智能廉价时代，什么仍然稀缺？

研究日期与资料截止：2026 年 9 月 26 日（北京时间）\ 研究区间：2026—2036 年\ 核心前提：十年后，获得今天最强模型同等能力的成本降至目前的 1/1000。\ 报告性质：条件推演与产业经济研究；不预测具体股票价格，不为十年情景分配伪精确概率。\ 一句话判断：廉价智能会让“提出和制作方案”更充裕，价值更可能留在真实需求、现实交付、可验证结果，以及对这些环节的有效控制权上。

一、先把问题问准确

想象一家小企业，随时能调用今天最好的程序员助手、分析师助手、设计师助手和翻译助手，费用小到不值得单独审批。它能生成很多商品、网站、广告、合同和经营方案。

接下来，它仍然要回答：谁愿意买？谁允许它使用客户数据？货从哪里来？谁保证结果？出错谁赔？消费者为什么选择它？

这些问题不一定都难在“想不出答案”。其中不少难在缺少真实反馈、没有行动权限、利益无法协调，或者现实资源无法及时到位。智能价格下降，会把它们暴露得更明显。

但不能因此宣称“人类的判断力永远稀缺”“所有电力资产必然升值”。AI 也会判断、验证、发现客户和改进能源系统。研究必须同时追问：新的瓶颈会不会被下一轮智能应用消除？瓶颈存在时，谁有权收费？

这个前提承诺了什么

本文把“成本”操作化为：在相同任务、质量、上下文与服务要求下，用户获得某一档能力的可持续使用成本，按不变购买力比较。若只是厂商补贴后的短期报价下降，而资源成本没有改善，这不是同一种长期情景。

“目前最强”也不是一个永远不变的排行榜冠军。文字、代码、视觉、工具使用和可靠性没有唯一通用分数。为避免偷换概念，我们冻结的是今天一组前沿能力的质量标准，十年后以更低成本复现它。

“智能不再稀缺”还隐含一个分配条件：多数需要它的人都能实际获得它。全球成本很低、个别地区却因硬件、接入或制度限制用不上，不叫普遍充裕。

后文先研究严格遵守前提的世界，再讨论更强能力与机器人同时进步时，结论如何变化。

二、先算清楚：千分之一到底意味着什么

每年约降一半，就能抵达这个终点

十年累计降至千分之一，对应几何平均年度降幅约 49.88%，即每单位费用可以买到的固定质量能力，每年约增加到前一年的 1.995 倍。这是终点的数学换算，不要求实际降价路径每年平滑。

这并不是说假设一定发生。Epoch AI 于 2026 年 9 月 22 日发布的研究，估计自 2023 年以来，达到给定测试表现的最低成本约每年下降 13 倍；作者同时强调测试代表性、主动切换至最便宜模型、数据噪声等限制。这使千倍降价成为值得研究的设定，却不能把短期斜率机械外推十年。S01：Epoch AI

一项工作只有模型部分变便宜，整体能降多少

假设一项交付现在总成本为 1，其中比例 s 属于能按前提降价的模型服务，其余成本暂时不变。保持质量、数量和流程不变，则：

新总成本 / 原总成本 = (1 - s) + s / 1000

这些是成本敏感性，不是行业预测。特别要注意：程序员工资、医生工资或律师工资，不能直接算作模型费用占比。 要把劳动成本算进可下降部分，必须另证这些劳动能被同等质量自动化；这已经增加了假设。

反过来，这张表也不是长期降本的上限。若 AI 改进了验证、组织和制造，其他成本也能下降；若新增合规与事故成本，实际下降还可能更少。它揭示的是第一轮冲击为什么不均匀。

写一份低风险、易验收的文本，模型部分占比可以很高；治疗一位患者、交付一栋住宅、建设一座工厂，不能这样算。免费生成设计图，不等于免费交房。

用量爆发，不等于模型行业收入必然爆发

在固定质量和任务结构下，额外假定用户价格同样下降千倍，需求具有恒定价格弹性 ε：

使用量倍数 = 1000^ε
行业收入倍数 = 1000^(ε - 1)

