芯耀
与非AI
875
原标题：为什么市场误判了AI的价值？美国资深半导体科技领域投资人GavinBaker解析模型竞争、算力供需与资本周期
这是一场围绕AI资产定价、算力供需、资本开支、开源模型与市场结构展开的长对话。本文整理自《Invest Like the Best》对Gavin Baker的视频访谈《Why the Markets Are Pricing AI Wrong》。
全文分为两部分：Part 1提炼这场对话中最值得关注的核心判断，帮助快速理解GavinBaker对当前AI市场的主要观点；Part 2则保留完整问答与上下文，尽量还原原始讨论逻辑，方便进一步阅读和核对具体观点。
关于Gavin Baker
Gavin Baker是投资机构Atreides Management的创始人、管理合伙人兼首席投资官，主要关注科技与高成长公司投资。在创立Atreides之前，他曾在Fidelity Investments工作近20年，并于2009—2017年担任Fidelity OTC Portfolio的基金经理，同时参与Fidelity的风险投资业务。更早期的研究和投资经历覆盖半导体、电信、医药、零售等多个行业。
他长期跟踪科技产业和半导体行业，因此在这场访谈中，讨论重点并不只是“AI股票涨不涨”，而是从GPU供需、云厂商资本开支、模型经济性、开源生态以及现金流兑现等角度，判断市场是否正在错误定价AI。
Part1｜对话摘要：最值得记住的8个判断
这场对话讨论的并不是一个抽象的“AI有没有泡沫”问题，而是一个更具体的定价分歧：公开市场正在用什么假设给AI产业链定价，而这些假设是否与一线的算力价格、Token需求和现金流变化相符。
1、市场在交易“AI盈利接近周期高点”，Gavin看到的却是基本面仍在加速
7月，AI相关股票大幅下跌，市场开始交易算力过剩、资本开支见顶、开源侵蚀商业模式等叙事。但Gavin在硅谷看到的量化信号并没有同步恶化：GPU仍然紧缺，部分旧GPU集群续约价格明显上涨，DRAM和Token需求也保持强势。他的核心分歧在于：股票价格在快速下修，但产业一线的大多数可观察指标并没有跟着下修。如果这种背离持续，市场可能是在用过于悲观的假设给AI基础设施定价。
2、真正决定这一轮AI投资是否成立的，是经营现金流能不能追上资本开支
市场最值得担心的风险并不是“AI需求突然消失”，而是这轮基础设施建设最终变成一个高度依赖债务融资的资本周期。一旦过度举债，供需稍有错配，整个体系都可能快速逆转。Gavin的反驳是，很多存量GPU算力仍锁定在几年前签下的低价长期合同中。随着合同到期并按更高的市场价格重新定价，超大规模云服务商的收入和经营现金流可能继续加速。如果这部分现金流兑现，原本预计需要信贷支持的很大一部分资本开支，可能直接由内部现金流覆盖。因此，这轮AI多头逻辑能不能成立，最终要落到现金流，而不是只看资本开支规模。
3、开源模型不是“算力需求消失”，而更像是AI产业链利润重新分配
市场容易把用户从高价前沿模型转向便宜开源模型，理解成AI需求下降。但Gavin强调，对基础设施来说，Token就是Token：无论Token来自闭源前沿模型还是开源模型，都仍然需要FLOPs、内存、电力、冷却和数据中心。真正变化的是利润率和利润归属。开源可能压低前沿模型层的毛利率，把一部分利润转移到推理云、基础设施和应用层；与此同时，更低的Token价格还可能刺激更多使用量。因此，开源对某些模型公司的商业模式可能是挑战，但未必对底层算力需求构成利空。
4、AI的下一阶段可能不是“一个超级模型吃掉所有需求”，而是多模型分层与路由
Gavin更倾向于一个多模型共存的未来：便宜的开源模型处理大量普通任务，最强的前沿模型负责规划、检查和最困难的问题；企业再用自己的数据训练专用模型，通过Router在不同模型之间分配任务。
这会让Harvey、Cursor等AI原生应用有机会形成自己的模型层和数据壁垒，而不再只是简单依赖某一家前沿模型供应商。一个很有意思的反直觉是：大量廉价的“120 IQ”模型出现，不一定降低“160 IQ”前沿模型的价值，反而可能让负责统筹这些模型的最高级智能更加值钱。
5、AI支出最终必须从真实经济中找到来源，最乐观的答案不是裁员，而是增长
如果Token支出持续扩大，这些钱最终只能来自两个地方：替代劳动力成本，或者AI带来更快的经济增长。
Gavin提到，一些高度AI化公司的Token支出已经相当于薪酬成本的20%—30%，但很多创始人主导的科技公司并没有因此进行同等规模的裁员。这让他更倾向于第二种可能：AI并不只是用Token替掉人，而是在让同样的人创造更多收入。因此，真正最强的AI多头逻辑，是生产率和经济增长，而不是单纯的劳动替代。
6、真正能证伪AI多头逻辑的指标，其实很明确
Gavin给出的风险清单并不复杂：经营现金流停止加速；Anthropic、OpenAI、Grok、Cursor和开源生态的总需求明显放缓；GPU租赁价格持续大幅下降；GPU从短缺变得很容易获得；以及AI基础设施越来越依赖债务融资。技术层面，他尤其关注持续学习和样本高效学习。如果模型未来能用显著更少的数据完成训练，并在部署后持续高效学习，训练算力需求可能受到影响。不过长期来看，他仍认为推理会逐步成为更大的算力需求来源。
7、AI不只是在被市场定价，它也开始改变市场本身的定价机制
越来越多公开市场投资者会把新闻第一时间交给Claude等模型分析。当大量投资者使用相似模型，并得到相似的解释时，市场的认知多样性可能下降。结果是，同一叙事会被更快交易，过去可能需要几年走完的行业周期，现在可能在几周内完成上涨、拥挤和崩塌。Gavin把这种现象视为理解近期AI股票剧烈波动的一个重要新变量。
8、这场对话最终留下的，是一套可以持续验证的判断框架
Gavin并没有把结论表达成“AI股票一定会上涨”。相反，他反复强调自己可能错，并试图寻找能够推翻自身判断的负面数据。但经历一轮大幅下跌后，他得到的观察仍然是：股票价格显著恶化，而多数产业量化指标没有同步恶化，部分指标甚至继续改善。所以接下来不必继续争论宏大的“AI泡沫”叙事，只需要盯住几项东西：Token使用量、GPU租赁价格与可获得性、存量算力合同的重新定价，以及超大规模云服务商的经营现金流。
Part2｜完整视频&对话
以下为整理后的完整访谈。为便于公众号阅读，去除了广告口播和无信息量的口头填充，对字幕断句、明显翻译腔及已确认的英文转写/中文翻译错误进行了校正；访谈中的实质观点、数字、案例、追问和分歧尽量完整保留。
7月像“把2022年浓缩进了一个月”但AI基本面反而在改善
Patrick：Gavin，才两个月而已。模型发布周期越来越短，我们两期播客之间的间隔也在缩短，现在几乎是跟着模型发布节奏在录节目。有人之前还说，我们的播客总是恰好出现在局部市场高点。经历这一次之后，应该没人能这么说了。
这个月实在太疯狂了。你现在最想聊什么？
