#675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

完整转录稿

Podcast 跨国串门儿计划 2026-08-14 03:27
摘要

整体概括

本期课程围绕 AI 超级周期的经济学展开：从生成式 AI、GPU 和数据中心的资本投入出发，逐层讨论基础设施、企业内部知识、Coding AI、应用与 Agent，以及生命科学。课程反复追问同一个核心问题：技术能力如何转化为真实经济价值，以及在不同阶段，企业、投资者和创业者应当依据哪些成本、供给、需求和组织规律作出判断。

主要内容

AI 超级周期与课程框架

Apoorv Agrawal：欢迎收听跨国串门计划。本期我们把Stanford MSV235 AI超级周期的经济学春季课程的九节内容合并为一集。课程从生成式AI的经济学和GPU市场出发,依次讨论AI工厂、企业基础设施、内部知识、Coding AI、应用AI与生命科学。授课与嘉宾从投资云计算、前沿模型和应用创业的一线视角,拆解AI技术占每一层的成本、价值与商业机会。现在让我们开始这场完整的AI经济学课程，好了，各位，这节课我们会玩得很开心，我叫Borf 接下来大概九周，我是你们的讲师，今天我们要过这些内容，我先简单介绍一下自己，我为什么做这件事，一些课程安排，告诉你们会有什么预期，测验，对，我就是那个人，第一天就有测验，还有我们一直在纠结的最大问题 钱在哪 AI的钱在哪，有些人认识我，但我的旅程始于印度，我搬到了新加坡，刚才在这儿碰到几位新加坡来的朋友，我的职业生涯始于Palantir和Sunil 以及几位同事一起，大概13年前 14年前，带过各种工作团队，总之，我在政府大楼里写了很多Spark 后来我回到斯坦福读研究生，那会儿我已经写腻了政府大楼里的Spark 现在我在Ultimeter做合伙人，不知道你们有多少人听说过 Altimeter Altimeter是一家投资公司，我们做的是相当几种的投资方式，我们有两块业务，一块是公开市场业务，一块是私募业务，然后六个月前，我得到了人生中最大的一次升值，我现在是个骄傲的爸爸了，大家都跟我说，这是我这一生最大的一笔投资，有人管它叫，最稳赔不赚的投资 我觉得它是最稳赚不赔的投资，当然不是财务意义上的，不过这是我的看法，我就住在街对面，有问题随时找我，我想在这里当你们的资源，我还有一位非常出色的助教 Chloe Fang 如果你们有更难的问题可以找她，好好利用这门课，我们为你们准备了一堂很棒的课，这门课的设计是每周不超过三个小时，这包括上课，阅读，还有你花在跟ChatTPT 不,Claude争论，他能不能帮你做作业的所有时间，所以大概是一个小时的课，阅读材料大概一到两小时，基本上从下一节课开始，每节课我们都会请嘉宾来分享，按查塔姆公规则，很多嘉宾会分享，甚至可能分享过头，所以请不要录下他们说的话，课后我们和一些嘉宾，安排了自愿参加的晚餐，欢迎你们一起来 Chloe会安排具体事宜，评分很简单，各占50% 来上课就行，如果Ali Gozi都能来上课，你们也能来，另一半是课程结束时，我们会布置的一份作业，对，就是对话时的，多提问，多参与，你参与的越多，收获就越多，说实话，对我来说，我从你们身上学到的最多，这是接下来九周的课程安排，很多优秀的嘉宾，一个比一个厉害，至于我，说实话，排这份日程表，是我过去几周，几个月的工作 Chloe全都知道，但请务必到场，这些都是非常出色的领导者，在技术战的各个层面，经营着非常出色的企业，从半导体到基础设施，到能源再到模型，你们会见到来自OpenAI和Anthropic的人 还有一大批应用和a……

GPU、资本支出与 AI 工厂

Apoorv Agrawal：希望我们能覆盖很多话题，就这边，关于编辑问题，你建议我们怎么重新定位自己，怎么确保我们不是在浪费时间学习，对，听着 Sachin Katti：这个问题我得替我儿子回答，也要替很多其他人回答，人类有一种独特的方式，能在各种颠覆中，照样为社会创造价值，对吧，工业革命时期，如果你是个手艺人或者工匠，对吧，你从头到尾做出一件产品，但这些人几乎全被大规模生产取代了，对那个人来说，那感觉可不好受，我很擅长从零到一把一个轮子做出来，但我完全被生产方式绕过了，明白吗，但世界并没有就此停下，那些人找到了别的事情做，我观察到的一个现象是，过去我们有80%的人，在制造业农业和其他行当里，今天我们有70%的人在服务经济里，对吧，我们现在有奢侈的条件，能请得起人，以前我们不会请教练，对吧，那时候请不起教练，对吧，今天世界上有教练，瑜伽教练 还有数不清的东西，给世界带来很多价值，我觉得人类有更高层次的事情可以做，对吧，所以对我来说，有一点是，如果你足够有钱，能请得起家教，一个专业的家教，那当然很好，但对世界上98%请不起的人来说，现在他们也能得到了，或者如果你是那3%能享受礼宾医疗的人，那确实非常好，但对另外97%的人来说就没那么好了，而现在他们也能得到同等水平的医疗服务了，所以我觉得这关乎智能民主化，访问民主化等等，但这并不是说不会出现新的挑战，我排第一位的建议还是让自己变得bionic 做一个创造者，想办法让自己创造价值，所以如果有人来altimeter面试 说我不用AI也不用Excel表格，我全靠手算，那就有问题了，对吧，我期望每个人都能用上手里所有最厉害的工具，让自己尽可能高效，尽可能创造价值，帮我们在世界上产生alpha 所以从这样一个地方开始，换一种说法，这句话我留着以后发推文用，我觉得智商会被商品化，而情商会变得极其值钱，对吧，我说的情商是什么意思，我指的是在座各位的人脉网络，我指的是说服坐在你旁边那个人的能力，组建团队的能力，带领大家朝不同方向前进的能力，这些才是超级有价值的，对吧，我觉得未来这些会变得更有价值，但是我觉得只是坐房间里最聪明的那个人 在白板上比物理所有其他人类都更快的解除问题，那种能力我觉得会被商品化，你不可能赢过机器，这不代表你不需要学那些东西，但我觉得想赢过机器会很难 Brad Wan 谢谢你来做这期节目，我们需要BGR回归，我们想念它，现在我们在all in pod上只能偶尔见到Brad一次，你只有那么一小段档期，所以我得把你请回来，这才是该做的，对，让BGR回归吧，但我能不能就刚才那点再补充一句，我觉得现在正在发生另一个时刻，我经常想这件事，如果你真的去看，现在数学界正在发生什么，有各种各样的新发现在涌现，我用这样一个类比，人类得等一个苹果砸到牛顿头上，他才开始思考引力，开始把它公式化 Sachin Katti：开始把它公式化，但现在如果我们能让别的东西去工作，去发现新东西，就像Brad刚才展示的那张图一样，对吧，……

基础设施、企业 AI 与 SaaS

Sachin Katti：所以能换个身份回到校园，坐在讲台的这一侧，感觉很有意思，很感谢大家对我现在在Cruzo做的事情感兴趣，不过我觉得从某种意义上说，数据中心本身就是这轮AI应用热潮的物理体现，它是实实在在的基础设施，用来给GPU供电，让GPU运转，跑那些大规模计算任务，训练新模型，微调模型，跑大规模推理负载，把token提供给终端用户，今天举手说自己在用Gemini ChatGPT或者Quad的人都离不开它，所以数据中心就是那个物理基础设施，真正让所有这些技术得以普及 Apoorv Agrawal：改变人们的生活，太好了，那么Chase 数据中心里，其实有非常多的不同组成部分，我们多多少少听过一些，关于算力的东西，也听过一些关于内存，电力，互联和人力的事情，帮我们把所有这些组成部分，放到一个整体框架里理解一下吧，我们应该怎么去理解它，当超大规模云厂商，花6500亿美元，建这些数据中心时，钱都花到哪里去了，其中有多少流向了你们 Sachin Katti：这是个好问题，当我认真思考这种智能基础设施时，我的出发点其实是，要生产出AI到底需要什么，你看大家都痴迷于AI 但真正的问题是，制造AI到底需要什么，我脑子里有一个基本的等式，对吧，你知道人工智能，就是数据算法和算力的结合，算法包括反向传播，神经网络 Transformer架构，这些都是人们想出来的不同算法，本质上是对数据集做统计建模，算力也就是大量的计算能力，特别是通过GPU实现的高性能计算基础设施，有了它你才能把大量工作负载并行化，在高性能架构里做大量张量运算，还有运行这些GPU所需要的能源，然后是数据中心，也就是容纳并运营所有这些计算基础设施的物理建筑，那到底什么才真正花钱 数据当然也花钱，我的意思是你得去买数据，这给很多数据标注公司，打开了新的机会，比如SCALE AI 还有Mercur 你知道连H&J也差不多进入了这个领域，它给人们创造了很大的赚钱机会，靠生产对AI有用的数据来赚钱，算法呢，那主要是在很多实验室里，那些实验室在发明新的机制，地规学习技术，就是一个新趋势，还有人们用来更好利用数据的各种不同架构，但算力能源和数据中心，才是Cruzo真正专注的方向，我们想的是，怎么真正去建设运营扩展，并充分利用所有这些基础设施，而这往往也正是真正赚钱的地方，所以或者说是花钱最多的地方，抱歉，就是你刚才展示的那张资本支出图表，对，所以我想说的是 我给自己演讲起的名字是，从电子到令牌，那为什么令牌真的有价值，而且考虑到这是在经济学系吗，工程系，在工程系，好的，好吧，你们有些人上过经济学课，当然，对，有一个生产方面的经济学模型，叫科布道格拉斯模型，比如你看GDP的增长 GDP的增长从根本上说是三个关键组成部分的总和，劳动力的变化，资本的变化，所以这个资本既包括实物资本，比如建筑厂房和设备，也包括投入到经济中的资本，然后是技术的变化，而且技术基本上让劳动力变得更高效，对吧，我觉得这是一个很好的理解方式，那为……

前沿实验室与基础设施案例

Sachin Katti：是Claude吗，是Gemini吗，这个园区的租户，你看这个园区一共有八栋楼，这是一号楼，二号楼，我刚才说的变电站就在这儿，然后上面是三号楼，四号楼，五号楼，六号楼，七号楼和八号楼，所以前八栋楼都是给甲骨文和OpenAI用的，基本上就是之前说的新技之门项目，算是第一个大项目，为了支撑这个项目，我们还在下面建了一座天然气发电厂，这大概是一座350兆瓦的天然气发电厂，用来支持开发给这个巨大的计算机群供电，它还被设计成能作为一个整体机群运行，也就是说所有数据中心里的所有芯片，都通过同一个高性能后端网络互联，能够作为一个整体工作负载来运行，所以你可以跑一个训练任务，它同时跑在整片园区所有数据中心的所有芯片上 这真的是非常非常独特的架构，给你一个规模的概念，因为光看照片很难看出来，我们当时还得在这边修一个停车场，那个停车场是个能停5000辆车的停车场，你可以看到它完全停满了，因为我们每天大概有9000人在现场，一起把这个园区建起来，园区南边还规划了扩建，你能看到那边有些土方，那是给微软的整个园区加起来是2.1几瓦，再说一遍，相当于两个单佛式的用电量，来给这里所有的人工智能计算基础设施供电 9000人chase 阿比林的人口是多少 9000 不是，不过待会我要给你看另一个园区，我们现场的员工，比那个镇的人口还多，太惊人了，这简直是曼哈顿计划，阿比林的人口是12万，所以我们一开始，能从阿比林本地招到不少人，但时间一长，我们其实得设计很多用工和留人机力 才能吸引人搬过去，基本上就是当短期建筑工人来干，长期来看，会有一批稳定的就业人口，负责运营这些大型计算集群和发电厂，维护整套基础设施，这批员工大概在2000人左右，这么说大家有个概念，但即便如此，对一个人口大约12万的本地经济体来说，它依然创造了非常非常多的就业岗位，好你继续，不不你先请，虽然台下听众主要是学工程的 Apoorv Agrawal：但这门课讲的是人工智能的经济学，对，那带我们走一遍那笔比喻性的100美元开销吧，假如他有100美元或者X美元的支出，这笔钱是怎么分配到不同层面的，好 Sachin Katti：或者你本来也要讲到这儿，我正要讲到这儿，我们先从发电厂和数据中心这边说起，然后再讲到计算集群，接着我们会聊，好，这里面投的是几百亿美元，那大家怎么赚钱，回报到底从哪来，这个我讲到后面幻灯片的时候会说到，但Apple最开始展示的那张幻灯片，是巨大的资本支出，对吧，而Cruzo 那些公司里有很多都是Cruzo的客户，对吧，当这些客户在建设这些大型资本支出项目时，我们帮助他们服务所有这些客户，帮他们构建这层智能基础设施，随之而来的，我觉得这里面有很多不同的组成部分，但电器设备是其中很大的一块，对吧，想想看，如果你看那边，那边有一些白色屋顶的小建筑，那些叫做配电中心，他们从高压或从变电站取电，进来时是中压34.5千伏，也就是34500伏，然后他把电分配到那一排设备上，你看到这里写着变压器 变……

企业内部知识的激活

Apoorv Agrawal：回收期就是两年，那结果就显著好得多了，有道理，太好了，如果你没有其他幻灯片了，我可能会带你过一遍，同学们提的几个问题，然后开放提问，好请讲，请讲 Sachin Katti：你还有更多内容吗，我这边没事了，这些只是我们一些，部署项目的照片，我刚才在展示，好，那Blackwell之类的，而且我会讲讲推理扩展，以及我们实际上是怎么做的，为了降低那些劳动力成本 Crucial设计了一个，我们称之为Crucial Spark的东西，这是我们模块化，自包含的模块化 AI数据中心，在集中的地点制造，这样我们能降低劳动力成本，也能把基础设施成本，降下来不少，大概能省30%到50% 取决于整体成本，所以你看，每兆瓦1900万那个数字，我们能大幅降下来，规模上容量是多大，是几瓦级几兆瓦，还是，这个我们风冷架构的，每个单元是500千瓦，明白了，那大概，然后这是风冷设计，我这其实有一段，他们现场部署的视频，我不知道能不能放出来，不过算了 好没关系，然后我们还有个夜冷版本，那个是两兆瓦，但你可以成批部署，对吧，这其实打开了大量，全新的电力供应机会，是个挺巧妙的方案 Apoorv Agrawal：太棒了，太棒了，好时间有限，我想不出有谁比你更适合，回答我接下来这个问题，你大概看遍了，整个技术站的每一层，从芯片到电力，到燃气到人力，再到网络，如果让你挑技术战里的一层，具体到一家公司，再具体到一只股票，你会做多什么，你会做空什么，为什么希望大家都在记笔记，我会做多什么，做空什么，一年后我会打电话问你的，对，看看一年后结果如何，这太难了，当然Cruso出外，对，我是说我对Cruso是强烈看涨的 Sachin Katti：但是我确实觉得，很多时候要把这些事看对挺难的，尤其是你看时间跨度的时候，我确实觉得我的看空理由，其实是我之前展示的，横跨整个电力堆栈的那笔巨大投资，电力堆栈里有太多组件了，因为你做的事情是，从那个高压变电站取电，那里的电力可能是345千伏，所以德克萨斯州正在新建一条 765千伏的线路，所以那是非常非常高压的电力，然后要经过一个变压过程，你要把它降到中压，再降到低压，然后分配出去，这里面有大量的电缆，大量的设备，我认为数据中心，从根本上会推动，整个电力堆栈的大量创新，并且会大量利用固态电子，固态变压器和电力电子技术，而且我认为这会让很多，在过去100年里，基本没怎么创新的公司，陷入危险境地 所以这就像伊顿施耐德，还有其他一些公司，我认为他们会，我说很难给这事定个时间表的原因是，那些公司，我认为短期内会表现得非常好，他们现在就在关键路径上，他们短期内会表现得超级好，对，而且他们是我的重要合作伙伴，所以我不太愿意说我看空他们，没错，长期来看，如果他们不创新，如果我认为电力堆栈的，整个那一块的成本会大幅下降，因为有创新者，在打造电力堆栈的下一代版本，对，而且会向900伏直流这类方向发生巨大转变，方方面面都会变，那这对在座的电气工程师来说是个机会，在座的……

Coding AI 与软件未来

Sachin Katti：现在做这个决定，确实比任何时候都难，我有这么个想法，就是你在学校里学的那些具体东西，其实没那么重要，我不是说那些东西没用，它们确实重要，但更重要的是，学习这个过程本身，以我的经验来看，这就像我们Cruzo的核心价值观之一，你刚才提到过一个，叫像山一样思考，我们另一个核心价值观，是活在无限成长循环里，对吧，这个理念就是，没有人是成品，每个人都在成长中，如果你能变得更好，能学到更多，如果你有那股韧劲，知道怎么每天提升自己，时间一长，就会产生指数级的福利，这真的是我们任何人，能拥有的最宝贵的资产，所以关键就是，去投资努力，坚韧，苦干这个过程，然后真正用好各种工具，因为我不知道五年后世界会是什么样 AI大规模普及应用之后 我每个人手边都相当于，有一只百万人的劳动力，对吧，它会从根本上改变工作，它会改变每个人的做事方式，所以再说一遍，我会少关注学什么，多关注怎么学，还有怎么用好AI工具去运转，去过好自己的生活，这就是我想给学生的建议，太好了 Chase 非常感谢你来做这次分享，谢谢 Apoorv Agrawal：你知道阿里，我想我们该从这开始，你进来之前，大家都在聊世界变化太快了 XA Cursor OpenAI 还有跟Anthropic的竞争，你们做的特别好的一点是，一路叠加上来，从数据业务做到，胡仓一体业务，现在又做到AI业务，就说国新资文吧，从最高处往下看，你看到了什么，帮我们勾勒一下这个格局，你脑子里最大的几件事是什么，我这准备了一堆问题可以聊，我想不如就敞开聊，你想到AI脑子里最大的一件事是什么，对我觉得，我觉得你们可以放轻松点，别焦虑，我觉得现在这个时代确实疯狂，但基本上没必要这么紧张，而且我觉得焦虑会让人干蠢事，去追那些推特上，人人都在聊的，当下最疯的东西，我觉得焦虑会让人视野变窄，不去做真正该做的事，对，这就是我在现在这一代人身上看到的 每年都有实习生来DataBreaks 我总会跟他们开一次会，一个小时 90分钟左右，他们可以随便提问，过去两年简直疯了，以前他们会问好的职业建议，我也会给他们好的职业建议，现在他们才22岁，就一副，天哪，我是不是该自己开公司当CEO的样子，或者如果我把这事往后拖六个月去做点别的，我是不是就把职业生涯毁了，人生就完了，而且你知道 通用人工智能一定会来，我就要错过这班船了，我就想那我该怎么办，所以我就是跟大家说，冷静点，深呼吸，事情需要时间，对，所以这就是我想说的，其实我想说在硅谷，如果你现在想一想正在发生什么，我觉得你可能会不同意其中一些，所以尽管反驳，当然，你们也可能不同意，你们也可以反驳，但确实存在这种对超级智能的追求，我觉得这是没有根据的，对 因为首先，他们甚至都没定义什么是超级智能，但这是一种像神一样的东西，我觉得是人们在读库兹威尔，你知道，就是起飞起点，就是那种会来的东西，地归自我改进，然后治愈所有疾病 GDP跳涨10% 失业率到20% 再也没有工作了，然后散布恐慌，全民基本收入发给所有人……

应用 AI、Agent 与商业化

Apoorv Agrawal：但智能上领先六个月，是巨大的领先，对，所以我们看不出任何理由，要放缓对前沿智能的持续投入，太好了，各位我们今天就到这里，今天我们要聊的是，技术战里的这一层模型，以及怎么为更好的应用，打造更好的模型，今天的嘉宾是Yash Patil Applied Computer创始人和CEO 我非常高兴能请到Yash 不仅因为他是斯坦福的毕业生，而且是刚毕业不久，他会聊很多自己的经历，而且他是极少数从斯坦福本科毕业后，直接进入OpenAI研究院的人，加入了后训练团队，在OpenAI工作期间，他产生了一个洞察之后，离开OpenAI创办了Applied Compute 并且把Applied Computer 做成了非常成功的企业，把他在OpenAI学到的经验，用在了很多了不起的企业身上 Yash 谢谢你来做客，请入座，谢谢太好了，话筒开了 好谢谢邀请我来，谢谢你来 Yash 跟我们介绍一下你自己吧，你的经历非常精彩，对，而且你做过一些很艰难的选择，其实在你来之前，我们刚和这门课的同学聊了很多，关于学什么怎么选的问题，所以跟我们讲讲你的经历吧，好，而这一切把你带到了今天，对，那我就简单讲讲我的经历，其实也不算长，其实不久前，我还坐在这间教室里参加期末考试，我是25届的，所以离开校园也没多久，对，我是在德克萨斯州的奥斯汀长大的，后来来这里上学，我喜欢说，我在高中是个非常好的学生，但在这里我是个非常差的学生，不是说成绩不好，而是基本不去上课，看网课录像，就干这种事，然后快进一下历史，我在校园里折腾了不少东西 后来很偶然的通过一些共同朋友，认识了Sam Altman 关于Sam有一件事，我觉得没多少人知道，就是他特别愿意，在年轻人职业生涯，早期拉他们一把，所以，对，我就这么认识了Sam 我们在大一，暑假就很投缘，当时我和一个朋友在琢磨，嘿，我们是去做暑期实习呢，还是去做我们自己的项目，最后决定，嘿，我们去做自己的项目吧，我们推掉了实习，然后到处找钱 Sam 我们给Sam发了一封盲邮件，他给了我们一张很小的支票，大概就是购付吃饭和房租什么的，然后夏天就做那个项目，最后把它关掉，回到学校，所以夏天忙完那件事之后，我回到学校上大二，在校园里做了很多好玩的事，比如TreeHacks 给TreeHacks打个广告 那基本上是我在学校的头等大事，我真的很喜欢为同学们办那场黑客马拉松，但到了2022年底 ChadGBT出来了，我当时就是随便玩玩，然后我就想，天哪，这是我见过最酷的东西，我必须去搞，这个，我脑子里再也装不下，别的事了，所以我又给Sam 发了封邮件，说，嘿，我怎么才能来搞这个，他把我介绍给了，当时叫 OpenAI驻留项目的，那个计划，我记得他现在还在，其实OpenAI里，很多人都是靠这个项目，从学术研究员，或者别的行业的人，变成OpenAI的，全职员工的，我2023年初，加入OpenAI 进了后训练团队，跟一些我在原模型领域，特别特别景仰的人一起工作，一……

AI 在生命科学中的落地

Apoorv Agrawal：语音转键盘，语音转文字，差不多就是这样，他们跑了很多字眼的定制模型，或者是在内部用很特别的方式改过的模型，才能实现那种体验，我们为他们做的就是跑所有的优化，所有基础设施都是我们在跑，这样从你开口说话到文字出现，延迟能压到最低，里面有语言模型，也有音频模型，实际上我觉得中间大概有三四个语言模型，还有两个音频模型才能实现这个效果，这些全都跑在Basin上 Shiv也是我的好朋友，他是一家叫Abridge的公司的CEO Abridge是做医疗的，是一个环境记录器，美国几乎每个医疗系统都在用，和电子病例深度集成，他们大概跑着20个不同的模型 从最基础的语音转文字模型开始，把手术室或者病房里，病人那边发生的事转成文字，再到后面把这一切变成一份，和电子病例深度集成的临床记录，全都包括，再说一遍，几十个模型，从可靠性角度，从速度角度要求都非常多，而且几乎每一个，其实我觉得是每一个模型，都跑在Basic上，我觉得这挺能代表我们想做的事，我们的判断是 AI的规模会大到难以想象，推理，就是AI价值传递的齿轮，而今天大概90%到95%的推理支出，都流向了前沿模型，大概5%流向了定制模型，我们相信那些用AI打造出色应用的人，要想做出能盈利能活下去，别人难以复制的公司 靠的是定制模型，而且我们希望他们都跑在Basement上，他们95%的支出都流向了前沿模型，对 5%流向了开源模型，或者说经过后训练的开源模型，对，明白了，其实在聊这个之前，我想问你一个问题，关于你刚才提到的那两家公司，就是Average和WhisperFlow 这两家都是规模相当可观的业务了，他们为什么要来找你合作，为什么不是通常来说，如果我是个创始人，我会去找我的云服务商，我会去找AWS GCP Azure 或者那些AI云里的新云厂商，比如Corevive, Nebios之类的，为什么是Basen 对,我觉得很大程度上，归结为我们正在构建的软件的，三四个核心支柱，首先显然是性能 你需要这些东西尽可能快的运行，如果你去Corevive Navius Oz GCP 那些优化就得全靠你自己，第二块是可靠性和算力，他们来找我们，是因为他们需要推理，能跨云运行，而且要高度容错，有弹性，我觉得其中一部分就是做到多云，能从多个来源获取算力，我们帮他们解锁了多云，第三块是我们提供的开发者平台，给他们灵活性，安全性，可观测性，以及所有那些让这一切成真的好东西，所以我们实际发现的是，很多人确实会先去你提到的那些厂商，然后他们才意识到，要在算力之上把整套推理技术战，搭起来有多痛苦，然后意识到来Basin才是更好的选择，有意思，我想现在回到你之前说的第二点 95%的token跑在前沿模型上 5%跑在某种后训练模型，或开源模型上，如果我用的是开源模型，或者对开源模型做后训练，那我就是从智能发展的谱系里，分叉出去了，而这个谱系本身还会继续进步，而且我冒的风险是，下一个GPT模型，或者下一个OPUS模型，我们就叫……

关键 takeaway

  • AI 应用的新增用户并非零边际成本，推理会持续消耗 GPU 等基础设施，因此 AI 经济与传统软件经济的成本结构不同。
  • 判断 AI 生意，不能只看模型能力或收入规模，还要追问算力、能源、芯片、互联、内存和资本支出如何共同决定价值。
  • 超级周期早期的关键不是追逐所有热点，而是识别当前阶段支配业务的物理规律、供给约束和定价压力。
  • 企业 AI 的机会不只在通用模型本身，也在把企业内部知识、工作流程和组织协作真正转化为可调用的能力。
  • Coding AI 既改变软件生产方式，也会重新定义软件公司的分发、毛利、产品形态和人与工具的分工。
  • Agent 的商业化必须落到具体工作流和可衡量价值上，单纯增加模型调用并不等于创造经济回报。
  • 生命科学中的 AI 价值覆盖分子设计、实验、临床、监管和生产等环节，模型能力需要与真实研发流程结合。
  • 课程对学生和从业者的共同要求是主动使用最新工具，形成能提出正确问题、配置资源并创造超常价值的判断框架；真正重要的不是追逐概念，而是把技术放进具体工作和经济约束中检验。

目录

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

欢迎收听跨国串门计划。本期我们把Stanford

Apoorv Agrawal：欢迎收听跨国串门计划。本期我们把Stanford MSV235 AI超级周期的经济学春季课程的九节内容合并为一集。课程从生成式AI的经济学和GPU市场出发,依次讨论AI工厂、企业基础设施、内部知识、Coding AI、应用AI与生命科学。授课与嘉宾从投资云计算、前沿模型和应用创业的一线视角,拆解AI技术占每一层的成本、价值与商业机会。现在让我们开始这场完整的AI经济学课程，好了，各位，这节课我们会玩得很开心，我叫Borf 接下来大概九周，我是你们的讲师，今天我们要过这些内容，我先简单介绍一下自己，我为什么做这件事，一些课程安排，告诉你们会有什么预期，测验，对，我就是那个人，第一天就有测验，还有我们一直在纠结的最大问题 钱在哪 AI的钱在哪，有些人认识我，但我的旅程始于印度，我搬到了新加坡，刚才在这儿碰到几位新加坡来的朋友，我的职业生涯始于Palantir和Sunil 以及几位同事一起，大概13年前 14年前，带过各种工作团队，总之，我在政府大楼里写了很多Spark 后来我回到斯坦福读研究生，那会儿我已经写腻了政府大楼里的Spark 现在我在Ultimeter做合伙人，不知道你们有多少人听说过 Altimeter Altimeter是一家投资公司，我们做的是相当几种的投资方式，我们有两块业务，一块是公开市场业务，一块是私募业务，然后六个月前，我得到了人生中最大的一次升值，我现在是个骄傲的爸爸了，大家都跟我说，这是我这一生最大的一笔投资，有人管它叫，最稳赔不赚的投资 我觉得它是最稳赚不赔的投资，当然不是财务意义上的，不过这是我的看法，我就住在街对面，有问题随时找我，我想在这里当你们的资源，我还有一位非常出色的助教 Chloe Fang 如果你们有更难的问题可以找她，好好利用这门课，我们为你们准备了一堂很棒的课，这门课的设计是每周不超过三个小时，这包括上课，阅读，还有你花在跟ChatTPT 不,Claude争论，他能不能帮你做作业的所有时间，所以大概是一个小时的课，阅读材料大概一到两小时，基本上从下一节课开始，每节课我们都会请嘉宾来分享，按查塔姆公规则，很多嘉宾会分享，甚至可能分享过头，所以请不要录下他们说的话，课后我们和一些嘉宾，安排了自愿参加的晚餐，欢迎你们一起来 Chloe会安排具体事宜，评分很简单，各占50% 来上课就行，如果Ali Gozi都能来上课，你们也能来，另一半是课程结束时，我们会布置的一份作业，对，就是对话时的，多提问，多参与，你参与的越多，收获就越多，说实话，对我来说，我从你们身上学到的最多，这是接下来九周的课程安排，很多优秀的嘉宾，一个比一个厉害，至于我，说实话，排这份日程表，是我过去几周，几个月的工作 Chloe全都知道，但请务必到场，这些都是非常出色的领导者，在技术战的各个层面，经营着非常出色的企业，从半导体到基础设施，到能源再到模型，你们会见到来自OpenAI和Anthropic的人 还有一大批应用和agent公司的人，所以把你们最尖锐的问题都留给他们，他们会很喜欢的，我们还会布置一些阅读材料，那你们为什么要上这门课，你们应该在这门课里收获什么，什么才是好的收获，说实话，我想过这个问题，刚才还在跟这里的一个学生，讲这一切是怎么开始的，我每年回一次校园，讲讲正在发生的一切，通常都是围绕找到优秀人才这个角度，我意识到这是一个巨大的超级周期，我们知道这一点，我们在Ultimeter Capital也相信这一点，我们的定位，我们的全部重心都围绕它展开，而我没有找到一门课，能像我当年在这里读本科，或研究生时希望的那样深入，我想过五年之后，每个人都会问你，嘿，你当时看到它要来了吗，你就在它的起点 XGBT发布的时候，你就在场 那些结构性巨变正在成形，年土正在塑形的时候，你就在场，我觉得你们会希望自己能说，是的，我看到了，所以你们当中有一半人，会去创办一家AI公司，另一半人会去投资它，所以至少你们应该知道，将来要融的A轮融资，钱该花在哪，而且最起码，你们会对什么不该做有个概念，或者至少有一套思维框架，比如我正在看的这个生意，或者考虑去创办，去投资，去加入的这个生意，该问哪些对的问题，在这个周期的这个阶段，支配这门生意的物理规律是什么，我觉得这会是迄今为止最大的一轮，我很高兴你们能来和我们一起学习，我要在这张幻灯片上花点时间，因为这基本上就是核心要点，你们当中有多少人以前见过类似的图，做过阅读的同学，谢谢你们，我很感激 我们也为那些更习惯听音频的同学，准备了一个notebook了，不过我们花点时间聊聊这个，这里发生的事，实际上可能是，当下生成是AI里最大的一个问题，如果你听过任何超大规模云厂商的财报电话会议，或者英伟达和其他公司的，你会发现，我们在资本支出上投入了太多，我们投入了太多去建这些数据中心，就像黄仁逊说的，这是一个五层蛋糕，能源，芯片，电力，互联，内存，所有这些加在一起，给你一个数据中心，你可以按小时租，也可以按token租，然后拿去训练模型，部署模型，然后问题来了，你建出来的这些模型，到底有没有创造经济价值，这基本上就是这张图的右侧，拿我建过的最大的几次技术革命，来类比 25年前的互联网 20年前的移动 还有大概10年前，最近的这一次云，我放了一张云的图，不过你们在阅读材料里，会看到互联网，移动和云，都是同样的形状，这就是云生态的形态，云生态和AI生态，看起来差别非常大，有没有人猜猜，为什么会这样，或者你们对为什么差别这么大，有什么理论，或者它为什么会是，这个样子的原因，我们不叫它金字塔，我们叫它三角形，倒三角，请讲，因为AI现在还太早，对，绝对，绝对还早，猜得不错，对，还有别的吗，还有别的想法吗，也许因为英伟达有垄断地位，所以想收多少收多少，这个问题能不能下周再问一遍，等我们请到英伟达的人来的时候，不过不是，挺好的，这是个很好的点，他们确实有垄断地位，对吧，我们阅读材料里有一张图 讲的是英伟达目前在全部算力里的，市场份额，那个份额相当高，大家还有其他想法或假设，说说为什么这次会这么不一样吗，我不太确定，是不是因为云技术站，看起来能利用那些硬件，在AI或者英伟达身上创造价值，你知道我们都听过，马克安德森说的，那句软件吞噬世界，软件能吞噬世界，是因为我可以写软件，写出来之后，能把它分发给几百万人，而且运行那套软件的编辑成本几乎为零，这些软件公司毛利率能做到80% 有些甚至到90% 但AI这套新经济模型不是这样，因为如果我们有一批用户在用Cursor 或者用别的你听到的那些故事，规模很大的公司，收入做到几十亿美元却还不赚钱，原因就在这 AI应用的新增用户不是免费的，不是编辑免费，实际上AI用户要贵得多，因为到头来你得烧掉那些GPU 我想说你们说的每一点，从这事还早到英伟达占主导，我们就先这么叫它，再到推理的运行方式，物理规律完全不同，确实就是我们现在的处境，所以我觉得眼下就是这样，我还想再加一个维度，这个我在阅读材料里讲过，就是我们分析了互联网时代发生了什么，我们分析了移动和云时代发生了什么，这些三角形要翻转过来，花了多少年，我们举的例子之一就是AWS AWS是2004年起步的 AWS在2010年迎来了第一个客户Netflix 最终亚马逊在2012年全面转向AWS 从破土动工算起八年 从第一轮资本支出投资周期算起，也是八年，我不知道你们有没有人经历过 20年前读财报的日子，当时最大的争论是亚马逊会不会破产，那是所有人对AWS建设最大的疑问，还好，至少到现在，还没有哪家公司濒临破产，但这些数字确实很大，我们后面会回到这张幻灯片，但我想说，这就是这门课要探讨的核心主题，我们会请到一些公司的人来分享，从列载这里的公司到其他公司，我们要围绕的核心主题是，比如在你们这个领域，像英伟达的嘉宾，你们是不是主导力量，你们能保持主导地位多久，你们最担心哪些力量，你们最担心哪些ASIC 你们业务的定价压缩压力来自哪里，再到Anthropic和OpenAI的人，他们会重点谈盈利能力，比如在OpenAI服务一个 10亿用户的业务 至于Anthropic的人，说实话，这门课百分之百都在用Cloud 所以我们会问他们 [00:09:53]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

所以我们会问他们

Apoorv Agrawal：所以我们会问他们，这群用户能盈利吗，你们怎么看盈利能力，广告会不会成为，比订阅更大的收入来源，然后是中间那层的人，也就是推理层，这是整个生态里竞争最激烈的部分，有很多创业公司做得非常好，目前来看他们确实在赢，但超大规模云厂商，也想要在这一层拥有主导话语权，所以说实话现在还没有定论，而那里最大的问题是，你是一个功能还是一个平台，我们在基础设施侧看到的很多新业务，感觉上都是非常好的想法，但如果你问自己一个问题，嘿，为什么这不是AWS的一部分，你就会想，也许它确实应该是AWS的一部分，所以对于各位演讲嘉宾，我们会在这方面聊很多，在进入测验之前，大家有什么问题吗，请讲，我很好奇你怎么看 就是在右边那个三角形里，应用层是很小，那你怎么看待，把现有的平台公司，也纳入这个图景，比如说也许Salesforce 也许按收入算，你会不会把它们算作扩大金字塔的一部分，以及它随着时间怎么变化，这是个很好的问题，我还可以补充一点 Salesforce, Palantir 有一系列我们姑且称为传统经济的企业，他们正在重塑自己，推出一些产品线，比如Salesforce的Einstein Palantir的AIP 还有你知道有一系列这样的公司，答案是肯定的，他们应该算进去，答案是肯定的，他们应该算进去，我在这个计算里解决这个问题的方法是，先拿到模型收入，所以如果你在经营Salesforce 你很可能在用某个大模型，或者自己在跑推力，所以他们的支出是通过底层基础设施 被算进应用层里的，这部分很难从公开披露里单独拆出来，但没错，我们应该拆，对，右边金字塔底部很大一块，是不是基本上就是为顶部那层功能收入准备的算力储备，而底部内层恰恰是我们现在在核心里看不到的，这是个好问题，也许我先把问题重新表述一下，这个问题其实是半导体层的建设，是不是存在时间错配，但应用收入是当下的，这是个好问题，也正是让这个三角形的下半部分，带点周期性的原因，你会经历一轮又一轮的资本支出周期，你可以把它想成是在铺铁路，情况确实就是这样，阅读材料里有一张图，讲的是移动超级周期里发生的事，当时发生了非常类似的事情，第一局里，很多重资本支出企业的市值，被推得很高，所以如果你看一篮子，重资本支出的股票，把它们叫做长期稳定性股票 你应该预期到这种情况，所以我猜，我们还在非常早的阶段，同样的事情正在发生，我很好奇你怎么看谷歌，因为我看到你把谷歌标成了谷歌云，或者说数字层，但谷歌自己也有Gemini模型和TPU 它确实整合得很深，那你怎么看谷歌在这个三角形里的位置，像谷歌这样的大型多元化集团，我们得按业务部门来看，所以我会把TPU业务放在半导体层，我们算收入的时候也是这么算进去的，他们的GCP部门在基础设施层，然后Gemini部门在应用层，后面我们有一张图会稍微讲一下 Gemini其实是目前使用量最大的消费应用之一，它现在是第二大消费应用，这里最大的问题是，有多少是来自谷歌的分发优势，又有多少是它本身确实是个好应用，现在还没定论，但我们后面会聊到 对，你说，一个关于预测的简单问题，现在它看起来是三角形，如果它要成功，也许应该倒过来，但一个不成功的新技术长什么样，它还是三角形，你会怎么预测它会不会倒转，对，我不太确定，也许换个说法，我会说这个行业的稳定均衡是什么，我觉得很明显，不太可能是一阵风潮，它不太可能是一件不成功的事，我经常思考这张图的稳定均衡，事实上我还在推特上，跟一位很聪明，对这个问题想得很深的人争论过，争论的正是这个稳定均衡到底是什么，而我的猜测是，它维持现状的时间，可能会比我预想的更长，在云时代，我觉得那个周期大概是十年，我有种感觉，这次可能会维持更久，因为要把底层基础设施做对实在太难了，但总会出现一两个突破 我说不准具体是什么，但举个例子，如果某家超大规模云厂商的某个ASIC项目，不管是谷歌的TPU Meta的Metea 还是亚马逊 OpenAI 微软，以及那些我们甚至不知道存在的实验室，取得了突破性成功，我猜那会是那一层价值最大的重估，另一个催化剂可能是，我会关注超大规模云厂商，在财报电话会议里的资本支出指引，顺便说一句，我建议大家每年听四次，你会听到上市公司CEO告诉你，他们最大的问题，他们最关心的是，我建议大家去听这些，如果他们不再给出大额的资本支出指引，那就意味着当前的均衡不成立了，所以那大概是第二件可能发生的事，所以你看到很多关于，超大规模云厂商资本支出指引的新闻，原因就在这里，请讲 是不是还有一个训练和推理的算法问题，因为我的感觉是，如果这个结构要翻转，唯一的办法就是推理的规模，跟训练一样大甚至更大，我很想听听你的看法，你觉得那会在什么时候发生，因为那样的话，你的意思是英伟达的，就会停止在训练上花钱，或者说他们看不到 TPU更多的出货量了，所以我们才不把推理算进去，这是个好问题，而且这可能是，英伟达财报电话会议里，最受关注的信息点之一，就是英伟达的算理里推理占了多少，我上次看的时候大概是40% 或者说他们自己报的是40% 意思是如果他们卖出100万块GPU 假设全部满负荷运转，大概40%用于推理，另外60%用于训练，我猜这个数字会随着时间推移越来越高，越来越偏向推理，但我没法告诉你什么时候会变，怎么变 因为现在世界上还有大量的训练在进行，而且训练负载的形态，你也知道，跟推理负载的形态很不一样，训练负载非常可预测，在短时间内利用率很高，推理负载则是突发式的，通常是在人类醒着的时候，直到agent接管，也许到那时候就会变成 7分之24全天后，更难预测了，圣诞节前后会掉下来，不知道为什么，感恩节前后也会掉下来，不知道为什么，但我觉得情况可能就是这样，不过至少在我们这个计算里，我们尽量把它算进去，因为它是个混合体，不过这是个好假设，我见过大概在第16页，幻灯片上，我们马上会讲到，我们马上会讲到，我会给你答案，整个技术战里最赚钱的部分，毫无疑问是半导体层，英伟达的数据中心收入，毛利率大概在75%左右，这话别引用我，大概上下差几个百分点 而应用层的收入，我估计看问谁了，大概在0-30%之间，所以差距相当大，我觉得原因这是在场一位先生提出的理论，就是半导体层有一家玩家基本通吃了，情况确实如此，而且如果从盈利角度看，集中度更高，这个三角形更集中，待会讲到的时候会放出来，这是个好问题，请讲，你觉得这是不是有点像，大概比AI成熟10年左右的那种情况，你会不会用非常类似的方式去看待它，对，这绝对是很大一部分原因，就是我们已经在云上走过一轮投资周期了，这肯定是其中一个因素，请讲，如果所有这些基础设施，所有这些，对吧，谷歌 AI WPS 英伟达，他们都有自己的TPU 英伟达也在做推理 OpenAI也在找一些ASIC 那这些ASIC对创业公司来说，你知道算什么，他们总在搞自己的芯片，有3000亿美元的收入等着去挣，不过回答你的问题，其中大约一半，就像Jensen在财报电话会议上披露的那样，来自大型超大规模云厂商，所以那些很可能就是你的主要客户，所以如果你今天要创办一家芯片公司，你的客户群形态会是非常少的几个大订单，这和做消费者业务或企业软件业务的形态完全不同，然后你可能会有其他企业的常委客户，不过我不会指望这个，因为我觉得他们就直接去找云服务提供商了，如果你在考虑创办一家芯片公司，这应该是你的第一考虑因素，就是这五家里你打算先卖给谁，最后一个问题，我想说你在每一层都会得到一些小赢家，这需要好几年才能扩散开来，也许大错特错 但我觉得在过去，还没有一家完全垂直整合的玩家，一家都没有，我觉得谷歌是完全垂直整合的，但我在这一点上说的有点对，我在想这种转变是怎么让这一方获得力量，问得真好，互联网超级周期最大的赢家大概是谷歌，市值大约3万亿美元，在搜索领域有接近9%的市场份额，我觉得那算是相当垂直整合的玩家了，他们自己运营，从文件服务器到搜索，再到上面的广告，再到用户体验，接下来是移动，那个超级周期的赢家是苹果，市值大概2.5万亿美元左右，你已经说出来了，下一个咱们说社交 Meta大概是社交领域的大赢家，但他们没有做到完全垂直整合，他们市值多少，现在大概2万亿美元左右，相当强势，但可能因为没完全下沉到服务器层 丢了1万亿，然后云这块就比较分散了，没有哪一家独吞了云 [00:19:54]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

