AI 超级周期的经济学
钱到底沉淀在哪一层

MS&E 435「Economics of the AI Supercycle」隶属斯坦福 Management Science & Engineering 系，1 学分轻量 seminar，2026 春季每周四 4:30–5:20PM 在 Hewlett 201 开课（4/2–5/28，共 9 周），全部讲座公开上传至 YouTube 频道 @MSE435EconomicsofAI，官网 mse435.stanford.edu。

主讲人 Apoorv Agrawal 是 Altimeter Capital 合伙人，工程师出身（Palantir Forward Deployed Engineer），领投了 Altimeter 历史最大单笔投资——以 1500 亿美元估值进入 OpenAI（现估值已达 5000 亿美元），并共同领投 Glean 的 Series E、早期投资 Baseten。他长期在 Substack《Tailwinds》上写产业备忘录，这些文章就是整门课的 pre-read 体系——没有教科书，只有 VC 自己写的一手观察。

整门课只追问一个问题：Where does value accrue in the AI supercycle?（AI 超级周期中，价值会沉淀到哪一层？）截至 2026 年 4 月，Apoorv 给出的答案是：

课程没有指定教材，但有清晰的 pre-read 体系——Apoorv 自己写的《The Economics of Generative AI》两个版本（2024 年 4 月首发、2026 年 4 月「两年回头看」）构成全部数据基线。核心论点：当前的 AI 价值链是一座「倒置的金字塔」，越靠近芯片的层毛利越高。

两年时间生态整体涨了 5 倍（~$90B → ~$435B），应用层增速最快（12 倍 vs 半导体 4 倍），但绝对增量上 NVIDIA 一家仍比整个应用层大 3 倍——半导体层毛利占比只从 87% 降到 79%，每年降约 4 个百分点。按这个速度，应用层要达到成熟云栈那种毛利占比（apps ~70% / semis ~6%），「远超十年」。

移动互联网类比

Apoorv 用移动互联网十年的价值流转做参照：第一棒半导体（高通、ARM 吃毛利）→ 第二棒基础设施（iOS/Android/应用商店）→ 第三棒应用（Uber、Instagram、TikTok 把利润抢到上层）。云计算同理：先建数据中心（2004–2010 AWS），再有 SaaS 大爆发。AI 现在处于「第一棒末段」，Apoorv 2024 年的预测是「十年内进入第三棒」——2026 年他仍然相信会翻转，只是承认时间表比当年预测的更长。

四个改善杠杆（应用层毛利怎么从 0–50% 走向 SaaS 时代的 75–80%）

• ▸更好的定价 / 价值对齐——按使用量收费，重订盈利模式
• ▸自研芯片降低 TCO——Google TPU、Meta MTIA、Microsoft Maia
• ▸模型架构优化——state-space models、JEPA、MoE 等
• ▸模型成本下降——batching、distillation、quantization

课程官网首页放了一个交互工具，把 Liebig 最小因子定律套用到算力栈上：哪一层最稀缺，哪一层就有定价权，哪一层就吃毛利。这是把「价值沉淀在哪」转化成可计算的「瓶颈在哪」。

有效供给增速 = min(chips, memory, energy, network)
缺口 = 有效供给增速 − 需求增速

缺口 < 0 → 供不应求 → 价格上升 → 利润集中
缺口 > 0 → 供过于求 → 商品化 → 利润分散

按默认值算，能源是当前瓶颈（15%/yr），对比需求增速 310%/yr，缺口 −295%/yr。工具提供四个推演场景：A NVIDIA 解决芯片供应（瓶颈转到能源，即 2025–2026 实际路径）；B AI Winter（需求拉到 100%/yr，缺口收窄）；C 能源突破（小型核电/模块化反应堆拉到 50%/yr，瓶颈转到内存带宽）；D 全部均衡在 ~60%（无单一瓶颈，全栈毛利压缩）。理解这一点，就理解了为什么 NVIDIA 现在能拿 73% 毛利——它恰好踩在最稀缺的位置。

课程没有论文式教材，但有非常清晰的必读体系——Apoorv 自己写的 Tailwinds 文章。除了 §01、§02 已展开的两篇，还有三篇分别对应后续课次的嘉宾。

Why we invested in Baseten（2026 年 1 月）—— 对应 Class #7

核心论点：推理是复合增长，不是线性增长。Jensen Huang 在 BG2 podcast 上说「推理即将增长十亿倍」——下一代 AI 产品从「单次请求-单次响应」变成循环（retrieve→reason→tool call→rerank→synthesize），每次用户交互触发多次推理事件。Google 处理的月 token 量佐证了这个曲线：2024 年 4 月 9.7 万亿 token/月，2025 年 4 月涨到 480 万亿（12 个月 50 倍），2025 年 10 月再涨到超过 1.3 千万亿（3 个月又 3 倍）。Apoorv 把 Baseten 类比为「推理界的 Stripe」——把模型部署、扩缩容、路由、性能调优抽象成产品，2025 年收入增长 10 倍，客户名单本身就是一份 AI 应用层「赢家」清单（Cursor、Notion、Clay、Gamma 等）。

Glean: Putting AI to work, at work（2024 年 9 月）—— 对应 Class #6

核心问题：企业知识 90% 散落在非结构化数据里——文档、代码、截图、邮件、PPT、图表；知识工作者花在「找答案」的时间越来越多。Apoorv 的判断是 Glean 不是「企业搜索工具」，而是企业 AI 平台——这跟 Class #6 嘉宾 Applied Compute 的问题域相同：怎么解锁企业内部知识。

