Anthropic 正在冲刺两万亿美元的 IPO 估值预期。我的判断是：AI 应用成熟以后，80% 的日常推理任务会在本地完成——企业自己的服务器和个人的设备，而且其中多数是过去根本不会调用 AI 的新任务；云端留 20%，留最难、最值钱的那一块。上一次资本这样追捧基础设施是 2000 年，思科和 Sun 的市值冲到了顶；最后赚到大钱的，是 Google 和 Amazon，再后来是 Facebook 和 TikTok。
01 最贵的智能公司，会承包最多的智能工作吗
先看估值。Anthropic 最快 10 月上市，投资者给出的估值预期是两万亿美元。按这个数计算，它会超过 SpaceX 六月创下的 1.77 万亿纪录，成为估值最高的 IPO。支撑它的是二季度 115 亿美元的单季收入，是上年同期的 14 倍，年化收入超过 850 亿美元；路演材料里写的白领劳动力市场空间是 30 万亿美元。
大家都在争论 AI 泡沫有多大。我想起 2000 年那一轮互联网泡沫的历史，思科卖路由器，Sun 卖服务器，微软卖操作系统，它们是当时的"智能供应商"。后来路由器和服务器变成了谁都能买的标准件，主要收入转到了长在它们上面的应用公司手里。
这一轮的收入利润账已经有人算过。投资人 Apoorv Agrawal 把生成式 AI 拆成芯片、云基础设施、应用三层：2024 年芯片层拿走近九成毛利润，两年后仍有近八成；成熟云计算正好倒过来，七成在应用层。他把 OpenAI 和 Anthropic 也归在应用层。
来源：Apoorv Agrawal 估算，2026 年 4 月更新
问题随之而来：生产智能这么贵、利润又这么集中，应用要怎么才能繁荣？Anthropic 和思科不一样，它卖订阅和 API，自己做应用，类似于微软下场做 Office；但两轮有一点相同——基础设施再值钱，也包办不了上面应用的价值。下一代入口格局，还没有定型。
利润倒挂要翻过来，得靠上游的降价一层层传到下游。上一轮靠两件事：
一是有替代的供应商，而且换起来不贵：AMD 没有压掉英特尔的利润，Linux 却压掉了 Unix 的溢价，差别就在换的成本。
二是开放的体系，让用户自己动手组织生产。这一轮对应的，是替代芯片，和开放权重加本地推理。本地化就算接不走全部任务，也会逼云端重新定价：客户能够自己生产，是供应商定价必须面对的一条边界。
我的判断是——
最强的模型会在云端，最多的日常任务会在本地。
AI 应用成熟以后，日常推理任务八成在本地、两成在云端——这是对任务分布的预测，不是对算力或收入的预测。盛大联合创始人、WiFi 万能钥匙创始人陈大年是我的老朋友，他在盛大创新院十八周年的聚会上也提出了一个 80% 的判断，列在他的"AI 时代的八条非共识"里。他说的是本地模型的市场份额，我说的是日常任务的完成位置。
他讲的是 Sun。当年 Sun 的服务器贵、门槛高，操作系统 Solaris 比 Linux 和 Windows Server 性能好很多，许多头部网站 eBay、Amazon 等用的都是它的服务器。2000 年 Sun 市值冲到两千亿美元；之后被 PC 服务器一点一点打掉，2010 年以 74 亿美元卖给了甲骨文，不到高峰市值的 4%。PC 服务器赢的不是单台性能，是便宜、够用、随用随扩。他的判断是：今天的云端大模型，就是 AI 时代的 Sun——高价的数据中心服务器，会被开源模型加本地 x86 服务器打败。他比我激进，认为本地会摧毁云端；我认为云端的那 20%，恰恰是最值钱的一块。
02 一万个 Agent 在云端，六个 Agent 在桌上
9 月 8 日，OpenAI 公布了纳维–斯托克斯方程相关问题的解法：把上万个 Agent 组成一个研究团队，互相交换、筛选结果，跑了 88 小时。证明还在审，谁先做出来也有争议，但做法已经清楚了。此前 5 月，它的内部模型自己推翻了困扰数学界 80 年的 Erdős 单位距离猜想，算下来花了不到 1,000 美元。
9 月 10 日，北京，AMD 锐龙 AI Max 媒体沙龙。一台 128GB 的桌面工作站，单个 Agent 每秒 45 个 Token，多 Agent 模式下六个 Agent 各带 95K 上下文同时跑——六路并发时跑多快、完成率多少，材料没有给。三个月前，英伟达和微软在台北发布 RTX Spark，128GB 统一内存，十月上市，微软同步一款在 Windows 上本地跑 AI 代理的软件。
