引言
帕特里克： 我永远不会忘记我在 2017 年第一次见到加文·贝克（Gavin Baker）的情景。我发现他对市场的热忱、对世界的求知欲，比我所见过的任何投资者都更具感染力。对于当今科技界正在发生的一切，他就像一本活字典。我有幸每隔一两年就会邀请他上一次节目。
在这次对话中，我们聊到了所有让加文着迷的话题。我们探讨了英伟达、谷歌及其 TPU 生态、瞬息万变的 AI 格局、AI 公司背后的数学和商业模式，以及介于其中的一切。我们甚至讨论了在太空建设数据中心这个看似疯狂的构想，而他用一贯的激情和第一性原理逻辑向我们展示了其合理性。
在节目的尾声，因为我以前已经问过他我们经典的收尾问题，所以我换了一个新问题，这也带出了我此前从未听过的、关于他的整个投资生涯起点和个人成长故事。加文是我所知道的最充满热情的思想家和投资者之一，与他的对话永远是我最喜爱的节目系列之一。希望大家喜欢这期与加文·贝克的最新对话。
为真正的 AI 付费
帕特里克： 我想探讨一下你在具体的日常流程中，是如何跟进和处理 AI 领域里层出不穷的新生事物的，因为这方面的进展实在是太快了。我本人对它极感兴趣，但发现很难跟上它的节奏，我通常只能看几篇博客，或者给圈子里的朋友打打电话。
我们就拿最近刚推出的 Gemini 3 作为一个具体的例子。当这种重磅模型发布时，带我走进你的办公室：你和你的团队具体在做什么？你们是如何去消化和处理这样一个大版本的更新的？
丹（丹指的是Gavin，译者注：原文中为Gavin，以下统一为加文）：
加文： 我认为首先你必须亲自去上手使用它。让我感到震惊的是，有很多声名显赫、资历深厚的投资家，居然只根据免费版 AI 的表现，就对整个 AI 的未来得出了非常盖棺定论的结论。用免费版，就像是你在和一个个十岁的孩子打交道。
帕特里克： 没错。
加文： 然后你用十岁孩子的智力水平去外推并推断他成年后的能力。你完全应该去付费，我认为你确实需要为最高级别的订阅买单，不管是 Gemini Ultra 还是 Super Grok，你得去用那种每月 200 美元档次的模型。那些付费模型表现得像一个心智完全成熟的 30 岁或 35 岁的成年人。你很难通过一个八岁或十岁的孩子去外推他三十五岁时的实力，然而现在很多主流投资人却正在犯这个错误。
第二点是，此前有一篇关于 OpenAI 内部撕逼的爆料帖，大意是说：“在很大程度上，OpenAI 其實是靠推特（X）上的舆论氛围（Twitter vibes）在推着走。”我认为 AI 行业的最新动态完全是发生在 X 平台上的。最近就有很多名场面，比如 Meta 的 PyTorch 团队和谷歌的 JAX 团队在 X 上大打口水战，激烈到两家实验室的掌门人不得不亲自出面……
帕特里克： 出面叫停，说“适可而止”。
加文： ……在公开场合表示：“我们实验室的任何人都不得公开抹黑对方实验室，我非常尊重他们，这件事到此为止。”
帕特里克： 是的。
加文： 这些巨头公司在 X 上互相在对方的帖子下评论，最新的论文也在上面首发。如果把地表上真正深刻理解这个行业且处于最前沿的人圈出来，大概只有 500 到 1000 人，这其中还有相当一部分人住在中国。我认为你必须紧密关注这批人的动态。这其中蕴含着极其强大的行业信号。AI 领域里几乎所有的事情，实际上都处于这批人的下游。
帕特里克： 都在这批人的下游？
加文： 是的。比如安德烈·卡帕西（Andrej Karpathy）写的任何东西，你至少得读三遍，这是底线。
帕特里克： 没错，他太神奇了。
加文： 我认为，只要这四家处于绝对统治地位的先锋实验室——OpenAI、Gemini、Anthropic 和 xAI——有任何人去录播客，你都必须第一时间去听，这太重要了。
对我而言，AI 最棒的使用场景之一就是帮我去跟进 AI 行业的最新动态。我听完一期播客，把我觉得有趣的部分挑出来，然后直接让 AI 陪我探讨。我认为在交互中应该尽量减少摩擦。我会调出软件：“我既可以一键拉出 Grok，也可以用这个。”
帕特里克： 这实在太神奇了。你能想象我们居然拥有这样的工具吗？
加文： 确实。
帕特里克： 简直有些不可思议。
加文： 我记得有人在 X 上写过一句话：“我们给地上的硅石施加了疯狂的魔法，现在我们居然能通过手机无线召唤出超级智能精灵。”这太疯狂了。
缩放定律依然成立
帕特里克： 确实疯狂。当 Gemini 3 发布时，大众普遍的解读是：“哦，这很有趣。它似乎再次佐证了缩放定律（Scaling Laws）和预训练（pre-training）的有效性。”那么你如何看待当前前沿模型整体的发展阶段？你最近在最紧密关注什么？
