--- author: Best Partners TV date: '2026-08-27' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=Jrtr0wE7meY speaker: Best Partners TV tags: - ai-investment-bubble - capital-expenditure - commodity-cycle - energy-infrastructure - semiconductor-industry title: AI资本周期的断层与能源丰裕的未来契机 summary: 分析指出美国若在AI军事优势上取得绝对压倒性地位，可能会诱发台积电被摧毁的地缘政治风险。AI产业正面临投资回报期限严重错配的阵痛，虽然估值与资本开支面临泡沫破裂风险，但其作为大宗商品化智能基础设施的演进趋势不可阻挡。云厂商的自研芯片正包围英伟达，而此轮热潮最终留下的能源与电力基建，将是重塑未来世界最核心的遗产。 insight: '' draft: true series: '' category: tech-trends area: tech-engineering project: [] people: [] companies_orgs: - TSMC - Nvidia - Amazon - Meta - Microsoft - Google - OpenAI - Anthropic - Apple products_models: - Trainium - TPU - Siri - ChatGPT - Claude - Graviton - Sora media_books: [] status: evergreen --- ### 地缘博弈下的绝对优势悖论 在当今全球地缘政治与科技竞争相互交织的宏大背景下，人们在探讨人工智能（Artificial Intelligence: 以下简称 AI）竞赛时，往往会形成一种直觉性的默认共识，即美国应当全力以赴争取胜利，在这一场前沿技术战争中赢下压倒性的主导权。然而，科技分析师本·汤普森（Ben Thompson）近期在播客中提出了一个打破常规、甚至有些违背直觉的深刻论点：美国如果真的在 AI 技术加持下取得了压倒性的军事优势，对于全世界而言，可能并非是一件代表着绝对安全的好事，反而会演变成一个极其危险的引爆点。 从**博弈论**（Game Theory: 研究决策主体的行为在直接相互作用时，人们如何进行决策以及这些决策如何达到均衡的数学理论）的角度来严密推演这一逻辑，我们会发现其中的理性选择陷阱。假设在未来的冲突模型中，中国面对的是一个在 AI 深度赋能下、军事战术与防御能力均实现跨代式领先的美国，那么由于两者的常规与非常规军事力量失衡达到了不可承受的临界值，中国在博弈中的最优策略反应，将不再是试图通过常规手段在正面战场上与美国进行军事抗衡，而是直接摧毁**台积电**（TSMC）这一全球最核心的半导体硬件枢纽。这个逻辑推演其实非常简单且直接：当你的对手即将完全掌握由某项关键物理源头催生的决定性技术优势时，消除这个优势的物质源头，就成为了弱势一方在理性逻辑下最具惩罚性也最合理的策略选择。 这种地缘上的紧密联系直接驳斥了硅谷内部广泛流行的一种“魔法思维”。在很多硅谷精英的设想中，美国可以轻易地、在极短时间内完全摆脱对中国制造业供应链的依赖。本·汤普森明确指出，这种过于乐观的脱钩设想严重脱离了客观的现实世界。尽管在政治与外交的施压下，**苹果**（Apple）确实可以逐步把部分 iPhone 的生产线转移到印度等东南亚国家，但这种举措在本质上仅仅是分散了局部的组装风险，根本算不上真正意义上的供应链脱钩。完全脱离中国供应链所需要付出的经济代价与时间成本高到难以承受，这就好比一份保费极其昂贵的巨额保险，在灾难没有真正降临在眼前的日常时刻，没有哪家追求利润最大化的跨国企业会愿意全额支付这笔保费。