没有哪一家独吞了云

Apoorv Agrawal：没有哪一家独吞了云，就是AWS GCP和Azure三大寡头，但他们都没有完全整合，而且英伟达一直在使劲，英伟达一直在尝试，不知道你听没听过DGX Cloud 那是他们想搭建云生态的云业务，显然他们还有一系列垂直应用在视频里，所以对你可能是说到点子上了，对各位我知道现在是周四傍晚五点，大概是挡在你们和周末之间的最后一道坎，我不想当那个扫兴的人，所以我直接进入让你们清醒的部分，我确实准备了一个，这是个测验，咱们一起过一遍，我会给你们一点提示，关于我们要过哪些公司，赢家我确实准备了奖品，这是有奖品的，所以你们有动力了，你赢分有两个依据，一个是答对，另一个是答得快，想最快就做快速推理 然后把结果丢进Cloud 请便，欢迎你这么做，只是给人类选手五秒钟，让他们自己来用传统方式赢，如果你真要用Cloud 也欢迎，只是给他们五秒，好，这是第一题，准备好下一题了吗，在座的软件工程师，可能有点不公平的优势，所以我想花接下来，大概十分钟左右，讲讲我的一些假设，现在到底在发生什么，为什么价值会以这种方式累积，我记得一个问题，一个很好的问题，关于盈利能力，以及它如何被放大，我们待会会讲到，但再说一次，有任何问题随时打断我，我感觉我们剩下的时间不多了，我也确实想准时结束，你们还记得这个吗，我在下一张图上，画的稍微有点不一样，就是我把大约两年前发过的那次分析又做了一遍，两年前的样子是左边这个，当时生态明显小得多，大概只有现在的五分之一，让人意外的是 它的结构并没有太大变化，尽管增长非常显著，而且如果你看新增的收入，大概增加了3500亿左右，其中差不多75%在过去两年直接流向了半导体，尽管应用层增长了10倍以上，它还是没有造成那么大的影响，所以我就想，好吧，那我们深入看看这个，如果你开始拆开这些格子，然后问，嘿，这些部分分别有哪些公司组成，那3000亿里大部分是英伟达，你们都知道，应用层其实只有两家公司，占了大约90% 有人想猜猜是哪两家吗，基础设施领域是竞争最激烈的部分，我们之前讨论过，它可能是最大的战场，正在酝酿的地方，既有横向的，也有跨技术站的，它也是代谢率最高的地方，因为有很多新公司在成立，也有很多公司被收购，要我说，这是目前我们看到的 均衡力竞争最激烈，也最不稳定的一个，而且我们在考虑投资时，思考的问题，也是你们将来，投入时间时会思考的问题，就是这张在过去两年，几乎没怎么动的图，还要多久才会变，要花多长时间，才能变成云软件那样的形态，是五年吗，是十年吗，是十五年吗，还是永远不会，也许就一直这样下去，我们确实认为它会发生，我们认为它迟早会发生，但速度远远不够快，第二件我们在思考AI未来时，想了很多的事是，我不知道你们有没有在阅读材料里，看到这张图，消费者AI 也就是目前AI最大的市场，除了编程之外，使用率极高，在ChatBD上大部分是免费的，大约95%的用户是免费用户，还有Gemini 我不知道你们有没有看到，领导Dmine的Demonstrant部 他们不打算把广告作为订阅收入模式，我们一直在想，这些业务到底能做多大，这些业务的变现引擎是什么，你们觉得订阅业务会更大，还是广告业务会更大，所以我做的是，我看了AI之外最大的消费者业务，你们会看到，这些产品你们都知道，有一类产品已经达到了30亿用户规模，这些几乎都是生活中离不开的产品，比如WhatsApp和Chrome 没有它们你活不下去，然后有一类产品，规模在15亿到20亿用户之间，是社交类的，比如Instagram TikTok和Facebook 这类社交产品，它们不是必需品，但展现出非常好的网络效应，如果我的朋友Chloe 在其中一个上面，我更可能也在那里，然后还有第三类，主流消费产品，既不是必需品，也不是特别社交化的，我会称之为利基产品 如果你要购物，你会去亚马逊，如果你要找音乐，你会去Spotify 如果你想看一场好的辩论，你会去Twitter或者看猫视频，大家猜猜看 ChatGPT和Gemini 最终会更接近这些里的哪一个，答案在下一张幻灯片上，我们很快就揭晓，你们会猜ChatGPT或者领先的AI应用，最终的用户规模会更接近YouTube 或WhatsApp这种必备应用吗，还是Instagram和TikTok这种社交应用，或者是Spotify或Twitter这种，立即应用，有人猜吗，要是没人猜，我就直接揭晓答案了，请说，要我说是YouTube和WhatsApp亮起的，因为它会成为日常工具，对，人们就是把它当成，日常生活的一部分在用，对，你这样吧，我先把答案给你们看 然后我们再回来聊你，不过还有别的猜测吗，有没有不同的答案，请说，跟接近Facebook 对吧，我觉得大概在900左右，对，没错，就现在来说，你肯定是对的，我把答案给你们看，这就是把它们放在一起，对比时的表现 ChargeGPT 刚刚超过了，立即应用这个类别 Gemini 还没有，你说的对，它正在朝社交方向走，就我个人而言，作为OpenAI的投资者，我倒是希望，它能开始朝，核心实用功能的方向走，但我们问自己，最大的问题之一是，知识工作，是不是人人都做的，工作 ChargePT 还不是一个你跟别人发消息的地方，它不是你看收件箱，也不是你获取多巴胺刺激的地方，它是一个你去了就得做主动工作的地方，你得去问一个问题，而全世界会主动向技术提问的人数，并不是全部上网人口 地球上大约有80亿人，其中40亿人在线，消费者应用的大致经济账是这样的 Alphabet大约有40亿用户，他们每个用户每年变现大约100美元 Meta大约有35亿用户，每个用户每年变现大约70美元，领先的AI提供商ChatchyPT大约有10亿用户，每个用户每年变现大约10美元，所以问题是怎么把10亿变成40亿，我不确定知识工作是答案，我觉得我们得超越知识工作，然后第二个问题是，怎么把每个用户每年10美元从10提到100 而且我不确定广告行不行，也不确定订阅行不行，答案可能是，我猜我们得转向广告，而且我猜 ChatGPT或Cloud将来能投放的广告，定价会好得多，因为他们能理解你的意图，你会是登录状态，归因非常准，信任度也高得多 我觉得这会是今年另一个大新闻，你们是头一个听到的，这事会闹得很大，把广告模式吃透，这里面有大量超额收益，再说一次，十年前Facebook IPO的时候，市面上有很多做空Facebook的报告，因为人们说，这些广告在电脑上管用，在手机上肯定不行，为什么，因为手机上没地方放广告，结果我们在手机上找到了空间，现在同样的事情正在发生，就是我在跟你聊天的这会儿，这是一段非常私人的对话，我可不想被广告推着去购物，这就是看空方的论点，我说不准最后会是什么样，但我乐观的觉得，我们会找到办法，而且我觉得那会是一个巨大的突破，对这个竞技模式来说，是个巨大的解锁，今年晚些时候的某场嘉宾分享里，我们会深入聊这个，我后面还有不少幻灯片，时间到了，谢谢，今天这门课的前提 我们要聊的是，大家都知道，软件是如何吞噬世界的，软件生产出来之后，编辑分发成本几乎为零，但AI不是这样 AI应用的用户越多，需要的算力就越多，所以它不是接近零成本，这就是我们今天讨论的主题，我们会先由小组做个展示，然后做一场卢边对谈，最后开放提问，闲话少说，我对今天的嘉宾非常期待，第一位嘉宾是Brad Gerstner Brad是Altimeter的创始人和CEO Brad在2008年用朋友和家人给的几百万美元，创办了Altimeter 今天18年过去了 Altimeter在公开和私募市场，管理着超过150亿美元 Brad 我认识你有一阵子了，我对你始终如一的印象是，最优秀的投资者都是跨越超级周期投资的，跨越牛市，熊市，衰退，危机，新冠，而BRA全都经历过，而且不止于此 BRA的职业生涯，起步时是律师出身，在互联网泡沫时期，帮助创立了General Catalyst 之后又创办了几家公司 Ultimeter是第四家，在Ultimeter 他早期就投了互联网，早期投了谷歌，早期投了移动和Meta 以及许多其他公司，早期投了云和软件，后续投资了Snowflake Confluent MongoDB GitLab 现在在AI领域，它是OpenAI和Anthropic最大的投资者之一，我知道你们上周很喜欢这两家，还有英伟达，他曾经是Cerebrus的董事会成员，后续投资了GrowKool 今天我们就要深入聊这个，而在这一切之外 Brad发起的或许最重要的运动，就是Invest America 我能请大家快速举一下手吗，有多少人听说过Invest America 哇你看那个，你看那个机会很多 看起来机会确实很多，没错，简单来说 Invest America是一项联邦立法，为每个在美国出生的孩子，在出生时就设立一个投资账户 [00:29:50]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

在出生时就设立一个投资账户

Apoorv Agrawal：在出生时就设立一个投资账户，在我看来 Invest America带来的最大影响是独立，让每个美国孩子不再依赖国家，而是成为我们经济的主人 Brad 能称你为我的导师，教练和合伙人，是我莫大的荣幸，非常感谢你们来做这次分享，请大家入座，很高兴来到这里，谢谢邀请我来，特别感谢Dr.B 感谢GoP准这门课

Sachin Katti：我觉得这真的是很重要的一点，如今在很多学校里，尤其是东海岸的大学，大家其实不太清楚该怎么应对AI 我总说你得用AI让自己变成半机械人，对吧，就像今天你根本消费不完AI 因为你知道以前是去上学，然后到Groco或Altimeter这样的公司找份工作，而今天我真的不在乎你上的是哪所学校，我要找的是那种来了就能创造超常价值，仿生价值的人对吧，而要做到这一点靠的就是用好最新的技术，所以我很高兴你能让同学们，站在这么重要的话题的交汇点上，我先介绍一下Sunny 然后分享几张幻灯片，再请Sunny上来，你知道吗，我刚才在想Sunny和我做朋友已经很久了，我们今晚还要在硅谷的全亚扑克游戏里打牌 所以我们在工作和生活中都是好兄弟，但我刚才在想怎么介绍他，然后我让Chad GPT和Claude给我写了一段介绍，说实话Chad GPT写的不怎么样，而Claude写的让我惊艳，所以我想干脆把Claude写的关于Sunny的介绍念给你们听，我们下一位嘉宾是一位连续创业者，他显然停不下来，老是被越来越大，越来越大的公司收购，说实话，这条轨迹太惊人了，他联合创立了Extreme Labs 一家移动开发公司被Pivotal收购，然后他联合创立了Autonomic 一个智能出行平台被福特收购，之后他担任副总裁，负责福特X 也就是福特的内部创新实验室，接着他又联合创立了Definitive Intelligence 被Groke收购 他在那里担任总裁，并帮助推出了Growth Cloud 然后英伟达最近以200亿美元，收购了这个平台，这是他们史上最大的一笔收购，所以如果你在加计分的话 Pivotal、福特、Growth、英伟达，按Cloud的说法，这个人的职业生涯，基本上就是一个只涨不跌的SPAC 跟Charles可不一样，对吧，他拥有渥太华大学的计算机工程学位，这证明加拿大人只要下定决心，也能搞出大动静，让我们欢迎Sanli Madra 我想分享几张幻灯片，来为我们现在所处的这个时刻做个铺垫，而推理我们今天要聊的，其实是这个大话题里的一个子集，但这是过去2000年全球人均GDP的曲线，对吧，你看这个就会发现，基本上有1800年什么都没发生 那会儿就是生存，对吧，在固定的劳动力和资本下，没有超额生产力，对吧，产出只够我们活下去，然后到了1800年代和1900年代，所有这些变化才开始发生 GDP翻倍所需的年数，我喜欢说 GDP创造的是生活中用来享受的富裕，对吧，那是超越生存的部分，对吧，就是我们大家都有的那部分盈余，所以GDP翻倍所需的年数，对吧，已经急剧下降，现在全球GDP或者说生活质量，每25年就翻一番，但你可能会说 Brad GDP跟这些有什么关系，关系大了，它跟一切都有关，那GDP更高的时候会发生什么，贫困率更低，基础教育普及率更高，实质率更高，民主更多，自由更多 疫苗接种率更高，儿童死亡率更低，所以事实证明，创新本身就是一种社会福祉，而且它恰好是相关的，并且还在加速，所以作为投资者，科技行业已经从全球GDP的5% 增长到了大约13% 如果我问你们 10年后，我们会低于全球GDP的13% 还是高于13% 我想你们都会说，科技占全球GDP的比重，会变成一个更大的数字，我们现在就坐在硅谷的正中心，科技的盈利能力超过了非科技行业，这里蓝色的虚线是，纳斯达克的每股收益，在过去10年以15%的速度负力增长，而非科技公司只有6% 那为什么科技公司，往往比非科技公司是更好的投资，因为他们每股收益的负力增长更快 而且我觉得这一点会被AI进一步加速，当然AI会大规模加速这一切，因为当我们看全世界所有的知识工作时，它的TEM是以万亿来衡量的 Damn it说得很好，它的影响会是工业革命的十倍，但速度也是十倍，可能十年内就会展开，而不是一个世纪，所以我觉得这就是背景，我们在这里做的事，以及AI带来的加速，应该是对整个社会更好的东西，我们得谈谈忽兰，以及为了做到这一点，我们必须在社会上做出的改变，但这一切的最根本是算力，你们都知道 I或者说智能的基本单位是Token 对吧，而没有人比Sunny更有资格来谈，这个基本单位的生产 所以Sunny我想稍微做时光机往回走一点，跟我们说说Grok是什么，好吗，以及你在2023年和2024年，对推理会发生什么，有什么观察，好，先简单介绍一下背景 Grok是由Jonathan Ross创立的 Jonathan Ross是谷歌TPU的创造者，而Jonathan Ross的背景很有意思，他高中辍学不是因为读不完，而是因为对他来说可能太无聊了，从高中辍学之后，大概补了个GED之类的，然后直接进了纽约大学的数学博士项目，后来被招进谷歌，过去20年每个优秀的工程师，都被安排去做广告优化或者广告测试，从某些角度看挺糟的，但他做的是他去听了一场Jeff Dean的演讲 Jeff Dean过来说基本就是黑，好消息坏消息 好消息是我觉得我们找到了一个能解决自动语音识别的算法，这可能在很多地方都有用，坏消息是算力不够强，所以我们永远跑不起来，于是Jonathan就自己揽下这事，想出了一个设计，而且是从一个完全不同的设计领域出发，用FPGA做了后来TPU的第一版原型，最后Jonathan离开了谷歌，因为他觉得世界其他地方也应该拥有，这个不应该只欠在谷歌内部，所以他离开创立了这家公司，所以简单说Groku是什么，现在在英伟达内部也依然是，它是一颗用数据流架构设计的芯片，而它跟任何其他计算机架构最本质的区别在于，它是完全确定性的，与这个架构相辅相成的是一个编译器 这个编译器会预先决定所有计算发生在哪里，最后这一点特别重要，因为任何AI问题和token生成背后的根本，都是大量的数学运算，这就是为什么我们看到算力在爆发，我真的恳请大家都去看看下面这个，我们聊过Brad的一笔很成功的投资 Snowflake Snowflake是一家数据库检索公司，对吧，所以你得去取一条记录，再把它带回来，如果你看看完成这件事，需要多少个时钟周期，多少计算周期，你会发现其实数量并不大，但你再看看生成一个token 需要多少token 多少计算周期，或者说浮点运算，那真是让人震惊，最好的理解方式就是，通常是模型的参数规模，乘以上下文长度的平方，对吧，这是每个token的，而你在做事情的时候 会有非常非常多的token 所以我们正处在这个时代，技术非常了不起，但它极其消耗算力，比我们以前用过的任何计算方式，都要大好几个数量级，你自己在创业，对吧，你和Jonathan聊过合并的事，我是Cerebrus的投资人，那家公司也在做快速推理芯片 Growth在做快速推理芯片，这两家公司都已经存在了十多年，最特别的是，到了第九年，他们俩都在为生存而战，他们并没有活得很好，对吧，他们是在为一个，其实还不存在的市场而建设，明白吗，但你看到了些什么 Jason上过我的播客BGR 他说一切都变了，我说你什么意思，他说推理是推理，他说我们已经从预训练模型，转向了推理是推理 而推理的需求即将增长10亿倍，不是10倍，不是100倍，也不是100万倍，而是10亿倍，而我们的计算系统并没有为即将到来的这一切而设计，我记得你和我有过一次对话，在那之后不久，你帮助促成了乔纳森的那个愿景，你对他说，乔纳森，我觉得我比你自己更清楚的看到了你的未来，跟我们讲讲那个时刻吧，对，我觉得在那个时刻有几件事同时在发生，对吧，市场一直被英伟达主导，因为研究人员就是用英伟达的硬件来创建模型的，所以很自然的在创建模型的过程中 [00:39:17]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

所以很自然的在创建模型的过程中

Sachin Katti：所以很自然的在创建模型的过程中，推理就是训练的前向传播，对吧，反向传播才是不同的部分，所以你在创建模型的时候，其实一直在做推理，所以很自然的就在你创建模型的那套硬件上运行推理，所以我们从Groco的架构中看到的一点是，我们可以更高效的完成推理，对吧，如果你看看我们的VE芯片，就是我们放进云里的那个，我一会再回到这个话题，那是一款2018年设计的芯片 2019年的硅工液14纳米，而且和Hoppers相比，非常有竞争力，对吧，而Hoppers在硅工液技术上，要新了五代，所以我们真正看到的是，我们觉得要说服人们，购买我们的硬件，并使用它会非常困难，但如果我们建一个云，把它放进云里，开发者其实并不在乎，对吧，只要有API开发者，我们已经看到 他们对这个相当无所谓，所以我们最大的洞察是，把这些东西拿过来，开始放进云端运营数据中心，通过API提供出来，让最好的开源模型，对所有人都可用，甚至包括OpenAI的模型，比如OpenAI有Whisper 从一开始就是开源的，所以我们把很多这类模型，都放了上去，真正火起来的就是，我们上线了云服务，几周之内用户就到了几十万，今天大概是400万用户，而英伟达花了差不多17年才到700万用户，所以推理模型就这么来了，推理模型在token消耗上要贪婪的多，这还没算上agent 这仅仅是比单次预训练模型想的更深而已，所以你看token消耗曲线的时候，他们就是直线飙升，我们的硬件，我们的云开始撑不住了 OpenAI当时只有一几瓦的算力 Anthropic也只有一几瓦的算力，所以我们得想办法，既要让模型更省token 也要让架构更省Token 你记得当时Cerebras和英伟达是重量级对手，英伟达和Grok也被看成是重量级对手，所以Sunny你发了条短信给我，说我有个想法，我们当时是英伟达的大股东，现在也还是跟Jensen也是好朋友，而你有个想法，我想指出这一点，是因为有时候我们看到这些大交易，但往往不会去拆解，一个人的想法是怎么来的，就是说这些大事的发生，往往只是某一天里的一个决定，所以你当时给英伟达，加了一个相当独特的视角，跟我们说说这个想法是怎么来的，对，而且Brad那封邮件是你牵头的，那件事太棒了，但基本上 当我们研究推理这个问题时，哪怕是在GrowQ的时候，我们很快就看清了一件事，如果你开始拆解推理是怎么运作的，首先会看到，预填充和解码之间的拆分，对，当时很多人已经开始这么做了，基本上就是用一批机器做预填充，另一批机器做解码，这么做能省一些效率，甚至省下很多效率，我们更进一步做的，这对大家来说是个好经验，我们进一步研究了预填充和解码，而在解码内部，我们发现还能再把解码拆开，因为解码过程里，同时发生着很多不同的功能，其中一些功能是计算密集型的，另一些则是内存带宽密集型的，所以Grawlho GPU之间一个很大的区别就是 GPU有海量的算力，还有海量的外部内存，也就是HBM 但速度比较慢，而Grawlkey芯片上的算力并不多 我们有的是大量的3M 而且这块3M带宽非常高，速度几乎快了一个数量级以上，所以通常你在CPU上看到的，就像你的一级缓存，但我们芯片里这种内存有很多，所以当我们看这个问题时，给Jensen那封邮件的内容，基本上就是通过他们叫Mangling的东西，把我们的芯片和他们的芯片连起来，英伟达的芯片之间，就是通过一个叫Milink的协议通信的，有了它，你就不用在单个GPU上跑任务了，你可以让很多很多GPU一起跑，我记得现在最多能连72个，我们正在往576个扩展 Groq也有类似的协议，我们已经把几千块芯片连在一起跑了，实际上我们有很多模型，都是同时在四千到八千块芯片上跑的，所以Navoli融合，本质上就是让我们的芯片 能和英伟达的芯片对话，这样我们就能把问题的一部分，那些我们清楚Groq芯片更快，性能更好的部分，放到我们这边跑，最终的结果就是，在同样的电力足迹下，把这两套系统合在一起，能多产出2.5倍的token 在今天这个算力受限的世界里，这真的非常值钱，然后Sunny给我发了条短信，他说我觉得我们可以和英伟达合作，这件事本身就是个挺大的转变，因为如果对方是你的头号竞争对手，你能想到去跟他们合作，这本身就是个很大的变化，他说你介不介意给Jensen发条短信，我当时心里想，天哪，我可是要在Jensen那花掉一些人情的，所以我得先确认这不是个疯狂的想法，于是我就把这事搁了一个星期左右，然后Sunny又给我发短信了，他说你给Janson发那条短信了没 于是我说行我这就发给他，然后Janson立刻回复了我们，说有意思的想法，就说那咱们聊聊吧，然后你们就开始跟他合作了，我觉得真正打动Janson的是，你们这边显然有人造出了有竞争力的芯片，但你们在脑子里想的是，我们俩怎么一起产出多的多的Token 所以Sunny刚才说的这点特别重要 OpenAI有一个固定的电力规模，咱们就说一个几瓦吧 9月份Vero Rubens上线的时候，他们就要用这么多电，工厂一头进去的是电和芯片，当然还有厂房和所有成本，另一头出来的是Token 对，他们收购Grokshoe之后，用完全相同的电力规模，完全相同的厂房，现在能产出的token数量是原来的2.5倍，而这个世界真正的约束是电力和内存 所以如果你能在完全相同的规模下，把token产量翻一倍甚至两倍，那对OpenAI或者Anthropic来说，就是巨大的经济收益，你也看到了，因为推理是推理，推理需求暴涨，我们待会还会聊agent 这些智能token的需求已经爆炸式增长了，现在全世界每周消耗的token 真的达到数十万亿了，我们不得不搞来更多的电，更多的芯片，更多的这些投入，才能产出那么多token 所以这不只是芯片快不快的问题，也不只是推理快不快的问题，而是在一个处处受限的世界里，能不能把更多token 送进这个世界的问题，从你给Jensen看那套能跑的系统，到真正落地，中间隔了多少天，从那天到你拿到他200亿美元，中间隔了多久，大概就一个多月吧，对 30天，对，那Jensen呢，英伟达内部有没有在搞类似的竞争项目，有，我说我觉得英伟达你在GTC上也能看到，我们也聊过，英伟达已经有一个生态了 7种芯片 5种不同的机架，对，所以英伟达已经不再只是做一块GPU了，我觉得这正是英伟达的超能力之一，他们开始从各个角度拆解问题，不管是存储CPU 还是算力或网络芯片，所以这些东西早就存在了，他们早就想过要做一款纯解码芯片，用大量SRAM来驱动，但我觉得这对所有人来说，都是一个很好的教训，我们发那封邮件开始合作，做出一个能跟他们的系统跑起来的原型，这对他们来说，就是一个真正的概念验证，而且在这些大型系统里，让这些东西协同工作 跑出性能，这还是跨两家公司，两套完全不同的技术战，我觉得当他们看到，我们能做成这件事，就说明我们会是个，很好的整合对象，最后我想说的是，我们是两家，非常不同类型的公司，我觉得如果我们做的是，更好的GPU 那在英伟达内部，在我们做完那笔交易之后，会有很多冲突，但因为我们做的是，基于确定性编译器的 SRAM芯片，这和GPU的工作方式完全不同，所以对双方的文化和工程团队来说，走到一起反而是很互补的，在座有多少人用过OpenClaw 这个渗透率相当惊人，我看到一个数据，马克·安德森今天可能发过这条推，他说他接触的大多数人，现在每天在OpenClaw上的token 消耗大概在100到1000美元之间 他还说硅谷未来20年，基本上就是生产各种技术，把智能的成本打下来，对吧，所以Sunny 我想聊聊这个，如果我们看推理的成本，过去一年大概降了90% 过去两年到两年半，降幅接近99% 那跟我们说说，是什么在推动推理的单位成本下降，如果我用同样的标准，拿一个智能单位来算，不管是我问的一个基本问题，还是我问的一个稍微复杂点的问题，你觉得这个单位成本会继续往下降吗，如果会，为什么，这个单位成本的构成要素是什么，构成要素，我觉得主要有以下三件大事，供应链，对吧，比如你在供应链上能做什么，而今天供应链主要集中在中国台湾地区，你知道台积电，还有他们从别人那里买来的，各种封装技术和光刻技术 还有你的工程师能做出的创新，对，然后我想说的是，你手里掌握多少算力，对，所以我们聊的就是 [00:49:50]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

所以我们聊的就是

Sachin Katti：所以我们聊的就是，这类东西，现在我们看到的是光刻技术开始逼近极限了，对吧，我们跑的没以前那么快了，对吧，所以我们拿不到原来那种摩尔定律了，所以我们得超越它，我们正从几个不同的方向去超越，一个方向是把芯片做得越来越大，所以你会看到现在这些芯片变得相当大，这很让人兴奋，但也带来一堆有意思的问题 Cerebras 就像Brad一直在说的，他们的芯片大概有披萨盒那么大，对，相比之下，你们应该都见过CPU是什么样，所以这里面有大量的能量和技术投入，就是你能把封装做多大，能往里面塞多少硅，然后就是创新，而创新才是我们真正看到，大部分工作发生的地方，对，因为那和模型是相辅相成的，对 我们现在正看到一个非常有意思的势头，有一堆东西，我不知道是泄露出来的，还是放出来的，我觉得埃隆是其中一些事情的中心，他们在讨论这些新模型，正在逼近一万亿到一万亿参数，而那些一万亿参数的模型，又回到我一开始跟你说的那个问题，那就是生成一个token 需要多少算力的基本浮点运算计算，所以像我们这样的公司，不管把技术做得越来越好，通过光刻升级，内存带宽升级，电路布局创新，量化努力 MVFP4是另一个模型，越来越大，需求也在增加，所以我把这个问题抛回给你，这就像一个三维的立方体，但现在真的很难驾驭，因为所有因素都在以非常棘手的方式增长，需求持续上升，模型越来越大，而我们创新的速度 哪怕五年内做到50倍，模型和需求增长的更快，这就是为什么我们看到像H100价格这种独特现象，如果你在创业或者用这些芯片，价格实际上在涨，对，我觉得有一件事，对每个人来说都很重要，需要理解，我的意思是，当OpenAI和Android 刚起步的时候，他们的毛利率，对吧，在业务上是非常富的，好，所以这是一件挺吓人的事，去融一大笔钱，基本上就是花一块钱成本，造出一个产品，然后两毛钱卖出去，毛利率是很大的负数，但为什么会这样，对吧，他们当时推出去，让大家用ChatGPT 或者他们的API按一定价格收费，那时候他们还没那么强，所以我们愿意付的钱也就那么多，对，而且两年前推理的成本要高得多 但他们压的赌注是推理成本会大幅下降，而随着智能变得更有价值，你的支付意愿也会大幅上升，所以我喜欢把AI的第一局看作，只是走到了一个能给出答案的阶段，对，在代码生成上基本上就像自动补全 Tab补全，拿XGPT来说，基本上就是一个比谷歌稍微好一点的版本，但现在我们正在进入这个行动阶段，对，在这个阶段Agent会去做事，帮我建个应用，帮我建个网站，想办法解决这个客服问题，多卖点我的产品，找到治愈癌症的方法，帮我在纽约订个酒店，他开始真正做事了，而当他做事的时候，为了完成这些事，他要消耗的token数量，会爆炸式增长一个数量级，但作为智能单位，交付给最终消费者的价值，却提升了100倍 所以你的支付意愿会大幅上升，我能补充一点吗，这周我们看到了Methas 就是Anthropic 那个还没发布的模型，他在BSD里找出一个漏洞，你想一想，有多少工程师，软件开发者，还有多少公司在用那套代码，大家都看过那些代码，所以我们已经到了一个，他做的事情超出人类能力的阶段，没错，也就是说，而且我们现在，现在才第三年，正是，我们才第三年，再给你一个例子，怎么说呢，我最有说服力的证据是什么，能让你相信AI的价值，我最好的证据就是 Enthropic 在三月这一个月里，年化收入就增加了100亿美元，明白吗，这相当于Databricks加上Palantir两家年收入的总和，而他们是在一个月里加出来的 他们不是靠招了100万个销售跑遍100万家客户，说服人家买他们的产品，对吧，他们靠的是产品跨过了一个智能能力的门槛，全球几百万客户都说，我必须用这个产品才能让我的公司变得更好 Optimator花的钱是变多了，但全球几百万个自立的行为者，各自独立做出了判断，我得买大量那些token那些能力，不管是Claude Code还是cowork open AI那边也在发生同样的事，收入上倒还没到，你知道同样的指数级，但对我来说，这有点像奥本海默时刻，这有点像原子被劈开的那一刻，我们听过Dario和Sam讲智能的指数增长，或者说指数增长的终结，但最大的问题是，他们能不能负担得起，继续建设算力，好跟上这个速度 我在我的播客BGRPAR上，跟Sam Allman有过一段不太舒服的对话，那段还小火了一把，我问Sam Hey Sam 你已经承诺了1.4万亿美元的支出，但你只有130亿美元的收入，那你怎么解释这个账，你只有130亿美元的收入，怎么能承诺花1.4万亿美元，我本来希望Sam会说，他的收入会大幅增长，这些承诺就像看涨期权，而且他还能重新谈判，但他反而跟我说，你要是不喜欢，要是不喜欢你的投资，我就把你的股份买回来，那可不是我当时，希望从Sam嘴里听到的回答，但这就是进入2026年时的问题，我的播客搭档Bill Gurley 还有很多人都高度怀疑，说这是AI泡沫，这些人花钱的速度，他们永远付不起账单 因为对面没有足够多的人，愿意为这些产品买单，来支撑这种支出水平，然后一月份发生的事是 Anthropic一个月进账35亿美元，二月份他们一个月进账80亿美元，三月份他们一个月进账105亿美元，那让我觉得一切都变了，产品现在足够好了，收入开始跟智能一样指数级增长，所以他们付得起每几瓦500亿美元的成本，去建起所有这些推理工厂，来产出所有这些集体智能 Sunny你回应一下这个，因为我们团队经常聊这个，我们团队里还有all in part和其他地方，对这是不是泡沫有很多争论，对我觉得有几件事，可能外面的大众还没看到，第一我们今天看到的这些模型，甚至还没在最新的硬件上训练过，不管是最新的Blackwell还是Vera 都才刚出来对吧，或者Rubens也才刚出来，所以我们还没看到那个东西，所以我们还没看到你能得到的能力，所以我们很快就会看到这些能力了，我觉得最先看到的，会是马斯克那边Groco出来的东西，对吧，这是第一点，你现在看到的这些能力，都是在旧硬件上做出来的，这是第一点，所以当你身处这个生态内部，你就知道现在能做什么，接下来会来什么，对吧，我觉得第二点，有一件事真的开始起飞了，而且我觉得Anthropic 在这方面做得非常出色，我觉得Codex在非常难的软件问题上，同样做得极其出色，那就是现在不只是大多数人，在用的那种聊天界面了，也不只是一个API 而是他们在模型外面建了一层Harness 这些Harness OpenClaw也只是其中一个，这些Harness已经搞明白了 怎么去榨取更多，并且持续不断的榨取，我觉得用Claude Code和Codework 哪怕你是在别的地方开始的，它卡住了也能直接，拼到你手机上，所以它能处在一个持续运转的循环里，全天候为你工作，我们以前从来没有过这种东西，它这么干活的时候，你看那个token消耗，以前你发一个查询，它想一会儿，然后回来，现在它整晚都在干活，不停的在那边拼，你跟它说，别来烦我，继续干，干完再回来，所以我们看到这些harness 真的在从模型里，炸出越来越多的token 还有人们正在解决的问题类型，我们举了编程的例子，你还可以举一堆别的，但比如说在大公司内部，这个我发过推，所以我觉得说出来没问题，比如现在英伟达内部，我们有个东西叫 NVIDIA Personal Assistant 它介入了Slack 也介入了Teams 它还介入了我们的邮箱，以及我们所有的文件，不管它们存在哪里，所以每天早上它都会运行，把当天所有的任务事项，整理出来，你可以让他去处理这些事情，真的非常厉害，于是你开始，我们之前也跟人聊过这个，现在你甚至都不用自己写邮件了，别人的agent会来给你发邮件，你的agent看了之后回邮件给对方，但完成的工作量反而多得多，因为我的时间从整天回邮件，在各种传统SaaS系统里审批事物中解放出来了，这些全由agent处理，所以你说的爆发，其实才刚打到第一局或第二局 Token的量真的只会往上涨，所以我们不怕这个，我们完全不觉得这是任何形式，任何意义上的过渡建设，我觉得厂商的事实和证据，第一点是训练和推理的成本 尤其是推理成本正在暴跌，而且会继续暴跌，这其实不该太让人意外，技术本质上就是高度通缩的 [00:59:50]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

技术本质上就是高度通缩的

Sachin Katti：技术本质上就是高度通缩的，我从没见过什么东西能这么快的通缩，我觉得这是极致代码设计的副产品，它不是单颗芯片，而是一座工厂，在整个工厂里，各种摩尔定律在工厂范围内，组合式的同时上演，与此同时，当你能产出多得多的token时，你交付的智能单位也值钱得多，所以另一端的支付意愿会大幅上升，我跟你说今天的OpenAI或Anthropic 如果一年半或两年前，他们的毛利率还是负的，那现在他们的毛利率已经非常可观了，对吧，所以突然间，这门看起来不经济的生意，今天变得高度经济了，所以那个问题算是部分解决了，也许Sunny 我想用一个小小的预测，来结束我们这部分，先给你们透个底，我们接下来会开放提问，可以问推理经济学 也可以问技术战的任何部分，或者你们其他任何问题，但你提到了Methos 那是这周出来的一个模型，没有公开发布，但被Anthropic放进了沙盒，他试图跑出来好几次，试图逃出沙盒，是在TPU7上训练的，另一方面OpenAI这周或下周，大概会推出Spot或5.5 那是第一个在Blackwell上训练的模型，马斯克也会有一个 Meta昨天刚出了一个模型，谷歌也是，等等，跟我们说说，你能看到英伟达的产品管线，你觉得推理成本曲线，持续下降的节奏会继续吗，你觉得未来几年会一直持续吗，你觉得预训练和推理时推理在提升智能算法能力上的，节约式进步或者说指数级进步会继续吗，我可以告诉你现在有机会和Janson共事 他在我们做的每件事上都要求没有100倍提升就别拿出来，所以不管我们带什么给他细节我不能说太多，他的第一个反问就是这比你之前做的提升了100倍吗，所以他是在挑战工程师去审视问题的每一个部分，从内存控制器，内存容量到电路，不管是什么，都要确保我们把每样东西都提升100倍，所以关于你问题的前半部分，是的，因为他逼着我们这么做，而且他给了我们这样做的自由，也给了我们资源去实现它，所以我可以告诉你，作为GrowCo团队进来之后，我们被赋予了做很多事的能力，有些事是我们作为创业公司时，根本做不到的，但Jensen让我们做到了，你们自己有没有在用AI来设计下一代芯片，用的非常多，对吧，我们之前就在用了，因为我们必须用 我们是个小团队，但现在我们能接触到整个生态里所有可用的东西，所以我觉得这是第一点，对吧，就是我们被推着去做这件事，但另一方面我们创新的越多，模型厂商创新的也越多，模型就变得越大，所以这就意味着出来的能力会越来越强，所以我们得持续把基础设施建下去，所以我们回头看的时候会想，有那么几家公司改变了互联网的版图 Brand 这方面你比我懂得多，但就像谷歌为视频，为搜索建的那套基础设施，真的为整个互联网铺平了道路，内容分发网络，还有各种其他东西，对吧，所以现在这些建基础设施的工作，将来都会带来回报，而且必须持续下去，因为不能只靠芯片本身的创新，你需要建越来越多，越来越多的基础设施，我最后说一句 我们有幸能跟Jensen Alan Sam 或者Dario这些人对话，你们也都能读到，他们在通往通用人工智能的竞赛里，彼此之间那些个人层面的较量，有些时候，他们之间可没什么好感，但现在，我看到的是，惊人的一致，我跟他们聊的时候，他们都不是夸张的说，我们到了，而且到的比我们想的还快，就是说我们正接近指数曲线的终点，你要是问达里奥，达里奥现在最让你意外的事是什么，他会说，我们几乎已经走到指数曲线的尽头了，可大家好像都没意识到这一点 S 你要是问山姆，他也会说同样的话，你要是问埃隆，他也会说同样的话，这对我们任何人来说都不该是可怕的事，它只意味着我们处在一个地归的节点上，我们有了通用人工智能，而在座每个人 包括台上这几位，接下来的任务就是，我们怎么驾驭这项技术，让它造福我们所有人，对吧，这就要回到阿珀尔夫刚才说的 Invest America Act 达里奥说即将到来的财富积累，人们管它叫我们要进入的富足时代，对吧，那会比以往任何时候都更容易，但我们要面对的分配问题，会比以往任何时候都更难，对吧，所以这才是我做Invest America这项工作的真正灵感来源，也是我觉得我们所有人都得一起围绕社会契约，围绕公共政策与技术的交汇点去做的事，因为当那条指数曲线长成那样，突然之间Agent的能力就要超过某种意义上的集体人类智能，而且这一切还在加速发生，记住我们聊到的这一切 几乎都是在几乎没有算力的情况下发生的 Anthropic OpenAI今年要增加的算力，比过去十年所有实验室加起来的还要多，明白吗，到了明年，他们还要再翻一倍，所以我觉得变化的速度相当陡峭，而对我来说，这既让人兴奋，我对即将到来的事是个乐观派，但我对伴随这种变化速度而来的挑战，也不是盲目乐观，对吧，就是说他需要积极的参与，就像历史上其他时期一样，比如工业革命，数字革命等等，因为他会给世界带来巨大的改变，但说到这儿，我只想说，看着Sunny在Groco一手操办的那些工作，真的非常了不起，他是整个领域里非常出色的思想领袖，感谢你来做客 不过也许就直接开始提问吧

Apoorv Agrawal：希望我们能覆盖很多话题，就这边，关于编辑问题，你建议我们怎么重新定位自己，怎么确保我们不是在浪费时间学习，对，听着 [01:06:16]

Sachin Katti：这个问题我得替我儿子回答，也要替很多其他人回答，人类有一种独特的方式，能在各种颠覆中，照样为社会创造价值，对吧，工业革命时期，如果你是个手艺人或者工匠，对吧，你从头到尾做出一件产品，但这些人几乎全被大规模生产取代了，对那个人来说，那感觉可不好受，我很擅长从零到一把一个轮子做出来，但我完全被生产方式绕过了，明白吗，但世界并没有就此停下，那些人找到了别的事情做，我观察到的一个现象是，过去我们有80%的人，在制造业农业和其他行当里，今天我们有70%的人在服务经济里，对吧，我们现在有奢侈的条件，能请得起人，以前我们不会请教练，对吧，那时候请不起教练，对吧，今天世界上有教练，瑜伽教练 还有数不清的东西，给世界带来很多价值，我觉得人类有更高层次的事情可以做，对吧，所以对我来说，有一点是，如果你足够有钱，能请得起家教，一个专业的家教，那当然很好，但对世界上98%请不起的人来说，现在他们也能得到了，或者如果你是那3%能享受礼宾医疗的人，那确实非常好，但对另外97%的人来说就没那么好了，而现在他们也能得到同等水平的医疗服务了，所以我觉得这关乎智能民主化，访问民主化等等，但这并不是说不会出现新的挑战，我排第一位的建议还是让自己变得bionic 做一个创造者，想办法让自己创造价值，所以如果有人来altimeter面试 说我不用AI也不用Excel表格，我全靠手算，那就有问题了，对吧，我期望每个人都能用上手里所有最厉害的工具，让自己尽可能高效，尽可能创造价值，帮我们在世界上产生alpha 所以从这样一个地方开始，换一种说法，这句话我留着以后发推文用，我觉得智商会被商品化，而情商会变得极其值钱，对吧，我说的情商是什么意思，我指的是在座各位的人脉网络，我指的是说服坐在你旁边那个人的能力，组建团队的能力，带领大家朝不同方向前进的能力，这些才是超级有价值的，对吧，我觉得未来这些会变得更有价值，但是我觉得只是坐房间里最聪明的那个人 在白板上比物理所有其他人类都更快的解除问题，那种能力我觉得会被商品化，你不可能赢过机器，这不代表你不需要学那些东西，但我觉得想赢过机器会很难 Brad Wan 谢谢你来做这期节目，我们需要BGR回归，我们想念它，现在我们在all in pod上只能偶尔见到Brad一次，你只有那么一小段档期，所以我得把你请回来，这才是该做的，对，让BGR回归吧，但我能不能就刚才那点再补充一句，我觉得现在正在发生另一个时刻，我经常想这件事，如果你真的去看，现在数学界正在发生什么，有各种各样的新发现在涌现，我用这样一个类比，人类得等一个苹果砸到牛顿头上，他才开始思考引力，开始把它公式化 [01:09:08]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

开始把它公式化

Sachin Katti：开始把它公式化，但现在如果我们能让别的东西去工作，去发现新东西，就像Brad刚才展示的那张图一样，对吧，真的是直到我们开始拥有更多创新，更多智能，那些曲线才开始向右上方攀升，我们马上就要让这条曲线变得更陡，所以我觉得拥有更多智能会带来什么，对人类整体的好处已经展现出来了，对吧，而且我们不用再等着事情自己发生，我们让这些智能在没有我们参与的情况下，自己运转，我觉得这会非常强大，对，就这一点，我觉得这是很高的赌注，我是说，听我说，我告诉你，连苹果内部的人都对自己的策略感到紧张，其中一部分是他们在隐私方面的挑战，他们确实面临一个难题，因为我们在边缘端还没有这个能力 而且他们不想让你把信息上传到云端，对吧，因为他们把消费者隐私，视为自己核心的消费者价值主张之一，但我觉得他们把自己置于风险之中了，看涨的情形很简单，我们对这个设备太依赖了，而设备本身又足够好，所以他们还有时间，最终他们要装进手机里的Gemini模型，只会是一个能力更强的Siri 我们都同意老板Siri真的很差，然后会变成一个能力更强的Siri 对绝大多数人来说那就够用了，对吧，所以这就是看涨的情形，我觉得看跌的情形，就像你说的，是别人会做出更融入生活的环境设备，消费者会真的很喜欢，但对我来说，说实话，我倒希望OpenAI别去做设备，我希望他们专心把智能本身做好，而且我觉得苹果在设备领域会非常强势 所以我觉得他们处境相当不错，有个数据，一个80亿参数的模型，其实相当小，对吧，就能在30分钟内，把一部iPhone的电耗光，这又回到，电池续航，对，电池续航，没错，所以我想说，你得回头看看 AI有多吃算力，对吧，这就是Brad说的，把那么多前沿智能 [01:11:47]

