这篇讲的是AI基础设施的疯狂现状：钱、电力和芯片正在重塑整个产业。作者Dylan Patel认为AI竞赛才刚开始，后训练和强化学习才是未来算力需求的大头，而不是预训练。他重点提了三个标的：OpenAI（年收入约160亿美元，但签了3000亿美元的Oracle合同，风险极高）、NVIDIA（毛利率75%，通过股权投资变相降价）、Oracle（如果OpenAI成功，能赚1000亿美元利润）。他还警告，传统SaaS模式正在被AI的高成本瓦解，因为每个token都要花钱。
Dylan Patel在《Invest Like the Best》节目中深入剖析了万亿美元级AI基础设施建设的物理现实。核心观点是，AI竞赛仍处于早期阶段，后训练和强化学习（RL）的算力需求远未达上限。关键结论包括：OpenAI、Nvidia与Oracle之间的战略博弈正推动数据中心规模从百兆瓦级跃升至千兆瓦级，导致电工工资翻倍，企业甚至使用柴油卡车发动机作为应急电源。传统SaaS经济模型因AI高昂的销售成本（COGS）而瓦解，价值将向硬件瓶颈（如半导体供应链）集中。Patel强调，美国必须赢得AI竞赛以维持对华竞争优势，而当前基础设施瓶颈（电力、劳动力）是最大制约。
Dylan Patel 是 SemiAnalysis 的创始人兼CEO，以卫星图像追踪数据中心建设、绘制数千亿美元资本流向而闻名。本期主线是：AI基础设施的物理现实——从电力、劳动力到供应链瓶颈——正在重塑整个产业的权力格局与投资逻辑。全片最有分量的判断：Patel认为AI竞赛仍处于"第一局"的早期阶段，后训练和强化学习（RL）的算力需求远未达上限，而传统SaaS经济模型正因AI高昂的销售成本（COGS）而瓦解。
Dylan Patel认为，OpenAI、NVIDIA与Oracle之间的三方交易本质上是"资本主义史上最高风险的赌局"，其核心逻辑是：谁能为AI基础设施的前端资本支出（Capex）提供资产负债表，谁就拥有权力。
Patel拆解了这笔交易的机制：OpenAI与Oracle签署了约3000亿美元的五年期合同，Oracle向NVIDIA采购GPU，而NVIDIA则向OpenAI进行约1000亿美元的股权投资。具体到1吉瓦（GW）的数据中心，建设成本约500亿美元，其中NVIDIA的芯片约占350亿美元。NVIDIA的毛利率为75%，即约300亿美元的毛利润——其中一半以股权形式回流给OpenAI。
"这就像蜘蛛侠互指 meme——OpenAI 付钱给 Oracle，Oracle 付钱给 NVIDIA，NVIDIA 又付钱给 OpenAI。"Patel 指出，这种结构源于一个根本矛盾：OpenAI 的算力需求是"无限的"，但其年化收入仅约160亿美元（2025年底），而它承诺的支出高达数千亿。因此，它必须找到愿意"先垫付资本、后回收租金"的盟友。
关键数据链：
Patel 的判断：如果 OpenAI 成功，Oracle 将获得1000亿美元的纯现金利润；如果失败，Oracle 将背上巨额债务。而 NVIDIA 通过这一结构"在不降价的情况下变相降价"，同时获得了前端现金和股权。
Patel 提出"Tokenomics"框架，认为AI经济的核心是"每token的经济学"——推理需求的增长（每两个月翻倍）远超硬件部署速度，迫使模型提供商在"更大更慢"与"更小更快"之间做出艰难权衡。
"GPT-5 并没有比 GPT-4 大很多，因为 OpenAI 面临一个根本困境：如果模型太大，没人能用得起、用得快。"Patel 指出，GPT-4.5 实际上更聪明，但"没人能承受其成本和速度"，因此 Anthropic 的绝大部分收入来自 Claude Sonnet（较小模型），而非 Opus（更大模型）。
推理需求 vs. 硬件供给的矛盾：
Patel 的推演：OpenAI 选择将 GPT-5 保持与 GPT-4o 相近的规模，以最大化可服务用户数，而非追求单次推理的极致智能。这意味着"更大模型"的消费者体验要等到硬件（推理延迟）瓶颈被突破后才能实现。
可证伪条件：如果推理 token 需求增速放缓至每6-12个月翻倍，或模型成本下降速度不足以匹配需求增长，则当前资本支出节奏将面临风险。
Patel 认为，预训练（Pre-training）在文本领域已进入"晚期局"，但后训练（Post-training）和强化学习（RL）才刚刚"投出第一个球"——这才是未来算力需求的主要来源。
各阶段"局数"判断：
| 阶段 | 局数 | 关键瓶颈 |
|---|---|---|
| 文本预训练 | 晚期局 | 互联网文本数据已基本耗尽 |
| 非文本预训练（视频/音频/图像） | 早期局 | 数据丰富但处理成本极高 |
| 后训练/RL | 第一局刚投出 | 需要构建大量"环境"（environments）来生成训练数据 |
Patel 用婴儿的感官校准作类比："婴儿把手放进嘴里，因为舌头是最敏感的器官——他在校准触觉。模型还没有做到这一点。我们离真正的通用智能还差得远。"
环境（Environments）的多样性：
关键数据：目前湾区已有约40家初创公司在构建这些"环境"，但Patel认为"它们能否成功尚存疑问"。
推演：RL 的算力需求将"吸收大部分计算资源"，因为模型需要通过试错来学习，而每次试错都需要大量推理和训练计算。可证伪信号：如果 RL 方法在12-18个月内未能显著提升模型在现实世界任务（如复杂操作、多步推理）上的表现，则当前对 RL 的算力投入预期可能过高。
