AI 热潮的钱烧完之后会发生什么？

深度访谈完整逐字稿

Ben Thompson：从资本断层、台积电扩产到英伟达的隐性降价

编者注：AI 基础设施投资正从科技巨头的自由现金流，沿债务、股权走向养老基金和保险浮存金。Ben Thompson 追问：如果收入尚未接棒，资本先用完，会发生什么？

他把 AI 建设与铁路、航运和内存周期对照，解释台积电的克制如何把风险转移给客户，算力稀缺又为何可能救下 Intel；随后审视 Amazon、Apple、Google、Meta、Microsoft 与英伟达的护城河。重点不是判断泡沫是否存在，而是辨认退潮后仍能留下的基础设施、商业模式与资本优势。

你可以同时相信 AI 是真实的、经济影响将极其巨大、社会影响也会非常深远，又担心我们能否跨过这座桥，让 AI 及时产生足够回报，继续支撑下一轮投资。

一、美国与 AI 竞赛

Patrick O'Shaughnessy

Ben，真不敢相信，我们距离上一次这样对谈已经过去这么久。那时的世界完全不同，还没有今天的 AI。我们主要讨论的是聚合理论，我相信今天某个时候还会谈到它。如今世界变化如此之大，我觉得一个有趣的起点是：你认为美国“赢得”AI 竞赛，究竟意味着什么？

Ben Thompson

我认为，如果美国赢了，反而会非常危险。设想一个最夸张的场景：谁控制了 AI，谁的军事实力就超过全世界；AI 甚至神奇地解决了美国制造业等各种问题，尽管我不相信 AI 必然能做到这些，因为它们涉及现实世界。在这样的世界里，从博弈论看，中国的最优反应是什么？会不会是摧毁台积电？

博弈论可以变得非常曲折复杂，但这个问题在我看来并没有那么复杂。我与硅谷很多论述之间存在根本分歧，尤其是某一家 AI 实验室的说法：如果美国取得了显著优势，特别是军事和国家安全层面的优势，那会让世界变得非常危险。

Patrick O'Shaughnessy

但在那种状态下，风险除了台积电被摧毁之外，还会延伸到什么程度？既然美国已经处于那种位置，我会假设我们至少已经在本土掌握了一定的晶圆厂建设能力，对台积电这个单一瓶颈的依赖也降低了。

Ben Thompson

我认为，这里面有一点关于制造业的魔法思维。无论是晶圆厂、执行器，还是各种前置零部件，外界都低估了美国对中国的依赖程度。除非真的发生冲突，这种依赖不会自然消失，因为修复其中许多环节，从经济上看会非常不划算。

如果你的竞争对手仍从中国采购，而你改从美国采购，你会处在巨大的相对劣势中，最终根本不会这么做；只有在别无选择时才会改变。政府可以在一些引人注目的大项目上施压，例如迫使 Apple 把部分 iPhone 制造转移到印度。但这个例子恰好说明，Apple 并没有真正撤出中国，只是在一定程度上分散布局。

彻底迁出的成本实在太高，就像购买一份价格高得惊人的保险：只要不是非买不可，你就不会支付这笔保费。

因此，我很难认真对待那种假设。只有在一个近乎幻想的世界里，美国才能彻底撤出中国、不再有任何依赖，以至于即使中国想摧毁台湾，对美国也毫无影响。有关讨论缺少的，正是对这种现实的正视。

Patrick O'Shaughnessy

那就站在他们的角度想一想：你认为这些论述背后的动机是什么？

Ben Thompson

每个人都需要一个好用的假想敌。从 AI 交易的角度，没有什么比“我们必须击败中国”更有效。我也确实认为美国必须与中国竞争、必须保持竞争力。但令我绝望的是，过去几年里，特别是在政治层面，美国的许多回应竟然是试图变得像中国。我们应该走向相反方向：更加开放、更多创新、更少自上而下的控制，也更少限制言论。

美国的成功来自站在技术前沿，并继续向前推进。

Patrick O'Shaughnessy

你刚才说，美国在 AI 领域形成绝对支配，并不是世界理想的最终状态。那么你认为全球最理想的均衡是什么？

Ben Thompson

目前的 AI 格局有点像台湾问题：现状看起来其实并不坏。真正的问题是它能维持多久，但也许会比我们想象得更久。我的判断是，OpenAI 和 Anthropic 显然处在前沿。Google 的真实情况还不清楚，Grok 和 Meta 正在追赶。

与此同时，中国团队能力很强，也很聪明，而且显然在通过蒸馏这些模型，把差距维持在大约 6 至 9 个月。这似乎是一个相当不错的均衡，总体上对美国有利。

接下来的问题是，这种状态能持续多久。中国是否可能反超？我仍有些怀疑，因为跨越最后 6 至 9 个月、真正抵达前沿非常困难。Meta 和 Grok 能否真正追上，会提供一个很有价值的观察样本。尤其当我们进入 AI 利用自身来改进 AI 的阶段，这种递归式提升确实正在发生。

最近 OpenAI 和 Anthropic 都出现了明显加速，过去的理论正在变成现实。如果先发者能够持续自我加速，后来者还能不能追上？另一个问题是，这种优势是否也会延伸到服务成本和边际成本。如果可以用 AI 优化整套技术栈、分析所有运行数据，领先者的服务成本是否会在结构上低于其他人？

所以，把开源模型说成“免费”让我觉得很奇怪。推理仍然存在边际成本，例如 GLM 或 Kimi；Kimi 的服务成本很高，每次回答的成本明显更高。

大家把这些模型称为免费，似乎在叙事中把“免费”理解成了真正的零成本，仿佛现在可以免费使用 AI。其实并非如此。你也许不用支付创造模型的研发费用，但一定要支付运行推理的成本。我目前对现状还算满意。反方会说，现状不可能一直维持，这个质疑是合理的。但我不知道，我们能从哪些因素判断未来均衡会落在哪里。

关键是 S 曲线有多长、我们已经爬到了多高，以及能力最终是否会趋于平缓。哪些信息能让我们更准确地判断未来？

我担心，围绕 Claude Mythos 5 的恐慌以及 Hugging Face 事件，最终并不会真正降低风险，反而会让实验室停止公开发布，让外界逐渐失去判断真实能力前沿的依据，由此产生一种虚假的安全感。

现在大家根据 Claude Fable 5 来理解 Mythos 5，但 Fable 5 相比 Mythos 5 到底有多强？两者之间的差距可能只会继续扩大。另一个我无法确定的问题，是 AI 的递归改进会不会带来某种能力“起飞”。归根结底，这里存在多种时间错配。

我尤其担心，AI 投资产生的收入和回报，能否及时支撑下一轮资本开支。我们正在沿着资本来源曲线一路向下：最开始使用自由现金流，科技公司随后以惊人的速度用掉了债务市场的空间，几乎只过了一年，Google 就开始发行股票。

二、AI 的融资难题

英伟达正在组织一个规模达 5000 亿美元的融资安排，试图引入养老基金、保险浮存金等资本。但这些钱之后呢？下一笔资金从哪里来？理想情况下，AI 业务最终会重新依靠自由现金流为自身融资。但如果两者之间出现时间缺口，如果收入增长来不及接棒，就可能发生一次剧烈崩盘。

即便如此，AI 也不会消失，更不会停止进步。就像我们今天回看互联网泡沫、铁路泡沫以及历史上的其他泡沫一样，它们虽然让许多人蒙受惨重损失，但从人类发展的宏观尺度看，最终并没有改变技术继续前进的方向。

