来源: All-In with Chamath, Jason, Sacks & Friedberg
这一期 All-In 的核心，是把“AI 的商业估值、技术路线、政治风向和地缘博弈”放到同一个框架里来讨论。节目一开始就把话题拉到了一个很典型的 All-In 现场：Sacks 缺席，但 Gavin Baker 顶上，大家先聊 SpaceX 的估值想象空间、OpenAI 和 Anthropic 的增长、Karpathy 加入 Anthropic 的意义，然后再一路延伸到 Nvidia 的市场波动、Google 的产品策略、美国社会对 AI 的态度变化，以及特朗普撤销 AI 行政令之后，政策环境可能怎么重新洗牌。整期节目看上去很“杂”，但其实围绕的是同一个问题：AI 现在到底是一个泡沫化叙事，还是已经成为新一轮产业和国家竞争的底层设施？
一、Karpathy 加入 Anthropic，意味着什么
讨论的第一个高潮，是 Andre Karpathy 加入 Anthropic。Jason 和嘉宾都非常明确地认为，这件事不是普通的人事新闻，而是一个信号：AI 行业里最少见、最有象征意义的人才，正在进入“下一阶段的模型训练与自我改进”路线。Karpathy 不是一个只会做研究的人，他的价值在于他曾经在 Tesla 的自动驾驶、OpenAI 的早期工程实践，以及后来对“vibe coding”“auto research”这类工具化趋势的理解中，始终站在“模型如何真正改变工作方式”的前线。节目里反复提到，他代表的是一种把理论、工程和产品落到同一个循环里的能力。
Gavin Baker 还把这个人事变化放到 Google 的文化传统里去看：当年 Google Fellows 之所以重要，不只是因为他们聪明，而是因为他们往往站在一波技术浪潮的前端，能在“新浪潮开始时”做出真正的关键判断。Karpathy 现在进入 Anthropic，意味着 Anthropic 可能会把“让 Claude 改进 Claude”这件事推进到更靠前的位置，也意味着 AI 公司不再只是比训练规模、比数据中心数量，而是开始比“自我改善”的工程路径。
二、Anthropic、OpenAI 和 AI 商业化的现实账本
节目里有一段非常典型的“市场化”讨论。Gavin 直接把现在的大模型生意放到财务模型里看：如果 OpenAI 和 Anthropic 的营收继续快速增长，哪怕只看严格意义上的 LLM 业务，按某种粗略口径，整个行业的 ARR 也可能在极短时间里冲到很高的规模。更关键的是，他认为推理端的毛利并不低，尤其是在大模型已经开始被实际用户广泛调用之后，ROI 这件事不再只是“未来会有”，而是已经在部分场景里出现了。
这套逻辑的重点，不是“AI 公司是不是该被过度追捧”，而是“在巨额算力投入之后，是否真的能看到可验证的回报”。Gavin 的判断很清楚：如果把 Gemini、Cursor、xAI、开源模型，甚至一部分 Google 的 AI 能力都放进观察范围，那么今年的 AI 市场已经不只是讲故事，而是开始出现实打实的商业回流。这个回流当然还不均匀，但它足以说明：AI 的资本开支不只是烧钱，至少在一部分场景里，它正在变成收入。
三、递归自我改进与持续学习：AI 的“下一道门槛”
Karpathy 和 Anthropic 的组合之所以重要，是因为他们讨论的不是普通意义上的“模型更大了”，而是“模型如何在训练中继续学习”。节目里用很多篇幅谈了 recursive self-improvement 和 continual learning 这两个概念：前者指模型可以对自身训练过程产生反馈，后者则更接近人类的学习方式，即模型不是训练完就冻结，而是在持续使用、持续反馈中变得更好。
Jason 说得很直接：如果 AI 能够在训练过程中引入更多模型反馈、更多自动评估、更多循环式改进，那么模型质量可能会像“新一代 Moore’s law”一样持续跃升。Gavin 也补充说，这不仅仅是“让大模型更聪明”，而是可能彻底改变模型架构本身。未来也许不是单个巨型模型垄断一切，而是多个小模型、垂直模型、协同模型共同构成一个更灵活、更便宜、也更高效的系统。换句话说，行业真正的门槛，可能已经从“谁先做出一个大模型”，变成“谁先做出一个能够不断学习、不断重构、不断自我优化的系统”。
