AI 市场震荡
七月，AI 板块从高点直线跌了 40% 到 60%，可所有能被量化的需求指标都在加速。这一期就是在解释这个错位：价格塌了，基本面没塌，那么塌的是什么。
Baker 给出的答案分三层。第一层是可见性：公开市场看不见 Anthropic、OpenAI 和那批开源推理云，于是把最快的那一段增长整个漏掉了。第二层是会计与时点：已装机算力被锁在几年前签的低价长约里，随着合约到期重新定价，经营性现金流会自己涨上来，这决定了这轮建设到底需不需要靠债务。第三层是市场结构：当所有人都把新闻喂给同一个模型去解读，多样性会崩塌，三年的周期可以在六周内走完。
他自己的结论是：除了监管，他找不到一个真正成立的利空。而这句话本身，既是他的判断，也是他的风险。
Patrick加文，才过了两个月。我们这档播客的间隔，正在像模型发布周期一样越缩越短。你我现在基本是按模型发布节奏在见面。
Gavin我以前是有点顾虑的。有人指出过，我们每期节目都刚好卡在市场的阶段性高点上。这回没人能这么说了。
Patrick最近在想什么？这个月太疯狂了。
Gavin我会把七月形容成一个月里走完了 2022 年。基本面上确实有一些利空，我们待会儿聊。但整体上，基本面的天平我认为在显著改善。一大批 AI 标的从高点跌了 50%、60%，就叫它一个月内直线下跌 40% 到 60% 吧。
开录之前我问过你，你整个夏天都待在这边：你有没有听到过哪怕一个关于 AI 的负面量化指标？哪怕一例减速？
Patrick一个都没有。
Gavin一个都没有。事实上，每一项指标都在加速。
一个月跌掉 40% 到 60%，是什么概念
2022 年是纳指全年下跌约 33%、成长股腰斩的一年，整整十二个月的熊市。他说七月把这件事压缩进了一个月，而且是直线下跌，中间几乎没有像样的反弹。
这句话真正的信息量不在跌幅，而在速度：足够快的下跌意味着卖出不是基于新信息，而是基于仓位和风险控制。谁在卖，比为什么卖更重要。
价格与基本面的方向背离，是全篇要解释的唯一现象
他把整场对话建立在一个可证伪的断言上：找不到任何一个负面的量化指标。注意他的措辞极其克制，不是「大家都很乐观」，而是「有没有一个数字变差了」。
这是一个很值得学的提问方式。情绪、叙事、估值都可以争论，但「有没有一个可计量的需求指标在恶化」是一个有答案的问题。他这一周在硅谷做的全部工作，就是拿这个问题去逐个敲门。
反过来，这也定义了他自己的风险敞口：如果第一个负面数字出现，他的整个论证框架会同时失效。
Patrick而且照你说的，这不是 AI 拥趸的盲目乐观，而是他们能从各自不同的视角拿出数据给你看。
Gavin完全正确。不管你怎么切，GPU 可用性、GPU 租赁价格、这个月 DRAM 现货价、token 增长量，怎么切都一样，所有东西实际上都在加速。
我确实认为问题很大一部分在于：第一，市场看不到 Anthropic 和 OpenAI。再往下，还有美国这边靠推理变现的那批开源推理云，Fireworks、Baseten、Modal、Together。你把这些看进去，画面完全不一样：开源因为 GLM 5.2 和 Kimi K3 大幅加速，Nemotron 也在稳步推进，我们还看到一个很不错的小型美国开源模型发布。OpenAI 在加速，Anthropic 继续强劲增长，而且几乎可以肯定正在产出可观的自由现金流。
大家都盯着那张图：半导体的现金流这样走，超大规模厂商的自由现金流那样走。可这张图漏掉了这些私营公司。
信息缺口不是随机的，它系统性地偏向一边
公开市场能看到的是上市的卖方（英伟达、台积电、内存厂）和上市的买方（微软、Meta、亚马逊、谷歌）。看不到的是中间那一层：几家最快的私营实验室，以及一批年收入几千万美元、增速最陡的推理云。
关键在于，缺失的这一块不是随机抽样。它恰好是增长最快、最能证明需求真实性的那一段。于是公开市场拿到的是一张系统性偏保守的图，而这张图正在被当成全景图使用。
这条逻辑可以直接迁移到任何一个产业链有大量非上市环节的行业：先问哪一段没在报表里，再问那一段是偏乐观还是偏悲观。
推理云是干什么的
Fireworks、Baseten、Modal、Together 这四家做的是同一件事：把开源模型托管起来，按 token 卖推理服务，并且帮客户用自己的数据把模型微调成专用版本。
它们既是开源模型的变现通道，也是这轮里唯一能直接读数的开源需求温度计。Baker 后面会说，开源对公开市场而言是暗物质，而这几家就是探测器。
Gavin但我还认为那张图漏掉了更重要的一件事。24 年和 25 年，所有人，哪怕你当时非常乐观，你也只是认为 GPU 价格会缓慢下行；你要是看空，你认为会陡峭下跌。24 年或 25 年没有任何人想过，旧 GPU 的价格会垂直向上。
大家当时都想，我们要聪明一点，我们去签长期合约。而且某种程度上，很多新云厂商必须这么做，因为他们需要一份承购协议才能给 GPU 融资。于是结果就是，已装机算力的合约价，相对当前现货市场是巨大的折价。随着这些合约陆续到期、算力被重新定价到更高的水平，现货价可以往下走，而算力仍然会被重定价上去。
我认为你会看到大量加速，这会回答那些关于投资回报的质疑。这个季度已经开始看到了：看经营性现金流而不是自由现金流，微软、Meta、亚马逊已披露的经营性现金流增速从 28% 加速到 32%。
现在这些超大规模厂商账上有一些相当大的非经常性项目，他们似乎总有几十亿美元的异常法律支出，大多是欧盟罚款。这个季度一次性项目异常地多，如果做调整，是从 28% 到 35%，在这个体量上是实质性的加速。而且这还是在他们开始点亮 Rubin 之前，Rubin 会带着可观的溢价，也在这些合约重定价之前。
现货价下跌和算力涨价可以同时发生
这句话第一次读会觉得自相矛盾，其实不然，关键在于两个价格不是同一个价格。
存量算力锁在两三年前签的长约里，比如每 GPU 小时 2 美元。今天的现货价假设是 4 美元。那么即便现货从 4 美元跌到 3 美元，当旧合约到期、按 3 美元重签时，这批算力的实收单价仍然涨了 50%。
换句话说，只要现货价高于存量合约价，现货下跌与收入上行可以并存，直到两者收敛为止。市场盯的是现货价的方向，而现金流跟的是价差的存量。
自由现金流在建设期是失真的
自由现金流等于经营性现金流减去资本开支。在一轮空前的建设期里，资本开支这一项被人为拉到极大，于是自由现金流必然难看，甚至转负。
用它来判断这门生意好不好，等于在问一个正在盖厂房的公司为什么账上没钱。经营性现金流剥掉了投资决策，只看主营业务本身在不在产生现金。
他反复强调这个口径，是因为整场多空之争的落点就在这里：如果经营性现金流足以覆盖资本开支，这轮建设就不需要债务；需不需要债务，决定了这是一轮资本周期还是一场信用事故。
28% 到 35% 意味着什么
微软、Meta、亚马逊三家的经营性现金流合计是几千亿美元量级。在这个体量上，增速从 28% 抬到 35%，对应的绝对额是每年多出上千亿美元的内生资金。
这正是他后面那笔账的分子：多出来的经营性现金流，直接顶替掉本来需要外部信贷的那部分。
Gavin这个月挺难熬的。要不要把我们怎么走到今天捋一遍？
首先是 Meta 要出租算力，这被解读成大利空：他们产能过剩，要砍资本开支，这是灾难。完全不是这么回事。他们财报刚出，并没有砍资本开支。真实情况是，他们看到 SpaceX 手里有很大的装机算力，把一些为训练优化的大集群按远高于合约价的价格卖进市场，溢价大得惊人。至少分析师喜欢这件事，他们看到了机会。
市场上有很多关于 Meta 要融资的猜测。所以他们心里想的可能是：我们先用一小块产能证明我们能做出很强的内部收益率，然后去做股权融资，接着就放开手脚，很可能还会提高资本开支。看起来他们并不是在做这件事，但市场还是因为把它解读得很负面而下跌，而我非常确定这不是利空。市场对 Meta 资本开支计划的遥测信号非常多，没有任何一条发生过变化。要说有变化，他们只会更激进。
紧接着他们发布了很久以来最好的模型 Muse Spark 1.1，确实是个很好的模型。它被 Grok 4.5 的风头盖过去了，但这是个好模型，比你以为两年内能做到的水平好得多。所以他们完全没有松油门的可能。
同一条消息，两种读法
Meta 宣布出租算力，市场读出的是「他们自己用不完」。Baker 读出的是「他们发现现货租金比自用的机会成本高得多，所以先卖一点试试水」。
区分两者的关键证据其实很朴素：资本开支指引有没有下调。没有。一家真正产能过剩的公司，第一件事是砍下一年的采购，而不是继续加码。
这是很典型的一类错读：把商业模式的扩展误当成需求的萎缩。
遥测信号：在公司说话之前就能读到的东西
他说的 telemetry，指的是资本开支落地前一定会留下的痕迹：变电站的排队申请、涡轮机和柴油发电机的订单、土建和电气承包商的用工、长交期设备的下单节奏。
这些环节大多有自己的上市公司或公开数据，且领先财报好几个季度。当叙事和遥测打架时，他选择相信遥测。
Gavin然后 Kimi 出来了，接着就是这场关于开源的大恐慌。同一时间 Silicon Data 的 token 指数出现回落并走平，这两件事是连着的。
这个指数捕捉的是结构，而且它看不到全部 token。因为 GLM 5.2 和随后的 Kimi，虽然渗透进来花了一点时间，这份数据里出现了结构性切换：从更贵的前沿 token，转向开源 token。前沿 token 的推理毛利率有多高可以争论，80%、90% 还是 95%，反正极高。不知为何，市场认为这是利空。
但现实是，一个 token 就是一个 token，生产它需要完全相同的算力。其他条件相同的情况下，它消耗同样的浮点运算、同样的内存、同样的瓦特。token 之间当然不是完全等价的。但笼统地说，开源夺取份额，做的只是把利润从前沿模型这一层拿走。因为存在弹性，token 需求会被推高，你需要更多算力。而且 Anthropic 和开源模型跑在同样的底层云上，云按同样的价格收算力的钱。所以你其实只是把利润从前沿模型那里挪走，把更多利润推进了 AI 基础设施这一层。
一个 token 就是一个 token
这句话是他整个多头框架的物理基础，值得拆开看。
一次推理消耗的算力，取决于模型大小、上下文长度和输出长度，跟这个模型是谁家的、卖多少钱无关。同样规格的一次调用，前沿模型收你 1 美元、开源模型收你 0.1 美元，但机房里烧掉的电、占用的显存、跑掉的 GPU 小时数是可比的。
所以从前沿 token 切换到开源 token，转移的是利润，不是算力。对模型层是坏消息，对基础设施层不是。市场那几天把两件事当成了一件事。
再往前推一步：因为开源便宜，同样的预算能买到更多次调用，算力需求反而增加。这就是他说的弹性。
为什么 token 指数走平反而可能是好事
Silicon Data 的指数只能采到它看得见的那部分 token，主要是有公开定价的接口。当需求从这些接口迁移到开源推理云和企业自建，被采到的 token 变少，但真实的 token 变多。
这就是典型的口径失真：指标本身没坏，是它的覆盖范围在缩小。用一个覆盖范围正在变化的指标去判断趋势，方向可能完全相反。
毛利率 90% 的东西被替代，未必是坏事
前沿模型的推理毛利率高到 80% 至 95%，意味着用户付的钱里绝大部分是品牌与能力溢价，而不是成本。
