市场恐慌与基本面背离

本期播客录制于2026年8月初，正值AI与半导体市场经历一轮剧烈抛售之际。然而，Gavin Baker在硅谷实地调研后发现，底层需求信号其实在全面加速。他强调，市场百分之百认为英伟达严重超赚，但事实是——英伟达当时正处在过去十年最低的远期市盈率。他坦言此行本意是“压力测试”，想找点负面证据，却“一直没能找到一个那种量化指标层面的负面”。所有关键指标——包括GPU供应量、租赁价格、DRAM现货价、Token增长——全部在加速。这种反差不仅来自乐观者，更来自不同视角的专业人士，他们能拿出硬性数据支撑基本面改善。

我这周来这儿的主要任务就是压力测试，对，找点负面的东西告诉我。但我一直没能找到一个那种量化指标层面的负面。

不管你怎么切，不管你看GPU供应量，还是看GPU租赁价格，还是看这个月DRAM的现货价格，还是看Token增长，一切都在加速。

算力定价与合同重置的结构性机会

Gavin指出，市场忽略了私营AI公司（如Fireworks、Model Together）的强劲表现，而这些公司正因开源模型（如GLM 5.2、Kimi K3）爆发而加速增长。他特别强调：老GPU价格在2026年垂直上涨，远超2024–2025年任何人的预期。由于大量超大规模云厂商为保障融资而签署长期承购协议，已签约算力以远低于现货价交易；随着合同陆续到期，算力将按更高价格重新定价。即便现货价格下跌，整体算力收入仍可能上升。

此外，微软、Meta、亚马逊的经营现金流已从28亿美元加速至32亿，若剔除一次性项目（如欧盟罚款），实际达35亿——这还是在Rubens芯片点亮前、合同重定价前的水平。Meta虽被误读为“砍资本开支”，实则财报未减支出，反而资本计划更激进；其最新模型Use 1.1表现优异，进一步印证其AI投入不会松劲。

我觉得那张图漏掉了一个非常重要的东西，就是2024和2025年的时候，所有人都觉得……GPU价格……断崖式下跌。我不觉得……有任何人想到老GPU的价格在2026年还会垂直往上冲。

Token结构迁移与融资可持续性

市场对开源模型崛起的恐慌，部分源于Silicon Data Token Index显示token结构从高利润前沿模型向低利润开源模型转移。但Gavin认为，token本质是算力消耗——生成一个token所需的浮点运算、内存、功耗基本一致。开源模型抢占的只是前沿模型的利润，而这些利润被转移至AI基础设施层，反而推动整体算力需求增长。

他进一步指出，融资可持续性取决于经营现金流能否覆盖资本支出。当前超大规模云厂商约有1.3–1.4万亿现金流，若按Blackwell而非Ampere速率变现，经营现金流可接近2万亿，足以覆盖7000亿信贷需求。这意味着：若算力重定价顺利，融资可基本由经营现金流覆盖，避免陷入债务驱动的资本周期陷阱。他坦言，当前最大风险在于信贷条件恶化，但若基本面持续兑现，信贷指标反而会改善。

你今天就能听到这种事儿，这真的太疯狂了，因为按理说你会预期价格温和下降才是看涨信号，结果反而……六七个月里涨了百分之五十到百分之六十。

推理云需求与市场情绪的张力

过去六七个月里，多家推理云公司股价上涨了50%至60%，背后是超大规模云厂商持续加码采购 Blackwell 架构芯片的强劲需求。有公司甚至公开表示，合同到期后愿将续购预算提高100%，侧面印证了算力需求的刚性。Gavin Baker 本周赴硅谷的核心任务，是“压力测试”市场情绪——寻找负面量化指标。他反复强调：“你有没有听到过任何一个负面的量化指标？”目前唯一被多次提及的异常点是Anthropic 的第三方增长偏离轨迹，但该数据遭到其股东激烈反驳，甚至被指存在“IPO配售焦虑”驱动的误判。

“大家主要提到的就是 Anthropic。第三方数据显示，Anthropic 的增长曲线有点偏离原来的轨迹了。这是唯一一个我听到的，我觉得，我觉得这很可能确实是真的……”

与此同时，OpenAI 与开源模型正加速迭代：GLM 5.2 和 Kimi K3 带来显著能力跃升；Grok 4.5 与 Grok Builds 的发布更使七月成为“变革性月份”。问题在于，公开市场难以衡量开源生态的“暗物质”效应——它虽未直接反映在财报中，却真实推高了整体推理需求。正如一位从业者所言：“如果你只看推理云公司在说什么……需求显然在加速，这很合理。”

“你知道，他们老说宇宙里有暗物质，开源对公开市场来说就像暗物质，公开市场很难去衡量它。”

