现代护城河

速览

21世纪最具决定性的商业护城河，纯软件，正随着生成式 AI 将代码成本推向零而迅速崩塌，这与中国工业集聚已经摧毁纯硬件护城河的过程如出一辙。生产的纯粹困难性不再能保护任何一个领域中的企业，因此持久利润已经迁移到比特与原子之间的缝隙中。要在今天建立一家可防御的公司，创始人必须放弃通用软件供应商模式，转而像一个拥有真实物理工作流端到端的主事方那样行事。通过紧密整合四个关键因素中的至少三个（定制硬件、专用软件、已建立的关系和专有数据），现代企业可以交付一个有保证的结果，同时收集成为真正护城河的闭环数据。今天才开始的竞争者追赶的并不是一个固定领先优势。他们追赶的是一个每完成一项工作就会进一步延伸的领先优势。

序言与目的

本报告扩展了我整套护城河理论所依赖的唯一核心主张：纯软件不再是一条可防御的护城河，而纯硬件在中国把制造霸权规模化之后也不再是一条护城河。这两者常被当作口号来讲。我想把口号拿掉，把机制放进去。为什么每一次崩塌会发生，哪些假设悄悄失效，这两种力量如何相互作用，以及持久利润如今还能在哪里被捕获。我写这篇文章是为了让它能够独立成立，因此未来的读者，或者未来的模型，不需要依赖生成这篇文章的那段对话，也能完整理解整个论证。

在大约三十年的时间里，技术战略一直默认：数字世界会产生持久、高利润率、可防御的利润，而物理世界会产生薄弱、同质化、低利润率的大宗商品式产出。这两次冲击并不是同时到来的。中国的制造业集聚首先打破了基于生产的硬件可防御性，主要发生在2000年代和2010年代。生成式 AI 则在更晚的时候，即2020年代，正在打破基于生产的软件可防御性。生成式 AI 将软件生产的边际成本推向零，从而消解了让软件具备防御性的壁垒。中国工业集聚将物理迭代的成本和延迟压低到与软件同等的水平，从而消解了让硬件具备防御性的壁垒。所以，如今无论单靠比特还是单靠原子，都无法再庇护一家企业。持久优势从任何单一维度中迁出，转入比特与原子两者的紧密耦合，以及关系和专有数据之中。

本文分为两部分：

• 分析。 究竟什么是护城河，为什么各自的领域过去能够被防御，哪些摩擦被每一次冲击消解，以及还剩下什么。这一部分是经济分析，并且止步于分析本身。
• 现代护城河。 当比特和原子都无法单独为你提供防御时，真正的可防御性由什么构成，以及一家建立在其上的公司在实践中会是什么样子。

分析：两道护城河是如何崩塌的

第一部分：护城河究竟是什么

在解释护城河如何崩塌之前，我必须准确说明什么是护城河，因为对这个词的宽泛使用，是我见过的大多数糟糕战略思维的根源。护城河不是一个好产品，不是一个暂时领先，也不是先发行为。护城河是市场的一种结构性特征，它让一家公司能够长期获得高于资本成本的回报，而这些回报不会被竞争挤掉。用产业经济学的语言说，护城河是一种持久的经济租金来源。

经济租金是企业获得的、超过其维持经营所需最低可接受水平的剩余，而在一个真正竞争的市场中，这种剩余会趋近于零。在完全竞争之下，价格会被压到边际成本，企业只能赚到其资本成本，没有超额利润能够存活下来。所有关于可防御性的框架，本质上都是关于某一家特定公司如何摆脱向边际成本定价和零利润拉拽的理论。

经典列表来自迈克尔·波特，他的五力框架自1979年以来一直是这方面的标准工具，后来又被价值投资圈进一步打磨。它给出少数几种真实、持久的租金来源：

• 进入壁垒，将新竞争者挡在外面
• 高转换成本，将现有客户留在里面
• 网络效应，即产品随着使用者增多而变得更有价值
• 规模经济，让在位者可以压低进入者
• 专有知识产权或监管保护，在法律上排除模仿者
• 对稀缺投入或分销渠道的控制，让竞争对手无法触及

每一种租金来源都是一种摩擦

上述每一种租金来源，都是一种摩擦。护城河本质上只是竞争对手无法廉价跨越的一种摩擦：

• 高转换成本是客户退出环节中的摩擦。
• 进入壁垒是竞争者到来环节中的摩擦。
• 网络效应是用户一起迁移到别处所需的协调中的摩擦。
• 制造规模是进入者在达到有竞争力的单位成本之前必须沉没的资本和时间中的摩擦。

这恰好告诉你，像生成式 AI 这样的力量，或者像中国工业密度这样的力量，实际上会对市场做什么。这些力量并不是攻击产品。它们攻击的是摩擦。它们是消解摩擦的技术。而消解摩擦的技术，按定义，也就是消解护城河的技术。

整个论点可以压缩成一句话：软件和硬件护城河之所以崩塌，是因为生成它们租金的那些特定摩擦，恰好就是 AI 和中国集聚异常擅长移除的那些摩擦。

第二部分：软件护城河的历史与为什么比特曾经印钞

要理解这场崩塌，首先必须理解为什么软件在历史上是资本主义所发现的最好的商业结构，因为这场崩塌不过是那些让它伟大的因素的反转。

软件曾拥有一种几乎独一无二的成本结构。它把制作第一份拷贝的高固定成本与此后复制和交付每一份拷贝几乎为零的边际成本结合在一起。编写一个复杂程序的第一个版本，需要一批稀缺、昂贵、训练周期长的工程师，持续工作数月甚至数年。但一旦它写成了，第一百万份拷贝的制作成本基本为零，交付成本也基本为零。这种不对称产生了巨大的经营杠杆。成熟的横向软件产品可以达到八十多个百分点的毛利率，正如Atlassian 对2025财年第二季度的指引所示，因为收入随用户增长，而销售成本几乎不动。但随着像Snowflake 在2025财年实现约67%的毛利率这样的重消费型软件出现，这一说法不再像过去那样普遍，因为第三方云基础设施被计入了收入成本。从经济学上看，软件表现得像一种纯粹的信息商品，而信息商品会打破支配物理商品的、生产与成本之间的正常关系。

但低边际成本本身并不能创造护城河。如果任何人都能廉价生产这种商品，那么低边际成本带来的不是租金，而是毁灭性的竞争。软件之所以能获得租金，是因为第一份拷贝的高固定成本构成了进入壁垒，同时还有若干其他摩擦叠加在其上：

• 工程人才稀缺。 构建非平凡软件需要昂贵、难招聘、难协调的人才，所以大多数潜在竞争者根本凑不出一个可信的团队来做出克隆产品。
• 时间。 即使是资金充足的竞争者，也需要很多个月去逆向工程、制定规格、构建、测试并发布一个竞争产品，而在这几个月里，在位者拥有一个临时垄断期，可以积累用户、收入和更多产品深度。
• 转换成本。 一旦客户把数据迁入某个系统、让员工学会那个界面，并通过定制集成把系统接入其他一切，哪怕后来出现了更好、更便宜的替代品，离开也会变得极其昂贵。
• 自建与外购的计算。 由于构建定制内部软件本身既昂贵又有风险，企业会理性地购买标准化的现成产品，而不是自己开发，这就为打包软件供应商保证了一个巨大市场。
• 网络效应和不断累积的专有数据，在最好的情况下，叠加在这一切之上。

结构性脆弱性

看看这份列表是由什么构成的。上面五种摩擦里，只有一种，网络效应，是产品需求侧固有的。其余四种，工程人才稀缺、构建时间、转换成本，以及自建与外购的惩罚，全部都是供给侧生产摩擦。它们都是软件过去有多难、多久、多少成本才能制造和替换的产物。

这就是脆弱性所在。一个企业如果其可防御性主要依赖于把东西生产出来有多难，那么它只有在生产仍然困难时才具有防御性。一旦生产和替换软件的成本崩塌，这五根支柱中的四根就会随之崩塌，而只剩下需求侧的网络效应还站着。

而这正是生成式 AI 所带来的冲击。

第三部分：AI 冲击与软件护城河的消解

生成式 AI 对软件经济学造成的影响，正确的建模方式是把它看作对软件生产函数的一次冲击。在基础经济学中，生产任何东西的成本都是其投入成本的函数。对于软件而言，长期以来占主导地位的投入一直是有技能的人类认知劳动，具体来说，就是把业务需求转化为正确、经过测试、可部署代码的劳动。这种劳动是稀缺而昂贵的投入，构成了进入壁垒。

