过去两年，美股 AI 产业链相关板块累计创造了数万亿美元市值。然而新增的市场体量分布极其不均：英伟达一家市值 4.5 万亿美元，毛利率 73%；OpenAI 和 Anthropic 的年化营收加在一起不过 450 亿美元；CoreWeave、Cursor、Perplexity 等中下游公司一边融资一边烧钱。AI 产业呈现出一种越往上游，毛利越厚的三角形结构。

钱究竟流向了哪里，10 年后会流向哪里？这是斯坦福本学期新开的 MS&E 435 课程试图拆解的核心问题。主持人 Apoorv Agrawal 来自投资公司 Altimeter，他请来了行业内的九位行业关键角色，试图从行业领袖的观点中拼凑出 AI 产业价值流向的未来。

三角形价值分布

2024 年初，Agrawal 发表过一篇名为《The Economics of Generative AI》的报告，结论是芯片层吃掉了整条产业链 83% 的毛利。

两年过去了，整个生态的体量从 900 亿美元膨胀到了 4350 亿。芯片层的毛利份额依旧占据统治地位，从 83% 降到了 79%。

拆开来看，芯片层年营收约 3000 亿美元，英伟达一家拿走八成；基础设施层约 750 亿；应用层约 600 亿。三层毛利率分别是 73%、55%、33%。折算成毛利绝对值，依次是 2250 亿、400 亿、200 亿美元。

AI 产业的利润画像，与驱动上一轮科技行业增长的云计算产业截然相反，在传统的云计算堆栈里，芯片层只拿 6% 的毛利，应用层拿走 70%。

Agrawal 精辟的总结了目前的竞争格局：芯片层是单机游戏，应用层是双人游戏，中间的基础设施层是唯一真正在打的多人战场。

英伟达的独角戏

第二节课由 Altimeter 的合伙人 Brad Gerstner 和英伟达的 Sunny Madra 主讲。Sunny 原是 Groq 的投资人，参与撮合了 Groq 被英伟达收购的交易，这两人解释了为什么英伟达会继续在芯片层一家独大。

Brad 给了一组反直觉的估值：英伟达市值 4.5 万亿美元，市盈率 13 倍，只到市场均值一半，而营收年增长 70%。他公开预测英伟达将成为全球第一家十万亿美元公司。他的理由是，接下来八个季度，英伟达已经锁定了万亿美元订单，需求远远压在供给上面。黄仁勋曾对 Brad 表示，推理需求会增长 10 亿倍。

这种自信的背后是从预训练迈向推理时代的技术逻辑——每生成一个 token 的计算量，是模型参数量乘以上下文长度的平方。

自研芯片的挑战者并不少。谷歌第七代 TPU Ironwood 已开始量产，Anthropic 下单了 100 万件，有传闻称这直接迫使英伟达对部分客户降价 30%；亚马逊的 Trainium2 芯片已经部署了 140 万实例，相关业务年化收入突破百亿美元；微软的 Maia 200 今年 1 月在 Azure 上线，OpenAI 也跟博通签下了 10 吉瓦的自研 ASIC 合同。

黄仁勋对此云淡风轻的表示：「很多 ASIC 项目最终会被砍掉。」从历史看，他没说错。退一步讲，就算 TPU、Trainium、Maia 全都跑通，英伟达依然是领先者。以上种种并没有表明英伟达不可替代，它说明的是这个市场究竟大到什么程度。

昂贵的电工

第三节课的主讲是 Crusoe 的创始人 Chase Lochmiller。Crusoe 在德克萨斯州西部的小城阿比林建了一座 2.1 吉瓦的数据中心园区，这是全美最大的私人变电站，用电量比肩两个丹佛市，首批入驻的公司是 Oracle 和 OpenAI。园区常年有 9000 名施工工人，而这座小城的人口不过 12 万。

Chase 在一张幻灯片中拆解了每兆瓦电力的成本构成：总成本约 1900 万美元，其中最大的单项是劳动力，每兆瓦高达 470 万美元，芯片和冷却设备的成本都远远排在后头。照此计算，一个吉瓦（GW）级园区，光是劳动力这一项，每年就要烧掉 47 亿美元。

除了劳动力成本外，燃气轮机的每兆瓦造价，三年内从 100 万美元涨到了 300 万美元。背后原因在于，GE Vernova、西门子、三菱重工和普惠这四大制造商产能原地踏步，而需求却翻了好几倍。

Chase 名牌看空 Eaton、Schneider 这类上百年没怎么动过的电气设备巨头。从长远看，电力架构从 765 千伏高压到机柜内 900 伏直流的整套转换势必要被重新设计，即使短期内，这些老牌工厂还是会继续受益。

组织结构跟不上 AI 发展

第四节课的嘉宾是软件公司 Databricks 的 CEO Ali Ghodsi。他一上来就抛出了一个重磅观点：AGI 已经实现。现在的 AI 模型，早已满足了 2009 年伯克利 AMP 实验室对 AGI 的定义。球其实已经进了，只不过人们一直在把球门往后拉。

人们之所以认为 AI 还不达预期，问题出在自己。

MIT 的一份报告显示，95% 的企业 AI 试点失败，Ali 对此的解释是，模型缺少组织里那些从没人写下来的上下文。

每家公司都有那么一个干了二十年的老员工，所有人遇到难题都去问他，而他脑子里的东西从未进入任何模型。

作为对照，电动机在 1880 年被发明出来，直到 1920 年，才开始在统计学意义上显著提高生产力。中间那四十年，企业只是想当然的把蒸汽机原地换成电动机，没有人想过整个厂房布局都该推倒重来。

Databricks 自己踩过坑，原本需要三个季度才能交付的一个数据连接器，第一次交给 AI 接手，只省下了一个半月时间。后来换了一位敢把整套流程抛弃重做的负责人，一个季度全部交付。真正省时间的不是升级的模型版本，是把流程拆掉重做的那个人。

Ali 认为，应用层的大机会终将出现，且会集中到那些敢于重写组织逻辑的玩家手里。这件事的推进速度，由人来决定，而不依赖 GPT-6、Opus-5。

倒三角

在技术栈中，价值天然会从底层硬件向上层的软件和应用攀爬。

云计算产业完成从硬件主导到软件主导，整整走了十五年。AI 堆栈要完成同样的价值翻转，要么靠应用层继续爆发，要么等芯片层的毛利率从 73% 的高位，一路向云时代硬件那样的 6% 靠拢。目前两边都在发生，但速度都不够快。按照过去两年的变迁节奏推算，应用层想在利润份额上追平当年云计算平台的水平，至少需要十年起步。

因此，当下押注芯片层，赌的是未来两年就能落袋的现金流；押注应用层，看准的则是未来五到十年价值上移的大趋势。

在促使芯片层毛利率崩溃的技术革命到来之前，离芯片越近，离利润就越近。