当AI热潮烧光资金，会发生什么？（中文）

来源： YouTube | Ben Thompson（Stratechery） | Aug 18, 2026 播客： Invest Like the Best 分类： 投资 原文发表： Aug 18, 2026 纪要生成： 2026-08-24

全集重点

美国“赢”AI竞赛可能引爆危险博弈：军事优势会迫使中国走向极端对等反击，例如炸毁台积电。
当前中美约6～9个月差距是一种微妙均衡：OpenAI/Anthropic领先，中国靠蒸馏追赶，但递归自我改进可能拉大差距。
资本曲线已走到股权融资与Nvidia 5000亿方案，是危险信号：正在重演铁路泡沫“全世界用完了钱”，但不改变AI长期影响。
微软按token收费会颠覆其无脑收入流：企业从“按人收费”到“按使用收费”会引发套件拆解。
算力与智能都可能成为改变世界的商品：Nvidia不自然的高利润率面临hyperscaler与商品化的长期挤压。

嘉宾/话题简介

Ben Thompson（Stratechery 创始人、著名科技分析师）与主持人围绕“当AI热潮烧光资金，会发生什么”展开深度对谈。Ben 从地缘政治博弈、中美AI差距、资本结构、商品市场逻辑、台积电与存储周期、科技巨头战略到Nvidia的利润率可持续性，给出一个系统性判断：他长期极度看多AI的经济影响，但担忧短期资本错配与美国军事领先叙事中的危险盲点。

分节详述

00:00 美国赢得AI竞赛为何危险

本节重点

美国军事AI优势可能让中国选择极端对抗，比如炸毁台积电。
对制造业去中国化存在“魔法思维”，平时不会为负期望值的保险买单。
应该与中国竞争，而不是模仿中国。

详细精要

“美国赢”是危险的结局：Ben 认为如果美国掌控 AI，军事上大幅领先，中国最理性的博弈论回应就是炸毁台积电。
他称这种博弈并不复杂，与硅谷及某家实验室的言论存在根本脱节。
军事/国家安全层面的显著优势对世界非常危险。
“在美国重建fab”存在魔法思维：主持问如果美国赢了，是否已在美国建晶圆厂、降低对台积电的依赖。
Ben 认为制造业（晶圆厂、执行器等）对中国的依赖被严重低估。
去中国化代价巨大、商业上“蠢”，像一张巨额保险单，除非冲突迫使，否则不会支付。
苹果把部分 iPhone 制造迁到印度也只是多元化，不是真正离开中国。
“真正摆脱中国依赖”非常梦幻：只有在别无选择时才可能发生。
如果竞争对手从中国采购，而你转向美国采购，会处于严重相对劣势，因此平时不会做。
这种“天文数字保险”只有在大事发生时才会被迫买单。
动机是“bogeyman”而非真正模仿中国：每个人都需要一个好用的妖魔。
“我们必须打败中国”是AI交易叙事中最有效的部分。
他认为美国确实需要竞争力，但方向上不应模仿中国的自上而下控制、限制言论。
正确做法是更开放、更多创新、更少自上而下控制、更少言论限制，美国靠领先地位成功。

💬 精华片段（中文）

"What is the game theory optimal response of China to blow up TSMC? ... I think that's very dangerous for the world."

如果美国拥有AI军事优势，中国最理性的回应可能是炸毁台积电——这种优势对世界非常危险。

04:18 AI竞争现状与理想均衡

本节重点

当前前沿差距约6～9个月，是一段对美国有利的微妙均衡，但可持续性未知。
“开源模型免费”是误区，推理边际成本真实存在。
递归自我改进和成本服务优势可能拉大领先差距。
担忧“停止发布”导致外界失去对真实前沿的感知。

详细精要

当前AI竞争格局类似台湾现状：OpenAI和Anthropic明确在前沿，谷歌情况不明，Grok和Meta在追赶。
中国公司能力很强、很聪明，通过蒸馏保持约 6到9个月 的落后。
Ben 认为这种均衡总体对美国有利，问题在于能持续多久。
中国能否追上？最后6～9个月最难：他仍持怀疑态度，认为最后一段追赶非常困难。
Meta 和 Grok 能否真正追上，会成为重要的观察样本。
递归自我改进（用AI改进AI）是真实的，OpenAI 和 Anthropic 最近出现明显加速。
如果自我改进持续成立，追赶可能更加困难。
另一个关键问题是成本服务/边际成本：如果可以用AI优化堆栈、分析数据、解决问题，成本服务是否会结构性低于他人？
开源模型“免费”说法很奇怪，因为你仍需支付推理成本。
例如 GLM 或 Kimi 服务成本很高，每次回答成本显著更高。
人们口中的“免费”不准确：你没有支付 AI 的研发，但绝对在支付推理费用。
停止发布与虚假安全感：他担心 Mythos 恐慌和 Hugging Face 事件的实际含义不是减少危险，而是停止发布。
外界开始失去对真正前沿位置的感知。
人们基于 Fable 理解 Mythos，但 Fable 相对 Mythos 的差距只会越来越大。
这会产生虚假的安全感。

💬 精华片段（中文）

"It's marginal costs, right? You still have to run inference... You're not paying necessarily the R&D to create the AI, but you're definitely paying the inference to sort of run it."

