曲凯
我们今天非常难得又约到了莫傑麟的时间。莫傑麟已经来参加过我们非常多次播客了。今天我们在硅谷又见到了，就赶紧拉着他一起录一期关于硅谷的 AI 以及其他相关内容。来，莫傑麟，跟大家打个招呼吧。
莫傑麟
Hello，大家好。
曲凯
我们上一期播客是年初还是去年年初的时候？第一期讲乐观，第二期讲英伟达，第三期是我问你答，问关于国内 AI 发展的情况。
莫傑麟
你记得非常清楚。
曲凯
对。所以今年以来，你觉得美国这边的 AI 市场，包括经济、二级市场等等，大概是一个什么趋势？
莫傑麟
1. AI 开始重新提速
我觉得今年发生了非常多的事情。从去年大家讲预训练撞墙之后，到今年大家感受到的是一个完全大的转弯：大家会开始逐步达成一个共识，觉得 AI 的发展又进入到了一个非常快的阶段。
这里面我觉得最重要的一个发展，就是用 token 的消耗量来衡量。Token 的消耗量类似于互联网时代我们讲的流量、留存这一套指标。大家现在去观察 token 的消耗量，到今年我们所有人都会被惊讶于每个季度之间消耗量的增速，包括到 7 月份，再到 GPT-5 发布之后，整个 token 的消耗量在不断往上涨。我觉得这是其他一切事件最中心的一个趋势。
曲凯
这个你还记得大概的数字吗？Token 增长大概是什么样？
莫傑麟
我自己印象最深的一个数字是，7 月份在 6 月份基础上增长了 20% 以上。这个数字其实非常像当时移动互联网使用时长增长最快那一段时间的趋势。
我不知道国内是多少，在美国这边，整个应用的使用时长，包括企业对于模型的采用，从消费者到企业都是越来越长的。这个趋势，我觉得是从大家原来还在期待 AI 是一个外来物种，一直希望它能够不断告诉我它已经达到 AGI，能够做到一些人做不到的事情，逐步转化为把它嵌入每一个 workflow 和日常生活。
这个转变在今年一方面很默默，因为大家没有特别关注这件事情；另一方面又以一种很快速的趋势延伸开来。背后今年发生了特别多事情，比如开源和闭源的模型、中国的模型、美国的模型发了很多版本，在这方面基础设施的建设也有很大的进展。应用从中国的应用到美国企业端的应用，也出现了很多亮点。
所以在整个 token 加速的背景下，我觉得整个行业从最底层的 GPU、模型，再到最上层的应用，都有很多发展。今年整体给我的感觉，用一句话来说就是不断在提速。
曲凯
但我们回到刚才讲 token 消耗这件事。我能想到 token 消耗的来源，第一肯定是有非常多的人在用大模型，这是一种提速的方式；第二，各种企业内部 To B 的消耗和场景是一种方式；最后可能是模型之外的各种应用消耗。
在你看来，或者我不知道有没有什么数据支撑，这几块各自的增速到底是怎么样的？
莫傑麟
有很多研究机构，比如 SemiAnalysis，国内也有一些做得比较好的研究机构，都在试图还原这个消耗，会给出各种数据。目前看起来，整个消耗量的大盘还是在几家核心 AI 实验室手上，像 OpenAI、Anthropic，包括 xAI，它们自己的消耗量增长比较快。
如果拆开细分来看，第一块当然是 AI 实验室自己产品的增速；第二块其实是很多 To C 应用和生产力工具，它们的增速也很快。
曲凯
我确认一下：当你说 Anthropic 和 OpenAI 这种增速快时，你指的是它们自己的应用，还是把 API 那部分消耗也算进来了？
莫傑麟
它们自己的应用。
曲凯
OK，那就是说，其实大多数场景还是大家越来越多地使用大模型，这块是一个非常强势的增速。
莫傑麟
对。你去看国内，比如豆包、DeepSeek，应该也是 token 消耗增速最大的贡献来源。我的感受是，包括大家去看 ChatGPT，它的日活和使用时长其实一直在增长，增速越来越像移动互联网时期的一些社交产品。
曲凯
但这个的原因是什么？国内很容易理解，从年初 DeepSeek 出来以后，肯定有很大一波提升。我们知道，可能因为 DeepSeek 这件事，它的很多竞品其实也都有了 2 倍以上的数据变化，真的是把整个行业带起来，而不是零和博弈。
但海外，比如 GPT 最近发布了 GPT-5，我们后面也可以聊一下大家对于 GPT-5 褒贬不一的评价。在之前的一段时间，似乎美国这边的模型，尤其是 GPT，并没有什么太大的变化，为什么它还是会有一个还不错的增速？
莫傑麟
2. 需求开始释放
这里面我觉得有一个认知上的变化。今年最重要的一次迭代，是我们为什么一直在讲 AGI，包括从 2024 年大家就开始特别期待 GPT-5。背后有一个假设：大家希望模型证明自己有超过常人的能力，所以让大家有需求去采用模型。
原来 scaling law 这条线，隐含的主要意义其实就是这个。我自己从今年 1 月份之后就开始感觉到，这是其中一个很重要的推动力：模型变得越来越强，大家去找到更多的场景。
但从另外一方面，我感觉需求其实是非常强烈的。这个需求本质上是什么？从企业端来讲，就是解放生产力、替代人，或者说至少在有人参与的工作场景下提高稳定性；从消费者角度来讲，就是让人更简单，比如进一步替代搜索，进一步完成一些工作场景。
所以我今年一个很重要的迭代是：模型哪怕在这个级别上不再进步，它使用场景的解锁其实已经非常充分了，而需求端其实比大家想象的要强很多。
这里面开始进来一些除了模型和 AI 实验室以外的角色，比如做应用的公司、做基础设施的公司，会在现有模型智能水平的基础上，不断让这件事变得越来越可用。
这些东西合在一起，简单来说，除了模型本身变好了之外，最重要的一点是，从需求端、客户端，包括创业公司，都让这个东西的可用性变得越来越强，需求在不断释放。这其实很像移动互联网产品的逻辑。
曲凯
你看我们去年、前年的时候讲这件事，尤其是去年，如果要说一个关键词或主题，就是 scaling law。但按你刚才讲的逻辑，大家当时谈 scaling law 的预期是，它的性能能够指数级提升，甚至真的去触碰 AGI 的边界。
但目前看起来，似乎大家没有这个预期，或者说我们不用把预期放得那么高。我们发现现在的模型好像已经能做很多事情，然后大家慢慢把这些应用场景探索出来，自然就有更多落地。可以这么理解吗？
莫傑麟
3. Scaling Law 进入产业化
非常准确。讲 scaling law 的阶段，核心名词其实是 AGI；现在的重点是怎么把它越来越产业化、工业化。所以现在用 token 这个指标去衡量，而不是用以前各种 benchmark 的标准。
刚才讲到，token 里面有需求端，也就是消耗量；另外一个端，其实你每期播客我都有听，我看今年请了很多做基础设施的创业者来讲。这些人在做什么？就是让整个使用体验变得更好，让 token 的体验变好，甚至让 token 的成本降低。
现在大家已经从 scaling law 逐步转到基础设施层面，让整个使用环节、消费环节变得越来越经济化，速度越来越快，使用体验越来越好。其实 GPT-5 也完整地在说明这件事。
GPT-5 没有试图证明自己的智商比其他模型高多少，但它讲的是：它把很多以前的模型隐藏起来，把很多 stack、很多基础设施，包括很多前端界面，都整合到了自己的模型里面。整个开发者生态的反馈其实也是，这是一个很好用的模型。
所以 GPT-5 从这一代开始，证明自己离 AGI 越来越近的方式，也从 scaling law 转变成了整个基础设施能力，模型的使用性和易用性越来越强。基础设施更准确的衡量指标就是 token。
不同的公司在 token 这个指标上选取的截面不一样。应用公司肯定还是看 token 的消耗量；基础设施公司的 benchmark，可能是 token 的传输速度，包括成本，它们是在这条线上做事情。
我觉得这是从技术早期跨越到逐步产业化、加快工业化的一个阶段。它已经到了应用阶段，不如说已经过了应用阶段，反而是在应用生态里面让它加速产业化的阶段。
聊天对话框这种形式，其实已经完整地到了应用阶段。应用阶段最后一个更新，我觉得是 agent 这件事情。Agent 特别像什么？特别像移动互联网时代 App 的界面。
以前是说每个公司有一个产品，需要有一个 App；现在是说，我一个使用场景或一个产品，需要有一个 agent。这个东西确定之后，整个基础设施其实还不够完善，比如稳定性、消耗速度，包括现在 token 的成本。
Agent 对 token 使用成本的节约现在还没有开始。比如我们用 Mantis，会发现它的 credit 很快就用完了。整套东西的优化，我觉得已经进入了产业化和工业化阶段。
曲凯
所以如果做一个总结，今天第一个比较大的结论就是，在今年之前大家看的核心都是 scaling law，都是能不能实现 AGI；今年则把 scaling law 转成了 token 消耗。
但这是不是意味着大家觉得 AGI 不重要了，或者说肯定实现不了？
莫傑麟