跨越如此大的价格变化，恒定弹性很可能不成立。因此这不是市场规模预测，而是说明：杰文斯效应需要需求响应的条件，不能只凭“更便宜、用得更多”推导收入、耗电量和股东利润一起上升。

电力还要单独建模。若任务量增加千倍，每项任务能耗下降百倍，总能耗才是原来的 10 倍；货币价格降千倍，不能直接代替能效改善千倍。任务结构变复杂、训练继续扩张，还会改变结果。

真正应比较的是成功交付的总成本

交付总成本 = 模型调用 + 验证与返工 + 系统接入
           + 物理执行 + 预期事故损失

用串行流程做一个纯数学演示：假设每步独立、每步都必须正确、没有恢复机制。每步正确率为 99%、99.9%、99.99% 时，连续一百步全部正确的概率分别约为 36.60%、90.48%、99.00%。现实错误并不独立，步骤也能重试或回滚，不能把这些数字当成真实 AI 产品可靠率。

便宜重试很有价值，但它不是万能药。若单次成功率为 90%，五次独立尝试中至少一次成功的概率可达 99.999%；如果你不知道哪一次正确，或者五次都犯同一个错误，这个结果并不能兑现为交付保证。

因此，低成本验证器、真实反馈和故障恢复会与廉价生成互相补充。验证本身能自动化的领域，冲击会最深；验证依赖真实世界和长期结果的领域，迁移会更慢。METR 在 2026 年对其任务时长指标的说明也强调，测试中的成功率和人类基准时长，不能直接等同于自主工作时长或岗位可委托程度。S02：METR 方法说明

三、我们已经看到了哪些事实

以下证据是约束推演的起点，不是对 2036 年的证明。最新检索日期不等于数据所属年份。

这些资料共同支持的是“成本、能力、实际应用和结果之间需要分别测量”。它们没有证明智能已经不稀缺，也没有证明某一种互补资产会永久收租。

四、世界首先会改变什么

供给从制作困难，变成选择和兑现困难

在可数字化、可明确验收的领域，很多此前不值得做的事情会变得值得做：小企业定制软件、小语种服务、个性化教材、更多实验方案、全天候问答和细分客户研究。

这不只是原有工作打折，还会创造新需求。当编写一个内部工具的成本足够低，小到只有一个使用者的需求也能被满足。专业服务的消费人群可能扩大，许多人获得以前负担不起的帮助。

不过，大量候选方案共同争夺同一批客户、同一段时间和同一笔预算。商家不再缺广告文案，缺的是可盈利成交；读者不再缺文章，缺的是有用内容的筛选与自己的理解；研发机构不再只缺想法，也缺能区分好坏的实验。

软件：代码价格承压，业务承诺仍然要付钱

一款小工具的功能可以很快被模仿，通用界面和模板的软件收费会受到压力。按人头收费的软件，还可能面对客户人员数量下降或代理直接调用系统的变化。

但是，能写代码与能替换系统有距离。企业替换财务、库存或运营系统，需要迁移历史状态、重建权限、保证业务连续、处理异常并明确责任。软件的价值会更集中到记录可信业务状态、执行被授权操作、提供可靠交付的环节。

这也不是现有软件公司的免死金牌。AI 同样能写迁移程序、理解旧接口、降低培训成本，削弱转换成本。判断存量软件，要看客户到底被真实业务复杂性留住，还是仅被过去的使用困难留住。

专业服务：更多人获得能力，原有收费单位改变

法律检索、财务整理、翻译初稿、标准研究等环节会承压。客户更可能追问：我为什么要为生成过程的小时数付钱？

收费可能从工时转向案件、项目、服务等级或结果。但结果收费要求结果可归因、可核验，还要承受付款周期与失败风险；不是把报价单的“小时”换成“效果”就能提高利润。

既有专家可能因此服务更多客户，也可能被更广泛的从业者竞争。David Autor 的研究提出，AI 有机会让具备互补知识的更多劳动者承担此前由少数专家垄断的工作。本文把它视为“专业能力扩散”的可能路径，而非专家收入必然上涨的保证。S09：Autor