Apoorv Agrawal：推到边缘设备上，真正的难点所在，对，我想接着我们聊 Invest America时的话题，说几句，对，我记得是在，最近一期All In上 Chema当时在批评各类CEO 说他们炒作新品发布，或者制造恐慌，说AI会怎样怎样，而不是去阻止那些代理机构，我挺好奇的 [01:12:10]

Sachin Katti：这些CEO是不是需要重新审视，重新思考他们下一步的动作，他和我今天又在播客上吵了一架，再说一次，你可以说我天真，我觉得Dario是真诚地在讲他相信的东西，我觉得Sam也是真心实意地在表达他相信的东西，他们正盯着这条指数曲线，他们相信自己看到了通用人工智能或者ASI 而且我觉得他们的担忧是合理的，比如说，听着，我很高兴我们把Methos放进了沙盒测试，他们在内部做了测试，他们在Safari浏览器上发现了26个漏洞，就像我今天跟Chemist说的，你想让他们直接把它扔出去，然后你所有的浏览器历史都暴露在公众面前吗，大概不想吧，对吧，但与此同时，我觉得出去散播恐惧也没什么好处，尤其是如果你真正的目的是监管俘获 想趁自己站在顶端的时候，阻止别人往上爬，我对这种事真的很有意见，但我觉得我们得在那些权衡之间找到平衡，对吧，在提醒人们事情乐观的一面之间，我建议你把Dario的两篇文章都读一读，他关于这个的第一篇文章，对可能发生的事情相当乐观，但他也有另一面，那就是如果我们不对护栏，和我们需要建立的东西非常用心，这一切就不会发生，还有一件事，我真的很高兴，它叫Project Glasswing 是他们这周组建的一个联盟，目的是在Methos公开发布之前，有效的对它进行沙盒测试，亚马逊，微软等等都参与了，在我看来，那是一个非常务实基于市场的问题解决方案，而且我来之前，他还在跟我发短信，他们已经发现并加固了很多东西 而且速度非常快 100天之内，当AI自己去修复它发现的问题时，你能做成很多事，所以我当然是抱着乐观的态度，去谈这件事的，我觉得很多人也都是这样，也许可以鼓励他们在评论里，稍微平衡一点，但我也同样不想忽视现实，当你分裂了原子，对吧，它要么为世界提供无限的免费能源，彻底把人们带出黑暗，对吧，要么被用来制造炸弹，摧毁城市和国家，所以强大的技术就是强大的技术，我们不能把头埋进沙子里，假装它是一条单行道，我觉得你会看到几种现象，第一，用于训练的硬件会转成推理硬件，对吧，那些大型集群，我们几乎一直能看到这种情况发生，所以这两个世界之间，就是有一种自然的演进，然后我确实认为 那些更大模型和训练集群带来的创新，好处实在太大了，而且他们又回到Brad说的那个点上，对吧，我今天刚好读到微软的Mustafa 写的一篇文章，对吧，他说你看GPTR 我们现在拥有的算力，比做GPTR的时候强了50倍，但再看看能力，对吧，所以我觉得，你得把这两件事和整个对话的主题，放在一起看，创新会持续发生，因为Brad刚才稍微提到了一点，我们现在才刚刚开始把AI 引入到这些设计工作里，对吧，在软件优化和软硬件协同优化方面，我们能看到，能学到一些东西，但也有很多是我们看不到的，所以我依然相信成本会降下来，但没错，我们正在解决的问题，从算力角度看 是非常非常密集的，所以那些数字会很大，也许最后一个问题，你可以和Sunny还有我一起深入聊聊，我们可以在事后回答一些问题，但除此之外，我只想说，能有机会和你们一起度过这段时间，是我们的莫大荣幸，所以谢谢你们的邀请，但也许就到这里吧，你好

Apoorv Agrawal：谢谢你的分享，关于经济学的一些问题，所以这就是我们英伟达的领导层，所以也许你面对英伟达的问题，那么你觉得英伟达的简单经济模型是什么，因为那是一个巨大的业务，而且75% 70% 60% 从来没有，这让整个生态系统变得非常困难，那你觉得我们能从中学到什么，你觉得最终会发生什么，咱们说几种情形，第一种他们的收入可能有限，但保住了利润率 [01:16:33]

Sachin Katti：第二种，如果他们把利润率大幅降下来，同时能保住大得多的市场份额，这样你先把问题快速重复一遍，然后再回答，因为我是英伟达的投资者，我在那工作，所以这个问题我不该回答，听我说英伟达是一家，四万五千亿美元的公司，市盈率大概13倍，非常便宜，只有市场估值倍数的一半，还在以70%的速度增长，显然它在今天的市场上，占据主导地位，而且我觉得大家对英伟达，有一堵担忧之墙，因为每个人都在说，你们做的那些东西 Tranium TPU Cerebras Grok都会来抢，所有这些人都能拿出推理解决方案，他们能抢走你的份额，他们能在价格上跟你竞争，这正是资本主义的美妙之处，你知道英伟达必须做什么吗，竞争 他们要么拿出一款，人们愿意花更高价钱买的产品，要么就得降价，他们的利润率会降下来，他们得在那个市场里竞争，我想告诉你的是，当我看到英伟达的产品路线图，看看他们正在做的事，收购GRAXIO就是其中一部分，我觉得他们会处在一个非常有利的位置，他们已经宣布了未来八个季度里，已经锁定的销售额有1万亿美元 1万亿美元，大家的需求已经超过了，他们能拿到的内存和供应，根本来不及把所有这些算力建出来，所以我觉得这一切才刚刚开始，我就在硅谷，其实也不算太久以前 16年前，那时候人们说，永远不可能有一家万亿美元市值的公司，永远不会有万亿，我就问为什么 他们说大数定律，我说这刻在哪块石板上了，哪都没有，现在我们已经有了一家 4万5千亿美元市值的公司，我公开说过英伟达会是第一家10万亿美元市值的公司，我这么说不是因为我是啦啦队长，我可以卖掉英伟达的股票去投任何我想投的东西，但这家公司的领导层那个团队，他们在训练和推理两端的领先优势，还有他们推进的速度对吧，我觉得这些让他们处在一个非常有利的竞争位置，而且他们做到这一切还是在training很成功 GPU很成功，定制ASIC芯片也非常成功的情况下，他们照样一路碾压，我觉得这更多说明的是，智能这个市场有多大，要走到那一步需要多少算力，而不是某一家公司有多厉害，话说到这儿，我们得收尾了 Apov 谢谢你邀请我们

Apoorv Agrawal：今天我们要聊聊，你们正在融化的那些数据中心，这一切的大主题 [01:19:55]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

这一切的大主题

Apoorv Agrawal：这一切的大主题，其实就是这张图，这是五大超大规模云厂上，在人工智能上的资本支出，大家可以看到，这条曲线在向右上方延伸，而且延伸得非常快，放到大背景里看，这是我们正在做的，最大规模的投资之一，它比太空计划还大，比我们的高速公路系统还大，比曼哈顿计划还大，仅次于美国国防预算，我特别兴奋，今天我们要和Chase Lockmiller 一起拆解这个话题，他是Cruzo的创始人和CEO 可以说据我们所知，他是把这件事做得最好的人，在请他上台之前，我先简单介绍一下Chase Chase显然就是Cruzo的创始人和CEO 大家都知道，一个不太为人所知，也是我最近才知道的趋势是 Chase是个非常狂热的登山爱好者，全球七大洲最高峰，他已经登了五座 包括珠穆朗玛峰，而Cruzo这家公司的设计，也带着登山的思路，有A计划，有B计划，还有B计划的C计划 Chase 非常感谢你，和我们一起做这期节目，请上台，谢谢，感谢邀请我，感谢你加入我们，那么Chase先跟我们讲讲，我们现在所处的这个数据中心经济，到底是什么，这对我来说格外特别，我当年就在斯坦福读的研究生 [01:20:53]

Sachin Katti：所以能换个身份回到校园，坐在讲台的这一侧，感觉很有意思，很感谢大家对我现在在Cruzo做的事情感兴趣，不过我觉得从某种意义上说，数据中心本身就是这轮AI应用热潮的物理体现，它是实实在在的基础设施，用来给GPU供电，让GPU运转，跑那些大规模计算任务，训练新模型，微调模型，跑大规模推理负载，把token提供给终端用户，今天举手说自己在用Gemini ChatGPT或者Quad的人都离不开它，所以数据中心就是那个物理基础设施，真正让所有这些技术得以普及 [01:21:24]

Apoorv Agrawal：改变人们的生活，太好了，那么Chase 数据中心里，其实有非常多的不同组成部分，我们多多少少听过一些，关于算力的东西，也听过一些关于内存，电力，互联和人力的事情，帮我们把所有这些组成部分，放到一个整体框架里理解一下吧，我们应该怎么去理解它，当超大规模云厂商，花6500亿美元，建这些数据中心时，钱都花到哪里去了，其中有多少流向了你们 [01:22:02]

Sachin Katti：这是个好问题，当我认真思考这种智能基础设施时，我的出发点其实是，要生产出AI到底需要什么，你看大家都痴迷于AI 但真正的问题是，制造AI到底需要什么，我脑子里有一个基本的等式，对吧，你知道人工智能，就是数据算法和算力的结合，算法包括反向传播，神经网络 Transformer架构，这些都是人们想出来的不同算法，本质上是对数据集做统计建模，算力也就是大量的计算能力，特别是通过GPU实现的高性能计算基础设施，有了它你才能把大量工作负载并行化，在高性能架构里做大量张量运算，还有运行这些GPU所需要的能源，然后是数据中心，也就是容纳并运营所有这些计算基础设施的物理建筑，那到底什么才真正花钱 数据当然也花钱，我的意思是你得去买数据，这给很多数据标注公司，打开了新的机会，比如SCALE AI 还有Mercur 你知道连H&J也差不多进入了这个领域，它给人们创造了很大的赚钱机会，靠生产对AI有用的数据来赚钱，算法呢，那主要是在很多实验室里，那些实验室在发明新的机制，地规学习技术，就是一个新趋势，还有人们用来更好利用数据的各种不同架构，但算力能源和数据中心，才是Cruzo真正专注的方向，我们想的是，怎么真正去建设运营扩展，并充分利用所有这些基础设施，而这往往也正是真正赚钱的地方，所以或者说是花钱最多的地方，抱歉，就是你刚才展示的那张资本支出图表，对，所以我想说的是 我给自己演讲起的名字是，从电子到令牌，那为什么令牌真的有价值，而且考虑到这是在经济学系吗，工程系，在工程系，好的，好吧，你们有些人上过经济学课，当然，对，有一个生产方面的经济学模型，叫科布道格拉斯模型，比如你看GDP的增长 GDP的增长从根本上说是三个关键组成部分的总和，劳动力的变化，资本的变化，所以这个资本既包括实物资本，比如建筑厂房和设备，也包括投入到经济中的资本，然后是技术的变化，而且技术基本上让劳动力变得更高效，对吧，我觉得这是一个很好的理解方式，那为什么令牌这么有价值，为什么这是一个台阶式的变化 为什么大家都在做这些巨额投资，就是Apov展示的那张资本支出图表，原因是历史上第一次，我们真的能创造出这种数字劳动力，对吧，当你给一个agent一个任务，比如让你的Cloud机器人去做件事，比如去给我刚发布的新产品，建一个CRM 这真的就是数字劳动力，是被呈现出来，或者说被带到这个世界上的数字劳动力，而且你知道从历史上看，劳动力这个东西，你基本上只能靠出生率去改变，对吧，它有20年的前置时间，对吧，是个超长的培育期，对吧，你得送他们上学，喂他们，给他们房子住，还有你知道，所有这些事，我有三个孩子，你知道，想靠自然方式去改变Fail 要花很长时间，但历史上第一次，我们能做的是真的通过投资买数据中心，买GPU 去数字化的改变这个Fail 通过真正加速数字劳动力的增长，来加速经济增长，所以这就是我一开始想传达的核心前提，这些投资之所以发生，之所以这么普遍，是因为我们有机会彻底改变经济，通过真正加速GDP增长，通过见证前所未有的增长水平，从根本上提升人们的生活质量，所以你知道，我说过Cruzo 处在整个技术战的好几个层级上 Cruzo是一家垂直整合的，人工智能基础设施公司，所以我们真的在努力，你知道因为这是一个，全新的基础设施类别，我们采取的做法，是想要扫清一切阻碍，我们建立这套智能基础设施的东西，这套设施将推动经济GDP的加速增长，所以我们基本上把它想成两个阶段 一个是技术战的底层，基本上就是能源开发，这些数据中心需要非常非常多的能源，而且你知道，我们非常审慎的采取这种能源优先的做法，去那些能获得充足低成本能源资源的地区，你知道，下一块就是数据中心本身，也就是实际的物理建筑，包括建筑周边的厂房，还有所有的冷水机组，因为你想一想，从最根本的角度看，数据中心就是一栋有电，有冷却的建筑，对吧，然后你可以把计算机插进去，对吧，基本上就是这样，当你把规模做得非常非常大的时候，事情就变得极其复杂，实际上会牵动整个生态圈里，最顶尖的工程能力，从化学工程，冷却架构，机械工程，到电气工程，要处理这些高压电源，还有超高密度的容量 然后还有计算机科学和电气工程，涉及芯片架构，算力，怎么跑起来，数据，怎么传输，这真的是把所有形式的工程，汇聚整合到一栋巨型建筑里 [01:27:48]

Apoorv Agrawal：为全世界运行智能，所以这是个很酷的工程问题，对，说到这个Chase跟我们讲讲，我们一直听说人工智能的瓶颈，四年前是算力，现在是电力，内存股现在涨得很猛，然后是劳动力，还有各种其他环节，局域网，供电外壳，等等，甚至可能还有监管，给我们一个总览，就你干这行的这段时间，还不到十年，瓶颈似乎一直在变，这些年它是怎么演变的，现在卡在哪，你觉得接下来会往哪走，现在制约这个增长的，核心瓶颈是什么，今天，核心瓶颈是有电的，通电的数据中心

Sachin Katti：对吧，就是那种供电外壳，插上芯片，就能开始跑一个，大型GPU计算机群，今天瓶颈在这儿，但瓶颈经常到处转移，对吧，有时候是给那些数据中心供电的问题，有时候是建设数据中心用的各种零部件，电器设备，开关设备，冷水机组，发电设备，芯片，芯片作为瓶颈已经有所缓解了，我觉得芯片的获取变得更容易了，真正的难点在于找到能放这些芯片，并且能通电运行的地方，所以Cruzo之所以采取这种垂直整合的路线，部分原因就是瓶颈会到处转移，而垂直整合意味着，你几乎可以在整个链条上做任何事，你知道我们不做芯片生意，就是说我们不做芯片生意，也不做模型生意，对，但除此之外，我们基本上会去解决，整个生态系统里的大部分挑战，对 [01:28:42]

Apoorv Agrawal：那顺着这个往下问一句 Chase 你创立Cruzo的时候，核心洞察来自鲁宾逊漂流记里的克鲁索，就是能源是当时最稀缺的资源之一，至少在西方的世界里是这样，跟我们讲讲选一个地点吧，可以选阿比林，或者别的你能聊的，你为什么从那里起步，当时你要解决的稀缺资源是什么，还有为什么从能源倒推，为什么不从算力内存

Sachin Katti：或者像你说的供电外壳出发 [01:29:59]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

或者像你说的供电外壳出发

Sachin Katti：或者像你说的供电外壳出发，我觉得我们的洞察是市场，大体上是相当有效的，对吧，你去看各种事情的时候会发现这一点，而且我觉得当数据中心容量处于那种稳态增长的时候，也就是web2.0那波趋势展开的时候，网络应用越来越多，人们上网的时间越来越长，你知道它就变成了一台，不断建新数据中心的机器，而且都建在那些大型枢纽里，对吧，像北弗吉尼亚这样的市场，就是那种承载了互联网，很大一部分流量的地方，我从来不想做一个跟风者，比如我是北弗吉尼亚，下一个数据中心开发商，我要在那里建下一栋楼，那在我看来，并不是一个有吸引力的方式，去进入一个新市场，真正做出点动静，所以我们说，看未来会出现一些全新的计算应用，跟服务网页应用完全不是一回事 比如人工智能训练大规模工作负载，还有反向传播，再比如数字货币这类东西，需要海量算力来做工作量证明，跑共识机制，这些都需要海量能源，一旦到了规模，能源就成了瓶颈，所以我们想能不能找一些，不是传统数据中心市场的地方，去那里建数据中心，这样我们不用把能源搬过去，而是把数据搬过去，所以我们真的可以在这些地方做共治，举个例子，我们待会会讲到整个堆栈最上面两层，包括GPU集群的部署，以及怎么真正把它变现，用托管服务去提供智能，好，那我们现在来讲堆栈最下面这两层，这个想法最早的体现之一，就是你们在这张照片里看到的，这是我们从2024年6月启动以来，一直在做的一个项目，我们签下了屏幕右侧，你们看到的前两栋楼，到目前 这已经是全球最大的人工智能计算园区之一，我觉得可能它就是最大的，我们在这里的洞察是，在德克萨斯州的阿比林，在我们把铲子插进地里之前，很多人压根没听说过这个地方，那我为什么去阿比林，阿比林在德克萨斯州西部，那片地方常年风很大，阳光很足，所以很多可再生能源开发商都去了那里，大规模建设可再生能源产能，因为他们被一种叫生产税收抵免的政策激励着，基本上就是政府付钱让他们生产清洁电力，而且不管价格多少，他们都得把电卖出去，结果就是在这个希德克萨斯市场，可再生能源发电基础设施出现了过度投资，电价甚至变成了负的，对吧，因为这种电没有编辑买家，而且输电能力也不够，没法把电送到真正用得上的地方去 所以我们说太好了，我们这正好有个特别耗电的应用，你要不要试试，于是我们就跟阿比林市合作了，你看上面那个位置，有个灰色的方块，它下面还有一个更大的灰色方块，这两个都是变电站，上面那个是200兆瓦的变电站，下面那更大的，是一几瓦的变电站，给你个直观感受，那个几瓦级的变电站，首先它是美国最大的私有变电站，我在丹佛长大的，一几瓦基本上就是，整个丹佛市的供电量，对吧，所以相当于用一整个单佛式的电，去给计算机供电，这是在一个地方集中了非常大量的电力，我们之所以能用上它，根本上是因为这个市场里有大量低成本的能源，但这些能源很难输送出去，缺少输电通道，这就给我们创造了一个巨大的机会 [01:32:37]

Apoorv Agrawal：让我们能进去建设大规模前沿的人工智能基础设施，这里我想追问几个问题 Chase 这个园区的租户是谁，能告诉我们吗，是ChatGPD吗 [01:33:27]

Sachin Katti：是Claude吗，是Gemini吗，这个园区的租户，你看这个园区一共有八栋楼，这是一号楼，二号楼，我刚才说的变电站就在这儿，然后上面是三号楼，四号楼，五号楼，六号楼，七号楼和八号楼，所以前八栋楼都是给甲骨文和OpenAI用的，基本上就是之前说的新技之门项目，算是第一个大项目，为了支撑这个项目，我们还在下面建了一座天然气发电厂，这大概是一座350兆瓦的天然气发电厂，用来支持开发给这个巨大的计算机群供电，它还被设计成能作为一个整体机群运行，也就是说所有数据中心里的所有芯片，都通过同一个高性能后端网络互联，能够作为一个整体工作负载来运行，所以你可以跑一个训练任务，它同时跑在整片园区所有数据中心的所有芯片上 这真的是非常非常独特的架构，给你一个规模的概念，因为光看照片很难看出来，我们当时还得在这边修一个停车场，那个停车场是个能停5000辆车的停车场，你可以看到它完全停满了，因为我们每天大概有9000人在现场，一起把这个园区建起来，园区南边还规划了扩建，你能看到那边有些土方，那是给微软的整个园区加起来是2.1几瓦，再说一遍，相当于两个单佛式的用电量，来给这里所有的人工智能计算基础设施供电 9000人chase 阿比林的人口是多少 9000 不是，不过待会我要给你看另一个园区，我们现场的员工，比那个镇的人口还多，太惊人了，这简直是曼哈顿计划，阿比林的人口是12万，所以我们一开始，能从阿比林本地招到不少人，但时间一长，我们其实得设计很多用工和留人机力 才能吸引人搬过去，基本上就是当短期建筑工人来干，长期来看，会有一批稳定的就业人口，负责运营这些大型计算集群和发电厂，维护整套基础设施，这批员工大概在2000人左右，这么说大家有个概念，但即便如此，对一个人口大约12万的本地经济体来说，它依然创造了非常非常多的就业岗位，好你继续，不不你先请，虽然台下听众主要是学工程的

Apoorv Agrawal：但这门课讲的是人工智能的经济学，对，那带我们走一遍那笔比喻性的100美元开销吧，假如他有100美元或者X美元的支出，这笔钱是怎么分配到不同层面的，好 [01:35:55]

Sachin Katti：或者你本来也要讲到这儿，我正要讲到这儿，我们先从发电厂和数据中心这边说起，然后再讲到计算集群，接着我们会聊，好，这里面投的是几百亿美元，那大家怎么赚钱，回报到底从哪来，这个我讲到后面幻灯片的时候会说到，但Apple最开始展示的那张幻灯片，是巨大的资本支出，对吧，而Cruzo 那些公司里有很多都是Cruzo的客户，对吧，当这些客户在建设这些大型资本支出项目时，我们帮助他们服务所有这些客户，帮他们构建这层智能基础设施，随之而来的，我觉得这里面有很多不同的组成部分，但电器设备是其中很大的一块，对吧，想想看，如果你看那边，那边有一些白色屋顶的小建筑，那些叫做配电中心，他们从高压或从变电站取电，进来时是中压34.5千伏，也就是34500伏，然后他把电分配到那一排设备上，你看到这里写着变压器 变压器排列在建筑的整个左侧，然后是整个右侧，他做的事情就是，把电力分配给那些变压器，这样就能把电压从34.5千伏，降到480或415 所以那是资本支出力很大的一块，那是一件设备，对吧，是我们正在投入的东西，用来建设这栋建筑，你还有各种不同的冷却设备，所有的机械设备，想想看，你有一排冷水机组，它们看起来有点像内存条，但不是，那些都是风冷冷水机组，基本上就是这些缠绕的铜管，数据中心里，有一个巨大的冷冻水循环，再循环水，然后基本上从进水侧的冷水开始，水进入GPU机架，然后发生一次热传递，因为GPU通电后产生大量热量，热量从芯片传递到水里，然后水通过那些冷水机组流出去，基本上就是往这些绕线 铜线圈上吹大量的空气，把热量排出系统，这样水温就降下来了，你又有冷水可以去冷却GPU了，所以这又是一笔很大的投入，这里面所有的管道工程，工程量真的非常非常大，所以我们现场有大量的水管工和管道装配工，他们把这些大型管道系统焊接在一起，每栋楼里大约有一百万加仑的水，用来冷却这些芯片，但再说一次，这些水是循环使用的，所以我觉得一直有一种说法，说人工智能好像在消耗大量的水，我们几乎不消耗水，这个系统我们只住满一次水，然后每年我们的用水量，大约相当于一个独栋家庭，所以用水量非常有限，这在像西德克萨斯州，阿比林这样的市场很重要，因为那里的水其实相当稀缺，所以你可以看到这里的成本，我按每兆瓦做了规划处理，但是比如配电中心 UIP系统，也就是电池系统，不间断电源，你需要这个来平滑电力，因为电力从变电站分配到芯片的过程中，需要稳定，还有其他的替代方案，比如我们正在试验的一些电池系统，冷却分配单元，这些实际上放在数据中心内部，它们基本上是从冷冻水管取水，然后分配到各个GPU机架，然后当然这里面还有很多这样的核心组件，要知道这里以前什么都没有，有大量的钢材，有大量的混凝土，我们在现场有自己的混凝土搅拌站，我们真的就在现场生产混凝土，工人七分之二十四轮班交注，所有的场地工程，所有真正让这一切落地的人力，都是大量的人，大量的工师，然后在电力基础设施这边，我们在这里重点讲两样东西，一个是天然气发电厂，就是上一页幻灯片里给你们看过的那个 你们可以在下面这个位置，看到它的一小张快照，另外有一部分基础设施，我们用的是柴油发电机，所以你们能看到，中间那三栋灰顶的建筑，那些是为核心网络，提供备用电源的 [01:39:46]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

提供备用电源的

Sachin Katti：提供备用电源的，我们对这个问题的思考方式是，不是所有东西，都需要100%的5.9个9的可靠性，全套备份，但核心的存储和网络系统需要，这样万一整个电网断电，万一出现灾难场景，我们仍然能访问存储系统，如果有检查点需要引用，需要把工作负载转移到新地点，我们也能做到，总之这里面投入的钱非常多，我想给你们一个完整的拆分，就是整个发电厂加上建设成本，我想给你们特别指出一点，因为我刚才给你们看了，那个特别大的停车场，那个能停5000辆车的停车场，下面这块是人力成本，对吧，这是每兆瓦470万美元，对吧，所以算下来，对于一个几瓦，或者说100兆瓦来说，一个几瓦的话，就变成47亿美元了，所以这真的是投在人身上，让他们去干活的钱，对吧，这是实打实的蓝领劳动力 我们投资他们，就是为了把这套基础设施建起来，就是人们从事建筑工作，是现场施工的人在建这些东西，所以当你放到整体框架里看，这个数字非常非常可观，而且那是年度数字，所以如果，所以当你问我平静在哪，这就是平静，我们没有足够的这类技工，我们没有足够的电工，我们没有足够的焊工，我们没有足够的水管工，我们没有足够的建筑工人，因为这只是其中一个项目，现在这样的项目冒出来很多，而且实际上劳动力竞争非常激烈，所以在Cruzo 我们试图重新思考，怎么把这些基础设施建起来，好去应对这些非常关键的劳动力挑战，那么如果你看软成本，那包括什么，包括保险这类东西，包括融资成本 比如我们用建设贷款借钱，然后我们得还钱，得偿还那笔建设贷款的债务，还包括选址，以及我们做的所有调试工作，下一块是天然气发电厂，同样大概是每兆瓦200万到300万美元，我觉得关于天然气发电厂，有一点很重要，就是这些成本涨了很多，燃气轮机制造商就那么几家，基本上就是GE,Vernova,西门子,三菱重工，还有普惠，卡特比勒旗下有一家公司，叫Solar 但这些公司里，很多在扩大实际产能方面，都受到限制，所以当所有人都想新建天然气发电设施，来给他们的AI计算集群供电的时候，你猜怎么着，价格涨了很多，以前一台燃气轮机每兆瓦100万美元，现在要每兆瓦300万美元，所以这些价格涨了不少，这也是为什么你会看到，我不知道有多少人关注股市 但你要是看G.E.Vernova的股价，当G.E.Vernova的股东是件好事，总之这是整个堆栈里的又一块，租户装修就是数据中心大厅里实际有的那些东西，比如远程配电盘，热通道封闭系统，风扇墙，冷却分配单元，所有在真正放GPU的数据中心大厅里需要的东西，用来给GPU供电和驱动，电器设备，同样从高压到低压，各个部分都会涉及，比如电力变压器，配电中心，中压开关设备，低压开关设备，可以想象一下你家里的配电箱，要是灯灭了，你就下楼去拨几个段路器，就是这个，只不过规模是一座城市那么大，全在一个巨大的电气室里，机械设备，就是所有的设备，从冷水机组，所有管道，所有空气处理机组和风扇墙，这些用来降温涉及机械系统的部分 然后当然还有材料，钢材，水泥，所有用来建成这样一栋，大型建筑的不同组件，总之整个堆栈大概就是这样，这里有几个快速问题 Chase GPU在哪里

Apoorv Agrawal：那在下一阶段，好，对，对，对，这个我们后面会讲到，所以这大约是每几瓦200亿美元，假设一个几瓦用一年时间上线，那你每年要付45亿到50亿美元的劳动力工资，对，那是建设期的，这属于资本化的劳动力，所以这算是，不是运营支出，是资本支出，对，对，这不是运营支出，好，运营支出我会在另一张，好，最后一个问题，这个数字，每兆瓦2000万美元，或者说每几瓦200亿美元，是随时间下降还是上升，因为显然有些 [01:43:49]

Sachin Katti：是上升的，因为需求太大了，比如天然气，发电基础设施这类东西，你猜怎么着，价格已经涨上去了，再比如劳动力，你要是电工，你的价格也涨了，因为你的时间太抢手了，好，所以所有这些环节，你都会看到基础设施的，每一类成本，都在不同程度的上涨，所以我还想展示，另一个很酷的项目，就是想说明，我们是怎么采取这种，能源优先的思路的，也回应你刚才提到的，关于多少人多少人的问题，今天这个项目，现场大概有3500人，它位于德克萨斯州，一个叫Cloud的小镇，这名字巧合的有点失忆，小镇不是我们命名的，但Cloud本身只有1500人，对吧，我们有3500人，在这个项目上工作，对吧，它恰好离Amarillo很近，所以我们能吸纳Amerillo大量的劳动人口，你可以看到这个地区可再生能源非常丰富，它是美国最适合建风电的地方之一 因为这里风力持续稳定，所以能看到屏幕上方那个现场风电厂，那里有一个非常大的风电厂，发的电直接供给数据中心，我们能用一种方式把电力稳定下来，我们管这个叫跨表计量，基本上电表就是接入电网的互联点，然后有表后这一说就是现场发的电，但我们做的是我所说的跨表积量，就是我们通过风电实现现场发电，还计划建太阳能，电池和天然气，基本上用所有上述能源方案，来给这个园区供电，我们用不完的电怎么办，你猜怎么着，我们可以卖给电网，创造能源富裕，从而降低当地所有用户的电价，而当我们真正需要电力的时候，因为我们需要稳定供电，要么是有些发电机组在维护，要么是风不吹，太阳不照的时候，我们需要稳定电力，就可以从电网取电，所以就形成了这种非常互惠的关系，我们投资电力基础设施 然后利用电网上的大型配电，输电设施和其他发电机组，所以这是个非常酷的项目，我不能透露客户是谁，但这家客户对这个地点来说非常大，你刚才问到了GPU 这个转场很妙，好，那在这个局里谁在赚钱，这位老兄，你要是还不知道的话，他在这边就有一栋楼，我们算美兆瓦的IT资本支出时，记得我刚才给你看的，那是整个数据中心加发电厂，大概差不多每兆瓦2000万美元，往高了算吧，再看IT资本支出，这基本上就是装进楼里的计算基础设施，大概每兆瓦4000万美元，对吧，这算是往前看的，属于下一代的东西，其中3000万花在GPU上，对吧，所以他看起来总是那么开心，他总在笑Janson 那剩下的钱去哪了，大概400万花在网络设备上，对吧，这些是非常复杂的网络系统 尤其是当你要把这些GPU互联成一个巨大的统一的集群时，这个投入就更大了，你看最新几代的GPU就是这里的GB300或者GB200 我不太确定，但英伟达推出的其实是一个整机柜设计，对吧，也就是说那个机柜里有72块GPU 它们全部互联在同一个LensLink域里，你能看到右边那个背面的铜板，它们都连在这个高性能后端网络域上，这让AI研究者能跑出极高的性能，也支撑了大量了不起的用力，可以在NAMS Link域里共享数据，但接下来你还得把这些机柜再互联起来，靠的是另一种高性能后端网络，通常是Infiniband 或者有时候是Rocky 也就是基于融合以太网的RDMA 所以这就是每兆瓦400万美元支出的去向，就是那块绿色的网络部分，接下来是CPU CPU和存储，对吧，最近让我们特别惊讶的是 CPU出现了大规模短缺，为什么，随着所有这些智能体工作流的爆发，随着Cloud的爆发，你猜怎么着，你需要大量CPU去编排这些计算工作流，所以你会看到生态里每个人，都在要求上线更多CPU 需求非常大，所以CPU和存储大概是每兆瓦300万美元，然后还有一堆机房内的资本支出，我觉得这里我可能有点重复计算了，但我前面提到的那些TFO 大概是每兆瓦300万美元，然后还有大约100万美元，花在劳动力部署，运输这些上面

Apoorv Agrawal：但最后你会得到，大约每兆瓦4000万美元，这个数字，对，请讲，这里有个问题 Jason昨天和Dorcas做了个播客，他看起来不太高兴，有很多争论围绕算力，是不是一种商品，是还是不是，这个数字会随着时间下降吗，算力是商品吗，你看到的价格是什么样的，很难说，我的意思是，短期中期长期的情况会怎样，这很难讲 [01:48:44]

Sachin Katti：而且有可能两种说法都对，这要看具体场景，对吧，我们看到，如果你看老一代的计算设备，它已经有点商品化了，就像你，比如H100 更早的那些，对吧，我觉得有一点绝对没有商品化，那就是规模，对吧，所以如果你在真正巨大的规模上，做任何事，那极难复制，也极难重复，永远会有最前沿的东西，所以任何最新的东西，永远都能卖出溢价，而这就是IT行业一直以来的历史，所以我们走着瞧吧，但我确实认为，大家要知道资本主义是一股强大的力量，资本主义的看不见的手，是一股非常强大的力量，所以我确实认为，随着时间推移，利润率确实可能会回落到，更标准的稳定的芯片利润率，比如说我不知道60%的毛利率 [01:49:10]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

比如说我不知道60%的毛利率

Sachin Katti：比如说我不知道60%的毛利率，而今天英伟达大概能拿到 80%左右的毛利率，差不多这样，所以我也不知道竞争的力量很强大，对对对完美，所以我觉得有一点很重要，你要理解你做了这么巨大的投资，对吧，我们说的是初期，姑且算美兆瓦2000万美元，用于数据中心和发电厂，另外美兆瓦4000万美元，用来搭建这个计算机群，你刚花了美兆瓦6000万美元，对吧，所以你要建一个几瓦级的集群，你刚花了600亿美元，对吧，你怎么赚钱呢，对吧，就像彩虹镜头的那桶金子到底是什么，你知道人们买这些基础设施，是为了支撑所有这些AI应用，向客户提供令牌，而且我想展示这张图的原因，其实这是蓬勃的一张图，基本就是H100的现货定价 然后我觉得有个问题，就是这些设备到底值多少钱，你按多长时间折旧，对吧，这些设备的使用寿命到底有多长，我觉得之前有人说，下一代产品出来以后，这些东西就完全没用了，但这张图讲的恰恰是相反的故事 H100大概三年前刚推出的时候，价格确实降下来过，但因为我们看到的这波繁荣，加上Agent带来的需求 H100的价格反而涨上来了，甚至超过了这些芯片，刚出来时人们付的价格，这是我们在自己的Crucial Cloud业务里，亲身经历，一线感受到的东西 Chase 这件事有没有一个实实在在的结果，现在大多数上市公司，都是按五年折旧他们的算力，这是不是意味着，六年是标准，这是不是意味着，折旧期会比六年更长，我不知道，这是我诚实的回答，就是说只要算力对我们，或对别人还有价值，我们就会一直用下去 只要我们能，而且我们战略的一部分，就是构建能把算力，各层抽象调的服务，你不会知道你用的是A100 H100还是MI300 你也不该关心，你关心的是，你从那里得到的实际服务，就像你登陆Zoom Google Meet或者Teams的时候，你不会想，等等这跑的是Intel iSlic CPU还是AMD的，你不会在乎跑那个东西的芯片是什么，你在乎的是你得到的服务，以及你能登陆进这个视频通话，能听到，能跟对面那个人说话，有道理，所以我们认为应用层面的扩展，真的会把很多核心基础设施给抽象掉，我觉得随着时间推移，我们会看到这些东西到底有多大的价值，但我想这个时间可能比较长，然后这是一张类似的图表，是Semi Analysis发布的，很多人可能都熟悉这家机构，这张图是关于Blackwell的，对吧，所以我们看到Blackwell的定价走势 跟之前非常非常相似，也是在年底出现了这种agent的突破，所以当我们从整体视角来看这件事，对吧，我们把所有东西都放在一起看，我们有数据中心，有发电厂，还有芯片，你看到的前期资本支出，每兆瓦接近6000万美元，对吧，再说一遍，我觉得我这里面有重复计算的地方，这是我第一次过这些幻灯片，所以大致就是每兆瓦6000万美元，然后你再看这个发电厂的持续运营支出，大概是每兆瓦略高于100万美元，其实运营支出相当有限，这些钱花在电力保险，一部分现场劳动力上，比如维修和更换电缆，坏掉的GPU 还有其他一些事情，但大概就是每兆瓦100万到200万美元，那你的收入是多少，如果你只是把那些芯片租出去，我之前用那张图给你们看过 比如租一个H100的大致价格，那你每兆瓦的收入是多少，大概是每兆瓦1500万美元，对吧，所以你做了每兆瓦6000万美元的前期资本投入，然后每年从单纯出租基础设施的访问权利，拿到每兆瓦1500万美元的年化收入，那这怎么才能变成一门好生意，我觉得很大程度上取决于你怎么衡量，构成这些资本支出数字的各个部分的折旧，我觉得这就是华尔街分析师在问的关键问题，就是这栋建筑能用多久，这块芯片能用多久，这座发电厂能用多久，合适的折旧曲线应该是什么样的，所以你看从这笔巨额投资来看，回收期大概四年，按收入口径算，那粗略的，对，我就是这个意思，你有运营支出，把运营支出踢掉等等，好，但这里还没算其他人力成本，比如整个工程团队等等 所以实际运营支出比这更多，而且再说一遍，这是今天下午临时赶出来的，有道理，大概四年，对，对，那还有什么别的办法，能真正提升你交付给客户的价值，再说一遍，我之前提过Cruzo的垂直整合战略，我们部署芯片的时候，提供的一个产品就是托管计算机群，对吧，面向那些真正想自己，管理基础设施的工程师或开发者，自己管理计算节点，跑大型训练任务，跟单独的虚拟机，或者一个大型托管 Kubernetes计算机群交互，但对于那些，只想跟模型交互的人来说，对吧，如果你真的在托管一个模型，再说一遍，这套幻灯片的标题就是，从电子到令牌，对吧，那么怎么才能到令牌这一步，而且从这里面，你能获得的价值提升在哪里，当你加上这层托管服务 真正在提供模型服务，托管模型，并且给客户提供一个端点，让他们基本上，可以调用API端点，真正去服务那些 ChatTPT或者Anthropic的查询，就是大家平时在手机，或笔记本电脑上，发出去的那些请求，你的利润率会提高不少，大概能再加15 差不多每兆瓦 500万到1500万之间，所以最后，在非常乐观的情况下，大概每兆瓦，每年能到3000万美元，这样算下来

Apoorv Agrawal：回收期就是两年，那结果就显著好得多了，有道理，太好了，如果你没有其他幻灯片了，我可能会带你过一遍，同学们提的几个问题，然后开放提问，好请讲，请讲 [01:55:51]

Sachin Katti：你还有更多内容吗，我这边没事了，这些只是我们一些，部署项目的照片，我刚才在展示，好，那Blackwell之类的，而且我会讲讲推理扩展，以及我们实际上是怎么做的，为了降低那些劳动力成本 Crucial设计了一个，我们称之为Crucial Spark的东西，这是我们模块化，自包含的模块化 AI数据中心，在集中的地点制造，这样我们能降低劳动力成本，也能把基础设施成本，降下来不少，大概能省30%到50% 取决于整体成本，所以你看，每兆瓦1900万那个数字，我们能大幅降下来，规模上容量是多大，是几瓦级几兆瓦，还是，这个我们风冷架构的，每个单元是500千瓦，明白了，那大概，然后这是风冷设计，我这其实有一段，他们现场部署的视频，我不知道能不能放出来，不过算了 好没关系，然后我们还有个夜冷版本，那个是两兆瓦，但你可以成批部署，对吧，这其实打开了大量，全新的电力供应机会，是个挺巧妙的方案 [01:56:59]

Apoorv Agrawal：太棒了，太棒了，好时间有限，我想不出有谁比你更适合，回答我接下来这个问题，你大概看遍了，整个技术站的每一层，从芯片到电力，到燃气到人力，再到网络，如果让你挑技术战里的一层，具体到一家公司，再具体到一只股票，你会做多什么，你会做空什么，为什么希望大家都在记笔记，我会做多什么，做空什么，一年后我会打电话问你的，对，看看一年后结果如何，这太难了，当然Cruso出外，对，我是说我对Cruso是强烈看涨的 [01:57:10]

Sachin Katti：但是我确实觉得，很多时候要把这些事看对挺难的，尤其是你看时间跨度的时候，我确实觉得我的看空理由，其实是我之前展示的，横跨整个电力堆栈的那笔巨大投资，电力堆栈里有太多组件了，因为你做的事情是，从那个高压变电站取电，那里的电力可能是345千伏，所以德克萨斯州正在新建一条 765千伏的线路，所以那是非常非常高压的电力，然后要经过一个变压过程，你要把它降到中压，再降到低压，然后分配出去，这里面有大量的电缆，大量的设备，我认为数据中心，从根本上会推动，整个电力堆栈的大量创新，并且会大量利用固态电子，固态变压器和电力电子技术，而且我认为这会让很多，在过去100年里，基本没怎么创新的公司，陷入危险境地 所以这就像伊顿施耐德，还有其他一些公司，我认为他们会，我说很难给这事定个时间表的原因是，那些公司，我认为短期内会表现得非常好，他们现在就在关键路径上，他们短期内会表现得超级好，对，而且他们是我的重要合作伙伴，所以我不太愿意说我看空他们，没错，长期来看，如果他们不创新，如果我认为电力堆栈的，整个那一块的成本会大幅下降，因为有创新者，在打造电力堆栈的下一代版本，对，而且会向900伏直流这类方向发生巨大转变，方方面面都会变，那这对在座的电气工程师来说是个机会，在座的电气工程师，绝对的，我觉得这是个巨大的机会，电力电子，比如怎么把电从765千伏送到机架里的900伏直流，我觉得在这个问题上创新 对人们来说是个超级超级巨大的机会，好，多头，这边有什么看好的标的吗，要是没有的话，我还有个问题想问你，要我说我看好的东西太多了，我也许说点空头这边的，我确实觉得开源正在赢，不是开源在赢，而是开源会表现不错，会从某种程度上拿走更多份额，有意思 [01:59:37]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

有意思

Sachin Katti：有意思

Apoorv Agrawal：闭源，闭源模型玩家 Dray 有意思，马斯克，太空数据中心，看多看空真实幻想，我们有生之年能不能看到，太空数据中心 [02:00:00]

Sachin Katti：所以我其实真的，我对这个非常感兴趣，而且在Cruzo 我们其实已经和，这个生态里的另一家公司，建立了合作，叫StarCloud 对，他们真的把第一批H100送上了太空，这件事有很多让人喜欢的地方，对吧，我刚才带你过了一遍整个堆栈，这些领域我都要砸几十亿美元进去，对吧，所有的混凝土地基，你猜怎么着，在太空里，你根本不需要，所有电力方面的许可，审批，你猜怎么着，在太空里，你一样都不需要，还有大量核心网络的部分，我刚才没细说的是，一个数据中心里，要铺几百万根光纤，还有所有那些技术人员，得去把这些东西都插好，你猜怎么着，在太空里，所有东西都用光学，所以基本上一切都是光学互联的，这些都很有意思，但也非常难 我觉得热管理这块非常棘手，而且我也觉得，持续运营这块也非常棘手，比如说在这些数据中心里，当你运营这些大规模互联的计算机群时，东西是会出故障的，对吧 GPU会坏，得从计算托盘里重新插拔，有时候还得返修送回厂商，那边你猜怎么着，你总不能派个宇航员上太空，把芯片拿回来还给Jensen吧，那根本不可能发生，对，所以自然会有设备淘汰，这会让经济账变得很难算，而且很多事归根结底都压在新建上，载荷成本 Dray,载荷成本能降一个数量级吗?我不知道,这方面他比我更有数，我的看法是,未来五年这事儿大概还不重要，未来十年,大概也不重要，但我觉得放更长的时间看