加文： 是的。我认为 Gemini 3 的发布极其重要，因为它明确地向我们证明：预训练阶段的缩放定律依然完好无损（intact）。谷歌对此做出了毫不含糊的声明。这非常关键，因为目前地表上没有任何人真正懂得预训练缩放定律背后的底层物理机制和原因。它其实不是一条物理定律，而是一个极其精确的经验观察，且这个观察在很长一段时间里都行之有效。
但我们对预训练缩放定律的认知——尽管可能有 20% 的科学家不同意我的观点，但绝不会更多——其实就像古代英国人对太阳的认知。或者古代埃及人对太阳的认知：他们虽然能极其精准地测量太阳的运行，以至于大金字塔的东/西轴线和巨石阵的轴线能完美地与春分/秋分对齐，这属于完美的观测。
但他们其实根本不懂天体轨道力学。他们根本不知道为什么太阳会从东边升起、西边落下并在地平线上划过。
帕特里克： 因为有外星人。
加文： 哈哈，或者是神明驾着马车。因此，每当我们获得对这一规律的再次确认时，都是极有价值的。Gemini 3 在这方面的意义非同寻常。但我认为目前在二级市场股票投资界，或者在更广泛的全才型投资人圈子里，存在一个巨大的误解：基于预训练缩放定律，人们误以为 AI 在 2024 年和 2025 年几乎没有取得任何进展。
而之所以有这种误解，是因为在 xAI 成功攻克了如何让 20 万张 Hopper（H100）显卡在一个coherent（相干）集群中协同运转的难题后，整个行业必须等待下一代芯片的交付。因为在物理上，你几乎无法将超过 20 万张 Hopper 显卡连成一个相干集群。所谓相干，简单来说就是每张芯片都必须实时知道其他所有显卡在想什么，它们共享内存、紧密互连，并且在预训练过程中必须保持绝对同步。
而我们之所以在这期间依然取得了巨大的进展——我们可以看看 ARC-AGI 智力测试曲线：在过去四年里，AI 的测试得分一直卡在 0 到 8% 之间；而当 OpenAI 推出第一款 reasoning（推理）模型（译者注：即 o1 模型）后，短短三个月内，这个得分就从 8% 暴涨到了 95%。这完全得益于 post-training（后训练）阶段的两条全新缩放定律：一是通过“可验证奖励”进行的强化学习（RLVR，Reinforcement Learning with Verified Rewards）。“可验证”在 AI 中是一个极其核心的概念。卡帕西说过一句话：在传统软件中，任何你能够明确定义（specify）的任务你都能将其自动化；而在 AI 时代，任何你能够验证（verify）对错的事务你都能将其自动化。这是一个非常关键的区分。
二则是“测试时算力”（test-time compute，即推理时缩放）。所以，自 2024 年 10 月至今，我们目睹的全部惊人跨越，完全是建立在这两条后训练新定律之上的。而 Gemini 3，则是自 Hopper 芯片发布以来，对传统“预训练缩放定律”的首次大规模实测，结果证明它依然成立。这太棒了，因为这些缩放定律是乘数效应。这意味着我们将可以把后训练阶段的强化学习、可验证奖励和测试时算力，应用到更强大得多的基础底座模型上。
对于 Gemini 3，外界还有很多被忽视的细节。最核心的框架在于，AI 领域始终存在着谷歌（Google）与英伟达（Nvidia）之间的巅峰暗战。谷歌拥有自研的 TPU，而英伟达掌控着 GPU 帝国。谷歌只做 TPU，网络连接等其他环节需要买别人的芯片；而英伟达提供整个软硬件一体化堆栈。此前英伟达的下一代 Blackwell 芯片遭遇了延期。Blackwell 200 系列的首次迭代中有很多产品型号被迫取消。
这是因为从 Hopper 到 Blackwell，是科技史上我们经历过的最复杂的硬件迭代过渡。首先，它要从传统的风冷直接跨越到液冷。整个服务器机架的重量从大约 1000 磅飙升到 3000 磅，功耗从 30 千瓦（相当于 30 户美国家庭的用电量）暴增至 130 千瓦（相当于 130 户家庭的用电量）。
我做个通俗的比喻：这无异于你买了一部新 iPhone，但为了能用它，你必须把家里的插座全部改成 220 伏工业电压、装上特斯拉储能电池墙、配备独立发电机、铺满太阳能电池板、安装全屋空气加湿系统，并且由于手机太重，你还得去加固家里的地板承受力。
所以这是一次极度复杂的过渡。机架内部密度太高，导致散热极其困难。因此，Blackwell 直到最近三四个月才真正开始规模化部署和交付。
英伟达 Blackwell 芯片延期的连锁反应
帕特里克： 你能解释一下，为什么 Blackwell 芯片的交付延期会产生如此重大的影响吗？
