为什么 OpenAI 们都要搞 AI 基建？Groq 创始人把背后的逻辑讲透了

本篇文章转载自「AI产品阿颖」

如果你留意的话，会发现最近 OpenAI 在芯片和数据中心方向出手颇多。

它一手在自建芯片，另外一手又着手和英伟达、AMD、Oracle 等公司合作，推动新一代的 AI 基础设施建设。

为什么要这么干？芯片、数据中心对于 AI 的意义是什么？自研芯片的难点在哪里？目前的芯片热是泡沫吗？

Groq 创始人 Jonathan Ross 的最新一期访谈，能很好地回答这些问题。

Groq 是一家专注超低时延 AI 推理的 LPU 芯片与云服务公司，他们将自己定位为英伟达的最大挑战者。

这期播客访谈的信息量很大：

• 「如果现在给 OpenAI 的推理算力翻一倍，给 Anthropic 的推理算力翻一倍，那么在一个月之内，他们的收入几乎会翻倍。」 AI 应用的增长目前完全受限于算力的供给，谁能获得更多算力，谁就能服务更多用户，赚更多钱。

• AI 与以往的技术革命不同，其增长几乎不受单一要素的制约。AI 的三要素：数据、算法、算力，只要提升其中任意一项，AI 的整体表现就会变好。而在实践中，最容易调整、见效最快的就是算力。

• 传统观念认为，产品的护城河在于技术专利、品牌或网络效应。但一个差异化且高效的供应链本身就是一条极深的护城河。

• 在需求近乎无限的市场中，最稀缺的不是「最好的产品」，而是「可获得的产品」。你的护城河，就是你为客户提供的确定性和可得性。

• 制造芯片的难度被外界严重低估了。芯片的成功不仅在于硬件设计本身，而是其背后极为复杂的软件生态、持续的工程优化和对整个技术生态演进节奏的精准把握。

• 科技巨头为什么都在「造芯」？并不是单纯为了在性能上超越英伟达，而是为了「掌控自己的命运」，关键在于供应链的博弈和议价权。

• 一个反直觉的现实是，市场上依然有大量接近五年前发布的英伟达 H100 GPU 在被高价租用，并且其产生的收入远高于运营成本。整个市场的算力供给远不应求。

• 在算力稀缺的时代，交付能力的重要度远超一切，能够稳定、快速地提供产品本身，构成了强大的护城河。

原访谈链接：https://www.youtube.com/watch?v=VfIK5LFGnlk

超 15000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

邀请从业者、开发人员和创业者，飞书扫码加群： 

进群后，你有机会得到：

• 最新、最值得关注的 AI 新品资讯； 
  

• 不定期赠送热门新品的邀请码、会员码；
  

• 最精准的AI产品曝光渠道

---

芯片要自建？难得很

主持人：我们现在到底处在什么阶段？世界的发展似乎比以往任何时候都要快。

Jonathan Ross：你是问，这是不是一个泡沫吗？

主持人：到底是不是呢？

Jonathan Ross：关于是不是泡沫，我的回答是，如果一个人总是问一个问题却得不到答案，也许他应该换个问题。

所以，与其问是不是泡沫，不如去看看那些真正有实力、眼光精准的投资者，他们现在在干什么。

Google 在做什么？Microsoft 在做什么？Amazon 在做什么？还有很多政府，他们都在加码 AI。

大家的投入在不断增加，几乎每次对外公布预算时，都会比上一次多。

最能体现投资收益的例子之一就是微软。

有一季度他们部署了一大批 GPU，然后宣布不会把这些 GPU 放在 Azure 上出租，因为他们自己用这些 GPU 赚到的钱，比租出去赚得还多。

所以市场里是真有钱的。

我觉得最好的比喻是，现在就像石油勘探早期，很多地方钻下去都是空的，只有极少数地方能喷出大量石油。

据我听说，现在大概有 35 或 36 家公司贡献了 99% 的 AI 收入，或者至少是算力开销。分布非常不均。

主持人：现在七巨头是否都意识到，他们需要进入芯片领域，掌控整个垂直链条，从头到尾？

Jonathan Ross：我认为不会有太多人能真正成功进入芯片领域。

很多人把 TPU 看作一个巨大成功，但他们没意识到，当时 Google 其实有大约三个芯片项目在同时进行，只有一个最终超越了 GPU。

在整个行业里，也有很多人做芯片，但有些项目会被取消，比如特斯拉的 Dojo 项目最近就被砍掉了。

造芯片非常难。你要是说我自己做一颗 AI 芯片来和英伟达竞争，这就好比说 Google 搜索挺好用的，我来复制一个吧。

这几乎是疯狂的，因为里面涉及的优化、设计和工程深度极其复杂，几乎不可能复制成功。

主持人：我们之前提到过，要想留在七巨头里，就必须花钱。比如英伟达向 OpenAI 投资 1000 亿美元，而 OpenAI 只是再用这笔钱买回英伟达的芯片。这听起来不就是一个资金在圈子里打转的循环吗？

Jonathan Ross：只有当这笔钱没有真正流向芯片供应商去生产时，才叫资金在空转。但只要产生了实际的生产性结果，就不能算是资金绕圈。

大家可以这样想：这些钱里有多少百分比是真正花在建设基础设施上的？比如 40%？那么至少 40% 的资金是真正流向了生态系统。所以这不是无限循环。

主持人：好吧，那就是说有 60% 是循环的？

Jonathan Ross：对，部分循环，60%。

主持人：我们再回到英伟达，他们的股价就能上涨好几千亿美元。

Jonathan Ross：是的。

主持人：你是怎么分析这种情况的？

Jonathan Ross：我们可以从几个角度来分析。从经济学角度看，这完全说得通，为什么不一直这么做呢？价值能够持续增长，是因为用户被锁定在这个生态里。

当收入增加时，股价涨幅超过收入涨幅，这背后是市场相信这种收入会持续下去。

英伟达本身优秀，更关键的是全世界的算力供给远远不够，对算力的需求几乎无止境。

我敢打赌，如果现在给 OpenAI 的推理算力翻一倍，给 Anthropic 的推理算力翻一倍，那么在一个月之内，他们的收入几乎会翻倍。

主持人：你能帮我解释得更清楚一点吗？

Jonathan Ross：他们受限于算力，这是问题的根源。

对 Anthropic 来说，最大的问题之一就是调用限制，用户拿不到足够的 Token。如果他们有更多算力，就能生产更多 Token，就能收更多钱。

对于 OpenAI 来说，它是一个聊天服务。那他们怎么控制使用呢？就是让服务变慢，结果就是用户互动减少。

主持人：你觉得速度有多重要？其实有不少人觉得这没问题。我完全能接受延迟，我输入一个提示，然后去做点别的事情，等我回来结果就出来了。

Jonathan Ross：这些观点挺有意思。我们来看一下快消品（CPG）。

如果按利润率来排序，排在最上面的是烟草，接下来是嚼烟，然后是软饮料，再往下才是水和其他类似的产品。

在 CPG 行业里，高利润率最相关的因素是什么？就是成分对人起作用的速度。也就是说，多巴胺循环有多快被触发，决定了人们对品牌的依赖。

当一种产品能带来快速反应时，你会对它产生强烈的品牌联想，进而形成品牌价值。

这也是 Google 为什么那么强调速度，Facebook 为什么也强调速度的原因。每当网页速度提升 100 毫秒，转化率大约会提高 8%。

主持人：所以，他们觉得“没关系，后台可以同时跑很多提示，反正放着让它慢慢跑也没问题”。这种判断是错误的。

Jonathan Ross：完全错了。实际上，当我们刚开始优化芯片速度时，我们就清楚自己能做到多快。

我们甚至做了一个演示视频，人们看了之后会问：为什么要比人类阅读速度还快？

我回答说：那网页为什么要比人类阅读速度加载得更快呢？这里存在一种思维错位，很多人并没有在直觉层面真正明白速度有多重要。

人类在判断什么因素会影响参与度、影响结果方面，其实很不敏感。我们从早期互联网公司建设中就已经深有体会。

主持人：你觉得 OpenAI 未来会不会进入芯片领域？英伟达肯定会担心 OpenAI 想要纵向整合，把芯片这一层也掌握在自己手里。你觉得他们能成功完成这样的转型吗？

