硅谷坐标 x FundaAI周默：四大科技公司财报后的AI产业深度观察

曹卿云

2026 年，亚马逊、谷歌、Meta 和微软这 4 家科技巨头合计资本支出超过 6,300 亿美元。这个数字占 GDP 的比例，接近 20 世纪所有重大基础设施项目的总和。

更直观的是另一组数字：这 4 家公司的资本开支占运营现金流的比例，从 2023 年的 40% 上升到 2025 年的 65%，一直到 2026 年预计接近 90%。正如管理层所说：“Every sign that we're seeing in our own work and across the industry gives us confidence in this investment.”

We are compute constrained in the near term and as an example our cloud revenue would have been higher if we were able to meet the demand。

亚马逊最极端，过去 12 个月的自由现金流已经从 380 亿美元跌到 12 亿美元，资本开支把自由现金流几乎全吃掉了。这笔钱到底怎么赚回来？

今天我们请到的嘉宾是风达 AI 的创始人周默，一起聊聊如何思考科技大厂资本开支和 AI 收入。周默，欢迎来到《硅谷坐标》。

1. Big Tech Trails Nvidia

4 月底，几家硅谷科技大厂刚刚发布了新一季度的财报，几家大厂的资本开支和 AI 收入仍然是所有人最关注的焦点。那么今天在聊财报之前，我想先跟你聊一聊几家大厂过去一段时间的股价表现。

我们知道，在过去两年，英伟达的股价可能已经涨了几倍，但是大型科技公司的表现就远远没有那么亮眼。同样都是在做 AI，市场的定价为什么这么不一样？

这是个很好的问题。其实从去年 7 月之前，这几家大型科技公司还是能够跟上半导体的涨幅的，至少从趋势上看是很一致的。但是从 7 月之后，其实出现了一个明显的分界线，就是大家要开始计算 2026 年的资本开支。

把 2026 年的资本开支算进去以后，你就会发现，到了 2026 年，这些公司的现金流已经几乎没有了。现金流减少，会明显影响市场对这些公司长期现金流的估值，所以你对它的收入要求就更高，需要看到明显的收入加速。

但是如果你看典型的公有云，像微软和 AWS，它们去年下半年的加速其实不是很明显。AWS 到今年一季度才出现比较明显的加速，所以就跑不赢其他半导体公司了。

另外一点是，这一轮的 Alpha 主要都在各种各样的半导体上下游公司。但是过去投资人分配给半导体的份额还比较小，大部分份额都分配给了这些大型科技公司。半导体的比重提高以后，就要减少对大科技公司的配置。

所以，一方面是基本面的原因，另一方面是资产配置的原因，最终造成了大型科技公司的表现比半导体差。

曹卿云

2. Models Capture Distribution

我们从产业经济学的角度来看，利润率最高的地方，往往就是资源最稀缺的地方。我们看到英伟达的毛利率达到 70% 多，云计算中心的经营利润率大概在 35% 到 45% 之间，模型公司的毛利率则是从去年的 30% 到 40%，今年可能还会有所上升。

现在最稀缺的明明是芯片层，但估值最高的却是模型公司。这个矛盾应该怎么理解？

如果你是用市盈率的角度去看这些模型公司，它们都很贵；但如果从远期的角度来看，其实没有那么贵。

比如说，Anthropic 到 4 月底可能已经接近 450 亿美元的年化收入，到年底可能就是一家年化收入 1,000 亿美元的公司。昨天刚传出来的 9,000 亿美元估值，差不多相当于到年底年化收入的 9 倍。

如果你假设它以后能够做到 20% 到 30% 的利润率，差不多也就是 30 倍市盈率。你看这些大型科技公司，在过去很长时间也差不多是这个市盈率。软件公司可以对标微软，微软常年一般都在 35 倍估值左右。所以往远期来看，它没有那么贵。

另外，什么样的公司能够拥有这样的估值，也要看它的议价能力，以及它在整个产业里面的稀缺程度。

毫无疑问，从上云的 SaaS 时代，也就是从 2015 年到 2021 年，公有云公司都享有很高的估值，大家也都喜欢这种轻资产的运营模式。你可以躺着赚钱。

公有云公司有很高估值的时候，它的特点是什么？就是它在分发所有的 SaaS 流量。虽然我卖 CPU 租赁，可能是一个 40% 多毛利率的生意，但是我还卖软件、卖数据库，所以合起来我就变成了一个 60% 多毛利率的生意。

而且所有的软件都要通过我这里分发，所以我其实是整个软件行业的入口。

但是到了现在，这个入口的关系有点变了，模型公司有点像之前的公有云。如果你通过模型公司，通过 Vertex AI 去买 API，而不是直接通过 Azure AI Foundry 去买 API，那么你其实不太关心这个 API 背后到底运行在哪个云上。

所以，云公司原来直接对接客户终端、议价能力很强的角色，现在变成了模型公司的下游。模型公司以后拥有分发权，它的议价能力就会更强，也就变得更加稀缺了。

其实这个现象在今年越来越明显。

曹卿云

3. The Capex Arms Race

你是怎么理解这一轮资本开支持续增加的逻辑的？它是真实需求在拉动，还是更接近没有人敢停下来，大家都在进行军备竞赛，形成了一种囚徒困境？

资本支出这个故事，从 2024 年底到现在，已经经过了好几轮变化。

2024 年底的时候，大家担心的是数据不够，担心模型不能被泛化。当时这确实是一个真实问题，所以才出现了 1 月份的 DeepSeek moment。

到了去年 2 月、3 月，大家看到了推理量迅速起来，于是就不太担心短期商业化了。再往后，强化学习跑通了，mid-training 跑通了，post-training 跑通了，前面的数据标注体系也跑通了。

这套标注体系成为了一个完整的生态，强化学习不再缺数据。所以到了去年年底，模型公司可以把一半以上的算力分配到强化学习上，强化学习就成了新的、需要大量算力的增长点。这个趋势一直延续到现在。

只不过这一轮有一个比较大的变化。如果我们看最近 3 个月，之前大家可能会担心，模型公司的体量上去以后，年化收入会降速。但是过去 3 个月最大的差别是，当这些 Frontier Lab 的收入体量上去以后，增速不但没有下降，反而还在加速。

以增长最快的 Anthropic 为例，过去几个月它基本上每个月都有 50% 的年化收入环比增长。你可以说 OpenAI 和 Gemini 稍微慢一点，但 OpenAI 和 Gemini 还有接近 50% 的季度环比增长，而且它们的体量已经比去年大很多了。

所以现在变成了体量越大，增速越快。第一季度对此有非常明显的反应。你的需求越强，供需关系就越紧张。

衡量供需关系的时候，我们要看资本开支，或者反映到云需求上，看看到底是供过于求还是供不应求。现在很明显，有很多前置指标可以看这个问题。

你可以看 GPU 租赁合同的交付周期。这个交付周期是在变长的。交付周期指的是，从你签下合同到真正能够用上 GPU，大概要多长时间。

你也可以看 GPU 的单价，来反映供需变化。GPU 的单价分成几种：长期合同、短期合同和现货价格。

在今年一季度之前，过去一年长期合同的价格大概每个月都会下降 0.05 到 0.10 美元。但是这个趋势从去年 12 月开始反转了。今年无论是现货价格还是 GPU 合同价格，都在上涨。

价格上涨很明显说明需求很多。原因其实也很简单。你可以把 GPU 租赁想象成一个大的池子。

之前，签长期合同的客户最多占整个池子的 90%，这是 2024 年的情况。随着 GPU 数量越来越多，长期合同的占比会慢慢下降，可能从 90% 降到 80%，但仍然比 CPU 租赁的长期合同占比高。租 CPU 的时候，长期合同可能占 60%，短期合同占 40%。

但这个趋势反转以后，情况就变成了：大型 Frontier Lab 下了更多订单，锁定了更多长期合同。因为强化学习和 coding 的需求，它们签了更多长期合同。

长期合同增加以后，长期合同在整个池子中的比重就会从 80% 逐渐往上涨，留给短期合同的比重就会变小。

短期合同是最有弹性的，也是最能反映短期供需的。就像五一出去住酒店，酒店价格会涨很多。短期合同的价格就有点像酒店价格，所以短期合同价格的反弹会非常明显。

这就造成了一季度整体 GPU 价格上涨，供不应求的现象特别明显。

再加上存储价格上涨。存储价格为什么会对这一季度的资本开支产生非常明显的影响？因为这批公有云公司普遍会在 3 月中旬到 4 月下旬，和存储公司谈长期协议。签长期协议，就是要锁定后面几个季度甚至后面 3 年的底价。