医疗与科研：候选答案增加，真实世界的辨别能力更重要

当生成分子、设计实验或整理病史更便宜，价值可能转向能获得真实结果的环节：实验体系、临床网络、患者随访、样本、可重复测量和合规数据使用。

FDA 对临床研究流程的说明，仍把安全性、有效性和不良反应证据放在实际研究阶段。这里引用的是当前制度与证据要求，不假定十年后审批方式完全不变。S10：FDA 临床研究流程

但也要防止反向机械外推：如果 AI 大幅改善候选筛选，可能减少失败实验；实验自动化又能扩大供给。实验机构的总业务量取决于“更多候选进入”与“每个成功结果所需实验减少”的净作用。拥有仪器本身不足以构成长期护城河。

教育：解释更便宜，学习过程仍需要发生

个性化讲解、练习生成和即时反馈会更普遍。普通知识内容与标准讲授的稀缺性下降。

但学生仍要形成自己的理解、完成练习并接受可信评价。学校还承担照护、社交、筛选和资格认证。各部分会受到不同冲击。AI 可以改善动机管理和评价，所以不能把“陪伴、激励”全部列为永远不可替代的人类专属服务。

更耐久的需求是：有谁能证明学习真的发生，并提供社会愿意承认的结果？这既可能由既有机构满足，也可能催生新的评价体系。

消费与商业：消费者拥有更强的比价与谈判工具

如果个人助手替用户比较商品、条款和风险，靠信息不透明、复杂套餐和搜索摩擦收钱的生意会受到压力。普通品牌的广告溢价也可能减少。

但品牌还有另一种作用：对一致品质、售后和履约做重复承诺。AI 能验证的功能参数越多，这类品牌越需要拿出实际交付记录，而非只依赖传播预算。奢侈品、体育、演出和收藏品中，对身份、归属与真实经历的需求则可能保留，不过并非每个人都愿意为“真人制作”付费。

企业规模：生产能力分散，入口可能集中

一小群人可能完成今天需要更大团队的数字化工作，形成大量更小的企业。与此同时，客户获取、结算、授权和关键基础设施可能仍集中在少数组织手里。

因此，“人人都能创业”与“少数平台很强”可以同时发生。更便宜的生产，不自动意味着更平等的议价权。真正改变竞争的，是创业者能否同时低成本获得客户、数据权限和可替代渠道。

组织改造也有成本。生产率 J 曲线研究强调，通用技术常需要配套的流程、人力与商业模式投入，收益可能滞后于采购技术。这为转型时差提供了机制，但不是任何长期亏损的合理化理由。S11：生产率 J 曲线

五、如何辨别“稀缺”与“值钱”

一种东西数量少，不等于经济价值高。没人需要的孤品也很少；空气极有用，却往往不能按每次呼吸收费。

经济上值得研究的稀缺，至少要满足：存在真实支付意愿，增加需求时供给无法轻易跟上，替代方案不够好。投资还要多过几关：权利可执行，收益能被持有人保留，资本开支和风险不吞掉收益，买入价格没有提前透支。

真实需求
   ↓
必须依赖的互补资源
   ↓
难以扩充或替代
   ↓
持有人能控制并收费
   ↓
扣除竞争、资本开支、风险和税费后的现金流
   ↓
以合理价格买入，才可能成为好投资

这里有三种不同的稀缺，不能混在一起。

最持久的不一定是最赚钱的。健康寿命、自由选择和亲密关系，对个人可能最珍贵，却难以变成可买卖、可垄断的金融资产。反过来，某个收费环节可能利润很高，却只是在利用制度造成的阻塞。