Jonathan Ross：我觉得自研芯片的难点在于一开始大家都以为难的是把芯片做出来，但真正做下去会发现更难的是软件；再往下还会发现，跟上整个技术生态的节奏变成了最难的。

我毫不怀疑 OpenAI 有能力做出自己的芯片；我也相信，最终 Anthropic 会做自己的芯片，所有超大规模云厂商都会做自己的芯片。

我在 Google 时有一次参观实验室，那会儿 AMD 还没像现在这样出色，他们当时经历了一段艰难期。

实验室里有 1 万台基于 AMD 芯片的服务器，工程师把服务器从机架里抽出来，直接把 AMD 芯片撬下来丢进垃圾桶。

好笑的是，这几乎是注定的，因为大家都知道那一代会是英特尔胜出。那为什么 Google 还要做 1 万台 AMD 服务器？因为他们想借此从英特尔那里拿到更大的折扣。

到了这种规模，Google 为适配 AMD 去设计主板、做整机和测试所花的成本，和最终从英特尔拿到的折扣相比，还是划算的。

所以当我们看到公司去做自研芯片时，要考虑他们背后的各种动机。

他们这么做并不只是为了把芯片量产部署。关键在于，英伟达实际上对 HBM（HBM 是 GPU 的超级显存）具有买方垄断的地位。

买方垄断与卖方垄断相反：当市场上只有极少数大买家，而 HBM 的产能又很有限时，就会出现这种格局。

至于 GPU 本体，它用的制造工艺和我们手机芯片的工艺是同一类。

如果只看 GPU 核心，英伟达一年生产 5000 万颗并非不可能，但现实中今年大概只能生产 550 万块整机 GPU。原因就在 HBM 和承载它的中介层（interposer）产能有限。

于是会出现这样的情况：一家超大规模客户说要 100 万块 GPU，英伟达回答说抱歉还有别的客户，对方就说没关系，我自己做。

这时英伟达往往就能找出这批 GPU，优先满足这家客户。

由于产能就是有限的，自研芯片真正带来的，不仅是有了自己的芯片，更是拿回对自己命运的主导权。这才是自研芯片的独特价值所在。

主持人：什么叫掌控自己的命运？

Jonathan Ross：就是英伟达不能再决定买家能分到多少 GPU。自研芯片的部署成本可能更高，因为性能未必能赶上英伟达。

但想想看，为什么英伟达只比 AMD 稍微强一些，却能在市场上占据主导？

如果一套系统的整体部署成本远远高于芯片本身的成本，那么芯片价格的轻微上涨几乎可以忽略。

换个角度：假设一台服务器里 GPU 只占物料成本的 20%，而芯片速度提升了 20%，这会给整套系统带来 20% 的价值提升；相比之下，芯片成本上浮 20% 其实不值一提。

也就是说，只要芯片性能有提升，带来的价值放大效应非常大。于是，哪怕性能只领先一点点，产品价值也会被放大很多，这个小优势就能换来巨大的销售优势。

Jonathan Ross：非常难。虽然英伟达下单多、给的条件也好，但厂商不想被它绑死，所以会主动找别的客户。

可问题在于：如果 HBＭ 供应链中的厂商在建设晶圆厂、封装厂和相关产线，而英伟达拿着大额订单预付款来下单，他们当然会优先为英伟达扩建产能。这样英伟达就能提前锁定所需供给。

真正的难点在于，这笔大额预付款必须提前两年以上支付。

因为 AI 的需求正在迅猛飙升，即便英伟达现金流充沛，也很难完全提前覆盖未来的超大需求，因此供给瓶颈仍会存在。

这不仅仅是买方垄断的问题，还有资本开支巨大，内存厂商普遍保守等原因。再者，HBM 的毛利很高，谁都不愿意轻易扩产，因为一旦供给增加，利润率就会下滑。

主持人：从 OpenAI、Anthropic 这些公司可能自研芯片来看，这是不是他们要大规模融资的原因？Sam 说需要几千亿美元，是不是也把这些因素算进去了？

Jonathan Ross：不是。大头其实在数据中心。买一套系统很贵，但建数据中心更贵。

原因是数据中心的摊销周期更长：假设把数据中心按 10 年摊销、芯片按 3 到 5 年摊销，那么每年的成本里，数据中心占比会更高。

所以当我们听到超大规模厂商说每年投 750 亿到 1000 亿美元，那主要是因为他们在建设数据中心，这笔钱是为了未来 10 年以上的回报而投入的。

换个角度看，这并没有想象中那么夸张。

主持人：如果芯片的更新换代其实比 3 到 5 年更短，那按 3 到 5 年来做摊销还合理吗？

Jonathan Ross：我觉得大家考虑摊销周期往往比我更长。我们内部用得更保守一些的数字，大概是 5 到 6 年。

主持人：你是说应该是 3 年？

Jonathan Ross：甚至更短一些。我们大概按一年一换的节奏看待芯片升级。

可以这样理解芯片的价值，它分成两个阶段：第一是我是否愿意买来部署；第二是我是否愿意持续运行。

两者的计算完全不同：部署时要覆盖资本支出（CapEx）；持续运行时只要覆盖运营成本（OpEx）。也就是说，今天我把芯片部署上线，必须把 CapEx 赚回来并且获得回报。

只要能覆盖运营成本，我就会让它继续跑。也就是说可以接受芯片的价值随时间下滑。

大家真正押注的是：新芯片出来后，旧芯片的可创造价值不会低到连 OpEx 都覆盖不了。

以我们来看，把周期拉到 5 年是没有意义的。

主持人：因为性能差距会被拉得很大，旧芯片创造的价值可能会低于它的运营成本，对吗？

Jonathan Ross：对，电费、机房费用这些都算在内。

Jonathan Ross：这确实可能发生，因为很多公司签了很长的合同。于是他们要做第三层计算：违约解约，是否比继续亏损运行这些芯片更划算？没错，就是要这样权衡。

