1999年那部电影里有一幕，很多人记了二十多年。
Neo 躺在椅子上，后脑插上接口，屏幕上跳出一行字。几秒钟之后他睁开眼睛，说了四个字：我会功夫了。
那一幕之所以让人过目不忘，是因为它把人类最费时间的事压缩到了几秒。学一门手艺要十年，那一刻只需要一次下载。
二十七年过去，这件事正在发生。但有一个电影里没有的细节，而整篇文章想说的就是这个细节。
技能不在你身上。它在云端。
你不会功夫，但你可以随时叫来一个会功夫的人，而且能同时叫一百个。代价是，每一次"我会功夫了"，都要有一批 GPU 在某个数据中心里真的转起来，读进上下文，一层层算过去，把结果送回来。
你今天调用一百次，就是一百次的算力。明天一千次，就是一千次。
这件事把一个看起来像"学会了"的动作，变成了一条永不停止的计量表。
而调用的次数没有上限。
一个人一辈子能学会多少技能是有限的，因为时间有限、脑子有限。但一个人一天能调用多少次外部专业能力，只取决于他手上有多少事。当调用的成本降到几乎为零，需求不会收敛，只会发散。
这就是我对未来若干年的基本判断：算力永远不会够。
不是"现在紧张、以后会缓解"。是这条需求曲线的形状根本不允许供给追上。产能要两三年才能通电，需求几个月就能翻倍。
写这些是因为7月底到8月初的那波回调。芯片股蒸发了超过一万亿美元，韩国 Kospi 单月跌20%，A股半导体指数跌近7%。理由摆得整整齐齐：中国的低成本模型来了，AI 资本开支要见顶了，融资市场要收紧了。
我没动。因为上面那条逻辑链里，没有一环是被这些消息推翻的。
而市场给出的理由，翻来覆去只有一个：这看起来像2000年。
一、别再拿2000年说事了
我先把这句话放在最前面：这一轮和2000年没有可比性。不是"有相似之处但也有不同"，是压根不是一回事。
但你只要打开任何一份看空的研报、任何一档财经节目，五分钟之内一定会出现2000年。光纤、思科、纳斯达克腰斩八成、市值蒸发五万亿。这几个词像肌肉记忆一样跳出来。
原因不复杂：手里握着锤子的人，看什么都像钉子。
华尔街上正在管钱的这批人，职业生涯里最深的一道疤就是2000年。那次教训教会他们的是"技术故事最后都会破灭"，于是每当出现一个高增长、高估值、高资本开支的科技板块，这套模板就自动套上来。他们不是在分析这一轮，他们是在重放上一轮。
问题是，模板套错了对象。
2000年的光纤，困境是基础设施在等应用。管道铺好了，然后要等浏览器成熟，等宽带普及，等 YouTube 被发明出来，等云计算变成一门生意。中间空转了整整十年。那些铺光纤的公司，需求判断最后全部应验了，但它们的债务到期日等不到那一天。
AI 完全不是这个结构。应用和基础设施是同一件事。模型跑起来的那一刻就在消耗算力，就在产生收入。没有等待期，没有"等杀手级应用出现"这个中间态。
再说得直白一点：
光纤铺完之后，需要有人发明出用得上它的东西。而 GPU 装完之后，第二天就有客户排队付钱。前者是先建后等，后者是先卖后建，客户甚至提前一两年就把一半的钱付了。
同样是"产能过剩"这四个字，落在两种时间结构上，含义完全相反。
还有一处根本差别。2000年那批公司烧的是股权，泡沫破了股东归零，但生意本身是亏损的。而这一轮，从芯片到设备到算力服务，整条链上的公司大多在扩产的同时已经在赚钱。连成立不到几年的模型公司都开始录得经营利润。
一门赚钱的生意在扩产，和一门不赚钱的生意在圈钱，不该用同一个模板。
我不是说这一轮不会有回撤，也不是说每家公司都能活下来。我是说，如果你判断的依据是"这看起来像2000年"，那你用的是一把不趁手的工具，而且它会让你在最不该卖的时候卖出去。
二、听听正在花钱的人怎么说
