ESC
↑↓ 选择↵ 打开esc 关闭⌘K 唤起
← Home NO.158
第 158 期 · 投资 · 收录于 2026 年 8 月 15 日

Token供需经济学

DP
Dylan Patel · Invest Like the Best with Patrick O'Shaughnessy
视频 45:38 原文约 5.1 万字 预计阅读 27 分钟 来源视频 ↗ 中英对照全文
TL;DR · 三句话
  1. token 需求近乎无限,而且是从「实现变便宜」这个源头长出来的——Dylan Patel 自己的公司 SemiAnalysis 一年内把 AI 开销从几万美元推到 700 万美元的年化运行速度,占 2500 万美元工资盘的 25% 以上,照这个斜率年底就会超过 100%;他给出的机制是:过去想法便宜、执行极难,现在反过来了,「哪个想法值得为它花买 token 的钱」成了新的稀缺→ 详细
  2. 供给这一侧全线卡死,而且短期无解:存储产能一年只能长 20–30%,真正的增量供给要等到 2028 年,所以 DRAM 价格「还会从这儿再翻一倍或两倍」;GPU 使用寿命从「不到五年」被现实修正为七到八年且续签还在涨价;台积电资本开支三年内可能到 1000 亿美元,鞭尾一路甩到设备与铜箔、玻纤、激光器这些没人看的环节。→ 详细
  3. 供不应求的结果是利润率与资源同时向上集中:Anthropic 毛利率从年初泄露文件里的 30 几% 变成下限 72%,Mythos 好到不敢广泛发布、只定向给做网络安全的大银行,而 Dylan 的结论极其锋利——「如果你不用更多 token,你永远逃不出永久底层阶级」,要过的是三关:用更多 token、从中产生价值、把价值捕获下来。→ 详细
01

一家 200 人信息公司的 token 账本:几万 → 700 万美元/年

  • 起点是去年 12 月底的 Opus。SemiAnalysis 的总裁 Doug O'Laughlin 带头推「让非技术背景的人也用 AI 写代码」,Dylan 的原话是他「基本上是慢慢地把全公司都点化了」。工程师本来就在用,但1 月开销开始拐头,一路火箭般往上冲。他们随后跟 Anthropic 签了企业合同。→ 详细
  • 数字本身:上次接受采访时是 500 万美元年化,录这期时已经 700 万(他强调「这还是上周的数字」)。而公司工资支出约 2500 万美元——也就是说 Claude Code 的开销已经超过工资盘的 25%。「如果这条曲线继续走下去,到年底我们会花掉超过 100%,这有点吓人。」→ 详细
  • 消费模式是极度不均匀的:从没写过代码的人在用 Claude Code,「一天能花掉好几千美元」;同一个人可能今天几千、接下来几天每天几百、然后又回到 1000 美元。个体波动巨大,公司层面才呈现出稳定的斜率→ 详细
  • 他自己没有被逼到那个选择题上,但明说别人会:「谢天谢地,我不用在人和 AI 之间做选择,因为我们公司增长太快了……但我觉得其他人会开始面对这么一个现实:如果这个人用 Claude Code 能干 5 到 10 到 15 个人的活,那我大概是该裁人了。」→ 详细
02

三个具体案例:这 700 万到底换回来了什么

  • 案例一 · 芯片逆向工程的可视化引擎。他们在俄勒冈建了一年半的逆向工程实验室,有扫描电子显微镜,拆芯片、扒架构与材料,这是他们卖的数据之一,但分析过程极慢。团队里一个人,花了几千美元的 Claude token,做出一个 GPU 加速的应用,跑在他们放在 CoreWeave 的服务器上:发一张芯片照片进去,它把每种材料的位置叠加标出来——这块是铜、栅极这部分是钽、这部分是锗、这部分是钴——从而能对整颗芯片的叠层做有限元分析(把结构切成小块逐块算物理特性的仿真)。带仪表盘、带图形界面。这个人以前在英特尔,他说这在英特尔是一整个团队的活——搭它并维护它。→ 详细
  • 案例二 · Malcolm 与「幽灵 GDP」。Malcolm 以前是某大银行的经济学家,那个部门有一两百人。他一个人把 FRED(美联储经济数据库)、就业报告和多家签了合同的 API 数据全接进来,跑回归、看各种经济变革的通缩/通胀效应;再拿美国劳工统计局那套 2000 项任务的清单,用 AI 逐项按评分标准判「哪些 AI 能干、哪些不能」,结论是现在约 3% 可做。由此他造出一个指标——能被 AI 做的事有多少、用 AI 做的成本是多少、因此通缩效应有多大——他管这叫幽灵 GDP(Phantom GDP):产出上升,但因为成本降得太多,理论上 GDP 反而缩水。顺带还做出一个含 2000 项评测的全新语言模型基准。Malcolm 的原话:「这活儿放以前得 200 个经济学家干一年。」→ 详细
  • 案例三 · Jeremy 与整张美国电网。能源数据服务是个约 9 亿美元的市场,SemiAnalysis 派了好几个人磨了一年都没真正切进去。然后负责数据中心/能源/工业业务的 Jeremy 被「Claude Code 精神病」(psychosis,指人用 AI 用上头、疯狂沉迷的状态)击中,三周内一天花 6000 美元,爬下了美国每一座电厂、每一条超过某电压等级的输电线路,做出整张美国电网地图 + 大量需求侧来源,全部来自公开数据,还带一个能看每个微区域电力缺口与盈余的仪表盘。→ 详细
  • 验证来自客户,而不是自己人。他们拿给买数据中心数据集的能源交易员看,对方说「这比某某公司的还好」;一挖发现那家公司有 100 个人、干了十年。Dylan 承认「我们的东西还没有他们那么完备,但在某些方面确实更好」,然后落到那句关键的自问:「我要去把这些能源数据服务公司商品化掉。那如果我不动得更快,谁会来把我商品化掉?」→ 详细
03

