去年十一月，我聊过 PLTR 这家公司，当时的标题是《击毙本拉登——揭秘美国国防部供应商 PLTR》。现在看来，文首那句引语依然贴切：
“Context is everything” - 看到暴涨，就联想到泡沫；看到 AI，就想说因为没有‘灵魂’从而无法取代人——这些都是市场的常见言论，应用在具体的案例则需要补全上下文。
文章发表于 2024 年 11 月 11 日。以当时最近一个交易日的收盘价 58.39 美元计算，到 2026 年 8 月 3 日常规盘的 125.65 美元，PLTR 又涨了 115%；计入财报后的盘后价格 144.45 美元，则已是当时的 2.47 倍。
叠加近期 CSP 财报大考的亮眼成绩，一个清晰的逻辑链条浮现出来：PLTR 证明，AI 已开始为企业创造可计量的价值；CSP 财报则显示，这些价值正在转化为云收入与利润；而云厂商新增的容量，首先会变成 AI 硬件订单。随着集群继续扩张，瓶颈是否会进一步向光互联、存储与电力等环节传导？
这才是 PLTR 暴涨之后值得继续追踪的主线。
AI 应用端的满意答卷
两年前我的核心判断是：
“PLTR 花了十年时间与这些公司合作。AI 代理最终将驱动许多核心的业务流程，十年间对企业数据的整合为 AI 进入企业奠定了至关重要的基础。这是一个巨大的机会。”
这次财报，市场终于为这个逻辑交上了一份满意的答卷。
PLTR 二季度收入达 19.35 亿美元，同比增长 93%；美国商业收入增长 149%，美国政府收入增长 90%，GAAP 营业利润率达 47%。公司将全年收入指引上调至约 81.54 亿美元，对应约 82% 的增长。财报发布当天，常规盘与盘后累计上涨约 17.4%；按盘后价格粗略估算，短短几小时市值增加约 451 亿美元。
这次市场交易的，已不再只是“AI 未来会很厉害”，而是 AI 正在进入企业的真实数据、权限与工作流，并创造出真实、可验证的价值。AI Agents 每回答一个问题、每消耗一次推理，都意味着生产系统在背后持续读取状态、调用工具、检查结果、写入记录，再决定下一步。过去，人只是偶尔打开一次软件；未来，成千上万个 Agent 可能 24 小时运行，更不用说 Agent 与 Agent 之间的交互。
这意味着，应用端一旦跑通，后续调用量带来的硬件需求，绝不是普通的线性增长。
Karp 的愤怒
赚得盆满钵满的 CEO Karp 在 7 月 1 日接受 CNBC 采访时，把矛头对准了 Token 的商业模式，尤其是 OpenAI、Anthropic 这些前沿模型公司。
当时，Palantir 刚与 NVIDIA 联合发布了一套面向美国政府及关键基础设施的开放模型部署引擎：NVIDIA 提供芯片与 Nemotron 开放模型，Palantir 则负责 Ontology、权限、治理与工作流。随后，Karp 在电视上发问：企业花了那么多 Token，为什么没有获得相称的 ROI？他还主张，客户应当掌控自己的算力、模型、数据栈和“alpha”。
他心里的算盘打得很精：先推出开放模型与主权 AI 方案，再借助舆论把客户对成本、数据主权和供应商锁定的不满塑造成行业共识，顺势为 Palantir 所在的控制层争取更多预算与定价权。
梁圣的斩杀线
虽然美国对中国大模型的进展防范甚严，但仍然挡不住中国开源模型一路高歌猛进。
网上流传着这样一句话：“DeepSeek 收 3 分钱，干到 50 分；你收 3 美元，干到 60 分。贵 100 倍，只强 20%”。大模型的定价权被直接干碎了——当然，不同模型的输入、输出、缓存、推理深度和任务成功率不能混为一谈，“100 倍”和“20%”也并非放之四海而皆准。但它抓住了一个比榜单名次更重要的商业事实：一个模型不必在所有题目上击败最强模型，只要进入“足够好”的可用区间，并且便宜一个数量级，就能成为采购方手里的杀手锏。尤其是当所有比他贵的模型都没他好的时候，那些贵的模型就失去了存在的价值。
更关键的是，价格还在继续下探。以 DeepSeek 的官方报价为例：V4 Flash 每百万未缓存输入/输出 Token 分别为 0.14/0.28 美元，V4 Pro 为 0.435/0.87 美元；而同一时期，Claude Sonnet 5 的促销价仍为 2/10 美元，OpenAI GPT-5.6 Sol 为 2.5/15 美元。完成任务的总成本当然不能只看 Token 单价，但这个价差已足以迫使所有闭源模型回答一个问题：多出来的能力，究竟值不值多出来的钱？
