访谈来源：The a16z Show（a16z 官方播客）｜《State of Markets II》年度

圆桌主讲人：David George（a16z 普通合伙人、成长投资负责人，本期串场与图表讲解）

同席：Sarah Wang、Alex Immerman、Santiago Rodriguez（均为 a16z 成长投资团队合伙人）

原视频：https://www.youtube.com/watch?v=lr3hNhA0IfQ

这四个人是谁，为什么这期值得听

a16z 的成长投资团队每年会做一次《State of Markets》——把自己一年里看过的公司、算过的数据、争论过的判断，压缩成一套图表对外公开。今年是第二版，四个人坐下来，把 25 张关键图表逐张讲了一遍。

David George 是这套系列的主笔，负责领导 a16z 成长投资业务，2019 年加入并从零搭建了成长基金。此前他在 General Atlantic 待了约七年，主导过 Airbnb、Slack、Uber、CrowdStrike 等成长型投资；在 a16z 参与的项目包括 SpaceX、OpenAI、Stripe、Databricks、Waymo、Anduril、Harvey、Abridge。他今年还写过一篇被广泛引用的文章《软件只剩两条路》。

Sarah Wang 主投 AI、企业应用与基础设施的成长期项目，参与 Cursor、Decagon、Wiz、Thinking Machines Lab 及 OpenAI、Databricks、SpaceX。她是 a16z 年度「100 位 CIO 企业 AI 调研」的主笔，也是 2023 年那篇《生成式 AI 与基础模型的经济学论证》的作者之一——长期研究推理成本下降与杰文斯悖论。

Alex Immerman 今年 1 月刚晋升普通合伙人，主导或参与 ElevenLabs、EliseAI、Flock Safety、Hebbia、Kalshi、Revolut、Stripe、Waymo，深度参与 Anduril、OpenAI、Coinbase。他与 Santiago Rodriguez 合写的《Retention Is All You Need》提出了 AI 原生产品的「微笑留存曲线」。

Santiago Rodriguez 2022 年加入，专注 fintech、消费与加密科技的成长期投资，此前在 Bain Capital 做后期投资，斯坦福化学工程背景，在墨西哥城长大。本期他主要负责宏观估值与倍数、公司保持私有更久、IPO 与二级市场这几段。

一句话概括本期的底色：这是一场用 25 张图回答「AI 到底是不是泡沫」的公开辩论，而他们的答案不是「是」或「不是」，而是「现在不是，但真正的风险不在这里」。

TL;DR

1. 科技现在占美国资本支出的约 55%、美股总市值的近 40%；全球市值前十的公司里有八家是美国科技公司。
2. 「股价涨 20%、估值倍数跌 20%」——这是他们判断本轮不是估值泡沫的核心证据。
3. 超大规模厂商资本开支 2026 年约 7800 亿美元（2025 年 4160 亿），2027 年起每年超过 1 万亿美元；三家云厂商待履约订单合计约 1.7 万亿。
4. 企业采用的漏斗是 69% / 30% / 2%：69% 的标普 500 公司已实际部署 AI，30% 报告了可量化影响，只有 2% 在长期追踪指标。
5. 头部用户正在把其他人甩开——前 1% 用户的支出约为前 10% 的 8 倍，几乎等于第 2 到第 10 名的总和。
6. 推理成本暴跌没有减少消耗，反而打开了此前昂贵到不可行的任务——这是教科书级的杰文斯悖论。
7. 消费级 AI 的渗透率是「略超 2% 的美国家庭」，但留存曲线不是走平，而是在「微笑」。
8. 按最新一轮估值，Anthropic、OpenAI、Databricks、Stripe、Waymo、Revolut 六家合计约 2.4 万亿美元（不含 SpaceX）——超过过去十年 IPO 的合计市值。

一、开场：这不是一份报告，是我们内部的「废气」

David George： 这是我们第一次做这种形式的东西。团队内部生产的分析和观点太多了，某种意义上是「废气」——我们想，为什么不把它写下来公开出去？

他说，这次做完最大的感受有两个。第一个是需求侧疯了：这批 AI 公司的增长质量和接手速度，比我们见过的任何一批公司都更令人振奋。第二个是，公司开始把自己跑得更好了。今天早上还有人在争论这件事会怎么走，但我的判断是，这批公司比上一批更让人印象深刻，部分原因就是它们产品的需求实在太强。