四、不是只看模型大小，而是看部署和成本结构
这一期的另一个重点，是对“模型越来越大”这种单一叙事的修正。Jason 强调，呼吁大家把注意力从每一次 benchmark 提升、每一次参数规模扩大上移开，因为普通用户真正感受到的不是模型排行榜，而是产品能不能稳定地帮他解决问题。于是讨论自然转向“部署成本”“token 成本”“模型组合”和“端侧能力”。
Gavin 说得很有代表性：如果把模型拆成很多更小的组件，或者通过多个小模型协作去完成过去由一个大模型承担的任务，那么整体能耗和每个 token 的成本都可能显著下降。Google 把 Gemini Nano 悄悄装进 Chrome 的讨论，也是在这个语境下展开的。那不是一个单纯的技术彩蛋，而是一个信号：AI 正在从“平台层的宏大叙事”变成“嵌入用户日常工具的实用功能”。自动纠错、拼写检查、自动补全、写作辅助、浏览器级助手，这些才是 AI 真正进入普通人生活的入口。
五、AI 的舆论问题，本质上是信任问题
节目里反复出现一个很现实的判断：现在最难的不是让模型变强，而是让普通人愿意相信 AI。Jason 认为，行业里很多人一边强调“AI 会改变世界”，一边又说不清这种改变如何落到具体生活里，这就很容易把 AI 变成一个“要么是救世主，要么是怪物”的二元对象。Gavin 则强调，公众需要看到的是可验证的收益，而不是抽象口号。
因此，节目中对“讲故事”的要求非常高：不要只说 AI 会创造未来财富，而要说它如何帮助医生、科研人员、程序员、设计师、企业家、甚至普通家庭更高效地完成工作。要让人看到“这东西确实有用”，而不是只听到“你应该相信它”。在这个层面上，AI 的舆论战不是宣传战，而是信任战。谁能在具体场景里提供真实价值，谁才能重新定义公众对 AI 的第一印象。
六、美国社会对 AI 的态度正在变化
节目从技术讨论自然滑向了政治和社会问题。Jason 和 Gavin 都认为，美国社会对 AI 的态度正在变得更复杂：一方面，科技行业和资本市场仍然看好 AI；另一方面，公众、媒体和政治人物对 AI 的怀疑却在增加，而且这种怀疑并不是“反科技”那么简单，而是由就业焦虑、收入分化、教育压力、心理健康、能源消耗和平台权力叠加出来的。
他们尤其强调了一个很容易被忽视的现象：AI 不只是让一部分人更高效，它也在让另一部分人感觉自己被边缘化。裁员公告、组织重组、自动化替代、技能贬值，这些都让 AI 变成“白领裁员”的现实符号。于是，AI 从一个技术名词，变成了一个带有情绪色彩的政治标签。节目里对这个问题的共同判断是：如果科技行业只会重复“未来很美好”，而不能诚实面对短期冲击，那它会越来越难获得社会支持。
七、中国、出口管制和全球竞争
节目后半段继续把话题拉向全球竞争，尤其是中美关系和芯片出口问题。Jason、Gavin 以及嘉宾们围绕一个尖锐问题展开讨论：向中国出售更多 Nvidia GPU，到底是增加竞争，还是反而帮助美国保持领先？Gavin 的观点比较明确，他认为在某些条件下，适度向中国出售先进 GPU 反而可能降低中国另起炉灶、自建替代生态的概率，也能让美国继续掌握 AI 生态的主导权。这个观点当然有争议，但它反映的是一个更大的战略思路：AI 不是单纯的商业商品，而是能源、算力、生态和安全的组合体。
同样的思路也出现在更宽泛的地缘政治讨论里。节目把伊朗、委内瑞拉、俄罗斯、霍尔木兹海峡、中东油气、以及中国的能源依赖都放在一张“棋盘”上看。讨论的不是某一项具体政策，而是美国如何利用能源、芯片和盟友网络，保持全球战略主动权。Gavin 甚至提出，如果某些能源通道或资源筹码被牢牢控制，世界的军事与技术竞争格局都可能因此改变。
八、SpaceX、估值、市场与未来预期