Gavin：我会把7月形容成“把2022年浓缩进了一个月”。基本面确实有一些负面因素，我们应该谈，但总体来看，我认为基本面其实是在显著改善。
很多AI相关股票已经从高点跌了50%到60%。更准确地说，是一个月内几乎直线下跌了40%到60%。
开录前我还问过你：你整个夏天都在这里，有没有听到任何一项关于AI的负面量化指标？
Patrick：没有。事实上，我看到的几乎每一项指标都在加速。而且这并不是因为大家对AI盲目乐观，他们确实能从各自所处的位置拿出数据来证明这一点。
Gavin：完全同意。无论看GPU的可获得性、GPU租赁价格、本月DRAM现货价格，还是Token增长，所有指标都在加速。
我认为市场现在有一个很大的问题：它看不到Anthropic和OpenAI的真实经营情况。另外，市场也看不到美国这些靠推理变现的开源推理云，比如 Fireworks、Baseten、Modal 和 Together。把这些私营公司纳入观察之后，整个图景会完全不同。
开源正在因为GLM-5.2、Kimi K3等模型大幅提速，Nemotron也在稳步推进，美国也出现了不错的小型开源模型。与此同时，OpenAI的增长在加速，Anthropic继续强劲增长，而且几乎肯定正在产生相当可观的自由现金流。
市场上有一张大家都喜欢看的图：半导体公司的现金流一路向上，而超大规模云服务商的自由现金流走向另一个方向。但这张图漏掉了Anthropic、OpenAI和这些推理云，也漏掉了另一个非常重要的变化。
2024年、2025年的时候，即使你极度看多AI，你大概也会认为GPU的租赁价格会缓慢下降；如果你看空，就会认为价格会快速下跌。但我不认为当时有谁会想到，到2026年，旧GPU的价格居然还在直线上涨。
于是当时所有人都觉得自己很聪明：去签长期合同。很多新型云服务商其实也必须这么做，因为只有先拿到长期承购协议，它们才能为GPU融资。
结果就是：现在已经签约的存量算力，其合同价格相对现货市场存在巨大折价。随着这些合同陆续到期，算力会以更高价格重新定价。即使未来现货价有所下降，合同算力仍可能被向上重估。到那时，你会看到明显的收入和现金流加速，很多关于AI投资回报率的质疑也会因此得到回答。
这个季度已经开始出现迹象。注意，我说的是经营现金流，不是自由现金流。微软、Meta和亚马逊披露的经营现金流增速，从28%加速到了32%。而且本季度还有不少大额一次性项目，例如这些超大规模公司经常会有数十亿美元的法律费用，很多来自欧盟罚款。如果把这些一次性项目剔除，增速实际上是从28%提高到大约35%。在这么大的基数上，这是非常明显的加速。
更重要的是，这还发生在Rubin大规模上线、以显著溢价定价之前，也发生在大量旧合同重新定价之前。
这个月市场到底在怕什么？从Meta、开源模型到DUV光刻机
Patrick：这个月确实很难熬。要不要按时间顺序回顾一下，市场是怎么一步步走到这里的？
Gavin：可以。第一件事是Meta说要把一部分算力租出去。市场立刻把它理解成重大利空：Meta有过剩算力了，要削减资本开支了，AI建设要出问题了。
但实际情况完全不是这样。Meta随后的财报已经证明，它并没有削减资本开支，其他指标也没有变差，反而继续加大投入。
当时更接近真实的解释是：Meta看到了市场上有人拥有大量已经部署好的算力集群，并且可以用远高于早期合同价的价格把这些集群租出去。于是市场猜测，Meta也许想先拿一小部分产能出来，证明这些算力能够获得很高的内部收益率，然后再去募集股权资本、进一步增加资本开支。
后来事实看起来未必就是这套计划，但无论如何，市场最初把这件事理解成“需求不够、产能过剩”，我当时非常确定这种解读是错的。
Meta后来的回应也不是收缩。它很快发布了很长一段时间以来最好的模型之一Muse Spark1.1。这个模型后来被Grok4.5的热度盖过去了，但它本身是个很好的模型，远强于Meta过去两年的很多产品。所以从这个角度看，Meta根本没有理由松油门。
紧接着，市场开始因为开源模型而恐慌。与此同时，Silicon Data的Token指数在下降后趋于平稳，这两件事其实是连在一起的。
这个Token指数并不覆盖所有Token，而且GLM-5.2、Kimi等模型的影响过了一段时间才被纳入。真正发生的事情是：Token的结构正在从价格更高的前沿模型，转向更便宜的开源模型。
前沿模型的推理毛利率可能是80%、90%，甚至95%，具体数字可以讨论；而开源模型对应的Token毛利率低得多。市场看到收入结构从高毛利前沿Token转向低毛利开源Token，就认为这是需求变差。
但对基础设施来说，Token就是Token。生成一个Token所需要的FLOPs、内存、功耗，并不会因为它是开源模型还是闭源前沿模型而发生本质变化。
所以开源抢份额，更多是在把利润从前沿模型层转移出去。低价会产生需求弹性，用户会使用更多Token，于是需要更多算力。Anthropic和开源模型最后都运行在底层云基础设施上，也都要为算力付钱。换句话说，这更像是利润从前沿模型层向AI基础设施层转移，而不是AI基础设施需求消失。
Patrick：黄仁勋几乎可以说是全球最大的开源支持者。如果开源真的对英伟达业务不利，他还会这么支持吗？
Gavin：他当然是一个非常理想主义的人，也是一个很爱国的美国人，我相信如果一件事对世界是正确的，他即使不赚钱也可能支持。但如果开源对英伟达明显不利，它大概不会成为他如此核心、如此高频的议题。
而且我认为开源本身对社会非常重要。一个世界如果只有一两个前沿模型占主导地位，并且长期赚取接近90%的毛利率，对人类和社会都未必是好事。我们需要很多模型，这一点我们以前也谈过。
市场好不容易开始消化并接受开源这件事，接着又传出中国已经有了DUV光刻机。因为大家的仓位都集中在类似的股票篮子里，这条消息又引发了半导体设备股的大幅抛售。
但这些事情里，我认为真正值得担心的不是Meta，也不是开源，而是实际收益率上升和信用利差扩大。
我们现在正在投入非常多的资本支持AI基础设施建设。虽然绝大部分资金仍然来自经营现金流，但信贷在其中的占比确实在上升。实际收益率上涨，信用利差扩张。Meta上周发了一笔债，它的定价并不像传统意义上的Meta债券那样轻松；很多公司的CDS利差也都在扩大。
有一些非常聪明的私募资本人士会说，这只是银行在对冲已经承诺出去的融资，本来就会发生。但无论如何，表面上看确实不好看，而且这些都是无法否认的事实。
如果我们真的必须依赖债务来完成这一轮AI基础设施建设，那会非常可怕。也正因为如此，我前面说的“存量算力合同价与现货价之间的巨大差距”才如此关键。
真正的风险是债务吗？
如果经营现金流能加速
7000亿美元信贷需求可能根本不会出现
Patrick：所以未来六个月最重要的问题之一，就是这轮建设到底有多大程度需要依赖信贷，对吗？如果最终变成债务驱动的资本周期，那就是经典的危险模式。
Gavin：完全正确。一旦开始过度举债，事情就会变得危险。债务驱动的扩建要求迅速偿债，如果供需稍微出现一点错配，整个体系就可能非常快地逆转。互联网泡沫时期就是这样。
