AI商业模式的危机

✍ snowboat🕐 2026-07-21📦 55.1 KB 🟢 已读 𝕏 文章列表

文章深入分析了AI产业面临的商业模式危机。尽管AI产品需求旺盛、用户增长迅速，但巨额的资本开支与实际收入之间存在巨大鸿沟。模型公司夹在中间，面临重工业般的投入成本、大宗商品般的定价压力，却享受着软件公司的高估值，这种结构性错配导致其长期盈利能力存疑。

# 讨论：AI商业模式的危机 **作者**: snowboat **日期**: 2026-07-20T23:59:49.000Z **来源**: [https://x.com/snowboat84/status/2079355630452957309](https://x.com/snowboat84/status/2079355630452957309) --- ![Image](/doc/3217/image/img_29f99a663da7.jpg) 最近几年大家谈AI，最容易各说各话的地方，是把两个问题混在一起。一个问题是AI到底有没有用。这个问题其实越来越没有悬念。ChatGPT到2026年初有近9亿周活，OpenAI和Anthropic的收入爬坡速度，这些放在任何一段商业史里都很吓人。Anthropic从10亿美元年化收入涨到470亿美元，只花了一年多，至少是美国商业史上最陡的收入爬坡之一。另一个问题是，这门生意最后能不能赚钱。真正麻烦的是这里。用户是真的，需求是真的，产品也是真的，可账本越摊越大，钱反而越来越难算平。这篇文章讲的就是这本账。我的判断很简单，在这条AI产业链上，钱正在被两头赚走。上游的芯片公司赚走利润，下游的云平台和握着用户、数据、工作流的人赚走位置。夹在中间的模型公司，花钱像重工业，定价像大宗商品，估值却像软件公司。这三件事放在一起，很难长期成立。 # 一、先澄清：危机不等于AI没用 ## 1.1 需求是真的，这不是幻觉先把最容易搞混淆的地方说清楚。我们讨论AI的商业模式危机，不等于看空AI的能力。到2026年，继续宣扬"AI无用论"，已经很难站住。ChatGPT在2026年2月冲到约9亿周活，付费订阅用户约5000万。企业侧，微软、谷歌、亚马逊的AI相关收入，也都在以三位数百分比往上长。再看收入爬坡。Anthropic从10亿美元年化收入涨到470亿美元，前后只花了一年多。做企业软件的Salesforce从零爬到300亿美元年化收入，用了约20年。一个用了20年，一个一年多就走完了。所以需求端不是这篇文章要质疑的地方。真正奇怪的地方恰恰在这里：需求这么猛，产品这么火，为什么这门生意的账还越来越难看？ ## 1.2 危机在账本，不在产品真正对不上的是资金。更具体一点，是四件事放不到一张账上：投入、回报、估值、定价。平常说一门生意有危机，多半是产品那头出了事：用户跑了，东西卖不动，收入往下掉。AI这门生意正好反过来，产品那头一片红火，用户和用量都在猛涨，收入曲线陡得吓人。难看的全在账本这一头。这也是它最容易引起争论的地方。一方盯着产品，越看越兴奋，另一方盯着账本，越算越心慌，两边看的其实是两件事。你说AI火不火，火得一塌糊涂。你问它赚不赚钱，账却怎么摊都摊不平。这两句话可以同时成立，也正是这篇文章想说清楚的那点别扭。投入越来越像重工业，一年几千亿美元往数据中心里砸。回报来得慢，来了也未必填得上窟窿。估值却按软件公司的倍数给，好像边际成本很快会降到接近零。定价又被开源模型和商品化压着，很难往上提。 ![Image](/doc/3217/image/img_16c8a4d31820.jpg) 这四件事，单独拎出任何一件，都有一套听着挺顺的说法。投入大，是在抢未来的入场券。回报慢，是还在早期。估值高，是市场在给成长性定价。定价低，是在跑马圈地占份额。每一条辩护，孤立地看都站得住，多头也正是靠这些说法把故事撑起来的。真正的麻烦，是把这四件事摊到同一张纸上，它们就开始互相拆台。重工业的投入，配上大宗商品的定价，本就很难挤出利润。这么薄的利润，再套上软件公司30多倍收入的估值，那道差额只能靠“以后会好”来填。这四件事之间的张力，才是后面几章要一层层拆开的东西。所以我会按这个顺序往下走：先看投入和回报之间的缺口，再看模型公司自己的账为什么难算，然后看价格为什么上不去、用户为什么留不住。最后再看一层更隐蔽的东西，循环融资和订单集中。 ## 1.3 为什么从宏观往微观潜这篇文章会从宏观一路往下讲，不是为了把问题讲复杂。一开始看到的是巨额资本开支、自由现金流下滑、亏损扩大。这些数字很吓人，但它们还只是表面。真正要问的是，为什么这些钱非花不可，为什么花出去以后很难留下利润。往下走到模型公司的单位经济学，再走到价格和护城河，你会看到一个更冷的问题：这门生意现在亏钱，究竟是因为还在早期，还是因为结构本身就不太像一门好生意？ # 二、表层：投入与回报之间越拉越大的鸿沟 ## 2.1 一个没有历史可比的数字先看那个最直观、也最吓人的东西，钱花出去的速度。 2025年，全球四大云厂，亚马逊、微软、谷歌、Meta，合计资本开支约4100亿美元。到2026年，这个数字跳到约7250亿，同比涨了约77%。把甲骨文算进来，五家合计约7750亿。一年之内，多花出去三千多亿。这个数字有多大，可以找个参照。7750亿美元，差不多相当于瑞士一整年的GDP。也就是说，全球最有钱的几家科技公司，一年砸进AI基础设施的钱，已经接近一个中等发达国家一整年创造的财富。在商业科技投资史上，这种投入强度很少见。这些数字来自各家公司自己的最新指引，不是市场传闻。亚马逊单家2026年资本开支指引约2000亿美元，谷歌约1750亿到1850亿，Meta约1150亿到1350亿。每一家都在往上加码，没有一家喊停。 ![Image](/doc/3217/image/img_8d200f58141a.jpg) 不同报道的口径会有一点差别。有的只算四大云厂，有的把甲骨文也算进来，有的还会把租赁算力放进去。但不管怎么算，方向都一样：每一家的最新指引都比上一季更激进。微软把资本开支排到了创纪录的水平，谷歌年内两次上调指引，Meta说到2028年还会继续加。现在市场真正担心的，甚至是它们花得不够快。 ## 2.2 红杉的那道缺口钱花得猛，本身还不能说明问题。关键要看这些钱什么时候能收回来，又靠什么收回来。这里绕不开红杉资本的David Cahn，和他从2023年起反复更新的那道账。 Cahn的算法很朴素。