七月之后，拷打最后一个 AI 多头

「替代人只是它的起点。很便宜的天才如果有一堆，那个世界什么样，你在这个时间点是没有办法想象的。」 —— 唐奕波，谈为什么他把这一轮对标电气化

嘉宾： 唐奕波｜私募基金股票研究员，公众号「奔波儿r」

Raymond 常看的那个 AI 美股博主，已经四十多天没有更新了。

七月是全球市场跌宕的一个月。韩国股市、美国半导体、中国的科创板块都出现了很大的波动。七月过完，很多人不再看多 AI——不是转空，是不说话了。所以这一期，Raymond 去把市场上仅存的一个多头找了出来。

唐奕波是私募基金的股票研究员，入行第八年，从新能源看到电力、看到制造业，去年看周期，今年开始正式覆盖 AI 硬件，全球市场都看。业余他写公众号「奔波儿r」，最早分享用 Claude Code 做投研的教程，后来开始写自己对 AI 产业的判断——AI CapEx 什么时候见顶、我们讨论 CapEx 的时候到底在讨论什么、国产模型的崛起。

上一次唐奕波公开谈这些，是在另一档播客里和星辰对谈，录制时间正好是 AI 股票跌到最低点的那几天。Raymond 后来见到星辰，说了一句：那场对话对唐奕波不太公平，很多问题没有给他足够的时间和空间展开。所以这一次，Raymond 自己扮演九十分钟的 AI 空头，一条一条拷打。

九十分钟里，两个人把这些事拆开算了一遍：一个吉瓦的数据中心花多少钱、收回多少；开源模型打崩的到底是什么；人效提高十倍，为什么公司产出只多两三成；一年一万亿美金的折旧要靠多大的收入撑住；以及为什么他坚持把这一轮对标电气化。

以下是对话全文（经编辑整理，有删节）。

一、「我不清楚为什么一定要用自由现金流，来衡量 CapEx 的合理性」

Raymond： 开门见山。2026 年这个夏天，美国几家大云厂在 CapEx 上今年花了七八千亿美金，明年可能上万亿，有些公司的自由现金流已经完完全全用在造数据中心上了。这个钱从哪来？还够不够？

唐奕波： 我觉得这个钱肯定够。其实我并不清楚为什么一定要用自由现金流来衡量 CapEx 的合理性。

先看近的，比如新能源。前几年光伏发展的时候，为什么没有人拿光伏企业的 CapEx 超过经营性现金流，来说这是一个不可持续的 CapEx 呢？正常来讲，一个新兴行业在成长的初期，资本开支一定大于收入。

这些 Hyperscaler（超大规模云厂商）本来就是上一轮云服务、上一轮 IT 的超强龙头，钱非常厚、水非常厚。如果你是 CSP（云服务商）的股东，你会想：我买这些 CSP 就是为了它稳定的商业模式、稳定的现金流，每年回购、加一点分红，还有 15% 到 20% 的稳定增长。站在这个视角，你会觉得它们必须要有自由现金流；不站在这个视角，这件事就非常正常。

你再往回走，回到电气化，回到第一次工业革命建铁路。这么牛的技术革命，早期一定要做基建。做基建的时候，怎么可能刚投下来就有超高回报、一开始就能用经营现金流覆盖 CapEx 呢？所有的行业一开始都是 CapEx 超过经营现金流，之后再去回收资本开支。

Raymond： 我补充两点。第一，把 Hyperscaler 当成长股没问题，但很多人之前是把它当成熟公司的，预期上有落差。第二，之前七姐妹血槽如此之厚，所以能承担很大的 CapEx；当自由现金流不够、开始向资本市场要钱的时候，大家觉得这个量级会非常大。对量级的担心，加上”要开始借钱了”这件事本身，是一个 general 的恐惧。

那这一万多亿能造出多少吉瓦？钱怎么分配？

唐奕波： GB300 之前，一个吉瓦的建设差不多要 400 亿美金。CSP 投了七八千亿，再考虑主权基金、中国、其他云厂商，大概要乘接近两倍，反正就一万多亿。假设 1.2 万亿除以 400 亿，大概就是 30 吉瓦。明年我比较乐观，还是 80% 到 100% 的增长，那就是 2.5 万亿，Hyperscaler 占一半。

这 400 亿怎么分：土建、电力、电力设备加起来大概占 100 亿，大头走向服务器。服务器里面再拆，GPU 虽然比例一降再降，但还是占大头，存储可能占第二。所以大家炒的那些 AI 硬件，就在这大概 300 亿一个吉瓦的里面；炒电力的那些——土地、空调股、柴油发动机——在剩下的 100 亿里面。

