返回首頁

一部影片看懂 AI 超級週期｜下個經濟循環｜Stanford 公開課

發布時間：2026-07-30 14:07
YouTube 影片重點整理

一部影片看懂 AI 超級週期 ｜下個經濟循環｜Stanford 公開課

📺 Jim AI Notebook⏱ 43:06🗓 2026-07-28🌐 zh-Hans🔗 https://youtu.be/JjhVERuqFZA

Jim AI Notebook 濃縮 Stanford MS&E435 九堂課，剖析 AI 超級週期的經濟學全貌。核心命題：AI 時代的價值金字塔倒過來了——底層晶片賺走 75% 營收，應用層毛利只有 0-30%。九位站在浪潮最前線的講者，從 Altimeter 合夥人 Apoorv Agrawal 的「倒三角」框架出發，依序探討 GPU 經濟學（Brad Gerstner）、AI 工廠建設（Chase Lockmiller / Crusoe）、企業 AI 導入困境（Ali Ghodsi / Databricks）、基礎設施與 Stargate 計畫（Sachin Katti / OpenAI）、後訓練與模型特化（Yash Patel / Applied Compute）、編碼 AI 與軟體市場擴張（Guillermo Rauch / Vercel）、推論成本之戰（Tuhin / Baseten），以及生命科學 AI（Eric Abrams / Anthropic + Josh / AI 造藥新創）。影片反覆論證：歷史上價值永遠往上層流動，倒三角終將翻正，只是這一次可能比誰想的都久。

01

第一堂：倒過來的金字塔——AI 時代的價值分配

0:35

Altimeter 合夥人 Apoorv Agrawal 開場就丟出核心命題：AI 每多服務一個用戶都不是免費的。過去 20 年的軟體生意，寫好一次、複製給第一個人和第一億個人成本幾乎一樣，趨近於零。但 AI 不一樣——它每回答你一次，背後都有一整排晶片在真的耗電、真的花錢。

他把整門課濃縮成一個讓很多人意外的形狀：過去雲端時代的產業像正立的金字塔，最上面離消費者最近的應用軟體賺走最多錢；但 AI 時代這個金字塔整個倒了過來，錢全部往最底層沉。

過去兩年整個 AI 產業新增營收超過 3,500 億美元，但其中約 75% 直接流進了最底層的晶片，不是應用、不是聊天機器人，而是賣運算硬體的那一層。應用層自己也漲了 10 倍，但放到整個產業裡連三角形的形狀都撼動不了。

看毛利更清楚：賣晶片的公司毛利高達 75%，站在食物鏈頂端；做應用的公司毛利常常只有 0-30%，有些甚至是負的。同一個產業，只是把時間往後推幾年，最肥的那一塊就從最上面沉到了最下面。

倒三角 · 價值分配
02

第二堂：功能還是平台？應用層的生存考驗

3:25

Apoorv 對應用層創業者提出一個殘酷問題：你做的是一個功能，還是一個平台？ 如果你做的東西會讓人忍不住問「這為什麼不乾脆是大公司產品裡的一個按鈕」，那他大概就真的只該是一個按鈕。

中間的推論層戰場最混亂——新創暫時領先，但雲端巨頭隨時想把它收進自己的地盤。能活下來的是能長成平台的那種，只是一個功能的遲早會被吃掉。

最上層還有更根本的變現難題：ChatGPT 約有 10 億人在用，但平均每個用戶每年只幫它賺進約 10 美元；而做搜尋的 Google，同一個用戶一年能賺到約 100 美元，整整差了 10 倍。原因有二：95% 用戶一毛錢都沒付，且 ChatGPT 不是那種你會沒事一直滑的地方。

Apoorv 壓注的答案是廣告。當年 Facebook 上市時滿街看空報告說手機螢幕太小放不了廣告，結果他們找到了空間還賺得比電腦時代多。他認為 AI 更適合廣告——因為它在跟你對話時，最清楚你當下真正想要什麼。

平台 vs 功能 · AI 廣告
03

第三堂：GPU 經濟學——Token、邊際成本與傑文斯悖論

5:21

Brad Gerstner 從幾百萬美元起家，18 年後管理超過 150 億美元資金，是 OpenAI、Anthropic 和 NVIDIA 的大股東之一。他開場就把整堂課的前提說死：過去軟體能吃掉世界是因為複製幾乎不用錢，但 AI 不是這樣——每多一個用戶都要真的多燒一次算力。

這一切都從 Token 開始。Token 是 AI 讀寫的最小單位，大概是一個字或半個詞。AI 每跟你講一句話，都是一個一個 Token 算出來的，而每算一個，背後的晶片就真的耗掉一點電、燒掉一點錢。邊際成本是實打實的——這也是為什麼有些 AI 公司營收好幾十億卻還在虧錢。

AI 實驗室花 1 元做出來的東西只能賣 0.2 元，這不是失誤，是一場刻意豪賭。他們賭兩件事：運算成本會一路崩跌、人們願意為聰明付的錢會一路暴漲。只要這兩條線交叉，負毛利就會翻正。

NVIDIA 以 200 億美元收購 Groq 的故事極具戲劇性：Groq 負責人 Sunny 傳簡訊給 Brad 說「我覺得我們有機會跟 NVIDIA 合作」，Brad 因為交情怕唐突，把簡訊壓了整整一週不敢發。Sunny 又催了一次他才送出去，Jensen 幾乎秒回三個字「有意思」。從展示原型到正式出手只花了約 30 天。Groq 的本事說穿了就是省電——同一棟廠房、同樣一度電，Token 產出可以多出兩倍半。

過去兩年半，AI 推論成本下降了約 99%，幾乎是崩掉了。照理說花費應該大減，結果完全相反——總支出不減反增，連舊晶片的租金都在漲。這在經濟學上有個名字叫傑文斯悖論（Jevons Paradox）：當一樣東西變便宜變好用，人們反而用得更兇，兇到把省下來的錢全部又花回去。

Brad 轉述：Dario Amodei、Sam Altman、Elon Musk 和 Jensen Huang 這四個平常立場南轅北轍的人，罕見地講了同一句話——「我們幾乎已經走到指數曲線的盡頭了」。強人工智慧來得會比預期更早。接下來真正的難題不再是能不能做出來，而是做出來之後這麼大的財富要怎麼分配。

GPU · Token · 傑文斯悖論 · Groq 收購
04

第四堂：AI 工廠建設——從空地到一座城市的用電量

10:21

Chase Lockmiller 是基建公司 Crusoe 的執行長，同時是個登山狂（七大洲最高峰爬了五座，包含聖母峰）。他說蓋 AI 工廠跟登山一樣，有 A 計畫、B 計畫，還有 B 計畫的備案。

Chase 一句話把資料中心拉回地面：「資料中心說穿了，就是一棟有電、有冷卻、能插電腦的建築。」 但一旦放大到一整座城市用電的規模，它就變成集化工、機械、電機、資訊工程於一身的工程巔峰。他們蓋的一個園區，用電量等於兩個丹佛市。

他攤開收據：一格百萬瓦（MW）的建設——蓋樓加自備發電 2,000 萬美元、晶片 3,000 萬、網路/冷卻/儲存各 1,000 萬——總價約 6,000 萬美元。而現在動不動在蓋 1GW 等級的園區，1,000 格疊起來，光一個園區就是 600 億美元，電費和維修都還沒算。

回本時間的關鍵分叉：單純租晶片出去約 4 年回本；但如果多做一層，不只租硬體還直接幫客戶把 AI 服務跑好、按用量賣，回本時間直接砍到 2 年。這其實就是倒三角開始鬆動的第一個小徵兆——價值正一點一點從純硬體往上爬。

三大誤會破解：① 瓶頸不是晶片不夠，晶片這關 4 年前就過了，真正缺的是通好電、可以直接插晶片開機的建築；② AI 沒有喝光水，灌一次冷卻水後整年用水量大概只等於一戶普通人家；③ 舊晶片沒有變垃圾，因為 AI 代理需求爆發，三年前的舊晶片租金不跌反漲。真正的瓶頸是電力，還有蓋電廠的焊工和水電工。

Chase 用經濟學框架解釋全球瘋狂建設的理由：一個國家的經濟要成長，靠的是更多人力、更多資本、更好的技術。過去幾千年，人力想增加只有一條路——生小孩，前後要 20 年。但現在史上第一次，你可以用下單買晶片蓋資料中心的方式，直接「數位製造」出一批新的勞動力——不用睡覺、不用吃飯、開機就能上工。當你意識到錢可以直接換成勞動力、換成整個國家的經濟成長，你就懂了為什麼他們願意把幾兆美元眼睛都不眨地砸下去。

Crusoe 的選址策略反直覺到有點好笑：大家都跑去北維吉尼亞排隊搶電，他們反向跑去人煙稀少的西德州——因為那裡風大太陽大、政府補貼過度，再生能源蓋太多，電多到送不出去，價格一度變成負的。發電人得倒貼錢求別人把電用掉。Crusoe 登門說「太好了，我們正好有一個超級吃電的應用」。與其花大錢把電搬過來，不如把整座資料中心直接蓋在電最便宜的地方。

AI 工廠 · Crusoe · 電力經濟
05

第五堂：企業 AI 的真相——95% 試點失敗，卡在「機構知識」

19:11

Ali Ghodsi 是 Databricks 的執行長，手上握有 2 萬多家企業客戶。他一開口就說了一句讓很多人意外的話：「我們早就有強人工智慧了，它已經比你日常打交道的很多人都聰明。」 他甚至當場做了舉手實驗，證明學生自己都自相矛盾。

但如果 AI 真的這麼聰明，為什麼企業花大錢導入卻幾乎全軍覆沒？Ali 引用 MIT 報告：高達 95% 的企業 AI 試點最後是失敗的，沒能真正上線變成生產力。他特別強調：這不是因為模型太笨，模型早就夠聰明了。

真正的原因藏在一個大家都忽略的地方：每一家公司裡都有一個做了幾十年、什麼都知道的老員工——你有問題去問他就對了。可是他腦子裡那套只有這家公司才懂的規矩、那些從來沒寫下來的經驗，AI 完全不知道。這些藏在人腦裡、沒進到模型裡的東西，有個名字叫「機構知識」（Institutional Knowledge）。少了它，再聰明的 AI 一進到你公司內部就變得手足無措。

Ali 下了一個很重的結論：「這不是 AI 的問題，是人的問題。」 我們總習慣把失敗怪到技術頭上，說 AI 還不夠好。可是 Ali 說模型早就夠好了，卡住的是我們自己——是我們沒有把腦子裡的東西交給它，是我們的流程還停在舊時代。

他講了一個 Databricks 自己的故事：要做一種叫「連接器」的軟體，本來一條要 9 個月。Ali 自己用 AI 兩天就寫出一個玩具版，回頭質問團隊為什麼要 9 個月。團隊研究後回覆：AI 確實有用，但頂多把 9 個月縮到 7 個半月——因為真正的瓶頸根本不在寫程式，而在產品經理要花一整季訪談、寫 80 頁需求書、測試環境很難架、一條線只有一個人扛、那個人請假就全停。後來一位工程師乾脆把整套流程重寫：需求書一週寫完（反正軟體便宜錯了再改）、測試外包出去、平行做 7 個人一起扛 7 條——結果一季出了 7 條。Ali 的結論很直白：換再強的模型都救不了你，這是人類的流程要重新接線。

Ali 搬出一段歷史：電力早在 1880 年就發明了，可是反映在工廠生產力數字上，整整等了 40 年到 1920 年才出現。 因為工廠一開始只是把蒸汽機換成一台大電動馬達，機器擺放位置完全沒變。一直到有人重新設計整間工廠、把機器攤平、搬出城市，電力的威力才真正跑出來。Ali 說：AI 現在就卡在「換了引擎，卻還沒改裝廠房」的階段。 同樣的劇本雲端也演過——AWS 2004 年起步時所有人都在賭會不會蓋到破產，結果花了約 8 年三角形才慢慢翻正。諾貝爾獎得主 Solow 的名言最能形容這種尷尬：「電腦到處都是，唯獨在生產力統計裡看不見。」這句話放到今天的 AI 一樣準。

企業 AI · 機構知識 · Databricks
06

第六堂：基礎設施——算力即營收，與看不見的電網風險

14:56

Sachin Katti 的資歷橫跨整個運算堆疊：在 Stanford 教了 15 年書、當過 Intel 的基礎長，最近離開加入 OpenAI，負責把 OpenAI 需要的所有算力實際交付出來——也就是 Stargate 計畫的實際執行者。

他丟出的第一句話非常反直覺：「營收只是算力的落後指標。」 對這些最前線的實驗室來說，你有多少算力、乘上用得多滿，基本上就決定了你能賺多少。OpenAI 過去三年算力每年漲 3 倍，營收也剛好每年漲 3 倍——兩條線貼得死死的。所以當你看到 OpenAI 拼命公布未來要蓋多少算力，你可以直接把它當成一張營收預測圖來讀。

Sachin 糾正了一個根本誤解：當 OpenAI 說要採購算力，他們買的根本不是晶片，是一整條供應鏈——從最上游的一塊地、一座電廠，到一整櫃一整櫃的晶片和記憶體，再到把幾萬張晶片串起來的網路、散熱的冷卻，最後才吐得出 Token。缺任何一個環節，整座工廠就開不了機。他說真正困難的根本不是簽下那張採購合約——「簽約是最有趣的部分，簽完之後的一切才是真正困難的地方。」

Agent 的出現悄悄改變了運算的樣貌。 Sachin 把運算分成三種：第一種是純聊天（你問一句他答一句，單節點）；第二種是會推理的 AI（在心裡想很多步才給答案，多節點）；第三種是 Agent（一整張圖——推理、查資料、開虛擬機器跑測試、再回來繼續想）。這種複雜工作光靠 GPU 在經濟上撐不起來，所以要混用各種晶片，連本來被看衰的 CPU 都因此復活了。

一個大多數人完全沒想到的 AI 擴張物理極限：電網波動風險。 當一座資料中心裡成千上萬張晶片同時開始一個訓練任務、又同時停下來，整棟樓的功耗會在一瞬間同上同下，擺動幅度可能高達好幾百個 MW。這就像一整座城市的人約好在同一秒一起打開又一起關掉所有電器。問題是全世界電網從來沒有為這種瞬間的巨大擺動設計過——嚴重的话足以讓一整區的電跳掉。

Sachin 對未來的願景很有畫面感：把人和 AI 的關係整個顛倒過來。 現在你交任務給 AI，它跑幾分鐘甚至幾小時，這中間你早就分心去做別的事了，等它回來問問題你還得重新回想來龍去脈。他想要的是反過來——AI 快到不斷追著你、催著你給下一步指令，讓你保持在心流狀態裡。到那個時候，慢的、拖後腿的會是人類，而不是 AI。

Stargate · 算力領先指標 · Agent · 電網風險
07

第七堂：後訓練——5% 的算力，決定 100% 的輸贏

23:42

Yash Patel 的經歷很戲劇化：大一暑假直接寫冷郵件給 Sam Altman 要到一張小支票做自己的專案，後來進了 OpenAI 做出能上網能寫程式的 Agent，這條線後來變成了 Codex。大約一年前他離開 OpenAI，創了 Applied Compute，專門幫企業把通用大模型特化成自己的專屬模型。

Yash 的核心洞察：通用的大模型決定你的地板，但你的天花板得自己蓋。 那些最強的通用模型就像一個空降的天才新人——智商爆表，可是完全不懂你公司的事。誰請他來效果都差不多，這就是你的地板。真正拉開差距的，是拿這個模型餵進你自家的專有資料，用你自己對好壞的標準反覆去磨——這個步驟叫「後訓練」（Post-Training）。

一個很反直覺的數字：後訓練花的算力，可能只佔前面那個吃遍整個網路的大訓練的 5%。5% 聽起來像個零頭，可就是這 5% 的力氣決定了你這家公司到底是贏還是輸。這就像蓋房子——主結構花了 95% 的錢，可是真正讓這間房子值錢、讓它跟隔壁不一樣的，是最後那 5% 的裝潢和設計。

Yash 用 DoorDash 的案例說明：DoorDash 每年要讓超過 10 萬家新商家上線，其中一件苦差是把商家上傳的雜亂菜單照片變成整齊符合規範的線上店面。這件事用通用模型怎麼調指令都做不好。最後的解法很巧妙：讓真人去修正模型的輸出，然後把修正的量直接變成給模型的獎勵，對著錯誤率去優化。 Yash 的結論很有力：企業其實不需要一直去調那些指令——你只要能定義清楚什麼是好、什麼是壞，就可以直接對著結果去優化。這就是天花板被蓋起來的方式，價值正一層一層往應用端流回去。

後訓練 · 模型特化 · DoorDash
08

第八堂：編碼 AI——軟體史上最大的市場擴張

27:37

Guillermo Rauch 是 Vercel 的執行長，同時是全世界最紅的網頁框架 Next.js 的作者。他在阿根廷郊區長大，靠讀軟體手冊自學英文，11 歲就開始接遠端程式外包，高中輟學搬到舊金山。

他的核心一句話：這波 AI 帶來的是軟體史上最大的一次市場擴張。 過去全世界會寫程式的人大概 2,000 萬，市場天花板卡在這裡。但現在會寫程式的 AI 代理出現了，能自己動手把軟體做出來——能做出軟體的人一口氣放大了 10 倍、20 倍、甚至 100 倍，因為你不再需要會寫程式，你只要能把你想要什麼說清楚就行。市場從 2,000 萬人一下子變成幾乎所有人。

Guillermo 用一個好記的比喻：會寫程式的 AI 代理就像花生醬，正在被抹遍全世界。 可是花生醬三明治光有花生醬不夠，還要果醬——這個果醬就是把寫好的軟體真正部署出去、放到客人面前用的那一層。他的關鍵判斷：寫程式這件事本身不會讓你變得特別，因為 AI 已經幫大家做到了；把程式真正端到客人面前才會。 世界上堆滿了跑不起來的程式碼，而 AI 代理天生就愛把東西部署出去。所以在這個戰場最賺錢的，不見得是寫程式的那一層，而是幫 AI 把作業順利交出去的那一層。

AI 代理還悄悄改變了整朵雲的節奏：舊的網路講究的是快（亞馬遜網頁每慢 0.1 秒訂單就掉一個百分點），但 AI 代理的世界是反過來的——你丟一個任務給它，它可能出去工作幾秒、幾分鐘、幾小時，現在甚至可以讓它慢慢煮一整天，最後交給你一份完整報告或一整套軟體。從講求快的快餐店，變成了願意等它慢火燉的廚房。

