AI 竞争回到每美元智能产出
本节学什么
本节只讲 Rihard Jarc 的第一性问题：AI 竞争不是简单比谁的模型榜单分数更高，也不是谁买到更多 GPU，而是回到“每美元智能产出”。深研把他的世界观概括为 Intelligence per Cost：赢家是在芯片、数据中心、模型、分发四层中最大化成本曲线优势，并把利润留在自己账上的公司。这个主题之所以放在第一节，是因为它决定了后面所有判断的单位。看 AI 新闻时，如果只问“谁技术领先”，很容易落入炫技叙事；如果改问“同样一美元能生产多少可用智能，成本下降后谁拿走收益”，新闻就会被翻译成损益表。本节不讨论具体买卖，只训练一个研究入口：把每条 AI 新闻先改写成成本曲线问题。
核心框架
Jarc 的框架有三层。第一层是单位智能成本：训练和推理不只是技术指标，而是云毛利、模型部署价格、客户采用和分发效率共同决定的经济指标。第二层是价值捕获：成本下降本身不等于利润上升，关键是下降的部分被硬件供应商、云平台、模型公司、应用入口还是终端客户拿走。第三层是账本翻译：任何技术进步都要进入收入、毛利、折旧、capex、现金流和客户留存。深研特别提醒，Jarc 不是纯半导体工程派，也不是纯宏观 AI 评论员；他把 EY 审计、ML SaaS 创业和基金 CIO 三段经历合在一起，所以会同时问利润质量、产品采用和机会成本。这个框架的边界也很清楚：它适合账算得清的资产和业务，不适合只靠远期想象支撑的叙事股。
他怎么用(具体案例+数据+原话)
最能说明这一节的是 2025 年 Google/TPU 链。深研记录的时间线是：2025-03 他写 Google 做得比市场预期好，投资者过度悲观；2025-11-17 他在 X 上提出 Google 自 2014 年起就不愿在 AI 推理上受制于 Nvidia；2025-11-24 发布 TPU 深拆；次日 The Information 曝 Meta 洽谈采用 TPU，TPU/ASIC 叙事被引爆。这里的重点不是“他提前半年知道订单”，深研反而给了诚实口径：TPU 深拆领先主流新闻引爆点只有一天，且发生在 Gemini 3 发布之后。他真正做对的是把 Gemini、TPU、GCP 毛利和 Nvidia 税算成完整账。深研里的原话式表达是：2026 年关键 AI 指标是 INTELLIGENCE per COST。TPU 重要，不是因为它酷，而是因为它可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格，并通过 Search、Workspace、Android 分发吃掉更多价值。
常见误区
第一个误区是把 Intelligence per Cost 当成低价竞争口号。Jarc 讲的是单位智能经济性，不是简单降价；如果价格下降但利用率、分发和客户粘性没有改善，利润表未必变好。第二个误区是把模型能力和商业胜负画等号。SOTA 模型可以带来注意力，但企业付费、云毛利、推理成本和分发入口才决定谁捕获利润。第三个误区是把 Google 观点误读成无条件站队。深研强调，他的 alpha 不是“看多 Google”，而是把 AI 新闻改写成会计问题；Google 只是目前更符合四层全栈假设的案例。第四个误区是忽略利益冲突。他是 New Era Funds CIO，公开强观点可能与基金持仓相关，必须把观点降级为研究假设。
可迁移方法
遇到 AI 新闻，先不要问利好谁，而是写四行：这件事让单位智能成本下降了吗；下降发生在芯片、数据中心、模型还是分发；谁为这次下降付钱；谁能把下降后的价值留在毛利或现金流里。然后设置验证点：推理价格、云利润率、旗舰模型采用的芯片、企业付费质量、分发入口的使用量。如果验证点写不出来，就不要把新闻升级成判断。这个方法也能迁移到非 AI 行业：把任何技术叙事变成“单位产出成本、价值捕获者、付款方、利润表位置”四个问题。
小结