主持人：你们现在已经在看到这种情况了吗？

Jonathan Ross：接下来会怎样，这个我没法告诉你，因为我们正努力避免那种局面。

我们做法是把回本周期压得更短，我不愿意把赌注押在太长的周期上。下注周期越短，结果就越可控、越清晰。

主持人：也就是说，核心是尽量缩短回本周期，同时把运营成本压到最低，这样当芯片性能落后时就能更快淘汰。

Jonathan Ross：是的，但还有个反直觉的点：如果完全按会计的账算，我们可能会觉得这主意太糟了。

但从实际情况看，大家现在还在租用 H100。这批芯片都快五年了，依然跑得不错，而且收入远高于运营成本。

我们今天不会再去新部署 H100，但让它们继续运行仍是赚钱的，对吧？这就是我说的第二阶段。

原因很简单：市场算力供不应求。否则 H100 的租价早就掉到现在的几分之一了。只要算力短缺还在，这种情况就会持续。

问题在于：有没有不那么受供给约束的替代方案？这正是我们想切入的点。

说到我们的价值主张，你一开始问的是速度，你知道有多少客户一上来就跟我们谈速度吗？

主持人：不知道。

Jonathan Ross：几乎所有人。一旦他们意识到外部供给受限，你知道还有多少人继续纠结速度吗？一个也没有。

大家一开始都谈速度，因为他们知道这对终端客户很重要。接着他们会发现：等等，我连足够的算力都拿不到。

真正的价值主张就变成了供应商是否有能力提供足够的算力容量。两周前有个客户来找我们，要增加 5 倍总算力容量。

他们从任何一家超大规模云厂商都拿不到，从别人那也拿不到，我们也给不了，没有人能给。

所以我们拿不下这个客户，超大规模云也拿不下，因为算力不够。

在这样的市场里，供应商的抉择就是：谁能买到算力，谁就能拿到客户。这也是我之前说的：如果 OpenAI 或 Anthropic 的算力翻倍，他们的收入也会翻倍。

对那些算力不够、服务不了客户的公司来说，他们会不惜一切代价去拿算力，因为先拿下客户就能形成锁定价值。

因而我们的首要价值主张是：我们的供应链不同于 GPU 的供应链。GPU 通常要提前两年下大单。

而在我们这里，客户为一百万片 LPU1 支付订单后，首批 LPU1 会在 6 个月……

主持人：6 个月后就到货。哇，那跟 18 个月的周期相比，差距太大了。

Jonathan Ross：对，差距巨大。我之前和一家超大规模云的基础设施负责人开会，谈了速度、成本等等。

但当我说我们能把交付周期做到 6 个月时，他立刻打断，要求深入聊这一点。这是他最关心的。

主持人：在模型演进这么快的情况下，两年的周期还说得通吗？

Jonathan Ross：这正是问题所在。你知道 Sara 吗？她写过一篇论文《The Hardware Lottery（硬件彩票）》，我大概说下主要内容，就是大家其实是在按硬件来设计模型。

也许有一些架构理论上优于注意力机制，但注意力在 GPU 上特别好用。对既有玩家而言，这构成明显优势，因为模型通常会围绕其硬件进行设计与优化。

即便外部出现理论上更优的架构，只要在现有硬件上运行效果不佳，在实践中就很难说更好。

这会形成硬件生态 -> 模型设计 -> 进一步强化硬件生态的正反馈闭环。

对行业领头企业来说，提前两年规划产品线仍可行；而对新进入者而言，几乎不会有团队提前两年为其芯片做适配，因此必须将产品与生态的迭代周期大幅缩短。

主持人：按你说的，大家都在往芯片层走，OpenAI 会有自己的，Anthropic 也会有。在那样的世界里，英伟达会怎么做？

Jonathan Ross：英伟达依然会持续卖芯片。

主持人：是因为客户高度集中，对吧。

Jonathan Ross：没有人能准确预测增长会有多快。我们一开始讨论 AI 是否是泡沫，回看过去 10 年，数据中心基础设施通常要提前两到五年规划。

结果怎么样？大家的预测全错了，建设总是偏少。这 10 年基本都是这样。

如果连续多年都建少了，大家会怎么做？就会尝试超量建设，按最乐观的预期再多建一点，但还是不够，于是再上调预期、再多建。

现实就是这样循环，然而算力依旧供不上，人的直觉在这件事上一直不太准，只是大家还没完全意识到。

AI 和 SaaS 不一样。SaaS 里是工程师把产品做出来，产品质量主要由工程投入决定。

AI 不是这样。在 AI 里，我可以对同一个问题跑两次推理，选更好的答案，从而提升质量；我可以在每次查询上多花算力，让结果更好；甚至可以给更重要的客户分配更多算力，提供更好的结果。

这类似于 OpenAI 最近宣布的做法，有些产品的算力成本很高，承受不起，就先只开放给一部分用户，并且定价很高。

目的就是观察在增加算力投入后，AI 的效果会怎样、产品会变好到什么程度。未来会越来越多是这种模式。

只要给应用投入更多算力，质量就会上升。这也是为什么很多公司的按量计费（Token 即服务）成本几乎贴着营收走，因为大家在争夺客户。只要多花算力，产品就会更好。

主持人：我明白。不过直说一点，大家看 GPT-5 的叙事都在强调效率，认为 Sam 把重心从追求性能转到了追求效率，因为增加算力并不总能带来同等幅度的性能提升。你觉得这个判断公平、真实吗？这和你刚才的观点不矛盾吗？

Jonathan Ross：不矛盾。你得看他们要实现的目标不一样。以 OpenAI 为例，它已经进入了对成本极其敏感的市场。

比如印度，如果他们想在印度做，就得把订阅价做到每月 99 卢比，按当前汇率大概 1.13 美元。

主持人：但还有开源选项。我的意思是，他们也可以用开源方案啊。

Jonathan Ross：这又是市场上的一个误解。那我们就从澄清这些误解开始说起吧。

当中国的模型出来时，大家的反应都是：天哪，他们把模型训练出来了，几乎赶上美国的模型了。我们之前也做过一期播客聊这个话题。

刚开始连我自己都有点被带偏了，会想这些模型运行成本是不是更低。

现在我更了解大家在用的基础模型和中国模型之间的差别后，我的结论是并不更便宜，运行成本大概高出十倍。

具体来说，以最近发布的 GPT 开源模型为例，它的优化方向和中国模型不同，但质量很高，就其专注的领域而言，我认为明显优于中国的模型。

中国模型关注点不一样。不过，这个开源模型的运行成本大约只有中国模型的十分之一。

那为什么很多人定价更低呢？因为当某个模型在一个被锁定的市场里，用户只想要这个模型，而且只有一个提供方时，它就能把价格抬到十倍。

也就是说，价格被抬高了，但大家把成本和价格混淆了。中国的模型更偏向把训练做得更便宜，而不是把推理运行做得更便宜。

主持人：为什么美国有算力优势？是因为更容易拿到芯片吗？

Jonathan Ross：没错。

主持人：那中国呢，不只是补贴。我理解推理和运行的成本更高。如果运行成本更高，但有政府补贴，这还重要吗？

Jonathan Ross：这里其实存在主场和客场的区别。主场是指在本国境内建设算力，比如美国在美国本土、中国在中国本土。

客场则是指在盟友国家建设算力，比如在欧洲、韩国、日本、印度等地。

在主场，中国具备很强的优势。比如，他们计划建 150 座核电机组。这样一来，即便芯片的能效不是最好的，也可以依靠充足的能源供应和政府补贴把算力规模堆上去。

但在客场，情况就完全不同了。假设一个国家只有 100 兆瓦的电力储备，你能怎么办？难道还能再建一座核电站？对很多国家来说，这是不现实的。在中国可以做到，但在别的国家很难。

