万亿美元级 AI 建设内幕｜Dylan Patel 访谈

摘要

• OpenAI–Nvidia 交易的核心是资产负债表问题，不是什么“无限资金漏洞”。 1GW AI 算力容量按5年合约出租，每年租金100–150亿美元，意味着每GW要先付出500–750亿美元；而 Sam Altman 要的是“超过10GW”。Nvidia 承诺投入1000亿美元股权（首期：1GW、100亿美元），实质上让 OpenAI 部分用股票支付：建设1GW约需500亿美元，其中约350亿美元流向 Nvidia，毛利率75%；这部分毛利约一半再循环成 OpenAI 股权。Patel 的说法是：“Nvidia 在降价，但没有降低报价”，Patrick 则称其为“史上风险最高的资本主义游戏之一”。
• 规模化不是边际收益递减，而是童工经济学。 算力每扩大10倍，就能买来一个能力层级；但层级之间的差距，是6岁小孩和13岁小孩的差距：“你能让13岁小孩完成的工作，其实非常有价值。”达到 Google 高级工程师水平的智能，意味着“2万亿美元的软件价值”——也就是全球软件工程师的工资总额。未对冲的尾部风险是：“如果模型不再进步，我们就彻底完了……美国经济会陷入衰退”，台湾和韩国大概率也会被拖下水。
• GPT-5 是一次服务能力决策，不是规模化失败。 Token 需求每2个月翻倍，但硬件不会同步翻倍，因此每个智能层级的成本必须坍缩：GPT-3 质量的 tokens 如今便宜约2000倍，DeepSeek 比 GPT-4 便宜约500–600倍，GPT-OSS 还要更便宜。GPT-4.5 证明自己“聪明得多”，却无法以合理成本服务后，OpenAI 让 GPT-5 “基本和4o一样大”，以服务所有用户、推动采用率，并把智能增量转移到思考层级。若能按下魔法按钮，他会优先解决容量/成本，而不是延迟，因为瓶颈在那里。
• 后训练还处于“我们刚投出第一球”的阶段。 约40家湾区初创公司正在搭建 RL 环境，包括虚拟 Amazon、数据清洗训练和让模型“疯狂爬坡”的数学题；后训练“最终会吞噬大部分算力”。基于文本的预训练仍“相当早期”，多模态规模化仍在推进，而机器人数据飞轮“甚至还没走出休息区”。
• “Nvidia 不承担风险，中间环节人人都有大量风险。” Neocloud 的经济模型是：Blackwell 按6年全包成本约2美元/小时，短期租金为3.50–4美元，直到下一代芯片做到“速度快10倍、成本高3倍”。真正的金鹅是与有真实资产负债表的客户签长期合约：Nebius 与 Microsoft 约190亿美元的交易，至少带来60亿美元毛利。Oracle 面向 OpenAI 签下3000亿美元合同，而 OpenAI 的 ARR 只有约150–160亿美元；如果成功，利润约1000亿美元；如果失败，就是用债务押注一个没有资产负债表的客户。
• 美中竞争的逻辑是：“不加速就会死。” 如果没有 AI 这轮繁荣，美国“到本世纪末很可能落后于中国，不再是世界霸主”。据节目所述，中国过去10年向半导体投入至少4000–5000亿美元，优先建设封闭供应链，而不是相信聚合理论；中国“几年内就能建出10GW 数据中心”——“Elon 的速度比中国慢”。而台湾末日风险会击穿传统组合逻辑：如果你相信这个风险，就“也不能投资 Apple”——“那就只能 YOLO 投 TSMC”。
• 投资判断已从看空转为“超级看多 Google”：凭借垂直 TPU 栈，Google 拥有最低 token 成本，并在每条战线上苏醒；Meta “手里有牌，可能把一切都拿走”——它是唯一同时拥有眼镜硬件、模型、服务容量、推荐系统能力，以及下一代人机交互所需资本的公司；相较 OpenAI，他更看好 Anthropic，因为其收入“加速得快得多”，且对应2万亿美元的软件市场；没有“Pornbot”之外的商业模式，XAI “正面临无法融资的真实风险”。
• SaaS 正迎来清算：AI 会压低软件构建成本，把 build-vs-buy 的天平推向 build；但每个 AI 产品都会增加“巨额 COGS”，而获客成本不变，因此“纯软件公司的时代在 AI 时代真的非常艰难”。 中国就是实验证据：开发者成本约低10倍，SaaS 和云服务从未在那里达到同等规模。已经完成规模化的平台反而获胜：“谁控制平台，谁就会一次又一次地赢。”

