科技投资人的头脑
二十五分钟，密度极高。前半是方法论：他保留了彼得·林奇时代的哪一条基因，又有哪一条终生学不会；两笔让他伤筋动骨的交易分别教了他什么；以及他认为自己的优势中，阅读压倒性地重要。
后半全是产业判断，几条都相当锋利。为什么这一轮可能不会有泡沫：台积电那群七十多岁的守护者，用不肯扩产的方式给整个行业加了一道物理约束。为什么按量计费是重大利好：他把它类比成当年的长途电话与移动通信。为什么 Trainium 被严重低估：全世界目前只有两套能跑通的交换式纵向扩展网络。以及轨道算力，还有由此衍生出的、他认为市场完全没在定价的那个空头。
主持人今天这位嘉宾把自己的对冲基金命名为 Atreides。对在座不看科幻的人来说，这个名字的意思是香料必须流动。对加文来说，香料就是高带宽内存，他的厄拉科斯是台湾，他的沙虫是黄仁勋。
他 X 上的简介写着：不构成投资建议，观点仅代表个人。这大概是现代金融史上最昂贵的一句免责声明，因为有二十八万八千人照着他的观点行事。
他在富达管理过 170 亿美元，跑赢了 99% 的同行，尽管他刚才告诉我其实是 100%。他现在从波士顿管理自己的对冲基金，这可能是他所有立场里最逆向的一个。
香料、厄拉科斯与沙虫
《沙丘》里，香料是全宇宙唯一不可替代、且只产自厄拉科斯一颗星球的资源，谁控制香料谁就控制一切，而沙虫既守护它又威胁它。
这个类比把他的整个世界观压进了一句话：不可替代的稀缺资源是 HBM，唯一的产地是台湾，而黄仁勋是那个决定资源怎么流动的角色。
值得注意的是它隐含的风险结构：单点、不可替代、地缘集中。这也是他后面所有判断的物理前提。
主持人你 2000 年进富达，经历了两轮泡沫。彼得·林奇时代的富达 DNA，你保留了哪一条？为了创办并跑好自己的基金，你又必须打破哪一条？
Gavin保留下来、并且我怀疑会永远织进每一个有幸从富达起步的人身上的，是这个观念：如果你喜欢这家店、喜欢这个产品，你就会爱上这只股票。以及作为消费者和使用者，尽可能深地去接触新产品、接触公司，这一条肯定是刻在我身上的。
而我整个职业生涯都在跟自己较劲的那一条是：股市里有句格言，彼得·林奇说的，拔掉你的杂草，浇灌你的鲜花，卖掉输家，让赢家继续跑。不知道为什么，这件事对我极其困难。我对估值极度敏感，我非常逆向，我在 52 周新低名单上最自在。我一直死死抱着内存股不放。这是一场终生的修行，我试着每年做好一点点。
他公开承认自己不擅长的那件事，恰恰是最著名的那条纪律
卖输家、留赢家，是投资纪律里最广为人知的一条，它对抗的是处置效应，也就是人倾向于卖掉赚钱的、留着亏钱的。
而他说自己做不到，原因也很清楚：对估值极度敏感的人天然会卖出上涨的、买入下跌的，这与让利润奔跑在方向上直接冲突。
这里值得学的不是结论，而是他的处理方式：他没有强行改造自己，而是承认这是自己哲学的固有代价，然后每年争取好一点。这与他在别处反复讲的那句话是一致的，找到与你情绪结构匹配的哲学，而不是找一套最优的哲学。
我一直死死抱着内存股不放
他在一个所有人都想听他看多内存的场合，先说了这句话。它的实际含义是：我的持仓结构与我的性格弱点方向一致。
一个对估值敏感、逆向、习惯在低点买入的人，最容易犯的错误就是在周期见顶后把下跌当成机会继续持有。他在后面立刻讲了内存周期该不该卖的问题，两段要连起来读。
主持人大多数优秀投资人都能指出某一笔糟糕的交易，是他们旅程中最具塑造性的那一笔。你的是哪一笔？它今天具体阻止了你做什么？
Gavin有两笔。2011 或者 2012 年我有过非常难熬的一年，是两只股票。
