Ben Thompson：AI 热潮，谁来付账？

原始资料：《What Happens When the AI Boom Runs Out of Money》

节目：Invest Like The Best。嘉宾：Stratechery 创始人 Ben Thompson。主持人：Patrick O'Shaughnessy。视频发布于 2026-08-18，时长 01:25:54。

本文根据公开视频及英文自动字幕整理。融资案例、行业估算和公司前景均保留访谈当时的语境；嘉宾的判断与预测不视为已经证实的结果。各节附原视频时间链接。

一座数据中心刚接通电，算力就被抢光了。看到这样的需求，继续投资似乎顺理成章。

Ben Thompson 却把问题往前推了一步：机房里的计算任务很多，跟整个产业已经赚到足够多的钱，是两件事。建设需要现在付钱，客户创造价值、形成稳定收入，再把收入传回上游，需要时间。

AI 可以是一项极有价值的技术，同时让一批投资者在等到回报之前耗尽资金。

这也是这场访谈贯穿始终的线索。Thompson 看好 AI 对经济的影响，但他关心谁承担成本、谁接近客户，以及长期价值能否赶上眼前的账单。

钱先付出去，收入什么时候回来？

Thompson 描述了一条融资路径：科技公司先花自己的自由现金流，再借债，之后发行股权，或者把养老基金、保险资金等长期资本引进来。

他在谈话中以 Google 股权融资，以及 Nvidia 参与、规模约五千亿美元的融资安排为例，追问这条路径继续走下去，下一笔钱从哪里来。这些是访谈中的案例描述，不能据此认定所有企业都已用完借债空间。

理想的下一步，是新业务开始产生足够的自由现金流，重新支付建设费用。如果收入增长赶不上融资消耗，中间就会出现缺口。

主持人提到的支出规模也说明了问题的量级：2026 年资本开支可能约八千亿美元，2027 年可能达到 1.3 万亿美元。这是节目中的估算，谈话没有给出统一统计口径，不能当成经过核验的行业总账。

Thompson 用 1870 年代的铁路建设解释这种时间差。修铁路的钱需要提前筹到，经营回报却要用十几年甚至更久来兑现。金融体系承受不住时，投资者会亏损，铁路仍可能继续运输货物、创造经济价值。

技术有没有用、资产能不能产生收入、最初出资的人能不能赚钱，需要分别判断。原视频：资金与铁路类比。

Google 的搜索生意，可能只是下一门生意的起点

Thompson 把 Google 与伯克希尔联系起来，重点放在资本如何继续寻找去处。

See's Candies 可以是一门利润率很高的糖果生意，但糖果市场能容纳的新增投资有限。BNSF 铁路需要大量资产，利润率没有那么漂亮，却能在更大的业务规模上创造可观的利润总额。

Google 搜索也有类似特点：它已经拥有一套极其赚钱的商业模式。AI 则需要大量持续投入，回报率未必能达到搜索业务的水平，潜在市场却可能延伸到大量白领工作。

在 Thompson 的设想里，一家公司接受更低的利润率、甚至股权稀释，仍可能换来更大的利润总额。前提是新增市场和收入真的出现。

这解释了巨头为什么愿意投入，也解释了外界为什么不能只凭“它原来的生意很赚钱”，就认定新一轮投资必然划算。原视频：Google 与伯克希尔。

AI 已经很强，能力边界仍需要证据

Thompson 对编程和数学能力的进展非常乐观，同时保留了一项疑问：在答案容易验证的任务里表现优秀，能否直接推导出在开放问题里同样可靠？

代码可以运行，数学结论可以检验。很多真实工作没有这么快的反馈，有时要过很久才能知道一个决定是否正确。模型能否跨过这道差异，他认为仍需要证据。

他还提醒，互联网上留下的文字主要是思考的结果，未必包含产生这些结果的全部思考过程。更丰富的数据可能继续拓展模型能力，这属于他的设想。

但他并不因此否认眼前的市场。大量经济活动本来就包含规则明确、结果可检查的任务。即使模型停留在当前能力，相关机会仍然很大。

医疗也是他看好的方向，同时受到数据访问、监管和组织流程的限制。技术能力增长很快，现实采用速度未必同步。原视频：能力与验证。

免费模型、付费用户和每月重新算一次的账

开源模型可以让使用者免去支付原始研发投入，却不会替使用者支付每次推理的成本。芯片、电力和运行服务仍然需要有人承担。

这里还有一个容易被忽略的区别：问一道菜怎么做，和让模型持续探索一道数学难题，消耗的资源可能相差很大。Thompson 认为，轻量消费请求的服务成本可能很低；长时间推理则会随着计算时间继续增加费用。

因此，AI 很难只用一种商业模式覆盖所有人。

面向普通消费者，Thompson 倾向广告模式。他用 Dropbox 说明，产品广受欢迎，并不保证有足够多的个人用户愿意持续付费。转向企业后，产品还要补上权限、管理和组织控制等能力。

