“吃透当下，判明三年，算透五年”，这是网友听完这期播客后的评价。
当前，全行业都在为模型自迭代 RSI 和智能体 Agent 亢奋不已，Ben Thompson 却在知名商业播客《Invest Like the Best》上，用最冷静的经济学常识给这场狂欢算了一笔清醒账。
作为科技分析通讯社 Stratechery 的创办人，他早在 2015 年提出的“聚合理论”（Aggregation Theory），定义了过去十年互联网平台的兴衰规律。Ben 的视角之所以极为稀缺，不仅因为他早年在苹果与微软参与过一线业务，如今仅靠读者的真金白银订阅保持商业独立。
更关键的是，他此前长期定居中国台北，对台积电、存储芯片与亚洲硬件制造有着深厚的一手体感，骨子里没有硅谷软件派那种“算力无限、万物皆代码”的傲慢与幻觉。
整体来说，这期访谈的信息密度和含金量都极高，笔者力荐！
Ben 以极度务实的视角撕开了大模型产业链的商业本质：从 OpenAI 为何正在百倍复刻当年 Dropbox 无法靠消费者赚钱的死局，到台积电如何用保守扩产把风险转嫁给巨头；从美国“赢下 AI”反而可能打破全球技术均衡的地缘博弈，到 1870 年代铁路狂潮的资本期限错配，再到算力大宗商品化后的能源终局。
以下是这场深度对谈的重构与推演。
Patrick：你 2015 年提出“聚合理论”，解释了 Google、Meta 这类平台为什么能控制互联网时代的利润池。但 AI 有真实推理成本，这套逻辑还能成立吗？
Ben：先别急着谈 AI，硅谷大约每十年就得重新学习两件关于消费者的事实：第一，消费者不愿意为软件付钱；第二，消费者没那么在乎提高生产力。
Dropbox 就是最经典的例子。它刚出来时是不可思议的产品，简单、顺滑、增长飞快。Drew Houston 想做一家消费者公司，后来去见 Steve Jobs，Jobs 告诉他，大意是：“你只是一个功能，不是一家公司。”
Patrick：后来 Dropbox 没死，但确实变成了一家更偏企业侧的软件公司。
Ben：对。它后来经历了大约两年的停滞，几乎把应用从底层重做了一遍。因为消费者喜欢 Dropbox，不代表足够多消费者愿意长期付钱。真正肯付钱的是企业，而企业需要权限、管理、控制，这些东西最初的 Dropbox 根本没有。
为什么企业愿意付钱？因为它已经在给员工发工资。软件只要能让员工效率高一点，ROI 就成立。消费者恰好相反：我已经工作一天了，为什么回家还要付钱让自己更高效？我只想躺着刷 Reels。
Patrick：所以你才说 OpenAI 正在把 Dropbox 的故事放大 100 倍？
Ben：几乎是一模一样。OpenAI 说，我们向消费者卖订阅。它确实卖出了很多，但还是不够。如果你真的要做大规模消费者业务，就必须认真看待广告。
这也是我对 OpenAI 最不理解的地方。ChatGPT 刚爆红的时候，如果它立刻全力做广告，今天可能已经有一个非常强的广告产品，Google 和 Meta 面临的压力都会大得多。
Patrick：为什么你这么笃定消费级 AI 最后还是广告？
Ben：因为“收钱很难，免费很容易”。
订阅有价格弹性。Netflix 每次涨价都得算：再涨多少用户会降档？多少人会退订？但广告模式里，终端用户仍然免费，价格上涨主要由广告主承担。你提升单个用户变现效率的空间，要大得多。
硅谷偏偏一直对广告有种羞耻感。大家天天使用广告支撑的免费产品，却不愿意认真讨论广告。Sam Altman 有这个倾向，Mark Zuckerberg 某种程度上也有。
Patrick：但 OpenAI 现在已经开始往广告走了。
Ben：是，所以更奇怪。它终于开始补齐广告业务，同时又发现 Anthropic 在企业市场打得很凶，于是又冲去抢企业客户。我现在反而看不懂，它到底想成为消费者平台、广告公司，还是企业软件公司。
Patrick：不过 AI 和上一代互联网还有一个巨大区别：一次 Google 搜索几乎没有边际成本，大模型每回答一次都在烧 GPU。
Ben：所以不能笼统谈“AI 推理成本”。
一个普通用户让 ChatGPT 查个东西、写个菜谱，成本可能已经很低；但另一个用户让模型做 test-time scaling，连续推理几分钟、几小时，每多思考一秒都是真实成本。两类用户根本不是一个商业模型。
微软已经遇到这个问题。过去企业软件是按人头收费，招一个员工，顺手给他配一套许可证，预算一年做一次。现在 AI 开始按 usage 收费，企业每个月都会重新审视这张账单。微软原来靠全家桶捆绑销售的无感收费体系反而会被动摇。
