作者声明：该图片由 AI 生成

硅谷巨头转型掘金人。图片由 AI 生成

文丨胡泳 北京大学新闻与传播学院教授

编辑丨苏扬

哈佛商学院 Andy Wu 教授在《2025 年的 AI 战争》（AI Wars in 2025）一文中披露，谷歌在 2025 年 6 月曾经召开过一次紧急会议，研判这艘来自传统互联网时代的 " 巨轮 "，如何调整航线来适应人工智能时代的新航向。

彼时，谷歌母公司 Alphabet 市值数月内蒸发近 2500 亿美元。

让谷歌管理层拉响 " 红色警报 " 的导火索，表面上是一个低调的消息：谷歌搜索量二十年来首次下降，更深层的诱因是数以亿计的用户现在首先转向生成式人工智能聊天机器人，如 ChatGPT、Perplexity 和 DeepSeek，来获取以往依赖谷歌搜索的问题答案。

统治搜索领域超过二十年，谷歌 " 组织全球信息 " 的使命现在正面临严峻挑战，公司不得不面对一个可能被用户查询彻底绕过的未来，这种轮转的关键要素—— Transformer 模型的起始点恰恰就是谷歌。

OpenAI 和 ChatGPT 带火了 Transformer，堪称是谷歌人的 " 意难平 "。

"Transformer 从一开始就是为了解决翻译质量而生，并非纸上谈兵的研究。之所以没有及时发布，部分原因是谷歌对搜索质量有‘更高门槛’，内部早期版本‘毒性太强’不敢发布。" 最近一次在 Stripe 联创约翰 · 克里森的访谈中，谷歌 CEO 皮查伊如是说。

自大语言模型爆火以来，作为 " 传统巨头 " 代表的谷歌开始追赶 OpenAI 和 Anthropic 这些前沿实验室，加速自身 Gemini 系列模型的迭代，并将生成式 AI 功能嵌入到搜索中（通过 AI 概览，以及搜索中独立的 AI 模式）。

2026 年 I/O 开发者大会，谷歌又推出新一代 AI 搜索 Agent，其中包括两项重要功能：全天候后台追踪器能够持续监测用户关注的主题、事件或信息源；搜索 Agent 平台面向开发者和企业开放，使他们能够将谷歌的实时搜索能力嵌入自己的应用程序之中。

这标志着搜索引擎正在从传统的信息检索工具转变为自主信息 Agent。在这一转型中，用户与信息之间的关系也被重新定义。搜索不再是寻找答案的过程，而是答案的生成过程。

然而谷歌走到这一步实际上是一种 " 自我颠覆 "。

长期以来，谷歌的搜索业务建立在 " 搜索—点击—广告 " 的逻辑之上：用户输入问题，浏览搜索结果页面，点击链接进入网站，而谷歌则通过搜索广告和流量分发获得收入。换言之，搜索本身并不直接创造价值，真正创造价值的是用户在搜索过程中产生的注意力和点击行为。

然而，当 AI 搜索 Agent 能够自动搜索网络、筛选信息、整合内容并直接给出答案时，用户访问原始网页的需求将显著减少，传统意义上的 " 点击 " 环节也可能被压缩甚至消失。

这种变化意味着互联网可能从 " 链接经济 "（link economy）逐渐转向 " 答案经济 "（answer economy）。

过去，一个用户为了完成复杂任务可能需要进行多次搜索、访问多个网站；而未来，一个 Agent 就能够在后台完成这些工作，并向用户呈现经过整合的最终结果。对于用户而言，这种体验更加高效，但对于依赖流量生存的网站、媒体平台和内容创作者而言，则意味着访问量和广告收入可能下降。正因如此，一些学者将这种趋势称为 " 零点击互联网 " 或 " 点击的死亡 "。

对谷歌来说，这构成了一种典型的 " 创新者窘境 "（innovator ’ s dilemma）。

如果拒绝发展 Agent，用户可能会转向其他能够提供智能搜索服务的平台；但如果全面拥抱，又可能削弱自身最重要的搜索广告业务。换言之，谷歌必须在保护既有商业模式与开创新商业模式之间寻找平衡。未来，广告或许不会消失，而是从传统搜索结果页面中的赞助链接，转变为嵌入 AI 对话和推荐系统中的新型广告形式。然而，这种模式能否产生与传统搜索广告同等规模的收入，目前仍然存在很大的不确定性。

