🪂🍹

己所不欲 勿施于人

[🪂🍹 @gracebel12]

Sophia Pei - Onderwerp - YouTube https://t.co/RrivTMdy7F

[fin @fi56622380]

AI半导体终局推演2026(III)

AI半导体基建期为什么比互联网基建期更长？

Coding场景之后的下一个模型ARR营收增长点在哪里？

AI基建会不会过度建设？Capex是不是泡沫？经济账能算的过来吗？

开源模型和闭源的格局如何？对闭源模型的冲击会如何演进？

本文尝试推演这几个问题背后的逻辑

—--------------------------------

为什么AI的基建期比互联网基建期要长？

互联网革命时期的硬件/基建收入增长，只有一个渗透维度的指数型增长，就是用户量

因为每个人都是订阅制，50块钱一个月的网费，没办法再升了。属于平价服务，看十倍网页也不会付十倍的钱，平价服务是没有第二个维度的指数增长的，饱和了就饱和了

移动互联网的基建，也就是端侧设备智能手机，是同样的逻辑，端侧设备很难做到ASP售价很高，因为摊薄成本需要大规模生产，而要做到大规模，ASP就一定不能高，也很难涨价。所以注定了端侧设备在渗透率达到一定程度之后，很难再继续指数增长，因为上限只有一个维度决定。

这也是为什么，互联网革命的硬件需求拐点大概在渗透率到了sigmoid中点之后减缓，2000年3月互联网泡沫破灭的时候，美国互联网渗透率大概在50%左右。科技革命增速最快的时候就是采用率10%迈向50%的阶段。

—--------
而AI硬件需求来源于token的指数型增长，这一轮AI之所以对硬件需求大，本质上是因为上限是由两个维度决定的:用户数量/渗透率的指数增长，和每个人的用量的指数增长

这两个维度的指数增长相乘，都能转换成统一的度量衡：token，把基建上限提高了太多太多了

我们这个时代，两个维度各自走到哪里了？

第一个维度用户渗透率，几个月前已经达到50%，也就是sigmoid导数要拐点了

第二个维度，也就是人均token用量，2026年仍然在早期。全美企业内部的AI spending中位数，现在是每人每月12美元。远期来看，这个数字有希望至少达到白领工资的10%，也就是每个月1000美元左右，中间还有接近两个数量级。

现在的增长，主要是第二个维度的渗透率，也就是每个人token平均用量的指数级增长，两个sigmoid曲线接力上了

这应该是历史上罕见的，两个维度sigmoid曲线接力带来的算力/基建需求，也带来了半导体的超级周期

但一切的指数增长，都是上限达到之前的幻象，这一轮AI基建也不例外，只不过幻象时间要长的多，因为多了一个维度的指数型增长接力

—--------------------------------

另外一个AI的基建期比互联网需求高的原因，在去年写的半导体年终总结里提过：提到这两个渗透维度的指数成长，都能转换成统一的度量衡：token。跟互联网时代不同的是，互联网时代，每次请求的网络和算力成本，边际成本极低，scaling的效果极好，软件复制分发的边际成本几乎为零，且几乎不消耗额外的硬件资源。

而token时代因为高额的推理成本，用户访问消耗的边际成本比互联网要高一个数量级。商业模型从“流量 × 转化率”部分转向“每 token 毛利”了，所以AI时期基建的需求比互联网时代要高的多

—--------------------------------

第一个渗透率维度扩散太快，已经到拐点，所以现在大家在讨论AI的前景的时候,已经不那么注重渗透率的讨论,而更多的是讨论在各行各业中,人均的token使用量会如何增长。

-----
Coding agent场景ARR迅速上升证明价值之后，6-7月开始增速放缓，市场开始担忧，coding agent在程序员群体内广泛渗透之后，什么场景能够接力token/ARR增长 ？是不是AI for science?还是RSI？

我认为仍然是Coding，广义的coding，而且还有很大空间

Coding是这个世界数字化的不可阻挡的趋势，万物皆可coding，而且不一定是显式的coding。实际上太多任务在后台被默默转化成了Coding,最后在记录功能的时候,仍然会被看作是Coding。

目前广义Coding任务占所有的ARR收入比例大概是60%到70%之间。如果只算程序员的狭义Coding的话可能只有40%左右，另有20~30%可能是其他行业的任务转化而来的Coding agent执行结构。

