Google's AI Brain Drain, SpaceX's Huge Quarter, Airtable's 90% Collapse, US Data Fuels China AI

第一章：Google 失去的只是人才吗

节目先从 Google 的人事震荡讲起。

Jason 援引报道说，Demis Hassabis 转任 DeepMind 主席兼 Google 首席科学家。Google 把它称为晋升，但外部也有人理解为他离开日常管理岗位。与此同时，Axios 的报道被节目概括为：Gemini 三点五 Pro 落后数月，部分公司消息源认为低士气是原因之一，多位核心研究者已经离职。

更受关注的是 Jeff Dean。据节目介绍，他是 Google 第三十号员工，一千九百九十九年加入，在公司连续工作约二十七年。现在，他据称要和另外三位 AI 研究者创办 Discovery Loop，研究 AI 驱动的深层科学突破。消息出现后，Google 股价据称下跌百分之四，约等于二千亿美元市值变化。不过 Jason 的原话保留了条件：只有在你愿意把两件事相关联时，才能这么解释，不能直接把股价变化全部归因于 Dean 离职。

人才为什么走？主持人列出几种可能：绩效换血、创造性破坏，或者 AI 创业资金太充裕，独立创业的诱惑太强。

Friedberg 给出了更深一层的解释。他认为，核心问题是 Google 如何分配资本。

节目称，Google 当年承诺为 AI 基础设施投入二千亿美元 CapEx。数据中心有旺盛需求，Google 又擅长运营这类设施，投资回报相对容易预测。节目还讨论了加速折旧：假设企业税率是百分之二十六，资本开支可以当年全额折旧，就近似于每投入一美元，获得约百分之二十六的当期税收抵扣。Brad 又援引 Microsoft 的情况，称 token-as-a-service 的投入资本回报率超过百分之三十。

相比之下，训练最强前沿模型可能要花数百亿美元，但能不能形成独占利润并不确定。开放权重模型追赶很快，各家前沿实验室之间的差距也可能迅速缩小。Friedberg 因而把数据中心称为“高 alpha、低 beta”，而模型研发虽然也可能高回报，却是高风险。

Google 还有一个特殊优势：它不一定非要拥有最强模型。

它有企业客户、消费者入口和云基础设施，可以托管 Anthropic、OpenAI 和各种开放权重模型。也就是说，Google 可以成为模型无关的平台，在计算、分发和服务层赚钱。

但这会产生内部冲突。Google Cloud 希望把算力租给 Anthropic，内部模型团队却想拿到同一批算力与 Anthropic 竞争。管理层如果把资本投向回报更清楚的基础设施，前沿科学家就可能拿不到自己需要的预算和算力。

这时，外部创业市场又给了他们另一条路。节目认为，Jeff Dean 这一级别的研究者，可能仅凭履历和一份演示文稿，就以数十亿美元级的融资前估值筹集数十亿美元。内部资源收缩，外部资金充裕，两者共同解释了人才为什么离开。

所以，Google 的人才流失不只是人事问题。它可能意味着，公司正在重新选择自己的位置：少押注单一模型，多押注算力、云平台和多模型分发。

第二章：前沿智能为什么仍有溢价

接下来就出现了第二个问题：如果很多模型都会快速追赶，模型本身还有没有溢价？

Sacks 的答案是，市场会分成两层。

第一层是前沿智能。他认为，主要竞争者已经从大约五家缩减到 Anthropic 和 OpenAI 两家，形成双寡头。第二层是落后前沿大约六到十二个月的商品化智能。

商品化模型不是没有市场，而是很难只靠模型权重收费。供应商可以收算力费、推理费和实施服务费，但如果不在能力前沿，就很难对模型层本身收取高价。真正处在前沿的模型则可以收取溢价。

节目用 Apple 和 Android 作类比：开放平台可能拥有更多用户，但愿意为高端体验付费的人，会把大部分利润留给高端产品。

Sacks 还用 Anthropic 的增长支持这个判断。节目口述，Anthropic ARR 已超过八百亿美元，年初约为一百亿美元，年末可能达到一千一百亿、一千二百亿美元甚至更高。这组数字只是转录原话，没有外部核验。