所以，“梁圣的斩杀线”斩掉的不是 AI 需求，而是少数几个垄断模型对 Token 收取高额租金的能力。
杰文斯悖论
很多人看到开放模型越来越强、国产模型越来越便宜，马上得出结论：模型厂商的利润会被压缩，所以硬件需求也快见顶了。前半句可能对，后半句未必。正确的逻辑应该是： Token 越便宜，AI 越繁荣，需求越旺盛。
Token 不是 AI 最终销售的产品，它更像这个时代的电力。电价下降，不会让人们停止用电，只会让更多机器开始运转；同样，Token 越便宜，原本算不过账的应用越容易进入生产环境。
过去，一个 AI Agent 替企业处理合同、审核代码或者追踪库存，可能需要反复读取上下文、调用工具、检查结果和失败重试。模型能力再强，只要一次任务的成本太高，企业就只能把它当演示项目。现在，DeepSeek、Qwen 等开放权重模型把推理成本打下来，大量过去“不值得交给 AI”的任务，第一次变得有经济性。
19 世纪英国经济学家威廉·杰文斯发现：蒸汽机变得更加节能以后，英国煤炭的总消耗量并没有下降，反而大幅增加。因为单位煤炭可以创造更多产出，蒸汽机便进入了更多工厂、铁路和轮船，最终新增需求超过了效率提升所节省的煤炭。同理，在 AI 时代：
单次推理成本下降
→ 更多任务开始值得使用 AI
→ 每家企业部署更多 Agent
→ 每个 Agent 进行更多调用、读取更长上下文
→ Token 总量、算力和数据存储需求继续增长
从财务模型看也不复杂。模型消费等于“单位价格 × 调用数量”。如果 Token 价格下降一半，却让调用量增加五倍，那么模型单价虽然降低，整个 AI 经济的收入池和基础设施需求反而扩大了。
所以，美国想彻底封住中国开放权重模型，其实也没那么容易。
在这种情况下，美国如果只限制政府敏感系统，逻辑上说得通；但若进一步扩大为对中国开放权重模型的全面封锁，效果可能反而等同于给本国应用公司加税：美国企业被迫购买更昂贵的 Token，美国 CSP 也将失去一批高性价比的路由选项；而其他国家的开发者仍会继续利用这些模型降低成本，最终自毁长城、反失先手。
模型层被压缩出来的利润，不会凭空消失。它会向两端转移：一端流向掌握企业数据、权限和任务入口的应用公司；另一端流向掌握模型路由、算力调度和统一账单的 CSP。
因此，DeepSeek 真正击穿的不是 AI 叙事，而是少数模型公司凭借能力稀缺建立的价格伞。
价格伞被击穿后，应用公司的毛利空间扩大，CSP 的路由权增强，更多任务开始具备经济性。按杰文斯悖论，单位 Token 越便宜，最终被消耗的 Token 可能越多；模型越高效，能够被“养活”的 Agent 也可能越多。而越来越多的 Agents，将会通过我们接下来论述的 ROI 逻辑继续向下传导。
CSP的野望
7 月 30 日，微软财报后单日上涨 15.5%，创近 18 年最佳单日表现；第二天，亚马逊又上涨 15.3%。Azure 增长 43%，AWS 增长 37%，后者还是 18 个季度以来最快的增速。Google Cloud 的收入更是增长 82%，营业利润从 28 亿美元增至 88 亿美元。
诚然，这些云业务中也包含大量非 AI 部分，不能把全部增长都归功于模型。但财报电话会与订单数据共同说明：过去几年令人担忧的 AI 资本开支，正在兑现为云厂商的收入与利润——ROI 已经跑通，扩张也就可以更大张旗鼓、名正言顺地推进。模型正在从一种“信仰”，变成供不应求、需要被调度的零件，成为 CSP 的新摇钱树。
Microsoft Foundry 已经提供超过 1.1 万个模型。今年以来，使用多家模型供应商构建应用的客户数量，已增至年初的大约五倍。Satya Nadella 在电话会上说得很直白：企业应将编排框架、上下文、记忆和行动空间与单一模型解耦，让模型变得可替换。微软自己的网络安全系统，已让更便宜的模型处理约 90% 的任务，只把最困难的 10% 交给前沿模型，成本大约可以降低一半。
AWS 走的也是同一条路。Bedrock 里既有 OpenAI、Claude、Gemma、Grok，也有 DeepSeek、Kimi、GLM、MiniMax、Qwen 等开放模型。它不需要押注唯一的模型赢家，只需将不同任务路由给最合适的模型，然后继续销售 Trainium、GPU、数据库、存储、安全和 AgentCore。
