Transcription
大家好，这里是最佳拍档，我是大飞。
相信大家最近打开科技新闻，几乎满屏都是AI算力、英伟达市值、大模型竞赛这些关键词。但是很少有人能说清楚，AI领域的万亿美元竞争到底是在争什么？是模型参数的大小？还是数据的多少呢？
应该说，SemiAnalysis的创始人兼CEO迪伦·帕特尔（Dylan Patel）最近在《Invest Like The Best》的访谈里，把这个问题回答的相当清楚。他说，算力才是AI世界的货币，而英伟达就是这个世界的中央银行。
在这次访谈里，他从产业链、能源网络、资本流动三个维度，撕开了AI竞争的表层技术战，揭露出了背后算力-资金-地缘的深层博弈。今天咱们就来顺着他的分析，拆解一下AI竞争的核心逻辑、技术路线和产业格局，以及最容易被忽略的人才和能源问题。
聊到AI竞争，首先得看最核心的资本绑定。现在行业里最火的三角交易（Triangle Deal），就是OpenAI、甲骨文（Oracle）和英伟达这三家的合作。这已经不只是一个简单的商业合作了，而是在把算力变成具体的货币。
我们先简单来梳理一下这个交易的时间线和资金流。2025年6月，甲骨文第一次披露和OpenAI的重大合约。OpenAI要在未来五年内，向甲骨文购买总额大约3000亿美元的算力服务。根据监管文件，从2027财年开始，这笔合约就能给甲骨文带来每年超过300亿美元的收入。
那甲骨文拿到这笔钱要做什么？它得建数据中心、买硬件，而核心硬件就是英伟达的GPU芯片。所以OpenAI给甲骨文的钱，很大一部分会流回英伟达。
更关键的是，2025年9月，英伟达宣布要向OpenAI投资最高1000亿美元，双方要合作建至少10吉瓦的AI数据中心，专门用来训练下一代的大模型。10吉瓦是什么概念呢？相当于800万户美国家庭的总耗电量。消息出来当天，英伟达股价直接涨了4%，市值接近4.5万亿美元。
迪伦·帕特尔在访谈里算了一笔更细的账：1吉瓦（GW）数据中心的建设成本，每年大概是100到150亿美元。合同期一般是5年，所以一座1吉瓦数据中心的总投入，就是500到750亿美元。如果OpenAI要建10吉瓦的集群，总资金需求就是几千亿美元。这显然不是单一公司能扛得住的，所以必须靠三方绑定。
更有意思的是英伟达的利润回流逻辑。以1吉瓦数据中心为例，英伟达给OpenAI的股权投资大概是100亿美元，但是这座数据中心建设的500亿美元总成本里，有350亿美元会直接流向英伟达，而且这部分收入的毛利率高达75%。换句话说，英伟达相当于把一半的毛利，又转化成了OpenAI的股权。通过这种结构性让利，把OpenAI、甲骨文和自己牢牢绑在一条船上。
迪伦·帕特尔说，这不仅是一种应对算力稀缺的办法，更标志着AI行业进入了资本化的新阶段。以前是技术驱动资本，现在是资本放大技术速度。算力成了一种硬通货，谁能控制算力的生产和分配，谁就能主导价值分配。
那除了资本绑定，AI行业的话语权到底在谁手里呢？很多人以为是谁的模型强，谁就说了算。但是迪伦·帕特尔的观点是，真正的话语权藏在三个东西里：数据、接口，还有切换成本。
我们举两个实际的案例。第一个是Cursor和Anthropic。Cursor是个AI代码编辑器，用的是Anthropic的模型。表面看，Anthropic作为模型提供方，能拿到大部分的毛利。但是实际上，Cursor手里握着用户数据和代码库，而且它可以随时切换到其他模型。所以Anthropic没法完全掌控定价权，反而Cursor有议价空间。
第二个案例更典型，就是OpenAI和微软的博弈。2023年的时候，微软几乎垄断了OpenAI的算力和资本支持，OpenAI对微软的依赖度非常高；但是到了2024年下半年，微软不愿意承担3000亿美元的长期算力支出，暂停了部分数据中心建设，也放弃了独家算力供应的身份。这就给了OpenAI转向甲骨文的机会。现在双方还在谈判利润分配和知识产权共享，微软之前的封顶利润49%条款也成了争议点。控制权从微软主导慢慢转向了双方平衡。
