LECTURE 01 / 09 · WEEK 1 · 2026-04-03

生成式 AI 经济学导论

Intro to the Economics of Generative AI

从 AI 收入的“倒三角”出发，理解资本开支周期、持续推理成本、模型层与消费 AI 商业化如何共同决定价值和利润的分布。

Apoorv Agrawal 约 8 分钟

生成式 AI 已经拥有数以亿计的用户，应用收入也在快速增长。为什么目前最大的收入和利润仍然集中在芯片？第一课从这张反常的“倒三角”出发，追问 AI 产业的钱现在流向哪里，以及这种结构会不会改变。

课程由 Altimeter 投资人 Apoorv Agrawal 讲授。他希望用一组简单的产业“物理规律”，帮助创业者和投资人判断：今天的利润来自暂时的供需错位，还是来自更持久的成本和市场结构。¹

一张图先把问题摆出来

2024 年，Apoorv 把生成式 AI 分成三层：半导体提供计算，基础设施把计算组织成云和推理服务，应用把模型能力交付给最终用户。他估算当时的总收入池约为 900 亿美元，其中半导体占了 750 亿美元。²

2024 年云计算与生成式 AI 收入分布比较 — *图 1：Apoorv 对 2024 年云计算和生成式 AI 各层收入的估算。*

原文页面截图

他将成熟云计算与生成式 AI 对照：云计算越接近客户的软件，收入池越大；生成式 AI 正好相反，半导体远大于基础设施和应用。Apoorv 将其解释为平台周期的早期形态，并预计应用会在本十年结束前成为最大的价值池。

两年后的更新沿用同一框架重新估算。AI 总收入从约 900 亿美元增至 4350 亿美元，但倒三角并没有消失。³

收入池	2024	2026	两年增量
Apps	$5B	$60B	+$55B
Infra	$10B	$75B	+$65B
Semis	$75B	$300B	+$225B

2026 年云计算与生成式 AI 收入分布比较 — *图 2：Apoorv 在 2026 年更新的收入估算。*

原文页面截图

应用层增长最快，从 50 亿美元增至 600 亿美元；半导体却从更大的基数继续增加了 2250 亿美元。三层合计新增约 3450 亿美元，其中约 65% 落在半导体。

两次估算显示了 Apoorv 对速度判断的变化：2024 年，他预计价值会较快地向应用迁移；到 2026 年，他把时间尺度拉长到十年以上。方向没有改变，但应用的增长尚未快到足以重塑整张图。

为什么钱先流到底层

课堂讨论给出了三组可以同时成立的解释：容量需要提前建设，AI 的每次使用持续消耗计算，NVIDIA 又把计算需求集中成了高收入和高利润。

容量先建，收入后长

一名学生问，半导体和基础设施的收入是否在为未来应用提前购买容量。Apoorv 把这种错位比作修铁路：芯片、数据中心和电力先投入，建成的资产服务未来五六年；应用则要等产品成熟、用户采用和商业模式形成后才产生收入。

云计算也经历过类似过程。AWS 从 2004 年开始建设，到 2010—2012 年才迎来 Amazon 自身迁移和 Netflix 等重要客户。建设期的资本开支会先变成底层公司的收入，上层的经济活动随后才展开。

AI 每次工作都要继续付钱

传统软件开发完成后，可以用很低的边际成本服务更多用户。生成式 AI 每多回答一个问题、生成一段代码或执行一步 Agent 任务，都要再次运行模型。

推理成本会随四个量一起变化：用户数量、每个用户发起的任务数、每项任务消耗的 token，以及完成每个 token 所需的计算。芯片和系统效率可以降低单位成本，但更复杂的推理和更多 Agent 调用也会扩大总需求。

