摘要

Gemini 3 的真正意义在于：预训练缩放定律依然成立。 这一点被“毫无疑问地”确认，意义在于“地球上没有人知道预训练缩放定律为何、也不知道它如何运作”。Baker 的逆向判断是：考虑到20万张 Hopper 的协同上限，以及 Blackwell 艰难至极的切换，“24年和25年本来真的不该有任何进展”——“推理能力算是救了 AI”，填补了18个月的空档（ARC-AGI 用4年从0提升到8%，随后3个月内从8%升至95%）。缩放定律是乘法关系，因此“Blackwell 模型会非常惊艳”。
Google 的低成本 token 优势只是暂时的。 Gemini 3 使用2024-25年一代 TPU v6/v7 训练——放在 Blackwell 旁边，它们就像“F-4 Phantom”，而 Blackwell 是 F-35。等 GB300（可直接兼容 GB200 机架）转向推理，垂直整合的 Blackwell 用户将成为低成本生产者；届时 Google 以负30%利润率“吸干 AI 生态经济氧气”的理性策略会变得痛苦：“这可能开始影响它们的股票”。等 Rubin 落地后，“差距将显著扩大”。
ASIC 赛道很可能收缩到 TPU 和 Trainium。 Broadcom 在 TPU 后端拿走50%-55%的毛利率——在约300亿美元的2027年项目中，约150亿美元落入 Broadcom，而其半导体部门全部运营开支约为50亿美元——因此内部自研“绝对不可避免”（MediaTek 是第一记警告枪）。做出一颗好芯片需要3代，而 Nvidia 对每一款内部 ASIC 的回应都是按年更新：“你们不可能跟上我们。”
真正重要的只有4家实验室——OpenAI、Gemini、Anthropic 和 xAI——而且差距正在复利式扩大。 推理能力重新启动了数据飞轮（用户反馈成为可验证奖励），内部 checkpoint 用来训练下一代模型；Meta 的失败说明这有多难，Zuckerberg“错得不能再错”。中国拒绝 Blackwell 会把差距彻底拉开——DeepSeek 在 v3.2 论文中承认了算力短缺；到2026年末左右，中国才会意识到“糟糕，我们确实需要 Blackwell”，但届时稀土杠杆已经被解决。
董事会正在围绕 token 成本重新定位。 OpenAI 是高成本生产者，还要为算力向别人支付利润——“从约1.4万亿美元的模糊乐观情绪，很快就会变成红色警报”；Anthropic“烧钱显著少于 OpenAI，增长却更快”，而其与 Nvidia 签下的50亿美元协议，让 Jensen 在对抗 Google 时从2名选手变成3名。
ROI 在“经验上、事实上、毫无歧义地”都是正的。 大型 GPU 买家的经审计 ROIC 已经上升，Q3 更是非科技类 Fortune 500 企业首次量化 AI 增益的季度：C.H. Robinson 现在能在几秒内为100%的入站请求报出卡车运价，而此前只有60%的请求能在15-45分钟内完成，股价上涨约20%。他关注的风险是 Blackwell 在芯片用于训练期间出现 ROI“断层”，因为“训练没有 ROI——ROI 来自推理”。
应用 SaaS 正在重演实体零售业当年错过电商的错误。 它们执着于80%的毛利率，而 AI 原生公司用低于35%-40%的毛利率运行 agent——“这等于保证自己不会在 AI 上成功”。这是一项“生死攸关的决定”，而除了 Microsoft，几乎所有公司都在失败；Salesforce、ServiceNow、HubSpot、GitLab 和 Atlassian 都可以采用激进投资者的打法，单独披露低毛利率的 AI 收入。
边缘 AI 是最可信、也最可怕的熊市情景。 大约3年后，一部更大、更厚的手机可能免费运行剪枝后的 Gemini 5 或 Grok 4.1，速度达到每秒30-60个 token，“这显然是 Apple 的策略”。自2020年以来，滚动泡沫已从电动车和 meme 股票转向核能和量子，但没有任何公开市场标的是这两个领域真正的领导者。未来3-4年最重要的事情是太空数据中心——“在各个方面……都优于地球上的数据中心”。

