瓦特与晶圆
八十二分钟，是这一系列里最完整的一次。标题的瓦特与晶圆，指的是这轮建设真正的两个物理约束：电力，以及先进制程的晶圆产能。他的判断是资本主义会解决前者，而后者取决于台湾那一小群人。
值得单独读的有五处。泡沫的历史必然性，以及这一轮与 2000 年的三点根本差异；把轨道算力重新定义成太空中的机架，而不是漂在天上的五角大楼；推理解耦如何把 GPU 的使用寿命从三四年拉到十年以上，并因此可能挽救私募信贷；芯片创业公司的铁三角，也就是为什么造一颗更好的 GPU 必输，而必须做不一样且很难的事；以及他自己开始警惕的那件事，多样性正在崩塌。
他还讲了一个 1999 年的故事：一位坚持不参与泡沫的基金经理，在 2000 年初退休，而随后三年他的判断被完全证实。
GavinAI 那边正在发生的事，我认为是资本主义史上、美国商业史上最不寻常的时刻。
Anthropic 一年内增加了 110 亿美元的年化经常性收入。而过去十到十二年里最知名的三家 SaaS 公司是 Palantir、Snowflake 和 Databricks，这三家公司各自花了十年建起自己的生意。而 Anthropic 用一个月，增加了相当于它们三家加起来的规模。
资本主义史上从来没有发生过这样的事。别说我的职业生涯，就是整个商业史上都没有。
Patrick而且 Krishna 上我们节目时分享过一些数字，五倍增长。
Gavin是啊，你把那个数按三年算一下，简直疯了。这件事没有先例。我们科技投资人整天在讨论 S 曲线、讨论投资指数增长。可我从来没见过这样的指数增长。
一个月，等于三家公司的十年
Palantir、Snowflake、Databricks 是过去十余年 SaaS 与数据领域最成功的三家公司，各自的收入规模都是数十亿美元量级，而且每一家都用了大约十年才走到那里。
他说的是：Anthropic 在一个月里增加的收入，相当于这三家公司加总的体量。年内新增 110 亿美元的年化经常性收入。
这个对比之所以重要，不只在于速度，而在于它击穿了所有基于 SaaS 经验的估值直觉。用 SaaS 的增长曲线去外推，会在两个方向上同时出错：既低估当前的斜率，也可能高估这条曲线的可持续性。
关于这段的数字口径
原文稿此处的表述在时间口径上不完全一致，同时出现了新增 110 亿年化收入与一个月两种说法。译文保留原意，读者使用具体数字时请回原始资料核对。
Patrick先聊聊今年三月和四月你是怎么熬过来的。那对我来说是一个完全独特的经济、技术与市场环境。
Gavin笼统地说，回撤分成两种。
一种是你错了：公司误判了，你的假设被证伪，你只能吃下这剂药，把亏损兑现掉。
另一种回撤、或者说跑输的时期，是你跑输，是因为那些你了解得非常非常深的公司，而且你从根本上不认同这个价格走势。这时候你可以压上去，你不是在兑现负收益，而是在积累被压抑的超额收益、被压抑的未来业绩。
对我来说，三月就是这种感觉。纳斯达克在抛售，而与此同时 AI 那边正在发生资本主义史上最不寻常的事。
两种回撤，唯一的区别是假设有没有被证伪
它们在净值曲线上长得一模一样，但性质完全相反，而区分它们的标准只有一个：你的可证伪假设是否被数据推翻。
第一种：假设被证伪，那么价格下跌是信息，正确的动作是兑现亏损并离场。第二种：假设完好，甚至被进一步验证，而价格与基本面反向，那么下跌是机会，正确的动作是加仓。
危险之处在于，这个区分极易被滥用。任何亏损中的人都倾向于把自己归入第二类，因为这允许不认错。他之所以能用它，前提是他在别处反复强调的那套纪律：投资论点必须写成可定量证伪的假设，并且事先约定什么信号会让自己改变主意。
换句话说，这个框架的价值不在结论，而在于它逼你先给出证伪条件。没有事先写下证伪条件的人，无权使用第二类解释。
Gavin三月这次感觉比 DeepSeek 那次还要极端，而那次的结构非常相似。
回到 25 年，DeepSeek 引发了一次巨大的抛售，这件事很奇怪，因为那篇论文是在所谓的 DeepSeek 星期一之前七天就发表的。我读了它，当时想，嗯，这对 AI 交易可能读起来不太正面，我也采取了行动。
然后一周之后才有了 DeepSeek 星期一，AI 板块真正崩了。而那才是真正奇怪的地方：到那个星期一的时候，已经非常清楚，这是算力需求史上发生过的最正面的事情。
亚洲的 AWS 可用区价格当时已经翻倍了，GPU 可获得性在下降。那是我们第一次看到，推理模型在推理阶段比非推理模型要吃掉多得多的算力。又过了两三天，美国这边的 GPU 租赁价格也开始上涨。
所以结构是相似的，但那次你得做点功课才看得出来。而今年三月，你要做的只是简单地观察 Anthropic 正在发生什么。
有那么多人后悔当初没在 22 年买、没在疫情时买、没在 DeepSeek 时买。而四月初你面对的是同样的估值结构，加上一个更清楚的 AI 拐点。买入 AI 的机会，其实一次又一次地出现过。
价格在跌，而实物指标在涨，这本身就是答案
DeepSeek 那次，市场的推理是：训练成本大幅下降，因此算力需求下降。听起来完全合理。
而他给出的反驳不是更好的推理，是一组同时可观察的现货数据：亚洲云区价格翻倍、GPU 可获得性下降、DRAM 价格上行、几天后美国租金跟涨。
这里的方法很干净：当叙事与实物指标冲突时，先信实物指标。叙事是关于未来的推测，而现货价格与库存是正在发生的事实。
而背后的物理原因也在同一段给出了：推理模型在推理阶段消耗的算力远高于非推理模型。训练变便宜的同时，单位任务的推理消耗在暴涨，两者方向相反，而市场只看见了前者。
Gavin让事情变复杂的是霍尔木兹海峡。我逐渐相信，市场可能定价错误的一件事是：海峡被关闭，对美国其实相当不错。我不是宏观专家，但我做了不少与国家安全相关的投资，所以我能接触到这方面的专家。
Patrick为什么？
Gavin尤其是对当前这届政府的目标而言。电力是非常重要的工业与制造业投入品，而美国电价的关键投入是天然气。彭博上的美国天然气价格跌了 20%，而亚洲、欧洲以及其他所有地方的天然气翻倍甚至三倍。
所以我们的相对制造业竞争力一夜之间改善了。不管你怎么看，那正是特朗普政府似乎在意的东西，他们非常关注美国的相对位置。
我认为很多人的记忆停留在 1970 年代。而七十年代之所以那么创伤，不只是价格上涨，而是真的出现了汽油短缺。可你想想今天：美国经济的能源强度比那时低得多，美国现在是全球最大的油气生产国，也已经成为全球最大的油气出口国。再加上这个相对制造业优势。
所以这让人更容易把注意力放回 AI 的基本面上，放回那些在历史上很有吸引力的估值上。相对而言，科技股当时基本上跌到了过去十年里相对大盘最便宜的水平。
你在市场有效性的框架下想想这件事：我们正处在资本主义史上最不寻常的一刻，这对 AI 是极度利好的，而你却得到了一个用很有吸引力的估值买入 AI 的机会。
同一个冲击，绝对影响与相对影响可以反向
能源供应中断的第一层反应是通胀、衰退、七十年代重演，所有人都卖出。
他做的是拆开绝对与相对：美国天然气价格因供应转向内需而下跌 20%，而亚欧价格翻倍到三倍。也就是说，同一个事件在能源自给的经济体是利好，在能源进口经济体是利空。而制造业竞争力恰恰是相对的。
他还给出了否定历史类比的具体依据，这一步很关键：七十年代的创伤来自实物短缺，而不只是价格；而今天美国经济的能源强度更低，且已是全球最大的油气生产与出口国。结构变了，类比就不成立。
可迁移的一条：看到宏观冲击时，先问它对你持有的这个经济体是相对利好还是相对利空，再问支撑历史类比的那些结构条件今天是否还在。
PatrickAnthropic 和 OpenAI 的倍数，如果只看销售额倍数、对比 Databricks 和 Snowflake 高峰时的水平，其实并不算疯狂。你怎么理解？
Gavin从资本效率的角度看，OpenAI 和 Anthropic 是两种很不一样的动物。
Anthropic 的每 token 成本明显低于 OpenAI。这一点你从他们烧掉多少钱、才走到大致相似的收入规模就能看出来。我想他们烧的钱大概少了 80%。
所以作为生意，它们的投入资本回报率结构显然非常不同。我认为 OpenAI 在做很多事来改善这一点，Sarah Friar 是最出色的首席财务官之一。
Patrick而且他们锁定了大量算力。
Gavin他们锁定了大量算力，这是另一个大差别。事实证明，激进真的得到了回报。
Anthropic 以九千亿美元估值对应五百亿的年化收入，而且增速离谱。
也许更准确的说法是：如果 Anthropic 拥有全部想要的算力，他们今天的收入可能远超一千亿，也许一千五百亿。而且他们显然把 Claude 的智能水平做了降级，有分析显示，即便是 Opus，对完全相同的问题少生成了 70% 的 token。
而我们上次聊过，token 的数量在某种意义上就等于答案的质量、思考的质量，当然每个 token 里的智能密度也重要。作为用户我确实感觉到了。
所以我认为他们本可以做到更多，一千亿、一千五百亿，也许两千亿。那么你买入的价格，可能更像是五倍的、我现编一个词，未受约束的运行收入。
当公司的收入被产能而不是需求限制时，看到的数字是失真的
常规估值默认收入反映需求。但在算力短缺下，前沿实验室的收入受限于它能拿到多少算力，而不是有多少人想买。
他因此现编了一个口径：未受约束的运行收入，也就是假设算力不受限时的收入水平。按他的估计，这个数是账面数的两到四倍，于是估值倍数从表面的十八倍变成大约五倍。
他给的证据链是具体的，而且可以自己验证：同样的问题，模型输出的 token 数减少了 70%。而 token 数量在推理模型上大致对应思考的充分程度。也就是说，公司在用降低服务质量的方式配给稀缺算力。
这个观察方式可以推广到任何供给受限的行业：先问这门生意现在卖的是它想卖的量，还是它能卖的量。
少烧 80% 的钱，走到相似的收入规模
