本周,OpenAI首席执行官Sam Altman在贝莱德美国基础设施峰会上抛出一个类比:“我们看到的未来,是智能将像电力或水一样成为公用事业,人们按量向我们购买。”
这句话本身不是新概念。“AI即公用事业”的说法至少可以追溯到十年前。但这一次,Altman的表述有了明确的主体和方向:“按量向我们购买”。具体来说,就是按token计费,向OpenAI购买智能。
话音刚落,Reddit、X等平台上的批评声浪迅速聚集。一条被广泛转发的评论写道:“他们用我们的生活和创造力喂大了模型,踩遍了版权法,现在要把这些东西以公用事业的形式卖回给我们。”
抛出一个面向资本市场的宏大叙事,引爆一个来自创作者社区的伦理拷问。本文不评判发言者的动机,也不预测法律诉讼的走向。此事的核心兴趣点是:这个“公用事业”比喻在逻辑、伦理和商业上是否站得住脚。拆解这个比喻,能帮助我们看清AI行业正在发生的深层矛盾。
叙事拆解:为什么是“公用事业”
要理解这个比喻的意图,需要回到Altman发言的上下文。
根据Business Insider的报道和Rev转录的会议记录,Altman这次表态的出发点不是产品发布,也不是技术路线,而是一个“算力瓶颈”的预警。他在峰会上明确表示,如果现在不建设足够的算力设施,未来可能出现三种结果:AI服务供不应求导致价格飙升、只有富人能负担得起、或者政府不得不介入分配。
换言之,“公用事业”比喻首先是一个面向基础设施投资者的叙事,不是面向用户的定价方案。
把AI包装成水电,有明确的商业逻辑。水电是重资产、长周期、现金流稳定的行业,天然适合养老金和基建基金的资本结构。当OpenAI需要说服贝莱德这样的资管巨头为数千亿美元的数据中心项目提供资金时,“AI即公用事业”比“AI即科技产品”更容易通过投资委员会的审批。
这个判断不是推测。OpenAI总裁Greg Brockman曾提及,公司未来八年需要约1.4万亿美元的数据中心投资承诺。虽然这一数字的具体结构和落地进展尚待核验,但它已经足以说明:Altman口中的“公用事业”,首要受众是资本市场,而非终端用户。
“增量建设”还是“存量重组”
批评者的愤怒,集中在“公用事业”比喻掩盖的一个根本性差异上。
水电是“增量建设”。人类建造水坝、铺设管道、架设电网,是在创造自然界原本不存在的供给能力。投资用于建设新的物理资产,这些资产本身不依附于任何他人的既有劳动成果。
AI模型训练是“存量重组”。GPT系列模型的训练数据来自对全网公开内容的规模化爬取,涵盖书籍、文章、艺术创作、论坛帖子、代码仓库,甚至包括用户在社交媒体上的私人对话记录。这些是数十年人类创作的累积,绝大多数未经创作者授权,也未支付任何版权费用。
一位Medium作者写道:“他们试图将人类几十年的集体创作压缩进一个商品,然后以公用事业的名义重新定价,按token卖回给当初免费提供原材料的人。”
这不是情绪宣泄,而是一个关于产权逻辑的精确指认。水电等公用事业公司的“原材料”要么自建(水坝蓄水),要么按市场的价格采购(燃煤燃气)。而AI公司在训练阶段获取的“原材料”,在法律上处于“合理使用”(Fair Usage)的模糊地带,在商业上没有产生任何成本转移。
这种“免费获取、收费出售”的模式,使得批评者眼中的“公用事业”听起来更像“圈地运动”:先将公共领域的资源据为己有,建起围墙,再向原本的使用者收取入场费。
Token计费与普遍服务的距离
即便搁置数据来源的争议,“AI即公用事业”在定价机制上也难以成立。
真正的公用事业,如水、电、煤气,在绝大多数经济体中都承担着“普遍服务”(Universal Service)的义务。政府监管机构要求它们保障基础民生供应,定价机制通常基于“成本加成”,利润率受到严格约束。居民用电价格不因你的用途是点亮灯泡还是运行服务器而区别对待。