他从英伟达的数据中心收入倒推：芯片大约只占数据中心总成本的一半，终端和云厂还各要留出大约一半的毛利，两头一乘，就能估出整个AI产业每年得挣回多少真金白银，才撑得起眼下这么大的投入。 2023年他第一次算，得数是每年约2000亿美元。2024年6月再算，英伟达的芯片卖得更疯，这个数字直接翻到每年约6000亿美元。问题是收入这一头远远没跟上。2024年年中，全球最能打的OpenAI，年化收入也才约34亿美元。就算把谷歌、微软、Meta当时那点零星的AI收入全乐观地加进来，离6000亿还差着一条以千亿计的沟。Cahn自己给这条沟估的数，是每年约5000亿美元。这还只是2024年的账，两年过去，坑只会更深。就在2026年7月，Cahn又更新了一版：随着云厂资本开支翻倍到约7250亿美元，按同样的逻辑倒推，AI产业每年隐含需要的终端收入，已经从6000亿飙到了约1.5万亿美元。那实际收入这一头，如今跑到哪了？把两家最能挣钱的模型公司摆出来：OpenAI年化约250亿美元，Anthropic约470亿，加起来约700亿。这已经是这个星球上AI收入的绝对头部。再把云厂那些AI相关收入、各家零零碎碎的AI产品都算上，乐观拼一拼，全行业撑死也就几千亿的量级。可对面那个隐含需求，是1.5万亿。中间差的，是一整个数量级。 ![Image](/doc/3217/image/img_9d90e2ffe276.jpg) 这道缺口不必抠得太精。Cahn自己也说过，这更像一道逼人算账的题，不是财务报表上的确数。不同机构对AI到底挣了多少的口径也差得很远，有人算200多亿，有人算1000亿。但不管用哪个口径，结论都一样：AI产业砸出去的钱，和终端客户真正愿意掏的钱，中间隔着一条以万亿计的沟，而且这两年还在继续变宽。 ## 2.3 比互联网泡沫还重的资本密集度有人会说，科技行业砸钱换未来，历来如此，互联网当年不也这样。这话对一半。真要比，得比一个更硬的指标，资本密集度，也就是资本开支占营收的比重。摩根士丹利的分析师算过一笔账。2000年互联网泡沫顶点，整个科技行业的资本开支占销售额约32%。而这一轮AI热潮，2026年这个比重约34%，预计到2028年爬到约37%。如果把租赁的算力也算进去，数字还要更高。这组数字，是看空者手里最有分量的一张牌。它说的是，按投入强度算，今天这场AI基建，已经超过了互联网泡沫最疯狂的那一刻。当年那场泡沫最后破掉时，资本密集度还没到今天这么高。这个对比要稍微停一下。2000年那场泡沫之后，纳斯达克跌去近80%，无数公司消失。今天这场AI基建，至少在投入强度这个指标上，已经站到了比那次顶点还高的位置。这不等于它一定会用同样的方式收场，但那种“这次肯定不一样”的乐观，至少不能只靠感觉。资本密集度高，不等于一定会破。钱花在哪、有没有真实使用、有没有最后变成收入，还要放到第七章再讲。但只看投入强度，2026年的AI已经站在一个很危险的位置。 ## 2.4 自由现金流的塌陷砸钱的后果，最后会落到自由现金流上。过去20年，自由现金流是这些科技巨头最让华尔街放心的地方。现在，AI资本开支正在一点点吃掉这块家底。现在是2026年年中，各家一季度财报陆续出来，这件事已经从预测变成正在发生的现实。最扎眼的是亚马逊。它一向是华尔街眼里现金流的模范，可截至2026年3月的滚动一年自由现金流，已经从上年同期的约259亿美元，塌到只剩约12亿，基本归零。吃掉这几百亿的，主要就是AI相关的资本开支。谷歌的下滑没这么猛，但方向一样。它2025年全年自由现金流约733亿美元，到2026年一季度同比降了约47%，只剩约101亿。年初分析机构Pivotal预测，谷歌全年自由现金流会一路掉到约82亿、跌幅约90%。有意思的是，光一季度实际就超过了这个全年预测，断崖眼下还没塌得那么狠。可即便现金流承压，谷歌还是把全年资本开支指引又上调到1800亿到1900亿美元，钱只会越花越多。再把镜头拉到整个云厂群。美银测算，2026年这几家会把约90%的经营性现金流砸进资本开支，2025年这个比例还只是约65%。研究机构Epoch AI追踪得更细，几家云厂合计的资本开支，预计在2026年三季度前后正式超过它们合计的经营性现金流，也就是合起来的自由现金流一同归零。这已经不是遥远的推演，甲骨文越过这条线了，亚马逊大概就在这几个月跨过去。这背后是一种身份变化。过去20年，这几家公司更像轻资产的印钞机，赚的钱多到花不完，只能拿去回购股票、发股息。现在，它们越来越像重资产公司，一年到头把现金流填进机房和芯片，还不一定够，后面甚至要开始借钱。这个变化对估值是伤筋动骨的。市场当年愿意给这几家公司那么高的价码，很大一部分就是冲着那份花不完、年年稳定的现金流。如今这份稳定被AI基建大口吞掉，现金流从确定变得可疑，撑估值的那根柱子自然也跟着晃。 ![Image](/doc/3217/image/img_51bb94530569.jpg) 这一章讲的还只是表面现象。钱为什么非得这么花，花出去之后为什么很难填上窟窿，还要继续往下看，看到模型公司这门生意本身。 # 三、深层：模型公司的单位经济学，结构性地不成立 ## 3.1 最该看的，是纯模型公司的账第二章那些资本开支和现金流数字，都还隔着一层。要判断AI这门生意到底成不成立，最该看的，是纯模型公司的账。云厂砸钱是一回事。微软、谷歌、亚马逊家底厚，AI这块就算烧钱，广告、电商、办公软件、云服务还在造血，短期内扛得住。 OpenAI和Anthropic不一样。它们站在产业链最中间，没有一个成熟业务在旁边托底，基本就是靠"训模型、卖模型"这件事吃饭。所以它们的账本，比云厂的账本更能说明问题。云厂财大气粗，反而容易遮住这门生意本身的缺陷。我做AI这些年，一个越来越强的体感是，模型生意最别扭的地方在于，规模越大，账未必越好看。传统软件通常是规模越大越赚钱，因为多服务一个用户的成本很低。模型公司偏偏相反，收入涨得很快，推理、训练、数据中心的成本也跟着往上走。问题不只是经营效率，而是这门生意的成本结构本来就很重。 ## 3.2 两个主角的账本把两家的账本摊开看，"亏损"这两个字会变得很具体。先看OpenAI。它的年化收入到2026年年中约250亿美元，全年目标定在约300亿。这个数字已经很大，可它照样在巨亏。 2026年预计的经营亏损约140亿美元，而更能反映真实失血的现金消耗，一年高达约270亿，光一季度它就烧掉了约37亿。作个对照，它2025年泄露出来的实收才约130亿，经营亏损却有约210亿，挣的还没亏的多。