反摩尔定律下，没人能躺着赚钱

北京某咖啡馆里，每隔几张桌子就能听到“pretrain”“agent”“幻觉率”这些词汇。

这些人来自距离不超过两公里的几栋写字楼，而他们的产品迭代周期已经缩短到按天计算。

一位投资人在即刻上复盘自己的投资组合，发现了一个让他自己都感到意外的规律，投资回报最好的AI公司，几乎全部落在“清华以南、北大以东、学院路以西、大钟寺以北”这个不到十平方公里的方框里。

那些他没投进去的好公司，同样扎堆在此。

这就是现实。

在AI时代，核心生产要素的迭代时钟已经彻底改变了。

摩尔定律曾给整个科技产业设定了一个稳定的节奏，18到24个月，芯片性能翻一番，所有人都能踩着这个节拍做产品规划、融资安排和供应链管理。

但在大模型时代，算法、数据工程、提示词策略的刷新周期正在以周甚至天为单位推进。

当软件层级的认知迭代速度远远甩开硬件层级的物理约束，产业的底层逻辑就从“看谁做得更精良”变成了“看谁的学习时钟走得足够快”。

这个现象可以被称为“反摩尔定律”。

它描述的并非性能提升的成本下降，而是认知资产的加速折旧。

一个团队上周还在使用的微调策略，本周可能已被新的开源模型直接覆盖；一套精心打磨的提示词模板，可能因为模型接口的一次升级就失效；一篇刚从实验室流出的论文，可能在一周内就被拆解、复现、打包成产品推向市场，然后在一月后被遗忘。

在这种节奏下，时间变成了最残酷的竞争维度。我们今天，就尝试重新解码这时钟变迁对创业地理分布、商业模式可持续性以及资本与监管博弈带来的冲击。

地理密度为什么再次统治AI创业

远程办公曾被视为数字经济的必然趋势。

疫情期间，SaaS协作工具让“分布式团队”成为显学，似乎地理约束已经被技术彻底解除了。

可是AI创业的实践给出了一个相反的答案，越是前沿认知驱动的行业，物理邻近的价值越高。

为什么会出现这种现象？马歇尔在19世纪末讨论产业区时，就注意到同一行业的企业扎堆后，空气中仿佛弥漫着某种“产业秘密”，即便没有正式契约，知识也会像呼吸一样在区域内流动。

后来的人们用知识溢出、非正式信息网络来解释这种现象，但他们的模型通常假设信息传递的摩擦是恒定的。

AI时代的特殊之处在于，信息本身的价值衰减期急剧缩短，传递过程中的任何时滞和失真，都会被复利式地放大为竞争劣势。

一个开源社区的讨论帖，也许在发布三小时后就已经衍生出新的技术共识。

一家公司的研究员在午餐时无意间听到邻桌在讨论一种训练不稳定性的解决方案，他下午回到工位就能验证，晚上就能集成到实验里。

这种“转个身就能对齐认知”的效率，在线上协作中几乎不可能实现，因为线上沟通需要预约时间、组织语言、等待回复，每个环节都在消耗认知资产的有效期。线上传递的是信息，而面对面交换的是尚未被编码化的“半成品认知”，是直觉、预感和试探性的判断。这些未成形的思想，才是真正驱动模型迭代的核心原料。

而且，这个方框里面，并不只是人才供应充足。北京的顶尖高校和科研机构确实密集分布于此，可真正构成“加速器效应”的是资本、人才、技术共识三者之间形成的正反馈闭环。

在半径三公里内，聚集着超过30家VC机构、十多家政府引导基金和多个海外基金的驻点办公室。当一位创始人产生了新的技术判断，他可以在同一天内步行拜访三位投资人，在当天晚上就获得非正式的资本反馈，而这些投资人很可能在第二天就会向其他被投企业传递这个信号。

信息-资本-人才之间的循环速度，是其他地区难以复制的。

这是“认知-资源”对流的高频共振。

这种地理集聚带来的另一个深层后果，是创业公司的筛选机制被前置到了选址决策。

在这个方框内，企业几乎是被动的“加速生存”，周围的团队都在以天为单位迭代，你无法放慢脚步；隔壁的竞争对手已经拿到了最新的开源权重并开始微调，你还在等云端同步；楼下的实习生都听说了某家实验室的突破性思路，你却没有渠道获知。

