摘要

Chernin反泡沫论的核心，在于AI仍处于极早期：目前只有编程这一种AI用例真正实现了规模化应用，而且“可能几个月前”才开始奏效。 他承认自己有立场偏差（“如果不相信，我可能根本不会做这门生意”），但仅看企业采用的数学，结论也很明确：“我们才刚刚开始。”每一家大公司，包括技术最先进的公司，都还处于“使用量的第一个百分点、用例的第一个百分点”。
最值得交易的单一案例是：DeepSeek恐慌期间，Nebius股价一周下跌40%，恰恰就在同一周，公司迎来了“历史上最好的商业周”。 更便宜的智能没有削减消费，反而让此前不具备经济性的推理负载变得可行，并点燃了Cursor的增长。“每次我们把同等单位的智能变得更便宜，消费不是下降，而是在上升。”
按当前价格，需求真实存在且尚未被满足。 Nebius“就在几个月前”提价，但供应端仍然面临“相当大的管线压力”；如果产能扩大10倍，“不会一夜之间发生，但我们肯定有需求承接”。不过，需求弹性有上限——推理是服务每个客户的成本，“总有一个经济性无法成立的价格水平”，因此Nebius优化的是客户的总拥有成本，而不是单纯收取短缺溢价。
Nebius的战略架构是一套四层堆栈，每向上一层，客户群就扩大一圈。 第一层是以兆瓦计价的裸金属，潜在客户只有十几家，如Meta和Microsoft；第二层是以GPU小时计价的托管多租户云，服务数百至数千个团队；第三层是通过Token Factory按Token提供托管推理，面向数千家垂直AI开发商；第四层仍属推测中的智能体层，专注端到端任务执行，潜在覆盖数万名开发者——Stebbings认为这会直接挑战OpenRouter。
按Chernin的说法，开源对前沿实验室的侵蚀远没有市场担心的那么大。 开发者先从OpenAI、Anthropic、Google起步，规模化后转向可调优的开源模型——“这些模型最重要的质量，不只是开源，而是可调优”——而实验室则继续跃迁到下一批尚未解决的前沿任务。Stebbings的质疑依然成立：这些公司以万亿美元估值定价、被要求做到尽善尽美，却“不断玩从一个价值点跃迁到另一个价值点的游戏……这种日子很难过”。
Revolut案例是企业采用论的缩影：其推理预算的99%都花在封闭的OpenAI模型上，转向开源的进程卡在内部评测体系和AI CI/CD的建设上；一旦解决这一“冷启动问题”，消费便沿着与AI原生公司的ARR相同的指数轨迹增长。 Chernin预计，Revolut、Shopify、booking.com这类公司都会跟进。
Nebius面临的最大威胁“不是竞争，而是整合”。 如果世界最终只剩下“三家、五家超级模型、超级帝国”，Nebius就会被压缩成只为它们提供物理层服务。今年资本开支按原话是“2025 billion”，而超大规模云厂商约大8倍；资本在6个月内帮不上忙，12个月时能加速部分进度，到了24个月“确实可以解锁很多事情”。至于Aschenbrenner持有的5.3%股份，他的态度是：“他们给你的是一笔关于你会执行的信用……回去做好你的工作，交付成果。”

精读

1. 不是泡沫——只有一种用例跑通，采用率还在第一个百分点

Chernin拒绝接受泡沫叙事，但也先指出自己的立场偏差：“我可能确实有偏见——如果不相信，我可能根本不会做我们正在做的这门生意。”他的核心证据窄得惊人：“这么多用例里，可能只有一个真正跑通了”——编程，而且“可能几个月前”才开始奏效。
企业视角足以说明问题：随便拿一家全球公司，即便是技术最先进的公司来看，“你实际上会发现，他们对AI的使用仍处在使用量的第一个百分点、用例的第一个百分点”。他的结论是：“即使你不相信Musk关于未来、太空等一切说法，仅从企业采用的现实来看，也只是刚迈出第一步。”

2. DeepSeek那一周：Token更便宜，需求反而增加

这是Jevons效应在现实中的最佳样本：DeepSeek冲击期间（他提到的是2024年或2025年2月、3月），Nebius股价一周下跌40%——“恰恰就在同一周，我们可能迎来了销售最好的一个星期”，也是公司历史上最好的商业周。客户“意识到可以用DeepSeek在生产负载中运行推理，而且经济性成立”，Cursor则是“第一个真正受益的公司”，因为它调优了这些模型用于编程。
Chernin描述的机制值得完整保留：“每次我们把同等单位的智能变得更便宜，消费不是下降，而是在上升——我们可以用同样的预算解决更复杂的任务，或者终于以经济可行的方式解决那些我们早就知道能解决、但此前经济性不成立的任务。”
这也是开源不会掏空OpenAI和Anthropic的原因：每一次效率提升都会把前沿实验室推向更难、尚未解决的任务，而“尚未解决的任务太多了，它们会继续指数级增长”。Stebbings的反驳是：这些公司以“万亿美元的尽善尽美估值”定价，却“不断玩从一个价值点跃迁到另一个价值点的游戏……这种日子很难过”。Chernin没有反驳，而是用“蛋糕论”回应：“前沿能力和针对具体用例调优的模型，双方都有足够的蛋糕。”