这堪称谷歌自诞生以来面临的最大商业模式挑战之一。不过，广告作为谷歌最核心的收入来源遭受动摇，还比不上另一件事情更加釜底抽薪：单位经济效益（unit economics）无法维持，这危及的不是收入来源的表层，而是整个搜索帝国赖以存在的成本—收益结构，其影响比广告模式的变化更加深远。

传统的网页搜索依赖索引和排序算法，单次搜索的计算成本极低；而生成式 AI（如大语言模型）需要庞大的算力进行实时推理，其单次问答的算力成本是传统搜索的数倍乃至数十倍。

过去，谷歌可以依靠海量低成本搜索请求获得规模效应，通过广告展示创造稳定收益，进而将自身的盈利能力建立在 " 低成本搜索、高价值广告 " 的经济逻辑之上。

未来，Agent 却可能让每一次查询都变成一个昂贵的计算任务。如果用户贡献的收入增长速度无法覆盖算力成本增长速度，那么谷歌引以为傲的单位经济效益便会受到侵蚀。

雪上加霜的是，像 "AI 概览 " 或者搜索 Agent 这样的生成式搜索产品，在搜索结果页面生成综合答案，甚至能够持续追踪信息、完成复杂任务，并将最终结果直接呈现给用户，破坏了用户点击广告链接和访问第三方网站的传统链路。这种计算成本急剧攀升、广告流量变现反而缩水的结构性矛盾，使得大模型在搜索中的大规模商业化面临着严重的财务倒挂。

当搜索从检索网页演变为替用户完成认知劳动时，谷歌不仅需要重新发明广告模式，更需要重新证明每一次 AI 服务在经济上是可持续的。

其他麻烦也接踵而至。

随着生成式 AI 的爆发，大模型训练阶段对海量互联网数据的公开抓取引发了全球范围内的版权侵权诉讼。从出版商、新闻媒体到独立作家，各方利益相关者纷纷起诉 AI 公司未经授权使用其版权作品。同时，AI 搜索直接截留第三方网站内容并总结呈现的行为，导致原网站流量暴跌，这也让谷歌面临着来自媒体行业关于不正当竞争以及反垄断的强烈控诉与监管审查。谷歌开始深陷旷日持久的法律泥潭。

围绕法律责任和伦理道德的广泛担忧也日益加剧。

在法律责任方面，AI 无法根除的幻觉现象（即一本正经地胡说八道）带来了巨大的合规风险，如果用户因信赖 AI 的医疗、法律或金融建议而遭受损失，搜索引擎是否需要承担连带责任？

在伦理道德方面，大模型在训练中极易放大既有的种族与性别偏见，且其生成能力极易被恶意利用以进行 " 叙事攻击 " 或传播虚假信息；加之维持大模型运转的数据中心消耗着惊人的电量与水资源，环境成本也引发了公众对大模型 " 不环保 " 的道德审视。

这些无法短期解决的阵痛，成为了阻碍谷歌激进转型的巨大羁绊。

谷歌的转型困难，表明了这样一个现实：即便是发明了现代人工智能的公司（它开创了 Transformer 架构，使大型语言模型成为可能，并建立了每个 AI 实验室都依赖的基础设施），也可能被自己曾助力打造的生态系统逼入困境。

这一商业困境十分经典：当颠覆者自身被颠覆，就应验了 " 创新者窘境 " 概念首创者、管理学家克莱顿 · 克里斯坦森（Clayton Christensen）的总结：成功且管理良好的公司之所以会失败，是因为它们过于关注现有客户的需求，从而忽视了 " 颠覆性技术 "。这些技术最初可能仅服务于利基市场，但最终却有可能超越主流，重新定义行业格局。

说到搜索，很多用户接触大模型时都会产生一个疑问：互联网搜索几乎免费，为什么 ChatGPT、Claude、Gemini 等大模型却要收费？就连国内的豆包大模型也推出了增值付费服务，安排了三个付费订阅层级。

原因在于，两者背后的经济学完全不同。

传统搜索引擎本质上是一种信息检索（retrieval）系统。当用户搜索 " 东京天气 " 时，谷歌并不需要重新思考或创造答案，而是从已经建立好的索引数据库中找到相关网页并排序返回。这个过程类似于在一座已经建好的图书馆中寻找一本书，因此计算成本极低。一项搜索请求通常只消耗极少量服务器资源，而搜索结果页面上的广告却能够带来收入，因此形成了极高的利润率。