精读

1. Gemini 3 证明缩放定律仍然成立，而 Blackwell 延迟期间是推理能力“救了 AI”

Baker 处理任何新产品发布的第一条规则是：亲自使用，而且要付费。他惊讶于有多少“知名且德高望重的投资者”只用免费版本就得出确定结论——“免费版本就像你在和一个10岁孩子打交道”，却据此推断成年人的表现；每月200美元的版本（Gemini Ultra、SuperGrok）则是“一个完整的、30多岁或35岁的成年人”。其余流程包括：AI 的前沿讨论发生在 X 上，关注全球真正理解 AI 的500-1,000人（“Andrej Karpathy 写的每一篇东西，你至少要读3遍”），以及只要4家重要实验室——OpenAI、Gemini、Anthropic、xAI——中的任何人上播客，就一定要听。
Gemini 3“毫无疑问地”确认，预训练缩放定律依然完整——这很重要，因为它并不是一条定律，而是一种经过精确测量、却尚未被理解的经验观察。他的类比是：我们像古埃及人面对太阳，能够把金字塔精准对齐到春分和秋分，却完全不理解轨道力学。“每次得到确认都非常重要。”
他认为公众投资者误解的地方是：“24年和25年本来真的不该有任何进展。”协同运行的 Hopper 不可能超过约20万张，而 Blackwell 是“技术史上迄今为止最复杂的产品切换，远超其他任何一次”——从风冷转向液冷，机架重量从约1,000磅增至约3,000磅，功耗从30kW升至130kW（“想象一下，买一部新 iPhone 还要更换家里所有插座……并加固地板”）。“推理能力算是救了 AI”——RLVR 和测试时计算填补了约18个月的空档：ARC-AGI 用4年从0提升到8%，而第一款 OpenAI 推理模型出现后，3个月内就从8%升至95%。
关键在于，缩放定律是乘法关系；Gemini 3 使用2024-25年一代 TPU v6/v7 训练。按他的战斗机分类，Hopper 是 P-51 Mustang，这些 TPU 是 F-4 Phantom，Blackwell 则是 F-35。把两条新的缩放定律应用到 Blackwell 训练的基础模型上，“Blackwell 模型会非常惊艳”。

2. Blackwell 改写低成本 token 竞争，Google 的算盘也随之改变

AI 是“我作为科技投资者整个职业生涯里，第一次看到低成本生产者真正重要”——Apple、Microsoft 和 Nvidia 的市值达到万亿美元级别，并不是因为它们便宜。作为 token 的低成本生产者，Google 一直在“吸干 AI 生态的经济氧气”；当竞争对手需要外部融资、而 Google 不需要时，以负30%利润率运行 AI“显然是最理性的决定”。
第一批 Blackwell 训练的模型会在2026年初出现，而且第一个将来自 xAI：按照 Jensen 公开说过的话，“没有人比 Elon 更快地建设数据中心”；一款新芯片还需要6-9个月调优，才能仅仅超过上一代。实际上，xAI 会替所有其他人先把 Blackwell 调试好。
随后局面翻转：GB300 可直接兼容 GB200 机架，“不需要新的电力墙”；运行 GB300 的公司，尤其是垂直整合的公司，将成为 token 的低成本生产者。Google 一旦失去这个头衔，负利润率就会变得痛苦——“这可能开始影响它们的股票”；等 Rubin 到来后，“相对于 TPU 和其他所有 ASIC，差距将显著扩大”。
董事会开始从成本角度重新定位。OpenAI 为算力向其他公司支付利润——“也许替他们运行算力的人，并不擅长运行 GPU”——这解释了 Stargate，也解释了为什么“从约1.4万亿美元的模糊乐观情绪，很快就会变成红色警报”。Anthropic“烧钱显著少于 OpenAI，增长却更快”；它与 Nvidia 签下50亿美元协议，Dario 对 Blackwell 和 Rubin 相对于 TPU 的理解，让 Nvidia 在对抗 Google 时从2名选手变成3名。OpenRouter 的数据也说明了这一点：xAI 处理了1.35万亿 tokens，Google 约8000亿-9000亿，Anthropic 约7000亿。

