AI 超级周期的九堂经济学：从电子、Token 到生产率与新药

AI 的经济闭环要跨过三次转换：电子变 Token，Token 变工作，工作变可持续利润

本文综合：课程前半部解释为什么当前价值高度集中在芯片、内存、电力和数据中心——AI 的边际服务成本不为零，推理和 Agent 又持续扩大 Token 消耗；中段说明光有更强模型无法让企业自动增产，组织还要重写流程、整理权威上下文，并用自己的 Evals 和反馈训练专用系统；后半部则展示应用与真实世界闭环：编码 Agent 需要部署、安全和运行基础设施，生命科学模型还要经过湿实验、临床和监管。基础设施先拿走利润并不保证永远如此，但应用层能否反转三角形，取决于它是否真正交付可复核、可收费的结果。

TL;DR

两分钟读完

斯坦福 MS&E435 春季课程全景：GPU 经济、AI 工厂、企业改造、专用模型、Agent 云与生命科学

一句话

这套课程用九个切面说明，AI 超级周期既是一次巨额工业建设，也是一次缓慢而艰难的组织与产品重构。

AI 与传统 SaaS 最大的经济差异是每个新增用户都要消耗推理算力，因此应用收入增长与计算成本不能分开分析。
推理、Reasoning 和 Agent 把需求从单次回答扩成连续行动；单位 Token 变便宜，不代表总计算需求或 GPU 价格必然下降。
电力、已通电厂房、内存、封装、专业工人和晶圆产能会轮流成为瓶颈，垂直整合用于应对瓶颈迁移。
企业 AI 的障碍更多是上下文和流程：把 PC 当打字机、把 AI 塞进旧审批链，通常只得到有限生产率。
Evals 定义要爬的山，后训练和专用模型让公司用自己的数据、成本、延迟与质量标准形成差异。
编码、开放权重和生命科学展示三类应用路径：可验证软件、可控自有智能，以及与物理实验闭环的领域模型。

THE ARGUMENT

整期内容的一条主线

这套课程用九个切面说明，AI 超级周期既是一次巨额工业建设，也是一次缓慢而艰难的组织与产品重构。

STEP 01

建设 AI 工厂

能源、厂房、芯片、内存、网络和冷却被组合成把电子转换为 Token 的工业系统。

STEP 02

提高每瓦智能产出

软硬件协同、异构计算、Prefill/Decode 分离和更好 Harness 同时降低单次任务成本与等待时间。

STEP 03

把企业上下文交给模型

权威数据、隐性知识、Evals 与反馈决定模型是否能从聪明通才变成可靠同事。

STEP 04

重写工作和商业模式

流程要围绕快速生成与迭代重构，软件定价也从座席转向用量、Token 或结果。

STEP 05

在真实世界完成验证

Agent 的代码要部署和治理，生命科学的分子要通过实验、临床与监管，最终价值才会兑现。

DEEP DIVE

内容提炼

斯坦福 MS&E435 春季课程全景：GPU 经济、AI 工厂、企业改造、专用模型、Agent 云与生命科学

0100:00:00–00:34:23

第 1 课｜倒三角：钱为什么还在 AI 底层

课程框架产业经济

课程以半导体和基础设施收入远大于应用收入的倒三角开场，并用云计算约十年的产业翻转作为比较基线。

传统软件复制和分发的边际成本接近零，AI 应用的新增使用却持续消耗 GPU，因此毛利结构天然不同。
训练是高利用率、可计划的大任务，推理更受人类使用时间和 Agent 行为影响，需求形状更难预测。
消费 AI 若要从约十亿美元级用户规模继续扩张，既要跨出知识工作，也可能探索广告等非订阅收入。

分析 AI 公司时，把收入、推理成本、用户上限和变现方式放进同一模型。

0200:34:23–01:30:24

第 2 课｜GPU 经济：Token 越便宜，需求为何越紧

推理经济投资观点

Brad Gerstner 与 Sunny Madra 从 Groq/NVIDIA 案例解释，Reasoning 和 Agent 让 Token 消耗急升，专用 SRAM 架构与 GPU 协同可提高固定电力下的产出。

推理成本下降与模型参数、上下文和任务长度增长并存，Jevons 式需求扩张会抵消许多效率收益。
把 Prefill 与 Decode、计算密集与内存带宽密集部分拆开，可用异构芯片优化同一推理流水线。
嘉宾以模型收入跃升反驳“只有资本开支、没有需求”，但其增长、估值与 AGI 判断带有明确投资立场。