所谓开源模型“免费”的说法很奇怪——你仍需支付推理成本，并不是真正的免费。

08:58 资本曲线、铁路泡沫与伯克希尔/Google类比

本节重点

资金端正沿资本曲线下行：自由现金流→债务市场→股权→Nvidia 5000亿方案。
铁路泡沫的久期错配：短期发债但长期才盈利，世界一度用完了钱。
伯克希尔投资 Google 象征 Google 可能从 See's Candies 变成 BNSF。

详细精要

投资回报的时机错配：更担心的不是AI本身，而是实际投资回报能否产生足够收入来持续支持投资。
正在沿资本曲线下行：从自由现金流开始，科技公司仅约 1年就快速消耗了债务市场。
现在 Google 发行股权，Nvidia 组织 5000 亿美元融资来获取养老金和保险浮存金。
接下来钱从哪里来？理想情况是翻转回自由现金流，但如果不够快，可能出现巨大崩盘。
即使崩盘，AI不会消失：即便出现剧烈崩盘，AI 仍会继续进步。
回顾 dot-com 泡沫、铁路泡沫，对整个人类的长期影响最终微乎其微，即便对许多人造成毁灭性打击。
铁路的教训是久期错配：铁路是上一次超大建设，占 GDP 比例可能比当前更大或相近。
建设铁路并从中获利是十年乃至数十年的事业，但短期内必须发债融资，最终“世界用完了钱”。
1870 年代就是这样，但铁路继续运营、扩展西部，对 GDP 贡献巨大，至今仍在贡献 GDP。
铁路的钱正在进入 Google，来自伯克希尔·哈撒韦，这是非常有力且字面的例子。
Nvidia 与 Google 交易的配对：这周 Nvidia 交易与 Google 股权发行非常配对，Google 发行股权令人震惊。
为什么 Google 要发行股权、放弃上涨空间？答案可能在于伯克希尔与 See's Candies 的类比。
See's Candies 是著名的高毛利业务，但高百分比利润受再投资跑道限制，只能积累现金。
BNSF 铁路的精髓：把 See's Candies 利润投入一个利润率更差但绝对美元金额巨大的行业；BNSF 2025 年一年自由现金超过 See's Candies 整个生命周期。
资本大到一定程度，就会从百分比数字转向绝对数字的世界。
Google 搜索可能是 See's Candies：Google 拥有不可思议的高毛利搜索业务、最完美的聚合器、零边际成本。
AI机会需要天文数字的现金燃烧，但若 AI 等于智力，TAM 基本覆盖所有白领工作，最终加上机器人，可能覆盖一切。
即便利润率更低，绝对利润空间大得多；伯克希尔投资 Google 非常象征性，或许伯克希尔不只是投资者，而是 Google 的模型。

💬 精华片段（中文）

"Railroad money is what's going into Google right now from Berkshire Hathaway. It's quite literal."

铁路的钱正在流入谷歌，来自伯克希尔·哈撒韦——这是非常直白的事实。

15:44 AI能力的可验证性边界与聚合理论

本节重点

AI 在可验证领域（编码、数学）出色，但向不可验证领域的转化存疑。
大量经济和就业落在 AI 不擅长的领域，但现有模型已带来巨大机会。
聚合理论核心是零边际成本下，“发现”而非“分发”成为难题。