硬件层面也是一样。英伟达没法靠并购扩大影响力，只能靠资产负债表兜底，比如给合作伙伴做需求担保、签回购协议，甚至提前分配未来的算力。通过这些方式来巩固自己的生态。迪伦·帕特尔把这个过程叫GPU货币化，指的是GPU不再只是硬件，而是AI行业的通用货币。英伟达就像中央银行一样，通过制定融资规则和供给规则，控制着这笔货币的流通。
这种提前绑定的模式现在已经很普遍了。甲骨文、CoreWeave这些公司，都会给合作伙伴开首年免付算力的窗口，也就是你先拿去用，免费训练模型、拿推理来补贴和扩大用户规模，后面四年再用现金流把成本还上。这么一来，AI行业就形成了一条横跨硬件、资本、云服务和应用的权力链。算力、资金、信用在里面循环，这才是AI世界的金融基础设施。
在这条链上，还有一个新角色叫Neo Clouds，新型云服务商。它们是夹在芯片厂商和应用和模型厂商之间的中间商，做的是算力租赁、模型托管和推理服务的生意。但是这个角色并不好当，因为它们要承担所有的风险。
Neo Clouds主要有两种模式。第一种是短期合同，通过购买GPU建数据中心，然后高溢价租出去。比如英伟达的Blackwell芯片，按六年摊销算，每小时算力成本大概2美元，短期合同能卖到3.5到4美元，利润很高。但是风险也很大，万一新一代的芯片出来，性能提升10倍，价格只涨3倍，手里的旧芯片就会快速贬值，之前赚的钱可能全亏回去。
第二种是长期绑定，通过签多年期的合同来锁定客户。这种模式毛利稳定，但是完全依赖客户的信用。比如Nebius和微软签了190亿美元的长期合约，市场甚至觉得这个信用等级比美国国债还高，Nebius的现金流就很稳。
但是CoreWeave就没这么幸运了。它早期主要靠微软的订单，后来微软减少采购，它只能转去跟Google和OpenAI合作。虽然短期利润没掉，但是OpenAI的偿付能力一直是个隐患。这些长期合同的稳定性其实很脆弱。
还有一类公司是推理服务商，它们也是Neo Clouds生态里的重要角色，帮Roblox、Shopify这些企业做模型托管和高效推理。这些企业虽然能自建模型，但是推理部署太复杂了，尤其是大模型和多任务场景，很容易出问题。所以推理服务商就通过提供开源模型的微调和稳定算力，成了系统里的关键节点。
但是推理服务商的风险，其实比Neo Clouds还大。它们的客户大多是初创公司或中小型SaaS开发者，项目周期短、资金链脆弱。一旦客户倒闭，合同就成了废纸，风险会一层一层传导下来。
而整个产业链里，只有英伟达是稳赚不赔的。它靠着卖GPU拿稳定收入，不管市场怎么波动，都跟它没关系。所有的不确定性和信用风险，最终都落到了这些中间角色的身上。
我们再来看AI的军备竞赛，这显然已经不是企业之间的竞争了，而是国家层面的体系对抗。迪伦·帕特尔认为，对美国来说，AI是维持全球主导地位的最后关键点。如果没有AI，美国可能在本世纪末失去世界霸权。为什么这么说呢？因为美国现在的增长动力快枯竭了，债务高企、制造业回流慢、基础设施老化，只有AI能让经济重新进入增长通道，帮助它控制债务风险、延续制度秩序。所以美国的模式是市场驱动+创新驱动，靠着开放生态和私营部门的巨额投入，通过建设超大规模算力集群来保持领先。
而中国走的是完全不同的长期战略，靠以亏损换份额的模式推动产业崛起。像钢铁、稀土、太阳能、电动车、PCB这些行业，中国都是靠国家资本和政策扶持，慢慢拿到全球市场份额的。现在这个模式复制到了半导体和AI领域：通过五年规划、国家大基金还有地方财政，累计投入已经达到5000亿美元。这个投入的目标不是性能领先，而是全链路的自给自足，从材料到封装，每个环节都能自己掌控，确保地缘政治紧张的时候，产业不会断供。而且中国的执行速度很有优势，如果要建一个2-5吉瓦的数据中心，中国可能只要几年，而美国通常需要两到三倍的时间。这种体系化能力和速度优势，让中美AI竞争成了两种模式的较量。
