美国“赢下 AI 竞赛”为什么可能反而危险
我觉得，如果美国真的“赢了”，反而可能会非常有问题。先假设一个最夸张、最科幻的情景：谁控制了 AI，谁的军事实力就比世界上任何其他国家都强。那么从博弈论上说，中国的最优反应是什么？会不会干脆把台积电炸掉？
如果我们走到一个美国拥有实质性优势的阶段，尤其是军事和国家安全层面的优势，我认为那对全世界都非常危险。
Ben，难以相信我们上次这样聊已经过去这么久了。那时候世界完全不同，甚至还没有今天意义上的 AI。我们主要谈的是聚合理论，今天肯定还会再聊到。既然世界变化这么大，我想从一个有趣的问题开始：你觉得“美国赢下 AI 竞赛”到底意味着什么？
我的答案还是：我觉得美国如果真的赢了，可能会非常有问题。
对华依赖、台积电与美国真正的优势
再把刚才那个最夸张的场景说完整一点：假设控制 AI 以后，你的军队基本上就强过所有人；甚至假设 AI 神奇地解决了美国制造业的所有问题——虽然我其实不认为 AI 会自然做到这些，因为制造业面对的是物理世界。那么在这种世界里，中国从博弈论上最优的选择是什么？还是把台积电炸掉。
博弈论当然可以被讲得非常绕、非常复杂，但这件事在我看来并没有那么复杂。这也是我和硅谷很多论述、尤其是某一家实验室传出来的说法之间最根本的分歧：如果美国取得了真正显著的优势，尤其是军事实力和国家安全层面的优势，我觉得那会让世界变得更危险。
但如果已经到了那一步，风险真的只体现为台积电被炸吗？因为按这个假设，美国到时候应该已经能在本土建设一定规模的晶圆厂，也不再那么依赖这一个单点瓶颈。
我觉得这里存在一点“魔法式思考”。刚才我自己也用了这种假设，好像制造业可以被轻易搬回来。但不只是晶圆厂，还有执行器、各种零部件、上游前置环节。美国对中国的依赖程度被严重低估了，而且除非真的发生冲突，否则这种依赖很难被彻底修复。
原因很简单：修复它在商业上往往“蠢得不可思议”。如果你的竞争对手继续从中国采购，而你决定把供应链搬到美国，你的成本劣势会大到让你根本不会这么做。只有在你真的别无选择的时候，你才会这么做。
对非常醒目的大项目，政府确实能施压。比如可以逼 Apple 把一部分 iPhone 制造迁到印度。但这个例子本身也说明了问题：Apple 并没有真正离开中国，它只是做了一定程度的多元化。彻底搬走的成本太高了。
这就像买一份保险。如果这份保险贵得离谱，而你当前又不是非买不可，你就不会买。因此那种“美国最终会完全脱离中国，以后中国想不想打台湾都无所谓、对美国毫无影响”的假设，在我看来非常幻想。我觉得这类讨论缺少一点面对现实的意愿。
那你把自己放到他们的位置上。你觉得推动这套叙事的人，动机是什么？
每个人都喜欢一个好用的假想敌。从 AI 交易和投资叙事来看，没有什么比“我们必须击败中国”更有效。我也确实认为美国需要和中国竞争、需要保持竞争力。
但过去几年，尤其在政治层面，我很失望的一点是：美国有太多回应方式反而是在试图变得像中国。我认为方向应该完全相反：更开放、更多创新、更少自上而下的控制、更少言论限制，诸如此类。美国的成功方式一直是在最前沿，并且继续向那个方向推进。
你刚才说，美国在 AI 上形成纯粹、绝对的统治地位，不是世界最理想的终局。那你理想中的全球均衡是什么？
我觉得现在的 AI 格局有一点像台湾问题：当前的现状其实并没有那么糟。真正的问题是它可不可以持续。也许它比大家以为的更可持续。
我目前的看法是：OpenAI 和 Anthropic 显然在最前沿。Google 到底处于什么位置，我们还不完全知道；然后 Grok 和 Meta 在追赶。与此同时，中国团队非常有能力、非常聪明，也显然在通过蒸馏这些模型，把自己维持在大约落后六到九个月的位置。总体上，这个均衡对美国有利，而且我觉得还不错。
六到九个月的领先，能不能变成永久领先
问题是，这种状态能维持多久？中国能不能真正反超？我仍然有一点怀疑。由于种种原因，要到达真正的最前沿很困难；尤其最后那六到九个月的差距，我认为非常难跨越。
Meta 和 Grok 最终能不能追上，会非常有启发性。尤其当我们进入“AI 用 AI 来改进 AI”的阶段——我认为这绝对是真实存在的——最近 OpenAI 和 Anthropic 都出现了很明显的加速。以前这只是理论上的推演，现在看起来正在成为现实。
如果这种递归改进真的成立，那后来者究竟还能不能追上？这是一个核心问题。
还有另一个问题：这种优势在多大程度上也会体现在服务成本、也就是边际成本上？如果你能用 AI 优化整个技术栈、分析所有运行数据、找出效率瓶颈，那么你的 cost to serve 会不会在结构上低于所有人？
这也是为什么我觉得“开源模型是免费的”这种说法很奇怪。成本看的是边际成本。你还是得运行推理。像 GLM 或 Kimi，Kimi 的服务成本就很高，每个答案的成本明显更高。
所以大家不断把这些模型叫作“免费”，会让人脑子里产生一种“免费就是免费，我现在可以免费使用 AI”的错觉。不是的。你可能不用为研发这个 AI 的前期投入付钱，但你肯定要为运行推理付钱。
因而，就当前这个时点来说，我其实挺喜欢现在的格局。当然最直接的反驳是：“那只是现在，不可能永远这样。”这个反驳很公平。但我不知道我们现在到底能从未来学到什么，才能更有把握地判断最终均衡会落在哪里。
你真正想知道的变量是什么？是 S 曲线有多长吗？我们现在爬到 S 曲线的什么位置？这些模型总有一天会趋于平缓——也许不会。什么信息最能帮助你判断未来？
我担心最近大家围绕 Mythos 的恐慌，以及 Hugging Face 那次事件，最后真正造成的结果不是危险减少，而是大家干脆停止发布东西。这样一来，外部世界反而失去对真正前沿位置的判断。
现在大家对 Mythos 的理解，很多是建立在 Fable 上。但 Fable 相对 Mythos 到底好到什么程度？这两者之间的差距未来很可能只会越来越大。那会制造一种虚假的安全感。
还有一个我也没有答案的问题，就是递归改进：AI 让 AI 本身变得更好，会不会导致某种“起飞”？
归根结底，这里面有很多不同层面的时间问题。而我现在最担心的，其实是另一个时间错配：投资回报产生的收入，能不能及时赶上继续投资所需要的钱。
AI 的资金问题：如果世界先“没钱了”
我担心的是，真实的投资回报来得太慢，产生不了足够收入来支撑下一轮投入。我们正在一路沿着资本曲线往下走。
一开始用的是自由现金流。然后大型科技公司冲进债券市场，而且把债务市场能提供的空间消耗得非常快——大概一年时间，就已经到了 Google 开始发行股票的地步。Nvidia 也在组织一个大约 5000 亿美元的安排，试图把养老金、保险公司的浮存金之类的资本都引进来。
那再下一步是什么？下一笔钱从哪里来？理想状态当然是绕一圈，重新回到由自由现金流来支持这一切。但如果中间存在一个缺口，如果我们没能足够快地走到那个阶段，就可能出现一次非常大的爆炸。
可即便真爆了，AI 也不会消失。它不会停止进步，它还是会继续发展。就像今天回头看互联网泡沫、铁路时代，或者历史上任何其他泡沫：对当时很多具体的人来说，它们可能极其毁灭性，但放到整个人类历史的尺度上，泡沫本身最终并没有那么重要。
铁路时代到底教会了我们什么？那是不是上一次同等量级的基础设施建设？如果按 GDP 占比算，它是不是最大的？
我觉得我们现在也许已经更大了，或者至少在同一个量级。
对。铁路有一个真正严重的期限错配。修铁路并从铁路上赚到钱，是十年甚至几十年的事情；但你得在短期内先发行证券、先拿到钱、先把铁路建出来。最后的结果是：世界把钱用完了。
我觉得这就是为什么大家总拿铁路做类比。所有人都在问：“算力够不够？电力够不够？”也许更近、更现实的问题是：“钱够不够？”听上去很荒谬，但 1870 年代真的发生过——世界就是没钱了。
有趣的是，铁路没有因此消失。它们继续运营、继续拓展美国西部，对 GDP 的贡献巨大，而且直到今天都还在贡献。甚至可以非常字面地说：当年的铁路钱，现在正在通过 Berkshire Hathaway 流进 Google。
这太好笑了。
是，非常字面意义上的。Berkshire Hathaway 本身就很好地说明了问题。对我来说，Nvidia 的这笔交易，要和 Google 发行股票这件事放在一起看。Google 居然要发股票，这件事真的让我很震惊。
为什么会震惊？
因为它是 Google。你会想：他们怎么可能需要这样筹钱？如果他们如此相信这个机会，为什么还要通过增发把未来上涨的一部分让出去？
但 Berkshire Hathaway 的类比很有意思。粗略地说，Berkshire 有 See's Candies——这是一个著名的、利润率极高的生意。高利润率生意有一个问题：你的百分比回报可以很高，但能够再投资进去的绝对金额很有限，也就是再投资跑道有限。
没错。结果就是现金不断积累。
Berkshire 买 BNSF 铁路的高明之处就在这里：把 See's Candies 产生的利润拿去投入一个利润率差得多的行业，但那个行业可以吸收的资本绝对规模巨大，因此即使利润率更低，最终产生的绝对利润反而大得多。
BNSF 在 2025 年左右，一年产生的自由现金流，甚至比 See's Candies 整个历史期间产生的自由现金流还多。一个是低利润率生意，一个是极高利润率生意，但绝对利润完全不是一个量级。