六、十年后，哪些东西最可能更稀缺

以下排序按“在主情景下保留经济议价权的可能性”安排，属于研究判断，不是统计评分，也不是当前证券的预期回报排名。

第一类：真实客户的信任、购买意图与持续授权

如果必须选一个最值得长期研究的商业位置，我选：被客户持续授权，能够代表真实需求选择、购买并完成交易的入口。

原因很具体。供给越来越容易，商家更需要找到真实买家。消费者面对更多选择，会需要替自己筛选、执行和追责的助手。谁获得这种持续委托，谁就有机会决定订单流向，并通过订阅、交易服务或其他明确方式收费。

这比“注意力永远值钱”更精确。代理替我买一件日用品时，我可能根本没有看广告。此时稀缺的是授权和决策入口，不一定是我在页面停留的时间。娱乐消费仍然争夺观看时间，而功能性采购可能更强调可信委托，两种市场应分开看。

授权也不应被理解为平台无限期占有客户。客户可以撤销、迁移或同时委托多个代理。替用户争取最好价格的代理，与靠卖排名和流量赚钱的平台，还可能存在利益冲突。

2026 年 4 月，Google 宣布将 Agent Payments Protocol 移交 FIDO Alliance，并介绍支持事先授权后执行交易的更新。这证明“代理如何获得并证明授权”已经成为实际基础设施议题；开放标准也提示，这个环节可能被标准化，而不是永久归某家公司独占。S12：Google 公告

如何收费：可信个人代理订阅、有效成交服务、企业采购管理、履约和交易保障。收费者必须证明自己替客户创造的价值，而不是仅控制一个按钮。

什么会使判断失效：授权和用户偏好高度可携带；代理切换接近无成本；消费者直接拥有并运行代理；监管限制入口自我优待；多个协议把原有平台差异抹平。届时更多收益可能留给消费者。

第二类：可验证的信誉、责任承担与可信业务记录

廉价智能会同时提高好内容和坏内容的生产能力。更多分析不自动带来更多信任。需要核实的对象包括：事实是否真实、主体是谁、是否获得授权、承诺能否执行、出错后能否追偿。

稀缺的因而不只是“一个检测器”，而是持续生产可信记录、纠正错误、承担合同责任，并在真实损失发生时仍能履约的制度与组织。

金融结算、医疗服务、工程交付、保险和关键企业系统都具有这种属性。不过必须把两类东西分开：自动核验算法本身可能很便宜；被社会承认的核验结果、可信记录和赔偿能力，可能仍需要资本、治理和长期历史。

内容溯源标准也不等同于真理判断。C2PA 的解释文档明确区分来源历史与内容是否真实、准确。签名可以帮助检查某条记录是否被修改，不能单独证明记录中的主张成立。S13：C2PA 解释文档

如何收费：降低客户的预期损失、提供可执行保障、维持可靠系统、交付可信记录。会计上要扣除赔付、风险资本、事故修复和维护投入。

什么会使判断失效：验证能力快速商品化、公开标准降低服务差异，或相关机构失信。承担责任也可能只增加负债而没有定价权。拿签字资格的人，若只是形式盖章，不具备可靠判断与风控能力，未必值得更多钱。

第三类：持续产生真实结果的场景与合法反馈闭环

“数据是石油”太粗糙。存一大堆旧文件，不等于拥有护城河。公开数据可以复制，静态数据会过时，合成数据与更强模型也能减少某些真实数据需求。

更有价值的是：参与真实行动，知道行动的结果，能把结果反馈到下一次决策，而且有权持续使用。这包括实验的成功与失败、设备运行与故障、交易履约与退货、长期治疗结果等。

模型可以提出一万个实验方案，仍不能凭空知道尚未发生的实验结果。模拟能缩小搜索范围，但其有效性取决于与现实的对应程度。当所有竞争者都能生成方案，谁能更快辨别哪一个可行，谁可能积累优势。

