用数字看 AI：把热潮拆回一组口径

市场在为需求扩张定价

节目先放回到一张过去一年的标普 500 曲线。明浩提到，市场经历过 7 月回调、贸易摩擦和 DeepSeek 带来的冲击，但长周期里指数仍回到新高。这张曲线显示产业链的需求仍强：云厂商、芯片、半导体和 SaaS 公司没有普遍下调预期。需求强并不自动让投入安全，反而让接下来的资本开支问题更尖锐。

他看到美股 TMT 内部已经出现分岔。AI 相关标的在过去一段时间表现较好，传统软件与 SaaS 则距离历史高点更远。市场似乎把两者放进同一份预算里比较：如果模型能完成原来由软件提供的一部分能力，传统软件的增长和定价会不会被挤压？这种判断尚未说明替代会在何处落地，却已经影响了资产价格。

资本开支的下一步，是收入能不能接住

资本开支是节目最早摆出来的硬数字。明浩说，美国头部科技公司的资本开支已接近 GDP 的 3%，并提到 AWS、微软、Google 和 Meta 对 2026 年的计划相对 2025 年接近翻倍。这样的投入规模让他联想到早年光纤建设的高位区间。云厂商仍在上调计划，问题随之变成：新增的计算资源要以多快的速度转成收入，才足以支撑下一轮上调。

云服务是最直接的一层收入。节目提到 AWS 的季度收入增速重回约 10%，微软云与 Google Cloud 则被描述为 40%、50%、60% 的增长区间。云服务卖的是算力和平台，因此可以看见 AI 使用量的上升；但它离最终应用付费还隔着模型厂商、渠道和企业预算。明浩据此转向 OpenAI 与 Anthropic 的 ARR，它们已成为观察模型行业商业化的一组醒目指标。

两家公司的数字却不能不加处理地并列。节目说 OpenAI 7 月 ARR 超过 400 亿美元，采用的是扣除微软分成后的到手收入口径；Anthropic 的传闻数字超过 700 亿美元，计算时未扣除 AWS 和 Google Cloud 的分成。游戏行业的流水曾经可以同时记在发行商、研发商、渠道和充值平台名下，模型行业也有类似的口径问题。ARR 能显示规模，但在比较前仍要辨认一份收入是毛额、分成前流水，还是公司确认的收入。

价格下行没有立刻抹掉利润

模型单价是另一张关键的价格表。节目引用 Bloomberg 图表比较头部模型的输入、输出价格：Anthropic 的高端模型价格较高，DeepSeek 的线则贴近横轴。明浩没有据此断言某个厂商的真实毛利率，而是用一笔简化算术说明价格战的形状。成本 1 元、售价 10 元时，毛利率是 90%；售价降到 5 元，毛利率仍是 80%。价格砍半对用户很明显，对毛利率却只是减少 10 个百分点。

他又把售价从 10 元降到 2.5 元的情形套进同一公式，得出 60% 的毛利率。这个例子依赖成本不变的前提，不能拿来推算任何模型公司的财务报表，但它解释了为什么价格下调后仍可能保留较大的利润空间。模型竞争的重点不只有谁更便宜，还有谁能在相近价格下给出更高能力。

明浩用能力和价格画出一条斩杀线。以 DeepSeek Flash 0730 正式版为基准，比它更贵且能力更弱的模型会落在不利区域。其他厂商要离开这个区域，只有两种直观方向：把能力继续推高，或把价格降得更低。他也补上了限制条件：单一评分无法覆盖模型在可靠性、工具调用、长上下文和具体任务上的差异，因此这是一张理解竞争压力的示意图，不是完整的采购规则。

企业服务正在接替 Coding 的扩展叙事

模型厂商的产品目录已经开始变化。节目列出 Anthropic 从纯模型延伸到 Finance、Legal、Security、Life Science、Design 和 Enterprise 的方向，并转述一项远期预期：Coding 在收入中的占比可能降到 40%，企业服务接替它成为更大的来源。这个预期没有被当作既成事实，而是用来说明厂商为什么都在寻找 Coding 以外的预算。

明浩在拉斯维加斯参加 Google Cloud 大会时看到 AI Enterprise；他也提到 OpenAI、WorkBuddy、千问办公和豆包企业版。企业版本并非把聊天窗口换成公司 Logo。财务、法务、安全和设计等部门各有数据、权限与流程，产品若要进入这些场景，需要解决的也不只是回答质量。模型公司的收入如果从个人订阅转向企业服务，合同、交付、分成和用量的统计口径都会不同。

工作智能体：不要把访问量当成用户数

从 Coding Agent 走到 Work Agent，是节目里最接近应用的一段。明浩换电脑时发现，ChatGPT 的本地应用围绕 Codex 展开；Claude 客户端也把 Chat 和 Work 放在一起。Co-Work、WorkBuddy、千问办公、豆包企业版和 TreeWork 让工作任务成为一个显眼的产品类别。问题在于，这类产品刚进入推广期，公开数字往往来自不同的统计对象。

他提到 WorkBuddy 的 2,097 万，随即强调那是访问量，甚至可能只是交互次数，并不等同于 MAU 或 UV。QuestMobile 在 6 月底统计到中国 PC 客户端安装 AI 应用的用户约 1,800 万；其中一部分可能只是安装了豆包、千问或元宝等已有客户端。另有报道被他转述为 WorkBuddy 的日活在工作日和周末之间波动，平均达到百万量级。访问、安装和日活描述的是不同动作，不能拼成一条严格的漏斗。