开源把这块溢价压掉，用户省下的钱是从模型层的利润里出的，不是从机房的电费里出的。价格下降不等于成本下降，这是本段最容易被跳过、也最要命的一步。
Patrick所以这一串东西凑在一起，就是这次的导火索。
Gavin是啊。而且黄仁勋是全世界最大的开源支持者。他是个非常理想主义的人，是个爱国的美国人，我认为他总是做正确的事。但如果开源对他的生意不利，他会成为全世界最大的开源支持者吗？就算对世界是对的事他也会支持。
顺带一提，我认为在只有一两个主导性前沿模型、收着 90% 毛利的世界里，开源非常重要。那样对人类不好，对社会可能也不好。我们之前讨论过，我们希望有很多模型。
然后市场消化了这件事，接受了。接着是中国有了 DUV 机器。所有人都在这些篮子里，这引发了半导体设备股的大幅抛售。
用最了解这门生意的人的行为来反推结论
这是一个标准的揭示性偏好论证：不听他怎么说，看他怎么做。
英伟达是全球唯一同时掌握前沿训练与推理两端真实需求数据的公司。如果开源真的会压缩算力总需求，那么全世界最有动机也最有能力压制开源的人，恰恰是黄仁勋。而他做的是相反的事：持续投入 Nemotron，把开源模型往前沿推。
Baker 的措辞很有分寸，他先承认对方可能确实是出于理想主义，再指出这个理想主义恰好不需要牺牲任何商业利益。这比断言「他是为了钱」更有说服力。
开源对芯片厂是护城河，不是威胁
如果前沿只剩一两家，它们对上游的议价权会变得极强，而且会有强烈动机自研芯片。开源模型越多、越接近前沿，买芯片的人就越分散，上游的定价权就越稳。
这条逻辑同样适用于内存厂：客户越集中，越容易被压价。后面关于长期协议的博弈论那一段，讲的其实是同一件事的另一面。
Gavin然后就到了我认为在很多层面上真正值得担心的那件事：实际利率上行了。这说得通，我们正在为这轮投资投入大量资金，而且信贷确实在其中占越来越大的比重，尽管大部分仍来自经营性现金流。所以实际利率上行，信用利差走阔。Meta 上周定价了一笔债，定价水平不是你以为 Meta 的债该有的水平。这说明信贷市场……
Patrick英伟达的 CDS 在大幅走阔。
Gavin所有人的 CDS 都在走阔。非常聪明的私募资本圈的人会说，这完全是意料之中，只是银行在对冲他们的承诺敞口。但话说回来，这看着确实不好看。而这些都是无可辩驳的事实：CDS 上行，利差走阔，实际利率上行。
如果这轮建设需要靠债务来融资，这会非常非常可怕。所以我才认为，已装机算力的现货价与合约价之间的这个价差，是如此重要。
实际利率、利差、CDS
实际利率是名义利率减去通胀预期，代表资金的真实价格。它上行，意味着所有依赖未来现金流的资产都要按更高的折现率重新估值。
信用利差是公司债相对同期限国债的额外收益率，代表市场要求的违约补偿。它走阔，意味着市场认为这些公司变危险了。
CDS是信用违约互换，本质是给一家公司的债券买保险。CDS 价格上行，等于保费变贵，是三者中反应最快、也最容易被放大的一个。
三者同向变动，指向同一个判断：市场开始给 AI 建设的融资端定价风险了。
为什么他承认这一条，而否定其他所有利空
注意他的态度突然变了。对开源恐慌、Meta 出租算力、中国 DUV，他都说市场误读了。唯独对信贷，他说这是无可辩驳的事实。
原因在于，其他利空影响的是利润的分配，而信贷影响的是建设能否继续。前者是谁赚钱的问题，后者是还能不能玩下去的问题。
他也给出了自己的证伪路径：如果这轮建设的资金主要来自经营性现金流，那么信贷市场的紧张就是噪音；如果主要来自债务，那么利差走阔就是丧钟。整场多空之争，最后压缩成了这一个变量。
「只是银行在对冲」是一个需要警惕的说法
私募圈的解释是：CDS 走阔并非市场看空，而是承销银行在对冲自己已签的贷款承诺，属于技术性买盘。这个解释多半是对的。
但要留意，凡是能把一个坏信号解释成技术性因素的说法，都值得多问一句。银行之所以要对冲，正是因为它们判断这些敞口的风险变大了。技术性买盘的背后仍然是风险判断，只是被翻译成了另一种语言。Baker 的处理很得体：接受这个解释，但拒绝因此把这个信号从清单上划掉。
Patrick理解未来六个月的融资环境会是什么样，太重要了。
Gavin关键在于这轮建设到底会在多大程度上依赖信贷。
Patrick那会是典型的资本周期：用债务把自己过度拉伸，然后事情就卡在那儿。
Gavin完全正确。而且债务驱动的建设，债主要求立刻还钱。所以只要供需稍微失衡，就可能非常迅速地崩解。互联网那一轮就是这么回事。
如果一个人像我这样相信这件事，不管对错，经过这个月我心态非常开放，我一直在给所有这些逻辑做压力测试，信贷这块我挖得特别深，因为它是真实存在、无法否认的。如果这轮建设需要信贷，那是重大利空。
但你把它建成模型算一遍。看看预计要上线的吉瓦数，以及市场对超大规模厂商的一致预期。这些吉瓦是 Blackwell 和 Rubin 的吉瓦，Rubin 是英伟达的下一代芯片，Blackwell 是当前这代。而一致预期实际上是按 Ampere 的变现率给它们建模的，Ampere 往前数两代，不是 Hopper，是 Ampere。在那个假设下，超大规模厂商的经营性现金流是 1.3 到 1.4 万亿美元。
我认为他们按 Ampere 的变现率变现的可能性非常小，原因可以展开讲，其中一部分就来自在硅谷这边看到的真实需求的量化指标。就算我们只假设他们的变现率相对当前的 Blackwell 有一定折价，那也更接近 2 万亿美元的经营性现金流。这就把 7000 亿美元的信贷需求给消掉了。
讽刺的是，随着这些改善、随着已装机算力重新定价，各项信用比率会变好，我们会继续加速。一致预期建模的是减速，我认为不太可能。那么信用指标会更好看，然后突然之间，用信贷融资反而更容易了。至于他们会不会选择这么做，再看吧。
一个假设的差别，价值 7000 亿美元
卖方模型里最不起眼、也最要命的一个假设是每一代芯片的变现效率，即一块 GPU 一年能产生多少收入。
当前的一致预期，是拿 Ampere（2020 年，A100 那一代）的变现率去套 Blackwell 和 Rubin。中间隔了 Hopper（H100）整整一代。这相当于用五年前的单机产出，去推算今天新机器的收入。
把这个假设从 Ampere 换成「相对 Blackwell 略打折」，超大规模厂商的经营性现金流从 1.3~1.4 万亿 变成 约 2 万亿。多出来的约 6000 至 7000 亿美元，正好等于原本要靠债券市场补的缺口。
可迁移的一课：在长周期重资产建模里，最大的分歧往往藏在一个没人讨论的效率假设里，而不是在增长率里。
信贷紧张会自我消解，而不是自我强化
常规的资本周期剧本是：融资变难 → 建设停滞 → 收入下滑 → 信用更差 → 融资更难。这是一个正反馈的死亡螺旋。
他给的是一个负反馈：融资变难 → 新增算力上不来 → 现有算力更稀缺、更贵 → 现金流改善 → 信用指标变好 → 融资又变容易。
他后面把这句话概括为问题本身变成了解法。这个结构成立有一个严格的前提：需求必须持续处在短缺状态。一旦需求见顶，这个负反馈会瞬间翻转成前一个剧本。他自己也很清楚这一点，所以他把「算力还短不短缺」当成每天都要重新验证的问题。
Gavin我们两个月前聊过，不对，是再上一次，聊过 Blackwell 空窗期的风险。
Patrick对，有印象。
Gavin就是你花几千亿美元买 Blackwell，而它们最初大部分被用于训练。训练不产生回报，这可能是个风险。第一季度你确实很明显地看到了这一点。
两个月前那期节目里，我之所以对这个风险变得安心，一个原因就是当时从 Anthropic 那边看到的东西太惊人了。于是就变成：好吧，市场大概会越过这件事往后看。四月、五月、六月市场确实越过去了，然后到了七月，因为这一堆事凑在一起，市场不再往后看了，而这恰恰发生在经营性现金流真正开始加速的时候。这是事实，它在很大的体量上加速。比如微软，六月单月就上线了一大块产能，这在二季度报表里根本还没体现。
所以归根到底就是一句话：你信不信在硅谷这边、从私营公司那里看到的量化需求信号会延续下去，从而让已装机算力随着合约到期被重定价到更高的价格，让经营性现金流上行。那样的话，这件事大部分能靠经营性现金流供养，甚至可能全部。如果按当前价格重定价，未来几年很可能全部都能自己供上。
什么叫 Blackwell 空窗期
一块新 GPU 到货后，通常先被投入训练下一代模型。训练期间它只烧钱，不产生任何对外收入；要等模型练完、上线服务，它才转为推理，开始变现。
于是在会计上会出现一段窗口：资本开支已经全额发生，对应收入还没开始。如果这个窗口够长、金额够大，报表上看起来就是投入巨大而回报为零。
这正是空头最喜欢截取的那一帧画面。而多头的回答是：这只是时间差，不是回报缺失。谁对谁错，取决于窗口有多长。
原文这里的 trading 应为 training
第三方转写把 training（训练）多处误写成 trading（交易）。本段以及后文关于持续学习的段落，凡语义指向的都是训练，译文已按训练处理。
他把整个多头论证压缩成了一个可验证的条件句
他自己给这段做了总结：一切都取决于私营公司的需求信号会不会延续。
这是个很干净的表述方式。它把一个庞杂的宏观判断，收敛成一个可以持续跟踪、也可以被证伪的单一变量。跟踪它的方式在前文已经给出：GPU 租金、GPU 可获得性、DRAM 现货价、token 增速。
值得学的不是他的结论，而是他愿意把结论挂在一个具体的、会给出答案的指标上。
Gavin这在市场里是非常不寻常的一段。技术派会说，这其实很像 2022 年。当时市场担心衰退、利率上行、通胀，你清楚地知道它在担心什么。DeepSeek 那次，你知道它在担心什么。解放日关税那次，你知道它在担心什么。总有一个非常清晰的东西，说来奇怪，这反而让人安心。
而这一次，我们聊了很多具体的点，可除了信贷之外，那些点都有点站不住脚。所以在这种情况下市场还在跌，技术派会说这有点吓人。按定义，撂倒你的总是你没看见的那颗子弹。我们以前聊过，我认为投资里最重要的三个词不是安全边际，而是「我不知道」。
但你在这边待了两个月，我也在这边。今天早上我刚跟一家公司聊过，他们租了几千张 Blackwell 的集群，这是那种所有人都想跟它做生意的最性感的创业公司之一。他们当时租的价格大概在每 GPU 小时 2 美元出头。现在他们要租的是完全一样规模、各方面基本相同的集群，B200，没有任何差别，七个月之后，他们希望能以略低于 4 美元的价格拿下。
这挺疯狂的。因为你本来会期待，价格温和下行才算利好，结果我们是涨的，看起点不同，六七个月涨了 50% 到 60%。这样的例子太多了。有一家推理云，我记得是 Baseten，我不太确定，他们上播客说，我们预计合约到期时要为 Blackwell 多付 100%。这基本就意味着，所有超大规模厂商都在囤算力。
找不到反派，才是最吓人的地方
这是全篇少见的、他站在自己对立面说话的一段。逻辑是这样的：
2022 年、DeepSeek、关税，这三次下跌都有明确的、可命名的原因。原因明确，意味着可以被定价、被消化、被证伪。而这一次，他把每个被点名的利空都拆掉了，市场却还在跌。
对多头来说，这可以解读成市场错了。但技术派的解读正好相反：当所有能说出口的理由都不成立时，真正的原因很可能是你还没识别出来的那个。他没有辩驳这句话，只是把它记下来，然后说投资里最重要的三个词是「我不知道」。这种把最强的反方论证原样保留下来的做法，本身就是一种诚实。