估值又是另一回事。2026年2月那轮融资，OpenAI的投后估值约8400亿美元，可仅仅一个月后的3月底，它又加了一轮，估值抬到约8520亿，是年化收入的约34倍。这个倍数更像给纯软件公司的，而不是给一家要持续买芯片、租数据中心、付电费的公司。更麻烦的是转正时间。按它自己最新的内部预测，自由现金流要到约2029年甚至2030年才可能转正，2028年反而是亏得最深的一年，单年经营亏损可能高达约740亿美元。再看Anthropic。它的收入曲线是美国商业史上最陡的几条之一，从2024年底的约10亿美元年化收入，到2026年5月约470亿，一年多涨了40多倍。这条曲线在2026年4月就追过了OpenAI，如今470亿的年化，差不多是OpenAI的两倍。它的官方融资估值约9650亿美元，2026年中成了全球最贵的AI公司之一。烧钱这头，Anthropic的绝对额还小一些。2025年现金消耗约30亿美元，可2026年它传出了个反常的消息：预计在二季度做出史上第一个经营盈利的季度，约109亿收入、5.6亿经营利润。这份盈利得打个问号，一来只是经营利润口径，二来公司自己也提醒，下半年算力一扩张，利润率又会被重新压下去，全年能不能真盈利还不好说。两家加起来，是这个星球上增长最快、烧钱也最猛的一对。尤其是OpenAI，收入爬得有多陡，亏损的窟窿就有多深，两件事本就是同一枚硬币的两面。你没法只要前者不要后者，因为它们出自同一个结构。再往细里看一层，OpenAI这本账最刺眼的地方，是亏损曲线的形状。按泄露的内部预测，它的亏损不会逐年收窄，反而要先扩大到2028年，之后才慢慢往回收。它离盈利隔着的，是好几年、上千亿美元的持续失血。正因为缺口这么大，两家在2026年6月几乎前后脚机密递交了IPO申请，想从公开市场再拉一笔更大的钱。可偏偏赶上SpaceX上市后股价跌得难看，OpenAI传出要把IPO推到2027年，怕市场给不出它想要的万亿估值。这样的公司必须一直融到钱，融资的窗口一旦变窄，后面的计划就接不上。这也解释了为什么第六章要专门讲那条金融管道。 ![Image](/doc/3217/image/img_efb3f770b6fc.jpg) ## 3.3 别的软件生意没有的诅咒大语言基础模型问题的根，其实是过去软件公司很少面对的：模型公司的成本结构，常常会随着新一代模型出来，被迫重新来一遍。一家传统软件公司，比如做办公软件的，代码写好了，第100万个用户和第一个用户用的是同一套东西，多服务一个人的边际成本几乎是零。它的护城河会随时间越垒越厚，客户越攒越多。这是软件生意为什么这么好、估值为什么这么高的根本原因。模型公司没这么轻松。它今天花几十亿美元训出一个前沿模型，可能领先半年。半年后竞争对手追上来，它想继续站在前沿，就得再花一大笔钱训下一代。之前那笔投入还没收回多少，就变成了沉没成本。如今，情况变的越来越糟糕，模型的领先甚至只能用星期来衡量了。传统软件更像是在一个地基上不断加盖。模型公司更像隔一段时间就要重浇一次地基。它为产品付钱，也为"保持前沿"不断续费。这就是两家公司账本上巨额亏损的来源之一。传统软件的理想曲线，是一次投入、长期收租。模型公司的曲线更像周期性重置，刚要开始收租，下一代模型的账单又来了。只要"前沿"这两个字还值钱，这个循环就很难停。 ![Image](/doc/3217/image/img_d4ff4198c609.jpg) 举个具体例子，体会这个诅咒有多贵。一家公司花大价钱训出当下最强的模型，靠它领先小半年、收着溢价。可半年后竞争对手用更省的方法追平，开源社区甚至把接近的能力免费放了出来。它手里那个曾经最强的模型，一夜之间从资产变成包袱，之前投进去的几十亿，收租还没回本就得作废。想继续待在牌桌上，它只能立刻掏出更大的一笔去训下一代。这笔钱花一次远远不够，它是一种停不下来、越滚越大的续命费。 ## 3.4 三个估值口径的错配把上面这些合成一句话，就是模型公司这门生意最别扭的地方：花钱像重工业，定价像大宗商品，估值像软件。花钱像重工业，说的是它的成本结构。训模型要天量的芯片、电力、数据中心，动辄几十上百亿的固定投入，跟钢铁厂、化工厂一个量级，是最典型的重资产、高资本密集度生意。定价像大宗商品，说的是它的收入端。模型能力越来越同质化，开源紧追不舍，客户随时能换供应商，所以它的定价权极弱，价格被压着一年比一年低，跟卖石油、卖铜这种谁家的都差不多的大宗商品一个待遇，这是第四章要展开的。估值像软件，说的是资本市场给它的价码。30多倍收入的估值，是给那种边际成本趋零、护城河极深的软件公司的。可模型公司的成本结构和定价权，跟软件公司差了十万八千里。这三个口径放在一起，就会打架。重工业的成本，配上大宗商品的定价，很难赚出厚利润。大宗商品的定价，再配上软件公司的估值，逻辑又更紧张。换成一个具体对照会更清楚。一家健康的SaaS公司，毛利率可以到80%，估值给到收入的10到15倍，市场还能接受，因为它多服务一个客户几乎不增加多少成本。OpenAI不一样，推理和训练成本长期压着毛利空间，市场却给了它收入30多倍的估值。同样一套估值逻辑，套在两种完全不同的成本结构上，一个撑得住，另一个就很吃力。中间那道差额，现在靠的是市场相信"以后会变好"。牛市里，这种相信很值钱。等市场开始要现金流，它就会变得很脆。 ![Image](/doc/3217/image/img_e2245e7465db.jpg) # 四、价格天花板在往下走，成本却降不下来模型公司站在中间，最难受的地方，是两边同时挤。价格往下走，成本却没法跟着一起往下走。这一章先说价格。 ## 4.1 开源把操作系统免费送了价格天花板为什么会崩，第一推手是开源。在别的行业，最核心的那层技术是要花大价钱买授权的，比如你想用微软的操作系统，得付钱。可在大模型这行，最核心的那层，被人免费送了。2026年4月，DeepSeek开源了DeepSeek V4，能力逼近最前沿的闭源模型，许可证宽松到可以自己部署、随便商用。它不是孤例，阿里的通义千问、智谱的GLM、月之暗面的Kimi、MiniMax，一整批开源家族在前沿闭源模型发布后几个月内就追平，能力差距压缩到以个位数的基准分来计。这意味着什么？一个客户如果嫌OpenAI或Anthropic的API太贵，可以把开源模型下载下来，架在自己的服务器上自己跑。能力也许差几分，但便宜得多，而且数据不用出自己家门。顺带说一句，早年被当成开源领头羊的Meta的Llama，如今在这批开源模型里反而掉了队，领跑的换成了DeepSeek、通义千问、GLM这些中国名字。