这种环境下，适应力差的团队会迅速被消耗掉，留下来的组织在感知敏感度上自然就经过了筛选。区域内的低存活率本身，就是在反向推高区域整体的成功概率，幸存下来的公司，其“认知基础代谢率”本就高于外部。

套利的快感与真正的时间壁垒

当大部分AI公司拼命追求“快”的时候，另一个颇为荒诞的现象浮现了，AI创业热潮中，最稳定、最直接可量化的利润来源竟然是账号倒卖和资源转售。

一个即梦会员账号在闲鱼上被炒到近两万块，比年初的价格涨了七倍。

算力积分、GPT镜像站账号、批量生成的内容物料，所有能被定价的AI资源都在被快速交易。一条完整的灰色产业链已经成型，从“AI起号工作室”到“反AI检测去痕服务”，分工明确、响应迅速。

从纯商业角度看，这是极其敏锐的市场发现。

大模型训练和推理成本上涨，使用门槛的梯度化创造了套利空间，而这些中小玩家以极快的速度填充了空档。

但是，这恰好暴露了当前AI创业中普遍存在的“算力依赖症”。

数据表明，国内AI创业公司中有89%的核心业务直接依附于GPU算力的供给，而业务模式大多停留在调用公有模型API加通用框架，进行浅层的场景封装。

当模型能力一更新，这些建立在旧版本特性基础上的小生意就会被无声地碾过。

这里涉及到一个需要仔细分辨的区分。

媒体习惯把“快”一概而论，但产业内部的快实际上存在两种截然不同的性质。

一种是套利者的快，他们捕捉信息不对称的窗口期，用速度换取差价。这种快的生命周期由信息扩散的速度决定，一旦更多人意识到同样的机会，利润归零。当前倒卖账号的火热，正是这种性质的顶峰，也是其衰落的先兆。

另一种快是学习型组织的快，它的核心不在于一次性的抢先，而在于能够持续地吸收新认知，转化为产品迭代。这种快需要厚重的积累，它要求组织内部已经建设好消化新知识的管道，否则即便拿到了最前沿的信息，也无法转化成有价值的产出。

许多AI内容创作者面临一个典型的恶性循环，他们把45%的预算投向了AI工具，但人力投入仅占9%。

工具越来越强大，产出越来越海量，然而内容触达率不足0.3%，多数人月收入不足3000元。如果一个创作者发现辛苦接商单还不如把号卖掉的时候，那他的劳动价值就变成在现有模式下被压缩到了工具替代的极限。

工具降低了生产的准入门槛，但同时也冲垮了供给端的价格体系。

没有壁垒的“AI内容”变成了标准品，标准品的市场价格终将趋向边际成本，在AI生成时代，这个成本趋近于零。

真正能对抗这种内卷的东西，通常被概括为“活人感”。

但我更愿意把它定义为“不可压缩的经验存量”。

一个在母婴领域深耕了十年的从业者，她对婴儿肠绞痛的哭声特征有直觉级的判断，她知道哪类焦虑是真实存在的需求而不是流量噱头。

当AI工具把基础内容生产拉到零门槛时，这种嵌入在个人经验中的判断力反而成了最稀缺的资产。

同样，一家工业检测AI公司如果掌握了三年间某个特定生产线的全息缺陷数据库，任何通用大模型都难以在短期内弥合这个数据鸿沟。

这些壁垒都不是一日建成的，它们需要时间沉淀，而时间正是那些套利型玩家最不愿意投入的东西。

真正的壁垒，永远是在某个垂直切面里，积累出别人无法通过购买算力就能瞬间拉平的经验厚度。

资本和监管，快公司的两重慢约束

面对AI公司令人眼花缭乱的迭代速度，资本市场的应对方式就是加速砸钱，锁定窗口期。

2025年人工智能在早期融资中的占比达到67%，而且A轮融资出现了普遍的“++化”——机构等不到下一轮，直接在A轮内部连续加注拆段，生怕错过。

一位投资人甚至直言，现在看项目，遇到非AI领域的创业，会下意识追问“这件事为什么不能用AI再做一遍”。

资本的FOMO情绪达到顶点，这种情绪反过来又在高密度区域形成“估值虹吸”，头部的资源和注意力被进一步集中。

然而资本的加速逻辑，与AI公司真正需要的成长节奏之间存在一种不易察觉的错位。

资本要求回报的时间表，通常是基金存续期约束下的倒推。

而认知积累有其自身的节律，它需要试错、需要冗余探索、需要看起来不产生直接商业回报的探索性研究。当一家AI初创公司融到了巨额资金，估值被推到了必须迅速证明商业化的位置，创始人很容易陷入将“研究能力”变现为“项目交付”的诱惑。它开始承接大量定制化需求，被拖入一个个非标准化的场景中适配，团队的认知带宽被碎片化，慢慢丧失对前沿的敏感。