两幅画面放在一起，分工就清楚了。前沿实验室负责把上限往上推；开源模型负责把成熟的能力做成谁都装得起的版本；桌上那台机器负责把每天的活干完。
问题从来不是"本地模型比 Opus 强不强"，而是"你每天的任务需要不需要 Opus"。一个订单异常、一份周报、一段客服对话，验收标准是"做对了没有"，不是"有没有突破"。
03 为什么我判断是本地 80%
三股力量。
第一，能力跨过了可用线。 这条线是 Opus 4.6 画的。2 月 5 日发布，Anthropic 把它做成了编程和 Agent 模型：一百万 Token 上下文，几个 Agent 组队干活，在大型代码库里自己规划、自己复查、自己改错。在开发者手里，AI 写代码从此不只是辅助，是交付——这是一个革命性的产品，编程能力惊艳，改变了开发者的工作方式。Claude Code 去年 5 月才向公众开放，到今年初年化收入已超过 25 亿美元，Opus 4.6 之后更是一骑绝尘。
六个月后，8 月 14 日开源的 Qwen3.8-27B，官方模型卡 24 项评测里 16 项超过 Opus 4.6 Max；电脑操作那一项 84.3 分，公开分数已经追到 5 月的旗舰 Opus 4.8。
它是 27B 稠密模型，4bit 量化后权重约 17.5GB，所测五项任务平均降分很小——一台 24GB 内存的笔记本装得下；跑得多快、上下文缓存要多少内存、能同时跑几路，另说。
同一个 27B 尺寸，4 月到 8 月两代，参数没动，编程 Agent 的分数涨了 8 分；按这个速度，年底一版 27B 就到 Opus 4.8 的水平，也就是今年 5 月的旗舰。到了这条线，本地模型就够应付大部分应用了。从这几项评测看，开源落后闭源约半年，测试条件不同，仍要业务验证。前沿也没停：METR 在软件任务上观察到，模型以五成成功率能完成的任务时长，大约每七个月翻一倍。所以我给这个判断一个能被推翻的条件：如果连续两代开源在编程 Agent 和电脑操作上的落差从半年拉到一年，80 这个数就下调。
够用不等于全面追平。27B 追不上的是高难度学术推理那一层；它追得上的是编程 Agent、电脑操作、指令遵循，那是每天业务的活。长程规划两边都缺，本地的解法是把长任务拆短、把失败上云。
第二，高频使用改变了经济账。 一个语音应用，10 万日活，每人每天聊 10 分钟。按 OpenAI 实时语音的公开单价，只算新增音频、不含文本，一个月约 1,000 万元；换成阿里云百炼的 Qwen3.5 Omni Flash，约 137 万。
本地不是零成本，它改变的是成本的结构——低频、不确定的需求适合按量买，稳定、高频的工作让固定投入更容易摊薄。一台整机按 100 瓦、每秒 50 个 Token 算，不停跑 23 天生成一亿 Token，56 度电；同样一亿 Token 在云上，按开源模型的托管价，两千块上下。前者只计运行电耗，没算设备折旧、运维和纠错，两者不是完整成本的直接比较。这不是"本地一定便宜"，是"用得越多，临界点来得越早"。应用越高频，越会往本地沉。
第三，智能会跟着数据、工具和权限走。 文件在哪、设备在哪、权限在哪，Agent 就在哪。去年初 DeepSeek 开源后几周，三桶油、国家电网、南方电网、中核、中广核、五大发电集团陆续宣布本地化部署，主要理由是数据不出门。
陈大年的例子更直白：他电脑里两个 T 的照片，不愿意传给 Claude 管，Claude 也不愿意收——Token 费收不了多少，占的带宽和存储却是海量。他另一条理由更扎心：以前平台对你的了解是一句话的画像，现在 AI 知道你大量的细节，被一个极其聪明的大脑每天盘一遍，"对一个人的压力是非常大的"。苹果的路线也是能在设备上处理就在设备上处理，复杂请求才送去它自己的云。
这条规律有时候站在云端那边——CRM、网盘、数据仓库已经在云上的企业，Agent 会去云上找数据，80% 不自动适用于它们。本地化的前提，是工作副本和工具权限已经在本地。
三股力量指向同一个方向。但——
这 80% 不是搬回来的，是长出来的。
今天云端每天处理的任务，假设是 100 项。本地机器不按次收钱、数据不出门，机器就会一直看、一直查、一直问——每小时扫一遍日志，每一封邮件进来先分一次类，每个工单先自己试一遍。这些活过去根本不会调用 AI，因为一次几分钱乘以一天几千次，账算不过来。把它们算进去：云端可能从 100 项涨到 200 项，本地新增 800 项，本地占八成，云端的任务量也翻了一倍。旧任务搬家，只是零头。
