7 月之后，拷打最后一个 AI 多头
节目录制于 8 月 12 日。主持人把自己放在 AI 空头的位置：7 月市场大幅波动后，云厂商的资本开支仍在上升，模型价格又在下降，为什么还要相信这轮建设能持续？唐奕波的回答没有停在钱够不够上。他把问题拆成一条更长的链：数据中心建出来之后，模型能以什么价格卖出去，使用量会长到哪里，企业会不会为新的工作方式重新分配预算。
这场对话的价值不在于给出一个确定的结论，而在于把乐观与怀疑放进同一张账里。嘉宾相信，廉价而强的智能可能像电力一样改变生产组织；主持人则不断追问，价格下行、折旧压力和下一批应用场景，是否会先把这份想象压回现实。
资本开支不是起点，也不是终点
最先被质疑的是云厂商的投入。主持人提到，几家大型云厂商已经把大量自由现金流投向数据中心，市场开始担心它们是否还要向资本市场筹钱。唐奕波认为，用成熟公司的自由现金流去衡量一轮新基础设施建设，容易把两种阶段混在一起。铁路、电气化和其他重资产行业在早期都先建设、后回收；问题不是资本开支是否超过当期经营现金流，而是之后是否有足够收入接住它。
“所有的行业都是一开始就是Capex超过经营现金流的”
为了把这笔账说得具体，节目用 1GW 数据中心做推演。唐奕波先采用较早的口径：建设 1GW 约需 400 亿美元；按更新的 GB300 讨论口径，可能接近 600 亿美元。若这部分算力主要供 Anthropic 做推理，他估算年收入可能在 600 亿美元左右；若主要服务开源模型，收入可能约为 300 亿美元。两组数字都不是实际报价，也不能脱离硬件配置、利用率和模型定价单独使用，但它们把讨论从抽象的投入很大推进到了收入与回收的敏感项。
建设
每 GW 的成本由服务器、GPU、存储、电力、土建等共同构成，口径随硬件代际变化。
变现
推理收入取决于模型价格和使用量，不能只从设备数量推算。
回收
如果需求扩张慢于折旧与新增建设，资本开支就会成为负担。
开源模型压的是利润，不等于需求消失
接下来是价格。主持人观察到，闭源模型的 token 价格已经下降；中国开源模型在中端能力区间给 OpenAI 和 Anthropic 带来压力。唐奕波同意价格会继续承压，但他把后果限定得更具体：开源会先压缩前沿厂商在中低端能力上的超额利润，不自动说明 AI 的总使用量会下降。
“开源模型的出现只是说把他们的超额利润给打爆”
在他的叙述中，闭源厂商只剩两条路。一条是下调中低端模型的价格，守住用户和用量；另一条是持续投入前沿能力，提供竞争者暂时做不到的事。这里有一个很重要的区分：后发者能用更少资源接近已有模型，并不代表人类把能力边界再往前推一步时也不需要大规模实验。
他把训练分成两段：前沿团队要同时试多条路线，验证数据、后训练方法和产品方向；追赶者则可以从这些已走过的路中挑选有效方法，再用有限的计算和存储做压缩与优化。Kimi、DeepSeek 等模型在架构上的努力，被他理解为后者：以较少的卡和 KV Cache 尽量获得接近前沿模型的效果。这个过程会降低追赶成本，却不能抹掉前沿探索本身的成本。
“浪费有些时候也是必要的，也是你探索的成本”
市场担心的，是编码之后没有第二个场景
资本开支的账最终还是需求的账。唐奕波认为，市场眼下真正担心的是：编码 Agent 已经证明了需求，但它会不会只是一个特殊场景。程序员集中、工具链成熟，编码很容易快速渗透；如果 AI 的可服务市场只接近软件市场或程序员工资，早期收入增长再快，也会很快撞到一个较小的分母。
他的乐观来自另一个分母。节目中，他提到 Anthropic 对外描绘的目标是全球白领劳动，约 40 万亿美元。采用这个口径，编码只是其中一个入口。主持人没有直接接受这个前提：全球 SaaS 市场、Mega Seven 的现有收入和两家新公司可能需要达到的规模之间，仍有很大的量级差。争论不是谁会使用 AI，而是使用人数增加时，价格下跌和用量增长到底谁更快。
较小分母
AI 主要是编码或企业软件的辅助工具。价格竞争更容易压低收入上限，资本开支需要更快回收。
较大分母
AI 能进入更广泛的白领劳动，并出现新的产品和预算。低单价可以由更大使用量抵消。
两边都没有把价格当作常数。主持人把未来的智能比作日常电费：用户可能越来越离不开它，却越来越不在乎由哪一家提供。唐奕波接受模型最终可能同质化，却认为低单价的电力、石油等大宗品仍有很大的总市场。分歧因此落在需求弹性，而不是落在 AI 会不会被用的二元问题。
