智能每美元，才是真正的战场
十一分钟，几乎没有寒暄。核心是三句话。
第一，开源模型转移的是利润，不是算力。同样一个 token，无论出自开源还是前沿模型，消耗的算力、瓦特、资本开支都一样，被拿走的只是模型层的毛利。第二，AI 是他做科技投资以来第一次，低成本生产者真的重要。决定胜负的口径是智能每美元，它由每 token 成本与每 token 的智能含量共同决定。第三，市场对 Kimi K3 的反应完全反了，而对 Grok 4.5 的反应又严重不足。
另外还有一段很少被提起的判断：英伟达其实是一家很好的美国开源模型公司，而且它多半在刻意压着不放。
主持人我想起 SpaceX 上市那天，然后一路涨到 220。你怎么看现在这轮回调？这算是新股上市初期的常态吗？
Gavin我想是的。简单的回答是，我其实没在想这件事。我们一年后、两年后、三年后再看在哪儿。
我的朋友 Will Danoff 有一次上 CNBC，是在《快钱》那档节目里，他说他努力做的是慢钱，也就是长期。我认为这里面有很多智慧。
主持人但确实还有一个过程，就是看着华尔街逐渐熟悉这个故事、逐渐把握它的可能性。现在我们开始看到一些相当厚的分析师报告，而且我觉得每一家承销商都给了买入评级。
Gavin我承认我不知道华尔街的评级是什么，但这不让我意外。
我认为市场在 SpaceX 上可能漏掉的那个大变量是：他们把每一吉瓦已装机电力变现的水平，显著高于任何人；而且他们把这些吉瓦接进来的速度更快、成本更低。所以他们每吉瓦赚的利润是最多的。
就假设明年他们按已公布的变现水平接入三吉瓦，那就是 1500 亿美元的收入。而这不在模型里。接入吉瓦级的电力非常难，他们已经证明自己擅长这件事，我们再看他们能做到什么。但我看了一下市场一致预期是 730 亿，那里面几乎没有为他们新接入并变现的地面吉瓦留出任何位置。
不在模型里
注意他的论证结构：他没有论证这家公司有多好，他论证的是一致预期里少了一整块。
这是一个很干净的表述：市场一致预期是 730 亿，而按他的口径，仅新增地面算力一项就可能带来 1500 亿。差距不是来自对同一件事的不同看法，而是来自一件根本没被计入的事。
这类机会的赔率通常好于观点分歧型的机会，因为它不需要说服任何人承认自己错了，只需要事情发生。而且它是可证伪的：数一数明年到底接入并点亮了几吉瓦。
使用时要留意口径。1500 亿这个数来自三吉瓦乘以每吉瓦 500 亿，而这个单位数字在他的多次访谈中前后并不一致，建议回原始资料核对。
慢钱
Will Danoff 是富达传奇基金经理，也是他反复提到的三位导师之一。在一档名为《快钱》的节目上说自己努力做慢钱，是一句相当克制的反讽。
这句话在这里的位置很重要：在被问到股价回调时，他给出的第一个回答是我没在想这件事。这与他别处的方法论一致，也就是把判断挂在几年后可验证的经营变量上，而不是挂在价格上。
主持人大家有点担心星舰发射的延期。多头逻辑的一部分正是他们能以更低的成本更频繁地发射，所以任何波折都会引发担忧。
Gavin星舰是一个非常难的工程问题，我认为他们每一次发射都取得了渐进的进展。
但如果你是长期投资人，星舰的复用是在三个月、六个月、九个月还是十二个月后实现，其实并不那么重要。
我会恳请大家把注意力更多放在未来两到三年的地面算力上：他们能多快把它接进来、把那些 GPU 通上电、然后租出去。
主持人你是说他们跟 Anthropic 在做的那种事？
Gavin完全正确。我认为你很可能会看到更多这样的事。
同一家公司里，哪件事值得跟踪
星舰的进展是新闻性最强的变量：每次发射都有画面、有结果、有情绪。而地面算力的接入是最枯燥的：变电站、机柜、通电时间表。