同一个集群，七个月贵了近一倍
同一家客户、同样规格的 B200 集群、同样的租期。七个月前 约 2 美元/GPU 小时，现在接近 4 美元。另一家推理云则准备在续约时多付 100%。
这个例子之所以有力，在于它控制住了几乎所有变量：同一个买家、同一款芯片、同一种规模。价格变化不来自结构差异，就来自供需本身。
对比一下常规的重资产周期：设备的二手价格随折旧单调下行，这是几乎所有周期行业的铁律。旧 GPU 涨价，说明这轮的约束不在芯片，而在电力、机位和交付时间，那些东西没法靠加快流片来解决。
关于句尾那个词
原文稿此处为 aderting，从上下文看应是 hoarding（囤积）或近义表达，译文按囤算力处理。
Patrick我这周主要的任务就是做压力测试。
Gavin对，跟我说点负面的。就像我问你的那个问题：你有没有听到过一个负面的量化指标。这是我逢人就问的。
Patrick大家主要说的是，第三方数据显示 Anthropic 的曲线开始稍微偏离原来的轨迹。这是我听到的唯一一条。
Gavin这很可能是真的。但同时你有 OpenAI 和开源在大幅加速。
Patrick对，要看整个复合体。
Gavin你看合计数，是净加速的。开源有点像，人们讲宇宙里的暗物质，开源对公开市场来说就是暗物质，公开市场很难测量它。但你只要去追这些推理云在说什么、人们在播客上说什么、在会议里说什么，这些不是经审计的财报，可需求明显在加速。这也说得通，因为 GLM 5.2 和 Kimi K3 带来了一次巨大的能力跃迁，我认为这个趋势会延续。我认为你会看到英伟达把 Nemotron 稳步推向接近前沿的位置。
但这个月确实让人谦卑，很难熬。同时也让人感慨：我把每一个假设都压力测试了一遍，底层基本面在改善。就在我们录这期节目的时候，英伟达的前瞻市盈率是过去十年最低。太疯狂了。半导体股比现在更便宜的时候只有解放日和 DeepSeek 那两次，而那两次都是 V 型底。
为什么是暗物质，而不是别的什么
暗物质的特点不是「不存在」，而是不发光，所以望远镜看不见，但它的引力效应清清楚楚地摆在那里。天文学家正是通过星系转速的异常，反推出它必须存在。
开源在公开市场里就是这个角色：它没有财报、没有券商覆盖、没有可比公司，任何自上而下的模型都装不下它。但它消耗的 GPU 小时、抬升的租金、拉动的内存需求，全都真实地体现在别人的报表里。
推论也就跟着出来了：凡是从上市公司报表自下而上加总出来的 AI 需求，都会系统性地低估真实需求。差额的那一块就在暗物质里。
十年最低的前瞻市盈率意味着什么
前瞻市盈率等于股价除以未来十二个月的预期每股收益。它创十年新低，只有两种可能：要么股价太低，要么分母上的盈利预测太高。
市场选的是第二种解释，也就是分析师的盈利预测根本不可信，英伟达处在严重的超额盈利状态，未来会跌回来。Baker 没有回避这一点，他直接承认市场百分之百是这么想的，而且也许是对的。
他补的那句才是重点：上两次半导体股更便宜的时候，都是 V 型底。这不是论证，是一次概率提示。他很清楚这两者的区别。
Patrick这在你看来就意味着，市场认为他们的盈利被显著高估了。
Gavin市场百分之百认为他们在严重超额盈利。我们需要保持谦卑，也许真是这样。但我这周在这边的任务就是拼命去找负面的数据点。
通常你来一趟硅谷，会听到一些负面的、一些正面的，来来回回，总体偏正面，科技在长期创造价值。可这次我一个量化指标都找不到。除了 Anthropic 那份第三方数据。而那份数据看起来被 Anthropic 的股东们激烈质疑，他们迫不及待想告诉你他们知道的事。但他们同时又很害怕：如果公司知道是他们出来说其实一切都很好，他们可能拿不到 IPO 额度。你能感觉到 Anthropic 的股东们特别想说这不是真的。
我很难相信开源和 OpenAI 加速到了那种程度。但 Anthropic 显然还在领跑。另外，Grok 和 Cursor 也很强，从第三方数据能看到，七月随着 Grok 4.5 和 Grok build 发布，是相当有转折意义的一个月。
所以这是很棘手的一个月。我有个在富达的朋友说，过去三年最有效的做法，就是尽可能快地去做那件最蠢、最表面的事，然后在这些事之间轮动。
Patrick那现在那件事是什么？
Gavin现在就是整个月都在降风险，去响应那些除了信贷之外事实上并不成立的叙事。而我们做的工作让我认为，随着重定价，信贷根本不会成为问题。
就算你真的需要信贷来建出我们需要的算力：如果信贷不到位，那只意味着已经存在的算力更值钱，然后这会改善各项指标，然后信贷就来了。所以只要我们还处在算力短缺中，而我几乎是绝望地在找哪怕一个迹象说明我们不在短缺、说明它没有几乎每天都在加剧，问题本身就变成了解法。
唯一的负面数据，出自一群有动机沉默的人
整场对话里唯一的利空是「第三方数据显示 Anthropic 增速放缓」。而知道真相的人，也就是 Anthropic 的现有股东，处在一个很别扭的位置：
他们手里有反驳这个数据的信息，也非常想说。但一旦他们公开出来说公司很好，就等于承认自己在讨论公司的非公开经营情况，而这可能影响他们在 IPO 时拿到的配售额度。
于是形成一个不对称：能证伪这条利空的人被激励保持沉默，而传播这条利空的人没有任何成本。在一级和二级市场的交界地带，这种结构性沉默经常被误读成默认，进而被当成印证。看到孤证时，先问一句：如果它是假的，谁有能力反驳，那个人为什么不说话。
短缺的自反性：问题变成解法
这是第 08 段那个负反馈的完整版本，值得单独记住。
逻辑链是：信贷收紧 → 新增供给受限 → 存量资产更稀缺 → 现金流改善 → 信用修复 → 信贷重开。
凡是供给受长交期物理约束的行业，这个结构都成立。电力、机位、变压器、涡轮机、HBM 产能，这些东西没法用钱在一年内变出来。融资困难在这类行业里首先削减的是供给，而不是需求，于是它反而抬高了存量资产的价值。
但请始终记住那个前提：需求必须仍在短缺。他自己每天都在找短缺结束的证据，这个动作比结论更值得学。
Gavin另外有家公司叫 Black Forest Labs，我希望名字没记错。有人发给我一篇很有意思的文章。我们以前聊过 Mike Mauboussin 的理论：多样性的崩塌，才是泡沫与崩盘的成因。
而现在，我认识的做公开市场股票投资的每一个人，不管是散户还是机构，每一条新闻都被喂进 Claude，Claude、Claude Code，有时候是一个 Claude 智能体。它是概率性的，它解读这条新闻的方式很可能没有太大差异。
所以我们几乎回到了从前。用股市的话说，股市里从来没有出现过这种情况。人们常讲媒体的碎片化，说以前有沃尔特·克朗凯特，唯一的真相之声，现在没有了。而Claude 有点像是股市的沃尔特·克朗凯特，所有人都相信它说的任何话。
顺带说一句，它非常聪明，但它并不总是对的，它的解读不总是正确的。而股市在本质上处理的，是对未来的一种概率性的贝叶斯解读。
现在市场的感觉就是：来了一条新闻，喂进 Claude，Claude 这样解读，然后一大批人按 Claude 的观点去交易。所以你会看到一些现象。X 上有个人叫 tbu，属于那个匿名的半导体黑帮，其实是个很聪明的人，我现实里认识他。他发了一张日本电容股的图，说我们在六周里走完了一整轮电容周期。这是真的。那些股票翻了两倍、三倍还是四倍我不确定，但就是垂直上去，然后咻地下来。真正的基本面根本还没兑现。可你已经把正常情况下要三年的一轮周期，在六周里走完了。
（此处为 Vanta 与 Ridgeline 广告口播，略。）
当所有人用同一个模型解读同一条新闻
Mauboussin 的原始命题是：市场之所以有效，靠的不是每个参与者聪明，而是他们以互相独立的方式犯错，错误因此互相抵消。泡沫和崩盘不是因为大家变蠢了，而是因为大家的判断变得高度相关，独立性消失了。
他指出的新现象是：过去投资者的意见分歧，来自各自不同的经历、模型和偏见。而现在，同一条公告被同一个模型、以近似的提示词、在几分钟内解读给成千上万个账户。模型输出虽是概率性的，方差却远小于人群。
结果就是判断的相关性被系统性地推高了。这不是关于 AI 好不好用的问题，而是市场微观结构的一次变化：共识的形成速度被压缩，而分歧的存量被抽走。
可操作的推论有两个。其一，价格发现会变得更快也更极端，六周走完三年周期就是这种压缩的具体形态。其二，真正的超额收益开始来自不用同一套工具、或者用同一套工具却问了不同问题的人。当整个市场都在读同一份摘要时，稀缺的不再是信息，而是视角的独立性。
股价可以走完整轮周期，而基本面一秒都没动
日本电容股的例子里，营收、订单、价格这些真实的东西一个都还没变化，股价却已经完成了从预期上行到预期见顶的全过程。
这意味着，在这种市场里，等基本面确认再动手的人，会永远错过整段行情，并且经常在基本面终于变好的那一刻买在最高点。这不是在鼓励追涨，而是在提示：当定价机制的反应速度变了，仓位管理的节奏也必须跟着变。
Black Forest Labs 这句在原文里是断的
原文稿此处语义不连贯，说完公司名后直接跳到了一篇文章。可能是他一时想不起来源出处。这句话不影响后文的论证，保留原样。
Patrick你在这边的感受是什么？尤其让我好奇的是，这里正在发生的、用来提升训练和推理服务各个环节效率的创新，以及这些东西长期会怎么影响公开市场。那些长周期的创新里，有没有什么让你特别兴奋或者特别好奇的？
Gavin有，我非常好奇。很多人似乎觉得，他们已经非常接近解决持续学习和样本高效学习了，这个我们以前聊过。如果这些被解决，是有可能造成需求上的一次暂时性断层的。
如果说我这个人实际上是在大约 200 亿 token 上被训练出来的，而这些模型是在 300 万亿 token 上训练的，那么假如你能用 10 万亿 token 训练出点什么，然后把它放到真实世界里去样本高效地学习，这对训练需求听上去不是好事。但训练占半导体算力需求的比例，本来就会渐近到一个不接近零、但非常小的数。
我会说那是最有意思的科学或技术层面的收获。谁知道它是长周期还是短周期的事。SSI 说他们八月会拿出模型。有一整代新实验室专注在这件事上。
Patrick而且这对世界是好事。
Gavin这会非常了不起，对世界是天大的好事。
Patrick我们都想要这个。
Gavin对，我们想要这个。而且我很难相信它对 AI 基础设施需求真的是负面的。但还是那句话，我努力保持非常开放的心态。同时我们也就是不知道。另外，英伟达跟所有这些创业公司都有很深的关系。
持续学习与样本效率
持续学习指模型部署之后仍能从新经验中学习并保留，而不是把知识冻结在训练完成的那一刻。今天的模型每次对话结束基本就忘掉了，长期记忆要靠外挂的检索来模拟。
样本效率指学会同一件事需要多少数据。人类看几个例子就能掌握的规律，模型往往需要成千上万个样本。
两者一旦解决，训练范式会从一次性灌入海量数据，转向小规模启动加上持续在线学习。这就是他说的需求断层的来源。
200 亿对 300 万亿，相差一万五千倍
一个人活到成年，通过语言接收的信息量估算在 1010 token 量级。前沿模型的训练量已经到了 1014 量级。
也就是说，模型用了比人类多约一万五千倍的数据，才达到大致可比的通用能力。这个差距本身就是样本效率问题最直白的度量。
反过来看，它也标示出剩余空间有多大：如果哪天模型的样本效率能提升哪怕一个数量级，训练所需的算力和数据会同时塌掉一大截。这既是最大的技术机会，也是他愿意承认的、对训练需求最实在的一个风险。
