Brian Elliott

AI需求足够真实，嘉宾整体拒绝“泡沫论”，尽管承认 Nvidia 已经“完美定价”。 与互联网泡沫时期 Cisco 股价飙升却没有盈利跟上的情况不同，Nvidia 股价与未来每股收益同步上行；Elliott 认为，OpenAI 使用的每一块 GPU 都会被计入收入，因为“AI是有用的”，能够创造经济价值。Mostaque 的区分在于变现速度：互联网资本开支用了数年才货币化，而AI基础设施几乎可以立即抬升盈利。

算力、电力和建设能力，而不是模型需求，正在成为硬约束。 OpenAI 提议建设的10 GW算力中心大约对应400万至500万块 GPU，Nvidia所说的1000亿美元承诺相当于美国风险投资正常年度规模的一半；数据中心容量预计将从44 GW增至2030年的156 GW，而需求据称正以每年10倍的速度增长。新经济正在“把电子转化为智能”，形成“除了算力稀缺之外，其他一切都很充裕”的格局。

劳动力市场更可能走向组织缩小和人员被替代，而不是全民每周工作3天。 Mostaque 预计，AI在1年内可以覆盖约50%的经济劳动，并表示，几年后，当人类拖慢一支永不疲倦、信息更充分的智能体团队时，人类在认知劳动中的价值将变成“负数”。他认为，就业项目和公共部门扩张或许能够维持收入、社会结构与身份认同。

Alphabet 的分发能力与垂直整合，使其成为嘉宾眼中最强的在位竞争者。 据称 Gemini 已在美国 iOS 排名中超过 ChatGPT，但 ChatGPT 在全球仍遥遥领先；节目引用的预测市场认为，Google 在9月底前成为领先者的概率为99%，Alibaba 的 Qwen 排名第二的概率为91%。Google同时拥有分发渠道、DeepMind人才、现金流和成熟的 TPU；Blundin 估计，在相关工作负载上，TPU“可能比 Nvidia 芯片高效5倍”。

高等教育的经济护城河正在坍缩，最后只剩录取声望和人脉网络。 认为大学“非常重要”的美国人比例从2010年的75%降至35%；学费据称自2005年以来上涨180%，自1983年以来接近上涨900%。拥有巨额捐赠基金的顶尖院校可能仍能隔绝冲击，但排名约40至400名的学校将面临挤压，因为AI教育、替代性学历和疲弱的毕业生招聘，正在暴露出课程更新速度甚至不如“在校园里建一座核反应堆”。

创业优势在于把专有领域知识转化为自有工作流、高效模型和可规模化应用。 Blundin 警告，仅仅把专业知识出售给模型训练，可能只会让专家“有价值1到2个月”；Elliott 更看好围绕监管知识或垂直行业知识建立的公司，而 Mostaque 强调真正理解上下文、并且“在乎结果”的人。任务专属数据、蒸馏和验证器，可能用1%的参数与算力得到同样结果，形成100倍的成本优势。

AI基础设施把太阳能、电池、半导体和机器人串成一场工业竞赛，而中国目前的规模化速度更快。 嘉宾引用的数据是：中国2024年太阳能装机容量达到880 GW，增速45.6%；美国为177 GW，增速27%。Blundin 认为，美国反复发明新技术，却无法为其规模化融资。机器人到2040年的预测区间从10亿台到100亿台不等，即使采用低端情景，按每台2.5万美元计算，市场价值也达到25万亿美元，远高于 Morgan Stanley 所引用的2050年5万亿美元估计。

代币化既可能修复公众进入公开市场的渠道，也可能制造本期最有可能出现的真正泡沫。 据称 Nasdaq 计划在2026年底前推出代币化交易，而 Robinhood 的欧盟平台已经提供约200种美国股票代币，以及 OpenAI 和 SpaceX 等私人公司的敞口。Mostaque 预计，数字资产而非生成式AI会呈现出最明显的泡沫行为：随着法律边界清晰，企业区块链、连续交易市场以及最终由智能体驱动的交易都将出现。

只有在创造远超自身价值的前提下，Elon Musk 潜在的1万亿美元 Tesla 奖励才具备合理性。 Musk 必须帮助 Tesla 达到8万亿美元估值，而他的角色同时涵盖 CEO、首席营销官和注意力引擎；Diamandis 指出，传统车企通常将约7%的营收用于营销，Tesla 的投入却是“零”。更广泛的创始人启示是，沟通已经成为产品的一部分，但“它还会再次改变，而且还会再次改变”。

AI 这轮万亿美元资本周期，必须靠劳动力自动化和变革性科学来创造与投入规模匹配的回报。 讨论中提到的一场晚宴上，美国敲定了6000亿美元投资承诺；Dave Blundin 表示，由于视频片段经过剪辑和混杂，无法确认 Tim Cook 还是 Mark Zuckerberg 先提出承诺，但 Zuckerberg 随后进行了匹配；他还提到，到2029年 OpenAI 预计将获得约1190亿美元追加投资，以及此前对 AI 芯片及相关基础设施5万亿—7万亿美元投入的预测。Alexander Wissner-Gross 的逻辑是：先把一类类劳动力和服务的成本推向可忽略水平，再创造足以支撑资本开支的发现。

丰富供给会让货币贬值，却不会消灭稀缺，只会把瓶颈转移到别处。 Peter Diamandis 想象分子组装器以接近零的边际成本制造一辆电动 Ferrari；Wissner-Gross 则反驳说，Star Trek 有复制器，但星际旅行仍然稀缺。他提出的核心问题是：当能源和智能趋近于零成本时，“什么仍然稀缺”——这提醒人们，不要假设所有受限资产会同时消失。

Mercor 证明，极端 AI 估值仍然可以由经营表现驱动，而不只是纯粹投机。 Blundin 表示，公司在2年内从约3000万美元初始估值成长到100亿美元，同时达到5亿美元营收年化运行率；创始人起步时年仅18岁。他的创投原则是寻找“被低估、未获充分认可的人才”，更大的变化则是，20—23岁的创始人如今可以进攻过去通常只向经验丰富得多的团队开放的市场。

Blitzy 对企业市场的判断是，代码生成正在变成商品，但理解并安全改造规模庞大的代码库仍然不是。 其平台声称支持超过1亿行代码，已成功接入约6000万行代码的代码库，单次任务运行时间从12小时到数周不等。输出目标是交付已经完成验证、编译和测试的代码，因为“拉取请求的另一端”是昂贵的人力劳动。

Blitzy 报告其 SWE-bench Verified 得分为86.8%，高于视频录制时排行榜的75.2%，但更大的信号是，这项基准可能已经接近耗尽。 公司表示，结果可以通过 SWE-bench CLI 复现，并未使用针对基准测试的专用脚手架；此前它处理了500个分支，合计摄入约4亿行代码。Wissner-Gross 认为，86.8% 实际上已接近100%，因为剩余部分很大程度上可能是有缺陷的测试，由此需要针对 Linux、VS Code 等代码库开展企业级测试。

创业公司的打法，是成为前沿实验室的大客户，深入解决它们无法产品化的问题，并在模型升级时同步升级。 Blitzy 负责编排 Gemini、Anthropic 和 OpenAI 的模型，而不是训练前沿模型；Diamandis 将实验室的投入概括为“为 Blitzy 进行的1万亿美元研发”。公司当前的企业级主张比单纯的代码生成叙事更扎实：在适合的项目中，约80%的工作可以自动化，端到端开发速度约提升5倍，同时明确标出剩余任务交给人类完成。