Economics of AI (Stanford MS&E 435)

大纲

Stanford MS&E 435（2026 年春季）由 Apoorv Agrawal 主讲，他是 Altimeter Capital 的投资人，早年在 Palantir 写过 Spark。每周一节课，邀请一位创始人或投资人客座，按查塔姆守则（Chatham House rules，发言可引但不可点名）进行——客座经常爆料，所以课堂内容比公开博客、访谈更新、更尖锐。课程主页：https://mse435.stanford.edu/

四周共享一条核心论点：

AI 价值链是倒置三角形——钱在底部（芯片、算力），不在顶部（应用）。云时代那种 V 字形（应用赚钱）至少要再过 10-15 年才有可能在 AI 重演。整门课就是在拆：这个三角形为什么不下沉、什么条件下才会下沉。

每周一份课堂视频作为主源，再配 2-5 份阅读材料作辅源。

第 1 周 — 钱在 AI 的哪一层

AI 价值链是云栈的镜像：钱集中在底层芯片（NVIDIA 一家拿走 70%+），离终端用户最近的应用层反而赚得最少。这不是周期早期的过渡现象——Apoorv 的判断是这种格局可能持续 10-15 年甚至更久，因为 AI 和 SaaS 的经济学根本不同（边际成本不为零）。本周建立的”倒置三角形”是后 9 周的分析骨架。

1.1 课程定位与核心问题

Apoorv 开场点出两条主线：

• 盯紧超大规模云厂商（hyperscaler）的财报：每季度公开电话会议上，CEO 都会主动谈他们最大的赌注和担忧。他特别推荐养成这个习惯——上市公司 CEO 一年会主动告诉你四次他们最焦虑的问题
• 9 周客座阵容：从半导体、基础设施、能源、模型一路覆盖到应用和智能体。课堂遵守查塔姆守则，客座爆料不要传出去
• 课程目标：“5 年后再被问起这一轮 AI 超级周期（supercycle）你是否亲历，你应该能说亲历过”——这批学生有一半会创业、一半会投资 AI

1.2 倒置三角形：五层蛋糕的价值分布

Apoorv 借用 Jensen Huang 的”五层蛋糕”框架（能源 → 芯片 → 电力与互联 → 存储 → 上面跑的模型与应用），对比 AI 栈和云栈的根本差异：

两年纵向对比（2024 → 2026）：生态规模翻了 5 倍（900 亿 → 4350 亿美元），但价值链形态几乎没变——新增的约 3500 亿美元收入里有 75% 直接流向半导体层。应用层翻了十倍以上，却没撼动底部分配。

1.3 关键判断：AI 不是 SaaS

AI 不是软件——它没有”边际成本为零”这件事。用户多就要算力多，所以规模越大利润不会越高，token（模型计费单位）账单基本约等于收入。

这是 Apoorv 整个 9 周课的隐含理论底座。它直接解释了为什么应用层利润低、为什么注定要靠广告——SaaS 时代”软件吃世界”靠的是边际成本归零叠加 90% 毛利复利，但 AI 是每多一个用户就多烧一份 GPU。

学生提问环节，他给出更精细的拆解：

• Salesforce、Palantir 这类老牌厂商算不算应用层？算——它们购买模型推理的支出会被记到上层
• 是否存在时间错配？存在——芯片层建产能要 5-6 年，应用层收入是当下产生的，所以底部资本开支（CapEx）必然过冲，类似 2000 年代电信光纤过度建设（fiber overbuild）的早期镜像
• 什么时候翻转？他押注 10-15 年甚至更久——云用了大约 10 年完成这件事，AI 这一次他的直觉是会更久

两个翻转的催化剂（Apoorv 明确点名）：

1. 任一家超大规模云厂商的专用集成电路（ASIC，application-specific integrated circuit）计划——Google TPU、Meta MTIA、AWS Trainium、OpenAI 自研——出现爆款级成功，会触发全栈重定价
2. 超大规模云厂商在财报里停止上调资本开支指引，意味着当前的均衡撑不住了