一只叫 Accredo Health，他们帮小医院在跟大保险公司谈判时争取更好的条件。你会觉得这是件好事。然后某个周日你一觉醒来，《纽约时报》头版登了一篇一万字的报道，说他们在拒绝为有需要的人提供治疗，而这根本不是真的。可股票还是跌了 90% 到 95%，再也没有恢复。
永远存在未知的未知。无论你多努力地去把一个机会的各个维度都想清楚，总有你没考虑到的风险。
第二笔挺丢人的，是 Nextel International。我以前是电信分析师。有很长一段时间你在电信上能赚很多钱：每当一个新兴市场里建起一张新网络，按定义它就是成本最低、质量最好的网络，因为它还没有被占满。
Nextel International 在南美建了一张新网，是当时最新最好的 3G 网络，他们正在从一个叫 iDEN 的制式上迁移。这种模式我赚过很多次钱，所以我把它做成了一个大仓位。
我永远忘不了，我给董事会写了一封信，坚持要求他们回购股票。十八个月后这家公司破产了。
教训是：对高杠杆要非常非常小心，因为这家公司杠杆实在太高了。而且有时候并不是每件事都会顺利。当时发生的是，两个跟他们不相干的、体量大得多的竞争对手之间打起了价格战，他们被卷了进去。而我会永远背着这个污点：我这辈子唯一一次给董事会写信要求回购股票，是在一家公司破产前十五个月。
一类无法防范，另一类可以
第一笔是叙事风险。一篇后来被证明失实的报道，让股价永久性下跌九成。这类风险的特征是：与基本面无关、无法事先建模、且损害不可逆。他给的应对不是防范，而是承认它存在，也就是永远有未知的未知。这直接连到仓位管理：任何单一头寸都必须能承受一次归零式的意外。
第二笔是杠杆风险，这一类完全可以防范。注意他的复盘顺序：他先说自己的模式判断没错，新网络确实成本更低质量更好；出问题的是公司撑不到那个逻辑兑现。价格战来自两个不相干的对手，属于外生冲击，而高杠杆把一次外生冲击变成了破产。
合起来是一条很硬的规则：论点正确与公司存活是两件事，而杠杆决定后者。
那个细节是这段话可信度的来源
他完全可以只讲教训，不讲自己曾写信要求一家十五个月后破产的公司回购股票。回购会消耗现金，对一家高杠杆公司而言，那是最糟糕的建议方向。
主动交代这个细节，与他在别处强调的方法一致：把对自己不利的事实一并摆出来。而且它比抽象的教训有用得多，因为它显示了错误当时是以什么面目出现的，也就是看起来像一个积极的、股东友好的建议。
主持人快问快答。高估还是低估：模式识别、实地打探、仓位管理、睡眠。
Gavin我认为模式识别和睡眠被严重低估，实地打探被高估。
仓位管理非常重要。你必须选定自己的打法，然后照着打。你要么做一个长打率型选手，要么做一个打击率型选手。你必须知道自己是哪一种，然后坚持下去，保持一致。
主持人说说你的产出函数。你去年的优势里，多少来自阅读？多少来自人脉？多少来自比别人更早抓住一两个正确的框架？
Gavin我认为阅读是其中压倒性最重要的部分。我承认，我现在很少跟上市公司开会了。只有他们想见我的时候我才见，因为他们训练有素，他们永远不会说任何不在会议纪要或者季报里的东西。而我读的速度比他们说的速度快得多。所以我读大量的会议纪要和一手材料。
然后我确实认为那些专家访谈纪要很好，也是 AI 极好的用武之地。但我会说，压倒性地是阅读，其次模式识别我认为也重要，早一点抓住框架是有帮助的。
2023 年 5 月英伟达报出那个引爆一切的季度时，讽刺的是那已经是 ChatGPT 出来六个月之后了，我认为当时大多数对冲基金连一个半导体分析师都没有。而半导体和硬科技是我一生的爱好。不过我得说，现在人们在半导体上已经变得很懂了。
他不见上市公司，理由是效率
见管理层通常被视为基本面研究的核心环节，也是资源的主要投向。他给出的反驳是纯功利的：上市公司管理层受过严格训练，不会说任何未曾披露的内容。