商業模式的地基也在悄悄換掉：過去的軟體生意賣的是座位（一家公司買 10 個帳號就付 10 份月費），但當軟體的背後是一個一個真的在燒電的 Token，按人頭算法就撐不住了。新模式是按 Token 計價——你用掉多少智慧就付多少錢。 從賣座位到賣用量，這看起來只是收費方式的小改，背後卻是整個軟體商業模式的地基在換。

Guillermo 描繪雲的三個生長方向：① 給 AI 代理用的地基（代理寫完的軟體總要有地方跑）；② 每一家公司都在蓋自己的 Agent（未來所有軟體本身可能都是一個 Agent，交付的不再是網頁而是一個會幫你做事的助手）；③ 雲本身也會變成一個 Agent——像一台自動駕駛的車，自己配置、自己優化、自己修好問題，然後回頭跟你說「我幫你的軟體加速了兩倍，這是我改好的版本」。

一個讓他自己都愣住的真實故事：有用戶滑進他的私訊求救說「我朋友，我根本不知道 Vercel 是什麼，是我的 AI 把我帶來的」。他當下的回覆很妙：「那你能不能把我介紹給你的那個 AI？」你細想這個畫面——未來很可能是這樣：客戶的 AI 直接去跟廠商的 AI 談，我這邊有個問題、那邊有沒有解法，然後兩個 AI 把事情辦完，軟體就這樣悄悄湧現出來，人幾乎不用插手。

編碼 AI · Vercel · 軟體市場擴張
09

第九堂：推論成本之戰——30 兆 Token 背後的算力短缺

32:01

Tuhin 是 Baseten 的執行長，一家你可能沒聽過的隱形巨人——專門幫各種 AI 應用公司把模型的推論跑起來。他點中了整個應用戰場的核心：推論（Inference）就是 AI 的銷貨成本——每賣出一次服務，你真正要付出去的那筆直接成本。誰能把推論壓下來，誰才有機會真的把錢賺進口袋。

壓成本的第一招出乎意料地簡單：智慧路由。 想像你跟 AI 說了聲謝謝，它回你不客氣——如果連這三個字都動用最強最貴的大模型來回答，等於為了一句客套話點亮了一大排晶片。聰明的做法是在中間加一層路由，先判斷這句話難不難：簡單的（像「不客氣」）丟給便宜的小模型秒回，真正難的問題才交給最強的大模型。這就像一家公司不會為了收個包裹就驚動總經理——小事交給前台就好。

感受一下 Baseten 的體量：一天要處理約 30 兆個 Token。以純 Token 計算，這個量已經超過了 OpenAI 對外開放的那個 API 業務，也超過了 Google。一個大多數人沒聽過的名字，背後跑的量比那些如雷貫耳的巨頭還大。

算力短缺的實錄：他們在某家雲端上租了一批晶片，合約 10 月才到期，結果 5 月對方就打電話上門，要把每小時租金從 2 塊多美元直接漲到 5 塊多，硬生生翻了一倍。 Tuhin 的原話是：「這太離譜了，我絕不接受。」更誇張的是，你現在下單 1,000 張新晶片，得排隊等上一年多才拿得到貨。他講了一句很重的話：「不管別人跟你說算力有多缺，實際上都還要再乘上 10 倍。」 而且他斷言這個短缺不會正常化——因為 AI 越來越會自己連續做很多步，模型又越來越大，兩股力量一起把需求往上推。

Tuhin 用機場安檢隊伍的類比說明為什麼算力只會越來越缺：機場晚上 11 點會關門讓隊伍歸零重置，可是全世界的推論需求永遠不會關門——美國睡了歐洲正好醒來，歐洲下班了亞洲又進入白天，地球上總有一個地方是下午 5 點正要開始用。這條隊伍 24 小時不停歇地一天一天複利疊加，永遠沒有喘息的空檔。

一個尖銳的東印度公司警告：有人把那些最前沿的實驗室比做當年的東印度公司——表面上是來談生意談合作，實際上是慢慢把整個地方的資源和控制權都拿走。你今天興沖沖地把應用全部接到某家前沿模型上，你以為在跟他合作，可你等於把你獨門的工作流程還有最寶貴的用戶資料全交了出去。 等他學會了你的那套「神聖配方」，回過頭就能取代你。

Tuhin 的解方只有四個字：「掌握自己的智慧。」 今天 90-95% 的推論花費都流向那幾家最前沿的封閉模型，方便是方便，但你等於把命脈交了出去。他的活路是：起步時先靠前沿模型（因為快、好用），但一旦做出成績要衝規模，就換成開源模型自己再訓練一輪，變成你專屬的模型。 關鍵事實：開源模型大概只落後前沿 90 天，成本卻便宜 7-9 成——這一換足以把你的毛利從趴在 0 附近一路拉到 40% 以上。

推論成本 · Baseten · 算力短缺 · 開源
10

最終堂：生命科學 AI——一個人就是一條產品線

36:35

最後一堂請來兩位站在產業兩端的人：Anthropic 負責生命科學的 Eric Abrams，以及 AI 造藥新創的共同創辦人 Josh。他們在做同一件事：用 AI 端到端地壓縮整條造藥流程。

Josh 一句話把野心說清楚：「我們在做的是一套分子的電腦繪圖工具，目標是把設計一顆藥，從一門像煉金術一樣靠手感的技藝，變成真正的工程學。」 傳統造藥又慢又貴：理論上能下手的「標靶」（身體裡生病的開關）有上萬個，但全世界每年真正新增被推進到人體實驗的只有約 30 個。結果就是大家全擠在少數幾個已知的開關上反覆內卷——到今天，八成有名字的疾病還是無藥可醫。

這個領域的工具原始到令人發笑。常有人問 Josh「你們的競爭對手是誰」，他的回答很妙也很發人深省：「我們的競爭對手，字面上就是酵母、老鼠，還有實驗室裡那些傳統的老工具。」 人類到今天造藥很多環節還在靠讓酵母發酵、讓老鼠試藥——這些方法用了幾十年甚至上百年。Josh 說現有的藥原始得像是奇蹟，很多藥打進身體會打到一堆不該打的地方，造成一堆本來不必有的副作用。正因為這麼原始，AI 進來撬動的空間才這麼大。

他們的作法：讓兩種 AI 一起工作。 一種是像 Claude 這樣的語言模型扮演外圈——那個會思考、會規劃、會查文獻的科學家；另一種是專門懂生物的基礎模型（如 AlphaFold），負責在內圈直接設計出分子的樣子。傳統上要 10-15 年的造藥流程，他們的目標是壓到最快幾週。

Josh 講了一句把整個生技圈焦慮講透的話：「現在藥廠圈裡翻來覆去只談兩件事——一個是 AI，一個是中國。」 因為中國在造藥上更便宜更快，法規上也更容易讓新藥趕快用到人身上，正在一步步跑贏美國。可是他話鋒一轉說了那句金句：「中國可以跑得比美國快，但中國跑不贏 AI。」 美國想追上甚至反超，靠的不是跟中國拼人力拼速度，而是賭 AI 這條全新的路能不能成功。所以美國的生技業是非常非常需要 AI 成功的——這已經不只是一門生意，而是一場國運的豪賭。

Eric 描繪的未來很浪漫：造藥的門檻會低到史無前例。 過去開一家生技公司需要一整棟樓的科學家、幾億美元的資金；可是未來很可能一個人坐在電腦前，用大量的 Claude 和那些懂生物的模型，就能同時跑一整條早期藥物的產品線。他們給這個畫面取了個名字：「一個人就是一條產品線。」 他們甚至半開玩笑地聊到，未來像減肥藥那樣能增加肌肉的藥、或幫你睡得更好的藥，可能會像日用品一樣普及，變成一種消費級的醫療。Eric 很謹慎地說他不會承諾五年內治好所有的病，他的目標是偏轉那條軌跡——讓人類對抗疾病的速度整個換一個檔次。

生命科學 AI · 造藥 · Anthropic

五年之後，每一個人都會回頭問你：這一切在成型的時候，你看出來了嗎？你會希望自己那時候能回答——看出來了。因為此刻，我們就站在這個板塊移動的現場。

重點時間戳索引

  1. 0:35Apoorv Agrawal 提出核心命題：AI 每多服務一個用戶都不是免費的，這與過去軟體「複製邊際成本趨近於零」的邏輯徹底不同
  2. 1:33AI 時代的價值金字塔倒過來了：底層晶片賺走 75% 新增營收，應用層毛利只有 0-30%
  3. 3:25Apoorv 的殘酷提問：你做的是一個功能還是一個平台？只是一個功能的，遲早被大公司內建取代
  4. 4:09ChatGPT 約 10 億用戶，但每用戶年營收僅約 10 美元，Google 搜尋同一用戶可賺 100 美元，差距 10 倍
  5. 5:21Brad Gerstner 講 GPU 經濟學：Token 是 AI 的最小成本單位，每多一個用戶就要多燒一次算力
  6. 6:45AI 實驗室花 1 元做出來的東西只能賣 0.2 元，這是一場刻意豪賭：賭運算成本崩跌、人們願為聰明付的錢暴漲
  7. 7:26NVIDIA 以 200 億美元收購 Groq，從一封被壓了一週不敢發的簡訊到成交只花 30 天
  8. 8:25推論成本兩年半下降 99%，但總支出不減反增——傑文斯悖論：東西變便宜，人們反而用得更兇
  9. 9:41Dario Amodei、Sam Altman、Elon Musk、Jensen Huang 四人罕見同聲：我們幾乎已走到指數曲線的盡頭
  10. 10:21Chase Lockmiller 拆解 AI 工廠成本：一格百萬瓦總價約 6000 萬美元，1GW 園區就是 600 億美元
  11. 12:52三大誤會破解：瓶頸不是晶片而是通好電的建築；AI 沒喝光水；舊晶片租金不跌反漲
  12. 13:52史上第一次可以用下單買晶片的方式「數位製造勞動力」——錢可以直接換成經濟成長
  13. 14:15Crusoe 反向操作：把資料中心蓋在西德州電價變負的地方，別人的難題變成護城河
  14. 15:18Sachin Katti：營收只是算力的落後指標。OpenAI 算力每年漲 3 倍，營收也剛好每年漲 3 倍
  15. 17:16Agent 改變運算模式：從單節點聊天 → 多節點推理 → 一整張圖的 Agent 工作流，CPU 因此復活
  16. 18:00電網波動風險：上萬張晶片同時開始/停止訓練，功耗瞬間擺動數百 MW，足以讓整區跳電
  17. 19:11Ali Ghodsi：95% 企業 AI 試點失敗，不是模型太笨，是「機構知識」沒灌進 AI 裡
  18. 21:29Databricks 自身案例：一條連接器要做 9 個月，AI 只能省到 7.5 個月，真正瓶頸在人類流程
  19. 22:15電力 1880 年發明，等了 40 年才反映在生產力上——AI 現在卡在「換了引擎卻還沒改裝廠房」
  20. 24:13Yash Patel：通用大模型決定你的地板，但天花板得自己蓋。後訓練只花 5% 算力，卻決定公司輸贏
  21. 26:16DoorDash 案例：用真人修正模型輸出、把修正量變成獎勵訊號，對著錯誤率直接優化
  22. 27:08Ali Ghodsi 毫不猶豫押應用層：科技史上價值永遠往上層移動，前沿模型最後會變成薄利 Token 工廠
  23. 27:55Guillermo Rauch：AI 帶來軟體史上最大市場擴張——從 2000 萬工程師變成幾乎所有人
  24. 28:49花生醬三明治比喻：寫程式是花生醬（到處都有），部署到客人面前才是果醬（真正賺錢的地方）
  25. 30:22商業模式地基轉換：從賣座位（按人頭月費）變成賣用量（按 Token 計價）
  26. 32:14Tuhin：推論就是 AI 的銷貨成本。Baseten 一天處理 30 兆 Token，超過 OpenAI 對外 API 業務
  27. 33:56算力短缺實錄：雲端商合約未到期就上門漲價，租金從 $2 多直接翻倍到 $5 多，新晶片下單要等一年
  28. 34:39東印度公司警告：把應用全接到前沿模型上，等於把獨門工作流程和用戶資料交出去，他學會了就能取代你
  29. 35:33開源模型只落後前沿 90 天，成本便宜 7-9 成，換用開源可把毛利從 0 拉到 40% 以上
  30. 36:35生命科學 AI：傳統造藥 10-15 年，AI 目標壓到幾週。競爭對手「字面上就是酵母老鼠」
  31. 39:34Josh 金句：「中國可以跑得比美國快，但中國跑不贏 AI」——美國生技業非常需要 AI 成功
  32. 40:13未來願景：一個人就是一條產品線。造藥門檻從一整棟樓的科學家降到一個人坐在電腦前
  33. 41:20三句實在話：投資人問壓的是哪一層、創業者問手上有沒有別人拿不走的資料、上班族趁現在把 AI 練成最順手的工具

關鍵字

AI 超級週期Stanford MS&E435倒三角GPU 經濟學傑文斯悖論Token 邊際成本算力即營收AI Agent企業 AI 導入機構知識後訓練模型特化推論成本生命科學 AIAI 造藥NVIDIAOpenAIStargateCrusoeDatabricksVercelBasetenAnthropic

⚠️ 未確認 / 無法核對項目

  • 部分人名為 Whisper 漂字還原，如「Tuhin」「Josh」「Guillermo Rauch」「Yash Patel」等，已根據上下文及公開資訊盡力校正，但拼寫可能有誤
  • Baseten CEO 全名在 SRT 中漂字為「Tofin」「Twin」「Turing」「陶瓶」「2hing」等多種變體，還原為「Tuhin」為合理推測
  • AI 造藥新創共同創辦人「Joss」還原為「Josh」，全名及公司名稱未能從 SRT 中確認
  • 部分數字（如 30 兆 Token/天、600 億美元園區造價）來自講者口述，未經第三方驗證

🎙️ ASR 漂字對照表

罩→兆
Porey→Apoorv
Approfit→Apoorv
Polware→Apoorv
Altermeter→Altimeter
NVN→NVIDIA
NVidian→NVIDIA
Groku→Groq
Bread→Brad
Brett→Brad
Cruzzo→Crusoe
Charles→Chase
Deadbricks→Databricks
Aleth Gautzy→Ali Ghodsi
阿里戈西→Ali Ghodsi
阿力→Ali
Sachin Khati→Sachin Katti
SATING→Sachin Katti
Stagate→Stargate
杰文斯→Jevons
編輯成本→邊際成本
推論→推理
帕命→拼命
混理→婚禮
YAS→Yash
耶鸭史→Yash
Gillam Rauch→Guillermo Rauch
Gilmo→Guillermo
Guillermo→Guillermo
Versel→Vercel
Verso→Vercel
Next JSS→Next.js
Tofin→Tuhin
Twin→Tuhin
Turing→Tuhin
陶瓶→Tuhin
2hing→Tuhin
Bassettin→Baseten
BASSETIN→Baseten
Dodash→DoorDash
Joss→Josh
Modcast→Multicast
Multi-Cast→Multicast
solo→Solow
Dario Sam→Dario Amodei
Janson→Jensen
Cloud→Claude
clode→Claude
Codex→Codex
探機→碳基
矽金片→矽晶片
雪玲玲突興→Tuhin 轉述
凸醒→Tuhin
教母→酵母
教母老鼠→酵母老鼠
美角→眉角
救系統→舊系統
博利→薄利
毛利伯→毛利薄
平寬→頻寬
平人立盤→拼人力拼
鈣電廠→蓋電廠
瓶預→瓶頸
余醫生→於一身
即化工→集化工
升軟體→生軟體
城市碼→程式碼
城市外包→程式外包
寫城市→寫程式
會寫城市→會寫程式
認住→愣住
時訊→私訊
發人聲醒→發人深省
充規模→衝規模
蟲趴在→從趴在
翻陣→翻正
收容→收攏
沉流→層流
架子→價值
AINOP→AI Notebook
📎 原始內容（查證 / AI 追查用，非閱讀主文，點擊展開）
Whisper 原始輸出
1
00:00:00,000 --> 00:00:04,400
- 大家好我是Jim

