【马蹄社原创】2022年11月底，基于GPT-3.5系列模型的ChatGPT面向公众发布。AI在此之前已经发展多年，但在嘉御资本创始合伙人、董事长卫哲看来，这一版本让技术第一次以足够低的门槛进入大众使用场景。国内对这次变化的集中感知，大约发生在2022年底至2023年春节前后。
在一次交流中，卫哲用“车、路、货”三个字，拆解了自己对AI的理解。
大模型是“车”，传输、存储和算力等基础设施是“路”，代码生成、视频生成、对话机器人以及各类行业应用是车上装的“货”。这个比喻足够直观，卫哲想解释的问题却在变化：三年前，市场关心哪辆车能跑得最快；到了2026年，模型能力仍在迭代，应用却已经开始反向定义车型和道路。
从模型竞速到应用“拉货”，卫哲试图回答一个更具体的问题：当AI从技术突破进入商业兑现阶段，什么能形成收入，什么能积累壁垒，哪些投入又是在守住企业未来的入口？
当“赛车”还在追赶，用户已经可以换车
ChatGPT之后，中美大模型进入密集迭代期。DeepSeek、Kimi、智谱（Z.ai）在国内相继推出新版本，OpenAI、Anthropic、Google 等美国公司也持续更新模型。卫哲将这种竞争形容为“你追我赶”：今天的领先者，未必能把优势保持到下一轮发布。
按照他的观察，大模型的领先窗口正在缩短。过去可以保持半年左右，如今可能只有三个月。这组时间没有统一的市场统计口径，却反映了模型竞争的节奏变化，领先越来越短暂，追赶越来越频繁。
另一个变化来自用户。在编码场景中，海外用户昨天使用Claude，今天切到Codex；在国内，也可以从智谱（Z.ai）切换到Kimi或DeepSeek。对企业开发者而言，更换模型通常不需要重建完整的业务系统，性能和价格稍有变化，就可能迁移到另一个产品。卫哲认为，较低的迁移成本削弱了模型的用户黏性，也提高了投资者押注单一技术路线的风险。
传统互联网产品即使暂时落后，还可以依靠账号关系、使用习惯和历史数据留住用户，为产品争取几个月的追赶时间。大模型之间的切换更快，一旦性能或成本失去优势，用户可能立即离开。卫哲据此解释，在胜负尚未确定、领先窗口有限的情况下，模型层并不是最适合重注的环节。
在 AI 发展的早期阶段，大量资金用于训练模型。卫哲把这个阶段的大模型比作F1赛车：速度很快，造价很高，却没有载货能力。模型公司需要持续消耗算力，并向基础设施支付高额成本；如果找不到明确应用，商业价值便很难覆盖投入，市场关于AI泡沫的担忧也由此产生。
现在，判断尺度正在变化。训练规模和模型排名仍然重要，但市场开始研究：一辆车究竟能装什么货、是否有人为这批货付费。模型竞速尚未结束，应用能否形成稳定需求，已经成为检验这轮AI投入的下一道关口。
三种“货”，三套商业逻辑
这里的“货”，指能带来收入、数据壁垒或入口价值的AI应用。卫哲把正在出现的AI应用分成三类。它们都需要模型和算力，投入理由却不相同，有的围绕效率形成收入，有的依靠数据建立优势，还有的短期难以盈利，平台仍必须持续投入。
第一类是代码生成。在卫哲看来，AI最早跑通的ToB场景，往往集中在“人多且贵”的行业。工程师数量多、人力成本高，编码过程又可以被拆解、测试和反复验证。企业可以比较引入 AI 前后的工作量、交付速度和人员投入，技术价值较容易进入业务核算。医生、律师等专业服务，也是这一效率逻辑在美国市场的延伸，但其合规、责任和验证门槛更高。AI写代码率先“拉货”，即率先形成规模化收入，意味着AI应用开始为模型、算力和云等前期基础设施投入提供收入回报。
第二类是视频生成。它已经进入实际应用，训练成本和数据门槛也更高。公开视频可以被获取，完播率等后台数据却只掌握在平台手中。卫哲以完播率为例：同样一段视频，外部只能看到内容，平台能够知道用户有没有看完。这类反馈能帮助判断哪些内容更有效，也可用于内容筛选、推荐和再训练，这也让数据质量比单纯的数据数量更重要。
因此，拥有内容平台的公司同时掌握视频素材与用户反馈，更容易形成训练闭环。这里的壁垒来自“内容—反馈—再训练”的循环。缺少后台行为数据，即使能够获得大量公开视频，也很难判断哪些内容真正有效。
第三类是对话机器人。这类产品聚集了大量用户，收费方式仍在探索，日常运行还要持续消耗算力。互联网公司继续投入，考虑的已经超出单次订阅收入。卫哲判断，AI可能重新分配互联网流量入口：搜索受到的冲击更直接，社交关系相对稳定，电子商务则处于两者之间。
对平台而言，对话机器人因此带有入口防御的属性。它短期可能消耗大量资源，却关系到用户未来从哪里发起搜索、购物和服务需求。三种“货”由此对应三套逻辑：代码生成解决效率，视频生成争夺数据闭环，对话机器人守住流量入口。只有把它们拆开，才能分辨用户增长、技术优势和商业价值之间的差别。