既然信息集合与公开材料一致，那么阅读的带宽远高于对话：一小时会议能获取的信息，读纪要可能十分钟就完成，而且可以覆盖几十家公司。
这条推理有一个重要前提，就是披露足够充分。它适用于合规严格的成熟市场，未必适用于所有市场。但那个提问方式是通用的：这次接触能给我带来公开材料里没有的信息吗？如果不能，它就只是消耗时间的社交。
长打率与打击率
棒球术语。打击率看安打的比例，追求高胜率、每次赢一点；长打率看每次击球的平均垒打数，容忍大量三振，靠少数全垒打决定成绩。
对应到投资：一种是高胜率、小赔率的密集出手，一种是低胜率、大赔率的集中下注。他的重点在最后一句：必须选一种并保持一致。因为两者所需的仓位管理、止损纪律和心理承受完全不同，混着来的结果通常是用打击率的心态去做长打率的仓位，也就是在最该忍的时候割掉。
主持人今天内存价格涨了 60%，美光的利润率大概在 60% 多，而历史平均更接近 16%。你说过，有短缺就终会有过剩。这件事会怎么演化？
Gavin这在历史上一直成立，我确信最终会有一次过剩，但那个「最终」承担了这句话里全部的重量。
按照过去二十五年我们经历过的每一轮内存周期来看，现在百分之百是该卖内存的时候。2000 年的时候我就是覆盖美光的分析师，我还记得去太阳谷参加他们的分析师日。我是很多轮内存周期的老兵，按历史，现在就是该卖。
但是，有一轮周期你绝对不该卖。那就是九十年代中期那一轮，我认为那是内存行业最后一次真正的产能周期。如果按那一轮来看，我们可能还非常早。
我听了我朋友 Alex 和 Leon 的发言，还有更早 Leslie 的，都讲得很好。我只想说，他们给的每一个数字，我都买大。每一个。我认为他们是偏保守的人，我打赌他们自己也会买大，只是没人愿意一年后在 Sohn 的台上被证明说错了。
所以我们可能还很早。这可能是第一次真正的产能周期。
价格周期与产能周期
价格周期是需求波动打在基本固定的产能上：需求好则价格暴涨、利润暴增，随后需求回落，价格塌回去。产能没有真正扩张过，所以周期短、可预测，而且顶部的高利润率是明确的卖出信号。
产能周期是需求出现了阶跃式的、被认为持久的抬升，厂商因此进行多年期的大规模产能扩张。在这种周期里，高利润率会持续数年，因为新产能要好几年才建成，期间供给一直不足。
这个区分为什么要命：同样一组数据，也就是价格暴涨加利润率远超历史均值，在前一种周期里是卖出信号，在后一种周期里是刚刚开始的信号。他明确说自己是很多轮周期的老兵，按经验现在该卖，但他判断这次可能属于后者。
他把自己的经验和自己的判断摆在了对立面
他没有说历史规律失效了，他说的是：按我全部的从业经验，现在该卖；但我认为这次可能是那个例外。
这种表述方式本身很有价值。它把先验和本次判断分开陈述，从而让人清楚地知道他在赌什么、以及赌错时错在哪里。如果这不是真正的产能周期，那么他的经验是对的，他的判断是错的。
反过来说，这也是最危险的一类论证。这次不一样是金融史上代价最高的一句话，而他很清楚这一点，所以他给出了一个可检验的判据，也就是这一轮的扩产是不是多年期的、需求的抬升是不是阶跃式的。
Gavin我确实认为，这种基本面上的短缺对我们投资人是好事。没有人应该希望出现泡沫。泡沫很糟糕，泡沫很可怕，在泡沫里做投资很难受，泡沫破掉之后更糟。
不幸的是，整部金融史都表明，每当出现一项深刻的新技术，无论是 AI、互联网、个人电脑、铁路还是运河，你几乎总会得到一个泡沫，因为市场是有效的。投资者理所当然地对新技术感到兴奋，用 Michael Mauboussin 的话说，多样性会崩塌，所有人都开始相信同一件事，于是你得到一个泡沫。然后那个泡沫为这项新技术所需要的建设提供了资金。互联网那次就是这样。