Patrick：这不只是多付一点钱的问题。
Ben：更麻烦的是，它会迫使客户开始思考。
以前客户不会天天问“Word 值多少钱、Teams 值多少钱”。一旦 AI 用量收费让 CFO 每个月检查微软账单，他就会顺手问：我到底在为什么付钱？为什么不能把这些产品拆开买？
微软必须让企业对少数重度 AI 用户多想一点，又不能让它们对整套 Microsoft 产品想得太多。这其实是 AI 对传统 SaaS 定价体系最麻烦的地方。
Patrick：下游商业模式还没跑通，上游资本开支已经冲破一个量级。2026 年可能接近 8000 亿美元，2027 年的预测甚至到了 1.3 万亿美元。大家都在说缺算力，你担心什么？
Ben：我反而担心钱先不够。
这一轮我们已经沿着资本曲线一路往下走了。最早用科技公司的自由现金流，然后进入债务市场，现在连 Google 都开始发行股票，Nvidia 也在想办法撬动养老金、保险资金。
所以真正的问题是：下一笔钱从哪里来？
最理想的状态当然是，等这些钱花完，AI 已经能靠自己的自由现金流继续投资。但如果收入增长和资本消耗之间出现时间差，就可能发生一次很大的金融冲击。
Patrick：所以你才反复拿铁路类比 AI？
Ben：对。铁路最经典的问题就是 duration mismatch，期限错配。
修一条铁路可能十几年、几十年以后才能真正赚回钱，但修铁路的钱今天就得筹出来。19 世纪 70 年代发生过一件很荒谬的事：世界真的把钱快用光了。
但金融危机以后，铁路并没有消失。铁路继续运营、继续开发美国西部，直到今天还在贡献 GDP。
所以“AI 是真实革命”和“AI 形成巨大泡沫”完全可以同时成立。很多人总以为二者只能选一个，其实不是。
Patrick：那 Google 为什么还愿意这么烧钱？
Ben：可以看看 Berkshire Hathaway （沃伦·巴菲特掌管的集团企业）的两个经典资产。
See’s Candies （美国著名的手工巧克力和糖果连锁品牌）是漂亮得不得了的生意，利润率极高，但问题是它没地方继续吃下大量资本；BNSF 铁路利润率低得多，却可以吞下巨量资金，而且一年产生的绝对现金流，可能比 See’s Candies 一辈子赚的钱还多。
资本体量足够大以后，你开始看绝对利润，而不是只盯着利润率。
Google Search 很可能就是 AI 时代的 See’s Candies。搜索几乎是完美商业模式，高毛利、轻资产、边际成本低。但如果 AI 最终对应的是几乎全部白领工作，未来再加机器人，那么哪怕利润率差很多，它的绝对市场也可能大几个数量级。
所以真正的问题不是“为什么 Google 愿意牺牲漂亮毛利率”，而是它赌的那个更大的市场到底能不能及时兑现。
Patrick：我们上一次对话时还没有今天这轮 AI。既然世界已经变了这么多，我想先问一个宏观层面的问题：如果美国真的“赢下 AI 竞赛”，那意味着什么？
Ben：我觉得，这反而可能非常危险。
先假设一个最夸张的场景：如果谁控制了 AI，谁的 military capability 就明显强于世界上其他国家，甚至还能解决制造业这些现实世界的问题。虽然我并不认为 AI 一定能做到这些，但先接受这个假设。
那从博弈的角度，对手最合理的反应是什么？可能就是在这种优势真正形成以前，destroy TSMC。
对我来说，这恰恰是我和硅谷很多叙事之间最大的分歧。如果某一方真的在 military 和 national security 层面形成明显优势，我认为那对整个世界都很危险。
Patrick：但如果真走到那一步，美国不是应该已经能在本土造更多芯片，减少对台积电的依赖了吗？
Ben：我觉得这里有相当多的“想当然”（magical thinking）。
问题远不只是 Fab。无论是晶圆厂、执行器，还是各种前置零部件，美国对中国供应链的依赖程度都被低估了。而且在正常商业环境下，这种依赖很难主动解除。
原因很简单：如果你的竞争对手继续从中国采购，而你坚持从美国采购，你的成本会高很多，商业上就会直接处于劣势。企业通常只有在“没有选择”的时候才会这么做。
Apple 就是个很好的例子。你可以推动它把部分 iPhone 制造移到印度，但它并没有真正离开中国，而是在做供应链多元化。彻底迁走的成本太高，本质上像买一份极其昂贵的保险。如果暂时没有必要支付，而且保费高得惊人，大多数公司都不会买。