这本身也是个信号，连"谁是最强开源"都在快速洗牌，说明这一层的能力，正在变成谁都能造、谁也占不住的公共品。这批开源模型强到什么程度，看公开榜单和模型卡就能大致感受到。DeepSeek V4分了Pro和Flash两个版本，长上下文、代码和Agent任务都在对标前沿模型。智谱的GLM、阿里的Qwen、月之暗面的Kimi，也在多个公开榜单上轮流往前挤。具体小数点会随榜单和版本变化，不必咬得太死。真正重要的是方向：开源和闭源的能力差距，已经压到许多企业可以接受的范围内。对大多数企业场景来说，差那几分，越来越难构成非用闭源不可的理由。 ## 4.2 开源给闭源模型划了一条价格线开源模型的存在，等于给所有闭源模型划了一条价格线。道理很简单。一个前沿API能收多少钱，上限就是客户自己部署一个开源等价物的成本。你要是敢收得比这个高太多，客户扭头就自建了。而开源模型的能力在涨、部署的成本在降，这条上限就只能一年比一年往下挪。价格降到什么程度？拉长了看，过去这些年，同等能力的模型调用价格，几乎是每年降一个数量级，这是研究机构Epoch AI追踪到的趋势。到2026年，降价速度明显放慢，年内大约只降了个位数百分比，但方向没有变：成本这头很难快速降，价格那头却很难涨。这就很麻烦。一门生意如果成本很硬，售价却被外部竞争压着走，利润空间就会一点点变薄。石油公司好歹还能靠减产撑价，模型公司很难这么做，因为旁边总有开源模型免费供应。再具体一点。假设一家企业每月要花几百万美元在模型调用上，闭源API一涨价，它的财务部门立刻会算另一笔账：把开源模型架在自己租的GPU上，一次性投入加运维，几个月能不能把差价赚回来。这笔账只要算得过来，客户就会用脚投票。模型公司心里也清楚，所以它们很难随便涨价。最核心的产品，被一路推向大宗商品的价格带。一门连价格都很难往上提的生意，很难长成高利润的软件公司。 ## 4.3 消费端也在找补贴企业端被开源压着，消费端的日子也没那么轻松。看ChatGPT这个当红炸子鸡。近9亿周活，听着是印钞机，可只有约5%的人付费，5000万订阅用户对着近9亿的白piao用户。更说明问题的是，2026年2月，OpenAI开始在免费版里放广告了。这是一个很熟悉的剧本。一个产品如果靠订阅费就能覆盖成本、还能赚钱，通常不会太早去碰广告这种伤体验的东西。开始测试广告，至少说明订阅这条路还不够，需要再找一个赚钱口子来补。这跟我在《大语言模型的商业痛点》里讲过的逻辑是接得上的。当一门AI生意的成本压力大到要靠广告来对冲，它离"健康的软件生意"就已经很远了。互联网当年，也是一批撑不住订阅的网站，最后集体转向广告。这个广告是从2026年2月9日开始测的，先在美国的免费版和低价Go档里放，Plus以上的付费档不放，几个月后又扩到了英国、日本、韩国、巴西、墨西哥。一个手握近9亿周活的应用，上线三年就开始靠广告补贴运营，这件事本身就说明，它的成本压力很重。 # 五、留不住用户，才是模型公司更大的麻烦价格上不去已经够麻烦了，更麻烦的是用户留不住。要讲清楚模型公司缺的是什么，可以先看一个相反的例子，智能手机。 ## 5.1 智能手机是怎么留住用户的智能手机行业，是"锁定用户"这件事的教科书。它靠一整套东西叠在一起，不靠某个单一功能。一个操作系统，iOS或安卓。一个App生态，你所有常用的软件都长在这个系统上。一堆数据，你的照片、聊天记录、支付习惯，都存在这个体系里。还有多年养成的使用习惯，你闭着眼睛都知道每个按钮在哪。这几样东西叠在一起，就垒出了一道极高的切换成本。结果就是苹果和安卓两家寡头。一个苹果用户想换到安卓，要面对App重买、数据迁移、习惯重建的一堆麻烦，多数人嫌烦就不换了。这道由高切换成本筑起的墙，就是护城河，也是苹果和谷歌能常年赚取高利润的根本。这道墙有多值钱，看利润分配就知道。全球智能手机基本被苹果和安卓两家分掉，苹果一家拿走了整个行业绝大部分的利润。它可以年年卖不便宜的手机，用户还照买。某一代手机到底领先多少，反而没那么关键。关键是你明知有别的选择，也懒得搬家。 ## 5.2 大模型的原始层，切换成本趋近于零再看大模型。在最原始的那一层，也就是纯粹卖模型调用的那一层，切换成本几乎是零。一个企业客户，今天用着OpenAI的模型，想换成Anthropic的，或者换成某个开源模型，改一行配置就行了。数据迁移比想象中简单得多。更要命的是，聪明的下游应用为了不被任何一家模型公司捏住脖子，会刻意把自己做成"模型无关"的，底层随时能换，谁便宜好用就用谁。这一层长不出苹果和安卓那样的双寡头。它缺了智能手机那套锁定用户的零件，没有独占生态，没有沉淀数据，也没有难迁移的习惯。它更像一个可替换的原材料供应商。谁家的模型这个月更强、更便宜，客户就用谁的，下个月风向变了，客户也可以立刻走。这里有个很现实的现象。不少AI应用公司为了避免被单一模型商绑死，会同时接好几家的模型，在后台按价格和性能切换。哪家便宜、哪家好用，就把流量导给哪家。对这些应用来说，底层模型有点像插座里的电，来自哪家发电厂并不重要，稳定和便宜更重要。当你的产品被下游当成可随时替换的电来用，就很难再收品牌溢价。这跟握着用户、握着场景的应用层，是两种完全不同的命。 ## 5.3 大厂在拼命人工制造护城河模型公司当然不甘心当大宗商品供应商。它们正在努力补上自己原来没有的护城河，而最直接的办法，就是学习智能手机。最像"造iOS"的一手，是记忆和个性化。2026年6月，OpenAI推出Dreaming记忆系统，把你在ChatGPT里长期聊过的偏好、手头的项目、提过的要求都记下来，让它在后面的对话里接得上，不用你每次从头交代一遍。这件事的商业含义很清楚。把"记忆"留在一家，就等于把用户多留住一点。你在ChatGPT里攒了三年的对话、偏好、项目背景，它对你的了解，是你换到别家时很难完整带走的。模型公司要的，就是这份迁移成本。另一条路是接入你的生活和工作。让AI连上你的Gmail、你的银行、你的工作流，接得越深，你越离不开。企业侧最典型的是微软的Copilot，它背后有个叫Microsoft Graph的东西，把一个组织内部的邮件、文档、日程、人际关系织成一张知识图谱，Copilot答问题时就从这张图谱里捞你公司自己的数据。你公司的数据越沉淀在微软体系里，就越换不动。还有分发和习惯。"ChatGPT"这个词已经变成了动词，就像当年的"谷歌一下"。当一个品牌变成了一个动作，它就赢得了一层最朴素、也最顽固的护城河。