所以一旦你的资本规模大到某个程度，你就会开始生活在“绝对数字”的世界里，而不是“百分比”的世界里。
Google 会不会把 Search 变成自己的 See's Candies
我之所以觉得 Berkshire 的故事这么有意思，是因为它似乎捕捉到了 Google 正在发生的变化。所以 Berkshire 去投资 Google，也非常有象征意义。
Google 有一个不可思议的高利润率业务：搜索。它是有史以来最完美、最漂亮的商业模式之一，也是最纯粹的聚合器。它在每个方向都能扩张，几乎不需要额外资本投入，边际成本接近零，简直完美。
与此同时，AI 机会需要天文数字般的投入，是一个巨大的现金焚烧炉。但如果 AI 本质上就是“智能”，它的总潜在市场基本覆盖所有白领工作，未来再加上机器人，甚至可能覆盖更多事情，那么即使利润率更低，这里的绝对利润空间也可能大得多。
所以也许未来回头看，Google Search 就像 See's Candies。这感觉就是正在发生的事情。
在这样的世界里，你先用掉所有自由现金流——他们已经做了；然后进入债券市场，融资规模达到数千亿美元——他们也已经做了；然后发行股票。发行股票的本质，是稀释原有股东的权益，让每个股东持有这块蛋糕更小的比例。
但如果这块蛋糕最后变得大到不可思议，那么持有一个更小比例的超大蛋糕，股东最终不会抱怨。我因此觉得 Berkshire 出现在这次 Google 股权融资的叙事里非常有象征意义：Berkshire 不只是 Google 的投资者，它有没有可能也是 Google 下一阶段的模型？
接下来是一段 Ramp 广告。Ramp 是一个面向财务团队的平台，主张让团队更精简、更快、更好；据广告称，企业平均每年可节省 5%，Ramp 客户的营收增长速度是美国普通企业的 3.2 倍。Visa、Vercel、Cursor、Stripe、Notion、ElevenLabs、Shopify 以及另外 7 万家企业都在使用 Ramp。节目主持人也说自己的公司在用。详情见 ramp.com/invest。
接下来是一段 WorkOS 广告。OpenAI、Cursor、Anthropic、Perplexity 和 Vercel 有一个共同点：它们都使用 WorkOS。要让企业大规模采用产品，需要提供 SSO、SCIM、RBAC 和审计日志等核心能力。广告称，与其花几个月自己建设这些关键能力，不如通过 WorkOS API 在“第 0 天”就获得它们。详情见 works.com。
接下来是一段 Rogo 的 Felix 广告。Felix 被描述为一个个人金融代理：给它一个提示，它可以按照公司已有的模板、上下文和标准，生成可直接交付给客户的成品。比如发邮件说“把这些评论整理成文档”或者“结合这些邮件的上下文更新我的 tracker”，它会返回 PowerPoint、Excel 模型和带来源的研究材料。详情见 rogo.ai/felix。
AI 能力的边界：可验证领域与不可验证领域
先不谈商业和竞争。单纯从技术判断来说，你刚才的描述显然已经很“AI-pilled”了。和这个领域里其他人相比，你觉得自己到底有多看多？
我的看法有点矛盾：在一些方面极度看多，在另一些方面又没有那么看多。比如我还没有完全被“能力可以普遍泛化”这个论点说服。
AI 在写代码这件事上显然非常不可思议。想到仅仅一年前，人们还在自己一行一行写代码，甚至会让我觉得难以置信。它在数学上当然也非常强。
但最明显的反驳是：代码和数学都是可验证领域。真正的问题是，有什么有说服力的证据表明，“在可验证领域做得极好”会自然、干净地转化成“在不可验证领域也做得极好”？或者那些反馈和验证周期非常漫长的领域，也会同样被解决？我觉得这件事仍然没有定论。
我之前在一个有实验室人员参加的 panel 上提过这个问题。让我有点恼火的是，他们把我当成了 AI 空头，说：“以前大家也觉得我们解决不了国际象棋、解决不了围棋，结果我们不也很容易解决了吗？”
但我的回答是：我从来不觉得国际象棋和围棋解决不了。它们都是有确定规则、结果可知的领域，规模化确实是两者的答案，而且它们本身都是有边界的问题。
所以真正该找的例子，不应该又是国际象棋、又是围棋，而应该是一个真正进入新空间、面对不可知问题、完成以前不可能完成之事的例子。这就是我没有被完全说服的地方。
不过，粗略地说，AI 是在整个互联网的数据上训练的。有人会说：这相当于把全人类思想都蒸馏进去了。
不，它蒸馏的不是“全人类思想”，而是人类思想最后留下来的成品状态——比如你最后在 Reddit 上敲出来的那段文字。模型没有思维轨迹。它并没有看到你在写出一条评论、写出一篇文章之前经历了什么想法、情绪和推理。
假如我们把 Neuralink 之类的东西也放进来想呢？也许 Neuralink 真正的回报，不是传统意义上的脑机接口应用，而是能够捕捉人类思考过程的“轨迹”。如果这些数据真的被捕捉到，会不会显著扩展模型能力？
如果是这样，我关于“可验证性”的担忧，也许会通过更多、更好的数据来解决。
但我的直觉是：世界上数量极其庞大的工作、极其庞大的经济活动，其实并不发生在那些我不确定 AI 是否擅长的模糊领域里。现实中有很多人，某种意义上就像“有意识的 AI”：拿到清晰任务，在可验证领域执行，而且执行得很好。
这么说多少有点对人类悲观，但这个市场实在太大了。即便模型从今天开始完全不再进步，经济机会仍然巨大。
我以前写过一篇文章。大家知道有“加速主义”这套说法，我当时称自己是“勉强的加速主义者”。因为我们已经回不去了，所以必须继续向前；最糟糕的事情，反而是卡在当前这个状态。
因此，在 AI 对经济的影响、以及它最终可以货币化出的上行空间上，我是非常看多的。我真正没有把握的是时间。
那通往这个未来的梯度是什么样？比如法律或医学。法律某种程度上像代码；医学也有一套当前状态下的知识。你会把它们算作可验证领域吗？
我认为医学绝对是最大的机会之一。
医疗、监管，以及人类无限制造需求与阻力的能力
医学既是最大的机会之一，也是最难的机会之一，因为监管太多、数据访问限制也太多。
如果你真的能把机器学习、把 AI 放到所有医疗记录上，短时间内能发现多少新东西、改进多少治疗方案，可能会非常惊人。这是非常乐观的一面。
反过来问：这到底什么时候能发生？
我对人类最乐观的一种表述是：我们创造新需求的能力几乎没有上限。所以从长期来看，我们会非常擅长创造新的机会、新的工作。
更悲观的表述则是：我们制造繁文缛节、阻力和泥潭的能力同样几乎没有上限。今天经济里有相当一部分工作，本质上就是我们不断创造出来的“让人忙起来”和“让事情慢下来”的工作。
聚合理论到了 AI 时代还成立吗
回到 2010 年代早期。也许“聚合理论”当时已经在你脑子里酝酿，后来你在 2015 年正式发表。公平地说，那套理论几乎定义了上一个科技时代谁是赢家、谁是输家。你现在怎么看这一轮？从财务回报和市值的角度，什么理论或原则会定义这个时代的赢家？
这是个好问题。老实说，就连“聚合理论本身在这个时代到底还能适用多少”，我都经常来回摇摆。
聚合理论有一个关键组成部分：零边际成本。零边际成本会以很多方式体现。我一开始最关注的是分发。
比如有人说：“我没有分发渠道，所以得付钱给 Google 帮我带来用户。”其实不对。你有网站，你已经有分发能力。你真正缺的不是 distribution，而是 demand。你买广告，买的是需求。
聚合器之所以控制需求，是因为在一个供给极度丰富的世界里，最困难的问题不再是“怎么分发”，而是“怎么发现”。用户怎么找到真正感兴趣的东西？在某个领域里最擅长解决发现问题的公司，会逐步支配那个市场，并形成一个不断自我强化的正反馈飞轮。这就是聚合理论最简化的版本。
另一个要点是交易成本。Google 可以扩张到全世界，而且不仅用户端可以扩张，变现端同样可以。Google 或 Meta 的绝大多数广告主，从头到尾都不会和 Google、Meta 的员工说一句话。他们直接在线购买广告，整个流程都由计算机完成。从商业意义上说，这些计算机几乎不增加成本。
AI 显然改变了这一点，因为推理成本是真实存在的。
但“有多真实”呢？
至少现在非常真实。
当然取决于公司，但和之前那些例子相比，确实真实得多。
不过这里的跨度大得惊人。今天绝大多数人使用 AI，可能只是把它当 Google 替代品、菜谱生成器，或者其他轻量工具。我怀疑服务这些用户的成本其实非常低，可能已经接近给用户返回一个网页的成本。边际成本会高一点，但不会高很多。
另一个极端，是那些真正利用 test-time scaling 的人。以前规模化主要靠把模型做得越来越大；现在还可以沿“思考时间”这条轴扩展：你愿意让模型想多久？几天、几周，甚至几个月都可以。
这就是直接的边际成本。模型每多思考一秒，就会多花钱。因此，把“AI 推理成本”当成一个单一问题，本身就会误导。
免费 ChatGPT 用户问个菜谱，和一个研究者让模型尝试证明数学定理，根本不在同一个成本宇宙里。
我觉得企业市场把这种矛盾展示得尤其清楚。Microsoft 最近在调整企业套餐，比如推出一个每用户每月 100 美元的 E7 套餐，其中包含一定用量，但超额之后还要按使用量收费。
