AI创业谁在真正赚钱？财富分配的残酷真相

一条推文引发的思考

近日，一条简短却犀利的推文在科技圈引发广泛讨论。发布者感慨："本可以借此摆脱底层阶级，然而最终真正赚到钱的只有风投机构、基金、其他机构以及员工。"

这句看似情绪化的表达，实则触及了当下AI与科技创业浪潮中一个极为核心却常被忽视的议题：财富究竟流向了谁？ 在一场声势浩大的技术革命中，创始人、早期参与者、普通从业者与资本方之间的利益分配，正呈现出愈发明显的不平衡。

AI创业财富分配的结构性失衡

资本方在科技创业中的天然优势

在科技创业的价值链条中，风险投资（VC）、私募基金和大型机构往往占据结构性优势。他们不仅拥有资金话语权，更掌握着交易条款的制定权。优先清算权、反稀释条款、董事会席位——这些看似技术性的安排，实质上确保了无论公司结局如何，资本方都能优先获得回报。

要理解这种结构性优势的根源，需要先了解风险投资行业本身的运作机制。一家VC基金通常由普通合伙人（GP）管理，资金则来自有限合伙人（LP）——包括大学捐赠基金、养老金、家族办公室和主权财富基金等。GP向LP承诺在基金存续期（通常为10年）内实现3倍以上的回报。这种对LP的回报承诺，直接驱动了VC在条款设计上的强势立场：GP需要确保即便投资组合中大部分公司失败，少数成功退出的公司也能覆盖整个基金的回报要求。这就是为什么VC会在条款中嵌入各种保护性条款——这不仅是贪婪，更是其商业模式的内在要求。

具体而言，优先清算权（Liquidation Preference）意味着当公司被收购或清算时，持有优先股的投资人可以在普通股股东——通常是创始人和员工——之前优先拿回投资金额，甚至是投资金额的1-3倍。反稀释条款（Anti-dilution Provisions）则保护投资人在后续低价融资（即Down Round）中不会因股权稀释而受损，通常通过调整转换价格来实现，最常见的有完全棘轮法和加权平均法两种。完全棘轮法对创始人最为不利——它将早期投资者的转换价格直接调整为最新一轮的低价，相当于让创始人承担了全部的估值下降成本。加权平均法相对温和，会综合考虑新旧融资的金额和价格进行加权调整。这些条款的存在使得即便公司最终以远低于最后一轮估值的价格退出，投资人仍然能够收回本金甚至获利，而创始人和员工的回报则可能趋近于零。

值得注意的是，在早期阶段，许多创业公司使用SAFE协议（Simple Agreement for Future Equity，未来股权简单协议）或可转换票据（Convertible Note）进行融资。SAFE由Y Combinator于2013年推出，旨在简化种子轮融资流程。然而，SAFE的"简单"并不意味着对创始人有利——它通常包含估值上限（Valuation Cap）和折扣率（Discount Rate），这意味着早期投资者在后续定价轮中能以更优惠的条件转换为股权，进一步稀释创始人持股。由于SAFE不是债务，投资者无需担心到期偿还的问题，但创始人可能在不知不觉中累积了大量未转换的SAFE，直到定价轮融资时才发现自己的稀释程度远超预期。

当一家公司成功退出或上市时，机构投资者通常是最先、也是最大规模兑现收益的一方。而创始人和早期贡献者的股权，则可能在多轮融资的稀释中大幅缩水。以典型的融资路径为例：创始人在种子轮后可能持有70%-80%的股份，经过A轮降至50%-60%，B轮后可能只剩30%-40%，到IPO时创始人持股可能已经低于15%。如果公司估值增长不够快，或者经历了Down Round，创始人的实际财富增长远不及表面数字。更极端的情况下，由于优先清算权的叠加效应——多轮融资中每轮投资者都拥有各自的优先清算权，形成所谓的"清算优先权堆栈"（Liquidation Preference Stack）——创始人在退出时可能发现自己的普通股几乎没有价值。Uber创始人Travis Kalanick的经历就是一个生动的例证：尽管他创建了一家千亿美元级别的公司，但经过多轮融资稀释和被迫出局后，他的最终收益与公司的总价值之间存在巨大的不对称。