二、这到底是不是泡沫：股价涨了 20%，倍数跌了 20%

这是整期节目最该回答、也最朴素的问题。Santiago Rodriguez 给出的答案是否定的，而且理由具体到可以核对。

Santiago Rodriguez： 科技现在占美国资本支出的约 55%，占整个美股总市值的近 40%，全球市值前十的公司里有八家是美国科技公司。而市场自四年前我们第一次做这个演示以来涨了约 90%，年化 17%。

他接着说出了最关键的一组数字：股价涨了约 20%，但估值倍数跌了约 20%。

Santiago Rodriguez：本能反应是「好吧，这肯定得降下来」。

Alex Immerman 把这句话接了下去，并给出了对照：

Alex Immerman：但当你把它跟一个市盈率低于 20 倍、还在以 15% 增长的市场相比时，这确实和最近的 2021 年不同，和 2000 年那个成长股倍数完全对不上的时期也不同。

他补充了泡沫时代的坐标：2000 年互联网泡沫时，龙头公司常常交易在 100 倍市盈率；而今天标普 500 整体的盈利倍数不到 20 倍。更有意思的是内存公司——这个行业历史上属于最典型的强周期生意——现在只交易在 6 到 7 倍远期盈利。

他们的结论是：这轮上涨是「赚来的」，涨幅来自盈利，不是倍数扩张。不过四个人也留了余地：市场确实处在「偏热」的阶段，最近这种强势回报未必能以同样节奏持续下去。

David George 补了一句历史坐标：按占 GDP 的比例，这一轮建设的规模已经超过了当年的铁路。而他给出的预测是：未来五到十年再看这些累计数字，会显得「高 20 倍」。

他还重新定义了「软件吞噬世界」这句话在今天意味着什么：上一章里，软件改造了各个行业，但只有一小部分人有能力去造软件；而现在每个组织每晚都在跑自动化，软件需求直接转化成了算力、芯片、电力和建筑。

三、7800 亿美元的资本开支竞赛：天花板一次次变成地板

Sarah Wang：那些曾经看起来像天花板的支出，现在已经变成了近期现实。

这是本期数据最密集的一段。超大规模厂商——Alphabet、Amazon、Meta、Microsoft、Oracle——的合计资本开支：

Sarah Wang 强调，这些预测是被「连续大幅上修」推上去的：穆迪 2026 年 5 月把 2026 年预测从 3 月的 7000 亿一次上调 850 亿到 7850 亿；Morgan Stanley 把 2026 年从 7650 亿上调到 8050 亿、2027 年从 9510 亿上调到 1.116 万亿。a16z 图表上那句标题写得很直白：我们一直在低估满足需求所需要的资本开支。

我们此前的分析：一个月上调 1120 亿美元:AI 资本开支的"上修机器"停不下来

Santiago Rodriguez 把加速归因于「分销」：这一轮基建是叠加在互联网、云和移动之上的，所以它能立刻触达数十亿用户，这是任何上一代技术周期在同样阶段都不具备的条件。

更根本的是使用方式变了。Santiago Rodriguez 指出，agent 现在跑的是并行、长时间的任务，甚至会一直跑到晚上，产生的算力需求远大于当初按「偶尔一次查询」建的模型。

David George 把算力需求称为「模型终结者」——需求大到没法用常规框架去框定。他举了两个人的例子：Sam Altman 和 Sarah Friar 当初那笔巨额算力承诺，一年前被广泛批评为鲁莽，现在回头看却被视为有先见之明。另一个细节是，OpenAI 在录制前大约两周，暂停了它的 Pro 计划新订阅——尽管那个价格点是 2000 美元。

供给端同样紧张。Sarah Wang 提到，数据中心供应链里有些材料或产品要到 2028 年才能拿到。从需求侧看，微软、Google、Amazon 合计约 1.7 万亿美元的待履约订单（RPO）是最硬的证据——需要说明的是，这 1.7 万亿是把三家口径加总出来的：微软商业 RPO 6780 亿（含 M365、加权平均期限 2.3 年），Google Cloud 约 5140 亿，AWS 4960 亿。三家口径并不完全可比，引用时必须说明统计范围。

David George 用一句话概括这笔钱的性质：对云厂商是支出，对半导体、电力、建筑、铜和电工来说，是「别人的订单簿」。科技繁荣正在变成工业繁荣。

关于自由现金流，他们承认资本开支正在压低近期 FCF，但预期从 2028 年起开始复苏、之后大幅增长。支撑这个判断的是一个关键假设：Alex Immerman 引用现货市场的 GPU 定价作为信号——任何上线的 GPU 都能赚到有吸引力的回报；Amazon 财报电话会上也解释了 J 曲线：GPU 和 TPU 的有用经济寿命被证明比原先预期的更长。

