AI 行业正奔向一系列巨型 IPO —— SpaceX、OpenAI、Anthropic 紧随其后。多年来的叙事一直是"向上向右"。但 Delphi Ventures 的创始合伙人 Tommy Shaughnessy 看到了大多数投资者忽略的地基裂缝。
他的一条推文"AI 可能崩盘的最基本方式"获得了 200 万次浏览并广泛传播。随后 Citadel Securities 发布了一份名为"Tokenomics"的报告，得出了相同的结论。这个论断惊人地简单：AI 订阅被大量补贴，当企业发现真实的经济账时，他们开始寻找替代方案。
这个论断来自 Delphi Ventures 内部的一个观察。一位名叫 Rawson 的同事正在大量使用 AI 进行分析，反复撞上 Anthropic 的 API 支出上限。这让 Shaughnessy 感到困惑，因为订阅给人的感觉是无限制的——很难碰到使用上限。但 API 计费是另一回事。
"订阅被补贴了大约 40 倍。$200/月的订阅，在 API 上大约值 $8,000。" — Tommy Shaughnessy
这是 AI 繁荣背后隐藏的经济学。消费者级订阅被定价在获取用户和展示使用量的水平上——这些营收指标在融资时看起来很好。但交付同样的智能能力所需要的真实成本，按 API 单价计算，是 40 倍。每一个重度使用产品的订阅用户，都代表着一次大规模的隐性补贴。
问题在企业规模扩大时显现。一个创业团队或企业部门从每月 $200 的 ChatGPT 订阅开始——感觉像是无限制的访问——最终需要用 API 进行生产部署。当他们迁移过去，账单不是涨 20% 或 50%，而是跳涨 40 倍。反应是可以预见的：价格休克、预算冻结，以及寻找更便宜替代方案的紧迫感。
企业 AI 支出的回落已经发生——而且是可观察到的。Shaughnessy 指出了具体的例子：
"Uber 削减了支出，Microsoft 削减了支出，很多公司开始意识到，嘿，这太贵了。" — Tommy Shaughnessy
这些不是小调整。它们是大型科技公司——那些如果 ROI 成立几乎能负担任何支出的组织——得出结论：这个价格不值得。如果 Uber 和 Microsoft 都在收缩，那么利润空间更小的中小公司面临的决定将更加艰难。
企业内部的对话正在从"随便用 AI"转变为受限制的说法。如同 Shaughnessy 说的："企业正在告诉员工：你不能再无限使用 Token 了。"
当企业撞上 API 支出墙时，他们不会停止使用 AI，而是寻找更便宜的替代方案——开源推理市场已经快速跟进了。
"你可以去 Based、OpenRouter、Venice、NewsAPI、Cordele，以 1/10 到 1/100 的成本获得同样的智能。你不是在获得前沿智能，你获得的是 80-90% 的质量，但只需 1% 的价格。" — Tommy Shaughnessy
有几个动态让这种转向对前沿实验室尤其危险：
切换门槛为零。 像 Nous Research 的 Hermes Agent 这样的工具，让用户一键即可在 OpenAI、Anthropic、OpenRouter 和 Venice 之间切换模型。没有迁移成本，没有学习周期，没有锁定效应。
隐私不再是垄断优势。 前沿实验室一直以数据隐私保证作为企业版方案的卖点。但 OpenRouter 提供私有模型部署，Venice 在可信执行环境（TEE）中以端到端加密运行模型。"你需要我们来保护隐私"这个论点正在瓦解。
OpenRouter 刚融资 $5,000 万。 Venice 的使用量 "一飞冲天"。Together AI 和 Fireworks 显示出大规模增长。开源推理层资金充裕、扩张迅猛。
AI 行业的增长模式依赖于一个持续旋转的飞轮：营收→买 GPU→训练更强模型→更多用户→更多营收。每一环都依赖前一环的稳固。
"一切都按'完美'定价了，一路向上向右——但我认为企业正在告诉员工'你不能再 Token Max 了'。我认为这可能对当前的飞轮产生真正的负面冲击。" — Tommy Shaughnessy
