AI加速与正和博弈：前沿实验室的商业逻辑

Gavin Baker 指出，尽管市场情绪波动剧烈，但 AI 行业在七月和八月实际上处于加速状态。他通过询问业务中“正在恶化的量化数据指标”来验证看空理由，结果发现除了处于静默期的 Anthropic 可能略微放缓外，OpenAI、开源模型以及 Grok（尤其是 Grokbot 发布后）均在显著加速。这种整体性的增长使得“所有参与者都能获胜”成为一种高概率情景：前沿实验室、开源生态、云服务商（如 SpaceX 和 Meta）、芯片巨头英伟达以及应用层公司均能从这一浪潮中获益。Gavin 强调，这并非零和博弈，而是一个正和市场。他特别提到 Anthropic 可能通过调整财务核算重置基准以对标 OpenAI，并认为前沿模型公司之间的竞争（如针对对方发布新模型的快速响应）是走向 IPO 过程中的正常策略博弈。他主张 OpenAI 和 Anthropic 上市将有助于稳定二级市场情绪，因为当前这些公司的力量过于强大且缺乏透明度。此外，Gavin 认为 Anthropic 本质上是一家“意外做成”的企业服务公司，其核心使命驱动着业务扩张，而 OpenAI 则相对更偏向商业化。

“也许大家都会赢，Anthropic 赢，OpenAI 赢，SpaceX 赢，Meta 也赢……开源会赢，Neocloud 也会赢。”

“不要做空黄仁勋。他现在的处境相当有利，英伟达就处在这一切的核心。”

算力经济学：极短回本周期与资本配置策略

在探讨供给侧的可持续性时，Gavin 和 David George 深入分析了算力投资的回报率。他们指出，当前数据中心建设存在极高的资本效率：以 Nebius 和 CoreWeave 为例，由于客户预付款比例高达 50%-60%，且现货市场 GPU/TPU 租赁价格高企（每吉瓦变现能力极强），其回本周期可能短至 9-10 个月甚至更短。对于 SpaceX 等拥有超大集群且上线速度快的公司，回本周期更为乐观。Gavin 强调，随着模型效率提升和 Token 投资回报率上升，每吉瓦的变现率仍在提高，加之黑石、KKR 等机构提供低成本的债务融资支持，真正的股权回本周期可能远不到一年。这种“投入数百亿却能在一年内回本”的现象在投资史上极为罕见，表明当前的供需错配并未破坏供给侧的商业逻辑。此外，他们讨论了实验室在训练与推理之间的资源分配：尽管云厂商通常追求利润和自由现金流，但前沿实验室（如 OpenAI 和 SpaceX）倾向于采取激进策略，将大部分新增利润甚至远超利润的资金投入长期训练以获取竞争优势，而非短期变现。这种策略虽然牺牲了短期的自由现金流（通过补贴自家产品的 Token 消耗），但被视为在 Scaling Law 持续有效背景下的正确长期押注。

“在我的投资生涯里，真没有过多少这样的机会，能有公司投入几百亿、几千亿美元，却能在不到一年内回本。”

“如果你花的不够多，你可能会丢掉很多份额；但如果你花的太多，你可能会破产。这两件事都很糟，但破产比丢掉份额更糟。”

需求侧渗透率：从精英圈层到大众经济的早期阶段

尽管供给端表现强劲，但需求侧的渗透率仍处于极早阶段。Gavin 指出，目前真正重度付费并从中获得真实价值的用户（如开发者）可能不足 300 万，甚至可能在 100 万左右。在 A16Z 投资组合中，Token 花费占人力薪酬的比例呈现显著的幂律分布：传统企业仅约 1%，而 AI 原生公司可达高个位数甚至超过 10%。然而，对比全球 15 亿知识工作者的基数，当前的需求渗透率微乎其微。以 Gavin 所在的 Atreides 为例，其内部 Token 消耗量从三月到八月增长了 100 倍，且随着 Grokbot Enterprise 的引入，预计未来一个月还将增长 10-20 倍。这表明 AI 需求正从少数精英圈层向更广泛的经济领域扩散，而供给侧的算力短缺恰恰反映了这一早期爆发力。Gavin 认为，虽然短期内向实体经济渗透的速度可能不及预期，但拉长到十年维度看，我们才刚刚起步，需求远未见顶。