这个组织可能看起来营收增长了，可它的认知折旧速度在暗中加快。

等到下一波架构级变革到来，它发现自己已经没有多余的心智空间去消化新范式了。

如果资本的快是主动为之，那监管的慢则更像是结构性的。

任何一个国家的立法和规则制定，其节拍都是以年为基本单位，这与AI产业以周为单位的迭代形成剧烈反差。

2026年，AI生成的视音频累计超过20亿条，YouTube上最受欢迎的AI内容频道年收入可达265万美元，同时低质量AI垃圾内容充斥推荐流。平台方开始大规模暂停AI创作者的变现资格，但这种运动式的整顿并不能替代稳定的规则框架。

内容生产者在不确定的监管预期下，更倾向于采取短期行为，快速起号、快速变现、快速离场，这又进一步毒化了整个生态。

治理的难点不在于“要不要管”，而在于以什么样的时间维度来管。

如果采用传统的命令控制型监管，详细罗列允许和禁止的事项，那么这套规则在颁布的同时，技术已经进化到了规则未曾覆盖的领域。

真正可能有效的方式，是建立一套低频调整但高约束力的“原则框架”，将监管的重心从事前审批转向事中事后的责任追溯和透明化标识。

监管必须意识到，自己的反馈时钟天然比产业慢，因而规则设计的关键不在“跟得快”，而在于划定一条无论技术如何演变都不能逾越的底线，例如深度伪造的实名溯源、对可能造成社会系统性风险的通用模型进行强制评估。

这种框架一旦确立，它需要具备五年以上的稳定性预期，让公司能够在一个可预测的责任边界内进行高速迭代。

不过，一个要素是，监管与资本的节奏并非毫不相干的。当监管预期不明时，资本会更偏好轻资产、低沉淀、容易抽身的模式，这正是当前很多套利型AI业务泛滥的金融土壤。

一旦明确了长期规则，违规成本变得可量化，资本就会重新计算风险溢价，资金自然会向有合规能力的、愿意做重投入的团队倾斜。

政府和国有资本的引导作用，在这个环节至关重要。

近两三年，多个地方设立了AI产业引导基金，这些“慢钱”如果能定向匹配那些进行长周期基础设施建设和基础研究的人才团队，就能在资本市场上起到校准节奏的作用。

所以，现在的的趋势是，合规能力本身正在变成AI公司的核心资产。

能够证明自己在数据治理、模型可解释性、输出安全性上具备系统化能力的公司，将在大型企业招标和政府采购中获得结构性的溢价。

这种优势不是砸钱能短期建立的，它依赖于流程积淀和团队文化，恰好需要一种“慢”的组织哲学。

在满世界都在追求极速的时刻，那些能够克制住对速度的迷恋，在必要的方面主动慢下来的公司，反而更有可能穿越周期。

说在最后

技术在发展的过程中，反复上演同一个故事，每一次通用目的技术的爆发初期，最先富裕起来的都是贩卖铲子的人，以及利用信息不对称做中间商的人。

十九世纪的铁路热潮里，炒作土地的人比运营铁路的赚得更快；互联网泡沫年代，倒卖域名和流量的玩家一度比认真做产品的公司活得更好。

AI也不例外，账号倒卖、资源转售的泡沫正是这个阶段的必然产物。

但历史同样显示，当基础设施普及、信息差被磨平之后，留下来的总是那些把技术能力转化为垂直场景里真实改善、并建立起组织性知识壁垒的企业。

AI时代最根本的改变，在于它的迭代钟摆已经不再由硬件更新的固定周期来调节。

它要求一个组织必须同步拥有两种看似矛盾的能力，对外认知感知的极高敏捷度，与对内核心能力积累的极强定力。

感知慢了会被淘汰，沉淀薄了同样无法长久。

“反摩尔定律”的残酷之处，是它让任何一个阶段的领先都变得高度不安全，唯有把学习本身变成组织架构的骨骼、把经验密度变成业务护城河，才能在别人的加速折旧中找到自己的匀速上升曲线。

这或许就是下一批伟大公司真正开始的地方。

本文来自微信公众号“东针商略”，作者：东针商略，36氪经授权发布。