AI不是泡沫，是巨頭砸光最後一分錢也不下牌桌的戰爭
所謂 AI 泡沫，是拿商業回報算出來的賬；巨頭把它當成新的國防或核武器，算的是被顛覆的風險——所以寧可砸光最後一分錢，也不輕易下牌桌。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
不是泡沫，是輸不起的 AI 戰爭
導火索是 Sam 十月份提的 1.4 萬億算力承諾：30 個吉瓦、GPU 按六年折舊，等於 OpenAI 平均每年要燒 2000 多億美金，而它 2030 年的公開預測也只有 2000 多億美金年營收、未來五年累計 5-6000 億，從現金流視角短期算不過賬。但廣密說未來兩三年 OpenAI 現金流沒問題，最近還按 8000 多億美金估值再融 1000 億美金。他認為這不是估值遊戲而是軍備競賽：開發者選型從「用 AWS 還是 Azure」變成「用哪個模型」，雲廠商被白牌化；Agent 一旦成為入口，Super App 和 Uber、攜程這類信息中介都會被短路——灣區打 Uber，平臺能抽走 50%。輸不起的人不會下牌桌。
— 廣密看得清兩千億，看不清十個 T
看得清的是三塊：訂閱——假設 2030 年前做到 40 億月活、25 億周活、15 億日活，10% 付費率就是 4 億用戶，每人 200 美金年費，約 800 億美金；廣告電商——20 多億周活、每用戶 20 到 50 美金，約 500 到 1000 億；API——拍腦袋 500 到 1000 億。合計兩三千億美金一年，廣密的評價是「只多了一個互聯網平臺，其實也沒啥意思」。看不清的那塊才是關鍵：如果 Agent 端到端替代勞動力，全球 10 億白領、每個 Agent 白領 1000 到 10000 美金，就是 1 到 10 個 T 的營收。參照系是軟件開發市場 1500 億美金，今年 AI coding 才 100 多億。
— 廣密英偉達是安卓，Google 是蘋果
這場戰爭分成兩個陣營：英偉達的 GPU 和 Google 的 TPU。Google 第一次把模型、芯片、雲、產品端到端集成，廣密說它更像 AI 時代的蘋果；英偉達則站在 AI 時代安卓的位置上，下面接著 OpenAI 和 Anthropic，而這兩家在人才密度上更優質一些。他認為眼下英偉達和 OpenAI 這條線被低估：GPU 綜合比 TPU 好，缺點是貴，但台積電產能就這麼多，Ruby 那一代卡應該能甩開 TPU V8 一個代際身位，而且英偉達已經提前佔下台積電 1.6 納米的產能。另一條走勢判斷是：Google 越強越會形成反 Google 聯盟，OpenAI 越強也會形成反 OpenAI 聯盟——OpenAI 誕生的初衷就是挑戰 Google。
— 廣密想做垂直電商，還是小紅書
廣密偷來的類比是：基礎模型公司很像十年前的綜合電商，scale SKU 就等於 scale data——想做好哪個能力就加數據，效率更高。像 Amazon 早年靠賣書拉通物流、倉儲和用戶，再橫向擴品類，今天的模型公司在做 PPT、Excel、數據分析和投研。結論是基礎模型仍然攫取價值鏈的大部分價值。落到創業上就是他那個問題：你在做垂直電商，還是小紅書？垂直電商也能賺錢，但要退得靈活，歷史上垂直電商沒出過很大的平臺公司；小紅書是在綜合電商平臺之上又構建了一層內容資產。Perplexity、Cursor 屬於哪一種，今天還沒有答案。
— 廣密機器人世界模型可能都是假問題
這是廣密自己標為暴論的判斷：機器人、世界模型甚至多模態，很多可能是假問題，Online Learning 才可能是唯一重要的真問題——只有它突破了，別的問題才是本質上的解決，因為核心是泛化性；不泛化就只能走自動駕駛的老路，有多少人工就有多少智能。推論很重：未來機器人和世界模型的突破，可能不一定出自今天在做這批人，今天這批人有可能變成上一代 NLP 一樣的結果。三個範式的比喻是：預訓練的數據像石油、化石燃料，量很大但有限，已經用了七八成；RL 的專家數據像新能源，有用但總量小，所以冒出專門招募人類專家的外包公司；Online Learning 像核聚變，還沒突破，突破了就是無敵的。
— 廣密agentic web 才是真正的 web3
2026 年他最想看到的是下一個核彈級別的範式突破，比如 Online Learning，因為那會帶來更主動的 Agent，產品形態也會變。另一個啟發來自豆包手機，他稱之為 agentic web：這才是真正的 web3，第一次給了創業公司和新公司掀桌子的機會，之前幾年是很難的。邏輯是流量短路——Agent 一旦成為流量入口，今天的 Super App、Google 搜索、手機廠商，以及 Uber、攜程這類信息中介都會被影響，本質是搶流量的分配權。他也把 2026 年看成多模態大年，對知識工作者尤其是 coding 的機會最大，手機廠商會是明年的重要主題，因為入口可能不只一個。
— 廣密越頭部的公司越便宜，越沒有泡沫