Patrick O'Shaughnessy

铁路建设潮给了我们什么启示？如果按占 GDP 比例衡量，它是不是此前最后一次如此巨大的基础设施建设？我们现在的规模可能已经更大，还是铁路时代仍然最大？

Ben Thompson

大致在同一个量级。铁路建设存在严重的期限错配：建成一条铁路并从中赚钱，需要十年甚至几十年，但短期建设必须依靠发行债券融资，最后全世界的钱都不够用了。人们之所以总拿铁路类比 AI，可能正是因为这一点。大家都在问算力够不够、电力够不够，但最近的那个问题也许是：钱够不够？

这听起来很荒谬，却正是 19 世纪 70 年代发生的事情，当时全世界真的用光了可投入的资本。有趣的是，铁路并没有因此停止运营。它们继续向美国西部延伸，对 GDP 的贡献极其巨大，直到今天仍在创造价值。如今通过伯克希尔·哈撒韦流向 Google 的“铁路资金”，就来自那段历史。

这很有意思，而且是字面意义上的连接。对我来说，英伟达最近的融资安排应当与 Google 发行股票放在一起理解；Google 发股这件事本身非常令人震惊。为什么？

因为那是 Google。它难道筹不到债务资金吗？既然管理层如此看好 AI，为什么要发行股票、把未来上行空间的一部分让出去？这里可以借用伯克希尔·哈撒韦的经典对比。

伯克希尔拥有喜诗糖果（See’s Candies）这种利润率极高的业务，但许多高利润率业务有一个共同问题：利润率虽然很高，能够获得的绝对利润规模却受到限制。

Patrick O'Shaughnessy

也就是缺少足够大的再投资空间。

Ben Thompson

没错，企业只能不断积累现金。伯克希尔收购 BNSF 铁路的高明之处就在这里：它把喜诗糖果赚来的钱投入另一个利润率低得多的行业，但铁路所需资本和产生现金的绝对规模极大，因此即使利润率更低，绝对利润仍远高于糖果业务。

BNSF 在 2025 年前后单年产生的自由现金流，可能已经超过喜诗糖果整个历史时期的总和。一个是低利润率业务，一个是高利润率业务；当资本规模大到一定程度，经营者考虑的就不再是百分比，而是绝对数字。这也是为什么这个故事让我想到 Google。

伯克希尔投资 Google 具有很强的象征意义：Google 的搜索业务利润率极高，是有史以来最完美、最漂亮的商业模式之一，也是最纯粹的聚合器。它可以向所有方向扩张，几乎不需要额外资本，边际成本接近零，堪称完美。

与此同时，AI 机会却会以惊人的速度焚烧现金。但如果 AI 生产的是智能，而它的总可寻址市场（TAM）相当于全部白领工作，未来再加上机器人，几乎可能覆盖所有事情，那么即便利润率较低，可获得的绝对利润也会大得多。将来回头看，Google 搜索会不会就像喜诗糖果，而 AI 则像 BNSF？

我觉得这正是正在发生的事。在这种情况下，Google 已经投入全部自由现金流，也已经从债务市场筹集数千亿美元，下一步就是发行股票。发股会稀释股东权益，让股东持有蛋糕的比例变小；但如果蛋糕本身扩大了几个数量级，最终不会有人抱怨。

伯克希尔参与此次发行因此很有象征意义：它也许不只是 Google 的投资者，更是 Google 未来形态的范本。

三、AI 的能力与边界

Patrick O'Shaughnessy

暂且不谈商业和竞争，你正在描述自己对 AI 的技术判断。与这个领域的其他观察者相比，你究竟有多相信 AI？

Ben Thompson

我的观点有两个面向：某些方面极度乐观，另一些方面则没有那么乐观。我并不完全相信 AI 能力必然广泛泛化。AI 在编程上显然非常强大，现在回想一年前人们还在亲手逐行写代码，甚至让我觉得不可思议。

AI 的数学能力也非常强，但一个显而易见的反问是：编程和数学都属于结果可验证的领域。擅长可验证领域，有什么有力证据能证明它会自然迁移到不可验证领域，或那些验证周期极长的领域？这一点仍有待证明。

我曾在一场有实验室人员参加的讨论中提出这个问题，对方把我当成 AI 空头，回答说过去人们也认为机器解决不了国际象棋和围棋，结果都被攻克了。可我从来不怀疑国际象棋和围棋最终会被解决，因为它们是边界明确、结果可知的领域，扩大规模就能奏效。

真正需要的例子，是一个既不是国际象棋也不是围棋、处在未知领域中的任务，AI 在那里完成了过去不可能完成的事情。正因为还缺少这样的证据，我没有完全被“泛化”说服。不过，从粗略意义上说，AI 的确是在全互联网数据上训练的。

有人会说，互联网数据就是对全体人类思想的蒸馏。但严格说并不是。它蒸馏的是人类思想的最终产物，例如发布在 Reddit 上的文字，却没有捕捉产生这些文字的思维轨迹、情绪和推理过程。假设 Neuralink 最终真正重要的价值，是能够捕获人类思维轨迹，从而大幅扩展模型能力呢？

如果我们对不可验证性的担忧，可以通过获得更多过程数据来解决，结果可能完全不同。不过，我仍认为，大量工作和经济活动并不处于我确信 AI 擅长的领域。某种程度上，世界上已经有很多人像“有意识的 AI”：他们在可验证领域运作良好，拿到任务就执行。这种说法对人性多少有些悲观，但对应的市场实在太大。

即便模型从今天起完全不再进步，经济机会仍然极其庞大。

我以前写过一篇文章，谈到所谓加速主义运动。我把自己称为“不情愿的加速主义者”。我们必须继续前进，因为已经无法倒退，而最糟糕的结果就是停在现在这个位置。就 AI 对经济的影响和商业化上限而言，我非常乐观；我不确定的是兑现的时间。

Patrick O'Shaughnessy

能力从今天逐步走向更广泛应用的路径会是什么样？以法律或医疗为例，我不确定你是否把它们视为可验证领域。法律某种意义上像一套代码，医疗也建立在我们当前对人体和疾病的理解之上。

Ben Thompson

医疗绝对是最大的机会之一，同时也是最难落地的领域之一，因为监管和数据访问障碍都非常高。如果能够让 AI 或机器学习分析全部医疗记录，我们可以在极短时间内发现数量惊人的规律并改进治疗，这是一幅非常乐观的图景。反过来，问题是这一天什么时候到来。

对人类的乐观看法是，我们创造新需求的能力几乎没有上限，所以长期看，人类会创造大量新机会和新工作。更悲观的说法则是，我们制造繁文缛节和阻力的能力同样没有上限。今天相当一部分经济活动和新增岗位，本质上就是让事情更忙、更慢。

四、聚合理论、AI 与广告

Patrick O'Shaughnessy

回到 2010 年代初，聚合理论也许已经在你脑中酝酿，并最终在 2015 年发表。可以说，这套理论定义了上一轮科技周期的赢家和输家。你能否先简要重述聚合理论，然后谈谈在这轮周期中，什么理论或原则会从财务表现和市值角度定义赢家？

Ben Thompson

这是个好问题。即使只讨论聚合理论本身，我也在反复权衡：它在今天的环境里究竟还能适用多少？

Patrick O'Shaughnessy

是的。

Ben Thompson

一种常见质疑是，聚合理论的关键前提之一是零边际成本，而零边际成本体现在很多方面。我最初重点讨论的是分发。有人说：“我没有分发能力，必须向 Google 购买流量。”其实你已经有网站，问题不是无法分发，而是没有需求。你购买广告，买的正是需求，因为聚合器控制了需求。