个人助手要变成公司能力，得先改变流程
节目中最具体的需求讨论来自企业工作流。唐奕波认为，Claude Code 一类工具已经让个人效率明显提高，但企业整体产出未必同步上升。一个员工可以更快完成任务，部门之间的沟通、审批和最终决策却依然可能由最慢的环节决定。给每个人装上个人助手，并没有改变 A、B、C 依次交接的路径。
他把 Anthropic 的 Claude Tags 当作一种不同的产品形态：代理可以在群聊中接收任务、读取讨论中的上下文，不必等待专人整理资料后再交给它。这个设想的重点不是聊天机器人更会回答问题，而是企业是否愿意让共享语境和工作流围绕代理重新排列。
“它是从一个个人级的Agent变成了一个公司级的Agent”
他举 Block 为一个激进样本：据他的描述，这家美国支付公司在当年 2 月从约 1,000 人裁到约 600 人，裁员约四成。嘉宾并不把这个例子当成所有公司的平均效果，而是用它区分两种做法：一种是要求员工多用 token，另一种是先重新设计组织，再把 Agent 放进公司级的流程里。后者牵涉岗位、权限、沟通和抵触，因而也解释了为什么生产率未必会立刻反映在大型公司的财报上。
一个投资研究员如何把 AI 放进工作里
唐奕波的个人经验让前面的需求不再只是宏观词汇。他把投资研究形容成漏斗：先快速扫描大量公司，再从少数候选里挑出值得研究的标的。在没有 AI 时，他说自己即使做初步查看，也要花两三天熟悉一家从未覆盖过的公司或行业；有了工具后，初步筛选可压缩到十分钟级别。这里比较的是筛选环节的速度，并不是一套完整投资决策所需的时间。
他还讲了一个更完整的案例。他根据上一轮上涨的传统制造业公司，总结出 AI 收入占比低、估值低、过去数年涨幅受限等条件，让模型在欧洲、日本、韩国和台湾的股票池中扫描约 800 家公司，筛出 20 家候选。名单中有太阳诱电、村田和国巨等 MLCC 公司。AI 帮他扩大了搜索面，但没有替他完成判断：他随后花两天研究 MLCC，并与老板继续讨论一周。节目要说明的不是某只股票的投资建议，而是筛选范围从数百家公司扩到更大股票池后，研究者可以更快发现自己原来不会主动去看的对象。
折旧、杠杆与硬件：乐观并不绕开风险
讨论往远处推时，主持人提出了一个硬约束：如果到 2029—2030 年，行业出现约 1 万亿美元的年度折旧，稳态收入需要多大才能支撑它？唐奕波给出的重资产行业口径是三到五万亿美元，资产更轻的行业则需要更高收入。这是把远期资本开支、折旧年限和收入规模连在一起的推演，不是对实际收入的预测。开源分流、每 GW 可获得的收入和价格下行速度，都会改变最终结果。
他也不把债务本身视为泡沫破裂的证据。建设早期借债能让基础设施更快铺开；危险在于杠杆加到企业承受不了正常波动。利率上升、需求偏弱或其他外部事件本来未必致命，杠杆过高时却会触发清算。
“债务不是一个坏事，只是高杠杆的债务是一个坏事”
这也影响他对硬件的看法。即便总资本开支继续增长，单个环节也可能被优化。内存需求因推理与 Agent 在短期内迅速上升，但他同时提到，DeepSeek、Kimi 等模型为节约资源而调整注意力机制，可能降低 KV Cache 的需求占比。英伟达同样会面对其他加速器、存储和系统设计的替代压力。总盘子变大，与每个部件都能长期享有高利润，是两件不同的事。
把 AI 当作电气化，是一项带条件的判断
唐奕波之所以反复提电气化，首先是看资本开支的量级：他引用的历史口径是，电气化资本开支约占 GDP 的 2%，持续了 15 年。早期人们先看见照明和电车，工厂电机、流水线和家用电器等变化并未立刻出现。这个时间差让他认为，今天的编码与个人助手或许也只是便宜智能的早期用途。
不过，类比不能替代验证。电力的发明、普及速度、监管环境和 AI 的模型竞争都不同。主持人尤其提醒：智能即使被所有人使用，价格仍可能像电价一样下降到用户不敏感的程度。唐奕波的回答是，廉价智能不必只替代原有岗位；它可能催生离开强智能与低成本就做不成的产品。他把这样的未知应用当作多头最重要的上行变量。
“替代人只是它的一个起点”
因此，节目留下的不是 AI 一定等于电力的结论。更准确地说，唐奕波用电气化提出一个待检验的假设：当算力和智能足够便宜时，企业组织和产品形态可能改变，新的需求会在基础设施铺好之后才出现。主持人则把检验标准说得很清楚：要同时看模型价格、使用量、企业预算、折旧和杠杆，而不是只看一次模型发布或一季资本开支。