瓦特与晶圆

• Gavin 把回撤分成两类：第一类是你错了——公司业绩不及预期、假设被证伪，"你只能吞下这剂药，把亏损兑现"；第二类是你对自己极其了解的公司、而你深深不认同市场的价格走法。第二类不该止损，该加仓，因为你不是在兑现负收益，而是在积攒"待释放的超额收益"（pent-up alpha）。 → 详细
• 今年三月对他就是第二类：纳斯达克在跌，而 AI 侧同时在发生"资本主义史上最非凡的一刻"。这套二分法是全期的心态底座——它决定了他在下跌里是加仓还是缴械。 → 详细

• 具体的数：Anthropic 一个月增加了 110 亿美元 ARR（年度经常性收入）。作为对照，过去 10–12 年最高知名度的三家 SaaS 公司——Palantir、Snowflake、Databricks——雇了几万人、各花了 10 年建生意，而"Anthropic 在一个月里就把它们三家加起来那么多的收入给加上了"。 → 详细
• 整场 SaaS + 云革命创造了 5 万亿–10 万亿美元价值；他的原话是"资本主义史上从来没有发生过这样的事。别说我的职业生涯了"。加上 Anthropic CFO Krishna Rao 在本节目披露的净收入留存率（NDR）500%——老客户第二年花的钱是第一年的 5 倍——按三年复合去算这个数字。 → 详细
• 他的自评很关键："我们这些科技投资人天天讨论 S 曲线、投资指数增长，但我从没见过这样的指数曲线。" → 详细

• 2025 年 DeepSeek 论文在美国一个假日的星期一就发表了，Gavin 读完的判断是"这对 AI 交易是利好"，并据此行动；整整一周后才来"DeepSeek 星期一"，AI 板块崩了。 → 详细
• 崩盘当天，实物侧的价格信号早已相反：亚洲 AWS 可用区价格翻倍、DRAM（内存）价格垂直上涨、亚洲 GPU 价格垂直上涨、GPU 可用量下降；两三天后美国的 GPU 租赁价格也开始涨。那是市场第一次看到推理模型（reasoning model）在推理阶段比非推理模型吃掉多得多的算力。 → 详细
• 可迁移的方法论：别只看股价，去看那条链上真实商品的现货价格和可用量。他说今年三月"你要做的只是单纯地观察 Anthropic 身上发生了什么"。 → 详细

• 市场把它读成风险，Gavin 读成利好：美国电价的关键投入是天然气（彭博代码 NG1 近月合约），封锁期间美国天然气跌 20%，而亚洲、欧洲翻倍到翻三倍——美国相对制造业竞争力一夜之间改善，而这正是现任政府最在意的指标。 → 详细
• 反驳 1970 年代类比：那次创伤的真正来源是真实的汽油短缺而非涨价，而今天美国能耗强度低得多、且已是全球最大油气生产国和出口国。净效果是投资人更容易专注 AI 基本面——当时科技股相对市场跌到了过去 10 年最便宜的水平。 → 详细

• 烧钱差 80%：两家做到大致相似的收入规模，Gavin 估计 Anthropic 烧的钱比 OpenAI 少约 80%，每 token 成本"明显低得多"，所以两者的结构性投入资本回报率（ROIC）根本不是一回事。 → 详细
• 估值锚：Anthropic 约 9000 亿美元估值 / 500 亿美元 ARR（18 倍）。但他提出一个反直觉的读法：Anthropic 是被算力卡住的——"如果它能挥一挥魔杖拿到想要的全部算力，今天收入很可能远超 1000 亿，也许 1500 亿、2000 亿"。 → 详细
• 他为此发明了一个词：URR（unconstrained revenue，无约束收入）——按无约束口径，你买的其实是 5 倍市销率，而不是 18 倍。 → 详细
• 算力约束的可观测证据：有分析显示 Claude（连 Opus 也是）对完全相同的问题现在生成的 token 少了 70%。而"token 数量在某种程度上等于答案质量、思考质量"，另外每个 token 里还有"智能密度"这层。他作为用户能直接感觉到这次降级。 → 详细
• OpenAI 侧他点名 CFO Sarah Friar 是"最出色的 CFO 之一"，且 OpenAI"锁定了大量算力"——"事实证明，激进是真的有回报的"。 → 详细