在供给极度丰富的世界里，难题不是分发，而是发现：用户怎样找到真正感兴趣的东西？谁解决了某个领域的发现问题，谁就会支配那个市场，并形成正向反馈循环。这就是聚合理论的简化版本。另一个关键是交易成本。Google 可以扩展到全世界，不仅在用户侧如此，在商业化侧也一样。

Google 或 Meta 的绝大多数广告主从未与公司员工交谈，只需要自行登录并购买广告，整个过程由计算机完成。

从商业角度看，这些计算机处理一次新增交易的成本接近零。AI 显然改变了这一点，因为推理成本是真实存在的。但究竟有多高？至少现在是真实的，而且不同公司、不同使用方式差异巨大。即便毛利率依然可观，内部的成本跨度却非常大。我认为，今天绝大多数用户只是把 AI 当作 Google 的替代品或菜谱生成器。

服务这些人的成本极低，可能只比提供一个网页略高。另一个极端则是使用测试时扩展的用户。过去扩展模型主要靠把模型做得越来越大，现在还可以沿时间维度扩展：为了一个答案思考多久？几天、几周，甚至几个月都可以。思考时间直接对应边际成本。

每多思考一秒都要花钱。因此，把所有 AI 推理放在同一个“边际成本”问题中讨论并不准确。一个使用免费 ChatGPT 的普通用户，与一个试图证明数学定理的用户，成本根本不在同一个数量级。这个矛盾在企业市场尤其有意思。

Microsoft 最近调整了企业套餐，推出每位用户每月 100 美元左右的 E7 方案，其中包含一定用量，超出部分再按使用量收费。对 Microsoft 而言，这个位置相当危险。Microsoft 的传统优势，是一次性提供企业所需的所有功能。

每个组件未必最好，但一个价格可以买齐，而且大体能够协同工作。无论中小企业还是大型机构，这种简单性都有真实价值。

一旦客户开始思考究竟付了多少钱，新的决策就出现了。首先，按使用量计费与员工人数脱钩。过去企业招聘一名员工时，会计算这名员工的全部成本，其中自然包含每月 50 或 100 美元的软件许可，Microsoft 因而获得一种几乎不需要重新决策的收入。改为用量计费后，企业每个月都要重新决定愿意花多少钱。

这会带来两个问题。第一，大多数公司并不具备按月动态分配预算的机制，它们通常一年做一次预算。要求每个月重新思考预算配额，不符合现有管理方式。企业更习惯资本开支或一次性决策。员工的全口径成本虽然不是资本开支，却很像资本开支：入职时作出决定，之后无需反复考虑。用量付费却迫使你一次又一次重新决策。

更重要的是，当企业每个月都审视 Microsoft 账单和实际用量时，就会开始追问：我到底在为什么付钱？

接下来，客户会检查每个产品究竟好不好，是否应该把套件拆开，分别采购更好的产品。Microsoft 又不得不采用用量计费，因为少数大量消耗 Token、真正深度使用 AI 的员工，给 Microsoft 带来的成本远超每月 100 美元，固定套餐无法覆盖。

Microsoft 希望对绝大多数员工继续维持固定价格，只让客户针对极端用户稍作思考，却又不能让客户思考得太多；一旦客户认真审视每项产品，原有的套件商业模式可能以意想不到的方式被打破。

Patrick O'Shaughnessy

对于菜谱生成之类服务成本很低的普通用户，至今还没有出现一个优秀商业模式，你对此感到意外吗？Google 和 Facebook 几乎把上一代互联网商业模式做到了极致，AI 公司却似乎完全没有找到对应答案。我感到沮丧，但并不意外。

Ben Thompson

这个市场显然应该由广告支持，因为广告一直是消费者业务的默认商业模式。硅谷大约每十年就要重新学习两件关于消费者的事实：第一，消费者不愿为软件付费；第二，消费者并不在乎“提高生产力”。早期 SaaS 时代已经演示过一次。我心中的典型案例是 Dropbox。

它的产品极其优秀，尤其刚推出时，我在商学院里属于最早的一批用户，产品随后迅速传播。因为我把推荐码发给太多人，直到今天仍保留着大量免费存储空间。Drew Houston 做出了一个简单、顺滑、近乎无缝的产品，而他的判断也非常清楚。

Drew Houston 想建立一家消费者公司。那个著名故事是，他曾与 Steve Jobs 见面，Apple 有意收购 Dropbox。Drew 说想把它做成一家公司，Jobs 却回答：“你只是一个功能，不是一家公司。”

后来 Apple 确实把简单的文件同步做成 iCloud Drive 的一个功能。Dropbox 起初增长很快，随后经历了大约两年的平台期。在那两年里，公司不得不从底层彻底重构应用，因为愿意为文件同步付费的消费者不够多。

企业能够看到价值，也愿意付钱，但企业需要权限、控制和管理员配置，而原来的应用根本不是为这些需求设计的。Dropbox 只能重建整套产品，并承认唯一可行的赚钱方式是卖给企业。企业为什么付钱？因为企业已经在为员工支付工资。如果软件能提高员工生产力，企业就能获得更高的人力投资回报。这与消费者逻辑完全相反。

消费者会想：“我已经工作了一整天，为什么回家后还要继续提高生产力？我只想躺在沙发上刷 Reels。”AI 同样面临这个问题，而硅谷对广告又长期抱有一种笼统的怀疑。我欣赏广告的立场，曾让 Stratechery 获得很多关注。

现在回头看，我早期写广告的文章方向大体正确，质量却并不高；之所以仍获得关注，是因为当时几乎只有我认真讨论广告。在人人都想写博客、发 Twitter 的时代，没有人愿意谈广告。即使今天，硅谷仍对自身很大程度依靠广告变现感到尴尬。

尤其过去八年，Facebook 被视为“不体面”，优秀工程师也不愿解决广告问题。于是 OpenAI 以大约一百倍的规模重演了 Dropbox 的故事：坚持面向消费者卖订阅。它确实卖出了很多订阅，但仍然不够。只要做消费者市场，最终就必须做广告。现在 OpenAI 终于开始做广告了。

这个转向略显奇怪，因为它一边转向广告，一边又意识到必须进军企业市场，毕竟 Anthropic 正在那里迅速领先。我不太确定 OpenAI 究竟想把重点放在哪里。不过，它最近很快推出了一系列广告能力，例如广告文案生成、与零售商连接并确认购买是否完成，从而实现完整转化追踪。我非常想看它会怎样发展。

如果 ChatGPT 爆红后，OpenAI 立即拥抱广告，我认为今天它已经拥有一款极强的广告产品，Google 和 Meta 都会面临更大压力。消费者广告飞轮的关键在于，消费者变现能力可以持续提高，因为价格上涨由广告主承担，几乎没有需求弹性问题。向消费者直接收费则不同。

Netflix 的订阅模式始终要面对同一个问题：价格能涨到什么程度，消费者才会降级套餐或彻底退订？让人付钱很难，免费提供服务则很容易。

五、算力、台积电与 Intel

Patrick O'Shaughnessy

正因为免费很容易，OpenAI 没有更早追求广告模式才令人沮丧。你最近接触过一些大型资金机构和资本来源。它们现在的投资意愿如何，又怎样看待未来？据估算，今年 AI 资本开支可能达到约 8000 亿美元，明年可能升至 1.3 万亿美元，之后还会继续增长。

几乎所有新安装的算力都会立即被用满，产能一上线就被消耗，这种状态非常罕见。

Ben Thompson

问题正在于此。目前存在几种时间错配。Twitter 上的多头总说算力不够，这没错，但算力短缺是因为 2023 年和 2024 年投资不足。台积电在 2023、2024 乃至 2025 年都降低了增速，因此未来几年算力短缺还会恶化，因为晶圆厂的建设周期比数据中心更长。

