硅谷 AI 大转弯与二级市场的牛市｜42章经

莫傑麟已经是第五次做客我们的播客了。从 23 年底到现在，我们差不多保持着每半年一次的频率，定期复盘中美 AI 的发展趋势。最近我又来了硅谷，也再次和傑麟聊了聊今年美国的 AI 进展，以及近期二级市场的牛市。

本期播客对谈原文约 30000 字，本文经过删减整理后约 10000 字。

曲凯：今年硅谷有什么新趋势？

莫傑麟：今年大家达成了一个新共识：AI 又进入了一个高速发展的阶段。

但硅谷出现了一个大转弯，就是 AI 的核心衡量指标，从「Scaling Law」变成了「Token 消耗量」。

今年最核心的叙事，就是 Token 消耗量在持续增长，而且增速惊人，比如七月就比六月增长了 20% 以上。这非常像移动互联网高速发展那几年里，流量、留存等指标的增长曲线。

在 Token 消耗加速的背景下，从最底层的 GPU，到模型，再到最上层的应用，整个行业都有新的发展。

目前消耗 Token 最多的，还是 OpenAI、Anthropic、xAI 等几家核心 AI Labs。再细分来看，增速最快的是这些 Labs 自有的应用，比如 ChatGPT 的日活、使用时长都在上涨，其次是很多 ToC 的生产力工具。

曲凯：所以大家现在会越来越多地用大模型。但今年美国的模型并没有明显变聪明，GPT-5 的评价甚至还褒贬不一，为什么它还是有不错的增长？

莫傑麟：这背后有一个很重要的认知迭代，就是大家对 AI 的预期发生了变化。

为什么大家从 24 年开始就一直很期待 GPT-5？

因为过去大家期待模型会不断突破智能上限，实现 AGI。

但从今年 1 月开始，大家更期待的是能在日常生活中用好现有智能，因为现有智能已经解锁了很多应用场景，而且大家的需求也很强烈。B 端希望 AI 可以解放生产力、降本增效，C 端则希望 AI 可以替代搜索、辅助工作等等。

所以无论是 AI Labs、Infra 公司还是应用公司，都在想办法让现有智能更可用，释放更多需求，衡量指标自然也就从 Scaling Law 转向了 Token。

不过不同公司关注的截面不一样，比如应用端主要看 Token 的消耗量，Infra 端更关注 Token 的利用率和成本。

其实你每期播客我都有听哈哈，我看你今年请了很多做 Infra 的创业者，他们做的事情就是让 Token 响应更快、更稳定、更精细化，甚至是把成本降下来。

GPT-5 本质上也在走这条路。它没有试图证明自己更聪明，而是把很多之前分散的模型能力、信息和前端界面都整合了起来，从而追求更好的可用性和易用性。

曲凯：所以 AI 已经进入应用阶段了？

莫傑麟：我觉得已经过了应用阶段，到了逐步产业化、加快工业化的新阶段了。

AI 完整进入应用阶段的标志是 Chatbot，最后一个关键更新是 Agent。

Agent 特别像移动互联网时代的 App，以前每个产品都需要一个 App，现在每个场景可能都要有一个 Agent。

但目前 Agent 的 Token 利用效率还不够高。比如我们用 Manus，经常发现 credit 很快就用完了。

那为了让 Agent 的使用体验更好，就需要去优化 Infra，让智能更好地落地。

曲凯：那如果大家不再讲 Scaling Law，是不是意味着 AGI 不重要了，或者说实现不了了？

莫傑麟：这点很有意思。今年大家对模型和应用的分工也形成了一个新共识。

模型的地位依然很强势。并不是说模型智能不重要了，而是它必须被封装进商业环境，或者和 Infra 结合，成为一体化的解决方案，真正提供商业价值和产品价值。

在应用层面，过去大家常常争论套壳有没有价值。但随着 RL 范式的发展，大家逐渐发现目前可被验证的使用场景并不多，所以现阶段更实际的做法是先通过产品让用户把模型用起来。比如 Manus 提出的 Context Engineering，就是一个从产品层面找到的切口。越来越多的人也认识到，context layer、agentic layer 本身也很有价值。

