这是一个有趣的问题，尤其是不断有报道称人工智能从事了可能显示其缺乏良好意图的活动。不过，确实，创办一家公司可能需要的不仅仅是技术能力。我也想起有人在谈到人工智能、数据中心和英伟达（Nvidia）时说过的一句话：在淘金热中，靠卖铲子赚钱的人比挖金子的人更多。
正文
这是个有趣的问题，尤其是考虑到不断有报道称 AI 做过一些可能表明其缺乏善意的事。不过确实，创业大概不仅仅需要技术能力。
有人谈到 AI、数据中心和 Nvidia 时说过一句话：“在淘金热里，靠卖铲子赚到钱的人，比去淘金的人更多。”
如果 OpenAI 直接克隆别人的产品，会吓跑那些原本愿意把知识库共享出来的人，也会招来监管。现阶段，只要人们还在把越来越多知识喂给模型，或者还有别的路子能持续拿到训练数据，明智的做法就是先等。至少有一家实验室内部有个对标项目，打算像 ArtCraft 那样复制 20 多款热门产品，只是预算高得多，还有多种工作流配置。ArtCraft 最初只花了 2 万美元（现在花了多少不太清楚），但进展很快，做出来的应用也能用。终有一天，他们会翻脸直接复制一切，连运营一起抄。事实上他们已经在做了，只是缓慢而讲究策略，为的是不掐断知识来源；也未必非得公开做。我提供咨询的一家大公司刚刚从 Figma 迁移到了 Anthropic Claude。
- 他们其实已经开始做了。看看 OpenAI 的产品组合，有一堆应用层尝试。
- 通过长期运行的 agent 卖 token，是唯一被证明能带动营收增长的方式。
- 他们急需收入。借款利率上升意味着获取资金不再像 2010 年代那么容易，他们的 runway 比想象中短得多。
- 这些公司的一些决策者相信 AI 会出现杰文斯悖论（Jevons Paradox）：价格下降会诱发更多需求。
- 前沿模型仍受 AI 自身局限，并非什么都擅长。让别人花自己的钱去踩坑，比自己上更划算。
在我看来第 3 点最关键。OpenAI 还没把当前在 AI 领域的投入摊销完，也没停止新投入。我相信他们完全有能力一下子把 1000 个新业务做上线，但那样只会背更多债、增加更多不确定性。
第 5 点的某些变体也很有分量。需要一个有人提出想法，有人打磨想法，还要有人花时间从大量垃圾里筛出有用的部分。更好的做法，是让人相信自己的梦想正被实现，同时卖 token 给他们去实现。话说回来，如果有人把自己“金鹅点子”的种子交给大 AI 公司，一旦点子“泄露”给别人，后面会留下很多让人不安的口子。我同样担心：如果别人问出足够相似的问题，或用别的方式诱导 AI 说出它为你做过的事，那些帮你实现想法的 LLM 输出会被大公司拿去复用。所有这些 AI 生成内容，会把知识产权法带进一个疯狂的时代。
关于“急需收入”和借钱成本，有人追问为什么。有人说他们借得太多了，在资本市场直接与国家政府竞争。但也有人反驳：OpenAI 几乎没借什么债，只有 40 亿美元循环信贷额度且基本没动用，也没发债，投资不等于负债。话虽如此，利率环境直接决定了 OpenAI 能拿到什么条件的钱：当投资者几乎能无风险拿到 x% 回报时，他们就不太愿意拿现金换 OpenAI 的股权。而且，投资和负债在要求回报上其实没什么区别——OpenAI 拿了巨额投资，面临的压力和一家借了很多钱的公司大体相同。VC 给钱当然期待回报，否则董事会会把你换掉；这不是银行贷款，但也不是零息贷款。事实上，双寡头 AI 实验室本身没借太多，但一堆其他实体作为基础设施代理借了海量资金去服务它们，这才推高了债务成本，并把其中一些公司推向垃圾级边缘。
因为他们已经雇了成千上万名 AI 替代不了的程序员。别信 AGI 的营销 hype，我们离它还极其遥远。