精读

1. OpenAI–Nvidia 交易： “这笔账的资产负债表到底是谁来扛？”

• Patel 先拿那套梗开涮：OpenAI 付钱给 Oracle，Oracle 付钱给 Nvidia，Nvidia 再付钱给 OpenAI，“无限资金漏洞”——随后他直接否定：“实际情况不是这样。”真正的驱动力是“算力建设早于业务增长”：必须先建好集群，才能出租做推理，也才能训练出解锁下一批应用场景的模型。即便已有8亿用户，“OpenAI 规模太小、无法产生实质影响的风险仍然很高”——它面对的是 Zuckerberg、Google、Elon，是“世界上最富有的人”，也是他所谓科技巨头的“帕斯卡赌注”。
• 头条背后的算术是：数据中心容量每GW每年租金100–150亿美元，而 OpenAI 签的是5年合约——每GW要先流出500–750亿美元现金；Sam 想要“超过10GW”。Microsoft 已经失去兴趣，而“Oracle 的资产负债表根本不像 Google、Microsoft 和 Amazon 那么强”，所以 OpenAI 需要愿意提前投入资本开支、相信租金收入最终会到账的盟友。
• Oracle 的一侧，是一笔对着约150亿美元 ARR 的3000亿美元合同（“现在可能是160亿美元”，年底约200亿美元）。“如果赌赢，他们就赚到1000亿美元利润……纯现金利润。”如果赌输，Oracle 就只能自己扛下建设成本；而且它已经开始举债。
• Patel 简化后的 Nvidia 机制是：10GW 对应 OpenAI 1000亿美元分期股权投资（首期：1GW、100亿美元）。建设1GW约需500亿美元，其中约350亿美元直接流向 Nvidia，毛利率75%——可以粗略理解为400亿美元收入、100亿美元 COGS、300亿美元毛利，其中约一半循环投入 OpenAI 股权。Nvidia 先确认资本开支对应的收入，同时持有一家“可能值钱、也可能一文不值……可能有能力、也可能没能力支付数千亿美元算力合同”的公司的股票。Patrick 称这是“史上风险最高的资本主义游戏”。

2. 规模化不是边际收益递减——下行风险是经济衰退

• Patrick 直接追问：你确定那条双对数曲线还会继续吗？Patel 的答案是：“一切迹象都表明它会继续。”算力每增加10倍确实只买来一个能力层级，但层级之间的价值差距，是6岁小孩和13岁小孩的差距：每6个月换一批高中生组成的团队，最多只能“挖沟和做园艺活”；而25–30岁的人能搭建价值高得多的企业。“价值发生了剧烈变化”，并不是边际收益递减。
• 我们所处的位置取决于领域：在软件领域，“我们已经相当不错了”，这也是 Anthropic 能从“不超过10亿美元的收入增长到现在的70–80亿美元……这是我们见过最快的收入爬坡”，且“基本全都与代码有关”的原因。无限个 Google 高级工程师级别的智能，意味着“2万亿美元的软件价值，因为这就是世界今天支付给软件工程师的钱”——它是生产力倍增器，不是简单替代。
• 他的判断比“极度看多”更复杂：Sam 认为 AGI 会在“不到1000天”内出现，Dario 更加乐观，他的室友（一位 Anthropic 研究员和播客主 Dwarkesh）也是如此；但一些知名投资人觉得 Patel 的说法“听起来像疯话”。谈到上限，他属于“你能找到的最乐观的人”之一：最终可能出现数字上帝——“是10年？100年？1000年？我不知道。”但即便能力从现在起停滞6个月，也会是“在创造多少效率和价值方面的一份天赐之物”。他最喜欢的空头可能是 Yann LeCun：认为“在互联网文本上做自回归预训练无法带你走到 AGI”是对的，但把 RL 也一并否定则“完全错误”；此外，还有一些投资人“认为这全是胡扯，却仍然靠它赚了大钱”，比如在财报前基于市场预期买入 Oracle。
• Patrick 提出 Carlota Perez 的过剩产能论：每次短缺之后都会过度建设。Patel 不回避：“如果模型不再进步，是的，我们会过度建设……美国经济会直接陷入衰退”，台湾和韩国大概率也一样。但历史类比并不统一：郁金香和加密货币是“彻头彻尾的庞氏骗局”，英国铁路则连续10年消耗约6%的 GDP，是真实资产——“我们离 GDP 的6%还差得远”。而且最强的资产负债表可以踩刹车：Microsoft 曾经踩停，随后“又把插头插了回去”，还不得不从 Nebius 买容量。

