小宇宙音频转文本

[00:00:00] **主持人：** 大家好，欢迎收听 Invest Like the Best，我是 Patrick O'Shaughnessy。这档节目会带大家一起自由探索市场，各种想法、精彩故事和投资策略，希望能帮你更好地投资自己的时间和金钱。如果你喜欢我们的对话并想深入了解，可以看看我们的季刊 Colossus Review，里面有对商界和投资界风云人物的深度报道。你可以在 joincolossus.com 上找到 Colossus Review 以及我们所有的播客节目。Patrick O'Shaughnessy 是 Positive Sum 公司的首席执行官。Patrick 和播客嘉宾表达的所有观点仅代表他们个人，不反映 Positive Sum 公司的意见。本播客仅供参考，不应作为投资决策的依据。Positive Sum 的客户可能持有本播客中讨论的证券。要了解更多信息，请访问 psuvc。  

[00:01:45] **主持人：** 我永远忘不了2017年第一次见到 Gavin Baker 的情景。他是我见过所有投资人里对市场最感兴趣，对世界最有好奇心，也最有感染力的一个。他对当今科技界发生的一切了如指掌，简直就是一本活的百科全书。我很幸运每一两年都能请他来上一次播客。在这次对话中，我们聊了所有 Gavin 感兴趣的话题，包括英伟达、谷歌和它的 TPU，不断变化的 AI 格局，AI 公司的数学原理和商业模式等等，无所不包。我们甚至还聊到了在太空建数据中心这个疯狂的想法，他用一贯的热情和逻辑把这个想法讲得清清楚楚。最后，因为我以前问过他那个传统的收尾问题，这次我换了个问题，结果引出了他整个投资生涯的起源故事，连我都是第一次听说。Gavin 是我认识的最有热情的思考者和投资人之一，所以和他的对话总是我最喜欢的。希望大家喜欢我和 Gavin Baker 的最新一期讨论。  

[00:03:20] **主持人：** 我很想聊聊。哦，面对 AI 领域层出不穷的新事物，你是怎么进行具体分析的？这个领域发展太快了，我虽然非常感兴趣，但感觉很难跟上节奏。我也就是看看几个博客，给朋友打打电话。不如就拿最近的 Gemini 3 来举个例子吧。当这个模型发布的时候，带我们看看你的办公室里是什么情景，你和团队是怎么处理这种信息的？毕竟这类更新太频繁了。  

[00:04:10] **嘉宾：** 我觉得首先你得亲自去用。我得说，我很惊讶有那么多大名鼎鼎、备受尊敬的投资人，仅仅根据免费版就对 AI 得出了非常确定的结论。要知道免费版就像在跟一个十岁小孩打交道，而你却在根据这个十岁小孩的表现来判断他成年后的能力。其实你完全可以付费，我确实认为你必须得花钱用最高级的版本，不管是 Gemini Ultra 还是 Super Grok 什么的，你得花钱。那些每月两百美元的版本，那些版本才像一个完全成熟的三十三十五岁的成年人。从一个八岁或十岁的孩子身上很难推断出三十五岁时的样子，但很多人就在这么做。  

[00:05:30] **嘉宾：** 其次，之前有一篇关于 OpenAI 的内部报道提到，OpenAI 在很大程度上是靠运营驱动的，而我认为 AI 的发展其实是在 X 平台上发生的。平台上出现过一些令人印象深刻的时刻，比如 Meta 的 PyTorch 团队和谷歌的 JAX 团队在 X 上有过一场大论战，最后两个实验室的负责人都不得不出面制止，公开表示自己实验室的人不准再说对方的坏话，并且表达了对彼此的尊重，这事才算完。你看这些公司都在互相评论对方的帖子，研究。文一出来，你就得关注地球上真正懂这个、走在最前沿的也就五百到一千人，其中不少还在中国，你必须密切关注这些人，我认为这里面有非常宝贵的信号。AI领域的所有进展，可以说源头都在这些人身上。  

[00:06:50] **嘉宾：** 没错，是的，Andrej Karpathy 写的任何东西你都得读三遍，最少三遍。是的，他太厉害了。我还会说，只要那几个重要的实验室，OpenAI、Gemini、Anthropic 还有 xAI，这显然是四个领先的实验室，只要有人上播客，我觉得都必须去听。对我来说，AI 最好的用途之一就是帮我跟上这一切。听完播客，如果有哪些部分我觉得有意思，就直接跟 AI 讨论。我认为尽可能减少这种信息获取的摩擦非常重要。我可以按一下这个按钮调出 Grok。或者用这个，这太神奇了。你能相信我们有这种东西吗？是啊，就像有人在 X 上说的，我们给这些石头注入了疯狂的魔咒，现在我们能通过无线信号在手机上召唤出超级智能的精灵，简直太疯狂了。  

[00:08:20] **主持人：** 好的，所以当像 Gemini 3 这样的模型发布时，公众的解读是这很有意思，似乎说明了扩展定律和预训练的一些情况。你对前沿模型整体的进展状况是怎么看的？你最关注的是什么？  

[00:08:45] **嘉宾：** 我确实认为 Gemini 3 非常重要，因为它向我们表明预训练的扩展定律依然有效，他们毫不含糊地指出了这一点，这很重要，因为地球上没人知道预训练的扩展定律是如何或为何起作用的。它其实不是一个定律，而是一种经验观察，而且这个观察我们测量得极其精确，也持续了很长时间。但我们对预训练扩展定律的理解可能在百分之二十的研究人员看来有点争议，但不会更多了。这种理解有点像古代英国人或古埃及人对太阳的理解。他们能精确测量太阳，以至于大金字塔的东西轴线与春分秋分点完美对齐，巨石阵的东西轴线也是如此，测量得非常完美。但他们不懂轨道力学，完全不知道太阳为什么东升西落，在天际线上移动。可能是外星人干的吧？对，或者是神驾着战车。所以每当这个定律得到一次验证，都非常重要。从这个意义上说，Gemini 3 的发布意义重大。  

[00:10:30] **嘉宾：** 但我想说，在公开市场的投资圈或者更广泛的非专业人士中，可能对基于预训练扩展定律的进展有很大的误解。本来在2024年和2025年，AI 领域不应该有任何进展，原因在于在 xAI 解决了如何让二十万个 Hopper 芯片协同工作之后，你就必须等待下一代芯片了，因为你真的没法让超过二十万个 Hopper 协同工作。协同，你可以简单理解为每个 GPU 都知道其他所有 GPU 在想什么，它们共享内存，通过网络连接，无论是纵向扩展还是横向扩展，在预训练过程中都必须保持协同。  

[00:11:30] **嘉宾：** 我们之所以有这么多进展，比如你看那张通用人工智能的曲线图，智能水平从零到百分之八花了四年，然后从百分之八到百分之九十五只用了三个月，那是在 OpenAI 发布第一个推理模型之后。这是因为我们有了两条新的后训练扩展定律，也就是带验证奖励的强化学习。验证在 AI 里是个极其重要的概念，就像 Karpathy 的一个伟大观点，对于软件，任何你能明确定义的东西都能自动化，而对于 AI，任何你能验证的东西都能自动化。这是一个非常重要的概念和区别。另一条定律是测试时计算。所以从2024-10-24到今天，我们取得的所有巨大进展完全是基于这两条新的扩展定律。而 Gemini 3 可以说是自 Hopper 芯片问世以来，对预训练扩展定律的第一次检验，结果它经受住了考验，这很好，因为所有这些扩展定律都是乘数效应。所以现在我们可以把这两个新方法，带验证奖励的强化学习和测试时计算，应用到性能更好的基础模型上。  

[00:13:20] **嘉宾：** 关于 Gemini 3 有很多误解，我觉得澄清一下很重要。首先要理解 AI 领域的一切都离不开谷歌和英伟达之间的竞争。谷歌有 TPU，英伟达有 GPU，谷歌只有TPU，网络部分还得用其他芯片，而英伟达提供的是全栈解决方案。英伟达的下一代芯片 Blackwell 推迟了，Blackwell 的第一个版本是 Blackwell 200，很多不同的型号都被取消了，原因在于从 Hopper 到 Blackwell 的产品过渡是科技史上最复杂的。首先从风冷变成了液冷，机架的重量从大约一千磅增加到三千磅，功耗从大约三十千瓦，相当于三十个美国家庭的用电量，增加到一百三十千瓦，相当于一百三十个美国家庭。我打个比方，这就像为了用上新 iPhone，你得把家里所有插座换成二百二十伏，还得装上特斯拉的 Powerwall 发电机和太阳能电池板，这是电力部分，然后还得装上全屋加湿系统，并加固地板，因为地板承受不了这个重量，所以这是一个巨大的产品过渡，而且机架密度太高，散热非常困难。因此，Blackwell 真正开始部署并规模化应用，也就是最近三四个月的事儿。  

[00:15:20] **主持人：** 你能解释一下为什么 Blackwell 的延迟这么重要吗？  

[00:15:25] **嘉宾：** 因为 Blackwell 太复杂了，所有人都很难让这些精密复杂的机架稳定运行。如果推理技术没有出现，那么从2024年年中到 Gemini 3 发布，AI 领域几乎不会有任何进展，一切都会停止。你可以想象那对市场意味着什么。我们肯定会处在一个完全不同的环境中，所以推理技术可以说弥补了这十八个月的空白，拯救了 AI，因为它让 AI 在没有 Blackwell 或下一代 TPU 的情况下也能取得进步，而这些新硬件对于延续预训练的扩展定律是必须的。  

