AI 抛售与数据并不相符：顶级 AI 投资人拆解算力周期Invest Like The Best

我其实想被吓到。我不想像个疯子一样，看着这些股票越来越便宜，却还觉得未来预期回报越来越高。我这周来这里的主要任务，就是给自己的判断做压力测试：请告诉我一个真正的坏消息。但到目前为止，我还没有找到一个能用量化指标表达的负面变化。底层基本面仍在改善。我们录制时，英伟达的预期市盈率处在过去十年的最低位置，这意味着市场百分之百认为它的盈利预期被严重高估了。

加文，我们上次录节目才过去两个月。模型发布周期在缩短，我们两次播客之间的间隔也在缩短。照这个速度，我们已经是在按模型发布节奏见面了。

我也听到了批评。有人说，我们过去几次节目差不多都录在市场局部高点。至少这一次，没人还能这么说了（笑）。

这个月太疯狂了。你现在脑子里最重要的事情是什么？

我会把 7 月形容成“把 2022 年压缩进一个月”。确实有一些基本面上的负面因素，我们应该认真谈；但综合来看，我认为基本面反而显著改善。很多 AI 股票从高点下跌了 50% 到 60%，更保守地说，是在一个月里直线下跌 40% 到 60%。节目开始前我问你：你在湾区待了整个夏天，有没有听到过任何一个关于 AI 的负面量化指标？

没有。有没有任何一个指标出现减速？也没有。相反，几乎所有指标都在加速。而且这不是一群兴奋的 AI 信徒凭空乐观，他们能从不同位置拿出数据。

无论从哪个角度切入，结论都类似。GPU 可用性、GPU 租赁价格、当月 DRAM 现货价格、Token 增长，都在加速。问题之一是，公开市场看不到 Anthropic 和 OpenAI 的真实经营情况，也看不到美国那些把开源推理商业化的云服务商，例如 Fireworks、Baseten、Modal、Together。把这些公司纳入视野，图景会完全不同。

开源模型的增长非常快。原字幕提到的名称疑似包括 GLM 5.2、Kimi K3，以及 Nemotron 一类模型；这些名称可能有自动字幕误识，但方向很清楚：开源推理量在迅速增加。OpenAI 的增长在加速，Anthropic 也持续强劲增长，而且很可能已经产生可观的自由现金流。

市场常看一张图：一边是半导体公司的现金流上升，另一边是超大规模云厂商的自由现金流被资本开支压低。那张图漏掉了私有模型公司，也漏掉了另一个极其重要的事实。2024、2025 年，即便最乐观的人，也只认为 GPU 租金会缓慢下跌；悲观的人认为它会断崖式下跌。几乎没人想到，到了 2026 年，旧 GPU 的租赁价格还会垂直上升。

当时很多公司以为自己很聪明，提前签了长期合同。

是的。很多新云厂商也不得不签，因为它们需要承购协议来融资购买 GPU。结果是，现有算力的合同价大幅低于当前现货价。随着合同到期，算力会以更高价格重定价；即便未来现货价格从高位回落，旧合同仍可能向上重定价。这会带来明显的收入加速，也会回答“这些投资有没有回报”的问题。

这个季度已经能看到一些迹象。看经营现金流而不是自由现金流，微软、Meta 和亚马逊合计的增长率大约从 28% 加速到 32%。季度里有不少一次性项目，比如数十亿美元级别的法律费用和欧盟罚款；若做适当调整，增长可能接近 35%。对这样体量的公司来说，这是实质性的加速，而且还发生在 Rubin 大规模上线、旧合同重定价之前。

我们能不能按时间顺序复盘一下，市场是怎么走到今天的？

第一件事是，Meta 要把一部分算力出租。市场立刻把它解读为极度利空：Meta 有过剩产能，要削减资本开支，AI 建设要出问题。但事实并非如此。Meta 随后的财报没有削减资本开支。更合理的解释是，它看到市场里某些拥有大型算力集群的公司，能把针对交易或特定工作负载优化的集群，以远高于长期合同的价格卖出去，于是发现了新的高回报机会。

当时市场还猜测 Meta 可能融资。它也许想先拿一小部分容量证明可以获得很高的内部收益率，再融资扩大资本开支。后来事情未必完全按这个路径发展，但“出租算力等于需求不足”的解释一直缺乏证据。我们能看到不少关于 Meta 资本开支计划的遥测数据，没有一项显示它踩刹车，反而还在变得更激进。之后它还发布了近来最好的模型之一。原字幕把模型名识别为 Muse 1.1，也可能存在误差；无论准确名称是什么，模型质量明显提升，只是被另一款更受关注的模型发布遮蔽了。

接着是 Kimi 一类开源模型发布，引发市场对“开源会摧毁商业模型和算力需求”的恐慌。同时，一个按 Token 收入或价格构建的指数出现下滑和走平，市场把两件事连在一起。但那个指数捕捉的是收入结构，不是全部 Token。使用从昂贵前沿模型转向便宜开源模型时，同样数量甚至更多的 Token，会对应更低的收入，因此收入指数可能变差，底层计算量却仍在增长。