比如最常见的文件的编辑Excel和PowerPoint,最后都是通过后台开linux sandbox用Coding的方式去完成的。财务、CRM 操作、法律文档整理也一样，区别只在于所调用的工具和 verifier 不同，都被转换成了可观察->可执行->验证的coding闭环任务。

半导体的架构探索会转换成SystemC model simulation问题，生物制药的分子结构解析和仿真中的很多环节也可以用coding完成，投行研报里的模型建模也能转换为coding问题。

狭义的程序员coding任务只是第一个跑通了高频运行 观察/分析->执行->验证循环的大类任务，这也是coding为什么消耗了比chat高一个数量级的token。以后有太多的任务都是同一个逻辑下的承接者，甚至包括deep research这样的开放性任务。 形式上，下一个比较切实际的增长来源就是Co-work/computer use

接力程序员Coding的，并不是另一个孤立的大场景。当前增长最快的，正是“非程序员使用Coding基础设施完成非Coding产品任务” ，Coding仍然是默认执行内核，但不一定是用户眼中的产品分类

截至2026年6月，OpenAI企业客户中，Codex已经占Codex与ChatGPT合计输出token的64%。Codex周活用户自2月以来法律部门增长108倍，销售和招聘增长41倍，市场营销增长26倍，工程部门反而只增长5倍

从Anthropic的营收垂直占比来看，狭义的程序员/软件公司coding占比只有40%，金融服务/保险超过 20%，法律，制药/生命科学，消费/零售电商，占比都非常的可观，都有10%量级。

Software eating the world的逻辑，在coding的门槛被LLM降低一百倍之后，甚至强化成了coding eating the world，或者说，coding是agent最熟悉的方式，agent正在利用coding开始向所有知识工作去扩散使用率

而Agent Coding已经过了可行性和方向摸索阶段，剩下的主要是长时运行/跨系统/自主性/可靠性等工程问题 ，没有什么重大挑战了。

剩下的事情只是用户适应场景和改变习惯的问题，渗透率/利用率的主要瓶颈是，大家的学习曲线没有那么快，用户需要时间迁移agent/coding工作流；企业workflow高度长尾、数据分散、内部工具整合不足，也缺少自上而下的KPI推动。模型能力、组织推动和tool integration共同决定adoption速度。

另外一个瓶颈逻辑Amdahl’s law（结果取决于不能加速的环节），token只能解决其中一部分环节的加速，比如说像药物临床部分是无法加速的，如果其中一半环节无法加速，那么token就算把剩下的环节加速一千倍，整体加速也只有2倍。因此更现实的路径是并行探索更多方向，把瓶颈从决策转移到验证。

Anthropic 6~7月的营收放缓主要原因有三个：一个是算力不够，另一个是防蒸馏整治了不少账号，还有openai的codex 5.6抢占份额。并非广义agent coding需求触顶。

从广义agent coding角度看，我目前看不到大模型/agent需求的硬上限。目前仍然处于用的越多，提升效率越多的阶段，边际正收益仍然很大，主要瓶颈在于营收/利润能支撑多少budget，意愿和场景都没有问题。

--------------------------------------------

从最重要的需求端来推演，token增长率前景是没什么问题的。
那么从基建出资方来推演，capex的上限在哪里，能不能持续？有没有泡沫？举债+FCF变负，账能不能算的过来？

从基建出资方来说，和互联网区别最大的地方在于，互联网时代的基建出资方和受益方并不一致。而在 AI 时代，这两者出现了重合。基建出资方最大的Anthropic和OpenAI也同时是这一次AI革命的最大受益方。

所以算账先从Openai和Anthropic角度来算是最直接的

1.unit economy是算的过来的

截至六月底，Anthropic大概用2GW的有效算力创造了62B的ARR。如果1GW的数据中心建设成本按50B来计算,平摊到六年,每年的成本大概是10B。那么,其实Anthropic的推理算力收入~30B/GW除以年化的算力成本大概是三倍。推理的ROIC也有差不多60%