详细精要

对可通用性论点不完全信服：Ben 的观点既超级看多，又在某些方面不太看多。
AI 在编码方面难以置信地出色，一年前人们还在手写代码；数学也非常好。
但反驳在于：编码和数学都是可验证领域，缺少证据表明擅长可验证领域能直接转化为擅长不可验证或验证周期很长的领域。
实验室的回应令人不满：他在一个 panel 上提出该问题，实验室人士把他当成 AI 空头。
他们用国际象棋和围棋来反驳，但 Ben 认为两者都是可知领域，并且有边界，scale 足够就能解决。
他要求举一个不是国际象棋、不是围棋、真正处于不可知新空间并做到此前不可能之事的例子。
互联网数据是“最终状态”而非思维痕迹：AI 训练于互联网所有数据，这本质是蒸馏。
但它蒸馏的是人类思想的最终表达（Reddit 上的打字、文章），而不是产生这些内容的过程、情绪或思维痕迹。
如果 Neuralink 之类的技术能捕捉思维痕迹，可能大幅扩展模型能力。
对可验证性的担忧也可以靠更多数据来解决。
大量经济并不在 AI 擅长的领域，但机会依然巨大：很大一部分工作存在于 AI 尚不擅长、不可验证的领域。
世界上很多人像“感知型 AI”，在可验证领域工作得很好，被分配任务然后完成。
这个市场如此巨大，即使模型从现在起完全不改进，经济机会依然庞大。
Ben 曾称自己是“不情愿的加速主义者”：无法回到过去，最糟的是卡在当前，因此必须推进。
医学是最大也最难的机会：法律像某种代码，医学有既定理解，但医学因为法规和数据获取而最具挑战。
如果把机器学习用于所有医疗记录，短时间内能产生的发现和治疗改进将不可置信。
乐观框架：人类创造需求的能力无限，会持续创造新工作和机会。
悲观框架：人类制造繁文缛节和混乱的能力也无限，许多工作只是“制造忙碌和低效”。
聚合理论回顾：主持请 Ben 简要提醒聚合理论，并问什么理论将定义当前时代的赢家。
聚合理论的核心组件是零边际成本与零交易成本，Ben 早期关注的是分发。
人们常说自己没有分发，但真正问题是没有需求；聚合者控制需求。
丰裕世界中难题不是分发，而是发现；解决发现的公司在领域内形成良性反馈循环。
交易成本为零：Google/Meta 绝大多数广告主从不与公司人员交流，由计算机完成，企业侧成本几乎为零。

💬 精华片段（中文）

"They control demand because in a world of abundance, the hard problem is not distribution, it's discovery."

聚合者控制的是需求——在丰裕的世界里，难题不是分发，而是发现。

22:34 边际成本、微软定价与消费者广告

本节重点

推理边际成本因用户类型差异极大：食谱问答接近网页成本，测试时缩放则直接按时间烧钱。
微软 E7 按用量收费打破了“按人收费”的无脑收入流。
消费者不愿为软件付费、也不在乎生产力，广告才是消费者商业模式；OpenAI 错失广告窗口。

详细精要

推理成本的真实性与巨大差距：与 Google/Meta 零成本相比，AI 推理成本真实，但取决于公司和用户。
大多数使用免费 ChatGPT 的人只是 Google 替代品或食谱生成器，服务成本接近网页，只略高一点。
另一极端是真正利用测试时缩放的人：以前是做大模型，现在可以按思考时长扩展。
思考数天、数周甚至数月，每一秒思考都直接对应边际成本；这两类用户根本不在同一成本宇宙。
微软 E7 的按用量收费是困境：微软推出企业 E7 计划，每人每月 100 美元 包含一定用量，另按用量收费。
正面看：微软提供企业所需的一切，单项可能不是最好，但一个价格全部协同，降低复杂度，对中小企业有真实价值。
但按用量收费带来三个问题：与员工人数脱钩；企业习惯年预算而非月度预算；每月看账单会开始逐项评估价值、考虑拆分。
微软必须这样做，因为少数极端用户消耗大量 token，服务成本远超 100 美元/月。
微软希望为大量普通员工保留固定收费，需要让极端员工多想一点，但又不能想太多，否则模型会以意外方式破裂。
消费者商业模式仍是广告：低成本的食谱用户还没有好商业模式，Ben 沮丧但不惊讶。
硅谷每十年要重新学习两点：消费者不想为软件付费，消费者不在乎生产力。
Dropbox 的故事：产品极好，Drew Houston 想建消费者公司，乔布斯说是“功能不是公司”。
Dropbox 快速成长后陷入两年低谷，必须从底向上重建应用，因为消费者不愿付费；企业愿意付费，但需要权限、控制、管理员功能，原应用根本没有。
企业付费的原因是它们为员工买单，提升员工生产力会得到更大回报；消费者恰恰相反，下班后只想刷 reels，不想提高生产力。
OpenAI 重演 Dropbox 并放大 100 倍：OpenAI 坚持向消费者卖订阅，卖了不少但不够。
硅谷对广告有普遍怀疑和尴尬，Facebook 广告被认为“icky”，最优秀工程师不愿去做广告。
Ben 因做“广告欣赏者”在 Trajectory 获得大量关注，因为几乎没人写广告。
OpenAI 最终转向广告，同时意识到需要企业，因为 Anthropic 正在击败它们。
它们快速推出广告相关功能，如 copy、与零售商连接追踪购买。
如果 ChatGPT 一炮而红时立即投入广告，现在会有杀手级广告产品，Google 和 Meta 会更头痛：广告主承担价格上涨，没有弹性问题；向消费者收费涨价很难，像 Netflix 的订阅提价困境。
免费容易，收费难；OpenAI 没能更早做广告令人沮丧。

💬 精华片段（中文）

"Consumers do not want to pay for software. And number two, consumers do not care about being productive."

