关于基模商业模式的一点思考

<![CDATA[

一直在diss基模叙事和AI颠覆论，今天这篇文章是对基模商业模式的劣度做一些展开。

纯基模的商业模式存在一个根本性bug：成本结构与收入结构之间的错配。

训练端是阶梯函数式的巨额资本开支，每一代前沿模型的投入以数亿数十亿美元计。但收入端是线性的API调用计费或订阅制，中间存在巨大的回收期风险——每一代模型的投入，并不能保证上一代的客户会按比例增加付费。与此同时，模型能力趋同速度快，开源模型持续缩小差距，API层的switching cost极低，定价权被持续压缩。更致命的是，基模创造的价值大部分溢出到应用层和终端用户，模型层本身只拿到一个很薄的"基础设施税"——类似于早期电信运营商建网、但OTT拿走大部分价值的故事。

如果从商业模式经典护城河的角度来论证：

一、网络效应（Network Effects）：几乎不存在

经典案例是微信、Visa、Uber——用户越多，产品对每个用户的价值越高，形成正反馈飞轮。

基模层不具备这个结构。API调用是单向的，用户A的使用不会让用户B获得更好的体验。模型本身没有双边或多边网络结构。唯一可能的间接网络效应是数据飞轮——更多用户产生更多RLHF数据——但这个效应在模型能力趋同的背景下边际递减极快，竞争对手可以通过合成数据部分替代。

二、转换成本（Switching Costs）：接近于零

经典案例是Oracle数据库、SAP ERP、彭博终端——迁移成本高到客户宁愿忍受涨价也不换，当然，我们需要先把被基模叙事乱杀，淡化其深护城河（比如彭博数十年的结构化数据沉淀、实时报价系统、牌照合规体系等）的市场偏见放一边，也不提他们其实也在拥抱基模，只说基模本身。

基模层的API接口高度标准化，prompt从一家迁移到另一家的成本几乎为零。企业客户做multi-vendor部署是常态而非例外。模型层的switching cost可能是所有toB软件品类中最低的之一。

有人会说，入口层通过记忆、对话历史和用户偏好数据可以构建粘性。但这个论点已经被证伪——记忆导出迁移在技术上完全可行，Claude已经收割了一波GPT。一旦用户的偏好数据可以结构化导出并在竞品上重建，所谓的"数据粘性"就是伪命题。

这意味着不仅基模层没有转换成本，连入口层的转换成本也比传统互联网产品脆弱得多。入口叙事如果要成立，锁定机制必须建立在比"记忆"更深的东西上——比如工作流嵌入、组织级部署的惯性、或者生态绑定等。

三、规模经济（Economies of Scale）：名存实亡

经典案例是台积电、亚马逊物流、沃尔玛——规模越大，单位成本越低，后来者无法在亏损状态下追赶。

表面上看，训练侧确实有规模效应：算力集群越大，大模型训练效率越高，这解释了为什么只有少数几家能训前沿模型。但这个逻辑有一个隐含假设：前沿能力是稀缺的，且只有通过大规模训练才能获得。

开源模型正在证伪这个假设。如DeepSeek等国产基模在推理端的快速降本，已经把"够用"的能力门槛拉到很低。规模经济保护的不是"能力领先"，而是"训练最大模型的能力"——但如果市场不愿意为最后那10%的能力差异付出10倍的价格（从我的实际体验和观察来说，除了少数小圈子或者码农自救的需求，绝大部分都很难），这个规模优势就是虚幻的。

这里无法与台积电对标的点非常清楚：台积电3nm相对5nm的性能提升是物理世界的刚性能效比改善，客户愿意付溢价。但GPT-5相对GPT-4的能力提升，用户未必愿意按比例多付钱，尤其当Claude、Gemini都在赶上甚至超越，开源模型也在穷追的时候。每一代模型是重新投入，上一代的规模优势不能直接继承；而台积电的工艺积累是连续且不可逆的，模型训练的know-how扩散速度远快于半导体制程。

