何雨果的知识库

外观

AI's Bar Mitzvah Moment? From Hype & Hope to Business Questions! ​

视频总结 ​

时间戳取自 YouTube 转录稿，标题中的时间区间可点击跳转。

00:00–03:32 AI 已渗透商业、市场与日常生活 ​

  • 讲者经历过 1980 年代的个人电脑、1990 年代的互联网和 20 年前的社交媒体，但没有一次变化像 AI 这样无处不在。
  • AI 不是 2022-11-30 ChatGPT 发布时才诞生的（00:27）：IBM 的深蓝（Deep Blue）每秒能分析 2 亿个棋局，击败了所有对弈的特级大师。
  • 市场层面（01:09）：过去四年全球新增市值最多的公司是提供 AI 芯片的英伟达。2021 年前人们谈 FANG，如今变成七巨头（Mag 7），特斯拉和英伟达替代了 Netflix。
  • 七巨头贡献了 2022–2025 年美国股市总市值增量的约 45%，合计市值 23.7 万亿美元（02:10）。
  • 实体经济层面（02:44）：美国实际 GDP 增速约 2.5%，其中 0.8–1 个百分点来自 AI 投资。
  • 社会层面：讲者的妻子是五年级教师，ChatGPT 发布几周后就进了课堂。人们对 AI 智能体（agents）的反应是敬畏与恐惧并存。

03:32–06:22 争论各说各话，讲者为自己搭框架 ​

  • 舆论转向（03:32）：2022–2024 年 AI 主要是“让人更高效”的正面故事；最近一两年转为负面。2026 年美国多所大学毕业典礼上，谈 AI 会取代工作的演讲者被嘘。
  • 讲者认为争论跑偏了（04:13）：
    • 乐观派只讲 AI 产品与服务的潜在市场巨大；
    • 怀疑派只讲数千亿美元的资本开支（capex）大到收不回来。
    • 两边都有道理，但大市场不等于有价值的企业，大额资本开支本身也不等于坏生意。
  • 讲者自承是 AI 的轻度用户（05:24）：只用免费版 ChatGPT，一个月用一两次，写作不用 AI。本期是“讲给自己一个人听”，因为他被各方观点拉向十几个方向，需要一个框架整合。

06:22–11:19 革命性变化的四个阶段，AI 正处在“成年礼” ​

  • 几乎所有革命性变化都经历四个阶段（06:22）：
    1. 希望与炒作（hope and hype）：远见者兜售希望、布道者招揽员工与资本，实体几乎没有资产和收入，只有费用。
    2. 投资积累（investing buildup）：变化足够确定，资本涌入建设产能。风险是押错架构；讲者以前讲过的“大市场错觉”（big market delusion）就出在这里，过度自信导致过度投资。此时公司看起来像“无可救药”：投了数十亿美元，几乎没有收入和利润。
    3. 建立业务（building businesses）：开始产生收入和利润，经过大量试错，赢家与输家开始分化。
    4. 重新校准（recalibration）：行业重整，颠覆的阴暗面显现（旧秩序受损），企业寻找护城河，收入和利润趋于平稳；随后新秩序又成为下一轮变化的对象。
  • AI 的位置（09:04）：ChatGPT 技术含量不高，但让 AI 人人可用，启动了炒作周期。过去四年经历了希望与投资两个阶段，规模史无前例。
  • 资本开支（09:42）：Meta、亚马逊、Alphabet、微软、甲骨文和 CoreWeave 六家公司 2020–2026 年资本开支合计约 1.73 万亿美元，大部分投向 AI；加上其他公司，总额达 2–2.5 万亿美元。
  • 讲者的比喻（10:33）：我们以超高速建成了史上最大、比铁路和汽车更贵的工厂，却还不知道它会生产什么、有没有人买。
  • “成年礼”（bar mitzvah，11:00）：犹太传统中宣布少年成年的仪式，还没完全准备好，就被推入成人世界。AI 已不能只靠“市场会很大”自我证明，必须开始讨论如何建立业务。

11:19–12:33 建立业务的三根支柱 ​

  • 收入：总市场规模 × 公司能拿到的份额。
  • 盈利能力：收入本身不创造价值，要看利润率、单位经济（unit economics，多卖一单位的成本）和规模经济。
  • 再投资：利润再高，若需要巨额再投资也未必是好生意；要看资本密集度，以及投入到产生收入之间的时滞。

