📌 看点简介 4 月 29 日，谷歌、微软、亚马逊和 Meta 同一时间交出了 2026 年第一季度财报。 表面上看，四家公司业绩几乎都超过市场预期；但资本市场真正关心的问题并不是“赚了多少钱”，而是：AI 这场史无前例的资本开支竞赛，到底还能烧多久？什么时候才能真正转化成收入和利润？ 过去几年，四大科技巨头的 AI 投入正在快速吞噬现金流。2023 年，它们的资本开支大约只占运营现金流的 40%；到 2026 年，这个比例预计将接近 90%。四家公司合计资本开支超过 6300 亿美元，AI 基础设施建设正在成为科技史上最大规模的资本再配置之一。 本期《硅谷坐标 Silicon Valley Vector》，我们邀请到 FundaAI 创始人周默，一起拆解谷歌、微软、亚马逊和 Meta 财报背后的 AI 产业账。 从 Google Cloud 增速和 Gemini 生态，到 Microsoft Azure 与 Copilot 的商业化压力；从 AWS 的 AI 基建投入周期，到 Meta 在 Llama、广告系统和超级数据中心上的长期押注；我们试图回答一个核心问题： 当 AI 从技术叙事进入财务报表，四大科技巨头到底是在提前锁定下一个十年的入口，还是正在进入一场越来越昂贵的军备竞赛？ ⏱️ 时间戳 00:00:00 开场｜科技大厂与半导体的市场分化 00:01:20 估值框架｜芯片稀缺与模型高估值 00:06:00 AI支出｜本轮开支扩张的核心驱动 00:10:47 AI支出｜硬件涨价与 Capex 传导 00:16:38 AI收入｜定义差异与质量判断 00:33:36 谷歌｜云增长与广告变现改善 00:46:48 微软｜失去独家后的竞争基础 00:55:24 微软｜Copilot 的变现天花板 00:58:00 亚马逊｜AWS 加速的收入与利润逻辑 01:05:02 Meta｜广告提效与 AI 长期价值 01:27:06 AI商业化｜增量还是替代 01:31:12 结尾｜Capex 与 AI 收入缺口收敛 💬 金句预览 “今天花的是建设费，明天收的是租金。数据中心不是消耗品，它是资产。” “创业公司一周就已开始开始做一个很大的迭代了。但是对于一个大公司来说，三周可能PPT到汇报的流程都还没做完。” “模型公司的话语权越来越强，不和你绑定也是必然的趋势。” “以后评价工程师的标准就是：你是原来人力 Coding 编程师的时候几倍？这个倍数可以直接按照 Coding API 的 Consumption 看出来。” “短约价格就像五一假期的酒店价格，最能反映短期供需。” 📖 专业词汇 Capex / Capital Expenditure：资本开支。公司用于建设长期资产的钱，比如数据中心、芯片、服务器、电力、网络设备。本期核心概念。四大科技公司为了 AI 数据中心投入巨额 Capex，市场担心这些投资什么时候变成收入。 Opex / Operating Expense：运营费用。公司日常经营开支，比如人力、销售、研发、行政费用。AI 不只是替代 IT 预算，更大的市场可能是替代企业 Opex，比如客服、工程师、运营岗位。 Neocloud：新型云厂。专门围绕 GPU / AI 计算资源建立的新云服务商。模型公司不一定只找传统云厂，也会找 Neocloud 获取算力。 1P Data Center：第一方数据中心。模型公司自己建设或控制的数据中心。OpenAI 曾有 1P Data Center 计划，但执行难度很高。 3P Rental / Third-party Rental：第三方租赁。通过云厂或其他服务商租用数据中心和算力。大多数模型公司的算力需求转向 3P 租赁。 Inference：推理。模型训练完成后，用模型回答问题、生成内容、处理任务的过程。企业调用 API、用户使用 ChatGPT、广告系统调用模型，都属于推理需求。 Free Cash Flow：自由现金流。公司经营现金流减去资本开支后剩下的钱。Amazon 的例子里，资本开支把自由现金流几乎吃掉，市场担心现金流被 AI 投资压缩。 Operating Cash Flow：经营现金流。公司主营业务实际产生的现金。文稿中提到四大科技公司 Capex 占运营现金流比例越来越高，说明 AI 建设正在吞噬现金流。 ROIC / Return on Invested Capital：投入资本回报率。衡量公司投入的钱能产生多少回报。华尔街问 Meta：1450 亿美元 Capex 到底如何衡量回报？