不要只预测单 Token 成本；还要估计每个任务需要多少 Token、任务价值和总调用量。

0301:30:24–02:20:11

第 3 课｜AI 工厂：一吉瓦背后的土地、工人和现金流

数据中心单位经济

Crusoe CEO Chase Lochmiller 拆解从能源优先选址到供电、冷却、网络、GPU 与托管服务的完整数据中心栈。

当前瓶颈更像可立即通电的厂房，而非单独的芯片；电工、焊工、管道工和设备交期同样关键。
课程示例把一吉瓦级项目描述为数百亿美元投入，其中 IT CapEx 可能高于建筑和电力设施。
只出租算力与提供模型托管的收入和回收期不同，但关键假设是芯片实际寿命、利用率、融资和持续需求。

对任何 AI 工厂项目做分层折旧、利用率、能源价格和需求下行情景，而非只用收入除 CapEx。

0402:20:11–02:59:20

第 4 课｜企业 AI：模型够聪明，流程却仍是旧工厂

企业转型软件竞争

Databricks CEO Ali Ghodsi 认为“AGI 是否到来”不是企业当下的核心问题；缺少内部上下文和流程重构才是 POC 难以转成生产率的原因。

软件生成更便宜会降低进入壁垒，Agent 界面也会降低切换成本，但数据、品牌、规模、信任和认证仍可构成护城河。
Databricks 连接器案例从九个月缩到一季度做七个，主要靠重写需求、测试和团队编排，而非等待更强模型。
电气化和 PC 的历史说明，新技术先被塞进旧流程时生产率不明显，组织重新布局可能比发明本身慢得多。

先找旧流程中的排队、交接和串行依赖，再决定哪里加入 AI。

0502:59:20–03:45:26

第 5 课｜工业计算：Agent 如何改写基础设施

异构计算基础设施

OpenAI 工业计算负责人 Sachin Katti 把 Agent 描述为推理、工具、搜索、数据库和执行环境组成的有向图，要求更复杂的计算调度。

推理不仅服务产品，也用于 RL 与合成数据；课程预计其最终占绝大多数计算，但这是公司内部判断。
首 Token 前要处理巨大上下文，当前延迟可能大于网络距离收益，因此短期仍偏向集中大集群。
不同节点适合 GPU、CPU、快速推理芯片或大内存加速器；供应链韧性也要求多种芯片并存。

把 Agent 轨迹拆成节点，分别测量延迟、吞吐、状态和成本，再匹配计算类型。

0603:45:26–04:33:36

第 6 课｜专用模型：企业自己的 Evals 才是路线图

后训练企业模型

Applied Compute CEO Yash Patil 解释从预训练到 RLVR 的演进，并主张通用模型设定能力地板，企业数据、效用函数和 Evals 决定专业上限。

代码和数学率先受益，因为结果可验证、合成任务易扩展，模型可用大量 Rollout 从稀疏样本学习。
DoorDash 菜单结构化和亚秒级代码查错说明，小模型经专门后训练可在成本、延迟与质量间形成不同 Pareto 点。
持续学习尝试从接受、回滚和下游结果更新权重、上下文或 Harness，但在线信号仍需去噪并防止过拟合。

在选模型前先定义效用函数、离线 Evals、线上反馈和不可牺牲的安全约束。

0704:33:36–05:22:58

第 7 课｜编码 AI：云从部署页面转向运行 Agent

Agentic Cloud软件产品

Vercel CEO Guillermo Rauch 认为编码 Agent 扩大了软件创作者总量，也把云的核心对象从瞬时页面响应变成长时间运行、会使用计算机的 Agent。

Agent 需要 Sandbox、Token Gateway、部署、域名、可观测性和安全；这些是页面时代 CDN 与计算原语的新版本。
开源、局部推理和可组合组件更容易被模型在有限上下文中复用，形成面向 Agent 的“积木经济”。
定制界面可能替换低质量 SaaS 前端，但系统记录、权限和可靠工作流仍可能保留并通过 API、CLI、MCP 暴露。

SaaS 产品应让 Agent 可直接注册、计费、调用和治理，同时保留稳定的记录与权限层。

0805:22:58–06:12:13

第 8 课｜应用 AI：开放权重、推理平台与自有智能

Inference Platform开放模型

Baseten CEO Tuhin 从语音输入和医疗记录案例说明，规模化应用需要多模型、低延迟、高可靠与跨云推理，也需要用专用模型改善毛利和控制数据。

前沿 API 让早期产品快速找到市场，开放权重与后训练则在规模化阶段提供成本、延迟和可控性。
推理平台把分散 GPU 统一成可用资源，但极端供给紧张迫使平台从纯租赁走向部分自建和采购。
开放模型若长期缺席，会让应用层依赖少数实验室；课程同时承认西方开放权重的商业模式仍未解决。

