摘要

DeepSeek 发布 R1 后，市场对中国 AI 落后幅度的估计从6至12个月下修至约3至6个月，前沿模型的稀缺溢价因此受到挑战。 David Sacks 称 R1 可与 OpenAI 的 o1 相比，其 API 价格约为后者的十二分之一，但反对“600万美元对10亿美元”的说法：据报道，600万美元只覆盖最后一轮训练，而一名分析师估计 DeepSeek 及其关联对冲基金控制着50,000张 Hopper GPU，价值超过10亿美元。
NVIDIA 暴跌17.7%、市值蒸发约6,000亿美元，暴露出半导体行业的核心争论：更便宜的模型训练会摧毁算力需求，还是将其成倍放大？ Chamath Palihapitiya 认为，DeepSeek 使用 GRPO 和裸机 PTX，说明受约束的团队可以绕开依赖内存的正统路线和 CUDA 锁定。Travis Kalanick 则给出另一种判断：“AI 变便宜后……AI 会多得多”，Sacks 也援引了他所谓的 Jin 悖论。
DeepSeek 故事既包含真正的工程创新，也留下了其从 OpenAI 蒸馏而来的证据疑云。 Sacks 称，在8次测试中，V3 有5次将自己识别为 ChatGPT-4，并指出 DeepSeek 披露了约800,000条推理样本，却没有清楚解释来源；但他仍认为这支团队技术实力很强。无害的解释是，团队使用了公开发布的 ChatGPT 输出进行训练；存在争议的解释则是大规模调用 OpenAI API——这份不确定性没有被与谈嘉宾刻意抹平。
AI 股票价值可能从同质化模型迁移至路由层、应用、专有数据和物理执行环节。 Chamath 会先搭建一个可以在 OpenAI、Claude、Llama、DeepSeek 或未来 R2 之间热切换的“shim”；Jason Calacanis 认为模型正像存储或 GPS 一样基础设施化；Kalanick 则把机会拆分为“wrapper”、工具和垂直领域专家型企业。Sacks 反驳称，OpenAI 的 o3 前沿能力仍领先 R1，现在就宣布闭源模型回报消失“有点早”。
据报道，OpenAI 试图以3,400亿美元投前估值融资400亿美元，这是迄今最直接的一次检验：更多资本究竟会制造护城河，还是带来组织僵化。 Kalanick 称资本获取能力是一种战略武器，但警告过度资本化会让公司“官僚化、松散、虚弱、柔软”，与此同时开源领域“百花齐放”。他从 Masa 的经历中得出的教训是：拒绝资金，资金可能转而补贴竞争对手；接受资金，则要假设投资人的情报会影响其他下注。
出口管制可能在放缓中国的同时，迫使中国发展出更强的工程替代方案。 Chamath 提到未经验证的说法：NVIDIA 收入中最多四分之一经由新加坡流转，而新加坡约100座数据中心消耗约876 MW，并追问芯片最终流向何处。更棘手的政策问题在于，限制措施可能把中国推向本土晶圆厂、更简单的制程节点和由 AI 设计的芯片——让“约束成为特性，而不是缺陷”。
DOGE 宣称每日节省10亿美元，但真正重要的影响在于国债市场，而不是 headline 算术。 与谈嘉宾把财政目标设为：从2万亿美元的年度赤字中削减约1万亿至1.1万亿美元，使赤字率降至 GDP 的3%以下；更快的削减可以压低通胀和长期收益率，减少未来利息支出。但法院必须决定行政部门能够停止多少由国会授权的支出，而 Social Security、Medicare 和 Medicaid 的削减难度远高于租约、人员编制或可自由裁量的采购。
便宜 AI 可能加速自动驾驶和机器人食品生产，但电力与房地产可能成为真正的约束资产。 Kalanick 的 Bowl Builder 计划在4月由5家客户开始使用，而他的 Waymo 判断是“便宜的优质 AI 会带来便宜的优质自动驾驶”；但按他的粗略计算，如果把加州所有网约车里程都改为 EV，州内能源容量可能需要翻倍。如果自动驾驶车队所需停车车辆约减少至十分之一，20%-30%的城市土地可能重新定价——充电基地、电网接入和可改造停车空间的重要性，可能超过下一项模型基准测试。