Santiago Rodriguez 还点了一件事：那些「眨眼了」、投入不够激进的超大规模厂商，已经后悔了。

四、原子的新时代：90 万亿美元，远不止数据中心

David George：到 2040 年，全球基础设施投资需求估计在 90 万亿美元。这远远超出 AI 和数据中心——它包括电力、水、道路、交通。

这一段是很多听众容易忽略、但可能最重要的部分：AI 的钱正在溢出到原子的世界。

David George 举了投资组合里的具体例子：Anduril 的制造设施规模达 87 个足球场；Waymo 在扩张车队枢纽；SpaceX 在路易斯安那州投资 1000 亿美元。

Alex Immerman 引用了 Elon Musk 那句「工厂即产品」，并指出 a16z 投过的许多伟大创始人都出自 Tesla 或 SpaceX——他们在那里学到了一件事：工厂执行力在规模化时会变成巨大的竞争优势。

他们还专门破除一个迷思：数据中心会推高居民电价。团队引用了一项近期美国研究：数据中心容量每增加 10%，居民电价反而下降 40 个基点。原因是电网是一个共享的固定成本空间——电线杆、电线、变电站——而一个大型稳定的客户把这些成本摊薄到更多的用电单位上。Santiago Rodriguez 引用了 Dina Powell 关于 Meta 在路易斯安那州选址、与社区合作降低电力成本的案例，称之为真实而非修辞的例子。

五、只有 2% 的企业 AI 被真正追踪

这是全场最扎眼的一组数字，也是四个人反复回来强调的那道落差。

Santiago Rodriguez：标普 500 公司的实际部署率是 69%。但如果你去看终极晴雨表——长期追踪的指标——实际上只有 2%。

完整的漏斗是这样的：

Santiago Rodriguez：AI 确实在交付成果，但在组织内部真正深化使用、并长期追踪这些成果方面，还有巨大的空间。

Alex Immerman 补充了这组数据的口径：它来自对约 500 家大盘公司公开信息的统计，分母是标普 500 公司而非全体美国企业。他强调，这和 2008 年「有多少人拥有 iPhone」那种单一模型不一样——AI 需要同时建模两件事：有多少人会用 AI 产品，以及这些用户内部的使用深度。

Santiago Rodriguez 指出，今天大多数企业的 AI 暴露其实主要就是 Microsoft Copilot，这说明他们离真正的深度使用还有多远。

David George 关注的则是另一道落差：模型对世界的了解，和模型对某一家具体公司的了解之间的差距。他举了 Revolut 的例子——这家公司有非常成熟的工程团队，仍然选择与 ElevenLabs 合作，把语音模型安全地连接到客户账户和银行工作流上。换句话说，应用层的价值在于编排，而不仅仅是拿到模型。

Sarah Wang 把整套框架落成一句判断：

Sarah Wang：推动营收增长的机会，在上行方向是无界的；而成本改善的机会，本质上是一种会持续存在的潜在机会。

这也成了他们判断一家公司如何使用 AI 资金的试金石——增量 AI 预算，是流向新的面向客户的产品（无限的营收上行），还是流向成本优化（一个永远存在、但天花板有限的池子）？如果今天资金最好的用途是成本优化，那这本身就说明了一些问题。

Alex Immerman 还额外提了一个内部成本工作的区分：为了省下几十万美元而去内部重建记录系统（systems of record），很可能是对工程资源的糟糕使用。

六、头部用户正在把其他人甩开：20 倍的差距

这块数据是理解「采用仍处极早期」的另一半。

Sarah Wang 引用了 Yipit 的数据：前 1% 的 AI 供应商支出中位数约为前 10% 的 8 倍；而前 1% 单独的支出，几乎等于第 2 到第 10 名的合计。

在 AI 原生的投资组合公司内部，差距更大：头部用户每月支出 7500 到 9000 美元，而中位数用户每月只有 200 到 400 美元——也就是一两个叠加的订阅，超过 20 倍的差距。

Sarah Wang 还给出了相对于员工人数的视角：前瞻性强的大型财富 500 强公司，在 AI 工具上的支出约占员工成本的 1%；而最前瞻的 AI 原生公司达到 10%。