如果只算推理，那么unit economy就更好了，1GW的算力收入是接近50B的

2. 在维持这个unit economy标准的前提下，只要ARR增速和算力增速同步，Anthropic + Openai的数据中心算力GW规划是能算的过来的

O+A 两家在七月的时候大概6~7GW，Anthropic 65B，Openai 45B

O+A 两家今年年底上线加起来大概11GW，只需要ARR半年再增长60%左右即可保持ARR和上线算力的同步增长（要知道2026上半年A 7倍，O 2倍多），也就是下半年每个月增长10%即可

到2027年底，两家规划的总算力全加起来大概20~24GW，其实只需要这一年的token ARR同步增长1~1.5倍，这个算力账起码在unit economy上是算的过来的，算力跟ARR的增速同步，目前的可见度支撑2027E的capex没有大问题

没有能见度的2028只能靠猜：2028E ARR一年增长80%的话，能justify O+A 总共45GW 算力规划。2029 + 2030年两年ARR继续增长100%（CAGR仅仅40%），O + A到2030年年底总共100GW算力规划是完全合理的

至少O和A这样明确找到了结构性需求增长的赛道的ROIC是算的过来的，2027甚至2028的算力规划暂时没有泡沫

举债和FCF变负去做AI基建，是不是赌博？是的

但这样的赌博在ROIC如此好而且大概率能持续的生意面前是有合理性的，踏空错过的风险是显著大于fomo泡沫的风险。即使融资成本升到8%甚至更高，起码2027~2028，算力回报仍是可以justify借债风险的。

—------------------------
O和A的算力账是算的过来的，那么其他部分的算力呢？回报能算的过来吗？

这部分定量很难，只能大概定性的算，因为其实有很多算力是不产生直接收入，只算作研发成本。比如Meta明年规划新增5GW给MSL训模型和搜广推(搜索/广告/推荐)，google的gemini 训练 + 搜广推，都不直接产生收入，但这些仍然是战略上的合理算力需求。

有一个很容易被忽略的事情：全行业来说，目前很大一部分的AI/ML算力，不是卖token的，仍然是传统的搜索/广告/推荐，最典型的比如Meta，Google大部分的算力就是如此

所以在看2027~2028年的天文数字一样的算力的时候，传统workload是一个容易被忽略的重要部分。产业链硅谷公司里，和市场的感觉是截然相反的：公司内部的算力缺的一塌糊涂，但市场还是在质疑算力账看不到收入，质疑oversupply

但把这么多不产生直接收入但仍然重要的R&D，以及传统AI/ML的大量增长算力算进来，算不过来的那部分算力是很有限的

况且O + A的算力集中度也是越来越高的：2027年全年新增算力GW，因为电力瓶颈，美国能通电大概只有20~25GW，这其中O +A可能会占10GW，也许会占到新增的接近一半。在2025年，这个比例低一些，O+A 大概只占新增算力的25%，很大一部分的算力GW不是LLM。随着时间推移，O + A的算力GW占比越来越大，也就是说总体算力账能算的过来的部分也越来越大

另外一个容易被忽略的逻辑是，因为coding agent的爆发，软件行业/ML行业的迭代速度突然加快，整个世界数字化进程的加快，带来的传统硬件基建需求也在加速

以CPU为例子
token = 决策/智能
CPU = 执行/验证

数字世界万物皆coding，随着决策能力爆发，对执行/验证的需求会是同步的数量级的增长

而且传统ML行业的迭代速度加快，也会是CPU类似的逻辑，ML的效果变好场景变多，也会带来更多GPU/ASIC硬件的需求

—------------------------
AI基建会不会产生泡沫？会，而且最后一定会overbuild

Inference现在实在是太赚钱了,所以overbuild是必然会发生的结局,因为大家都想抢inference这一块的市场,每一家都在军备竞赛，无法承受失去市场份额无法跟随潮流高速增长的痛苦，没有哪一家会退缩

闭源模型推理的毛利率可以轻松达到70%~85%(甚至是在CSP抽成之后)，token factory host开源模型卖token的毛利率也有60%以上（DeepSeek甚至80%以上），GPU最近不停涨价，1GW租金都在往20B走，光卖GPU集群短约都有60%以上毛利。

这个AI基建市场太赚钱诱惑力太大，只要有渠道有技术的，全都涌入这个市场做neocloud，而因为build规划和落地普遍有一两年的时间差，所以overbuild一定会发生，只不过是时间问题

