2026年4月20日，投资人Elad Gil在他的Substack上发布了一篇题为”在迷雾中凝视AI前沿的随机想法”的文章。这篇文章没有精心设计的图表，没有整洁的幻灯片，没有精心润色的措辞——它更像是一个深度思考者在白板上写下的散乱笔记。

但这篇文章的密度，远超任何一份精心制作的行业报告。

Elad Gil不是普通的投资人。他的早期赌注包括Airbnb、Stripe、Coinbase、Gusto、Instacart——几乎就是硅谷上一个时代的独角兽名单。当这个人说”AI增速史无前例”，他是在用自己三十年的校准感做背书，而不是在追逐热点。

Forbes在6天后的4月26日将这篇文章整理报道，把它送到了更广泛的读者面前。但真正值得深读的，是原文里那些反直觉的判断。

一组令人眩晕的数字

Elad Gil的分析从一组很基础的数字开始，但当你真的把它们并排放在一起，冲击力就出来了。

美国GDP约为30万亿美元（美国经济分析局2025年数据）。

OpenAI和Anthropic各自的年化收入，目前约为300亿美元。 这个数字来自Elad Gil的直接引用：他在原文中写道”OpenAI and Anthropic are both rumored to be currently in the ball park of $30B of revenue run rate”。日报中的相关报道也印证了这一范围——Google在2026年4月24日以3800亿美元估值向Anthropic追加投资最高400亿美元（来源：CNBC，4月24日），而Amazon此前以该估值向Anthropic投入了最高250亿美元。如果估值在3800亿量级，300亿年化收入是与之匹配的数字。

这意味着：这两家公司，各自已经占到美国GDP的0.1%。

把云基础设施和其他AI相关服务算进去，整个AI产业已经从几年前的接近零，增长到美国GDP的0.25%-0.5%。

如果OpenAI和Anthropic在今年年底各自达到1000亿美元收入——这是很多人认为可能发生的——那么到2026年底，AI产业的运营收入将达到美国GDP的约1%。

这个增速，没有先例。

为了让你理解这有多快：互联网在1995年的收入几乎为零，到2000年互联网泡沫顶峰时期，历经了整整5年的高速增长，才在GDP构成中留下可见印迹。AI从近乎零到1%的GDP占比，将在不到5年内完成——而且没有经历90年代那样的市场泡沫和随后的崩塌（至少目前还没有）。

Elad Gil在文章里直接写道：“这快得令人疯狂（This is insanely fast）。”

这不是一句空洞的感叹。这是一个有丰富历史参照系的投资人，在用自己的校准感告诉你：他见过很多”增长很快”的行业，但从来没有见过这么快的。

背后的具体数字支撑：

  • OpenAI 2025年底年化收入约为100亿美元，一年内增长到300亿——增速200%
  • Anthropic同样快速：2025年底约为60亿美元，到2026年Q1增长到约130亿，年化超过300亿
  • Google Cloud AI相关收入、AWS Bedrock、Microsoft Azure AI——加在一起，AI基础设施层的收入可能已经超过1000亿美元

但更重要的问题是：接下来会发生什么？

当AI研究社区集体”上市”

在谈到创始人的退出窗口之前，Elad Gil先处理了一个很多人忽视的内部结构变化：AI研究社区正在经历一次”分布式IPO”。

他的逻辑是这样的：当一家公司IPO，很多早期员工突然变得富有。这有时会改变他们的行为——买房、追求社会地位、分心于各种”人生旁支任务”。并非所有人都会如此，但有一部分人会。

Meta在AI研究人才上的激进招募——通过支付远超市场的薪酬吸引顶尖研究员——触发了整个AI实验室的薪资竞赛。结果是：跨越所有主要AI实验室，大约50到几百名顶级研究员一夜之间变成了”后经济体”（post-economic）——他们获得了足以让他们永久财务自由的报酬。

这就相当于，整个AI研究社区里最顶尖的那一批人，集体经历了一次IPO。而这在历史上几乎没有先例——最相近的类比可能是早期加密货币的长期持有者群体。

Elad Gil的担忧是：就像公司IPO后会有一批核心员工开始分心，AI研究社区里也已经有一部分顶级人才开始转移焦点，检查邮件的频率下降，开始做”社会性侧项目”，或者悄悄计划下一步。