加文： 因为 Blackwell 太过复杂，要让这些极其精密的机架稳定运转极其困难。如果在这个窗口期没有“推理/思考模型”（Reasoning）的横空出世，那么从 2024 年中期一直到 Gemini 3 发布，整个 AI 技术的演进将会彻底陷入停滞。
你能想象如果技术停滞，市场会发生什么吗？毫无疑问，我们今天面临的股市环境和投资氛围将会完全不同。因此，推理模型的爆发成功帮助行业渡过了这 18 个月的硬件真空期。它让 AI 在没有 Blackwell 或下一代 TPU（这些是预训练缩放定律继续起作用的物理前提）的情况下，依然实现了战力跃升。
谷歌在 2024 年推出了 TPU v6，2025 年推出了 TPU v7。在半导体演进的相对时间线里，Hopper 芯片就像是二战时期的王牌战斗机——比如配备了梅林发动机的 P-51 野马战机，它是那个时代最顶尖的。但仅仅两年后，半导体的代际差就相当于从野马战机直接跨越到了 F-4 鬼怪超音速喷气式战机。
由于 Blackwell 芯片系统太复杂、量产极难，谷歌在训练 Gemini 3 时，使用的是 2024 和 2025 年代的自研 TPU。这批 TPU 已经相当于 F-4 战机了；而 Blackwell 则是 F-35 隐身战机，只是英伟达花了很多时间才把它的量产工艺调顺。
因此，谷歌目前在预训练维度上确实拥有暂时的成本和算力优势。同时，谷歌目前也是全球每 Token 制造成本最低的生产商（low-cost producer）。这一点在经济学上至关重要，因为这是我作为科技投资人职业生涯中，首次看到“最低成本生产者”在软件软件行业中发挥决定性的统治作用。
苹果并不是因为手机制造成本最低而市值数万亿美元；微软也不是因为写软件成本最低而称霸；英伟达同样不是因为芯片造得最便宜而笑傲江湖。
在传统的软件生态中，成本从来不是核心护城河。但对于 AI 而言，这至关重要。谷歌作为最低成本 Token 生产者，正在通过疯狂压低价格，榨干整个 AI 生态系统中的“经济氧气”。对于任何低成本巨头而言，这都是极其合理的战略：把价格压到竞争对手无法承受的窒息边缘，让那些无法自我造血、依赖外部融资的创业对手融不到继续玩下去的资金。
那么接下来的格局会怎么走？我认为这将引发深远的连锁反应。第一，我们将在 2026 年初看到首批由英伟达 Blackwell 芯片训练出来的模型。根据黄仁勋的公开表态，首个 Blackwell 模型极大概率会诞生在 xAI。因为埃隆·马斯克建数据中心的速度是地表最快的。
但即便你拿到了 Blackwell 芯片，你也需要花六到九个月的时间去调试，才能让它达到 Hopper 那种丝滑和稳定的效能。毕竟 Hopper 已经被全球程序员调校得炉火纯青，所有的软件生态、Bug 细节以及数据中心架构都已经高度标准化了。回想当年 Hopper 刚发布时，也花了一年时间才在实战中真正超越上一代的 Ampere 芯片。
因此，如果你是黄仁勋，你需要找一个能以最快速度把尽可能多的 GPU 塞进同一个相干集群并跑起来的客户，这样你才能在实战中帮英伟达把 Blackwell 硬件和软件的 Bug 调试好。而 xAI 正是扮演了这一角色。他们建数据中心最快，能最早帮英伟达蹚雷，从而让英伟达把调顺了的系统卖给其他客户。
因为他们最快，所以首个 Blackwell 模型会由他们发布。既然我们知道预训练缩放定律依然成立，这意味着 Blackwell 模型在性能上将会是极其震撼的。Blackwell 相比自研 ASIC，不仅仅是 F-35 战机对阵 F-4 战机的代际压制，在物理底座上它就是更好的芯片。随着新定律的叠加，这批新模型的上限会非常高。
接下来还会发生一件更关键的转变：虽然第一代 GB200 机架的工艺极其难调，但英伟达即将推出的 GB300 在物理和接口上与 GB200 的机架是完全“热插拔兼容”（drop-in compatible）的。这意味着……
帕特里克： 数据中心不需要为了新芯片重新推倒重建电力和散热系统。
加文： 没错。任何已经建好、能承载 GB200 的数据中心，都可以直接无缝塞入 GB300。届时所有的系统集成商都已经轻车熟路，知道怎么排线、怎么散热。随着 GB300 的大规模铺开，只要你是垂直整合（vertically integrated）的云巨头，你就能直接成为极低成本的 Token 生产者。但如果你需要向别人租算力、支付溢价，你就会在成本端被彻底淘汰。