從上到下數一遍 ARR：OpenAI 200 到 210 億美金，Anthropic 90 到 100 億（其中 Claude Code 公開已經 10 億美金以上），Cursor 超過 10 億，兩家數據標註公司 Surge AI 和 Mercor 都超過 10 億，Midjourney 7、8 億，做 serving 的 Together AI 3 億；再往後基本都少於 3 億——企業搜索的 Glean、Web coding 的 Replit 2、3 億，語音的 Eleven Labs 將近 3 億，前端的 Lovable 2 億多，醫療版 ChatGPT Open Evidence 1.5 億，Sierra、Harvey 在 1.5 到 2 億之間。他的結論是越頭部的公司越便宜，越頭部的公司越沒有 bubble，真有 bubble 可能還是後面的某些公司。
— 廣密別把自己包裝成美國公司
給華人創業者的三條建議：第一，堅定做全球化市場，尤其是高付費能力的美國市場——美國能貢獻收入的 60%、利潤的 70%；第二，用好中國的人才和工程師紅利，不要放棄中國的產業優勢，也不用彆扭地把自己包裝成美國公司或新加坡公司，團隊百分百是中國人，做好產品就是王道。第三，想拿硅谷一線 VC 的錢其實不容易，信任鏈很難建立，早期能拿什麼錢就多拿。他也提到短板：過去三四年全球漲到獨角獸的 AI 應用公司有一百多家，他能想到的中國團隊只有三五家，這個比例比互聯網時代少太多了。
— 廣密原話 · 已逐字校驗
所以很多人可能就會砸光最後一分錢 也不會輕易下牌桌吧
所以很多人可能會砸光最後一分錢，也不會輕易下牌桌。
廣密5:04
你看Google越強 越會形成一個反Google聯盟 OpenEye越強 也會形成一個反OpenEye聯盟
Google 越強，越會形成一個反 Google 聯盟；OpenAI 越強，也會形成一個反 OpenAI 聯盟。
廣密17:11
我覺得這裡有一個暴論啊 就是大家提的機器人世界模型甚至多謀態 其實可能很多是假問題 … Online Learning 可能才是唯一重要的真問題
這裡有一個暴論：大家提的機器人、世界模型甚至多模態，很多可能都是假問題……Online Learning 可能才是唯一重要的真問題。
廣密39:29
那online learning有一個比喻 就是叫核聚變 這是核能 還沒有突破 但如果突破了 就是無敵的 人類就進入軌跡時代了
Online Learning 有一個比喻，就是核聚變：這是核能，還沒有突破，但如果突破了就是無敵的，人類就進入硅基時代了。
廣密41:31
如果模型數據分布裡面 沒有這類數據 這類任務就是不work 只有壓縮過這類數據 這個任務才work
如果模型的數據分布裡沒有這類數據，這類任務就是不 work；只有壓縮過這類數據，這個任務才 work。
廣密42:32
就是叫agentic web 我覺得這才是真正的web3 這個終於有了這樣一個power 讓創業公司或者新公司 有掀桌子的機會
就是 agentic web，我覺得這才是真正的 web3，它終於有了這樣的力量，讓創業公司或者新公司有掀桌子的機會。
廣密50:39
越頭部的公司越便宜, 越頭部的公司越沒有bubble, 就算有bubble的可能還是後面的某些公司
越頭部的公司越便宜，越頭部的公司越沒有 bubble；就算有 bubble，可能還是後面的某些公司。
廣密1:04:55
之前可能是零到五的概率 百分之零到五的概率 現在我覺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，現在我覺得到了百分之二十的概率。
廣密1:16:07
數字與實體
| OpenAI 2030 年前的用戶假設 | 40 億月活 / 25 億周活 / 15 億日活 | 8:06 |
| Gemini 與 ChatGPT 的 DAU/MAU | Gemini 10%，ChatGPT 25%；Gemini MAU 約為 ChatGPT 的 20%-25% | 32:22 |
| AGI Index 建議配置 | 25% OpenAI + 25% 字節 + 10% Google + 10% Anthropic + 10% 英偉達和台積電 | 49:37 |
| Generalist 真機數據量 | 宣稱 27 萬條 | 59:48 |
| Cursor 年化收入 | 超過 10 億美元；數據標註的 Surge AI、Mercor 也超過 10 億 | 1:04:55 |
| 豆包 DAU | 超過 1 億 | 1:06:58 |
| 華人背景團隊做出全球最領先 AI 公司的概率 | 從 0-5% 升到 20% | 1:16:07 |
術語
- Online Learning在線學習
- 模型在推理和交互過程中持續學習、更新自己，不再只靠靜態的預訓練。
- Agentic Web智能體網絡
- Agent 成為流量入口之後的網絡形態，廣密稱之為真正的 web3。
- Neo Labs新型實驗室
- 硅谷新一批由大廠出走的頂級研究員創辦的小型前沿實驗室，如 SSI、Thinking Machines。
- Credit Assignment信用分配
- 強化學習裡判斷每一步動作對最終結果貢獻多少。
收聽指南
關心模型格局與下注組合的投資人，以及想找 AI 應用生態位的創業者；技術判斷集中在 40 分鐘之後。
開頭的寒暄和季報回顧（約前 3 分鐘）可以跳過。