
本文来自微信公众号:肖小跑,作者:肖小跑,题图来自:AI生成
一
一年半的时间,说长不长,说短就短。短到能让大家丝滑地把“Moonshot 时刻”联想到 2005 年初的 “DeepSeek 时刻”,并且应激反应开始抛售。
但它又很长,因为一年半的时间,以 AI 的时间尺度算,已经是很久很久以前了。很多事情已经发生了变化。
一年半前发生的深度求索时刻,是一个灵魂拷问:美国的前沿AI 领先优势是不是正在消失,或者其实早就没了?(后来发现过虑了)。
而一年半后的月之暗面时刻,灵魂拷问变成了两个:(1)O 社和 A 社这样的前沿模型实验室,估值能撑到 1 万亿美金的底气到底在哪里?(2)科技和云大厂轰轰烈烈的 CAPEX 基建,会不会只是在空中造楼阁?
现在想想,也许苹果才是最大赢家:Openclaw 爆火时躺赢的是Mac Mini;决定不上大模型战场,也就完美避开了算力、机房、训练这些烧钱大坑;更何况内卷卷一切的中国参赛选手,早晚会把模型卷趴(现在看起来已经是这样了)。
记得一个朋友有分教:有时候要允许自己错过。苹果看起来错过了,但其实啥也没错过,现在历史新高,超过英伟达,又重回宇宙第一大公司宝座。完美演绎了什么叫做让子弹飞一会儿。
如今我也到了可以理直气壮说“这集我看过”的年龄,也就慢慢理解了前任老登们的心情。老登的投资古训只有一条:DYOR,do your own research。但这些年这条古训的内涵变化很大,从“我上知天文下知地理”,到“我懂得基本面和技术分析”,到“我知道名字和股价”,再到现在——“我知道怎么开盲盒”,或者“盲盒炒股”。
或者换成现在很火但被严重误读了的概念:“趋势跟踪”。(我觉得这个词被严重误读了,它并不是“什么火就跟盲炒什么”的意思,里边是有相当大技术含量的。先按下不表,另找时间讨论。)
说回到DYOR(Do Your Own Research),这并不是选修课,而是我们需要做的唯一一件事。
只不过在新的时代,我们要研究的东西,除了流动性、估值等最最最基本的东西之外,我觉得还应该加上一个“叙事感知”。
下面就拿周五的“大屠杀”来举个例子。抛开其他因素,如果我们仅从叙事这个角度来看,市场上究竟发生了什么?
二
可以用一段话总结:
过去 7 个月来,市场上最赚钱的交易之一,叫做“Bottleneck Trade”(卡脖子交易)。它的逻辑是:前沿大模型是一道人人都抢着吃的硬菜,而做这道菜的灶台、案板、传菜系统(芯片、内存、网络硬件)产能有限,卡住了整个厨房的脖子。供不应求,需求错配,这些灶台供应商的利润坐上了火箭。
有一天你突然发现,好像不用这么大的排场也能出菜。有人(Kimi3)换了一套新菜谱(更便宜、算力效率更高的国产开源模型),几个灶眼就能做出同样的味道。一旦这套菜谱普及开来,厨房老板们(云厂商)疯狂砸钱扩建厨房的狂潮,就可能退潮,也就不需要采购那么多灶台和案板了。
再精简一点,其实只有一个问题:To cut or not to cut(capex spending),that's the question。
那么 Kimi 3 到底是不是又带来了一个 DeepSeek 时刻呢?
目前的叙事分歧很大,而当市场上正反两方还在掐架、难分胜负的时候,波动率就会变得极高。
(我们自己正在做的东西:在 Percepta 的叙事指标系统里,有一个专门衡量这种“掐架程度”的指标,CFI(共识碎裂度)。计算上我借用了衡量反垄断集中度的 HHI 模型:把市场上的观点抽出来聚类,算每个观点阵营的份额集中度。CFI 接近 0,说明所有人都挤在同一个故事里;接近 1,说明完全没有共识。共识碎裂度高的时候,价格并没有锚,多空双方谁的叙事声音大,价格就会往那边偏移。其实过去这一两周市场的颠簸,恰恰是反映了这种极度碎裂的共识。)
现在我们就来看看,此刻两边的故事各自是怎么讲的。
多方的第一个叙事:Kimi3 威胁的是前沿实验室的利润,不是对芯片的需求。
叙事代表是 Dan Robinson(Paradigm合伙人)。他在推特上做了个投票,问 Kimi 这类开放权重模型对前沿能力到底是加速还是减速,86% 的人投了加速。
逻辑是:利润率垮掉会让前沿实验室做研究的动力变弱,这算是利空;但对硬件需求的杠杆会放大,所以净效应还是加速。所以结论是:这一次的抛售和当年 DeepSeek 一样,会迅速被证伪。

多方的第二个叙事:云厂商博弈。
就算企业都去跑开源模型,token 用量还是会涨,token 涨就是芯片涨。如果明知需求会涨,云厂商谁会先动手砍自己的 capex呢?就像掰手腕,一方先松懈,对手就赢了。所以结论是:谁都不敢砍,大基建还要继续。
多方的第三个叙事:不管哪个模型笑到最后,都离不开数据中心。