信息生意会不会被 AI 抹平——他的答案是「会,但输的是不动的人」

  • 他把自己的生意定义得很清楚:卖分析、做咨询、做数据集,「如果我不持续变强,我看不出这门生意为什么不会很快被彻底商品化」。他举自己的例子:2023 年做第一个数据集产品的方式,跟现在别人做的方式差别不大——护城河靠的是不断把标准往上抬。→ 详细
  • 结论是一句很干净的分野:「AI 会把东西商品化,就像它把软件商品化一样。那些能动得快、能守住客户、能持续改进服务的人会长得更快;那些占着在位者位置却什么都不做的,会输。」→ 详细
  • Patrick 追问:既然这么容易,会不会所有价值最后都汇聚到那些掌握资本、杠杆最大的投资机构手里?Dylan 先承认信息生意的天然劣势——「如果我把一条信息一美元卖给你,你之所以买,是因为它能让你赚超过一美元;所以你从我这儿赚到的钱,比我从这条信息本身赚到的还多。」→ 详细
  • 但他给出的反向理由是聚焦与速度:Jane Street、Citadel 这类机构数据做得极细,照样从 SemiAnalysis 买,因为「我们是一支只聚焦在一件具体事情上的小团队」;更现实的判断是——买比自建便宜,机构会买数据再在上面做加工。→ 详细
04

Anthropic 的毛利率:从 30 几% 到「下限 72%」

  • 算法很朴素:收入从 90 亿美元 ARR(年化经常性收入)涨到 350–400 亿,播出时可能 400–450 亿,而算力没有以同样幅度增长。假设研发算力没被削减(他说显然没削——「他们有 Mythos,有 Opus 4.7」),再假设所有增量算力都投进推理,倒推出的毛利率下限就是 72%;实际上部分增量算力去了研发,所以真实毛利率可能更高→ 详细
  • 对照组是今年年初的泄露文件:Anthropic 融资轮文件被人捅出去时,毛利率是**「30 几个百分点」。Dylan 的反问值得抄下来:「这世上还有什么生意能把毛利率涨成这样?」——半年内毛利率翻一倍多,靠的不是降本,是需求高到可以砍额度、砍速率限制**。→ 详细
  • 由此推出一条很实在的采购建议:真正重要的是有一个 Anthropic 的客户经理 + 一份企业合同 + 拿到你需要的速率上限提升。他甚至直接说:「不管你是谁,只要你有足够的资本,你就该去搞一份按 token 付费的企业订阅,而不是包月订阅,因为那样你就不太会被限流。」→ 详细
  • 价值与售价之间的巨大缺口才是毛利率的真正来源:「人们正在给他们送去 400 亿美元 ARR 的 token 消费,但这些 token 产生的价值远超 400 亿美元。」推论是残酷的——每 token 创造价值低的玩家会被价格挤出去,他点名「旧金山那家烂 SaaS 创业公司拿 Claude 生成软件产品,其实没创造多少价值,很快就会被 token 的价格挤出去」。→ 详细
05

对前沿模型的执念:4.7 一出来,4.6 就一秒都忍不了

  • Patrick 的亲身例子:飞机上被限流,看到 4.7 发布,「我当下唯一想要的就是立刻用上 4.7,我一秒都无法再忍受用 4.6」——而在此前好几周他用 4.6 一直很满意。这是「前沿模型是唯一有人要的模型」最生动的注脚。→ 详细
  • Dylan 说「毫不意外」,并给了一个更好笑的证据:他和朋友 Leopold 跪在一位 Anthropic 联合创始人面前求 Mythos 的访问权限,对方还假装它不存在——「我说求你了给我们开权限,他说,我不知道你在说什么。」→ 详细
06

Mythos:两年来最大的一次能力跃升,好到不敢发

  • 定性:湾区早有传闻,从基准分数看,Mythos 可能是两年来模型能力上最大的一次跃升→ 详细
  • 发布策略是本期最重要的信号之一:它好到 Anthropic 不想发布,尽管已经把价格告知了那些做定向发布、面向网络安全(cyber)的客户,价格是 token 成本的 5 到 10 倍。发给公众的是一个更差的版本 Opus 4.7,而且模型卡(model card,官方发布的模型说明文档)里明说了:「我们特意把它在网络安全方面做弱了。」→ 详细
  • 能力档位的换算:Anthropic 2024–2025 的目标是「到 2025 年底模型里得有一个 L4 级软件工程师」,靠 4.6 Opus 基本做到;而从基准看 Mythos 像 L6 级工程师(L4 是比较新的工程师,L6 是相当有经验的)。Anthropic 称该模型内部 2 月就可用——两个月从 L4 跨到 L6→ 详细
07

成本暴跌不是需求的驱动力,新用例才是

  • 历史回看:达到某个能力档位的成本,过去要 X,现在是百分之一或千分之一;DeepSeek 相对 GPT-4 是六百分之一,而此后 GPT-4 档的成本还在继续掉。→ 详细
  • 但便宜本身不产生需求:「没人再在乎 GPT-4 这一档的模型了。他们要的是前沿,因为只有前沿才能让他们创造出有经济价值的东西。」驱动需求的是新用例,不是降价。他给自家算了一笔:一年后买到今天完全相同的模型质量,开销可能只有 7 万美元(相对 700 万,便宜 100 倍)——「但这不重要,因为我到时候会用一个好得多的模型。」→ 详细
  • 一个容易被忽略的效率维度Mythos 单价更贵,但完成同一件事花的 token 少得多,所以在大多数任务上反而比 4.6 Opus 便宜——每个 token 更贵、更聪明,总账更省。他补了一句同类现象:GPT-5 Nano / 5 Mini 比 GPT-4 强,成本却只有百分之一。→ 详细
08

