--- id: "zXB-LI7skL8" title: "BlackRock Tony Kim：AI 下一批赢家会是谁？芯片、内存、机器人与量子计算" channel: "Sourcery with Molly O'Shea" host: ["Molly O'Shea"] guests: ["Tony Kim"] date: "2026-07-24" updated: "2026-08-07" duration: "1:08:45" duration_seconds: 4125 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=zXB-LI7skL8" canonical: "https://pod-exp.pages.dev/zXB-LI7skL8/" transcript_jsonl: "https://pod-exp.pages.dev/zXB-LI7skL8/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"] --- # BlackRock Tony Kim：AI 下一批赢家会是谁？芯片、内存、机器人与量子计算 > 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：** BlackRock 全球科技团队负责人 Tony Kim 从投资者视角解释，生成式 AI 不是软件行业的一次普通升级，而是在重写计算、数据中心、内存、光互连、电力和硬件的价值链。他认为过去二十年“计算是一种便宜商品”的云时代假设已经失效，AI 把服务器从万美元级推向百万美元级，并让资本重新流向芯片与物理基础设施。节目还讨论了 RAM 短缺、芯片与模型协同设计、2030 年量子计算和轨道数据中心等长期赌注、中国机器人产业链与“西方大脑 + 中国身体”的组合，以及企业未来围绕 token、数据、上下文与 agent 形成的“Token Flow”。最后，他谈到 PE roll-up 可能如何用 AI 重构传统行业，以及真正塑造自己的人并非传统导师，而是那些愿意相信他、给他机会的人和他在书中认识的历史人物。 ## [0:00] 片头：从软件中心转向计算中心 · YouTube **说话人（未确认）：** Tony Kim 来自 BlackRock，负责全球科技团队。片头剪辑把他的核心判断先抛了出来：AI 出现以后，像是从“公元前”一下跨进“公元后”，2023 年之后很多旧规则都要重写。最底层的计算价值被放大了几个数量级——过去大约 1 万美元的服务器，如今可以变成百万美元级的机器。 **说话人（未确认）：** 他用一个粗略的市值分布来说明价值迁移：软件、服务和互联网大约是 10 万亿美元量级；“Mag 7”大约 22—23 万亿美元；芯片和硬件又有 30 万亿美元以上。AI 之前，这个结构可能恰好相反。过去四年，市场价值持续往计算和硬件倾斜。他还预告了机器人主题：中国已有大约 130—140 家机器人公司，他看到当年可能有 30—40 家潜在 IPO，而美国可能只有 0、1 或 2 家。 ## [1:13] 巴黎 RAISE Summit、秘密地点与四场圆桌 · YouTube **Molly O'Shea：** 欢迎 Tony 来到 Sourcery。两人在巴黎 RAISE Summit 期间录制，地点是一个有空调、还有可颂的“秘密场地”。Molly 笑说环境很舒服。 **Tony Kim：** 他觉得这里很漂亮，也很有典型的法国气质。他这次在 RAISE 要参加四场圆桌：一场谈下一代加速器与新计算架构，涉及 d-Matrix；一场和 PsiQuantum 讨论量子计算；一场和 Lumentum 讨论把光学引入下一代数据中心设计；最后一场和 Broadcom 谈 XPU 与 AI 芯片协同设计。 **Molly O'Shea：** “行程很轻松嘛。”她随后问，作为 BlackRock 全球科技负责人，Tony 为什么会参与 RAISE。 **Tony Kim：** 去年他原本是因为自己参与的一家公司来到这里；原字幕把公司与原定嘉宾识别为 `Sabanova` 和 `Lipu`，两个专名都不稳定。那位嘉宾临时不能来，他补位上场，由此第一次认真观察这个大会。原字幕还说，RAISE 当时大约是第二年，由一位被识别为 `Honore` 的组织者推动；这个人名同样保留为 ASR 待核对。他看到很多来自旧金山的同事和朋友都聚到巴黎，觉得欧洲需要一个更强的 AI 聚点，于是愿意帮忙把它做起来。