AI 公司不賺錢，應該找香港地鐵取經

作者： Michael Wenye Li

編譯： 深潮 TechFlow

深潮導讀：AI 實驗室燒了幾千億美元，但沒人說得清楚錢什麼時候賺回來。API 定價每年跌 10 倍，開源追著閉源跑，訓練成本越堆越高。這篇文章跳出了科技行業視角，用香港地鐵 MTR 45 年的商業模型給出了一個極具啟發性的回答：別想著靠車票賺錢，去擁有車站上面的物業。

它們賺不了錢，而且這個問題本身就問錯了

有一門生意長這樣：前期砸數十億資本，一分錢收入沒有。核心服務定價逼近邊際成本。為用戶創造了巨大價值，建設者幾乎一毛錢也留不住。還得不停投資下一代基礎設施。

這說的不是 AI 實驗室，而是大型鐵路系統。

很多人拿鐵路來類比 AI 行業，大多數人的結論是：通用技術具備公共品屬性，商業可行性離不開政府補貼。

我想挑戰這個結論。因為香港的 MTR（港鐵）實際上解決了這個問題。它是全球極少數能商業自持的地鐵系統之一，上市公司，分紅派息，不拿政府運營補貼。

財務結構如出一轍

MTR 的核心鐵路業務從未能自己養活自己的擴張。2018 年是疫情前最好的一年，運輸業務 EBIT 為 20 億港元。而 2024-2026 年的資本支出預估為 879 億港元，幾乎全用於鐵路。三年的巔峰鐵路利潤，只夠覆蓋 8% 的資本支出。票價收入從來不夠修下一條線，這本來就不是它的設計意圖。

MTR 票價通過政府票價調整機制保持在可負擔水平。你不可能把票價定到能收回建設成本的程度，那樣沒人坐得起，也違背了公共交通的本意。每條線或許能覆蓋自己的運營成本，但票價收入永遠撐不起下一條線的建設。

AI 的 API 定價面臨的是同一問題的鏡像版本。蒸餾和開源替代品讓 API 價格以每年約 10 倍的速度下跌，任何定價高於邊際成本的實驗室都會把量丟給競爭對手。每個模型在推理層面可以實現運營盈利，但利潤率永遠撐不起下一輪訓練的開支。

全球通行的解法是補貼。倫敦地鐵靠 TfL 撥款，中國高鐵揹著萬億美元債務，94% 的線路不賺錢。AI 走在同一條路上：CHIPS 法案、Stargate 項目、主權財富基金投資、五角大樓合同。默認終局就是依賴補貼的準公共基礎設施。

MTR 找到了另一條路。

鐵路+物業

MTR 1979 年建設之初，設計者就明白票價永遠收不回建設成本。於是他們圍繞一個完全不同的前提來架構公司：鐵路會讓周邊土地升值，所以要把地拿在手裡。

MTR 在車站上方和周邊開發住宅樓、寫字樓和購物中心，把自己的基礎設施創造的價值增值收入口袋。物業利潤反哺鐵路運營、資助下一條線。今天 MTR 擁有 13 座購物中心，管理著 47 個車站上蓋物業項目，物業貢獻了實際利潤的大頭。

邏輯很清楚：別想著從鐵路服務本身捕獲價值，去擁有那些因為鐵路而升值的資產。

AI 的對應關係

「AI 實驗室什麼時候能賺錢？」和「鐵路什麼時候能靠票價養活自己？」是同構問題。答案是一樣的：靠不了，而且問題本身就問錯了。

一家生物科技初創用前沿模型篩選藥物化合物，省了兩年臨床試驗時間。一家物流公司用它優化路線，節省了 4000 萬美元燃油成本。一個獨立開發者用一個週末交付了過去五人團隊花三個月才能完成的項目。每個案例裡，模型提供方通過 API 費用只拿到百分之零點幾的價值。提供方沒法提價，因為還有四家實驗室和十幾個開源替代品提供差不多的能力。剩餘價值流向了用戶和更廣泛的經濟體。

通用技術就是這樣。蒸汽機、電力、TCP/IP 都沒有為它們的創造者貢獻過什麼收入。

MTR 的啟示：別再試圖讓票價覆蓋建設成本了，去找你的「物業」。

四個候選方案，按防禦性排序

政府授予的部署權排第一。 政府授權一家實驗室獨家接入國家醫療記錄、稅務系統或國防後勤。實驗室積累的領域數據、系統集成深度和監管資質，需要數年才能複製。這就是 MTR 自己的機制：國家基於自然壟斷屬性授予開發權。

積累的強化學習獎勵數據排第二。 數十億次交互信號用於訓練下一代模型。和模型權重不同（權重會因蒸餾而貶值），RL 數據幾乎不可能被複制，而且跨代複利累積。它不能直接變現，但它是一塊地，在升值，還沒開發。

前置部署式集成排第三。 與其把模型接口賣給一家諮詢公司、讓它賺走生產力剩餘，不如自己端到端擁有整個服務交付層。就像 Palantir 把工程師嵌入政府機構而不是賣軟件許可證。實驗室不向律所收 API 費，實驗室變成法律研究服務本身，按交付的成果而不是消耗的 token 定價。切換成本會隨著領域數據和機構知識的積累而不斷疊加。這就是 MTR 的購物中心：把鐵路創造的客流量變現，而不是給乘客漲票價。

國家數據集的數據託管排第四。 各國政府手握大量未充分利用的數據集（患者檔案、稅務申報）。一家被指定為託管方的前沿實驗室獲得獨家訪問權，基於這些數據訓練模型和構建產品。但這會創造一個公私數據壟斷，需要嚴格的治理架構：明確的使用邊界、向公眾迴流的收益、獨立監督和真正有約束力的問責機制。

重新定義問題

能活下來的實驗室，不是那些讓 API 變得盈利的，而是那些現在就找到自己「車站上蓋物業」並開始建設的。API 就是鐵路，它永遠不會足夠賺錢。錢在鐵路周圍那些升值的資產裡。

政策層面的問題也隨之而來：與其補貼訓練運行，政府更應該設計制度機制（部署權框架、數據託管結構、生產力衡量標準），讓實驗室能捕獲自己的基礎設施創造的剩餘價值。

最後有一個諷刺。AI 政策討論被中美框架主導：美國自由市場實驗室對陣中國國家扶持的冠軍企業。最有參考價值的制度模型可能兩者都不是。它可能是香港的模式：一個 45 年曆史的公私混合體，商業化運營，通過制度設計而非意識形態實現自我融資。