今天投入的资金不会立刻变成算力，而要到 2028 或 2029 年才形成产能。Andy Jassy 和 Satya Nadella 都在业绩会上说：“我们现在只是建设数据中心的基础厂房，也许暂时不用、以后再用；只有确认需求后才购买 GPU。”

这是一个很适合向市场讲的故事，但我不完全相信，其中相当一部分只是漂亮话。现实是，一旦厂房这个固定成本已经投入，企业不会让它长期闲置。

这就是大宗商品市场的基本逻辑，而科技行业总体上并不理解大宗商品市场。科技公司习惯于制造高度差异化的产品：差异化可以来自软件、开发者网络或社交网络。因为产品独特，企业能够收取高价并获得高利润率。

经典案例是 Apple，它拥有生态系统、自有软件和第三方应用，因此 iPhone 可以获得接近 50% 的毛利率。大家把 Apple 视为理想商业模式，认为企业就该如此经营。但大宗商品市场的价格由边际供应商决定，真正重要的只有服务成本。我在台湾有一位从事航运的朋友。

航运与航空一样，是非常值得研究的行业。买下一艘船后，船舶成本主要体现为折旧；真正的边际成本其实很低，只包括燃料、船员和港口费用。

这些边际费用并不高，所以船东会尽可能把船装满。更准确地说，无论如何都会让船开出去，并把集装箱价格压到刚好能够覆盖边际成本。账面亏损可能很大，因为会计损失包含折旧；但折旧只是对已经支付的固定成本进行会计分摊。既然钱已经花了，船东就会接受市场能够提供的任何价格。

集装箱是一种纯粹的大宗商品，市场价格最终贴近边际成本。如果价格低到连燃料、船员等真实边际成本都无法覆盖，部分运力才会退出；供应减少后，价格又会上升，于是形成不断进出市场的周期。反过来，如果市场像疫情期间那样极度繁荣，运力供不应求，航运公司会赚到惊人利润。

单个集装箱运价从平常的 3000 至 4000 美元，一度升至 1.7 万至 1.8 万美元。

航运公司在很短时间里赚到了难以置信的利润。接下来会发生什么？所有人都会说：“再多造一些船。”但造船需要两年。当所有企业同时作出决定，两年后大量新船集中下水，价格便会暴跌。类似情形在零部件行业，尤其内存行业反复出现。内存以繁荣与萧条周期闻名，企业总在高景气末期进入市场。

数据中心会不会成为下一轮内存行业？今天所有人都看到算力短缺，于是认为必须投资，因为眼前利润丰厚、投资回收期很短。但他们测算的回收期建立在稀缺状态上。进入供给充裕期后，这个回收期还能成立吗？多头会回答，算力永远不会过剩。

也许测试时扩展会让算力长期短缺。但我的担忧是，即便长期判断正确，中间仍可能出现“资金断层”：今天投入的资本极其庞大，却还没有足够产能上线并创造收入。如果资本先耗尽，而收入和回报尚未接棒，就会断桥。

你可以同时相信 AI 是真实的、经济影响将极其巨大、社会影响也会非常深远，又担心我们能否跨过这座桥，让 AI 及时产生足够回报，继续支撑下一轮投资。

Patrick O'Shaughnessy

能否具体谈谈台积电和那些依赖晶圆厂的零部件厂商？据我理解，它们扩产一直相当克制，并没有让新建晶圆厂和产能以市场需求同样的速度增长。这种克制是否会限制整个扩张周期，从而阻止一次巨大的过度建设？

Ben Thompson

可以从几个行业分别看，先说内存。过去内存厂商数量很多。每逢景气上行，旧厂商会重新进入，新国家也会加入；台湾过去也曾有自己的内存产业。周期机制与航运完全一样：内存短缺时，因为产能无法立即上线，利润极其丰厚，吸引更多参与者进入；随后产能过剩、价格暴跌，新进入者被淘汰。晶圆厂前期投入比买船更大。

如今先进内存制程甚至使用 EUV 光刻机，单条产线成本达到数十亿美元。每经历一轮繁荣和萧条，就会有人进入，也会有更多公司被清洗出局。内存产业历史上充满这样的著名时刻。

三星如何接管内存市场，是其中最有意思的故事之一。它研究历史后意识到，夺取市场的办法是在低谷期逆势投资，为下一轮周期提前准备。这需要巨大的勇气、纪律和资金，但三星做到了，基本把日本厂商清出了市场，韩国企业由此大规模接管内存产业。最后市场只剩三家主要厂商。三家虽然不构成垄断，却形成寡头格局。

它们都变得更有纪律：彼此没有串谋，但都明白不能再重蹈过度扩产的覆辙。问题是，这套纪律迎面撞上了今天的结构性变化。内存需求出现了多年未见的长期上移，只是厂商花了一段时间才确认这一点。我认为内存短缺最终会得到解决。厂商面临的另一项风险来自 Apple：Apple 正在游说，希望使用中国内存。

算法优化最重要的方向之一又是什么？正是尽可能减少内存使用。

长期看，内存厂商可能因为制造了一个过于醒目的利润目标，反而伤害自己。我把它们类比为伊朗。霍尔木兹海峡之所以是一件有效武器，恰恰因为不使用时威慑力最大，所有人都知道伊朗随时可能封锁海峡。现在伊朗真的这么做了，而且确实奏效。但阿联酋和沙特接下来会修建输油管道和新港口，确保同样的事情不再发生。

当前冲击很痛苦，可如果伊朗到 2035 年再次封锁霍尔木兹海峡，可能已经没有效果，因为其他国家已经绕开了它。我担心内存厂商正在经历同样的命运：没有客户会允许自己再次陷入如此被动的局面。台积电的情况可能更严重，因为先进制程只有这一家主导者。Intel 和三星当然都在追赶。

所有市场都包含风险，关键只是最终由谁承担。很多科技公司没有充分意识到，台积电已经把相当一部分风险转移给了大型科技公司。

台积电最担心的是产能过剩。建得太多，不只是短期固定成本无法充分利用的问题；一座晶圆厂往往要运营 30 年，一旦建多了，就会让整个体系多年背负过剩产能，因此台积电天然倾向保守。这也有文化因素。台积电最精彩的故事之一，与三星逆周期投资很相似。

张忠谋在 2000 年代末退休，新管理层接班后遇到全球金融危机，于是削减计划中的资本开支。张忠谋复出后撤换管理层，指出：“iPhone 刚刚推出，这是我们见过的最大机会。现在应该投资，而不是削减。”台积电于是穿越金融危机和行业低谷持续投入，为后来接管先进制程奠定基础。

张忠谋是独一无二的人物，在我心中，他足以列入有史以来最伟大、影响最深远的科技管理者之列。

无晶圆厂模式对整个科技产业至关重要。在一个并不习惯进行这种豪赌的文化中，张忠谋仍敢于逆势下注，更显难得。坦率说，台积电后来依然相当保守。那风险去了哪里？台积电不愿承担风险，但风险不会消失，只会转移。如今，每一家大型科技公司都发现，只要拥有更多算力，就能赚更多钱。

由于算力不足，它们放弃了大量潜在收入和利润，这正是台积电转移给客户的风险。风险有时并不表现为亏钱，而是表现为没能赚到本可获得的钱。台积电曾对 5G 非常乐观，在 2020 至 2022 年前后大举扩建晶圆厂，之后觉得产能已经足够。

