当软件和智能变便宜时会发生什么
本文由 AI（Claude）从日语机器翻译而成，可能存在错误。 阅读日语原文。
1830 年前后,要获得一点点夜间照明,大约需要 3 小时的劳动。但据说到 1992 年前后,这已经只需要不到 1 秒钟的劳动。从蜡烛到白炽灯,再到荧光灯,技术的发展让光变得极其便宜。
而当光变便宜之后,人们并没有只是以更低的价格买下同样数量的光,然后就此打住。
人们把光放到了以前根本没想过要放的地方:街道、工厂、招牌,社会的每一个角落都铺满了变便宜的光。于是,工厂在阴天和雨天也能运转,深夜营业、夜晚读书这样的新活动也成为可能。
从中获利的,不只是提供光的公司,还有善于利用光的公司。
那么,当软件和智能变便宜时,我们会如何使用它们呢?
我想,生成式 AI 带来的巨大变化,问的正是这个问题。
什么变便宜了
随着 AI 的发展,某些类型的智力工作,以及开发软件的成本,正在迅速下降。斯坦福 HAI 的 2025 年 AI Index 也总结说,达到 GPT-3.5 水平性能的推理成本,在这 18 个月里下降了 280 倍以上。
如今,AI 最先在软件开发领域被广泛运用。软件的价格预计会下降,这也已经影响到部分 SaaS 公司的估值(不过,其中还有利率环境的变化、估值倍数回归正常等多种因素,并不能全都归咎于 AI)。
实际上,考虑到运维、质量保证、导入、责任归属等方面,并不是"软件的所有成本都在下降",但即便如此,软件开发的初期成本,以及一部分调研、验证的成本,确实已经大幅下降。
这一轮人工智能的发展今后会达到什么水平,我们并不知道。但至少即使以目前水平的人工智能来看,软件开发的成本和一部分调研的成本会大幅下降,几乎可以肯定。
那么,思考"当软件和智能变便宜时,会发生什么",对今后的商业而言,似乎也是一个很有启发的问题。
变便宜之后,受众的基础会扩大
这时可以参考的,是过去的技术史。
比如,来看一下开头提到的照明的例子。
1800 年到 2000 年之间,照明的实际价格大幅下降,随之而来的是总消费量的大幅增加。人们并不是"以更低的价格买了同样的光",而是把光扩展到了此前没有放置过光的地方。
这个类比不能原封不动地套用到软件上,但大概还是会发生类似的结构性变化。也就是说,价格下降后,人们不只是以更低的价格使用同样的东西,还会开始在以前因成本不划算而无法使用的地方使用它。
比如我自己也在课堂上开发使用 AI 的应用。因为为一节课专门做一个应用,在成本上已经完全可行了。
在非营利领域推广软件开发的活动(Non-Profit Startup 以及东京大学社会技术项目等,也是从"过去需要工程师才能解决的课题,现在也许能解决了"这样的想法出发的活动实例。
以前被认为"不值得专门去做""无法作为生意成立"的活动,由于软件和智能变便宜,也许已经开始成立了。
看着这些例子,我认为应该问的,不只是"能用 AI 把现有的工作做得多便宜",更是"借助便宜的软件和智能,过去没有被软件化的领域里,哪些问题能被新解决"。
价值会留在哪里
在一段时间内,借助这样的软件和智能能够新解决的问题,会产生需求。
但是,软件向这些新问题空间的进军,未必会成为软件带来的大生意。有些课题本来就是因为难以盈利才被遗留下来的,而且随着软件变得容易,其价值也会相对下降。
结果发生的,是价值产生之处的转移。
价值产生于消除流程中堵塞的地方。过去,软件之所以创造了巨大的价值,正是因为它解决了信息处理和决策的准确性与速度这类商业上的瓶颈。但是,如果软件和一定程度的智能变得足够便宜、足够充裕,瓶颈就会转移到别的地方。
比如,现场导入、承担责任、质量保证、应对监管、专有数据、融入业务流程,以及在物理世界中的落地实施。
实际上,在 AI 的语境下,瓶颈正在依次转向 GPU、数据中心的变压器、电力和水,以及并网排队(监管)。此前的 AI 建立在充裕的物理资源之上,而现在物理上的约束正在成为瓶颈。
也就是说,价值会不会从软件本身,转向让软件在现实中真正发挥作用的那些东西呢?