唯一能够推动企业下定决心彻底抛弃旧有供应链的真实场景，只有在冲突已经实质性发生、所有退路被切断的极端时刻。因此，那种认为美国可以一边实现对华供应链的彻底消除，一边在台湾发生突发变故时毫发无损地维持科技产业运转的设想，纯粹是不切实际的幻想。 ### 前沿大模型的演进现状与泡沫隐忧 在厘清地缘政治这一底层物理约束后，我们可以进一步审视当前 AI 领域的竞争格局以及相对理想的均衡状态。本·汤普森认为，目前的产业格局其实处于一个相对良性的动态平衡之中：**OpenAI** 和 **Anthropic** 显然依然站在技术的最前沿，**谷歌**（Google）紧随其后进行吃力的追赶，而 **Grok** 和 **Meta** 也在凭借自身的独特优势奋力奔跑。与此相对应，中国的 AI 研发团队表现出了极强的学习与跟进能力，他们正在通过模型蒸馏等高效的技术路径，将自身与美国前沿模型的差距维持在六到九个月左右的合理区间。 这个格局对美国的综合产业利益而言总体是有利的，但现在最核心的问题在于，这种短暂的均衡状态究竟能够维持多久。尤其是当 AI 开始被用来作为工具去改进 AI 自身的设计与架构时，这种自我迭代的速度可能会让追赶者的窗口期迅速关闭。同时，行业内普遍存在一个容易被忽视的认知盲区——所谓的**开源模型**（Open Source Model: 源代码和权重公开，允许自由修改与分发的 AI 模型）并不像公众想象的那样是免费的午餐。虽然对于二次开发者而言，你确实不需要支付前期极其昂贵的原始研发与训练费用，但模型部署后的推理成本是实实在在的。每当用户向模型提问并获取一次解答，底层服务器都在以惊人的速度烧钱，某些参数级别极大的开源模型，其单次推理的计算成本其实高得吓人。 当高昂的推理成本与未明朗的商业变现通道相交织时，最令本·汤普森感到担忧的，正是行业内普遍存在的投资回报期限错配问题。如今科技巨头们在 AI 基础设施上的资本开支消耗速度快得超乎想象：他们首先耗尽了公司原本丰厚的**自由现金流**（Free Cash Flow: 企业在满足了运营资金和资本支出需求后，能够自由分配给投资者的现金流），接着在短短一年内迅速席卷了债券市场，将借贷工具用到了极致。更令人震惊的是，强如谷歌这样的巨头，也已经开始选择通过增发股票来获取更多资金，而英伟达甚至在尝试组建一个高达五千亿美元级别的庞大融资平台，试图将触角伸向风险承受力极低的养老金和保险资金。 那么在这些资金烧完之后，后续的资金接力棒该由谁来接手？在最理想的商业闭环中，AI 业务自身产生的自由现金流应该在此时完成接力，形成健康的自我造血循环。但是，如果这中间出现了一个巨大的时间缺口——即 AI 带来的实际商业收入增长速度，远远跟不上其资本开支与算力折旧的消耗速度，那么整个科技行业就不可避免地会迎来一次剧烈的泡沫崩盘。不过他也特别强调，即便这种金融泡沫最终破裂，AI 技术本身也不会随之消亡，人类的技术进步轨迹并不会因此停滞。这就如同 19 世纪的铁路泡沫最终破裂了，但铁路网络依然真实地留在了地面上，彻底重塑了美国的地理版图与开发进程，并在后续的几十年里为美国 GDP 的天量增长提供了无可替代的动力；同样，2000 年的互联网泡沫破灭了，但铺设好的光纤网络和基础设施却留了下来，最终催生了后续蓬勃发展的移动互联网时代。 ### 绝对美元总量与商业模式的范式重构 在探讨基础设施投资的逻辑时，19 世纪的铁路建设和今天的 AI 基建展现出了高度的相似性。修筑铁路是一项建设周期极长、需要十几年甚至几十年才能缓慢收回资本的庞大生意，但资本市场提供的资金却往往具有短视和短期的特征。在 1870 年代，世界确实曾因为铁路尚未开始盈利而面临短期流动性枯竭的困局，但历史的讽刺之处在于，资金断裂后铁路并没有消失，它们不仅推动了美国西部的全面开发，更在未来的百年中持续产生稳定的现金流。 基于这一视角，我们可以理解为什么谷歌增发股票的财务操作会让很多市场观察者感到震惊。