为了估计市场上限，明浩没有直接采用中国 AI 用户总数。他从白领、城镇就业人口，以及钉钉、企业微信、飞书、WPS、腾讯会议等办公工具的活跃规模寻找参照，主观给出 1 亿到 2 亿可能需要此类产品的人群。再假定 10% 到 20% 的覆盖率，才得到小几千万的盘子。每一步都有假设，因此这个数字是估算框架，不是市场规模的结论。

月活很大，付费用户仍然很少

豆包的专业版尝试收费，给了明浩一组更直接的对照。他说豆包原来的月活大约在 3 亿到 4 亿之间；若以 1% 的转化率作假设，付费用户可达约 300 万。节目将 1% 视为常规情况下也未必容易达到的水平，3% 则被形容得十分乐观。两个月后，晚点文章中被转述的付费用户是小几十万，按月活粗略换算约为千分之一量级。

这个对照只谈豆包专业版的早期收费，不代表所有 AI 产品的转化率。它提示的是，拥有巨大的通用产品月活，并不意味着生产力套餐会立刻获得相应数量的付费用户。用户在聊天、搜索或创作上的偶尔使用，和为持续工作流程付费，是不同的行为。

模型生态的增长，未必发生在面向终端的一层

节目接着把视线移到训练数据和强化学习环境。明浩说，美国已有一批 AI 数据公司做到超过 10 亿美元 ARR，举例包括 Scale AI、Superlinear 和 Senso。还有公司帮助模型厂商或想在内部落地 AI 的企业搭建强化学习环境：定义任务、提供反馈并让训练可以重复运行。它们服务的是模型的生产过程，而不是直接面向终端用户的应用界面。

他还引用开源报告，称 2026 年前八个月，为模型和智能体提供软件基础设施的项目增长较快。模型厂商不可能把所有数据、训练环境和开发工具都自己完成，外部服务商由此获得空间。对寻找 AI 应用的人来说，这是一条容易被忽略的路径：收入可以来自为模型提供更具体的执行能力，而不是只来自一个面向消费者的聊天产品。

同样的结构出现在超过 5 亿美元 ARR 的非上市 AI 公司名单中。Scale AI、Lambda、01.AI、Eleven Labs、Midjourney 等数据、算力或模型公司占据显眼位置；明浩列出的应用公司则包括 Cursor、Replit、Artlist、Lovable、Hexfit 和 Minus。他对榜单的担心是，明星公司一旦跑出规模，可能成为基础模型厂商收购或挤压的对象。规模代表需求，也意味着竞争关系会改变。

应用的名单仍然分散

从一级市场看，CB Insights 的 Q2 数据按项目数列出的热门方向包括人形机器人、世界模型、Coding、Legal、模型服务、边缘 AI、图像与视频生成、个人助手、AI for Science 和 GPU。明浩认为，按狭义应用理解，其中较接近终端产品的只有 Coding、Legal、图像与视频生成与 Personal AI Assistant，而 Coding 已是最拥挤的方向之一。

国内的用户增长榜也给出相似的感受。千万级 MAU 的 App 包括千问、即梦、豆包爱学、豆包、元宝、蚂蚁阿福、DeepSeek 和夸克，多数来自上一代互联网巨头。新公司的名字更多出现在 3D、视频、音乐、翻译与虚拟角色：可灵、VivaGo AI、Triple AI、Mercy、ACE Studio、沉浸式翻译、Robbing、AI Meta。它们当然可以被称作应用公司，但这份名单还没有呈现出一个统一而大规模的 AI 应用品类。

Roblox 的故事说明，叙事不等于可交易的结果

明浩用 Roblox 收尾前的一页，说明技术新闻与市场回报之间并没有直线关系。他回顾公司在 2021 年上市后，借元宇宙叙事上涨，又在热潮退去后回落。2025 年，随着生成能力、DAU 和经营数据改善，公司股价再次走高。模型能力改变游戏生产的想象，也被市场放进新的价格里。

他回忆 Gemini 世界模型发布当天，Roblox 的股价大约下跌 26%；最近一次财报日，跌幅约为 33% 或 37%。这些口述数字本身带有不确定性，但他的意思很清楚：即使商业上距离颠覆游戏行业还很远，市场也可能先交易恐慌；即使叙事看起来能解释一家公司，真正买入一只股票仍要面对业绩、估值和情绪共同变化的结果。

低渗透与实验循环

节目最后放了两个仍在展开的信号。第一是家庭付费。明浩转述 a16z 的图表称，美国付费使用 AI 工具的家庭占全美家庭 2.2%。低覆盖率可以指向未来的增长空间，也可以说明付费习惯还没有形成；这张图只提供了当前的覆盖面，不能单独判断市场质量。第二是训练方法。他引用 Jeff Dean 离开 Google 后公开的 BP，其中用实验环境、实验运行、结果评估和实验设计的反馈回路描述工作方式。

这种循环在科学实验中并不新鲜：先定义环境，让实验运行，评估产出，再把结果放回下一轮设计。明浩认为，AI 训练和智能体能力的发展正在吸收这一范式。无论面向模型、企业服务还是工作智能体，行业需要的都不只是一次发布，而是能反复运行、评估和调整的过程。资本开支、模型价格、用户使用与付费，也会在这个过程中继续产生新的数字。