作者 | 白线 WhiteLine

寻找方向，在变化到来之前

《白线 WhiteLine》由吴说团队出品，从 Crypto 走向更广阔的资本市场，关注 AI 时代下的趋势变化。

2026 年 8 月 4 日，华尔街投资人 Gavin Baker 在 Invest Like the Best 节目中表示 7 月份尽管 AI 的各个明星股发生大幅回调，但他认为 GPU 价格、Token 使用量和 Hyperscaler、经营现金流等关键指标仍未明显转弱。在他看来，真正可能推翻 AI 多头逻辑的风险，不是短期股价下跌，而是算力需求降温、现金流无法兑现，以及整个 AI Build-out 最终不得不过度依赖债务融资，并试图回答一个更根本的问题：这轮 AI 超级周期究竟还能够持续多久？

Gavin Baker 是美国资深科技投资人，曾在富达任职 18 年，现为 Atreides Management 创始人兼 CIO，也是华尔街较具代表性的 AI 多头之一。他认为，本轮 AI 浪潮本质上是一场受 GPU、电力、先进晶圆和内存等物理瓶颈约束的超级周期。

7 月股价与基本面背离：AI 基本面究竟发生了什么？

主持人：Gavin，我们现在差不多每两个月录一次。按照现在模型发布的节奏来看，我们两个人的播客基本已经跟 AI 模型的 Release Cycle 同步了。

Gavin Baker：我之前其实有点在意一个批评。有人指出，我们每次录播客的时间，好像刚好都和局部市场顶部重合。但这一次，应该没人还能这么说了。7 月像是把 2022 年压缩进了一个月。

当然，确实存在一些基本面的负面因素，但整体来看，我认为基本面的天平其实是在明显改善的。虽然很多 AI 明星股已经比高点跌了 50% 到 60%。保守一点说，大概是一个月内直线下跌了 40% 到 60%。但几乎没注意到任何一个关于 AI 的负面定量指标，也几乎没有任何一个指标显示增长正在减速。反而几乎所有的指标都还在加速。

主持人：而且就像你说的，这不是一群对 AI 很兴奋的人在盲目乐观。他们是真的可以拿出数据来，而且这些数据来自不同的观察角度。

Gavin Baker：完全是这样。无论看 GPU 供给、GPU 租赁价格、DRAM 现货价格，还是 Token 使用量，几乎所有我们能观察到的指标都还在加速。

我觉得市场现在最大的问题之一，是对 Anthropic、OpenAI 这类私营 AI 公司的经营情况缺乏足够可见度，也很难看到那些正在承接推理需求、实现商业化的 AI 基础设施公司的真实数据。如果把这些公司纳入进来，整个 AI 产业的现金流图景会完全不一样。

与此同时，开源模型的进展也明显提速。过去几个月，新模型发布速度很快，OpenAI 自身的增长也依然强劲，收入仍在快速扩张。我认为，这些私营 AI 公司很可能已经在创造相当可观的自由现金流，只是因为它们没有上市，市场很难直接看到。

现在市场经常引用一张图：半导体公司的现金流不断上升，而 Hyperscaler 的自由现金流因为资本开支持续走弱。这张图很容易让人得出一个结论——AI 产业链上游在赚钱，而云厂商在不断烧钱。

但这个判断漏掉了两件事。第一，它没有计算 OpenAI、Anthropic 等私营公司的现金流；第二，它也低估了 GPU 定价的变化。

2024 年和 2025 年时，几乎所有人都认为 GPU 价格迟早会下降。乐观的人认为会缓慢下降，悲观的人则认为价格会快速下跌。但几乎没人预期到，到了 2026 年，GPU 算力价格仍然如此坚挺，部分现货价格甚至还在上涨。

这反而让此前签下长期算力合同的公司获得了很大的价格优势。很多 Neo-cloud 当时为了获得融资、建设数据中心，需要提前锁定长期采购合同。现在回头看，这些合同的价格实际上远低于当前现货市场。

随着旧合同陆续到期，算力价格会重新定价。即便未来 GPU 现货价格有所回落，很多存量合同的实际结算价格仍可能上升。这也是为什么我认为，接下来云厂商的收入和现金流还会继续改善，而这最终会回答市场一直在追问的那个问题：AI 的投资回报究竟在哪里？

其实这个季度已经开始出现迹象。如果看经营现金流，而不是扣除资本开支后的自由现金流，Microsoft、Meta 和 Amazon 的经营现金流增速已经从大约 28% 加快到 32%。

而且这一季度还有一些较大的非经常性支出，主要包括法律和监管相关费用。如果把这些因素剔除，增速可能接近 35%。对于 Microsoft、Meta、Amazon 这种体量的公司来说，从 28% 加速到 35% 是非常显著的变化。更重要的是，这还没有真正体现 Rubin 等下一代 GPU 大规模部署后的影响，也没有完全反映旧算力合同未来重新定价的效果。所以过去这个月虽然市场表现非常差，但如果把基本面拆开来看，很多指标反而在变好。

Meta 出租算力之后，市场是否误判了 AI 需求？

Gavin Baker：我们可以按时间顺序梳理一下，市场到底是怎么走到今天这一步的。最早的一波担忧来自 Meta。市场听说 Meta 准备把部分算力对外出租后，很快把它解读成利空：是不是 Meta 出现了算力过剩？是不是资本开支准备见顶甚至下降？如果真是这样，那整个 AI 基础设施投资逻辑是不是出了问题？

但事情根本不是市场理解的那样。Meta 最新披露的资本开支并没有下调。更可能的情况是，他们看到 SpaceX 已经拥有相当规模的算力，并且能够把一些针对训练优化的大型算力集群，以远高于长期合同价的价格卖到现货市场。至少从分析师的角度看，Meta 可能只是发现了一个新的商业机会。

当时市场还有很多猜测，认为 Meta 可能准备进一步融资。假设它先拿出一小部分算力对外出租，证明这部分资产能够产生非常高的内部回报率，再去股权市场融资，反而可能支持更大的资本开支。当然，现在看起来未必真的是这个计划。

但当时市场把“Meta 出租算力”直接理解成了过剩产能和资本开支见顶，因此迅速抛售。我当时就很确定，这不是一个负面信号。因为从我们能够观察到的各种指标来看，Meta 的资本开支计划完全没有收缩。恰恰相反，它还在变得更加激进。

随后 Meta 又发布了近两年来表现最好的模型之一。虽然它的关注度被 Grok 4.5 抢走了，但模型本身相当不错，也明显好于市场此前的预期。所以很难说 Meta 正在放慢 AI 投资。

接下来 Kimi 发布，市场又开始担心开源模型会冲击闭源模型的商业模式。与此同时，Silicon Data Token Index 出现下滑并趋于平缓，于是很多人把这两件事情联系起来，认为 AI 需求可能正在降温。

但我觉得，这同样是对数据的误读。Silicon Data Token Index 反映的很大程度上是 Token 的结构变化，而不是单纯的 Token 总需求。随着 GLM 5.2、Kimi 等开源模型逐步进入实际使用，Token 消费开始从价格较高的前沿闭源模型，转向成本更低的开源模型。

前沿模型的推理毛利率可能非常高，究竟是 80%、90% 还是 95% 可以讨论，但总之处在很高的水平。因此，当开源模型获得更多份额时，表面上看到的是 Token 单价下降，以及高毛利的闭源模型收入受到挤压。市场把这理解成 AI 需求变弱，但从算力角度看，事情并不是这样。

在其他条件相近的情况下，生成一个 Token 仍然需要消耗算力、内存和电力。不同模型的 Token 当然不能完全等同，但从大的方向看，开源模型抢走份额，主要改变的是利润在产业链上的分配，而不是让算力需求凭空消失。

它实际上是把一部分利润从前沿模型厂商手里转移出去。而且由于开源模型价格更低，还会产生需求弹性：Token 变便宜之后，用户会使用更多 Token，最终反而需要更多算力。

无论是 Anthropic 这样的闭源模型，还是各种开源模型，底层最终都要运行在云服务商和算力基础设施之上，而云厂商仍然是按算力收费。所以从产业链角度看，开源模型获得份额，并不一定意味着 AI 基础设施需求受损。更可能发生的是，利润从前沿模型层向算力和基础设施层重新分配，同时更低的模型成本刺激更大的 Token 使用量。