这对 Microsoft 是一个有点危险的位置。过去 Microsoft 最有吸引力的地方，是“企业需要的东西我几乎全有”。每一个组件不一定都是最好的，但你付一个价格，大多数东西都能工作，而且彼此大致整合。对中小企业，甚至很多大型企业来说，这非常有价值，因为省心。
可一旦客户开始认真思考“我到底每个月为 Microsoft 花多少钱”，事情就变了。
按席位收费的稳定世界，被 token 用量打破了
这不只是多了一个采购决策。首先，Microsoft 过去的收入和员工人数天然绑定。企业每招一个员工，就会在这个员工的总成本里顺手塞进每月 50 或 100 美元的软件许可费。客户几乎不用专门思考它，这对 Microsoft 是一种“无脑收入”。
但如果改成按使用量收费，每个月都得重新问一次：我这个月到底愿意花多少？这会引入至少两个问题。
第一，大多数公司的预算制度根本不是这么运转的。它们通常一年做一次预算，而不是每个月根据 AI 用量不断调整预算分配。组织习惯的是一次性的资本开支决策，或者类似“一开始做决定，后面就不用再想”的固定成本。
员工成本虽然不是 capex，但心理上很像：招聘那一刻做了决定，之后这个成本就被视为既成事实。但 usage-based pricing 会逼着你每个月重新做一次决定。
第二，如果企业每个月都盯着 Microsoft 的账单问“我们到底用了多少”，它迟早会进一步问：“那我到底买了什么？每一个产品到底好不好？是不是应该拆开采购，换成别家的最佳产品？”
Microsoft 又不得不这么做，因为最极端的重度用户真的会消耗大量 token、真正发挥 AI 的能力，他们给 Microsoft 带来的成本远超每月 100 美元，固定价根本兜不住。
所以 Microsoft 想保住一个微妙的平衡：绝大多数员工继续留在固定成本模式里；只有极端重度用户需要让客户“多想一点”。但又不能让客户想得太多，因为一旦客户认真审视每个组件，整套捆绑模式会以非常意外的方式被拆开。
那些“做菜谱”的轻度用户服务成本这么低，可到现在似乎还没有出现一个特别优秀的商业模式来承接他们。Google、Facebook 在上一代把消费者商业模式几乎做到极致，为什么 AI 公司还没有解决？你惊讶吗？
我很挫败，但不惊讶。这个市场显然应该由广告支持。广告一直都是消费者市场最自然的商业模式。
硅谷大概每隔十年就得重新学习消费者的两条规律。第一，消费者不想为软件付钱。第二，消费者根本不在乎“更高效”。
SaaS 早期已经经历过一遍。对我来说，最典型的公司就是 Dropbox。
Dropbox 刚出来时是一个不可思议的产品。我在商学院时期就是非常早的一批用户，疯狂把邀请码发给别人，所以直到现在我的免费 Dropbox 还有很多存储空间。
Drew Houston 做出了一个极其顺滑、极其简单的产品，而且他非常明确地想做消费者公司。后来有那个著名故事：他和 Steve Jobs 见面，Apple 对收购 Dropbox 有兴趣；Dropbox 说想独立做一家公司，Jobs 的回应大意是“你这是一个 feature，不是一家公司”。
Apple 后来确实把最朴素的文件同步做成了 iCloud Drive 一类的功能。Dropbox 早期增长极快，但随后经历了大约两年的低潮。
那两年里，他们几乎不得不从底层重写整个应用。原因是消费者愿意付钱的人不够多，而企业能看到生产力价值、愿意付钱。
可你一旦卖给企业，就得有权限系统、管理控制、管理员设置等企业能力。Dropbox 最初的应用架构根本不是为这些东西设计的，于是只能重构，并接受一个现实：真正赚钱的路，是卖给公司。
为什么公司愿意付钱？因为公司本来就在给员工发工资。只要软件能让员工更高效，公司对这笔人力投资的回报就会上升。
消费者不想提高生产力，广告才是自然商业模式
消费者恰恰相反。他会想：“我已经工作一整天了，回到家为什么还要更高效？我只想躺在沙发上刷 Reels。”AI 也会面对这个现实。
与此同时，硅谷一直对广告有一种笼罩全局的怀疑甚至羞耻。我写 Stratechery 很早就开始“欣赏广告”。回头看我最早写广告的文章，方向上大致没错，但质量其实很一般；可它们获得了巨大关注，原因只是当时几乎只有我在认真写广告。
那个人人都想写博客、人人都泡 Twitter 的时代，没有人愿意谈广告。直到今天，硅谷仍然有一种尴尬：这个行业很大一部分收入明明来自广告，但大家好像不愿承认。
特别是过去大约八年，Facebook 被视为“很脏、很恶心”的生意，最好的工程师不想去做广告问题。
于是你看到 OpenAI 几乎在以 100 倍规模重演 Dropbox 的故事：一开始说“不，我们要向消费者卖订阅”。他们确实卖出了很多订阅，但还不够。
如果你要真正做大众消费者市场，最终就必须做广告。现在 OpenAI 终于开始做广告了，只是这个转向有点奇怪：与此同时他们又像突然惊醒一样说，“糟了，我们还得攻企业市场，因为 Anthropic 在那边把我们打得很惨。”我还不太确定他们最终想把战略落在哪里。
不过广告相关功能确实在快速上线。比如支持和零售商连接、传递购买是否完成的信息，这样广告主就能做归因和 tracking。我非常想看这条路会怎么发展。
如果 ChatGPT 一爆红，OpenAI 就立刻全力做广告，我觉得他们现在可能已经拥有一个极强的广告产品。Google 会比现在危险得多，Meta 也会比现在危险得多。
因为消费者广告有一个非常强的飞轮：你对消费者的变现能力提高时，承担价格上涨的其实是广告主，因此面对消费者几乎没有价格弹性的问题。
如果你直接向消费者收费，每次涨价都要问：“涨到什么程度，用户会反抗、降档，或者直接取消？”Netflix 的订阅模式长期都面对这个问题。向人收钱很难。
免费把东西给人，就容易得多。
对。所以 OpenAI 没有更早追这条路，让我非常挫败。
算力短缺不是今天投资不够，而是几年前投资不够
你最近和一些大资金机构、资本来源聊了很多。你感觉他们现在的风险偏好如何？他们怎么看未来？今年的资本开支好像会到 8000 亿美元左右，明年目前的估计大概是 1.3 万亿美元，之后还会继续往上。更奇怪的是，每一批新算力一上线，几乎立刻就能被用光。
关键就在这里。现在同时存在好几种时间错配。Twitter 上的多头一直说：“算力不够，算力不够。”这当然是真的，但今天算力不够，是因为 2023、2024 年投入得不够。
顺便说一句，如果你认为算力不够，那就看看 TSMC：它在 2023、2024、2025 年的增长速度反而下降。所以未来几年，算力短缺很可能还会恶化，因为晶圆厂的建设周期甚至比数据中心更长。
今天我们说“算力不够”，并不是说科技公司今天投进去的钱马上就会变成算力。不是的。今天的钱真正变成大量算力，可能要到 2028、2029 年。
所以你会在财报电话会上听 Andy Jassy 和 Satya Nadella 说：“我们现在建的很多只是数据中心外壳，也许现在不用，以后再用；而且我们只有确定有需求时才买 GPU。”这是一套非常好听的故事。
但我不确定自己信多少。我觉得里面有不少 BS。现实是，如果你已经把数据中心外壳建好了，固定成本已经花掉，钱已经沉在那里，你不会让它一直空着。
一旦固定成本已经投入，这就是商品市场的基本逻辑。而我觉得科技行业整体上其实不太理解商品市场。
科技行业更熟悉的是高度差异化产品：差异化可能来自软件、开发者网络、社交网络，或者其他网络效应。因为产品和别人不同，所以你可以收更高的价格，并因此获得利润率。
最典型的例子就是 Apple。它有自己的生态、软件、第三方开发者等各种差异化，因此 iPhone 可以有大约 50% 的利润率。所有人都把 Apple 当作理想商业模式：“这才是做生意的方式。”
但商品市场完全不同。商品的价格由边际供应商决定。
所以真正重要的只剩服务成本。
对。台湾有个做航运的朋友，让我对这个问题理解得特别深。航运很有意思，航空业也类似，都是我很喜欢观察的行业。
你买一艘船，船本身的成本通过折旧进入会计报表；但真正的边际成本很低，主要就是燃油、船员和港口费用，并没有高到哪里去。
这意味着什么？不是说你“尽量把船装满”，而是这艘船几乎无论如何都会开。你会不断把一个集装箱的运价压低，直到至少还能覆盖边际成本。
在这种情况下，账面亏损可能非常大，因为会计亏损还算进折旧。但折旧某种程度上只是会计概念——买船的钱早就付掉了。所以只要市场还能给出高于现金边际成本的价格，你就会继续开船。
集装箱的美妙之处就在于它几乎是纯商品。因此市场价格会被推向边际成本。只有当价格低到某些船东连一趟运输的真实现金成本都覆盖不了时，他们才会退出；供给减少，价格又回升。于是形成不断进出、不断循环的商品周期。
反过来，如果市场价格极高，像疫情期间那样，因为船不够，大家会突然赚疯。
从航运到内存：商品周期为什么总会过度建设
疫情期间，一个集装箱平时大约 3000、4000 美元的运价，一度涨到 1.7 万、1.8 万美元。航运公司在非常短的时间里赚到的钱，夸张得不可思议。
然后会发生什么？更多人去造船。
