【新智元导读】
AI资格赛已经结束，下一阶段建设为王，巨头和初创如何继续赢得下半场？
著名风险投资公司红杉资本的合伙人David Cahn在5号参与了20VC的节目访谈，1小时的访谈中，这位出色的投资人详解了AI发展的未来宏观风向。
在成为红杉资本合伙人之前，David毕业于宾夕法尼亚大学，曾担任Coatue的普通合伙人和首席运营官，领导了Coatue对Runway、HuggingFace、Notion和Supabase的投资。
接下来就跟随风投大佬的脚步，看看华尔街预言家如何把握AI大方向、怎样看待AI投入产出比、独角兽们下半场又要卷什么？
最近，科技巨头们纷纷开始公布第二季度财报，正值科技财报季，华尔街人士脑海中浮现一个问题：投入了这么多，AI到底什么时候开始赚钱?
自ChatGPT启动人工智能军备竞赛以来，科技巨头们承诺该技术将彻底改变每个行业，在运行大型人工智能模型所需的数据中心和半导体上花费数百亿美元。
与伟大愿景相比，他们迄今为止推出的产品感觉有点微不足道——聊天机器人没有明确的变现途径，成本节约措施杯水车薪，人工智能搜索好像也前途未卜。
但大型科技公司尽管花费了数十亿美元，但在人工智能有利可图的新产品方面获得的收益仍然相对较少，投资者开始变得焦躁不安。
例如，英特尔在为适应人工智能浪潮而投入巨资后，目前正试图通过削减100亿美元成本并解雇上万名员工来控制局面，该公司股价周五暴跌25%。
David在去年9月写过一篇文章，《AI’s $200B Question》，人工智能的2000亿难题。
文章地址：
https://www.sequoiacap.com/article/follow-the-gpusperspective/
上个月，David又写了一篇，题目叫做《AI’s $600B Question》，人工智能的6000亿美元问题。
文章地址：
https://www.sequoiacap.com/article/ais-600b-question/
从2000亿到6000亿，David在这两篇文章当中量化了一个非常重要的指标，那就是「AI基础设施建设所隐含的收入预期与AI生态系统中的实际收入增长」之间有着非常大的差距
在节目中，David认为，「AI 改变世界」和「AI资本支出水平过高」目前并存。
在过去的一年里，人工智能宛若一个美元焚烧炉，虽然很多支持者都表示，「无论这个数字有多高，都没关系。人工智能将改变世界，不用担心。」
但是，David认为不能盲目乐观，要具体量化AI的投入产出比，这也是他写下人工智能6000亿美元问题的原因。
一方面，相信人工智能发展前途无限；另一方面，也要清楚把握未来两年人工智能资本支出也无限。
你可以相信人工智能，但也可以相信至少未来1年内，人工智能的资本支出可能都难以偿还。
在节目中，David提到在前两天刚刚和小扎谈论了这个话题，小扎也认识到了这个问题，刚开始进入人工智能领域，试图说资本支出不重要，预算不重要。
但随着AI军备竞赛进入下一阶段，他们都明白这是有风险的，但这是一个值得冒的险。
资本市场在追逐科技热点的时候会造成大量的「资本损耗」。投机者会加速科技进步的速度，但市场里随之会出现大量投机失败者。
AI投资背后的博弈论就在此，如果AGI真的到来，这将是一项伟大的投资。如果它迟迟没有到来呢？这就是投资者和科技巨头们必须承担的风险。
David认为，现在AI的泡沫主要集中在GPU，也就是AI基建，所以出现了英伟达这个最大赢家。
但随着技术的发展，算力的价格一定会下降，最终受益者将会从基建创造者转变为使用者。
David在节目中提到了很有趣的一个观点，他认为，当前AI发展的局势利好初创企业的发展。
大型科技巨头是计算的生产者，初创公司是计算的消费者。
因此，如果认为计算生产过剩，计算价格下降，那么，初创公司就会从中获利。
计算成本降低将转化为初创公司更高的毛利率，直接意味着更高的价值。
换句话来说，巨头投资算力建设，如果他们成功了，我们将拥有令人惊叹的产品，消费者将从中获得巨大的价值；如果他们没有成功，那也不亏，我们不是为此买单的人。
主持人继续追问有关算力的问题，一种是计算生产过剩，这意味着初创公司的成本会下降。而奥特曼曾非常乐观地表示，算力是未来的货币，这两种观点是否矛盾?
David解释道，算力虽然是一种听上去抽象的概念，但是算力就是位于某处的数据中心，拥有一堆GPU、一堆液冷系统等等的一堆有物理存在的事物。
所以David认为围绕人工智能算力的讨论变得有些矛盾的原因是，「计算」和「云」这种说法并没有真正捕捉到它背后的物理本质。
实际上，我们还不知道如何构建GPU数据中心，所以大型科技公司只能以可能的最佳方式进行构建。
两年后，Nvidia的B100芯片成为主导芯片，那么就涉及到替换H100芯片的问题，液冷系统也会大规模替换风冷系统。
所以，David认为下一阶段，建设效率可能比研究突破更重要。技术的突破让模型越来越大，但是也要有足够容纳模型的数据中心。
但是，计算是从物理资产中生成的，会面临巨大的建设成本和淘汰成本。
David还提到了最近听到有人说了一句很棒的话，「没有人会在同一个数据中心训练两次前沿模型，因为当你训练它的时候，GPU会过时，数据中心会太小。」
假设模型发生变化，假设Scaling Law继续成立，AI未来发展欣欣向荣，那就意味着需要改变数据中心的架构，需要新的芯片。
这些模型越大，Scaling Law就越成为主导，所有研究人员从一个实验室跳到另一个实验室，数据中心成为最重要的资产，每个巨头都不得不学习如何构建这些真正的数据中心。
今天，7家顶级的AI公司已经站在了这场竞赛的起跑线上，竞相扩张数据中心规模：微软/OpenAI、亚马逊/Anthropic、谷歌、Meta 和 xAI。
David分析了每个参与者将如何采取独特的方法（源自他们自己的业务基本原理）来赢得胜利：