到2026年，这已经不再是OpenAI一家的动作，几乎所有主流助手都在同一时间抢着上记忆。谷歌的Gemini推了个人智能，微软的Copilot把记忆做成正式功能，马斯克的Grok也上了持久记忆，Anthropic给Claude加了记忆，还配了回顾功能。大家看明白的是同一件事：当模型能力越来越拉不开差距，它有多懂你，就成了少数还能拉开差距的地方。谁能把用户多年的痕迹沉淀在自己这里，谁就多一份别人抢不走的黏性。 ## 5.4 但这道墙还不够结实问题是，模型公司正在造的这道墙，比智能手机那道墙脆得多。原因有三条。第一条，下游应用会故意防锁定。智能手机的App生态是帮着苹果、谷歌留住用户的，可大模型的下游应用，为了自保，往往会主动做多供应商适配，避免被任何一家模型公司锁住。模型公司在这头造墙，下游应用在那头拆墙，墙就很难砌高。第二条，它没有真正的定价权。一个有护城河的生意，是能涨价的，苹果的手机年年不便宜。可模型公司在干相反的事，塞广告、放风要砍掉无限套餐、价格逐年下移。这些动作本身，就是护城河太薄的财务信号。真有定价权的生意，不会这么被动。第三条，"新版更差就跳走"是真实存在的流失机制。模型迭代很快，一家公司出了个新版本，如果口碑不如上一代，或者不如竞争对手当月的新品，用户当天就能跑。而你的手机，不会因为一次系统更新体验变差，就让你连夜换阵营，因为迁移成本太高。大模型没有这个保护，用户确实说走就走。不过这道墙能不能砌牢，业内自己也有分歧。一派认为记忆终究会可迁移，将来有标准让你把AI对你的了解从一家导出、搬到另一家，那这道墙就白砌了。另一派认为，就算数据能搬，那种日积月累磨出来的默契搬不走。争论还没结果，但它本身就说明，记忆这道护城河眼下还是一个在赌的方向，远没到砌成事实的地步。 ![Image](/doc/3217/image/img_3b9c3255acc4.jpg) ## 5.5 懂你，真能算护城河吗？模型公司押的终极护城河，就是“懂你”，它记住你越多、越深地嵌进你的生活，你就越离不开它。听着有道理，可你只要追问一句“懂你”到底怎么衡量，这道墙就开始发虚。智能手机的切换成本是能算的。换台手机要重买多少App、迁移多少GB照片、重建多少使用习惯，都能换算成实打实的时间和金钱。“懂你”却没有这样一把尺子。它记住了你爱喝什么、孩子叫什么、上周在改哪版方案，这些到底值多少钱、又能拦住你多久，谁也说不清。一个量不出、也定不了价的东西，很难真的当成资产来算。更别说，上一节刚讲过，这点“了解”将来很可能是能导出、能搬走的。更该警惕的是，上一次科技行业把“进入你生活的助手”当护城河来押，结局并不好看。2014年亚马逊推出Alexa，到2023年5月，带Alexa的设备累计卖出超过5亿台，几乎住进了美国每一个家庭的厨房和客厅。苹果的Siri更早，2011年就随iPhone 4S出场，装进了几十亿部手机。论“进入生活”，它们比今天任何一个AI助手都更深、更早。可结局是双双沦为鸡肋。人们用Alexa，绝大多数时候只是定个闹钟、问句天气、放首歌，这些免费的低价值动作根本没法变现，寄望的语音购物几乎没人真用。据《华尔街日报》拿到的内部文件，亚马逊的设备部门2017到2021年累计亏了约250亿美元。另据Business Insider，光2022年一年就预计再亏约100亿，内部有人干脆把Alexa叫作“想象力上的一次巨大失败”。 Siri那边也好不到哪去。它停滞了十来年，难用到被科技媒体当成反面教材，苹果许诺的“更懂你的Siri”一推再推，拖到2026年都没真正交付。 Alexa和Siri的教训很直白：进入生活，不等于就有护城河，更不等于能赚到钱。装机5亿台，没能拦住Alexa变成一个赔钱的鸡肋，反倒是今天的ChatGPT，正把它和Siri一起拍在沙滩上。还有个更扎心的细节，2025年亚马逊拿来救场的新版Alexa+，底层接的正是Anthropic的Claude。连坐拥5亿台设备的亚马逊，最后也得回头租模型公司的能力。这一头印证了这篇文章的判断，值钱的是握着用户那一层，模型只是可替换的零件。可另一头它也在提醒模型公司，就算你把“懂你”做出来了，那也未必就是一门收得到钱的好生意。所以这一章的结论，没那么爽快。价值确实在从“模型”这个壳往外走，走向那些握着用户关系、数据和工作流的应用层，这个大方向大概率是对的。夹在中间只卖模型的公司最尴尬，这一点也没变。但应用层那道叫“懂你”的护城河，眼下还只是一个被寄予厚望、却远未被证明的赌注。别忘了，上一批把宝押在“进入生活”上的巨头，可是实打实亏掉了几百亿。 # 六、再看金融层：循环融资和订单集中看完产品和成本，还要看资金怎么流。这一层更隐蔽，但风险不小。 ## 6.1 循环融资：让需求看起来比实际更真这一轮AI热潮里，有一种奇特的资金安排，叫循环融资。它的样子并不复杂。芯片商或者云厂，拿钱去投资一家AI公司。这家AI公司拿了钱，回过头来又把钱花在买芯片、租算力上。钱转了一圈，又回到了出发的地方。最典型的一条链是，英伟达曾宣布有意向OpenAI逐步投资最高1000亿美元。OpenAI又跟甲骨文签了约3000亿美元的算力大单，跟微软Azure新增约2500亿美元承诺，并跟AWS签下约380亿美元协议，后来又追加约1000亿美元扩展协议。而这些云厂搭数据中心，最后买的又是英伟达的芯片。类似的安排不止一条。AMD也通过面向Meta的认股权安排，把芯片供应和大客户绑定在一起。彭博社专门做过一张图，叫"AI循环交易"，把微软、OpenAI、英伟达这几家互相付钱的关系画成了一个圈。这个圈的问题在于，它让"需求"看起来比实际更真。同一笔钱在圈里转一圈，每经过一段，就被记一次收入，或者记一笔算力积压订单。芯片商的收入涨了，云厂的订单涨了，看上去需求汹涌，可这需求里有相当一部分，是自己投出去的钱又流回了自己的账上。 ![Image](/doc/3217/image/img_1531165eb08d.jpg) ## 6.2 Chanos之问著名做空者Jim Chanos，把这件事的矛盾讲得很直接。他问，当所有人都在喊"算力需求是无限的"，为什么卖家还要不停补贴买家？他说的就是循环融资的本质。英伟达把钱投给还在亏损的公司，好让这些公司有钱来订它的芯片。这个逻辑很别扭：一个真正供不应求的东西，通常不需要卖家反过来补贴买家。更大的风险是关联性。当每一方的增长，都建立在其他方的增长上，这个圈就变成了一条绑在一起的链子。