4位 CEO 同台,4 个判断看清 AI

第一节 | 算力资产，比想象重要

这两年 AI 爆发，底层芯片最火。但在 CoreWeave CEO Michael Intrator 眼里，单纯的硬件设备反而是最不重要的一环。他们真正卖的，是“算力”本身。

早期行业的玩法很简单：买 GPU，训练模型，用完算成本。

现在这套逻辑变了。

CoreWeave 的核心玩法，是把算力变成可以签约、可以抵押、能持续产生现金流的金融资产。他们先与微软、OpenAI 这种体量的巨头签下长达 5 年的合同；合同一签，就有了确定的远期收入。随后，他们把 GPU、数据中心和电力打包，装进一个独立的融资结构（SPV^®）里。客户打过来的钱直接进这个资金池，优先支付电费、运维、利息和本金，剩下的利润才回流到公司。

在这套商业逻辑里，CoreWeave 卖的已经不是设备，而是一条持续运转的“算力生产线”。

对此，外界一直存在一个质疑：GPU 技术迭代这么快，硬件会不会迅速过时？

“如果有人说 GPU 16 个月就会被淘汰，那他完全不了解行业现状。我们的平均合同期是 5 年，客户买的是未来 5 到 6 年的算力使用权。”

因为 AI 的商业价值不仅在训练大模型，更在于推理。当模型真正部署到产品里，被用户海量且反复地调用时，算力才算真正被“消费”掉。当下大量的 AI 初创企业需要跑中小模型，早几代的 Ampere 架构不仅完全够用，而且性价比极高。

只要有人持续付费，它就没有过时。

这就是第一个判断：算力资产的生命周期，远比想象的长。

如果说上一节的算力是底层的“提款机”，那么到了应用层，核心问题就变成了：谁在真正为 AI 持续买单？

第二节 | 能做好集成与整合的人，离钱最近

Perplexity CEO Aravind Srinivas 给出的答案是：企业。

如今的 AI 正在经历从“问答框”到“执行者”的跨越。从接入搜索、打开浏览器到自动填表，它现在已经能端到端地完成整项任务。你只需要说一个目标，整理客户名单、做报告、搭工具，它在背后把流程跑完。

在这个过程里，人类不再负责拆解步骤，而是直接交付目标。AI 正在全面走向 Agent（智能体）化。

这种演变带来的直接结果是"入口"的转移。过去十几年，互联网的入口分散在各类 App、网站和软件界面里；现在，AI 正在把这些工具整合吞噬，变成唯一的超级入口。

在 Aravind 看来，Perplexity 的核心护城河就在于“绝对中立”。无论最终是 GPT 赢、Gemini 赢还是哪个大模型赢，Perplexity 都无所谓。

对于 OpenAI、Anthropic、Google 这些海外闭源模型厂商来说，做多模型聚合意味着要把竞争对手的模型也放进来，这在战略上很难接受。但 Perplexity 不做模型，只做整合，这反而成了它独特的生态位：精准调用各个模型的最优能力，让它们高效协同工作。

目前，Perplexity 已经积累了数千家企业客户，这是增长最快的业务线。定价从每人每月 40 美元到 400 美元不等，所有收入都已实现正毛利。

这就是第二个判断：基础模型不会一家独大，能做好集成与整合的人，离钱最近。

第三节 | 垂直定制才是唯一解法

梳理一下前两层的逻辑：底层是算力资产的变现，中间层是超级应用对多模型的集成与整合。那么再往上一层，最核心的问题变成了：大模型如何真正重塑企业的核心业务？

Mistral CEO Arthur Mensch 给出的答案非常笃定：通用大模型做不到，必须走私有化定制。

现成的通用大模型可以写通稿、敲代码、做百科问答。但当它真正深入企业内部，撞上的往往是高度机密的私有数据、复杂的业务工作流和几十年的行业 Know-how。如果模型无法与这些核心资产深度耦合，它能力再强，也只能是一个边缘的办公辅助工具。

以他们和 ASML（阿斯麦）的合作为例。为了攻克图像扫描缺陷检测的难题，Mistral 团队深入业务一线，学习 ASML 专家如何看图、如何判定微小瑕疵，最终用这些极其珍贵的行业数据，硬生生“喂”出了一个能自主执行检测任务的 CV 专有模型。

这套模式的关键在于：数据绝对不能离开企业。

为此，Mistral 采用的是极致的本地化部署（On-premise）。全套工具链直接打包进客户自己的机房，所有数据清洗、训练和推理都在企业内部闭环，绝不向 Mistral 回传哪怕一个字节。

这恰恰是开源模型真正的杀手锏。开源意味着企业拥有最高权限：可以触达底层代码，可以进行参数级的深度微调，可以毫无顾忌地将其部署在物理隔离的环境中。而闭源模型，永远隔着一层 API 的黑盒。

Arthur 认为，企业手里握着最核心的 IP 和商业数据，想把这些资产毫无保留地对接到闭源的商业模型里，不仅面临数据合规风险，在技术上也难以实现深层定制。只有开源，才能把底层架构的控制权真正交还给企业。

这就是第三个判断：通用模型进不了企业核心，垂直定制才是唯一解法。

第四节 | AI 的上限由物理世界裁决

前三节讲的都是数字世界的事：算力怎么卖、模型怎么整合、数据怎么定制。

IREN CEO Daniel Roberts 关注的是另一层：什么在限制这一切的扩张？

过去很多人以为，限制 AI 扩张的只是芯片产能。但现在行业越来越清醒：GPU 只是入场券。拿到了卡，不代表马上能跑起模型。电力接入、数据中心排期、液冷设备采购、高带宽网络铺设……每一项都是重资产、长周期的物理建设。

IREN 目前手握 4.5GW 的电力容量，这几乎相当于整个旧金山湾区一年的用电规模。但即便拥有如此庞大的储备，在他们与微软签下的 97 亿美元大单面前，也仅仅消耗了其总产能的 5%。

这足以窥见巨头们对电力的渴求有多么狂热。

更有意思的是，由于物理电网的限制，现在的铁律变成了“电力在哪里，数据中心就得建在哪里”。

Daniel 提到了一个极具荒诞感的现状：在西德州，风能和太阳能的发电量高达 45 到 50GW，但通往达拉斯和休斯顿的输电网络容量上限只有 12GW。海量廉价的清洁能源受限于输电瓶颈，被死死“困”在了沙漠里。

IREN 的解法简单粗暴：直接把数据中心盖在发电源头。将庞大的电力就地转化为算力，再把生成的 Token 通过光纤以光速传输出去。

还有一个极其反直觉的现象：技术降本非但不会减少算力消耗，反而会彻底引爆需求。

主持人问了个问题：如果算力猛增 10 倍，生成一张图片的成本和时间从 2 分钟断崖式降到 5 秒，人们是会觉得够用了，还是会生成更多的图片？

Daniel 的答案是：需求会指数级爆发。

这就是 AI 时代的“杰文斯悖论” (Jevons Paradox)”。无论出图速度多快，前端永远有填不满的业务需求在等着吞噬这些算力。AI 在数字世界里的胃口正呈几何级膨胀，但现实世界的风电场、核反应堆和高压电网的建设速度，却只能依循物理法则缓慢爬行。这道巨大的剪刀差，正在成为限制 AI 扩张的最硬性约束。

这就是第四个判断：AI 的上限，不再只由技术突破决定，而是由电力、土地和建设周期来裁决。

结语 | 谁领先，谁建壁垒