Raymond： 那一个吉瓦投入 400 亿，能回收多少钱？

唐奕波： 要看口径。400 亿不是 GB300 的数字，GB300 按最新的算已经到 600 亿一个吉瓦了，但它的收入也更多。

Raymond： 不好意思，已经到 600 亿了？我以为还在 400 亿的 range 里面。

唐奕波： 因为功耗降低了，一个吉瓦对应的卡数增多了，服务器变多，CapEx 就增加了。

还是以 400 亿的老口径算。这一吉瓦的服务器如果给 Anthropic 做推理——它拿去卖 API 或者订阅，API 占它九成收入——对应的收入大概是 600 亿。一开始大家觉得只有两三百亿，但后面新模型出来、用量提升，现在就是 600 亿一年。它推理的毛利率超过 80%，假设营业利润率 60%，600 亿收入就能赚三百多个亿的经营利润。回报率非常高。

如果这一吉瓦给的是开源模型，收入大概低 40% 到 50%，跑满三百亿左右——但这个很不精确，我跟 AI 讨论了很多遍也没得出精确数字。而且开源模型的营业利润率很低，回报率会比 Anthropic 低很多。

Raymond： 所以基础的账是：一个吉瓦要付出 400 到 600 亿美金；给 Anthropic 做 API，收入可能是 600 亿；给开源模型，可能是 300 亿。

补一个能对上的数据：一家专门追踪 token 价格的数据机构算过，今年六月以来闭源模型的价格从每百万 token 三块多降到接近两块七、两块八。实际体感就是 Anthropic 给你用 Fable 了，Codex 给你 reset、reset、reset 了。同一时间中国的开源模型价格从 0.7 往上走接近 1，价差还是两倍多——跟 600 亿对 300 亿对得上。

二、「开源模型的出现，只是把他们的超额利润给打爆了」

Raymond： 你在文章里提过，token price 是整个大计算里最重要的变量——如果它往下降，所有东西都白搭。在中国开源模型的压力下，它是不是一个不断下降的状态？

唐奕波： 肯定是的。上周 OpenAI 就把最低那一档免费了，中间那一档也降了很多，只有最高那一档价格没变。也有新闻说 Anthropic 马上要推 Sonnet 5，价格还是 Sonnet 那一档，15 到 25 美金，但能力值只比 Opus 低 10%、20%。

但我不认为这对行业是坏事。你想刚才说的：600 亿美金一个吉瓦，毛利率 80%，经营利润 60%。而且我作为 Anthropic 可以不建数据中心啊——我拿 200 亿一吉瓦去租那些云厂商的东西，我没有投入资本，只是租了拿来卖，就能赚一个暴利。我的 ROIC，我感觉都是几千上万了。

所以我觉得开源模型的出现，只是把他们的超额利润给打爆了。任何行业，你这么赚钱，其实都是不合理的。

所以他们只有两条路。一条是降价，把中低智能的模型价格打下来。第二条是继续在前沿狂奔，让前沿实现一些你无法想象的事情——这才是最后的出路。如果是跟中国的模型在中等智力上拼成本，不可能赢，最后就跟所有制造业一样。

Raymond： 那为什么最后不会变成你以前 cover 过的光伏那种内卷？第二名是比较舒服的位置，但第一名要持续跟别人保持六到十二个月以上的差距，非常非常难。

唐奕波： 对，然后可能有一天，大家就是怎么做都做不出新东西了。

Raymond： 那就会出现一个问题：token 价格不断下降，用量狂飙，每天 618、每天双十一——但整个链主企业的收入不变。P 下降，Q 上升，总 revenue 可能不变。

唐奕波： 这就是一个弹性问题：需求量增长的速度和价格下降的速度，哪个更快。光伏那个数字我记得不太清楚，大概是 2020 年需求爆发以前，它的总收入池子只有 2000 多亿人民币——不管你量增多少，乘以那个价格永远是 2000 亿，从来没有涨过。

但弹性要看你对下游创造的价值，看你在替代什么。光伏有一个特别明确的 PK 对象：我一定要把成本降到比火电还低——因为你比火电更不稳定，所以要降到比它还低，不断朝这个目标奔跑，才有可能摆脱补贴。你其实是一个被保护的花朵。

但 AI 的智能已经超过人了。它往上创造的价值，我已经有点理解不了了。哪怕那个智能只提升一点点——它已经把黎曼猜想的比例提高了很多——如果它从 coding 变成创造价值的，比如提高一个药的研发，边际价值会巨大。而不像光伏，我只是为了降本而降本。