2
00:00:04,400 --> 00:00:05,500
这里是AI Notebook

3
00:00:05,500 --> 00:00:07,300
想象一下你打开手机看盘

4
00:00:07,300 --> 00:00:08,200
画面上这一年

5
00:00:08,200 --> 00:00:10,500
全世界往人工智慧砸下去的钱

6
00:00:10,500 --> 00:00:11,700
是用罩来计算的

7
00:00:11,700 --> 00:00:12,900
工厂一座座盖起来

8
00:00:12,900 --> 00:00:15,500
晶片一整柜一整柜亮灯新闻

9
00:00:15,500 --> 00:00:16,500
天天在喊革命

10
00:00:16,500 --> 00:00:18,200
可是如果你冷静的问一句

11
00:00:18,200 --> 00:00:20,800
这几兆美元最后到底流去哪里

12
00:00:20,800 --> 00:00:22,300
谁真的把它赚进了口袋

13
00:00:22,300 --> 00:00:25,300
你会发现答案跟大多数人想的完全相反

14
00:00:25,300 --> 00:00:26,900
史丹佛今年春天开了一门课

15
00:00:26,900 --> 00:00:29,900
把九位站在这波浪潮最前线的人一堂一堂

16
00:00:29,900 --> 00:00:31,900
请上台拆解这一个问题

17
00:00:31,900 --> 00:00:34,500
这支影片就是那九堂课的浓缩

18
00:00:34,500 --> 00:00:35,900
先看一句话

19
00:00:35,900 --> 00:00:39,700
这句话出自史丹佛今年春天一门课的第一堂讲的人

20
00:00:39,700 --> 00:00:42,900
是投资机构Altermeter的合伙人Apore Agrawal

21
00:00:42,900 --> 00:00:45,900
他说AI每多服务一个用户都不是免费的

22
00:00:45,900 --> 00:00:47,300
你可能觉得这不是废话吗

23
00:00:47,300 --> 00:00:50,200
可是如果你懂过去20年的软体生意

24
00:00:50,200 --> 00:00:51,800
就知道这句话有多反常

25
00:00:51,800 --> 00:00:53,200
过去的软体写好一次

26
00:00:53,200 --> 00:00:56,000
复制给第一个人和复制给第一亿个人

27
00:00:56,000 --> 00:00:57,700
成本几乎一样趋近于零

28
00:00:57,700 --> 00:00:59,700
这就是为什么软体能吃掉全世界

29
00:00:59,700 --> 00:01:00,700
但AI不一样

30
00:01:00,700 --> 00:01:02,200
他每回答你一次

31
00:01:02,200 --> 00:01:03,900
背后都有一整排晶片

32
00:01:03,900 --> 00:01:05,200
在真的耗电

33
00:01:05,200 --> 00:01:07,400
真的花钱这一个小小的差别

34
00:01:07,400 --> 00:01:08,800
藏着这波几兆美元

35
00:01:08,800 --> 00:01:10,200
最后留去哪的全部秘密

36
00:01:10,200 --> 00:01:13,500
这支影片就是把那门课九堂内容一堂一堂讲给你听

37
00:01:13,500 --> 00:01:15,600
先认识丢出这个问题的人

38
00:01:15,600 --> 00:01:16,700
Apore V Agrawal

39
00:01:16,700 --> 00:01:19,900
在一家叫Altermeter的投资机构做合伙人白天的工作

40
00:01:19,900 --> 00:01:23,000
就是判断这波AI里钱会往哪里累积

41
00:01:23,000 --> 00:01:26,100
他把整门课的核心浓缩成一句大白话的提问

42
00:01:26,100 --> 00:01:30,100
他找了九位站在浪潮最前线的人一堂一堂来回答

43
00:01:30,100 --> 00:01:33,100
而他自己给出的答案是一个让很多人意外的形状

44
00:01:33,100 --> 00:01:36,600
过去云端时代整个产业像一个正立的金字塔

45
00:01:36,600 --> 00:01:40,100
最上面离消费者最近的应用软体赚走最多钱

46
00:01:40,100 --> 00:01:43,100
可是他说 AI时代这个金字塔整个倒了过来

47
00:01:43,100 --> 00:01:47,100
前程到了最底层要看懂倒过来的到底是什么

48
00:01:47,100 --> 00:01:49,100
我们得先看一个数字

49
00:01:49,100 --> 00:01:53,100
过去两年整个AI产业多赚进来的钱超过3500亿美元

50
00:01:53,100 --> 00:01:55,100
听起来像雨露均粘对吧

51
00:01:55,100 --> 00:01:57,100
但真相是这些新增的营收里大约7成5

52
00:01:57,100 --> 00:01:59,100
直接流进了最底层的晶片

53
00:01:59,100 --> 00:02:02,100
不是应用不是那些你天天在用的聊天机器人

54
00:02:02,100 --> 00:02:04,100
而是卖运算硬体的那一层

55
00:02:04,100 --> 00:02:07,100
这两年应用层自己也涨了10倍速度很快

56
00:02:07,100 --> 00:02:11,100
可是放到整个产业里他连三角形的形状都撼动不了

57
00:02:11,100 --> 00:02:13,100
钱像水一样全部往最底下沉

58
00:02:13,100 --> 00:02:15,100
这就是这门课最核心的一张图

59
00:02:15,100 --> 00:02:17,100
一个倒过来的三角形

60
00:02:17,100 --> 00:02:21,100
而理解这个倒三角是理解后面所有一切的钥匙

61
00:02:21,100 --> 00:02:23,100
接下来我会一直回来提他

62
00:02:23,100 --> 00:02:25,100
把这件事讲的再具体一点

63
00:02:25,100 --> 00:02:27,100
这里要先解释一个词

64
00:02:27,100 --> 00:02:29,100
毛利意思很简单就是你卖一块钱的东西扣掉

65
00:02:29,100 --> 00:02:31,100
直接成本之后能留下多少

66
00:02:31,100 --> 00:02:34,100
云端时代最会赚的是最上层的应用软体

67
00:02:34,100 --> 00:02:37,100
一块钱收入可以留下八九成晶片

68
00:02:37,100 --> 00:02:38,100
反而是薄利的苦工

69
00:02:38,100 --> 00:02:40,100
可是AI时代这个关系整个倒过来

70
00:02:40,100 --> 00:02:43,100
现在卖晶片的公司毛利高达七成五

71
00:02:43,100 --> 00:02:44,100
站在食物链顶端

72
00:02:44,100 --> 00:02:47,100
而做应用的公司毛利常常只有0到三成

73
00:02:47,100 --> 00:02:49,100
有些甚至是负的同一个产业

74
00:02:49,100 --> 00:02:50,100
只是把时间往后推

75
00:02:50,100 --> 00:02:52,100
几年最肥的那一块

76
00:02:52,100 --> 00:02:55,100
就从最上面乘到了最下面问题来了

77
00:02:55,100 --> 00:02:56,100
为什么会变成这样

78
00:02:56,100 --> 00:02:58,100
如果把这座倒过来的塔切一刀

79
00:02:58,100 --> 00:03:00,100
看横切面会看到三层楼

80
00:03:00,100 --> 00:03:01,100
最底层是卖晶片的

81
00:03:01,100 --> 00:03:02,100
卖的是运算硬体

82
00:03:02,100 --> 00:03:04,100
一块钱能留下大约七成五

83
00:03:04,100 --> 00:03:05,100
是最肥的一层

84
00:03:05,100 --> 00:03:07,100
中间是做模型的

85
00:03:07,100 --> 00:03:09,100
卖的是智慧本身

86
00:03:09,100 --> 00:03:10,100
这一层打的最凶

87
00:03:10,100 --> 00:03:11,100
价格一直往下掉

88
00:03:11,100 --> 00:03:13,100
最上面是做应用的

89
00:03:13,100 --> 00:03:15,100
也就是把AI包成产品做给你我用的公司

90
00:03:15,100 --> 00:03:16,100
可是他们一块钱

91
00:03:16,100 --> 00:03:18,100
常常只能留下0到三成

92
00:03:18,100 --> 00:03:20,100
你会发现越耗尽消费者

93
00:03:20,100 --> 00:03:22,100
越像我们印象中会赚钱的那一层

94
00:03:22,100 --> 00:03:23,100
反而越爱薄

95
00:03:23,100 --> 00:03:24,100
这完全违反直觉

96
00:03:24,100 --> 00:03:25,100
那Porey说

97
00:03:25,100 --> 00:03:26,100
如果你在做应用

98
00:03:26,100 --> 00:03:28,100
得先问自己一个残酷的问题

99
00:03:28,100 --> 00:03:31,100
他问你是一个功能还是一个平台

100
00:03:31,100 --> 00:03:32,100
这句话听起来抽象

101
00:03:32,100 --> 00:03:33,100
其实很锋利

102
00:03:33,100 --> 00:03:34,100
他说如果你做的东西

103
00:03:34,100 --> 00:03:36,100
会让你忍不住问一句

104
00:03:36,100 --> 00:03:38,100
这为什么不干脆是大公司

105
00:03:38,100 --> 00:03:39,100
产品里的一个按钮

106
00:03:39,100 --> 00:03:42,100
那他大概就真的只该是一个按钮

107
00:03:42,100 --> 00:03:43,100
举个生活里的例子

108
00:03:43,100 --> 00:03:45,100
就像很多手机APP

109
00:03:45,100 --> 00:03:46,100
一开始独立存在

110
00:03:46,100 --> 00:03:48,100
后来手机系统直接内建了同样的功能

111
00:03:48,100 --> 00:03:49,100
那些APP就消失了

112
00:03:49,100 --> 00:03:51,100
在AI这座倒三角里

113
00:03:51,100 --> 00:03:53,100
中间这层推论的战场最混乱

114
00:03:53,100 --> 00:03:54,100
新创暂时领先

115
00:03:54,100 --> 00:03:55,100
但云端巨头

116
00:03:55,100 --> 00:03:57,100
随时想把它收进自己的地盘

117
00:03:57,100 --> 00:04:00,100
能活下来的是能长成平台的那种

118
00:04:00,100 --> 00:04:02,100
只是一个功能的迟早会被吃掉

119
00:04:02,100 --> 00:04:05,100
而在最上面还有一个更根本的变现难题

120
00:04:05,100 --> 00:04:08,100
你以为最红的ChatGPT一定最会赚钱

121
00:04:08,100 --> 00:04:09,100
对吧

122
00:04:09,100 --> 00:04:10,100
Approfit

123
00:04:10,100 --> 00:04:11,100
Polware摊开的数字刚好相反

124
00:04:11,100 --> 00:04:13,100
ChatGPT大约有10亿人在用

125
00:04:13,100 --> 00:04:14,100
可是平均每个用户

126
00:04:14,100 --> 00:04:16,100
每一年只帮他赚进大约10美元

127
00:04:16,100 --> 00:04:17,100
而做搜寻的Google

128
00:04:17,100 --> 00:04:18,100
同样一个用户

129
00:04:18,100 --> 00:04:20,100
一年能赚到大约100美元

130
00:04:20,100 --> 00:04:21,100
整整差了10倍

131
00:04:21,100 --> 00:04:22,100
原因有两个

132
00:04:22,100 --> 00:04:23,100
一是他的用户里

133
00:04:23,100 --> 00:04:24,100
差不多9成5的人

134
00:04:24,100 --> 00:04:25,100
一毛钱都没付

135
00:04:25,100 --> 00:04:26,100
二是ChatGPT

136
00:04:26,100 --> 00:04:29,100
不是那种你会没事一直滑

137
00:04:29,100 --> 00:04:30,100
一直拿到多8的地方

138
00:04:30,100 --> 00:04:31,100
你得主动去问他问题

139
00:04:31,100 --> 00:04:34,100
而世界上会主动对科技提问的人

140
00:04:34,100 --> 00:04:35,100
远比会滑

141
00:04:35,100 --> 00:04:36,100
手机的人少

142
00:04:36,100 --> 00:04:37,100
这10倍的缺口怎么补

143
00:04:37,100 --> 00:04:39,100
他压了一个很多人反对的答案

144
00:04:39,100 --> 00:04:41,100
他压的答案是广告

145
00:04:41,100 --> 00:04:43,100
很多人反对说AI对话这么私密

146
00:04:43,100 --> 00:04:44,100
怎么可能插广告

147
00:04:44,100 --> 00:04:46,100
Approfit的回应是搬出一段历史

148
00:04:46,100 --> 00:04:48,100
当年Facebook刚上市的时候

149
00:04:48,100 --> 00:04:49,100
满街都是看空报告

150
00:04:49,100 --> 00:04:51,100
理由是广告在电脑上有效

151
00:04:51,100 --> 00:04:52,100
但手机萤幕这么小

152
00:04:52,100 --> 00:04:54,100
根本没有地方放广告

153
00:04:54,100 --> 00:04:57,100
结果他们就在手机上找到了放广告的空间

154
00:04:57,100 --> 00:04:59,100
而且赚的比电脑时代还多

155
00:04:59,100 --> 00:05:01,100
他说今天讲AI不能做广告的人

156
00:05:01,100 --> 00:05:03,100
跟当年是同一批论调

157
00:05:03,100 --> 00:05:05,100
而且AI更适合广告

158
00:05:05,100 --> 00:05:06,100
因为你在跟他对话的时候

159
00:05:06,100 --> 00:05:09,100
他最清楚你当下真正想要什么

160
00:05:09,100 --> 00:05:11,100
这种精准广告主愿意付更高的价

161
00:05:11,100 --> 00:05:13,100
到底谁对5年后见真章

162
00:05:13,100 --> 00:05:14,100
这是最上层的困境

163
00:05:14,100 --> 00:05:15,100
现在我们往下走

164
00:05:15,100 --> 00:05:17,100
看看为什么这门生意的规则

165
00:05:17,100 --> 00:05:18,100
会被彻底改写

166
00:05:18,100 --> 00:05:21,100
这门课第三堂主题叫GPU

167
00:05:21,100 --> 00:05:23,100
经济学讲者是Brett Gerstner

168
00:05:23,100 --> 00:05:24,100
他从几百万美元起家

169
00:05:24,100 --> 00:05:27,100
18年后管理的资金超过150亿美元

170
00:05:27,100 --> 00:05:28,100
是OpenAI Anthropic

171
00:05:28,100 --> 00:05:30,100
还有NVidian的大股东之一

172
00:05:30,100 --> 00:05:32,100
站在这波里最会下注的位置

173
00:05:32,100 --> 00:05:34,100
他开场就把整堂课的前提说死了

174
00:05:34,100 --> 00:05:36,100
过去软体之所以能吃掉世界

175
00:05:36,100 --> 00:05:38,100
是因为复制它几乎不用钱

176
00:05:38,100 --> 00:05:39,100
但AI不是这样

177
00:05:39,100 --> 00:05:42,100
每多一个用户都要真的多少一次算力

178
00:05:42,100 --> 00:05:44,100
这句话跟第一堂Pori的话是同一个意思

179
00:05:44,100 --> 00:05:46,100
只是他要带你看这个差别

180
00:05:46,100 --> 00:05:49,100
到底把成本结构扭曲成什么样子

181
00:05:49,100 --> 00:05:52,100
而这一切都从一个叫Token的最小单位开始

182
00:05:52,100 --> 00:05:54,100
这里先把Token解释清楚

183
00:05:54,100 --> 00:05:56,100
你可以把Token想成AI

184
00:05:56,100 --> 00:05:57,100
独自和土自的最小单位

185
00:05:57,100 --> 00:05:59,100
大概是一个字或半个词

186
00:05:59,100 --> 00:06:01,100
AI每跟你讲一句话

187
00:06:01,100 --> 00:06:02,100
都是一个Token

188
00:06:02,100 --> 00:06:03,100
一个Token算出来的

189
00:06:03,100 --> 00:06:05,100
而每算一个背后的晶片

190
00:06:05,100 --> 00:06:07,100
就真的耗掉一点电烧掉一点钱

191
00:06:07,100 --> 00:06:09,100
这就是他跟过去软体最根本的不同

192
00:06:09,100 --> 00:06:11,100
这里还要补一个词边际成本

193
00:06:11,100 --> 00:06:13,100
白话说就是你多服务一个客人

194
00:06:13,100 --> 00:06:15,100
要多花的那笔钱

195
00:06:15,100 --> 00:06:16,100
过去的软体这笔钱趋近于零

196
00:06:16,100 --> 00:06:19,100
所以能躺着收八九成

197
00:06:19,100 --> 00:06:21,100
毛利AI没有这种好事

198
00:06:21,100 --> 00:06:22,100
他多服务一个人

199
00:06:22,100 --> 00:06:23,100
就多烧一次电

200
00:06:23,100 --> 00:06:24,100
编辑成本是实打实的

201
00:06:24,100 --> 00:06:26,100
这也是为什么你会看到

202
00:06:26,100 --> 00:06:28,100
有些AI公司营收好几十亿

203
00:06:28,100 --> 00:06:29,100
却还在亏钱

204
00:06:29,100 --> 00:06:30,100
不是他们不会做生意

205
00:06:30,100 --> 00:06:32,100
是这门生意的地基变了

206
00:06:32,100 --> 00:06:34,100
所以在很长一段时间里

207
00:06:34,100 --> 00:06:36,100
这些最前线的AI实验室做的是一门

208
00:06:36,100 --> 00:06:38,100
看起来很傻的生意

209
00:06:38,100 --> 00:06:39,100
用Bread的话说

210
00:06:39,100 --> 00:06:40,100
他们花一块钱做出来的东西

211
00:06:40,100 --> 00:06:42,100
当时只能卖两毛

212
00:06:42,100 --> 00:06:43,100
这不是失误

213
00:06:43,100 --> 00:06:44,100
是一场刻意的好赌

214
00:06:44,100 --> 00:06:45,100
他们赌的是两件事

215
00:06:45,100 --> 00:06:46,100
第一

216
00:06:46,100 --> 00:06:48,100
运算的成本会一路崩跌

217
00:06:48,100 --> 00:06:48,700
第二

218
00:06:48,700 --> 00:06:50,100
人们愿意为聪明付的钱

219
00:06:50,100 --> 00:06:51,100
会一路暴涨

220
00:06:51,100 --> 00:06:52,100
只要这两条线交叉负毛利

221
00:06:52,100 --> 00:06:53,100
就会翻证

222
00:06:53,100 --> 00:06:54,100
这听起来很玄

223
00:06:54,100 --> 00:06:56,100
可是他们手上握着一个

224
00:06:56,100 --> 00:06:58,100
能把成本压下去的秘密武器

225
00:06:58,100 --> 00:06:59,100
而这个武器背后

226
00:06:59,100 --> 00:07:01,100
还藏着一个科技史上

227
00:07:01,100 --> 00:07:02,100
最戏剧化的收购故事

228
00:07:02,100 --> 00:07:04,100
起点只是一封被压了一周

229
00:07:04,100 --> 00:07:05,100
不敢发的简讯

230
00:07:05,100 --> 00:07:07,100
故事的主角是一家

231
00:07:07,100 --> 00:07:08,100