聊完资本和话语权，咱们再深入到技术层面。很多人都有个疑问，AI模型是不是参数越大、算力投入越多就越聪明？Scaling Law会不会遇到边际效益的递减呢？
迪伦·帕特尔在访谈里明确说，Scaling Law不会有边际递减，但是模型大不等于聪明。他用人类智能的成长做了个类比，人类从6岁到16岁的变化，不是每天加一点知识的连续加法，而是从小学到高中的阶段性跨越。也就是说，这是一种质变，而不是量变。AI模型也是一样，虽然要实现下一个阶段的能力，可能需要投入10倍的算力，但是带来的经济回报足以支撑这种投入。
只不过，这里有个隐藏的风险，如果模型规模和算力投入已经到了数千亿美元级别，突然出现算法创新的停滞，或者推理效率的下降，投资回报率就会瞬间塌陷。所以迪伦·帕特尔说，AI行业的赢家不是敢砸钱的，而是能在巨额投入和时间窗口之间精准押注的。如果Scaling Law的回报消失，整个行业可能会面临系统性过度建设的危机。
更重要的是，Scaling Law不只是技术问题，还是资本结构问题。它逼着企业在模型更大和模型更可用之间做选择。模型太大，推理成本会飙升，延迟降不下来，用户体验会很差；模型太小，性能又不够。怎么平衡这两者，是现在AI工程最核心的挑战。
说到推理，就绕不开一个关键的矛盾：推理延迟和容量的平衡。几乎所有的AI工程问题，本质上都是在这两个点之间找最优解。比如在硬件层面，你想让GPU降低延迟，成本会急剧上升；反过来，想要提高吞吐量，响应速度就会变慢。企业必须在用户能接受的延迟和自己能承担的成本之间，找到一个平衡点。
迪伦·帕特尔说，如果有个魔法按钮能够同时解决延迟和容量的问题，AI模型的潜能会被彻底释放。但是在现实里，成本是一个绕不开的约束。现在的推理速度其实已经够快了，真正缺的是算力。就算我们能训练出比GPT-5大10倍的模型，也没法稳定的部署，因为没有足够的算力支撑。
所以OpenAI才会在GPT-5上选择不盲目求大，而是保持和GPT-4相近的规模，把重点放在提升思考模式下的推理效率，让更多的用户能用得起，而不是做一个只有少数人能用的超级模型。
这里还要避免一个误区，那就是模型大不等于智能高。单纯扩大规模会掉进过度参数化的陷阱。如果模型规模一直在涨，但是训练数据没有同步增加，模型其实只是在死记硬背数据，而不是理解内容。真正的智能提升，还是来自于顿悟（grokking），就像人类从死记公式到理解公式背后逻辑的瞬间，模型也需要从记忆数据到理解数据关联的突破。
那么怎么让模型实现顿悟？迪伦·帕特尔认为，强化学习的新方向是关键，也就是给模型构建一个可交互的环境，让它在环境里试错、学习，而不是只从互联网数据里去读世界。
为什么说互联网的数据不够呢？因为互联网上没有教人如何用键盘操作Excel的细节教程，也没有企业数据清洗的具体流程。这类真实的素材，这些能力，模型只能在实际的环境里去学。现在湾区已经有几十家初创公司在做这件事，有的建虚拟电商平台，让模型学浏览、比较、下单；有的做数据清洗任务，让模型在不同格式的数据里反复尝试；还有的做游戏、医学案例场景，让模型通过试错、验证、反馈，慢慢形成真正的理解。
迪伦·帕特尔打了个很形象的比方，现在的AI还处于婴儿的阶段，需要通过不断尝试和失败来校准自己的感知。就像人类成长中会忘记没用的信息，只留关键经验一样，AI模型训练时也会生成大量数据，但是最后只保留少数的核心内容。所以要让模型理解世界，必须让它走进环境里学。
有些研究者认为，AGI的关键是具身化，让模型能和物理世界互动。这种理解没法通过视频或文本获得，只能靠行动和反馈。所以强化学习的重要性会越来越高，而且AI的发展阶段也会从预训练转向后训练。当然，预训练还是基础，但是后训练会成为算力消耗的主要来源。
随着强化学习的成熟，AI会从回答问题变成直接行动。比如未来，AI可能不只是帮你选商品，而是直接在电商平台给你下单；不只是帮你规划路线，而是直接帮你订车票。其实我们已经在把决策外包给AI了，比如Uber Eats的首页推荐、Google Maps的路线规划，都是AI在替我们做选择。