Apoorv Agrawal：太空数据中心会在智能基础设施的未来里扮演重要角色，再过几周,SpecX的SE文件,大家就都能看到了，到时候我们看看它的时间预估是多少，我们知道你的时间预估,明年,没错,没错，最后一个问题，你是斯坦福的校友，如果你现在还在学校，你会给正在纠结学什么，往哪个方向使劲的学生，什么建议 [02:01:56]

Sachin Katti：现在做这个决定，确实比任何时候都难，我有这么个想法，就是你在学校里学的那些具体东西，其实没那么重要，我不是说那些东西没用，它们确实重要，但更重要的是，学习这个过程本身，以我的经验来看，这就像我们Cruzo的核心价值观之一，你刚才提到过一个，叫像山一样思考，我们另一个核心价值观，是活在无限成长循环里，对吧，这个理念就是，没有人是成品，每个人都在成长中，如果你能变得更好，能学到更多，如果你有那股韧劲，知道怎么每天提升自己，时间一长，就会产生指数级的福利，这真的是我们任何人，能拥有的最宝贵的资产，所以关键就是，去投资努力，坚韧，苦干这个过程，然后真正用好各种工具，因为我不知道五年后世界会是什么样 AI大规模普及应用之后 我每个人手边都相当于，有一只百万人的劳动力，对吧，它会从根本上改变工作，它会改变每个人的做事方式，所以再说一遍，我会少关注学什么，多关注怎么学，还有怎么用好AI工具去运转，去过好自己的生活，这就是我想给学生的建议，太好了 Chase 非常感谢你来做这次分享，谢谢 [02:03:16]

Apoorv Agrawal：你知道阿里，我想我们该从这开始，你进来之前，大家都在聊世界变化太快了 XA Cursor OpenAI 还有跟Anthropic的竞争，你们做的特别好的一点是，一路叠加上来，从数据业务做到，胡仓一体业务，现在又做到AI业务，就说国新资文吧，从最高处往下看，你看到了什么，帮我们勾勒一下这个格局，你脑子里最大的几件事是什么，我这准备了一堆问题可以聊，我想不如就敞开聊，你想到AI脑子里最大的一件事是什么，对我觉得，我觉得你们可以放轻松点，别焦虑，我觉得现在这个时代确实疯狂，但基本上没必要这么紧张，而且我觉得焦虑会让人干蠢事，去追那些推特上，人人都在聊的，当下最疯的东西，我觉得焦虑会让人视野变窄，不去做真正该做的事，对，这就是我在现在这一代人身上看到的 每年都有实习生来DataBreaks 我总会跟他们开一次会，一个小时 90分钟左右，他们可以随便提问，过去两年简直疯了，以前他们会问好的职业建议，我也会给他们好的职业建议，现在他们才22岁，就一副，天哪，我是不是该自己开公司当CEO的样子，或者如果我把这事往后拖六个月去做点别的，我是不是就把职业生涯毁了，人生就完了，而且你知道 通用人工智能一定会来，我就要错过这班船了，我就想那我该怎么办，所以我就是跟大家说，冷静点，深呼吸，事情需要时间，对，所以这就是我想说的，其实我想说在硅谷，如果你现在想一想正在发生什么，我觉得你可能会不同意其中一些，所以尽管反驳，当然，你们也可能不同意，你们也可以反驳，但确实存在这种对超级智能的追求，我觉得这是没有根据的，对 因为首先，他们甚至都没定义什么是超级智能，但这是一种像神一样的东西，我觉得是人们在读库兹威尔，你知道，就是起飞起点，就是那种会来的东西，地归自我改进，然后治愈所有疾病 GDP跳涨10% 失业率到20% 再也没有工作了，然后散布恐慌，全民基本收入发给所有人，等等，不我觉得他们真信这个，我觉得这没必要，我觉得我们已经有了通用人工智能 所以我们已经有了人工通用智能，好吧，这总是同样有趣，有多少人觉得我们已经有了通用人工智能 好吧，结果总是一样，总是大概10% 你们当中有多少人觉得，平时接触的很多人，都不如你们用的最聪明的模型，聪明，好，现在我们从头再来一遍，有多少人觉得我们还没有通用人工智能 顺便说一句，这招每次都管用，你看，就像催眠一样奏效了，不知怎么的，全世界都被说服了，觉得我们还没有通用人工智能 但你们刚才其实已经回答了，你们已经有了，不是吗，对，但即便如此，不，你们还是想挪动球门柱，顺便说一句 2009年我在加州大学，伯克利分校的一个研究实验室，叫IMP实验室，它大概是2009年，当时规模最大，最活跃，也相当重要的AI实验室，而且AI之神，就在那个实验室工作，就是迈克尔·乔丹，它名字真的就叫这个，所以它就像是AI界的迈克尔乔丹，而且当时我们对通用人工智能 也就是人工通用智能的定义，你知道我们已经达到了，对，任何我们想象中算通用人工智能的东西，我们都已经达到了 而那些都是美国顶尖的AI研究者，他们很多人当时都在实验室工作，但我当时只是想，看看我是不是在自以为是，所以我去问了当时在场的那些人，我问他们，你们同意吗，他们都说，对，按2009年的那个定义，绝对已经达到了，但是你知道，总会有一些，你知道，很蠢的说法，说我们挪动了球门柱，或者我们想换个定义，或者想要别的定义，或者说 AI在某些方面，你知道，连草莓里有几个R都数不清之类的，所以我们就说，还没有通用人工智能 我们已经有通用人工智能了，好吧，它已经比你接触的很多人更聪明了，那就是通用智能，它是人工的，它不完全等同于人类，它不是人脑运作的方式，所以我们已经有了，所以从某种意义上说，你知道在GPU数据中心这些东西上，砸很多钱，其实并不是真的必要 好吧，那与此同时，你刚才问的是国情咨文室的现状概述，对，另一方面 MIT技术评论那份报告说 95%的概念验证项目都失败了，没错，方向上大致是对的 95%这个数字准不准我不确定，也许实际只有75% 谁知道呢，但你要是走进一家企业，或者走进任何一个组织，进到任何一家公司里，去看看他们到底怎么用这些东西，现实是并没有一大堆智能体同事，跑来跑去把活全干了，跟人类混在一起协作，那根本没发生，好吧，就是一群人在那儿捣腾TPS报告，好吧，就像《办公空间》那部电影，世界还是照内部电影那么运转的，对，这就是现实，这就是真相，哪怕在AI公司内部，他们也是这么运转的，他们倒是愿意往好处想，但招的还是老牌公司出来的销售 用的还是老一套的管法，而我没看到那种未来式的东西，那现在到底是怎么回事，我们有了通用人工智能 但另一方面这些全都跑不通，也没有公司在用，这到底搞什么，我觉得答案很简单，如果你拿不到这些组织内部存在的所有上下文，拿不到人类是怎么运作的，我们脑子里装的所有那些背景信息，如果你不把这些喂给模型和agent 他们就会犯一大堆低级错误，然后就没用了，而这就是现在正在发生的事，模型就是没有，或者说agent没有人类，在组织内部拥有的那些上下文，所以他们没用，他们犯低级错误，是因为他们不知道我们知道的所有那些东西，你看每家公司里总有这么一个人，大家会说去问约翰或简，他什么都懂，然后所有人都去敲那个人的门，而那个人就是公司里绝对不能失去的人 [02:09:08]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

而那个人就是公司里绝对不能失去的人

Apoorv Agrawal：而那个人就是公司里绝对不能失去的人，你要是失去那个人，整个公司就垮了，对，那个人每个部门，每家公司，每个组织里都有这么一个人，那个人脑子里装着所有的上下文，而那个人脑子里装的东西，并不在模型里，所以模型就没法运转，他就是不知道，公司里很多这类东西，通常都是那些在公司干了10年 15年 20年，有时候30年 40年的老员工脑子里装着的，你得把这些东西转移给AI 如果不这么做，就算你有了超级智能，能解出特别难的数学题，也没用，而如果你能把那些上下文，灌进AI里，我们其实已经有通用人工智能了，他们已经能破解这些问题了，所以我想劝你们的是，如果你想在这个世界上产生影响，就想办法把那些上下文灌进AI里，比如拿一个组织来说，你怎么去改造那些老派生意的做法，你怎么把那些流程装进agent里，那你就会产生巨大的影响 因为通用人工智能已经在这里了，对吧，这就是我的国情自问 通用人工智能已经在这里了，你得把大脑下载进规片里，让探机跟规级对话，对，你知道吗，其实我们刚才就在聊这个，顺便说一句，把你们的反驳意见准备好，我很想听听，我敢说大多数人不同意，有多少人不同意这个说法，哦，没那么多，我还希望多点呢，好吧，我要说的更有挑衅性一点，好，我们需要更多反驳，好，所以在我们聊AI之前，有个AI的阴影，软件已死，软件已经死了一阵子了，这话我们听过四次了，每次都这样，每次发生，它都会反弹回来，对，总有个宏观原因，英国脱欧，缩减恐慌，通胀，这次是AI 这门课问的问题是，我们该不该加仓软件股，所以软件死了吗，这是不是逢低买入的时机 我想不出更合适的人来问了，因为看你哪天问，答案都不一样，软件嘛，我们是AI公司，软件公司，聊聊这个软件死了吗，我觉得你比我更清楚，你是投资人，我不是投资人，而且我不给投资建议，但话虽如此，如果所有软件都死了，那OpenAI和Anthropic不也死了吗，他们不过是软件公司，雇了一堆研究员在写软件，所以那些公司也该死，对吧，那他们就不该压低我们的估值 SpaceX可能说得通，因为他们造火箭，但其他所有人都该死，英伟达也该死，因为他们就是一群特别聪明的人，在做芯片设计，人类用一些软件去做芯片设计，然后通过网络把设计发出去，大概发给台积电，那才是真正造芯片的公司，但那样的话，英伟达也得死，所以全球最有价值的公司也该死，因为软件死了 对吧，所以软件显然没死，也不会死，英伟达 OpenEye 和 Anthropic 也不会变成死公司，不管是因为什么SaaS末日，还是别的什么说法，但我确实觉得有两件事是真的，我觉得发生了两大变化，一个是进入壁垒，大幅降低了，然后转换成本也大幅降低了，那我们来聊聊这两点，进入壁垒，因为现在写软件比以往，任何时候都容易，那就像一件新武器，对，现在任何人都能，极低成本的生产软件，几乎零成本，其实也不是完全零成本，而且永远不会是零成本，但比以前便宜太多太多了，但这件武器人人都有，所以现在做软件的人，也都有这件武器，不是只有某些新玩家才有，现在人人都有，包括Databricks也一样，我们是软件公司，但我们也有这件武器 而且它是一件很厉害的武器，你有没有用过这件武器，去替换掉一些核心软件开支，比如你们的CRM IT服务台 CFO办公室用的软件，没有，我觉得那样做很蠢，另外我觉得转换成本也在降低，因为在不同UI之间切换更容易了，再说一次，人会被软件锁住，他们会，你知道，我不知道你们，你们有多少人用安卓，没人，有多少人用，你们，行，你不想换的安卓，为什么，你不熟悉那个UI 你不知道怎么用，对吧，那是个完全不同的UI 你还得迁移所有数据，手机联系人，全都得弄，惯性太大，转换成本太高，这就是转换成本，对吧，但以后如果你只是跟一个agent说话，这个转换成本就没了，因为你只是在跟agent说话，所以谁在乎这个agent是在操作你的安卓 你的iPhone 你的Gmail Outlook Salesforce 还是竞争对手的产品，都无所谓，所以转换成本也在往下降，所以对，我觉得竞争会变得更激烈，对，所以我觉得软件公司必须运营的更高效，对，我觉得这一定会发生，但软件不是唯一的模式，有本好书你应该读一读，叫七例，有多少人读过七例，好不少人读过，好对，所以你看，有些模式不只是软件，对吧，我的意思是，比如规模经济，如果你能比任何人，都更好地在规模上做事，就能负担得起高昂的固定成本，因为你的规模把成本摊薄了，你知道，亚马逊 AWS 那就是一种模式，对，如果你有法拉利或劳力士，这样的品牌，那也是一种模式，且便宜软件的人，没法轻易取代那个品牌，人们在乎那个品牌，信任，比如我是唯一提供这个的 你可以信任我的公司，我们不会被黑，我们有非常安全的软件，我们有特殊的资质认证，也许我们还有专利，那依然是一种模式，你没法那么轻易打破它，所以这些都还在，还有一堆其他的，转换成本之类的，所以数据是一个，很大的护城河，如果你有别人都没有的，独家数据，只有你有，那就是护城河，就算他们能写出很便宜的软件也没用，所以我觉得答案在两者之间，对，我的说法是，如果一家公司已经存在了十年，却一直没有创新，如果他们的软件和十年前一模一样，但收入一直在涨，对，那他们该担心了，对，因为他们一直没有创新，而今天新成立的公司，进入壁垒又更低，很可能很快就能写出软件，那会比这家公司强得多，因为那家公司十年什么都没干，对 他们真的该害怕了，对，而且他们可能连创新能力都没有了，因为他们不创新，所以很明显，他们身边也没有创新人才，这类公司会被淘汰，对，但还会有另外一些公司，过去十年一直在创新，他们是软件公司，或者有些公司，现在因为焦虑而开始振作起来，对，他们也会没事的，很好，那你怎么看，我是说你是投资人，我是说，我觉得确实有个分级，就像你说的，如果让我给各类软件公司打分的话，我会说，如果你手里有大量数据，就像你说的，如果你有某种核心流程，你大概是最抗风险，最不受影响的，中间那一档是各种工作流软件，就是那些没有创新的，用户体验看起来还是老样子，你锁着肩膀打字记下，我今天见了Aligoti 这就是笔记，那种东西大概就没了，对，如果你就像你说的，没有创新，你就是旧习惯的一部分 但其中任何一家，他们都有客户，有数据，如果他们做出很棒的AI 开始创新，就能一直走下去，他们可能得改定价结构，和成本基础，但会没事的，事实上，他们面对在位者，还有不少优势，他们有数据，有客户，还有一定的规模，所以他们确实有一些规模经济，在起作用，但他们还是得把内部理顺，对，而这你知道，说起来容易，做起来难，对，我放一张图，你们看过伊森马力克这张图吗，他说AI在某些事情上非常擅长，他管这叫拒持前沿，比如客户支持软件工程，大概就是这样的前沿，也许是软件工程，也许是客户支持之类的，但还有很多东西，他做的非常差，比如这个规模，或者这个规模诸如此类，而且你知道阿里，你见过很多，我们在这呢兄弟，我们已经到通用人工智能了，我们在那边，我们在这，我们在这 他们算是承认了，没错，没错，没错，勉强承认的，对，对，那你现在大概有6000 7000个客户，是1万个客户吗，不，我们大概有2万个客户，抱歉 2万个客户，抱歉，而且还在增加，对，你看到这些，你手里就是整个行业，正在发生什么的绝佳样本，那在这2万个客户的样本里，哪些领域AI是真正大获成功，跟宣传的一样，好用的，哪些领域能力边界还很粗糙，行不通，试点项目才失败的，对，听我说，这不是AI的错，我的意思是，大多数公司都处在这个阶段，我觉得我们已经有通用人工智能了，但大多数公司，你要是看他们实际用到了什么程度，也许就是让AI帮他们处理一些任务，这就是大多数公司现在在做的事，现实就是这样，原因就是模型里没有上下文 所以模型做不了，拿客服来说，所有人都说，好了，这个岗位要没了，客服已经完蛋了，对吧，客服其实非常难，支持恰恰是那些人类，不知道该怎么办的事，比如他们卡住了，就拿Databricks来说 Databricks提供知识服务 Databricks是一家公司，提供的是一个高级平台，你可以在上面做数据，科学，机器学习，你可以在平台上做各种高级的事，这些人很聪明，拿着高薪，受过教育，有数据科学的教育背景，他们想用Databricks 但可能卡住了，比如他们的机器学习模型，没拿到正确的F1分数，或者类似的问题，他们卡住了，能试的都试过了，他们打给我们支持团队，所以这个很难自动化，你没法直接把它交给机器，现有的支持自动化方案，我们全都试过了，各家公司的全都试过 立刻，甚至他们一开始跟我们说话，一知道我们是谁，我们就说，这个我们帮不了你 [02:19:54]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

这个我们帮不了你

Apoorv Agrawal：这个我们帮不了你，你走吧，别在这了，明白吗，所以对，世界上大部分情况都在这一边，但那是因为我们没有上下文，如果AI能拥有我们Databricks 支持工程师运作时的全部上下文，那AI就能做这件事，它只是没有这些上下文而已，对你知道，我们在Panthers常说的一个观点是，你的AI战略始于你的数据战略，是的，你得先把路铺好，让数据流动起来，对，那么如果把你客户群中的两万家里面，那些开始往正确方向走的优秀企业，归归类，那些真正跑通了像法拉利一样飞驰的，他们有什么共同点，而那些没跑通的，我猜问题出在上下文上，要让上下文真正起作用，需要做些什么，对这非常难，这是个关于人的问题，它不是AI的问题，我们已经有通用人工智能了，这是个关于人的问题，我没看到谁 真的在这方面做得特别出色，你得把组织里所有的流程，都重新梳理一遍才能做到，这是众所周知的，我最喜欢的一篇，其实是一篇，我推荐大家去读的文章 1990年发表的，作者是斯坦福的一位教授或研究员，文章叫，从发电机到计算机，大家可以去找来看看，就是从发电机到计算机，他考察了不同的技术革命，以及他们花了多长时间，才对经济生产力产生实际影响，结果就是你知道，那真是要花很久很久，比如个人电脑刚出来那会儿，有个笑话是，诺贝尔经济学奖得主，理查德·塞耶说过，电脑或者说个人电脑，你哪都能找到它们，唯独在生产率统计里找不到，你知道，就是它根本不会出现在统计数据里，为什么，因为人们买电脑，只是把它当打字机用 他们会让人在电脑上打字，然后把纸打出来，再放进文件夹里，再让助理去编索引，做各种杂事，所以你看不到任何生产率提升，工业革命也一样，同样的事情发生过，你看我们有了蒸汽机，整体工厂非常密集，他们靠那些叫传动轴的东西运转，就是那种旋转的装置，等到电动机出现，也就是发电机，花了整整40年，经济里才看到生产率提升，对你可以去查，这篇文章里就有，从1880年开始算，扩散花了40年，从1880年到1920年，电动机出现之后，才看到影响，当时他们做的是，去那些已经是传动轴工厂的地方，那种很密集的工厂，里面有一台蒸汽机，在转动传动轴，传动轴带动皮带，然后所有东西都在运转，有好几层楼，而他们做的 就跟电脑当打字机一样，只是把蒸汽机换成电动机，那就像只是换掉电脑一样，你得不到任何生产率提升，一直拖到1920年，也许其实是1915年，但我大概没记错，他们才意识到，等等，我们得把整个工厂车间都改掉，我们得把工厂搬出城市，我们得用大得多的厂房平面图，因为现在电力可以分布式输送了，电力好得多，它不像机械传动那样，有扭矩损耗的问题，对，我们可以把电力铺开，厂房平面图可以做得很大，工厂的不同部分，还能用不同速率运转，单元驱动对分组驱动，这花了很长时间，接下来也会是这样，现在也一样，重新布线这事我清楚，因为我有2万个客户，我跟他们都聊过，我开会迟到，就是因为刚才在建一家大银行的CEO 也是同样的问题，他遇到的是同一个问题 我合作的所有机构都有同样的问题，他们都说我没看到什么进展，我没看到，他们都觉得太厉害了，他就要来了，我需要他，我得用上他，但他们又说，我在自己组织里看不到任何生产力提升，我到底哪里做错了，我跟他们说我已经有通用人工智能了，他们就说什么，那不可能，我们什么都没看到，这确实是个很难的问题，因为你会说，我有了大脑，但我得把整个人体重新造一遍，对，手和腿，对，那以前是另一副身体，对，我给你举一个Databricks的例子 Databricks帮你从各种不同的系统里取数据，比如Salesforce Workday 这些，把它们集中到一个地方，做好安全，然后在上面做AI 比如你可以做预测，可以建预测模型，这就是Databricks干的事，所以我们给所有这些系统都建了连接器，这些连接器，我们建一个生产级的连接器 要花三个季度，我们擅长这个，这是我们吃饭的本事，我们建这些连接器，比如从Databricks 到Salesforce的连接器，做到生产就绪，那要花我们三个季度，也就是九个月，交付，安全，全都弄好，这就是我们干的事，后来随着LM越来越快，越来越快，我自己也开始试着捣鼓这个，我就想，我两天就能写一个连接器，于是我找到负责这块的团队，跟他们说，这个我两天就能搞定，你们怎么要花三个季度，他们说，说的有道理，我们回到你这边，然后他们回去想了想，两周后回来说，好吧，你说的对，但你说的也不全对，我们看了一下，这个AI确实有用，我们能把三个季度压缩成一个半月，也就是说能从九个月缩短到七个半月，就这，我说，我两天就能搞定，然后他们说 不不不，没有冒犯你的意思，但这是生产代码，是真能跑的，而且我们有客户反馈，它很安全，你写的是个玩具，天知道那是什么，我不是说你不好，你很棒，但让我们来，缺的那一环是什么，我当时就想，这有点让人沮丧，但行吧，这一个半月的改进，我收下了，也许这算点东西，但也可能只是我蠢，我没搞懂，对，然后我在公司里，又找到一个人，我们去找他，跟他说，你能看看这个问题吗，他特别讲第一性原理，是个非常聪明的人，他不在乎这些虚头巴脑的东西，他直接穿透那些花架子，然后跟一个团队一起干，他们回来说，看完这个问题，我们一个季度能搞定七个连接器，对，走起，区别在哪，区别在哪，好，他做的事是带着几个团队成员，从第一性原理出发，他们看了这个问题，然后说，好 第一个季度，我们就是派那些非常贵，非常聪明，斯坦福毕业的产品经理，去见客户，跟客户聊，收集反馈，你的需求到底是什么，你怎么用Salesforce之类的，这就要花整整一个季度，那个季度结束的时候，我们那些出色的，聪明的产品经理，带回来一份六七十八十页的，特别漂亮的报告，把全部需求写得清清楚楚，所以你整个季度都被卡住了，所以可以肯定，你做不到阿姆达尔定律，你没法把它压缩到比这更短，然后写代码开始了，但我们得测试这些东西，测试需要你搭好Salesforce Workday NetSuite 但这些都不是Databricks的软件，所以我们不太擅长这个，那要花很长时间，而且在Databricks 很难找到人来做这个，所以那又是一个，要花很长时间，才能搭起来的过程 而且特别容易出错，所以我们那个也做不了，然后我们每个链接器，只有一个人负责，他们去度假了，生病了，你知道诸如此类，所有这些，所以他做的，就是从第一性原理出发，去看这件事，然后说，我们要把这一切，全部重新布线，很多人不喜欢这样，他们对此很不满，但他说，产品需求，我们不用一个季度，就花一周时间，快速把手上有的东西，写下来，我们可能会搞错，但因为软件跑得这么快，对吧，我们可以再重写一遍，对，所以让我们更快地迭代，至于搭建Salesforce实力，我们外包给，能帮我们做的公司，我们多付点钱，他们并行去做，这样我们也能把这块时间压缩下来，然后一个连接器配一个人，我们改掉这个做法，我们安排七个人，七个连接器，然后他们所有人一起协作处理所有连接器 这样就不会出现所谓的公交车因子为一的情况，如果有人被公交车撞了，整个项目不会停摆，对吧，所以对，就这样，一个季度内全部搞定，七个连接器都交付了，但这跟AI 通用人工智能 更聪明的模型，超级智能或者巨型模型，其实没什么关系，就算你有下一个GPT-7 或者Opus 6 也不会帮我们做得更好，我们需要做的是那些改变，对，而这本质上是一个，人类层面的重构问题，以及流程变革，所以这就是全世界，正在经历的事情，所以如果你想成功，这就是你需要做好的事情，有些人做得更好，有些人则不然，汉米尔顿赫尔默，其实经常谈到这一点，所以对于所有选择作业第一题，想当投资人的同学来说，汉密尔顿，荷尔默的书，是关于流程优势的必读书，我们之前就在讨论这个问题，阿力，如果你有100美元，投到Jensen所说的五层技术站，能源 芯片，基础设施，模型和应用，价值会沉淀在哪一层，如果你把100美元投进能源，芯片，基础设施这些的指数里，假设是长期持有，你会投在哪里，你会怎么分配这100美元，我是计算机科学家，不是投资人，我不给投资建议，但是，但你在分配，你确实在，如果我有100美元，就当是闲钱 Databricks 时刻，对吧 Databricks 横跨其中三层，对，我只想说，你看，很明显，应用层会是赢家，对吧，所以我会投在最上面，这有点像，我可以给你一些猜测，但谁知道呢，真的很难预测，所以你得有点那种，我会投早期，我会有一个种子策略，我会投很多很多创业公司，大部分都会看错，但只要有一个真诚了，那就是下一个谷歌之类的，但你知道1990年那会儿 我2000年代初读博士的时候，我做的是网络领域，网络当时是最酷的方向 [02:29:55]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

网络当时是最酷的方向

Apoorv Agrawal：网络当时是最酷的方向，是最前沿的东西，因为互联网就像，你想不想搞这个，当时互联网是最大的事，而互联网上最酷的东西就是网络，也是最难的问题，当时最聪明的数学头脑都在搞这个，我们都知道未来会是什么样，未来所有人都知道，大家要解决的最重要的问题，就是所谓的主播问题，就是对你看，问题在于今天没人知道那是什么了，我们显然错了，主播就是你想从一个源头广播，比如说一场足球赛，或者橄榄球赛，或者篮球赛播给全世界，因为所有人都想同时看，我们不知道怎么高效的解决这个问题，所以全世界最聪明的头脑，都在试图攻克这个问题，而且贷款很稀缺，我们做这个的时候顺便说一句，我们其实你知道问题选的还不错 我还为此创办了一家公司，我们有一个很棒的解决方案，不幸的是贷款的成本暴跌了，他们铺了太多光纤，以至于这个问题根本就不是问题了，所以根本没人需要买这个软件，所以那完全是浪费时间，那时候我们觉得最难的问题，最值得研究的东西，是四颗路由器，路由BGP 边界网关协议，互联网协议，还有你知道QoS服务质量那一类东西，那些才是最有趣的，因为我们当时对互联网有隧道事业，那互联网是什么，当时就是互联网协议那些东西，其实根本没什么应用，所以我们全都盯着那上面，而今天要我说，大家全都盯着，我觉得芯片还有基础设施，我觉得现在最火的新东西就是，英伟达 OpenEye Anthropic DeepMind 这些就是大家全都关注的东西 GI 超级智能，这就是我开头说的，但互联网上真正活起来的是一些特别奇怪的东西，真正活起来的怪东西，是出租车生意，也就是优步，或者卖书，那是最没劲的事了，但那个变成了亚马逊，又变成了AWS 你懂吧，或者把卧室租给别人，那就是爱比营，再或者给人发短消息，变成了推特，你懂吗，这些要是你在2000年那么说，人家会觉得你疯了，你脑子有问题，你在胡扯，但那些才是当时最了不起的想法，那些才是真正做起来的，所以我觉得这里也是一样的道理，随便举几个例子，医疗大概占美国GDP的17% 我们所有人很不幸，最终都会死，而且我们都在乎自己的健康，也在乎亲人的健康，我觉得这里面有巨大的空间，我们有这个付费意愿 为了救人性命，救亲人，救自己，解决自己的健康问题，我们什么都愿意付，而今天这块做的并不好，意外吧，真意外，医疗这行，确实不怎么样，想象一家公司，它见过十亿个病人，就像说我见过一亿个，和你基因构成类似，未来可能遇到同类问题的病人，我能帮你，那你愿意为我的帮助付多少钱，那可能是一家价值数万亿美元的公司，再说一个，大家觉得没什么意思，不值得一提的领域，教育，教育，其实在风头圈里，共识一直是，教育是个很糟糕的投资，对吧，我们总听人说，我永远不会投教育，你知道最后一家上市的，这类公司是什么吗，对，上一家万亿美元的教育公司，是哪家，连一千亿都没有，对，对，什么都没有，对吧 但是大多数人都有孩子，而且孩子还在不断出生，而且他们确实得接受教育，不管人们信不信，而且人们其实真的在乎，自己孩子的教育好不好，选举的胜负就压在这上面，这里面有文化层面的问题，比如你允许教我的孩子什么，不允许教什么，对吧，选举的胜负就压在这上面，不是因为这是个无聊的话题，而是因为它真的重要，比如你教我的孩子什么，这很重要，我的孩子是被洗脑去做对的事，还是做错的事，还是说他们能不能具备足够的能力，去拿到未来的工作，我觉得如果有一家公司，能用AI提供出色的教育，我想很多人会愿意为此付费，而且如果事实证明，他比他们现在得到的教育做得更好，这只是我觉得一定会存在的，两类显而易见的公司，他们有可能成为万亿美元级别的公司 如果做得好，他们会有数据优势，他们会有规模经济优势，这些市场里有赢家通吃的动态，至少在各国各区域内部是这样，所以我觉得价值会向头部集中，我们等不及那一天到来了，你会反驳吗，不会，我觉得你看，我写过很多这方面的东西，一直在等这个时刻，就是我说的那个蓝色三角倒转过来，不知道你有没有看过这个，基本上就是说 AI领域所有的钱都集中在一个人手里，所以这就是为什么黄仁勋整天都那么开心，你知道的，这些人在为美元抢破头，那边基本没什么钱，这边钱也很少，我的意思是，这边确实有人赚到一些钱，所以走着瞧吧，但这是个赌注，赌的是，这个东西会变得更可持续，对，会往那个方向走，我的意思是，硅谷，科技圈，技术圈里的所有价值，一直都在往技术站上层走 你看那些最伟大的公司，比如造出个人电脑的IBM 当年市值登顶，所有价值都堆在那，但后来那层被商品化了，价值就跑到它上面的软件层，也就是操作系统，还有微软那类公司，诸如此类，然后你知道，就在斯坦福这儿，其实也就是20年前 VMware 就是怎么把内层软件虚拟化，内层也被商品化了，然后你知道，它就一直在往技术站上层走，这里也会是一样，就是这样，绝对，而且你知道，推动这层商品化的一个大力量，你也讲过，就是开源，开源已经做得相当不错了，这条蓝线就是开源，差距正在缩小，这大概多久，三四个月吧，现在这个差距，大概就一个月了，但即便如此，人们还是在这些前沿模型上，砸那么多钱，大家都迫不及待，想从云上拿到4.7 或者从GPT拿到5.5 但与此同时 还有一整片非常好的，开源模型生态，你怎么看这一切，一边是Anthropic那边的人，现在一年能赚个300亿，或者可能400亿，可另一边，这些开源的东西，几乎等于免费，当然托管费还是得付，你觉得这事最后会怎么收场，那一层模型层，专有的模型层，还能积累出价值吗，不我觉得它会有价值的，而且我觉得人们会想要它，不管是不是开源，这个先放一边，我觉得会出现一些Token工厂，专门把这些东西提供出来，就像云一样，我觉得说你们每个人，家里都会有自己的小型数据中心，这种想法挺傻的，你会自己在家跑自己的电脑，插上自己买的GPU卡，然后自己跑这些模型，在手机MacBook或者边缘设备上，有一部分可能确实会存在，它会走到边缘去，但我确实觉得，会有大型集中式数据中心，来做这件事，不过我们还没聊到 他们跑的是开源模型，还是专有模型，这里有个有意思的事实，中国公司Munshot 发布了Kimi 2.6 很棒的模型，两天前还是三天前，周二，对周二，所以两天前，不对三天前，两天前他们发布了2.6 1月份他们发布了2.5 这里有个有意思的事实，周二发布的这个2.6 是人类历史上迄今最好的模型，不管前沿还是非前沿，如果它是1月份发布的话，但开源会一直存在，而且会带来定价压力，而前沿模型这门生意，提供前沿模型这个核心业务，会变成一场规模经济的游戏，你得用很薄的利润去做，就像亚马逊卖书的生意，未来就会是那个样子，所以做这件事的人不会太多，就像亚马逊一样，毛利率会非常低，营业利润率也会很小，这是我的看法，对 我也这么觉得，收尾前三个快问快答，你每天都会用的，最喜欢的AI产品是什么，我不知道，这题有点难，我是说这些我都在用，其实我挺喜欢Cursor的，我知道大家都爱Claude Code 我喜欢它的DIFF展示，还有它的工作方式，所以编程的时候，我基本是这些混着用，我还是挺喜欢它的 Mask收购之后，你还在用吗，不，我停了，不，那当然，我猜是因为，你担心通过Cursor 会失去对 Anthropic和OpenAI Token的，访问权限，对，对，听好的，很棒，好，好，真是个好支持者，说实话，我确实在用 Databricks的 Genie产品，这是实话，因为，你知道，其实在Databricks内部，我大部分决策，本质上，都是数值和量化性质的，比如，我们该不该做这个 这个的ROI是多少，那个的成本是多少，这会花掉我们多少钱，所以我需要能理解，数值数据和时间序列数据的东西，而Gini在这方面真的很擅长，所以那确实是我经常，非常频繁会去用的东西 Databricks的未来，你做这行差不多15年了，你对Databricks未来 10年的愿景是什么，我觉得软件的成本在下降，所以进入壁垒和转换成本，也在下降，所以某种程度上会有SaaS末日，但并不是所有软件都会死掉，我们很乐意参与其中，干掉一些软件，对对对，对在座即将做出职业决定的学生，有什么建议吗，有，我觉得别被那些散布恐慌的话吓到，别压力太大，放轻松，我觉得吧，我在2000年代初期读博士的时候压力特别大，当时感觉互联网还有各种事情 好像世界末日要来了似的，而且你知道，我们都在研究 [02:39:54]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

我们都在研究

Apoorv Agrawal：我们都在研究，我们公认最重要的问题，就是主播问题，你们谁都没听说过，结果它根本不算个问题，但我觉得有意思的是 2000年的时候，我们已经有互联网了 2009年爱比营才成立，对吧，但爱比营没道理，非得2009年才成立，爱比营本来可以更早成立，我跟你们说过这个观点，爱比营2001年就能成立，当时并不需要世界上，再发生什么别的新事情，对吧，爱比营2001年就能出现，就能颠覆酒店行业，可偏偏过了九年，才有人想到这个点子，那个人就是布莱恩，而且布莱恩也不是坐在那上斯坦福德克，琢磨什么案例研究项目，布莱恩就是自己需要个住的地方，对，他在某个会议上心里想，这怎么这么难，我自己刚解决了这个问题，所以想出那个好点子花了九年时间，所以我觉得好点子其实特别难想出来 我觉得人类特别不擅长想出伟大的点子，而且我们会有这种隧道视野，盯着错误的问题不放，就像我早年在主播上做的事一样，我的博士论文真的很蠢，所以放轻松，把眼光放长远，去做那些你觉得长期会有好影响的事，我觉得杰夫·贝索斯，在华尔街做投行的时候，就做得很好，他说，嘿，把镜头拉远，眼下正在发生的大事是什么，是互联网，然后他说，嘿，咱们就在互联网上，下一个长期赌注吧，互联网会越来越多，所以它会随着时间，慢慢颠覆很多东西，然后他说，好，那从长远看，购物是不是能更多地搬到网上去，也许现在还不是时候，然后他就从最不起眼的东西开始，他非常低调，从你能想到的最笨，最不性感的东西入手，那是个完全同质化，看起来一模一样 毫无差异的纯商品，就是书，他就从那起步，他就压住在那个长期趋势上，每过一年，这个判断就越来越对，到现在，它已经覆盖了地球上的一切，成了万物商店，所以要像那样想长远，别被眼下最酷，大家都在推特上，吵得沸沸扬扬的东西牵着走，因为那很可能就是又一个主播，太好了，好非常感谢大家多留了一会儿，谢谢你，阿里，大家好，很高兴再次见到你们，新一期的AI超级周期经济学，这次请到的是卡提教授，欢迎回来，欢迎回到斯坦福，谢谢，我在想怎么介绍Carty教授的时候，觉得没有人比他更合适了，他从电子，整个底层基础设施，一路看到agent 全都经历过，你早年创办了一家网络初创公司，你当过英特尔的首席技术官和AI负责人 你现在在OpenAI负责工业计算，谢谢，感谢你来做客，谢谢，对我来说算是回家了，欢迎，欢迎，欢迎，欢迎，我想我们可以开个有趣的环节，英特尔花了大概十年时间，想让所有人相信，他们是一家AI公司，这事终于成了，他们终于在最近这两周做到了，发生了什么，我跟你说过吧，这就是我的工作，就像Bob提到的，我在11月离开英特尔，加入PenAI之前，是英特尔的CTO 同时也负责他的AI业务，所以对是有点滞后，但你知道，这就是做预测的人的宿命，不过说真的，我觉得英特尔的故事正在转向，要我说有两个因素对英特尔是很大的顺风，一个是全球供应严重受限，所以任何在这个领域有正经制造能力，能造而不只是能设计的公司都会吃到顺风 而英特尔显然是美国剩下的唯一一家，还能制造芯片的领先级公司，另一个当然就是随着我们开始用agent的方式，使用AI CPU正在卷土重来，这个我们待会可以再细说，所以这两件事对英特尔来说，显然都是非常好的，但还有很多执行要做，我是说市场总是跑在故事前面，但希望一切顺利 Lipu是个很棒的CEO 我很喜欢和他共事，所以我觉得这些都是值得期待的好事，太好了，我敢肯定，你的离职跟股价走势图，一点关系都没有，这两者不相关，我还留着我的股票呢，所以别担心，干得漂亮，好，我们接下来会深入聊聊CPU的角色，以及算力供应链的各个不同环节，第二件我想花点时间聊的是 OpenAI发布的一张图表，今年年初的时候 OpenAI的首席财务官Sarah Fryer 写了一篇文章 讲的是OpenAI的算力雄心，左边你可以看到，是OpenAI过去三年的算力规模，这是OpenAI到本十年末的目标，而且Satchin看起来挺神奇的，这个算力规模，好像跟我们的收入高度相关，如果真能实现这个目标，会意味着什么，不用猜也知道，对，简单聊聊这张图吧，这里到底是怎么回事，我们应该怎么理解它，好，在OpenAI 我负责工业计算，在回答这个问题之前，先简单交代一下背景，我和我的团队的工作，就是为OpenAI交付，它所需要的全部算力，覆盖方方面面，包括训练和推理，这张图就是我每天吃饭睡觉，都在琢磨的东西，你在让数字往上走，对，我的工作就是让数字往上走，往右走，对吧，这就是我的工作描述，但说正经的，我觉得就像你指出的 对前沿实验室公司来说，收入基本上是个滞后指标，我的意思是，它基本上就是一个很简单的计算，我们有多少算力，算力利用率有多高，对吧，过去三年已经印证了这一点，每年我们的算力都翻三倍，一年又一年，对，收入也翻了三倍，我们还没看到这种相关性有到头迹象，我觉得光是5.5发布，以及它的采用速度就能说明问题，我的意思是Codex在5.5发布后的两周内，可能就实现了可观的两位数增长，我觉得人们不再只用它来编程了 Codex现在被用于通用知识工作，所以词源使用量在涨，被消费的任务也越来越复杂，所以我们本质上就是，在追踪我们有多少可用算力，有多少用户，有多少词源，收入基本上就是跟着这些走的，我想说展望未来 我们OpenAI仍然是一家研究实验室，我这么说的原因是，它绝不仅仅是我们能最大化多少收入，这么简单，更重要的是，我们怎么把尽可能多的算力，变成可能用来支持研究，对吧，这样研究人员就能不受约束的去探索新想法，新模型，以及推动智能前沿的新方法，所以这里的三十几瓦数字是一个远景目标，它是在研究和产品之间分配的，但按照我们目前看到的趋势，我们绝对不认为会出现算力用不上的情况，在我们继续之前，我快速追问一个问题，训练和推理之间的大致比例是多少，这个比例随时间是怎么变化的，你预计它未来会怎么走，我觉得是缩放定律，对吧，显然最初大家都认为，缩放定律只适用于预训练，现在发生变化的是 缩放定律已经扩展到覆盖算力的整个生命周期，我的意思是包括预训练带强化学习的后训练，这主要是推理负载还有合成数据，因为我们已经用完了真实世界的数据来训练模型，所以我们在生成数据来训练模型，这主要是推理负载，然后当然还有实际的产品本身，每个人都在用ChatBD和Codex 这也是推理负载，所以越来越往推理倾斜，说清楚推理其实已经是多数了，但推理也不应该被理解成只是产品，很大一部分研究，很大一部分训练下一代智能的工作，也是推理，所以这就是为什么我们预测，未来绝大多数，大概80%以上，本质上都将是推理算力，接着你的回答再问一句 Sachin 如果推理用量占总量的比例，随时间上升，那么美元密度 也就是每GW对应的美元收入，是不是也会上升，因为推理本质上才是你能变现的部分，我们希望它下降，每几瓦对应的美元，因为这玩意很贵，每几瓦大概要，我说的是变现，抱歉，对，对，对，我觉得，对，肯定的，对吧，随着消费的token越来越多，收入应该会相应增长，但与此同时，我们的使命是让token更便宜，对吧，这是两个不同的维度，一个是让每个token更便宜，让每个Token更智能，再让每项任务所需的Token数量更少，对吧，所以我们从三个维度发力，持续改进硬件和软件，让Token生成的更便宜，我们持续提升模型能力，确保每个Token都更智能，对吧，我们还在推Codex这类工具的难度 让任何给定任务所需的Token数量更少，对吧，这就是公司运营的一个非常根本的原则，原因当然就是我们怎么确保所有这些智能尽可能广泛的触达所有人，那么正如你所说，你的工作就是让这些数字往右上角走，说到预测，说实话，我不羡慕任何要做这种规模下每年翻三倍预测的人，看起来不只是预测，这活本身就很难，预测其实比真正把它做出来要容易，你这么觉得，跟我们讲讲你的工作吧，最难的部分是什么，是找算力吗，还是确保拿到算力，你现在是怎么确保算力的，感觉像是一场混战，那瓶颈在哪里，是电力吗，是能源吗，是芯片吗，是土地吗，还是说，以上全都是确实 我觉得你想想算力的整个生命周期，对吧，首先，显然是要找到算力，而算力这个词涵盖的范围非常广 [02:49:51]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