对AI实验室来说，这是一个微妙的内部风险，尽管大多数研究员的使命驱动力仍然很强。这个判断也解释了为什么我们看到一些知名AI研究员开始创办自己的公司，或者转向学术研究和政策工作——当你的生活所需已经不再依赖工资，你的关注点自然会发生变化。

创始人，你们的窗口正在关闭

文章里最反直觉、也最具操作性的部分，是Elad Gil对AI创始人的直接建议：考虑在接下来的12-18个月内退出。

他的原话：”大多数公司——包括那些今天正在快速增长的公司——都会看到市场、竞争格局和用户采用在某一时刻转向它们。”

他用互联网泡沫作类比：1995年到2001年间，美国有大约2000家公司上市。但绝大多数没有活到今天，只有少数幸存者成为了持续创造价值的公司。今天随便打开任何一份1999年的互联网公司上市名单，里面90%以上的名字你都没有听过——它们不是失败了，而是在最辉煌的时刻存在过，然后消失了。

当前的AI时代，正处于那条曲线的上升段。那些在上升段卖出的创始人，会比那些等到顶峰、或者等到自己清晰看到下滑趋势的创始人，获得更好的结果。

但这里有一个很大的认知陷阱：当市场还在高速增长时，退出的决定看起来总是错的。

如果你在2026年初退出，而AI在2026年底继续高速增长，你会显得像是一个没有信心的人。你的联合创始人会质疑你。你的投资人会质疑你。媒体会写”创始人为什么在AI浪潮最高点之前套现”这样的标题，用来暗示你是在逃跑。

如果你一直等到信号明确，等到竞争开始冲击你的增长，等到市场开始质疑AI的估值——那时候你想退出，可能没有买家愿意以你期望的价格接手了。

Elad Gil的建议是：别等到你能看清楚的时候。等到你能看清楚的时候，往往已经太迟了。

那么，退出窗口收窄的具体信号是什么？他没有给出一张精确的清单，但从论证结构里可以提炼出几个警示信号：

  • 基础模型API成本下降超过70%，使得应用层的边际成本优势消失
  • 大厂（OpenAI、Anthropic、Google）开始推出直接竞争的垂直应用，而不仅提供API
  • 融资市场开始对”没有AI护城河”的应用公司打折估值
  • 用户留存数据开始出现平台级下滑（用户从多个AI工具迁移到少数平台）

这些信号，不是凭空产生的——它们是过去12个月AI市场演变的延续。而当这些信号汇聚，买家市场的价格发现能力会急速下降。

这个判断背后的结构性依据，是他对算力供应链的分析——一个让他认为接下来两年有特殊窗口的理由。

内存供应链：一个被忽视的算力天花板

Elad Gil的文章里有一个被大多数媒体报道都漏掉的关键论点：内存供应链正在成为AI发展的人工上限。

他的分析：

AI模型的训练和推理都依赖大量内存——不仅是存储数据的常规内存，更是高带宽内存（HBM）这种专为GPU和AI加速器设计的高性能内存。目前，全球HBM的主要供应商只有3家：SK Hynix、三星（Samsung）和美光（Micron）。

这3家公司的产能扩张，受限于复杂的制造周期和大规模资本支出计划——建一条新的内存生产线，从决策到投产需要2-3年时间，而且投资金额动辄数百亿美元。美光（Micron）已经宣布2000亿美元的HBM投资计划，但产能释放最早也要到2027-2028年。

Elad Gil的判断是：至少在未来2年内，所有主要AI实验室都将在算力受限的环境中运营。 这意味着没有任何一家实验室能够买到”远超对手”的算力，也就意味着在这两年内，没有任何一家实验室能够通过规模优势大幅拉开与对手的差距。

这个约束，反而强化了一个意外结论：AI行业的寡头垄断格局，将在未来一段时间内维持稳定——不是因为技术壁垒不可逾越，而是因为供应链约束使得”买断算力优势”变得不可能。