大家都会想：“要是我们有更多船就好了。”
可问题是造一艘船要两年。如果所有人同时在高价阶段做出同一个决定，两年后突然有大量新船下水，运价就会暴跌。这就是典型的周期。
同样的事情在零部件里也会发生，尤其是内存。内存行业以 boom-and-bust 周期闻名，总有人在周期后半段才进入市场。
所以我会问：数据中心会不会成为下一代“内存厂商”？今天所有人都看得见算力不足，于是得出结论：“我们必须疯狂投资，这里面有太多钱可赚，看看现在的投资回收期多短。”
可你计算这个 payback period 的时候，市场正处于稀缺状态。到了供给充裕的时候，这个回收期还能成立吗？
多头会回答：“永远不会有供给充裕的一天。AI 的 test-time scaling 会让我们永远短缺。”也许他们是对的。
但即使这个长期判断完全正确，我仍然担心中间可能出现一个“空气层”：今天有海量资本不断投进去，但真正上线、真正产生足够收入的产能还不够快；在回报追上来之前，资本本身先耗尽了。
我再次强调：我相信 AI，我认为它是真的，我认为它的经济影响会是天文数字；我也认为关于社会影响的担忧都很真实，而且会以非常重大的方式出现。
你完全可以同时相信这些事情，又担心另一个问题：我们能不能成功搭桥，走到 AI 产生足够回报、可以继续自我融资的那一边？
那我们具体看 TSMC 和零部件厂商。至少按我的理解，这些需要建 fab 的公司到现在都非常克制，不愿意按需求增速扩产，也不愿意大量新建晶圆厂。会不会正因为它们这么保守，反而限制了整个系统，从而避免一次巨大的过度建设？
可以拆几个行业来看。先看内存。以前内存厂商非常多。每次出现一轮繁荣，老厂商会重新扩张，新国家、新公司也会进入。台湾以前也有自己的内存产业。
一旦内存短缺，利润会暴涨，因为产能不可能立刻上线。这和航运完全一样，也和现在的算力短缺完全一样。
这种高利润会吸引更多人进场；随后供给过多、价格暴跌，一批厂商直接被淘汰。因为这类行业最致命的地方，是前期固定投入极其巨大。买船已经很贵，建 fab 更夸张。
现在最先进的内存产线甚至要用 EUV 设备，一条线的资本投入会进入数十亿美元级别。
历史上每一轮内存 boom-bust 都会有人进来，也会有更多人被洗出去。这个行业有很多著名的周期性崩溃时刻，一批公司会直接消失。
最有意思的案例之一是 Samsung 如何拿下内存。Samsung 研究了历史后意识到：真正统治这个行业的方法，是在下行周期里继续投资，这样下一轮周期到来时，你已经准备好了。
这需要极大的胆量、纪律和资金。但 Samsung 真这么做了，并且基本把日本厂商挤出了领先位置。也正是在那个阶段，韩国厂商整体上开始主导内存市场。
最后市场缩到三家。三家当然不是垄断，但已经很像寡头市场。大家都从历史中学得更克制：我们没有串通，但都明白“别再重演过去那种疯狂扩产”。
我认为这种纪律，正面撞上了今天这个时点。
内存、霍尔木兹海峡与“风险不会消失，只会转移”
这些厂商花了相当长时间才意识到：这一次不是普通周期，而是内存需求发生了长期、结构性的上移，这是很多年都没出现过的事情。所以我认为内存短缺最终会被解决，只是需要时间。
但内存厂商也在制造另一个风险。Apple 已经在游说，希望能使用中国内存。算法优化最重要的目标之一又是什么？“怎么用更少的内存？”
我怀疑内存厂商长期会因为这次极端短缺而伤到自己：它们把一个巨大靶子画在了自己背上，逼所有客户想办法绕开它们。
我曾经把内存厂商类比成伊朗。霍尔木兹海峡这个筹码，最有效的时候其实是“还没有真的封”的时候，因为所有人都必须把“它随时可能被封”放进风险模型。
现在真的封过以后，虽然短期确实造成痛苦，但阿联酋、沙特会修管道、修新的港口，大家会想办法确保这种事情不再发生。假如 2035 年伊朗再想关闭霍尔木兹海峡，影响可能就会小得多，因为世界已经绕开它。
我担心内存厂商做了同样的事。经历过这一轮之后，没有人愿意让自己再次暴露在相同的内存短缺风险里。
TSMC 的情况甚至更极端，因为最领先的制程真正只有一家。Intel 和 Samsung 当然都在努力追赶。
所有市场都包含风险。真正的问题往往不是“有没有风险”，而是“最终谁拿着这份风险”。我觉得很多科技公司以前没有充分意识到：TSMC 其实把相当一部分风险转移给了大型科技公司。
TSMC 自己最担心的是过剩产能。如果 fab 建多了，不只是固定成本利用率不足。建一座 fab 时，TSMC 的预期是它要运行大约 30 年。一次错误扩产，可能让系统在很多很多年里都背着过剩产能。
因此它天然会偏保守，而且这里也有一点文化因素。
TSMC 历史上最有意思的故事之一，和刚才 Samsung 的故事很像。Morris Chang 在 2000 年代末退休，新管理层接手；随后遇上全球金融危机，于是新管理层削减计划支出。
Morris Chang 回来以后把人都撤换掉，说：“iPhone 才刚刚推出，这是我们见过的最大机会。我们应该投资，而不是削减。”
于是 TSMC 在大衰退和整个下行周期里继续投资。这为它后来接管领先制程半导体奠定了基础。
在我心里，Morris Chang 是真正 one-of-one 的人物，是科技史上最伟大、最有影响力的高管“总统山”级人物。整个 fabless 模式对现代科技产业的形成极其关键，而他当时敢做出那种逆周期下注，也需要惊人的勇气，尤其是在一个通常不太鼓励这类冒险的文化环境里。
但坦率说，今天的 TSMC 确实相当保守。那么它不愿承担的风险去哪了？
风险不会消失，只会移动。
现在风险表现为：每一家大型科技公司都知道，如果自己有更多算力，就能赚更多钱。因为算力不足，它们正在放弃大量本可以获得的收入和利润。
这就是 TSMC 转移出去的风险。风险有时并不表现为“亏钱”，而表现为“本来可以赚的钱没有赚到”。
TSMC 在 5G 上一度非常兴奋，大约 2020 年开始进行一轮大规模 fab 扩产。
TSMC 的保守，为什么可能反而救了 Intel
那一轮扩产延续到 2021、2022 年，之后 TSMC 大概觉得“差不多够了”。但 AI 在 2022 年出现关键转折，2023 年成为科技行业最大的主题之一。
到 2024 年，TSMC 的增长率却下降；2025 年又下降；到 2026 年现在才重新上升。
很有意思的是，我之前一直在写这个问题。大概一两次财报电话会之前，董事长兼 CEO C. C. Wei 突然开始花大量时间谈 AI 的具体 use cases，几乎整场财报会都在讲，和过去完全不同。
这正是制造商为什么害怕。通常供应链有一个“牛鞭效应”：需求先出现在最下游，一层层传到最上游；等最上游制造商终于看见需求、决定大举扩张时，往往已经太迟，它们可能刚好在周期顶点把钱花出去。
但如果 AI 也是一条牛鞭，那它可能是历史上最长的牛鞭。仍然有太多东西需要建设。亚洲这些制造商只是花了更久才真正收到信号。
我觉得它们现在大体上已经收到信号了。可“收到信号”到“新增产能真正落地”，中间仍然要好几年。
在现在算力极端短缺的情况下，你觉得还要多久？
更有意思的问题，是这对 Intel 和 Samsung 的逻辑芯片业务意味着什么。
我写美国依赖 TSMC 的问题已经很多年。2013 年我最早的一批文章里，就在催 Intel：“你必须做真正的 foundry 业务。你不可能永远只靠原来的定位，替别人制造芯片会是一个巨大的生意。”当时我甚至觉得自己已经写晚了。
结果整个 2010 年代 Intel 的股价在云计算浪潮里一路上涨，直到大约 2020 年才真正意识到：“我们落后了。与此同时，这里还有一个巨大机会，而我们完全没有准备好。”
Intel 缺的不只是工艺。它没有服务客户的思维方式，没有相应的文化和组织，也缺少 TSMC 多年积累的 IP building blocks 和配套能力。
真正建立 foundry 业务，需要客户。Intel 需要有客户愿意和它一起磨合，帮助它学会怎么做一家真正的代工厂。
我过去一直写这个问题，也写中国风险：美国最先进芯片依赖一家距离最强政治对手海岸大约 60 英里的公司，而那个对手又认为那片土地属于自己。显然，这是非常大的问题。
于是我开始把找 Intel 代工理解成一种“保险”。一家大型科技公司如果去找 Intel 说“你来造我们的芯片”，最大的受益者其实是 Intel，因为 Intel 能学会怎么服务合作伙伴；而承受最大痛苦的是这家科技公司，因为它得花大量精力学会怎么和 Intel 合作。
相比之下，直接去 TSMC 太舒服了。TSMC 很棒、非常好合作，你几乎可以确信它会把事情做好。
所以在过去那个世界里，任何公司选择 Intel 都没有理性的商业理由。这才是 Intel 最根本的问题。
如果世界永远不变，TSMC 可以一直赢下去。但这恰恰是 TSMC 某种程度上犯下了和内存厂商、以及刚才“伊朗”类比相同的错误：过去几年投资不足。
接下来算力短缺会变得极其尖锐。大型科技公司会发现，因为缺算力，它们放弃的收入和利润大到无法接受。
到那个时候，它们就愿意忍受痛苦，投入资源把 Intel 带到可用水平，也愿意帮助 Samsung 的逻辑芯片业务追上来。
换句话说，真正救 Intel 的，可能不是 Intel 自己突然变得完美，而是稀缺本身。