“全世界有十五亿知识工作者，感觉我们在需求侧才刚刚起步，而供给侧则受到严重制约。”

“在我们内部的 token 消耗量从三月份算起涨了一百倍，三月到八月涨了一百倍。”

AI原生代际差异与工具效能的指数级跃升

在评估AI供需特征时，虽然供给端的可持续性常受质疑，但结合需求端来看，两者处于相似的早期阶段。尽管AI向实体经济的渗透可能短期令人失望，但拉长至十年维度看，我们才刚刚起步。以Atreides为例，内部token消耗量从三月到八月增长了一百倍。随着Grokbot Enterprise权限的引入，即便仅两人使用，预计一个月内token花费将再增长十到二十倍。这种消耗并非浪费，而是极具价值的生产力转化。

代际差异显著影响了AI的使用深度。五十岁的Gavin Baker虽然努力适应，但仍无法达到23岁年轻人那种“原生”般的熟练度。然而，借助Cloud Code和Grokbot等工具，效率发生了质变：过去需要数小时手动搭建的代码或总结工具（如播客摘要、X情绪追踪器），现在仅需7到12秒即可生成更优版本。这种体验对Gavin而言类似于当年的“ChatGPT时刻”，赋予了个人强大的自动化能力，例如快速创建家庭日历应用。目前，团队最顶尖工程师的代码编写中，AI完成度已从20%提升至95%以上。尽管这些工具目前主要作为“知识增强”助手，尚未完全替代人工执行行动，但通过让Grokbot和Codex并行处理任务以获取自动化建议，工作流正在向更深层的代理式AI（Agentic AI）演进。

宏观瓶颈、泡沫规律与数据中心的社会价值重构

从历史视角看，每一次根本性技术变革（如铁路、互联网）都伴随泡沫与过度建设，因为市场情绪往往跑在基本面之前。当前AI领域面临瓦特（能源）和晶圆等根本性瓶颈，且建设规模巨大。尽管实际利率上升合理反映了高投资需求，但监管阻力与政治动态可能导致建设延迟。

Gavin Baker强烈反驳了针对数据中心的环保与社会批评，认为这是美国工薪阶层和衰退小镇的福音。数据显示，数据中心落地可使小镇税收增长十倍而非一倍，并带动重新工业化。以弗吉尼亚州老登县为例，其作为全美人均收入最高的邮编区之一，拥有最高的数据中心密度，证明了技术投资与社区繁荣的正相关。他批评由TikTok等渠道传播的反数据中心叙事，指出霍尔木兹海峡封锁带来的天然气价格优势（美国2-3美元 vs 亚洲/欧洲20-25美元）正在赋予美国制造业巨大的成本竞争力。因此，他呼吁AI巨头（如Meta、OpenAI）应像早期Meta财报那样，具体讲述真实企业和个人如何从AI中获益，以确立“真相使人自由”的行业叙事。

供给短缺风险、算力平权与开源的真实成本

基于宏观环境分析，Gavin Baker认为市场普遍高估了供给过剩的风险，而低估了供不应求的可能性。即便计入预测至2028年完成的所有建设，目前仍无多余容量可用。若需求暴增而供给受限，可能导致智能获取成本大幅上涨（如token价格涨十倍），进而引发“算力不平等”：仅大公司与富裕阶层能负担前沿模型，而大众市场因广告变现周期长而无法获得低价服务。