然而，大模型本质上是一种实时生成系统。每当用户提出一个问题时，模型都需要调动数千亿甚至上万亿参数进行推理运算，逐个预测下一个词并生成完整回答。它不是在数据库中寻找现成答案，而是在计算过程中 " 创造 " 答案。对于复杂任务，例如撰写报告、分析文献、编写代码或长时间对话，大模型需要持续占用大量 GPU 资源。

从经济学角度看，大模型服务更接近于雇佣一个数字知识工作者。而搜索引擎则像图书馆管理员：找到资料，给你链接。大模型作为研究助理的工作方式是完全不同的：它阅读资料，理解问题，组织逻辑，再撰写答案，后者显然需要消耗更多资源。

搜索模式以广告为核心，其本质是出售注意力。而大模型收费，是试图转向软件订阅与服务收费。

软件订阅模式建立在直接付费关系上，用户为持续获得某种能力或服务而付费，其本质是出售功能或能力本身。在这一模式中，商业链条从流量分发转变为价值交付：用户越快获得准确结果越有价值，产品目标也从最大化点击转向最大化效率与满意度。微软、Adobe 等公司的订阅软件，以及当前的生成式 AI 产品，均属于这一逻辑。

大模型本质上是一种通用型生产力工具，通过向用户收取订阅会员费、按 token 计费的使用费或企业级 API 调用费，直接售卖软件服务的使用权。从形式上看，这一模式可以被归入 " 软件即服务 "（Software as a Service, SaaS）范畴，即通过云端持续提供软件能力，并按使用或订阅方式进行收费。

但仔细考察，订阅软件与生成式 AI 产品之间存在很大的不同。这从哪里可以观察到？如果你是普通用户，往往未能充分意识到使用生成式 AI 的成本高得多么惊人。

大多数人都知道，训练领先的生成式 AI 模型需要非常高的固定成本，但其实在使用生成式 AI 时，还有一类同样重要的成本——推理成本，也就是每一次我们输入提示词并得到回答时所产生的成本。

举个例子，那些用 AI 生成的吉卜力风格卡通图片，看起来很轻松、很有趣，但每生成一张图，其实都是真金白银在消耗资源：包括电力消耗和芯片算力成本，折算下来每张图片可能就要几美分。

从行业预测来看，OpenAI 预计到 2030 年，仅推理阶段的相关支出就可能超过 1500 亿美元，这说明生成式 AI 的持续使用成本远比很多人直觉感受到的要高得多。

大多数用户其实免费在使用生成式 AI，而那些重度用户虽然会付费，但通常也只是支付一个固定的订阅费用。这种商业模式，本质上还是上一代软件时代的遗产：那时候软件的边际成本几乎为零，所以用户用得越多，公司并不会多花什么成本，收固定订阅费是完全合理的。

但到了今天的生成式 AI 时代，情况变复杂了。因为每一次使用 AI、每一次输入提示词、每一次生成回答，都要消耗真实的算力、电力和芯片资源，也就是所谓的 " 推理成本 "。换句话说，用户用得越多，企业的成本就越高。

所以问题就出现了：如果还是 " 无限使用 + 固定订阅费 " 的模式，一旦出现大量高频用户，实际上服务越受欢迎，公司亏得越多。这就让生成式 AI 的商业逻辑和过去那种软件订阅模式发生了根本冲突，经济模型变得明显更难成立。

总结来说，尽管大模型常被归类为 SaaS，其经济结构实际上与传统 SaaS 存在显著差异：传统 SaaS 的边际成本接近于零，而大模型的每一次调用都伴随着真实的算力消耗与持续的推理成本，尤其是在 agent、多轮对话和深度推理场景下，服务成本会随着使用量同步增长。因此，它更接近一种 " 计算即服务 "（Compute as a Service）与 SaaS 的混合形态，其定价逻辑不仅基于功能访问权，也深度依赖底层算力成本结构。