时间问题的意思是，以目前的需求和算力规划，至少两年看不到overbuild，任何模型上的阶跃式进步(比如reasoning -> agent)，或者应用范式上的创新，带来AI spending维持增速，都会一直把这个overbuild的时间线往后续命

什么时候这个续命跟不上基建的速度了，overbuild就会慢慢开始浮现

但这其实是更利好于头部模型厂和应用层的,因为overbuild会导致数据中心毛利下滑，更多的推理利润都流入了头部的两家

SpaceX虽然现在规模还小，但在这个卷新建算力的市场里，执行力最强，成本最低，竞争力可能是最强的，也是野心和规划最大的，以后也必然是overbuild的最重要贡献者之一。

—-----------------------------------

开源模型的兴起，对闭源模型营收ARR会有影响吗？目前的格局是什么样的？
开源模型和闭源模型的差距会减小吗

开源模型的势头能不能持续，和开源模型的能力也有关系，我的观点是开源模型和闭源模型的差距会维持在6个月(Mythos 2月就出来了，被监管了)，蒸馏主要是降本

模型进步的三个壁垒：算力scale，数据scale，自迭代

Openai和anthropic今年加起来花了一百多亿美元买数据，但国内现在也是要花几十亿美元买数据了，数据scale这个壁垒差距有缩小，但仍然是有的

算力方面，海外建数据中心 + 各个国家转口，GPU的禁令很大程度都被绕开了，等国产卡产能上来，算力壁垒也会继续缩小，目前算力数量级上的差距仍然维持

目前下一代模型的进步很大程度要依赖前一代模型的迭代(自迭代RSI)，上一代模型越强，下一代就越强，差距要减小不容易

—-----------------------

至于闭源模型对开源模型ARR肯定是有影响的，但影响可能会比市场预期要小，起码一年之内冲击并不大，这里尝试一下大致定量分析

至于openrouter和Vercel上的开源模型token占比，从28%增长到62%，只能反应小微型企业/多模型用户在用中转站里的形势变化，其实绝大部分闭源token是无法显示的，这个抽样并不能完全作数

截至7月底的ARR，Anthropic大概是72~75B，Openai大概是45B

截至7月，全球所有开源收入加起来是10B左右，只算北美只有4B最多5B。按ARR收入来算，北美开源模型token factory + AWS bedrock开源 + Azure开源 ARR只有~4B，闭源120B，比例大概是3%

最大的x因素就是aws bedrock和azure，目前Q2来看，bedrock大概占aws AI的55%比例，~14B ARR，其中anthropic模型占80%左右，aws bedrock和azure开源模型加起来大概在1.5~2B ARR

中国开源3.5B分解一下，大概是智普$1B, 阿里1.2B，Deepseek 500m，kimi 300m，minimax 200m，美国分解一下，fireworks 1B，together 1.2B(开源推理只有0.5B)，baseten 0.5B，加上其他地区的，加起来勉强10B

北美的token factory开源模型推理，26年上半年大概只增长了3倍（比如fireworks从10T+/300M ARR增长到40T/1B ARR），总体来说，和闭源模型的推理市场增速比较并没有显著优势

至于企业自己部署私有开源模型自己用，这条路从成本角度来说是行不通的（数据安全是另外的考虑），开源模型要是优化的不太好，成本甚至比闭源还高，不如交给token factory

美国开源的算力扩张，速度还是受限于算力，所以上不去，扩张速度和闭源比并没有优势。fireworks，baseten，together，融资都是1B规模的，按现在租算力价格，一年20B/GW，一年只能租不到0.5GW，算力增速其实不比闭源更快。要扩张只能让客户到azure/aws自带算力再来

中国的开源扩张速度倒是更快，但是同样token factory受限于算力，远远满足不了中国自己的需求，暂时无法大规模出海卖给美国。中国的token factory大大小小的差不多30家，已经卷成红海了，都是严重缺算力，谁有卡谁就能有收入

中国token出海另外一个风险是信任和政策风险问题，美国企业自己可能不敢用，中国也有可能不愿意自己模型被免费用拿不到收益，不过以后随着openrouter和vercel的中转站继续发展，即便有token无法出海的禁令，token出海也是拦不住的，毕竟开源token卖给美国的利润太高了