我乐观地认为，我们这次也许能避开泡沫。我们都希望它更平缓、更持久。而我们能避开的原因是，我们在瓦特和晶圆上存在真实的短缺。
瓦特的短缺，我们肯定会在未来五到七年用轨道算力来解决。但晶圆的短缺，我认为会持续很久。
泡沫不是浪费，它是一种融资机制
这个观点值得单独记：泡沫为新技术所需要的建设提供了资金。铁路、运河、光纤都是如此，投资者血本无归，但铁轨、运河和光缆留了下来，并在此后几十年被使用。
由此推出他这段话里最反直觉的一层：如果没有泡沫，那么建设就必须靠真实的现金流来供养，速度会慢得多。所以更平缓、更持久，与更快、更剧烈之间是有交换的。
他给出的、这次可能不同的机制也很干净：泡沫需要供给能够被无限扩张，而当供给被物理条件锁死时，多余的热情无法转化成产能，只能转化成价格与排队。这既抑制了泡沫，也抑制了速度。
多样性崩塌
Mauboussin 的框架：市场之所以有效，靠的是参与者以互相独立的方式犯错，错误因此互相抵消。当所有人开始相信同一个故事，独立性消失，价格就不再是集体智慧的产物。
注意他这里的用法：泡沫恰恰是市场有效性的产物，而不是它的反面。正因为市场能识别出新技术的重要性，所有人才会同时涌向同一个方向。
Gavin晶圆短缺会持续很久，原因是台积电是由一群七十多岁、极其硬朗务实的老先生老女士在管理的。倒不是说七十岁算老，七十是新的五十。我五十岁，五十是新的三十。
他们是台湾最重要的一群人。他们就是台湾。而且他们把自己看作张忠谋遗产的守护者。
二十多年前我去台湾的科学园区，问他们，你们觉得有可能追上英特尔吗？他们说，那是个美好的梦想，但那大概是我们孙辈的事。结果他们在一代人的时间里做到了。
所以他们是这份遗产的托管人，他们需要保全台湾。一轮暴涨暴跌对台积电和台湾都是灾难。因此他们根本不会按黄仁勋想要的速度扩产。黄仁勋每三个月去一次，而他们可能扩产 5%，他想要的是翻倍或者三倍。
如果他们真的把产能翻倍或者三倍，英伟达明年大概能卖出一万亿到两万亿美元的芯片，我真的相信这一点。但那件事的另一面，可能会让所有人都非常痛苦。
所以我认为，这群守护着张忠谋遗产的硬朗老人，正在通过施加一个真实世界的物理约束，帮我们所有人避开一个泡沫。而这个约束在过去的技术浪潮里根本不存在。
一家公司的保守，成了整个行业的稳定器
常规分析会把台积电的谨慎扩产当作限制行业增长的负面因素：需求这么强却不肯扩产，等于把钱留在桌上。
他把它整个翻转过来。逻辑链是：不扩产 → 供给被锁死 → 过剩不可能发生 → 价格与利润长期高企 → 没有暴涨暴跌 → 整个链条上的参与者都活得更久。
而他给出的动机解释尤其重要，因为它决定这个约束能持续多久：这群人的目标函数不是利润最大化，而是保全台积电与台湾。一家追求利润最大化的公司在这种价格下必然疯狂扩产；而一家把自己视为遗产托管人的公司不会。
可迁移的一条：判断一个供给约束能持续多久，要看约束方的目标函数，而不是看价格信号。价格只对利润最大化者有效。
一到两万亿美元的芯片
他说如果台积电把产能翻倍或三倍，英伟达明年大概能卖出一到两万亿美元的芯片。作为对照，全球半导体行业目前的年收入大约在 7000 亿美元量级。
这个数字的作用不是预测，而是标定需求相对供给的过剩程度：即便产能翻三倍，仍然卖得掉。
他紧接着补的那句同样重要：那件事的另一面可能让所有人非常痛苦。产能三倍意味着一旦需求稍有闪失，就是史上最惨烈的一次过剩。
主持人台积电作为垄断性供应方，在某个根本的层面上给供给设了速率上限。你在后台说，OpenAI 和 Anthropic 合计做到 2000 亿美元收入这件事，你买大。如果要在未来 12 到 18 个月从今天走到 2000 亿，这些收入从哪里来？难道标普 500 里的每一家公司都要因为给 Anthropic 付 token 费用而业绩不达标吗？