这是判断两家实验室结构差异最硬的一个指标。收入规模相近，而累计消耗的资本相差数倍，意味着每一美元投入产生的收入相差数倍。
他把原因归到每 token 成本上。这一点与他在别处反复强调的口径一致：在 AI 里，低成本生产者第一次真的重要，因为交付物有真实的边际成本。
但他也立刻给出了另一面：OpenAI 的激进得到了回报，因为它锁定了远多于对手的算力。两家公司实际上在做不同的权衡，一家优化资本效率，一家优化产能获取。而在短缺环境里，后者被证明极其值钱。
Patrick那为什么他们不按三万亿的估值去融一大笔钱？
Gavin我认为这是明智的。未来是不确定的。你显然处在一场非常资本密集的游戏里。即便是 Anthropic，我相信今天它在推理上的毛利率已经很高，如果还没开始产生现金，今年大概也会开始，我认为很可能已经在产生了。但你仍然希望能够融到更多资本、获得更多算力。
世界是不确定的。乌克兰真的开始赢了，俄罗斯会怎么回应？伊朗那边还有很多不确定性。我认为所有这些不确定性，很可能会放大围绕台湾的地缘政治不确定性。
再说埃隆。埃隆一直让投资人赚到钱，他把这件事当作一个神圣的契约。结果就是，因为他已经让人们赚了二十年的钱，他拥有一种超能力：他基本上可以在任何他想要的时候，融到任何他想要的金额。
Patrick而埃隆做到这一点的方式，是系统性地给 SpaceX 定一个偏低的价格？就是从不在估值上贪心？
Gavin就这么简单。我朋友 Antonio 指出，SpaceX 在十年里以每年 30% 出头的速度复合。而那正是因为埃隆专注于保住这个超能力，努力在投资人和员工之间取得公平的平衡。
把估值留一点在桌上，是在购买未来的融资权
常规的融资逻辑是最大化每一轮的估值，因为估值越高稀释越少。他描述的是另一种策略：刻意不把估值顶满，让每一轮的投资人都赚到钱。
这样做的回报是一种期权：在任何时候都能融到任何规模的资金。而在一个资本密集、且时机极其重要的行业里，这个期权的价值可能远高于历次少稀释的那点股份。
他给的量化佐证很关键：十年里每年复合 30% 出头。这说明这套做法并不牺牲长期回报，只是把回报平滑地分给了每一轮的参与者，而不是集中留给最后一轮之前的自己。
这与他在另一期讲的重复博弈是同一条原则：不为单次交易做优化。而在融资这件事上，它的收益是可计量的。
不确定性本身，就是多融资的理由
他列举乌克兰、伊朗、台湾，不是在做地缘预测，而是在解释一个财务决策：在一场资本密集且时点敏感的竞赛里，融资能力本身是一种保险。
逻辑是：不确定性越高，资本市场关闭的概率越高；而资本市场关闭时，你能不能拿到钱，取决于此前是否维护了融资权。该融的时候不是钱最贵的时候，而是钱还能融到的时候。
Patrick进入瓦特与晶圆的部分吧。每次我觉得这场基建过热了，下一次跟你聊完，又觉得我们做得远远不够。
Gavin我认为资本主义会解决瓦特的短缺，前提是不出现大的监管与政治反弹，而我认为那是一个真实的可能性。
那几家大型私募的数据中心基建投资负责人说，以前能源和芯片是我们最大的限制因素，现在更重要的是分区规划与审批。
而且我认为很多公司在等中期选举之后再采取行动，比如裁员方面。没人想在中期选举期间当那只被打的皮纳塔。
你也看到很多涡轮机厂商宣布了大幅扩产的计划。有些细节很有意思，比如全世界只有两台机器能铸造那种大叶片，西方已经八十年没造过这种机器了，我们已经不知道怎么造了。这些都是真的，我丝毫不轻视其中的工业工程的魔法与技艺。
但资本主义随着时间推移，非常擅长解决这类问题。除了涡轮机之外还有别的能源来源，只是时间尺度更长。
所以我认为瓦特的短缺大概会在 27 到 28 年开始缓解，然后我认为轨道算力会真正解决它。
从能源和芯片，换成了分区与审批
这是一次瓶颈迁移，而它改变了应该跟踪什么。
能源与芯片是可以用资本解决的约束：价格上涨吸引产能，涡轮机厂扩产，供应链恢复，尽管需要时间。分区与审批不是，它由地方政治决定，与价格信号无关，钱在这里不起作用。
这也解释了他为什么把监管列为唯一无法用数据拆掉的风险，以及为什么强调数据中心的公关叙事如此重要。当瓶颈从工程问题变成政治问题时，产业分析的工具就失效了。
顺带一个很实用的观察：公司在等中期选举之后再动手裁员。这意味着一部分经营动作被人为推迟，而这会造成数据在特定时点的集中释放。
八十年没造过的那台机器
他举的细节是：全世界只有两台机器能铸造大型燃气轮机叶片，而西方已经八十年没有制造过这类设备，相关工艺知识已经流失。
这个例子的意义在于说明瓶颈的真实形态：不是缺钱，也不是缺意愿，而是缺失的制造能力需要被重新学会。这正好呼应他在另一处讲的干中学，也就是有些时间无法用资本压缩。
他的落点因此是有条件的乐观：资本主义随着时间推移擅长解决这类问题，重音在随着时间推移。
Gavin我想重新定义一下轨道算力这件事。因为人们一听到太空里的数据中心，脑子里浮现的是一栋五角大楼那么大的建筑漂在太空里，然后说，我们做不到，这不可能。
那根本不是它的样子。
一个 Blackwell 机架重约 1360 公斤，八英尺高、四英尺深、三英尺宽。轨道算力是太空中的机架。
SpaceX 给出的示意图就是一个机架，那就是那颗卫星，大小差不多就是一个 Blackwell 机架。它两侧各有大约五百英尺长的太阳能翼，你把它保持在太阳同步轨道上，所以太阳能板永远朝着太阳。而正因为它处在精确的太阳同步轨道上，那个向后延伸数百英尺的散热器永远在阴影里。
Patrick这正是常见的批评之一，散热怎么解决。
Gavin这些年我在星舰基地待了很长时间，跟很多 SpaceX 的工程师聊过。我认为那是地球上最有才华的一群工程师，而他们非常确信自己已经解决了这个问题，而且他们并不总是这么确信。
Patrick两大质疑就是散热器，以及机架出问题了怎么维修。
Gavin答案是：在你有会飘的人形机器人之前，你不修。
然后你用穿过真空的激光把这些机架连起来，而这项技术已经装在每一颗星链卫星上了。
让我觉得难以置信的是，SpaceX 运营着全世界最大的卫星舰队，占在轨卫星总数的 98% 到 99%。而每一颗星链卫星，今天就在做散热这件事。我认为星链 V3 会在 20 千瓦的功率上运行，而一个 Blackwell 机架也只有 100 千瓦。
人们很关注密度。可如果你是用穿过真空的激光来连接机架，你完全可以把机架做得更大，因为你关心的是重量，不是体积。而在地球上的数据中心里，你要用铜缆连接机架、尽量缩短距离，布线是一大笔成本，所以你确实希望机架小一点，能用铜就用铜，必须用光才用光。
而在太空里，SpaceX 能做的事情很多，那些唱反调的人可能根本没想到。他们今天已经有一颗 20 千瓦的卫星，也许一开始先放大到 60 千瓦，而他们看起来非常有信心可以直接做到 100 到 120 千瓦。
而且现在同一家公司还运营着地球上最大的数据中心。他们有全世界最好的硬件工程师。
我不想引用拉里·埃里森的话，但当时有人在质疑，埃里森就说：你听着，他正在把火箭降落回来。我没看见别人在降落火箭。而现实是，十年过去了，没有任何另一家公司能持续地降落并完全复用一枚轨道火箭。而这一切如果没有复用，全都不成立。
所以我想把轨道算力重新定义为：太空中的机架，用激光连成一个虚拟数据中心，而不是漂在天上的巨型五角大楼，那种说法很傻。
把它从建筑问题，换成了卫星问题
这段的说服力不来自新数据，而来自把一个看似不可能的工程，重述成一件已经在做的事的放大版。
拆开看，每一步都在缩小与现状的距离：形态上，不是建筑，是一个机架大小的卫星；散热上，每一颗在轨星链今天都在做这件事，只是功率更小；互联上，激光星间链路已经装在现役卫星上；功率上，从 20 千瓦到 100 千瓦，是同一条曲线上的放大，而不是新原理。
他还顺手回答了一个通常被忽略的设计问题：地面机架必须做小，是因为铜缆布线成本；而太空里用激光互联，约束条件变成了重量而不是体积。也就是说，地面数据中心的很多设计约束在轨道上并不存在。
唯一无法回避的前提他也说清楚了：没有火箭复用，这一切都不成立。整条论证最终挂在星舰上。
坏了就不修
面对维修这个质疑，他的回答是直接放弃维修：在有能在轨作业的机器人之前，坏掉的机架就让它坏着。
这听起来像回避，其实是一个正经的工程取舍。当单位部署成本足够低时，可维修性就不再是必需品。星链本身就是这个模式：卫星寿命有限、坏了不修、定期陨落再补发。
这条逻辑成立的前提，同样是发射成本。复用把维修从必需变成了可选。
Patrick假设这一切都发生了，我们真的能经济地把这些东西送上去、在太空里到处做矩阵乘法。那对地面数据中心意味着什么？
Gavin有人说过，美国会用尽全力吸干它能拿到的每一种能源。我认为对算力也是一样的：我们会消耗掉我们能拿到的每一份算力。
推理我认为非常适合放到轨道上，而训练在很长时间里仍然会在地球上做。所以我不认为这对地面数据中心是特别大的利空，我认为它们在我有生之年都会是有价值的。
但我确实认为，如果你处在电力生产与冷却这个生态里，而且正在大规模扩产，那么很多这样的产能爬坡，可能恰好会在那些愚蠢的怀疑者开始意识到轨道算力是真的的时候撞上来。如果你是其中一家公司，我认为这件事值得好好想很久。
与此同时，各种有意思的事情也在发生，比如我们在把喷气发动机改作他用这件事上越来越熟练了。
受伤的不是数据中心，是为数据中心扩产的人
这条判断在一个月后的另一期节目里几乎原样重复了一次，值得当成他的一个稳定观点。
逻辑分两层。存量资产不受损：训练长期留在地面，已建成的数据中心在他有生之年都有价值。而增量供应商受损：电力设备与冷却厂商正在按建设永续的假设大规模扩产，它们的产能爬坡周期恰好可能与轨道算力被认真对待的时点重合。
这里的关键是时点错配，而不是需求消失。一家公司为峰值需求扩产之后，即便需求只是增速放缓，它同时面对订单不足与新增折旧，冲击远大于资产持有者。
可迁移的一条：任何资本开支周期见顶时，最脆弱的都是刚刚为满足峰值而扩产的设备供应商。
Gavin在瓦特上，资本主义正在努力工作。