锁定底价以后，这次存储价格的上涨就不是一次性的，它会反映到后面几个季度的变化中。因为存储的底价上涨了，云公司就得一次性调整后面几个季度的资本开支。

而且这件事可能还没有调整完。现在锁定的是底价，并没有锁定价格上涨的趋势。后面如果价格继续上涨，资本开支还要继续上调。

曹卿云

现在 GPU 和内存价格的上涨，占到整个资本开支上涨的比例大概是多少？未来这个趋势还会越来越大吗？

两边都有，但这个季度最直接的影响是存储价格上涨。因为这个季度大家统一签长期协议，后面几个季度都要调整底价。

往后看，Frontier Lab 的需求也仍然是供不应求。比如你可以看现在 Anthropic 的需求。如果你直接调用 Anthropic 的 API，速度特别慢；如果你通过 AWS Bedrock 调用 Anthropic API，速度可能会快一点，但可能也会经常出现各种各样的问题。

你很明显能够看出来，现在 Anthropic 处于严重的供给约束状态。

如果你再看 Frontier Lab 明年更加激进的数据中心计划，明年的资本开支肯定还要上调。

曹卿云

如果把资本开支上涨拆分成两部分，你会怎么分？有多少来自通胀和内存价格上涨，有多少来自需求扩张？

如果看这个季度，绝大部分来自通胀；越往后，需求的影响就越大。

曹卿云

4. Custom Chips Shift Profits

现在我们知道，这 4 家公司都在做自己的自研芯片，包括亚马逊的 Trainium、谷歌的 TPU、微软的 Maia 和 Meta 的 MTIA。它们的目标都是一样的：想把推理负载从英伟达迁移到自研芯片，把原来付给英伟达的钱留在自己的利润里面。

亚马逊 CEO 安迪·贾西这次在财报里也说了一句话，我印象很深刻。他说，Trainium 每年能够为亚马逊节省数百亿美元的资本开支，同时也能够提供数百个基点的运营利润率优势。

这对整个 AI 产业链的利润分配意味着什么？以后谁的蛋糕会变小，谁的蛋糕会变大？

这是一个很好的问题。但是亚马逊在这个季度有一点特殊，因为 Trainium 这张芯片去年其实给很多客户打了比较深的折扣。

Trainium 最主要的客户就是亚马逊自己和 Anthropic。但是今年一季度是一个很特别的季度，所有 hyperscaler 都处在过去一年议价能力最强、供不应求最严重的阶段。

所以 Trainium 这个业务就从原来对外部客户需要打低价，变成了现在在 Anthropic 那里也供不应求。AWS Bare Metal 下面部署的 Trainium 2 也供不应求。

因此，Trainium 从原来一个不太产生利润的业务，变成了这个季度产生很多增量利润的业务。

但如果从整个云体系来讲，今年如果想做出很好的云业务业绩，你需要同时具备两件事。

第一，你要有云 API。无论是 Claude Code 还是 OpenAI Codex，API 都能给你带来收入加速。第二，如果你有 ASIC，就能保证更高的利润率。

以谷歌为例，它做 TPU 的毛利率就比做 GPU 的毛利率高。所以从企业角度来看，ASIC 可以保证毛利率，也可以保证它对客户和芯片供应链，包括电力等方面的议价能力。

从另一个角度来讲，现在优秀的云公司，硬件公司的属性也很强。比如安迪·贾西特别喜欢讲 Graviton。Graviton 在整个云行业是一个非常重要、具有划时代意义的事件，也是不断强化 AWS 过去几年生态位的事件。

如果把时间往前调，大概在 2021 年 Graviton 2 大规模推出的时候，你可能会记得，很多 SaaS 公司纷纷调整了收入预期和成本预期，就是因为 AWS 大规模使用了 Graviton 2。

Graviton 2 对亚马逊的帮助非常大。假设它有 30% 的性价比提升，亚马逊把其中 20% 传导给客户，那么客户就会愿意使用 Graviton 2，而不是 x86。

客户享受了 20% 的性价比提升，亚马逊中间就能拿到 10% 的差价，这 10% 就变成了它的利润空间。它可以选择其中多少变成利润，多少变成竞争优势。

如果把这部分变成竞争优势，它就可以给 Graviton 降价。因为公有云的商业模式本质上是一个通缩模型。

在过去的 CPU 时代，你每年都要给 CPU 降价，也要给所有产品降价。降价是因为摩尔定律。但是如果你有自研芯片，就可以在降价的同时，仍然保证比竞争对手更高的利润率。

所以对公有云来说，做自研芯片在历史上一直非常有价值。AWS 过去就是靠这个起家的：靠单点最优，集中做硬件，在保持市场竞争力的同时获得市场份额。

到了这个时代，大家都想做 ASIC，但做 ASIC 肯定没有那么容易。你会遇到软件问题、库的问题，以及大量适配问题。

现在真正跑通的是 TPU。TPU 的很多适配问题，已经在谷歌和 Gemini 团队协作的过程中跑通了。所以当 Anthropic、Meta 去使用 TPU 的时候，就没有遇到那么多问题。

当然，Trainium 和 Anthropic 之间的沟通，肯定不如 TPU 和 Gemini 团队自己的沟通顺畅。但是对于所有云厂商来说，自研芯片都是一件必须做的事情。现在跑得最通的还是 TPU。

如果你去看产业链，TPU 产业链里很多都是和光相关的。我记得曹老师之前也做过一期光通信访谈。如果看那期访谈，会发现大部分 OCS 供应商其实都在 TPU 里面拿到了新的蛋糕。

曹卿云

5. AI Revenue Finds Its Ceiling

我们说完支出端，现在也来说说 AI 收入端。在聊具体数字之前，可不可以请你先帮我们理清 AI 收入这个概念？

因为“AI 收入”这个词，每家公司说的其实是完全不同的东西，也是一个比较有争议的话题。

每一家公司对 AI 收入的定义都非常不一样。

以微软为例，微软之前会披露一个数值，就是 AI 占它收入增长的多少个百分点。这里面包括很多场景，包括 GPU 租赁收入、帮助 OpenAI 销售 API 的收入，以及各种和 AI 相关的产品收入。

比如，如果它把某一项数据库产品 Fabric，甚至 Databricks 的第三方产品定义为 AI 相关产品，那么因为 AI 产生了新的增量，它也会把这部分定义到 AI 收入里面。

如果看亚马逊，亚马逊主要定义的是 AWS Bedrock 的收入。这个季度 AWS Bedrock 环比增长了 170%。Bedrock 里面的收入，很多是按服务分成获得的，因为 Anthropic 在 AWS 上销售 API 时，大部分都运行在 Bedrock 上。

除了 Bedrock，亚马逊还有一些芯片相关的 AI 收入，以及其他直接相关的 AI 服务收入。

谷歌没有特别披露一个明确的 AI 收入口径，但谷歌的体系其实也很清晰，包括 GPU 租赁收入、TPU 租赁收入、TPU 直接销售收入，以及 Gemini 的收入。

Gemini 的收入不是 100% 都在 GCP 体系里，大概有 70% 多会计入 GCP。除此之外，谷歌还有其他 AI 产品收入。

所以，谷歌的 AI 收入占比肯定是最高的，也反映在它的业务加速上，谷歌的 AI 业务加速是最明显的。

Meta 从来没有披露过 AI 占收入的口径。因为推荐算法对整体收入的贡献并不好界定。

其中一部分是算力提高以后，推荐算法模型复杂度提升带来的收入增量；一部分是 Frontier Model 在解码和编码上带来的增量；还有一部分可能来自变现端的增量。

所以很多时候你只能说，今年 AI 可能带来了几个百分点的影响，但很难量化到底有多少收入是 AI 带来的。

每家公司确实存在不小的差异。不过今年有一个比较明显的特点：从一季度开始，几家公有云 AI 收入的占比都开始加速了。

曹卿云

刚刚你说到 3 种 AI 收入路径。你觉得哪一种最可持续，天花板最高？

这里面有几种路径。一种是直接卖算力，另一种是在算力以外卖一些 AI 产品，比如 Office Copilot、Copilot Studio、Dynamics Copilot；还有一种是销售和推荐算法相关的增量收入。

如果看收入天花板，毫无疑问，公有云收入是最高的。

从模型公司角度来讲，现在它们基本上已经不做什么第一方数据中心了。OpenAI 之前有一个很大的第一方数据中心计划，但后来发现做第一方数据中心非常有挑战，所以大部分数据中心需求也转成了第三方租赁需求。

Anthropic 虽然有第一方数据中心，但它的第一方数据中心基本上是由 GCP 把整套 TPU、机柜和 OCS 放到它的数据中心里。现在可能唯一自己做第一方数据中心的模型公司是 xAI。

所以，大部分数据中心的需求都在公有云和新型云服务商那里。如果模型公司不自己承担数据中心需求，整个生态里收入最高的肯定是公有云。

但公有云的问题是，模型公司以后的议价能力会越来越强。比如 Anthropic 现在的议价能力就非常强，它既可以租用你的 TPU，也可以通过你的平台销售 API。

一季度，Anthropic 通过云销售的 API，可能有 80% 到 90% 是通过 AWS Bedrock 的。从去年四季度开始，它也通过 GCP Vertex AI 销售 API。到去年年底，它和 Azure 的部署也完成了。