Gavin我不认为那是一个极端情形。黄仁勋在 GTC 上说过，他的目标是让他最好的工程师把至少一半的薪酬花在 token 上。
如果你去看标普 500 每一家公司的薪酬支出，我们根本无法在不对劳动力做出重大调整的前提下，承受那种量级的 token 支出。
但我认为有几件事，大概会让我们不至于普遍出现因为 token 极限化而导致的业绩不达标。顺带说，如果你还没在做 token 极限化，你应该开始了；如果你不知道那是什么，祝你好运。
第一点，所有这些模型都在转向按用量计费。过去，在座每一位只要每月花 250 美元订阅一个前沿模型的最高档，就能大致感受到前沿 AI 的能力边界。这一点已经不再成立了。
最好的能力被锁在各种脚手架后面，只留给那些能按用量付费的企业客户。
而这对 AI 是极度利好的，对前沿 token 的定价也是极度利好的。回到蜂窝通信这个行业：作为一个成长股投资人，蜂窝之所以是一个了不起的行业，在它之前的长途电话之所以是一个了不起的行业，原因就是你买的是一个固定的通话分钟数，一旦超出，你就要按分钟付费。而人们真的很喜欢跟亲友说话。这就是电信长期是一个伟大的成长行业的原因。
我们正在从吃到饱的套餐，转向带超额计费的按量套餐，而那些超出的 token 贵得多。而我们正在发现，我们离人们愿意花钱的上限还差得非常远。
从吃到饱到按量计费，为什么是行业性的转折
他用的类比精准得值得单独记：长途电话与早期移动通信之所以是伟大的成长行业，就是因为固定套餐加超额计费这个结构。
这个结构的商业含义在于：套餐锁定了基础需求，而超额部分捕获了所有的增量价值，且定价权极高。用户对套餐价格敏感，对超额部分反而不敏感，因为那时他已经在使用中了。
放到 AI 上，含义是双重的。对模型厂商是收入弹性的解放：包月制把收入锁死在订阅价上，重度用户越用越亏；按量计费则让收入随使用量线性增长。对算力需求是直接利好：定价与消耗对齐之后，供给方才有动力去满足最重的那部分需求。
他还点出一个容易被忽略的后果：最强的能力不再对个人开放。这意味着从此之后，靠个人订阅去评估前沿模型的真实水平，会系统性地低估它。这对所有做产业研究的人是个方法论警告。
那 2000 亿要从别人的利润表里出
主持人问的是一个绕不开的会计问题：这些收入必然是某些公司的支出。如果 AI 支出在 12 到 18 个月内增长到这个量级，理论上应该看到大批公司因为成本上升而业绩不达标。
Baker 的回答没有回避，他甚至引用了一个极端目标，也就是让顶尖工程师把一半薪酬花在 token 上，并明确承认按标普 500 的薪酬结构，这个量级的支出无法在不调整劳动力的前提下被吸收。
换句话说，他承认这笔钱最终要从人力成本里出。这与他在别处那句话是同一个意思：要么来自更快的经济增长，要么来自劳动替代。在这里他没有粉饰第二种可能。
GavinAlex 说的那句话我觉得非常深刻：全世界只有万分之十的人口，在以这些模型本该被使用的方式使用它们。
而我们已经处在一个疯狂的短缺里，尽管累计已经投入了数万亿美元。当全世界 5% 的人口开始像最前沿那万分之十一样使用这些模型时，会发生什么？简直无法想象。这就是为什么轨道算力是一种必需品。
至于你那个具体的问题，有人在 X 上说，编程也许是通往超级智能和通用人工智能的最短路径。因为如果你能写代码去做一件事、而且能为自己写，那是一条相当快、相当优雅的通往 AGI 的路。
我认为最后可能会是这样：写代码不只是 AI 的杀手级应用，它就是 AI 的终极应用，而且它会吞掉越来越多的东西。
