過去兩年，美股 AI 產業鏈相關板塊累計創造了數萬億美元市值。然而新增的市場體量分佈極其不均：英偉達一家市值 4.5 萬億美元，毛利率 73%；OpenAI 和 Anthropic 的年化營收加在一起不過 450 億美元；CoreWeave、Cursor、Perplexity 等中下游公司一邊融資一邊燒錢。AI 產業呈現出一種越往上游，毛利越厚的三角形結構。

錢究竟流向了哪里，10 年后會流向哪里？這是斯坦福本學期新開的 MS&E 435 課程試圖拆解的核心問題。主持人 Apoorv Agrawal 來自投資公司 Altimeter，他請來了行業內的九位行業關鍵角色，試圖從行業領袖的觀點中拼湊出 AI 產業價值流向的未來。

三角形價值分佈

2024 年初，Agrawal 發表過一篇名為《The Economics of Generative AI》的報告，結論是芯片層吃掉了整條產業鏈 83% 的毛利。

兩年過去了，整個生態的體量從 900 億美元膨脹到了 4350 億。芯片層的毛利份額依舊佔據統治地位，從 83% 降到了 79%。

拆開來看，芯片層年營收約 3000 億美元，英偉達一家拿走八成；基礎設施層約 750 億；應用層約 600 億。三層毛利率分別是 73%、55%、33%。折算成毛利絕對值，依次是 2250 億、400 億、200 億美元。

AI 產業的利潤畫像，與驅動上一輪科技行業增長的雲計算產業截然相反，在傳統的雲計算堆棧里，芯片層只拿 6% 的毛利，應用層拿走 70%。

Agrawal 精闢的總結了目前的競爭格局：芯片層是單機遊戲，應用層是雙人遊戲，中間的基礎設施層是唯一真正在打的多人戰場。

英偉達的獨角戲

第二節課由 Altimeter 的合夥人 Brad Gerstner 和英偉達的 Sunny Madra 主講。Sunny 原是 Groq 的投資人，參與撮合了 Groq 被英偉達收購的交易，這兩人解釋了為什麼英偉達會繼續在芯片層一家獨大。

Brad 給了一組反直覺的估值：英偉達市值 4.5 萬億美元，市盈率 13 倍，只到市場均值一半，而營收年增長 70%。他公開預測英偉達將成為全球第一家十萬億美元公司。他的理由是，接下來八個季度，英偉達已經鎖定了萬億美元訂單，需求遠遠壓在供給上面。黃仁勛曾對 Brad 表示，推理需求會增長 10 億倍。

這種自信的背后是從預訓練邁向推理時代的技術邏輯——每生成一個 token 的計算量，是模型參數量乘以上下文長度的平方。

自研芯片的挑戰者並不少。谷歌第七代 TPU Ironwood 已開始量產，Anthropic 下單了 100 萬件，有傳聞稱這直接迫使英偉達對部分客户降價 30%；亞馬遜的 Trainium2 芯片已經部署了 140 萬實例，相關業務年化收入突破百億美元；微軟的 Maia 200 今年 1 月在 Azure 上線，OpenAI 也跟博通簽下了 10 吉瓦的自研 ASIC 合同。

黃仁勛對此雲淡風輕的表示：「很多 ASIC 項目最終會被砍掉。」從歷史看，他沒説錯。退一步講，就算 TPU、Trainium、Maia 全都跑通，英偉達依然是領先者。以上種種並沒有表明英偉達不可替代，它説明的是這個市場究竟大到什麼程度。

昂貴的電工

第三節課的主講是 Crusoe 的創始人 Chase Lochmiller。Crusoe 在德克薩斯州西部的小城阿比林建了一座 2.1 吉瓦的數據中心園區，這是全美最大的私人變電站，用電量比肩兩個丹佛市，首批入駐的公司是 Oracle 和 OpenAI。園區常年有 9000 名施工工人，而這座小城的人口不過 12 萬。

Chase 在一張幻燈片中拆解了每兆瓦電力的成本構成：總成本約 1900 萬美元，其中最大的單項是勞動力，每兆瓦高達 470 萬美元，芯片和冷卻設備的成本都遠遠排在后頭。照此計算，一個吉瓦（GW）級園區，光是勞動力這一項，每年就要燒掉 47 億美元。

除了勞動力成本外，燃氣輪機的每兆瓦造價，三年內從 100 萬美元漲到了 300 萬美元。背后原因在於，GE Vernova、西門子、三菱重工和普惠這四大製造商產能原地踏步，而需求卻翻了好幾倍。

Chase 名牌看空 Eaton、Schneider 這類上百年沒怎麼動過的電氣設備巨頭。從長遠看，電力架構從 765 千伏高壓到機櫃內 900 伏直流的整套轉換勢必要被重新設計，即使短期內，這些老牌工廠還是會繼續受益。

組織結構跟不上 AI 發展

第四節課的嘉賓是軟件公司 Databricks 的 CEO Ali Ghodsi。他一上來就拋出了一個重磅觀點：AGI 已經實現。現在的 AI 模型，早已滿足了 2009 年伯克利 AMP 實驗室對 AGI 的定義。球其實已經進了，只不過人們一直在把球門往后拉。

人們之所以認為 AI 還不達預期，問題出在自己。

MIT 的一份報告顯示，95% 的企業 AI 試點失敗，Ali 對此的解釋是，模型缺少組織里那些從沒人寫下來的上下文。

每家公司都有那麼一個干了二十年的老員工，所有人遇到難題都去問他，而他腦子里的東西從未進入任何模型。

作為對照，電動機在 1880 年被發明出來，直到 1920 年，纔開始在統計學意義上顯著提高生產力。中間那四十年，企業只是想當然的把蒸汽機原地換成電動機，沒有人想過整個廠房佈局都該推倒重來。

Databricks 自己踩過坑，原本需要三個季度才能交付的一個數據連接器，第一次交給 AI 接手，只省下了一個半月時間。后來換了一位敢把整套流程拋棄重做的負責人，一個季度全部交付。真正省時間的不是升級的模型版本，是把流程拆掉重做的那個人。

Ali 認為，應用層的大機會終將出現，且會集中到那些敢於重寫組織邏輯的玩家手里。這件事的推進速度，由人來決定，而不依賴 GPT-6、Opus-5。

倒三角

在技術棧中，價值天然會從底層硬件向上層的軟件和應用攀爬。

雲計算產業完成從硬件主導到軟件主導，整整走了十五年。AI 堆棧要完成同樣的價值翻轉，要麼靠應用層繼續爆發，要麼等芯片層的毛利率從 73% 的高位，一路向雲時代硬件那樣的 6% 靠攏。目前兩邊都在發生，但速度都不夠快。按照過去兩年的變遷節奏推算，應用層想在利潤份額上追平當年雲計算平臺的水平，至少需要十年起步。

因此，當下押注芯片層，賭的是未來兩年就能落袋的現金流；押注應用層，看準的則是未來五到十年價值上移的大趨勢。

在促使芯片層毛利率崩潰的技術革命到來之前，離芯片越近，離利潤就越近。