黄仁勋可能是全球最坚定的开源支持者之一。他是一个非常理想主义的人，也很有美国式的产业使命感。我相信，即使开源对 Nvidia 不利，只要他认为这是正确的事情，他可能还是会支持。但反过来说，如果开源真的会严重伤害 Nvidia 的生意，那么黄仁勋如此积极地推动开源，本身就很难解释。

而且我认为，开源对整个行业非常重要。如果未来只有一两个前沿模型占据绝对主导地位，并且长期维持接近 90% 的利润率，这对用户未必是好事，对整个社会也未必健康。我们之前也讨论过，我更希望市场上存在大量不同的模型。

市场消化完开源模型这件事之后，接着又出现了中国国产 DUV 光刻机的消息。由于市场里很多资金都挤在同一批半导体交易上，这个消息又引发了一轮半导体设备股的集中抛售。但再往后，才出现了我认为真正值得担心的问题：实际利率开始上升。

AI 泡沫真正的风险在于信贷市场

Gavin Baker：AI 基础设施需要巨额投资，虽然目前大部分资本开支仍然可以由 Hyperscaler 自身的经营现金流覆盖，但债务融资的重要性确实正在上升。所以现在我们看到实际利率上升、信用利差扩大。Meta 上周发行了一笔债券，但最终的定价并没有达到市场通常会预期的 Meta 这种信用级别应有的水平。

主持人：而且在这之前，CDS 已经开始出现变化。

Gavin Baker：对。现在不只是 Meta，几乎所有相关公司的 CDS 都在走阔。一些非常聪明的私募信贷投资者会说，这其实很正常，因为银行此前承诺了大量融资，现在只是在通过 CDS 对冲自己的风险敞口。这个解释可能是对的，但从市场表面来看，确实不好看。

CDS 上升、信用利差扩大、实际利率走高，这些都是客观存在的事实。如果整个 AI 基础设施建设真的高度依赖债务融资，那我会非常担心。但这也是为什么，我一直强调现有算力的长期合同价格与现货价格之间的巨大差距非常重要。因为只要大量已经部署的算力仍然可以随着旧合同到期而向更高价格重新定价，云厂商自身产生的经营现金流就可能继续增长，从而降低整个 AI Build-out 对外部债务融资的依赖。

主持人：所以接下来非常重要的一点，就是搞清楚未来半年 AI 基础设施建设到底需要什么样的融资结构。

Gavin Baker：核心问题就是：这一轮 Build-out 到底有多大程度需要依赖信贷市场。

主持人：如果这一轮扩张最终高度依赖债务，那就会进入一个非常典型的资本周期：大家过度举债、过度扩张，最后问题就会集中暴露。

Gavin Baker：完全正确。债务驱动的基础设施扩张有一个很大的问题，就是债务需要持续偿付。一旦供需关系稍微失衡，整个体系就可能非常快地逆转。互联网泡沫时期其实就发生过类似的事情。所以如果你像我一样总体仍然看多 AI，那么现在最值得认真压力测试的风险，就是信贷。

这次回调之后，我其实把自己的判断重新检验了一遍，尤其深入研究了债务融资的问题。因为这个风险是真实存在的，也没办法回避：如果未来 AI 基础设施建设必须大量依赖信贷，那确实会是一个非常重要的负面因素。

但如果把未来几年计划上线的数据中心容量，以及市场目前对 Hyperscaler 的一致预期放在一起看，我觉得市场可能低估了这些算力最终能够产生的现金流。

现在市场在模型里，对未来新增的 Blackwell、Rubin，以及 Nvidia 下一代 GPU 算力，实际上采用了非常保守的变现假设。很多一致预期，大致是在假设这些下一代 GPU 的单位算力收入，只能达到 Ampere 时代的水平。Ampere 已经比现在落后了两代，中间还隔着 Hopper。

按照这种非常保守的假设，Hyperscaler 未来的经营现金流大概是 1.3 万亿到 1.4 万亿美元。但我认为，新一代 GPU 最终只按照 Ampere 的水平变现，这种可能性其实很低。这里面有很多原因。一部分来自我们在硅谷看到的实际需求，包括私营 AI 公司现在对算力的使用情况，以及各种真实的定性和定量需求指标。

即使我们不采用最乐观的假设，只是假设未来这些算力的价格低于当前 Blackwell 的水平，那么 Hyperscaler 的经营现金流也可能更接近 2 万亿美元。这中间大约有 7000 亿美元的差额。如果这些现金流真的兑现，就意味着原本可能需要通过信贷市场融资的 7000 亿美元，可以直接被内部现金流覆盖。

与此同时，随着现有算力合同陆续到期、价格重新向上调整，Hyperscaler 的经营现金流还有可能继续加速。而市场当前的一致预期反而是在预测经营现金流增速放缓，我觉得这种判断未必成立。如果现金流继续改善，所有信用指标都会随之变好，债务融资也会突然变得容易很多。当然，这并不意味着这些公司一定会选择举更多债。它们最终采用什么样的融资结构，我们还要继续观察。

AI 投资的时间差：收入何时能够追上资本开支？

Gavin Baker：我们其实讨论过一个风险，我当时把它叫作“Blackwell Air Pocket”。逻辑是这样的：Hyperscaler 花几千亿美元采购 Blackwell GPU，但这些 GPU 刚开始大量被用于训练，而训练本身并不会立刻产生收入。所以理论上会出现一段时间：资本开支已经发生了，但收入和现金流还没有跟上。

这就是所谓的“Air Pocket”，也就是中间可能出现一个现金流真空期。实际上，今年第一季度确实看到了一些类似的迹象。但两期节目之前，我之所以开始对这个风险没那么担心，是因为 Anthropic 等公司的实际增长表现太强了。当时我的判断是，市场会愿意先忽略这段短期的现金流错配。

事实上，4 月、5 月和 6 月，市场确实一直在忽略这个问题。到了 7 月，由于前面提到的一系列因素同时出现，市场突然不再愿意忽略它了。有意思的是，也恰恰就在这个时候，Hyperscaler 的经营现金流开始明显加速。这不是主观判断，而是已经反映在数据里的事实，而且是在非常大的收入和现金流基数上继续加速。

比如 Microsoft 在 6 月上线了很大一批新增算力，但由于上线时间太晚，这部分产能甚至还没有真正反映在第二季度业绩里。所以整个问题最终可以归结成一个非常简单的判断：你是否相信，现在硅谷这些私营 AI 公司所表现出来的真实需求，能够继续维持？

如果答案是肯定的，那么随着现有长期算力合同逐步到期，已经部署的算力就有机会以更高价格重新定价。而一旦这个过程发生，Hyperscaler 的经营现金流就会继续改善，整个 AI 基础设施建设对债务融资的依赖程度，也可能比市场现在担心的低得多。

Gavin Baker：对，经营现金流会继续上升。如果现有算力在合同到期后能够按照当前市场价格重新定价，那么未来几年，大部分甚至全部 AI 基础设施投资，都有可能直接由经营现金流来覆盖。所以最近这段市场表现其实很反常。

从技术分析的角度看，市场持续下跌本身当然值得警惕。因为回头看 2022 年，当时市场担心的是经济衰退、加息和通胀，大家很清楚自己在担心什么；DeepSeek 出现的时候，市场也知道自己在担心什么；“Liberation Day”之后也是一样，风险点都非常明确。

但这一次，我们刚才其实已经列出了很多可能的原因。除了信贷市场之外，其他很多理由在我看来都没有那么有说服力。所以市场在这些基本面并没有明显恶化的情况下继续下跌，反而会让人有点不安。因为真正危险的，往往可能是那个你还没有看到的风险。

我们以前也聊过，我觉得投资里最重要的概念之一就是 Margin of Safety，也就是安全边际。但同样重要的是，你必须承认自己“不知道”。你过去两个月一直在这里，我也一直在和公司交流。今天早上我刚刚和一家非常热门的 AI 初创公司聊过，他们现在正在续租一个几千张 Blackwell GPU 的算力集群。