所以今年不同位置的玩家都会以 Token 消耗量为主轴去做事，各有分工。模型公司要让 Token 本身更有价值，Infra 公司要让 Token 的使用更快、更好、更省，而应用公司则会想办法让消耗出去的 Token 换回更多的数据反馈。

曲凯：但如果模型公司不再把精力放在 AGI 上，而转向整合和应用，这是不是一种不太健康的趋势？

一方面，应用端已经卷得厉害了。就拿 AI Coding 来说，美国甚至卷得比国内还狠。如果模型公司也下场，岂不是更卷？不过可能有 PMF 的事情还是太少了，大家看到一个能跑通的事情，不去做也不太现实。

另一方面，之前 OpenAI 之类的公司专注于提升智能，每次智能有突破，就会解锁更多能力，催生一批新的套壳公司。但如果今天模型公司不再追求智能提升，而是把有 PMF 的事情顺手做掉，那好像模型和应用之间的分工反而变模糊了？

莫傑麟：我觉得这反映了一个很有趣的变化，就是今天的公司和过去的公司不太一样。

以前我们习惯用一句话来定义一家公司，比如字节就是「App 工厂」。到了 AI 这波，大家也有这种惯性，想用一句话去定义各种公司，比如 Google 就是「有很强的技术人才储备」。

但在 AI 时代，技术和产品是可以逐步融合的，可能就没必要把分工划得特别清楚。

能融合到什么程度还不好说，但从逻辑上来说，应用可以提供一部分数据给模型，所以一些有企图心的公司一定会尝试既做模型，也做产品，甚至顺带做一些 Infra，把整个链条端到端地打通。

我们也确实能看到，今年 OpenAI 招了不少创业公司的 founder 进来做产品，Google 在应用端的发力也越来越快；Manus 本身就在做一些技术工作，Cursor 也开始训练自己的模型。

所以说，今年不同 AI 公司之间的边界变得很模糊。

曲凯：如果模型和应用公司能够互相促进，形成平衡，长期看当然是好事，但前提还是要看模型本身的能力能发展到什么程度。

比如 GPT-3.5 解锁了聊天能力，才有了 C.AI 这类产品；模型具备了 RL 推理能力，就出现了一大批 Agent 公司。这也是为什么我们最近在看多模态，因为如果多模态模型解锁了新的能力，未来就可能涌现出多模态时代的 C.AI 和 Manus。

不过现在回看，其实当时 o1 出来之后，大家都觉得模型好像没变得更聪明。

最近 GPT-5 发布，似乎大家也觉得它没解锁什么新能力。在你看来，GPT-5 有没有什么被低估的地方？

莫傑麟：我觉得很有。

首先评估模型智能水平这件事的重要性已经降低了。

今年 OpenAI、DeepMind 的模型已经拿下了 IMO 金银牌，说明我们其实已经没有太多合适的工具去评估模型的好坏了。

而且现在 AI 已经进入工业化和产业化的新阶段，在这个阶段，最关键的评估指标就不是智能水平，而是成本，因为在性能差不多的情况下，只有足够便宜，产业化才能加速。

另外，我觉得大家对模型的预期经常和模型本身的能力有偏差。

比如当时大家对 o1 的预期是它一下子能解决很多问题，但回头看，大家当时并不知道它解锁了什么能力，也不知道该怎么准确评估。后来大家才慢慢意识到，RL 范式在产品上最直观的体现，是模型更懂你、情商更高，降低了用户写 prompt 的门槛。

那么我个人认为，GPT-5 是一个非常重要的转折点。它标志着大家对 AGI 的预期被大幅修正，接下来拼的就是全栈能力和效率。

GPT-5 依然是一个不错的可用的模型，更关键的是它把模型拆分成了 Instant、Thinking 等不同模式，从而能够分开计价。从商业模式上看，GPT-5 已经明显进入了加速产业化的阶段。