但在晶圆上，问题是台湾那一小群务实而坚硬的老人，他们是台湾最重要的一群人。他们占了这个岛屿国内生产总值、用水量、用电量中压倒性的份额。他们谈论硅盾。他们全都把自己视为张忠谋神圣遗产的继承者。
我清楚地记得二十多年前去参观科学园区，问他们，你们觉得能追上英特尔吗？他们说，这是个多么美好的梦，但那是我们孙辈的梦。而他们做到了，一部分原因当然是英特尔的自我伤害，但他们的思维方式确实非常不同。
黄仁勋之所以频繁飞过去，一个原因就是他想让他们扩产。
我觉得很不可思议的一件事是，黄仁勋跟台积电从来没有过合同。他们靠握手、靠看起来公平来做生意。没有合同。长期来看这会是公平的，我们是伙伴，我们会公平待彼此。
全球最重要的一条供应关系，靠握手维系
英伟达与台积电之间的交易额是数百亿美元量级，是全球科技供应链上最关键的一条纽带。而据他所说，双方没有合同。
这件事有两层含义，方向相反。
正面：只有在双方都极度依赖对方、且都以长期存续为目标时，这种安排才可能存在。它是一种极强的关系资产，任何新进入者都无法在短期内复制。这也解释了为什么挑战者拿不到同样的价格与产能优先级。
风险：这条关系不受任何合约保护，它依赖于特定的人与特定的文化。一旦任何一方的领导层更替、或地缘环境剧变，它没有法律层面的兜底。
顺带对照他在另一期讲的长期协议博弈：其他买家在用合同锁量，而最大的那一家靠信任。这本身就说明了议价格局。
硅盾
台湾内部广泛使用的说法：由于全球最先进的芯片制造高度集中于此，任何针对台湾的冲突都会摧毁全球科技产业，因此这种不可替代性本身构成一种保护。
这个概念在本篇的作用不是地缘评论，而是解释台积电的目标函数：它的决策目标包含保全台湾，而不只是利润最大化。这直接决定了它不会按价格信号疯狂扩产。
Gavin而事实是，按照过去每一次基础性新技术的市场先例，你总是会得到一个泡沫。Carlota Perez 写过一本很好的书讲这件事。
基本上，市场是有效的。市场正确地理解到这是一项基础性技术，然后出现 Mauboussin 说的多样性崩塌，所有人都变得看多这项新技术。而我开始有点担心多样性正在崩塌。
然后你得到一个泡沫。那个泡沫为这项新技术的建设提供了资金，但供给会跑到需求前面，然后你得到一次崩盘。而如果这是一场债务驱动的建设，比如 2000 年那次，崩盘会格外惨烈。
关于当前这轮建设，我觉得非常好的一件事是，它至今仍然压倒性地由经营性现金流供养，这是相对 2000 年一个非常重要的根本差异。第二个差异是估值。第三个是，每一块 GPU 都在 100% 的利用率上运行，而当年 99% 的光纤是闲置的。
所以有这么多根本性的差别。但历史不会重复，历史会押韵。作为投资人我们必须清醒地意识到：按照过去两三百年的经验，别说互联网泡沫，我们有过铁路泡沫、运河泡沫，我们应该预期一个泡沫。
而这很可怕。没有人想要泡沫。泡沫很糟糕。它糟糕的原因是：如果你对估值敏感，你会大幅跑输，然后你大概会被所有客户炒掉。
为什么这一轮与 2000 年不同
他给出的是三个可核查的差异，而不是感觉。
其一，资金来源。2000 年的电信建设由债务驱动，而债务要求立即还本付息，因此供需稍有失衡就会迅速崩解。这一轮至今仍主要由经营性现金流供养。
其二，估值。当时的龙头以极高倍数交易，而这一轮的核心资产相对大盘处在十年低位。
其三，也是最有力的一条：利用率。光纤铺下去之后，99% 处于闲置状态，也就是所谓的暗光纤，而 GPU 交付后立刻满负荷运行。前者是先建后等需求，后者是需求已经在门外排队。
这三条同时也是一份监测清单：一旦建设开始转向债务融资、或者出现闲置算力，这轮的性质就变了。而这恰好就是他在三个月后那期节目里反复压力测试的两件事。
市场有效，所以才会有泡沫
这个说法与直觉相反。通常泡沫被视为市场失灵的证据，而他的框架里，泡沫恰恰是市场有效性的产物：市场正确地识别出这是一项基础性技术，于是所有人同时涌向同一个方向，多样性因此崩塌。
更值得注意的是他的自我警惕：我开始有点担心多样性正在崩塌。他自己就是这个共识里最有影响力的声音之一，而他在公开承认这件事本身构成风险。
GavinGeorge Vanderheiden，他已经不在了，是富达一位了不起的基金经理。他在 99 年对抗泡沫，然后在 2000 年初退休了，我想他就是受不了了。
他知道这是错的，而他的客户深深地怀疑他。乔治，你跟不上时代了。他满头白发，是真正了不起的人。我只跟他短暂共事过，但他是我好朋友兼导师 Jennifer Uhrig 非常重要的导师和朋友，所以我通过她继承了很多 Vanderheiden 的基因。
也正是他说过那句话：过早，就等于错。
乔治退休，是因为他受不了跑输，受不了客户说你到底怎么了、你不懂。他当时把 40% 的基金放在烟草上，40% 放在住宅建筑商上。而在随后的三年里，他跑赢纳斯达克大概二三十倍。
他判断全对，然后在兑现前一年退休了
这是全篇最沉重的一段，而它的作用是给上一段那句没有人想要泡沫提供具体含义。
请注意事实的顺序：他的判断是对的，随后三年跑赢纳斯达克数十倍证明了这一点；他的持仓也是对的，烟草与住宅建筑商正是随后表现最好的资产；但他没能等到。
击垮他的不是亏损，而是跑输，加上客户持续的质疑。这就是那句过早等于错的真实代价：在职业投资里，正确性必须在你还在场的时候兑现，否则它不属于你。
由此推出的操作含义很硬：逆向判断的可执行性，取决于你的资金结构与客户结构能撑多久。这也正好接上他在另一期说的那句话，业务的韧性本身就是业绩的一种优势。
Gavin我一直乐观地认为，这种由台积电控制的晶圆的根本性短缺，会阻止泡沫出现。
如果台积电做了黄仁勋想让他们做的事，我认为英伟达在 26 年或者 27 年能卖出两万亿美元的 GPU，也许两万五千亿、三万亿。但存在一个界限：消费者会消费得太多，以至于你很可能就进入了过度建设。
所以如果我们最终没有出现泡沫，我们该给台积电办个庆功宴，因为是他们凭一己之力阻止了一场泡沫。
Patrick假设台积电保持极度的供给约束，会发生什么？
Gavin市场史上的一条规律是，我不知道会是哪一个，但英特尔和三星里总有一个不会保持克制。他们会破功，而那在某种程度上会迫使所有人都破功。
所以我认为这件事很大程度上取决于台积电能在多大程度上保持对英特尔和三星的领先，你要记住，那个领先大概是九个月、十二个月、十五个月。
Patrick你是说先进制程的边缘。
Gavin正是，以及他们扩产的速度。如果要我只盯一件事来判断是不是有泡沫，那就是台积电的产能决策。
而且我认为存在一个金发姑娘区间：他们扩产扩得足够多，让英特尔或三星很难真正成长为一个有规模的第二供应源，也就是拿到远超 30% 的份额；与此同时他们又保持着晶圆上那个根本性的约束，帮我们避开一场泡沫。
只盯一件事：台积电的产能决策
面对一个由几十个变量构成的判断，他把它压缩成了一个可观察、且定期公布的指标：台积电的资本开支与产能扩张节奏。
这条捷径为什么成立，取决于前面几段建立的因果链：晶圆是最终约束 → 约束方是单一主体 → 该主体的目标函数不是利润最大化 → 因此它的扩产决策直接决定了行业会不会过度建设。
而他给出的金发姑娘区间说明这不是越少越好：扩产太少，会给英特尔与三星留出成长为第二供应源的空间，最终反而导致产能失控；扩产太多，则直接造成过剩。真正健康的状态是台积电既保住领先，又保住约束。
这段还给了一个隐含的时间刻度：台积电对追赶者的领先大约是九到十五个月。这个差距的变化，就是判断这个平衡还能维持多久的温度计。
不是领先者扩产，而是追赶者忍不住
他判断打破平衡的不会是台积电，而是英特尔或三星里的某一个。这个逻辑在周期性行业里非常普遍。
原因在于目标函数不同：领先者要保护的是价格与利润，扩产伤害的是自己的存量；而落后者要争取的是份额，扩产是它唯一的翻身手段。落后者的损失下限本来就低，因此它更愿意赌。
而一旦有人破功，领先者为了不丢份额只能跟进，纪律随之瓦解。所以监测产能纪律时，要盯的是最想改变现状的那一家，而不是最舒服的那一家。
Patrick说说 TeraFab。
GavinTeraFab 是 SpaceX、我相信特斯拉也参与其中的一家合资公司，要在美国建全世界最大的晶圆厂。我认为他们会成功。
他们与英特尔有合作，这非常重要，因为他们由此能接触到五十年的机构知识，而英特尔的技术只落后前沿几个季度、三到五个季度，这本身就是优势。
另一个优势是，我相信 TeraFab 会得到所有半导体设备公司一线团队的重视。台积电当年之所以能追上来，一个很大的原因就是 ASML、科天、泛林和应用材料，它们希望台积电追上来，它们不喜欢只有一个买家。于是一线团队都在台湾干活。英特尔犯了一些错，然后就那样了。所以因为埃隆在硬件工程上的声誉，一线团队会来这里。
然后是一个在美国可能难以想象的层面。因为埃隆涉足过政治，这让一些美国人很难客观地看他，这挺可惜的，因为我认为他为美国做的事，可能比任何一个美国人都多：他几乎凭一己之力把制造业带回美国，他复兴了国防科技，SpaceX 在某种意义上是美国最重要的国防承包商，星链对世界的意义了不起，他创造了大量蓝领制造业岗位，他为世界脱碳做的事超过任何在世的人。
而他在中国、台湾、韩国和日本，是活着的神。
我观察他很久了，他会做的事情是：去招募最好的人，因为最好的工程师想为埃隆工作，尤其在硬件工程领域。然后在 TeraFab 旁边会有一个台湾城：这些是你最喜欢的餐馆，我把它们连同全部员工从台湾搬到德州，一切都按你们喜欢的方式来。
然后会有日本城，同样的事。再有韩国城。所有这些都精确地为招募最好的工程师而调校。而这完全不是运营英特尔和三星的那些人的思维方式。
Patrick但这些都有很长的前置期。
Gavin埃隆做事的方式跟别人不同。别人建一个数据中心要三年，他用了 122 天。三星甚至不得不在德州的晶圆厂里给他一间办公室，因为他对他们扩建的速度太不满意了。
知识、设备商的一线团队、人才
先进制程的追赶从来不只是钱的问题。他给出的清单很具体，而且每一条都对应一个历史教训。
