文章核心观点 - AI经济已进入稳定阶段，模型层、应用层和基础设施层分化清晰，形成了可复用的AI原生公司构建路径 [7] - 当前AI领域的资本密集投入和算力过剩，类似于电信时代的基础设施建设泡沫，这为未来应用层的爆发创造了条件，而非AI价值的终点 [7][17] - 大型语言模型（LLM）正在相互商品化，竞争焦点从纯粹的模型能力转向谁能将模型更好地产品化 [7][16] 模型偏好与竞争格局 - 在YC Winter26批次的创始人中，Anthropic的API使用占比超过52%，首次超过OpenAI成为首选 [5][7] - 这一转变发生在过去3到6个月内，Anthropic经历了超过52%的快速增长期 [5][6] - OpenAI的占比从早期的90%以上持续下降 [5] - Google的Gemini模型使用率从去年的个位数百分比（约2-3%）迅速攀升至Winter26批次的约23% [8] - 模型选择呈现多样化，创始人根据具体任务（如编码、推理）选择不同模型，并出现抽象编排层以灵活切换模型 [15] AI应用层现状与机会 - 目前缺乏利用AI进行日常任务的高价值消费者应用程序，现有工具仍需大量提示工程和人工介入 [13][14] - 记忆和个性化体验（如ChatGPT）正成为消费者应用的潜在护城河 [13] - 初创公司正在构建模型编排层，通过评估在不同任务上选择最优模型，实现模型间的“套利” [15] - 垂直领域的特定模型（如在医疗保健领域）通过微调和强化学习，可以用更少的参数（如80亿）在特定基准上击败通用大模型 [28] 基础设施与“泡沫”讨论 - 当前AI领域的大量资本支出（如GPU、数据中心建设）被类比为90年代的电信泡沫，是技术革命的“安装阶段” [17][20] - 基础设施的过度建设将降低计算成本，为应用层公司（如未来的YouTube、Facebook）的出现铺平道路 [17][20] - 算力竞争加剧，NVIDIA面临AMD、TPU等竞争，意味着计算能力将更丰富、更便宜，对上游AI实验室和应用层创业者均有利 [18] - 基础设施建设的物理约束（如土地、能源）催生了在太空建设数据中心、使用聚变能源等前沿解决方案 [22][24] 行业趋势与公司构建 - 训练模型正从稀缺技能变为更常见的技能，推动了更多小型、特定领域模型公司的兴起 [26][27] - Vibe Coding（AI辅助编码）已发展成为一个巨大的类别，出现了许多成功的公司 [31] - AI提升了初创公司的效率，但并未显著减少对人力的需求；公司规模可能更小，但收入相同，瓶颈在于招聘执行人才，而非想法 [35][36][38] - 出现了第一波AI原生公司负责人（如Harvey），随后第二波公司（如Legora、Giga）加入竞争，表明先发优势并非绝对 [36][37] - 行业共识是，AI尚未实现“一人运营万亿美元公司”，但未来会出现由不到一百人运营的数亿美元收入公司 [39]