美国开源模型token工厂的问题在于，算力暂时有限，融资规模暂时也有限，扩张速度无法满足需求。就算是政策开放了中国开源token出海，短期算力也不够无法出去，这也是为什么Nvidia非常努力的扶持开源，甚至亲自下场加速这个进程(今天收购了hugging face)

—-----------

另外，闭源模型的防守策略也是很有力的，比如5.6 luna降价80%，价格就很有竞争力了

我们可以对比历史，这和移动互联网时代，高通对联发科使用多年的防守策略是完全一样的：

Sol相当于Snapdragon 8系：旗舰维持技术与品牌上限，数量和比例并不那么大
Luna相当于Snapdragon 4系：主动填满低价区间，不给低成本竞争者留利润池，大部分走量来自于此

和token分不同的tier一样，其实联发科的芯片是远远超出手机“够用”的范畴的，别说日常使用了，就算是打游戏的高负载场景，联发科十年前都和高通差的并不远了

所以token也是一样，value tier不会摧毁flagship tier的需求

高通和联发科的攻防战持续了15年，高通靠着这样的策略仍然维护了自己的市场占有率，高端芯片毛利率保持的也不错，仍然是安卓阵营旗舰机第一选择

所以从历史来看，开源对闭源的冲击有影响，不会影响历史进程

—-------------------
另外一个和开源相关的问题就是，tokenmaxxing潮流的结束，对ARR的增速会有影响吗？

我认为tokenmaxxing只是短期的公司为了内部推广的目的，目前部分美国硅谷大厂确实对员工日常使用有限制额度，但这个额度非常高，大概是一个月10k~20k美元，95%以上的员工实际上根本用不完，而且中位数实际上很低，仍然有很多增长空间，目前对token的使用仍然处于边际正收益仍然很大的阶段

—--------------------------------

总的来说

AI基建的前景之所以扑朔迷离，泡沫之争比互联网基建时代更激烈，主要是因为算力支出的可见度是确定的，而需求的可见度不高所以有巨大的不确定性，而中间还隔了一层收入和支出的时间错配带来的金融风险，这个基建金融风险还随着各方“加注”的不断加大，上升到了甚至能影响国债发行的程度

但我还是认为，即便是以保守的没有任何新范式的base case来算，起码到2027~2028的基建是没有泡沫的

算力就是智能，智能就是巨大的收入。

AI token需求两个指数增长维度的迅速接力节奏是历史上绝无仅有的，万物数字化广义coding的需求才刚走完第一段，开源对利润分配的冲击是必然会发生，但不会影响整个进程大局

产业链角度和市场宏观角度，看到的风险和景气度感受是相反的，但两边的感受到的剧变同样剧烈：近处的人看见的是不够，远处的人看见的是太多

算力变成了判断/认知token，需求如何推演，天花板如何计算，没有任何历史参照，我们真正在争论的，从来不是这个数字对不对，而是该用什么时间单位去看待它

而这一点本身，恰恰说明了它有多大：只有真正的相变，才会让所有旧的历史参照同时失效

支出的可见度制造了今天的恐惧，而需求的不可见度，恰恰隐藏着这个时代最大的机会，看不清路径，并不一定意味着看错了方向

每一条S型指数曲线终会走到尽头

但文明发展从来没有停在任何一条曲线的尽头

—--------------------------------------
开源对半导体的影响如何？
半导体Capex内战谁会是赢家？如果内存存储吃掉了太多利润，会发生什么？

本篇已经太长，这两个话题就顺延到下一篇

[Ada YU @AdaYU007]

被湿疹折磨了这么久，最后是在皮肤专科医生的强烈建议下，用了这一款护手霜，强效保湿，再结合他克莫司（前三天为主，之后慢慢减停），一个星期就好转了～

现在偶尔还是会涂一下，作为日常护理继续用着。也不贵，一支 8.49 澳币～

[金融汪 @yuyy614893671]

人工智能资本支出热潮的可持续性深度分析与投资展望

——高盛最新研究报告“GLOBAL ECONOMICS ANALYST：The AI Spending Boom Is Not Too Big (Briggs)” 解读

1.0 引言：评估当前的投资热潮

近期，人工智能（AI）领域一系列巨额资本支出计划的公布，加剧了市场对于这轮投资热潮可持续性的担忧。面对迅速增长的投入和尚不明朗的短期回报，投资者普遍质疑当前的支出水平是否已然过高。
本报告旨在构建一个清晰的分析框架——技术基本面 x 宏观经济合理性 = 可持续投资——来系统性地评估这一问题。