而算力这个词涵盖的范围非常广

Apoorv Agrawal：而算力这个词涵盖的范围非常广，说到AI的算力，你其实得考虑芯片，内存，网络，电力，冷却，数据中心建筑，发电，配电，当然还有土地，所有这些加起来才算算力，对吧，所有这些都得凑齐，才能建起几瓦级的算力，对吧，所以当我们说采购的时候，我们采购的不是算力本身，我们采购的是整条供应链，并且要确保在这个规模上，我们能看清供应链里每个部件从哪来，这是很大的一块，第二块是怎么协调这条供应链，让所有东西同时到位，对齐，让算力真正运转起来，对吧，一个几瓦大概是50万块GPU 对吧，所以那是，当你说的是六几瓦，还是十几瓦的时候 你面对的是数量非常庞大的芯片，要连成网络，供电，冷却，保持运行，还要确保其他所有该凑齐的东西都在，所以很大一部分工作，其实是在签完合同之后才开始的，比如我怎么确保供应商，真的能交付他们承诺的东西，我们怎么设计这些系统，让他们在这个规模上协同工作，又怎么确保它在运营上真正可用，就是说它得跑起来，而且以我们能达到的最高性能，去跑这些芯片，今天的芯片非常脆弱，对冷却和电力波动非常敏感，它们会很快降频，减少你能用的算力，能跑的浮点运算次数，所以那才是真正的工作，签合同那部分是好玩的，难的是签约之后的一切，对，要拿到签名，你肯定知道 现在是一个非常关键的时刻，我想你现在做的很多决定，都会影响我们和所有算力使用者，也就是几十亿人，影响很多年，甚至几十年，你现在做的最大的取舍是什么，你现在做的哪些重大决定，将来会成为可以讲的案例分析，我觉得是，这些决定有很多社会层面的影响，对吧，举个例子，如果你在佐治亚或密歇根这样的地方，建一个几瓦级的数据中心，它对电网的消耗是相当大的，对吧，那么大的电力，而且跑大型训练任务的时候，这些任务是同步的，对吧，它们的强度会同步的上下波动，所以你会在电网上看到能量波动，很快就能达到几百兆瓦，我们的基础设施从来没为这个设计过，电网可能会直接崩溃，整个州都可能停电，就看这些数据中心怎么运行了，对吧，所以我们花了很多时间思考 怎么设计这些系统，才能不对国家其他基础设施，造成这些附带损害，这就是正在被重新设计的，那类事情的一个例子，对，我们显然也花了很多时间思考，怎么降低供应链的风险，对吧，那我们怎么把晶圆厂搬走，怎么把内存工厂搬到世界其他地方，怎么脱离电网能源，改用天然气，未来越来越多用核电，所以我觉得这会催生一批，基础设施投资和创新，整个社会都能受益，不只是AI 因为这些事情原本没有动力去做，然后显然 AI本身带来的各种影响，三十几万可不是小数目，对吧，但我觉得我们的愿景是 Sam也讲了一段时间了，我们都习以为常的认为，每个人都该有一部手机，每年或每两年换一次，那想想每个人都该有一块GPU 也没那么离谱，对吧 一块GPU现在大概是1000瓦到2000瓦吧，全球有70亿人，那就是7太瓦的算力，对吧，这比我们刚才说的数字高两个数量级，所以如果你真相信那个世界，那我们还差得远，对，也许可以帮我们建立一下参照Sachin 美国整体能耗跟30GW比是什么概念，我一时想不起具体数字，但我觉得美国这边，如果把所有超大规模云厂商加起来，计划建的大概是一百几瓦的算力，明白了，除了OpenAI之外，我们三十几瓦，其他各家，再建各自的，你看到过谷歌的数字，亚马逊的数字，一百几瓦可能已经占到，电网的五分之一甚至更高了，所以这会消耗美国电力产能的，两位数百分比，影响市场了，这会改变市场，对吧，我觉得把能源单纯看作 仅供人类消费的那种想法，已经不再成立了，对，你知道，最近有个传闻一直在传说 OpenAI相比其他实验室，有显著的算力优势，班上的同学们对OpenAI和Anthropic 是同等喜爱的，差不多吧，我们在做投票吗，我们投过了，答案先不告诉你，回头我再跟你说，不过还是聊聊算力优势吧，能分享多少就分享多少，这给我们带来了什么，它让我们能做什么，你知道，假设预测是完美的，它能让我们为OpenAI的用户，做些什么，交付些什么，你看到了吧 5.5是个很大的模型，服务成本很高，但没有任何限制，对吧，所以每个人都能去用，没有token限制，在订阅里，你能拿到的token数量，我们给的大方的多，我们经常，几乎每天或每周，都会重置限制，让大家能更尽兴的玩，对 这就是算力优势，在日常使用中的体现，对吧，所以这又回到了之前那个观点，也就是要确保我们有足够的算力，把这种智能大规模的分发出去，而不只是把智能构建出来，如果你把智能构建出来了，却没法大规模交付，那也没用，对，所以我们确实花了很多时间，确保这不只是关于训练，对，而是真正可用的算力，能不加人为限制的大规模交付给每个人，绝对，这门课已经感受到的一个影响是，我们向两家实验室申请了Codex 和一个未具名产品的订阅 Codex团队很快就给了我们，所以我现在明白为什么会这样了，我们稍微换个话题 Suchin Codex和类似Codex的工具，有很多不同的东西需要整合在一起 GPU 各种ASIC CPU 内存网络 所有你给我们梳理过的那些东西，也许先从相关的工作负载说起，现代的智能体工作负载长什么样，它随着时间是怎么演变的，我想也许先给答案定个框架，对吧 ChatGPT显然是一个巨大的转折点，但如果你回想ChatGPT刚起步的时候，它其实就是一次性推理，你问一个问题，它给你一个及时答案，然后就结束了，然后你继续做下一件事，我觉得2024年最大的创新和突破，是推理能力，对，而且不只是推理，训练也一样，对吧，就是让模型能够自我审视思考，从而给出更好的答案，这又进一步提高了推理的强度，对吧，所以推理发生的次数越来越多，但我觉得他们仍然是被动的东西，对吧，你问一个问题，他们给你一个答案，他们不会替你采取任何行动，对吧 所以agent这个词就概括了我们的意思，它有自主性，它有自主行动的能力，对吧，我的意思是，当我们谈agent时，关键是要闭环，不只是思考和建议，还要去尝试看输出迭代，然后用改进后的答案去完成任务，对吧，不管是编程，还是其他任何形式的知识工作，所以核心就是闭环，对吧，它真正交付了我们期望AI带来的全部价值，对吧，不只是当个助手，而是真正成为一个能闭环，替你干活的agent 这背后当然包含推理和思考，但就像我说的，还有尝试，对吧，他会去找相关数据，他会去搜索，他会去启动一个虚拟机，来跑测试，如果他生成了代码的话，他会打开Excel或PowerPoint 试着做几张幻灯片，看看效果怎么样，对吧，然后他会看输出，思考一下，再迭代改进，对吧，所以对计算图来说，现在的计算图要复杂的多了，如果戴上计算机科学的帽子，想想聊天机器人的世界，那是一个非常简单的计算图，有一个用户，有一个节点，就是推理调用，然后有一个答案，对吧，推理是多个推理调用节点，现在我们有了一个更直接的循环图，如果要用更精确的技术术语来说的话，你有一个推理调用，可能有一个工具调用，可能有一个数据库，或搜索查询，可能启动一个强化学习虚拟机环境，然后再回到推理调用，如此循环往复，所以你要执行的计算图，现在复杂的多了，对吧，这自然就需要更复杂的计算基础设施，来执行这个计算图 在如何分配这个计算图，在哪部分图上运行什么，需要更多的智能，所以计算本身，但更重要的是，工作负载朝这个方向发展，会改变我们对计算基础设施的思考方式，有意思，你列出了沿途的一堆不同步骤，我能想象其中一些部分，对不同的机器更相关，比如GPU 其他部分对CPU和ASIC更相关，是不是正在出现一些工作负载集群，特别适合某种工作负载，你可能会说，因为达的GPU最适合那个，你可能会说Cerebral芯片，最适合这种工作负载，因为你知道Agent有各种不同的形态和规模，有客服聊天机器人这类场景，延迟是首要需求，而深度研究查询恰恰相反，要的不是延迟，而是准确性和广泛搜索，对，在你看来 现在是不是正在形成不同的集群，绝对在形成，也许可以借一张幻灯片来说明，对，这就是我之前讲的那个东西，这张图算是一种可视化方式 [02:59:50]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

这张图算是一种可视化方式

Apoorv Agrawal：这张图算是一种可视化方式，展示一次典型agent的调用力，到底发生了什么，我记得这是我做的一张半开玩笑的幻灯片，今天你去看agent 对吧，你给他一个任务，他就自己去跑，想一会儿试一堆工具，然后你就得切换上下文，你转头去干别的事，因为它可能要花几分钟，甚至几小时才能完成，对吧，你已经走神了，你走神了，然后等它回来找你给方向，或者做决定的时候，你又得把那些上下文，全部重新加载回来，然后再做你该做的事，对吧，所以我们的愿景是，让人类成为平静，对吧，今天AAI才是平静，因为执行所有这些，要花太长时间，对吧，说真的从算力角度看，我们算是成功了，当我们把系统和基础设施建好，让人类成为瓶颈的时候 才算真正成功 AI完成这些事的速度快到让你不断被追问，下一步是什么，这是个半开玩笑的说法，但更准确的说法是，我们怎么确保人类处于心流状态，当他们和AI一起做这些工作的时候，对吧，那种心流的感觉就是一切都那么快，那么互动它好像完全知道你需要什么，而且能快速搞定，这就是我们想交付的那种用户体验，对吧，所以当我们思考这个未来时，我们确实需要异构计算，你没法纯粹靠基于GPU的计算，经济地提供这种体验，所以你需要一个异构程度高得多的基础设施，不只是GPU和CPU 还要有不同类型的加速器，比如Cerebrus就是一个例子，它面向极快的推理，你可能还有其他加速器，专门为超长上下文打造 比如他们在内存里保存大量状态，这样就能记住你的整个任务，不用反复换入换出，所以所有这些，比如说那可能很有用，编程场景肯定是啊，对吧，他们把你的整个GitHub项目，都放在上下文里，而且能非常快的调取，所以你会看到底层基础设施，出现越来越多的异构性，因为用户体验会推动我们去优化，智能体计算图的每一个环节，而我们这些负责构建算力的人要做的，就是确保能把工作负载的合适部分，匹配到合适的算力上，在效率和性能两方面都做到最优，对很有意思，这里稍微脱了一下脚本，跑个题，昨天是大日子，四个财报电话会，很多超大规模云厂商都在谈他们的加速器项目，亚马逊尤其突出，他们的Trainium芯片年化收入，大概到了500亿美元 我忘了那个字母加数字的型号名，但那个数字更大，当然还有巨头英伟达，如果你画一张市场分额图，现在看起来明显是英伟达占绝对优势，我刚肯定还有各种其他ASIC 甚至还没见到光呢，我们是不是可以预期，当然英伟达的表态是，我们会搞定一切，其他家的表态也差不多，你觉得这个趋势会怎么走，除了主力选手之外，有没有哪一两家是你特别看好的，这个我就不回答了，对吧，不过说正经的，我觉得世界需要一个，更有韧性的算力供应链，我觉得世界在任何一个单一组件上，单点依赖都是危险的，对吧，所以我觉得市场反映的正是这一点，对吧，所以我们会看到相当多的选择，而且工作负载本身也会推动这一点，因为工作负载已经比单纯的GPU推理，或训练任务复杂太多了，对吧 所以这会带来灵活性，还有另一个被低估的点，我不知道大家会不会都意识到，台积电分配晶圆的方式，意味着市场上必须有多家GPU和加速器厂商，展开讲讲，我觉得台积电之所以极其成功，是因为他们努力确保多个客户都能成功，而且这符合他们的商业利益，因为他们不想在任何一个大客户上单点依赖，而台积电正是供应链里唯一的瓶颈，所以从那些晶圆的分配方式来看，会有多家公司在那里拿到晶圆，所以从定义上讲，芯片的种类就会有很多种，而且就我们讨论的这个规模，我们任何一家所讨论的规模，谷歌亚马逊，我们不管是谁，从定义上讲，我们都必须学会使用所有这些芯片，因为没得选，对，对吧 所以这就是为什么我认为，未来的世界会丰富得多，有意思真有意思，那个另一个维度 Sachin 就是训练，训练工作负载的形态，正如你说的，是相当同步的，它通常是协调一致的，你需要一个连贯的集群，它同时一起往上走，而推理，另一方面，看起来就不是这样，它可能波动更大，也许更难预测，而且随着这种情况的变化，你甚至可能希望，把更多算力，放到更靠近边缘的地方，以最小化推理延迟，稍微谈谈这个，你怎么管理你的算力形态，在知道我们正走向一个，推理密集的世界的情况下，这是否意味着，更分布式的，几乎像Cloudflare 那样的小型集群，更靠近边缘，还是在德克萨斯或弗吉尼亚，搞一个巨大的集群就够了，会走到那一步，但还不是现在，原因有两个 一个原因是建造这种算力，规模仍然能带来巨大的好处，所以在一个地点建50兆瓦的算力，每兆瓦的成本远比建一个几瓦的算力要高得多，有意思，按单位来算，按每兆瓦来算，明白了，对吧，这背后有很多原因，对吧，如今劳动力是全球的一大瓶颈，尤其是在美国，我们就是没有足够的人手去建这些东西，所以要凑齐建设所需的关键人力规模，你宁愿集中在一个更大的项目上，而不是分散在全国各地建一堆50兆瓦的小项目，所以我觉得这会推动经济性往这个方向走，另一个技术原因是，这些模型的工作方式，尤其是对于智能体工作负载，手token延迟仍然在400到500毫秒的量级 因为他们在生成第一个token之前，必须先把所有这些上下文加载进来，所以400到500毫秒，远远大于你把算力放到离用户更近，所获得的任何颜值收益，明白了，对吧，所以对我来说，这也意味着我们会朝着更集中的推理，算力集群方向发展，在一段时间内仍然如此，等我们找到方法，把非常智能的模型征流成小巧的形态，可能就能在离你更近的地方运行，到那时这种情况才会改变，明白了，但目前来看经济上并不划算，明白，接着往下问，你能把那500毫秒拆开讲讲吗，从我们在ChatTPT上按下回车键那一刻起，这通调用里各个部分分别占了多少，如果要把这500毫秒分配一下，谁在消耗这些时间，每一层各分到多少预算，要我说最后那几毫秒甚至还没算上 你刚才提到的那些其他部分，但举个例子，你在Codex上问一个问题，它是在跑一个项目，对吧，它会把你的提示词拿过来，跟你的代码库合并在一起，对吧，这就是那个模型的全部上下文，这里稍微讲点技术细节，推理的预填充阶段，基本上要把整个上下文都跑一遍，那可能有几百兆字节，比如我们的Codex模型，现在有400K上下文，对吧，所以有400K个Token 这400K个Token 得先通过注意力机制算完，才能生成第一个输出Token 对吧，所以基本上就是，在吐出第一个输出token之前，得先把跟那个任务相关的，所有上下文都分页，加载进模型里，对，所以那几百毫秒的延迟，就是这么来的，在那之后，你还可以加上别的东西 对吧，这是预填充，第一部分是，预填充，这是预填充，在那之后，你可以加上其他延迟来源，比如可能只是你的应用本身，把你的提示词转成token 发送到云端，再负载均衡到合适的GPU上去跑模型，所有这些加起来，可能也就增加零点几毫秒的延迟，所以我才说，手Token生成延迟，比其他所有延迟来源都高，但有个有趣的副作用，今年早些时候，我们引入Cerebras并上线之后，它生成Token的速度快太多了，以至于系统里，应用里 AP工作方式里的那些其他延迟，都开始变得显眼了，所以当我们改进站的某一层时，它逼着我们，实际上是把站里其他部分的低效，全都暴露出来了 我们不得不做大量工程来修复这些延迟，我们昨天刚为此发了一篇博客，我们不得不改造OpenAI的API基础设施，才能真正跟上Celerbras的速度，所以如果有人感兴趣的话，这里面有非常多精巧的软件工程，就是怎么在站的每一层把延迟消掉，这篇播客叫什么 OpenAI播客 OpenAI播客，对，好，所以这就像打地鼠问题，跟当年大家优化网页，加载时间差不多，对，在互联网上，对，我是说，我觉得延迟会是我们，重点关注的，非常重要的维度，对，有个说法是真的，没省下30或50毫秒延迟，就能带来更高的参与度，更高的收入，更多的关注，这绝对是真的，对吧，我觉得这会是所有人都要竞争的维度，有意思，很有道理 尤其是考虑到人脑的注意力只会往一个方向走，对，不会扩展，对，问你个好玩的问题 [03:09:53]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

问你个好玩的问题

Apoorv Agrawal：问你个好玩的问题，到目前为止，我们请的每位嘉宾都提到，算力是他们业务里最大的瓶颈，这大概是真的 AI社区有什么共识可能是错的，或者不够准确，而你有理由相信是被误解的，现在AI基础设施里最被误解的是什么，我觉得正在发生，但被低估的最大变化是，今天的系统非常简陋，对吧，我的意思是，我们有这些大型计算单元，连着单层内存，也就是高带宽内存，对吧，我觉得我们在通用计算领域，已经走过这条路了 CPU一开始也是类似的，对吧，然后他们加了多层缓存，又加了闪存，硬盘存储，各种东西，对吧，所以我觉得 i计算系统基础设施的演进，现在还处在非常早期的阶段，我们已经从非常简单的编程方式，走向了更复杂的阶段 我觉得底下正在发生的另一个大变化是 RI正在生成下一代AI基础设施，我的意思是，我们越来越多的用最新的模型，去设计下一代芯片，以及运行下一代模型所需的底层软件，所以可以说是地归，对吧 AI怎么去搞清楚，自己最需要什么样的芯片，系统和软件，才能最高效的运行，而不是像现在这样脱节，我们训练一个模型，别人独立设计芯片再交给我们，然后我们再想办法让它跑起来，那怎么加快这个节奏呢，基本上就是下一个模型在训练的同时，也在琢磨自己最想跑在什么样的芯片和系统设计上，我们离那个世界并不远了，有意思，地归算法可是最强大的算法之一，所以这看起来是个大胆的未来，确实我觉得是这样 但这可能也是唯一可行的办法，去扭转算力时间这条曲线，对吧，所以周期时间算力周期，就是说我们多快能把下一代所需的合适算力设计出来，并投入运行，对，而且正因为如此，否则我们就跟不上节奏了，如果让人类去理解，然后设计，然后再去执行的话，一个典型的芯片设计周期是三年，从想法诞生，构思芯片应该是什么样，到真正投入生产，就是三年，考虑到事情变化的速度，这太长了，对，三年，差不多就是ChatTBD刚发布的时候，是的，感觉像是很久以前的事了，简直是永恒，你知道，我们经常问嘉宾的一个问题，就是这张图，你知道，我们聊过 Jensen描述的那个 AI五层蛋糕，能源，芯片，基础设施 模型，应用，你横跨了全部五层，我们还在等博通和其他家的芯片，尽快到位，如果让你根据你所知道的一切，来给我们指个方向，这五层里哪一层，最有可能在长期积累价值，你会指向哪里，显然现在所有的钱，都在这个蛋糕的下半部分，会变的，对吧，我是说我觉得历史总是押韵的，你看移动革命那会儿，一开始赚大钱的是电信运营商，和那些建基础设施的人，对，然后利润往上走到了应用层，那些做应用的人，再然后往上走到了云服务那一层，我看不出这一轮周期，有什么理由会不一样，我们现在所处的阶段，利润就在基础设施层，但随着时间的推移，它会往平台和应用层走，所以这就是，我想说，这就是不可避免的周期，对，我们希望如此，看起来现在每一个应用 都在被OpenAI和Anthropic吞并，至少眼下是这样，所以我们一直在翘首以盼，在开放提问之前 Sachin 我有个快问快答给你，做多还是做空，选一家企业，选一家你非常看好的创业公司，你会做多它，另一边也一样，有没有哪家反事实的商业创意，或创业公司，你是看空的，我做多OpenAI 我用脚投票，不过开个玩笑，我们挺好的，不我觉得要我说，对在座各位来说，可能被低估的一点是，我会做多整个站，最底层的那一层，因为至少在美国，我们已经忘了怎么去建造非常基础性的基础设施，对吧，这涵盖方方面面，比如我们怎么大规模造变压器，怎么大规模造电池，怎么搞发电和配电，怎么搞冷却，怎么造进入所有这些系统的组件 那是基础设施力服务不足的一层，有意思，那一层的差异化优势也是可持续的，因为它既靠技术又靠规模，你要是建起来了，别人很难复制，所以要我说，这算是一个推论赌注，如果AI真会带来，我们想的那种变革的话，真的，推论赌注就是，这一整层都必须彻底改变，它现在的做法，所以对在座各位，尤其是职业生涯早期的人来说，我觉得，我以前在这里当过教员，你们有些人知道，待了15年，在工程学院和计算机系都待过，我眼看着工程专业的入学人数，在萎缩，尤其是占底下那几层，对吧，特别是关于怎么做晶体管，怎么做材料，怎么做那类东西，那些东西才是真正能撬动大局的，所以我强烈建议大家，做多那一层 好，我们班上有几位一系的学生，你在做空什么SARCHIN 你对什么比较谨慎，我们把问题难度降低一点，总的来说，显然我做空任何模型包装器，这答案有点老套，但也是事实，因为这东西变化的速度太快了，而且这些模型很快就能自我分析，搞清楚怎么交付结果，我觉得想只做一层包装，真的非常非常非常难，这不是说OpenAI或者Anthropic也一样，我们想包揽所有应用，我觉得整个应用这个概念，可能才是我会做空的，比如说它会是未来的用户界面吗，不好说，对吧，如果我们以结果的形式和计算交互，那真的还会是应用吗，我要这个结果，你去搞定，它今天应用只是实现结果的一根拐杖，对 用来抵达结果，对，所以那才是我会做空的方向，有意思，这非常有道理，第一家市值达到10万亿美元的公司，如果让你选一个的话，最简单的答案就是英伟达，对吧，对，我刚才还以为你会说OpenAI 你第一个说的那个，我希望我们肯定能到，但我觉得如果我们肯定能到，英伟达也能到，好，好，好，好，好，现在基础设施领域，最大的未解决问题是什么，你随便说一个，对吧，我觉得太多了，我会说单一的结构性问题，就是逻辑和内存的晶圆场产能不够，这是台积电的一层，台积电，三星，英特尔，然后是美光 SK 安尼克斯，三星，这是一个非常非常集中的市场，整个事情就单线程的压在一小撮公司身上 而且如果你再往下挖一层，可能就是ASML 对，对吧，所有这些都绕不开它，你都需要ASMR的光刻机，所以在我看来，这就是整个供应链上唯一的瓶颈，对，整个供应链的瓶颈，对，非常有道理，你其实已经回答了我最后一个问题，就是给学生的建议，如果你还有什么要补充的，我们很乐意听，不然的话我们就开放几分钟提问，请讲，感谢你来到这里，我的问题是随着我们一路看下来，你也提到了，这是一个非常庞大的，你觉得下一步的突破会来自哪里，因为我们还没有内存网络这类东西，短期到中期可能在于编排，软件 Harness 以及模型变得更次元高效，中期到长期，我觉得是新的内存架构，因为我认为计算单元，除非Transformer被重新发明 比如有什么东西取代了Transformer 你知道计算单元的形态是什么样的，对吧，说到底，关键就是计算单元周围的内存架构，是什么样的，这个一直在变，所以这就是我中场期问题的答案，请讲，那你后来推出了Stargate 英国项目，还有那些，这是其中一个决策过程，我觉得对我们来说 Stargate基本上就是我的工作，对吧，就是怎么把这些算力都交付出来，我们的看法是，考虑到我们谈的规模，一个GW就是700亿美元的投入，所以这些都是巨大的数字，而且运营上也是个大挑战，对吧，就像我说的，一个GW意味着要管理 50万个GPU的建设和部署，诸如此类，所以从根本上说，我看这件事的方式是，怎么确保它不只是个绝对数字，还要尽可能快的按时落地，所以我们方法里很大一部分 现在关注的是算力到位时间，而不是算力总量，这决定了我们在哪里加倍投入，这也是为什么之前那个问题里，我们倾向于更大块的集中式算力，因为不然的话，如果算力是分散在各处的小块，运营上我们很难让这些算力上线，请讲，我想问一下开放权重模型，显然模型在快速演进，问题的第一部分是，我觉得是X 第二部分是我想说保留那个观点，显然按照通常的方式参数少一些，所以需要的资源也少一些，我觉得显然开源模型在生态里是有位置的，前沿模型智能需要多几个数量级的算力，我觉得这一点不会变，缩放定律还在继续成立，所以我们会继续在前沿模型智能上投入，显然开放权重模型会努力追赶 试着征流那种智能，用更紧凑的形态交付出来，我们不觉得这有什么问题，但智能上领先六个月 [03:19:52]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

但智能上领先六个月

Apoorv Agrawal：但智能上领先六个月，是巨大的领先，对，所以我们看不出任何理由，要放缓对前沿智能的持续投入，太好了，各位我们今天就到这里，今天我们要聊的是，技术战里的这一层模型，以及怎么为更好的应用，打造更好的模型，今天的嘉宾是Yash Patil Applied Computer创始人和CEO 我非常高兴能请到Yash 不仅因为他是斯坦福的毕业生，而且是刚毕业不久，他会聊很多自己的经历，而且他是极少数从斯坦福本科毕业后，直接进入OpenAI研究院的人，加入了后训练团队，在OpenAI工作期间，他产生了一个洞察之后，离开OpenAI创办了Applied Compute 并且把Applied Computer 做成了非常成功的企业，把他在OpenAI学到的经验，用在了很多了不起的企业身上 Yash 谢谢你来做客，请入座，谢谢太好了，话筒开了 好谢谢邀请我来，谢谢你来 Yash 跟我们介绍一下你自己吧，你的经历非常精彩，对，而且你做过一些很艰难的选择，其实在你来之前，我们刚和这门课的同学聊了很多，关于学什么怎么选的问题，所以跟我们讲讲你的经历吧，好，而这一切把你带到了今天，对，那我就简单讲讲我的经历，其实也不算长，其实不久前，我还坐在这间教室里参加期末考试，我是25届的，所以离开校园也没多久，对，我是在德克萨斯州的奥斯汀长大的，后来来这里上学，我喜欢说，我在高中是个非常好的学生，但在这里我是个非常差的学生，不是说成绩不好，而是基本不去上课，看网课录像，就干这种事，然后快进一下历史，我在校园里折腾了不少东西 后来很偶然的通过一些共同朋友，认识了Sam Altman 关于Sam有一件事，我觉得没多少人知道，就是他特别愿意，在年轻人职业生涯，早期拉他们一把，所以，对，我就这么认识了Sam 我们在大一，暑假就很投缘，当时我和一个朋友在琢磨，嘿，我们是去做暑期实习呢，还是去做我们自己的项目，最后决定，嘿，我们去做自己的项目吧，我们推掉了实习，然后到处找钱 Sam 我们给Sam发了一封盲邮件，他给了我们一张很小的支票，大概就是购付吃饭和房租什么的，然后夏天就做那个项目，最后把它关掉，回到学校，所以夏天忙完那件事之后，我回到学校上大二，在校园里做了很多好玩的事，比如TreeHacks 给TreeHacks打个广告 那基本上是我在学校的头等大事，我真的很喜欢为同学们办那场黑客马拉松，但到了2022年底 ChadGBT出来了，我当时就是随便玩玩，然后我就想，天哪，这是我见过最酷的东西，我必须去搞，这个，我脑子里再也装不下，别的事了，所以我又给Sam 发了封邮件，说，嘿，我怎么才能来搞这个，他把我介绍给了，当时叫 OpenAI驻留项目的，那个计划，我记得他现在还在，其实OpenAI里，很多人都是靠这个项目，从学术研究员，或者别的行业的人，变成OpenAI的，全职员工的，我2023年初，加入OpenAI 进了后训练团队，跟一些我在原模型领域，特别特别景仰的人一起工作，一开始做E-VALS 给你们一个建议，加入任何公司，都去挑那种最棘手，没人愿意碰的活 因为大家会因此喜欢你，所以第一年我做E-VALS 到了第二年，差不多就是这些推理模型，开始冒出来的时候，当时大家主要拿竞争性数学，来训练这些推理模型，全公司都有种哇的感觉，我们想用这些模型，性能提升太猛了，所以我和一个朋友说，我们要是真把这些模型，用到竞争性编程和数学以外的地方会怎样，我小时候不是搞竞争性编程或数学竞赛的，很多前沿研究员倒是，所以我们拼凑出了一个agent 能上网浏览，写点代码，拿给好多领导看了，他们特别兴奋，于是我们成立了一个叫Long Horizon Tasks的团队，我主要牵头很多智能体编程的研究，后来就变成了Codex 不过后来我离开了，大概一年前创办的Applied Compute 所以我们的周年纪念日，其实就在上周六，所以其实没过多久 但我们看到了这样一个缺口，这些模型变得非常非常聪明，但当你真的要把它们用到企业里的时候，它们就像一群对你的业务，一无所知的天才，而企业里面其实才拥有，世界上大部分的数据，对吧，所有这些公司都有海量的数据，是它们多年来积累起来的专有数据，所以我们实际上是在帮助公司，把催生这些聪明推理模型的前沿技术，用来打造他们自己的专属模型，从而提升他们的业务，太棒了，这一路走来真不容易，对，很有意思，没错，我想我们从模型说起吧 YES 我回顾了过去一个世纪，事情显然已经急剧升级了，然后如果你放大到这一侧，在AlexNet之后，事情进展得非常快，对，你能不能给我们讲讲这个背景，模型层现在到底在发生什么，为什么过去四年的进步如此显著，是什么在推动它，对，所以 我这边有你的一些幻灯片，如果你想用的话，好，好，好，我想我们不妨从一点历史讲起，你提到了AlexNet 在座各位，有人听说过深度学习，或者知道那是什么吗，当然，好，不错，不错，深度学习 AlexNet可以说是，要我说深度学习的关键转折点，而且从那一刻起，我们也开始不再理解这些模型到底在做什么，所以本质上深度学习是什么，它是一种方法，是机器学习技术的一部分，让你能从数据里学到底层的表征，基本上就是拿一堆数据去训练，投入大量算力，然后得到这些非常聪明的模型，它们由数百万或数十亿的参数组成，你其实不知道它们在做什么，但它们确实非常擅长做预测语言模型这类任务，比如下一个Token的预测，就是LIM在做的事，而前后的对比是 在AlexNet之前，人们是在手工设计特征，去看底层数据的各个部分，训练非常初级的分类器，去检测边缘之类的东西，用在很多视觉任务上，然后AlexNet做的是，他们把GPU和一个叫 ImageNet的大规模数据集，用在了神经网络上，这就带来了那个突破性的时刻，真正证明了，嘿如果你堆算力和数据，就能看到这些模型，在预测准确率上获得巨大的提升，你知道模型开发，其实涉及很多不同的方面，也许给我们一个概览，我知道我们接下来，会深入讲其中几个方面，什么是模型训练，现代模型训练是什么样的，好我觉得这算是一个快照，这绝不是最详细的事件时间线，但我想挑出近几年几个关键的时刻，从Transformer说起，我相信在座各位都听说过 Transformer和自注意力机制，这算是谷歌大脑的研究人员，提出一种新架构的时刻，这种架构真正让语言模型训练的规模化成为可能，在现有硬件上性能提升明显，所以真的能在GPU上跑这些工作负载了，相比之前的方法，比如循环神经网络或LSTM这类旧神经网络架构，它们能用一种叫注意力的技术，这基本让下一个词预测的性能大幅提升，还能扩展到语言里超长的序列，时间快近几年 2018到2019年，基本就是预训练的时代，大家拿海量文本语料，教模型通过优化损失函数，去预测下一个词，基本就是让模型，试着预测下一个词，看看语料里，真正的下一个词是什么，然后对模型权重，做反向传播，去微调模型，让它更可能预测出，那个真实的下一个词，接着就进入了 缩放损失的阶段，从OpenAI缩放定律开始，它说明，如果你真把这些模型做大，做得特别特别大，性能就会好很多，这就是Kaplan缩放定律，在GPT-3上真正得到验证 GPT-3是第一个看起来有某种通用智能水平的模型，那算是一个突破性时刻，然后你继续在这个基础上叠加，比如Chinchilla缩放定律，它说明你不仅要把模型做得特别特别大，其实还存在一种计算最优的缩放方式，既要大幅扩大参数规模，也应该用多很多的数据去训练它，然后一旦我们开始有了这些大体上有用的模型，故事就变成了怎么让他们对普通人真正有用，怎么做出这样的界面，让它成为普通人日常能用的工具，这个阶段就是基于人类反馈的强化学习，偏好微调的时代，能去引导这些模型 因为基础模型本身只是在做下一个词预测，对吧，所以他们会大量幻觉，不会真正回答你的问题，可能说出一些不对齐的，或者不符合安全标准的话，然后GPD-4算是这些模型质量上，又一次台阶式的跃升，我很快过一下这些，我觉得这可能是大家过去几年最熟悉的，就是推理模型的时代 2024年OpenAI推出了一个叫OE的模型，它算是给模型智能的缩放开了一条新轴，就是测试时计算，而且这种感觉，我想让大家知道，思维链完全是一种涌现出来的行为，模型在推理的时候回答你的问题，花时间思考自我纠正，没有人训练它这么做，基本上通过把它放在这些，受限的强化学习环境里，然后投入大量算力，你确实得到了这些拥有涌现能力，能够推理的模型，然后把它和工具使用结合起来 很多人如果你们用过 [03:29:58]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

很多人如果你们用过

Apoorv Agrawal：很多人如果你们用过 Claude Code Codex Deep Research 你确实开始得到这些能够推理，能长时间工作的agent 他们逐渐变成了，今天人们所说的AI同事，有意思，你有幻灯片吗，好的，太好了，这太完美了，所以我们理解到，打造一个优秀模型，需要多个要素，数据算力人才算法，可能还有其他，我没列出来的东西，对，今天的瓶颈是什么，过去的瓶颈是什么，你预测X年后的瓶颈，会是什么，也许先回顾一下历史，再预测一下未来，好那我就顺着，我们刚才聊的梳理一下，瓶颈从拥有训练这些模型的算力，到正确的架构，再到真正能够扩展到，预训练所需的数据规模，比如在整个互联网上训练，再到通过偏好调优，让这些模型变得可用，而今天瓶颈是什么 我相信大家一定听说过强化学习环境，这实际上就是最近这几代模型，在推理和智能思考方面，变得如此出色的原因，我认为未来的瓶颈，基本上就是持续学习这个概念，我知道我们稍后会详细讨论，但到目前为止，我们确实得到了越来越数据高效的训练方法，比如预训练不是特别数据高效，你得在整个互联网上训练，才能得到基础模型，没有人，你们在座的人要学点东西，不需要去读互联网规模的数据，所以那是极其数据高效，然后我们开始进入后训练阶段的各种方法，那些方法稍微更数据高效一些，而如今最高效的，就是强化学习环境，但那个有点像圣杯的东西，我觉得也是人们想到，超级人工智能，或通用人工智能时会想到的 就是模型怎么能只做一次某件事，就从极其稀疏的奖励中学到东西，就像你们，如果你们把手伸到炉子上烫了一下，只需要那一次，你就知道炉子是烫的，不该把手放上去，今天的模型并不是这样的，所以我觉得持续学习，以及在真实世界交互中，做到极其数据高效，这个想法就是下一个瓶颈，明白了，明白了，非常有帮助，不过你知道，你烫到手的时候，那个反馈也是非常响亮的，对没错，所以但愿持续学习，能给我们响亮的反馈，对，然后另一个大问题，也许不在幻灯片上，就是为什么所有实验室，都收敛到聚焦软件工程，为什么他们都把代码，当做第一个前沿，我相信还会有其他前沿，比如生命科学，网络安全，或者我不知道的其他领域，但为什么是软件工程，为什么代码有什么独特的性质 让人们觉得这么有意思，这些实验室在做的强化学习训练，是基于可验证奖励的强化学习，所以为了真正得到学习信号，或奖励信号，你需要一种确定性的方式，来检查模型，做的是不是正确的事，代码和数学在这方面，真的非常非常合适，因为你能做什么呢，你可以编译代码，对它跑单元测试，你可以实际去检查代码，是不是在做正确的事，所以这就是代码，一直特别有价值的一个原因，另一个原因是，在代码上很容易造出，海量的合成数据，对数据的规模，数据的规模，鲜艳条件非常好，互联网上有海量的代码token 然后我觉得另一件事是，很多研究者包括我在内，都觉得编程模型，有点像通用人工智能的完整版，意思是每一项任务归根结底，都是一项编程任务 对吧，所以你会看到Cloud和很多其他模型，他们会写代码去完成任务，而不是去做工具调用，或者那些更针对具体任务的事情，他们实际上就是把代码，当做一种通用语言，去跟真实世界交互，你知道吗，你来之前我们正好在讨论一个问题，怎么用AI去做好那些跟代码无关，或者不直接相关的岗位，我给你举个例子，做幻灯片，比如这一份，顺便说一句，完全是用 Claude的CodeWork生成的，用的就是我们之前，那几轮对话，对，代码和生成幻灯片之间，是什么关系，是什么让这些模型，擅长生成幻灯片，因为他们擅长代码，所以你是用Claude Code 做的这些幻灯片，所有的排版格式，太好了，好，对，所以基本上，我也用Claude Code 做过幻灯片，基本上，它能做出这个表格，它能设置标题的格式 它能把那条随机的蓝线放在那里，但你能做的是，把这个模型的输出和其他辅助奖励结合起来，去告诉它自己写的代码到底好不好，所以这里这个已经非常实用了，但如果我们真想优化美观度，我们不仅能结合代码执行，真正把幻灯片做出来，而且让它们在结构上相关，还能加上某种奖励模型，去审视幻灯片产出的效果，而且他训练时用的是人类偏好，什么样的幻灯片在审美上好看，什么样的，你知道难看，你可以把这些奖励结合起来，同时优化两件事，既把功能性的幻灯片写好，也让他们看起来漂亮，对，对，对，这正好可以顺势聊聊你的工作，跟我们讲讲预训练，后训练吧，这些词到底是什么意思，对，而且我知道，你是这方面全世界最顶尖的专家之一 所以我们待会会深入聊聊这个，这太抬举我了，不过对，我是说在语言模型这块，我觉得要谈的两大块，就是预训练和后训练，预训练是一项，规模巨大的训练工程，你要用互联网级别的数据，也就是数万亿，数万亿的token 你往这个架构 transformer上砸，海量算力，然后训练一个神经网络，让他特别擅长，学习语言里的模式，而由此得出的，就是某种形式的智能，所以本质上，预训练就是压缩这个概念，你能把全人类的知识都装进去，也就是说，把互联网上的内容装进一组权重里，让他真正理解语言中的模式，怎么去思考问题诸如此类，问题在于，一旦你有了这个预训练模型，顺便说一句，他消耗的算力比后训练要多好几个数量级 你实际上还得去对齐这个东西，所以就是下一个序列，下一个token的预测，所以如果你写一个句子，比如我该请谁来吃晚饭，然后模型开始说出一堆随机名字之类的东西，那完全没道理，因为实际上模型应该说的是，我根本不知道你的邀请名单上有谁，或者你认识谁，请告诉我这些人是谁，所以后训练实际上就是拿这个模型，告诉他好的输出和坏的输出分别长什么样，而且你确实能得到一个模型，他学会了聊天的格式，有用户消息，还有回复你的助手消息，你还会学到安全准则，所以如果用户问我怎么制作武器，或者炸弹之类的东西，你就能告诉模型，嘿别告诉这些人怎么去制造这些有害武器，在这两种情况下，稀缺的都是数据，我这里有一张幻灯片，内容非常密集，你们可能不需要仔细看 但本质上预训练做的就是，优化损失函数，对吧，就是怎么把预测下一个token这件事，做得特别好，但问题是，我们之前聊过Chinchilla缩放定律，你在扩大模型规模，也在扩大训练这些模型所用的数据规模，但我们的数据用完了，互联网上能用的数据就那么多，而且我们差不多已经触及了，这些实验室可用数据的前沿，我知道你后面有一张幻灯片会讲这个，而且只有这些实验室才能做这个级别的训练，因为它需要极其庞大的算力和数据，资本开支要求非常高，然后在后训练这边，有各种不同的训练方法，从监督室的SFT 到偏好调优的RLHF 再到RLVR 这个我们待会会多聊一些，其实阅读材料里，有一篇非常好的文章，如果你们读了阅读材料里 Carpsey关于RLVR的那篇文章 里面讲了2025年发生的事 RLVR确实是在2025年，崭露头角的，我们一会会讲到，不过其实你往前点一张，幻灯片就行，我能点吗，可以，我有个关于数据的问题，想问你，对，关于数据我有个问题，我们之前聊过，这个数据，对，数据要耗尽了，这是你之前提的那个观点，你知道两周前，阿里·戈兹来过这里，他讲到实际上，这条前沿之外的大部分数据，都会是AI生成的，世界上会有大量Token 是AI生成的，因为生成的速度和量，实在太大了，对，展开讲讲这个，比如数据的边界在哪里，从现在开始，我们还能从哪里，获得更多数据，比如说2030年，要训练的模型，它的输入是什么，我们从哪里拿到这些输入，专有的还是公开的，对，我觉得这个问题有好几层 第一层是，而且这背后有一整个经济体，抱歉打断你，围绕这些公司有一整个经济体，完全同意，他们的全职工作，比如Scale, Nekor这些公司，就是，对，也许可以也聊聊这个，对，没错，是的，所以我觉得这张图展示的是，预训练数据，本质上就是关于规模，现在有人开始收购，那些藏有古籍的老图书馆，把书扫描进去，就为了拿到更多token 还有大量资金，投在合成数据生成上，所以问题是，你怎么把原始文献，扩展成多个数量级的token 然后看看，能不能从中学到更多，所以我觉得预训练，这会是主要的方法论，现在大家在预训练上，真正关注的，其实是新的架构突破，去更好的利用我们现有的数据，因为原则上，你不需要互联网规模的数据 就能学到很多东西，所以大家在琢磨的是，我们到底怎么把数据用得更高效，所以就有这些数据墙的挑战 [03:39:52]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