这是市场最关心的问题。 ASIC / Application-specific Integrated Circuit：专用集成电路。为特定任务设计的芯片。TPU、Trainium、Maia、MTIA 都可以放在 ASIC 自研芯片的大框架下理解。 P/E Ratio：市盈率。公司市值相对于净利润的倍数。用来讨论模型公司估值到底贵不贵。周默提到如果从远期利润看，模型公司不一定贵。 Query：搜索查询。用户在搜索框中输入的问题或关键词。Google 很多 Query 过去没有变现，AI 可以理解长 Query 的商业意图。 ARR / Annual Recurring Revenue：年化经常性收入。通常用于 SaaS、API、订阅型业务，把当前收入水平年化。用来衡量 Anthropic、OpenAI、Gemini 等模型公司的商业化速度。 HBM / High Bandwidth Memory：高带宽内存。AI 芯片中非常关键的内存类型。AI 训练和推理需要大量 HBM，内存涨价会推高 Capex。 Incremental Revenue：增量收入。相比之前多出来的收入。用来判断新的 AI 投入是否真正带来额外收入，而不是把原有收入重新贴上 AI 标签。 Backlog：积压订单。已经签约但还没交付、还没确认成收入的合同。云厂的 Backlog 可以反映未来 6 到 12 个月的收入确定性。 RPO / Remaining Performance Obligations：剩余履约义务。公司已经签下但还没有完成交付的合同金额。云业务中非常重要的领先指标，代表未来收入的可见度。 Gross Margin：毛利率。收入扣除直接成本后剩下的比例。云厂租 GPU 和租 TPU 的毛利率不同，自研芯片可以提高毛利率。 Operating Margin：经营利润率。经营利润占收入的比例。AWS、GCP、Azure 的利润率变化，是判断云业务质量的重要指标。 Margin Dilution：利润率稀释。新业务收入虽然增长，但毛利率较低，拉低整体利润率。市场担心 AI 云收入虽然增长，但 GPU 租赁和大客户合同会稀释云厂利润率。 High-quality Revenue：高质量收入。通常指可持续、毛利率高、客户分散、可重复的收入。Anthropic 或 OpenAI 带来的云收入是否高质量，是投资人担心的问题。 Low-quality Revenue：低质量收入。可能依赖单一大客户、毛利率低、议价能力弱的收入。AWS 和 Azure 被市场质疑，部分 AI 收入来自模型公司，可能议价能力不够强。 Bargaining Power：议价能力。产业链中一方对价格、合同、资源分配的控制力。模型公司越来越强，云厂的议价能力可能被削弱。 🗂️ 内容大纲 一、开场：科技大厂与半导体的市场分化 * 同样押注 AI，为什么英伟达和半导体产业链持续跑赢，而微软、Meta、亚马逊等科技大厂却反复承压 * 2026 年 Capex 被市场重新计入估值模型后，大厂自由现金流被显著压缩 * AI 投资的核心矛盾：今天花的是建设费，明天能不能变成持续租金 * 市场真正担心的不是 AI 有没有价值，而是收入加速能不能追上资本开支 二、估值框架：芯片稀缺与模型高估值 * 为什么利润率最高的地方在芯片层，但估值最高的公司却可能是模型公司 * 从 P/E 到 ARR：为什么模型公司的估值要用远期收入和利润率重新理解 * 模型公司正在变成新的“入口”：从 SaaS 时代的公有云，到 AI 时代的模型 API * 云厂角色变化：从直接面对客户的强议价方，变成模型公司的下游基础设施提供者 三、AI 支出：本轮开支扩张的核心驱动 * 这轮 Capex 扩张不是单一军备竞赛，而是经历了多轮需求逻辑切换 * 从数据不足、Coding 爆发，到强化学习和后训练体系跑通，算力需求不断出现新的增长点 * Frontier Labs 收入体量变大后，增速不但没有下降，反而继续加速 * 判断 AI 算力是否过剩，不能只看 Capex，而要看 GPU 租赁价格、交付周期和短约价格 四、AI 支出：硬件涨价与 Capex 传导 * GPU 长约、短约和现货价格如何共同反映真实供需关系 * 为什么短约价格像“节假日酒店价格”，最能体现短期供需紧张 * 存储长协价格上调后，不是一次性影响，而是会传导到未来多个季度的 Capex * AI 数据中心建设成本上升，不只是扩张带来的，也包含芯片、内存、存储等硬件通胀 * 