节目标题里的 SpaceX 2 万亿美元估值问题，并不仅仅是一个“能不能估值到这么高”的市场八卦，而是一个关于未来产业结构的判断题。SpaceX 之所以能被放进这个讨论，是因为它象征着一种混合能力：火箭、卫星、通信、国防、基础设施、甚至未来太空经济的底层能力。节目中的讨论实际上是在问：当一家企业既是硬科技公司、又是国家级基础设施玩家、还可能有极强的现金流和长期垄断能力时，传统市场该如何给它定价？
这个问题也延伸到了 Nvidia、OpenAI、Anthropic、Google、Cursor 这些公司身上。AI 时代的估值不再只是“收入×倍数”，而是“谁拥有生态入口、谁掌握成本优势、谁能把模型能力做成真正的用户习惯”。因此，市场波动并不只是股价震荡，而是投资者在重新定价“什么才算 AI 的长期赢家”。Nvidia 的涨跌、SpaceX 的估值争论、Anthropic 的招聘、Google 的端侧布局，其实都在同一个问题上打转：下一轮价值到底会沉淀在模型、应用、基础设施，还是用户入口里。
九、政治风向改变，AI 也要重新学会说话
节目的另一个重要观察，是美国政治风向正在变化。无论是特朗普重新调整 AI 行政令，还是共和党、民主党内部越来越多的人开始对 AI 表现出谨慎甚至怀疑，都说明 AI 已经不再是“天然被欢迎的新技术”。它正在变成一个必须和政策、监管、国家利益、劳动力市场一起讨论的议题。
Jason 和 Gavin 都认为，科技公司和政策制定者都得学会一种新的表达方式：不要把 AI 描述成一个可以直接替代人的神秘力量，也不要把它描述成万能解药。更可行的方式，是把它描述为一种会在不同场景里释放不同收益、同时也会带来真实冲击的通用能力。只有这种更诚实的表达，才有可能让公众逐步接受 AI，而不是把它一律视为威胁。
十、最后的结论：AI 的竞争，最终是治理能力的竞争
整期节目最后落到一个非常清晰的判断：AI 的竞争不只是模型竞争，也不只是资本市场竞争，而是治理能力竞争。谁能把技术能力转化为可理解、可分配、可监管、可长期运作的社会系统，谁才是真的赢家。无论是 Anthropic 的自我改进路线，还是 Google 的端侧部署，或是 Nvidia 的芯片生态、SpaceX 的基础设施想象，最终都必须回答一个更大的问题：这些技术如何让社会变得更有能力，而不是更焦虑、更分裂、更失衡。
因此，这一期 All-In 的真正主题不是某一个新闻点，而是一个时代拐点：AI 已经从“未来会发生的事”变成“现在必须处理的事”。接下来比拼的，不只是谁先做出更强的模型，而是谁能把这种能力变成公众愿意接受、政府能够治理、企业可以持续投资、社会可以长期消化的现实。
十一、为什么 Karpathy 的价值不只是“名人效应”
节目里对 Karpathy 的评价并不是停留在“他很有名、他很厉害”这种表层判断上，而是把他视作一种罕见的“把研究、工程、产品、教育和文化叙事连接起来的人”。Jason 的意思是：很多研究者知道怎么把模型训练出来，很多工程师知道怎么把系统部署出去，很多产品经理知道怎么把功能包装出来，但很少有人同时理解模型训练、实际使用、开发者文化、以及这些工具如何改变用户行为。Karpathy 恰好在这些维度上都有经验，所以他进入 Anthropic，真正值得关注的不是头衔，而是他可能把一整套“可持续自我改进”的方法论带进去。
Gavin 也强调，Karpathy 之所以重要，是因为他不是站在外面评论 AI，而是一直在浪潮内部工作。无论是 Tesla 的自动驾驶、OpenAI 的早期建设，还是后来关于 vibe coding、auto research、skill-based workflow 的讨论，他都在推动一个共同方向：让模型更像一个会学习、会迭代、会被人类和机器共同训练的系统。节目把他放在这个位置，不是为了制造英雄叙事，而是因为在一个越来越强调“如何让模型自己变得更好”的阶段，真正懂训练循环、懂产品落地、懂组织协作的人，价值会被放大到远超一般意义上的研究员。
十二、递归自我改进并不是空话，而是成本结构革命
