事件
2026 年 7 月，Palantir 執行長亞力克斯·卡普（Alex Karp）在公開演講中直言：「AI 產業最大的問題，就是不是每個人都能從中變得很富有。」這句話看似平凡，卻戳破了過去三年業界普遍宣傳的「AI 為全人類帶來生產力革命」敘事。
現象觀察
AI 產業的財富分布呈現尖銳的冪律分佈（power law distribution）：
- **基礎設施層**（Nvidia、TSMC、超大雲端平台）：佔全球 AI 相關利潤的 60-70%，利潤率 30-50%
- **平台層**（OpenAI、Google、Meta）：佔 20-30%，利潤率 15-40%
- **應用層**（AI 軟體創業公司、企業導入）：佔 5-10%，利潤率 2-5%
- **使用者層**（一般勞工、小企業、消費者）：獲得「生產力提升」的帳面收益，但真實可變現利潤接近零
這與歷史上每一波技術浪潮的模式一致：電力時代，發電機製造商比用電工廠更富；互聯網時代，網際網路骨幹供應商比內容創業者賺得多；行動時代，晶片廠和作業系統壟斷者比 App 開發者富得多。
深層邏輯
### 1. 贏家通吃的網絡效應
AI 的訓練成本呈現明顯的規模經濟：在超過某個臨界點（約 10 億參數）後，訓練成本邊際遞減率達到 30-40%。只有掌握足夠資本的玩家（最少 10 億美元以上的訓練預算）才能越過這個門檻。一旦越過，成本優勢會變成護城河，新進者幾乎無法追趕。
### 2. 數據的隱形壟斷
訓練大語言模型需要的數據不是公開集合，而是私有語料庫、用戶互動日誌、專業領域知識庫。Google、Meta、微軟、OpenAI 因為經營生態多年，累積了數十億用戶的高品質訓練語料。新進者必須付費購買或被迫建立自己的生態（需要另外 5-10 年）。
### 3. 推論邊際收入的困境
AI 應用的單位成本（per inference cost）在快速下降（每年 40-60% 下降率），導致應用層玩家的定價權被逐漸侵蝕。一個企業軟體公司今年用 AI 增強產品、可以收 $50 premium；明年這個 premium 被競爭壓到 $10；後年免費。而製造「推論基礎設施」的玩家（如 Nvidia、雲端廠商）卻能持續收費。
### 4. 人力替代的社會隱性成本
AI 帶來的「生產力提升」往往以「人力裁減」的形式實現。技術受益者（資本持有人）獲得利潤，失業者或被迫降薪者（勞動力）承擔社會成本。這形成了一個單向的財富轉移：從 99% 轉向 1%。
歷史對標
### 電力時代（1890-1920）
托馬斯·愛迪生建立美國通用電氣（GE），壟斷發電設備與輸配網絡。工廠使用電力提升產能 3-5 倍，但電費佔營運成本 40-60%。GE 的利潤率維持 25-35%，工廠利潤反而因競爭加劇下降到 5-10%。
### 互聯網時代（1995-2005）
Thom Waddle、Marc Andreessen 等預測「互聯網會讓每個小網站都能與大企業平等競爭」。現實是：Cisco、Nortel 等基礎設施製造商成為最大受益者；而成千上萬的互聯網創業公司在 2000-2002 年泡沫崩潰期間消亡。存活下來的少數玩家（Google、Amazon、eBay）後來才掌握平台級別的利潤。
### 行動時代（2007-2015）
Steve Jobs 宣稱「iPhone 會民主化計算」。實際上：Qualcomm、TSMC、Apple 自己掌握了 85% 的利潤；App 開發者的平均收入在 2010-2015 年反而下降 60%（因為應用商店供大於求、定價競爭激烈）。
AI 時代的變種
不同於過去，AI 時代的不對稱分配還有一個新維度：知識勞工的邊際化。
過去技術革命（如汽車製造自動化）主要替代的是體力勞動；AI 時代替代的是知識勞動——代碼編寫、文案、設計、初級分析。這意味著曾經被認為「技能護城河深」的中產階級職位，面臨最直接的衝擊。而他們手中沒有資本、沒有數據所有權、也沒有平台網絡效應的保護。