从今年一季度开始，Anthropic 也通过 Azure AI Foundry 销售云 API。一季度 Azure AI Foundry 里面可能只有几个百分点的 API 和 Anthropic 有关，但到二季度，这个比重可能迅速提高到十几个百分点，甚至 20% 左右。

你会发现，Frontier Lab 也会希望通过不同云的渠道去销售 API。渠道越分散，它的议价能力就越强。

包括 Anthropic 现在接数据中心的条件也越来越苛刻。它要决定是和公有云签合同，还是和新型云服务商签合同。因为 Anthropic 已经成为世界上、或者可能是最大的算力需求方，所以它后面的合同条件也会越来越苛刻。

只不过，今年一季度和二季度供需特别不平衡，所以模型公司对云的议价能力会非常强。以后会不会一直这样，还不确定。

至于销售 Copilot、销售 Agent，这里面有一个问题：你很难证明自己做的 Agent 产品能比 Frontier Lab 做得更好。

这个问题在微软身上会非常明显。包括我们之前谈到的第一个问题：为什么微软从去年 7 月开始明显跑输半导体，明显跑输其他 AI 公司，甚至明显跑输其他 Mega Cap？

一个很大的原因是，虽然 Azure 占了微软接近 40% 的收入，但微软大部分利润还是由软件贡献的。Office 是全世界最大的软件产品，有 4 亿用户。无论从收入体量还是用户体量上看，它都是全世界最大的软件产品。

但是现在的趋势是，Claude Enterprise、Gemini Enterprise 都可以通过 Computer Use 调用 Office。甚至在多模态 PPT 输出方面，Office Copilot 的效果还不如 Gemini Enterprise。

所以从去年下半年开始，市场就在质疑：微软除了是一家云公司以外，还是全世界最大的软件公司。它是最软件的 Microsoft。于是大家也在质疑 Agent 和 Copilot 这套产品到底能不能跑赢 Frontier Lab。

大公司的工作方法和创业公司在 AI 领域的工作方法完全不一样。

我们可以数一数，从今年 1 月到现在发生了多少事情。原来产品迭代可能是两三个月一次大的版本，你觉得这符合 Office 的开发思路。但是现在，去年 12 月底，Claude 4.5 出来了；然后 Claude 4.6 出来了。

Claude 4.6 出来以后，大家开始大量使用 coding agent。因为 Claude 4.6 的复杂任务规划能力大幅提升，编程速度也加快了。

到了 3 月，Harness 出来了。以 Copilot 为例，Copilot 以前在调度层用了很多硬编码的 prompt engineering，但它也比不过 Harness 这样的产品。

所以，大型软件公司在 Agent 开发上本身就没有那么 native。创业公司可能一周就会做一次很大的迭代，但对一个大公司来说，3 周可能连 PPT 到汇报的流程都还没有走完。

所以从市场上来说，大家没有那么看好 Copilot 或者 Agent 产品在 Mega Cap 里面真正带来的收入贡献。

从微软的收入情况来看，Office 增速一直都是 14% 到 15%。偶尔可能有一个百分点的加速，但始终没有云业务那么强的爆发力。

作为对照，AWS 的收入增速从上个季度的 24% 变成这个季度的 28%，GCP 从上个季度的 48% 变成这个季度的 63%。云业务的增速远远超过 Office 的增速，甚至你还要担心 Office 可能会出现席位减少。

所以第二条收入路径，至少对于这些公司长期竞争优势的贡献，我觉得还没有那么明确。

推荐算法端在 2024 年和 2025 年是大家最喜欢的逻辑。它对广告公司的增量贡献是全局性的，可能贡献总收入的 2 到 3 个百分点。

云业务贡献的几个百分点，是对云收入的贡献，而且很多时候会拉低利润率。但是对于推荐算法公司来说，它贡献的收入对利润率是有帮助的。

你去买 GPU 的时候，实际上已经考虑到推荐算法的 ROI 了。Meta 买 GPU 时，也会考虑 GPU 和推荐算法 ROI 的关系。

但这里的问题是，推荐算法的贡献在整体收入中的比重会越来越小。一开始会有 low-hanging fruit，往下做的时候，就要不断扩大推荐算法模型的规模。

以前可能是 7 到 8 层，是一个金字塔结构；现在要变成十几层、二十几层，要把金字塔结构变成圆柱形结构。

这样投入会更多，但如果只带来一两个百分点的 ROI，在整个系统里面可能就没有以前那么明显了。无论是反映在利润率端，还是利润端，都会没有以前那么好看。

所以现在 3 种模式的角色其实也在互换。以前大家喜欢 AI 对广告收入的贡献，从今年开始，大家逐渐开始喜欢 AI 对云收入增速的贡献。

曹卿云

刚刚说到微软的 AI 年化收入有 370 亿美元，这也是本次财报季最大的 AI 收入数字之一。外界对这个数字也比较有争议：里面有多少是因为 AI 新产生的收入，有多少是原来就会发生的收入，只是换了一个 AI 标签？

你会怎么判断 AI 真实的货币化进度？

最重要的就是看增速。

Backlog 反映长期需求。如果有足够的供给，就能够把收入释放出来。我觉得这几家公司的 AI 收入确定性都很高，收入真实性也很高。

每家云公司的加速频率会不一样。比如 GCP 的加速频率肯定最高，有几个特点。

第一，Gemini 的收入大部分、70% 以上都记在 GCP 收入里面。相比之下，Anthropic 通过 AWS 销售的 API，首先 API 只是 Anthropic 收入的一部分；其次，销售的 API 里面可能只有 40% 的收入能够记入 AWS 的商业模式。

第二，GCP 的 TPU 规模最大。所以你能够看到 GCP 的加速非常明显。

如果你有 API 的年化收入，又有自己的芯片，对收入的帮助就会越大。

微软在这方面就不是特别占优势。第一个问题是，微软没有 TPU，也没有 Trainium 这样的芯片。它现在有 Maia 200，但 Maia 200 目前只能运行 GPT-4o 这样规模稍小的 GPT 模型。

和 coding 相关、和 Codex 相关，以及 GPT-5.2、GPT-5.3、GPT-5.4 相关的模型，目前都没有办法在 Maia 上运行。

第二个问题是，OpenAI 的 API 增长以前也不是 OpenAI 主要的增长点。OpenAI 主要靠产品获得收入，它和 Anthropic、Gemini 不一样。

所以，API 在 OpenAI 收入中的占比本来就没有那么高，增速也没有那么快，不像 Anthropic 在 AWS，或者 Gemini 在 GCP 那样有很强的爆发力。

因此，AI 收入增速和你的商业模式、销售 API 的角色，以及你如何看待自研芯片，都有很大关系。

曹卿云

6. Cloud Growth Needs Backlog

刚刚聊到了云业务持续加速。本季度谷歌云增速达到 63%，Azure 是 40%，AWS 是 28%。最直观的感受是，谷歌云加速最快。

但是从绝对值来看，AWS 新增的云收入实际上比谷歌整个季度新增的收入更多。亚马逊在财报里也提到，AWS 增速的上限是数据中心建设速度，而不是客户需求比另外两家云更慢。

此外，Bedrock 本季度处理的 token 数量，也超过了 2023 年上线以来的历史总和。我们应该怎么理解现在这几家云的格局？应该更多看增速百分比，还是看增量的绝对值？

肯定是看增速百分比更重要。或者你去看每个季度新增收入，也就是 incremental revenue 里面每家的占比，这个更重要。

这里面明显是 GCP 和 AWS 的新增收入量更大。

云的格局里还有一个领先指标，叫 RPO，也就是剩余履约义务。它是已经签好的合同，但还没有交付，也没有计入收入。

RPO 是领先收入 6 到 12 个月的指标，比当前增速更能说明未来。这次财报大家也看到了 RPO 的惊人增速。

曹卿云

对于这 3 家公司的积压合同，你觉得应该如何看待它们的意义和质量？

质量都很高，只不过口径上大家有一些差别。

比如看 backlog 的增长，GCP 的 backlog 增长肯定是最快的。其中一个很大的原因，是它开始直接销售 TPU。

直接销售 TPU 和租赁 TPU 有很大差别。如果租赁的 TPU 生命周期是 5 年，相当于每年确认五分之一的收入；但如果直接销售 TPU，TPU 一下就卖出去了。

当然，它可能采用的是净收入口径，要扣掉博通的成本。但无论如何，直接销售确认的 backlog 都比租赁确认的 backlog 大很多。

所以，GCP backlog 里面有很多是口径原因。其他两家公司则和口径没有太大关系，主要反映的是长期合同占比提高，以及长期合同金额越来越大。

曹卿云

微软的 RPO 里面有 45% 来自 OpenAI。你觉得这会是一个比较令人担心的话题吗？

这一直是大家比较担心的话题，特别是在 Azure 和 AWS 的语境里面，因为大家会觉得这不算高质量收入。

OpenAI 和 Anthropic 以后都会分散它们的云供应商。比如 OpenAI 在微软财报和谷歌财报发布前两天，和 Microsoft 更新了新的协议。

AWS 一季度出现一些容量问题，我理解也有可能是在等待 OpenAI。OpenAI 很早就希望能够上 AWS，但因为和微软的合作关系，一直到了 4 月才解决这个问题。