[00:16:30] **嘉宾：** 谷歌在2024年推出了 TPU v6，2025年会推出 TPU v7。在半导体的时间尺度上，你可以想象 Hopper 就像二战时期的飞机，而且是当时最好的，就像装了梅林发动机的 P-51 野马战斗机。而两年后的半导体技术，那就像 F-4 鬼怪战斗机了。因为 Blackwell 是个非常复杂且难以量产的产品，所以谷歌训练 Gemini 3 用的是2024和2025水准的 TPU，那就像 F-4 鬼怪战斗机，而 Blackwell 就像 F-35，只是花了很长时间才搞定。所以我认为谷歌在预训练方面肯定暂时拥有优势。  

[00:17:30] **嘉宾：** 另外很重要的一点是，他们一直是 token 成本最低的生产商，这一点非常关键。因为 AI 是我作为科技投资人职业生涯中第一次遇到低成本生产商这么重要的事儿。苹果之所以市值几万亿，不是因为它是低成本的手机生产商。微软之所以市值几万亿，也不是因为它是低成本的软件生产商，英伟达之所以市值几万亿，也不是因为它是低成本的 AI 加速器生产商。低成本以前从来都不重要，这点之所以关键，是因为谷歌作为低成本生产商，一直在抽干 AI 生态系统的经济氧气。这对他们来说是极其理性的策略。作为低成本生产商，当然要让竞争对手的日子非常难过。  

[00:18:40] **嘉宾：** 那么现在会发生什么呢？我认为这会产生相当深远的影响。第一，我们将在2026年初看到第一批在 Blackwell 上训练的模型。我认为第一个 Blackwell 模型会来自 xAI，原因很简单，根据黄仁勋的说法，没人比埃隆·马斯克建数据中心更快。黄仁勋是公开这么说的，而且即使你拿到了 Blackwell 芯片，也需要六到九个月的时间才能让它的性能达到 Hopper 的水平，因为 Hopper 已经经过了精细调优，所有人都知道怎么用，软件也为它做了完美适配，工程师们了解它的所有怪癖，大家现在都知道怎么设计 Hopper 数据中心。顺便说一句，当年 Hopper 刚出来的时候，也花了大半年到一年的时间才真正超越了上一代的 Ampere。所以如果你是黄仁勋，你需要尽快在同一个数据中心部署尽可能多的 GPU，组成一个协同工作的集群，这样才能把 bug 解决掉。这实际上就是 xAI 为英伟达做的事情，因为他们建数据中心最快，所以能最快的大规模部署 Blackwell，并帮助英伟达为其他客户解决 bug。所以因为他们最快，他们将拥有第一个 Blackwell 模型。  

[00:20:30] **嘉宾：** 我们现在知道预训练的扩展定律依然有效，这意味着 Blackwell 训练出来的模型将会非常出色。Blackwell 虽然不能说是 F-35 对比 F-4 鬼怪战斗机，但在我看来它确实是更好的芯片。GB200 的启动非常困难，但 GB300 是一款出色的芯片，它与那些 GB200 机架完全兼容，可以直接替换。当然你不会去替换掉 GB200，但是任何能够支持那些机架的数据中心，你都可以直接插入 GB300，不需要新的 Power Wall，现在大家都很擅长制造那些机架，也知道如何散热和冷却机架，你会把那些 GB300 装进去，然后使用 GB300 的公司就会成为低成本生产商，特别是如果你是垂直整合的，如果你需要付钱给别人来生产 token，你可能就无法成为低成本生产商了。  

[00:21:40] **嘉宾：** 我认为这会产生相当深远的影响。我认为这必须改变谷歌的战略考量。如果你有决定性的成本优势，又是谷歌拥有搜索和所有这些其他业务，为什么不让 AI 业务亏损百分之三十的利润率来运营呢？这绝对是理性的决定。抽干环境中的经济氧气，最终让那些不像你一样需要融资的竞争对手难以筹集到所需资金。然后在这之后，你可能会拥有一个极具主导地位的市场份额。然而一旦谷歌不再是低成本生产商，所有这些算计都会改变。我认为这种情况将会发生。挖矿现在被用于训练，当模型训练完成后，挖矿集群就会开始转向推理，然后所有这些成本计算和动态都会改变，这非常有趣。这些参与者之间的战略和经济博弈，我从未见过这样的情况。每个人都清楚自己在棋盘上的位置，奖品是什么，对手在下什么棋，观察这一切真的很有趣。  

[00:23:00] **嘉宾：** 如果谷歌改变其行为，因为作为高成本生产商，维持负百分之三十的利润率对他们来说会非常痛苦，这可能会开始影响他们的股价。这对 AI 的经济学有非常深远的影响。然后当 Rubin 芯片问世时，与 TPU 的差距将显著扩大。与 TPU 相比，是的，与 TPU 和所有其他 ASIC 相比，当然，我认为 Trillium 三代和四代可能会相当不错。为什么会这样？为什么 TPU v9 代不能和它一样好？有几个原因，首先由于某种原因，谷歌做出了更保守的决定。我认为部分原因是谷歌的 TPU。这么说吧，半导体设计有前端和后端，然后还有与台积电打交道。你可以用很多方式制造 ASIC，谷歌的做法是他们主要负责 TPU 的前端设计，然后博通负责后端设计并管理台积电的一切。打个粗略的比方，前端就像房子的建筑师，他们设计房子，后端是建造房子的人，他们管理台积电就像在批量生产房子，比如莱纳或霍顿公司。博通在这后两个环节中赚取百分之五十到五十五的毛利。我们不知道 TPU 的具体情况，假设到2027年 TPU 的市场规模大概在三百亿美元左右，谁知道呢？三百亿我觉得是个合理的估计，百分之五十到五十五的毛利率，那么谷歌就要付给博通一百五十亿美元，这是一大笔钱，到了一定程度，把半导体项目完全内部化就变得合理了。换句话说，苹果的芯片就没有 ASIC 合作伙伴，他们自己做前端后端，自己管理台积电，原因就是他们不想支付那百分之五十的利润，所以在某个时间点重新谈判就变得理所当然。  

[00:25:20] **嘉宾：** 给你个参考，博通整个半导体部门的运营支出大约是五十亿美元，所以现在谷歌如果付给他们三百亿中的一百五十亿，从经济上讲，谷歌可以去把博通半导体部门的每个人都挖过来，薪水翻倍，到2028年还能额外赚五十亿美元，假设业务做到五百亿，那就是二百五十亿，你可以给他们三倍的薪水，而且你还不需要所有人，当然出于竞争考虑，他们不会这么做，但是到了 TPU V8 和 V9，所有这些都开始产生影响。因为谷歌引入了联发科，这可能是向博通发出的第一个警告信号。我们对付给你这么多钱很不满意，但他们确实引进了联发科，而台湾的 ASIC 公司毛利率要低得多，所以这算是打响了第一枪。然后人们会说，博通有最好的 SerDes 技术。博通的 SerDes 确实很好，这是一种非常基础的技术，因为芯片之间需要通过它来通信，进行串行和解串行操作。但世界上还有其他优秀的 SerDes 供应商，一个非常好的 SerDes 技术可能每年值一百或一百五十亿美元，但可能不值二百五十亿美元。所以由于这种摩擦以及我认为谷歌方面保守的设计选择，也许他们做出这些保守选择的原因是他们正在转向双供应商策略，TPU 的发展速度正在放缓。而与此同时，GPU 正在加速发展。这是苏姿丰和黄仁勋对所有声称要自研 ASIC 的公司的第一次竞争回应。嘿，我们就是要加速，我们每年都会推出一款 GPU，你们跟不上。  

[00:27:10] **嘉宾：** 然后我想大家都在慢慢明白，哦，你自研了加速器，真酷，是 ASIC 呢。哇，那你的网卡呢？CPU 呢？纵向扩展交换机呢？纵向扩展协议呢？横向扩展交换机呢？用什么光模块？让这一切协同工作的软件又是什么？然后就傻眼了，哦天哪，我只做了个小小的芯片。而且不管承认与否，GPU 制造商肯定不喜欢他们的客户自研 ASIC 来和他们竞争。然后客户就会想，哎呀，我干了什么？我以为这很容易。制造一个好的芯片至少需要三代产品，比如 TPU v1，虽然造出来了是个成就，但直到 TPU v3、v4 才开始变得稍微有点竞争力，这就是典型的边做边学吗？百分之百是，即使你已经做出来了，在我看来所有半导体公司里最好的 ASIC 团队其实是亚马逊的 ASIC 团队，他们最早做出了 Graviton CPU，还有那个叫 Nitro 的超级网卡，一直都非常有创新精神，非常聪明。像 Trainium 一代和 Inference 一代可能比 TPU V1 好一点，但也就好一点。Trainium 二代又好了一点，到了 Trainium 三代我觉得才算是，好吧，像点样子了。然后我认为 Trainium 四代应该会不错，如果除了 Trainium 和 TPU 之外还有很多 ASIC，我会很惊讶。  

[00:29:00] **嘉宾：** 顺便说一句，Trainium 和 TPU 最终都会在客户自有的工具上运行。我们可以争论这会在什么时候发生，但我刚才描述的成功经济学决定了这是必然的，不管这些公司怎么说，单从经济学和第一性原理出发，这都是绝对不可避免的。如果把所有这些细节都拉远看，我觉得它们非常有趣。这就像一场前所未有的宏大博弈，既疯狂又好玩。但有时我会忘了从宏观角度思考，问一句，所以呢？比如把这一切往前推演三代，超越 Rubin 芯片之后，所有这些疯狂的技术发展会给全人类带来什么样的红利？我们不断降低预训练扩展模型的损失，到底有什么意义？我已经很久没有问 AI 一个问题，然后被答案惊艳到了。对我个人而言，所有这些疯狂的基础设施战争，在他们取得成功之后，会为我们解锁哪些新的可能性？  