模型越可替换，可替换的模型越接近顶级能力，Karp 们就越容易拿到应用层预算与定价权；CSP 们则获得了模型的选择权与路由权。于是，AI 将从“单一供应商繁荣”走向“整个生态繁荣”——此处正是“一鲸落，万物生”的道理。
资金的传导
Agent 不仅要推理，还要持续读取上下文、保存记忆、写入日志并检索历史结果。训练数据、向量、模型检查点、推理日志以及生成内容，并不会在一次调用结束后凭空消失。AI 从聊天窗口走向生产系统后，算力需求旁边会同步长出一座越来越大的“上下文仓库”。
Micron 在最新财报中披露：单季数据中心收入已超过 250 亿美元，数据中心 SSD 收入超过 50 亿美元，环比翻倍以上；公司称 DRAM 与 NAND 需求显著超过供给，并预计紧张状态将延续到 2027 年之后。公司还预计，2026 年数据中心 DRAM 与 NAND 的行业 bit 出货量将较两年前增长一倍以上。
这组数字很关键。HBM 解决的是加速器侧的带宽，服务器 DRAM 承担更大的工作集，企业级 SSD 保存高频上下文与热数据，HDD 则承接规模更大、需要长期保留的数据。模型的可替换性压低了模型层的垄断租金，却并不会让数据消失；恰恰相反，更便宜的调用会制造出更多需要存储的数据。
链条上的旁证也已出现：Sandisk 数据中心收入单季环比增长 233%；NVIDIA 数据中心网络收入增长 199%，明显快于计算业务的 77%；NVIDIA 与 Corning 又签下多年合作，将美国光连接制造能力扩大十倍；GE Vernova 今年上半年来自数据中心的电气化订单超过 50 亿美元，已是 2025 全年的两倍以上。也就是说，需求正在从“买卡”扩散到互连、存储与供电。
因此，在应用端暴涨之后，市场最自然的传导顺序大概会是：
应用端先证明 AI 能够创造收入和利润
→ CSP 获得调用量、路由权和统一账单
→ CSP 上调容量与资本开支，订单先落到 GPU/ASIC、HBM 与先进封装
→ 集群扩大后，瓶颈转向交换机、800G/1.6T 光模块、CPO/NPO 与相关光器件
→ Agent 的记忆、日志和数据沉淀继续拉动 DRAM、SSD 与 HDD
→ 同时拉动机架、电力、变压器和液冷等基础设施
资金通常会先购买最直接的盈利证据，再沿着资本开支寻找下一处供给瓶颈。最先暴涨的应用公司如果来不及参与，资金就会从 CSP 出发，继续在 AI 硬件、光互联、存储与电力中寻找那些尚未充分反映在价格中的利润表弹性。PLTR 是需求确认，CSP 是资本开支确认，而后面的硬件，则是这笔资本开支逐层落地的去处。
舆论与宏观
7 月份 AI 硬件下跌时，市场有两大忧虑：近端是持仓拥挤与流动性冲击；远端则是提前质疑 2028 年以后 CSP 是否还能以同样速度增加资本开支。
CSP 的逻辑前面已经讲过。至于持仓拥挤和流动性冲击，7 月的暴跌已经完成了一轮相当激烈的去杠杆；而那位著名的“AI 天才” Leopold Aschenbrenner 也在大婚之日因高杠杆的 AI 交易，不得不将资产组合出售给 Citadel。更巧的是，Citadel Securities 的宏观团队此前刚刚预测美联储可能意外加息；等筹码出清后，股票策略负责人 Scott Rubner 又转向乐观，称牛市的驱动力依然 “firmly intact”。这条时间线很快成了 X 上众多 KOL 竞相玩梗的素材：先谈加息、后接资产，最后宣布牛市仍在——这看起来确实很像“恐慌出清—强手接货—叙事转多”的华尔街剧本。
最后，还有一块压在成长股估值上的石头：特朗普的美伊战争。
美军赢下了大部分战斗，却迟迟无法把战术优势转化为稳定的政治终局；战争打了五个月，霍尔木兹海峡仍未恢复战前通航。继续升级的边际成本越来越高，因此特朗普更可能把军事压力带回谈判桌，换取一个可以对内宣布胜利的结果，而不是为一场无限期的持久战继续加码。大概率仍将诉诸外交与谈判渠道：双方不断测试对方的耐受力，而市场也逐渐对无休止的冲突升级与突如其来的 TACO 变得更“免疫”。战争连着通胀，通胀连着汇率，汇率连着宏观经济和大选，一切归根结底，都还是个政治问题。
而牛市并不需要所有风险消失。它只需要风险不再继续恶化，而盈利继续上修。
Photo by Kelly Sikkema on Unsplash
如果你也对这种从应用、模型到硬件的产业链传导逻辑感兴趣，不妨在 云栈社区 里和更多开发者一起交流，一起追踪技术浪潮下的市场脉络。
发表于 5 小时前
|
查看: 4|
回复: 0
