采访纪要：迪伦·帕特尔谈万亿美金AI基建（第2部分）
对话双方：采访者（提问方）、迪伦·帕特尔（回答方，简称“帕特尔”）
十三、AI人才战争：少数人决定行业走向？
采访者：AI领域的“人才战争”也是个热门话题。有人说，随着AI越来越强，可能会“压缩”真正关键的研究人员数量——只有少数人能影响AI的未来方向。这是不是意味着Meta这些公司现在的巨额投入其实很合理，甚至应该更多？
帕特尔：现在有人觉得“某个人拿10亿美金年薪太离谱”，但其实很合理。因为这些人在价值数百亿美金的芯片上做实验——要是他们的一个实验没做好，比如用了1/3的算力却做了重复研究，那浪费的成本是巨大的。我把这叫“浪费算力”，但本质上是“试错”——没人知道该试什么、不该试什么，AI太复杂了。
比如有些团队在调整现有数据的使用方式：怎么混合数据？按什么顺序喂给模型？怎么过滤？模型架构怎么调？有人研究长上下文，有人研究其他细节——哪怕有人能让模型效率提升5%，也能节省5%的训练时间和5%的推理算力，积少成多。而且我们离“模型效率达到人类大脑水平”还很远，所以这种优化空间还很大。
但“加人不会让进度变快”——因为试错需要时间：做实验、分析结果、调整参数，再试100种不同的方式，看趋势，再决定方向。这里面有很多“直觉”——读数据、理解数据、重新实现模型，加人反而会拖慢速度。
比如Meta在搞“超级智能”（Super Intelligence）之前的问题就是“人太多，且没有优秀的领导”——很多实验失败，时间浪费在无关紧要的事情上。我一个在OpenAI的朋友（推特上很有名，叫Run）发过一条推文：“一想到Meta浪费了多少H100（英伟达GPU），我就气到发抖”。这话很有意思，因为所有人都在浪费算力——OpenAI也在浪费，没人知道“最优模型架构”是什么。
Run最近还提了个有意思的观点：“为什么不花更多钱挖有‘工艺知识’的人？比如我们在亚利桑那州的晶圆厂做得不错，为什么不把深圳最优秀的人挖过来？”这种人才战争会不会升级到“国家层面”——比如美国通过Meta、OpenAI挖全球的人才？
其实英特尔的衰落也和这个有关：很多在纳米化学、物理领域的天才，因为“年薪只有20万美金”而转去谷歌（年薪80万）或OpenAI（年薪1000万）、Meta（年薪1亿）。聪明的18岁年轻人肯定会选“赚钱多的领域”——就像最聪明的医生会选皮肤科或麻醉科，不是因为这些领域最有价值，而是因为“工作时间好、薪水高”。
所以人才战争确实很激烈，本质上是“人力资本”和“资本品”的博弈。工业化时期，随着资本品增加，人力资本的重要性下降；但现在，“制造东西”已经很普通了，价值主要来自“创意”。英伟达CEO黄仁勋跟我说过一句话，我觉得很有道理：“美国人富有的原因不是大家想的那样——我们把劳动力外包了，但保留了价值。”英伟达、苹果都是这么做的——生产在亚洲，利润在自己手里。
但“挖有工艺知识的人”的难点在于“怎么选对人”——有些人“能说会道”，让人觉得很厉害；但有些人“不善言辞却很会做事”，你却不知道。比如Meta之前挖人就有这个问题——没挖到最优秀的，反而挖了很多“不行的人”。OpenAI的山姆就说过“Meta没挖到我们最优秀的人”，但他也不得不内部加薪留任——所以人才战争的真实情况很复杂。
我最近想到一个比喻：机器学习研究和半导体制造很像。半导体制造里有很多机器学习没有的岗位，但核心都是“调无数个参数”——比如把晶圆放进设备，调整沉积时的腔室压力、化学物质的混合比例、速度、时间（30分钟还是31分钟）。每个设备有无数个参数，还得考虑顺序——根本不可能试遍所有组合，就像设计芯片时不可能试遍100万亿个晶体管的排列方式。所以只能靠直觉选几个点试，看数据，再决定方向——机器学习研究也是如此。
半导体制造的研发成本很高（比如英特尔的主晶圆厂），而且不产生经济价值，只用来“学习怎么搞下一个制程”，然后规模化赚钱——机器学习研究也是如此。
十四、AI生态的权力格局：谁掌握主动权？