从物理意义上说，一个 Token 仍然需要 FLOPs、内存和电力。当然，不同模型的 Token 并不完全等价，但大方向是：开源夺取份额，主要拿走的是前沿模型层的高毛利，而不是把底层计算消灭。价格下降还会产生需求弹性，让用户生成更多 Token。Anthropic、OpenAI 和开源模型最终都运行在云与芯片基础设施上。于是，利润池可能从前沿模型层转移到基础设施层。

这也是为什么黄仁勋一直强力支持开源？

对。他当然可能出于理想主义和美国竞争力考虑支持开源，但如果开源根本性损害英伟达，他大概不会把它当成自己的标志性议题。一个只有一两家前沿模型、长期收取接近 90% 毛利的世界，对人类和社会也未必好。我们希望存在很多模型。

市场刚消化开源叙事，又听到中国有了 DUV 光刻设备，于是半导体设备股集体抛售。很多股票被放在同一个篮子里交易，一条新闻就能造成巨大波动。但我认为真正需要担心的是另一件事：实际利率上升、信用利差扩大，以及债务在 AI 建设融资中的占比提高。

这并不意味着建设已经主要依赖债务。绝大部分资本开支仍由经营现金流支付。但当实际收益率上升、债券利差扩大时，市场会问：如果现金流不足，接下来那些数据中心、GPU 和电力项目还能不能融资？这才是能改变整个资本周期的变量。

Meta 最近发行了一笔债券，定价并没有像人们想象中那样优厚。多个相关公司的 CDS 走阔，信用利差和实际收益率都上升。很聪明的私人信贷投资人会说，这只是银行在对已经承诺的风险敞口做对冲，属于正常现象；但无论如何，图表看起来不漂亮。CDS 上升、利差扩大、实际收益率上升，都是不可否认的事实。

如果这轮建设必须靠债务维持，那就真的很可怕。债务驱动的建设要求快速回款，只要供需略微失衡，系统就可能迅速反向。这正是互联网泡沫时期发生的事情。但如果大部分建设仍由经营现金流支持，信用市场的压力就更像约束，而不是立即终结周期的力量。

Ramp 是为财务团队设计的支出与资本配置平台，主张通过更好的数据和自动化，让团队更精简、更快速，并称客户平均每年可节省约 5% 的支出。WorkOS 帮助 AI 与软件公司快速完成企业级身份、权限与基础设施工作。Rogo 的 Felix 是面向金融工作的智能代理，可以根据公司的模板、邮件与上下文生成演示文稿、Excel 模型和有来源的研究材料。

所以未来六个月最重要的观察之一，是建设对信用的依赖程度。经典资本周期的问题，就是大家开始用债务过度扩张。

完全正确。债务融资会要求项目马上还钱。如果供需错配一点点，去杠杆就会很快。我的判断——可能对，也可能错——是现有算力的合同价与现货价之间存在巨大差距，因此未来重定价会释放大量现金流。

可以做一个粗略模型：新一代 Blackwell、未来 Rubin，以及仍在使用的 Ampere 等旧卡，构成庞大装机基础。超大规模云厂商未来的经营现金流合计可能达到 1.3 万亿到 1.4 万亿美元。只要算力合同价格适度向现货靠拢，现金流就可能进一步上升。按节目中的估算，行业潜在经营现金流甚至可能接近 2 万亿美元，从而减少大约 7000 亿美元的外部信用需求。数字当然依赖许多假设，但逻辑是：重定价能够把“债务问题”转化成“现金流桥接问题”。

如果合同重定价带来更高收入，信用指标会怎样变化？

收入和经营现金流上升，会让债务与现金流之比迅速改善。当前市场看到的是资本开支先发生、回报后出现，所以最容易在时间错位中恐慌。Blackwell 上线初期尤其如此：公司先花钱建设大型集群，很多容量用于训练，暂时没有直接对外出售；于是报表里先看到巨额资本开支，却看不到相应收入。我把它叫作 Blackwell 的“空档期”。

市场本来愿意看穿这个空档，直到 7 月突然不愿意了。讽刺的是，经营现金流恰好在这个时候开始加速。未来几季需要验证三件事：第一，Anthropic、OpenAI 和其他私有 AI 公司是否继续增长；第二，低价长期合同到期后是否真的向上重定价；第三，超大规模云厂商能否用经营现金流而不是债务支付资本开支。如果三项成立，信用市场的担忧会明显缓解。

以前的几次下跌都有一个明确催化剂。2022 年是利率与科技估值重置，DeepSeek 发布时市场担心模型效率，所谓“解放日”又有宏观冲击。这一次似乎没有一个同样清晰的原因。

对。除了信用条件收紧，我没有找到一个能解释如此大跌幅的量化变化。我希望自己能给出更确定的答案，但最诚实的回答是：我不知道。市场有时会在没有单一原因的情况下，把一组模糊担忧快速放大。

多头逻辑也不是没有条件。它依赖未来现金流真的出现，而不是永远停留在“几年后会变好”的幻灯片上。如果合同没有重定价、使用量没有变现、私有实验室的收入放缓，今天的信用压力就会从暂时性问题变成结构性问题。