3. Tokconomics：GPT-5 是服务决策，商业是变现终局

• 他创造了“Tokconomics”这个词，也就是 token 的经济学（“终于彻底干掉 crypto，一劳永逸”）。同样1GW算力，服务糟糕模型时能处理1000倍 tokens，服务优秀模型时是1倍，服务惊艳模型时只有0.1倍。需求每2个月翻倍，但“我不可能每2个月把硬件也翻倍”，所以给定智能水平的成本必须坍缩，而且事实确实如此：GPT-3 质量如今便宜约2000倍；DeepSeek 以比 GPT-4 便宜约500–600倍的成本震动市场；GPT-OSS 还要更便宜，而且“实际上比最初的 GPT-4 略好一点，因为它能调用工具”。
• GPT-5 的决策由此而来：OpenAI 曾用 GPT-4.5 尝试更大的跨级跃迁——“它确实聪明得多”，但“没人能以合理的成本或速度服务它”。到年底有效容量只有约2GW，速率限制已经在限制用户（Patel 自己要开多个 ChatGPT 账号来批量发起深度研究任务），因此 GPT-5 “基本和4o一样大”，成本大致相同甚至更低，能够服务更多用户，再把额外智能放进思考/Pro 层级。
• 如果可以按下一个魔法按钮——应该解决延迟还是容量？——他的答案仍然是：“我大概还是会说容量/成本比延迟更重要。”他自己的行为就是证据：虽然可以使用大概率为 Claude 4.1 Opus 的模型，但他使用 Sonnet 多得多——“它客观上更笨，但 [Opus] 太慢了……我的时间也是有价值的。” Anthropic 的收入主要来自 Sonnet 而不是 Opus，也是同一个原因：“没人想用一个慢模型。”
• 变现终局是代替用户购买：Etsy 超过10%的流量直接来自 GPT（Amazon 把它挡在外面，“否则比例会非常高”）；OpenAI 的应用负责人曾打造 Shopify 的购物代理。“模型会替你完成购买……哪怕只占0.1%、1%、2%，也会像一笔信用卡交易。Visa 是世界上最惊人的生意，因为这个原因；聊天产品也可能做到这一点。”

4. 后训练： “我们刚投出第一球”

• 现在的问题不是模型更大，而是 grokking：模型会先记忆、再泛化，而参数过剩的模型“从来没有机会泛化”。真正的挑战是把数据放进有用领域：“互联网上没有任何地方会告诉你，如何只用键盘在电子表格里飞快操作……它连基本操作都不会，比如玩转电子表格”，尽管它已经读完了整个互联网。
• 因此才有 RL 环境——“现在湾区有40家初创公司在为 OpenAI、Anthropic 等搭建这些环境”：虚拟 Amazon 要求模型从一堆干扰项中买到正确的除臭剂；反复进行数据清洗训练；由模型评分的医疗病例；以及数学题。去年第四季度到今年第二季度，模型在数学题上“疯狂爬坡”，主要靠学会编写 Python 来完成计算。
• 按 Patrick 的说法，赛程进度是：文本预训练“还处于相当早期”（学习效率仍可提升，而且任何预训练收益都会传导到下游所有环节）；多模态规模化仍在早期，V3 和 Banana Nano 还在推进（大概率指 Google 的 Veo 3 和 Nano Banana 视频/图像模型）；至于后训练，“我认为我们刚投出了第一球”，而且“最终会吞噬大部分算力”。他用自己刚出生的侄子校准感官来说明这个阶段：孩子把手塞进嘴里——“强化学习还处于极早期，因为人类就是这样，我们是强化学习者。”
• 关于记忆：Transformer 在精确回忆上非常强（如今已经能很好处理大海捞针），但“真正糟糕的是拥有无限上下文”——人类会把世界压缩成稀疏信息（你对童年的记忆是被重新回忆出来的图像，“只是稍微变了形”）。模型不必像人类一样工作：深度研究已经会把笔记写在侧边，“用语言压缩信息”，跨数百万 tokens 运行45分钟——“你从别人那里读到的很多备忘录，至少初级员工写的，已经和深度研究不相上下。”这也是实验室需要数百万张 GPU 的原因：不是只跑一次巨型训练，而是“我得尝试无数种不同做法，因为我不知道哪种会奏效”。

