《VC Weekly》栏目，以“周”为单位复盘硅谷的风险投资人、创业者们最近都在聊什么。本文字数5024手搓量丨88%AI含量丨8%2016年3月，李世石在首尔对阵AlphaGo。第二局进行到第37手，AlphaGo把一枚黑子落在棋盘第五线。现场解说停了下来。按照当时的人类棋谱，这一步出现的概率大约只有万分之……

本文来自微信公众号： 投中网 ，作者：蒲凡，原文标题：《谷歌，认输了？丨VC Weekly》

《VC Weekly》栏目，以“周”为单位复盘硅谷的风险投资人、创业者们最近都在聊什么。

本文字数5024

手搓量丨88%AI含量丨8%

2016年3月，李世石在首尔对阵AlphaGo。

第二局进行到第37手，AlphaGo把一枚黑子落在棋盘第五线。现场解说停了下来。按照当时的人类棋谱，这一步出现的概率大约只有万分之一。有人怀疑程序出了错误，也有人猜测机器没有理解局面。直到几十手以后，人们才开始看懂。原来那枚棋子切断了李世石原本的计划，也打开了一条此前从未被职业棋手认真考虑过的路径。AlphaGo凭借这样的神之一手赢下第二局，最终以4∶1结束整场比赛。

当然，最重要的不是一场棋局的胜负，而是有超过2亿人观看了这场对弈。

在此之前，人工智能仍然带着浓厚的科幻色彩。机器可以计算，可以检索，也可以按照预先制定的规则工作。围棋也因此被认为是属于人类直觉最后的领地。因为棋盘变化远远超出穷举能力，顶尖棋手的判断来自经验、审美，以及大量连他们自己也很难解释的感觉。

可AlphaGo下出了人类没有教过它的一步。也就是说，正是这场棋局让很多人第一次发现，人造的“智能”可能拥有一套人类无法理解的判断，并且在一项延续数千年的智力活动中，走到全人类前面。

从那以后，DeepMind也几乎成为AI前沿的同义词，不断刷新并引领着人们对人工智能的探索方向：AlphaZero从零开始学习棋类规则，几小时后超过当时最强的程序；AlphaFold进入蛋白质结构预测，开始处理科学界积累多年的难题。Google在2014年花费约4亿美元收购DeepMind，也被反复写进科技公司的经典并购案例。

当时很少有人怀疑，这支团队会长期站在人工智能最靠前的位置。更不会有人想到，谷歌会把这支曾经提前抵达未来的队伍拆了。

本周，DeepMind创始人德米斯·哈萨比斯（Demis Hassabis）卸下日常管理职责，转任谷歌母公司首席科学家和DeepMind董事长。AlphaGo和AlphaFold都诞生于他领导的团队，后者也让他获得2024年诺贝尔化学奖。Gemini的模型开发与业务运营，随后交给原DeepMind首席技术官科雷·卡武克丘奥卢（Koray Kavukcuoglu）。

几乎同一时间，效力谷歌27年的杰夫·迪恩（Jeff Dean）离职创业。杰夫·迪恩是谷歌首席科学家，也是谷歌大脑的主要创建者之一。他与长期搭档桑杰·格马瓦特（Sanjay Ghemawat），以及奥里奥尔·维尼亚尔斯（Oriol Vinyals）、黎国（Quoc Le）共同创办Discovery Loop。

这四个人的履历，几乎串起了谷歌过去二十多年的技术史：桑杰和杰夫·迪恩参与搭建了支撑搜索帝国的大规模计算系统；黎国是谷歌大脑早期核心成员；奥里奥尔则先后参与AlphaGo、AlphaStar和Gemini研发。

可以说DeepMind的名字虽然依然保留，那套创造AlphaGo、谷歌大脑和Gemini的核心组合已经不在了。

差不多同一时间，谷歌母公司刚好交出了另一张异常的成绩单。今年第二季度，谷歌母公司的资本开支达到449亿美元，超过同期391亿美元的经营现金流，自由现金流降至负59亿美元。这是谷歌上市以来，第一次在一个季度里花掉了超过自身经营所能产生的现金。

类似的压力当然也出现在其他巨头身上。Meta的自由现金流已经被AI支出压到极低水平；微软仍然保持正数，资本开支却继续刷新公司纪录。但放在谷歌身上，这件事尤其值得讨论，因为谷歌拥有自己的TPU。