如果他们的目标是 2 万亿美元估值，那么搞出一个 200 亿美元的公司也就增值 1%。他们在战略上追逐的是巨大的市场，而不是靠蛮力去做一堆小公司。
1% 乘 100 是……100%（还能分散风险）。不过更好的理由也许是：如果 OpenAI 会把别人的产品直接复制（即被 “sherlocked”）掉，大家就不愿意用它了。
他们得真的造出 1000 家独角兽，才能对估值有影响；或者一百万家小公司——到那个规模，美国反垄断机构肯定要盯上他们。而且这会加剧反 AI 情绪，也会加深人们对使用私人数据的恐惧，这才是真正的代价。一般来说，跟自己的客户竞争要非常小心。
往价值链上游走比往下游走难得多。比如一家包装公司去开零食公司，会比零食公司去开包装公司难得多；零食公司很清楚自己需要什么包装、要求很严。往下游走，因为你每天都在直接接触，所以看得见该做什么。
这跟 Alex Karp 在那场堪称失控的 CNBC 采访里问的问题差不多：如果代码这么好，为什么他们要按 token 卖，而不是要求分成？参见 Yahoo 报道。我认为 OpenAI 最终确实会开出一堆咨询/SaaS 衍生公司，每一家可能都很短命，直到核心产品能开箱即用地搞定这些活儿。
作为顶尖 AI 公司之一，对投资者来说比“用 AI 运营一家公司”刺激得多，后者谁都能做。
同意。OpenAI 是行业领导者，他们卖给投资者的是“推动人类伟大进步”的愿景，这也是他们估值 8520 亿美元的原因。虽然多数媒体和数据说他们没盈利，但更不用说 OpenAI 本就该聚焦核心业务——AI。再开 100 家公司对他们没意义，不过少量多元化可能有点好处。
创业学入门大概是：伟大的公司只能来自那些足够在意、愿意把事情做出来的人。OpenAI 的员工横跨完全不相关的领域去开这 100 家公司、还足够上心把它们推向市场，这不太可能。而且一家公司分心去同时做好大量不同的事，明显做不到（看看 OpenAI 之前在 Atlas、社交网络、Dots 上的尝试）。
有个 YouTube 广告某种程度上泄露了天机：某个平台卖给你做 app 的能力，办公室里人人欢喜都在做 app，结果不可避免有三个人做了同一个 app。我自己也遇过几次。爱因斯坦说过：“人类若想生存并迈向更高层次，需要一种新型思维。”App 能解决一堆问题，但如果谁都能做这些 app，它们就没有市场了。长期来看，出路大概不在于卖 app。我们才刚刚开始。在我本职工作里，我们还在补之前欠下的内部工作。现在真正的难题是怎么建立护城河、做出难以复制且能卖的东西。也许会是物理世界；护城河很可能主要来自网络效应和资本密集流程。如果我知道答案，我现在大概就在做了。
这基本上就是苹果没有自己开发 App Store 里每个应用的原因。没有哪家公司能什么都专精；更重要的是，卖 token 是无风险的钱，他们从每个 app 里抽成，却不用承担商业风险。
有人觉得这和苹果不一样，苹果确实会“复制”那些极其成功、持久的应用，也就是常说的“被 Sherlock”。但其余应用都是昙花一现、很细分的市场，苹果只要坐收广告/支付分成就好。这个反驳其实反而证明了类比成立：苹果只“Sherlock”那些大众消费级功能，从不碰专业 B2B 或超级细分的软件。AI 模型提供商也在做同样的事——他们自己做通用功能，比如 Excel、PowerPoint 里的 AI，但把那些奇怪的细分领域留给其他公司。
也不是说公司不能专精很多事，三星、日本的综合企业，或者印度的塔塔，都能多元化，带来急需的收入。但企图什么都做会限制增长。另一面是亚马逊：它能靠卖更多 AWS 服务器来交叉补贴，把平台上的任何商家打垮，等对手死了再提价。AWS 改变了软件业，Prime 也成了 Netflix 和 Disney+ 的强力竞争对手。有人就问：有什么能阻止苹果用 AI 克隆每个品类前十的 app，然后把原开发者踢出 App Store 呢？