• Patrick 问：既然人人抢着投，为什么不按 3 万亿估值融 1000 亿？Gavin 的答案是留出融资空间本身就是资产——世界不确定（他点了乌克兰、伊朗、俄罗斯的回应），而 AI 是极度资本密集的游戏；他判断 Anthropic 今年很可能已经在产生现金流。 → 详细
• 马斯克模式：连续 20 年让投资人赚钱、"把这当成一份神圣契约"，换来一种随时可融到任何金额的超能力；方法极简单——在估值上从不贪心、从不硬把估值往上顶（友人 Antonio 的数据：SpaceX 十年年化复合 30% 出头）。关键判断是这种好处持续 20–30 年，不是一两年。 → 详细

• 某大 PE（黑石/阿波罗/KKR 之一）的数据中心基建投资负责人原话："过去能源和芯片是我们最大的卡点，现在是分区规划和审批，重要得多。" 政治风险是这条线上最真实的变量。 → 详细
• 供给侧的物理瓶颈很具体：全世界只有两台机器能铸造涡轮机的大叶片，西方已经 80 年没造过这种机器，"我们已经不知道怎么造了"。多家涡轮机公司已宣布大幅扩产。 → 详细
• 结论：只要没有大的监管/政治反弹，资本主义会解决电力短缺，短缺大概在 2027–2028 年开始缓解。中间过渡期还有"把喷气发动机改造成发电机"这类玩法（他提到一家 Boomerang Space，公司名 ASR 存疑）。 → 详细
• 另一个观察：很多公司在等中期选举之后再动手（比如裁员）——"没人想在中期选举期间当那个被打的皮纳塔"。 → 详细

• Gavin 专门做了一次概念纠偏：人们一听"太空数据中心"就想象一栋五角大楼大小的建筑飘着，然后说做不到。真正的形态是单个机柜就是一颗卫星——一个 Blackwell 机柜重 3000 磅、高 8 英尺、深 4 英尺、宽 3 英尺，两侧各伸出约 500 英尺的太阳能翼。 → 详细
• 散热怎么解决：把它放在精确的太阳同步轨道上，太阳能板永远朝阳，而向后延伸几百英尺的散热器永远处在阴影里。维修问题的答案很坦白："在你有了能在太空里干活的 Optimus 机器人之前，你不修。" → 详细
• 为什么信 SpaceX：他们运营着占在轨卫星 98–99% 的舰队，每颗 Starlink 今天都在做散热，Starlink V3 将工作在 20 千瓦（一个 Blackwell 机柜才 100 千瓦）；机柜间的真空激光互联技术每颗 Starlink 上已有。同一家公司还运营着地球上最大的数据中心。 对怀疑论者他引 Larry Ellison："人家在那儿把火箭降落回来。我没看见别人在降落火箭。"——十年过去仍无第二家能稳定降落并完全复用入轨火箭，而没有可重复使用，这一切都不成立。 → 详细
• 一个被忽略的物理反转：地面数据中心要用铜缆连机柜、要压缩布线长度和成本，所以机柜必须小（"能用铜就用铜，不得已才上光"）；而在太空里用激光连，约束从"尺寸"变成"重量"，机柜反而可以做得更大——SpaceX 有信心从 20 千瓦直接放大到 100–120 千瓦。 → 详细

• 他不看空地面："美国会把它能拿到的每一种能源都吸干"，算力同理——我们能消耗多少就会消耗多少。训练会在地球上做很长时间，推理适合放到轨道上；地面数据中心"在我这辈子里都会是有价值的"。这也让他对"边缘 AI 抢走需求"那套看空逻辑没那么担心了。 → 详细
• 但有一个精确的时点风险：如果你是电力生产和冷却生态里正在大规模扩产的公司，你的产能爬坡到位的时点，很可能恰好撞上市场终于明白"轨道算力是真的"的时点。"如果你是那类公司，我觉得值得好好想想这件事。" → 详细