最有资格评价 AI 能力的，是那些已经把预算投进去、并且要为结果负责的人。
高盛 CEO David Solomon 说，AI 可以在几分钟内起草一份 IPO 招股书的95%，而这项工作过去需要一个六人团队做两周。他后面那句话更值得琢磨：最后那5%现在才是关键，因为剩下的部分已经变成了商品。
Spotify 的联席 CEO 告诉分析师，公司最好的开发者从去年12月起就没有手写过一行代码，他们只负责生成代码和监督。
高盛有约12,000名开发人员。2025年7月，它宣布部署数以千计的自主 AI 编码代理与这些人并行工作。CTO Marco Argenti 给出的预期是生产率提升三到四倍，而代码生成环节已经实测到20%以上的提升。
这些不是实验室里的演示。摩根大通把内部 LLM 套件推给了超过200,000名员工，运行400多个 AI 用例。高盛的 AI 助手从10,000人试点扩到全公司约46,000人。花旗有180,000名员工在使用自研工具，累计使用700万次。
Rocket Companies 披露的流程数字更具体：协议审查处理时间下降80%；核保代理把单笔任务从4小时压缩到15分钟；人均贷款处理量在两年里上升63%。
最后这个指标值得停一下。人均处理量上升63%，说的不是裁了多少人，是同样的人做了多少事。分母没变，分子涨了六成。
这些机构不是在赌一个概念。它们已经把 AI 从实验预算挪进了基础设施预算，而这两笔钱在企业里的性质完全不同。
三、我自己账上的变化
上面那些是别人的数字。下面这些是我自己的。
我要先说清楚一件事：我曾经是不信的。
前两年我试过，结论都是玩具。你问它一个问题，它给你一段像模像样但需要全部重新核对的东西。核对的时间比自己写还长。我当时的判断是，这东西离能干活还差得远，短期内不用管。
转折点不是模型变聪明了，是它开始能动手了。
对话式的 AI，是你问它答，活还是你干。代理式的 AI 是反过来的：你给它一个目标，它自己去读文件、拆任务、执行、看结果、发现不对再改，一轮一轮跑下去，直到做完才回来找你。你的角色从执行者变成了审稿人。
这个转变发生之后，我的工作方式在几个月里被彻底改写了。
举两个具体的。
把一个产品从想法推到上线，过去是一条很长的流水线：需求梳理、原型、前后端实现、测试、文档、上线检查表。每一段都要人，每一段之间还要开会对齐。一个中等规模的功能，十来个人分头做、来回改，一个月起步。
现在这条流水线我一个人跑完，质量不比原来差。这不是"效率提升了30%"那种说法，是十个人的活一个人做。
再举一个更大的。我们做过一个产品，当时上了一支上百人的开发团队。同样的活放到今天，二十个人足够。
日常层面，我现在每天都在用代理式的工具工作。保守地讲，我的产出至少是过去的两倍。
顺带说一句，我每天上下班用的是TESLA自动驾驶。那也不是演示视频，是一个每天在真实道路上跑的产品。
这些体验为什么值得写进一篇投资文章？因为它们回答了一个卖方模型答不了的问题。
当我从对话式换成代理式，我个人消耗的算力涨了大概一百倍。不是因为我用得更频繁了，是因为完成同一件事需要模型读进去的东西、试错的次数、往返的轮数，全都上了一个数量级。
而我只是几千万知识工作者里的一个，还是刚刚开始的那一批。
财报和研报要过好几个季度才会反映这件事。但它已经在发生了，就在我自己的账上。
四、能力曲线：三十个月，从2%到78%
如果说 CEO 的发言还带着立场，那么标准化基准是纯粹的机器打分。
SWE-bench Verified 是目前衡量 AI 解决真实软件工程问题的主要基准。它的题目取自真实开源仓库里的真实 issue，模型要读懂代码库、定位问题、提交能通过测试的补丁。这不是选择题，是端到端的工作。