1.4 训练与推理：NVIDIA 内部最受关注的数字

学生问”训练推理的负载混合为什么不影响 NVIDIA”，Apoorv 给出业内最被追问的一组数字：

• NVIDIA 当前在网设备里，推理占 40%、训练占 60%（来自最近一次财报披露）
• 推理负载形态：脉冲式使用、全天有周期波动，连圣诞节都会跌
• 训练负载形态：可预测、利用率高、时间段较短
• 推理占比长期会继续上升，但没人能预测拐点时间

这条数据是后续几周——尤其是第 2 周 Sunny 那段讨论”NVIDIA 出货份额下降但收入仍占 50%+“——的根本依据。

1.5 消费 AI 三梯队和 ARPU 鸿沟

Apoorv 提出消费应用三梯队框架（按全球周活用户 WAU，weekly active users 分布）：

当下定位：

• ChatGPT 刚跨过细分进入社交档，周活约 9 亿
• Gemini 还在细分档，周活约 2 亿
• Apoorv 自己的话：“作为投资人我当然希望 ChatGPT 成为必备型工具”——但它不是消息平台、不是收件箱、不是多巴胺刺激源，本质是主动查询工具。主动发问这件事，注定不可能覆盖全部 40 亿在线人口

每用户平均收入（ARPU，average revenue per user）的鸿沟比周活更刺眼：

Apoorv 的判断很明确：要把 $10 拉到 $100，靠订阅远远不够，必须靠广告——对话式提问意图清晰、用户已登录、归因（attribution）链路短，这三点会让 AI 广告的千次展示成本（CPM，cost per mille）比 Google 传统广告更高。这是本课程最锋利的一条第一性原理预测。

1.6 与阅读材料的对照

5 篇辅读博客（Apoorv 自己 2024-2026 年的写作）基本覆盖了课堂论点：

• 《Economics of GenAI》（2024）——倒置三角形最初提出
• 《Two Years Later》（2026）——复盘形态不变，外加 5 家 ASIC 成熟度对比
• 《State of Consumer AI 1-3》——用周活、留存、使用时长三个维度支撑梯队论
• 课堂独有的判断：10-15 年翻转的时间预测、对必备型工具地位的不乐观、对广告路径的”第一性原理看好”——这些都是公开博客里没有明说的现场判断

第 2 周 — 芯片与 GPU 经济

Brad Gerstner 把镜头拉远到 2000 年量级的 GDP 增长曲线，将 AI 定性为”工业革命影响的 10 倍、速度的 10 倍”。Sunny Mudra（Groq 总裁）从内部视角讲：NVIDIA 真正的护城河不是 CUDA，而是高带宽存储（HBM）的买方垄断（monopsony）和对客户配额的控制。本周最反直觉的判断不是”NVIDIA 会下来”——而是”5 年后 NVIDIA 只占出货量的 10%，但收入仍占 50%+“。

2.1 Brad 的宏观框架：AI 是 10 倍速的工业革命

Brad Gerstner 开场不讲芯片，先放一张 2000 年长跨度的 GDP 曲线：

• 前 1800 年：曲线几乎水平，人类只在求生存，没有过剩生产力
• 1800-1900 年：工业革命爆发，GDP 翻倍所需的年限从世纪级降到几十年
• 当下：全球 GDP 每 25 年翻一倍
• 对 AI 的预测（引自 Demis Hassabis）：影响是工业革命的 10 倍，速度也是 10 倍——10 年走完工业革命 100 年的路

落到投资视角：

• 科技占全球 GDP 的比例从 5% 上升到 13%
• 过去 10 年纳斯达克的每股收益（EPS，earnings per share）复合增长率 15%，非科技板块只有 6%——科技公司本来就复利更快，AI 会进一步加速

