先扔个数字出来吓吓你：如果前沿大模型的训练成本每年涨2.5倍，5年后单家公司的训练账单是1.85万亿美元，10年后是185万亿美元——比全球一年GDP还高。 这不是商业计划书，这是科幻小说。所以结论很简单：2.5倍的年增速，数学上就不可能一直跑下去，它撞的不是天花板，是地球。

大模型公司商业化至今不到5年，现在谈终局，就像刚学会骑共享单车就讨论F1赛车调校。但有些账，可以先把算盘珠子拨一拨。

先归纳一下：这篇思考其实在算三笔账——训练成本账、智能增长账、护城河账。 三笔账算完，结论有点扎心：前沿实验室靠“用户可感知的智能领先”吃饭，这碗饭的保质期，可能比想象中短。

第一笔账，训练成本。 每年2.5倍的增长，是硬经济约束下的不可能三角。作者判断，2到3年内，训练资本投入速度就会大幅下降，之后进入和营收增长同步的水平，大概每年3000亿美元。那问题来了：每年3000亿美金的训练支出，够不够保住前沿实验室的智力领先？作者认为够，而且护城河很深——全球能每年烧3000亿美金跟牌的玩家，一只手数得过来。在复杂任务上，算力即权利。 这话不假，但“算力即权利”有个前提：你得一直烧得起。

第二笔账，智能增长。 训练成本每年2.5倍，智能每年涨多少？这问题比“女朋友为什么生气”还难回答。历史数据给出的规律是：涌现点之前，智能增长快于训练成本；过了涌现点，智能增长慢于训练成本。大力不能出奇迹，scaling的边际效用不是无限的，这符合常识——大力能出奇迹的话，健身房早该遍地爱因斯坦了。 由此推论：训练成本年增2.5倍时，前沿实验室和第二梯队代差约12个月；当年增降到10%到20%时，代差可能缩到3到6个月。烧钱速度一慢，代差就跟着缩，这玩意儿比的是油门，不是车标。

第三笔账，跟随者的性价比。 12个月代差的跟随者，训练成本只有前沿的15%；18个月滞后只有10%，小一个数量级。这是硬件和算法提升共同贡献的，未来不保证，但过去三年历史数据摆在那儿。3到5年后，训练成本增速降到15%、智能提升边际下降显著时，跟随者和前沿实验室在用户感知上的代差可能非常非常小。Fable 5.5和Opus 4.8都能搞清楚Strawberry有几个r。想象一下，3到5年后大部分复杂任务，比如编程，会不会就是“Strawberry有几个r”？ 这话损，但损得有理。

最可怕的一条在这儿：follower在2030到2035年，获得前沿实验室95%以上的用户感知智能水平，历史总训练投入资本可能只是前沿的10%到15%。 翻译成人话：你花一百块考95分，我花十五块也考95分，那我为什么要跟你卷？ 前沿实验室当下的营收，建立在“用户可感知的智能领先”上。这个护城河，按作者的推理，持续性堪忧。

那什么更靠谱？推理成本护城河似乎更靠谱，memory和context下的持续学习锁定更solid，如果能深度嵌入workflow，和workflow构成强耦合，那就是无坚不摧。 说白了：比“我比你聪明”更牢的，是“你离不开我”。 模型分发玩家也一定会不遗余力地耦合，让大模型商品化，最后卖解决方案——和100年前一样，靠人与人的关系+产品力的综合因素维护客户关系。 太阳底下没有新鲜商业模式。

Anthropic那边，作者猜测70%以上的token消耗和coding相关，未来2到3年营收增长主要靠coding驱动。编程是当下的现金牛，但也是最早被商品化的那块肉。 等Opus 4.8能在本地PC跑的时候，AI coding的商业TAM怎么变？总感觉不太好——不是技术不好，是收钱的方式可能要重写。

总结成一句话：小几百亿美金对几十万亿市场，谈护城河确实早了点，罗马不是一天建成的；但1.2万亿美金对几十万亿TAM，商业模式就得认真想了。 训练成本增速必然降档，智能代差跟着缩水，跟随者用十分之一的钱追到九成五的体验——前沿实验室真正的护城河，可能不在“我模型比你强”，而在“我嵌得比你深”。 算力即权利，但权利有保质期；workflow即粘性，粘性才是长期饭票。至于本地PC跑Opus 4.8那天，AI coding的账本怎么翻篇，咱们边走边看，别急着把终局写死。

风险提示：本文仅为个人思考记录，所提观点仅代表个人意见，不构成任何投资建议，据此买卖风险自负