因此，在客场，更高能效的芯片就是关键优势。我的判断是，未来两三年，美国会在客场占据明显的上风。如果他们行动够快，就能把一批盟友拉进这场 AI 竞赛中来。

Jonathan Ross：我觉得模型本身并不是决定性优势。还记得你第一次请我上播客时，我预测 OpenAI 会把模型开源吗？我的依据就是它的品牌力。

坦白说，即便 OpenAI 现在用的还是两年前的 Llama 2 模型，依然会有很多人去用它，这就是品牌的力量。

当然，他们的模型确实也很强，但有了品牌优势，不一定非要靠最新最强的模型。

我认为 Anthropic 应该把上一代模型开源，让大家用它们而不是用中国模型。

因为愿意用中国模型的人，至少也可以用 Anthropic 的模型，而且他们现有的提示词还能继续复用。

就像软件有兼容性，提示词也有兼容性。以 OpenAI 的开源模型为例，许多人从中国模型转用它，一个关键原因是原有的提示词可以不做改动直接沿用。

当然，如果有人场景成本敏感、付不起 OpenAI 的溢价，就会用这些开源模型；等业务做大、赚钱更多时，就会希望用更高端的闭源模型，而提示词仍然可复用。

这样开源能双赢：一方面拉动采用，另一方面也促使基础设施提供方围绕该模型降本增效，带来大量创新。

主持人：明白了。我再问一个问题。既然我们要尽可能多地建设算力，能源需求会非常大。要满足这波算力浪潮的能源需求，是否只有核电这一条路？

Jonathan Ross：不，不止核电。核电高效且成本可控，可再生能源同样高效且成本可控。

我给一个简单的办法：美国及其盟友只要愿意把算力中心建在能源便宜的地方，就能获得比中国更多的可用能源。

再拿欧洲和美国对比。美国相比欧洲，更厌恶风险。不只是能源领域，几乎在所有方面都是。

但关键是分清风险类型：一种是作为性错误，做了错事；另一种是不作为性错误，该做的不做。

美国现在非常害怕不作为的错误。在高速增长的经济里，错过机会往往比做错一件事代价更昂贵。而欧洲对不作为的风险反而更能接受。

所以欧洲尝试竞争的方式更多是通过立法，比如要求数据必须留在欧洲或留在本国。

如果欧洲真想在 AI 上竞争，其实可以这样做：比如让挪威部署大量风电。为什么是挪威？

因为挪威风电的可利用率大约有 80%，也就是 80% 的时间都能发电；同时挪威水电富足，如果把风电装机扩到水电的 5 倍，挪威一国提供的电力就能接近美国全国水平，而且能稳定供给。

这只是欧洲的一个国家。还有多少非核能的潜力可以被释放出来。同时也可以部署核能，现代核能的安全性已经很高。

主持人：那我们为什么不这么做呢……

Jonathan Ross：因为害怕。

主持人：真的是这样吗？

Jonathan Ross：是的。

主持人：当你和欧洲各国政府交流时，他们怎么回应你？

Jonathan Ross：我一般不主动谈核能，因为这是一个很容易引发反对的能源话题。

但我最近在日本时，他们在讨论重启核反应堆。外界常说日本做事很慢，这种看法缺少细节。真实情况是日本做决策慢，一旦决定了就推进很快。

举个例子，日本决定建设一座 2 纳米工厂。我去的时候他们已经展示了自己做出的 2 纳米晶圆。

良率还不到位，还达不到量产标准，但他们的 2 纳米工厂已经建起来并且开始出片了，接下来会迅速把缺陷密度降下来。

他们为 AI 预留了 650 亿美元预算，而且会很快花出去。他们会重启核电机组。日本要重启核电这件事，欧洲应该警醒，赶紧在能源上追赶。

主持人：追赶正是我在想的，因为建这些东西的速度很慢。你刚才说到风能的可利用率，以及我们如何利用它。但事实是，要建成大规模的风机群需要好多年。为什么你觉得挪威政府会掏钱装上上万台风机呢？

Jonathan Ross：不一定要挪威政府自己买单。超大规模云厂商呢？还有想把数据中心设在当地的其他国家政府呢？沙特阿拉伯有数吉瓦级的电力，他们正为此建设数据中心。

为什么欧洲不和沙特合作？沙特提出数据大使馆计划，欧洲可以对自身数据保持主权监管，同时利用当地能源，为什么不用？

这样问题就解决了。他们很快就会建成 3 到 4 吉瓦的产能。

主持人：也就是说，由超大规模云厂商出钱，去使用挪威的可再生能源，然后把它用起来。

Jonathan Ross：超大规模云厂商经常抱怨的是流程和审批太慢。我和一家建设核电站的大型能源公司董事聊过，他说在美国，办理许可的花费是电站本身建设费用的三倍。

欧洲我不太清楚，但通常美国在这方面都比欧洲效率更高。大家要记住的是，谁掌握算力，谁就掌控 AI；而没有能源，就不可能有算力。

主持人：欧洲到底落后多少？我们有没有办法追上？会不会已经太晚了？我不想消极，也不算悲观，但这种差距还能追得上吗？

Jonathan Ross：如果欧洲现在就行动，我认为完全来得及。中国在执行上走在前面，但欧洲有 5 亿人口，美国有 3 亿多。

如果把盟友都团结起来，比如韩国，他们非常懂得建核电站，阿联酋那座核电站就是韩国建的，他们也可以在欧洲建；法国也会建核电站。

为什么不搞一个类似曼哈顿计划的能源建设项目？夏天的欧洲，热得厉害，冬天又冷得厉害。这种体验在其他地方不常见。多建设能源设施吧。

主持人：我赞同你的观点，但也得现实一点。无论单个政府还是跨国协作，我们的效率都很慢，达不到需要的速度。如果速度达不到，会发生什么？

Jonathan Ross：那欧洲的经济就会变成旅游经济，大家来这儿看看古老的建筑，就这样了。没有新经济所需的基础资源，就无法参与竞争。新经济就是 AI，而它建立在算力之上。

主持人：仅靠模型主权就能赢吗？

Jonathan Ross：站在服务提供方的角度看，如果没有算力，就跑不动 AI，模型再好也没用。

就算你的模型比 OpenAI 的聪明十倍，只要 OpenAI 的算力多你十倍，OpenAI 的实际效果就会更好。

主持人：所以对某些欧洲厂商来说，如果他们说我们有欧洲本地模型主权，德国的医疗系统、克罗地亚的交通部会用我们的模型，因为我们是欧洲选项，仅凭这一点并不足以取胜，对吗？

Jonathan Ross：那它的独特卖点是什么？

主持人：它是欧洲模型，不受美国公司控制，也不受某届美国政府的影响。

Jonathan Ross：这和有没有足够算力有什么关系？这解决的是不被别人控制的问题，但没有解决是否有足够算力的问题。顺便说一句，我不是让大家别用 Mistral。

