作者通过对比1998-2000年电信设备泡沫与当今AI时代的结构相似性，追踪了45家当年融资超1亿美元或以3亿美元以上被收购的电信设备创业公司的结局。13家早期被收购的 公司为投资人带来巨额回报，但其中10家产品两年内被砍掉；32家未及时退出的公司69%几乎血本无归，至今没有一家作为独立企业存活。文章指出创始人背景与融资金额与回报呈负相关，退 出时机（Vintage）才是决定胜负的关键。作者认为当前AI行业的结构（卖铲人垄断、超大规模厂商高资本开支、实验室巨额算力承诺、高估值创业公司）与当年高度相似，但英伟达盈利能力、 客户真实收入增长等是关键不同。
作者提出一个分析AI需求的框架，认为当前分析师普遍假设AI需求无限，却很少有人认真拆解需求来源。作者将任务按有界/无界与长时程/短时程分类：有界任务（如税务、会计）对成本敏感，终将由廉价模型和开源模型主导；无界任务（如AI研发、软件开发、量化交易）则依赖前沿模型token。据估计，这三类无界任务约占前沿实验室推理收入的50%，且它们与收入增长形成反身性反馈循环——AI繁荣本身催生了对AI的需求，这既能加速增长，也可能反向螺旋。
本文探讨了市场预测的不可约性，即市场规律因被广泛知晓而失效。作者通过97个选股指标在发表后收益衰减58%的实证，以及村口先知的故事，揭示了市场与天气的本质区别：市场会因预测而改变。文章分析了涌现、自指和计算复杂性三层机制，指出不可约性是市场运转的前提，收益是不可约性的租金。最后，作者为普通人提供了基于此结构的投资启示，强调区分可算与不可算、关注容量和持有不可算成分。