从2023年10月到2026年4月，当期最强系统的解决率是这样走的：
1.96% → 12.5% → 33.2% → 49% → 62.3% → 72.7% → 78.4%
三十个月，从几乎全错到接近八成。
这条曲线里藏着三件事，每一件都比曲线本身更重要。
第一，燃料还没烧完。非代理式的前沿模型停在20%附近，代理式的做到了78%。也就是说，绝大部分提升不是来自模型本身变聪明，而是来自外面那层脚手架：让它能反复读文件、跑测试、看报错、改了再试。提升的来源是工程方法，而工程方法的迭代速度比模型训练快一个量级。这条曲线的动力还很足。
第二，任务的长度在指数级延长。研究机构 METR 的"时间跨度"测算发现，AI 能自主完成的任务时长大约每七个月翻一倍，而且这个规律在科学推理、数学、机器人、计算机操作等九个不同的基准上同时成立。在他们的测试里，AI 代理已经能完成需要数周的编码任务，包括重写一个16,000行的代码库。
每七个月翻倍，五年就是256倍。这是一条几何级数，而人的直觉对几何级数一向很差。这也是为什么绝大多数人对 AI 的判断，永远滞后于事实。
第三，也是最要命的一点：这条曲线走完只用了三十个月。
也就是说，任何一个关于"AI 现在能做什么"的判断，保质期大概是一年。你在2024年得出的结论，在2026年已经失效了。而资本市场此刻的定价，用的往往是更旧的那一张快照。
那些今天拿着某个具体数字论证 AI 还不够好的人，不是判断错了，是在用一张过期的照片描述一个正在全速移动的东西。
五、真正的瓶颈在流程，而这恰恰利好算力
这里有一个看起来矛盾、其实是全文枢纽的现象。
高盛的经济学家 Ronnie Walker 分析2026年四季度财报后指出，AI 与总体生产率之间还看不到关系，可测量的提升集中在软件编程和客服两个用途上。与此同时，高盛这家银行正在给约46,000名员工部署 AI 助手，并计划让数千个自主编码代理与它的12,000名开发人员并行工作。
同一家机构，业务部门在全力部署，研究部门说宏观上还测不到。两边都没说谎。
电力是同一个故事。电动机在1890年代就有了，但制造业的生产率统计要到1920年代才显形。原因不在电机，在厂房：工厂必须先从"一根总轴带动所有机器"的蒸汽时代布局，整个重新设计成每台机器独立供电的布局。瓶颈从来不在技术，在流程。
AI 今天也一样。模型的能力已经跑在前面，组织的流程还在后面追。
而这一点对算力需求意味着什么，是我写这篇文章最想说的一句：
流程重构慢，慢的只是生产率统计什么时候显形，不是推理算力什么时候被消耗。每一次尝试、每一次推翻重来的工作流设计、每一个还在调试的代理，都在实实在在地烧 token。失败的实验和成功的实验，消耗的算力是一样的。
换句话说，在效率完全兑现之前的这段摸索期，算力消耗不但不会少，反而是最密集的。等到所有流程都跑顺了，单位任务的消耗反而会下降。
我们现在正处在消耗曲线最陡的那一段，而市场在担心需求见顶。
六、能力是用算力买来的
前面那条曲线里，有一个细节我要单独拿出来讲，因为它是整篇文章里最重要的一件事。
同样的模型，不带脚手架的时候解决率停在20%，让它能反复读文件、跑测试、看报错、改了再试，就做到了78%。
多出来的那58个百分点，不是靠模型变聪明换来的，是靠让它多想、多试、多跑换来的。
换句话说：能力是用算力买来的。而且是在使用的时候买，不是在训练的时候买。
这件事的含义大到很难高估。
过去两年大家争论的是"训练一个模型还要花多少钱"。那是一次性投入，再大也有个数。而现在战场换到了使用这一侧：每解决一个问题，你可以选择多花一点算力去换更高的成功率。这条支出曲线没有天花板。
