律师林上伦在一篇评论文章中提出，当生成式技术让文字、代码和图表的产出成本逼近于零，真正更具防御力的资产，往往不是更容易在线复制的数字内容，而是那些带有实体稀缺、线下信任和非公开经验门槛的事物。
他以近年实体宝可梦卡牌与经典球员卡拍卖行情持续走高为例，认为这类收藏品并未被数字技术压制，反而因为稀缺性、历史共识，以及第三方线下评级认证而凸显价值。
从卡牌行情切入“抗 AI”资产逻辑
林上伦写道，最近与美国硅谷工程师、产业界资深前辈和董事长交流时，讨论最终都指向同一个问题：当生成式技术把文字、代码和图表的生产成本压低到接近零，究竟什么样的资产与服务才具备真正的防御力，也就是最“抗人工智能”。
在他看来，实体收藏品市场提供了一个直接的观察样本。这几年，实体宝可梦卡牌和经典球员卡的拍卖行情不但没有被数字科技打垮，反而持续创下新高。背后的逻辑很简单：凡是能够在数字环境中被无限复制、快速生成的东西，其边际价值会迅速下滑；相较之下，具备实体稀缺性、历史共识，并经过线下专业机构物理封装和严格评级认证的资产，价值会更突出。
文中提到，算法可以在一秒内画出大量精美图案，但无法在现实中凭空生成一张 1999 年印刷、带有时间痕迹、并经过第三方实体鉴定的初代卡牌，例如初代喷火龙或刺甲贝。文章也点名 PSA、BGS 这类评级认证机构，认为经第三方机构评级认证的初代卡牌，是“抗 AI 资产”的典型例子。
传统专业领域的三类天然壁垒
林上伦进一步把这种现象对照到专业服务和企业市场，认为真正具备抗替代性的，往往也是那些不能被算法在线随意替代的维度。
资安、合规与数据隐私验证
第一类壁垒，是严格的数据隐私规范和国际资安验证。文章指出，市场上不少看似聪明的通用型助手，本质上只是套在公用模型外层的界面，缺少严谨的数据保留政策。在高价值专业市场里，客户更在意的通常不是生成速度，而是一旦出问题，谁来承担责任。
他认为，真正能够签署数据不外泄协议，并取得国际标准化组织资安认证的合规体系，与常见通用工具之间存在明显门槛差异。
线下人脉信任与专业商务开拓
第二类壁垒，是线下的人脉信任和专业商务开拓。林上伦表示，顶尖专业服务机构或企业软件公司，往往会投入大量精力建立能够深入一线的专家团队。
在专业场景中，客户本身多是重视细节的专家，标准化演示难以形成说服力。只有深入理解痛点，并通过面对面互动建立的长期信任网络，才具备较强的抗替换性。
深藏于实务中的非公开经验
第三类壁垒，是沉淀在专家实务中的非公开经验。文章称，公开网络上的法条、判例或公开文件，模型都可以读取，但真正关键的细节常常并不在网上。
他举例称，这类知识可能包括特定法官偏好的争点整理格式、加州生殖医疗合同中的免责处理细节，或海外设厂时的特殊查验流程。这些隐性知识，需要依赖资深实务专家长期积累，外部通用模型并不能直接抓取。
AI 产品应把“抗 AI 元素”逆向植入架构
围绕产品设计，林上伦提出，如果“抗 AI”的资产正在逆势涨价，那么 AI 产品架构师和创业者最致命的错误，就是打造一个“纯 AI、易复制、缺乏实体锚点”的漂浮工具。
他主张，具备长期定价权的 AI 产品，应该把那些“抗 AI”的实体和制度性要素封装进系统架构。
将评级与认证机制做成产品能力
第一，是把“实体评级与认证机制”产品化，也就是 Verification as a Feature。文章称，宝可梦卡牌需要 PSA 鉴定盒来证明真伪，未来 AI 产出物无论是代码、法律摘要、医疗建议还是财务模型，最大的痛点都可能是“生成过剩，但信任不足”。
在这种情况下，优秀的 AI 产品不应只强调生成速度，还需要内建专家验证工作流、引用来源溯源标签和确定性验证机制。谁能为 AI 产出提供类似“实体评级盒”的确定性背书，谁就更有机会获得溢价。
建立专属隐性知识的私有反馈闭环
第二，是打造封闭式的专属隐性知识反馈闭环，也就是 Private Feedback Loops。林上伦认为，如果模型依赖的是公开互联网数据，产出结果就难以形成真正防御力。
因此，产品设计需要建立一套机制，让领域专家在日常操作中，顺手把线下经验数字化。当顶尖律师、资深工程师或医生在系统内进行修改、标注和纠错时，这些未公开的实务直觉，就会转化为系统独占的私有微调资产。
文章把这类资产比作实体老卡牌，认为其会随着时间推移变得更稀缺，而外部通用模型无法直接获取。
把责任承诺与合规架构放到底层
第三，是把责任承担和合规架构做成底层核心，而不是外挂。林上伦指出，通用 AI 卖的是“概率”，专业客户买的是“确定性和责任归属”。
他写道，产品在早期架构阶段，就应纳入最高规格的数据隔离安排，例如地端私有化部署选项、零数据保留架构、国际资安合规标准，以及合同级别的责任承诺，并把这些内容直接纳入产品交付清单。
当客户看到的不只是一个对话框，而是一整套可以通过法务和资安部门严格审查的防御体系时，转换成本就会变高。
保留人机协同的最后一公里
第四，是坚持人机协同的最后一公里，也就是 Human-in-the-Loop Delivery。文章认为，最成功的专业 AI 产品，未必追求 100% 全自动化，而是把 AI 定位为“超级专家的力量放大器”。
具体做法是通过线下高质量顾问与商务网络，把 AI 深度嵌入客户现有的实体工作流程。算法处理 80% 的繁琐结构化工作，剩余 20% 的关键决策和人际沟通由专家把关，从而形成“技术 + 真人信任”的双重壁垒。
作者观点：真正的护城河在算法之外
文章最后总结称，生成式 AI 的普及，本质上是一场“数字边际成本归零”的通胀过程。在产出无限过剩的环境下，能够锚定实体稀缺、真实信任、私域知识和责任验证的事物，才更可能迎来价值释放。
林上伦认为，未来 AI 竞争表面上比的是模型参数和推理速度，底层真正决定胜负的，是谁能把这些“最抗 AI 的元素”更巧妙地封装进产品和商业模式中。