"内部员工"与"局外人"的财富分野

有意思的是，原推文特别提到"员工"也属于赚到钱的一方。这反映出一个微妙的现实：即便是同一场创业浪潮，身处组织内部与外部的差异是决定性的。

科技公司向员工授予的股票期权（Stock Options）或限制性股票单位（RSU）是硅谷财富创造的核心机制之一。期权赋予员工在未来以约定价格（行权价）购买公司股票的权利，如果公司估值大幅上涨，员工可以以远低于市价的成本获得股份，从而实现可观的财富增值。行权价的确定并非随意——美国税法要求私有公司必须进行独立的409A估值（Section 409A Valuation）来确定普通股的公允市场价值，这一估值通常每年进行一次或在重大事件后更新。409A估值通常远低于优先股的价格（因为普通股不具备优先清算权等保护性条款），这就创造了一个"折扣窗口"：早期员工的行权价基于较低的409A估值，如果公司后续以更高估值融资或上市，这一价差就转化为员工的财富增值。然而，随着公司估值攀升，后加入员工的409A估值也水涨船高，获得的"折扣窗口"越来越小——这解释了为什么硅谷有"早期员工"和"晚期员工"财富差距悬殊的现象。

然而，这一机制并非没有风险：员工通常面临四年的归属期（Vesting Schedule），其中第一年为悬崖期（Cliff），意味着一年内离职将一无所获。在非上市公司中，期权的流动性极低，员工可能持有大量"纸面财富"却无法变现。近年来，二级市场交易平台的兴起在一定程度上缓解了这一问题——Carta、Forge Global（前Equidate）和SharesPost等平台允许私有公司员工在IPO前出售部分股份。然而，这些交易通常需要公司批准（Right of First Refusal），交易价格也往往低于最新一轮融资估值，且存在信息不对称——买方通常是对冲基金或专业二级市场基金，拥有远超个人卖方的分析能力和议价能力。行权还涉及复杂的税务问题——在美国，ISO（激励型股票期权）和NSO（非法定股票期权）有完全不同的税务处理方式。ISO在行权时不产生普通收入税，但行权价与市价的差额可能触发替代性最低税（AMT），这曾在2000年互联网泡沫破裂时导致大量员工面临天价税单——他们在股价高位行权产生了AMT义务，但随后股价暴跌，导致税款远超股票实际价值。NSO则在行权时即按普通收入税率征税，税率可高达37%（联邦）加上州税。不当操作可能导致巨额税单。

值得注意的是，近年来大型科技公司已经从传统期权转向RSU（限制性股票单位）作为主要的股权激励工具。与期权不同，RSU不需要员工支付行权价——归属后直接获得股票。这降低了员工的现金风险，但也意味着RSU的激励效果更像"保底薪酬"而非"高风险高回报赌注"。对于已上市的科技巨头而言，RSU是吸引和留住人才的有效工具；但对于早期创业公司，期权仍是主流，因为公司现金流有限，需要用潜在的巨额回报来补偿较低的基础薪资。

尽管如此，与完全处于组织外部的参与者相比，持有期权的核心员工仍然享有巨大的结构性优势，能够分享公司成长的红利。而那些希望通过投资、代币购买或外围参与来"上车"的普通人，往往在信息、时机和资源上处于劣势，最终成为价值的接盘者而非分享者。

AI时代的财富叙事与现实落差

技术革命的承诺与骨感现实

每一轮技术革命都伴随着"改变命运"的宏大叙事。从互联网到移动互联网，再到今天的人工智能，人们总被告知这是一次"阶级跃迁"的历史性机遇。

然而现实往往更为骨感。技术革命创造的巨额价值，倾向于向已经掌握资本和资源的一方集中。AI领域尤为明显——训练大模型所需的算力成本、数据资源和顶尖人才，本身就构筑了极高的准入门槛。据公开信息，OpenAI训练GPT-4的计算成本估计超过1亿美元，而下一代模型的训练成本可能达到数亿甚至数十亿美元级别。这种成本增长并非线性，而是遵循所谓的"Scaling Laws"（缩放定律）——由OpenAI研究团队在2020年提出的一组经验公式表明，模型性能的提升与参数量、训练数据量和训练计算量之间存在幂律关系。简言之，要获得线性的性能提升，所需的计算资源增长是超线性的。从GPT-3到GPT-4，参数量和训练成本都增长了约一个数量级，而从GPT-4到下一代模型，这一增长趋势仍在继续。

这些成本主要来自GPU/TPU等专用芯片的租赁或购买——以NVIDIA H100 GPU为例，单块售价约2.5-4万美元，而训练一个顶级模型可能需要数万块这样的芯片组成集群运行数月。NVIDIA在AI训练芯片市场的份额超过80%，其CUDA软件生态构筑了强大的护城河，使得AMD和Intel等竞争对手难以撼动其地位。与此同时，云计算三巨头——AWS、Google Cloud和Microsoft Azure——也在大力投资自研AI芯片（如Google的TPU、AWS的Trainium/Inferentia和Microsoft与OpenAI合作设计的定制芯片），试图降低对NVIDIA的依赖，同时也在AI基础设施层建立自己的竞争壁垒。这意味着AI创业公司不仅面临算力成本的压力，还受制于底层芯片和云服务提供商的定价权——本质上，AI创业公司的利润表中有很大一部分流向了基础设施层的巨头。

