了？

说一部功法已经传遍江湖，首先得说明：究竟是哪一招，在什么任务、质量要求和时期里，已经人人会用？

斯坦福《AI Index 2025》给出一个清楚的历史切面：达到GPT-3.5所对应的MMLU门槛，API价格从2022年11月每百万token约20美元，降至2024年10月约0.07美元，输入、输出按3∶1加权。同一章节也指出，当时前沿模型通常仍比同公司的较小模型昂贵。[1] 这说明固定门槛可以迅速便宜，能力前沿的价格差也可以同时存在。

这里必须守住口径。API报价是客户支付的价格，不能直接当成模型厂商的生产成本。达到同一考试门槛，也没有证明复杂任务、多轮工具调用与持续交付已经等价。我们真正关心的，是客户要求的那件事，能否在同样条件下完成。

例如，两个模型都能生成一份看起来像样的报告。但一个能稳定核对来源、处理缺失信息，并在限定时间内交付；另一个需要反复追问和人工补救。只比较第一屏文字，二者接近；比较整个任务，时间、质量和成本可能仍有差别。沿用EDP中工程化D的TQC，就足以表达这种差异，无须再造一套指标。

2024年的τ-bench研究，便把模拟业务里的多轮交互、工具调用与规则执行放在一起验收，还专门考察同一任务多次执行是否都能成功。[2] 这里借用的是评价方法，不能拿当年的成绩冒充今天的能力。它提示我们：答对一次和稳定交付，是两个需要分别检查的事实。

再向里看一层，同样的任务效果也可能来自不同的消耗。Anthropic在2024年11月披露，自己的工程师编写Trainium低层内核，参与AWS Neuron软件栈，并与芯片设计团队协作。[3] 这是一项具体的生产建设动作；最终效率和经营收益仍需另证，却不能把它简化成原厂只会交出模型、等待被复制。

有人用更多资源把结果堆出来，有人把系统经验留给下一版。功法的外显效果接近，仍须继续观察门派的修为。

<strong>表1　从能力趋同推到元婴无望，中间缺哪些证明？</strong>

表中列的是需要检验的条件；单项现象不能替企业直接判境界。

第3章 价格降了，金丹的位置就一定松了？

白菜价最容易让人产生一种错觉：卖得便宜，地位就一定低。可企业的位置，取决于它与客户建立了什么关系，以及这段关系能不能持续。

至少有几种不同的降价。生产效率提高，把一部分节省让给客户；利用率提升，把固定投入摊到更多合格产出上；竞争者涌入，迫使原厂交出过去的溢价；还有一种，是靠外部资金补贴价格。报价单上都写着打折，背后的修行却完全不同。

不妨设一个纯粹用于说明的情景。某类任务以前采购费用太高，客户只在少数关键环节使用。如果技术和工程进步降低了合格交付成本，价格也随之下降，原本不值得做的日常任务就可能进入采购范围。客户开始重写流程、配置权限、建立验收标准，原厂获得的便不只是更多调用，还有下一轮共同建设的机会。

这条路径能够成立，有两个前提。客户因使用而得到的价值，确实超过它支付的全套费用；原厂增加的收入，也足以覆盖承诺的交付、维护和继续投入。两边各有一本账，不能用客户节省了多少钱，替模型公司证明赚到了多少钱。原系列已经讨论过完整成本，这里要追问的是：账算得通以后，新增建设会落到谁身上？

倘若降价来自生产进步，新增任务又能复用同一底座，价格下降可能扩大优势者的有效规模。更多同类需求，让专门的工程优化值得投入；优化进一步改善交付，客户也更愿意把下一项重要任务交来。这里存在积累的可能，不能预先排除。

这里还有一种值得警惕的分化：某类丹药越来越便宜，能够长期供给它的门派反而可能减少。效率更高者承受得住新价格，缺少规模和工程积累者逐渐退出，份额与后续投入便可能向前者集中。这是一种竞争机制，尚不能替哪家公司下结论；但它已经说明，产品便宜与企业变强可以同时发生。

相反，若每接一单都需要新增大量人力补救，低价只是把尚未计入的维护责任推向未来，规模越大，负担也可能越重。若补贴停止，客户立刻回到最低报价的供给方，那么热闹的调用量并未炼出金丹。

所以，我们不能把降价一律解释为衰败，也不能把降价一律包装成飞轮。要看同质量交付的成本是否改善，新增需求是否付款，以及客户后续的产品与生产投入，是否持续落在这家企业的底座上。