他认为 OpenAI 对消费订阅的依赖，也曾遇到类似的市场边界。他批评广告推进得太晚，因为广告可以让轻量用户免费使用，同时由希望触达这些用户的商家支付费用。这是他的商业判断，并不意味着所有消费订阅都无法成立。

这个逻辑延续了他的聚合理论：当传播信息越来越便宜，帮助用户找到所需内容、掌握用户需求的一方，就获得了重要的商业位置。

企业侧则有另一种摩擦。Thompson 举了每人每月 100 美元的软件费用例子。固定席位费可以直接算进招聘一名员工的成本，决定做过一次，后面按月支付。

如果又增加按使用量计费，客户每个月都要重新考虑花多少钱，还可能顺手审查整套软件：哪些功能真有价值，哪些可以换供应商。原本安稳的打包收入，开始接受更频繁的比较。

推理成本改变的不只是毛利，还会改变客户做预算和采购的方式。原视频：聚合、广告与计费。

今天缺算力，不代表明天的价格不会下降

Thompson 认为，科技公司习惯依靠差异化收取高价，对航运、存储芯片这类行业的周期未必同样熟悉。

买船的钱已经付出后，船公司仍要决定要不要接下一单。只要运费足以覆盖燃料、船员和港口等新增现金支出，即使计入折旧后账面亏损，船也可能继续开。

供不应求时，运价很高，大家一起订新船。但造船需要时间。等新船陆续交付，需求和价格可能已经变了。

他把同样的问题放到数据中心上：今天的回本速度，是在算力稀缺时测出来的；未来供给变多，这个速度还成立吗？

在他的商品市场框架里，价格受到边际供给者及供需关系约束。成本更低的厂商通常更能承受价格下降，也更有机会熬过低谷。

他也承认，AI 需求可能长期增长，算力可能持续紧缺。即便如此，前期资金已经投入、足够多收入尚未形成的时间差，仍然可能让融资中断。原视频：航运与算力周期。

台积电控制自己的风险，客户承担缺货的代价

Thompson 认为，台积电等制造商在 2023 年、2024 年和 2025 年扩张节奏上的谨慎，会影响后续几年的供应。他把部分当前投资转化成实际算力的时间，放到了 2028 年、2029 年附近。这是他对建设周期的判断。

晶圆厂扩产慢，也有自己的理由。他在访谈中用一座工厂可能运行 30 年来解释顾虑：如果现在建多了，过剩产能会在系统里停留很久。这里说的是运行寿命，不能理解为每座工厂都要 30 年才能回本。

谨慎没有让风险消失。制造商减少了建多的风险，客户却承担了拿不到芯片的损失。损失的形式有时是本来能接的订单接不了，本来能赚的钱赚不到。

这给 Intel 和三星的代工业务带来了机会。过去，客户已经有成熟可靠的供应商，帮助另一家建立服务能力，成本高、麻烦多。

当缺货导致的收入损失足够大，客户才更愿意承担这笔成本。Thompson 因此看好 Intel 获得重要客户的可能性，但他谈的是机会和预期，不能据此宣布 Intel 已经完成转型。原视频：制造产能与第二供应商。

Amazon 与 Apple：客户和实物资产的分量

谈到科技巨头的业务位置，Thompson 首先选了 Amazon。理由是，它可以从自己确实需要解决的问题出发，把能力做成产品，再卖给别人。

这段历史也有细节。按他的叙述，AWS 并非把电商闲置服务器拿出来出租；它来自可通过接口使用的基础设施需求，而且先服务外部客户，之后才逐步承载 Amazon 自己的电商业务。

物流业务走的是另一条路线：先解决自己的配送问题，再向第三方开放。共同点是，真实业务为新产品提供了需求、反馈和规模。

芯片也能从中受益。Graviton 是 AWS 的 Arm 处理器，Trainium 是 AI 加速芯片。内部和托管服务的需求，可以给自研硬件持续改进的空间；不能把两类芯片混为同一种用途。

Apple 的优势则是终端、渠道和客户关系。Thompson 认为，它可以引入模型供应商，并在未来把更多轻量推理放到用户设备上，从而减少自己承担的云端成本。他同时明确表示，这种状态尚未完全实现。

Apple 仍有一道考题：如果 AI 逐渐分布在家中、电脑和各种设备里，手机还会一直是中心吗？他用微软早年围绕 PC 理解移动设备的经历，提醒 Apple 不能把今天的成功结构当成永久前提。

制造和分发实物的能力，给了这两家公司相对扎实的基础。它们也需要继续判断，客户会在何处接触下一代服务。原视频：Amazon 与 Apple。

前沿模型、企业入口和广告：几种不同的生存方式

OpenAI 与 Anthropic 没有同样厚实的老业务替自己托底。Thompson 认为，对技术方向的强烈信念，以及必须把新业务做成的生存压力，会推动它们继续向前。