除算力外，高质量训练数据的获取和清洗同样构成重大壁垒。大型科技公司凭借多年积累的用户数据和内容生态占据天然优势——Google拥有搜索数据和YouTube视频，Meta拥有社交媒体数据，Microsoft通过GitHub拥有大量代码数据。而创业公司则不得不依赖公开数据集（如Common Crawl、The Pile等）或通过昂贵的数据授权协议获取训练素材。2023-2024年间，《纽约时报》等媒体对OpenAI提起的版权诉讼进一步加剧了数据获取的法律风险和成本。Reddit、Twitter（现X）等平台也开始对API访问收取高额费用，部分原因正是为了从AI公司使用其数据中分得一杯羹。这种资本密集型的特征意味着能够真正参与价值创造核心的，仍是少数拥有雄厚资本的玩家。

加密与AI投资中的散户困境

这条推文的语境，也让人联想到近年来加密货币和AI代币项目中反复上演的剧本。项目方与早期投资者在高位套现，而后期涌入的散户则承担了泡沫破裂的代价。

这种困境有着明确的结构性成因。在典型的代币发行模式中，项目方和早期投资者通常以极低的价格获得代币分配（有时仅为公开发售价的1/10甚至1/100），并附带锁仓期（Vesting Period）。代币经济学（Tokenomics）的设计是理解这一困境的关键：一个代币项目的白皮书通常会详细说明代币的总供给量、分配比例（团队、投资者、社区、生态发展等）、释放时间表和通胀/通缩机制。然而，实践中这些设计往往严重倾向于内部人士。例如，一个典型的项目可能将20-30%的代币分配给团队和顾问，20-30%给私募轮投资者，而留给公开发售的可能仅有5-15%。更微妙的是，做市商（Market Maker）在代币上线初期扮演着关键角色——项目方通常会与做市商签订协议，后者负责在中心化交易所（CEX）上提供流动性和维持价格。这些做市商协议的条款通常不公开，但可能包含代币借贷安排和利润分成，使得做市商有动力在特定时间窗口内制造价格波动以获利。

然而，锁仓期通常在项目上线后6-18个月陆续到期，届时大量低成本代币涌入市场形成巨大抛压。散户投资者往往在项目叙事最热烈、价格最高的时候被FOMO（Fear of Missing Out）情绪驱动入场，恰恰成为早期持有者套现的对手方。加密市场的监管真空进一步加剧了这一问题——与传统证券市场相比，加密领域缺乏强制性的信息披露要求、内幕交易禁令和市场操纵惩罚机制。美国SEC虽然一直试图将部分代币归类为证券（Securities）并纳入监管，但Howey Test的适用性在每个具体案例中都存在争议，导致监管执行的不确定性。在这种环境下，项目方和早期投资者享有的信息优势被成倍放大。FTX、Luna/UST等案例已经反复验证了这一模式的破坏力——Luna/UST的崩溃在2022年5月蒸发了约400亿美元的市值，而FTX的倒闭涉及约80亿美元的客户资金缺口，其中大部分受害者是缺乏风险评估能力的散户投资者。

所谓"escape the underclass"（摆脱底层）的美好愿景，最终演变为财富从多数人向少数人转移的又一次循环。这不是个例，而是一种结构性现象——在缺乏制度保护的高风险市场中，散户天然处于食物链末端。

技术民主化是否只是一场幻象？

理想口号与激励机制的错位

科技行业长期以"民主化"和"人人参与"为口号，但激励机制的设计却往往与之背道而驰。技术民主化（Democratization of Technology）这一概念可以追溯到个人电脑革命时期。苹果公司联合创始人Steve Wozniak曾将个人电脑视为赋予个人与大型机构同等计算能力的工具。此后，互联网、智能手机和云计算的普及确实在某种程度上降低了技术使用和创业的门槛——AWS等云服务使得创业者无需自建数据中心就能启动业务。2006年AWS推出EC2服务时，创业公司的初始基础设施成本从数十万美元骤降至每月几百美元，这确实催生了一波创业浪潮。