节目一直在强调 recursive self-improvement，但它真正的含义并不只是“模型会自己更聪明”，而是“模型训练会变成一个越来越自动化、越来越闭环、越来越少依赖人工手工调参的过程”。Jason 讲到，如果未来模型在 forward pass、训练反馈、评估循环里都能不断吸收来自自身或其他模型的信号，那么 AI 不只是做题更快，而是学习速度本身会提升。Gavin 则把这个问题和连续学习联系起来：如果模型可以像人类那样从经验中持续学习，而不是每次都从头训练，那么 AI 可能会进入真正的飞跃阶段。
这背后其实是非常现实的成本问题。过去大模型之所以昂贵，是因为训练和部署都依赖海量算力，而且模型一旦定型，改进就需要重新跑一轮大规模训练。可如果未来能通过更小的模型、网络化模型、持续学习、模型互相训练，来完成相同甚至更好的效果，那么每个 token 的成本会下降，部署方式也会更加灵活。节目里提到的“把多个小模型组织起来”并不是枝节，而是对未来 AI 基础设施的一种预判：下一阶段的胜负，不一定由一个巨型模型决定，而可能由谁能更高效地组织一组模型共同工作来决定。
十三、别再只盯着 benchmark，真正重要的是端到端结果
Jason 在节目里非常明确地批评了一个倾向：大家太爱盯着每一次 benchmark、每一次小幅度的模型改进，仿佛只要参数、分数、榜单继续往上爬，AI 就算持续进步。但对用户来说，真正重要的从来不是“模型又涨了几分”，而是这个东西能不能帮我完成一个原本很难、很慢、很贵、甚至做不到的任务。节目里举了不少例子：数学难题、药物候选、写作辅助、代码生成、浏览器层面的自动补全、以及各种能直接让普通人感知到价值的场景。
这也是为什么 Google 把 Gemini Nano 放进 Chrome 的讨论非常关键。它说明 AI 不再只是云端巨无霸的竞赛，而是开始往浏览器、操作系统、办公场景和日常工具里下沉。对用户来说，这种变化更像“空气变得更聪明了”：你不需要专门启动一个庞大的聊天机器人，也不需要每次都去问一个宏大问题，AI 直接在你写邮件、浏览网页、校对文本、自动填表、整理信息的时候出现，帮你做微小但高频的事情。节目认为，正是这些细碎却持续的收益，才会慢慢把公众从“AI 是威胁”的观感里拉出来。
十四、美国社会为什么会开始对 AI 说“慢一点”
节目里其实还有一个很重要的社会心理判断：美国对 AI 的怀疑并不只是技术怀疑，而是一种“节奏怀疑”。很多人不是反对 AI 本身，而是反对它推进得太快、权力太集中、收益太不透明。尤其当公众看到大公司在裁员、重组、压缩成本的同时，又高声宣称 AI 会让所有人受益时，这种说辞就会显得格外空洞。于是社会的第一反应不是“我想参与”，而是“你是不是在让我替你的效率买单”。
节目里对这个问题的回应并不复杂：如果 AI 公司想要更高的社会支持，就必须先承认“速度和收益不是只对自己有利”。也就是说，企业不能只谈自己在研究、资本和市场上的领先地位，还必须谈如何让公众感到自己不是被抛下的人。教育投资、岗位转型、培训项目、公开透明的风险说明、以及更真实的过渡机制，都应该成为 AI 叙事的一部分。否则，越是强调“我们正在加速”，社会越可能回一句“那请先让我看到你怎么保护我”。
十五、出口管制、对华芯片和“稳定世界”的争论
节目后半段把镜头拉到更高维度：如果美国限制 Nvidia 向中国出售先进 GPU，会不会反而促使中国更快建立自己的替代体系？Gavin 的态度很明确，他认为这件事不能只从“卖不卖芯片”的角度看，而要从长期生态和地缘政治稳定看。对他来说，最理想的状态不是简单地把所有先进技术都封锁起来，而是在保持美国主导权的前提下，让对方更难通过封闭式路径快速独立出一套完全替代的系统。
这个判断和节目里对“供应链、能源与战略稳定”的讨论是连在一起的。芯片不是孤立的商品，它和电力、数据中心、云平台、操作系统、开发者生态都绑在一起。谁控制了这条链条，谁就更接近掌握 AI 的未来。节目因此把芯片出口、技术制裁、以及对华竞争放在一个更大的稳定框架里讨论：让世界更稳定，未必意味着让所有人都完全接触同样的技术，而是要在竞争和抑制之间找到一个长期可维持的平衡。