算力消耗逻辑的再校准

当前市场对“成本下降=需求放缓”的直觉判断存在严重误判。当企业转向开源模型+路由器架构（如优先调用自定义开源模型，再由 Claude/Grok 做兜底校验），其单 token 成本可降低约50%——但这只是利润结构的再分配：从毛利率90%的前沿模型，转向约30%毛利率的开源推理层。实际消耗的 GPU 算力小时数反而可能上升，因为总 token 产出量增加。

上市公司正大规模实践这一策略：某公司 AI 支出三个月烧光预算，搭上路由器后支出下降，但背后消耗的算力并未减少，甚至因效率提升而扩大了使用场景。更关键的是，AI 原生公司几乎不考虑人力替代，而是全押 token；而东海岸、非沿海及欧洲企业尚处采用早期，形成多波次、不同步的采用浪潮。

“你其实就是把 token 从那些毛利率百分之九十的昂贵 token 换成了毛利率大概百分之三十的 token，省下来的钱就来自这里。但生产这些 token 消耗的算力是一样的，而且这些事儿都发生在不同的周期上。”

此外，内存容量已成为单位算力 token 产出的决定性变量：在固定算力下，更多内存 = 更高吞吐 = 更低成本。这解释了为何即便价格重估，需求仍无弹性——客户愿为 LTA（长期供应协议）预付资金，本质是用短期现金流换长期确定性。英伟达凭借规模优势，已主导这一权力游戏。

“现在真正有规模的就四家公司，亚马逊有他们的 Trinium。谷歌有他们的 TPU，AMD，然后就是英伟达，英伟达比其他所有公司加起来还大得多。”

长期范式风险与人类价值锚点

最值得警惕的宏观风险，是经营现金流无法持续加速——这将迫使市场依赖债务融资维持运转，而其根本取决于 Anthropic、OpenAI、Grok 等头部实验室的增长动能。若 GPU 价格剧烈下跌或供应极度宽松，也可能引发系统性重估。

但更深层的挑战来自技术范式突破：持续学习与样本高效学习若取得实质性进展，可能导致训练需求暂时性“断崖式中断”。例如，当前模型在 300 万亿 token 上训练，若未来仅需 10 万亿 token + 真实世界高效微调，训练算力占比将趋近于一个“非零但极小”的值。尽管如此，Gavin 仍认为：“对世界会是惊人的好事”，只是短期对基础设施需求未必构成利空。

从经济结构看，AI 的价值捕获路径只有两条：更快的经济增长（如萨蒂亚所言）或劳动力替代。当前数据指向后者——AI 原生公司的人均 token 支出已达总薪酬支出的 20%~30%，知识工作市场（2.5 万亿美元规模）正被重新定价。有趣的是，创始人控股、未过度招聘的公司反而极少裁员，说明市场仍相信“人+token”协同增长。

“如果你去看那些创始人领导并控股的公司，剔除掉一些新冠时期过度招聘的因素，其实几乎没有人真正在裁员。这些人本该是最愿意快速采用 AI 让自己变得更高效的那批人。”

算力军备竞赛中的内存主导逻辑

当前全球AI算力供应高度集中于四家巨头：亚马逊（Tranium）、谷歌（TPU）、AMD 和英伟达——其中英伟达的市场份额远超其他所有厂商总和。在给定算力单位下，内存容量是决定 token 产出效率的最关键变量，直接拉低单位推理成本。正因如此，算力需求展现出近乎零弹性：即便价格飙升，客户仍持续加码采购，因为缺内存意味着直接掉出竞争队列。

这已演变成一场供应链主导的权力博弈。在当前供不应求的周期中，长期协议（LTA）不仅是价格保障，更是供货量的绑定承诺。一旦企业试图打破 LTA 以压价，可能触发供应商反制：“你撕价格协议，我们就撕供货量协议”。尤其当周期转向供过于求后又快速反弹时（这是半导体行业的典型特征），率先违约者极易在下一轮产能争夺中彻底失位。

“你打破一个 LTA，可能就把整个生意和你的特许经营全都炸掉了。” “如果你打破了 LTA……那很可能意味着供过于求，价格在下跌，然后产能自然收缩。那你觉得谷歌的分配额度会怎么样？”

英伟达的新型商业模式与生态卡位

英伟达正通过信用担保+收入分成的创新结构重塑行业规则：在 GPU 价格高于某下限时，它以股权或版税形式参与客户后续收益。这既缓解了客户融资压力（GPU 成为最易融资的资产），又帮助客户获取土地、电力等稀缺资源——英伟达在此类资源协调上展现出极强能力。

这种模式本质是用上行空间换现金流稳定性，类似 LTA 的逻辑延伸，但更灵活：它让英伟达在不直接放贷的前提下，通过收入分成获得类经常性收入，并实质上持有大量云业务的隐性股权。值得注意的是，几乎所有被投企业事后看都印证了其投资判断的准确性，唯有内存公司被系统性排除在外——这可能成为其未来最大盲区。