这里面有一个很有意思的事情。去年某一期播客里提到过模型跟应用的分工问题。其实今年我觉得大家逐步达成了一个共识：第一，模型仍然是一个足够强的位置。
在 AI 产品这件事情上，最重要的差异点其实还是智能水平：你能不能让用户感受到这个东西是智能的，能够替代人，或者高于人去做一些事情。
所以模型本身的进展还是非常重要的，但它需要被封装在一个商业环境里，或者跟基础设施一起变成一个产品、一个 solution。我要提供的到底是什么商业价值、产品价值，而不是单独展示实力，说我的模型很厉害。我觉得这是一个转变。
另一方面，尤其 Manus 出来之后，大家 debate 得非常多：应用，或者简单一点说，可验证性有没有价值。但随着 reinforcement learning 的发展，大家也逐步达成了一个共识：虽然 RL 的时长在扩大，使用场景在变多，但除了 coding 和数学之外，大家找不到一些验证方式。
所以大家会想，我是不是可以先用产品的形式让大家使用起来，再去观察效果。比如 Miles 出了一个叫 context 的东西，提供更多 context；或者说在 context 下面，agentic 能帮你做一些事情。这是从纯产品层面去找一些落点。
所以今年从这个角度来讲，模型还是很重要，但需要被封装，需要变成一个解决方案。另一方面，大家也意识到，产品层面的 context layer 也很重要，是 solution 或产品的一部分。
今年就是把模型、产品，以及模型跟产品之间的基础设施，变成一个又一个的东西。这个东西背后是什么？就是 token。以 token 消耗量为主轴，让 token 变得越来越有价值，让智能变得更便宜、更顺滑、速度更快，这就是基础设施。
Token 的使用场景能不能提供更多数据反馈，甚至帮你做事情，这就是 context layer 和 agentic layer 在做的事情。所以整个行业已经从单一地讲 scaling law，变成了一套产业。这套产业已经开始逐步清晰，不同位置上的选手在各自的位置上能做什么。
我觉得这件事已经默默过渡到了这么一个阶段。
曲凯
我觉得有几个点。第一，从过去两年多 AI 的发展来讲，我同意现在的应用公司都是基于模型能力去做的。
我们在很多场合讲过很多次，比如最早一直在提的 CAI 陪伴类产品，其实就是因为 GPT-3.5 之类的聊天能力出现之后，可以套壳去做一个陪伴类聊天产品。Agent 其实都是基于 o1 的推理能力，套壳去做一个 agent 型产品。
所以我们在很多地方讲，本质上这一波 agent 跟上一波 CAI 在某些层面是类似的。这也是为什么我们最近在看多模态：如果多模态模型能够解锁很多能力，我可以更好地套壳多模态模型，那时候的 CAI，或者那时候的 Manus，到底是什么？
我觉得这是一条维度：套壳公司不断基于最新的模型能力去做事情。
但最近，包括我们刚才聊到的，模型更多不是追求 AGI，而是追求整合，追求应用。我觉得这里面有一个不是那么健康的趋势。
第一，从 AI coding 这个市场来看，美国也卷得不像样子，对吧？我觉得卷得有点像国内早年市场竞争的感觉：大厂也做，公司之间互相竞争，互相合并、收购，感觉 AI 虽然大家都在讲应用，但真正有 PMF 的东西还是相对比较少。
然后有一个东西大家都看到，就开始一起做：大厂也做，模型公司也做，应用公司也做。我觉得这是一个点。
另外一个点是，像 OpenAI 这样的公司自己也在推出模型级产品，包括你刚才讲的，它们把各种基础设施都结合起来。相当于之前模型专注于提升智能，智能提升一步，就会解锁更多能力，然后有更多套壳公司出来。我们当然一直觉得“套壳”是褒义词。
但现在变成了：模型解锁智能，套壳公司出来；模型发现继续解锁智能很难，但可以顺手把那些已经有 PMF 的套壳公司的东西做掉。这反而不是你说的各自分工的感觉。
莫傑麟
我觉得现在的公司跟以前的公司还是有一点不同。以前我们习惯用一句话总结一个公司，比如说字节就是 App 工厂。
到 AI 时代，我也感觉我们会习惯于用一句话定义 OpenAI 的特点是什么、Anthropic 的特点是什么、Google 的特点是什么。Google 特别典型，大家就觉得这家公司技术人才储备很强，但什么什么不行。
我的一个很大的感觉是，技术跟产品这条线到底是不是可以融合。包括国内我们 debate 了很久：这家公司到底是技术公司还是产品公司？
曲凯
那不就是很多人经常讲的模型级产品？
莫傑麟
对。其实我觉得，这两个东西在现在新的组织里是能够逐步融合的。能融合到什么程度？比如 OpenAI 到底能不能变成一个腾讯，或者像字节这样的应用公司，其实不确定。
但你明显能感觉到，OpenAI 今年招聘了很多创业公司的 founder 到内部做产品，包括 coding 和 agent 这些产品。所以我觉得这种融合是被忽视的：现在这些公司试图既做模型也做产品。当然会有谁更强、谁更有决策权的问题，但大家确实都在尝试。
包括 Manus、Jasper 这样的公司，其实也做了一部分技术和基础设施的工作。比如 Minus 的 Sandbox、Jasper 的 tool use，以及它们肯定要做 browser 这些 agentic 层的东西。
我的第一个感觉是，分工问题其实是模糊的。这些组织一定会去探索：我要逐步把产品接进来，我的产品跟技术是不是能够结合？
为什么？因为从逻辑上来说，如果最终产品的使用形态是 agent，agent 本身能够提供一部分数据，把 context layer 的闭环反馈回模型里。那么公司一定会有企图心去拓展边界：我既做技术，也做模型，甚至做一部分基础设施，包括自研芯片，包括自己的很多 stack，也会想把这些整合进自己的模型。
这里面有一个隐含趋势：这些公司可能真的除了 GPU 这一环之外，都试图从基础设施开始拓展。我的公司是不是都能做掉？是不是真的可以做一个端到端的东西？
所以我觉得这一部分的变化，在美国体现为大家比较熟悉的 OpenAI、Gemini 都开始做产品，反应速度越来越快。Google 今年很典型；应用公司像 Manus，包括 Cursor，也都开始训练模型。这个边界，我感觉今年模糊掉了。
曲凯
我觉得在移动互联网时代，很多人对美国市场有一个大概的感觉，甚至可以说是一个误解：觉得美国市场大家各自做各自的，非常垂直，也不延展、不竞争。
但我们看这一波，其实竞争完全不比国内更轻松。
莫傑麟
是的。尤其是 AI coding 这件事情，看起来竞争只会比国内更加激烈。
曲凯
但我想讲的是，如果模型和应用公司能够互相促进，我觉得长期肯定是更好的事情。比如模型今天解锁了 A 能力，一个应用公司发现可以套壳 A 能力，去想一个很好的应用场景，找到 PMF，模型发现这个事情之后也开始做。
同时，模型的智商和其他能力也在解锁；而这个应用公司具备很好的组织形态、认知和执行力，继续做更新的事情。我觉得如果真能达到这样的平衡，至少未来几年会是一个很好的事情。
但前提可能还是，模型本身的能力未来到底能解锁到什么程度。
还有一点，过去几个月我还以为各个模型都有自己相对明确的分工，比如 Anthropic 专攻 coding，OpenAI 专攻 agent。但现在看起来好像也不是这样，全都卷到一起了。
莫傑麟
是的，我的感受非常明显。很多工程师都有投 Anthropic 二级市场的份额，大家为什么投 Anthropic？因为这家公司非常专注，只解决文字模型的 scaling law 和 AGI 问题，coding 特别强。
但今年有一个很大的转变：先是 Gemini 出了一个 coding 能力也很强的模型，再是 GPT-5。GPT-5 出来之后，其实我们私下聊的一些数据里，它 API 的增速也快了很多。
所以我的感受就是一个大融合。我们没有办法再用一句话去定义每个公司的优点是什么。可能这个时代最重要的优点就是不能有短板，大家一定会在每个环节都去尝试。
以前可能是抢场景，比如我做社交，就去抢周围的一些场景；现在可能是抢整个基础设施，从最底层的基础设施到最上面应用做的东西越来越多。今年这个感受确实比较强烈。
曲凯
我觉得有可能是因为有 PMF 的东西还是太少了，所以大家看到就不太可能不做。Coding 已经这么热了，而 coding 给 Anthropic API 贡献的收入一定非常高。你说 OpenAI 只把这个放着不管，让它发展，好像也不太可能。
所以未来一段时间可能还是会持续比较激烈的竞争。
莫傑麟
对，尤其是模型这一边。
曲凯
然后在其他方面，一些 To B 和应用上，你有看到什么比较有意思的事情？
莫傑麟
4. 垂直应用找到 PMF
刚刚讲到模型，很多人都会讲一个叙事：技术结构上的进展一般两到三年会来一次。最近的一次技术进展，应该是去年 10 月份的 o1 模型。
回头去看 o1，它解锁了情商这件事情，让聊天变得更顺滑。在这个场景之下，就出现了非常多的应用，大家开始去做。