高盛的核心论点是：从两大支柱来看，当前对AI基础设施的投资水平是可持续的，但哪些公司将在这场变革中最终胜出，其前景仍充满变数。

为了全面论证当前AI投资的合理性，我们必须首先审视其背后强大的技术驱动力，正是这些根本性因素决定了巨额资本支出的必要性。

2.0 投资热潮的技术基本面：为何需要巨额资本支出？

理解驱动AI资本支出的根本技术因素，是评估投资长期合理性的基石。分析表明，强大的技术基本面为当前的投资热潮提供了坚实支撑，主要体现在两个方面：一是AI应用已证实能够带来巨大的生产力提升，二是释放这些潜力需要持续增长的、远超技术成本下降速度的计算能力。

2.1. 生产力提升的巨大潜力

AI应用在提高生产力方面已展现出显著效果。多项学术研究和企业实践案例一致表明，成功部署AI应用后，相关任务的平均生产力能够提升25%至30%。尽管目前的应用场景仍相对有限，但这些早期成果已清晰揭示了其作为通用目的技术的变革性潜力。

近期，麻省理工学院媒体实验室（MIT Media Lab）与Project NANDA联合发布的报告引发了一些疑虑，其指出95%的AI试点项目未能创造可衡量的商业价值。然而，深入解读这份报告后，高盛认为其发现非但没有削弱，反而强化了AI生产力潜力的可信度。首先，报告提到仅有5%的定制化企业AI工具进入生产阶段，这一数据与我们追踪到的企业AI采用率（低于10%）基本吻合，反映了技术普及初期的普遍现实。

更重要的是，该研究恰恰通过揭示失败路径，反向指明了通往成功的具体方法：

购买应用而非自建工具： 直接采购成熟的AI应用比企业内部从零开发更有效。

项目源于一线管理者： 由真正理解业务痛点的一线管理者推动的项目成功率更高。

针对特定任务进行自动化： 使用集成化工具对具体工作任务进行自动化，效果优于泛泛地应用通用模型。

因此，该报告并未否定AI的价值，而是排除了错误的实施路径。这恰恰印证了高盛的核心判断：一旦企业遵循正确路径成功部署，AI带来的生产力增益是巨大且确定的。

2.2. 计算能力的刚性需求

解锁AI带来的生产力收益，需要巨大的计算能力和相应的能源消耗作为前提。当前AI投资的核心矛盾在于：模型性能提升带来的需求增长速度，与硬件效率提升带来的成本下降速度之间，存在着一个巨大的、无法弥合的“剪刀差”。

● 训练成本： 训练前沿大型语言模型所需的计算能力（以FLOPs衡量）正以每年约400%的速度爆炸式增长，这一速度远远超过了计算成本（以FLOPs/美元衡量）每年40%的下降速度。

● 需求规模与能源效率： 模型训练的查询需求年增长率高达350%，前沿AI模型的数量年增长125%，而能源效率（以FLOPs/瓦特衡量）的提升速度仅为每年40%。

这种巨大的增速差异意味着，只要模型性能的提升仍然依赖于计算能力的投入，对计算和电力基础设施的投资就必须持续增加。目前，无论是历史数据还是最新的行业基准测试都清晰地表明，模型规模与性能之间依然存在强烈的正相关关系。这一规律使得持续增加资本支出以获取更强算力，成为前沿AI模型开发者维持竞争力的必要条件，而非可选项。

尽管技术基本面为巨额投资提供了必要性，但这并未回答市场最关心的问题：如此规模的资本投入在宏观经济上是否理性？这正是下一部分要论证的核心。对于投资者而言，这意味着评估AI公司的核心标准之一就是其获取和维持顶尖计算资源的能力。

3.0 宏观经济论证：当前AI投资规模过大吗？

在确认了AI投资的技术必要性之后，就必须从宏观经济的视角来评估当前数万亿美元投资周期的规模是否合理，以回应市场对“投资泡沫”的普遍担忧。通过与历史对比并估算其未来创造的经济价值，高盛认为当前的投资水平不仅没有过高，反而具备充分的经济合理性。