作为一家长期拥有极其稳定且庞大广告收入、几乎从不需要外部融资的万亿级企业，如果谷歌真的对 AI 的长远前景抱有绝对信心，为什么要在此时选择稀释自身的股权呢？这里可以引入巴菲特（Warren Buffett）治下伯克希尔·哈撒韦公司（Berkshire Hathaway）的一个经典商业案例来进行对比分析： * **喜诗糖果（See's Candies）**：这是巴菲特最钟爱的完美现金牛业务，拥有极高的利润率和强大的品牌护城河，但它的致命缺点在于再投资空间非常有限。因为消费者对于糖果的总消费量存在天然的物理天花板，这导致该业务的绝对利润总额做到一定阶段后就无法突破瓶颈。 * **BNSF铁路公司**：相比于喜诗糖果，铁路运营的利润率要低得多，且需要持续投入巨额资本进行维护。但是，它的绝对利润规模大到令人惊叹。BNSF 铁路一年所能产生的自由现金流绝对值，甚至超过了喜诗糖果在整个品牌历史上所赚取的全部利润总和。 当一家企业所持有的资本规模膨胀到一定量级后，管理者关心的核心指标就不再是单纯的利润率百分比，而是能够获取的绝对美元数额。谷歌如今正站在这样一个重大的商业模式转折点上。传统的搜索广告业务是人类商业史上最完美的商业模式之一，具备接近于零的边际成本和极其夸张的超高利润率，这就是谷歌的“喜诗糖果”。相比之下，AI 是一项需要疯狂烧钱、需要持续支付推理成本且利润率低得多的生意。但它的潜在市场规模（Total Addressable Market）却延伸到了所有白领的日常工作，乃至于未来可能普及的物理机器人，这几乎等同于整个实体经济体的运行。因此，尽管 AI 生意的利润率较低，但其绝对美元利润的想象空间却大到无法估量。这就是为什么谷歌情愿耗尽所有账面资金、背负上千亿债务，甚至顶着稀释股权的代价也要强行切入这一赛道，因为只要最终能在这个规模如同天文数字一般的巨大蛋糕中分得一小块，股权的微幅稀释就完全是一笔划算的买卖。 ### 可验证性边界与聚合理论的成本危机 对于 AI 技术本身的实际能力，本·汤普森自称为一名“不情愿的加速主义者”。他一方面对 AI 在编程、数学以及各类有明确物理规则与反馈机制的“可验证领域”中所展现出的惊人能力赞叹不已，甚至觉得回看一年前人类完全手敲代码的传统工作模式，已经产生了一种恍若隔世的不可思议感；但另一方面，他对 AI 在那些“不可验证领域”中的实际表现依然持保留态度。 模型研发领域的从业人员非常喜欢用国际象棋和围棋来证明 AI 的无限潜力，认为过去人们同样觉得机器无法战胜人类，而现在这已成为常识。然而，棋类运动本质上都是拥有明确规则界定、有清晰胜负边界的闭环可验证问题。但在现实的人类社会中，存在着大量没有清晰对错标准、且反馈验证周期拉得极长的模糊领域。在这些领域，目前 AI 还拿不出令人信服的卓越表现。当然，未来并非没有突破的可能，例如像 Neuralink 这样的脑机接口技术，如果真的能够直接捕获人类在思考过程中的神经元信号痕迹，而不仅仅是人类整理思路后敲击键盘输出的最终文本结果，那么模型对于人类意图的理解和训练样本的质量将获得革命性的提升。 但退一步讲，即便 AI 的底层模型能力从今天起不再有任何实质性的突破，单凭现有的技术成熟度，也已经足以在经济体系中创造出极其巨大的商业价值。因为在现代社会的全球经济中，充斥着大量在明确规则下运行、本质上高度可验证的冗余岗位。甚至可以不客气地说，很多白领日常的工作状态本身就非常像是一个人形的 AI 接口。人类创造新需求的能力虽然是无限的，但与此同时，官僚体系创造繁文缛节与冗余工作岗位的本领同样也是无限的，这为 AI 的渗透提供了极其广阔的替代空间。 在商业化落地的探索中，本·汤普森著名的**聚合理论**（Aggregation Theory: 本·汤普森提出的互联网商业模型，解释了拥有零边际分发成本的平台如何通过控制用户发现端来掌控供应链并获得垄断利润）正在面临来自 AI 时代推理成本的严峻挑战。