所以你没有办法在这个时间点下定论。有一种可能性是：人类天才以下的智能已经被开源模型攻占了，前沿模型只比人类天才高出来一小截——但它能完成一些人完成不了的事情。

Raymond： 开了光。

唐奕波： 对，就跟开了光似的。比如它突然能把一个药物研发的成功率从 5% 提高到 15%，你再乘那个药物未来的空间，价值巨大。所以有可能前沿模型只有 5% 的用量、甚至 2% 的用量，但它最终拿走 50% 的价值。

Raymond： 所以 P 有可能是稳定的、甚至是涨的，因为它是创造价值而不只是替代。不像光伏或者电动车——无论再怎么进步，车的上限就在那，光伏的上限就是火电的价格。智力的 TAM 天花板要高很多。

三、「谁想往前多走一步，谁就得多花个千亿」

Raymond： 我帮星辰问一个问题，也是很多人的问题：Anthropic 用 OpenAI 几分之一的算力就做出了 SOTA，算力真的那么重要吗？如果获得智能水龙头的成本其实不高，就会有越来越多人做这件事——一是价格战会越来越夸张，二是以后训练是不是再也不用那么多 CapEx 了？

唐奕波： 我理解，有点像后发优势。

你跟模型厂商的人聊就知道，训练模型要做大量实验：十条路，你先做一遍实验，确定哪条路，最后再一起把它训出来。这个环节非常关键——你不可能每一条路都走到黑，不行了再退回来。所以不管 OpenAI 还是 Anthropic，都承担了大量前沿探索的功能。

OpenAI 一开始就不像 Anthropic。Anthropic 专注于 coding，OpenAI 前两年多模态、2C，各种乱七八糟的方向都做，后面一一砍掉，因为发现只有 coding 这条路才是通往智能巅峰的康庄大道。**这是 OpenAI 先帮大家趟的。**都趟完了，Anthropic 就说好，哥们就走一条路。那它肯定就是 OpenAI 的几分之一了。

OpenAI 还起到另一个作用：它说多模态是未来的方向，然后谷歌就 all in 了多模态，把谷歌带沟里了。谷歌去年十月份还是第一梯队、有可能是第一名，现在已经掉出第一了。

至于国内的模型，为什么成本能做那么低？你去看 Kimi 和 DeepSeek 发布的论文，它们在架构上做了巨多创新。架构创新不是说我真的能训出比你更牛的模型，而是：我的卡真的有限、存储真的有限，那我能不能用 1/10 的卡和 1/10 的存储达到你 90% 的效果——你肯定达不到 100%，因为所有的压缩都是有信息损失的。

**它们不需要去探索智能的前沿，因为前沿已经有 Anthropic 帮它探索完了。**目前阶段卡和硬件都被限制了，只能在有限资源下优化架构：怎么样用 1/10 的 KV Cache（推理时缓存上下文用的显存）达到 Anthropic 模型 90% 的能力。

Raymond： 总结下来就是：未来某一天，中美的智能水平可能是完全平行的。但这时候，**谁想往前多走一步，谁就得多花个千亿。**只是现在是美国先花。

按你这个说法，视频可能是另一条路。之前 Sora 2 探索视频、谷歌探索多模态，现在是 Seedance 2.0、MiniMax 的 H3 在往前走。全世界范围内视频模型最赚钱的是字节本人，内循环。所以有可能中国之后是在视频上花超多钱，趟完之后 Gemini 下一代就学 Seedance，成本反而变小。但在整个人类的范畴之内，往前走的人都要多花几千亿。

唐奕波： 是的。所以哪怕中国厂商用几分之一的成本训出来，也不代表你再继续提升智能就不用花那么多训练的钱。**浪费有些时候也是必要的，这是你探索的成本。**本来任何公司的 R&D、任何公司的广告费，都不可能是百分之百准的。就不要说 R&D 了，R&D 十有八九都是不准的。

四、「大家最担心的，是没有第二个场景」

Raymond： 你觉得七月之后，市场的主要矛盾是什么？我自己觉得 CSP 有没有钱只是一个表象——最近这次财报它们都说了 ROI 很高、要继续投，但也没有打消市场的疑虑。

唐奕波： 这是个表象。市场最根深蒂固的担心，跟去年下半年一样。

去年下半年没有 agent，大家就说你天天搞训练、没有场景，这都是烧钱。今年出现了 agent 的 coding 场景，迅速爆发出几千亿美金的量。到现在，大家担心的是：coding 是多么特殊的一个场景啊，编程，而且用的人都是程序员，渗透率可以迅速提升——那有没有第二个场景？

如果只是 coding，这个 TAM 就只有一万亿美金——不管你对标程序员的工资还是软件的 TAM。那 Anthropic 加上 OpenAI 现在可能一千三、一千四百亿美金，到年底就是 30% 的渗透率。对一个成长型行业来说，它就应该变成成熟行业了。