自研芯片的产业意义：把原本付给 Nvidia 的钱，留在云厂自己的利润池里 五、AI 收入：定义差异与质量判断 * “AI 收入”不是一个统一口径，不同公司统计方式完全不同 * 微软：GPU 租赁、OpenAI API、Copilot、Fabric 等产品增量都可能被计入 AI 收入 * 亚马逊：Bedrock、Anthropic API 分成、Trainium、自有 AI 服务共同构成 AI 收入 * 谷歌：GPU、TPU、Gemini、Vertex AI 等构成更完整的 AI 收入闭环 * Meta：AI 对推荐算法、广告转化、Coding 效率的贡献难以单独量化 * 判断 AI 货币化的关键，不是只看披露数字，而是看收入增速、Backlog、RPO 和利润率质量 六、谷歌：云增长与广告变现改善 * GCP 的加速来自 Gemini、TPU 租赁、TPU 直销和 AI 云需求共同推动 * 谷歌的独特优势：同时拥有模型、芯片、云和搜索广告场景 * TPU 的战略价值：更低训练成本、更高云毛利率、更强客户议价能力 * TPU 供不应求的根源：不是需求不足，而是 CoWoS 等先进封装产能限制 * 搜索广告的反常识：Google 仍有大量 Query 过去没有被有效变现 * AI Overview 和 PMax 让长 Query 的商业意图被重新识别，打开新的广告增量空间 七、微软：失去独家后的竞争基础 * OpenAI 不再是微软的独家资产，Azure 的核心差异化正在被重新定价 * 对 OpenAI 来说，进入 AWS 和更多云平台，是获得开发者市场和算力弹性的必然选择 * 对微软来说，分发更多 Anthropic、OpenAI 之外的模型，也符合 Azure AI 平台化方向 * 模型公司话语权增强后，不和任何单一云厂绑定成为必然趋势 * Azure 的未来竞争力，不再只取决于 OpenAI，而取决于它能否成为多模型、多 Agent、多企业工作流的平台 八、微软：Copilot 的变现天花板 * Copilot 从按 Seat 收费走向按 Consumption 收费，是微软 AI 收入的关键变化 * Office Copilot 的渗透率仍然有限，真正的增量可能来自 Copilot Studio * Copilot Studio 的逻辑：企业搭建内部 Agent，用得越多，Token 消耗越大，收入越高 * 但企业 Agent 赛道竞争高度重叠：Copilot Studio、Palantir AIP、Gemini Enterprise、OpenAI、Anthropic 都在进入同一战场 * 微软最大的挑战：它既是云公司，也是全球最大的软件公司，Office 既是护城河，也可能成为 AI 原生转型的包袱 * Agent 时代的速度差异：创业公司一周迭代，大公司三周可能还在 PPT 汇报流程里 九、亚马逊：AWS 加速的收入与利润逻辑 * AWS 从“不被买账”到重新加速，核心在于 Capacity 问题逐步缓解 * 亚马逊像一家硬件属性很强的云公司，希望在数据中心、电力、冷却和自研芯片层面把问题一次性解决 * Bedrock 的增长与 Anthropic 的收入增长高度相关 * Anthropic 的 API 增长，让 AWS 同时获得云收入、模型分发和自研芯片适配机会 * Trainium 的反转：从需要打折推广的芯片，变成供不应求、能够支撑利润率的业务 * AWS 投资模型公司的战略逻辑：锁定算力需求、芯片使用场景和 API 分发份额 十、Meta：广告提效与 AI 长期价值 * Meta 的广告展示量和广告单价同时上涨，背后是产品形态和广告库存结构的变化 * Overlay Ads / Partnership Ads 让 Meta 开始走类似短视频软广的路径 * 推荐算法的 AI 提升是有效的，但贡献通常是小几个点，不是无限放大的收入引擎 * AI 对 Meta 的短期价值：提升推荐、优化广告投放、降低素材制作和客服成本 * AI 对 Meta 的长期价值：通过 Chatbot 和 Search 拿到更多用户意图数据，扩展旅游、汽车等原本更偏 Google 的广告品类 * Meta 大模型的定位不是正面对外挑战 OpenAI，而是更好服务自己的推荐、广告和产品系统 * Meta 股价承压的核心：不是 AI 没效果，而是 Capex 加速和收入加速之间出现错配 十一、AI 商业化：增量还是替代 * 现阶段 AI 