The State of Consumer AI Part 2（2026 年 3 月）—— 推荐阅读

一句话核心：消费市场遵循幂律分布，AI 也不例外。数据显示 ChatGPT 占约 70% 市场份额，Gemini 约 20%，其他全部加起来抢剩下的——跟 Google 拿 90%+ 搜索、Facebook 拿社交、Apple 拿移动利润是同一条历史规律。这跟应用层「两人游戏」（OpenAI + Anthropic 拿走 75% 收入）是同一个故事的两面。

截至整理时间（2026-04-26），Class #1–#3 视频已上线，Class #4 尚未上传。以下是已举办课次的核心事实与 takeaway。

Class #2（4/9）Silicon: The GPU Economy —— Sunny Madra（Groq→NVIDIA VP）+ Brad Gerstner（Altimeter CEO）

课程里最重磅的故事：2025 年 9 月 Groq 在 69 亿美元估值上融了 7.5 亿；2025 年 12 月圣诞夜，NVIDIA 宣布花 200 亿美元拿下 Groq IP 的非排他授权，并把创始人 Jonathan Ross、总裁 Sunny Madra 及核心工程师全部 acqui-hire 过来（Groq 公司本身保留独立运营）。Jensen Huang 曾公开嘲讽 ASIC「即使免费也打不过 NVIDIA」，结果自己花 200 亿收编了一家 ASIC 公司——这是 2025 年最戏剧性的科技并购之一。Brad Gerstner 在课上的金句：「推理成本两年半下降了 99%」，他将其定义为「从预训练到推理时推理的范式转换」。

Class #3（4/16）Energy & Data Centers —— Chase Lochmiller（Crusoe 创始人/CEO）

Crusoe 从 2018 年用油田伴生气（otherwise 会被烧掉的天然气）发电、把模块化数据中心拉到油井现场跑比特币挖矿起家，2022 年后转向 AI 算力，2025 年起承接机构级 AI 数据中心项目。核心论点与 §02 瓶颈模型直接耦合：能源是 AI 超级周期的下一个真瓶颈——哪怕芯片供给完全解开，电网也供不上电；「被搁浅的能源」（油田尾气、地热、过剩水电）是巨大套利机会。

Class #4（4/23，预告）Enterprise AI & Service as a Software —— Ali Ghodsi（Databricks 创始人/CEO）

课程指南整理时该课视频尚未上传，基于 Ali 近期公开发言可预判主题：Databricks 平台上「80% 的数据库现在由 AI agent 建，不是人」；以及「Service as Software」概念——传统 SaaS 是「软件作为服务」，新范式是「服务作为软件」，直接交付服务结果、跟人力外包竞争。如果这个范式成立，应用层 33% 的毛利天花板可能被打破，因为可比对象变成了咨询费、律师费，而不是 SaaS 订阅。

每周一位嘉宾从 AI 栈的某一层进来，讲他们正在做的真实生意——这份名单本身就是一份「谁在 AI 供应链上站住脚」的清单。

Class #5（4/30）大概率是前沿实验室 capstone case（OpenAI 或 Anthropic）；Class #9（5/28）是学生分组的「做多/做空」投资论文展示——用整门课的框架逼学生做出资本化判断，而不是停留在概念层面。

主流「AI 经济学」研究有几条不同的线：Daron Acemoglu / Pascual Restrepo 做任务自动化和收入分配（劳动经济学）；Erik Brynjolfsson / Tom Mitchell 做通用目的技术和生产率 J 曲线（增长经济学）；Anton Korinek 做 AGI 转型路径（宏观经济学）；Hal Varian / Avi Goldfarb 做信息经济学和平台理论（产业组织）。MS&E 435 走的是完全不同的路线——VC 视角下的 stack-layer value capture analysis，更接近 Michael Porter 价值链分析 + Bill Gurley / Benedict Evans 风格的产业拆解。

优势

• ▸数据扎实——所有论点有 Epoch AI、SemiAnalysis、各家财报背书
• ▸嘉宾顶级——每周一位创始人/CEO，不是教授转述
• ▸对照系清晰——始终用云栈历史对照 AI 栈现在
• ▸可证伪——所有预测都有时间表
• ▸全公开——YouTube 完整公开，相当于一份免费产业研究报告

局限

• ▸完全美国中心视角——中国 AI 生态几乎不出现
• ▸资本视角自带偏差——Altimeter portfolio 公司（OpenAI、Glean、Baseten）频繁出现，有「自家广告」嫌疑
• ▸缺少劳动/社会维度——不讨论失业、收入分配、AI 治理
• ▸缺少开源/中国侧/欧洲侧的反例——默认所有竞争都在美国头部公司之间发生

这门课对 AI 产业观察者的价值，不在于教你「AI 是什么」，而在于给出一套可复用的判断工具——三层栈、毛利分布、瓶颈模型——用来问对问题：不是笼统地问「AI 泡沫大不大」，而是问「哪一层、贵多少、靠什么撑住」。

对关注中国 AI 生态的读者，最有价值的用法是「平移分析」：用同一套框架重新估算中国侧的三层栈收入、毛利、瓶颈分布，而不是直接套用美国的数字。中国的瓶颈在芯片而非能源，SaaS 渗透率本来就低——「Service as Software」这类概念在中国可能走出完全不同的路径。这些问题，每个 AI 从业者都值得自己写一次答案，而不是从这份指南里现成拿走结论。