这一趋势将彻底改变谷歌目前的战略算盘。如果谷歌失去了“最低成本生产者”的王座，它就不能再肆无忌惮地以 -30% 的负毛利去倾销 Token 以绞杀对手了。因为一旦成本优势逆转，这种持续失血的倾销将会严重拖累谷歌自身的财务报表并引发股东的惩罚。
看清这盘棋局中各家巨头的战略和财务博弈，简直是我职业生涯中见过的最精彩的博弈。每家公司都清楚地知道自己在棋盘上的位置、终极奖赏是什么，以及对手在打什么牌。一旦英伟达的下一代 Rubin 芯片如期交付，英伟达与所有自研芯片（ASIC）之间的技术和成本鸿沟将会被拉大到令人绝望的地步。
帕特里克： 甚至连谷歌的 TPU 也无法抗衡？
加文： 是的，包括谷歌的 TPU 以及其他所有自研芯片。尽管亚马逊的 Trainium 3 和 Trainium 4 大概率会非常优秀。
谷歌自研 TPU 的账本与Broadcom的秘密利润
帕特里克： 为什么会这样？为什么谷歌的 TPU v9 不能做到同样优秀？
加文： 这里面有几个核心逻辑。第一，谷歌在芯片设计上做出了相对保守的路径选择。谷歌在研发 TPU 时，自己只做前端设计（front-end design），而把后端设计（back-end design）以及管理台积电（TSMC）代工制造等极其复杂的工程外包给了博通（Broadcom）。
用一个形象的比喻：前端设计就像是设计大楼的建筑师，画好图纸；后端设计则是把图纸变成实物图的施工工程师；而管理台积电制造，就像是建筑商把房子成批印出来。
博通凭借负责后端设计和供应链管理，在谷歌 TPU 业务中赚取了高达 50% 到 55% 的毛利率。假设到 2027 年，谷歌 TPU 的采购规模达到 300 亿美元。这意味着谷歌要向博通双手奉上近 150 亿美元的超额利润。这是一笔极其惊人的开支。
在商业上，当你的核心零部件采购体量大到一定程度时，将其彻底“去外包化/收回自研”就是唯一的理性选择。就像苹果在自研 A 系列和 M 系列芯片时，不依赖任何后端设计合伙人，自己包揽前端、后端并直接对接台积电。因为他们不想让别人躺在自己的账本上赚取 50% 的暴利。
因此，谷歌目前正试图重新谈判这层利益分配。比如他们已经引入了联发科（MediaTek）来参与设计，这实际上就是给博通敲响的一记警钟：我们对你赚取如此高昂的利润极其不爽。
帕特里克： 这是“不降价就换人”的警告。
加文： 没错。因为中国台湾的设计服务公司（如联发科、世芯等）的毛利率要求要低得多。但这同样带来了阵痛：虽然外界都在吹捧博通拥有地表最强的 SerDes 技术（SerDes 是芯片之间实现高速通信的以太网物理层串行/解串器，对芯片集群化至关重要），但地表并不是只有博通懂 SerDes。博通的 SerDes 每年或许能值个 100 亿到 200 亿美元，但肯定不值 250 亿。
由于这些设计代工的摩擦以及谷歌相对保守的技术选型，当英伟达和 AMD 决定将显卡迭代周期缩短至“一年一更”时，谷歌的 TPU 研发节奏便开始显得力不从心。英伟达直接通过每年翻倍的技术迭代，向所有试图自研 ASIC 芯片的云巨头宣告：我们用速度彻底掐死你们自研的念头。
而且，当这些巨头真正上手做自研芯片时，他们会绝望地发现：设计个加速芯片本身并不难。难的是：你配套的网卡（NIC）用什么？CPU 用什么？服务器内部的交换机用什么？跨机架的网络通信协议用什么？外部交换机和光模块怎么配？最核心的是，让这几万张芯片连在一起不崩溃的底层系统软件怎么写？
这完全是一个庞大的物理与软件工程系统。很多巨头一上来以为造芯片很简单，结果发现自己被陷在了无尽的兼容性泥潭里。
半导体行业里有一个铁律：你至少需要迭代三代产品，才有可能做出一款真正能打的芯片。谷歌的 TPU v1 仅仅证明了他们能把芯片做出来，直到 TPU v3 和 v4 时代，TPU 才勉强具备了在某些特定场景下与 GPU 掰手腕的实力。
帕特里克： 这完全是靠实战交学费（learning by doing）积累出来的底蕴。
加文： 100%。而在所有的云巨头里，我认为目前自研芯片团队实力最强、工程素养最高的是亚马逊的 Annapurna Labs 团队。他们率先做出了极为成功的 Graviton CPU，研发了 Nitro 智能网卡。但即便强如他们，第一代 Trainium 和 Inferentia 芯片依然非常平庸；到了 Trainium 2 才有所起色；直到 Trainium 3 阶段才勉强跨过及格线；我预期到 Trainium 4 时代，亚马逊的自研芯片才会成为真正优秀的生产力工具。