我在一家初创公司看到一个很直观的例子。它租用 B200 集群，七个月前每张 GPU 每小时的价格在 2 美元中段，现在接近 4 美元，涨幅大约 50% 到 60%。另一家推理云预计续约价格可能翻倍。这里不是说每一份合同都如此，而是说明“算力价格必然快速下降”的共识，与实际市场并不一致。

如果现货价格上升，而超大规模云厂商仍按旧合同供给，它们实际上是在低价出售已经安装的算力。

正是如此。它们的装机基础正在低于市场价变现。合同到期后，即使现货价比今天低一些，重定价仍可能显著向上。市场只看到了资本开支，却没有把装机基础的隐含价格期权算进去。

有没有真正偏负面的数据？

我看到过一条关于 Anthropic 第三方使用量的曲线，短期低于趋势。这可以算一个值得注意的负面点。但单看一条曲线不够，因为 OpenAI 与开源推理的总量还在加速。若多个独立数据源都显示实验室收入与 Token 量持续放缓，那才会改变判断。

英伟达自己的 Nemotron 一类模型也可能逐渐接近前沿水平。若芯片公司通过开源模型推动更多推理，价值链会更复杂：模型层的毛利可能下降，但芯片、内存、网络和云的利用率上升。市场不应该把“前沿模型毛利受压”自动等同于“AI 基础设施需求下降”。

录制时，英伟达的预期市盈率处于过去十年最低水平。整个半导体篮子的估值，除了“解放日”和 DeepSeek 恐慌附近，很少这么便宜。市场显然认为当前盈利不可持续。市场也可能是对的，我并不是说不存在风险；我只是仍然找不到与估值折价相称的负面量化证据。

这也是一种很不舒服的状态：价格告诉你一定有坏事，而你在数据里找不到它。

对，所以我才说我想被吓到。我的任务不是为持仓辩护，而是找出自己遗漏的变量。

Anthropic 的股东怎么看？

他们很愿意告诉你业务数字很好，但谈到潜在 IPO 配售时又会非常谨慎（笑）。这本身不能当作证据，只能说明私有市场与公开市场掌握的信息不对称。

7 月里，Grok 与 Cursor 相关变化也很重要，甚至可以说具有转折性。模型能力、代码产品使用和企业采用都在向前走，但股票却按“AI 需求见顶”的叙事交易。市场在多个故事之间迅速切换：Meta 出租算力、开源模型、DUV、信用利差，每一个都先被当成终局，再很快被下一个故事替代。

我有位 Fidelity 的朋友说，那段时间最有效的做法，就是尽快做出最简单、最表面的判断，然后迅速轮动到下一件事。

这句话很准确。大家不是在建立一个持续更新的因果模型，而是在追逐当前最容易表达的叙事。除信用之外，许多触发抛售的解释事后看都不完全符合事实。

更有意思的是，如果信用真的突然不可用，已经安装并通电的 FLOPs 反而会更稀缺、更有价值。融资困难会限制新增供给，却不一定降低即时需求。所以“信用收紧”对未来建设是利空，对现有可用算力的价格却可能是利多。这种二阶效应经常被篮子化交易忽略。

你还提到一种“多样性崩溃”的解释。

对，原字幕中的人名不够清楚，可能是在引用一位研究复杂系统或资本周期的投资思想家。意思是，当所有人使用同样的数据、同样的模型和同样的风控语言时，市场参与者的判断会越来越相似。一旦分歧减少，交易行为就会同步，价格反而更容易出现非线性波动。

现在每个人都把新闻、财报、电话会文字稿和研究报告丢给 Claude、Claude Code 或自己的智能代理。它会不会正在改变市场结构？

我认为会。Claude 是概率模型，但在相同材料和相似提示下，它经常给出相似的解释。假设数百家基金同时问：“这条新闻对半导体供应链意味着什么？”它们得到的框架、风险点，甚至建议交易方向，可能高度重合。大家以为自己在独立研究，实际上共同依赖一个认知中间层。

我开玩笑说，Claude 正在变成股票市场的 Walter Cronkite——所有人都信任的新闻主播。它非常聪明，大多数时候也很有帮助，但它仍会犯错。如果它在一个模糊问题上形成偏见，很多人会在同一时刻以同一方式犯错。

这会让价格发现更快，也可能让错误传播更快。

对。一个例子是日本电容器股票。过去需要三年完成的正常行业周期，市场可能在六周里就交易完了：先识别短缺，再把利润率、扩产和估值全部提前反映。基本面没有那么快变化，是信息处理和资金动作变快了。

这不意味着不该用模型。相反，模型是不可思议的研究工具。但投资者必须知道，自己的“独到结论”也许是同一个模型同时给几百个人的结论。真正的差异可能来自一手数据、与供应链的直接交流、不同时间尺度，以及愿不愿意在模型说“不确定”时继续调查。

技术上有没有什么变化，可能从根本上降低算力需求？

我最近最关注的是持续学习和更高样本效率。人类并不是先阅读 300 万亿 Token 再开始工作。一个人一生接触的高质量语言数据可能只有数百亿 Token，却能在现实世界中不断学习。今天的大模型先进行巨大规模的预训练，再通过后训练和推理提高能力。如果未来模型只需要在约 10 万亿 Token 上训练，然后像人一样在环境中持续学习，单次大训练的需求可能下降。