生成式 AI 和自主编码代理直接攻击了这一投入。它们以历史成本的一小部分，在许多任务上生成、重构、调试、文档化并部署代码。一项受控的 GitHub Copilot 实验发现，开发者完成一个有边界的编码任务的速度快了 55.8%；而一项覆盖 4,867 名开发者的实地研究发现，完成的任务多了 26.08%。这一效应是真实存在的，但并不均匀，因为 METR 于 2025 年进行的一项随机试验发现，经验丰富的开源开发者在熟悉的成熟代码库中使用 2025 年初的 AI 工具时，速度反而慢了 19%，而他们自己却以为更快了。安全的结论不是 AI 让每个工程师在每种环境下都更快，而是 AI 压缩了代码生产成本，尤其是在有边界、绿色新建以及较低资历的工作中。**稀缺投入正在变得更加充裕。**当关键稀缺投入的价格下降时，建立在这种稀缺性之上的进入壁垒也会随之崩塌。这个单一机制会向下级联到供给侧的全部四个支柱。

这种变化在开发者实际使用的工具中是可见的。首先出现的是 IDE 原生的副驾驶类工具，比如 Cursor。接着出现的是终端原生的编码代理，比如 Claude Code、Codex CLI、Kiro CLI 和 OpenCode，模型读取仓库、编辑文件、运行命令，并在与工程师相同的环境中反复迭代。如今第三层正在围绕多代理编排浮现，像 Conductor、Superset 和 Hermes Agent 这样的工具在跨项目和跨环境协调多个代理。这个演进路径很清晰。它已经从自动补全，走向自主代理，再走向并行编排多个代理，而且这只会加速。数字工作会逐年更容易自动化，而今天需要熟练操作者的工具，明天将越来越少需要人类干预。

1. 进入壁垒的崩塌

过去，要推出一个可信的软件产品，需要真正的种子资金，其中大部分都花在雇佣构建 MVP 所需的工程师上。这种资金要求会筛选市场。只有那些能够融资并招到人才的创业项目才会真正交付产品，而由此形成的竞争者稀缺，本身就是既有者保护的一部分。

当一个开发者借助良好的 AI 工具，能以过去时间和成本的一小部分设计、构建并发布一个精致且可运行的应用时，这道筛选器就消失了。市场会被进入者淹没。从竞争角度看，软件功能的供给曲线大幅向外移动，而基础价格理论会毫无歧义地告诉你接下来会发生什么。当可替代商品的供给大幅扩张，而需求大致固定时，价格会下降到接近边际成本；而由于软件的边际成本接近于零，价格也会被拉向零。软件供给的极度充裕，在机制上就是软件定价权的毁灭。

2. 时间优势的崩塌

这一点大概曾是最重要的软件护城河。快速发布并持续迭代的整套逻辑，依赖于一个已发布的功能能给其创造者赢得数月的独占领先期，在别人能够复制之前先行一步。这个领先时间窗口，正是网络效应、品牌和客户得以建立的时期。

AI 将模仿周期从数月压缩到数小时。竞争者可以观察一个产品的界面，把它的行为描述给编码代理，几乎立刻就得到一个可运行的克隆版，而且甚至无需看到原始源代码，因为价值从来就不真的在那些具体代码里。价值在于规格说明，而规格说明如今实现起来便宜得近乎不值一提。

当模仿滞后趋近于零时，支撑快速创新的临时垄断也就消失了。创新仍然会发生，但它不再获得持久溢价，因为创新带来的回报会立刻被模仿者拿走。这是 David Teece 在其 1986 年关于技术创新获利的论文中所称的“可占有性问题”（appropriability problem）的教科书式案例。只有当创新者能够在模仿竞争将其价值蚕食掉之前，捕获足够多自己创造的价值时，创新才会回本。AI 正在把纯软件创新的可占有性推向零。

3. 转换成本的瓦解

这曾是传统软件护城河中最坚固的一个，因为即使竞争产品明显更好，它也依然有效。但转换成本本身是由各种摩擦构成的：把数据从一种模式迁移到另一种模式，重建自定义集成，以及让员工在不熟悉的界面上重新培训。上述每一项，都正是 AI 擅长的那类繁琐、基于模式的翻译工作。

AI 驱动的数据映射可以快速而廉价地摄取、标准化并迁移一个复杂数据库，从一个系统的结构转换到另一个系统。自然语言界面降低了再培训成本，因为用户越来越多地通过对话而不是记忆专有菜单树来交互，这意味着锁定在某个供应商界面中的累积技能不再构成切换惩罚。

当离开的成本下降时，被捕获客户的终身价值也随之下降；客户获取成本相对于不断缩小的终身价值上升；整个订阅模式的单位经济性恶化。一个建立在客户无法离开的基础上的护城河，当离开变得便宜时就会瓦解。

4. 自建与外购的反转

这一点会悄无声息地摧毁可服务市场本身。公司之所以购买打包软件，是因为内部定制工具的构建成本太高、太慢、风险太大，只有最具差异化的需求才值得这么做。对内部构建的这种惩罚，正是保证供应商拥有巨大市场的原因。

当 AI 代理让内部团队，甚至非技术团队，都能生成针对自身工作流定制的应用程序时，构建的惩罚就消失了，理性的选择就会从购买通用订阅，转向生成一个完全契合、没有持续许可费的私有工具。

这不仅仅意味着供应商之间的竞争会更加激烈。它还会缩小供应商所争夺的总可服务市场，因为越来越大的一部分软件需求会在内部被满足，根本不会流向外部市场。价值从外部软件供应商迁移到内部运营能力中，也就是说，它不再是一个市场，而变成了内部的成本效率。

这和我在《软件价值的杠铃》一文中所称的内部软件杠杆是同一件事，只不过这里是从供应商而不是买方的角度来看。

结果与不会崩塌的东西

把这四种机制放在一起，你得到的就是纯软件的商品化。这个行业正在进入软件极度充裕的阶段，在这种情况下，功能性应用变得便宜可建、可即时克隆，并且越来越多地按需在内部生成。在这种条件下，代码本身不再是租金来源，正如任何商品一旦变得充裕且可替代，就不再能收取租金一样。价值与代码脱钩了。

诚实意味着必须清楚地说出哪些不会崩塌，因为若夸大这一点，它就会变错。生成式 AI 攻击的是供给侧的生产摩擦。仅凭这一点，它并不会攻击需求侧和系统层面的摩擦。

• 网络效应依然存在，因为 AI 可以在下午克隆一个社交网络的软件，但它无法克隆用户，而用户才是资产。
• 专有数据护城河依然存在，而且实际上会更强，因为 AI 让代码更便宜，但也让用于训练它的稀缺数据更有价值。
• 分发和品牌依然存在，因为即使功能免费，注意力和信任仍然稀缺。
• 监管和合规壁垒依然存在，因为编码代理无法生成银行牌照、医疗器械许可或航空认证。
• 与物理或受监管运营现实的深度集成依然存在，因为代码很便宜，但安装传感器、赢得信任，以及在监管批准下运营，都不便宜。

因此，精确的说法不是所有软件业务都会死亡。真正消失的是那种曾经占主导地位的纯软件、独立软件、打包软件护城河；它曾受写代码和替换代码的难度所保护。剩下的，是锚定于 AI 无法廉价复制之物的软件：网络、数据集、监管地位、分发渠道，或实体运营。脱离了所有这些而自由漂浮的软件，如今就是商品。

第四部分：历史上的硬件护城河与为何原子曾经很难

硬件论证也采取同样的分析框架。先建立为什么硬件过去是可防守的，然后展示中国的制造体系削弱了其中哪些防线。

硬件之所以可防御，理由几乎与软件相反，而且资本市场也把这两者视为对立面。软件的边际成本接近于零，而硬件的边际成本高且顽固，因为每个实物单位都会消耗材料、能源、劳动力和机器时间。软件可以瞬间、无限地交付，而硬件受制造与物流的物理规律所约束。这些特性让硬件在利润率上成为更差的生意，但奇怪的是，它们也以一种特定方式让硬件变得可防御，因为实体生产的难度充当了一道屏障，保护一家运转良好的硬件公司免受随意模仿。

保护硬件的具体摩擦有这些：

• 模具资本。 大规模制造实物产品需要专门的工装，主要是用于成型塑料和金属零件的注塑模具和铸造模具，而这些工装成本高达数万甚至数十万美元，并迫使企业接受很高的最小订购量。这是一道很多进入者无法跨越的硬资本墙，也保护了那些已经摊销了工装成本的既有企业。

• 迭代延迟。 改进一个实物设计意味着切割新的工装、调整公差、并进行实物测试批次；每一轮都要花上数周或数月，而且每次都代价高昂，所以实物产品改进得很慢，而竞争对手需要一场漫长而昂贵的追赶战。

• 供应链组装。 实物产品是一份从许多专业供应商处采购而来的物料清单，而这些供应商过去分散在不同公司、地区和国家，因此把一条可运转的供应链拼起来，就意味着要与彼此隔离的供货商谈判、承受漫长的交付周期，并管理复杂的物流。