3. 四层堆栈——从兆瓦到GPU小时、Token，再到任务

Nebius的产品阶梯对应不同的销售单位和客户数量。第一层是裸金属，以兆瓦计价——全球只有“十几家客户”，是Meta、Microsoft这一量级，它们“把所有东西都带过来，部署在你的基础设施上运行”。第二层是多租户托管云，以GPU小时售卖，面向数百至数千个重研究团队。第三层是托管推理，即Token Factory，以Token计价，服务数千家垂直AI公司；它们“构建产品，而不是构建模型”。
第四层明确仍属推测：智能体负载下，“你甚至可能不会以某个具体模型来思考……你希望端到端任务被高效执行”。平台会决定是调用更聪明的模型，还是运行两个更轻量的模型再交给裁判模型。Stebbings直接点名：“第四层是OpenRouter的直接竞争对手。”Chernin对差异化的定义是：让智能体“可靠、可重复、具备经济可行性”，这是一个系统问题，而不是模型选择问题。
贯穿始终的逻辑是：“我们在堆栈中越往上走，能服务的客户群就越大——裸金属可能只有十几家，托管基础设施是数百家，推理是数千家，智能体则会达到数万家。”

4. 集中度是“我们业务的核心问题”

被问到自己能接受Meta或Microsoft贡献多大收入时，Chernin称这是“核心问题”——不仅是Nebius的问题，也是整个产品品类的问题。明确的长期战略是：“尽可能实现多元化的客户组合。”面对超大规模云厂商级客户，“在物理基础设施之上，你能提供的额外价值非常、非常有限”；但他反对把它简单归为商品：“涉及真正的规模时，没有什么是商品。”
Stebbings进一步指出，如果没有完整堆栈，“你就会变成这些超级玩家的容量供应商……客户高度集中，业务也极度垂直”。Chernin承认并留出余地：“我认为是这样……但我们不知道世界最终会走向哪里——在无限需求的世界里，你甚至可能长期维持裸金属销售。”需求侧竞争越激烈，“你就越可以挑剔”，选择真正重视平台价值的客户。
对于与CoreWeave的比较，他表示不愿置评：“我不喜欢拿自己和别人比较”，但给出了“向下和向上的全栈整合”：向下深入数据中心、机架和服务器，以“挤出更多成本”；向上深入产品，服务那些“不会购买原始算力”的企业——它们有数据要迁移、有系统要集成，“这才是大局。”

5. 价格弹性有底线——TCO比标价更重要

Nebius“就在几个月前”上调了价格，但供应端仍然面临“相当大的管线压力”。不过Chernin反对纯粹按照供需定价：训练是一次性成本，而“如果你相信行业正在转向推理，推理就是服务客户的成本——总有一个经济性无法成立的价格水平”。价格“在一定程度上有弹性”，只要客户的产品经济性成立，“他们可以增长，我们也可以跟着增长”。
他更深层的判断是：市场“过度沉迷于容量的名义价格。你可以把一块GPU定价为$3、$4、$5”，但平台质量对实际成本的影响大得多。“如果谈的是推理，优化可以让Token价格改变一个数量级……大家太关注某一块GPU的成本，但如果模型做对了，价格可以变化数倍。”

6. Token Factory与Revolut冷启动：评测体系建立后，企业消费开始复合增长

第三层产品的逻辑是：先在OpenAI上构建，跑通用例，然后“利润率不够，或者你想应用自己的数据，但又无法在封闭生态里做到”。于是从Hugging Face拿开源权重，再接入vLLM或SGLang引擎——“然后它就不工作了”，因为生产环境需要编排、缓存和可观测性，还要在数百张GPU的规模上运行。Token Factory目前运行60个开源模型，并声称通过蒸馏、推测解码和缓存，最多可将推理成本削减70%；随着“minimax 3”发布、以及“Ultra”宣布上线（均按原话）每隔几周出现，平台承担了基准测试和迁移切换的工作。
Revolut的故事承载了整套企业论：“他们99%的推理预算都花在封闭模型、也就是OpenAI上”，部分用例“对他们来说经济性不成立”；而迁移到开源的过程停滞，是因为他们必须在内部构建完整引擎——“首先，他们当时把精力放在评测上”。他的概括是：“人们低估了为持续改进打基础的重要性——指标、评测机制，以及为AI开发建立起来的CI/CD流程。”
回报出现在后半段：“当他们解决这些基础问题后，就开始指数级增长……他们的AI消费增长速度与ARR相同”——沿着AI原生公司已经展示的轨迹增长。他点出的下一批企业是：“Revolut、Shopify、booking.com——当它们解决冷启动问题后，AI采用会疯狂增长。”
Stebbings总结说，Nebius“拿走了管道工程”，让企业可以从封闭供应商迁移出来；Chernin接受这一概括，但补充修正：“这不是封闭对开放……市场会同时需要全球最聪明的模型、最快的模型，以及介于两者之间的模型——足够聪明，但也足够便宜。”