3.1. 历史视角下的投资规模

尽管当前AI基础设施建设的绝对名义金额史无前例，但若将其置于宏观经济的尺度下衡量，其规模并未超出历史范畴。回顾历史上的重大技术基础设施建设周期，如19世纪的铁路、20世纪初的电气化以及20世纪末的信息技术（IT）革命，这些投资周期的峰值通常达到各国GDP的2%至5%。相比之下，过去一年美国在AI领域的投资总额占GDP的比例尚不足1%。因此，从历史维度衡量，任何关于当前AI投资规模已进入“泡沫区”的论断，都显得言过其实。

[_Fitness_&_NutritionTips_ @SWorld96784]

Abs on 🔥 with these simple moves Fitness 🔥🔥

[金融汪 @yuyy614893671]

【扯白】【AI&投资】
以下文字来自于我和同事们讨论AI发展及其🫧风险时，发表的个人看法，也分享给大家（一家之言，仅供参考）

如果大家对AI的投资热潮及其发展感兴趣，我推荐红杉的合伙人David Cahn的两篇文章：2023年9月写的《有关AI的，价值2000亿美金的问题》和2025年6月写的《有关AI的，价值6000亿美金的问题》，基本上，结论就是只有那些资产负债表能够承受巨额减值损失的公司，才有能力参与人工智能基础设施的竞争。

AI的前途是光明的，但是发展的过程中，赢家是谁，还是需要去跟踪和观察的。就像上一波的科技革命，也就是PC+互联网浪潮的全球信息化浪潮，在经历了2000年的互联网泡沫破裂和2008年的金融危机，有些著名公司以及无数不知名小公司“死去”（被分拆，被并购，破产）比如摩托罗拉，AT&T，网景，还有若干门户网站等；有些经历了高峰，风光一时无两，但现在却平庸或岌岌可危，比如思科，IBM，HP，英特尔；有些则真正借助这波信息革命和后续的移动互联网浪潮延续辉煌，成为市值数万亿美金的龙头，比如苹果，微软。另外目前市值万亿的公司中像英伟达，亚马逊，google，Meta，特斯拉都是成立20-30左右年的公司。而苹果，亚马逊，google，meta的产品则是在信息科技浪潮和互联网革命发展过程中走出来的，面向普通大众的超级应用，是改变生活方式的超级应用。

就目前的AI浪潮来看，英伟达是直接受惠，并产生了真实产出的企业；（“卖铲子”的在淘金热中总是第一波最受益，但淘金热最后真正造成的巨大影响是产生了美国的“西部大开发”，造就了旧金山，洛杉矶这些美国大城市.....） 特斯拉是能源革命+出行革命+AI概念的直接受益者，它的万亿估值中，有超过一大半是和FSD，Robataxi，人形机器人相关的但是其实还未见产出的；另外一小半估值才是和造车有关，能产生盈利的。

在AI目前的发展中，已经有三个大板块从它们的客户那里确认了收入：半导体产业链（芯片设计+生产封装的）+数据中心产业链（CPU+GPU+设备+存储+能源，土地REITs等）+云服务/云计算产业链； 这些已经跑出来的公司是实实在在有收入有盈利的，但估值是不是可以给那么高？给出来的估值在后续要由什么来弥补？这个是投资端需要去思考的。

从历史来看，后面真正的大机会，应该还是基于广普人群的超级应用，面对的是全球80亿人群可以彻底改变生活方式的超级应用， 是AGI，包括未来的物理与AI的结合-人形机器人，也包括改变人类预期寿命的医疗行业（新药发明，基因疗法等）发展.....；但在这些超级应用跑出来之前，从投资的角度，会有泡沫有风险，也会有很多公司死掉，赢家只是少数人。

从美国股市的长期历史来看，从1927年以来，有57%的公司其整个生命周期的回报低于国债；从1990年以来，只有1%的公司创造了超额收益Alpha，美国股市1/3的超额回报只来自于10家公司。 去看牛逼的基金经理，其生命周期中的无论是“一战成名”，还是“持续跑赢”，绝大多数的收益来源也是在少数几个股票标的上的押重注。

所以，投资是非均衡，非对称，也没有什么所谓系统性回报。 从这个角度来看，似乎是那些始终具有“再平衡”策略，并具备“新生产力”代表，总是筛出“赢家”的指数，反而成了相对”安全“和”平衡“的一种投资标的。（这一段，仅代表个人观点，不形成投资建议哈😝）

