硅谷 AI 大转弯与二级市场的牛市｜对谈莫傑麟

摘要

• 莫傑麟把 2025 年美国 AI 的主轴从 Scaling Law 转向 Token 消耗：7 月较 6 月增长 20% 以上，呈现出类似移动互联网使用时长快速增长阶段的趋势。 增量首先来自 OpenAI、Anthropic、xAI 等实验室自己的产品，而非 API；ChatGPT 的日活与时长也在增长。AI 正从需要不断证明 AGI 的“外来物种”，嵌入搜索、办公和企业 Workflow，行业的总感受是“不断在提速”。

• 现有模型即使暂时不再变聪明，也已经足以释放比大家想象中更强的需求。 企业要的是解放生产力、替代部分人力或提高稳定性，消费者要的是更简单地完成搜索与工作；应用和 Infra 则把已有智能变得便宜、快速、可靠。GPT-5 的转折意义因此不是 IQ 跃升，而是隐藏模型选择、整合 Stack 与界面，把竞争从 Benchmark 推向 Full Stack 的产业化效率。

• 模型、应用与 Infra 的边界正在模糊，新的竞争规则是“不能有短板”。 OpenAI 和 Gemini 加速做产品，Cursor、Manus 等应用公司反过来训练模型、建设 Sandbox、Browser 与 Agentic 层；Anthropic 原有的 Coding 专注标签，也被 Gemini 和 GPT-5 的追赶冲淡。曲凯提醒 PMF 仍然稀缺、模型公司会顺手吃掉已验证场景；莫傑麟则认为端到端闭环是组织的必然企图，而 Context 更可能成为应用真正留得住的部分。

• AI Infra 的投资逻辑仍从最底层 GPU 向上展开，但 Token 降本会同时催生 ASIC、AMD、推理服务商及中国光模块和 PCB 产业链。 英伟达上涨的直接原因是 Token 消耗量和 Inference 都没有下降，其软件、产业链和“随叫随到”的支持又让客户愿意一站式采购。逻辑可以长期成立，但硬件不是软件：“市场对你的预期需求在这里，但你交付不出来”，所以个股最终要由交付兑现。

• 美股 AI 牛市尚未出现清晰的短期破坏点，但核心检验已从 Scaling Law 转为训练需求与推理需求能否正向接力。 DeepSeek 出现时英伟达股价一度下跌，随后 RL 进展、Meta 扩充团队和 Token 增长又让两边需求同时上行，推动英伟达从约 3 万亿美元走向 4 万亿、并向 5 万亿靠近。接下来要看 Meta 新团队能否在 6—12 个月交付模型，以及“vibe revenue，氛围式的收入”能否沉淀为稳定、可证明 ROI 的应用消耗。

• 美国的 AI“泡沫”并非骗局，而是真实生产力、资源倾斜与高估值同时存在的状态。 莫傑麟粗略估计，AI 或科技发展可能贡献美国景气度的三分之二甚至更多；只要产业化继续加速，大方向仍偏上，但替代人不会一蹴而就，法规、企业决策、Infra 成本及三至六个月停滞都可能制造大波动。中国则由化债、居民存款、风险偏好、制造业周期等更多变量驱动，表面上是“东升西落了，然后变成东升西又升了”，内核并不相同。

• A 股能否形成长牛，关键不只是产业故事，而是优质公司、风险偏好和个人投资者赚钱效应能否闭环。 DeepSeek、Miners、JazzMark，以及泡泡玛特、中国生物制药等案例，让此前“没有躺平”的积极预期开始变成真实交付；腾讯也因投入、招聘和战略动作成为上市 AI 映射。莫傑麟特别强调新一代散户的信息工具与 Conviction：高周转机构彼此博弈，长期资金又很少交易，反而是长期持有 Tesla、Palantir 等认知的个人资金，可能成为趋势行情的重要边际力量。

