熱門話題
#
Bonk 生態迷因幣展現強韌勢頭
#
有消息稱 Pump.fun 計劃 40 億估值發幣，引發市場猜測
#
Solana 新代幣發射平臺 Boop.Fun 風頭正勁
Freda Duan
AI 超垂直領域：先編碼，然後 Excel？
編碼以意想不到的方式驚艷了所有人，成為迄今為止最強大的 AI 應用垂直領域之一。
它結合了三個稀有屬性：龐大的 TAM、自然進入相鄰用例的切入點，以及以產品為主導的 GTM，這在很大程度上消除了對傳統銷售和市場營銷的需求。很少有垂直領域具備這種特徵。
Excel 就是其中之一。
TAM 更大。大部分軟體行業可以被視為分層的「Excel 包裝」，而採用主要是自助式的。這可能解釋了為什麼 $OpenAI 和 $Anthropic 都在積極擴展到電子表格和生產力工作流程中（根據公開報導）。
++++
🔵編碼
1/ 為什麼編碼有效：
開發者能迅速識別最佳工具，而不需要大量的市場營銷。他們通常對購買有直接影響，並且如果生產力提高，公司對每位開發者的增量成本相對不敏感。因此，強大的產品以自下而上的方式擴散，幾乎不需要銷售努力——這與大多數需要明確銷售、市場營銷和企業採購的垂直領域不同。
大多數其他垂直領域（醫療保健、房地產、金融等）需要明確的銷售、市場營銷和企業採購。
2/ TAM：
編碼的常見 TAM 約為 ~$2T。
更重要的是，編碼不僅僅是一個最終市場——它是一個切入點。擁有開發者工作流程可以在其上構建的每個應用中創造杠桿。
3/ 編碼 - 狀態檢查：
4 家公司的 ARR 超過 $1B
至少有 7 家公司的 ARR 超過 $100M，通常以空前的速度達成
++++
🔵Excel 也符合相同的模式。
它擁有巨大的 TAM，作為許多相鄰用例的入口，並支持有限的 GTM 自助式採用。約 ~$500B 的應用軟體行業可以說是一個巨大的 Excel 抽象層——涵蓋 CRM、Airtable、Smartsheet，以及財務、運營、分析和內部工具的大部分。
▶️TAM：
即使考慮到 Microsoft Office、Google Workspace 和 WPS 之間的重疊，約 ~1.5–1.6B 的全球每月活躍電子表格用戶基數是一個合理的估計。
▶️Excel 也不僅僅是 Excel：
軟體是一個約 ~$1T 的行業，應用軟體可能佔約 50%。如果一個 AI 原生的 Excel 變得可編程，機會將超越電子表格，進入應用創建本身。
▶️GTM：
金融是自然的初始切入點。它每人利潤高，對生產力工具的支付意願強，分析師層級有直接的預算權限，並且明確的 ROI 使產品在很大程度上自我銷售。大約 ~10% 的全球電子表格用戶從事與金融相關的角色，這代表了一個非常大且高度可貨幣化的起點。
編碼展示了自助式、工作流程原生工具如何快速擴展，並擁有龐大的表面積。Excel 可能是該操作手冊的下一個版本——規模甚至更大。
---
完整分析：
65
聊天機器人最終會更像串流媒體還是更像搜尋？
串流媒體、搜尋和聊天機器人都是沒有經典網絡效應的行業（相對較低的轉換成本）。然而，串流媒體是分散的，而搜尋則幾乎成為壟斷。
🔵串流媒體 - 設計上是分散的
內容不是商品。它是有差異的、非獨占的，並且存在於不同的平台上。因此市場保持分散。YouTube、Netflix、Disney……每個平台的市場份額都在單位數字，因為每個平台擁有不同的節目。
🔵搜尋 - 贏者幾乎通吃
$Google 擁有約 90% 的市場份額，即使 $Bing 也不算太差。為什麼？
1/ 分發/預設是極其強大的