过去几年，创投圈反复讨论这条路线可能带来的优势：摆脱对英伟达的高度依赖，围绕自家模型设计芯片，再用搜索、谷歌云和安卓消化算力。相比需要从市场上购买GPU的竞争者，谷歌理应拥有一套成本更低、配合更紧密的AI基础设施。

过去三年，巨额资本开支也按照这层解释通常被解释为一次必要的提前建设。云计算早期也经历过漫长投入，亚马逊、微软和谷歌最终把数据中心变成了持续产生收入的基础设施。按照这套路径，今天修建的算力中心、电力网络和芯片集群，将在未来十年承接不断增长的AI需求。

谷歌的财务数据又留下了另一种可能。当几家公司都担心失去下一代计算平台，它们很难主动放慢投入。竞争者增加算力，自己也要跟进；新模型需要更多训练，旧数据中心随即显得不够用；单位成本刚刚下降，推理规模又迅速扩大。资本开支由此成为维持参赛资格的固定费用，领先者和追赶者都无法轻易退出。

谷歌的重组，也动摇了大模型投资中的另一条直觉。过去几年，行业逐渐形成一种判断：大模型越来越依赖资金、算力和数据，竞争最终会收敛到少数巨头。创业公司或许可以在应用层找到机会，基础模型的牌桌已经接近关闭。

谷歌原本是这套判断最有力的证据。它有顶尖人才，有自研芯片，有搜索和安卓带来的海量用户，也有谷歌云承担商业化。几乎所有被认为能够构成大模型壁垒的资源，它都已经集齐。

可资源把谷歌送上了牌桌，没有替它解决每一次技术判断、产品交付和组织协作。Gemini迟迟未能建立压倒性优势，谷歌继续追加资本开支，原有核心团队也被拆开重组。大模型竞争需要的筹码越来越多，筹码与胜利之间却没有出现稳定的兑换关系。

悲观的投资人会看到更高的门槛。连谷歌都需要用数百亿美元维持竞争，普通创业公司很难承担同样的训练成本，也没有足够大的产品体系消化模型。随着资本继续集中，能够独立训练前沿模型的公司可能越来越少。

杰夫·迪恩等人的离开也佐证了谷歌的“无力感”。根据公开报道，四名顶尖研究员走出谷歌，重新成立Discovery Loop后，谷歌没有切断关系，反而成为新公司的投资人，继续提供云服务和算力。这很像一场由谷歌自己完成的风险投资：当内部体系很难容纳下一次探索，就把人才释放到公司之外，再通过资本和算力保留联系。

DeepMind的经历还留下了一个更隐蔽的问题。2016年，强化学习、博弈和通用智能研究站在人工智能舞台中央。假如当时有一家机构找到全球最顶尖的强化学习团队，并愿意陪伴他们研究十年，这几乎符合所有关于长期主义的想象。

此后，产业重心迅速转向Transformer、大语言模型、AI编程和智能体。评价一支AI团队的尺度，也从论文、博弈能力和科学突破，扩展到模型迭代速度、推理成本、开发者使用量和收入。DeepMind过去的积累没有消失。AlphaFold仍然是一项划时代的成果，哈萨比斯也仍然站在AI科学研究的最前沿。只是当市场的主战场发生迁移，旧优势无法自动兑换成新战场上的领先。

这会让创投行业重新思考“专家”两个字。投资人过去习惯询问，一个创业者在某个方向研究了多少年，发表过多少论文，是否拥有其他人难以追赶的积累。技术迭代越来越快以后，还要增加一道问题：假如今天这条路线失去中心位置，团队能够带走什么？

2016年，人们盯着第37手，试图理解机器看见了什么。

2026年，轮到投资人重新理解谷歌究竟看见了什么。

本周的VC Weekly，就沿着三条线来听：数千亿美元的AI资本开支最终会留下什么；当谷歌都要推倒重来，创业公司还能从哪里进入；以及技术路线不断迁移以后，什么样的专业能力仍然值得长期下注。