他的化解方式：训练占比本来就在趋近于零
他对这个风险的回应不是否认，而是重新划定分母。今天算力需求里训练占很大比重，但随着用户规模扩张，推理会压倒性地主导，训练占比会渐近到一个很小的数。
所以即便训练需求真的塌了一半，落在总需求上的冲击也在收窄。请注意这是个关于时间的论证：如果持续学习明天就实现，它砍掉的是今天占比很大的那块蛋糕；如果是五年后，那时训练早已不是主要用途。他真正在赌的是时机，不是方向。
Patrick如果非要你说出一组能让你彻底掉头、真正害怕起来的情形，是不是就是经营性现金流这件事没兑现，于是整件事只能靠债务来融资？
Gavin对。如果经营性现金流不再继续加速，那是负面的。这在某种程度上取决于 Anthropic、OpenAI、Grok、Cursor 和开源做得怎么样。
如果 GPU 价格出现相当剧烈且持续的收缩，市场会立刻反应，那会很让人担心。如果拿到 GPU 开始变得很容易。我是说，你有没有听谁说过他 GPU 太多了？
Patrick没有。
Gavin一个人都没有，对吧。
Patrick实际上恰恰相反。听起来像个毒品市场。
Gavin是啊，真的很像，太离谱了。但我认为有一长串挺显而易见的东西。如果这些实验室的合计收入见顶或者开始下滑，那非常负面。除非那只是因为开源 token 在净做大蛋糕、同时抢走份额。
他自己的翻空触发条件
他在这里给出的是一份预先写好的证伪清单，一共四条：
① 超大规模厂商的经营性现金流停止加速；② GPU 价格出现剧烈且持续的下跌，注意他强调持续，一两周的波动不算；③ GPU 变得容易获得，也就是有人开始说自己算力太多；④ 各实验室的合计收入见顶或下滑，且不能用开源做大蛋糕来解释。
这份清单的价值不在于内容，而在于它是在下跌途中、情绪最容易漂移的时候写下来的。事先约定好什么信号会让自己改变主意，是对抗事后合理化最有效的办法。任何一份重仓逻辑都值得配一张这样的清单。
他强调的是合计，不是单家
第 ④ 条特意用了合计这个词。单家实验室增速放缓可能只是份额转移，比如 Anthropic 的用户流向 Grok，或者从前沿模型流向开源。这类变化对上游算力需求是中性的。
只有整个复合体的合计收入掉头，才意味着终端需求真的出问题了。这也解释了他为什么对那条 Anthropic 的利空数据反应平淡：他跟踪的层级比大多数人高一层。
Gavin我确实认为未来是多模型的，尤其对 AI 原生公司来说。他们会想拿一个开源模型来用。这些推理云在监督微调和强化学习上已经做得非常好，所以你可以拿自己的数据去定制一个开源模型，得到一个可以放在路由器后面的东西。路由器通常先把请求发给你自己的模型，然后交给 Claude、某个前沿模型或者别的，由 Claude 或 Grok 来做校验。很多情况下，你能以一半的成本拿到略好一点的结果。
但同样，很多人一听到成本减半就觉得这对 AI 需求是坏事。其实完全不是。因为用户付的价格，只是 token 上那层毛利的函数。你只不过是把 token 从毛利率 90% 的很贵的那类，挪到毛利率大概 30% 的那类。省下来的钱是从这儿来的。但生产这些 token 消耗的算力是一样的。
而且这些事情发生在不同的周期节奏上。所有这些大型上市公司都在喊：天哪，我的 AI 支出涨了 20 倍，三个月就把预算烧光了。于是他们搭一个路由器，这确实砍掉了他们的 AI 支出，但并不真的影响算力消耗，甚至可能因为把请求挪到更便宜的开源 token 上，而增加了他们生成的 token 总量。那就是更多算力。
所以一家公司在哪个任务该用哪个模型这件事上变聪明了，可能导致他们的支出稳住甚至下降。但这跟他们在路由器背后那些模型层实际消耗的 GPU 算力小时数毫无关系。随着你转向更便宜的 token，GPU 算力小时数很可能是上升的，因为你可以用得更多。
这发生在上市公司里最前沿的那一小撮身上。然后你还有一整波 AI 原生公司，他们全力压上这条路，他们不招人，基本把钱都投进 token 里，他们没有在减速。再往后是美国东海岸那些几乎还没怎么用上 AI 的公司，泛泛地说，不在两岸的公司里可能有一些在削减。然后是欧洲，还在琢磨怎么在用 AI 之前先把它管起来。
Patrick先监管，再使用。
Gavin对。所以就是这几股采纳浪潮在同时发生，节奏各不相同。
但我脑子里挥之不去的一个念头是，我上次可能说过：全世界大概 50 万人，也许 25 万人在用智能体形态的 AI，而我们已经处在急性算力短缺里。地球上有七八十亿人。当我们从 50 万走到 1%、走到 1 亿、5 亿的时候，会发生什么？
企业的 AI 账单下降，机房的负荷却在上升
这里有两笔完全不同的账，市场经常把它们混成一笔。
企业付的钱＝ token 数量 × 单价，而单价里含着模型厂商 30% 到 90% 不等的毛利。机房消耗的资源＝ token 数量 × 单位算力成本，跟毛利完全无关。
搭一个路由器，把简单请求分给便宜的开源模型，账单可能砍掉一半。但砍掉的几乎全是模型层的毛利。更要命的是第二重效应：单价降下来之后，同样的预算能买更多次调用，于是 token 总量上升，GPU 小时数反而增加。
所以「企业 AI 支出增速放缓」这条新闻，同时是模型层的利空和基础设施层的利好。用它来看空算力需求，是把价格信号错当成了数量信号。
路由器是怎么工作的
在应用与模型之间加一层调度：先判断这个请求有多难，简单的交给自己微调过的开源小模型，复杂的才送到前沿模型，有时再让前沿模型回头校验小模型的输出。
这套结构对应用方有三重价值：成本下降、对单一供应商的依赖减弱、自有数据沉淀在自己这边。后面第 23 段讲套壳公司如何长出护城河，用的就是这套结构。
25 万人就已经短缺了
这是他整个多头框架里时间跨度最长的一条论据，也是最难反驳的一条：在真正使用智能体形态 AI 的人可能只有几十万的情况下，算力已经处在急性短缺。
渗透率从这里到 1 亿是两个数量级，到 5 亿是接近三个。哪怕单位任务的算力成本每年下降一个数量级，数量的增长仍然快过成本的下降。
这条论据的另一面同样值得记住：它无法被短期数据证伪，因此在任何一次下跌中都可以拿出来用。凡是这种性质的论据，都要小心它变成信仰而不是判断。
Gavin我确实觉得在 X 上发帖有用，能看到反驳。很多人说：我们接受你的论点，超大规模厂商现在是低估了自己的盈利能力，算力会重定价，他们的经营性现金流会加速，也许我们能供得起这件事。但那些经营性现金流从哪儿来？客户在哪儿？
基本上按定义，它只能来自两处：通过生产率带来的更快的经济增长，也就是萨提亚说的那种，要么我们开始以 10% 的速度增长，要么就没有；或者来自对劳动力的替代。
我确实认为在很多 AI 原生公司里你看到了劳动替代，但不是因为他们在裁人，而是他们不再招那么多人。人均毛利润，a16z 那张很有名的图，还有一批做过这类研究的公司，这个数字是垂直往上的，尤其是相对上一代创业公司。你有没有对你们投的公司做过关于 token 支出相对人力支出的调研？
Patrick有，就是 token 占总薪酬支出的比例这类口径。
Gavin你看到的范围是多少？
Patrick在那些真正吃透了 AI 的公司里，这个数会很高，20%、25%。
Gavin我们的朋友 Dylan Patel 在他公司是 30%，他是个 ASI 极端派。
Patrick那大概是我听过最高的。
Gavin我其实听过 50% 的。而知识工作的盘子是 25 万亿美元。就用你那个 20% 的数，那就是 5 万亿。这 5 万亿要么来自劳动替代，要么来自更快的经济增长。而作为人类，我们非常非常希望它来自更快的经济增长。
25 万亿 × 20% ＝ 5 万亿
这笔账在回答一个所有 AI 多头都躲不开的问题：这些天量资本开支，最终要靠谁付钱。
他的推算路径是：全球知识工作的薪酬盘子约 25 万亿美元；在最激进的采用者那里，token 支出已达薪酬的 20% 至 50%；如果这个比例向全社会扩散，对应的 token 市场就是 约 5 万亿美元。
作为对照，全球半导体行业目前的年收入大约是 7000 亿美元量级。这就是他敢说算力需求还有几个数量级空间的算术基础。
这笔账最脆弱的环节在扩散假设：今天的 20% 来自一小撮最激进的样本，它们是自选择的结果，而不是随机抽样。
劳动替代正在以不招人的形式发生
市场一直在等一个明确的裁员信号来确认 AI 的生产率效应，而他指出这个信号可能永远不会以那种形式出现。
真实的路径是：公司不裁人，只是不再招下一批人。这在报表上体现为人均毛利润的垂直上升，在宏观数据上体现为失业率不动，但招聘率下滑。
推论有两层。对投资：判断 AI 生产率红利，要看新增岗位数和人均创收，而不是裁员公告。对社会：这种形式的替代没有受害者的名单，因而政治上更平静，但对刚入行的年轻人冲击最大。他在这里选择的措辞很克制，说我们非常希望这 5 万亿来自增长而不是替代，这句话既是投资判断，也是一句立场表态。
Patrick今早我从一位创办过好几家公司的顶尖科技 CEO 那里听到一个有意思的说法。如果你看那些创始人主导和控制的公司，并且把疫情期间的过度招聘调整掉，其实没有人在真正裁员。这些人本该是最快用 AI 来提效的一群人。他们并没有搞大规模裁员，这大概说明了一些事情：他们认为仍然会有大量需要人的机会。
Gavin百分之百同意。多头逻辑是，你看到过 Cognition、Ramp 和 Stripe 出的图：在 AI 上花钱最多的公司，增长明显更快。
Patrick我很喜欢那个 Cognition 指数。
Gavin那个指数太离谱了。所有怀疑者都会指出，它没有控制行业变量，这批评是对的。但你往下挖，我记得其中有个例子是水管工还是暖通承包商，反正蓝领工人因为 AI 过得非常好。
创始人不裁员，是一个信息量很高的信号
这个论证的巧妙之处在于选对了样本。创始人主导且控制投票权的公司，既没有季度业绩的短期压力，也最了解 AI 到底能替代什么。
如果 AI 真的能大规模替代人力，这群人应该最早、最果断地动手，因为他们不需要向任何人解释。他们没有动手，两种解释：要么替代的能力还没到位，要么他们判断把省下来的人力投向新业务的回报更高。
无论哪一种，结论都指向同一个方向：这一轮更像是产能扩张，而不是成本削减。
指数很漂亮，但因果方向是反的也说得通
Cognition 指数显示，AI 支出最高的公司增长最快。但这完全可以反过来读：增长最快的公司，本来就更有钱、更愿意在新工具上花钱。
Baker 主动把这个批评说了出来，并承认它是对的，然后用蓝领工人受益的例子来侧面支撑。请注意，那个例子是轶事，不是对因果的证明。
这里值得学的是他的处理方式：把最强的反方意见原样陈述，不做削弱，然后清楚地标出自己的论据只到轶事这一级。这比假装批评不存在要可信得多。
Gavin顺带一提，有件事我觉得我们该聊。所有人都在引用这些长期协议，所以一切都处在短缺状态。如果有什么疲软，那只是因为我们没法足够快地把吉瓦通上电。这些吉瓦最终会通上电的。监管政策在往好的方向走，涡轮机厂商、柴油机厂商，你甚至看到有人把旧飞机上的涡轮拆下来翻新再利用。正在发生一些疯狂的事。资本主义非常非常擅长这个。
但我认为市场上最重要的问题之一，也是我自己看错了的一个转变，是：我们正在发生一种切换，尤其是在内存上，从短期上打爆数字，切换到用短期的上行空间去换确定性。就是那些所谓的供应链协议、长期协议，LTA。它有很多种形式，客户预付款，设有价格下限和上限。
