“AI赢家”会如何随时间变化

目前，AI相关领域中吸引投资的初创公司，有AI物理基础设施相关领域的初创公司。包括发电、输电与电力转换、冷却技术、许可审批和劳动力，或者属于突破类的OPU和量子等。而在初创公司之外，NVIDIA等公司的GPU以及内存等半导体产品价格正在飙升。

Bessemer Venture Partners 在2026年之后也发布了一篇名为“AI 数据中心技术栈”的基础设施类文章，文中指出，2025年在建筑环境（建设与基础设施）领域的风险投资被数据中心所垄断，占投入资本的78%（57亿美元中的45亿美元）。

人们经常说“淘金热中要卖铲子和牛仔裤”，而此刻在AI周边，不仅是AI和智能这一次的“黄金”本身，其周边领域同样热闹非凡。

而这在过去技术的普及过程中也发生过。

铁路早期，不仅是铁路公司，钢铁、煤炭、土木、桥梁、机车、土地和金融也都赚了钱。电气化早期，不仅是电力公司，发电机、铜线、配电设备和电动机也汇聚了利润。

那么，通过观察在过去与基础设施相近的技术普及过程中，利润池是如何随时间变迁的，也许就能多少看出今后生成式AI的赢家会转移到哪些人身上。

而在思考AI业务的高增长初创公司时，如果认为需要以下两种策略之一：

• 在短期内急剧增长的领域承担风险
• 着眼长期变化做好准备

那么就不仅要思考“现在哪里看起来能赚钱”，还需要关注**“利润池接下来会转移到哪里”**，并一边预测这种时间上的变化，一边打造业务。

(1) 首先是物理基础设施赚钱

当新的通用技术普及时，最先容易获利的，并不是使用该技术的企业，而是掌握着让该技术运转所需的约束性资源的企业。就铁路而言是钢铁，就电力而言是发电机等。

在这一轮生成式AI的浪潮中，利润集中在GPU、HBM内存、服务器、云、数据中心、电力、冷却、变电设备和网络等方面。生成式AI看起来只是软件或智能产业，但其背后需要庞大的物理基础设施，是一个“电力与设备投资的产业”。

实际上，IEA预测，全球数据中心的电力消费将从2025年的485TWh增至2030年的950TWh，几乎翻一番，而AI专用数据中心的电力消费在同一时期将增至约3倍。此外，AI服务器的功率密度在2020至2025年间增长了11倍，预计到2027年还将再增长4倍，这将加剧变压器和电力转换设备的供给紧张。

也就是说，AI热潮的第一幕，不仅仅是围绕“聪明的模型”开发的竞争。它是围绕大规模运行聪明模型所需的电力、半导体、数据中心、冷却、网络，以及人才的竞争。尤其是在这些要素同时具备的特定地区，能够缓解稀缺性的企业容易获得租金。

因此，在这个阶段稀缺的，不仅是“AI的智能”本身，还有“大量、稳定、经济地运行AI的能力”。

这样看来，短期内（到2030年左右？），与AI应用企业相比，让AI运转的物理基础设施企业更容易获利。因此，以初创公司的身份追求短期急速成长，急于瞄准这些领域，大概正是目前以美国为中心正在发生的事情。

不过，“巨大的利润池”和“初创公司能够争取的利润池”并不相同。在AI基础设施中，半导体制造和大规模云是现有大公司资本实力雄厚的领域，而我也看到，在初创公司有机会切入的领域，初创公司正在增加。（例如搭上NVIDIA新型标准的变压器初创公司等）

当需求急剧扩大，或需求的种类发生巨大变化时，新技术更容易被引入。从这个角度看，现在似乎也是新的物理技术进入的时机。

实际上，风险投资似乎也在流向这类领域，基础设施投资公司等也在加强对数据中心的投资。

(2) 之后会发生金融膨胀和所有者更替

但是，基础设施企业未必会一直是最大的赢家。

新的基础设施技术常常会出现过度投资。回顾铁路、电力和互联网的历史，对未来增长的预期先行膨胀，资金一下子涌入，公司增多，设备增多，股价和企业价值上升，之后出现了调整。