这值得认真对待，也可能造成一段训练算力的“空档”。但训练已经逐渐成为总计算量中更小的一部分，推理占比在上升。即使持续学习提高了训练效率，模型在真实世界里学习、调用工具、执行任务、产生长链推理，仍然需要大量推理计算。

一些新实验室，包括 SSI 之类的团队，也在研究更高效的学习路径。

是的。这对世界是好事，也不一定对基础设施是坏事。更聪明、更便宜的模型会被更广泛使用。问题在于效率提升与需求弹性谁更快。每次单位成本下降，人们都会把 AI 放进更多工作流，生成更多 Token。

这是我近期听到的最重要技术反例之一。它不像“某家公司租出一点算力”那样容易被证伪，而是可能真的改变训练与推理的比例。但我仍要强调：我们不知道。对于如此快速变化的技术，最危险的行为就是把一个可能性直接写成确定的终局。

让我们把反方说清楚。什么证据会真正击穿你的论点？

第一，超大规模云厂商的经营现金流没有如期增长，而新增数据中心必须依靠越来越多债务。若债务成为边际融资来源，实际利率和利差会直接决定建设速度。第二，GPU 租金持续收缩、可用性明显改善，客户开始说“我们有太多卡，找不到工作负载”。第三，OpenAI、Anthropic 和其他实验室的合计收入或 Token 用量进入平台期甚至下降，而且开源增长不足以扩大总体市场。

到目前为止，我没有听到任何人说自己 GPU 太多。相反，人们仍在为卡、电力和集群排队。但这只是当前状态，不是永恒规律。若供给在某个时间点超过需求，GPU 这种高折旧资产的价格也可能迅速下跌。

多模型未来会怎样影响需求？

我认为企业会拥有自己的模型组合。它们可能用专有数据对开源模型做监督微调和强化学习，把大多数任务路由给自己的模型；遇到难题时，再调用最强前沿模型做验证或裁判。这样做可能把成本减半，甚至更多。

但“成本减半”不等于“计算量减半”。其中很大一部分节省来自利润结构变化：前沿实验室可能收取 80% 到 90% 的推理毛利，而开源推理云可能只有约 30%。当利润从模型层移除，用户能用同样预算生成更多 Token，底层芯片与云资源仍会被消耗。真正需要比较的是每个任务的总 FLOPs、内存访问与电力，而不是 API 账单金额。

现在一些公司引入路由器，是因为 AI 预算消耗得太快。

对。有些团队发现，它们消耗 AI 预算的速度比计划快 20 倍，于是用路由器把简单任务交给便宜模型，只把最难的部分交给前沿模型。路由会降低单位任务成本，但通常也会让更多任务变得经济可行。预算没有消失，而是覆盖更多工作。

因此我会持续看四组数据：实验室总收入、开源推理量、GPU 租赁价格，以及云厂商经营现金流。任何一组短期波动都不足以定论；若它们同时转弱，那才是强信号。

需求增长最终由谁付钱？如果 Token 支出不断上升，它来自新增生产力，还是来自劳动力预算？

最理想的答案是增长。公司因为 AI 创造更多产品、服务更多客户、获得更高收入，于是愿意购买更多算力。更悲观的答案是劳动替代：公司减少招聘或裁员，把工资预算转向模型和 Token。现实可能两者都有。

采用速度非常不均衡。AI 原生公司已经把模型深度嵌入工作流，而美国非沿海地区、欧洲和大量传统企业仍在早期。欧洲甚至常常在真正使用技术之前先讨论监管。今天真正高频使用“智能体式 AI”的人，可能只有 25 万到 50 万；即便数字有误差，它与未来可能的 1 亿、5 亿用户仍不在一个数量级。

AI 原生公司已经在用 Token 替代人了吗？

很多时候不是大规模解雇，而是“不再按旧速度招聘”。它们以更少的人完成更多收入，毛利润或收入除以全职员工数持续上升。疫情后，许多创始人领导的科技公司经历过过度招聘，今天反而非常克制。若 AI 只是一次裁员工具，我们应该看到更激进的人员削减；但许多高增长公司选择让人和 Token 一起工作。

我听到的一个经验区间是，Token 支出可能达到员工薪酬的 20% 到 25%。Dylan Patel 和 SemiAnalysis 提过大约 30% 的水平，我甚至听过个别公司达到 50%。这些数字不应当泛化到所有企业，但它们说明 AI 预算已经足够大，不能再被视为普通软件订阅。

全球知识工作支出可能约 25 万亿美元。假设长期有 20% 转移到 AI，就是 5 万亿美元级别的潜在市场。当然，我更希望这 5 万亿来自新增产出，而不是把同等规模的人赶出工作。真正健康的牛市逻辑，是人类借助模型扩大经济，而不是单纯压缩工资。

有数据支持“花更多 AI 费用的公司增长更快”吗？

Cognition、Ramp、Stripe 等公司发布的指数里，AI 支出更高的公司往往增长更快。但要小心行业混杂：本来增长最快的 AI 公司当然也最愿意买 AI。相关性不等于因果。不过在一线观察中，很多团队确实用模型缩短开发周期、提高销售效率、减少后台工作。