这里面有两个点我的印象比较深。第一个点是，大家不再 debate 应用能做什么。原来提到模型时，最基本的东西是泛化：觉得模型的智能水平能够泛化到所有场景。
曲凯
对，当时聊了很多次泛化、涌现。
莫傑麟
现在已经很少有人提这些了。大家逐步接受：在 IO 层面能够做到 validation，或者能够给出准确 reward 的场景，除了数学和 coding 之外，其实相对比较有限。
这也是为什么模型一定要做 coding，一定要解决那些能够做好 validation 的事情。但很多场景你会发现还是需要人在过程中参与，因为这些事情我觉得是应用里面一个很重要的分水岭。
这是第一个点。大家也逐步开始尊重，为什么有些场景是有行业背景的公司可能做得比较好？比如 Harvey 做法律，它目前仍然是 ARR 最高的垂直应用公司。
今年一个很大的亮点其实是医疗。有好几家医疗创业公司的 ARR 增速也很快，而且如果做一些实地访谈，会发现这些医疗机构对医疗公司的评价非常高，觉得它们解决了很多问题。
还有金融场景。你会发现这些垂直场景的 PMF 是存在的，但它可能不是以技术的形式体现出来。技术只是它的一个锚点，它其实解决了很多 workflow，解决了很多行业特殊的语言环境、使用环境的问题，然后让智能在这些场景里找到用处。
这又回到我们讲应用和模型之间的分界点：在 context 这个层面，有些场景就是需要这些东西。它可能体现为合规，体现为一整套 documentation，也可能体现为很多具体场景的事情。
在垂直场景里，大家找到了很多 PMF。比如我们前几天一起见了一个做保险的公司，也会在这些应用场景里找到 PMF。
另外，应用这边其实很激烈的一个方向就是中国创业者。中国创业者在模型到 context 之间解决了一部分基础设施问题，让消费者率先感受到智能，找到一部分场景。这也是今年很重要的一个亮点。
在 Mantis 之后，Jasper、Fellow 很多产品的增速其实都还不错。所以基本上这两个场景发展得比较快。
曲凯
我们先回到模型，再聊一个点。你刚才提到 o1，包括最近一年以来大家提到 agent、提到 AI，基本都会提到 o1。
但如果大家有印象，o1 刚发布的时候其实没有什么声音，大家似乎觉得好像没有什么变化。正好 GPT-5 刚发布，大家似乎也觉得 GPT-5 没有怎么样。
有没有一些点，可能到明年的今天倒推回来，我们会说，原来 GPT-5 做的某一件工作特别有意义，解锁了一些新的东西？
莫傑麟
我觉得非常有。你提到上半句我共鸣很深。今年像 OpenAI、Google 的模型拿了 MO 金牌、银牌，这说明什么问题？其实我们已经没有太多工具可以去评估模型的好与坏了。我觉得已经过了那个阶段，甚至到现在，在很多使用场景里，我已经很难评估模型到底是进步了还是没有进步。
这又回到我们一早说的，它进入了工业化和产业化阶段。工业化和产业化阶段大家评估的最重要指标是什么？我觉得其实是成本。只有足够便宜，在性能不变的情况下，产业化速度才会加快。
所以我觉得，现在已经从用户最早期感受模型智能，进入了让模型智能成为新一轮工业化的开始。在这个过程中，评估模型本身的重要性其实已经在降低。
另外一个点是，你提到后半句，大家当时对 o1 的评估，我觉得存在预期差异。大家预期这个东西可以一下帮我解决很多事情，但我们当时没有准确地定义“一下解决很多事情”意味着什么能力，也没有定义怎么评估这个模型。
后来大家发现，随着 IO 时长变得越来越长，最直观的感觉就是它很懂你，情商足够高，更容易听懂你说的话，降低了用户使用 prompt 的难度。这个在产品层面是比较清晰的。
第三个点，我个人觉得 GPT-5 是一个非常重要的转折点。第一，你看股市上已经几起几落，大家对于 AGI 的预期已经被大幅修正。
GPT-5 其实开启了一个新的阶段：那我们在比拼什么？比拼的是 full-stack 能力和效率。我的模型是一个好的模型，同时它能够被大家用起来。
它甚至区分了 thinking without thinking。在商业上，比如 RL token 和 coding token，全部分开计价，找不同的执行团队去销售、去做这些事情。你已经明显感觉到，GPT-5 进入了一个加速产业化、工业化的阶段。
曲凯
但这岂不是进入了所有国内创业者的舒适区？如果拼的是整合、基础设施和工程，我觉得 DeepSeek 不会比它差，甚至可能会比它更好。
莫傑麟
逻辑上是这样。我感受到的一个共识是，除了 Thinking Machines Lab 之外——它的产品 demo 要到第三季度才发布——大家确实接受了：现在的模型架构就是这个样子，智能水平来自于每个环节挤出来的增速。
当然，从 pre-training 到 post-training，再到最后的应用，挤出来的智能水平叠加仍然是乐观的，可能还是几十个百分点的增长区间。但大家已经接受，这个结构就是这样。
包括 GPT-5 做了很多结构上的创新，其实还是跟基础设施有关：怎样更加区分开来，怎样让效率更高。今年这几家公司研发 ASIC 的速度也都加快了，大家都在围绕基础设施做事情。
曲凯
因为我们上一期播客正好跟易博录的是基础设施主题。确实我跟他聊完以后，才意识到原来基础设施这么重要，对模型的影响会这么大。
很明显，比如 Manus 的 credit，我给它 prompt 一个问题，它是只做 context 理解，还是前端就有一个优化模型帮助你做 prompt，这两件事对 token 消耗量的差异其实非常高，但还没有太多人开始做这件事。
而且你看 DeepSeek 年初刚出来时，很多人在讨论 DeepSeek 为什么这么强。很多人最后会得出一个结论：是不是因为它的组织形式，像一个 lab 一样让大家各自忙自己的事情。
曲凯
但我们上一期播客里给出了一个特别好的答案：DeepSeek 本来因为做量化，就具备很好的基础设施基础；梁云峰本人也是一个非常懂基础设施的人，最近好像还发表了一篇基础设施的论文，也是作者之一。他们的优化指标也跟别人不一样。
种种这些东西，最后可能都落在基础设施上，成为它成功的核心原因。
莫傑麟
我有听易博那期播客，我觉得讲得非常好。他主要做的是多模态基础设施。
5. 基础设施开始分层
我理解基础设施分为三块。第一块是模型跟 GPU 之间：我怎么用卡。DeepSeek 在这个环节做得非常好。就像你说的，它在原来做量化的过程中积累了很多实操工程经验，知道怎么把卡用好，甚至能把上一代的卡用好。我觉得这是第一块基础设施。
当这个东西往上走，现在会出现第二块基础设施，就是模型跟应用之间。在美国有一些代表性公司，像 Together AI、Fireworks，它们其实在做这一块，俗称帮你做推理优化。
曲凯
这两家我觉得你可以稍微展开一下。比如 Together AI 在硅谷很多地方都能看到它的广告，其实还挺火。我记得上次来这里印象很深，它在硅谷很多地方打 DeepSeek 的广告，在它那里能用到 DeepSeek。Fireworks 是一个华人创业者做的，创始人来自 Meta，一直也挺火，最近又拿了更多的钱。这两家要不你稍微讲一讲？
莫傑麟
前段时间有一个事件：Anthropic 不再提供某些模型的服务。这个事情之后，原来这些应用公司使用模型公司的 API，模型公司也会顺带帮它们做应用的 server 推理优化，让它越来越快、越来越稳定。
Together AI 和 Fireworks 这一批公司大概有七八家，最早其实也是帮你做一些基础设施工作。比如你要采用 Anthropic 的模型，我帮你搜集数据集，我帮你做推理，相当于一个中间顾问商。
但当模型服务的事情发生之后，很多应用公司不会只在一家模型上服务自己的应用，会去找一个 backup vendor。这里面大部分会选择 Together 或 Fireworks，让它们帮忙做推理优化、服务应用。这一层主要就是它们在做。
现在有一个比较大的 debate：很多人觉得这一层基础设施目前看起来是 commodity，但我觉得还要继续观察。
像 OpenAI 和 Anthropic 这样的 AI 实验室，还是想把这些东西自己做掉，因为这块技术难度听起来不是特别高，主要是运营和管理的难度。
另一方面，这一层很多东西其实是开源的，包括英伟达也希望这一层开源。因为开源之后会有更多应用，至少不要在它推动 agent 的时候出现问题。
所以这一层的关键，主要在于它是不是一个能够收取毛利的业务。
再往上其实还有一层基础设施。我之前听 Sheet Zero 创神也上过你的播客，包括磊磊讲的 agents 的 infra。这一层就是纯应用基础设施，在模型层之上。比如你需要模型帮你做事情，订机票什么的，这叫 agentic。