数据权利尤其不能偷换成“只要在我服务器上，就归我无限使用”。中国“数据二十条”采用持有、加工使用、产品经营等权利分置思路；国家数据局 2026 年的专家解读进一步讨论了这些区别。本文只据此强调权利核验的重要性，不把专家解读当作某家公司享有排他权的法律结论。S14：政策原文，S15：国家数据局解读

如何收费：把更好的真实信息转化为成功率、交付速度、服务质量或更低损失；再通过产品与服务收费。很多好数据生意不靠直接卖数据。

什么会使判断失效：客户撤回权限，数据标准化后可流通，新实验成本骤降，模型对数据的需求下降，或者竞争者能用更少的数据达到相近效果。闭环必须用结果提升来证明，不能只用数据量证明。

第四类：特定地点、时间和服务要求下的物理交付能力

电力、土地、散热、制造、物流、建筑和维修不会因为生成答案变便宜而凭空出现。但“物理世界有限”也不能自动推出它们全部具有高回报。

最值得关注的不是抽象的“能源”，而是：在客户需要的地点和时间，能稳定提供、接入已落实、成本有竞争力的能源与交付能力。同样一度电，地点、输电条件和可用时间不同，经济价值就不同。

IEA 与 Berkeley Lab 分别从用电需求和并网流程提供了物理与部署约束的证据。两者研究对象不同，可以相互补充，不能拿来对同一个数字做所谓双源验证。IEA 同时讨论 AI 提高能源系统效率的可能性，说明供给侧也会响应。S04，S05

如何收费：实际可用容量、稳定交付、长期服务和较低全生命周期成本。要辨别收益由土地持有人、发电方、设备商、系统运营商，还是客户拿走。

什么会使判断失效：扩产、需求迁移、能效改进、替代材料、机器人降本和监管限价。数据中心需求也可能转向电力富余地区，使旧位置的溢价下降。把所有土地、电厂和矿产都列为长期赢家，缺少必要的地点与合同分析。

第五类：能承担不可逆投入的资本，以及把组织带到结果的能力

方案充裕后，资本配置面对的问题会变化：不是缺少一份精致商业计划书，而是如何识别需求、控制损失并真正做出结果。

AI 能改善投资分析，减少部分试错，也能让数字创业更不依赖融资。与此同时，新厂房、长期研发、能源系统和风险准备金仍需现实资源。私人资本稀缺与否，取决于好项目需求相对储蓄和融资供给的变化，不能断言资本回报率必然上升。

同理，管理者的分析、排程和沟通工作也会自动化。更难复制的是组织中的合法决策权、激励安排、承诺执行与协调记录。它们并非天然只能由人完成，但需要一个被利益相关方接受的安排。

如何收费：股权现金流、优质承保或融资业务、实际经营改善。不能把“敢冒险”直接算作稀缺优势，错误决策会销毁资本。

什么会使判断失效：扩产过多导致资本回报下降；数字业务进一步轻资产化；新组织形式大幅减少协调成本；补贴与融资繁荣诱发无效投资。

第六类：健康时间、真实关系、独特体验与位置性资源

智能可以帮人节省时间，也可能通过医疗进步延长健康寿命，但不会由本题前提自动复制过去的经历、某个人与你共同度过的时间，或某个地点在某个时刻的真实体验。

一场现场演出、一段双方真实投入的关系、一件有可验证历史的物品，其价值不只来自可复制的信息。一些人在基本需求满足后，会更重视这些东西。

这里有两点限制。第一，虚拟体验与 AI 陪伴可能满足大量真实需求，真人并不必然在所有场景占优。第二，独特性只有被人偏好时才值钱；普通人创作的普通作品不会仅凭“人做的”就获得高溢价。

对个人而言，这类稀缺可能排第一；对投资而言，它往往难以分散、难以估值、难以被企业完整占有。不要把生活价值和资产价格混成一张排行榜。

综合比较

七、几个听起来正确、却容易误导的答案

“最值钱的是提出好问题。” 问题拆解、实验设计和机会发现也可以被 AI 改善。更稳妥的说法是：能够把真实偏好、现实约束、行动权与结果反馈连接起来的人和组织更有价值。仅会写一个漂亮提示词，未必能收取长期溢价。