采访者：我们回到最开始的话题——AI生态的“权力源泉”是什么？企业如何保持或获取权力？比如 talent（人才）可能是源头，长期来看，有人才的企业才有权力；但也有“结构性因素”，比如工业规模的基建需要很久才能建成。能不能举个具体例子，比如Cursor（AI编程工具）现在很火，营收很高，但大部分利润给了Anthropic——这种关系里谁有权力？未来会怎么变？
帕特尔：Cursor现在的年化营收快到10亿美金了，这是个天文数字。但它的利润率不高（有人说负的，我觉得略正），而且大部分利润流回了Anthropic。现在的毛利润在Anthropic手里，但Anthropic又把这些利润投入到算力训练中——最终这些钱会流向黄仁勋（英伟达），或者亚马逊（再流向博通），总之是硬件层。
很多人觉得“Anthropic掌握所有权力”，但其实不然——Anthropic只提供“生成代码的模型”，系统里还有更多关键角色：Cursor掌握用户数据和用户交互行为，Anthropic只拿到“提示词-响应”的配对数据。而且Cursor现在有了“Cloud Code”（自己的代码产品），和之前不一样了。更重要的是，Cursor在训练自己的嵌入模型（embedding model）、自动补全模型，还能“随时把Anthropic的模型换成OpenAI的”——它现在用Anthropic只是因为“Anthropic的模型最好”。要是Cursor有了足够多的数据，甚至能训练出“在编程领域比Anthropic更好的模型”。
所以这种权力关系很微妙，他们是“友敌”（frenemies）——表面是朋友，实则有竞争。就像OpenAI和微软的关系，这是全球最疯狂的权力博弈。比如他们签的协议里提到“对OpenAI转为盈利后的条款有共识”，这话听起来像“没说”——但背后的权力斗争比韩剧还精彩。
采访者：你个人最感兴趣的“权力博弈”是哪个？哪些子剧情的风险最高？
帕特尔：OpenAI和微软的关系最有意思。2023年大家还说“微软要统治世界”，2024年也差不多，但2024年下半年微软开始“退缩”——艾米·胡德（微软CFO）这些人觉得“不能为OpenAI承担3000亿美金的算力投入”，他们付不起。所以微软暂停了很多数据中心的建设，还说“我们不做OpenAI的独家算力供应商了，你可以找甲骨文”——主动放弃了权力。现在甲骨文拿到了合作，但OpenAI还要把20%的API营收给微软，而且微软对OpenAI有“49%利润上限”的股权，还有IP共享协议——没人真正懂这个协议的细节。
现在他们在重新谈判——OpenAI不想受限于微软，协议里还有“要是实现AGI，微软就不再拥有API或IP权利”的条款，这到底是什么意思？20年前的人看到ChatGPT，肯定会说“这就是AGI”——它什么都知道，能聊天，比人类聪明；但现在大家觉得“它连XX都不会”。所以“AGI的标准一直在变”。对我来说，只有当AI能“把手放进嘴里，意识到‘这是我自己’”——也就是有自我意识时，才算AGI。
另一个权力博弈是“英伟达和超大规模云厂商”（hyperscalers）。英伟达现在是“王者”，几乎所有毛利润都流向他们——台积电、三星也赚钱，但需要巨额资本支出；博通也赚很多，但英伟达的毛利润是行业最高的，而且差距很大。
但英伟达不能收购大公司——之前想收购ARM（2020-2021年）都没成，当时他们还没现在这么大。所以他们的现金流怎么用？要是只做股票回购，就等于承认“找不到更高回报的投资”——这是“失败者的做法”。Meta、苹果、谷歌之前成熟时也做回购，但现在他们觉得“资本有更好的回报”，所以不做了。
英伟达CEO黄仁勋虽然也提过回购，但主要还是“再投资”——但能投的地方有限，所以他们开始做“需求担保”（demand guarantees），用资产负债表赢取更多合作。比如最近和CoreWeave的合作：英伟达为CoreWeave的算力集群提供担保，CoreWeave本来不会建这个集群，因为短期算力租赁是个烂生意——最好的模式是和有资产负债表的公司签长期协议。但这种公司不多，所以只能和OpenAI这种“没资产负债表但有潜力”的公司签长期协议，或者和有资产负债表的公司签短期协议。