针对开源模型的误解，他指出生成一个开源token与前沿模型token所需的底层算力完全相同，差异仅在于上层利润率。此外，如Kimi等开放权重模型存在许可证限制（抽取30%收入分成）且单任务效率较低，导致实际成本高昂。因此，开源并非免费的“廉价替代品”，而是生态多样性的保障。最后，他盛赞黄仁勋与马斯克为21世纪的“维多利亚时代”式人物，认为他们通过AI、SpaceX和星链正在从根本上重塑人类文明结构，使人类成为跨行星物种并普及低成本互联网。

太空算力的工程可行性与成本重构

关于轨道数据中心的构想，外界常存在误解。实际上，SpaceX 的轨道数据中心并非太空中的巨型建筑或“死星”，其规模相当于一架飞机。具体而言，它是一个装载了 72 块芯片的机架，大小约相当于五个人站在一起。其核心工程逻辑在于利用太阳能板供电，并通过保持太阳同步轨道来确保散热器始终处于机架的阴影中，从而解决散热问题。尽管许多物理学博士最初认为这在物理上不可行，但 SpaceX 拥有 10,000 名顶尖工程师投入了数千小时的研究，且该方案比配备相控阵雷达的星链卫星更为简单。从成本结构看，假设每吉瓦算力总投入为 50 亿美元，其中 IT 设备占 35 亿（与地面成本相当或略高），而电力、冷却和人工占 15 亿。在太空中，后三项成本因太阳能和大散热片的存在而大幅降低甚至归零。相比之下，地面数据中心面临铜价、光学器件及人工成本的通胀压力。关键在于发射成本：随着星舰的可复用性实现，若单次发射成本降至 10 亿美元以下，经济模型将瞬间反转。虽然受限于光速和延迟，模型训练仍需在地面进行，但全球算力中将有越来越大的比例部署在轨道上。马斯克与黄仁勋共同设计的 Ruben 机甲计划于 2027 年第四季度（或最迟 2028 年）发射，这将标志着轨道算力从理论走向现实。

SpaceX 的发射能力与长期战略愿景

SpaceX 正在构建一种极具科幻感的垂直整合基础设施。其位于路易斯安那州的 Starbase 拥有每年进行 数千次发射的能力，且设计上限可能远超每日两次的保守估计。这种高频发射能力不仅服务于星链和轨道算力，更指向了深空探索的终极目标。在长期愿景中，小行星采矿将成为现实：通过星舰捕获富含金银铂等贵金属的小行星（如 Psyche），将其置于太平洋上空无人的环礁轨道，并利用 Optimus 机器人进行开采与精炼。正如贝索斯所言，未来地球将成为纯居住区，所有重工业移至太空以解决污染问题。此外，预计在未来八年内，改装版的星舰将降落在火星，部署太阳能电池板、电池及算力机架，并沿途铺设星链网络。这一过程将伴随 Optimus 机器人传回 4K 视频，最终实现人类在火星的定居。这种从地面到轨道再到行星际的产业跃迁，使得 SpaceX 即便在 AI 应用层面遭遇挫折，也依然是一家体量庞大的基础设施巨头。

开源模型崛起与算力投资的新格局

在 AI 产业层面，微软等巨头的战略正从自研前沿模型转向模型组合与开源生态。由于单一模型无法在所有维度达到最优，企业倾向于使用最佳的基础模型。预计英伟达主导的美国开源模型将迅速逼近前沿水平，这得益于芯片厂商对训练成本的直接资助。对于企业用户而言，使用开源基座模型可以避免将包含核心知识产权的上下文数据共享给闭源实验室，从而保护财务健康。这种趋势使得算力投资呈现出“正反面双赢”的格局：一方面，第一方 AI 业务（如 Grok、Cursor）增长迅猛；另一方面，在算力极度紧缺的背景下，6 个月的投资回报周期极具吸引力。即便 OpenAI 和 Anthropic 坚持自研芯片，SpaceX 等基础设施提供商仍可通过提供低成本、高弹性的算力服务占据关键生态位。最终，拥有最多现金流以资助大型训练跑批的企业将成为开源时代的赢家，而算力短缺将持续重塑全球产业的价值分配。