这又回到关于劳动力的那个话题。因为很多人在疫情期间裁人裁多了之后，非常不愿意再裁员，当时叫劳动力囤积，你记得几年前这个说法吗？
Patrick记得。
他承认自己看错的地方：周期股正在变成合约股
他专门点出这是自己判断错误的地方，很值得停一下。
内存历来是最典型的周期股：紧缺时价格暴涨、利润暴增，估值给得极低，因为所有人都知道这个利润不可持续。而 LTA 改变了这件事：厂商用放弃现货暴涨的上行空间，换来多年可见的量与价，以及客户的预付款。
结果是，短期利润被削平了，看起来像利空。但盈利的可预测性大幅提高，估值方法就该从周期股的低倍数，切向带有合约收入属性的定价。他说自己错，错在拿旧口径去看短期数字，而没有第一时间给这个转变重新估值。
可迁移的一条：当一个行业开始用上行空间换确定性时，最先变的往往不是盈利，而是它该被套用的估值框架。
LTA 是什么结构
长期协议，在半导体和内存行业也叫供应链协议。典型条款包括：约定多年的采购数量，设定价格的下限与上限（厂商拿到保底，客户拿到封顶），以及客户的预付款，这笔钱直接用于建产能。
它的本质是双方各让一半：厂商放弃暴涨时的超额利润，换取产能不空转；客户放弃暴跌时的抄底机会，换取拿得到货。
Gavin我们来想一想，撕毁一份 LTA 的博弈论是什么样。
在规模上真正重要的买家有四家：亚马逊有 Trainium，谷歌有 TPU，还有 AMD，然后是英伟达，它比其他所有人加起来还大得多。
假设现在是 2027 年。有一点很重要：对于给定单位的算力，你给每一个浮点运算配的内存越多，产出的 token 就越多。这是提升单位算力 token 产出最重要的一件事。而这按定义又直接降低了成本，所以需求根本没有出现任何负面反应，没有出现弹性效应，因为它是压倒其他所有维度的那个轴。
这在某种程度上就像这些公司之间的一场巨大的权力游戏。好，现在是 2027 或 2028 年。你隐隐有点想撕掉一份 LTA，去拿一个更低的价格。但很大程度上，我认为未来几年的市场份额将由供应链分配、由你预先买下了什么来决定。
所以如果你撕毁 LTA，这里假设我们不处在严重的供过于求里，其实即使在严重供过于求下这个博弈论也成立。如果你撕了 LTA，然后未来两三年里由于任何原因议价权重新回到内存厂商手里，你就完蛋了，游戏结束。
就说谷歌撕了一份 LTA，出现了供过于求，我瞎编一个时间，28、29 年。如果他们在撕 LTA，那多半意味着市场供过于求、价格在下行，然后产能自然收缩。那你觉得谷歌拿到的分配会怎么样？而且这是个周期性行业，供过于求之后就是供不应求。他们觉得下一轮自己的分配又会怎么样？
所以鉴于现在一切都围着这个轴在转，撕一份 LTA 可能把你整个生意和整个特许经营权都炸掉。这在以前是不存在的。苹果，谁在乎呢，他们没有竞争对手，他们是压倒性的最大买家，这是往前数三四五年的事。他们知道自己可以为所欲为而不承担后果，因为他们的量太大了，就算把海力士坑得再惨，美光当然还是会接。
现在完全不同了。你至少有四个玩家，还有那些创业公司，你是 Etched 的投资人。如果你撕毁 LTA，对方就会说：行啊，很好，你撕了价格协议，那我们就撕量的协议，我们把量给你的竞争对手，你就丢份额了。
为什么内存是压倒一切的那根轴
大模型推理的瓶颈通常不是算得不够快，而是参数和上下文搬不进来。每生成一个 token，都要把模型权重和累积的上下文在显存里过一遍。
所以在算力固定的前提下，给每单位算力配更多、更快的内存，直接等于更高的 token 产出。而 token 产出上去，单位 token 成本就下来。
这解释了两件事：其一，为什么 HBM 而不是逻辑芯片成了这一轮真正的卡脖子环节；其二，为什么成本下降没有换来需求萎缩，反而是需求继续超过供给。
撕约的收益是一次性的，代价是永久的
这是一个标准的重复博弈论证，而且他把两种情形都推了一遍。
撕约能拿到的，是当期一点价格折让，一次性的收益。要付出的，是在下一轮短缺时被排到分配队列末尾，而这个行业保证会有下一轮短缺。
更狠的是他补的第二层：撕约通常只发生在供过于求的时候，而供过于求会让厂商主动收缩产能，收缩之后必然转向短缺。所以撕约的时点，恰恰是最接近下一轮短缺的时点。占的便宜和挨的打之间，只隔了一两年。
由此推出的投资含义：市场份额将由供应链分配决定，而不是由产品好坏或价格决定。谁提前锁了量，谁就锁定了未来几年的份额。这也是判断这几家算力买家竞争格局最实用的一把尺子。
苹果那套剧本，现在会把自己玩死
苹果过去可以随意压榨供应商，因为它满足两个条件：自己是压倒性的最大买家，且供应商之间竞争激烈。被坑的那家不接，还有下一家抢着接。
今天的算力市场把这两个条件同时反过来了：买家有四家且实力接近，谁都不是压倒性的；而卖家侧的 HBM 高端产能高度集中，是供应商在挑客户。
议价权翻转之后，同一套采购策略从聪明变成了自毁。凡是从「我是最大客户」推导出来的谈判优势，都要先确认这个前提今天还成不成立。
Gavin英伟达的统治力，以及当前这个环境对它有利的程度，我有点难理解它为什么在这么低的倍数上交易。
换句话说：如果你需要能把芯片融出资来，而你确实需要，那么没有什么比英伟达的 GPU 更好融资的了，没有。如果你需要拿到土地和电力，他们把这盘棋下得非常好，在做撮合。
然后他们推出了一个很聪明的新商业模式，我会把它形容成带收入分成的信用包装。这可能让他们非常快地通过分成实质上拥有一块巨大的云业务。这也是缓解现金流错配的另一种办法：我们在赚所有的现金。
这不算真正的供应商融资，因为不是他们把钱借给买家，是别人在借钱给 GPU 买家。他们仍然做股权投资，但不是那种你把钱投给某人、然后那笔钱里的一部分又被拿来买你的芯片。虽然英伟达说，他们在所有股权投资里都写明这笔钱不能用于购买英伟达的芯片。但显然，钱是可以互相替代的。
Patrick那条款说不通。
Gavin是啊。但我想在某种程度上，它大概能让所有人心里舒服一点。
信用包装加收入分成，到底是什么
传统的供应商融资是：厂商借钱给客户，客户拿这笔钱买厂商的产品。这在通信设备业出过大事，因为收入是自己借出去的钱变的，一旦客户倒下，货款和贷款一起消失。
他描述的这个结构不一样。出钱的是第三方债权人，英伟达提供的是增信：可能是回购承诺、残值担保或类似安排，让贷款方敢放款。作为提供增信的对价，英伟达拿一份未来推理收入的分成。
三方各得其所：买家拿到了本来借不到的钱，债权人拿到了一层保护，英伟达把一笔一次性的硬件销售，变成了一次销售加一条持续的收入流。
一家硬件公司正在给自己装上云的现金流
硬件生意的估值倍数天然低，因为收入是一次性的、周期性的。云和特许权收入的倍数高，因为它经常性、可预测。
这个结构做的事情，是把一部分硬件收入转译成特许权收入：不建机房、不承担运营，却按机房产生的推理收入抽成。如果规模铺开，英伟达实质上拥有一块巨大的云业务，而资本开支由别人承担。
同时它还解决了这一轮最核心的时间错配：芯片款要现在付，推理收入要几年才起来。用增信把中间的缺口桥起来，代价是让渡一部分未来收入。
风险也必须说清楚：增信意味着英伟达承接了买家的信用风险。它没有出现在收入里，但会以或有负债的形式留在表外。真到需求转弱那一天，这层包装会同时放大损失。
那句「钱不能用来买我们的芯片」
英伟达在股权投资协议里写明资金不得用于采购英伟达芯片，是为了避免被指认循环收入。但正如两人都指出的，钱是同质的：给了对方一笔钱，对方原本要用于别处的钱就腾出来了，最终结果没有区别。
这类条款的真实作用不在经济实质，而在合规叙事。Baker 那句「大概能让所有人心里舒服一点」，其实是一句相当克制的批评。看到这类条款时，正确的读法是把它当成提示信号：写这条的人知道这里有个问题。
Patrick如果你是海力士的 CEO，你会怎么做？
Gavin我会做的跟英伟达现在做的一模一样：我会去找 GPU、Trainium 之类的买家，说我愿意参与英伟达的这个信用包装。当然，他们的生意本身没那么稳定、没那么可预测。也许他们先拿出一笔现金，这样就不用一直背着风险。我这都是现编的。但就是做点这样的事，因为你现在手里有钱，而信贷市场在造反。
我相信黑石和阿波罗的朋友们正在向内存公司提类似的变体方案。就是说，我们从今天的现金流里拿出一笔钱，这笔钱就出去了，它给放债的人提供了一种确定性，让他们心里更踏实。但作为交换，我们要在未来的收入里分一杯羹。这百分之百是我会做的事。
这几乎就是 LTA 的逻辑延伸：在 LTA 里他们用上行空间换确定性，而在这里，你实质上能拿到经常性收入的一份分成。英伟达做的就是这件事。我认为这被严重误解了。我觉得英伟达好好解释这件事，对他们自己有很大好处。
他们本质上就是非常看好 AI。基本上每一次他们没有拿股权的东西，事后都被证明是错的。他们几乎在所有东西上都拿了股权，除了内存公司，以及很长一段时间里的 Anthropic，后来他们也拿了 Anthropic 的股权。
为什么不呢？如果你有现金流、你看好 AI，而黄仁勋因为见过每一家实验室，他知道所有的进展，比如所有这些做持续学习的实验室，Safe Superintelligence 现在也在跟他们合作，他什么都看得到，而他看到的东西让他非常看好。所以第一，拿一些股权上行；第二，拿一份收入分成。你在产出几千亿美元的自由现金流，同时帮忙弥合一个明显存在的缺口，至少在所有人的自由现金流都转负、直到经营性现金流加速到能自己内生供养之前，这个缺口是存在的。这非常机会主义，是好的那种机会主义。而且它显著提高了他们的每吉瓦收入，同时也强化了他们的竞争地位。
你我都投了一些创业公司。好，就算你用那家创业公司的芯片，他们在台积电付的价格是多少？比英伟达高。他们买 HBM 付的价格呢？更高。你能像英伟达那样以同样的利率轻松地为那些芯片融资吗？不能。所以总是有一层实实在在的负担，尤其是如果你用 HBM，你就在这个火力网里。除非像 Etched 那样，他们做了非常不一样的架构选择。
内存厂手里有钱，而信贷市场在造反
这个建议成立的条件有两个，缺一不可：内存厂当下现金流极好（HBM 紧缺带来的超额利润），以及客户借钱正在变难（前面说的利差走阔）。
两者叠加，就出现了一个套利机会：拿自己此刻最不缺的东西（现金），去换自己最缺的东西（长期收入的确定性）。
他把这称作 LTA 的逻辑延伸，是准确的。LTA 用价格上行空间换量的确定性，这个结构则更进一步，用现金换取分享客户成长的权利。
挑战者的成本劣势是叠加的
他列了一份挑战者的成本清单，值得当成分析框架用：晶圆代工价格更高（量小拿不到最优价），HBM 采购价更高（排在分配队列后面），融资成本更高（残值不被认可，抵押率低）。
关键在于这三项是叠加的，而且都源自同一个根因：规模不够。所以架构上再省 30% 的算力，也可能被这三项成本吃光。
他也留了一个出口：除非你做出完全不同的架构选择，比如绕开 HBM。这正好接上了本篇最后关于 SRAM 加速器的那一段。真正可能撕开缺口的挑战者，不是把 GPU 做得更好的人，而是不走这条供应链的人。
Gavin正在发生的一切实际上对他都相当有利。顺便说回博弈论：Anthropic 如果在算力上像 OpenAI 那样激进，他们本来可以一骑绝尘。现在 OpenAI 回到牌桌上了，我认为 Grok 也在牌桌上。这几家是处在帕累托前沿上的公司，而且他们有算力。