精读

1. 食品自动化需要专用基础设施，而不是把机器人硬塞进旧餐厅

Kalanick 所设想的百年终局，是生产出高质量、低价格、方便且精准匹配个人饮食偏好的食物，由机器完成制作和配送，成本接近甚至低于杂货店。人们仍会做饭，但更多会把它当作一种有灵魂的兴趣：“我喜欢马，但不会骑马去上班。”
CloudKitchens 是他为这一转型搭建的房地产、软件和机器人系统——“要么成为食品领域的 AWS，要么成为食品领域的 Nvidia”。餐厅继续面对消费者，CloudKitchens 服务“那些服务他人的人”，负责搭建基础设施，未来可能把订单与健康偏好、食材用量、来源以及成品碗的照片连接起来。
Bowl Builder 允许餐厅早上完成食材准备后离场。DoorDash 或 Uber Eats 的订单随后触发冷热食物出餐、酱料添加、装袋、餐具配置、封装、传送带移动和自动储物柜流程；配送员只需让手机对准摄像头，正确的格口便会打开。5家客户计划在4月开始使用这台机器。
Friedberg 多年前也曾推进过类似的罐体系统，有可运行的演示版本，但最终没有量产。Kalanick 的区别在于部署场景：把机器改装进按人工流程优化的 QSR，可能需要大规模资本开支并停业2至3个月；而只做配送的厨房从一开始就围绕机器设计。一家800平方英尺的餐厅年收入约300万美元，据称午餐时段每小时可处理约800个订单。

2. DeepSeek 在成本争议尚未解决前，就改变了市场对 AI 竞赛的认知

市场第一反应十分惨烈：NVIDIA 下跌17.7%，市值蒸发约6,000亿美元，TSMC、Arm 和 Broadcom 也遭到抛售。导火索是 DeepSeek 声称，R1 只用2,000张 GPU、耗资约600万美元完成最后一轮训练，性能已接近领先的西方推理模型。
Sacks 认为，这个故事之所以异常具有爆炸性，是因为两个冲突同时落地：美国对中国，以及闭源模型对开源。去掉其中任何一个维度，它可能都不会成为足以抹去接近1万亿美元市值的全球性事件。
他真正认可的更新判断更窄，但同样重要。在 R1 之前，行业估计中国落后6至12个月；由于 R1 比 o1 晚约4个月发布，他现在会把差距定义为3至6个月。一家中国公司成为第二个公开发布推理模型的主要参与者，“确实令人意外”。
但600万美元的比较，把最后一轮训练与西方公司的完整研发、硬件和运营成本混在了一起。Sacks 引用一项估计称，DeepSeek 及其创始人旗下对冲基金合计拥有10,000张 H100、10,000张 H800 和30,000张 H20，构成一组超过50,000张 Hopper 的集群，成本超过10亿美元；但他同时强调，外部人士无法通过实证验证总支出或未披露的硬件规模。

3. 资源约束催生了算力充沛的西方没有动力探索的工程路径

Chamath 首先提到强化学习。DeepSeek 没有沿用当时主流的 PPO，而是使用 GRPO；据他介绍，GRPO 所需内存更少，同时仍能保持很高的性能。他的推论不是西方工程师做不到，而是算力过剩让他们没有理由放弃正统路线。
他举出的第二个例子是 DeepSeek 绕开 CUDA 的路径。团队通过 PTX 工作，Chamath 将其比作编写汇编语言、以更接近裸机的方式控制 NVIDIA 硬件。这削弱了 CUDA 高层生态不可攻破的护城河假设，也指向更加异构的硬件与软件环境。
分歧本身仍然有价值：半导体多头有动机否定600万美元的说法，挑战者则有动机放大它，而双方都无法完整审计 DeepSeek。Jason 称这支团队“太猛了”，Sacks 也承认其中一些工作在技术上极其出色，并让约束看起来像“特性，而不是缺陷”。

4. 蒸馏证据相当充分，但不能抹去 DeepSeek 自己的工作

Friedberg 解释，蒸馏就是用大模型的答案训练一个更小、更便宜的模型。DeepSeek 曾在生成答案后开始讨论中国，随后删除相关内容，这一演示说明了生成后的审查，但本身不能证明底层推理究竟由哪个模型提供。
Sacks 提出的更强证据来自 V3：当被问及身份时，据称它在8次测试中有5次回答自己是 ChatGPT-4。这意味着它大量接触过 ChatGPT 输出，但仍留下两种解释——DeepSeek 可能抓取了公开发布的对话，也可能大规模调用了违反 OpenAI 条款的 API。
DeepSeek 披露，从 V3 进化到 R1 的过程中使用了约800,000条推理样本，但对样本来源仍语焉不详。Sacks 认为样本数量本身就很不寻常；Jason 强调白皮书的科学性和完整性，Sacks 也承认其中一些工作在技术上极其出色。
Jason 的反驳值得保留：OpenAI 自己曾放弃最初的开源立场，同时用出版商、艺术家和其他互联网内容进行训练；当一家中国竞争对手据称复用其输出时，OpenAI 却提出异议。Sacks 对 OpenAI 遭遇的运营冲击表示理解，但 Chamath 警告，不应以普遍 KYC 或云服务限制来回应，否则会拖慢合法创新。

