鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AI股和黄金同涨不止是“杠铃交易”

编程导航
编程导航
2025-10-04 12:30
阅读 168
编程导航
2025-10-04 12:30
阅读 168

最近参加各个科技论坛、峰会,遇到不少同行,我发现大家都乐观了起来,因为,在这波科技股AI 浪潮中赚到钱了。

都说三根大阳线改变信仰,这次AI 热潮的大阳线可不止三根。比起小打小闹的散户,科技大厂们在这波 AI 热潮里收获更丰厚。自 ChatGPT 发布以来,美国科技股七巨头市值增长了约14万亿美元。在中国这边,阿里、百度等公司股价也大幅上涨。

但浮盈后,大家又有些疑惑:这波AI 热潮是不是快到头?会不会是泡沫?要不要落袋为安?

这是很多人的疑虑,估计大佬们也知道了大家的疑虑,于是,站出来“吹票”了。近日,在科技播客节目BG2中,英伟达CEO黄仁勋预测,全球每年在AI基础设施上的资本支出将达到5万亿美元,他还认为,OpenAI可能成为下一个万亿美元市值公司。

为了佐证他的判断,他分析称,未来全球GDP中有55%至65%基于人工智能创造,这50万亿美元在未来都有望受到“价值10万亿美元”的AI基建增强。

英伟达将直接在芯片、软件、系统乃至AI工厂的层面与OpenAI展开合作,帮助他们成为一个“完全自营的超大规模公司”,双方之间的关系将像埃隆·马斯克和X公司一样。黄仁勋表示,这个过程会持续相当长的时间,最新的这次合作是为了应对OpenAI正在经历的“双重指数级增长”,分别来自用户数量和计算量。

由GPT 引爆的 AI 热潮,现在已经是底层基础设施、模型层和应用层共同推动。模型层有谷歌的gemini、OpenAI的GPT系列、Anthropic的Claude系列,应用层更是百花齐放,Abridge和Hippocratic AI专注于医疗领域的临床辅助,Perplexity(AI搜索)和Pika(AI视频)等产品在企业和消费者领域获得了大量用户。

但在基础设施层,你只能选择的英伟达GPU,或者它的马甲云算力平台CoreWeave。英伟达是AI 热潮的最大赢家,坐拥4.42 万亿美元的市值,依然备受追捧。

而黄仁勋无论是态度谦和,还是警告不能失去中国市场,都是为了更大的目标。他虽然早在25 年就财富自由,也在近一年套现了约两亿美元,但他应该更享受在这个大博弈时代位列 AI权力中枢的快感。

他打造的GPU 终于具有核弹属性,和黄金一样,被各国所囤积。

01

英伟达与OpenAI 在 9 月 22 日就宣布了达成合作意向,共同部署AI数据中心基础设施。不仅如此,英伟达还将成为OpenAI首选战略计算和网络合作伙伴,双方将会“共同优化技术路线图”。

过去三年,AI模型参数从千亿级迈向万亿级,对算力的渴求迎来“指数级爆炸”。 OpenAI CEO 奥尔特曼反复强调:“行业受制于算力瓶颈。”相较于提升ChatGPT具体的实用效果,越来越有商人风范的奥尔特曼将更多的目光转向了打造“AI基础设施”。

2025年,OpenAI大张旗鼓推出号称5000亿美元规模的“星际之门”计划。奥尔特曼兴奋地宣称:“计算基础设施将成为未来经济的基础。” 在他的设想里,大规模基建可以让算力成本压下来,算力最终会变成像电力一般普惠的资源,而普惠才能真正迎来全民AI时代。

9月,甲骨文披露跟OpenAI签下了价值3000亿美元的云计算算力服务采购合同,甲骨文股价随之一飞冲天。

很快,外界就对这项合作是否能够真正落地产生了质疑,这张“口头支票”看上去少了重要的一环。不过,奥尔特曼确实行动力迅速,OpenAI跟英伟达的协议正好补上了缺失的拼图。

近一年,黄仁勋已明显不在满足于被看作是芯片出售方,而是要当AI时代的“算力能源供应商”,不惜代价地锁定未来长期需求。第三方统计显示,2024年英伟达参与了近50笔AI领域风险投资,这些获投企业的开支几乎都包括采购英伟达芯片。

