30亿入场券：AI大战中的资本、算力与开发者生存法则

开年前后我在不同场合听到同一个数字被反复提起30亿。不是某家公司的单轮融资而是好几个团队同时喊出的预算底价——训练下一代模型的算力预留金、某个场景的生态补贴、某条产品线的年度投入。朋友圈里有人把它和当年的网约车补贴大战、外卖补贴战放在一起比较说这是一场“更残酷的争夺战”。我不太认同这个类比甚至觉得它低估了当前的竞争烈度。网约车和外卖大战拼的是补贴、运力和商户覆盖战败方最多失去一个市场AI大战拼的是模型能力、数据飞轮和生态位战败方失去的是未来五年进入核心赛道的资格。更关键的是前者的战火是烧在消费者的手机屏幕上后者的战火是烧在机房里、烧在人才名单上、烧在每一份商业合同里。这篇文章不是要预测谁能赢而是想冷静拆一下30亿到底买什么这场仗到底在哪儿打以及最要紧的——普通开发者和中小团队在这种巨兽互搏的局里还能做什么。1. 30亿入场券AI大战的资本水位线到底被抬到了多高1.1 同一笔钱在不同战争里的购买力完全不同先帮大家恢复一下记忆。当年的网约车补贴大战高峰期一个月烧掉几亿但那些钱直接变成了乘客的折扣券和司机的奖励金换回来的是订单量和用户习惯。外卖大战的逻辑也类似补贴给到消费者和骑手订单密度上来平台再靠抽成慢慢回血。这种战争的本质是“用钱买时间”——花钱跳过市场培育期抢在对手之前把用户规模垒起来。AI这场仗完全不是这个玩法。30亿如果走老路全拿去补贴用户可能半年就烧完了结果只是换来一堆薅羊毛的调用量模型能力没有任何进步。在现阶段这笔钱的主流去向是算力采购、数据清洗与标注、核心研发团队薪资、以及模型迭代的试错成本。同样一笔钱买不到任何可以立刻变现的东西它买的是“下一轮发布时不掉队”的资格。这就意味着资本门槛被彻底抬高了而且是无底洞式的抬高。上一轮能靠产品创意拿融资的团队这一轮可能连模型推理成本都兜不住。1.2 融资额越来越像军备竞赛而不像商业计划我最近跟几个做一级市场的朋友聊天大家有个共同的感受现在看AI项目的融资材料很难再像以前那样做精细的财务模型测算。以前算一个项目的盈亏平衡点先看用户量、客单价、转化率现在看AI项目团队张口就是“投入XX亿用于基础设施”相当于买入场券而不是买增长。这已经不是传统的VC估值逻辑而更像是在赌未来基础设施的分配权。所以我对所谓“30亿”的理解是它是一道水位线划线者不是某一家公司而是整个市场的集体预期。当头部玩家普遍把年度投入定在这个量级后面的竞争者只有两个选择——要么找到完全不同的轻模式要么尽快靠垂直场景卡住位置否则连讲故事的资格都没有。这不是在宣扬烧钱有理而是说入局者必须重新核算自己的资源边界。1.3 算力采购之外钱真正在往哪些暗处流很多人以为30亿的大头就是买显卡、租机房其实账要复杂得多。根据我从几个模拟项目组侧面的了解一笔典型的大额预算大概会这样分配算力约占40%~50%数据工程约占15%~20%人才薪酬约占20%~30%合规、安全与基础设施冗余占10%~15%。注意数据工程那部分很多人不把它当核心技术但它恰恰是决定模型上限的隐形瓶颈。高质量数据的清洗、去重、标注、配比每一环都在烧钱而且没有捷径。还有一笔容易被外界忽略的钱推理成本储备。训练再贵也是一次性的推理成本却是随用户量线性上涨的。哪个团队如果只准备了训练的钱却没准备好推理的钱那发布会开完就是灾难的开始。我见过不止一个Demo项目训练阶段效果惊艳一到公测就卡在算力账单上最后只能自砍用量来续命。这些账单某种意义上比训练卡更残酷地决定了一个产品能不能活下去。2. 残酷程度的代差为什么技术战永远比流量战更冷血2.1 补贴战的对手是同行技术战的对手是物理规律网约车大战里只要你的补贴力度和司机管理跟得上就有机会咬住市场份额。外卖大战也一样商户供给和配送密度是关键。这些都是运营问题对手是可以被研究和模仿的人类组织。AI大战则面对一个冷冰冰的事实同一代模型算力规模差一个数量级效果就是显著差一截这不是靠运营技巧能追回来的。换句话说打车大战比的是谁更能亏、谁能更持久地亏AI大战比的是谁更能把算力高效地“翻译”成模型能力。前者受商业模式与团队执行力影响后者受Scaling Law、基础设施能力和工程化效率三重制约。