Shaughnessy 一步步推演了这个链条：如果用户转向更便宜的替代方案，营收增速放缓。如果营收放缓，这些公司的估值指标和再融资能力都会下降。当它们回到债务市场——而债务市场"已经被榨得差不多了"——一个放缓的增长故事让融资更难。融资少了，GPU 就少了，下一代模型就推不上去。
SpaceX 正在上市。OpenAI 和 Anthropic 紧随其后。这些 IPO 的结构制造了一种特殊的脆弱性。
表面上看，IPO 出闸之时应该表现不错。流通盘小——有些低至 10% 以下，而历史上 IPO 的流通比例是 10-20%。来自指数基金的被动资本提供了保障性的买方基础。散户投资者渴望拥有"AGI 股票"——可以跟朋友炫耀的东西。
但 Shaughnessy 看到了初期的光环褪去之后的问题。上市公司必须披露一切：回本周期、利润率、增长率、分项财务数据。这些公司历史上吸引投资靠的是"精彩的故事和令人难以置信的技术，没有或几乎没有财务数据"。当数字公开，审视就变严格了。
"我会随着时间推移更加警惕，"他说。如果企业支出收缩的论断正确，那些公开披露可能会在投资者预期高增长的节点上展示出放缓的营收增速。
中国的 AI 实验室——DeepSeek、Kimi、MiniMax、GLM——都采取了开源策略。逻辑是合理的：如果你没有前沿级别的智能，就释放一个接近的、免费的替代品来打击竞争对手的利润率和融资能力。
但 Shaughnessy 看到了变化的迹象。阿里巴巴开源了一款模型，负责的高管"第二天就被开除了"。GLM 据报道在完全开源之前把某些版本私藏了一段时间。从昂贵训练中获取价值的压力正在累积。
"我认为中国模型可能会转向闭源。而且我认为人们没有预料到这一点。" — Tommy Shaughnessy
理由很直接：这些公司在训练上花了巨额资金，但什么都收不回来。没有收入（模型跑在 Venice、OpenRouter 等第三方推理平台），没有数据飞轮（使用数据不会回流到模型改进）。如果持续"烧掉巨额资金"而没有任何价值回流，总得出问题。
讽刺的是，Shaughnessy 指出，如果中国转向闭源但其模型仍落后于 Anthropic 和 OpenAI，反而意外地利好美国实验室："如果一切闭源，你只能用我们。"一直在压低价格的开源竞争将消失，前沿实验室可以"想收多贵就收多贵，因为没有替代方案。"
《华尔街日报》近期报道 OpenAI 正在考虑大幅降价。Shaughnessy 看到两个原因——一个防御性的，一个攻击性的。
"OpenAI 降价直接是因为我们在企业支出太高方面看到的情况。最简单的答案通常是对的。我认为有大量的企业正在转移，如果我们公开看到了，那他们私下看到的多得多。" — Tommy Shaughnessy
第一个原因很直接：他们正在失去企业客户，转向更便宜的替代方案，必须回应。但第二个原因更具战略性：
"我认为 Anthropic 可能会率先 IPO。所以你想在它上市前压低价格、蚕食它的增长和利润率。你想让它的数字看起来尽可能难看。" — Tommy Shaughnessy
这把价格战从常规的竞争动态变成了一件后果更加重大的事情。OpenAI 不仅在争夺客户——它在试图破坏 Anthropic 的 IPO 窗口。对一家即将面对公开市场审视的公司来说，在错误的时间点出现一两个季度的增长放缓，可能显著改变估值叙事。
在定价之外，AI 竞争还有一个面向用户的维度，正在制造自己的裂痕。模型越来越多地阻止用户的问题——有时出于合理的安全考量，但常常被用户视为专横的干预。一个病毒式的例子：有人问 Claude "线粒体是不是细胞的动力工厂"，结果查询被标记为"可能存在安全风险"。
"我认为这是'老大哥'式的恐惧贩卖，我对此非常反感。让某个 AI 实验室来规定我们能够问什么、为什么——这是一个非常危险的滑坡。" — Tommy Shaughnessy