因此，我预判未来市场上真正能存活并具备规模的自研 ASIC 芯片，将只剩下谷歌的 TPU 和亚马逊的 Trainium。而且为了对冲高昂的外部代工利润，这两家巨头迟早会把其芯片设计业务彻底收回全自研。这是从第一性原理出发、基于商业经济学必然会推导出的终极结局。
自动化一切“可验证”的事务
帕特里克： 如果我们把视线从这些精妙的技术细节中拉出来——我承认这些商业暗战非常精彩，甚至让人沉迷其中——但我们不禁要问：“那又怎样呢？”假设我们真的在未来几代芯片中把 Token 的制造成本降低到了微乎其微的水平，这对整个人类社会意味着什么？
在英伟达 Rubin 芯片以及其他自研芯片大行其道的时代，这些超级算力基础设施的铺开，能够为我们解锁哪些此前无法想象的全新应用场景和生产力红利？
加文： 如果我们去推演未来的时间线，随着 Blackwell 模型的落地以及 GB300 带来的 Token 成本雪崩，前沿模型将获得极大的空间去进行“更长时间的推理和思考”（test-time compute）。
比如最近 Gemini 3 已经可以帮我打电话去预订餐厅了。这虽然看似微不足道，但这是 AI 首次真正介入物理世界帮我“把一件事办成”。既然它能订餐厅，它就离帮我订机票、订酒店、叫 Uber 以及打通整个出行链路不远了。
帕特里克： 你相当于拥有了一个真正的数字个人助理。
加文： 是的。目前在一些科技前沿的企业里，超过 50% 的客户支持服务（customer support）已经完全交由 AI 代理接管了，这背后是一个 4000 亿美元体量的庞大产业。在企业的各项核心职能里，最关键的三件事是：制造产品、销售产品、支持客户。到 2026 年底，AI 将在后面两项职能上做到与优秀人类无异的水平。
我们还将目睹机器人在 2026 年真正走向规模化落地。目前市场上涌现出了无数令人振奋的机器人初创公司。但我依旧认为，这个赛道最终将是特斯拉的 Optimus 与中国顶尖制造供应链之间的终极双雄对决。设计原型机很简单，实现百万级的高良率量产则是地狱级难度。
这再次回到了安德烈·卡帕西的论断：AI 可以自动化一切能够被验证（verified）的事务。只要一个任务的输出结果存在客观的对错标准，你就可以通过强化学习和可验证奖励，让 AI 在这一任务上达到甚至超越人类的水平。
帕特里克： 你能举几个最具代表性的例子吗？
加文： 比如搭建财务模型。财务模型是否平账，有着严格的对错标准；比如复式记账（double-entry bookkeeping），必须借贷相抵。这些是可完美验证的。再比如客户支持和销售：客户最终有没有下单买单？客户在沟通中是否要求转接人工投诉？这些结果是黑白分明的。
随着这些应用在 2026 年的普及，前期投向 Blackwell 芯片的庞大资本开支将真正迎来其投资回报率（ROI）的兑现，进而支撑行业继续投向英伟达 Rubin 芯片、AMD MI450 以及谷歌 TPU v9 的下一轮基础设施军备竞赛。目前，各家前沿实验室之所以不计成本地疯狂砸钱，完全是因为深陷在“囚徒困境”（prisoner's dilemma）之中：谁都不敢慢下来，慢一步就意味着被彻底出局。
今年早些时候，微软在算力开支上稍微犹豫了六周，我敢说他们现在对此后悔莫及。目前外界经常唱衰 AI 缺乏投资回报率，但从财务数据上看，这些大厂的资本回报率（ROIC）在加大 AI 投入后不仅没有下滑，反而稳中有升。
这其中很大一部分原因，在于他们通过将广告推荐算法和内容分发系统从传统的 CPU 迁移到 GPU 上，实现了几十倍的流量转化与广告营收暴涨。这种立竿见影的变现红利，完全对冲掉了前期购买显卡的成本。在各大互联网巨头内部，负责拉营收的业务主管与负责模型研发的科学家之间，天天为了抢夺 GPU 算力吵得不可开交。因为业务主管非常清楚：多给我一万张显卡，我下个季度就能多做几个亿的广告费。
当然，支撑这轮史诗级军备竞赛的底层信仰，是大家相信我们终将实现通用人工智能（AGI）乃至超级人工智能（ASI）。有些大佬甚至抱着一种近乎宗教般的狂热，认为 ASI 能够帮助人类攻克衰老、实现永生。
帕特里克： 这确实是最终极的投资回报了。
加文： 是的。但如果我们发现，即便把算力推向极致，受限于物理、化学和生物学的底层客观规律，AI 并不能帮我们突破某些自然的终极屏障，那么投向超级人工智能的万亿级资本，其边际回报率可能会面临骤降。
边缘 AI：最令人生畏的 AI 熊市论调
帕特里克： 你平时是否会思考一些“泼冷水”的反向观点？如果我们要寻找可能会打断这一波算力开支狂潮、甚至扭转整个行业上行趋势的潜在危机，你觉得会是什么？