5. 人才战争：机器学习研究就是半导体制造

• 数十亿美元的薪酬包是理性的：研究人员是在指导使用1000亿美元芯片的实验，哪怕浪费三分之一算力，影响也大得惊人。但增加人手会拖慢研究；Meta 在超级智能前的困境是“人太多了，而真正出色的领导层没有把他们带好”。他的朋友、OpenAI 的 Roon 可能曾发帖说：“每次想到 Meta 浪费了多少 H100，我都会产生一种肉眼可见、发自身体的愤怒”——不过“所有人都在浪费算力”。
• 他最近最喜欢的类比是：机器学习研究与半导体制造完全一样——每台设备有1000个工艺旋钮，搜索空间不可能穷举测试，所以只能靠直觉选点、读取模糊数据，“然后直接 YOLO”。研发晶圆厂“除了教会你如何做出下一代工艺节点之外，不产生任何经济价值”——训练中烧掉的算力也是如此。
• Roon 的另一个想法，是从深圳通过开出离谱报价来收购流程知识、招揽整个团队，Patrick 称这是“绝妙的主意”；Patel 强调这是 Roon 的想法，不是他的，并把它与 Intel 的衰落联系起来：最聪明的18岁年轻人不再去读20万美元的纳米化学博士，而是去 Google 拿80万美元、去 OpenAI 拿1000万美元、去 Meta 拿1亿美元——这与最高分医生都去皮肤科和麻醉科是同一类人才偏移。难点在于筛选：“有多少人不善言辞，却真的极其擅长做事？”他还指出 Sam 的自我安慰——“他们没拿到我们最好的人”——而这话是在内部竞价挽留人才时说的。
• 他一直记得 Jensen Huang 的一句话：“美国之所以富有，是因为我们把所有劳动力都出口了，但把所有价值都留了下来。” Nvidia 和 Apple 把制造外包给亚洲，却保留了毛利。

6. 权力关系： “史上最精彩的肥皂剧”

• Anthropic 是否把 Cursor 的牌全部拿在手里？Cursor 的年化收入接近10亿美元，其中大部分回流给 Anthropic（Patel 认为利润率“略为正数”）；Anthropic 再把毛利投入算力，所以无论怎样，“毛利美元最终都会流向硬件层”。但 Cursor 掌握数据和用户，也有自己的 embedding 与自动补全模型，并且“我想什么时候切换到 OpenAI 都可以”——甚至可能训练出一个在特定细分场景击败 Anthropic 的模型。“所有人都是亦敌亦友。”
• Microsoft–OpenAI 是“世界上最疯狂的权力关系”：2023年时，“Microsoft 要拥有整个世界”；到2024年下半年，Amy Hood 等人开始后撤——“也许我们没必要为3000亿美元兜底”，于是暂停数据中心建设，并把算力排他性让给 Oracle。交易本身包括约20%的收入分成、49%封顶利润结构、IP 共享，以及 AGI 条款终止 API/IP 权利——“这他妈到底是什么意思？”重新谈判的 MOU 则是“史上最不像公告的公告”。他对 AGI 定义的看法是：如果把今天的 ChatGPT 展示给20年前的人，“这就是 AGI”；标准总会移动——对他而言，真正的门槛是把手塞进嘴里的感知时刻。
• Nvidia 的困境是：它无法通过收购扩张（当年还是行业中几乎无足轻重的角色时，ARM 收购就被拦下），而“如果你只能回购股票，你就是输家——这等于承认你无法让资本获得更高回报”。于是资产负债表变成武器：提供需求保证，为本来根本不会建设的 CoreWeave 集群提供兜底，并实质上预支 OpenAI 第一年的算力——“我有一年的1GW，可以用来想清楚商业模式。”与此同时，“风投给一家公司融资，结果这一轮70%都花在算力上——他们他妈喜欢死了。”