在经典的互联网商业模式中，数字内容的分发成本接近于零，真正的瓶颈在于用户如何寻找和发现内容，因此谁能解决“发现”问题，谁就能成为零边际成本的超级聚合者。但在 AI 时代，由于每一次问答都伴随着服务器算力的实质性消耗，分发成本不再为零。当然，这种推理成本在不同的使用场景下差异巨大：一个仅仅使用免费版 ChatGPT 查找简单菜谱的轻度用户，与一个在测试环境下使用推理模型进行复杂数学定理推导的重度科研用户，他们消耗的单次算力成本完全不在同一个数量级上。 这种成本的不确定性，逼迫科技巨头必须在收费模式上做出艰难的妥协。以**微软**（Microsoft）近期推出的 E7 企业服务计划为例，该计划采取了每人每月 100 美元的固定套餐，但其中包含了具体的用量额度，超出额度后将引入额外的计费机制。微软这一举措直接打破了自身在企业软件市场长期以来的核心优势——即通过打包固定费率让企业的 IT 部门可以非常省心地一次性做好年度预算。一旦引入了按用量计费的弹性机制，企业客户就会面临两个显著的痛点： 1. 每个月必须耗费额外的管理精力去监控员工的 AI 用量并调整支出，这与企业固有的预算编制流程相冲突。 2. 当财务账单上开始出现详细的用量拆分明细时，管理层就会被迫去审视和思考每一个员工到底在为什么服务付费、这些产品的投资回报率（ROI）到底如何，进而产生拆分采购或寻找替代品的主动意愿。 微软之所以不得不冒着破坏自身商业根基的风险推出这种混合计费模式，根本原因在于那些重度依赖 AI 工具的员工，其每月消耗的真实算力成本已经远远超出了 100 美元这一固定收费的标准。 ### 消费者软件逻辑的破灭与广告变现的回归 在商业化探索中，更让本·汤普森感到有些沮丧的，是为什么面向普通大众消费者的、日常“查菜谱式”的 AI 应用，至今依然无法跑出一个健康且可持续的独立商业模式。事实上，硅谷的创业者们似乎每隔十年就需要重新交一次学费去学习两个最基础的常识： * 第一，绝大多数普通消费者在心智上极度抗拒为独立的软件服务付费。 * 第二，普通消费者在日常生活中根本不在乎所谓的个人生产力提升。 如今 OpenAI 在消费级市场的处境，在很大程度上正在重演当年 **Dropbox** 的故事，只不过在规模上放大了上百倍。Dropbox 当年的产品体验做得极其惊艳，但由于普通用户的付费意愿有着天然且极低的上限，导致其最终不得不被迫痛苦地调转船头去攻坚企业级市场。因为只有企业才愿意为了提升员工的整体生产效率而进行理性的 ROI 计算并慷慨买单。相反，一个普通员工在经历了一整天疲惫的工作回到家后，他最真实的需求是舒服地躺在沙发上刷 Instagram Reels 短视频来放松大脑，而不是寻找一个工具去帮自己提升根本不存在的业余生产力。 因此，面向消费者端的 AI 应用，其唯一真正能跑通并实现大规模盈利的商业模式，在本质上依然只能是广告。广告模式最美妙的商业闭环在于，买单的付费主体是广告主，而不是最终享受服务的终端用户，这使得产品彻底摆脱了用户端敏感的价格弹性制约。订阅制下每一次试图涨价的行为，都必须像**网飞**（Netflix）那样小心翼翼地评估用户流失的比例；而广告模式则是向用户提供完全免费的服务，所有的算力变现压力都在无形中转嫁给了广告主，用户在体验上几乎感知不到成本的抬升。 从这个角度来看，OpenAI 知道直到最近才开始急匆匆地筹备广告变现功能、并尝试与各大零售商打通进行转化效果追踪，在战略时间点的选择上显得非常遗憾。如果 ChatGPT 在最初引爆全球流量的黄金时期就全力以赴搭建广告分发与追踪系统，那么如今谷歌和 Meta 在数字广告领域的传统护城河将会面临极其致命的威胁。 ### 算力大宗商品化与半导体供应链的风险转移 当前，整个科技行业对于算力短缺的焦虑已经达到了顶点，预计 2024 年全球 AI 的**资本支出**（Capital Expenditure: 企业用于购买、维护或改进长期资产的资金支出）将达到惊人的八千亿美元，而 2025 年这一数字甚至可能飙升至 1.3 万亿美元，且所有的产能几乎是一上线就会被各大厂商抢购一空。