3. ASIC 洗牌：Broadcom 的50%-55%毛利率撕开了故事的裂缝

Google 负责 TPU 前端，Broadcom 则负责后端，并以50%-55%的毛利率管理 TSMC。一个约300亿美元的2027年 TPU 项目，意味着约150亿美元收入流向 Broadcom，而其整个半导体部门的运营开支约为50亿美元。“Google 可以把 Broadcom 半导体部门的每个人都挖走，给他们翻倍薪酬，还能多省下50亿美元。”把 MediaTek 拉进来、接受低得多的台湾 ASIC 利润率，是“第一记警告枪”；一款真正出色的 SerDes 是基础设施核心，其价值大致在每年100亿-250亿美元区间。
“做出一颗好芯片至少需要3代。”TPU 直到 v3/v4 才“稍微具备竞争力”。Amazon 拥有“任何半导体公司里最好的 ASIC 团队”（Graviton、Nitro/SuperNIC），但仍然要等到 Trainium 3 才算“可以”。“如果最终除了 Trainium 和 TPU 之外还存在很多 ASIC，我会很惊讶”；而这两者最终都会转向客户自有工具——“不管这些公司怎么说……从经济学上看，这是绝对不可避免的”。
与此同时，Lisa Su 和 Jensen 对每一款客户自研 ASIC 的回应都是按年更新：“我们只会继续加速……你们不可能跟上我们。”他调侃那些跃跃欲试者：“哇，你们做了自己的加速器。那 NIC 怎么办？扩展交换机呢？光学呢？……糟糕，我做出了这么一颗小芯片。我以为这很容易。”
Nvidia 自己无法独立维持这样的节奏——一台 Blackwell 机架有数千个零部件，而 Nvidia 只生产其中约200-300种。这也是半导体 VC 复兴具有基础性意义的原因：创始人平均约50岁，而这一轮复兴几乎完全由 Nvidia 的市值点燃，整个生态必须一起提速。“过去7年里，我这家小机构做的半导体交易，可能比前10大 VC 加起来还多。”

4. 推理能力重新启动数据飞轮，Meta 的失败说明这有多难

他过去常引用 Eric Vishria [可能是] 的话：没有独特数据和互联网级分发能力的基础模型，是历史上贬值最快的资产。但“推理能力从根本上改变了这一点”，而且改变得非常深刻：当大量用户持续喜欢或不喜欢某个回答时，这就是一种可验证奖励，可以反馈给模型。曾让 Netflix、Amazon、Meta 和 Google 成为规模回报递增型企业的 Bezos 飞轮，已经开始在前沿实验室转动。“现在还早……但你已经能看到它开始转了。”
证明这很难的实证案例是：Zuckerberg 今年1月说 Meta 会在2025年的某个时候拥有最好的 AI——“我不知道他是否排在前100名……他错得不能再错”。Microsoft 也失败了（Inflection），Amazon 的 Nova 也不在前20（Adept）。原因之一是运行 GPU 时存在巨大差异：如果你的集群正常运行率是30%，而竞争对手是90%，“你们根本不在同一个竞争里”；另一个原因是“品味”，即判断哪些实验值得投入5万张 GPU、运行数天的直觉。他用零售业打比方：把1,000家门店都经营得干净、明亮、库存充足，由“不会偷东西的友善员工”负责运营，你就能成为一家200亿-300亿美元的公司——历史上大约只有15家公司做到过。
复利的下一层是：每个顶尖实验室都会运行一个更先进的内部 checkpoint，并用它训练下一代模型；没有这个 checkpoint，“追赶会变得非常困难”。这也是为什么“中国开源对 Meta 来说是上帝的礼物”：它提供了启动模型的 checkpoint。
中国正在浪费这张牌：就在 Blackwell 落地之际，强迫本国实验室使用国产芯片。DeepSeek 的 v3.2 论文以“非常政治正确、但仍有一点风险”的措辞承认，它没有足够算力追上美国实验室。差距会被彻底拉开；到2026年末左右，中国才会意识到“糟糕，我们确实需要 Blackwell”。届时稀土问题会“比任何人想象得更快”解决——DARPA 正在推进酶精炼项目，友好国家也有矿藏；“它们显然没那么稀有，只是名字起错了”。如果 Blackwell 重新回到中国市场，“中国开源将卷土重来”，而他认为这是好事。