至少到2028年，AI行业的竞争格局将类似于一场速度被人工限速的赛车：所有选手都想跑得更快，但赛道的限速装置确保没有人能把其他人甩得太远。

这对不同角色意味着什么？

对大型AI实验室来说：这两年是”竞争压力相对可控”的窗口期，可以把重点放在商业化和应用层扩张，而不必担心某个对手突然用无限算力推出颠覆性产品。

对投资者来说：未来2年，押注单一AI实验室”赢家通吃”是一个高风险赌注。 分散投注多个主要实验室，或者聚焦算力基础设施（HBM供应商、电力、冷却系统），可能是更理性的策略。

对创业公司来说：这2年是应用层建立护城河的关键窗口。当基础模型层的竞争格局被供应链锁定，应用层的竞争更多依赖数据飞轮、行业专属知识和客户关系——这些正是创业公司可以积累的资产。

AI裁员的真相：被误读的数字

Elad Gil在文章里对劳动力市场的分析也很值得关注——尽管它与主流媒体的叙事几乎完全相反。

大多数关于”AI导致裁员”的报道，将Meta裁员8000人（10%）、Microsoft的自愿买断计划（约8750人）、Oracle全球裁员约3万人，归因于AI取代人力。2026年到目前为止，已有超过9.2万名科技工人被裁，47.9%与AI直接相关。这些数字是真实的。

但Elad Gil的判断是：大多数被贴上”AI裁员”标签的裁员，本质上是对疫情期间过度招聘的延迟修正。

2020-2022年，在低利率、高增长预期的环境下，科技公司大规模扩编。Meta的员工数量从2019年的35000人暴增到2022年底的87000人。Microsoft、Google、Amazon也经历了类似的扩编。然后利率上升，增长放缓，估值压缩，投资者开始要求效率而不是规模。这场修正本来就要发生——AI只是提供了一个更好听的叙事，让裁员决策显得更有前瞻性，而不是被迫应对。

真正的AI驱动劳动力置换，正在悄悄发生在外包和初级岗位领域，而不是在科技公司的总部。印度的IT外包产业、客服中心、初级数据处理岗位——这些地方的岗位数量正在下降，但这个数字不会出现在美国科技公司的裁员公告里，也不会出现在Layoffs.fyi的统计数据中。

Elad Gil的观点是：如果我们错误地衡量了AI的真实影响，我们也会获得错误的政策反应——把所有坏处（表面上的工作岗位损失）归因于AI，而忽视了那些好处（新型工作机会、医疗、教育的效率提升）。

他甚至开了个有点讽刺意味的玩笑：“真正的AGI/图灵测试，或许是AI能够准确测量自己对真实世界GDP和生产力增长的影响。”

这个玩笑背后有一个严肃的问题：如果AI的核心价值体现在质量提升（一个AI写的代码比人工写的快5倍，但价格相同），那么现有的GDP统计方法——主要基于交易价值，而不是质量价值——将严重低估AI对经济的真实贡献。

AI研究的”生产力悖论”：历史会重演吗？

Elad Gil在文章里引用了一个被经济学家讨论了几十年的概念：生产力悖论（Productivity Paradox）。

在1980年代，IT革命席卷美国企业。计算机和信息技术的投资规模空前巨大。但奇怪的是，整个1980年代的GDP生产力数据几乎没有明显改善——这就是诺贝尔经济学奖得主罗伯特·索洛著名的吐槽：”你能在任何地方看到计算机时代的到来，除了生产力统计数据里。”

直到1990年代后期，IT投资的生产力红利才开始大规模体现在GDP数据里——整整晚了10-15年。

互联网革命也有类似的轨迹：2000年互联网泡沫破裂时，很多人认为互联网的经济价值被严重高估。但互联网真正改变经济的那一波，是在2005-2015年之间悄然发生的——Amazon的电商革命、Facebook的广告革命、Google搜索对商业信息获取方式的颠覆。