AI的token定价与此完全不同。根据KongHQ对企业AI成本的监测数据以及Artefact的分析,过去一年per-token的绝对价格下降了约75%,但企业的实际AI支出不降反升,因为用量增长速度远超价格降幅。这种“单价降、总价升”的模式被称为“Token成本幻觉”。
更具对比价值的是token费用的结构性差异。输出token的价格通常是输入token的3到10倍。同样的信息量,AI“读进去”的成本远低于“写出来”的成本。如果你把一份文档提交给AI做摘要,输入阶段几乎免费,但摘要生成的每一个字都是高收费区。
公用电网的收费逻辑是:电本身是同质的,1度电给冰箱和给服务器是一样的价格。AI的token定价逻辑是:服务本身被拆分出巨大的价格差,而且这个价格差完全由供应商单方面定义。
换句话说,这不叫公用事业定价,这叫按使用量的歧视性定价。它不是为了让每个人都能用上智能,而是为了在智能的消费量上提取最大化的营收。
“合理使用”的护城河正在松动
批评者声音虽大,但在法律层面,AI公司在训练数据问题上的处境并没有表面上那么脆弱。
根据Morrison & Foerster律所发布的《2026年AI趋势》报告以及Norton Rose Fulbright对AI版权诉讼的追踪,美国法院当前倾向于认定:训练通用AI模型具有“高度变革性”,因此更容易满足“合理使用(Fair Use)”的法定标准。Anthropic在2025年年中成功说服法院驳回一项版权诉讼的判决,虽然细节有待核验,但已经成为AI行业信心的重要来源。
然而,法律上的护城河在商业逻辑上正被AI行业自己的行为所侵蚀。
TechPolicy.press的一项分析指出:随着AI公司开始大规模购买授权训练数据,例如OpenAI与Reddit、新闻集团等达成的协议,“免费爬取即合理使用”的辩护正在被自相矛盾地削弱。如果训练数据确实可以无差别地“合理使用”,那为什么要花大价钱购买特定来源的授权?如果数据拥有者确实没有权利主张,那这些授权协议的法律基础是什么?
购买行为本身,构成了对“原材料免费”预设的商业否定。
回到Altman的“水电论”,这个矛盾变得更加尖锐。水电公司在建设基础设施时,不会面对“你们的水源取得是否合法”的集体追问。而AI公司在宣称自己是下一代公用事业时,“原材料从哪里来”这个问题仍然没有令人信服的答案。
基础设施化需要解决的,是分配问题
Altman的“水电论”抓住了AI发展的一个真实趋势。大模型正在从实验室产品变成底层能力,被嵌入到搜索引擎、办公软件、设计工具乃至工业流程中。当AI无处不在时,它的确在功能上趋近于“基础设施”。
但这个比喻在当前演进阶段的三个裂缝不容忽视。
第一,产权裂缝。水电是创造增量,AI是重组存量。重组本身有价值,但重组的前提是“存量可以无偿使用”,这个前提既未在道德上获得共识,也未在法律上得到终局确认。
第二,定价裂缝。公用事业的“普遍服务”意味着低利润率和非歧视定价,而token定价是市场化的、分层的、由供应商单方面定义的。两者在商业逻辑上几乎没有交集。
第三,治理裂缝。水电行业有独立的监管机构、透明的成本核算和公众参与的价格听证机制。AI行业目前缺乏任何形式的公共治理框架,“按量收费”的规则由少数几家公司自行制定。
对普通用户而言,AI按量收费的趋势短期内不会改变。token价格下降的利好在持续,但“用量越用越多”也会抵消这种利好。建议在选择AI工具时,不仅关注单价,更要评估自己的实际使用量变化趋势。
对开发者和企业客户而言,代码生成、长文本分析等高token消耗场景的成本可控性,比单价更值得关注。依赖单一供应商的token定价体系,意味着成本结构完全受制于人。
对创作者而言,“AI公用事业”叙事的蔓延本身是一个信号:你的作品被用于训练的概率在增加,而获得回报的机制尚未出现。行业的基础设施化,不应该只是让模型公司变成下一个电力公司,也应该包括建立合理的、可追溯的数据收益分配机制。
目前的事实在于:AI正在变成基础设施,但尚未成为公用事业。后者的头衔,需要更多的东西来支撑,不仅仅是算力规模和token计费。