这不仅属于软件工程师。水管工、暖通空调公司、电工和其他本地服务企业，也可能用智能代理接电话、安排路线、报价、采购和跟进客户。真正的大市场不是让旧金山的程序员再快 20%，而是让几千万传统工作者第一次拥有低成本的数字化运营能力。

我们谈谈内存。现在几乎所有组件都短缺，很多吉瓦级项目不是没有 GPU，而是无法按时通电。

对。电网接入、变压器、涡轮机、柴油备用机、冷却设备和施工能力都可能成为瓶颈。行业正在用非常规办法适应，甚至讨论改造航空发动机式涡轮来发电。硬件供应链不是一条线，而是一组相互制约的瓶颈。

内存市场也从短期涨价故事，转向长期协议，也就是 LTA。买家预付资金，承诺采购量，双方设定价格下限和上限。内存厂商放弃一部分现货上涨时的超额利润，换取更长期、更稳定的需求与资本开支可见性。

过去大家常说，大客户最终会压低供应商价格。

今天的博弈不完全一样。规模化购买 AI 算力的主要平台至少包括亚马逊 Trainium、谷歌 TPU、AMD 和英伟达，其中英伟达的规模远大于其他几家。它们都需要先进内存。增加每个 FLOP 可用的内存，常常能提高每单位计算产生的 Token，因此内存不是可有可无的附属品。

我把这称作一场“权力的游戏”。买家不只在谈今年价格，也在争夺 2027、2028、2029 年的产能配额。假设某家客户在现货转弱时撕毁协议，它也许短期省钱，却可能失去下一轮紧缺期的优先供应。供应商会把有限产能给更守约的竞争者。

这改变了传统周期。即便某一年出现短暂过剩，行业也可能很快重新回到短缺。因为 AI 需求增长快、建厂周期长，而且每个客户都害怕被竞争者拿走未来配额。一次违约的代价不只是当季价格，而是几年后的市场份额。

以前苹果那种超级买家可以迫使供应商让价。为什么 AI 买家不能复制？

因为今天不是一个买家对许多弱供应商，而是多个强买家争夺少数关键供应商。若某家客户违反价格承诺，供应商也可能解除数量承诺，把产能给它的竞争者。对于正在争夺模型能力和云市场份额的公司，这个风险远大于多付一点内存价格。

LTA 因此不仅稳定供应商盈利，也强化了最有融资能力、能提前承诺巨大采购量的平台。英伟达在这方面尤其有优势：它的需求规模、客户网络和系统设计能力，使供应商更愿意围绕它扩产。短期看，内存厂商放弃了一部分上涨弹性；长期看，它们换到了更耐久的现金流。

对买家而言，协议同样是一张战略保险。你可以在过剩时抱怨价格高，但一旦下一代模型突然需要更多 HBM 或 DRAM，没有配额就无法把 GPU 变成可用系统。签协议的真正目的，是确保自己在最需要的时候不会被排除在供应链之外。

你说 GPU 是最容易融资的资产之一。英伟达在这个环境里扮演什么角色？

英伟达正在从单纯卖芯片，变成撮合土地、电力、融资、云运营商和最终客户的平台。很多项目的问题不是没有需求，而是开发商缺少资本，或承购合同不足以支持银行贷款。英伟达可以利用自己掌握的需求信息，帮助一方找到另一方。

我看到一种正在形成的新结构：第三方信贷机构提供贷款，英伟达可能投资少量股权，或者在 GPU 价格底线之上获得一部分收入分成。它不是传统意义上的“厂商直接给客户贷款”，更像为项目套上一层信用包装，并分享项目成功后的上行。

现金是可替代的。即便贷款不是英伟达直接提供，只要它投入股权或收入承诺，效果仍然是帮助客户拿到更多资金。

对，所以不能只看法律形式。经济实质是：英伟达利用资产最可融资、需求最可见的优势，为生态系统搭桥。若项目收入低于某个水平，GPU 本身和合同提供保护；若收入高于底线，英伟达通过分成获得类似云服务的持续收益。

内存公司其实也可以采用类似逻辑。Hynix 或其他供应商不一定只按片卖 HBM，也可以用长期协议换取更耐久的收入，甚至参与客户的上行。这是 LTA 思路的延伸：供应商放弃一部分当期最高价格，换取长期份额与更稳定的资本回报。

黄仁勋能看到几乎所有大型实验室的进展，也能接触大量初创公司、云平台与主权客户。他仍然对总需求极其乐观，并在生态系统广泛投资。这不是证明他一定正确，但它是重要信息。若最接近需求的人持续加码，我们至少应该解释为什么他看错，而不是只因股价下跌就假定需求已见顶。

这种结构也像一座桥，帮助行业跨过资本开支先发生、经营现金流稍后才出现的阶段。

正是。它提高了英伟达每吉瓦可获得的收入，也强化它相对于其他芯片平台的竞争位置。初创芯片公司往往以更高价格购买晶圆和 HBM，融资成本更高，也缺乏同样广泛的开发商与客户网络。除非它们采用真正不同的架构，否则很难只靠“芯片便宜一点”打破这种系统优势。