只不过现在这个趋势还在加速。Etsy有超过10%的流量来自GPT，如果亚马逊没屏蔽GPT，这个比例会更高；OpenAI的应用团队也在推进购物Agent，这会是它商业化的核心路径。这种Agent还会催生出新的商业模式，也就是从AI的执行中抽成。未来的平台可能像信用卡体系一样，从AI的执行环节里收取0.1%或者1%的费用，积少成多，从而形成巨大的利润空间。
聊完了学习方式，咱们再来说说模型的记忆问题。这是现在大模型的一个核心瓶颈。在算力有限的情况下，推理时间其实是提升能力的另一条路，也就是模型的规模不变，只要延长思考步数和推理深度，性能就能显著提升。Transformer架构的注意力机制，能让模型在有限的上下文中回溯和关联信息。但是遇到长上下文和稀疏记忆的场景，就会力不从心。
比如上下文窗口扩大后，内存和带宽的压力会急剧上升。这时候HBM就成了关键，没有足够的HBM，大模型根本没法高效推理。但是迪伦·帕特尔不认为，模型的记忆系统必须模仿人脑。像外部的写作空间、数据库、甚至文档系统，都可以成为模型的外部记忆。关键是让模型学会怎么写、怎么提、怎么复用这些信息，在任务中建立长期语义关联。
OpenAI的Deep Research就是个很好的例子，它让模型在较长的时间里，持续生成中间文本，不断压缩、回看，完成复杂的分析和创作。迪伦·帕特尔把这叫人工推理的显微镜，它展示了未来agent的工作方式，也就是在长时记忆和短时计算之间循环，真正实现思考。
这种新的推理和记忆框架，会彻底改变算力需求结构。未来的百万GPU集群，不只是用来训练更大的模型，更要支撑这些长思考的agent。
对于硬件创新，很多人会觉得硬件创新要靠初创公司。但是迪伦·帕特尔的观点是，真正能够推动硬件创新的，还是巨头公司。
先看半导体制造，现在的半导体制造难度已经到了太空时代级别，是人类工程里最复杂的系统之一。但是背后的软件体系却很落后，哪怕是数亿美元的制造设备，还用着过时的控制系统和低效的开发工具。就算英伟达这么领先，它的供应链里还有很多老古董部件，比如变压器，基本原理几十年没怎么变。
但是现在有个新的突破，那就是固态变压器。它能把超高压交流电，一步步转成芯片能用的低压直流电，能源效率提升很多。这些看似传统的工业环节，正在成为AI基建的新利润和创新源头。
不过迪伦·帕特尔并不看好加速器公司，就是那些想和英伟达、AMD、谷歌TPU、亚马逊Trainium竞争的新兴芯片公司。因为这个行业资本密集、风险极高，技术的创新空间又有限。除非出现颠覆性的硬件跃迁，否则新玩家很难撼动现有的格局。
在芯片互联方面，随着模型的上下文变长，内存需求激增，而DRAM行业的创新又慢，所以网络层面反而更容易出突破。帕特尔指出，现在主要有三个方向。
第一是通过紧密互连，实现芯片间的内存共享。比如英伟达Blackwell架构里的NVL72模块，把大规模网络互连能力集成到单一系统，数据交换效率提升很多。
第二是光学互连，怎么让电信号和光信号之间转换、传输更高效，直接决定下一代数据中心的性能上限。
第三是极端性能下的可靠性。比如Blackwell的超高带宽互连，让同一个机架里的每颗芯片，能够以每秒1.8TB的速度通信，这已经逼近散热和可靠性的物理极限了。
但是芯片互联的创新也面临产业内部的阻力。比如英特尔内部缺乏数据的共享文化，光刻团队和刻蚀团队不愿意共享实验数据，这些数据也没法上传到AWS云端做关联分析，导致迭代的效率很低；台积电虽然制造能力强，但是也不允许数据外发，实验和分析流程很慢。要想解决这个问题，就必须变更企业文化，通过推动制造企业能更开放地用数据建仿真器，更精准地来模拟现实。
最后是世界模型（World Model），核心是让AI具备模拟世界的能力。这不只是软件层面，还在向物理层扩展。比如谷歌的Genie 3模型，能在虚拟环境里自由移动、观察、和物体互动；更先进的模型能模拟分子反应、流体动力、火焰燃烧，用AI的方式学物理规律。现在有很多公司在做这个方向，有的专注机器人训练，有的聚焦化学和材料模拟。这些公司让AI从语言处理系统变成了理解现实的计算框架，也让机器人和物理仿真成了投资热点。