[00:30:20] **嘉宾：** 如果让我大胆预测一下，我认为 GB300 以及可能比 MI355 更重要的 MI450 将大幅降低每个 token 的成本，这将让这些模型能够思考更长时间，意味着他们将能做新的事情。Gemini 3 给我留下了深刻印象，它帮我预定了餐厅，这是它第一次为我做事，除了帮我研究和教我东西之外，如果它能预定餐厅，那离预定酒店、机票和帮我叫优步也就不远了。突然之间，你就有了个助手。是的，你可以想象，虽然大家都在谈论这个，但它就在你的手机上。我认为这在短期内就能实现，一些技术非常领先的大公司已经有超过百分之五十的客户支持是由 AI 完成的，而这是一个四千亿美元的产业。而且 AI 非常擅长说服，也就是销售和客户支持。所以如果你把公司的职能看作是制造产品、销售产品和支持客户，那么到2026年底，AI 可能在后两项上都会做得很不错。  

[00:31:50] **嘉宾：** 我确实认为它会对媒体产生巨大影响。机器人技术，就像我们上次聊的，也终将开始成为现实。现在涌现出了一大批令人兴奋的机器人创业公司，但我仍然认为主要的竞争将在特斯拉的 Optimus 和中国公司之间展开。因为制造原型很容易，但大规模生产很难。这就又回到了 Andrew Karpathy 所说的，AI 可以自动化任何可以被验证的事情。所以任何有正确或错误答案，或者有正确或错误结果的职能，你都可以应用强化学习，让 AI 在那方面变得非常出色。到目前为止，你最喜欢的这方面的例子有哪些？无论是现实的还是理论上的。比如模型是否平衡，他们会非常擅长制作模型。全球所有账目是否都能对平，他们会非常擅长。记复式记账法必须平衡，这是可以验证的。你要么做对，要么做错，支持或销售，你是否完成了销售？这就像 AlphaGo，你赢了还是输了？客户转化了没有？客户支持过程中，客户是否要求升级处理？大多数重要的职能之所以重要，就是因为他们可以被验证。  

[00:33:30] **嘉宾：** 所以如果所有这些在2026年开始发生，Blackwell 就会有投资回报率，然后这一切就会继续下去。接着我们会有 Rubin 芯片，那又会是另一轮巨大的投入，Rubin i450 和 TPU v9。然后我认为最有趣的问题是人工智能的经济回报是什么？因为所有这些公司在这场伟大的博弈中都陷入了囚徒困境，他们都害怕如果自己慢下来，就会永远出局，而竞争对手没有慢下来，那将是生存危机。你看微软今年早些时候就犹豫了大概六周，但我想他们会说他们后悔了。但是随着 Blackwell 的出现，以及毫无疑问的 Rubin，从决策和投入的角度来看，经济考量将压倒囚徒困境，因为涉及的数字实在太大了。这就涉及到 AI 的投资回报率问题。  

[00:34:50] **嘉宾：** 从经验上看，AI 的投资回报率毫无疑问是正的。我一直觉得很奇怪，为什么会有人对此有争议？因为最大的 GPU 买家是上市公司，他们会发布一种叫做经审计的季度财报的东西。你可以用这些财报来计算一个叫做投入资本回报率的指标。如果你做了这个计算，你会发现那些在 GPU 上大举投入的公司的投入资本回报率，比他们增加投入之前要高。你可能会说其中一部分是运营成本的节省，在某种程度上。这正是你期望 AI 带来的投资回报之一。然后你又说，很多其实只是把驱动广告和推荐系统的大型推荐系统从 CPU 转移到 GPU，从而获得了巨大的效率提升。这就是为什么这些公司的收入增长都加速了。但那又怎样呢？投资回报率确实存在，而且很有趣的是，在每一家大型互联网公司，负责收入的人都对分给研究人员的 GPU 数量感到非常恼火。这是一个很简单的等式，你给我更多 GPU，我就会带来更多收入。把那些 GPU 给我，我们就会有更多的收入和毛利，然后我们才能花钱。所以每家公司内部都在为这个不断争斗。  

[00:36:30] **嘉宾：** 囚徒困境的因素之一是每个人都有一种宗教般的信念，认为我们终将实现通用人工智能。而归根结底，他们都想要什么？几乎所有人的终极目标都想永生，他们认为通用人工智能能帮他们实现这个目标，这回报不错啊，这是个好回报。但我们不知道如果作为人类，我们已经把物理、生物和化学这些支配宇宙的自然法则推到了极限，那么通用人工智能的经济回报可能并不会那么高。我很好奇你最喜欢的一些给这股热潮泼冷水的观点，比如你认为哪些因素会导致对算力的需求发生变化，甚至改变其发展轨迹？  

[00:37:40] **嘉宾：** 有一个非常明显的看空理由，那就是边缘 AI，它与通用人工智能的经济回报有关。三年后，手机会变得更大更笨重，以容纳所需的 DRAM，电池续航可能也会变短，但你将可能在手机上运行一个精简版的，比如 Gemini 5 代、Grok 4.1 或 ChatGPT，每秒能生成三十六十个 token。而且那是免费的，这显然是苹果的策略。我们要做 AI 的分发商，保证隐私安全，让它在手机上运行。然后当你遇到问题时，可以调用云端的那些大型上帝模型。如果这种情况发生了，如果每秒三十六个 token，智商一百一十五的 AI 就足够好了。我认为这就是一个看空的理由，除了扩展定律本身失效之外。  

[00:39:00] **嘉宾：** 但如果我们假设扩展定律会继续有效，我们现在知道预训练的扩展定律至少还会持续一代，而另外两条新的后训练扩展定律，即训练中强化学习和验证奖励 RLVR，以及测试时计算和推理，我们还处在非常早期的阶段。我们正在让模型在进行测试时计算时，能在脑中保持越来越多的上下文，这非常强大，因为大家都在问模型怎么会知道这个最终，如果你能保持足够长的上下文，就可以把公司里所有的 Slack 消息、Outlook 邮件和公司手册都放在上下文里，然后你就可以计算新任务，并将其与你对世界的知识、模型的想法以及所有这些上下文进行比较。也许超长上下文窗口就是解决当前许多局限性的方案，而这得益于像 KV 缓存卸载等各种酷炫的技术。但我确实认为，除了扩展定律放缓以及通用人工智能的经济回报较低之外，边缘 AI 是迄今为止最合理也最可怕的看空理由。  

[00:40:40] **主持人：** 我喜欢想象不同的 S 型曲线，你投资时经历了 iPhone 的发展，我很喜欢看 iPhone 型号的演变图，从一个笨重的砖头到我们现在拥有的样子，每一代都只有一点点改进，显然它的外形已经趋于平稳。如果你为前沿模型本身设想一个类似的演进过程，你觉得它现在处于技术范式演进的哪个阶段？  

[00:41:15] **嘉宾：** 如果你付费使用 Gemini Ultra 或 Super Grok，体验的是最好的 AI，你很难看出差别。我得去问一些非常深入的问题，比如，你认为 PCI Express 和以太网哪个是更好的纵向扩展网络协议？为什么？给我看科学论文。如果你在不同模型之间切换，问一个你非常了解的这类问题，你才能看出差别。我确实玩梦幻橄榄球赢的钱都捐给慈善机构了，但这些新模型在帮助我决定派谁上场方面确实强了不少。他们的思考方式复杂得多。如果你是一个历史战绩不错的梦幻橄榄球玩家，而这个赛季表现不佳，这就是原因。这就是原因。是的，因为你没用 AI。  

[00:42:30] **嘉宾：** 我认为我们会在越来越多的领域看到这种情况，但我确实认为他们已经达到了一个水平，除非你是真正的专家或者你的智力超群，否则很难察觉到进步。所以我认为我们需要从追求更智能转向追求更有用，除非更高的智能开始带来重大的科学突破，比如我们在2026、2027年治愈了癌症。我不知道我们是否能治愈癌症，但从投资回报率的 S 曲线上看，我们需要从智能交棒给实用性，然后实用性再交棒给能创造全新产业的科学突破。  

[00:43:30] **主持人：** 在你看来实用性的构成要素是什么？  

[00:43:35] **嘉宾：** 就是能够持续可靠的做事，其中很大一部分是保持所有的上下文，比如如果有人想为我规划一次旅行，我有很多奇怪的偏好，比如我关注那个叫 Andrew Huberman 的人，所以我喜欢朝东的阳台，这样早上可以晒到太阳。所以 AI 必须记住我的飞行偏好，记住飞机上有星链对我来说很重要。好的，这是我过去喜欢的度假村，这是我喜欢的区域类型，这是我在每个度假村真正想要的房间，这是大量的上下文。要记住所有这些，并对它们进行权衡是一个难题。所以我认为上下文窗口是其中很重要的一部分。还有一个叫做原任务评估的东西，也就是它能工作多长时间，它能工作多久。你可以认为这在某种程度上与上下文有关，虽然不完全精确，但任务长度需要不断扩展，因为预定一家餐厅在经济上是有用的，但用处不大，但为我预定整个假期，并且知道我父母、我姐姐、我侄女和侄子的偏好，这是一个难得多的问题。这是人类可能要花三四个小时来优化的事情。如果你能做到这一点，那就太神奇了。但我还是认为它必须在短期内擅长销售和客户支持，然后我认为他已经在这方面有所应用了。  