精读

1. Token 消耗取代 Benchmark，成为 2025 年的行业温度计

• 莫傑麟的总判断是，行业经历“预训练撞墙”的悲观后完成了“大转弯”，2025 年重新进入加速期；最中心的证据不是榜单，而是 Token。
• 他印象最深的数据是 7 月较 6 月增长 20% 以上，季度间也持续提速，曲线“非常像当时移动互联网增长最快一段时间”。
• 经曲凯追问，他明确主要增量首先来自 OpenAI、Anthropic、xAI 自有产品，而非 API；美国 ChatGPT、国内豆包和 DeepSeek 都在扩大日活与使用时长。

2. 模型即使暂停进步，现有智能也足以释放大量需求

• 用户过去把 AI 当作“外来物种”，等它宣布 AGI、证明超越常人；现在它正默默嵌进搜索、办公和企业 Workflow，采用时长随之增长。
• 莫傑麟最大的认知更新是：即便模型停在当前水平，可解锁场景也已经非常充分，需求端“比大家想的其实要强很多”。
• 企业需要解放生产力、替代部分人力或提高稳定性，消费者需要更简单地完成任务；应用公司和 Infra 公司负责把这些需求真正释放出来。

3. GPT-5 的意义不是炫技，而是把智能做成 Full Stack

• GPT-5 没有主要证明自己比别的模型智商高多少，而是隐藏过去繁杂的模型选择，把 Stack、Infra 和前端界面整合进统一产品。
• 开发者更强的反馈是“很好用”；商业上又区分“thinking without thinking”，并将 RL Token 与 Coding Token 分开计价、交给不同执行团队销售和推进。
• 曲凯追问这是否进入中国创业者的舒适区，莫傑麟基本同意：除尚待第三季度 Demo 的 Thinking Machines Lab 外，市场已接受现有架构，智能要从各环节继续“挤出来”。

4. Agent 已像 App 一样成为新的界面，Context 决定闭环

• 莫傑麟的类比是：“以前每个公司、一个产品需要有一个 App，现在一个使用场景或产品需要有一个 Agent。”
• Agent 已进入应用生态的工业化阶段，瓶颈变成稳定性、速度和成本；Manus 的 Credit 很快耗尽，就是 Token 尚未被精细优化的直观样本。
• 曲凯补上能力演进：CAI 式陪伴产品建立在 GPT-3.5 的聊天能力上，Agent 建立在 o1 的推理能力上，下一批“套壳”机会可能来自多模态。

5. 模型与应用的边界模糊，“没有短板”成为新规则

• 曲凯的异议值得保留：AI Coding 已卷得像早年中国互联网，真正有 PMF 的场景仍少；模型公司一旦看见套壳产品验证需求，也会顺手把功能做掉。
• 莫傑麟认为新组织正在主动融合技术与产品：OpenAI 招入多位创业公司 Founder，Manus、Jasper 等也建设 Sandbox、Tool Use、Browser 与 Agentic Infra。
• Cursor 等应用公司开始训练模型，模型实验室则自研芯片、扩展产品；它们都在试探能否绕过 GPU 之外的分工，做成端到端体系。
• Anthropic 曾因专注文字 Scaling Law 和 Coding 获得青睐，但 Gemini、GPT-5 的 Coding 能力迅速追近；这个时代的重要优势可能就是“不能有短板”。

6. 垂直 PMF 藏在无法纯靠 RL 验证的 Workflow 里

• Coding 和数学容易给出准确 Reward，许多行业任务却无法纯靠 I/O Validation，必须把人、合规和特殊语言环境留在流程中。
• Harvey 仍被莫傑麟列为 ARR 最高的垂直应用公司；医疗方面有好几家创业公司的 ARR 增速很快，实地访谈中医疗机构对其解决问题的评价也很高。
• 金融、保险同样不是靠技术 Demo 取胜，而是把 Documentation、合规及行业 Workflow 封进 Context；中国创业者则在 Mantis、Jasper、Fellow 等产品上率先让消费者感受到智能。

