E155. 似乎没什么人再提「AI 泡沫论」了

概览

本期围绕“AI 泡沫论为什么降温”展开，核心判断是：生成式 AI 已经从单纯叙事进入可被跟踪的业务闭环。讨论者反复强调，移动互联网时代看 MAU、DAU 和用户粘性，而生成式 AI 时代更应关注 tokens、CAPEX、合同负债和 ARR 等指标。

节目将 Anthropic、OpenAI、Google 等大模型公司的竞争，放进“2C 入口、2B 编程、Agent 泛化、MCP 与 Skills 生态”的框架里分析。Anthropic 被认为通过 MCP、Skills 和 Claude Code/Code Work 形成了面向企业和 Agent 的三级跳。

后半段从投资视角展开：AI 对白领、软件和咨询等人力资源行业形成通缩压力，同时把支出转化为算力、存储、电力、数据中心等基础设施通胀。由此引出英伟达“五层蛋糕”、能源约束、Holo 资产、恒生科技和中概互联的估值困境。

最后，节目从产业和投资延伸到社会结构：AI 可能释放人的时间，但财富可能更集中，因此需要讨论 UBI、制度适配和原始创新的可能性。

分段落总结

[00:19] 从移动互联网到生成式 AI 的投资框架变化

[事实] 嘉宾从投资研究视角回顾，自己经历了移动互联网之后到 2021、2022 年的“青黄不接”阶段，直到 2022 年底 ChatGPT 出现，才看到新的底层基础跃迁。

[事实] 节目中提到，ChatGPT 的周活已达到约 9 亿，折算月活可能约 12 亿，已经进入全球少数 10 亿级 MAU 应用的量级。

[事实] 嘉宾认为，AI 原生应用只用两年多就达到无法忽视的规模，这是这一轮技术变革最直观的信号之一。

[事实] 节目中还引用数据称，中国日均 token 调用量从 2024 年初约 1000 亿增长到今年 3 月约 140 万亿，增长超过千倍。

[04:25] tokens 成为生成式 AI 的领先指标

[事实] 嘉宾认为，移动互联网时代的领先指标是 MAU、DAU、日均使用时长和 DAU/MAU 粘性，但生成式 AI 时代的领先指标变成了 tokens。

[事实] 嘉宾说，tokens 增长说明模型更好用、更多人使用，因而能验证大模型性能迭代是否形成正循环。

[事实] 节目中明确反对刷榜作为核心判断依据，认为榜单可以被针对性训练，而 tokens 更像健康、有效的辅助验证指标。

[推测] 这套框架把 AI 公司从“用户规模故事”重新映射为“模型性能、使用量和商业化转化”的链条。

[06:25] 杰文斯悖论与 token 消耗

[事实] 节目讨论了 token 成本下降后总消耗反而上升的现象，并将其类比为省油车普及后更多人、更频繁地开车。

[事实] 嘉宾认为，芯片更强、推理架构和工程优化更好，会降低单 token 成本，但会带来更多调用轮次、更多场景和更多用户。

[事实] 节目指出，Agent 也会成为新的需求方，不只是人类用户在消耗 tokens。

[推测] 这意味着算力需求不一定会因效率提高而下降，反而可能因使用门槛下降而扩大。

[09:18] AI 泡沫论降温与 ARR 验证

[事实] 主持人观察到，从去年底或 Agent 普及后，尤其进入 2026 年，讨论 AI 泡沫的声量明显少于 2025 年。

[事实] 嘉宾认为，最好的反驳不是争论，而是 ARR 不断上修；Anthropic 的 ARR 能达到约 300 亿美元并反包 OpenAI，超出其预期。

[事实] 嘉宾把正循环描述为：CAPEX 投入模型性能，带来 tokens 增长，tokens 转化为付费用户，最终带来 ARR 提升。

[推测] 节目并不是说泡沫风险消失，而是认为已有更多财务和产业指标支持“飞轮正在转起来”。

[11:50] 大模型竞争格局的不确定性

[事实] 主持人提到，2023 年市场看好微软，后来关注 OpenAI，之后又看到 Google 生态强，再到今年 Anthropic 受到重视。

[事实] 嘉宾认为，这一轮产业方比投资人更焦虑，几家大模型公司之间竞争非常激烈，不再是一家独大。

[事实] 嘉宾将 OpenAI 概括为更偏 2C 路线，可能通过导流、take rate 或广告等方式寻找变现；Anthropic 则更偏 2B，尤其集中在 Coding 和企业场景。