但是迪伦·帕特尔强调，大部分最前沿的创新，还是发生在大公司里的，因为世界模型需要的算力、数据和供应链，只有台积电、英伟达、安费诺（Amphenol）这类巨头能支撑。
聊完技术，咱们再来看支撑AI运行的三大支柱：算力、人才和能源。这三个东西看起来不性感，但却是决定AI竞争成败的关键。
首先是算力的经济逻辑。英伟达提出的AI工厂的概念，其实是AI行业的经济学基石。这个概念是2020年马可·扬西蒂（Marco Iansiti）和卡里姆·拉哈尼（Karim R Lakhani）在《Competing in the Age of AI》里提出来的，指的是一种专用的计算基础设施，能够覆盖AI的全生命周期，从数据获取、训练、微调，到大规模推理，最终把数据变成价值。AI工厂的产品不是硬件，也不是软件，而是智能，用token来衡量产出。
迪伦·帕特尔打了个比方，一座AI工厂输出的不是电，而是智能本身。每个token都包含了计算能力、算法效率和能源投入。AI企业的核心问题，不再是造最强的模型，而是在相同功率下，怎么配置token产能最划算？比如是用多次调用弱模型，还是少次调用强模型呢？算力分配、模型规模、用户数量、推理延迟，这些因素加起来，就决定了AI工厂的经济效率。
最近两年，算法优化让模型的服务成本降了很多，比如GPT-3级别的推理，成本比两年前降了大约2000倍。但是成本下降并没有让AI的普及速度变快，因为算力还是稀缺的。所以OpenAI在GPT-5上才会克制，不盲目的扩大模型规模，而是保持和GPT-4相近的推理成本，提升思考模式下的效率，让更多用户能用得起。这也印证了迪伦·帕特尔的观点，未来的竞争，不在于谁训练了最大的模型，而在于谁能以最低的token成本，提供稳定、可规模化的智能服务。
其次是人才，比GPU更稀缺的，是能够高效使用GPU的人。很多人不知道，AI研究里有大量的无效实验，一次实验没设计好，就会浪费大量的算力。所以，能把算力利用率提高5%的研究者，他的边际贡献在训练和推理环节，都会产生长期的复利，这种效率提升，足以抵消数亿美元的设备投资。这也是为什么现在AI领域的顶级研究者，能够拿到天价年薪和股权激励的原因，这不是泡沫，而是对效率价值的理性回报。
当然，人才扩张也有相应的副作。巨头公司在全球收购式挖人，导致很多研究机构出现组织迟滞，团队被拆散，新进来的人不熟悉原有流程，算力浪费反而更加严重。迪伦·帕特尔直言，现在行业里太多人只会说不会做，规模化挖人往往导致结构性的失配，招来的人不适合现有项目，现有项目又因为核心人员的流失而停滞。他甚至建议，美国应该在高端制造、物理化学这些领域反向挖人，把其他国家的关键工艺和实验知识迁回本土，解决产业落地的人才缺口。
最后是能源，这才是美国AI发展的最大短板。很多人担心AI数据中心耗电太多，但是实际的情况是，整个美国的数据中心用电，只占全国总电力的3%-4%，其中一半左右来自AI数据中心。根据美国能源信息管理局（EIA）的数据，2024年美国的电力消耗是40860亿千瓦时，2025年预计到41650亿千瓦时。按照1.5%-2%估算，2025年美国AI数据中心的耗电量，大概是624-833亿千瓦时。这个比例其实不算高。
真正的问题不是用了多少电，而是怎么新增发电能力。过去40年，美国能源体系转向天然气后，新增的发电能力几乎停滞了。现在要重启发电项目，面临着三大障碍：第一是监管复杂，审批流程长；第二是劳动力短缺，尤其是电工这类技术工种；第三是供应链紧张，燃气轮机、变压器这些关键设备，生产周期长、产能有限。
而且AI数据中心的规模还在暴涨。比如OpenAI正在建一座耗电2吉瓦的设施，相当于整个费城的电力消耗。现在在业内，不到1吉瓦的项目几乎没人关注，500兆瓦的项目就意味着250亿美元的资本支出，这个规模已经远超以往任何数据中心建设记录。
