美国赢下AI竞赛为何危险？
本期播客由知名科技分析平台 Strategy 创始人 Ben Thompson 与主持人 Patrick O'Shaughnessy 对谈，聚焦 AI 竞赛、资本断档与科技巨头终局等核心议题。Ben Thompson 提出一个极具冲击力的观点：如果美国在 AI 领域取得压倒性优势，尤其是军事与国家安全层面的实质性领先，这本身对世界而言就是危险信号。他指出，在极端假设下——例如美国掌控最先进通用人工智能（AGI）能力，其军事优势将远超传统威慑力；而中国在博弈论上的最优反应可能是极端手段，如攻击台积电——这将引发系统性风险。
更关键的是，他反对一种普遍存在于硅谷的“魔法思维”，即认为只要美国掌握 AI 主导权，就能轻易重构全球供应链、重建本土制造业能力。Ben 强调：我们对中国的产业链依赖被严重低估，且这种依赖无法通过短期政策或资本投入轻易剥离。以苹果为例，即便推动部分 iPhone 生产向印度转移，也只是有限多元化，并未真正“脱钩”；而全面迁移的成本高得离谱——这就像为一份保险支付天价保费，若无强制要求，理性主体根本不会买单。
“人人都需要一个好用的假想敌。我觉得从 AI 交易的角度看，没有什么比我们必须打败中国更好用的理由了。”
“美国之所以成功，靠的是站在最前沿，并且引领前沿。但‘一家独大’可能并不是这个世界理想的终局。”
全球AI格局：有限领先下的动态平衡
Ben 认为，当前 AI 领域正形成一种非对称但相对稳定的动态平衡格局：OpenAI 与 Anthropic 明显领先，谷歌进展不明朗；Grok（xAI）和 Meta 处于追赶梯队；而中国团队虽整体落后约 6–9 个月，但凭借强大的工程能力与模型蒸馏技术（如 Kimi、Qwen），仍保持在可比水平。这种“有限领先+持续追赶”的结构，总体上对美国有利——既维持技术优势，又避免单极垄断带来的地缘风险。
然而问题在于：这种平衡能维持多久？ 他提出两个关键变量：一是 AI 的递归性（即用 AI 自我改进）是否已进入加速阶段；二是服务成本结构的长期演变。他观察到，OpenAI 与 Anthropic 近期已出现真实加速迹象——此前仅存在于理论中的“AI 训练 AI”范式正在落地。与此同时，开源模型常被误读为“免费”，实则推理成本极高（如 Kimi 单次响应开销远超 GPT-4），这意味着即便用户未直接付费，社会仍承担着巨大的边际算力支出。
“现在我可以免费使用 AI 了？不，你不能免费使用 AI。你未必在付创造 AI 的研发费用，但你绝对在付运行它的推理费用。”
“站在他们的角度想想，你觉得他们的动机是什么？人人都需要一个好用的假想敌。”
资本断档与历史镜像：铁路泡沫的当代回响
Ben 将当前 AI 投资热潮与 19 世纪美国铁路建设潮类比，指出二者共享一个核心矛盾：长期基础设施投入与短期融资期限之间的错配。他提醒，铁路建设动辄需十年回本，却依赖短期债券融资；一旦资本信心动摇或利率上行，系统性违约便随之而来。如今英伟达推动的 5000 亿美元级 AI 基建计划，正试图撬动养老金、保险资金等长期资本入场——但若 AI 无法在短期内产生足够自由现金流，“钱从哪儿来？”将成为致命问题。
他进一步以伯克希尔·哈撒韦投资谷歌为案例，揭示巨头战略转型的深层逻辑：当资本规模大到一定程度，决策重心将从“利润率百分比”转向“绝对利润额”。谷歌搜索是超高利润率的“喜糖业务”，但 AI 是低毛利、高总量的“铁路项目”；一旦后者释放出万亿级市场潜力，即便稀释股权也值得押注。伯克希尔此次成为谷歌战略转型的“活体样板”，象征着资本正从存量利润再投资转向增量生态押注。
“铁路能教给我们什么思考方式？这不是最后一次更大规模的基建潮……从人类整体的宏大尺度来看，最终都无关紧要。”
“我担心的是时机错配——实际的投资回报能不能产生足够的收入去支撑后续的投资。”
可验证性与经济机会的边界