随后它在 2024 年和 2025 年连续放缓增长，2026 年才重新提速。

这件事很有意思。我写过相关分析后，大概就在最近一两次业绩会上，台积电董事长兼总裁魏哲家突然用整场电话会大量谈论 AI 使用场景，这是过去从未出现的。制造商通常担心牛鞭效应：需求先在终端出现，沿供应链逐层传导，等最上游看到信号并大举投资时，周期已经接近尾声，新增产能最终变成浪费。

但 AI 如果也是一条牛鞭，它可能是有史以来最长的一条。需要建设的东西实在太多。亚洲制造商花了一段时间才理解需求变化，但现在大体已经理解；问题是，即便今天收到信号，新增产能仍要几年后才能真正落地。

Patrick O'Shaughnessy

在算力极度短缺的情况下，你认为这些新增产能需要多久才能形成？

Ben Thompson

这个问题对 Intel 和三星的逻辑代工业务非常有意思。我多年来一直在写依赖台积电的风险。早在 2013 年，我就在文章中敦促 Intel 建立真正的晶圆代工业务。当时我甚至觉得自己已经写晚了：芯片制造显然是一个巨大的市场，Intel 不可能永远只做传统的集成器件制造商。

可在整个 2010 年代，Intel 股价仍随着云计算浪潮大涨。直到 2020 年前后，它才真正意识到自己已经落后，而代工是巨大的机会。问题是 Intel 毫无准备：没有面向客户的服务心态，没有相应文化和组织，也缺少台积电长期积累的 IP 模块。它需要真实客户与它共同工作，才能建立真正的代工业务。

我也一直强调中国问题：全球最先进芯片依赖一家距离美国最大政治对手海岸仅约 60 英里的公司，而对方又认为台湾属于自己。

这些都是重大风险，也让我真正理解所谓“保险”的难题。对于大型科技公司而言，让 Intel 代工芯片，最大的受益者是 Intel，因为它能学习怎样与合作伙伴协作；最大的痛苦却由客户承担，因为客户必须花大量精力教会 Intel。

相比之下，直接找台积电最合理：它能力卓越、合作顺畅，而且几乎肯定能把事情做好。所以在一个稳定不变的世界里，任何公司都没有理性理由选择 Intel，台积电会一直赢下去。这正是 Intel 的根本困境。但台积电过去几年投资不足，在某种程度上犯了与内存厂商和伊朗相同的错误。

未来短缺会变得极其严重，大型科技公司将因为算力不足损失太多收入和利润，最终宁愿忍受痛苦，帮助 Intel 和三星的逻辑制程追上来。稀缺最终救了 Intel。我预计不久后 Intel 会首次宣布一个重量级合作伙伴，那会是一件大事。

归根结底，是台积电自己促成了这种局面。“高价格本身就是高价格的解药”，客户会寻找绕行路径。作为旁观分析师，我从中学到一点：没有人会为一份不需要的保险付钱，特别是当保险的期望价值为负时。

解决依赖台积电这一地缘政治问题的办法，不是劝企业为了安全多花钱，而是出现一个规模大到难以想象的算力场景，让所有公司都有经济动力扶持其他制造商。这样一来，我们反而免费获得了地缘政治保险。

六、Amazon 与 Apple 的 AI 护城河

Patrick O'Shaughnessy

如果观察市值最高的十到十五家科技公司，你认为哪些公司的业务格局最有意思？

Ben Thompson

答案永远是 Amazon。Amazon 最迷人的地方，是它会先为自己建设能力，并成为每项新业务的第一个、也是最好的客户。自身规模足以让一项能力启动，之后再把它卖给别人。AWS 是最明显的例子。

与常见说法不同，AWS 并不是把 Amazon 多余的服务器容量拿出来出租；事实上，Amazon.com 迁移到 AWS 花了很长时间。真正推动 AWS 的，是内部意识到计算资源必须可扩展，不能每次都开无数会议，而应该变成一个即插即用、纯 API 化的界面，无需与任何人沟通。

既然能为内部零售团队这样做，就能为任何公司提供同样服务。只是零售业务规模太大，AWS 反而先服务外部客户，再逐渐服务内部，最终两者都承载。

物流则走了相反路径。Amazon 原本依靠 UPS、FedEx 和 USPS 等外部物流商，后来决定自建网络；能力建成后，又开始向第三方开放配送服务。类似模式在一个又一个市场重复。芯片也是如此。Graviton 和 Trainium 早期版本最大的优势是什么？

早期芯片其实很差，但客户在 Amazon 上购买 Redshift 等托管服务时，并不知道底层处理器型号，只是在购买一个托管结果。Amazon 可以把性能不佳的自研处理器放在托管服务下面，利用真实业务获得规模和负载，持续迭代改进，直到最终能够对外独立销售。

作为 Graviton 的第一个最佳客户，Amazon 推动它不断变好；作为 Trainium 的第一个最佳客户，Amazon 同样推动 Trainium 持续改进，如今后者已经用于运行 Anthropic。

Amazon 正把同样方法应用于 AI 产品，至于哪些能成功还需要观察。它有呼叫中心软件，自身客户服务也在逐步使用 AI，而且效果已经相当不错。最近一年左右，我在短时间内大量购买商品时，遇到的显然是聊天机器人，但它确实能很好地解决问题。

Amazon 正先为自身业务建立这些 AI 服务，再向市场广泛开放。其中一些会成功，另一些不会，但整个路径非常优雅。Amazon 在现实世界的投入又极其深厚，其核心业务几乎不会被模型层 AI 颠覆，反而会从 AI 中受益。

就核心业务的防御力以及自然生长出新业务线的能力而言，Amazon 的护城河可能比任何公司都深。

Patrick O'Shaughnessy

Apple 呢？它几乎没有参与这一轮 AI 竞赛，看起来一直置身事外。

Ben Thompson

某种程度上，这可能是“运气比能力更重要”的案例。Apple 拥有完整生态系统，归根结底，它控制着通往客户的入口，因此能够吸引供应商。这正是经典聚合器打法：只要掌握客户，供应商就会来找你，而不是反过来。Apple 可以在需要时采购 AI 能力。

况且，如果消费者确实不在乎提高生产力，只想要一个聊天机器人，那么 Apple 既可以终于做出一个真正好用的 Siri，未来也可能让模型完全在设备端运行。届时连推理成本都不必由 Apple 承担，因为消耗的是用户自己的电力。

当然，今天还没有完全到达这个阶段，这也是 Apple 仍使用 Google Cloud 和英伟达芯片的原因，但设备端完成推理的未来完全可以想象。Apple 又身处实体商品行业，而制造手机本身很难，零售和实体分发网络也很有价值，所以它受到的冲击更小。

智能手机这个产品近乎完美，小到可以放进口袋，又大到足以观看几乎任何内容。

一个人可以用手机管理全部生活，所有娱乐都在其中。既然消费者主要想要娱乐，电视甚至已经成为手机的配件。我看不到谁能轻易取代手机。真正的问题是，手机是否会永远处在中心。特别是在家中，OpenAI 等公司正在探索一种环境式 AI：用户不必拿起设备，只要随时开口，AI 就能提供所需信息。

Apple 本来最有条件提供这种体验，但如果没有前沿模型，它能做到吗？如果公司思维始终以手机为中心，它会不会重演 Microsoft 的错误？Microsoft 并没有错过移动时代，甚至很早就在做移动产品；问题是，它把手机理解成一台小型 PC，假设 PC 永远是中心，手机只是延伸设备。

Apple 则意识到必须彻底重置：iPhone 不是 Mac 的附件，手机就是新的中心。iPod 以及兼容 Windows 的经历帮助 Apple 得出了这个结论。