12:33–15:32 市场规模：当前收入远小于定价 ​

  • 讲者几个月前给 SpaceX 的 IPO 估值时，投行在招股书中给出 22 万亿美元的总可寻址市场（TAM）。讲者称之为“幻觉多于估计”（12:33）。TAM 已成为创始人、VC 和投行的博弈工具：放出高数字，投资者就会给出高价格。
  • 当前收入（13:21），用最宽松的口径 ARR（最近一周或一个月收入年化）：
    • 2026 年 7 月 Anthropic 的 ARR 达 650 亿美元（14:07），各月持续上升；OpenAI 第二，增长较慢；xAI 的 Grok 更慢。
    • 三家合计约 1,200–1,500 亿美元。
    • 加上所有提供 AI 产品与服务的公司（不含向 AI 基础设施供货的公司），最高的估计约 2,500 亿美元（14:52）。
  • 讲者的判断：业务在快速增长，这是好消息，但规模还小，配不上 2 万亿美元的定价或 2 万亿美元的资本开支。真正的问题是这 2,500 亿美元最终会变成 1、2、5、10 还是 22 万亿美元。

15:32–18:34 给 TAM 设上限：经营费用与雇员薪酬 ​

  • AI 的故事是企业用它提高效率，即替代或成为经营费用的一部分。
  • 绝对上限一（15:32）：2025 年全球所有上市公司的经营费用合计 64.9 万亿美元。
    • 行业分布：工业 18.75%，可选消费 16%，科技只有 9.2%，工业应是 AI 最大的目标。
    • 地区分布：美国占 31%，其次是欧盟，中国也占相当比重。
  • 但经营费用包含原材料，AI 替代不了轮胎用的橡胶、化肥用的化学品（16:56），真正的目标是雇员支出。
  • 绝对上限二（17:44）：美联储统计的 2025 年美国全部企业（含上市与非上市）雇员薪酬 12.96 万亿美元；欧盟约 9 万亿美元；加上印度等薪酬较低的市场，全球合计约 25–26 万亿美元。把每个员工都换成 AI 智能体，这就是天花板。

18:34–25:39 从 26 万亿美元往下缩：TAM 的情景 ​

  • 两个维度（18:34）：颠覆的速度与幅度。讲者提到今年早些时候讨论过的 Citrini 报告：AI 若快速、彻底地取代人，对 AI 公司是好消息，对经济却是坏消息，大量失业会导致深度衰退甚至萧条。

  • 工具还是替代（19:22）：

    • AI 作为工具是新增费用，企业不可能在 26 万亿美元雇员支出之外再花 20 万亿美元买 AI，因此工具型市场更小，效果体现为将来少招人。
    • 替代员工的市场最大。

  • 速度（20:09）：现有 AI 公司有动机加快颠覆，这样新进入者来不及追上，Anthropic、OpenAI 能保住优势；但对社会最坏，被替代的劳动者短期内无处可去。

  • 讲义中的矩阵列出各情景下的产品形态（替代员工需要高性能、高价 AI，工具可以是低价大众产品）、潜在市场、赢家和社会成本。

  • 价格约束（20:57）：有人估计高端 Claude 模型每小时运行成本数千美元。高价产品只能替代高薪员工，“你不会用一天花 6,000 美元的智能体去替代年薪 3 万美元的员工”。

    • 美国收入最高的五分之一劳动者拿走约 52% 的工资（21:46），这一层最容易被替代，市场从 26 万亿美元大幅缩小。

  • 职业（21:46）：规则明确、产出容易检验的工作最易被替代，例如软件工程师；需要与人打交道、产出模糊的工作较不易受影响。白领比蓝领更容易被替代，白领中做重复性专业工作的（“银行家和咨询顾问当心了”）更甚。

  • 地区（23:19）：北美年收入超过 10 万美元的劳动者约占 10%，欧洲较低，非洲和亚洲最低，澳大利亚回升但也只有 4%。高价 AI 替代员工更可能先发生在美国、加拿大和部分欧洲。