• 精度与工艺知识。 把一个设计真正以可接受的良率制造出来所需要的、经年累积且往往是隐性的“诀窍”。它不会从一张图纸里自动转移出来。你必须通过实践来学会它。

• 分销。 需要通过零售商、分销商以及货架空间把实物产品送到买家面前，而这些渠道本身也是稀缺且有门槛的。

再看一遍这个构成，和软件一样。硬件护城河压倒性地由一组生产与物流摩擦组成：模具资本、迭代延迟、供应链组装、工艺良率，以及实体分销。它之所以能被防守，是因为把一个设计变成一件已发货的实物，既困难、缓慢，又昂贵。而且，和软件完全一样，建立在生产难度之上的防御，只有在生产依然困难时才是持久的。

但中国对经济史的贡献，是让横跨极其广泛商品种类的实体生产，不再困难。

第五部分：中国冲击、工业集聚与硬件护城河的终结

对中国制造业主导地位最常见的误解，是把它理解成一个关于廉价劳动力的故事。这在第一阶段部分属实，而现在大多已不成立；如果理解错了，就会直接得出一个失败的结论：把生产迁回本土，或者把生产转移到下一个低工资国家，就能恢复旧秩序。

真正的解释是：中国以前所未有的密度和规模，建立了 阿尔弗雷德·马歇尔 一个多世纪前所描述的那种现象，即 工业集聚。正是这种集聚，而不是工资套利，把硬件护城河拆解掉了。提出这个论点的并不只有我。Andrew “bunnie” Huang 在过去十多年里，以第一手方式记录了深圳版本的这一现象，见 The Hardware Hacker。

马歇尔式外部经济

工业集聚是相互关联的产业、零部件供应商、子组件制造商、原材料加工商、模具制造商、代工厂、物流服务商以及专业技术工人，在同一地区内自我强化式的地理聚集。马歇尔指出了这些集群为何会产生任何孤立企业都无法匹敌的优势：

• 它们创造了一个深厚的共享劳动力池，里面有专业工人。
• 它们支持本地专业供应商，这些供应商如果只服务一个遥远客户，根本活不下去，但服务一个密集集群时却能蓬勃发展。
• 它们产生知识外溢，流程改进会因为相关人员彼此地理上接近并频繁流动而迅速在集群内扩散。

这三种力量就是马歇尔式外部经济，它们意味着，集群内部的一家公司能获得比外部同类公司更低的成本、更快的迭代和更好的信息，不管那家外部公司本身多么高效。

交易成本坍塌

在珠江三角洲，尤其是在深圳，集聚密度达到了前所未有的程度。其实际后果，最容易通过罗纳德·科斯的交易成本经济学来理解。科斯解释过，经济活动的边界和速度由交易成本所支配，也就是寻找供应商、谈判条款，以及跨公司协调生产的成本。在一条分散的供应链中，这些成本巨大，而它们才是硬件护城河第三道摩擦的真实内容。

在一个超高密度集群里，交易成本几乎坍缩为零。大多数电子和机械设备的整条供应链都位于一个很小的半径之内，因此过去跨越大陆要花数周的搜索、采购、谈判和协调，如今在一个城区内只需数小时。设计师可以指定一款设备，当天就在本地采购全部组件，连夜制造一块定制电路板并完成贴装，第二天早晨就拿到可工作的原型。

这不是廉价劳动力。这是交易成本和迭代延迟几乎被消除，而这在性质上完全不同，也强大得多。

正是从这种密度中，四种机制瓦解了硬件护城河，它们与 AI 对软件所做的四件事相互对应。

1. 迭代延迟的坍塌

这就是硬件版的软件失去时间优势。在分散的西方供应链中，一个实物设计轮次要花数周并且成本很高，因此硬件改进得很慢，而既有者的改进领先优势得以维持。在集群内部，实体迭代接近软件迭代的速度。模具会被修改，电路板布局会被调整，测试批次会在几天内跑完。

战略后果是残酷的。任何在西方构思出来的硬件设计，都可以在集群内部被观察、逆向工程、优化为更易制造的版本，并批量生产得比原始的西方公司完成自己的第二个原型还快。发明者的交付周期，也就是其租金来源，竟然是负的。模仿者会先发货，而且发出更好、更便宜的版本。

2. 模具资本的坍塌

这就是软件版进入门槛下降在硬件中的对应物。过去把实体生产隔绝在外的那些数万美元成本和高最小订购量，已经在集群内部被快速数控加工、标准化模块化模架（它们会被重新配置，而不是从零切削）以及极具竞争性的高吞吐模具工坊所优化掉了。小批量、高度定制的硬件，如今可以在一种过去只有大型跨国公司才能享有的成本结构下生产出来。筛掉硬件进入者的那道资本墙，已经大体倒下了，就像筛掉软件进入者的那道墙一样，市场随之涌入同样可预见的价格下行压力。

3. 经验曲线，叠加自动化

这个机制把成本优势永久锁定，并且也是为什么这种优势无法通过把生产搬到别处来套利掉。 赖特定律 最初由 Theodore Wright 于 1936 年根据飞机生产数据提出，后来由波士顿咨询集团推广为经验曲线，是工业经济学中最可靠的经验规律之一。它指出，对于许多产品，每当累计产量翻倍时，单位成本就会按一个固定百分比下降，因为组织会通过不断积累的实践，学会更高效地制造。

因为这个集群在无数产品类别上产生了压倒性的全球累计产量份额，所以它位于经验曲线的深处；任何以低累计产量进入的新进入者则处于经验曲线的顶端。现代中国制造业随后又通过资本密集型自动化、先进机器人、高速自动光学检测，以及一直向后延伸到原材料的垂直整合，进一步放大了这种学习优势。

这正是“劳动力成本解释”死亡的确切节点。现代优势并不是低工资。它是积累起来的学习 + 自动化规模 + 供应商密度，而新进入者无法通过任何短期行动、无论高工资还是低工资，复制这种组合，因为你不可能瞬间买到数十年的累计生产经验，也不可能瞬间买到围绕它形成的供应商生态系统。

4. 分销摩擦的崩塌

这是 AI 侵蚀通过既有软件渠道的需求在硬件领域的版本。全球数字市场和极高效率的包裹物流，让集群内的制造商可以完全跳过西方的分销商、批发商和零售货架空间，直接在全球平台上上架，并在几天内把货送到消费者门口。保护某个既有硬件品牌的最后一道摩擦——它对货架和渠道的控制——被绕开了。一款功能等价的设备，以其品牌化价格的一小部分到达同一位客户，而从未触及既有者的分销系统。

工业公地与为什么回迁如此困难

这一切最重要、也最常被忽视的后果，关乎回迁（reshoring）；而这正是工业公地这一概念发挥作用的地方。Gary Pisano 和 Willy Shih 在 2009 年的 《恢复美国竞争力》（PDF）中提出了这个术语。他们的观察是：制造能力并不是单个公司的属性。它是一个生态系统的属性，是当地共享的供应商、工具制造商、工艺工程师和默会知识基础的属性。

当一个国家把生产外包到海外时，它失去的并不只是工厂。随着时间推移，它还会失去周边的公地，因为一旦没有本地需求维持它们的生存，供应商、工具制造商和熟练的工艺工程师就会衰退或迁走。一旦公地消失，没有任何单一公司或补贴能迅速把它重建起来，因为一座孤立回迁的工厂没有本地供应商，没有本地工具制造商，没有本地经验丰富的工艺工程师队伍，因此也就没有最初让该集群高效运转的那些马歇尔式外部经济。

这就是为什么把一种商品化硬件类别回迁如此困难、如此昂贵。回迁者试图重建的优势，从来不在工厂内部，而是在工厂周围的生态系统中，而那个生态系统已经不在本地了。护城河并不是因为中国公司个体更强而迁移到中国的。它之所以迁移，是因为公地迁移了；而公地是一种集体资产，单独行动无法重建。

对硬件而言，宏观结论与软件的结论完全平行。物理产品一旦规格为人所知，高密度制造生态系统就能复制它、把它优化为可制造版本，并以一种足以摧毁原始创造者利润率的成本结构直接分发出去。仅仅依靠物理生产困难来防守的独立硬件，已经被商品化了，因为对于广泛范围的商品来说，这种困难已经不复存在。

第六部分：连续崩塌及其战略后果

人们通常把这两次崩塌分开分析，而且按时间顺序也确实应该如此。硬件的崩塌先发生。中国的聚集效应让基于生产的硬件可防御性，早在生成式 AI 编码工具变得重要之前的很多年，就已经在消费电子和许多中等复杂度商品上变得脆弱。软件的崩塌则更晚发生。对于今天的创始人来说，真实事件并不是这两者同时开始，而是现在两种条件都已经存在于市场之中。