**所以大家最担心的还是需求，或者说是对没有新场景的担心。**未来会有很多场景，很多人都相信——但万一明年没有怎么办？

Raymond： 那今年下半年有两件大事，Anthropic 和 OpenAI 的 IPO。如果你是 OpenAI 的 CFO，投资人会问一样的问题，你怎么回答？

唐奕波： 他们已经回答过了。Anthropic 的 Dario 老说：**我们的目标不是 coding，也不是软件，我们的目标是全世界所有的白领。全世界所有的白领有 40 万亿，你拿这个数字一除，才 0.5% 的渗透率。**那是一个超级超级初期的状态。

所以他的工作就是在定义这个分母：让大家相信分母不是一个单一场景，而是 40 万亿，往上还可以再创造价值。梁文锋跟投资人也说，未来 AI 可能占全球 GDP 的 20%、30%，那也是几十万亿美金以上的空间。我是认可这个观点的——AI 就是智力，白领干的事就是脑力劳动，理论上 AI 都可以干成。

Raymond： 我作为空头反驳一下。第一，全球的 SaaS 市场差不多是三千多亿——Adobe、Salesforce、Workday，everything together 三千多亿，美国的 SaaS 一千八百亿。你说的三万亿，是十倍于今天的全球 SaaS。第二，Mag 7 的收入加起来，从亚马逊到微软到 Meta 到英伟达，也就两万亿不到，七家公司。所以这两家新公司，得要创造出七姐妹本身体量的价值。微软是多少年的公司，谷歌是多少年的公司，它们的企业渗透率不用讨论了，也就赚了几千亿。凭什么这两家新公司能赚上万亿？

唐奕波： 收入不太能算两遍，这个我承认——我在 Anthropic 记一百块，到谷歌云那边又记了五十，会计上确实会有。

但我感觉你的基准找错了。SaaS 是企业工作流里的一个辅助工具。Mag 7 里微软是 Office 加云，谷歌是搜索广告加云，Meta 是社交——**你比较的基准还是在互联网，还是在信息经济。**互联网改善的是信息流通速度、减少信息差。

但我不知道你有没有算过：全世界的电，一年有多少度，乘以电价，是个多大的市场？我也没算过，但应该超级大，也是几万亿美金。

所以我们还是在讨论两个东西。如果你觉得模型只是提高处理信息的效率——就像互联网提高信息分发的效率——那这个对比是合理的，它可能达不到 Mag 7 的量级。但如果不是呢？

五、「人效提高十倍，公司产出只多两三成」

唐奕波： 我最近跟别人讨论的另一件事，是产品形态的问题。

Claude Code 或者 Agent，本质还是一个个人助理。个人助理嵌入企业工作流的时候还是会有问题——你还是需要人和人沟通，毕竟不是 AI Native 的公司。所以虽然每个人都有了个人助理、每个人的工作效率都提高了 10 倍，但企业的产出可能只有 20%、30%。因为你的瓶颈不在于一个人的产出，可能在于沟通的摩擦成本，或者一个无法被 Agent 加速的环节。

但如果到了下一个阶段，比如 Anthropic 最近推的 Claude Tag，我觉得是一个非常好的产品形态。在 Slack 里，类似于我们在微信或者飞书，任何人在群里 add 这个 Claude Tag，你给他安排工作他就去做，而且他可以自己读群聊里的内容。所以你不需要一个专人去整理公司的 context 给他——他在你们聊天的过程中就学会了整个公司的工作流。

这是一个很大的转变，它是从一个个人级的 Agent 变成了一个公司级的 Agent。

想象力大一点：公司的中层很多情况下就是上传下达、降低部门之间的摩擦成本、统一思想对齐。如果未来 AI 变成公司的主轴，所有人都找 AI 对齐——我是执行的人，我问 AI，CEO 到底是怎么想的——那就可以大幅降低摩擦成本，再围绕它把 bottleneck 消除掉。所以哪怕智能不进步了，光是这种产品形态对工作方式产生的影响，就有可能把公司的产出从百分之二三十的提升变成八到十倍。

Raymond： 我今天要扮演空头，但先扮演一分钟多头。Shopify 的 CEO 用 Claude Tag 有个方法：全公司只能在公域群聊里 Tag 它，不能在私聊里 Tag——他就是要确保公司每个人说的每一句话都被它抓住，确保 context 的完整性。那理论上，Shopify 应该很快就会发现群聊人数变少。

但这里有个分叉。过去一段时间，硅谷很多公司都在做类似的 Token Maxing 实验，但生产力提升好像并不明显：财报看不出来，裁员也没裁多少。听起来像是一个 fancy 的实验——有人在群聊里请了一个宠物小精灵，熟悉你们公司的报销政策，so what？很多人是在这个地方连不上的。