的很多商业化来自效率提升和人力替代，而不是完全新增的消费需求 * AI 最大的市场可能不是传统 IT Spending，而是企业更大的 Opex 成本池 * IT Spending 可能只占企业收入 3% 到 4%，但 Opex 可能占 30%，这是更大的替代空间 * Coding 是最先被重塑的领域之一，工程师的评价标准从“会不会写代码”变成“能管理多少 Agent” * AI Coding 让生产力按月迭代，也让用工结构和岗位标准出现不可逆变化 * 长期问题：AI 如果大规模替代人力，就会引出福利、转移支付、AI 裁员税、Token 税等社会再分配议题 十二、结尾：Capex 与 AI 收入缺口收敛 * 当前 AI 收入和 Capex 之间仍有明显缺口，但这个缺口正在缩小 * Capex 是提前为未来数年建设基础设施，而 AI ARR 会随着模型公司和云服务增长持续释放 * 市场从去年担心“Capex 增速远高于收入增速”，转向今年开始看到模型公司 ARR 加速 * 真正的关键指标：Incremental Capex 和 Incremental Revenue 是否越来越接近 * 如果 AI 收入持续加速，市场对巨额 Capex 的担心会逐步减弱 * 最终问题不是“AI 会不会赚钱”，而是“谁能在芯片、云、模型和应用之间拿到最多利润” 🌍硅谷坐标 立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 📮 联系我们 硅谷坐标欢迎评论区留言交流，转发支持！长期招聘主持人、研究员、编辑、摄像和后期视频团队。也欢迎加入我们的志愿者团队，参与一线前沿的讨论和采访。我们的志愿者由科技从业人员、专业投资人和媒体团队组成。

📌 看点简介 AI 基础设施的真正瓶颈，已经悄悄从"算力"转移到了"通信"。过去三四年，AI 算力增长了 300 倍，而光互连只增长了 30 倍——这 10 倍的 Gap 有一个直接的名字，叫通信墙。打穿这堵墙的关键技术，正在迎来高成长的超级周期。 本期，我们邀请到 TeraHop 副总裁、前中华光电学会主席于让尘（Ryan Yu）博士一起聊聊光互连行业正在经历的这场技术革命和产业格局。 从 Scale Up / Scale Out / Scale Across 的三重互连场景，到可插拔 / NPO / CPO 的三条技术路线；从 NVIDIA 斥资 40 亿美金战投 Lumentum 和 Coherent 背后的垂直绑定信号，到 OFC 上突然爆发的开放标准生态；从谷歌 Ironwood TPU v7 + OCS 构建的"最强大脑"，到硅光、薄膜铌酸锂、III-V 族化合物半导体三条重要技术路线的融合演进。 ⏱️ 时间戳 00:00 AI 时代的通信墙 03:05 光互连在 AI 算力中的不可替代性：脑灰质与脑白质 05:48 AI算力集群互连的Scale Up，Scale Out，Scale Across 11:19 光进铜退的经济账 14:09 可插拔 / NPO / CPO 三条技术路线深度拆解 15:25 硅谷大厂的技术选择：谷歌、Meta、亚马逊、英伟达的路线差异 20:58 光方案的技术演进路线 26:10 12.8T的带宽飞跃 27:26 英伟达 40 亿美金战投 Lumentum & Coherent 的产业信号 30:36 OFC多元协议与开放生态 34:55 OCS 光交换 vs 电交换：谷歌 10 年布局与行业机会 42:15 光模块厂商的未来布局 43:36 实现 400G per lane的重要技术路线：硅光 / 薄膜铌酸锂 / EML激光器 45:15 万亿美金级价值链重塑&发展瓶颈 48:44 5-10 年展望 💬 金句预览 "算力过去四五年发展了 300 倍，而 AI 连接只发展了 30 倍。这个差距有 10 倍的 Gap 要去填补，必须整个业内一起来努力。" —— 02:35 "Use copper when you can, use optics when you must.（能用铜就尽量用铜，必须用光就用光。）" —— 11:38 "所有的互连网公司他们是很实际的，他们不会做宗教式的选择。" —— 19:29 "可插拔模块、NPO、CPO——甚至同一个互连网公司，它三项都选，叫做成年人不做选择题。" —— 20:48 "谷歌已经走在最前面 10 年，其他互连网公司还基本是零——这对供应商来讲是一个 Greenfield 机会。" —— 38:10 "哈哈哈，这个很快变成一个万亿级别的问题。" —— 45:15 "大家应该把光互连看作算力的一部分——而不是把算力和互连看作互相争夺资源的两块，而是一个共生、共同成长、共同优化的生态。" —— 49:03 📖 专业词汇 光互连 Optical Interconnect：用光信号替代铜线中的电信号来传输数据。