Patrick：那你理想中的全球 AI 格局是什么？如果绝对领先并不是最好的终点。
Ben：其实我觉得现在这个状态没有那么糟。
OpenAI 和 Anthropic 明显稳居前沿探索；Google 到底在哪个位置，我现在还看不太清；Grok 和 Meta 凭借充沛资本追赶。与此同时，中国团队通过高效蒸馏工程，稳定维持在落后前沿大约六到九个月的身位。
前沿在探索技术天花板，开源与蒸馏力量在把技术推向普及。我觉得这是一种还不错的平衡，而且总体上对美国有利。真正的问题是，它能维持多久。
Patrick：这最后 6 到 9 个月的差距，有可能被追上吗？
Ben：这恰恰可能是最具备不稳定性的部分。
接下来 Meta 和 Grok 能不能真正追上，会很有参考价值。特别是现在已经进入**“AI 用来改进 AI”**的阶段，我认为这是真实发生的。最近 OpenAI 和 Anthropic 都出现了明显加速。
如果领先者开始利用 AI 优化研究、代码和整个技术栈，那么追赶者面对的问题就不只是“复制今天的能力”，而是前沿本身还在继续加速。
所以我现在更关心的，不是简单讨论谁最终“赢”，而是这种均衡到底能持续多久。
Patrick：但你又认为美国仍然应该领先？
Ben：当然。我认为美国需要保持竞争力。
但危险的是，美国在恐惧中走向封闭，去照搬自上而下的行政管制与言论限制。美国之所以能在过去一个世纪领跑，依靠的是开放的生态、自由的流动与对前沿创新的极致包容，而不是缩回深沟高垒里搞防御。
Patrick：既然市场如此确定算力不够，为什么台积电和内存大厂在扩建先进制程晶圆厂时，反而一直那么谨慎？
Ben：因为软件公司和制造商看风险的方式完全不同。
大家今天看到的是 GPU 不够，但晶圆厂不是今天下单明天上线。现在投入的很多产能，要到 2028、2029 年才真正变成芯片。对台积电来说，最可怕的从来不是少赚两年，而是建多了。一座 Fab 可能运行几十年，一旦在需求高点错误扩产，过剩产能会长期压在资产负债表上。
Patrick：也就是说，台积电选择不承担这个风险。
Ben：对。但风险不会消失，只会转移。
台积电把“产能过剩风险”留在门外以后，这个风险就跑到了 Google、Amazon、Microsoft 身上。它们今天明明有客户、有需求，如果有更多芯片就能多赚钱，但没有芯片。
所以它们承担的不是“亏损”，而是“错失的收入”（foregone revenue），本来应该赚到、却没赚到的钱。
Patrick：为什么你说这种短缺反而救了 Intel？
Ben：因为过去用 Intel 代工，就像买一份非常昂贵的保险。
台积电（TSMC）太好用了。它成熟、可靠、客户服务体系完整。大厂如果去找 Intel，不但芯片风险更大，还得派自己的工程师帮 Intel 学怎么服务客户。短期最大受益者是 Intel，最大痛苦却是客户。
正常情况下谁会买这种保险？没人。
但现在不一样。当“没有足够 TSMC 产能”造成的利润损失，大到超过“扶 Intel 一把”的成本，这笔账第一次算得过来了。
所以是讽刺的是，算力稀缺，救了 Intel。
Patrick：这听起来和存储行业的周期很像。
Ben：完全一样。存储、航运都反复经历过：短缺时价格暴涨，所有人同时扩产；等两三年后新产能上线，市场又过剩。
这就是“牛鞭效应”（Whip Effect）。终端的一点需求变化，传到产业链最上游会被放大。制造商最怕自己终于决定扩产时，需求已经掉头。
如果 AI 是一根牛鞭，那可能是历史上最长的一根。
Patrick：把视角从芯片拉回来。如果只看大科技公司，哪一家现在的位置最有意思？
Ben：答案一直是 Amazon。
Amazon 最厉害的地方，是它自己就是新产品的第一个大客户。AWS 不是“把多余服务器卖出去”，而是 Amazon 先解决自己内部计算资源调用的问题，再把能力开放出去；物流也是先自己建，建到足够大再卖给第三方。
Trainium （亚马逊的自研 AI 芯片） 也是同一套逻辑。早期版本并不好，但 Amazon 可以把它藏在托管服务下面。客户买 Redshift，不关心底层究竟跑什么 CPU。Amazon 用自己的巨大业务量把第一代、第二代芯片磨成熟，最后再真正拿出去竞争。
Patrick：Apple 的逻辑完全相反，它似乎根本不急着拥有最强模型。
Ben：因为 Apple 控制用户入口。只要入口在它手上，模型供应商会主动来找它。