发布节奏为什么从六个月压到两个月:三件投入品里有一件崩塌了

  • 做一个更好的模型需要三样东西:① 算力——非常贵,短期基本板上钉钉,「你已经签下的合同就是定死的」,会有延迟和挪动、也能多挤出一点,但整体固定;② 顶尖研究员——人们花几千万美元去请;③ 实现(implementation)→ 详细
  • 崩塌的是第三件:「实现在历史上一直非常困难:我有一个想法,然后我得把它实现出来,实现很难。现在想法有的是,实现变得非常容易了——它贵,但很容易。」于是瓶颈从「能不能做出来」平移到「该做哪个」:那么问题就变成,一个人该怎么决定去实现哪些想法?→ 详细
  • 同一个机制解释两件表面上无关的事:实现容易 → 能实现更多想法 → 在跑步机上越跑越快。所以 AI 实验室的发布节奏从六个月缩到两个月;同样地,「我想把美国每一座电厂和每一条输电线路都建模、跑回归、看微观供需」这种事也能做了。是同一条因果链的两端。→ 详细
  • 他自己把落点说得很明确:「哪个想法值得你为它花掉买 token 的资本?因为实现这一环已经具备了。这就是关键的学习。→ 详细
09

经济秩序的重排:稀缺从「会做」搬到了「选对 + 卖掉 + 筹到钱」

  • 一句总纲:「这是对经济运转方式的一次彻底重排。过去执行太难、想法很廉价;现在想法便宜又充裕,但执行非常容易。所以真正站得住的只有好想法——好到能证明这笔超便宜的实现开销花得值。」→ 详细
  • 他承认这里有真实的恐惧,而且恐惧的对象不是失业,是身份:「社会该怎么重新组织自己?在一个『你把东西实现出来的能力其实没那么重要』的世界里,一个人该怎么存在?→ 详细
  • 新的三项稀缺能力,他数得很清楚:选对该让 AI 去实现哪个想法的能力、把这个想法(或 AI 实现出来的东西)卖出去的能力、为它筹集资本的能力。→ 详细
10

模型的部署面会越来越窄——这是趋势,不是意外

  • Anthropic 有个只把 Mythos 发给特定几家公司做网络安全的项目(Dylan 说「我知道它不叫 Earwig,但我就爱这么叫来气他们」,Patrick 补了正名 Glasswing)。他的判断是:这种事只会继续,模型的部署范围会越来越窄。→ 详细
  • 两条理由都很硬:一是钱——「AI 他妈的太贵了,那上万亿美元的基础设施谁来付?」付得起的是有钱人和能用 AI 造出有用东西的人;二是防蒸馏(distill,用你的模型输出去训练一个便宜的仿制模型),所以不广泛发布。→ 详细
  • 提价也解决不了:「他们可以把 Opus 的价格翻一倍,我照付,我打赌大多数用户也照付。我打赌那也解决不了他们那个巨大的产能问题。→ 详细
11

资源集中化的极端形态:Ken Griffin 包下前 100 亿美元 token 的假想

  • 现实版本:「我没有 Mythos。你知道谁有 Mythos 吗?那些顶级银行。」现在只用于网络安全,但他希望自己因为有企业合同、跟 Anthropic 关系好,能拿到稍早的访问权或稍高的速率上限,「然后我的竞争对手没有这个,我就能把他们碾碎」。→ 详细
  • 极端版本(他明说是假想):Citadel 的 Ken Griffin 这类人脉与资本兼具的人,去跟 OpenAI 或 Anthropic 签:**「每年我先买 100 亿美元的 token——你每次发布模型,前 100 亿美元的 token 我来花,之后别人才能拿到。」**结果就是他在市场上把所有人碾碎。→ 详细
  • 而没人知道这些模型能干什么:「我们不知道,Anthropic 不知道,没人知道。这要靠最终用户自己去发现」——他认为这一点极有生产力也让人振奋,但紧接着的问题是资源和使用的集中化会走到哪儿。→ 详细
12

机器人:几乎为零的 token 消耗,可能是第二条需求曲线

  • 关于「纯软件奇点」(software-only singularity,即奇点只发生在软件里):他认为那只是一个小插曲,因为世界的绝大部分是物理的,「你能看到世界正在围绕硬件而不是软件重新组织」。→ 详细
  • 机器人难在给微控制器和执行器编程;而现在流行的 VLA(视觉-语言-动作模型)大概率不是最终能规模化的路线——数据效率太低、数据规模拉不起来。人类之所以强是因为样本高效(一两个例子就学会),所以出路是大规模预训练的机器人模型 + 少样本学习:给它演示几遍就会。他的时间判断是未来 6 到 18 个月开始出现真正突破。→ 详细
  • 形态上他预期极度细分:「专门擦黑板的机器人,而且是一种租赁服务;或者是一个模型包,你下载到你的标准机器人上」——结果是实体商品加速与通缩效应,但 token 需求继续疯涨→ 详细
13

Mythos 是缩放定律仍然有效的证据(而且是双轮驱动)

  • Mythos 是一个实质上更大的模型;训练用什么芯片不重要,重要的是规模(「10 万张 Blackwell 大致相当于几十万张上一代芯片」;TPU 和 Trainium 各有发布节奏,不完全一一对应)。结论:缩放定律(模型能力随算力/数据/参数增加而可预测提升)仍然成立→ 详细
  • 但不是单轮:一边是「投更多算力 → 模型更好」,另一边是实验室花的研发算力持续转化为效率提升——「如果我想要模型有 X 能力,每六个月、甚至每两个月,这个成本就在大幅下降」;两条线叠加,才是节奏加速的完整解释→ 详细
14

