过去两年间，美国股市中 AI 相关板块共同创造了数万亿美元的市场价值，但这一增长极不均衡。NVIDIA 一家企业价值便高达 4.5 万亿美元，利润率飙升至 73%，而 OpenAI 与 Anthropic 的年度收入总和仅为 4500 亿美元，下游企业如 CoreWeave、Cursor 和 Perplexity 虽融资不断却深陷亏损泥潭。这种“金字塔”式的价值分布引发了对资金流向及未来十年产业格局的深刻思考。斯坦福大学新开设的 MS&E 435 课程由 Altimeter 投资机构的 Apoorv Agrawal 主持，旨在通过九位行业领袖的视角，剖析 AI 产业未来的价值分配趋势。

午方 AI 梳理发现，Agrawal 在 2024 年初发布的报告指出，芯片环节曾占据整个 AI 产业 83% 的利润。两年后，尽管生态系统总规模从 9000 亿美元激增至 4.35 万亿美元，芯片环节的利润占比虽微降至 79%，但仍居首位。具体数据表明，芯片环节年收入约 3 万亿美元，其中 NVIDIA 独占 80% 的利润；基础设施环节收入约 7500 亿美元，应用层收入为 6000 亿美元。这三层的利润率分别为 73%、55% 和 33%，对应的绝对利润分别为 2.25 万亿美元、4000 亿美元和 2000 亿美元。与传统的云计算行业相比，AI 产业的利润结构截然不同：在云计算体系中，芯片环节仅占 6% 的利润，而应用层则占据了 70%。

当前的行业竞争格局被定义为：芯片环节是“单打游戏”，应用层是“双打游戏”，而中间的基础设施环节则是真正的“多人战场”。Altimeter 的 Brad Gerstner 与 NVIDIA 的 Sunny Madra 在会议中深入探讨了 NVIDIA 的持续领先地位。Brad 提出了一个反直觉的估值观点：NVIDIA 目前市值 4.5 万亿美元，市盈率仅为 13 倍，相当于市场平均水平的一半，但其年度收入增长率高达 70%。他预测，NVIDIA 有望成为全球首家市值突破 10 万亿美元的公司，理由是在未来八个季度内，NVIDIA 已锁定数千亿美元的订单，市场需求远超供应能力。黄仁勋曾向 Brad 透露，他认为市场需求还将增长 10 倍。

这种信心源于坚实的技术逻辑：随着 AI 从预训练阶段转向推理阶段，生成每个数据单元的计算成本等于模型参数数量乘以上下文长度的平方。尽管定制芯片领域竞争加剧，谷歌第七代 TPU Ironwood 已大规模量产，Anthropic 订购了 100 万颗，传闻此举迫使 NVIDIA 为部分客户降价 30%；亚马逊 Trainium2 芯片已在 140 万个场景中部署，年营收超 100 亿美元；微软 Maia 200 芯片于 1 月在 Azure 上线，OpenAI 也与 Broadcom 签约定制 10 吉瓦特 ASIC 芯片。黄仁勋曾戏言许多定制芯片项目终将被放弃，历史数据也印证了这一点。即便 TPU、Trainium 和 Maia 均获成功，NVIDIA 仍将保持领先，这并非因为其不可替代，而是因为市场规模过于庞大。

Crusoe 创始人 Chase Lochmiller 在第三场会议中展示了电力基础设施的严峻挑战。他在德克萨斯州 Abilene 小镇建立了规模达 2.1 吉瓦特的数据中心园区，这是美国最大的私人数据中心，耗电量相当于两个丹佛市。该园区最初入驻者为 Oracle 和 OpenAI，全年需雇佣 9000 名建筑工人，而当地总人口仅 12 万。Chase 详细分析了每兆瓦电力的成本构成：总成本约 1900 万美元，其中劳动力成本最高，达 470 万美元，芯片和冷却设备成本相对较低。对于一个 1 吉瓦特的数据中心，仅劳动力成本每年就需消耗 47 亿美元。

此外，燃气轮机每兆瓦电力的成本在三年内从 100 万美元飙升至 300 万美元，原因是 GE Vernova、西门子、三菱重工和普拉特·惠特尼等四大制造商产能停滞，而市场需求却增长数倍。

午方 AI 注意到，Chase 对 Eaton 和施耐德等传统电气巨头持悲观态度，认为这些企业在过去一个多世纪中几乎未发生变革。长远来看，电力架构需从 765 千伏高压系统重构为 900 伏特直流系统，但短期内现有工厂仍将受益。Databricks CEO Ali Ghodsi 在第四场会议中提出颠覆性观点：通用人工智能（AGI）实际上已经实现，当前的 AI 模型早已满足 2009 年伯克利 AMP 实验室的定义。人们之所以认为 AI 未达预期，是因为设定了不切实际的标准。麻省理工学院报告显示，95% 的企业 AI 试点项目失败，原因在于现有模型缺乏组织内部的隐性知识体系，即那些资深员工脑中未被数字化的经验。

Ali 以电动机的发展史为例，指出 1880 年电动机发明后，直到 1920 年生产效率才真正提升，因为企业仅简单替换蒸汽机而未重新设计工厂布局。Databricks 的教训表明，数据连接工作从三个季度缩短至一个半月，而彻底重构流程后仅需一个季度。真正节省时间的关键不在于模型升级，而在于打破旧框架重新设计流程。Ali 认为，应用层将涌现巨大机遇，掌握在那些愿意重构组织逻辑的企业手中。技术进步的速度取决于人类而非 GPT-6 或 Opus-5 等模型。价值将自然从底层硬件流向上层软件和应用，正如云计算行业经历了 15 年从硬件向软件的转型。要么应用层蓬勃发展，要么等待芯片利润率从 73% 降至 6%。目前两种转变均在发生但速度不足，若按过去两年速度，应用层需提前十年布局才能赶上云计算鼎盛时期的利润水平。因此，投资芯片是赌未来两年的现金流，而投资应用层则是赌未来五到十年的价值增值趋势。在导致芯片利润率大幅下降的技术革命到来之前，距离芯片制造越近，就越接近利润来源。