[推测] 大模型公司的胜负手可能不只是模型分数，而是路线选择、生态入口和商业客户结构。

[15:04] 从 Coding 到 Agent 泛化

[事实] 嘉宾称 2025 年曾被称为 Agent 元年，但真正落地不充分，原因之一是企业端数据治理还未完成。

[事实] 嘉宾观察到，很多上市公司过去一年收购数据治理公司，因为企业数据需要变成 AI 和 Agent 能读懂的形式。

[事实] 节目认为，Coding 是最早落地的 Agent 场景，因为它标准化程度较高、有反馈机制，并且后来可泛化到金融、医疗、法律等垂直行业。

[事实] 嘉宾认为，2026 年更像真正的 Agent 元年或爆发年。

[16:18] AI 进化速度超过人的适应速度

[事实] 主持人说，Claude 或 Anthropic 在一个月内的更新量，像移动互联网时代两年的版本迭代量。

[事实] 嘉宾认为，过去 PC 互联网和移动互联网的进化依赖工程师在工作时间写代码，现在程序员效率被放大，大模型自身迭代也更快。

[事实] 节目比较了应用达到 1 亿用户的时间：ChatGPT 约 0.2 年，微信 433 天，Facebook 约 4.5 年。

[推测] 这段讨论把“技术速度”与个人生活节奏联系起来，强调使用者也被迫进入更高密度的学习和适应状态。

[20:15] 法律套件与软件行业的直接冲击

[事实] 节目提到 Claude 发布法律套件后，相关公司如 RELX、LegalZoom 股价出现明显下跌。

[事实] 法律套件被描述为可以逐条审阅合同、标记风险、生成修改建议，并可根据企业谈判策略定制。

[事实] 嘉宾认为，产业界对 AI 的焦虑可能比投资人或普通 C 端使用者更强，因为很多行业感受到“错过就可能出局”。

[推测] 法律行业案例被用作一个信号：AI 冲击已经从抽象叙事变成资本市场可快速定价的风险。

[21:56] AI eat software 与软件估值重估

[事实] 节目提到“AI eat software”的叙事，并指出美股软件指数 IGV 年初以来下跌约 21%，A 股软件指数也有较大回撤。

[事实] 嘉宾认为，很多软件公司当期 earnings 可能仍符合预期甚至略超预期，但市场投资的是未来，因此会先杀估值。

[事实] 主持人提出关键问题：AI 是必须经过现有软件，还是可以绕过现有软件。

[事实] 嘉宾认为，大模型厂商不太可能取代所有软件企业，但会成为凌驾于软件之上的总协调者，改变入口价值。

[25:00] 自然语言界面削弱软件入口壁垒

[事实] 嘉宾指出，过去用户熟悉软件 UI 会形成粘性壁垒，例如企业 OA、报销、人力系统都需要知道按钮和流程。

[事实] 现在用户可以用自然语言说“帮我提交出差单”或“帮我报销”，不再直接接触原软件界面。

[事实] 节目将这种变化概括为从 GUI 转向 LUI，即 language 成为新的 UI。

[推测] 如果 Agent 成为人和软件之间的新中介，传统软件的入口价值会被削弱。

[27:57] B 端 know-how 被 Skills 显性化

[事实] 嘉宾认为，企业软件的重要壁垒来自多年服务客户积累的业务流程 know-how，但这些流程可能被 Skills 显性化、公开化和“重包化”。

[事实] 节目用 Workday 举例，称其 HR SaaS 壁垒来自各国各州薪酬、加班、社保、税务等规则和企业流程结合。

[事实] 嘉宾认为，如果大模型能读取公开法规并生成符合地区要求的薪酬计算 Skills，新进入者参与 B 端软件市场的门槛会降低。

[推测] 这不等于软件公司会消失，但可能导致竞争格局恶化、增长放缓和市场份额被瓜分。

[30:00] 个人技能被 Skills 化的幻灭感

[事实] 主持人分享自己长期打磨数据图制作能力，并将其视为竞争力；后来通过写 skill 把流程公开化，决定以后图表都交给 AI。

[事实] 主持人认为，这意味着多年积累的技能可以被别人直接加载、修改和改进，带来强烈幻灭感。

[事实] 嘉宾回应称，AI 不会杀死软件，但会削弱软件在 C 端入口和 B 端 know-how 上的现有价值。

[推测] 这一段把产业层面的软件价值稀释，落到了个体技能被流程化、模板化和可复制化的感受上。

[32:03] Anthropic 的非线性 ARR 增长

[事实] 节目引用分析师研报称，Anthropic 在 2026 年前三个月新增约 210 亿美元 ARR，从 2025 年底约 90 亿美元升至约 300 亿美元。