更麻烦的是波动负载。模型训练的时候，功率会突然变化，这会扰乱电网频率，造成设备损耗。就算不至于断电，也会让附近的家用电器提前老化。为了应对这个问题，美国电网出了强制减供的规定，比如得克萨斯州的ERCOT电网、东北部的PJM电网，在电力紧张时，会提前24-72小时通知大型用电企业，要求它们把用电量削减一半。
所以企业们只能自己想办法，启用自备发电机，比如柴油机、燃气机，甚至氢能发电机。但是这又带来新问题，如果这些发电机连续运行超过法规规定的时间，就会违反排放许可，触碰环保红线。
现在美国整个能源行业都在紧急补课，燃气机组、双循环机组重新开始建设，有的企业甚至用并联柴油卡车发动机来临时发电；供应链也在恢复，马斯克从波兰进口发电设备，GE和三菱宣布扩大燃机产量，变压器市场已经全面售罄。能参与数据中心建设的电工，工资几乎翻倍。
迪伦·帕特尔说，如果美国有足够多的电工，这些数据中心能建得更快。但是Google、Amazon、EdgeConneX这些公司的供应链差异太大，资源分散，效率不一。他认为，这场能源危机虽然混乱，但是也令人振奋，AI逼着美国重新启动发电建设，重塑供应链，甚至让整个国家重新理解电力的意义。如果解决不了能源问题，再强的算力和模型，也只是无米之炊。
聊完了AI的核心支撑，咱们再看AI对传统行业的冲击。首当其冲的就是软件行业，尤其是SaaS行业。5-10年前，SaaS被认为是软件行业最完美的商业模式。研发成本相对稳定，毛利率极高，公司的主要支出集中在获客成本上。只要用户规模达到临界点，获客成本就会被充分摊薄，新增用户几乎直接转化为利润，公司就会变成一台现金流机器。
但是这个逻辑成立的前提是，软件开发本身的成本极高，企业自己开发的代价，远高于向SaaS厂商订阅服务，所以才会选择租而不是买。而现在AI彻底打破了这个前提。AI工具让软件开发成本急剧下降。拿中国为例，中国企业本地化开发的成本，远低于在美国购买SaaS服务，所以很多中国企业宁愿自建系统，或者选择本地部署，也不愿意签订长期订阅合同。这也是为什么中国的SaaS和云服务渗透率，一直显著低于美国的核心原因。
现在这个趋势正在全球扩散，AI让自建软件的门槛越来越低，传统SaaS租比买划算的逻辑，正在像中国市场那样逐渐失效。
更糟的是，SaaS行业还面临双重成本压力。一方面，获客成本一直居高不下，尤其是AI时代，企业要和更多竞争对手抢用户；另一方面，AI又抬高了服务成本，任何集成了AI功能的SaaS，都要承担token的计算成本，而且这个成本会随着用户的使用量增加而上升。
同时，市场上还出现了大量的AI自建竞争者。以前只有大公司能够自建软件，现在初创公司用AI工具，几周就能做出一个类似的产品，导致SaaS市场越来越碎片化，用户很容易用脚投票，转向更便宜的自建方案，或者被客户的内部研发团队分流。
这么一来，SaaS企业就陷入了困境。用户规模难以扩大，达不到摊薄获客成本和研发支出的逃逸速度，服务成本又在上升，净利润拐点被不断延后，盈利情况越来越差。
不过，也有公司能在这场变革中找到优势，比如Google。得益于自研的TPU和垂直一体化的基础设施，Google在每个token的边际服务成本上，显著低于同行，这让它在AI时代的SaaS竞争中有更大的定价空间。
迪伦·帕特尔认为，未来纯软件公司的日子会越来越难，具备规模、生态、平台势能的企业会继续占据优势。随着内容生产和生成成本的持续下降，真正掌控平台的公司会成为最大赢家，比如YouTube这样的超级平台，可能会迎来新一轮高光时刻，因为它能够借助AI降低内容创作成本，同时通过生态留住用户。
总的来说，AI带来的不只是软件技术的变化，更是软件行业商业逻辑的重构。旧的规则已经失效，新的规则还在形成。能适应这种变化的企业，才能在AI时代活下来。
最后，咱们结合迪伦·帕特尔的观点，聊聊现在主流的AI玩家，他们的优势、劣势，还有未来的潜力。