这似乎变成一种博弈：每家实验室都知道过度购买算力可能损害财务，但谁也不敢先减速。

是。假设 Anthropic 在某个阶段比别人更激进地获取算力，它可能迅速拉开差距。但 OpenAI、Grok 以及其他团队后来又追上来。现在没有人愿意轻易踩刹车，因为模型差距会影响用户、开发者、企业合同和融资估值。

Dario Amodei 讲过一个很准确的困境：买太多算力，可能把公司拖入财务危机；买太少，又可能输掉模型竞赛。每家公司都在这个区间里做概率判断。即使管理层认为行业总体投资过多，也会担心自己成为唯一节制、因而落后的玩家。

所以宏观上可能有过度建设，微观上每个参与者的加码又都理性。

对，这就是资本周期最难分析的地方。不能因为每个项目都有客户、每家公司都有战略理由，就断言总供给永远不会过剩。但也不能用历史数据中心周期机械套用，因为今天的需求增长、模型竞赛和现金流来源都不同。

最值得观察的是，谁在用经营现金流购买算力，谁在依赖短期债务；谁有真实用户与收入，谁只有一纸承购协议；以及新集群上线后，利用率能否迅速上升。只要通电后的算力不断被吸收，军备竞赛就会继续。

Vanta 为企业自动化安全与合规工作，服务超过 1.6 万家公司。它把持续监控、供应商评估、证据收集与治理风险合规流程放在同一平台，并推出全天候运行的智能代理；节目称其可让部分供应商评估速度提高约 50%。

Ridgeline 为资产管理机构提供统一技术平台，希望把投资管理、数据治理与运营放在一个可信来源中。它强调自己不是单一软件供应商，而是长期技术伙伴，帮助机构在规模扩大时减少系统割裂。

湾区的人比你更乐观，还是更悲观？

大体上比我更乐观。有人给出非常极端的牛市情景，例如 H100 一年的租金达到 25 万美元，或现货价格再上涨许多倍。这不在我的核心概率范围内。我对股票可能很乐观，但相对于生态系统里的最激进预测，我反而偏保守。

极端上行情景来自一个乘法：算力规模增加，单位算力利润提高，推理服务的利润率也提高。三个变量同时上升，结果会非常爆炸。但开源模型会压低部分推理利润率，所以不能把每一层都按最高数字相乘。

回到中国 DUV。有人说中国仍落后二十五年，也有人说从“没有国产设备”到“有一台设备”是相变。两句话能同时成立吗？

能。制造先进光刻设备需要长期学习曲线，中国不能瞬间跳过几代工艺。即使有一台 DUV，也不等于明天就替代 ASML 的全部出货。但从完全依赖外部供应，到拥有可继续迭代的国内平台，确实是重要相变。

市场的问题是把五年、十年的竞争变化，立即交易成 ASML 当季基本面崩溃。它也许是长期重大事件，却未必意味着短期订单消失。节目里还提到过中国可能通过各种渠道获得 EUV 相关技术或设备的传闻；我没有能力验证，所以不能把传闻当事实。

中国非常有能力，也非常投入。美国不应低估这种承诺。但先进制造依赖设计、材料、光源、镜头、工艺控制和大量现场经验，不存在“瞬移”式赶超。最合理的判断是：长期影响很大，市场短期反应可能过度。

出口限制和脱钩会不会让双方越来越走向独立体系？

会，而且这是自我强化的。限制越严，中国越有动力建立本土设备、芯片和模型；本土能力越强，美国越担心竞争并继续限制。投资者需要同时看到安全政策的合理性和它对供应链长期重构的推动。

对美国 AI 初创公司来说，中国开源模型接近前沿，再加上 Fireworks 一类平台提供低成本定制，是巨大礼物。它们不必从零训练基础模型，也不必把所有毛利交给一家前沿实验室。它们可以拿开源模型，加上自己的数据与强化学习，迅速做成垂直产品。

我见过一些 AI 初创公司在大约九个月内做到 5000 万美元级别的收入或自由现金流。不是因为它们简单包了一层界面，而是因为它们拥有领域数据、客户工作流和持续反馈，可以训练自己的模型。

Fireworks 的 Nexus 一类产品试图把这个过程变得极其简单。节目中的说法是，只需很少几行代码，就能接入企业数据、训练强化学习模型，再配置路由。精确产品名与实现细节应以官方资料为准，但核心变化是：以前只有大实验室能做的后训练，现在越来越像普通企业基础设施。

这些公司会怎样组合模型？

一种典型结构是，最强前沿模型处理 30% 到 60% 的高难任务，剩余任务交给企业自己的开源模型。前沿模型负责规划、判断、审查与极难问题；便宜模型负责执行大量重复步骤。通过路由与任务分解，整体效率可能提高十五倍左右——这个数字是节目中的估算，不是普适定律。

护城河来自专有数据与反馈循环。一个通用模型不知道某家保险公司的理赔规则、某家医院的流程、某个工业设备的历史故障，也不知道客户偏好。企业把这些数据用于监督微调和强化学习后，模型会更贴近具体任务。

