← #805

英伟达的风险生意

文章摘要

Ben Thompson 这篇 Stratechery 长文用一个 150 年前的金融故事作为引子：1870 年 1 月 1 日，因为在南北战争中为联邦政府筹款而被奉为美国英雄的杰伊·库克（Jay Cooke），签下了一份为北太平洋铁路（Northern Pacific）募资的合同——每卖出一美元债券抽 12% 佣金，外加每一千美元债券配 200 美元股票。传统机构投资者对这批没有联邦担保的债券毫无兴趣，于是库克把卖战争债券的那套打法搬了过来：诉诸爱国情怀、控制媒体口径、许诺铁路财富，再配上工业化规模的分销网络。巅峰期他雇了 1500 名销售员、资助了 1300 家报纸，硬是把散户变成了铁路建设的主要资金来源。这确实是了不起的金融创新，但北太平洋的资本需求是无底洞。1873 年 9 月，维也纳股市崩盘加上白银去货币化让全球信贷收紧，库克再也找不到买家，杰伊·库克公司破产，直接引爆了 1873 年恐慌——全国铁路连锁破产、多年萧条、数十年通缩，甚至可以说为四十年后的欧洲埋下了火药桶。

Thompson 引用了 Liaquat Ahamed 今年出版的新书《1873》，书的扉页就在做一件事：把当年的钱换算成今天的量级——按经济体规模折算，乘数约为 1200 倍。于是 1870 年代繁荣期每年投入美国铁路债券的 5 亿美元，相当于今天的 6000 亿美元，恰好接近 2026 年主要科技公司的预计投资额。微软 CEO 纳德拉在最近的财报电话会上把《1873》称为”当下必读的书”，而微软也恰好是唯一一家仍有可观自由现金流（上季度 196 亿美元）的超大规模云厂商，是唯一还能用”我的资本开支不是靠借债”来否认泡沫的公司。

一年前这个辩护适用于几乎整个大科技板块。但去年九到十一月间，甲骨文、Meta、Alphabet、亚马逊合计发行了 800 亿美元债券。这只是开始：2025 全年这四家共募资 1080 亿美元，而截至今年 7 月 7 日已经募了 1940 亿美元。信用利差在扩大，今年发行的债券中 86% 目前收益率已高于发行时，认购倍数从 2 月的 5 倍跌到不足 2 倍。真正的震撼来自 6 月初——谷歌宣布增发 850 亿美元股权，其中包括向伯克希尔·哈撒韦定向发行的 100 亿美元。

文章随后转向 DeepMind 的人事地震。DeepMind CEO 德米斯·哈萨比斯被”升任”董事长、不再管日常运营，Gemini 联席负责人兼前首席科学家 Jeff Dean 及一批知名研究员离职后，SemiAnalysis 直接宣称”Gemini 完蛋了”，认为 DeepMind 已不再是前沿实验室，重回 SOTA 的概率归零，问题不在个人而在谷歌”极度官僚、缓慢、战略上畏首畏尾”的文化——毕竟 DeepMind 比 ChatGPT 早一年就有聊天机器人却因怕冲击主业不准发布。Thompson 补充了自己的解读：哈萨比斯信的是世界模型而非纯文本/代码，这解释了 Gemini 多模态强、编码和长程 agent 能力弱；谷歌只是失去了让他慢慢验证的耐心，新任 CEO Koray Kavukcuoglu 背后站着谢尔盖·布林，公司可能正在转向 Anthropic 那种以文本和代码为中心的路线。

但这恰恰是文章的核心转折：谷歌在前沿模型上失手，不代表伯克希尔那笔投资是坏生意——反而可能是好消息。谷歌云上季度同比增长 82%（上一季 63%，一年前 32%），毛利率 36%。皮查伊在财报会上解释为什么要租第三方算力时提到”有些超大客户我们要在这个非凡时刻支持他们”，这个客户几乎肯定是 Anthropic。SemiAnalysis 称 2026 年三季度到 2027 年四季度，超过 20% 的 TPU 出货直接卖给 Anthropic。谷歌云 CEO Thomas Kurian 不是 AGI 信徒，他反复强调 TPU 成为”通用基础设施”很好，作为平台公司要让技术以尽可能多的方式被变现，不视之为零和游戏。Thompson 的判断是：不管谷歌是否还在争夺前沿，它绝对是在争夺 AI 基础设施的统治权；而在智能商品化的世界里，TPU 是大杀器——商品市场里边际成本决定的不只是盈利能力，更是生存能力，TPU 大概率比英伟达 GPU 便宜，Anthropic 直接买 TPU 建自己的数据中心（把算力从边际成本转成资本开支）本身就是佐证。谷歌把现金流、债务、乃至股权全押上，图的不是利润率而是绝对利润数字——在这个类比里，伯克希尔是喜诗糖果，谷歌是 BNSF 铁路。