Anthropic 与 OpenAI 的格局:领先是真的,「OpenAI 完蛋了」是假的

  • 表面叙事:Anthropic 2 月就有 Mythos 却没发,因为**「他们本来就已经卖光了」;收入每月增加 100 亿美元**;今天又发 Opus 4.7,全都赶在 OpenAI 那个据称要发的新模型之前(The Information 等媒体报道过)。「所以显然 Anthropic 领先,OpenAI 完蛋了。」→ 详细
  • 反转的关键是算力约束:Anthropic 受算力所限只能长这么快。有一个很妙的翻转细节——Dario 以前得意地说 OpenAI 在算力上太激进、Anthropic 更稳妥,现在 Anthropic 心想「操,真希望我们有多得多的算力」。而 OpenAI 完全付得起账单,还融了一大笔钱去拿增量算力,来源包括 Oracle、CoreWeave、软银、微软,现在还从亚马逊拿 Trainium。→ 详细
  • 一条很重要的估值框架:线性 vs 指数。先不管模型变好,只看技术扩散——你我第一天就跳上新模型,但企业需要时间,「那种『我操』的 Claude 上头时刻不会同时击中所有人」。所以光靠 4.6 Opus 这一档,到年底整个经济就可能花 1000 亿美元(现在是 400 亿)——而这只是线性外推,不是指数。要拿到指数,你需要更好的模型。→ 详细
  • 落到竞争结论:Anthropic 不会有足够算力吃下那条曲线,OpenAI 和 Google 很快也会摸到那个档位。谁下一个摸到,即使只收 50% 毛利(对 Anthropic 的 70%+),照样吃到全部增量需求,而且大概率也没算力服务所有用户。他甚至说,如果世界上算力足够,Mythos 这样的模型可能对应5000 亿美元的收入→ 详细
15

一二三梯队全都会卖光——这是本期最硬的投资含义

  • 「连第二梯队的实验室都会卖光 token,更别说第一梯队了……第三梯队大概也会接近卖光。」第一梯队毛利更好,但卖光是普遍状态,不是头部特权→ 详细
  • 底层机制一句话最好的模型能交付的经济价值,增长得比基础设施能把 token 服务出去的能力还快。所以这个缺口会继续扩大,模型实验室的利润率会继续扩张→ 详细
  • 但他明确给了这条趋势一个终止条件——「直到硬件供应链和基础设施供应链里的人说:等等,不对,我为什么不把我的利润率也拉上去?」这句话是整期从需求侧过渡到供给侧的枢纽,也是判断「利润会停在链条哪一段」的关键。→ 详细
16

「如果你不用更多 token,你永远逃不出永久底层阶级」

  • 这是全期最锋利的一段,而且他把它拆成了三关,缺一不可① 用更多 token;② 从这些 token 里产生价值;③ 从你创造出的价值里捕获价值。「如果你不做这三件事,你永远逃不出永久底层阶级。」→ 详细
  • 他专门区分了「无聊的用法」和「酷的用法」:无聊的是——「哦,那我一天就工作一小时而不是八小时吧,让 AI 干我大部分的活」;酷的是——「我还是一天工作八小时,但我干八倍的活,也许我能多赚五倍的钱。」→ 详细
  • 他也点破了体制约束:「当然,你打一份工是做不到这件事的。」能吃到这波的是打好几份工的人、开公司卖东西的人、在拼的人——「我觉得你和我基本上就是在拼」。→ 详细
  • 时间窗口是明确有限的:「在所有人都在用、它变成标配之前,先把这波 AI 的经济价值拿到手,因为它现在还不是标配。」→ 详细
17

供给侧总览:价格全线上涨,而 GPU 寿命被现实改写

  • 「GPU 完整寿命不到五年」这个说法,他直接判为「完全是胡说八道」。证据是续签行为:三四年前的 Hopper 集群正在续签三到四年,A100 集群也在续签好几年——所以实际寿命「甚至可以说可能是七八年」。这一条对整个 AI infra 的折旧假设、进而对云厂商与 GPU 持有者的盈利模型都是直接冲击。→ 详细
  • 而且续签时价格还在涨,「实际效果就是,一个集群的毛利率不是 35%,比那高得多」——云这一层的利润率在扩张,不是被压缩。→ 详细
  • 逐层看:硬件层「极其健康」,NVIDIA 仍在收 75% 之类的毛利率;再往下到存储,利润率已经飞涨;光学器件与逻辑芯片这些环节则是大额预付款 + 利润率缓慢增长→ 详细
18

一个容易被漏掉的估值维度:预付款抬高的是 ROIC,不是毛利率

  • 像 NVIDIA 这样造芯片的公司在支付巨额预付款,所以对上游供应商而言,即使毛利率没上升,投入资本回报率(ROIC)也在上升——因为需要自己投入的资本更少了。看毛利率会漏掉这一整层价值。→ 详细
  • 这是一条贯穿全链的一致规律:「每个人要么卖光了、利润率在涨,要么在拿预付款。」ASML 完全卖光,还需要蔡司(Carl Zeiss)扩产更快;连做 PCB 用的铜箔都卖光了、也在收预付款。「任何有点用处的东西只要卖光了,人们就抢着去拿增量供给,并为之后几年的供给互相争夺。→ 详细
19