更高带宽、更低延迟、更少能耗。在大模型时代从"数据中心的基础设施配件"上升为"AI 算力架构的核心变量"。 通信墙 Communication Wall：AI 算力增长远远超过互连带宽增长（300x vs 30x）带来的瓶颈——芯片越来越强，但"把它们连成一个系统"的能力增长最慢。今天 AI 集群算力跑不满，很大一部分就损失在这堵墙上。 Scale Up / Scale Out / Scale Across： AI 集群互连的三重场景。Scale Up 是机柜内互连（距离最短、带宽要求最高）；Scale Out 是机柜间互连（构建大训练集群）；Scale Across 是跨数据中心互连（解决单个数据中心的电力/土地极限）。 可插拔（Pluggable）：光模块的经典形态——像 U 盘一样插在交换机上，灵活、易维护、供应链开放。TeraHop 的 12.8T XPO 是目前最具代表性的下一代高速可插拔方案。 LPO（Linear Pluggable Optics）：可插拔的"低功耗版本"——把传统可插拔模块里最耗电的 DSP 环节拿掉，保留易维护性，更适合 AI 集群。 NPO（Near-Packaged Optics）：近封装光学——光模块往主芯片靠近一步，但还没完全封装在一起。是可插拔和 CPO 之间的中间路线。 CPO（Co-Packaged Optics）：共封装光学——把光引擎和主芯片深度封装成一个整体。带宽密度最高、电路径最短（毫米级）、延迟最小，被公认是下一代超大规模 AI 集群的终极形态。英伟达 Rubin 架构首次采用 CPO，被视为光互连近十年来最大架构变革。 OCS（Optical Circuit Switch，光交换机）：不同于传统电交换机一站站接收/判断/转发数据包，OCS 直接建立端到端的光路径，让数据沿专用通道通过。功耗低、延迟小、成本优。谷歌用 OCS 构建了 9,216 颗 TPU 的 Ironwood 超级大脑。 Coherent Light（相干光传输）：一种高级光调制技术，天然具备放大作用，链路预算更高。与 OCS 是天然搭档——能弥补 OCS 的信号损耗，让光交换方案在未来更高速率下依然跑得动。 硅光 Silicon Photonics：在硅衬底上用半导体工艺（CMOS 兼容）集成光学器件的技术平台。让光器件像芯片一样在 12 英寸晶圆上大规模量产，是过去几年整个光互连行业最重要的底层变化。 TFLN（Thin-Film Lithium Niobate，薄膜铌酸锂）：下一代高性能电光调制器的材料平台。可以嫁接到硅光平台上形成混合集成方案。 III-V 族化合物半导体：激光光源的主流材料（InP 系列），代表器件包括 DFB、EML 等。硅本身不发光，所以激光器至今是光互连绕不开的关键组件。 MSA（Multi-Source Agreement）：行业多源协议——多家公司共同制定的开放标准，避免被单一供应商绑定。今年 OFC 出现了 LPO MSA、Open CPX MSA、SDM4 MCF 三大新标准，100+ 公司参与。 NVL72 ：英伟达最新一代机架式 AI 大脑（72 颗 GPU 通过铜缆互连。 Ironwood（TPU v7）：是谷歌 2025 年 4 月发布的 9,216 颗 TPU + OCS 的超级大脑。两条路线的代表作。 光进铜退：随着单通道速率向 200G/400G 迈进，铜缆物理极限（1–2 米）逼近临界点，光互连逐步取代铜互连成为确定性趋势。 脑灰质 vs 脑白质：于博士贯穿全期的类比——灰质是计算（算力），白质是连接（互连）。人类大脑两者比例接近 1:1，而 AI 数据中心今天光互连只占 10–20%。"我们还在猫的阶段。" 