AI也有可能发生同样的事情。

Carlota Perez解释说，在技术革命的早期，金融资本大量涌入新技术，随后容易出现金融资本与生产资本的背离、资产价格过热、崩盘，以及之后的重新结合。

出现同样结构的可能性相当大。实际上，在AI基础设施投资中，金融的存在感也在提高。

BIS指出，与AI相关的投资无论是名义金额还是占GDP的比重都在急剧增长，考虑到今后的投资规模，除了企业的经营现金流之外，对债务和私募信贷的依赖也将提高。它还提到，AI热潮能否持续，取决于AI企业能否实现高收益预期。数据中心尤其是资本支出沉重的产业。它需要土地、建筑、电力设备、服务器、冷却、网络和运营人才，投资回收也需要时间，是一种成本结构不同于传统软件的业务。

在BIS Quarterly Review的另一篇文章中，指出超大规模云厂商除公司债之外，正越来越多地使用合资公司（JV）、特殊目的实体（SPV）、长期租赁、容量承购合同和担保等表外融资方式，并将其描述为在经济上接近“shadow borrowing”。文中还指出，如果预期收益未能实现，调整可能不仅波及股票市场，也会波及信贷市场。

不过，这里想讨论的是金融膨胀之后会发生什么。这里发生的大概不是技术的减速，而是资产的重新定价，以及随之而来的参与者更替。

例如，资金实力薄弱的AI企业、依赖借款的数据中心开发公司、缺乏差异化的AI应用企业，会因token成本的调整等而进入容易被淘汰的阶段。另一方面，持有现金的大企业、受监管行业，以及能通过AI立即削减成本的企业，有可能吸纳变得便宜的人才、算力、客户基础和知识产权。

重要的是，泡沫之后仍然留存价值的AI资产是什么，以及谁持有它们。从这个角度看，似乎现在就需要筛选应该投资什么。

(3) 改变了业务流程的企业赚钱

当基础设施完善、算力价格下降、AI被嵌入现有软件之后，利润的中心会逐渐从AI基础设施转移到AI使用企业。

不过，这里赚钱的并不是“引入了AI的企业”，而是将AI深度嵌入自身业务流程和客户接触点的企业。正如在电力普及过程中，工厂采用流水线装配的企业提高了生产率一样，如何配合新技术改变业务流程本身，会大幅改变生产率。

Brynjolfsson、Rock、Syverson认为，像AI这样的通用技术，即使能力提升，在互补性创新、组织变革和新技能普及之前，也很难充分体现在生产率统计中。重要的不只是技术本身，还有使用该技术所需的组织、流程和技能是否到位。

例如，仅仅让AI把营销邮件写得快一点，并不会带来很大的利润。而如果能把潜在客户的筛选、优先级排序、首次接触、方案书制作、合同条件确认、开票、续约提案，重新设计为AI与人类混合的流水线，那么每位销售负责的客户数、转化为商机的比率、到成交的前置时间、流失率都会发生变化。

在物理领域，只要AI达到一定的技术水平，工作流程也可能发生巨大变化。例如，如果交通领域实现了自动驾驶，运输业的工作流程将发生很大变化。

也就是说，这个阶段应当瞄准的变化和业务，不是“引入AI工具”，而是业务线的重新设计。而能否不只是将其用于提效，而是用于扩大自身业务的TAM，将决定营收的增长。

另一方面，仅仅引入AI工具的企业，很快就会被卷入竞争。因为许多企业都可以使用相同的模型、相同的SaaS、相同的插件。AI本身越是商品化，拉开差距的就越是AI之外的东西。

(4) 长期获利的是拥有互补资产的企业

不过，AI提高生产率与企业赚钱并不是一回事。

即使某个行业因AI使成本下降了10%，如果竞争激烈，这部分也会以降价的形式让渡给客户。在这种情况下，整个社会的生产率会提高，但单个企业的利润率不会提高。

要留住利润，就需要一种机制，把AI创造的价值留在自己手中。

这时重要的就是互补资产。Teece的经典论文论述了，实现创新的企业未必能获得利润，在容易被模仿的环境中，利润可能转移到拥有制造、销售、客户接触点、品牌等互补资产的主体手中。

AI也可能发生同样的事情。

长期来看强大的，是掌握独有数据和客户接触点的企业、具备合规能力和品牌的企业，以及拥有物理运营的企业。当这些企业深度嵌入AI时，就不会止步于单纯的成本削减，产品设计、风险评估、客户应对、质量管理、现场判断本身都会发生改变。