像 Fellow、Manus、Jasper，它们也都尝试做 agentic。为什么？因为 agentic 层做得越好，用户感知就越明显。
举个最简单的例子，如果你跟模型只是对话，用户可能觉得很好；但对话完之后，它还能顺手帮你做很多事情，用户的感知完全不一样。
再往上还有一层是 context：我到底通过什么 context 跟用户交流。这两层其实都有基础设施。之前 Minus 的 CTO Peak 也写过一篇 context engineering 的研究，讲的就是这一层。
曲凯
我打断一下。你刚才讲的第三层，典型就是 E2B、Browserbase 这种，对吧？
莫傑麟
对。
曲凯
第四层 context 现在似乎还没有完全第三方的基础设施公司。因为 context 是非常重要的一部分，很多应用公司会自己把这块做掉。所以 context 更多是自身的机会，而不是第三方的机会吗？
莫傑麟
我觉得是，因为它涉及非常多没办法被 RL 验证的东西，最后真正会成为一家公司的核心。
曲凯
是的。
莫傑麟
我觉得这一部分跟移动互联网的连接，是整条线里面最紧密的。你对用户的理解，包括我刚才提到的那些垂直行业，比如我们自己做金融、做投资，我们对这个行业怎么理解，都在 context 这一层。
我们可能没有办法清晰地说，这个东西是不是智能、你会不会做，但它可能就在这一层。你怎么处理它是重要的。
这可能就像我们以前在国内看 SaaS，最后得到一个结论：这个团队很强，因为行业 know-how 很强。现在其实是把行业 know-how 改成类似 context 的感觉，或者说 context 里面就包含了它的行业 know-how。
我觉得 know-how 在我看来分两种。第一种是你了不了解、熟不熟悉；另外一种是你是不是真的能够 make some changes，能不能做出一些变化。
当你对 know-how 的理解达到一定程度，我觉得这部分在应用层短期很难被替代。你看这些垂直行业就非常明显。
比如 Harvey，一开始大家都会吐槽，它做的那套 RAG 也很容易被替换。但为什么到现在，不管是毛利还是其他方面存在什么问题，它还是能做起来？因为它确实足够了解这个行业，再结合美国 enterprise 生意固有的粘性。
你去排一个 ARR 第一梯队，会发现 Harvey 还是第一名；最早做的那几家医疗机构还是第一名。你会发现，对行业 know-how 的理解听起来很虚，但当 know-how 强到可以说服客户，甚至把这个行业很多部分的效果或效率提高很多倍时，它就从虚变成了实。
曲凯
但站在国内创业者或投资人的角度，我觉得这件事比较烦人。美国的 To B 一直都很好，包括过去几年我们看到各种 To B agent、VC agent，或者垂直行业提效的东西非常多，包括你刚才讲的那些，也包括医院。我们还看到有专门给兽医、牙医做各种产品的。
但在国内，To B 这条线似乎落地没有那么多成功案例，也不是那么可行。你要让国内创始人到美国或者出海做 To B，难度又更大。所以最后国内创始人甚至可以说是被逼的，只能做 To Consumer 这一块。
莫傑麟
因为 enterprise 这个生意在美国已经很多年了。我最早去了解美国创业环境时，有一点很惊讶：enterprise 从本质逻辑上来讲，不太是一个 VC 的商业模式。
它本质上告别了所谓颠覆式创新，但优点在于，美国的营商环境非常稳定。不要说 enterprise，这边用户取消订阅的比例其实都相对比较低。所以它确实是一个留存比较好的行业。
但这个行业隐含了一个假设：如果旧的人很难被替代，新的人也很难产生颠覆式创新。
曲凯
总结一下你刚才讲的一个点：你觉得未来一段时间，模型会把更多东西整合进模型里面，包括各种应用，尤其是已经验证 PMF 的场景，它肯定会尝试去做一些东西。
Inference 这边，就像我们刚才讲的，从 token 消耗角度来说，各种能够优化 token 的东西，也都会往自己那里合并。
莫傑麟
对，我觉得是这样。
曲凯
OK。如果把这个作为大前提，包括以上我们所有的讨论，我自然而然有一个疑问：为什么英伟达还在涨这么多？
它上一波上涨是因为 scaling law 吗？如果现在不再讲 scaling law，也不再讲 AGI，而是讲工程落地，英伟达以及其他 AI 公司为什么还会继续涨这么多？
莫傑麟
6. 推理需求推高英伟达
首先，英伟达涨了很多，是因为 token 消耗量一直在涨。随着推理技术范式的发展，大家对推理消耗量并没有降低，但整体 token 消耗量，包括 inference，都在上涨。所以整个 stack 里面对英伟达的需求一直在增长，这是一个核心。
同时大家可以看一下 ASIC 公司，包括 AMD，今年的股价表现其实都非常好。这是什么意思？我觉得市场和公司已经开始注意节流的部分：在 inference 里面，是不是可以尝试用自己的 ASIC，是不是可以用 AMD 解决很多问题。
但这里会出现一个具体问题：英伟达的软件和售后服务生态确实做得太厉害，导致很多公司更愿意一站式地使用它的卡。
你会发现大公司已经从战略层面思考这件事情。国内尤其典型，因为长期有 H 卡禁运的问题，包括现在 B 卡禁运的问题，所以国内有非常多其他的卡来做推理。
我觉得企业方、投资者和市场已经关注到，英伟达当然足够强势，但需要有很多节流方案，让整个推理基础设施变得更便宜。
像 Alveo，有一家公司是 COS，它是 Google 的 vendor；再加上 AMD 今年的股价表现都很好。所以从这个角度来看，大家只要解锁 inference 的变化趋势，就能找到更多机会。
包括今年英伟达很多产业链公司，像国内的新易盛、中际旭创，以及这条线上的 PCB 厂商，今年涨幅都已经远远超过英伟达本身。这些其实都是在基础设施层面不断优化，去适应新的趋势。
曲凯
所以过去一段时间和未来一段时间的主题，就是基础设施和 token 消耗，可以这么理解吗？
莫傑麟
我觉得可以这么理解。
曲凯
基础设施也会分很多块。你刚才其实讲了四块。现在最核心的优化和大家的重点放在哪一块？你觉得英伟达其实是最底层的基础设施吗？
莫傑麟
我觉得最核心的优化还是在最下面。坦白说，卡的价格还是决定了所有东西的走向。
但英伟达这家公司实在做得太好了。英伟达为什么软件生态做得这么好，可以专门聊一期。按道理说，AMD 的卡有绝对的成本优势，但为什么至少目前为止，它跟英伟达的差距还是很远？其实都来自软件和整个售后服务生态。
我们经常发现，在硅谷如果基础设施执行上有一些软件问题，英伟达基本上随叫随到，会帮助你尽快用起来它的整个生态。但这种执行能力，在 AMD 生态或者其他公司那里还很难看到。
优化这一层，可能让你的成本降得更快；甚至多一个竞争对手给英伟达，英伟达自己降价的预期也会越来越近。
但这一层的难度，确实在于个体案例。英伟达这个公司太厉害了，不仅是芯片架构，包括产业链、软件、售后执行能力，每个环节都很强。所以这一层的优化会是一个长期趋势，但不会特别快。
曲凯
你看 AMD 等其他公司也涨得很好，国内寒武纪这几天突然创了新高，国内很多光模块也涨得很好。这个趋势的可延续性有多强？
莫傑麟
我觉得逻辑的延续性非常强。我一定要降本，一定要给英伟达更多竞争对手，至少在推理端提供更多解决方案。
但问题还是要看个体公司能不能 deliver。硬件跟软件完全不一样。比如今年为什么特斯拉下调了 Optimus 很多订单预期？软件可以越跑越快，但硬件不是这样。
硬件有时候需要一个合理的交付节点。这个节点没有到的时候，市场对你的预期需求可能已经在这里，但你交付不出来。这是硬件和软件之间一个很重要的差异。
简单来说，逻辑的延续性很强，但还取决于个体公司能不能交付。大家可以看一下阿瓦国这个公司，它的交付能力也很强，尤其是对大客户，所以大家对它的认可度也很高。
其他基础设施层面，我觉得一个很有意思的看点，是会不会出现第三方公司去做这些基础设施，比如推理；还是模型公司和应用公司会自己做掉。这是一个非常重要的判断：到底谁来做这件事情。
曲凯
但这短期内应该很难看出来，应该会有相当长一段时间并行吧？
莫傑麟
会并行。但有一个转折点是，包括通过跟你聊、跟国内公司聊，我们已经感觉到，该出现的公司其实已经差不多出现了。
比如国内也有想做 agent platform 的公司，本质上就是在帮 agent 做基础设施。硅谷像 Fireworks、Together 这样的公司也越来越多，甚至里面有些公司还要再往下做一层，帮助公司做模型、做推理、做 training，这些公司也开始出现。
应用层的公司能做的模式和形态，基本上也都出现了。Vertical 公司里面，像 Palantir 这样的公司也出现了。
所以现在是一个很好的关注时间点。我们也在高频观察，到底什么样的团队能解决这个问题。比如会不会出现新的 Snowflake，还是 Snowflake 会成为嵌在 Palantir 里面的东西。这是一个很有意思的长期观察点。