任何一个环节出问题，比如OpenAI收入不及预期、拿不出钱付甲骨文的账单，冲击就会沿着圈子传导。甲骨文的订单会受影响，英伟达的芯片订单也会受影响。 Chanos还特别点了一类玩家的名，叫neocloud，也就是算力租赁公司。它们借钱买下成堆的英伟达GPU，再把算力租出去。据他估算，光四家公司背着的债务合计就超过200亿美元，抵押物正是那些会快速贬值的芯片。这类结构在需求旺、租金高的时候看着没问题。一旦租金掉下来，或者芯片提前贬值，抵押物撑不住债务，违约就可能连着出现。它有点像2008年那套次贷逻辑的算力版本：资产本身可能是真的，麻烦出在杠杆太高、链条太紧。 ## 6.3 订单太集中，也是一种风险这种关联性有多集中，看一个数字就懂。到2026年年中，四大云厂，甲骨文、微软、谷歌、亚马逊，手里的收入积压订单合计约2.1万亿美元。这笔钱怎么分的？甲骨文一家约6380亿，微软约6270亿，谷歌云约4620亿，亚马逊约3640亿。数字一个比一个大，本该是最踏实的家底。这是它们已经签了约、还没交付确认的未来收入，本来是好事，说明生意有保障。可问题出在订单的来源太集中。据科技媒体The Information，这2.1万亿里约有一半，来自OpenAI和Anthropic这两家现金流深度为负的初创公司。微软自己的积压订单里，约45%、金额约2810亿美元，全押在OpenAI这一个客户身上。这就危险了。四大云厂2万亿美元的未来收入，有很大一部分系在两家仍在巨亏的初创公司身上。微软近半的订单压在OpenAI一家身上，而OpenAI又在把云支出分散到AWS、谷歌、甲骨文那里，不想继续被微软一家卡住。 ![Image](/doc/3217/image/img_1a03b921ec57.jpg) 这张网很大，但承重结点并不多。OpenAI或Anthropic里任何一家出问题，影响都不会只停在自己身上。 ## 6.4 债务开始进场过去，这几家巨头砸钱，靠的是自己账上花不完的现金流。就算某个方向投错了，也只是少赚一点，伤不到根本。到2026年，情况开始变了，债务进来了。摩根士丹利预计，2026年几家云厂的举债规模会超过4000亿美元，是2025年约1650亿的两倍多。它们正在从"用自己的钱"变成"借别人的钱"来搭这场基建。前面说过，它们的资本开支正在超过经营性现金流，缺口只能靠借。据分析师估算，资本密集度已经达到收入的约45%到57%。债务会改变整场游戏的前提。以前大家说"巨头扛得住，就算AI这块亏，它们家底厚"，这个判断建立在"它们花的是自有现金流"上。一旦开始加杠杆，前提就变了。杠杆会放大一切。需求真来了，它能帮你扩得更快。需求要是没跟上，它也会让亏损来得更快，而且钱到期还得连本带利还。AI基建从"花自己的钱"走向"借别人的钱"，风险的性质就变了。 # 七、那这是不是泡沫？先看乐观派怎么说讲到这里，很多人会自然想到一个词：泡沫。但这个判断不能下得太快。要说AI有泡沫，先得认真看一遍乐观派的理由。 ## 7.1 多头的四张牌乐观派的理由大致有四条。第一条是供给受限。现在卡住行业的，是HBM高带宽内存、CoWoS先进封装、电网和电力。这些东西三年之内很难突然变出来。所以在乐观派眼里，这场基建是在补真实的供给缺口，不是盲目过剩。第二条是出钱的人不一样。互联网泡沫时期，是一堆没收入的初创公司拿着VC的钱乱烧。今天出钱的，是微软、谷歌、亚马逊这些每年赚几百亿美元的巨头。这条理由有一半是真的，但要打个折。前面第六章说过，2026年它们也开始大规模举债，"主要花自有现金流"这个前提正在松动。第三条是Jevons悖论。这是经济学里一个有点绕的规律：一种资源用起来越便宜，总消耗量反而可能越大。套到AI上，就是推理越便宜，用的人和用量就越多，需求会被低价喂大。高盛就预计，到2030年，智能体的token消耗量会涨约24倍。第四条是循环融资的规模可能被高估了。乐观派会说，那些吓人的循环交易，占各方收入的比例没那么夸张，而且很多安排是分批、按里程碑推进的，风险可控。这些理由不能一笔抹掉。供给确实卡在HBM和电力上，出资方也确实比当年那批靠故事融资的初创公司扎实。Jevons悖论在历史上也多次出现，电越便宜用得越多，带宽越便宜流量越大。真正的分歧不在于这些理由有没有道理，而在于它们够不够撑起当下这个量级的估值和投入。一个方向对了的赌注，如果下注下得太大、太早，照样会输。 ![Image](/doc/3217/image/img_496c42a2879e.jpg) ## 7.2 多头也有绕不过去的坑这四条里，第四条最需要单独看，因为它最容易被说轻了。有一种流传的说法，说英伟达对OpenAI那笔交易，只占OpenAI收入的一个很小比例，所以没那么可怕。这个说法站不住。英伟达那笔交易高达1000亿美元，而OpenAI一年的收入也就200多亿美元，交易额差不多是它一整年收入的4倍，根本不是一个零头。 "按里程碑分批投、风险可控"这个辩护也要更新。据报道，这笔交易在2026年初被重组过，英伟达的投入变成了直接股权投资，不再挂钩那些吉瓦级建设进度。也就是说，这张牌没法像很多人说得那么轻松。第二条前面也已经打过折。所以乐观派真正有分量的理由，主要还是两点：供给确实受限，出资方确实比当年健康。至于循环融资和"巨头只花自有现金流"，都没那么稳。 ## 7.3 和互联网泡沫的异同把AI和2000年的互联网泡沫摆在一起比，能看得更清楚。相似的地方不少，不同的地方也很关键。相似之处先看三点。第一，都是叙事驱动，一个宏大的"改变世界"故事在前面拉着估值跑。第二，都有循环融资和供应商融资。当年电信设备商Nortel、Lucent借钱给客户买自己的设备，今天英伟达投OpenAI，好让OpenAI有钱买芯片，机制上很像。第三，资本密集度都极高，前面说过，今天的投入强度甚至超过了当年。这里最该留心的是循环融资。二十多年前，电信设备巨头Nortel和Lucent为了把设备卖出去，借钱给买不起的电信客户，客户拿这笔钱回头买它们的设备，账面上做出一片繁荣。泡沫破时，这些贷款最后变成坏账。历史不会简单重复，但卖家借钱给买家来创造需求，这种结构每次出现都值得多看一眼。不像的地方，是多头最看重的。当年铺下去的大量光纤，是"暗光纤"，铺完就闲置在那里没人用，等于钱打了水漂。今天的GPU不一样，几乎没有闲置的，全都在满负荷地跑，需求是真的在消耗算力。出资方也确实比当年那批初创健康得多。但这个对照里有一个细节很重要。GPU的高利用率，说明有人在用，却不说明用得划算。