AI算力投资回收期、融资结构与产业链正和格局——Atreides Management创始人Gavin Baker访谈要点梳理（a16z Podcast，2026-08-31）

——据a16z Podcast节目《The Positive-Sum Future of AI with Gavin Baker》（2026-08-31）整理

摘要：本文对a16z Podcast节目中a16z成长基金的David George专访Atreides Management创始人兼首席投资官Gavin Baker的主要观点进行了梳理汇总。梳理了Baker对AI基本面与公开市场个股定价背离的判断及其“正和格局”论证，介绍了其对算力投资回收期、融资结构、实验室算力分配、需求扩散与供给约束的分析，以及对英伟达（NVIDIA）产业位置的看法，最后阐述了企业侧模型组合与“智能抽象层”的竞争格局。据其介绍，上线1吉瓦算力成本约500亿美元，扣除客户预付款后回收期约9至10个月；重度付费用户可能不足1000万人，对应全球15亿知识工作者；加速器市场每1%份额约值1000亿美元。

关键词：AI资本开支；token需求；融资估值；开放权重；模型路由；英伟达；SpaceX；Gavin Baker

一、AI基本面与公开市场定价的背离

Baker认为，AI整体基本面在7月与8月持续加速，公开市场AI个股同期却深度回撤，产业链各环节可同时受益。

（一）基本面持续加速

Baker表示，他整个夏天在美国西海岸主动寻找做空逻辑，标准问题是“你能告诉我你业务里有哪怕一个正在变差的量化数据点吗”，7月与8月无人能够作答。其对各家增长加速度的判断主要包括四点：一是OpenAI明显加速；二是开源模型加速幅度更大；三是xAI在推出新的代理产品之后出现剧烈加速；四是Anthropic处于上市前静默期，数据难以判断，他推测公司在上市前完成了收入确认口径的调整，下一次披露大概率是再加速。

（二）个股回撤与基本面背离

基于此，Baker认为当前存在明显的定价错误，即AI整体在7月与8月持续加速，而公开市场的AI个股同期深度回撤。他援引谚语“你可以淹死在一条平均两英尺深的河里”，指出指数层面波澜不惊，个股与基本面的背离已相当显著。

（三）正和格局

Baker表示，每场有限合伙人（LP）会谈的开场问题都是“这一切会怎么崩——是大模型完蛋，还是实验室被开源干掉”，他的回答是“这全问错了”，是and的问题：前沿模型会很好，次一代（N-1）模型会很好，开源会很好，会有一批应用公司很好，云厂商大概率很好，“而英伟达在这一切的中心。过去26年教会我不要做空Jensen”。

二、算力投资回报与融资结构

Baker认为，算力投资回收期短于一年且仍在缩短，本轮建设以经营性现金流为主要出资来源，实验室收入将在相当程度上受内部算力分配决策影响。

（一）回收期测算

据其介绍，基于两家算力公司的公开披露，上线1吉瓦算力成本约500亿美元，客户预付款可覆盖五至六成，净投入250亿至300亿美元，倒推回收期约9至10个月，投入现货市场则更快；SpaceX体系的超大集群回收期“不到6个月”。他表示，已把定价思考单位由每GPU切换为每兆瓦，并认为“很少有机会看到一批公司能够部署数百上千亿美元、而回收期不到一年”。

（二）循环融资与出资结构

针对市场对循环融资的质疑，Baker表示：“所有人都为循环融资焦虑，而实际做融资的是Blackstone、KKR、Apollo的团队，以相对低的资金成本、对每一笔单独承做。”他将其定性为市场化信贷，低成本融资成立的基础包括GPU使用寿命延长与每吉瓦变现率上升。

在历史比较上，Baker承认每次出现深刻的新技术都会产生泡沫，高估值导致过度建设，债务融资时尤甚。他认为本轮的区别在于建设的大部分仍由经营性现金流出资：一方面，债务驱动的建设要求立即兑现回报，不容时点判断出错；另一方面，现金流驱动的建设具有容错空间。

（三）算力分配权与实验室收入波动

Baker以保守数字做了一个思想实验：假设一家实验室拥有10吉瓦电力，其中8吉瓦配置给推理，按每吉瓦每年600亿美元变现，对应年收入4800亿美元；若研究突破促使管理层将分配反转为以训练为主，年化收入可降至1200亿美元。“我认为他们真会做这个决定，这是公开市场将不得不习惯的东西。”他同时指出，实验室短期不会产生自由现金流，会产生大量经营性现金流，并全部转投算力或补贴第一方产品的token消耗。