工程化的差距可以被时间抹平但Scaling Law的差距往往会让后来者付出几倍代价才能追上。这种一旦落后就面临复利缺失的竞争结构才是它“更残酷”的真正原因。2.2 赢家通吃的效应会在AI领域被放大数倍用户手机上可以同时装三个打车软件按折扣力度随手切换外卖也可以今天用这家明天用那家。但企业级AI平台的切换成本高得惊人——API集成、私有化适配、数据迁移、员工培训一套走下来不是打一个折扣就能让客户回头的。因此这个市场天然具备强粘性客户一旦深度接入某个模型或工具链基本不会轻易更换。这会带来什么结果就是头部份额会像滚雪球一样越滚越大。领先者用客户反馈优化模型更好的模型吸引更多客户更多客户又带来更多使用数据周而复始。后来者如果不能在某个垂直维度上形成替代性优势甚至连正面竞争的机会都没有。赢家通吃被放大意味着第二名不一定能像打车大战那样守住百分之二三十的份额活得很滋润更可能是拼尽全力也只是盈亏平衡。2.3 时间窗口的错位烧钱可以等技术代差不会等补贴大战中有一招叫“拖字诀”我烧不起我就慢点烧等行业格局稳定我再精细化运营靠效率翻盘。AI大战连这个念想都没有。大模型的迭代周期是以月计甚至以周计的。一个团队如果因为资金不足暂停训练半年再回来面对的就是一个代际的差距。更残酷的是数据飞轮一旦被别人先转起来后来者再想复刻每一轮都要双倍投入。我经常用一个比喻来跟团队解释这件事打车大战是在同一个泳池里比赛泳速你累了可以靠边歇一会儿对手也不会在水里倒追你多少AI大战是两个人同时往对岸跑对手比你早出发三秒你追上的前提是你跑得比他快三倍而很多时候后出发的人连对方的速度都看不见。这就是时间窗口的错位——你缺的已经不是钱了是先发位置带来的复利。3. 战场地图当前AI争夺战最让人喘不过气来的几个具体阵地3.1 基础模型层参数、上下文与成本的三角拉锯基础模型层的现状是“三个指标谁也逃不掉”参数规模决定能力天花板上下文长度决定应用的想象空间推理成本决定商业化的现实性。这三个指标组成一个不可能三角基础能力做大做强上下文做长做宽推理成本就压不住推理成本压下来往往要在模型架构或上下文窗口上做妥协。当前头部团队的分歧也在这里一派坚持Scaling Law还没到顶继续堆参数和训练数据坚信更大就是更好的另一派转向“后训练”和推理侧优化用强化学习、思维链、结构化输出等技巧把中小模型的潜力压榨到极致。我自己更关注后一种路线因为对大多数应用场景而言用户并不在意你是否是全网最大参数只在意回答准不准、贵不贵。基础模型层的竞争本质上是在这个三角里找到一种大多数人愿意付费的解。3.2 算力与推理基础设施供应链与生态依赖的隐性角力聊到算力大家的注意力都在训练卡的数量上。但真正卡脖子的往往是基建的一些隐性环节集群通信效率、并行训练框架的稳定度、故障恢复的自动化程度。用过千卡以上集群训练的人都知道大模型训练最怕的不是算力不够而是任务跑到一半节点故障导致回滚一返工就是几天时间。大型厂商之所以能稳定跑出SOTA模型不只是卡多更是把分布式训练工程做到了一种近乎肌肉记忆的程度。这带给创业公司和中小团队最大的启示不是“我们也去买卡”而是要学会算一笔更精细的账是自己租卡做预训练还是直接站在成熟开源模型之上做后训练和场景适配。除极少数团队外自建超大算力集群已经不是一个理性的商业决策更多是战略防御行为。对资源的敬畏和对工程深度的尊重是这一轮竞争中活下去的前提。3.3 应用层谁先找到付费场景谁就掌握了话语权比起基础模型的宏大叙事我更关注应用层的暗流。Chat类产品、编程助手、企业知识库、营销内容生成、音视频生产……每一个方向都挤满了团队但真正跑通付费模型的还没有几个。原因很简单用户的付费意愿建立在“这个工具是否替我省了足够多钱”上而不是“这个模型技术多牛”上。目前我看好的应用类型有两类。一类是在高人力成本、高重复度的业务流程中切出一个自动化闭环比如把客服、工单分类、销售线索清洗串成一条自动化流水线只要成本低于人工客户就会长期买单。另一类是深度绑定具体行业知识的“专家外脑”比如面向特定行业的合规审查、设备维护诊断、教学辅助系统。这类应用看起来市场规模不大但护城河极深因为它真正难的其实不是模型而是行业数据和处理规则的长期积累。