• 在电力这侧资本主义在拼命解决，而晶圆这侧"就只是台湾一群上了年纪的人"——那家公司占了台湾 GDP、用水量、用电量中压倒性的比例，他们谈"硅盾"，把自己看作张忠谋神圣遗产的继承者。 → 详细
• 20 多年前他去新竹科学园区问他们"你们觉得能追上英特尔吗"，回答是**"这是一个很美的梦，但这是留给我们孙辈的梦"**——结果他们做到了（部分是靠英特尔的自我伤害）。 → 详细
• 一个惊人的细节：黄仁勋跟台积电从来没签过合同——"他们靠'什么看起来公平'和握手来做生意"。黄仁勋频繁飞台湾的核心诉求就一个：让他们扩产。 → 详细
• 量化的赌注：如果台积电真按黄仁勋想要的扩，Gavin 认为英伟达在 2026 或 2027 年能卖出 2 万亿、甚至 2.5 万亿到 3 万亿美元的 GPU——但超过某个点，消费端消化不了，就变成过度建设。所以他的结论是："如果我们没等来泡沫，我们得给台积电办个庆功宴，因为是他们凭一己之力阻止了泡沫。" → 详细

• 历史侧：卡萝塔·佩雷斯（Carlota Perez）写过，每一项基础性新技术都伴随泡沫。机制是 Mauboussin（莫布森）说的**"多样性崩溃"**——市场正确地识别出这是基础性技术，于是所有人都变得看多，泡沫资助了基础设施建设，但供给最终跑到需求前面，然后崩盘。他坦承："我确实开始有点担心多样性崩溃了。" → 详细
• 这一轮的差异（这是全期最可直接检验的一组指标）：① 建设资金压倒性来自经营性现金流，不是债务——2000 年那种债务驱动的建设崩起来格外惨；② 估值；③ 每一块 GPU 都在 100% 利用率上跑，而当年 99% 的光纤是闲置的。 → 详细
• 但他不给自己留侥幸："历史不会重复，但会押韵……按过去 200 年、300 年的经验——别说互联网泡沫了——我们有过铁路泡沫、运河泡沫、南海泡沫。我们理应预期会有一个泡沫。" → 详细

• 富达传奇基金经理 George Vanderheiden 在 1999 年跟泡沫对抗，客户说"George，你跟不上时代了"，他 2000 年初退休——不是因为判断错，而是扛不住跑输和被质疑。他当时约 40% 仓位在烟草、40% 在房屋建筑商，接下来三年跑赢纳斯达克 20–30 倍。 → 详细
• 他留下的那句话是全期最锋利的一句："过早等于错误。"（being early is the same thing as being wrong）这也解释了泡沫为什么可怕——"如果你对估值敏感，你会被大幅甩在后面，你大概会被所有客户炒掉。"Gavin 说自己身上有很多经由导师 Jennifer Uhrig 传下来的 Vanderheiden 基因。 → 详细

• 市场规律：英特尔和三星里总有一个不会守纪律，一旦它破功扩产，就会逼所有人跟着破功。目前台积电对它们的领先大约是 9–15 个月（最先进制程节点上），以及扩产的节奏。 → 详细
• "金发姑娘区间"（Goldilocks zone）：台积电扩得足够多，让英特尔或三星难以成为有规模的第二供应源（远超 30% 份额）；但又保持住晶圆这个根本约束，从而避免泡沫。"如果只让我盯一件事来判断有没有泡沫，那就是台积电的产能决策。" → 详细
• 同一个博弈也适用于代工：如果英伟达或 AMD 真的认真去用另一家代工厂，那家代工厂会很快变强——所以谁都不敢真的下大单，这个平衡本身在维持垄断。 → 详细

• 这是 SpaceX（他相信特斯拉也参与）要在美国建全球最大晶圆厂的合资项目。Gavin 认为会成功，理由不是资本，是四件事： → 详细
• ① 和英特尔的合作 = 拿到 50 年的机构性知识积累，起点只落后最前沿三到五个季度；② 半导体设备公司会派 A 队——台积电当年能追上来正是因为 ASML、KLA-Tencor、Lam Research、Applied Materials 想让它追上来，"它们不喜欢面对一个买方垄断（monopsony）"，而马斯克在硬件工程上的声誉会把 A 队吸引到美国。 → 详细
• ③ 不惜代价的人才本地化：厂旁边建"台湾城"——"哦，这些是你最爱的餐厅？我把它们连同全体员工从台湾搬到德州"，再加日本城、韩国城。他直言**"这根本不是英特尔和三星管理层的思考方式"**。④ 速度：别人建数据中心要三年，他 122 天建好一个；三星不得不在德州晶圆厂里给他一间办公室，因为他对扩产速度太不满意。 → 详细