存储是最硬的瓶颈:真正的增量供给要等到 2028 年

  • Patrick 先摆了历史规律与自带的怀疑:「历史上每一次短缺之后都跟着一次过剩」,通常供给会很快跟上。Dylan 承认供应链一般反应很快,但这一轮的独特之处是复杂度——供应链和产品都比以往复杂,因此交期更长;关键不在交期,而在**「建增量产能」以前不需要好几年**。→ 详细
  • 存储的物理上限是硬的产能一年只能增长 20%–30%(NAND 更低、DRAM 稍高)。即便 2025 年底需求信号已经极强、厂商立刻反应,在通常的 20–30% 之外的真正增量产能,也要等到 2028 年才到位,最早 2027 年底→ 详细
  • 他专门反驳了「存储故事被讲过头了」这个共识:「人们说,哦,存储这个故事被讲过头了,大家都懂了。不不不,你没懂。DRAM 还会从这儿再翻一倍或两倍。」理由是纯机制性的——需要的产能就是这么多,只能从别处抢,而在资本主义经济里从别处抢产能的唯一办法,就是靠涨价做需求毁灭(价格高到把一部分需求逼走),「我们这儿不搞配给制」。→ 详细
20

逻辑芯片与台积电:一家「不肯提价的好人」,和 2028 年的 1000 亿资本开支

  • 台积电也有巨大的产能问题,在不停上调资本开支、想尽办法从现有每座厂榨出产出,但建晶圆厂本身就需要时间→ 详细
  • 一个非常值得记住的对比:台积电只涨个位数的价,而存储厂商涨三位数。Dylan 半开玩笑地说「看起来是因为他们是好人」,然后提出真正的投资问题:「台积电是一家伟大的公司,但它真的会把全部价值提取走吗?」——伟大的公司未必是价值捕获最多的那一环。→ 详细
  • 口径差异与外推:台积电自己说今年资本开支 560 亿美元,SemiAnalysis 从 1 月起给的是 574 亿,且可能再上调。但他说人们真正没在关注的是往后两三年——「三年后台积电的资本开支会到 1000 亿美元,也许两年后就到了,可能是 2028 年……人们就是想象不到这个数字。」→ 详细
  • 鞭尾效应(bullwhip)会一路甩到下游:Lam Research(泛林)、Applied Materials(应用材料)、ASML,以及更下游的 MKS Instruments 这类公司——「这条鞭子的尾巴只会被甩得越来越狠」;如果台积电真在 2028 年花 1000 亿,那本身就是一场短缺→ 详细
  • 另外几个在小众供应链之外几乎无人跟踪的环节也被他点名:铜箔、PCB 用的玻纤、激光器——「在小众供应链里是被充分理解的,但都非常非常紧张」;再往上游,整条半导体晶圆制造设备供应链「已经涨了很多,但仍然被严重低估」。→ 详细
21

GPU 之外的两个盲区:FPGA 和 CPU(都完全卖光)

  • FPGA(现场可编程门阵列,出厂后还能改电路逻辑的芯片):SemiAnalysis 做过一个项目,发现下一代 AI 机架里每一台要用 120 颗 FPGA——他借此反问「那 FPGA 那些公司呢?」,暗示这条线被市场忽略。ASIC(为特定任务定制的芯片)「显然在起飞」,但他刻意从 AI 芯片岔开去讲更没人看的环节。→ 详细
  • CPU 完全卖光,需求在飞涨,原因有两个,都跟 AI 的新范式直接绑定。**原因一:强化学习的「环境」跑在 CPU 上。**训练范式已经从「把全互联网数据扔进模型、它吐出东西」变成「先预训练,再把模型放进一个环境里让它反复试,环境给它打分,成功的轨迹拿来训练、更新、迭代」。这些环境可以简单到「检查这段文本有没有按正确格式输出」,也可以复杂到「打开这个文件、改它、更新它、提交到这个网站」「打开西门子的物理仿真、编辑这个 CAD 模型」。关键在于:环境跑在 CPU 上,不跑在 GPU 或 ASIC 上——ASIC 只负责跑模型、产出各种候选轨迹。→ 详细
  • 原因二:模型的产出最终要落到一个跑在 CPU 上的应用里。「这些有用的输出,并不是从 GPU 直接进到人脑里的,它是从 GPU 或 ASIC 出来,进到你部署在某处的一个应用里——那个应用其实就是跑在 CPU 上的。」加上「你我在生成的所有那些垃圾代码」现在都跑在某个 Vercel/AWS 实例或存储桶上,推理侧的繁荣会同步吃掉 CPU 供给→ 详细
22

他自己承认最不确定的地方:tokenomics 与「幽灵 GDP」测不到的价值

  • 他把自己的知识边界画得很诚实:对「跑基础设施的成本、token 的成本、模型的成本、实验室的利润率」他们有非常好的洞察;真正难建模的是使用量和采用率,而且是持续地难。→ 详细
  • 打脸记录也摆出来了:1 月给 2 月做了「疯狂的估计」,Anthropic 全砸穿;2 月给 3 月做了「疯狂的假设」,有人说「Dylan 你疯了」,结果又砸穿。所有人看到「每月加 100 亿」都在问:谁在用掉这些 token?他们拿它在造什么?→ 详细
  • 最难的那一层是价值去哪儿了:他用自己举例——token 变成更好的信息,而他以低于过去信息售价的价格卖出去,信息再在经济里流转,让人做出更好的投资或竞争决策。这一整串没有任何一个 GDP 统计口径能捕捉到。「如果你要问『Dylan Patel 创造的 GDP 是多少』,跟正在被创造出来的价值相比,那个数字小得可怜。」→ 详细
  • 总结他的自评:供给侧把握非常好,需求侧的很多信号把握也很好,唯独「这些 token 到底在创造什么价值」很难量化和度量。他希望每三个月复盘一次,因为变化太快。→ 详细
23