曲凯：但这岂不是进入了国内创业者的舒适区？假设大家都开始拼整合、拼 Infra、拼工程，那 DeepSeek 不会比 ChatGPT 差，甚至可能更好。

莫傑麟：逻辑上是这样。

因为模型确实进入了一个瓶颈期。除非 Thinking Machines 能带来新的架构创新，否则大家基本已经接受模型架构就是这样了，智能提升主要来自各个环节挤出来的增量。

不过各个环节的增量叠加起来，依然有几十个百分点的提升空间，也还有围绕 Infra 的创新余地，所以今年几家 AI Labs 在 ASIC 上的研发速度都加快了，都在围绕 Infra 下功夫。

曲凯：对，我们刚跟亦博录完一期，和他聊完我才意识到，原来现在 Infra 这么重要、对模型的影响这么大。

比如之前大家都在讨论 DeepSeek 为什么这么强，亦博给出了一个特别好的答案，就是因为 DeepSeek 的 Infra 足够强、梁文锋本人也特别懂 Infra。

莫傑麟：我听了那期播客，我觉得亦博讲得非常好。Infra 的作用其实很直观，但做 Infra 优化的人还不多。

在我的理解里，Infra 优化可以拆成四层：

第一层是模型和 GPU 之间的优化，也就是怎么把卡用好。我理解 DeepSeek 就是在这一层做得特别好。

第二层是模型和应用之间的优化，现在主要体现为推理加速。以前模型公司会顺手把这件事做了，但今年有了一些初创公司的机会。因为 Anthropic 不再给 Windsurf 提供 API 之后，很多应用公司不想只绑定一家模型，而是会去找 Together AI 和 Fireworks 这样的中间商，然后顺便让它们帮忙做推理优化。不过推理加速的技术壁垒不高，很多东西还是开源的，所以这一层的毛利空间还存在争议。

第三层是纯应用层的 Agentic Infra。像 、在你们播客里提到过的就属于这一层。这一层做得好不好，会直接决定用户体验。比如你给 Manus 一个任务，它是只能跟你对话，还是能在前端直接调动一个优化好的模型帮你做事，用户感知差别会很大，消耗的 Token 也会完全不同。

第四层就是 context 层的 Infra。Manus CTO Peak 提到的 Context Engineering，讲的就是这一层的事。

曲凯：明白。所以未来一段时间里，模型会把更多东西整合起来，既包括已经验证过 PMF 的应用，也包括能优化 Token 消耗的 Infra。

在这个前提下，我自然会有个疑问：

为什么英伟达和一些 AI 公司还能涨得这么好？尤其是英伟达，它上一波大涨主要是靠 Scaling Law，现在大家都不讲 Scaling Law 了，为什么它还在涨？

莫傑麟：英伟达涨得好的核心原因，就是 Token 消耗量一直在增长。

英伟达的需求主要分两部分。一部分来自模型训练，尤其是 pre-training。这类需求有周期性，当模型或架构稳定后，训练用卡需求会下降。另一部分则是推理需求，来自用户的使用过程。这两种需求此消彼长，前者对应 Scaling Law 的逻辑，后者则对应 Token 消耗的逻辑。

现在 Token 的消耗越来越多，大家看到 RL 的进展、Meta 大规模招人后，对 pre-training 的需求也在回升。再加上英伟达在软件和售后服务上的优势，很多公司更愿意一站式地用他们的 GPU。各种利好因素叠加，英伟达自然还是会有不错的涨势。

但今年一些 ASIC 厂商，包括 AMD 的股价也表现亮眼。

这说明什么呢？

说明虽然英伟达依然强势，但市场和公司已经在思考怎么「节流」了。比如一些大公司会考虑在推理环节用 ASIC 或 AMD 来降低成本。而国内因为长期有卡脖子的问题，更是早已有不少替代方案。

这里面其实有一个赚钱的密码，就是大家只要解锁了 Infra 的变化趋势，可能就会在其中找到机会。今年很多英伟达产业链公司的涨幅甚至超过英伟达本身，就是因为它们是在 Infra 层做优化。