我想鼓励在座各位：Claude Code、Codex，即便你不是程序员，你用它们去问投资问题，得到的答案也会比用普通的对话模型好。
万分之十，也就是千分之一
十个基点等于 0.1%，约合全球八百万人。他说的是以这些模型本该被使用的方式使用，也就是重度的、智能体化的、把它当生产工具而非聊天工具的用法。
关键在于这个分母与已经发生的短缺之间的对比：累计投入数万亿美元，服务的是千分之一的人口，而算力已经严重不足。
从 0.1% 到 5% 是五十倍。即便单位任务的算力成本继续快速下降，数量的增长仍然远快过成本的下降。这就是他说轨道算力是必需品而不是选项的原因。
为什么编程可能是终极应用
这条推理值得留意：如果一个系统能为自己写代码去完成任务，它就获得了扩展自身能力的通用手段。其他所有应用都是某一类特定任务的解法，而编程是生成解法的解法。
他附带给出的那条实用建议也很具体，而且道理是一致的：用编程类工具去问非编程问题，答案更好，因为这类工具带着可执行环境与多步骤的工作流，能真的去查、去算、去验证，而不只是生成一段文字。
主持人竞争在来。Trainium、TPU、MTIA，哪一个被市场低估得最厉害？共识错在哪里？
GavinTrainium，遥遥领先。Trainium 之于 2026 年，尤其是今年下半年 Trainium 3 真正上量的时候，就相当于 TPU 之于 2025 年。
如果今天有人对 TPU 极度看多，那我们去翻翻他的持仓报告，看看他当年有没有持有那两家投资 TPU 的最佳标的。我持有过其中之一，所以我觉得我说这话有点资格。
我确实认为，出于很多原因，谷歌在 TPU V8 上做了非常保守的设计选择，而英伟达和 Trainium 做了非常激进的设计选择。所以 Trainium 肯定是被低估得最厉害的。
不只是因为那些设计选择，还因为所有这些前沿模型都是所谓的混合专家模型。要为这样一个模型做推理，不讲太技术的话，你需要一种叫做交换式纵向扩展网络的东西。而今天全世界只有两套能跑通的交换式纵向扩展网络：一套支撑英伟达的 GPU，一套支撑亚马逊的 Trainium。
这也是为什么，谷歌自己发明了 MLPerf 这个基准测试，却不肯把 TPU 提交到自己发明的基准里去。你能看出这件事把黄仁勋气得不轻。
但话说回来，TPU 是一颗很好的芯片。我相信 TPU V9 会很了不起，他们会做更激进的选择。我永远不会赌谷歌输，也永远不会赌博通输。但我确实认为 Trainium 现在被严重低估了。
混合专家模型为什么需要交换式网络
混合专家模型把一个巨大的模型拆成许多子网络，每次前向传播只激活其中几个。好处是参数总量可以很大，而单次计算量不必同步增大。
代价出在通信上：这些专家分布在不同芯片上，每处理一个 token，系统都要把它路由到当前被选中的那几个专家所在的芯片，再把结果收回来。这是一个动态的、每个 token 都不同的全互联通信模式。
而纵向扩展网络指的是把一批芯片连成一个高带宽整体的互连。所谓交换式，是指它支持任意点到任意点的动态路由，而不是固定拓扑。他的判断因此非常具体：今天能高效跑通这种通信模式的系统只有两套。这把竞争格局从谁的芯片算得快，换成了谁的机柜通信跑得通。
谷歌不把 TPU 提交给自己发明的基准
这是一个典型的揭示性偏好论证，和他在别处用黄仁勋支持开源来推断利益结构是同一手法。
逻辑很干净：如果一颗芯片在标准化基准上表现优异，发明这个基准的公司没有理由不提交。缺席本身就是信息。
这条方法非常可迁移：当一方掌握着能证明自己的公开工具却选择不用时，缺席比任何声明都更有信息量。他同时保持了分寸，明确说 TPU 是好芯片、不赌谷歌和博通输，把判断限定在相对预期而不是绝对优劣上。