经历了这个月之后，我对自己的所有判断都更加开放，也一直在做压力测试。我尤其认真研究了信贷，因为这是真实存在的风险。如果AI建设最终必须依赖信贷，那就是一个重大负面因素。
但把数字建模之后，我得到的结论并没有那么悲观。
如果你看未来计划上线的吉瓦数，再看市场对超大规模云服务商的共识预测，这些新增算力主要是Blackwell和Rubin。Rubin是英伟达下一代芯片，Blackwell是当前一代。可市场在模型里，实际上大致按Ampere的变现能力来估算这些算力——Ampere已经落后两代，甚至不是按Hopper，而是按更老的Ampere。
按这个假设，超大规模云服务商未来的经营现金流大约是1.3万亿到1.4万亿美元。
但我认为Blackwell和Rubin最终只按Ampere的水平变现，是非常不可能的。我们在硅谷一线看到的真实量化需求信号，也不支持这个假设。
哪怕你只是保守地假设，它们的变现水平低于当前Blackwell的水平，经营现金流也更接近2万亿美元。这样一来，大约7000亿美元的信贷需求就直接消失了。
而且经营现金流越强，所有信用指标都会改善。存量算力重新定价之后，经营现金流还会继续加速。市场目前的模型反而假设增长会减速，我认为这个假设本身就值得质疑。
信用指标改善以后，即使企业仍然想使用债务融资，融资也会变得更容易。至于它们最终要不要用，这是另一回事。
我们以前谈过一个风险：Blackwell可能出现所谓的“需求空档”。你投入几千亿美元购买Blackwell，最初大量芯片用于训练，而训练本身不会立刻产生收入和回报，所以一段时间里可能会出现资本开支先上去、现金流还没有跟上的情况。
第一季度我们确实看到了类似迹象。但两个月前我开始逐渐不那么担心这个风险，一个重要原因就是Anthropic当时展现出来的东西太惊人了。市场在4月、5月、6月也愿意暂时越过这段空档往后看。
到了7月，因为一连串事件叠加，市场突然不愿意再往后看了——偏偏这时经营现金流已经开始真正加速。微软6月上线了大量新产能，其中很多甚至还没有体现在第二季度数据里。
所以归根到底，你需要判断的是：你是否相信硅谷这些私营公司正在发出的量化需求信号会持续？如果会，那么旧合同到期之后，存量算力会被以更高价格重新定价，经营现金流会上升，大部分建设就可以直接由经营现金流支持，甚至可能全部由经营现金流支持。
如果按当前价格水平重新定价，未来几年可能就能为全部建设提供资金。
Gavin到硅谷的任务：请告诉我一个真正的负面数据点
Gavin：这就是为什么我觉得这次市场行情很不寻常。
2022年的时候，你很清楚市场在担心什么：衰退、利率上升、通胀。DeepSeek那次冲击，你也知道市场在怕什么；“解放日”也是如此。风险非常明确，反而会给人一种奇怪的安慰感。
这一次，我们当然也讨论了很多具体担忧，但除了信贷以外，其他很多叙事在我看来都经不起事实验证。可股票仍然在跌。技术分析派会告诉你，这反而有点可怕，因为真正击中你的，往往是那颗你没有看见的子弹。
我以前说过，我认为投资里最重要的三个词可能不是“安全边际”，而是“我不知道”。所以我这周来硅谷的主要任务，就是不断问人：好，告诉我点负面的东西。给我一个真正的负面量化指标。
今天早上我刚和一家非常热门、大家都想合作的初创公司聊过。它租了一个几千块Blackwell GPU的集群。几个月前，它租这批B200的价格大概是每GPU小时2美元多；现在，几乎完全相同的集群，七个月后续租时，它预计要付接近4美元。
换句话说，原本即使GPU租金只是温和下降，我都会觉得这已经算利好；结果现实是，六七个月里价格反而上涨了50%到60%。
类似的例子还有很多。我记得有一家推理云，也许是Baseten，我不敢百分之百确定，它们在一档播客里直接说：等Blackwell的合同到期，我们预计要多付100%。
这实际上意味着，几乎所有超大规模云服务商现在都在“少赚”——因为它们以远低于现货市场的早期合同价出售算力。
Patrick：那你真的找到什么负面指标了吗？
Gavin：我问了很多人。唯一反复听到的，是Anthropic的第三方数据似乎显示，它的增长曲线稍微偏离了原先的轨迹。我认为这件事很可能是真的。
但与此同时，OpenAI和开源模型都在大幅加速。如果把所有需求加总，我看到的仍然是净加速，甚至可能比之前还快。
开源有点像公开市场里的“暗物质”。公开市场很难测量它。你能得到的很多信息只是推理云负责人在播客、会议上的表述，并不是经过审计的财务数据，所以必须保持谨慎。但从各家公司透露的情况看，需求明显在加速，这也符合GLM-5.2、Kimi K3带来的能力跃迁。
我认为英伟达也会让Nemotron持续逼近前沿模型。
这是一个非常令人谦卑的月份。我已经对几乎每个假设都做过压力测试，但最后回来看到的还是：基本面在改善。
与此同时，英伟达的预期市盈率却降到了过去10年最低附近。半导体股只有在“解放日”和DeepSeek冲击时比现在更便宜，而那两次都是非常典型的V型底。
Patrick：这是不是意味着，市场实际上认为这些公司的当前盈利远高于可持续水平？
Gavin：百分之百。市场就是这么想的。
我们必须谦虚，也许市场是对的，也许这些公司确实在过度盈利。但我这周就是来寻找能够支持这种判断的负面数据，而且已经尽可能努力去找。通常你来硅谷，总能听到一些积极的东西、一些消极的东西，最后总体偏积极，因为技术长期创造价值。但这一次，我几乎没有找到真正的量化负面指标，除了刚才说的Anthropic第三方数据。
而且Anthropic的股东对这件事争议非常大。你能明显感觉到，他们一方面迫不及待地想告诉你自己知道的情况，另一方面又担心公司发现消息是从自己这里流出去的，影响未来IPO配额。他们的态度非常明确：第三方数据并没有完整反映真实情况。
我也很难相信，开源和OpenAI的加速幅度会大到足以完全解释所有变化，但Anthropic仍然明显处于领先位置。第三方数据同时也能看到Grok和Cursor在增长，尤其Grok4.5、Grok Build发布后，7月出现了很明显的变化。
所以，这真的是一个很难处理的月份。
AI正在让股票市场本身变得更“同质化”吗？
Gavin：我有个在富达的朋友说，过去三年最有效的市场策略，就是尽快做最简单、最表面的交易，然后迅速轮动。
Patrick：那现在最简单的交易是什么？
Gavin：降低风险。整个7月，很多人都在围绕这些叙事降低风险。但除了信贷之外，很多叙事在事实层面并不成立。我们的研究反而让我越来越相信，信贷不会成为决定性问题。
而且现在市场出现了一个很有意思的新机制。
假设我们确实需要信贷来建设未来所需的算力，但信贷突然不到位，那现有算力只会变得更值钱。这让我想到Michael Mauboussin以前讲过的一个理论：当市场里的认知多样性消失时，泡沫和崩盘都会更容易发生。
今天我认识的公开市场投资者，不管是个人还是机构，几乎都会把每条新闻立刻丢进Claude。有人用Claude，有人用Claude Code，有人甚至直接跑Claude Agent。