对英伟达来说，最理想的情况是“风投公司投资AI初创公司，70%的融资用来买算力”——现在很多初创公司（比如Physical Intelligence）就是这么做的，就算不全是直接买GPU，也会间接流向英伟达。要是能让初创公司“把70%的融资用在一次训练上”——先有想法、收集数据、做训练、出产品，再融资——那就更好了，但没人愿意做这种“靠单次训练生存”的算力集群，所以英伟达得提供担保。
而且OpenAI也可能“换供应商”——比如自己做芯片，用其他公司的ASIC（专用集成电路），甚至买谷歌的TPU、和亚马逊合作。他们不关心供应商是谁，只关心“能服务用户、建数字上帝、赚营收”。所以英伟达虽然是最好的选择，但也不能掉以轻心。
十五、AI产能过剩风险：需求会一直增长吗？
采访者：有些研究经济周期的投资者（比如卡洛·佩雷斯）说“每次短缺都会跟着过剩”——大家会在长周期、高资本支出的项目上过度建设，比如现在的多吉瓦算力、半导体产能。但你之前说需求还很旺盛，是不是意味着我们离“过剩”还很远？
帕特尔：要是模型停止改进，肯定会过剩——这很简单。供应链问题（比如换供应商）是细节，核心还是“模型能不能改进”。要是模型不改进，一年后美国经济会陷入衰退，台湾、韩国也会——因为现在太多经济活动依赖AI基建，营收都流向了这些领域。
但和历史上的泡沫不同，AI不是“郁金香泡沫”那种无意义的炒作，也不是“加密货币”那种庞氏骗局——它是真实的价值创造。比如英国曾在10年内把GDP的6%投入铁路建设，我们现在投入的比例还远没到这么高。当时英国也“过度建设”了——但铁路降低了运输成本，只是没人知道需求会在哪天停止，而且10家公司一起建，肯定会过剩。
现在有人说“这次不一样，因为是全球最赚钱的公司在投入，他们随时能停”——比如微软之前就停过，后来又重启了，还和Nebius签了190亿美金的GPU采购协议。要是微软没暂停数据中心建设，就不用给Nebius这么多毛利润，但Nebius赌对了需求，所以赚了。
所以关键是“需求什么时候停”——要是规模化定律持续，需求会一直增长，只是受限于“接受周期、资本、供应链、时间”。但本质上，“对谷歌高级工程师水平AI的需求是无限的”——这背后是2万亿美元的软件价值。再比如“能识别物品、简单操作的物理智能机器人”——对供应链的价值也是巨大的。
而且AI和之前的革命不同：之前的革命是“用资本品减少人力资本需求”，而AI是“创造人力资本”——这是本质区别。
采访者：对了，还有个说法是“我们这个播客会戳破AI泡沫”——因为之前聊过的股票都跌了。但你之前说这只是市场正常波动，不是“诅咒”？
帕特尔：我之前算过，根本没有“诅咒”——就是市场表现而已，像抛硬币一样随机。比如我上次在你的另一个播客里聊过应用材料（Applied Materials），之后六个月股价涨了70%——我打破了“诅咒”。
十六、AI中间层公司：临时补丁还是长期生意？
采访者：我们聊了英伟达（底层硬件）和应用端（比如Cursor），那中间层公司（比如Together、Base10、Fireworks、Nebius）呢？它们能做成长期好生意，还是只是“临时补丁”，用来满足当前的算力需求？
帕特尔：中间层的“新云厂商”（neocloud）模式，做得好能赚大钱，做得不好就很糟糕。要是签短期协议，靠“短期算力租赁”赚钱，初期现金流会很好——比如买一块英伟达Blackwell GPU，六年的每小时成本约2美元，但前六个月租出去能收3.5-4美元/小时，利润率极高。但2-3年后，下一代GPU出来（10倍快，成本3倍），老GPU的租金会暴跌，生意就难了。