5. ROI 在“经验上、事实上、毫无歧义地”为正，Q3 是关键验证

他对这场争论感到恼火：最大的 GPU 买家都是上市公司，有经过审计的季度财务数据，而它们的 ROIC 已经高于加大投入之前。原因一部分是运营开支节省，更大一部分是把广告推荐系统从 CPU 转移到 GPU，从而加快收入增长。“但那又怎样？ROI 一直都在。”每家大型互联网公司内部，收入负责人都会和研究人员争抢芯片：“这是一个非常线性的方程。你给我更多 GPU，我就能带来更多收入。”而对于 Blackwell——“Rubin 肯定如此”——经济学最终会压过推动资本支出的囚徒困境，其中一部分动力来自对 ASI 的宗教式信仰：“他们几乎都想永生。”
Q3 的里程碑是：非科技类 Fortune 500 企业首次给出量化 AI 增益。货运经纪商 C.H. Robinson 现在可以在几秒内为100%的入站请求报出价格和运力；此前只有60%的请求能在15-45分钟内完成。财报发布后，公司股价上涨约20%。
AI 的采用节奏与云计算类似：到2013年第一次 re:Invent 时，每家初创公司都已经运行在 AWS 上；约5年后，Fortune 500 才完成标准化。VC 比公开市场投资者更乐观，因为他们能直接看到 AI 原生公司的每名员工收入提升（ICONIQ 的图表，以及 a16z 的 David George 提到的“model busters”）；年轻创始人“因为一直在和 AI 对话，所以更快变得成熟、表达更专业”。
他原本担心出现 Blackwell ROI“断层”：资本开支高得难以想象，而芯片还在进行训练；“训练没有 ROI……ROI 来自推理”。Meta 已经公布过一个 ROIC 下降的季度，并因此受到股价惩罚。C.H. Robinson 这样的季度说明，这个断层是可以跨越的。顺带一提，VC 运营的 AI 控股公司不会比收购基金更擅长执行——“你不可能在私募股权擅长的游戏里击败私募股权”——但 PE 会系统性地应用 AI。

6. 从智能转向有用性：让他最担心的熊市情景是边缘 AI

事件路径是：GB300（而且可能 MI450 的作用大于 MI355）会压低单 token 成本，让模型能够思考更长时间。Gemini 3 帮他订了一家餐厅，“这是它第一次真正替我做成一件事”；从订餐厅到订酒店、订航班、叫 Uber，“突然之间，你就有了一个助手”。在技术领先的大公司里，“超过50%的客户支持已经由 AI 完成”，这是一个规模达4,000亿美元的行业；而 AI 擅长说服，也就是销售：一家公司的3项职能——制造、销售、支持——到2026年末，AI“可能会做好其中2项”。
Karpathy 提出的组织原则是：软件领域，任何能够被明确描述的事情都可以自动化；“AI 领域，任何能够被验证的事情都可以自动化”。账目是否平衡？销售是否完成转化？“这就像 AlphaGo……最重要的职能之所以重要，正是因为它们可以被验证。”
对非专家而言，进步正变得不可见——在付费版本里，你必须拿 PCIe 和 Ethernet 的扩展网络问题去测试，才能看出模型差异；不过在他的慈善梦幻橄榄球队阵容测试中，“这些新模型确实好得多”。因此，“我们需要从追求更高智能转向追求更强有用性”；然后，有用性还必须交棒给科学突破。有用意味着持续稳定地完成任务，同时保留全部上下文。他的旅行规划测试包括朝东阳台、Huberman 式晨间阳光、飞机上的 Starlink，以及全家人的偏好；METR 式任务长度必须不断延长。
除了缩放定律失效，最可怕的熊市情景就是边缘 AI。大约3年后，一部更大、更厚的手机可能免费运行剪枝后的 Gemini 5 或 Grok 4.1，速度达到每秒30-60个 token。“这显然是 Apple 的策略”：成为 AI 的隐私安全分发者，只有在需要时才调用云端的“神级模型”。如果设备端约115 IQ 的能力已经足够，“我认为这就是一个熊市情景”——也是“最可信、最可怕的熊市情景”。

