▶ 原文链接

当AI热潮花光钱时会发生什么（中文）

来源： Invest Like the Best | Ben Thompson | 2026-08-18 播客： Invest Like the Best 分类： 投资 原文发表： 2026-08-18 纪要生成： 2026-09-02

---

嘉宾/话题简介

本期嘉宾 Ben Thompson 是 Stratechery 作者、科技战略与商业模式分析领域的代表人物，以提出“聚合理论”闻名。主持人与其讨论 AI 热潮下的地缘政治、资本开支、算力与存储供应链、超大规模科技公司的商业模式，以及 AI 模型能否从可验证领域扩展至不可验证领域等核心问题。对话反复回到一个主题：AI 可能真的会改变世界，但市场必须先解决“钱从哪里来”的时间差问题。

---

分节详述

00:00 美国赢下AI竞赛的悖论与对中国的依赖

本节重点

• 若美国控制AI并获得军事优势，中国的博弈论最优反应可能是炸掉台积电。
• 美国对中国供应链的依赖被严重低估，脱钩成本极高。
• 硅谷“我们必须赢中国”的话术与地缘现实之间存在根本脱节。

详细精要

• 美国若掌控AI取得军事压倒性优势，反而会带来巨大危险：最极端的推演是，如果美国AI大幅领先到能彻底修复制造业、军事超越所有国家，那么中国的博弈论最优响应就是攻击台积电，切断芯片供应。
• 这并非复杂博弈，而是简单逻辑：当一个国家形成绝对军事优势时，对手的理性选择是攻击最致命的咽喉。

• 危机制造出“摧毁台积电”的激励，这与硅谷许多AI实验室的论调根本冲突。

• 美国对中国的依赖被低估，且不会在和平时期被主动修复：很多人相信美国可以自己建晶圆厂、摆脱台积电这一单一咽喉，但这是“神奇思维”。

• 现实是，从晶圆厂到执行器等各种上游环节，美国对中国的依赖程度远高于公开讨论。
• 如果竞争对手仍从中国采购，而你转向美国本土供应，成本劣势会让你在竞争中处于严重不利，所以企业不会主动做。
• 人们只会在“别无选择”时才脱钩；这适用于重大标志性项目，比如迫使苹果把部分iPhone制造迁往印度。

• 但苹果并未真正离开中国，只是有限度多元化；因为脱钩像支付一份昂贵保险，若非被迫没有人愿意付。

• “对抗中国”是AI热潮中最方便的假想敌，但美国应走相反方向：AI交易叙事中，没有比“我们必须赢中国”更好用的宣传口号。

• Ben认同美国需要保持竞争力，但他对过去几年政治层面试图模仿中国的做法感到失望。
• 美国应该加大开放、创新，减少自上而下的控制和对言论的限制；美国的成功建立在领先优势和拥抱这些原则上。

💬 精华片段（中文）

"Let's say we take the most sort of fantastical scenario where if you control AI, your military is better than anyone else in this world. What is the game theory optimal response of China to blow up TSMC?"

“假设我们设想最极端的场景：如果你控制了AI，你的军队比世界上任何国家都强。那么中国的博弈论最优反应是什么呢？——炸掉台积电。”

---

03:19 理想均衡、中国追赶与“免费”开源模型的成本迷思

本节重点

• 当前AI格局类似台积电现状，可能是对美有利的均衡：OpenAI和Anthropic在前沿，中国落后6–9个月。
• 最后6–9个月的领先最难追赶，递归自我改进可能进一步拉大差距。
• 所谓“免费”开源模型并不免费，推理的边际成本始终真实存在。

详细精要

• 当前AI格局可能是一种对美国有利、但不确定能否持续的均衡：Ben认为现状并不差，类似台湾局势“当前现状似乎没那么糟”。
• OpenAI 和 Anthropic 明显处于前沿；Google情况不明，Grok 和 Meta 在追赶。
• 中国团队能力很强、很聪明，但他们通过蒸馏模型保持在大约落后6–9个月的位置。

• 这个均衡总体对美国有利，问题在于能维持多久。

• 最后的6–9个月最难追赶，递归改进使追赶更难：Ben对中国能否真正反超仍持怀疑态度，因为到达真正的前沿极其困难。

• Meta 和 Grok 能否追上将具有指导意义；这可以检验前沿领跑者的护城河。
• 当AI进入“用AI改进AI”的递归阶段，OpenAI 和 Anthropic 近来明显加速，说明理论正在变成现实。

• 若递归改进成立，追赶者可能更难缩小差距；另一个问题是这种改进多大程度上会降低服务成本和边际成本。

• 开源模型“免费”的说法是叙事误区，推理成本真实存在：Ben 认为人们头脑中“免费就是免费”的想法过于简单。

• 以 GLM 或 Kimi 为例，服务成本很高，单次回答成本明显更高。
• 所谓免费只是不支付研发成本，但推理运行的边际成本一定存在；任何人都无法真正零成本使用AI。

💬 精华片段（中文）

"The everyone referring to these as free... No, you can't use AI for free. You're not paying necessarily the R&D to create the AI, but you're definitely paying the inference to sort of run it."