与上一代平台公司相比，Meta与谷歌（Google）上市后基本面平滑，收入端与基建端之间没有此类权衡；实验室的收入则在相当程度上由三项内部决策决定：一是发布哪个检查点（checkpoint）；二是在性能成本曲线上如何定价；三是训练与推理如何分配算力。

资本开支竞赛方面，Baker援引两位当事人的公开表态：一是微软（Microsoft）曾放缓投入，“我们看到Satya眨眼了，而且我认为他非常后悔”；二是Anthropic首席执行官Dario Amodei表示，花太少会丢份额，花太多会破产，破产更糟，因此宁可保守。Baker的事后判断是激进投入者判断正确，这些投资具备独立于供需错配的高回报。

（四）以EV/净固定资产观察超大规模厂商

Baker表示，他越来越多地用企业价值与净固定资产之比（EV/净PP&E）观察超大规模厂商，“净PP&E就是算力，这个倍数就是市场认为你的算力舰队能变现出什么水平，一眼能看出一些相当明显的定价低效”。主持人将其概括为“AI版的市净率”。

三、需求扩散与供给约束

Baker认为，AI需求扩散尚处早期，瓦特与晶圆的物理约束压低了建设速度，到2028年都将处于供给不足状态。

（一）需求扩散尚处早期

主持人给出的需求拆解为：行业约800亿美元量级的收入背后，真正获得实感价值的重度付费用户约3000万人；Baker的判断更低，认为可能不足1000万人，而全球知识工作者有15亿人。据主持人介绍，在a16z投资组合中，一是AI原生公司的token支出占人力薪酬的比例达到高个位数，部分超过10%；二是执行较好的传统企业约为1%；三是工程师的token支出呈幂律分布，头部比中位数高10至100倍。

Baker介绍了自身用量：Atreides内部token消耗在3月至8月间增长100倍，按趋势一个月内可能再增10至20倍，他表示这属于“极高产出的使用”。据其介绍，五个月前用编码工具搭建各类摘要工具各需数小时，用新一代代理产品只需数秒且效果更好。主持人认为，当前用法仍属反应式的知识增强，待使用者普遍转向“直接自动化这件事”，“那是看不到头的token需求”。

（二）物理约束与算力短缺情景

Baker表示，瓦特与晶圆是主要的物理约束，建设规模已冲击众多行业的原始产能，“现在铜行业人人都有一套AI叙事”。他对约束的定性偏正面，认为这些约束在给建设降速，“这对社会是好事”，同时实际利率上升与大规模投资相符。

在短缺情景上，Baker认为到2028年都将处于供给不足状态，“所有预测中的建设都没有富余产能，且鉴于政治动态还会延期。所有人担心过剩，我更担心严重不足”。其推演主要包括三点：一是若需求爆发，token价格可能上涨，他援引Dwarkesh Patel的观点称涨幅可达十倍；二是真正短缺的后果是“算力不平等”，通往大众低价产品的路径是广告，而广告业务需要多年建立，中间可能出现难以衔接的空档期；三是开源的重要性由此上升，同时开源token同样有成本，“同等规模模型产出一个开源token所需算力完全一样，区别只是上面加多少毛利”。

（三）数据中心的政治经济学

Baker认为，存在主义式的负面表达（如“所有人都会失业”）与技术性风险讨论的影响截然不同，他认同“别再谈论治愈癌症，去真的治愈癌症”的说法，并主张“能讲出AI行业真相的只有AI行业自己”。对于数据中心，他主张以民生账为优先叙事：一是数据中心配套自备电源落地后，小镇税收增长可达十倍量级，正在带动因钢厂倒闭而衰落的城镇复苏；二是技工薪酬显著上升；三是参照Meta上市初期每次财报会讲述具体小企业受益案例的做法，呼吁各大公司讲述AI的具体受益者。