5. 开源既是社区福利，也是中国追赶战略

Chamath 认为，眼下的压力落在 Meta 身上：下一代 Llama 必须“拥抱并扩展” DeepSeek 的改进，吸引开发者，并超过 Gemini 和 R1。在他的框架中，依赖单一芯片、单一高层框架和单一模型家族，已经成为不可接受的单点故障。
Sacks 不接受从 R1 直接跳到模型必然商品化的结论。R1 可与提前4个月发布、可能提前9至10个月在内部训练的 o1 相比；OpenAI 已经推进到 o3，Google、Anthropic 和 Meta 也有自己的推理模型研发。“现在就断言站在前沿没有回报，还为时过早。”
Sacks 也不接受“弱小但纯粹利他的挑战者”这种形象。一家落后的中国公司有战略理由开源能力强大的模型，并压低领先美国公司的价格。Jason 的调和方式更直接：DeepSeek 可以同时推动开放访问，也追求自身的地缘政治利益。

6. 模型快速迭代，把可投资护城河向上、向下和横向迁移

Friedberg 问道，如果能力足够强的模型变得快速、便宜且广泛可得，股票价值究竟应当归属于哪里。他用电力作类比：电力公司并没有攫取电气化带来的全部收益，大量价值流向了便宜电力催生的工厂、产品和更广泛的经济体系。
Chamath 对创业公司的第一项要求会是一个模型中立的“shim”。工程师不应被锁定在 Claude、OpenAI 或 Llama 上；当基准测试排名发生变化时，公司必须能够替换为 R1、未来的 R2、Alibaba 模型或其他领先模型，而无需重建应用。
Jason 最坚定地把价值推向应用层，将模型比作 YouTube 底层的存储，或 Uber 底层的 GPS。他再次引用 Gavin Baker 的说法：“全球贬值最快的资产是大语言模型”，认为应用分发能力和现实世界硬件的价值留存时间会更长。
Kalanick 将机会拆分为 wrapper、工具和专业垂直 AI，并反问简单的 NVIDIA 看空逻辑：“AI 变便宜后……AI 会多得多。”Sacks 将其与他所谓的 Jin 悖论联系起来：单位成本下降可能释放大量经济上可行的用途，使总支出上升而不是下降。

7. 中国的复制周期已经转向运营模式创新

Kalanick 回忆，Uber China 曾是一场“全面战争”：一个精雕细琢的产品上线后，可能在两周内、后来甚至一周内就被复制。Uber 曾在旧金山整层安排约400名中国籍员工，并沿101号公路用中文投放广告，招募“服务祖国”的人。
他的结论随着时间发生变化：极端复制会不断压缩差距，直到已经没有东西可复制；随后，训练有素的组织会转向创造。对于未来的在线食品配送，他现在会研究上海而不是纽约；一些后来出现在 Uber Eats 或 DoorDash 的功能，可能早在3至4年前就已存在于中国。
最典型的案例是写字楼交接。数百个外围储物柜接收配送员送来的食物和包裹，另一批跑腿员再完成楼内配送，形成一套适应当地劳动力经济、效率“高得离谱”的系统。

8. 出口管制可能正在制造原本想要延缓的替代方案

Chamath 提到一些明确仍属推测的说法：NVIDIA 收入中最多四分之一与新加坡有关，芯片可能从那里继续流向中国。新加坡面积只有约250至260平方英里；当地约100座数据中心消耗约876 MW，而整个本地数据中心行业据称只有15亿至20亿美元的收入规模。
这并不能证明每一块芯片都离开了新加坡，而是提出了一个政策问题：如果出口管制存在易于利用的空壳公司通道，政府必须弄清硬件实际去向，并判断关闭一个渠道究竟会改变结果，还是只会让贸易改道。
Friedberg 提出的二阶反对意见是，制裁会促使中国复制晶圆厂、供应链以及最终依赖 ASML 的能力。如果任何现代工业体系都能协调完成这项任务，他认为中国是一个合理的候选者。
Chamath 将替代路径说得更具体：AI 可以帮助为更老、更简单的制造工艺设计芯片。Groq 选择14纳米，在他的比喻中相当于“VHS 和 Beta”技术，说明有用的架构不一定依赖最前沿的2纳米良率。中国的另一条策略则是集中投入前沿模型资本开支，随后通过补贴蒸馏向国内企业扩散。