把账算一遍就明白了。
一次对话式的交互，问题加回答，大约一两千个 token。而一次代理式的任务，模型要读进几十个文件、运行测试、读取报错、修改、再跑一遍，往复十几轮到几十轮，每一轮都要重新携带上下文。一个中等复杂度的任务，二十万到两百万 token 是常态。
同一件工作，从"你问它答"换成"它替你做"，算力消耗跨了两到三个数量级。
这就是为什么我说市场的模型是错的。
绝大多数卖方还在按"有多少用户、每人付多少钱"来推算 AI 的市场规模。但真正在发生的事情是：单个用户、单件工作的消耗量本身在指数级膨胀。用户数一个不增加，账单也会涨一百倍。
而我们才刚刚跨过这道门槛。今天真正把代理式工作流跑起来的，还只是最早的那一小批人。
七、最硬的证据：已经付出去的钱
基准是间接的，实验是间接的。收入不是。有人真的把钱付了，才会有这条曲线。
Anthropic 的年化收入运行率：
- 2025年初：约10亿美元
- 2025年底：约90亿
- 2026年2月：140亿
- 2026年4月：300亿
- 2026年5月29日：470亿
- 2026年7月底：650亿
十九个月，从10亿到650亿，六十五倍。
更值得看的是里面的加速度。2026年二季度单季收入超过115亿美元，是去年同期的十四倍以上，比一季度的47.3亿翻了一倍多，环比增长超过140%。
请注意这个环比数字发生在什么规模上。一家季度收入已经接近50亿美元的公司，下一个季度又涨了140%。在这个体量上还能加速，是极其罕见的现象。大多数高增长公司的曲线是在几亿美元的规模上陡峭，到几十亿就开始平缓。这条曲线反过来了。
而且它已经开始赚钱：Anthropic 在2026年二季度录得了第一个经营利润。
OpenAI 那一侧，年化运行率2026年8月达到400亿美元，2025年底约214亿。两家加起来，年化收入已经超过1150亿美元。
投资人预期 Anthropic 2026年收尾会落在1000亿到1200亿之间。
把这条曲线和算力挂上钩，就是这篇文章的全部论点。
这1150亿美元里，没有一分钱是靠卖硬件或者软件许可赚的。它全部是按 token 计费的推理消耗。每一美元收入，对应的是一批 GPU 在某个数据中心里转了一段时间。
收入涨六十五倍，意味着被消耗的算力涨了同一个量级。
所以当市场担心"AI 资本开支要见顶"的时候，我看到的是相反的画面：付费需求正在以远快于产能建设的速度增长。产能是要花两三年才能通电的东西，需求是几个月就能翻倍的东西。这两条曲线的斜率不匹配，而且缺口在扩大。
八、一个人的十亿美元公司
回到开头那个问题：需要"变成专家"的次数，上限在哪里。
有一个现象已经在给出答案。
Anthropic 的 Claude Code 这个产品，推出之后很快就做到了接近10亿美元的年化收入。一个编程工具，一年不到，十亿美元。
它的意义不在于这个数字本身，在于它说明了什么样的工作正在被重新定价。
过去要做一个有规模的软件产品，你需要一支团队：前端、后端、测试、运维、项目管理。这套配置是行业几十年的默认值，也是软件公司成本结构的基础。
现在这个默认值正在失效。一个人加上一套代理工具，可以完成过去需要十几个人的产出。"一个人的十亿美元公司"从一句玩笑变成了一个可以认真讨论的目标。
而这件事对算力需求的含义，比对就业的含义大得多。
当一个人能做十个人的活，他不是少用了算力，是把原来十个人的思考过程全部转移到了推理算力上。那十个人过去在开会、在看文档、在互相解释、在试错，这些工作没有消失，它们变成了 token。