“每个人都把这些模型称为免费……不，你不可能免费使用AI。你不一定在为创造AI的研发付费，但你一定在为运行它的推理成本付费。”

---

07:31 递归改进、时间错配与铁路泡沫的历史教训

本节重点

• 外界对前沿的感知会因停止发布而失真，Mythos与Fable之间的真实差距可能越来越大。
• 更大的风险在于投资回报时间错配：自由现金流→债务→股权之后，钱从哪里来？
• 即使出现泡沫破裂，AI本身不会停止进步，就像铁路和互联网泡沫一样。

详细精要

• 停止公开发布会造成错误的安全感，外界会失去对前沿的判断力：围绕 Mythos 的恐慌和 Hugging Face 事件的真正影响，不是危险减少，而是实验室停止释放成果。
• 外部世界开始失去“真正的前沿在哪里”的感觉，出现错误的安全感。
• 现在所有人基于 Fable 来理解 Mythos，但 Fable 相对于 Mythos 的真实差距只会随着时间越来越大。

• 递归式AI自我改进是否会引发某种起飞，仍是Ben不确定的关键问题。

• 投资回报存在严重时序错配，资金曲线正在快速消耗：AI进展本身可信，但当前融资路径已经走到危险区间。

• 资金先来自自由现金流，随后科技公司迅速烧光债券市场的资金，仅用大约一年。
• 现在 Google 开始发行股权，英伟达 在组建5000亿美元基金，试图动用养老基金和保险浮存金。

• 接下来的问题是：再之后钱从哪里来？理想情况是重新回到自由现金流循环，但若出现缺口，就可能有巨大泡沫破裂。

• 即使泡沫破裂，AI也不会消失，历史泡沫最终对文明贡献巨大：Ben 认为即便出现暴跌，AI仍会继续进步。

• 回顾互联网泡沫、铁路泡沫，它们对人类的整体进程最终影响深远，尽管对大量个体造成过毁灭性打击。
• 核心问题始终是：我们能否在泡沫破裂前，让AI产生足够营收来为投资接续。

💬 精华片段（中文）

"Even if we have this blowup, the AI is not going away. It's not going to stop improving... ultimately immaterial in terms of the broad scope of humanity."

“即使发生崩盘，AI也不会消失。它不会停止进步……从人类文明的宏观尺度看，这些泡沫最终都无足轻重。”

---

10:37 谷歌股权发行与伯克希尔·哈撒韦的启示

本节重点

• Google发行股权令人震惊，因为Google本来拥有极高利润的搜索业务。
• 伯克希尔·哈撒韦以喜诗糖果利润投资BNSF铁路的模式，可能正是Google投资AI的逻辑。
• 即使利润率下降，只要绝对利润足够大，稀释股权也可能是理性的。

详细精要

• Google发行股权为何令人震惊：Google拥有巨额自由现金流，本不需要融资，却选择发行股权。
• 发行股权会稀释股东对公司的权益，减少上行收益。

• 这说明Google管理层对AI机会的判断强烈到愿意承担稀释代价。

• 伯克希尔·哈撒韦的类比：喜诗糖果利润 → BNSF铁路：Ben 认为伯克希尔投资 Google 极具象征意义。

• 喜诗糖果 是极高利润率业务，但绝对利润受限于再投资跑道，只能积累现金。
• 伯克希尔的聪明之处在于，把喜诗糖果利润投向 BNSF 铁路：铁路利润率远更低，但绝对金额极大，结果是绝对利润远超糖果。

• 例如 BNSF 在一年产生的自由现金流，超过喜诗糖果整个生命周期累计产生的自由现金流。

• Google可能正在复制“喜诗糖果→BNSF”的转型逻辑：Google搜索是近乎完美的聚合器，零边际成本、无需额外投资。

• AI机会当前是“烧钱机器”，但如果AI代表智能，其总可寻址市场（TAM）基本覆盖所有白领工作，未来加上机器人可能覆盖一切。
• 即使AI利润率较低，绝对利润也可能远超搜索；那时回头看，Google搜索可能就像喜诗糖果。
• 为获得更大的绝对蛋糕，消耗自由现金流、动用债务、发行股权都是合理策略。

💬 精华片段（中文）

"Well, if you have a smaller percentage of an astronomically larger pie, at the end of the day, no one's going to be complaining."