所以一季度留给 OpenAI 的容量，可能没有办法确认到收入里面。大家担心的是，未来这些模型公司的云份额会发生变化。今年在你这里，明年可能就会在别的地方。

如果因为接了很多大客户的量，导致毛利率下降，大家会更加担心。因为毛利率下降以后，大家会担心你在新的 GPU 场景里面，表现没有在 CPU 时代那么强；而且你的绝大部分收入又来自单一客户。

所以这会进一步导致市场担心你的利润率。这个担心确实很大。

但是整个市场其实也比较宽容。如果你的加速幅度很高，这种担心就没有那么大。最令人担心的是，你的加速幅度没有那么高，每个季度持平或者只加速一个百分点，但你的基数又增长很快，同时大客户占比还很高。

如果加速很快，其实问题就没有那么大。

曹卿云

7. Google Builds A TPU Moat

接下来我们来过一遍这几家大公司。首先看谷歌。谷歌这次的业绩非常亮眼，云利润率从大概 17% 一下跳到 30% 多，积压合同翻倍，第一方模型每分钟处理的 token 数也增长了很多。

对此你怎么看谷歌的护城河，以及 Gemini 对谷歌护城河的贡献？

Gemini 的模型训练思路，可能和原来的 OpenAI、Anthropic 稍微有些区别。谷歌很多优化是围绕 benchmark 来做的。

谷歌在 TPU 上有非常大的优势。在同等规模的 FLOPS 下，TPU 训练模型的成本可能只有 OpenAI 使用 GPU 训练成本的 20% 到 30%。

所以谷歌做模型时，同一代模型的规模可以做到 OpenAI 和 Anthropic 的 2 到 3 倍。但现在每一代模型的参数规模大概就是 3 倍。谷歌实际上是用下一代的参数规模，对比这一代 OpenAI 或 Anthropic 的模型。

所以在之前很多 benchmark，以及通用文本、预训练场景中，谷歌都能做得非常好。

但是到了 coding，模型需要大量强化学习和数据标注。谷歌去年在强化学习上的投入没有那么高，今年才开始大规模投入，所以 coding 能力可能还需要 3 到 6 个月的时间去补上。

因此，在 Gemini 年化收入上，GCP 的爆发没有 Anthropic 那么猛。但谷歌的好处是，Gemini 的收入几乎全是它自己的收入，放到 GCP 的基数里面就非常明显。

GCP 本来就比 AWS、Azure 小，Gemini 又能确认几乎全部收入，所以它对 GCP 收入的贡献就会很大，在谷歌的增速里也会非常明显。

我觉得 Gemini 贡献了本季度 GCP 大概 4 到 5 个百分点的收入加速。另外还有 TPU 租赁带来的加速，以及 TPU 直接销售带来的加速。

谷歌在 hyperscaler 里面的护城河，肯定比 AWS 和 Azure 更好。

首先，因为有 Gemini，所以它保留了 API 加速的爆发力，也能够保证自己商业模式的商业化闭环。

另外，它有 TPU。有 TPU 以后，就拥有更强的议价能力。大客户使用谷歌的 TPU，利润率会比租用 GPU 的利润率更高。

所以谷歌向客户提供新一代 AI 租赁服务时，这不一定是一个拉低利润率的业务。但对另外两家云公司来说，它有可能变成一个拉低利润率的业务。

回过头看，这有点像当年电动车打油车。油车公司也想做自己的电动车，但它会和原来的油车业务前后打架，导致它们在电动车投入上不够坚决。

现在公有云也出现了类似的情况。AWS 在 2024 年底摇摆过一次，所以导致它在 2025 年拿数据中心的量不够。

AWS 一直非常坚定地投入 Trainium，但 Trainium 可能比 TPU 稍微落后一点。谷歌则一直坚定地投入 TPU，也坚定地投入 AI 生态化。

甚至谷歌做 TPU 的毛利率，比它原来做 CPU 和 SaaS 的毛利率还要高。它本来就没有多少 SaaS 业务，卖 CPU 的毛利率大概也是 40% 多，但做 TPU 的毛利率比做 CPU 更高。

所以谷歌在 AI 上的投入非常坚决，做这件事的 ROI 比它原来在 CPU 时代做这件事的 ROI 更高，对它的激励机制也是完全不一样的。

曹卿云

这次皮查伊也被问到，在谷歌算力受限的情况下，TPU 是优先供给搜索，还是优先供给 Cloud 的外部客户？

他说谷歌内部有一套 ROIC 框架，但没有给出具体比例。可以理解为，谷歌内部需求和外部 Cloud 客户，正在竞争同一批 TPU。

这是谷歌 Cloud 增长的天花板，还是说它可以用更多资本开支来解决这个问题？

如果能够分配给 TPU 更多的 CoWoS 产能，谷歌就能满足更多需求。谷歌也希望有更多 CoWoS 产能。它在谈这些产能的时候其实非常激进，希望拿到更多 CoWoS。

但是在产能端，很多 CoWoS 产能已经被英伟达锁定了，所以没有办法给谷歌分配那么多 CoWoS。谷歌其实是想要很多 CoWoS 的。

所以，TPU 现在可能是最供不应求的芯片，但问题是没有足够多的产能。

如果看 TPU 的产能，今年不到 400 万张；明年新分配到的 CoWoS 产能，已经接近 1,000 万张。明年的产能是今年的很多倍，而且天花板也很高，可以对照英伟达来看。

你再想一层，世界上 3 个 SOTA 模型里面，已经有 2 个是基于 TPU 训练的。Gemini 之前的上一代 Gemini 3，以及即将推出的 Mistral 预训练模型，都是基于 TPU 训练的；只有 OpenAI 的 GPT-5.5 是基于 GPU 训练的。

3 个 Frontier Lab 里面有 2 个使用 TPU 训练。对于其他大厂来说，Gemini 已经帮 TPU 跑通了很多适配问题。

所以回过头来看，TPU 的需求很强，但又没有足够的产能，内部需求和外部需求之间的冲突会越来越激烈。

这个冲突在去年还没有那么激烈，但到了今年就会变得明显。因为今年谷歌要给 Anthropic 配置 90 多万张卡，大部分是 TPU v7，也有一部分是 TPU v5，主要都是最新一代 TPU。

如果谷歌要训练下一代模型，也需要 TPU v7。甚至现在 Gemini 3.5、Gemini 4 都不一定有足量的 TPU v7，可能还需要大量使用 TPU v5 进行训练。

有时候 Anthropic 的 TPU 也完全不够。如果 Anthropic 的 TPU 在一季度非常充足，就不会出现直接调用 Anthropic API 速度很慢的情况。

所以这里面肯定存在一些冲突。

但我觉得，对于谷歌来说，这是两个部门：一个是 Gemini，一个是 TPU 部门。虽然两边合作非常紧密，但毕竟是不同部门。

从 TPU 的角度来说，对外卖更多 TPU 是有好处的。现在卖出的 TPU 越多，越早进入 Frontier Lab 的适配流程，以后在整个市场里的份额就会越大。

你现在在 SOTA 模型里面跑得越快，适配得越快，软件栈问题解决得越快，就能越早在 SOTA 模型里使用。每家公司都有惯性，越早进去，这个惯性就越可能留在你这里，而不是留在其他地方。

所以从 TPU 部门的角度，它肯定希望对外卖更多 TPU。但这也会影响 Gemini 的用量。我觉得这个问题今年不太好解决，今年会成为一个很大的问题：TPU 严重供给不足。

明年会稍微好一点，因为明年 TPU 拿到了更多 CoWoS 产能，从分配 CoWoS 的一端，也能看到 TPU 持续的需求。

曹卿云

除此之外，谷歌还有搜索业务。之前我们知道，去年搜索业务也遭到了市场很大的质疑，但今年看到搜索业务又加速了，似乎还开拓出了一个新的市场。

你怎么评价谷歌广告收入的加速？

谷歌最近 AI 对它的贡献，确实比 AI 对 Meta 的贡献更加明显。应该说，AI 对谷歌广告收入的贡献，从去年二季度开始就出现了明显变化。

谷歌有一个很反常识的地方：其实有 60% 到 70% 的搜索 query 是没有变现的。很多 query 太长或者太短，变现价值都不高。

对广告主投关键词来说，最直接的关键词价值最高。比如“我要买运动鞋”，这个 query 对 Nike 来说价值最高。

但如果你发出一长串 query，像和 AI 对话一样：我有什么样的需求、脚是多少码、我喜欢旅游、我现在应该买什么鞋，这并不是广告主最喜欢的形式，因为它没有直接和广告主的关键词匹配。

