--- id: "h-0NZ-oIjlk" title: "当 AI 热潮把钱烧光之后会发生什么" channel: "Invest Like The Best" host: ["Patrick O'Shaughnessy"] guests: ["Ben Thompson"] date: "2026-08-18" updated: "2026-08-19" duration: "1:25:54" duration_seconds: 5154 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=h-0NZ-oIjlk" canonical: "https://pod-exp.pages.dev/h-0NZ-oIjlk/" transcript_jsonl: "https://pod-exp.pages.dev/h-0NZ-oIjlk/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","AI 基础设施","半导体","投资"] series: ["AI 基础设施","AI 投资"] --- # 当 AI 热潮把钱烧光之后会发生什么 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Patrick O'Shaughnessy 与 Ben Thompson 从一个反直觉问题切入：如果美国真的“赢下”AI 竞赛，是否反而会让全球博弈更危险？对话随后一路进入前沿模型六到九个月的领先差距、推理成本、AI 资本开支的期限错配，以及铁路与互联网泡沫留下的基础设施遗产。Thompson 用聚合理论、商品周期和风险转移串起 Google、Microsoft、Meta、Amazon、Apple、TSMC、Intel 与 Nvidia：AI 可能先缺钱而不是缺算力，TSMC 的保守可能意外救 Intel，广告市场可能成为最强 AI 验证机器，而 Nvidia 的真正对手是拥有更低资本成本的 hyperscaler。最后，他提出一个判断：即使 AI 泡沫破裂，如果它留下的是更充裕的电力，那仍可能成为极其持久的社会资产。 ## [0:02] 美国“赢下 AI 竞赛”为什么可能反而危险 · YouTube **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 ## [1:01] 对华依赖、台积电与美国真正的优势 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [5:02] 六到九个月的领先，能不能变成永久领先 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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”？ **Ben Thompson：** 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。 ## [8:26] AI 的资金问题：如果世界先“没钱了” · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 我觉得我们现在也许已经更大了，或者至少在同一个量级。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 这太好笑了。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 为什么会震惊？ **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 没错。结果就是现金不断积累。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 ## [12:26] Google 会不会把 Search 变成自己的 See's Candies · YouTube **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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？ **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 ## [15:31] AI 能力的边界：可验证领域与不可验证领域 · YouTube **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 我认为医学绝对是最大的机会之一。 ## [19:33] 医疗、监管，以及人类无限制造需求与阻力的能力 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 反过来问：这到底什么时候能发生？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [20:30] 聚合理论到了 AI 时代还成立吗 · YouTube **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** AI 显然改变了这一点，因为推理成本是真实存在的。 **Patrick O'Shaughnessy：** 但“有多真实”呢？ **Ben Thompson：** 至少现在非常真实。 **Ben Thompson：** 当然取决于公司，但和之前那些例子相比，确实真实得多。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [24:32] 按席位收费的稳定世界，被 token 用量打破了 · YouTube **Ben Thompson：** 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”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** SaaS 早期已经经历过一遍。对我来说，最典型的公司就是 Dropbox。 **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [28:32] 消费者不想提高生产力，广告才是自然商业模式 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 免费把东西给人，就容易得多。 **Ben Thompson：** 对。所以 OpenAI 没有更早追这条路，让我非常挫败。 ## [31:11] 算力短缺不是今天投资不够，而是几年前投资不够 · YouTube **Patrick O'Shaughnessy：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 但商品市场完全不同。商品的价格由边际供应商决定。 **Patrick O'Shaughnessy：** 所以真正重要的只剩服务成本。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [35:11] 从航运到内存：商品周期为什么总会过度建设 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 然后会发生什么？更多人去造船。 **Ben Thompson：** 大家都会想：“要是我们有更多船就好了。” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** 我认为这种纪律，正面撞上了今天这个时点。 ## [39:12] 内存、霍尔木兹海峡与“风险不会消失，只会转移” · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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？” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 因此它天然会偏保守，而且这里也有一点文化因素。 **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 风险不会消失，只会移动。 **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** 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。 ## [43:12] TSMC 的保守，为什么可能反而救了 Intel · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 在现在算力极端短缺的情况下，你觉得还要多久？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [47:13] 最好的地缘政治保险，是先让商业激励成立 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [47:31] Amazon 的护城河：先做自己的第一客户 · YouTube **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 我还没试过。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 那 Apple 呢？它看起来几乎坐在场边看完整场 AI 浪潮。 **Ben Thompson：** 某种程度上，也许这是“运气好比能力强更重要”的情形。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 更远一点，你甚至可以想象这些能力直接在设备端运行。 ## [51:32] Apple：设备入口很强，但“确定性文化”适合 AI 吗 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 粗略地说，AI 是一个概率性事业，而 Apple 是确定性产品之王。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [54:44] 五个前沿 AI 玩家：信仰、创始人能量与生存压力 · YouTube **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** Meta 可能是最有意思的一个，因为你最近也写了很多。 **Ben Thompson：** 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”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** IBM 当年具体做了什么？ **Ben Thompson：** 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。 ## [58:44] IBM 的 30 年续命术，以及 Microsoft 的 AI 中间层战略 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** “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。 **Ben Thompson：** 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。 **Ben Thompson：** 这套模式给 IBM 又续了大约 30 年命。 **Ben Thompson：** 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。” **Ben Thompson：** 某种意义上，IBM 帮整个美国企业界接入了互联网。 **Ben Thompson：** 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。” **Ben Thompson：** 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。” **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 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。 **Ben Thompson：** 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”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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？ **Patrick O'Shaughnessy：** 因为以前就在用。 **Ben Thompson：** 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？ ## [1:02:44] AI 可能直接攻击 Microsoft 的界面层，也重写 Meta 的内容经济学 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** “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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 但 Facebook、Meta 呢？ **Patrick O'Shaughnessy：** 一分钱都不用付。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** Meta 真正拥有的是注意力。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [1:06:46] Meta 的广告市场，可能是世界最大的 AI 验证机器 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 ## [1:10:46] ATT、Meta 的广告叙事，以及两段赞助商内容 · YouTube **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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？ **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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？” **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [1:14:46] 如果“智能”成为商品，Nvidia 的高利润会怎么被重估 · YouTube **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 如果从整体企业价值看，这其实可以理解成一种“降价”。 **Ben Thompson：** 只是这个降价没有直接出现在 GPU 标价或毛利率上。 **Ben Thompson：** 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。 **Ben Thompson：** 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？ **Ben Thompson：** 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。 **Ben Thompson：** 更长期看，Nvidia 真正的竞争对手是 hyperscaler，尤其 Google 和 Amazon。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 ## [1:18:48] Hyperscaler 的资本成本，才是 Nvidia 最难对付的竞争优势 · YouTube **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** Hyperscaler 最大的优势是什么？ **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。” **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 所有人都会想要最好的东西。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 你很喜欢美国面对这种问题时的反应方式。 **Ben Thompson：** 是，太棒了。这其实是关于美国最令人鼓舞的信号之一。 ## [1:22:50] 如果 AI 真是泡沫，最好留下一个“能源过剩”的世界 · YouTube **Ben Thompson：** 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？ **Ben Thompson：** .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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 所以你真正想要的是“一场会留下东西的泡沫”。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Ben Thompson：** 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。 **Patrick O'Shaughnessy：** 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。 **Ben Thompson：** 非常感谢。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。 **Patrick O'Shaughnessy：** 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。