他叫Groku的晶片新创

232
00:07:08,100 --> 00:07:10,100
本来是NVN的死对头

233
00:07:10,100 --> 00:07:11,100
Groku的负责人

234
00:07:11,100 --> 00:07:12,100
Sunny传简讯给Brad说

235
00:07:12,100 --> 00:07:14,100
我觉得我们有机会跟NVN合作

236
00:07:14,100 --> 00:07:16,100
你能不能帮我把话带给老板

237
00:07:16,100 --> 00:07:17,100
Jensen Brad

238
00:07:17,100 --> 00:07:18,100
因为交情怕唐突

239
00:07:18,100 --> 00:07:20,100
把这封简讯押了整整一周

240
00:07:20,100 --> 00:07:21,100
不敢发

241
00:07:21,100 --> 00:07:22,100
Sunny又催了一次

242
00:07:22,100 --> 00:07:23,100
他才终于送出去

243
00:07:23,100 --> 00:07:24,100
Jensen几乎是秒回

244
00:07:24,100 --> 00:07:26,100
只说了三个字有意思

245
00:07:26,100 --> 00:07:28,100
聊聊从展示出一个能跑的原型

246
00:07:28,100 --> 00:07:29,100
到NVN正式出手

247
00:07:29,100 --> 00:07:32,100
只花了大约30天成交金额200亿美元

248
00:07:32,100 --> 00:07:34,100
是NVN史上最大的一笔收购

249
00:07:34,100 --> 00:07:35,100
Brad的感慨是

250
00:07:35,100 --> 00:07:36,100
这种天大的交易

251
00:07:36,100 --> 00:07:39,100
常常就起于某一天某一个人的一个小决定

252
00:07:39,100 --> 00:07:41,100
而NVN之所以肯砸这么多钱

253
00:07:41,100 --> 00:07:44,100
是因为Groku手上有一个很具体的本事

254
00:07:44,100 --> 00:07:45,100
这个本事

255
00:07:45,100 --> 00:07:46,100
说穿了就是省电

256
00:07:46,100 --> 00:07:49,100
你可以把一座AI资料中心想象成一间Token

257
00:07:49,100 --> 00:07:51,100
工厂一端塞进电力和晶片

258
00:07:51,100 --> 00:07:52,100
另一端吐出Token

259
00:07:52,100 --> 00:07:54,100
而Groku和NVN合体之后

260
00:07:54,100 --> 00:07:56,100
在同一栋厂房用同样的一度电

261
00:07:56,100 --> 00:07:58,100
Token的产出可以多出两倍半

262
00:07:58,100 --> 00:08:00,100
这在别的产业听起来平平无奇

263
00:08:00,100 --> 00:08:02,100
但在AI的世界这是天大的事

264
00:08:02,100 --> 00:08:04,100
因为这座工厂真正的瓶颈

265
00:08:04,100 --> 00:08:06,100
从来不是厂房而是电力

266
00:08:06,100 --> 00:08:07,100
当电是你的天花板

267
00:08:07,100 --> 00:08:09,100
任何能让同样的电

268
00:08:09,100 --> 00:08:11,100
多吐一倍半Token的技术

269
00:08:11,100 --> 00:08:13,100
就等于凭空多出一大块产能

270
00:08:13,100 --> 00:08:14,100
直接变成钱

271
00:08:14,100 --> 00:08:15,100
省下的每一瓦都是钱

272
00:08:15,100 --> 00:08:16,100
这也解释了

273
00:08:16,100 --> 00:08:17,100
为什么运算成本

274
00:08:17,100 --> 00:08:18,100
能在短短几年里

275
00:08:18,100 --> 00:08:21,100
崩跌到一个让人不敢相信的地步

276
00:08:21,100 --> 00:08:23,100
这里有一个违反常识的现象

277
00:08:23,100 --> 00:08:25,100
过去两年半跑一次

278
00:08:25,100 --> 00:08:26,100
AI也就是推论的成本

279
00:08:26,100 --> 00:08:28,100
下降了大约9成9

280
00:08:28,100 --> 00:08:29,100
几乎是崩掉了

281
00:08:29,100 --> 00:08:30,100
照理说成本降这么多

282
00:08:30,100 --> 00:08:32,100
大家的花费应该大减才对

283
00:08:32,100 --> 00:08:33,100
对吧

284
00:08:33,100 --> 00:08:34,100
结果完全相反

285
00:08:34,100 --> 00:08:35,100
总支出不减反真

286
00:08:35,100 --> 00:08:37,100
连旧晶片的租金都在涨

287
00:08:37,100 --> 00:08:38,100
这在经济学上有个名字叫

288
00:08:38,100 --> 00:08:39,100
杰文斯悖论

289
00:08:39,100 --> 00:08:40,100
他的意思是

290
00:08:40,100 --> 00:08:42,100
当一样东西变便宜变好用

291
00:08:42,100 --> 00:08:44,100
人们反而会用得更凶

292
00:08:44,100 --> 00:08:46,100
凶到把省下来的钱全部又花回去

293
00:08:46,100 --> 00:08:47,100
甚至花更多

294
00:08:47,100 --> 00:08:49,100
当年蒸汽机效率提升

295
00:08:49,100 --> 00:08:50,100
没反而烧的更多

296
00:08:50,100 --> 00:08:51,100
就是这个道理

297
00:08:51,100 --> 00:08:52,100
AI也一样

298
00:08:52,100 --> 00:08:54,100
因为他同时在变聪明变便宜

299
00:08:54,100 --> 00:08:56,100
需求就像决堤一样涌出来

300
00:08:56,100 --> 00:08:58,100
所以就算成本一路狂降

301
00:08:58,100 --> 00:08:59,100
账单还是越来越厚

302
00:08:59,100 --> 00:09:00,100
而就在这个当口

303
00:09:00,100 --> 00:09:01,100
发生了一件

304
00:09:01,100 --> 00:09:03,100
让泡沫论者集体改口的事

305
00:09:03,100 --> 00:09:06,100
那件事是其中一家最前线的实验室

306
00:09:06,100 --> 00:09:08,100
营收连续三个月往上跳

307
00:09:08,100 --> 00:09:10,100
而且一个月比一个月跳的高幅度大

308
00:09:10,100 --> 00:09:12,100
到让原本喊泡沫的人都闭了嘴

309
00:09:12,100 --> 00:09:14,100
为什么这件事这么关键

310
00:09:14,100 --> 00:09:16,100
因为他证明了那场豪赌的第二只脚

311
00:09:16,100 --> 00:09:18,100
人们愿意为聪明付的钱

312
00:09:18,100 --> 00:09:19,100
真的在暴涨

313
00:09:19,100 --> 00:09:21,100
当成本一路往下营收一路往上

314
00:09:21,100 --> 00:09:23,100
这两条线一交叉

315
00:09:23,100 --> 00:09:25,100
那个花一块钱卖两毛的黑洞就开始翻证

316
00:09:25,100 --> 00:09:26,100
Brad说

317
00:09:26,100 --> 00:09:28,100
这是他第一次看到一家公司的营收曲线

318
00:09:28,100 --> 00:09:30,100
跟模型变聪明的曲线

319
00:09:30,100 --> 00:09:33,100
贴在同一条指数线上往上冲

320
00:09:33,100 --> 00:09:34,100
从这一刻起泡沫的质疑

321
00:09:34,100 --> 00:09:35,100
换了一个方向

322
00:09:35,100 --> 00:09:37,100
而更让人不安的是接下来这一幕

323
00:09:37,100 --> 00:09:39,100
四个平常吵个不停的人

324
00:09:39,100 --> 00:09:41,100
罕见的说了同一句话

325
00:09:41,100 --> 00:09:43,100
Brad转述最近私底下

326
00:09:43,100 --> 00:09:45,100
Dario Sam还有Elon跟Janson

327
00:09:45,100 --> 00:09:47,100
这四个平常立场南辕北辙的人

328
00:09:47,100 --> 00:09:49,100
罕见的讲了同一句话

329
00:09:49,100 --> 00:09:52,100
那就是我们几乎已经走到指数曲线的尽头了

330
00:09:52,100 --> 00:09:54,100
而大家好像根本还没发现他们的意思是

331
00:09:54,100 --> 00:09:57,100
那个大家口中的强人工智慧

332
00:09:57,100 --> 00:09:58,100
来的会比预期更早

333
00:09:58,100 --> 00:10:00,100
这句话你可以信一半移一半

334
00:10:00,100 --> 00:10:03,100
但重点在于当下注最重的四个人同时这样说

335
00:10:03,100 --> 00:10:06,100
接下来真正的难题就不再是能不能做出来

336
00:10:06,100 --> 00:10:09,100
而是做出来之后这么大的财富要怎么分配

337
00:10:09,100 --> 00:10:11,100
累积财富会前所未有力

338
00:10:11,100 --> 00:10:13,100
容易分配会前所未有力

339
00:10:13,100 --> 00:10:15,100
难讲完了为什么要烧钱

340
00:10:15,100 --> 00:10:16,100
以及钱正在翻证

341
00:10:16,100 --> 00:10:18,100
我们该亲眼去看这些钱

342
00:10:18,100 --> 00:10:20,100
到底在地面上盖出了什么

343
00:10:20,100 --> 00:10:21,100
这门课第四堂

344
00:10:21,100 --> 00:10:23,100
我们从财报走进工地

345
00:10:23,100 --> 00:10:24,100
讲者是Charles Lockmiller

346
00:10:24,100 --> 00:10:26,100
一家叫Cruzzo的基建公司的执行长

347
00:10:26,100 --> 00:10:27,100
他同时是个登山狂

348
00:10:27,100 --> 00:10:29,100
七大洲最高峰爬了五座

349
00:10:29,100 --> 00:10:30,100
包含圣母峰

350
00:10:30,100 --> 00:10:31,100
这个背景不是闲聊

351
00:10:31,100 --> 00:10:33,100
因为盖一座AI工厂跟登山一样

352
00:10:33,100 --> 00:10:34,100
有计划

353
00:10:34,100 --> 00:10:35,100
A计划B

354
00:10:35,100 --> 00:10:36,100
还有计划B的备案

355
00:10:36,100 --> 00:10:39,100
他做的事就是帮那些最大的科技巨头

356
00:10:39,100 --> 00:10:41,100
把AI工厂从一块空地盖起来

357
00:10:41,100 --> 00:10:43,100
他说AI说到底是资料演算法

358
00:10:43,100 --> 00:10:45,100
算力能源加上资料中心

359
00:10:45,100 --> 00:10:47,100
前两项是实验室的事

360
00:10:47,100 --> 00:10:49,100
而钱主要烧在后面那三项

361
00:10:49,100 --> 00:10:50,100
也就是他的地盘

362
00:10:50,100 --> 00:10:51,100
他摊开一张收据

363
00:10:51,100 --> 00:10:54,100
让大家看清楚这些钱到底怎么花

364
00:10:54,100 --> 00:10:55,100
Chase有一句话

365
00:10:55,100 --> 00:10:57,100
把很多人心中神秘的资料中心

366
00:10:57,100 --> 00:10:58,100
一下子拉回地面

367
00:10:58,100 --> 00:11:00,100
他说资料中心缩穿了

368
00:11:00,100 --> 00:11:03,100
就是一栋有电有冷却能插电脑的建筑

369
00:11:03,100 --> 00:11:04,100
就这么简单

370
00:11:04,100 --> 00:11:05,100
可是他马上补一句

371
00:11:05,100 --> 00:11:08,100
一旦你把这栋房子放大到一整座城市用电的规模

372
00:11:08,100 --> 00:11:11,100
他就变成即化工机械电机

373
00:11:11,100 --> 00:11:13,100
还有资讯工程余医生的工程巅峰

374
00:11:13,100 --> 00:11:16,100
这就像你家的电箱跟一座城市的变电站

375
00:11:16,100 --> 00:11:17,100
本质上是同一件事

376
00:11:17,100 --> 00:11:18,100
但难度差了几万倍

377
00:11:18,100 --> 00:11:20,100
他用家乡丹佛当此说

378
00:11:20,100 --> 00:11:21,100
他们盖的一个圆区

379
00:11:21,100 --> 00:11:23,100
用电量等于两个丹佛市

380
00:11:23,100 --> 00:11:24,100
整座城市的电

381
00:11:24,100 --> 00:11:26,100
全部拿去喂电脑

382
00:11:26,100 --> 00:11:27,100
而要衡量这种规模

383
00:11:27,100 --> 00:11:28,100
得换一个单位叫百万瓦

384
00:11:28,100 --> 00:11:31,100
这也是看懂那张收据的关键

385
00:11:31,100 --> 00:11:32,100
百万瓦

386
00:11:32,100 --> 00:11:34,100
就是这座工厂一次能吃掉多少电

387
00:11:34,100 --> 00:11:36,100
确实把一格百万瓦的算力

388
00:11:36,100 --> 00:11:37,100
一项一项算给你看

389
00:11:37,100 --> 00:11:38,100
盖楼加上自己发电

390
00:11:38,100 --> 00:11:40,100
要2000万美元

391
00:11:40,100 --> 00:11:42,100
里面塞的晶片是最贵的一块

392
00:11:42,100 --> 00:11:43,100
再花3000万

393
00:11:43,100 --> 00:11:45,100
加上把几万张晶片串起来的网路

394
00:11:45,100 --> 00:11:46,100
帮他散热的冷却

395
00:11:46,100 --> 00:11:48,100
还有储存又是1000万一格

396
00:11:48,100 --> 00:11:50,100
百万瓦总价大约6000万美元

397
00:11:50,100 --> 00:11:52,100
而现在动不动就在盖

398
00:11:52,100 --> 00:11:53,100
11瓦等级的圆区

399
00:11:53,100 --> 00:11:55,100
1000格这样叠起来

400
00:11:55,100 --> 00:11:57,100
光一个圆区就是600亿美元

401
00:11:57,100 --> 00:11:58,100
这还只是盖起来

402
00:11:58,100 --> 00:12:00,100
电费和维修都还没算进去

403
00:12:00,100 --> 00:12:01,100
你把这张收据对照一下

404
00:12:01,100 --> 00:12:03,100
前面那个倒三角就懂了

405
00:12:03,100 --> 00:12:04,100
为什么晶片那一层

406
00:12:04,100 --> 00:12:05,100
能吃掉大部分的钱

407
00:12:05,100 --> 00:12:07,100
因为光是硬体就占了收据的一半

408
00:12:07,100 --> 00:12:10,100
可是盖这么贵多久才赚的回来

409
00:12:10,100 --> 00:12:12,100
这里藏着一个关键的分叉

410
00:12:12,100 --> 00:12:14,100
确实算给大家看

411
00:12:14,100 --> 00:12:16,100
如果你只是单纯把晶片租出去

412
00:12:16,100 --> 00:12:18,100
让别人拿去用那台6000万美元的机器

413
00:12:18,100 --> 00:12:20,100
大概要4年才赚的回来

414
00:12:20,100 --> 00:12:22,100
但如果你网上多做一层

415
00:12:22,100 --> 00:12:23,100
不只租硬体

416
00:12:23,100 --> 00:12:25,100
还直接帮客户把AI服务跑好

417
00:12:25,100 --> 00:12:26,100
按用量卖出去

418
00:12:26,100 --> 00:12:28,100
回本时间可以直接砍到两年

419
00:12:28,100 --> 00:12:30,100
这就像你有一台烤箱

420
00:12:30,100 --> 00:12:31,100
你可以把烤箱租给人家

421
00:12:31,100 --> 00:12:32,100
也可以自己烤面包来卖

422
00:12:32,100 --> 00:12:33,100
后者当然赚的多

423
00:12:33,100 --> 00:12:34,100
回的快

424
00:12:34,100 --> 00:12:35,100
多做一层

425
00:12:35,100 --> 00:12:36,100
快了一倍

426
00:12:36,100 --> 00:12:37,100
你发现了吗

427
00:12:37,100 --> 00:12:39,100
这其实就是那个倒三角

428
00:12:39,100 --> 00:12:41,100
开始松动的第一个小征兆价值

429
00:12:41,100 --> 00:12:44,100
真一点一点从纯硬体往上爬

430
00:12:44,100 --> 00:12:45,100
不过在往上爬之前

431
00:12:45,100 --> 00:12:46,100
我们得先破解三个

432
00:12:46,100 --> 00:12:49,100
关于这些工厂的流传最广的误会

433
00:12:49,100 --> 00:12:52,100
答案可能跟你在新闻上听到都不一样

434
00:12:52,100 --> 00:12:53,100
第一个误会

435
00:12:53,100 --> 00:12:54,100
很多人以为卡在晶片不够

436
00:12:54,100 --> 00:12:57,100
但Chase说晶片这一关4年前就过了

437
00:12:57,100 --> 00:12:59,100
现在真正缺的是一块已经通好电

438
00:12:59,100 --> 00:13:02,100
可以直接插晶片开机的建筑

439
00:13:02,100 --> 00:13:03,100
第二个误会

440
00:13:03,100 --> 00:13:04,100
是AI喝光了水

441
00:13:04,100 --> 00:13:07,100
他反驳说这种工厂灌一次冷却水之后

442
00:13:07,100 --> 00:13:09,100
一整年的用水量大概只等于一户普通人家

443
00:13:09,100 --> 00:13:11,100
第三个误会是旧晶片会变垃圾

444
00:13:11,100 --> 00:13:13,100
结果因为AI代理需求爆发

445
00:13:13,100 --> 00:13:15,100
三年前的旧晶片租金不跌返涨

446
00:13:15,100 --> 00:13:17,100
比刚上市还贵

447
00:13:17,100 --> 00:13:19,100
那真正的瓶预是什么

448
00:13:19,100 --> 00:13:22,100
是电力还有钙电厂的焊工和水电工

449
00:13:22,100 --> 00:13:24,100
一格百万瓦的建设里光付给工人的工钱

450
00:13:24,100 --> 00:13:26,100
就要好几百万美元

451
00:13:26,100 --> 00:13:27,100
工人比晶片还难找

452
00:13:27,100 --> 00:13:30,100
而这一切疯狂的背后藏着一个经济学家

453
00:13:30,100 --> 00:13:32,100
听了会眼睛发亮的理由

454
00:13:32,100 --> 00:13:34,100
Chase用一个经济学框架解释了

455
00:13:34,100 --> 00:13:36,100
为什么全世界会集体封成这样

456
00:13:36,100 --> 00:13:38,100
一个国家的经济要成长

457
00:13:38,100 --> 00:13:40,100
靠的无非是三样更多的人力

458
00:13:40,100 --> 00:13:42,100
更多的资本更好的技术

459
00:13:42,100 --> 00:13:44,100
而过去几千年人力这一项

460
00:13:44,100 --> 00:13:46,100
想增加只有一条陆生小孩

461
00:13:46,100 --> 00:13:48,100
你得等他出生养大送去上学

462
00:13:48,100 --> 00:13:51,100
前后要20年快不了他自己有三个小孩

