当AI的竞争从模型卷到重工业时，我国就进入主场模式了！

前一阵看了一个消息：成立4年的Anthropic，年营收已经达到300亿美元，增速超过了OpenAI，成为史上增长最快的软件公司。

看完之后我第一反应是：哇，真有钱。第二反应是：Claude真厉害。

一家AI公司成长这么快，第一反应觉得肯定是模型强，也合乎常理。

但如果深挖一下AI行业的底层逻辑，你会发现一个很反常理的结论，而且这个结论，真的有可能正在重新改写AI产业的竞争规则。

——AI的本质，不是传统互联网的延续，而是一种数字重工业。

这是一个根本性的认知切换。

我们用了几十年互联网，从PC端到移动端，从APP到小程序，里面的逻辑再熟悉不过了：软件开发成本高，但复制成本低。一个产品上线后，1个人用和1万个人用，边际成本其实差不太多。所以SaaS软件利润很高，高投入研发，然后海量复制，坐着收钱。

但AI不一样。

每一次你向豆包、元宝、ChatGPT提问，背后其实是上千张GPU在机房里高速运转。电流大量消耗，芯片剧烈发热，风扇和液冷系统全力跟上。你多问一个问题，那里就多烧掉一度电。

——用户越多，成本越高。

本质上跟开工厂一样，多一个用户，就得多消耗一份物料。来看几个数据：

去年，OpenAI全年收入将近一半花在了算力上，全年亏损50亿美元。另一家明星创业公司Perplexity，一年的算力费是自己全年收入的164%。Character.AI也差不多，赚来的钱基本全用在覆盖算力成本上了。

这跟传统软件生意完全两回事。

它更像工厂，需要不停往里投料、维护设备、计算折旧。算力的核心设备GPU，满负荷运转时产生的高热和震动会加速元件老化——从热力学的角度看，跟炼钢厂里的高炉其实大差不差。

所以你应该能懂我的意思了：一家AI公司的用户越多，首先面对的可能不是增长的喜悦，而是飙升的成本单。

理解了这一点，就会明白现阶段AI竞争的核心，不是谁的模型参数更大、更聪明。基础模型的能力差距正越来越小。真正的核心竞争力，变成了——谁能用更少的电、更少的卡、更短的时间，稳定跑出同样质量的推理结果。

跟制造业逻辑一模一样：极致的工程优化和成本控制，才是制胜之道。

理论说完了，来看顶尖公司是怎么做的。这里用一个很特别的角度——看他们的人才结构。

有人对Anthropic一千多名在职工程师的简历做了详细分析，发现了一些问题。

他们并没有疯狂招聘大家追捧的算法天才，反而招了大量有多年经验的基础设施人员。几个关键数字：工程师平均工作经验12.2年，经验不足3年的只有50个人，占比3%。超过13年经验的，占比44%。从专业背景看，占比最高的是“基础设施和平台”，高达40%，远超算法研究岗，后者只占3.3%。而且他们员工的主要来源不是OpenAI或DeepMind这些纯AI公司，而是谷歌，有119人。博士占比只有七分之一，主力是本科和硕士学历、但在大型系统里摸爬滚打多年的资深系统工程师。

这跟前面的产业逻辑完全对得上。当AI的竞争从算法变成了怎样让几万张GPU更省电、更高效，企业需要的人就不是在顶级会议上发论文的人，而是那些做过大规模系统、见过凌晨四点的线上事故、知道怎么在极限条件下死磕每个百分点效率的人。

Anthropic这些十几年经验的工程师，本质上就是AI工厂的车间主任。

用同样的方法对照一下OpenAI，结论如出一辙。OpenAI拥有超过20年经验的工程师，占比高达27.5%，甚至比Anthropic还高。经验不足十年的新人，占比极少。

两家全球最顶尖的AI公司，都在做同一件事：用重工业的人才结构，去运营一个看似轻巧的软件产品。这大概率不是巧合，而是产业底层逻辑塑造的必然。

而这个判断，恰好落在了中国AI最使得上劲的地方。

如果AI的竞争力正从算法转向工程效率，那我们的优势就来了。我们从来不怕重工业的竞争。我们有全球最庞大的工程师群体，有在激烈竞争中磨出来的系统优化文化，更有在成本极限约束下把产品做到最优的实战经验。

DeepSeek就是个好例子，用极低的成本训练出接近前沿的模型，靠的就是把系统工程效率压榨到了极致。

所以，我们或许真的需要调整一下看待AI未来的视角了。

当模型能力逐渐被追平，顶级算法研究员带来的边际增益在递减，真正稀缺的能力，是把模型稳定、高效、低成本地工程化和规模化的能力。

AI不是互联网的2.0，它是一片全新的数字大陆，它的底色是冒着热气的重工业。

这个行业最美的火花，曾经绽放在研究员的草稿纸上。

但如今，持续的光和热，来自那些守在水冷机柜旁、盯着能耗曲线上每一个微小波峰的人。

在重工业的世界里，最后的赢家，从来都是最能死磕效率的那个。