As empresas de IA não estão lucrando; deveriam buscar inspiração com o Metrô de Hong Kong

作者： Michael Wenye Li

编译： 深潮 TechFlow

深潮导读：AI 实验室烧了几千亿美元，但没人说得清楚钱什么时候赚回来。API 定价每年跌 10 倍，开源追着闭源跑，训练成本越堆越高。这篇文章跳出了科技行业视角，用香港地铁 MTR 45 年的商业模型给出了一个极具启发性的回答：别想着靠车票赚钱，去拥有车站上面的物业。

它们赚不了钱，而且这个问题本身就问错了

有一门生意长这样：前期砸数十亿资本，一分钱收入没有。核心服务定价逼近边际成本。为用户创造了巨大价值，建设者几乎一毛钱也留不住。还得不停投资下一代基础设施。

这说的不是 AI 实验室，而是大型铁路系统。

很多人拿铁路来类比 AI 行业，大多数人的结论是：通用技术具备公共品属性，商业可行性离不开政府补贴。

我想挑战这个结论。因为香港的 MTR（港铁）实际上解决了这个问题。它是全球极少数能商业自持的地铁系统之一，上市公司，分红派息，不拿政府运营补贴。

财务结构如出一辙

MTR 的核心铁路业务从未能自己养活自己的扩张。2018 年是疫情前最好的一年，运输业务 EBIT 为 20 亿港元。而 2024-2026 年的资本支出预估为 879 亿港元，几乎全用于铁路。三年的巅峰铁路利润，只够覆盖 8% 的资本支出。票价收入从来不够修下一条线，这本来就不是它的设计意图。

MTR 票价通过政府票价调整机制保持在可负担水平。你不可能把票价定到能收回建设成本的程度，那样没人坐得起，也违背了公共交通的本意。每条线或许能覆盖自己的运营成本，但票价收入永远撑不起下一条线的建设。

AI 的 API 定价面临的是同一问题的镜像版本。蒸馏和开源替代品让 API 价格以每年约 10 倍的速度下跌，任何定价高于边际成本的实验室都会把量丢给竞争对手。每个模型在推理层面可以实现运营盈利，但利润率永远撑不起下一轮训练的开支。

全球通行的解法是补贴。伦敦地铁靠 TfL 拨款，中国高铁背着万亿美元债务，94% 的线路不赚钱。AI 走在同一条路上：CHIPS 法案、Stargate 项目、主权财富基金投资、五角大楼合同。默认终局就是依赖补贴的准公共基础设施。

MTR 找到了另一条路。

铁路+物业

MTR 1979 年建设之初，设计者就明白票价永远收不回建设成本。于是他们围绕一个完全不同的前提来架构公司：铁路会让周边土地升值，所以要把地拿在手里。

MTR 在车站上方和周边开发住宅楼、写字楼和购物中心，把自己的基础设施创造的价值增值收入口袋。物业利润反哺铁路运营、资助下一条线。今天 MTR 拥有 13 座购物中心，管理着 47 个车站上盖物业项目，物业贡献了实际利润的大头。

逻辑很清楚：别想着从铁路服务本身捕获价值，去拥有那些因为铁路而升值的资产。

AI 的对应关系

「AI 实验室什么时候能赚钱？」和「铁路什么时候能靠票价养活自己？」是同构问题。答案是一样的：靠不了，而且问题本身就问错了。

一家生物科技初创用前沿模型筛选药物化合物，省了两年临床试验时间。一家物流公司用它优化路线，节省了 4000 万美元燃油成本。一个独立开发者用一个周末交付了过去五人团队花三个月才能完成的项目。每个案例里，模型提供方通过 API 费用只拿到百分之零点几的价值。提供方没法提价，因为还有四家实验室和十几个开源替代品提供差不多的能力。剩余价值流向了用户和更广泛的经济体。

通用技术就是这样。蒸汽机、电力、TCP/IP 都没有为它们的创造者贡献过什么收入。

MTR 的启示：别再试图让票价覆盖建设成本了，去找你的「物业」。

四个候选方案，按防御性排序

政府授予的部署权排第一。 政府授权一家实验室独家接入国家医疗记录、税务系统或国防后勤。实验室积累的领域数据、系统集成深度和监管资质，需要数年才能复制。这就是 MTR 自己的机制：国家基于自然垄断属性授予开发权。

积累的强化学习奖励数据排第二。 数十亿次交互信号用于训练下一代模型。和模型权重不同（权重会因蒸馏而贬值），RL 数据几乎不可能被复制，而且跨代复利累积。它不能直接变现，但它是一块地，在升值，还没开发。

前置部署式集成排第三。 与其把模型接口卖给一家咨询公司、让它赚走生产力剩余，不如自己端到端拥有整个服务交付层。就像 Palantir 把工程师嵌入政府机构而不是卖软件许可证。实验室不向律所收 API 费，实验室变成法律研究服务本身，按交付的成果而不是消耗的 token 定价。切换成本会随着领域数据和机构知识的积累而不断叠加。这就是 MTR 的购物中心：把铁路创造的客流量变现，而不是给乘客涨票价。

国家数据集的数据托管排第四。 各国政府手握大量未充分利用的数据集（患者档案、税务申报）。一家被指定为托管方的前沿实验室获得独家访问权，基于这些数据训练模型和构建产品。但这会创造一个公私数据垄断，需要严格的治理架构：明确的使用边界、向公众回流的收益、独立监督和真正有约束力的问责机制。

重新定义问题

能活下来的实验室，不是那些让 API 变得盈利的，而是那些现在就找到自己「车站上盖物业」并开始建设的。API 就是铁路，它永远不会足够赚钱。钱在铁路周围那些升值的资产里。

政策层面的问题也随之而来：与其补贴训练运行，政府更应该设计制度机制（部署权框架、数据托管结构、生产力衡量标准），让实验室能捕获自己的基础设施创造的剩余价值。

最后有一个讽刺。AI 政策讨论被中美框架主导：美国自由市场实验室对阵中国国家扶持的冠军企业。最有参考价值的制度模型可能两者都不是。它可能是香港的模式：一个 45 年历史的公私混合体，商业化运营，通过制度设计而非意识形态实现自我融资。