Brad 留给学生的金句：今天你必须借 AI 把自己升级成”半机械人”——不用不行。10 年前我看你的学校、看你工作的公司；今天我只看你能不能交付远超平均水平的价值。

2.2 NVIDIA 的真正护城河：HBM 买方垄断与客户配额

Sunny Mudra（Groq 总裁，原 Definitive Intelligence CEO，公司被 NVIDIA 收购后加入 Groq）从内部视角拆解 NVIDIA 的真护城河——不是 CUDA：

• 理论上 NVIDIA 一年能造 5000 万颗 GPU 裸片（die，与手机芯片同款工艺）
• 实际只造约 550 万颗
• 瓶颈不在芯片本身，而在 HBM（high bandwidth memory，高带宽存储）和中介层（interposer）封装
• NVIDIA 是 HBM 的买方垄断方——和卖方垄断（monopoly）相反，全市场只有它一家在大量买；HBM 厂利润率本来就高，没有扩产的动力
• 锁定 HBM 大单需要提前两年下订

超大规模云厂商自研芯片的真正动机不是性能、也不是成本，是对命运的掌控——不再让 NVIDIA 决定自己能拿到多少 GPU 配额。Sunny 直接点破常见误解：自研芯片的逻辑是不再被告知自己的配额上限，而不是为了更快。

2.3 五年芯片市场预测：营收主导和出货份额脱钩

Sunny 给出全场最具体的一组预测：

芯片业天然的护城河是时间：从设计到量产 3 年（执行完美才行），实际通常 4 年。只有 14% 的芯片做到首次流片成功（A0 silicon，first-pass silicon）。Groq 的三颗芯片都做到了 A0，把迭代节奏压到 一年一代——这是它的核心差异化。

至于新入局者想造芯片硬刚 NVIDIA：3 年起步已经追不上，太晚了。

2.4 速度是被严重低估的护城河

Sunny 用**消费品包装行业（CPG，consumer packaged goods）**做类比，说明速度才是真正的护城河：

• 这个行业里高利润品的共同特征是”作用速度”：香烟 > 嚼烟 > 软饮 > 水
• 生效越快，多巴胺关联越强，品牌价值越高
• 互联网同理：Google 和 Facebook 都押注速度，每提速 100 毫秒带来 8% 的转化率提升

延伸到 AI 推理：客户上来都问速度，但意识到算力短缺后立刻转问”能给我多少”——Sunny 坚信，速度才是真正的差异化。

由此得出的延伸结论：CUDA 的开发者锁定（lock-in）不是护城河——训练阶段有用，推理阶段无用。Groq 已有 220 万注册开发者，NVIDIA 声称有 600 万 CUDA 开发者——推理市场的这道墙在塌。

2.5 中美 AI 竞争：主场与客场

Sunny 给出第 1 周辅读完全没覆盖的一个原创框架：

• 主场：中国能赢自家——150 座核反应堆加上党的补贴运营，能效差也能撑得住
• 客场：盟友市场（韩国、日本、欧洲、印度）才是真正战场。一个电力规模只有 100MW 的国家不会为了 AI 再建核电站——这种地方，能效更高的芯片就是决定性优势

美国未来 2-3 年的客场窗口，决定能不能把盟友拉进美国 AI 阵营。

欧洲的能源解药：

• 挪威风能利用率 80%，风电翻 5 倍就能供整个美国的规模
• 与沙特做”数据使馆”（data embassy）安排——欧洲数据主权配上沙特能源（3-4GW 即将上线）
• 日本重启核电、铺 2nm 晶圆厂、安排 650 亿美元 AI 预算
• 法国和韩国都会建核电站