“如果你拥有一个天文数字般更大的馅饼中较小的百分比，最终没有人会抱怨。”

---

15:47 AI技术能力的边界：可验证领域与不可验证领域

本节重点

• AI在编码、数学等可验证领域表现出色，但能否迁移到不可验证领域仍未证实。
• 实验室用国际象棋和围棋反驳质疑，但那些是有限的可验证领域。
• 即使模型不再改进，现有能力对应的经济机会已经非常巨大。

详细精要

• 对AI可泛化性存在根本疑问：可验证领域的成功不等于不可验证领域：Ben 同时感到极度看涨又不够看涨。
• AI在编码上表现惊人，让人难以想象一年前人们还在逐行写代码；数学也很强。
• 但这些领域都可验证，能否迁移到不可验证领域或验证循环极长的领域，仍有待观察。

• 实验室人士用“我们曾以为AI解决不了国际象棋和围棋”回应，但Ben认为那些是有边界、可穷尽的领域，规模是答案；不能作为未知空间的证据。

• AI蒸馏了人类思想的最终状态，而非思考过程：Ben 提出一个深刻假设。

• AI在互联网数据上训练，实际上蒸馏的是人类思想的最终产出——Reddit评论、文章——而没有思考、情绪的“轨迹”。
• 如果 Neuralink 的突破能捕捉人类思考的痕迹，可能会大幅扩展模型能力。

• 这关系到解决可验证性问题的另一种路径：也许不是更多数据，而是更好的数据。

• 即使模型不再进步，约等于“AI化”的经济机会也极其巨大：Ben 认为大量工作和经济活动其实处于“可验证领域”。

• 很多人本质上是某种“有感知的AI”：被分配工作，在可验证的岗位上高效完成。
• 这种市场巨大，即使模型停留在当前水平，经济机会依然庞大。
• 他写过文章称自己是勉强的加速主义者：必须向前推进，因为无法倒退，最坏的结果是被卡在现状。
• 医学是最大机会之一，但受监管和准入限制，好事不会立刻发生；人类的创造力会创造新需求，也会制造更多繁文缛节。

💬 精华片段（中文）

"AI trained at a rough approximation trained on all the data of the internet... It distilled all of the end state of human thought... It doesn't actually have the thought, the emotion or whatever that went into typing that comment."

“AI大致上是基于互联网所有数据训练的……它蒸馏的是人类思想的最终产出……它并不拥有写下那条评论时的思考、情绪或任何过程。”

---

20:27 聚合理论与AI边际成本的新现实

本节重点

• 聚合理论的核心是零边际成本、控制需求、发现而非分发、以及低交易成本。
• AI推理成本比传统软件真实得多，但不同用户之间的边际成本差距悬殊。
• 微软新的按usage收费模式危险：它让客户重新思考每一笔支出。

详细精要

• 聚合理论在AI时代仍部分适用，但边际成本假设被打破：Ben 回顾自己2015年提出的聚合理论。
• 关键之一是零边际成本，在分发和交易成本上体现：Google、Meta 的广告系统几乎不涉及人工，服务器服务用户的边际成本接近零。
• 但AI不同，推理成本是真实的，当前阶段比之前的软件边际成本高得多。

• 不过不同用户差异巨大：大多数普通用户把AI当搜索引擎或菜谱工具，服务成本接近网页；另一端用户利用测试时间缩放，让模型思考数天、数周，成本与时间成正比。

• AI的边际成本随用户类型天差地别：一个免费使用ChatGPT的用户和一位让AI解数学定理的用户，成本不在同一个宇宙。

• 过去扩展靠把模型做大，现在则是测试时间缩放：思考时间更长会直接带来边际成本上升。

• 这对企业市场造成显著挑战。

• 微软E7计划的按用量收费正在破坏其原本无摩擦的商业模式：微软推出 E7 计划，每用户每月 100美元 包含一定用量，超出部分再按使用量计费。

• 传统上，企业招聘新员工时，微软许可证成本被嵌入人力成本，几乎是无意识的收入流。
• 改成usage后，客户必须每个月思考“我要花多少钱”，而企业通常一年做一次预算，这种月度决策方式很多公司不适应。
• 更重要的是，客户会开始思考：我到底在为每个产品付多少钱？是否应该把产品拆分开来、另寻替代？
• 微软不得不这样做，因为重度AI用户消耗的token远不止100美元，但若让普通用户也思考太多，会以意外方式破坏商业模式。

💬 精华片段（中文）

"The moment you start having to think about how much you're paying... you start thinking about what am I paying for?"