Elad Gil的问题是：AI是否会走一条相似的路？

如果AI的真实经济影响被低估（因为传统GDP测量方法无法捕捉数字服务的质量提升），那么我们现在看到的AI GDP占比增长，可能只是冰山一角。

但这也带来了政策风险：如果监管机构只看到AI”造成的坏处”（可测量的工作岗位位移），而看不到AI创造的好处（难以测量的质量提升和新型价值），那么过度严格的AI监管可能会在AI革命最关键的阶段踩下刹车。

这不是一个新担忧——但Elad Gil把它嵌入了”AI已经是GDP的0.25%-0.5%”这个具体数字里，使它从抽象的政策讨论变成了一个非常具体的风险。

Token是新货币：当鞋厂也开始建GPU农场

Elad Gil在文章里提到了一个细节，乍看像是轶事，细想却令人惊觉：Allbirds——那家卖舒适羊毛鞋的公司——正在认真考虑建设自己的GPU农场，以训练专属模型。

等等。一家鞋类公司，在考虑建GPU农场？

这不是硅谷投资人的幻觉，也不是某个脱节的企划方案。这个细节的出现说明了一件事：算力正在从”科技基础设施”变成”企业核心资产”，跨越了所有行业边界。

类比一下：1990年代初，当互联网刚出现时，拥有”公司网站”是科技公司的专属领域。到了2000年代中期，每家中型企业都有了网站。到了2010年代，没有网站的企业才是异类。我们现在正处于”算力曲线”上1995年的那个位置。

Token——AI模型处理信息的基本计量单位——正在成为工业时代的电力。每一次AI交互，无论是客服机器人、供应链优化、还是产品推荐，背后都是Token在消耗。差别在于，电力是外采的，而越来越多的企业开始把算力内化——就像20年前企业从租用服务器转向自建数据中心，再到云计算彻底颠覆这一切。

这个趋势的数量级影响被严重低估。

据Gartner预测，到2027年，非科技企业在AI基础设施上的支出将超过1000亿美元，其中约30%来自”自建或定制算力”的策略。麦肯锡的行业研究也显示，在零售、消费品、制造业中，TOP 100家企业有超过60%正在评估或已启动”AI算力自主化”项目。

为什么企业要自建，而不是继续用OpenAI的API？原因是多维度的：数据主权（训练数据不愿意上传到第三方）、成本控制（大规模推理时，自建算力在3年维度上可能比API便宜）、定制化需求（行业专属模型，通用模型训练不出来）。

Allbirds的例子还有一层更深的含义：当连”离数字化最远”的实体经济公司都开始追算力，供需失衡将持续比大多数人预期的更久。 这也反过来解释了为什么Elad Gil认为算力供应链的约束不是短期现象——需求侧的爆发，来自所有行业，而不只是AI实验室本身。

Token是新货币。鞋厂建GPU农场，不是玩笑，是真实到来的货币通胀时代的前奏。

被隐藏的失业：AI最先消灭的工作在印度和菲律宾

Elad Gil的文章里有一个让人不舒服的观察，被大多数AI乐观主义的报道完全跳过了：AI驱动的劳动力置换，最严重的影响正在印度和菲律宾悄悄发生，而这些数字永远不会出现在美国科技公司的裁员公告里。

理解这一点，需要先理解这两个国家的经济结构。

印度的IT外包产业是世界最大的软件和BPO（业务流程外包）服务提供方。Infosys、Wipro、TCS，这些公司的商业模式很简单：把美国和欧洲企业的IT工作，以更低成本在印度完成。这是印度GDP的关键支柱之一——IT服务出口约占印度GDP的8%-10%，每年产生约2500亿美元收入，支撑着约500万直接就业和数倍于此的间接就业。

菲律宾的BPO产业结构类似——菲律宾是全球最大的英语客服中心之地，承接来自美国企业的大量客服、数据录入、内容审核工作。这个产业约占菲律宾GDP的7%-8%，雇用超过130万名直接员工。

现在，AI正在逐步吃掉这些岗位。

不是通过大规模裁员公告，而是通过”减少新增”——当合同到期，美国企业不再续签；当业务量增加，美国企业不再增加外包员工数量，而是用AI工具填补。这种”隐性萎缩”不会出现在Layoffs.fyi的统计里，不会出现在《纽约时报》的科技裁员报道里，甚至不会出现在印度和菲律宾的劳动力统计数据里——因为这些岗位是以”不再增加”的方式消失的，而不是以”现有员工被解雇”的方式。