7. o1 被低估的升级是“更懂你”，GPT-5 则重写评估方法

• o1 发布时反响有限，回头看却在更长的 IO 时长下让模型更容易听懂用户、显得“情商足够高”，并降低 Prompt 难度。
• OpenAI、Google 模型取得 MO 金牌、银牌，也反向说明传统工具已很难区分模型好坏；莫傑麟承认，很多场景里他已很难判断模型究竟有没有进步。
• 工业化阶段更重要的指标是同等性能下的成本。GPT-5 因而开启了 AGI 预期大幅修正后的效率竞争新阶段。

8. AI Infra 至少分四层，越往上越接近用户价值

• 最底层是模型与 GPU 之间的用卡效率；DeepSeek 因量化积累了大量工程经验，能把上一代卡用好，梁云峰本人也被两人视为强 Infra 型创始人。
• 第二层位于模型与应用之间，Together AI、Fireworks 等为客户优化推理、服务稳定性，并承接多模型服务中的 Backup Vendor 角色。
• 第三层是 Agentic Infra：模型不只回答，还能订票、操作 Browser、真正执行任务，E2B、Browserbase 属于曲凯举出的典型例子。
• 第四层是 Context。Minus 的 CTO Peak 所讨论的 Context Engineering，关心的是模型凭什么材料理解用户，以及如何把这些材料变成行动。

9. 中间层可能商品化，Context 却更可能是应用公司的核心资产

• Anthropic 不再提供某些模型的服务后，应用公司意识到不能只依赖一个实验室，开始寻找 Together AI、Fireworks 等 Backup Vendor。
• 争议在于推理优化是否只是 Commodity：技术大量开源，英伟达也希望降低 Agent 部署摩擦，而 OpenAI、Anthropic 又有动力自行收回；最终要看第三方能否维持毛利。
• 对 Context，曲凯判断它很难形成统一第三方 Infra；莫傑麟同意，因为其中大量内容无法被 RL 验证，最终可能成为应用公司理解用户与行业的核心。

10. 美国 Enterprise 的粘性托住 To B，国内团队被推向 To C

• 莫傑麟直言，美国 Enterprise 甚至“不太是一个 VC 的商业模式”：它缺少颠覆式替代，却受益于稳定营商环境和相对较低的取消率。
• 这个行业隐含的前提是，旧的人或供应商很难被替代，新的人或公司也很难产生颠覆式创新。
• 曲凯的现实约束是，国内 To B 成功案例少，团队赴美做企业销售又更难，于是很多中国创始人几乎“被逼”去做海外 To Consumer。

11. 英伟达继续上涨的底层解释仍是 Token

• 随着推理技术范式发展，推理消耗并没有降低，整体 Token 消耗量包括 Inference 都在上涨，因此英伟达仍然受益。
• AMD、ASIC 等上涨，说明市场已经在押注节流：企业希望在推理端采用自研芯片或替代卡，给英伟达增加竞争。
• 但英伟达的软件、产业链和售后形成强黏性；硅谷客户遇到执行问题时，它几乎“随叫随到”，这正是 AMD 尚未用成本优势换来足够份额的原因。

12. 降本逻辑会长期成立，但硬件股票最终要靠交付

• 中国长期受到 H 卡、当前 B 卡禁运等限制，已尝试用更多其他卡承担推理；寒武纪、新易盛、中际旭创及 PCB 厂商，也成为这一逻辑的二级市场映射。
• 莫傑麟强调，硬件不像软件能越跑越快：“市场对你的预期需求是在这个地方，但你交付不出来。”逻辑延续性强，不等于每家公司都能兑现。
• 阿瓦国因大客户交付能力获得较高认可；更长期的问题则是推理、训练和 Agent Infra 会独立长出“新 Snowflake”，还是被 Palantir 式平台吸收。

13. FOMO 已从抢卡升级为抢人，Meta 是最醒目的样本

• Google 的技术储备覆盖硬件、文字模型、VIVO Three、视频与机器人；真正待验证的不是能力，而是超大组织能否改变协作方式并把储备交付出来。
• Meta 的新团队形成两派判断：临时拼出的明星是否缺乏共同 Vision，还是这些来自各实验室、拥有一线工程和发布经验的人足以竞争下一代模型。
• 2023 年的 FOMO 是“必须有模型、买卡、堆算力”；2025 年 Meta、微软、ServiceNow 的招聘与收购表明，FOMO 已蔓延到 Post-training、产品和核心人才。
• 莫傑麟的解释是，场景公司已切身感到 AI 离商业落地越来越近：“它不只是一个遥不可及的 AGI。”