3.4 人才争夺比显卡更紧缺的是能把算力变成产品的人最近半年我明显感觉AI圈的人才结构正在两级分化顶层的算法研究者和工程架构师被头部机构带着极高的预算围堵而大量基层模型调用工程师却在焦虑失业。这种分化未来还会加剧。企业逐渐意识到与其花高价请一位只懂调包的人不如找一位能深入理解数据链路、微调策略和业务问题的复合型工程师。对于身处这场争夺战的从业者来说这意味着两件事第一别把自己的职业生涯押在任何一家巨头身上能力和项目经验才是硬通货第二主动去补“模型工程”之外的数据工程和产品思维让自己从“会用模型的人”变成“能定义AI产品的人”。机器不会取代你但会用机器的人会拿到你原本的薪水这是一条很现实的时间线。4. 普通开发者和中小团队怎么在巨兽互搏的缝隙里找到自己的位置4.1 别试图做猎手做生态位里的“卖水人”每次看到大厂入局的消息总有一批小团队焦虑得睡不着担心自己做的事会被巨头一键复制。我的建议一直是尽量避免跟巨头正面比资源去他们的生态位里做“卖水人”。淘金热里真正稳定赚钱的不是淘金者而是卖铲子、卖水、卖牛仔裤的人。AI大战如果真是淘金热那开发者的机会就在于为那些淘金者提供趁手的工具。具体来说“卖水人”有以下几种形态给基于开源模型的应用提供部署优化服务帮垂直行业做私有化落地的集成商面向企业内部做AI使用培训与流程再造的咨询团队甚至只是做一个非常好用的开源中间件只要足够便宜和顺手巨头大概率懒得亲自下场。这种生态位单笔收入不大却胜在稳定和可持续而且它们会随着生态的膨胀而水涨船高某种意义上安全性甚至比做应用更稳固。4.2 选赛道时死盯这三个判断标准我在给几个模拟项目出谋划策时反复用下面三个标准来筛选赛道。第一这个场景是否有高度可结构化的数据。AI最擅长处理的是有规律可循的任务如果你的目标场景连业务规则都说不清楚建模就是空中楼阁。第二错误代价是否可以承受。文案生成错了重新生成就行医疗诊断错了就是事故。目标场景的错误边际越低越容易被快速落地。第三付费方是否是真的受益者。有些AI产品看起来很聪明但真正付钱的人根本没有因为用了它而得到好处这种商业模型走不远。用这三个标准一筛很多看似热闹的方向会立刻冷静下来。比如“AI帮你写周报”听上去用户呼声极高但付费方大概率是你的老板老板是否有强意愿为员工省时间买单存疑。反过来“AI自动整理销售会议纪要和待办事项”直接帮销售团队省了加班时间销售总监有明确的省钱逻辑付费意愿就强烈得多。4.3 个人能力栈的重新配置从“调模型”到“拼积木”两年前会调用模型API还能算一项核心技能现在这只是基本功。想在AI大战中获得更好的生态位我建议个人开发者去做三件事把工具链玩到自动化、把评估体系建起来、把业务语言和模型语言间的翻译能力练出来。所谓工具链自动化是指不仅是调接口而是要能把数据抓取、预处理、提示词管理、模型调用、结果校验、人工反馈回收这一整条链路用脚本串起来。所谓评估体系是指你要能用数据说明“这个版本比上个版本好用多少”而不是只会主观判断。所谓翻译能力是指你能把业务方的模糊诉求“我就是要一个更聪明的助手”翻译成可执行的模型参数与交互设计。补齐这三块你才真正从旁观者变成了局内人。4.4 给中小团队的四条生存法则结合近期观察到的几个活下来的小团队我总结出四条很实在的生存法则。法则一先选一个窄得不能再窄的场景切入。别一上来就做“企业智能助理”而是做“物业工单自动分派助手”或“电商差评分析机器人”先在一个点上做到远超通用模型的表现再考虑扩张。法则二把成本结构和定价模型想清楚再动手。很多团队只顾着把产品做出来直到上线才发现单次生成的算力成本比客单价还高。先算清楚一次调用花多少钱、月费要定多少、毛利要多少再决定用多大模型。法则三跟上游模型方保持松耦合。不要把自己产品的核心逻辑死死绑定在某一个大模型的私有接口上尽量让底层模型可以被替换。否则模型一升级、接口一变你的产品就跟着遭殃而客户不会关心是谁的错。法则四把客户数据使用边界和安全合规做成卖点。在大模型使用普遍让人不安的当下一个承诺私有化部署、数据不出域的供应商本身就有竞争力。5. 关于这轮大战我个人真正在意和看重的三件事5.1 数据所有权比算力更隐蔽、也更容易被忽视的暗线所有人都在讨论算力军备竞赛但在我看来数据所有权才是决定终局的暗线。