本节的核心是把 AI 竞争的计分板从“谁最强”换成“每美元智能产出”。Jarc 的优势不是神秘消息，而是把技术、云、模型和分发合成一张经济账。合规上，所有公司都只是研究入口，不构成任何买卖建议。
四个会计问题：成本/付钱/折旧/分发
本节学什么
本节只讲四个会计问题：成本降了多少、谁付钱、谁折旧、谁分发。深研把这句话列为 Jarc 的变种认知来源，因为它能持续拆穿 AI 市场里最常见的错位：市场按“谁卖最热硬件”排序，他按“谁能把智能成本下降留在自己利润表”排序。同一条新闻，如果说某家公司采用自研芯片，普通读者会先想替代 Nvidia；Jarc 会先拆成成本、付款、折旧和分发四格。这样做不是为了让结论变复杂，而是为了防止把技术胜利误读成财务胜利。本节训练的是把每个 AI 事件放进会计分录，而不是停在标题。
核心框架
四个问题各自负责一块风险。成本降了多少，要求研究者估计芯片成本、能耗、利用率、软件栈和部署效率，而不是只看发布会性能。谁付钱，区分云厂、模型公司、企业客户、消费者和融资方；AI 基建里很多看似需求强劲的订单，本质上是未来现金流承诺。谁折旧，检查 GPU、ASIC、数据中心和网络设备的经济寿命是否短于会计年限；如果资产真实寿命更短，账面利润会被高估。谁分发，判断最终客户入口在哪里，Search、Workspace、Android、Office、AWS、Azure、GCP、社交产品或企业工作流都可能改变价值捕获。四格放在一起，才能知道技术进步是被供应商拿走、被平台留下，还是让客户获得更便宜的智能。
他怎么用(具体案例+数据+原话)
这一节的专属案例是 Jarc 对 Nvidia 税和 Google TPU 的损益表翻译。深研写得很直接：TPU 不是因为酷才重要，而是因为它可能让 Google 少交 Nvidia 税、提高 GCP 毛利、降低推理价格并通过 Search、Workspace、Android 分发吃掉更多价值。这里的四问非常清楚。成本降了多少：自研 TPU 如果承担旗舰推理负载，就可能降低对外部 GPU 的边际采购和租赁成本。谁付钱：Google 用自己的资产负债表和云资本开支支付，而不是让客户先承担全部风险。谁折旧：TPU 和数据中心折旧留在 Google 账上，因此必须看 GCP 利润率是否扩张，而不能只看芯片叙事。谁分发：Gemini 如果通过 Search、Workspace、Android 和 GCP 进入用户场景，价值捕获就不只在云租赁。深研给出的代表性时间点包括 2025-11-24 TPU 深拆和次日 Meta 洽谈采用 TPU 的新闻；它们的意义在于外部客户可能验证 TPU 不只是内部玩具。
常见误区
第一，看到成本下降就自动推导利润上升。成本下降可能被竞争性降价、客户议价、过度 capex 或低利用率吃掉。第二，把付款方和受益方混在一起。模型公司可能享受算力，但付款来自股权融资、债务或云厂补贴，风险不在同一张账上。第三，忽略折旧。GPU 或 ASIC 如果经济寿命短于会计折旧，当前利润可能看起来健康，真实现金回报却在变差。第四，把分发当成营销词。分发不是“用户很多”这么简单，而是产品入口能否把更便宜的智能转化为付费、留存或广告效率。第五，机械套用四问到所有公司。对现金流难算、产品未验证的叙事资产，四问经常会暴露信息不足，而不是直接给答案。
可迁移方法
做笔记时给每条 AI 新闻建一张四列表：成本项、付款方、折旧方、分发方。成本项写具体变量，例如芯片单价、能耗、利用率、推理价格或软件效率。付款方写经营现金流、债务、股权融资、客户预付款或云信用。折旧方写资产类别和可能经济寿命。分发方写真实触达路径和付费场景。最后加一列验证点：云毛利、capex 强度、自由现金流覆盖率、客户采用、产品使用量。这样你会发现很多新闻没有足够信息进入判断，只能保留为待验证假设。
小结
四个会计问题是 Jarc 方法的最小单位。它把 AI 新闻从热闹标题压缩成可验证账本：成本是否真的下降，谁承担风险，折旧有没有被低估，分发能不能捕获价值。所有标的只作研究案例，不作投资建议。