曲凯：你前面讲过 Infra 优化有四层，现在最核心的是哪一层？

莫傑麟：最核心的还是最底层，因为卡的价格依旧决定了所有事情的走向。但英伟达实在做得太好了，所以这一层的优化会是一个长期趋势，不会特别快。

曲凯：但像你说的，国外 AMD 等公司，国内的寒武纪、光模块企业也都涨得很好。那这个涨势能延续多久？

莫傑麟：逻辑上的延续性很强。大家都希望降本，也希望英伟达多几个竞争对手，至少在推理端有更多替代方案。

但关键还是要看个体公司能不能真的交付出东西来。硬件需要订单、预期和交付能力同时到位。在没到这个合力点之前，就算需求和预期再高也没用。

Infra 层还有一个很有意思的看点，就是推理加速这种事情，到底是第三方公司的机会，还是模型公司、应用公司自己就能做掉。

曲凯：但这个短期内应该很难看出来，相当长一段时间可能都会并行。

莫傑麟：是。不过这其中有一个转折点，就是现在该出现的 Infra 公司基本都出现了。所以我们也在观察这批公司里会不会长出下一个 Snowflake，或者出现一个嵌在 Palantir 里的 Snowflake。

曲凯：明白。你们今年还有看到什么比较有意思的应用吗？

莫傑麟：今年有两个点让我印象很深。

第一，RL 范式出来之后出现了一些变化。

一方面大家逐渐认识到，能给出准确 reward 的场景其实很有限，所以都争相去做 Coding、数学这些能明确验证效果的场景。

另一方面，大家也意识到很多场景依然需要人的介入，所以一些垂类公司发展得还不错，比如法律领域的 Harvey AI 就做到了很高的 ARR，医疗、金融、保险等领域也都出现了找到 PMF 的团队。这些团队借助模型去解决了一些行业 workflow、专用语言和使用环境等问题，真的把智能用了起来。

第二个亮点来自国内创业者。今年有一些国内团队解决了一部分模型和 context 之间的 Infra 问题，并且率先找到了场景，让消费者直接感受到了智能。比较有代表性的产品包括 Manus 、Genspark、Fellou 等等。

曲凯：今年美国二级市场上还有一些挺有意思的公司，比如 Meta 最近就超级火。你们最关注的几个点是什么？

莫傑麟：Google 和 Meta 这两家公司很值得研究。

Google 最值得研究的课题，是组织模式和技术储备等要素，究竟哪一个对 AI 发展来说更关键。因为大家一直认为 Google 有很强的全栈技术能力，但协作效率有问题。然而，Google 今年在文字模型、视频模型和机器人上都有所进展，依然能稳居行业前二。

这个课题很难回答，或许更适合国内的企业家去思考。因为他们经历过类似的大规模竞争，更容易理解什么才是决定性因素。他们也可以判断，如果 Google 真的能够改变组织模式，是不是有机会创造出更厉害的新东西？

Google 的问题和 Meta 也有所呼应。

Meta 当下争议最大的课题，就是砸钱招人到底有没有用。一部分人认为临时拼凑的团队缺少统一愿景，很难做出下一代模型。但另一部分人会觉得，Meta 招的人几乎都是各个 Lab 的顶尖专家，而且很多人都拥有丰富的一线工程经验。

曲凯：甚至很多人还有上镜经验，比如上过 OpenAI 的发布会（笑）。

莫傑麟：是的哈哈。所以这两个课题都非常有意思。

把它们放在一起看，可以看出一个趋势，就是大家今年的 FOMO 情绪不仅没有减弱，反而更强了。折射到行动上，就是各个公司从 23 年的「抢卡」，演变成了今年的「抢人」。