唐奕波： 这取决于你看的样本。

我看的样本是 Block，一家美国的金融支付公司。它很激进，在没有 Claude Tag 的时候就希望做一个公司级的 Agent、变成公司整个的基座。今年二月份它裁员 40%，从一千个人裁到六百个人——裁完之后，运行和维护的效果都非常好。还有一些创业公司也是，在压降研发人员数量的同时，研发质量和数量还在提升。

**这是一个组织架构的问题：你是不是真的围绕 Agent 在重新打造你的组织架构。**如果是，你可能裁员 40% 效率还在提升；如果不是，你只是说”咱们来试一下，我们要 AI 了”，但 AI 怎么用我也不知道，那就变成 Token Maxing——大家比谁 token 用得多然后排名——实际上还是停留在每个人用自己的 AI。它没有改变企业的工作流：还是 A 过一道、B 过一道、C 过一道，最后 E 做决策。每个人效率提升了，瓶颈还是在决策的那个人手里。

所以你去看很多大公司，要裁员、要整理工作流都很困难：办公室政治、人的抵制。哪怕做了 Token Maxing，那也只是一个尝试。

我最近做了一个对比：**那些 Token Maxing 的公司，简单来说就是我原来用蒸汽机的主轴驱动工厂，我把它换成了电动的，仅此而已，没有任何变化。真正牛的像福特一样——我把蒸汽主轴换成电机，然后把小电机在每个环节解耦，这样我可以真正地在每一个环节做优化，把一辆车的产出时间从 12 个小时提升到 1.5 个小时。**这是需要整个重构才能带来整体产出的提升，而不只是大家都用一下就可以了。

Raymond： 所以它变成只是买了一个更贵的 SaaS——一个月十万美金，但也没有特别明显的产出。

唐奕波： 对整个公司来说是这样的。但每个人个人的感受，我觉得已经很充分了。

六、从三千家公司里，筛出一只没人看的 MLCC

Raymond： 那说说个人的感受。过去半年以 4.6 为分水岭，哪些东西让你真的赚到钱了？

唐奕波： 第一个是快速筛选。我们的投资模式类似一个漏斗：看很多东西，快速筛选，觉得有意思再深研究。原来快速看一个公司至少得两三天，特别是从来没看过的行业；现在可能缩短成 10 分钟。

但真正让我觉得”太牛了”、完全改变我工作方式的，是另一件事。

作为一个个人研究员，我只能 cover 三百家公司——我看过、大概知道它干什么，那是我的极限。然后我从这三百家里找出最好的十到十五只去买。

我喜欢复盘和总结。去年我看了海外的电源公司比如台达，看了光纤，看了海外的铜箔龙头三井金属。这些公司都不是一个行业的，但它们上涨的时间点和幅度极其一致，25 年 6 月以后涨了十到十五倍。传统制造业原来没有人看——在涨之前，谁知道这些公司是干什么的呢？光纤多么 low B 的一个行业。

我就自己总结：传统制造业有什么特点？AI 占比不到 10%，行业烂了很多年，估值又很低。那我想找到满足这些标准、还没有涨的公司。没有 AI 之前我只能沿着上下游找。但现在我可以说，这是我的三个标准，再加一个：三年内不要涨超过 150%。

Raymond： 这是 A 股吗？

唐奕波： 全球。欧洲、日本、韩国、台湾这些。我还说不要 Tech 公司，因为 Tech 公司都涨完了。

那一次它帮我扫描了大概八百只公司，花了二三十分钟，筛出来 20 只。排名第一的是太阳诱电，第六是村田，第十是国巨——三月份的 MLCC（片式多层陶瓷电容，被动元件里用量最大的一种）。

我原来从来没有看过 MLCC。我就说这公司怎么评分这么高、三年又没有涨、估值只有十倍，那我来看一眼。我按刚才那些标准，再加一些更细化的，自己去筛了一遍，我说我靠，这 MLCC 真的很像去年的台达。

**它帮我干嘛？帮我从原来只能扫描三百家，变成从三千家里去总结牛股的特征，然后让它直接筛出来。**那个 MLCC 我只研究了两天，从”MLCC 到底是什么”到”我觉得可以买”、写完报告花了两天，跟老板讨论花了一周。

那个时候是三月份。我去问了一些看电子的朋友，他说：哎呀，MLCC 什么垃圾行业，声音都没听过。我说这能涨价吗？他说不可能涨价，有什么涨价弹性，中国那些厂商的设备都放在仓库里不拖出来用，怕转固。我听完更兴奋了。