七、单位经济学被重写：缓存、路由、微调，与杰文斯悖论

这是全场技术含量最高、也最实用的一段。

Sarah Wang 的定义很清楚：AI 正在产生重大营收和节省，采用极其早期，成本在骤降——这让 agent 对更广泛的工作范围第一次具备了经济性。她提到来自较新实验室（如 Typesafe）的创新如 Jevons，正在进一步推进这件事，两个数量级的成本差异实质性地扩大了用例集合。Santiago Rodriguez 直接称之为「名副其实的杰文斯悖论」。

具体到降本手段，团队给了三条路径：

一是多步任务带来的结构性变化。agent 需要多个步骤和多次模型调用，OpenRouter 上被判定为 agentic 的流量自 2026 年 2 月以来增长约 14 倍，用量已接近人类的 5 倍。需要说明口径：这是平台依据工具调用频率、对话轮数、请求间隔等信号推断出来的平台内流量，不代表全行业。同一份图表还指出，agent 消耗的 token 中超过 85% 来自缓存前缀。

二是缓存。缓存就是复用已有背景信息而不每次从头处理。Hebbia 的金融聊天工作负载因此便宜了 10 倍。

三是路由。Databricks 的智能路由器通过把每个任务路由到合适的模型，以比最强单一模型低 35% 的成本解决更多问题。

四是微调。Harvey 与 EliseAI 都走这条路：用自有数据训练更小的专用模型。EliseAI 的成本降了 60%，延迟大幅下降，让实时音频用例第一次变得可行。

Santiago Rodriguez 给出了这套东西的共同后果：对应用型企业来说，真正相关的单位是「完成客户工作的成本」——把它和「每一步都用最贵的模型」解耦，正是利润率改善的来源。他还指出一个更微妙的变化：成本降低让 agent 检查自己的工作和重试变得可行，这打开了一批此前因为推理或工具使用成本过高而不可行的任务，尤其是在可靠性决定一切的地方。

这就解释了为什么推理价格暴跌，总算力支出反而在涨。a16z 把同等性能模型的推理价格下降称为 LLMflation：按 GPT-4 级别算，2023 年 3 月到 2024 年 11 月约降 62 倍；引用 Artificial Analysis 数据的说法是「两年 100 倍，从约 50 美元降到 0.50 美元每百万 token」。但要注意，「约 100 倍」是每百万 token 单价、等价能力口径的量级说法，不等于单位任务成本的降幅。杰文斯悖论说的是：单价下降带来用量增长更快，导致总算力支出不降反升——这也是为什么连四五年前的旧 GPU 租金都没跌。

八、可量化的 ROI：Chime、Shopify 与 ServiceNow

Alex Immerman 引用了三个上市公司案例来证明 ROI 是真实的。

Chime：连续四年每年把服务成本降低超过 10%，累计降幅接近 50%——部分得益于 a16z 投资组合里的 Decagon。Santiago Rodriguez 点出了这件事的意义：服务成本降低，创造了在定价上竞争、扩大服务范围和再投资于增长的空间。

Shopify：它的 AI 助手（Sidekick）推动了「入职后 15 天内达到 5 单的客户百分比」提高了 8%。Alex Immerman 特意说明，Shopify 追踪这个指标，是因为 5 单预示着留存。

ServiceNow：报告超过 10 亿美元的 AI ACV，以及 agentic 部署增长 9 倍。这被团队用来说明一件事：AI 的价值正在现有企业和新公司身上同时被捕获。

九、消费级 AI：2% 的渗透率，和一条会「微笑」的留存曲线

Alex Immerman 引用了一项近期调查：略超 2% 的美国家庭拥有付费 AI 订阅。他同时承认，订阅可能不是大多数家庭最终的变现机制，但迄今为止它一直是。

他把留存称为这波消费产品里见过最高的之一——曲线不是走平，而是随着产品改进和用户回归在「微笑」。

Santiago Rodriguez 用规模做了对比：Amazon Prime 超过 2 亿家庭，Netflix 约 7000 万，而 AI 订阅的基数相比之下极其微小。

David George 引用了合伙人 Josh Elman 的反向框架：消费级 AI 是「我在日常生活中用的，不一定是我会去报销的」——所以 97% 使用 AI 的家庭不付费，并不令人意外。

关于使用时长，Immerman 提出了一个观察：Facebook、Instagram、TikTok 和 Snap 都从活跃用户那里拿到每天 30 到 60 分钟，但最好的 AI 助手可能不会在屏幕时间上竞争，因为它们持久、常开、主动。他举了一个很形象的例子：当你开车进城时，一个深度研究任务正在后台跑——那不是被追踪的屏幕时间。这也意味着外部观察式的参与度分析会越来越难做。