[00:45:30] **嘉宾：** 我确实认为我们会看到各种产品的惊艳程度加速提升。工程师们正在使用 AI 来更快更好地制造产品。我们都投资了那家公司，Tael，它简直太了不起了，是我从未想过的东西。我认为我们会在每个垂直领域都看到类似的东西。这就是 AI 被用于任何公司最核心的职能，设计产品。然后已经有很多例子表明 AI 被用来帮助制造产品并更有效的分销，无论是优化供应链还是用视觉系统监控生产线，很多事情都在发生。  

[00:46:20] **嘉宾：** 我认为在整个投资回报率方面，另一件非常有趣的事情是财富五百强公司总是最后采用新技术的，他们保守，有各种规章制度，还有很多律师。而创业公司总是最先采用的。让我们想想上一个真正具有变革性的企业新技术，云计算。它让你所有的计算都在云端，使用 SaaS，所以总是最新的，总是很棒，等等。你可以在任何设备上使用它。我记得第一次 AWS Re:Invent 大会大概是在2013年，到了2014年，地球上所有的创业公司都在云上运行，自己买服务器、存储和路由器的想法已经变得很可笑了。这可能甚至更早，在第一次 Re:Invent 大会之前就已经发生了，而第一批大型财富五百强公司开始将其标准化，大概是五年之后，你在 AI 领域也看到了同样的情况。我相信你在你的创业公司里也看到了这一点。  

[00:47:30] **嘉宾：** 我认为风投比公开市场投资者更普遍看好 AI 的一个原因是风投们看到了非常真实的生产力提升，有很多图表显示，在同等收入水平下，今天的公司员工数量明显少于两年前的公司。原因就是 AI 正在做很多销售支持和帮助制造产品的工作。我知道 Iconic 有一些图表，顺便说一句，R6Z 的 David George 是个好朋友，很棒的人，他也有个叫模型颠覆者的东西，所以有非常明确的数据表明这种情况正在发生。因此，那些能洞察风险投资世界的人看到了这一点。  

[00:48:20] **嘉宾：** 我确实认为在第三季度非常重要的一点是，这是第一个季度我们看到科技行业以外的财富五百强公司给出了 AI 驱动增长的具体量化例子，比如 CH Robinson 的某个指标增长了大约百分之二十。我该告诉大家 CH Robinson 是做什么的吗？这么说吧，一辆卡车从芝加哥开到丹佛，司机住在芝加哥，所以他要从丹佛开回芝加哥。这趟回程是空载的。C.H. Robinson 与这些卡车司机和货运公司有各种关系，他们将托运人的需求与这些空载的运力匹配起来，从而提高货运效率。他们是货运代理，其实有很多这样的公司，但他们是最大、最具主导地位的。他们做的最重要的事情之一就是报价和提供运力。比如一个客户打电话给他们说，嘿，我急需三辆十八轮大卡车从芝加哥到丹佛。过去他们说这需要十五到四十五分钟，而且他们只对百分之六十的询价进行报价。有了 AI，他们能对百分之百的询价进行报价，而且在几秒钟内就能完成。所以他们公布了一个非常好的季度财报，股价上涨了百分之二十，这都是因为 AI 驱动的生产力提升影响了收入、成本等各个方面。  

[00:50:20] **嘉宾：** 之前其实很担心我们可能会出现一个 Blackwell 投资回报率的空窗期，因为我们在 Blackwell 上投入了巨额资金，而这些 Blackwell 都被用于训练，训练本身是没有投资回报率的，投资回报率来自推理，所以我真的很担心，我们可能会有大概三个季度的时间，资本支出高的难以想象，而那些 Blackwell 只用于训练，收入持平而投入资本在增加，是的，完全正确，所以投入资本回报率会下降，你可以看到像 Meta，因为 Meta 一直没能做出一个前沿模型，他们公布的季度财报显示投入资本回报率下降了，这对股价不是好事，所以我真的很担心这一点，但我确实认为那些数据点很重要，它们表明我们或许能够度过这个潜在的投入资本回报率空窗期。  

[00:51:30] **嘉宾：** 这让我想到了这个市场，我和其他人一样，注意力都集中在市值排名前十的公司上，他们占据了所有的市值和关注度，但标普五百里还有另外四百九十家公司，你也研究过他们前十的。你对这个现在似乎没人谈论、没人关心的群体有什么看法？毕竟他们没有推动回报，而且在整个指数中的比重也越来越小。  

[00:52:00] **嘉宾：** 我想如果越来越多的公司能交出像 C.H. Robinson 那样的季度报告，人们就会开始关心了。我认为那些历史上一直运营良好的公司，他们之所以能长期成功，就是因为离不开对技术的良好运用。所以如果你有一种内部的实验和创新文化，我认为你在 AI 方面也会做得很好。我敢打赌，最好的投资银行会比一些落后的银行更早、更好的采用 AI。有时候历史就是未来的预演，我认为这次很可能也是如此。  

[00:52:50] **嘉宾：** 我有一个很强的观点，所有这些风投都在建立空母公司，说要用 AI 来改善传统业务。他们都是非常聪明的风投，有着很好的业绩记录，但这正是私募股权公司五十年来一直在做的事情。你不可能在他们的游戏里打败他们。这就是 Vista 在早期做的事情，对吧？是的，我确实认为私募股权最近可能经历了一段艰难时期。估值上升了，私人资产变得更贵，融资成本也上升了，让公司上市很难，因为公开市场的估值比私募市场低百分之三十，所以私募股权的日子不好过。但我实际上认为这些私募股权公司会非常擅长系统性的应用 AI。  

[00:53:50] **主持人：** 我们还没怎么花时间讨论 Meta, Anthropic 和 xAI，我很想听听你对我们谈到的所有基础设施方面的发展有什么看法。这三家公司是这场宏大博弈中非常重要的参与者。我们讨论的所有这些发展具体会如何影响他们？  

[00:54:10] **嘉宾：** 首先让我笼统地谈谈前沿模型。在2023和2024年，我喜欢引用 Eric Smith 的话，我们那位才华横溢的朋友 Eric 总是说基础模型是历史上增值最快的资产。我想说他百分之九十是对的。我修改了一下他的说法，没有独特数据和互联网规模分发渠道的基础模型是历史上贬值最快的资产，而推理技术的出现从根本上深刻地改变了这一点。曾经有一个飞轮，引用杰夫贝索斯的话，它是所有伟大互联网公司的核心。这个飞轮是这样的，你做出一个好产品吸引用户，用户使用产品产生数据，这些数据可以反馈到产品中，让产品变得更好。这个飞轮在 Netflix、亚马逊、Meta、谷歌已经转了十多年了。这是一个极其强大的飞轮，也是为什么那些互联网业务难以与之竞争的原因是为什么他们有规模递增的回报？大家都谈论网络效应，这对社交网络很重要。我不知道 Meta 在多大程度上还是一个社交网络，它更像一个内容分发平台。但他们就是因为那个飞轮而有规模递增的回报，而在 AI 的前推理时代，这种动态是不存在的。你预训练一个模型，把它发布出去，它就是那个样子了。实际上他们会做 RLHF，也就是带有人类反馈的强化学习，试图让模型变得更好。也许你会从 Twitter 的风评中感觉到人们不喜欢这个，然后你微调一下。虽然有那个点赞和点踩的按钮，但要把这些反馈真正融入模型其实很难。有了推理技术，虽然还很早期，但那个飞轮开始转动了，这对这些前沿实验室来说意义深远。  

[00:56:20] **嘉宾：** 所以推理从根本上改变了前沿模型这件事的行业动态，请具体解释一下为什么会这样，到底发生了什么？因为如果很多人都在问一个类似的问题，他们对答案的反应总是一致的喜欢或不喜欢，那么你就可以利用这一点。这就像一个可验证的奖励，一个好的结果。然后你就可以把那些好的答案反馈到模型中。这个飞轮现在还处在非常早期的转动阶段，做起来还很难，但你已经能看到它开始转动了。所以这是影响所有这些动态的第一个重要事实。  

[00:57:10] **嘉宾：** 第二，我认为 Meta 的情况非常重要。马克·扎克伯格在今年一月份说，他非常有信心，原话我记不清了，大概是说在2025年的某个时候，他们将拥有最好性能最强的 AI。我不知道他现在排不排得进前一百，所以他的预测错的离谱。我认为这是一个非常重要的事实，因为它表明这家公司所做的事情真的很难，因为 Meta 投入了大量的资金，但他们失败了。Yann LeCun 不得不离开，他们不得不为 AI 研究人员开出著名的十亿美元薪酬。顺便说一句，微软也失败了，他们没有做出如此明确的预测。但他们收购了 Inflection AI，并且有很多评论说他们预计内部模型会很快变得更好，他们将把越来越多的 AI 运行在内部模型上。结果并没有。亚马逊他们收购了一家叫 Anthropic 的公司，现在他们的模型叫 Nova，我认为也排不进前二十。所以显然做这件事比一年前人们想象的要难得多，这背后有很多原因，比如要让一个大型 GPU 集群保持协同工作其实非常困难。很多这类公司习惯于为了优化成本而不是性能来运行他们的基础设施，复杂性和性能，是的。性以及保持 GPU 在大型集群中高利用率运行，这其实是非常难，而且不同公司运行 GPU 的水平差异巨大。由于物理定律的限制，你最多可能只能让二三十万个 Blackwell 协同工作，但如果你的集群正常运行时间只有百分之三十，而你的竞争对手有百分之九十，那你们根本就不在同一个赛道上。所以首先人们运行 GPU 的水平差异巨大。  