463
00:13:51,100 --> 00:13:52,100
最懂这有多慢

464
00:13:52,100 --> 00:13:54,100
可是现在史上第一次你可以用下单

465
00:13:54,100 --> 00:13:56,100
买晶片盖资料中心的方式

466
00:13:56,100 --> 00:13:59,100
直接数位地制造出一批新的劳动力

467
00:13:59,100 --> 00:14:02,100
这批劳动力不用睡觉不用吃饭开机就能上工

468
00:14:02,100 --> 00:14:05,100
当一个人意识到钱可以直接换成劳动力

469
00:14:05,100 --> 00:14:07,100
换成整个国家的经济成长你就懂了

470
00:14:07,100 --> 00:14:10,100
为什么他们愿意把几兆美元眼睛都不眨的砸下去

471
00:14:10,100 --> 00:14:15,100
而Cruzor盖工厂的地点选择更是反直觉到有点好笑

472
00:14:15,100 --> 00:14:18,100
大家都跑去北维吉尼亚排队抢电的时候

473
00:14:18,100 --> 00:14:21,100
Cruzor反过来跑去人烟稀少的西德州

474
00:14:21,100 --> 00:14:24,100
为什么因为那里风大太阳大政府又补贴过度

475
00:14:24,100 --> 00:14:28,100
再生能源盖的太多电多到送不出去价格一度变成负的

476
00:14:28,100 --> 00:14:29,100
你没听错是负的

477
00:14:29,100 --> 00:14:32,100
发电人得倒贴钱求别人把电用掉

478
00:14:32,100 --> 00:14:34,100
这时候他们就登门说太好了

479
00:14:34,100 --> 00:14:36,100
我们正好有一个超级吃电的应用

480
00:14:36,100 --> 00:14:40,100
这一步起很妙与其花大钱把电从远方搬过来

481
00:14:40,100 --> 00:14:43,100
不如把整座资料中心直接盖在店最便宜的地方

482
00:14:43,100 --> 00:14:44,100
把资料搬过去

483
00:14:44,100 --> 00:14:46,100
别人头痛的难题

484
00:14:46,100 --> 00:14:47,100
变成了他们的护城河

485
00:14:47,100 --> 00:14:49,100
看完了地面上这些钢筋水泥

486
00:14:49,100 --> 00:14:53,100
我们得再往上游走一步去看一个更根本的东西

487
00:14:53,100 --> 00:14:55,100
这些巨头买的其实根本不是晶片

488
00:14:55,100 --> 00:14:56,100
这门客

489
00:14:56,100 --> 00:14:58,100
第六堂回到母校演讲的是Sachin Khati

490
00:14:58,100 --> 00:15:01,100
他的资历横跨整个运算堆叠在史丹佛教了

491
00:15:01,100 --> 00:15:05,100
15年书当过intel的基础长最近离开加入open ai

492
00:15:05,100 --> 00:15:08,100
负责一件事把open ai需要的所有算力实际交付出来

493
00:15:08,100 --> 00:15:11,100
也就是那个超大计划Stagate的实际执行者

494
00:15:11,100 --> 00:15:16,100
主持人形容他是看过从电子一路到agent整条供应链的人

495
00:15:16,100 --> 00:15:18,100
他丢出的第一句话就非常反直觉

496
00:15:18,100 --> 00:15:20,100
营收只是算力的落后指标

497
00:15:20,100 --> 00:15:22,100
这句话什么意思我们等一下会解释

498
00:15:22,100 --> 00:15:26,100
但在那之前他先纠正了一个大家对这门生意的根本误解

499
00:15:26,100 --> 00:15:30,100
当open ai说要采购算力他们买的根本不是晶片

500
00:15:30,100 --> 00:15:32,100
是一整条供应链

501
00:15:32,100 --> 00:15:38,100
从最上游的一块地一座电厂到一整柜一整柜的晶片和记忆体

502
00:15:38,100 --> 00:15:41,100
再到把几万张晶片串起来的网路

503
00:15:41,100 --> 00:15:43,100
还有帮他们散热的冷却

504
00:15:43,100 --> 00:15:45,100
最后才吐得出token这一整串

505
00:15:45,100 --> 00:15:47,100
缺任何一个环节整座工厂就开不了机

506
00:15:47,100 --> 00:15:50,100
这就像你想煮一顿饭光有食材不够

507
00:15:50,100 --> 00:15:53,100
你还要有厨房有瓦斯有水电任何一样没接好

508
00:15:53,100 --> 00:15:54,100
饭就是煮不出来

509
00:15:54,100 --> 00:15:58,100
而这些东西美国其实已经很久没有大规模在盖了变压器

510
00:15:58,100 --> 00:16:02,100
变压器开关设备发电机一个一个轮流变成瓶颈

511
00:16:02,100 --> 00:16:06,100
所以他说真正困难的根本不是签下那张采购合约

512
00:16:06,100 --> 00:16:08,100
他说签约是最有趣的部分

513
00:16:08,100 --> 00:16:10,100
签完之后的一切才是真正困难的地方

514
00:16:10,100 --> 00:16:14,100
这句话任何装修过房子办过混理的人都秒懂

515
00:16:14,100 --> 00:16:18,100
签合约的那一刻大家握手拍照开香槟感觉大功告成

516
00:16:18,100 --> 00:16:21,100
可真正的苦工是后面那几百件会出错的小事

517
00:16:21,100 --> 00:16:23,100
放到AI工厂的规模

518
00:16:23,100 --> 00:16:27,100
这些小事是变压器要等一年是焊工不够是电网承受不住

519
00:16:27,100 --> 00:16:29,100
他要处理的是把几百亿美元的采购

520
00:16:29,100 --> 00:16:32,100
变成一栋真的能开机能稳定跑的工厂

521
00:16:32,100 --> 00:16:35,100
也正因为这条供应链这么难这么慢他才敢说

522
00:16:35,100 --> 00:16:37,100
营收只是算力的落后指标

523
00:16:37,100 --> 00:16:40,100
这句话其实藏着一个很大胆的预测

524
00:16:40,100 --> 00:16:42,100
他说对这些最前线的实验室来说

525
00:16:42,100 --> 00:16:44,100
你有多少算力程上用的多满

526
00:16:44,100 --> 00:16:46,100
基本上就决定了你能赚多少

527
00:16:46,100 --> 00:16:48,100
OpenAI过去三年算力每年涨三倍

528
00:16:48,100 --> 00:16:50,100
营收也刚好每年涨三倍

529
00:16:50,100 --> 00:16:53,100
两条线贴的死死的看不到镜头

530
00:16:53,100 --> 00:16:55,100
所以营收是跟在算力后面走的

531
00:16:55,100 --> 00:16:57,100
这就是落后指标的意思

532
00:16:57,100 --> 00:16:58,100
他带来一个很实用的看法

533
00:16:58,100 --> 00:17:00,100
当你看到OpenAI帕命公布

534
00:17:00,100 --> 00:17:03,100
未来要盖多少算力那张一路往上的图

535
00:17:03,100 --> 00:17:06,100
你可以直接把它当成一张营收预测图来读

536
00:17:06,100 --> 00:17:08,100
这也解释了前面Bread说的

537
00:17:08,100 --> 00:17:10,100
为什么明明还在烧钱

538
00:17:10,100 --> 00:17:12,100
以前却敢一直往最底层砸

539
00:17:12,100 --> 00:17:14,100
因为底层的算力就是未来营收本身

540
00:17:14,100 --> 00:17:16,100
而Agent的出现还悄悄改变了

541
00:17:16,100 --> 00:17:18,100
这座工厂内不长什么样子

542
00:17:18,100 --> 00:17:20,100
这里先解释Agent这个词

543
00:17:20,100 --> 00:17:23,100
Agent就是能自己动手连续做很多步的AI

544
00:17:23,100 --> 00:17:24,100
不只是回答你

545
00:17:24,100 --> 00:17:25,100
而是替你把事情做完

546
00:17:25,100 --> 00:17:29,100
Sachin说这个转变把运算的样子整个改写了

547
00:17:29,100 --> 00:17:30,100
第一种是纯聊天

548
00:17:30,100 --> 00:17:31,100
你问一句他答一句

549
00:17:31,100 --> 00:17:32,100
运算上就是单

550
00:17:32,100 --> 00:17:34,100
一个节点很单纯

551
00:17:34,100 --> 00:17:35,100
第二种是会推理的AI

552
00:17:35,100 --> 00:17:37,100
他会在心里想很多步

553
00:17:37,100 --> 00:17:39,100
才给你答案变成好几个节点

554
00:17:39,100 --> 00:17:41,100
第三种也就是Agent是一整张图

555
00:17:41,100 --> 00:17:42,100
他会推理去查资料

556
00:17:42,100 --> 00:17:44,100
打开一台虚拟机器跑测试

557
00:17:44,100 --> 00:17:46,100
再回来继续想一步接一步

558
00:17:46,100 --> 00:17:48,100
这种复杂的工作

559
00:17:48,100 --> 00:17:50,100
光靠GPU在经济上撑不起来

560
00:17:50,100 --> 00:17:51,100
所以要混用各种晶片

561
00:17:51,100 --> 00:17:54,100
连本来被看衰的CPU都因此复活了

562
00:17:54,100 --> 00:17:55,100
而这张越来越复杂的图

563
00:17:55,100 --> 00:17:57,100
也带来一个大家没料到的

564
00:17:57,100 --> 00:17:58,100
看不见的风险

565
00:17:58,100 --> 00:18:00,100
这个风险藏在电网里

566
00:18:00,100 --> 00:18:01,100
当一座资料中心里

567
00:18:01,100 --> 00:18:02,100
呈千上万张晶片

568
00:18:02,100 --> 00:18:04,100
同时开始一个训练任务

569
00:18:04,100 --> 00:18:06,100
又同时停下来整栋楼的功耗

570
00:18:06,100 --> 00:18:08,100
会在一瞬间同上同下

571
00:18:08,100 --> 00:18:10,100
摆动的幅度可能高达好几百个百万瓦

572
00:18:10,100 --> 00:18:12,100
这就像一整座城市的人约好在同一秒

573
00:18:12,100 --> 00:18:15,100
一起打开又一起关掉所有电器

574
00:18:15,100 --> 00:18:17,100
问题是全世界的电网

575
00:18:17,100 --> 00:18:19,100
从来没有为这种瞬间的巨大摆动设计过

576
00:18:19,100 --> 00:18:22,100
严重的话足以让一整周的电跳掉

577
00:18:22,100 --> 00:18:24,100
这是一个大多数人完全没想到的

578
00:18:24,100 --> 00:18:26,100
AI扩张的物理极限

579
00:18:26,100 --> 00:18:28,100
而SATING最有画面感

580
00:18:28,100 --> 00:18:30,100
是他对未来的一个愿景

581
00:18:30,100 --> 00:18:33,100
一个把人和AI的关系整个颠倒过来的世界

582
00:18:33,100 --> 00:18:35,100
这句话乍听有点怪

583
00:18:35,100 --> 00:18:36,100
人怎么会想当瓶颈

584
00:18:36,100 --> 00:18:37,100
他的意思是这样

585
00:18:37,100 --> 00:18:39,100
现在你交一个任务给AI

586
00:18:39,100 --> 00:18:41,100
他跑个几分钟甚至几小时

587
00:18:41,100 --> 00:18:43,100
这中间你早就分心去做别的事了

588
00:18:43,100 --> 00:18:44,100
等他回来问你问题

589
00:18:44,100 --> 00:18:45,100
你还得花力气

590
00:18:45,100 --> 00:18:48,100
把当初的来龙去脉重新想一遍

591
00:18:48,100 --> 00:18:49,100
这很没效率

592
00:18:49,100 --> 00:18:50,100
他想要的是反过来

593
00:18:50,100 --> 00:18:51,100
AI快到不断追着你

594
00:18:51,100 --> 00:18:53,100
催着你给下一步指令

595
00:18:53,100 --> 00:18:55,100
让你整个人保持在那种很专注

596
00:18:55,100 --> 00:18:56,100
很顺的心流状态里

597
00:18:56,100 --> 00:18:58,100
到那个时候慢的拖后腿的会是人类

598
00:18:58,100 --> 00:18:59,100
而不是AI

599
00:18:59,100 --> 00:19:01,100
这是一个很美的愿景

600
00:19:01,100 --> 00:19:02,100
可是回到现实

601
00:19:02,100 --> 00:19:04,100
一个尴尬的问题浮现了

602
00:19:04,100 --> 00:19:05,100
这些算力都盖好了

603
00:19:05,100 --> 00:19:07,100
真正掏钱的企业用起来了吗

604
00:19:07,100 --> 00:19:09,100
答案泼了所有人一盆冷水

605
00:19:09,100 --> 00:19:11,100
这本课第五堂

606
00:19:11,100 --> 00:19:12,100
换一个视角

607
00:19:12,100 --> 00:19:14,100
从盖工厂的人换到看企业怎么用AI的人

608
00:19:14,100 --> 00:19:16,100
讲者是Aleth Gautzy

609
00:19:16,100 --> 00:19:17,100
Deadbricks的执行长

610
00:19:17,100 --> 00:19:18,100
带着公司走了15年

611
00:19:18,100 --> 00:19:20,100
手上有2万多家企业客户

612
00:19:20,100 --> 00:19:21,100
这个数字很关键

613
00:19:21,100 --> 00:19:25,100
因为它意味着全世界企业导入AI的真实状况

614
00:19:25,100 --> 00:19:27,100
他看的比谁都清楚

615
00:19:27,100 --> 00:19:28,100
他一开口就说了一句

616
00:19:28,100 --> 00:19:29,100
让很多人意外的话

617
00:19:29,100 --> 00:19:31,100
我们早就有强人工智慧了

618
00:19:31,100 --> 00:19:33,100
他已经比你日常打交道的很多人都聪明

619
00:19:33,100 --> 00:19:35,100
他甚至当场做了个举手实验

620
00:19:35,100 --> 00:19:38,100
证明学生自己都自相矛盾

621
00:19:38,100 --> 00:19:39,100
但如果AI真的这么聪明

622
00:19:39,100 --> 00:19:41,100
一个尖锐的问题就来了

623
00:19:41,100 --> 00:19:43,100
那为什么企业花大钱导入

624
00:19:43,100 --> 00:19:45,100
却几乎全军覆没

625
00:19:45,100 --> 00:19:46,100
Aleth Gautzy

626
00:19:46,100 --> 00:19:47,100
引用一份MIT的报告

627
00:19:47,100 --> 00:19:48,100
数字冷的让人清醒

628
00:19:48,100 --> 00:19:50,100
高达9成5的企业AI

629
00:19:50,100 --> 00:19:51,100
试点最后是失败的

630
00:19:51,100 --> 00:19:53,100
没能真正上限变成生产力

631
00:19:53,100 --> 00:19:54,100
注意他特别强调

632
00:19:54,100 --> 00:19:56,100
这不是因为模型太笨

633
00:19:56,100 --> 00:19:58,100
前面说了模型早就够聪明了真正的原因

634
00:19:58,100 --> 00:20:00,100
藏在一个大家都忽略的地方

635
00:20:00,100 --> 00:20:03,100
他说每一家公司里都有一个做了几十年

636
00:20:03,100 --> 00:20:05,100
什么都知道的老员工

637
00:20:05,100 --> 00:20:06,100
你有问题去问他就对了

638
00:20:06,100 --> 00:20:09,100
可是他脑子里那套只有这家公司才懂得规矩

639
00:20:09,100 --> 00:20:11,100
那些从来没写下来的经验

640
00:20:11,100 --> 00:20:12,100
AI完全不知道

641
00:20:12,100 --> 00:20:15,100
这些藏在人脑里没进到模型里的东西

642
00:20:15,100 --> 00:20:17,100
有个名字叫机构知识

643
00:20:17,100 --> 00:20:19,100
少了他再聪明的AI

644
00:20:19,100 --> 00:20:21,100
一进到你公司内部就变得手足无措

645
00:20:21,100 --> 00:20:23,100
所以他下了一个很重的结论

646
00:20:23,100 --> 00:20:25,100
他说这不是AI的问题

647
00:20:25,100 --> 00:20:26,100
是人的问题

648
00:20:26,100 --> 00:20:28,100
这句话值得停来想一下

649
00:20:28,100 --> 00:20:30,100
我们总习惯把失败怪到技术头上说

650
00:20:30,100 --> 00:20:32,100
AI还不够好还不够聪明

651
00:20:32,100 --> 00:20:34,100
可是AI说不对

652
00:20:34,100 --> 00:20:35,100
模型早就够好了

653
00:20:35,100 --> 00:20:36,100
卡住的是我们自己

654
00:20:36,100 --> 00:20:38,100
是我们没有把脑子里的东西交给他

655
00:20:38,100 --> 00:20:40,100
是我们的流程还停在旧时代

656
00:20:40,100 --> 00:20:43,100
他说想在这波AI里真正做出影响力

657
00:20:43,100 --> 00:20:44,100
别去追

658
00:20:44,100 --> 00:20:45,100
怎么让模型更聪明

659
00:20:45,100 --> 00:20:46,100
去解决一件更土

660
00:20:46,100 --> 00:20:47,100
但更值钱的事

661
00:20:47,100 --> 00:20:50,100
怎么把一家公司的机构知识灌进AI里

662
00:20:50,100 --> 00:20:52,100
为了说明这件事有多难卡在哪

663
00:20:52,100 --> 00:20:54,100
他讲了一个他自己公司的故事

664
00:20:54,100 --> 00:20:56,100
是全场最精彩的一段

665
00:20:56,100 --> 00:20:57,100
你可以想想

666
00:20:57,100 --> 00:20:59,100
你自己的公司是不是也有这么一个人

667
00:20:59,100 --> 00:21:01,100
可能是做了20年的老会计

668
00:21:01,100 --> 00:21:03,100
可能是那个唯一搞得懂

669
00:21:03,100 --> 00:21:04,100
救系统的工程师

670
00:21:04,100 --> 00:21:05,100
遇到怪问题

671
00:21:05,100 --> 00:21:07,100
大家第一句都是去问他

672
00:21:07,100 --> 00:21:09,100
这个人脑子里装着这家公司

673
00:21:09,100 --> 00:21:12,100
所有没写下来的规矩和美角

674
00:21:12,100 --> 00:21:15,100
他要是哪天请长假整个团队就卡住了

675
00:21:15,100 --> 00:21:17,100
AI说这就是企业AI真正的难关

676
00:21:17,100 --> 00:21:19,100
你要做的不是把AI变得更聪明

677
00:21:19,100 --> 00:21:22,100
而是想办法把这个老员工脑子里那套东西

678
00:21:22,100 --> 00:21:24,100
一点一点搬进硅金片里

679
00:21:24,100 --> 00:21:25,100
让探机的经验

680
00:21:25,100 --> 00:21:27,100
跟硅机的智慧对话

681
00:21:27,100 --> 00:21:28,100
这件事听起来简单

682
00:21:28,100 --> 00:21:29,100
做起来却难如登天

683
00:21:29,100 --> 00:21:31,100
难道让一个看似简单的软体任务

684
00:21:31,100 --> 00:21:33,100