所以就有这些数据墙的挑战

Apoorv Agrawal：所以就有这些数据墙的挑战，前沿实验室都在攻克，现在你提到的是强化学习环境，这是另一种类型的数据，就是说我们来构建模型运行的那个世界，让它进去做一堆事情，然后用算力去换不那么高质量的数据，基本上我们可以用多得多的算力，从单个样本或一次rollout里学到更多，我们刚才聊到了一点代码，这个可以在RLVR那张幻灯片上展开讲，当你搭建一个代码环境时，它不像预训练那样去代码库上训练，把代码库里的所有token都学一遍，而是说我要你去实现这个功能，你让模型真的去试几百次几千次，你有办法检查模型是不是真的做对了，对吧，这就是那个可验证的奖励 然后你会得到一整个奖励分布，因为有时候模型会做对，有时候会做错，而你能从这种训练里学到的东西，比单纯预训练要多得多，所以就是单纯的下一次预测，有意思，那也许同样的问题，关于EVALS 对，我记得你之前提过EVALS相关的东西，咱来聊聊EVALS吧，为什么Evals这么重要，为什么各个实验室，都把自己的Evals 捂得严严实实，你知道有很多讨论说，这是最受保护的资产，跟我们好好讲讲，而且你也提到过，这是你做过的最棘手的工作，为什么会这样，我觉得当我们开始，用奖励函数来训练这些模型时，最重要的事情，其实是搞清楚，什么算好，什么算坏，所以Evals是一种，给模型做基准测试的方式，就是给定一个任务，看模型会怎么表现，为什么Evals对实验室这么重要 是因为Evals决定了路线图，比如说如果我们想训练一个非常非常好的代码模型，基本上Sweepbench就是开启了整个代码模型竞赛的Eval 那是因为人们终于有了一个可以朝着优化的目标，也就是什么才算有用的编程，现在Sweepbench我觉得是个很有缺陷的Eval 而且后来也出了很多新Eval比它好得多，但这正是关键所在，就是你想爬哪座山，得先用一个Eval把它定义出来，然后强化学习，就像一台专门刷Eval分数的机器，所以你去搭一个训练流程，让它长得非常像你的Eval 当然数据是不同的，因为你不想直接过拟合，到那些Eval数据点上，然后你就去爬那座山，爬完了，就接着下一个Eval 所以这一点在企业场景里，也特别重要，企业内部对什么好什么不好，有自己的标准，对吧，好和不好，在摩根大通和高盛之间 并不是同一套标准，对吧，比如它们的标准不一样，运作方式也不一样，所以它们会有自己的评估体系，然后你会看到这种分层效应，模型实验室会针对某些评估去优化，而企业会针对另一些评估去优化，而我们Applied Compute 实际上就是那一层，那个定制层，去帮企业针对它们自己的评估做优化，很有意思，对，这正好可以引导Applied Compute 对，那是什么让你创办了Applied Compute 为什么选择独立创业，而不是留在你创办Applied Compute 之前所在的OpenAI内部做这件事，你们具体做什么，就像我刚才提到的，我们创办Applied Compute是在一年多以前，当时我是和我的联合创始人Rhythm 和Lyndon一起开始的，他们俩其实都是斯坦福的学生，我们之前也一起在OpenAI工作 有个好玩的事，我刚加入的时候 Sam基本上就问，你认识的最聪明的人是谁，那个人就是Rhythm 几个月之后，他又问了Rhythm同样的问题，答案就是Lyndon 我们仨就是这么凑到一起的，但我们创办Applied Compute 核心想法是，未来会非常贴合企业需求，你会有这些通用模型，它们是主力模型，但真正去针对每个企业的需求做定制，才是大家拉开差距的地方，通用模型算是设定了下限，但要够到上限，你得去构建训练模型，打造这些定制化系统，才能跟所有竞争对手区分开，举个例子 Doordash是我们的客户，我相信很多人经常下单，经常用，我自己就特别爱点，点的比该点的多太多了，不过，这都属于强化学习环境的一部分，对吧，我知道，没错 我们就是在测试产品，我们跟Doordash合作的任务里，有一个我挑这个说，因为它特别实际，它能很好展示我们到底在做什么 Doordash每年要接入，超过10万商家到他们的平台，这些商家入住时，基本会提供一堆，关于他们业务的非结构化信息，包括菜单，而菜单提取，也就是从这样的图片，变成DoorDash的店铺页面，其实是个非常非常难的任务，因为我懂，这确实难，没错 DoorDash有一套非常具体的风格指南，规定修饰项，该怎么挂在商品下面，什么能混搭，什么是加购项，什么算特殊配料，诸如此类，我们试着用通用模型来做，他们就是搞不定这个任务，我们也试过提示词，工程这些办法，最后真正管用的方案是，你可以拿我们模型的输出 你可以让人类去修正那些菜单，然后理解其中的差异，然后我们基本上可以在训练期间，让模型的输出与标准答案进行比对，本质上我们找到了一种方法，可以量化损失或奖励，也就是错误率，我们能够直接针对降低错误率进行优化，所以这是一个非常清晰的例子，说明一家公司只需要去定义，什么是对的什么是错的，你实际上不需要做提示工程，或者这类东西，你可以直接朝着你想要的结果去优化，有意思，我能追问一个问题吗，可以，在Transformer出现之前的上一代技术，这个问题可能会由OCR模型来处理，也就是某种视觉模型，对，你们介入的部分，就是针对这个具体问题进行优化吗，而且这不是用视觉模型，而是用Transformer模型，用的是VLM 对，所以它是一个带有Transformer架构的视觉模型 对，有意思，为什么多达会抱歉，我临时问一个课程大纲之外的问题，不不不，为什么，为什么你们要专门做现有模型的定制，万一我随便说说 GPT17出来就开箱即用地强得多呢，对，那你们是不是有动力干脆等下一代模型出来，还是说你们应该跟Apply Computer合作，对不不，这个去拓展别的方向，这是个好问题，很高兴你问我这个，我觉得大家常常没意识到的一点是，企业在意的是在任何时间点都处在最前沿，所以GPT时期离现在还有相当长一段时间，我觉得等到我们有了超级人工智能，或者那种掌控一切的模型，其实我并不相信那会发生，我觉得世界是一个非常碎片化的地方，而且你只要看看数据在哪里，它其实是分散的 但确实实现价值的时间，今天自己训练模型的ROI 用的算力还少得多，比如强化学习，已经变得非常非常数据高效，你需要的算力比预训练，或者其他类型的训练少一个数量级，而且你能优化的性能，比在监督微调和RLHF里多得多，这样训练这些模型变得有吸引力的多，投入在预训练和后训练上的投资，差一个数量级，预训练对比后训练，你能给我们一个大概的估算吗，假设训练预算是100美元，其中多少会花在预训练上，多少会花在后训练上，对，我觉得我在来的路上查了一下 DeepSick V3训练，大概用了240万到250万小时的H800 而强化学习训练，也就是训练出DeepSick R1的那个过程，大概用了15万小时，所以算下来 大概是预训练，所需算力的5%左右，但是，就这么点，就这么点，但我觉得真正有意思的是，这个趋势正在开始改变，现在人们预训练这些模型，但之后，他们还会做数据中心级，甚至跨多个数据中心的，强化学习运行，因为你有这些缩放定律，我记得我有一张 Jensen和那三条，缩放定律的照片，有预训练缩放，然后有后训练缩放，还有测试时缩放，测试时缩放就是推理，但后训练缩放，你实际上可以大幅增加，每一步训练的批量大小，然后你就能得到，好得多的性能，你可以让这些模型，在尝试这些任务时，做更多的推理，所以我觉得你实际看到的趋势是，花在强化学习上的算力，正在大幅增加，明白了，所以现在是5% 但你预计它会上升 对吧，哦,它肯定在上升，对，好的,作为总训练预算的相对百分比，对,所以我不太清楚像Methos或者5.5这样的最新数据，但你知道基本上直到我们扩展O1,O3,Codex Deep Research的时候，我们看到的规律就是你往强化学习里投入的算力越多,性能就越好，所以这些东西是叠加的，有道理，对，也许再举几个例子,我觉得那非常非常有帮助，除了把这份菜单转成DoorDash之外，还有没有其他领域的例子，你觉得这个应用特别有用，可以跟我们分享的，有，我们之前聊过编程，我们最近刚和Cognition旗下的WindSurf 一起把一个模型投入生产，基本思路是，你在写代码的时候，你知道你保存文件，如果有一个模型，能在两秒内跑完，检查你写的代码，然后告诉你里面有没有bug 那该多好，所以这不是通用模型能做到的事，因为这里存在性能，成本和延迟的帕雷托前沿，如果你用一个很小的模型 [03:49:49]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

如果你用一个很小的模型

Apoorv Agrawal：如果你用一个很小的模型，你在后训练阶段拼命训练它，让它特别擅长抓bug这个任务，你就能同时拿到成本和延迟上的好处，又能达到那些更大模型的部分性能，明白了，所以对Cognition和Winterfly来说，价值增量在于，他们正在把产品线，从单纯写代码，扩展到测试和抓bug上，没错，对，我觉得这就引出了一个，特别有意思的概念，就是模型框架上下文，代码开发这几层之间的关系，你其实永远没法只盯着一层，很多应用层公司，都在框架层做了大量创新，而正是靠这个，他们才能从这些模型里，榨出价值，尤其是跟他们提供的服务，结合起来的时候，然后上下文也很关键，很多时候，如果你拿不到对的数据，你就不知道该做对的事，所以能接入公司内部，所有这些不同的数据源，这一点也极其重要，有意思，所以在这个例子里 对Cognition来说，扩展他们的产品边界，可能确实是一个，真正的竞争优势，没错，对，我觉得你会看到，大家开始推动，这些模型能力的边界，而且通常是一个模型组合，对吧，通用模型极其强大，是很好的编排者，但那些跑得快的子agent 或者用专有数据，训练出来的agent 这些数据，往往不在通用模型的，分布之内，就像这样的东西，它们可以被通用模型，编排起来，组成一个真正，强大的系统，所以我觉得，其实今天RampRamp Labs 就是那家企业信用卡公司，我们跟他们关系真的很好，认识那边不少人，他们训练了一个，强化学习模型，基本上就是用来，在你的电子表格里，做快速搜索，这其实就是一种方式，让你真正去改进产品体验，有意思，对，那我们换个话题 Yash 聊聊我们最近听到的一批 新兴模型训练技术，也许你能帮我们拆解一下，很乐意，好，先从持续学习说起，好，它是什么，我们认识很多聪明人，都把它当作下一个前沿，包括你，对，给我们讲讲，好，持续学习其实就是，我之前提到的那个东西，也就是怎么从，极其稀疏的奖励中去学习，对吧，比如说如果你有一个系统，部署在生产环境里，你实际上怎么去理解，那个AI模型是怎么被使用的，去理解它行为带来的下游后果，然后用这些信息去更新系统，让它随着时间变得更好，所以我这里准备了两个例子，关于对两个例子，说明我觉得这件事开始变成什么样，说清楚一点，我觉得这会是一个非常渐进的过程，所以很多持续学习，其实卡在能不能拿到合适的数据上 当你在生产环境部署一个agent的时候，你有没有把它放到对的人面前去获取反馈，你有没有真正深入理解，所有必要的上下文，去判断什么算好，什么算坏，这本质上就是个数据获取问题，所以我觉得这会是一个，缓慢渐进的过程，而不是说突然有人想出了，一个极其宝贵的动静，但今天已经能看到几个例子了，比如Cursor 他们有个模型叫Composer 本质上就是，他们在开源模型基础上，用自己的编程数据，训练出来的自研编程模型，他们做的是特别酷，他们基本上就是把这个模型，放到生产环境里让人用，然后捕获大量摇测数据，在线更新模型，也就是说基于他们算出来的，某种隐世奖励，去跑一个训练步骤，基本上就是看，用户有没有接受这个代码建议，还是说用户把这个代码回退了，这就是一个成功与否的 启发式判断，完全正确，对，然后他们就朝着这个方向去优化，通过这种在线训练，他们确实看到了改进，收集数据，跑一个训练步骤，再收集数据，再跑训练步骤，这也是我们一直在做的事情，其实我想接着Cursor这个话题，追问一下Yash 这里的横轴是步数，你能帮我们换算成时间吗，大概的量级就行 Cursor大概投入了多长时间，来提升Cursor的性能，对，是几天几周还是几小时，问得好，我觉得我们说的是几天，或者几天到几周这个量级，然后每一步大概要几个小时，明白了，具体数字我不清楚，但这里有个有意思的点，在基于可验证奖励的强化学习里，做离线训练时，你有一个可回放的环境，任务是一样的，奖励是定义好的 然后你可以把这个样本并行的rollout几百次，几千次，但生产环境你做不到，对吧，因为用户在用的时候，环境是动态的，或者有各种变化，所以他们真正实验的是，我们能不能直接拿一个超大batch 就是很多很多很多段对话，用这种方式把梯度去造，然后走一步，但愿这样能在方向上找到改进模型的路子，所以对，这就是我说的每一步大概几个小时，而且每一步都相当大，里面包含很多样本，右边这个是我们一直在做的东西，就是上下文基础这个想法，你能不能真的用agent在离线状态下，投入算力去分析一堆文档，分析人类过去和agent交互的轨迹，从中提炼出能提升下游性能的经验，我们能看到的一个结果是，在不同的推理力度下，用同样数量的token 性能有大幅提升，所以对这只是两个例子，从宏观上看，你会看到在权重更新，上下文，以及模型框架本身，这几个层面上的创新，才能真正把这些信息捕捉下来，有意思，对，这个话题后面还有更多可聊的，对，第二个话题是非Transformer模型，对，课上很多人讨论过Transformer并不是一种非常高效的架构，功耗很大，我们请过Aligazi 他说你看飞机飞行远不如鸟类飞行高效，对，事实证明我们是个很重的物种，比鸟类重得多 Transformer是不是也是这样，它虽然不高效，但会成为主导方式，因为全球基础设施已经围绕它演变和迁移了，还是说你觉得像Mamba这样的非Transformer架构，或者其他架构有机会，对，在未来成为AI模型的主导者，对，我觉得我诚实的看法是 规模化训练Transformer是有效的，而且有一个非常简单的配方，能让这些模型变得更聪明，更好，而且如果我们继续把它规模做大 AI更可能会告诉我们，更好的架构是什么，而不是靠我们自己想出一个来，如果这种架构真的遇到了瓶颈，限制了我们能做的事，那我觉得我们会在那里，看到一些创新，而且确实有一些很酷的研究正在发生，但我的观点就是专注于规模化，规模化训练Transformer 这场辩论的另一边也有非常聪明的人，你也知道，对 Ilya, Jan, LeCun 还有其他人在坚持那个方向，如果你能分享的话，你知道他们相信另一边的核心洞察是什么吗，他们为什么不同意你的观点，对，我觉得核心洞察就像我之前说的，你不需要预训练级别的数据量，就能真正学到语言的底层表征，我觉得Yann LeCun经常讲这个 就是说人类根本不需要那么多数据，所以我们开发架构，也不应该需要那么多数据，我觉得这就是他背后的核心论点，就是从第一性原理出发，就是你不应该需要它，所以外面一定存在更好的解决方案，但我觉得回到你的观点，我们在算力规模扩展上的投入，我觉得确实有人，在直接针对芯片里的架构做优化，但我觉得那是一艘很难掉头的大船，到目前为止，我们看到那些实验室，我觉得他们会主导很大一部分这种建设，他们做的还是在Transformer架构上投入更多，他们确实也在研究新东西，但我觉得那些都还在实验阶段，你懂的，对，有可能成，有可能成，真是个好时代，因为你知道巨额资金正在涌入这些技术，所以我们就等着看，看结果会怎样，对 快速问答，最后五分钟 Yes 你知道班上很多同学，在决定要做什么，做技术站的哪一层，从哪开始，如果你今天没有在，创办Applied Compute 你会做什么，对，那你会去做什么，你下一个最好的想法是什么，这个问题我想了很多，因为我觉得，我们在Applied Compute 一直遇到的一个问题，而且我知道很多其他AI公司，也遇到了就是算力稀缺，我觉得需求远远超过了，算力的供给，而且我觉得，在给这些算力供电的能源来源上，还有把芯片本身做得更高效上，都会出现巨大的创新，倒不是说我有硬件，或者芯片设计之类的背景，但我觉得我们完全可以做出，好得多的硬件，去优化训练和芯片设计的代码开发，所以我大概会去研究硬件，好谢谢，长期和短期的博弈，对，选一个你非常喜欢 让你很兴奋的生意，产品或人，好，再选一个反事实的，就是被炒作的，比现实更厉害的东西，对，我觉得这跟我上一个回答，是一路的就是算力，还有像英伟达这样的，芯片供应商，我非常长期看好他们，我觉得他们会继续赢下去，他们会继续给所有实验室供货，不过有意思的是，一旦你去看英伟达的算力经济账，他们在芯片上要拿走，大概75%的毛利，而这些实验室在花几千亿美元，问题就是，也许我们可以拿个几千亿出来，投到真正属于自己的芯片设计上，那样我们就能把模型训练，架构和芯片的所有代码开发，都在内部做完了，而且也许我们的芯片，只有80%的效率，但我们只要造出1.2倍，或者多少倍的量就行，所以我觉得总的来说，芯片这块 英伟达应该还是会保持领先地位，我觉得是很有价值，但我也确实看到一种风险，那些实验室是最大的客户，或者他们干脆把这些东西，全部内部化自己做 [03:59:49]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

全部内部化自己做

Apoorv Agrawal：全部内部化自己做，但这非常难，有一件事我相对没那么看好，就是数据市场，这个市场真的很难做，好你想，一个强化学习任务，一开始的模型，其实并不聪明，你把它训练到，在特定任务上非常聪明，然后你再想去找新的，能继续往上爬坡的任务，就难多了，对吧，所以当我们，因为问题本身难多了，完全正确，你会陷入一种被挤压的状态，我卖给客户东西，帮他们改进模型，但同时也给自己增加了难度，因为下次他们来找我说，帮我建这个任务的时候，我得花更多的钱，要花更长的时间诸如此类，而且我觉得模型本身，也在变得越来越强，所以你会开始看到，大量的合成数据生成，因为你想，一个强化学习任务，很多时候靠的就是，利用某种生成器验证器差距 比如代码这块，对吧，你把单元测试留出来，让模型去尝试完成任务，然后拿测试去跑模型输出的结果，这其实不需要真人来做，模型越聪明，你就能围绕合成数据，达出越好的流水线，所以我不觉得数据这个东西，每隔几年就有人说它要完了，但它一直没完，但我确实认为它会变，数据市场里最优秀的创始人，其实都很擅长转型，就像你知道的下一步浪潮是什么，机器人数据，第一人称视角数据，比如带上GoPro 收集一大堆这类东西，所以我觉得今天的，强化学习环境会很难做，但他们会，你知道的，他们会转向下一波浪潮，太好了，最后一个问题，你最喜欢的AI产品，或者最喜欢的AI模态是什么，这个问题，好，我很喜欢GPT 不对，是Image GPT-2 Image Duo Image R Image Duo 对，你知道的，它刚出来的时候，我玩得特别开心，我觉得它对我这种，不会做设计的人，或者像直观看到东西的人来说，用处特别大，很多时候我拿张纸，或者什么东西，丢进Image 2 它就能给我一个，很直观的视觉演示，告诉我这东西是怎么运作的，所以那可能是我最喜欢的 AI产品，我给你看个东西，好，这个演示文稿里，最漂亮的一张幻灯片，就是一张Image Duo生成的图，我把课程大纲喂给他，他就说，这样怎么样，这张，能看出来的人签名就是这里，这个图像的双重水印，真的吗，有意思，总之很棒，非常感谢你来做客，不该谢谢你，我们继续聊，看看这些赌注最后会怎么发展 那就这么定了，太好了，谢谢邀请我来，好，今晚的嘉宾不用我多介绍，我相信在座很多人都在Vercel上部署过代码 Guyen Moral显然是Versailles的创始人，但他还创建了Next.js 全球最流行的 React框架 Versailles现在是最重要的开发者基础设施公司，估值93亿美元，接下来我要说的这部分，连我自己之前都不知道，你故事里最精彩的部分，讲完了吗，对请讲，那就是你在布宜诺斯埃利斯的郊区长大，你小时候自学编程，靠读软件手册学会了英语，通常顺序是反过来的，对我不得不这样，那时候没有西班牙语手册，或者说非常少，而且你11岁就开始，远程接JavaScript的活，对，你高中辍学，搬到旧金山去闯创业圈，然后接下来就更有意思了，所以你需要2001年的签证，才能到这来 于是你写了一本书，这本书是最受欢迎的书，叫Smashing Note.js 2012年由Wiley出版，而且你知道吗，你真的是为了拿签证，才写了这本书，对，我做了很多事，都是地域难度，比如高中辍学，在美国想拿签证，真的很吃亏，结果发现是这样，对，所以有些事帮了我大忙，有些事则相反，结果发现，人们特别看重学历，所以别辍学，别放弃你的学位，或者也许你可以辍学，但有利有弊，接下来要发生的是，所以这位从，阿根廷高中辍学的家伙，就是今天课堂的嘉宾，请大家欢迎 Guilherme Rauch Guilherme 感谢你来做客，我看了你的幻灯片，我很想请你为我们做个介绍，太好了，好谢谢你的介绍，感谢邀请我，我会尽量讲快一点，好留出时间做问答和互动交流 所以如果你们当中有人不了解Vercel 我们构建了一个庞大的工具生态，尤其是开源工具，现在已经构成了现代网络，和现代互联网的很大一部分，所以即使你不直接用Vercel 我最近最喜欢举的例子是，如果你在麦当劳点一个巨无霸，你就在用Vercel 如果你在订一辆保时捷，你也在用Vercel 不是说你今天就会买，但也许等SpaceX上市之后吧，所以每次你上网，可能都在通过网页，直接和Vercel交互，而且现在越来越多的情况是，如果你用Open Evidence 或Glock这类系统，你其实是在和托管，在Vercel上的agent的交互，所以我们打造了一整套工具和框架，我觉得他们和今天的讨论很相关，因为我们压住开源，这源于我自己的经历，我是阿根廷人，年轻的时候，想要免费的工具和免费的信息，我想让我的技术尽可能的，被更多人用上 所以开源对我来说，是一个非常容易的决定，但后来我们在开源之上，建立了一家了不起的公司，这其实有点反直觉，有过一些先例 The Tabrics 我记得他们最近跟你们聊过，但我们成功建立了一家，强大的基础设施公司，基本上就建立在这些工具之上，让你能部署，保护，扩展网页，和agent 我喜欢这么叫他们，所以Versaul这段旅程里，很有意思的一点是，我创办这家公司的时候，我痴迷的是开发者体验，当时有部署的方式，有AWS Google Cloud 和Azure 但他们有点那种，让我觉得真的很难用，哪怕是一个，钻研了这方面几十年的，资深工程师，我在创办这家公司之前，坐下来，想给我当时的新创业公司，部署一个网站，结果花了我好几个星期，然后我意识到，那就像是发明家的顿悟时刻 用当时最前沿的技术 ReactJS和Kubernetes 去部署一个破网页，不该这么难，于是我就决定了，那群JavaScript开发者，是一个规模很大的群体，我决定直接瞄准他们，如果你知道怎么搭建一个前端项目，也就是应用的界面那一侧，我想给你部署的超能力，而且不只是把部署做成一件好事，我想部署的东西，要能扩展到整个地球，要在任何地方都快，就这样，从那个可以说是一小群人开始，我们长成了今天的Versil 但从那以后变化的是AI 顺便说一句，我以前算过一笔账，全世界大概有2000万开发者，基本上能搞定这件事，我当时觉得这是个很宽松的限制条件，不知道你们还记不记得，但那时候硅谷特别火的东西，是编程训练营，对，是的 你花三个月学react 就能找到一份工作，当时人们就是这么跟你说的，而且确实如此，现代JavaScript工具的学习曲线，其实相当低，所以当时挺酷的一点是，我可以这么说，嘿，如果你知道怎么打造一个，让人信服的用户体验，基础设施就全交给我，我来负责扩展，你永远不会当机，你永远不用操心，负载均衡和底层技术设施，所以Vercel就会这么做，但自那以后，真正让人兴奋的是 AI和编程代理，让能创造软件的人出现了爆炸式增长，事实上，如果再往前追溯，开发者曾经是极小的一群人，只有他们能接触到大学里的主机，而编程的历史，技术的历史，就是不断把机会开放给越来越多人的历史，所以我们今天要聊的很多内容，就是AI带来了软件可服务市场史上，最大的一次扩张和革命，尤其是软件创造这件事 在我们这个时代前所未有，具体到Vercel身上，从去年10月开始，尤其是一个特定的编程模型出现之后，也就是Opus.5 我们开始看到越来越多的人，涌向我们的平台，我们几乎成了编程代理的，花生酱和果酱，所有人都在被花生酱和果酱淹没，那就是编程代理，而你需要基础设施去部署软件，所以我创办公司时的一个洞察是，会写代码并不会让你特别，把代码部署出去，放到客户面前才让你特别，学习真正开始，是在用户面对你代码的运行版本那一刻，事实上我对GitHub有点困惑，在GitHub之前是SourceForge 再往前有个东西叫FreshMeet 人们曾经为把软件以代码型的形式存起来，而兴奋不已，你可以去任何一个GitHub仓库 但真正跑起来其实很难，我们有这个世界堆满了跑不起来的软件，所以我的想法是，最终赢下世界的人，是那些不只写软件，还能把它部署出去，让它跑起来的人，所以编程代理的兴起之所以让人兴奋，是因为编程代理不会屈从于我们人类，有时会有的那种偏见，就是代码在我机器上能跑，我就把它存在我机器上，因为我对代码在我机器上感到安心，编程代理热爱部署，所以我们就是那层，涂抹在编程代理所写，软件上的部署黄油，而这件事还教会了我们另一件事，因为我们正看着这个世界，在我们眼前划过，那就是云的本质正在改变，你刚才在拿电子邮件，和web服务开玩笑，所以我要提出一个挑战，如果亚马逊今天才创立AWS 我不知道他们还会不会 叫他亚马逊web服务，因为今天人们感兴趣 [04:09:58]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

因为今天人们感兴趣

Apoorv Agrawal：因为今天人们感兴趣，去创建和发送的实体，是一个agent 所以实际上他们会叫他 As Amazon Agent服务，所以我们今天，用这个平台在做的事情，就是为下一个人们，想部署到云上的实体或对象，也就是AI应用和agent 创建一整套基础设施，源语和框架，这方面有一些例子，你知道，我们过去经常谈论，亚马逊的智慧，就是当你上amazon.com的时候，那是一种很棒的体验，我在上面买很多东西，他们发现的一件事是，如果页面加载的非常快，人们就会买的更多，多简单的道理，如果你的前端页面非常快，人们就会买的更多，转化率也会更高，他们不只是观察到了这一点，他们的数据还显示，每多等100毫秒，转化率就下降1% 所以互联网的很大一部分，就是建立在这种 及时请求和响应的理念之上的，现在我们正从我们的agent云上看到，这种情况正在改变，你并不总是能立刻得到回应，所以我们需要为这些漫长的思维流，创建新的基础设施，在这些流程里 agent在世界上行动，为你工作，一开始它需要几秒钟，这已经和我们过去部署的那种，基础设施很不一样了，然后变成了几分钟，然后又变成了几小时，而现在我们看到，有些agent可能要忙上一整天，才会给你报告，才会给你分析，才会帮你把软件建好，我们现在在Vercel上，托管的一些平台，正在替人们创建公司，他们正在取代那些维护，推广，壮大，并扩展这些公司的agent 而且是在镜头前发生的，所以从旧世界的页面，正在转向agent 我们运行的这种计算机 也在发生相当剧烈的变化，另一件让人着迷的事是，云计算的很大一部分，是建立在一个叫 EasyR的了不起的计算产品之上的 EasyR普及了一个概念，如果你想要一台计算机，你只需要刷一下信用卡，就能立刻得到一台，如果你需要100万台计算机，你只需要为100万台计算机付费，这就是弹性算力，而弹性算力，是为人类写的代码而设计的，所以从经济角度看，你能向世界卖出多少算力，是受限于我们有多少程序员，我之前提到过，能创造软件的人数正在扩大，也许是10倍 20倍 100倍，但现在agent正在写软件，他们在写软件，在修软件，在保障软件安全，我们显然也看到了真正智能的模型，在网络安全领域带来的后果，我们有黑客agent 也有好的agent 就像世界上的好警察和好警察一样，所以我们看到对算力的巨大需求，对agent写的代码的巨大需求，另一件我们会经常谈到的事是 token成了新的热门商品，对吧，一直以来 Vercel只允许像素流动，所以你得到的是一个UI 或者某种软件应用，现在我们开始以Token的形式流动智能，这也在改变定价模式和商业模式，你可能听过很多关于SaaS之死，按席位计费模式之死，以及按Token计费模式兴起的讨论 Token衡量的是智能，顺便说一句，这并不是说我们正在从等式的一端，疯狂转向另一端，实际上我仍然非常看好，以人为中心的体验，所以你会去访问品牌体验，你会看到这些agent 在某种丰富的环境里，捣鼓出来的成果，事实上 我甚至预测过，一个更崎岖的网页，更崎岖的互联网会回归，我小时候，有一个特别棒的软件帮我创作，叫Incarta 那是一本活着的百科全书，你选一个主题，它就像一种交互式，内容丰富的体验，比如你想研究吉萨金字塔，那体验就特别酷，现在我们把云和这些东西都做出来了，你上维基百科，看到的是一大墙文字，也许右边配一张照片就算不错了，所以我确实预测过，我们会通过视频生成 3D模型生成，得到更沉浸更疯狂的体验 Versailles上有一些平台，在做特别棒的实时3D渲染，所以以人为中心的体验会很有价值，但我们新的世界观是，我们正在向所谓的代理基础设施转型，代理基础设施有三个边，构成一个漂亮的三角形，第一 代理基础设施，是你需要给你的编程代理，提供的基础设施，就是我跟你说的那个，花生酱和果酱组合，所以如果你在用Claude Code 如果你在用Codex 如果你在用V0 这些软件编程代理，总得部署到某个地方，所以这就是我们所说的代理，基础设施，另一件非常重要的事是，你会构建自己的agent 就在今天，有人来我办公室描绘了一个令人惊叹的愿景，未来的AI原生学校会是什么样，这个人说的很多话都让我强烈共鸣，因为他们是从agent的角度在重新思考教育，它仍然涉及人老师学校学生，但他们要交付的是一个agent 而不是一组互相关联的网页，也许最令人兴奋的一点是，这个想法将由agent来自动化，所以我先快速讲一下第一性原理 事实是编程agent需要基础设施，我知道你问过我们看到的增长数据，其中一个非常有趣的动态是，当你跟编程agent打交道时，这个编程agent对世界，有一套先入为主的认知，它在幕后有一个世界模型，给我们带来巨大顺风的一个因素是，模型已经从互联网上，关于next.js react 我们开源软件的浩瀚知识中，学到了东西，事实上这份报告里提到，比如我们的UI引擎，我们叫它ChatCN 它几乎处于垄断地位，占94.1% 当你决定部署React 或Next.js时 Vercel也几乎处于垄断地位，我很喜欢他们向监管机构，解释这个说法的方式，因为报告说它也是100% 但我猜这算是一种近乎垄断，总之编程agent 在某种程度上已经拿定了主意，这绝不是板上钉钉的，当你给他们特定任务时，这些确实是很好用的工具，比如，如果你在做一个SaaS应用，它极大概率会用Chatien 因为我们创建了，编程agent可以用的基础设施，你可能会问这个问题，我自己也确实问过自己 agent为什么还需要，附用已经存在的软件，这里有一种经济性，有一种效率偏好，对吧，理论上，一个编程代理，每次在你问他事情的时候，都可以重新发明世界，为了做出一个应用，他得先发明整个宇宙，他可以自己写一个Linux内核，他可以自己写网络系统，他可以写macOS 所以压住在开放的基础设施上，其实帮了大忙，因为现在编程代理，有了一个可以往上堆代码的目标，就像乐高积木一样，没错，事实上 Mitchell Hashimoto写过一篇很棒的文章 他是Hashicorp的创始人，最近加入了Versailles的董事会，他把我们现在要进入的世界，叫做积木经济，你得去想，你能给代理提供哪些构建块，如果你想参与其中，也就是说，我怎么才能让Claude Code 或者Codex 或者Grok CLI 选我的技术，你要想的是那些，符合代理人体工学的积木，这是第一点，我提到的另一点是，未来的软件会是代理，比如在Vercel 我们做了一个支持代理，现在能回答93%的用户咨询，这让我们的业务效率大幅提升，也改善了客户体验，所以我们会衡量，客户跟代理聊，跟真人聊，哪个更满意 93%这个数字，也让我们有能力，给多的多的人提供免费支持，所以我们用Vercel交付的那个东西，是一个agent 而不是一个基于知识的超链接网页，所以基本上，我们已经打造出了，构建agent所需的工具，积木和基础设施，我不打算深入技术细节，但我要告诉你一件很有意思的事，这里面有大量和旧互联网时代相似的隐喻，比如说，任何时候你把一个web系统部署上线，通常都会在系统前面放一个CDN CDN市场，像Akma和Fastly这样的公司，他们出现就是为了扩展，加速并保障页面和像素的交付，我们看到同样的事情正在token上发生，我们创建了AI Gateway 这是一个定义类别的产品，它就像token界的CDN 你从Claude 从Anthropic 从Gemini拿到Token 同样需要被观测，他们需要故障转移，他们需要被保护，而且在很多情况下 他们需要被加速和缓存，还有现在正在发生的，特别让人兴奋的事，我们可以对他们做负载均衡，你可能听过一个梗，说问GPT 5.5一个问题有多贵，你对他说谢谢，就激活了大概300块GPU 他回你一句不客气，所以想象一个智能CDN 他说，如果用户对我说，谢谢，我幕后有一个较小的模型，直接就能回一句，不客气，或者直接给个列表，对吧，或者用语义缓存，所以，从我们为互联网第一章，所构建的基础设施，到这个智能体互联网，有大量相似的隐喻，而且我很喜欢CDN这个例子，沙箱我刚才已经讲过了，它就像是agent的ECR 或者说最基本的计算单元，用一个不太技术，或者说比较通俗的解释就是，如果你给模型一台电脑 它就能变得更强大，或者说你能从模型身上，榨出更多IQ点数，所以模型正在被训练去使用电脑 [04:19:53]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

所以模型正在被训练去使用电脑

Apoorv Agrawal：所以模型正在被训练去使用电脑，实际上在后训练阶段，模型会被放进带游乐场的Docker容器里，所以模型就像是在迷你电脑里，先练练手，然后才去见世面，因此当你使用模型时，给它一台电脑，你就能从他身上，获得更好的表现，这跟人类其实挺像的，对吧，我们雇一个普通的脑力劳动者，你加入一家现代公司后，做的第一件事是什么，我们会给这个人一台电脑，也部门说，给你一台笔记本，预装好你的软件，等等，我们对agent做的也是同一件事，我们会说 agent 这是你的电脑，尽情发挥吧，也还会预先给你配好一些软件，让你干活特别高效，现在就像个人电脑，革命一样，它带来了病毒，它带来了网络钓鱼，它带来了尼日利亚王子，承诺你一键就能领取巨额财富 所以Agent也可能落入陷阱，把你的数据偷走，泄露出去，所以我们正在打造一整套安全产品，来保护这些沙箱和电脑，所以你会看到，又会涌现出，整整一类产品和公司，专门为Agent量身定制网络安全，还有其他很多方面，最后一点，也许也是我最兴奋的一点，既然我们聊到了特斯拉全自动驾驶，自动驾驶汽车和vamo 云本身也会变成一辆自动驾驶汽车，如果你有大规模运行软件的经验，你就知道它充满了像值班寻呼这样的麻烦事，那是种很可怕的体验，所以我有个从stripe创始人那借来的议事，他说每次听到鸭子叫，它的皮质纯水平就会飙升，为什么，因为它值班寻呼的铃声，以前就是鸭子叫，那意味着stripe正在崩溃 所以每次听到鸭子叫，他就紧张不安，所以维护软件，并在云端扩展他的平均体验，其实相当戏剧化，比如半夜收到一条告警，某个数据中心当机了 AlphaSoul在很大程度上，把很多这种痛苦自动化掉了，但痛苦依然存在，我不会跟你推销那些不真实的东西，比如你还是得坐下来监控各种东西，你得确保性能不会随着时间推移，而下降，所以这就是我对，云端的自动驾驶汽车的愿景，一切都自我配置，一切都自我优化，我们都会过上很好的生活，因为agent会在幕后，做所有这些工作，他会跑过来跟你说，我刚优化了你所有的软件，我让他快了两倍，这是PR 或者也许我已经把他上线了，而且我测过，他提升了你客户的转化率 所以这就是代理基础设施，这事的第三条腿，说几个特别快的客户例子 Meta已经自己建基础设施，建了很多很多年，很多在这些教室里学习过的人，后来都去了Meta 做出了不起的开发者基础设施，但他们发现Verso的基础设施，有这个优势，他们需要跑得特别快，他们的工程师在用编程代理，就这样Verso进去了，现在跑着Meta超级智能实验室的，很多业务，实际上我们帮Meta跑得更快，靠的是他们不用采购那么多软件，他们基本上就是所谓，氛围编程出来的工具，这些工具让他们训练模型更快，他们上线Meta.ai比原来快得多，靠的就是代理基础设施 Notion也在大力投入他们的第二章，很棒的工具，我天天用，但Notion本身也在变得agentic 这就是我提过的那个预测，未来所有软件都会是一个agent 所以Notion也在用Versailles的基础设施，来加这些AI和agentic能力，比如现在，我们就可以有一个notion转录agent 正在给这门课做笔记，那套基础设施就跑在Vercel上，所以长话短说，我们基本上在建一个，你可以理解成AI或agent界的AWS的东西，而且它是一个全占云，从开发者工具一路到基础设施，现在我们可以进入问答环节了，太好了，谢谢你，这软件正在消亡 Vercel就像一把砍刀，正在森林里开路，这就是人们用来做，氛围编程的东西，你一定听说过这些事，大家都在氛围编程，那些人们已经不再采购的软件，有没有一些例子，比如说上市软件公司的产品，被客户用V0 或Vercel氛围编程做出来 然后替换掉了原来的商业软件，越大越好，对，我一直在想的一件事是，最好的软件永远是那个，最贴合你需求的软件，撒有点奇怪的地方在于，一方面它需要很多很多聪明人，产品经理设计师，聚在一个房间里去说，什么样的通用UI 能让最大数量的客户满意，然后我们把它交给全世界，然后他们希望获得指数级的采用，因为比如说，我给你看一个报销工具，你说对，我可以把我的业务，塞进这个报销工具里，然后我把它给另一个客户说，对，也许你只需要把标签翻译成我的语言，但我也可以把它卖给那个人，但那仍然是最大公约数的软件，他需要这种非常好神的设计过程，去琢磨到底是一组什么样的像素，能让最多的人满意 我觉得现在正在发生的事，我不会把它叫做软件的死亡，我会说如果你用Vercel 软件从来没有跑得这么快，这么有生命力过，我们见过一些例子，这个是我最近从一个创业公司客户那里听来的，他们的首席工程师跟我说，哥们儿，你们的平台太危险了，我的CEO都在自己发布软件了，他用V0氛围编程搞了个东西，把我们原来的停车场管理软件给换了，还省了一大笔钱，你看这个例子，帕洛阿尔托那些聪明的公司，有几个会去做停车场软件的，对吧，不多，所以有一整类软件，我们一直生活在其中的世界，并不理想，那根本算不上高质量的软件，而现在，你离做出一个真正好用的版本，贴合你问题级的那个版本，只差一两个prompt了，我们看到的另一件事是，记录系统或者说数据库保持不变，但我可以创建一个 高度贴合我业务需求的表现层，有件事大家听了可能会意外，我们Vercel内部，把整个Salesforce重新发明了一遍，全部都是，就像我们所有的销售代表一样，当他们需要了解某个客户，某个销售机会，或者需要查看商业智能数据，比如该怎么去推销的时候，这一切都是自动生成的，而且只要两个人组成的团队，就做出了一个新版Salesforce 想想还挺疯狂的，比如说Salesforce有多大，按市值算的话，那可是几千亿，几百亿美元的量级，对吧，现在想想，我直接就能生成一个版本，专门贴合我的业务，不过话说回来，我们现在还在大量使用Salesforce 搭起来的工作流和数据库，所以这不是一个二选一的情况，你可以一步步让软件变得更有可塑性 更易调整，也更贴合你的需求，所以从某个层面看，我觉得人们低估了会有多少现成应用被扔掉，被这种软件生成带来的惊人速度所取代，但在其他层面，我觉得你高估了底层记录系统 ACL系统，访问控制层，这些东西你都是可以附用的，所以那些用正确的agent的接口，把自己开放出来的公司，比如MCP COI和其他API 这些SaaS公司会很好的融入这个世界，而且我想不会被编程代理干掉，对太有意思了，那我们真得请Vercel的创始人，来给软件行业上一课了，你的业务，你刚才那张图表挺漂亮的，自从Opus.5发布以来，也就是2025年第四季度，变化相当大，也许除了业务量，随着编程变得这么厉害，你业务的其他部分还有哪些变化，也许留存率是大家聊得最多的，很多氛围编程应用都在说 你做的定制软件这么厉害，大家还需要它吗，就像周六早上拿来玩玩挺好的，但周三早上你还需要它吗，对我们全都看到了，就像在对着消防水管喝水，对吧，我们看到有些软件，只对一次客户通话有用，这很有意思，我们有很多客户买Versil和V0 因为他们是销售工程师，售前效率被拉高了一大截，他们进客户会议的时候，已经带着一个按客户定制的软件版本了，想象一下这个差别，我给潜在客户放一套欢能片，讲我的软件公司能做什么，还是我直接给他们看一个活生生的，能跑的软件，这就是一次性软件的典型例子，因为没人会幻想，三次通话之后我们又发现了新东西，然后全扔了重来，所以从这个意义上说，你说的对，软件死了，或者说变成一次性的了，或者我更喜欢说，软件现在基本上免费了 但这也确实拉动了大量使用，因为Toby Shopify 管这叫AI的反身性，一旦你知道，你离跟另一个人，用一段高保真，软件原型视力演示来沟通，只差一个prompt的距离，你就再也回不去了，我真心觉得，我很多年前写过一篇文章，叫放弃效率很难，这东西给公司带来的效率，提升太高了，有工程师跟我抱怨，天哪，我再也没法用老办法写代码了，我的脑子已经没法按老方式工作了，但话说回来，咱们也得说清楚，现在还有很多智能体工程，难度依然很大，我们构建的很多基础设施软件，真的很难，有时候我们得召集三个agent 凑够法定人数，再加上一堆聪明人，就位盯着某一行代码，告诉我们它到底对不对，所以还有很多软件，生命周期依然非常长，真正最大的变化，是受众变了 有客户来找我们支持，在X上给我发私信，说我遇到了这个报错，朋友，我压根不知道Vercel是什么 [04:29:52]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

