ai经济学的第一性原理——“价值沿验证成本的低谷流动”
AI 的进步并不均匀。与其说这是智能分布不均，不如说是验证成本分布不均。
价值不会优先流向最需要 AI 的地方，而会先流向最容易证明 AI 做对了的地方。它像水一样寻找低谷，并不关心需求位于多高的山顶。
真正的杠杆是生成与验证的成本差
判断一个领域会不会率先被 AI 改造，不能只看验证成本的绝对值，更要看生成成本与验证成本的比值。
AI 可以极低成本地产生大量候选结果。如果验收同样便宜，生成与验证之间的成本差就会形成巨大杠杆。
兑现速度还取决于验证延迟。同样能够验证，几秒钟得到结果和几个月后才能确认，完全是两种经济模型。
因此，一个行业在 AI 进程中的位置，主要取决于单位验证成本和验证延迟。成本越低、反馈越快，越容易率先形成商业闭环。
Coding 为什么最先爆发
Coding 是当前最典型的验证低谷。
编译器、测试和运行结果都是近乎免费的验收员。代码生成之后，系统可以立刻判断能否编译、测试是否通过、行为是否符合预期。
更重要的是，每一次验证都会产生训练信号。验证回路一旦接通，模型就能在反馈中持续改进，形成自我强化的飞轮。
这也是为什么 Coding 的进步不像均匀爬坡，更像突然跨过台阶。能力从 95 分提高到 99 分，看似只有几个百分点，产品含义却可能从“需要全程盯着”变成“可以托付”。
阈值之前发布，产品可能是一场灾难；阈值之后发布，同一类产品却可能迅速爆发。
锯齿智能背后是不同的验证回路
我们常说 AI 呈现“锯齿智能”：它能解决某些极难的问题，却会在看似简单的任务上犯错。
从验证成本看，每一个齿尖，都可能代表某个细分领域的验证回路已经率先接通。模型不是沿着统一的智能刻度前进，而是在不同成本地形中逐个跨越可托付阈值。
因此，AI 能力的扩散不会平滑发生。它更可能表现为一连串领域相变。
不能用一条增长曲线给模型公司估值
目前的模型公司估值，隐含着一个很少被审计的假设：新的验证低谷会不断而且均匀地出现。
这个假设并不稳固。
首先，低谷很可能按验证成本从低到高被依次开发。Coding 最先爆发，不一定意味着序幕刚刚开始；也可能意味着条件最好的低谷已经被率先消耗。
法律、医疗和合规等候选领域，验证成本更高、反馈周期更长、责任也更重。飞轮每进入一个新领域，都可能比上一个转得更慢。相变之间的间隔不是固定的，而可能越来越长。
其次，每次相变带来的独占期正在缩短。公开研究和模型蒸馏会加快能力扩散。一次相变能够创造多少超额收入，既取决于台阶有多高，也取决于领先能维持多久。
如果相变间隔在拉长，而独占窗口在缩短，线性外推就会同时高估增长的连续性和利润的持久性。
更像药厂管线，而不是 SaaS 年金
我更愿意用药厂管线来理解模型公司的价值。
一家模型公司拥有的，不是一条可以无限外推的收入曲线，而是一组处在不同阶段的“领域相变期权”。每个领域都有自己的验证成本、成功概率、到达时间和竞争拥挤度。
这些期权应当分别估值，再按竞争程度折价。仅仅拿当前 ARR 增速向未来延伸，等于用一款爆款药去年的销售曲线，为整条研发管线定价。
模型公司的真正估值要害，不是已经跨过了多少台阶，而是还能否连续找到并占领新的验证低谷。
验证成本也可能被 AI 改写
这个判断还有一个重要变量：验证成本未必是外生常量。
如果 AI 能够降低验证本身的成本，例如自动生成评测、扩大形式化验证的适用范围，或者为原本依赖主观判断的领域创造可靠的验收机制，那么高地也可以被人工削成低谷。
这会改变相变的节奏。新的领域未必只能排队出现，也可能成簇爆发。
所以，前沿模型的溢价还能维持多久，取决于 AI 改造验证地形的速度。它不仅要提升生成能力，还要不断发明新的验证机制。
能力在贬值，可托付性在升值
前沿溢价正在从“更聪明的聊天”，迁移到“在可验证领域中可以托付的智能体劳动”。
单纯的能力会越来越容易获得，甚至可以直接租用。真正稀缺的，是一个结果能否被低成本验收，以及是否有人愿意为它签名、承担责任。
这对个人和公司其实是同一个判断：工作中验证便宜的部分，会最先被 AI 拿走；剩余价值将越来越集中在那些需要定义标准、作出验收并承担后果的部分。
能力可以租，验收权必须掌握在自己手里。最终决定价值归属的，不只是“谁能做”，而是“谁能确认它做对了，并敢为这个判断负责”。