这使 AI 与成熟 SaaS 出现了结构性差异。应用越成功，推理需求也可能越大；收入向应用增长，并不要求芯片收入同步下降。

计算需求又被集中到 NVIDIA

产业早期需要大量计算，解释了半导体收入池为什么大；NVIDIA 的市场地位进一步解释了利润为什么高度集中。Apoorv 在 2026 年估算，约 3000 亿美元的半导体收入中，NVIDIA 占约 80%。³

课堂还提到，NVIDIA 的计算负载当时约有 40% 用于推理、60% 用于训练。随着应用和 Agent 增长，推理占比可能上升；这会让应用层和计算层一起增长，而不是简单地由前者替代后者。

Alpha Mao笔记｜决定倒三角形状的核心变量

AI 当前的倒三角既包含建设周期，也包含持续推理的成本结构。芯片和数据中心提前建设，使底层收入先出现；应用增长以后，每一次新增使用又会继续产生计算需求。

应用价值迁移强度 ∝ 可收费任务价值 ÷ 完成任务所需的计算成本
应用能力提高 ──→ 可完成的任务增加 ──→ 应用收入增长
       │                                  │
       └──────→ 推理需求增加 ────────────→ 芯片与基础设施增长

模型效率、系统优化、custom silicon ──→ 单任务计算成本下降
可收费任务价值增长得更快，收入和利润就会逐渐向应用迁移；任务复杂度和推理消耗同步增长，应用与底层则可能一起扩大。Apps 超过 Infra 是一个早期信号，更关键的变化是应用收入相对于计算成本能否持续提高。

倒三角怎样才会翻转

图形改变需要两股力量同时发生：应用收入继续增长，每单位计算的收入和利润下降。只发生前者，整个产业可能只是一起变大；只发生后者，则意味着计算变便宜，却没有足够多的付费应用承接能力。

应用要把使用变成可收费的价值

Apoorv 在 2024 年已经指出，AI 应用的成本随使用量增长，固定订阅很容易出现重度用户越多、亏损越大的情况。应用需要找到更合适的计价单位，同时通过模型选择、batching、distillation、quantization 和系统优化降低任务成本。²

Custom silicon 可能压低计算租金

Google TPU、Amazon Trainium、Microsoft Maia 和 Meta MTIA 的意义，不是让算力需求消失，而是让超大规模云厂商用更适合自身负载的芯片完成同样的工作。

如果这些项目成熟，原本支付给商用 GPU 厂商的一部分利润会转回云厂商，单位计算价格也会下降。应用可以消耗更多算力，半导体的收入和毛利却未必按相同比例增加。Apoorv 因此把 custom silicon 视为改变倒三角的关键变量。³

2026 年的毛利润估算把问题显示得更清楚：

层级	估算收入	估算毛利率	估算毛利润
Semis	$300B	73%	$225B
Infra	$75B	55%	$40B
Apps	$60B	33%	$20B

半导体约占总收入的 70%，却占总毛利润的 79%。应用要改变产业结构，既要扩大收入，也要提高收入扣除推理成本后留下的毛利。

Alpha Mao笔记｜AI 应用商业化的最小闭环是可计价任务

AI 应用能否形成规模，取决于它能否稳定完成具有经济价值的任务，并让价格覆盖完成任务所需的成本。
模型能力
  ↓
稳定完成任务
  ↓
进入真实工作流
  ↓
结果可以衡量和定价
  ↓
价格覆盖交付成本
  ↓
可持续毛利
任务价值可以来自节省时间、提高成功率、增加收入或替代外部服务支出。对应的单位经济是：单任务毛利 = 单任务收入 − 推理成本 − 其他交付成本。

用户数量说明需求范围；真正决定应用层经济规模的，是有多少任务能够重复完成、这些任务能产生多大价值，以及公司能保留多少毛利。

产业层级不是公司分类

课堂上的另一组问题来自图本身：AMD、NVIDIA 和 Google 应该放在哪一层？Apoorv 的处理方法是按业务收入拆分，而不是把整家公司塞进一个格子。

Google 的 TPU 属于半导体，GCP 属于基础设施，Gemini 则进入模型或应用。NVIDIA 的 GPU 属于半导体，DGX Cloud 属于基础设施。图上的公司 Logo 只是代表性标记，真正需要追踪的是每项业务在做什么。

