本文来自微信公众号：肖小跑，作者：肖小跑，题图来自：AI生成
一
一年半的时间，说长不长，说短就短。短到能让大家丝滑地把“Moonshot 时刻”联想到 2005 年初的 “DeepSeek 时刻”，并且应激反应开始抛售。
但它又很长，因为一年半的时间，以 AI 的时间尺度算，已经是很久很久以前了。很多事情已经发生了变化。
一年半前发生的深度求索时刻，是一个灵魂拷问：美国的前沿AI 领先优势是不是正在消失，或者其实早就没了？（后来发现过虑了）。
而一年半后的月之暗面时刻，灵魂拷问变成了两个：（1）O 社和 A 社这样的前沿模型实验室，估值能撑到 1 万亿美金的底气到底在哪里？（2）科技和云大厂轰轰烈烈的 CAPEX 基建，会不会只是在空中造楼阁？
现在想想，也许苹果才是最大赢家：Openclaw 爆火时躺赢的是Mac Mini；决定不上大模型战场，也就完美避开了算力、机房、训练这些烧钱大坑；更何况内卷卷一切的中国参赛选手，早晚会把模型卷趴（现在看起来已经是这样了）。
记得一个朋友有分教：有时候要允许自己错过。苹果看起来错过了，但其实啥也没错过，现在历史新高，超过英伟达，又重回宇宙第一大公司宝座。完美演绎了什么叫做让子弹飞一会儿。
如今我也到了可以理直气壮说“这集我看过”的年龄，也就慢慢理解了前任老登们的心情。老登的投资古训只有一条：DYOR，do your own research。但这些年这条古训的内涵变化很大，从“我上知天文下知地理”，到“我懂得基本面和技术分析”，到“我知道名字和股价”，再到现在——“我知道怎么开盲盒”，或者“盲盒炒股”。
或者换成现在很火但被严重误读了的概念：“趋势跟踪”。（我觉得这个词被严重误读了，它并不是“什么火就跟盲炒什么”的意思，里边是有相当大技术含量的。先按下不表，另找时间讨论。）
说回到DYOR（Do Your Own Research），这并不是选修课，而是我们需要做的唯一一件事。
只不过在新的时代，我们要研究的东西，除了流动性、估值等最最最基本的东西之外，我觉得还应该加上一个“叙事感知”。
下面就拿周五的“大屠杀”来举个例子。抛开其他因素，如果我们仅从叙事这个角度来看，市场上究竟发生了什么？
二
可以用一段话总结：
过去 7 个月来，市场上最赚钱的交易之一，叫做“Bottleneck Trade”（卡脖子交易）。它的逻辑是：前沿大模型是一道人人都抢着吃的硬菜，而做这道菜的灶台、案板、传菜系统（芯片、内存、网络硬件）产能有限，卡住了整个厨房的脖子。供不应求，需求错配，这些灶台供应商的利润坐上了火箭。
有一天你突然发现，好像不用这么大的排场也能出菜。有人（Kimi3）换了一套新菜谱（更便宜、算力效率更高的国产开源模型），几个灶眼就能做出同样的味道。一旦这套菜谱普及开来，厨房老板们（云厂商）疯狂砸钱扩建厨房的狂潮，就可能退潮，也就不需要采购那么多灶台和案板了。
再精简一点，其实只有一个问题：To cut or not to cut（capex spending），that's the question。
那么 Kimi 3 到底是不是又带来了一个 DeepSeek 时刻呢？
目前的叙事分歧很大，而当市场上正反两方还在掐架、难分胜负的时候，波动率就会变得极高。
（我们自己正在做的东西：在 Percepta 的叙事指标系统里，有一个专门衡量这种“掐架程度”的指标，CFI（共识碎裂度）。计算上我借用了衡量反垄断集中度的 HHI 模型：把市场上的观点抽出来聚类，算每个观点阵营的份额集中度。CFI 接近 0，说明所有人都挤在同一个故事里；接近 1，说明完全没有共识。共识碎裂度高的时候，价格并没有锚，多空双方谁的叙事声音大，价格就会往那边偏移。其实过去这一两周市场的颠簸，恰恰是反映了这种极度碎裂的共识。）
现在我们就来看看，此刻两边的故事各自是怎么讲的。
多方的第一个叙事：Kimi3 威胁的是前沿实验室的利润，不是对芯片的需求。
叙事代表是 Dan Robinson（Paradigm合伙人）。他在推特上做了个投票，问 Kimi 这类开放权重模型对前沿能力到底是加速还是减速，86% 的人投了加速。
逻辑是：利润率垮掉会让前沿实验室做研究的动力变弱，这算是利空；但对硬件需求的杠杆会放大，所以净效应还是加速。所以结论是：这一次的抛售和当年 DeepSeek 一样，会迅速被证伪。
多方的第二个叙事：云厂商博弈。
就算企业都去跑开源模型，token 用量还是会涨，token 涨就是芯片涨。如果明知需求会涨，云厂商谁会先动手砍自己的 capex呢？就像掰手腕，一方先松懈，对手就赢了。所以结论是：谁都不敢砍，大基建还要继续。
多方的第三个叙事：不管哪个模型笑到最后，都离不开数据中心。