我们和 Mistral 有合作，我们很支持他们。我的意思是，要建设足够的算力，让 Mistral 也能公平竞争。

主持人：照你这么说，人们会不会就想去疯狂采购某些云服务商的资源？毕竟他们按需供给，看起来很香。

Jonathan Ross：是的，那家公司很好，但他们拿到的 GPU 配额是有限的。每个人的配额都有限。

主持人：之前你说过，GPU 并不是最适合推理的基础设施。随着训练走向成熟，行业会越来越偏向推理。这难道不意味着英伟达的地位会进一步削弱吗？

Jonathan Ross：不会。英伟达造出来的每一块 GPU 都能卖出去。就算我们最终提供的 LPU1 数量是 GPU 的十倍，结果只会让对 GPU 的需求更大，让他们的利润率更高。

主持人：为什么会这样？

Jonathan Ross：因为推理越多，就越需要追加训练来优化推理效果；训练越多，又需要铺更多推理来摊薄训练成本。两者之间形成了正向循环。

主持人：全球有 10% 的人口每周都在使用 GPT，这不是很惊人吗？

Jonathan Ross：是的。但限制它进一步发展的还是算力。算力限制影响质量。如果能支持更多语言，会有更多人用。全球最常见的反馈就是这点。解决办法还是更多算力、更多数据。

有了更多数据，就能做更多训练，但这需要更多算力。反过来，有了更多算力，也能生成更多数据，从而继续训练。

AI 有三要素：数据、算法、算力。提升其中任意一项，其他两项并不会马上成为瓶颈。不是说算力不提升就不能多用数据，也不是说数据不提升就不能多用算力。

只要有一项变好，AI 整体就会变好。这也让改进 AI 变得更可操作，因为可以先在某一个维度发力。

实践中，最容易调整，最快见效的，就是算力这一项。算法进步并不频繁，数据更难获取。我们还没完全把合成数据这条路走通。我们做得越来越好，但还没到把算力直接变成更多优质数据的程度。

算力之所以最容易调整，见效最快，是因为它几乎年年在进步。只要花足够的钱，再等一段时间，就能拿到更多算力。这是整个链条里最可预测的部分。

Jonathan Ross：但我们仍然低估了对算力的真实需求量。

主持人：你觉得我们现在严重低估了所需的规模吗？

Jonathan Ross：是的，确实如此。

主持人：大概低估到什么程度？

Jonathan Ross：回到我之前说的，只要增加算力，产品就会更好。从可用规模上看，算力没有上限。

这和工业革命不一样。工业革命时期，只有先有机器才能用上能源，而且要先把机器造出来，这需要时间。

比如想让路上有更多汽车，必须先把车造出来，光从地下多挖点油是没用的。AI 不是这样。

没错，把模型做得更好，的确可以在同样算力下做更多事；但如果把算力翻倍，用户数会翻倍，模型质量也会提升。这很不一样。

只要给社会配上更多可用的计算能力，整体经济活动就会随之变强。

以往从没出现过这种状况，不再被某个环节卡住；只要把其中一个关键要素加大投入，整体表现就会随之一起提升。

主持人：你说经济会更强，这背后的前提是什么？是不是基于全球大约 10 万亿美元的人力支出向 AI 迁移，而我们能分到一部分？你觉得未来五年，GDP 构成或劳动力支出会不会明显向 AI 转移？

Jonathan Ross：我认为 AI 会带来大规模的用工短缺。我们可能没有足够的人来填补即将出现的岗位。

AI 会带来三件事：第一是强烈的通缩压力。咖啡会更便宜，住房会更便宜，很多东西都会更便宜，这意味着人们所需的钱会更少。

主持人：为什么咖啡会更便宜？

Jonathan Ross：因为会有机器人更高效地种植咖啡，有更好的供应链管理；贯穿整条供应链都会提效。

甚至可以用基因工程让咖啡豆在同样日照下产量更高。所有环节一起作用，就会产生强烈的通缩压力。这是第一点。

随之而来，第二点是人们可以减少工作：每周工作时长更少、工作天数更少、职业生涯更短，能更早退休，因为用更少的工作就能维持生活。

第三点是会出现全新的岗位、公司和产业，这些现在还不存在。

想想一百年前，美国 98% 的劳动力在农业，只有 2% 做其他事。后来农业从业降到 2% 后，我们也为那 98% 的人找到了新工作。

一百年后的很多职业，现在根本想象不到。就像一百年前，软件工程师这个概念也不存在。再过一百年，软件工程师可能也会变得没意义，因为人人都会 Vibe Coding。

网红这种职业一百年前也难以想象，但现在是真实存在而且能赚很多钱。

所以总结一下：第一，通缩压力；第二，因通缩而更多人选择减少工作；第三，会诞生当下不可能存在的新岗位和新公司，它们需要劳动力，而我们可能没有足够的人。

主持人：这和常见叙事完全相反。大家都在说会有大量失业，但你的意思是恰恰相反，我们反而会出现人手不够？

Jonathan Ross：一百年前最著名的预测是什么？说人类会大饥荒，因为无法养活自己。事实是，每次技术进步，人们总是低估经济会发生的深刻变化。

主持人：从能源需求，以及你刚才说的劳动力变化来看，你觉得特朗普及其政府对美国的 AI 发展是更有帮助还是更有伤害？

Jonathan Ross：明显是帮助。近期出台的一系列举措都有利于 AI，比如在许可审批方面的改革。总体上对 AI 很积极。

主持人：你提到过 Vibe Coding，我必须追问一下。你觉得这个市场能长期存在吗？现在很多用例看起来比较短期。你自己也玩过一些，你也说过实习生很会用，你怎么看 Vibe Coding 的前景？

Jonathan Ross：我认为 Vibe Coding 会像读写能力的变迁一样。过去识字写字是一种职业技能，抄写员因为会读写而受雇，收入也比一般人高，因为那是稀缺技能。

编程一直也是这样，只有少数人掌握，要学好得花上几年。

但今天人人都会读写，已不再是稀缺技能；未来编程也会变成常识，几乎所有岗位都需要。做市场要会编程，做客服也要会编程。

我和一位经营 25 家咖啡连锁店的人吃饭，他从未写过代码，但用 Vibe Coding 搭了个供应链工具，可以查库存。没写一行代码就让它跑起来了。

有趣的是，他也遇到了软件工程师常见的问题：员工反馈这个功能不行、那个边界情况出错，他就不断修补，这一切都通过 Vibe Coding 完成。

Jonathan Ross：价值可以分成两部分：一部分像秤，衡量真实价值；另一部分像选美，看的是人气。

有些资产几乎完全取决于人气，比如加密货币。我从没买过比特币。是的，我错过了，因为我不擅长玩这种人气游戏，也看不准什么会火、什么不会。我能做的，就是盯着秤上的真实价值。

看 AI，我看到的是实打实在兑现的价值。最好的例子是，私募基金纷纷来找我们要便宜的 AI 算力，因为拿到更多廉价算力，他们就能直接改善所投企业的利润表。这是真价值，不是选美。