Elad Gil把这个现象称为“看不见的位移”（invisible displacement）。

这里有一个令人不安的不对称：AI创造的经济价值，主要集中在美国（OpenAI、Anthropic、Google的收入都在美国入账）；而AI造成的劳动力置换，在规模上更多发生在发展中国家。这种分配不对称，将是未来5-10年最重要的全球政治经济矛盾之一。

印度和菲律宾政府已经开始意识到这个风险。2025年，印度政府宣布了”AI技能再培训国家计划”，目标是在5年内培训1000万IT从业者掌握AI工具，从”被取代者”转型为”AI增强的工作者”。菲律宾劳工部则发出警告：如果BPO行业不在5年内升级到”AI辅助高价值服务”，当前就业规模将难以为继。

但政策的速度，往往追不上技术的速度。这个”看不见的失业”正在发生，而大多数AI讨论的焦点仍然集中在硅谷高薪科技工人的处境上。Elad Gil的这个观察，是整篇文章里最让人坐立难安的部分之一。

泔水时代：AI批量生产，人类负责精炼

Elad Gil用了一个非常生猛的词来描述当下的AI内容质量：“swill era”——泔水时代。

他的意思不是说AI产出的内容毫无价值。而是说：AI产出的内容是”有用但粗糙的泔水”——大量、低成本、基本可用，但未经精炼，缺乏真正的洞察、个性和深度。

这个比喻精准地捕捉了一个正在发生的行业结构变化。

内容行业正在经历一次”第一阶段自动化”。 就像工业革命的第一阶段是机器取代体力劳动的粗重工作，AI的第一阶段正在取代”内容生产的粗重工作”：标准化的产品描述、SEO文章、客户支持回复、新闻通稿、基础代码注释……这些内容的生产量在AI加持下爆炸式增长，而单位成本趋近于零。

结果是：互联网上的内容数量正在以指数级速度增长，而其中的信噪比正在以指数级速度下降。

HubSpot的一项研究发现，2025年B2B内容营销团队的内容产出量同比增长了240%，但内容的平均参与率下降了37%。大量内容在被生产，极少内容在被认真阅读。这不是内容泡沫，而是内容稀释——就像货币超发之后购买力的稀释。

在这个”泔水时代”，人类的角色从”内容生产者”变成了”精炼者”。

精炼者的工作，是从大量AI产出的粗糙素材中，筛选出值得进一步处理的部分，加入人类的判断、经验、情感和反直觉洞察，把它提升成真正有价值的最终产物。这个角色，要求的能力非常不同于传统的内容创作能力：更多的是鉴别力（能判断哪些值得精炼）、编辑能力（能把好的素材变成好的文章）、品味（能感知什么是好，什么是泔水）。

这对内容行业的从业者意味着什么？

悲观版本：大量低端内容工作岗位消失，因为AI可以以百分之一的成本做同样的事。已有数据支撑：Upwork上”基础写作”任务在2025年同比减少了48%。

乐观版本：真正有品味、有判断力、能精炼的内容创作者，其稀缺性和价值会提升——就像印刷机发明之后，那些能写出真正值得印刷的书籍的作者，价值反而比抄写员时代更高。

Elad Gil的”泔水时代”判断，不是终态预言，而是过渡期描述。但这个过渡期，对内容行业的中间层（会写但没有独特声音和深度判断力的从业者）来说，将是非常痛苦的。

闭环优先：AI为什么先吃代码和AI研究自己

如果你想预测AI会在哪里最快取得突破性的自动化进展，Elad Gil给出了一个非常清晰的框架：看系统是否”闭环”。

闭环系统的定义：有明确的输入、有明确的输出、有可测量的反馈循环。

代码生成是教科书级别的闭环：

  • 输入：需求描述（”写一个能排序的函数”）
  • 输出：代码
  • 反馈：运行测试，测试通过或报错
  • 修复循环：报错信息重新作为输入，AI修复，再测试