“一旦你开始需要考虑自己付了多少钱……你就会开始思考：我到底在为什么付钱？”

---

26:14 消费者软件、Dropbox的教训与广告业务的回归

本节重点

• 消费者既不愿为软件付费，也不关心生产力；广告才是消费者市场的答案。
• Dropbox曾试图做消费者公司，最终被迫重建企业版才盈利。
• OpenAI重演Dropbox错误，若早点做广告，Google和Meta会更麻烦。

详细精要

• 硅谷每十年就要重新学一遍消费者行为的两条铁律：消费者不愿意为软件付费，消费者不关心生产力。
• 消费者工作一天后不想回家继续提高效率，只想躺在沙发上刷内容。

• 这就是为什么广告是消费者市场唯一可行的商业模型：消费者不想付钱，广告主承担价格。

• Dropbox是消费者软件误判的经典案例：早期Dropbox产品极其优秀，增长疯狂。

• 创始人 Drew Houston 想打造消费者公司，但很快遇到两年停滞。
• 消费者不愿付费；企业有支付能力，但企业需要权限、控制、管理功能，Dropbox应用完全没为此设计。

• 最终Dropbox被迫从底层重建整个应用，转向企业市场；企业付费是因为企业支付员工工资，提高员工效率能带来投资回报。

• OpenAI重演Dropbox故事，但规模大100倍：OpenAI早期坚持消费者订阅模式。

• 订阅卖得不少，但不够；消费者市场必须做广告。
• OpenAI最终转向广告，但已经迟了：若在 ChatGPT 刚爆红时就全力做广告，现在可能已拥有杀手级广告产品。
• 那会让 Google 和 Meta 陷入更大麻烦，因为广告在消费者端几乎没有价格弹性，广告主承担成本上涨。
• OpenAI现在同时想追赶Enterprise，因为 Anthropic 在企业市场给他们很大压力。

💬 精华片段（中文）

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

“消费者不愿意为软件付费。第二，消费者不在乎是否提高生产力。”

---

30:54 资本开支浪潮与算力短缺的时序

本节重点

• 2025年AI资本开支约8000亿美元，2026年或达1.3万亿美元。
• 当前算力短缺根源于2023–2024年投资不足，且未来几年会更糟。
• 过建担忧并非多余：用稀缺时期的回报期衡量，在充裕期未必成立。

详细精要

• 资本开支规模空前且仍在攀升：今年的AI资本开支预计约 8000亿美元，明年预计 1.3万亿美元，之后继续上升。

• 算力一上线就被立刻用掉，这种即时消化的现象很不寻常。

• 当前算力短缺源于过去的投资不足，未来还会加剧：多头总说“没有足够算力”，原因是 2023年和2024年 投资不足。

• 台积电 在 2023、2024、2025 年都降低了资本开支增速；晶圆厂的交付周期比数据中心更长。

• 这意味着当前短缺不是今天投钱就能解决的，真正的算力要到 2028–2029年 才上线。

• 数据中心“壳子”故事未必可信，固定成本会迫使人填满它：Andy Jassy 和 Satya Nadella 声称要等需求出现才买GPU。

• 但如果你已经建好了数据中心外壳，那笔钱已经沉没；你不会让它空置。
• 这是商品市场的逻辑：技术公司习惯了差异化产品，不理解价格由边际供应商决定。
• 商品市场中，服务成本决定价格；一旦投入固定成本，即使账面上亏损，你也会继续生产，因为折旧只是会计概念。

• 典型的反面是航运业：买船后固定成本已付，只要运费超过燃油和船员工资，就几乎不可能停航；只有在真实亏损时才有人退出。

• 用稀缺期的回报期衡量回报，到了充裕期未必成立：现在所有人看到算力短缺，认为必须投资，因为回报期极短。

• 但问题是，这个回报期是在稀缺时期测出来的；未来如果算力充裕，回报期未必能维持。
• 即使多头“AI永远短缺”是对的，仍可能出现资本空窗：太多钱正在投进去，但还没产生足够营收来回补资本。

💬 精华片段（中文）

"If you've built the shell that money is sitting there. You're not going to let it just sit there."

“如果你已经建好了数据中心的外壳，那笔钱就摆在那里。你不会让它就那样闲置着。”

---

36:37 存储芯片周期与三星的历史

本节重点

• 存储行业以剧烈产能周期闻名，三星靠逆周期投资摧毁日本厂商并主导市场。
• 存储制造商压低产能创造稀缺，但这是在给自己制造未来的替代者。
• 苹果游说采购中国存储、算法减少存储用量，存储厂商可能在给自己埋雷。

详细精要

• 存储芯片行业的繁荣与萧条周期与航运业类似：短缺时利润巨大，但产能上线周期长，后来者涌入导致产能过剩、价格崩塌。
• 最先进存储产线使用 EUV 设备，成本高达数十亿美元，前期投入巨大。