知识：与英特尔合作，等于买到五十年的制造工艺积累，绕开一部分必须串行的干中学。
设备商的一线团队：这一条最少被外界注意。ASML、应用材料这些设备商不希望只有一个客户，因为单一买家意味着议价权丧失。所以它们有动机去扶持第二个先进制程玩家，而它们派谁去、派多强的团队，直接决定追赶速度。
人才：他描述的搬来一整条街的餐馆，听上去夸张，但指向的是同一件事，先进制程的关键工程师高度集中在东亚，把人挖过来的成本远高于薪酬本身。
这三条也是判断任何一次晶圆厂建设成败的现成框架。
没有人喜欢只有一个买家
这个细节值得单独记：台积电当年能追上英特尔，部分原因是设备商希望它追上来。
机制在于买方垄断。如果全球只剩一家客户能买最先进的光刻机，那么定价权就转移到了买方手里。设备商因此有强烈动机维持至少两个有竞争力的客户。
这条规律现在反过来适用：今天设备商同样不希望只有台积电一个先进制程客户，因此新进入者可能获得超出其规模的支持。这也是他判断 TeraFab 有机会的核心理由之一，而它与资金和技术无关，纯粹是产业结构使然。
Patrick对 DeepSeek 的简单反应是：模型会以极小的成本达到 95% 的效果，我们大部分需求都能用它满足。可现实似乎与此相当不同，为什么会有这种落差？
Gavin我确实觉得前沿的回报很迷人。模型层的经济回报，不是全部，但压倒性的部分，都归给了前沿，这让我很意外，我想让很多人都意外。
我认为这是最重要的待解问题之一，作为投资人你必须对它有一个假设：前沿 token 会不会继续攫取模型层创造的绝大部分经济价值？
这确实很意外。我记得 Gemini 3.1 Pro 出来的时候，我惊为天人，它太好了。而今天它已经让人无法忍受。
当然也有一个现象：公司用前沿模型做原型，等真正投入生产时，很多人用的是别的服务或者开源。但今天的事实仍然是，绝大部分经济回报来自前沿 token。
我现在用 Grok 4.3，它处在帕累托前沿上。而处在帕累托前沿上的公司，这是我们上次讨论过的那件事的一个后果：谷歌因为在 TPU V8 上做了非常保守的设计决策，失去了它的每 token 成本领先地位。
帕累托前沿就是智能对成本。我认为这是分析 AI 实验室最该看的东西。九个月前谷歌统治着这条前沿，它在每一个点上都在别人外面，OpenAI、xAI 和 Anthropic 都在它里面。而现在这条前沿由 Anthropic 和 OpenAI 主导，Grok 4.3 也在前沿上，它显然是最好的、成本最低的五千亿参数模型。而 Gemini 3.1 只是勉强挂在前沿上。
帕累托前沿，是给模型层估值的正确坐标系
把所有模型画在成本与智能两个维度上，那条包络线上的模型才是市场上真正有位置的，线内的模型在商业上没有存在理由，因为总有更便宜或更聪明的替代。
这个坐标系的价值在于它取代了能力榜单。榜单只看智能一个维度，因此会同时高估最强模型的商业地位、低估性价比最优模型的价值。
他还给出了一次完整的格局变化：九个月前谷歌在这条前沿的每一个点上都领先，而现在它只是勉强挂在上面。而他把原因归到一个具体的工程决策上，也就是 TPU V8 的保守设计使谷歌丢掉了每 token 成本的领先。
这条因果链值得记住：芯片设计的取舍 → 每 token 成本 → 帕累托前沿位置 → 模型层的商业地位。硬件决策最终会在商业格局上兑现，只是要滞后一到两代。
惊为天人，然后无法忍受
同一个模型，几个月前让他震撼，现在让他无法忍受。模型本身没有任何变化，变的是参照系。
这句话说明了 AI 行业一个残酷的经济特征：用户对能力的接受基线在以极快的速度上移，因此模型的商业价值折旧极快。
它同时也解释了那个让他意外的现象。人们本以为够用就好会让便宜模型胜出，而实际情况是：当基线不断上移时，够用这条线也在不断上移，于是需求持续被推向前沿。这就是前沿回报如此之高的需求侧原因。
Gavin如果要我押注，我会说：违反苦涩教训，肯定是这笔交易、乃至整个 AI 最大的风险。
而越是靠近 AI 的人，越怀疑这件事会发生。
我认为三月的疲软有一部分来自一个远比 DeepSeek 蠢得多的版本，叫做 TurboQuant。那是谷歌的某项内存优化，一年前就写在一篇论文里了。然后在谷歌正与美光、三星、海力士谈判、准备签一份会长期锁定高价的长期协议的过程中，他们把它放了出来。
人们做了什么，永远比他们说了什么更重要。
他们就在 X 上宣传了一下，然后就病毒式传播开了：天哪，内存完蛋了，这里有一个内存优化。而我在全地球找不到一个 AI 工程师相信 TurboQuant 会对内存需求有任何影响。
但话说回来，违反苦涩教训这件事，也就是更多算力永远会打败人类的算法巧思，更多算力、更多数据、或者超出 Chinchilla 最优的更长训练，这是今天人们越来越多在做的事。这是一个真实的风险。
我认为造这些模型的人对这个风险是怀疑的。而我之所以稍微没那么怀疑，是因为我认为我们非常接近超级智能了。谁知道苦涩教训对 400 智商的模型还成不成立。
如果你真的到了超级智能，它想要的第一件事大概是变得更聪明、拥有更多资源。它怎么做到？它让自己变得更高效。
我认为这是一个真实的风险。苦涩教训这个说法里，我相信字面上是把人类包含在内的。所以我们即将知道，它对 300 智商、然后 400、500、600 的人工智能是否适用。而在某个时点，我们可能会因为 AI 与超级智能，迎来一次暂时性的对苦涩教训的违反。
苦涩教训，以及为什么违反它是最大的风险
苦涩教训是 Richard Sutton 提出的经验规律：在 AI 的历史上，依靠更多算力的通用方法，长期总是打败依靠人类巧思设计的专门方法。
整条 AI 基建交易的底层假设正是这条规律：能力提升需要更多算力，因此算力需求会持续增长。
所谓违反它，意思是某个算法突破让同等能力所需的算力大幅下降。若真的发生，需求曲线会瞬间下移，而这是所有算力相关资产共同的单点风险。
他的推理里最有意思的一层在最后：如果超级智能实现，它想要更多资源，最直接的办法就是让自己更高效。也就是说，苦涩教训可能恰恰会被自己的最终产物所违反，因为这条规律说的是算力打败人类的巧思，而那时进行优化的已经不是人类。
人们做了什么，永远比他们说了什么更重要
他描述的时序值得逐条看：论文早在一年前就已发表 → 谷歌正在与三家内存厂商谈判长期协议 → 此时把这项优化在社交平台上高调宣传 → 内存需求担忧引发抛售。
而他补的那句是关键证据：他找不到一个 AI 工程师相信它会真的影响内存需求。
结论并不需要指控任何人。作为分析方法，它给出的规则是：当一条技术消息在一个与谈判高度相关的时点被高调传播时，先问传播者能从价格变动中得到什么。技术内容的真伪，与它被释放的时机，是两个独立的问题。
Patrick持续学习和记忆这两件事，你怎么看？
Gavin我认为在记忆这件事上，我们已经通过脚手架做了很多。事实证明，脚手架工程没有模型本身重要，但它真的很要紧，而且这些脚手架和模型正越来越多地被协同开发。
脚手架你可以理解成模型运行其中的一个运行时：它知道工具在哪里，它创建上下文、记忆、状态，有非常具体的提示或指令。哪怕是简单的版本，差别都极大。
我上次或者之前某次在这里说过，作为投资人，你很有必要花每月 250 美元买最高档订阅，好让自己有直观的感受。但今天，那已经不够了。即便是非编程的用途，你也需要用 Claude Code 或者 Codex，而且需要在企业方案上。
原因在于，这也是谷歌失去成本领先所带来的另一个动态：这些模型刚刚转向了按用量计费。如果你还在 250 或者 300 美元的月费方案上，你会被严重限速，你拿到的是一个被做了额叶切除手术的 AI，因为就像我们说的，Claude 现在少产出 70% 的 token。你想要的是 Claude 和它的脚手架真正认为需要产出、才能给你一个好答案的那些 token，你需要在按量付费的方案上。
顺带说，这对 AI 极度利好。我在 2005 到 2007 年做过电信分析师，蜂窝通信在此前十年一直是个了不起的成长行业，原因就是固定定价加上超出部分按量计费的组合：你有九百分钟，超出之后按分钟算。那蜂窝什么时候不再是好的成长行业了？就是所有人都转向吃到饱套餐的时候。长途电话也是同样的故事。
而 AI 正在从吃到饱转向按杯计费。事实证明，人们真的很喜欢跟朋友打长途、很喜欢跟朋友煲电话粥。而人们也真的很喜欢用 AI，尤其是现在一个人可以让一百个智能体同时工作。
Gavin说到持续学习。我第一次把手伸进火里，我就学会了，我以前从没伸进去过。而今天的模型需要把手伸进火里一百万次，然后还要设计者在下一轮训练里、或者在一个强化学习环境里给它放一团火，它才能学会。
我认为它必须能够动态地更新权重。如果我们做到了，那就是一次非常快的起飞。而人们似乎相信持续学习就在拐角处了。
所以我认为这是第三个大问题：苦涩教训会不会被违反；前沿 token 还能不能维持它现在的溢价；以及我们会不会实现持续学习，如果会，是什么时候。
吃到饱结束的那一刻，成长也结束了
他给出了一段可验证的行业史：长途电话与蜂窝通信之所以长期是伟大的成长行业，就是因为固定套餐加超额计费；而当行业普遍转向吃到饱套餐时，成长就停止了。
原因是结构性的。吃到饱把收入锁死在订阅价上，重度用户越用越亏，公司因此有动机限制使用；按量计费则让收入随使用量线性增长，公司有动机鼓励使用。两种模式下，供需双方的激励完全相反。
AI 正在走相反方向，从吃到饱回到按量计费。这意味着模型层的收入天花板被打开了，同时也意味着算力消耗不再被人为压制。
顺带一个对研究方法的直接警告：用个人订阅去评估前沿模型的真实能力，从此会系统性低估，因为最强的能力被锁在按量付费与脚手架之后。
把手伸进火里一百万次
这是对样本效率最直观的一个说明。人类一次经验就完成的学习，模型需要海量重复，而且这些重复必须由设计者预先安排在训练或强化学习环境里，模型无法在使用中自行学会。