[事实] 嘉宾说，Anthropic 三四个月新增的 ARR，相当于 Jefferies 覆盖的 63 家软件上市公司 2025 年全年新增 ARR 的约三分之一。

[事实] 主持人将这种增长称为非线性增长，并提到 Open Claude 在 GitHub 上的增长曲线也呈现指数式上升。

[推测] 这组数据进一步解释了为什么 AI Bubble 的讨论在节目所述时间点降温。

[35:34] MCP 是 AI 世界的 Type-C

[事实] 主持人将大模型比作厨师的大脑，把 Skills 比作菜谱，把 MCP 比作厨房设备和食材供应链。

[事实] 嘉宾认为，MCP 是非常重要的基础设施创新，可以让 AI 工具以统一方式连接数据库、GitHub、Slack、ERP 等外部工具和数据。

[事实] 嘉宾把 MCP 类比为 AI 世界里的 USB Type-C，认为它统一了过去混乱的外部接口。

[事实] 嘉宾认为，Anthropic 在 2024 年 11 月发布 MCP，是非常前瞻的动作。

[38:25] Anthropic 的三级跳：MCP、Skills、Code Work

[事实] 嘉宾总结 Anthropic 的三级跳：第一步是 MCP 协议，第二步是 Agent Skills 技能包，第三步是 Claude Code Work 这类 Agent 产品。