这也降低了对单一前沿供应商服务条款的依赖。创业公司不希望自己的核心产品永远受制于某家 API 的价格、速率限制和使用政策。拥有一个可控模型，即使能力略弱，也能提供成本、隐私和稳定性优势。

但这是不是又回到“包装层没有护城河”的争论？

只有界面、没有数据和工作流的包装层确实脆弱。可一旦产品在真实业务里积累独有数据，模型表现与客户流程相互强化，它就不只是包装。我们不应该用 2023 年的“套壳”概念解释 2026 年的垂直智能体。

最强的反方是什么？

最大化版本的反方是递归自我改进：某个前沿模型能力大幅领先，可以蒸馏出从高端到低端的所有模型，以极低成本覆盖每个任务。这样，企业就没有必要自己维护开源模型，价值会重新集中到最强实验室。

我不认为这是最可能路径，但必须对它保持谦逊。若一家实验室真的拥有持续、巨大且可复制的能力领先，它可以用最强模型生成训练数据，再把知识压缩进便宜模型，形成完整产品梯度。开源生态会受到严重压力。

另一方面，AI 原生公司拥有自己领域的数据，并且需要可控性。即使最强模型智商像 160，便宜模型只有 120，也不代表便宜模型没有价值。一个 160 智商的“总指挥”可以规划任务，很多 120 智商的执行模型完成具体工作。编排层越聪明，便宜执行层反而越有用。

这类似公司组织：最稀缺的人做判断，不需要亲自完成每一个步骤。

对。模型路由也是资本配置。把昂贵 Token 留给真正需要的环节，把大量标准化工作交给低成本模型。若省下来的预算被用于更多任务，基础设施用量仍会增长。

Together、Modal、Baseten、Fireworks 等推理平台的增长速度，接近早期前沿实验室，却没有同样高的烧钱程度。它们的存在说明，价值链不必只有“模型实验室”一个赢家。前沿模型可能保留最大单体价值，开源模型可能获得大多数 Token，而基础设施仍从两边受益。

所以你真正最担心的不是模型路线，而是监管？

是。技术效率、路由和开源都会改变利润分配，却未必减少总计算需求。监管可以直接阻止数据中心建设、限制电力接入，或者让项目在最需要扩张时停下来。这是我认为最大的风险。

纽约出现过数据中心暂停或限制建设的政策讨论，这说明监管风险不是理论问题。政治叙事很容易变成：数据中心抬高电价、消耗大量水、占用土地，却不给当地带来足够就业。只要公众接受这个版本，审批、输电和建设都会变慢。

行业通常怎样回应？

回应得不够好。数据中心可以做在电表后面，自己建设电源和基础设施；有些项目还能通过税收和长期协议，降低当地居民电价，为医院、学校、警察和消防提供资金。建设期会创造大量工作，运营期也需要电工、水管工、暖通空调技术人员、维护与升级团队。这些是高薪、难以外包的蓝领岗位。

在我有生以来看到的产业发展项目中，数据中心可能是提高蓝领工资最有效的一类。当然，这是我的判断，不是所有地区都会自动受益。行业必须认真设计社区收益，而不是只在审批会上承诺几个岗位。

问题是，错误叙事跑得比事实快。节目里提到一本书把某项 AI 用水数据夸大了约一万倍，后来作者承认计算有误。这个具体案例应继续核实，但它说明一个普遍现象：一个惊人的数字会迅速传播，纠正却很少获得同等注意。

这让我想到“大力水手因为小数点错误才吃菠菜”的故事。

对，原字幕把 Popeye 识别成类似“Papaya”的词。这个轶事本身也可能包含后来被简化的传说，但传播机制是一样的：一句好记的话，比复杂事实更有生命力。

AI 行业需要更主动的公共沟通。可以建立基金会、行业组织或政治行动委员会，在体育比赛等大众媒体里解释项目如何提供电力、工作与社区资金。不能只在科技会议上对已经相信 AI 的人说话。

同时，还要解释为什么要建设这些系统。AI 正在科学研究、药物发现和医学领域带来进展。节目提到 ASCO 等医学会议出现前所未有的成果，具体疗效需要由医学证据逐项验证，但大众能理解的核心是：这项技术可能帮助患病的家人。行业内部常把好处视为不言自明，公众并没有共享同样的信息。

除了监管，还有哪些技术路线可能改变英伟达与 HBM 的地位？

SRAM 加速器是一类值得注意的路线。它们把大量高速内存放在芯片上，不完全依赖 HBM，也可能使用较老制程制造，因此在 HBM 紧缺时具有吸引力。

推理可以拆成不同阶段。首先是 prefill，也就是读取提示词和上下文；随后是 decode，逐步生成输出。decode 又可以粗略拆成注意力计算和前馈网络计算。不同部分对算力、带宽、延迟和内存容量的需求不同。

理想系统也许不是一块芯片包办全部工作，而是让最适合的芯片分别承担任务：一类芯片高效处理 prefill，一类带 HBM 的芯片处理需要大容量和带宽的注意力部分，SRAM 芯片承担部分前馈网络。通过系统级调度，成本和延迟都可能下降。