这个方法也暴露出统计上的空白。Salesforce Einstein、Microsoft Copilot、Adobe 和 Palantir AIP 等能力可能被打包进原有软件合同，公开财报未必单列 AI 收入。现有软件内部创造的 AI 价值，因而很难进入 Apps 的估算。

与此同时，2026 年约 600 亿美元的 Apps 收入中，OpenAI 和 Anthropic 合计约占 450 亿美元。这里既包括面向最终用户的产品，也包括向开发者和企业销售的模型与 API。³

Alpha Mao笔记｜原课程把模型层和应用层混在了一起

课程使用的 Semis → Infra → Apps 三层结构，把 Foundation Models 和 End-user Apps 合并进了 Apps。模型层销售通用能力，应用层则围绕具体任务组织产品、工作流和用户体验。两者的客户、成本、分发方式和竞争结构并不相同。
原课程：Semis → Infra → Apps
                             ├─ Foundation Models
                             └─ End-user Apps

分开分析：Semis → Infra → Foundation Models → End-user Apps
2026 年课程估算的 Apps 收入约为 600 亿美元，其中 OpenAI 和 Anthropic 合计约占 450 亿美元。由于这些收入同时包含模型和最终产品，不能直接用它判断真正的最终应用层已经发展到什么程度。

消费 AI：从用户走到收入

第一课最后转向消费 AI，因为应用层要成为最大的价值池，首先需要足够多的用户，并把使用变成习惯和收入。三篇消费 AI 课前阅读按照 Reach、Habit、Monetization 依次检验这条路径。⁴⁵⁶

这些比较主要采用 SensorTower 的移动端数据，描述的是消费端移动使用。

环节	2026 年的代表性信号	回答的问题
Reach	AI App 超过 12 亿周活；ChatGPT 约 9 亿，占约 70%	产品是否进入大众市场
Habit	ChatGPT 的 WAU/MAU 约 82%，第 4 周留存约 66%	用户是否持续回来
Time	ChatGPT 占消费 AI 总使用时间约 68%，移动端约 16 分钟/天	产品获得了多少持续注意力
Monetization	约 95% 的 ChatGPT 用户仍在免费使用	注意力怎样转化成收入

Reach：ChatGPT 已经进入消费互联网的比较范围

2024 年，Apoorv 判断 Google 和 Meta 会依靠既有分发赢得消费 AI。到 2026 年，ChatGPT 在没有原有消费平台的情况下增长到约 9 亿周活，迫使他修改了判断。它已经超过 Spotify 等大型垂直应用，开始接近社交平台的用户规模。⁴

他用 Stock 和 Flow 区分已有用户基盘与新增下载。一次产品发布可以制造下载高峰；庞大的存量用户仍持续带来新增下载，才意味着产品正在形成更强的分发优势。

Habit：用户是否把它变成固定工具

ChatGPT 的 WAU/MAU 从三年前约 50% 上升到 82%，第 4 周留存从约 40% 上升到 66%。用户规模扩大约十倍的同时，留存反而提高。⁵

其中最特别的信号是 retention smile curve：留存率先下降，随后又回升。Apoorv 在数据中看到明显微笑曲线的产品很少，ChatGPT 与 Gmail、Chrome 属于少数案例。

Alpha Mao笔记｜AI 产品可能更容易出现留存微笑曲线

AI-native 产品中，留存微笑曲线可能不只是少数产品的偶然现象。它可能来自模型和 Agent 能力持续提升，使产品跨过新的任务可用门槛，并重新吸引此前离开的用户。
模型与 Agent 能力提升
         ↓
产品跨过某项任务的可用门槛
         ↓
过去无法完成的工作开始能够完成
         ↓
旧用户重新尝试并持续使用
         ↓
留存曲线重新上升
Codex 是一个直观案例。早期版本在 Windows 上的体验和任务完成能力都不成熟；后续的模型与产品迭代改变了它可以承担的工作，因此可能重新吸引此前离开的用户。