十六、油、海峡和中东：AI 之外的地缘棋盘
节目里最有“战略味道”的部分，是大家开始讨论伊朗、委内瑞拉、俄罗斯和霍尔木兹海峡。为什么 AI 节目会讲这些？因为在他们看来，真正决定大国博弈的，从来不只是模型和芯片，还有能源和运输通道。David 和嘉宾们在谈的其实是一张非常现实的棋盘：如果某些国家依赖特定油源，而美国又能通过能源、海上通道和盟友体系控制这些节点，那么很多地缘冲突的可选项就会被压缩。
在这个逻辑里，AI 也不是孤立存在的。它需要数据中心，需要电力，需要全球供应链，需要稳定的国际环境。也就是说，AI 的扩张本身就会反过来强化国家对能源、海运和盟友网络的依赖。节目把这个问题讲得很直接：你不能一边讨论 AI 的指数增长，一边假装世界政治不会变化。越是想让 AI 变成下一代基础设施，越需要一个相对稳定的全球秩序来支撑它运行。
十七、结尾：AI 的问题不是“能不能更强”，而是“谁来定义它的方向”
把整期节目串起来看，核心其实只有一句话：AI 的发展已经不再是纯技术问题，而是一个涉及商业回报、组织能力、公众信任、出口政策、能源安全和国际秩序的综合系统。Karpathy、Anthropic、OpenAI、Nvidia、Google、SpaceX、美国政治、对华政策、油气通道，这些看似分散的话题，在节目里其实都被放进了同一个问题里：未来的 AI 时代，谁有资格定义它的速度、边界和用途？
Jason 和 Gavin 的共同直觉是，真正决定胜负的，不是“谁喊得更响”，而是谁能把技术能力、产品体验、资本回报和社会承受力拼在一起。如果这些东西不能同时成立，AI 就会被社会反弹、被政治重置、被市场重新定价。反过来，如果某些公司和国家能够把它们拼起来，AI 就会从一个高估值概念，变成真正重塑经济和世界秩序的底层能力。也正因为如此，这一期节目看起来是在讲很多事，实际上只是在讲一个时代命题：AI 的方向，必须被认真地定义，而不能只靠速度本身来决定。
十八、SpaceX 的估值争论，其实是在争论“基础设施值多少钱”
标题里最吸睛的部分之一，是 SpaceX 的 2 万亿美元估值想象。节目并不是在说这个数字已经成真，而是在问：一家同时掌握火箭发射、卫星互联网、国防合同、全球通信和未来空间基础设施入口的公司，到底该按照什么逻辑定价？传统估值方法很难直接套用，因为它既不是单一的软件订阅公司，也不是普通硬件制造商，而更像一个兼具基础设施、网络效应和国家级战略价值的复合体。
这也是为什么节目把 SpaceX 和 AI 放在一起谈。因为在他们看来，未来最值钱的公司，不一定是“模型最大”的公司，而可能是最接近底层基础设施的位置：谁拥有太空通信、算力分发、端侧入口、开发者生态和长期合同，谁就有可能拿到远超短期营收倍数的定价。换句话说，SpaceX 的估值问题不是八卦，而是在问：当一家公司像电网、像通信骨干网、又像国家战略资产时，资本市场究竟该怎么定义它的稀缺性。
十九、为什么叙事会从“模型竞争”转向“用户价值竞争”
节目里多次强调，AI 行业需要从“模型更强”切换到“用户更有感”的叙事。这不是公关话术，而是产业成熟的标志。模型之间的差异会越来越难被普通人感知，而用户能感知到的，是写作是否更省时、搜索是否更准确、代码是否更稳定、工作流是否更顺手、办公软件是否开始替你处理繁琐步骤。也正因为如此，Google 在 Chrome 里悄悄嵌入 Gemini Nano 才显得那么关键：它说明真正的竞争不一定发生在最响亮的发布会，而是发生在用户每天都在用的入口里。
Jason 的担心是，如果行业继续把重点放在“参数增长”“榜单进步”“一次次刷新纪录”，公众只会越来越觉得 AI 是一个离自己很远、只会制造焦虑的东西。相反，如果公司能把 AI 变成一个“直接帮我省时间、减少错误、提高产出”的工具，舆论才有可能慢慢改变。换句话说，未来 AI 的竞争，不仅是技术性能的竞争，也是“谁最先把价值翻译成用户语言”的竞争。
二十、市场波动并不只是价格波动，而是定价逻辑在重写