要是签长期协议，比如Nebius和微软的190亿美金合作，情况就不一样——微软的信用比美国政府还好（债券利率更低），所以这个协议的毛利润很高，Nebius至少能赚60亿美金毛利润，扣除运营成本后还是很可观。CoreWeave之前也是靠和微软的长期协议赚钱，后来微软不合作了，CoreWeave又找了谷歌、OpenAI这些客户。但OpenAI没有资产负债表，所以CoreWeave的风险更高——虽然利润率高，但不确定OpenAI能不能付钱。
所以中间层公司能赚大钱，但风险也分等级：和微软这种“有资产负债表”的公司合作，风险低；和OpenAI这种“没资产负债表”的公司合作，风险高；和初创公司合作，风险更高。
还有“推理服务提供商”——比如帮Roblox在游戏里集成LLM，帮Shopify做AI客服。虽然这些公司自己也能做，但推理其实很复杂，尤其是模型变大后，所以中间层公司能提供“规模化、可靠的算力”，还能做开源模型的微调——这也是一门生意。但要是客户自己能搞定，或者有更多竞争对手，利润就会被压缩。
总之，中间层有机会，但大部分风险都在中间层，英伟达几乎没风险——所有钱最终都会流向他们。
十七、AI与软件行业：传统SaaS模式的终结
采访者：我们聊聊软件行业。有人说“价值会流向软件端”，但你好像不这么认为？软件行业的商业模式会怎么变？
帕特尔：很多人问我“你为什么不关注软件端，价值都在那里”，但他们没意识到“软件已经不是5-10年前的样子了，商业模式也会变”。
2021年11月SaaS（软件即服务）开始暴跌，当时大家觉得是“公司盈利超预期后的回调”，但核心是SaaS的商业模式依赖“研发成本稳定，用户增长快，销货成本低”——而且客户获取成本（CAC）很高。但AI改变了这两点：
1. 软件研发成本暴跌：比如中国的软件开发者2015年的薪资是美国的1/5，能力可能是美国的2倍，所以软件研发成本是美国的1/10——这导致中国的SaaS和云业务远不如美国发达，因为企业更愿意“自己开发而非租赁”。现在AI让全球软件研发成本都暴跌，企业会更倾向于“自建”，SaaS的核心价值会被削弱。
2. AI软件的销货成本很高：传统SaaS的销货成本几乎为零，但AI软件需要算力，销货成本很高。而且客户获取成本没降——销售难，进入新领域难。所以AI软件公司会面临“高客户获取成本+高销货成本+多竞争对手”的困境，市场会变得碎片化，很难达到“客户获取成本和研发成本被摊薄”的临界点，净利润会更差。
所以传统软件公司的日子会很难过，但有规模的公司（比如YouTube）会越来越好——内容生成成本下降，平台掌控权更强。比如Salesforce里的AI功能，未来企业可能会“自己开发”，而不是用Salesforce的——不是说Salesforce不行，而是很多软件公司都会面临这种“被替代”的风险。
十八、AI与能源：算力的“电力瓶颈”
采访者：我们聊了Token（推理），但没聊“瓦特”（电力）——AI对电力的需求激增，人类怎么应对这个挑战？
帕特尔：首先，现在的电力消耗其实不算多——AI数据中心的电力消耗约占美国总电力的3-4%，其中普通数据中心占2%，AI数据中心占2%，这真的不算多。问题是“我们40年没怎么建电厂了”——这些年主要是把煤电换成天然气，而且监管法规多、劳动力不足、供应链短缺（比如通用电气的联合循环燃气轮机、三菱的设备、变压器线圈的UV固化产能）。
但单个数据中心的电力需求确实很惊人——比如OpenAI要建的2吉瓦数据中心，电力消耗相当于整个费城的总消耗，这很疯狂。以前大家觉得“建几百兆瓦的数据中心就很大了”，现在“不到1吉瓦都不好意思说”——我认识一个负责数据中心建设的人，他说“500兆瓦而已，没什么”，我当时就惊了——500兆瓦的资本支出约250亿美金（包括GPU），这可是巨款，但现在大家都习以为常了。
不过我们正在“重新学会建电厂”——供应链在扩张，电网在调整。但AI数据中心也给电网带来了挑战：比如训练任务的算力需求波动大，可能导致电网不稳定，甚至停电；就算不停电，电网频率（比如59赫兹）波动太大，会缩短冰箱等家电的寿命，而用户可能都不知道是数据中心导致的。