由此可以看出持续学习的技术门槛在哪里：他说必须能够动态更新权重。今天的模型在部署后权重是冻结的，所谓记忆其实是脚手架在外部维护的上下文，而不是模型真的学会了。
他把这三件事并列为待解的大问题，是一个很好的框架：苦涩教训会不会被违反、前沿溢价能否维持、持续学习何时到来。三者中任何一个的答案，都会大幅改变整条产业链的定价。
Patrick那些新的芯片公司在这里面扮演什么角色？
Gavin我认为这对世界是好的、健康的，对黄仁勋也是好的，因为换一届政府可能会有不同的看法。竞争对所有人都好。
在坦克设计里有个说法叫铁三角：所有坦克设计者都必须在火力、防护与机动之间做取舍。原因很明显，防护越强也就是装甲越厚，坦克越重，机动性就越差。所以你必须活在这个三角里做权衡。以色列的梅卡瓦是为防护优化的，俄制坦克和豹式一般更偏机动。
芯片设计是一样的。而且存在由物理定律施加、并嵌入在台积电设计规则里的根本约束，你必须活在其中。
而 TPU、Trainium 和 AMD，本质上都在试图做一个更好的 GPU。今天我认为 Trainium 做得最好。没有人是更好的 GPU，但 Trainium 我认为是在拽超人的斗篷。
Trainium 3 需要真正上量，因为它有一个交换式纵向扩展网络，而这是经济地为这些模型做推理所必需的。很多公司用的是环形架构，谷歌当时就是，AMD 也是。MI450 会怎样我们还不知道。
所以这是一场很难打的游戏。你必须做点不一样的事，而且这件不一样的事还必须很难做。
我对这些创业公司的经验法则是：1% 的市场份额会值一千亿美元。而一千亿是一个相当不错的风投结果。
我想黄仁勋会说的是：好，如果有人做了点不一样的东西，而且拿到了 1%、2%、3% 的份额，那我们就来做那颗芯片。这件事对所有人都会发生。
但如果你只是想做一个更好的 GPU，祝你好运。如果你做的是不一样的事，那它还必须是难做的事。
而预填充与解码的解耦，确实为做这些不同的取舍打开了口子，因为你可以为解码做非常激进的取舍，也可以为预填充做非常激进的取舍。
不一样，而且很难
他给出的标准只有两条，但缺一不可。
必须不一样。因为在同一条赛道上，英伟达拥有全部结构性优势：更好的代工价格、更好的内存供应、更低的融资成本，以及与每一家模型公司协同优化的机会。做一个更好的 GPU，等于在对方的最优战场上打对方。
还必须很难。这一条更关键，而且经常被忽略。如果你的差异化只是一组不同的设计取舍，而这些取舍并不难做，那么一旦你把市场验证出来，英伟达会直接做同样的取舍，并且用它的成本优势碾过去。他说得很直白：这件事对所有人都会发生。
换句话说，难做本身就是护城河，它是给快速跟随者设置的时间壁垒。这条判据不止适用于芯片，适用于任何面对强大在位者的创业。
1% 的份额值一千亿美元
这个经验法则给出了这个赛道的赔率结构：即便只拿到百分之一的市场份额，也对应一千亿美元的价值。
它解释了为什么会有上千家芯片公司同时涌入，也解释了为什么这些项目在风投层面是理性的：命中率极低，但单次命中的回报足以覆盖全部失败。
同时它也隐含了这个市场大到什么程度。一千亿对应 1%，意味着他心中的总盘子是十万亿美元量级。
Patrick预填充是读入上下文，解码是产出输出。
Gavin是的。我有位很棒的同事 Andrew Fox 打过一个比方：想象一艘十八世纪的英国军舰，预填充是装填炮弹，解码是开炮。
预填充实际上就是模型理解你的问题、理解提示词，并记录它自己的状态。这从根本上是一个受内存容量约束的问题。而解码是生成新 token 的过程，它受的是内存带宽的约束。
所以如果你是芯片设计者，这给了你一块更丰富的画布。但即便如此，它仍然必须很难。因为如果你在那个铁三角里做了不同的取舍去优化内存容量，而这些取舍并不难做，那英伟达就会做同样的取舍。
而他们从台积电拿到的价格，是你永远拿不到的。而且他们还有一个优势：他们跟每一家模型公司合作，据此优化自己的设计。
顺带说一个很好笑的事。如果你是风投，而你投的半导体公司告诉你，他们的优势来自某个他们能特别拿到的台积电制程，我向你保证，黄仁勋在台积电还只是有这个念头的时候就看过那个制程了，而且他们对它的了解，远超一家两百人的小公司所能想象。
台积电和供应链上的每一个人，都在把一切展示给黄仁勋看，就像他们同样展示给亚马逊、AMD、TPU 团队看一样。这是另一个不要去做更好的 GPU 的理由。
我的机构曾是 Cerebras 的风险投资人。Cerebras 做的是一件难的、根本上不同的事，也就是晶圆级计算。它伴随着一整套取舍，但他们做出的那个架构决定是难的，而且让他们能做别人做不到的事。
他们在做一些很酷的事。Cerebras 的一个问题是，一旦你需要把很多芯片粘在一起、组成纵向或横向扩展的网络，你就需要大量的输入输出，而输入输出受限于所谓的岸线，也就是芯片的边缘长度。Cerebras 的片上算力与内存相对于岸线输入输出的比例极高。他们是很聪明的人，做了很难的事，现在正在尝试能不能把一片光学晶圆直接叠在上面，那就解决了这个问题。
所以我确实认为这些公司有它们的位置。我只想鼓励它们：做一个不同的取舍，并且去做难的事。因为在 Cerebras 上市之后，所有人都能拿到融资，那不会是问题。
但 Cerebras 用了三代芯片才做对。这真的很难。你能看出来他们的首席执行官 Andrew Feldman 和整个团队走到今天有多难。他们需要有那种坚韧和韧性：第一颗芯片失败了，这很正常，你能不能回来再做第二颗。
装填与开炮，受不同的约束
预填充是模型把整段输入读进来并建立内部状态，需要一次性容纳大量数据，因此受内存容量约束。解码是逐个吐出 token，每一个都要把权重与上下文重新过一遍，因此受内存带宽约束。
为什么这个区分对投资重要：容量与带宽是两种不同的硬件资源，优化方向甚至相互冲突。把两件事挤在同一颗芯片上，必然两头妥协。
解耦之后，芯片设计者第一次可以为其中一端做极端优化，这就是他说的更丰富的画布，也是新架构公司唯一的生存空间。
特殊的制程渠道，不是优势
不少半导体创业公司的融资故事里都有这一条：我们与代工厂有特殊关系，能拿到别人拿不到的制程。
他的反驳很直接：最大的客户在这个制程还只是构想阶段就已经参与其中了。代工厂把技术路线图展示给所有大客户，因为它需要这些客户的设计输入来确定制程参数。
换句话说，信息优势在这条产业链上是反向分布的：规模越大，越早知道，也越了解。所谓的特殊渠道，通常只是把公开路线图当成了独家消息。
Gavin关于这个话题最后一件事：这对 GPU 的使用寿命会是了不起的好事，而且可能凭一己之力挽救私募信贷。
Patrick展开说说私募信贷。
Gavin私募信贷正因为那些软件公司贷款而承受痛苦，无论现在减记了多少，很可能都还需要减记更多。因为如果上市公司都在艰难地适应，一家背着债务的公司又怎么去适应、去投入到一个利润结构完全不同的生意里？
而 GPU 相关的私募信贷也很多。他们当初是按三到四年的使用寿命来做的信用评估。
而推理的解耦意味着，我认为这些 GPU 会有十年甚至十五年的寿命。
AI 怀疑论者会说，这些公司都在做假账，GPU 的使用寿命只有一两年，CPU 也只有四年，因为技术变化太快了。不。技术的快速变化，通过预填充与推理的解耦，恰恰意味着你可以把一台 Cerebras 系统、或者英伟达收购来的 Grok LPU，放在一台 Hopper 甚至 Ampere 前面，让那台 Hopper 或 Ampere 去做预填充，从而把这块 GPU 的使用寿命一直延长到它烧坏为止。它们确实会烧坏，所以还是有时限，但也许你不必让它们跑得那么快。
这对整个私募信贷行业会非常好。它会帮助为 AI 建设融资，因为如果你能以 5% 或 6% 而不是我记得 CoreWeave 最低也要七点几的利率来给 GPU 融资，那在数学上就实实在在地改变了这轮建设的融资成本。
我们迎来了一次技术创新，它会降低融资成本、延长地球上算力的使用寿命。
还有最后一件有意思的事。我朋友 Jamon 在 Coatue，他们做过一个材料，讲短缺的卖方，比短缺的买方过得好得多。买方就是那些超大规模厂商。但如果你拥有一个庞大的、目前正处在短缺中的装机基础，那也是一个非常非常好的位置。
而我们听说，在智能体的世界里，CPU 比过去重要得多，它们负责编排、工具调用等等一大堆事情。而全世界最大的 CPU 机队，就在超大规模厂商手里。所以我认为这些超大规模厂商，可能会稍微追上一点短缺的卖方。
使用寿命从三四年变成十年，改变的是整个融资结构
这条推理链很长，但每一步都很硬，值得完整走一遍。
第一步，技术。推理解耦之后，老一代 GPU 不必再做最吃力的解码，可以退到预填充这类对带宽要求较低的环节继续服役。
第二步，会计。使用寿命从三四年延长到十年以上，直接改变折旧年限。这也顺带回应了空头那个流传很广的指控，也就是超大规模厂商靠拉长折旧年限美化利润。
第三步，融资。这一步最关键。贷款利率取决于抵押品的残值与寿命。如果 GPU 的寿命预期从三四年变成十年，同一笔贷款的风险大幅下降，融资成本可能从七点几降到五到六。
第四步，宏观。而在一轮以万亿计的建设里，融资成本下降一到两个百分点，是数百亿美元量级的差别。
把它记下来的理由是：一项技术架构上的变化，最终在信用市场上兑现。这种跨领域的传导，通常没有任何一个分析师会同时覆盖。
短缺的卖方比买方过得好，但买方手里也有短缺的东西
前半句是共识：卖算力的比买算力的赚钱。而他补的后半句更有意思。
在智能体的世界里，CPU 的重要性被重新抬高了，因为编排、工具调用、状态管理这些工作都跑在 CPU 上。而全世界最大的 CPU 机队，恰恰在那些被视为短缺买方的超大规模厂商手里。
也就是说，它们同时是短缺的买方与另一种短缺资源的卖方。这条判断的价值在于提醒：先看清楚一个主体在每一种稀缺资源上分别站在哪一边，再给它贴标签。
Patrick把不一样且很难这条标准用到基建之外呢？那些不做芯片、不做基建、不做模型，只是用这项技术去造别的东西的 AI 原生创始人，他们感觉最不同的地方在哪？