• ① 前沿 token 还能不能继续拿走模型层的绝大部分经济价值？ 这是让他最意外的事实：DeepSeek 之后大家以为便宜的开源模型会吃掉一切，但"压倒性的大部分经济回报都归到了前沿模型身上"。现实中的分工是：公司用前沿模型做原型验证，真正上生产时很多人用 Vertex 或开源——但钱还是在前沿。 → 详细
• ② 苦涩的教训（bitter lesson）会不会被违反？ 萨顿的这条规律说"更多算力永远跑赢人类的算法巧思"，违反它是"这笔交易、也是整个 AI 面临的最大风险"。有意思的观察：离 AI 越近的人，越不相信这种事会发生。而 Gavin 反而没那么怀疑——他认为我们很接近 ASI，"谁知道苦涩的教训对 400 智商的模型还成不成立"；ASI 想要的第一件事就是变得更聪明、拥有更多资源，而最快的方式是把自己变得更高效——那可能构成一次"由 AI 自己造成的、暂时性的苦涩教训违反"。 → 详细
• ③ 持续学习（continual learning）会不会实现、什么时候？ 定义是模型能实时动态调整自己的权重。他的比喻：人第一次把手放进火里就学会了，而今天的模型要放一百万次、还得靠设计者把"火"塞进下一轮训练或强化学习环境（RL gym）才学得会。今天只有可验证场景下的粗糙版本（中期训练阶段的强化学习）。"如果我们拿到了这个能力，那就是一次非常快的起飞"，而大家看起来相当有信心它就在拐角处。 → 详细

• 帕累托前沿 = 智能水平 vs. 成本的那条边界，Gavin 说这是分析 AI 实验室最该看的东西。九个月前谷歌统治这条前沿，OpenAI、xAI、Anthropic 在每一个点上都在它内侧（更差）。 → 详细
• 今天格局倒转：前沿由 Anthropic 和 OpenAI 主导，Grok 4.3 也在前沿上（"最好、成本最低的 5000 亿参数模型"），Gemini 3.1 是勉强挂在前沿上——而且他赌谷歌是出于面子在补贴那个价格。 → 详细
• 根因：谷歌在 TPU v8 上做了非常保守的设计决策，想从博通手里把一部分价值拿回来，而英伟达继续做激进的选择——一个供应链谈判动作，付出的代价是丢掉每 token 成本领先。 → 详细
• 模型体感的变化速度也惊人："我记得 Gemini 3.1 Pro 刚出来时我惊为天人，它太好了。而今天，它已经难以忍受了。" → 详细

• 三月市场疲弱的一个诱因是 TurboQuant——谷歌一年前就写在论文里的内存优化方法，突然被拿出来在 X 上宣传，随即病毒式传开："天哪，DRAM 完蛋了。" → 详细
• 时点才是信号：谷歌恰恰是在跟美光、三星、海力士谈判、要签一份把高价长期锁死的长期协议（LTA）的中途放出来的。Gavin 的判断句："人做了什么永远比说了什么重要。" → 详细
• 事实核查结果："我在地球上找不到任何一个 AI 工程师相信 TurboQuant 会对 DRAM 需求产生任何影响。" → 详细

• harness 是什么：可以理解成模型在其中运行的运行时——它知道工具在哪里，负责构造上下文、记忆、状态，带着非常具体的提示词或指令。"harness 工程做得好不好，重要性不如模型本身，但它真的很重要"，而且现在壳和模型越来越是协同开发的。"哪怕是很简单的版本，差别也大到不可思议。" → 详细
• 他公开撤回了自己上次的建议：以前他说"投资人订 250 美元/月的最高档就能对 AI 有直觉"，"这条建议现在已经不成立了"。今天要理解前沿 AI 能干什么，哪怕是非编程用途，你也必须用 Claude Code 或 Codex，而且必须在企业版套餐上。 → 详细
• 为什么：模型刚刚转向按用量计费，250/280/300 美元的固定档会被严重限流——"你拿到的是一个被做了额叶切除手术的 AI"，因为 Claude 现在少产出 70% 的 token。想要模型和它的壳真正认为需要产出的那些 token，就得上按量计费。 → 详细
• 他直言这件事的社会代价："这有点悲哀……它意味着如果你付不起那个钱，你就不在前沿上。而且我觉得这会把很多投资人对 AI 能力的直觉判断带偏。" → 详细