[00:59:30] **嘉宾：** 其次我认为这些 AI 研究人员喜欢谈论品味，我觉得这很有趣。哦，你为什么赚这么多钱？因为我品味很好。你知道品味是什么意思吗？就是你对该做什么实验有很好的直觉。这就是为什么你愿意花大价钱请这些人，因为事实证明随着这些模型变得越来越大，你不能再在一个一千个 GPU 的集群上做实验，然后指望在十万个 GPU 上能复制结果，你需要在五万个 GPU 上做那个实验，而且可能需要好几天，所以机会成本非常高。你必须有一个非常优秀的团队，能够就该在上面运行哪些实验做出正确的决定。然后你还需要做好后训练阶段所有的强化学习以及测试时计算。这真的很难，所有人都以为很容易，但所有这些事情，我以前有个说法，我很久以前是零售分析师，在美国随便挑一个垂直领域，如果你能在一千家店里遍布五十个州，做到店面干净明亮，商品齐全，价格合理，员工友好还不偷东西，你就能成为一家两三百亿美元的公司。只有大概十五家公司做到了，这真的很难。这里也是一样，把所有这些事情都做好真的很难。  

[01:01:20] **嘉宾：** 然后推理加上这个飞轮就开始形成了进入壁垒。更重要的是，每一个实验室，OpenAI、Gemini、Anthropic，他们内部都有一个更先进的模型检查点。检查点就是他们持续在模型上工作，然后发布一个版本。这些模型之所以进步快，是因为他们内部用来训练下一个模型的版本本身就更先进。如果你没有那个最新的检查点，就很难追赶了。中国的开源模型简直是天赐给 Meta 的礼物。你可以用中国的开源模型作为你的检查点，用它来作为启动的方式。我相信他们和其他公司现在都在努力这么做。  

[01:02:10] **嘉宾：** 最大的问题也是一个巨大的变数在于，我认为中国在稀土问题上犯了一个可怕的错误。中国因为有华为的升腾芯片，这是一款不错的芯片，对比像降级版的 Hopper 来说看起来还行。所以他们试图强迫中国的开源社区使用他们国产的芯片。问题是 Blackwell 现在要出来了，美国前沿实验室和中国开源社区之间的差距将会因为 Blackwell 而急剧扩大。实际上 DeepSeek 在他们最近的 v3.2 技术论文中就说，他们与美国前沿实验室竞争困难的原因之一是我们没有足够的算力。这是他们非常政治正确但仍有点冒险的说法，因为中国之前说了我们不要八块，而他们现在是在说，求求你们给我们一个简化版的 Blackwell 吧，这可能是一个巨大的错误。所以如果你推演下去，这四个美国实验室将开始拉大与中国开源社区的差距，这使得任何其他人都更难追赶，因为你无法再用中国的开源模型来启动。  

[01:03:30] **嘉宾：** 然后在地缘政治上，中国以为自己有筹码，但他们会意识到，哎呀，我们确实需要 Blackwell。不幸的是对他们来说，他们可能要到2026年底才会意识到这一点，而到那时已经有巨大的努力在进行中。DARPA 有各种非常酷的 DARPA 和国防部项目来激励针对稀土问题的巧妙技术解决方案。而且在对美国非常友好的国家有很多稀土矿藏，他们也不介意用传统方式进行提炼。所以我认为稀土问题会比任何人想象的都更快得到解决，它们显然并不稀有，只是名字起错了。它们之所以稀有是因为提炼过程非常麻烦。所以在地缘政治上，我实际上认为 Blackwell 相当重要。随着差距的扩大，它将给美国带来很大的筹码。  

[01:04:30] **嘉宾：** 然后在所有这一切的背景下，回到这些公司之间的动态，xAI 将率先推出第一款 Blackwell 模型，然后他们可能会是第一批大规模使用 Blackwell 进行推理的公司。我认为这对他们来说是一个重要的时刻。顺便说一句。很有趣的是，如果你去 OpenRouter 看看，你就会发现他们现在占据了主导份额。当然，OpenRouter 可能只占 API token 的百分之一，但它是一个指标。他们处理了一点三五万亿个 token，谷歌大概是八九千亿，这大概是过去七天或一个月的数据。Anthropic 是七千亿，XAI 真的做的非常好，而且模型非常棒，我强烈推荐。  

[01:05:20] **嘉宾：** 但你会看到 XAI 推出这款模型，OpenAI 会更快的推出。OpenAI 正在用 StarGate 项目试图解决的问题是，因为他们需要为算力向别人支付利润，而且提供算力的人可能也不是运行 GPU 的高手，所以他们是高成本的 token 生产商。我认为这在很大程度上解释了他们最近的红色警报事件，还有那一点四万亿美元的投入承诺。我认为那就像是，嘿，他们知道他们需要筹集大量资金，特别是如果谷歌继续采取抽干经济氧气的策略。你知道，从一点四万亿到红色警报，这转变挺快的。他们之所以发出红色警报，就是因为所有这些动态，所以他们会推出一个模型。但在那时，相对于 XAI、谷歌和 Anthropic，他们在每个 token 成本上的劣势还无法解决。  

[01:06:30] **嘉宾：** Anthropic 是一家好公司，他们烧钱的速度比 OpenAI 慢得多，但增长更快。所以我觉得必须给 Anthropic 很多赞誉，这很大程度上归功于他们与谷歌和亚马逊在 TPU 和 Trainium 上的合作关系。所以 Anthropic 一直能从谷歌的动态中受益。在这场伟大的国际象棋博弈中，非常有代表性的是，你可以看到 Dario 和黄仁勋可能在公开场合有过几次交锋，有点互相。但 Anthropic 刚刚和英伟达签了五十亿美元的合同，这是因为 Dario 是个聪明人，他明白 Blackwell 和 Rubin 相对于 TPU 的这些动态。所以英伟达现在从有两个战士，XAI 和 OpenAI，变成了三个，这在英伟达对抗谷歌的战役中很有帮助。  

[01:07:40] **嘉宾：** 然后如果 Meta 能赶上来，那也非常重要。我敢肯定英伟达正在尽其所能帮助 Meta，比如建议他们，你们现在这样运行 GPU，也许我们应该把这个螺丝拧紧一点，或者把那个旋钮调一下。然后如果 Blackwell 回到中国，这看起来很可能会发生，那也会非常好，因为那样中国的开源社区就会重新崛起。  

[01:08:10] **主持人：** 我总是对事物的两极非常好奇，一极是你还在关注数据中心里除了芯片之外的其他突破，比如我们之前谈到过的一些例子。我认为未来三到四年，这个领域最重要的事情将是太空数据中心，这对每个人都有极其深远的影响。在地球上建一个发电厂或者数据中心，现在正有一场巨大的淘金热涌入这个领域。我对此一无所知，请给我科普一下。  

[01:08:45] **嘉宾：** 是的，就像每个人都觉得，嘿，AI 有风险，但你知道吗？我要建一个数据中心，我要建一个发电厂来支持数据中心，我们肯定需要这个。但如果你从第一性原理思考数据中心，就应该在太空运行一个数据中心的基本输入是什么？是电力和冷却，然后是芯片。如果你从总成本的角度来看，是的，就是从产生 token 的那些神奇机器的输入来看，在太空中你可以让一颗卫星二十四小时都沐浴在阳光下，而且阳光强度要高百分之三十，你可以让卫星只捕捉光线，阳光强度高百分之三十，这导致外太空的辐照度比地球上高六倍，所以你能获得大量的太阳能。第二点，因为你二十四小时都在阳光下，所以你不需要电池，这省下了一大笔成本。所以我们太阳系中成本最低的能源就是太空中的太阳能。  

[01:10:00] **嘉宾：** 其次是冷却，在一个机架里大部分的质量和重量都用于冷却。这些数据中心的冷却系统极其复杂，有暖通空调、冷却分配单元、液体等等，看着很酷，看着确实很神奇。而在太空中冷却是免费的，你只需要在卫星的阴暗面放一个散热器就行了，这简直是金矿。而且那里的温度接近绝对零度，所以所有那些成本都没了，那可是一大笔钱。好了，我们再想想这些卫星。许每个卫星就像一个机架，可以这么想。也许有些人会造更大的卫星，相当于三个机架。但你怎么连接这些机架呢？很有趣，在数据中心里，超过一定距离的机架是用光纤连接的，也就是激光在电缆里传播。唯一比激光在光纤里传播更快的是激光在绝对真空中传播。所以如果你能用激光在太空中把这些卫星连接起来，你实际上就拥有了一个比地球上数据中心更快、更协同的网络。  

[01:11:20] **嘉宾：** 好的，对于训练来说，这需要很长时间，因为它规模太大了。规模太大了。因为规模太大了，训练最终会在太空进行。但对于推理，我们来想想用户体验。当我问 Grok 关于你的问题，它给了那个很好的回答时，发生了什么呢？无线电波从我的手机传到手机信号塔。然后到达基站，进入光纤电缆，传到纽约的某个城域网汇聚设施，可能就在离这里不到十个街区的地方。有一个小小的城域路由器，把这些数据包路由到某个大型的 XAI 数据中心。计算完成后，再通过同样的路径返回。如果卫星能直接和手机通信，而星链已经展示了直连手机的能力，那你就是直接嗖嗖嗖一下，用户体验会好得多，成本也更低。所以从第一性原理的角度来看，太空数据中心在各方面都优于地球上的数据中心。  