曲凯：但我觉得大家本来还好，好像是 Meta 靠一己之力把 FOMO 又带了起来。

莫傑麟：但是国内腾讯也在做类似的事。美国除了 Meta、Google，这半年里微软，甚至 ServiceNow 这样的公司，招聘动作也都很夸张。

至于为什么会这样，不同的人有不同的视角。

曲凯：所以你的视角是什么？

莫傑麟：我觉得是因为 AI 真的离产业化越来越近了。

我经常开玩笑说，现在的 AI 很像当年的移动互联网地推。过去靠地推把线下用户拉到线上，今天则靠 AI 把用户带进全新的场景。

所以那些有场景、有能力的公司，会更真切地感受到 AI 不是遥不可及的 AGI，而是能和自己的商业场景结合、贴近产业化的实在创新，那他们就会更坚定地去做判断和动作。

曲凯：明白。前面我们聊到，Token 消耗的叙事仍然带动了很多二级市场股票的增长。在我们录音的这两天里，国内也进入了一波牛市。那你觉得未来一段时间，二级市场的反馈会有什么变化？

莫傑麟：中美二级市场目前表面走势类似，但驱动逻辑完全不同。

AI 对美国整体景气度的影响占到三分之二以上，因为它决定了美国能不能在科技生产力上继续保持领先，进而影响各个产业的落地。

所以美股的走势相对更好判断，本质上取决于大家对 AI 发展的预期。过程中当然会有各种干扰和颠簸，但只要市场相信美国 AI 能持续领先，产业化、工业化在不断加速，那美股整体还是一个偏向上的局面。

中国这边则更复杂。

AI 对中国也很重要，但没有美国那样的决定性地位，因为中国宏观经济和二级市场情绪，受居民存款、投资意愿、风险偏好、制造业周期等多重因素影响，所以 A 股的表现更多反映的是大家心理预期和风险偏好的变化。

曲凯：我们先讲美国。我记得你提过一句话，说「AI 是美国所有资产里唯一的泡沫」。

莫傑麟：我现在依然这么认为。但这里的「泡沫」不是贬义，不是说 AI 是骗局、没有发展前景，而是说它的估值确实偏高。

曲凯：那比如之前英伟达到 3 万亿市值时，大家核心在验证的是模型能力能不能持续提升、Scaling Law 是否依旧有效。

现在有没有类似的待验证点，一旦被证伪，就会让市场的泡沫破掉？

莫傑麟：有两件事特别关键。

第一，Meta 为什么在这个时间点花这么多资源组建这样一个团队，以及他们能不能在 6 到 12 个月内做出更好的模型。

第二，会不会出现一些能稳定消耗 Token 的应用或场景。

美国现在有个词叫 Vibe Revenue，意思是用户知道 AI 有用，但并不清楚到底能用它干什么，所以现在很多产品的收入其实来自于用户过高的预期，甚至是跟风。

曲凯：所以你觉得以英伟达为代表的这些 AI 的 Beta，在美国二级市场会继续涨吗？

莫傑麟：会有波动。但在 Meta 推出新模型，或者发现 AI 没有真需求（如果那一天真会到来）之前，大趋势还是顺的。

曲凯：但国内二级市场的 AI 表达，更多还停留在芯片、Infra 上，比如寒武纪、英伟达的产业链公司等等。国内好像就没有 Meta、Google、微软这样的标的。

莫傑麟：其实有。

一开始大家认为最原生的 AI 公司是 DeepSeek 和字节，但这两家都没上市。今年大家找到的新标的是腾讯，过程中一度是阿里，但因为今年腾讯在 AI 上的努力程度和战略高度都强了很多，所以腾讯今年的股价也很顺。

曲凯：其实就还是大厂逻辑。只要一个大厂花钱了、让大家感觉到它在努力了，就会被列入到这类故事里面。

莫傑麟：也要看它有没有实质性进展。

其实这波 AI 的估值逻辑和移动互联网完全不同。移动互联网时代大家看的是 PMF、市场占有率和留存率这些指标。

但现在大家的商业和投研能力强了很多，不再只盯着现成的数据，而是会预判这项技术重不重要、这些人的执行力和视野是不是对的、这家公司是不是在正确的路径上等等。只要你的业务基础是健康的，市场就愿意给你希望。