• 蜂窝通信类比：2005–2007 年之前十年，蜂窝是很棒的成长行业，因为它是"固定套餐 + 超额按量"的组合（900 分钟包月，超出按用量付费）。**它什么时候不再是成长行业？所有人都转成"无限量吃到饱"的时候。**长途电话同理。 → 详细
• AI 正在反向走：从"吃到饱"转向"按杯买"。而"人们真的很喜欢用 AI，尤其是现在一个人可以有 100 个智能体在干活"。 → 详细
• 具体预测：正因为这个转向 + 更多算力上线 + 企业级模式能把前沿 token 定价往上推，他预计 OpenAI 和 Anthropic 今年的 ARR 都会远远超过 2000 亿美元。 → 详细

• 铁三角比喻：坦克设计师必须在攻击、防护、机动性之间取舍——装甲越厚越重、机动越差（以色列梅卡瓦偏防护，俄罗斯坦克和豹式偏机动）。芯片设计一样，只是那些根本约束由物理定律施加，体现为台积电的设计规则。 → 详细
• 别去做"更好的 GPU"：TPU、Trainium、AMD 本质上都在做更好的 GPU，"没有人是更好的 GPU"。今天做得最好的大概是 Trainium（但 Trainium 3 需要爬产上量，因为它有交换式的纵向扩展网络，而经济地推理 MoE 混合专家模型真的需要这个）；AMD 的 MI450 还看不清，"我们对 Trainium 3 的了解大概比对 MI450 还多"。 → 详细
• 两条硬规则：做的事必须既不一样、又难做。因为如果取舍不难做，英伟达也会做同样的取舍——而且它从台积电拿到的价格是你永远拿不到的，还有跟每一家模型公司合作优化设计的优势。 → 详细
• 给 VC 的一记警告：如果一家半导体初创告诉你，它的优势是拿到了台积电某个工艺的特殊使用权——"我向你保证，黄仁勋在那个工艺还只是台积电眼里的一丝念头时就已经看到它了。供应链上的每一个人都在把一切摊给黄仁勋看"（也摊给亚马逊、AMD、TPU 团队看）。 → 详细
• 回报的量级尺子：1% 市场份额 ≈ 1000 亿美元，"1000 亿美元是个相当不错的风投回报"。但黄仁勋的反制逻辑是："如果有人做了点不一样的东西并做到 1%、2%、3% 份额，那我们就把那颗芯片也做出来。" → 详细

• 最好懂的比喻（来自他同事 Andrew Fox）：想象 18 世纪的英国军舰——预填充（pre-fill）是装填炮弹，解码（decode）是开炮。预填充就是模型理解问题、理解提示词并持续记住自己的答案；解码是生成新 token。 → 详细
• 为什么这个区分是商业分水岭：预填充本质上受内存容量限制，解码受内存带宽限制——两者可以跑在不同芯片上，"这给了芯片设计者一块更丰富的画布去画"，可以为解码做激进取舍、为预填充做另一套激进取舍。 → 详细
• Cerebras 作为"难且不同"的样板（他公司投过 C 轮）：晶圆级计算是真难——瓶颈是 IO 受"海岸线"（shoreline，芯片边缘长度）限制，解法是尝试把一片光学晶圆直接叠在上面加上 DRAM 混合键合。而且它花了三代芯片才做对："第一颗芯片失败了，这很正常。你能不能爬起来再做第二颗？" → 详细