大概六七个月前，他们租下一个类似规模的集群，每张 GPU 每小时的价格大约在 2 美元中段。现在，他们准备续租一个规模几乎一样、配置也基本相同的 B200 集群，目标价格已经接近每张 GPU 每小时 4 美元。也就是说，仅仅六七个月，价格就上涨了大约 50% 到 60%。

这其实非常反常。正常情况下，大家会预期随着供给增加和硬件迭代，单位算力价格应该逐步下降，但现实却恰恰相反。类似的例子其实很多。我记得有一家推理云公司之前上过播客，他们直接说，等现有 Blackwell 合同到期后，预计续约价格可能会比现在高 100%。

如果这些案例具有代表性，那就意味着 Hyperscaler 手里的算力资产其实拥有非常强的重新定价能力。所以我这周出来最主要做的一件事，就是不断给自己的判断做压力测试。

主持人：也就是主动找反例。

Gavin Baker：对。告诉我一些真正负面的东西。我一直在问所有人同一个问题：你有没有看到哪怕一个真正转弱的定性指标？

主持人：目前大家提得最多的，是一些第三方数据显示，Anthropic 原来的增长曲线似乎开始稍微偏离之前的轨迹。这可能是我听到的唯一一个相对负面的信号。

Gavin Baker：这个完全可能是真的。但问题是，你同时还要看 OpenAI，而且开源模型的增长正在大幅加速。如果把这些需求放在一起看，我并不觉得整体趋势在恶化，甚至可能还在加速。我觉得开源模型有点像宇宙里的“暗物质”。对于公开市场来说，它非常重要，但又很难被直接测量。你很难从上市公司的财务报表里完整看到它到底发生了什么。

但如果你去跟踪这些推理云厂商在播客、会议或者私下交流里透露的信息，虽然这些都不是经过审计的财务数据，但方向其实非常清楚：需求还在加速。这也很合理，因为 GLM 5.2、Kimi K3 等模型带来了非常明显的能力跃迁。我认为这种趋势还会继续，Nvidia 也会不断把 Nemotron 这样的开源模型推得越来越接近最前沿水平。

所以过去这个月确实很难熬，但另一方面，我也觉得很有意思。因为这次回调反而逼着我把几乎所有核心假设重新检验了一遍，而到最后，7 月的基本面并没有恶化，反而还在改善。

以 Nvidia 为例，我们录这期节目时，它的远期市盈率已经降到了过去两年的最低水平。过去两年里，Nvidia 只有在“Liberation Day”和 DeepSeek 冲击期间短暂出现过更低的估值，而那两次最后都形成了非常典型的 V 型反弹。

主持人：这对你来说意味着，市场现在实际上是在押注 Nvidia 的盈利处于异常高位，未来会明显回落？

Gavin Baker：对。市场现在几乎百分之百是在假设，这些公司目前的盈利水平不可持续，未来会出现明显下修。当然，我们必须保持谦逊，也许市场是对的。

但我这周来硅谷，最主要的任务就是尽可能寻找负面数据，主动挑战自己的判断。正常情况下，我每次来硅谷都会听到一些好消息，也会听到一些坏消息。科技行业长期会创造价值，但短期永远会有正负两面的信号。可这次我几乎找不到真正明确的负面定量指标。

唯一比较接近的，就是刚才提到的 Anthropic 第三方数据，显示它的增长曲线可能有所放缓。但这个数据本身争议也很大。一些 Anthropic 股东非常想告诉你他们掌握的内部情况，认为第三方数据并不准确。但与此同时，他们又很谨慎，因为如果公司知道他们在外面透露太多信息，他们也会担心未来 IPO 时拿不到配售。

所以你会看到一种很有意思的状态：他们非常想告诉你，“情况其实很好，外面的数据不对”，但又不敢说得太具体。而且从逻辑上讲，我也很难相信，在 OpenAI 和开源模型都明显加速的情况下，整个需求会突然出现大幅恶化。当然，Anthropic 某一阶段的相对份额出现变化完全有可能。毕竟现在竞争越来越激烈。

另外，Grok 和 Cursor 的第三方数据也很强。7 月其实是一个变化非常大的月份，Grok 4.5 以及一系列新产品陆续推出，整个市场的产品节奏都在明显加快。所以过去这个月确实很难判断。我在 Fidelity 有一个朋友，他总结过去三年的市场交易方式很有意思：最有效的策略，往往就是尽快去做那个最简单、最表面的交易，然后等下一个叙事出现，再迅速切换过去。

AI 工具可能让泡沫和崩盘来得更快

主持人：那按照这个逻辑，现在最简单的那笔交易是什么？

Gavin Baker：过去这个月，最简单的交易其实就是降风险、减仓。市场一直在根据各种叙事调整仓位，但除了信贷之外，我觉得其中很多叙事从事实层面看并不成立。而且我们做完研究以后，我反而觉得，随着现有算力合同逐步重新定价，信用状况应该会改善。

退一步讲，就算未来建设更多 FLOPs 确实需要信贷支持，如果信贷市场不愿意提供融资，那只会意味着新增算力更难建出来。结果反而是，已经存在的算力会变得更加稀缺、更加值钱。这里还有一个很有意思的现象。我们以前聊过 Michael Mauboussin 的一个观点：当市场中的观点多样性开始消失，所有人越来越按照同一种方式思考时，反而更容易形成泡沫和崩盘。

现在不管是散户还是机构，只要做公开市场投资，几乎每一条新消息都会立刻被丢进 Claude，有时候是 Claude Code，有时候直接交给 Claude Agent，然后让它给出解释。但 Claude 本质上是一个概率模型。面对同一条新闻，不同用户得到的解释可能并没有那么大差异。

这让我觉得，股票市场正在出现一种以前从未真正存在过的状态。过去大家总说媒体越来越碎片化。以前有 Walter Cronkite 这样的“权威声音”，大家会围绕同一个信息源形成共识；后来这种统一的信息中心消失了。但现在在股票市场里，Claude 某种程度上又变成了新的 Walter Cronkite。

大家拿到一条消息之后，都去问 Claude，然后很多人直接按照 Claude 的解释去交易。这套系统非常聪明，但它并不总是正确。尤其投资本来就是在对未来进行概率判断，任何单一模型对未来的解释都不可能永远准确。

所以现在市场经常出现一种情况：一条新闻出来，被 Claude 解释成某种逻辑，大量资金立刻按照同一种逻辑交易，结果市场反应会被极度压缩和加速。有一个半导体圈的人最近发了一张非常有意思的图，是日本电容器股票的走势。他说，我们在六周时间里，已经完整走完了一轮“电容器周期”。

这其实很准确。那些股票可能翻了一倍、两倍甚至三倍，先垂直上涨，然后又迅速回落。最夸张的是，真正的基本面甚至还没有完全兑现，但市场已经在六周内走完了过去可能需要三年才能完成的一轮周期。

主持人：你最近一直在硅谷，也接触了很多一线公司。我尤其好奇的是，现在围绕推理效率、模型训练效率，包括整个 AI 基础设施效率的提升，正在发生哪些真正重要的创新？这些长期研发方向，未来又会怎样影响公开市场？有没有什么进展，是你最近看到以后特别兴奋或者特别值得关注的？

Gavin Baker：我现在非常关注 Continual Learning，也就是持续学习，以及 Sample-Efficient Learning，也就是样本高效学习。我接触到的不少人都觉得，这两个问题可能已经越来越接近被解决。如果真的解决了，我觉得这可能会带来一次非常重要的不连续变化。

现在训练前沿模型，需要消耗极其庞大的数据量。有人跟我做过一个类比：一个人一生实际接触到的语言信息量，可能相当于大约 200 亿个 Token，而现在的大模型训练规模已经到了数百万亿 Token。

如果未来你可以只用比如 10 万亿 Token 训练出一个模型，然后把它部署到真实世界里，让它能够持续学习，而且学习效率非常高，那么对传统预训练算力需求来说，当然未必是好消息。但从整个 AI 算力市场来看，我并没有特别担心。

因为随着时间推移，训练在整个半导体和算力需求中的占比，本来就可能不断下降。它不会趋近于零，但最终可能会变成一个相对较小的部分，而推理会占据越来越大的比重。所以在我看来，这是目前最值得关注的长期技术变化之一。