我认为这才是正确答案：你没法同时经营 100 家企业，因为每家只能得到百分之一的注意力，结果全都会表现糟糕。
但这正是问题所在：他们内部的前沿模型难道不能提供那种无限注意力吗？他们的 PR 就是这么暗示的。
我以为 agent 大体是自主的，应该能替代工人？如果劳动力不再是约束，你就不必分散专精度了。
他们确实已经在往应用栈上层走了。他们会继续这么做，同时通过 deploy.co 和 ode.com 部署服务。大约 15 年前，人们会问：“挖矿的为什么还要卖硬件给你？为什么不自己留着挖加密货币？”结果后来你付了钱拿到的设备，常常是轻微使用过的，币已经被硬件矿工挖走了。模型现在好得不可思议。
他们就是在这么做，所以才进入 app 层。他们赌的是软件会被 agentic 超级 app 取代。他们没有真的去开服务型公司，唯一原因是那些仍然需要人类实地干活。但他们正在挤进咨询业（比如买了我朋友的一家咨询公司）。
但 LLM 现在不就能做这些了吗？肯定只需要一两个人用它们管理一切就行。或者让它们写代码，把所有需要的方面都自动化。毕竟软件应该已经是解决的问题了，所以没理由不把各方面软件都自动化，然后剩下的交给 LLM。
- 任何能用 LLM 轻松做到的事，任何人都能轻松做到，因此这些东西的价值会趋近于零。
- 剩下那些事至少和以前一样难，只不过以前忙着手动做第 1 类事的人现在腾出了些时间，所以这些事的价值可能略降。
- 还有些事因为别人用了 LLM 反而变得更难。想象一下：一个项目主管自己一点没做，用 AI 生成一堆规格和工单丢给你，你是第一个人工查看的人，结果发现全是垃圾。十有八九，效率反而降了。以我的经验，这适用于所有结果难以验证的工作。这几种效应互相抵消后会产生什么反馈、对生产率/效率总体是什么影响，没人知道。
因为经营 1 家公司比经营 100 家容易。一家公司要成功，光写出好软件远远不够。
你也可以把问题换个说法：如果模型真那么好，为什么它们不能经营一家公司？“那么好”是什么意思？AI 模型很擅长做某一类事情，但自主经营一家大型复杂企业不在其中。
这论证很差。既然你认为手里可能握着无限盈利的配方，何必还去卖汉堡？大 AI 公司已经加倍、再加倍地下注在自己的核心创始神话上。AI 热潮是一次全押：要么壮观地成功，要么壮观地爆炸。
标准类比是卖铲子，不是卖汉堡。OpenAI 卖的是让人做东西的工具。楼主问的是：他们为什么不自己下场做这些东西？我觉得这是个合理的问题。
这里的赌注不是卖铲子，而是魔法。……一个可疑的命题，只是这一次有一小部分真实的可能性：它也许真是魔法。
他们其实已经在做了，只不过那些叫“产品”——你不会每做一个新产品就开一家新公司。而且也不会做 100 个，你会把资源集中起来，尽量做最有影响力的事。
我听过一种关于 AGI 或超级智能的说法：如果模型足够聪明，他们就不必再卖推理服务，可以直接做任何有价值的事来赚钱。
原因很简单：因为这行不通，而且带来风险。一个你没启动的软件项目，你不可能失败；但如果你把 token 卖给一家失败的公司，那对你来说就是纯利润！LLM 还没好到能从项目最开头（我指的是真正的开头——获取需求、搞清楚市场等等）做到收尾。它甚至连简单网店都运营不好（哪怕它能写出一个）。对那些已经知道自己要做什么的人，LLM 是很好的倍增器，所以他们把这些工具卖给他们。
这说到了点子上：如果 Nvidia 真完全相信 LLM/AGI 的未来，为什么要浪费宝贵的 GPU 去卖？为什么不利用自己是少数主要算力提供方之一的优势，自己做 LLM？