相比去年，今年规模似乎又扩大了几倍，已经像欧洲最集中、最有针对性的 AI 大会之一。他记得去年看到 Eric Schmidt 登台时还很惊讶，因为此前自己甚至没听说过这个会议；照这个增长速度，未来可能连卢浮宫附近的场地都装不下。 ## [3:52] 为什么 Compute 开始支配一切 · YouTube **Molly O'Shea：** 四场圆桌看似分散，她问它们背后有没有共同的宏观主线。 **Tony Kim：** 第一条主线是计算的“优先级”发生了根本变化。无论股市还是私人投资市场，资本化结构都从软件中心转成计算中心。模型与计算在他看来几乎是共生关系：更强的模型要依赖更强、更合适的计算，计算的价值也因为模型需求而抬升。 **Tony Kim：** 第二条主线是数据中心必须重做。既然资本开支、市场注意力和瓶颈都集中到计算，旧时代为云服务设计的数据中心就不够用了。现在只是第一阶段——大家还在抢着建算力；下一阶段则由物理定律逼着架构继续改变，而且这种改变会向 AI stack 的每一层扩散。 ## [5:19] 旧数据中心为什么扛不住 AI · YouTube **Tony Kim：** AI 模型需要更高的计算密度，意味着必须在更小空间里塞进更多计算。随之而来的就是带宽、电力与热管理同时变得更难。过去数据在“公里”尺度上传输，后来缩到楼与楼、机架与机架之间，现在已经在机架内部，下一步是芯片内部。从公里到米、厘米、毫米，每缩短一个数量级，带宽、功率密度和散热问题都会被重新放大。 **Tony Kim：** 他用一句很形象的话概括：今年大约 1 万亿美元、未来五年可能 10 万亿美元的资本开支，本质上是在让数据多移动几厘米、几毫米。这就是 AI 的物理现实。因此真正值得研究的不只是“有没有 GPU”，而是整个数据中心如何围绕新的物理约束重构：能源和电网、芯片架构、数据移动方式，都要一起变化。 ## [7:44] 数据中心从铜走向光 · YouTube **Tony Kim：** 数据移动正在从铜走向光。光互连可以缓解高带宽、高功率密度和能耗带来的极限问题。与此同时，他强调另一个越来越重要的概念：模型与芯片的 co-design，也就是协同设计。最好的模型不仅运行在最强的计算上，模型参数和工作负载还会反过来决定硅片怎么设计；而芯片能力又反过来影响模型架构。 **Tony Kim：** 他会和 Broadcom 的 Charlie 在圆桌上谈这一点。原字幕紧接着把一个新芯片名称识别为 `jalapeno chip`，本文只保留这个 ASR 形态，不擅自纠正成某个正式产品名。总之，他这几场圆桌几乎都围绕 AI 的物理层，而不是软件层。 **Molly O'Shea：** 她开玩笑说，软件现在“有点困”。 **Tony Kim：** 除了芯片和光学，还有电力侧的重构：电网、behind-the-meter 发电、新型能源、核能与 SMR、800V 等更高电压架构，以及最终可能出现的固态变压器。每一次电压转换都意味着效率损失，所以未来数据中心会继续追求更少的损耗、更高的密度和更短的距离。 ## [10:44] 没人预料到的 RAM 短缺 · YouTube **Molly O'Shea：** 她提到两人在录制前的电话里聊过“RAM apocalypse（内存末日）”。 **Tony Kim：** 这个说法不是他发明的，但他认为现象确实重要。他强调自己并不是模型构建者，这只是他从计算架构侧观察到的方向。模型的发展越来越像人脑：早期 AI 极度强调并行计算，却没有多少“记忆”；现在模型开始保存用户行为、任务上下文，企业 agent 也要保留组织知识与长期记忆。人脑本身就是高度依赖记忆的系统；不过他也补充，究竟怎样比较人脑里的“记忆”和“计算”，取决于你如何理解突触、神经元等结构。总体上，他认为 AI 从“计算密集”进一步走向“计算 + 内存密集”并不奇怪。 **Tony Kim：** 芯片架构本身也越来越像是在解决“计算如何访问、调度不同类型的内存”这个问题：SRAM、DRAM、堆叠 DRAM、HBM、闪存等，都需要更靠近计算单元。所谓 RAM 短缺，背后还有一个 duration mismatch：建一座新的芯片或内存 fab 往往要三到四年，但短缺是今天就发生的。你要为三四年后的产能投入巨额资本，却必须面对今天已经爆发的需求。这种供需时间错配让市场非常焦虑。 **Tony Kim：** 他的方向性判断是，未来内存的重要性会继续上升。今天大家都在谈 compute，之后“memory 的优先级”可能变得同样关键。 **广告口播：** 这一时间块的最后二十秒已经进入 Brex 广告。口播从“You become what you spend on”展开，说不该把时间耗在 expense reports、追收据和 manual close 上，并列举 Vercel、OpenAI、Anthropic、Granola、Deepgram 等公司都做了同样的选择。 ## [14:44] Brex 广告 · YouTube **广告口播：** 广告继续说明，上述公司都使用 Brex。Brex 把企业卡、费用管理和 banking 合进一套 stack，并内置所谓 agentic finance：AI agent 自动处理费用、在支出发生前执行 policy，并把关账压缩到几分钟。Sourcery 自己也使用 Brex，口播最后给出 `brex.com/sourcery`（源字幕末尾拼写略有破损）作为页面。 ## [15:20] 内存产业只有少数核心玩家 · YouTube **Molly O'Shea：** 她说，自己和一位原字幕识别为 `Jamin from Kotu`、负责公开市场投资的人聊过类似问题；机构名可能是 Coatue，但拼写并不确定。随着 agent 扩散，内存需求只会更大；那次对话还提到稍后会聊的“chip flip”。她明确说，内存产业的主要玩家只有三家；而某家被字幕识别为“SKH Highex”的公司又涉及上市话题。真正难的问题是：供给有限带来的溢价还能持续多久？新产能什么时候追上来？投资者该怎么为这个周期定价？ ## [16:03] AI 时代的进攻型投资框架 · YouTube **Molly O'Shea：** 她把问题拉回更大的框架：我们已经进入 AI 新时代，推理需求、agent 和实时交互都要求整个技术基础设施重建。那么作为投资者，Tony 的策略如何变化，怎样在这样的市场里主动进攻，而不是只防守？ **Tony Kim：** 他认同“完整重建”这个说法。大约 2000—2020 年的互联网和云计算，是在一套完全不同的假设上建起来的：传统数据中心按兆瓦而非吉瓦计算，核心计算单元大致就是 CPU 加硬盘。云服务经常被描述成软件生意，但底层其实是在转售相对便宜的 CPU 与存储，再在其上叠加平台、数据库和 SaaS。 **Tony Kim：** 那个时代的 compute 成本很低，于是利润大多集中在应用与 SaaS 层。服务器可能只是几千到几万美元，算力被视为背景成本。AI 把这个顺序倒了过来：服务器进入百万乃至千万美元级，数据中心从兆瓦走向吉瓦，原本“便宜的底层”突然成了资本最重、最关键的一层。 ## [18:19] 二十年的旧假设：Compute 只是商品 · YouTube **Tony Kim：** 过去二十年，云计算时代形成了一个非常强的共识：compute 很便宜，甚至近似免费，是一种 commodity；真正高毛利的价值在上层软件。AWS、GCP、Azure 等大规模基础设施，也主要是为把本地软件迁移到托管云服务而建。 **Tony Kim：** 但 2023 年之后，这个旧框架失效了。他再次用“BC 到 AD”作比喻：AI 一出现，计算底座的价格和重要性被放大几个数量级。原来 1 万美元的服务器可以变成 100 万美元的服务器；过去只是手机里常见的 DRAM，如今又要与 HBM 等高带宽内存一起紧贴 AI 加速器。 **Tony Kim：** 旧云数据中心更多是城市里的相对小型设施，新 AI 数据中心则可能是得州那样的超大型服务器园区。它们卖的不是传统云服务，而越来越像“token 工厂”。模型公司再把这些 token 作为智能服务卖出去。结果就是利润结构也要重排：过去底层计算薄、上层 SaaS 厚；现在底层资产投入巨大，上层应用未必还能拿走过去那样高的利润。 ## [22:19] 从资产轻到资产重的价值迁移 · YouTube **Tony Kim：** 旧世界是资产较轻、毛利较高的软件增长；新世界正在转向资产更重、毛利率可能更低但绝对规模更大的计算基础设施。随着收入从旧数据中心迁移到新数据中心，投资者不得不重新判断：价值究竟落在哪一层，谁能收取利润，谁只是被压缩的中间层。 ## [22:41] 硬件如何悄悄超过软件 · YouTube **Tony Kim：** 他先声明这些都只是近似值，并粗略估计全球约有 1,500—2,000 家市值 10 亿美元以上的公司；为了观察价值结构，他把 Mag 7 单独算作一类，其中包括 Microsoft。 **Tony Kim：** 他给出一组刻意粗略的全球市值划分：非“Mag 7”的软件、服务和互联网大约 10 万亿美元；Mag 7 单列，大约 22—23 万亿美元；非 Mag 7 的芯片与硬件则有 30 万亿美元以上。他不是要精确做指数统计，而是强调结构已经发生巨大反转：AI 以前，市场可能更软件中心；AI 以后，compute 和 hardware 已经成为非常大的价值承载层。 **Tony Kim：** 这种变化不是一夜发生，而是过去四年持续推进。基础模型像一个不断吞噬资本的“Borg”：要让模型存在并持续变强，就必须依赖巨大 compute stack。于是投资上的“进攻”意味着承认新现实，把资本配置框架也重新对齐——智能需求越强，所需计算越多，而计算最终又转化为收入机会。 **Tony Kim：** 这也解释了为什么市场会先后出现所谓“SaaS apocalypse”“RAM apocalypse”等叙事。只要你相信 scaling law 仍然有效、智能能力大致按数量级继续提升，那么三年里 10×10×10 就是 1000 倍的能力变化。模型不是变弱，而是变得能做更多事；能做更多事，就会继续要求更多计算，也会持续重写毛利、defensibility 和商业边界。 ## [26:42] Scaling law、护城河与进攻速度 · YouTube **Tony Kim：** 他不太喜欢把“moat（护城河）”当成唯一思考方式，因为护城河终究可能被突破。相较之下，他更关心进攻速度：公司能不能跑得更快，能不能在下一次架构变化之前把自己推到新的价值位置。 **Tony Kim：** 这套判断当然不是永远不变的。他明确保留了修正空间：六个月后再聊，自己的 thesis 可能已经不同。现在的结论只是基于当前 AI 重构速度、市场结构和公司表现形成的阶段性判断。 ## [27:49] 投资规则：五年后你还“酷”吗 · YouTube **Molly O'Shea：** 很多新领域都有三到五年的建设周期，量子计算甚至总被说成“还要十年”。她问，面对这些长周期机会，Tony 如何决定把时间和资本放在哪，怎样权衡量子、专用芯片等不同风险。 **Tony Kim：** 作为投资组合经理，本质工作就是分配有限的资本。他同时做公开市场和私人市场，但无论哪种形式，都要在“今天”和“明天”之间做风险仲裁。AI 当前的涡旋是最现实的“now”：例如 DRAM、foundry 的三年供需错配。因此在大约三年的窗口里，他会放入绝大多数资源——他说大致 90% 左右，不是一个机械精确比例——去判断谁在上升、谁在下滑、谁停滞。 **Tony Kim：** 但只看三年不够。即使财务模型通常只能可靠预测两三年，估值仍隐含着“这家公司五年以后还有没有未来”的判断。如果一家公司现在看起来便宜，却在萎缩、增长减速，那么便宜未必是好资本配置。反过来，内存、计算、数据中心未来三年可能很好，但投资者仍要问四、五、六年后这个逻辑是否继续成立。 **Tony Kim：** 同时还要留一部分资源押注“前沿的前沿”。他在生成式 AI 爆发前就做过一些 AI 投资，当时不知道 LLM 会以今天这种方式起飞，只是直觉上认为机器学习/AI 一定会需要新的计算架构。六七年后，AI 加速器大战真正发生，这就是长周期下注的意义。 ## [31:49] 从 AI 加速器到更长期的前沿下注 · YouTube **Tony Kim：** 量子计算属于更长的周期。他大约从 2019 年开始介入，到现在已经看了很多年，可能还要再等五年。类似的还有太空和轨道数据中心。并不是每个长期下注都会成功，但投资者必须在“当下最强趋势”之外，持续为下一种非线性、非增量的变化保留注意力。 ## [32:42] 为什么长期科技路线都指向 2030 · YouTube **Tony Kim：** 他发现一个有趣现象：很多长周期前沿技术的路线图都不约而同地指向 2030 左右。量子计算谈实用级、逻辑纠错、百万量级 qubit；SMR、小型核反应堆和部分能源技术谈监管批准；经典计算谈 AGI；电力架构谈 800V、固态变压器；轨道数据中心也把真正规模化放在 2030 前后。 **Tony Kim：** 这并不意味着他把 2030 当作神奇年份，而是说明投资组合必须同时活在两个时间尺度里：80%—90% 的精力可能仍被当下 AI 列车占据，但你不能停止押注明天。他愿意把一小部分时间放到真正可能产生非线性、非对称回报的方向，而不是所有看起来“未来感”十足的项目。 **Tony Kim：** 五年窗口尤其重要。十年几乎无法精确预测，但五年仍足以决定今天的 exit multiple。