Jason 则认为，Google 即使不是最强模型提供商，也可能成为消费使用量最大的 AI 公司。节目称 Google Cloud 同比增长百分之八十二；Android、Search、Gmail、Chrome 和 YouTube 五个产品，各自都有超过三十亿月活。AI 一旦嵌入这些入口，分发本身就是巨大优势。

但 Jason 也说，对自己大约百分之九十五的工作，非前沿或开放模型已经足够。他用复制电子游戏等日常任务举例，认为随着部署越来越简单，很多人没有必要一直购买最强模型。

Sacks 的回应是：“够用”不等于“没有高端市场”。

对冲基金等高度竞争行业，不愿冒险使用较弱模型。企业探索尚未成熟的 AI 用例时，也不知道更强能力会在哪里创造价值。对于高价值决策，token 的那一点价格溢价，相对于潜在业务收益可能很小。为了省模型成本而错过一次重要机会，机会成本可能更高。

Friedberg 最后把争论落到了企业采购的现实上：企业不会为所有任务固定使用一个模型，而会建立组合。

简单工作流用便宜的开放权重模型，关键通用任务用前沿模型，生命科学、基因组和视频生成则使用专业模型。消费者可能每月花二十到四十美元订阅 ChatGPT、Gemini 或 Claude，企业则会主动编排不同模型。

这也是 Google 的机会。节目认为，Google 在视频、生命科学和蛋白质折叠等专业领域仍可能领先，并可通过 GCP 提供开放模型、通用前沿模型和垂直模型的组合。

开放模型会压低 token 价格，但前沿实验室仍有两个支撑点：复杂任务中的能力优势，以及企业自建开放模型的全栈成本。训练、微调、维护、安全和防护栏都要花钱，不能只比较 token 标价。

因此，模型市场更可能走向分层和组合，而不是简单地由开放模型消灭前沿模型。

第三章：SpaceX 财报与估值回调

节目第二个大话题，是 SpaceX 的首份公开财报。

节目口述，SpaceX Q二收入七十八亿美元，同比增长百分之九十二，环比增长百分之六十七。AI 收入二十六亿美元，环比增长超过三倍，主要来自向 Anthropic 和 Google 出租 Colossus 算力。季度 CapEx 高达一百八十四亿美元，同比增长六倍，年化约七百五十亿美元。

财报之后，股价下跌百分之十三，上市以来约跌百分之三十。节目称公司当时估值约一点四万亿美元，上市估值则超过二万亿美元。

市场为什么一边看到强增长，一边下调价格？

第一，超过二万亿美元的发行估值已经提前计入多年增长。第二，AI CapEx 增长太快。第三，大规模算力出租需要少数有足够资金的客户承购。SpaceX 还要决定，把算力租给 Anthropic，还是留给自己的 Grok 等模型。

Brad 认为，这更像 IPO 后常见的价格整固。基金把股票分配给 LP，也会带来阶段性卖压。接下来真正要看的，是 Grok 和 Cursor 的收入，以及 Starlink 对传统移动运营商的替代进度。

节目给出了一组非常激进的目标和预测：年末 ARR 指引为一千亿美元；一万亿美元 ARR 目标从二千零三十一年提前到二千零三十年；Morgan Stanley 对二千零三十年收入的估计是三千二百五十亿美元，而公司上年收入是一百八十亿美元。节目还估计，Cursor 可能从三十亿美元走向一百亿美元，Cursor 加 Grok 年末可能达到一百亿至二百亿美元。这些是指引、预测或推演，不是已实现收入。

SpaceX 的投资故事之所以复杂，是因为它同时有多条增长路径：Starship 与 Starlink、AI 数据中心、Grok 和 Cursor，以及潜在的 TerraFab 半导体制造。

第四章：Starlink 现金流与网络扩张

其中最像现金流机器的是 Starlink。

节目口述，Starlink 当季收入四十三亿美元，调整后 EBITDA 二十六亿美元；AI 业务调整后 EBITDA 十一亿美元，太空业务约亏损二亿美元。Starlink 有一千二百万订阅用户，同比翻倍，月 ARPU 为六十六美元，用户环比增长百分之二十。