曲凯
其他一些美国二级公司也很有意思。比如 Meta 最近超级火热，包括 Google 等等。我不知道你们今年最核心的几个关注点是什么？
莫傑麟
7. FOMO 从抢卡转向抢人
Google 和 Meta 非常重要。虽然这两家公司不一定有投资机会，但研究它们对研究 AI 很重要。
大家对 Google 的标签化比较明显：这家公司协作效率有问题，但技术储备能力非常强，而且是全栈式的，从硬件到软件都非常强。
今年它的模型进展不只是文字模型，它们的 VIVO Three，包括下半年听说还会有很多视频模型，以及机器人方面的进展，在行业里依然是让所有人觉得它是非常重要的第一或第二名。
怎么理解这个问题，其实是一个很难的课题。我觉得这个问题可能交给国内企业家去理解会更容易，因为他们做过这么大规模的竞争公司，知道到底哪些要素更重要。
至少有一个判断：Google 有足够强的能力，但它到底还能不能通过改变组织模式，做出很多新的东西？这是一个很有意思的研究话题。
它又回到 Meta 做的事情：它到底能不能凑出一个模型。这应该是现在 debate 最大的一个课题。
一部分人会觉得，临时凑出来的团队，大家的 vision 可能并不一致，它能不能 compete with the next-generation model？另一种说法是，它招来的这些人已经是每个 lab 里最头部的人才，而且不只是优秀，还是有一线工程经验的人。很多人都上过 OpenAI 的发布会。
这两个课题都很有意思。加在一起，会透射出投资里一个很重要的点：大家仍然处在一种 FOMO 的情绪当中。
最早的 FOMO 来自 2023 年，大家觉得我一定要有模型，一定要买卡，一定要堆算力，通过 Meta 这一系列招聘动作，我们会发现，这个 FOMO 在 2025 年不但没有结束，反而变得越来越强。
大家原来可能没有这么深的感觉，但 Meta 好像靠一己之力把这件事又重新点燃了。国内腾讯也在做类似的事情，虽然没有这么夸张。
美国除了 Meta、Google 之外，像微软、ServiceNow 这样的公司，这半年以来招聘动作都很夸张。ServiceNow 已经做了三四个收购，因为它觉得招不到人，所以要通过收购的方式做这件事。
微软大家都觉得 Copilot 做得不够好，但它也在大量招聘做 post-training 和产品的人。
所以如果把 FOMO 放在一个更广义的层面来看，今年已经从抢卡延伸到了抢人，FOMO 的情绪在变强。
背后为什么值得研究？比如 2023 年的 FOMO 肯定是 OpenAI 带来的：我得囤卡，我得先把 pre-training 赶上。今年的 FOMO 是什么带来的，可能每个人的视角不一样。
曲凯
所以你的视角呢？
莫傑麟
我的视角确实是，这个东西离产业化越来越近了。
比如 ServiceNow，它有场景，因为它帮企业做 workflow；Microsoft 是因为有 Fortune 500 的 franchise；腾讯在国内也有很强的场景价值。
有场景的公司会切身感受到，AI 不再只是一个遥不可及的 AGI，或者一个不熟悉的 AGI，而是一个切身能够感受到、离商业场景和产业化越来越近的趋势。
我经常开玩笑说，现在 AI 的能力很像当年移动互联网的地推：我靠地推把线下挪到线上。现在 AI 的能力可以自动让大家进入一个新的场景。
有场景的公司，或者有能力的公司，会越来越切身地感受到这一点。它越来越近的时候，人一定会坚定地做出一些判断和动作。
曲凯
所以我们前面聊到一个很关键的点：之前的关键词是 scaling law，现在的关键词是 token 消耗。Token 消耗仍然带来了很多二级市场股票的增长。
国内现在是牛市了。我们录制的这两天，牛市的确认度更高了。我们很早之前有一期播客讲“东升西落”，但美股其实也不算落，它们也涨得很好。
莫傑麟
美股是跌完之后迅速涨回去了，所以我们上次讲的也没毛病。
曲凯
对，确实东升西落，然后变成东升西又升了。这个趋势你觉得能维持多久？英伟达已经非常高了，其他很多股票也涨得很高，国内也有很多股票涨得很高。
在新的 token 消耗逻辑之下，未来一段时间二级市场的反馈会是什么样？
莫傑麟
我记得我们之前有一期讲过，对于美股，或者整个美国大的景气度来说，AI 非常重要。瞎说一个比例，AI 或者整个科技发展的景气度，对于美国景气度来说，可能占三分之二，甚至更重要的角色。
曲凯
我记得你提过一句话，你说 AI 是现在所有资产里唯一的泡沫。
莫傑麟
对。
曲凯
你现在也觉得事实是这样？
莫傑麟
是，但泡沫要打引号，不是贬义词。
这个泡沫跟以前认知的泡沫不一样。以前很多泡沫有一个附加条件，就是觉得这个东西是骗局，或者至少没有太大发展空间。但 AI 显然不是，它的重要性很高，也有发展空间，同时也有泡沫。
泡沫体现为什么？就是估值。创始团队和管理层可以拿到更大的激励、更多的资源去做事情。它其实是这么一个状态。
对于美国整体景气度来说，AI 占据主导作用，因为它代表整个科技生产力，代表美国能不能持续保持领先，进而决定很多方面的落地。
对于中国来说，AI 也很重要，但没有那么重要。因为中国的宏观经济或者二级市场情绪，很多是由更多方面决定的，比如化债、居民存款、投资意向、风险偏好，以及整个制造业周期。它可能由很多部分组成。
所以对于美国的判断比较见仁见智，但同时又相对简单：大家怎么看待 AI 的工业化、产业化进程，是否会像我们想的那么顺利。
不同的人对于其中颠簸程度的感受也不一样。比如出现 3 到 6 个月的停滞期，发展没有大家预期那么好，这算不算一个问题？如果这些问题都不算问题，可能很多人会觉得它会一直长牛下去。
但如果现在大家的预期已经是，产业化进程很快就可以替代人，我相信这是不少人的预期。也有一部分声音会说，替代过程不是一蹴而就的，中间还会碰到法规、公司决策、技术和基础设施落地、基础设施成本等方面的影响，这个过程中可能会有颠簸。
总而言之，我整体感觉美国这边还是跟之前一致：它取决于大家对于 AI 发展的心理预期波动。如果 AI 持续保持领先，产业化、工业化进程持续加速，整体来说还是偏向上的局面。
当然现在从宏观角度来讲，虽然我们不是专业宏观分析师，但大家也都能看到，特朗普一系列对科技公司的干预、对地缘政治的干预，肯定会对股市有影响。但整体来说，科技对于美国的发展仍然起决定性作用。
对于中国来说，AI 的影响会少一些。中国最近进入牛市，大家都在讨论，但没有准确答案。大家可能会觉得，是心理预期或者风险偏好发生了一些变化。所以两边整体看起来一致，但内核还是不同。
曲凯
我们先讲美国。我记得去年英伟达到 3 万亿美元那一波，大家一个核心假设和待验证的事情，是模型能力是不是一直往上走，scaling law 是不是有效。
你觉得现在有没有一个核心假设和待验证的点？或者说，如果这个事情万一被证伪，bubble 可能就会破掉？
莫傑麟
其实在 scaling law 和刚才说的消耗量之间，对于英伟达这个个体来说存在一个中间叙事。
这个中间叙事是什么？英伟达的需求主要分为两部分。第一部分是用来做模型训练的，尤其是 pre-training 的用卡。大家更多会觉得这是周期性需求：模型训练到一定程度，或者架构到一定程度，不再发生大的改变之后，需求量会有一个周期。
另一部分来自推理需求，也就是实际用户使用过程中需要的需求。
你刚才说的第一个 scaling law，对应的是训练；后面 token 或者泡沫这个词，对应的其实是推理需求。这两个需求是此消彼长的。
悲观的人会觉得，后面的应用需求可能来得没有那么快，或者大家因为过高的预期，短期把使用需求提起来，但它并不持续。这样就会导致 trade-off 变成负的：训练需求是周期性的，但推理需求没有完全接上。
乐观的预期则认为，推理需求一定非常大，同时由于英伟达架构和服务的先进性，它在推理需求市场的份额仍然很高。所以 trade-off 完全成立，我们可以忽视训练需求的周期性。
在这个叙事过程中，DeepSeek 出来的时候英伟达先跌了，而且跌得比较夸张。但随后大家又看到，今年因为 RL 的进展，训练需求其实也在提高。
包括 Meta 最近招了很多核心工程师，进而会提高训练用卡需求；同时推理需求也提高了很多。所以这个 trade-off 不但没有发生，反而变成了今年两边需求都在往上走。
它客观上把训练需求的周期往后移了，同时推理需求又起来了。所以英伟达从 3 万亿美元到 4 万亿美元，甚至现在向 5 万亿美元迈进的过程中，呈现出一个比较顺的趋势。
曲凯
从现在这个节点来看，后面核心的时间节点和要看的事情是什么？
莫傑麟
我觉得两件事情比较重要。