就像 Meta 把自己的算力租给 Anthropic，没准未来这些大厂的机房里跑的都是中国开源模型。而且企业普遍对“开源”这件事有误解：模型虽然是开源的，但运行模型一点都不免费。对大部分企业来说，自己部署一个 2.8 万亿参数的模型根本不现实，最后还是需要云平台。
多方还有一位重量级选手：SemiAnalysis。
（再插一句：同样一句话，马斯克说的和我说的，对市场的冲击力肯定不一样，所以 Percepta 系统里有一层叫“元叙事”的处理，也就是叙事源的信任度权重。SemiAnalysis 在半导体领域是权重很高的“元”，影响叙事的概率较大。）
他们的观点是：K3 不但不利空英伟达，反而是利好。有人觉得 K3 的新注意力机制更省显存，所以芯片要卖不动了。但情况恰恰相反：K3 本身就是个吞卡怪兽，由于这个模型实在太大了（2.8 万亿参数），光权重就占掉 1.5 TB 以上的显存，必须用英伟达最贵的 NVL72 机架级系统才跑丝滑。Kimi 自己都说最优推理需要至少 64 块芯片。换句话说，它省下的网络带宽，又在另一头加倍吞了回去。
另一个“元叙事”权重高的代表性观点来自于 Gavin Baker（马斯克附议）：
K3 也许确实是个拐点，但利空的只有 OpenAI 和 Anthropic 两家，对世界上其他所有公司都是利好。
逻辑如下：如果全世界只剩这两家前沿lab，推理毛利 90%，那它们就会变成整条产业链的垄断买家，不管你是芯片、数据中心，还是电力，上下游全吞掉，完全掌握压价权。多一个有竞争力的开源，整条产业链就还有办法赚钱。这就是黄仁勋大力支持开源的原因。
而且 K3 其实并不省钱（原因同 SemiAnalysis）。真正的“斯普特尼克时刻”是真的出现了一个既开源又省 token 的模型。更何况 O 社和 A 社的护城河也许早就从模型转移到了产品上。
所以它到底是不是个大威胁，可能很快就会看到答案。
三
现在看看空方叙事。
看来看去，其实空方的叙事只有一个：底层需求。
我们先回忆一下上一集 Deepseek 主演的剧情：
当年（2025年），叙事标的（或者市场担心的对象）只有一个：英伟达，它的芯片还卖不卖得出去？
而事后的发展变化让大家迅速普及了一个古老的经济学概念：杰文斯悖论（更高效的模型只会带来更多的需求，然后大家继续买更多的芯片）。市场迅速达成共识：就算模型变得更聪明，也不会少买英伟达的芯片。DeepSeek 时刻被证伪，一切恢复如常，继续涨涨涨。
一年半之后（AI 光年 One thousand and five hundred years later…），到了 Moonshot 时刻，叙事标的已经变成了一整条产业链，不再只是英伟达。
我琢磨了很久，理解这条链最好的方法，就是把整个 AI 产业想象成一个大餐厅。餐厅的结构如下图：
如果最顶层的最终需求（“上菜口”）开始减少，需求就会像多米诺骨牌一样，在整整 7 层里面逐层传导。所以这一次杰文斯悖论要捍卫的东西，比上一次更多更复杂。
其实我们只要设身处地地想想终端用户——每一个企业，很容易就能想到：大部分正常的企业在 AI 世界里花钱的节奏和这些大 AI 公司是完全不同的。
任何一家普通企业都需要过日子，用多少买多少，要精打细算。更何况，所谓的“大规模企业 AI 应用”还早着呢；而且真到了“大规模普及”那一天，模型就会变得像上个时代的互联网一样，只是一个商品化的、便宜的日常用品而已。
再回头看看多方的叙事：要么是在重新定价模型公司护城河，要么就是用工程细节论证硬件只会越买越多。这些观点都没错，只是全都绕开了“终极需求”这个问题。
四
最后发表一下我的浅薄观点：历史上其实已经有答案了。
答案就在杰文斯的煤炭故事里。杰文斯悖论的背景是煤炭行业，它带来了工业革命，煤也确实越用越多，悖论是成立的。可是这么多年的大量煤炭投资，英国工业革命时期收费公路、运河、铁路的资本回报率只有 4% 到 5% 左右（来源：Arnold & McCartney（2005、2011）对维多利亚时代铁路的研究），投资人的回报长期低于资本成本。
换句话说，煤用的更多，跟投资人赚不赚钱完全是两回事。
结果是社会飞速进步了，但大部分投资人买了单。
五
最近一段时间，我一直在做数据标注和“蒸馏自己”的工作。在这个过程中，我对大模型有了更多感悟，其中最刻骨铭心的一点是：大模型要真的能替代分析师和专家，做出靠谱和优质的分析，必须经过“蒸馏专家”的过程（在我的案例中，就是蒸馏我自己）。这个过程并不简单，而且后续必须进行长期的追踪和实时的调整。
我们在概念验证的过程中做了一些实时的分析，比如港股解禁前后，MiniMax 和智谱的叙事与价格的分歧；还有眼下正在发生的 Kimi 搅动市场。在这个过程中我也学到了很多，也给了我很多的启发。
本文来自微信公众号：肖小跑，作者：肖小跑