卡了整整9个月

685
00:21:33,100 --> 00:21:34,100
阿力的公司

686
00:21:34,100 --> 00:21:36,100
要做一种叫连接器的软体

687
00:21:36,100 --> 00:21:37,100
把不同系统接起来

688
00:21:37,100 --> 00:21:38,100
本来一条要做9个月

689
00:21:38,100 --> 00:21:41,100
他自己用AI两天就写出一个玩具版

690
00:21:41,100 --> 00:21:42,100
回头质问团队

691
00:21:42,100 --> 00:21:43,100
为什么要9个月

692
00:21:43,100 --> 00:21:45,100
团队研究之后回复AI确实有用

693
00:21:45,100 --> 00:21:47,100
但顶多把9个月说到7个半月

694
00:21:47,100 --> 00:21:49,100
因为真正的瓶颈根本不在写程式

695
00:21:49,100 --> 00:21:51,100
而在产品经理要花一整季访谈

696
00:21:51,100 --> 00:21:52,100
写80页需求书

697
00:21:52,100 --> 00:21:54,100
在测试环境很难架

698
00:21:54,100 --> 00:21:56,100
在一条线只有一个人扛

699
00:21:56,100 --> 00:21:57,100
那个人请假就全停

700
00:21:57,100 --> 00:22:00,100
后来一位工程师干脆把整套流程重写

701
00:22:00,100 --> 00:22:01,100
需求书一周写完

702
00:22:01,100 --> 00:22:03,100
反正软体便宜错了再改

703
00:22:03,100 --> 00:22:04,100
测试外包出去

704
00:22:04,100 --> 00:22:06,100
平行座7个人一起扛7条

705
00:22:06,100 --> 00:22:08,100
结果一季出了7条

706
00:22:08,100 --> 00:22:09,100
他的结论很直白

707
00:22:09,100 --> 00:22:11,100
换再强的模型都救不了你

708
00:22:11,100 --> 00:22:13,100
这是人类的流程要重新接线

709
00:22:13,100 --> 00:22:15,100
而历史上这种重新接线慢得惊人

710
00:22:15,100 --> 00:22:17,100
阿力搬出一段历史

711
00:22:17,100 --> 00:22:19,100
电力早在1880年就发明了

712
00:22:19,100 --> 00:22:21,100
可是他反映在工厂的生产力数字上

713
00:22:21,100 --> 00:22:23,100
整整等了40年到1920年才出现

714
00:22:23,100 --> 00:22:26,100
为什么这么慢

715
00:22:26,100 --> 00:22:28,100
因为工厂一开始只是把蒸汽机

716
00:22:28,100 --> 00:22:31,100
换成一台大电动马达机器摆放的位置

717
00:22:31,100 --> 00:22:32,100
完全没变

718
00:22:32,100 --> 00:22:34,100
一直到有人重新设计整间工厂

719
00:22:34,100 --> 00:22:35,100
把机器摊平

720
00:22:35,100 --> 00:22:37,100
搬出城市电力的威力才真正跑出来

721
00:22:37,100 --> 00:22:38,100
阿力说

722
00:22:38,100 --> 00:22:40,100
AI现在就卡在换了引擎

723
00:22:40,100 --> 00:22:41,100
却还没改装厂房的阶段

724
00:22:41,100 --> 00:22:43,100
同样的剧本云端也演过

725
00:22:43,100 --> 00:22:45,100
2004年AWS刚起步时

726
00:22:45,100 --> 00:22:46,100
所有人都在赌

727
00:22:46,100 --> 00:22:47,100
电脑讯会不会盖到破产

728
00:22:47,100 --> 00:22:49,100
结果花了大约8年

729
00:22:49,100 --> 00:22:51,100
那个三角形才慢慢翻证

730
00:22:51,100 --> 00:22:53,100
有位诺贝尔奖得主的名言

731
00:22:53,100 --> 00:22:54,100
最能形容这种尴尬

732
00:22:54,100 --> 00:22:56,100
诺贝尔奖得主solo

733
00:22:56,100 --> 00:22:57,100
曾说电脑到处都是

734
00:22:57,100 --> 00:22:59,100
唯独在生产力统计里看不见

735
00:22:59,100 --> 00:23:02,100
这句话放到今天的AI一样准

736
00:23:02,100 --> 00:23:03,100
而A-LINE给焦虑的年轻人

737
00:23:03,100 --> 00:23:05,100
还讲了一个很扎心的亲身故事

738
00:23:05,100 --> 00:23:06,100
他读博士的时候

739
00:23:06,100 --> 00:23:08,100
全网入学界最聪明的一群人

740
00:23:08,100 --> 00:23:11,100
都在押注一个叫Modcast的技术难题

741
00:23:11,100 --> 00:23:13,100
他还为此创了一家公司

742
00:23:13,100 --> 00:23:15,100
结果呢因为光纤铺太多平宽价格暴跌

743
00:23:15,100 --> 00:23:18,100
这个问题直接凭空蒸发了他的公司白做工

744
00:23:18,100 --> 00:23:21,100
当年没人想到真正的大机会

745
00:23:21,100 --> 00:23:22,100
是叫计程车

746
00:23:22,100 --> 00:23:23,100
是网路卖书

747
00:23:23,100 --> 00:23:24,100
是出租家里的空房间

748
00:23:24,100 --> 00:23:27,100
他说今天所有人都全押NVN

749
00:23:27,100 --> 00:23:28,100
全押那几家实验室

750
00:23:28,100 --> 00:23:30,100
很可能又是一次集体的隧道视野

751
00:23:30,100 --> 00:23:32,100
你现在追的最热门的东西

752
00:23:32,100 --> 00:23:34,100
八成就是下一个Multi-Cast

753
00:23:34,100 --> 00:23:37,100
这句话也把我们带到整支影片最关键的问题

754
00:23:37,100 --> 00:23:39,100
那个倒三角到底会不会翻证

755
00:23:39,100 --> 00:23:42,100
这本课第七堂来回答那个关键问题

756
00:23:42,100 --> 00:23:43,100
讲者是Yash Patel

757
00:23:43,100 --> 00:23:44,100
经历很戏剧化

758
00:23:44,100 --> 00:23:47,100
他大一暑假就直接写一封冷邮件给Sam Altman

759
00:23:47,100 --> 00:23:49,100
要到一张小支票做自己的专案

760
00:23:49,100 --> 00:23:53,100
后来进了OpenAI做出一个能上网能写程式的Agent

761
00:23:53,100 --> 00:23:54,100
这条线

762
00:23:54,100 --> 00:23:55,100
后来变成了Codex

763
00:23:55,100 --> 00:23:57,100
大约一年前他离开OpenAI

764
00:23:57,100 --> 00:23:59,100
创了一家叫Applied Compute的公司

765
00:23:59,100 --> 00:24:00,100
专门做一件事

766
00:24:00,100 --> 00:24:03,100
帮企业把通用的大模型特化成自己的专属模型

767
00:24:03,100 --> 00:24:07,100
他的核心洞察刚好回答了Alien那个机构知识的难题

768
00:24:07,100 --> 00:24:10,100
也给了倒三角会不会翻证一个很漂亮的答案

769
00:24:10,100 --> 00:24:12,100
这个答案跟盖房子有关

770
00:24:12,100 --> 00:24:13,100
Yash說

771
00:24:13,100 --> 00:24:15,100
通用的大模型决定你的地板

772
00:24:15,100 --> 00:24:17,100
但你的天花板得自己盖

773
00:24:17,100 --> 00:24:18,100
什么意思

774
00:24:18,100 --> 00:24:21,100
那些最强的通用模型就像一个空降的天才

775
00:24:21,100 --> 00:24:22,100
新人智商爆表

776
00:24:22,100 --> 00:24:24,100
可是完全不懂你公司的事

777
00:24:24,100 --> 00:24:25,100
谁请他来

778
00:24:25,100 --> 00:24:26,100
效果都差不多

779
00:24:26,100 --> 00:24:27,100
这就是你的地板

780
00:24:27,100 --> 00:24:29,100
真正拉开差距的是拿这个模型

781
00:24:29,100 --> 00:24:31,100
未经理自家的专有资料

782
00:24:31,100 --> 00:24:33,100
用你自己对好坏的标准反复去模

783
00:24:33,100 --> 00:24:35,100
这个模的步骤有个名字叫后训练

784
00:24:35,100 --> 00:24:37,100
他用一句话总结

785
00:24:37,100 --> 00:24:39,100
通用模型定地板要定天花板

786
00:24:39,100 --> 00:24:40,100
你得打造自己的特化系统

787
00:24:40,100 --> 00:24:41,100
你发现了吗

788
00:24:41,100 --> 00:24:43,100
这正好接上了那个倒三角的翻证

789
00:24:43,100 --> 00:24:48,100
因为最上层的应用终于开始长出别人的拿不走的护城河了

790
00:24:48,100 --> 00:24:51,100
而更让人意外的是盖这个天花板花的力气

791
00:24:51,100 --> 00:24:52,100
其实少得惊人

792
00:24:52,100 --> 00:24:54,100
这是一个很反直觉的数字

793
00:24:54,100 --> 00:24:57,100
前面说的后训练也就是把一个通用模型

794
00:24:57,100 --> 00:24:59,100
磨成你专属模型的那道工序

795
00:24:59,100 --> 00:25:03,100
他花的算力可能只占前面那个吃变整个网路的大训练的5%

796
00:25:03,100 --> 00:25:06,100
5%听起来像个零头

797
00:25:06,100 --> 00:25:07,100
对吧

798
00:25:07,100 --> 00:25:09,100
可就是这5%的力气决定了

799
00:25:09,100 --> 00:25:10,100
你这家公司到底是赢还是输

800
00:25:10,100 --> 00:25:13,100
这就像盖房子主结构花了9成5的钱

801
00:25:13,100 --> 00:25:15,100
可是真正让这间房子值钱

802
00:25:15,100 --> 00:25:17,100
让他跟隔壁不一样

803
00:25:17,100 --> 00:25:19,100
这是最后那5%的装潢和设计

804
00:25:19,100 --> 00:25:20,100
耶鸭史说

805
00:25:20,100 --> 00:25:21,100
这也是为什么

806
00:25:21,100 --> 00:25:22,100
他看好特化这一层

807
00:25:22,100 --> 00:25:25,100
因为他用最小的成本卡住了最关键的差异化

808
00:25:25,100 --> 00:25:27,100
而要理解为什么是现在

809
00:25:27,100 --> 00:25:28,100
我们得快速看一遍

810
00:25:28,100 --> 00:25:31,100
AI这十几年是怎么一步步走过来的

811
00:25:31,100 --> 00:25:34,100
AI走到今天大概转了4次大弯

812
00:25:34,100 --> 00:25:37,100
第一步是2017年一个叫Transformer的架构出现

813
00:25:37,100 --> 00:25:39,100
让机器第一次真的读懂了语言

814
00:25:39,100 --> 00:25:42,100
第二步是接下来几年的预训练时代

815
00:25:42,100 --> 00:25:43,100
做法很暴力

816
00:25:43,100 --> 00:25:45,100
就是让模型把整个网路读过一遍

817
00:25:45,100 --> 00:25:47,100
第三步是2024年

818
00:25:47,100 --> 00:25:48,100
模型学会了在回答前

819
00:25:48,100 --> 00:25:50,100
现在心里多想几步

820
00:25:50,100 --> 00:25:51,100
想久一点答的就更好

821
00:25:51,100 --> 00:25:53,100
第四步也就是现在重点变成

822
00:25:53,100 --> 00:25:55,100
只要一件事有标准答案

823
00:25:55,100 --> 00:25:56,100
能验证对错

824
00:25:56,100 --> 00:25:58,100
就让模型对着他反复苦练

825
00:25:58,100 --> 00:25:59,100
这第四步特别重要

826
00:25:59,100 --> 00:26:02,100
因为他需要一个能客观判对错的讯号

827
00:26:02,100 --> 00:26:03,100
而世界上刚好有一种东西

828
00:26:03,100 --> 00:26:04,100
天生就能编译

829
00:26:04,100 --> 00:26:05,100
能跑测试

830
00:26:05,100 --> 00:26:07,100
能明确告诉你对还是错

831
00:26:07,100 --> 00:26:08,100
那就是程式嘛

832
00:26:08,100 --> 00:26:10,100
这也解释了为什么各家实验室

833
00:26:10,100 --> 00:26:12,100
都不约而同先攻写程式

834
00:26:12,100 --> 00:26:13,100
而YAS手上

835
00:26:13,100 --> 00:26:16,100
有一个把这套用在企业的绝佳案例

836
00:26:16,100 --> 00:26:18,100
这个案例来自外送平台Dodash

837
00:26:18,100 --> 00:26:21,100
他们每年要让超过10万家新商家上线

838
00:26:21,100 --> 00:26:24,100
其中一件苦差是把商家上传了杂乱的菜单照片

839
00:26:24,100 --> 00:26:27,100
变成整齐符合规范的线上店面

840
00:26:27,100 --> 00:26:29,100
哪些是加料哪些能搭配

841
00:26:29,100 --> 00:26:30,100
规则很细

842
00:26:30,100 --> 00:26:32,100
这件事你用通用模型怎么调指令都做不好

843
00:26:32,100 --> 00:26:34,100
最后的解法很巧妙

844
00:26:34,100 --> 00:26:36,100
让真人去修正模型的输出

845
00:26:36,100 --> 00:26:39,100
然后把修正的量直接变成给模型的奖励

846
00:26:39,100 --> 00:26:40,100
对着错误率去优化

847
00:26:40,100 --> 00:26:42,100
YASH的结论很有力

848
00:26:42,100 --> 00:26:44,100
企业其实不需要一直去调那些指令

849
00:26:44,100 --> 00:26:46,100
你只要能定义清楚什么是好什么是坏

850
00:26:46,100 --> 00:26:48,100
就可以直接对着结果去优化

851
00:26:48,100 --> 00:26:50,100
这就是天花板被盖起来的方式

852
00:26:50,100 --> 00:26:53,100
价值症一层一层往应用端流回去

853
00:26:53,100 --> 00:26:55,100
而一位手握2万客户的执行长

854
00:26:55,100 --> 00:26:57,100
把这个趋势讲得更绝

855
00:26:57,100 --> 00:26:59,100
回到第5堂的阿里戈西

856
00:26:59,100 --> 00:27:01,100
他被问到一道经典的配置题

857
00:27:01,100 --> 00:27:02,100
如果给你100块

858
00:27:02,100 --> 00:27:04,100
你要压在能源晶片基建模型

859
00:27:04,100 --> 00:27:06,100
还是应用这5层里的哪一层

860
00:27:06,100 --> 00:27:08,100
他毫不犹豫压最上面的应用层

861
00:27:08,100 --> 00:27:12,100
他的理由是科技的历史上价值永远往上层移动

862
00:27:12,100 --> 00:27:14,100
硬体被作业系统踩在脚下

863
00:27:14,100 --> 00:27:16,100
作业系统又被上面的软体踩在脚下

864
00:27:16,100 --> 00:27:18,100
一层一层被商品化

865
00:27:18,100 --> 00:27:19,100
他甚至断言

866
00:27:19,100 --> 00:27:21,100
今天最风光的前沿模型

867
00:27:21,100 --> 00:27:23,100
最后会变成博利的token工厂

868
00:27:23,100 --> 00:27:25,100
毛利伯的向亚马逊在卖书

869
00:27:25,100 --> 00:27:27,100
最后只剩少数几家做的下去

870
00:27:27,100 --> 00:27:28,100
如果他跟Yash都说对了

871
00:27:28,100 --> 00:27:30,100
那真正的好戏在最上面

872
00:27:30,100 --> 00:27:32,100
所以接下来我们就一头栽进

873
00:27:32,100 --> 00:27:34,100
三个正在翻转的应用战场

874
00:27:34,100 --> 00:27:36,100
第一个是写程式

875
00:27:36,100 --> 00:27:37,100
这门课

876
00:27:37,100 --> 00:27:38,100
第8堂讲者是Gillam Rauch

877
00:27:38,100 --> 00:27:40,100
一家叫Versel的公司的执行长

878
00:27:40,100 --> 00:27:42,100
同时是全世界最红的网页框架

879
00:27:42,100 --> 00:27:44,100
Next JSS的作者他的故事很励志

880
00:27:44,100 --> 00:27:46,100
在阿根廷郊区长大

881
00:27:46,100 --> 00:27:48,100
靠读软体手册自学英文

882
00:27:48,100 --> 00:27:50,100
11岁就开始接远端的城市外包

883
00:27:50,100 --> 00:27:52,100
高中辍学搬到旧金山

884
00:27:52,100 --> 00:27:53,100
为了拿签证

885
00:27:53,100 --> 00:27:54,100
甚至去写了一本书

886
00:27:54,100 --> 00:27:55,100
他要讲的核心一句话

887
00:27:55,100 --> 00:27:59,100
这波AI带来的是软体史上最大的一次市场扩张

888
00:27:59,100 --> 00:28:00,100
这句话怎么理解

889
00:28:00,100 --> 00:28:01,100
他先给了一个数字

890
00:28:01,100 --> 00:28:04,100
过去他估算全世界会写城市的人

891
00:28:04,100 --> 00:28:05,100
大概2000万

892
00:28:05,100 --> 00:28:06,100
而接下来会发生的事

893
00:28:06,100 --> 00:28:08,100
会让这个数字变得像个笑话

894
00:28:08,100 --> 00:28:10,100
这里先解释一个词

895
00:28:10,100 --> 00:28:12,100
市场规模白话说就是

896
00:28:12,100 --> 00:28:14,100
这门生意最多能服务多少人

897
00:28:14,100 --> 00:28:15,100
过去能做软体的人

898
00:28:15,100 --> 00:28:18,100
就是2000万个会写城市的工程师

899
00:28:18,100 --> 00:28:20,100
市场的天花板卡在这里

900
00:28:20,100 --> 00:28:22,100
可是现在会写城市的AI代理出现了

901
00:28:22,100 --> 00:28:24,100
他能自己动手把软体做出来

902
00:28:24,100 --> 00:28:26,100
这一下能做出软体的人

903
00:28:26,100 --> 00:28:28,100
一口气放大了10倍20倍甚至100倍

904
00:28:28,100 --> 00:28:30,100
因为你不再需要会写城市

905
00:28:30,100 --> 00:28:33,100
你只要能把你想要什么说清楚就行

906
00:28:33,100 --> 00:28:36,100
市场从2000万人一下子变成几乎所有人

907
00:28:36,100 --> 00:28:39,100
Gilmo说自从某一代特别强的模型出现后

908
00:28:39,100 --> 00:28:42,100
他们平台上的部署量就开始爆发式成长

909
00:28:42,100 --> 00:28:43,100
市场一被撑开

910
00:28:43,100 --> 00:28:45,100
真正的问题就变成这么多软体

911
