美股观察笔记

硅谷 AI 从业者 | 长期美股观察
AI 产业链 × 投资逻辑
不荐股 · 不追热点

[美股观察笔记 @usstock_notes]

@rambuilds_ lmao this is literally my resume since college. only change i made was moving education to the very bottom after i started working

[美股观察笔记 @usstock_notes]

Enterprise AI = Siloed data + subjective evals + massive integration friction.

You can't copy-paste use cases across companies.

[Austen Allred @Austen]

AI adoption is sooooo much slower in most companies than you would expect it is reading X

[美股观察笔记 @usstock_notes]

AI coding gave us a false sense of speed. It showed how fast AI scales when deployment friction is zero.

But for most enterprise workflows, just defining 'what is a correct output' (evals) requires bespoke back-and-forth. The data isn't universal, it's messy and siloed. That's why adoption is slow. Every enterprise needs heavy lifting and integration, not just a turnkey model.

[美股观察笔记 @usstock_notes]

Infinite AI demand is colliding with finite corporate budgets. Right now, AI is not baking a new economic pie; it is just aggressively redistributing the existing one. This minimum token spend is essentially a mandatory tax just to stay in the game. Eagerly waiting to see the true builders who will bake the new pie.

[Gavin Baker @GavinSBaker]

Suspect we will start to hear about a “Pareto optimal” balance of computationally efficient humans, cheaper open-source tokens and frontier tokens.

Our internal AI spend @Atreidesmgmt will be roughly 100x higher in August 2026 vs. March 2026. Still roughly doubling every month. Note that is before Grok Bot moves to consumption pricing which will likely create a step function when it happens (at least for me).

AI means that scale has become more important to investing imo.

I think there will be a minimum token spend required to be competitive in most knowledge based industries.

The “compute inequality” referenced by Sholto in our discussion.

[美股观察笔记 @usstock_notes]

@GavinSBaker @Atreidesmgmt The minimum token spend is just the new rent. We are in a massive phase of wealth redistribution toward infrastructure, not new wealth creation. The Pareto optimal balance is just companies trying to survive the squeeze.

[美股观察笔记 @usstock_notes]

@flyingpetal472 @SmartPig_Joe 本质上还是在炼丹

[美股观察笔记 @usstock_notes]

@flyingpetal472 确实。我自己就在做行业模型，但现在越做越觉得还是通用 AGI 才是正道。只是现在 token 还太贵，行业模型很多时候更像是现阶段为了 efficiency 做的 tradeoff。

[美股观察笔记 @usstock_notes]

这个角度我觉得很有启发。我现在觉得真正值得观察的可能是 delegation depth：一个目标交给 AI 后，它能自主 execute / verify / iterate 多久，才需要人重新介入。Coding 的优势不只是 execution 强，还有 compiler / test / runtime 这种廉价 feedback loop；其他行业能不能逐渐补上这一层，可能决定它们最后能多接近 Claude Code 现在的 adoption curve。

另外很感谢你分享你夫人的例子。这里我其实更好奇 token 使用量这一侧：现在更像是把几小时人工工作压缩成几次 AI interaction，还是 agent 已经会自己连续 search、调工具、验证、迭代？

前者 productivity 可以很高，但 token 仍然 largely human-paced；后者才会真正进入 machine-paced inference。很好奇现在Microsoft Copilot这种更通用的企业 Agent和coding agent在这里是否有差距。

[美股观察笔记 @usstock_notes]

@Tiewandou_r @SVScholar 对，这里我表述不严谨。房贷利息和地税本身是支出，我这里说的“credit”是说它们带来的 tax shield；折旧也是通过降低 taxable income 产生收益，而且还要考虑 recapture。anyway不管怎样，肯定还是很难跑赢VOO就是了。

[美股观察笔记 @usstock_notes]

谢谢你的分享，我其实同意 legal 可能是相对快的一类，原文里也特意提了 Harvey / OpenEvidence 这种 shared state 比较大的领域。

真心请教一个更具体的问题：你看到 legal / banking 里 AI 使用大幅提高，主要是大家在用 ChatGPT / Claude 这种通用工具，还是已经比较普遍地上了 Harvey 之类的垂直产品？

更具体一点，如果类比 coding，现在大概走到哪一段了：

1/ ChatGPT query：查资料、问问题、辅助 draft，人还是一步一步完成 workflow；
2/ Copilot：AI 大量生成局部内容，提高效率，但人仍然是主要 orchestrator；
3/ Claude Code：人给目标和约束，AI 可以自己读 context、执行、验证、迭代，人更多是在 review / supervise，而不是一步一步操作。

我觉得 coding 真正发生质变的不是“完全不需要人”，review 当然还在，而是 human touch points 大幅减少，AI 开始承担一整段 execution loop。

所以如果 legal / banking 现在的大幅 adoption 主要还是前两层，那 usage penetration 确实已经很高，但距离 coding 今天这种 workflow-level automation，我觉得可能还是有不小的区别。这个 distinction 也是我原文更想表达的。

[美股观察笔记 @usstock_notes]

@Zen_with_AI 我是渣中渣

[美股观察笔记 @usstock_notes]

现在的AI，“infra才是算法，算法是数据，而数据则是infra”。哈哈 can’t agree more😂

[美股观察笔记 @usstock_notes]

