生成式AI的层间价值分配、成本结构与消费端变现——Altimeter Capital合伙人、斯坦福大学兼职讲师Apoorv Agrawal演讲要点梳理（斯坦福大学MS&E435课程，2026-07-17）
——据斯坦福大学MS&E435课程《AI超级周期经济学》讲座《Stanford MS&E435 Economics of the AI Supercycle | Spring 2026 | Economics of Generative AI》（2026-07-17）整理
摘要：本文对斯坦福大学MS&E435课程开课第一讲的主要观点进行了梳理汇总。该讲由课程讲师、Altimeter Capital合伙人Apoorv Agrawal主讲。梳理了生成式AI收入在芯片、基础设施与应用三层之间的分配格局及其两年来的变化，介绍了应用层的成本结构、产能周期与负载结构以及可能推动均衡翻转的催化剂，最后阐述了消费级AI的扩散约束、变现路径以及与前几轮技术周期的对照。据其介绍，两年来生态新增约3500亿美元收入中约75%流向芯片层，英伟达数据中心业务毛利率约为75%，应用层毛利率约在0%至30%之间。
关键词：AI资本开支；单位经济；消费级AI；定价与变现；英伟达；ChatGPT
一、生成式AI的层间价值分配
Agrawal将整门课程归结为一个问题，即“AI的钱在哪里”，并以一张两年来形状基本未变的“倒三角”描述当前的价值分布。
（一）从资本开支到“倒三角”
他的起点是超大规模云厂商与英伟达（NVIDIA）财报会上反复出现的资本开支。按其转述英伟达首席执行官黄仁勋的说法，这是一块“五层蛋糕”，能源、芯片、电力、互连、内存叠成一座数据中心，按小时或按token出租，用于训练模型并提供推理服务；课程关心的是这些模型能否创造经济价值。他将AI生态的形状与互联网（约25年前）、移动（约20年前）、云（约10年前）三轮周期并列，认为云生态与当前AI生态的形状“截然不同”，并将AI生态称为“倒三角”，即芯片层宽、应用层窄。
（二）两年来的变化
他将这张图与自己两年前所作的同一张图对照，指出三方面特征：一是规模扩大，两年前整个生态规模约为当前的五分之一；二是增量分配集中，新增约3500亿美元收入中约75%直接流入芯片层，应用层收入增长超过10倍，仍未在形状上留下明显痕迹；三是各层集中度较高，芯片层约3000亿美元收入绝大部分归英伟达，应用层约90%的收入由两家公司贡献，中间的基础设施层竞争烈度与“新陈代谢率”均居前，公司大量成立、大量被收购，他称之为当前各层中稳定性居末的均衡。
（三）翻转的时间问题
由此引出他作为投资人反复自问的问题：一张两年基本未变的图，需要五年、十年、十五年，还是永远无法变成云软件时代的形状。他表示相信会发生，“但远没有发生得足够快”。
二、应用层的成本结构与毛利差异
Agrawal认为，AI应用的边际用户成本不为零，这是应用层与芯片层毛利悬殊、价值停留在底层的更为根本的原因。
（一）边际用户成本不为零
对于倒三角的成因，课堂给出三种解释：周期尚早、英伟达具有垄断地位、云厂商已学会用硬件产生收入而AI尚未做到。他接受这三种解释，并补充了他认为更为根本的一条。Marc Andreessen提出“软件吞噬世界”，前提是任何人都能编写软件并分发给数百万人，运行软件的边际成本接近零，软件企业以80%甚至90%的毛利率运转。“新的AI经济模型里情况完全变了：一个AI应用的增量用户在边际上并不免费，反而相当贵，因为你得烧那些GPU。”他以Cursor一类产品为例，指出市场上反复出现的“收入达到数十亿美元规模仍未盈利”的案例，根源均在于此。
（二）各层毛利差距
据其介绍，英伟达数据中心业务的毛利率约为75%（“别引用我，上下误差几个百分点”），而应用层收入的毛利率“看你问谁，在0%到30%之间”。他认为芯片层是整个堆栈中利润率遥遥领先的一层，并认同一位学生的解释，即这一层由一家公司“包了台面”；若改按利润绘制，倒三角的形状将比按收入绘制更为集中。