[01:12:40] **主持人：** 如果我们能瞬间变出这个东西，我理解它的好处，那为什么它不会发生呢？是发射成本，是发射机会，还是运载能力？  

[01:12:45] **嘉宾：** 我们需要很多星舰，是的，只有星舰才能在经济上实现这个目标。我们需要很多星舰，也许中国或俄罗斯能成功着陆火箭。蓝色起源刚刚着陆了一个助推器，这是一个宏大的想法，我认为这为我们提供了一个看待 SpaceX 的全新视角。很有趣的是埃隆马斯克曾发帖或在采访中说过，特斯拉、SpaceX、xAI 和 xAI 都在某种程度上趋于融合。他们确实在融合，xAI 将成为特斯拉制造的 Optimus 的智能模块，使用特斯拉视觉作为其感知系统，然后 SpaceX 将拥有太空数据中心，为 xAI、特斯拉、Optimus 以及许多其他公司提供大部分 AI 算力。看到他们以这种方式融合真的很有趣，每一家都在为另外两家创造竞争优势。  

[01:14:00] **嘉宾：** 如果你是 xAI，能与 Optimus 建立这种内置关系非常好，特斯拉是一家上市公司，所以我无法想象那份公司间协议会经过何等严格的审查，然后你在太空数据中心方面拥有巨大优势。另外，如果你是 AI，有两家拥有大量客户的公司，你可以利用他们来帮助你构建客户支持和销售代理。这就像有了内置客户，所以他们确实都在以一种巧妙的方式融合。我认为明年 XAI 发布第一款 Blackwell 模型时，将是一个重要的时刻。  

[01:14:40] **主持人：** 如果我走到另一个极端，思考一个似乎在人类经济历史中普遍存在的现象，那就是短缺之后总是伴随着资本周期的过剩。如果这次的短缺是算力呢？像马克·扎克伯格现在公开表示，如果能给他，他几周内就能消耗掉十倍的算力。所以看起来算力仍然严重短缺，这就是我们今天讨论的所有内容。但历史上似乎又有一条铁律，就是过剩总是在短缺之后出现。你对这个概念如何应用于当前情况有什么看法？  

[01:15:30] **嘉宾：** 最终肯定会出现过剩。AI 与软件的根本不同在于每次使用 AI 都会消耗算力，而传统软件则不会。确实，我认为这些公司中的每一家都能消耗十倍以上的算力。如果真的这样，那么每月两百美元的版本会变得更好，而免费版会变得像现在两百美元的版本一样。谷歌已经开始用广告来变现 AI 模式了，我认为这会给其他所有人一个许可，在免费模式中引入广告，而这将成为一个重要的投资回报来源。OpenAI 简直是为你量身定做的广告服务商。是的，绝对是，不全是广告，还有各种操作，比如，嘿，这里有三个度假方案，你想让我预定哪个？然后他们肯定会收取佣金。赚钱的方式有很多，我想我们在之前的播客里已经详细讨论过，库存动态是如何让半导体行业的库存周期不可避免的，半导体行业的铁律就是客户的缓冲库存必须等于交货时间。这就是为什么你会有这些库存周期。  

[01:17:00] **嘉宾：** 历史上自上世纪九十年代末以来，我们 arguably 没有见过真正的产能周期，那是因为台积电在整合和平衡供应方面做得太好了。现在世界上的一个大问题是，台积电的产能扩张速度跟不上客户的需求。他们正在犯错误，因为你有英特尔，他们有这些晶圆厂，虽然技术没那么好，用他们的 PDK 也很难。但是现在他们有了一个叫 Bruno Party 的人，他是一个非常优秀的管理者，非常懂这个业务。顺便说一句，我认为 Pat Gelsinger 也是一个很好的管理者，他为英特尔制定了唯一可能成功的战略。我其实认为英特尔董事会在那个时候解雇他是一种耻辱。但 Bruno Party 是个好管理者，他现在正在享受 Party 战略带来的好处。英特尔有很多空置的晶圆厂。考虑到我们现在算力的短缺，这些晶圆厂最终会被填满，所以我认为台积电正在犯错，但他们就是太害怕产能过剩了，太持怀疑态度了。他们就是那些建了 Sam Altman 之后嘲笑他说他是个播客网红，根本不知道自己在说什么的人，他们害怕产能过剩，所以可能台积电的谨慎会成为唯一的调控阀。  

[01:18:40] **嘉宾：** 我认为调控阀是好事，电力有调控阀是好事，台积电是调控阀也是好事。如果台积电在太空数据中心解决所有电力限制的同时放开产能，但那可能还要五六年太空数据中心才能成为部署兆瓦级算力的主流，我想那样很快就会产能过剩。但现在我们有两个非常强大的自然调控阀，我认为这是好事，更平稳更持久是好事。  

[01:19:10] **主持人：** 除了通过太空的话题提到电力，我们还没怎么谈论过电力，电力曾经是最无趣的话题，很长很长时间里都没什么变化。突然之间，我们开始想办法到处获取千兆瓦的电力。你是怎么看待这个问题的？你对电力感兴趣吗？  

[01:19:30] **嘉宾：** 哦，我非常感兴趣，我觉得自己很幸运。我之前在一个公司里是电信和公用事业团队的行业负责人，所以有一定的基础知识。把瓦特数作为约束条件，对最先进的计算玩家来说是件好事儿。因为如果瓦特数是瓶颈，你为计算支付的价格就无关紧要了，你的计算总拥有成本完全不重要。因为如果你能让每瓦特产生的 token 数量增加三倍、四倍或五倍，那实际上就意味着三倍、四倍或五倍的收入。如果你要建一个先进的数据中心，成本是五百亿，一个用 ASIC 的数据中心可能成本是三百五十亿。如果那个五百亿的数据中心能产生二百五十亿的收入，而你那个三百五十亿的 ASIC 数据中心只能产生八十亿的收入，那你就很郁闷了。所以我认为这对数据中心里所有最先进的技术都是有利的，这作为投资者让我很兴奋。  

[01:21:00] **嘉宾：** 所以只要电力还是一个调控因素，最好的产品就会胜出，无论价格如何，而且会有疯狂的定价权，这是第一个对我来说非常重要的启示。其次，唯一的解决方案是我们在美国建核电站的速度不够快。尽管我们非常希望快速建设核电，但我们就是做不到，太难了。国家环境政策法案 NEPA 和所有这些规定太难了。就像我们有一种稀有的蚂蚁，它可能因为环境变化而迁移，这完全可能推迟一个核电站的建设，就因为一只蚂蚁。你知道，这就是今天的美国，简直是一团糟。是的，这太疯狂了，人类应该被放在第一位，我们需要一个以人为中心的世界观，但解决方案是天然气和太阳能。  

[01:22:20] **嘉宾：** 这些 AI 数据中心的好处在于，除了那些你要用来做推理的，你可以把它们建在任何地方。所以我认为你会看到，也正在看到，所有这些活动都集中在阿比林，因为它位于一个巨大的天然气盆地中心。由于水力压裂技术，我们在美国有大量的天然气，而且在很长一段时间内都会有，我们可以很快的提高产量。所以我认为这个问题会得到解决。你会看到由天然气或太阳能供电的发电厂，我认为这就是解决方案。而且所有这些涡轮机制造商之前都不愿意扩大产能，但卡特彼勒刚刚表示他们将在未来几年内将产能提高百分之七十五，所以电力这边的系统已经开始响应了。  

[01:23:30] **主持人：** 我总是那么喜欢和你交谈的原因之一是，你既深入研究世界排名前十的公司，也关注那些由二十五岁的企业家创办的全新公司，他们正试图做一些了不起的事情。所以你对正在发生的事情有一个非常广阔的视野。如果我考虑第二类人，也就是那些年轻、有进取心的技术专家，他们现在是第一代 AI 原生企业家，你在那个群体中看到了什么值得注意、令人惊讶或有趣的事情？  

[01:24:20] **嘉宾：** 这些年轻的 CEO 们在各方面都令人印象深刻，而且他们成熟的更快。我认为原因是他们在和 AI 对话，比如我该如何向这位投资者做推荐？我要见 Patrick O'Shaughnessy 了，你觉得我应该用什么最好的方式向他推荐？而 AI 的回答很有效，做一个深入的研究，结果会很好。或者，嘿，我遇到了一个棘手的人事问题，你觉得我该怎么处理？AI 在这方面也很擅长。我们产品卖不出去，你建议做些什么改变？AI 在所有这些方面今天都做得非常好，所以这就是为什么那些风投在他们所有的公司里都看到了巨大的 AI 生产力提升，因为他们的公司里充满了这些二十三、二十四岁甚至更年轻的 AI 原住民，他们令人印象深刻。  

[01:25:30] **嘉宾：** 我对年轻的投资人才也印象深刻，这其中一部分原因就是像你的播客这样的平台，非常专业的知识通过播客和互联网变得如此容易获取。那些年轻人进来的时候，我觉得他们已经达到了我三十出头时的投资水平，而他们才二十二岁。我当时就想，天哪，我得拼命跑才能跟上这些在 AI 环境中长大的孩子，他们对 AI 的熟练程度是我正在努力学习的。  