更早的时代仍然提供一条逃生路线。软件变得有竞争力时，资本可以转向可防御的硬件。硬件变得有竞争力时，资本可以转向可防御的软件。这两个领域曾经是轮流的避风港。这个轮换现在不再有效。纯原子已经失去了它们的生产护城河，而纯比特现在也正在失去它们的护城河。 现在已经没有纯比特的避难所，也没有纯原子的避难所了。这正是我去年写过的 “杠铃理论” 更深层的含义。中间地带——公司依赖某一个维度很难来形成优势的地方——已经从两边被掏空了。

第一阶后果：普遍的通缩压力

当软件的边际成本接近于零，而物理复制的有效成本接近集群的超高效率底部时，竞争会把两个领域的价格都压向这些底部。对消费者而言这是去通胀的；对没有护城河的生产者而言这是破坏性的。它也解释了一个很多人注意到的悖论：巨大的技术进步，恰好与实际在生产的公司利润率被压缩并排存在。进步被消费者和模仿者而不是创新者攫取了，正是因为在两个领域里可占有性都崩塌了。

第二阶后果：租金迁移到“微笑曲线”的两端

Acer 的创始人施振荣 大约在 1992 年提出了 “微笑曲线”。把制造价值链中的各个生产阶段与价值增加量作图，你会得到一个像微笑一样的形状。Ben Thompson 已经 把它改编到出版业 上，这说明这条曲线其实并不真正关于制造业。这是原始版本：

施振荣的各个阶段是这些：

• 上游高价值，即设计、品牌和知识产权
• 中间深谷，即物理装配和制造，这一阶段最容易商品化
• 下游高价值，即分销、服务和客户关系

中国的崛起使这条曲线在硬件领域的中间部分变平并被商品化。生成式 AI 现在正在把软件对应的中间部分商品化，也就是单纯的写代码行为。随之而来的指令在两种情况下都是一样的：抛弃商品化的中间地带，转向微笑的两端。

但两端恰恰是需求侧和系统级资产，而 AI 或制造密度都无法廉价复制这些资产。上游意味着专有数据、研究和设计洞见。下游意味着品牌、信任、分销、监管地位，以及客户关系和运营结果的所有权。

第三阶后果：租金转移到缝隙中

这是把分析与战略连接起来的后果。持久的租金已经从任何单一维度迁移出去，进入了维度之间的耦合之中，也进入了完全位于生产之外的资产中。如果纯代码是免费的、纯原子是廉价的，那么仍然能产生租金的摩擦就是那些存在于缝隙中的摩擦：

• 定制硬件与定制软件的紧密协同设计，这样在没有另一个组件的情况下，任何一方对模仿者都没有用处。
• 通过运营真实的物理或受监管工作流而生成的专有数据，这种数据之所以稀缺，正是因为它是工作过程的副产品，而不是某种可以复制的东西。
• 在保守行业中建立深厚、耗时的关系和监管资质，在这些行业里，更便宜的克隆品甚至在任何人评估之前就会被取消资格。
• 作为“主责方”（principal）的地位，即公司不出售一种可商品化的工具，而是拥有整个运营，承担责任，保证结果，并同时攫取全部利润池和独有的数据外溢。

这些就是 AI 和中国聚集效应在结构上无法消解的摩擦，因为它们根本就不是生产摩擦。它们是信任的摩擦、物理接触的摩擦、监管的摩擦、累积的现实世界观察的摩擦，以及运营所有权的摩擦。

第七部分：局限性、反对意见，以及对它们保持诚实

如此宏大的论题必须接受最强反对意见的压力测试，因为建立在夸大前提上的战略，恰恰会在前提过强的地方失败。

反对意见 1：AI 生成的软件尚未达到前沿水平

第一个反对意见是：AI 生成的软件，对于最复杂、最高可靠性或最具创新性的系统而言，尚不如专家工程软件，而且一条真正的质量前沿仍然把商品化生成与前沿工程区分开来。

这是真的，而且很重要。 商品化论点对那大批逻辑已经被反复走过的传统应用软件适用得最强。到了真正的前沿领域——新算法、要求极端可靠性或安全性的系统、以及训练数据中没有先例的问题——专家级人类判断仍然能攫取租金。所以，精确的说法是：AI 会瓦解可商品化的大多数软件的护城河，而不是它废除了一切软件价值。

但前进的方向在战略上很重要，因为能够保持可防御的前沿是狭窄的，它不断移动，而且除非锚定在上面提到的某一种非生产护城河之上，否则它不是耐久业务的良好基础。

异议 2：中国产业主导地位是不均衡的，而且在政治上存在争议

第二个异议是，中国在各类别中的制造业主导地位并不均衡，而且如今面临严峻的地缘政治反制力量，包括关税、出口管制、出于国家安全驱动的回流，以及对关键供应链有意进行的友岸外包。

这也是真的。 商品化论点在消费电子、机械产品和中等复杂度装配领域最强，在技术栈最顶层则最弱，最明显的是先进半导体制造，因为极端的资本密集度和少数不可替代的供应商形成了它们自己的护城河。政策也可以通过人为方式把摩擦重新加回去，例如通过提高模仿者到岸成本的关税，或者通过切断其输入的出口管制。

但这些反制力量实际上是在强化中心结论，而不是削弱它，因为幸存下来的半导体护城河和政策驱动的回流护城河，同样也都不是纯硬件的护城河。它们是极端资本规模的护城河，是不可替代供应商地位的护城河，也是监管与地缘政治关系的护城河。它们恰恰就是本报告所说、租金已经迁移到其中的那些非生产、关系与地位摩擦。

异议 3：为什么大公司仍然如此赚钱？

第三个异议更微妙。如果软件和硬件都商品化了，为什么最大的科技 incumbents 仍然异常赚钱？

答案是，这些 incumbents 从来就不是靠纯软件或纯硬件来防御的。 它们真正的护城河是网络效应、对分发与注意力的控制、专有数据、文明尺度的锁定效应，在某些情况下还有监管层面的既成事实化。这里描述的崩塌并不会威胁其中任何一项，而且在若干方面反而会加强它们，因为当纯生产变得商品化时，incumbents 已经拥有的非生产资产的相对价值会上升。

这与本文的论点完全一致。生产商品化不会让所有利润都变平。它会把利润从那些唯一优势只是“生产很难”的公司那里重新分配出去，转向那些拥有生产无法触及的摩擦的公司。incumbents 之所以能存活，是因为它们从来都不是单维度业务。这才是教训，而不是例外。

第八部分：综合与通往现代护城河的桥梁

本报告中的两次崩塌，归根结底，是同一种机制在两个领域中的重复，而不是一条共同时间线。在这两种情况下，一类业务之所以能够获得持久租金，是因为生产困难、缓慢且昂贵。在这两种情况下，一种消解摩擦的力量——数字领域中的生成式 AI，以及物理领域中的超高密度工业集聚——使生产变得容易、快速且廉价。在这两种情况下，由生产困难所防御的租金，一旦生产不再困难，就蒸发了。

这种对称性是完全精确的，意识到这一点的价值超过任何一半单独来看，因为它揭示了二者之下的普遍规律：

任何只由制造某物的难度构成的护城河都是暂时的，而且它恰好会持续到有人想出如何轻松制造那个东西为止。

战略上的推论直接由此而来。既然无论只靠比特还是只靠原子都不能为业务提供庇护，可防御性就必须由两次崩塌都没有触及的那些摩擦来构成：

• 定制硬件与定制软件的紧密闭环集成，使系统无法被拆开后逐块克隆。
• 作为真实工作流运行副产品所产生的专有、持续更新的数据，这些数据无法被复制，因为它们必须通过运行来获得。
• 保守行业中深厚的关系、信任与监管地位，这是任何编码代理和任何合同工厂都无法生成的。
• 作为主体而非供应商来运作的决定，拥有工作流及其结果，从而把完整利润池和全部数据排放都保留下来，而不是卖掉。

现代风险规模公司在多大程度上可防御，就取决于它在多大程度上把这些幸存下来的摩擦中的若干项组装成一个耦合的操作系统，并且这个系统会随着运行而变得更好。过去凡是因为难建而成为护城河的东西，如今都成了商品，因为它们容易建。真正能保持可防御的是那些难以接入、难以赢得信任、难以通过监管进入、并且不真正动手做就难以观察的东西。

未来的护城河不是由比特构成的，也不是由原子构成的。它由它们之间的缝隙构成，也由那些任何人都无法在不站在你所站位置上的情况下复制的关系与已赚取的数据构成。

对分析的结论

过去三十年把软件视为可防御利润的可靠引擎、把硬件视为低利润商品的范式，并不只是发生了变化。它的两个基础假设是依次被证伪的。中国的产业集聚首先证伪了“硬件难以迭代和制造”的假设。生成式 AI 现在则正在证伪“软件难以生产和替代”的假设。

由于这两种护城河都主要建立在生产困难之上，又由于这种困难正是这两种消解摩擦力量的特定目标，所以这两种护城河都崩塌了。过去流向那些能够构建比特或锻造原子之人的租金，如今流向消费者和模仿者，除非一家公司已经把自己锚定在一种生产崩塌无法触及的摩擦之上。

