摘要

David Cahn 将 DeepSeek 解读为中国达到 GPT-4 同等水平的证据，而非意外的前沿突破。 他认为，更重要的信号是 Ilya Sutskever 暗示“预训练已死”（“pre-training is dead”）或“扩展定律已死”（“scaling laws are dead”）：竞争者迟早会复制现有一代模型，但下一次跃迁的来源仍未知。他的判断很明确：“DeepSeek 可能被高估了，而 Ilya 的话可能被低估了。”
更便宜的模型利好AI应用，即便它们会冲击基于稀缺性的基础设施假设。 Lukas Biewald指出，数十年来算力成本持续下降，通常都会带来总使用量增长；Cahn也称更便宜的推理“对应用层来说太好了”，并表示市场“总是在错误的时点大惊小怪”，因为这场商品化早在6个月前就已显现。Satya Nadella长期以来的判断——模型会被蒸馏、成本大幅下降，从而让 Microsoft 等托管方受益——如今看起来已成为核心逻辑。
Stargate的5000亿美元目标与DeepSeek的效率，代表两套相互竞争的资本配置范式。 Stargate假设更大的数据中心会持续产出更好的模型，而DeepSeek则指向更小的模型，以及价值向应用层上移。对Cahn而言，最能说明问题的变化是 Microsoft 停留在原有的800亿美元数据中心承诺上，这可能意味着资金来源将从超大规模云厂商的资产负债表转向“信贷支持的数据中心或杠杆化数据中心”。
Cahn提出的6000亿美元问题仍未解决，因为一年的基础设施投入需要庞大的下游收入基础。 他的纸巾背面算式从 NVIDIA GPU 约1500亿美元的年化收入出发，将其翻倍至3000亿美元，计入电力和数据中心基础设施；再翻倍，以便应用获得50%的毛利率。再来一年同等规模的投资，意味着隐含偿付义务升至1.2万亿美元——“几乎像是一笔我们已经投入、现在必须随着时间偿还的债务”。
超大规模云厂商的资本开支正在企稳，但AI收入尚未追上。 Cahn估计 Microsoft 每季度约200亿美元、Google约130亿美元，Amazon可能稳定在200多亿美元，Meta则在100多亿美元；这让问题暂时不会立即变成万亿美元问题。但 OpenAI 仍占据生态收入的绝大部分，留下的缺口仍接近此前的“5000亿美元缺口”。
支出之所以持续，是因为云计算寡头陷入了一个战略上理性的囚徒困境。 约5000亿美元的云市场是 Microsoft、Amazon和Google的“金鹅”，而7家公司占据标普500指数的33%；因此，现有利润可以为这场竞赛提供资金。高管们相信机会巨大，但防御性逻辑同样关键：“我们必须花钱，否则就会落后。”
Cahn最清晰的应用层判断，是围绕用户真实思维方式构建的职业专属AI搜索。 他每天使用 Perplexity 10–20次，并认为律师和医生也会出现类似产品，差异化来自意图提取、专有数据、答案格式以及“认知架构”。机会在于打造一个贴合某种职业问题解决模式的“AI搜索搭档”，而不只是给通用模型换一个界面。
他的风投框架偏好那些在潮流逆转后仍然值得相信的创始人与问题，同时要求远不止技术领先。 如果一个产品只“好20%”，忙碌的买家看不出切换理由，那么商业上可能毫无意义；相反，耐心让他在 Weights & Biases 上获得回报，深度信念也促成了他早期押注 Runway 和 Form Energy。这种对实质的追问最终指向AI最深层的不确定性：AI究竟只是拥有超人类智能，还是也会具备自我反思与意识——“从根本上说，这在很多方面是一个宗教问题。”

精读

1. DeepSeek验证的是追赶，而非下一代扩展范式

Cahn将 DeepSeek 描述为一个更小、经过蒸馏的中国模型，部分基于现有系统的输出训练而成，训练成本异常低。市场将其视为基础模型可能走向商品化的证据，但他认为，这只是对主流认知模型的一次更新，而不是令人震惊的断裂式突破。
他的时间线从2023年年中 GPT-4 发布开始。Google、Meta、xAI等公司在2024年都达到了相近水平；DeepSeek则显示，中国也已经追上来了。“技术一直都是这样：你推出一项突破，别人随后追上来。”
尚未解决的问题是，达到同等水平之后会发生什么。Cahn建议大家把 Ilya Sutskever 在 NeurIPS 的演讲看3遍，因为其中“预训练已死”的含义挑战了整个扩展竞赛：匹配昨天的模型并不重要，发现明天的训练范式才重要。

