思考notes:我们处在 AI 革命的什么位置?

九月快结束了。市场预期两次加息后，我正在思考：现在的我们——究竟处在这一轮 AI 革命的什么位置？

这个问题最容易得到的答案，是像一些播客里，有些经历过周期的人，把今天类比成 1990 年代末的互联网。有人说是 1996 年，有人说 1998 年。最近听到的一场国外讨论里，也有人认为今天的 AI 很像互联网泡沫真正到来之前的几年：估值已经开始脱离常识，但产业又远没有走到尽头。各种各样的类比当然有诱惑力。

历史像一张旧地图，我们总希望在上面找到现在的位置，让自己能提前预判，做好准备。但越往下想，我觉得，1998 年可能不是一个足够好的答案。

因为今天正在发生的事情，似乎比一次单纯的周期复杂得多。

我们一方面处在一个资本并不便宜的世界。过去十几年由零利率创造的资产定价秩序已经结束，美国政府债务庞大，财政赤字持续存在，战争和地缘政治又在增加能源与供应链的不确定性。另一方面，人类却恰恰在这个时候开始了一轮规模惊人的基础设施建设：GPU、HBM、光模块、先进封装、数据中心、电网、天然气、核电，一层一层向真实世界延伸。

如果钱已经不再便宜，为什么资本还在如此疯狂地涌向 AI？又或者相反，是不是有了AI，钱集中度太高，资本才不再便宜了呢？

这个问题，可能比“AI 有没有泡沫”更值得思考。

01 当钱重新变贵

1979 年，Paul Volcker 成为美联储主席。

那是历史上——美国经济很不舒服的一段时间。石油危机、工资上涨和长期通胀已经逐渐改变了人们对未来的预期。Volcker 最终选择了一种近乎残酷的方法：让钱变贵。联邦基金利率后来一度逼近 20%，经济进入严重衰退，企业倒闭，失业率上升，但持续十多年的通胀预期最终被打断。

后来回头看 Volcker 年代，很容易把它理解成一段货币政策史。但我觉得利率其实是一种非常朴素的社会筛选机制。

它问所有资产同一个问题：你到底值不值得占用资本？

当无风险收益率很低，一个回报平庸的项目也可以活下去的。房地产可以涨，亏损的创业公司可以融资，遥远的现金流可被赋予很高的现值。可是当钱开始变贵，一切都需要重新计算。

这也是过去几年最有意思的地方。

按照传统金融教科书的理解，高利率本来应该压制最需要资本的科技投资。但 AI 恰恰表现出了相反的方向。Microsoft、Meta、Amazon、Google 仍然在大规模增加资本开支，资本开始沿着算力继续向上游蔓延。

我最近看到的一份行业测算甚至给出一个很激进的数字：2024 到 2029 年，全球 AI 相关资本开支可能达到约 11 万亿美元，其中约 5 万亿美元需要依赖债务融资。这个预测未必会实现，但它提出的问题比数字本身重要——如果 AI 建设真的开始需要数万亿美元信用扩张，那么它已经不仅仅是一个科技股故事，而开始变成一个全球资本市场的故事。

这让我想到一个与 Volcker 年代几乎相反的问题。Volcker 当年通过提高资本价格，把低效率需求从经济里挤出去。

可是如果一种新技术拥有足够高的预期资本回报率呢？

假设一个数据中心项目预期可以获得远高于资金成本的回报，那么 5%的利率未必能够阻止它，7%可能也不能。企业甚至愿意借更多的钱。于是 AI 不但没有被高利率挤出去，反而开始与政府债务、房地产、传统基础设施争夺同一池资本。

换句话说，AI 甚至可能正在制造自己的高利率环境。过去我们习惯问：利率会不会打断 AI cycle？

未来也许需要反过来问：

AI cycle 会不会改变利率？如果数万亿美元资本持续流向算力，真正重要的变量就不再只是美联储下一次降息多少，而是 AI 投资回报率与资本成本之间的差。

只要前者仍然远高于后者，钱就会继续流进去。真正值得警惕的时刻，也许不是 Fed 不降息，而是这两个数字开始靠近。

02 科技正在重新变重

这也是为什么，我不确定互联网是不是 AI 最好的历史参照物。互联网有一个非常迷人的经济特征：复制几乎是免费的。Google 多服务一个用户，不需要因此修建一座新的发电厂。Facebook 多产生一次信息流，也不需要多建一座晶圆厂。