但Claude本质上是一个概率模型。对于同一条新闻，大量用户得到的解释往往不会相差太大。股票市场历史上从来没有出现过这种情况。
以前大家会说传统媒体时代有Walter Cronkite这样几乎唯一的“权威声音”，后来媒体碎片化了。可现在，Claude某种程度上正在变成股票市场里的Walter Cronkite：很多人默认相信它给出的解释。
Claude很聪明，但它并不总是正确。问题是，股票市场本质上是在用贝叶斯方式给未来定价。现在越来越像是：新闻出来，Claude给出一个解释，然后一大批人按照同一个解释做交易。
这种同质化已经开始制造非常剧烈、非常短的市场周期。
匿名“半导体圈”里有个人叫TBU，他发过一张很惊人的日本电容器股票走势图，说电容器行业在六周内走完了一整个周期。那些股票几乎直线上涨，有的可能翻倍、三倍、四倍，然后又迅速跌回去。
最荒诞的是，真实基本面甚至还没来得及兑现。过去可能需要三年走完的周期，现在六周就走完了。
持续学习如果突破会不会反而降低训练算力需求？
Patrick：你这段时间在这里接触了很多公司。我特别好奇，围绕推理、训练以及整个模型服务链条的效率提升，现在有哪些长期创新值得关注？有没有什么技术方向让你特别兴奋，或者特别警惕它可能改变公开市场对算力需求的判断？
Gavin：有一个方向我非常关注：持续学习和样本高效学习。很多人似乎认为，这两件事已经接近真正的突破。
我们以前讨论过这个问题。如果持续学习和样本效率真的解决了，训练需求短期会不会出现某种断层？这是一个合理的问题。
有人给我打过一个很形象的比方：人类可能只相当于用大约200亿Token“训练”出来，而今天的大模型训练数据已经到了300万亿Token的量级。如果未来一个模型只需要10万亿Token就能训练出来，而且发布之后还能用极少样本持续高效学习，那么单纯从训练需求看，这显然不是利好。
不过，从长期结构看，训练本来就会占半导体算力需求中越来越小的一部分——趋近于一个很小、但不是零的比例。真正巨大的需求最终还是推理。
所以我认为，持续学习和样本高效学习，是目前最值得关注的科学或技术变量之一。谁也不知道它的影响会是长期的还是短期的。SSI说他们会在8月发布模型，这一代很多新实验室也都在专注这个方向。
必须强调：如果这些问题真的解决，对世界当然是非常好的事。我们都希望它发生。只是我仍然很难相信，它最终会真正降低AI基础设施的总需求。
经历这个月之后，我一直努力让自己保持非常开放、非常谦虚。如果你一定要我找一个技术层面可能改变判断的东西，我会把持续学习和样本效率放在非常靠前的位置。
而且英伟达其实也积极参与了很多这类初创公司，所以它自己也能看到这些变化。
Patrick：如果一定要列一组会让你真正改变AI多头判断、甚至感到害怕的条件，你会列什么？是不是经营现金流没有兑现，最后整轮建设都要靠债务融资？
Gavin：对。第一，如果经营现金流不能继续加速，这是明确的负面信号。这在很大程度上取决于Anthropic、OpenAI、Grok、Cursor和开源生态的总需求。
第二，如果GPU租赁价格持续大幅下跌，市场会很快反映出来。
第三，如果GPU变得非常容易获得，也会让我担心。
Patrick：你现在听到过任何人说“我GPU太多了”吗？
Gavin：一个都没有。事实上正相反。
这听起来甚至有点像毒品市场，但现实就是这么夸张。真正明显的风险列表其实很清楚：如果Anthropic、OpenAI等实验室加总起来的需求增长停滞甚至下降，那非常负面——除非只是因为开源Token在扩大整个市场的同时抢走了它们的份额。
我越来越相信未来会是多模型并存。尤其是AI原生公司，它们会越来越愿意使用开源模型。现在很多推理云在监督微调和强化学习方面已经非常成熟，你可以用自己的数据定制一个开源模型，再把它放在路由器后面。
一个请求进来以后，可以先交给自己的模型处理，再让Claude、Grok等前沿模型做检查或处理最难的部分。很多情况下，最终结果甚至稍好，但总体成本只有原来的一半。
很多人一听“成本降一半”，就觉得这对AI基础设施需求不利。其实不是。
用户最终支付的价格，取决于不同Token层的毛利率。你只是把需求从毛利率可能接近90%的昂贵前沿Token，转向毛利率可能只有30%的低价Token。成本下降来自利润率重分配，而不是来自生成Token所需算力消失。
这些Token背后消耗的算力基本一样。
而且不同公司正处在完全不同的AI采用周期里。很多大型上市公司会说：“我的AI支出三个月里增长了20倍，预算瞬间花完了。”于是它们部署一个路由器，把更多任务交给便宜模型，表面上看AI支出稳定甚至下降了。
但实际情况可能是，Token生成量反而增加了，GPU算力小时数仍然在上升。公司只是变得更聪明：针对不同任务选择不同模型。
这类事情正在一些最前沿的上市公司里发生。与此同时，还有整整一波AI原生公司，它们正在极其激进地投入AI，并没有大量招聘人类员工，而是把越来越多的钱直接投入Token。
再往外看，美国东海岸很多公司几乎还没有真正采用AI；美国内陆大量企业总体也远没有那么前沿；欧洲甚至还在讨论如何监管AI，很多地方是在真正使用AI之前就先考虑怎么管。
所以，现在其实有很多波AI采用浪潮同时发生，只是所处阶段完全不同。
客户的钱从哪里来？5万亿美元的Token支出，最好来自增长而不是裁员
Gavin：有个数字我一直忘不掉。全球现在真正高频使用Agentic AI的人，也许只有50万，甚至只有25万。但在这么低的渗透率下，我们已经出现了非常严重的算力短缺。
地球上有七八十亿人。等使用Agentic AI的人从50万变成1亿，再变成5亿，会发生什么？
Patrick：这也是很多人对你观点的反驳点。假设我们接受“超大规模云服务商当前盈利低于应有水平”这个判断，也接受存量算力重新定价之后，它们的经营现金流会加速，甚至足够支持资本开支。
但这些经营现金流最终从哪里来？客户是谁？
Gavin：从定义上说，只有两种可能。
就像Satya说的：经济要么会因为AI开始以更快速度增长，比如增长10%，要么不会。另一种来源就是劳动力替代。
在很多AI原生公司里，我们确实已经看到某种形式的劳动力替代，但它并不一定表现为裁员，而是公司根本没有像过去那样招聘那么多人。
你可以看“每名全职员工创造的毛利润”。a16z、ICONIQ等很多机构都做过类似研究。与过去几代初创公司相比，AI原生公司的这个指标几乎是直线上升的。
Patrick：你们有没有调查过投资组合公司里，Token支出相对于人力支出的比例？
Gavin：有。通常会看Token支出占总薪酬成本的比例。那些真正“AI化”得非常深的公司，这个比例已经能到20%、25%。
Patrick：我们的朋友Dylan Patel是ASI（Artificial Super intelligence）的坚定信奉者，他的公司已经到30%。
Gavin：这可能是我听过最高的之一。