（三）传统软件公司AI收入的归属
有学生询问Salesforce一类老牌软件公司的AI收入是否计入应用层。他认为应当计入，Salesforce的Einstein、Palantir的AIP都属于“旧经济企业”重塑自身后推出的AI产品线；但公开披露中难以剥离，他的处理方式是从模型层收入倒推，这些公司或调用大模型、或自行运行推理，其支出通过底层间接计入应用层。
三、产能周期、负载结构与均衡翻转的催化剂
Agrawal认为，产能建设与收入确认的期限错配使底层呈现周期性，当前均衡的维持时间可能长于预期，ASIC突破与资本开支指引是两个可观测的催化剂。
（一）期限错配与资本开支周期
一位学生指出，倒三角下半部分的本质是为未来收入购买产能。他将其概括为期限错配：芯片与数据中心通常按五到六年的周期建设，应用层收入只反映当下，“这正是让三角形下半部分具有周期性的原因，你会经历一轮又一轮资本开支周期，把它想成铺铁路”。他援引课程阅读材料中移动超级周期的对照：在周期初期，重资本开支公司的市值普遍被推高，一篮子资本开支型公司相对稳态经营型公司出现溢价是应当预期的现象，他猜测当前正处于这一阶段。
（二）训练与推理的负载结构
他将训练与推理的比例视为英伟达财报会上备受关注的信息。据其介绍，按上次查看的口径，英伟达机队中约40%用于推理、60%用于训练，即满负荷假设下卖出的一百万张GPU中约四十万张用于推理。他预期推理占比将上升，但无法判断时点。两类负载形态差异明显：一是训练可预测、利用率高、持续时间短；二是推理呈突发式，“通常在人类醒着的时候发生，直到代理接管，也许那时就是全天候”，且每逢圣诞节与感恩节会下降。
（三）芯片层的客户结构
对有意创办芯片公司的学生，他指出，按黄仁勋在财报会上的披露，芯片层约3000亿美元收入中约一半来自几家超大规模云厂商，“如果你今天创办一家芯片公司，你的客户群形状是极少数客户下极大的订单”，与消费或企业软件业务差异很大；长尾企业客户会直接转向云厂商，难以指望，选定先向五家中的哪一家销售，应是芯片创业者的首要考虑。
（四）均衡的维持与翻转
被问及若这项技术失败倒三角将呈何种形态，他将问题改写为“这个行业的稳定均衡是什么”，并判断AI不太可能是一时风潮，“这个形状维持的时间可能比我原本预期的要长”；云时代这一区间约为十年，AI可能更长，原因在于把底层基础做对难度很大。
他列出两个可能触发重定价的催化剂：一是某家超大规模厂商的ASIC项目取得突破性成功，谷歌（Google）的TPU、Meta的MTIA以及亚马逊（Amazon）、OpenAI、微软（Microsoft）和外界尚不知道的实验室项目均在其列，他认为这将带来芯片层一次大规模的重定价；二是超大规模厂商停止给出大额资本开支指引，“因为那意味着当前的均衡跑不通”。他建议学生听完上市公司每年四次的财报会，市场对资本开支指引的高度关注正源于此。
（五）各层的核心追问
他为后续嘉宾课预设了各层的核心问题：一是对英伟达，主导地位能维持多久、担心哪些ASIC、自身业务的“定价压缩向量”是什么；二是对OpenAI与Anthropic，服务十亿用户的业务能否盈利、广告能否成为超过订阅的收入来源；三是对中间的推理层，初创公司目前领先，但超大规模厂商希望在这一层掌握主导发言权，“陪审团还没有裁决”，核心问题是“你是一个功能还是一个平台”，很多基础设施创意听起来很好，但只要自问“为什么这不属于AWS的一部分”，答案往往是它本应如此；四是对谷歌这样的综合体，按业务单元拆分，TPU计入芯片层，谷歌云（GCP）计入基础设施层，Gemini计入应用层。据其介绍，Gemini已是使用量排名第二的消费应用，但其中多少来自谷歌的分发优势、多少来自产品本身尚无定论。
四、消费级AI的扩散约束与变现路径
Agrawal认为，消费级AI的经济学可归结为用户规模与单用户变现两道题，前者需要走出知识工作人群，后者可能需要借助广告。
（一）用户规模的层级