加文： 有一个极其清晰且破坏力巨大的熊市逻辑，那就是**边缘 AI（Edge AI）**的崛起。它与超级人工智能的实际回报率息息相关。
设想在三年内，通过在手机上塞入更大体量的运行内存（DRAM）以及升级电池，你将可以直接在手机本地、在完全离线且免费的状态下，以每秒 30 到 60 个 Token 的惊人速度去运行一个剪裁版的 Gemini 5 或 ChatGPT。这正是苹果（Apple）目前深谋远虑的底牌：做一个 AI 的分发渠道，通过端侧运行确保绝对的隐私安全，只有当遇到本地手机实在无法解答的极度复杂问题时，才向云端的“上帝模型”发起请求。
如果这种端侧 AI 的智商（比如 115 左右的 IQ）足以应付人类日常 95% 的需求，那么……
帕特里克： 云端算力的需求将会面临腰斩。
加文： 是的。这就是最令人生畏的熊市论调。另一个潜在的硬着陆风险是缩放定律在物理上突然撞墙失效。但至少在目前这一代预训练模型上，我们明确知道它还没到终点；而且后训练阶段的推理缩放定律才刚刚起步。
随着我们通过算法让模型在推理时能在脑海中维持极长得不可思议的“上下文窗口”（context windows），AI 将可以直接把一家公司所有的 Slack 聊天记录、Outlook 邮件和规章手册全部装进内存，并在此基础上进行长达数小时的逻辑推理。长上下文窗口结合测试时算力，将彻底解决目前大模型经常胡说八道（幻觉）的硬伤。
帕特里克： 这让我想到了技术演进的 S 曲线（S-curve）。我们都亲历了 iPhone 的黄金时代，看着它从最初笨拙的砖头机，一步步演进到如今的高度成熟、甚至有些缺乏新意的成熟形态。如果把前沿大模型也套用这一技术范式演进过程，你觉得它目前处于 S 曲线的什么位置？
加文： 如果你正在使用每月 200 美元的高级版 AI，在日常使用中你已经很难察觉到不同版本之间的智商差异了。除非你问它一些极其硬核的垂直问题——比如：“在超大规模网络连接中，PCIe 协议和以太网协议各自的物理损耗和相对优劣势是什么？请帮我调用最新的论文进行量化对比。”只有在这样的极限测试下，你才能看出最新一代模型的强大。
因此，AI 必须在 2026 和 2027 年迅速完成从“比拼智商”向“比拼有用性（usefulness）”的范式手递手对接。除非我们能通过模型在科研领域实现爆发式突破——比如在未来两年内彻底攻克某种癌症。否则，如果 AI 不能在日常商业场景中变得极其皮实、稳定且有用，这轮开支泡沫就会面临被刺破的风险。
实体经济的效率奇迹与 C.H. Robinson 的启示
帕特里克： 在你看来，AI 从“高智商”跨越到“高有用性”的底层积木是什么？
加文： 是绝对的稳定性与可靠性。而这极大程度上取决于长上下文处理能力。
如果一个 AI 助理要帮我规划一次家庭旅行，它必须能完美记住我们全家人的古怪偏好——比如我因为听了安德鲁·胡伯曼（Andrew Huberman）的健康科普，要求房间必须有朝东的阳台以便晒太阳；我的父母和姐姐对航班时间有什么偏好；我们之前去过的度假村我们最喜欢哪个房型。把这几百项复杂的因子进行合理的权重排序并输出一个毫无破漏的旅行规划，是一个极具挑战的数学问题。一旦 AI 能稳定做到这一点，它就真正具备了极高的商业价值。
在制造端和供应链优化端，AI 同样在扮演着颠覆性的角色。虽然财富 500 强大型传统企业在拥抱新技术时往往因为法务和官僚程序而慢上半拍，而初创公司永远是最敏锐的捕食者。回看当年的云计算革命，2013 年亚马逊举办第一届 AWS 大会时，所有的初创公司早已实现了 100% 的云原生；而传统巨头直到五年后才慢吞吞地开始将核心业务上云。
这就是为什么风险投资人（VC）目前对 AI 的信心远比二级市场公开股投资者更为高涨的原因。因为 VC 在自己投资的一级市场初创企业身上，亲眼目睹了极其恐怖的效率奇迹：许多初创公司在实现与两年前相同营收规模的同时，其员工总数下降了整整 50% 甚至更多。
而在今年第三季度，这种效率奇迹终于开始向二级市场的传统巨头传导。 freight forwarder（货运代理）巨头 C.H. Robinson 公布的亮眼财报就是一个里程碑式的案例，导致其股价在一天内暴涨了 20%。
帕特里克： 能简单科普一下 C.H. Robinson 的业务吗？
加文： 简单来说，如果一辆 18 轮大卡车把货物从芝加哥运到丹佛，因为司机住在芝加哥，卡车通常需要空载开回芝加哥。这就会造成极大的运力浪费。C.H. Robinson 的角色就是撮合有运送需求的货主与这些空载的卡车，实现运力匹配。