在思考 AI 的实际影响时，一个关键前提是：哪些任务是‘可验证的’？ 如果像 Neuralink 这样的技术能真正捕捉人类思维痕迹，那将极大扩展模型能力——我们或许可以通过更多数据来解决可验证性问题。但现实中，大量经济活动存在于‘不可验证’或低结构化领域；这些场景中，AI 的表现可能远逊于人类。事实上，“世界上很多人本身就是具身化的 AI”，他们在既定规则下高效执行分配任务，这种现实反而凸显了当前经济机会的巨大空间：即便模型不再进步，仅靠现有能力也足以撬动可观价值。 这种视角虽略带悲观，却指向一个关键结论：AI 的经济潜力不取决于模型是否‘更聪明’，而在于它能否嵌入真实世界的生产流程。
‘我给自己贴的标签是一个不情愿的加速主义者。我觉得我们必须往前推，因为回不去了。最糟的情况就是卡在现在这个位置不动。’
‘我对AI在经济层面的影响是非常看好的，在变现这块儿。上行空间是有的，但时机我不太确定。’
医学与法律：高价值、高门槛的突破口
医学和法律是 AI 应用中最具潜力也最富挑战性的领域。医学尤其如此——它既是‘最大的机会之一’，也是‘最难啃的骨头之一’。原因在于监管与准入门槛极高：一旦 AI 能系统性分析全部病例数据，新发现和疗法的产出速度将呈指数级增长。法律则类似‘某种代码’，具备结构化逻辑基础，理论上更易被建模。然而，技术可行性不等于落地速度；监管滞后、责任归属模糊与组织惯性构成了现实阻力。这引出一个更深层的悖论：人类创造需求的能力近乎无限，但制造繁文缛节与低效流程的能力同样如此。我们经济中相当一部分，实则是‘为忙碌而忙碌’的自我循环——AI 的真正考验，在于能否穿透这些人为摩擦，而非仅在理想场景中证明自己。
‘你要是能把 AI 把机器学习用到所有的病例上，我觉得我们能很快搞出来的新发现和更好的疗法数量会惊人。’
聚合理论的AI时代重构：从分发到推理成本
聚合理论的核心曾是‘零边际成本的分发’——平台通过控制需求发现环节，构建正向反馈循环。但 AI 正在颠覆这一逻辑：推理成本不再是虚拟的，而是实打实的线性变量。 企业级用户若允许模型‘思考数周’，其边际成本将随时间陡增；而普通用户使用免费服务时，推理成本几乎为零。微软最近的企业订阅调整（如 $100/用户/月 + 超额计费）正暴露这一张力：固定成本模式 vs. 用量付费的不可调和性。 多数企业无法按月调整预算，更习惯一次性资本支出决策；一旦转向用量计费，不仅运营复杂度上升，还可能动摇客户对‘一站式解决方案’的信任。更关键的是，广告模式在 AI 时代面临根本性质疑：消费者不愿为效率付费（如 Dropbox 的教训），企业却愿为员工增效买单。 OpenAI 正在重演这一路径——先试水消费者订阅，再转向广告与企业市场。但硅谷对广告的集体回避心理（尤其顶尖工程师），让这一转型充满不确定性。
‘消费者不想为软件付钱；第二，消费者根本不在乎自己高不高产……公司是在给员工付工资，只要能让员工更高效，他们就能从投资里获得更高的回报。’
算力短缺的错配与大宗商品逻辑
当前‘算力不够’的焦虑，实则是时间维度上的严重错配：2023–2024 年的资本投入不足，导致 2028–2029 年才能释放新增产能；而晶圆厂建设周期远超数据中心，短缺只会加剧。科技行业普遍误判了算力市场的本质：它正滑向大宗商品逻辑，而非差异化竞争。 在航运或集装箱行业，固定成本已沉没，企业只能以逼近边际成本的价格竞争——只要能覆盖燃料、人工等变动支出即可。AI 算力亦如此：一旦数据中心建成，GPU 就必须满载运行以摊薄成本。这与科技业熟悉的‘高毛利生态模式’（如苹果的 50% 利润率）截然相反。当服务成本成为唯一变量，价格战与产能过剩将成常态；而真正能存活的玩家，必须同时精通技术、金融与大宗商品博弈。
‘在大宗商品市场，价格是由边际供应商决定的……你会把集装箱的价格压到尽可能低，低到只要能覆盖边际成本就行。’
产能周期的航运隐喻：从稀缺到过剩的循环