00:28:45,100 --> 00:28:47,100
被升出来最赚钱的会是谁

912
00:28:47,100 --> 00:28:49,100
他的答案藏在一个三明治里

913
00:28:49,100 --> 00:28:51,100
Gilmo给了一个很好记得比喻

914
00:28:51,100 --> 00:28:53,100
他说会写城市的AI代理

915
00:28:53,100 --> 00:28:56,100
就像花生酱正在被抹遍全世界

916
00:28:56,100 --> 00:28:58,100
到处都有人用他升软体

917
00:28:58,100 --> 00:28:59,100
可是一个花生酱

918
00:28:59,100 --> 00:29:01,100
三明治光有花生酱不够还要果酱

919
00:29:01,100 --> 00:29:03,100
这个果酱就是把写好的软体

920
00:29:03,100 --> 00:29:06,100
真正部署出去放到客人面前用的那一层

921
00:29:06,100 --> 00:29:08,100
他有一句很关键的判断

922
00:29:08,100 --> 00:29:10,100
写城市这件事本身不会让你变的特别

923
00:29:10,100 --> 00:29:12,100
因为AI已经帮大家做到了

924
00:29:12,100 --> 00:29:15,100
把城市真正端到客人面前才会

925
00:29:15,100 --> 00:29:18,100
他说世界上堆满了跑不起来的城市码

926
00:29:18,100 --> 00:29:20,100
而AI代理天生就爱把东西部署出去

927
00:29:20,100 --> 00:29:22,100
所以在这个战场最赚钱的

928
00:29:22,100 --> 00:29:24,100
不见得是写城市的那一层

929
00:29:24,100 --> 00:29:26,100
而是帮AI把作业顺利交出去的那一层

930
00:29:26,100 --> 00:29:29,100
而AI代理还悄悄改变了整朵云的节奏

931
00:29:29,100 --> 00:29:32,100
Gilmo说旧的网路讲究的是快

932
00:29:32,100 --> 00:29:34,100
亚马逊亮过网页

933
00:29:34,100 --> 00:29:36,100
每慢0.1秒订单就掉一个百分点

934
00:29:36,100 --> 00:29:38,100
所以一切都在追求急问急答

935
00:29:38,100 --> 00:29:39,100
越快越好

936
00:29:39,100 --> 00:29:41,100
但AI代理的世界是反过来的

937
00:29:41,100 --> 00:29:42,100
你丢一个任务给他

938
00:29:42,100 --> 00:29:45,100
他可能出去工作几秒几分钟几小时

939
00:29:45,100 --> 00:29:47,100
现在甚至可以让他慢慢煮一整天

940
00:29:47,100 --> 00:29:49,100
最后交给你一份完整的报告

941
00:29:49,100 --> 00:29:51,100
或一整套软体云

942
00:29:51,100 --> 00:29:52,100
从那个讲求快的快餐店

943
00:29:52,100 --> 00:29:54,100
变成了愿意等他慢火炖的厨房

944
00:29:54,100 --> 00:29:55,100
这个转变很深

945
00:29:55,100 --> 00:29:57,100
因为过去云端运算的需求

946
00:29:57,100 --> 00:29:59,100
天花板是世界上有几个工程师

947
00:29:59,100 --> 00:30:02,100
而现在每个AI代理都能没日没夜地写改修

948
00:30:02,100 --> 00:30:04,100
这个天花板等于被整个掀开了

949
00:30:04,100 --> 00:30:05,100
节奏变了

950
00:30:05,100 --> 00:30:08,100
连收钱的方式也跟着换了一套地基

951
00:30:08,100 --> 00:30:10,100
过去的软体生意卖的是座位

952
00:30:10,100 --> 00:30:12,100
一家公司买10个账号

953
00:30:12,100 --> 00:30:13,100
就付10份月费

954
00:30:13,100 --> 00:30:14,100
人越多付越多

955
00:30:14,100 --> 00:30:15,100
跟你实际用的多不多

956
00:30:15,100 --> 00:30:16,100
没什么关系

957
00:30:16,100 --> 00:30:18,100
但当软体的背后是一个一个

958
00:30:18,100 --> 00:30:20,100
真的在烧店的token

959
00:30:20,100 --> 00:30:22,100
这种按人头的算法就撑不住了

960
00:30:22,100 --> 00:30:24,100
新的模式是按token计价

961
00:30:24,100 --> 00:30:27,100
白话说就是你用掉多少智慧就付多少钱

962
00:30:27,100 --> 00:30:28,100
一分不多一分不少

963
00:30:28,100 --> 00:30:29,100
这其实很合理

964
00:30:29,100 --> 00:30:32,100
因为卖家自己的成本本来就是一个token

965
00:30:32,100 --> 00:30:33,100
一个token烧出来的

966
00:30:33,100 --> 00:30:35,100
他当然想照用量收

967
00:30:35,100 --> 00:30:36,100
从卖座位到卖用量

968
00:30:36,100 --> 00:30:38,100
这看起来只是收费方式的小改

969
00:30:38,100 --> 00:30:42,100
背后却是整个软体商业模式的地基在悄悄换掉

970
00:30:42,100 --> 00:30:43,100
而Guillermo認為这一切

971
00:30:43,100 --> 00:30:46,100
最后会把云变成一个会自己开车的东西

972
00:30:46,100 --> 00:30:48,100
Guillermo说在这个代理时代

973
00:30:48,100 --> 00:30:51,100
云正在往三个方向同时重新生长

974
00:30:51,100 --> 00:30:54,100
第一个方向是给AI代理用的地基

975
00:30:54,100 --> 00:30:56,100
因为那些代理写完的软体

976
00:30:56,100 --> 00:30:58,100
总得有个地方摆有个地方跑

977
00:30:58,100 --> 00:31:01,100
第二个方向是每一家公司都在盖自己的agent

978
00:31:01,100 --> 00:31:04,100
他说未来所有的软体本身可能都会是一个agent

979
00:31:04,100 --> 00:31:06,100
交付的不再是一个网页

980
00:31:06,100 --> 00:31:08,100
而是一个会帮你做事的助手

981
00:31:08,100 --> 00:31:11,100
第三个方向最科幻是云本身也会变成一个agent

982
00:31:11,100 --> 00:31:15,100
像一台自动驾驶的车自己配置自己优化自己修好问题

983
00:31:15,100 --> 00:31:18,100
然后回头跟你说我帮你的软体加速了两倍

984
00:31:18,100 --> 00:31:19,100
这是我改好的版本

985
00:31:19,100 --> 00:31:22,100
这三个方向其实是同一件事云再重新长一次

986
00:31:22,100 --> 00:31:26,100
而这一切带来一个很奇妙的未来画面

987
00:31:26,100 --> 00:31:29,100
Gillermo讲了一个让他自己都认住的真实故事

988
00:31:29,100 --> 00:31:32,100
有个用户滑进他的时讯求救

989
00:31:32,100 --> 00:31:34,100
说我朋友我根本不知道Verso是什么

990
00:31:34,100 --> 00:31:35,100
是我的AI把我带来的

991
00:31:35,100 --> 00:31:37,100
他当下的回复很妙

992
00:31:37,100 --> 00:31:39,100
那你能不能把我介绍给你的那个AI

993
00:31:39,100 --> 00:31:41,100
你细想一下这个画面未来

994
00:31:41,100 --> 00:31:44,100
很可能是这样客户的AI直接去跟厂商的AI谈

995
00:31:44,100 --> 00:31:46,100
我这边有个问题那边有没有解法

996
00:31:46,100 --> 00:31:47,100
然后两个AI把事情办完

997
00:31:47,100 --> 00:31:51,100
软体就这样悄悄的涌现出来

998
00:31:51,100 --> 00:31:52,100
人几乎不用插手

999
00:31:52,100 --> 00:31:53,100
这听起来很遥远

1000
00:31:53,100 --> 00:31:54,100
但他已经在发生了

1001
00:31:54,100 --> 00:31:55,100
这是第一个战场写程式

1002
00:31:55,100 --> 00:31:59,100
而第二个战场是一场更硬更贴近生死的账

1003
00:31:59,100 --> 00:32:01,100
关于成本

1004
00:32:01,100 --> 00:32:04,100
这本课第九堂讲者是Tofin

1005
00:32:04,100 --> 00:32:06,100
一家叫Bassettin的公司的执行长

1006
00:32:06,100 --> 00:32:07,100
你可能没听过这家公司

1007
00:32:07,100 --> 00:32:09,100
但他是一个隐形巨人

1008
00:32:09,100 --> 00:32:11,100
专门帮各种AI应用公司

1009
00:32:11,100 --> 00:32:12,100
把模型的推论跑起来

1010
00:32:12,100 --> 00:32:14,100
这里先解释一个很关键的词

1011
00:32:14,100 --> 00:32:15,100
推论

1012
00:32:15,100 --> 00:32:16,100
英文叫Inference

1013
00:32:16,100 --> 00:32:18,100
就是AI真正在回答你问题的那一步

1014
00:32:18,100 --> 00:32:20,100
是他每天出货的动作

1015
00:32:20,100 --> 00:32:23,100
Twin 有一句话点中了整个应用战场的核心推论

1016
00:32:23,100 --> 00:32:24,100
就是AI的销货成本

1017
00:32:24,100 --> 00:32:26,100
也就是每卖出一次服务

1018
00:32:26,100 --> 00:32:28,100
你真正要付出去的那笔直接成本

1019
00:32:28,100 --> 00:32:30,100
这句话为什么重要

1020
00:32:30,100 --> 00:32:32,100
因为如果推论就是你的成本

1021
00:32:32,100 --> 00:32:33,100
那谁能把推论压下来

1022
00:32:33,100 --> 00:32:34,100
谁才有机会

1023
00:32:34,100 --> 00:32:35,100
真的把钱赚进口袋

1024
00:32:35,100 --> 00:32:37,100
而压成本的第一招

1025
00:32:37,100 --> 00:32:38,100
出乎意料的简单

1026
00:32:38,100 --> 00:32:41,100
想象一下你跟AI说了声谢谢

1027
00:32:41,100 --> 00:32:42,100
他回你不客气

1028
00:32:42,100 --> 00:32:45,100
如果连这三个字都动用最强最贵的大模型来回答

1029
00:32:45,100 --> 00:32:47,100
那等于为了一句客套话

1030
00:32:47,100 --> 00:32:48,100
点亮了一大排晶片

1031
00:32:48,100 --> 00:32:49,100
太浪费了

1032
00:32:49,100 --> 00:32:51,100
网路上还真的有个梗

1033
00:32:51,100 --> 00:32:52,100
说你对AI说一次谢谢

1034
00:32:52,100 --> 00:32:54,100
背后就烧掉好几百颗晶片

1035
00:32:54,100 --> 00:32:57,100
所以聪明的做法是在中间加一层智慧路由

1036
00:32:57,100 --> 00:32:59,100
他会先判断这句话难不难

1037
00:32:59,100 --> 00:33:01,100
简单的像不客气这种

1038
00:33:01,100 --> 00:33:03,100
就丢给便宜的小模型秒回

1039
00:33:03,100 --> 00:33:05,100
真正难的问题才交给最强的大模型

1040
00:33:05,100 --> 00:33:07,100
这就像一家公司

1041
00:33:07,100 --> 00:33:08,100
不会为了收个包裹

1042
00:33:08,100 --> 00:33:09,100
你就惊动总经理

1043
00:33:09,100 --> 00:33:10,100
小事交给前台

1044
00:33:10,100 --> 00:33:12,100
就好把每一次推论的成本

1045
00:33:12,100 --> 00:33:13,100
这样一点一点省下来

1046
00:33:13,100 --> 00:33:15,100
积少成多就是毛利

1047
00:33:15,100 --> 00:33:17,100
可是这场仗真正难打的地方

1048
00:33:17,100 --> 00:33:19,100
在于这门生意的原料正在闹一场

1049
00:33:19,100 --> 00:33:21,100
比石油还严重的短缺

1050
00:33:21,100 --> 00:33:23,100
为了让你感受这个隐形巨人的体量

1051
00:33:23,100 --> 00:33:24,100
给你一个数字

1052
00:33:24,100 --> 00:33:25,100
BASSETIN

1053
00:33:25,100 --> 00:33:26,100
这家你可能没听过的公司

1054
00:33:26,100 --> 00:33:28,100
一天要处理的TOKEN

1055
00:33:28,100 --> 00:33:30,100
也就是AI读境和吐出的字

1056
00:33:30,100 --> 00:33:32,100
大约是30兆个

1057
00:33:32,100 --> 00:33:34,100
30兆这个数字大到没有实感

1058
00:33:34,100 --> 00:33:35,100
这样说吧

1059
00:33:35,100 --> 00:33:36,100
TOKEN宣称光是这个量

1060
00:33:36,100 --> 00:33:37,100
以纯TOKEN计算

1061
00:33:37,100 --> 00:33:39,100
已经超过了OpenAI

1062
00:33:39,100 --> 00:33:41,100
对外开放的那个界面业务

1063
00:33:41,100 --> 00:33:42,100
也超过了Google的

1064
00:33:42,100 --> 00:33:44,100
一个大多数人没听过的名字

1065
00:33:44,100 --> 00:33:45,100
背后跑的量

1066
00:33:45,100 --> 00:33:47,100
比那些如雷贯耳的巨头还大

1067
00:33:47,100 --> 00:33:48,100
而这么庞大的推论量

1068
00:33:48,100 --> 00:33:49,100
全都得靠晶片来跑

1069
00:33:49,100 --> 00:33:51,100
也就是说BASSETIN

1070
00:33:51,100 --> 00:33:52,100
对算力的胃口是天文数字

1071
00:33:52,100 --> 00:33:54,100
可偏偏算力现在买不到

1072
00:33:54,100 --> 00:33:56,100
陶瓶讲了一个具体到小数点的故事

1073
00:33:56,100 --> 00:33:58,100
雪玲玲突兴说

1074
00:33:58,100 --> 00:34:01,100
他们在某家云端上租了一批晶片

1075
00:34:01,100 --> 00:34:02,100
合约10月才到期

1076
00:34:02,100 --> 00:34:04,100
结果5月对方就打电话

1077
00:34:04,100 --> 00:34:05,100
上门要把每一小时租金

1078
00:34:05,100 --> 00:34:07,100
从2块多美元

1079
00:34:07,100 --> 00:34:08,100
直接涨到5块多

1080
00:34:08,100 --> 00:34:09,100
硬生生翻了一倍

1081
00:34:09,100 --> 00:34:10,100
他的原话是

1082
00:34:10,100 --> 00:34:11,100
这太离谱了我绝不接受

1083
00:34:11,100 --> 00:34:12,100
更夸张的是

1084
00:34:12,100 --> 00:34:14,100
你现在下单1000张新晶片

1085
00:34:14,100 --> 00:34:16,100
得排队等上一年多才拿到货

1086
00:34:16,100 --> 00:34:17,100
他讲了一句很重的话

1087
00:34:17,100 --> 00:34:19,100
不管别人跟你说算力有多缺

1088
00:34:19,100 --> 00:34:21,100
实际上都还要再招上10倍

1089
00:34:21,100 --> 00:34:24,100
而且他断言这个短缺不会正常化

1090
00:34:24,100 --> 00:34:27,100
因为AI越来越会自己连续做很多步

1091
00:34:27,100 --> 00:34:28,100
模型又越来越大

1092
00:34:28,100 --> 00:34:30,100
两股力量一起把需求往上推

1093
00:34:30,100 --> 00:34:31,100
他只会越来越缺

1094
00:34:31,100 --> 00:34:33,100
面对又贵又缺的算力

1095
00:34:33,100 --> 00:34:35,100
他给应用公司指了一条活路

1096
00:34:35,100 --> 00:34:37,100
也讲了一个很有画面的警告

1097
00:34:37,100 --> 00:34:39,100
2hing转述了一个很尖锐的比喻

1098
00:34:39,100 --> 00:34:41,100
有人把那些最前沿的实验室

1099
00:34:41,100 --> 00:34:43,100
比做当年的东印度公司

1100
00:34:43,100 --> 00:34:44,100
什么意思

1101
00:34:44,100 --> 00:34:45,100
当年东印度公司登陆印度

1102
00:34:45,100 --> 00:34:47,100
表面上是来谈生意谈合作

1103
00:34:47,100 --> 00:34:51,100
实际上是慢慢把整个地方的资源和控制权都拿走

1104
00:34:51,100 --> 00:34:54,100
他说今天你信匆匆地把你的应用

1105
00:34:54,100 --> 00:34:56,100
全部接到某家前沿模型上

1106
00:34:56,100 --> 00:34:57,100
你以为再跟他合作

1107
00:34:57,100 --> 00:35:00,100
可你等于把你独门的工作流程

1108
00:35:00,100 --> 00:35:02,100
还有最宝贵的用户资料全交了出去

1109
00:35:02,100 --> 00:35:04,100
等他学会了你的那套神圣配方

1110
00:35:04,100 --> 00:35:06,100
回过头就能取代你这个警告

1111
00:35:06,100 --> 00:35:07,100
听起来有点沉重

1112
00:35:07,100 --> 00:35:08,100
但逻辑上站得住脚

1113
00:35:08,100 --> 00:35:11,100
所以他的解方只有四个字

1114
00:35:11,100 --> 00:35:13,100
这四个字是掌握自己的智慧

1115
00:35:13,100 --> 00:35:16,100
Turing说今天九成到九成五的推论花费

1116
00:35:16,100 --> 00:35:19,100
都流向那几家最前沿的封闭模型

1117
00:35:19,100 --> 00:35:20,100
方便是方便

1118
00:35:20,100 --> 00:35:22,100
但你等于把命脉交了出去

1119
00:35:22,100 --> 00:35:23,100
他指的活路是这样

1120
00:35:23,100 --> 00:35:25,100
起步的时候先靠前沿模型

1121
00:35:25,100 --> 00:35:26,100
因为快好用

1122
00:35:26,100 --> 00:35:28,100
可是一旦你做出了成绩要充规模

1123
00:35:28,100 --> 00:35:29,100
就换成开源模型

1124
00:35:29,100 --> 00:35:30,100
自己再训练一轮

1125
00:35:30,100 --> 00:35:32,100
变成你专属的模型

1126
00:35:32,100 --> 00:35:33,100
这里有个关键事实

1127
00:35:33,100 --> 00:35:35,100
开源模型大概只落后前沿90天

1128
00:35:35,100 --> 00:35:37,100
成本却便宜7到9成

1129
00:35:37,100 --> 00:35:40,100
这一换足以把你的毛利虫趴在0附近

1130
00:35:40,100 --> 00:35:41,100
一路拉到4成以上

1131
00:35:41,100 --> 00:35:43,100
这也呼应了第七堂YESH的天花板

1132
00:35:43,100 --> 00:35:46,100
你把智慧握回自己手上才守得住

1133
00:35:46,100 --> 00:35:49,100
那个倒三角开始翻阵流回应用层的价值

1134
00:35:49,100 --> 00:35:50,100
两个战场看下来

1135