你觉得看完这一切之后，有人会松油门吗？
大概四个月前，Dario 讲过一段很有思考的评论，他说这真的非常难：因为在这个体量上，如果你买多了算力，你可能破产；但你要是不买，你可能输掉。而 OpenAI 刚刚重新回到牌桌，现在 SpaceX 带着 Grok 4.5 和 Cursor 大举入场。从博弈论的角度看完这一切，还有谁会在短期内退让？尤其是如果这件事可以用经营性现金流来供养。
Anthropic 的教训，会被所有人学一遍
他讲的是一个刚刚发生过的现实案例，不是假设。Anthropic 在能力上一度领先，但在算力采购上比 OpenAI 保守。结果不是它输了，而是它没能把领先转换成不可逆的胜势，给了对手回到牌桌的时间。
这个案例被所有玩家看在眼里，于是 Dario 描述的那个两难有了明确答案：买多了顶多是财务问题，买少了是生存问题。财务问题可以融资解决，生存问题不能。
对投资的含义很直接：资本开支不会因为投资回报存疑而放缓，只会因为拿不到货或拿不到钱而放缓。因此判断资本开支的拐点，要盯融资条件和供应链，而不是盯谁在讨论投资回报率。
反过来说，这也正是空头最有力的地方：由竞争恐惧驱动的投资，通常会超调。他并不否认这一点，他赌的是这一轮的需求能接得住超调。
帕累托前沿在这里指什么
在能力与成本这两个维度上，没有任何一家能在不牺牲另一项的前提下同时优于它们的那批公司。落在前沿上，意味着你在某个组合上是最优选择，客户没有理由绕过你。
他用这个词，是在说竞争已经收敛到少数几家，而且每一家都占住了一个不可被简单替代的位置。这也意味着，这几家之间的军备竞赛不会因为某一家退出而结束。
Patrick你这趟出来，有没有遇到谁比你还乐观？如果有，他们相信什么是你不相信的？
Gavin这边基本上每个人都比我乐观，老兄。我读了 Dwarkesh 写的一个东西，我当时就……
Patrick是算力价格三倍那个？
Gavin对，他……我忘了具体是什么了。
Patrick不对，是 15 倍还是多少。
Gavin对，就是租一张 H100 一年要花 25 万美元。
Patrick那大概是当前现货价的 15 倍。
Gavin就是这个。我当时想，哇。
Patrick那不在我的模型里。
Gavin那根本不在我的贝叶斯概率空间里。连我那些「考虑过、但被当作完全不可能而排除掉」的结果里都没有它。
Dwarkesh 是个很聪明的人，消息很灵通。然后他指出：算力的利润率在上升，算力的总量在上升，推理的利润率也在上升。你把这三个乘起来，就得到了这种疯狂的加速。这就是各实验室加上开源的合计增速。虽然开源的利润率其实没怎么上升。
我看股市，觉得自己像个愚蠢的乐观主义者。可当我跟人聊，不管是实验室的人还是这个生态里的任何人，我相对几乎所有人都是看空的。真是一种奇怪的处境。
一年 25 万美元租一张 H100
H100 的整机购置成本大致在三四万美元量级。租金一年 25 万美元，意味着不到两个月就能回本一整张卡，年化回报率是荒谬的。
这个预测的真正含义不是价格，而是供给被物理条件彻底锁死：电力、机位、变压器、HBM 产能，任何一项都不可能在一两年内翻倍。当供给完全无弹性，价格就只由需求决定，可以涨到任何位置。
Baker 的反应也很诚实：这个结果连他考虑过又排除掉的清单里都没有。这句话本身是个很好的提醒，概率空间的边界，通常比我们以为的宽。
加速不是加法，是乘法
Dwarkesh 的拆解值得记住：算力总量 × 算力毛利率 × 推理毛利率，三项同时上升。
市场通常只跟踪第一项，也就是部署了多少 GPU。但另外两项同时改善时，收入是按乘积增长的，而不是按加总。这正是数据看起来失真般加速的算术来源。
他自己补了一句很关键的修正：开源的毛利率没有上升。所以随着开源占比提高，第三个乘数会被稀释。这个框架同时给出了它自己失效的路径，这一点比结论更有价值。
他在股市里是乐观派，在硅谷是悲观派
这句自嘲藏着一条重要信息：这两个群体面对的是同一批事实。差别在于，一边每天看着报价，一边每天看着订单。
当同一件事在两个信息环境里得出方向相反的结论时，通常不是谁蠢，而是两边定价的东西不同。硅谷定价的是需求，公开市场定价的是需求加上融资条件加上仓位。后两项恰恰是硅谷看不见的。
所以这句自嘲既是他的底气，也应该是他的警惕：他所在的位置能看见需求，但看不见谁在被迫卖出。
Patrick你怎么看中国 DUV 的那条消息？我看到的反应分布在一个很宽的区间上：一端说这相当于 ASML 在 2001 年的水平；另一端说不，这其实是一个新故事的第一条消息，关系到我们该怎么理解全球先进算力的供给。
Gavin我觉得两者都可以成立。打个比方：就说 DUV 机器是喷气涡轮，EUV 机器是曲速引擎；或者说 DUV 是螺旋桨飞机，EUV 是喷气涡轮。他们以前没有，现在据称有了。那是一次相变，像从液体变成固体。但那个固体，那台喷气发动机也好、螺旋桨飞机也好，落后 25 年。可它仍然重要，我不认为该被轻视。
同时也挺有意思的，你在股市里就是会看到这种事：股市会剧烈地过度反应，而如果这件事真的影响到 ASML 的订单，也许是五年之后了，那时候市场早就忘了，中间还会担心一次、忘掉一次、再担心一次、再忘掉一次，来回好几遍。所以我认为那次大概是过度反应，但我们也不该轻视它。
如果你是中国，这件事对你非常重要。有报道说有一台 EUV 机器被走私进了中国。那得是何等的间谍手笔，因为那玩意儿大得像庞然大物。我不知道是不是真的，是有一些风声。中国人非常非常厉害，非常非常聪明，工作起来极其拼命，而且他们把这件事看作对国家极其重要的事。
但他们能从 2001 年一步跨到 2026 年，甚至 2030 年吗？这是干中学。你没法加速那个「做」的过程，你没法瞬移到未来，你必须真的把那些学习循环走一遍。
它重要吗？重要。市场反应过度了吗？很可能。作为一个美国人，要真正理解中国正在发生什么、并且有完全的信心和清晰度，是非常难的。不管是好是坏，我们正在脱钩。这个过程已经被启动了，而且到这一步几乎感觉是双方各自自我强化的。这很不幸。但我们就在这儿了。他们不会停，我们也不会。
DUV 与 EUV 差在哪里
两者都是光刻机，差别在光源波长。DUV 用深紫外光，波长 193 纳米；EUV 用极紫外光，波长 13.5 纳米。波长越短，能刻出的线条越细。
DUV 可以通过多重曝光去做更先进的节点，但每多一次曝光，成本、良率损失和产出时间都在恶化。EUV 一次成型，这是它无法被绕过的原因。
全球只有 ASML 能造 EUV，一台售价上亿美元、重达上百吨，需要成千上万家供应商配合。所以他说这是相变：不是同一件事做得好一点，而是换了一种物态。
干中学是一种不能用钱压缩的时间
这是他给出的一把很实用的尺子：判断一项技术追赶需要多久，要看它依赖资本、还是依赖学习循环。
资本可以并行投入，一年花十年的钱是可能的。但学习循环必须串行：造一台、跑一批、发现缺陷、改进、再造一台。每一轮都要等上机、等良率数据、等客户验证。钱买不到这个等待。
光刻机是学习循环最长的那一类：良率反馈以季度计，而工艺参数以万计。所以他的判断是，方向上确定会追上，时间上无法被压缩。
这把尺子适用范围很广，航空发动机、高端轴承、医药审批都是同一类。凡是被物理反馈周期而不是被资金约束的行业，市场都倾向于高估追赶速度、低估追赶决心。
担心一次，忘掉一次，再担心一次
他描述了一个很典型的市场行为：一条五年后才会影响订单的消息，会在这五年里被反复定价四五次，每次都以剧烈波动的形式出现，然后被忘掉。
原因在于市场的贴现窗口远短于产业的兑现周期。结构性的长期威胁，会被当成一系列短期事件来交易。对做长期判断的人，这既是噪音，也是反复出现的入场机会。
Patrick对美国其他所有公司有什么评论吗？我感觉现在就是十家公司加上几家私营公司，上个月还不是这样。
Gavin除了 AI 之外的一切都是垂直往上的。我确实认为，开源越来越靠近前沿，加上 Fireworks 这样的公司让定制模型变得非常容易，以至于某些情况下你能以显著更低的成本拿到比前沿更好的表现，这对软件行业是天赐之物，对所有这些 AI 原生公司也是。
我们的朋友 Vishwa，我记得他两年前说过：我从没见过这么多公司从成立到年收入 5000 万美元还能产生现金流，只用了九个月左右。很难判断它们有没有持久性，因为很多人会把它们贬为 ChatGPT 套壳。
但现在有了开源，你已经生成了一些属于你的用例的独特数据，不管你作为套壳去攻的是哪个垂直领域。Fireworks 推出了一个很酷的产品叫 Dexus。如果你在用 Claude Code、OpenAI Codex 或者 Grok build，那就是三行代码、大概 20 个词的事。Fireworks 把你的数据接进去，他们可以对一个模型做强化学习，然后有一个路由器来分流请求，他们的结果非常好。这基本上就是每一家 AI 原生公司的解法。
所以你看到 Harvey 在被收购之前、还有 Cursor，都非常重地压在这条路上，Harvey、Legora，全都是。因为如果你能从只用一两三个前沿模型，变成把前沿模型用在 30% 到 60% 的 token 消耗上，其余交给你自己的强化学习模型，那你一下子就不是套壳了，你的护城河深多了。
套壳公司如何长出护城河
过去两年对 AI 应用层最有力的一句质疑是：你只是别人模型上的一层皮，模型厂商随时可以把你做的事内置掉。
他给出的路径把这个质疑拆成了三步。第一步，用起来才有数据：一家做法律或客服的公司，跑上一两年会积累出高度垂直、外部拿不到的交互数据。第二步，数据变成模型：推理云把微调和强化学习做成了近乎开箱即用，把专有数据固化进一个自己的模型。第三步，模型放进路由器：常规请求交给自有模型，难题才上前沿模型。
走完这三步，它的资产就从「一段提示词」变成了一个别人复制不了的模型权重。同时对单一供应商的依赖度、成本结构和被内置的风险全都改善了。
判断一家 AI 应用公司值不值钱，可以直接用这个尺子：它有没有走到第二步。还停在纯调用 API 的，就是在租别人的能力；已经把专有数据固化成自有模型的，才开始积累自己的资产。
九个月做到 5000 万美元年收入
上一代 SaaS 公司走到 5000 万美元年收入通常需要五到七年，而且这个阶段几乎必然是烧钱的。九个月，且已经产生现金流，是完全不同的一条曲线。
这既解释了为什么一级市场估值这么高，也解释了为什么这类公司的持久性存疑：能被这么快建起来的东西，通常也能被这么快复制。护城河问题因此不是学术讨论，而是这类公司唯一重要的问题。
Patrick我对 Cursor 出的那个东西特别感兴趣。大意是 AI 正在速通我们人类已经学到的东西：你可以用前沿模型来做规划，然后把任务分派给更笨的模型，效率高 15 倍还是多少。
Gavin而且可能就是这些非常讽刺的、低毛利的、比前沿稍微落后一点的开源 token。
我们有些朋友相信，一旦某个前沿模型实现递归自我改进，它在每一个智能水平上的服务成本都会通过蒸馏大幅下降，那样就没有开源的位置了。我会说，那是 Anthropic、OpenAI、Grok 的极端多头视角。我们不该轻视任何可能性，一切皆有可能，我们要非常谦卑。尤其在我经历了这样一个月之后，我特别想保持谦卑。
但那件事看起来不太可能，第一个原因是：有太多 AI 原生公司确实积累了相当数量的领域专属的专有数据。在开源迎来这一刻、在这些推理云和路由器真正成熟之前，你其实是没有选择的，服务条款是什么样你就得接受。但如果你现在能从那个跑步机上下来，那就给了你一定程度的独立性，也许还有持久性和安全感。