所以现在有很多“奇招”来解决电力问题：比如用天然气建高效的联合循环电厂，用柴油发电机（有人把卡车发动机并联起来发电，因为卡车发动机的产能大），埃隆·马斯克还从波兰进口电力设备到美国——因为美国本土供应链跟不上。只要有供应链缺口，就会有人填补：通用电气会翻倍生产涡轮机，三菱也会，变压器供应链会扩张，甚至会进口中国的设备（虽然不是首选）。
还有“劳动力短缺”——比如西得克萨斯的移动电工（能做数据中心电力工程的）薪资翻倍，就像2015年的页岩油工人一样，不需要太高技能，去西得克萨斯就能赚大钱，但这种人太少了——要是美国有足够的电工，数据中心建设速度会快很多。
不同公司的供应链也不一样——谷歌、Vantage、Edge Connects、QTS、亚马逊的 data center 建设方式不同，供应链也不同，所以会有各种“供应链怪象”。而且不同人的乐观程度也不一样：达里欧最乐观，然后是机器学习研究员，再是我，再是你，然后是纽约的半导体投资者，再是纽约的非半导体投资者，再是红杉资本里觉得“AI从2023年就是泡沫”的人，最悲观的是电力公司的人——他们觉得“电力需求不会涨，不用建电厂”。
还有法规问题：比如得克萨斯州和PJM（美国东北部电网）规定“可以提前24-72小时通知大型用电户，削减一半电力”——这没问题，因为要优先保障居民用电，不能像台湾那样“干旱时限制居民用水，却不限制台积电”（2021-2022年有几个城市限制居民每周只能洗3次澡，因为台湾人没有“体味基因”，所以能接受，但在印度就不行）。
但数据中心要应对“断电”，就得装备用发电机（通常是柴油发电机，也有天然气或氢能的），但又会遇到“环保法规”——比如发电机的密度太高，要是每月运行超过8小时就会违反“空气排放许可”。所以这里面的矛盾很多，很有意思。
十九、中美AI竞赛：谁更需要AI赢？
采访者：要是对比中美在AI产业链各环节（电力、半导体、模型、应用）的表现，你觉得最有意思的差异是什么？有哪些值得关注的“子剧情”？
帕特尔：中国是很强的竞争对手。要是没有AI热潮，美国可能在本十年结束前就失去全球霸权，不再是“霸主”——对美国人来说，这是个坏消息，对我来说也是（我是美国本位主义者）。没有AI，美国的供应链速度慢、成本高、经济下滑、债务不可持续（经济增长跟不上债务增速）、过度消费（生产远低于消费）、金融化严重，还有社会不稳定——收入不平等是一方面，社交媒体放大了这种不平等（人们更爱炫耀财富，算法推送的内容不同，导致文化分裂）。比如上世纪30-50年代，大家都看同样的电影，有“共同文化”，但现在就算是我和你，社交媒体推送的内容也不一样，更别说和圈外人了。
所以美国“必须靠AI”——AI必须大幅提升GDP增速。一旦开始“分蛋糕”（而不是“做大蛋糕”），美国就完了。而中国的思路不一样——他们不“必须靠AI赢”，而是一直在“打长期战”：从钢铁、稀土、太阳能板、手机、PCB（印制电路板），到很多其他行业，他们都是“循序渐进，最终胜出”，而且他们更努力、平均智商更高。要是没有超强AI，美国会耗尽易开采的镍、钴、石油、天然气，太阳能板的效率提升也跟不上，成本会上涨，“蛋糕”会缩小，社会也会分裂。所以我的悲观观点是：“不加速，就灭亡”，美国必须赢AI竞赛。
中国也想当“全球霸主”——谁不想呢？但全球只有美国和中国有能力、有意愿这么做。中国AI生态的思路是“不一定需要最大的算力集群”——比如OpenAI要建2吉瓦的Blackwell/GB300芯片数据中心，这些芯片比中国能买到/自己做的芯片快得多，中国部署的芯片也少。但美国现在在做的，其实是中国过去常做的“砸钱建生态，让市场变有趣”——比如OpenAI现在有8亿用户，未来可能有30-50亿用户，覆盖全球，到时候就能赚钱，这是“聚合理论”（aggregation theory）。