“最值钱的是品味和判断力。” 如果把判断力定义为所有机器做不了的部分，这句话无法证伪。AI 完全可能比多数人更善于预测大众偏好。真正要检查的是：谁在真实客户和真实后果中，持续做出更好的选择，并能兑现？

“数据越多，护城河越深。” 数据可能重复、过时、不可合法使用，或者与任务无关。应该衡量新增数据对客户结果的边际贡献，以及对手取得相近结果的成本。

“电力最稀缺，因此买能源就行。” 地球上的能源、可发出的电、按时接入的可靠电力、股东能收费的电力服务，是不同东西。技术和投资能扩大供给，监管能把好处留给用户，资本开支能吃掉利润。

“基础模型一定商品化，模型公司没有价值。” 固定能力价格下降不等于所有差异消失。前沿进步、可靠性、速度、数据处理、服务与分发可能继续差异化。模型公司也可能跨入客户授权和业务执行层。研究应跟踪它的实际收费依据，不能按“模型公司”这个标签判死刑。

“平台拥有流量，所以一定赢。” 客户代理可能绕过广告页面和搜索结果，替用户跨平台比价。若平台只靠让人难以比较赚钱，廉价智能可能削弱它；若平台提供可靠交易与交付，地位可能更稳。

“许可证和责任签字权永远值钱。” 这些是制度安排，既可能强化也可能改革。AI 若显著提高安全性、减少专业供给约束，公众可能要求放开准入。真正耐久的是低损失的交付记录，不是单纯靠限制竞争。

“知识变便宜，教育和学习不重要了。” 使用者仍需要足够理解力来提出目标、检查结果、学习新环境。只是学习回报会从复述标准答案，转向理解系统、检验依据、与现实互动。基础知识也帮助人发现自己何时被流畅答案误导。

八、社会会更富，为什么有人可能更穷

技术红利由谁拿走，没有唯一答案

一项服务的生产成本下降，可能转成四种结果：消费者获得更低价格或更好质量；劳动者获得更高产出与收入；企业扩大利润；稀缺互补资源的持有人提高收费。

比例由竞争、所有权、劳动力议价、税收、市场进入和制度决定。没有哪个经济定律保证模型开发者拿走最多，也没有定律保证劳动者一定获得好处。

Acemoglu 的任务框架强调，宏观生产率效果取决于受影响任务的范围与实际节省；它帮助防止把单项任务的巨大进步直接套给整个经济。其具体估计基于当时的技术与任务假设，本文不把该估计当作本题十年情景的增长上限。S16：AI 的简单宏观经济学

相对价格可以上涨，绝对价格却没有上涨

如果很多数字服务变得非常便宜，而住房、现场护理和健康时间没有同步降价，这些东西占消费预算的比重可能增加。人们会感觉它们“越来越贵”，即使名义价格不变。

但不能直接预测所有房产上涨。远程工作、人口流动、新住房供给和城市服务变化，会重新分配地点价值。地段的稀缺取决于人们仍想在那里做什么。

同样，稀缺资产价格不等于其租金。折现率、融资条件、税负和政治风险会改变资产估值；租金增加时，估值也可能下降。

就业会重组，职业总量取决于多股力量

岗位由任务组成。某些任务减少人工，可能让同一职业服务更多人，也可能减少招聘。新服务和新任务可以出现，但不保证在失去工作的人所在城市、年龄和技能范围内及时出现。

特别要注意人才培养：当入门工作自动化，企业如何让新人获得真实经验？若不重新设计训练，可能出现“当期降本、长期缺少能担责的人”。这是值得观察的机制推断，不是本文已经识别出的整体就业因果结果。

