过去两年间，美股市场中与人工智能相关的产业链累计缔造了数万亿级别的市值。然而，这种新增的市场体量在分布上呈现出极度的不均衡性：仅英伟达一家的市值便高达 4.5 万亿美元，毛利率维持在 73% 的高位；相比之下，OpenAI 与 Anthropic 的年化营收总和仅为 450 亿美元；而 CoreWeave、Cursor、Perplexity 等处于中下游的企业，则普遍处于一边融资一边消耗资金的阶段。整个 AI 产业因此形成了一种典型的“越往上游，毛利越厚”的三角形结构。
资金究竟涌向了何处？十年之后又将流向何方？这正是斯坦福大学本学期新开设的 MS&E 435 课程旨在深入拆解的核心议题。该课程由来自投资公司 Altimeter 的主持人 Apoorv Agrawal 发起，他邀请了行业内的九位关键人物，试图通过汇聚行业领袖的观点，勾勒出 AI 产业未来价值流动的路径图。
呈三角形的价值分布
早在 2024 年初，Agrawal 发布了一份题为《The Economics of Generative AI》的报告，其中得出的一个核心结论是：芯片层级吞噬了整个产业链 83% 的毛利份额。
时隔两年，尽管整个生态系统的体量已从 900 亿美元激增至 4350 亿美元，但芯片层的毛利统治地位依然稳固，其占比仅从 83% 微降至 79%。
若进一步拆解数据，芯片层的年营收约为 3000 亿美元，其中英伟达一家独大，攫取了八成份额；基础设施层营收约 750 亿美元；应用层则为 600 亿美元。就毛利率而言，这三层的数值分别为 73%、55% 和 33%。若换算为毛利的绝对值，三者依次对应 2250 亿、400 亿和 200 亿美元。
值得注意的是，AI 产业的利润画像与驱动上一轮科技浪潮的云计算产业形成了鲜明对比。在传统云计算架构中，芯片层仅能获取 6% 的毛利，而绝大部分利润（70%）被应用层所拿走。
Agrawal 对当前的竞争格局做出了精辟总结：芯片层是一场“单机游戏”，应用层则是“双人游戏”，唯有中间的基础设施层才是真正激烈的多人战场。
英伟达的独角戏
课程的第二节由 Altimeter 合伙人 Brad Gerstner 与英伟达的 Sunny Madra 共同主讲。Sunny 此前曾是 Groq 的投资人，并促成了 Groq 被英伟达收购的交易。二人深入探讨了英伟达为何能在芯片层继续保持一家独大的局面。
Brad 提供了一组看似反直觉的估值数据：英伟达市值高达 4.5 万亿美元，市盈率仅为 13 倍，不到市场平均水平的一半，而其营收年增长率却达到 70%。他公开预测英伟达将成为全球首家突破十万亿美元市值的公司。其依据在于，未来八个季度内，英伟达已锁定价值万亿美元的订单，需求远超供给。黄仁勋曾向 Brad 透露，推理端的需求增长幅度将达到 10 亿倍。
这种极度自信背后，蕴含着从预训练迈向推理时代的技术逻辑——每生成一个 token 的计算量，等于模型参数量乘以上下文长度的平方。
当然，自研芯片的挑战者并不缺乏。谷歌第七代 TPU Ironwood 已投入量产，Anthropic 下单采购 100 万件，有传闻称此举直接迫使英伟达向部分客户降价 30%；亚马逊的 Trainium2 芯片已部署 140 万实例，相关业务年化收入突破百亿美元；微软的 Maia 200 于今年 1 月在 Azure 上线，OpenAI 也与博通签署了涉及 10 吉瓦算力的自研 ASIC 合同。