真正支持这一判断的证据，应当是旧 cohort 在重大能力更新后重新活跃，并继续留下来完成高频任务。如果增长只来自新用户，或者只在发布期短暂回升，更可能是分发、免费策略或短期产品刺激。

Monetization：时间和意图怎样变成钱

Apoorv 把广告收入拆成三个变量：总使用时间、可以展示多少广告，以及每次广告展示的价格。⁶

广告价格又取决于意图、归因和受众质量。搜索引擎知道用户正在找什么；社交平台拥有大量注意力；对话式助手还能得到预算、偏好、场景和限制等上下文，因此可能识别更具体的商业意图。

这也是广告可能超过订阅的原因。订阅只向少量付费用户收费，广告可以覆盖庞大的免费用户群。OpenAI 需要在对话中找到新的广告形态；Google 则可以先通过 Search 中的广告变现，让 Gemini 保持免费或订阅模式。

对话式产品最重要的约束是信任。如果付费推荐改变了助手给出的答案，广告会损害用户使用它做决策的理由。能够保持建议质量、清楚呈现商业关系的推荐，才可能把高意图转成可持续收入。

本课留下的判断

生成式 AI 的倒三角由三股力量共同形成：产业仍处于容量建设期，AI 使用会持续产生推理成本，NVIDIA 又在当前计算市场中拥有极强的收入和利润集中度。

图形会不会翻转，取决于应用能否把任务价值变成收入和毛利，也取决于 custom silicon、模型效率和竞争能否压低单位计算价格。应用增长与算力增长可以同时发生，关键是二者的相对速度。

这张三层图还需要在后续课程中继续拆开：模型/API 与最终应用具有不同的经济结构；纵向一体化公司又会跨层获取价值。第一课由此建立了一套追踪方法：看收入在哪里增长，成本在哪里发生，利润最后被谁保留下来。

来源

本页来源

[1]
Stanford Online, Stanford MS&E435 Economics of the AI Supercycle | Spring 2026 | Intro to the Economics of Generative AI , 2026-04-03。本文使用课程主讲内容，以及 07:39—24:09 的课堂问答和 28:47—34:23 的消费 AI 讨论。 https://www.youtube.com/watch?v=LNSvp-9b-J0
↩ 回正文
[2]
Apoorv Agrawal, The Economics of Generative AI , 2024。本文使用其 2024 年收入与毛利润估算、平台周期判断和应用经济性分析。 https://apoorv03.com/p/the-economics-of-generative-ai
↩ 回正文
[3]
Apoorv Agrawal, The Economics of Generative AI: Two Years Later , 2026。本文使用其两年后收入与毛利润更新、产业集中度和 custom silicon 分析。 https://apoorv03.com/p/the-economics-of-generative-ai-two
↩ 回正文
[4]
Apoorv Agrawal, The State of Consumer AI, Part 1: Usage , 2026。本文使用其周活用户、市场份额和 Stock × Flow 框架。 https://apoorv03.com/p/the-state-of-consumer-ai-part-1-usage
↩ 回正文
[5]
Apoorv Agrawal, The State of Consumer AI, Part 2: Engagement and Retention , 2026。本文使用其 WAU/MAU、第 4 周留存和 retention smile curve 数据。 https://apoorv03.com/p/the-state-of-consumer-ai-part-2-engagement
↩ 回正文
[6]
Apoorv Agrawal, The State of Consumer AI, Part 3: Time is Money , 2026。本文使用其使用时间、免费用户比例与广告经济分析。 https://apoorv03.com/p/the-state-of-consumer-ai-part-3-time
↩ 回正文

← 返回课程目录