第一件当然是 Meta。为什么 Meta 会在这个时间点选择花这么多资源组建这样一个团队？我听说 Mark 最近也要录一个播客，讲他的一些想法。第一个时间点当然是，新的模型团队能不能在 6 到 12 个月周期内做出一个更好的模型。
第二件事是一个更见仁见智的问题，我也想听一下你的感觉。应用需求现在美国有一个词叫 vibe revenue，氛围式收入。它隐含的意思是，我们现在会使用 AI，但其实也不知道用 AI 来干什么。
现在收入里面有一部分，来自大家过高的预期，或者大家在整体行为的渲染下，不假思索地增加 AI 的使用。应用里面有一个很核心的卡点：我们是不是会出现一些能够稳定消耗 token 的应用和场景？
我觉得这个事情也会比较重要。但应用的半壁江山可能都是华人做的，不管是在硅谷的华人还是中国的华人，所以这里面的观察，甚至对产品应用的理解，其实非常重要。
大家也可能觉得它会持续下去，就跟短视频一样。短视频发展到今天，不只有抖音、TikTok、快手，包括 YouTube、Instagram 里面短视频的消耗需求也都非常高。
所以第二部分其实是一个更行业判断型的问题：现在应用的这些需求，是不是会稳定持续下去？它会找到 PMF，或者找到产业化里面的 ROI 节点？这个点可能比较重要。你怎么看？
曲凯
通过跟这些应用创始人沟通接触，我觉得是这样：从美国市场看，就像我们前面聊到的，美国 To B 非常繁荣。AI 在 To B 里面降本增效肯定是行得通的，而且效益比较明显。
假设美国 To B 市场本来是 1,000 亿美元，那 AI 再不好用，能力再不如大家预期，只要能够提效 5%，其实就是带来 50 亿美元的增值。所以 To B 领域的账是很好算的。
但国内市场的区别是，To B 好像没有起来，大家都在做新的 To C、To Consumer 的事情。可能更多是沿着 Cursor 这条线，而不是 Harvey 或者美国 To B 的医疗、金融这些线。
Cursor 最新的数据，一年 ARR 应该是 5 亿美元。其他公司肯定也沿着这条线走。
我们去年的播客里好像提到过，国内那一波 AI 公司里，去年达到 1,000 万美元 ARR 的非常少，已经是一个很高的标准。去年看整个美国，可能最高大概是 3,000 万到 5,000 万美元；今年我们能看到 Cursor 突破到 5 亿美元，国内可能有些公司开始往 5,000 万美元，甚至 1 亿美元走。这大概是目前的趋势。
但把 To B 刨除以后，这些公司哪怕明年有很多家能做到一美金 AR，整体体量仍然是小的。
我觉得你刚才提到，To B 这边的需求是比较确定的，降本增效肯定是一个长期投入路径。更 promising 的点来自企业：企业永远不想管理特别多的人。
所以一旦技术和产品的发展能够让企业少管理一些人，这个需求就会一直存在。
曲凯
所以讲回来，你觉得以英伟达为代表的美国这些 AI 标的，在二级市场还会继续涨吗？
莫傑麟
我会感觉它有很大波动，但在 Meta 推出模型之前，或者在应用端大家真正发现 agent 没用之前——如果有这一天的话——它的趋势会比较顺。
因为目前我们看不到 pre-training 需求下降，也看不到 inference 需求下降。虽然 MD、阿巴狗这种公司都很努力，但你看不到大家对英伟达的消耗或者竞争出现明显干扰，所以基本上还是处在一个比较顺的周期里。
曲凯
但国内这块二级市场的表达，更多还是停留在芯片、inference 之类的地方，比如寒武纪，包括英伟达的产业链。国内没有 Meta、Google、Microsoft 这样的一些公司吗？
莫傑麟
其实有。只是一开始大家觉得最原生的 AI 公司是 DeepSeek 和字节，但这两个公司都没有上市。今年大家找到了第三个标的，其实是腾讯。一度也有阿里，因为阿里的模型，尤其是开源部分，也做得很好。
但今年腾讯在国内整个 AI 上的努力程度变强了很多，战略程度也变高了。所以今年腾讯的市场表达也很顺。
其实还是大厂逻辑：只要一个大厂花钱了，让大家感觉它在努力，就会被列入这类故事里面。
曲凯
也要看它有没有进展。
莫傑麟
讲到这个点，我也回想起来，这跟移动互联网的估值体系差了很多。
当时我们看移动互联网，还是需要所谓 PMF 数据的验证。现在整个商业和投资研究能力已经变成：你招了什么人，我会验证这个人有没有实际工程经验、有没有实际记录，从而提高对你能不能交付好东西的置信度。
你是不是在正确路径上，大家也会给你希望。只要基础业务足够健康，今年美国是 Meta，中国是腾讯，其实都在验证这一点。
这客观上也反映出两件事。第一，技术发展确实很重要；第二，大家的投研和商业研究能力变强了很多。
现在已经不局限于只看数字、竞争、market share、retention，大家会提前预判：这个技术重不重要？你的技术执行力怎么样？你的 vision 是不是正确？
所以从投资这个行业的角度来看，我觉得这会是这个周期里一个很大的变化。
曲凯
讲一些更宏观的。A 股到底是不是牛市？或者说，这一波机会大概该怎么判断？
莫傑麟
8. 股市开始寻找新赢家
这个问题我相信所有人讲都会打脸。二级市场其实是预期的投射，这个预期不管是悲观还是乐观。
比如为什么科技对美国很重要？因为科技代表一种长存的预期，而且科技的毛利率很高。
我记得是 2024 年 1 月录制“乐观”那一期播客。当时整个中国资产已经把很多悲观预期计入了。我们当时提到一个点，现在回想起来还挺有意思：在很多人悲观预期的情况下，大家也没有躺平。尤其在我们周围的创业者，或者大公司负责人手上，我们没有看到这个迹象。
过了两年到今天，我观察到的变化是，他们找到了一些事情，能够做得比全世界其他团队更好。
这不只是 AI 领域。比如今年的泡泡玛特、中国生物制药，我觉得这是跟当时录制“我们应该尝试着乐观一点”那一期播客最大的变化。
当时只是预期，只是积极向上，只是扎扎实实做产业；现在已经变成，我真的有一些东西能做得特别好。
AI 里面大家最熟悉的肯定就是 DeepSeek，还有 Miners，还有 JazzMark 这些公司。
我们来讲牛市的几个要素。第一个要素，我觉得一定要有一批优质公司，能够持续输出业绩。这个条件从去年开始其实一直具备，从小米那批公司开始。
第二个要素是大家的风险偏好要提高。风险偏好怎么提高？其实来自正反馈：我在市场里面赚到了钱。
曲凯
对，你发过那张图，拄拐去开户就是一个体现。
莫傑麟
对。在这个点上我也在学习。曲老师，你有没有发现一件事？我们刚才提到，美国今年在关税时期跌得很狠，但回来得也非常快。这一波波动里，一个很重要的群体其实是散户。
现在的散户跟原来的散户首先不同。它拥有的投研工具，包括富途这类 App，在美国就是 Robinhood，它们做得非常好。散户能够拿到的投研和信息内容，跟上一个牛市时大家能拿到的信息已经完全不一样了，再加上专业媒体、专业 KOL 发的内容。
第二个点，我们不讨论散户对基本面的判断是否正确，这见仁见智。但散户对于牛市行情的重要性，我觉得非常值得研究。
散户当然会更团结，对一个东西的喜好也会更加坚定。但你看投资机构，尤其美国现在最优秀的投资机构，很多都是平台类资管。它们有一个很重要的特点，就是周转特别快，靠周转获取收益的 alpha。
如果从牛市的基本行情来看，假设一个市场里全是高周转资金，或者全是量化，形成牛市的难度从逻辑上讲反而更高，因为大家的资金都在博弈。
散户则不一样。美国这边我印象最深的，散户支持的公司最早是 Tesla，后来演变成这两年最核心的 AI 公司 Palantir。
我对一家公司的认知，不会因为过了一个星期就改变。比如我们俩聊完之后，我不会突然觉得 Palantir 不行了，要卖掉。在散户群体里，尤其是现在高学历散户群体里，很难出现这种局面，大家很有 conviction。
曲凯
但你这个点，跟大家原本认知里的很多东西好像正好相反。
大家的第一反应是，美国机构投资者占比最高，跟国内正好不一样。所以很多人说，国内散户占比太高，美国机构投资者多。我们总说要引入长线投资，长线资金买了以后会放着，减少波动。
但听你讲，好像反而是反过来的。
莫傑麟
因为这两年的二级市场跟以前完全不同。
首先从资金结构来说，美股现在资金结构有一大半来自量化和平台资金，这些资金都属于博弈型或跟随型资金。所谓的长钱仍然占很大比例，但特点是基本不动，周转周期非常慢。
我们现在看到市场剧烈波动，一方面是平台或量化机构贡献的；剩下可能有 20% 到 30% 是散户。
但我刚才提到，在波动型资金或博弈型资金里，可能有 60% 到 70% 是跟随性的，并不团结。什么叫不团结？我会一直关注：你买这个公司的预期是什么？如果你的预期是错的，我要跟你做一个反向交易。
它是博弈型资金，但散户通常不会过多做这种博弈性动作。
所以从交易结构来说，你的问题是对的：长钱或者大钱仍然占有绝对主导地位，但它们交易频率太低，引发不了市场在 6 到 12 个月周期内剧烈波动。