  • 讲者给出的 TAM 区间（24:02）：

    你相信的情景TAM
    主要是大众工具，只用在少数行业（银行工具、咨询工具）不到 1 万亿美元
    工具用于很多行业，并在少数行业、部分地区替代高薪员工2–5 万亿美元
    在多数行业、多数地区替代高技能员工5–10 万亿美元
    在多数行业、多数地区替代大部分员工超过 10 万亿美元

  • 讲者不反对不同的人给出不同估计，反对的是只给数字不给理由（24:51）。对招股书里 22 万亿美元这样的数字，应追问背后的故事：工具还是替代？替代高薪还是所有员工？部分行业还是全部？美国还是全球？

25:39–31:15 行业经济：商业模式与单位经济 ​

  • 大市场到大价值要过好几座桥：大市场不一定带来大收入，大收入不一定带来大利润，大利润不一定带来大价值。AI 正处在各家试验不同模式的阶段。
  • 订阅转向按用量计费（26:07）：
    • 多数科技产品的边际成本接近零，可以无限扩张；AI 产品每次使用都要花钱，不限量订阅会把客户变成成本中心。
    • Anthropic 最偏企业客户，走得最远：2026 年 85% 的收入来自按用量计费（26:39）。OpenAI 因 ChatGPT 流行一直偏订阅，但比重也在下降。
    • 讲者的判断：大众市场的个人订阅会保留，但设用量上限；企业客户会转向按用量计费。
  • 开放与封闭模型（27:28）：
    • 开放模型允许客户加入数据、修改模型；封闭模型只能原样使用。
    • 这场争论涉及权力集中、隐私和安全等多个维度，没有一边倒的答案。
    • 从商业角度看，封闭模型给公司更强的定价权和客户黏性，在高价市场更有吸引力；大众市场更可能出现开放模型。
  • 单位经济（28:54）：
    • 好消息：AI 的计量单位 token 的成本三四年内下降了 80%–90%。
    • 坏消息：AI 产品并没有变便宜。模型越来越强、越来越偏向输出，而输出 token 远比输入 token 贵，写报告、生成内容会消耗大量 token。
    • 分化即将出现（30:29）：大众市场公司可以保持基础模型，成本会下降；高端市场是一场竞赛，token 变便宜，模型却越来越强，净效果可能更贵。
    • 讲者给 Anthropic 和 OpenAI 的建议：模型不要比客户需要的更强。“性能超出所需五倍，只会让它更贵”，并给只提供客户所需功能的对手留下机会。

31:15–35:04 护城河与竞争优势 ​

  • 持续赚钱需要护城河（moats），常见来源：品牌、转换成本（切入低、切出高）、网络效应、成本优势、法律保护。
  • 讲者的预判（32:02）：
    • 大众 AI：产品标准化，靠成本优势，可能来自规模，或独享数据。
    • 高端 AI：赢家既要能定制强大的产品，又要比对手更快压低成本；模型和客户数据缠绕得越深，客户越难离开。
    • 法律保护：一些国家会为本国 AI 产品挡住竞争。
  • 人才（32:50）：讲者举例，Google 的首席科学家 Jeff Dean 几周前离开，Alphabet 市值下跌约 5.4%，约 1,000 亿美元。AI 公司天天在大学挖计算机人才、经济学家，甚至哲学家。人才如此重要，说明行业还很年轻；行业成熟后，人仍重要，但不会像现在这样重要。
  • 品牌与信任（34:15）：客户要把数据和企业机密交给 AI 公司，因此 AI 公司在“美德”上竞争。讲者对 Dario Amodei 和 Sam Altman 宣扬让世界更好、产品更安全持怀疑态度，引用莎士比亚“女士抗议得太多了”：最终要看行动，不看说辞。

35:04–38:15 约束与反弹 ​

  • AI 招致反感的四个原因（35:04）：
    1. 实体足迹：数据中心可达 100–150 个足球场大，改变当地居民的生活，还要消耗电力和水资源。
    2. 数据隐私：经历了社交媒体 20 年的隐私侵犯，人们担心 AI 公司拿数据对付自己。
    3. 失业：AI 的最好情景恰恰是数十万（许多是高薪）员工失业，对经济和社会都不好。
    4. 不平等：SpaceX 上市造就了几十位身家过亿美元的富豪，Anthropic 和 OpenAI 上市也会如此，会加剧公平问题。
  • 这些会落到 AI 公司的经营上（37:27）：数据中心更难建、更贵；数据使用受限，获取和保护数据的成本上升；监管可能要求 AI 公司为被替代的员工付费；财富税运动会获得更多理由。估值时要把这些限制考虑进去。

