01原理
规模经济说的是：产量或业务量越大，摊到每一单位上的成本越低。最直接的来源是固定成本被摊薄：一套系统、一条产线、一次广告投放，服务十个客户和服务一万个客户花的钱差不多。另一类来源是学习：同样的事做得越多，流程越熟、浪费越少。芒格提到的球形储罐是第三类，几何本身就偏向大的一方，容量随尺寸的立方增长，钢材只随平方增长。
芒格看重它，是因为它解释了竞争的结局。成本更低的一方可以把价格压到别人亏损的位置，或者把多出来的利润投回去扩大优势；量越大，成本越低，价格越低，量又更大。他列的品牌、分销、社会认同这些优势，本质上都是这个循环的不同入口。
但芒格在同一段话里就给它划了边界：规模带来官僚，官僚带来地盘和扭曲的激励，大公司会被更窄、更专注的对手打败。所以这个模型真正要回答的问题不是“要不要变大”，而是“在哪一块成本上，量能变成我的优势，而且这个优势不会被组织膨胀吃掉”。
对 10 人以内的 AI 公司，这个问题更具体。算力、模型训练、数据中心这些环节的规模经济极强，但它们长在别人身上；你能拥有的规模，往往在别处：同一类问题处理得足够多所积累的数据、评测集和流程，摊在越来越多客户身上的同一套产品。
为什么成立
数学上，单位成本等于固定成本除以产量，再加上变动成本。量小时固定成本占大头，翻倍的产量几乎让单位成本减半；量大到一定程度，固定成本已经摊得很薄，单位成本就趋近变动成本，再变大也省不了多少。所以规模经济有明显的递减：最陡的一段在前面。
经验曲线是另一条机制。1936 年航空工程师赖特（T. P. Wright）发现，飞机的累计产量每翻一倍，单位工时大致按固定比例下降，这后来被称为赖特定律。它和固定成本摊薄不同：它依赖的是累计做过多少，而不是现在一次做多少，所以先行者的优势可以持续下去，但前提是知识留在组织里、而且技术路线没有被替换。
02芒格怎么说
芒格在 1994 年南加大商学院演讲里用了很长一段讲“规模优势”，说它决定了哪些企业成功、哪些失败。他列了一张自己也承认不完整的清单：经验曲线、球形储罐那样的几何关系、电视广告的门槛、知名品牌带来的信息优势、社会认同和分销网络、报纸那样一家独大的倾向，以及大企业内部更细的分工。紧接着他就讲反面：规模会招来官僚、地盘意识和扭曲的激励，有时缩小、专注反而赢。
if you get a whole lot of volume through your joint, you get better at processing that volume.
如果大量的业务从你这里流过，你处理这些业务就会越来越在行。
Bigger is not always better.
更大并不总是更好。
03怎么用
- 01
先拆成本结构，再谈规模
把每单位交付的成本拆成三块：随量线性增长的（模型调用、带宽、人工审核），一次性投入后可以摊薄的（产品研发、评测体系、合规），以及随量下降的（缓存命中、批处理、谈下来的折扣）。只有后两块越大，增长才会让毛利变好；如果主要成本是第一块，量越大只是亏损或薄利放大。
- 02
买别人的规模，别自己硬造
大模型推理、GPU 集群这类环节，规模优势属于服务成百上千家客户的供应商。小团队自己租卡部署，往往拿不到足够的并发和利用率，单位成本反而更高。默认买 API，只在调用量稳定、可预测、且能把机器跑满时，才认真算自建的账。
- 03
找自己能拥有的那条经验曲线
问自己：什么东西是每多服务一个客户、每多处理一个任务就变得更好或更便宜的？可能是一类文档的解析规则、某个行业的评测集、客服问题库、交付模板。把这些沉淀成团队资产，而不是留在某个人脑子里或某次对话里，经验曲线才属于公司。
- 04
把规模红利分一部分给客户
成本降下来以后，可以全部留作利润，也可以一部分让给客户换取更多的量和更高的续费。后者让优势自我加强，前者容易让价格露出空档、引来对手。定价时把这个取舍写清楚，而不是默认每一次降本都进利润表。
- 05
用专注对抗大公司的规模
芒格举的例子里，大公司的行业刊物被只服务一个细分人群的刊物打败。小团队面对大厂时也一样：选一个窄到大公司不愿意专门服务的人群，把那里的单位经济做到最好，用专注换来局部的规模。
04案例
福特 Model T：产量上去，价格从 850 美元降到 260 美元