然而，本·汤普森在此处提醒行业注意几个被忽视的时间错配。 当下的算力极度短缺，其根源在于 2023 年和 2024 年对于先进制程晶圆厂的投资相对保守，台积电在当时甚至还下调了自身的资本开支增速。需要明确的是，一座先进晶圆厂（Fab）的建设与调试周期要比普通的数据中心长得多，这意味着今天各大巨头砸下的巨额资金，要等到 2028 年甚至 2029 年才能真正转化为市场上可用的实际算力。虽然亚马逊的安迪·贾西（Andy Jassy）和微软的萨蒂亚·纳德拉（Satya Nadella）在财报电话会议上极力向华尔街解释，他们目前只是在建设数据中心的空壳厂房等物理基础设施，只有在看到明确的市场需求时才会下单采购英伟达的 GPU，但这套说辞在财务逻辑上显然是有水分的。因为一旦昂贵的土地、厂房和电力变压器等重资产固定成本已经投入，任何一家理性的企业都不可能让价值数十亿美元的物理空壳闲置在那里，他们必然会尽可能多地采购芯片将其填满。 这暴露出科技界对于**大宗商品**（Commodity: 具有高度同质性、价格由全球边际供需决定的标准化商品）市场运行规律的理解不足。科技公司在习惯上非常依赖通过差异化的独特产品来获取超高的垄断利润，苹果就是这种商业逻辑的极致代表。然而，大宗商品市场的价格制定规则完全是由边际供应商的供需关系决定的。以航运业为例，一旦你购买并拥有一艘货轮，其巨额的折旧费用就变成了沉没成本，而货轮出海一次的实际边际成本（包括燃料、船员工资及港口费）其实非常低。因此，只要市场上的海运费能够覆盖这部分低廉的边际成本，船东就会选择让货轮持续运转，哪怕在财报账面上算上折旧后这笔买卖是亏损的。只有当运费低到连基本的燃料和人工成本都无法覆盖时，才会有运力选择退出，进而推动市场供给减少、价格回升。在疫情期间，集装箱运费从每箱三四千美元暴涨到一万七八，正是因为供给弹性在短期内无法响应，而一旦造船厂经过两年的建造周期将大量新船投入市场，运费价格立刻遭遇雪崩。 半导体内存芯片（DRAM/NAND）市场同样在历史上忠实地履行着这种残酷的周期循环。三星电子当年之所以能称霸全球内存市场，其核心战略就是吃透了这一周期规律，在整个行业陷入极度低谷、对手纷纷亏损退缩的时期，利用集团力量逆势进行疯狂的产能扩张，用持续的亏损硬生生熬死并消灭竞争对手，从而在下一轮景气度回升时独占整个市场的超额红利。不过，如今的内存市场在经历数轮洗牌后仅剩下三家寡头，厂商们开始学聪明并克制主动扩产的冲动，这直接导致了当前 AI 需求爆发时，配套的 HBM 高带宽内存出现了极其严重的供给瓶颈。但内存巨头们同样需要警惕，垄断地位带来的暴利往往会催生替代方案的出现。这就如同伊朗虽然可以通过封锁霍尔木兹海峡来卡住全球石油的脖子，但这种极端手段只要使用一次，沙特和阿联酋就会立刻下定决心修建绕过该海峡的陆路输油管道和新港口。当 HBM 的价格高到不可理喻的程度时，苹果等终端客户就会全力游说并扶持中国本土的内存供应链，而算法工程团队也会在软件端拼尽全力去优化架构以大幅降低内存的物理用量。 ### 台积电的保守主义与英特尔的代工转机 在先进制程晶圆代工领域，台积电如今处于一种极其极端的单一垄断地位。本·汤普森对于台积电的创始人张忠谋评价极高，认为他是全球科技行业历史上最伟大的企业高管之一，其开创的纯晶圆代工（Foundry）商业模式直接重塑了过去半个世纪全球半导体产业的生态结构。特别是在 2008 年全球金融危机后，张忠谋的强势复出以及力排众议的逆势扩产决策，彻底奠定了台积电如今在先进制程领域无可动摇的绝对统治地位。 然而，台积电现今的管理层在面对这一波汹涌的 AI 热潮时，在战略决策上表现得相对保守。对于他们而言，一座先进制程晶圆厂的物理寿命和运营周期需要维持三十年之久，一旦在热潮退去后面临严重的产能过剩，那天文数字般的固定资产折旧成本将会直接压垮公司的财务报表。