文章的最后一块拼图是英伟达的应对。黄仁勋在新开的 X 账号上发文宣布，英伟达与阿波罗、贝莱德、黑石、Brookfield、高盛、KKR 合作建立独立融资平台，目标是动员超过 5000 亿美元第三方资本支持 AI 基础设施建设。他的论证是：AI 工厂具备可投资基础设施资产的全部特征——产生收入、服务广阔市场、性能随时间提升（CUDA 让它越用越好）、可重新部署，因此残值有保障。Thompson 指出这与谷歌增发股权异曲同工，都是在投资级债券市场之外寻找新的资金池，但差别是刺眼的：股权稀释的是投资者的上行空间、不增加公司风险，而这个结构保住了英伟达的利润率，却把风险转移给了新的资本池。而且这不是完全免费的午餐——英伟达对最高 25% 的残值提供兜底，这说明黄仁勋自己比市场更相信这套说辞，也说明这实质上是一种变相降价：用英伟达的利润为不确定的投资背书，以降低用英伟达芯片建数据中心的资金成本。这一动作正是谷歌（以及很快是亚马逊）激进策略的下游后果：如果新数据中心的约束是资本而非算力效率，那么更低的前期价格可能比 token 效率更重要。

Thompson 的落点回到 1870 年：库克那份合同的上行空间确实惊人，但正因为它极度危险；开创新的融资机制只会在崩盘时把痛苦扩散得更广。烧光自由现金流是一回事，动用债券市场是另一回事，而把保险浮存金、养老金这类追求安全的长期负债牵扯进来，则是全新的、令人心惊的第三件事——而且这份风险不像股权那样被明确标价。他的结语只有一句：AI 最好在为时已晚之前把价值兑现出来。