第4章 这一招够用了，下一重难关也过得去？

商品化推论还有一个隐含前提：人们要解决的问题大致固定，只要现有模型都达到够用水平，往后的竞争就主要剩下价格。这个前提对于一部分成熟任务可能成立，但不能直接覆盖AI的全部前途。

在能力不足时，很多需求根本不会以采购订单的形式出现。一项研究如果需要人工筛选过多方案，客户可能直接放弃；一个设计过程如果试错成本过高，团队就只探索少数熟悉路径。能力进步的价值，有时在于让以前无法组织的研究和生产开始值得做，而不仅是把旧任务再快一点完成。

Google DeepMind于2025年6月发表的AlphaEvolve论文，提供了一个具体例子：系统让模型修改程序，由评估器反馈，再迭代筛选；作者报告了数据中心调度、硬件电路和模型训练等方面的应用。[4] 这项工作有明确的程序空间与评价条件，不能据此断言全面、无限的递归自我改进已经实现。

但它足以提醒我们，下一重难关可以是生产体系内部的新问题。模型开始参与改进算法，改进又可能降低后续工作的成本。要判断这种能力的产业价值，应追踪被验证的改进能否进入实际生产、能否反复使用，而不是只问聊天体验是否已经相差无几。

由此看，模型能力仍然是关键。工程再方便，无法完成的新任务依然无法完成；接口再统一，也不能把不存在的推理能力变出来。前沿实验室若能持续打开有价值的任务边界，就有机会取得新的议价空间，并争取围绕新能力展开建设的客户。

这件事不必等到AI成为“硅基生命”。任务可以由人提出，也可以由获得授权的Agent发起；它们最终仍要面对成果是否有效、资源由谁提供、责任由谁承担、费用由谁支付的问题。研究探索和经济兑现之间，还隔着验证与交付。取消这些条件，只会把企业研究换成一个无法检验的远景。

同样要承认，开辟新任务并不是独立实验室的专利。上述案例本身就来自Google。老巨头也有研究能力、生产现场和反馈机会。因此，新边界持续推进，只证明竞争尚未结束，并没有替任何一方预定胜局。谁先解开难题，又能把解法留在自己的生产体系里，谁才有下一步可争。

第5章 同样调用一部功法，为什么有人能立金丹？

江湖里人人都能借到一部功法，谁在组织练功，谁在承担结果，仍然可能不同。放到企业里，这个问题就是：客户的重要建设，究竟围绕哪一家展开？

AWS在2024年12月介绍Bedrock智能提示路由预览时，允许同一模型家族的大小模型按任务复杂度分流，并保留强模型处理更难请求。[5] 这项功能说明，模型之上还可能有一层系统，负责判断用什么能力、怎样平衡质量与成本。这里的公告并未证明所有厂商都可无差别互换，但它展示了请求分配权可以由平台掌握。

设想同一家客户购买同样的模型能力。若流程编排、评测资产、权限管理和合同关系都留在云或客户自有系统中，Lab只提供一个可替换的推理接口，那么客户越依赖AI，未必越依赖这家Lab。平台可以积累客户建设，模型原厂则继续参与供给竞价。

另一种可能是，客户把重要产品的开发、验证与持续运行建立在原厂能够主导的共享底座上。下一项产品继续复用已有组件、交付体系和联合验证经验；原厂也持续承担升级与服务责任。此时，模型只是入口，金丹的“占据”开始有了经营内容。

但是，共同建设仍须辨清归属。客户自己训练的团队、自己控制的数据、可以跨供应商使用的评测集，并不会因为项目中调用过某个模型，就自动成为原厂的家底。合作的价值可能同时留在双方，也可能主要强化客户自己的平台。对哪一家授金印，必须沿着真实关系来判断。

<strong>表2　功法扩散之后，哪些积累可能留下？</strong>

这是观察位置的对照，不是新增评分表；资产归属以实际安排为准。

也正因此，金丹与元婴不能混着说。客户围绕某个底座投入，给了我们检查占据与固化的理由；要继续谈元婴，还得看到规则、分配或定价上的实际影响，以及两高两稳所要求的经营结果。技术领先很重要，却不能凭一纸榜单包办这些证明。

这给独立实验室留下的机会很具体：在能力前沿打开任务，在生产上稳定兑现，在客户下一轮建设中持续成为中心。给巨头留下的优势也很具体：如果客户资产与分配权一直留在原有平台，它就有条件把外部模型变成供应来源。到底是哪一种，需要逐家、逐项业务追踪。