一个公司今天很酷，不代表五年后仍然重要；如果增长开始衰减、市场已经转向下一代架构，你今天按热门趋势买入，退出时可能得到完全不同的估值。 **Molly O'Shea：** 她笑说，Tony 的很多投资 memo 上大概都写着“2030”。 **Tony Kim：** 他回应说 2030 其实并不远。站在 2026 年看，2031 也只有五年；不少公司到那时甚至还没有自由现金流，因此投资者必须拥有某种关于“未来如何转正”的信念，而不能只盯着下一季度。 ## [36:43] MongoDB 与 AssemblyAI 广告 · YouTube **广告口播：** MongoDB 的广告强调，它可以在同一数据库里实时存储、搜索并对数据做推理，把 vector search 与 Voyage AI embeddings 放进同一套系统，避免为 agent 再拼十来个独立工具和 pipeline。口播称约 75% 的 Fortune 100 以及许多 AI-native startup 使用 MongoDB，并强调可以从第一个用户一路扩展到 billions of vectors，最后给出 `mongodb.com/ai`。 **广告口播：** AssemblyAI 的广告把自己定位成 voice AI infrastructure layer，称有数百万开发者使用其 speech-to-text、voice agent 和 speech understanding 模型。口播列举 Granola、HeyGen（源字幕此处识别成 `Hen`）、Ashby、ClickUp，并强调其 speech-to-text 的准确率与质量，以及 speech understanding 可以在转写之外提取洞察、识别说话人、标出关键信息。最后给出 `assemblyai.com/sourcery` 和 50 美元试用额度。 ## [38:16] 芯片从来不是真正的商品 · YouTube **Molly O'Shea：** AI 让很多看似“老行业”的类别重新获得生命力：芯片、量子计算、轨道数据中心、机器人。她提到自己刚参观过 Figure AI，也在 Figma 的 Config 大会上看到 Boston Dynamics 的 Atlas。不同机器人有不同定位：有的强调液压和重物能力，有的更偏日常、分拣、制造等场景。她问 Tony 最关注哪些新类别。 **Tony Kim：** 第一反应是机器人。但在进入机器人之前，他先纠正“芯片是 commodity”这个长期偏见：这个地方本来就叫 Silicon Valley。人们忘了硅和芯片才是它最早的力量来源。他用《魔戒》的比喻说，这像一枚遗失的权力之戒又被找回来了。 **Tony Kim：** 芯片行业的盈利能力一直非常强，甚至高于不少软件、制药、工业、电信公司，因此把它简单当作 commodity 本来就不准确。过去二十年，芯片公司数量从数百家持续收缩，每个细分市场往往只剩少数强者，形成双寡头或高度集中的结构。与此同时，传统风险资本很长时间并不愿意给这类公司投钱，新公司更少，幸存者反而变成有巨大定价权的巨头。 **Tony Kim：** 所以今天并不是“芯片突然有价值”，而是它一直有价值，只是 AI 让这股力量重新被市场看见。他开玩笑说，这是“nerds 的复仇”。 ## [41:31] 机架、材料科学与物理世界复兴 · YouTube **Tony Kim：** AI 正在带来硬件和物理科学的复兴。服务器很酷、光纤很酷、电力很酷，甚至 rack design（机架设计）都突然成了热门话题。弯金属、铜、散热、材料、substrate、advanced packaging，这些过去看起来不性感的工程问题重新进入价值中心。 **Tony Kim：** 人才瓶颈也随之出现。世界上没有足够的芯片设计师，一些“老手艺”变得像 blacksmith 一样稀缺。他前一晚和一家大型内存公司的人员吃饭，对方说很难找到能做 custom memory co-design 的人。既然模型、芯片和内存都在一起协同设计，那么过去大量投入软件的人才，未来一部分可能不得不转向内存架构、硬件与材料工程。 **Tony Kim：** 在他看来，AI 的下一次 unlock 就是“physical world”。认知工作、认知劳动会先被模型深入改造，而这些模型最终会被放进机器人，开始进入真正的物理环境。 ## [43:30] 一个机器人的“大脑”是什么 · YouTube **Tony Kim：** 他把机器人理解成两个“大脑”组合。