很多AI使用是免费的，或者定价在成本线以下，需求里掺了不少补贴出来的用量。还有一层不对称。光纤是被动资产，能撑很多年，今天没人用，五年后照样可以点亮。GPU三五年就会快速折旧，你今天没把它用出利润，几年后它就可能变成过时设备。所以"没有暗GPU"这件事，既是好消息，也可能是风险。 ## 7.4 多头绕不过的最后一关不管多头的牌打得多漂亮，最后都要过一关，真实使用能不能转化成账面价值。麻省理工一个叫NANDA的项目，2025年8月发过一份报告，叫《生成式AI的鸿沟》。里面有个数字被引爆了全网，约95%的企业级生成式AI试点，没有产生可衡量的损益影响。企业砸了三四百亿美元下去，只有约5%的项目实现了收入的快速起量。这份报告为什么能引爆，也为什么要打折，值得多说一句。它调研了三百多家企业、访谈了约52位高管，发现企业砸进生成式AI的三四百亿美元，绝大多数没有看到可衡量回报。它把原因归到学习鸿沟上，也就是组织和流程没跟上，模型本身反倒不是主要瓶颈。争议也在这里。有学者指出，95%这个数字的算法不透明、样本偏小，而NANDA自己就在卖智能体方案，立场未必中立。所以它更适合被当成一记警钟，不适合当成最终判决。这个数字得谨慎地用。一方面，它确实戳中了多头的软肋，需求侧热热闹闹的"真实使用"，到了企业的财务报表上，大部分还没变成真金白银。另一方面，这份报告本身也广受争议，它的结论建立在约52个访谈的小样本上，沃顿商学院的学者公开质疑那个95%到底怎么算出来的，而且NANDA自己就在卖智能体解决方案，有利益冲突。所以准确的说法是，这是一份广被引用、也广受争议的报告，它测的是"有没有可衡量的损益影响"，不是"技术上失败了"。很多试点跑起来了，只是还没跑出钱。但即便打了这些折扣，方向性的问题依然存在。所有乐观叙事最后都要过同一关：真实使用能不能变成真实收入。这跟我在SpaceX那篇里讲的"叙事估值对现金流"是同一个框架。一个故事能不能撑住，最终不看它讲得多好听，要看它什么时候、以多大规模，兑现成能落进账户的钱。 # 八、总判断：中间层的危机，与一次价值大迁移 ## 8.1 真正的危机：钱守不住把前面几章合起来，这门生意的问题就清楚了。供给侧，投入太大，模型公司的单位经济学很难看。需求侧，价格被开源和商品化压着，用户又很容易迁移。两边一合，站在中间的模型公司就很难守住钱。所以核心问题不只是"泡沫会不会破"。就算它不以崩盘的方式结束，一个更长期的问题也依然存在：中间层守不住钱。投入是它的，风险是它的，可利润流向了上游，用户关系和分发流向了下游，它自己夹在中间，账最难看。 ## 8.2 价值在向两端迁移钱到底流去了哪儿？答案是两端。利润先流向上游。芯片，尤其是英伟达，赚着这条产业链上最肥的一块，毛利高得惊人。谁想搞AI，都得先给它交一笔过路费。这就是那句老话，淘金热里最稳的生意，是卖铲子和牛仔裤。AI这轮淘金里，英伟达就是卖铲子的。谁最后挖到金子还不好说，它的铲子钱已经先收了。台积电、先进封装、电力这些真正稀缺的位置，也都更容易收过路费。这条产业链最确定能赚钱的位置，从一开始就不在最中间那些最受追捧、也最烧钱的模型公司身上。位置和分发流向了下游。云平台赚着"卖水"的稳钱，而更值钱的，是那些直接握着用户、握着数据、握着工作流的应用层玩家，价值正在往它们那里沉淀。模型公司抱着那本花钱像重工业、定价像大宗商品的账，被夹在最中间。这更像一次价值分配的重排，钱和位置都在向产业链两端迁移。它未必是一夜崩塌，更可能是一个缓慢过程：中间层增长还在，声量还在，但利润越来越难留下。 ## 8.3 分层的终局那这门生意最后会长成什么样？一个可能的终局，是分层。在上面那层，"助手和平台"层，也许会出现两三家真正能留住用户的寡头。它们靠的是记忆、生态、分发，再加上企业里的工作图谱，把用户关系沉淀下来，赚到软件生意的钱。在下面那层，"原始模型"层，更像商品化的公用事业。模型能力高度同质化，开源免费供应，价格贴着成本走。想只靠这一层赚超额利润，会越来越难，就像今天很少有人能靠单纯卖电赚出软件公司的利润率。整场危机，就卡在这两层之间。上面那层的黏性，能不能长得足够快，快到养得起下面那层烧掉的天文数字？如果产品层的护城河长得够快，能养活模型层的窟窿，这门生意就能软着陆。如果长得不够快，中间那笔巨额投入就会悬空。这个分层，在别的成熟行业里早有先例。发电厂是重资产、拼成本、赚辛苦钱的公用事业，而握着用户的电力零售商和终端品牌，反而更容易赚到稳定的钱。电信也一样，铺基站的重资产运营商利润越来越薄，跑在网络上的应用却赚得盆满钵满。如果AI最后也走到这一步，模型层就是那个发电厂。真正的利润，会长在离用户最近、最懂用户的那一层。今天估值最高、最烧钱的模型公司，未必就是最后的赢家。 ## 8.4 三种情景我不下最终判断，但可以把三种可能的结局摆出来。每一种结局，都对应几个该盯的信号。乐观情景。Jevons悖论兑现，推理越便宜用量越大，加上企业级的变现终于追上来，那道投入回报的缺口开始收窄。该盯的信号是，企业AI试点的损益转化率有没有从个位数往上走，以及token总消耗的增速能不能持续压过降价的速度。中性情景。这是我个人觉得概率最高的。行业经历一轮洗牌出清，一批撑不住的模型公司和neocloud倒下或被并购，剩者为王。模型层的估值向公用事业回归，从30多倍收入慢慢掉到个位数倍数，而应用层里长出真锁定的赢家。该盯的信号是，有没有开始出现第一批AI公司的暴雷或贱卖，以及模型公司的估值倍数是不是在往下走。悲观情景。企业的试点转化持续失败，同时第六章那条循环融资的链子在某个结点断掉，OpenAI或Anthropic里的一家出了大问题，冲击沿着整个圈子级联式回撤，云厂的2万亿积压订单开始注水缩水，债务违约成串出现。该盯的信号是，那几家现金流为负的核心公司，融资节奏有没有卡壳，以及neocloud的债务市场有没有出现第一例违约。这三种情景更像一个连续光谱，现实大概率落在中间偏某一端，不必当成三选一的赌局。真正该盯的，是几个仪表盘：企业转化率、估值倍数、核心公司的融资节奏、neocloud的债务。任何一个突然跳动，都说明这门生意正在换挡。 ![Image](/doc/3217/image/img_7fef66ba0f72.jpg) # 九、结语：这门生意，到底哪里会有问题说了这么多，最后可以收回到两件事上。第一，模型公司自己的单位经济学能不能跑通。投入回报鸿沟、自由现金流下滑、亏损扩大，都和这件事有关。