第6章 哪些实验室，可能始终只是可替换的供给？

既然反对提前判死，就必须讲清楚：什么事实出现以后，白牌化的判断应该被接受？否则，任何失败都能被解释成修炼未到火候，这套研究也就失去了约束。

如果某项业务长期停留在成熟任务上，多家模型在客户认可的质量范围内都能完成工作，切换只需很小代价，供应也足够充足，那么供给方确实可能长期受制于价格。原厂即使技术不错，也未必掌握这项业务的经营主动权。

更强的证据，是跨过一轮更新后，先行者什么都没有留下。竞争者追平了效果，客户随即迁走；原有交付和评测并未转化为下一代效率，客户新产品也不再围绕它建设。过去的领先只卖出了一个时间窗口，没有沉淀成持续的位置。这时，担心利润留不住，就有了实质依据。

还有一种情形：实验室始终需要渠道替它组织客户，渠道掌握验收、路由和续约；实验室承担研发与供给风险，却只能竞争订单。若其能力仍稀缺，供货也可能获得好收益；若稀缺性消失、客户建设又都留在平台，原厂的处境才会更接近白牌。供货说明交易关系，白牌化说明可替换性与议价处境，两者不能直接画等号。

这些条件同样约束大厂的新模型业务。母公司的客户很多，并不能证明某个模型产品已形成不可忽略的地位；集团能够补贴，也不能证明这项业务具有长期回报。江湖出身不能代替经营证据，独立实验室与老巨头应当接受同一把尺。

承认有人会止步，并不削弱本篇的反驳。我们要破掉的，是从局部价格现象直接跳到全行业命运的结论。证据显示哪项供给已经高度可替换，就在那个范围内承认；证据显示哪家企业仍在积累，就继续研究它的进阶条件。两件事可以同时成立。

第7章 谁说元婴无望？先看供丹、立派、入世怎么选

回到开篇：丹药卖成白菜，前沿实验室就无缘元婴吗？我的回答是，不能这样判。商品化描述了一组真实的竞争压力，它没有自动证明生产积累失效、客户建设可以随时迁走，更没有证明新时代的规则与利润必定归老巨头所有。

前沿实验室仍有可争的路。成熟任务的成本下降，可能让更多生产开始值得开展；更强模型打开新任务，可能让客户开始新的投入；持续的工程与共同建设，可能把一次采购推进到金丹的占据与固化。每一个“可能”，都要由具体企业把它做出来。

接下来的观察，应该放在变化上：同一任务、同一质量要求下，有效供给是否继续分化？客户的新产品、新流程、新预算，正在围绕谁展开？上一代积累到了下一代还起不起作用？这些证据比一句“都是白牌”，更接近我们要找的答案。

不过，保留机会还不够。实验室的资源有限，必须决定主要经营什么：把模型供给别人的平台，自营一个通用智能山门，还是亲自进入行业经营产品与成果？供丹、立派、入世可以组合，低成本则贯穿三者。真正的选择，是把粮草投向哪一种客户关系，并为此承担哪些生产和经营责任。

下一篇就把判词放下，把修行写实：<strong>《供丹、立派、入世，冲关元婴该走哪条路？》</strong>。元婴席位尚未封榜，能否争到，得看门派接下来怎样用自己的粮草与功夫；换了一门生意能否成功，也要按新的经营范围重新判断。

资料来源

[1] Stanford HAI｜The 2025 AI Index Report, Chapter 1: Research and Development（2025-04-07）。第41—42页，固定MMLU门槛的API价格及前沿模型定价差异；属于历史价格口径。 <https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter1_final.pdf>

[2] Shunyu Yao等／arXiv｜τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains（2024-06-17，v1）。摘要及基准设计、重复执行可靠性部分；本文引用评价方法，不以历史分数代表当前水平。 <https://arxiv.org/html/2406.12045v1>

[3] Anthropic｜Powering the next generation of AI development with AWS（2024-11-22）。Collaboration on AWS Trainium hardware and software；公司披露的工程职责，不直接证明整体成本或经营回报。 <https://www.anthropic.com/news/anthropic-amazon-trainium>

[4] Alexander Novikov等／Google DeepMind｜AlphaEvolve: A coding agent for scientific and algorithmic discovery（2025-06-16）。摘要及计算基础设施应用；结果为作者报告，范围受程序空间与评估器约束。 <https://arxiv.org/abs/2506.13131>

[5] AWS News Blog／Danilo Poccia｜Reduce costs and latency with Amazon Bedrock Intelligent Prompt Routing and prompt caching (preview)（2024-12-04）。Intelligent Prompt Routing与fallback说明；当次预览公告描述同一模型家族内的路由。 <https://aws.amazon.com/blogs/aws/reduce-costs-and-latency-with-amazon-bedrock-intelligent-prompt-routing-and-prompt-caching-preview/>