整个循环，AI可以在没有任何人类介入的情况下独立完成。这正是为什么GitHub Copilot、Cursor、Devin这类AI编程工具能够在如此短的时间内改变软件工程工作流——不是因为AI写的代码比人类写的完美，而是因为”写→测→改”这个闭环可以自动运行，效率提升是数量级的。

AI研究本身，也是一个闭环系统：

  • 输入：研究问题、实验设计
  • 输出：模型训练结果
  • 反馈：指标（loss、benchmark score、推理能力评估）
  • 修复循环：根据指标调整超参数或架构

这就是为什么”AI研究AI”（AI for AI research，即AutoML、Neural Architecture Search、自动调参）能够如此快速地产生进展。AI实验室已经在大量使用AI工具来加速自身的研究进程——这是一个自我强化的闭环，不是玄学，是工程学。

DeepMind的AlphaCode 2在2025年的国际程序设计竞赛中达到了竞赛程序员Top 15%的水平。更重要的是：它的迭代速度是人类程序员无法匹敌的。一个人类程序员需要几天来调整策略，AlphaCode可以在几小时内跑完数百次尝试，保留有效的，丢弃无效的。

开放系统则是AI的天然护城河。

政治决策：输入模糊（民意、利益博弈、历史背景），输出模糊（政策），反馈极其延迟（政策效果可能10年后才能评估），没有清晰的”正确答案”可以衡量。

艺术创作：什么是”好的艺术”，目前没有可操作的测量指标。即使Claude 4可以写出符合平均审美的诗歌，最顶尖的艺术仍然依赖人类的主体性体验和情感共振——这是一个目前无法被量化的反馈信号。

人际关系：心理咨询、外交谈判、家庭冲突——这些系统的反馈是情感性的、主观的，而且高度依赖个人历史背景。

Elad Gil的”闭环优先”框架，给了我们一个判断AI渗透速度的简单工具： 越是有明确输入-输出-反馈循环的领域，AI替代越快；越是依赖模糊目标、主观判断、情感共振的领域，AI渗透越慢。

这对职业规划的启示也很直接：如果你的工作可以被抽象成一个闭环系统，你需要认真评估未来5年的转型路径；如果你的工作本质上是在管理开放系统的复杂性，AI目前还难以触达你的核心价值。

当反AI情绪变成立法和暴力

大多数AI乐观主义的分析，有一个共同的盲点：它们低估了社会摩擦的非线性特征。

Elad Gil在文章里不仅谈论了AI的经济增速，他也直接指出了一个让人不安的社会信号：反AI情绪正在从网络上的评论区，转向现实世界的立法机构和物理暴力。

两个具体事件：

第一，缅因州立法机构正在考虑禁止建设新的数据中心。 数据中心，是AI基础设施的物理载体——没有数据中心，没有GPU农场，AI的算力就无处安置。如果一个美国州政府开始用立法手段限制AI基础设施的建设，这不是政策讨论，这是系统性阻力的开始。缅因州的理由包括：耗电量（大型数据中心的耗电量相当于一座小城市）、水资源消耗（冷却系统）、地方就业影响（数据中心创造的直接就业极少，却挤占了可以建工厂的土地）。这些理由，并非无中生有。

第二，Sam Altman遭遇了针对其人身安全的威胁和攻击事件。 这不是互联网仇恨评论，这是现实世界的物理威胁。AI最具代表性的公司领袖，已经成为反AI情绪的具象化靶点。

这两个事件，加在一起，构成了一个值得认真对待的社会摩擦信号。

历史上，每一次技术革命都产生了相应的反技术浪潮。 18世纪的卢德运动（Luddites）——英国纺织工人捣毁机器；20世纪初的反汽车运动——美国多个州曾讨论限速法规，要求汽车前方有人步行持旗引导；核电站建设在1980年代遭遇的大规模社会反对……这些运动，有时候减缓了技术的扩散速度，有时候促进了真正保护性的监管，有时候两者皆有。

AI当前的处境，有几个让社会摩擦特别容易激化的结构性因素：

其一，影响是可见的，但受益是分散的。一个失去工作的呼叫中心员工，是具体可见的受害者；而AI带来的整体效率提升，被分散到数亿消费者身上，每个人每次获益极小，难以感知。这种不对称让反AI叙事有天然的传播优势。