Raymond： 但到八月份，这个 diffusion 的渗透程度还是不够高。理论上如果这个 skill 被很多人用了——你的粉丝一百万、GitHub 上两万五万个星——那应该都被挖透、被定价完了。

唐奕波： 是的。所以关键不在于后面的扫描。有 AI 和没 AI，扫描的差别是巨大的；但如果大家都用 AI，前面的复盘和总结才是最关键的——你怎么样把那些牛股总结成三个特征或者五个特征。太多了也不行，就筛不出来了。我也不知道那一次是纯运气，还是有一点那个。

Raymond： 我觉得一半一半。你刚好碰到这个行情，而且在行情之前提前扫了。哪怕我跟在右侧走也能吃到，但因为你做了研究，你更容易相信，仓位会更重，也更拿得住，因为你知道它是做啥的。如果你只是涨起来追，那就来不及。

唐奕波： 对，我自己体感极好。但我个人会觉得，现在我付的钱不够。它从我身上抽走的钱太少了。

Raymond： 因为这件事情你可能获得了十万，但最后只付了两百块钱。这个 mismatch 会让你觉得需求如此旺盛——他如果能给我更好的，我愿意买更多。

七、每年修两个三峡，一年一万亿折旧

Raymond： 那往前推几年。现在每年花七八千亿，到 27 年是一万二三千亿，28 年可能一万三四五千亿。增速在下降，但在可见的未来都会是一万多亿。三峡是一个 22 吉瓦的工程，所以基本上现在我们每年要修一个半到两个三峡。

唐奕波： 对，而且它的折旧年限很短，所以每年可能会有一万亿的折旧成本。这个世界我也难想象，很多人听完就觉得不可能、太可怕了。

Raymond： 一万亿的折旧，作为一个重资产行业，收入至少也要到三到五万亿；如果没那么重，可能得要十万亿的收入体量才撑得起。而它差不多发生在 29 年到 30 年之间，离今天只有四年。

唐奕波： 其实这个很简单。今年先不考虑开源，只以 OpenAI 和 Anthropic 的收入作为 AI 最底层的一个出口，到年底加起来可能是两千多亿。只要翻十倍就到三万亿了。

别的行业翻十倍都很难。后面会有开源稀释它们；但把开源全部考虑进去，29 年到 30 年翻十倍、每年涨两倍多三倍，是一个很中性的假设。我不知道为什么你会觉得五万亿的收入很难实现——你是不是只是单纯觉得这个数字很大？

我们从来没有见过这种需求增长，包括电气化也没有这么快的渗透。它今年是两到三个吉瓦，按目前签的约推算，28 年差不多 22 吉瓦，还是保守的。**今年两家收入加起来两千亿，翻五到六倍，28 年年底就接近一万亿。**然后 29、30 年增速会不断下降，所以你要在 30 年达到三万亿，这个就是想象了。

Raymond： 所以在一万亿折旧面前，我们最后赌的还是对 TAM 的判断——星辰大海到底长什么样子。

八、如果 Anthropic 最后变成一家发电厂

Raymond： 你其实是把这一次的 AI 革命对标电气化。先说我这边的怀疑：如果对标电气化，那这个 P 应该会不断下降，接近于零。今天电费是我们生活里几乎无感的事情。

唐奕波： 在中国是感觉不到的。美国民用会有一点感受，占生活账单的百分之十几。而且美国现在电价上涨已经引起抗议了。特朗普在 PJM——美国东北那个区域——引入了电力双轨制，很像我们中国的政策：存量的居民还在原来那个电力市场里，增量的这一部分，你数据中心要建就必须自己建，不能影响存量居民的用电。纽约州已经又逼走了一个数据中心。

Raymond： 所以我的 point 是：这个 TAM 很大，但它最后是一个人的 TAM，还是一个钱的 TAM？

我可以想象全世界所有人都用上人工智能，每个人都会 vibe coding，每天做八个网站——但 P 可能不断不断下降，变成跟电费一样。有没有可能出现这样一种情况：Anthropic 成为了一个有 30 亿日活的公司，结果它市值不变、收入不变？

唐奕波： 我想象不到，但我觉得是有可能的。

那个时候 Anthropic 肯定不是一个遥遥领先的厂商了。我们当然看不到智能提升的尽头，但最终的最终，肯定还是有一堵墙在那等着我们。到那个时候，就像我们现在用的电，你也不 care 它是谁发的——你也不 care 这个 token 是谁的，反正智能水平都差不多。那有可能 Anthropic 就停滞了，然后出现很多类似于发电厂的东西，大家都一样，commoditize，就是一个大宗商品了。