不行动的下场，Sunny 一句话说完：欧洲会变成旅游经济体，人们只为看老房子才来。

2.6 阅读材料与课堂的对照

• Acquired 那期 Brad Gerstner（2022）：作为 Brad 的背景介绍——本周课程的真正主源是 Brad 当周在 Stanford 的判断，不是 4 年前的播客
• 20MinutesVC 那期 Jonathan Ross（2025）：Ross 本人的访谈，和本周课堂上 Sunny 的视角互补——Ross 是 Groq 创始人视角，Sunny 是 Groq 总裁兼 NVIDIA 收购前 Definitive CEO 的视角
• 课堂独有的判断：Brad 的 2000 年 GDP 长轴加”10 倍工业革命、10 倍速度”框架；Sunny 给出的”5 年后 50%+ 营收但 10% 出货量”的具体数字

字幕校正记录：第 2 周的自动字幕把 Groq 听成 Grock（21 处）、Altimeter 听成 Ultimter/Ultim（5 处）、Gerstner 听成 Gersonner（1 处）、Anthropic 听成 Enthropic（2 处）、ChatGPT 听成 Chat GBT（1 处）、OpenAI 听成 Open AAI（2 处），均已批量替换回写。

第 3 周 — AI 数据中心

Chase Lochmiller 把 AI 投资重新定义为”创造数字劳动力”——借柯布-道格拉斯（Cobb-Douglas）模型说明：超大规模云厂商不是在烧钱建数据中心，而是在用资本开支替代生育。这是整门课最值得停下重读的一次重定义。当下 AI 资本开支已经是仅次于美国国防预算的人类投资项目，规模大过阿波罗计划、曼哈顿计划和全美高速公路之和。

3.1 投资规模锚定

Apoorv 开场把超大规模云厂商的 AI 资本开支放进历史尺度对比：

• 大于阿波罗登月计划
• 大于曼哈顿计划
• 大于全美高速公路系统
• 仅次于美国国防预算

这是人类正在做的最大几项投资之一。

3.2 Chase 的核心重定义：把电子转成 token，就是创造数字劳动力

Chase Lochmiller（Crusoe 创始人兼 CEO，Stanford 研究生校友，登顶过 5/7 大洲最高峰）整场演讲建立在一个重定义上——AI 不是”建数据中心”，是”创造数字劳动力”。

借助经济学的柯布-道格拉斯模型（GDP 增长公式）：

GDP 增长 = f(Δ 劳动力, Δ 资本, Δ 技术)

• 历史上，劳动力增长只能靠生育——20 年提前期，还要养、要教育
• AI 时代：通过资本开支和 GPU 投入，可以数字化地创造劳动力——给 Claude 一个”帮我做一个客户关系管理系统（CRM，customer relationship management）“的任务，就是数字劳动力被实例化的那一瞬间
• 所以超大规模云厂商的资本开支不只是算力投资，而是把资本直接转化为劳动力的工业基建——这是工业革命以来从未发生过的事

Chase 自己的精炼：之所以这些投资如此广泛，是因为加速数字劳动力存在彻底重塑经济的机会。

3.3 数据中心的 AI 构成方程

Chase 给出第一性原理的拆分，“AI 由四样东西组成”：

Crusoe 的定位是垂直整合的 AI 基础设施公司——能源、数据中心、算力一起做。这种整合是新品类，因为传统”数据中心 = 房子 + 机柜”的拆分方式已经不够用。

3.4 GPU 数据中心和传统数据中心的根本差异

辅读 A Primer on AI Data Centers 给出的技术骨架（课堂没展开，Chase 默认学生已读）：

规模演进：

地理路径依赖：1969 年阿帕网（ARPANET）服务于华盛顿特区，由此让北弗吉尼亚成为数据中心之都，55 年路径依赖延续至今。

AI 时代的关键差异：训练不需要靠近终端用户——对延迟和带宽要求都低，可以建在任何地方。Crusoe 用搁浅能源（stranded energy，包括油田尾气、闲置可再生能源）做数据中心，这一商业模式的前提就是 AI 数据中心不必接近用户。