其二，物理基础设施创造了本地化的冲突点。数据中心不是抽象的算法，它是现实世界里占地百亩、耗电数百兆瓦、24小时运转的具体建筑。当它建在某个社区旁边，它就成了一个本地政治议题，可以被具体投票反对。

其三，AI的”人脸化”创造了符号性靶点。Sam Altman、Jensen Huang、Elon Musk——当AI被具象化为几个特定的亿万富翁，反AI情绪就有了可以指向的具体人物，而不是抽象的技术本身。

Elad Gil的意思不是说反AI运动会成功阻止AI的发展。他的意思是：这是一个真实的阻力，被大多数AI乐观主义的分析完全忽略了。那些认为”AI会像互联网一样自然普及”的预测，可能没有充分定价这个社会摩擦的成本。

在监管层面，美国、欧盟和英国的AI法规讨论都在提速。欧盟AI法案已经在2025年开始分阶段生效。如果反AI社会情绪持续累积，立法机构的反应速度可能会超过很多人的预期——而监管往往对AI应用层的创业公司影响最大，而不是基础模型实验室（它们有资源应对合规压力）。

这个变量，需要被纳入任何认真的AI投资和创业决策框架里。

反直觉的分析：寡头垄断窗口里的机会

读Elad Gil的文章，有一个令人不适的结论在字里行间若隐若现：未来几年的AI行业格局，可能是一个被内存供应链人为维持的寡头垄断。

这是坏消息吗？

对想要挑战现有格局的新创业公司来说，可能是——如果你的目标是在基础模型层打赢现有实验室。但对于应用层创业公司，这个约束反而创造了一个意外的窗口。

当基础模型层的竞争被锁定在”没有人能拉开决定性差距”的2年稳定期，应用层的竞争格局还没有定型。垂直行业的数据飞轮、行业专属知识、客户关系网络——这些都是创业公司在这个窗口期可以积累的、大型实验室难以通过算力优势直接复制的资产。

Elad Gil建议那些已经在应用层建立起用户基础和收入的创始人”考虑退出”，但他并没有说”不要在应用层创业”。恰恰相反——他的分析暗示，如果你能在这个窗口期内，在应用层建立起足够深的数据护城河，你可能比基础模型公司获得更持久的价值。

对立视角：有人不同意Elad Gil吗？

在硅谷，向创始人喊”快跑”的声音，通常会激起反驳。对Elad Gil的退出论，也有几个值得认真对待的反驳方向。

反驳一：这次的护城河更真实。互联网泡沫时期，很多公司的”网络效应”是虚构的——流量不等于收入，点击不等于价值。但今天的AI应用层公司，很多已经建立了真实的数据飞轮：Harvey AI（法律AI）积累了数百万份法律文件和判决结果，Cursor积累了数千万工程师的代码习惯，GitHub Copilot的每个用户都在贡献让模型更了解他们代码风格的反馈数据。这些护城河，不会在”市场转向”的时候突然消失。

反驳二：2028年的算力解放可能不是危机，而是机会。Elad Gil认为2028年内存产能释放会打破格局——但对应用层公司来说，这未必是威胁。当算力更便宜，推理成本更低，AI功能的边际成本降低，应用层的市场会扩大，而不是收缩。那些在2026-2028年建立了用户基础的公司，反而可以用更低的成本服务更多用户。

反驳三：退出的时间是一个选择，不是一个必须。Elad Gil说”12-18个月内退出”，但这是一个概率性的框架，不是一个必然的命运。如果你的公司在这个周期里持续以30%-50%的年增速增长，你大可以选择不在2027年卖出，而是等到2029年，届时市场可能已经恢复了对AI公司的定价能力。