模型能力可以通过买卡快速追赶但高质量数据以及数据产生的真实业务闭环是拿钱不一定能快速买到的。谁能在垂直行业里积累出别人拿不到的反馈数据谁就在无形中建立了一道缓慢但结实的护城河。这也是为什么我会建议有条件的团队尽早进入那些“模型还不是很好用但客户愿意配合积累数据”的场景里。这个阶段可能赚不到大钱但积累下来的专有数据集会在未来两年变成真正的资产。数据资产比模型资产更持久这是我在多个项目复盘里反复确认过的结论。5.2 交付能力模型再聪明落不了地等于零我见过太多“技术很性感、产品很骨感”的AI项目。Demo演示时惊艳全场真正部署到客户环境里就开始水土不服客户的网络不稳定、历史数据格式混乱、业务方对模型的容错阈值极低。最后项目组陷入无休止的定制开发成本远远超出预期。所以在AI大战的大背景下我特别看重一个团队的“脏活能力”——数据清洗、系统对接、灰度发布、售后响应。这些不起眼的东西决定了一个模型能否从宣传片走进生产环境。哪怕在大模型时代AI产品比拼的终点仍然是交付体验而不是参数数量。技术出身的朋友最容易犯的错就是低估这些脏活儿的价值而它们恰恰是护城河的一部分。5.3 耐心资本这轮大战最稀缺的不是热钱而是肯等的钱前阵子跟一位投资人聊天他说现在看AI项目最怕看到两种创始人一种张口就谈三年上市另一种开口就要拿走80%的算力预算。前一种不懂技术周期后一种不懂商业规律。这轮大战的一个特点是技术成熟曲线比资本退出周期更长。大多数基金是七到十年的存续期但一家做基础模型的公司可能到第五年仍然需要巨额投入才能看到规模化盈利的端倪。所以这场大战表面上拼的是谁能拿到更多钱实际上拼的是谁能拿到“不逼你短期变现”的钱。没有耐心的资本会催生畸形的商业模式——为了给LP交代而强行做收入最终把技术优势透支成平庸的生意。我和团队在评估合作方时现在都会主动问一个问题这笔钱最迟打算什么时候见到回报对方的回答往往能看出它是队友还是干扰项。6. 回到30亿这个数字本身我最后想说的几笔账6.1 账算到细处30亿在一年时间里意味着什么粗算一下。如果拿30亿全部用于算力按当前市场主流训练卡的价格和集群租金的折算水平大约支撑几千卡规模的集群持续训练数月。这意味着一年内你可以完成数次大规模预训练或者几十轮次的持续训练与精调。如果把这笔钱平摊到团队上一个几百人的算法与工程团队一年的人力成本大约在几亿到十几亿的量级。再留一部分给推理成本和数据工程整体的弹药量大概能支撑一家中型AI公司扎扎实实打一仗。但请注意这套算法里隐藏着一个现实30亿在今天只是入场券去年可能还是重磅融资明年可能就只够一个季度烧。技术通胀在AI领域是以“算力需求翻倍”和“人力成本上涨”两条曲线同时发生的。制定预算时一定要给自己留下安全垫预期按最坏情况准备进程按最快速度推进这才是负责任的打法。6.2 如果我是资本方我盯着看哪几个指标假设我有机会参与这轮大战我判断项目值不值得跟重点关注以下五个顺序指标第一核心团队的可信度与稳定性第二数据获取的独特程度与合规边界第三单位算力的产出效率即每投入一块钱算力能带来多少可复用的能力增长第四付费客户的留存率与续费逻辑第五在不同模型生态之间的可迁移性。前两个指标决定上限后三个决定下限。很多项目会在技术指标上包装得花团锦簇但资本方一定要绕到商业底牌上去看你的能力有没有离开某一家模型供应商就瘫痪你的客户续费是因为粘性还是因为合同期没到你单次服务的毛利能不能覆盖逐月上涨的推理成本这些问题问一遍能过滤掉很大一部分讲故事型的项目。6.3 我最真实的感受这轮大战考验的是取舍智慧写到这儿我不太想再列数据了。经历了多年技术浪潮的更替我对这轮AI大战最深的感受不是“钱多”而是“选择多到让人迷失”。30亿级别的投入对一家企业来说不仅是资源更是压强——它逼迫你不停追问哪些事自己必须做哪些事可以借助生态哪些领域要all in哪些领域要果断规避。真正能活下来的团队大概率不是最有钱的也不是技术最炫的而是最知道“不做什么”的。看热闹的人盯着发布会上的参数明白人盯着团队在下一次资源收缩时先砍哪条线。砍掉的东西比留下来的东西更能反映一家公司的判断力。而这或许才是比30亿本身更值得我们关注的东西。