中国不这么想，他们更关注“自主可控”——自己做所有芯片。当然，特朗普搞关税、美国搞《芯片法案》，但这些投入和中国过去10年在半导体领域的投入比，就是“杯水车薪”——中国通过国企、税收优惠、土地补贴、地方政府、政府风投基金（大基金）等方式，在半导体领域投入了至少4500亿美金，而且是“不计利润”地建生态。
长期来看，中国在“自主供应链”上更有优势——除了原材料，他们几乎不用依赖外部；而美国需要从各地进口（比如从某个地方进口钛），供应链是全球化的。所以中国现在更关注“自给自足”，而不是“靠聚合用户赢”。但中国的人才储备很强，企业间“不挖人”——比如DeepSeek的工程师薪资比其他公司高，但远不到1000万美金，就算他们值这个价。
而且中国的建设速度比美国快得多——要是中国想建2吉瓦或5吉瓦的数据中心，可能会“走私很多芯片”（虽然不是故意的，但为了建10吉瓦数据中心，他们可能在几年内就搞定，而美国要建10吉瓦数据中心还需要很久）。中国的芯片速度、内存不如美国，但他们能“靠规模弥补”，而且建设速度快——埃隆·马斯克算快的了，但和中国比还是慢，他自己可能也知道，所以特斯拉的电池厂很多在中国建。
二十、AI质疑者：你尊重的“AI悲观派”是谁？
采访者：你最尊重的“AI悲观派”是谁？就是那些和你观点差异很大，但你依然觉得他们值得关注的人。
帕特尔：一些AI领域的“大佬级研究员”，比如扬·勒丘恩（Yann LeCun），他们是悲观派。我尊重他们，喜欢他们的观点，但觉得他们完全错了。他们的核心观点是“现在的AI路线（LLM规模化）走不通，到不了AGI”——这一点他们是对的，但他们又说“强化学习这些也不行”，这就不对了，有点“为了反对而反对”。
还有一些投资者，觉得“AI是炒作”，但还是靠AI赚钱——比如他们知道OpenAI和甲骨文的合作，觉得“OpenAI付不起钱，但市场会觉得这是利好，所以甲骨文股价会涨”，于是买甲骨文股票，在财报前卖出。我在某种程度上尊重他们，但觉得这种“只看短期市场情绪”的做法没什么意义——随着AI的证据越来越多，这种“悲观”会越来越站不住脚。
采访者：对了，还有个说法是“我们这个播客会戳破AI泡沫”——但你之前说这只是市场波动？
帕特尔：我之前算过，根本没有“诅咒”——就是随机的市场表现。比如我上次聊应用材料，之后股价涨了70%，打破了“诅咒”。
二十一、最受关注的AI初创公司
采访者：你现在最关注哪些AI初创公司？
帕特尔：我最近投的一家叫Periodic Labs，团队主要是OpenAI的人，还有一个谷歌员工和几个材料科学家。现在大家聊的AI都是“大规模网络训练、强化学习、文本、数字上帝”——我们都想做“数字上帝”，但除了自动化编程，还有一个领域能创造巨大经济价值：比如“研发出效率提升25%的电池化学材料”。
现在很多设备（比如智能眼镜）的瓶颈就是电池——要是能在眼镜上实现笔记本电脑的算力，我们的技术会进步很多。而Periodic Labs想做的，就是把“强化学习”用到“现实世界的化学实验”中：模型生成一个化学配方，在现实中测试，把结果反馈给模型，反复迭代。
这种“物理世界的强化学习”比“纯数字强化学习”难很多——因为物理实验的“飞轮”很慢：做配方、测试、反馈，成本高、耗时长。但这里面有很多“低垂的果实”（low-hanging fruit），潜力很大。
二十二、AI硬件创新：除了加速器还有什么？
采访者：硬件领域除了“和英伟达竞争的加速器公司”（比如做TPU、Trainium的），还有哪些值得关注的创新方向？
帕特尔：我一直不看好“和英伟达竞争的加速器公司”——太难了，要做的事太多、资本支出太高、缺乏革命性突破、依赖太多前提条件。我希望他们能成，但可能性不大。
真正的机会在“供应链的非尖端环节”——英伟达很尖端，但他们的供应链里有很多“老旧技术”，超大规模云厂商的供应链也一样。比如“变压器”——变压器技术50-100年没怎么变了，现在有公司在做“固态变压器”，这就是机会。