• 每次周期都会淘汰一批玩家，只有敢于逆势投资的人才能赢。

• 三星通过逆周期投资夺取存储主导权：三星 研究历史，发现应该在行业低迷期投资，以便下一轮周期到来时做好准备。

• 这需要极大的胆量、纪律和资本，但三星做到了，基本击退了日本厂商。
• 韩国厂商由此大规模接管存储市场；最后只剩下三家，形成寡头格局。

• 三家变得更加自律，不愿再犯过去的过度扩张错误。

• 存储制造商的稀缺策略可能反噬自身：Ben 用伊朗封锁霍尔木兹海峡做类比。

• 伊朗的决定引发了阿联酋、沙特建设替代管道和港口，长期看反而降低了封锁效力。
• 存储行业制造稀缺后，会促使客户绕开它们：苹果在游说采购中国存储，算法优化的第一重点是减少内存使用。
• 存储厂商制造了巨大目标，长期来看可能坑了自己。

💬 精华片段（中文）

"I've analogized memory makers to Iran... It's more effective if you don't use it cuz then it's always hanging out there... Now they did it. Turns out it worked. But... they're going to build pipelines... They're not going to let this happen again."

“我曾把存储制造商比作伊朗……如果你不用它，反而更有效，因为它始终是一种威胁……现在他们用了，确实奏效了。但其他人会建管道、建新港口……他们不会让这种事再次发生。”

---

40:43 台积电的风险转移与Intel的机会

本节重点

• 台积电把过度产能的风险转嫁给大科技公司，表现为“少赚”而非“亏损”。
• 张忠谋曾在金融危机期间逆势投资，奠定台积电的领先地位。
• 算力极度稀缺可能救了Intel，因为大科技公司被迫扶持替代产能。

详细精要

• 台积电极其保守，因为其风险是长期过度产能：晶圆厂预期运行30年，一旦建多就是长期固定成本被空置。
• 台积电历史上偏向保守，尤其是由文化基因决定。
• 最有名的故事是 张忠谋 在金融危机时退休后回归，解雇管理层，逆势投资。
• 他判断iPhone刚发布是史上最大机会，应该投资而非缩减；正是这次逆周期投资奠定了台积电在前沿半导体的霸主地位。

• Ben称张忠谋是科技史上最伟大的高管之一，堪入“拉什莫尔山”。

• 风险不会消失，只会转移：台积电不愿承担过度产能风险，于是风险被转嫁给大科技公司。

• 表现形式不是亏损，而是放弃收入：每家科技公司都清楚，如果有更多算力自己就能赚更多钱。

• 这些被放弃的收入和利润，就是台积电转嫁给它们的风险。

• 算力极度稀缺最终可能救了Intel和三星逻辑业务：过去让大科技公司扶持Intel并不理性，因为台积电服务好、确定性强。

• 没有人会主动去和Intel合作，承担合作磨合的痛苦，只是为了获得一种“负期望值”的保险。
• 但当前算力短缺到了难以忍受的程度，大科技公司为了获得更多产能，愿意经历把 Intel、三星逻辑业务扶持起来的痛苦。
• 这是稀缺拯救Intel的机制；预计不久会宣布重大合作伙伴关系。
• 解决地缘依赖的关键不是买保险，而是创造一个足够大的算力需求，让所有人有经济激励去扶持替代产能，从而免费获得地缘保险。

💬 精华片段（中文）

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

“风险不会消失，它只会被转移。而且有时候风险不以亏损的形式出现，而是以赚不到钱的形式出现。”

---

47:29 亚马逊模式与苹果

本节重点

• 亚马逊的“自建自用、再对外销售”模式极其优雅，核心业务对AI免疫。
• 苹果拥有客户访问权和硬件优势，但AI是概率性的，与苹果的确定性产品文化格格不入。
• 苹果可能陷入类似微软“低估新范式”的陷阱，但其专注硬件也完全合理。

详细精要

• 亚马逊最大的竞争优势是“自己是第一个且最好的客户”：亚马逊先为自己构建规模化能力，再卖给外部。
• 最典型的是 AWS：虽已服务外部客户，但早期对内部零售团队的拉通带来了“计算即API、无需沟通”的理解。
• 物流业务则相反：先自建替代UPS、FedEx、USPS，现在又向第三方提供配送服务。
• 芯片产品也走同样路径：早期 Graviton、Trainium 都很差，但作为托管服务底层没人知道；亚马逊用内部需求给它们迭代空间，最终实现外销。
• 现在 Trainium 已经在运行 Anthropic 模型，亚马逊也将在客服、购物体验中部署AI，成功后同样会作为服务卖出。

• 亚马逊核心业务对当前AI模型最不敏感，其护城河和自然扩展业务的能力极具吸引力。

• 苹果在AI竞赛中看似缺席，但“幸运比优秀更重要”：苹果拥有整个生态系统和客户访问权，能按需获得AI供应商，是典型的聚合者。

• 用户不想被生产力绑架，苹果可以提供聊天机器人和终于好用的 Siri。
• 未来AI可以完全在端侧运行，甚至不需要支付推理成本，因为可以使用用户设备上的电力。
• 苹果做的是实体商品：制造手机很难，实体零售和分销都是壁垒。