Apple 会不会再次落入类似陷阱，因为手机太成功，就默认它永远是中心，只围绕手机添加功能？还是说，这一次环境式 AI、云端 AI 和无处不在的 AI 会通过手机、独立设备和电脑等多种形态出现，最终带来真正的颠覆？这种可能性存在。但我也完全认同 Apple 继续专注于自己最擅长的事情。

我们凭什么期待 Apple 擅长 AI？从最粗略的层面看，AI 是概率式工程，而 Apple 是确定性产品之王。实体产品一旦出货，就必须可靠；如果存在重大缺陷，代价会是数十亿美元。Apple 从未召回过 iPhone，仔细想想，这非常惊人。

实现这种结果所需的谨慎决策、严格执行、供应链强硬管理和艰难取舍，与打造优秀 AI 所需的一切非常不同。我通常更希望公司去做自己真正擅长的事情。

因此，我完全可以接受 Apple 不亲自做前沿 AI。我希望它继续制造卓越设备。

七、前沿 AI 玩家

Patrick O'Shaughnessy

如果把潜在的前沿 AI 赢家归为五组：OpenAI、Anthropic、Gemini，再把 SpaceX、xAI 与 Grok 放在一组，最后是 Meta，你认为哪一家的格局最有意思？

Ben Thompson

OpenAI 和 Anthropic 显然风险最高，但上行空间也最大。永远不要低估信念的力量：它们相信自己正在创造“上帝”。历史上最具影响力的事业，往往由宗教般的信念推动。硅谷这两家最具“宗教组织”气质的公司，分别体现了不同教派的风格；对 Anthropic 来说，这种信念尤其深入核心。

生存压力本身也很重要，公司必须让商业模式成立，否则就无法活下去。Google 只需要确保搜索业务不要死得太快；Meta 则拥有庞大的广告业务。如果 Meta 由马克·扎克伯格之外的任何人管理，它大概都不会坚持冲在前沿。无论结果好坏，这都是创始人能量最纯粹的体现之一。

Meta 的原有业务如此优秀，却仍然轻易决定继续加码。Google 长期从事 AI 研究，追求前沿至少顺理成章；Meta 却像是在说：“我们重新招一支团队，从零开始。”

这件事本身相当疯狂，因此无论你是否认同战略，都应该肯定马克·扎克伯格的决心。再看 SpaceX 和 xAI。把数据中心放到太空，是它们最独特的理论，但为了实现这件事，真的必须拥有自研模型吗？

有自研模型当然能获得更高利润率；可如果由于政治阻力、电力不足或其他原因，地面数据中心真的耗尽，太空算力可以运行任何模型。它们现在已经在向 Anthropic 出售算力，说明这一点正在发生。这几家公司都很有意思，但 SpaceX/xAI 的自研模型逻辑可能最弱，因为太空数据中心本身已经高度差异化。

如果这条路线成功，我不确定它是否还需要自己的模型。那么，为什么在此之前花费数十亿美元训练模型？这是一个合理问题。从战术角度看，我很喜欢收购 Cursor，这对双方都很合理，我很想看看后续发展。

Meta 可能是其中最有意思的一个。正如你最近多次写到的，对数字公司而言，不站在能力前沿也许才是更鲁莽的选择。与 Meta 相对的是 Microsoft。Microsoft 不在模型前沿，但它上季度仍产生约 200 亿美元自由现金流，并支付了约 100 亿美元股息，手中显然还有资金。

它的打法是让各家模型相互竞争，自己提供中间件和企业搭建应用的平台，从而在模型与客户之间进行再中介化。这是一套理性策略，也很像 1990 年代的 IBM。历史会以相似方式回响。大家常说 Google 正在追随 Microsoft，其实 Microsoft 也在追随 IBM。

Patrick O'Shaughnessy

IBM 当时具体做了什么？今天又对应什么？

Ben Thompson

IBM 在 1970 年代拥有支配地位。到了 1990 年代，它已经变成一项陷入困境的资产，市场普遍认为公司应该拆分，把各个业务独立出去。Lou Gerstner 接手后给出的核心判断却是：IBM 的所有单项业务都很平庸，这与我刚才对 Microsoft 的描述相似。这是垄断的代价。

公司一旦长期垄断，就会逐渐丧失做好产品的能力，因为不再需要竞争。许多科技巨头都有这个问题：无论做什么都能持续赚钱。如果没有压力、激励、死亡恐惧，或者我们刚才所说的“对上帝的敬畏”，组织就不会拿出最好的工作。一旦竞争肌肉消失，公司就会变得臃肿松弛。

Gerstner 因而意识到，IBM 最糟糕的选择恰恰是拆分，因为每一个被拆出来的部分都不够优秀；公司最大的资产，反而是它足够庞大。

“足够庞大”有什么价值？当时互联网兴起，许多企业都知道自己必须理解互联网，却不知道该怎么做。它们需要一家供应商理解自身业务，并帮助它们上线。IBM 因此建立了一支庞大的咨询队伍，并大力发展中间件：在企业原有的大型机与现代 Web 服务之间增加一层连接，使客户能够建立网站、电子商务和各种在线服务。

这让 IBM 的寿命又延长了约 30 年。理论上，企业也可以分别采购硅谷热门初创公司的单点产品，但传统公司既不理解那些产品，也不知道怎样整合。IBM 则能说：“你认识我们。我们会进场，建立中间件，并派咨询团队帮助实施，让你真正上线。”IBM 基本把整个美国企业界带上了互联网。

今天 Microsoft 采用的正是同一套剧本：由 Microsoft 帮助企业弄懂 AI。

Microsoft 会帮助企业采用 AI，同时避免把“王冠上的宝石”直接交给模型公司。它会建立平台、运行框架和中间层，并告诉客户：“我们可靠、稳定，你熟悉我们；我们的向后兼容甚至可以追溯到 1980 年代。你可以放心在 Microsoft 上建设，由我们处理模型不断变化和升级的问题。”

这当然不意味着客户能获得绝对最佳体验。中间件总会磨平产品最锋利的边缘，提供的是各家能力的最大公约数。但企业销售最古老的套路本来就是这样。

1980 年代，Larry Ellison 推销 Oracle 关系型数据库时说，这项技术源自 IBM 没有珍惜的研究成果：“你不想被 IBM 锁定，你需要一个能在任何系统上运行的关系型数据库，来找我们。”讽刺的是，后来 Oracle 比任何公司都更擅长锁定客户。

整个企业软件行业的销售逻辑，都是以“害怕被别人锁定”为理由把客户拉进来，而长期目标则是由自己锁定客户。

云厂商都承诺可移植性和自由选择，随后又推销一个只能在自家云上运行的服务，客户最终照样被锁定。Microsoft 的打法理性且合理。它之所以还有额外现金，正因为没有冲在模型训练前沿。公司虽然建设大型数据中心，但重点是推理，而不是训练。

因此，Microsoft 所谓“根据客户需求逐步投资”的故事更可信，它不需要解释大型训练集群未来如何转作推理。不过，回到“不处于前沿对数字公司而言可能很鲁莽”这个问题，Microsoft 最终为什么仍被广泛使用？主要因为大家过去就在用它。企业真的还需要这些文档、文件和电子邮箱等历史产物吗？

AI 能不能直接替代它们？

这里存在对 Microsoft 软件业务的真实威胁。记录系统之所以强大，一个原因是迁移过程极其烦琐、重复，客户很难搬走；偏偏 AI 非常擅长这种工作。Microsoft 并不完全是记录系统公司，虽然 Dynamics 等业务属于这一类，它更重要的角色是用户与计算机交互的界面。

