Amortized-Intelligence（摊销智能 / 分摊智能）
定义
Amortized-Intelligence（摊销智能） 是指将高昂的前置 AI 训练成本（包括算力、人力、海量标注数据等）分摊到大规模的、边际成本几乎为零的推理服务（Sessions/Inferences）中的经济机制。它解释了为什么物理上样本效率极低的 AI 系统，在商业和经济学上仍然是高度可行且利润丰厚的。
物理低效 vs 经济高效
前沿 AI 在训练阶段是极度低效和昂贵的，但智能副本的“可无限复制性”彻底改变了其经济结构：
- 人类劳动力（不可分摊）：人类的学习虽然具有极高样本效率（如 20 小时学会驾驶），但其经验储存在单一生物脑中，无法通过复制文件直接“复制”给他人。每个人的经验都是非摊销的，且单人只能在有限的寿命内同时处理极少任务。
- AI 智能（极致分摊）：虽然大模型需要通过“大火漫灌”式的千亿 tokens 预训练和大量的专家任务数据（RL/SFT）来习得一项机械技能（如法务尽调、格式整理），但一旦习得，其权重便可以作为静态文件直接分发。该智能副本可以复制成数百万个实例，在数百亿个 session 中同时工作，从而使每次任务的实际摊销成本低至微秒级别。
商业价值的实现条件
摊销智能能够跑通的边界在于任务的高频性和通用性：
- 高频任务：如软件工程中的通用代码模式、常规分析报告或客服会话。这些任务在社会中总需求极大，分摊基数足够大。
- 定制化数据开销：在强化学习（RL）阶段，为了寻找正确的解法路径，实验室依然需要海量的、极度 domain-specific 的专家数据和验证环境。这促使大量标注服务（如 Mercor、Surge 等）赚取数十亿美元的收入。然而，只要这些定制化开发的高额成本能在后续的商业化大潮中被摊薄，前置的“数据黑洞”投入就符合投资回报率。
关键数据点
- 边际成本：相比前置预训练和 RL 开发的数亿/数十亿美元的固定成本，单次 API 调用的边际计算成本低了 6-9 个数量级。
- 可复用性：一个习得技能可以在全球数十亿用户并发调用中分摊，这彻底颠覆了以“人天”为计费基础的旧咨询/外包服务经济学。
前提与局限性
- 长尾/OOD 瓶颈：如果任务属于极度长尾、不可预测、需要强实时泛化的分布外（OOD）场景，摊销智能的复用效率就会大幅下降。模型将频繁因“幻觉”或规则失效而需要人类干预，或者需要重新为该细分场景投资极高昂的定制数据，此时分摊公式的分子（定制数据成本）会过大，而分母（复用频次）会过小。
关联概念
- Sample-Efficiency — 样本效率低是分摊智能机制必须去克服的物理前置成本。
- Allocation-Economy — 当智能分摊使边际生成成本极低时，经济活动的重心转向了对智能资源的分配与管理。
- Always-On-Economy — 摊销后的智能副本可以 24/7 不间断运行，促成了永在线经济的形成。
- Enterprise-AI-Factory — 智能工厂是生产和持续优化这种可分摊权重资产的物理机构。