2. Stargate将数据中心押注从资产负债表转向杠杆

Stargate提出投入5000亿美元建设数据中心，恰逢 DeepSeek 暗示实现相近能力可能需要更少算力。Cahn保留了两种可能性：更大的集群或许能带来 AGI，而更便宜的模型也可能把行业复兴的重心转向开发者和终端应用。“我们谁都不知道世界会走向哪里。”
新信息来自 Microsoft 暴露出的偏好。Microsoft原本对新建 OpenAI 数据中心拥有优先承购权，但 Stargate 发布后，Nadella实际上表示，Microsoft已有的800亿美元承诺“够了”，不会继续增加。
Cahn借鉴 Ben Thompson 的分析，认为行业正从股权资金支持的基础设施——由 Microsoft、Google和Amazon的现金流支付——转向“信贷支持”或杠杆化的数据中心，后者必须依靠自身产生的现金流来融资。他认为，这对一个走向成熟的市场来说合乎逻辑，但也与互联网泡沫末期的建设周期颇为相似。

3. AI仍欠基础设施栈6000亿美元收入

Cahn最初的问题简单得近乎挑衅：“收入都去哪儿了？”以2024年 NVIDIA GPU 约1500亿美元的年化收入估算，他认为每1美元 GPU 收入都对应另外1美元的电力、发电机、建筑及相关基础设施投入，由此得到3000亿美元的数据中心总投资。
第二个乘数来自应用层。如果一家初创公司花1美元接入 AI 基础设施，并以50%的毛利率为目标，就必须从客户那里获得2美元收入。套用到3000亿美元的基础设施栈上，就意味着要有6000亿美元生态收入，才能支撑一年的投资。
这笔义务会累积，而不是自行消失：2025年再投入1500亿美元 GPU，就意味着需要再获得6000亿美元下游收入，两年累计达到1.2万亿美元。Cahn称，已建成的投资“几乎像是一笔债务”，必须由未来的 AI 收入偿还。
资本开支已经企稳，而不是继续呈指数增长。Cahn估计 Microsoft 每季度接近200亿美元，Google约130亿美元；他预计 Amazon 会稳定在200多亿美元，Meta则在100多亿美元。因此，6000亿美元问题可能不会立刻变成万亿美元问题，但现有缺口仍然存在。

4. 云计算的囚徒困境持续填补缺口

在收入端，Cahn认为自2024年7月以来，基本没有发生根本变化。OpenAI和 Anthropic 的规模更大了，但 OpenAI 仍占 AI 收入的绝大部分；大型科技公司尚未完全实现 AI 商业化，Google试图通过 Gmail 分发其产品，也说明商业模式仍在摸索。
他此前的测算对初创公司和在位者都做了有利假设，最终仍留下约5000亿美元缺口。Cahn依然乐观，认为收入最终会追上来；这个数字的意义在于，它迫使创始人和投资者寻找足够重要、足以匹配既有基础设施投入的产品。
眼下的资金来源是现有云业务本身——规模约5000亿美元，而且利润丰厚。由于7家公司占标普500指数的33%，Microsoft、Amazon和Google可以把寡头利润转入 AI，而不必等新的 AI 收入出现。
这就形成了Cahn所说的“AI囚徒困境”：每家超大规模云厂商都确实看到了巨大的上行空间，但也都担心竞争对手加大投入后，自己的金鹅会被夺走。Zuckerberg和Sundar Pichai都表达过类似逻辑——投资回报并不确定，但投资不足可能意味着落后。

5. 以职业为形状的搜索是应用收入最清晰的路径

Cahn称 AI 搜索是杀手级应用，每天使用 Perplexity 10–20次。传统搜索是把用户引向答案；AI搜索则穿过互联网和预训练知识，综合材料后直接返回答案——对他作为研究型投资者的工作而言，这是“数量级的提升”。
他更强的判断是，Perplexity贴合了他的“心智理论”。不同职业会形成不同的思维模式，因此产品应当反映投资者、律师、工程师或医生如何定义问题，而不是只把同一个通用模型暴露给不同用户。
Harvey将这一思路应用于律师，OpenEvidence则围绕医生面对的具体患者问题搜索医学文献。两者都可能成为每天使用10次或20次的“AI搜索搭档”。Lukas进一步提出，如果把研究定义得足够宽泛，也许大多数白领工作都符合这一逻辑；Cahn同意其中很多工作确实如此，但仍不确定它是否具有普适性。
Cahn认为，差异化有4个维度：提取特定领域的意图，获取专有、合成或人工生成的数据，为具体任务设计答案格式，以及围绕用户设计认知架构。消费者可能希望看到一篇关于哲学的长文；但询问汽车市场规模的人，希望立刻得到数字。