至于它到底需要多长时间，是几年还是更短，现在没人知道。SSI 等一批新成立的实验室，都在重点研究这类问题，而且未来一段时间可能会陆续看到新的模型和成果。

如果持续学习和样本高效学习真的取得突破，对整个世界都会是非常好的事情。只是我很难相信，这最终会对 AI 基础设施需求构成真正的负面影响。但我还是尽量保持开放。如果一定要总结这次在硅谷最大的科学或技术层面收获，我觉得这可能就是最值得关注的一点。而且还有一点不能忽略：Nvidia 本身也深度参与了很多研究这些方向的初创公司。

AI 基础设施越来越依赖债务融资

主持人：那如果一定要让你设想一种真正会改变你判断、让你开始明显担忧的情形，会是什么？是不是刚才讲的经营现金流逻辑最终没有兑现，导致整个 AI 基础设施建设不得不更加依赖债务融资？

Gavin Baker：如果 Hyperscaler 的经营现金流不能继续加速，那肯定是一个负面信号。而这在很大程度上，又取决于 Anthropic、OpenAI、Grok、Cursor，以及开源模型生态接下来的增长情况。如果 GPU 价格出现持续而明显的下跌，我也会非常担心。市场肯定会立刻对此作出反应。

或者，如果 GPU 突然变得非常容易获得，那也会是一个值得警惕的信号。但你过去两个月有没有遇到任何一个人告诉你，他们手里的 GPU 太多了？

主持人：没有。听起来甚至完全相反，有点像一个供不应求的地下市场。

Gavin Baker：确实，现在的情况非常夸张。所以真正需要关注的负面信号其实很明确。比如 Anthropic、OpenAI 等头部实验室的整体需求如果开始停滞，甚至出现下降，那会是非常负面的信号。除非原因只是开源模型正在迅速扩大整个市场，同时从闭源模型手里拿走份额。因为我确实认为，未来会是一个 Multi-model 的世界。

尤其对于 AI Native 公司来说，它们不会永远只使用某一个最强的闭源模型。现在很多推理云厂商已经非常擅长监督微调和强化学习。企业可以拿自己的数据去定制一个开源模型，然后在上面部署 Model Router。

这个 Router 可以根据不同任务，决定应该调用开源模型，还是调用 Claude、Grok 等前沿闭源模型，并通过不同模型之间的交叉验证来提高结果质量。在很多场景下，这种方法甚至能够以一半左右的成本，获得略好的结果。

但这里很容易产生一个误解。很多人一听到“成本下降一半”，第一反应是：这是不是意味着 AI 基础设施需求会下降？其实未必。

终端用户支付的价格，很大程度上取决于模型层的利润率。你可能只是把原来毛利率接近 90% 的昂贵闭源 Token，换成了毛利率可能只有 30% 左右的开源 Token。成本下降主要来自模型层利润被压缩，而不是因为生成这些 Token 所需要的底层算力减少了。从算力角度看，生成 Token 仍然需要 GPU、内存和电力。而且不同企业现在处于完全不同的 AI 采用阶段。

一些最领先的大型上市公司可能突然发现，自己的 AI 支出三个月内增长了 20 倍，于是开始部署 Router，让不同任务自动选择成本更低的模型。这样做确实可能让企业的 AI 总支出趋于稳定，甚至下降。但这并不意味着它生成的 Token 数量减少了，甚至可能正好相反。企业只是把更多任务转移到了更便宜的开源模型上。因为每个 Token 更便宜了，它反而可以生成更多 Token。最终对应到基础设施层，实际消耗的 GPU Compute Hours 可能还在增加。

所以，一家公司学会根据不同任务更聪明地选择模型，可能会让它的 AI 预算下降，但这和底层实际消耗了多少 GPU 算力，并不是同一个问题。目前最前沿的一批上市公司已经开始这么做。与此同时，还有一整批 AI Native 公司正在以完全不同的方式发展。这些公司并没有大量招聘员工，而是把原本可能用于新增人力的预算，直接投入到 Token 和 AI 算力上。所以它们的 AI 使用量并没有放缓。

再往后，还有大量美国东海岸企业，以及更广泛的传统公司，到现在其实都还没有真正开始大规模采用 AI。至于欧洲，很多地方甚至还在研究应该怎么监管 AI。

我一直有一个问题挥之不去。可能上次我也提过：现在全球真正大量使用 Agentic AI 的人，也许只有 25 万到 50 万，但我们已经出现了非常明显的算力短缺。可全球有七八十亿人。如果未来真正使用 Agentic AI 的人数，从几十万扩大到全球人口的 1%，再进一步增长到上亿、甚至数亿人，算力需求会变成什么样？

谁会真正为 AI 服务买单？

Gavin Baker：我最近也会把这些观点发到 X 上，因为看看别人怎么反驳，其实很有帮助。很多人提出的一个问题是：好，我们接受你的逻辑——Hyperscaler 手里的算力合同重新定价，经营现金流继续加速，甚至能够靠内部现金流覆盖相当一部分 AI 基础设施投资。但这些经营现金流最终到底从哪里来？谁来为这些 AI 服务买单？

从定义上讲，这些钱最终无非来自两个地方。

第一，是 AI 提高生产率，从而带来更快的经济增长。也就是说，整个经济创造出更多产出。

第二，是对劳动力的替代。

我认为，在很多 AI Native 公司里，劳动力替代已经开始发生。但这种替代并不一定表现为大规模裁员，而是这些公司从一开始就没有招聘那么多人。你去看这些公司的单位员工产出，比如每名员工对应的毛利润，和过去几代创业公司相比已经高得非常夸张。a16z 等机构也做过类似研究，这些指标几乎是垂直向上的。

所以我其实很好奇，你有没有统计过投资组合里的公司：它们在 Token 上的支出，相对于人力成本已经到了什么水平？

主持人：那些真正把 AI 用得非常深的公司，Token 支出占总薪酬或总人力成本的比例可以很高，可能达到 20% 到 25%。这应该已经是我听过最高的一档了。

Gavin Baker：我其实听说过 50% 的。全球大概有 25 万亿美元规模的知识型工作支出。如果我们就用你刚才说的 20% 来算，那对应的就是大约 5 万亿美元。而这 5 万亿美元最终必须来自两个方向：要么来自对劳动力成本的替代，要么来自 AI 提升生产率之后带来的更快经济增长。所以真正的问题是，这么大的 AI 支出最终会以什么形式进入企业的损益表和整个经济体系。

主持人：今天早上我还听到一位非常顶尖的科技公司 CEO 提到一个很有意思的现象。他连续创办过几家公司。如果你去看那些仍然由创始人主导、控制权比较集中的公司，再把疫情时期过度招聘的因素剔除，其实很少看到它们因为 AI 而进行真正大规模的裁员。

按理说，这些公司应该是最愿意快速采用 AI、提高效率的一批企业。如果连它们都没有明显削减员工，某种程度上也说明，它们仍然认为未来存在大量增长机会，可以同时容纳更多人力投入和更多 Token 支出。

Gavin Baker：完全同意。这其实就是最乐观的情景——增长。

主持人：不是单纯裁掉人，而是把 AI 带来的效率继续转化成增长。

Gavin Baker：对。而且 Cognition、Ramp、Stripe 等公司都展示过类似数据：AI 支出最高的企业，往往也是增长最快的一批企业。Cognition Index 确实很有意思。当然，质疑者也会合理地指出，它没有完全控制行业差异。但如果继续往下拆，你会发现 AI 的影响其实并不只局限于软件公司。我记不清当时举的是水管工还是 HVAC 承包商，但很多蓝领工作者其实也会因为 AI 受益。

另外还有一个很重要的话题，我觉得我们甚至可以单独聊一个小时：现在几乎所有东西都处于短缺状态。如果目前哪里出现增长受限，很多时候并不是需求不足，而是电力接入速度不够快，数据中心的吉瓦级负载没办法及时通电。但这些电最终会接上。监管政策正在朝更有利的方向变化，燃气轮机制造商、变压器等设备厂商也都在扩产。

现在甚至有人把老飞机上的涡轮发动机拆下来，翻新之后重新用于发电。各种过去听起来很疯狂的事情都在发生。资本主义在解决这种供给短缺问题上，其实非常有效。但我觉得，市场现在还有一个非常重要的变化，而这个变化我之前判断错了。

