AI不是泡沫，是巨头砸光最后一分钱也不下牌桌的战争
所谓 AI 泡沫，是拿商业回报算出来的账；巨头把它当成新的国防或核武器，算的是被颠覆的风险——所以宁可砸光最后一分钱，也不轻易下牌桌。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
不是泡沫，是输不起的 AI 战争
导火索是 Sam 十月份提的 1.4 万亿算力承诺：30 个吉瓦、GPU 按六年折旧，等于 OpenAI 平均每年要烧 2000 多亿美金，而它 2030 年的公开预测也只有 2000 多亿美金年营收、未来五年累计 5-6000 亿，从现金流视角短期算不过账。但广密说未来两三年 OpenAI 现金流没问题，最近还按 8000 多亿美金估值再融 1000 亿美金。他认为这不是估值游戏而是军备竞赛：开发者选型从「用 AWS 还是 Azure」变成「用哪个模型」，云厂商被白牌化；Agent 一旦成为入口，Super App 和 Uber、携程这类信息中介都会被短路——湾区打 Uber，平台能抽走 50%。输不起的人不会下牌桌。
— 广密看得清两千亿，看不清十个 T
看得清的是三块：订阅——假设 2030 年前做到 40 亿月活、25 亿周活、15 亿日活，10% 付费率就是 4 亿用户，每人 200 美金年费，约 800 亿美金；广告电商——20 多亿周活、每用户 20 到 50 美金，约 500 到 1000 亿；API——拍脑袋 500 到 1000 亿。合计两三千亿美金一年，广密的评价是「只多了一个互联网平台，其实也没啥意思」。看不清的那块才是关键：如果 Agent 端到端替代劳动力，全球 10 亿白领、每个 Agent 白领 1000 到 10000 美金，就是 1 到 10 个 T 的营收。参照系是软件开发市场 1500 亿美金，今年 AI coding 才 100 多亿。
— 广密英伟达是安卓，Google 是苹果
这场战争分成两个阵营：英伟达的 GPU 和 Google 的 TPU。Google 第一次把模型、芯片、云、产品端到端集成，广密说它更像 AI 时代的苹果；英伟达则站在 AI 时代安卓的位置上，下面接着 OpenAI 和 Anthropic，而这两家在人才密度上更优质一些。他认为眼下英伟达和 OpenAI 这条线被低估：GPU 综合比 TPU 好，缺点是贵，但台积电产能就这么多，Ruby 那一代卡应该能甩开 TPU V8 一个代际身位，而且英伟达已经提前占下台积电 1.6 纳米的产能。另一条走势判断是：Google 越强越会形成反 Google 联盟，OpenAI 越强也会形成反 OpenAI 联盟——OpenAI 诞生的初衷就是挑战 Google。
— 广密想做垂直电商，还是小红书
广密偷来的类比是：基础模型公司很像十年前的综合电商，scale SKU 就等于 scale data——想做好哪个能力就加数据，效率更高。像 Amazon 早年靠卖书拉通物流、仓储和用户，再横向扩品类，今天的模型公司在做 PPT、Excel、数据分析和投研。结论是基础模型仍然攫取价值链的大部分价值。落到创业上就是他那个问题：你在做垂直电商，还是小红书？垂直电商也能赚钱，但要退得灵活，历史上垂直电商没出过很大的平台公司；小红书是在综合电商平台之上又构建了一层内容资产。Perplexity、Cursor 属于哪一种，今天还没有答案。
— 广密机器人世界模型可能都是假问题
这是广密自己标为暴论的判断：机器人、世界模型甚至多模态，很多可能是假问题，Online Learning 才可能是唯一重要的真问题——只有它突破了，别的问题才是本质上的解决，因为核心是泛化性；不泛化就只能走自动驾驶的老路，有多少人工就有多少智能。推论很重：未来机器人和世界模型的突破，可能不一定出自今天在做这批人，今天这批人有可能变成上一代 NLP 一样的结果。三个范式的比喻是：预训练的数据像石油、化石燃料，量很大但有限，已经用了七八成；RL 的专家数据像新能源，有用但总量小，所以冒出专门招募人类专家的外包公司；Online Learning 像核聚变，还没突破，突破了就是无敌的。
— 广密agentic web 才是真正的 web3
2026 年他最想看到的是下一个核弹级别的范式突破，比如 Online Learning，因为那会带来更主动的 Agent，产品形态也会变。另一个启发来自豆包手机，他称之为 agentic web：这才是真正的 web3，第一次给了创业公司和新公司掀桌子的机会，之前几年是很难的。逻辑是流量短路——Agent 一旦成为流量入口，今天的 Super App、Google 搜索、手机厂商，以及 Uber、携程这类信息中介都会被影响，本质是抢流量的分配权。他也把 2026 年看成多模态大年，对知识工作者尤其是 coding 的机会最大，手机厂商会是明年的重要主题，因为入口可能不只一个。
— 广密越头部的公司越便宜，越没有泡沫