（四）轨道算力

Baker描述的轨道数据中心形态为一个72芯片机架配大型太阳能翼，运行于太阳同步轨道，散热器处于机架阴影中。其成本论证为：地面数据中心每吉瓦约500亿美元，其中约350亿美元为IT设备，上天后不变或略增，其余150亿美元为电力、冷却、土地与人工，这部分在地面持续通胀，在轨道上则无需支出；对比项只剩发射成本，可复用重型火箭可将其压至10亿美元以内，“经济学瞬间翻转”。他认为训练受延迟与集群密度约束将留在地面，但“世界算力中越来越大的比例将在轨道上”。据其转述，联合设计的机架计划于2027年四季度发射，“就算晚两个季度，那也是2028年”。他将SpaceX的AI商业逻辑概括为双向期权：一方面，第一方AI业务增长很快并快速逼近前沿；另一方面，即便算力建多了，多余产能在高度稀缺的市场里也有回收期不到6个月的变现出口。

四、英伟达的产业位置与需求识别方法

Baker将英伟达的位置概括为垂直整合、水平开放，认为可融资性构成其核心壁垒。

（一）份额价值与可融资性

Baker给半导体同业的经验法则是，加速器市场当前每1%份额约值1000亿美元，无须正面竞争，挑一个细分领域取得份额即可，与英伟达在系统层面竞争则需要另外八颗芯片。

在可融资性方面，Baker指出：一是500亿美元的英伟达数据中心只需150亿美元股权出资，其余可由第三方逐笔承做融资；二是残值担保（RVG）只要低于芯片毛利，对卖方即为近乎无风险的正贡献；三是竞品加速器的可融资性相对较弱，需要双倍股权出资且债务利率更高，“资金成本本身就是巨大的护城河”。他认为，若不提供残值担保，市场将走向两家实验室主导，原因在于二者有能力支付更高的算力价格，担保使其他参与者得以参与竞争，相当于“算力民主化”。他援引Dylan Patel的说法称：“他是AI的银行——AI的中央银行、AI的美联储。”

（二）开源与英伟达

对于“开源将反噬英伟达”的说法，Baker明确表示不认同，并指出英伟达本身是开源的重要倡导者。其逻辑是：GPU产出的token毛利若由90%降至40%，消耗量将更大，在供给受限的环境中意味着需要更多算力。据其介绍，英伟达锁定了全球供应链的七至八成。

（三）以交易结构识别真实需求

Baker认为，在供给高度受限的环境中，销量难以反映真实偏好，应观察芯片公司与客户所签交易的层级。层级由高到低依次为：一是芯片公司投资客户，投资额小于毛利即不可能亏损，且能解决冷启动问题；二是残值担保加第三方融资加收入分成；三是认股权证挂钩固定token单价；四是无对价赠予认股权证，芯片卖得越好、对方捕获越多，净现值可能为负。“聪明的人在投他的deal，是有原因的。”

五、企业侧模型组合与智能抽象层

Baker认为，企业侧终局将是多模型组合，组织与分配智能的抽象层是高价值卡位，但执行难度被低估。

（一）模型组合

Baker认为，没有一个模型能在所有任务上都占优，全球规模居前的一万家公司的标准做法将是：一是选取性能领先的开源模型，在自有数据上做强化学习与微调，“你拥有它，它是你的模型”，原因在于企业真正的知识产权嵌在数据里；二是让自有模型与一两个前沿模型在路由器后协同，由前沿模型做规划、低成本模型做执行。他表示，这一格局对微软比“两个统治级前沿模型”的格局有利得多。

（二）智能抽象层的竞争

Baker与主持人均认为，“智能的抽象层”是高价值卡位，即由谁来做组织与用户获取智能的抽象层、谁来担任全球企业的“智能仲裁者”。Baker强调执行难度被严重低估，并以零售业作类比：在美国开千店连锁“说着容易”，从商业历史看，做到的公司数量寥寥。抽象层的构建需要接入全部数据、训练专属模型、建立信任、无缝路由并持续升级底座，难度远高于中间件。争夺者横跨实验室、数据平台、推理服务商、应用公司与传统软件巨头，结果取决于执行能力与成本水平，而长期低成本的前提是垂直整合、拥有自己的算力。据其介绍，某大型律所已宣布投入5亿美元自建，“祝好运，这很难；但这告诉你盘子有多大”。

总的看，Baker认为AI产业链呈正和格局，算力投资回收期短于一年、建设以经营性现金流出资为主，需求扩散尚处早期而供给受瓦特与晶圆约束，到2028年都将处于短缺状态；英伟达凭借可融资性与供应链锁定居于产业中心，企业侧将走向多模型组合，智能抽象层的竞争取决于执行与成本。