尤其是在内存领域，行业正在从追求短期利润最大化，转向用一部分短期上涨空间，去换取更长期、更稳定的合同。这些合同可能叫供应协议，也可能叫长期协议，也就是 LTA。具体形式很多，但核心通常是客户提前付款，同时约定价格下限和上限。

这其实又让我想到劳动力市场。疫情之后，很多公司因为之前裁员过猛，后来一度非常不愿意再裁人。当时大家还专门讨论过所谓的“Labor Hoarding”，也就是企业即使短期需求变弱，也愿意先把员工留在手里。

现在我们可以用类似的博弈论逻辑去理解这些 LTA。真正有能力大规模提供 AI 算力的公司其实就那么几家：Amazon 有 Trainium，Google 有 TPU，AMD 也在做自己的 GPU，而 Nvidia 的规模则比其他几家加起来还要大得多。假设到了 2027 年，有一点非常重要：内存会变得越来越关键。对于同样数量的 FLOPs，如果你能够配置更多、更快的内存，就可以在单位算力下生成更多 Token。这可能是提高 Token 输出效率最重要的手段之一。

而单位算力能够生成更多 Token，本质上也意味着成本下降。但目前需求端几乎没有因为这种成本下降而出现疲软。真正制约市场的仍然是算力和供给本身是否能够获得，而不是终端需求不足。从某种程度上说，这已经开始变成一场非常大的博弈。

Gavin Baker：这其实会变成几家公司之间非常典型的博弈。假设到了 2027、2028 年，你可能会产生一个想法：现在市场供给是不是宽松了？那我是不是可以撕掉原来的 LTA，重新谈一个更低的价格？

但问题在于，我认为未来几年各家的市场份额，很大程度上会由供应链分配决定，也就是你之前到底锁定了多少产能、预购了多少资源。所以哪怕真的出现严重供过于求，撕毁 LTA 也未必是一个好主意。

因为内存本身是高度周期性的行业。今天可能过剩，过两三年，供需关系又可能重新转紧。一旦议价权重新回到内存厂商手里，你之前违约的代价就会非常大。举个假设性的例子。假设 Google 到了 2028、2029 年，因为内存供给过剩，决定撕掉长期协议。短期看，它可能拿到了更低价格。

但下一轮行业重新进入短缺周期时，你觉得内存厂商还会怎么分配产能？它们完全可以把更多资源优先给你的竞争对手。所以在这种情况下，撕毁 LTA 可能不是简单地少赚一点，而是直接影响你未来几年的市场份额，甚至伤到整个业务的竞争地位。

这和以前不太一样。过去像 Apple 这种超级大客户，几乎不需要担心这些问题。它的采购量太大，而且竞争对手也没有那么多，所以即便它把供应商压得很狠，SK Hynix、Micron 这些厂商最后还是会继续供货。

但 AI 时代不一样。现在至少有四个大玩家，再加上一批快速增长的 AI 初创公司。如果你违约，供应商完全可以说：好，你既然不认原来的价格协议，那我也不认原来的供货承诺，我把产能直接给你的竞争对手。你最终损失的可能就是市场份额。

Nvidia 的新生意：为整个 AI 产业提供资本

Gavin Baker：所以我觉得，现在这套长期协议结构，其实是有利于 Nvidia 的。这也是为什么，我有点难理解 Nvidia 为什么还能以这么低的估值交易。如果你需要融资来建设 AI 基础设施，几乎没有什么资产比 Nvidia GPU 更容易获得融资支持。如果你需要解决电力和基础设施问题，Nvidia 现在也在做非常积极的资源协调和撮合。

而且它最近推出了一种很聪明的新模式。你可以把它理解成一种“带收入分成的信用包装”。大致逻辑是：如果 GPU 价格高于某个底线，Nvidia 可以通过某种结构参与其中的上行收益。如果这种模式做大，Nvidia 其实有可能很快形成一个非常大的“准云业务”，只是它不一定自己去运营云，而是通过类似版税或收入分成的方式参与。这也能缓解我们前面一直在讨论的现金流错配问题。

因为 Nvidia 自己现在产生了大量现金，而算力买方却需要先承担非常大的资本支出。Nvidia 可以通过融资结构，把一部分资金压力转移掉，同时继续推动 GPU 部署。严格来说，这不完全算 Vendor Financing，因为并不是 Nvidia 自己直接借钱给 GPU 买家，而是第三方机构在提供融资。

所以它和传统意义上的厂商融资还是不太一样。当然，Nvidia 也在继续做股权投资。但它一直强调，投资给这些公司的钱不能直接被指定用于购买 Nvidia 芯片。不过钱本身是可替代的，所以现实里当然还是会产生一些间接效果。我觉得至少会让所有参与方在合规和心理上更舒服一些。

主持人：如果你现在是 SK Hynix 的 CEO，你会怎么做？

Gavin Baker：我会做和 Nvidia 现在几乎完全一样的事情。

Gavin Baker：如果我是 SK Hynix，我会直接去找那些 GPU 买家，无论是大型云厂商还是其他算力公司，然后告诉他们：我也愿意参与这套融资结构。

当然，内存公司的业务本身没有 Nvidia 那么稳定、那么可预测，所以具体结构可能不完全一样。比如可以先拿出一部分现金，降低融资方承担的风险，再参与后续的一部分收入分成。我这里只是在举例，但逻辑很简单：这些内存公司现在手里有现金，而信贷市场又明显在收紧。我相信像 Blackstone、Apollo 这样的机构，可能已经在向这些公司设计类似的方案。

比如内存厂商可以说：我们愿意先拿出一部分当前现金流，为这笔债务提供某种信用支持，让贷款方更安心；但作为交换，我们希望分享未来相关业务的一部分收入。如果是我，我一定会这么做。

这其实也是 LTA 的自然延伸。LTA 本质上是用一部分未来价格上涨的空间，换取更稳定、更可预测的长期需求；而现在这类融资结构，可以进一步把这种稳定性转化成持续性的收入分成，甚至类似 Royalty 的模式。Nvidia 现在其实就在做类似的事情。

我觉得市场对这一点理解得还远远不够。Nvidia 如果能够把这套模式讲得更清楚，对它自己会很有帮助。因为如果你真的非常看多 AI，那么 Nvidia 现在的做法其实很合理：它几乎在所有重要方向上都进行了股权投资。除了内存厂商之外，Nvidia 基本已经投资了大量 AI 公司。过去 Anthropic 也是少数例外之一，但后来 Nvidia 也投资了 Anthropic。

从逻辑上讲，这并不奇怪。如果你手里有大量自由现金流，而且黄仁勋本人又极度看多 AI，那为什么不去投资这些公司？更重要的是，他实际上能看到整个行业最前沿的变化。他会接触几乎所有实验室，也知道哪些技术方向正在取得进展。像我们刚才聊到的 Continual Learning、Sample-Efficient Learning，包括 Safe Superintelligence 这类新实验室，即使并不是所有公司都直接和 Nvidia 合作，Nvidia 对整个前沿生态的可见度仍然非常高。

所以，如果黄仁勋看到的是一个持续向好的技术趋势，那么 Nvidia 一方面拿股权上涨的收益，另一方面再通过收入分成参与基础设施层的现金流，本身就是一个非常有吸引力的模式。而且 Nvidia 每年正在产生数千亿美元级别的自由现金流。在整个行业还处于大量资本开支、很多公司自由现金流为负，而经营现金流又尚未完全追上投资规模的阶段，Nvidia 可以利用自己的资产负债表，帮助行业跨过这段资金缺口。

我觉得这是一种非常机会主义、但又非常聪明的资本配置方式。它不仅能够提高 Nvidia 每吉瓦算力对应的收入，还会进一步强化它的竞争地位。你和我都投资了一些 AI 芯片初创公司。问题是，这些公司即使芯片设计得很好，真正进入量产之后，面对的成本结构也和 Nvidia 完全不一样。它们向台积电采购晶圆的价格，通常会比 Nvidia 更高；采购 HBM 等高端内存的成本也更高。