• 智能手机非常完美：足够小能装进口袋，足够大能看所有内容，娱乐全部在其中。

• 苹果能否避免微软式陷阱，关键看手机是否永远是中心：苹果可能存在“手机永远为中心”的假设，从而忽视环境AI或云端AI的颠覆。

• 微软并没有错过移动互联网，而是把移动设备设计成“小PC”，坚持PC为中心；苹果则重置规则，让手机成为中心，iPod帮助它理解这一点。
• 现在苹果可能重蹈覆辙：如果环境AI、云端AI无处不在，手机可能只是接入点之一。
• 另外，AI是概率性事业，而苹果是确定性产品之王：iPhone一旦失败转型成本数百亿美元，苹果从未有过iPhone召回。
• 供应链纪律和激烈高层决策节奏与AI研发完全不同；Ben个人更愿意苹果专注于做好设备，而非硬做AI。

💬 精华片段（中文）

"AI is this probabilistic endeavor. Apple is the king of deterministic products."

“AI是一种概率性的事业。而苹果是确定性产品之王。”

---

54:10 五大前沿AI玩家与微软的IBM剧本

本节重点

• OpenAI和Anthropic最冒险但信仰驱动；Meta若不是扎克伯格不会在前沿。
• 微软选择不追求前沿，做中间件和平台，类同IBM在90年代的企业IT策略。
• 微软的策略理性但充满存在性风险，因为AI正在瞄准其软件核心。

详细精要

• 前沿AI玩家中各有独特优势与风险：五大玩家是 OpenAI、Anthropic、Google Gemini、xAI（Grok）及 Meta。
• OpenAI和Anthropic风险最大但上限也最高；硅谷两家AI组织有强烈的“宗教”信念，像在创造上帝。
• Google的优势是搜索不能死得太快；Meta若不是马克·扎克伯格坚持从零组建团队，不会进入前沿。
• Meta 的业务如此优秀，换成任何其他CEO都可能只是继续躺赚广告；扎克伯格的前沿执念是创始人能量的极端体现。

• xAI 的太空数据中心极具差异化，但若实现，可能没必要拥有自己的模型；收购 Cursor 是一步聪明棋。

• 微软选择不争前沿，走IBM路线，结果是拥有巨额自由现金流：微软上一财季自由现金流 200亿美元，派息 100亿美元。

• 微软的策略是提供一个企业可以信赖的中间层，让企业不被任何模型厂商锁定。
• 这与IBM在90年代的做法几乎一致：Lou Gerstner 认识到IBM的产品并不卓越，最大资产是规模庞大，于是转型做咨询和中间件，帮助传统企业上互联网。
• IBM当时获得了30年的续命；微软现在想做同样的事：帮企业安全地接入AI，管理不断变化的模型。

• 代价是无法提供最佳体验，只能提供“锯掉尖角”的最低公分母能力。

• 但微软策略既理性又绝望，因为AI正中其软件帝国心脏：微软正在为推理而非训练建设数据中心，其“按客户需求投资”的说法比做训练的厂商更可信。

• 然而，人们使用微软产品的根本原因往往是“以前就用”；系统记录和用户界面的迁移成本正在被AI大幅降低。
• AI工具如 Codex、Claude co-work 瞄准的是微软核心的用户界面层，威胁是存在性的。
• Ben认为所有数字公司最终都受AI威胁，Meta也是；但微软的危险最直接，因为它在AI能力上被直击要害。

💬 精华片段（中文）

"In the long run all digital companies are threatened... There's a real threat here where to Microsoft's software business... AI is actually surprisingly good at that."

“长期来看所有数字公司都受威胁……微软软件业务面临的真正威胁在于……AI在那些繁琐重复的迁移工作上出奇地擅长。”

---

01:07:38 模型对广告与Meta的影响

本节重点

• 模型对广告的最大变现是Google和Meta的增量收益，而非OpenAI或Anthropic。
• Meta拥有验证广告创意的最佳机制：全球规模的广告点击市场。
• Meta不传播广告的社会价值，导致它在公关和华尔街沟通上都吃亏。

详细精要

• 模型对广告行业的巨大杠杆在Google和Meta手中：AI模型对广告内容生成和匹配的影响远大于模型公司本身的变现。
• 生成式模型能生成广告图片和文案，而广告市场提供了可验证性的验证：广告是否转化是由人类点击行为决定的。
• 这正好填补AI在“不可验证领域”的缺陷——广告效果是可以验证的。