7. Neocloud：Nvidia 不承担风险，中间环节人人都有大量风险

• Neocloud 模式“做得好时绝对惊人，做不好时绝对糟糕”。一台 Blackwell 按6年计算的全包成本约2美元/小时，短期租金“超过3.50美元甚至4美元”——利润高得离谱，直到下一代产品以“3倍成本实现10倍速度”上市，短期租金随之崩塌。真正的金鹅是带资产负债表的长期合约。
• Nebius 刚签下典型交易：与 Microsoft 约190亿美元，“至少能从这笔交易赚60亿美元毛利……我愿意每天都做这种生意”。市场给 Microsoft 的付款义务定价甚至低于美国政府债务——“这在我看来很疯狂，但随便吧。”CoreWeave 也曾靠同样的交易起飞，直到 Microsoft 不再继续，再转而找到 Google 和 OpenAI；但 OpenAI 的合同，无论名义金额多大，最终都建立在一个“没有资产负债表”的客户身上。“那我怎么确定他们真的会付款？”
• Google 因数据中心容量紧缺，开始为加密矿工的交易提供兜底，其中包括 TeraWulf 和 Fluid Stack——Google 把 TPU 系统实体卖给第三方，由第三方部署并出租，“而 Google 仍然赚走所有钱”。推理服务商确实有真实需求：Roblox 想在游戏里接入 LLM，Shopify 需要客服，企业需要微调和服务开源模型；但也有一类人是“YOLO，我把 tokens 卖给一群想做 SaaS 应用的随机客户”，他们可能很快耗尽现金跑道。主线始终是：“Nvidia 不承担风险，中间环节人人都有大量风险。”

8. 建设确实存在：电力焦虑、并网怪相，以及一个由 AI 造出的业务

• 对能源恐慌，他的第一近似判断是：“我们现在有点太娇气了——目前还没用那么多电。”数据中心约占美国电力的4%，其中一半来自 AI：“这根本不算什么，老兄。只是我们差不多40年没建设电力了。”真正的约束是供应链和劳动力：GE、Mitsubishi 都在把涡轮产能翻倍；变压器线圈固化产能需要两年建设；有公司因为涡轮卖光，只能并行接线组装柴油卡车发动机；Elon 则从波兰运来电力设备。流动电工的工资已经翻倍，西德州“像回到了2015年，大家都去做压裂工”。但换个视角，数字仍然惊人：OpenAI 的2GW园区消耗“整个费城的电力”；如今听起来稀松平常的500MW，一旦装上 GPU，就是250亿美元资本开支。
• 真正有意思的是三阶影响：训练负载变化太快，足以扰乱电网——频率出现偏移，“你的冰箱会更早坏掉……而你甚至可能不知道，因为附近就有数据中心”。Texas 和 PJM 正在采用限电规则，提前24–72小时通知数据中心削减一半用电；这又迫使数据中心配备现场发电机，但如果每月运行“超过8小时”，就会触发空气排放许可问题。
• 面对 Patrick 关于“我们是否只是把旧事做得更快”的质疑，Patel 给出的反例是自己的损益表：他的第二大收入产品，是对全球每个数据中心的卫星照片做图像识别，再抓取 LLM 解析的许可证和监管文件，最终卖成双周表格（“这个 Amazon 数据中心的风扇开始转了，所以我们可以预测 Amazon 的收入”）——“没有 AI，这个业务根本不可能存在”，而且只用了3个人，不是过去需要的50–100人。再比如主机迁移：Amazon 离开 Oracle 数据库，“他妈花了20年”；现在可以快得多。
• 他手绘的看多光谱值得保留：Dario → 机器学习研究员 → Patel → Patrick → 纽约半导体投资人 → “那个自2023年以来就认为 AI 是泡沫的 Sequoia 人” → 仍然不肯建设电力的公用事业公司高管。

9. 美国 vs 中国： “不加速就会死”