同时，它们的芯片能不能像 Nvidia GPU 一样，以同样低的融资成本获得信贷支持？答案通常也是否定的。所以对于这些芯片初创公司来说，真正的挑战不仅是把芯片设计出来，还包括制造成本、内存成本、融资能力，以及整个供应链议价权。尤其是如果你的架构高度依赖 HBM，这些成本压力会更加明显。

从这个角度看，最近发生的很多事情，其实反而都在强化 Nvidia 的优势。再回到我们刚才讨论的博弈论。如果 Anthropic 当初在算力采购上能够像 OpenAI 一样激进，它原本可能已经把领先优势进一步拉开。但现在 OpenAI 又重新回到了竞争前列，Grok 也加入进来。真正处在 Frontier 最前面的，就是这些公司。

主持人：而且它们现在也掌握了足够的算力。

Gavin Baker：你看完这轮竞争之后，真的会觉得还有谁敢松油门吗？大概四个月前，Dario Amodei 还谈过这个问题。他的观点其实很有道理：以现在这种投入规模，如果买了太多算力，确实可能把公司拖进非常危险的财务处境；但如果买得不够，你也可能直接失去竞争资格。

主持人：而且我们已经看到这种事情发生了。

Gavin Baker：对。OpenAI 现在重新回到了竞争前列，xAI 也凭借 Grok 4.5 明显加大了投入，Cursor 这类 AI Native 公司也在快速扩张。所以从博弈论角度看，亲眼看到这些变化之后，还有哪一家头部实验室会主动放慢算力投入？尤其是如果这些资本开支最终能够更多依靠经营现金流来覆盖，那就更没有理由减速。

Dwarkesh 提出了一个很有意思的框架：算力的利润率在上升，算力使用量也在上升，推理的利润率同样在上升。如果把这几个因素乘在一起，就能解释为什么一些前沿实验室加上开源生态的整体经济规模，会出现如此夸张的加速。当然，开源模型本身的利润率未必在上升。

主持人：所以大家对这种增长速度已经开始习以为常了。

Gavin Baker：现在有一个很奇怪的反差。我看股票市场的时候，会觉得自己是不是过于乐观了；但只要我真的去和实验室里的人、或者 AI 生态里的公司交流，我反而发现自己几乎比所有人都更悲观。这种状态其实挺奇怪的。

中国光刻机迈出第一步，真正的挑战才刚刚开始

主持人：你怎么看最近中国 DUV 光刻机相关的消息？我看到市场上的反应差异非常大。一种观点认为，这大概只是相当于 ASML 在 2001 年左右的技术水平；另一种观点则认为，这是一个全新故事的起点，未来可能会改变我们对全球先进算力供给格局的判断。

Gavin Baker：我觉得这两种说法可以同时成立。可以打一个非常粗略的比方：如果 DUV 光刻机像螺旋桨飞机，那么 EUV 可能已经接近喷气式发动机，甚至是更先进一代的技术。也就是说，中国目前据称做出来的东西，可能仍然落后最先进水平很多年，但关键在于：以前它没有，现在据称已经有了。

这本身就是一个非常重要的阶段性变化。就像一个系统从一种状态跨到了另一种状态。哪怕现在这台“螺旋桨飞机”比最先进的“喷气式发动机”落后二十多年，它依然不能被完全忽视。但与此同时，我也觉得股票市场对这条消息的短期反应可能过度了。

这就是股市经常发生的事情：市场先大幅交易一个长期风险，但真正等到它影响 ASML 的订单，可能已经是五年之后。而在这五年里，市场可能会先担心一次，然后忘掉；过一段时间又重新担心，再忘掉。类似的叙事可能会反复出现很多次。

所以我认为，这次股价反应大概率有些过度，但也不能因此就把这个技术进展完全忽略掉。如果站在中国的角度，这件事情显然非常重要。而且此前也有一些报道称，中国可能通过其他渠道获得过 EUV 相关设备或零部件，甚至涉及技术获取和产业情报。但这类设备本身非常复杂——

Gavin Baker：而且这类设备本身体积非常大、系统也极其复杂。我不知道那些传闻到底是不是真的，确实有一些相关消息在流传。但中国的工程能力很强，投入也非常大，而且他们显然把这件事情视为国家层面的重要任务。真正的问题是，他们能不能从大约 2001 年的技术水平，迅速追到 2026 年，甚至接近 2030 年的水平？我觉得这很难，因为这种技术本质上高度依赖经验积累。

主持人：也就是 Learning by Doing。

Gavin Baker：对，就是 Learning by Doing。很多东西你必须真的做过才能学会。你没有办法直接跳过这些阶段，也无法“瞬移”到未来。那些研发、制造和迭代周期，实际上都得一轮一轮走过去。所以，这件事重要吗？当然重要。市场是不是反应过度了？可能也是。

但我觉得，对于美国投资者来说，现在真正困难的一点是，很难非常准确地理解中国到底正在发生什么，更难对自己的判断保持百分之百的确定性。

不管是好是坏，中美之间确实正在进一步脱钩。这个过程已经持续了一段时间，而且现在越来越像一种自我强化的循环：双方的每一个动作，都会进一步推动另一方采取类似措施。这当然很遗憾，但我们已经走到了这里。中国不会停下来，美国也不会。

主持人：那美国其他公司呢？我现在有一种感觉，好像整个市场的注意力都集中在十来家公司身上，再加上几家大型私营 AI 公司。

Gavin Baker：至少上个月不是这样。上个月除了 AI 之外，很多板块其实都涨得非常猛。但我觉得，开源模型越来越接近 Frontier 水平，再加上 Fireworks 这类公司把模型定制变得越来越容易，对整个软件行业其实是一件非常好的事情。

因为现在已经出现了大量 AI Native 公司。我有个朋友大概两年前就说过，他从来没有见过这么多公司，能够从成立开始，在短短几个月内就做到数千万美元级别的年化收入，而且开始产生现金流。

但过去大家一直有一个疑问：这些公司到底有没有真正的护城河？很多人会把它们简单称为“ChatGPT Wrapper”，也就是只是在前沿模型外面套了一层应用。可开源模型正在改变这个问题。

如果你已经围绕某个垂直场景积累了大量独有数据，那么你就可以基于这些数据去定制一个开源模型。Fireworks 最近推出了一个叫 Nexus 的产品，我觉得就很有意思。如果你现在已经在使用 Claude Code、OpenAI Codex、Grok 等模型，接入它可能只需要非常少的代码。

Fireworks 可以基于你的数据对模型进行强化学习，然后在上层部署一个 Router。每次请求进来之后，由 Router 决定应该调用哪个模型。他们现在看到的结果非常不错。如果这种模式最终成为大量 AI Native 公司的标准方案，那么这些公司和以前相比就会发生本质变化。

过去你可能只是调用一两个前沿闭源模型。但现在，你可以让其中一部分请求继续调用 Frontier Model，再把另外很大一部分 Token 消耗转移到自己经过强化学习定制的开源模型上。像 Harvey、Legora 等公司，以及 Cursor 这样的 AI Native 产品，都在积极探索类似的路径。

一旦做到这一点，你就不再只是一个简单的 Wrapper。你拥有自己的数据、自己的定制模型、自己的 Routing 逻辑，产品的可防御性会高很多。

廉价 Token 越多，顶级模型反而越值钱？

主持人：Cursor 最近公布的那个案例让我特别感兴趣。它有点像 AI 版的“分工加速”：先让最强的 Frontier Model 负责规划，然后再把具体任务分发给能力稍弱、但成本低很多的模型执行。这其实很像人类组织里已经验证过的工作方式——最强的人负责制定计划，再把具体任务拆出去。而按照他们公布的数据，这种方式的整体效率好像能提高十几倍。

Gavin Baker：这件事有一个非常反直觉的可能性：那些利润率更低、能力只比最前沿模型稍弱一点的开源 Token，反而可能进一步抬高最顶级 Frontier Token 的价值。当然，也有人持完全相反的观点。我们认识的一些人认为，一旦前沿模型实现 RSI，也就是递归式自我改进，它就能够不断把自身能力蒸馏到更便宜的模型上，从而在不同智能水平上都大幅降低推理成本。如果真走到那一步，开源模型可能就没有太大的生存空间。