大多數人不會選擇搜尋引擎。他們接受設備提供的內容。$Google 每年支付數百億美元以成為預設搜尋引擎。
2/ 習慣和品牌
$Google 是一個動詞。$Bing 不是。習慣加上品牌的力量被極大低估（老實說，我對此有點驚訝）。
3/ 數據飛輪（在某種程度上）
更好的引擎 → 更多用戶 → 更多數據 → 更好的引擎。我質疑這個效應到底有多大，但它確實存在。
4/ 廣告生態系統規模
廣告商在 Google 上獲得更多的流量和更好的投資回報，這要歸功於搜尋 + YouTube + 地圖 + Android + Gmail。因此，他們優先考慮 Google，這進一步鞏固了其領先地位。
🔵聊天機器人/代理 - 更接近搜尋而非串流媒體？
聊天機器人更像搜尋：輸出感覺像商品，你希望有一個能記住所有事情的助手（如果聊天機器人能搞定記憶，鎖定效應應該會比搜尋更強）。會有區域/語言的差異（例如，中國）。
與早期 $Google 搜尋的日子相比：
- 監管現在更嚴格（更難成為壟斷）；
- 現在的平台更加分散：$Google、$Meta（也許還有 MSFT/AAPL/AMZN）將各自推動自己的緊密整合助手；我們有 Apple 對抗 Windows/Android 陣營；
所有這些使得單一壟斷的可能性大大降低。
在用戶層面：一個核心代理完成 70-90% 的工作。
在市場層面：也許會有 2-3 個大型助手，而不是單一的 $Google 風格的 90% 贏家。
2025年11月26日
對於邊界模型商業模式的一些深入思考。所有這些都基於《資訊》、《紐約時報》等洩露的數據。
🔵核心：這是一台計算燃燒機
在其核心，這個模型非常簡單：幾乎所有的成本都來自計算——推理，尤其是訓練。訓練遵循某種擴展法則。假設成本每年上升約5倍；而訓練成本的投資回報率為2倍。
這創造了一種奇怪的動態：
第一年訓練成本：1
第二年來自該模型的收入：2
但第二年下一個模型的訓練成本：5
淨值：+2 - 5 = -3
向前推進，情況變得更糟：
第三年收入：+10
第三年訓練成本：-25
淨值：-15
目前運行的邊界模型是負現金流的雪球。每一代消耗的現金都比前一代多。
要想實現正現金流，邏輯上只有兩件事可以改變：
A. 收入增長速度遠超過2倍，或
B. 訓練成本增長從每年5倍減慢到約<2倍
Anthropic的首席執行官Dario Amodei將情景B（“訓練成本停止指數增長”）分解為兩種可能的現實：
1/ 物理/經濟限制：你根本無法訓練一個5倍大的模型——沒有足夠的晶片，沒有足夠的電力，或者成本接近世界GDP。
2/ 遞減收益：你可以訓練一個更大的模型，但擴展曲線變平。再花10倍的錢就不再值得。
OpenAI和Anthropic的數據揭示了什麼：
這兩家公司的洩露財務預測基本上驗證了這一框架。
OpenAI：OpenAI的計劃有效地假設總計算能力在2028年後停止增長。
翻譯：利潤率改善，因為訓練成本趨於平穩。這是情景B。
Anthropic：
1/ 他們假設每個模型的投資回報率每年增加。花1，回報5，而不是2。
2/ 他們的計算支出增長也要低得多。從FY25到FY28：OpenAI的計算成本增長>>Anthropic的
根據上述框架，他們依賴於A收入增長和B成本增長放緩。
🔵 $NFLX是最接近的類比
在科技領域，資本密集型模型很少見，雖然不是前所未有的。$NFLX是一個很好的類比：多年來，它的現金流深度為負，且每年惡化。他們不得不提前投入資金到內容中，這些資產在四年內折舊。在許多方面，它類似於數據中心和模型訓練的經濟學。
2019年現金燃燒高峰：-30億
2020年現金流：+20億