三个月后的预测:大规模反 AI 抗议

  • 预测本身:他预期三个月后会出现针对 Anthropic 和 OpenAI 的大规模抗议。理由是**「人们讨厌 AI。AI 的受欢迎程度比 ICE(美国移民与海关执法局)还低,比政客还低。」随着 Anthropic 收入猛增并在下游引发商业变化,人们会把越来越多本来就长期存在的深层问题**归咎于 AI,而某个政客或网红会把 AI 武器化。他举的观感证据是:Sam Altman 家两周内被扔了两次燃烧瓶,新闻评论区在叫好——「而这只是开始」。→ 详细
  • 他给行业开的三条药方(Patrick 问「对冲的力量是什么」):① Sam Altman 和 Dario 必须别再上访谈了——「他们太没有个人魅力了……他们做的每一场访谈都像是:哇,普通人只会更讨厌你」(他猜 Sam 上 Tucker Carlson 大概让所有共和党人都讨厌 OpenAI 了);② 开始展示 AI 能做的鼓舞人心的事③ 停止不停地讲「这些能力将怎样改变整个世界」,因为普通人对那种能力只有恐惧,没有连接。→ 详细
  • 他对公众心智的刻画非常准:普通人不认识任何一个 Anthropic 或 OpenAI 的员工,不知道这些人是谁、目标是什么,只把他们看成「一个鬼鬼祟祟的、5000 人的密谋集团」——要改变世界、自动化掉所有工作、摧毁社会,还在出钱建那些污染世界的数据中心和电厂。结论:「他们必须停止谈论未来将要发生的那件事,只谈现在。这需要一次巨大的重组和品牌重塑。」→ 详细

(本期无闪电问答环节。)收尾只有 Patrick 的一句「这太好玩了,我很喜欢跟你做这个,谢谢你的时间」和 Dylan 的「太好了,谢谢」,之后是节目固定的 Colossus 订阅口播。唯一带信息量的收尾内容是上面第 23 条那条三个月预测——Dylan 希望每三个月复盘一次这个话题,因为它变化太快。→ 详细

(本期无。)节目里没有留任何账号、邮箱或链接。可循的线索只有身份信息:Dylan Patel,SemiAnalysis 创始人兼 CEO,公司追踪半导体供应链与 AI 基础设施建设,卖数据集、做咨询与分析;节目中被点名的同事有总裁 Doug O'Laughlin、经济学家 Malcolm、负责数据中心/能源/工业业务的 Jeremy。主持人 Patrick O'Shaughnessy 是 Positive Sum 的 CEO,节目与 Colossus.com 关联。→ 详细

🎯 于你何益 为你定制 · 非通用结论

这一期跟你的 All in AI 投资线是正面撞上的,而且撞在最有用的位置。 大多数 AI 投资内容讲的是「谁会赢」,这期讲的是这条产业链每一段的价格、产能、毛利率和交期到底卡在哪儿——用你自己的比喻,这是 AI 产业链的原油价格报告,而不是又一篇加油站点评。同时它还有第二条命中:Dylan 的公司规模、业务形态(信息生意、卖判断)、以及他用 AI 的方式,跟你的「一人公司 + 第二大脑 + 内容号」结构高度同构,只是量级大了两个数量级。

不过先立个诚实边界:他给的是 2026 年 4 月的一张快照,而且他自己反复承认最不确定的恰恰是需求预测——1 月估 2 月被砸穿、2 月估 3 月又被砸穿。所以下面凡是涉及具体数字的,都要当方向和机制用,别当结论抄。

1. StockHelp 与 All in AI 投资线 · 这期给了你一张「价值捕获在哪一段」的地图(最高相关)

A|把「AI 产业链」拆成他讲的那五层,每层记一个可跟踪的量

  • 怎么做的:Dylan 从上到下扫了一遍——模型实验室(毛利率下限 72%,且在扩张)→ 云/集群层(续签涨价,集群毛利「比 35% 高得多」,在扩张)→ 硬件层(NVIDIA 仍收 75% 左右毛利)→ 存储(利润率已飞涨,DRAM 还要再翻 1–2 倍)→ 上游设备与材料(ASML 卖光、蔡司是瓶颈;铜箔、玻纤、激光器全在收预付款)。他的判断是这个格局会持续,直到供应链下游的人反手把自己的利润率也拉上去
  • 你可以怎么做:你的看板现在盯的是 12 只票的 PE、5 年分位、公允价。这期给的是另一个维度的字段:给每只 AI 链上的持仓补两栏——「它在哪一层」「这一层现在是在扩利润率还是在被挤」。因为这期最反直觉的一条正是:同一波需求里,各层的利润率方向并不一致。你原来的「便宜与否」是纵轴,这条是横轴,两者交叉才看得出哪只是真被低估、哪只只是在周期的错误一侧。

B|三个能直接改你估值假设的具体数字

  • 怎么做的:① GPU 使用寿命不是 5 年,可能是 7–8 年——证据是三四年前的 Hopper 集群正在续签三到四年、A100 集群也在续签,而且续签价还在涨;② 存储的真正增量产能要等到 2028 年(最早 2027 年底),因为产能一年只能长 20–30%,这是物理约束不是意愿问题;③ 台积电资本开支三年内可能到 1000 亿美元,而它自己今年只给 560 亿。
  • 你可以怎么做:第一条直接动折旧假设——GPU 持有方(云厂商、算力租赁)的单位经济学会因为寿命从 5 年拉到 7–8 年而显著改善,这不是情绪,是会计。第二条是时间锚:任何「存储涨价快见顶了」的判断,都要先回答「2028 年之前增量供给从哪来」。第三条给你一条顺藤摸瓜的线索:如果台积电资本开支真往 1000 亿走,鞭尾会甩到设备(Lam、Applied Materials、ASML)和更下游(MKS 之类)——这条链的下游比台积电本身弹性更大