那些幸存下来的摩擦——集成、专有运营数据、受信任的关系、监管地位，以及对真实工作流的主体所有权——就是持久价值转移的地方。在这个时代构建一家可防御的公司，意味着拒绝依赖任何单一维度的“难”，因为凡是仅仅因为难造才显得可防御的东西，一旦造它变得容易，就不会再可防御。

现代护城河

以上一切都是诊断。它说明了租金去了哪里以及为什么，但它停留在原理层面，而原理并不能告诉你一家公司真正长什么样。下面这一部分是答案。它说明现在的可防御性由什么构成，以及当这些要素被组装成一家真实业务时会是什么样子。

杠铃

在讲建构规则之前，先把杠铃显性化会很有帮助，因为分析一直在指向它，却没有把它的两端列出来。我在 2025 年的《软件价值的杠铃》里梳理过这一点，当时我把自己的内部软件杠杆理论与丰裕论结合了起来。结论是，软件价值正在极化为两个簇，而中间层正在塌缩。

一端是庞大的基础原语， 基础模型、算力基础设施、云平台、芯片和核心 AI 基础设施。这些东西由资本密集度、规模经济以及研究集中度所防御，达到新创公司基本无法企及的程度。它们不是我在这里描述的机会。它们是机会所运行其中的环境。

Google 是上限案例。它把 LLM 模型、TPUs、云基础设施、搜索、Android、YouTube、Maps、Chrome、默认分发以及专有数据结合在一起，规模几乎没有人能够触及。这并不使它成为一种创业模式。它使它成为杠铃的上端被完整实现。你不能从那里起步。Google 所证明的是这一机制：当生产变得廉价时，持久价值会迁移到算力、分发、基础设施、数据以及新进入者无法随意租进来的生态位上。也要注意到这个限制。Google 运行的是拍卖。它通常并不拥有广告主的结果。这就是为什么后面的 Waymo 而不是 Search，是更清晰的主体位置例子。

另一端是高度具体的私人杠杆。 深度工作流所有权、物理世界自动化、监管流程、专家劳动替代、专有运营数据以及结果所有权。这一端是可触及的，而且它正是由分析所识别出的幸存非生产摩擦所防御。

危险的中间层是通用软件。 也就是网页应用、仪表盘、CRUD 工具、工作流管理器，以及模型 API 上的薄包装层。它从上方被原语挤压，因为原语持续把通用能力吸收到自己内部；它也从下方被构建任何通用东西的成本塌陷所挤压。中间层的产品容易构建、容易克隆、容易被 incumbents 作为功能吸收，而且它通常拥有的客户价值链份额太少，无法为价格提供防御。

四因素护城河

今天的可防御性并不来自一堵高墙。它来自多种优势的互锁。四个不同支柱在硬件与软件生产的双重崩塌中存活了下来。一家持久的现代公司需要至少三项的可信路径。 不是一项。是三项。单一维度再也无法为任何人提供庇护了，而且未来也永远不会。

优秀硬件

伟大的硬件并不意味着发明奇异设备。它当然也不意味着以高毛利出售一个巧妙的小装置。一个可见的、可复制的、可单独出售的设备，正是制造业集群最快摧毁的东西。硬件之所以能占有一席之地，不是因为它是产品，而是因为它是工具。它赋予公司对某个竞争对手无法从外部观察到的流程的特权式物理接入。它感知物理世界，捕获专有数据，执行物理动作，并标准化工作流，使其上层的软件更难被复制。测试很简单。 这套硬件能否被拿出来单独出售？如果可以，那它就是一个小装置，而且会被商品化。如果脱离了周围的软件、数据和运营它就毫无意义，那么它就在发挥护城河作用。

伟大的定制软件

伟大的定制软件不是通用 SaaS，也不是更漂亮的界面。它运行在某个特定的物理或监管流程之中，自动化那些具有真实经济权重的决策，协调人力或机器，并在问题和边缘情况发生时把纠正记录下来。注意它为什么具有防御性。不是代码本身——正如分析所表明的，如今代码已经很便宜——而是它对运营接入、专有数据以及深度工作流知识的依赖，竞争对手无法通过克隆一个界面获得这些。软件之所以难以复制，不是因为软件难写，而是因为它所接入的那些东西难以触达。

伟大的人际关系

伟大的人际关系是硬产业中最持久的护城河之一。它们对硬件和软件的商品化都完全免疫。它们包括监管认证、客户信任、面向保守买家的分销渠道，以及长期的运营合作伙伴关系。你会在国防、医疗、建筑和基础设施等行业中看到这一点。这些市场里的买家从来不会仅仅因为软件稍微好一点就选择某个供应商，在很多情况下，哪怕它好 10 倍也不会。它们基于信任与过往记录、可靠性、责任承担、合规性和证明来采购。更便宜的克隆品通常在任何人评估之前就被直接淘汰。 关系需要时间、声誉和真实执行的记录。无论是 AI 代理还是深圳的装配线，都无法在一夜之间制造信任。

独特数据

独特数据是这四项中最重要的一项，也是人们最常弄错的一项。并非所有数据都有价值，而如今，通用的抓取数据作为护城河几乎毫无价值。真正重要的数据是私有的、默会的、专家级的、与物理和工作流特定的、由真实运营产生的，并且充满了任何公开语料中都不会出现的边缘情况、纠正和失败。你无法购买这种数据，也无法抓取它。它只会作为运行一套实时运营的副产品而产生，而这套运营通过一个四阶段闭环运转：

1. 观察
2. 决策
3. 行动
4. 结果

这个循环也是四个因素开始相互强化的地方。硬件负责观察和行动，软件负责决策和协调，人际关系提供对工作流的接入，而独特数据则由结果不断累积。

大多数公司只捕获这条数据流的第一阶段。护城河需要全部四个阶段，这意味着你知道的不只是发生了什么，还知道对此做出了什么决策、实际采取了什么行动，以及结果是否有效。第四阶段，也就是已验证结果，才是让数据可训练的原因，也是让优势复利化的原因。每完成一项工作，都会改进执行下一项工作的系统；而这是本文档中唯一一种增长而不是侵蚀的优势形式。

当循环复利化，以及当它停滞时

闭环在抽象层面听起来像是必然的。但在实践中，大多数试图构建它的尝试都会失败。这个循环是一种主张，而不是一条定律，而且它有一些特定的失败模式，理解这些失败模式比理解成功案例更有用。

• 数据饱和： 积累数据的价值遵循边际收益递减曲线。在深度学习中，Sun 等人的研究发现，视觉任务的表现会随着训练数据量的增加而对数式提升，这意味着每翻一倍数据集，带来的只是另一个增量，而不是另一个奇迹。最初的一千次执行教会你的最多。接下来的一万次教得更少。再接下来的十万次几乎不会带来什么新东西。后进入的竞争对手往往只需你一小部分历史数据就能达到你 90% 的表现，以比原始数字所暗示得更快的速度缩小差距。

• 数据可能并不归你使用： 你通过工作流产生专有数据，但如果合同规定客户拥有这些数据，而且你不能在不同部署之间汇总它们，那么你拥有的是五十个彼此独立的数据孤岛，而不是一个飞轮。在平台层面，OpenAI、Anthropic、Microsoft Azure OpenAI、AWS Bedrock 和 Google Vertex AI 都告诉企业客户，他们的输入和输出默认不会被用来训练基础模型。这对客户是好事，对供应商则是警告。只有当合同允许时，跨客户学习才能形成复利。隐私法增加了另一层约束，因为 GDPR 的目的限制、删除权、HIPAA 去识别化规则，以及 CCPA/CPRA 关于跨情境行为广告共享的规则 都让二次数据使用变得更困难。这杀死的真实世界 AI 护城河，比竞争更多。

• 工作流变化比模型改进更快： 在快速漂移的运营领域，数据有可测量的半衰期。正如 Valavi 等人在哈佛商学院的研究中所示，大量历史数据存量对进入者构成的壁垒很弱。一个配备了更少但更新鲜、更近期数据的进入者，往往能构建出比坐拥多年旧数据的 incumbent 更准确的模型，尤其当过时数据会主动降低准确性时。一项 临床信息学研究 直接发现了这一点：住院医嘱预测数据的半衰期大约是四个月，而一个月的近期数据优于十二个月的旧数据。在制造业中，传感器漂移、工具磨损、工艺重设计和模式变更意味着，基于历史工厂数据训练的模型，实际上是在推理一个已经不存在的工厂。这并非普遍规律。受物理定律支配的流程、精算表、地质数据以及其他变化缓慢的领域，旧数据可以长期保持价值。如果工作流变化比模型改进更快，那么你的历史数据就会变成陈旧负担，而不是优势。