所以，很多问句形式、很长的 query，在过去没有办法推广告。

但是有了 AI Overview 以及配套的投放产品 AI Max 以后，情况发生了变化。现在谷歌理解长 query 的能力比以前更强，而且可以在不同步骤里理解应该推广告的概率。

比如，一个用户一开始在 AI Mode 里和你互动，讨论买鞋的需求，前面可能有很多铺垫问题：我的习惯是什么，大概喜欢什么价位，习惯哪些品牌。

经过两三轮对话以后，谷歌发现这个用户现在要挑选最想买的品牌，购买意愿已经很强了。这个时候给他推一个大的 banner、给他推一个大的广告位，就不需要太在意它占据页面多少比例了。

这就是用户决策的最后一波，广告的 CPM 就应该卖得非常贵。通过这种方式，谷歌可以解决很多过去不好变现的长 query，获得更多增量收入。

另外一方面，谷歌也很聪明。原来的广告都在 PageRank 那套系统里，经典形式是一个页面给你推 3 个广告，后来也可以推 4 个广告。

但是谷歌每次给你推广告时，都可以判断这次刷新之后，到底是推 3 个传统广告，还是推 2 个传统广告加 1 个 AI 广告，或者是在 3 个传统广告上面再加 1 个 AI 广告。

它会判断哪种组合能够带来增量收入。比如去年洛杉矶发生大规模山火时，和家庭、防火有关的保险 query 价值就特别高，可以卖得特别贵。

那段时间你会发现，谷歌在 3 个传统广告下面，又加了一个 AI Overview 广告。这样它可以保证，在任何 PageRank 形式下都能找到增量收入。

同时，它还可以满足 AI Overview、AI Max 渗透率的要求。因为还有大量 query 没有商业化，谷歌可以在这些 query 里面推 AI Overview，既满足 AI Max 渗透率变化，又不影响传统广告的渗透率。

所以谷歌有很多方法去做增量收入。

这个事情在去年二季度、三季度、四季度，在北美越来越明显。今年欧洲广告主也开始做了。欧洲广告主一般会比北美广告主慢 2 到 3 个季度，这既有产品上线时间的影响，也和欧洲广告主更高的合规要求、更多审核需求有关。

所以今年是欧洲广告主刚刚开始做 AI 的第一年。去年则是北美和亚太广告主做 AI 的第一年。

曹卿云

8. Microsoft Defends The Copilot Moat

接下来讲一讲微软。两年前，OpenAI 是微软的专属资产，是 Azure 最核心的差异化优势。

但现在微软和 OpenAI 的独家合作消失了，亚马逊也宣布投资 OpenAI 500 亿美元，OpenAI 也进驻了 AWS Bedrock。你怎么看待这个格局变化，以及未来 Azure 的核心竞争力？

无论对于 Azure 还是 OpenAI 来说，这可能都是不可避免的，对双方来说也可能是一件好事情。

从 OpenAI 的角度来讲，之前 Codex 在 Azure 里销售，其实丧失了最大的开发者市场。最大的开发者市场还是 AWS。

如果你卖 coding 产品，一定要卖到开发者市场，而不只是卖到企业市场，因为开发者市场的爆发力最强。所以 OpenAI 一直希望能够和 AWS 有更深的合作。

对微软来说也是一样。API 本身在 OpenAI 收入中的占比并不高，微软也希望销售更多 Anthropic 的 API，销售最强模型的 API。

所以，双方最后都会走向更加分散的场景。

另一个不可避免的趋势是，模型公司的话语权会越来越强。Anthropic 原来主要绑定 AWS 做销售，去年四季度开始接入 GCP Vertex AI，今年一季度开始接入 Azure AI Foundry，也开始分散自己的销售渠道。

OpenAI 也在分散渠道。模型公司的话语权越来越强，不和单一云厂商绑定，也会是必然趋势。

曹卿云

你觉得 Copilot 应该如何应对 Claude Cowork 这样的新竞争对手？

现在竞争的变化肯定会越来越激烈。

回顾当年 Copilot 刚出来的时候，它主打几个方面。

第一个，Copilot 在 Office 体系里面是 native 的，所以可以和 Office 的各个产品无缝衔接。特别是 Office 本身是一个 GUI 工具，各个产品背后其实连接着数据库，所以在调用数据库的时候，它会更加 native。

在之前多模态 API 还没有那么好用的时候，这套原生性对于很多多模态场景确实有帮助，识别效果可能更好。

第二，因为 Copilot 和 Office 打通了，所以可以使用 Office 原有的身份管理系统。权限管理在企业里很复杂。

如果个人做一个 Claude Cowork，然后去连接企业电脑，完成一个场景可能要做 10 道授权手续，点很多次，非常麻烦。但是因为 Office 原来的身份管理已经跑通了，就不需要额外授权。

对于企业来说，它省了一笔权限管理的设置成本；对于用户来说，也省了很多繁琐步骤。

第三，微软会说自己更懂 Office 场景，所以做出来的质量会更好，各种事情都会做得更好。这就是 Office Copilot 的故事。

但是过去几个月，这件事出现了很明显的变化。

首先，Gemini Enterprise 和 Claude 都可以使用 Computer Use，也都可以调用 Office 产品。它们只是没有打通权限管理系统。

第二，它们的质量还可能比 Office Copilot 更高。

这有技术上的原因，也有微软自身的特点。技术上的原因是，Gemini Enterprise 的多模态能力本来就很强。Copilot 使用的很多多模态能力，还是上一代 Co-Interpreter 的能力，不是这一代的多模态能力，所以它生成多模态 PPT 的效果就没有那么好。

再到更长任务的处理，Claude 的 Harness 做得很好。以 Office 场景为例，即使是这一代的 Copilot Cowork，它现在的 Harness 也还没有做好，可能要等正式发布并打磨一段时间以后才能完善。

但是这个变化太快了。Harness 从 2 月份出现以后，根本没有给微软很长的适应周期，就已经要求老产品整体 Harness 化。

所以你会发现，AI native 公司的迭代速度，比适配型公司的速度快很多。

站在 Copilot 的角度，它可能会说，Harness 本身也是一个工程问题。以前我们可能大量依赖硬编码的 prompt engineering，在很多场景里靠 prompt engineering 来做；以后 Harness 也有很多工程化工作，我们最终也能适应上，并不代表存在明显的算法劣势。

这可能是对的。但是如果几个月以后出现的不是 Harness，而是下一代技术，你是不是又要重新适应一遍？

另外，这也和微软自身的问题有关。Office Copilot 是一个非常 enterprise 的产品，微软也是一家非常注重合规的公司，所以它在使用模型时有一层调度系统，会根据 query 的难易程度分配不同模型。

以前微软比较大的问题是，没有办法把任务分配给 Claude Code，也没有办法分配给 Claude 4.6。现在它和 Anthropic 的合作已经深化，情况有所改善。

但人为增加了一层调度，就意味着在降低成本和满足延迟要求的同时，一定会牺牲一部分质量。

第二，微软搭了一层叫 Responsible AI 的系统。加上这层 Responsible AI 以后，在涉及价值观和合规的 query 里，它会进行人为的合规化处理。

于是有些问题原本可以更有创造性地回答，但因为合规处理，反而被“降智”了。你需要在合规、价值观和质量之间取得平衡，所以微软的产品就没有那么灵活。

这个问题现在越来越大，也越来越明显。

但微软的好处是，为什么前几个季度还没有完全显现出来？因为整个大 B 端还很大。

微软有一个产品非常好，叫 Copilot Studio。Copilot Studio 是比较早做低代码企业内部 Agent Builder 的产品。

Copilot Studio 可以用于客服、HR 场景，现在甚至可以用于面向终端客户的场景。它为什么卖得非常好？因为每个季度都在翻倍增长。

面向企业内部的 Agent，权限管理要求更严格。你要打通企业自己的各种数据产品，打通内部各种 SaaS 产品，而微软之前恰好已经把这些合规和权限问题解决完了。

所以它跑得比其他 Agent Builder 更快，销售网络也更强。

微软面临的挑战是：它已经通过合规、权限管理、身份网络和销售网络打开了市场，但产品质量能不能跟上这些 AI native 公司，能不能保住这部分市场份额？这是微软以后面临的更重要的问题。

曹卿云

萨提亚这次也说，Copilot 的渗透率越来越高，从以前卖席位变成现在卖使用量。这对微软 AI 收入意味着什么？

Office 的增速确实因为 Copilot 和 Copilot Studio 加速了，但加速并不是特别明显。

Copilot 整体渗透率还没有那么高。Office 是一个 4 亿用户的产品，Copilot 大概是 2,000 万用户。如果按照席位销售，它的渗透率现在只有 5%，明年也不一定会提高得很快。

所以对 Office 来讲，未来最大的增长点，是如何把 Copilot 从一个按席位销售的商品，变成按使用量、按 token 销售的商品。这就是 Copilot Studio 要做的事情。