私有化智能与多模型路由架构

企业正在通过利用开源基座模型来保护核心知识产权。由于前沿实验室的零数据保留政策存在风险，企业倾向于使用如 Nimotron 等优秀的预训练开源模型，结合自身的私有数据进行大量的强化学习和监督微调。这种做法使得企业能够拥有并掌控自己的智能能力、成本结构以及数据安全性，从而避免将嵌入在业务上下文中的核心价值泄露给外部实验室。例如 Grokbot 等应用，实际上是在路由器背后组合了 Gemini、Grok 等不同层级的模型：利用最顶尖的模型进行规划，而将执行任务交给成本更低的模型。这种多模型协同（Multi-model）或混合架构，使得用户体验无缝化，同时也让微软等拥有强大基础设施的公司处于更有利的竞争地位。

如果你拿一个非常优秀的预训练基座模型，就不用去共享企业自己的上下文了。那可真正是你们的知识产权，真正是公司的价值所在。

用最前沿的模型做规划，然后把执行交给成本更低的其他所有模型来跑。

智能抽象层的竞争壁垒与执行难度

成为面向组织和用户的“智能仲裁者”或抽象层（Abstraction Layer）是商业史上竞争最激烈的领域之一。虽然听起来简单，但其执行难度极高，类似于在美国五十个气候和偏好截然不同的州开设一千家连锁门店：需要在合适的时间、以合适的价格备货，并管理高流动性的员工。对于 Cursor 这样的产品而言，其成功在于务实的工程路径——不追求造神，而是专注于在现有技术水平下优化产品体验。由于代码编写具有可验证性和完美文档记录的特点，它成为了智能落地的理想切入点。然而，要将这一抽象层做到极致简单（如一键关联数据、训练模型并无缝路由），需要极高的执行力。目前，Fireworks Nexus 等产品正在通过提供针对特定行业（如高盛、摩根士丹利）数据的定制化强化学习训练，争夺这一关键位置。尽管 Kirkland 等巨头投入巨资自建模型以验证该赛道的巨大潜力，但最终的胜负将取决于谁能在垂直整合的基础上实现最低成本。

谁能成为面向组织和用户的那个抽象层，在智能方面，这是商业史上你能想象到的竞争最激烈的领域或位置。

如果你不做垂直整合，从非常非常长期的角度来看，如果你不拥有自己的算力，你根本就不可能成为低成本供应商。

英伟达的生态锁定与供应链霸权

黄仁勋（Jensen Huang） 通过“垂直整合但横向开放”的策略，确立了英伟达在 AI 基础设施中的绝对主导地位。他不仅掌握了 GPU、CPU、交换机等九款核心芯片，更通过锁定晶圆代工、DRAM、NAND 及激光器产能，掌控了整条供应链。这种策略使得英伟达成为最容易获得融资的数据中心资产：合作伙伴只需提供部分股权，其余大部分可通过债权融资解决，且英伟达提供的残值担保（Residual Value Guarantee） 极大地降低了投资者的风险，使其成为正 NPV极高的投资标的。此外，黄仁勋推动的算力普及化有助于打破 Anthropic 和 OpenAI 对算力的垄断，符合美国利益。尽管有人担忧开源模型会削弱其业务，但实际上开源生态对英伟极为有利：它降低了 token 生成的边际成本要求（从90%降至40%即可盈利），从而刺激了更多 token 消耗，进而增加了对算力的总需求。在供应受限的市场中，英伟达凭借对全球 70%-80% 供应链的锁定能力，构建了极难被挑战的竞争壁垒。