C|「伟大的公司」和「捕获价值最多的一环」不是同一件事

  • 怎么做的:这是全期最适合你这种价值投资者的一句。台积电只涨个位数的价,存储厂商涨三位数。Dylan 的原话:「台积电是一家伟大的公司,但它真的会把全部价值提取走吗?」——一家卓越的生意,可能因为定价克制而把大部分超额利润让给了上下游。
  • 你可以怎么做:你的选股框架是「卓越生意 + 被低估」。这期提醒你在「卓越」和「被低估」之间插一个第三问:这家公司愿不愿意、能不能把它的议价权兑现成价格。护城河宽但不涨价的公司,在超级周期里回报未必最好。把这一问写进 StockHelp 的定性字段里——它是那种一年只用问一次、但问错代价很大的问题。

D|别忽略被点名的两个「没人看」的环节:FPGA 和 CPU

  • 怎么做的:他刻意从 AI 芯片岔开去讲这两个。FPGA:下一代 AI 机架每台 120 颗CPU:完全卖光,而且原因跟新范式绑死——强化学习的「环境」跑在 CPU 上(不跑 GPU、不跑 ASIC),模型产出的应用最终也部署在 CPU 上。
  • 你可以怎么做:这是这期给你 watchlist 最直接的一条扩容线索——AI 需求的传导路径不止 GPU 一条。判断标准别用「它是不是 AI 概念股」,用他那句机制话:**「任何有点用处的东西只要卖光了,人们就抢着去拿增量供给。」**先找「卖光了」的环节,再看估值有没有反映。

E|也要记住他给这套牛市论证留的那个终止条件

  • 怎么做的:他没说这会永远持续。他明确说,模型实验室的利润率会扩张,「直到硬件供应链和基础设施供应链里的人说:等等,我为什么不把我的利润率也拉上去?」Patrick 也提前埋了一句历史规律:「每一次短缺之后都跟着一次过剩。」
  • 你可以怎么做:把这两句当成你的持仓退出信号的雏形——当上游开始大面积转嫁涨价(存储已经在做了),利润就在沿着链条往上游搬。你要盯的不是「AI 还热不热」,而是**「利润现在停在哪一段」**。这比追新闻有用得多,也更符合你「长期持有 + 不追涨杀跌」的性格。

2. onehuman_company · Dylan 就是一份放大版的「AI 员工管理成本账」,而且他给了你现成的记账口径

  • 怎么做的:他没有讲愿景,他讲了:几万 → 700 万美元/年,占 2500 万工资盘的 25%+,年底可能超 100%;个人层面 Jeremy 一天 6000 美元、几千美元换一个「在英特尔要一整个团队」的工具、Malcolm 一个人做了「200 个经济学家一年」的活。每一个数字都配了一个可验证的产出物,而不是感受。
  • 你可以怎么做:你那个「AI 员工管理成本账」支柱,一直缺的就是这套记账口径。Dylan 给的模板是三栏:这个 agent 花了多少钱 / 换回了什么具体产出 / 这个产出放在以前要几个人几个月。第三栏是关键——它把成本翻译成了读者能秒懂的单位。你完全可以把 drizzle tech 的每一条链都按这三栏记一遍,跑一个月,写成《我给我的 AI 员工记了一个月的账》。这类内容天然过你的弹药库闸门:删掉你的实测就不成立
  • 更值得抄的是他的「反例结构」:他专门区分了无聊的用法(一天只工作一小时,让 AI 干剩下的)和酷的用法(还是工作八小时,但干八倍的活)。这个二分法本身就是一个爆款结构——你可以直接做成一期验证体:拿自己两周做 A/B,一周用「无聊的用法」、一周用「酷的用法」,把两周的产出和账单摆出来。可抄物明确、判断是你自己的、数字是你自己的。
  • 还有一条现成的选题:「如果这个人用 Claude Code 能干 5 到 10 到 15 个人的活,那我大概是该裁人了」——这是一句会引战但有真实价值的话,而 Dylan 自己给了一个更诚实的版本:他没裁人,因为公司增长快,他只是不用招那么快。这个「不是裁员,是不招人」的细微差别,正好是你「一人公司」定位能讲得比别人深的地方。

3. 职业视野缺口 · 「非技术的人干完技术活」这件事,你要看的是它的组织含义

  • 怎么做的:本期最该被你抬分的不是那些大数字,而是谁在花这些钱。SemiAnalysis 的总裁 Doug O'Laughlin 亲自带头推「让非技术背景的人也用 AI 写代码」,然后是经济学家 Malcolm、能源业务负责人 Jeremy——全是业务人,不是工程师。他们的产出也不是玩具:一套芯片材料分析应用、一个含 2000 项评测的语言模型基准、一张全美电网地图带仪表盘。
  • 你可以怎么做:你缺的那块视野是「前沿公司里的 PM 岗位正在变成什么样」。这期给的信号是这个变化不只发生在 PM 岗——它发生在所有「懂业务但不写代码」的岗位上,而且是自上而下推的(总裁带头,不是工程团队推广)。对你的直接含义有两条:一是这条曲线上你不是早鸟,是中间梯队——Dylan 说「那种 Claude 上头时刻不会同时击中所有人」,你已经被击中了,但你在的组织可能还没有;二是领先信号不在招聘 JD 里,在开销曲线里——一家公司的 AI 支出占工资比是多少,比它怎么写岗位描述更能说明它的工作范式走到哪儿了。这是个你以后可以反复用的探针。