公司之所以拿到高估值，要么是市场相信真实价值会长期沉淀，要么是被情绪炒高，成了纯粹的选美。

市场参与者各不相同，有的人在玩选美，有的人在看秤，他们可能因为不同理由得出相似结论。

从秤的角度看，经济中最宝贵的是劳动。如今我们可以通过提供更多算力和更强的 AI，等于向经济体中增加劳动。这在经济史上从未出现过。

主持人：你担不担心如果短期内出现波动或挫折，因为价值过度集中在少数几家公司，会把经济的很多领域一起拖慢？大家现在涨得很猛，但如果英伟达、谷歌、微软突然遇到障碍，AI 的快车减速，连锁效应会非常大。你会担心吗？

Jonathan Ross：会的，而且这与 AI 的内在价值无关，更像控制理论里的动态反馈。

股市可以长期向上，但也会过热，过热会导致失控，人们把价格抬得过高，随后发现错误，价格回落，甚至跌破合理区间，支出收缩，企业拿不到建设所需资金。

很多好公司会在下行期倒下，但同样也常在这种周期里诞生最好的公司。我们会一次次看到，低谷之后涌现出一批了不起的新企业。

主持人：你觉得宏观层面会出现下行吗？

Jonathan Ross：我无法预测会不会出现下行。预测能力很大程度取决于预测会不会反过来影响结果。

如果预测会改变结果，那它就无法被准确预测，因为你的预测会改变结局。只有那些预测不会改变结果的事情才可预测。

比如一颗小行星正朝地球飞来，而我们观测到了。如果我们没有阻止它的技术，它就会撞上地球；但如果我们能提前观测并做出预测，我们也许就会发展出拦截它的技术。

你明白问题所在了吧。在经济中，我们不需要造出什么实体，只要资金在不同地方流动，人们根据预测做出反应，就会产生快速的短期波动，这反而让走势更难预测。

我无法告诉你经济接下来会怎样。我能说的是，目前我在 AI 领域看到的最大问题是，只要是原本我们想要聘用的优秀工程师，他们现在几乎可以自己去融资，筹到一两千万、上亿美元，甚至十亿美元。

于是他们就去创办自己的公司，而不是加入现有的 AI 创业公司，这导致任何一家初创公司都很难聚拢足够的人才。

另一方面，AI 又在提升这些公司里每个人的生产力。至于经济是否过热，我认为一个很好的判断指标是，宏观是否已经开始妨碍企业的成功。如果没有妨碍，我就不觉得它过热。

主持人：你不觉得它已经开始妨碍了吗？从根本上说，资金供给过于充裕，反而让你组建顶尖工程团队变难了。因为资本把人才推到极致，他们可以自己融到巨款，而不是来加入 Groq。

Jonathan Ross：是的，请别再这样了。不过，AI 正在提高生产力，所以也有可能在经济持续繁荣的同时，各家公司依旧非常成功。我们不确定，因为我们从未经历过这种情形。

主持人：当下的人才争夺是不是已经疯狂了？

Jonathan Ross：确实比历史上的任何时候都更激烈，但主要发生在科技行业。体育圈一直很疯狂，或者至少近些年很疯狂。

回看二三十年前，体育的薪资结构很像现在的科技业，人们只是更清楚地认识到了价值。

不同在于体育有球队数量上限，还有工资帽等约束；而在科技领域没有这些限制，团队和初创公司可以无限多。

想象一下，如果任何人都能创建自己的橄榄球队，薪资会怎样膨胀，俱乐部的价值又会如何被重塑？

主持人：在现有大公司中，你最看好谁？最担心谁？

Jonathan Ross：我会说，在这场转变中，谷歌的动作幅度是最大的，而且它在这方面本身就有结构上的优势。

历史上谷歌更依赖工程师提出好点子，只要管理层少干预，谷歌就会冒出很多好东西。从文化角度看，这是一种系统性优势，对他们有利。

主持人：我觉得 Gemini 最终算是他们的一次成功。

Jonathan Ross：看采用数据就知道，表现不错。

主持人：那在面向消费者产品的落地上，你怎么看？

Jonathan Ross：消费者产品这块我没那么看好。你会看到他们把 Gemini 东一榔头西一棒子塞进很多产品里，比如塞进了 Gmail 但几乎不可用，几乎每个产品都塞了点，看起来想法并不成熟。

不过也别太早下结论，至少他们在获取真实使用反馈，从而确定真正该做什么。想想 Google Chrome，当初起步还是 Google TV，完全失败，后来迭代成了 Chrome。

这就是典型过程：有人先把东西放出来，大家一顿吐槽，但我们没意识到他们愿意承受这些吐槽来把产品打磨得更好。

主持人：只要分发优势的窗口期还在，挨骂也无所谓。难点在于这个窗口不再那么大了。OpenAI 把这道鸿沟大幅缩小了。

Jonathan Ross：确实如此，谷歌可能已经有点晚了。

主持人：你懂我的意思吧？这是个经典问题，老牌公司能否在初创公司拿到分发之前完成创新？现在初创已经拿到分发了，触达全球约 10% 的人，挺惊人的。

Jonathan Ross：是的，很难想象 OpenAI 会消失，我看不到这种可能。至少从现在起，赛道里会有两个长期对手相互竞争。

主持人：是哪两个？OpenAI 和 Anthropic，还是 OpenAI 和谷歌？

Jonathan Ross：OpenAI 和谷歌。Anthropic 做的有些不同，更偏向编程工具；OpenAI 做聊天机器人；谷歌做聊天机器人，也做编程工具。谷歌几乎什么都在做。

主持人：不过 OpenAI 也在做编程工具呀。

Jonathan Ross：对，而且我们工程师最近用 Codex 的频率已经超过了 Anthropic 的工具。

有意思的是，这几乎是按月轮换的。我们的理念是，不规定工程师用哪款工具，但必须用 AI，否则没有竞争力。

我们看到他们先用 Sourcegraph，后来用 Anthropic，再后来用 Codex。下个月可能又回到 Sourcegraph。工具使用在循环往复地更替。

主持人：切换得这么随意，那这些工具还有持久价值吗？毕竟迁移成本这么低。

Jonathan Ross：我们的工程师是前沿用户，会在某个工具成为当下最佳时立即切换。但不是所有人都这样。

主持人：不过还是有很多人是这样的吧。

Jonathan Ross：你接触到的很多人是这样没错。但企业客户往往会签长期合同，然后在相当长时间内沿用一年前定下的工具。

主持人：如果让你选，5000 亿估值投 OpenAI，还是 1800 亿投 Anthropic？

Jonathan Ross：我两个都投。它们都被低估了，严重低估。我们现在看它们，好像是在一个有限市场里争夺有限结果；但实际上，它们通过持续研发在扩大整个市场的价值。

主持人：那展开说说，如果做一个多头情景，它们会发展成什么样？

Jonathan Ross：我认为当下的大型科技公司还能明显提升估值；同时，AI 实验室也会追赶到这些科技巨头的体量。

七巨头的价值会上升，而 AI 实验室的价值会追到与七巨头相当，但彼时七巨头又更高了。问题在于，AI 实验室最终会不会反超七巨头。

主持人：什么因素会决定结果？

Jonathan Ross：坦白说，我觉得最终会从七巨头变成九巨头、十一巨头，甚至二十巨头。

主持人：你觉得这些 AI 实验室会大举进入应用层，把大部分应用生态都收归旗下吗？

Jonathan Ross：这正是成功科技公司的自然倾向。他们一开始做客户在做的事，逐步往上游延伸，最后把客户原本做的部分吞并掉。随后会有新一代公司再在他们之上构建。

