历史类比的价值，不是复制一条股价曲线，而是识别产业从“能力稀缺”切换到“效率竞争”的时刻。新能源车给我的启发也在这里：阶段变了，正确的问题也会变。
01
我的核心结论
Scaling Law 是理解大模型行业的第一性原理，但“Scaling 是否放缓”不能只看参数量，而要看能力斜率、用户感知与商业回报是否同时减弱。
能力进步仍陡峭时，优先看能持续产出高质量 Token 的组织；能力差距收窄后，优先看能把单位智能成本 压到最低并扩大消费的系统。
这里的“好”不是榜单分数，而是模型能否稳定完成更长、更复杂、更高价值的任务；“性价比”也不只是低价，而是在给定质量下，把推理、延迟、可靠性和部署成本一起做到更优。
02
先把行业拆成 Token 经济三层
模型公司、云平台和应用表面上在做不同产品，本质上都处于 Token 从生产到被消费的链路里。拆层后，价值来自哪里会清楚很多。
生产
算力、数据、训练方法和推理优化把能源与资本转成可用智能。关键指标是能力边界与单位成本。
分发
API、云服务与模型路由把不同质量和价格的 Token 送到产品。关键指标是覆盖、稳定性与切换成本。
消费
Chatbot、Coding Agent 与企业工作流把 Token 转成任务结果。关键指标是使用频率、任务长度与可量化价值。
我更在意消费端，而不只看模型发布
模型发版是供给信号，真正决定产业空间的是消费公式：使用人数 × 交互频率 × 单次任务的 Token 量。Agent 把一次问答变成多轮规划、工具调用与纠错，因此即使单价下降，总消费也可能加速增长。
03
如何判断阶段正在切换
单一 Benchmark 很容易失真。我会同时观察四组信号，其中至少三组同向变化，才认为产业阶段发生了切换。
能力斜率
新模型是否持续解锁此前做不到的任务，而不是只把已会的任务做得更顺。重点看长程任务、复杂工具使用和低容错场景。
价格性能
同等任务成功率下的综合成本是否快速下降；如果差距主要来自成本而非能力，竞争正在向效率侧迁移。
需求形态
Token 消费是否从一次性问答迁移到持续运行的 Agent 与企业流程；后者意味着更高频、更长任务和更明确的 ROI。
组织结构
领先者能否同时整合模型、基础设施、产品与销售。技术周期越往后，垂直整合和资本效率越重要。
04
两条赛道，两套问题
“好 Token”与“性价比 Token”不是静态公司名单，而是两种竞争位置。同一家公司可能因为能力斜率或成本结构变化而换边。
能力稀缺期看“更好”
- 是否持续打开新任务边界
- 是否拥有自研模型与高密度人才
- 产品是否把能力转成高价值消费
- 组织是否能承担巨额 Scaling 投入
能力收敛期看“更省”
- 同等质量下的全栈成本是否最低
- 是否拥有芯片、Infra 或调度优势
- 低价能否触发真实需求弹性
- 能否避免只卖裸 Token 的低价值捕获
05
我从这套框架延伸出的四个判断
“更好”只有在可感知时才有溢价
能力提升必须穿过产品层，被用户感知为更高成功率、更少人工或新的可完成任务；否则技术进步不会自动转成定价权。
价格下降可能是需求扩张的起点
推理便宜后，产品会增加循环次数、上下文长度和后台常驻任务。判断降价影响，应该同时看消费弹性，而不是只看单价。
Agent 的护城河不只在外壳
基础 Harness 会快速同质化。更难迁移的是组织上下文、私有数据、评测集、权限体系，以及模型与工具的深度协同。
ToB 更适合先形成价值闭环
企业任务拥有明确成本、交付标准与反馈节点，更容易计算 ROI。ToC 仍会很大，但持续变现要等待更成熟的交互和商业模式。
06
什么会让我改变判断
一套框架只有写明失效条件，才不是事后解释。以下信号出现时，我会重新评估。
需要重做模型的三种情况
- 能力提升仍在继续，但企业端的任务成功率、净留存和付费意愿长期没有同步改善。
- 通用模型的能力快速收敛，而开源与蒸馏让高质量 Token 的供给几乎完全商品化。
- 价值主要被拥有用户入口、数据或交易闭环的应用捕获，模型层无法形成持续回报。
因此，我最终关注的不是某一家公司“永远正确”，而是谁能在当前阶段把技术优势转成可重复的任务价值，并在阶段切换前完成组织与成本结构的转换。