真正交易的钱里面，可能有一大半并不团结，互相之间在博弈，机器在做跟随。打引号的“散户群体”就非常有意思。
这两年我们周围也有很多做一级市场的朋友开始做二级市场。大家这几年都有正反馈。如果我因为看好英伟达、看好特斯拉，并且赚到了钱，就会形成自己的投研或投资体系。这件事，我觉得在长牛市场里非常重要。
以前很多散户如果做 A 股，A 股从历史上看，通常是牛市相对短、熊市相对长的资金市场。这意味着个人投资者很难完整建立投资反馈系统。比如他刚好做对了一些事情，但市场很快就没了。
美股则是熊市相对短、牛市相对长的市场。也就是说，我真的多了解特斯拉，我对这家公司的了解能不能转化成投资策略，并且从中获得正反馈信号，去做下一笔投资或下一笔交易？
在一个长牛为主的市场里，这几年很多中国散户和个人投资者也开始去看美股。这个投资体系的形成非常夸张，所以我最近也专门研究这个课题：这次美股从关税之后到现在，散户的活跃情况、他们对股票的挑选，是一个非常值得借鉴的过程。
我想跟你分享一家公司的例子，就是 Palantir。我们最早觉得 Palantir 很好，纯粹是因为订单。当时我们觉得，在美国企业端 AI 应用里，Palantir 是一个绝对受益的角色，因为它的商业模式和团队都很好。
发展到今天，Palantir 做咨询落地、做 AI 落地的很多组织模式和产品交付模式，已经在美国很多企业端推广。大家觉得它内部的组件模式是 OK 的，也会去学习它 AI stack 的系统。
所以你看，它是一个主要由散户推动起来的公司，现在已经推到接近 100 倍、甚至 200 倍 PE，但这家公司是有基本面的。因此，研究散户很重要。
回到你的问题，A 股会不会是牛市？我自己会倾向于相对乐观一点。但中间有一个很重要的变量，就是中国个人投资者会怎么应对这件事。
我觉得有一个很有意思的点：上一批老股民平均股龄可能都有 20 年，他们怎么理解这个事情？他们哪怕不炒美股，也会从美股里看到一些经验。怎么把这些经验移植到 A 股、中国科技资产里面？我觉得这是一个非常有意思、也正在研究的课题。
曲凯
这段很有意思。
在美股上，我们看到 AI 表现很好，基本都是那几只大票。过去两年基本都是这样。未来你觉得会有什么变化？
莫傑麟
我们把模型、把卡这些层面都叫英特尔。我觉得市场尝试在做一件事情，就一直在从英特尔去切软件。因为这是大家共同的记忆：英特尔好了之后，应该产生一个大牛股，来自软件应用行业。
但过去两年很巧的是，这个代表角色一直被 Palantir 占据。它切软件这个一直其实没太切过来，因为大家发现还是英特尔公司有数据、有 demo，然后有人才，所以一直在炒英特尔。
最多是大家看完英伟达之后，去看它的产业链，不管在中国还是海外；再去看看 ASIC，看看英伟达投资的主体像 Cove，或者更便宜的芯片解决方案，比如 AMD。
过去两年一大半交易热情都在这边。但今年出现了一些很有意思的应用公司，我可以随便讲几个，大家也可以去看一看。
第一家公司叫 Reddit。如果你现在使用 ChatGPT，ChatGPT 高频使用 Reddit 的数据。它有点像美国的知乎、B 站加小红书，而且没有被过度商业化。
大家非常认可它的社区数据质量，所以也经常让我思考：如果知乎、小红书有很强的 AI 团队，它们做 AI 产品会变成什么样？
现在 Reddit 跟 OpenAI 合作非常紧密，所以我觉得 Reddit 是一个很有意思的公司，也是我觉得中国投资者会有研究优势的公司。
第二个很有意思的公司是 ServiceNow。
曲凯
国内知道 ServiceNow 的人可能少一些，可以多解释一下。
莫傑麟
ServiceNow 最早是帮企业做 workflow。它先以咨询模式看你的工作流里哪些东西能够固化成系统。我理解它有点像半咨询、半交付的团队，最终还是以软件方式交付。
但这个工作非常辛苦。最早 Salesforce 的增量会更快一些，是因为它卖 CRM，而 CRM 每家公司都有需求，产品相对简单，主要比拼销售能力和渠道能力。
ServiceNow 则呈现出先慢后快的角色。因为它帮助很多企业，尤其是 Fortune 500 客户，做 workflow 产品。
后来出现了一个场景：我做 workflow 的时候，里面出现了一个数据软件，你能不能也帮我做？里面出现了一个 CRM 软件，你能不能也帮我做？
所以 ServiceNow 从 2023 年开始，从 workflow 软件延伸到其他软件，开始做 SaaS 里大家最喜欢的加购逻辑。
它有点像解决方案提供商：从解决方案交付到产品，最后占有管理层心智。这家公司的交付能力、工程能力都非常强。
国内现在也有一些创始人在尝试做美国企业端客户，他们最应该研究的公司其实就是 ServiceNow。
第三家非常有意思的公司，是刚刚上市的 Figma。
曲凯
我本来就觉得应该有这一家。
莫傑麟
当时国内研究 SaaS 的时候，我们非常热衷于研究 PLG 公司，包括 Figma、Notion。它刚好契合华裔创业者的一些优势，就是做增长、找增长点。
曲凯
有点像现在大家讲的 consumer。
莫傑麟
对。现在 AI 里面那批公司几乎都是 AI winner，包括 Notion，没有人会把它们定义成 AI loser。
Figma 这家公司非常有意思，大家对它的评价很两极。一类评价觉得，这家公司就是设计公司，它在产品和技术上的很多思维存在障碍，或者说不够先进。
这两年我也看到国内有很多做设计场景的创业公司。大家会觉得，会不会有更原生的 AI 公司把它们的场景做掉？甚至以后 ChatGPT 腾出手来，或者通用 agent 出来，也可能把这件事做掉。
但我觉得这件事要分开看。还是回到我刚才讲的应用逻辑：当 validation 并不是完全泛化的 validation 时，任何一个应用一定存在一个 context layer。
这个 context layer 里面一定有两个角色：一个是使用者是谁，另一个是产品交付做什么。
Figma 的产品交付场景有一个很大的需求，就是设计师不在同一家公司工作。它当时的设计能力已经迭代到模板这一步了，核心讲的其实是协作。
所以在这个点上，它对 AI 的挖掘，尤其是偏艺术性的部分，我觉得非常值得关注。
我们不能完全假设 AI 是一个纯泛化型的东西。它在某些事情上肯定离 AGI 很近，比如 coding，可能两三年基本就是一个 full-agentic 的东西；但在设计这种场景，我还是看不到。
Figma 怎么在协作场景和设计师环境里找到 PMF，非常值得研究。最近 Jasper 也出了设计端产品，国内外也有一些创业公司在做，但我觉得 Figma 的场景优势非常值得期待。
这里面更值得期待的是，它不算老公司，算是中生代公司。中生代公司怎么 adopt AI？相比完全新的公司，它最大的优势是有场景、有资源，尤其现在上市后有大约 400 亿美元估值。
我为什么讲估值？因为比较容易招人。如果它能做出东西来，我们是不是可以想象，其他几百亿美元的公司，中国一两百亿美元、几十亿美元的公司，也能找到一条 adopt AI 的路径？
主要就是这三家。
曲凯
当然还有很多应用公司，我们现在也都在研究。比如 Duolingo 也是老生常谈了，从 AI loser 变成 AI winner，最近又变成 loser 了。
快速说一句，它为什么最近又变成 loser？
莫傑麟
我觉得很大原因是 ChatGPT 的整体使用量，包括它的语音接口做得很好。
Duolingo 在数据上稍微有一些瓶颈。它想像 YouTube 一样推全家方案，但那个数据没有大家想象得那么好。
曲凯
二级市场基本就这些，我觉得已经聊得非常全了。美国一级市场呢，你有关注哪些东西吗？
莫傑麟
9. 一级市场重估创始人
我觉得美国一级市场最重要的一个话题，第一就是模型公司的估值越来越夸张。
今年大家可能稍微没有那么熟悉，但其实也很熟悉的公司，就是 Thinking Machines Lab。一上来就是一个上百亿的估值，还有全明星团队。
我认为这还是往前进了一步。虽然肯定有泡沫，但往前进的这一步是什么？就是投资人更加 founder-driven 了。
至少在美国，尤其是模型产业，投资人对创始人的重视程度明显提高。比如 Scale AI 被收购，也更加坚定了大家的信心。
曲凯
这里面我觉得可以补充一个视角。大家在国内看到美国很多新闻，首先很多是二手信息；其次很多只是一个结果，大家不知道里面复杂的过程。
包括有些 deal，我觉得美国和国内有时候也有类似的地方，里面有各种攒局的人、各种可能的交易，背后还有其他目的。大家不能只看一个结果，就得出结论。
比如大家看到 Meta 说一亿美元招人，但这一亿美元到底实际是多少，deal 是怎么谈的，最后能不能拿到手，里面其实有很多复杂细节。