“如果你需要能融到钱来买芯片，而你必须融到钱，那没有什么比英伟达的 GPU 更好融资的了。” “这几乎就是，我是说，这非常机会主义，而且意义重大，是好的那种。”

全球算力格局与地缘变量

深紫外光刻机（DUV）技术突破的消息引发市场剧烈反应，有人将其类比为 2001 年的 ASML，也有人视其为新叙事起点。但需清醒认知：EUV 是曲速引擎，DUV 是螺旋桨飞机——虽落后一代，但“有”和“没有”的差异仍是质变。中国在该领域的进展不可忽视，但从设备到量产仍需经历漫长“边做边学”的迭代周期，无法跳跃式跨越技术代差。

与此同时，AI 原生公司正迎来爆发式增长：Vishria 等企业能在九个月内从零做到五千万美元年收入并产生正现金流，背后依赖的是开源模型+垂直数据+推理云架构的组合创新。Fireworks 的 Nexus、Cursor 的编排能力，正让企业以 30%~60% 的 token 成本替代前沿模型，构建更深护城河。

“你从只用一两个或三个前沿模型，变成在百分之三十到百分之六十的 token 消耗上使用那些前沿模型，然后剩下的用你自己强化学习出来的模型，突然之间你就不是套壳了，你的护城河深得多。” “ Together, Modal, Basalt 都是以非常省现金的方式在跑。这些商业模式最惊人的地方在于：他们的增长速度几乎赶得上早期前沿实验室，但烧的钱却非常少，这真的很了不起。”

开源模型崛起与经济价值再分配

随着开源模型（如 Q 系列）的成熟与低成本运行能力提升，一个能编排160 IQ的模型正变得更具经济吸引力。这正在重塑 AI 经济格局：过去，前沿模型攫取了绝大部分经济回报；如今，推理云（Together、Modal、Basalt）正以极低的资本消耗实现接近早期前沿实验室的增长速度——烧钱极少，增长极快，颠覆了传统 SaaS 的增长逻辑（如“四十法则”）。这种转变意味着：前沿 token 的经济份额可能下降，但整体 token 市场仍在飞速扩大；而开源 token 即将成为被处理 token 的主体。

“也许就像我们上次聊的前沿 token，我觉得他们可能会失去一些份额，但整个蛋糕在飞速变大，他们可能仍然会占据经济价值的绝大多数，但不会像以前那样全占了。”

“token 就是 token，生产一个 token 需要的算力、电力、空间、冷却都是一样的——这对基础设施需求是好事儿。”

数据中心叙事：被误解的社区赋能者

监管是当前 AI 行业最大的风险，尤其纽约的数据中心暂停令已引发连锁担忧。然而现实与公众认知严重脱节：数据中心非但不会推高电价，反而常带来电价下降——得益于“表后交易”与“数据中心承诺书”机制（如特朗普签署的协议）。现代数据中心常承诺建设医院、学校、新警局与消防站，并降低电费；同时，它们创造了大量持续性高薪蓝领岗位（水管工、电工、暖通工程师等），远超一次性建设期用工。

“谎言可以传遍世界，真相还没来得及穿裤子。”

“有个作者在书里犯了个错误，把小数点放错了两位……到现在还有人这么说，我真的以为菠菜铁含量更高，这太离谱了！”

行业亟需更主动、更有效的公共叙事：数据中心对环境影响极小，选址灵活（远离城镇十英里即可），且能显著提升社区富裕度。正如 Benchmark 合伙人所言——“如果你不为自己发声，没人会替你发声。”

算力架构演进与 SpaceX 的隐性叙事

算力讨论中常被忽视的一环是异构推理架构：将预填充、注意力机制、前馈网络分别部署于无 HBM 的 SRAM 加速器、高带宽 HBM 芯片与SRAM 芯片上，可显著提升整体投资回报率。前馈网络部分在 SRAM 上性能碾压 HBM 架构，且工作负载多样性决定了混合架构的长期必要性。

与此同时，SpaceX 正悄然构建一个颠覆性叙事：它已接入超大规模算力（与 CoreWeave、Crucial 并列），且速度最快、成本最低。按其每吉瓦约 50 亿美元变现能力估算，18 个月接入 8 吉瓦（Founder AI 报告）虽激进，却并非遥不可及——尤其当考虑星舰着陆、Starlink 激光互联、轨道算力（如 Star Cloud）等协同潜力时。Benchmark 投资 Star Cloud（无 SpaceX 内部发射成本优势）的事实，构成关键 sanity check：“也许我疯了，也许埃隆疯了，也许 benchmark 也疯了……但老天，这在我看来真的不太可能。”

“我们专长是让不可能的事迟到。”