四、品牌与信任（Brand / Trust）：短期光环，长期无效

经典案例是可口可乐、苹果、麦肯锡——品牌溢价让消费者愿意为同质化产品支付更高价格。

闭源三巨头目前确实有品牌认知优势，但这建立在"先发+能力领先"之上，而非情感忠诚或身份认同。一旦能力差距收窄（已经在发生），品牌溢价会快速消失（各种搬家或多开）。AI模型不是消费品，终端用户不会像选可乐那样选模型——他们选的是产品体验，模型是幕后的。

品牌真正有效的层次是入口层和应用层，没有人关心自己用的是哪家的云服务器，同理，也没有人会长期因为"品牌"选择某个底层模型，大家永远只会选择体验更好的。

五、技术/专利壁垒（IP / Patents）：几乎为零

经典案例是高通基带专利、药企专利药、ARM架构授权——法律保护阻止竞争者复制。

Transformer架构来自公开论文，训练方法论快速扩散，核心人才在公司间高频流动。没有任何一家基模公司拥有可以阻止竞对训练同等能力模型的专利壁垒。这与药企的分子专利或高通的标准必要专利存在根本性区别。

六、独占性资源/数据（Exclusive Resources）：正在被颠覆

经典案例是De Beers、彭博、Google——独占关键资源形成结构性垄断。

训练数据层面，公开互联网数据谁都能爬，私有数据授权协议可以被竞对复制签约。合成数据的兴起进一步降低了独占数据的价值，急到Claude怒骂Deepseek。

更关键的是，开源模型不仅降低了计算门槛，还打破了数据壁垒的逻辑。当任何人都可以拿开源基模做fine-tune，私有数据的价值就从"训练基模的原料"变成了"微调应用的原料"——而后者的控制权在应用层和终端用户手中，不在基模公司手中。基模公司花大价钱签下的数据授权协议，战略价值只会不断被稀释。

七、监管/牌照壁垒（Regulatory Moat）：尚未形成

经典案例是银行牌照、电信运营牌照、赌场牌照——准入限制天然形成寡头格局。

AI监管如果演化到"训练前沿模型需要政府审批"的方向，理论上可以形成壁垒。但这会保护incumbents而非创造价值，且全球监管不统一使得这条护城河漏洞很多。目前这条壁垒尚不存在。

八、成本优势/效率壁垒（Cost Advantage）：暂时有效，不可持续

经典案例是西南航空、Costco、拼多多——在同等服务水平下成本结构性更低。

某些公司（如Google自有TPU）确实有推理成本优势，但硬件迭代和开源模型持续拉低行业成本地板。成本优势在市场中最终会被竞争抹平到接近边际成本定价。

上述八条经典护城河逐条检验，基模没有一条能拿到"强"的评级，大部分归为弱或接近于零。一个年烧百亿美元、估值数百上千亿美元的主体赛道，在所有经典护城河维度上全部不及格，这在商业史上也是极为罕见的。

龙虾大火以后，基模的竞争还在进一步白热化，每次你认为某个大模型公司获得优势似乎可以躺赚的时候，仅仅半个月甚至一周后就会有另一家同行又拿出狠招硬碰硬。客观讲是用户的科技盛宴，也是技术推动社会进步的最好范例，但却也会是相信基模叙事的长期投资者的深层噩梦。虽然我也相信基模创造的增量以及抢夺的存量蛋糕，阶段性也可以让押注的人吃的很饱，但确实永远无法same as ever，是一个没办法让人长期安心的领域。

而对基模的价值判断，相信最后还是会回归到其生态底层的价值判断上，而不是现在夸张的两极化——要不基模，要不halo，看似合理，实则十分离谱。

本话题在雪球有123条讨论，点击查看。
雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>

#关于基模商业模式的一点思考