第一部分像 LLM，负责语言、记忆、人与机器人之间的交流；第二部分更像 world model 和运动控制系统，负责理解环境、身体动作、反应与肌肉式的控制。 **Tony Kim：** 许多大型 AI lab 都在开发机器人“大脑”。但把大脑装进身体以后，真正困难的部分又回到硬件：手臂、腿、手指、关节、触觉、运动控制。尤其手是非常难的工程问题。换言之，robotics 不是纯模型业务，而是智能模型与制造、机械、材料、供应链共同构成的系统。 ## [45:03] 中国机器人产业为什么跑得快 · YouTube **Tony Kim：** 他估计中国已有约 130—140 家机器人公司，并看到当年潜在 IPO 管线可能有 30—40 家；美国同年可能只有 0—2 家。这里有制度差异：中国私人资本市场深度相对不足，一些公司会更早使用公开市场融资，因此 IPO 数量不能简单等同于技术领先程度。 **Tony Kim：** 在“机器人身体”这一物理层，中国以及更广泛的日本、韩国制造体系有明显优势。模型、world model、机器人脑方面，很多人仍会认为西方领先；但制造规模、EV 供应链、成本控制、零部件和量产能力，让亚洲非常适合把机器人身体快速做出来。 **Tony Kim：** 他特别纠正了 Atlas 的归属：Boston Dynamics 由韩国 Hyundai 所有。更值得关注的是未来可能出现自由组合——中国制造的 robot body，加上西方开发的 brain。Tony 说自己已经知道有人在这样做，因为一些中国机器人身体本身就非常出色。未来“身体”和“大脑”可以混搭出很多排列组合。 ## [47:39] 最大机器人市场也许不是工厂，而是陪伴 · YouTube **Tony Kim：** 比起制造业机器人，他个人有一个更反共识的兴趣点：社交、陪伴、教育、老年照护和年轻人的孤独问题。他认为真正巨大的消费级机器人市场，可能来自 companionship，而不只是工厂自动化。 **Tony Kim：** 背景是人口结构。亚洲很多地方的生育率已经低于 1，而人口更替水平大约需要 2.1—2.2。老龄化和人口下降意味着护理需求会持续增加；与此同时，年轻人也面对孤独问题。机器人未必要有完美的人形运动能力，只要能承载足够的智能、记忆与同理心，就可能创造很大价值。他甚至提到，世界上一些表现非常好的公司就是 nursing-home companies，说明老龄化需求已经在现实商业里显现；机器人形态也可以很多样，不必做成威猛、男性化的全尺寸人形。 **Molly O'Shea：** 她提到自己在 Instagram 看过远距离情侣使用一个小型移动机器人，让另一方能像宠物一样在家里跟着走。 **Tony Kim：** 他借《星球大战》里的 R2-D2 和 C-3PO 举例：未来未必需要 Terminator 或 Westworld 那样逼真的全尺寸人形。一个半人高、亲切、不具压迫感的机器人，如果拥有莎士比亚和爱因斯坦级别的知识、会说各种语言，还能同理地听老人讲故事、记录他们的人生，已经可能非常有用。它甚至不需要拥有完美的五指精细操作。 **Tony Kim：** 他觉得这是一个非常值得观察的新市场。两人又开玩笑说，当然还可以让机器人去建设月球基地，那也很酷。 ## [51:34] 语音模型、Agent 与数据层的连锁反应 · YouTube **Molly O'Shea：** 她长期关注硅谷高增长公司。coding agent 当然很热，但语音模型公司也增长得惊人。她举 AssemblyAI 为例，说这类公司增长速度不输许多最热门 AI 公司。 **Molly O'Shea：** 更有意思的是 agent 的下游/上游连锁反应：agent 不断生成更多数据，于是 Databricks、Snowflake 这类数据平台重新获得关注；再往应用和数据库方向走，agent 创建更多 app，也会把需求推向 MongoDB 等数据库。她问 Tony 是否也在看这些“被水流带起来”的赢家。 **Tony Kim：** 他确实投了其中不少公司。两人还现场纠结到底应该叫“streaming downstream”还是“upstream”。Tony 笑说自己是按 stack 的垂直方向思考：compute → models → data → apps。到底叫上游还是下游不重要，关键是价值正在沿 stack 重新流动。 ## [53:08] Token Flow：未来企业的新框架 · YouTube **Tony Kim：** 如果数据中心正在重构，那么企业本身也会重构。