在高度标准化的商品市场中，价格最终会趋近于边际成本——哪怕这意味着账面亏损。以集装箱航运为例，一艘船一旦建成，沉没成本已无法收回；只要能覆盖边际运营费用（如燃料、港口费），船东仍会选择出航。这种行为推动价格长期锚定在边际成本线附近，形成“进进出出的相互作用”：当价格跌破部分玩家的真实现金成本时，他们会退出市场；供给收缩后，价格回升；一旦预期改善，新产能又开始涌入。但关键在于：资本密集型行业的供给弹性极低——造一艘船需两年，建一座晶圆厂更耗时数年。因此，当短期短缺（如新冠期间）推高价格至常态三倍以上（集装箱日租金从三四千美元飙升至一万七八），所有参与者都会误判长期需求，一拥而上扩产；最终导致产能过剩、价格崩塌。这一动态在内存行业反复上演：繁荣期大量厂商涌入，萧条期惨烈出清；三星正是在下行周期逆势加码投资，才最终击溃日本企业、主导全球市场。
“内存厂商长期来看是搬起石头砸自己的脚，给自己竖了这么大的一个靶子。”
“我一直把内存厂商比作伊朗霍尔木兹海峡的问题在于，它非常有效，但如果你不用它，反而更有效……现在他们真用了，结果还真管用。”
台积电的保守哲学与风险转移机制
台积电之所以能在先进制程领域持续领先，与其极度保守的扩产策略密不可分。张忠谋在2008年大衰退中逆势加码投资iPhone相关产能的决策，正是其长期主义精神的体现——他们宁愿承受短期亏损，也不愿让产能过剩拖垮行业健康周期。这种文化源于其无晶圆厂（fabless）代工模式的底层逻辑：台积电将技术风险与资本支出压力转化为对客户的筛选机制。如今，每一家大型科技公司都成了自身AI战略的“风险承担者”：他们为等待算力而放弃的收入与利润，构成了台积电风险转移的具体体现。当客户在2020–2022年大规模扩建晶圆厂时，台积电却保持克制；结果是：当AI需求在2024年真正爆发时，产能缺口反而更大。这催生了典型的“牛鞭效应”——终端需求信号沿供应链层层放大，而存储芯片厂商等上游企业常因响应滞后沦为最大输家。
“风险不会消失，它只是被转手了。而且有时候这种风险不是体现在亏钱上，而是体现在没赚到钱上。”
地缘政治保险的悖论：依赖催生替代方案
当前全球半导体供应链对台积电的高度集中，表面看是效率最优解；实则暗藏巨大地缘政治风险。有趣的是：高价与稀缺本身正在倒逼替代方案加速落地——正如霍尔木兹海峡危机促使中东国家修建输油管道，AI算力短缺正推动苹果、微软等巨头寻求“地缘政治保险”。英特尔与三星的逻辑芯片复兴计划，正是在这种压力下获得喘息之机。尤其对英特尔而言，这不仅是技术追赶问题，更是组织文化重构：它需要从零构建客户导向的服务体系、知识产权积木与制造协同能力。而亚马逊则展示了另一种路径：以内部业务为试验场，用真实场景驱动产品迭代。无论是Graviton芯片还是Trinium训练集群，其早期版本往往性能平庸；但因有AWS海量内部负载支撑，得以持续优化并最终对外商业化。这种“先自用、再开源”的模式，使其在AI浪潮中既保持技术自主性，又规避了外部供应链风险。
“解决依赖台积电这个地缘政治问题的办法是想出一个规模大到惊人的算力应用场景，让每个人都有经济动力去帮别人跟上进度，然后我们就能免费获得这份地缘政治保险。”
硬件优势与设备中心的再确认
尽管AI竞赛如火如荼，但苹果等硬件厂商仍拥有难以复制的结构性优势：他们主动触达用户的能力远超纯软件公司——当AI服务需要部署时，他们无需等待用户寻找供应商，而是直接将能力嵌入已有设备生态。尤其值得注意的是，手机作为实体商品的终端形态已高度成熟：iPhone 的便携性与屏幕尺寸达到了近乎完美的平衡，使其成为可随身携带的“全功能娱乐中心”，电视、电脑等其他设备反而沦为辅助角色。在可预见的未来，尚无证据表明有替代品能系统性取代手机作为核心交互入口。
然而，挑战依然存在：当AI进入“环境式”阶段（即用户只需自然语音交互即可获得服务），是否仍需以手机为中枢？苹果虽具备最佳硬件+体验整合能力，但若缺乏最前沿模型支持（如自研大模型滞后），其能否实现这一愿景尚存疑问。这让人联想到微软的教训：他们并未错过移动时代，却因坚持“手机是PC配件”的思维定式而错失主导权。苹果当年正是通过iPad看清了这一陷阱，果断与Windows生态决裂；如今他们是否会在AI时代重蹈覆辙？关键在于能否突破“手机已足够好”的路径依赖，转向真正的环境智能（Ambient AI）。