为每个模型路由设置质量、延迟、成本、数据边界和切换条件，不把单一 API 变成永久架构。

0906:12:13–07:01:25

第 9 课｜生命科学：从分子 CAD 到可编程实验室

药物研发物理闭环

Anthropic 生命科学负责人 Eric Abrams 与 Chai 联合创始人 Josh 讨论用通用 Agent 和分子基础模型共同压缩靶点、药物设计、临床和监管流程。

药物从想法到批准通常需十余年，瓶颈分布在靶点、分子、制造、试验运营、终点和监管，并非一个模型即可消除。
更好的分子可能扩大效应量、减少受试者和迭代；测序、蛋白组与高通量实验又为模型提供新的反馈数据。
真正闭环需要 Claude 类 Agent 能调用分子模型、CRO 和实验仪器；临床安全性、有效性和监管责任仍不能跳过。

生命科学 AI 要同时优化模型能力、实验周转、临床证据和合规，而不是只展示分子生成。

OPEN QUESTIONS

尚未解决的张力

Codex 完整审阅了 Stanford Online 官方 MS&E435 Spring 2026 播放列表中的 9 个视频及创作者英文字幕，总计 07:01:25、891 个合并段落、约 391,588 个字符；未使用 ASR，Token 使用为 0。官方视频总时长比小宇宙编辑合辑多约 45 分钟，因此本页以完整课程顺序和累计时间为准。字幕没有逐段说话人标注，本文依据课堂介绍和问答语义归属观点；所有收入、市场份额、资本开支、毛利、模型发布时间、药物周期及估值均是录课时的讲者口径，未独立审计且可能迅速变化。多位讲者是相关公司的创始人、管理者或投资人，内容不构成投资、医疗或职业建议。

基础设施暴利与应用层终局

当前利润和稀缺性集中在芯片、电力、内存和数据中心VS历史上技术价值会向平台与应用迁移，最终由用户结果付费

两者可在不同时间同时成立；关键变量是应用收入增长、推理毛利、资本折旧和基础设施竞争。

计算效率与总量稀缺

每代芯片、量化和系统协同持续降低单 Token 成本VSReasoning、Agent、模型规模和使用场景使总 Token 需求增长更快

效率曲线无法单独推导供需平衡；需要用单位任务成本乘任务数量和复杂度。

通用智能与企业专用上下文

前沿模型已经能处理大量通用认知任务VS没有内部知识、流程权限和企业 Evals，模型仍会在关键细节失效

能力地板由基础模型提高，生产可靠性则由数据治理、流程设计和专用反馈决定。

闭源前沿与开放权重

领先实验室用巨额计算换取数月能力优势和完整产品体验VS开放模型能降低成本、保留控制并维持应用层竞争

课程中的开放滞后天数会快速变化，真正决策应基于当前任务 Evals、总成本、许可证和数据要求。

工具平台与垂直整合

可扩展工具可服务整个行业并积累工作流标准VS在药物等高价值领域，直接拥有结果和收入可能捕获更多价值

生命科学嘉宾对此公开分歧；选择取决于资本、监管、销售周期、平台差异化和风险承受能力。

SO WHAT

可执行启示

这套课程用九个切面说明，AI 超级周期既是一次巨额工业建设，也是一次缓慢而艰难的组织与产品重构。

创业者

先定义客户愿意为哪个可验证结果付费，再倒推模型、数据和基础设施。
区分临时技术领先与长期业务护城河：工作流、数据、分发、信任或规模。
对前沿 API、开放模型和专用模型做同任务 Evals，并保留迁移路径。

企业负责人

挑一个端到端流程，画出所有等待、审批、信息和责任交接，再重构而非局部加 Copilot。
建立企业 Canon、数据权限和成功标准，让 Agent 能获得与资深员工相同的上下文。
同时衡量速度、错误、审阅时间、单位成本和实际业务结果。

基础设施团队

把 Agent 图谱分成 Prefill、Decode、CPU 工具、存储和网络节点，逐层优化。
为利用率、能源、芯片寿命和供应价格做上行与下行情景测试。
避免单一供应链失效点，并让计算层能替换不同云、芯片和模型。

研究者与投资者

把课程里的收入、资本开支、市场份额和估值回到公司披露及一手数据更新。
将嘉宾的公司身份和持仓纳入观点权重，区分事实、推演与推销。
对生命科学预测检查实验复现、临床终点和监管证据，不用软件类比替代验证。

CHAPTERS

节目时间轴

斯坦福 MS&E435 春季课程全景：GPU 经济、AI 工厂、企业改造、专用模型、Agent 云与生命科学