消费者不想为软件付费，也不在乎提高效率——这就是为什么广告永远是消费级商业模式。

30:54 资本开支、商品市场与存储/TSMC

本节重点

8000亿和1.3万亿资本开支下，算力短缺仍会恶化，因为投入的资本要到2028～2029才兑现。
数据中心可能像商品市场：价格由边际供应商决定，科技公司不理解商品周期。
存储和晶圆厂的历史周期、三星逆势投资、以及 TSMC 将风险转移给大科技公司。

详细精要

资本开支与时机错配：主持说今年资本开支约 8000 亿美元，明年预计 1.3 万亿美元，算力一上线就被用完。
Twitter 多头总说算力不够，因为 2023、2024 投资不足，这是对的。
TSMC 在 2023、2024、2025 年都降低了增长率，所以算力短缺未来几年会更糟，因为晶圆厂前置时间比数据中心更长。
今天投入的钱不会立刻变成算力，而是要到 2028 和 2029 年才兑现。
“只建空壳”的说法有很大水分：Andy Jassy 和 Nadella 说只是建数据中心外壳，可能未来再用，只在知道需求时才买 GPU。
Ben 认为很多是 BS：如果已经建了外壳，钱就沉在那里，不会让其闲置。
一旦投入固定成本，这就是商品市场逻辑：科技公司总体不理解商品市场。
科技公司习惯高度差异化产品和高利润率（Apple iPhone 利润率 50%），但在商品市场，价格由边际供应商设定，成本服务决定一切。
航运与存储的繁荣萧条教训：Ben 有台湾朋友做航运，像航空业；买船后边际成本很低，船一定会尽量满负荷运行。
账面亏损很大因为包含折旧，但折旧是会计虚构，钱已经付过；船会按市场价格运行。
当价格低到真正亏现金时有人退出，供给减少，价格回升。
新冠时集装箱从 3000～4000 美元涨到 1.7万～1.8万美元，航运公司短时间赚疯；但造船需要 2 年，同时下单会突然产能过剩、价格暴跌。
内存是著名的繁荣萧条市场，人们晚进入；数据中心可能成为“内存制造者”：现在稀缺，回报期很好，但稀缺时期的回报期能延续到富余时期吗？
存储与三星逆势投资历史：此前有很多存储厂商，每次短缺赚钱吸引进入，随后过剩暴跌、被淘汰。
存储前沿现在使用 EUV 光刻机，成本达数十亿美元。
三星通过研究历史，意识到应该在下行期投资为下一周期准备，最终消灭日本并让韩国统领市场。
行业缩减到三家，形成寡头自律，避免重蹈覆辙；这撞上了当前需求长期转变，存储最终会解决。
但风险是存储厂商高定价给自己埋雷：Apple 游说获取中国存储，算法优化降低内存需求。
类比伊朗霍尔木兹海峡：海峡很有效，但不用时更有效；用了一次后 UAE/沙特会建绕行管道，2035 年再想封锁就没用了。存储厂商可能做了同样的事。
TSMC 的风险转移与更糟的局面：TSMC 更难办，因为前沿只有一家，Intel 和 Samsung 在追赶。
风险不消失，只会移动；TSMC 把产能过剩风险转移给了大型科技公司。
TSMC 担心建太多，晶圆厂预期运行 30 年，会多年产能过剩，因此非常保守。
Morris Chang 的故事：他退休后新领导在大衰退时削减支出，他回归后解雇所有人，说“iPhone 刚发布，这是最大机会，要投资不要削减”，并大衰退期间投资，奠定领先基础。
TSMC 曾因 5G 兴奋在 2020～2022 大举扩张，之后 2023～2025 增速下降，2026 回升；CC Wei 最近才开始在财报会谈论 AI 用例。
风险现在表现为所有科技公司都知悉若有更多算力就能赚更多，因此有大量错失收入和利润。
牛鞭效应：制造商在需求传导末端，往往太晚加倍投入；如果 AI 是牛鞭，将是有史以来最长的牛鞭。

💬 精华片段（中文）

"Risk doesn't disappear. It just moves... And sometimes that risk doesn't manifest in losing money. It manifests in not making money."

风险不会消失，只会被转移——有时风险不是亏钱，而是没有赚到钱。

44:23 稀缺拯救Intel？地缘政治保险与Amazon

本节重点

极端算力短缺使大科技公司被迫扶持 Intel 和 Samsung，稀缺性可能拯救 Intel。
解决台积电依赖的真正方式是创造如此巨大的算力用例，让地缘政治保险免费获得。
Amazon 的最有趣设置：它为自己构建，作为自己的第一个最好客户，再将服务外销。