过去四十年，最好的科技公司因此越来越“轻”。

Software eats the world。

代码替代机器，服务器替代门店，平台替代库存。优秀科技公司的共同特征之一，就是极高的边际利润和极低的新增资本需求。但 AI 正在悄悄改变这件事。智能本身看起来是虚拟的，可是制造智能需要的东西却异常具体。

GPU、HBM、先进封装、光模块、交换机、冷却系统、变压器、电网、土地、天然气、核电。

研究 AI ，最后研究的东西反而越不像互联网。这个路径最初看起来像投资人在不断寻找下一段产业链，后来才意识到，它可能揭示了这一轮技术革命真正不同的地方：

AI 越虚拟，越依赖物理世界。

Vaclav Smil 写二十世纪技术史的时候，一直强调一件常常被科技叙事忽略的事情：真正改变文明的技术，从来不仅是一项漂亮的发明。电气化需要发电机、电网、电机和工厂重新设计；汽车需要石油、道路、城市和大规模制造。技术最后必须进入物质世界。

AI 现在似乎正在经历这个过程。于是 21 世纪最先进的科技公司，开始重新拥有一点 19 世纪铁路公司的样子。它们讨论的不再只是 DAU、ARPU 和软件毛利率，而开始讨论 GW、电力合同、土地、设备交付周期和融资。

你甚至需要重新学习 project finance。这可能是这一轮 AI 最容易被低估的变化之一：

科技正在重新变“重”。

03 真正的瓶颈一直在移动

2023 年的时候，市场觉得 GPU 不够。于是 NVIDIA 成为了整个 AI 革命最显眼的收费站。后来发现 GPU 并不是唯一的瓶颈。HBM CoWoS 光模块、交换机、然后开始缺电、变压器、并网容量，缺可以迅速建设数据中心的土地。

再往前走，也许会开始讨论天然气管道、核电审批和融资能力。这里有一个我觉得比“下一只 NVIDIA 是什么”更重要的规律：AI 的瓶颈正在不断从数字世界向现实世界迁移。

我看到的一份纪要最后甚至把 AGI 的限制归结到一个很朴素的地方：真正可能拖慢 AI 的，未必是模型研究本身，而是晶圆厂、数据中心、电力、资本成本以及监管。

我们一直把 AI 想象成数字经济的最高形态。但数字经济走到极致以后，撞上了物理世界。电子不能凭空移动。“Cloud”这个词用了二十年，几乎让人忘记了云其实是一栋栋非常真实的建筑。

Carlota Perez 在《Technological Revolutions and Financial Capital》里，把每一次技术革命分成几个阶段：新技术出现，金融资本涌入，基础设施被疯狂建设，泡沫和调整出现，最后技术才真正扩散到整个社会。

如果沿着她的框架来看，我不认为 2026 年的 AI 还处在“发明期”。ChatGPT 已经四年了。模型是否有用，已经不是问题。真正发生的事情，是社会开始为这种技术建设一整套新的物理基础设施。

铁路革命真正重要的不是第一辆火车开动。而是铁轨开始铺满大陆。

电力革命真正重要的也不是第一只灯泡亮起来，而是电网开始进入工厂和家庭。那么 AI 革命真正重要的时刻，可能也不是 ChatGPT 第一次回答我们的问题。而是全世界开始为了生产更多智能而修建新的基础设施。

04 但这一次，Installation 和 Deployment 同时发生了

Perez 的框架好用，但 AI 又有一个很奇怪的地方：它似乎把历史压缩了基础设施明明还没有建完，应用却已经开始扩散。

过去一年，我明显地感受到模型本身能力的重要性正在下降。——不是模型不重要，而是“拥有一个不错的模型”正在迅速从稀缺能力变成基础能力。

模型能力越来越接近以后，竞争正在从 model 本身转向 harness——模型外面的 Agent、工具调用、上下文、workflow 和场景适配。

产业的问题开始从：谁拥有最聪明的大脑？

变成：谁知道应该把这个大脑放在哪里？比如，保险公司如何重新设计理赔流程；一家药企如何改变研发；基金如何重新组织 research；程序员如何写代码；一个普通人如何安排旅行、管理邮件、购买商品。这才是 General Purpose Technology 真正进入经济的方式。