• 反驳最流行的空头论点：AI 怀疑论者说"这些公司都在做账，GPU 可用寿命只有一两年"。Gavin 说：不。解耦的后果恰恰相反——你可以把一台 Cerebras 系统、或英伟达收购来的 Groq LPU 摆在一台 Hopper 甚至更老的 Ampere 前面，让老 GPU 去做预填充，把它的寿命一路延长到烧掉为止（它们确实会烧掉，但也许你不必让它们跑那么快）。 → 详细
• 财务上的传导链条：GPU 上的私募信贷当初是按 3–4 年做的模型；如果实际寿命是 10–15 年，融资成本就能从 CoreWeave 那种"7% 出头"降到 5–6%——"那从数学上就真的改变了这轮建设的融资成本"。 → 详细
• 反过来，私募信贷在放给 SaaS 公司的老贷款上很痛苦，"不管已经减记了多少，大概都还需要再多减记一些"——因为连上市公司都在艰难适应，背着债的公司更难转到一个利润结构完全不同的生意里去。 → 详细
• "短缺的卖方 vs 短缺的买方"：Coatue 的一份材料指出短缺的卖方表现远好过买方（买方即超大规模云厂商）；但 Gavin 补了一句反转——如果你握着一个巨大的、正在短缺的存量装机基础，那也是极好的位置。而在智能体化的世界里 CPU 比以前重要得多（负责编排、工具调用），全世界最大的 CPU 机群就在这些超大规模厂商手上。 → 详细

• 黄仁勋的"AI 五层蛋糕"：利润在往能源、数据中心、芯片、模型积累——就是没怎么往应用层积累。 → 详细
• 最扎心的数：在应用层，"别说价值归属了——价值是被摧毁的。哪怕你把 Cursor、Cognition 这些最成功的 AI 原生公司算进去，AI 在应用层已经摧毁了数万亿美元的价值。" → 详细
• "token 路径"（token path，来自 Altimeter 的 Jamin Ball）：如果你是软件或 AI 公司，你必须站在 token 路径上（Databricks 就在路径上）。不在路径上、又不在某个真正很窄的细分里，日子会很难过。 → 详细
• 连"垂直细分 + 数据护城河"这条退路都被质疑：模型公司的人指出，这些细分里产生的所有数据都来自人类；你是在赌用窄垂直的专有数据训出一个比前沿实验室成本更低的模型。"也许这是个好赌注。但我只是觉得你必须非常、非常小心。" → 详细
• 风投的根本筛子：这件事会不会在这家公司建立起规模之前，就对全世界变得显而易见？ 反例是 Wayfair——亚马逊会把任何 VC 投的电商公司的利润率打到负 10000%，"噢，好可爱"，但 Wayfair 做的是难的事，亚马逊试图杀死他们、失败了。 → 详细
• 为什么编程是对的赛道：Replit 创始人 Amjad Masad 的那条推——"编程可能是通往 ASI 和有用 AI 的最短路径，因为如果你真的很擅长写代码，你就能给自己写代码去干任何事。" 18 个月前聚焦编程的是 Cursor、Cognition、Anthropic，而 OpenAI 在无所不做；结果证明聚焦是对的。 → 详细
• 唯一的翻身条件：如果前沿 token 相对其他 token 的溢价下降，应用层会迎来一次价值创造的爆发。 → 详细

• 旧的囚徒困境是"你不得不花钱"；新的是：如果你在前沿上，你要不要通过 API 把这个模型放出去？ 如果所有前沿玩家都同意不放，中国开源就断粮；但只要一个人叛变，他就拥有最好的模型、拿到大量收入和现金流——而"资源等于智能"，他会开始拉开差距，最终逼所有人都放。 → 详细
• 今天的开源前沿"基本由中国模型构成，而它们用的是偷来的美国 token"：有人告诉他最初版 DeepSeek 可能只用了 15 万条推理轨迹；洗白的办法很多（打各种不同的 API）。美国实验室正在猛攻反蒸馏技术。他同时承认中国开源"在资源极度受限的情况下做出了非常令人印象深刻的东西"。 → 详细
• 他押的一个非共识：只要黄仁勋想，他大概能把自己做到相当接近前沿——这是 OpenAI 和 Anthropic 正在试图对他做（造自己的芯片）而未成功的事的逻辑反制。他判断黄仁勋会让开源始终落后前沿一段固定时间。 → 详细
• 纠正一个误称："开源不等于免费"——开源 token 也要耗电才能产出，你还得把 GPU 的钱赚回来，而开源模型公司几乎总是能拿到一份收入分成。 → 详细