当你看到 Codex、Claude Cowork 等产品时，会发现它们像一支箭，直指 Microsoft 的核心。长期看，所有数字公司都受到威胁，但 Microsoft 尤其明显。它的战略是合理的，却也带有一种生存层面的绝望；恰恰因为绝望，公司也可能真正执行成功。

Meta 暂时没有受到直接威胁。但如果采用我对 AI 的乐观判断，所有数字公司最终都会受到威胁，Meta 当然也是数字公司。它经营的是软件，更深层的风险是 AI 占用用户越来越多的时间，而时间正是 Meta 的货币。

OpenAI 曾尝试把 Sora 做成社交产品，最终没有真正起飞，这也说明社交网络其实很难做，而且成本很高。创作者分成就是一个例子。YouTube 从很早开始就向创作者支付分成，这对业务利润的拖累比外界想象得更大，因为 YouTube 的内容存在边际成本。

与 Netflix 不同，YouTube 不需要在内容上线前支付全部制作费，而是在收入产生后与创作者分成，因此仍优于 Netflix 的前置采购模式。可 Facebook 或 Meta 为内容支付多少？几乎为零。

Instagram 是一个极其强大的产品，创造巨额收入，却几乎不需要向内容生产者付费，这令人难以置信。

因此，对 YouTube 来说，AI 生成内容理论上可能改善利润，因为生成内容的推理成本可能低于创作者分成。对 Meta 而言，如果内容由公司自己生成，AI 反而会让利润率变差，因为今天用户内容是免费的。Meta 掌握的是注意力。

另一种乐观情景是，当人们每天与 AI 大量互动时，对真实人际连接的需求反而会上升，Meta 可能重新回到社交根基。Meta 最大的战略失误之一源于它一直把自己看成社交网络公司。面对 Snapchat，它发现对方产品很好，于是把类似功能叠加到自身网络上，利用网络规模压制了 Snapchat 的增长。

但 TikTok 成为 Meta 的盲点，是因为大家把 TikTok 归类为社交网络，而它根本不是社交网络，而是娱乐产品。用户关注谁并不重要，看到什么取决于之前看过什么，算法会继续提供相似内容。

TikTok 是一个用户生成内容网络，其关键洞见是：把内容限制在个人社交关系内，是一种人为约束。平台应该从整个网络中挑选最好的内容。绝大多数内容当然很差，但这与前面利润率和绝对值的讨论一样：不要只看优秀内容占比，要看优秀内容的绝对数量。

当内容总量足够巨大，即便优秀内容比例微乎其微，最终的优质内容绝对量仍会非常可观。Meta 过去只向用户展示认识的人所产生的内容，而 TikTok 提供全世界最好的内容，所以从 Meta 手中夺走了大量时间。

Meta 只能转型，今天的 Instagram 和 Reels 已不再是真正的社交网络，而是从全网获取内容的娱乐产品；传统社交更多退回群聊等私人空间。

但在 AI 时代，社交网络也可能重新重要，因为人最终还是需要真实的人和真实连接，这一点如何发展值得观察。模型对广告的影响同样巨大。今天 AI 最大的商业化收益，可能并不来自 Anthropic 或 OpenAI，而是 Google 和 Meta 广告系统持续获得的增量。

过去多数提升来自传统机器学习，现在则逐步进入 LLM 阶段。广告恰好属于可验证领域：怎样判断 AI 生成的图片或文案是否优秀？看广告能不能卖出商品即可。Google 和 Meta 能以其他公司做不到的方式验证图像和文字生成，因为广告市场本身就是验证器。

它们可以对海量创意进行 A/B 测试，快速判断什么有效、什么无效。大多数广告本来就不会转化，因此失败并不可怕。两家公司拥有一个规模巨大、流动性极强的验证市场，由全球消费者用点击和购买行为提供反馈。

这会形成持续改进产品的反馈循环。今天的广告匹配仍然相当粗糙：系统提取用户特征和广告特征，分别形成向量，再计算两者是否匹配。LLM 的核心能力则是预测。未来 Meta 可以直接判断“这个人下一步最可能想看什么”，再从全网找到并展示。

只要把广告相关性提高几个百分点，回报就是数十亿美元，仅这一项就足以支持 Meta 投资最前沿的模型。Meta 的大问题，是没有把这个故事讲出来。奇怪的是，马克·扎克伯格和 Sam Altman 在这点上很像，他们都不喜欢广告。

但 Meta 拥有全球最优秀的广告业务，而且我认为这项业务对社会具有正面价值。

你和我都建立了规模不大却收入不错的内容业务，而内容传播很大程度上依赖社交媒体。我早期正是依靠 Twitter 用户分享链接成长起来的。如果你销售某种产品，互联网的美妙之处在于，世界上一定存在一个需要它的细分人群，难题是怎样找到他们。

Facebook 广告做的就是这件事：帮助产品找到原本不知道自己需要它的用户，而用户收到产品后会非常满意。这是巨大的社会正效应。创业者建立新企业、制造新产品，消费者得到原本不可能发现的商品；与此同时，消费者还免费获得大量娱乐，无需为内容付费。

Meta 为自己和股东赚到很多钱，而它的股东几乎遍布全世界。这就是广告的价值，Meta 的广告尤其优秀。令我沮丧的是，Meta 很少主动讲这个故事。马克·扎克伯格二十年来几乎只在少数场合提过广告的社会价值。

他把广告业务交给其他人管理，自己很少关注。也许正因如此，广告体系才形成那种艰苦、细密的执行文化；Facebook 内部员工会对数据使用等问题感到不安，扎克伯格也可能不愿亲自介入，选择与之保持距离。但 Apple 推出应用跟踪透明度（ATT）时，Meta 没有做好回应。

ATT 是科技史上最严重的反竞争行为之一：Apple 单方面摧毁大量商业模式，同时建立自己的广告业务并进行追踪，却要求外界“相信 Apple”。还记得那支公交车广告吗？画面中每个人都能听见周围人的私密谈话，它对互联网广告运行方式作了极不诚实的描述。Tim Cook 又在国会谈论公司“出售用户数据”。

Facebook 并没有出售你的数据；数据本身就是它的核心价值，为什么要卖掉？但 Meta 当时毫无准备。Sheryl Sandberg 在任时，每次业绩会都会强调广告的价值，并列举受益于广告的新创业者案例。

Sheryl Sandberg 离开后，这个角色始终没有被补上。Meta 给人的感觉甚至有些羞于承认广告：“没错，我们通过广告赚很多钱，但我们还有眼镜，我们也在做 AI。”问题是，广告本来就很棒。

如果 Meta 持续、清楚地表达广告价值，公司的公共形象会更好，与 Apple 的舆论竞争也会更有利，今天说服华尔街继续支持投资也会容易得多。另一个问题是，公司已经在 Oculus 上累计投入超过千亿美元，而我从一开始就不看好这项投入。因此，投资者自然会问：为什么还要继续授权你们花更多钱？

八、英伟达与商品化的智能

Patrick O'Shaughnessy

我们还没有深入谈到的一家主要公司，是黄仁勋和英伟达。你多次提到硅谷不理解大宗商品市场。无论算力最终是否成为大宗商品，我也很好奇，智能本身最终会不会商品化。科技行业最有意思、也最重要的两个主题，智能与算力，竟然都可能成为大宗商品，不再具有那么强的差异化……

Ben Thompson

互联网最有意思的地方一直是免费分发。带宽是一种大宗商品，因此我现在拿出手机，就能以接近零的边际成本连接到全球任何信息源。带宽商品化改变了世界，大宗商品同样可以改变世界。差异化产品的总可寻址市场在定义上往往更小，因为存在价格弹性：不是所有人都买得起，支付意愿也各不相同，市场规模因此受到限制。

