文章探讨 AI 基础设施建设日益依赖债务融资，私募信贷扮演越来越重要的角色。2026 年第二季度 Apollo 与 Blackstone 牵头 350 亿美元为 Anthropic 采购芯片，成为史上最大私募信贷交易。六大科技巨头今年资本开支预计约 8700 亿美元，2027 年超 1.3 万亿。研究显示，AI 相关企业私募贷款利差仅比其他贷款高 0.1 个百分点，贷款方可能低估 AI 风险，或股市高估未来利润。部分 AI 融资的期限错配与市场分化（如 xAI 债券溢价、Project Jupiter 折价）进一步揭示风险，文章提出核心问题：私募信贷本身是否构成泡沫。
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
文章探讨了算力金融化的兴起。CME集团与Silicon Data计划于2026年10月推出算力期货合约。2026年AI资本开支达7650亿美元，首次超越油气行业。算力市场面临GPU租金波动、芯片迭代贬值、数据中心建设周期长等风险，急需期货工具对冲。但市场扩展需解决集中度和可互换性两大问题：NVIDIA垄断底层芯片供应，同型号GPU性能差异可达38%。作者发布129页深度报告，分析算力作为资产类的潜力、历史期货市场成败案例、算力交易单位及受益者。
文章介绍了 AI 代理经济的现状与未来。通过 OpenClaw 和 Claude Code 等案例，阐述了软件构建方式从聊天机器人向自主任务型 AI 的结构性转变。虽然技术潜力巨大（如 Anthropic 收入暴增），但实际部署中仍面临频繁失败的风险。文章提出了一个五层框架来分析代理技术栈，探讨了价值积累与商品化的分布，并指出技术可能性与实际部署之间的差距即是投资机会。
本文通过类比互联网时代的 OSI 模型，构建了一个包含六层的 AI 概念堆栈：基础设施、芯片、数据、模型、执行和应用。文章指出，基础设施层高度集中（如 ASML、NVIDIA），并在芯片层分化为软件 AI（智能成本下降）和物理 AI（侧重能源与执行）两条路径。作者分析了各层的支点资产及未来价值所在，旨在通过描绘当前边界来预测未来的行业巨头。