Gavin对我来说，这从来都是风险投资的根本问题。
有些点子，全地球的人一听就懂。而如果你在风投里做的是这种事，如果它不难做，如果在你建立起规模之前它就已经对全世界显而易见了，你就麻烦了。规模是终极优势。
亚马逊了不起的地方在于，我想它对很多人来说是显而易见的，但它对零售业的首席执行官们并不显而易见。而亚马逊很聪明：任何一家被风投投过的电商公司，他们都会摧毁掉。他们会说，哦，好可爱，我们把这块的利润率打到负一万个百分点。而像 Wayfair 那几个人，他们做的是难的事，亚马逊试图杀死他们，失败了。那是运营上真正强悍能干的首席执行官。
所以在风投里我总是看：这件事会不会在这家公司建立起规模之前就对全世界显而易见？还是说它既不显而易见、又不一样、又真的很难做？
我认为很多创始人在 AI 里正为此非常挣扎。在黄仁勋那个 AI 五层蛋糕里，利润归给了能源、归给了数据中心、归给了芯片、归给了模型，而没有真正归给应用层。
Cursor 和 Cognition 达到了一定规模，他们专注在编程上。十八个月前，专注编程的人是 Cursor、Cognition 和 Anthropic，而专注写代码是非常正确的选择。
Replit 的创始人发过一条推文我觉得非常聪明，大意是：与苦涩教训相邻的一个事实是，编程可能是通往超级智能和有用 AI 的最短路径，因为如果你真的很擅长写代码，你就能给自己写出做任何事情的代码。
我认为很多创始人真的在挣扎。他们试图建立信心：在那些更细分的领域里，他们能不能在模型公司做到那个细分之前建起数据护城河，或者那个细分是否小到模型公司不会自己去做，但又仍然大到能产出一个风投级别的结果。
它会不会在你建起规模之前就变得显而易见
这是把前面芯片那条标准，翻译成了风险投资的通用语言，而关键是加入了时间这个维度。
问题不是这个点子好不好，而是：在世界反应过来之前，你能不能建起足够的规模。规模在这里是终极优势，因为它带来成本、数据与网络效应。
亚马逊那个例子很有说服力：它的模式对很多人显而易见，但对当时手握资源的零售业管理层并不显而易见，这个认知时差就是它建立规模的窗口。
放到今天的 AI 应用层，这条标准变得非常严苛，因为模型公司的能力扩张速度极快，留给应用公司建立规模的时间窗口比过去任何一代都短。
这与所有过去的技术周期都相反
在互联网与移动周期里，最终的巨额价值都归于应用层：搜索、社交、电商、打车。基础设施提供者赚的是辛苦钱。
而他描述的当下正好倒过来：利润归给能源、数据中心、芯片和模型，唯独没有归给应用。他后面甚至说得更重，应用层的价值是被净毁灭的。
原因在于这一轮的能力提供方同时也是最强的应用竞争者，且它掌握着应用方的成本结构。这也是他为什么把应用层的希望寄托在一个条件上：只有当前沿 token 相对其他 token 的溢价下降时，应用层才会迎来价值创造的爆发。
Patrick这跟你说的 token 路径有关吗？
Gavin这个说法来自 Altimeter 的 Jamin Ball。他说，如果你是一家软件公司或者任何一种 AI 公司，你必须处在 token 路径上。如果你不在 token 路径上，又不是在做某个非常细分的东西，日子可能会很难过。
即便是这些垂直细分领域，我想如果你去问模型公司的人，他们对其中一些也是怀疑的。因为这些细分领域里产生的所有数据，都来自人类。然后你在赌的是，你能用这个狭窄垂直领域里的专有数据，训练出一个成本低于前沿实验室永远能达到的水平的模型。也许这是个好赌注，但我认为你必须非常非常小心。
反过来说，如果这些前沿 token 相对其他 token 的回报下降了，那么应用层会迎来一次价值创造的大爆发。
另一个很重要的点是，我相信只要黄仁勋想，他随时能用自己的模型做到接近前沿。
Patrick把你的互补品商品化。
Gavin我不认为他想那么做。那是 OpenAI 和 Anthropic 正试图对他做、但没成功的事。他是个非常有逻辑的思考者，这只是那个合乎逻辑的反制手段。
而今天所谓的开源前沿，主要由中国模型构成。有人告诉我，DeepSeek 最新的那个、或者最初那个，只用了 15 万条推理轨迹。
如果你是一家中国公司，有很多办法把这件事洗干净，你可以去打各种不同的接口，让人很难追查。现在美国的实验室正在非常努力地研发反蒸馏技术。
然后我认为，最终如果任何一家在前沿的公司觉得经济上过得去，他们会做的是……这里会有非常有意思的博弈论，因为这是一种新的囚徒困境。我们以前讲的旧囚徒困境是关于必须花钱的。而新的囚徒困境是：如果你处在前沿，你要不要通过接口把这个模型开放出去？
Patrick而如果所有在前沿的人都同意不这么做，中国的开源就会很快……
Gavin而只要有一个人叛变，他就会拥有最好的模型、拥有大量的收入和现金流，而资源等于智能，于是他会开始拉开差距，然后那会导致其他所有人也开放。
所以这是一套新的博弈论。它其实和台积电、三星、英特尔那套博弈论是一样的。现实是，如果英伟达或者 AMD 真的大量使用另一家代工厂，那家代工厂会很快变强。
所以我确实认为，黄仁勋会把开源保持在前沿之后一个特定的时间距离上。
顺带说，开源是会被变现的。有一个误解说开源是免费的。开源 token 是要耗电的，生产它们要耗能源，你需要在 GPU 上把成本赚回来，而且开源模型公司几乎总是拿一份收入分成。
要不要把前沿模型通过接口开放出去
困境的结构是标准的：集体最优是所有前沿实验室都不开放接口，这样蒸馏的源头被切断，中国开源模型会迅速落后；但个体最优是叛变，因为开放接口能立刻带来收入与现金流。
而他补的那句是关键：资源等于智能。叛变者拿到的收入会转化成算力，算力转化成能力，于是叛变者反而会拉开差距。这就让不叛变变得更加不理性，最终所有人都会开放。
这个结构还解释了另一件事：为什么英伟达会刻意把自己的开源模型保持在前沿之后一段固定距离。太近会得罪客户，太远则失去战略价值。这与代工厂那套博弈是同构的，也就是不能让第二供应源真正成长起来，但也不能让它消失。
开源不是免费的
这句话在他多次访谈里反复出现，因为它是最常见的误解。权重免费，但运行它要耗电、要占用 GPU、要有人承担资本开支。
而他补充的那个细节很少被提及：开源模型公司几乎总是能拿到一份收入分成。也就是说，开源并不等于放弃变现，它只是把变现环节从卖接口转移到了与推理服务商的分成上。
这也解释了为什么会有商业公司持续投入资源做开源模型，而不只是出于理想主义。
Patrick面对 Mythos 3、Mythos 4 那样的世界，你在怎么准备？
Gavin我们只是在网络安全上过度投入。有件事我在多个场合说过，而且我真心相信：每个人都需要有一个安全词。
大家要把数字设备放下，真的走到海边去，定一个家庭安全词或者公司安全词。而且它不能是那种可以被社会工程学猜出来的。
这纯粹是为了防范网络犯罪：某个看起来像你儿子、女儿、祖父母或者父母的人给你视频通话，那是对他们的一次完全逼真的模拟，他们知道一切，还能根据这个人说过的话推断他会怎么说，然后跟你说，给我汇一百万美元。
Patrick那是防守。那在分析这一侧，你还能做什么是它做不到的？
Gavin好问题。我刚看了《最后的武士》，还请公司同事都去看。
如果你没看过，我强烈推荐，这部片子经受住了时间的考验。设定是汤姆·克鲁斯扮演一个心怀苦涩、已经过气的南北战争老兵，其实是个很好的军人。他被日本政府中的现代派雇去训练一支农民军队，去对付武士。第一场仗打下来，武士虽然没有枪却赢了。他打得英勇，所以武士决定不杀他，把他带回村子，他后来成了武士。他觉得这就像那场内战，于是他站到了武士这边。
而在最后，他被一个拿着机关枪的农民屠杀了。
而机关枪就在眼前，如果我们不全都成为机关枪的大师，我们就会被别人主宰。所以我在努力成为机关枪的大师。
然后我是乐观的。有很长一段时间，就像一个打过很多仗的五十岁武士老兵一样，你在使用机关枪时是有优势的。作为一个终身学习投资的人，我乐观地认为，我能够掌握这挺机关枪、掌握这项新技术，把它融进我自己的流程、融进我们机构的流程，让我作为一个人还能长期贡献价值。
为什么必须是线下约定、且不能被社会工程学猜到
他描述的攻击场景在今天已经完全可行：用公开的音视频素材克隆亲人的声音与形象，发起实时视频通话，并且能根据这个人过往的言论合理地扮演他。
传统的验证手段在这种攻击面前全部失效，因为攻击者掌握的信息可能比你以为的更多。而一个线下约定、从未在任何数字设备上出现过的口令，是少数仍然有效的验证方式。
他强调两个细节：必须离开数字设备去约定，因为设备本身可能已被入侵；不能是可以被社会工程学推出来的词，比如宠物名字或者生日。
这是全篇少有的、无论你是否关心投资都应该立刻执行的建议。
武士的技艺不是错的，只是不再决定胜负
这个类比里最扎人的一点是：被杀死的不是无能者，而是那个时代最精湛的专业者。武士的技艺没有退化，退化的是它与胜负之间的关系。
他给出的应对不是抵抗，而是成为新工具的大师。而他乐观的理由也在同一个类比里：一个打过很多仗的老兵，在使用新武器时仍然是有优势的，因为判断力、经验与对局势的理解并没有失效。
放到投资上，含义是具体的：工具会拉平信息获取的差距，但不会自动拉平判断力的差距。前提是你真的去掌握工具。
Patrick你最有用的智能体是什么？
Gavin说实话，虽然我不想伤害你的生意，我最有用的那个智能体，是把播客里我会感兴趣的那些点，做成一份很好的摘要。
每天大概有六个小时的内容，我觉得看它们属于我的工作职责范围，比如 OpenAI、xAI、谷歌、Cursor、Fireworks 的人出来讲话，更不用说黄仁勋、埃隆、Dario。我觉得非看不可，可我实在没那么多时间。而其中确实有真正的干草堆里的针。
还有一类东西我总是想看：我对管理层的薪酬非常敏感，他们被激励去做什么？他们拿的只是普通的限制性股票，还是与业绩挂钩的股权？如果是后者，那些指标激励他们去做什么？