但回到你刚才那个点，也可能是这些更便宜的 token 大幅抬高了最前沿 token 的价值。因为如果今天你有一堆我瞎编的 120 智商的开源模型，而且跑起来非常便宜，那一个能调度它们的 160 智商的模型，不是更值钱了吗？
我们上次聊过，我一直很惊讶经济回报有这么大比例归给了前沿。这一点正在变化，我们从这些推理云身上看到了：Together、Modal、Baseten，他们都在以非常节省现金的方式运转。这些商业模式让人吃惊的地方在于，他们的增速几乎跟早年的前沿实验室一样快，但烧的现金非常少。用 Rule of 40 这种老派的 SaaS 指标去看，这些数字太夸张了。
Patrick你觉得一个组织内部的薪酬分布本身是不是也有启发？CEO 拿的是中位数员工的很多倍，也许这就对应前沿 token 和开源 token 的关系。就这么简单的一个类比。
Gavin有可能。就像我们上次讨论的，前沿 token 那块蛋糕长得非常非常快，他们可能继续拿走绝大部分经济价值，但不会像过去那样拿走全部。而开源 token 可能会成为被处理的 token 里的大多数。回到那句话，这对基础设施需求是好事，因为一个 token 就是一个 token，生产它需要同样的浮点运算、瓦特、空间和冷却。
递归自我改进与蒸馏
递归自我改进指模型能够改进自身的训练方法与架构，从而进入一个自我加速的循环。这是所有 AI 时间表争论的核心分歧点。
蒸馏指用一个强模型去训练一个小模型，让小模型以极低的成本复现强模型在特定任务上的表现。
极端派的论证是：一旦某家实现递归自我改进，它可以在每一个能力档位上都做出成本最低的模型，于是开源在任何价位段都失去性价比优势，整个中间层被抹平。
120 智商变便宜，会让 160 智商更值钱
这是对上面那个极端派论证最漂亮的反驳，而且逻辑是互补品关系。
当廉价而够用的执行者变得极其丰富，稀缺的就不再是执行能力，而是调度与判断能力。会写代码的人越多，能定义该写什么的人就越值钱。这在人类组织里已经运行了几百年。
所以开源模型逼近前沿，未必压缩前沿的价值，反而可能放大它：前沿模型从一个昂贵的执行者，升级成一个廉价大军的指挥官，每一次调度都放大在成百上千次廉价调用上。
这也解释了 Cursor 那个 15 倍效率的结果：不是模型变强了，是分工方式变对了。对投资的含义是，前沿实验室与开源生态不必然是零和的，问题在于价值在两层之间怎么分配。
推理云的财务特征是这一段的隐藏亮点
增速接近早年的前沿实验室，现金消耗却小得多。原因在商业模式：它们不做预训练，不承担几十亿美元的一次性研发赌注，只是把开源模型高效地跑起来卖出去。
这是一种把别人的资本开支变成自己的毛利的位置：前沿实验室烧钱把模型能力推上去，开源把这个能力免费释放出来，推理云负责变现。
Rule of 40 是 SaaS 的老口径，增速加上利润率超过 40 即为优秀。他说这些数字夸张，意思是这批公司在这个尺度上完全不像早期成长公司。
Patrick从监管角度看，AI 领域可能发生的最糟糕的事是什么？
Gavin我认为监管一定是最大的风险，也是最明显的风险。这也是我这周乐意来这边的原因之一：我想被吓到。我不想在这些股票越来越便宜、我认为预期远期回报在上升的时候，感觉自己像个疯子，而实地的基本面在七月相对六月还实质性改善了。但我还是带着这个结论离开：监管，它就是最大的风险。
你没法忽视纽约州搞数据中心暂停令这件事。我们生活在一个后事实、后逻辑的政治世界里。我认为 AI 行业的公关做得糟透了。
Patrick我觉得它至少现在意识到了。也许还没解决，但意识到了。
Gavin是的。但在很多普通美国人当中，政治叙事大概是这样的：数据中心会抬高你的电价，会抽干你的水，然后还要抢走你的工作。
而现实是，按现在正在谈成的那些协议，一个数据中心落地之后，周边所有人的电价通常反而会下降，因为有表后交易的安排。这就是特朗普要求大家签的那份数据中心承诺书。
以前数据中心开发商只需要给警察局和消防局配点新车、新装备之类的。现在变成了：我们给你建一家医院、一所学校、一个新警察局和一个消防站，还要把你的电费降下来，你觉得怎么样？
顺带说，工作也是持续性的，因为事实证明你需要这些水管工、电工、暖通承包商。数据中心在很多方面是我这辈子见过的对蓝领工资最有利的一件事。可偏偏是名义上代表蓝领工人的民主党人，在把这些工作拿走。这挺离谱的。那句话怎么说来着，谎言绕地球一圈的时候……
Patrick真相还没起床。
Gavin对，真相还没起床。有位作者在一本书里犯了个错误，把数据中心的用水量高估了一万倍。不是一点点，不是一个数量级，不是两个，不是三个。她已经多次承认那个错误，说我完全错了。这件事已经被彻底证伪了。
Patrick有点像大力水手效应，你听过这个例子吗？
Gavin没有。
Patrick大力水手吃菠菜嘛。原因是同一回事：一本学术著作里小数点点错了两位。所以菠菜的铁含量并不比其他东西高，那就是一个来源，然后就这么传开了。
Gavin人们到现在还在说菠菜铁高吗？我真的一直以为菠菜铁含量高。那都是八十年前的事了吧。太神奇了。
为什么监管是唯一他没能拆掉的利空
把他这一周的工作串起来看：所有基本面利空都被他用数据拆掉了，唯独监管拆不掉。原因很简单，监管风险不由基本面决定，因此不受基本面改善的影响。
更麻烦的是它的作用点。前面所有的多头逻辑都建立在一个前提上：吉瓦最终一定会通上电。资本主义会解决涡轮机、变压器和工人。但如果一个州直接禁止建数据中心，这个前提就在源头被切断了，而且是不可用钱解决的那种切断。
纽约的暂停令之所以重要，不在于纽约本身的体量，而在于它提供了可复制的立法模板。他说这感觉只是众多州里的第一个，说的就是这个。
可跟踪的指标：各州的数据中心立法、电价听证会、并网审批的排队时长。这些东西比任何一份需求调研都更接近这轮周期的真正上限。
表后交易为什么能让周边电价下降
表后指的是发电资产直接接在用户侧，不经过公共电网的计量表。数据中心自建或包下一座电厂，用电不走公网。
这带来两个效果：其一，它不与居民争抢公网电力；其二，它通常还会把多余的电力回馈电网，并承担输配电基础设施的升级成本。这些成本原本要摊到所有用户的电费里。
所以理论上，一个设计得当的表后项目确实可能让周边居民电价下降。但要注意，这取决于协议怎么签，并非所有数据中心都是这个结构。他描述的是最好的那一类。
一个错了一万倍的数字，仍然在决定政策
用水量被高估一万倍，作者本人已多次公开承认错误，事实层面早已澄清。但政治叙事并没有跟着修正。
菠菜含铁那个类比是精准的：一个学术著作里的小数点错误，被纠正了几十年，至今仍是常识的一部分。
对投资的含义是具体的：基本面的证伪，不等于叙事的证伪。一条已被推翻的事实，仍然可以支撑数年的政策与情绪。做多头判断时，把「这个说法是错的」当成风险已解除，是一个代价很高的误判。
Gavin所以就是得有人把真相讲出来。我觉得这个行业……天哪，如果没别人做，也许我来做。得有某种基金会，或者是一个政治行动委员会，在四强赛、NFL 比赛、大学橄榄球赛、世界大赛期间投广告，告诉大家数据中心到底做了什么：在你社区里签了这份承诺书的数据中心，你的电价会下降，他们几乎肯定会以实质性的方式回馈社区，你会看到大量高薪蓝领工作涌入，而且会持续存在。
很多人以为这些工作是一次性的，其实不是。当然会有一个高峰，然后高峰转移到下一个数据中心去。但这些数据中心有持续的返修和升级需求，而且技术在变。所以你会有更多工作、更便宜的电、更富裕的社区，对水没有影响，对环境没有影响，而且把数据中心建在城外十英里是很容易的事。
这个故事需要被讲出来。还有我们上次好像聊过的：AI 正在越来越多地拯救生命、治愈罕见病。我记得是今年的 ASCO 大会，那里的氛围是，这是我们在单次会议上见过的最多的科学突破，其中肯定有一部分要归功于 AI。所以我们需要讲这些故事。如果你有一个生病的孩子、生病的父母、生病的亲人，AI 能实质性地提高他们康复的几率。每个人都需要讲这件事。
我认为在这边的人，这一切对他们来说太不言自明了，以至于他们无法理解：这是一个真实但与大多数美国人严重背离的视角。这个行业真的需要把自己的故事讲得更好。纽约感觉只是众多州里的第一个。哪怕在一些非常支持增长的深红州，他们也在说：伙计们，你们讲故事讲得不好，我们没法替你们讲。但如果你们讲了，我们可以帮你们转述。你们才是专家。如果你不为自己的真相发声，没有人会替你发声。
硅谷的认知盲区，本身就是一种风险敞口
这一段最值得注意的不是他的政策建议，而是他对硅谷自身处境的判断：这里的人觉得 AI 的好处不言自明，因此完全没有能力理解为什么别人不这么想。
而在一个投票决定建设许可的体系里，不言自明这件事没有任何价值。这是把一个公关问题准确地识别成了一个估值问题：如果许可拿不到，前面所有关于吉瓦、现金流和重定价的推演都不成立。
持续性岗位这个论点，可以被验证
他专门反驳了「数据中心的就业是一次性的」这个说法，理由是设备返修、升级和技术迭代带来持续的运维需求。
这一条可以用数据检验：看已投运数据中心所在县的长期就业结构和工资中位数变化，而不是看建设期的峰值用工。这类数据在美国是公开的。
对政策风险做判断时，这种可被核实的具体论点，比任何一方的立场表态都有用。
Patrick我们漏了什么？
Gavin我认为这整场关于算力的讨论里缺的一块，是当你把这些基于 SRAM 的加速器放进来之后会发生什么。它们不受 HBM 的约束，而且往往用更老的制程制造，不跟最新最好的 GPU 抢产能。
当你把推理解耦开来，人们会讲预填充和解码，但解码其实是两部分：注意力和前馈网络。
终极的圣杯是：你能在一颗芯片上做预填充，那颗芯片大概不需要 HBM；在一颗配 HBM 的超高性能芯片上做注意力；然后在一颗 SRAM 芯片上做前馈网络。把这些 SRAM 加速器加到已有的装机算力和新算力上，投资回报是很可观的。我们看到的情况是，效果确实更好，尤其在前馈网络这一段，你就是赢不过 SRAM。
而且不管你怎么努力去把芯片上算力、HBM 和 SRAM 的比例配对，工作负载总是在变。能够把推理拆解成这三部分，这对 AI 的投资回报会是非常非常正面的一件事。
推理的三个阶段，各自缺什么
预填充：把你输入的整段提示一次性读进模型。这一步是计算密集的，大量并行矩阵乘法，对内存带宽要求相对没那么苛刻。
解码：逐个生成输出 token。它又分两部分：注意力需要反复读取不断增长的上下文缓存，是内存带宽密集的，只有 HBM 顶得住；前馈网络则是反复调用同一批权重做计算，只要权重能常驻片上，就不需要来回搬运。
关键洞察在于：这三段对硬件的要求完全不同，可今天它们全都跑在同一颗昂贵的 GPU 上。于是每一段都在为自己用不上的能力付钱。
为什么 SRAM 路线可能绕开这一轮的卡脖子环节
SRAM 是直接做在芯片上的静态存储，速度比 HBM 快一个量级，但容量小得多、单位面积成本高得多。前馈网络恰好是那种容量需求有限、带宽需求极高的工作负载，正对 SRAM 的长处。
这条路线的投资含义有三层，每一层都指向同一个方向：
其一，它绕开了 HBM。前面反复讲过，HBM 是这一轮真正的瓶颈和议价权所在。不用 HBM，就跳出了那个火力网，这也正好呼应他前面说 Etched 做了不一样的架构选择。