9. OpenAI 拟议的巨额融资，检验资本究竟是武器还是麻醉剂

据报道，这笔交易规模为400亿美元，投前估值3,400亿美元，可能由 Masa 牵头，并与 Sam Altman、Larry Ellison 及大规模基础设施相关的 Stargate 叙事同步推进。Jason 将消费端竞争定义为 OpenAI 对 Meta：ChatGPT 拥有超过10亿月活用户和数亿日活用户，而 Meta 拥有数十亿眼球和日活用户。
Kalanick 澄清，在他任职 Uber 期间，公司并没有接受 Masa 的资金，尽管 Masa 多年来一直在追逐这笔投资。他认为 Masa 是一位“多情的投资人”：支持一家公司的过程中获得的信息，可能被用来投资其所有竞争对手。Uber 最终在 Vision Fund 成立之前，拿到了沙特35亿美元投资。
但拒绝资本并不会让资本失去作用；Masa 的资金流向了包括 DoorDash 在内的竞争对手，并补贴了这些公司的市场。Kalanick 的规则是：当资本获取能力成为竞争武器时，“你必须上场”，同时也要明白，由此产生的情报和影响力可能被部署到其他地方。

10. 更多数据中心并不保证更强的长期护城河

Kalanick 对 OpenAI 的警告是，过多资本可能造就一个“太大、太官僚、太松散、太虚弱、太柔软”的组织。面对一个“百花齐放”的去中心化开源生态，单纯的基础设施规模在某些全栈行业可能是压倒性优势，在另一些行业则可能无关紧要。
Friedberg 质疑一个巨型全能模型的前提。他提出的替代方案类似混合专家模型：不断把副本缩小为许多更小的模型，让其中一些专攻数学、阅读或写作，直到一个协调运行的网络比单一巨型模型消耗更少的能源和时间。
Chamath 认为专有内容是可持续的杠杆，包括 Reddit、Quora、报纸或 Disney；Friedberg 则认为文本只是全部价值的一小部分。他称 YouTube 的视频库可能比互联网其他内容的总和大100至200倍，并以 Tesla 多年来积累的摄像头数据为例，说明领域专属护城河如何改善产品，并继续产生更多专有数据。
Friedberg 的警告带有条件：最终，数据或算法质量会成为“帐篷里的长杆”，额外算力不再能够修复这一约束。Jason 分享的授权案例是，有人一次性报价2,500美元，将他的书放入 Microsoft 的训练池；他倾向于接受，以帮助建立一个获得适当授权的市场。

11. DOGE 从人员和楼宇入手，但大额节省藏在系统内部

Jason 表示，DOGE 声称每天节省约10亿美元，相当于每名美国人每天3美元、每年1,000美元，并计划将节奏提高至3倍。早期方案包括要求回办公室、提供为期8个月的离职方案，预计吸引约5%-10%的联邦雇员，以及限制招聘和取消租约。
Friedberg 认为，这只是执行一套此前已经公布的方案，并不意外；Bill Clinton 在削减赤字期间也使用过买断方案。尚未解决的问题是权限：法院将决定行政部门能否暂停国会通过法律要求的支出，以及哪些支出必须交还立法机关处理。
Jason 关注的是可以控制的摩擦。即使支出获得授权，行政部门仍可以让招聘、采购和人员替换变得更困难，推行能力审查，并放慢行政流程。如果政府办公楼确实像与谈嘉宾听说的那样空置，要求回办公室本身就可能带来大量人员流失。
Chamath 提出“洋葱三层”框架：人员、实体基础设施，以及 IT 和服务。前两层可以直接省钱，但嵌入 DOGE 团队核心的工程师能够进入记录系统，对付款进行取证追踪；他怀疑最终识别出的浪费可能超过2万亿美元。

12. 国债市场让削减速度比每一笔削减的名义规模更重要

与谈嘉宾的基准是约2万亿美元的年度赤字，以及 Ray Dalio 将赤字率降至 GDP 3%以下的建议，这意味着需要削减约1万亿至1.1万亿美元。一项比较显示，如果用2019年的支出对应2024年的收入，结果将是5,000亿美元盈余，而不是1.5万亿美元赤字，前后相差2万亿美元。
Friedberg 强调了反馈循环：可信的支出削减会降低通胀压力，并提高市场对30年期偿付能力的信心，从而压低国债收益率和未来利息支出。“削减越快，需要削减的就越少。”
市场尚未被说服。30年期收益率曾在1月13日触及5%，随后回落至约4.77%；预计当年约30%的联邦债务将以接近当前的利率再融资。Chamath 提到，有一次国债拍卖的认购倍数勉强达到2倍，一位资深资本市场人士预计收益率将先升至5.5%，之后才会得到缓解。
政治约束仍是看空逻辑。国会议员仍希望为自己的选区争取福利，而 Social Security、Medicare 和 Medicaid 无法像可自由裁量采购那样被慢慢削减。Chamath 希望 Elon Musk 能让“拿支铅笔算一算”的解决方案流行起来，并公开点名浪费；Jason 则认为，把每项节省除以3.3亿美国人，就能让收益变得直观。