我压根不知道Vercel是什么

Apoorv Agrawal：我压根不知道Vercel是什么，是我的agent 把我带到这儿的，我不数了，当时特别开心，但现在就卡在这儿了，而我帮他们的方式是，嘿，你能把我介绍给你的agent吗，我问他们，你能把对话记录给我看看吗，这样他们就能把它带回给我们工程师，也许我们能把它变成evals 然后搞清楚，我客户的agent是怎么走到这一步的，以前对话要直接的多，会有人把我介绍给工程师，工程师会跟我说，是啊，哥们儿，我去看了文档，你说，这是API 他写错了，这是报错，现在他要经过Cloud了，我们最终会走向一个世界，就是agent和agent 直接通信，客户的agent 给我的agent提交一个功能请求，或缺陷报告，我的agent就说，我该怎么在现有的这些任务里，给他排优先级呢 我们有这个token预算，有这些截止日期，还有我CEO的偏好，他想让我先发那个东西，然后软件就这么长出来了，对我要调出你这边的一张幻灯片，就是那张花生酱和果酱幻灯片，我觉得这个框架太棒了，而你这里最大的成就是，你能给我们拆解一下吗，所以86次里有86次，比如说Cloud选了Versailles的部署选项，还有你的UI组件选项集 Chat C 这怎么，我是说，这看起来像是板上钉钉的事，你们是怎么做到，在UI组件上拿下100% 或90%的市场份额，在部署上拿下100%的，这是不是，这是跟Cloud签的企业交易吗，还是说这东西好到，让agent都像在说，我得实时做一次精英搜索，我就选他们了，确实有那回事，说来也怪，对，是什么，以上全部都有 所以有一个以上全部，包括那笔交易，我这边确实有交易，不过我不能确认，也不能否认存在那种，扩大Versailles访问权限的交易，但我要说的是，一方面是成本和效果，就像我提到的，很多很多年来，我们产出了海量的内容，而且坦白说，是真正高质量的API 对人类和agent都同样好用，对吧，比如SEO那类东西，对，不不，甚至比SEO还早，那我给你举个例子，就是那个Tailwind Versailles 底下用的那个东西，我在它上面压了很重的柱，我不会说我是最早压住它的人，但这项技术在人类开发者圈子里，争议极大，因为它看起来很奇怪，有人用过tailwind吗，举手我看看，好那我解释一下，代码是有审美感的，你看着它 它可能看起来对称，漂亮，舒服，也可能看起来像一堆垃圾 tailwind 某种程度上，把我们推向了一堆垃圾，那个方向，代码行变得特别长，对我这种有严重强迫症的人来说，我得克服偏见，去压住真相，那Tier1给你的东西，是一个叫局部推理的特性，当你设计一个组件的时候，我说的组件是什么意思呢，比如说我在设计这个UI 对吧，比如这个幻灯片UI 它有一堆组件，我们可以把这个叫幻灯片预览组件 Tier1让我能用一种，极其面向未来的方式来设计它，我可以这样去推理它的设计，如果我把这个组件拿给你，你甚至可以把它插到 Google的另一个地方，组件照样完美运行，所以它给代码带来了，经济上的可扩展性，我在上面压了重注，而且我克服了自己 对代码长相的那种本能反感，顺便说一句，如果Telwin那位老兄，听到这期节目，他懂的，他以前就听过我的反馈，所以我觉得，就是从那时候起，我们开始从，以人为中心的代码设计，转向真正对人类，对组织，对经济都更可扩展的设计，所以我设计的很多技术，比如Next.js 都有这种局部推理的特性 React在空间维度上也有这个特性 Facebook团队也得出了同样的结论，随着他们工程师越招越多，他们需要能让代码规模化扩展的系统，所以我们在API设计里放了很多东西 agent们直接就吃透了，原因有很多，比如context window 你不可能把全人类的代码，都塞进一个语言模型的context window里，今天我们有100万，所以代码的这种局部推理特性，变得非常非常重要，有用于训练和锚定的内容，所以当编程代理启动的时候 他会去搜索，对吧，这些agent会创造出这类东西，我提到过，你可以在Vercel上创建自己的Salesforce 同时仍然把Salesforce当作API来用，你可以在Vercel里，无头使用Salesforce 来托管应用，这一侧，所以这套技术战，也很好地融入了那个世界，所以基本上是一系列因素，汇聚在一起，把我们带到了今天这一步，非常可组合，对，可组合性，这个总结很到位，可组合性是这种智能体，可扩展性的关键前提，有意思，还有一张幻灯片让我很感兴趣，就是你做的事情有多少，这涉及的东西非常多，有些独立公司，全职工作就是做其中一件事，从沙箱到聊天，再到工作流，这似乎意味着，你在和整个技术站上的，一堆公司竞争，对，从可能不算裸机 但也就是紧挨着裸机那一层，一直到UI元素，当然还有部署，你是怎么决定，全都自己做的，全都自己做，哪些部分你会给自己打A加，又有哪些可能不到A加，你面临竞争最激烈的地方在哪里，对，这张幻灯片里，我只给你看了A加的产品，我觉得有很多东西，坦白说，我们随着时间推移，会扔掉或者降低优先级，我觉得甚至希望，在他们被大家看到之前，就处理掉，对但更大的设计选择，是全都自己做，这有点像史蒂夫·乔布斯说的，你得从机柜背面开始，把整个东西都做出来，我确实这么认为，我确实这么认为，对真正要紧的东西，你必须做全套 agent 要紧 agent很可能是，最后一种软件形态，而我在做的，就是构建agent所需的工具，和基础设施服务，我们不可能不参与 这个世界上最激动人心，增长最快的经济，这里有几件事，第一件是Vercel的产品开发理念 Vercel的产品开发理念是，我们靠吃自己的狗粮来构建产品，所以AI Gateway 就是这样一个token的CDN 它就构建在Vercel之上，实际上我们差不多把配方开源了，这样你也可以构建自己的，能与之竞争的token网关，比如像Open Router那样的东西，对，你可以再造一个，也确实有公司做出了不同的版本，做了不同的取舍，跟各自的服务，做了不同的集成，它用的是Fluid Compute 那是我们的计算平台，它用到了全球庞大的网络，基本上附用了我们大量CDN的能力，对吧，所以回到你的问题，我为什么要进入这个业务，这么说吧，我能附用火箭发动机的95% 对吧，还是同一个火箭引擎 同一种火箭燃料，就是当初驱动像素，或页面CDN的那套东西 Sandbox就是个绝佳的例子，我跟你说过 Verso平台在极短时间里，经历了疯狂的增长，这种事发生在创业公司，甚至成长级公司身上时，通常的结果就是什么都崩了，我很高兴地报告 Verso几乎什么都没崩，当然没有哪个服务是完美的，但我们的Sandbox 附用了同一套虚拟化底层，平台上每一次部署都是靠它驱动的，所以我们能把自己在扩展算力上的运维经验用起来，这个我前面还引过另一个指标，我是说我们短短几个月就翻了三倍，自一月以来，每日部署量甚至翻了一番，所以我们每次部署都会造出这些临时计算机，用完就销毁，有道理，所以Sandbox基本上就是把那套算力经验和虚拟化经验全部附用了一遍，对我们来说 这也是一个非常顺理成章的赌注，太有意思了，我接下来要问你的这个问题，我其实特别期待问，因为你在产品底层做了太多事，而且做出来的产品显然又那么漂亮，你知道这门课上，我们最常问的一个大问题是，价值会沉淀在哪里，对，从芯片到数据中心到基础设施，甚至到模型之下，模型本身还有agent 对，而且说实话，感觉至少在2026年，就现在这一刻，有大量大量的价值，正在流向模型之下的东西，芯片数据中心，电力散热能源，模型之上，编程模型有一些价值，客户支持和法律等领域，也有一些价值，但很集中，对展开说说，基于你在Vercel上看到的一切，你觉得价值会流向哪里，我的感觉是，你见过那些数据 比如代币经济里有多大，比例流向了编程代理，对吧，编程代理似乎是通往通用人工智能 最有希望的路径之一，或者他们可能就会成为，通往通用人工智能的那条路，所以对我们来说，好就好在我们建好了基础设施，就是编程代理，真正要做有用的事，所需要的那套东西，对，我觉得像这样的机会会有很多，说到底，决定我们是在一个巨大的泡沫里，还是在人类最激动人心的篇章里，取决于我们有没有交付，有用的服务和产品，所以结果就是模型要有用，它需要一个沙箱，需要一个部署平台，还需要一个域名，其实前几天我听到Codex团队说，人们会进入你刚才隐约提到的那个世界，就是我怎么理解agent在做什么，或者说像agent引擎优化 Codex团队告诉我们，很多人想给自己的作品起名字 想给它一个域名，所以他们其实是通过域名，先找到Vercel的，这其实我早期就压住过 [04:39:53]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

这其实我早期就压住过

Apoorv Agrawal：这其实我早期就压住过，要把购买和配置域名，做得极其快速简单，因为DNS简直是地狱，我的直觉是，当一个人有了想法，我们在座都是，很有创业精神的人，很多人会先去，把域名买下来，对，我囤了太多域名，多到我自己，都不知道拿它们干嘛，有时候到续费的时候，我心里还挺难受的，所以我当时就赌，你每年的预算是多少，话在，说出来挺丢人的，就是数目不小，但我跟自己说，这是数字地产，所以值，所以我们当时就赌了一把，想着当你有个想法的时候，你会需要这个东西，你会需要DNS基础设施，你需要域名等等，结果这个赌注回报非常丰厚，因为每当这个软件世界的新用户，冒出一个想法，他们就会过来，我们执着的目标是，能不能成为地球上 任何一个新想法的入口，我觉得任何能帮这些想法落地，变得有用的生意，都会做得非常好，我觉得安全会是这个世界里一个极其重要的考量，我得保持专注，我们的产品线也很有前景，但就是还有太多东西要建了，而且我最近想的很多的，不只是怎么让这些agent有用，还有怎么治理他们，怎么给他们加护栏，怎么让他们安全，怎么保护更广的互联网，所以我们的使命很大一部分就是，我们真的停不下来找工程师，我觉得现在有很多讨论，比如工程师是不是要完了，我可以告诉你，光是为了满足编程agent的这个用力本身，带来的惊人需求，就还有太多东西要建了，很有意思，快问快答，最后几分钟，挑一个你看多，非常看好的生意，再挑一个你看空，根据你所知道的一切 可能撑不下去的生意，做空的话你知道，我早就预言过他们的衰落，我是说现在这已经是明摆着的事了，但我很早就看出来了，比如任何做静态数据，或内容生意的，基本都完蛋了，对吧，当时最典型的例子，就是Stack Overflow 它就是个聚合器，攒了一个编程问答的数据库，我告诉你一个类别吧，因为我不想点名，把具体公司拉出来批，这个类别就是，任何觉得代码稀缺，代码难产的公司，有一整类拖拽式构建器，基本上就是带辅助轮的编程，我一直很讨厌那个类别，因为我从来不喜欢被人看低，我一直觉得那种软件，很居高临下，对太自以为是了，自以为是束手束脚，我就觉得我像个小孩，非得给我塞一个这种小界面，好像代码很吓人似的，所以有一大堆公司，是建在那个地基上的 他们接下来得认真想想，怎么转型诸如此类，还有那些不肯开放的公司，编程代理带来一个惊人的结果，就是他们想直接拿到原始信号，他们想直接杀到数据那里去，他们不想跟销售聊，不想花三个月，聊你的需求是什么，你的痛点在哪里，不，他们就想直接开干，按用量计费，及时注册，马上把token 灌进我的数据流里，这种东西才会赢，但现在互联网经济，有很大一部分，是建立在什么上的呢，我们其实没什么产品，我们有个电子宣传册，你得先跟企业销售代表，谈个三年，然后也许会有软件冒出来，你会忘了，软件生态里，还有多大一块是这样的，所以我看多，所有以token的速度，在跑的公司，对，所以我们做了大量工作，就为了满足这个需求，比如我最近在公司内部，写的一份报告里提到，作为工程师，你被教导要加限流器 限流器对系统的运行健康，非常有用，举个好例子，这又回到那个假想的，帕洛阿尔托房间，聪明人聚在一起说，没有公司每分钟，会部署超过100次，所以行限流写进代码里，每分钟100次，完全是随便定的，如今没人能真正知道，需求或合理配额是多少，你确实需要非常担心滥用KYC这类事情，因为我背后是超级计算机在支撑，所以我不能让任何人立刻收到一张账单，比如你两秒钟就烧掉了，一万亿美元的超级算力，能付一下钱吗，但我跟公司说了，伙计们不再设限流了，当然这算是一种挑衅，再说一次，出于运行健康的考虑，里面确实需要保留一些机制，这和按用量计费的定价模式是相辅相成的 那我为什么要限制你使用更多资源的能力呢，所以现在这是个好问题，我们有庞大的agent平台，一个三个月前还不存在的YC公司，在Verso平台上产生了大量部署，多到让我们都惊讶，哦我都忘了我们还有那个限流，我们根本想象不到，某个基础设施会有这么大的需求，所以非常看好，那些能满足这种需求的公司，结束前最后一个问题，如果你现在不是在打造Versailles 你会去做什么，替朋友问的就是这门课，航天科技，显然，比如我们能尽快上火星吗，对，为什么，为什么，为什么俄罗斯要去火星，我的意思是，我的偏好一直是，我很喜欢多行星物种，这个愿景，我一直把它想成，我是个追求高可用，多可用区，多区域 多层故障转移的人，说得好，所以我生活里，我选旧金山的住处，就是看结构安全性最高，还有内面最棒，最有历史，地震里从没塌过的挡土墙，诸如此类，我就是个搞基础设施的人，所以这些事我不得不想，但另外我对能源也特别兴奋，说实话，我们现在看到的是智能的涌现，它本质上是能量的双向流动，能量进去，智能出来，所以我们在裂变，聚变地热，不管哪方面，能取得任何突破，对我来说，都特别让人激动，太棒了，好那今天就到这里，非常感谢你抽时间 Jing 谢谢，很感谢，推理需求即将暴增，十亿倍，不是一千倍，不是一百万倍，是十亿倍，而让推理需求，暴增十亿倍的那个人，今天就在我们现场 Tuhin 非常感谢你来做客，请大家欢迎，谢谢 Tuhin Basin的创始人和CEO 你走到今天，经历了一段非常漫长风景丰富的旅程，有很多曲折的转弯，跟我们讲讲吧，班上有很多同学想成为创业者，我想我们会从这段旅程中找到灵感，对太好了，谢谢你们邀请我，很高兴见到大家，对我叫Tuhin 我是Basin的CEO 也是联合创始人之一 Basin大概有七年历史了，我从2012年开始就在科技行业工作，我原本来自澳大利亚悉尼，我是来这儿上大学的，其实我的职业生涯是从金融开始的，所以大学毕业后我回了家，在一家澳大利亚投资银行工作，叫麦格利，到那儿的第一天，他们就跟我说，你想不想去纽约做收费公路和机场私有化的项目，于是我就搬到了纽约 做收费公路和机场私有化的工作，干了大概两年，我无聊得要命，就决定回去做工程，那是我本科读的专业，然后我搬到了波士顿，去做一些机器学习方面的研究，那是2012年或者2013年，不对是2011年 2012年，我们当时做的事情，是用传统的机器学习技术，来追踪神经肌肉疾病的愈后，那件事我做了大概一年半，发了几篇论文，然后很快就意识到，如果我要做机器学习，哪怕是在当时，我也应该去旧金山，所以我就搬到了旧金山，以工程师的身份进入了早期科技领域，我觉得可能更重要的是，我有点爱上了早期科技小团队，做产品那种没人在乎你是谁的感觉，那几年我就这么干着，从2015年开始 创办了几家公司都没做成，但是我有了那股劲儿，所以到了2019年，我和我的两个联合创始人，一个叫Phil 一个叫Emil 我们在一起共事了差不多10到15年，这是我这边的问题吗，他们只是把你的水调大了，好的，不错，给你加点能量，对，我跟这些人认识10年15年了，当时我们就有个想法，觉得机器学习会变得非常庞大，那我们就顺着他，在旁边建一个基础设施业务，也许能抓住整个大盘的走势，显然机器学习比我们预想的要大得多，来的也快得多，所以我们过去四年一直在做的，就是生产级推理，为全球增长最快的AI公司提供算力，对，你手里这份客户名单，看的人直流口水 其实你发过一篇帖子，我把你的帖子抄过来了，上面写的是，这些创始人都是Basen 很有机会合作的对象，这些人里你可能认识几位，有些还来上过这门课，这大概就是跟Basen合作的 AI创始人里最顶尖的一批了，那你给我们拆解一下吧，从上面挑一两个例子讲讲，他们跟Basin合作，具体意味着什么，他们跟你们的合作，举个具体例子是什么样的，这对他们的业务，对他们的客户，又带来了什么，好，那我挑两个有意思的，我挑Tanay 排在最上面的，我挑Tanay 他其实就在斯坦福，你认识Tanay的，他就像我兄弟一样，很好，然后我会选拾IV 他们俩做的生意很不一样，他开了一家公司，叫WhisperFlow 我不知道在座有多少人知道WhisperFlow 有多少人听说过WhisperFlow 对，看看，太好了，他会很高兴的 WhisperFlow基本上就是一个语音打字应用，做文本转键盘 [04:49:55]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

语音转键盘

Apoorv Agrawal：语音转键盘，语音转文字，差不多就是这样，他们跑了很多字眼的定制模型，或者是在内部用很特别的方式改过的模型，才能实现那种体验，我们为他们做的就是跑所有的优化，所有基础设施都是我们在跑，这样从你开口说话到文字出现，延迟能压到最低，里面有语言模型，也有音频模型，实际上我觉得中间大概有三四个语言模型，还有两个音频模型才能实现这个效果，这些全都跑在Basin上 Shiv也是我的好朋友，他是一家叫Abridge的公司的CEO Abridge是做医疗的，是一个环境记录器，美国几乎每个医疗系统都在用，和电子病例深度集成，他们大概跑着20个不同的模型 从最基础的语音转文字模型开始，把手术室或者病房里，病人那边发生的事转成文字，再到后面把这一切变成一份，和电子病例深度集成的临床记录，全都包括，再说一遍，几十个模型，从可靠性角度，从速度角度要求都非常多，而且几乎每一个，其实我觉得是每一个模型，都跑在Basic上，我觉得这挺能代表我们想做的事，我们的判断是 AI的规模会大到难以想象，推理，就是AI价值传递的齿轮，而今天大概90%到95%的推理支出，都流向了前沿模型，大概5%流向了定制模型，我们相信那些用AI打造出色应用的人，要想做出能盈利能活下去，别人难以复制的公司 靠的是定制模型，而且我们希望他们都跑在Basement上，他们95%的支出都流向了前沿模型，对 5%流向了开源模型，或者说经过后训练的开源模型，对，明白了，其实在聊这个之前，我想问你一个问题，关于你刚才提到的那两家公司，就是Average和WhisperFlow 这两家都是规模相当可观的业务了，他们为什么要来找你合作，为什么不是通常来说，如果我是个创始人，我会去找我的云服务商，我会去找AWS GCP Azure 或者那些AI云里的新云厂商，比如Corevive, Nebios之类的，为什么是Basen 对,我觉得很大程度上，归结为我们正在构建的软件的，三四个核心支柱，首先显然是性能 你需要这些东西尽可能快的运行，如果你去Corevive Navius Oz GCP 那些优化就得全靠你自己，第二块是可靠性和算力，他们来找我们，是因为他们需要推理，能跨云运行，而且要高度容错，有弹性，我觉得其中一部分就是做到多云，能从多个来源获取算力，我们帮他们解锁了多云，第三块是我们提供的开发者平台，给他们灵活性，安全性，可观测性，以及所有那些让这一切成真的好东西，所以我们实际发现的是，很多人确实会先去你提到的那些厂商，然后他们才意识到，要在算力之上把整套推理技术战，搭起来有多痛苦，然后意识到来Basin才是更好的选择，有意思，我想现在回到你之前说的第二点 95%的token跑在前沿模型上 5%跑在某种后训练模型，或开源模型上，如果我用的是开源模型，或者对开源模型做后训练，那我就是从智能发展的谱系里，分叉出去了，而这个谱系本身还会继续进步，而且我冒的风险是，下一个GPT模型，或者下一个OPUS模型，我们就叫它GPT-6或OPUS-5 会比我刚好训练出来的模型更好，既然那个不用费力的选项，可能几周或几个月后就到了，我为什么还要费劲去分叉到这个特定模型上呢，对你看原因有好几个，我给你一个站得住脚的理由，再给你一个分识技术的理由，可行的理由，或者说商业上成立的理由是，你想啊，如果看一家公司，随便哪家，真正在用这些前沿模型做事的公司，今天开源模型，大概落后闭源模型90天 而很多公司面临的问题是，你能放一张幻灯片讲讲这个吗，继续，好，要我放吗，对，开业模型大概落后前业模型90天，而且你跑开业模型的成本，能比前业模型便宜70%到90% 便宜70%到90% 对，尤其是当你再加上一点，我记得上周你请了Yash来，他大概给你讲过，专门化模型的后训练那套说法，尤其当你把这点考虑进去，你真的能用这些模型做得更好，更快，更便宜，而且他们来找我们，真的是出于商业上成立的理由，当他们真正从，我有产品市场契合，走到我得做成一个规模化业务，得想办法把毛利率，从零一路做到40 50 60 70% 但愿能到你想去的水平，至于分市集俗的理由，我觉得是这样，你看你手里有什么东西 是前沿模型打不垮的，大概就是某个工作流，某个只有你才有的用户信号，如果你一直跟前沿实验室合作，某种程度上，你会把所有的数据，和那些用户信号都交给他们，然后他们就会，我跟一位知名的工程人员聊过，我不说是谁，他把前沿实验室比作东印度公司，他们在印度到处亮相，搞了一堆合作，实际上他们真正在做的是，你把统治那个地方的所有门道，都交给了他们，等你回过神来，他们的后训练模型，就已经在针对那些，对你来说神圣不可侵犯的工作流了，他们只是你知道的，所以要抵御这种情况，保住让你与众不同的东西，你需要在某种程度上拥有自己的智能，这就是为什么，你知道的，他们正在努力，他们正在想办法用开源模型做后训练，真正把自己的技术战打起来 去拥有自己的智能，有意思，再往深说一步，图形看起来，如果我的工作负载量更大，我就更有动力转向开源或后训练模型，你有几个客户，是规模非常大的客户 Abridge Whisperflow Cursor 等等，他们显然都是前沿模型的大客户，那是不是说，你的用户基数越大，就越可能采用这种方式，还是说反过来，是不是小公司更可能采用这个，我觉得规模越大，这件事就越关乎生死存亡，就越需要往这个方向走，因为我觉得你知道的，你做的越大，就越，我的意思是，也许你也可以聊聊这个，但你看看这些企业，当规模做到很大的时候，如果你只是单纯在交易Token 你知道的成本会变得非常非常高，需要的资本也越来越多 我觉得你需要一条通往盈利的路，这时候后训练就变得非常重要了，对，我的意思是那些领先的编程公司，不是前沿模型公司本身的那几家，你知道的，据说毛利率还是负的，所以我想对他们来说，要把token量转向开源，才能成为一个能活下去的生意，这是生死攸关的事，对，那当他们从，比如说Cursor用Anthropic模型，或者GPT OpenAI最新的模型，转向像他们最近做的那样，用后训练模型时，他们有没有注意到性能上的差距，之前Twitter上，关于他们和Composer合作的动静很大，性能会受影响吗，有没有办法把工作负载拆分，让性能不受影响，或者说用户是怎么感受到底层变化的，要知道几乎等于把法拉利的发动机给换掉了，对这个我们内部其实没什么数据，但我觉得总的来说 你当然希望它会变得更好，对吧，你当然希望他们根据自己手里的用户信号，去后训练模型，用户的体验会变得更好，而且但愿这也能把延迟和可靠性，这两方面的性能都拉上去，因为可控性高了很多，明白了，有道理，那Basin的业务到底是什么，我们怎么从用户身上变现，你也知道，现在AI领域有一大堆定价方式，有按结果定价，按token定价，按GPU小时定价，还有其他一些我可能都不知道的，我们处在哪个位置，这对你们最大的客户又是怎么运作的，对，你看目前我们是在算力上加价，我们大部分情况下是相对定价，也就是说，你来用Basen 你选好带上自己的模型，把它加载到Basen的推理站上，然后基本上，你基本上自己选，想在哪种算力上跑它，而Basin的H100 或Basin的B200 比裸的B200要贵，我觉得有意思的是，你可以想想，这算是一种，挺贵的获取裸算力的方式，但理想情况下，你买到的正是软件站，带来的那份价值，也有人按token计价，我们有些客户，说实话，我们现在在这方面，还比较粗糙，但我们正在走向一个世界，尤其是当我们在Basic内部解锁更多后训练工作流之后，叙事会从你为算力付多少钱，变成你为每个Token付多少钱，实际上应用层的公司会更喜欢这种计价方式，尤其是那些从Anthropic或OpenAI转过来的客户，他们能直接对比，看到能省下多少成本，有意思，我想追问一下你刚才说的一个点，你提到了后训练工作流，对，能给我们简单讲讲吗，后训练工作流是什么样的 好，从头到尾，如果可以的话，能不能举个例子，它是怎么运作的，在Basement上是怎么运作的，或者说像Cursor Bridge [04:59:49]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

Bridge

Apoorv Agrawal：Bridge Whisper Flow 这样的大客户是怎么用的，好，我们刚才聊到了一点后训练，对，就在这儿，所以我们是在做训练，作为客户，你真正要做的事情，是设计你的效用函数是什么，你要说的是，嘿，这就是我想用这个，给定模型去优化的目标，所以你需要自己定义这个，这部分我们帮不了你，我们不了解你的产品，我们不了解你的用户，我们不知道你在业务里，要优化什么，所以反过来，由你来决定，你的效用函数是什么，然后一旦你确定了，就开始给我们一批数据，再选一个开源模型，我们会给你全套的交手架，把它变成一个后训练模型，然后一旦你有了这个，它怎么接入推理那一环呢，所以我们基本上拥有整个闭环，你带来你的数据，你带来你的效用函数，你选一个基础模型，为了说的具体一点 你可以这样想，假设你在为一个医疗场景，构建一个语音转文字模型，你选择也许就是错误率，或者转录错误，这是你想要最小化的东西，那就是你的效用函数，你选择你想用的模型，比如说你可以用Kimi K25 然后你给我们一个数据集，我们把这套脚手架都搭好了，能把它变成一个非常非常好的，为此专门优化的后训练Kimi K25 然后我们显然已经把推理，集成的所有环节都预先定义好了，所以那些带着这些需求来找我们的客户，我觉得你会看到越来越多这样的情况，他们带着数据和对自己工作流程的了解来，然后带着一个在Basin上运行的，经过后训练的专用模型离开，他们把所有数据都托付给你，那可是命脉所在，对，对他们来说，把命脉交给Baseton 或者东印度公司 是件很自然的事吗，你知道，我们是西印度公司，我们是，你知道，我们是好人，我们是，我们是，我们是，我们是反抗军，对，对，我们想给反抗军提供武器，所以，这自然吗，我，我觉得没问题，我觉得大多数人都能接受，你知道，我觉得我们跟很多优秀的公司合作过，积累了口碑，品牌在这方面帮了很大的忙，而且你知道我们内部的安全姿态，也极其严格，而且你知道，你看我们同时跟好几家竞争对手合作，能接触到他们的模型和数据，你知道我们在内部划清了界限，确保这些数据之间不会互相泄露，所以这自然吗，我觉得其实没你想的那么糟 你也记得很多这类公司，都在拼命往前赶，速度非常非常非常快，对，而且我觉得他们更关心的是，你能不能解决他们用户的问题，而不是说我们非得，从零开始把什么都做一遍，我觉得他们对Basic给了很多信任，但我想，但愿这份信任是正来的，是靠我们合作的那些优秀客户，还有他们的朋友，那些人已经在用我们处理很多这类事情了，有道理，你们另一个隐含的大赌注是，开源会留在前沿，或者至少比前沿落后三到六个月，你知道前沿开源实验室的经济模式，对，还是位置数，位置数，我刚刚说位置数，对，还不清楚，而且你知道至少西方的开源实验室里，很明显Meta已经决定不再开源他们最新的模型了，这个展开说，开源到底靠什么赚钱 你觉得世界会怎么演变，你最好的猜测是什么，因为这显然是你下的最大的底层赌注之一，对，你看，我觉得Basin的两个大赌注，一个是存在一个应用层，一个独立的应用层，对，那开源模型会不会好到足够，让你继续做后训练，到目前为止，美国大部分情况已经表明，至少在过去两年里，它没能产出最顶尖的开源模型，比如现在最好的开源模型都来自，这太离谱了，中国我觉得，为什么会这样，为什么他们做不出来，为什么美国做不出性能这么好的开源模型，我觉得现在全世界最顶尖的研究人才都在两家公司工作，而且尽管他们的名字可能让人有别的联想，但他们其实并没有很强的动力去产出开源模型，我觉得，那为什么非美国的研究者决定走开源路线 我觉得一开始大概是为了保持存在感，对吧，你看像Munshua 阿里巴巴，还有minimax 他们看到的是一个市场机会，就是去占币源模型的对立面 Meta之前也这么干过，对吧，几年前，然后他们又出了名的，转向了另一边，对，你看开源模型必须存在，我觉得如果美国没有这个的话，多少有点关乎国家安全了，对，好的开源模型，或者说，如果智能的成本，在东方比西方便宜 70%到90% 就像那样，那可能不是什么好结果，对，我确实觉得，你知道，美国最优秀的那些公司，其实在开源这件事上，是相当一致的，谷歌推出了Jama 英伟达正在往Nemetron 那个模型家族，和Reflection AI上，投入大量资金，但愿几年之后，能出一个不错的开源模型，不过我觉得 这是不可避免的，说实话，如果十年后，我们处在一个，没有好的开源模型的世界，那大概会是一件，非常糟糕的事，对，对美国市场来说，但我觉得，我确实相信有足够的投资在发生，所以这事一定会成，你肯定做了吧，我猜你做了 Anthropic 今天早上发了一篇重磅文章，我看到了中美AI关系的未来，当然对Anthropic非常有利，对这件事有什么想法吗，要不给同学们总结一下这篇帖子吧，那你怎么看，我还没读，我一早上连轴转，但我的理解是有两种情形，一种情形是美国处在最前沿，对，另一种是中国紧要不放，不向上下，对，大体上就是这样，而且我觉得，也许你已经读过了，没有，就这些，就是这个意思，他们基本上就是说，要么我们领先，你把它关掉 要么我们不向上下，对，那就是一场战争，对，而他们的建议是，把它关掉，所以关掉，走向另一场战争，没错，听着，他们很厉害，他们做的研究非常出色，我觉得我这一生，一直相信一件事，在提出任何观点之前，你应该先把自己的立场，和激励函数讲清楚，我觉得他们没有做到这一点，对，你看，我不知道该怎么看这件事，我也只是，我就是觉得，我们昨天发了一篇文章，讲的是多模型共存的世界，我们认为智能，不应该被两个人垄断，我觉得在整个人类历史上，当权力过度集中在一两方手里的时候，通常都会出坏事，而且我也在一定程度上，不相信那个论点，就是这两家公司带着巨大的利润动机 就应该成为我们其他人的道德队里面，对，所以比如说当我想，我是不是觉得，所有最好的开源模型都来自中国，这件事很令人担忧，绝对是，而且他们很棒，我们跟那些团队都打过交道，他们非常出色，倒不是说我不信任他们，我只是觉得，对，美国也应该有优秀的开源，对，对，看起来，你觉得美国开源的势头，是在增强还是在减弱，从人才和资源资本的角度看 GPU呢，对，我觉得直到大约一年前，肯定是在减弱的，好，但我觉得现在，我觉得现在又回升了，我看，我觉得这背后是一家，非常，非常重要的公司，而且我觉得今年我们会看到很多，对，往反方向走的情况，对，而且我觉得这是必要的，不然最后就只剩两家公司了，应用层玩家就没了 没错，对，对，对，对，稍微换个话题，你处在一个非常有利的位置，能看到很多不同的硬件，你会在上面跑推理，对吧，其实你跑在两层上，很多不同的供应商，其实我记得你有一张图，我们可以稍微聊一下，但我其实指的是更底下一层，对，我猜你们交付的推理，大部分跑在英伟达的硬件上，因为它是最，大部分，大部分，对，相关，对，但后面还有很长的尾巴，你看 Trainium在最近一次财报电话会上公布了，他们大概有200亿美元的收入运行率 TPU我感觉肯定是个大数字，我们不知道具体是多少，至少他们没披露，然后还有今天早上的Serveris 对，然后还有其他人 Magic Medics Positron 还有我们不知道的那些 Dematrix Samba Nova等等，聊聊异构计算生态吧，你觉得硬件这边会怎么发展，你看，我们其实，我总体上相信多样性，我不能坐在这儿说，我相信多模型共存的世界，然后又说只有一种芯片会存在，那就太虚伪了，但话虽这么说，我们大部分算力集群，跑在英伟达芯片上 TPU很有前景，当然所有新一代的NEO芯片，如果你愿意这么叫的话，也很有前景，我们还没看到谁真的把TRAINING用出规模来，我觉得英伟达的优势，显然就是供应链已经非常成熟，成熟的供应链，而且你知道资本成本非常非常低，跟台积电的关系又非常牢固，我觉得今天要说有谁能真正跟他竞争，多少有点不切实际，对 再往深一层说，我们非常非常依赖的一样东西 [05:09:55]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

我们非常非常依赖的一样东西

Apoorv Agrawal：我们非常非常依赖的一样东西，就是CUDA 以及围绕CUDA的开发者生态，没有别的东西能比得上CUDA CUDA太强了，我觉得这些新架构正在冒出来，推理有两个核心部分，一个是玉田充，一个是解码，你知道过去一直是所有东西，都跑在同一块芯片上，但最终状态大概不会是这样，因为答QuietGrok 还有你提到的很多这些新芯片，都在尝试把，对，这些环节分开，郁田充和解码，解码，还有那些受内存限制的部分，都放在GPU上跑，而计算密集的部分，放在另一块芯片上跑，所以就是把它们分开，所以我觉得未来会走向异构架构，所有这些东西都是这样，我觉得对我们公司来说，现在就是尽量跑得越快越好，我们的客户也一样 ERCU的英伟达GPU的供应，还有能用上像TLTLM这样的东西，它明显就是为英伟达芯片打造的，那是什么，是一个运行室，是跑在英伟达芯片之上的开源运行室，是英伟达自己开发的，还有VLM和SGLAM 这两个也是开源框架，都是英伟达原生的，所以能不能跑得特别快，就是我们最看重的事，而这正是英伟达今天最擅长的地方，明白了，好，所以目前来看，这是一场相当一边倒的压住，对，但对未来抱有乐观期待，也许再往上一层也是这样，你来说说这张图吧，好，你在跟这么多不同的，云厂商合作，对，云厂商，其中一些公司，甚至已经发布了自家的推理平台，对，那其他公司没有理由不跟进，也许聊聊这个 比如通过这门课，我们感觉很多嘉宾都跟我们说，算力非常稀缺，对，可能确实如此，你们是怎么拿到算力的，接下来的策略是什么，对，你看我们跑在18朵云之上，我记得现在其实是20朵了，我们有87个不同的集群，把算力拼接在一起，这是我们最核心的一项技术，就是我们有能力，把来自不同地方的各类GPU拼到一处，让GPU在这种意义上变得可互换，我们这么做的原因有两点，第一是获取渠道，它能带来，你知道现在找GPU非常非常难，如果你再加一个限制，限定他们必须跑在哪些云上，那就更难了，所以我们做的就是，从任何能拿到的地方去GPU 把它们拼在一起 然后对客户屏蔽掉这层复杂性，这是第一点，也是我们策略的核心部分，我们会继续这么做，我们既会租也会自建，租赁与自建，对大部分情况是这样，但我们也会自己建设自己持有，好这个我们待会再聊，对，对，但要说为什么他们会去做这些，而且很多这类平台都有自己的推理服务，这说得通，那个技术战利，那个架在GPU之上的推理技术战利，价值很大，我们欢迎这个，我们愿意跟竞争对手合作，我们没问题，我们对自己提供的价值，有信心，但这说得通，推理的粘性非常，非常强，明白了，我觉得说真的，很多人以为推理是个商品，我是说你显然研究过这些市场，对，它跟当年人们买数据库的样子很像，对，某种程度上，你选了一次 就没法轻易换地方，对，而且今天早上你列出来的某位，很出色的创始人，我刚好跟他聊过，他说推理对我们的粘性这么强，是因为说到底，这是我们交付给客户的产品，对，我们不希望有任何干扰，对，在我们客户正在使用的核心服务里，这方面的颠覆，其实有时候甚至是最大的成本项，比他们的云支出还高，对，推理，就是智能本身，对，所以我猜这么大的一块蛋糕，竞争会非常激烈，绝对的，而且我觉得，一旦你处在token路径上，如果你的推理服务挂了，你的产品就挂了，对，你可别去碰那玩意儿，对，我在租赁与自建这个话题上，做了个标记，对，你能聊聊那件事吗，你知道，我们之前请过Cruzo的Chase来，他给我们详细讲了 自建数据中心那套完整的经济账，对，数据中心把整个东西都自己拥有，你选了另一条路，就是租，到目前为止，是的，目前是这样，对，好，目前是这样，对，再多讲讲，这看起来是个很重要的决定，而且生意的形态会很不一样，对，我们的论点在某种程度上是，技术战里哪一部分最有粘性，对吧，所以我们会说，软件才是这里技术战里最有粘性的部分，我觉得很多跟我们竞争的云厂商会说，能拿到GPU 才是技术战里最有粘性的部分，而且一旦你有了软件部分就简单了，我觉得这两种想法可能都挺傲慢的，他们有点傲慢，觉得软件这部分，他们能很轻松搞定，我们也是百分之百傲慢，觉得我们也能做，在某种程度上，我们这么做是为了速度 而且是因为我们本来，就没有建数据中心的业务，但对我们来说，往前看，有一件事越来越清楚，我要说的是，不管别人，怎么跟你说供应有问题，对，实际情况要严重十倍，你知道，我觉得你在谷歌财报的 GCG里看到了，他们有GCP 你看到这张图了吗，我觉得他们大概有，十倍的积压订单之类的，对，如果你现在出去说，你有一千块GPU 说真的，人家大概会告诉你，得排到明年第二季度了，明年第二季度，那就是12个月以后，也许15个月以后 15个月以后，我们有一个集群，跟现在比，算是小的，在当时算是大的，在其中一个云厂商那里，是B200 Blackwell芯片 B200很棒的芯片，有点旧了，但依然是块很棒的芯片 我们现在这个的单价是，每小时263 其实这个数字本身不重要，因为相对的部分才更重要，这个合同10月份到期续签，他们5月份就已经来找我们了，说新价格是510 哇，明年的价格翻倍了，翻倍了，这没问题，你打算接吗，不，绝对不会，那个这太离谱了，而且我们在这里，还有很多其他语言可以用，不过我觉得，现在变得非常重要的一点是，有一张幻灯片，在Twitter上流传，有一张来自OpenAI的 Numbron的幻灯片，在Twitter上流传，我觉得他也跟 Ultimate的人挺熟的，他做出了O3模型，那张幻灯片，基本上说的是，获取算力的渠道，就是战略优势，对，对推理来说，对我们来说，越来越清楚的是，你看我们现在 我觉得我们所有客户的基础推理服务，规模比OpenAI API还大，比Gemini还大，按处理的token数量算，我们每天大概处理30万一个token 基础推理服务比OpenAI的API服务还大，不是CHPT 是API产品，他们的API产品，好，对至少按上次的报告是这样，而且肯定比Gemini那个大，所以如果按这个趋势外推，两年后我们大概需要15万块B200等效算力，这个算力需求简直离谱，你能给全班同学换算成美元吗，好，大概是70亿美元的算力支出，轻松 70亿美元的算力支出太大了，这是个吓人的数字，对，我们想靠租用拿到这么多算力，恐怕不太可能 唯一能保证拿到算力的办法，就是确保我们跟芯片供应商有牢固的关系，能直接去买芯片，自己把基础设施搭起来，这就是我们要这么做的原因，是为了能拿到足够的算力，去满足我们的推理需求，而且这么做还有经济上的好处，大概能便宜30% 比如，那当然，我觉得你想想云服务商，比如Oracle 他们的毛利率大概就是30% 对，所以自建大概能便宜30% 对，去做这件事，对做集成，对，对，有意思，所以这个业务的形态，随着时间推移会变化很大，对，但你想掌握自己的命运，没有别的路，对，比如说你想想看，现在我要跟你讲第三个风险，但我先跟你说，一共有三个风险，对吧，就是开源，应用层 还有拿不到足够的算力，然后这就是这个业务的核心部分，如果我们不把这块处理好，我们会陷入很大的麻烦，对有道理，你知道其实，接着你刚才那个问题问一下，这个每小时263 续约涨到510 听起来有点离谱，对，你们最后谈到了什么价位，对，我们还没回复呢，好，是9月份的事，我们不用管那个，对，其实我们想问的是，算力稀缺大概什么时候能恢复正常，是12到15个月的事吗，还是好几年的事，还是好几十年的事，你最好的判断是什么，我相信你们肯定做过一些，对，这方面的思考或者经济建模，我倒是好奇你们怎么看，你们那边公开场合的人，是怎么说这个的，我觉得这事永远不会恢复正常 就像你之前说的，如果推理需求是今天的一亿倍，现在有两件事同时在发生，对吧 [05:19:52]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

对吧

Apoorv Agrawal：对吧，一个是应用变得越来越agent化，另一个是模型变得越来越大，这两件事都意味着推理量会大幅增加，也就意味着需要多的多的多的算力，对，我觉得这个类比真的很贴切，就像你每天早上五点出现在肯尼迪机场，根本不用排队，直接就能过，但到了早上八点，队伍就排到门外了，对，我们现在就是排到门外的状态，但肯尼迪机场晚上十一点到凌晨四点会关闭，对，我们没有任何重置期，对，所以它只会不断累积，对，其实这个类比挺有意思的，推理需求在午夜到凌晨4点之间，会降下来吗，你能以某种方式，把这段时间利用起来吗，这个怎么说呢，就像当他，总有一个地方是下午，我的意思是，事情就是这样，对吧，现在是5点，地球某个地方正好是啤酒时间，就像你知道 你总能找到理由喝杯啤酒，因为总有个地方，已经下午5点了，明白了，我觉得推理也是一样的道理，就算欧洲这边需求下降了，中国那边也会涨上去，对，对，对，有道理，我想稍微换个话题，你知道，我们课上一直在讨论的一个重点，就是在座很多同学以后，会去创业，开公司，或者在公司里工作，如果你现在不是在创办Basen 你下一个最好的想法是什么，你会去做什么，你会去建什么，这是个好问题，说实话，我可能会走Cruzo那条路，我会去投资能源和电力，而且我觉得这个建设规模，我们就是需要海量的空间，来放这些算力，我特别兴奋的一个想法，我希望有人能去做，也许在座就有人会去做，就是前几天我从奥克兰开车去旧金山，你总能看到那边的港口，看到那些集装箱 集装箱可以说是历史上，最大的经济驱动力之一，因为它把贸易单位标准化了，所以我的想法，我特别看好的一个方向，就是模块化数据中心，模块化数据中心，就是把算力单位标准化，因为现在谁把计算单元标准化了，我们就能真正把它工业化，比如你去跟现在所有在建数据中心的人聊聊，跟那些掌握电力资源的人聊聊，就会发现每家都不一样，所以只要你能，有意思，你能把，并且有一个统一一致的格式，你就是在为算力创造API 然后一个完整的产业，就会围绕它生长起来，因为这样一来，你就可以让同一批人，到处维护这些东西，然后你就能，你懂得创造出，那大概就是我会去做的事，有意思，好，我相信大家已经记下来了，顺着这个话题，除了这个之外 我们跟每位嘉宾，都会玩这个做多做空的游戏，在现在的创业公司里，有没有哪家，有没有哪个创始人，是你现在特别看好的，或者反过来，有没有哪家，你觉得被高估了，超过了他应得的程度，这个游戏我就不玩了，不过就前一个问题来说，你看我觉得我之前说的那些，对吧，那对不是我是说，我觉得整个建设过程中的任何一环，对，然后至于做空，我觉得我会盯上那些，就是没有在创新的公司，我其实觉得企业们没问题，企业们没问题，对没问题，但我觉得他们得想清楚，怎么把自己独有的东西拿出来，做后训练，然后跑推理，但那些没这么做的，我会非常非常担心，对，对，现在很多学生在想该学什么，尤其是那些刚起步的 你对大家有什么建议，感觉现在就像流沙一样，变化太快，对我也不知道，我其实觉得，你就学你喜欢的就行，没问题，我是说这真的是一个，对你会换职业，换职业，你六个月就能成为任何领域的专家，所以去做有意思的事就行，但我觉得，如果你真的在给模型融资，我现在花很多时间在想，怎么给数据中心融资，好，这是我正在深入的方向，我觉得项目融资这块，其实挺有搞头的，所以那是个值得研究的方向，对很有意思，好我们开放提问，我们还有五分钟，请讲，这显然很有意思，我觉得这个市场太，怎么说呢，太，如果你看过算力交易，是怎么做的，那基本上就是个毒品市场，真的，就像你得认识一个中间人，我而且我，你的那个人是谁，对我们有很多这样的人 你知道吗，我们办公室里有个人，就坐在角落里，他整天就是打电话，到处找人要算力，是ED吗，就是ED 对，而且这真的挺吓人的，所以我很看好，这里肯定会有市场，但我觉得市场还没准备好，你知道这更像是，它还不是一个成熟的市场，我觉得一个好的思考方式是，电力市场就是，你是说它没那么高效，对，有点迟钝，没错，继续说，所以，贝森的核心理念是，计算推理将消灭所有AI 对，那好处是什么，这样做有什么优势，对，我是这么说的，对吧，这个理念的核心是，世界上只有两种人能拿到算力，而他们拥有一切，这就是你知道，这就是其中之一，第二个观点是 我们非常依赖开源模型变得足够好，而且现在开源模型还不够多，这是第二点，第三点是，如果你真的相信通用人工智能这个论点，把它一路推演下去，一直推一直推一直推，那我们所有人都没事可做了，但我要说，也许推理是唯一剩下的市场，没错，是唯一剩下的市场，对没错，没错，请继续，大家都在说我们怎么开源，但在美国我们其实没怎么看到，我已经接受这个现实了，我们在美国确实没怎么看到，你觉得考虑到世界各地的国家安全影响，你还会继续建吗，或者说你怎么能为私营公司，创造人为激励，让他们去建，对，绝对会，我觉得美国可能，我认为他已经开始介入 开始思考这些事情了，我的观点是实际上，你去看英伟达，你去看微软和谷歌，他们其实在开源上，投入了大量工作，我只是觉得我们还没看到成果，还没到收获的时候，但会来的，所以我觉得实际上投资是相当多的，只是我们还没看到，而且我认为政府正在介入，但没错，绝对是这样，我觉得你必须创造人为激励，而且需要形成一个联盟，所有这些事情，才能自上而下的被推动起来，对，你看到刚才那张幻灯片了吧，两天前，中国政府投资了DeepSeek 对，对，总之你继续，有什么能阻止 Anthropic开展他们那些，落后，但依然相当不错的模型，然后既给自己，也给我们的企业提供毛功利，他们是不是还只专注于研究 为什么他们不能这么做 OpenAI已经在这么做了，他们某种程度上确实在这么做，但在很多方面，对他们来说，投入后训练，几乎等于放弃他们自己认定的，那个核心论点，对吧，就是说OpenAI和Antopic 最迷人的一点在于，如果你的论点是通用人工智能就是一切，那你做任何其他事情的理由是什么，他们应该把每一分钱都投到于训练上，对，所以他们某种程度上，已经在这么做了，但他们把资金推向我们的动力永远不会存在，因为这些模型之所以存在，就是为了让他们在最贵的模型上赚最多的钱，他们想尽可能的把能力差距能力论证推到极致，好请讲最后一个问题，关于模块化数据中心这个模式的想法，对，我就是好奇这和虚拟机有什么区别 问题是模块化数据中心和虚拟机有什么区别，对，这是个好问题，虚拟机在技术战里，要高好几层，我在想的是，怎么才能更便宜地，把更多算力建起来，所以从很多方面看，你问的其实是模块化容器，你说的是容器，一旦算力存在了，你就需要它，它其实就在更深的两层，对它是在不同的抽象层，对，我再接一个问题，这边有人吗，请讲，谢谢，我很好奇，你觉得根基在哪里，你觉得技术战更多是内部网络，对，它无处不在，这是最明显的一个，因为你确实在把关注点分开，内核这块还在继续推进，而且规模很大，英伟达里就有很多人，甚至斯坦福，我觉得也有不少人在做ThunderKings 这类东西，那里机会很多，但整个技术战都在变，这也是这个市场最迷人的地方，一切都像流沙一样，你得把以前的东西全扔掉，比如Aliya可能推出一个新的模型架构，然后一切又都重新洗牌了 Aliya 订阅了，对，对你知道他在做什么吗，我我是说我发过，对，好就这些，对，太好了，好非常感谢你，今天聊得很开心，对，感谢你抽出时间，今天我们请到了两位非常出色的嘉宾，他们来自不同的阵营，所谓阵营就是Anthropic 前OpenAI 前Meta 现在是Chad 今天的课程流程是这样，我先做个简短介绍，然后把时间交给两位嘉宾，请他们讲讲自己的工作，他们做的都是非常，非常令人兴奋的工作 最后我们会留一些时间做问答，那么话不多说，我快速介绍一下两位嘉宾 [05:29:55]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