电动机刚出现的时候，工厂并没有立刻获得巨大的生产率提升。很多工厂只是把原来的蒸汽机换成电机，却仍然按照过去围绕中央动力轴设计生产线。真正的生产率革命发生在后来。人们发现，有了独立电机以后，机器不需要再围绕中央动力轴摆放。于是整间工厂可以重新设计。

AI 也许正在接近类似的时刻。

今天很多公司的所谓 AI transformation，本质上仍然是：给原来的组织加一个 AI。

真正的变化可能要等到：为了 AI，重新设计组织本身。如果这件事发生，生产率提升才真正开始。

05 智能的生产正在集中，智能的消费却正在民主化

最前沿的模型越来越贵。训练需要更多 GPU、电力、研究人员。我们甚至预测，OpenAI 与 Anthropic 在未来一两年可能吸收全球相当大比例的新增算力。具体比例当然需要持续验证，但算力向 frontier labs 集中的趋势值得观察。

生产 frontier intelligence 的门槛越来越高。可是与此同时，使用 intelligence 的成本却越来越低。开源模型、小模型、蒸馏、更便宜的 inference、Agent、本地部署。于是一个过去很少出现的产业结构正在形成：

智能的生产越来越集中，智能的消费却越来越分散。

少数公司可能需要花几百亿美元去推动 frontier。但一个普通人获得接近这种能力的成本，却可能越来越接近零。

孩子、律师、医生、投资人、住在小城市里的人。他们可能调用同一种 intelligence infrastructure。AI 最终造成的经济后果，很可能同时包含两种完全相反的力量：上游高度集中，下游高度民主化。

理解未来几年 AI 的监管、反垄断甚至国际竞争，可能都绕不开这个矛盾。

06 当最数字化的技术，重新遇见国家

如果智能的生产真的越来越依赖昂贵的物理基础设施，那么接下来一个很自然的问题是：谁有能力建设它？

这是这一轮 AI 与互联网另一个很大的不同。

过去三十年的互联网带着非常强烈的全球化气质。软件天然跨越国界，Google 的搜索没有国籍，一个软件产品写完以后，理论上可以服务全世界。互联网时代最成功的公司，也因此很容易成为全球公司，结果也诞生了很多跨国大企业。

AI 表面上比互联网更加虚拟，底层却恰相反。它需要芯片、晶圆厂、电力、土地、资本和先进制造；需要稳定的电网、漫长的审批和巨大的融资能力。这些东西都存在于非常具体的地理空间，也受到国家政策的约束。

于是出现了一个有些反直觉的变化：越是最先进的数字技术，最后越需要国家的物理能力。

最近读完《芯片战争》，感觉尤其明显。半导体原本可能是全球化最精巧的一件作品：美国的 EDA 和芯片设计，荷兰的光刻机，日本的材料，台湾的制造，再到中国大陆和东南亚的封装。一颗芯片真正被使用以前，背后已穿过许多国家。

效率很高，也极其脆弱。AI 出现以后，这张供应链突然不再只是企业如何控制成本的问题。芯片、算力、能源、模型能力，频繁地与国家安全放在一起讨论。

如果 intelligence 真的成为一种新的生产要素，那么以后会不会多出另一种衡量方式：一个经济体能够持续生产多少有效智能？

听起来有点抽象，但把它拆开以后其实非常具体：有多少先进制程产能，有多少电力可以配置给计算，有多少资本愿意承担漫长的回报周期，有多少研究人员，以及能不能把这些东西组织在一起。

如果问题成立，中美之间围绕芯片、先进制造、算力、能源和人才的竞争，就不能简单理解成又一轮贸易摩擦。争夺的其实是一种新的生产能力。

也意味着，AI 越往下发展，技术与国家之间的关系可能反而越难分开。互联网曾让人相信地球村。AI 可能重新让我们看见地理。

07 可以被智能复制的东西变便宜，不能被复制的东西变贵

如果只看宏观环境，这似乎并不是一个特别适合发动巨大技术革命的年代。政府债务高企，资本不再便宜，战争增加能源的不确定性，全球供应链也开始为了安全而接受过去不会接受的冗余。