在这一业务中，最核心的一环是迅速向货主提供运费报价和运力可用性。在过去，他们需要花 15 到 45 分钟去人工核算，且只能承接 60% 的询价请求。而通过引入 AI 报价系统，他们如今可以实现 100% 的询价实时秒级回复。这直接体现在了他们的营收和净利润暴涨上。
我此前非常担心，在 2025 年我们可能会因为高昂的 Blackwell 芯片采购开支与实际应用落地之间，面临一个长达三到四个季度的“ROI 真空期/空窗期”。因为在买下显卡进行模型训练的阶段，财务上只有资本开支，是不产生一分钱收益的；只有当模型训练完毕并投入推理（inference）服务时，收益才会进来。
如果在这段空窗期大厂的财报出现 ROIC 滑坡，市场将会面临剧烈的回调，就像 Meta 之前因为 CapEx 暴增导致股价大跌一样。但 C.H. Robinson 这类实体企业的效率奇迹，证明了 AI 的商业回报正在加速落地，这有助于我们平稳渡过硬件开支的空窗期。
传统应用 SaaS 公司的“慢性自杀”
帕特里克： 这让我开始思考目前美股极度割裂的格局：排名前十的科技巨头霸占了几乎所有的市场份额和市场关注度，而标普 500 指数中的其他 490 家企业似乎被彻底遗忘了。你同样在深度跟踪这 490 家传统企业，你觉得它们的未来会怎样？
加文： 我认为，只要有越来越多的传统企业像 C.H. Robinson 一样通过 AI 实现盈利层面的跃升，市场资金就会重新开始关注它们。那些在历史上就以管理精细、技术拥抱积极著称的传统企业，在 AI 时代依然会是赢家。
但对于传统的软件即服务（SaaS）公司，我的看法则非常尖锐：目前的传统应用级 SaaS 公司，正在犯下与当年实体零售巨头面对亚马逊电商崛起时一模一样的致命错误。
当年，实体零售商看着亏损的亚马逊，傲慢地断定：“电商是一个低毛利的烂生意。顾客自己开车来商场把货物运回家，而电商却要为每个包裹支付高昂的物流配送成本，这怎么可能赚钱？”他们因为嫌弃电商早期的低毛利率，而拒绝主动转型。结果今天，亚马逊在北美零售业务中实现的利润率，甚至超过了绝大多数传统实体百货巨头。
当一个颠覆性的新技术降临时，因为嫌弃其早期的毛利率结构而拒绝拥抱，是商业史上最愚蠢的决定。
现在的传统 SaaS 巨头就深陷于这种“毛利率洁癖”中。他们沉迷于自己过去 80% 甚至 90% 的超高软件毛利率，无法接受 AI Agent 只有 30% 到 40% 的毛利率结构。因为传统软件是“写一次，复制一万份，几乎零边际成本”；而 AI 则是“每一次调用和交互都必须在云端真刀真枪地重新计算一次”，这有着极高的物理算力成本（COGS）。
但 AI 初创公司之所以能产生极强的现金流，是因为它们虽然毛利率只有 40%，但它们几乎不需要雇佣员工！
如果传统 SaaS 公司为了死守 80% 的软件毛利率，而拒绝以低毛利率的姿态向客户提供全自动的 AI Agent 服务，那无异于将自己的生命拱手相让。因为那些毫无历史包袱的 AI 原生初创公司，正带着 30% 的毛利率横冲直撞，直接以极低的价格去帮客户把工作彻底干完。
传统 SaaS 公司拥有庞大的销售网络、现成的客户数据和充沛的现金流，这本该是他们吊打初创公司的核武器。我甚至认为，市场上应该出现一批积极主义/维权投资基金（activist funds），直接买入这些 SaaS 巨头的股份，逼迫他们的管理层：“立刻停止愚蠢的利润率洁癖！把你们的 AI 服务毛利率降到零，哪怕短期内利润率很难看，也要利用你们的资金优势把那些风投资助的 AI 独角兽彻底耗死在沙滩上！”
帕特里克： 因为如果他们不主动提供 Agent，外部的 AI 原生 Agent 就会直接接入他们的 API，把他们的底层系统彻底变成一个空壳，直到某天客户发现不再需要续费他们的软件。
加文： 正是如此。这完全是生死存亡的抉择（burning platform）。在这个关口，除了微软之外，几乎所有的传统 SaaS 巨头都在这道考题上交出了白卷。
AI 想要什么，AI 就能得到什么
帕特里克： 除了数据中心上天之外，在目前的全球大宗商品、能源及资本市场中，还有哪些相对冷门但你认为极其重要的底层动态？
加文： 我最近一直在思索一个近乎有些科幻色彩的现象：在过去两年里，无论 AI 产业在继续进化时面临什么物理瓶颈，这个瓶颈总能在极短时间内被不可思议地打通。
美国社会对核能（nuclear energy）的舆论态度在过去几十年里一直冷酷如冰，但就在 AI 数据中心面临电力荒的一瞬间，全社会的舆论和监管绿灯几乎在一夜之间被彻底打开。
当我们开始担心地球上的电网和散热无法承载万亿级算力集群时，太空数据中心和液冷技术的技术突破和资本投入便开始以几何级数狂飙。