他将消费级AI定义为编码之外规模领先的AI市场，并给出两个基本事实：一是ChatGPT约95%的用户为免费用户；二是据其介绍，DeepMind负责人Demis已宣布Gemini不打算做广告。由此他提出业务能做多大、变现引擎是什么、订阅与广告哪个规模更大等问题。
他对照AI之外的头部消费产品，按用户规模分为三级：一是约30亿用户的“近乎生活必需”产品，如WhatsApp与Chrome；二是15亿至20亿用户的社交产品，如Instagram、TikTok、Facebook，并非必需但网络效应很强；三是既非必需也非社交的“利基”主流产品，如购物用亚马逊、听歌用Spotify、看辩论或猫视频用Twitter。按其图示，ChatGPT刚刚越过利基一级、正朝社交一级移动，Gemini尚未越过利基一级。作为OpenAI的投资人，他更希望ChatGPT走向“核心必需品”一级，但也提出了反对理由：ChatGPT上没有消息往来、没有收件箱、没有多巴胺，用户必须主动提问，而全球约80亿人口中约40亿在线，主动向技术提问的人只占在线人口的一部分。
（二）单用户变现与广告
他用三组数字说明变现的量级差距：Alphabet约40亿用户、每用户每年约100美元；Meta约35亿用户、每用户每年约70美元；ChatGPT约10亿用户、每用户每年约10美元。基于此，消费级AI的经济学归结为两道题：一是用户由10亿增至40亿，他认为仅靠知识工作难以实现，必须走到知识工作之外；二是每用户变现由10美元提升至100美元，他认为仅靠订阅难以实现，“我怀疑我们得进入广告”。
他判断ChatGPT或Claude能够投放的广告定价将显著更优：一是系统理解用户意图，二是用户处于登录态，三是归因清晰，四是信任度更高。他预告这将是今年的另一条大新闻，“理解广告模型这件事里有很多alpha”。与此同时，他承认争议在于用户与模型的对话高度私人，用户不希望被广告打断，终局形态尚难判断，但他对找到解决方案持乐观态度。
五、与前几轮技术周期的对照
Agrawal以云、互联网、移动与社交周期为参照，讨论了格局变化所需的时间、赢家的垂直整合程度以及广告模式的迁移。
（一）云周期的时间参照
据其介绍，亚马逊云服务（AWS）于2004年起步，2010年迎来第一个客户奈飞（Netflix），2012年亚马逊自身完全迁移至AWS，“从破土动工、从第一轮资本开支算起，八年”。他表示，当年财报评论中的头号争论是亚马逊会否因此破产，如今“至少目前”没有人处在破产边缘，只是数字大了很多。
（二）赢家的垂直整合程度
课堂结尾一位学生提问，过去似乎没有出现过完全垂直整合的一层，谷歌则实现了完全整合，这是否会改变权力平衡。他逐轮作了复盘：一是互联网周期的头号赢家谷歌，市值约3万亿美元、搜索份额接近99%，从自有文件服务器到搜索、广告、用户体验一路自建，垂直整合程度较高；二是移动周期的赢家苹果（Apple）市值约2.5万亿美元，社交周期的赢家Meta市值约2万亿美元，后者整合度稍低，“也许正因为没有一路做到服务器，他们少了一万亿”；三是云周期相当异质，没有单一赢家，AWS、谷歌云、微软Azure三家寡头均未完全整合。他补充，英伟达一直在尝试向上延伸，DGX Cloud即其自建云生态的努力，此外还有一系列垂直应用，并对提问学生表示“你可能说到点子上了”。
（三）移动周期的广告先例
他回忆，Facebook上市时出现过一批做空报告，论点是广告在电脑上有效、在手机上无效，因为手机没有空间，“惊人的是，我们在手机上找到了空间”。他认为当前关于AI对话中能否投放广告的争论与之同构；同时提醒，移动周期初期资本开支型公司市值被推高、随后回归的形态，也是当前AI底层应当预期的形态。
总的看，Agrawal认为，生成式AI的价值当前集中于芯片层，“倒三角”两年来形状基本未变，根源在于AI应用的边际用户成本不为零；产能建设与收入确认的期限错配使底层呈现周期性，当前均衡的维持时间可能长于云时代的约十年，ASIC突破与资本开支指引是观察格局变化的两个信号；消费端则需要把用户扩展到知识工作之外，并可能借助广告提升单用户变现。