还有“芯片间的网络”——随着上下文长度延长，内存需求越来越大，虽然新内存技术（比如HBM）有帮助，但DRAM（动态随机存取存储器）行业的资本投入太多、工厂太多，很难颠覆。所以“让芯片更紧密地连接，共享内存”是个好方向，这里面有很多创新空间。
还有“光电子连接”——填补“电连接”和“光连接”之间的空白。比如英伟达的Blackwell芯片在制造和供应链上遇到了很多问题，导致AI服务器部署变慢，可靠性也受影响——因为芯片间的连接带宽太高（每个芯片能和机架内其他芯片以1.8TB/秒的速度连接），这种带宽的数据流是难以想象的，所以连接技术需要创新。
还有“半导体制造的软件”——半导体制造的设备是“太空级”的（最复杂的人类造物），比如一台设备要5亿美金，工程奇迹，但设备背后的软件很烂。这里面有很大的优化空间，能加速制造过程。
另外，“数据共享”也是个问题——比如英特尔内部的数据共享很差，光刻团队不愿和蚀刻团队分享数据，数据也不能传到AWS数据中心做关联分析，所以实验学习的速度很慢。台积电也有这个问题，不会把数据传到云端。要是能“加速实验-分析-再实验”的循环，就能提升效率——这需要“改变公司文化”（比如联电正在做的）和“更好的模拟器”。
“世界模型”（world models）也是个方向——不只是“模拟虚拟世界”（比如谷歌的Genie3，能在虚拟世界里走路、看汽车），还能“模拟分子、物理反应”（不是靠传统的计算流体力学，而是靠AI学习物理规律，再模拟）。比如用世界模型训练机器人拿杯子，或者模拟化学反应、火灾——现在有很多做世界模型的公司，尤其是聚焦“物理现实模拟”的，潜力很大。
不过现在很多“酷创新”还是来自大公司——台积电、英伟达、安费诺（Amphenol）这些，这是行业常态。
二十三、快速问答：AI公司印象
采访者：我们来个“快速问答”——我说一家公司，你用一两句话说说你的印象。从OpenAI开始。
帕特尔：超级棒。我们聊了一天，不用多说了。
采访者：Anthropic。
帕特尔：我对Anthropic比OpenAI更乐观。因为他们的营收增长快得多——聚焦软件领域（2万亿美元市场），而OpenAI要兼顾软件、科学AI、消费应用等多个方向，虽然这些方向都可能成，但Anthropic在软件领域的执行力更强。
采访者：AMD。
帕特尔：我喜欢AMD，但他们很“中庸”。我从小组装电脑，喜欢电脑，AMD一直有“对抗英特尔、英伟达的弱者心态”——英特尔、英伟达是“邪恶巨头”，AMD是“友好的弱者”，总有人说“AMD要抢占市场份额”，这种“弱者叙事”很容易让人喜欢。而且AMD是我第一个“翻倍股”（multibagger），有感情。可惜我现在因为合规不能炒股了，有点遗憾。
采访者：XAI（埃隆·马斯克的AI公司）。
帕特尔：XAI面临“融不到资”的风险。埃隆是最好的CEO，肯定有人愿意投，但需要的资本规模太大——他能建“歌利亚2号”（Colossus 2）超级数据中心（建成后会是全球最大，有30-50万块Blackwell GPU），但要是找不到“除了‘色情机器人’（Annie）之外的商业模式”，就难下去了。Annie（XAI的AI助手）的变现方式也不对——明明靠“可爱动漫女孩人设”吸引了很多用户，甚至有人对Annie产生情感依赖，却只卖“虚拟服装”，定价还不灵活。其实可以搞“随机限定”，比如“有机会买到Annie的‘裸身’虚拟形象”“买到某部动漫的同款服装”“买到修女服造型”，肯定更赚钱。当然，XAI的人可能不喜欢这种方式，已经有人离职了。
XAI能建成下一个算力集群，但规模不会超过OpenAI、谷歌、Meta——不过他们会有“全球最大的单体数据中心”。如果埃隆找不到除Annie之外的大业务，就会落后。他肯定不允许这种情况发生，能自己垫资推进，但要建3吉瓦的数据中心，必须靠融资或营收，而现在营收还撑不起。
采访者：Oracle（甲骨文）。