主持人CoreWeave、Crusoe、Nebius、Lambda 这些。这个品类今天是可持续的吗？还是说它只是对超大规模厂商资本开支和 token 摩擦的一次过渡性套利？
Gavin我绝对认为它是可持续的。
先说个伤心事。CoreWeave 那一轮，在 11 亿美元估值时我本来可以投超过 5000 万美元，但我因为投了 Crusoe 而回避掉了。我很喜欢 Crusoe，我认为 Crusoe 会做成，我们在 Crusoe 上有很大的仓位。但每次想到本可以在十一亿的估值上投五千万进 CoreWeave，我还是有点难受。
运营这样一个集群，可以类比成开一辆一级方程式赛车。你看 F1 比赛，看起来很容易，好像谁都能开。就像你看汤姆·布雷迪，会觉得他怎么会传丢那个球。因为他身处一个十万人喊叫的球场里，还有一群比他重一百磅的人以每小时二十英里的速度冲向他，想在他把球传出去之前把他撂倒。
F1 也一样，看起来容易，其实非常难。如果我真的坐进一辆 F1 赛车去参加比赛，我会死，我会对自己、对所有人包括看台上的观众造成危险。运营一个集群就是这样，要做好非常难。
像 CoreWeave 这样的公司之所以能在 GPU 小时上收取巨大的溢价，是因为并不是所有的 GPU 小时都是一样的。CoreWeave 那些 GPU 的每小时实际利用率，平均是那些最差供应商的两到三倍。顺带说，这对 Crusoe、Nebius 和其他高质量的新云厂商同样成立。我认为这一点被严重低估了。
人们会想，那怎么可能是持久的竞争优势。可我 2005 年做零售分析师时观察到，在美国，你要在任何一个品类里做出五百亿美元的市值，只需要做到一件事：在气候不同、消费者偏好不同的五十个州里运营一千家门店，店里配着友善、专业、不偷东西的员工，在正确的时间以正确的价格备着正确的库存，而且店面干净明亮。
就这么点事。而历史上做到这件事的公司，大概有十家。运营这样一个算力集群，比那还难。
所以我认为它是持久的。而超大规模厂商有很长一段时间困在成本思维里。他们是在跟一群开 F1 赛车的人竞争，而他们自己在开十八轮大卡车通宵跑长途、努力保持清醒、追求最低成本。而 AI 不是这么回事。现在我认为他们已经完成了这个心态和文化上的转变。但我认为有些新云厂商拥有非常持久的商业模式。
运营能力算不算护城河
对新云厂商最常见的看空理由是：它们只是在转租英伟达的芯片，没有技术壁垒，谁都能做。
他的反驳落在一个可量化的点上：同样的芯片，好的运营商每小时实际利用率是差的两到三倍。如果这是真的，那么它们卖的就不是芯片时间，而是有效算力，溢价也就有了成本依据而不只是品牌。
零售那个类比尤其好，因为它给出了一个历史检验：把一千家门店在五十个州同时运营好，每一条都不难，合起来极难，而历史上做到的只有十家左右。这类护城河的特征是没有任何一条秘密，但组合起来极难复制，而且它不会出现在技术尽调清单上。
可迁移的判断方式：凡是能被量化成同样投入产出多少的比较，运营优势就是真的；说不出这个数的，通常就不是。
在做多头论证之前，先交代自己的利益与失误
他讲 CoreWeave 是持久生意之前，先说自己错过了它，而且明确说明原因是投了竞争对手 Crusoe，以及自己在 Crusoe 上有大仓位。
这一步做了两件事：披露了利益冲突，也削弱了自己是在为持仓辩护的嫌疑。他称赞的这个品类里，最耀眼的那家恰恰是他没投的。
主持人轨道算力什么时候会真正拿到有意义的份额？以及基于这个判断，你认为今天市场上最被低估、完全没被定价的空头是什么？是地面数据中心运营商吗？如果是的话，我们黑石可就麻烦了。