本周重点推荐：AI的钱，究竟要怎么赚回来？

8月5日，《Big Technology Podcast》采访了红杉资本合伙人大卫·卡恩（David Cahn）。

卡恩过去几年一直在算AI的经济账。2023年，他第一次提出“AI的2000亿美元问题”：芯片和数据中心已经投下这么多钱，应用端需要产生多少收入，才能让整条产业链获得合理回报？到了2024年，他把这个数字更新到6000亿美元；2025年，又涨到大约8400亿美元。

两年过去，收入确实在增长，资本开支涨得更快。所以这期节目从一个很朴素的问题开始：已经建起来、还在建设的AI基础设施，最后需要创造多少收入，才能把这些投资赚回来？卡恩随后把OpenAI、Anthropic、谷歌、Meta、微软、亚马逊、英伟达几家公司的策略放在一起讨论。

卡恩很早就注意到一个矛盾。假设世界上只有一家公司研发AI，它其实没有必要这么着急。可以先建一部分数据中心，观察模型怎么发展，等待收入跟上，再决定下一批设备怎么建。芯片会升级，模型架构也会变化，慢一点甚至可能少走很多弯路。

现实里同时有好几家公司。任何一家放慢速度，都要承担另一家公司率先实现重大突破的风险。只要管理层仍然相信AGI有可能出现，“少花钱”本身就可能成为更危险的选择。卡恩在2024年把这种局面称作AI资本开支的“博弈论”。今年的节目里，他仍然把对AGI的追逐视为巨头持续投入的重要原因，，同时把OpenAI、Anthropic、谷歌、Meta、微软、亚马逊、英伟达和SpaceX逐个放进去讨论。

节目给出的一个关键词是investment-timeline mismatch——投资期限错配。问题出在两个时间表。数据中心今天就要开工，芯片、电力和土地的钱今天就要花；这些基础设施最终能支持怎样的模型、产生多大的使用量、创造多少收入，要几年后才知道。

卡恩去年接受高盛采访时说得很直接：“如果我们最终要建设100GW的能源，唯一能够证明这件事合理的，是AGI。”

这句话把今天AI基础设施最激进的一部分投资讲得很清楚。假如模型能力按照目前的速度渐进，大量正在规划的数据中心很难仅靠现有AI收入获得足够回报。资本市场事实上提前押注了下一次能力涌现。

当然卡恩并不因此看空AI。他甚至认为，AI可能是“未来50年最重要的技术”。他的争议点一直在另外一件事上：技术带来的价值，最终落到谁的资产负债表上。

在成熟产业里，终端客户付出1美元，产业链上的每家公司分走其中一部分。卡恩观察今天的AI产业链时发现了一个很奇怪的情况。他此前形容：“如果顶部流入1美元，英伟达今天拿走了1.2美元。”

多出来的钱来自资本。云厂商、模型公司和投资人正在补贴产业链扩张，终端客户创造的收入暂时还覆盖不了所有参与者希望获得的回报。这也解释了为什么卡恩同时相信两件事：AI会创造巨大的经济价值，今天的AI基础设施仍然可能存在过度投资。

对VC来说，这个区别很重要。假如未来算力出现过剩，最先受益的甚至可能是今天没有建设数据中心的人。卡恩给出的策略很具体：“如果你认为数据中心会出现过度建设，那就投资算力的消费者。”

算力价格下降以后，AI应用公司的成本下降、毛利率提高。基础设施投资人承担折旧，应用公司获得更便宜的生产资料。

所以卡恩真正值得听的地方，在于他把“AI有没有泡沫”拆成了几笔完全不同的投资：英伟达卖芯片是一笔投资，数据中心持有者是一笔投资，模型公司又是一笔投资，购买便宜算力做应用的创业公司还是另一笔投资。

AI最后改变世界，并不能替任何一层投资人保证回报。对于VC来说，问题也就从“要不要继续押AI”，变成了一个更具体的问题：如果整个行业都在继续加大投入，下一笔钱应该站在哪一层？

本周其他推荐：AI的投入过多了吗？我没找到证据

几天前，《Invest Like the Best》再次请来Atreides Management创始人兼首席投资官加文·贝克（Gavin Baker）。

贝克长期投资半导体和科技公司，也是SpaceX的早期投资人。最近一个月，AI相关资产经历了一轮明显调整。芯片、存储和数据中心公司一起下跌，市场最担心的问题也很直接：巨头花在AI上的钱越来越多，收入什么时候才能追上？