因此，台积电如今的应对策略是主动将风险向产业链下游转移：他们选择极为谨慎地控制扩产的步伐，如果这导致各大科技巨头因为抢不到足够的产能而无法维持业务增长，那是客户需要自己承担的经营风险，而不是台积电需要解决的财务隐忧。风险在物理上并没有消失，它只是被台积电用产能约束的锁链，转嫁到了那些眼睁睁看着算力不足而流失利润的互联网巨头身上。 但非常有趣的是，恰恰是台积电这种极度保守的产能转移策略导致的算力短缺，反而给陷入绝境的**英特尔**（Intel）和三星的芯片代工业务注入了一剂强心针。本·汤普森早在 2013 年就曾撰文呼吁英特尔应当果断将设计与制造业务剥离，全面转向代工服务。但固步自封的英特尔直到 2020 年左右才如梦初醒，意识到自己在制程技术上已经被台积电甩开，且公司内部严重缺乏服务外部客户的工程师文化，更缺少一整套成熟的知识产权（IP）构建模块。在过去的正常市场环境下，大科技公司没有任何理性的商业动机去舍弃生态完善的台积电，转而费时费力地去扶持技术落后的英特尔，因为那等于用自己的真金白银去帮竞争对手交学费，代价极高且毫无必要。但现在，算力供需的失衡已经让科技巨头们痛彻心扉，因缺乏算力而白白流失的绝对利润空间，已经远远超过了切换代工厂所需要承担的磨合与摩擦成本。在这种经济诱因下，科技巨头们终于开始有意愿、有动力向英特尔和三星倾斜订单，试图合力在台积电之外重新扶持起一个健康的备份选择。 这再次印证了经济学中那句古老的格言：“高价格本身就是高价格最好的解药。”想要解决台积电面临的复杂地缘政治风险，最高效的路径绝非依靠政府生硬的行政干预或禁令，而是需要创造一个足够庞大、能够持续自我增殖的算力消费市场，让企业在纯粹的经济利益驱动下，自发地去分散和多元化自己的硬件供应链，如此一来，地缘安全的“保险”就顺理成章地作为商业副产品得以实现。 ### 云巨头的垂直整合与各大势力的生态博弈 在具体的公司分析中，本·汤普森认为**亚马逊**（Amazon）是目前在 AI 软硬件垂直整合上表现得最具启发性的科技巨头。亚马逊的核心打法在历史上非常具有一致性：即通过自家的第一方零售业务作为第一个、也是体量最大的“最佳客户”，去反复迭代打磨底层的基础设施，待技术成熟后将其标准化为服务向全社会开放。 * **AWS云服务**：这并不是外界流传的所谓“闲置服务器产能的副产品”，而是源于亚马逊内部零售业务在面对网络大促时对于弹性计算资源的真实底层需求。他们首先在内部跑通了这套架构，随后才将其包装成 API 对外出售。 * **物流网络**：同样遵循自建自用、跑通效率后再逐步向平台上的第三方卖家全面开放的路径，以此对抗 UPS 和 FedEx。 * **自研芯片 Graviton 与 Trainium**：尽管早期的芯片版本在性能上非常平庸，但亚马逊拥有一个独特的优势——他们可以将这些不成熟的芯片深埋在 Redshift 等全托管的 SaaS 服务底层，用户在终端使用时根本无法感知到自己调用的是什么处理器，从而在保证用户体验的同时，获得了极其庞大且真实的物理部署场景来对芯片进行高频的迭代打磨。如今，经过多代演进的 Trainium 芯片已经开始承载 Anthropic 的核心训练与推理工作负载，这条极其艰难的垂直整合之路已经被亚马逊彻底走通。 这种基于沉重物理资产和深厚运营经验构建的系统级护城河，是纯粹在软件层面运转的 AI 模型很难轻易颠覆的。 相比之下，苹果在这一轮 AI 军备竞赛中显得有些温吞和按兵不动。但在本·汤普森看来，这可能更多是苹果在移动生态中占据的垄断地位带来的“运气好过本事”的典型案例。由于苹果牢牢掌控着全球最具付费能力的智能手机终端入口，根据聚合理论，全球最前沿的 AI 模型供应商为了触达用户，会主动且争先恐后地找上门来寻求合作，苹果完全不需要自己冒着巨大的研发风险冲在最前线。