13. Waymo 已跨过从实验到交通工具的心理门槛

Kalanick 将自己第一次在 Pittsburgh 乘坐 Uber 自动驾驶车辆时的体验，与今天的 Waymo 作了对比：当时肾上腺素飙升到几乎无法站直，车内只有一个巨大的红色停止按钮；而现在，“你甚至不会再想第二遍”。乘客逐渐把系统当作普通交通工具，而不是一场表演，这种正常化本身就是部署的一部分。
他仍认为今天的改装车辆只是过渡形态。Tesla 的 Cybercab 才代表终局：没有方向盘，车内围绕乘客而不是备用人工驾驶员设计。他称 Tesla 新一代 FSD 模型在某个3个月期间内，每次人工接管对应的行驶里程可能提升了约10倍。
他的因果链条很简洁：便宜 AI 带来便宜自动驾驶，后者可能进一步使驾驶智能商品化。制造将成为更难的瓶颈，也是 Tesla 的优势；Waymo 的制造合作伙伴，以及 Uber 的自动驾驶车辆合作伙伴网络，则决定谁能大规模部署实体车队。
在安全问题上，Kalanick 认为尽管存在个别故障，自动驾驶汽车正变得“可证明地更安全”，同时也消除了乘客与司机之间的人际风险。随着城市积累普通使用经验，监管应当逐渐放松；但 BYD 等中国系统可能面临另一道门槛：美国是否允许这些技术进入。

14. 电力、车队基地和过时的停车空间，可能比自动驾驶技术栈更重要

Kalanick 的粗略计算是，如果把加州所有网约车里程电动化，州内能源容量可能需要翻倍。即使只增加10%-20%的容量，在许多地方也将是5至10年的挑战，因此他提出一个反直觉的可能性：燃油驱动的自动驾驶汽车可能比 EV 自动驾驶更快实现规模化。
因此，电动车队需要城市土地用于充电、清洁、维护和机器人化服务；与谈嘉宾将这些基地比作需要独立变电站的数据中心。永磁体以及中国在稀土领域的地位，又增加了一层实体依赖。
自动驾驶也会冲击停车经济。Kalanick 估计，车辆在道路上的利用率可能达到过去的约15倍；在保留高峰时段运力的情况下，所需车辆数量或许可以减少至原来的十分之一。由于停车空间约占城市土地的20%-30%，即使只发生部分转型，也可能释放出规模惊人的房地产。
Jason 先指出了重估风险，再谈再开发机会：土地价格下跌可能影响家庭退休账户和养老基金资产负债表。Kalanick 设想这些空间可用于住房、充电基础设施，甚至水培“从农场到餐桌”的生产，但他再次强调，电网升级已经是许多 CloudKitchens 项目中的最长板。

15. DCA 悲剧暴露出一套仍依赖语音无线电和人工反应的安全系统

Jason 转述一名商业飞行员的警告：DCA 是“我们飞行中最棘手的机场”，管制员操作“很随意”，而直升机以150 mph 的速度移动时几乎无法看清。该飞行员称，两名机组成员在每次进近过程中都保持“红色警戒”。
Wisk CEO Brian Yutko 提议反过来设计规则：即使在有人驾驶的商业飞机上，也应允许防撞软件接管控制权。一些战斗机已经具备在飞行员失去意识时自动避免撞地的系统；类似的控制权限可以阻止商业机组继续驶入飞机已经预测到的碰撞。
第二个故障在于基础设施：关键指令仍通过 VHF 语音通信传递，而空中交通管制仍运行在与谈嘉宾形容为源自1960年代的技术上。更好的数据链路、塔台自动化和先进飞行员训练，被视为这场“本不应发生”的悲剧之后值得投资的升级方向。

Agent 推理界面：Claude、ChatGPT Canvas、Tasks、Operator——与 OpenAI 的 Karina Nguyen 对谈 DeepSeek 深度剖析 + 亲测 Operator + 翻车快车！