帕特尔：只要OpenAI能成，甲骨文就能赚翻。但要想让OpenAI付得起3000亿美金，得看OpenAI的用户规模和IP价值——要是OpenAI能成5万亿或10万亿美金的公司，3000亿就不是问题。当然，OpenAI有风险（比如和微软的协议纠纷、Anthropic的竞争），但在“OpenAI能成功”的场景里，甲骨文的收益会非常惊人。
采访者：Meta。
帕特尔：Meta有“坐拥一切”的潜力。你看过他们新出的“带屏幕智能眼镜”吧？回顾计算史：从打孔卡编程，到DOS终端，到图形界面（GUI）+鼠标键盘，再到触屏——下一代人机交互会是“无需触摸”：告诉AI要做什么，AI直接执行。而Meta是全球唯一拥有“全栈能力”的公司：硬件（智能眼镜）、优秀模型、算力、推荐系统（知道该给用户推什么内容）。
要实现“无触摸交互”，需要四样东西：生成内容、理解用户指令并行动、精准推送内容、资本——Meta全有。当然风险也有，但我很看好Meta。
采访者：Google（谷歌）。
帕特尔：我两年前很看空谷歌，现在超级看好。他们在所有领域都“醒过来了”：对外出售TPU（之前只自用）、模型性能越来越强（能和OpenAI竞争）、加大基建投入。公司内部还有很多混乱，但他们有“硬件业务”可以转型（虽然不如Meta、苹果），还有Android、YouTube、搜索这些IP——未来既能做消费端AI，也能做企业端AI，而Meta可能只擅长消费端。
二十四、AI时代的软件行业：传统SaaS的末日
采访者：很多人问你“为什么不关注软件端，价值都在那里”，你怎么看？软件行业的未来是什么样的？
帕特尔：大家没意识到“软件已经变了，商业模式也会跟着变”。5-10年前，SaaS是香饽饽——2021年11月开始暴跌，当时大家觉得是“企业盈利超预期后的回调”，但核心问题是SaaS的“好日子”依赖两个前提：研发成本稳定（甚至下降）、销货成本极低。但AI打破了这两个前提：
1. 软件研发成本暴跌：比如中国2015年的软件开发者，薪资是美国的1/5，能力却可能是美国的2倍——研发成本是美国的1/10。这导致中国几乎没有SaaS巨头，企业更愿意“自己开发”而非“租赁”——因为自建成本更低。现在AI让全球软件研发成本都暴跌，美国企业也会越来越倾向“自建”，SaaS的“不可替代性”没了。
2. AI软件的销货成本（COGS）极高：传统SaaS的销货成本几乎为零（多一个用户的边际成本接近0），但AI软件需要算力——每服务一个用户，都要花算力钱，销货成本很高。而且客户获取成本（CAC）没降——说服企业用新软件依然很难，进入新行业也难。
所以AI时代的软件市场会很“碎片化”：企业要么自己建软件，要么用“更垂直、更便宜”的AI工具，传统SaaS公司会面临“高成本+多竞争”的困境，很难达到“摊薄研发和获客成本”的临界点，净利润会越来越差。
但有规模的平台型公司（比如YouTube）会越来越好——内容生成成本下降，用户更依赖平台，平台的掌控权更强。比如Salesforce里的AI功能，未来企业可能会“自己用AI开发类似功能”，而不是买Salesforce的套餐——不是Salesforce不好，而是“自建”的门槛和成本都变低了。
二十五、最温暖的回忆：别人为你做过的最善良的事
采访者：最后一个问题——别人为你做过的最善良的事是什么？
帕特尔：肯定是我哥哥。我这辈子都很“混蛋”，现在也一样，但他每次都把我拉回正轨，纠正我的错误，无条件爱我。我小时候的很多记忆都是“重构的”，但哥哥对我的好是真实的——比如我总忘事、不考虑别人的感受，说话做事很自我，经常无意中伤害别人，都是他提醒我“你这么做不对”“你该考虑别人的想法”。
我知道自己有很多缺点：比如做事没条理、记不住细节、容易沉浸在自己的世界里忽略别人——幸好身边有哥哥这样的人，帮我补全“短板”。他这辈子都在包容我的“混蛋行为”，这是我能想到的最善良的事。
采访者：太感人了。今天聊了很多，非常感谢你分享这么多深刻的见解。
帕特尔：谢谢，我也很开心。