我们估算，Copilot Studio 的收入已经达到 Office Copilot 的五分之一到四分之一，而且这个比重还会越来越快。

Copilot Studio 是一个非常典型的按使用量计费的产品。你用 Copilot Studio 搭建各种内部 Agent，建立各种 Agent 模板。模板搭好以后，用户用得越多，消耗的 token 就越多，consumption 就越大。

现在有些 Office Copilot Studio 用户，一个月的花费确实已经达到 1 万到 2 万美元，而不是原来一个 Copilot 席位每月 30 美元。

所以现在要提高它的使用量，但与此同时，这也是竞争最激烈的场景。

这很像当年 Palantir 做 AIP，或者更早做机器学习的时候。Palantir 刚开始做这些场景时，有很多定制化案例、很多 use case，慢慢搭建以后才变成一套标准化产品。

Copilot Studio 也是这个想法，Claude 也是这个想法，Gemini Enterprise 也是这个想法，OpenAI 和 Anthropic 的商业化也都是这样的思路。

所以以后大家会高度重叠，都往这个场景发展，竞争也会非常激烈。现在你有先发优势，但不一定以后能够保住这个先发优势。

曹卿云

9. Amazon Converts Capacity Into Growth

接下来聊一聊亚马逊。亚马逊今年业绩最亮眼的是什么？

去年大家觉得亚马逊在 AI 上落后了，但今年 AWS 增速又回到了 28%，是 15 个季度以来最快的增速，运营利润率达到 13.1%，也是历史最高。

亚马逊从不被市场买账，到重新被市场喜欢，这个认知转变的核心是什么？

亚马逊确实经历了几轮叙事变化。

你会发现，亚马逊去年年中股价到了一个高点，去年底又跌下来，到了今年又涨回去，现在重新创出新高。很明显，它经历了几轮 narrative 变化。

应该这么说，亚马逊在 2024 年下半年到 2025 年上半年，是上一轮 AWS 加速期，从 16% 到 17% 的增速，一直到 20% 出头。

这是因为当时它在销售 GPU，GPU 开始上量。

到了去年，亚马逊又遇到了很多容量问题。容量问题和亚马逊是一家很像硬件公司的云公司有关。

它希望把很多问题在硬件层面解决好。所以建设数据中心时，它既希望放 GPU，又希望放 Trainium，这就导致它对数据中心的建设要求非常高。

无论是冷却、电力，还是其他资源分配，要求都非常高，所以很多事情总是延迟。

亚马逊买了很多电力配额，但无法把它们转化成收入。这就是去年亚马逊永恒的主题：大家觉得它又要加速了，最后却发现加速并不明显。一问公司，公司就说存在产能瓶颈。

很多产能瓶颈，恰恰来自于它希望把硬件环节做到最好，发挥自研芯片的优势。实际上，这件事的难度很高。

到了今年，这个问题解决了。数据中心的问题已经解决，亚马逊又买了最多的电。

亚马逊去年买了 4 吉瓦的电，买的电比微软还多。所以今年它不缺电，就能释放更多用于租赁的容量。

你会发现，亚马逊有更多容量去做加速增长。

另一方面，今年一季度模型领域的 Alpha 肯定在 Anthropic。Anthropic 每个月的年化收入都增长 50%，而且它大部分 API 量都放在 AWS Bedrock 上。

所以 AWS Bedrock 的增速非常快，公司说 Bedrock 环比增长 170%。

你去看，这个量和 Anthropic 的收入环比增速基本完全对齐。按照 Anthropic 的收入环比增速来算，差不多就在 160% 到 170%。

年化收入是 run rate 概念，收入是平均概念，所以在加速过程中，年化收入增速一定比收入环比增速更快。

对 AWS 来说，这个季度还有一个变化点：Anthropic 的收入对 AWS 来说属于 low-quality revenue，因为 Anthropic 的议价能力很强，所以它可能会影响 AWS 的利润率。

如果 AWS 能够证明利润率没有受到影响，对 AWS 的逻辑帮助会更大。

恰好今年 AWS 的 Trainium 利用率上去了。Trainium 供不应求，不需要再对外打折，所以 Trainium 帮助 AWS 稳住了利润率。

因此，AWS 无论从加速还是利润率来看，都能证明这是一种 high-quality revenue，也能证明它对收入加速有贡献。

当然，这个季度亚马逊的业绩并不完美。市场预期 AWS 增速能够达到 30%，但这个季度是 28%。

不过你看公司的描述，公司很清楚地讲了自研芯片收入增长 40%，讲了 Bedrock 增长 170%。它传递的信息是：Anthropic 在你这里的收入没有问题，增长就是这么快；Graviton 和 Trainium 的收入也没有问题，增长就是这么快。

我理解，一季度其实受到了 Blackwell 放量的影响。这个影响可能一部分来自容量问题，也可能和 OpenAI 合作有关。

但到下个季度，这个问题大概率就会解决。

刚刚你讲到，亚马逊已经累计投资 Anthropic 超过 330 亿美元，Anthropic 也承诺会在 Trainium 上消耗 5 吉瓦的算力。

与此同时，亚马逊也投资 OpenAI 500 亿美元。AWS 既是 Anthropic 的投资人，也是它的算力供应商，同时还在和 OpenAI 合作。

这种多重角色背后的战略逻辑是什么？

对于 AWS 和 GCP 来说，你可以看到它们都投资了很多模型公司。

AWS 之前主要是 Anthropic 的投资人，现在也希望成为 OpenAI 的投资人。

从云公司的角度来讲，它首先希望锁定自研芯片的用量。它需要一个大型 Frontier Model 客户作为自研芯片的使用场景，才能跑通各种软件栈和适配问题。

逻辑就是：我给你钱，让你使用我的芯片，帮我把这些问题跑通。

这是第一层逻辑。

第二层逻辑是，希望把你锁在自己的云上。除了提供自研芯片，也给你更多 GPU 用量，让你把 API 放在我这里，让我在你的 API 销售中占更大份额，在你的推理需求中占更大份额。

AWS 的逻辑是这样的。

谷歌的逻辑也是这样。谷歌也是 Anthropic 的投资人，谷歌最希望的也是 Anthropic 成为它最大的外部 TPU 客户，把 TPU 的使用场景跑起来。

从 TPU 的角度来讲，它已经完成了一部分任务。Mistral 模型已经可以在 TPU 上做预训练。Anthropic 还没有完全达到这个要求，现在还不能在 Trainium 上做完整预训练，但很多实验已经可以在 Trainium 上进行。

10. Meta Turns AI Into Ads

最后一家公司是 Meta。这次广告数据里有一个很有意思的现象：广告展示量增长了 19%，广告单价也上涨了 12%。

我们知道，在广告行业，这两件事情通常是矛盾的。广告库存增加、供给变多，单价应该下降，但这次两者却同步上涨。应该怎么理解这个增长？

我觉得这个季度 Meta 的增长同比加速了 9 个百分点，其中 4 个百分点是汇率影响，2 个百分点是因为 2024 年有美国大选，所以基数稍微低一点。

剩下 3 个百分点的影响里，一半是推荐算法贡献，一半是产品维度的贡献。

对于 Meta 来说，很多库存变化来自产品形态变化。Meta 走的路很像 2020 年、2021 年、2022 年抖音在国内走过的路径。

Meta 从去年三季度开始猛推一种广告产品，叫 Overlay Ads。Overlay Ads 就是软广，在广告视频里面加入一个广告。

就像我们在抖音上看到的，一个主播讲了 5 分钟，突然开始推转转，或者突然开始推瓜子二手车。

这个形式在 Meta 里面刚刚起步，美国很多广告主和 agency 还没有找到加入软广的方法。

以前 Meta 对这类内容限制很严，要求广告形式和视频形式匹配。比如你是一个运动鞋广告，尽量要放在运动博主的视频里，不能在运动博主的视频里推二手车广告。

但这种形式在国内抖音已经很常见了，所以它涉及匹配机制，也涉及生态和广告主学习如何加入软广。

这个过程一开始以后，广告库存会增长得非常快。最近两个季度，Instagram 的广告库存增长非常快。

软广本身也是一种很好的广告形式，可以卖出不错的价格。所以 Overlay Ads，以及从今年一季度开始改名后的 Partnership Ads，能够在不影响广告单价的情况下，拉动广告展示量增长。

广告单价方面也有很多影响因素。广告本身会正常提价，也有通胀影响，还有各种其他因素；广告推荐效率的变化也会带来帮助。

但是推荐算法对 Meta 这样的广告公司来说，每年不是一个超过 5 个百分点的贡献，更多是 5 个百分点以内。单个季度能够贡献 1 到 2 个百分点，就已经很好了。

为什么今年一季度的贡献会比较好？因为去年 12 月底，Meta 上了一个模型叫 Latte。这个模型的论文是在 Meta 财报之后发布的。

对于大多数和 AI 有关的公司来说，发布论文并且论文中的技术被公司采用，是比较少见的事情。

Gemini 发布的大部分论文，和 Gemini 真正的算法迭代没有强相关性。Gemini 的很多论文都是一年前的技术，或者没有真正使用在产品中的技术。

OpenAI 和 Anthropic 也是一样。大家都不希望自己的技术被竞争对手学到，所以倾向于发布过时的论文，或者没有 significant contribution 的论文。