Patrick：我甚至听说过50%。
Gavin：全球知识工作大约是25万亿美元的经济体量。如果用你刚才的20%来算，就是5万亿美元。
这5万亿美元，要么来自对劳动力支出的替代，要么来自更快的经济增长。作为人类，我们当然非常希望它主要来自经济增长。
我今天早上刚听一位非常资深、创办过多家公司的科技CEO讲了一件有意思的事：如果看那些仍然由创始人主导和控制的公司，并把疫情期间过度招聘造成的修正剔除掉，其实几乎没有公司在做真正的大规模裁员。
按理说，这些创始人应该是最愿意快速采用AI、提高效率的人。可除了扎克伯格的一些动作之外，他们并没有普遍进行巨型裁员。
这可能说明，他们看到的机会不是简单地“用Token替掉人”，而是人和Token可以一起创造更多东西。
Patrick：所以真正的多头逻辑是增长，而不是劳动替代。
Gavin：对，就是增长。
你已经看过Cognition、Ramp、Stripe等公司发布的数据：AI支出最高的公司，增长速度也明显更快。
Patrick：我很喜欢Cognition Index。
Gavin：那个指数确实很惊人。当然，怀疑者会合理指出，它并没有完全控制行业差异。但如果往数据里继续钻，你会发现甚至一些很传统的公司——我记不清例子是管道工还是HVAC承包商——也能明显从AI中受益。
而现在蓝领工人整体上其实也在受益。这一点我们后面谈数据中心时还会回到。
为什么所有人都在签长期协议？存储和算力正在变成一场“权力的游戏”
Gavin：还有一个我认为非常重要的问题：现在所有人都在签长期协议，也就是LTA。
目前几乎一切都处于短缺状态。如果哪里看起来有点疲弱，主要是因为我们还没办法足够快地给这些吉瓦级数据中心通电，而不是因为需求不够。
这些吉瓦最终会被通上电。政策方向正在改善，涡轮机制造商、柴油发电机组制造商都在加速扩产，甚至有人把旧飞机上的涡轮机拆下来翻新、重新利用。很多以前听起来很疯狂的事情正在发生。资本主义在解决供给瓶颈这件事上非常擅长。
我之前有一个判断是错的：我以为存储公司会继续追求短期业绩的大幅超预期。但现在它们明显在转向另一种策略——牺牲一部分短期上行空间，换取长期的供应链协议。
这些LTA有很多结构。有些要求客户预付款，有些设价格下限和上限，有些锁定供货量。
这有点像疫情之后的“劳动力囤积”。很多公司当时裁人太狠，后来就越来越不愿意轻易再裁员。现在供应链也出现类似心理：经历过严重短缺之后，各方更愿意牺牲短期价格优势，换取长期确定性。
但真正有意思的是：如果你未来想撕毁这些LTA，博弈论会非常残酷。
现在规模上真正重要的玩家大概有四类：亚马逊有自己的Trainium，谷歌有TPU，AMD是一个重要玩家，然后是体量远大于其他玩家总和的英伟达。除此之外还有很多初创公司。
假设到了2027年、2028年。你必须认识到内存的重要性：单位FLOP能配到的内存越多，单位算力能输出的Token越多。这是提升Token产出的最重要手段之一，也直接降低单位成本。这也是为什么目前需求对价格变化几乎没有表现出明显负面弹性——性能和产出提升压过了价格本身。
某种意义上，这已经变成这些公司之间的一场大型“权力的游戏”。
假设到了2028年或2029年，你觉得市场有点供过于求，于是开始想撕毁此前签的长期协议，试图拿到更低价格。
可未来几年，市场份额很大程度上会取决于你能得到多少供应链配额、以及你提前锁定了多少产品。
所以你要问自己：如果今天撕了LTA，未来两三年里因为任何原因，议价权重新回到存储供应商手里，会发生什么？答案可能是你直接出局。
比如谷歌今天因为供给过剩而撕掉长期协议。供给过剩之后，价格下跌，产能自然收缩。而这是一个周期性行业，供给过剩之后通常又会走向供应不足。到下一轮短缺时，谷歌能拿到多少配额？供应商会优先给谁？
你可能为了短期降低一点采购价，毁掉整个业务的竞争基础。
以前苹果做采购时不是这样。苹果几乎没有真正同等级的竞争对手，又是最大的买家。即使它把海力士压得很狠，美光也会很乐意接苹果的订单，所以苹果长期知道自己有巨大的议价权。
今天的AI供应链完全不同。至少有四个大型竞争者，还有一大批初创公司。你如果撕掉价格协议，对方完全可以说：“好，那我们也撕掉供货量协议，把这些货给你的竞争对手。”你立刻就可能丢掉市场份额。
为什么当前环境几乎处处都在强化英伟达的优势？
Gavin：这也是我很难理解英伟达为什么会以这么低市盈率交易的原因之一。
如果你必须给芯片融资——而现在大家确实需要——没有什么资产比英伟达GPU更容易融资。
如果你还需要土地和电力，英伟达也非常擅长在生态里做协调，帮助各方把资源和合作伙伴连接起来。
它们最近还在发展一种我觉得很聪明的新商业模式，我会把它叫作“带收入分成的信贷封装”。简单说，如果GPU的实际租赁价格高于某个底线，英伟达除了芯片收入之外，还能拿到持续的收入分成。
这有可能让英伟达通过类似特许权收入的机制，非常快地建立一项规模巨大的云相关业务，也能缓解整个行业现金流期限错配的问题。
Patrick：这算供应商融资吗？
Gavin：严格来说不完全算。英伟达并没有直接把钱借给购买GPU的公司，而是其他资金提供方把钱借给GPU买家。英伟达仍然会做股权投资，但也不是简单地投资一家公司，然后让对方拿这笔钱回来买英伟达芯片。
英伟达还专门说过，它的股权投资协议里会写明，投资款不能直接用于购买英伟达芯片。当然，资金本身具有可替代性，这也是为什么这件事经常引发争议。
Patrick：如果你是海力士CEO，你会怎么做？
Gavin：我会照着英伟达的思路做。
Patrick：具体怎么做？
Gavin：我会去找GPU、Trainium等芯片的买家，对他们说：我也可以参与这类信贷封装。
存储业务本身没有英伟达那么稳定、那么可预测，但完全可以设计某种结构。比如先拿出一部分现金，降低债权资金提供方承担的风险，相当于提供一定担保；与此同时，要求在未来持续获得一部分收入分成。
我现在只是在现场构想一个结构，但方向非常自然。存储公司现在有大量现金，而信贷市场已经开始出现抵触。像Blackstone、Apollo这样的机构，我相信也一定会给存储公司设计各种类似方案。
本质上，这是LTA逻辑的进一步延伸。传统LTA是供应商用一部分价格上行空间，换取业务的稳定和持续；如果再叠加收入分成，你甚至可以持续从客户未来的经常性收入里获得类似特许权费的回报。
这就是英伟达正在做的事，而我认为市场严重误解了这一点。
英伟达把这件事解释清楚，对自己会很有帮助。第一，它们确实极度看好AI。事实上，过去几乎每一次英伟达没有拿到某家重要AI公司的股权，事后看都像一个错误。它们投资了几乎所有重要公司，只是长期没有投资存储公司；Anthropic过去也没有，但现在已经入股。
如果你本身有极强的自由现金流，又非常看好AI，为什么不去获取这些上行空间？黄仁勋能看到几乎每一家实验室的进展：OpenAI、Anthropic、xAI、Safe Superintelligence，以及各种持续学习实验室。他看到的东西显然让他保持乐观。