• 成本既是壁垒，也是壁垒本身： 拥有真实世界的工作流意味着资本密集、劳动密集，而且利润率低于纯软件。Tesla 在 2025 年报告的 GAAP 总毛利率约为 18%，尽管它实现了垂直整合。Intuitive Surgical 报告称，2025 年 da Vinci 装机基数为 11,106 台，非 GAAP 毛利率为 67.6%，这是在数十年的资本投入、外科医生培训和手术量之后取得的。阻止竞争对手进入的那笔开支，也使得大多数进入者根本无法构建出值得防守的东西。许多尝试在循环复利化之前就倒在了单元经济性上。

真正会复利化的循环与伪护城河之间的区别在于：

• 数据与结果挂钩，这意味着你知道结果是对还是错，而不只是收集信号。
• 从合同上说，这些数据归你使用，并且你可以在不同部署之间汇总它们。
• 工作流足够稳定，历史数据仍然相关。
• 每次执行都会产生新的边缘情况，而不是更多相同的东西。
• 频率足够高，学习能够在工作流变化之前形成复利。

如果以下任何一条为真，这个论点就是错的：

• 竞争对手可以通过抓取、合成生成、迁移学习或一次性购买获得等价数据。
• 从合同上说，客户拥有这些数据，而你不能在不同部署之间汇总它们。
• 工作流变化比模型改进更快，因此积累的数据描述的是一个已经不存在的系统。
• 数据价值在最初的 N 次执行内就饱和，这意味着优势是固定的，而不是复利化的。
• 拥有该工作流的成本超过了它所生成数据的价值。

如果这些条件成立，这个循环就不是护城河。它只是一个昂贵的工程项目，带有短暂领先。正如 a16z 在 2019 年所主张的那样，大多数数据优势都是边际收益递减的规模效应，而不是神奇的网络效应。在当前 AI 浪潮之前，这是真的。现在仍然是真的。

建立在现代护城河之上的商业模式

这四个因素描述了护城河由什么构成。下一个问题是，究竟什么样的商业模式才能真正捕获它。实际上，答案指向的不是出售工具，而是拥有工作流本身。

主体，而非供应商

整个框架中杠杆最高的单一决策，就是拒绝供应商位置。

供应商模式意味着把工具卖给已经拥有工作流的组织。它看起来很有吸引力，因为从理论上说它资本轻、可扩展，但它把所有杠杆来源都拱手让给了客户。运营方保留客户关系、物理流程、运营数据、预算、责任以及最终结果。 供应商只保留一层覆盖在这一切之上的软件。初创公司只捕获了它创造价值中的很小一部分，客户会要求定制集成，直到产品偏移成服务；运营方可以看着工具运行，然后把它替换成内部自建方案，而内部自建现在的生产成本要低得多；而且因为运营方拥有最好的数据，供应商的模式永远无法复利增长。利润率会一直受限。这在实体行业里尤其危险，因为软件供应商往往会可靠地退化成穿着华丽外衣的顾问。

更强的位置是成为主体，去拥有运营、责任、认证、工作流，或者责任本身。公司不再把软件卖给执行工作的人，而是公司自己执行工作，或者对结果作出保证。这就把上面每一个劣势都反转了。公司不再只拿许可费的一小块，而是拿走全部利润率；公司拥有客户结果，因此也就拥有客户关系；公司拥有数据，因为数据就是由它自己的运营生成的。它不会被运营方去中介化，因为它_就是_运营方，并且它建立的是真实的运营专长，而不是二手理解。

这个原则可以压缩成一句话：

不要卖工具。卖完成的结果。

在实践中，这表现为把任何供应商想法一致地重构成它的主体版本：

供应商表述	主体表述
出售检查软件	成为检查机构
出售实验室工作流软件	拥有检测工作流
出售合规仪表板	交付经认证的合规
出售估算工具	交付估算结果
出售预测性维护分析	预防停机，或者拥有维护结果

这个决定比框架中的任何其他决定都更重要，因为它决定了谁拥有数据，而数据所有权决定优势是复利增长还是衰减。

服务即服务

主体位置意味着一种与传统软件不同的交付模式，而且值得为它命名，因为起初对任何受 SaaS 利润率训练过的人来说，它看起来都像是一门_更差_的生意。

这种模式有几个流通中的名称。YC、a16z 以及其他机构把它称为 service-as-software，而 AI 赋能的 rollup 论点与它很接近。我更喜欢“服务即服务”，因为它更强调客户实际上得到的是什么。

客户不应该为了把事情做完而必须使用软件。 公司应该把软件、AI、人工劳动力、硬件和运营结合起来，交付已经完成的工作。软件是内部杠杆，不是产品。

这个顺序是刻意设计的。先手工完成工作，或者让人参与在回路中。用软件让这些人工工作更快、更一致、更可衡量。捕捉每一个输入、决策、修正、边缘案例和结果。然后利用积累的数据把工作流越来越多地自动化，最终收敛为一个自动化服务提供者，其利润率和防御性是传统软件无法匹敌的。

这与咨询有一个决定性的不同。 咨询把定制劳动永远卖给每一个客户，而每一次项目结束都不会留下任何可复用的东西。服务即服务把早期的人工劳动有意用作_构建自动化系统的工具_，而每一次交付都会留下让下一次更便宜的数据。

但你必须小心，并警惕这种模式中的一个陷阱。如果每一个新客户都需要定制集成、定制数据清洗、定制工作流映射，以及定制模型调优，那么这家公司就是一家还没有承认这一点的咨询公司。人在回路阶段是可以接受的，而且往往是必要的，但前提是它能产出专有数据并收敛到可扩展的自动化。如果五十个工作之后，人工仍然在以相同的单位成本做同样的工作，那么这个模式就失败了。

数据的星门

AI 正从算力瓶颈转向数据瓶颈。 未来时期最有价值的 AI 公司，不会是那些拥有最多通用数据的公司，因为通用数据是充裕的，因此按照上半部分的逻辑，它不产生任何租金。它们会是那些拥有稀缺、私有、高质量运营数据的公司，而这种数据除了通过做这项工作之外，任何方式都得不到。

短语_数据的星门_借用了 OpenAI 的星门，即已宣布的数千亿美元级算力建设项目，而借用本身正是重点。如果上一轮周期里的稀缺资源足以正当化如此规模的计划性基础设施，那么下一轮也同样值得这样对待。目标不是积累一个数据集。目标是构建一台机器，把专有数据作为交付服务的副产品持续制造出来。

在这个案例中真正重要的区别在于，目标不是为了数据而收集数据，因为那只会产生成本高昂却无法使用的数据湖。目标是拥有那个生产恰好足以自动化该工作流所需数据的运营闭环。

原子计算机

这四个因素描述的是一种结构。原子计算机描述的是这种结构_用来做什么_，而这也是让整个事情值得去做的长期愿景。

我没有提出这个想法，我想先把这一点说清楚。这个框架来自 Travis Kalanick。他在 2017 年被赶出 Uber 之后，用八年时间在低调中建立了 City Storage Systems，并在 2026 年 3 月将其更名为 Atoms，同时发布了一封愿景信来把整个构想展开。他的表述是：你应当像处理软件问题一样处理物理世界问题，而核心计算资源在物理世界中有对应物：CPU 是制造，存储是房地产，网络是运输。在一次 a16z 发布活动上，Kalanick 围绕工业 AI来定义公司，使用软件、传感器、机器人和 AI 来自动化整个工业部门的运营，从食品、采矿到运输。他的信值得一读。它比我对它的总结更好，而且他的一些结论是从不同方向到达了与本文相同的地方。

随着 AI 变得更强，它的约束条件也在变化。限制不再只是推理质量。它是与物理现实的交互。 一个模型可以生成高质量的文本、代码、图像和计划，却仍然无法在混乱、非结构化、后果重大的现实世界环境中可靠地做任何事情。传统计算机给了智能一个操纵比特的基底。现在的机会是为原子构建等价的基底，创造能够感知物理世界、解释混乱的现实条件、作出决策、采取行动、验证结果，并在真实的物理、监管和经济约束下从反馈中学习的系统。最后这一条才是难点，也正因为如此，这才是商业机会而不是研究项目。在监管和经济约束下运营，正是无法被克隆的东西，而这也正是第四个因素所需要的闭环数据的来源。

有一点上，Kalanick 和我完全一致，而且他比我说得更好。他的术语是有生产性的机器人就业，意思是具有特定生产任务的专用机器，而不是为了模仿我们而建造的人形机器人。他举的例子是：如果你每小时需要做一千个煎饼，一个笨拙地翻煎饼的人形机器人是最糟糕的设计，而一个专门打造的机器才是显而易见的选择。所以正确的方法不是构建通用机器人。而是在一个真实工作流中寻找一个狭窄的切入点，让感知、决策、行动这条闭环可以在其中部署，并且能立即带来明确的经济价值，然后先让这条闭环端到端跑通，再逐步扩展。