也就是说，长期的赢家不仅是善用AI的企业，而是拥有独有的现场和数据的企业，也许是能够凭借自身的互补资产来捕获AI所创造价值的企业。

过去变化的时间线

那么，AI的赢家会沿着怎样的时间线变化呢？此外，预见到这样的时间线，现在应当布局什么样的初创公司呢？

铁路和电力的赢家，可以整理为按以下时间线更替。（不过各国之间存在时间差。）

维度	铁路 (1825年～)	电力 (1880年～)
早期的赢家	钢铁、土木、煤炭、机车、建设承包、早期铁路公司	电灯泡、发电机、布线、电表、铜、Edison系企业、城市电力公司
10〜20年的赢家	建设供应链、发起人、金融、土地所有者	GE・Westinghouse型电机制造商、交流输电企业、金融、城市电力公司
20〜30年的赢家	大型铁路公司、港口、工业城市、房地产、物流・批发・零售	大型公用事业、重电制造商、电气铁路、城市商业、工厂
长期的最大受益者	使用铁路的制造业・流通业・农业・城市房地产	善用电力的制造业・城市商业・交通・家电

（请注意，各阶段与其说是依次推进，不如说是相互重叠地推进。）

生成式AI的速度也许比这更快，但应该仍有可供参考之处。

首先，这几年会是物理基础设施的时期。作为初创公司，现在才开始或许有点晚，但仍有可能。

接着会逐渐转向AI使用企业。不过，重要的不是单纯使用，而是能否做到基于AI的新工作流程，以及可称为AI-Native的组织运作。然后利润会逐渐转移到拥有互补资产的企业。但需要注意的是，即使提高效率、增加供给方，限制速度的环节仍会是需求方。

OpenAI等公司正在尝试的与PE合作的方式，也可以解读为一种认识的体现：仅仅出售API，很难捕获企业价值。它也可以被看作是自己成为继基础设施之后的下一个利润池——AI使用企业，或是为拥有互补资产而布下的一步棋。看看初创公司需要数年才能步入正轨这一时间线，像全栈初创公司那样争取互补资产的尝试，也许现在这个被认为“太早了”的时候，正是开始布局的时机。

不同之处：AI会跨越国境

不过，AI与铁路和电力有很大不同。铁路和电力是容易按国家和地区形成制度上、物理上分隔的技术。因此，抓住国内需求的是国内企业（多为国有企业）。

但这一次的AI不同。AI模型、API和应用是跨越国境提供的。能够通过API立即使用世界最高水准的AI是一大优势，但这同时也是特定国家的企业掌握AI利润池的风险。（就像现在的大型科技公司掌握着应用平台和云一样。）

此外，过去在铁路和电力等物理基础设施上出现的国内投资，如果把数据中心建在特定国家，只把计算结果发送到各国，那么并不一定所有国家都会产生基础设施需求。

即使在日本国内建设了数据中心，如果运行在该数据中心上的云和AI平台由国外企业提供，那么（如果不能妥善征税）其大部分利润将流向国外，同时日本国内的电力、供水和土地等基础设施还会被占用。

此外，这一次的AI还可能用国外的token来取代智力工作的雇佣。这样一来，就像制造业发生的自动化以及中国冲击导致的就业人数减少那样，此前用于国内白领人工成本的资金，有可能被替换为在国外数据中心上运行的AI token费用。

在日本人手不足的背景下，AI或许会发挥重要作用，但另一方面，考虑到最先使用AI的是IT工程师、保险和律师等利润高、附加值高的工作，这些职业中产生的利润和就业也会被海外夺走。当然，也会产生新的就业机会。

届时，如何在国内扩大和维持高质量的就业，这一点也必须一并考虑，这被认为是与以往技术的巨大区别。

有意识地依据时间线布局业务

我们一直在回顾技术的历史，思考AI相关业务中容易产生利润池的领域会随时机而变化。

不过，这是以历史为隐喻提出的假设，并不一定会照此发展，也不是答案。

尽管如此，我认为通过这样的视角来看待AI热潮，就不仅限于“短期内哪个AI应用会流行”“现在哪个模型的性能好”这类短期的讨论，还能够讨论利润池在中长期会如何转移。

而且，在预见到这一点的基础上，能够讨论应该沿着怎样的时间线、布局怎样的业务，我认为这会让日本初创企业生态系统的讨论更有成效。

相关

思考AI的二次影响和三次影响 - 🐴 (马)