换言之,英伟达用自己的钱让客户买自己的产品,又通过技术限制等约束条件让这些AI企业在未来也只能选择英伟达的产品。

根据最新财报,英伟达年度自由现金流607.24亿美元,较一年前增长60%。手握巨额现金让老黄更加敢于主动出击。9月,英伟达以50亿美元入股英特尔,英特尔将为英伟达定制化设计x86处理器,以突破PCIe总线的带宽瓶颈。

多年对手都能变队友,那么上下游统一战线,也变得顺理成章。

在官方新闻稿中,黄仁勋和奥尔特曼勾肩搭背,显得关系十分亲近。黄仁勋还表示:“从第一台 DGX 超级计算机到 ChatGPT 的突破,英伟达和 OpenAI 十年来一直相互推动。”显然,双方有意凸显彼此在行业的重要地位和特殊意义,进一步巩固自己是“业内第一”的形象。

具体来说,英伟达将为OpenAI的下一代AI基础架构部署至少10吉瓦的英伟达系统。吉瓦是衡量电力输出规模的关键单单位,10吉瓦相当于400到500万块GPU的算力,差不多是英伟达今年全年的出货量。

双方共同规划未来发展路线将有利于形成“需求—技术—产品”的闭环,保持领先地位。

据透露,英伟达将按照每吉瓦100亿美元的节奏向OpenAI投资,至多1000亿美元。作为交易的一部分,英伟达会获得OpenAI的部分股权。知情人士表示,按照OpenAI近期在资本市场5000亿美元的估值计算,首笔100亿美元投资将为英伟达换取约2%的股份。

如果是一年前,新闻媒体的头版头条都将被这则合作协议占领,可是AI领域的雄心壮志实在是太多了,资本市场面对不把钱当钱的AI企业已经变得冷静起来。

不仅英伟达的股价没有如甲骨文那般出现明显异常飞跃,甚至新闻媒体都兴趣平平,舆论的质疑声音压过了吹捧。

02

彭博社直接给这笔交易套上了“循环交易与循环营收”的帽子。

简单来说,OpenAI、英伟达、甲骨文形成了“ONO”三角联盟,甲骨文是AI云基础设施服务的直接提供者,OpenAI向甲骨文购买算力服务,甲骨文向英伟达购买GPU来搭建AI基础设施,英伟达转过头投资OpenAI。也有传闻称,OpenAI和英伟达是“芯片租赁”商业模式。

同一笔资金在三家公司之间来回捣腾,实现了完美循环,一台带动AI领域狂奔的“永动机”就此诞生。

往好了想,如果市场表现符合预期,资金可以快速循环,无限迭代,三家公司的业绩数据继续飙升,在各自细分领域占据绝对龙头,牢牢握住AI行业的主导权。

可问题是,市场表现真的有那么好吗?

面对外界对“ONO”是否在玩数字游戏的质疑。黄仁勋在这期播客节目中予以否定的态度。“收入端与投资端无关。投资机会没有绑定任何条件。”

他强调,投资是基于对OpenAI未来发展的信心,OpenAI的客户数量在指数级增长,计算量也处于指数级增长,数据中心的规模是由下游需求撑起来的,英伟达需要站出来抓住这样的建设机会。黄仁勋还表示,摩尔定律已死,通用计算会转向加速计算。“我们与英特尔的合作就是在承认通用计算正迁移到加速计算与AI。”

黄仁勋还对没有在早期就跟OpenAI达成深度合作感到非常遗憾。“他们早年就邀请我们投资,当时我们太穷了,投得不够,真该把所有钱都投进去。”

不过,考虑到OpenAI 早期投资者马斯克和奥尔特曼已经闹到势不两立了,黄仁勋或许不需要遗憾什么。

为了论证AI的潜力,黄仁勋直接把AI推到了维护国家安全、跟进现代化的高度,认为AI在未来会是必需品。“AI是现代软件。……每个国家都必须在计算中保持现代化。”或许是为了强调AI的重要性,黄仁勋还用AI竞赛类比“曼哈顿计划”,甚至说没有人希望有原子弹,但人人都需要AI。

奥尔特曼也对一系列质疑进行了公开回应。

他称,自己完全理解外界在担忧什么,但现在所有的投资规模并没有过度,是AI革命下必须要做的建设,大型科技繁荣需要大胆且协调的基础设施建设。“OpenAI的增长速度比以往任何企业都要快。”