我预计不久后的某个时候，Intel 会第一次宣布一个真正重大的合作伙伴，那会是一件大事。
但从根上说，这个机会是 TSMC 自己制造出来的。这就是“高价格的疗法是高价格”：当一个供给方让稀缺和价格高到足够痛，市场会开始想办法绕开它。
作为坐在场边的分析师，你可以很多年一直写这些结构问题。但我后来学到的一件事是：如果某份保险的期望价值还是负的，而且眼下根本不需要买，没有人会主动花钱买。
最好的地缘政治保险，是先让商业激励成立
真正解决“依赖 TSMC”这个地缘政治问题的方法，不是靠口号让大家为保险付钱。
更有效的方式，是出现一个巨大到不可思议的算力 use case，让所有公司在经济上都被激励去帮助 Intel、Samsung 等其他供应商追上来。
当这种纯商业激励成立以后，市场为了多赚钱、为了获得更多算力，自然会培育第二、第三个先进制造来源。结果是，我们反而“免费”获得了原本很贵的地缘政治保险。
Amazon 的护城河：先做自己的第一客户
如果只看最大的 10 到 15 家科技公司，今天哪几家的业务结构最有意思？
我的答案永远是 Amazon。Amazon 最迷人的地方，是它很大程度上都先为自己建设。它自己就是自己的第一个、也是最好的客户，内部规模足以把几乎任何新东西先跑起来，然后再卖给外部客户。
AWS 是最明显的例子。和流行叙事不同，AWS 并不是“Amazon 把自己用不完的服务器容量拿出来卖”。实际上，amazon.com 自己迁到 AWS 上花了很长时间。
真正驱动 AWS 的，是 Amazon 内部意识到：我们不能每次申请计算资源都开一堆会；必须有一个可扩展的系统，纯 API 接口，插上就能用，不需要和任何人沟通。
然后他们发现：如果能给内部零售团队做到这一点，当然也能给任何人做到。只是 Amazon 零售本身太大，反而只能先从外部客户开始。AWS 实际上先服务外部客户，后来才把内部客户全部迁进去。
物流则是反过来的路径。以前 Amazon 用 UPS、FedEx、USPS 等外部物流商；后来觉得必须自己建设，于是建出了自己的物流能力。现在这套能力又开始向第三方开放，其他公司也可以使用 Amazon 的配送服务。
你会在一个又一个市场看到同一种模式。AI 产品和芯片也一样。
Graviton、Trainium 最早几代有什么“美妙”之处？就是最早其实很糟糕。但如果你使用 Amazon 的托管服务，比如 Redshift 数据库，你根本不知道底层到底跑的是什么处理器。你买的是“托管服务”这个结果。
所以 Amazon 可以把自己那些很烂的早期处理器塞在托管服务下面。
对。这样它立刻有了规模、有了真实负载，也就有了迭代改进芯片的能力。做到足够好以后，再开始对外销售。
Amazon 是 Graviton 的第一个最佳客户，所以 Graviton 越来越好；它又是 Trainium 的第一个最佳客户，所以 Trainium 也越来越好。现在 Trainium 显然已经在为 Anthropic 提供算力。
AI 产品也在走同一条路。它们会先为自己的业务建设各种 AI 服务，然后再广泛开放。最终有些会成功，有些不会。
比如 Amazon 有呼叫中心软件，也在用 AI 重做客服体验。顺便说一句，我觉得效果已经相当不错。
我还没试过。
我因为搬回美国，最近买了很多东西。其实每年夏天我都会在很短时间里集中买一堆东西。大概过去一年开始，你去找 Amazon 客服，很明显是在和 chatbot 说话，但它真的能把问题处理掉，而且做得很好。
所以你可以看到这套内部 AI 服务已经开始工作。Amazon 会先把它们用于自己，再把其中适合的部分开放给整个市场。
我觉得这种方法非常优雅。再加上 Amazon 在真实物理世界里的大量投入，它的核心业务面对“模型型 AI”时显得非常抗打。AI 会让它受益，但它的核心护城河比几乎任何公司都深，而且它还非常擅长从内部自然长出新的业务线。
那 Apple 呢？它看起来几乎坐在场边看完整场 AI 浪潮。
某种程度上，也许这是“运气好比能力强更重要”的情形。
Apple 毕竟拥有完整生态，更重要的是，它拥有通往消费者的入口。这就是经典的 aggregator 逻辑：如果你控制了客户，供应商会来找你，而不是你去求供应商。
所以 Apple 需要 AI 时，可以按需找到模型和基础设施供应商。再说，如果消费者真的不在乎提高生产力，只想要一个好用的 chatbot，那么 Apple 只要最终把 Siri 做到真正可用，就能满足很大一部分需求。
更远一点，你甚至可以想象这些能力直接在设备端运行。
Apple：设备入口很强，但“确定性文化”适合 AI 吗
如果 AI 真能完全在设备端运行，Apple 连云端推理成本都不用自己承担——用的是消费者自己的电和芯片。
我不认为我们今天已经走到那里。Apple 现在还在用 Google Cloud、Nvidia 芯片，这本身就说明距离纯设备端还有差距。但你完全可以想象那个未来。
而且 Apple 做的是物理产品。真正把手机制造出来很难；拥有实体零售、实体产品分发网络，同样很难。这让它比纯数字公司更不容易被 AI 直接冲垮。
智能手机这个产品形态几乎完美：小到能装进口袋，大到几乎什么内容都能看；你可以在上面管理整个人生，所有娱乐也都在里面。我们刚才说消费者主要想被娱乐——现在电视反而像手机的附件，一切都已经在手机上。
所以我看不到谁能轻易夺走手机。但真正的问题是：手机会不会永远是中心？
特别是在家里，我觉得 OpenAI 之类公司对 ambient AI 的探索很有意思。你可能想要一个环境式 AI：不必掏出手机，只要在房间里说话，它就知道你需要什么。
Apple 理论上最有资格提供这种体验。可它能不能在没有最前沿模型的情况下做好？如果公司文化和产品战略都过于 phone-centric，它会不会掉进 Microsoft 当年的陷阱？
Microsoft 其实并没有“错过移动”。它很早就在做移动。问题是，它想象出来的移动设备本质上是一台缩小的 PC。它默认 PC 永远是中心，手机只是 PC 旁边的附属品。
Apple 当年真正看对的地方，是意识到必须重置这套假设：手机不是 Mac 的附件，手机就是手机。iPod，以及 Apple 当年面向 Windows 用户做产品的经历，都帮助它形成了这个认识。
现在的问题是，Apple 会不会反过来犯一次“Microsoft 式错误”：因为 iPhone 太成功，就默认手机永远是中心，然后把所有新东西都围绕手机组织？
还是说，这一次真正更好的形态是环境式、云端化、无处不在的 AI——它可以通过手机出现，也可以通过家里某个设备出现，还可以通过电脑出现；而这种“AI 本身才是中心”的结构，最终会反过来颠覆 Apple？我认为这是可能的。
当然，我也完全接受另一条路：Apple 就继续把自己最擅长的事情做到极致。
因为还有一个更基础的问题：我们凭什么期待 Apple 会特别擅长 AI？
粗略地说，AI 是一个概率性事业，而 Apple 是确定性产品之王。
做实体产品时，一部 iPhone 发出去就是发出去了，它必须一次就做好。如果做坏了，代价可能是几十亿、几十亿美元。Apple 历史上从没有进行过 iPhone 整机召回，仔细想想其实非常惊人。
支撑这种纪录的，是极端的谨慎、决策纪律、供应链管理的强硬，以及愿意做艰难取舍的文化。这套能力和“怎么做出优秀的概率模型”所需要的组织能力非常不同。
我一般更希望公司去做自己真正擅长的事。所以从我的角度，我完全可以接受 Apple 不去当最前沿 AI 实验室。我希望它继续做出很棒的设备。
五个前沿 AI 玩家：信仰、创始人能量与生存压力
如果把潜在的前沿 AI 赢家列成五个阵营：OpenAI、Anthropic、Gemini，再把 SpaceX/xAI/Grok 这一组和 Meta 放进去。你觉得哪一家结构最有意思？
OpenAI 和 Anthropic 显然风险最大，但上行空间也最大。第一件永远不要低估的东西，就是“信仰的力量”。
他们真的相信自己在创造“上帝”。历史上很多影响最大的事业，都曾经被宗教式信念驱动。硅谷今天最像宗教组织的两家公司，就是 OpenAI 和 Anthropic，只是气质不一样：一种更像主流教会，另一种更像全身心投入的福音派。无论这个类比多夸张，核心是他们真的信，而且这种信念本身能让人走很远。
更现实的一点是：OpenAI 和 Anthropic 必须把业务做成，否则公司就不能活。这种生存压力也非常强。
Google 的要求没那么极端，它只需要确保 Search 不要死得太快。Meta 则有一个巨大的广告业务做底。
如果 Meta 的 CEO 是 Mark Zuckerberg 以外的任何人，我都不认为它今天会待在前沿。Meta 这轮 AI 投入，是“创始人能量”最纯粹的体现之一，不论你觉得这是好事还是坏事。
Meta 原有业务已经好得不可思议，本来完全可以躺着赚钱，但 Zuckerberg 还是愿意突然说：“我们重新招一整支新团队，从头来一次。”这其实相当疯狂。因此这件事上我会给他很高评价，至于最终是不是好决策，可以另说。