14. 美国的“AI 泡沫”有生产力支撑，但估值仍会颠簸

• 莫傑麟沿用此前判断：AI 是所有资产里“唯一的泡沫”，但“泡沫是打引号的”，它不是骗局，而是重要技术获得高估值、激励和资源。
• 他粗略估计，AI 或科技发展可能贡献美国景气度的三分之二甚至更多；中国市场则还取决于化债、居民存款与风险偏好、制造业周期等多个变量。
• 三至六个月停滞未必破坏长期趋势；真正的摩擦来自法规、企业决策、技术稳定性和 Infra 成本，加上特朗普对科技公司及地缘政治的干预带来的市场波动。

15. 英伟达的关键检验是训练与推理能否正向接力

• 英伟达需求分为训练与推理：Pre-training 更像周期性资本开支，Inference 则取决于真实用户是否长期消耗 Token。
• 悲观情形是训练见顶，而短期热情制造的应用需求不能持续；乐观情形是推理足够大，英伟达又能凭架构与服务保住份额。
• DeepSeek 出现时股价先大跌，随后 RL 进展、Meta 招聘带动训练需求，应用又带动推理，原本预想的负向 Trade-off 反而变成两边同时增长。
• 这解释了英伟达从约 3 万亿美元走向 4 万亿、并向 5 万亿靠近；下一批验证点是 Meta 团队能否在 6—12 个月交付，以及应用消耗是否持续。

16. “Vibe revenue”必须变成稳定 Token，应用牛市才有第二棒

• 美国市场把部分 AI 收入称为“vibe revenue，氛围式的收入”：一部分使用来自过高预期或整体行为的渲染，用户未必已经明确知道最终拿 AI 做什么。
• 曲凯认为 To B 的账仍然好算：假设原市场为 1,000 亿美元，AI 只提高 5% 效率，也对应 50 亿美元价值；企业减少人员管理的需求更会长期存在。
• 曲凯称 Cursor 一年 ARR 应该约为 5 亿美元；中国 AI 公司则从去年少数突破 1,000 万美元，走向部分公司挑战 5,000 万乃至 1 亿美元，但总体体量仍小。

17. 中国 AI 的上市映射仍以硬件和大厂为主

• 最原生的 DeepSeek 与字节没有上市，市场先交易寒武纪、英伟达产业链和光模块；阿里也曾因模型、尤其是开源模型的表现成为关注对象，随后腾讯的战略投入受到更多关注。
• 腾讯成为新的核心映射，原因包括今年在国内 AI 上的投入程度和战略程度明显提高；市场同时还会看它是否有进展、能否交付。
• 投资方法也提前了：移动互联网要等 PMF、Market Share 和 Retention，如今市场会先验证关键人才是否有实际工程经验和记录，以及管理层路径是否正确。

18. A 股转牛需要优质供给、风险偏好与赚钱效应同时闭环

• 回看 2024 年 1 月，许多悲观预期已进入中国资产价格，但曲凯和莫傑麟身边的创业者、公司负责人并没有躺平。
• 两年后的变化是，中国团队开始证明某些事情能做到全球领先；AI 领域包括 DeepSeek、Miners、JazzMark，泡泡玛特和中国生物制药也提供了实体样本。
• 牛市第一项条件是一批优质公司持续输出业绩，这从小米那批公司开始已经出现；第二项是风险偏好提升，而风险偏好来自“我在市场里面赚到钱”的正反馈。
• 莫傑麟因此对 A 股相对乐观，但不作确定预测：核心变量是个人投资者如何理解新科技资产，并把从美股观察到的经验移植回来。