这套逻辑今年在 Meta 和腾讯身上都得到了验证。

曲凯：所以这波 A 股到底是不是牛市？该怎么判断？

莫傑麟：这件事我相信谁讲都容易被打脸（笑）。

二级市场本质上是预期的投射。比如科技在美国市场之所以特别关键，是因为它代表着一种长存的预期，而且科技的毛利率也很高。

我记得 24 年初，我们录过一期关于乐观的播客。当时市场环境很悲观，但我们身边的创业者和大厂负责人并没有躺平，而是在积极向上、扎扎实实地做事。

到了今年，这批人真的找到了能比全球同行做得更好的事情，比如泡泡玛特、生物医药等等。

所以，从 24 年初到现在，我观察到的最大变化，就是 AI 已经从少数人相信的愿景，变成了真正落地的好产品，比如 DeepSeek、Manus、Genspark 等等。

那么牛市需要两个要素，一是要有一批优质公司能持续输出业绩，这一点从去年开始中国市场就具备了。二是市场的风险偏好在提高。要具备这一点，就需要市场能有正反馈，也就是大家能真正赚到钱。

曲凯：你发给我的那张有人拄着拐也要开户的照片，其实就印证了第二点哈哈。

莫傑麟：是的。其实这波波动里一个很重要的群体就是散户。

现在的散户和过去相比，手里有更好的投研工具，也能接触到更优质的信息。不论他们的判断对不对，研究散户本身也很有价值。

美国最优秀的投资机构是平台型资产，靠高周转获取收益。如果市场里全是高周转资金，或者全是跟随型量化，要形成牛市反而更难，因为资金都在博弈。

相比之下，散户往往更团结，尤其是高知散户，对一家公司会有更坚定的认知。比如特斯拉和 Palantir 就是典型的由散户推动起来的公司。

曲凯：但这跟很多人的认知是反的。很多人说国内市场波动大，正是因为散户占比太高，缺少长线资金，而美股机构资金占比高，所以更稳定。

莫傑麟：但这两年的二级市场和以前已经完全不同了。

确实，美国的长线资金占比很高，但这类资金周转非常慢，不会引发 6 到 12 个月周期的剧烈波动。现在市场的波动，通常是由机构、量化资金加上散户共同引起的。

不过，就像我前面说的，机构和量化资金大多是跟随型、博弈型，其中六七成都不够团结。他们会紧盯别人的预期，一旦判断这个预期有误，就会立刻进行反向交易。

而散户通常不会有太多博弈性动作。而且在美股这种「熊短牛长」的环境里，散户更容易形成自己的投研体系，并通过正反馈不断完善。比如，有人因为看好英伟达或特斯拉而赚到钱，就会逐渐形成一套自己的投资方法论。

所以这些散户对股票的选择很有借鉴价值。

以 Palantir 为例，我们一开始看好它只是因为订单充足，但如今它已经被推到了百倍以上的估值。这背后既有基本面的支撑，也有散户的贡献。

再回到 A 股是不是真牛市这个问题。我个人相对偏乐观，但这其中有一个重要的变量，就是中国的个人投资者，尤其是那些平均股龄二十年的老股民会怎么做。

A 股的牛市相对较短，熊市更长，散户很难建立稳定的反馈系统，往往刚做对一些事，市场就转向了。但老股民们即使不炒美股，可能也从美股中学到了不少东西。如果他们能把这些经验移植到 A 股，或许会带来很有意思的变化。

曲凯：这段很有意思。确实，A 股没有长牛，所以很难形成真正的正反馈闭环，大家更多还是一种猥琐发育或竞合关系的循环。

然后过去两年，美股 AI 板块表现最好的，基本还是那几只大票。你觉得未来会有什么变化？

莫傑麟：我们把模型和算力统称为 Infra。过去一段时间，市场一直在尝试从 Infra 切换到软件。因为大家的肌肉记忆是当 Infra 成熟之后，软件应用里应该会跑出一个大牛股。

