看 AI 公司榜单时有个观察很有用：两家收入体量接近的公司，人均创收可能差一个数量级。差别通常不在管理效率，而在生意本身——一个是抽佣加卖数据的交易所逻辑，另一个是按人头交付的服务逻辑。
法案网站上几乎每一条都挂着总统的名字。核心内容在三大支柱，第一条是加速美国国内的 AI 创新，其中最实质的一项是移除繁文缛节式的监管。
对照着看会更清楚：同期国内 9 月 1 日上线了 AIGC 内容标识的规定。一边在加规则，一边在减规则——这种此消彼长本身就是竞争的一部分。
第二条支柱是用前沿 AI 来保护前沿 AI，属于安全叙事的常规部分。
有个框架把这件事讲得比较具体，本质是不断学习新发现的特征，并持续优化它。拆成三步：
一、构建特征——所有特征都来源于 agent 与世界互动的过程。
二、提出子任务——在感知过程中形成了某个新特征，就为它构建一个子任务去优化。
三、强化学习——子任务一旦提出，就用 RL 反复练，和一万小时定律是一回事。
举的例子很形象：小孩碰响了一个铃铛，然后就想方设法让铃铛再响一次——为此他要学会走到门口、学会怎么去动它，这些都是为那个子任务派生出来的能力选项。
榜单上有两家收入体量差不多的公司，人均创收却差了一个数量级，其中一家高到人均四千多（美元量级）。
拆开就明白了：那家公司表面上是撮合交易的双边市场，靠抽佣；但真正的大头收入是卖数据。
所以它是交易所逻辑，不是服务逻辑——收入不随人头线性增长。这也解释了为什么看 AI 公司不能只看营收规模，人均创收这个指标往往比总收入更能说明它到底在做什么生意。
同样的差距也出现在 To B 和 To C 之间：两家做应用生成的公司，销售额的杠杆完全不在一个量级上。再往榜单下面看，基本就是客服、法律这类垂直行业服务了。