短期内的公司应该狭窄到看起来不够雄心勃勃的程度。长期天花板正是接受这种狭窄性的理由。

一个具体示例

这个框架是抽象的，所以把一个想法完整走一遍会很有帮助。这只是对这些标准如何使用的一个说明，并不是这个框架强制得出的唯一结论。

采用施工专项检查和材料测试。供应商版本把软件卖给那些已经拥有工作流程的机构和实验室。主导方版本则成为机构和实验室本身。它持有认证资质，开展检查，并承担监管责任。在内部，它使用软件、硬件和人工智能，以比现有企业更快、更便宜、更可靠的方式交付经过认证的结果。

这种形态触及全部四个因素。它是物理性的，因为它处理的是场地、样品、仪器和现实世界的测量。它具有关系和监管壁垒，因为买家需要的是被具有管辖权的主管机构认可的结果，而不是更漂亮的仪表盘。它拥有结果本身，因为它销售的是经过认证的结果，而不是工具。而且它会在工作过程中产生专有的运营数据作为副产品，包括测试结果、失效模式、材料属性、专家修正，以及物理条件与最终结果之间的联系。

它也从窄处切入，这符合 Paul Graham 和 YC 多年来一直在强调的经典创业逻辑。从一个锋利的切口开始，但要确保这个切口属于一个大而痛苦的问题。没有必要在第一天就把施工检查作为一个行业自动化。切入点可以是一种检查类型、一项材料测试、一个地理区域，或者一个合规工作流。从那里开始，软件标准化工作，人类产生第一批数据，而自动化只在循环真正产生复利的地方扩展。

风险正是这个框架所预测的那些。认证时间表会卡住收入，运营在自动化成熟之前会很重，如果每个项目最终都变成定制化，服务陷阱就是真实存在的。这正是这个框架的意义。它并不会让生意变得轻松。它告诉你困难部分应该在哪里。

已经看起来像这样的公司

如果这个框架描述的是已经存在的事物，而不只是我希望存在的事物，那它就更容易让人信服。

Anduril 是四项全中。跨无人机、传感器塔、拦截器和水下载具的定制硬件。其所有硬件都运行在 Lattice 上的定制软件。关系和监管地位是任何编码代理都无法生成的，因为客户是美国政府及其盟友。来自已部署系统的运营数据反馈回软件。比产品清单更重要的还有两个细节。它自筹研发资金，并且在向已有预算条目销售之前就先把产品做出来，颠覆了传统主承包商所运行的成本加成模式。Anduril 是私营公司，不公布经审计的利润率，但二级估算将其毛利率放在约 40% 到 45% 之间。对于国防硬件来说，这异常之高，因为纽约大学斯特恩商学院的行业数据表明，航空航天与国防公司平均毛利率大约为 17.5%。准确数字没有结构重要。一个垂直整合、固定价格、软件定义的模式，似乎比传统的成本加成平台集成赚得更好的经济回报。

Intuitive Surgical 是同一结构中更早、更安静的版本。 da Vinci 系统 将没有软件就毫无价值的硬件、竞争对手无法抄近路绕过的 FDA 批准、二十年的医院关系，以及来自数百万次手术的术式数据结合在一起。它四项全中，持续复利增长，并且自其2000 年首次获批以来就一直在执行这套打法，早在任何人称它为物理人工智能之前。

Kraken Robotics 是我认为最有启发性的一个，部分原因是海洋技术领域之外很少有人知道它。它制造合成孔径声呐、KATFISH 拖曳平台、水下电池，以及水下 LiDAR。没有围绕这些硬件包裹的专有成像软件，这些硬件都没有用。其客户包括与 NATO 结盟的海军。这就是最高级别的信任与监管，因为海军不会为了更便宜的仿制品就更换声呐供应商。至关重要的是，Kraken 不只是卖设备。它还以服务形式执行测量任务，这意味着每一项工作都会产生别人都没有的海底情报。最后这个决定就是整个框架的微缩版。一个硬件公司意识到数据比盒子本身更有价值，于是转到主导方位置来把它留住。

SpaceX 与 Waymo 是纯粹的主导方模式。SpaceX 不卖火箭。它卖的是已交付的有效载荷。Waymo 不向汽车公司授权自动驾驶软件。它卖的是完成的乘车服务。在这两种情况下，公司都拒绝了供应商位置，承担了运营责任，并保留了数据。Waymo 还拥有一种监管壁垒，而且是一地一地逐步到来的。这种扩张速度很慢，而这正是它可防御的原因。

Carbon Robotics 是一个有用的部分案例。它的 LaserWeeder 使用计算机视觉和高功率激光除草。2026 年 2 月，公司表示其大型植物模型是在超过 1.5 亿株带标签植物上训练出来的，这些数据收集自大约 15 个国家的一百个农场。这就是前文所述的数据引擎在运作，作为运营副产品生成，而不是一个单独的项目。但我也想指出这种结构的脆弱性。Carbon 向农民销售设备，仍然是供应商而不是主导方。它之所以成功，是因为数据仍然回流到其中心模型，使得供应商位置尚可生存。如果种植者有一天拥有那批车队数据，护城河就会消失。

Nokia 既是历史性的警告，也是一个正在出现的测试案例。2007 年，它凭借手机领域最好的硬件、制造规模和供应链，掌控了全球智能手机市场近 50% 的份额。它在单一维度上比任何现存公司都做得更好，但它崩塌了，因为它缺乏软件平台。今天的 Nokia 正试图执行这里描述的那套多因素打法。正如 Michael Sikand 在这段视频解析中所概述的那样，公司花了十多年时间从消费电子转向，把垂直整合的光学硅、根深蒂固的运营商和国防关系，以及支持人工智能的边缘计算捆绑在一起。旧 Nokia 证明了孤立的硬件只是一时领先。嗯，新的 Nokia 正试图证明，硬件加上机构信任和软件基础设施，能够形成持久的护城河。

这些公司表面上看起来都不一样，但它们都指向同一个教训。最稳固的企业都获得了某种缓慢的东西，比如认证资质、已部署的传感器舰队、外科医生的信任、海军的信心、监管批准，或者十年的运营数据。它们没有一个只是靠写更好的代码就走到那一步，也没有一个会被只会写代码的人追上。

窄切口是进入门槛

它们也都从小处开始。那些胜出的公司不会一开始就试图拥有整个循环，而试图这样做是最常见的错误。只有当你足够深入某一个工作流，能够生成竞争对手无法通过其他方式获得的、与结果相连的数据时，这个循环才会产生复利。对许多工作流的浅层接触，只会产生很快就会饱和的浅层数据。

这个模式在上述和更广泛的运营者身上都成立。Anduril 先从防护和反无人机系统起步，然后再扩大生产和相邻能力。Intuitive Surgical 先从特定的腹腔镜手术开始，在数十年里建立外科医生培训和手术量，然后再扩展到各个专科。SpaceX 先从一款可重复使用的运载火箭起步，然后扩展到 Starlink。Tesla 先从狭窄的高端电动汽车切入口（Roadster 跑车）起步，并把车队用于数据和制造学习，然后再进入大批量车型、能源和自动驾驶。Palantir 先为特定机构提供特定的情报工作流，然后再扩展到商业领域。每一种情况里，狭窄切入都不是妥协。它是让循环产生复利的机制。

入口点是刻意保持狭窄的。一个工作流、一种客户类型、一条难以复制的数据流。你围绕那个工作流构建循环，直到数据产生复利、关系不断加深，然后再扩展到相邻工作流，在那里，同样的数据、同样的关系、同样的运营纪律会给你带来新进入者无法匹敌的优势。一开始就做得很宽，最后往往会得到一堆无法产生复利的数据。今天才开始追赶的竞争者并不是在追一个固定不变的领先优势。他们追的是那种会随着每一次工作完成而继续扩大的优势，但前提是这项工作必须足够狭窄、足够深入、并且足够重复，让数据真正变得重要。

结论

本文前半部分建立了一条一般规律。任何仅仅由“制造某物的困难”构成的护城河都是暂时的，而且它恰好会持续到有人把那件东西变得容易制造为止。 中国的工业集聚通过把交易成本和迭代延迟压缩到一个超高密度集群内部，先对硬件做到了这一点。生成式 AI 则通过压缩软件的稀缺输入成本，对软件做到了这一点。硬件先被压缩，软件随后跟上，但对于今天正在创业的人来说，这两种庇护都不可靠。

后半部分把那条规律转化成了答案。如果生产难度现在已经不再能保护任何东西，那么可防御性就必须由生产坍缩无法触及的摩擦组合起来。这些摩擦包括物理接入、闭环运营数据、监管地位、赢得的信任，以及对结果本身的所有权。 这就是为什么“四要素”要求四项里满足三项而不是一项，为什么主导地位比任何其他单一决策都更重要，以及为什么数据必须是运营过程的副产品，而不是收集来的资产。