详细精要

极端算力短缺对 Intel 和 Samsung 的意义：Ben 从 2013 年就撰文敦促 Intel 建立代工业务。
Intel 股票在 2010 年代随云计算浪潮飞涨，直到 2020 年才意识到落后。
Intel 缺乏客户服务心态、文化组织、IP 构建块和真正代工所需的一切，需要客户帮忙。
大科技公司去 TSMC 体验很好，理性上没人会去与 Intel 合作，因为痛苦太大、受益者是 Intel。
但在不变世界中 TSMC 会永远赢；TSMC 犯了与存储厂商、伊朗类似的错误：过去几年投资不足。
短缺如此严重，大科技公司因缺少算力错失大量收入和利润，将被迫忍受痛苦把 Intel 和 Samsung 逻辑业务拉起来，稀缺性最终拯救 Intel。
Ben 预计近期某时 Intel 会宣布第一个重要合作伙伴，这将是大事。
这是“高价格治疗高价格”：市场会绕过 TSMC，而 TSMC 自己招致了这一局面。
没人愿意为负期望值的保险付费；解决依赖 TSMC 的地缘政治问题，需要找到如此巨大的算力用例，让所有人自愿扶持替代者，从而免费获得地缘政治保险。
前10～15大科技公司中，Amazon 的设置最有趣：答案永远是 Amazon。
核心在于 Amazon 为自己构建，是自己的第一个、最好客户，提供的规模足以让任何业务起步，再卖给其他人。
AWS 并非闲置产能：amazon.com 迁上 AWS 花了很久；但驱动了“可扩展、纯 API 表面”的理解，内部零售团队能用，外部也能用。
由于零售规模太大，AWS 甚至先服务外部客户，后服务内部，如今全部服务。
物流是相反路径：先用 UPS/FedEx/USPS，后自建，现在把交付服务提供给第三方。
芯片 Graviton/Trainium 早期很糟糕，但 Amazon 将其隐藏在托管服务（如 Redshift）底下，不告诉用户处理器型号，获得规模和迭代机会。
因为 Amazon 是 Graviton 的第一个最好客户，Graviton 变好了；Trainium 也变好，现在运行 Anthropic。
AI 服务同理：呼叫中心/客服已接入 AI，Ben 亲测体验不错；有些 AI 服务会成功，有些不会，但方法很优雅。
Amazon 在现实世界有大量投资，核心业务对“模型版 AI”似乎不可渗透，护城河最深，生成新业务线的能力非常强。

💬 精华片段（中文）

"What Amazon is so compelling is the extent to which they build for them. They are their first best customer."

Amazon 最吸引人的地方，就是它为自己构建——自己是第一个、也是最好的客户。

51:03 Apple、五大前沿赢家与微软IBM剧本

本节重点

Apple 作为聚合者租赁 AI 供应商，未来设备端推理可节省成本，但可能落入微软式“以手机为中心”陷阱。
五大前沿赢家中，OpenAI/Anthropic 风险与收益最大，Meta 靠创始人能量留在前沿，SpaceX AI 理由最弱。
微软复刻 IBM 90 年代中间件与咨询打法，理性但存在性绝望。

详细精要

Apple 的“幸运胜过优秀”：Apple 坐拥生态系统与客户访问权，是经典聚合者玩法。
供应商来找 Apple 而非相反，因此可以按需获得 AI 供应商。
如果人们不想高效、只想聊天机器人，Apple 能提供聊天机器人（Siri 终于可用），未来可能完全在设备端运行，利用客户电力，不必支付推理成本。
目前 Apple 使用 Google Cloud 和 Nvidia 芯片，但可以想象设备端推理的未来；同时 Apple 在实体商品、制造、零售和实体分销方面有优势。
智能手机非常完美：足够小放口袋，足够大看一切，你可以在手机上运营整个生活，电视已成为配件。
问题在于手机是否会永远是中心，还是家中环境 AI 会成为中心；OpenAI 的环境 AI 努力很有意思。
Apple 最适合提供环境 AI，但能否在没有前沿模型、过于手机中心化的条件下做到？这类似微软早年移动：以为 PC 永远中心，手机是配件，Apple 则意识到手机是中心。
Apple 是确定性产品之王，AI 是概率性事业；iPhone 从未召回，供应链谨慎与 AI 研发文化截然不同。
Ben 更喜欢公司做擅长之事，所以对 Apple 不做 AI 感到满意，希望他们继续做伟大设备。
五大前沿赢家：OpenAI、Anthropic、Gemini、SpaceX AI/Grok、Meta：OpenAI 和 Anthropic 风险最大、上涨空间最大。
不要低估第一名的力量与信念：他们认为自己在创造上帝，历史上最有影响力的事情通常由宗教驱动。
硅谷的两家宗教组织：OpenAI 像主流/福音派，Anthropic 像每周日去教堂、全情投入；信念和必须让企业运转才能生存都有巨大推动力。
Google 只需要搜索不要死得太快；Meta 拥有巨型广告业务，若由其他人运营则不会在前沿，这是创始人能量最纯粹的表现之一。
Meta 另起炉灶雇新团队从零开始很疯狂，要称赞扎克伯格；SpaceX AI 的太空数据中心理论高度差异化，若成功不一定需要自有模型，所以其“烧钱建自有模型”的理由最弱，不过 Cursor 收购对双方都很合理。
数字公司不在前沿反而更鲁莽，但微软是反例：微软不处前沿，上一季度自由现金流 200 亿美元、股息 100 亿美元。
微软的策略是让各方彼此竞争，提供中间件和平台，让企业在上面建设，并去中介化基础模型。
这是理性的 IBM 90 年代打法：IBM 曾因垄断而各业务平庸，Gerstner 发现最大资产是“大”，而非拆分组件。
IBM 在互联网时代帮助美国企业上线，建立庞大咨询力量和中间件，介于旧大型机与现代网络服务之间，获得 30 年续命。
微软同样提供平台、可靠稳定、向后兼容到 80 年代，管理不断变化的模型，但代价是用户得不到最佳体验。
企业销售的长期目标都是锁定客户，Oracle 靠“不要被 IBM 锁定”建立锁定帝国；微软剧本理性，但也是存在性绝望，并可能因绝望而成功。
Microsoft 的核心威胁来自用户界面：人们用微软产品是因为以前就在用。
AI 擅长乏味重复的迁移工作，系统记录的迁移成本可能下降。
微软最有价值的是用户界面——你与计算机交互的地方，而 Codex、Claude co-work 等直指这一核心。
长期来看所有数字公司都面临威胁，微软策略合理但存在性方面紧张。