6. 好产品需要耐心，也需要愿意切换的买家

Cahn的第一个判断来自他把自己视为“10分制里7分的软件工程师”，并意识到未来会出现更多像他这样的开发者。生产力基础设施让他关注 Supabase——超过30%的 YC 公司在使用——以及拥有数千万用户的 Replit，还有 Confluent、Databricks和 Starburst 等开源商业化范式。
当他重新思考 Snowflake 时，AI进入了他的视野：他看到 Snowflake 正走向一家1亿美元的公司，因为它能制作支持商业决策的图表；随后他开始追问，软件能否直接做出决策并自动化流程——这可能对应一个万亿美元机会。Weights & Biases 的客户提供了具体证据，包括 John Deere 使用 AI 自动化肥料分配。
Weights & Biases教会了他耐心。产品和团队都很强，严肃的深度学习从业者也已经在使用，但市场一直很小，直到2020年初左右才开始形成势头。“当你拥有一支优秀的团队、一个优秀的产品，并且相信这个市场时，你基本上只能等待。”
Hugging Face教会了他如何竞争性销售：面对约13份意向书，Cahn在迈阿密一家酒店待了1周，基于 Transformers 库做了一个机器人，解释为什么应该合作的10个理由，并找来10位创始人给 Clem 打电话。失败则带来反面教训：如果产品只好“20%”，那就算了——忙碌的买家需要一个足够有说服力的理由，才会注意到产品并切换。

7. 长期信念改变哪些不可能的押注能获得资金

Cahn现在会问自己：投资5年后，当其他人可能已经放弃这家公司时，他还会不会是一个“真正的信徒”。Lukas质疑其中的下行风险：早期投资意味着很多公司不会成功，信念可能变成执念。Cahn的回答是，同一项测试也让他能够做出那些短期看起来并不吸引人的积极押注。
在 Stable Diffusion 成为其故事的一部分之前，Runway就已经通过了这项测试。3位创始人对视频和艺术的投入极深，Cahn相信无论如何他们都会继续解决这个问题；当企业视频市场已经在扩张时，即使最终重要的产品尚未被发明出来，他仍希望与他们合作。
Form Energy则更加激进：电网级电池，可能对应10亿美元级别的设施，由 Tesla 前能源负责人和一位被 Cahn 称为全球排名前3的电池科学家之一的联合创始人提出。经过数月尽调，他聘请的那位哈佛教授要求以公司股票作为报酬；5年后，Cahn表示 Form 已经在西弗吉尼亚建成了一座价值10亿美元的工厂。
Buffett设想的终身20次出手机会投资卡，让筛选标准更加清晰：人和问题都必须值得出手。Cahn尚未填上的前沿机会是“深圳问题”——重建西方深层供应链、先进制造和自动化——以及 AI 机器人；他说，如果未来20年内 AI 机器人没有进入家庭和工厂，他会感到意外。

8. AI重新打开一个古老的宗教问题

Cahn把每一段与创始人的一对一关系视为风投的“原子级工作单元”。这不需要公开可见，需要的是私下的信念、坦率的施压，以及“风雨同舟”的支持。他的座右铭是“人人都知道一切”（“everybody knows everything”），体现了他相信人与人之间的透明程度高于精心包装的公开表演。
父亲教会他区分形式与实质：老师和大学校长首先是人，不是无所不知的角色。放到风投中，就是在“看起来聪明”和“做出正确判断”之间选择：加入一笔热门交易可以带来2年的聪明光环，而一笔实质正确但不受欢迎的押注，可能直到第7年看起来仍然像个愚蠢决定。
宗教把同一追问延伸到了制度形式之下。Cahn认为，各种传统只是围绕共同面对的“意识、上帝与真理”所形成的不同外包装，都在试图回答人之所以为人的含义。它们积累了数千年的分析，因此与 AI 有关，而不是在 AI 面前失去意义。
《Gödel, Escher, Bach》给了他一种非宗教的表述：人类的独特性或许在于递归式的自我反思。AI可能会超过他的智商，也可能做出更好的决策；但它是否知道自己存在，是否具备一种与人类的敬畏和共情相关的自我反思能力，仍是开放问题。关键分叉在于：“一个无意识但真正聪明的 AI”，还是“一个有意识且真正聪明的 AI”。

Ray Dalio：美国债务螺旋，如何避免灾难｜The All-In Interview Blake Hall - 战斗、服务与创新 - [Invest Like the Best，第408期]