Shaughnessy 直接类比到政治审查："你想生活在中国，连天安门广场都不让问吗？没人想要那样。"重点不是把 AI 安全功能等同于威权审查，而是凸显一个共同的原则——对可提问范围的集中控制，不管谁来掌控，都是危险的。
他承认这个论点存在合理的一面："如果我们把这个给人们，他们问怎么造出一个能在不被注意的情况下关闭整个世界的疯狂计算机病毒，而模型真的能做到——这确实是一个担忧。"问题在于，阻止个别查询是否是正确的手段，还是开源审查提供了更好的安全保障。
Shaughnessy 的回答是加速主义的：把一切都开源，让全球社区来做安全工作。
"开源 AI 是所有人都在谈论的安全问题的终极解决方案。" — Tommy Shaughnessy
他的类比是 Linux 对 Windows："开源、加速、让所有人以规模化获得这项技术来强化它、测试它、来回审查和攻防测试——这正是 Linux 是最安全操作系统并一直打败 Windows 的原因。"
替代方案——信任一个小团队来决定什么是安全的——不管团队多厉害，都无法扩展："我就是不认为我们应该信任关在房间里的 10 个人，不管他们多天才，我可以肯定他们是非常棒的人，但这不重要。"
这个视角也有商业层面的影响。当 Claude 屏蔽一个无害的问题时，用户就转向 Venice——一个明确不屏蔽问题的平台。在这个市场中，审查是一个竞争劣势。开源模型加上隐私保护的推理基础设施（TEE、端到端加密）为安全辩论提供了市场化的解决方案。
Laura Shin 将整场对话框定为"公地悲剧"——每个人都想要 AGI，但没人愿意付前沿价格或分享自己的数据。Crypto 凭借其去中心化协调、资本形成和抗审查的工具箱，似乎是要精准应对这些裂痕。
Shaughnessy 确定了四个最有前景的交汇领域：
1. 资本形成。为一个开源 AI 公司做 ICO，众筹社区共同拥有的模型开发。"为一个主要的开源 AI 公司做 ICO 来建造一个不可思议的模型——这个非常容易想象。"模型本身的训练可以是中心化的——重要的是我们共同拥有它并分享其成功。
2. 隐私和抗审查。Eric Voorhees 创办的 Venice 提供规模化的、不受审查的开源模型访问，并具备强大的隐私保证。"Claude 屏蔽用户的请求。这正是 Venice 的构建目的。"模型在 TEE 中以端到端加密运行——没有人看到你的查询内容，没有人阻止它们。
3. 数据 / Deep-in。Grass 利用全球 300 万个用户节点为 AI 实验室抓取真实、多样化的数据。这是对中心化数据采集的去中心化替代——Shaughnessy 的基金 Delphi Ventures 是投资人。"这是一个关键的 deep-in 用例，基本上很合理。"
4. 应用 / Harness 层。Nous Research 的 Hermes Agent 拥有 15 万 GitHub Star、数千贡献者，在 OpenRouter 上的使用量已经是 OpenClaw 的 3-4 倍。它不是由中心化实验室构建的——它是一个由全球社区维护的开源 Harness。Shaughnessy 将其用作日常工具，在 Telegram 和桌面上都在使用。
"一旦你接入开源全球社区，它就赋予项目一个飞轮和速度——这是中心化实验室很难追上的。" — Tommy Shaughnessy
Shaughnessy 结束时提醒大家，这个领域的格局变化有多快：
"这是一个与 12 到 18 或者 24 个月前你我所见的截然不同的世界，对吧？那时候只是一些带 Token 的 AI 回复机器人。那个东西已经完全死了，能活下来的只有真正的基础设施项目。" — Tommy Shaughnessy
AI-Crypto 的交叉点已经超越了投机性 Token，进入了实际基础设施——推理路由、去中心化数据管道、保护隐私的模型访问、社区拥有的模型开发。这些能否在前沿实验室的巨额资金面前取得有意义的竞争，仍是一个开放的问题。但中心化 AI 商业模式中的裂痕是真实的，它们正在为两年前不存在的替代方案创造空间。