Apple 销售设备，永远不可能服务全世界每一个人；Google 却可能做到，因为使用是免费的。这一点非常重要。大宗商品当然也需要付费，但它越能被所有人获得，影响力就越大。互联网本身可以看作一种大宗商品，它改变了世界。如果智能最终也商品化并改变世界，我一点都不觉得奇怪。

Patrick O'Shaughnessy

但大宗商品通常不被视为优秀商业模式，至少不如高度差异化、高利润率的产品。具体到黄仁勋和英伟达，你怎么看？

Ben Thompson

英伟达今天的位置显然并不自然。所有竞争者都在追赶，已经是 2026 年，它竟然仍能维持极高利润率，并继续用高价销售芯片，这非常惊人。但从更完整的角度看，英伟达其实没有真正维持原有利润率。围绕“循环融资”的争论，人们会拿 Lucent 等历史案例类比。

比如某项安排中，英伟达提供 25% 的信用支持；它又投资 Neocloud，并承诺买下这些公司直到 2030 年的全部算力。为什么？因为这样可以降低对方的资本成本，使其有能力购买更多 GPU。资本成本为什么下降？因为英伟达接过了风险。风险从不消失，只会转移到别处，而承担风险一定有价格。

如果 AI 持续起飞、永不停止，一切都会很好，英伟达也能获得承担风险的全部上行。但另一种世界是，英伟达支持的 Neocloud 大量算力集中上线时，超大规模云厂商已经拥有充足算力，市场不再短缺。

届时，英伟达可能被迫为没人需要的算力付款，遭受巨大损失。因此，这些投资都有一个介于零和百分之百之间的成功概率与期望价值，它会减少英伟达的真实盈利能力。把公司作为一个整体观察，这实际上就是降价。降价没有出现在芯片报价或会计毛利率中，而是以担保、投资和风险承担的方式体现。

英伟达试图维持表面利润率，即使从折现现金流和整体期望价值看，公司已经让渡了一部分经济利益。把风险移出资产负债表通常确实有效，但这些复杂交易正是在维持一种不自然的高利润状态。所以，我们已经看到了隐性降价，只是它们以非常奇怪的形式出现。

长期看，英伟达真正的竞争者是超大规模云厂商，特别是 Google 和 Amazon。

Google 和 Amazon 不仅制造自研芯片，还准备把芯片卖给外部客户。Google 已与 Anthropic 达成安排，向其提供约 20% 的 TPU。Andy Jassy 在最近一次业绩会上也几乎确认，Amazon 最终会把 Trainium 3、Trainium 4 等芯片对外销售。

这很合理：芯片研发投入巨大，对外销售能提高研发杠杆，并让云厂商长期进入模型公司的供应体系。更重要的是，它们不是靠差异化销售芯片，而是把芯片当作大宗商品。真正销售差异化产品的是英伟达。客户不会因为 Trainium 本身而选择 Amazon 云，因此 Amazon 对外卖芯片也不会削弱自家云的吸引力。

这才是英伟达最大的麻烦。超大规模云厂商的首要优势是什么？更低的资本成本。AI 最终是一场资本战争，云巨头的资本成本低于 Neocloud。Neocloud 会到处采购英伟达芯片。Elon 说 SpaceX 会一直购买英伟达，因为英伟达最好，这个选择也完全合理。

更准确地说，SpaceX 购买英伟达，是因为英伟达算力最容易流通、最具可替代性。CUDA 的护城河已经显著减弱，因为模型并不在乎底层运行在哪种芯片上，真正重要的是模型之上构建的应用。但 CUDA 仍然有价值，仍构成一定护城河。

SpaceX 的打法是大规模建设算力并出租，同时保留随时收回自用的权利；这种模式当然会选择英伟达，因为英伟达算力最容易出租。早在 2023、2024 年就能看到这一方向。英伟达开始反复强调主权云，也尝试推出一系列模型和企业模块。2024 年在圣何塞大型场馆举行的“摇滚明星式”GTC 反而有些无聊。

过去的 GTC 会展示几十种尝试，因为英伟达知道 GPU 有潜力，却还在到处寻找使用场景。

LLM 出现后，英伟达终于确定：“这就是使用场景。”公司随后推出大量面向企业的模块，产品本身免费，却只能运行在英伟达平台上，明显是为了锁定客户。Intel 是很好的参照。AMD 在超大规模云厂商市场夺走了大量 Intel 份额，因为云巨头采购规模极大，值得投入工程资源，让系统适配 AMD。

即使两者都采用 x86，仍存在细微差异，但只要能获得更好的芯片或更低价格，适配投入就值得。Intel 从未真正衰落的部分，是政府和企业客户，因为这些客户没有云巨头的工程资源，采购规模也不够大，通常会继续购买过去使用的产品。

英伟达强调主权云和企业客户，正是希望进入那些不会反复比较不同芯片、也不会主动迁移的市场。

超大规模云厂商一直是英伟达的威胁，根本原因是它们其实比英伟达更大。它们既是潜在竞争者，又拥有比英伟达其他客户更低的资本成本，这也解释了本周的融资安排。我把它视为英伟达对云巨头优势的回应，因此应当与 Google 发行股票放在一起理解。

Google 随时可以发股；股东虽然不喜欢，但它最终的商业化能力远强于英伟达及英伟达的大多数客户。英伟达可能不会公开这么说，但公司也许希望世界真的出现电力短缺。因为当电力成为绝对约束时，所有人都会追求最好的芯片、最高效率和最高 Token 能效，而英伟达目前仍然最具 Token 效率。

那会是一个有利于英伟达的世界。过去几年英伟达最大的“问题”，反而是美国上线的电力远超预期。

九、AI 泡沫之后，什么会留下

美国的响应速度让我很意外。Elon 率先采用的表后供电方案正在被复制，西得克萨斯州增加天然气发电，核电站也在重启。美国面对约束时的反应令人振奋。假设 AI 最终形成泡沫，我们仍希望泡沫留下长期回报。互联网泡沫之后留下了铺设完成的光纤。

Google 其实已经玩过一次这样的游戏：它拥有出色的搜索引擎，但业务强大的一项重要基础，是在互联网泡沫后以极低价格买下大量暗光纤。直到今天，互联网核心网络仍运行在 WorldCom 时代铺设的光纤上，这就是泡沫留下的永久收益。铁路也一样。

BNSF 今天产生的现金一路流向 Google，其历史源头可以追溯到 Northern Pacific，以及 Jay Cooke 向普通投资者出售铁路债券。真正理想的泡沫，会建成某种能够长期存在的东西。AI 泡沫会留下什么？GPU 寿命并不长，数据中心建筑当然能留下，但最核心的遗产是什么？

答案只能是电力。如果 AI 投资最终崩盘，却留下严重过剩的电力，那将是一个极其美好的世界。人类一直受到能源约束，而能源支撑一切。生活在能源充裕的世界会是什么样？我们甚至很难想象，因为思维一直建立在能源稀缺的现实上。美国在扩充电力方面已经做得令人难以置信。

电力现在是约束，未来也会继续成为约束，但它比所有人预期的更晚才真正收紧，黄仁勋可能也低估了这一点。他大概以为电力不足会更早成为英伟达的护城河。结果是，充足电力维持得越久，Amazon 就有越多时间改进 Trainium，Google 也有越多时间把 TPU 的效率提升到具有竞争力。

若这种状态继续，英伟达今天的高利润率将越来越难维持。

Patrick O'Shaughnessy

我非常喜欢听你分析正在发生的一切。这是我观察科技世界以来最有意思的时期，而你又如此热爱这个世界。非常感谢你今天的时间。

Ben Thompson

非常感谢。