所以英伟达第一可以拿股权上行，第二可以拿收入分成，第三还可以帮助整个生态填补资金缺口。
英伟达每年正在创造数千亿美元的自由现金流，而很多实验室当前自由现金流仍然是负的。在这些实验室经营现金流真正加速、能够完全内部融资之前，生态里确实存在一道资金缺口。英伟达参与填补这道缺口，不仅能获得额外收益，也会提高自己每吉瓦对应的收入，还会进一步加强竞争地位。
你和我都投过芯片初创公司。假设一家客户想用某家初创公司的芯片，那当然很好，但它马上会遇到三个问题：向台积电支付的晶圆价格往往比英伟达高；购买HBM DRAM的价格也更高；而且这些芯片几乎不可能像英伟达GPU一样，以同样低的成本、同样容易地获得融资。
如果架构还依赖HBM DRAM，就会直接暴露在高价内存风险之下，除非它选择完全不同的架构。
所以最近发生的很多事情，实际上都在加强英伟达的位置。
这又回到了博弈论。如果Anthropic过去像OpenAI那样激进地购买算力，它现在可能已经领先得更远。现在OpenAI又重新回到了竞争前沿，Grok也进入了前沿。真正位于帕累托前沿的公司都有一个共同点：它们有算力。
Patrick：看过这一轮竞争之后，还有谁敢松油门？
Gavin：很难。
Dario大约四个月前谈过这个问题，他讲得非常深入。对于这些实验室来说，买太多算力，投资规模大到足以让公司破产；但买得不够，又可能直接在竞争中掉队。
我们已经亲眼看到这种事情发生。OpenAI刚刚重新回到前沿，SpaceX现在又带着Grok4.5和Cursor强势进入。
从博弈论角度看，在可预见的时间里，我很难看到谁会主动退让，尤其当这些资本开支最终能够更多由经营现金流支持时。
硅谷所有人都比Gavin更乐观：有人甚至认为H100年租金可以涨到25万美元
Patrick：你这段时间在这里见了这么多人，有没有遇到比你乐观得多的人？如果有，他们相信什么，是你不相信的？
Gavin：老实说，这里几乎所有人都比我更乐观。
我看了Dwarkesh写的那篇文章，当时整个人都愣了。
Patrick：是不是那个“算力价格涨3倍”之类的判断？
Gavin：不，是更夸张的，大概15倍。他的核心意思是，一块H100租一年可能值25万美元。这大概是当前现货价的15倍。
这个数字根本不在我的情景假设里。别说我给它多高的贝叶斯概率了——我甚至没把它放进“考虑过但因为概率太低而排除”的尾部情景中。
这很有Dwarkesh的风格。他非常聪明，而且消息非常灵通。
他还指出三个变量正在同时向上：算力本身的利润率在上升，计算量在上升，推理的利润率也在上升。把三者相乘，就能解释为什么各家实验室和开源模型加总之后的增长会如此夸张。
当然，开源模型本身的利润率并没有真的上升。但总体来说，这里的人确实比我更乐观。
我看股票市场的时候，会觉得自己像一个愚蠢的超级多头；可一旦我跟实验室里的人、基础设施生态的人聊，我几乎总是房间里更偏谨慎的那个。
这种反差非常奇怪。
DUV光刻机：这是“相变”，但不等于一夜之间追上EUV
Patrick：你怎么看中国的DUV新闻？我看到市场上的反应几乎覆盖整个光谱。一种说法是，这相当于ASML 2001年的技术；另一种说法则是，这是一个全新故事的开始，会改变我们理解全球先进算力供应的方式。
Gavin：我认为这两种说法可能同时成立。
打个比方，如果DUV光刻机相当于螺旋桨飞机，那EUV可能相当于喷气式飞机；或者你也可以说DUV是喷气发动机，EUV是曲速引擎。比喻本身不重要，重点是两者之间仍然有巨大代差。
但中国以前没有这种能力，现在据说已经有了。这本身就是一次“相变”——像物质从液态变成固态。哪怕这台机器仍然落后25年，也不意味着它不重要。
我不认为应该轻视这件事。
另一方面，股票市场很容易对这种新闻反应过度。即便它最终真的影响ASML的订单，真正的影响可能也是五年以后。在这五年里，市场可能会忘记它、重新担心它、再忘记、再担心很多次。
所以我的判断是：这件事确实重要，但市场短期可能反应过度。
如果站在中国的角度，这显然是一件国家级的重要事情。
但我绝不会低估中国的工程能力。他们非常聪明，也非常拼命，而且把半导体自主能力视为国家战略。
Patrick：可他们真的能从相当于2001年的水平，一口气追到2026年，甚至2030年吗？
Gavin：这就是关键。半导体制造高度依赖“边做边学”。这种动手实践积累起来的学习周期，没法靠聪明直接跳过去，也没有传送门能把你送到未来。你必须一轮一轮做，一轮一轮犯错，再一轮一轮改进。
所以它重要吗？重要。市场反应过度了吗？大概率也过度了。
还有一点美国人很难真正理解：中美脱钩已经是一个启动并且自我强化的过程。无论好坏，双方现在都在不断强化彼此的行动。
这很不幸，但现实就是如此。中国不会停，美国也不会停。
开源并不会杀死软件公司反而可能让AI原生公司的护城河更深
Patrick：除了那十来家最核心的上市公司和几家私营实验室之外，你怎么看美国其他公司？
Gavin：如果只看上个月，当然会觉得市场只剩AI。但再往前一个月并不是这样——那时几乎除了AI之外所有板块都在直线上涨。
从软件行业本身看，我越来越认为，开源逐渐逼近前沿，再加上Fireworks这类公司让定制模型变得非常容易，反而是软件行业的巨大礼物。
很多场景里，你可以用自己的专有数据，把开源模型调到比通用前沿模型更适合具体任务的水平，而且成本明显更低。
这对大量AI原生公司尤其重要。
我们的朋友Vichia大概两年前就说过，他从没见过这么多公司从成立开始就能如此快地做到几千万美元年收入，有些公司甚至能在九个月里跑到5000万美元年收入并产生现金流。
过去人们会把很多这类公司贬低成“ChatGPT套壳应用”。当时确实很难判断，它们究竟有多少长期竞争力。
但现在有了开源之后，情况正在变化。如果一家应用公司在某个垂直场景中积累了独特数据，它就可以拿这些数据训练自己的模型，而不是永远依附某一个前沿模型供应商。
Fireworks有个我觉得非常酷的产品叫Nexus。假设你同时使用Claude Code、OpenAI Codex、Grok Build等不同工具，Fireworks可以把你的数据导入，用强化学习训练一个更贴合你业务的模型，然后再通过路由器把不同查询分给不同模型。
他们得到的结果非常惊人。
这几乎可以成为很多AI原生公司的通用路径。Harvey、Cursor、Legora等公司都在强烈往这个方向走。
未来不是所有Token都必须交给一两个前沿模型。你可能只把30%到60%的Token交给前沿模型，让每个模型做最擅长的任务，其余请求交给自己经过强化学习训练的模型。
这时候你就不再只是一个套壳应用了，你的护城河会深很多。
Patrick：Cursor有个例子让我印象很深。感觉AI正在“速通”人类已经形成的组织经验：最聪明的人负责规划，然后把具体任务分给能力没那么强的人。
Gavin：完全是这样。前沿模型负责计划，再把任务分配给更便宜、没那么聪明的模型。Cursor的案例里，效率好像提高了15倍，具体指标我不记得了，但幅度非常惊人。