OpenAI 的做法也是如此。我记得 Sam Altman 在你的节目里说过，如果一款产品只是基于 OpenAI 做点小改进，终有一天会被他们碾过去。他只是坦诚说明他们的策略。

我们则划了一条界线，不和客户在模型层竞争，也就是我们不自研通用模型。通过明确这条界线，我们在传递一个信号：在我们的基础设施上构建是安全的，因为我们不会去抢你的业务。

当然，这个决定也可能是错的，将来我们也许会被某个客户反向吞并。但至少现在他们可以放心地在我们之上开发。我承认这可能是个很大的赌注。

主持人：确实可能。而且要自己做模型也需要很多资金。说到钱，你们这轮新融资是多少？

Jonathan Ross：我们融了 7.5 亿美元。

主持人：7.5 亿美元，对应的估值是 60 亿？

Jonathan Ross：对，接近 70 亿。

主持人：明白了，这听起来相当夸张。那这些钱够用吗？

Jonathan Ross：够的。其实我们原本只打算融 3 亿。你刚提到盈利性之类的问题，硬件公司在这方面更有优势，因为和很多公司不同，我们卖的东西本身就赚钱。我们卖硬件的单品毛利是正的。

主持人：我以为你们毛利是负的。

Jonathan Ross：至少卖硬件不是。

主持人：那卖软件呢？

Jonathan Ross：软件要看具体模型。我们当前在量产芯片上跑的最受欢迎的模型是正毛利的。

但也有一些模型，运营成本可以覆盖，但我们对资本开销回收不满意。别人可能觉得那样也行，但我们更保守。

所以更容易表述的是：卖硬件这块基本都是正毛利，因为到交付那一刻，售价和成本就已经锁定了。至于模型侧的利润，还取决于硬件能用多久。

主持人：总体毛利率随时间会怎么走呢？

Jonathan Ross：作为未上市公司，好处之一是我不需要披露。

主持人：确实不需要，但如果你愿意说就更好了。

Jonathan Ross：这几乎是未上市公司唯一的优势了。

主持人：不不不，优势多着呢。没有锁定期、变现也更自由。

Jonathan Ross：是，但我不卖股份。

主持人：你从没卖过一股？你显然不太懂玩法，没事我可以教你。回到毛利，长期看会不会明显提升？你是怎么考虑的？我也不是一定要你说得特别具体。

Jonathan Ross：还是那句话，在保证业务稳定的前提下，我希望毛利尽量低。

高毛利的意义主要在于，当你需要资金时，可以通过提价迅速拿到现金；而在平常，你则有空间把毛利压低，以保持竞争优势。

算力需求极强，如果有人现在就需要而我们正好有货，他们愿意支付更高费用。这样一来，我们整体上就可以用更低的毛利率来运营业务。

主持人：帮我描绘下五年后的芯片市场格局。你说 OpenAI、Anthropic 等都会有自研芯片基础设施，同时还有英伟达。整体会是什么样？

Jonathan Ross：我的预测是，五年后英伟达的营收份额仍会超过 50%，但芯片出货量占比会低于半数。可能是营收占 51%，出货只占 10%。

主持人：这个怎么理解？

Jonathan Ross：品牌溢价的价值巨大，可以把价格定得更高，但这也会削弱企业进取心，从而倾向于维持高毛利。

很多客户也愿意买单，因为选英伟达没人会因此丢工作。这位置非常舒服、业务也会长期很值钱，投英伟达大概率没问题。

但从大客户视角看，当市场像现在这样，高度集中在三四十家头部买家手里，他们做决策会更少看品牌，更看业务成败所需，因为他们有足够话语权。

所以你会看到其他芯片也被采用，因为这些客户能自己拍板。

主持人：你说投英伟达不会差。我有个朋友常说一句话：这些都很好，可跟我有什么关系？所以直截了当问一句，以五年为期，英伟达 10 万亿美元市值，是高还是低？

Jonathan Ross：如果五年后英伟达不到 10 万亿美元，我会惊讶。更该问的是：五年后 Groq 会不会到 10 万亿？有可能。

我们不受同样的供应链约束，我们能造出比任何人都多的算力。现在最稀缺、被高价竞购的资源是算力，而我们几乎可以无限量供给。

主持人：关于 Groq，市场最没理解到，但应该理解的点是什么？

Jonathan Ross：这每个月都在变。以前大家以为我们做不到在同一硬件上服务多用户，后来我们就现场演示了多用户并发。他们还以为……

主持人：是因为你们的 SRAM 架构对吧。

Jonathan Ross：其实和 SRAM 有关。再说一个常见疑问。

主持人：上次学到了不少，谢谢你。我真的从你这学到很多。

Jonathan Ross：最常被问的是：SRAM 不是比 DRAM 贵吗？答案是贵。直观理解，按位算，SRAM 天生就要贵 3 到 4 倍，撇开其他细节不谈。

主持人：给不熟悉的观众再科普一下，SRAM 和 DRAM 的区别，尽量讲简单点。

Jonathan Ross：我尽量通俗点讲（不完全严格）。可以把 SRAM 理解为芯片内的存储，DRAM 是外部存储，本质更多在设计实现上。

DRAM 每个位由一个电容 + 一个晶体管组成，SRAM 每个位需要 6 到 8 个晶体管，所以单位存储位面积更大、硅用量更多、成本更高。

再加上 SRAM 常部署在更先进的芯片工艺上，比如 3nm，单位面积成本也更贵。

综合下来，按位成本可能是 DRAM 的 10 倍。但关键在系统层面，比如我们把 Kimi 这样的模型跑在 4000 颗我们的芯片上，而你把同一个模型跑在 8 块 GPU 上。

我们这边芯片数量是对方的 500 倍，意味着 GPU 侧要复制 500 份模型，用到 500 倍的外部内存。

所以即便 SRAM 按位贵 10 倍，对方在 DRAM 上用的内存是 500 倍，整体内存成本反而更高。这就是只从芯片单体看问题，和从系统整体看问题的经典差别。

我们的所有设计都坚持从系统视角出发，现在更扩展到全球视角。

我们会在全球数据中心之间做负载均衡。现在有 13 个数据中心，分布在美国、加拿大、欧洲、中东。做到全球分布后，决策就不能只停留在单个机房层面。

我们会根据各地区的使用情况，在某些机房多部署某些模型实例，并做不同的编译优化以适配输入或输出。

某个模型在某个机房可能根本不放，而是放在别处；然后通过全球调度来平衡。

这意味着我们的优化单位是全球，而不是单个数据中心。

Jonathan Ross：我换个说法，我在哪些方面可以把业务的风险再加码？

主持人：我问的就是这个。

Jonathan Ross：我们还没做的是，把供应链的订单直接翻倍。对，我们的供给周期是六个月，所以响应市场会比任何人都快。

主持人：你们的供给相对需求有多紧？

Jonathan Ross：就像我说的，上周有人找我们要五倍于他们现有总产能的算力。我们之所以没一股脑儿把筹码全压上去，原因只有一个。

主持人：在通用供给上加码嘛，为什么不就这么做？

Jonathan Ross：因为存在门槛。比如说，就算我们把产能翻倍，也拿不下那个客户，他们要的是 5 倍。翻倍还不够，必须 5 倍才够。那问题来了，产能翻倍之后，能不能覆盖这种级别的客户？