@Zen_with_AI 我感觉制药最大的bug是，可靠的Eval依赖临床试验，surrogate eval太容易reward hacking了lol

[美股观察笔记 @usstock_notes]

很认同，Coding 其实是一个非常特殊的 AI adoption case。

它不只是有 GitHub 这种海量公开数据，更重要的是数据跨公司高度通用、eval 又极其便宜直接。模型 general capability 到了以后，Codex / Claude Code 做出来，几乎不需要 FDE，就可以迅速铺到整个行业。

但我自己做其他行业的 post-training，感受完全不同：真正有价值的数据大量是 company-specific 的，质量也远不如 code；eval 更难，很多时候连“什么叫做对”都要先和客户一起定义，还需要来回反复迭代。

所以即使 A 公司把一个 use case 做通了，B 公司往往还是要重新走 data、eval、integration、deployment 这一套。这也是为什么现在需要这么多 FDE 一家一家往里扎。

法律 research、medical knowledge search 这类 shared state 比较大的 workflow，可能相对容易出现 Harvey / OpenEvidence 这种横向复制；但大量 enterprise AI 并不是这样。

所以我现在越来越不敢把 Coding 的 adoption curve 线性外推到整个 AI。

Coding 让我们看到了 deployment friction 接近于零时 AI 可以跑多快，但它也可能恰恰是一个 outlier。

[ZEN @supezen]

感觉 AI 要在其他行业达到 coding 的水平至少那个行业有一个 github 规模的数据。可是开源精神和 github 不是一天建成的啊。

[美股观察笔记 @usstock_notes]

@QihongF44102 谢谢clarification！

[美股观察笔记 @usstock_notes]

感谢@QihongF44102的访谈分享，里面的很多内容跟我最近的想法非常接近。可能也是因为我自己就在一线做 post-training，工作里看到的一些变化，和市场上最近发生的事情慢慢开始对上了。

长期来看，我对 AI 依然极度乐观。但一个越来越强烈的感觉是：AI 本身可能远没有见顶，这一轮 AI asset price 的叙事却已经进入顶部区域。

现在没人再需要被说服“AI 有多重要”。模型公司、CSP、半导体、private credit、主权资金，全都已经上桌。接下来市场关注的焦点，不再是多少 TAM 还能继续讲，而是眼下砸下去的每一笔 CapEx，最终能转化出多少收入、现金流和真实的 ROIC。

我现在的 base case 不是 2027 全市场一起崩，而是可能2026 Q4 到 2027年，AI beta 先经历一次比较大的 de-rating：半导体、存储、neocloud 和高估值 AI infrastructure 的波动会明显大于大盘。反倒是标普 500 在其他板块的支撑下，跌幅可能没那么剧烈。

真正让我转得更 bearish 的，会是几件事同时发生：模型收入增速放缓、融资条件压不下来、项目开始分期或延期、CSP 下修 CapEx，最后传到 GPU/HBM 的价格和 EPS。

所以我最近这一两个月一直在做一件事：不猜顶，但降 beta。 现金仓位已经慢慢提到 35% 左右，同时把原本集中在 AI 叙事里的大约 15%仓位挪到了 BTC、GLD 这些不同 driver 的资产上。

我不会空仓，也没兴趣精准猜顶。

只是当 upside 越来越依赖 everything goes right，我宁愿提前牺牲一点收益，把主动权拿回来。

[168X @168X_Fortune]

https://t.co/BQ2qI7o3fY

[美股观察笔记 @usstock_notes]

FDE 热潮在我看来恰恰佐证了将AI在coding的adoption线性外推到其他产业的这条曲线不会那么 smooth。

AI 的下一阶段，瓶颈至少不再只是 capability scaling，deployment scaling 正在变成同样重要的约束。

这就是我现在对 AI 中期最大的 uncertainty：Can deployment scale as fast as compute capacity is being built?​

如果可以，现在 FDE 只是一个过渡层，未来会逐渐被产品化吞掉，今天巨大的 CapEx 很可能有需求承接。

如果不可以，FDE 会变成一个庞大的 services industry。AI 仍然改变世界，但企业 adoption 比资本市场预想的慢很多。

[XDash @XDash]

分享昨晚一场发生在我 FDE 社群的两小时水下群聊精华。 https://t.co/YaB4sybcpT

[美股观察笔记 @usstock_notes]

逃课君，我同意你逻辑里的模型商品化不等于 compute demand 下降。

但我觉得你在这里跳的一步正是现在整个市场都在线性外推的：实验室少赚的钱，为什么一定会顺利转成应用层利润和新增算力需求？现在能够接 Coding 下一棒、在一两年内吃下这么大 compute 的应用究竟在哪里？

Coding 是一个非常特殊的场景：ROI 清晰、用户本身技术能力强、接入成本低、反馈周期短，所以 adoption 可以极快。不能默认其他行业也会复制这条曲线。我真正担心的不是长期 AI 没需求，而是大家把 Coding 的 adoption curve 线性外推到了其他所有行业。但医疗、金融、企业 workflow、agent 真正进入 production，要解决 reliability、数据、合规、组织流程和 ROI，真的能这么顺地接上吗。

如果下一批应用最终会来，但慢个一两年，对长期 AI 没什么影响，对今天提前建出来的 CapEx 却可能是完全不同的结果。