[事实] Skills 被描述为 Agent 可查阅的说明文档或菜谱，告诉模型完成某项任务应按什么步骤执行。

[事实] 主持人对金融类 Skills 表达谨慎，认为自己对输出结果无法百分之百信任，尤其担心它是否真能指导投资赚钱。

[事实] 嘉宾认为，行业从业者看自己行业的 Skills 会更容易发现问题，但可以在标准化 Skills 上加入个人经验和判断。

[44:25] Agent 完成最后一公里

[事实] 嘉宾认为，Claude Code 对普通人仍有门槛，而 Code Work 把 Agent 能力带给了非技术人员。

[事实] 嘉宾用点奶茶类比：过去 AI 只是列出奶茶选项，Agent 则能直接确认付款并让奶茶送到公司。

[事实] 嘉宾认为，Code Work 让 AI 从“帮你找东西”变成“帮你把事情做完”，像随时待命的数字同事。

[推测] 在节目框架中，Agent 的价值不只是生成答案，而是连接工具、读取技能并执行任务。

[47:57] 人力资源通缩与算力基础设施通胀

[事实] 主持人提出，白领、知识工作者乃至整个人力资源行业都因 AI 开始通缩，而算力、存储、电力等资源在通胀。

[事实] 嘉宾概括为一句投资主线：人力资源行业的通缩正在转化为算力基础设施的通胀。

[事实] 嘉宾举例称，IBM 咨询、法律服务等行业可能用更少人完成同样工作，表现为裁员、降薪或人效提升。

[事实] 与之对应，tokens 拉动算力投资，带来光纤、存储芯片等上游资源涨价。

[49:41] CAPEX 对 OPEX 的跨期替代

[事实] 嘉宾解释，OPEX 是日常经营开支，包括员工薪酬、办公租赁、水电等；如果 1 万人变 8000 人，OPEX 会下降。

[事实] 省下来的钱可能被企业投向 CAPEX，用于购买算力、训练模型或租赁算力。

[事实] 嘉宾认为，更多 CAPEX 建设出来的算力中心，会训练出更强模型，未来进一步节约经营成本。

[推测] 这是一种把当前资本开支转化为未来运营效率的跨期替代逻辑，但节目也承认企业可能因此开展更多业务、雇更多人。

[53:31] CAPEX 成为科技企业创新力的前置指标

[事实] 嘉宾认为，在 AI 时代评价科技企业创新力，不应只看研发人员、研发费用、ROE、毛利率或净利率，而要前置看 CAPEX。

[事实] 节目认为，如果科技企业此时不愿意投 CAPEX，可能意味着它没有训练更领先的模型，也难以带来 tokens 和 ARR 增长。

[事实] 嘉宾提到，2024、2025 年北美四大 CSP 如果上调 CAPEX 指引，股价可能上涨，因为市场认为花钱能转化为模型性能和未来收入。

[推测] 在这个框架下，CAPEX 不只是成本压力，也可能被市场理解为参与 AI 竞赛的“续命投入”。

[55:37] 合同负债、递延收入与投入产出闭环

[事实] 嘉宾提出，除了 CAPEX，还要看合同负债或递延收入作为投入产出闭环指标。

[事实] 节目用 ChatGPT 年费订阅举例：用户一次支付年费，企业当月只确认部分收入，剩余部分形成递延收入或合同负债。

[事实] 如果 CAPEX 增长、模型能力提升、用户付年费并带来合同负债增长，说明未来收入兑现程度更高。

[事实] 嘉宾将框架总结为：产业侧看 tokens，财务侧看 CAPEX 和合同负债，最终验证 ARR。

[58:30] AI 原生收入与组织变革

[事实] 嘉宾认为，AI 还能体现为存量业务被 Copilot 赋能，例如广告收入增速提升。

[事实] 嘉宾还提到新增 AI native 业务，例如快手可灵带来新的订阅收入。

[事实] 节目指出，生成式 AI 也带来组织形态变化，十几个人的公司可能在几个月内做出几千万美元收入。

[推测] 这一段强调，财务指标背后还有社会和组织层面的变化，例如超级个体和小团队能力被放大。

[61:09] 英伟达五层蛋糕与能源层

[事实] 节目讨论了黄仁勋提出的“五层蛋糕”框架，从能源层、芯片层、基础设施层，到模型和应用层。

[事实] 嘉宾认为，AI 的尽头是电力，因为每个 token 的生成都对应电子运动和电力消耗。

[事实] 节目提到，单张 H100 芯片功耗约 700 瓦，一个万卡智算集群年耗电量约 5 亿到 10 亿千瓦时，相当于一个小县级城市一年的用电量级。

[推测] 能源被节目视为 AI 产出能力的第一性约束，而不只是普通成本项。

[63:40] DAU 不足以衡量 AI 公司价值

[事实] 嘉宾指出，ChatGPT 日活约 1 亿多，Claude 日活约 1100 万，但二者 ARR 都可达到约 300 亿美元。

[事实] 嘉宾认为，ChatGPT 的 C 端用户更多，而 Claude 面向企业级客户，单个用户价值更高。

[事实] 节目强调，不能再单纯用 DAU 衡量生成式 AI 企业，应更多关注 tokens 消耗量和企业级付费能力。

[推测] 这强化了前文“tokens 取代移动互联网指标”的投资框架。

[64:32] 能源、芯片、机房和散热构成硬约束

[事实] 嘉宾认为，算力扩张和能源消耗呈指数级正相关，能源直接划定 AI 算力产出的总量上限。

[事实] 节目指出，AI 不是纯软件魔法，底层仍是物理世界；没有电就没有计算，没有计算就没有 tokens，也就没有回答。

[事实] 嘉宾提到，清洁智能电网、电力基础设施、公用事业、电网设备等方向，可能受益于 AI 的硬约束。

[推测] 这把投资关注点从模型公司延伸到电力、数据中心和上游基础设施。

[66:22] AI 电力 ETF 与 Holo 资产

[事实] 节目提到 AIPO 是美股 AI 芯片和电力基础设施基金，2025 年年初成立，持仓集中在发电、数据中心电力全链条公司。

[事实] 节目还提到美国 AI 电气化 ETF ZAP，并称 AIPO 年初以来收益率约 29%，ZAP 约 16%。

[事实] 嘉宾解释 Holo 是 Heavy Assets Low Obsolescence，即重资产、低淘汰率，典型资产包括电网设备、水电管道、公用事业和交通基础设施。