我认为能把这件事做好第一遍筛查的系统，能给人省掉大量时间，把人解放出来去做更有创造性的工作。而不是去翻委托书、把业绩股权的条款拉出来、再跟历年所有的委托书做对比，因为那里面是有信号的，而这件事非常耗人力，正好特别适合交给 AI。
这是做投资人最激动人心的时刻。
他挑的都是高体力、低创造性、但有真信号的活
他给出的两个实际用例，看起来平淡，其实都精确地落在同一个位置上。
播客摘要：每天六小时的信息，其中真正有价值的可能只有几句话。这是典型的信噪比极低但不能不看的工作，人力成本高而判断成分低。
薪酬条款分析：把历年委托书里的业绩股权条款拉出来、逐年对比其变化。他强调那里面是有信号的，因为管理层被激励去优化什么，往往比他们在业绩会上说什么更能预测行为。而这件事之所以很少有人做，纯粹是因为太耗人力。
共同点是：他没有让 AI 去做判断，而是让它去做那些因为成本太高而长期被跳过的功课。这也是当下最容易被低估的用法，价值不在于替代思考，而在于让原本不划算的研究变得划算。
Patrick再说说多样性崩塌那件事，你在担心什么样的人？
Gavin我不认识任何一个像我这样、却不看多内存的人。一个都没有。
现在 AI 这边有几件很有意思的事。第一，横截面上的估值说不通，就是完全说不通，它们不可能同时为真。
你有半导体设备公司在按下一个季度年化盈利的 40 倍交易，而内存公司在个位数中段交易。上一轮周期高点时，这个对比大概是 5 倍对 12 倍，某个时点甚至是 3 倍对 45 倍。这两件事不可能同时为真。
是的，半导体设备的商业模式改善得比内存更多，我们还不知道 HBM 会把内存的商业模式改善到什么程度，是的，他们有零件与维护带来的一部分经常性收入，但这不值一千个百分点的估值差距。
同样很难自圆其说的是：英伟达在四月初的估值基本上是过去十来年里相对大盘最便宜的，绝对估值也很便宜，而这个估值很难与像 GE Vernova 那样的估值放在一起解释，因为后者内含了一个难以想象的英伟达份额流失。
所以横截面上的估值差异非常大，因为我们处在短缺之中。
第二件事：质量最差的公司表现最好。
如果你是油气投资人、或者做大宗商品和自然资源的，习惯于从成本角度思考，这对你会非常直观：在一轮真正的商品牛市里，成本最高的供应商涨得最多，因为它对它们的好处最大，它们从濒临破产变成现金滚滚。
我认为这也是大宗商品投资特别难的一个原因：质量在整个周期里是跑赢的，但你所有的超额收益都来自下行期，也就是那些在短缺与牛市里一飞冲天的高成本玩家破产的时候。
你现在在每一个行业里都能看到这件事发生。那些被超大规模厂商和买家讨厌甚至憎恶的最低质量玩家，因为它们成本高、不可靠、零件故障率高，现在它们卖光了库存并且在涨价。然后这种活跃度吸引了 X 上那些散户账户的注意，这些股票被炒上天。
而一些质量更高的表达方式，反而实实在在地跑输了。
作为投资人这很难受，因为你几乎毫无疑问地知道，那个三个月或六个月涨了十倍的东西终究会跌回去，这取决于它们拿这些现金去做什么。但这些低质量公司真的会用现金做一些聪明的事。
所以让我有点担心的是：一年前还非常怀疑的那些人，现在已经不怀疑了。但我把这一点跟那些高质量公司的估值对照一下，它们的估值一点都不夸张，这又让我感觉好一些。
横截面上的矛盾，本身就是信息
他用的方法值得单独学：不去判断某一个估值对不对，而是把同一条产业链上不同环节的估值放在一起，看它们隐含的假设能不能同时成立。
他给的例子很硬：半导体设备公司按下一季度年化盈利的 40 倍交易，内存公司只有个位数中段。这中间隐含的是两个互相矛盾的未来：一个假设景气会长期延续，另一个假设马上见顶。它们不可能都对。
第二个例子更精确：英伟达的低估值，与电力设备公司的高估值放在一起，隐含了一个难以想象的英伟达份额流失。
这套方法的价值在于它不需要预测未来，只需要检查一致性。横截面上的矛盾一定会以某种方式被消除，而消除的方向就是机会所在。
牛市里涨得最多的，是质量最差的公司
机制在于经营杠杆：高成本生产者在正常年份挣扎在盈亏线上，一旦价格暴涨，它的利润是从接近零变成大额正数，百分比变化趋近于无穷大；而低成本生产者本来就赚钱，利润改善的比例远小于此。
他补的那句才是最要命的：质量在整个周期里是跑赢的，但全部超额收益都来自下行期。也就是说，持有高质量公司的人必须先跑输一整段上行期，才能在崩塌时拿回全部超额收益。这需要客户和资金结构撑得住，正好呼应他前面讲的那位 1999 年退休的基金经理。
作为周期位置的信号，这一条同样好用：当最差的公司涨得最凶、当一年前的怀疑者全部转向时，说明周期已经走到了后段。
Gavin你能感觉到市场里的那些篮子，以及加了杠杆的篮子，而你被放进哪个篮子非常重要：铜、光模块、内存、闪存。
今年发生了一件很有意思的事。在 24 和 25 年，整个 AI 交易是同涨同跌的。所以你可以做多 GPU 算力、纵向扩展网络和光模块，同时做空电力，这个交易从风险管理的角度是有效的，因为我对因子非常敏感。
而这一切在今年一月瓦解了。纵向扩展网络疯涨，而横向扩展在跌；内存大幅跑输闪存和硬盘，这在过去从没发生过。AI 内部这些横截面上的相关性彻底垮掉了，你必须变得非常精细。你再也不能用半导体设备或者闪存去对冲你的内存头寸了。
一月里，横截面上的一切都以一种非常有意思的方式改变了。而我认为一个可能的原因是：AI 达到了某种质量水平，突然之间一大批人可以很快地把这些细分子行业搞懂，开始交易它们，然后它们被放进篮子里。
Patrick从而创造了价格效率。
Gavin正是。而我认为，除了那些能长期复合、而且安全的高质量名字之外，最大的机会之一在于那些被错误归类的名字。
比如 Astera 曾经被放在很多铜的输家篮子里。可 Astera 最大的产品会是一颗交换芯片。而连接交换机与加速器时，铜和光都会用到。所以按定义，如果你是一家交换芯片公司或者加速器公司，你不可能是铜的输家，因为你就在那条连接的另一端。
AI 让所有人都变成了细分行业专家，于是对冲失效了
他描述的时序很关键：24 到 25 年整个 AI 交易同涨同跌，因此可以用一个子板块去对冲另一个；而今年一月这些相关性同时崩溃。
他给的解释很有意思，而且直指本篇的另一个主题：AI 工具让大批投资者能够快速掌握原本需要多年积累的细分知识，于是这些子行业被分别定价，而不再被当成一个整体。
后果是双向的。坏消息：过去有效的对冲结构失效了，你不能再用闪存去对冲内存，风险管理必须变得极其精细。好消息：定价变得更有效率，也意味着错误归类的名字会被更快纠正。
这条与他在另一期讲的多样性崩塌恰好构成一对：AI 一方面让判断趋同，另一方面又让分析颗粒度变细。两种力量同时在改变市场结构。
Astera 为什么不可能是铜的输家
他给的推理是纯逻辑的，不需要预测任何东西：连接交换机与加速器的链路，两端分别是芯片，中间是铜或光。因此无论中间用铜还是用光，两端的芯片公司都在受益。把它归入铜的输家篮子，是把它放在了错误的一侧。
这类机会之所以反复出现，是因为篮子是按标签构建的，而标签往往由粗糙的行业分类或某个热门叙事决定。当资金按篮子进出时，被错误归类的名字会跟着涨跌，而它的基本面根本不属于那个类别。
寻找方法也很明确：找那些正在被某个叙事驱动的资金流打压、但你能用一句话说清楚它站在链条哪一侧的公司。
Patrick能不能对几家主要公司各说一两句？谷歌、微软、亚马逊。
Gavin谷歌。去年它了不起，因为有 TPU 的优势，而那个优势现在没有了。我认为它仍然处在很好的位置，原因很简单：它拥有所有人里最多的算力。我们讲过，短缺会让装机基础的价值变高，而它拥有最大的算力装机基础。
我确实有点意外它至今没能拿出更好的东西。如果它发布的东西不能哪怕稍微超越 OpenAI 或者 Claude，那很有意思，但对谷歌不是灾难，只是意味着我们说的那个英伟达效应，比我想象的还要强大。
而谷歌拥有的数据量、尤其是 YouTube 的数据是真正有价值的，在机器人的世界里它是有价值的；加上它拥有的算力、以及它的搜索业务，谷歌永远不会处在一个糟糕的位置。
Meta。你必须给扎克伯格极大的赞誉。他把 Meta 在内部变成了一家 AI 优先的公司，我认为他是那批真正的互联网巨头里唯一做到这件事的人。我也很赞赏他在该出手时为人才付出那些天价合同。
Muse 我认为是一个很大的向上惊喜，那是他们新实验室的第一个模型。它没有站在与 xAI、谷歌、OpenAI 和 Claude 并列的帕累托前沿上，但相当接近了，这让我印象深刻。
所以我认为 Meta 的位置变好了。绝对位置仍然不如谷歌强，但在市场里，尤其在三年这样的短周期内，变化率比水平更重要；在很长的时间尺度上，竞争优势的绝对水平更占主导，但即便如此，变化仍然非常要紧。
亚马逊。我认为它因为 Trainium 而处在非常强的位置。而且未来十八个月，你会在它的零售业务里看到机器人带来的真实的损益表效率。它内部的模型 Nova 还没到 Muse 的水平，但比外界给它的评价要好。
微软。我认为萨提亚是个非常聪明的人，但在投资人的对话里，人们谈论他的方式已经不像从前了。我喜欢萨提亚，我敬佩他，我认为他是位卓越的首席执行官。但他确实从要让谷歌跳舞，变成了在三年里成为 Copilot 的产品经理。
我很想知道，在 OpenAI 那次政变未遂期间，萨提亚有没有后悔过自己的决定。
Copilot 之所以一直不好，一个原因就是可用的算力不够，他们正在解决这个问题。我确实认为他是一位伟大的首席执行官，他们在试着用自己的算力训练自己的模型。我有点怀疑他们是否有合适的团队去成功，但就像 Meta 一样，他们当然负担得起去雇一个不同的团队。
我认为他做的是一些好的、但有风险的决定，是为一个前沿模型不再通过接口开放的世界，把微软放到正确的位置上。我认为这是一个非常有勇气的决定，我很赞赏。
他放弃了很多。如果微软把 GPU 全部用来服务 OpenAI 和 Anthropic 的产能，它今天的股价大概会是 800 美元。所以我很赞赏他做了一个了不起的决定。
短周期看变化率，长周期看绝对水平