据亨利·福特博物馆的资料，福特在 1908 到 1927 年间生产了超过 1500 万辆 Model T，售价从 850 美元降到最低 260 美元。1913 年前后，福特和工程师从屠宰场的流水作业得到启发，把它改造成汽车的移动装配线。这是芒格说的两种规模优势叠在一起：装配线把厂房和工装的固定成本摊在巨大的产量上，而同一种车型反复造了近二十年，每一道工序都在经验曲线上不断往下走，和赖特在飞机制造里观察到的规律同出一辙。福特把降下来的成本主要变成了更低的售价，价格降低又换来更大的销量。也要看到，这条曲线绑定在单一车型上：Model T 的生产在 1927 年结束，规模和经验都押在一款车上。[2][3]
Costco：用不到 4000 个品项把量做到极致，把利润放在会员费里
芒格是 Costco 的长期董事，公司在他去世时说受益于他四分之一个多世纪的智慧。Costco 2024 财年年报写明，它每家仓储店的常规商品少于 4000 个品项，远少于其他综合零售商，并说正是大批量采购、高效配送和高周转，让它能以明显更低的毛利率盈利。年报列出的当年净销售额 2496 亿美元、商品成本 2224 亿美元，毛利率 10.92%（按 Costco 的口径，即净销售额减商品成本）；会员费收入 48.3 亿美元，营业利润 92.9 亿美元，按这两个数字估算，会员费约相当于营业利润的 52%，即一半以上（编者计算，年报未直接给出这一比例）；美国和加拿大的会员续费率 92.9%，付费会员 7620 万。这是芒格讲连锁店时说的“巨大的采购力”的放大版：品项少，每个品项的量就大，议价和周转都更好；省下来的钱大部分以低价还给会员，公司从会员费里赚钱。规模红利分给客户，客户再用续费把规模留住。[4][5]
DeepSeek 公开推理成本：规模经济长在批量和利用率上
这不是小团队案例，但它把大模型推理的规模经济摆到了台面上。2025 年 2 月 DeepSeek 在开源周最后一天公布了推理系统的细节：V3/R1 每层 256 个专家只激活 8 个，模型非常稀疏，必须把总批量做到极大，每个专家才分得到足够的计算量；解码阶段一个部署单元横跨 18 个节点。为了利用率，白天高峰把所有节点用于推理，夜里缩减推理节点，把机器挪给研究和训练。它给出的 24 小时数据是：平均占用 226.75 个节点（每节点 8 张 H800），按每卡每小时 2 美元算，一天成本 87072 美元；输入 6080 亿 token，其中 56.3% 命中磁盘上的 KV 缓存，输出 1680 亿 token。如果全部按 R1 价格计费，日收入 562027 美元，成本利润率 545%，但它也说明实际收入低得多，因为 V3 更便宜、网页和 App 免费、夜间有折扣。对小团队的启示是：这里的低成本来自巨大的并发、跨节点的批量和昼夜调度，这些都需要海量用户才能撑起来，10 人团队自己部署同类模型很难复制，更现实的做法是按量买这种规模。[6]
8 人团队要不要把推理搬回自己的 GPU
一家 8 人的 AI 写作工具公司，每月模型 API 账单越来越高，工程师提议租几台 GPU 部署开源模型，理由是“量上来了，自建更便宜”。按规模经济的思路先拆账：租卡是固定成本，不管有没有请求都要付钱；用户集中在白天几个小时，夜里机器几乎空转；为了保证高峰期延迟，还得按峰值配机器。算下来，只有当平均利用率能稳定在较高水平时，自建的单位成本才低于 API，而这家公司的流量远达不到。更合理的做法是：先用 API 的缓存和批处理接口把可延迟的任务（比如夜间批量改稿）挪过去，把单价降下来；同时把精力放在团队自己能积累的那条曲线上，比如各类文体的评测集和提示模板。等到流量足够大、足够平稳，再重新算一次。
05误用与边界
把“量大”当成目标本身
规模经济只在成本确实随量下降时成立。如果每多一个用户就多一份模型调用费和客服工作量，用补贴换来的增长只是在放大亏损。先确认单位经济在量变大时是变好还是不变，再决定要不要为规模花钱。
忽视规模不经济
芒格在讲完规模优势后立刻讲了它的缺陷：官僚、地盘、扭曲的激励、决策变慢。对小团队来说，过早招人、过早搭层级，会在还没拿到规模好处之前就先付出规模的代价。
以为别人的规模会一直是你的成本优势
你从供应商那里买来的规模（便宜的模型价格、云折扣），你的对手也能买到，它不构成护城河。而且供应商随时可以调价或者自己下场做同样的产品。真正属于你的规模，是别人买不走的那部分。
经验曲线押在会被替换的技术上
在一条技术路线上积累的经验，路线一换就可能清零。AI 领域模型迭代很快，围绕某一代模型缺陷做的大量补丁，下一代模型出来后可能一文不值。积累的应当是跨模型都有用的东西：数据、评测、对客户问题的理解。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6