• Meta可以通过海量A/B测试找出有效广告素材，这是独特优势。

• Meta在AI时代的广告匹配将发生根本升级：当前广告匹配仍较粗糙，主要是向量匹配。

• 未来LLM可以预测“这个用户接下来想看到什么”，并主动找到相关内容或商品。
• 即便只是提升几个百分点的相关性，收益也高达数十亿美元。

• 单是这一项，就值得Meta投资保持前沿模型能力。

• Meta不传播广告的社会价值，也忽视广告的护城河价值：Meta的社会价值被低估，且高管层对广告业务缺乏热情。

• 马克·扎克伯格和 Sam Altman 一样，并不真正热爱广告，尽管Meta拥有世界最好的广告业务。
• 广告使小企业能找到精准用户、用户获得免费内容，Meta的连接作用是重要的社会正面。
• 但Meta历史上对广告的态度暧昧；当年苹果通过 ATT（应用追踪透明度） 单方面摧毁广告商业模式时，Meta几乎毫无还手之力。
• Ben 认为苹果的ATT是科技史上最严重的反竞争行为之一；苹果一边损害他人一边搭建自己的广告追踪。

• Meta在雪莉·桑德伯格离开后无人接力宣传广告价值，导致今天的公关劣势，也难以说服华尔街支持其资本开支。

• TikTok的教训是娱乐产品优于社交网络：Meta一直以社交网络自居，而TikTok让Meta认识到其本质是娱乐产品。

• 社交网络受限于好友圈，TikTok则从全网分发最优内容，即使垃圾内容占大多数，绝对数量的优质内容依然庞大。
• Meta后来让Instagram和Reels变成全网娱乐分发，才勉强应对。
• 在AI时代，AI生成内容对YouTube可能是利好，因为推升量的同时降低内容成本；而对Meta来说，自产内容会提高毛利率损失，因为它原来的内容几乎是免费的。
• 不过AI时代人类对真实连接的需求可能重新上升，也许社交网络会再次重要。

💬 精华片段（中文）

"Most ads are a throwaway... they have this massive advantage, this huge liquid market that is a verification machine where the verifiers are humans."

“大多数广告都是一次性的……他们拥有巨大优势——一个庞大、流动的市场，它本身就是一台验证机器，验证者是人类用户。”

---

01:14:20 英伟达与算力/智能商品化

本节重点

• 互联网是商品却改变了世界，智能也可能成为商品并改变世界。
• 英伟达维持利润率的方式不自然，通过承担风险来掩盖价格削减。
• 英伟达最大的对手是超大规模厂商，它们的资本成本更低并自研芯片。

详细精要

• 商品往往被低估，但恰恰是改变世界的力量：互联网在边际成本上是免费的，因为带宽是商品；智能也可能走同样的路。
• 差异化产品受限于需求弹性，TAM较小；商品则对所有人可得，因此影响最广。

• 如果智能成为商品，其影响可能比互联网还大，但这不代表它不是好的社会变革。

• 英伟达当前的利润率维持方式不自然，风险转移掩盖了价格下降：进入2026年，英伟达仍能维持很高芯片毛利，这很奇怪。

• 英伟达通过为 Neoclouds 提供 25% 的回购担保、入股等安排，帮助他们获得更低融资成本以购买更多GPU。
• 这其实是英伟达在承担风险；风险不会消失，只是转移。
• 如果AI顺利，英伟达获得风险对价；如果算力过剩，英伟达可能被迫为没人要的算力买单。

• 从整体公司角度看，这是价格削减，只是没有体现在财务报表的毛利上。

• 英伟达的真正威胁是超大规模厂商，尤其是Google和Amazon：这些公司不仅自研芯片，还计划对外销售。

• Google 已把 TPU 出售给 Anthropic，约占总量的 20%；Andy Jassy 在财报电话会议上几乎确认将对外销售 Trainium。
• 超大规模厂商卖芯片不是靠差异化，而是作为商品销售；英伟达才是在卖差异化。
• 超大规模厂商最大的优势是更低的资本成本，这是一场资本之争，而它们在资本端遥遥领先。
• CUDA 的护城河已大幅削弱，因为模型本身不再关心运行在什么硬件上；但CUDA仍有一定价值和变现能力。

• Nvidia也在尝试进入企业和主权云市场，因为那里的客户没有超大规模厂商的议价和切换能力。

• 电力短缺反而是英伟达的好朋友：如果全球面临严重电力约束，那么所有买家都只能追求最好、最节能的算力。

• Nvidia目前仍是最高token效率的芯片，在电力受限的世界里占据优势。
• 但过去两年美国上线电力的速度超出预期，这给了 Google 和 Amazon 更多时间去改进TPU和Trainium的效率。
• 电力约束越晚到来，英伟达的利润率越难维持。

💬 精华片段（中文）

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

“风险从来不会消失，它只是转移到别处。承担风险是有代价的。”