其二，它用老制程。不跟最先进的节点抢晶圆产能，供给约束完全不同，成本曲线也完全不同。
其三，也是最容易被漏掉的一层：它是加装，不是替换。他说的是把 SRAM 加速器加到已有的装机算力上。这意味着它不蚕食 GPU 需求，而是提升整个存量机队的产出，直接改善这轮建设最受质疑的那个投资回报率。
他把这个放在「我们漏了什么」的位置上作答，说明在他看来这是当前市场定价里几乎完全没有的一条线索。
比例永远配不对，所以要拆开
芯片设计者永远在猜一个比例：算力、HBM、SRAM 各配多少。而工作负载一直在变：上下文越来越长、推理链越来越长、多模态改变了输入结构。今天配得刚好的比例，半年后就错了。
解耦的意义在于，它把这个猜测题取消了：三段各自用最合适的芯片，比例由调度在运行时决定，而不是在流片时定死。
这是一个可以迁移的产业规律：当需求结构变化快过硬件迭代周期时，专用化加解耦，通常会打败一体化的通用方案。
Patrick我突然想到一个有意思的问题，我很喜欢他们那个权力游戏的框架。你能想象有一个现在还不在所有人视野里的玩家，成长到权力游戏这个量级吗？比如说美光，突然之间某个角色变得和 Anthropic、OpenAI、微软、亚马逊一样重要。就是那种黑马。
GavinFireworks 的林乔大概算一个黑马，她是个绝对的狠角色。我们的朋友、Cognition 的 Scott Wu 也算一个。我觉得这是最明显的两个名字。
他挑的两个黑马，恰好对应他全篇的两条主线
这两个名字不是随口说的，它们各自坐在他这一小时里最看重的两个位置上。
Fireworks 在开源推理云这一层，也就是他说的暗物质的探测器和变现通道。如果开源 token 真的成为被处理 token 的大多数，这一层就是收费站。
Cognition 在 AI 原生应用这一层，也是他前面引用的那个支出与增速关系指数的来源方。如果 5 万亿知识工作替代的故事成立，这一层是最终的需求出口。
换句话说，他押的黑马不在算力层，而在算力的上方和下方：一个负责把便宜的算力卖出去，一个负责把它变成生产率。
关于这里的人名
原文稿此处的拼写含糊。从上下文（Fireworks、且用 she 指代）看，指的应是 Fireworks AI 的联合创始人兼首席执行官林乔。为稳妥起见，此处按转录的语境直译，读者可自行核对。
PatrickSpaceX 呢？看着它被公开市场消化，至少是最初这个阶段，是什么感觉？你觉得市场理解这家公司吗？它可能是最重要的一家新上市公司。
Gavin感觉并不理解。从 IPO 以来基本面变得更好了，比如 Grok 4.5、收购 Cursor，Cursor 明显在大幅加速。过去三年他们已经证明，他们能比任何人更快、以更低的价格把算力接进来。
即使把现货价和合约价之间的差距调整掉，他们最大的优势在于他们是在市场上以现货高点进来的。而且有一件很奇怪的事，对算力来说反而是相当多头的信号：他们一夜之间把巨量算力投进市场，结果连个水花都没有，市场就那么彻底地把它吸收了，价格一点都没减速。
有位 Substack 作者认为，SpaceX 打算在未来 18 个月接入 8 吉瓦的算力。18 个月 8 吉瓦。我永远不会赌埃隆输，但那真的会是一个了不起的壮举。他们签那些合约之后利率是上行的，不是下行的。而他们的变现水平大概是每吉瓦 500 亿美元，市场对明年的一致预期是 730 亿美元。
所以别管星链 V3，别管直连手机，别管 Grok 4.5 和 Cursor，我认为这些加起来很快会做到 100 亿美元的年化经常性收入。把这些都忘掉，把星链的核心业务也忘掉。如果他们能接近那个数字……一致预期是 730 亿，而那是 8 吉瓦乘以每吉瓦 500 亿。显然那不会在 27 年年初就全部点亮。这在我看来非常不现实，我几乎不相信那份报告。
但直到今天，一年内接入超过 500 兆瓦电力的公司只有超大规模厂商、CoreWeave、Crusoe 和 SpaceX。SpaceX 大概是接入最多、最快、成本最低的。人们确实很喜欢他们的集群。但话说回来，市场需要亲眼看到才行。
Patrick那不会是今天市场对 SpaceX 的解读。
Gavin不会。而且感觉纽约有家大对冲基金的做空逻辑是这样的：他们认为算力的现货价会跌 90%，而你接入了这么多算力，它产生的收入远不如你想的多。也许吧。
但我也想说清楚，我见过埃隆的公司做成很多让人印象深刻的事。那份 18 个月 8 吉瓦的报告，我引用它只是因为它是公开的、所有人都能看到。埃隆有句话是，我们专精于把不可能的事做迟到。
Patrick我没听过这句，太棒了。
Gavin这话有相当的道理。但我只是觉得，从我的角度看，这只股票里几乎没有为他们可能接入的算力量计入任何东西。而且我不认为那个数字接近 8 吉瓦，这会非常难。给这些 GPU 通电非常难，但他们一直做得很好。感觉这既不在盈利预测里，也不真的在人们的思考框架里。
每吉瓦 500 亿这个数字，需要谨慎对待
他说 SpaceX 的变现水平约为每吉瓦 500 亿美元，又说市场对明年的一致预期是 730 亿美元，还说 730 亿等于 8 吉瓦乘以每吉瓦 500 亿。这三句话在算术上无法同时成立，8 × 500 亿 ＝ 4 万亿。
这大概率是口误或转录讹误。行业里更常见的口径是每吉瓦约 500 亿美元的资本开支，而非收入。若按每吉瓦约 100 亿美元的年收入这一常见量级来推，8 吉瓦对应约 800 亿美元，倒是与 730 亿的一致预期大致同量级。
把它标出来不是为了挑错，而是提醒：播客里的数字都应当回到原始资料核对再使用。这一段的论点本身不依赖这个具体数字，它依赖的是「8 吉瓦这个量级完全没有被计入股价」。
巨量算力入市却没有压低价格
他自己都说这件事很奇怪。SpaceX 一夜之间把大量集群投进市场，价格几乎没有反应。
这是一次无意中做出的供给冲击实验，而且信息量远超任何一份需求调研。在一个正常供需的市场里，突然增加的巨量供给必然压低价格。价格不动，只有一个解释：需求曲线在当前价位近乎无限深。
这比任何一句「大家都说缺算力」都更有说服力，因为它是被市场用真金白银吸收掉的，而不是靠访谈得来的。找这种天然实验，是判断供需真相最省力的办法。
空头的逻辑并不弱
他转述的空头逻辑是：算力现货价会跌 90%，接入再多算力也换不来预期中的收入。他给的回应只有一句「也许吧」。
值得注意的是，多空双方分歧的落点完全一致：都是算力的单位价格走向。多头认为合约到期后重定价向上，空头认为现货价将崩塌。前面所有关于现金流、信贷、估值的推演，最终都压在这一个变量上。
所以跟踪 GPU 租赁价格，不只是跟踪一个行业指标，它是这整场辩论唯一的记分牌。
Patrick我在想那个好笑的梗，说 SpaceX 是一家数据中心公司。
Gavin完全同意。另外我还想说，我在星舰基地待了很长时间，轨道算力这件事一天比一天更真实。
Patrick前几天看星舰着陆挺酷的。
Gavin看星舰着陆确实挺酷。有意思的是，我们在 Benchmark 的朋友投了 StarCloud，我不知道上次有没有说过。StarCloud 是一家轨道算力公司，SpaceX 算是在跟他们合作，我记得会让他们用星链的激光通信技术，那对轨道算力非常重要。
我认为这是一个不错的理智检验。据我所知，Benchmark 的人挺聪明的，而且他们完全不属于埃隆的生态。他们选择投一家轨道算力公司，估值也不算低，而且没有 SpaceX 那样的内部发射成本优势。对我来说这是个很好的自检：我是不是疯了？那答案就是，也许我疯了，也许埃隆也疯了，也许 Benchmark 也疯了，也许 SpaceX 的工程师们也疯了。老兄，这在我看来概率不大。
我们要不要说一下我们在谁的办公室里？
Patrick好，我们坐在……
Gavin我们坐在 Benchmark 办公室的桌子旁。这就是他们那张著名晚宴的著名桌子。谢谢 Benchmark，谢谢 Benchmark 提供这期节目的场地。谢谢 Eric 和 Cheetah，我们该谢谢所有人。
PatrickEric 帮我协调的，所以他要特别感谢一下。
Gavin谢谢。
Patrick谢谢所有合伙人。
Gavin谢谢 Eric。不过说到底，一年之后我们会看到这些股票在什么位置。好处是时间会给出答案，人们会被证明是对还是错。未来是概率性的，但这是个激动人心的时刻。
Patrick那如果我们继续按模型发布周期来，几周后见。
Gavin好，这挺疯狂的。
用不相关的聪明人做理智检验
他给自己设计了一个很干净的检验：找一个和你利益无关、信息来源也不重叠的聪明主体，看它是否独立地得出了同样的结论。
Benchmark 符合每一条：不在埃隆的生态里、没有发射成本的内部优势、用自己的钱、以不便宜的估值投了一家轨道算力公司。它做这个决定，不可能是被同一套叙事感染的结果。
这正是对前面第 13 段那个问题的解药。当所有人都用同一个模型解读同一条新闻时，最有价值的信息来自那些不在你信息回路里的人的下注。注意关键词是下注，不是观点。观点便宜，仓位不便宜。
时间会给出答案
整场对话他反复说自己可能是错的、要保持谦卑、这是最难熬的一个月。收尾这句既是自嘲也是立场：他把所有判断都挂在了可被时间证伪的具体变量上，包括 GPU 租金、经营性现金流增速、各实验室的合计收入。
这也是这一小时最值得带走的东西。不是他的结论，而是他把结论组织成可验证形式的方式。
十条带走的东西
- 一个 token 就是一个 token。从前沿模型切到开源模型，转移的是模型层的毛利，不是机房里的算力。价格下降不等于需求下降，这是本篇多空分歧的物理基础。
- 现货价可以跌，而算力仍在涨价。存量算力锁在几年前的低价长约里，只要现货价高于合约价，合约到期就意味着收入上行。市场盯的是现货方向，现金流跟的是价差存量。
- 整场辩论最后压在一个假设上：新一代芯片的变现效率。卖方模型用两代之前的 Ampere 口径去套 Blackwell 和 Rubin，改这一个假设，超大规模厂商的经营性现金流相差约 7000 亿美元，正好等于市场担心的那笔债务缺口。
- 在供给受物理约束的行业里，信贷收紧会自我消解。钱不够，先减少的是新增供给，于是存量资产更值钱，现金流改善，信用修复。前提是需求仍在短缺，一旦这个前提失效，同一个循环会反向运转。
- 公开市场看不见的那一段，恰好是增长最快的那一段。私营实验室与开源推理云构成暗物质，自下而上从上市公司报表加总出来的需求，会系统性偏低。
- 当所有人用同一个模型解读同一条新闻，多样性就在崩塌。判断的相关性被推高，价格发现变快也变极端，三年周期可以在六周内走完。稀缺的不再是信息，而是视角的独立性。
- 撕毁长期协议的收益是一次性的，代价是永久的。而且撕约的时点恰好最接近下一轮短缺。由此推论：未来几年算力市场的份额，将由供应链分配决定，而不是由产品或价格决定。
- 廉价模型变多，会让顶级模型更值钱，而不是更便宜。执行能力过剩时，稀缺的是调度与判断。这是对递归自我改进将抹平一切这一论断最有力的反驳。
- 所有基本面利空都能被数据拆掉，唯独监管不能。因为它不由基本面决定，而且直接切断了整个多头框架的前提：吉瓦最终一定会通上电。用水量被证伪一万倍，也不妨碍叙事继续运行。
- 他把结论挂在了可以被证伪的指标上。GPU 租金、GPU 可获得性、DRAM 现货价、各实验室的合计收入、经营性现金流增速。值得学的不是他的判断，而是他事先写下了什么会让自己改变判断。