主持人：所以你们可加码的风险，具体是指什么？

Jonathan Ross：我们可以把产能建设的速度直接翻倍。这轮融资我们拿到的金额超过原计划的两倍，超额认购也达到了已募金额的四倍。

其实还能多融很多，但那样股权稀释会更严重。我得替投资人和团队考虑稀释问题。另一方面，我们也可以选择再多融，然后大规模把算力砸下去。

我们还有一个优势，在同等速度下，我们的每 Token 成本很占优。这意味着我们可以比市场更低价，这对做这类生意很关键。

不是因为大家抠门，而是因为只要我们把价格降一半，客户就会买两倍的量，他们花得越多，输出质量就越高，花费和收益是一起的。

主持人：你们会考虑上市吗？

Jonathan Ross：我们现在只专注执行。上市与否是另一种玩法，和我们当下做的不是一回事。眼下唯一重要的是，我们能不能满足算力需求。

主持人：接下来是快问快答。关于英伟达，如今最大的误解是什么？

Jonathan Ross：认为英伟达的软件是它的护城河。

主持人：所谓靠软件把客户锁死是扯淡？

Jonathan Ross：在训练阶段这点成立，但在推理阶段并不成立。我们现在平台上注册的开发者有 220 万了。

主持人：哇，那英伟达有多少？

Jonathan Ross：他们宣称有……

主持人：600 万。如果你在今天创办 Groq，英伟达市值四万亿，AI 大潮正盛，你会有什么不同做法？

Jonathan Ross：我不会做芯片了。那班车已经开走了，造芯片周期太长。

主持人：可现在也有新芯片公司不断冒出来，他们从头部机构那里融到很多钱。

Jonathan Ross：现在已经晚了。说说我当初做芯片的理由，我做过 Google TPU。离开前我还和 Google Brain 的同事在分类模型（比如 ResNet-50）上拿过最佳成绩。

我们做了实验，把当时所有结果都超了，所以我本可以转去算法方向。其实当初融资时我也没 100% 确定要做芯片，还想过做算法，尤其是形式化推理，庆幸后来没走那条路。

我选芯片的主要动机是护城河，时间护城河。VC 常问怎么防止别人抄袭？答案是就算照抄，也会比我们晚三年，这还是在一切顺利、从设计到量产只需三年的理想情况下。

我们现在已经做了三款量产芯片，全部都是一次流片成功（A0）。但行业里首版成功率只有 14%，也就是说我们有 86% 的概率需要重转一次。

我们做 V2 时甚至先把重转的排期都订好了，结果意外地首版就通了，这不应被当作常态。所以说三年是万事俱备的理想情况。

英伟达一代芯片通常要 3—4 年，他们是多代并行。Groq 现在是一年一更：V2 之后一年是 V3，再过一年是 V4。

主持人：你怎么看拉里·埃里森和甲骨文这波重新加速的腾飞？

Jonathan Ross：既做出了聪明的商业决策，又敢于迅速推进。大多数人当下都在犹豫，AI 会不会过热？要不要加码？他们没有犹豫，立刻全力投入，打法非常激进。

别人恐惧时就该大胆出手，别人贪婪时反而要收敛。眼下大环境更偏恐惧。你看到的那些有人很贪，还赚了大钱，本质上只是少数聪明又动作迅速的人抓住了机会。

主持人：那作为投资人，我什么时候该贪婪，什么时候该恐惧？

Jonathan Ross：其实很简单，护城河在哪，大家心里都清楚。我们都知道 Hamilton Helmer 的战略 7 力理论，看到护城河，就该贪婪。

主持人：但真正有护城河的不多。

Jonathan Ross：是啊，尤其在偏早期的投资阶段更少。

主持人：确实。

Jonathan Ross：所以你得提前判断它未来能长出护城河。

主持人：那如果有护城河，Pre……也配得上十亿美元估值？

Jonathan Ross：是啊，叫它“Pre-seed、Pre-moat”（种子前、护城河前）都行。投资人可以直接标注成“Pre-moat”。

主持人：过去 12 个月里，你哪件事改主意了？

Jonathan Ross：与其说我改变了想法，不如说我在调整资源配比，把更多精力压到更少的重点方向上。我们每个月都更聚焦，拒绝更多事，业务反而表现更好。

以前我觉得最重要的是保留选择权，现在我认为更重要的是聚焦。当然，早期的选择权至关重要，它让我们摸到最有胜算的赛道；而到了现在，重心就是聚焦。

主持人：聊了很多 OpenAI 和 Anthropic。你觉得埃隆·马斯克能把 xAI 和 Grok 做成吗？

Jonathan Ross：能，但路数可能不同。每当一个新领域出现，很多人以为彼此在同一条赛道厮杀，其实不然。做基础模型的这些人，常以为在为同一目标竞争。

Anthropic 的高明之处在于不在所有方面都竞争，而是聚焦在编程，这对他们很有用。再看 xAI，他们有社交网络，并把聊天机器人和它结合。

我不会用那个聊天机器人做深度研究或复杂分析，也不会用它来写代码。虽然他们也有写代码的模型，但缺少在代码领域的分发。

他们能借社交分发切进编程吗？也许能，但专注度就会被分散。他们走的是另一条路。

市场最终会分化。七巨头之间业务有重叠，但各自主业不同。不做差异化，就会被淘汰。

主持人：在谷歌、微软、亚马逊里，你会买谁、卖谁？

Jonathan Ross：看时间维度。短期内，微软因为与 OpenAI 的关系在做一些重置；长期看，他们大概率仍会表现不错。

主持人：明白。那这是实质性伤害吗？

Jonathan Ross：不是。所以我才说这是短期影响。长期就未必。

主持人：他们不是从中获益良多吗？既持有 OpenAI 的财务权益，又能在很多场景里灵活用 Anthropic。

Jonathan Ross：而且他们已经部署了庞大的算力。就算 OpenAI 多元化，去别处拿算力，微软自己也握有充足的算力，算力就像黄金，有算力就有 AI。

至于亚马逊，我觉得它缺少 AI 的基因。你刚没提 Meta。Meta 和谷歌一直有 AI 基因，微软则通过 OpenAI 买来了这种基因，也为自己赢得了时间。亚马逊仍然缺这层基因，但它有算力。

主持人：最后一个问题。展望未来 5 到 7 年，你最期待什么？我想以积极的调子收尾。

Jonathan Ross：大多数人害怕的事，恰恰让我兴奋。大家担心 AI 会带来什么，我觉得可以用伽利略做比喻。几百年前，伽利略让望远镜普及，为此惹了大麻烦。

因为望远镜让我们看到了真相，宇宙比想象中更辽阔，于是我们感到自身渺小。后来我们发现，人类很小，宇宙却广阔而动人。

我认为大模型是心智的望远镜。它们现在让我们觉得自己很渺小，但一百年后，我们会意识到智能的广阔超乎想象，而那同样是美的。

主持人：每次和你聊我都记一大堆笔记。非常感谢你来做这期节目，这期播客太棒了。

Jonathan Ross：谢谢。