7. 资本与瓶颈取决于时间窗口

资本开支的原话是：“我们今年的资本开支计划是2025 billion”（该数字未作标准化处理），而“我们的竞争对手、超大规模云厂商，大约是我们的8倍”。如果预算无限，唯一改变的事情就是：“建得更快。”建设数据中心，再用GPU填满它们。
针对Gavin Baker认为审批延误阻止了供给过剩的观点，Chernin给出了值得保留的时间拆解：“未来6个月，资本帮不上忙——你手里有什么就只能用什么，还得交付。未来12个月，资本可以加速一些事情……但到了24个月，你确实可以解锁很多事情。”Nebius分阶段构建“容量组合”：先锁定电力和土地，再建设数据中心，最后填入GPU，“尽可能提前完成”。
对于公众反弹（Stebbings提到，如今100个数据中心中有40个在规划和审批过程中最终不会建设）他的回答是：“这就是我们必须工作的环境。”从务实角度看，容量组合本身供不应求，因此单个站点延期不会破坏客户交付；从公共事务角度，他借用了Uber的类比——任何发展“过快”的事物都会遭遇阻力，与社区沟通“就是你的职责之一”。美国正在建设70–75%的新增中期容量。
对太空数据中心，他的态度更乐观：“现在有这么多聪明人在努力让它成为现实……我为什么不相信它会发生？如果3年前有人说，我们会建设多吉瓦数据中心和大规模互联算力集群——我当时不会这样想，但我们已经走到这里。这已经是常规操作。”

8. Nvidia、主权AI，以及真正承担风险的人

面对Nvidia的权力不对等，他给出的答案是工程师文化：“Nvidia在很大程度上仍是一家由工程师驱动的公司……如果Nvidia的工程师尊重你的工程师，你们就有了建立关系的正确基础。”这种关系会横跨硬件、软件和推理层，由工程师对工程师展开。他对整套战略的总结，也被Stebbings威胁要拿来做标题：“把你他妈的工作做好。”
谈到欧洲主权AI，他的逆向判断是：这场讨论“过度集中在兆瓦和电力上，而不是构建者层”。基础设施会跟着需求走——“只要有需求，我们就会建设基础设施，而需求来自构建者”——因此欧洲应该关心如何培育更多Lovable、Black Forest Labs，以及很可能还有Mistral这样的公司。
当被问及会在基础设施、横向模型、垂直模型和应用之间如何配置投资时，他认为基础设施“是一个不错的方向”，部分原因是“我们大致知道需要什么”；但“这个行业里最令人惊叹的人，是那些敢于冒险构建终端用户产品的人……真正的风险，在于构建一个人们究竟需要还是不需要的东西。他们才是英雄。”

9. 终局风险是整合，以及鲨鱼式生存法则

在补完“Nebius面临的最大威胁不是竞争，而是……”后，Chernin给出的答案是：“总体上的整合。如果最终世界由三家、五家超级模型、超级公司、超级帝国控制，那么像Nebius这样的公司只会被需要来在物理层满足它们的需求。世界越民主化、越多元化，我们就越有存在价值。”Stebbings指出，价值正在集中，而不是多元化；Chernin的回答是希望而非证据：“有这么多人希望独立构建……这会自然形成一个更加多元化的世界。希望如此。”
关于Leo Aschenbrenner披露的持仓（Stebbings给出的数字是：公司5.3%、其投资组合约15%），股价出现上涨，但公司内部的解读极其克制：“他们给你的是一份关于你会执行的信用……每次有人投资我们，都是给了我们信用和交付机会。然后回去做好你的工作，交付成果。”他将这种文化归功于CEO和创始人（字幕中的姓名有误）：“你醒来，又是新的一天，你需要交付，没有什么是理所当然的。”
他唯一的自我批评是：“我们本来可以多庆祝一点……我不认为我们庆祝得够多。”但这句话立刻被结尾的意象吞没：“这就像鲨鱼。只有不断移动，你才是活着的。所以我们必须继续移动。”

AI 使用的经济学与 SaaS 的下一步 | a16z 上的 Benedict Evans Vol.219 宏观漫谈106｜对外投资新规、美元潮汐周期与AI资本狂欢（6.3录制）