然而，每一轮技术民主化都存在一个悖论：虽然使用技术的门槛降低了，但掌控技术基础设施和平台的权力却进一步集中。经济学中的双边市场理论（Two-sided Market Theory）和网络效应（Network Effects）为这一悖论提供了理论解释。平台型企业（如App Store、Google Play、AWS）连接着供给方（开发者）和需求方（用户），并通过网络效应——即平台价值随用户数量增长而非线性增长——建立起近乎不可逾越的竞争壁垒。一旦平台达到临界规模，"赢家通吃"的动态就会启动：新进入者即使拥有更好的技术，也很难克服已有平台的网络效应优势。这就是为什么尽管Android是开源的，Google仍然通过GMS（Google Mobile Services）协议控制着Android生态的核心；为什么尽管HTTP是开放协议，少数几家公司却控制着绝大部分互联网流量。

例如，虽然任何人都可以在App Store上发布应用，但苹果公司通过30%的抽成和审核机制掌握着生杀大权。AI时代这一悖论更加尖锐：开源模型（如Meta的LLaMA系列、Mistral等）的涌现确实让更多人能够使用AI能力，但训练前沿模型和定义技术方向的权力仍牢牢掌握在少数巨头手中。AI开源运动本身也充满了商业利益与社区利益的张力——Meta开源LLaMA的战略动机之一是削弱OpenAI的竞争壁垒并扩大自身的AI生态影响力，而非纯粹的利他主义。开源模型的许可证条款也反映了这种张力：LLaMA 2的社区许可证（Community License）对月活用户超过7亿的公司设置了额外限制，这实际上将Google和部分大型科技公司排除在免费使用范围之外，而中小开发者则成为Meta AI生态的免费推广者。

当一个项目的成功主要惠及资本方和内部人士时，所谓的"开放参与"更多是一种营销话术。真正值得追问的是：技术进步创造的财富，是否有可能以更公平的方式分配？还是说，资本的逐利本性注定会让每一次浪潮都重复相同的结局？历史提供了一些复杂的参照：20世纪的工会运动和社会福利制度确实在一定程度上实现了工业革命财富的再分配，但这一过程耗费了数十年并伴随着剧烈的社会冲突。AI时代是否会出现类似的再平衡机制——例如AI税、全民基本收入（UBI）或数据权益分配——目前仍是未知数。

普通参与者如何做出理性选择

对于普通从业者和投资者而言，这条推文提供了一个警醒：在参与任何科技热潮之前，务必厘清自己在价值链中的真实位置。

是核心创造者，还是外围接盘者？是掌握信息优势的一方，还是被叙事裹挟的跟随者？这些问题的答案，往往决定了最终的结局。行为金融学的研究为我们理解散户的系统性失误提供了有用的框架：过度自信偏差（Overconfidence Bias）让人高估自己的判断能力和信息质量；从众效应（Herding）驱使人在缺乏独立分析的情况下跟随大众决策；损失厌恶（Loss Aversion）则导致人在亏损时不愿止损，在盈利时过早落袋为安。诺贝尔经济学奖得主Daniel Kahneman在《思考，快与慢》中详细阐述了这些认知偏差如何系统性地导致非理性决策，而高波动、高情绪的市场（如加密货币和AI概念投资）恰恰是这些偏差最容易被触发的环境。

理解财富分配的底层逻辑，比追逐短期的暴富幻想更为重要。具体而言，普通参与者需要审视几个关键维度：自己是否拥有不对称的信息优势？是否处于价值创造的核心环节而非边缘？参与的成本和风险是否与潜在回报相匹配？在AI时代，这可能意味着与其盲目投资AI概念股或代币，不如投资提升自身在AI应用层面的专业技能，成为组织内部不可替代的价值创造者。具体而言，几个高回报的技能投资方向值得关注：AI工程化能力（将模型部署到生产环境的端到端能力，包括模型优化、推理加速和MLOps）；领域知识与AI的交叉应用（如AI+医疗、AI+金融、AI+法律等垂直领域，这些领域的核心竞争力不在于模型本身，而在于对行业规则和数据的深度理解）；提示工程与AI产品设计（理解如何将AI能力转化为用户价值的产品思维）。这些技能的共同特征是：它们位于价值创造链条中人类仍具备不可替代性的环节，而非试图在资本密集的基础设施层与巨头竞争。

结语

这条简短推文之所以引发共鸣，正是因为它戳破了科技创业光环下的一个残酷真相：技术革命创造的价值，并不会自动流向所有参与者。 VC、基金、机构和内部员工赚得盆满钵满，而怀揣"改变命运"梦想的局外人，却常常两手空空。

在AI浪潮汹涌的今天，这一提醒尤为及时。我们既要拥抱技术进步带来的机遇，也需清醒地认识到，机遇的分配从来都不是均等的。唯有理解规则、看清位置，才能在这场财富重新洗牌的游戏中，避免成为最后的买单者。