7. 太空数据中心：“在各个方面都更优越”

他的判断非常明确：“未来3到4年，世界上最重要的事情就是太空数据中心”——这会对所有在地球上建设电厂或数据中心的人产生“非常深远的影响”。从第一性原理看，数据中心就是电力、冷却和芯片。在轨卫星每天24小时处于阳光下，光照强度比地面高30%，太阳辐照度达到6倍，而且不需要电池，直接消灭一项巨大的成本。地面机架重量中很大一部分来自冷却，而在太空中冷却是免费的：“只要把散热器放在卫星的背阴面……那里可以接近绝对零度。”
网络也会改善：“唯一比激光穿过光纤更快的东西，就是激光穿过绝对真空。”这能形成比地球上更快、更一致的集群。太空训练会更慢，“只是因为它规模太大”；但对于推理，Starlink 已经展示了直连手机能力，手机→卫星→答案，跳过整个城市级光纤往返。阻力在于发射：“我们需要很多 Starship。”
这几条线正在汇合：Elon 昨天表示，Tesla、SpaceX 和 xAI 正在融合——xAI 成为 Optimus 的智能模块，Tesla Vision 负责感知，SpaceX 的轨道数据中心为一切提供动力——“每一个都在为另一个创造竞争优势”。

8. 省电、供给过剩，以及转向核能与量子的滚动泡沫

“过剩跟随短缺”的铁律会不会适用于这里？AI 与软件不同：每一次使用都会消耗算力。每家实验室都可以消化多10倍的算力（Mark Chen 已公开说过）；200美元的版本会变得更好，免费版本则会变成今天的200美元版本。Google 在 AI Mode 中加入广告，“会给所有其他人许可”，让他们也在免费版本中放广告；此外还有 agent 佣金——“这里有3个假期方案，你要不要我替你订一个？”
两个自然的制约因素正在发挥作用：电力，以及 TSMC 的谨慎。TSMC——就是那群见过 Sam Altman、笑着说他是“播客哥”的人——正在犯一个错误：扩产不足，最终会填满 Intel 空置的晶圆厂；Lip-Bu Tan [可能是] 正在收获 Patrick Gelsinger [可能是] 的战略成果，而解雇 Gelsinger 是“可耻的”。第三个需要观察的制约因素是：自90年代末以来的第一个真正 DRAM 周期。当时一片晶圆的价值“像一颗5克拉钻石”，价格按倍数而不是百分比上涨——“那是完全不同的游戏”。他的结论是：制约因素是好事，“更平滑、更持久就是好事”。
在功率受到约束时，“你为算力支付的价格无关紧要”。每瓦多产生3-5倍 token，就意味着多产生3-5倍收入；他的例子是，一座500亿美元的数据中心产生250亿美元收入，而一座350亿美元的 ASIC 数据中心只能产生80亿美元收入。因此，“无论价格如何，最好的产品都会赢”，并拥有“疯狂的定价权”。核电建设速度不够快——“一只蚂蚁”都可能拖延一座电厂，而它原本只需要被挪走——所以答案是天然气和太阳能；这也是 Abilene 的逻辑，Caterpillar 刚刚表示未来几年将把产能提高75%。
自2020年以来，滚动泡沫依次从非 Tesla 电动车初创公司（下跌99%）转向 meme 股票，再转向核能、聚变、小型模块化反应堆和量子计算：这些都是具有变革性叙事的主题，但“所有公开市场投资方式都很可能不会成功，也没有真正的基本面支撑”。他认为真正的量子领导者是 Google、IBM 和 Honeywell 的量子部门；量子霸权只意味着某些计算是经典计算机做不到的——“不意味着量子计算会接管世界”。他还有一个令人不安的宏观观察：“过去2年里，AI 无论需要什么来继续增长和进步，它都能得到。”核能的舆论一夜之间翻转，太空也在地面电力受限时打开空间——Kevin Kelly 所说的 technium 正在成为现实。