人力被替代的每一个环节，都在算力这一侧等额出现。这不是零和的替代，是从一种成本形态转换成另一种。而后者，正是我们讨论的这些公司在卖的东西。
这就是开头那条逻辑的落点。一个人做十个人的活，靠的是同时调用十份专业能力，而每一份都要在云端真实地算一遍。
所以消耗量的增长不是线性的。它不取决于有多少人在用，取决于每个人一天调用多少次，而这个数字随着成本下降只会往上跑。
一个人不会因为工具变便宜就少干活，他会干更多的活。
所以我从来不担心 AI 的需求。我担心的是产能建得不够快。
九、这笔账单会落在整条链上
如果算力需求是这篇文章的结论，那么下一个问题是：钱最终流去哪里。
答案不是一家公司，是一整条链。而且这条链比大多数人以为的要长。
一美元的 token 收入，往回追溯是这样分掉的：先是加速芯片，然后是代工和先进封装，再往上是高带宽内存，接着是网络互联和光模块，然后是机柜、液冷和数据中心本身，再往后是变压器、开关柜、发电设备，最后是电力本身。
每一环都是实体的、有产能上限的、需要提前很久下单的东西。
这条链有一个很有意思的特征：瓶颈会移动。
前两年，瓶颈是 GPU，谁能拿到货谁就赢。后来瓶颈变成了高带宽内存，因为一颗加速芯片要配好几层堆叠的内存，而这个环节的产能扩不快。现在瓶颈正在往电力那一端移动：新增电网接入的审批要排三到五年，变压器和开关柜的交期是两到四年，燃气轮机的订单已经排到了几年之后。
瓶颈在哪里，超额利润就在哪里。
这也是为什么我认为把这件事看成"买不买某一只股票"是把问题看小了。真正在发生的是：一个几十万亿美元量级的成本结构，正在被搬到一条物理的、有产能约束的供应链上。这条链上的每一个环节，都会在某个阶段成为瓶颈，也都会在那个阶段被重新定价。
顺带回应一下这轮回调里最流行的那个担忧：融资要收紧了。
看放款方的行为就够了。私募信贷正在给这个领域大规模放款，几十亿美元级别的专项基金一个接一个成立，条款在收紧的市场里是不会有这种价格的。
更有说服力的是客户那一侧。这些公司的资本开支里，客户预付款覆盖了相当大的一部分，也就是说买方在机器交付前一到两年，就把钱付掉了。
企业财务不会为一个自己不确定要不要的东西提前两年付款。当客户愿意用现金给你的产能排队，融资就不是问题。
真正的问题从来不是钱够不够，是东西造得够不够快。
十、每一次回撤都是一次机会
如果前面那条判断是对的，那么波动就不是这笔投资的风险，而是它的馈赠。
这里有一个大多数人想反了的地方。人们把回撤当成需要忍受的代价，好像它是通往回报路上的一道关卡。但在一条长期向上的曲线里，回撤不是关卡，是补货窗口。
一个每隔几个月就给你一次30%到50%折扣的市场，比一条平滑上涨的曲线好得多。平滑上涨意味着你只有一个进场点，而且是最贵的那个。剧烈波动意味着你有很多次进场点，其中好几次都是打折的。
今年这个板块里，五倍涨幅之后紧接着腰斩、然后一个月内又收复大半的例子不止一个。如果你在腰斩的时候买了，那次腰斩就是你今年最好的一笔交易。如果你在那时候卖了，它就是最差的一笔。同一个价格，同一天，两个完全相反的结果，区别只在于你事先想清楚了没有。
所以我的做法是把回撤提前变成计划，而不是临时反应：
事先定死买入价位。不是"跌了再看"，是现在就写下来跌到多少买第一笔、跌到多少买第二笔。等它真跌到那里，你会有一百个理由觉得逻辑坏了，那时候唯一能救你的是你在冷静时写下的那个数字。
事先定死减仓的估值，而不是价格。因为在这条曲线上分母涨得很快，涨到某个价格未必贵。我用的是前瞻的估值倍数：到同业水平减一部分，明显超过同业再减一部分，低于同业就不动。