用户在手机端最核心的需求，其实只是一个能够终于正常工作、不再显得愚蠢的 Siri 助手，这些完全可以通过整合外部供应商的方案（如 ChatGPT 或 Claude）来以极低的成本实现。更重要的是，在端侧运行这些模型还能帮苹果省去昂贵的云端推理成本。 然而，苹果的这一防守战略也并非高枕无忧。如果未来人机交互的范式发生根本性位移——从随身携带的智能手机转向无处不在的环境智能（Ambient Intelligence: 融入物理环境、能够感知并随时主动响应用户需求的智能系统），那么苹果极有可能会陷入当年微软在 PC 时代面临的路径依赖困境。微软当年并没有忽视智能手机的崛起，但他们犯下的致命错误在于固执地认为手机仅仅是 PC 的延伸，试图在手机上套用 Windows 的逻辑；如今，苹果同样需要警惕自己是否会默认智能手机将永远是人类科技生活的物理核心。此外，从公司文化的深层维度来看，苹果是追求绝对确定性的硬件王者，其供应链文化强调零缺陷和极度管控；而 AI 却是一项本质上基于概率性、需要高频试错与快速迭代的领域。与其强行去做自己基因里并不擅长的前沿大模型研发，继续做好自己最擅长的物理设备封装，对苹果而言显然是更为理性的防御选择。 在其他前沿势力的格局中： * **OpenAI 与 Anthropic**：他们承担着最高的研发风险，但如果通用人工智能（AGI）真的能够实现，他们获取的潜在回报也将是无上限的。这种近乎宗教般的热忱与信念，是推动他们不断挑战物理边界的底层动力。 * **微软**：表现得极其理性甚至带有一丝求生的紧迫感。他们并没有把筹码压在自己去研发最前沿的模型上，而是选择在重演 90 年代 IBM 的经典剧本。当年郭士纳（Louis Gerstner）重塑 IBM 的核心洞见在于，虽然 IBM 内部的各个技术部门单独拿出来都算不上行业顶尖，但 IBM 庞大的企业级服务网络本身就是无可替代的资产。企业客户在面对纷繁复杂的新技术时，需要的是一个稳定、懂自身业务且能帮自己做系统集成的交付平台。微软如今扮演的就是这个中间层角色，他们不追求最强的模型，而是向企业提供最省心、向后兼容性最好、免去后顾之忧的稳定平台。但这种肥硕而偏向销售导向的状态长期来看也是危险的，因为缺乏在前沿对抗的创新肌肉一旦萎缩，在 AI 强大的自我迁移能力面前，微软的壁垒也并非绝对安全。 * **Meta**：对于这家本质上完全依赖数字世界和用户注意力的数字公司而言，不站在技术前沿将是极其致命的。因为 AI 将会以极快的速度吞噬用户在屏幕前的时间，而用户的时间就是 Meta 变现的硬通货。虽然 Sora 等视频生成模型由于社交网络本身复杂的创作者生态分成机制（YouTube 的分成降低了其利润率，而 Meta 依赖完全免费的用户生成内容）而在推广上受制于推理成本的压制，但 AI 对于 Meta 广告系统底层匹配效率的提升，是当下全行业最被低估的确定性货币化机会。 ### 广告的社会价值与泡沫留下的能源遗产 当前，AI 技术在商业化上最真实、规模最大的印钞机，其实既不是 ChatGPT 也不是 Claude，而是谷歌和 Meta 广告系统在 AI 算法优化下实现的惊人效率提升。广告市场本身就是一个最完美的、拥有海量且高频反馈的闭环验证机器。一段生成的广告图片或文案到底好不好，不需要人类主观地去进行美学评估，直接扔进广告池里跑一次高频的 A/B 测试，看实际的转化率数据即可。这种全球规模的流动性市场，能够以最快的速度逼迫模型完成实用性的迭代。未来的大语言模型将从现在的粗糙向量匹配，演进到能够精准预测和发掘用户的潜在意图。这种精准度哪怕只提升一两个百分点，反映在 Meta 和谷歌的财务报表上，就是数十亿美元级别的净增量收入。 本·汤普森认为，Meta 的广告业务在本质上具有极高的正面社会价值，但令人感到遗憾的是，马克·扎克伯格（Mark Zuckerberg）等高管在过去二十年中，似乎由于舆论压力而羞于在公众面前大方地阐述广告的社会贡献。