现在每百分之一的份额可能就值一千亿，所以没必要和英伟达硬碰硬，找个细分领域拿下你的百分之一。

这对他的业务棒极了，因为这意味着用英伟达 GPU 跑出来的 token 利润率可能不用达到百分之九十，也许百分之四十就行。

半导体研发的残酷现实与生态依附

在半导体投资领域，我吸取了许多惨痛教训。即便拥有顶尖团队并成功完成芯片流片（Tape-out），且硬件仿真与模拟表现完美，最终结果仍可能令人绝望。当芯片从实验室返回并通电测试时，有时根本无法运行。Cerebras 曾两次遭遇这种情况，尽管他们挺了过来且表现出色，但我认为其前两代芯片虽能正常工作，却长期缺乏明确的产品市场契合点（PMF）。如果芯片完全无法点亮，往往意味着需要推倒重来，这意味着公司必须再融资数亿甚至十亿美元来等待下一次尝试。这种物理世界的难度在于，随着规模扩大和速度加快，土地、电力、供应链及资金必须同步到位。英伟达 占据了该生态约 70%-80% 的份额，这迫使其他参与者不得不接入其生态系统。马斯克做出相关决策的部分原因正在于此：与其对抗，不如合作。

“半导体真的很难，物理世界很难……考虑到它占了百分之七十、八十，不管怎么说，你只想接入那个生态。”

其他大厂都在尝试自研 ASIC（专用集成电路）。以 Jalapeño 团队为例，我认为除了 TPU 或 Trainium 之外，这是第一个令人印象深刻的大厂自研 ASIC。他们用时极短便取得了成果，拥有一支优秀的团队。对于拥有模型并明确研究方向的实验室而言，自研芯片具有巨大优势：他们能针对特定的演进路径进行优化。相比之下，英伟达采取的是与所有人合作的标准化策略。中国三大开源模型（DeepSeek、Kimi、千问）虽然演进路径各异，但都能在通用的 GPU 上运行；若做专用芯片，则必须针对特定的演进形式进行定制。因此，我很高兴英伟达 CEO 的利益诉求与美国国家利益保持一致。务必让手下的半导体团队对迈克尔·乔丹（指代英伟达/黄仁勋）保持客气，不要像 TPU 团队当年那样“扯超人的披风”后自信膨胀并说垃圾话，结果被直接飞走。Jalapeño 团队目前有点这种倾向，虽然他们做出了极具竞争力的芯片（甚至能与英伟达九款芯片中的一款竞争），但在系统层面真正与英伟达竞争，还需要再做出另外八款芯片。

透过交易结构洞察客户真实偏好

SemiAnalysis 的 Dylan Patel 曾将英伟达比作“AI 的美联储”或中央银行。我认为马斯克非常聪明，他没有选择与一个对手竞争，而是选择了利益完全一致的合作伙伴。在供应链受限的世界里，很难直接看出客户的真实偏好，因为只要产品做出来（例如 H100 售罄价格极高），且拥有台积电产能配额及配套的 DRAM，产品肯定能卖光。因此，判断客户真实偏好的最佳方式之一是观察他们与芯片公司达成的交易类型。大体上有三种模式：第一种是股权投资，如亚马逊和谷歌对 Anthropic 的投资（对应 TPU/Trainium），这有助于解决芯片的冷启动问题，只要投资额少于毛利就不会亏损；第二种是 RVG（可变收益协议） 融资，由黑石、阿波罗等机构提供资金，只要 RVG 低于毛利即可保本并获取潜在分成；第三种是赠送认股权证，若与每百万 token 的固定价格挂钩且芯片性能跑赢股价表现则有利可图，否则若仅白送认股权证，随着股价上涨对方捕获的价值增加，MPV（最低现值）可能为负。通过解析这些交易层级，可以推断出客户的真实意图。英伟达所做的交易结构相当聪明，这也是聪明人愿意参与其生态的原因。

“在一个供应链如此受限的世界里……其实挺难推断出客户的真实偏好。而且我觉得能看出客户真实偏好的最好方式之一，就是看他们和芯片公司达成的交易类型。”