不过我觉得没那么深奥。照同样的逻辑，台积电该去做 Nvidia、苹果、AMD 做的事，ASML 该去做台积电的事。Nvidia 擅长造铲子，就坚持造铲子。
其实不然，但姑且聊聊：这取决于你把模型看作又一项技术，还是“数据中心里的天才国度”。如果是前者，意味着 Nvidia 认为 LLM 有根本局限；如果是这样，OpenAI 和 Anthropic 就基本完蛋了，因为他们的核心产品会变成大宗商品。
Nvidia 已经在做了，只是他们的模型没竞争力。谷歌做得很成功，成功到你只能租他们的铲子，他们从不让你买断。
做出那些 LLM 需要组织里有某种技能。OpenAI 和 Anthropic 做到了，其他 LLM 创造者其实没有。并不能保证 Nvidia 会成另一个领导者，而不是像 Meta 或 xAI 那样尝试失败。
黄金比生意可替代性强得多。100 个不同的生意比 100 块金子独特得多。反过来说，模型也许会让商业点子变得和其他东西一样可替代。
我认为生成式 UI 和按用户自演化的数据库肯定会来，我觉得他们也在下这个赌注。生态系统的很多部分还没被想清楚，用户体验也在变：很多人现在更满足于直接用 Dots 读他们需要的信息，而不是打开一堆 app 和界面。
值得一提的是，他们在有限领域里已经在做了，比如 Figma/Claude 的设计争议。但你说的对，建立一家公司远不止做一个产品，也远不止名声——他们并不缺名声。
除了大家说的平台经济学，卖 token 给所有人、而不是直接下场竞争，还有一个大好处：他们能看到所有人的 token（并在获得同意后拿去训练）。
因为他们想成为让别人繁荣的平台。做一个成功平台，比做一百个成功产品赚得多得多。这就是为什么苹果从不为牙医做 iPhone。
这话听着傻，但我觉得是个合理的问题：如果你花 1500 万美元就能解决一个千禧年大奖难题，那把同样的资源直接拿来赚钱会怎样？
首先，两件事可以同时成立：模型可以惊人地好，同时也可以不足以经营公司，至少现在、也许永远如此，因为它们并不具备我们意义上的全部“智能”。AI 的发明正在重新定义我们对“智能”的理解。你会说爱因斯坦和克林顿都极其聪明，但即便在 AI 出现前也能看出，我们用的是同一个词，指的却不是一回事。爱因斯坦的智能高度抽象、观察性强、数学化；克林顿的则是人际、说服、表达等方面的。今天的 AI 极其擅长爱因斯坦那类智力任务，但不擅长克林顿那种社会智能和社会行动力。别急着反驳说它们可以很有同理心、很会说服，人们已经在社交上依赖它们了——我说的不是这个。它们极其了解人类社交，却无法真正去社交。你没法放一个 AI 出去自己交几个朋友。关键转折点会是：某个单一 AI 能让不止一个人关心它说了什么、在做什么。想想今天，别人跟你讲他和 AI agent 的对话，你大概会翻白眼，因为那只是高度个人化的体验。公司需要大量这种社会属性：它们必须建立关系、在社会中获得信任。AI 现在做不到这一点，而且越来越清楚，“智能”并不足以做到，至少 LLM 这种智能不够。也许有一天它们能，但我想那会是 AI 形态上的又一次巨大飞跃，就像 ChatGPT 是一次巨大飞跃一样。
淘金热里，卖铲子。OpenAI 正重金投入自研定制芯片，那是铲子这一端。他们本来可以去开更多珠宝连锁店（比喻亲自下场做产品、开公司），但那是完全不同的运营；让别人去争那块，把自己的资源用在铲子一端，才更符合他们的利益。
评论
讨论的主轴不是“AI 公司该不该亲自下场做生意”，而是“为什么卖 token、做平台反而比开垂直公司更合理”。多数人用平台经济和风险控制来解释：卖基础设施像淘金热里卖铲子，既容易规模化又不用承担经营风险；另一大分歧是，也有不少人强调他们其实已经在做应用和产品，只是不按“开一百家公司”的方式落地。