未来的大企业一边持续“引入 intelligence tokens”，另一边拥有自己的数据层。外部智能必须围绕这个数据层被编排，而数据层里既包括企业自有数据，也包括第三方数据。 **Tony Kim：** 一家公司是什么？当然是人、渠道、品牌，但还应该能把组织长期积累的知识、秘密、工作方式和员工经验压缩进一个 context layer。原字幕把他提到的公司名识别为“Palunteer”，他接着说那家公司把这个层叫作 ontology；根据上下文可能指 Palantir，但本文不把 ASR 疑点直接改成确定事实。 **Tony Kim：** 于是企业 stack 可以简化成：底层数据，上面是 ontology/context，外部或内部 token 流进来，agent 通过 context 与数据交互。然后 agent 可以大规模生长。Tony 把这套视角叫作 **Token Flow**：顺着 token 的流向看价值在哪里。 **Tony Kim：** 你可能处在 token 流的不同位置：compute 负责“制造”token；foundation lab 提供或售卖 token；应用和服务在 token 外包一层 harness、context 与业务逻辑，再重新打包出售。无论闭源 token 还是开源 token，只要你的商业模式不能进入这条 token flow，就会越来越难找到稳定利润位置。 **Tony Kim：** 他认为 voice API、数据基础设施都明显在 token flow 里，而很多传统 app 公司正在努力寻找自己的新位置。与此同时，“inference cloud / edge cloud / edge AI”之类的新公司开始出现，它们像最后一公里，把 token、开发套件和推理能力做成中小企业开箱即用的产品，因此也把自己插入了 token flow。 ## [57:11] 从卖软件到卖完整结果 · YouTube **Tony Kim：** 另一条路线是干脆把 stack 全部抽象掉，不再卖某个软件模块、某个 token 或某种计算服务，而是卖最终结果。例如对保险客户说：理赔处理、保险后台全部由我做，你只要按结果付钱。 **Tony Kim：** 这样一来，客户甚至很难给供应商分类：它是 app 公司、服务公司、compute 公司还是 token reseller？都不是，它卖的是完整解决方案。原字幕在价格例子中出现“100red, I'll charge you 20”的识别错误；能确定的语义只是“过去客户付一个更高价格，现在我用 AI 重构后只收其中一小部分”，具体数字不应过度纠正。 **Tony Kim：** 他已经看到一些私募股权和风险投资机构尝试这条路线：买下旧行业里的公司，把客户关系一并买到手，再把整套技术 stack 换掉，用新成本结构提供同一项结果。 ## [57:56] PE roll-up 会不会成为下一种 AI 颠覆 · YouTube **Molly O'Shea：** 她觉得 PE roll-up 很有意思：表面看是“做一个新产品”，实际上最重要的是把客户直接买过来。 **Tony Kim：** 对，本质上是买公司和客户，然后重构服务交付。传统行业里往往有很多低效率和冗余成本，如果新的 AI-native 组织能把它们拆掉，就可能形成一门大生意。但他并不把结论说死，只说自己认识一些人已经开始做，而且值得观察。 **Molly O'Shea：** 她说自己采访过 General Catalyst Creation Fund 等团队，一些机构确实在做 PE roll-up 和新公司组合。她还提到 Long Lake 买下一家字幕识别为“AMX Global”的公司，并说这像是一个较小玩家吃下较大玩家，因此很有代表性；公司专名仍需核对。 **Tony Kim：** 他提出更一般的框架：如果一个新公司只要 500 人，就能创造传统公司 10,000 人的收入规模，那么传统行业的流程、组织结构与成本基础就可能被彻底重做。这种公司会直接冲击旧行业，而 incumbent 能否足够快地自我调整，答案还没有定论。 **Tony Kim：** 他认为“下一只落下来的鞋”可能正是那些 AI 渗透率还很低的传统行业。旧员工在旧流程里推动局部软件改造非常困难；反而通过收购整家公司，由新团队一次性重构组织和技术 stack，可能更有效。但这是一个非常新的模式，他的态度仍是：很感兴趣、正在看，还不能断言结果。 ## [1:00:48] 未来十二个月，什么可能发生 · YouTube **Molly O'Shea：** 节目只剩几分钟，她把问题从 2030 拉回未来十二个月：到大约 2027 年 6 月，Tony 最期待或最担心什么？ **Tony Kim：** 他先说，可能还是“同样的故事继续”。市场似乎每六个月就会出现一种恐慌：某种“apocalypse”、战争、利率、资本开支太多、融资不够……但穿过这些噪音，他仍然乐观地认为 compute wall、memory wall、算力需求和数据中心重构会继续推进，一年后大家大概率还在讨论今天这些主题。 **Tony Kim：** 第二，他希望看到“重新想象数据中心”的更多 proof point。第三，他希望大型 foundation labs 在未来十二个月出现上市进展，因为他认为公开市场对这类资产存在很强需求。 **Tony Kim：** 另一个更前沿的期待是轨道数据中心继续向前迈一步。把一部分 terrestrial compute 移入太空，会迫使数据中心设计产生更激进的变化，也可能反过来改变今天地面数据中心的建造方式。他并不是说十二个月内就会大规模实现，而是希望看到路线图和工程进展继续被证明。 **Molly O'Shea：** 她笑说，这听起来有一点“manifestation（显化愿望）”。 **Tony Kim：** 他笑着否认：“我不是在显化，我只是……反复思考。” ## [1:03:51] 哪些人塑造了 Tony Kim · YouTube **Molly O'Shea：** 最后一个问题借 Brex 的“performance”主题展开。她说，一个人的表现往往与身边的人有关，人们常说你会成为最亲近五个人的结果。Tony 已经有很长的职业经历，那么一路上哪些人真正启发或指导过他？ **Tony Kim：** 他先拒绝“传奇职业生涯”这个形容，说自己只是努力活下来。他不确定自己有没有传统意义上的 mentor；更准确地说，是在一些关键节点上，有人相信他，给他自由、空间和“王国的钥匙”，让他去做事。 **Tony Kim：** 例如，当初有人把他带进 BlackRock，给了他很大的 carte blanche 和自主权，相信他的能力。更早以前，他做过 investment banking。作为一个在美国中西部长大的工程背景年轻人，他本来想去咨询，却没有咨询公司愿意雇他；反而有投行的人愿意“赌他一把”，让他找到适合自己的位置。后来又有人告诉他“go west, young man”，把他推向西部和科技行业；那还是 dot-com 浪潮之前。 **Tony Kim：** 他现在也试着把同样的善意传下去：和很多年轻人一起工作，不一定要以“导师”自居，而是尽可能鼓励他们、给他们一个 break、一个 shot。 **Tony Kim：** 然后他又说了一句很有意思的话：“我的 mentors 都已经去世了。”他非常喜欢历史，在书里把 Caesar、Alexander、Napoleon、Beethoven、Churchill 等人物当成老师。他小时候并不是很会社交，甚至有些被排斥，因此经常泡在图书馆；那些历史人物就成了他的精神导师。进入真实世界后，又有一些人仅仅因为善意而相信他、给他机会，这些人他永远不会忘记。 **Tony Kim：** 他最后把答案压缩成一句玩笑：“dead people and kind people——逝去的人，还有善良的人。” **Molly O'Shea：** 她说这个答案很美，是一个很好的收尾。两人互相道谢。 ## [1:07:52] 节目收尾与系列预告 · YouTube **节目口播：** 节目感谢 RAISE 团队以及 Brex、MongoDB、AssemblyAI 对这次巴黎系列录制的支持，并预告同一系列还有 Tony Kim、Cognition 的 Scott Wu、Cerebras 的 Andrew Feldman、原字幕识别为 `Rodrigo Leang from Somova`、`Michael Hurstston from Lumenum`，以及 MongoDB 的 CJ Desai 等嘉宾。中间两组姓名与公司名 ASR 不稳定，因此正文保留原识别形态，不扩写成确定专名。 **节目口播：** 听众可以在 X、YouTube、Instagram 找到秘密地点录制的短评，也可以订阅 Sourcery 的 YouTube 和免费 newsletter；口播还提到可在 `sorcery.vc` 选择付费订阅。节目最后再次列出 AI、机器人、企业软件、消费、半导体、融资等长期关注主题，并以“Thank you. Bye.”结束。