38:15–41:46 反推：要多少收入才能撑起定价 ​

  • 落到具体公司有两种方法：反推定价或资本开支需要怎样的收入和利润，或者做完整的自下而上估值。
  • 内在估值的骨架（38:15）：预测收入 → 减去费用得利润 → 减去再投资得现金流；预测到某个时点后假设公司成熟，计算终值；全部按风险调整后的折现率折现。
  • 反推（39:34）：把市场价格或资本开支当作已知数，倒过来问：到稳定期需要多少收入才能盈亏平衡。
  • Anthropic（39:34）：按传闻的 2 万亿美元定价，给 30% 的税后营业利润率，按高于平均的风险取 10% 的资本成本：
    • 若要等 10 年才成熟，第 10 年收入需约 1.2 万亿美元；
    • 若要等 15 年，需约 2 万亿美元。等待可能来自技术，也可能来自监管阻力。
    • 从 650 亿美元 ARR 到 1.2–2 万亿美元，差距巨大。
  • AI 公司整体（40:12）：保守估计合计定价 5 万亿美元，给整体更低的利润率，等 10 年需第 10 年收入约 5 万亿美元，等 15 年需约 8 万亿美元。
  • 讲者强调这不是说存在泡沫，而是给“AI 公司被定价为巨大成功”中的“成功”加上具体数字。

41:46–44:36 自下而上估值与结论 ​

  • 自下而上估值要做的选择：主攻大众市场还是高端市场、该市场的单位经济、竞争优势、实现增长需要的投资（已投入多少，投资效率如何），以及监管约束。讲者提到两年前的 DeepSeek 冲击：中国公司证明不用昂贵数据中心和英伟达芯片也能提供许多核心 AI 产品。
  • 讲者准备在 Anthropic 和 OpenAI 提交招股书后用这个框架估值。
  • 框架做不到的（42:34）：判断 AI 的 TAM 是 10 万亿还是 8 万亿美元，判断 Anthropic 2 万亿美元的定价对不对。
  • 框架做得到的：告诉你该怎样推导 Anthropic 的 TAM；指出招股书里 22 万亿美元的市场与事实不符；指出“ARR 三个月或六个月涨了 80%，所以值 2 万亿美元”的论证站不住。
  • 结尾（43:23）：在 AI 上声称有把握的人“不是无知就是傲慢”。讲者回顾几周前关于 Leopold Aschenbrenner 及其 Situational Awareness 对冲基金的一期，他不同意对方关于 AI 会快速、大规模颠覆的判断，更不同意对方因此借入巨额资金。这个领域还不能有确信，只能做出最佳判断，同时分散下注。

提炼 ​

核心结论 ​

  1. AI 的争论跑偏，是因为乐观派只看市场规模，怀疑派只看资本开支；判断 AI 是否是好生意，要同时看收入、盈利能力和再投资三根支柱。
  2. AI 的 TAM 取决于一个故事：工具还是替代、替代高薪还是全部员工、少数行业还是全部、美国还是全球。没有故事支撑的 TAM 数字不可信。
  3. AI 的天然天花板是雇员薪酬（全球约 25–26 万亿美元），不是全部经营费用；高价模型又只能替代高薪员工，进一步缩小可及市场。
  4. token 变便宜不等于 AI 产品变便宜；模型越强、越偏输出，单位成本越难下降，过度强大的模型反而会被只提供所需功能的对手绕过。
  5. 反推是检验定价的利器：2 万亿美元的 Anthropic 需要 10 年后约 1.2 万亿美元收入，比当前 ARR 高近 20 倍。

概念与公式 ​

概念含义本期用法
革命性变化四阶段希望与炒作 → 投资积累 → 建立业务 → 重新校准AI 正从第二阶段进入第三阶段（“成年礼”）
单位经济（unit economics）多卖一单位的成本AI 的边际成本不接近零，所以订阅模式转向按用量计费
盈亏平衡收入（breakeven revenue）让内在价值等于当前价格（或资本开支）的稳定期收入反推 Anthropic 与 AI 板块的定价