他明确说，前者在几个季度的尺度上对估值影响很小，因为长期投资人关心的是复用最终能否实现，而不是它比预期晚了两个季度；后者才是未来两三年现金流的直接来源。
这条判断可以推广：一个变量值不值得跟踪，取决于它对现金流的影响，而不是它有多容易被观察。新闻性与重要性经常是负相关的。
主持人技术变化这么快，新模型不断跳过旧模型，尤其是那些来自中国的、开源的、便宜得多的模型，人们对整个系统的经济性是有疑问的。你的判断是什么？
Gavin开源模型从根本上说，只是把毛利率和毛利额从模型层转移到了基础设施层。
如果你有同等智能水平、但更便宜的 token，我们就会消耗更多这样的 token。而如果你像我一样相信我们在结构上缺算力，那你就不会那么担心模型层的利润率。
主持人所以这把你导向对新云厂商、以及基础设施建设其他环节的看多。
Gavin我不确定我会用看多这个词，但我确实认为它把你导向一个有意思的风险收益比：那些提供算力的公司，无论是提供给前沿模型还是开源模型。
主持人那再说说，我们拿到 Kimi 这样的中国开源模型，所有人都慌了，因为它更好、更便宜、还开源。你并不认为这对 OpenAI 和 Anthropic 一定是坏事，为什么？
Gavin最后也许确实对他们是坏事，但我想说的是那个根本的原理。
开源软件，比如当年的红帽，现在是 IBM 的一部分，它比商业软件便宜得多，它是免费的。但 AI 的一个 token，当你消耗它的时候，生成一个开源 token 所需要的算力、瓦特、能源、资本开支和运营开支，跟生成一个 Anthropic 的 token 是一样的。
开源软件与开源模型，经济学完全不同
大多数人对开源的直觉来自软件：软件的边际复制成本为零，所以开源意味着价格归零，商业软件的收入被摧毁。红帽与 Linux 的历史就是这么演的。
他指出这个直觉在 AI 上不成立，原因是一个物理事实：软件复制不消耗资源，而每生成一个 token 都要消耗真实的算力、电力与设备折旧。
所以开源模型的免费只发生在权重这一层，运行它仍然要按次付出成本。价格下降压掉的是模型厂商的毛利，而不是机房的成本。
这就是他反复讲的那句话的最简版本：开源转移的是利润，不是算力。对模型层是利空，对基础设施层不是。
他说的是风险收益比，不是方向
主持人两次想把他的话总结成看多某个板块，他两次都做了修正，把表述改回这是一个有意思的风险收益比。
这个区分不是措辞讲究。看多是一个方向判断，风险收益比是一个赔率判断。后者包含了价格：同一个标的在不同价格上，赔率完全不同，而方向判断里没有这个变量。
主持人那企业为什么还要为 Anthropic 付那么多钱？
Gavin因为事实证明，处在智能的前沿，回报是巨大的。过去一年这件事让我非常意外。
我认为未来很可能是这样：大部分经济回报仍然归给前沿 token，但被处理的大部分 token 是那些非常便宜的开源 token。
你可以这样想。每一家企业都会拥有一支AI 模型的交响乐团。你会有一个指挥，也许是 Anthropic，也许是 Grok。然后你会有很多人在演奏各自的乐器，那些就是更便宜的选择，是那些开源模型，也许还在企业自己的数据上做过微调，如果他们担心数据泄露给闭源的前沿模型厂商的话。我认为这是一个很可能的未来。
主持人也就是说在企业客户这边，美国的前沿模型仍然掌握主导权。
Gavin我认为是的。而且还有一点，Benchmark 的合伙人 Eric Fisher 大概十八个月前发过一个观点，我觉得很有意思：脚手架层、产品层的锁定，可能不亚于模型层的锁定。
Anthropic 和其他几家前沿模型公司围绕自己的模型做出来的产品，比如 Claude Code、Grok build，我认为正在成为越来越重要的竞争优势与转换成本来源。
大部分回报归前沿，大部分 token 归开源