十、Amazon 拒绝了 Muse，Instacart 接受了

Sarah Wang 抛出了一个正在发生的变化：Muse、Instinct 这类新消费级 agent，连同 ChatGPT，正在抢走传统搜索的查询。

她提的问题很尖锐：现有消费发现平台和市场需要想清楚自己的「棋招」——一个 AI agent 能带来多少增量需求，而拥有客户关系和发现权，又能守住多少利润池？

Amazon 和 Instacart 的分歧成了教科书级的案例：Amazon 拒绝了 Muse，Instacart 接受了。

算术在 Alex Immerman 那里被拆得很清楚：Amazon 的广告营收超过它全部的运营利润——超过 700 亿美元——而 Amazon 从连接 Muse 中能拿到的增量订单很少。反过来说，Instacart 因为生鲜线上渗透率仍处早期，还有更多订单可拿。

David George 给出了乐观的一侧：把下单卸载给 agent 消除了点击摩擦，应该会产生更多 GMV——「我一度想预订但最终没预订的行程，现在被预订了。」

Sarah Wang 补充了广告侧的真相：Meta 和 Google 在美国和发达市场各自每用户赚取 200 美元以上；而 Google 的搜索业务迄今为止被证明是有韧性的，原因是它变现最高的广告词——保险、酒店——恰恰是 AI 目前还无法替用户采取行动的东西。如果这一点改变，整个动态就会改变。

Alex Immerman 提供了一个正和视角：700 亿美元的 Amazon 广告可能只是找到不同的渠道或更好的定向，而更低的摩擦可能驱动更多消费。市场的即时反应也是整个生态净市值正向的——Meta 的收益远超市场平台的损失。

十一、SaaS 大分化

Santiago Rodriguez 列出了公开软件市场的结构转变：约 75% 的公开软件样本是盈利的，但只有 30% 以 20% 或以上的速度增长。

Alex Immerman 补刀：如果把线划在 30% 增长，符合条件的公开公司不到五家。而在私募市场，我们看到的几乎所有公司都增长远超 30%。

Sarah Wang 解释了这个机制：AI 资金是 CIO 最容易融资的科目，而最容易的来源不是在新 SaaS 项目上的增量支出。现有企业的路径是把新的 AI 产品应用于现有的、已经锁定的分销渠道。

为了破除「SaaS 末日」的恐惧，团队希望看到三件事：持续的 98% Gross Dollar Retention、效率提升，以及最重要的——营收增长加速。

Sarah Wang 引用了她自己那篇「只剩两条路」文章的既定目标：10% 以上的加速。这是一个很高的标准，但考虑到可用的 AI 预算，配合一款「魔法般」的产品，似乎是能做到的；她预期一些接近这个标准的公司，应该在未来 12 到 18 个月内拿出证据。

软件内部的分化是这样的：

Santiago Rodriguez 的框架是一个问题：AI 如何改变了客户对这个产品的需求？AI 创造了新的安全和监控需求，这使 CrowdStrike 这样的现有企业受益；反面则是 Databricks CEO Ali Ghodsi 提出的「AI 的砧板」——哪些应用会面临工作流被颠覆。

David George 把它和私募市场连了起来：agent 访问更多系统、采取更多行动，使安全变得至关重要——OpenAI/Hugging Face 那次事件令人大开眼界。他还指出，Harvey、Abridge、Elise 这些垂直 AI 公司，增长速度比它们所在行业里的任何先例都快，这反映的是编排和垂直特定的工作流、而不仅仅是模型，在主导需求。

Alex Immerman 回顾了公开软件这一年：最开始一两个月带来了「SaaS 末日」的恐慌；然后软件指数回到了年初大致水平，但内部分化成了输家和赢家。赢家不仅是那些改善了成本结构的公司，而是那些加速、并捕获净新增美元的公司。

十二、Stripe 的「文艺复兴」数据，与保持私有的算术

Sarah Wang 引用了 Stripe 的 SaaS 客户数据：增长在进入 2026 年时正在加速，且横跨年轻和成熟企业。Stripe 把它称为「文艺复兴」，Santiago Rodriguez 表示认同。