100 / 200 / 800 为说明结构的假设，任务份额不是收入份额。来源：硅基时间制图
04 80% 的判断，可能错在哪里
本地模型变便宜，不意味着它一定比云端划算。开源、量化和专用芯片，云服务商同样能用，还可以把不同客户的需求集中起来，提高设备利用率。真正要比较的，是完成同一项合格任务的总成本，包括设备、运维、人工纠错和云端兜底。AMD 开始用完工时长和单工作流支出衡量性能，也是这个道理。
如果云端在多数日常任务上持续保持明显的成本优势，而本地的数据控制、响应速度等优势不足以抵消差价，我会下调 80% 的判断。另一种情况是：开放模型的能力下放放缓，或者企业难以承担部署、更新和出错后的责任，本地普及就会比我预计的慢。
再说清一个区别：我算的是任务量，不是收入。一项任务，指有独立验收标准的一次业务交付——给一封邮件分类算一项，一次跑 88 小时的前沿研究也算一项；只要用到云端模型推理，就计入云端。两者消耗的算力、创造的价值差得很远，所以本地占八成，云端仍可能拿走很大一部分收入。
所以，这个判断最终要接受真实任务的检验。模型开放给企业增加的是选择权：哪些智能自己生产，哪些向云端购买。下一节要讨论的，就是这种选择权为什么可能成为这一轮产业变化的关键。
05 智能像电，但你可以下载它的生产配方
很多人把大模型比作电。这个比喻说对了需求这一头：电通用、无处不在、按量付费，每个行业都要用；智能也一样，每个行业都会用，而且会越用越多。
但供给这一头，比喻只对一半。电只能在电厂里集中生产，靠电网送到你家，你家里造不出一座电厂，所以电的结局是电网赢了——发电和输电握在少数公司手里，用户手里只有一个插座。大模型公司想要的就是这个结局：它们做电厂，你付电费。但是智能 Token 生产分发却不像电这么简单。
把智能生产拆成三个环节：训练、分发、推理。训练高度集中——万卡集群、持续的巨额投入，这一层像电厂。分发完全不像：发电机不能复制，模型权重是一个文件，Qwen、DeepSeek 的权重开放以后，全世界任何一台机器都可以拿到半年前的前沿能力。推理则可以在任何地方发生——云端、企业内部、桌上那台机器。
已经有人这么干了。法律 AI 公司 Harvey 过去每月十几万亿 Token 全部走 OpenAI、Anthropic 和 Google 的 API；今年 8 月，它从月之暗面开源的 Kimi K3 出发，用一百五十块 GPU、两个月，后训练出自己的法律模型 Tenet，在自建的法律 Agent 评测集上全通过率接近翻倍，官方称推理成本不到闭源旗舰的四分之一。配方下载下来，行业任务写进权重，旗舰 API 只留给最难的那一截。这是行业模型的自主定制，不是笔记本上的本地化：权重在 Harvey 手里，推理跑在哪，它没说。
来源：硅基时间制图
你不能把一座电厂下载到公司，但可以把一种智能的生产配方下载到服务器。
开放权重延续了软件可以复制的特点，又让任务能力随文件一起分发：训练可以集中，使用却不必集中——这是智能和电最大的不同。计算在集中和分散之间来回了三次：大型机、PC、云。这次能不能停在分散这边，看生产配方能不能复制。
06 AI 应用的终局：从一句话，到持续交付
应用爆发的标志，是更多人开始买到过去买不起、得不到的服务。 Web 爆发的是网站，移动爆发的是 App，这一轮爆发的是 AI 应用。我判断，下一轮高频应用的爆发，会从企业和行业里的语音办事开始；C 端最大的应用会是娱乐和社交入口，那是另一篇的题目，这里先从企业场景展开。
设想一家工业配件企业。负责人说一句"把缺货补齐"，系统就去查库存、对订单、询供应商，在授权范围内安排采购；价格超出预算时找人确认，到货延误时继续跟进。过去要打开几个系统、找几个人的事，现在交代给一个持续工作的助手。
高频服务能不能普及，既看办得好不好，也看长期用不用得起。这类应用每分钟都在花 Token，本地推理把按次付费变成设备投入和运行成本，让更多任务可以经常做、持续做——这叫"Token 自由"。先有 Token 自由，才有应用自由；应用自由，才是这一轮大爆发的起点。
接住需求的，是一层 Agent OS。它承载两种应用：个人的硅基分身，知识库记住资料和偏好，智能体代办事务；企业硅脑，知识库积累业务数据和经验，智能体调度工作、跟进交付。
Agent OS 管身份、记忆、权限和任务，组织不同的智能体协作。日常推理在本地完成，最难的部分调云端模型，再连接线上系统、线下商家和物理设备。
手机可以是入口，个人记忆和企业数据可以留在各自的本地设备上；这里的"本地"指模型推理的位置，调用订货、支付这类在线业务接口，不算调用云端模型。