• 在他看来，赌注是：“没有 AI，我们肯定会输。”供应链会更慢、更贵；债务不可持续；社交媒体上收入差距的可见性，以及算法信息流对旧有单一文化的切割，会放大社会不稳定（“你我其实很相似，但我们的信息流完全不同”）。“AI 必须大幅加快 GDP 增长。一旦开始讨论怎么分蛋糕，你就完了。”没有 AI 繁荣，“美国到本世纪末很可能落后于中国，不再是世界霸主”。
• 中国正在复制自己在钢铁、太阳能、手机和 PCB 上走过的长期路线：据节目所述，过去10年通过国企、税收政策、省级土地拨款和大基金，向半导体投入至少4000–5000亿美元；相比之下，美国的关税和 CHIPS Act 都只是“杯水车薪”。中国优先优化封闭供应链，而不是聚合理论；讽刺的是，美国“某种程度上正在做中国历史上做过的事——向某个方向倾注海量资本”，押注 ChatGPT 成为智能领域的 YouTube（永远亏钱，最终在拥有30–50亿用户时控制平台）。ByteDance 已是全球第三大 GPU 用户；DeepSeek 工程师收入高于同行，但没人支付1000万美元——那里没有人才挖角文化。
• 建设速度方面，“Elon 的速度比中国慢——我认为他自己也知道”。如果中国想建一个10GW数据中心，“我敢打赌几年就能建成”（必要时还可以走私芯片）；同期 OpenAI 的全部容量，乐观估计也只能达到10GW。中国缺少最好的芯片和内存，但拥有最多电力，以及最快的建设速度。
• 台湾末日场景会击穿传统风险管理：封锁或 AI 加持的颠覆行动（“中国可以把 Cambridge Analytica 在台湾放大10亿倍”）意味着“美国经济会某种程度上自由落体——没有台湾芯片，我们连冰箱都造不出来”，新车造不出来，新的 AI 数据中心建不起来，云业务也无法增长。因此，投资组合经理禁止投资 TSMC 的规则并不自洽：如果你相信这种风险，“也不能投资 Apple”、Amazon 或 Google——“所以这就变成 YOLO 投 TSMC。”

10. 投资组合：做多 Google 和 Meta，看好 Anthropic 胜过 OpenAI——SaaS 正迎来清算

• 快问快答的结论是：Anthropic 胜过 OpenAI——“它们的收入加速得快得多，因为它们专注的方向与那2万亿美元的软件市场更相关”，而 OpenAI 同时分散在消费、科学和抽成模式上。AMD：“我喜欢它们，但它们挺一般”——这是他第一只多倍股，有感情，不是投资逻辑。Oracle：“如果你相信 OpenAI 会成功，它将赚到非常多的钱”——但在大多数 OpenAI 能支付3000亿美元的世界里，“OpenAI 本身会是一家10万亿美元或5万亿美元公司”。XAI “正面临无法按所需规模融资的真实风险”：Colossus 2 将拥有30–50万颗 Blackwell，成为全球最大的单体数据中心，但它需要“Pornbot 之外”的商业模式；Patel 的解决方案是与 OnlyFans 合作，把创作者用特洛伊木马的方式带进 X。
• 两家老牌巨头获得最强背书。Meta “手里有牌，可能把一切都拿走”：下一代人机交互是把你的需求告诉 AI，而 Meta 独有四项能力——硬件（新型显示眼镜）、模型、服务容量、推荐系统能力——“再加上资本”。Google 则是：“大约两年前我还相当看空 Google，但现在超级看多。”TPU 已对外销售，模型真正具备竞争力，基础设施投入激进，而且有机会同时拿下消费和专业两种界面；Meta 只能拿到消费端。
• 收尾框架据说来自一位同事，可能是 Doug O’Laughlin：SaaS 黄金时代建立在平坦的研发成本、极低 COGS 和可通过规模摊薄的高 CAC 之上。AI 从两方面打破它：竞争性软件的构建成本大跌，把 build-vs-buy 推向 build；AI 功能又增加“巨额 COGS”，而 CAC 不变，于是市场碎片化，公司“永远达不到逃逸速度”。中国是天然实验场：软件开发者的有效成本约低10倍，因此 SaaS 和云服务从未在那里达到同等规模。Google 再次受益——凭借垂直 TPU 栈，拥有“任何公司每个 token 的最低 COGS”；随着内容生成成本下降，已经完成规模化的平台将持续繁荣，YouTube 的“辉煌时代”还在前面，因为“谁控制平台，谁就会一次又一次地赢”。
• 考虑到节目关于“股票诅咒”的传说，最后的收束是：“泡沫正在此刻破裂，因为 AI 的上限是无限的。”不过 Patrick 提醒，他们查过数据：所谓诅咒“其实只是市场表现”——Patel 上次看多 Applied Materials 后的6个月里，该股上涨了约70%。