Alex Immerman 量化了私募市场的规模：按最后一轮估值排名，前六家公司合计约 2.4 万亿美元——Anthropic、OpenAI、Databricks、Stripe、Waymo、Revolut（不含 SpaceX）。这超过了过去十年 IPO 的合计市值，也几乎和整个罗素 2000 指数一样大。

David George 解释了「保持私有」的算术：对创始人领导的公司来说，创始人本身就是资产类别，私募市场允许更大的动作和更长回收期的回报。Zuckerberg 和 Musk 是公开市场里明显的例外。像 Databricks 和 Stripe 这样的公司进行大规模新产品押注、并表现为营收加速，在公开审查下要难得多——Meta 股价在 AR/VR 被质疑期间跌破 100 美元/股就是证明。

他给出了一个重新定位：IPO 应该被理解为「又一次融资事件」，而不是终点，需要和公开身份带来的东西权衡——Navan 上市后，随着更大的企业更信任他们，反而看到了再加速。当然，在某个时点，资本需求可能超过连私募资金池都无法承接的规模。

关于二级市场，有两个动态：一是公司为员工持有招标（tenders），二是估值重置。根据 Carta 数据：招标的参与率仅为 58%——员工出于信念选择不套现流动性，这与「员工套现」的叙事相反。

Sarah Wang 认为招标有助于和公开市场的 RSU 流动性竞争，并主张更频繁的估值重置——保持私募股价对员工对话而言是新鲜的，也为并购提供「新鲜货币」。

Alex Immerman 补充：二级市场对最后一轮价格的折价，现在基本上为零，而 2021 到 2024 年存在有意义的折价——这反映了新鲜的估值，以及愿意支付同样价格的净新增投资者。

十三、下一波：机器人、自动驾驶、AI × 生物、个人健康、美国活力

2026 年的快照里，AI 相关公司占美国 VC 交易活动的 86%，高于 2025 年的 65%。在 AI 这个标签之下，机会正在向多个方向拓宽。四个人给出的清单是：

长时间运行、自主的消费级 agent。完成用户不想做的任务，交付他们否则不会花时间或金钱去换的东西，而且分销可以快速扩展。

机器人。David George 的判断是它「可能比 LLM 更大」，但成熟度上可能早 3 到 5 年；未来五年会是一个巨大的投资领域。

自动驾驶。团队认为这件事「已经有效了」：Uber 和 Lyft 的里程大约只占美国行驶里程的 1%；而由于自动驾驶网络比人类驾驶员安全 14 倍，这件事「应该至少扩大一个数量级」。加上美国每年售出 1700 万辆新车，他们的预期是十年内全部实现自动驾驶。

AI × 生物。针对使人衰弱的疾病的新药发现，未来十年预计会有有意义的进展。

个人健康。一个聚合个人数据、并据此给出超个性化建议的地方——Sarah Wang 指出，这个形态目前还不存在一个好的版本。

编码之外的企业扩散。这仍处在真正部署的最早期阶段。

美国活力（American Dynamism）。Anduril、Saronic、Castelion 这些较新的国防供应商，目前占总体军事支出的不到 5%，团队预期这个份额会大幅增长。这条线不在 AI 标签之内，但它和整个基础设施周期连在一起——制造业、工厂和其他实体能力。

收尾：一个共识，和五个没解决的问题

整期的内在逻辑是一致的：是盈利而不是估值倍数在驱动市场；资本开支预测被不断上修，因为需求在每一层都超过供给；模型层的营收轨迹没有软件先例。

但团队自己也把没解决的问题摆上了台面：

一是 2% 对 69% 的巨大缺口。这是整场演示里最宽的一道裂缝——如果它不闭合，应用层的整个论点就会减弱。

二是广告利润池的问题确实是开放的。市场把 Muse/Instinct 的消息定价为净正面，但 Amazon 那 700 亿广告营收是被重新分配还是蒸发，决定了 agentic 商业到底是加法的还是同类相食的。

三是公开软件的分化，取决于现有企业能否在 12 到 18 个月内拿出 10% 以上的营收加速——这是团队自己设的标准，也只有少数几家公司有能力跨过去。

四是自由现金流的 J 曲线，依赖从 2028 年起的共识复苏，而这又依赖 GPU 有用寿命假设保持不变。

五是二级市场折价为零、招标参与率只有 58%，说明私募市场的信念非常高——而这个条件在历史上并没有无限期持续下去。

Santiago Rodriguez 有一个值得一提的自我提醒：他说，市场确实处在偏热的阶段，我们只是说涨幅是赚来的，不是保证它安全。