Patel 认为，AI 基础设施的最大制约不是芯片本身，而是电力供应、劳动力短缺和供应链瓶颈——这些物理现实正在催生"疯狂"的解决方案。
电力与劳动力现状：
供应链瓶颈：
关键数据：
Patel 的判断："我们正在重新学习如何建设电力系统。这不是因为需求太大，而是因为我们40年没建过新的电力基础设施了。"
Patel 认为，美国必须赢得AI竞赛以维持全球霸权，否则将面临经济衰退和社会不稳定；而中国正在用"历史上惯用的长线策略"——通过国有资本大规模投入半导体供应链，追求自给自足。
美国视角：
中国视角：
关键对比：
| 维度 | 美国 | 中国 |
|---|---|---|
| 资本分配重点 | 建设数据中心、训练模型 | 建设半导体供应链、自给自足 |
| 建设速度 | 慢（受制于劳动力、监管） | 快（政府协调、集中决策） |
| 芯片能力 | 领先3-4年 | 追赶中（华为等） |
| 人才 | 全球人才虹吸 | 本土人才密集（全球约一半工程师是华人） |
Patel 的警示："如果美国把中国逼到墙角，他们会反击。但如果美国不施加压力，中国会通过长期积累逐步超越。"
Patel 认为，AI 正在从根本上改变软件经济学——传统 SaaS 的"低COGS、高客户获取成本"模式将被颠覆，因为 AI 带来了高昂的销售成本（COGS），同时降低了竞争对手的进入门槛。
传统 SaaS 模型：
AI 时代的 SaaS 模型：
Patel 的推演：
1. AI 降低了软件开发成本，意味着更多企业可以"自建而非购买"
2. AI SaaS 产品的 COGS 很高，压缩了利润空间
3. 结果：市场更加碎片化，单个 SaaS 公司更难达到"逃逸速度"
4. "已经规模化的大公司（如 YouTube）会很好，但新进入者将面临严峻挑战"
历史类比：中国 SaaS 市场相对较小，因为中国软件开发者成本仅为美国的1/5，企业更倾向于自建。AI 正在将这种"自建经济"推广到全球。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| OpenAI | 看好但风险提示 | ARR约160亿美元（2025年底）；800M用户；签署约3000亿美元Oracle合同 |
| NVIDIA | 看好 | 毛利率75%；通过股权投资变相降价；1GW数据中心中占约350亿美元Capex |
| Oracle | 看好（条件性） | 签署约3000亿美元合同；若OpenAI成功可获1000亿美元利润 |
| Anthropic | 更看好（优于OpenAI） | 收入从<10亿美元增至70-80亿美元；主要来自代码相关产品 |
| Meta | 强烈看好 | 拥有"全栈"（硬件+模型+推荐系统+资本）；眼镜产品可能成为下一代人机界面 |
| 转多（此前看空） | 拥有最低token成本（垂直整合TPU）；正在觉醒并积极投资 | |
| AMD | 个人情感看好，业务"中等" | 作者个人第一只多倍股；但认为与NVIDIA竞争困难 |
| xAI | 风险提示 | 面临融资挑战；需找到商业模式（目前主要靠"Anime"聊天机器人） |
| ByteDance | 未明示 | 可能是全球第二或第三大GPU用户 |
| TSMC | 未明示 | 作者认为"如果你相信台湾风险，就不能投资任何美国科技巨头" |
| CoreWeave | 看好（条件性） | 与微软签署约190亿美元合同；与OpenAI的合同存在信用风险 |
| Nebius | 看好 | 与微软签署约190亿美元合同 |
| Periodic Labs | 看好（作者个人投资） | 用RL方法加速材料科学/化学发现 |
| Cursor | 中性（权力动态分析） | 收入近10亿美元；大部分收入流向Anthropic；但拥有用户数据和嵌入模型 |
1. Patel 认为"Tokenomics"是理解AI经济的核心框架——每token的价值创造与成本结构决定了整个产业链的利润分配。推理需求每两个月翻倍，但硬件增速远不及此，因此模型成本必须持续下降。
2. "后训练和强化学习才刚刚投出第一个球"——Patel 用婴儿把手放进嘴里校准触觉来类比：模型还没有学会通过试错来理解物理世界。RL 的算力需求将"吸收大部分计算资源"。
3. "传统SaaS经济模型正在瓦解"——AI 带来了高昂的 COGS，同时降低了竞争对手的进入门槛（"你可以用AI自己写代码"），导致市场碎片化，新进入者更难达到逃逸速度。
4. "电工工资已经翻倍，企业开始用柴油卡车发动机并联作为应急电源"——AI 基础设施的最大瓶颈不是芯片，而是电力供应和劳动力短缺。美国正在"重新学习如何建设电力系统"。
5. "如果美国不赢得AI竞赛，到本世纪末可能不再是世界霸主"——Patel 认为，没有AI加速的GDP增长，美国将因债务、收入不平等和社会分裂而"分崩离析"。
6. "ML研究就像半导体制造——有上千个旋钮要调，你不可能全部试一遍"——Patel 用半导体工艺中的"过程知识"类比AI研究中的直觉和经验，强调"知道该试什么"比"试了多少"更重要。
7. "NVIDIA 正在做史无前例的事——用资产负债表来赢得竞争"——通过股权投资和需求担保，NVIDIA 实际上在"不降价的情况下变相降价"，同时锁定了前端现金。
8. "Meta 可能是唯一拥有下一代人机界面全栈的公司"——Patel 认为，从硬件（眼镜）、模型、推荐系统到资本，Meta 最有可能主导"你说AI做"的新交互范式。