四层全栈：谁把成本下降留在利润表
本节学什么
本节只讲四层全栈：芯片、数据中心、模型、分发。Jarc 的全栈论不是“公司越大越好”的泛泛结论，而是一个价值捕获框架：谁占的层越多，谁越有机会少交中间税、控制成本曲线，并把智能成本下降后的利润留在自己账上。深研指出，Google 的 TPU/GCP/Gemini/Search 被他视为当前最完整的 AI 价值捕获结构；这不是单点看好某个芯片，而是把自研芯片、云平台、模型能力和分发入口放进同一张利润表。本节的主题只围绕全栈，不讨论折旧或融资分层。
核心框架
四层全栈的第一层是芯片：GPU、TPU、Trainium、ASIC、网络和内存决定单位计算成本。第二层是数据中心：电力、冷却、利用率、云服务定价和运维能力决定成本能否转化为稳定毛利。第三层是模型：Gemini、Claude、GPT、Llama 或企业够用模型决定算力被包装成什么智能产品。第四层是分发：搜索、办公软件、移动系统、云平台、社交网络和企业工作流决定用户是否触达、是否付费、是否留存。全栈公司的优势不是每层都世界第一，而是层与层之间可以内部优化：芯片为模型定制，数据中心为芯片调度，模型通过已有入口分发，价格策略又反向提高利用率。少交一层税，成本曲线就更陡。
他怎么用(具体案例+数据+原话)
专属案例是 Google 全栈。深研把他的代表判断写成：Google 的 TPU/GCP/Gemini/Search 全栈是当前最完整 AI 价值捕获结构。验证点也很具体：GCP 利润率扩张、TPU 持续支撑旗舰模型或外部客户、Gemini 能力不落后、客户接受 TPU。2025 年的时间线提供了全栈叙事的拐点：3 月他写 Google 做得比预期好；11 月 Gemini 3 后，TPU 深拆把芯片、模型和 GCP 毛利连起来；随后 The Information 报道 Meta 洽谈采用 TPU，让外部客户验证成为市场焦点。深研强调，AVGO 未必是 TPU 叙事最大价值捕获者，Google 作为全栈运营者可能捕获更多。这句话正是全栈框架的原话式核心：市场常按谁卖硬件排序，他按谁把成本下降留在利润表排序。
常见误区
第一，把全栈等同于封闭生态。全栈的关键不是排斥外部供应商，而是关键成本和分发环节能否内部协调。Google 仍可能使用 Nvidia，Amazon 仍可能买 GPU，Microsoft 仍可能依赖外部模型；问题是边际价值留在哪里。第二，把四层全占当成必胜。只要某一层显著落后，例如模型能力落后或云客户不接受自研芯片，全栈就会变成成本负担。第三，把芯片层孤立估值。ASIC 设计供应商、代工、封装都可能受益，但最大利润未必在卖铲子的一层。第四，忽略分发层。没有 Search、Workspace、Android、Office 或企业工作流，模型和芯片的经济性很难充分释放。第五，把全栈论套到所有大厂。深研提醒，他当前处在 Google/TPU 成功后扩大框架适用范围的阶段，后续要观察是否过度泛化。
可迁移方法
分析一家公司时，画四层矩阵。横轴写芯片、数据中心、模型、分发；纵轴写控制程度、成本优势、收入路径、验证指标。控制程度不只看是否自研，还看是否有规模利用率和客户需求。成本优势要落到推理价格、云毛利、能耗和利用率。收入路径要写清楚是云租赁、订阅、广告、企业软件还是内部效率。验证指标则包括 GCP/Azure/AWS 利润率、旗舰模型使用的芯片、外部客户采用、自有应用中的 AI 使用量。最后问一句：这家公司少交了哪一层税，又把省下的钱留给了谁。 补一层实操判断：全栈优势必须被外部行为验证。内部自用芯片只能说明成本控制意愿，外部客户愿意采用才说明产品化能力；自有分发入口只能说明触达能力，付费和留存改善才说明价值捕获。
小结
全栈框架解释的是价值捕获，不是大公司崇拜。Jarc 看 Google/TPU 的独特处在于把芯片、云、模型、分发四层合并计算，而不是单看 TPU 新闻。合规上，本节只讨论研究方法和产业结构，不构成任何标的建议。