但过去两年市场一直没太切过去，因为大家发现还是 Infra 公司手里有数据、有 demo、有顶尖人才，所以大部分交易热情还是集中在 Infra 上。最多是大家看完英伟达，再去看看它的产业链、投资标的，或者更便宜的芯片替代方案。

不过今年出现了一些值得关注的应用公司。

第一个是 Reddit。它有点像美国版的知乎 + 小红书 + B 站，而且没有被过度商业化，社区数据质量很高。现在 ChatGPT 就在高频使用 Reddit 的数据。我最近也经常在想，如果知乎或小红书本身也有很强的 AI 团队，会做出什么样的产品？

第二个是 ServiceNow。这家公司会帮企业梳理 Workflow，然后把能固化的部分做成软件交付。虽然起步慢，但他们凭借着强大的交付能力和工程能力，逐渐占领了用户心智，还拓展了一些 500 强客户，拿到的软件需求越来越多，现在的增长速度也快了起来。我很推荐想做美国 ToB 业务的创业者去研究一下 ServiceNow 的路径。

第三个值得关注的公司是 Figma。当年国内研究 SaaS 时，大家都很有热情地分析过一些 PLG 公司，比如 Figma、Notion 等等。这批公司如今几乎都是 AI 的赢家，而且它们的打法也契合华人团队在增长上的优势。

不过，大家对 Figma 的评价非常两极。一种声音认为它只是设计软件，技术不够先进，容易被原生 AI 产品替代。

但在我看来，设计本身离 AGI 就还比较远，所以 Figma 最大的优势在于它的协作场景。实际上，用户使用 Figma 的一大需求，是他们的设计师可能不在同一地点工作，所以需要通过 Figma 完成协作，甚至是制作一些模版。

另外，Figma 作为一个中生代公司，既有成熟的场景和资源，也有几百亿美元的市值作为人才和资本的保障。如果它能把 AI 真正融入协作场景，或许也能给其他几百亿、几十亿美元规模的公司提供一个参照。

曲凯：明白。二级市场我们已经聊得很全了，美国一级市场有什么值得关注的吗？

莫傑麟：今年美国一级市场最明显的现象，就是模型公司的估值越来越夸张。

像 Thinking Machines，一上来就是上百亿美元的估值，全明星团队加持。再比如 Scale AI 的收购，也进一步强化了大家对模型产业的信心。

当然，这些市场变动背后的过程很复杂，不能只看结果。但它们反映出了一个大趋势，就是 AI 的个体性极强，可能只有那 1% 最特别的团队，能拿到最多的钱。

而且确实有不少人通过二手份额，从 Scale AI、OpenAI 这样的公司上赚到了钱，这种正反馈又进一步加剧了市场对顶尖 AI 公司的追捧。

在我十几年的从业生涯里，从没见过第一梯队和第二梯队之间有这么大的估值差距。

我也很好奇，国内今年的融资环境也是接近美国这种局面吗？

曲凯：有类似的趋势，也有不同点。

美国的一级市场的一个优势就是它有一个非常好的生态，也就是一个健康的闭环。而国内一级市场缺乏这种生态，所以更多是单点击破，最终只有少数几家公司拿到最多的钱、赚到最多的钱，以及投中这几家公司的少数机构，也会赚到最多的钱。

然后最近一两年，国内一级市场有两个明显的变化。

第一，不可否认的是整个市场在往下走。虽然中间有起伏，但拉长时间线看，过去两三年和过去五年、十年相比，整体还是下行的。而且国内一级市场越来越像一个偏职能型的部门。它不再是驱动增长、带来大增量的引擎，而是一种必备的基础配置。

第二，两极分化越来越严重。因为 DeepSeek 和 Manus 的大火，今年 AI 的热度可能是去年的十倍，但从实际投资数量看，和往年差别不大，绝对没有十倍那么多，不过被投中的公司可能真的能拿到十倍的资金。结果就是大家仍然想投最好的团队和公司，而且这种两极分化的趋势目前看起来还会继续。