Friedberg 据此做出牛市推演：Starlink 可能接近四百亿美元收入和三百亿美元自由现金流；如果给予三十倍现金流估值，单项业务在十八个月到两年内可能接近一万亿美元。当前每季新增消费者约二百万，未来可能上升到四百万至五百万。

这些都是推演，但逻辑很清楚：高续费、低获客成本的订阅业务，可以为 Starship、数据中心、模型和 TerraFab 提供内部现金流。

Starlink 的市场也可能不止农村宽带。节目设想，未来 Tesla 可以内置 Starlink，机器人出租车可以提供 Wi-Fi，手机也可以直接连接卫星或车载节点。美国约有四亿移动用户，这会显著扩大地址市场。

真正决定 Starlink 容量上限的，则是 Starship 和 V三卫星。

节目称，V三单星带宽是 V二的十倍。Falcon 九单次大约部署二十七颗 V二，新增约二点六 Tbps 网络容量；Starship 计划一次部署六十颗 V三，新增约六十 Tbps。这样算下来，单次发射新增容量提高二十倍以上。若部署顺利，Starlink 长期网络容量可能提升十到一百倍，direct-to-cell 才有真正的基础。

嘉宾还把 SpaceX 的物理建设能力视为核心优势。Elon 有建设火箭、超级工厂和大型设施的经验，这种能力可以迁移到数据中心。节目转述他的说法：建设数据中心，比造火箭简单。

Brad 认为，一点四万亿美元比 IPO 高点更合理。他以三到四年为观察期，推测可能有约三倍回报，但强调入场价格决定长期收益。这只是投资观点，不是保证。

第五章：数据中心扩张的资本风险

多条增长路径很诱人，但所有路径都绕不开资本。

节目从二吉瓦算力推演到接近八吉瓦，也就是新增六吉瓦。按每吉瓦最低五百亿美元建设成本，需要约三千亿美元新增 CapEx；再往后的十吉瓦阶段，可能需要五千亿美元。

这些钱从哪里来？可以借债，可以增发，可以让 NVIDIA 担保，也可以放进表外 SPV。无论哪种方式，最终都依赖下游 AI 实验室收入持续增长。

当前每瓦三十到五十美元的算力现货价，也未必能长期维持。节目认为，内存产量可能只增长百分之二十，需求却增长超过百分之二百，短缺让前沿实验室愿意支付市场价三到五倍的溢价。高价时项目可能一年左右回本，供给正常后，回收期却可能回到四至五年。

承购方又高度集中在 Anthropic、OpenAI 和 NVIDIA。节目举例称，Anthropic 与 OpenAI 当时合计算力约五吉瓦。如果供应商为客户融资，客户再用融资购买供应商的产品，就会形成 Bill Gurley 所说的“循环收入”。需求一旦下滑，杠杆会放大整个算力和半导体板块的波动。

Kimi 等开放模型带来的竞争担忧，被节目用来解释 CoreWeave 和相关股票约百分之四十的回调。Brad 仍能看到未来十二到二十四个月的需求，也认为当前建设速度可能再持续约两年。但“短期看得到需求”与“长期可以无限扩张”，完全是两回事。

SpaceX 这一章的结论是：Starlink 现金流、Starship 运力和物理建设能力构成牛市逻辑；巨额融资、短期稀缺价格和集中承购方，则构成同等重要的风险逻辑。

第六章：Airtable 低价出售与运营改造

节目第三个故事，是 Airtable 出售给 Bending Spoons。

节目口述，Airtable 年收入约四点八亿美元，增长约百分之二十，现金接近十亿美元。交易企业价值为十二点八亿美元，计入现金后的交易价值为二十二点五亿美元。相比二千零二十一年一百一十七亿美元的峰值估值，企业价值大约只剩一成。Bending Spoons 股价据称因消息上涨百分之十五。

交易前，Airtable 把 AI agent 业务 HyperAgent 拆成了独立公司。Sacks 的解释是，创始人和核心人才想继续追求 AI 的风险投资式增长，于是把成熟、增长较慢的 Airtable 产品交给收购方运营。