面对这些挑战，黄仁勋表现得云淡风轻：「很多 ASIC 项目最终会被砍掉。」回顾历史，他的判断并未出错。退一步讲，即便 TPU、Trainium、Maia 等技术路径全部跑通，英伟达仍将是领跑者。上述现象并非证明英伟达不可替代，而是揭示了该市场的庞大程度。
昂贵的电工
第三节课程由 Crusoe 创始人 Chase Lochmiller 主讲。Crusoe 在德克萨斯州西部的小城阿比林建设了一座容量为 2.1 吉瓦的数据中心园区，这是全美最大的私人变电站，用电量堪比两个丹佛市，首批入驻的企业包括 Oracle 和 OpenAI。该园区常年驻扎着 9000 名施工工人，而这座小城总人口仅 12 万。
Chase 通过一张幻灯片详细拆解了每兆瓦电力的成本构成：总成本约 1900 万美元，其中最大的一笔支出是劳动力，每兆瓦高达 470 万美元，芯片和冷却设备的成本均远远落后。据此计算，一个吉瓦（GW）级的园区，仅在劳动力方面每年就要消耗 47 亿美元。
除了人力成本高昂外，燃气轮机的每兆瓦造价在三年内从 100 万美元飙升至 300 万美元。其背后的原因是，GE Vernova、西门子、三菱重工和普惠这四大制造商的产能停滞不前，而市场需求却翻了数倍。
Chase 对 Eaton、Schneider 等百年电气设备巨头持看空态度。他认为，从长远来看，电力架构将从传统的 765 千伏高压转变为机柜内 900 伏直流供电，整套转换系统必然需要重新设计。尽管短期内这些老牌厂商仍能受益，但结构性变革不可避免。
组织结构滞后于 AI 发展
第四节嘉宾是软件公司 Databricks 的 CEO Ali Ghodsi。他开场即抛出一个重磅观点：AGI 已经实现。当前的 AI 模型早已满足了 2009 年伯克利 AMP 实验室对 AGI 的定义。“球其实已经进了，只不过人们一直在把球门往后拉。”
人们之所以觉得 AI 尚未达到预期，问题往往出在企业自身。
MIT 的一份报告指出，95% 的企业 AI 试点项目以失败告终。Ali 对此的解释是，现有模型缺乏组织内部那些从未被记录下来的隐性上下文。
每家公司都存在这样一位资深员工，他在岗位任职二十年，所有人遇到难题都向他请教，但他脑海中的知识从未进入任何模型体系。
作为历史对照，电动机于 1880 年发明，直到 1920 年才开始在统计学意义上显著提升生产力。在这四十年的空窗期内，企业只是想当然地将蒸汽机原地替换为电动机，无人意识到厂房布局应当彻底推倒重来。
Databricks 自身也曾为此付出代价。原本需要三个季度交付的数据连接器，首次交由 AI 处理时，仅节省了半个季度的时间。后来换了一位敢于抛弃原有流程、从头重构的负责人，该项目在一个季度内便完成交付。真正节省时间的并非升级后的模型版本，而是那个敢于拆毁流程重做的人。
Ali 认为，应用层的巨大机遇终将到来，且会集中在那些敢于重写组织逻辑的玩家手中。这一进程的推进速度取决于人的决策，而非依赖 GPT-6 或 Opus-5 等模型迭代。
倒三角趋势
在技术栈中，价值天然具有从底层硬件向上层软件及应用攀爬的趋势。
云计算产业从硬件主导转向软件主导，整整耗时十五年。AI 堆栈若要完成同样的价值翻转，要么依靠应用层的持续爆发，要么等待芯片层的毛利率从 73% 的高位逐步回落至云时代硬件水平的 6%。目前这两股力量都在发挥作用，但速度均显缓慢。按照过去两年的变迁节奏推算，应用层想要在利润份额上追平当年云计算平台的水平，至少需要十年的起步时间。
因此，当下押注芯片层，赌的是未来两年即可兑现的现金流；而押注应用层，看准的则是未来五到十年价值向上迁移的大趋势。
在促使芯片层毛利率发生根本性崩溃的技术革命到来之前，离芯片越近，就意味着离利润越近。