9. SaaS 正在重演实体零售业当年错过电商的错误

他的框架是：应用 SaaS 公司“正在犯下实体零售商当年犯过的完全相同的错误”——它们看到了客户对电商的需求，却讨厌电商的利润结构，因此没有投资；如今 Amazon 北美零售业务的利润率已经超过许多大众市场零售商。“如果有一种具有根本变革意义、且客户正在要求的新技术，不拥抱它永远是错误。”
机制在于：SaaS 只需写一次、以低成本分发，毛利率可以达到70%-90%；AI 则每次都要重新计算答案，因此一家优秀的 AI 公司毛利率约为40%。但它们比 SaaS 更早产生现金，不是因为毛利率高，而是因为“几乎没有人类员工”。为了保护80%毛利率而定价的 agent“永远不会成功……如果你试图保住80%的毛利率结构，就等于保证自己不会在 AI 上成功。绝对保证”。
投资者已经证明，他们能够容忍这种转变：云计算迁移期间，Adobe 从本地部署迁移出去时，收入和利润率都崩溃；Microsoft 早期股价表现艰难，随后收购 GitHub，把它作为 Copilot 的分发渠道，并以低得多的毛利率结构打造出“一项巨大的业务”。所以，“这是一个生死攸关的决定，而除了 Microsoft，几乎所有人都在失败——它们的平台正在烧钱”，这是对那份[可能是 Nokia]备忘录的有意呼应。
他认为激进投资者——“或者建设性激进投资者”——应该迫使 Salesforce、ServiceNow、HubSpot、GitLab 和 Atlassian 采用这样的打法：单独披露 AI 收入和 AI 毛利率（“你知道那是真 AI，因为它的毛利率很低”），甚至暂时以零毛利率运行；同时由原本能够产生现金的核心业务提供支持，这是创业竞争者没有的优势。另一种结局很糟糕：“现在，另一个由别人制造的 agent 正在访问你的系统……把数据拉进它自己的系统，而你最终会被关掉。”

10. “投资就是寻找隐藏的真相”

被问到会如何向 Patrick 的孩子推介投资这份职业时，他说：“投资就是寻找真相——如果你最先发现了真相，并且判断它确实是真相，这就是你创造 alpha 的方式……你在寻找隐藏的真相。”他的公式是：尽可能深入地掌握历史，再与对当前事件最准确的判断交叉，形成差异化观点；在“可以想象的最伟大的技能与运气游戏”中，寻找 Perry Mutual 系统里被错误定价的股票。这个过程始于大二时在投行实习、负责邮寄研究报告；到第3天，他已经开始狼吞虎咽地阅读报告，随后读 Peter Lynch、把 Buffett 的股东信读了2遍，并自学会计，最终放弃原本成为滑雪闲人、河流向导和小说家的既定人生规划。
他最后的坦白很有分量：每支体育队伍选人时他都是最后一个，被选去参加私人滑雪课花了“一笔小财富”却始终没变好，也从没赢过公园里的国际象棋玩家——“这是我唯一一件勉强算有竞争力的事情。我希望自己还能擅长别的事，但我就是不擅长。”而在 Alta 清洁厕所的经历，“永久改变了我对待他人的方式”。

超级智能：该禁，还是不该禁？Max Tegmark 与 Dean Ball 做客《Doom Debates》，与 Liron Shapira 对谈 122. 朱啸虎现实主义故事的第三次连载：人工智能的盛筵与泡泡