这大概可以理解成 Anthropic、OpenAI、Grok Maximalist 的观点：最强的前沿模型最终会把整个价值链吃掉。这种可能性当然不能排除。AI 发展太快了，什么事情都有可能发生，所以我们还是要保持谦逊。尤其经历了过去这个月之后，我自己更愿意保持开放。

但目前来看，我觉得这种结果的概率并没有那么高。一个重要原因是，现在已经有很多 AI Native 公司积累了相当数量的垂直领域专有数据。在这一轮开源模型、推理云和 Model Router 真正成熟之前，这些公司其实没有太多选择。前沿模型厂商给你什么服务条款，你基本只能接受。

但现在，如果企业可以利用自己的专有数据去训练或微调开源模型，再通过 Router 调度不同模型，就能够逐渐摆脱对单一前沿模型供应商的依赖。这会给企业带来更强的独立性，也可能提高业务的持续性和安全性。不过回到你刚才的观点，更有意思的一种可能是：廉价模型越多，最顶尖模型反而越值钱。

假设今天有大量“120 IQ”的开源模型，而且运行成本极低，那么一个能够达到“160 IQ”、并负责调度这些模型的 Frontier Model，是不是反而会变得更加重要？它不需要亲自完成所有任务，而是负责理解问题、制定计划、把不同任务分发给大量成本更低的模型。这有点像一个组织。基层执行能力越便宜、越容易获得，真正能够做最高层决策和资源调度的人，价值可能反而越高。

我们上次也聊过，我过去一直很惊讶，AI 产业创造的经济价值有如此大一部分集中在 Frontier Model 这一层。现在这种结构正在发生变化。像 Together、Modal、Base10 这些推理云公司，都在以非常高的资本效率增长。最让我惊讶的是，它们现在的增长速度几乎可以媲美早期的 Frontier Lab，但烧的钱却少得多。如果用过去 SaaS 行业那些指标来看，比如“Rule of 40”，这些公司的数据已经非常夸张。

主持人：这是不是有点像一家企业内部的薪酬分布？CEO 的收入可能是普通员工的很多倍。对应到 AI 世界里，Frontier Token 就像 CEO，而大量开源 Token 则像执行具体任务的普通员工。

Gavin Baker：对，我觉得完全可以这么理解。我们上次讨论过，Frontier Token 所处的市场本身还在高速增长，所以它们未来可能仍然会拿走绝大部分经济价值。但它们未必还会像过去一样，几乎拿走所有价值。与此同时，从实际处理的 Token 数量来看，未来开源模型完全可能占据大多数。

而对 AI 基础设施来说，这反而是非常好的事情。因为从底层基础设施的角度看，一个 Token 就是一个 Token。生成它都需要 FLOPs、需要电力、需要机房空间、需要散热。不管这个 Token 最终来自一个毛利率 90% 的 Frontier Model，还是来自一个利润率很低的开源模型，底层都需要消耗算力。

当产业扩张遭遇公共舆论：AI 的监管尾部风险

主持人：那你觉得 AI 最糟糕的风险是什么？监管会是最大的风险吗？

Gavin Baker：如果一定要说 AI 最大的风险，我觉得还是监管。这是最明显、也最不能忽视的风险。这也是为什么我这周很想来硅谷重新做一次压力测试。我其实希望有人能把我吓到。因为我不想像个疯子一样，看着这些股票越来越便宜，却还不断告诉自己未来预期回报率反而越来越高。尤其是从基本面来看，我觉得 7 月相比 6 月实际上出现了相当明显的改善。

但即使这样，我还是会不断回到监管这个问题上。它可能就是最大的风险，你不能假装它不存在。比如纽约讨论数据中心建设限制之类的政策，就说明我们现在已经进入一个非常奇怪的政治环境，很多争论并不完全建立在事实和逻辑之上。而且我觉得，AI 行业过去在公共沟通上做得非常糟糕。

主持人：至少现在他们已经意识到这个问题了。可能还没有真正解决，但已经意识到了。

Gavin Baker：现在围绕 AI 数据中心的政治叙事，尤其是在华盛顿，大概是这样的：数据中心会推高你的电费，会把当地的水全部用掉，最后还会抢走你的工作。但现实情况其实复杂得多。

按照现在很多数据中心项目的交易结构，新的数据中心落地之后，当地居民的电价未必会上涨，甚至可能下降。因为越来越多项目采用 Behind-the-Meter 等模式，把自身电力供给和当地公共电网部分隔离开。另外，现在数据中心开发商为了获得当地支持，提供的配套条件也比以前多得多。

过去可能只是给当地警察局、消防局更新几辆车或者一些设备。现在有些项目甚至会承诺建设医院、学校、新的警察局、消防站，或者通过其他安排帮助降低当地能源成本。与此同时，数据中心带来的很多工作并不会在建成之后消失。它们长期需要水管工、电工、HVAC 技师等大量技术工种。

某种程度上，我甚至觉得，数据中心可能是我有生以来对美国蓝领工资最有利的产业趋势之一。但很讽刺的是，一些政治力量理论上代表的正是这些蓝领劳动者，却反而在推动限制这些项目。所以现在很多讨论真的很奇怪。有句话说得很好：谎言已经绕世界一圈了，真相才刚刚起床。

有一个很典型的例子。之前有一位作者在一本书里估算数据中心用水量时出了严重错误，把数字高估了大约一万倍。不是高一点，也不是高一个数量级、两个数量级，而是非常夸张的误差。而且她后来已经多次承认自己算错了。但这个错误数字一旦传播出去，就很难真正收回来。

主持人：这有点像“大力水手菠菜效应”。你听过那个例子吗？

Gavin Baker：没有。

主持人：大力水手为什么总吃菠菜，就是因为过去有一份学术资料在记录菠菜含铁量时，把小数点位置写错了。

结果大家因此长期认为菠菜的含铁量远高于其他食物。虽然最初只是一个数据错误，但这个说法后来传播了很多年，到今天仍然有人这么讲。

Gavin Baker：我之前还真的一直以为菠菜含铁特别高。原来那个说法就是这么来的。

主持人：而且这个误解已经流传了很多年。

Gavin Baker：太夸张了。我一直以为菠菜的铁含量确实比其他食物高很多。

主持人：但这和我们刚才讨论的数据中心叙事，其实是同一种问题。

Gavin Baker：对，本质上是一样的。所以总得有人把事实讲清楚。我有时候甚至会想，如果行业里没人愿意做，那可能就该有人专门成立一个基金会，或者一个行业组织，去做这件事。比如在 Final Four、NFL、大学橄榄球赛、World Series 这些大众关注度最高的赛事里投广告，直接告诉普通人：一个数据中心到底会给你的社区带来什么。

如果一个数据中心项目在你所在的社区落地，并且采用了现在这些新的能源和社区承诺机制，那么你的电价未必会上涨，甚至很可能下降。同时，它会给当地带来大量高薪蓝领岗位，而且这些岗位并不只是建设期的一次性工作。

很多人以为，数据中心建完以后，相关工作岗位就会消失。但现实并不是这样。数据中心后续还需要长期维护、升级、扩容，技术也会不断变化，所以电工、HVAC 技师、维修人员等岗位会持续存在。结果就是，你可能会得到更多工作、更便宜的电力，以及整体上更富裕的社区。

至于用水和环境影响，很多问题其实也可以通过选址和工程设计来解决。数据中心完全可以建在离城市几十英里的地方，不一定非要和人口密集区直接争夺资源。这些事情其实都需要被讲清楚。

而且不只是基础设施层面的故事。我们之前也聊过，AI 已经开始在医学领域真正改善一些结果，比如罕见病诊断、药物研发和治疗方案。我记得今年 ASCO 上就有一种很强的感觉：单次会议里出现的科学突破，比过去很多年份都要多，其中相当一部分背后都有 AI 的贡献。所以如果你家里有一个生病的孩子、父母或者其他亲人，AI 实际上是在提高他们获得更好诊断和治疗的概率。这些故事都应该被更多人听到。