这让我联想到了凯文·凯利（Kevin Kelly）的经典著作《科技想要什么》（What Technology Wants）。他将技术整体视为一种具备自我演化意志的实体（Technium）。人类在其中看似是主宰，其实只是在被这种技术的自我增殖本能驱使着，去源源不断地为它提供养料。
投资即“求真”：加文·贝克的个人起源故事
帕特里克： 每次访谈的最后，我都会问你那个经典的问题。但既然你之前已经回答过了，我今天想问一个更自私、也更适合分享给年轻一代的问题。
我的孩子们正在慢慢长大，我的大儿子开始对我的工作表现出浓厚的兴趣。我一直在思考该如何向一个对商业和投资刚萌生兴趣的年轻人，去描绘这个行业的魅力。如果让你去向一个二十岁出头、对未来充满迷茫的年轻人介绍你从事了一辈子的投资事业，你会怎么说？
加文： 我认为在最纯粹的维度上，投资是一场纯粹的“求真”（search for truth）之旅。
如果你能比市场上的其他人更早地发现某一个客观事实与底层规律，并且在漫长的噪音中坚守这一事实，你就能在非共识的正确中赚取超额收益（alpha）。这本质上是一个寻找被隐藏的真理的过程。
我最早的志趣其实是历史学。在小学二年级时，我父亲每天开车送我上学，在车上的那一年时间里，他给我完整讲完了整个第二次世界大战的历史战役。这彻底点燃了我对历史与时事政治的狂热。
在中学时代，我最盼望的就是邮递员把最新的《经济学人》（The Economist）送到家里，因为时事政治在我眼里就是正在发生的“应用历史学”。
我当年对金融和投资一窍不通，我的父母都是执业律师。在我的家庭教育里，只要我能在辩论中驳倒我父母，我就会获得极大的赞许。比如如果我能列出三条无懈可击的第一性原理逻辑去论证为什么我今晚应该晚睡，我父母就会非常骄傲地摸摸我的头，允许我晚睡。我是在这种极度推崇逻辑和辩论的环境中长大的。
大学我去了达特茅斯学院（Dartmouth College），当时我人生中唯一在乎的事是攀岩（rock climbing）。我几乎把所有的课余时间都耗在了攀岩馆和岩壁上，甚至在攀岩垫上写作业。在假期里，我就和攀岩俱乐部的队友们聚在一起打德州扑克、玩下盲棋。
我当年的宏大人生规划是：夏天做激流皮划艇向导，冬天在犹他州的雪场做清洁工扫厕所（这段打零工的底层经历让我深刻体会到了社会底层的冷暖，也让我明白尊重每一个人是不需要付出任何成本的）；在春秋两季，我就去荒野里拍摄野生动物，并立志写出一部名垂青史的美国长篇小说。
这就是我当年的“人生规划蓝图”。
我非常感激我的父母，他们没有表现出任何世俗的焦虑，非常支持我的决定。但他们向我提出了唯一一个请求：“加文，你可以去过你想要的任何生活，但你能不能在大学期间，去参加一次正规的公司实习？就一次，任何行业都可以。”
于是，在我大二那年暑假，我唯一申请成功的是投资银行唐纳森-卢夫金-詹雷特（DLJ，Donaldson, Lufkin & Jenrette）的私人财富管理部实习生。我当时的工作极其枯燥：每当 DLJ 的分析师发表一份公司研究报告，我就去电脑里导出来有哪些客户持仓了这只股票，然后把报告打印出来装进信封邮寄给他们。
为了打发时间，我开始阅读那些研究报告。
就在那一瞬间，我突然感到体内的某根神经被彻底击中了。我意识到：投资是这个世界上最迷人的、结合了智力与运气的博弈游戏，就像德州扑克一样。在这里，你获取胜算唯一的方法，就是将你对历史规律的深度洞察，与对当下正在发生的行业时事的精确解剖相结合，从而在充满噪音的赔率系统（股市）中发现定价偏差。
在实习的第三天，我跑到书店买下了彼得·林奇（Peter Lynch）的所有著作，用两天时间通读完；接着是巴菲特的所有致股东信，反复读了数遍；然后我捧着那本经典的《股票为什么上涨和下跌》（Why Stocks Go Up and Down）自学了会计学。
回到学校后，我毫不犹豫地把专业改成了历史与经济学双学位，并彻底将所有精力投入到了投资研究中。我每天在攀岩馆里一边训练，一边如饥似渴地阅读早期的《愚人评股》（The Motley Fool）关于资本回报率（ROIC）的分析。
我从小在体育上就没有任何天赋，打乒乓球总是输，下棋也赢不了公园里的老头。但投资这门手艺，向我提供了一个不需要靠肉体拼搏、纯粹依靠脑力求真就能在激烈的社会竞争中脱颖而出的机会。
时至今日，这依然是我唯一擅长并为之倾注一生热忱的志业。
帕特里克： 这真是我听过的最棒的行业布道。向你的父母致敬，也谢谢你今天极其宝贵的时间。
加文： 非常感谢，这是一次极其享受的对话。