语音让人更容易交代任务，硅基分身和企业硅脑负责把事情接着办下去。前端是一句话，后端是一整套持续办事的系统。
个人分身与企业硅脑分别部署，图中合并展示共同架构；80/20 为作者对模型推理任务分布的预测，不代表算力或收入占比。来源：硅基时间制图
07 谁拿到增量，谁留下利润
要支撑这一轮巨额投入，AI 必须长出大得多的应用市场——按今年 4 月那份估算，应用层现在只有六百亿美元；Anthropic 能不能兑现两万亿的估值预期，至少要获得 1500 亿美元以上收入。这笔收入从哪里来，哪些公司最终获益？我看三类机会：提供智能、掌握入口、交付结果。它们分别对应算力需求、客户关系和应用收入，但增长不一定带来利润。
第一，提供智能：需求会扩大，利润要看竞争。 AMD、英伟达，以及联想、惠普和内存、存储厂商，有机会承接本地推理的采购增量。但模型会变小，设备可以共享，80% 的任务在本地，不等于 80% 的设备需要换新。
模型公司也一样。Anthropic、OpenAI 要靠高难任务和企业服务覆盖研发与推理成本；Qwen、DeepSeek、Kimi 的开放路线，则要把采用量变成托管、定制或应用收入。模型被广泛使用，与公司能持续赚钱，中间还隔着一个商业模式。
第二，掌握入口：算力可以分散，客户关系仍可能集中。 入口是四件事：任务从谁那里进来，谁定"做对了没有"的标准，谁发权限，钱付给谁。模型权重能下载，这四件事下载不来。手机入口的竞争里，Google 和苹果有系统优势，正把 Agent 入口收进系统；微软、Salesforce、ServiceNow 有企业系统的基础；微信、飞书、企业微信、钉钉，也有承接需求的机会。要看用户是否持续把任务交给它们，以及它们能不能因此收费。
Agent 可能减少人工操作和账号，原来的按人头收费就会承压，平台要把客户关系转成持续的服务收入。Token 在哪里生成，不决定利润归谁；谁持续接到任务，谁就更接近收费的位置。
第三，交付结果：创业机会在具体行业，护城河在反复交付。 工业报价、采购对账、订单跟进、设备售后，都是可以切入的付费任务。中国的工厂、仓库和门店，为这类应用提供了最密的现场；创业者可以借行业软件商、设备商的渠道，从一项任务做起，再沿同一批客户扩展，每个行业都可能长出自己的 WorkBuddy——行业专属的工作助手。
判断它是不是一门好生意，只问一句：多服务一家客户，要不要增加同样多的交付人员？每单都要重新开发，规模越大，人力负担越大。线上线下服务同样如此：用户可能绕过平台首页，让 Agent 订酒店、找维修，但客房、师傅、库存和配送仍然需要；美团这样的服务平台和行业供应商能不能留下利润，看它们组织供给、完成履约的能力。
下一个 Google，可能长在接收需求的入口上；下一个 Amazon，可能长在组织供给与履约的网络里。最后一笔账留给投资者：这一轮最大的受益者，可能根本不是 AI 公司。智能变便宜，省下的钱大部分会留在用它的工厂、门店和消费者手里——就像电变便宜的时候，赚到大钱的不是发电厂。
80/20 预测的是智能生产的位置；硅基调度力，决定这些智能能不能成为持续的生意。
◇ ◆ ◇
财经报道：《金融时报》《彭博》《路透》关于 Anthropic IPO 估值预期与二季度财务的报道（2026.08–09）；各公司定价页与公开披露。
模型与研究： Anthropic Claude Opus 4.6 / 4.8 系统卡与 Series G 公告；Qwen3.8-27B 官方模型卡（2026.08.14）；Minima NVFP4 量化报告（2026.09）；METR arXiv 2503.14499；Apoorv Agrawal《The Economics of Generative AI: Two Years Later》（2026.04）；Kenney 等 PC 价值链研究（UC Davis）。
产业资料： AMD 锐龙 AI Max 媒体见面会材料（2026.09.10，北京）；英伟达 GTC Taipei 2026；Harvey / Fireworks 关于 Tenet 的公告（2026.08）；陈大年"我对于 AI 时代的八条非共识"（创新少年派整理）；作者《Agent 入口保卫战》《Agent 入口战的中国变量》（2026.06）。80/20 为作者判断，无外部统计；分数均为厂商自报，测试条件不同，看趋势不看小数。
发表于 3 天前
|
查看: 13|
回复: 0