奥尔特曼还乐观地表示,在拥有10吉瓦算力时,AI也许能找到治愈癌症的方法。

尽管双方都表现得对自己所言深信不疑,但外界听后只会更加担心这是不是一场当事人成功把自己骗了的“泡沫”。

毕竟,两个人都回避了一个核心问题,那就是OpenAI仍处在亏损状态。财务文件显示,OpenAI在2025年预计亏损50亿美元,2026年扩大到140亿美元。按照最乐观的预测,2029年才有可能实现盈利。

也就是说,OpenAI还没有自给自足的能力。一旦奥尔特曼拿不到新的融资,雄心壮志的AI基础设施计划就会成为失控的烂摊子。

尽管OpenAI已经明显偏离了公益组织的定位,奥尔特曼还是不想被外界看成是单纯的商人,他一直对上市持有拧巴的态度。他认为,认为上市后需要每个季度给华尔街交出一份答卷,这会让公司长期投资变得困难。

听上去,有那么些掩耳盗铃。

03

所谓的有需求不等同于必需品,两者之间的鸿沟很可能永远无法跨越。

据统计,ChatGPT 用户已超过7亿,但付费用户不到3%。极低的付费比例说明用户对其依赖性并不高,仍是锦上添花的工具。奥尔特曼在炫耀需求增长时,从来没有论述过如何建立起有效的商业模式。

贝恩公司测算,2030年全球AI公司需要2万亿美元的年收入才能为满足预期需求所需的计算能力提供资金。然而,按照现有的营收推算,AI行业将面临8000亿美元收入缺口。

数据中心不同于传统的电路设施,它的核心硬件设备更新换代更快,出现故障的概率也更高。虽然科技公司渲染“军备竞赛”可以一步到位,但只要运行过机房,就知道它需要持续大量的资金投入。一旦设备供应跟不上最新潮流,功效就大打折扣。

即便算力就位,也需要在客户端找到应用爆发。只有准确的场景才能激发消费者对高价值服务的认可。目前来看,业内将希望寄托在教育、医疗等关键领域,可是垂直细分巨头并没有成型。

无论是大型投资机构,还是政府基金,亦或是散户,都认同AI领域存在着严重“泡沫”,资本给AI投资附加的约束条件正在明显增多。

可是对于科技巨头而言,AI对自身在未来能否生存下去实在是太重要了,他们不敢观望。

作为局中人,哪怕“自说自话”也得往前冲下去,这是关乎未来的生死之战。扎克伯格就承认,可能会有“空中陷阱”,Meta可能会浪费100亿美元之类的,但这不是重点。对于奥尔特曼和黄仁勋,他们当然清楚自己是在循环投资打造“永动机”,但这也不是重点。

AI行业的估值溢价反映了大规模结构性机会,对于掌握核心技术的英伟达和OpenAI而言,它们坚信只要技术路线是对的,泡沫也能创造价值,要把泡沫视作是“未来”和“梦想”。创新只能在乐观的情绪中获得推进,得有容忍失败的冗余空间。所以,用技术泡沫来推动边界扩展是一条必然要选的路。

因此,当外界的质疑声变多,投资者开始犹豫时,行业大佬更要站出来加油鼓劲。

只要不是百分百会失败,有1%的概率成真,那么对于巨头来说就是要勇于下注的。毕竟,没成真不过是损失了些资金和市值,但出局了,就得下牌桌。

对于这些科技巨富来说,再没有比失势更糟糕的事了。

比科技巨富更焦虑AI 的是各大国,AI 竞争已经是黄仁勋所暗示的是“新曼哈顿计划”,是国运之争,谁都不敢懈怠,更不会认输,只会争相投入,对算力基石GPU 的需求已经超越了商用需求的范畴,变成和央行囤黄金一样的战略储备。

而对于广大投资者尤其小散来说,既然大国、大佬们敢all in,那有什么理由不跟呢,一手增持黄金,一手增持科技股。在很多时候互为对冲的资产,达成了同时上涨的奇观,看似是“杠铃交易”,其实是跟随下注未来。

面对愈发混沌不明的世界,这台“永动机”是所有人一起打造的。(何伊然)

原文链接: AI股和黄金同涨不止是“杠铃交易”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230