集成系统化：摩尔定律放缓，单芯片性能提升越来越难，只能把硬件互相靠得更近——从 GPU 到服务器，到机柜组（POD）、超级机柜组（SuperPOD），再到整座数据中心，是同一条逻辑链。Google TPU 架构叫脉动阵列（systolic array）不是巧合——systole 在希腊语里就是心脏收缩。

3.5 能源瓶颈与解药

辅读和课堂一致强调：算力短缺的根源不是芯片，是电力。

短期：

• 接入电网（on-grid）：可靠性好，但电网扩容要数年
• 离网（off-grid）：自建电源——AWS 在 Indiana 投 110 亿美元建数据中心，配套 4 座太阳能场和 1 座 600MW 风电场；Amazon 收购 Talen，把数据中心建在 2.5GW 核电站旁

中长期：

• 核能：清洁稳定，挑战在经济可行性、行政许可（permitting）和政治敏感性
• 长时储能（long-duration batteries）：消除可再生能源间歇性的必备补件
• 许可流程自动化：建数据中心和扩电网都被审批拖死，许可软件公司是隐形受益者

3.6 阅读材料与课堂的对照

• Eric Flaningam 的 A Primer on AI Data Centers：5 层价值链、能源选项、系统集成视角的技术骨架；课堂没复述，默认学生已读
• McKinsey 的 Crusoe 播客：抓取失败，材料缺失（McKinsey 页面反爬）
• 课堂独有的判断：Chase 的柯布-道格拉斯”数字劳动力”重定义；将 AI 资本开支锚定到仅次于美国国防预算的尺度；Crusoe 不止做数据中心、而是包整个栈的垂直整合战略

本周 1 份材料未能获取：McKinsey Crusoe 播客（页面反爬抓取失败）

第 4 周 — AI 应用栈：Ali Ghodsi 谈 AGI 和它为何不重要

Ali Ghodsi（Databricks CEO）的立场和前 3 周形成最锐利对比：通用人工智能（AGI，artificial general intelligence）我们已经有了，别再追超级智能（super intelligence）。MIT 报告里 95% 的企业 AI 概念验证（PoC，proof of concept）失败，不是模型不够强，而是缺企业内部上下文。这个观点把整门课从”芯片层会赚多少钱”重新拉回”应用层为什么进展慢”——答案不在模型质量，在企业数据。

4.1 反主流定位：冷静一点

Ali 开场不谈技术，先安抚学生情绪：

你们 22 岁就在问”我现在该不该创业当 CEO，再等 6 个月人生是不是就结束了”。这不健康。冷静一点，事情需要时间。

他批评硅谷当前追逐”超级智能”是不必要的执念：

• 没人能定义什么叫超级智能
• 大家在读 Kurzweil，想象起飞奇点（takeoff singularity）、GDP 一夜跳 10%、失业率 20%、靠无条件基本收入（UBI，universal basic income）兜底
• 他们是真的相信这些。但不需要相信——AGI 我们已经有了

4.2 颠覆性命题：AGI 已经到了

Ali 现场做了一场”催眠测试”——三个问题让 100 个学生左右脑打架：

他追溯到 2009 年 UC Berkeley AMPLab 时代的 AGI 定义——按那个定义，我们绝对到了。后来人们一直在挪移球门：草莓里有几个 R 数不清就被判定”还不是 AGI”。

延伸推论：如果 AGI 已经达成，那么继续在 GPU 和数据中心上烧钱就不是必需——这直接挑战前 3 周 Apoorv、Brad、Chase 的资本开支框架。Ali 这一周成了整门课的对照组。

4.3 95% PoC 失败的真正原因：上下文，不是模型

主流叙事：MIT 报告 95% 的企业 AI 概念验证失败，说明 AI 还不够好。Ali 的反驳：

走进任何一家企业看看实情——AI 智能体（Agent）真的在和人协作吗？没有。电影《上班一条虫》（Office Space）描述的运转方式至今没变——人类还在传 TPS 报表。AI 公司自己也一样，他们从老牌公司挖销售，用老办法。