分层，不要一次全进或全出。因为重估往往是跳空发生的，一夜之间走完大半程，等回调的人经常等不到。留一部分永远在场上，是对"我可能判断对了但节奏错了"的唯一保险。
而在这三条之外，还有一个更简单的选项：如果你真的相信开头那条逻辑，那么什么都不做，一直拿着，也是完全成立的策略。
低买高卖能赚更多，但它要求你每一次都对。长期持有只要求你对一次。
格雷厄姆那句话被引用太多次，但它是对的：市场短期是投票机，长期是称重机。投票机会给你很多次机会，称重机只给你一次结论。
真正让人亏钱的，从来不是判断错，是判断对了但在最难受的那一刻卖掉了。
十一、真正的量级还没开始
到这里为止，我谈的都是替代：原来十个人做的事，现在一个人加算力做。这是一个存量的搬运，天花板是全球白领的人力成本。
但那只是这件事的第一层，而且是最小的一层。
真正的量级在增量上，在那些过去根本做不了、因此从来没有出现在任何市场规模统计里的事情上。
比如癌症。人体里有约两万个基因，蛋白质的可能构象是天文数字，一种疾病往往牵扯几十条通路的相互作用。人类研究者一次只能检验一两个假设，一轮实验要几个月。这就是为什么攻克一种癌症要几十年，而且大多数尝试失败了。
这不是因为科学家不够聪明，是因为搜索空间太大，而人的带宽太小。
现在换一种做法：让模型同时提出几百万个假设，在计算中先筛掉99.99%，只把最有希望的那几十个送进实验室。这件事今天已经开始了，蛋白质结构预测就是第一个成功的例子。而它消耗的算力，和一个人问一句话完全不在一个量级上。
大脑更是如此。人脑约860亿个神经元，上百万亿个突触连接。要理解它、更不用说修复它，需要的模拟规模比今天最大的模型训练还要大好几个数量级。
新材料、核聚变的等离子体控制、气候模型、药物分子设计，每一个都是同样的形状：搜索空间大到人类穷举不了，但只要算力足够，就可以穷举。
这类问题和"写一封邮件"的差别，不是十倍，不是一千倍。是十亿倍。
而这才是我认为市场彻底没有定价的部分。
今天所有关于 AI 市场规模的推算，分母都是现有的人力成本或者软件支出。但这些问题过去没有市场规模，因为它们无解，没人为无解的事情列预算。一旦它们变得可解，需求不是从现有的盘子里切一块，是凭空长出一个新的盘子。
我们现在看到的这个 AI，还处在非常早期的阶段。它能写代码、能整理文档、能回答问题，这些都是人类已经会做的事。它做得更快，仅此而已。
真正的转折发生在它开始做人类做不到的事情的时候。那时候需要的算力，会让今天所有的资本开支数字看起来像一次试运行。
所以每当我看到"AI 资本开支要见顶"这个说法，我想到的是：我们还没开始。
十二、科幻正在变成路线图
写到这里，有些话已经越过了"投资分析"的边界。但我认为不写反而是失职的，因为如果这一层是真的，前面所有的估值讨论都会显得很小。
回到开头那部电影。1999年它上映的时候，"把技能下载进大脑"是纯粹的幻想，和会飞的汽车放在同一个抽屉里。二十七年后，它的核心设定已经部分成立了，只是实现路径和电影里不一样。
这件事值得停下来想一想：科幻作品里那些设定的兑现速度，正在超过所有人的预期。
而下一批设定已经排着队了。
一个能自己提出科学假设、自己设计实验、自己分析结果、自己迭代的系统。这在几年前只存在于小说里，现在是几家前沿实验室公开的路线图。一旦它成立，科学发现的速度就不再受人类研究者的数量限制，而是受算力的限制。
一个能连续工作几周、自己管理自己的进度、遇到问题自己找资料自己解决的代理。这已经不是设想了，前面那个每七个月翻一倍的时间跨度，指向的就是这个终点。按那条曲线外推，三五年之内，AI 能自主完成的任务长度会从"几周"走到"几个月"。