这些东西理论上都意味着更高的成本。偏偏同时，AI 正在快速降低另外一批东西的价格。

写代码的成本下降，获得知识的成本在下降，翻译、设计、客服、研究，甚至一部分专业判断的边际成本，都可能继续下降。所以这一轮技术革命也许会同时产生两种方向相反的价格运动：

可以被智能复制的东西越来越便宜；不能被智能复制的东西越来越贵。

代码可以复制，铜不能。知识可以复制，电不能。模型可以蒸馏，土地不能。一个 Agent 可以同时服务一百万人，但变压器仍然需要一台一台制造。

所以我现在不太愿意简单地说“AI 是通缩的”。它更可能制造一次巨大的相对价格重估。

——那些过去昂贵、因为依赖人类知识劳动而稀缺的东西，可能逐渐变便宜；那些过去不起眼，却是智能世界无法绕开的物理瓶颈，反而越来越昂贵。

一个更底层的问题：下一单位智能增长，正在撞上什么东西？那个东西，可能是新的稀缺。价格、资本和利润最终会朝那里移动。

08 所以，我们究竟处在 AI 革命的哪一个阶段？

写到这里，我不想得出一个结论，是 1996、1997 还是 1998。这种类比给人一种很诱人的确定感。历史没有这么慷慨。

今天更像是几个时代叠在了一起。资本市场有一点像高利率年代；产业建设又像十九世纪末的铁路和电气化，大量资本正在变成漫长而昂贵的基础设施；科技公司的估值和情绪，确实又带着一点九十年代末互联网的影子；与此同时，国际关系重新出现某些冷战时期的特征，技术越来越难与国家能力分开。

所以也许我们根本不处在历史上的某一年，但仍然可以判断一下处在什么阶段。一项技术革命刚开始的时候，人们首先问：它是真的吗？

ChatGPT 出现后的前两年，我们反复讨论 scaling law 会不会结束，大模型到底是不是 stochastic parrot，AI 究竟能不能产生真正的经济价值。

后来问题变成：谁能从它身上赚到钱？于是资本开始寻找 GPU、模型、数据中心、光通信、存储和电力。而现在，一个新的问题正在慢慢取代前两个：整个社会愿意为了它重新配置多少资源？

这三个问题看起来相似，其实对应着完全不同的阶段。我觉得我们现在正在从第二个问题走向第三个。

08 所以，我们究竟处在 AI 革命的哪一个阶段？

写到这里，我不想感觉是 1996、1997 还是 1998。这种类比给人一种很诱人的确定感。历史没有这么慷慨。

今天更像是几个时代叠在了一起。资本市场有一点像高利率年代，要求所有资产重新证明自己的回报率；产业建设又像十九世纪末的铁路和电气化，大量资本正在变成漫长而昂贵的基础设施；科技公司的估值和情绪，确实又带着一点九十年代末互联网的影子；与此同时，国际关系重新出现某些冷战时期的特征，技术越来越难与国家能力分开。

所以也许我们根本不处在历史上的某一年，但仍然可以判断一下处在什么阶段。一项技术革命刚开始的时候，人们首先问：它是真的吗？

ChatGPT 出现后的前两年，我们反复讨论 scaling law 会不会结束，大模型到底是不是 stochastic parrot，AI 究竟能不能产生真正的经济价值。

后来问题变成：谁能从它身上赚到钱？于是资本开始寻找 GPU、模型、数据中心、光通信、存储和电力。而现在，一个新的问题正在慢慢取代前两个：整个社会愿意为了它重新配置多少资源？

这三个问题看起来相似，其实对应着完全不同的阶段。我觉得我们现在正在从第二个问题走向第三个。

这也改变了我判断的方式。

资本是否仍然愿意持续从其他地方流向 AI？AI 项目的回报率是否仍然明显高于资本成本？算力瓶颈是否继续从一个环节向下一个环节迁移，而不是需求本身消失？企业是否开始真正重新设计 workflow，而不只是给员工买一个 Copilot？我们到底提前支付了多少年的未来？

技术判断和资产判断，不是同一件事。过去流向房地产、传统基础设施和其他产业的一部分钱，开始流向数据中心和算力。能源正在重新配置。制造能力正在重新配置。人的时间也正在重新配置。

最后，国家也开始重新配置自己的政策、能源和产业安全。

超级智能，而是一种新的生产要素，刚刚开始进入世界。