所以，大模型必然走向普遍收费的模式，并不只是因为企业希望获得利润，更深层的原因在于生成式 AI 的商业逻辑与传统软件产业存在根本差异，需要跑通新的经济模型。

过去的软件公司最理想的状态是尽可能增加用户使用频率，因为额外使用几乎不会带来额外成本；而今天的 AI 公司却面临一种反常现象：最活跃、最重度的用户，往往也是成本最高的用户。当用户不断进行长文本分析、代码生成、深度研究和 Agent 任务时，企业支付的推理成本甚至可能超过用户贡献的收入。正因如此，大模型公司不得不通过订阅收费、调用次数限制、上下文长度限制以及分层会员制度来控制成本。

我们已经知道，虽然有些人可能愿意为 ChatGPT、Claude 或 Gemini 等产品支付少量月费，但仅靠订阅收入很难覆盖这项技术扩展所需的成本。如果成本并不会随着规模扩大而快速下降，那么单纯依靠订阅费，如何能够支撑一家估值数千亿美元甚至上万亿美元的 AI 公司？

换言之，大模型的商业前景在哪里？这是当前整个 AI 产业最核心、也最悬而未决的问题之一。

目前在生成式 AI 这波 " 淘金热 " 里，真正跑在前面的公司，其实可以用很直观的比喻来理解：有人在卖 " 铲子 "，有人在做 " 首饰 "，而真正赚到最多钱的，往往不是最会 " 挖金子 " 的人。

从资本市场的表现来看，最明显的赢家是英伟达。它基本就是 " 卖铲子的人 " ——提供训练和运行大模型所需的 GPU 算力。因为不管谁做 AI 模型，最后都绕不开它的芯片，所以需求是整个行业共同抬升的，属于典型的 " 基础设施红利 "。

再如台积电这样控制着核心产能的企业，也能拿走 AI 产业中确定性最高、回报最丰厚的那部分利润。

如果说到 " 做首饰的人 "，其实 Meta 也是个赢家。AI 技术不仅改善了用户体验和广告效果，还帮助其核心的广告业务实现了量价齐升。Meta 的赢利路径就是把 AI 嵌入到已有平台中变现。比如在社交媒体和广告系统里，用 AI 提高推荐、内容生成和广告投放效率，甚至未来可以扩展到智能眼镜、虚拟现实等设备。它不是直接卖 AI 能力，而是把 AI 变成自己生态系统的 " 增强器 "，所以受益也非常明显。

相对来说，像谷歌和微软这些传统意义上 " 最像 AI 玩家 " 的公司，在当下的 AI 资本局中，反而没有明显领先。原因在于，它们虽然技术很强，但市场已经把预期计入价格，同时它们的商业结构更复杂，AI 收益被分散在不同业务线里。

它们虽然在底层算力和模型上投入巨大，但本身也是庞大的传统互联网和软件巨头。

如前所说，传统巨头往往面临 " 创新者窘境 " 导致的自我博弈。同时，按照资本市场的估值逻辑，传统巨头的股价受到传统业务增长率、合规风险以及整体利润率的综合约束。虽然他们在 AI 领域动作频频，但这些业务在整体营收盘子中的占比仍需时间发酵。

另外，谷歌和微软作为 " 买铲人 "，背负着庞大的数据中心建设、算力租赁和能源成本，这也摊薄了他们现阶段在报表上的资本回报率。

而资本市场在评估回报时，除了给予纯粹押注 AI 的基础设施公司极高的热情与溢价，还认为纯粹的 AI 原生公司由于不背负传统遗留业务的包袱，而成为享受 "AI 红利 " 的最佳标的。

在应用层与模型层，OpenAI、Anthropic 等原生 AI 企业展现出了令人瞩目的增长速度。凭借 ChatGPT、Claude 以及企业级 API 服务的快速普及，这些公司在短时间内实现了惊人的 ARR（Annual Recurring Revenue，年度经常性收入）增长，部分企业甚至在数年内便达到传统软件公司需要十余年才能实现的收入规模。

可是即便如此，它们的单位经济效益也仍然没有解决，即还是做不到让 AI 服务的边际收益持续高于边际成本。

那 OpenAI 与 Anthropic 到底 " 挖到了金子 " 吗？

在这个领域里，有一个非常核心的争论：生成式 AI 的核心技术——也就是 " 基础模型 "（foundation model）本身——究竟是不是一种 " 商品 "（commodity）。

如果你认同其为商品，那么我们目前最关注的这些公司，就会面临一个非常严峻的挑战：它们需要把一种 " 商品化的技术 "，变现成商业价值，而为了创造这种技术，它们已经投入了数百亿美元。