• 具体的荒谬对照：半导体设备公司在按下个季度年化利润的 40 倍交易，而 DRAM 公司在个位数中段市盈率交易。上一轮周期顶点这个对比是 5 倍对 12 倍，某个时点甚至是 3 倍对 45 倍。"它们不可能同时为真。"（他承认设备公司的商业模式改善幅度确实更大、有零配件维保的经常性收入，"但那不值一千个百分点的估值溢价"。） → 详细
• 另一组：英伟达到四月初还基本是相对市场最便宜的时候（过去 10–12 年口径），很难和 GE Vernova 的估值同时自洽——因为后者隐含着英伟达要丢掉深不可测的份额。 → 详细
• 商品投资的铁律在 AI 里重演：真正的短缺牛市里，成本最高、质量最差的供应商涨得最多——它们从濒临破产变成现金哗哗地流。今天那些"被超大规模厂商又恨又嫌弃、成本高、不可靠、零件故障率高"的公司订单排满还在涨价，被 X 上的散户账号炒到月球；而高质量标的反而严重跑输。"你毫无疑问地知道，那个三个月涨了 10 倍的东西一定会跌回去。" → 详细
• 他真正担心的信号："让我有点担心的是：一年前还非常怀疑的人，现在不怀疑了。……但我真希望能有更多 AI 空头、更多做空存储的人。" 同时他坚持 2024–25 年谈"AI 泡沫"很好笑——"你眼前明明摆着一个核电泡沫和一个量子计算泡沫"。 → 详细

• 2024–25 年 AI 是同涨同跌的：你可以做多 GPU 算力 / 纵向扩展网络 / 光模块横向扩展，同时做空电力，从风险管理角度是奏效的。这一切在今年一月全部崩了——纵向扩展网络疯涨的同时横向扩展在跌，DRAM 大幅跑输 NAND 和硬盘（以前从没发生过）。 → 详细
• 结论：你没法再用半导体设备或 NAND 去对冲存储敞口了，必须做到非常细颗粒度。 他猜的原因很有意思：AI 达到了某种质量水平，突然一大批人能很容易地在各子板块变得很懂、开始交易它们，然后它们被塞进篮子，篮子又反过来影响价格——Patrick 一句话总结："AI 在创造价格效率。" → 详细
• 最大的机会在"被错误归类"的标的上：Astera Labs 被塞进一堆"铜的输家"篮子，但它最大的产品将是一颗交换芯片——而连接交换机和加速器时铜和光都要用，"从定义上讲，交换机公司或加速器公司不可能是铜的输家，因为你永远站在那根连接的另一端"。 → 详细

• 谷歌：TPU 优势没了，但算力存量最大（而短缺让存量装机基础更值钱），加上数据（YouTube 数据在机器人的世界里"真正有价值"）、搜索业务、GCP 疯涨——"谷歌永远不会处在一个不好的位置"。他在等本周 Google I/O 的读数：如果发布的东西没能哪怕稍微超越 OpenAI 和 Claude，那说明"英伟达效应"比他想象的还强。 → 详细
• Meta：扎克伯格是那批真正的互联网巨头里唯一把公司内部变成 AI 优先的人，而且肯在对的时点为人才和合同出价。Meta 超级智能实验室（MSL）的首个模型 Muse（名称 ASR 存疑）是"很大的正面惊喜"，虽没进帕累托前沿但相当接近。"变化率比水平值更重要"——尤其在三年这种短周期里；长周期里竞争优势的绝对水平才占主导。 → 详细
• 亚马逊：因 Trainium 处在非常强的位置；未来 18 个月零售业务会看到机器人带来的真实损益改善；自研模型 Nova 没到 Muse 的水平，但"比外界给的评价要好"。 → 详细
• 微软：最扎的一句是纳德拉"从『我们要让谷歌跳舞』，在大约三年时间里变成了『Copilot 的产品经理』"。微软 2025 年初"退缩了一瞬间"——它有一套"花多少资本开支换多少回报"的算法，当时算法不灵了，"而一旦你退缩，你就丢掉位置、丢掉产能配额，再想拿回来非常难"。但 Gavin 认为纳德拉现在做的是对的、有勇气的、市场正在惩罚他的决定：把算力留在内部提升自己的产品（Copilot 一直那么糟的一个原因就是可用算力不够），为"前沿模型不再通过 API 开放"的那个世界卡位。代价很具体：如果单纯把 GPU 卖给 OpenAI 和 Anthropic 供产能，微软今天股价大概是 800 美元。 他还留了个八卦式的追问：在那次针对 OpenAI 的逼宫未遂事件中，纳德拉内心深处会不会后悔没支持 Ilya 和 Mira？ → 详细