莫傑麟
非常复杂。除了交易条款之外，还有更大的背景。
回到 AI 这个问题，我觉得最重要的是 AI 的个体性很强。什么叫个体性很强？我们内部把它叫作“百分之一”。百分之一不一定是优秀，它可能是特别。
比如小红，我们当时聊过，她就很特别。
现在美国整个一级市场融资，一句话来说，对于特别的人，估值给得非常夸张。比如大家都是做 AI 预训练的，但训练规模的量级、训练过的模型，都会造成非常大的差异。
至少在我十几年的从业周期里，从来没有看到过第二梯队和第一梯队之间有这么大的估值差异。
除了 AI 行业，其他很多公司的融资其实并不顺利，这是另一个差异。
最近因为 S RAPID 在 CLOSE 新一轮的融资，很多人在提示这里面的风险。像 S RAPID 和 OPEN AI 这几年的融资过程当中，其实有很多个人投资者的钱。一方面大家提示，SPV 交易因为层层嵌套，可能存在一定交易架构问题。
但我看到的另一个方面是，我周围有很多朋友，尤其是工程师朋友，都在投这两家公司一级市场的股份。事实证明，他们从投资能力上也赚了很多钱。
整体来说，这就是一个正反馈。所以大家为什么继续愿意在上百亿美元规模去投 Think Company？因为大家看到，在 xAI、OpenAI 身上，有很多人通过投二手份额赚到了钱。
像 Scale AI，大家会看到，只要参与到这个行业里，变成核心角色，Meta 需要我，我就能够通过并购卖出这么多钱。这就是美国一级市场的正反馈。
曲凯
我也想听你聊一下，你觉得今年国内融资环境是不是也接近美国这种比较慷慨的局面？
莫傑麟
我觉得你刚才讲的二级市场反馈闭环特别好，这是我之前没想到的。
A 股确实没有长牛，那就很难建立反馈闭环。大家建立的可能是猥琐发育，或者竞合关系的反馈闭环。
美国一级市场比国内一个最好的地方，就是它有一个非常好的生态。所谓生态其实就是一个闭环，只有有生态，里面才能出现各种各样的闭环。
国内其实没有一个很好的生态，变成有点像单点击破的形态。最终就是几家公司拿到最多的钱、赚到最多的钱，几家投到这些公司的机构赚到最多的钱。
最近一两年国内一级市场有几个变化。第一，不可否认，整个市场在往下走。这两年肯定有跌宕起伏，比如今年上半年可能比去年好一点，但把这两三年作为一个整体，跟前五年、前十年相比，肯定是往下走的状态。
它越来越像一个职能型部门，不再是一个驱动增长、带来巨大增量的事情，而是一个职能部门。你知道，不管哪个国家，都一定需要一级市场，需要新的创业公司出来。我觉得这是一个变化。
另外一个变化是两极分化越来越严重。大家可能会觉得，今年一级市场特别好，AI 特别火，大家都在讲 AI，有 Manus 和很多公司拿了很多钱。
但从绝对数量来讲，我觉得跟往年没有本质区别。国内今年 AI 的热度，我觉得可能是去年的十倍，我觉得完全合理，因为 DeepSeek、Midas 把它带起来了。
但实际投资数量没有多 10 倍，只是那些公司拿到的钱可能是去年的 10 倍。最终的结果就是两极分化：大家仍然想投最好的团队、最好的公司，而且这个趋势目前看还在继续。
曲凯
我有个比较好奇的问题。你记不记得，2023 年好像是在你家，当时你让我给一些刚开始在国内做模型创业的 founder 做分享？
莫傑麟
你来蹭我们的分享。
曲凯
对，就是张月光、曹越、小红，好多人都在。你跟他们接触这么久，有没有一些可以分享的？比如你觉得他们看到的 AI 现在景气度怎么样，觉得这是多大的事情，最大的困难是什么？
莫傑麟
你说我们接触的创业者？整体来说，我觉得大家状态其实差不多。
首先肯定是越来越相信这件事，因为它一直在往前走。这是一个大的前提。
大家遇到的问题，我觉得跟模型的竞合始终有关：怎样更好地利用模型技术做出更好的产品，反过来又不在模型主干道上被模型吃掉。
另外就是资本市场和用户市场上的一些纠结。大家也知道，现在很多公司首选还是做出海市场，因为海外付费能力更强、付费意愿更强，海外的钱也更多一点。这些至少目前还是问题。
但我想强调一个点：现在很多人都觉得国内市场没法做，我觉得如果你真正理解这件事，国内市场是可以做的。
为什么？因为大家很多时候容易下感性判断，听到一些观点就觉得国内做不了。但如果真正拆开来看，为什么能做、为什么不能做，就会发现不同的答案。
比如做海外市场，是因为海外的人付费能力强，AI 成本高，只有做海外才能 cover 成本。或者说 AI 成本高，不能做大 DAU 产品，还包括融资环境。
但你真正想一下，国内未来 token 成本是不是能下降到几乎为零？我觉得可以。到那个时候，你是不是就不需要担心这些问题了？
那是不是又能走一遍移动互联网时期的路径？又可以做大 DAU 产品，又可以靠广告赚钱，或者做社交产品？
所以我觉得中长期来看，国内市场仍然有机会。只是在当前这个阶段，大家可能先从海外市场去做。
曲凯
另外一个话题我觉得刚才讲得挺有意思，也是关于一级市场的。
从去年到今天有一个词特别火，叫 vibe coding。我这两天看 Jasper 在旧金山很多地方的广告，叫 vibe working。
随着 vibe coding，我周围有一些原来做了很久 VC 的人在做 incubator 或加速器。今年也有很多人加入。大家的逻辑是，coding 变得越来越便宜，更容易在早期用更低成本验证 PMF。
你觉得国内现在大家在投这些公司吗？俗称就是一个人的公司、两个人的公司。
莫傑麟
有很多人在做这样的事情，国内也有人在支持独立开发者。
我的观点可能跟大多数人有点不一样。我觉得未来公司的效率是不是会更高？我觉得是。需要的人是不是会更少？我觉得也是。
但这来自非常新的组织结构，是用来应对 AI 这一波变化的。结果可能是效率更高、人更少，或者更少的人做更多的事情。
但这是不是一定会带来一人公司或几人公司？我觉得这跟我们刚才讨论国内市场有没有机会、是不是只能做出海类似。大家容易纠结于概念：到底是不是一人公司又怎样？
如果两个人能把事情做得更好，为什么一定要一个人？本质上还是性价比的问题。
另外，大家经常看到新闻说美国这边有一个人一年赚几百万美元，但国内很少。我觉得有几个原因。
一个还是生态的问题，美国生态确实好，它能赚的钱更多。另一个原因可能被大家忽略：我们经常看到国内典型的独立开发者有非常强的工程和 coding 能力，但商业经验相对少。
曲凯
我之前还有一个问题。现在文字时代占据了太多流量和重要性，大家推送时都看标题。
但我们在复盘整个 token 消耗量时，感觉到今天视频对于 token 消耗的增速非常快。如果把曲线画出来，视频一直在文字上面很多，增速肯定更快。
但看绝对数量的话，文字是不是仍然很多？所以我们一直在找，到底哪些应用在贡献这个增速。大家熟知的肯定有可灵这样的工具。你还看到什么有意思的应用吗？
莫傑麟
10. 多模态接棒 Agent
我们年初做过一篇复盘总结和今年展望，里面很明确地讲了两个点：agent 和多模态。我觉得到目前为止仍然是非常正确的。
Agent 那一波已经过去了，下一波我们觉得就是多模态。多模态里面最主要的一部分当然是视频。
截止到今天，大家做 AI 视频大多还是特效、剪辑，包括你讲的增速比较快的方向，或者图片转视频。但我们觉得这些方向不算真正意义上的多模态 native，更像是多模态阶段的 C 端 AI。
我们在等的是，当 V three 这样的模型做得更好、成本更低时，会不会出现一个类似 Manus 的多模态产品。
它可能是一个更加多模态 native 的内容社区产品，也可能是所谓的多模态推理产品，还有可能是更像世界模型的探索。
我们在等那个时间点出现。我觉得那个时间点出现以后，就会像今年年初的 Manus 一样，再带起半年甚至更久的一波浪潮。
当下在 agent 之后，整个市场其实处在一个相对冷静期，大家都在等一个更新的东西出来。
曲凯
所以我们今天已经聊得很长了，聊了很多国内外 AI 一级市场、二级市场相关的内容。
基于这些认知，你们未来一段时间的规划是什么？
莫傑麟
我们比较兴奋的点是，我们想从 AI 的研究者变成用 AI 来帮助投资的人。投资这个行业底层就是生产力和 documentation，因为它是由一堆文字材料组成的。
所以我们内部已经在组建新的团队，把研究跟 AI 做更多结合。但这些事情目前是在服务自身投资的过程中进行的。
我们起了一个偏开源的名字，叫 What If。它的逻辑是，让更多过去因为投研能力达不到而被忽略的认知，更好地加入整个投研过程。
我们也会定期做一些讨论活动。不管是大厂的 researcher、工程师、CXO，还是投资方面有新体系、新理论的朋友，我们都会定期进行讨论。如果大家有兴趣，也可以参与报名。
但我们目前的运营能力非常有限，上限可能还是控制在 100 个人以内。
曲凯
好，那我们今天就到这。谢谢莫傑麟。
莫傑麟
好，感谢。