那为什么 95% 的概念验证失败？不是模型不够好，是上下文没灌进去：

• 每家公司都有一个”John 或 Jane”——干了 10 年、20 年、30 年，所有人去问、不能丢的关键员工
• 这个人脑子里的上下文不在模型里
• 所以模型再聪明也会犯蠢错——它根本不知道企业内部的”约定俗成”

Databricks 的整个商业模式就是把企业上下文（数据加业务规则）灌进 AI——这就是 Ali 坐上本周课堂讲台的根本原因。

4.4 Chris Paik 的补充：软件经济学正在重演 1990 年代的媒体业

辅读 Chris Paik 的短文 The End of Software 提供了另一条角度：“应用层进展慢，但终将被重构”。

经济学模板：一旦某个行业的创作成本归零，必然出现寒武纪大爆发和价值链重组。

1990 年代媒体业剧本：

• 互联网前：媒体贵——内容必须自己赚钱（订阅、付费、按次付费）
• 互联网到来：人人看见分发成本归零，没人看见内容创作成本也在归零
• 用户生成内容（UGC，user-generated content）起飞，内容供给爆炸，价值迁移到控制分发的平台（Meta、TikTok、YouTube）
• 媒体公司被侧撞——同一个注意力市场，自己的销售成本（COGS，cost of goods sold）却严格更高

对软件业的对应预测：

• 软件贵，是因为开发者贵——他们是”翻译家”（把人话翻译成代码）
• 大语言模型把翻译成本归零，软件将迎来寒武纪大爆发
• Salesforce 不会被另一个一体化的客户关系管理系统取代，而会被一组动态拼装、共同服务同一意图的小东西取代
• 现在读计算机科学，等同于 1990 年代末读新闻学

4.5 Ali 与 Chris Paik 的张力

两份材料在第 4 周形成有趣对照：

Apoorv 把这两种立场同时放进第 4 周显然是有意的——给学生留一个未解决的问题：AGI 是已经达成，还是远未达成？答案决定你该把职业押在哪一边。

4.6 阅读材料与课堂的对照

• Chris Paik 的 The End of Software：作为课堂前的导读，预设学生已经在思考 SaaS 模式是否要崩
• Ali Ghodsi YouTube：材料缺失（YouTube 无字幕），但课堂本身就是 Ali 的最新现场发言，损失不大
• 课堂独有的判断：Ali 的”AGI 已到”立场，“95% 概念验证失败是上下文问题不是模型问题”，以及”《上班一条虫》仍然描述着世界的运转方式”——这些直接挑战前 3 周”AI 全速建底层”的叙事

本周 1 份材料未能获取：Ali Ghodsi 与 David Solomon 对谈 YouTube（YouTube 无可用字幕）。但第 4 周课堂字幕已抓取，覆盖了 Ali 的核心立场，损失可控。

全课程主线总结

四周走下来，整门课的真正轮廓浮现——它不是在教怎么投资 AI，而是在训练一个判断框架：

1. 第 1 周（Apoorv 独讲）：建立倒置三角形的事实。钱在底部，量级是 10-15 年。
2. 第 2 周（Brad + Sunny）：拆解芯片层为什么这么集中——HBM 买方垄断、时间护城河、速度护城河三件套。从内部看 NVIDIA 不可撼动的真因。
3. 第 3 周（Chase）：重定义 AI 资本开支——不是建数据中心，是创造数字劳动力。把投资规模锚定到国防尺度。
4. 第 4 周（Ali）：唱反调——AGI 已经到了，瓶颈在上下文不在模型——所以前 3 周的乐观底层投资可能在烧错的火。

四周对照下，主讲 Apoorv 的立场（第 1 周）和三位客座的立场（第 2-4 周）形成了框架与反例的结构。这种”先给一条核心论点，再请客座来砸”的教学设计本身就是课程内容——后 5 周还会有更多客座（Anthropic、OpenAI、七大科技股的 ASIC 团队等）继续接着砸这个论点。