我快速介绍一下两位嘉宾

Apoorv Agrawal：我快速介绍一下两位嘉宾，然后请他们上场，今天的第一位嘉宾是 Eric Kolder Abrams Eric的工作很有意思，他要让所有生物学都跑在Cloud上，他负责Anthropic的生物学和生命科学业务，去年10月推出了Cloud for Life Sciences 他们和BenchLink,CX Genomics,Novo都有很好的合作，我刚听说你上次来上这门课，还是你医医博士最后留下的心理阴影，那是体检物理的期末考试，我现在还有心理阴影，好,感谢你来做客，然后是Josh 你整个职业生涯都在教计算机，做生物学，我们在斯坦福很想你，欢迎你回来，你很早就加入了OpenAI 非常早，差不多快十年前就在OpenAI 后来在Meta 你打造了第一个生命科学产品 现在差不多一半的引用，都在引用你和ESME的工作，你创办了Chai Discovery 要把药物发现变成一个工程问题，就像你说的，分子的CAD套件，你从各路顶尖机构融到了资 OpenEye Anthropic Thrive 估值很高，所以我们非常期待深入聊聊，非常感谢你来做客，我们先从你开始 Josh 我拿到你的幻灯片了，如果你想用的话，谢谢，跟我们讲讲，讲讲你的经历，你并不是医学预科出身，也没有读医学学位，你是怎么，怎么走到今天这一步的，怎么绕了条远路，走到差爱的，其实这么说并不完全准确，医学预科的课我全上过，我本来以为自己会当医生，我家里是医生世家，对，我有一群哥哥姐姐，我小时候他们就已经在医学院了，所以我想做点跟他们不一样的事，于是我去学了编程 编程最让我着迷的一点是，当时我觉得在医学里看不到这种可能，就是你能真正把自己做的事分发出去，对吧，你写一段代码，它可以无限扩展，对吧，你可以直接把它发给很多人，是在高中快毕业的时候，我才真正接触到生物科技，然后我意识到，药物其实也有类似的特性，它是另一种，把医学和医学发现，规模化的方式，所以我一直是更喜欢写代码，而不是泡实验室，但我觉得这两件事，其实是紧密相连的，好，那跟我们讲讲，讲讲你在拆的工作吧，你们是做什么的，你可以花几分钟，带我们过一遍，好，你刚才说得很好，我们在拆剧做的事情，就是搭建一个，面向分子的，计算机辅助设计套件，如果看看接下来会发生什么，看看这些幻灯片能不能放出来，好，我们正在准备的一件事，要我说是在中期内，因为长期来看 我们今天做的很多实验室工作，很可能都会转移到计算机上，它会朝着这个方向走，我们可以在这里展示的一个目标就是，我们希望能设计出抗体分子，现在货批的药物里，大约有一半被称为抗体，而做一款药，要经历一个很大的试错过程，你先找到一个初步的候选分子，然后对它做一大堆修改，才能让它具备成为药物所需要的各种性质，我们最大的假设是，总有一天我们能直接从计算机里零样本，生成这些可以直接用于患者的分子，所以我们创立这家公司的时候，就是带着这个宏大目标，觉得这件事会变成现实，而且一旦它变成现实，对大多数人来说，用这种方式设计药物，就会成为一件理所当然的事，所以我们大概两年前，两年半前创办公司的时候，所有人都说我们疯了，一方面是说这技术能成吗，另一方面是，你们难道不需要自己做药吗，最有野心的生物科技公司 目标通常都是成为制药公司，而我们的野心是，不，我们希望大多数药物都用这种方式设计，我们不会自己生产大多数药物，我们真的想和整个生态深度合作，所以我们相当于同时下了两个相反的赌注，所以我很感激就像你提到的，我们能把那些响亮的名字放进股权结构表，但我觉得从那以后已经取得了巨大的进展，明白了，所以你们会把分子计算机辅助设计套件，提供给像阿斯利康、辉瑞这样的制药公司，对吗，没错，对，世界上一些最大的制药公司，已经在用Chai的模型来设计他们的药物了，明白了，太有意思了，谢谢你 Eric 轮到你了，请跟我们讲讲你的经历，你创办过几家公司，也运营过不少公司，现在在Anthropic 你在忙些什么，好的，我最初受的是数学和物理的训练，后来进入了AI研究领域 这其中的主线是我认为理解智能，是我们这个时代最重大的理论问题，然后实际上是在这里读研究生的时候，我在Cabernet-Bain的实验室，也就是Brain in Silicon Lab 作为一个傲慢的物理学家起步，在那里我第一次真正接触到了生物学，因为我们研究大脑，试图找到可以带回AI领域的原则，那真是一见钟情，我想从那时起，我就通过我创办的公司，越来越深入地走进生物学的世界，接触了分子生物学，生物化学，有机化学，研究生毕业后，我创办了好几家医疗科技和生物科技公司，从那以后就一直待在这个领域里，我想当我运营最后一家公司的时候，那是一家叫Detect的分子诊断公司，我当时回头看了看AI领域正在发生什么，看到了拆棋PT刚刚萌芽的样子 我永远不会忘记当Sonic 3.5出来的时候，能力出现了一次，节约式的提升，我开始让他帮我处理，运营生物科技公司，日常中遇到的各种事情，比如调试实验室里，失败的实验，回应FDA的反馈，诸如此类，我当时非常震惊，那时候他居然就已经有用了，在那一刻，我非常清楚地意识到，这是一项，我们可以用来端到端，加速生命科学领域，研发全过程的技术，我想扎实后聊过这件事，我们各自在做的事情，我一会儿会详细解释，是互补的 Zyentropic 我们想做的事情，就是搞清楚如何端到端地，加速生命科学领域研发的全过程，这包括基础研究，药物开发，而在药物开发内部，你知道，我认为Josh在做的事情，是实际设计药物，这个难题中很大的一块，但在这之后还有很多工作，还有所有的临床开发 监管流程，向生产制造的转移，我们的愿景是训练Cloud 把这一切都做出来，对吧，所以在模型训练层面，我们有一个全站的模型训练计划，让Cloud达到最先进水平，在你能想到的各个方面达到或超过人类专家的表现，支撑这一切的硬核科学领域，对吧，生物信息学，化学，结构生物学，等等，还有设计和开展临床试验，回应监管反馈这些临床和监管方面的事，甚至包括运营一个药物开发项目的战略层面，比如选拔点和药物类型，组织研发计划，决定什么时候推进或砍掉项目，所以我们就是在训练模型，做所有这些事情，而且除此之外，我们认为光有顶尖的前沿模型还不够，我们还得确保模型的能力，能被人们用起来，融入工作流程 连接到你需要的所有工具，所以我们也非常关注产品层，确保我们有面向生命科学专业人士，优化的产品，沿着这个方向，我们有一个类似 Claude Code for Bio的东西，很快就会推出，我们的思路是，把Claude Code在后台的强大能力拿过来，在上面加一个为一线科学家设计的界面，对吧，这样你就能可视化蛋白质和小分子，摆弄这些东西，让Cloud明白你在说什么，然后调动大量算力去跑各种模型，比如Chai之类的，所以我们非常关注模型层和产品层，我们把这两样东西合在一起，看作我们要在整个生命科学领域，推广和规模化的平台，去实现我们的目标，我们的目标就是，让生命科学领域正在发生的一切，实现端到端一个数量级，甚至更快的加速，我觉得生命科学领域非常庞大，这里面有太多不同的部分 我觉得我们聚焦的头两个目标，是加速基础研究和加速治疗药物开发，而且在这些方向上，我们现在都在启动更具体的项目，比如我们最近建了一个湿实验室，把我们的模型和产品放进去实地检验，看看怎么才能最大程度的，加速我们选择去做的，这个特定研究领域，也就是红基因组发现，我觉得我们得亲自试用，自己造的东西，去试，去找它的极限，帮我们搞清楚，该把模型训练和产品开发的力气，往哪使，然后在药物开发这边，我待会儿可以再多讲一点，但我们现在想弄明白的是，除了有模型加产品这个平台之外，我们作为社会还需要做什么，才能扭转现在这条轨迹，在合理的时间范围内，减轻疾病和衰老的负担，我不想卡在我们未来几年，能治好所有病这种话上，对吧 我们可能在那卡很久，但我相信，在anthropic 我们相信了不起的事是可能的，我们当然不会在未来五年内，治好所有病，那种话太离谱了，但我们真的很专注在，怎么扭转这条轨迹，让我们走上，能实现那种结果的路，所以我们在那边，有一大堆更具体的事在推进 Eric 我还以为你会说 通用人工智能就意味着治好所有病，但也许那比通用人工智能还要再晚一点，接着你刚才说的追问一句 Eric 你能不能帮我们，帮全班理解一下，一款药从开始到上市，从头到尾的流程是什么样的，听起来好像分了好几个不同的阶段，也许你可以几乎把横轴当成时间，或者一款药的中位时间，或者你想的话挑个例子也行，然后在这个流程里，在哪个环节，如果有的话，好问题 先铺垫一下背景，平均来说，一款要从头到尾开发出来，从你有了想法那一刻，到你拿到FDA批准，上市那一刻，大概要10到15年，差不多这个范围，对吧，也有更快搞定的例子 [05:39:45]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

也有更快搞定的例子

Apoorv Agrawal：也有更快搞定的例子，我觉得世界纪录，大概接近五六年，那个水平差不多那样，对吧，但那是中位结果，所以确实要花很长时间，而且这个过程里，有好多好多不同的步骤，我觉得我有个一直想吐槽的点是，你看关于药物开发的瓶颈在哪，机会在哪的讨论时，很多人会急着说，瓶颈全在临床试验，对吧，或者说全在药物设计，其实不是集中在某一个环节，它是分散在，要我说五到十个瓶颈里，所以不是无穷无尽的瓶颈，那样说也没用，但也不只是单一一个环节，那样就太过于简单化了，那我们从头走一遍流程，第一步是你得先决定到底要治什么病，一旦确定了疾病和你要针对的患者群体，接下来就要选靶点，靶点就是身体里那个 你想针对它开发药物的分子，你等于是在说我有一个假设，如果我能有效作用于这个靶点，对患者是安全的，而且能治好病或者有帮助，对吧，所以第一步就是找到好靶点，这里面有很多可说的，我想先强调的一点是，治疗药物行业有大问题，叫靶点拥挤，你看任何一年，全世界整个治疗药物市场，在临床阶段推进的，静心增靶点有多少，大概也就30个左右 3-0 就这么多，就冲这一点，如果我们每年只追 30个静心增靶点，那在任何一个，合理的时间框架内，我们都不可能治好所有疾病，对吧，那靶点总数有多少，靶点的宇宙有多大 TAM是多少，非常多，好几千个，大概1万左右吧，这么说有点过于简单了，但人类基因组里，有1万9千个基因，所以理论上，其中任何一个 都可能成为药物靶点，对吧，当然不是所有基因，都能成为靶点，对吧，而且还有一对多的关系，但肯定是在几千，这个量级，所以这是第一步，那这10到15年的时间预算里，有多少，已经花在这第一部分了，其实有点悲观的一点，是时钟其实要等你，选定靶点之后，才开始走，好明白了，但这是整个流程里，很重要的一部分，所以一旦你选定了靶点，接下来就是，朝食大闲伸手的时候了，真正去开发药物，对吧，你选定了靶点，下一步就是要搞清楚，我要开发哪种类型的药物，是基于抗体的药物吗，还是小分子，还是那些新兴的药物类型，比如分子胶，或者其他东西，又或者是基因药物，然后你选定药物类型，这可不是显而易见的事，有时候你有很多选择，但接下来你确实得设计药物了，对吧 这就是临床前阶段，你在做基础科学工作，努力开发一种能结合靶点，对患者安全的药物，对吧，不能有拖把效应，而且不仅如此，还要能被身体合理的代谢处理，不会消失或者转化成别的东西等等，所以我觉得这就是人们通常理解的药物开发的科学阶段，从历史上看，从选定靶点到启动临床研究，这部分平均大约需要四年，所以我觉得很多人说这里没有机会，这是第一个搞错的地方，这里的机会巨大，而且我觉得，我想你也有同感，我觉得我们可以把那四年缩短到接近零，对吧，原则上在理论极限上，对吧，而且我确实认为，我个人的看法是，我们能不能完全做到零样本药物设计，其实没那么重要，一次样本就已经很好了，如果你直接让模型给你一个药 它给你几个候选，你做一轮测试，几周后你就拿到药了，那简直太棒了，对吧，相比之下，我们现在说的是四年，不过我可以让Josh详细讲讲，但即使在药物设计这个阶段内部，也有非常多的不同环节，对吧，你先拿到初步的命中化合物，这就像是，我们只是进入了正确的范围，我们能命中靶点，对吧，然后在那之后，你要做优化，把命中化合物推进成先导化合物，对吧，你要努力获得所有那些，你想要的额外性质，比如它的可制造性怎么样，它有没有拖把效应，它在体内稳定吗，它是不是按你预期的方式，被代谢处理，对吧，所以有所有这些优化工作要做，我觉得这些真的非常适合AI来做，但就是想把这个过程稍微加速一点，你设计出药物，有了候选药物 在行业里通常叫它开发候选药物，有了开发候选药物之后，你要锁定生产工艺，还得满足各种相当高的标准，对生产的严谨性和文档记录都有要求，然后你就准备好开始在人身上做临床研究了，要启动这些试验，你得先从FDA拿到一个叫INDI的东西，拿到INDI之后就进入临床阶段了，这个阶段分三部分，首先是一期临床试验，历史上虽然现在有很多种变体，但一期临床试验主要关注安全性，传统上然后是二期临床试验，这是你第一次看疗效，再往后是三期临床试验，这是最终的验证性研究，用来产出证据，证明你的药在人体上是安全有效的，这也是最终获得FDA批准的基础，与此同时，在这一切进行的过程中，还有大量关于生产转移方面的工作，这就是整个过程 如果说开发药物要四年，那临床阶段呢，从开始一直到FDA审批之前，整个过程大概是6到9年，差不多这样，对吧，时间就是这么分配的，成本则非常集中在临床阶段，但我觉得用AI从这两个环节里，压缩时间机会非常明显，也非常直接，无论是临床前阶段，还是临床阶段，不过这就是个盖栏，对，非常有帮助，谢谢你，周老师你显然已经决定，把精力集中在，你认为杠杆率最高的那部分上，在这个框架里，你处在哪个位置，其他的工作在哪里，你打算怎么压缩时间线，这个问题我有两个答案，我觉得Eric刚才做得非常好，把整个过程拆解成了，这么多不同的阶段，而造一款药真的非常复杂，制药行业之所以有这么多不同阶段，原因之一就是，你怎么知道自己有没有走在正轨上，你确实得把它拆成一个个小关卡，然后逐个通关，但归根结底 我们真正要找的是某种，能真正调解某种疾病的分子物质，造药的过程，本质上就是这样，往大了说我们有临床前阶段，对吧，就是努力找到那个分子，然后是临床阶段，就是努力证明它真的有效，但如果只从宏观上看，其实就是找到一个，能在患者体内起作用的分子 AI之所以这么强大，其中一个点就是，这些东西真的可以重新串联起来，对吧，如果我能设计出更好，效力更强的分子，那但愿我的临床实验也会更容易做，这个领域现在最让人遗憾的一点是，有太多药物，只能把寿命延长一个月，两个月，差不多这样，当然对那些需要这些药的患者来说，这已经很了不起了，对吧，我们也应该继续做这些工作，但当你面对那么微小的变化时，临床试验真的很难做，对吧，要设计一个试验，让你能真正以统计显著性 看到那个效果，并且让药物获批，是非常困难的，如果你有惊人的数据，你的试验一下子就容易多了，我觉得我们其实可以把代码生成，当做一个透镜，看看这里可能发生什么，你想想，哪怕是一年前，人们用大语言模型做代码生成是什么样，你会得到一个初步方案，然后试着调试，再丢给另一个大语言模型去问问题，那是整个迭代过程，最后才能得到能跑的代码，现在你可以零样本，直接生成一个应用，对吧，我觉得这就是零样本药物，发现有可能解锁的东西，这不只是把四年时间压缩到零年，我觉得更重要的是，整体上做出更好的药物，我们聊过靶点和TM 对吧，大家挤在那么一小撮靶点上，也就30来个，但大约80%的以命名疾病，都没有获皮的药物，对吧，这也是一个巨大的问题，所以我觉得做出更好的药物，做出更多的药物，归根结底就是这件事，说了这么多 差异现在专注的地方，因为再说一次，你在建创业公司，总得有个聚焦点，所以我们从分子生成，这个环节起步，因为我们把它看作，所有其他可能性的顶点，我们特别兴奋于你们的工作，原因之一就是，如果我们能加速整个外部循环，也就是现在那些迭代周期，那我们就能从模型里得到更多射门机会，但我认为随着这两件事都变得更好，它们会互相强化，而且我觉得接下来几年，整个事情会是指数级的，有意思，那么最明显的问题就是，为什么是现在，这是个由来已久的问题，我们一直想长生不老，一直都想是什么变了，哪些新技术解锁了这些，为什么现在会加速，说实话我这整个职业生涯都在尝试做这件事，你之前提到过那段经历，从OpenAI到Facebook 我觉得任何人都不该对AI进步了很多，这件事感到意外 模型架构已经发展到了一个更具可扩展性的阶段，算力也大量上线，一切都快多了，而且我们还能构建很多新的数据集，我觉得另一部分原因在于，大家也很愿意拿这些东西做实验，想想差异是怎么定位自己的，对吧，我们把模型带进制药公司，还有另一面就是你可以把东西造出来，但人们也得愿意去试，第一，现在大家对AI真的很开放，但第二压力也很大，看看生命科学领域在地缘政治上发生了什么，实际上任何这类制药论坛，每次我去参加制药相关的会议，现在都只有两个话题，一个是AI 一个是中国，现在美国面临的一个问题是，在药物发现这件事上，中国正在超越我们，怎么说，他们效率高得多，工作更努力，在那里发现药物的成本也更低，这还只是临床前阶段，临床阶段就更不用说了，那边的监管环境 在中国拿到一个药物，做到首次人体试验要容易得多，但如果我们想想，美国在生物科技中的角色 [05:49:53]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

美国在生物科技中的角色

Apoorv Agrawal：美国在生物科技中的角色，有一个原因是，我们迫切需要AI在这里发挥作用，因为中国可以跑得比美国快，但中国跑不过AI 我觉得这会成为一个，巨大的民主化的力量，让我们美国有能力，真正研发出更好的药物，所以我觉得有很多，为什么是现在的理由，既有为什么是现在，也有，我们现在真的需要它成功，所以从世界正在发生的事情来看，我们算是幸运的，它正在发生，对，那对你们两位来说，为什么是现在，有没有技术层面的原因，你会不会说，嘿显然，因为AI和中国需求，现在确实存在，但有没有什么东西变了，大语言模型是不是，给了我们一个飞跃，那是一种超能力吗，在你看来，这种超能力的威力有多大，是那种我们要把15年缩短到15分钟，还是15年缩短到5年，帮我们衡量一下这个尺度 对我觉得到目前为止，我对为什么是现在的第一个回答，就是大语言模型的存在和快速进步，但我也觉得其实有几个趋势正在同时汇聚，对吧在同一时间发生，我们非常幸运，因为事情本来不一定会是这样，但大语言模型是其中之一，还有各种其他大型模型，比如Chai模型，对吧，这些基础模型，它们是互补的，因为正如Josh所说，大语言模型，我把它看作外层循环，它做你做的事情，对吧，作为人类，你用Chai的模型，得到一些设计，然后你思考一下，再到实验室里去测试，对吧，然后你不断迭代，对吧，但愿不需要太多轮迭代，对吧，但现在整个这个过程，都可以由Cloud来完成，而且它正在变得越来越好，对吧，所以你有这两股趋势 底层的基础模型在变得更好，所以一开始你需要的迭代就更少，同时你有有大语言模型，可以来做外层循环，让整个过程变得更快，所以我觉得这是一个很强的趋势，我刚才举了一个，在临床前阶段，使用这些工具的例子，但对于大语言模型，我认为在临床阶段，某种程度上也是一样的，所以这是第一股趋势，另一股趋势，我们非常幸运，它恰好同时发生，就是生物学中数据生成的规模可以非常巨大，对吧，我们有所有这些不同的测量技术，它们正变得越来越成熟，测序到这个时候已经不算什么新鲜事了，但在这之上，对吧，我们有单细胞测序和蛋白质组学，还有高通量的抗体检测技术，以及各种其他检测手段，都在不断为这些提供数据 所以我觉得这些趋势同时发生是很重要的一块，至于下限在哪里，对吧，如果我们处在10到15年的区间，我认为我们有清晰的路径，能把整个药物开发周期，缩短到5年以内，而且我把这当做一个上限，我觉得，你可以想象整个过程，在几年内完成，最终下限，会由临床试验的时长决定，但在这方面，我觉得机会比人们想象的多得多，原因有几个，对吧，比如有人会指出，假设你在做一项，针对骨质疏松的临床试验，传统上你得等一段时间，看有多少人的骨头断了，所以要获得足够的统计功效，你得等一年左右，对吧，这就天真的给这项临床试验设定了一年的下限，但原则上还有其他方法可行，比如如果我们能开发出替代指标，对吧，如果我们采用正确的检测方法 对生物学了解的更多，能从我们测量的身体各项指标中，判断预期效果正在发生，对吧，你可以想象，为临床试验设定不同的终点，从而缩短时间，而且正如扎实所说，我觉得这一点非常重要，首先就是更大的效应量，所以你需要招募的受试者数量，取决于效应量，药物越有效，受试者就越少，整个过程就能越快，所以这就是我得出，那个时间估计的推算过程，对，从历史上看，生命科学领域，一直有两种定位，要么你开发完整的药物，并销售药物，享受卖药带来的收入，要么你做一个工具，或者你卖一个工具，对吧，而且至少，大多数传统生物技术投资者，会把生命科学企业估值成，怎么说呢，来自他们药物的收入流，或自由现金流，折现回今天，然后做一个现金流折现，那就是你的市值 或者说风投愿意付的估值，你决定建一个工具平台，卖给这些人，而且听起来 Eric你说了诗实验室，你要建一个诗实验室，那这意味着什么，你们要在Anthropic开发，完整的药物，然后靠药物变现吗，对，好，问题，我应该纠正一下这个误解，所以，那不是我们的计划，好，去开发药物，我们也在大力建设工具，我们希望行业里的其他人来用，我们施实验室的目的，我一直在讲药物开发，但我们另一个首要目标是，加速基础研究，对吧，把它本身当做目的，所以施实验室，是我们追求那个目标的沙箱，我们确实有一个基础研究团队，就是纯粹在做科学，把我们的工具拿去检验，通过你能想到的一切方式，最大化的利用Cloud 所以诗实验室，确实承担着不同的目的 明白了，这门课上我们讲的最多的东西之一，到目前为止，很大一部分都集中在半导体层，还没有太多深入到应用层，在你们生物学这个领域，历史上价值一直是在卖药那一层，而不是在工具层，如果我说错了，你就正我，但你们两边都在建工具，而且大概有理由相信这次会不一样，为什么这次可能会不一样，我能给的最简单的答案是，工具变得比以往任何时候都更有价值了，如果你看看历史上价值都沉淀在哪里，我们今天市面上有的那些药，其实都极其原始，说实话，用我们今天手头这些工具能发现药物，本身就已经是个奇迹了，人们经常问Chai 你们的竞争对手是谁，答案其实就是酵母小鼠，还有实验室里那些传统工具，现在的药简单到什么程度，就像试图去堵住一个靶点，比如细胞上的某个靶点 然后它们有各种副作用，实际上大多数药，都有很多本不该有的脱靶效应，所以我觉得随着工具变得越来越强大，更多的价值沉淀到工具上，是说得通的，你为什么要为一个，不影响你成功概率的工具付那么多钱，如果我们这里聊的一切，如果Eric说的那些都成真了，时间线缩短，成功概率提高，那么作为一家制药公司，你一旦采用这些AI工具，就应该开始按更高的倍数来估值，因为如果你的成功概率上升，把东西推向市场的成本下降，时间线也缩短，光是采用这些工具，你就变得更有价值了，所以大量的价值，应该沉淀到工具制造者身上，而且工具本身，也比最终产品要可扩展的多，对，我们还观察到的另一件事是，西方最大的那些生物技术公司，都是几十年前，甚至几百年前创立的，他们大多在20世纪，还有几家在19世纪 过去25年里新成立的，只有那么几家，你觉得影响之一，会不会是更民主化，更多创业公司涌现，因为工具太容易获取了，你进去看，这里会有几个二阶效应，第一件事是，今天你只要比制药公司，稍微高效一点，就能创办一家生物科技公司，制药公司是庞大的组织，而你从Cloud里，可能拿到某个靶点洞察，对吧，然后你把一个分子，快速推进到临床试验，你在患者身上拿到一些概念验证，然后制药公司把你收购了，两年后，当你可以直接零样本生成那个分子时，会发生什么，你甚至可以零样本生成一家生物科技公司，对吧，我想那是不是意味着生物科技会消失，我其实不觉得会这样，我觉得生物科技会围绕这个进化，就像今天，如果你能零样本生成一个应用，你就不能只卖一个工具，那太简单了，那就是零样本 你需要想出别的模式，或者更复杂的，价值更大的软件，所以我觉得这里，很难预测会发生什么，因为再说一次，这是指数级发生的，同时有太多事在发生，有很多二阶效应，所以我觉得总体来看，如果一切都停滞不前，你可能会看到，资源向现有巨头集中，但现实中，人们总会找到新机会，以后还会有新的创业公司，不断出现，而且成果会比以往，任何时候都更大，因为我们有了更好的工具，去实现这些事，很有意思，你们有一个非常特殊的视角，你们大概知道，现在开发前沿的所有情况，你们领域目前最大的，还没解决的问题是什么，你们期待这些问题，被模型或者其他方式解决吗，对，我觉得有几个问题，我想特别提一下，第一个，就是像Chai这样的公司，在抗体开发上做的事情，我觉得把同样的方法 用到其他药物类型上，是一个非常未解决的问题，对吧，抗体可能是目前，最有效的一类药物，但有很多靶点和疾病，抗体并不能直接试用，所以我们有小分子，还有其他正在涌现的药物类型，我真的很兴奋，能把应用范围扩展到这些药物类型上，我喜欢这样想，现在有一批靶点，用我们现有的方法是可以成药的，对吧，我们需要往前推进，把这些方法变成工程学科，对吧，就像抗体设计，从过去那种有点像炼金术士工艺，变成了更接近工程学科的东西，所以我觉得这件事用AI完全够得着，但它是一个很难，也很重要的问题，值得去做，另外我想提的一件事，就是扩大高质量新靶点的发现规模，再说一次，我们现在还是挤在相对少数的一批靶点上，我觉得整个领域都在想办法，找出下一个可规模化的大路子 能解锁大量高质量的新靶点去追，而且这方面现在有很多努力正在进行，比如说在虚拟细胞和细胞扰动模型方面，这是一种正在兴起的新技术 [05:59:50]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

这是一种正在兴起的新技术

Apoorv Agrawal：这是一种正在兴起的新技术，还有更传统的基于遗传学的方法，用来在人群规模上分析人类遗传数据，并将其与健康记录关联起来，但我认为作为一个社会，我们确实需要一个可扩展的方式，去找到更多更多的好把点，这个框架非常重要，对 Josh 你还有什么要补充的吗，我完全同意这些观点，可能我想补充的最后一点是更复杂的药物，我之前也稍微提到过，现在很多药物其实都非常简单，我觉得随着我们对它们的控制力越来越强，你可以开始思考我们是什么，我们在叉戟做的事情之一，就是可以把我们正在设计的药物里的很多蛋白质折叠起来，所以这几乎就像是一个原子级显微镜，能看清你身体系统里正在发生什么，如果你有了这个能力 你就可以开始对可能实现的分子类型抱有更大的想象，所以我觉得这也是一个会持续发展的方向，有道理，你们这个领域一旦实现重大突破，生产力会高得惊人，有些公司靠单一药物就创造了数千亿美元的收入，当然也有不少是在数百亿美元这个量级的，你们有没有在关注的一两个项目，就是那种你们觉得，这可能会成为下一个GLP级别的成功，或者有这种潜力的，对，好，问题，我想提一下，现在有一些围绕增加瘦肌肉量的新兴靶点正在出现，单从商业角度来看，我不对社会价值做任何评价，但是，无敌好客，但我要说，我觉得这些药，确实有一些非常重要的医疗用途，不过话说回来，如果有一种药吃了，就能让你一身肌肉，我觉得那肯定卖得特别好，我团队要是听到我说这个，非杀了我不可，但这其实也是我们 拆内部的一个玩笑，你看像Renaissance Rentech这样的公司，他们内部有个Medallion Fund 所以你去Renaissance工作，得到的补偿之一，就是能把钱投进，那个业绩最好的基金，所以我们都在说，要是哪天查一针做药了，我们应该先从这种药做起，只给查一员工用，你来查一上班，然后练出一身肌肉，不错 Josh 你们在关注哪些方向，我觉得睡眠相关的药，也会很有意思，你看GLP-1和减肥药，正在证明的事，它们几乎就是消费级药物，因为患者群体实在太大了，而且我觉得睡眠，也是很多疾病的根源，所以如果我们能找到，办法让人睡得更好，或者摆脱睡眠障碍，我觉得那也很有前景，而且实际上，它的经济逻辑跟GLP-1很像 GLP-1开始是治糖尿病的，后来扩展到减肥，睡眠也一样，你可以从睡眠障碍入手，然后也许就变成 怎么说呢，如果我能睡得更有效率，这种药谁不想喝，所以我觉得，这可能是消费级药物的开端，真的会改变我们的生活方式，太有意思了，这两个例子都相当了不起，全班同学都在想，我们该投点什么，才能练出一身肌肉，睡个好觉，也许我们先从你开始 Josh 挑一个你看好的生意，想法或者创业公司，基于你对这个世界的了解，反过来，你又对什么吃怀疑态度，觉得它炒作大于现实，对我要说的两类，第一类应该不意外，就是制药，你看，如果我们能有更好的药，那你几乎可以把很多制药公司，看成资本聚合者，对吧，他们手里有这些药，创造着数十亿美元的收入，他们有责任，把这些钱再投到更多新药上，而且他们可能会变得高效的多，另一件事，我想说的稍微反主流一点，其实就是实验室实验本身，很多人跟我们聊的时候 都以为，是想让实验消失或者什么的，但实际上想想，如果你能把实验设计的更好，实验的回报率就上去了，所以我觉得，对很多实验室工作来说，这其实会是一个杰温斯悖论，我们会进入一个复兴期，我们其实可以引用Darrell的话，来自那些了不起的文章，想象一下十年的生物医学发现，在接下来一年里就全部发生，要实现这个，得做大量的实验室工作，而AI会来推动这一切，所以但愿会有更多Chaddy的使用，来实现这个，还有Claudia的使用，这些就是我最兴奋的东西，对有什么你看空的吗，其实我是看空的，我之前提到这些东西，某种程度上是在物理世界里的，对吧，我更看空的是那些，纯粹在软件世界里，但不在前沿的东西，比如说，现在生物领域用的很多方法，实际上人们在药物发现里 用基于物理的方法，和基于计算的方法，已经很久了，有些公司已经存在了30年，在这个领域产生了巨大的影响，但AI正变得非常强大，也会吃掉很多这类东西，所以我想你可以总结成 AI在物理世界会变得非常庞大，但你要想的是，怎么把这些东西结合起来，有道理，轮到你了Rick 所以我看多的类别跟Josh最后说的类似，我对这类公司非常兴奋，他们让Cloud能够运行实验成为可能，所以让Cloud运行实验有两种方式，一种是把Cloud接到实验室仪器上，把那些集成都打通，我们绝对在推进这件事，但Cloud现在就能运行实验，只要向合同研究组织，也就是Cloud下单就行，对吧，如果我想做那个，我该怎么做，我会起草一份方案，然后发邮件给某人来回沟通 Core现在就能做到 而且已经在这么做了，所以这些不完全是CRO 但我真正兴奋的是这一类公司，那些高度可扩展AI原生，有真实实验室的实验室公司，对吧，他们以大规模方式生产材料，或运行实验，而且很容易让AI对接，对吧，所以我觉得这个领域里，做得好的公司，比如Plasmasaurus 各种测序都能帮你搞定，还有Adaptive for Twist 对吧，这些公司让大规模做这些事变得非常容易，而且在试试验室这块执行的极其出色，所以这是我很看好的一类公司，太棒了，那你不太看好的呢，我可能有个比较笼统的看法，这话从我们俩嘴里说出来可能有点怪，毕竟我们是卖工具给做治疗药物开发的公司，但我总体上不看好那些商业模式，依赖像制药公司卖工具的公司，当然你显然能在那里做出大生意，但我觉得非常难，相比直接自己去做药 靠卖工具成功的例子非常少，对吧，真正去开始开发药物的门槛，从来没有这么低过，而且还在急剧下降，以至于我们喜欢把它叫做，一条管线加一个人，你可以让一个人，用大量的cloud和基础模型，真正运营一个早期，药物项目的组合，对吧，而且我觉得很快，这个前沿会推进到，一个相对小的团队，就能运营好几个，临床阶段的项目，所以我只是强调，当然你可以在工具模式上，建立伟大的公司，但我认为那条路真的非常非常难，而另一方面，我认为让开发治疗药物这件事，本身民主化，政变得越来越容易，越来越可及，哇这回答真狠，你这是确保没人能开一家，跟你竞争的公司啊，别跟这位竞争，好，你们这个配置确实了不起，就像你说的，非常非常特别的位置，非常特别的位置 如果你不做这个，你会去做什么，你下一个最好的想法是什么，替一个朋友问的，他不会去跟Atropic竞争，我觉得我第一件会做的事，就是我最后说的那个，想办法尽可能高效地跑一批药物项目，因为那个我已经说过了，我再补一个，我觉得搞清楚，怎么把AI跟诗实验室连起来，也是一个很大的前沿方向，对吧，现在Cloud可以通过跟CRO沟通来跑实验，这对今天来说已经很好了，但当Cloud能直接跟实验室仪器对接的时候，我们会达到一个全新的效率水平，对吧，而且我觉得，就像给它装上仪器，对，给它装上手脚，对，正是，而且我觉得这个问题有很多部分，有硬件层，有上面那层，软件协议通信层，但我觉得这里面有，可以产品化的东西去做，有意思，那几乎就像可变成化学，对，正是，就像那种，你知道 合中实验室，你把这东西插上电，然后突然之间，就能控制你的实验室了，有这种实力吗，有证据表明存在这样的商业模式吗，我觉得有不少公司在做这个，主要是创业公司在做类似的事情，但我觉得现在还是早期，我们大概才走了一两年，而我预期这会是一段很多年的旅程，明白了，这听起来比做Anthropic的竞争对手更有前景，你呢 Josh 我觉得其实跟那个非常接近，就是你怎么真正建立起自主药物项目，对吧，我觉得梦想会是走多远，这几乎你甚至应该把它当成一个评估来看，就是说，嘿我们能不能搞出一套基准测试，看看模型在每个项目上能推进多远，然后我觉得这会汇聚成，好吧到了某个节点，模型跨过某个门槛，做出了真正有用的东西，所以我觉得你甚至可以拿药物发现里的前沿难题，很多我们刚才都聊过 然后不断让前沿智能体去攻克它们，然后最终你会取得某个突破，然后尽快把它推向市场，制药行业有个很有意思的地方，它是竞争最激烈的行业之一，有意思，因为你想这些公司在做什么，他们在努力治疗疾病，对吧，而且很多情况下，怎么治疗一种疾病并不明显，甚至你知道做商业层面的判断，比如哪个最值得去追，因为它实在太复杂了，但治疗疾病就是最明显的商业模式，最明显的商业逻辑，这其实也是我对这块，特别兴奋的原因之一，比如我大学里很多朋友会问，下一个Snapchat该做什么，什么公司最值得做，我就说各位，外面有那么多疾病，对吧，我们为什么不试着去，制止看，那对大家肯定是有价值的，所以我觉得，把这些东西写下来，然后看到模型能走多远，然后能成为第一个做到的人，这大概是，另一件最有意思的事 你想做同类首创，大家也常说同类最佳 [06:09:57]

本段：生命科学

# #675.斯坦福2026 年春季 AI 经济学课程：从 GPU 到生命科学，一次听懂 AI 超级周期的九层经济学

目录

大家也常说同类最佳

Apoorv Agrawal：大家也常说同类最佳，但同类最后这个说法，是最近有人跟我提的，我觉得这个概念特别有意思，有意思，如果大家有问题，我们就开放提问，来了，青江，我背景是制药，做小分子，全是药物递送内讨，你听到很多，关于药物发现的讨论，但几乎听不到，关于药物开发的，你能从你的角度讲讲，为什么你觉得，会是这样一机，机会可能在哪里，我觉得有几个原因，首先药物发现里的机会，是比较直白的，这些事执行起来很难，但我觉得每个看到的人，都能说出他们是什么，而开发阶段的机会，不是一两个特别有吸引力，特别容易的事，我觉得很多事并不是明显卡在模型智能上，而是偏运营层面的，你得把所有正确的环节都搭好，所以我的看法是，首先它一开始就没那么光鲜，也没那么显而易见 跟模型智能的关系也没那么直接，我会把这些都归到一起，我还觉得AI社区本身更偏科学属性，对那个阶段的事情经验更少，我觉得这也是一个因素，至于机会有哪些，我觉得很多，所以说几个我比较兴奋的方向，比如优化患者招募，对吧，你可以想象用AI去智能的做实验中心选择，看患病率，入组情况这些，确保选对实验中心尽快把患者招进来，还有实验管理这一块，现在有大量运营开销化，在实验中心监察，往电子数据库里录入和核对记录这些事上，这些应该马上全部自动化，而且就该是Claude干的事，除此之外，我觉得还有更偏科学的部分，这就是发现和开发交汇的地方，你要确保试验从一开始，就有更高的成功概率，还要确保效应量尽可能大，所以我觉得 这是两个非常重要的机会，而且实际上更偏发现端，对，青江，我有个问题，我想这里其实两个问题，但大家都在说，训练已经规模越来越大，比如现在我们处在 10亿美元阶段，会到100亿，可能1000亿，那这会解锁什么，在你做的所有这些事情上，比如我们想一下 AI语言模型，就是给它一本书，然后遮住一段话，它学着去填空，但对你正在构建的那些模型来说，对应的东西是什么，如果你能做一个 1000亿美元的训练运行，那会解锁什么，我知道这是个很宽幻的问题，但是，对，我觉得每一代模型，都会带来稳定的能力提升，所以我的看法是，我们就是在瞄准，某些特定的能力，随着我们做更多训练，能力会变得更好，有时候会有规模效应，有些能力一开始 是平的完全没有，到了某个规模，它们就开始显现了，举几个例子，我们一度发现，模型对蛋白质，几乎没什么理解，对吧，然后到了OPPA 4.6 我们第一次看到，模型开始学到，更多关于蛋白质的东西，对吧，这跟我们在训练里，做的式规模，还有诸如此类的东西有关，但我觉得这里有两股趋势，一个是很多不同能力的渐进式改进，另一个是我们在很多领域看到的规模效应，甚至在生命科学之外的AI领域也有，有时候你就是要等到某个特定的模型世代，才能看到某些东西，请继续，即使在软件领域，单次生成对减程步骤非常有效，比如服务之类的，但我们的经验是，它对生成步骤完全不好使，比如数据库和分布式系统 而生物学看起来是生成步骤的极端情况，那什么样的应用，单次生成真的能起作用，对这是个很好的问题，我觉得这在一定程度上取决于我们，能去攻克的任务有多难，对吧前沿正在往那边推进，你刚才说没法领养本搞定一个数据库，我觉得这说法现在都不一定还成立了，就算你们已经做到了，我也不会意外，对吧我觉得生物学里也是一样的道理，很多人说来好笑，我们刚创办公司的时候，有个投资人帮我们做了很多工作，比如去跟各种专家网络聊，问人家，嘿，你们愿意为这种东西付多少钱，人家就说，哦，零样本生成一个分子，我们可不愿意付多少钱，然后他们问，为什么，他们说因为他不work 我凭什么为他付钱，然后他们说，不不不，咱们假设他能work 他们说，那不可能，然后他们说 行吧，看来我们找对方向了，对吧，所以我觉得很多事情，更多是个时机问题，我觉得这正是现在AI 最让人兴奋的地方，你真的可以大胆做梦，我这边幻灯片上放的那些东西，有可能就是做不到的，对吧，我们不知道，但你能看到这些东西的规模效应，在显现，随着你建更多数据集，投入更多算力，它们就开始变得可行，开始够得着了，所以我觉得更多是，什么时候的问题，而不是能不能的问题，但说实话，我们也不完全确定，我觉得这就是在这个领域，做事带来的那股兴奋感的一部分，但看起来这个循环里，好像也许有点肤色，可以说是那种超级，超级大的半循环，对我觉得这其实也跟上一个问题有关，我觉得你之所以听到，更多关于AI在药物发现里的应用，其中一个原因就是反馈循环更短，比如说如果是在临床开发阶段，那就像是在问 我们要不要用AI跑完整个临床试验，那可能要花很长时间，相比之下设计一个分子，然后在实验室里测试呢，你知道几周就能做完，而且反正每个人都会一次性搞定这种药，练出一身肌肉还能睡得更香，我们今天就到这里吧，各位欢迎下楼去找他们聊聊，非常感谢，真的很感谢 [06:15:22]

返回该播客 打开原文