嘉御资本全球CEO决策研修班第六期已开启招募！这里不讲大而空的理论，只有历经百亿市值验证的实战方法论。
卫哲老师将用近20年的投资与运营管理积淀，为你亲手拆解百亿级决策背后的底层逻辑；而你的同桌、你的私董会伙伴，也都是年营收五亿以上规模的品牌出海企业创始人。
向谁学习，决定了你的高度；与谁同行，决定了你的视野。
>>点此了解课程详情<<
“货”开始反向定义“路”
在生成式AI的“货”尚未清晰时，嘉御资本选择先看“路”。卫哲曾把互联网周期作为参照，应用公司可能更替，但流量持续增长，传输、存储和计算等基础设施会随之扩容。
为了说明传输、存储和算力三类基础设施的关系，卫哲沿用道路比喻：传输扩容相当于拓宽道路，存储相当于建设停车场，算力则相当于道路的承载与调度能力。车越多、装载的货越复杂，对道路的要求也会随之变化。尤其是存储，企业需要保留大量计算结果和交互数据，模型训练和应用反馈又会持续产生新数据。
早期无法判断哪类应用胜出，投资者和企业只能先建设通用基础设施；当代码、视频和对话等应用逐渐分化，不同任务开始对训练、推理、存储和传输提出不同要求。卫哲以代码生成为例，这类任务需要持续、稳定且成本可控的计算，企业会重新考虑通用GPU之外的芯片和系统方案。应用场景一旦明确，“货”就会反过来选择“车”，车型变化也会改变道路的建设方式。
变化还发生在企业内部。卫哲回忆，过去在阿里巴巴担任CEO时，芯片和技术选型通常由CTO负责。一项新技术从测试成功到大规模使用，安全和稳定是首要标准，导入周期可能长达五年。如今，算力投入已经直接影响产品成本和市场竞争，越来越多科技公司的CEO开始参与技术选型，在安全风险、资金投入和商业回报之间做决定。
据卫哲观察，新技术的导入周期正在缩短。这个变化很难只用技术进步解释。应用竞争加快，基础设施投入上升，一次芯片选择可能同时影响模型能力、服务成本和产品节奏，技术路线由此成为CEO必须参与的经营决策。
跨境电商：从“人肉运营”转向数据闭环
卫哲把 AI 话题带回跨境电商，因为这个行业从流量获取到交易履约，长期依赖平台算法运转。商家在Amazon经营，在Google、YouTube 等渠道投放，也开始研究生成式引擎优化（GEO），希望自己的产品和品牌能够被生成式搜索收录、引用和推荐。渠道不同，企业面对的却都是不断变化的算法系统。
过去跨境电商所说的运营能力，很大一部分依赖人工积累。团队通过经验判断选品、关键词、广告、平台规则和用户反馈，再用增加人员的方式扩大执行规模。卫哲把这种状态概括为用“人肉”对抗平台算法。当平台加快 AI 化，堆人数、拼反应速度的成本会继续上升。图片、视频、客服和资料整理等AI工具可以先替代部分重复劳动，但这仍然只是单点提效。
更深一层的变化发生在流程之间。选品形成的用户判断能否进入内容生产，广告反馈能否回到产品开发，客服问题能否变成下一轮运营和产品改进的依据，决定了企业有没有形成自己的数据闭环。各环节分别使用AI，只会得到一组效率工具；数据和流程连接起来，AI才可能进入企业的经营系统。
对跨境电商企业而言，眼下最现实的工作，是先弄清自己要拉什么“货”，再决定使用怎样的“车”、建设怎样的“路”。当应用开始定义模型与基础设施，这轮技术周期也从观看赛车，走向了检验谁能把货送到目的地。（马蹄社原创/2026年10月9日）
编者按：AI硬件全球化要拉什么“货”
需要说明的是，以下并非卫哲原话，而是马蹄社基于他的“车、路、货”框架所做的延伸思考。
如果把这套框架放到AI硬件全球化中，车是通用大模型、端侧小模型、语音和视觉模型；路是云、边缘算力、芯片、连接、存储、合规和渠道；货则是AI眼镜、AI玩具、AI穿戴、AI家居、AI陪伴、AI教育硬件等。硬件还多出成本、功耗、时延、隐私、合规、OTA、退货率和数据回流等变量。先弄清货，再选车和路，才不会一开始就配错资源。
对于正在向全球化品牌进阶的CEO来说，AI已不只是CTO的技术议题，它同时改变产品定义、成本结构、渠道打法和组织决策。卫哲的“车、路、货”框架，价值不在预测哪家模型胜出，而在帮助CEO回到决策本身：谁会为你的新产品买单，付费形式会有何不同，数据能否回流，组织能否跟上。公开的是框架，真正的选择因公司而异。同样的逻辑，放在不同行业、不同全球化阶段，会得出完全不同的结论。
这也是“嘉御资本全球CEO决策研修班”想和正在打造全球化品牌的CEO一起做的事。
>>点此了解课程详情<<
报名详询马蹄社工作人员
本文首发于 亿邦动力 官方网站