💬 精华片段（中文）

"All of enterprise sales is companies whose long-term goal is to lock you in, getting you on board by trying to make you scared of being locked into somebody else."

企业销售的长期目标都是锁定你——它们通过让你害怕被他人锁定来把你拉上船。

01:03:59 Meta 的广告、TikTok 盲点与广告验证机器

本节重点

AI 占用时间对 Meta 是挑战，人类连接需求可能让社交网络重新重要。
Meta 把 TikTok 误判为社交网络，实为娱乐产品，导致被抢走份额。
LLM 对广告匹配的改进只需几个百分点就能带来数十亿美元回报，但 Meta 不愿讲广告故事。

详细精要

AI 时间侵蚀与人类连接需求：所有数字公司都受威胁，Meta 是数字公司，AI 占据更多时间，而时间最终是 Meta 的货币。
OpenAI 试过 Sora，没真正起飞，说明社交网络其实很难且成本昂贵。
创作者支付：YouTube 从开始就向创作者分成，对业务拖累大于表面，因为 YouTube 对内容有边际成本；它后付分享收入，优于 Netflix 的预付模式。
Facebook/Meta 对内容支付零美元，Instagram 产生巨额收入却对内容支付零，不可思议。
看多世界：当人们一直与 AI 交互，对人类连接的需求更高，Meta 可能回到根源。
Meta 最大的错误是把 TikTok 当社交网络：Meta 一直把自己视为社交网络公司。
早年它把 Snapchat 的功能叠加到自己的网络上，扼杀了 Snapchat 的增长。
但 TikTok 是盲点，因为 TikTok 不是社交网络，而是娱乐产品：看到什么取决于你看了什么，不取决于关注谁。
TikTok 的洞察是：把内容限制在社交网络内是人为约束，应该从整个网络提供最好内容；大量内容是垃圾，但绝对数量巨大，好内容绝对量仍然很大。
Meta 被迫转向，Instagram 和 Reels 变成从整个网络拉取的娱乐产品，社交网络更像“群聊”。
LLM 对广告的验证与匹配优势：当前模型最大的货币化收益可能不在 Anthropic/OpenAI，而在 Google 和 Meta 的增量收益。
如何验证生成图像对广告有效？唯一标准是广告是否卖出；Meta 能在广告市场中进行大规模 AB 测试。
广告市场是一个巨大的、流动性极强的验证机器，验证者是人类是否点击并购买，全球规模。
过去广告匹配是嵌入/向量计算；未来 LLM 将预测一个人接下来想看什么，然后找到并推送。
只需提升几个百分点转化率，回报就是数十亿美元；这本身就是投资前沿模型的理由。
Meta 不愿讲广告故事：扎克伯格和 Sam Altman 一样不喜欢广告。
但 Meta 拥有世界最佳广告业务，Ben 认为是社会正效益：连接产品与细分需求人群，让创业者赚钱、客户满意，还提供免费娱乐。
广告的伟大之处在于新企业家、满意客户、免费娱乐、Meta 和股东（几乎全世界）都获益。
扎克伯格从未认真谈论广告的社会效益，他交接给他人，可能不想介入。
Sheryl Sandberg 时代每次电话会都讲广告案例研究，她离开后没人填补这一空白。
Apple 的 ATT（App Tracking Transparency） 是史上最严重的反垄断侵权之一，苹果单方面摧垮商业模型同时建立自己的广告业务；那个“公交车上偷听所有人”的广告对互联网广告工作方式的描绘极不诚实。
Tim Cook 在国会称公司出售数据，但 Facebook 没有出售你的数据，数据对它是资产、价值，不该卖；Meta 当时没有准备回应。
如果 Meta 更一致地传播广告价值，公关地位会更好，相对 Apple 更好，也更容易说服华尔街允许投资。
另一个问题是累计在 Oculus 上花了一千多亿美元，Ben 一直不看好，华尔街会质疑“为什么再让你花钱”。

💬 精华片段（中文）

"It helps products find the people who didn't even know they wanted that product, but when they get it, they're so happy they got it."