但 Meta 这次不一样。Latte 的技术确实做得好，所以才发布了论文。我觉得 Latte 对一季度有比较明显的贡献。

不过即使这样，衡量下来也只是一个小个位数的贡献。大多数情况下，它对单个季度的贡献可能还不到一个百分点。

在推荐算法、AI 和 Foundation Model 时代，你会觉得每年有几个百分点的贡献已经习以为常。但在 Foundation Model 之前，在引入模型和 GPU 之前，一次大的算法迭代能够带来 2 个百分点的转化率提高，在整个行业里已经是非常震惊的事件了。

所以，推荐算法的改动不是一个很大的几个百分点的贡献。它每年更多是小几个百分点，更多的还是来自 Meta 自身的产品迭代变化。

当然，Meta 的产品迭代确实在很多地方发生了变化。虽然不一定完全是在大模型语境里，比如 Meta 过去几年做 Conversions API，或者做 Advantage+，都是投放走向自动化的过程，只是不一定都依赖大模型。

Meta 做 AI，除了帮助推荐算法以外，还有什么意义？

它会有短期帮助，也会有长期帮助。

从短期帮助来看，大部分非推荐算法的变化主要集中在 Meta 的几个产品里。比较典型的产品是 Advantage+，它是一个自动化投放系统。

它还有一个叫 Advantage+ Creative 的产品，可以制作 AIGC 素材。这两个产品可以联动，自动轮播素材和广告。

比如你放一个广告样式，就可以让 Advantage+ 调整不同背景，进行图生图，生成不同素材，从而做到千人千面，提高精准度。

很多第三方 AIGC 素材在 Meta 里面不好用，一部分原因是审核，另一个很大的原因是第三方素材没有办法和它的自动化系统联动进行轮播投放。

另一方面，Meta 在很多场景也开始用 Agent 提效。

Meta 有一个很好的产品叫 Business Messenger。我们可以想象一下，它有点像你在微信朋友圈里看到一个企业微信广告，点进去以后，由企业微信的人来和你沟通。这个企业微信背后可能是真人，也可能是 Agent，你可能不知道。

Business Messenger 也是一样。你跳转之后，它会在 Messenger 里和你沟通，也可能在 WhatsApp 里沟通。

原来的销售线索类产品，Meta 主要是在东南亚推广得比较好，因为东南亚人力成本便宜。但如果在美国做，就没有那么划算，因为美国人力成本很高。

你去投 Business Messenger 广告，按单个销售线索转化，也就是 CPA 来算，成本一半是广告成本，另外一半甚至更多是背后人工客服的成本。

为什么在东南亚能跑通？因为当地人工客服成本低，所以可以销售客单价比较低的产品，不一定非要卖客单价很高的 B2B 线索、轻奢产品或者教育产品。

但在美国，这是一个很现实的问题。人力成本很高，所以销售线索类产品只能卖客单价比较高、ASV 比较高的项目，很多是 B2B 线索。

但你想象一下，如果把背后的人力成本降低 80%，总广告成本是不是就能下降 40%？原来成本里有 50% 是人工，人工成本下降 80%，总成本就下降 40%。

这 40% 除了有一部分变成投放公司的利润，大部分会重新转化成广告预算。这样产品单价就会上涨。

它的商业模式没有推荐算法那么简单，但稍微绕一下，就能够把这个经济模型算出来。

在这个模型里，广告主可以做更下层的线索。不光可以做 B2B 线索，也可以做普通商品。原来只能卖 1,000 美元的东西，现在可能 100 美元的东西也能卖，量就会上涨。

不光可以服务大商户，也可以服务小商户，广告客户群也会增加。

此外，Meta 现在还在做一套新产品，叫 Business AI。其中一个产品是，你给它一个 URL，或者给它一张产品图片，它就可以帮你制作素材。

这样制作素材的成本就能降得更低。不是简单的图生图，而是比如把官网 URL 给它，它就能配好素材和转化文案。

对于很多个人开发者、小软件公司、小 App 公司，或者美容院这类商家来说，制作素材的要求并没有那么高，这类产品非常有帮助。

所以，AI 降低了广告投放的门槛：无论是制作素材的门槛、优化广告的门槛，还是背后人工客服的门槛，都可以降低。

只是相比推荐算法，这个过程会更加渐进。

从长期来看，AI 也有很大的价值。

Meta 的很多广告品类一直做不过谷歌。比如汽车和旅游，都是谷歌很大的广告品类。旅游在谷歌广告预算中的占比接近 10%，汽车也是几个百分点，但在 Meta 里面占比就比较低。

很容易理解：如果你要旅游或者买车，是不是先去搜索？如果你要买车，最高价值的用户可能已经搜索了“特斯拉”，这时再给他推特斯拉广告，转化可能性最高。

所以这个关键词应该卖最高的价格。

但是用户不会在 Meta 里面搜索汽车，也不会在 Meta 里面搜索去哪里旅游。这就导致 Meta 缺少这部分线索和用户数据。

现在 Meta 有一个搜索 chatbot，背后接入了自己的模型。用户可以在里面搜索“我要买什么车”“我想去哪儿旅游”。

这样 Meta 就获得了用户的搜索线索和匹配数据。长期来看，它就能提高汽车和旅游广告预算在自身平台上的占比。

这件事不会很快，但非常重要。

以前 Meta 的搜索池里有很多内容使用的是 Gemini。现在 Muse Spark 和 Avocado 上线以后，Meta 就可以使用自己的模型，也能拿到更多自己的线索数据。

所以长期来说，Meta 可以扩展自己的广告品类。

说到 Muse Spark 和 Avocado，它们是 Meta 自建的 Frontier Model。而且 Meta 没有云业务，只能通过 AI 投入来变现自己的产品。

如果自研模型让 Meta 建立起 35 亿日活用户的数据飞轮，对 OpenAI 和谷歌意味着什么？

我觉得对 OpenAI 和谷歌不会有什么特别大的影响，因为 Meta 的模型还是主要定位于自用，虽然以后也有可能变成一个商业模型。

但如果要成为商用模型，最重要的还是能不能跟上第一梯队的 3 家公司。现在第一梯队可能是 2 家，谷歌有可能落后 0.25 个或者 0.5 个身位，但因为谷歌算力很大，很快也会追上。

如果不能进入前三家，其实很难在商业化上获得很大优势。你既没有开源模型的价格，也没有一线模型公司的能力。

所以对于 Meta 来说，它能够把自己的场景定位好，在自己的场景里做到更高性价比，围绕自身场景做出更好的模型改动，就已经很好了。

你去看 Meta，除了 Alexandr Wang 以外，还有几位负责人都在负责产品端。包括收购 Manus，也是为了让自己的产品跑得更快。

Avocado 这个模型能够在这么短时间内做到这个水平，已经非常不错了。因为 Meta 和另外几家模型公司不一样，Meta 的人是从各个地方招过来的，大家有不同路径、不同想法和不同 know-how。

现在把这些人重新组合起来，还要在原来的 Llama 体系里继续做模型。下一代可能就和 Llama 没有关系了，还要重新做一代模型。

在几个月时间里做到 Gemini 3 的水平，已经非常好了。我觉得对 Meta 来说已经非常好了。

以后我们对 Meta 的要求，可能不是这个模型本身能够赚多少收入，而是它能不能最适配 Meta 的推荐算法，能不能帮助推荐算法提升，能不能在 Meta 所有产品里用起来，并且在 Meta 广告收入中看到加速。

如果能做到这些，其实就能减少市场对它资本开支的担心。

Meta 这个季度暴跌，原因还是资本开支和收入加速错配。

这次收入虽然加速了 9 个百分点，但刚刚达到 Meta 指引的收入高端。我们之前也提到，其中 6 个百分点来自基数影响：4 个百分点来自汇率和美元指数基数，2 个百分点来自美国大选竞选期间的广告技术。

所以真正的产品收入加速只有 3 个百分点，刚刚达到指引高端。

Meta 以前每个季度的收入一般会比指引高端多一个百分点，或者多一个百分点以上。这是收入端的变化，收入端变化没有那么明显。

另外是资本开支的变化。Meta 增加了 100 亿美元资本开支，相当于增加了 7%。但这 7% 对下半年影响很大，因为一季度资本开支比预期低很多。

一季度资本开支基数很小。你要把一季度少花的那部分资本开支加到后面 3 个季度，还要把新增的 100 亿美元资本开支也加到后面 3 个季度，所以后面 3 个季度的资本开支就会越来越高。