4. Codex Holdwell ERP work · 实现变便宜之后,「选哪个想法」才是那条真正的产线

  • 怎么做的:Dylan 那条因果链讲得极干净——做好模型要三样东西:算力(短期板上钉钉)、顶尖研究员(几千万美元一个)、实现(历史上最难)。崩塌的是第三样,于是发布节奏从六个月压到两个月。他的落点是那句:「哪个想法值得你为它花掉买 token 的资本?因为实现这一环已经具备了。这就是关键的学习。」
  • 你可以怎么做:你的三驾马车(product-manager / ux-designer / tech-lead)+ 碰撞协议,本质上是一条把想法变成 PRD 的产线,而这条产线的实现环节已经不贵了。按这期的机制,你真正的产能瓶颈已经从「能不能产出 PRD」搬到了**「该产出哪份 PRD」**。这跟你痛点清单里「跨线对齐」是同一件事的两个说法——6 条产品线的想法不缺,缺的是判断哪个想法值得占用一整轮碰撞。你可以在碰撞协议前面加一个极轻的前置:每次开跑前先写一行「这份 PRD 如果做出来,最好情况能换回什么」,写不出来就不跑。一行字的成本,挡掉的是一整轮三方碰撞的成本。
  • 另一个角度:他讲实验室节奏加速时说的是「实现容易 → 能实现更多想法 → 在跑步机上越跑越快」。跑步机这个词是有警告意味的——产能提升不会自动变成产出质量提升,它先变成「跑得更快」。放到你这儿:碰撞纪律如果不真执行,产线加速只会让不合格的 PRD 更快地堆到评审那一关,然后评审回炉的闭环负担变大。加速和纪律必须同时到位,只有一半会更糟。

更深三角度

该反着用:Dylan 的处境和你的处境有一个根本差别——他公司在高速增长,所以他不用在人和 AI 之间做选择,他自己也承认这是「谢天谢地」。他能一天烧 6000 美元去试一条新业务线,是因为试错的下行有增长兜底。你没有这个兜底:你是一个人扛正职加多条副业,精力和聚焦本身就是你的元约束。所以他那套「多用 token、多下注、看哪条跑出来」的打法,你要反着用——他是用钱换选项,你得用选项换聚焦。他鼓励你「用更多 token」,但对你来说更稀缺的从来不是 token 预算,是你判断和消化产出的带宽。一个人同时开五条 AI 产线,跑出来的东西没人看,等于零。

和你现在做法冲突:这期有一句会直接顶到你身上——「当然,你打一份工是做不到这件事的。」Dylan 认为能吃到这波价值的是打多份工的人、开公司的人、在拼的人。你恰恰是「正职 + 多副业」的混合体,所以这句既命中你也刺你:你的副业结构(造 App、内容号、投资看板)确实符合他说的形态,但你的时间分配大头仍在一份工上。这里没有正确答案,只有一个必须自己回答的问题——**如果他关于「资源和能力会向少数人集中」的判断是对的,你现在的时间配比,是在建立那个位置,还是在维持现状?**这不是让你辞职,是让你别用「我也在做副业」来回避这个配比问题。

对你的镜子:这期最该照你的不是投资部分,是那句**「在一个『你把东西实现出来的能力其实没那么重要』的世界里,一个人该怎么存在?」你 2021 年写下的三条产品价值观里有一条是「产品力 ≥ 超级销售」,你的操作系统里也写着「判断力 > 努力」「问该不该做先于做多快」。Dylan 这期实际上是在说:你五年前写下的那条判断,现在正在被市场以最粗暴的方式兑现——执行的价格塌了,判断的价格涨了。这本该是你的顺风局。但镜子的另一面是:你写下这些原则的时候,它们还是信念**;现在它们变成了可结算的资产,而资产是要有证据的。你能拿出多少条「我判断对了、并且因为判断对了拿到了结果」的记录?这个问题比「我今天多用了多少 token」难回答得多,也重要得多。

所以呢

可迁移思维模型【耐用】「找出链条上哪一环是真正被卡住的,价值就会在那一环堆积。」Dylan 整期的方法就是这一件事——他不预测谁赢,他找约束在哪(存储产能物理上限、蔡司的产能、算力合同的刚性、实现难度的塌陷),然后推导价值会往哪儿流。这个模型对你三个场景通用:投资(找卖光了的环节,而不是找热门概念)、产品(找你产线上真正的瓶颈工序,而不是优化已经不贵的那道)、个人精力(问「我这条线上最卡的是什么」,而不是全面努力)。它跟具体技术无关,不会过期。

【会过期】:所有具体数字——700 万美元的开销、72% 的毛利率下限、DRAM 再翻 1–2 倍、2028 年、1000 亿资本开支、L4→L6、Opus 4.7 与 Mythos 的关系。尤其是需求侧的预测,他自己承认连续两次被现实砸穿。把这些当成 2026 年 4 月的一张快照,引用时永远带日期。他那条「三个月后会有大规模反 AI 抗议」的预测更是纯主观,是个可以回头对账的赌注——你可以把它记进第二大脑,三个月后翻出来看他对了没有,这比记住结论本身有价值得多。

判断更新:你原来对 AI 投资线的默认框架大概是「找 AI 产业链上被低估的卓越生意」。可以更新成:**「先定位约束,再定位价值捕获,最后才看估值。」**因为这期展示了一件事——在同一波需求里,各层的利润率方向是相反的(模型层和云层在扩,台积电在克制,存储在暴涨,上游在收预付款)。只看「是不是好生意 + 贵不贵」,会漏掉「它现在站在利润转移的哪一侧」。这一条应该进 StockHelp 的定性字段,而不是留在脑子里。

这周一个赌注:挑你 watchlist 里 AI 链上最重的那 3 只,各花 20 分钟回答两个问题——**「它在 Dylan 那五层里的哪一层?」「这一层现在是在扩利润率还是在被挤?」**不做模型、不改代码、不写报告,只在 StockHelp 里加一个文本字段把答案填进去。这周只要一个结果:看看这 3 只是不是都站在同一侧。如果是,你的 AI 仓位其实是一个押注而不是三个,这件事你现在就该知道;如果不是,你至少第一次有了一张自己的产业链位置图——之后每一次加仓减仓,都可以在这张图上先问一句「利润现在往哪儿搬」。

接着读