Google 做前沿 AI 至少逻辑很自然，因为它一直在做这方面研究；Meta 这种“把桌子掀了重来”的选择，更像纯粹的创始人意志。
至于 SpaceX/xAI，这里最独特的理论是“太空数据中心”。如果未来因为政治阻力、电力或其他原因，地球上的数据中心真的不够了，太空里的算力基础设施会非常差异化。
但这反而提出另一个问题：如果你最差异化的是数据中心在太空，你真的还必须拥有自己的基础模型吗？有自己的模型当然利润率会更高；可如果算力本身足够稀缺，你完全可以在自己的基础设施上运行任何人的模型，就像现在把算力卖给 Anthropic 一样。
因此我反而觉得 SpaceX/xAI 这一组关于“必须自己做模型”的论证可能最弱。假如太空数据中心路线真的成立，那已经足够独特了，为什么还要在过渡期额外烧掉几十亿、几十亿美元训练自己的模型？这是个合理的问题。
从战术角度，我很喜欢他们对 Cursor 的收购/整合思路；对双方都非常合理，所以我很好奇接下来会怎么做。
Meta 可能是最有意思的一个，因为你最近也写了很多。
我觉得可以提出一个很强的论点：如果你是一家数字公司，真正更鲁莽的事情，反而是“不在前沿”。
对 Meta 的反例其实是 Microsoft。Microsoft 并不在最前沿。上个季度它有 200 亿美元自由现金流，同时还发了 100 亿美元股息。它确实有很多钱，但它的玩法是：让这些模型公司互相竞争，我们提供 middleware，提供企业构建 AI 的平台，在模型层和客户之间做一层抽象，某种程度上把模型本身去中介化。
我认为这是一条理性的路，而且很像 1990 年代 IBM 的玩法。历史经常押韵。所有人都在说 Google 会不会重演 Microsoft；但 Microsoft 某种程度上正在重演 IBM。
IBM 当年具体做了什么？
IBM 在 1970 年代曾经非常强势。到了 1990 年代，它已经变成一个很困难的资产，市场普遍认为应该把 IBM 拆成很多独立部分。然后 Lou Gerstner 接手了公司。
IBM 的 30 年续命术，以及 Microsoft 的 AI 中间层战略
Gerstner 对 IBM 最关键的洞察，是：我们每一个单独部分其实都没有那么优秀。某种程度上，就像我刚才对 Microsoft 的评价。
这就是垄断的代价。一个公司垄断太久，会逐渐失去“把事情做好”的肌肉，因为它已经不需要真正竞争。很多老牌科技公司都有这个问题：不管怎么做，钱都会涌进来。
如果没有压力、没有激励、没有死亡恐惧，或者按刚才宗教的比喻，没有“对上帝的敬畏”，人就不会做出自己最好的工作。更糟的是，那块肌肉一旦丢掉，很难重新长回来；公司会变得又胖又松垮。
所以 Gerstner 意识到，IBM 最糟糕的选择反而是拆分。因为那些被拆出来的单个业务都不够好。IBM 最大的资产不是某一个产品，而是“我们足够大”。
“足够大”在 1990 年代意味着什么？互联网正在出现。大量传统企业都知道自己必须上网，却不知道应该怎么做。它们需要一个既懂自己现有业务、又能把它们带到互联网世界的人。
IBM 就做了这个角色。它建设了庞大的咨询团队，把大量精力放在中间件上：一边接企业已有的老式大型机系统，一边接现代 web services，让这些公司能够建立网站、电商等新东西。
这套模式给 IBM 又续了大约 30 年命。
理论上，企业当然可以去硅谷找一堆热门 startup，各买一个 point solution。但大多数传统企业根本不知道怎么组合这些东西。它们认识 IBM、信任 IBM。IBM 可以说：“我们进来，给你搭好这层 middleware，再派一支巨大的咨询团队帮你实施，你就能上线。”
某种意义上，IBM 帮整个美国企业界接入了互联网。
Microsoft 今天的 AI playbook 很像这样。它会告诉企业：“我们帮你搞懂 AI，而且不需要把皇冠上的宝石直接交给某一家前沿模型公司。”
它提供平台、harness 和中间层，然后强调：“我们可靠、稳定，你们认识我们；我们的向后兼容甚至可以追溯到 1980 年代。你可以放心在我们上面建设。模型天天换、版本天天更新，这些变化由我们替你管理。”
这样能不能得到绝对最佳体验？未必。中间件天然会把最锋利的边缘磨平，最后得到的往往是一种最低公分母能力。但大量企业恰恰愿意为这种稳定付钱。
这又回到了最古老的 enterprise sales 技巧。Oracle 当年怎么卖关系型数据库？Larry Ellison 在 1980 年代会说：“你不想被 IBM 锁定吧？用我们的关系数据库，可以跑在不同系统上。”
这个故事今天听起来很好笑，因为 Oracle 后来可能比任何人都更擅长锁定客户。
整个企业软件销售有一个永恒悖论：供应商的长期目标通常就是锁定你，但它说服你上车的方式，往往是先让你害怕“被另一个供应商锁定”。
云厂商也一样。开头都说“可移植、开放、想去哪去哪”；然后慢慢说“顺便用一下我们这个只在自己云上运行的服务吧”，最后你就走不掉了。
所以 Microsoft 这套策略是理性的，也解释了为什么它手里还有额外现金：它不是在最前沿训练模型。
Microsoft 的确在建设巨型数据中心，但更多是为了 inference，而不是为了训练前沿模型。因此它说“我们根据客户需求及时投资”时，比那些先为训练建巨大集群、再说未来也许能转成推理的公司更可信。
不过，这又回到刚才那个论点：对于数字公司来说，不待在前沿是不是反而更鲁莽？
我担心 Microsoft 的原因就在这里。归根结底，今天大家为什么还在使用 Microsoft 产品？
因为以前就在用。
那问题来了：所有这些 artifacts、文档、邮件收件箱，真的有必要继续以今天这种形式存在吗？
AI 可能直接攻击 Microsoft 的界面层，也重写 Meta 的内容经济学
AI 能不能直接处理这些东西？这对 Microsoft 的软件业务是真正的威胁。
“system of record” 过去之所以强大，其中一个原因是迁移数据极其麻烦——那是一堆乏味、重复的工作。可偏偏 AI 非常擅长乏味、重复的工作。这会削弱传统系统的锁定能力。
Microsoft 本身不完全是 system-of-record 公司，虽然 Dynamics 等业务属于这一类。它更重要的地位其实在 user interface，也就是用户真正和电脑交互的地方。
所以当你看到 Codex、Claude Cowork 这类产品时，它们像一支箭直接瞄准 Microsoft 最核心的价值层：用户为什么还需要传统办公软件界面？
从长期看，所有数字公司都面临这种威胁。Microsoft 的策略是合理的，但同时又有一种非常“生存性”的绝望。也正因为它足够绝望，反而有可能真的做成。
Meta 眼下没有那么直接的生存威胁。但我的 AI 多头逻辑在这里仍然成立：所有纯数字公司最终都会被威胁，而 Meta 本质上就是数字软件公司。
Meta 最直接的一个担忧，是 AI 占据用户越来越多的时间。时间最终就是 Meta 的货币。
OpenAI 试过 Sora 式的社交/内容产品，但没有真正起飞。做社交网络其实很难，而且也非常烧钱。
这里还有一个很有意思的 creator payment 对比。YouTube 从很早开始就著名地会给创作者分钱。很多人低估了这对商业模式的拖累，因为 YouTube 的内容不是零边际成本。
和 Netflix 不同，YouTube 不需要在内容产生之前先花钱买片；它在收入产生之后和创作者分成。所以它比 Netflix 的模式更好：Netflix 先为内容付钱，然后希望未来收入更多；YouTube 则边赚钱边分成。
但 Facebook、Meta 呢？
一分钱都不用付。
对，它们几乎不为内容付钱。Instagram 是一个不可思议的产品：生成巨额收入，而 Facebook 获取内容的直接成本基本是 0 美元。
这会带来一个有趣结论：AI 生成内容对 YouTube 理论上可能改善利润率，因为生成内容的推理成本，有可能低于它原本要分给真人创作者的钱。
但对 Meta 来说，如果 Meta 自己生成 AI 内容，利润率反而可能更差，因为它今天的内容成本已经是“免费”。从零变成一个正的推理成本，是更差的 margin profile。
Meta 真正拥有的是注意力。
当然也有一条非常看多 Meta 的路径：如果未来我们整天都在和 AI 互动，人类反而会更渴望和真人建立连接。那时 Meta 可能回到自己最原始、最擅长的“社交网络”根基。
Meta 过去最大的战略失误之一，是它一直把自己理解成社交网络公司，因此一开始没真正理解 TikTok。
它当年能挡住 Snapchat，是因为看见 Snapchat 有一个好产品，于是把类似功能叠加到自己已经存在的巨大社交网络上，用 network 对抗产品，成功压住了 Snapchat 的增长。
但 TikTok 是它的盲点，因为行业把 TikTok 分类成“社交网络”，而它其实根本不是社交网络。TikTok 是娱乐产品。
在 TikTok 上，你关注谁并不决定主要 feed。你看到什么，主要取决于你过去看了什么，然后系统继续给你更多类似内容。