真正的问题不是 Apple 今天模型强不强，而是手机会不会永远是计算中心。Microsoft 当年不是没做手机，而是把手机理解成“小 PC”，默认 PC 永远是中心。
如果未来 AI 变成 环境只能（ambient intelligence），无处不在、随时可以调用，那么 Apple 会不会因为 iPhone 太成功，而把 AI 也理解成“手机的一个功能”？这是它更值得担心的问题。
Patrick：Microsoft 呢？你把它比作 90 年代的 IBM。
Ben：非常像。
当年真正救下 IBM 命的，不是突然做出了最好的产品，而是发现“我们最大的资产就是足够大”。所有企业都知道自己必须上互联网，但不知道怎么做，于是 IBM 提供咨询、中间件，把旧系统和新 Web 接起来。
微软现在也在做同样的事：你不用把企业核心资产直接交给模型公司，我们帮你管理不同模型、合规、权限和数据。
这套打法非常合理。
Patrick：但你又说它有一种“生存焦虑”。
Ben：因为你得问一句：我们今天为什么还需要这么多 Microsoft 产品？
很多答案只是“因为以前一直在用”。
而 Codex、Claude Cowork 这类 Agent 真正变革的，正是人与电脑交互的那一层。如果未来用户不再打开一堆软件，而是直接告诉 Agent “把这件事做完”，Windows、Office 这些传统 UI 的价值就会被重新定义。
微软的策略很理性，但它确实是在守自己的核心入口。
Patrick：最后谈 Nvidia。今天它依然保持着惊人的利润率，你却说这种状态“并不自然”？
Ben：因为算力长期看很可能走向商品化。
很多人看到的是 Nvidia GPU 价格仍然很高，但如果把整家公司展开看，它已经在通过另一种方式降价。
比如 Nvidia 给 NeoCloud （新型 AI 云厂商，如. CoreWeave、 Lambda Labs 等）投资、提供融资支持，甚至为未来算力需求兜底。为什么？因为 Nvidia 替客户承担一部分风险以后，这些公司融资成本会下降，它们才有钱继续买 GPU。
Patrick：所以你把这种融资支持也看作“价格折让”？
Ben：对。风险是有价格的。
如果 AI 永远高速增长，这些承诺当然没问题；但如果几年后算力过剩，Nvidia 可能必须为没人需要的计算资源买单。
所以折扣没有写在 GPU 报价里，而是藏在融资、担保和风险承担中。经济意义上，它仍然是一种降价。
Patrick：真正威胁 Nvidia 的是谁？
Ben：Google 和 Amazon，比传统芯片公司更危险。
因为它们不只自己做 TPU、Trainium，还可能把芯片卖给外部客户。更关键的是，它们不要求芯片本身维持 Nvidia 那样的高毛利，它们完全可以把计算当基础设施商品卖。
而且超大规模云服务商的资本成本比 NeoCloud 低得多。这最终是一场资本战争。
Patrick：那 CUDA 呢？
Ben：还是护城河，但比以前浅了。模型本身并不关心自己运行在哪颗芯片上，真正有价值的是上层模型和应用。
Nvidia 仍然拥有一个巨大优势：它最通用、最好出租，流动性最高。但如果 TPU、Trainium 的性能和效率继续追上来，高毛利很难永远维持。
Patrick：什么情况下反而最有利于 Nvidia？
Ben：缺电。
如果电力真的成为绝对瓶颈，大家就会追求每一瓦电能生成多少 Token。届时最有效率的芯片可以获得很高溢价，Nvidia 仍然很强。但有趣的是，美国新增电力的速度比很多人预期快。电力瓶颈来得越晚，Google 和 Amazon 就拥有越多时间把自己的芯片做好。
Patrick：所以这一轮轮 AI 基建投资最后真正留下来的，也许不是 GPU？
Ben：我希望留下的是电力。
互联网泡沫留下了大量廉价光纤，后来 Google 等公司就在这些基础设施上成长；铁路泡沫留下了铁路，一百多年以后依然在产生现金流。
好的泡沫，最终应该留下某种长期资产。
GPU 几年就会淘汰，数据中心也不断折旧。但如果 AI 泡沫最后留下的是大规模升级后的电网、天然气、核电以及各种新的能源基础设施，那会是非常有价值的遗产。
人类几乎一直生活在能源稀缺里。我们甚至很难想象真正能源丰裕的世界是什么样。
所以即便未来 AI 出现一次很大的资本出清，也不代表这轮投入白费了。
真正应该问的是：潮水退去以后，我们留下了什么。
声明：本文为 AI前线编译，不代表平台观点，也不构成投资建议，未经许可禁止转载