长期实际工资还取决于劳动的相对需求。人类即使保有某些比较优势，也不意味着工资足以维持原来的生活水平；商品价格下降有帮助，却未必抵消收入下降或稀缺必需品涨价。

购买力可能比生产能力更难分配

“人有很多欲望”与“市场有足够有效需求”不是一回事。若生产能力扩张，而劳动收入或资产所有权高度集中，很多需求未必能转成支付。

所以十年后的大问题可能从“怎样生产更多”进一步转向“谁拥有生产资源、谁分享收益、谁能作出合法决定”。教育、竞争政策、社会保障、税制和产权安排都会影响结果。智能可以帮助设计方案，却不能仅靠算出一个答案，消除不同群体的利益冲突。

九、把未来拆成三个条件世界

以下三种情景都接受固定能力降价千倍；区别是增加了哪些能力与制度条件。它们不是相互独立的预测，也不分配概率。

如果把“智能不稀缺”进一步加强成“连验证、科研、管理和对现实的预测都极强且廉价”，那么“判断力、创意、组织能力”作为独立技能的溢价也可能明显下降。人类的地位不能靠随意保留几项机器做不了的能力来保证。

但这个更强世界仍不等于所有愿望能同时满足。两个人不能同时独占同一个位置或同一件原物；一个组织不能仅靠更聪明就让所有利益冲突消失。物理时间、真实历史、互斥占有与社会认可仍然存在。

其中一些冲突可以通过创新、扩产或虚拟替代显著缓解；另一些是相对地位本身产生的。因此也不应走向另一个极端，声称“稀缺不变，AI 只是重新分蛋糕”。绝对生活水平可以大幅改善，剩余稀缺的范围也可以缩小。

十年过程可能比终局更影响投资回报

早期的计算、设备和接入限制，可能吸引大量资本；中期的竞争与扩产，可能压低回报；后期的应用和新组织，可能拿到便宜基础设施带来的收益。

这是一种可能的顺序，不是预设每个阶段必定对应某几年。短缺解除速度、技术路线、融资成本和需求验证会互相影响。第一批建设者、长期运营者、后来的收购者，可能面对完全不同的收益。

十、对投资：买的应是能留下现金流的权利

本研究没有核验具体公司的现价、债务与估值，因而以下是研究优先级，不是股票买入名单。用户提出的是十年后的价值迁移，当前买点需要另做公司研究。

优先研究哪些商业模式

一个值得研究的假想例子，是工业维护企业：它可以更换底层模型，却持续拥有合法设备接入、故障与维修反馈、现场服务网络，并对停机结果负责。其价值来自这些环节共同提高可用性。若另一家公司只是把同样的模型包装成“设备问答”，收费基础弱得多。

另一个例子是交易平台。真正的优势要落在可靠商家供给、付款授权、售后、争议处理和客户选择上。如果它只是流量买卖中间人，用户代理绕过它以后，原来的访问量未必有同样价值。这两个都是商业机制演示，不是对任何既有公司的事实认定。

稀缺性持续多久，往往比现在多赚钱更重要

做一个不对应任何公司的估值演示：某项稀缺权利每年年末带来 10 个货币单位的额外自由现金流，折现率假设为 10%，稀缺结束后额外租金为零。

如果误把五年的短缺当作十年的优势，就会把这部分价值多算很多；从十年情景下调为五年，现值下降约 38.31%。这只是额外租金的现值，不是整家企业的价值；企业可能还有其他正常经营收益、债务与期末资产。

这个例子解释了为什么“AI 需要它”远远不够。还要问：五年后别人能不能提供？客户能不能换路线？为维持优势还要投多少钱？收益是不是被监管、赔付或融资拿走？今天的价格已经假设了什么？

对持有者与新投资者的不同动作

已经持有相关企业，应逐项拆出：AI 对收入量、单价、成本、资本开支、折旧和营运资金的影响。若只有业务量增长，而收费下降、资本开支增加、每股现金流恶化，不能仅凭“处于 AI 产业链”继续提高估值。