只要训练和推理成本继续高企，而定价又被压住，模型公司就很难靠规模自然变好。第二，模型公司能不能留住用户。没有护城河，今天的增长就很难变成明天的定价权。用户随时能换，客户随时能接入开源模型，收入再高也未必能沉淀成利润。前面那些以千亿、万亿计的数字，看起来很吓人，但它们大多是这两件事在报表上的表现。单位经济学和护城河如果能解决，很多症状会慢慢退。解决不了，融资、订单和故事只能把压力往后挪。说到底，问题不在"AI行不行"。AI行得很，用户和需求都是真的。问题在于，这门生意目前赚钱的方式，撑不住它花钱的方式。它花钱像重工业，赚钱却越来越接近大宗商品，中间那个差额，现在靠估值、融资和"以后会好"的故事在填。要修好这门生意，只把模型做强还不够。模型越强，那一层也可能越同质、越便宜。真正能留住钱的位置，可能在模型层之外：记忆、工作流、企业数据、分发入口。谁先在那里站稳，谁才有机会从这场中间层危机里走出来。所以这门生意最后能不能变好，不只取决于模型有多聪明。更关键的是，聪明之外，还剩下什么是别人抢不走的。 ## 作者其它文章（选） - AI for Science详细介绍（下）：机会与入场 - 流体力学研究史 - 什么是推理模型？ - 什么是希尔伯特的第六问题？这个问题重要吗？ - RAG：从前世今生到技术全景 - 什么是信息论？它和AI是什么关系？ - AI可解释性综述 - AI for Science详细介绍（中）：资本与格局 - Skill是什么：写给零基础 - 元宇宙衰亡史：炒作，破产，谁赚走了钱？ - 一篇文章讲清楚美国的移民系统 - 一文讲清楚美国医疗系统 - 细说美国的华人老钱家族 - 美国的犹太人和华人分别抢到了什么资源？详细分析 - 一篇文章看懂美国教育全生态 - AI圈大V名单（名单不断扩充中） - 什么是控制论？控制论是AI的上辈子吗？ - 祖父积分学概论 - 教宗良十四世论人工智能（精华版） - Vibe Reading：AI 时代读书的系统化方法 ## 相关链接 - [snowboat](https://x.com/snowboat84) - [@snowboat84](https://x.com/snowboat84) - [348](https://x.com/snowboat84/status/2079355630452957309/analytics) - [AI for Science详细介绍（下）：机会与入场](https://x.com/snowboat84/status/2078282144619593819) - [流体力学研究史](https://x.com/snowboat84/status/2077983459369418941) - [什么是推理模型？](https://x.com/snowboat84/status/2077613128746164625) - [什么是希尔伯特的第六问题？这个问题重要吗？](https://x.com/snowboat84/status/2077249534049259588) - [RAG：从前世今生到技术全景](https://x.com/snowboat84/status/2076868301809225932) - [什么是信息论？它和AI是什么关系？](https://x.com/snowboat84/status/2075781603847188852) - [AI可解释性综述](https://x.com/snowboat84/status/2075374060637503560) - [AI for Science详细介绍（中）：资本与格局](https://x.com/snowboat84/status/2075095303389413496) - [Skill是什么：写给零基础](https://x.com/snowboat84/status/2074652382299132237) - [元宇宙衰亡史：炒作，破产，谁赚走了钱？](https://x.com/snowboat84/status/2074278858988380322) - [一篇文章讲清楚美国的移民系统](https://x.com/snowboat84/status/2057980486501433383) - [一文讲清楚美国医疗系统](https://x.com/snowboat84/status/2055081426744422697) - [细说美国的华人老钱家族](https://x.com/snowboat84/status/2062326581776011623) - [美国的犹太人和华人分别抢到了什么资源？详细分析](https://x.com/snowboat84/status/2063049247805837815) - [一篇文章看懂美国教育全生态](https://x.com/snowboat84/status/2054359249917210633) - [AI圈大V名单（名单不断扩充中）](https://x.com/snowboat84/status/2069206740546343372) - [什么是控制论？控制论是AI的上辈子吗？](https://x.com/snowboat84/status/2064496706042069340) - [祖父积分学概论](https://x.com/snowboat84/status/2056533111983493136) - [教宗良十四世论人工智能（精华版）](https://x.com/snowboat84/status/2059434342745866391) - [Vibe Reading：AI 时代读书的系统化方法](https://x.com/snowboat84/status/2050008577511973253) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [7:59 AM · Jul 21, 2026](https://x.com/snowboat84/status/2079355630452957309) - [348 Views](https://x.com/snowboat84/status/2079355630452957309/analytics) --- *导出时间: 2026/7/21 09:20:31*

🔗 相关文档