00:35:50,100 --> 00:35:53,100
你会发现一个共同点价值都在往上流

1136
00:35:53,100 --> 00:35:56,100
而第三个战场可能跟你我的性命关系最深

1137
00:35:56,100 --> 00:35:58,100
在进入第三个战场前

1138
00:35:58,100 --> 00:36:00,100
补一个凸醒很有画面的类比

1139
00:36:00,100 --> 00:36:02,100
说明算力为什么只会越来越缺

1140
00:36:02,100 --> 00:36:03,100
他说推论的需求

1141
00:36:03,100 --> 00:36:05,100
就像机场的安检队伍

1142
00:36:05,100 --> 00:36:08,100
清晨5点没人早上8点就排到门外

1143
00:36:08,100 --> 00:36:09,100
差别在哪

1144
00:36:09,100 --> 00:36:10,100
机场晚上11点会关门

1145
00:36:10,100 --> 00:36:12,100
让队伍归零重置一次

1146
00:36:12,100 --> 00:36:14,100
可是全世界的推论需求永远不会关门

1147
00:36:14,100 --> 00:36:15,100
美国睡了

1148
00:36:15,100 --> 00:36:16,100
欧洲正好醒来

1149
00:36:16,100 --> 00:36:17,100
欧洲下班了

1150
00:36:17,100 --> 00:36:18,100
亚洲又进入白天

1151
00:36:18,100 --> 00:36:21,100
地球上总有一个地方是下午5点正要开始用

1152
00:36:21,100 --> 00:36:24,100
所以这条队伍24小时不停歇地

1153
00:36:24,100 --> 00:36:25,100
一天一天复利叠加

1154
00:36:25,100 --> 00:36:27,100
永远没有喘息的空档

1155
00:36:27,100 --> 00:36:28,100
这就是为什么他敢说

1156
00:36:28,100 --> 00:36:30,100
算力短缺不会结束

1157
00:36:30,100 --> 00:36:31,100
好看完了写程式

1158
00:36:31,100 --> 00:36:32,100
看完了成本之争

1159
00:36:32,100 --> 00:36:34,100
我们进入最后也最动人的一个战场

1160
00:36:34,100 --> 00:36:35,100
生命科学

1161
00:36:35,100 --> 00:36:37,100
这门课最后一堂

1162
00:36:37,100 --> 00:36:39,100
请来两位站在产业两端的人

1163
00:36:39,100 --> 00:36:42,100
一位是anthropic负责生命科学的Eric Abrams

1164
00:36:42,100 --> 00:36:45,100
一位是AI造药新创拆的共同创办人Joss

1165
00:36:45,100 --> 00:36:46,100
他们在做同一件事

1166
00:36:46,100 --> 00:36:49,100
用AI端到端地压缩整条造药的流程

1167
00:36:49,100 --> 00:36:50,100
Joss有一句话

1168
00:36:50,100 --> 00:36:52,100
一下子把这件事的野心说清楚了

1169
00:36:52,100 --> 00:36:55,100
他说他们在做的是一套分子的电脑绘图工具

1170
00:36:55,100 --> 00:36:56,100
目标是把设计一颗药

1171
00:36:56,100 --> 00:36:59,100
从一门像炼金术一样靠手感的记忆

1172
00:36:59,100 --> 00:37:01,100
变成一门真正的工程学

1173
00:37:01,100 --> 00:37:02,100
这个切入点很重要

1174
00:37:02,100 --> 00:37:04,100
因为传统造药又慢又贵

1175
00:37:04,100 --> 00:37:06,100
慢到你不敢相信

1176
00:37:06,100 --> 00:37:08,100
但在讲AI怎么加速之前

1177
00:37:08,100 --> 00:37:11,100
得先让你看见这个领域真正的痛藏在哪里

1178
00:37:11,100 --> 00:37:13,100
先解释一个词标靶

1179
00:37:13,100 --> 00:37:15,100
你可以把它想成身体里一个生病的开关

1180
00:37:15,100 --> 00:37:19,100
而要的工作就是去精准的按对那个开关

1181
00:37:19,100 --> 00:37:20,100
听起来科幻的地方在这里

1182
00:37:20,100 --> 00:37:22,100
理论上能下手的开关有上万个

1183
00:37:22,100 --> 00:37:27,100
可是你猜全世界每年真正新增被推进到人体实验的有几个?

1184
00:37:27,100 --> 00:37:28,100
大约只有30个

1185
00:37:28,100 --> 00:37:31,100
因为每一个开关都要先确定它跟疾病真的相关

1186
00:37:31,100 --> 00:37:33,100
确定要打上去是安全的

1187
00:37:33,100 --> 00:37:35,100
还得能大量做得出来关卡人

1188
00:37:35,100 --> 00:37:38,100
结果就是大家全挤在少数几个已知的开关上

1189
00:37:38,100 --> 00:37:39,100
反复内卷

1190
00:37:39,100 --> 00:37:41,100
而代价是到今天

1191
00:37:41,100 --> 00:37:43,100
八成有名字的疾病还是无药可医

1192
00:37:43,100 --> 00:37:44,100
这不是我们缺乏想象力

1193
00:37:44,100 --> 00:37:47,100
是找出好开关这件事慢到不可思议

1194
00:37:47,100 --> 00:37:49,100
而这正好是AI最可能撬开的地方

1195
00:37:49,100 --> 00:37:51,100
这个领域的工具

1196
00:37:51,100 --> 00:37:52,100
原始到你会笑出来

1197
00:37:52,100 --> 00:37:54,100
常有人问Joss

1198
00:37:54,100 --> 00:37:55,100
你们猜的竞争对手是谁

1199
00:37:55,100 --> 00:37:57,100
他的回答很妙也很发人声醒

1200
00:37:57,100 --> 00:37:59,100
他说我们的竞争对手

1201
00:37:59,100 --> 00:38:00,100
字面上就是教母老鼠

1202
00:38:00,100 --> 00:38:03,100
还有实验室里那些传统的老工具

1203
00:38:03,100 --> 00:38:05,100
你想想人类到今天造药很多环节

1204
00:38:05,100 --> 00:38:07,100
还在靠让教母发酵

1205
00:38:07,100 --> 00:38:08,100
让老鼠试药

1206
00:38:08,100 --> 00:38:10,100
这些方法用了几十年甚至上百年

1207
00:38:10,100 --> 00:38:13,100
Joss说现有的药原始得像是奇迹

1208
00:38:13,100 --> 00:38:14,100
很多药打进身体

1209
00:38:14,100 --> 00:38:16,100
会打到一堆不该打的地方

1210
00:38:16,100 --> 00:38:18,100
造成一堆本来不必有的副作用

1211
00:38:18,100 --> 00:38:21,100
这说明了这个领域的工具还停在很早的阶段

1212
00:38:21,100 --> 00:38:22,100
正因为这么原始

1213
00:38:22,100 --> 00:38:24,100
AI进来撬动的空间才这么大

1214
00:38:24,100 --> 00:38:26,100
那AI到底怎么撬

1215
00:38:26,100 --> 00:38:29,100
两位讲者用了一个你一定听得懂的类比

1216
00:38:29,100 --> 00:38:30,100
这个类比是这样

1217
00:38:30,100 --> 00:38:32,100
你想一年前用AI写程式

1218
00:38:32,100 --> 00:38:33,100
还要来回出错很多次

1219
00:38:33,100 --> 00:38:37,100
可是现在他几乎能一次就生出一个能跑的应用造药

1220
00:38:37,100 --> 00:38:39,100
正在发生一模一样的跃迁

1221
00:38:39,100 --> 00:38:42,100
他们的做法是让两种AI一起工作

1222
00:38:42,100 --> 00:38:45,100
一种是像Cloud这样的语言模型扮演外圈

1223
00:38:45,100 --> 00:38:47,100
那个会思考会规划会查文献的科学家

1224
00:38:47,100 --> 00:38:49,100
另一种是专门懂生物的基础模型

1225
00:38:49,100 --> 00:38:53,100
比如AI的模型负责在内圈直接设计出分子的样子

1226
00:38:53,100 --> 00:38:55,100
这里顺带解释一个词

1227
00:38:55,100 --> 00:38:56,100
蛋白质

1228
00:38:56,100 --> 00:38:57,100
你可以把它想成

1229
00:38:57,100 --> 00:38:59,100
组成我们身体的一块一块的生命积木

1230
00:38:59,100 --> 00:39:04,100
而模型是到很晚近的世代才第一次真的看懂了这种积木场怎样

1231
00:39:04,100 --> 00:39:06,100
传统上要10-15年的造药流程

1232
00:39:06,100 --> 00:39:08,100
他们的目标是压到最快几周

1233
00:39:08,100 --> 00:39:10,100
而价值也会从卖药本身慢慢转向

1234
00:39:10,100 --> 00:39:12,100
卖这一整套工具

1235
00:39:12,100 --> 00:39:15,100
这件事还牵动这一场国家级的竞赛

1236
00:39:15,100 --> 00:39:16,100
Joss讲了一句话

1237
00:39:16,100 --> 00:39:19,100
把整个生技圈现在的焦虑讲得很透

1238
00:39:19,100 --> 00:39:22,100
他说现在药厂圈这里翻来覆去只谈两件事

1239
00:39:22,100 --> 00:39:24,100
一个是AI一个是中国

1240
00:39:24,100 --> 00:39:26,100
因为中国在造药这件事上更便宜更快

1241
00:39:26,100 --> 00:39:30,100
法规上也更容易让一款新药赶快用到人身上

1242
00:39:30,100 --> 00:39:32,100
正在一步步跑赢美国

1243
00:39:32,100 --> 00:39:34,100
可是他话锋一转说了那句金句

1244
00:39:34,100 --> 00:39:35,100
中国可以跑得比美国快

1245
00:39:35,100 --> 00:39:37,100
但中国跑不赢AI

1246
00:39:37,100 --> 00:39:38,100
这句话的意思是

1247
00:39:38,100 --> 00:39:39,100
美国想追上甚至反超

1248
00:39:39,100 --> 00:39:42,100
靠的不是跟中国平人立盘速度

1249
00:39:42,100 --> 00:39:45,100
而是赌AI这条全新的路能不能成功

1250
00:39:45,100 --> 00:39:48,100
所以他说美国的生技业是非常非常需要AI成功的

1251
00:39:48,100 --> 00:39:50,100
这已经不只是一门生意

1252
00:39:50,100 --> 00:39:51,100
而是一场国运的豪赌

1253
00:39:51,100 --> 00:39:55,100
而这一切最后会落到一个很浪漫的画面上

1254
00:39:55,100 --> 00:39:57,100
Eric描绘的未来是这样

1255
00:39:57,100 --> 00:39:59,100
造药的门槛会低到史无前例

1256
00:39:59,100 --> 00:40:02,100
过去开一家生技公司需要一整栋楼的科学家

1257
00:40:02,100 --> 00:40:03,100
几亿美元的资金

1258
00:40:03,100 --> 00:40:06,100
可是未来很可能一个人坐在电脑前

1259
00:40:06,100 --> 00:40:08,100
用大量的clode和那些懂生物的模型

1260
00:40:08,100 --> 00:40:11,100
你就能同时跑一整条早期药物的产品线

1261
00:40:11,100 --> 00:40:13,100
他们给这个画面取了个名字

1262
00:40:13,100 --> 00:40:15,100
一个人就是一条产品线

1263
00:40:15,100 --> 00:40:18,100
他们甚至半开玩笑的聊到未来像减肥药那样

1264
00:40:18,100 --> 00:40:20,100
能让你增加肌肉的药

1265
00:40:20,100 --> 00:40:21,100
或是帮你睡得更好的药

1266
00:40:21,100 --> 00:40:23,100
可能会像日用品一样普及

1267
00:40:23,100 --> 00:40:25,100
变成一种消费级的医疗

1268
00:40:25,100 --> 00:40:26,100
当然Eric很谨慎

1269
00:40:26,100 --> 00:40:28,100
他说他不会承诺五年内治好所有的病

1270
00:40:28,100 --> 00:40:30,100
他的目标是偏转那条轨迹

1271
00:40:30,100 --> 00:40:32,100
让人类对抗疾病的速度

1272
00:40:32,100 --> 00:40:33,100
整个换一个档次

1273
00:40:33,100 --> 00:40:34,100
好九堂课

1274
00:40:34,100 --> 00:40:36,100
三个战场我们都看完了

1275
00:40:36,100 --> 00:40:40,100
现在该把这个倒三角做一个总结

1276
00:40:40,100 --> 00:40:42,100
让我们把整支影片收容成一张图

1277
00:40:42,100 --> 00:40:45,100
今天这波几兆美元画出来的是一个倒三角型

1278
00:40:45,100 --> 00:40:47,100
最底层的晶片和电力

1279
00:40:47,100 --> 00:40:49,100
吃掉了绝大部分的钱

1280
00:40:49,100 --> 00:40:50,100
越往上越靠近你

1281
00:40:50,100 --> 00:40:53,100
我用得到的应用反而越薄着现况

1282
00:40:53,100 --> 00:40:54,100
但这门课九位讲者

1283
00:40:54,100 --> 00:40:55,100
用九个不同的角度

1284
00:40:55,100 --> 00:40:57,100
反复告诉我们同一件事

1285
00:40:57,100 --> 00:40:59,100
历史上价值永远往上沉流

1286
00:40:59,100 --> 00:41:00,100
云端花了大约八年

1287
00:41:00,100 --> 00:41:02,100
把三角形翻证电力花了四十年

1288
00:41:02,100 --> 00:41:04,100
这一次可能比谁想的都久

1289
00:41:04,100 --> 00:41:07,100
因为底层的晶片和电力实在太难盖了

1290
00:41:07,100 --> 00:41:08,100
但方向是清楚的

1291
00:41:08,100 --> 00:41:11,100
从企业的特化模型到应用公司

1292
00:41:11,100 --> 00:41:12,100
把智慧握回自己手上

1293
00:41:12,100 --> 00:41:14,100
那个翻证的力量已经在动了

1294
00:41:14,100 --> 00:41:16,100
所以如果你也身在这波浪潮里

1295
00:41:16,100 --> 00:41:17,100
该怎么看怎么做

1296
00:41:17,100 --> 00:41:20,100
我想给不同的你三句很实在的话

1297
00:41:20,100 --> 00:41:22,100
第一如果你是投资人

1298
00:41:22,100 --> 00:41:24,100
别只盯着谁现在最赚

1299
00:41:24,100 --> 00:41:27,100
要问自己你压的是哪一层底层的晶片

1300
00:41:27,100 --> 00:41:28,100
今天最肥

1301
00:41:28,100 --> 00:41:29,100
没错

1302
00:41:29,100 --> 00:41:30,100
但别忘了那个倒三角

1303
00:41:30,100 --> 00:41:31,100
历史上它最后都会翻证

1304
00:41:31,100 --> 00:41:32,100
价值会往上流

1305
00:41:32,100 --> 00:41:33,100
第二如果你在创业

1306
00:41:33,100 --> 00:41:35,100
别再问你的模型有多强

1307
00:41:35,100 --> 00:41:37,100
因为模型会越来越像水电

1308
00:41:37,100 --> 00:41:38,100
人人都有

1309
00:41:38,100 --> 00:41:39,100
你要问的是你手上

1310
00:41:39,100 --> 00:41:41,100
有没有别人拿不走的专有资料

1311
00:41:41,100 --> 00:41:42,100
那才是真正的护城河

1312
00:41:42,100 --> 00:41:43,100
是你的天花板

1313
00:41:43,100 --> 00:41:46,100
第三如果你只是每天用AI上班的人

1314
00:41:46,100 --> 00:41:49,100
那就趁现在把它练成你最顺手的工具

1315
00:41:49,100 --> 00:41:51,100
因为这门课有个共识

1316
00:41:51,100 --> 00:41:53,100
现在学是最划算时候

1317
00:41:53,100 --> 00:41:54,100
这个溢价之后只会收缩

1318
00:41:54,100 --> 00:41:57,100
这三句话背后其实是同一个判断

1319
00:41:57,100 --> 00:41:59,100
也是这门课最想留给你的东西

1320
00:41:59,100 --> 00:42:02,100
最后回到开这门课的Apovy Agrawal

1321
00:42:02,100 --> 00:42:03,100
他说了一句话

1322
00:42:03,100 --> 00:42:04,100
当做整门课的初衷

1323
00:42:04,100 --> 00:42:05,100
他说五年之后

1324
00:42:05,100 --> 00:42:07,100
每一个人都会回头问你

1325
00:42:07,100 --> 00:42:09,100
这一切在成型的时候你看出来了吗?

1326
00:42:09,100 --> 00:42:12,100
他说你会希望自己那时候能回答

1327
00:42:12,100 --> 00:42:13,100
看出来了

1328
00:42:13,100 --> 00:42:15,100
因为此刻我们就站在这个板块移动的现场

1329
00:42:15,100 --> 00:42:18,100
你不一定要成为那个盖工厂写模型的人

1330
00:42:18,100 --> 00:42:19,100
但你至少可以看懂

1331
00:42:19,100 --> 00:42:21,100
这几兆美元画出来的三角形

1332
00:42:21,100 --> 00:42:24,100
正朝着哪个方向慢慢翻转

1333
00:42:24,100 --> 00:42:25,100
从头到尾

1334
00:42:25,100 --> 00:42:27,100
这波钱画出来的是一个倒三角形

1335
00:42:27,100 --> 00:42:29,100
最底层的晶片与电力吃掉了

1336
00:42:29,100 --> 00:42:32,100
绝大部分越往上越靠近你

1337
00:42:32,100 --> 00:42:34,100
我用得到的应用反而越薄

1338
00:42:34,100 --> 00:42:36,100
但历史一次又一次告诉我们

1339
00:42:36,100 --> 00:42:38,100
三角形最后都会慢慢翻正

1340
00:42:38,100 --> 00:42:39,100
架子会一层一层往上流

1341
00:42:39,100 --> 00:42:41,100
只是这一次可能比谁想的都久

1342
00:42:41,100 --> 00:42:42,100
如果你是投资人

1343
00:42:42,100 --> 00:42:44,100
问自己压的是哪一层

1344
00:42:44,100 --> 00:42:45,100
如果你在创业

1345
00:42:45,100 --> 00:42:47,100
问自己手上有没有别人拿不走的资料

1346
00:42:47,100 --> 00:42:49,100
如果你只是每天用AI上班的人

1347
00:42:49,100 --> 00:42:52,100
那就把它练成你最顺手的工具

1348
00:42:52,100 --> 00:42:53,100
最后问你一个问题

1349
00:42:53,100 --> 00:42:55,100
如果三角形真的会翻正

1350
00:42:55,100 --> 00:42:56,100
你觉得下一个

1351
00:42:56,100 --> 00:42:58,100
吃到最大一块的会是晶片云

1352
00:42:58,100 --> 00:43:00,100
还是某个现在还没人看得起的应用

1353
00:43:00,100 --> 00:43:02,100
留言告诉我喜欢的话

1354
00:43:02,100 --> 00:43:03,100
订阅AINOP

1355
00:43:03,100 --> 00:43:04,100
开启通知

1356
00:43:04,100 --> 00:43:06,100
我们下次见