AI 李时珍带你尝百草
8 月 22 日的小宇宙 AI 先生活动上，李明昊没有用一套事先归纳好的行业结论开场。他把自己称作信息山野里的素材李时珍，带来近 90 页 PPT，其中有 76 页图表。它们来自活动前 20 天所见的报告、财报、市场统计和产品数据，按进入视野的顺序展示。演讲希望让听众先经历一次高密度的信息流，再自行判断哪些材料构成线索，哪些只是很快会被覆盖的快照。
一座按月更新的素材库
这场演讲从收集习惯开始。李明昊平时会在 Substack、Twitter、RSS 订阅以及中文互联网平台上浏览信息，把将来可能用到的内容保存到 Ima 知识库。按他的回看，2026 年 8 月的可视化图表文件夹里有 113 张图表；按工作日计算，大约每天 5 张。同月还存了约 30 份报告，约为每天 1.5 份 PDF。
这些数字不是对信息总量的估计，也不是选材质量的证明。它们描述的是一个整理者面对的输入规模：图表会带来精确感，但每一张都有出处、计算方法和截止时间；报告往往能提供背景，却需要花更长时间读完。把它们先保存下来，只完成了工作的一小部分。
收集
图表、报告和新闻进入同一个候选池，保留原始时间与来源。
判断
比较指标口径，确认一张图究竟说明当日事实、短期变化还是长期趋势。
输出
用演讲、文章或笔记把材料组织成叙述，也给下一轮收集腾出空间。
资本开支是反复出现的底色
演讲的第一批图表里，Capex 一再出现。李明昊转述的财报整理显示，微软、Google、Meta 和亚马逊四家在 2026 年 Q2 财报后合计的资本开支为 7,330 亿美元；同一口径下，2025 年为 3,150 亿美元，2024 年为 2,224 亿美元。随后，他又展示了按单季度、全年、公司范围和占 GDP 比例计算的不同版本。
重复并非无意义。不同统计表把同一件事放进不同参照系：有的回答投资总额如何增长，有的比较投入相对销售收入的比例，有的提醒这些开支和现金流能否匹配。演讲引述的 Capex 与 Sales 比较中，Oracle 为 85%，Meta 为 60%，微软为 53%，Google 为 40%，AWS 为 28%。这是同一指标下的横向比较，而不是对企业经营质量的总评。
云业务提供了另一面证据。演讲引用的 Q2 统计中，AWS、微软云和 Google 云合计占云市场 63%，收入 1,430 亿美元，增速为 43%。因此，云收入增长可以解释部分基础设施投入的商业动机，却不能自动回答未来现金流、折旧或应用层盈利的问题。
资本开支、收入和现金流必须分开读。资本开支是投入，销售收入是当期业务规模，自由现金流则反映可用于支付这些投入的资金余量；三者的变化速度并不相同。
价值链越往下，利润快照越不同
李明昊把云、数据中心、芯片、存储和能源放进同一张 AI 价值链里。a16z Capital 的画法从消费者与企业需求开始，经由模型与应用，到大型云厂商、Neoclouds、数据中心服务器，再向下连接能源、存储和芯片。钱从用户调用和订单进入上层，再以采购和投资流向更下游的供给环节。
一组毛利数据呈现了不同层级所处的位置。演讲引用第三方资管机构的快照：芯片平均毛利 41%，能源为 24%，算力与云为 11%，模型与应用为负 59%。接近用户的一层还没有呈现更高利润；模型与应用的收入增长可以很快，同时仍要承担推理、获客和产品建设的成本。
基础设施约束也在向更多领域扩展。演讲展示人均 GDP 与用电量的正相关分布，将电力看作 AI 时代的重要指标；另一张图显示四大云厂商的存储成本占比向上。数据中心与办公室的投入曲线相交后，前者继续增长，后者则下降。它们共同提示，计算不只是模型公司的问题。
模型竞争的几种速度
模型层面，李明昊选择了价格、发布频率、本地部署和调用方式四个观察面。所谓斩杀线，是把价格放在横轴、榜单得分放在纵轴。当一个模型同时更便宜、得分更高时，那些更贵且得分更低的点会处于不利位置。演讲用 DeepSeek 的版本更新说明，这类比较图会随产品和定价变化而重画。
Token 定价的统计给出相近但不相同的信号。演讲描述，进入 2024 年 Q3 后平均 Token 价格下行；闭源模型价格下降更快，开源模型在能力提升和成本变化下略有上行。这里的对象是 Token 价格，而不是企业营收或模型的整体能力。将定价曲线直接写成公司胜负，会把不同指标混为一谈。
OpenRouter 的新模型发布数量则显示了节奏的改变。演讲转述，2024 年最高月为 28 个，平均每天不到一个；2025 年 4 月达到 50 个；2026 年 4 月达到 80 个，平均每天超过两个。更高的发布频率让一张模型比较图更容易过期，也让整理者必须反复确认截点。
能力追近
演讲以不同模型为例，称可本地部署模型达到相近前沿能力所需时间，从 33 个月缩至 18 个月，再缩至不足 9 个月。
调用方式改变
Codium 基于 OpenAI 的统计中，Agentic Token 占 64%，纯 ChatGPT 对话 Token 占 36%。这说明任务型调用已是重要用法。
闭环依赖可验证性
演讲将 Loop 放在模型训练和 Agent 的共同逻辑里，并引用 H2O 的四象限：一条轴是工作是否容易编辑，另一条是结果是否容易验证。代码和数学是典型例子，因为它们既容易改动，也相对容易测试。对难验证的工作，模型能否多做几步并不是全部问题；人们还需要先设计可接受的判断标准。
这种判断也回到了信息整理。AI 可以在足够上下文中帮忙归类、检索、摘要和编排，但它不能天然知道哪些数字来自可比口径，哪些图在一个月后就不该再用，哪些矛盾需要保留。李明昊对当下能力的估计是，AI 能做六七成，最后的材料选择与叙述仍需要人的标准。
把杂乱材料组织成 Own Your Intelligence
76 页图表之后，李明昊没有收束为一个单一结论，而是提出整理者必须决定要讲什么故事。他选择红杉提出的 Own Your Intelligence 作为连接线：一边是围绕模型能力建设产品的应用公司，另一边是预训练、后训练、强化学习、数据和环境搭建等服务。演讲认为，这个题目能够连接技术、产品与产业、资本几类材料，也能延伸到中国市场。
这个选择没有消除材料之间的冲突。云收入和 Agent 调用在增长，模型与应用层的毛利却可能为负；模型发布越来越快，部分基础设施投入与现金流的关系又更加紧张；融资、订单和估值相互关联，未必能用一张图判断健康程度。对演讲而言，保留这些不一致之处比把它们压成一个口号更有用。
输出让下一轮收集成为可能
演讲最后用工厂店的圆形衣架作比喻：衣服不断挂上去，挂到一定程度，新的衣服就没有位置。信息库也是如此。定期整理把已经积累的内容放到一次可检验的输出中，为下一轮观察留出容量。
这场近 90 页的演讲因此不是要替听众选出唯一重要的图。它更像一次现场练习：先保留时间、口径和来源，再比较彼此不完全一致的证据，最后用自己的问题决定如何排序。未来每个人都可能拥有模型、Agent 和 Harness，但每个人仍需要决定自己的输入是什么，如何检验，以及何时把材料放下。