而且，还得承认一个事实：它们的商业护城河并不牢固。

企业在保护和差异化自身的生成式 AI 方面的能力存在明显弱点。围绕这些技术的知识产权体系其实相当薄弱，即使在模型能力上取得显著进步，也很难长期阻止竞争者追赶。在很短的时间内，例如 xAI 的 Grok 或 DeepSeek 等项目，就已经在以更低的投入成本接近 OpenAI 的模型水平。

而对于用户而言，Claude 与 ChatGPT 之间的切换成本远低于 Windows 与 Linux 之间的切换成本。

除了这一点，原生 AI 企业还面临其他结构性约束。

第一，算力供给可能成为增长天花板。

Anthropic 在《当 AI 开始构建自己》的长篇博文中承认，未来限制 AI 发展的可能不是算法，而是芯片制造能力、电网扩容速度和数据中心基础设施。AI 产业正在从 " 软件行业 " 逐渐变成一个同时依赖能源、芯片和基础设施的重资产行业。

第二，模型能力正在面临边际递减。

过去几年，大模型的发展几乎遵循 " 投入更多算力和数据→获得更强能力 " 的缩放定律（scaling law）。但越来越多研究者开始怀疑，这种增长是否会持续。如果未来能力提升逐渐从指数曲线转向 S 曲线，那么企业继续投入数百亿美元训练下一代模型所获得的收益可能越来越有限。届时，资本市场对于无限增长的预期也将受到挑战。

第三，还有监管与地缘政治风险的上升。

从芯片出口管制到数据本地化，从 AI 安全审查到数字主权争论，AI 越来越被视为国家战略资源。Anthropic Mythos 事件已经向全世界展示了一点：当 AI 成为关键基础设施时，企业的发展将不再仅仅取决于市场竞争，也将受到国家安全、外交关系和监管政策的深刻影响。

如果我们沿着模型是商品的思路考虑未来，那么，最有可能成立的商业模式，或许会走向 " 按使用量付费 " 的结构。其实这个转变已经在发生了。

现在的生成式 AI" 订阅服务 "，严格来说并不是真正的订阅，因为它们通常都会限制使用次数或计算额度。从本质来看，这已经是 " 用量计费 "，只是换了个更容易接受的包装。

然而问题在于，目前订阅价格仍然太低，无法覆盖真实的边际成本。比如典型的 20 美元 / 月订阅，对于大多数生成式 AI 服务来说，并不足以支撑推理成本。更现实的还有，从需求结构来看，这个市场的付费意愿恐怕并没有想象中那么大。

因此在未来一段时间内，AI 行业很可能仍然依赖 " 补贴式增长 " ——也就是投资人承担一部分成本，让用户先低价甚至免费使用。

现在是一个被资本补贴的阶段，AI 服务在短期内非常便宜。未来价格结构大概率会变得更精细、更严格，比如更按 token 计费，更细致的功能分级，更严格的使用额度限制，以及针对高强度用户的差异化定价。届时，我们或许会发现，如今每月几十美元即可获得的强大智能服务，其实是 AI 产业发展过程中一个短暂而特殊的历史窗口。

从这个角度来看，当前的大模型订阅业务更像是一种过渡性商业模式，而非最终形态。

历史上，谷歌并非依靠搜索服务收费成为互联网巨头，而是通过搜索入口控制了广告市场；微软也并非依靠 Windows 授权本身创造全部价值，而是借此建立了整个企业软件生态。对于 OpenAI、Anthropic 和谷歌而言，真正的问题不是如何向用户出售聊天机器人，而是如何将大模型转化为新的基础设施。

所以，对于 AI 产业而言，订阅费只是开始，而不是终点。未来最大的收入来源，很可能来自企业自动化、Agent 经济、AI 基础设施租赁以及由 AI 创造的新市场。

真正难以复制的不是模型，而是围绕模型建立起来的生态系统、企业工作流和开发者网络。因此，谁能够从卖模型转向控制生态，谁才更有望获得长期优势。如果从建设下一代基础设施的视角看 " 挖金子的人 "，那么他们需要像过去的微软、谷歌和亚马逊一样，从模型本身走向平台、生态和基础设施。

真正决定 OpenAI 和 Anthropic 未来价值的，未必是下一代模型比上一代聪明多少，而是它们能否成为未来社会运行不可或缺的智能基础设施。届时，模型只是入口，生态系统才是真正的护城河。