[01:26:10] **主持人：** 我们能具体聊聊半导体领域的风险投资吗？这个领域有什么有趣的地方？  

[01:26:15] **嘉宾：** 我觉得这其中有一点特别酷，而且被严重低估了，那就是半导体领域的创业创始人平均年龄大概在五十岁左右。黄仁勋以及英伟达的发展和市值可以说凭一己之力点燃了半导体领域的风险投资，但他点燃的方式非常棒，这对英伟达、谷歌以及所有人来说都是好事。这么说吧，假设你是世界上最顶尖的 DSP 架构师，过去二十年里你每两年就得推出一款新产品，因为半导体行业就是这样，每两年你就要跑一场比赛，如果你赢了上一场，下一场你就能领先一步起跑，随着时间的推移，这些优势会累积，让每场比赛都更容易赢，但也许这个人他和他的团队可能是某家大型上市公司的网络部门负责人，他赚很多钱，生活也很好，已经五十岁了，然后因为他看到了这些成功案例和数据中心市场的巨大规模，他就会想，哇，我为什么不自己开家公司呢？  

[01:27:40] **嘉宾：** 但这之所以重要，是因为我忘了具体数字了，但一个 Blackwell 机架里有成千上万个部件，一个 TPU 机架里也有成千上万个部件。在 Blackwell 机架里，可能英伟达自己制造了其中两三百个部件，AMD 的机架也一样，他们需要所有其他部件与他们一起加速。所以如果所有东西都跟不上，他们就不可能做到每年更新一次的节奏，所有东西都跟不上他们。所以我认为半导体风险投资的强势回归意义重大。你知道硅谷早就不是以前的硅谷了。我这个小公司过去七年做的半导体交易可能比排名前十的风投加起来还多。是的，但这真的非常非常重要，因为现在你有了一个能够跟上步伐的公司生态系统。  

[01:28:50] **嘉宾：** 然后这个由风投支持的公司组成的生态系统，又给那些也需要参与其中的上市公司带来了压力。如果我们真的要进入这种每年更新的节奏，这真的很难。这也是为什么我对那些还没有取得一定成功的 ASIC 持怀疑态度的原因之一。所以我认为这是一个超级重要的动态，是实现这一切的基础和必要条件。因为即使是英伟达也无法独自完成，AMD 不能，谷歌也不能，你需要那些制造收发器的人，制造电线的人，制造背板的人，制造激光器的人，他们都必须与你一起加速。  

[01:29:50] **嘉宾：** 作为一名投资者，我觉得 AI 有一点非常酷，那就是这是我第一次看到在我关注的每一个技术层级，至少最重要的竞争者都是上市公司和私营公司并存的。英伟达他们有非常重要的私营竞争对手，博通有重要的私营竞争对手，Marvell 有重要的私营竞争对手，Lumentum、Coherent，所有这些公司，甚至在内存领域也有一波创新浪潮，这非常令人兴奋。因为内存是一个如此关键的瓶颈。  

[01:30:40] **嘉宾：** 顺便说一句，可能会减缓这一切并成为自然调控因素的一件事是，如果我们迎来了自上世纪九十年代末以来的第一个真正的 DRAM 周期，那意味着什么呢？如果 DRAM 的价格，如果一片 DRAM 晶圆的价值像一颗五克拉的钻石一样，在九十年代，在你经历那些真正的产能周期之前，在台积电把一切都理顺，DRAM 变得更像寡头垄断之前，你会遇到疯狂的短缺，价格会飙升十倍，这在过去二十五年是无法想象的。一个大的 DRAM 周期，一个好的 DRAM 周期是价格停止下跌。一个史诗级的周期是价格可能会上涨，比如说百分之三四十、五十。但如果它开始以倍数而不是百分比上涨，那就是完全不同的游戏了。  

[01:31:40] **主持人：** 顺便说一句，我们应该谈谈 SaaS。  

[01:31:45] **嘉宾：** 是的，我们来谈谈你认为会发生什么。我认为应用软件即服务 SaaS 公司正在犯与实体零售商在电子商务上犯的完全相同的错误。实体零售商，特别是在电信泡沫破裂后，他们看着亚马逊说，哦，它在亏钱，电子商务将是一个低利润的业务。它怎么可能比我们现在的业务更有效率呢？现在是我们的顾客自己花钱开车到店里，然后再自己花钱把商品运回家。如果我们把货物单独送到每个顾客家里，怎么可能更有效率呢？亚马逊的愿景当然是最终我们只会沿着一条街，在每家每户门口都放下一个包裹。所以他们没有投资电子商务，他们清楚的看到了客户的需求，但他们不喜欢电子商务的利润结构。这基本上是所有实体零售商在投资电子商务上行动迟缓的根本原因。  

[01:33:10] **嘉宾：** 现在我们看到亚马逊的北美零售业务的利润率比许多大众市场的零售商还要高，所以利润率是可以改变的。如果出现一种客户需求的具有根本性变革的新技术，不拥抱它永远是错误的，而这正是 SaaS 公司正在做的事情。他们拥有百分之七十、八十、九十的毛利率，不愿意接受 AI 的毛利率。AI 的本质是软件你写一次，写的非常高效，然后你可以以非常低的成本广泛分发。这就是为什么它是个好生意，AI 完全相反，你每次都必须重新计算答案。所以一个好的 AI 公司毛利率可能在百分之四十左右。疯狂的是，由于效率的提升，他们产生现金流的时间比历史上 SaaS 公司早得多。但他们能更早产生现金，不是因为毛利率高，而是因为他们的人类员工非常少。看到所有这些公司都这样，真是悲剧。  

[01:34:30] **嘉宾：** 你想做一个智能代理，如果你不愿意低于百分之三十五的毛利率来运营它，你永远不会成功，因为那些 AI 原生公司就是以这个利润率在运营，也许他们是百分之四十。所以如果你试图维持百分之八十的毛利率结构，你就是在保证自己在 AI 领域不会成功，绝对的保证，这对我来说太疯狂了。因为第一，我们有一个现成的例子证明，只要毛利润额可以，软件投资者愿意容忍毛利率的压力，这个例子就是云计算。人们可能不记得了，但当 Adobe 从本地部署转向 SaaS 模式时，不仅他们的利润率暴跌，实际上他们的收入也暴跌了，因为你从一次性收费变成了分期收费。微软的情况没那么戏剧化，但在云计算转型的早期，微软的股票表现也很艰难，因为投资者会说，天哪，你是个百分之八十毛利率的业务，而云计算只有百分之五十。他们会说，但这会增加毛利润，呃，而且随着时间的推移，利润率可能会提高。  

[01:36:00] **嘉宾：** 微软收购了 GitHub，并利用 GitHub 作为分发编程助手的渠道，这已经成了一个巨大的业务。当然它的毛利率要低得多，但有很多 SaaS 公司，我想不出任何一家应用 SaaS 公司不能成功的运行一个智能代理策略。他们相对于这些 AI 原生公司有一个巨大的优势，那就是他们有一个能产生现金的业务。我认为有空间出现一种新型的激进投资者或建设性投资者，直接去找 SaaS 公司说别再这么傻了。你只需要说这是我的 AI 收入，这是我的 AI 毛利率，你知道这是真正的 AI，因为毛利率很低。我会向您展示这一点，那边有一个风险投资支持的竞争对手正在亏很多钱，所以也许我会暂时把我的毛利率降到零，但我有这个风投公司没有的业务，这是一个非常明显的策略。Salesforce，ServiceNow，HubSpot，GitLab，Atlassian，所有这些公司都可以这么做。  

[01:37:30] **嘉宾：** 这些公司可以或者应该思考如何使用智能代理的方式，就是问自己一个问题好吧，我们现在为客户提供的核心功能是什么？我们如何能用智能代理进一步自动化这些功能？如果你是做 CRM 的，你的客户做什么？他们和他们的客户交谈，我们是客户关系管理软件，也做一些客户支持，那就做一个能做这些事儿的智能代理，然后以百分之十到二十的利润率销售它，让那个智能代理访问你拥有的所有数据，因为现在正在发生的是别人做的另一个智能代理正在访问你的系统来完成这项工作，把数据拉到他们的系统里，把数据拉到他们的系统里，然后你最终会被淘汰，这太疯狂了，就因为，哦，哇，但我们想保持百分之八十的毛利率，这是一个生死攸关的决定，而除了微软，基本上所有公司都在这上面失败了。  

[01:39:00] **嘉宾：** 引用那位诺基亚高管很久以前的话，他们的平台正在燃烧，燃烧的平台，是的，是的，那边就有一个非常好的平台，你只要跳过去就行了，然后你就可以扑灭你那个着火平台上的火，现在你有了两个平台，这很棒。  

[01:39:20] **主持人：** 你提到的太空数据中心让我想知道在整个市场中你是否还在思考一些其他我们没谈到过的比较冷门不寻常的事情。感觉自从2020年开始，2022年又戳破了这个泡沫之后，就出现了一系列滚动的泡沫。2020年像特斯拉以外的电动车初创公司出现了一个泡沫，那绝对是个泡沫，他们都跌了百分之九十九。然后是更具投机性的股票出现了一个泡沫，接着是网红股，比如游戏驿站。现在感觉滚动的泡沫是在核能和量子领域，包括核聚变和小型模块化反应堆，这会是变革性的技术，非常了不起。但可悲的是，在我看来，所有你能投资于此的公开渠道都不是这个主题的良好体现，也不太可能成功，或者说没有任何真正的基本面支持。  

[01:40:40] **嘉宾：** 量子领域也一样，我已经关注了十年了，我们对量子有很好的理解，但同样在我看来，公开上市的量子公司并不是领导者。量子领域的领导者应该是谷歌、IBM，还有霍尼韦尔的量子部门。所以你能投资于这个可能令人兴奋的主题的公开渠道，并不是最好的。所以你有两个非常明显的泡沫。我也认为量子霸权被严重误解了。人们听到这个词就以为量子计算机将在所有方面都比经典计算机更好。量子能做一些经典计算机无法做的计算，仅此而已。这会非常有用，非常令人兴奋和了不起，但这并不意味着量子会接管世界。  