為什麼突然轉為正數？COVID關閉了製作。內容支出停止增長。現金流瞬間翻轉。
🔵最終局面：當成本增長放緩時，利潤率出現
$NFLX並沒有完全停止對內容的投資——它只是停止了在全球約3億訂閱者達到後積極增長該投資。在這個規模下，黏性很高，他們只需要維持自己的地位，而不是每年將內容支出擴大10倍。
我不認為OpenAI或Anthropic會完全停止訓練。但他們不需要永遠以倍數增長訓練支出。在某個時候：
每個模型的投資回報率上升，或擴展限制開始生效，或兩者皆是。
而當年度訓練支出停止每年增長5倍時，利潤率幾乎會立即出現。
這就是LLM經濟學的奇怪之處：
它是一台燃燒機……直到突然不再是。
來源：
++
完整文章：
71
對於邊界模型商業模式的一些深入思考。所有這些都基於《資訊》、《紐約時報》等洩露的數據。
🔵核心：這是一台計算燃燒機
在其核心，這個模型非常簡單：幾乎所有的成本都來自計算——推理，尤其是訓練。訓練遵循某種擴展法則。假設成本每年上升約5倍；而訓練成本的投資回報率為2倍。
這創造了一種奇怪的動態：
第一年訓練成本：1
第二年來自該模型的收入：2
但第二年下一個模型的訓練成本：5
淨值：+2 - 5 = -3
向前推進，情況變得更糟：
第三年收入：+10
第三年訓練成本：-25
淨值：-15
目前運行的邊界模型是負現金流的雪球。每一代消耗的現金都比前一代多。
要想實現正現金流，邏輯上只有兩件事可以改變：
A. 收入增長速度遠超過2倍，或
B. 訓練成本增長從每年5倍減慢到約<2倍
Anthropic的首席執行官Dario Amodei將情景B（“訓練成本停止指數增長”）分解為兩種可能的現實：
1/ 物理/經濟限制：你根本無法訓練一個5倍大的模型——沒有足夠的晶片，沒有足夠的電力，或者成本接近世界GDP。
2/ 遞減收益：你可以訓練一個更大的模型，但擴展曲線變平。再花10倍的錢就不再值得。
OpenAI和Anthropic的數據揭示了什麼：
這兩家公司的洩露財務預測基本上驗證了這一框架。
OpenAI：OpenAI的計劃有效地假設總計算能力在2028年後停止增長。
翻譯：利潤率改善，因為訓練成本趨於平穩。這是情景B。
Anthropic：
1/ 他們假設每個模型的投資回報率每年增加。花1，回報5，而不是2。
2/ 他們的計算支出增長也要低得多。從FY25到FY28：OpenAI的計算成本增長>>Anthropic的
根據上述框架，他們依賴於A收入增長和B成本增長放緩。
🔵 $NFLX是最接近的類比
在科技領域，資本密集型模型很少見，雖然不是前所未有的。$NFLX是一個很好的類比：多年來，它的現金流深度為負，且每年惡化。他們不得不提前投入資金到內容中，這些資產在四年內折舊。在許多方面，它類似於數據中心和模型訓練的經濟學。
2019年現金燃燒高峰：-30億
2020年現金流：+20億
為什麼突然轉為正數？COVID關閉了製作。內容支出停止增長。現金流瞬間翻轉。
🔵最終局面：當成本增長放緩時，利潤率出現
$NFLX並沒有完全停止對內容的投資——它只是停止了在全球約3億訂閱者達到後積極增長該投資。在這個規模下，黏性很高，他們只需要維持自己的地位，而不是每年將內容支出擴大10倍。
我不認為OpenAI或Anthropic會完全停止訓練。但他們不需要永遠以倍數增長訓練支出。在某個時候：
每個模型的投資回報率上升，或擴展限制開始生效，或兩者皆是。
而當年度訓練支出停止每年增長5倍時，利潤率幾乎會立即出現。
這就是LLM經濟學的奇怪之處：
它是一台燃燒機……直到突然不再是。
來源：
++
完整文章：
70
熱門
排行
收藏