Bending Spoons 被节目描述为成熟互联网资产的集中运营者，已有 AOL 遗留业务、Evernote、Eventbrite、Vimeo 和 Meetup 等资产。它买下 Airtable，看中的可能不是高速增长，而是成本优化后的利润。

节目提到一个重要数字：只有百分之三十的 Airtable 销售人员完成配额。

Sacks 据此推断，Airtable 原本约百分之二十的产品驱动增长是有效的，但董事会为了追求风险投资回报，又加上了销售驱动模式。大量销售人员没有明显提高增长速度。

收购方的改造思路，是取消低效销售扩张，恢复产品驱动增长，再利用共享团队维护产品。节目讨论过削减百分之八十五到百分之九十成本、把 EBITDA 利润率从百分之三十提高到百分之八十或百分之九十、每年产生三亿到四亿美元 EBITDA，并在两到三年回收收购成本。

但这些只是推演。Brad 提醒，如果四亿美元 EBITDA 很容易实现，原来的董事会可能早就这么做了。增长放缓以后，员工士气、客户流失和人才质量会互相影响，改造并不轻松。

那为什么原公司很难自己转型？

因为创始人和 VC 董事通常不愿亲手摧毁自己建立的组织。他们与团队有长期关系，也仍然期待风险投资式回报。再加上晚期投资者的清算优先权，资本结构会进一步改变各方激励。

Bending Spoons 还有一个新优势：AI 降低了维护遗留代码所需的机构记忆。过去接管软件资产，必须保留熟悉代码库的员工。节目认为，现在 AI 可以快速学习代码并重建历史知识，让一支共享团队维护多个成熟产品更可行。

第七章：AI 冲击 SaaS 的边界

但 Airtable 的故事不能简单外推到所有 SaaS。

节目认为，Airtable 和 no-code 工具尤其容易受冲击，因为用户仍要学习一套新界面，它们像是替代编程语言。Claude Code、Lovable、Perplexity 等自然语言工具允许用户直接描述要构建的软件，中间工具的学习价值就下降了。

节目给出一个案例：团队用一个月自建投资组合管理系统，替代约二十五万美元软件和一百万美元集成支出；传统集成原本预计要两到三年。

但 CRM、ERP、HR、身份、合规和政府系统不是一回事。Microsoft 的 Active Directory、Excel、Teams 和 Azure 承载身份、数据来源、合规记录和认证。节目举出 FedRAMP High、美国国防部 Impact Level 五，以及 Salesforce 服务美国十五个内阁机构的说法。

大型企业不会为了每年省下一笔有限的订阅费，就花数千万美元迁移并承担合规风险。代码可以重写，制度、认证和组织依赖却不能一夜替换。

市场也在做这种区分。节目称，IGV 近六个月上涨百分之二十，近五年也上涨百分之二十；Snowflake 近六个月上涨约百分之八十八到百分之九十。Figma、Snowflake、Databricks 和 ClickHouse 被列为可能成功转向 AI 或继续增长的公司。

所以，AI 对 SaaS 的冲击不是均匀的。定位不清、学习成本高、容易被自然语言重建的应用最脆弱；拥有平台、合规、数据和用户护城河的系统更难替代。

最后，再看低价出售中的清算优先权。

节目称，Airtable 的晚期投资者大体收回本金，早期投资者仍有回报。标准的干净条款，是一倍非参与型清算优先权：优先股先拿回本金，然后所有股东分享剩余上行。

参与型优先权则会双重获利，先拿优先回报，再参与剩余分配。节目讨论了百分之七附息和二倍参与型优先权，但嘉宾明确说，不知道 Airtable 实际是否使用这些条款，不能把示例当成交易事实。Sacks 表示，他的机构只采用一倍非参与型的干净条款。

清算优先权平时可能不显眼，到了低价退出时，却直接决定价值如何在股东之间分配。

第八章：专家训练数据是不是战略资产

节目最后讨论的是训练数据。

Jason 援引 Forbes 调查称，美国数据公司把美国前沿实验室使用的高质量训练数据，也卖给中国 AI 公司。Surge AI、Mercor 和 Micro一被列为供应商；OpenAI、Anthropic、美国联邦机构，以及 Tencent、ByteDance、Alibaba 等被列为相关客户或买方。