你可以把整个 iPhone 带在身上，所有娱乐都在里面。我看不出有谁能取代手机。
问题在于，一旦你失去了那块肌肉（竞争驱动的极致执行力），它就没了，你就只是又肥又松垮。
AI竞赛格局：信仰、资源与战略分野
当前五家前沿AI领跑者（OpenAI、Anthropic、Google Gemini、Meta、SpaceX）展现出截然不同的底层逻辑。OpenAI与Anthropic代表“信仰驱动型”路径：前者视自己为创造‘神级智能’的使命组织，后者则如技术福音派般全身心投入。信念的力量往往能驱动人类完成最具颠覆性的工作——这与微软、Meta等巨头依赖既有业务现金流的“理性防御型”策略形成鲜明对比。
微软正重演IBM九十年代的经典剧本：当垄断削弱了‘把事情做好的能力’，最稳妥的续命方式是成为中间层。他们不追求模型训练前沿，而是构建可托管的AI平台（harness），让企业客户在稳定、兼容的环境中接入各类模型。这虽牺牲了极致性能，却保障了长期客户粘性与现金流——正如IBM靠咨询队伍将企业带入互联网时代，微软正试图成为AI时代的‘数字基础设施包工头’。
Meta则处于特殊位置：其广告模式天然受AI冲击（时间被生成内容分流），但免费UGC生态反而构成独特优势——若自研AI生成内容成本低于创作者分成，利润率将显著提升。更关键的是，TikTok的崛起揭示了社交网络的本质局限：用户要的不是熟人动态，而是算法筛选出的世界级内容。Meta通过Reels转型娱乐产品、强化短视频分发，实则是对这一认知的艰难修正。
在五个潜在的前沿AI赢家里……OpenAI 和 Anthropic 显然风险最大，但上行空间也最大。
你要让生意运转起来才能生存。这个事实本身就能推动你走很远。
平台逻辑与广告变现的深层博弈
AI对数字平台的影响远超技术层面，直指商业模式根基。广告主最关心的并非模型本身，而是生成内容是否可验证、适配品牌调性——这恰恰是谷歌与Meta的护城河所在：他们拥有海量用户行为数据、广告投放历史及内容审核体系，能高效生成并验证高转化率素材。相比之下，纯模型公司（如Anthropic）虽技术领先，却缺乏直接变现通道。
更深层的矛盾在于：AI可能瓦解传统内容经济结构，却强化平台中心化趋势。YouTube的创作者分成模式面临成本压力（AI生成内容理论上更廉价），而Meta的Instagram则因‘零内容采购成本’享有惊人利润率。但若AI生成内容由平台自身主导，反而可能侵蚀其现有优势——除非能重构分成逻辑。有趣的是，AI也可能反向激活社交网络：当人机交互常态化，人类对真实连接的渴望反而会增强，这为Meta回归社交本质提供新契机。
所有云厂商都一副嘴脸哦，可移植性啦。随便你用什么啦，然后他们又说，哦，就用我们的服务吧，它只在我们云里跑，这下你就被锁死了。
正因为他们不在最前沿，所以他们才有额外的钱。他们在建大规模数据中心，但他们建数据中心是为了推理，他们不是为训练而建的。
广告：被低估的社会基础设施
网络价值的回归，本质上源于人类对真实连接的持续渴望——我们不仅需要算法推荐的内容流，更希望与真人建立某种联系。而语言模型对广告生态的影响远比多数人想象的深刻：眼下最大的受益者并非 Anthropic 或 OpenAI，而是谷歌与 Meta 正在攫取的增量广告收益。这些增长并非凭空而来，它们植根于 LLM 时代前已存在的基础设施，却在模型能力跃升后被显著放大。
广告主拥有一个无与伦比的验证机制——全球实时市场本身。他们通过海量 A/B 测试，由真人用户用点击、转化行为即时反馈广告效果。绝大多数广告本就不会带来转化，但正是这种大规模试错机制，让有效信息得以筛选并精准触达目标人群。语言模型的加入将进一步提升匹配精度：Meta 可以基于用户行为预测其下一步兴趣，主动推送更相关的内容。哪怕仅将转化率提升几个百分点，就可能带来数十亿甚至上百亿美元的额外收益——这足以支撑巨头持续押注模型前沿。
