未来最值钱的，未必是“谁能做出最强的模型”，而是谁掌握那些越来越难复制的资源。

最近硅谷知名投资人 Naval Ravikant、Y Combinator CEO Garry Tan，以及几位AI创业公司创始人的一场讨论，正好强化了这个判断。

一个很明显的变化是，过去科技行业最值钱的两道门槛，都在下降。

以前做一家软件公司，最大的壁垒是开发能力。现在 Claude Code 这类AI编程工具正在迅速降低开发门槛，很多过去需要一个工程团队完成的工作，未来可能几个人甚至一个人就能完成。

硬件也是类似逻辑。

中国尤其是深圳成熟的供应链，把设计、打样、生产之间的距离压得越来越短。一个硬件产品“能不能造出来”，本身已经没有过去那么稀缺。

甚至模型也开始出现同样趋势。

OpenAI和Anthropic现在依然处在最前排，但中国开源模型正在用更低的价格快速追赶。今天领先的模型，不代表几年后依然拥有同样的壁垒。

所以真正值得思考的是：

当软件、硬件、模型都越来越容易被复制以后，什么东西反而更值钱？

美股投资网认为是算力、能源、数据中心、网络、客户入口，以及真正知道AI应该解决什么问题的人。

这也是为什么我觉得“AI最大的瓶颈正在从智能转向成本”这个判断特别重要。

现在的问题已经不完全是AI能不能做，而是做一次到底要花多少钱。

如果未来推理成本继续快速下降，Agent就不再只是几个高价值场景里的工具，而可能直接铺进客服、编程、金融、广告、医疗和企业软件。

调用量一旦上去，背后的算力消耗也会跟着放大。

至于有人提出未来24—36个月推理算力可能出现极端数量级增长，我不会把具体数字当成预测。

但它背后的逻辑值得看：

AI越便宜，就会被用得越多；用得越多，对基础设施的需求反而越大。

所以相比天天猜下一个最强模型是谁，我更愿意盯着那些无论最后谁赢，都必须继续投入的环节。

芯片、光通信、数据中心、电力、网络。

模型的王座可能一直换人，但AI对基础设施的胃口，可能才刚刚打开。