Gavin我认为在未来两年内，它可行、能跑通、且经济上划算这件事会变得清楚。我认为它会在本十年末开始拿到有意义的份额。
我确实认为，已经建成、已经在地上的地面数据中心会一直有价值，训练和强化学习会在地面数据中心里做。但我无法想象在未来七年内会出现一天，我们从此不再建新的地面数据中心。
而通往那一天之前的那几年，对电力、冷却这些领域的很多公司会非常痛苦：那些工业类的名字，为了支撑一场可能戛然而止的建设，已经大幅扩张了产能。
在太空里，电力来自太阳，冷却来自卫星的背阴面。有些名字我不该说，但如果你看过某家潜在的轨道算力供应商画出的卫星示意图，那个散热器有三四百英尺长。它处在太阳同步轨道上，散热器就待在卫星身后。
所以你看到的是：巨大的太阳能翼、一颗卫星，而这颗卫星其实就是一个机架，八英尺高、两英尺半宽、四英尺深。它不是一个数据中心，它就是一个机架。
然后这些机架用激光缝合在一起，构成一个虚拟数据中心，散热器就在机架背后的阴影里。
真正的风险不在数据中心，在为数据中心扩产的那批供应商
他没有说地面数据中心会贬值，恰恰相反，他说已建成的资产会一直有价值。他指向的是产业链上游那批工业公司：电力设备、冷却、发电与配电。
机制在于产能扩张的不对称：这些公司为了满足当前订单，已经大幅扩张了自己的产能。而它们的产能扩张是基于建设持续下去的假设。一旦建设速度放缓，受伤最重的不是拥有数据中心的人，而是为建设而扩产的人，因为他们同时面对订单消失与自身折旧。
这条推理可以直接迁移到任何一次资本开支周期：周期见顶时，最脆弱的环节不是资产持有者，而是刚刚为满足峰值需求而扩产的设备供应商。
同时注意他给的时间表非常克制：两年内证明可行，本十年末才开始拿份额，且未来七年内地面数据中心不会停建。他讲的是一个方向，而不是一个交易。
电力免费，冷却也免费，但两者都有前提
轨道算力的两个核心优势都是物理性的。电力：在太阳同步轨道上，太阳能板几乎持续受光，没有昼夜、没有云、没有大气衰减，功率密度远高于地面。冷却：真空中无法对流散热，只能靠辐射，因此需要那个三四百英尺长的散热器把热量辐射到深空，而它必须待在阴影里。
他强调的那句它不是数据中心，它就是一个机架是理解这个设计的关键：单颗卫星的算力很有限，规模来自用激光把成百上千个机架连成一个虚拟数据中心。这也解释了为什么星链的激光通信技术在这件事上如此关键。
八条带走的东西
- 找到与你情绪结构匹配的哲学，然后接受它的固有代价。他公开承认自己终生学不会卖输家留赢家，因为那与他对估值敏感、逆向的天性直接冲突。
- 两笔亏损教了两类东西：一类无法防范，一类完全可以。失实报道让股价永久腰斩九成，这只能靠仓位承受；而高杠杆把一次外生冲击变成破产，这是可以避免的。论点正确与公司存活是两件事。
- 阅读压倒性地重要，因为管理层不会说任何未曾披露的东西，而你读得比他们说得快。每次接触前先问：这能带来公开材料里没有的信息吗。
- 价格周期与产能周期，同一组数据在两者中的含义完全相反。价格暴涨加超高利润率，在前者是卖出信号，在后者是刚刚开始。
- 泡沫是一种融资机制，而不只是浪费。而这一轮可能不同，因为供给被物理条件锁死，多余的热情无法转化成产能，只能转化成价格与排队。
- 判断一个供给约束能持续多久，看约束方的目标函数，而不是看价格信号。台积电那群守护者要的是保全台湾，不是利润最大化，所以高价格叫不动他们扩产。
- 从吃到饱转向按量计费加超额收费，是模型层收入弹性的解放。这条在长途电话与移动通信上已经演过一遍。副作用是：靠个人订阅评估前沿模型能力，从此会系统性低估。
- 当一方掌握着能证明自己的公开工具却选择不用，缺席本身就是信息。谷歌发明了 MLPerf，却不把 TPU 提交进去。