就像 Meta 把自己的算力租给 Anthropic,没准未来这些大厂的机房里跑的都是中国开源模型。而且企业普遍对“开源”这件事有误解:模型虽然是开源的,但运行模型一点都不免费。对大部分企业来说,自己部署一个 2.8 万亿参数的模型根本不现实,最后还是需要云平台。
多方还有一位重量级选手:SemiAnalysis。
(再插一句:同样一句话,马斯克说的和我说的,对市场的冲击力肯定不一样,所以 Percepta 系统里有一层叫“元叙事”的处理,也就是叙事源的信任度权重。SemiAnalysis 在半导体领域是权重很高的“元”,影响叙事的概率较大。)
他们的观点是:K3 不但不利空英伟达,反而是利好。有人觉得 K3 的新注意力机制更省显存,所以芯片要卖不动了。但情况恰恰相反:K3 本身就是个吞卡怪兽,由于这个模型实在太大了(2.8 万亿参数),光权重就占掉 1.5 TB 以上的显存,必须用英伟达最贵的 NVL72 机架级系统才跑丝滑。Kimi 自己都说最优推理需要至少 64 块芯片。换句话说,它省下的网络带宽,又在另一头加倍吞了回去。
另一个“元叙事”权重高的代表性观点来自于 Gavin Baker(马斯克附议):
K3 也许确实是个拐点,但利空的只有 OpenAI 和 Anthropic 两家,对世界上其他所有公司都是利好。
逻辑如下:如果全世界只剩这两家前沿lab,推理毛利 90%,那它们就会变成整条产业链的垄断买家,不管你是芯片、数据中心,还是电力,上下游全吞掉,完全掌握压价权。多一个有竞争力的开源,整条产业链就还有办法赚钱。这就是黄仁勋大力支持开源的原因。
而且 K3 其实并不省钱(原因同 SemiAnalysis)。真正的“斯普特尼克时刻”是真的出现了一个既开源又省 token 的模型。更何况 O 社和 A 社的护城河也许早就从模型转移到了产品上。
所以它到底是不是个大威胁,可能很快就会看到答案。
三
现在看看空方叙事。
看来看去,其实空方的叙事只有一个:底层需求。
我们先回忆一下上一集 Deepseek 主演的剧情:
当年(2025年),叙事标的(或者市场担心的对象)只有一个:英伟达,它的芯片还卖不卖得出去?
而事后的发展变化让大家迅速普及了一个古老的经济学概念:杰文斯悖论(更高效的模型只会带来更多的需求,然后大家继续买更多的芯片)。市场迅速达成共识:就算模型变得更聪明,也不会少买英伟达的芯片。DeepSeek 时刻被证伪,一切恢复如常,继续涨涨涨。
一年半之后(AI 光年 One thousand and five hundred years later…),到了 Moonshot 时刻,叙事标的已经变成了一整条产业链,不再只是英伟达。
我琢磨了很久,理解这条链最好的方法,就是把整个 AI 产业想象成一个大餐厅。餐厅的结构如下图:

如果最顶层的最终需求(“上菜口”)开始减少,需求就会像多米诺骨牌一样,在整整 7 层里面逐层传导。所以这一次杰文斯悖论要捍卫的东西,比上一次更多更复杂。
其实我们只要设身处地地想想终端用户——每一个企业,很容易就能想到:大部分正常的企业在 AI 世界里花钱的节奏和这些大 AI 公司是完全不同的。
任何一家普通企业都需要过日子,用多少买多少,要精打细算。更何况,所谓的“大规模企业 AI 应用”还早着呢;而且真到了“大规模普及”那一天,模型就会变得像上个时代的互联网一样,只是一个商品化的、便宜的日常用品而已。
再回头看看多方的叙事:要么是在重新定价模型公司护城河,要么就是用工程细节论证硬件只会越买越多。这些观点都没错,只是全都绕开了“终极需求”这个问题。
四
最后发表一下我的浅薄观点:历史上其实已经有答案了。
答案就在杰文斯的煤炭故事里。杰文斯悖论的背景是煤炭行业,它带来了工业革命,煤也确实越用越多,悖论是成立的。可是这么多年的大量煤炭投资,英国工业革命时期收费公路、运河、铁路的资本回报率只有 4% 到 5% 左右(来源:Arnold & McCartney(2005、2011)对维多利亚时代铁路的研究),投资人的回报长期低于资本成本。
换句话说,煤用的更多,跟投资人赚不赚钱完全是两回事。
结果是社会飞速进步了,但大部分投资人买了单。
五
最近一段时间,我一直在做数据标注和“蒸馏自己”的工作。在这个过程中,我对大模型有了更多感悟,其中最刻骨铭心的一点是:大模型要真的能替代分析师和专家,做出靠谱和优质的分析,必须经过“蒸馏专家”的过程(在我的案例中,就是蒸馏我自己)。这个过程并不简单,而且后续必须进行长期的追踪和实时的调整。
我们在概念验证的过程中做了一些实时的分析,比如港股解禁前后,MiniMax 和智谱的叙事与价格的分歧;还有眼下正在发生的 Kimi 搅动市场。在这个过程中我也学到了很多,也给了我很多的启发。
本文来自微信公众号:肖小跑,作者:肖小跑
如对本稿件有异议或投诉,请联系 tougao@huxiu.com。