但**就算它 commoditize 了，我觉得也不妨碍。**电价乘以电量，在全球肯定是一个几万亿美金的市场。电、石油、煤炭这些都是大宗商品，都是一样的量级。

Raymond： 我担忧的就是这个 TAM。我肯定不能说它的使用人数会减少，那肯定不对。但如果我把那个市场规模控制住，那么当人数增加的时候，价格必然会下降。

唐奕波： 明白，所以因此它达不到五万亿。但我还是觉得应该对比电的那个市场——电现在全世界大部分人都能用上了，电价也已经非常非常低了，但它还是一个几万亿美金的市场。

九、「债不是坏事，高杠杆才是」

Raymond： 你文章里有个复盘——大概七次大的技术飞跃，每一次最后都是以一个大的债务结尾：大家借了很多钱去盖东西。所以你的论断是，如果没有到一个很极端的债务水平，这个泡沫就会不断膨胀，直到出现债务破裂。

唐奕波： 债务这个事，一开始其实不是坏事。如果你有一个很好的东西，只靠自己的经营积累，要多少年才能把它做大、去普及？所以一开始借债是很良性的：我一开始就有资本，把好东西做大，让更多人用到，把飞轮滚起来。**这就是资本主义、股市、金融市场存在的意义。**所以你不能妖魔化债。

但债为什么最后会变成导火索？因为你杠杆加得太高了——比如那位爆仓的天才基金经理。**债务累到很高、杠杆倍数很高的时候，最大的负面作用就是你无法承担波动：一个 5% 或者 10% 的波动，你就出局了。**而外部冲击可能是任何东西——天气变差、美联储加息、公共事件，一个你想象不到的波动，就把你震死了。

历史上我复盘了铁路、运河、电力这几个。一般来讲，它们最后的股本占比大概在 1 比 3 左右，运河是 1 比 1。最后都是这样：见多了之后发现回报收不回来，然后带一挤兑，把泡沫破了。债要清算，股权肯定先被打没。

所以目前 AI 这个状态可以承担 30%、40% 的波动。这次股票跌了 30%、40%，也只有加杠杆的人爆仓了，行业其实没受啥影响：该买服务器的还在买，没有哪个公司因为股价下跌就破产。

Raymond： 你在文章里拆过一个很具体的数字：CapEx 的顶点会是四万亿——自由现金流或者股本作为抵押物借更多钱，滚动做更大，带来更多收入，左脚踩右脚，四万亿是从 GDP 的比值反推的。那如果顶点是四万亿，今天的内存就是白菜价。

唐奕波： 是的，但也不绝对。内存是一个很 mix 的事情：它回报率很高，但这帮人还是不愿意扩产——正常周期里回报率高就会扩产，把它变成社会平均回报率。只是这次 AI 来得太快，而且就这几家，他们有一些默契在。

但从算法优化你可以看到，DeepSeek 和 Kimi 的注意力机制对 KV Cache 的需求下降了很多。所以我觉得内存这么大的供需矛盾，短期内可能会以算法优化结束。哪怕到了四万亿，内存的占比跟现在比可能是下降的。

Raymond： 所以你在表达一个 CapEx 大周期的极度乐观——到 30 年、到四万亿——但同一时间你又对内存不那么确定。你给”算法能够颠覆内存供需缺口”这件事给了非常高的权重。

唐奕波： 是的。因为 Kimi 的线性注意力、DeepSeek 的架构，都是因为它们太缺内存了。**而老外是不愿意做这个事情的——他们还在探索前沿，他们又不缺钱，所以不用省。**而且有可能它优化了之后，下一个范式比如 Continual Learning——模型可以在应用场景里自己调整自己的权重——会不会又带来内存需求的进一步提升？太难判断了。

我对内存的担忧，只是单纯觉得它的占比太高了。去年你跟别人说”能不能算法优化内存”，人家觉得你在开玩笑——内存随便都买得到。但现在它在整个 AI 硬件里的占比，可能已经从不到 10 个点到 20、30 个点了。你的 ROIC 实在太高了，人人都想去砍你一刀。

Raymond： 但同一时间，这句话也适用于英伟达，不是吗？

唐奕波： 是啊，你看英伟达其实也不涨了。因为它最开始最牛、份额又很高，占了 50%，所以它很 mix：虽然盈利也在涨，但它的 GPU 占比肯定是变少的——不管是被存储挤压，还是被别人优化，还是 TPU 出来。**那是因为你太牛了。如果你没有那么牛，可能你也不会被压制。**这也是一个周期：你很差的时候有可能变得很好，你变得很好有可能被别人干，被别人干了可能又再起来。