[01:41:40] **嘉宾：** 我有一个想法，可能与市场的关系不大，更多是关于 AI 的。我一直很着迷。过去两年，无论 AI 需要什么来继续成长和发展，它都能得到。你见过美国公众对任何问题的看法变得像对核电那样快吗？简直就是一瞬间的事。为什么这会发生，而且恰好在 AI 需要它发生的时候发生？现在我们快要触及地球上的电力极限了，突然间太空数据中心出现了，我觉得有点奇怪。每当出现可能减缓它发展的瓶颈时，一切都会加速。Rubin 相对于 Blackwell 将会是一个非常简单无缝的过渡，而且 Rubin 是一款出色的芯片。然后 AMD 也带着 MI450 加入了战局，无论 AI 需要什么，它都能得到。  

[01:42:50] **嘉宾：** 你是科幻小说的深度读者，所以完全正确。你让我想起了凯文·凯利那本很棒的书《科技想要什么》，他称之为技术元素圈，就像是技术的总体集合，由人类供给来变得更强大，绝对是变得越来越强大。是的，他就是想要变得越来越强大。现在我们正在进入一个终局状态。  

[01:43:20] **主持人：** 我有一个自私的收尾问题，说到年轻人，我的孩子们，一个十二岁，一个十岁，尤其是我大一点的儿子开始对我做的事情产生兴趣，我觉得这很自然。我打算开始问问我那些对创业和投资最有激情的朋友，他们为什么如此热爱这些事儿？这些事儿对他们来说为什么那么有趣，能赋予他们生命力？你会如何向一个对这个领域感兴趣的年轻人推荐你所做的事业，你建立的这个职业，这个世界的一部分？  

[01:44:10] **嘉宾：** 我相信在某种程度上投资就是对真理的追寻。如果你先于他人发现了真理，并且你对这个真理的判断是正确的，你就能创造超额收益。而且这个真理必须是其他人尚未看到的，你在寻找隐藏的真理。我能记起的最早的事情就是对历史感兴趣，看那些有威尼斯人、埃及人、希腊人和罗马人图片的画册。我热爱历史。我清楚的记得大概在二年级的时候，我爸每天开车送我上学，我们在一年里把整个二战史都过了一遍，我非常喜欢。然后这很早就转化为了我对时事的浓厚兴趣。所以在我还很小的时候，不知道是七年级、八年级还是九年级，我就开始读纽约时报和华盛顿邮报。每当邮件来的时候，我都会特别兴奋，因为那意味着可能有一本经济学人、新闻周刊、时代周刊或者美国新闻。我非常沉迷于时事，因为时事就像是应用历史，是看着历史发生，思考接下来可能会发生什么。  

[01:45:50] **嘉宾：** 我当时对投资一无所知，我父母都是律师，我只要在争论中赢了，就会得到极大的奖励。比如，如果我能为我应该晚睡提出一个合理的论点，我爸妈就会特别骄傲，然后让我晚睡，但我必须赢过他们，我就是这样长大的。我当时就是这么过着日子，我特别喜欢滑雪和攀岩。上大学后，攀岩成了我生活中最重要的事情，我全身心投入其中，我所有的作业都是在攀岩馆完成的。我早上七点就到攀岩馆，会逃很多课待在馆里。我会在一个大的抱石垫上做作业，每个周末我都会和达特茅斯登山俱乐部去某个地方攀岩，这对我来说超级重要。我运动天赋不好，所以从来不是一个很好的攀岩者，但我确实全身心投入其中，作为其中的一部分。  

[01:47:10] **嘉宾：** 在攀岩旅行中，《赌王之王》这部电影上映了，当时我还在上大学。所以我们开始打扑克。我喜欢下国际象棋，但我下的也不好，扑克也一样，从来没有真正投入过。我在大学读了两三年后的计划是我要离开，我大学时在阿尔塔滑雪场打工，做过客房服务员，打扫过很多厕所。人们对待我的方式让我很震惊，这永久的影响了我对待他人的方式。你正在打扫别人的房间，他们就在里面，而且他们在读和你一样的书，你会说，哦哇，这本书很棒，我差不多也读到你那儿了。他们会像看怪物一样看着你，好像你会说话一样。你会说话，然后他们会更震惊，你居然还读书。所以那件事对我之后如何对待每个人都产生了很大的影响，友善是免费的。  

[01:48:30] **嘉宾：** 但总之我当时的计划是冬天做滑雪流浪汉，夏天在河上工作，这就是我养活自己的方式，然后在春秋两季去攀岩。打算尝试成为一名野生动物摄影师，并写出下一部伟大的美国小说。哇，真不敢相信，我从不知道这些，那就是我的计划，是我的正式计划。我很幸运，我父母非常支持我想做的一切。我父母的父母非常严格，所以他们对我自然就极其宽容，所以我可能最终会成为一个严格的家长。这个循环就是这样。是的，我父母是律师，他们过得还算不错，他们俩的成长环境都可以说是非常贫困的。我爸经常说，他记得每一个请他喝过啤酒的人。他当时买不起啤酒，整个大学都是靠打工读完的，拿的是奖学金，整个高中只有一双鞋。所以他们非常支持我的计划。我很幸运他们送我上大学，我不用自己付学费。所以他们说，Gavin，我们觉得你这个做滑雪流浪汉、漂流向导、野生动物摄影师、春秋季尝试写小说的计划听起来很棒，但是我们从来没求过你什么，也没鼓励你学什么。你做的任何事我们都支持。你能去做一个专业的实习吗？就一个，我们不在乎是什么。  

[01:50:20] **嘉宾：** 我唯一能找到的实习，那是在我大二暑假快结束的时候，是在 Donaldson Lufkin Jenrette，也就是 DLJ 的一个实习。我的工作是每次 DLJ 发布一份研究报告，这是在私人财富管理部门。我为那个办公室的负责人工作，我的工作是每当他们出一份研究报告，我就去查看他哪些客户持有那只股票，然后我把报告寄给那些客户。比如今天我们写了通用电气的报告，我就需要把这份报告寄给这三十个人，把思科的报告寄给那二十个人。然后我开始读这些报告，我当时就想，天哪，这简直是世界上最有趣的事情了，所以我把投资概念化了，它是一个技巧和运气的游戏，有点像扑克。投资中显然有运气成分，比如你投资了一家公司，结果一颗陨石砸中了他们的总部，那就是运气不好，但你得承担这个后果。所以有不可减少的运气成分，但也有技巧，这很吸引我。  

[01:51:50] **嘉宾：** 而在这场最伟大的技巧与运气游戏中，获得优势的方式是，你对历史有最透彻的了解，并将其与对世界时事最准确的理解相结合，从而对接下来会发生什么形成一个与众不同的看法。在这场技巧与运气的游戏中，哪只股票在巴黎共同基金体系中被错误定价了？那就是股票市场，这大概是第三天的事。我去了书店买了他们有的书，是彼得·林奇的书，我大概两天就把那些书读完了，我读书非常快，然后我读了所有关于沃伦巴菲特的书，然后读了市场奇才，然后读了巴菲特致股东的信，这都是在我实习期间。然后我又读了一遍巴菲特致股东的信，然后我自学了会计，有一本很棒的书叫《股票为什么会上涨和下跌》。然后我回到学校，把我的专业从英语和历史改成了历史和经济学，从此再也没有回头。这件事占据了我的一切，我虽然继续专注于攀岩，但不再像以前那样了。  

[01:53:20] **嘉宾：** 我会在健身房里打印出 Motley Fool 网站上那些人写的所有东西，他们有一些傻瓜专栏，很早就开始谈论投入资本回报率，增量 ROIC 是一个非常重要的指标。我就读划线，读各种书，然后读《华尔街日报》，最后健身房附近终于有了一台电脑终端，我就会去那个健身房，就在那儿看关于股票的新闻，这成了我生命中最重要的事情，我勉强维持着我的成绩啊。是的，我就是这样入行的。历史、时事、技巧和运气，我是一个好胜的人，而且我其实从来没有擅长过其他任何事情。所有运动队选人，我都是最后一个被选的。我喜欢滑雪，我真的花了一大笔钱上私人滑雪课，但我滑的并不好。我喜欢打乒乓球，我所有的朋友都能打败我。我试过努力学好国际象棋，那是在我们还必须亲自下棋的时候，我的目标是打败其中一个人，我肯定某个公园里有，就在那儿，最有名的那个，就在那儿，就在那儿。好的，在剑桥有，我想打败他们中的一个，但从来没赢过。我从来没有擅长过任何事情。我当时觉得我能擅长这个，而能擅长一件除了考试之外的有竞争性的事情，这个想法对我很有。所以我认为这也是一个非常重要的因素。直到今天，这仍然是我唯一擅长的事情。我倒是想擅长点别的，但我就是不行。  

[01:55:30] **主持人：** 我想我以后要开始问每个人这个问题了。为了 Pearson 和 Mave 的持续教育，这是一个完美的收尾。我喜欢和你聊所有这些话题，非常感谢你的时间。  

[01:55:45] **嘉宾：** 谢谢你，这太棒了，谢谢。谢谢。  

[01:55:50] **主持人：** 如果你喜欢这一集，请访问 drinkcolossus.com，在那里你可以找到本播客的每一集以及手工编辑的完整文字稿。你也可以订阅 Colossus Review，这是我们的纸质、数字和私人音频季刊，深度报道我们最敬佩的创始人、投资者和公司在 drinkcolossus.com subscribe 了解。Gondor。