准备新建仓，应先拿到正常化的每股现金流与新增资本回报，再对稀缺解除做压力测试。模型能力下降成本这个公共趋势，不是支付任意价格的理由。没有这些公司数据，本报告的行动结论是筛选研究对象，不据此机械交易。

十一、对个人与企业，最实际的准备

对个人，值得积累的是一个能够反复验证的组合：理解真实问题、接近客户和现场、检查结果、作出承诺，并用 AI 扩大自己的交付能力。每个环节都可能被技术改变，所以要持续看客户为什么付钱。

可以从一项工作开始，把交付过程分成生成、核验、授权、执行、追责五部分。然后问：如果生成免费，客户还愿意为哪几部分付钱？我是否能参与这些部分？我的能力有没有真实结果记录，而不仅是证书或表达能力？

基础知识、统计与因果思维、领域经验仍有用，因为它们帮助识别错误、理解反馈并学习新东西。与此同时，工具操作技巧更容易扩散，应尽量把暂时的效率优势换成长期的客户信誉和交付记录。

对企业，最有价值的项目通常不是“接入最多模型”，而是找到一个总成本和损失可测量的流程，比较上线前后真正成功交付的成本。若试点只是生成速度变快，却把工作转移给审核人员，没有实际改善。

企业还应保留模型替换能力、明确客户与数据授权、持续记录结果，并把人工升级处理留给有实际价值的异常。供应商越容易替换，企业越能享受模型降价；自身越依赖无法迁移的外部入口，利润越可能被别人分走。

在生活层面，节约出来的时间不是自动获得的福利。如果所有组织都用效率提升要求更多工作，人可能更忙。把技术红利转成健康、学习、关系或自主时间，需要个人选择与组织制度共同完成。

十二、什么证据会改变这份报告

下表是后续研究清单，不是已经设置的自动监控任务。

最容易犯的错误，是把今天最忙、最贵的环节，直接叫作十年后最有价值的环节。 智能越便宜，解决当下瓶颈的能力也越强，稀缺会迁移。

最终判断

在用户设定的主情景下，最先失去稀缺性的是大量可以数字化、可以复制、可以明确验收的认知产出。教育、软件、科研和专业服务会因此向更多人开放，社会获得的好处可能很大。

如果问商业上最值钱的是什么，我更看重：真实客户的持续委托，以及把这份委托连接到可靠交付和真实反馈的权利与组织。 它们能够把谁需要什么、谁来执行、结果是否成立、出了问题谁负责连接起来。底层模型可以替换，客户仍需要结果。

如果问最坚硬的现实约束，答案是特定地点和时间的可用资源、真实世界的反馈周期，以及协调行动所需的制度条件。它们会变化，但不会仅由文本生成价格下降而消失。

如果问对一个人最珍贵的是什么，健康时间、自主选择、可信关系和真实经历可能更加重要。它们与财富有关，却不能被财富完整替代。

智能越接近公共投入品，越要看谁拥有真实需求、谁能兑现结果、谁能保留现金流；与此同时，也要允许更多价值最终归消费者，而没有对应的“必买股票”。

证据、置信度与复核范围

来源事实、条件假设和研究推断已在正文分开。对“固定能力降价会压缩可复制认知服务的稀缺性”，逻辑信心较高；对具体价值分配路径，信心中等；对某个公司或资产成为最大赢家，现有证据不足。

全部外部关键数字逐项核对到原始研究、机构资料或明确标注的机构估计。不同年份、不同对象的数字不冒充同口径双源验证。全文的定性推断也不因为有引文就自动变成已证实事实。

计算附有可复现的 Decimal 脚本，并调用仓库 financial_rigor 工具复核；report_audit 使用固定种子进行抽样，另补人工核验。算术一致与来源相符，只验证表达和计算，不验证十年预测。完整记录见来源与证据边界、计算结果和审计说明。

本项目用于学习与研究，不构成投资建议。