最后一个季度的资本开支，可能会比本季度之前假设的最后一个季度高很多。肯定不只是高 7%，可能高十几个百分点，甚至根据每个人的调整，高 20%。

越往后，资本开支的影响越大。

这样一算，2027 年的资本开支就会比之前假设的更高，对利润的影响也会更大。

2026 年公司没有明显调整 OPEX。OPEX 的变化分两种：好的一方面是公司在裁员，坏的一方面是资本开支增加，资本开支增加以后会变成折旧成本。

但是裁员以后，研发、销售和 G&A 成本会下降，二者会互相抵消。所以今年就是一个相互抵消的过程。

但如果明年资本开支提高很多，明年还能不能继续保持这么大的裁员幅度？如果站在投资人的角度线性推导，就会把明年的利润调低。

这就是 Meta 反应这么大的原因。

我自己感觉，Meta 是这一批公司里利用 AI 提效最激进的公司。

我相信可能也有很多听众是 Meta 工程师。Meta 的 PIP 考核现在已经考核代码量了。对员工来说，使用 multi coding agent、用 AI 写代码都会获得激励，公司也给了大家很大的 coding consumption。

Meta 可能是最 AI coding 化的公司。

但最 AI coding 化，一方面让每个工程师的有效工作时长缩短了很多。原来一天可能有 5 到 6 个小时有效工作时间，现在如果非常 AI 化，可能只有 1 到 2 个小时。

另一方面，Meta 也做了很多举措，帮助公司蒸馏一些工程师的技能。

所以，有效工作时间减少、效率提高以后，公司要么做更多产品迭代，要么就会进一步裁员。

我们确实看到 Meta 做了更多产品迭代。你会很明显看到，Meta 在一些产品上的开发进度比以前快很多。

比如前面提到的 Overlay Ads 软广，以及 Meta 大幅增加做 DSP 广告、做 Meta Audience Network 的工程师数量。

都能看到 Meta 的产品力就是生产力。Coding 释放出来以后，公司在不增加人员的情况下，开发速度比以前快很多。

但同样也能看到，裁员幅度比以前大很多。

如果明年还能继续裁员，市场对资本开支的担心也会缓解。明年大家可能会看到，虽然资本开支增加很多，但 OPEX 仍然没有明显增长。我觉得这也是有可能的。

你觉得现在硅谷的裁员节奏大概走到哪一步了？我们是刚刚开始，还是已经进行到中段？

我觉得第一步，生产力变化带来的影响，从去年 7 月就已经开始了。

去年 7 月，美国就业数据第一次没有完成目标。我记得当时我们写了一篇报告讨论，提到从那以后可能每个月都会是这样，因为当时已经看到了非常明显的变化。

今年肯定更加明显。过去几个月，就业数据大部分月份也没有达成目标。

从大厂角度来讲，Meta 和英伟达的 coding 渗透率最高，代码量也最高。

但从整个生态来看，工程师都经历了几个阶段。

去年年底我们可能还会说，如果你是一家 AI native 公司，有 50% 的 incremental coding 代码量由 AI 完成，就已经很好了。

但到了今年 1 月底，对 AI native 公司的要求变成了：所有代码都应该由 AI 写。

到了 2 月，大家开始大规模使用 Claude 4.6 以后，要求又更高了：不光要有一个 coding agent，还要对 coding agent 进行编排，要有多个 coding agent，甚至 5 个、10 个。

到了 3 月，变化进一步明显，甚至出现了远程 coding 的概念。

很多工程师会说，这次出去玩可以不带电脑，在手机上下命令就可以。以前你还要带电脑，随时 on call。

甚至大家会说，睡觉前一定要挂一个任务，不然睡觉的 8 个小时就浪费了。

原来可能做 5 个 multi-code commit，现在有人激进地可以做 100 个，甚至 2,000 个。我们公司有一个产品经理一直跟我说，他已经做了 14,000 个，所以我一直没太搞明白，到底有多少个是真正能用的。

你会发现，生产力提高的效率和方法，是按照月度迭代的。每个月衡量生产力的标准都不一样。

生产结构出现变化以后，其实已经很难再调回去了。

以后对工程师的要求，就是看你是原来人力 coding 工程师的几倍。这个倍数可以直接从 coding API 的 consumption 看出来。

再往后，对工程师的要求会更加复合。不光要代码能力强，还要有多线程能力，要不停思考需求，迭代速度也要快。

只有这样，才能管理更多 Agent，才能做到那么多 coding consumption。如果还是原来的单线程工作方式，其实消耗不了这么多资源。

所以以后对 coding 工程师的标准和以前不一样了，实际上已经形成了一种新的职业工种。

出现新的职业工种，就一定会出现前后工种的交替。这可能是不可避免的。

11. AI Must Create New Demand

我们观察到，现在大部分 AI 变现，本质上是效率提升：同样的事情做得更快、更便宜。

但真正支持长期估值的，是出现一个在 AI 之前根本不存在的市场。你有没有看到系统性证据，表明 AI 正在创造增量价值，而不只是重新分配存量？

今年确实有很多增长来自替代人力成本、替代 OPEX，另一部分则是替代整个企业 SaaS 市场的规模。

OPEX 是一个很大的数。

在过去的云行业里，一个企业的 IT 支出一般占总收入的 3% 到 4%，这部分预算给了各种 SaaS 公司和数据库公司。能够拥有 10 亿美元 IT 支出的公司非常少，只有苹果这样的特别大公司才能做到。

但 OPEX 是一个很大的概念，OPEX 可能占到公司收入的 30%，是 IT 支出的 7 倍。

所以如果能够替代人力，就有很大的收入增量。

但之后的问题是，替代人力以后，这些人是永久性失业，还是因为 AI 提高了工作效率，创造了更多场景需求？

现在确实还没有看到那么多新增场景需求，但是替代人力的变化已经非常明显。

现在 coding 已经实现了大约 90% 的 AGI 能力。Mistral 可能已经是第一代部分实现 self-play 的 coding 模型。

如果 coding 能够实现 90% 的 AGI 能力，那基本上其他领域实现 AGI，可能也就是 2028 年或者 2029 年的事情。

2028 年、2029 年就是下一代模型。到了更大规模训练的模型，可能就已经进入下一代 AGI 范式。

所以如果从这个角度来想，替代 OPEX 的过程从现在起应该会加速。

到了明年或者后年，确实会有更多社会问题不得不解决，涉及福利、转移支付，甚至可能出现 AI 裁员税、token 税。这些问题都必须解决。

至于新增产品，AI 本身是一个提效产品，和短视频这种杀时间的产品不一样。AI 本身不是一个消磨时间的产品。

所以从创造生态价值来讲，可能不能指望 AI 直接创造很多需求。更可能的情况是：如果 AI 大幅提高工作效率，让所有软件预算变得更加高效，解放更多 OPEX 成本，转移支付又能够跑通，那么剩下的人不需要完全投入工作以后，就会有更多消费时间。

如果转移支付能够让他们拥有更多可支配收入，那么在工作之外就会出现更大的消费级市场。

只不过在解决消费级市场之前，可能要先解决再分配问题。

当有了更大的消费级市场以后，每个人就有了更多时间。有了更多时间，就会有更多消费级产品，可能是互联网产品，也可能是 AI 产品，更多需求就会出现。

我觉得这可能不是一个非常直接的关系，而是要绕两个弯，变成一种更间接的关系。

最后，我们还是回到 AI 收入放在资本开支背景下应该怎么理解。

这 4 家公司预计 2026 年合计资本开支超过 6,300 亿美元，而目前可以追踪到的 AI 相关收入，包括云上的 AI 服务、推理 API 和 AI 订阅，年化大约在 1,000 亿到 1,500 亿美元之间。这是一个大概 4 到 6 倍的投入产出比。

未来你认为，收入端和资本支出端之间的差距会怎么变化？

肯定会随着时间缩小。现在这个数字确实不太好看，但今年已经比去年好看很多了。

今年整个云行业的资本开支大概是 7,000 亿美元。和 GPU、AI 直接相关的部分，可以打个 60% 到 70% 的折扣。

如果看几家模型公司的年化收入，Anthropic 到年底可能是 1,000 亿美元，OpenAI 可能是 600 亿到 700 亿美元，Gemini 可能是 300 亿到 400 亿美元。

这样算下来，合计其实是大约 2,000 亿美元的年化收入，差不多能够覆盖云和 AI 相关资本开支的三分之二。

但资本开支的概念，是提前为未来 4 年做投资。即使现在停止资本开支，AI 年化收入可能仍然会继续增长，因为它是提前投资。

所以到了明年，差距会进一步缩小。

如果明年这些模型公司到年底有 4,000 亿美元年化收入，那么这个比例就不再是三分之二，可能会达到四分之三。看起来数字就会舒服很多。

为什么？其实从市场反应也能看得很明确。市场现在反映的是模型公司年化收入在加速，反映的是这个商业模式越来越像一个真正的商业模式。

去年面临的很多问题是，资本开支增速比 AI 收入增速更快。如果看 incremental revenue 的贡献，新增成本远远是新增收入的好几倍。

但现在，新增成本和新增收入之间的比重越来越接近。

所以今年市场反映的是，对这个问题的担心正在越来越小。