十、「电气化投了十五年，前十年没有生产力的提升」

Raymond： 回到核心问题。今天我们从 CapEx 的钱从哪来、到 token 价格的变化，反映的都是一个矛盾：需求的增速会不会足够快。落点就是这个 TAM 到底多大——如果只是狭义的 coding，那这个市场已经完全 penetrate 了，我们去买猪就好了；如果这是超级星辰大海、0.5% 的渗透率，那赶快再六倍买内存。那为什么是电气化，而不是对标别的？

唐奕波： 一个比较简单的标准，还是回到 CapEx 的量级。

电气化的 CapEx 占 GDP 的比例是 2%，持续了 15 年。而且这 15 年里面的前 10 年，没有生产力的提升，只是单纯让工厂用上更多的电。因为那时候晚上的场景是照明，白天的场景是有轨电车，别的都没有——不是没有冰箱，是只有电灯和电车，工厂的电机都是后面才换的。那 2% 的 GDP 投到了电网、电厂、输电这些基础设施上。那十年，全要素生产率——刨掉资本和劳动力增长、归到技术的那部分——对 GDP 的拉动只有 1%。

如果是互联网，光纤是 1.3% 的 CapEx 占 GDP 比例，只投了 4 年，而且到后来大家发现光纤建了也不用，就不投了。AI 今年这个数字，美国大概是 2%，其实已经超过互联网了。

另一个角度是：互联网到底改变了什么？信息的分发效率和处理效率变高了。但如果是电力，你想象一下没有电的世界和有电的世界——差别太大了。不只是能源动力：工厂的动力由蒸汽变成电机，就出现了流水线；电力之后又出现了各种家用电器。**电是一个非常基础的东西，它在上面延伸出了很多。**而互联网提高的是效率，它创造的东西不够——娱乐、获取信息、订东西更快，都是基于信息流通的效率。

但 AI 是什么？AI 是智力——先不考虑它还可以变成机器人干苦力活。如果 AI 是一个智力，它的量级我觉得应该跟电力是一样的：我们现在就能看到它替代掉大量的生产力行为；第二是它可能改变生产的组织形式，就像 Claude Code 会不会像流水线一样改变整个企业的组织架构。

十一、「替代人不是 AI 的极限」

唐奕波： 而且一旦智力的价格变得越来越低，可能会出现一些我现在想象不到的全新应用。

我特别喜欢举这个例子：**1920 年之后出现了收音机。**电力出现、无线电出现，RCA 那家公司在 1920 年之后涨了三百多倍。**这是一个电气 native 的应用。**但是你在 1900 年到 1910 年这十年，每年投 2% 的 GDP 到 CapEx 里、而你只能看到电灯和电车的时候，你完全想象不出来为什么会有收音机这种东西。

收音机其实是一种电的包装，是个套壳电——它基于电力，加上一些无线电通信，一些技术组合在一起，就变成了一个很 native 的应用，渗透率一直提升，那个股票涨了三百多倍。

我觉得我们一定会在未来五年看到真正的 AI native——没有又便宜又超强的智力就做不成的产品。

**替代人的这个想法都太简单了。替代人都不是 AI 的极限。**电灯只是替代煤油灯吗？电车只是替代马车吗？后来还有汽车、还有火车、还有高铁，还有千变万化的电器。**替代人只是它的起点。**因为它的智力水平明显现在已经超过大部分人了，只是因为它很贵，所以你还无法大规模替代。如果它很便宜，它就不只是替代，它一定会创造。很便宜的天才如果有一堆，那个世界什么样，你在这个时间点是没有办法想象的。

当然你也可以说这是我预设了一个结果——我本身就想象它会超出人类的极限，然后才去跟电气化对比。但我脑海里就是这么一个画面。

Raymond： 我今天做你的对面，最大的感受是这个：**如果我不同意你，我基本上是在说我否定 AI 在未来六个月有可能有大突破。这是一个 option。**如果我不在你这边，我其实是在 sell 一个 AI 的 call option。我不知道它到底值多少钱，有可能不值钱——但按你刚才讲的，不值钱也值钱。以这个方式来想，我会觉得有点吓人。

唐奕波： 我们刚才讨论的所有数字框架，是在 26、27、28 年这几个大的 CapEx 年份，有些问题上 extend 到了 29 和 30 年，也就是五年时间。

但我们最近听到一个说法，是汪天凡说的。他说人类文明第一次打开关上是 3000 年，第二次是 300 年——工业革命，第三次是 30 年——互联网、移动互联网，第四次可能就是三年。因为它是一个不断加速的过程：每一次文明的集大成者，会让下一次的文明迭代更快、更快被渗透。所以有可能我们面临的这个周期，五年到十年就完全走完了。

Raymond： 那好珍惜今天的机会。

如果你也在看这个方向，或者不同意上面的判断，欢迎写信到 [email protected]——不想写信也没关系，把邮箱留在下面就行。