反推的简化形式（我的整理，假设成熟后永续增长）：

P0=1(1+r)n⋅Rnm(1−g/ROC)r−g⟹Rn=P0(1+r)n(r−g)m(1−g/ROC)

其中 P0 为今天的定价，Rn 为第 n 年收入，m 为税后营业利润率，r 为资本成本，g 为永续增长率，ROC 为成熟后的资本回报率。这个式子忽略了成熟前的现金流；对现在大额亏损、大额再投资的公司，成熟前现金流多为负，忽略它们会让结果偏乐观。

方法与判断依据 ​

  • TAM 的四个追问：工具还是替代？替代哪个收入层？哪些行业？哪些地区？每一步都能把天花板缩小一个量级。
  • 给 TAM 设上限：先用全部经营费用（64.9 万亿美元）做绝对上限，再扣掉原材料，只看雇员薪酬（约 25–26 万亿美元）；用“高价产品只能替代高薪员工”继续收窄。
  • 识别商业模式是否可持续：边际成本不为零的产品，不限量订阅会亏钱；看收入中按用量计费的比重。
  • 护城河随市场分层：大众市场看成本和数据，高端市场看定制能力、降本速度和与客户数据的绑定程度；人才和信任是行业年轻时的临时优势。
  • 把社会反弹折进估值：数据中心建设成本、数据合规成本、为失业者付费、财富税，都是会落到利润率和再投资上的约束，不只是舆论问题。

复算与实操 ​

用上面的简化公式复核讲者的 Anthropic 反推。输入：P0 = 2 万亿美元，m = 30%，r = 10%（讲者给出）；g = 3%、ROC = 15%（我的假设，讲者未说明）。

  • 再投资率 = 3% ÷ 15% = 20%，成熟后自由现金流 = 0.3 × 0.8 × Rn = 0.24 Rn。
  • 终值倍数 = 0.24 ÷ (10% − 3%) ≈ 3.43 Rn。
  • n = 10：折现系数 1.1¹⁰ ≈ 2.594，R10 ≈ 2 万亿 × 2.594 ÷ 3.43 ≈ 1.51 万亿美元（讲者：约 1.2 万亿）。
  • n = 15：折现系数 1.1¹⁵ ≈ 4.177，R15 ≈ 2.44 万亿美元（讲者：约 2 万亿）。
  • 量级一致。我的结果偏高，可能是讲者的表格还计入了成熟前的正现金流，或用了不同的增长率和再投资假设；需要打开讲者的 Excel 核对。
  • 多等 5 年，所需收入乘以 1.1⁵ ≈ 1.61；讲者的 2 ÷ 1.2 ≈ 1.67，同样接近。等待本身就是成本：资本成本 10% 时，成熟每推迟 5 年，所需收入就要多六成。
  • 改变一个假设：利润率从 30% 降到 20%，所需收入按比例放大 1.5 倍，10 年情景下（按我的模型）约 2.3 万亿美元。

TAM 的粗略复核：全球雇员薪酬约 26 万亿美元 × 美国最高五分之一劳动者的工资占比 52% ≈ 13.5 万亿美元。即使把这个比例套用到全球（实际上美国以外的高薪占比更低），“替代高薪员工”的市场也在 13.5 万亿美元以内，还要再乘以可替代职业的比例。这与讲者“5–10 万亿美元需要跨行业、跨地区替代高技能员工”的判断一致。

关联 ​

疑问与待核实 ​

  • 20:57 字幕作“Claude Fable who estimate cost thousands of dollars per hour”，具体指哪款模型、成本数字的出处不明；后文又说“每天 6,000 美元”，单位前后不一致。
  • 32:50 Jeff Dean 的职位（字幕先说 Google 首席科学家，又说 DeepMind 首席科学家）和 Alphabet 下跌 5.4% 的日期需要核实。
  • 23:19 “澳大利亚回升但只有 4%”与“北美 10%”的统计口径需要对照讲义的图表。
  • 39:34 反推所用的永续增长率、再投资假设和成熟前现金流没有说明，见上文复算的差异。

← 返回专题更新