认为卖 token、做平台比亲自开垂直公司更稳更赚
- 把模型当基础设施出售，相当于在淘金热里卖铲子：不必承担开店失败、线下人力、垂直行业经验等风险，还能从每一个跑在平台上的应用抽成。开一家公司已经很难，同时开很多家几乎不可能；成功平台的收益被认为高于做一百个成功产品，资源也应集中。（较多人）
做成平台比做成一百个产品更赚钱，这也是苹果从不为牙医做 iPhone 的原因。（@antaviana）
认为他们其实已经在做应用，只是不以“开新公司”的形式
- 这些公司并非只卖 API：OpenAI 等已有大量产品/应用尝试，并通过收购咨询公司、做统一模型、进入设计和企业场景来落地。新产品通常作为产品发布，而不是为每个点子都注册一家公司；他们会把资源集中在最有影响力的事情上。（较多人）
他们确实在做，只是那些东西叫产品——你不会为每个新产品都开一家公司，也不会做一百个，而是把资源集中到最有影响力的事情上。（@wewewedxfgdf）
认为当前 AI 还不足以端到端运营一家公司
- 公司成功需要的不只是写代码：还要拿需求、判断市场、建立客户信任、做交付和社会关系。现在的 LLM 更像是倍增器，能帮助已经知道要做什么的人，但还做不到从零到一把生意跑完；连靠 AI 凭感觉生成代码也替代不了 Salesforce 这类企业系统。（较多人）
LLM 还不足以从真正的项目起点做到终点：获取需求、判断市场、运营交付都不够，它只是给已经知道要做什么的人做倍增器。（@InsidiousWombat）
认为卖 token 还能顺带拿到数据、训练素材和生态情报
- 把 token 卖给所有人而不直接下场竞争，另一个好处是能看到各家应用的数据、提示词和使用场景；在授权下还能用于训练。甚至有更激进的猜测认为，绑定手机号或信用卡的 token 消费会生成可追踪到个人的信号；这种可被情报体系利用的价值反而让公司较少招惹联邦政府，甚至变得“大到不能倒”。（少数人）
除了平台经济，卖 token 给所有人而不是亲自竞争，另一个大好处是他们能看到所有人的 token，并在授权后训练。（@rgbrgb）
认为资本压力和已验证的收入模型迫使他们先卖 token
- 长期运行的智能体按 token 计费被视为目前唯一被验证能增长收入的模式；利率上升、融资环境变差让跑道比想象中短，所以他们需要先变现。也有决策者相信杰文斯悖论：价格下降会诱发更多需求，因此继续押注核心 token 生意。（少数人）
通过长期运行的智能体卖 token，是唯一被证明能带来收入增长的方式，而且他们现在就需要收入。（@CoolestBeans）
有价值的补充
- 包装公司与零食公司的类比：向上游做包装容易，向下游做零食难；因为下游每天直面需求，知道自己到底要什么，而 AI 公司很难替一百个行业做判断。（@mochidusk）
- 护城河可能不在“卖 App”：如果生成工具让任何人都能做 App，App 供给会过剩；长期更可能靠网络效应、资本密集流程和物理世界建立壁垒。（@altcognito）
- “爱因斯坦式”与“克林顿式”智力之分：当前 AI 更像擅长抽象、数学、编码的智力，但缺少建立社会信任、说服他人、在真实世界行动的能力；企业经营需要的正是后者，而二者不是同一种智能。（@mindwok）
- 交互形态可能变化：有人预期会出现生成式 UI 和按用户自演化的数据库，很多场景下人们只想直接读到答案，而不是打开一个个 App，这会改变“做应用”的意义。（@thomasfromcdnjs）
- 前车之鉴：OpenAI 曾同时尝试 Atlas、社交网络、Dots 等产品，说明一家公司很难分散注意力把大量不同领域的产品都做好。（@m11a）