广告帮助产品找到那些甚至不知道自己想要它的人，当他们得到时非常开心——这是巨大的社会正效益。

01:13:22 智能与算力会商品化吗？Nvidia的困境

本节重点

智能和算力可能都成为商品，而商品改变世界。
Nvidia 的利润率在整体视角下已经被风险承担所侵蚀，只是没有体现在报表利润率上。
hyperscaler 低资本成本和自研芯片是 Nvidia 长期最大威胁；电力充裕反而给替代芯片更多时间。

详细精要

智能和算力可能成为商品：商品经常被认为不是好生意，但商品改变世界。
互联网免费分发、带宽是商品，手机可以免费连接任何信息源，正因为是商品。
差异化产品定义上 TAM 更低，因为存在价格弹性，不是每个人都付得起；Apple 无法靠卖设备服务全世界，Google 可以因为免费。
商品被所有人使用才最具影响力；互联网是商品并改变了世界，智能成为商品并改变世界并不奇怪。
Nvidia 的位置不自然且利润已被侵蚀：2026 年所有人都追赶 Nvidia，它仍维持利润率，但这并非真实。
环状融资问题：人们谈论 Lucent 等，Nvidia 提供 25% 的兜底，并向 Neoclouds 收取股权，保证到 2030 年购买其所有计算。
Nvidia 这样做的目的是让实体获得更低资本成本以购买更多 GPU；更低资本成本是因为 Nvidia 承担了风险。
风险不消失，只是转移；承担风险有价格。如果 AI 一路起飞，Nvidia 收获全部上行；如果 Neocloud 带来大量算力、hyperscaler 不需要，Nvidia 就要为没人要的计算付钱。
因此这笔投资有一个介于 0 和 100 之间的期望值，是对 Nvidia 盈利能力的减损；本质上是一种价格下调，只是没有显示在利润率上。
hyperscaler 是 Nvidia 的终极竞争对手：Google 和 Amazon 不仅自研芯片，还想对外销售。
Google 已把 20% 的 TPU 卖给 Anthropic；Andy Jassy 在上次财报电话几乎确认会出售 Trainium 3E 或 4 等芯片。
对外销售有其道理：获得长期买入这些公司的机会、芯片研发巨大、支出杠杆更高；但注意他们不是靠差异化卖芯片，而是当商品卖。
Nvidia 才是卖差异化的；客户不会为了 Trainium 去亚马逊云，所以外部销售不会蚕食云业务。
hyperscaler 的最大优势是更低资本成本，这是一场资本战；Neoclouds 大量买入 Nvidia 左右逢源。
SpaceX 总买 Nvidia 不是因为最好，而是因为最 fungible，最容易租出去；CUDA 的护城河已大幅消退，因为模型不关心跑在什么上，真正重要的是模型之上构建的东西，但 CUDA 仍有价值。
历史：Nvidia 曾通过免费企业模块和主权云试图锁定客户；Intel 在 hyperscaler 销售中被 AMD 清洗，但 Intel 政府和企业业务从未动摇，因为那些买家不会换芯片。
电力约束与商品化最终挤压：Nvidia 希望世界电力耗尽，因为在电力完全受限的世界，大家必须买最高 token 效率，而 Nvidia 仍是最 token efficient。
过去几年 Nvidia 最大的问题可能是美国上线的电力远超预期：Elon 在表后做的事情被 West Texas 和天然气复制，还重启核电站。
美国对电力约束的反应令人鼓舞，是积极信号；长期假设这是泡沫，你希望有长期回报。
.com 留下地下光纤，Google 靠购买暗光纤建立业务，核心互联网仍运行 WorldCom 光纤；铁路 BNSF 产生的资金流入 Google，源于 Northern Pacific 和 Jay Cooke 向零售投资者出售债券。
泡沫应产生持久的东西；AI 什么会持久？GPU 寿命不长，数据中心可以，但真正重要的是电力。
如果世界演变为能源过剩，将是不可思议的世界，因为我们一直处于能源短缺；电力肯定是约束，但成为约束所需时间比任何人预期（可能包括黄仁勋）都长。
电力越充足，Amazon 越有时间改进 Trainium，Google 越有时间提高 TPU 效率；在那个世界，Nvidia 的高利润率很难维持。

💬 精华片段（中文）

"Risk never disappears. It just sort of appears somewhere else. Taking on risk has a price."