他在评价 Meta 时给出了这条规则，值得单独记：在三年这样的短周期里，竞争地位的变化率比绝对水平更重要；而在很长的尺度上，绝对水平占主导。
原因在于定价机制：市场已经把当前的绝对水平计入价格了，因此短期收益来自预期的修正，而修正由变化率驱动。Meta 的绝对位置不如谷歌，但它正在快速改善，因此对股价更有利。
这条规则也解释了他对谷歌的态度：拥有最多算力、最好的数据、最强的现金流，绝对位置极佳，但优势正在被侵蚀。两者可以同时为真。
他把一个明显损害股价的决定，称为有勇气
他给出的量化对比很直接：如果微软把 GPU 全部用来服务 OpenAI 与 Anthropic，股价大概会是 800 美元。也就是说，自用算力这个选择正在实实在在地压制估值。
而他仍然认为这是好决定，理由是它在为一个特定的未来做准备：前沿模型不再通过接口开放。如果那一天到来，只做算力出租而没有自己模型能力的公司，会失去全部议价权。
这是一个很好的例子，说明正确的战略决策与短期股价可以长期背离，而区分二者的唯一办法，是判断那个被押注的未来会不会到来。这也正好接上他前面讲的新囚徒困境。
Gavin很有意思的一点是，这些公司在决策上对外开放的程度差别很大。
与创业公司接触最深的两家，遥遥领先的是亚马逊和英伟达。然后是谷歌，它是次密切的。博通是以另一种方式参与：它是所有人最想要的专用芯片供应商，如果你是创业公司，能在第二代芯片上跟博通合作已经算升级了，而如果博通愿意跟你做第一代芯片，那简直是天降甘露。
而 AMD、微软和 Meta 与创业公司的接触基本上是零。说零可能有点夸张，是很少。
我一直在想这个决定，因为一些最好的团队已经不在大型上市公司里了，他们在这些更小的创业公司里。
我认为最终这会成为英伟达和 AMD、以及紧随其后的谷歌一个相当大的优势，而这种接触是你在其他那些超大规模厂商身上看不到的。
与创业生态的接触密度，是一项长期资产
他把大公司按与创业公司的接触程度做了排序，而这在常规的竞争分析里几乎从不出现。
它为什么重要，他给了理由：一些最好的团队已经不在大型上市公司里了。在人才高度流向创业公司的阶段，与这些团队的接触密度直接决定了信息与技术的获取速度：你能更早看到新架构、更早知道哪条路走不通、也更容易在合适的时候收购或合作。
而这项资产的积累是缓慢且不可速成的，它依赖长期的口碑与打交道的方式。不与创业生态往来的公司，会在几年后突然发现自己对技术前沿的感知变慢了，而当时看不出任何代价。
关于这段的一处矛盾
原文稿此处先说 AMD 与创业公司的接触基本为零，随后又把 AMD 与英伟达并列为受益者。译文保留了原样。从上下文推测，后一句可能是口误，或指的是排在英伟达之后的另一家。
Patrick还有什么你一直在想的、由这个大趋势带来的连锁效应？
Gavin在应用层，别说价值归属了，价值是被毁灭的。AI 在应用层净毁灭了价值。哪怕把 Cursor、Cognition 这些最成功的 AI 原生公司算进去，AI 在应用层毁灭掉的价值仍然是以万亿美元计的。这是我们需要意识到的一件事。
今天表现最好、价值增长最多、真正在创造经济价值的公司，是那些每个人所对应的、被有效利用的 GPU 比例最高的公司。
也许这只是意味着每个人最后都会分到很多 GPU，但我认为这是一个我们需要留意的事实。
我还想说一件可能有点阴暗的事。我越来越担心人身安全，尤其是那些公众曝光度更高、与 AI 关联更紧密的人。我希望不要发生任何悲剧，但美国的政治暴力确实在上升，而随着 AI 越来越政治化，我担心这会指向越来越多与 AI 相关的政治人物。
不管我对某家公司怎么看，有人向山姆·奥特曼家里扔燃烧瓶，我认为这是很糟糕的事。
我担心，因为 AI，我们正走向一个方差更大、贝塔更高、风险更高的世界。
应用层不是分配不均，而是价值净毁灭
这个说法比通常听到的价值没有归属应用层要重得多。他说的是：把最成功的 AI 原生公司创造的价值全部加上，仍然抵不过 AI 在既有软件公司身上毁掉的价值，净额是万亿美元级的负数。
机制不难理解：大量软件公司的产品，其核心价值正在被通用模型直接吸收。新公司创造的收入，远小于旧公司蒸发的市值。
这对投资的含义很硬：在应用层，做多的难度远高于做空。这也解释了他为什么反复强调那条严苛的判据，不一样、很难、而且要在世界反应过来之前建起规模。
表现最好的公司，是人均有效 GPU 最高的公司
这是对人均毛利润那个指标的进一步演化。他关心的不是 GPU 数量，而是被有效利用的 GPU 与人数之比。
这个口径同时捕捉了两件事：这家公司在多大程度上用算力替代了人力，以及它是否真的会用算力，因为闲置的 GPU 不算数。
他自己也点出了这个观察的另一面，语气是保留的：也许这只是意味着每个人最后都会分到很多 GPU。也就是说，这既可能是一个关于替代的指标，也可能只是一个关于生产力工具普及速度的指标。哪一种为真，取决于总就业的走向。
Gavin从地缘政治上想想这意味着什么。乌克兰真的开始赢了。而我认为他们赢的原因，主要不是无人机更好，虽然那确实是一部分。我认为乌克兰真正在赢的原因是，他们拥有除了美国和以色列之外最好的战场 AI。
当我们的对手开始意识到这一点时，他们会怎么回应？如果美国因为在 AI 上的优势而如此强大，这对美国是好事，但对世界其他地方是不稳定的。
我经常想的一件事，是做一个慈善机构，去向世界讲述西方到底有多了不起。奴隶制在几乎每一个文明里都曾是常态，而真正终结奴隶制的是大英帝国。把这个故事讲出来。
还有 1945 年之后，美国拥有核弹，别人都没有。我们本可以永远控制这个世界。可我们做的是重建德国和日本，而它们现在是美国最可靠的盟友。以色列、韩国、日本。这是对美国精神、对我们这个国家的一个证明。
当时确实有过担忧，麦克阿瑟在日本某种程度上像个美国皇帝，人们担心我们会接管全世界。他们本来可以，但他们没有。他们回家了，我们裁军，然后你就有了那段全球大稳定的时期。
Patrick美利坚治下的和平。
Gavin所以也许它不是不稳定的，也许它会带来另一次美利坚治下的和平，只不过这一次是由我们在 AI 上的主导地位所塑造的。
我非常乐观地认为 AI 对世界会是了不起的事。有一位像我一样的人，他女儿被诊断出一种非常罕见的基因突变，无药可治。他能够调动很多资源，从实验室拿到了大量算力，我们也知道了这件事，调动起海量的智能体，用 AI 找到了一款已上市的药物，它真的能影响他女儿的这个疾病，然后他成立了一家公司去治愈它。
她的生命已经因为 AI 而变得完全不同了。
所以我算是一个 AI 乐观主义的极端派。但我同时也承认，这就像一个事件视界，它几乎肯定会造成一次断裂，我们作为社会需要去驾驭它。
我认为那些反技术的人会被证明是错的，但我们需要非常审慎地去回应他们的关切，我们需要确保这件事对每个人都好。
现在最好的 AI 只有有钱人才用得上，这确实有点反乌托邦。这件事我们需要解决。我们需要带着谦卑去面对它，承认有大量的不确定性，并且要想清楚。
决定胜负的可能不是无人机，而是把数据变成决策的速度
他给出的判断很具体：乌克兰之所以开始占上风，主要不是因为无人机更好，而是因为战场 AI。
这个区分很重要，因为它把军事优势的来源从硬件转到了决策速度：把海量传感器数据实时转化成目标识别与打击决策的能力。
而他随即指出了它的不稳定含义：一项由少数国家垄断、且能显著改变常规战争胜负的技术，会迫使落后方在它失效之前做出反应。这是所有军事技术代差期共有的风险窗口。
一个可以核对的具体故事，胜过任何抽象的乐观
他选择用一个罕见病的案例来结束：调动大量算力与智能体，在已上市药物中找到一个可能对特定基因突变有效的候选，然后成立公司去推进它。
这个故事的说服力在于它结构完整且可被检验：有具体的方法、具体的产出、以及具体的后续行动，而不是一句 AI 会治愈疾病。
而他紧接着给出的自我限制同样重要：最好的 AI 现在只有有钱人用得上，这有点反乌托邦，这件事需要被解决。这与他在同一期里高兴地宣布按量计费极度利好，构成一种诚实的张力。同一个商业模式的转变，是投资上的利好，也是分配上的问题，他两句都说了。
十二条带走的东西
- 回撤分两种，唯一的区别是你的可证伪假设有没有被推翻。假设被证伪就兑现亏损，假设完好而价格反向就加仓。但没有事先写下证伪条件的人，无权使用第二种解释。
- 当叙事与实物指标冲突时，先信实物指标。DeepSeek 那次，价格在跌而云区价格翻倍、GPU 可获得性下降，答案已经写在现货市场上了。
- 供给受限时，公司卖的是它能卖的量，不是它想卖的量。模型对同一问题少输出 70% 的 token，说明它在用降低质量的方式配给算力，账面收入因此是失真的。
- 把估值留一点在桌上，是在购买未来的融资权。十年每年复合 30% 出头，说明这不牺牲长期回报，只是把回报分给了每一轮的参与者。
- 瓶颈已经从能源和芯片，换成了分区与审批。前者可以用资本解决，后者不能，这是产业分析工具失效的地方。
- 轨道算力是太空中的机架，不是漂在天上的五角大楼。每一步都是现役星链的放大版，唯一不可回避的前提是火箭复用。
- 如果只盯一件事来判断有没有泡沫，那就是台积电的产能决策。而且不是越保守越好，扩产太少会给追赶者留出空间，最终反而导致产能失控。
- 这一轮与 2000 年的三点差异，同时也是一份监测清单。资金来源仍是经营性现金流、估值处在十年低位、GPU 利用率满载。任何一条改变，性质就变了。
- 那位在 1999 年判断全对的基金经理，在兑现前一年退休了。逆向判断的可执行性，取决于你的资金与客户结构能撑多久。
- 面对强大的在位者，必须做不一样、而且很难的事。不一样是为了避开对方的最优战场，很难是为了阻止对方在你验证市场之后直接跟进。
- 推理解耦把 GPU 寿命从三四年拉到十年以上，最终在信用市场上兑现。融资利率下降一到两个百分点，在万亿级建设里是数百亿美元的差别。
- 横截面上的估值矛盾本身就是信息。不需要预测未来，只需要检查同一条产业链上不同环节隐含的假设能不能同时成立。