---

01:22:09 电力约束与长期基础设施

本节重点

• 美国上线电力的速度超预期，这对科技股长期是好事，但对英伟达不利。
• 真正需要的是AI泡沫留下长期有用的基础设施，最可能是电力。
• 能源丰裕的世界难以想象，因为我们一直生活在能源稀缺中。

详细精要

• 美国上线电力的速度令人惊讶，成为对美乐观的积极信号：从马斯克“表后发电”、西得州天然气、到重启核电站，美国反应迅速。
• Ben之前认为电力将是AI长期约束，但现在美国上线更多电力的速度超出了他的预期。
• 他在早期一直思考：如果这真是一个泡沫，什么会留下长期回报？
• 互联网泡沫留下了光纤，最核心的互联网至今仍运行在 WorldCom 等公司铺设的光纤上。

• AI泡沫最可能留下的则是电力。

• 能源是AI热潮最值得期待的基础设施遗产：相比GPU会老化、数据中心只是壳子，电力才是能改变文明的基础。

• 如果AI泡沫破裂，但留下过剩的电力，那将是一个令人向往的世界；人类一直受能源约束。
• 能源支撑一切，生活在能源丰裕时代几乎是难以想象的，因为我们的思维习惯了稀缺。
• Ben认为美国在电力方面做了不起的工作，电力会是一个约束，但成为约束的时间比所有人预期的都晚。

• 这对英伟达不利，但给整个科技生态和人类带来更大空间。

• 长期基础设施遗产决定泡沫的历史价值：从铁路到光纤再到电力，真正的持久价值在于能否留下可传承的资产。

• BNSF铁路仍在为Google提供资金，来源于19世纪末Northern Pacific和Jay Cook向零售投资者出售债券的遗产。
• 人们希望AI泡沫产生某种长久之物；电力是最有可能的候选。

💬 精华片段（中文）

"What would it be like to live in a world of energy abundance? Like it's hard to even imagine because our minds are so constrained by the fact we've actually always been in energy scarcity."

“生活在一个能源丰裕的世界会是什么样？这很难想象，因为我们的思维一直受制于一个事实：我们其实始终处于能源稀缺之中。”

---

专业术语注释

术语	解释
TSMC（台积电）	全球领先的半导体代工厂，先进制程的唯一主要供应商；被反复讨论为地缘政治咽喉。
Neoclouds	一类专为AI算力而生、大量购买英伟达GPU并以云方式出租的新兴算力提供商。
Aggregation Theory（聚合理论）	Ben Thompson 提出的框架：在信息丰裕时代，控制需求、解决发现问题的平台通过零边际成本和网络效应赢得市场。
Test-time scaling（测试时间缩放）	不改变模型大小，而是让模型在推理阶段花更多时间思考来提升能力，成本随思考时间线性上升。
Margin cost（边际成本）	多服务一位用户或多产生一次推理所增加的额外成本；在AI推理中比传统软件更真实。
Capex（资本开支）	用于建设数据中心、购买GPU、晶圆厂等长期资产的投资，AI热潮的核心投入方向。
EUV（极紫外光刻）	先进半导体制造的关键光刻技术，用于最前沿的存储和逻辑芯片产线，成本极高。
CUDA	英伟达的并行计算平台和编程模型，历史上是其GPU生态的重要护城河。
Hyperscalers（超大规模厂商）	指Google、Amazon、Microsoft等拥有超大数据中心和云平台的公司，也是英伟达的最大客户和潜在对手。
BNSF	伯克希尔·哈撒韦旗下的铁路公司，被用作低利润率、高绝对利润的投资类比。
See's Candies（喜诗糖果）	伯克希尔·哈撒韦持有的高利润率业务，被用来类比Google搜索。
ATT（App Tracking Transparency）	苹果推出的用户追踪透明化政策，被Ben称为科技史上最严重的反竞争行为之一。
Sora	OpenAI 推出的视频生成模型，被提及因内容消费习惯未能在社交端爆发。
Fable / Mythos	文中指两个模型名称，用来讨论外部感知与真实前沿之间的差距；Mythos引发恐慌，Fable是外界判断基准。

---

延伸思考

• 资本空窗风险究竟有多大：如果AI营收增速追不上资本开支，泡沫破裂时的传导路径会怎样影响整个市场？
• 可验证性边界是否可被系统性量化：哪些行业或岗位属于“可验证领域”，哪些不是，可能是预测AI取代速度的关键。
• 英伟达“包装过的价格战”何时体现在财报上：投资者是否真的把股权担保、回购承诺等风险折算进了英伟达的估值？
• 电力与算力的约束到底谁会先到：如果电力上线继续超预期，是否会加速AI模型商品化并冲击现有估值？
• 微软的IBM剧本能否成功：当AI能自动化系统迁移时，依赖“切换成本”的中间件策略是否比当年更脆弱？

原文发表：2026-08-18  ·  纪要生成：2026-09-02