风险不会消失，它只是转移——承担风险是有价格的。

专业术语注释

术语	解释
聚合理论（Aggregation Theory）	Ben Thompson 提出的框架：零边际成本与零交易成本下，控制需求/发现的平台形成良性循环并主导市场。
零边际成本（Zero Marginal Cost）	服务额外用户几乎不增加成本；Google/Meta 广告系统因此可全球扩张。
分发 vs 发现（Distribution vs Discovery）	丰裕时代难题不是把内容/产品送到用户面前，而是帮助用户找到想要的。
测试时缩放（Test-time Scaling）	不靠扩大模型、而靠增加推理思考时间提升答案质量，直接增加推理边际成本。
推理（Inference）	模型根据输入生成输出的过程；与训练不同，每次调用都有成本。
蒸馏（Distillation）	用小模型学习大模型输出或行为，以低成本复制能力；中国追赶 AI 的方式之一。
递归自我改进（Recursive Self-improvement）	用 AI 改进 AI 本身，可能导致前沿加速拉大差距。
资本曲线（Capital Curve）	企业融资从自由现金流、债务市场、股权到另类资金的逐级下行路径。
久期错配（Duration Mismatch）	铁路等大型项目短期需融资、长期才产生收益的结构性时间错配。
See's Candies / BNSF	伯克希尔把高毛利低规模现金投入低毛利高绝对利润行业的类比，用于理解 Google 投资 AI。
牛鞭效应（Bullwhip Effect）	供应链末端需求波动被放大，制造商容易在后周期过度投资。
EUV 光刻机	极紫外光刻机，先进存储和逻辑芯片制造的关键设备，成本达数十亿美元。
寡头（Oligopoly）	少数几家供应商主导的市场；存储行业缩减至三家形成自律。
无晶圆厂模式（Fabless Model）	芯片设计公司与制造分离，台积电是该模式的关键推动者。
商品市场（Commodity Market）	产品同质化，价格由边际供应商和成本服务决定。
边际供应商（Marginal Supplier）	决定商品市场价格的最高成本生产者。
环境 AI（Ambient AI）	分布在设备/空间中、可随时对话的 AI，可能成为家庭计算中心。
确定性 vs 概率性产品（Deterministic vs Probabilistic）	Apple 硬件需一次做对，AI 输出则天然不确定。
中间件（Middleware）	连接底层模型与企业应用的层，微软希望成为这一层。
系统记录（System of Record）	企业权威数据系统，迁移成本高；AI 可能降低其护城河。
LLM（Large Language Model）	大语言模型，播客中用于预测用户下一个想看到的内容。
嵌入/向量匹配（Embedding/Vector Matching）	用向量计算匹配广告和用户属性的传统方式。
ATT（App Tracking Transparency）	Apple 推出的应用追踪透明政策，Ben 认为是反竞争行为。
CUDA	Nvidia 的并行计算平台/编程模型，其护城河正在减弱。
Neocloud	购买 Nvidia GPU 并向客户出租算力的新型云服务商。
主权云（Sovereign Cloud）	面向政府/特定国家的云服务，Nvidia 推销以分散客户。
Hyperscaler	超大规模云厂商，如 Google、Amazon、Microsoft。
Token Efficiency	每 token 的算力/能源效率，在电力受限时成为关键竞争维度。
暗光纤（Dark Fiber）	已铺设但未使用的光纤，Google 在 .com 泡沫后廉价购买建立业务。
表后电力（Behind-the-meter）	在电表用户侧自建电力，Elon 的数据中心策略，被广泛复制。

延伸思考

“世界用完了钱”是否会重演：当前 8000 亿→1.3 万亿的资本开支轨迹，与铁路泡沫的久期错配有高度相似性；若资本出现断档，最脆弱的是 Nvidia 的 Neocloud 客户还是微软式中间层？
中国追赶的 6～9 个月差距是否可逆：如果西方因恐慌停止发布模型，外部将失去对 Frontier 的判断能力；递归自我改进可能使差距从时间差变成结构性代差。
微软按用量收费的商业风险：从无脑按人收费转向按 token 收费，会否引发企业对 Office+Copilot 套件的逐项拆解，进而重塑企业软件格局？
智能商品化后的投资定价：如果智能像带宽一样成为人人可得的商品，虽然改变世界，但高资本开支、低边际差异的企业该如何给估值？
美国军事AI优势叙事中的博弈论盲点：美国若真的“赢”到压倒性程度，中国的最优策略可能是先发制人打击台积电；这种风险是否被硅谷的“we have to beat China”叙事系统性低估？

原文发表：Aug 18, 2026 · 纪要生成：2026-08-24