[悟空知识分享 @wym668]

教你一个月练出腹肌，你练还是不练💪

[🪂🍹 @gracebel12]

@cuichenghao 希腊曾经的退休金继承制度更离奇，搞得国家差点破产

[Michelle Labs @MolecularLab_]

Cinnamon Baked Pears with Yogurt & Pecans

[Lucy Chen @LucyChenSpeaker]

看一下，演讲和唱歌一样也是要用腹腔，不要让声音在嗓子里、太窄、没有厚实的底气；
你练过声乐吗？记得老师说从丹田出气，声音出在头顶上！演讲也如此

（上面是我给我的学员发送的短信）感谢朱迪-伯克利音乐学院的视频

[Mobility Exercises | Pain Relief Workouts @FeelGoodMovez]

Most Adults Can't Move Their Hips Like This

[痩せちゃん。 @yasechan_diet]

ヒップを持ち上げて引き締め、太ももを細くし、お腹の脂肪を減らし、腕を引き締めるよ！

[MuscleMindzzz @BackToBasiczzz]

Daily workout glutes

[Gymvibe_ @Gymvibe_]

Stronger glutes and legs than ever

Ideal routine if you have little time but want results

[Eamon涷渔 @Eamonyiu]

用一条视频教会你如何正确存肌肉！16+8真的那么神吗？相比于散步，父母更需要力量训练，是真的吗？清淡饮食就是不吃肉吗？这期视频，协和教授于康和运动专家姚宁，把这些饮食和运动的迷思一次性讲清楚！
#健康静距离 #肌少症 #肌肉流失

[Power Matrix @powermatrixs]

8 Powerful Food Combos That Unlock Massive Health Benefits.

1. Avocado & Egg

[Fitness and Wellness @PowerFitQueen]

Frog Squats: A Full-Body Burn for Glutes, Core, and Back

[小马 | 商业生存指南 @VibePonyAI]

周末无聊，看看这 1 小时采访，值得反复听。

受访者是一位顶级数学家投资人，
创造了 1000 亿美元以上财富，
平均回报率高达 66%。

很多人认为， 他的认知深度甚至超过巴菲特、索罗斯和达利奥。
里面的投资知识， 比 20 万美元 MBA 还值钱。

先收藏，再书签。
无论如何，听完它

[上头资本 @sixpanny159920]

目前美股已发财报的AI大公司，除了特斯拉财报拉垮外，台积电、阿斯麦、谷歌、英特尔、甚至诺基亚，业绩其实都相当好。

不过，无一例外财报后都是📉 ，而它们的另一个共同特点是，无一例外都在提高capex。

站在企业视角，尤其是大科技公司视角，继续加码capex几年后不一定赢，但是当下缩减capex 5年后很大概率会死。

现实很残酷，一轮范式革命后，必然要有一批公司没落，5-10年内Mag7的新名单搞不好要换血一半，这不以管理层的意志为转移。

那么，谁来祭旗？

哪些公司会扛不住市场的压力，提前撤摊子，大幅削减capex呢？

撤了摊子的，短期现金流立马回血，市场是喜欢了，然而管理层5年后会成为公司的罪人。

而市场不管这些，市场是健忘的，只会踩着它们的尸体寻找下一个标的。

现在来看，部分neo cloud是比较危险的，商业模式脆弱的，血槽不够厚的，比较危险。

总而言之，CapEx是AI时代的入场券，不是胜利证明。不投可能出局，投了也可能只是保住席位，未必给股东创造回报。管理层的决策是生存最优化，股东要的是回报最优化，两者并不完全一致。

这轮最先祭旗的未必是错判AI的人，而可能是那些方向判断完全正确、资产也建出来了，却在现金流拐点到来之前死于融资期限错配的人。

[0xkevin (🖤 , 💙) @0xKevin00]

看完汗毛直立，提问和回答的水平都是超一流的

王煜全，海银资本创始人，他是一位长期研究全球科技创新的投资人，投资圈里少有的直言派和前瞻派

视频里非常敢说，2029年 AI 泡沫将破灭，2030年遍地是黄金....

[作家崔成浩 @cuichenghao]

今天上午，有网友在河北张家口黑风口，见到了十分恐怖的自然景象。