TikTok 的关键洞察是：如果目标是把最好的内容给用户，只从用户自己的社交关系网里选，本身就是人为限制。它应该从整个网络里挑最好的内容。
整个网络里的绝大多数内容当然都是垃圾。但这又回到前面“百分比和绝对数字”的区别：即使好内容只占极小比例，只要总内容量巨大，好内容的绝对数量仍然会非常大。
Meta 的广告市场，可能是世界最大的 AI 验证机器
Meta 过去一直说“我们是一家社交网络公司”，于是主要从你认识的人、你自己的关系网里给你内容；TikTok 却从全世界挑它认为最好的内容给你。这就是 TikTok 能从 Meta 手里抢走那么多时间的原因。
Meta 后来不得不改变。现在 Instagram、尤其是 Reels，已经不再是纯粹的社交网络，而是从整个内容网络里抽取素材的娱乐产品。传统社交关系更像退回到群聊、私密连接这些地方。
但 AI 时代也有一种可能：当人越来越多地和 AI 相处，我们反而重新珍视真人、重新需要人和人之间的联系。那会让“社交网络”本身重新变得重要。这个变化会怎么展开，非常值得看。
模型对广告的影响同样巨大。我甚至觉得，今天大模型真正最大的变现成果，可能还不是 Anthropic 或 OpenAI 自己赚到的钱，而是 Google 和 Meta 广告系统因为模型进步得到的增量收益。
很多现有系统还不是 LLM，但正在往那个方向走。比如生成广告图片和广告文案。这恰恰又回到刚才“可验证领域”的问题：怎么验证一张 AI 生成图片是不是好广告？很简单——它到底卖不卖得动东西？
Google 和 Meta 可以用别人几乎无法复制的方式验证生成图片和文字。它们的验证器，就是广告市场本身。
在这个市场里可以同时跑海量 A/B test，看什么有效、什么无效。绝大多数广告本来就是一次性消耗品，绝大多数广告也不会转化，所以失败并不可怕。
这给 Google、Meta 一个巨大优势：它们拥有一个高度流动、全球规模的“验证机器”。真正的 verifier 是人——他看见广告，决定要不要点、要不要购买。数十亿这样的真实选择，又会反过来改善模型。
而今天的广告匹配其实仍然相当粗糙。大致是把“这个人的特征”和“这个广告的特征”做成 embedding、做向量匹配，看两组数字是否接近，然后把广告配给这个人。
LLM 更擅长的是什么？预测。未来 Meta 可能直接判断：“这个人下一刻大概率想看这个”，然后去找到那个东西并展示给他。
广告相关性只要提高几个百分点，回报就会是几十亿、几十亿美元。光这一件事，就足以让 Meta 有理由花巨资待在模型最前沿。
我觉得 Meta 的大问题，是它从来没有把这个故事讲好。很奇怪，Mark Zuckerberg 和 Sam Altman 有一个相似点：他们似乎都不喜欢广告。
但 Meta 明明拥有世界上最好的广告业务。我甚至认为它是一种社会净正面。
像我们这种小型内容业务，能靠互联网活得很好，很大程度上就是因为社交媒体给内容带来分发。我自己的事业在 Twitter 上长大，别人分享我的链接，这非常重要。
如果你卖某种产品，互联网的美妙之处是：世界上总有一个细分人群恰好想要它。真正的问题只是，你怎么找到这群人？Facebook 广告做的就是这件事。
它把产品和那些甚至还不知道自己想要这个产品的人连接起来。结果是，创业者有机会做新生意、造新产品；消费者得到一个原本根本不知道会发现的好东西，而且在此之前还享受了大量免费的娱乐；Meta 自己和股东也赚到了钱，而这些股东几乎遍布整个社会。
这就是为什么我觉得广告很棒，而 Meta 的广告尤其强。我真正挫败的是，Meta 很少主动讲这件事。
Zuckerberg 在大约 20 年里几乎从未系统阐述广告带来的社会价值，最多顺带一提。他长期把这块业务交给别人。
我明白。也许他不亲自关注，反而让广告团队形成了那种苦活、硬活都能干的韧性。
也可能。Facebook 内部长期面对数据、隐私等争议，也许他有一部分心理就是不想碰这块，想把手洗干净。
ATT、Meta 的广告叙事，以及两段赞助商内容
但 Apple 推出 ATT，也就是 App Tracking Transparency 时，这个问题一下子暴露出来了。按这里的观点，那是科技史上最严重的反垄断问题之一：Apple 单方面摧毁一批依赖跨应用广告归因的商业模式，同时又在建设自己的广告业务，并进行自己的 tracking。
Apple 当时还在做“相信我们”的隐私广告。比如有一支广告表现公交车上每个人都能偷听你周围人的谈话。这里认为，那是对互联网广告实际工作方式非常不诚实的描绘。
Tim Cook 在国会谈到“公司出售你的数据”。但 Facebook 并不是靠卖掉你的数据来赚钱——数据本身就是它最有价值的资产，它为什么要卖掉？
Meta 当时没有准备好正面回应这种叙事。Sheryl Sandberg 还在公司的时候，几乎每次电话会都会讲广告为什么好，并给出一堆真实案例：小企业、创业者如何依靠广告获得客户。
她离开以后，这个位置好像一直没有真正补上。Meta 给人的感觉甚至有点“为自己的主要生意感到尴尬”：对，我们从广告赚很多钱，但你看，我们还有眼镜，我们也在做 AI。
可事实是：你们有广告，而且广告本身就是很强的产品。如果 Meta 多年来更持续地解释这件事，它今天的公共关系处境会更好，相对 Apple 的舆论位置也会更好，而且现在向 Wall Street 说“请允许我们继续大举投资 AI”时，会更容易获得信任。
当然还有另一个历史包袱：Meta 已经在 Oculus/元宇宙相关方向累计花掉了上千亿美元，而我一直对那条路线持怀疑态度。投资人自然会问：“你们上一次烧了这么多钱，现在为什么还应该再给你们一次？”
接下来是一段 Vanta 广告。据广告，Vanta 为超过 16,000 家快速增长的公司自动化安全与合规，包括 Ramp、Cursor 和 Harvey，让企业随时处于可审计状态。
广告将 Vanta 称为“第一的 agentic trust platform”，并说它可以持续查看供应商、AI 工具和整个环境在两次审计之间出现的风险。团队每注册一个新工具、每个供应商打开一个 AI 功能，都可能带来新风险，而传统安全流程并不是按 AI 的增长速度设计的。
Vanta Agent 被描述成一个 24/7 的 GRC 工程师：在后台发现问题、起草修复建议，并把供应商评估时间最多缩短 50%。Invest Like the Best 听众可在 vanta.com/invest 获得 1000 美元优惠。
接下来是一段 Ridgeline 广告。Ridgeline 被描述为面向投资管理公司的端到端 system of record，并在其中嵌入 AI，把组合会计、对账、报告、交易和合规放在同一个平台里。
广告说，一些投资经理完全不知道 AI 应该从哪里开始，另一些则相信自己一个周末就能造出 order management system；但现实是，投资机构永远需要治理、控制和单一可信数据源，再热情的 AI 叙事也不会消除这些要求。详情可在 ridgeline.ai 申请演示。
我们还没怎么谈 Jensen 和 Nvidia。回到你前面说“硅谷不理解商品市场”的观点：算力最终是不是商品？更进一步，智能最终会不会也成为商品？很有意思的是，科技世界眼下最重要的两个东西——算力和智能——最终可能都比大家想象得更少差异化。
互联网最有意思的地方恰恰一直是免费分发。带宽就是商品。
今天我可以拿出手机，以几乎零边际成本连接到世界上任何信息源，正是因为通信能力已经商品化。商品改变世界。
如果“智能”成为商品，Nvidia 的高利润会怎么被重估
差异化产品按定义往往拥有更小的 TAM，因为这里存在价格弹性。不是每个人都付得起，大家愿意支付的价格不同，所以市场天然受限制。
Apple 通过销售昂贵设备，不可能服务全世界每一个人；Google 却能因为免费服务覆盖几乎所有人。这个差别非常重要。
商品当然不是“完全没有成本”，但越是人人可得，它产生的社会影响就越大。互联网某种意义上就是商品，而它改变了世界。所以如果智能最终也商品化，同时又改变世界，我一点都不会觉得奇怪。
可商品通常被认为不是特别好的生意，至少不像那些高度差异化、高利润率的产品。那具体到 Jensen 和 Nvidia 呢？
我觉得 Nvidia 今天的位置非常“不自然”。到了 2026 年，所有人都在追它，它却仍然看起来维持着极高利润率，芯片仍然卖得非常贵。这本身就很惊人。
但如果从更完整的经济意义看，它其实已经没有完全维持原来的利润率。
这里就涉及所谓 circular financing。人们会拿 Lucent 等历史案例类比。比如在某些交易里，Nvidia 提供大约 25% 的 backstop；或者 Nvidia 投资 Neocloud，Neocloud 承诺一直到 2030 年购买大量计算资源。
为什么要这么做？因为有了 Nvidia 的支持，这个实体能获得更低的资本成本，然后就能买更多 GPU。
但为什么资本成本能下降？因为 Nvidia 接过了一部分风险。还是前面那句话：风险从来不会消失，只会出现在别的地方。而承担风险本身有价格。
