这期是你 All in AI 投资线上的一手账本——不是分析师转述，而是这轮 AI 资本开支潮里花钱最多的那家公司的财务一号位，当着四个投资人的面把单位经济、采购视野、融资结构和变现顺序摊开讲。密度极高、可直接进你的估值框架。而且它天然是一组对照实验的一半：你已经排队要处理的第 156 期是 Anthropic CFO Krishna Rao——同一时点、同一行业、竞争最直接的两家公司的财务一号位，各自怎么讲算力、毛利、上市和竞争。这两期建议放在一起读、并列做笔记，差异比任何第三方对比报告都可信（因为都是自述，偏见方向已知）。
怎么做的：她给了一把能反过来给算力股估值的换算尺——1 吉瓦算力 ≈ 每年 100 亿美元收入，而立起 1 吉瓦全口径成本约 500 亿美元（土地、电力、厂房、芯片）。也就是说，一吉瓦是"5 年回本"量级的重资产，而且她明确说这条外推得到 Anthropic、Gemini 身上。同时她给了成本侧的另一半：按每吉瓦算，算力在变贵（电、内存都在涨，"内存现在正在涨价"），但芯片侧的成本折旧下降"绰绰有余地抵消掉"，所以对客户的单位价格还是在降。
你可以怎么做：给 StockHelp 加一个**"吉瓦口径"派生指标**：凡是 watchlist 里沾算力的公司（云厂、芯片、电力、内存），都给它记一栏"锁定/在建吉瓦数"和"对应年收入潜力（×100 亿美元）"。这比看 PE 分位更接近这轮生意的真实驱动量，也让不同环节的公司能放在同一把尺上比。顺手加一条监控项：内存价格——她把"memory spike"当成当期第一个具体涨价卡点点名，这是内存股与云厂毛利的双向指标。
怎么做的：她公开了成本曲线的斜率与定价动作：从 GPT-4 到 5.4，单位成本降约 97%，用了两年；而最新的 5.5 标价翻倍，客户的实际单 token 成本反而降 20%–30%。她还提醒模型节奏对毛利的影响：5.4 那种"非常大的预训练模型，非常贵，其实也很难服务"，之后要"用好几轮模型迭代把成本压下来"。
你可以怎么做：这给了你一条判断 AI 公司毛利周期的规律：大预训练年 = 毛利低谷年，随后 2–3 代才是收割年。 看财报时别把某一季的毛利率下滑直接读成"竞争恶化"，先问"这一季是不是刚烧了一次大预训练"。另外，"涨价的同时客户单位成本还在降"是极强的定价权信号——这正是你找"卓越生意"时该盯的那类证据，比毛利率绝对值更有说服力。
怎么做的：她把资本配置的时间视野讲得非常具体："我今天在算力上的关注点是：我能为 28 年及以后买到什么算力"，因为今天动土的密歇根数据中心"要到 27 年底、28 年初才出电"；而**"我现在感觉最缺算力的时间点，已经开始看向 30 年、31 年、32 年"**。远期建模的方式是反着来："看你已经买下的算力，几乎是反过来做一个算法：这么多算力大致应该对应这么多收入。我并不确切知道这些收入具体会从哪里来。"
你可以怎么做：这是这期对你最重要、也最需要冷静对待的一句。它同时是多头论据（需求可见度长到 2032 年，供给合同已锁）和空头论据（收入来源是反推出来的，不是签下来的）。建议把它写进你的 AI 投资备忘录当判别式：对每一家算力链公司问一句"它的远期收入是签约锁定的，还是从算力量反推的？"——前者是订单，后者是信念。这条能帮你在整个板块情绪最热时区分谁在卖铲子、谁在讲故事。
怎么做的：她自曝了融资结构的现状："在我们还不是一个投资级主体、还拿不到更低成本债务融资的这个阶段，能和合作伙伴一起把这件事做成，就非常重要"；而 CSP 的功能就是把资本开支转成运营开支——"某种程度上我们是搭在他们做资本开支和融资的能力上"。同时正在往"定制自建"（与 SB Energy 在得州）挪，那部分需要自己出资本开支。
你可以怎么做：这条直接告诉你这轮 AI 资本开支的风险落在谁的资产负债表上——不是 OpenAI，而是 Oracle、CoreWeave 这些替它建楼的公司。对你的 watchlist 意味着两件事：① 评估这类"承建方"时，重点看合同期限、履约方信用和折旧年限，而不是当期收入增速；② 关注一个明确的拐点信号——OpenAI 何时拿到投资级评级或上市，那一刻它会转向更便宜的自有债务，承建方的议价能力和续约条件都会重估。
怎么做的：变现顺序的那句"如果只为今天做最优化，我会把每一个 token 都给 API——那比给消费者高一个数量级"，加上广告口径的细节（搜索份额至少 11%，但因为"一次对话 50 个问题只算一次"实际远高于此；广告资产是"记忆 + 上下文 + 意图"三件套）。
你可以怎么做：两条可直接进估值模型：① API 与消费者的每 token 收入差着一个数量级——判断任何一家模型公司时，先看它的收入结构里 API 占比多少，这直接决定同样算力下的收入产出；② 别用第三方的"搜索份额"数字给 Google 或 OpenAI 定价，口径差异大到足以改变结论，自己确认统计单位是"查询"还是"会话"。
怎么做的：她对"大模型会被商品化"公开翻案，理由是 harness 这层工程带来了上下文与记忆——她自己的 Codex 里有"一个巨大无比的记忆文件"，知道她是谁、怎么写东西、家里有青春期孩子。搬进企业后，她用华尔街交易员的故事定义了下一步："所有数据都说这股票该涨，但交易员说'我知道有只基金压力很大要卖仓位'"——这就是企业的直觉，而模型正在接上它。
你可以怎么做：这为你那套三驾马车（product-manager / ux-designer / tech-lead）+ 碰撞协议提供了一个新的价值论证方向：真正难被替代的不是提示词，而是沉淀下来的产品线记忆——6 条产品线各自的历史决策、被否过的方案、评审时反复被提的那几个坑。可以给知识库补一层"直觉档案"：每次真人评审后，把"数据没说、但老同事都知道"的那条判断单独记一行进对应产品线。这既是碰撞协议的输入质量来源，也正好对着你"评审意见回炉缺闭环"的痛点——回炉的东西如果只是修改稿而不是沉淀下来的判断，下一次还会踩同一个坑。
怎么做的：她给客户价值举的例子全是可度量的业务结果：赛默飞世尔要的是"更快完成患者筛选、更快拿到 FDA 批准"（"四周还是两周，字面意义上就是生与死"），以及三万多名一线销售的提效。她的资本配置顺序是硬的：先客户价值 → 再毛利率 → 再资本回报，"这个时代的高价值公司不会靠魔法，它们会长得像过去每个时代的伟大公司"。
你可以怎么做：把这个顺序当成 PRD 的开场三问，放在碰撞协议的澄清环节之前：这个需求让客户的哪个业务数字变好？变好多少？谁来验？ 答不出第一问的需求，本质是功能罗列而不是价值交付。这也顺带给了"产出可观测、可验证"一个更朴素的抓手——观测的最终对象不是 agent 跑了几步，而是那个业务数字。