我觉得硅谷这里的人有一个问题：这些事情对他们来说太显而易见了，所以他们会下意识地认为，其他人也都知道。

主持人：但其实大多数人并不知道。

Gavin Baker：对。他们很难意识到，这些在硅谷看来已经几乎是常识的东西，对绝大多数美国人来说，可能仍然是完全不同的一套认知。所以我觉得，AI 行业真的需要把自己的故事讲得更好。纽约现在这种对数据中心的政策争议，在我看来可能只是第一个警告信号。

甚至一些非常支持增长、非常支持基础设施投资的深红州，也会直接对 AI 公司说：你们现在并没有把自己的故事讲清楚。政府可以帮你传播，但前提是行业自己先把事实和逻辑讲明白。因为真正了解这些技术和产业的人还是你们自己。如果你自己都不主动解释自己的价值和影响，别人就会替你定义。

我觉得，围绕算力的讨论里还有一个经常被忽略的问题：如果未来大量引入基于 SRAM 的专用加速器，会发生什么？这类芯片不像最先进 GPU 那样受 HBM DRAM 供给约束，很多甚至可以使用相对成熟的制程节点制造，因此也不会和最新一代 GPU 直接争夺最先进的产能。

推理本身其实可以进一步拆解。现在大家经常讨论 Prefill 和 Decode，但如果继续往底层看，还可以把 Attention 和 Feed-Forward Network 等不同计算环节拆开处理。

最终最理想的状态可能是：Prefill 放在一种芯片上完成；Attention 放在配备大量 HBM、性能非常强的芯片上；而 Feed-Forward Network 则交给 SRAM 型加速器。我觉得，这种架构对现有算力以及未来新增算力的投资回报率都可能带来很大提升。

因为从我们现在看到的情况来看，尤其是在 Feed-Forward Network 这类工作负载上，SRAM 的效率非常难被替代。问题在于，你几乎不可能设计出一种芯片，让计算能力、HBM DRAM 和片上 SRAM 的比例永远处于最优状态。AI 工作负载一直在变化，不同任务需要的资源组合也不一样。

所以如果能够把推理拆分成几个不同部分，再分别交给最适合的硬件处理，我认为会明显改善整个 AI 基础设施的 ROI。

主持人：不知道为什么，我突然想到一个挺有意思的问题。我一直很喜欢你用《权力的游戏》来形容现在 AI 行业竞争格局的方式。那有没有可能出现一个现在大家还没有特别关注的玩家，突然成长到真正能够参与这场“Game of Thrones”的级别？

比如 Micron 某一天突然变得极其重要。我的意思是，有没有哪个公司可能最终变得和 Anthropic、OpenAI、Microsoft、Amazon、Nvidia 这些公司一样重要？

Gavin Baker：有。我觉得确实存在一些潜在的黑马。Fireworks 是一个很明显的例子。我觉得它的执行力非常强。

另外，我们的朋友 Scott Wu 创办的 Cognition，我也非常看好。

主持人：你也把 Cognition 放在这一档？

Gavin Baker：对。我觉得这些是目前相对比较明显的几个候选。

SpaceX 正在成为 AI 基础设施公司？

主持人：那 SpaceX 呢？SpaceX 进入公开市场之后，你观察市场最初消化这家公司信息的过程，有什么感觉？你觉得公开市场现在真的理解 SpaceX 是一家什么样的公司吗？它会不会是近年来最重要的新上市公司之一？

Gavin Baker：我感觉公开市场现在还没有真正理解 SpaceX。因为从 IPO 之后到现在，公司的基本面其实是在变好的。Grok 4.5 发布了，Cursor 的收购也完成了，而且 Cursor 的增长明显加速。过去三年，SpaceX 已经证明了一件事：它能够比其他公司更快、更低成本地把大规模算力上线。

现在我们还看到，它甚至能够利用长期合同价和现货价格之间的巨大差异，把一部分算力直接投放市场，并按接近现货高位的价格变现。从某种意义上说，这反而是近期最看多算力需求的信号之一。

SpaceX 几乎是一夜之间向市场释放了非常大规模的新增算力，但市场几乎没有出现任何波动，新增供给很快就被吸收了，需求完全没有停下来。有一位写 AI 的 Substack 作者预计，SpaceX 未来 18 个月可能尝试上线 8 GW 的算力。

我永远不会轻易押注 Elon 做不到，但坦率地说，18 个月上线 8 GW 真的是一个极其夸张的目标。而且自从 SpaceX 签下之前那些长期合同以来，算力价格不是下降了，而是进一步上涨了。目前他们每 GW 算力对应的商业化价值已经非常高，而市场对明年的一致收入预期大约只有 730 亿美元。

所以先暂时把 Starlink V3、Starlink Direct-to-Cell 这些业务放在一边，甚至也先不考虑 Grok 4.5 和 Cursor。我觉得仅 Grok 和 Cursor 这一块，很快就有可能做到大约 100 亿美元 ARR。甚至连 SpaceX 原本的 Starlink 核心业务都可以暂时放在一边。

真正重要的是，如果它未来上线的算力规模哪怕接近那个 8 GW 的预测，市场现在的收入预期就显得非常保守。当然，这些算力也不可能在 2027 年初一次性全部通电。说实话，我自己都很难完全相信那个“18 个月上线 8 GW”的预测。

因为到今天为止，一年之内真正能够新增超过 500 MW 电力和算力容量的公司，其实非常少，基本就是几家 Hyperscaler，再加上 CoreWeave、Crusoe 和 SpaceX。而 SpaceX 在这些公司里面，上线速度很快，成本也很低，而且从用户反馈来看，它们的算力集群质量也不错。但问题就在这里：市场还是需要真正看到这些产能兑现。

主持人：所以这显然不是今天市场对 SpaceX 的主流理解。

Gavin Baker：不是。现在纽约一些大型对冲基金对 SpaceX 的 Bear Case 很明确：他们认为算力现货价格未来可能下跌 90%，SpaceX 即使建出大量算力，也无法产生市场预期中的收入。这种情况当然有可能发生。

但我也想强调，我过去见过 Elon 旗下公司完成很多原本看起来几乎不可能完成的事情。至于那个“18 个月上线 8 GW”的预测，我之所以引用，只是因为它已经公开，所有人都能看到。我自己并不认为 SpaceX 真能做到那么高。Elon 有句话我很喜欢，大意是：“我们擅长把不可能的事情，延期做出来。”

主持人：这个说法我还是第一次听，很有意思。

Gavin Baker：但里面确实有很大一部分是真的。所以从我的角度来看，SpaceX 股价目前几乎没有反映它未来可能上线的大规模算力。再次强调，我不认为最终会接近 8 GW，而且让这么多 GPU 真正通电运行，本身就是极其困难的工程。但 SpaceX 过去在这件事上做得确实很好。我感觉，这一点还没有真正进入市场的一致预期，也没有成为大多数投资者估值 SpaceX 时的核心假设。

主持人：我突然想到那个很有意思的 Meme——“SpaceX，其实是一家数据中心公司。”

Gavin Baker：对，我完全同意。而且我还想补充一点。我最近在 Starbase 待了很长时间，现在我越来越觉得，Orbital Compute，也就是轨道算力这件事，正在从一个听起来很遥远的概念，逐渐变得现实。

主持人：前几天看到 Starship 的规划，确实挺酷的。

Gavin Baker：而且这里还有一个很有意思的参照。我们的朋友 Benchmark 投资了 Starcloud。Starcloud 是一家做 Orbital Compute，也就是轨道算力的公司，目前和 SpaceX 有一定合作。我记得 SpaceX 可能会让他们使用 Starlink 的激光通信技术，而这对于轨道算力来说非常重要。

我觉得这其实是一个很好的“理智检查”。至少我上次了解的时候，Benchmark 的这些人都非常聪明，而且他们并不是 Elon 生态里的人。但他们还是选择以一个不低的估值，投资一家轨道算力公司。更重要的是，Starcloud 并不具备 SpaceX 那种内部发射成本优势。

所以如果你说我疯了，Elon 也疯了，那现在还得加上 Benchmark，以及 SpaceX 的工程师们也都疯了。所有这些人同时判断错的概率，我觉得没有那么高。总之，一年之后再回头看这些股票会在哪里，会很有意思。投资就是这样。未来永远是概率性的，最后一定会有人判断对，也会有人判断错。但不管怎样，我们现在确实处在一个非常令人兴奋的时刻。