这两句话看起来矛盾，其实描述的是一个分层市场的正常形态：数量与价值分布在不同的层上。
类比在组织里随处可见：一家公司里绝大多数工时由普通员工完成，而决策价值高度集中在少数人身上。指挥不演奏任何乐器，但整场演出的水准由他决定。
对投资的含义有三条。对基础设施：只关心 token 总量，因此这个结构是纯利好。对前沿模型厂商：份额会下降，但单位价值极高，关键在于能否守住指挥这个位置。对开源生态与推理云：数量的绝对主力，靠规模而非毛利赚钱。
锁定发生在脚手架层，而不只是模型层
一直以来的默认假设是：模型是可替换的，换一个接口就行，所以模型层没有护城河。
这个观点指出真正的转换成本长在别处：围绕模型构建的产品与工作流，比如编程智能体的整套脚手架、权限体系、上下文管理、团队协作方式。用户迁移的不是一个接口调用，而是整套已经嵌入日常工作的流程。
它同时解释了另一个现象：为什么最强的能力被锁在企业版与脚手架后面。能力是可复制的，而工作流的嵌入不是。
主持人我在想，企业会不会想尽量减少复杂度、减少供应商数量？
Gavin我认为他们会想减少复杂度，但他们同时想要最高的智能每美元。
AI 有一件事非常特别，这是我做科技投资以来第一次，做低成本生产者是真的重要的。智能每美元才是关键，而它是两件事的函数：你的每 token 成本是多少，以及你每个 token 里含有多少智能。
所以拥有最高效的基础设施真的会很重要。而另一半是：要得到一个同等水平的答案，K3 是一个很好的模型，对中国来说也是一项成就，但它需要多消耗两到三倍的 token。而每一个 token 都要消耗算力、瓦特、能源、资本开支。所以如果你需要多产出两到三倍的 token……
因此我认为，token 效率与每 token 成本，都会变得很重要。
智能每美元，以及它的两个乘数
这个口径把模型竞争从谁更聪明换成了同样一块钱能买到多少智能，而它由两个独立的因子相乘决定。
每 token 成本：由基础设施效率决定，包括芯片、电价、集群利用率、推理优化。这是重资产、重工程的一侧。
每 token 的智能含量：由模型本身决定。他给的例子极其具体，要得到同等质量的答案，K3 需要多消耗两到三倍的 token。也就是说，即使按标价它便宜一半，实际总成本仍可能更高。
这条对读榜单的人是个直接的警告：只看每百万 token 的标价，会系统性高估啰嗦模型的性价比。正确的比较对象是完成同一个任务的总成本。
做低成本生产者，第一次在科技行业里真的重要
这句话值得停一下。科技投资的传统信条是：低成本生产者是周期性大宗行业的说法，软件的胜负取决于产品、网络效应与生态锁定，而不是单位成本。
AI 打破这一点，是因为它的交付物有真实的边际成本：每一次回答都要烧电、占用显存、消耗设备寿命。这让它在经济学上更接近炼铝或者航空，而不是传统软件。
推论是：成本曲线本身成了战略资产。谁拥有更便宜的电、更高的集群利用率、更高效的推理栈，谁就能在同样的价格上提供更多智能。这也解释了他为什么把电力、机位与运营效率看得那么重。
主持人前提是美国企业能够购买、能够订阅，而涉及中国有各种监管问题。
Gavin我确实认为你会看到，我们其实有一家非常好的美国开源公司，它叫英伟达。他们的模型其实相当不错。
而且我认为他们多半在一定程度上刻意压着它。他们不想吓到、也不想惹恼自己的客户。但我认为，只要他们愿意，他们随时能很快把一个美国的开源模型推到接近前沿的位置。
主持人真的吗？你持有英伟达吗？
Gavin持有。
主持人而你没有持有 Anthropic 和 OpenAI。
Gavin没有。我是 SpaceX 的投资人，而最近 Anthropic 和 SpaceX 之间有所缓和，但那对我来说来得太晚了。