再往前，是那个所有人都在小心翼翼谈论的词：通用人工智能。会不会到、什么时候到、到了之后是什么样子，我没有能力判断，也不打算在一篇投资文章里假装有。
但我可以判断一件事：无论它到不到，通往那个方向的每一步，都要用算力铺。
这是这篇文章最后一个、也是最简单的逻辑。
在所有关于 AI 未来的可能性里，我找不到一个不需要更多算力的版本。
如果 AI 停在今天这个水平，它已经在被大规模使用，消耗量会随着渗透率继续涨。如果它继续变强，需要的算力只会更多，因为能力是用推理算力买来的。如果它真的走到能做科学发现、能自主运行数月的程度，那今天全球所有数据中心加起来，都只是一个开头。
三种情况，同一个结论。
这就是我说的"算力永远不会够"。它不是一句口号，是一个在所有分支上都成立的推论。
而我们讨论的这整条链，做的就是算力这门生意。
我知道这听起来像是在给自己的持仓找理由。所以我把话说得更保守一些：我不需要 AGI 兑现才能赚钱，我只需要今天已经在发生的这条渗透曲线继续走下去。AGI 那一层，是免费的期权。
而市场现在的定价，连那条渗透曲线都还没算进去。
最后：这条曲线现在在哪里
把尺度拉开看一次。
全球白领的人力成本，量级大约在几十万亿美元。而今天两家主要模型公司加起来的年化收入，是1150亿。
也就是说，这门生意目前占它所要替代的那块成本的比例，还不到万分之一。
而这个算法还只覆盖了替代那一层。上一节说的那些事情，治病、造药、理解大脑、新材料，它们今天在这个分母里的权重是零，因为过去没人为无解的问题列过预算。
所以当我看到"AI 资本开支要见顶"这种说法时，我的反应不是恐惧，是困惑。见顶是一个存量概念，它假设需求已经被满足。而现在的实际情况是：产能要两三年才能通电，需求几个月就翻一倍，中间的缺口还在扩大。
我们不是在周期的顶部。今天的 AI 还处在婴儿期，它做的都是人类已经会做的事，只是做得更快。等它开始做人类做不到的事，今天所有的资本开支数字会像一次试运行。
我们大概率连第一个弯道都还没转完。
真正的风险从来不是买贵了，是看对了却没拿住。因为在这条曲线上，中途的50%回撤会来很多次，而每一次它都会像是终点。
这轮回调会持续多久，我不知道。可能三个月，可能一年。
但方向我认为是清楚的，而且它不需要任何新东西被发明出来，只需要已经存在的东西继续被使用。
如果你要卖，请找一个比"这看起来像2000年"更好的理由。手里有锤子，不代表眼前那个真的是钉子。
我等得起，也拿得住。
AI 则属于智力范畴，理论上是没有（物理）限制的
------
目前的AI模型是有物理限制的，AI模型需要强大电力，发电能力不是无限。再有一点，AI还是计算，只要是计算就受到计算复杂性的限制， 计算复杂性的限制跟物理限制一样是不可逾越的。
AI 则属于智力范畴，理论上是没有（物理）限制的。可以无限发展。初高中毕业，大学，研究生，教授，继续做研究 需要永远不断学习 。
如果AI仅限于文案工作，当然也有物理（需求）的限制，但是 AI不会仅仅干文案工作吧，在当今社， 监控，军事，农业。。。。 好像可以无止境的需要智力的进步
AI的发展潜力巨大，但也是有限的。其限度是计算复杂性。复杂性呈指数增长的问题，算力增长的收益是跟不上的。
另外，博客也应该增加个@点赞 按钮，方便大家支持你的辛苦写作，和大家无私分享的坦诚。。
英伟达一台服务器产生的token最多一年回本。这不是烧钱而是印钞机。老黄是对的，半导体还在半山腰，今年的每次调整都是机会。很多好公司的营收和利润年化三位数增长，想等2026年初价格是想屁吃呢！
AI的商业化也是类似的，给你推荐个行程/产品，那里面的佣金不就有了嘛？
现在的巨头们都是先圈地，再想商业模式。