它可以压缩成一句核心话。

在 AI 时代，最好的公司不会是通用软件工具，也不会是可复制的硬件产品。它们将是狭窄、以结果为导向的主导型企业，把软件、物理工作流、可信关系和专有运营数据结合起来，自动化高价值的现实世界工作。

对于创始人来说，问题不再是“我能做什么软件？”，而是我能拥有、执行、衡量并自动化什么有价值的现实世界结果？

最强的机会存在于软件与原子、信任、监管以及专有数据交汇的地方。它们从一个狭窄、痛苦的工作流开始，在必要时使用人力。它们把运营数据作为工作副产品捕获下来，逐步实现自动化，并复利式地演化成难以被取代的系统。它们的优势之所以持久，恰恰是因为它是通过物理运营赚来的，而不是写进代码里的。

最终目标不是构建一个产品。而是构建一家运营公司：具备软件般的可扩展性、现实世界的防御性，以及会随着每项工作完成而变得更好的专有数据。

所有过去因为“难以构建”而构成护城河的东西，都正在变成商品化。构建某样东西比以往任何时候都容易，而随着 AI 和全球供应链继续发展，它只会变得更容易。真正仍然有防御性的是那些难以接近、难以赢得信任、难以通过监管进入、以及不做真实工作就难以观察的东西。

引用与来源

我想明确说明借用部分分别来自哪里，因为这份文档里有很多内容其实是我在连接别人的工作，而不是在发明什么。我真正可以归功于自己的，是“四要素规则”、“三取四标准”，以及“这两次坍塌虽然按顺序发生，但背后其实是同一种底层机制”的具体论证。图表会变化，所以在引用我之前请先核对。

我自己的，来自早期写作

• 软件价值的杠铃（2025），我在其中第一次提出了中间层坍缩和内部软件杠杆理论。这里的后半部分就是那篇文章的运营版。

原子计算机

• Travis Kalanick，愿景、未竟之事以及人工智能将如何改变物理世界，Atoms 和 a16z，2026 年。基于原子的计算机框架、CPU/存储/网络映射到制造/房地产/运输、理解-预测-控制循环、工业 AI，以及有生产性就业的机器人，都是他的。这一部分是我对他想法的总结，不是我的想法。
• Ben Horowitz 和 Alex Danco，Travis 回来了，a16z，2026 年。

经济学

• Atlassian，2025 财年第二季度业绩，用于说明成熟的横向 SaaS 毛利率处于 80% 出头的区间。
• Snowflake，2025 财年业绩，用于说明以消费为主的软件可以显著低于经典 SaaS 的毛利率，作为反例。
• Michael Porter，五力模型，1979 年，用于第一部分中的租金来源分类。
• David Teece，从技术创新中获利，1986 年，用于第三部分中的可占有性问题。
• Alfred Marshall，经济学原理，1890 年，用于第五部分中的外部经济与集聚。
• Ronald Coase，企业的性质，1937 年，用于第五部分中的交易成本。
• Theodore Wright，1936 年，以及波士顿咨询集团，用于第五部分中的经验曲线。
• Stan Shih，微笑曲线，约 1992 年。他的原始图示在 Wikimedia Commons 上，而 Ben Thompson 的出版商与微笑曲线是我读过的对它最好的延伸。
• Gary Pisano 和 Willy Shih，恢复美国竞争力，《哈佛商业评论》，2009 年，用于说明工业公共基础设施以及为什么回流制造如此困难。
• Andrew “bunnie” Huang，硬件黑客，用于第一手描述在深圳这种密度环境中工作究竟是什么感受。
• WTO，入会：中华人民共和国，用于中国融入全球贸易体系的背景。
• 世界银行，制造业增加值，用于中国制造业规模相对于美国的背景。

创业机制

• Paul Graham，做那些无法规模化的事和如何获得创业点子，用于狭窄切口。
• Tesla，特斯拉汽车秘密总体规划，2006 年，用于 Roadster 到平价车切入口的逻辑。
• Palantir，S-1 注册声明，2020 年，用于从政府扩展到商业的模式。
• SpaceX 公司历史和 Starlink 披露，通过 SpaceX 和 Starlink，用于把发射作为最初切口、再扩展到更广泛太空基础设施的逻辑。

AI 编码与软件生产

• GitHub，介绍 GitHub Copilot，2021，以及 GitHub Copilot 正式全面可用，2022，用于商业 AI 编码辅助的实际起点。
• OpenAI，GPT-4 技术报告，2023，以及 Anthropic，Claude 3.5 Sonnet，2024，用于模型能力加速的背景。
• Peng 等，AI 对开发者生产力的影响，2023，用于受控的 GitHub Copilot 结果，其中开发者完成一个有边界的编码任务快了 55.8%。
• Cui 等，生成式 AI 对高技能工作的影响，2025，用于覆盖 4,867 名开发者的实地研究结果，显示完成的任务多了 26.08%。
• METR，衡量 2025 年初 AI 对有经验开源开发者生产力的影响，2025，用于反例：在成熟代码库中，有经验的开发者使用 AI 工具反而慢了 19%。
• Cursor、Claude Code、OpenAI Codex CLI、Kiro CLI 和 OpenCode，用于从自动补全转向代理式仓库和终端访问的变化。
• Conductor、Superset 和 Hermes Agent，用于位于单代理编码工具之上的编排层。

数据护城河的失效模式

• Sun 等，在深度学习时代重新审视数据不合理有效性，ICCV 2017，用于经验性发现：视觉任务性能会随着训练数据量的增加呈对数式改善。
• Martin Casado 和 Peter Lauten，数据护城河的空洞承诺，a16z，2019，用于论点：数据规模效应通常会被削弱，而不是复利式增强。
• Valavi 等，时间与数据的价值，哈佛商学院工作论文 21-016，2021，用于区分数据存量与数据流，以及发现陈旧数据会损害模型准确性。
• Chen 等，面向基于数据驱动的住院临床医嘱集的未来决策，临床数据相关性的衰减，《国际医学信息学杂志》，2017，用于临床预测数据大约四个月的半衰期。
• OpenAI 企业隐私、Anthropic 商业条款、Microsoft Azure OpenAI 数据隐私、AWS Bedrock 常见问题 和 Google Vertex AI 数据治理，用于关于商业客户输入和输出默认不训练的承诺。
• 欧洲数据保护委员会，关于 AI 模型的意见 28/2024、GDPR 第 5 条和第 17 条、HIPAA 去标识化规则 以及 CCPA/CPRA 规则，用于关于二次数据使用、删除、去标识化和共享的隐私法约束。
• Lathrop GPM，在商业和知识产权许可协议中驾驭 AI 所有权，2026，用于“不训练”承诺与保留的聚合或去标识化使用权之间的合同张力。

图像

• Stan Shih 的笑脸曲线，维基共享资源，CC BY-SA。
• 华强北在深南交叉口，Charlie fong 摄影，维基共享资源，CC BY-SA。
• 注塑模具，Wizard191 摄影，维基共享资源，CC BY-SA 3.0。
• 太阳能光伏组件价格与累计装机容量的对比，Our World in Data，CC BY 4.0。图表根据已发布数据集在本地重制。

公司示例

• Anduril 毛利率估算通过 Sacra 获取。Anduril 是私营公司，不公开经审计的利润率，因此这里视为估算值，而非已报告数值。航空航天与国防行业毛利率基准（约 17.5%）取自 Aswath Damodaran 的 NYU Stern 利润率数据集。
• Alphabet 和 Google 背景通过 Alphabet 的 2025 财年 10-K 表格，并结合 美国诉 Google LLC 用于搜索默认分发协议、搜索规模优势和反垄断背景。
• Carbon Robotics 的 Large Plant Model 和 1.5 亿个带标签植物通过该公司 2026 年 2 月的 Business Wire 公告 提供，并由 TechCrunch 佐证。
• Intuitive Surgical 的历史和 2000 年 FDA 批准通过 Intuitive 公司历史。手术量通过 Intuitive 的 2025 企业影响报告；已安装基础 / 利润率数据通过其 2025 年第四季度财报发布。
• Tesla 利润率数据通过其 2025 年第四季度及全年更新。
• Waymo 的监管扩张模式通过 Tesorb 的 2026 年 Robotaxi 监管地图 和 Electrek 对 CPUC 扩张批准的报道。
• Nokia 2007 年的峰值与衰落时间线通过 BBC 新闻 和 维基百科，并以 Vuori 和 Huy 的 《Administrative Science Quarterly》/INSEAD 研究 说明崩溃背后的组织动态，以及 Michael Sikand 的 视频解析 说明其向现代基础设施的转型。
• OpenAI Stargate 细节通过 OpenAI 的原始公告 和 站点扩展公告 提供。这些是已宣布的承诺和计划，而不是完全部署的产能。
• Kraken Robotics 取材自该公司自己的 产品和合同披露。