AI 正变成公用事业，但用户买的不是「智能」

硅谷圈子里常用「AI 实习生」「AI 员工」这类比喻来解释人工智能。圈内好懂；放到全球范围，很多没有技术背景的人其实很难想象自己到底在买什么，也说不清这件事为什么重要。

在斯坦福的对话里，奥特曼提出一个更清楚的框架：AI 正在变成一种新型公用事业——更像电力、自来水、互联网，而不是某一款 App。难点不只是做出技术，而是找到普通人一听就有感觉的说法。

早期电力公司，卖的不是「电」

奥特曼专门研究过电力普及的历史。他指出，早期电力公司并不以「我们在卖电」开场——当时很多人根本不知道电是什么，也有人觉得把电接到房子里很危险。

于是他们卖的是人们已经想要的结果：夜间照明。买了这个，晚上也能看书、干活。他们也会提一句，以后还能帮忙洗衣、驱动机器——但当时几乎没人相信。大家愿意先付钱的，是今晚就能用的光。

AI 行业的说法常常刚好相反：很多公司说自己在卖智能、卖算力。对普通用户来说，这很难产生价值共鸣。奥特曼也坦言，他现在仍不知道 AI 行业的「夜间照明」到底是什么——那个让所有人一下子明白价值、愿意为此付费的场景。但他确定的是终局：AI 会变成水电一样的基础设施，每家公司、每个人都会接入。

算力与 Token，不是同一层东西

常有人说算力是公用事业，也有人说 Token 是公用事业。奥特曼的区分很务实：算力是底层硬件——芯片与服务器；Token 才是用户能直接感知的服务单位——每次调用多少钱、速度快不快、效果好不好。

多数客户根本不必关心底层用什么芯片、服务器在哪里——就像交话费时不会去研究基站设备；你只关心信号稳不稳、用量够不够。再往后，连 Token 这个单位也可能淡出日常对话。随着智能体普及，大家更可能只为最终服务付费，就像今天很少人天天精算自己用了多少流量。

为什么推理侧可能是更安静的大奖

若要让智能像水电一样随取随用，光有先进的训练技术还不够，落地与配送同样关键。有人问：若做一个单人前沿实验室，选什么方向最有价值？奥特曼的回答指向推理——让已经训练好的模型，能更便宜、更快地提供服务。

理由来自行业结构：绝大多数资源投在更大的模型与更好的训练上，真正花在「怎么把模型服务好」的力气远不够。他的判断是：等各家模型能力都很高之后，竞争会转向谁能把智能成本压到最低、谁能提供更充足的推理供给。推理就像电力行业的电网与配电——发电再先进，没有高效输配，也进不了千家万户。

• 训练竞赛抬高的是能力天花板
• 推理竞赛压低的是日常使用这些能力的价格
• 对中小团队而言，交付与成本优化，可能比前沿训练更容易切入

若你不做大模型，这对你意味着什么

你不必等到完美比喻出现才开始用 AI。但奥特曼的电力故事是个好筛子：用户买的是结果，不是抽象名词。「更聪明的模型」是抽象说法；「晚饭前写完这份报告」「夜间也能回复客户」「下班后工作仍能推进」——才更接近夜间照明。

他勾勒的长期图景，不是永远只有一个杀手级 App，而是 AI 变成你几乎不会再特意谈论的东西——因为它已经接进公司与个人完成工作的方式里。真正赢的，可能是那些把这条「线路」做得便宜、稳定、又好解释的公司。