• 接触最深：亚马逊和英伟达，遥遥领先；谷歌第二；博通是另一种方式——"所有人最爱的 ASIC 供应商"，能在第二代芯片上跟博通合作被视为"升级了"，而博通愿意跟你做第一代芯片则是"天降甘露"。 → 详细
• 接触基本为零：AMD、微软、Meta。Gavin 认为这会成为英伟达、AMD、谷歌的一个相当大的优势——"因为一些最好的团队已经不在大型上市公司里了，他们在这些更小的初创公司里。" → 详细

• 《最后的武士》作为职业隐喻：他让全公司看这部片。汤姆·克鲁斯演的老兵变成武士，最后被一个拿机关枪的农民屠杀。他的结论："机关枪就在这儿。如果我们不全都成为机关枪的大师，我们就会被别人拿机关枪支配。" 但他乐观——就像一个身经百战的 50 岁武士老兵用机关枪时仍有优势，"我能把它整合进我自己和公司的流程，让我在很长一段时间里仍然能作为一个人类贡献价值"。 → 详细
• 他单个最有用的 agent，就是播客摘要："每天有整整六个小时的内容，是我觉得按我的岗位职责就该看的"——OpenAI、xAI、谷歌、Cursor、Fireworks、Baseten 的人，更别说黄仁勋、马斯克、Dario——"我根本没那么多时间。而且那里面确实有大海捞针捞出来的针。" → 详细
• 第二个已经产品化的用法：管理层薪酬分析——翻代理投票说明书（proxy）、把 PSU（业绩股票单元，达成目标才归属）条款一条条抠出来、跟历年所有 proxy 对比看它怎么变（"这里面是有信号的"）。这是极度耗人力、又特别适合 AI 的活，"我们现在有系统能把第一遍做得非常好"，把人解放去做更有创造性的工作。 → 详细
• 防守面：每个家庭和公司都该有一个"暗号"（safe word）——防的是深度伪造的 FaceTime：一个看起来完全像你亲人的人打来，"知道一切，还能根据他们大概率会说的话去外推"，然后要你汇 100 万美元。暗号要当面在没有数字设备的地方约定（他说"真的走到海边去"），且不能被社会工程学套出来。 → 详细

• 今天价值增长最快的公司的共同特征：「有效利用的 GPU 数 / 人数」比例最高。"也许这只是意味着每个人都会分到很多 GPU，但我觉得这是一个我们需要意识到的有意思的事实。" → 详细
• 人身安全：他越来越担心公众曝光度大、跟 AI 强关联的人（点名"有人往 Sam Altman 家里扔燃烧瓶"很糟糕），判断我们正走向一个方差更高、贝塔更高、风险更高的世界。 → 详细
• 战场 AI：乌克兰真正在赢的原因主要不是无人机更好，而是拥有除美国和以色列之外最好的战场 AI；对手消化这件事后会怎么回应是开放的地缘风险。他的乐观锚是历史类比——美国 1945 年独占核武时本可统治世界，却重建了德国和日本，所以 AI 主导也可能带来"另一个美利坚治世（Pax Americana）"。（他还提到想做个慈善机构讲清楚西方的贡献。） → 详细
• 最动人的一个案例：一位女儿被诊断出无药可治罕见病的人，调动资源从各实验室拿到大量算力，启动了海量智能体，用 AI 找到一款市面上已有、真能作用于这个病的药，然后成立公司去攻克它——"她的人生已经因为 AI 而变得截然不同了"。他自称"AI 乐观主义的极端派"，但承认这像一个事件视界、是必须由社会导航的断裂式变化："现在最好的 AI 只有有钱人才用得上，这确实有点反乌托邦。我们必须解决这个问题。" → 详细

（本期无闪电问答环节。）收尾是 Patrick 的一句致意："愿你也能找到一样东西，让你像 Gavin 爱市场、爱公司、爱资本主义和历史那样地去爱它。" → 详细

（本期未提供嘉宾联系方式。）嘉宾 Gavin Baker 为 Atreides Management 创始合伙人兼 CIO；节目与文字稿见 Colossus.com。 → 详细