互补性创新
这个论点,可以和我在《实现未来》等中也引用过的"互补性创新"联系起来。
据说,电力和电动机带来的生产率提升,不仅来自电力本身,也来自电动机使之成为可能的工厂中机床布局的创新等。
通用技术(GPT: General Purpose Technology)并不是靠单项发明本身创造价值,而是来自围绕它产生的互补性发明、组织重新设计、人才、治理等互补性功能。
现在的 AI 也是如此吧。即使在大家都能使用同一个模型的现状下,能否真正从中取得成果,其价值也会因提示词和工作流程如何设计、嵌入哪些业务、以什么质量水平运行等互补性因素而大不相同。
而且,技术的性能和成本是非线性变化的,组织和制度等互补性机制却只能线性变化。正因为存在这种差距,能够恰当地实现互补性创新的一方,会获得巨大的优势。
所谓"AI-native 的企业",也可以用这个框架来理解。
在这个语境下,AI-native 的企业,就是拥有一整套与 AI 互补的机制的企业。正如电动机在工厂中的无处不在带来了生产率的提升,当软件和智能可以无处不在时,能够实现新的机制和制度的组织,才能享受到 AI 的红利,我是这样认为的。
(不过,这仅限于还能使用那些基础设施的情况。今后随着国际政治形势的变化,中等强国能够使用 AI 的程度可能会受到限制,在此特别注明。)
深科技也许是其典型
这样一想,有意思的就是深科技这样的领域。
首先从近期来看,借助生成式 AI,对深科技业务所用技术的部分验证,速度快了很多(尤其是最初期的费米估算级别的验证,以及简单的技术经济性分析等)。过去需要找专家来拜托的工作,现在只要几个小时就能拿到结果。可以说,这一变化大大降低了立志做深科技创业公司时初期阶段的门槛。
再者,如果 AI for Science 开始顺利步入正轨,就会发现更多的科学发现。那样一来,瓶颈就会出现在把其中一部分发现商业化的环节。
另外,在成为 AI-native 的组织之后生产率大幅提升的,我觉得很可能不是软件公司,而是软件以外的行业。因为软件公司里已经有很多软件了,而其他企业才刚要引入,改善的空间更大。
要在让这些软件以外行业的业务变成 AI-native 的同时,真正将其落地到社会中,仍然必须完成实验设备、制造、监管、安全性等繁重的工作。但是,价值会留在难以落地的地方,也可以说这往往容易成为护城河(Moat)。
我对全栈深科技创业公司和研究之外的部分同样重要的深科技有所期待,也正是因为有这样的背景。
总结
现在正在发生的是,特定的智力工作和软件生成的成本正在迅速下降。结果,软件会扩展到过去无法盈利的问题上。就像照明扩展到了昏暗的地方一样,我认为软件和智能也会铺满此前无法触及的问题空间。
因此,应该问的不是用 AI 能把什么自动化,而是借助便宜的软件和智能,哪些问题新变得可以用软件解决,到那时会发生什么,又会出现什么新的稀缺性。
短期内,对 AI 本身以及利用 AI 的软件的需求会提高。但再往后看,我想,价值很可能会从比这些更多的其他地方产生。
到那时,去攻克物理世界瓶颈的深科技,就是其中最大的机会之一。从这个意义上说,我也希望有更多的人把目光投向运用 AI 和软件的深科技领域。
现在调研真的变得容易多了,所以如果有人产生了兴趣,请务必也看看深科技领域。
通知
我在做一档播客,介绍海外的深科技类创业公司,也介绍智库的文章。如果感兴趣,欢迎收听。