Top AI Analyst Unpacks Today's AI Hype Cycle

Benedict Evans 认为，AI 基础模型厂商不会吃掉所有价值，未来更像 TSMC 或 AWS 这种“底层巨头”，而不是 Windows 那样的全栈垄断者。

• Benedict Evans 反复强调：每次技术革命都有人说“这次不一样”，但其实每次都一样——大家都在找比喻（像电、像核武器、像互联网），但比喻本身没啥预测力。
• 历史规律：PC 时代只有几千万台设备，互联网让用户数涨到几十亿，移动互联网又是十倍级增长。每一波都是“叠加效应”，但没人能提前算清楚哪一波更大。
• AI 的特殊点：和以前不同，这次我们连“物理极限”都不知道——模型为什么这么好用、还能进步到哪，没人说得准。以前造手机、搞互联网，至少知道硬件/带宽的极限，现在连这都没谱。
• 他举了个二元赌局的比方：如果 AGI 真来了，人类都变宠物了，那讨论企业软件也没意义了；如果没来，那就老老实实看怎么用 AI 提高效率。

• 他怼了 Hinton 的“别再培养放射科医生”论：Hinton 其实没搞懂放射科医生的工作内容，AI 也没法像他想的那样全自动化。
• 会计行业的例子：20 世纪美国会计师人数一直在涨，哪怕 punch card、电子表格、ERP 一波波自动化，反而让会计师做的事变了——原来一周干的活，现在 10 秒搞定，剩下时间做别的。
• “工作被毁灭”是个老掉牙的逻辑谬误：每次自动化都有人喊“岗位没了”，但新技术总会催生新工种，只是你现在想不到而已。
• 他还举了 Uber 和 Airbnb 的对比：Uber 直接把出租车行业打掉大半，Airbnb 只是让酒店增长慢了点。AI 的冲击也会高度分化，不是所有行业都“一刀切”。

• 现在的格局：全球能做顶级基础模型的公司就 3-6 家，大家都在烧钱、抢进度，但门槛还没到“只有 1-2 家能活”的地步（不像芯片代工最后只剩 TSMC/Samsung）。
• 他用半导体打比方：TSMC 垄断了最先进制程，但你不会为 TSMC 写 App，真正赚钱的是上层的苹果、Uber 这些做产品的公司。TSMC 去年净利润只有苹果的一半。
• AWS 也是类似：AWS 是好生意，但没法吃掉所有云上应用的价值。每一层都有自己的赢家，模型厂商不会变成“全栈垄断者”。
• 模型厂商和应用厂商的分工：模型厂商能做的，是让造软件变得更快更便宜，甚至能做以前做不到的新东西。但“怎么把 AI 用到具体行业、怎么卖给客户”，还是得靠懂行业的人来做。
• 他吐槽“AGI 能自动发明 10 个新软件还自己上线”这种说法：这其实是个自证循环的伪命题——你不能用“假设 AI 无所不能”来证明 AI 会无所不能。

• 大多数人不是工具发明者：普通企业员工不会自己造工具，甚至很多人连“自己有啥问题需要工具解决”都意识不到。
• 企业软件的现实：大公司动辄有 400-500 个 SaaS 应用，背后还有一堆 Excel、CSV、老系统。AI 可能会重组这些生态，但“用什么、怎么用”还是老问题。
• AI 工具的落地路径：有些功能会被集成到底层（比如拼写检查变成操作系统自带），有些则会长成独立的垂直应用。哪些会下沉、哪些会独立，得看实际需求和行业壁垒。
• 他举了个“打印机驱动/拼写检查”的例子：最早这些都是独立软件，后来都被系统集成了。AI 也会经历“哪些功能变成基础设施、哪些变成独立产品”的过程。

• 代码生成是个特殊例子：模型厂商（如 OpenAI、Anthropic）直接做 Copilot/Claude Code 这类应用，能靠模型-用户-反馈的闭环快速迭代，确实有优势。
• 但大多数行业没这么简单：比如 AWS 提供算力，不管你是做药还是开超市，本质都是“算力即服务”，不会因为你怎么用而反过来影响 AWS 本身的产品。
• 应用层的门槛：真正能吃到大蛋糕的，还是那些懂行业、能搞定销售和集成的公司。模型厂商能做的只是“让造应用更快”，但不会自己变成所有应用的拥有者。

“TSMC 很赚钱，但你不会为 TSMC 写 App；AI 基础模型厂商未来也不会吃掉所有价值，真正的创新和利润还在上层。”

• 做 AI 产品别幻想“模型厂商全吃”：真正的机会在“怎么把 AI 嵌进具体场景”，而不是只拼模型本身。懂行业、懂销售、能做垂直集成的团队有巨大空间。
• 关注“功能下沉”与“垂直应用”分界：哪些 AI 能力会变成基础设施（像拼写检查），哪些会长成独立产品，值得创业者和产品经理密切跟踪。
• 企业落地的最大难题是“没人知道要啥”：别指望普通员工自己造工具，产品设计要从“帮用户发现问题”做起，而不是只堆技术。