刻意压着不放，本身就是一种定价权
他的判断分两层。第一层是能力：英伟达的开源模型已经不错，且随时可以推到接近前沿。第二层是意愿：它在刻意压着，因为客户就是那些前沿实验室，把模型做到前沿等于跟自己最大的客户竞争。
这个组合构成一种期权式的威慑：只要这个能力存在且众所周知，它就在限制客户的议价空间，而无需真正行使。
同时它也是一个战略储备：如果中国开源模型持续领先，美国需要一个开源答案时，能最快拿出来的可能不是任何一家实验室，而是芯片厂商。这与另一期里那个揭示性偏好论证是同一条线索，也就是全世界最有能力压制开源的公司，反而在推动开源。
他在电视上主动交代了自己的持仓与遗憾
被直接问到持仓时，他确认持有英伟达、未持有两家前沿实验室，并补充说自己作为 SpaceX 投资人，与 Anthropic 的关系缓和得太晚。
这句话同时说明了两件事：他的判断带着仓位，以及他曾经因为生态站队而失去过机会。后者与他在别处说 CoreWeave 那笔错过的投资是同一类坦白。
主持人我好奇你觉得 Grok 相对那两家在哪里竞争？
Gavin我认为市场对 Kimi K3 的反应完全是反的。它对所有算力都是极度利好的，对 AI 也是。
但我认为市场确实对 Grok 4.5 和 Meta 的 Muse 1.1 反应严重不足。
Grok 4.5 处在所谓的帕累托前沿上，而这个前沿衡量的就是智能每美元。在某些指标上，它甚至在帕累托前沿之外。也就是说，在它这个智能水平上，你找不到更便宜的智能。
主持人所以它不如 Anthropic 或者 OpenAI 的模型聪明，但它更具成本效益。
Gavin它的智能每美元更高。
处在帕累托前沿之外是什么意思
把所有模型画在一张图上，横轴是成本，纵轴是智能水平。帕累托前沿是那条包络线：线上的每一个点，都没有任何模型能在同等成本下更聪明、或同等聪明下更便宜。
所谓在前沿之外，意思是它把这条线本身往外推了：在它所处的那个智能档位上，市场上不存在更便宜的选择。
注意主持人的追问和他的修正很关键。不如别人聪明，与智能每美元更高，是两个不冲突的事实。前者比的是能力上限，后者比的是性价比，而后者才是绝大多数商业场景真正的决策依据。
对便宜的模型过度反应，对高效的模型反应不足
他指出的这组错误很有意思，因为它们出自同一个误解。
对 Kimi 反应过度：市场把开源模型变便宜读成了算力需求下降，而实际上便宜的 token 会带来更多的 token，对算力是利好。
对 Grok 4.5 反应不足：市场在给模型定价时看的是能力榜首位，而不是智能每美元，因此一个不在榜首、但性价比最优的模型不会被重估。
两个错误共同的根源是：市场仍然在用能力排名给模型层定价，用价格给算力层定价，而正确的口径两边都是智能每美元。
主持人有人提醒我，SpaceX 对 xAI 的投资或者说收购大概发生在 105 这个位置。你觉得那对 SpaceX 是个关键点位吗？
Gavin不，我认为股票会走它自己的路。我想有不少人可能在私募端持有股票，同时做空这只股票来对冲。我们走着看。
而且不知为什么，埃隆的公司总会有一份来自纽约某家大对冲基金的做空报告。要知道，因为做空特斯拉而关门的基金，可以排成一片墓地。
主持人但很多人在看这只股票的估值。
Gavin那最后就归结到他们能增加多少吉瓦的电力。而屏幕上那些预测数字可能错得离谱。
Grok 4.5 是一个 1.5 万亿参数的模型，他们现在正在训练一个 2 万亿参数的模型。我认为花 600 亿美元收购 Cursor 现在看起来非常聪明，收购时它的年化收入是 30 亿美元，我认为现在实质上高得多。
所以变量很多，他们要在很多事情上把执行做到位。我们看这个两万亿的模型出来怎么样，之后大概会有六万亿，然后也许十万亿，我们看那些训练跑得怎么样，看那些模型发布时的跑分。