当然有一种世界：AI 永远高速增长，需求永不停止，一切都很好。那 Nvidia 承担的风险最后没有爆雷，反而把全部上行都收入囊中。
但也存在另一种世界：Nvidia 支持的某家 Neocloud 建出一大堆算力，等它真正上市时，hyperscaler 已经算力充足，市场没人要这些机器；而 Nvidia 根据承诺还得为没人想要的算力买单，那就是实实在在的损失。
因此这些投资和担保都有一个期望价值。它既不是 0，也不是 100% 必赚，而是在中间某个位置。把这个风险的期望损失算进去，本质上就是 Nvidia 利润能力的一种折损。
如果从整体企业价值看，这其实可以理解成一种“降价”。
只是这个降价没有直接出现在 GPU 标价或毛利率上。
对。Nvidia 现在做的很多安排，本质上是在想办法让表面利润率维持原样，同时把折扣、风险承担和资本支持放到别的地方。
把资产和风险移出传统损益表或资产负债表，通常确实能影响市场观察方式。大家会做 DCF，但问题是：你在做折现现金流时，真的把这些旁边的风险也全部算进去了吗？
所以我会说，Nvidia 事实上已经出现“价格下降”，只是以非常奇怪的形式出现。
更长期看，Nvidia 真正的竞争对手是 hyperscaler，尤其 Google 和 Amazon。
Google、Amazon 不只是自己造芯片，它们还开始考虑把这些芯片卖给外部客户。Google 已经和 Anthropic 做了交易，计划把大约 20% 的 TPU 产能卖给 Anthropic。
Andy Jassy 在最近一次财报电话会上也几乎确认，Amazon 未来会把 Trainium 3、也许 Trainium 4，或者后续 Trainium 芯片对外销售。
这很合理。芯片研发需要巨额 R&D，对外卖可以摊薄研发投入，也能让客户更长期地进入它们的生态。
而且 Google、Amazon 并不是把自研芯片当“高度差异化精品”来卖，它们更像把芯片当商品。真正试图卖差异化和高溢价的，是 Nvidia。
Hyperscaler 的资本成本，才是 Nvidia 最难对付的竞争优势
人们不会因为“我特别想用 Trainium”才去 Amazon。因此 Amazon 把 Trainium 卖到外部，并不会削弱 AWS 本身的吸引力。这也是为什么 hyperscaler 是 Nvidia 最大的长期问题。
Hyperscaler 最大的优势是什么？
更低的资本成本。这归根结底是一场资本战。Google、Amazon 的资本成本比 Neocloud 低得多。
Neocloud 会四处大量购买 Nvidia GPU。Elon 也可以说“我们永远买 Nvidia，因为它最好”。但更准确的理由可能是：Nvidia 是最可替换、最容易流通、最 fungible 的计算资源。
这是真的。CUDA 的 moat 已经明显变弱，因为模型越来越不在乎底层具体跑什么芯片，真正重要的是模型之上构建的东西；但 CUDA 的优势并没有消失，它仍然是一层有价值的兼容性和流动性。
如果你要像 SpaceX/xAI 那样，大量建设算力，平时租给别人、需要时保留收回权，那么当然会优先用 Nvidia，因为 Nvidia 算力最容易出租。
早在 2023、2024 年就能看见 Nvidia 在为这种未来布局。它开始大谈 sovereign cloud，也尝试各种企业模块、模型和软件层。
我记得 2024 年 San Jose 那场“摇滚明星式”的 GTC，场馆巨大，但内容反而有点无聊。更早的 GTC 经常是 Nvidia 一口气演示几十种、几百种新用途，因为它知道 GPU 很特别，却还在不断向墙上扔东西，寻找真正的大 use case。
大模型出现以后，答案突然清楚了：“哦，我们终于找到这个巨大 use case 了。”
但 Nvidia 同时还在做各种企业模块——名字我已经记不清——很多东西表面上免费，却只运行在 Nvidia 上。你很容易看出目标：先在软件层把企业锁进 Nvidia。
Intel 是一个有帮助的历史对照。AMD 后来在 hyperscaler 市场把 Intel 打得很惨，因为 hyperscaler 愿意自己投入工程资源，让工作负载适配 AMD。
即使都是 x86，芯片间仍有小差异。但 hyperscaler 买得太多，所以花工程成本做适配非常划算：只要能换来更好的芯片或更低的价格，收益巨大。
相反，Intel 从来没有彻底垮掉的一块业务，是政府和普通企业客户。它们没有 hyperscaler 那么多工程资源，采购规模也没那么大，所以最省事的办法就是继续买过去一直买的东西。
这就是 Nvidia 为什么总谈 sovereign cloud、谈 enterprise。它想进入那些客户不会持续比较“这颗芯片和那颗芯片谁便宜 3%”的市场。
Hyperscaler 一直是 Nvidia 的真正威胁，因为它们本身甚至更大，又拥有更低资本成本。
我把本周这笔交易理解成 Nvidia 对这个威胁的回应，也因此应该和 Google 的交易放在一起看。Google 可以直接发行股票，股东当然未必喜欢稀释，但 Google 最终的变现能力比 Nvidia 很多客户强得多。
我猜 Nvidia 真正希望出现的一种世界——他们自己也许不会这么直接说——是电力真的成为绝对瓶颈。
因为如果整个系统被电力卡死，大家会要求每一瓦都得到最好的产出。
所有人都会想要最好的东西。
对，我们必须追求最好的效率、最高的 token-per-watt 效率。我认为今天 Nvidia 在这方面仍然最好。一个真正极度缺电的世界，对 Nvidia 反而是好世界。
过去两年 Nvidia 一个意外的“坏消息”，可能恰恰是美国上线电力的速度比很多人预期更快，也比我自己预期更快。
有 Elon 在电表后面自己解决供电的做法，后来其他人复制；有 West Texas 的天然气；甚至还有重启核电站。美国实际把更多电力拉进系统的能力让我很惊讶。
你很喜欢美国面对这种问题时的反应方式。
是，太棒了。这其实是关于美国最令人鼓舞的信号之一。
如果 AI 真是泡沫，最好留下一个“能源过剩”的世界
我很早就在想：假设 AI 真的是泡沫，长期到底应该留下些什么，才能让这轮泡沫仍然值得？
.com 泡沫以后，至少留下了埋在地下的光纤。Google 以前就玩过同一套游戏。它当然有最强的搜索引擎，但 Google 很大一部分基础优势，来自在 .com 崩溃后以极低价格收购大量 dark fiber。
我们今天核心互联网里，仍然有相当一部分运行在 WorldCom 时代留下的光纤上。那就是泡沫真正持久的遗产。
铁路也是一样。BNSF 今天仍然在产生现金，历史可以一路追到 Northern Pacific、追到 Jay Cooke 当年向散户卖铁路债券。很荒诞，但资本和基础设施真的会跨越一百多年继续产生影响。
所以你真正想要的是“一场会留下东西的泡沫”。
AI 最后会留下什么？GPU 的寿命并不长。数据中心当然会留下一部分，但最重要的遗产是什么？我觉得必须是电力。
如果最后这一切真的爆掉，而美国发现自己建设了“过多”的发电能力，那反而是一个非常美妙的世界。
人类一直受能源约束。能源支撑几乎一切。我们甚至很难想象真正能源充裕的世界是什么样，因为我们的思维一直是在能源稀缺这个前提下形成的。
我觉得美国这一次做得非常出色。电力当然仍然是约束，而且最终还会成为约束；但它变成硬约束的时间，比几乎所有人预期都更晚。
我甚至不会惊讶 Jensen Huang 自己也低估了这一点。他可能原本以为“电力不足”会更早成为 Nvidia 的 moat：既然每瓦都珍贵，客户就会更快被迫买最高效的 Nvidia。
但只要系统还能继续找到足够多的电，Amazon 就多一天时间把 Trainium 做得更好，Google 就多一天时间把 TPU 的效率提高到真正有竞争力。
如果这种窗口持续足够久，Nvidia 今天那种利润率会越来越难维持。
我特别喜欢听你分析这些事。这是我见过这个你深爱的科技世界里最有意思的一段时期。非常感谢你今天的时间。
非常感谢。
节目结尾首先是一段 Ramp 广告：小优势会随着时间复利，投资如此，经营公司也如此。广告把企业支出系统称为“资本配置策略”，并说 Ramp 可以通过更好的数据、决策和长期经济性让它默认更聪明。详情见 ramp.com/invest。
接下来是 Vanta：随着业务增长，Vanta 可以一起扩展，自动化合规，并为安全和风险提供单一可信数据源。详情见 vanta.com/invest。源字幕在这里把同一网址重复了多次。
随后是 WorkOS：广告称，从 OpenAI、Cursor 到 Perplexity 等优秀 AI 和软件公司都使用 WorkOS，让企业级能力不需要数月建设即可快速上线；访问 works.com，可以跳过不够“性感”的基础设施工作，把精力放在产品本身。
最后是 Ridgeline 广告：它把自己描述为资产管理科技的真正合作伙伴，而不仅是软件供应商，并称已经帮助机构实现 5 倍增长/扩张、提高增长速度、运营效率和竞争优势。源字幕最后给出的网址是 ridgeland.ai；此前同一广告段落给出的则是 ridgeline.ai，这一处保留为待核对的源字幕差异。