5D Library › 订阅制单位经济学、净收入留存与人工智能推理标度律 · English
序:比率背后的算术
注
这不是投资或财务建议,请先读这一段。 本书研究订阅制企业与 AI 模型推理服务的数学。它不建议投资、借款给任何公司或为其估值,书中的数字描述的是模型,不是任何真实企业。除引用的已发表研究外,全部数据都是合成的,由书中印出的程序生成。加速器价格与模型规模是示意性的,不是任何产品的报价。
订阅制企业靠比率经营:终身价值比获客成本、净收入留存、回收月数、毛利率。每个比率都把一个动态过程压缩成一个数字,每次压缩都藏起一个假设。「LTV = 毛利 / 流失率」假设每位客户以相同速率流失。「NRR 高于 100%」被当作常数来报。「LTV / CAC 大于 3」对钱何时回来只字未提。而建立在大语言模型之上的软件,有一种传统软件的比率从来不必承担的按使用计的成本。
本书把每个比率还原为它所压缩的过程,运行这个过程,找出比率在哪里成立、在哪里误导。像 5D Library 的其他书一样,它先证伪再立边界,并报告否定结果——包括本书所偏爱的模型本身出错的情形。
本书的内容
第一章用异质的队列存活取代「LTV = 毛利 / 流失率」,并问六个月的数据能预测什么。第二章把净收入留存写成一个以 100% 为门槛的微分方程,再说明高 NRR 为何不能持久。第三章计算 LTV / CAC 所隐藏的现金低谷。第四章计算一个 token 的服务成本——预填充、解码、批处理、KV 缓存——以及智能体为何要为重读自己付钱。第五章让重尾用量对上固定价格,并考察模型之间的路由。第六章比较梅特卡夫的 与 Odlyzko-Tilly 的 ,加入拥堵,并说明增长数据如何「证实」错误的定律。第七章把司马迁的「贪贾三之,廉贾五之」与计然的「无息币」同模型并读。第八章给出四步核查与一项预注册的价格检验。
本书与 5D Library 的几本书相邻,只在重叠处简短回顾:第 6 本讨论过注意力经济学与优先连接;第 11 本讨论过 AI 作为使用者假设之镜;第 19 本讨论过非遍历性与复利;第 33 本讨论过预注册与判定规则(第八章沿用);第 48 本用沙普利值讨论过营销归因与漏斗——本书不重复那些内容,也不含任何归因模型。
核对后修正的说法
- 没有哪一个流失率能给出正确的终身价值。 客户异质时,首月流失率最多把折现价值低估 −59%,成熟基数的流失率会高估它,而常见的路演数字——不折现、用成熟基数的流失率——在例子中高估 +16% 到 +48%;贝塔参数 时期望寿命为无穷大(p01)。
- 异质性模型预测得更好——直到它的结构错了。 用六个月的数据,单一流失率给出的队列价值为 1364,真值为 1966;当真相是混合时贝塔模型很接近,当每位客户的风险率随使用时长下降时它高估 +33%(p02、p03)。
- 100% 的 NRR 是一道门槛,不是一个分数。 获客恒定时,低于它收入饱和(例子中 80% 的天花板为 538),等于它线性增长,高于它复利增长(p04)。
- 高 NRR 不能持久,而且不是因为出了问题。 随着扩张填满天花板,一个队列的 NRR 从第一年的 144.1% 降到第五年的 95.7%;一家稳定公司的混合 NRR 随基数老化从 134.6% 降到 100.2%(p05)。
- LTV / CAC 藏起了现金。 单位经济学完全相同时,所需资金从不增长时的 912,868 升到月增长 10% 时的 8,320,737;三家企业中,口号比率最好的那家(4.96)需要最多的钱,折现比率却最低,为 1.80(p06、p07)。
- 输出 token、批处理与上下文决定 AI 的毛利。 批量为 1 时,8B 模型的输出成本为每百万 token 3.012 美元,输入只要 0.018;批处理把它降到 0.072;长上下文拿走了批处理(p08)。智能体循环重发历史,所以不做缓存时,一百轮对话中输出只占成本的 6.1%(p09)。
- 决定毛利的是平均用户而不是中位用户,固定价格会筛选出重度用户。 对数标准差为 2.5 时毛利率为 −36.1%;随着轻度用户更快流失,毛利率在其他一切不变的情况下从 +81.3% 侵蚀到 +77.0%(p11)。
- 梅特卡夫定律高估了价值,而增长数据能模仿它。 用户增长十倍,在梅特卡夫定律下价值增长一百倍,在齐普夫律下只有 11.60 倍;当价值服从 、变现能力每年增长 50% 时,收入对用户的拟合给出 1.91 的指数(p12、p14)。
- 把「三」与「五」读作利润率与周转率,是一种诠释。 《史记》没有解释廉贾为何赚得更多;本书的读法以模型和假说的形式写出(p15)。
标注框怎么读
标注框把已发表的证据、可运行的 Python 计算(16 段程序,只用标准库,随机种子固定,每段在构建时实际运行,真实输出印在其下)、原典、注释与作者的假说区分开;每条假说都写明什么结果会证明它错。
利益披露
作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,并创办、经营 Asia Influencer X 与 Yafu Global,在网红营销、数字营销和内容制作中使用 AI 工具,因此与本书主题有商业利益关系。作者运营的 Yafu AI 与社群平台包含订阅制软件与知识服务。本书不推销任何课程、牌卡、软件、模型提供商、投资者或基金,不使用作者企业的任何数据,也不接受任何赞助。第八章的价格检验是供任何订阅制企业使用的设计,由独立于定价决策的人员实施与分析。
Fan, Y. (2026). Subscription Unit Economics, Net Revenue Retention and AI Inference Scaling Laws: Cohort Survival Mixtures, Negative-Churn Differential Equations, Token Compute Margins and Metcalfe Congestion Limits [订阅制单位经济学、净收入留存与人工智能推理标度律] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.24090164 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).