How AI Changes the Economics of Innovation

现在只要 20 个人和 10 亿美元，就能做出以前需要几百人和巨额硬件投入才能搞定的 AI 项目，行业已从“工程难题”变成“资本难题”。

AI 行业的底层游戏规则正在变：过去拼的是工程能力和人力，现在拼的是谁能拿到大钱。AI 在数学等抽象领域的突破让人兴奋，但这些突破和实际经济价值之间的关系并不直接。两位硅谷老兵用几十年产业变迁的亲历，聊透了“AI 到底解了什么问题”“资本、创新和抽象层次如何重排”，以及我们是不是第一次真正把“思考”这件事交给了机器。

过去做 AI，最难的是工程实现和算力堆叠，现在变成了谁能拿到大额资本。

• 20 个人+10 亿美元：现在只要 20 个人和 10 亿美金，就能用云服务等工具做出以前几百人才能搞定的 AI 项目。
• 工程难题变成资本难题：行业已经从“工程师能不能搞定”变成“谁能融到大钱”，这是历史上第一次出现这种转变。
• 大公司更关注彼此而非初创：微软、谷歌、亚马逊等巨头更担心彼此的动作，而不是小公司，因为只有巨头能调动足够资本和资源。

AI 在解决高阶数学问题上表现突出，但这些突破和经济需求之间关系复杂。

• 数学家反而最兴奋：AI 解出一些长期未解的数学难题，让数学家很激动，因为这些问题本来就只有极少数人懂。
• 解决的是“没人真在乎”的问题：很多被 AI 解出的难题，背后并没有巨大的经济激励，解决它们并不会直接带来生产力提升。
• 历史上“抽象层”每次进步都引发争议：从算盘、滑尺到图形计算器，每一代新工具刚出来时都被质疑“是不是作弊”，但最终都变成了基础能力。

AI 不只是帮人算得更快，而是让人直接把“推理和决策”外包出去，这和以往的计算工具有本质区别。

• 以前是人写逻辑，机器算；现在是机器自己“想”：传统软件是人写规则，AI 则是人只给目标，机器自己摸索答案，甚至连问题怎么问都可以交给模型。
• 从“命令式”到“祈祷式”：过去写程序像写菜谱，现在用 AI 更像“祈祷”——你描述想要的结果，模型给你一个“有用”的答案，但你不清楚它怎么做出来的。
• 这让很多老工程师直觉不适：几十年系统经验都建立在“每一层都能追溯和理解”，而现在的 AI 是“黑箱”，让人不得不重新思考什么才是“可控”和“创新”。

“我们第一次遇到不是工程瓶颈，而是资本瓶颈——只要有钱，20 个人就能做出以前几百人才能做的 AI。”

• 如果你是创业者，别再只盯着技术突破，想清楚怎么融到大钱、怎么用资本撬动资源，才是新一轮 AI 竞赛的入场券。
• 面对 AI 的“黑箱推理”，要敢于放下对每一步可控的执念，更多关注如何用新抽象层解决实际问题，而不是纠结底层细节。