🗂️ 内容大纲 一、通信墙：AI 算力 300 倍 vs 光互连 30 倍增长 * 算力、存储、互连：AI 集群发展的三个绕不开的主题 * 3 万美金的 H100 为什么跑不满：互连上的限制最终变成算力上的限制 * 光互连已经不是配件，是必选项 二、三重互连场景：Scale Up / Scale Out / Scale Across * 机柜内、机柜间、跨数据中心——三种距离对应三种解决方案 * Meta 的曼哈顿规模数据中心园区：Scale Across 的极限案例 * 为什么 Scale Up 是光互连的最大增量 * NVL72 逼近铜缆物理极限：光进铜退的拐点 三、Scale Up 技术路线的"成年人不做选择题" * 可插拔 / LPO / NPO / CPO 四条路线的本质差异 * 大厂的真实选择逻辑：没有宗教式的信仰，只有场景化的最优组合 * TeraHop 的策略："让三条马都在跑" 四、市场信号冲突：GTC 的垂直绑定 vs OFC 的开放爆发 * NVIDIA 40 亿美金战投 Lumentum & Coherent：供应链锁定背后的 CPO 野心 * OFC 开放标准潮：LPO MSA、Open CPX MSA、SDM4 MCF 为何此时密集推出 * 100+ 公司为什么都在推开放生态：大厂不愿被任何人锁死 五、OCS 光交换：谷歌十年布局开启的产业新机会 * 从"每条链路跑多快"到"数据在网络里怎么走" * Ironwood（TPU v7）：9,216 颗 TPU + OCS 的最强大脑 * CapitalG 最新加注 Celero Communications：相干光与 OCS 的天然配对 * 电交换不会消失，但 OCS 的比例会持续上升 六、半导体化的必然：材料之争与万亿美金级价值链 * 万亿美金市场的底层共识：朝晶圆级、CMOS 兼容的光电集成走 * 硅光 / TFLN / III-V 三条材料路线的并行演进与相互融合 * 激光器晶圆生态的瓶颈：3 英寸 vs 12 英寸的量级差距 * 量子点激光器 & TSMC COUPE：破局的两个方向 七、5–10 年展望：从"猫"到"人"的演化 * 大脑的演化类比：灰质（算力）和白质（连接）的比例变化 * 今天的 AI 数据中心：我们还在猫的阶段 * 光互连未来还有 5 倍以上的增长空间 八、收尾金句："把光互连看作算力的一部分"——共生、共同成长、共同优化 🌍硅谷坐标 立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 📮 联系我们 硅谷坐标欢迎评论区留言交流，转发支持！长期招聘主持人、研究员、编辑、摄像和后期视频团队。也欢迎加入我们的志愿者团队，参与一线前沿的讨论和采访。我们的志愿者由科技从业人员、专业投资人和媒体团队组成。

【本期内容】2026年4月7日，《硅谷坐标》主持人曹卿云专访PingCAP联合创始人兼CTO、资深数据库专家、连续创业者黄东旭。在对话中，我们将深度拆解AI Agent面临的记忆难题、存储新范式，以及Agent带来的基础设施重构与社会的系统性思考。 【本期看点】 01:36 普通人开始"养龙虾"，Agent native产品形态正式出现 03:31 三代演进：从Prompt 到Context 再到Harness Engineering 09:15 单体Agent的灾难性失忆与compaction困境 10:28 上下文窗口 vs. 外挂记忆：短期与长期记忆的本质差异 14:38 解决记忆问题的产品哲学怎么记、怎么提取：把大模型本身当评估函数 17:28 Agent时代的数据特点与数据价值 23:31 一虾一库Agent时代数据存储新范式：兼顾安全与成本 27:17 记忆层的商业化路径：从备份订阅到领域专家知识变现 29:14 以Agent为最终使用者的基础设施生态链重构 33:16 向量数据库终局：独立向量数据库将被收敛 34:51 SQL与文件系统：经典接口在Agent时代依然是第一语言 36:25 下一个边界突破：多Agent协同下的Scaling Law 37:54 人与Agent协作的最佳范式 40:04 Agent带来的组织架构冲击：高度碎片化的部落型团队 41:37 上一个时代的软件工程的终结：在变中寻找不变 【关于硅谷坐标 Silicon Valley Vector】 立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 【加入我们】 长期招聘主持人、研究员、编辑、摄像和后期视频团队。也欢迎加入我们的志愿者团队，参与一线前沿的讨论和采访。我们的志愿者由科技从业人员、专业投资人和媒体团队组成。