第一个是OpenAI。迪伦·帕特尔直接评价它是顶级优秀的公司，无论是技术的领先性，还是资本的绑定能力，OpenAI都是当前AI行业的标杆。不过它也面临着挑战，比如和微软的利润分配谈判，还有如何平衡技术突破和商业化落地，避免陷入烧钱无底洞的困境。
第二个是Anthropic。迪伦·帕特尔对Anthropic的看法，甚至比OpenAI更加乐观。核心原因是Anthropic的聚焦，它专注于价值大约2万亿美元的软件市场，目标很明确，收入增长速度也比OpenAI快。而OpenAI的布局相对分散，同时推进企业软件、AI科研、消费者应用、平台抽成等多条路线。虽然潜力巨大，但是执行的难度也更高。Anthropic的稳健聚焦，在当前的市场环境下，反而更有优势。
第三个是AMD。迪伦·帕特尔对AMD有着个人好感。一方面，AMD长期和英特尔、英伟达抗衡，扮演友善的挑战者角色，这种弱者逆袭的气质很吸引人；另一方面，AMD是迪伦·帕特尔人生中的第一个十倍股。作为一名从小热爱组装电脑的人，他对AMD这种技术驱动的逆袭者一直有好感。不过，AMD要在AI GPU市场真正挑战英伟达，还需要在生态建设和软件优化上多下功夫，毕竟英伟达的优势不只是硬件，还有CUDA生态的护城河。
第四个是xAI。迪伦·帕特尔认为xAI存在无法持续融资的风险。虽然马斯克个人很能吸引资金，xAI也在建设Colossus 2超级数据中心，建成后会是全球最大的单体数据中心，能部署30万到50万颗Blackwell GPU，这个规模很震撼。但是xAI的商业化一直没找到方向，目前唯一的产品Grok，变现情况并不理想，没有形成稳定的收入来源。迪伦·帕特尔建议，xAI完全可以把Grok的商业化做得更好，比如通过个性化的虚拟人物订阅服务增加收入，甚至可以和OnlyFans合作，把创作者的数字化形象整合到X的生态里，形成社交+AI+内容的超级应用。但是如果xAI一直找不到可持续的商业模式，就算有马斯克的资金支持，也很难负担3吉瓦级数据中心的长期投入，毕竟就算是世界首富，也没法一直靠个人财富，补贴一个没有收入的公司。
第五个是Meta。迪伦·帕特尔认为Meta手中握有可能统治一切的牌，核心原因是Meta新推出的智能眼镜，这标志着人机交互方式的又一次革命。回顾历史，人机交互从打孔卡到命令行，从图形界面到触控屏，下一阶段会是无接触交互，用户不用动手，只要对AI说出需求，它就能直接执行，比如发邮件、下单购物。而且Meta是目前唯一拥有完整体系的公司，既有硬件，又有强大的模型能力、充足的算力供应，还有业界领先的推荐算法系统。这四者叠加，再加上Meta的资金实力，让它有潜力成为下一代人机接口的主导者。如果Meta能把硬件体验和AI功能做好，未来的增长空间会非常大。
第六个是Google。迪伦·帕特尔说，他两年前还对Google相当悲观，今天则非常看好。核心原因是Google的彻底觉醒。以前Google在AI商业化上比较保守，现在开始主动对外销售TPU，积极推进AI模型的商业化，在训练和基础设施投资上也更有进取心。虽然Google内部还有低效和官僚等问题，但是它的硬件基础是独特的，自研TPU+垂直一体化基建，能让它在AI成本控制上占据优势。而且Google还有Android、YouTube、搜索这些庞大的生态资产，一旦人机交互进入无接触时代，这些资产就能被重新整合，形成强大的竞争壁垒。迪伦·帕特尔认为，Meta可能在消费市场领先，但是在专业和企业级应用领域，Google的潜力更大。
好了，以上就是迪伦·帕特尔这次访谈的主要内容了。其实AI竞争的本质，早已经不再是技术单点突破，而是系统能力的比拼。谁能整合算力、资本、人才、能源，谁能在技术路线和商业化之间找到平衡，谁能适应行业逻辑的重构，谁就能在这场万亿美元的竞赛中，占据有利位置。
大飞相信，未来几年，AI行业还会有很多变化，可能会出现新的技术突破，也可能会有企业倒下。但是核心逻辑是不会变的：算力是基础，创新是动力，生态是护城河。
希望今天的内容，能够帮助大家更清晰地看懂AI行业的趋势。也欢迎大家在评论区分享你的看法。感谢收看本期视频，我们下期再见。