节目里提到 Nvidia 的股价波动时，真正关心的不是某一天涨了还是跌了，而是市场到底在重新给什么东西定价。过去投资者看 AI，往往看的是“算力需求会不会爆发”；现在他们开始看“算力需求有没有持续的商业回流”。如果模型公司、应用层公司、云服务公司、端侧厂商都开始产生真实收入，那么整个行业的资本结构就会越来越稳；如果只看到高投入、看不到持续回报，那么市场就会变得更敏感、更挑剔。
所以，Nvidia、OpenAI、Anthropic、Google、SpaceX 这些公司放在同一个对话里，不是偶然。它们分别代表了基础设施、模型、应用、入口和下一代想象空间。节目实际上在提醒听众：AI 市场的定价不是线性的，它会随着“谁在创造价值、谁在控制入口、谁在承担成本”不断重估。今天看起来像波动的东西，可能正是新秩序形成的过程。
二十一、公众态度、对华沟通和“别把世界讲得太满”
补充说明：这期 All-In 最值得记住的，不是某一次 Nvidia 的涨跌，而是他们把“算力、入口、估值、政策和地缘”放到同一张桌子上讨论。SpaceX 的 2 万亿美元想象、Anthropic 和 OpenAI 的增长、Google 在浏览器里悄悄嵌入 Gemini Nano、特朗普撤销 AI 行政令、美国社会对 AI 的态度转冷，这些看似分散的线索，其实都指向同一个问题：未来的定价权到底会落在模型、基础设施、入口还是制度环境上。
当市场开始重新给 AI 定价时，最先被奖励的往往不是最会讲故事的人，而是最能把能力稳定交付给用户的人。也就是说，模型竞赛只是起点，真正的竞争会越来越像产品、分发、政策和资本结构的联合作战。节目最后的语气之所以克制，是因为他们都明白，AI 不是一条直线向上的叙事，而是一场不断重估“谁掌握关键节点”的长期过程。谁能把这套能力真正落到用户身上，谁就更接近下一个阶段的主导权。
再往下一层看，节目其实是在提醒观众：市场不是只会奖励更大的模型，还会奖励更稳的供给、更低的分发摩擦和更可信的政治环境。Nvidia 的波动、Google 的入口策略、Anthropic 的产品化速度，以及对中国、对补贴、对数据中心的讨论，最终都会回到同一个问题上来：谁能把 AI 从“新奇技术”变成“可持续基础设施”。如果答案还不够清楚，波动就会继续；如果答案越来越清楚，资本才会慢慢把它当成真正的底层能力，而不是一次性的主题交易。
这就是这期节目真正的核心：不是追逐一条最热的新闻线，而是观察一整套定价机制如何被重写。
而这条重写过程，短期内只会更吵，不会更安静。
但它会越来越具体。
也越来越重要。
真的。
。
因为当入口和基础设施开始同时变化时，所有人都必须重新计算自己的位置。
补一层更直接的判断：市场真正关心的不是“AI 会不会继续进步”，而是“这次进步能不能被稳定变成收入、利润和长期控制权”。如果一项能力只能偶尔被产品感知，却不能稳定地嵌进工作流、定价和分发，它就还只是热点；如果它能跨产品、跨入口、跨政策环境持续生效，才会变成新基础设施。All-In 这一期反复绕着这些公司打转，本质上就是在判断：谁有资格把“AI 只是工具”升级成“AI 已经是新的底座”。
所以，Nvidia 的股价波动、Google 的入口布局、Anthropic 的产品化节奏、SpaceX 的估值想象、以及美国社会对 AI 的情绪变化，放在一起看都不是碎片，而是同一张地图上的坐标。它们共同说明一件事：未来的赢家不会只是算力最强的那家，而会是最能把算力、产品和制度环境串成闭环的那家。这个闭环如果越来越完整，AI 才会真正从周期性主题变成持续性产业。
这点决定了估值会怎么走。
如果这条线继续收紧，市场会更快把“AI 只是功能”改写成“AI 是新的供给体系”。
这也是投资人最终要盯住的地方。
也是整期节目的底层问题。
非常具体，也非常现实。
时间线补充
Gavin Baker：先看估值、基础设施和入口的联动。[00:01:00]
Jason Calacanis：再看市场如何重估 AI 的商业回流。[00:10:00]
Gavin Baker：最后回到谁能把 AI 变成真正的底层能力。[00:20:00]