这也带出另一个有趣的反论点。
有些Anthropic、OpenAI、Grok的坚定支持者认为：一旦前沿模型真正达到ASI，最先进智能的运行成本会快速下降。你可以用很低价格提供一个超级智能模型，再通过蒸馏，低成本地满足不同智能水平的任务，那开源可能就没有存在空间了。
这个观点不能轻易忽视。经历这个月之后，我尤其想保持谦虚。一切都有可能。
但对我来说，这个结局仍然不太可能。
Patrick：为什么？
Gavin：第一，现在已经有很多AI原生公司积累了大量特定领域的专有数据。
在开源模型真正崛起、推理云和路由器成熟之前，这些公司几乎没有选择：前沿模型供应商给什么服务条款，你就只能接受什么。
现在如果能够离开这台跑步机，建立自己的模型层，就能获得一定的独立性，也能增强业务的持久性和安全性。
而且你刚才的观点可能反过来成立：大量廉价、相当于“120 IQ”的开源Token，反而会大幅抬高真正最前沿、“160 IQ”模型的价值。
Patrick：对。如果一堆120 IQ的模型可以低成本执行任务，那么能够统筹它们、做最高层决策的160 IQ模型，不是更值钱了吗？
Gavin：是的。
我们上次聊时，有件事让我非常吃惊：当时绝大部分经济回报几乎都流向了前沿模型层。现在随着Together、Modal、Baseten等推理云崛起，这种结构开始改变。
这些公司的商业模式非常惊人。它们资本效率极高，增长速度几乎赶得上前沿实验室早期阶段，但烧钱少得多。如果重新用一些传统SaaS指标，比如“40法则”去衡量，它们的数字非常夸张。
Patrick：一家组织内部的薪酬分布，会不会给我们一个很好的类比？CEO的薪酬可能是员工中位数的很多倍；前沿Token和开源Token的关系，也许最终会像这样。
Gavin：完全可能。
整个蛋糕在快速变大。前沿模型可能丢掉一部分Token份额，但仍然获取非常大的一部分经济价值；与此同时，真正被处理的Token数量中，开源模型可能占大多数。
再回到最初的基础设施逻辑：这对算力需求反而非常有利。Token就是Token。生成Token仍然需要FLOPs、电力、空间、冷却和硬件。
Gavin认为AI最大的风险不是技术，而是监管和公共叙事
Patrick：如果一定要说AI领域最糟糕、最可能真正改变长期判断的事情，会是什么？监管吗？
Gavin：我认为监管必须排在最大的风险里，而且这是最明显的风险。
我这次来硅谷，本来就很想听到一些真正能让我害怕的东西。我不想感觉自己像个疯子——一边看着这些股票越来越便宜，一边还觉得它们未来的预期回报越来越高。
尤其是一线基本面从6月到7月明明还在实质性改善。所以我一直在想：我到底漏掉了什么？
想来想去，我仍然认为监管是最值得担心的风险。
你不能忽视纽约州出现数据中心暂停相关政策这件事。我们现在处在一个很奇怪的政治环境里，事实和逻辑未必能够自动赢得公共讨论。而AI行业过去在公共沟通上做得非常差。
我认为行业现在至少开始意识到这个问题了。可能还没解决，但意识到了。
今天华盛顿以及很多普通美国人脑海里的叙事是：数据中心会提高我的电价，会拿走当地的水，会抢走就业，最后AI还会进一步抢走更多工作。
而AI行业自己认为现实恰恰不是这样。
按目前一些大型数据中心项目采用的协议结构，我看到的情况恰恰相反：数据中心落地后，当地其他用户的电价甚至可能下降。特朗普政府推动的相关数据中心承诺，也试图让开发商承担更多本地电力和社区基础设施成本。
过去，一个大型项目进入社区，也许只是给警察局、消防局添几辆车、一些设备。现在很多数据中心开发商谈的却是：建医院、建学校、建新的警察局和消防局，同时承担电力基础设施投资。
Patrick：如果一座签署了这类承诺的数据中心来到你的社区，听起来确实会很不一样。
Gavin：而且数据中心带来的蓝领就业并不只是一次性的建设岗位。
数据中心长期都需要管道工、电工、HVAC承包商，需要维护、升级、改造。技术不断变化，设备也需要持续更新。
从很多方面看，这是我一生中见过对蓝领工资最有利的事情之一。
也正因为如此，当前的政治叙事让我觉得很荒诞。有些政治力量表面上说自己代表蓝领工人，却同时反对会长期创造这些高薪岗位的基础设施建设。
这让我想到一句话：谎言已经环游世界，真相可能才刚刚起床。
有一个关于数据中心用水的例子特别典型。有人在一本书里把数据中心用水量高估了1万倍。不是差一点，也不是差一个数量级、两个数量级，而是极其夸张的误差。作者后来多次承认错误，这个说法也被反驳，但最初的错误已经传播出去了。
Patrick：这有点像“大力水手效应”。你听过菠菜那个例子吗？
Gavin：没有。
Patrick：大力水手吃菠菜，是因为长期以来大家都以为菠菜铁含量特别高。但据那个经典故事，最初的来源只是学术资料里一个小数点错误，后来就一路传播开了。直到今天，很多人仍然觉得菠菜的铁含量特别高。
Gavin：我也一直以为是这样。那太疯狂了，这都已经是几十年前的事了。
但数据中心现在面临的就是类似问题：一个错误一旦形成公共叙事，即使后来被纠正，也可能继续存在。
所以总得有人把另一面的故事讲出来。我甚至觉得整个行业应该组织起来。如果没人愿意做，也许需要某种行业组织、基金会，甚至是一个专门做公共传播的PAC，在NCAA Final Four、NFL、大学橄榄球、World Series这类大众赛事期间投广告，告诉普通人数据中心到底是什么。
如果你所在的社区有一个按照这些承诺建设的数据中心，行业应该清楚解释：它可能为本地电力系统投资，可能为社区带来长期高薪蓝领工作，也可能给当地财政和公共设施带来持续投入。
很多人误以为数据中心建完以后工人就走了。确实，施工阶段有一个就业高峰，随后很多施工队会转去下一个项目，但现有数据中心仍然持续需要维护、保养和升级。
而且数据中心完全可以建在城外，不一定要占用最核心的城市空间。
这个故事必须被讲出来。
我们上次也聊过另一个更重要的叙事：AI正在越来越真实地帮助医学发现、挽救生命、治疗罕见病。
我记得今年ASCO的整体氛围就是：这是很多参会者见过单次会议中科学突破最多的一次，其中至少一部分明显受到了AI的推动。
如果你的孩子生病了、父母生病了、亲人得了严重疾病，AI正在提高他们获得有效治疗的概率。
行业必须把这些故事讲出去。
硅谷的人天天看这些东西，会觉得一切都显而易见，所以经常意识不到外面的人根本不知道。他们无法理解，自己眼里极其明显的事实，和大多数美国人的认知之间可能存在巨大差距。
这就是为什么我认为AI行业必须学会更好地讲自己的故事。纽约州可能只是一个开始。即使在一些非常支持经济增长的深红州，当地政府也会对行业说：你们没有把自己的故事讲清楚，我们不能替你们发明这个故事；但如果你们先讲清楚，我们可以帮你们重复。
如果你不主动讲自己的真实情况，没有人会替你讲。
市场还漏掉了什么？SRAM加速器可能继续提高推理投资回报率
Patrick：我们还有什么重要东西没谈到？