“他们有个巨大的优势，就是那个庞大又流动的市场，它本身就是一台验证机器，验证者就是一个个真人，由他们决定要不要点那条广告。”
“Facebook 广告干的就是这个，他帮产品找到那些自己都不知道想要这个产品的人……他们很高兴买到了原本不知道会有的东西。”
讽刺的是，Meta 长期回避广告的社会价值叙事。马克·扎克伯格个人对广告业务缺乏热情，甚至不愿公开谈论其正面效应。然而事实是：互联网的伟大之处在于它能将微小需求汇聚成 viable business——广告正是连接长尾产品与潜在用户的基础设施。创业者得以触达从未意识到自己需要其产品的顾客；消费者在享受海量免费内容的同时，还获得了意外满足。Meta 作为股东遍布全球的上市公司，在此过程中实现了商业与社会价值的高度统一。
苹果 ATT（应用追踪透明度）政策的出台，则暴露了另一种危险逻辑：单方面破坏行业协作规则，同时为自己保留同等能力。其“公交车偷听”广告对数据追踪的扭曲描绘，更是对现实运作机制的严重失真。当 Meta 因内部叙事真空而丧失话语权时，它在监管与公众舆论中便天然处于劣势。若能更系统地传达广告的普惠价值，其公关处境与资本吸引力或将显著改善。
算力与智能：走向大宗商品化的双轨竞赛
英伟达的处境正成为观察 AI 商业本质的关键切口。表面看，其高利润率与持续定价权令人惊叹——即便在 2026 年竞争白热化之际，芯片单价仍维持高位。但深入交易结构后会发现：英伟达正通过兜底协议（如 Neel 云）将风险转移至自身资产负债表之外。它承诺在未来多年买断全部算力，从而帮助对方获得更低融资成本；而代价是承担了项目失败的尾部风险。这本质上是一种隐性降价：利润并未体现在财报数字上，却通过风险承担被实质性稀释。
“承担风险是有代价的……有一种世界里，AI 飞腾了……英伟达把承担风险的所有好处都吃到了；但也有另一种世界，比如说他们兜底的那个 Neel 云……英伟达在为一个没人要的算力买单。”
真正的长期威胁并非来自外部芯片厂商，而是超大规模云厂商自身（尤其是谷歌与亚马逊）的垂直整合能力。它们不仅自研训练芯片（如 Truenium），更计划对外销售——且明确以大宗商品模式运作。这逻辑自洽：训练芯片无需差异化，只要能支撑自家云服务的规模效应即可；对外销售反而强化了客户对生态系统的依赖。
英伟达的护城河正在从硬件差异化转向模型兼容性与生态惯性。CUDA 曾是强大壁垒，但如今“模型不在乎跑在哪种芯片上”，真正价值已向上游迁移至应用层。因此，当 SpaceX 或主权云选择英伟达时，并非因其不可替代性，而是出于运营便利与迁移成本最小化——“最容易出租的方式就是站在英伟达这边”。
电力约束的延迟出现，反而延长了竞争窗口期。若未来全球电力供应持续宽松（如西德克萨斯页岩气、重启核电站等举措所暗示），则亚马逊与谷歌将有更长时间优化能效比（token/Watt）。一旦电力不再是瓶颈，算力与智能终将走向大宗商品化——这并非技术倒退，而是基础设施成熟的标志。正如互联网泡沫留下了地下光纤网络（世通、北太平洋铁路资产至今仍在服役），AI 时代最终沉淀的不会是 GPU 硬件本身，而是可复用的能源基础设施与底层协议标准。
电力红利下的竞争格局演变
Ben Thompson 指出，一个关键的意外在于：电力并非如预期般早早成为英伟达的护城河，反而因持续充足而延缓了其优势固化的时间窗口。在电力供应宽松的阶段，亚马逊有更长时间优化大模型训练流程，谷歌则能持续迭代 TPU 架构以提升能效比——这使得后发者在不依赖绝对算力垄断的前提下，仍具备追赶空间。一旦行业整体进入电力充裕的‘舒适区’，模型性能差异将更多取决于工程效率与算法创新，而非单纯硬件堆砌；而利润率的维持因此变得异常困难。
竞争深化与行业反思
Thompson 对当前 AI 领域的动态表达了高度关注，称这是他所观察到的“最有趣、最具张力的发展阶段”——竞争正从单一算力竞赛转向系统级效率比拼。他特别强调：当电力不再是瓶颈，护城河将从‘硬件独占’转向‘软硬协同优化能力’；这意味着，即便英伟达仍占据芯片主导地位，其商业价值的可持续性已面临结构性挑战。