贝克首先去看了GPU价格。按一般的硬件周期，新一代产品推出以后，旧芯片应该不断贬值。可2026年的情况正相反。他说：“我觉得2024年或者2025年，没有人会想到旧GPU的价格到2026年还在垂直上涨”——至少从价格上看，算力需求还没有松下来。

更有意思的是，很多已经投入使用的GPU还没有按照今天的价格赚钱。云厂商此前与客户签订了大量长期合同。签约时GPU更便宜，算力租赁价格也更低；几年过去，现货价格已经明显上涨，老合同却仍然按照原来的价格执行。

贝克说：“现有算力的合同价格，相比当前现货市场实际上存在巨大的折价。”

这意味着，同一批服务器什么都不改变，等老合同到期重新定价，收入就可能继续增长。

他随后看了另一组容易被忽略的数据。Meta第二季度自由现金流只剩7.84亿美元，同比下降91%。如果只看这个数字，AI资本开支确实已经到了惊人的程度。同期Meta经营活动产生的现金却同比增长了25%。

贝克的评价是：“对于这么大的体量，这是一次相当明显的加速。”他预计接下来几个季度还会看到更多增长：“你会看到很多加速，这会回答这些关于ROI的问题。这个季度已经开始出现了。”

贝克关心的是，AI业务本身创造现金的速度能不能继续提高。只要这个速度还在加快，单独拿自由现金流下降判断投资回报就太早了。

这期节目给出的判断其实很克制。AI基础设施最终会不会建多，现在还不知道。但至少截至目前，旧GPU没有降价，算力现货价格仍然高于大量存量合同，巨头的经营现金流也没有出现需求崩塌时常见的恶化。资本市场已经开始焦虑“AI花钱太多”，贝克还在等需求端先出现坏消息。

目前，他没等到。

本周特别推荐：DeepMind，一直太试图理解6年后的AI

最后特别推荐一档2月的旧节目。2月12日，《Latent Space》采访了当时仍任谷歌首席AI科学家的杰夫·迪恩（Jeff Dean），标题叫《Owning the AI Pareto Frontier》。半年后再听，很多内容已经有了另一层意思。尤其是节目里一个很具体的矛盾变得格外突出：谷歌设计芯片的时间尺度，和AI模型迭代的时间尺度，已经完全错开了。

节目进行到35分钟左右，杰夫·迪恩开始讲TPU。

一颗芯片从确定架构到真正大规模投入使用，可能需要2—6年。今天决定下一代TPU里放什么，实际上是在猜几年后的模型会长成什么样：参数规模会不会继续扩大，哪些计算会成为瓶颈，哪些今天还处在实验阶段的方法值得提前预留硬件支持。

谷歌的优势也一直建立在这种协同上。模型团队提前告诉芯片团队未来可能需要什么，芯片团队则尽量给研究人员留下新的计算空间。

麻烦在于，模型根本不按芯片的速度变化。

节目后半段，主持人提到AlphaProof和AlphaGeometry。此前谷歌解决复杂数学问题，还需要专门训练这些系统。到了新的Gemini模型，类似任务已经逐渐可以直接交给一个通用模型完成。杰夫·迪恩说“现在你已经不需要那个专用模型了”，随后又补了一句：“能够完成所有任务的统一模型时代，真的已经来了。”

一套专用系统从前沿方案变成“可以不要了”，可能只需要一年。一颗为这些模型准备的芯片，却要提前几年决定架构。技术投资里的“积累”，因此多了一层麻烦。

过去判断一支团队，经常会看它在某个方向做了多少年。时间越长，论文、工程经验和Know-how越厚，后来者越难追赶。现在还要必须要补一句：这些积累有多少依赖当前的技术路线？

再具体到AI行业里，如果专用模型被统一模型覆盖，原来的领先还能留下多少？如果下一代模型改变计算方式，今天围绕某种架构形成的硬件优势还能保留多少？这也会改变投资人对“专家”的判断。

十年经验依然珍贵。更需要分辨的，是这十年留下来的究竟是什么：一套特定路线上的熟练度，还是换一条路线以后仍然能够继续解决问题的能力。

半年以后，被寄予厚望解决这个问题的杰夫·迪恩也离开了谷歌。所以当技术变化快过产品和组织的建设周期，今天究竟该为几年后的未来准备什么，或许仍然没有人能给出明确的答案。