那为什么 SRAM 还没有直接取代 GPU？

最大问题是固定比例。芯片上的 SRAM 容量与计算单元比例在制造时就确定了，但真实工作负载不断变化：上下文长度不同、批量不同、模型结构不同、注意力与前馈网络占比也不同。若芯片为一种比例优化，换到另一种工作负载就可能闲置部分资源。

所以我把它看成系统中的专用加速器，而不是简单的“GPU 杀手”。它能提高投资回报，缓解某些内存瓶颈，却也增加编排、网络和软件复杂度。未来赢家可能是能把多种芯片组合起来、让开发者几乎感觉不到异构性的系统平台。

在这些新架构和平台里，你看到哪些暗马？

原字幕提到的一些人名和公司名并不清晰，其中一个听起来像“Lee Buu”，需要回看音频确认。我更确定的是 Fireworks 的 Lin，以及 Cognition 的 Scott Wu 一类创始人。他们非常接近真实工作负载，知道企业在模型能力、成本与延迟之间如何取舍。

我们也该谈谈 SpaceX。公开市场究竟该怎样理解它的算力身份？

原字幕在这一段反复说 SpaceX，但其中部分语境也可能涉及 Elon Musk 生态里的 xAI 或相关实体。为了忠实于字幕，我沿用 SpaceX，同时保留这个歧义。我的核心判断是，相关业务在“上市”或更公开化之后，基本面明显改善：模型能力提高，Grok 4.5 一类发布获得关注，Cursor 相关业务或合作加速，而且它把大型算力通电的速度与成本表现得非常强。

市场最容易忽略的是吸收能力。大量新算力上线后，没有造成明显价格下跌，工作负载很快填满。若一家公司能比别人更快、更便宜地把电力转成可用 GPU 小时，它本身就在建立基础设施优势。

这会让“SpaceX 是数据中心公司”的玩笑越来越像事实。

是。传统分类把火箭、卫星、模型和数据中心分开，但在 Elon 的体系里，低成本发射、电力工程、网络、芯片集群和模型训练可能相互增强。投资者若只按单一行业模板估值，可能看不到组合价值；当然，也可能高估协同、低估执行难度。

有一份公开报告推测相关公司可能在十八个月内增加八吉瓦算力。我引用它只是因为报告公开，不代表我认同数字。八吉瓦极其庞大，把这些 GPU 真正通电非常困难。我不认为实际结果会接近完整八吉瓦，但我也不愿轻易赌 Elon 的团队做不到令人惊讶的事情。

有人概括他们的风格：“我们专门把不可能的事情做晚。”

这句话太好了（笑），而且很有道理。他们经常没有按最初时间表完成，却最终实现了别人认为不可能的工程。

利率和融资成本已经上升，早期合同也可能亏损。空头会说：未来现货算力价格下跌 90%，大量新供给上线，收入远低于预期。这是可能发生的情景，不能排除。节目里还用每吉瓦约 500 亿美元的变现能力、下一年约 730 亿美元共识收入，以及 Grok、Cursor 在很短时间达到约百亿美元年化收入等数字做比较；这些数字来自口语与自动字幕，应视为方向性估算。

现实中，能在一年增加超过 500 兆瓦算力的主体很少，主要是超大规模云厂商、CoreWeave、Crusoe，以及原字幕所说的 SpaceX。后者建设速度快、成本低，而且客户喜欢它的集群。市场似乎没有充分计入它可能带来的算力规模。

但真正让我兴奋的是轨道计算。我在 Starbase 花了很多时间，感觉它每天都更接近现实。最近看到 Starship 着陆非常震撼。Benchmark 投资了 StarCloud，一家轨道计算公司；节目称 SpaceX 可能让它使用 Starlink 的激光通信技术，这对轨道数据中心非常重要。

我把 Benchmark 的投资当作一种理智检查。它们并非来自 Elon 生态，却愿意在没有 SpaceX 内部发射成本优势的情况下，以不低的估值投资轨道计算。也许我疯了，Elon 疯了，Benchmark 和 SpaceX 工程师也都疯了；但这么多人同时完全错误，概率似乎没那么高。

我们是不是该说明，今天正坐在 Benchmark 的办公室里？

对，我们就在 Benchmark 那张举办著名晚宴的桌旁录制（笑）。感谢 Benchmark，也特别感谢 Eric 和所有帮忙协调的合伙人。

一年后再回头看这些股票，我们就会知道谁对谁错。

未来是概率分布，不是确定答案，但这是一个非常令人兴奋的时刻。

若我们继续按模型发布周期录节目，可能几周后又见面了。

没问题，也许还在 Benchmark。每次和你讨论都很开心。

小优势会随着时间复利，投资如此，公司运营也如此。Ramp 把企业支出系统视为资本配置系统，通过数据与自动化帮助团队做出更好的决策。Vanta 随企业增长自动化合规，并提供安全与风险的统一信息来源。Ridgeline 以长期伙伴方式服务资产管理机构，帮助它们扩大规模、改善运营。WorkOS 帮助 OpenAI、Cursor、Perplexity 等 AI 与软件公司快速获得企业级基础设施，让团队把精力放回产品。原字幕在片尾最后一句中途截断。