在雪莉·桑德伯格（Sheryl Sandberg）离职后，这部分的公共沟通更是陷入了彻底的真空。互联网最美好的愿景在于，无论多么冷门、小众的产品或创意，都能在庞大的网络世界中精准找到属于自己的受众。而 Meta 的广告系统，本质上就是一套帮助全球无数中小创业者去精准触达那些“甚至自己都不知道自己需要这项产品”的潜在消费者的信息匹配网络。它高效地连接了供给与需求，让用户免费享受到了社交娱乐，也让公众通过养老金和共同基金持有的公司股份获得了真金白银的回报。但 Meta 似乎急于通过智能眼镜和各种宏大的 AI 愿景来向华尔街证明自己“不仅仅是一家广告公司”，在面对苹果单方面摧毁了整个行业用户行为追踪模式的 **ATT 政策**（App Tracking Transparency: 苹果推出的应用追踪透明度框架，要求应用在追踪用户跨应用和网站的活动前必须获得用户的明确许可）这一反竞争行为时，由于没能建立起关于广告正面价值的宏大叙事，在舆论战和反垄断游说中始终处于极其被动的挨打地位。 最后，让我们重新审视英伟达的高利润率壁垒与大宗商品化趋势。在很多投资人的传统观念中，大宗商品生意由于缺乏差异化，在商业吸引力上远远不如高利润的垄断生意。但本·汤普森指出，纵观人类科技史，真正彻底改变世界的，往往恰恰是那些价格低廉、人人可用的大宗商品： * **带宽（Bandwidth）**：当带宽变成廉价的大宗商品后，免费的边际带宽才让互联网真正触达了全球的每一个角落。 * **搜索（Search）**：正是因为搜索服务的免费和大宗商品化，谷歌才能成为全球数十亿人获取知识的基础设施。 如果一项技术始终维持着极高的溢价和差异化，它就必然会受限于用户的付费意愿和价格弹性，其市场规模总会触碰到天花板。因此，智能在未来走向大宗商品化，是历史演进的必然趋势。 尽管英伟达在 2026 年依然凭借垄断地位向市场兜售着高昂的芯片并维持着夸张的毛利率，但如果仔细拆解其财务操作，会发现这种高利润在很大程度上是通过许多隐性手段来维持的。例如，英伟达通过向新兴的云厂商提供高达 25% 的回购担保、直接进行股权投资、甚至签订长达数年的包销协议等方式，在暗中替客户分担了巨额的资金风险，从而促使客户有能力借到更廉价的资金来购买更多的 GPU。这些担保和股权投入的预期风险价值在财务上显然不是零，它在本质上就是一种隐性的降价折让，只是没有直接反映在毛利率数字上而已。 长期来看，随着云巨头自研芯片的成熟，CUDA 的软件护城河正在因为模型层与芯片层的解耦而逐步削弱。此时，如果说英伟达还拥有什么绝对的外部环境期盼，那大概就是全球的电力与能源供给在未来陷入真正的硬约束。因为在电力资源极度匮乏的极端假设下，谁的芯片能拥有每瓦性能输出的最高效率，谁就能牢牢掌握定价权，而英伟达在 Token 的计算能效上依然保持着显著的领先优势。但出乎意料的是，美国能源供给端对于电力需求的响应速度比大多数悲观主义者预想的要快得多：无论是通过天然气发电、西得州的能源创新项目，还是传统核电站的重新启用，新的电力产能正在以惊人的速度上线。电力约束的时间节点被大大推迟，这给谷歌的 TPU 和亚马逊的 Trainium 留出了充裕的时间去打磨其能效表现。 如果说这一波由资本狂热催生的 AI 投资泡沫最终能给人类社会留下什么不可磨灭的遗产，本·汤普森最希望看到的，是全球能源与电力基础设施的彻底丰裕。当年互联网泡沫破裂后，在地下留下了数万英里廉价的暗光纤，谷歌等初代互联网巨头正是踩在这些破产公司的遗存资产上才实现了低成本的迅速崛起；19 世纪铁路泡沫破裂后，横跨美洲大陆的钢铁轨道网络依然完好地留在了地面上，持续造福了后续数代的经济繁荣。GPU 终究会面临折旧与过时，数据中心在几年后也会显得陈旧，但如果这一轮堪称疯狂的资本建设，能够最终推动人类社会从电力和能源的慢性稀缺状态，彻底跨入一个能源极度充裕的崭新时代，那么在这个过程中所发生的一切金融浪费和泡沫破灭，在历史的宏大尺度下都将显得微不足道且完全物有所值。