[事实] 嘉宾认为，投资者在寻找高进入壁垒、不易被技术淘汰，同时受益于 AI 电力需求的实体资产。

[70:24] 恒生科技缺少 Holo 与 AI 硬资产属性

[事实] 主持人询问恒生科技和中概互联，嘉宾认为恒生科技表现差与缺少 Holo 类资产有关。

[事实] 嘉宾称，恒生科技指数中可选消费和信息科技占比较高，许多成分本质上与电商、消费、游戏、汽车等顺周期消费逻辑相关。

[事实] 嘉宾认为，恒生科技中的许多公司仍是可扩张轻资产叙事，缺少重资产、高壁垒、不可替代、建设周期长的属性。

[事实] 嘉宾承认恒生科技已经便宜，但认为在有更多“性感”的选择时，资金会先去更好的资产。

[73:30] 恒生科技从成长交易转向价值交易

[事实] 主持人提到，恒生科技份额走势图类似 2022 到 2024 年的中概互联：基金净值下跌，但份额大幅提升，很多资金在抄底。

[事实] 嘉宾认为，恒生科技中很多公司已经从低渗透率、高成长阶段，进入稳定成长或偏价值阶段。

[事实] 嘉宾认为，主导恒生科技的资金可能已经从成长投资者变为价值投资者，因此市场表现和过去的高弹性阶段不同。

[推测] 节目将恒生科技的低估值理解为价值交易逻辑，而不是自动意味着高成长回归。

[75:32] 中概互联、降本增效与业务拆分

[事实] 嘉宾认为，中概互联越来越像恒生科技，因为许多 ADR 公司已转为港股 dual listing，成分股与恒生科技有大量重合。

[事实] 嘉宾表示，如果中概互联公司通过 AI 降本增效，投资者可能赚到三费下降带来的 EPS 增长，但未必能赚到估值提升的钱。

[事实] 嘉宾认为，若公司有更好的新兴业务，资本市场往往更愿意看到其单独拆分、单独定价。

[事实] 节目提到，多元化业务在某些阶段可能是溢价，在增长点变小、老业务拖累时也可能是折价。

[78:41] AI、资源冗余与中国原始创新

[事实] 嘉宾认为，现在的年轻一代相比 80、90 年代成长者，可能有更多父母留下的房产财产、更多社会资源匹配和较低竞争烈度。

[事实] 嘉宾提出，中国过去依靠低端劳动力红利和工程师红利，更多做 me too、me better，而不是大量原始创新。

[事实] 嘉宾认为，过去容错太低、资源太紧，导致孩子很难有时间和空间犯错；资源冗余之后，原始创新条件可能逐渐形成。

[推测] 这段讨论把 AI 带来的时间释放，与更高容错率和原创性探索联系起来。

[80:45] UBI、时间释放与人的自我解放

[事实] 嘉宾提到 UBI，即无论是否工作、贫富如何，每个社会成员都按月或按年获得一笔基础现金收入。

[事实] 主持人概括说，人这个要素终于可能享受某种程度的溢价，被解放出来去做人应该做的事情。

[事实] 主持人同时强调，AI 不会自动解放人，人只能自己解放自己。

[事实] 节目引用凯恩斯 1930 年关于 100 年后人类每周只需工作 15 小时的预言，并指出距离 2030 年还有几年时间。

[84:31] AI 财富集中与制度适配

[事实] 嘉宾认为，生成式 AI 对脑力劳动的替代和生产力放大，会带来新的生产关系和社会结构。

[事实] 节目提到，AI 创造海量财富，但财富可能流向少数芯片、大模型等巨头企业，大部分人未必在过程中获得同等财富创造。

[事实] 嘉宾认为，需要制度适应技术冲击并扭转分配结果，否则可能出问题。

[事实] 节目将 UBI 描述为光明版本，将 K 型化的阶级固化描述为暗黑版本。

[85:32] 第三个 AI 强国与技术新芽

[事实] 主持人追问，除中国和美国之外，第三个 AI 做得好的国家可能是谁；嘉宾表示不知道，提到过去有人说法国、韩国还可以。

[事实] 节目最后回到技术不确定性：2022 年人们觉得技术青黄不接时，新技术其实已经快要酝酿出炉。

[事实] 主持人说，自己使用 AI 工具时也有类似感受：刚觉得用得差不多，马上又出现新东西，需要重新学习。

[推测] 结尾呼应全期主题：AI 的演化速度和方向仍不确定，适应能力本身成为个人、企业和投资者的核心变量。

播客点评/总结

本期价值在于把“AI 有没有泡沫”从情绪讨论拉回可验证指标：tokens、CAPEX、合同负债、ARR、AI native 收入和能源约束。它不是简单看好 AI，而是试图搭建一套能跟踪、能复制、能验证的投资框架。

亮点是把模型竞争、软件冲击、Agent 生态、MCP/Skills、算力基础设施和 Holo 资产串成一条线。尤其是“人力资源通缩转化为算力基础设施通胀”这一表述，清楚解释了为什么 AI 叙事会从软件扩散到电力、存储、光纤、数据中心和重资产。

局限是节目大量依赖投资视角和市场定价逻辑，对具体数据来源没有在转录稿中逐一展开验证；部分公司 ARR、用户数、ETF 收益率等数据应在发布前另行核对。关于 UBI、原始创新和社会制度适配的讨论更偏开放性延伸，适合标为趋势判断而非确定结论。

[推测] 这期适合关注 AI 投资框架、软件行业重估、Agent 生态和基础设施机会的听众；如果只是想了解 AI 工具使用教程，可能会觉得讨论偏宏观、偏资本市场。