但如果他们既能接入大量电力、以很高的价格卖给其他 AI 玩家，同时又能接入足够的电力、以极低的成本服务自己的模型，我认为那会非常有意思。
主持人感觉华尔街到目前为止，把溢价给了模型的领先地位，而不是成本。
Gavin我认为那是个错误。
又当供应商又当自用方，这个双重身份是关键
他描述的那个组合值得拆开：把电力接进来，一部分以很高的价格卖给其他 AI 玩家，另一部分留给自己的模型用，从而让自己的推理成本极低。
这个结构的好处是双向的。对外卖算力提供确定的现金流，摊薄建设成本；对内自用则把外部市场价变成了自己的内部成本节省，直接改善智能每美元这个关键指标。
换句话说，同一份产能同时改善了报表的两端。这也是他反复说市场把溢价给错了地方的原因：市场在为模型排名付溢价，而真正的复利来自成本结构。
做空报告的存在本身不构成信息
他提到埃隆的公司总会有一份纽约大对冲基金的做空报告，并补了那句关于特斯拉空头墓地的话。
这段话要小心使用。历史上做空失败的记录，不构成对当前做空逻辑的反驳，那是典型的诉诸历史。他自己在另一期节目里认真转述过这个空头逻辑，也就是算力现货价可能跌九成。
但他指出的另一件事是真的有价值的：一部分做空来自私募端持股者的对冲，而不是方向性看空。把这类空头持仓读成看空信号，会得出错误结论。看空头数据时，先问它是观点还是对冲。
主持人因为那才是你认为埃隆拥有的优势。
Gavin据我所知，我确实认为他有。黄仁勋说过，你把一吉瓦接进来的速度，字面意义上就是成本，因为你建数据中心的每一天，都在雇人。
顺带说，我们真该聊聊数据中心建设这件事。它对蓝领美国是极好的事。你在以真正难以想象的薪酬水平，雇用大量的电工、大量的暖通承包商、大量的水管工。
（访谈至此结束。）
速度就是成本
这句话把工期从一个项目管理指标，变成了一个财务指标。机制有两层。
显性成本：施工期间人力与设备一直在计费，工期每延长一天，都是真金白银。
隐性成本，而且大得多：芯片已经买了、钱已经付了，但没有通电就不产生任何收入。在 GPU 现货租金处于高位、且芯片本身会随代际更替贬值的环境里，晚点亮一个月，就是永久损失一个月的高价租金。
由此推出他反复强调的那件事：建设速度本身就是一项可估值的核心能力，而它在传统财务模型里几乎不会被单独定价。
原始转写在这里中断
这份文稿为电视访谈的自动转写，全篇为大写、无说话人标注，且在最后一句处中断。译文按语义还原了对话结构，末段保持原样，未作补全。
七条带走的东西
- 最好的多头逻辑不是这家公司多好，而是有一整块不在模型里。一致预期 730 亿，而仅新增地面算力一项按其口径就可能带来上千亿，且这件事每个季度都能被数清楚。
- 开源软件与开源模型的经济学完全不同。软件复制的边际成本为零，而每生成一个 token 都要消耗真实的电力与设备。开源转移的是模型层的利润，不是机房的成本。
- 大部分经济回报归前沿 token，大部分被处理的 token 归开源。这不是矛盾，而是分层市场的正常形态：指挥不演奏乐器，但整场演出的水准由他决定。
- 锁定发生在脚手架层，而不只是模型层。用户迁移的不是一个接口调用，而是整套已经嵌入日常工作的流程。能力可复制，工作流的嵌入不可复制。
- 智能每美元 ＝ 每 token 成本 × 每 token 的智能含量。只看标价会系统性高估啰嗦模型的性价比，正确的比较对象是完成同一个任务的总成本。
- 这是科技投资里第一次，低成本生产者真的重要。因为 AI 的交付物有真实的边际成本，它在经济学上更接近重工业而不是传统软件，成本曲线本身成了战略资产。
- 速度就是成本。晚点亮一个月，就是永久损失一个月的高价租金，而建设速度在传统财务模型里几乎不会被单独定价。