Gavin：我认为现在关于算力的大部分讨论，都漏掉了一个硬件方向：当不受HBM DRAM约束的SRAM加速器真正进入系统之后，会发生什么？
这类加速器通常可以使用相对老一些的制程节点，因此不会和最先进GPU争抢同样的先进制程产能。
谈推理时，大家通常把流程拆成prefill和decode。但decode其实还可以再拆成两部分：attention和feed-forward network。
我认为一个更理想的架构可能是：用一块不一定配置HBM的芯片处理prefill；用一块带大量HBM的高性能芯片处理attention；再用一块SRAM型加速器处理feed-forward network。
无论是把这些SRAM加速器加入现有已经部署的算力集群，还是在新建集群中直接采用，我看到的投资回报率都很有吸引力。
尤其是前馈网络这部分，SRAM很难被击败。
如果你试图把所有东西都塞进一块芯片，就必须不断在片上算力、HBM、SRAM之间调整比例。但工作负载一直在变，而且不同任务差异很大，你几乎不可能永远押中最佳比例。
如果可以把推理流程更模块化地拆成三部分，让不同硬件做最适合的工作，我认为AI基础设施的整体投资回报率还会明显提高。
这场“权力的游戏”里，还有哪些黑马？
Patrick：你一直把这些公司形容成一场大型“权力的游戏”。那有没有一个今天还不在所有人视野中心、未来却可能成为主要玩家的黑马？
比如美光突然变得和Anthropic、OpenAI一样重要，都可以算一个答案。今天大家已经熟悉的玩家包括微软、亚马逊、英伟达、SpaceX。还有谁？
Gavin：我想到几个。
Leopold可能是一匹黑马。
Fireworks的Lin Qiao也绝对值得关注，她是一个非常强的创业者。
还有我们的朋友Scott Wu。Cognition也已经有一点接近那种位置了，你对它很了解。
这些是我目前最容易想到的几个名字。
SpaceX：市场是不是还没有把它当成一家AI基础设施公司来理解？
Patrick：那SpaceX呢？至少从刚进入公开市场这段时间看，你觉得市场是怎么消化这家公司的？
你认为市场真正理解它了吗？它可能是这批新上市公司里最重要的一家公司。
Gavin：我目前的感觉是，市场还没有真正理解。
对我来说，SpaceX自IPO以来，基本面反而是在持续变好。Grok4.5发布了，又完成了对Cursor的收购，而Cursor的增长明显大幅加速。
过去三年，SpaceX还证明了一件非常重要的事：它们可以比几乎任何公司都更快、成本更低地让大规模算力上线。
现在我们还知道，即使把早期合同价和今天现货价之间的巨大差距扣掉，它们的算力建设能力仍然很强。
某种意义上，最能证明AI算力需求有多强的一件事，就是SpaceX几乎在很短时间内向市场投入了巨量新算力，但整个GPU市场几乎没有因此出现明显震荡。这些算力被市场完整吸收了，像一列货运列车一样，几乎没有减速。
有一位写FundaAI Substack的作者说，SpaceX计划上线8GW算力。
我从来不愿意押注马斯克做不到一件事，但必须说，8GW是一个真正难以置信的目标。
自从SpaceX签署上一批算力合同以来，合同价格不是下降，而是上涨了。按目前数字，它们每吉瓦算力对应的变现收入大约是500亿美元，而明年的市场一致预期收入大约是730亿美元。
这里还先不算StarlinkV3，也不算Starlink Direct to Cell。仅看Grok4.5和Cursor，这两项业务的ARR加起来可能很快就会到100亿美元。甚至先把Starlink的核心基础业务也放到一边。
如果SpaceX真能上线接近外界传闻的算力规模，而市场仍然只按730亿美元左右的收入预期给它建模，这里面的差距非常大。
当然，8GW不可能在2027年一开始就全部通电。坦白说，我对“18个月建成8GW”这个说法本身也非常怀疑。
但有一个事实很重要：到目前为止，能够在一年里让超过500MW新供电能力真正上线的公司，非常少，基本就是大型超大规模云服务商、CoreWeave、Crusoe和SpaceX。而SpaceX做到的规模最大、速度最快、成本也最低之一，市场上的客户也非常喜欢它们的集群。
所以我认为市场还是需要真正看到这些数字兑现，才会重新理解这家公司。
Patrick：现在市场显然不是按这个逻辑在看SpaceX。
Gavin：对。纽约有一家大型对冲基金似乎已经形成了一套完整做空逻辑。他们的核心判断大概是：未来算力现货价格会下跌90%，而SpaceX还会把大量新算力投入市场，所以这些资产最终产生的收入会远低于多头预期。
也许他们是对的。我必须始终给这种可能性留空间。
但我也想说清楚：这些年来，我亲眼见过马斯克旗下公司完成过一些极其惊人的事情。
“18个月建成8GW”仍然是一个例外，我之所以引用，只是因为FundaAI已经把这个说法公开了，并不是因为我自己能验证这个数字。
Patrick：马斯克有一句话，大意是：“我们专门让不可能的事情姗姗来迟。”
Gavin：我以前没听过，但这句话太好了，而且很有道理。
从我的角度看，目前SpaceX的股价和市场业绩预测里，几乎没有充分反映它未来可能上线的算力规模。
我再强调一次，我自己的预期远低于8GW。给这些GPU找到足够电力非常难，但SpaceX过去一直很擅长处理这类困难。
Patrick：我想到那个很有意思的梗：“SpaceX——一家数据中心公司？”
Gavin：百分之百。绝对可以这么看。
而且我在Starbase待过很多时间。轨道计算这件事每天都在变得更真实。前几天看到Starship着陆，真的非常酷。
这又让我想到我们在Benchmark的朋友。他们投资了StarCloud。StarCloud是一家做轨道计算的公司，据我了解，SpaceX也在和它合作，可能会让它使用Starlink的激光通信技术，而这对轨道计算非常重要。
对我来说，这还是一个很好的“合理性校验”。至少在我了解的范围内，Benchmark的投资人非常聪明，而且他们根本不是Elon生态里的人。
他们愿意以一个不错的估值投资一家轨道计算公司，而这家公司并没有SpaceX那种内部发射成本优势。
所以我会问自己：我是不是疯了？
也许我疯了，也许Elon疯了，也许Benchmark疯了，也许SpaceX的工程师也疯了。但要让我相信所有这些人同时都在一个完全错误的方向上下注，我觉得概率并不高。
结尾：最终还是要让时间证明谁对谁错
Patrick：我们是不是应该说一下今天在哪儿录的？
Gavin：可以。我们就坐在Benchmark那张很有名的晚餐桌旁。
Patrick：那就谢谢Benchmark，也特别谢谢Eric帮忙协调这次录制。
一年以后再看这些股票都到了什么位置，应该会很有意思。
Gavin：最终时间会证明一切。人们可能对，也可能错，未来本来就是概率性的。
但我们现在确实处在一个非常激动人心的时刻。
Patrick：如果我们继续按“模型发布周期”来录节目，可能几周后又要见面了。
Gavin：是啊，这真的很疯狂。
Patrick：和往常一样，聊得非常尽兴。
扫码关注我们