19. 新一代散户可能比高周转机构更有 Conviction

• 曲凯提出传统反驳：美国机构占比高、长期资金多，理论上应比散户主导的 A 股稳定。莫傑麟则区分“持有的钱”和“真正交易的钱”。
• 按他的粗略拆分，美股一大半资金来自量化与平台型机构，长期资金虽大却很少换手；高频资金彼此博弈、机器跟随，难以单独制造长牛。
• 剩下可能有 20%—30% 是散户，他们拥有 Robinhood、富途、专业媒体和 KOL 等更强工具，却可能比机构更坚定地持有 Tesla、Palantir 等长期认知。
• A 股过去牛短熊长，个人很难形成稳定反馈系统；美股牛长熊短，则允许投资者把对公司的理解转化为策略、获利，再投入下一笔交易。

20. 软件端候选人已经出现，但每家公司押的是不同 Context

• Palantir 最初靠企业 AI 订单进入视野，后来其咨询落地、组织方式和 AI Stack 被更多企业效仿；即使散户推至接近 100 倍、甚至 200 倍 PE，它仍有基本面支撑。
• Reddit 的价值在于高质量、未被过度商业化的社区数据，ChatGPT 高频使用其数据；莫傑麟认为中国投资者可用知乎、小红书的经验研究它。
• ServiceNow 从艰苦的 Workflow 咨询与软件交付切入，逐步占据管理层心智，再扩展数据、CRM 等加购，是赴美做 Enterprise 的中国团队值得研究的样本。
• Figma 的护城河不只在生成设计，而在跨公司协作的 Context；约 400 亿美元市值又提供招人资源。Duolingo 则因 ChatGPT 的整体使用量和语音接口增强，以及家庭方案数据不如预期，再次被视作 AI Loser。

21. 一级市场只奖励“特别的 1%”，并加速两极分化

• Thinking Machines Lab 以全明星团队拿到上百亿美元估值，产品 Demo 要到第三季度发布；莫傑麟把它视为美国市场进一步 Founder-driven 的体现。
• 他的内部说法是“百分之一不一定是优秀，它可能是特别”：训练规模、模型经验的差异，会让第一梯队与第二梯队出现从业十余年未见的估值鸿沟。
• 曲凯提醒，Meta“一亿美元招人”等头条省略了复杂条款、攒局者和附加交易；一些二手份额和 SPV 交易也可能存在层层嵌套的交易架构风险。
• 中国一级市场总体仍在收缩且更像“职能型部门”；AI 热度或许是去年的十倍，交易数量却没有十倍，真正头部公司的融资额反而可能放大十倍。

22. 一人公司不是终点，新组织效率和商业能力才是变量

• 国内 AI 创始人整体越来越相信技术会继续前进，但始终要处理与模型公司的竞合：借模型获得能力，又不能站在模型主干道上被吃掉。
• 海外付费能力、付费意愿和融资条件更好，所以出海仍是当下首选；曲凯却认为国内并非不能做，若 Token 成本长期降到近乎为零，大 DAU、广告和社交路径可能重新成立。
• 对 Vibe Coding 与一人公司，莫傑麟接受“效率更高、需要的人更少”，却反对把人数当目标：“两个人能把这事做得更好，为什么一定要一个人？”
• 美国独立开发者能年入数百万美元，不只因为 Coding 便宜，更因为生态完善；国内典型独立开发者常有很强工程能力，却缺少商业经验。

23. 多模态可能是 Agent 后的下一浪，投研本身也在被 AI 重写

• 视频 Token 增速已经高于文字，但当前 AI 视频主要集中于特效、剪辑和图片转视频；曲凯认为这些更像多模态阶段的 C 端 AI，而非真正 Native 的产品。
• 他们等待的是 VIVO Three 一类模型继续提质降本后，出现一个类似 Manus 的多模态产品：可能是内容社区、多模态推理，也可能接近世界模型，并带起半年甚至更久的新周期。
• 莫傑麟则准备把投资研究这种由生产力与 Documentation 构成的工作进一步 AI 化，内部项目暂名 What If；先服务自身投研，再以约 100 人为上限组织研究者、工程师和投资人讨论。