【本期内容】2026年3月23日，《硅谷坐标》主持人曹卿云专访了华美半导体协会副会长、Synopsys新思科技企业战略部技术战略中心负责人、前幕僚长程暨杨（Jimmy Cheng），聚焦GTC重点回顾并拆解Agent时代英伟达的战略格局。 【本期看点】 01:44 GTC大会：OpenClaw引领Agent新纪元 03:55 Agent时代的英伟达护城河 07:28 产业链利润与议价权再分配 10:51 英伟达推动开源模型的考量 12:03 开源对芯片定制化的影响 13:46 推理市场与LPU的崛起 15:17 Agent时代的底层芯片架构（SRAM） 16:10 未来推理芯片市场格局 19:50 Agent时代Synopsys（新思科技）的护城河 22:10 AI会取代芯片硬件工程师吗？ 24:09 AI设计芯片的边界 25:52 Physical AI：跨越Sim-to-Real的挑战 【关于硅谷坐标 Silicon Valley Vector】立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 【关注我们】 微信公众号 ｜ B站｜小宇宙 ｜ 喜马拉雅 YouTube｜Apple Podcasts｜Spotify｜LinkedIn｜X ​ 【加入我们】长期招聘主持人、研究员、编辑、摄像和后期视频团队。也欢迎加入我们的志愿者团队，参与一线前沿的讨论和采访。话题标签#科技 #AI #投资 #硅谷 #硬件 #趋势 #人工智能 #英伟达 #GTC #芯片

【本期内容】 3 月 12 日，《硅谷坐标》主持人曹卿云在硅谷对话微软战略投资基金 M12 合伙人 Alan Du，聚焦“AI 时代的软件护城河”：哪些软件更易被颠覆？护城河会迁移到哪里？算力投入与回报落差如何理解？Agent 支付与安全将出现哪些结构性变化？ 【主持人】 曹卿云｜《硅谷坐标》 【采访嘉宾】 Alan Du｜M12 投资合伙人（前 PayPal Ventures Partner） 【本期看点】 00:00 开场 & 话题概览 01:10 M12投资策略 07:24 AI软件护城河 18:25 AI泡沫之争 28:42 AI收入和资本开支的落差 35:02 Agent 支付：身份/合规/微支付 41:00 AI能写底层代码吗？ 46:45 强监管行业AI落地 50:12 创业建议 【关于硅谷坐标 Silicon Valley Vector】 立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 🌐网站地址：https://www.sv-vector.com ✉️联系我们： team@sv-vector.com 【关注我们】 B站 ｜ 小宇宙 ｜ 微信公众号 ｜ 喜马拉雅 Youtube ｜ Apple Podcast ｜ Spotify ｜ LinkedIn ｜ X 话题标签 #科技 #AI #投资 #硅谷 #软件 #硬件 #趋势

【本期内容】前Meta AI Director田渊栋在Meta深耕11年，主导了强化学习、大模型推理与长上下文等多项前沿研究，近期刚刚以Co-founder身份开启新的创业旅程。本次对话涵盖大模型竞争、记忆与存储、推理前沿路线、Agents对社会的冲击等议题。 【主播】曹卿云，硅谷坐标Silicon Valley Vector创始人。 【采访嘉宾】田渊栋，CMU机器人学博士。在Meta AI（FAIR）深耕11年，担任研究总监。 【本期看点】 05:10 大模型的护城河：数据，算法，infra，人才 09:00 开源vs闭源模型比较 12:24 大模型有两种记忆：上下文是工作记忆，权重是世界观 20:20 记忆研究的核心难题：从死记硬背到顿悟的跃迁26:16 Context Window没有天花板，需求正在质变 37:39 存储危机：模型训练和推理引发的内存供应链瓶颈36:53 预训练的天花板与强化学习的上界 41:20 推理的未来：隐空间叠加态与并行推理 50:00 小龙虾Agent：一个握有你所有秘密的笨小孩 55:30 Agent时代的社会冲击：洪水已来，大多数人浑然不觉【关于硅谷坐标 Silicon Valley Vector】立足美国硅谷, 聚焦前沿科技与科技投资趋势。在 AI 重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。 【还可以在以下地方找到我们】 B站 | 小宇宙 ｜ 微信公众号 ｜ 喜马拉雅 Youtube | Apple Podcast | Spotify | Linkedin | X 话题标签#科技 #AI #投资 #硅谷 #软件 #硬件 #趋势