节目称 Surge AI 和 Mercor 估值都超过二百亿美元，中国六家头部 AI 实验室每年大约花五亿美元采购数据。Micro一创始人据称选择不向中国销售。

争议的重点不是普通数据标注，而是博士和专业人士编写、纠错并重复验证的强化学习内容与知识数据集。随着网页公开数据趋于耗尽，专家生成的数据可能对模型改进越来越重要。

Jason 的观点很直接：这些数据凝结了西方最新的代码、生物学和科学知识。如果同一套高质量纠错数据同时卖给中国实验室，就会缩短它们的追赶时间。他说自己过去六十天使用 Kimi、Qwen 和 GLM-五点二，感受到中国模型进步很快；他把专家数据与模型蒸馏并列为追赶原因。

Sacks 同意，真正专有或具有军民两用价值的数据不应出售。但他追问：这些数据到底有多不可替代？

中国有大量数学和科学人才，也可以雇用专家重建类似数据集。如果数据容易复现，禁售只会增加摩擦，未必改变竞争结果。全面禁止还可能引发对等报复，例如中国进一步限制稀土销售。

第九章：对华数据管制应达到什么门槛

因此，Sacks 主张定向管制，而不是看到“数据”二字就全面禁止。他把第一届 Trump 政府约在二千零一十九年限制 EUV 光刻设备出口，作为符合战略门槛的案例：设备难以替代，限制能够真正产生影响。

Brad 又补充了政策随竞争态势变化的逻辑。他认为，节目讨论时美国在前沿模型和开放模型上仍领先，所以政策不会立刻转向全面收紧。但数据销售会与模型蒸馏、芯片出口一起持续受到华盛顿关注。如果大约六个月后，美国被判断为不再领先，审查强度就可能迅速提高。节目还口述了九月中美领导人可能会面，这是当时讨论的政策背景。

Jason 与 Sacks 的真正分歧，并不是要不要保护秘密技术。两个人都同意，真正专有、不可替代或有军事用途的能力不应出售。

他们争的是两个事实问题。

第一，这些专家数据集能不能被中国自行重建？第二，它们有没有实际军事用途？

Jason 承认自己没有看到具体数据集，无法确认军民两用属性。Sacks 也表示需要查看数据，才能判断是否真有“秘密配方”。

所以，这场争论最严谨的结论不是“全部禁止”或“全部放开”，而是逐项判断数据的专有程度、可复制性和战略用途。现有转录没有提供足够证据，给所有数据交易统一定性。

结语

回到开头的问题：AI 时代，企业最值得拥有的资产是什么？

Google 的故事告诉我们，最强模型未必是唯一答案，算力、客户入口和多模型分发也可能更稳定。模型市场的故事告诉我们，通用能力会商品化，但真正前沿的能力、专业模型和高价值场景仍有溢价。

SpaceX 的故事说明，订阅现金流、工程建设能力和多条业务路径可以互相支撑，但巨额 CapEx、短期稀缺价格和集中承购方也会把风险叠加起来。

Airtable 的故事说明，AI 既能摧毁一类软件的价值，也能降低收购方维护遗留软件的成本。决定 SaaS 命运的，不只是代码能不能重写，而是迁移成本、合规认证、数据和组织依赖。

最后，训练数据争议提醒我们，战略管制不能只看资产来自哪里，而要看它是否真正专有、不可复制并能形成瓶颈。

判断 AI 商业故事时，可以反复使用四个问题：

第一，眼前数字是已实现结果，还是嘉宾预测？

第二，企业拥有的是模型能力，还是分发、算力和客户关系？

第三，当前回报来自长期优势，还是短期供给短缺？

第四，这项资产容易复制，还是足以形成真正的战略瓶颈？

把这四个问题分清，才不会把增长目标当成收入，把短期高价当成永久回报，也不会把所有软件、所有模型或所有数据混为一谈。