Google 有搜索收入支持长期投入。Meta 既有广告业务，也有创始人继续投入前沿研究的意愿。谈到 SpaceX 的 AI 业务时，他更看重差异化基础设施的可能性，同时质疑：如果基础设施本身就有吸引力，是否一定需要拥有自己的前沿模型？太空数据中心在这里仍是未来设想。

微软选择的路径，在他看来类似 IBM 当年帮助企业接入互联网：提供企业熟悉的接口、兼容性和服务，替客户处理底层技术的复杂变化。

这有现实价值，也有防守压力。如果 AI 智能体能够直接处理任务，用户对文档、收件箱和传统操作界面的依赖可能减少。现有客户关系能够争取时间，却不能自动保证旧产品形态一直成立。

Meta 的直接回报更容易在广告里观察。图片和文案有没有效果，可以通过点击、购买和持续实验来检验。Thompson 认为，匹配效果提升几个百分点，就可能对应数十亿美元的收益；这是对业务规模的推演，不能当成已经实现的净利润。

他还指出，AI 内容对不同平台的成本影响并不相同。YouTube 需要与创作者分成，生成内容可能替代一部分相关成本；Meta 的大量用户内容原本没有直接采购费用，自行生成反而会新增推理支出。比较的是内容成本，平台运营本身当然仍有费用。

与此同时，如果 AI 内容越来越多，人们对真实人际联系的需求可能增强。社交关系本身，也许会重新变得更有价值。原视频：前沿玩家与平台业务。

Nvidia 的利润，不能只看卖出芯片那一刻

Thompson 对 Nvidia 的分析，从产品毛利延伸到了它为客户承担的金融风险。

他提到融资中的 25% 兜底，以及部分算力采购承诺延续到 2030 年等案例。其推理是，客户获得较低融资成本，往往因为另一方承担了部分风险。

如果未来需求持续旺盛，这些安排可能带来回报。如果算力供给增加、客户卖不掉产能，担保或采购承诺就可能产生代价。因此，即使芯片标价和账面毛利维持不变，企业整体的风险调整后回报也可能下降。

这是对经济实质的分析，不能直接等同于相关损失已经发生。

他认为 Nvidia 的重要长期对手包括 Google 和 Amazon。这些公司有自己的客户需求、自研芯片，以及相对低的资金成本。它们有动力投入资源，让替代硬件变得足够好。

Nvidia 仍有优势。其生态和广泛兼容性，使算力更容易出租、转用；在电力非常紧缺的情形下，每单位电力能完成多少有效计算，也会更重要。Thompson 认为 CUDA 的优势有所削弱，同时强调它仍然存在。

这场竞争同时发生在硬件、资金成本和可用电力上。原视频：Nvidia 与资金成本。

地缘政治里的“领先”，也有条件和代价

访谈开场讨论了一个假设：如果 AI 使美国获得压倒性的军事优势，其他国家会如何反应？

Thompson 担心，这可能破坏围绕台湾及半导体供应链的现有制衡。他谈到对台积电的极端威胁，是在推演这种假设下的激励，不能当成对冲突必然发生的预测。

他还强调，制造依赖远远不止晶圆厂。设备、零件和供应网络的替换都需要成本，企业通常不会主动支付一笔极昂贵、眼前又看不到收益的“保险费”。

在他对当时模型格局的判断里，美国前沿实验室领先，中国团队大约落后 6 至 9 个月，形成了一种暂时可维持的状态。这个时间差是他的估计，并非统一评测结论。

AI 参与模型研发后，差距会扩大还是缩小，他也没有给出确定答案。如果前沿系统越来越少公开，外界还可能更难判断真实能力到了哪里。原视频：竞争与制衡。

热潮退去之后，电力设施可能留下更久

访谈最后，Thompson 把话题带回了铁路和互联网。

铁路投资者经历过严重损失，轨道继续创造价值。互联网泡沫之后留下的光纤，也成为后来业务可以利用的基础设施。

AI 会留下什么？他没有把所有硬件放在同一类里。GPU 更新很快，数据中心之外，他更关注发电和供电能力。

如果这轮建设最终让社会拥有更多可用电力，即使部分 AI 投资失败，这些设施仍可能服务于更广泛的经济活动。这是一种希望看到的长期结果，并非对未来电力必然过剩的保证。

电力供应增加，还会反过来改变芯片竞争。最紧缺的资源如果不再那么紧缺，单靠极致能效维持高价的空间可能变小，也给 Google 和 Amazon 改进芯片留下更多时间。

长期技术价值、短期现金流，以及谁最终得到利润，是三张需要分别看清的账。 Thompson 的访谈把它们放回了同一幅图景：AI 的价值可以很大，通往这份价值的道路仍然需要有人持续付账。原视频：热潮留下的资产。