莫傑麟：最近美国一级市场还有一个很火的概念叫 Vibe Coding。Coding 成本越来越低，个体在早期验证 PMF 变得更容易、更便宜，所以很多原本做 VC 的人开始转去做孵化器或加速器，去支持各种「一人公司」。国内有类似的趋势吗？

曲凯：国内有人在做类似的事，也有人在支持独立开发者。

但我的看法可能和大多数人不太一样。

AI 的确会让未来公司的效率更高，需要的人更少，但这并不意味着会普遍出现「一人公司」。如果两个人能把事做得更好，为什么一定要一个人？关键还是要看组织结构和人效比，而不是执着于概念。

另外，大家经常会看到新闻说美国某个独立开发者一年能赚几百万美金，但国内这样的例子很少。我觉得一方面是因为美国生态更完善，能变现的钱更多，另一方面是国内很多独立开发者工程和代码能力很强，但在商业化和产品运营上的经验相对不足。

莫傑麟：我还有个好奇的问题。你接触张月光、曹越、小红他们这些创业者这么久，你觉得国内创业者怎么看 AI？他们遇到的最大困难是什么？

曲凯：我们接触的创业者状态差不多，都是越来越相信 AI 的前景。

至于困难，首先模型的竞合始终是个问题，就是怎么能更好地利用模型去做更好的产品，但又不会被模型的迭代吃掉。

第二是市场选择。很多公司现在首选出海，因为大家觉得 AI 成本太高，只有付费能力和意愿更强的市场才能覆盖成本。

但我觉得很多人对国内市场的悲观都是感性判断。如果你真正去拆解逻辑，会发现国内市场完全可做。因为长远来看，国内 Token 成本有可能降到接近零。到那个时候，大家完全可以重走移动互联网的路径，比如做大 DAU 的产品，靠广告赚钱，或者做社交产品等等。

所以中长期来看，我认为国内市场仍然有机会。

莫傑麟：我还有最后一个问题。我发现今年视频消耗 Token 的增速非常快，不仅增速远高于文字，绝对数量也很高。我们一直在研究，到底是哪些应用在拉动这波消耗。你有看到什么有意思的应用吗？

曲凯：我们今年年初发过一篇，其中的各种预测都在逐步被验证。

我们在文章中提到过，今年的两大重点就是 Agent 和多模态。Agent 那波已经过去，接下来就是多模态，而多模态里最突出的就是视频。

不过，目前大多数 AI 视频产品还停留在特效、剪辑，或者图片转视频阶段。这些方向虽然可能会消耗很多 Token，但还称不上是真正的多模态原生应用。

我们真正期待的，是当像 Veo3 这样的模型变得更好、更便宜时，会不会出现类似 Manus 的现象级产品。它也许是一个多模态原生的内容社区，也许是一个多模态推理产品，甚至可能是类似世界模型的探索性应用。

一旦这样的产品出现，可能就又会带动一波长达半年甚至更久的浪潮。

【莫傑麟 @ 42章经文字稿 & 播客回顾】

2025.3《世界怎么就「东升西落」了？聊聊二级市场与 DeepSeek+Manus 的热潮》 （）

2024.7《上半年 AI 市场有多差？为什么机构出手这么少？》（）

2024.3《英伟达、Sora 与 AI 的三种核心叙事逻辑》（播客传送门：https://www.xiaoyuzhoufm.com/episode/65e34a65da891a9cd9bf90f2）

2023.12《为什么我们开始乐观？关于经济发展的明线暗线、AI 与最佳实践》（播客传送门： https://www.xiaoyuzhoufm.com/episode/656aeffd0500be931c4eb099）

最后，莫傑麟团队最近在做一个叫 WhatIf 的项目，希望把更多投研经验与 AI 实践结合起来。他们定期组织商业和投资的 Panel 讨论，如果你对中国和美国 AI 基础设施和应用公司研究有持续稳定的视角，且对宏观/二级市场策略感兴趣，可以在公众号「WhatIf Ideas」中提交注册信息，通过后加入讨论日历名单。

42章经

思考事物本质