HN 评论精华

tolugenius 提供了本帖最受认可的补充视角：英伟达在机器人领域已有布局，即便 LLM 这条线的地位削弱，机器人是另一条更难被切入的赛道；而且英伟达仍是西方唯一主力，中国必然会建自己的全栈，这让欧洲等地区面临”买英伟达因为它是唯一选择，还是出于安全考虑另选”的抉择。他的核心判断是：英伟达的地位建立在多个条件同时成立之上，而现在这些条件正在同时被挑战。
wongarsu 认为即便在西方英伟达的统治也必然减弱，HN 上关于在 AMD 硬件上跑大模型的文章明显增多。AMD 的软件生态仍远逊于英伟达，但”给 vllm 打补丁让它跑通你在意的那一两个模型”，比在其他 AI 领域使用 AMD 要容易得多。
doctorwho42 澄清了一个常被混淆的问题：一家公司完全可以既供应全球 80% 的同类产品，股价又同时下跌。只要市场给了过高估值，然后增长的增长（二阶导）无法维持，就会出现修正。即便你每年稳定替换全球 80% 的硬件，但市场份额和需求不再增长，在股市眼里你就是停滞的。他指出这正是老牌成熟公司变成分红股的原因，”但硅谷造出了一套’不扩张到新领域就是在衰退’的哲学”。
acdha 用英特尔 2010 年前后作类比：那时 POWER、MIPS 等竞争对手已被边缘化，英特尔掌控桌面和服务器，AMD 被压制，苹果刚刚转投英特尔——然后分析师的预测与实际发生的事完全对不上。思科在十年前也是同样剧本。他补充说，英伟达赚得越多，竞争对手的动力就越强，客户寻找替代品（比如 TPU）的意愿也越强。coredog64 用一句贝索斯名言接住了这一点：”你的利润率就是我的机会。”
bigyabai 是反方最有力的声音：CUDA 二十年来一直被说要被替代，但今天并没有更接近一个替代性的 GPGPU 范式。他指出 CUDA 不是只服务 LLM 的一招鲜，而 TPU 是——加密货币矿机时代的老兵会告诉你 ASIC 最终输了，因为英伟达迭代硬件的速度比 ASIC 厂商更快。coredog64 反驳说 AWS 最初区分 Trainium 和 Inferentia，现在 Trainium 两者通吃；bigyabai 承认了这一点，但坚持 TPU 架构本质上是脉动阵列，在可扩展性和灵活性上有其局限。他还回顾了历史：苹果无偿推动 OpenCL、拉拢 Khronos 对抗英伟达，但 OpenCL 需要硬件标准化而没人愿意做可扩展的 GPGPU 架构；AMD 和苹果都押注光栅化效率，结果英伟达早已把专用光追和张量硬件塞进 GPU，两家互相下注，最后只有英伟达赢了。
jcfrei 给出了本帖被引用最多的分析框架：这类投资论证的一阶假设通常是对的（算力需求确实巨大，每年都会新建数据中心），失败往往出在二阶假设上——即对需求增长速度的预期。他的结论很精确：”需求可能会持续存在，但不会每年都增长。而这就足以颠覆整个投资故事。”债券最终变成英伟达的沉重负担，不是因为人们停止购买更多算力，而是因为人们停止了每年购买更多。
onlyrealcuzzo 补充了预测困难的技术原因：同等质量输出所需的算力过去五年大约每 18 个月下降 90%。他给出了两个开放问题：这个趋势能延续多久，以及如果小模型”够用了”、价格成为主导因素，对高成本模型的胃口会何时下降。他的极端设想是：”五年后完全可能有超过 100 倍的推理量，但 AI 芯片需求只有 2 倍甚至更少。”
围绕杰文斯悖论（Jevons paradox）有一场高质量拉锯。mattnewton 认为效率提升不会降低算力需求，反而提高单位算力的价值，短期内不会用完经济上有价值的用途；他更担心的是效率提升本身撞墙。adrianN 反驳说一旦效率高到消费级硬件上的本地模型”够用了”，云端 token 需求可能急剧萎缩。pseudosavant 用具体数字浇了冷水：这可能还要 5 年以上，瓶颈是内存——即便量化到 Q4，128GB 的 DGX/RTX Spark 跑 30B 激活参数的 MoE 也只有约 18 tokens/秒，而这是 5000 美元以上的硬件，同时内存价格正变得高不可攀。aurareturn 则用带宽类比支持杰文斯：从 56k 调制解调器升级后我们没有用同样的带宽跑得更快，而是开始看 4K 流媒体。
hylaride 提出了本帖最好的历史类比之一：铁路是未来，但这没能阻止大量（常常有补贴的）线路因腐败或规划中的定居点从未到来而变得不经济。更贴近的类比可能是 1990 年代末的光纤建设潮——数据需求从未真正下降，但行业最终商品化并拖垮了北电这样的巨头。
whatever1 给出了一组冷峻的数字：每家超大规模云厂商去年投了约 2500 亿美元基建，这意味着仅为覆盖烧掉的现金成本，每年就要写出 200 亿美元的 AI 利润。”我们还没到那儿。现金流枯竭了，所有人都在借债支撑资本开支。谷歌历史上第一次自由现金流为负，亚马逊也是。”
cmiles8 的一段话被 rglover 称为”目前读到过对这个悖论最好的表述”：会被 AI 泡沫破裂扫地出门的人，并没有看错 AI 的长期前景，他们只是把自己置于无法熬过 A 点到 B 点之间风暴的位置上。
反方也有清晰的声音。KaiMagnus 认为盯着超大规模云厂商本身就有误导性——对程序员和科技公司来说 AI 已经无聊了，但普通企业的 AI 整合仍是未开垦的地带。yaportmax 补充了一组对照：Codex 最近庆祝 1000 万用户，而微软 Office 有 10 亿用户；模型仍然慢、需要手把手、有时输出糟糕，”想象一下当你从每 30 分钟提示一次变成每天一次、每周一次、每月一次时的价值”。
Erikun 贡献了本帖最精炼的一句吐槽：”看来我们已经进入《万能回形针》的股票市场阶段了。”

（原文抓取成功，Stratechery 该篇为免费文章，全文可读。）