从上到下数一遍 ARR：OpenAI 200 到 210 亿美金，Anthropic 90 到 100 亿（其中 Claude Code 公开已经 10 亿美金以上），Cursor 超过 10 亿，两家数据标注公司 Surge AI 和 Mercor 都超过 10 亿，Midjourney 7、8 亿，做 serving 的 Together AI 3 亿；再往后基本都少于 3 亿——企业搜索的 Glean、Web coding 的 Replit 2、3 亿，语音的 Eleven Labs 将近 3 亿，前端的 Lovable 2 亿多，医疗版 ChatGPT Open Evidence 1.5 亿，Sierra、Harvey 在 1.5 到 2 亿之间。他的结论是越头部的公司越便宜，越头部的公司越没有 bubble，真有 bubble 可能还是后面的某些公司。
— 广密别把自己包装成美国公司
给华人创业者的三条建议：第一，坚定做全球化市场，尤其是高付费能力的美国市场——美国能贡献收入的 60%、利润的 70%；第二，用好中国的人才和工程师红利，不要放弃中国的产业优势，也不用别扭地把自己包装成美国公司或新加坡公司，团队百分百是中国人，做好产品就是王道。第三，想拿硅谷一线 VC 的钱其实不容易，信任链很难建立，早期能拿什么钱就多拿。他也提到短板：过去三四年全球涨到独角兽的 AI 应用公司有一百多家，他能想到的中国团队只有三五家，这个比例比互联网时代少太多了。
— 广密原话 · 已逐字校验
所以很多人可能就会砸光最后一分钱 也不会轻易下牌桌吧
所以很多人可能会砸光最后一分钱，也不会轻易下牌桌。
广密5:04
你看Google越强 越会形成一个反Google联盟 OpenEye越强 也会形成一个反OpenEye联盟
Google 越强，越会形成一个反 Google 联盟；OpenAI 越强，也会形成一个反 OpenAI 联盟。
广密17:11
我觉得这里有一个暴论啊 就是大家提的机器人世界模型甚至多谋态 其实可能很多是假问题 … Online Learning 可能才是唯一重要的真问题
这里有一个暴论：大家提的机器人、世界模型甚至多模态，很多可能都是假问题……Online Learning 可能才是唯一重要的真问题。
广密39:29
那online learning有一个比喻 就是叫核聚变 这是核能 还没有突破 但如果突破了 就是无敌的 人类就进入轨迹时代了
Online Learning 有一个比喻，就是核聚变：这是核能，还没有突破，但如果突破了就是无敌的，人类就进入硅基时代了。
广密41:31
如果模型数据分布里面 没有这类数据 这类任务就是不work 只有压缩过这类数据 这个任务才work
如果模型的数据分布里没有这类数据，这类任务就是不 work；只有压缩过这类数据，这个任务才 work。
广密42:32
就是叫agentic web 我觉得这才是真正的web3 这个终于有了这样一个power 让创业公司或者新公司 有掀桌子的机会
就是 agentic web，我觉得这才是真正的 web3，它终于有了这样的力量，让创业公司或者新公司有掀桌子的机会。
广密50:39
越头部的公司越便宜, 越头部的公司越没有bubble, 就算有bubble的可能还是后面的某些公司
越头部的公司越便宜，越头部的公司越没有 bubble；就算有 bubble，可能还是后面的某些公司。
广密1:04:55
之前可能是零到五的概率 百分之零到五的概率 现在我觉得到了百分之二十的概率
之前可能是百分之零到五的概率，现在我觉得到了百分之二十的概率。
广密1:16:07
数字与实体
| OpenAI 2030 年前的用户假设 | 40 亿月活 / 25 亿周活 / 15 亿日活 | 8:06 |
| Gemini 与 ChatGPT 的 DAU/MAU | Gemini 10%，ChatGPT 25%；Gemini MAU 约为 ChatGPT 的 20%-25% | 32:22 |
| AGI Index 建议配置 | 25% OpenAI + 25% 字节 + 10% Google + 10% Anthropic + 10% 英伟达和台积电 | 49:37 |
| Generalist 真机数据量 | 宣称 27 万条 | 59:48 |
| Cursor 年化收入 | 超过 10 亿美元；数据标注的 Surge AI、Mercor 也超过 10 亿 | 1:04:55 |
| 豆包 DAU | 超过 1 亿 | 1:06:58 |
| 华人背景团队做出全球最领先 AI 公司的概率 | 从 0-5% 升到 20% | 1:16:07 |
术语
- Online Learning在线学习
- 模型在推理和交互过程中持续学习、更新自己，不再只靠静态的预训练。
- Agentic Web智能体网络
- Agent 成为流量入口之后的网络形态，广密称之为真正的 web3。
- Neo Labs新型实验室
- 硅谷新一批由大厂出走的顶级研究员创办的小型前沿实验室，如 SSI、Thinking Machines。
- Credit Assignment信用分配
- 强化学习里判断每一步动作对最终结果贡献多少。
收听指南
关心模型格局与下注组合的投资人，以及想找 AI 应用生态位的创业者；技术判断集中在 40 分钟之后。
开头的寒暄和季报回顾（约前 3 分钟）可以跳过。