內存暴漲後，AI產業鏈的哪個板塊最值得押注？

0xFacai

閱讀本文需 12 分鐘

斯坦福的爆款AI產業課，給出了一套投資框架

過去兩年，美股 AI 產業鏈相關板塊累計創造了數萬億美元市值。然而新增的市場體量分布極其不均：英偉達一家市值 4.5 萬億美元，毛利率 73%；OpenAI 和 Anthropic 的年化營收加在一起不過 450 億美元；CoreWeave、Cursor、Perplexity 等中下游公司一邊融資一邊燒錢。AI 產業呈現出一種越往上游，毛利越厚的三角形結構。

錢究竟流向了哪裡，10 年後會流向哪裡？這是斯坦福本學期新開的 MS&E 435 課程試圖拆解的核心問題。主持人 Apoorv Agrawal 來自投資公司 Altimeter，他請來了行業內的九位行業關鍵角色，試圖從行業領袖的觀點中拼湊出 AI 產業價值流向的未來。

三角形價值分布

2024 年初，Agrawal 發表過一篇名為《The Economics of Generative AI》的報告，結論是晶片層吃掉了整條產業鏈 83% 的毛利。

兩年過去了，整個生態的體量從 900 億美元膨脹到了 4350 億。晶片層的毛利份額依舊佔據統治地位，從 83% 降到了 79%。

拆開來看，晶片層年營收約 3000 億美元，英偉達一家拿走八成；基礎設施層約 750 億；應用層約 600 億。三層毛利率分別是 73%、55%、33%。折算成毛利絕對值，依次是 2250 億、400 億、200 億美元。

AI 產業的利潤畫像，與驅動上一輪科技行業增長的雲計算產業截然相反，在傳統的雲計算堆疊裡，晶片層只拿 6% 的毛利，應用層拿走 70%。

Agrawal 精辟的總結了目前的競爭格局：晶片層是單機遊戲，應用層是雙人遊戲，中間的基礎設施層是唯一真正在打的多人戰場。

英偉達的獨角戲

第二節課由 Altimeter 的合夥人 Brad Gerstner 和英偉達的 Sunny Madra 主講。Sunny 原是 Groq 的投資人，參與撮合了 Groq 被英偉達收購的交易，這兩人解釋了為什麼英偉達會繼續在晶片層一家獨大。

Brad 提出了一组反直觉的估值：英伟达的市值达到了 4.5 万亿美元，市盈率为 13 倍，仅达到市场平均值的一半，并且年营收增长率高达 70%。他公开预测英伟达将成为全球首家万亿美元公司。他的理由是，在接下来的八个季度中，英伟达已经获得了万亿美元的订单，需求远远超过供给。黄仁勋曾对 Brad 表示，推理需求将增长 10 亿倍。

这种自信背后的技术逻辑是从预训练迈向推理时代——每个 token 的生成计算量是模型参数量乘以上下文长度的平方。

自研芯片的竞争对手并不少。谷歌的第七代 TPU Ironwood 已开始批量生产，Anthropic 下单了 100 万件，有传言称这直接迫使英伟达向部分客户降价了30%；亚马逊的 Trainium2 芯片已部署了 140 万个实例，相关业务的年收入突破了百亿美元；微软的 Maia 200 在今年 1 月上线 Azure，OpenAI 也与博通签署了一个价值 10 吉瓦的自研 ASIC 合同。

黄仁勋淡然表示：「许多 ASIC 项目最终都会被取消。」从历史上看，他并没有说错。即使 TPU、Trainium、Maia 都投入使用，英伟达仍然是领先者。这些情况并没有表明英伟达不可取代，而是表明了这个市场的规模之巨。

昂贵的电工

第三节课的主讲是 Crusoe 公司的创始人 Chase Lochmiller。Crusoe 在德克萨斯州西部的小镇阿比林建立了一个 2.1 吉瓦的数据中心园区，这是美国最大的私人发电站，用电量相当于两个丹佛市，首批入驻公司包括甲骨文（Oracle）和 OpenAI。该园区全年有 9000 名施工工人，而该小镇的人口仅有 12 万。

Chase 在一张幻灯片中详细说明了每兆瓦电力的成本构成：总成本约为 1900 万美元，其中最大的一项是劳动力，每兆瓦高达 470 万美元，芯片和冷却设备成本远远落后。按照这种计算方式，一个吉瓦（GW）级别的园区，仅劳动力一项每年就会耗资 47 亿美元。

除了勞動力成本外，燃氣輪機的每兆瓦造價，三年內從 100 萬美元漲到了 300 萬美元。背後原因在於，GE Vernova、西門子、三菱重工和普惠這四大製造商產能原地踏步，而需求卻翻了好幾倍。

Chase 名牌看空 Eaton、Schneider 這類上百年沒怎麼動過的電氣設備巨頭。從長遠看，電力架構從 765 千伏高壓到機柜內 900 伏直流的整套轉換勢必要被重新設計，即使短期內，這些老牌工廠還是會繼續受益。

組織結構跟不上 AI 發展

第四節課的嘉賓是軟件公司 Databricks 的 CEO Ali Ghodsi。他一上來就拋出了一個重磅觀點：AGI 已經實現。現在的 AI 模型，早已滿足了 2009 年柏克萊 AMP 實驗室對 AGI 的定義。球其實已經進了，只不過人們一直在把球門往後拉。

人們之所以認為 AI 還不達預期，問題出在自己。

MIT 的一份報告顯示，95% 的企業 AI 試點失敗，Ali 對此的解釋是，模型缺少組織裡那些從沒人寫下來的上下文。

每家公司都有那麼一個幹了二十年的老員工，所有人遇到難題都去問他，而他腦子裡的東西從未進入任何模型。

作為對照，電動機在 1880 年被發明出來，直到 1920 年，才開始在統計學意義上顯著提高生產力。中間那四十年，企業只是想當然的把蒸氣機原地換成電動機，沒有人想過整個廠房佈局都該推倒重來。

Databricks 自己踩過坑，原本需要三個季度才能交付的一個數據連接器，第一次交給 AI 接手，只省下了一個半月時間。後來換了一位敢把整套流程拋棄重做的負責人，一個季度全部交付。真正省時間的不是升級的模型版本，是把流程拆掉重做的那個人。

Ali 認為，應用層的大機會終將出現，且會集中到那些敢於重寫組織邏輯的玩家手裡。這件事的推進速度，由人來決定，而不依賴 GPT-6、Opus-5。

倒三角

在技術棧中，價值天然會從底層硬體向上層軟體和應用攀爬。

雲計算產業完成從硬體主導到軟體主導，整整走了十五年。AI 堆疊要完成同樣的價值翻轉，要麼靠應用層繼續爆發，要麼等晶片層的毛利率從 73% 的高位，一路向雲時代硬體那樣的 6% 靠攏。目前兩邊都在發生，但速度都不夠快。按照過去兩年的變遷節奏推算，應用層想在利潤份額上追平當年雲計算平臺的水平，至少需要十年起步。

因此，當下押注晶片層，賭的是未來兩年就能落袋的現金流；押注應用層，看準的則是未來五到十年價值上移的大趨勢。