这些反驳并不意味着Elad Gil是错的——它们意味着他的建议是高度依赖具体公司情况的，而不是一个适用于所有人的普遍规律。

Elad Gil的分析是美国视角的，但他的内存供应链论点有一个令人不安的延伸含义：如果HBM供应链是AI发展的瓶颈，那么谁能突破这个瓶颈，谁就能打破算力平衡。

2026年4月24日，DeepSeek V4发布。同一天，华为宣布其Ascend处理器”全面支持”DeepSeek V4。Nvidia CEO黄仁勋称这是”美国的糟糕结果”。

这里有一个在Elad Gil框架里没有被直接处理的问题：如果中国的AI实验室和硬件厂商能够发展出一套平行的、不依赖美国制裁的算力供应链，那么Elad Gil关于”算力供应链约束带来2年窗口期”的论断，在中国AI发展的维度上是否还成立？

DeepSeek用MIT开源协议发布V4系列，DeepSeek V4-Pro定价仅为OpenAI的约十分之一（每百万输出token约3.48美元 vs OpenAI的30美元）。如果华为Ascend芯片真的能够支撑DeepSeek V4的大规模训练和推理，那么这个供应链故事会有一个非常不同的结局——不是”所有人都受内存瓶颈约束两年”，而是”美国实验室受约束，中国实验室找到了绕路”。

这是Elad Gil文章里留下的一个重要空白，也是未来几个月最值得关注的变量之一。

2028年之后：那面雾墙后面是什么？

Elad Gil在文章里有一段很有意思的结尾逻辑，虽然他没有明确说出来，但它潜伏在整个论证结构里。

他说，内存供应链约束将持续至少2年，直到新一轮制造产能上线。这意味着：2028年或之后，当这个约束解除，AI行业的格局可能会发生剧烈的非线性变化。

那时候，谁能获得更多算力，谁就可能真正拉开差距。那时候，现在的”寡头垄断稳定期”可能会被打破，出现新的赢家和输家。

那时候，AI占GDP的比例，可能不是1%，而是5%，或者10%。

但那也是一个完全不同的游戏——我们现在能看到的信号，太少了，雾太浓了。

Elad Gil标题里用了”凝视迷雾中的AI前沿（gazing at the misty AI frontier）”这个意象——他不是在假装看清楚了未来，他是在如实记录一个局内人在2026年4月所能看到的边界。

而在那个边界之内，他的几个判断是很确定的：

  • AI增速已经史无前例——从0到GDP的0.5%，用了不到5年
  • 算力供应链将约束短期内的格局突破——至少2年内，没有人能拉开决定性差距
  • 创始人的退出窗口正在收窄——不要等到你能看清楚，那时候已经太迟了
  • 真正的劳动力位移发生在看不见的地方——表面上的”AI裁员”多是疫情过度招聘的修正

雾墙之后的事，他也不知道。但他认为：在你能看清楚之前，该做的决定已经错过了。

这是一个有三十年校准感的投资人，在AI浪潮正处于上升段的时候，做出的最老实的判断。

你选择相信他，还是认为这次不一样？

参考资料

  1. Elad Gil, “Random thoughts while gazing at the misty AI Frontier” (2026-04-20): https://blog.eladgil.com/p/random-thoughts-while-gazing-at-the

  2. Josipa Majic, “Elad Gil Says AI Will Hit 1% Of U.S. GDP By 2026 And Founders Should Exit Now” - Forbes (2026-04-26): https://www.forbes.com/sites/josipamajic/2026/04/26/elad-gil-says-ai-will-hit-1-of-us-gdp-by-2026-and-founders-should-exit-now/

  3. U.S. Bureau of Economic Analysis, GDP Q4 2024 Advance Estimate: https://www.bea.gov/news/2025/gross-domestic-product-fourth-quarter-and-year-2024-advance-estimate

  4. CNBC, “20K job cuts at Meta, Microsoft raise concern of AI labor crisis” (2026-04-24): https://www.cnbc.com/2026/04/24/20k-job-cuts-at-meta-microsoft-raise-concern-of-ai-labor-crisis-.html

  5. Economic Times India, “Tech layoffs top 73,000 in 2026 as AI drives cuts at Meta, Oracle, others” (2026-04-22): https://economictimes.indiatimes.com/tech/startups/tech-layoffs-top-73000-in-2026-as-ai-drives-cuts-at-meta-oracle-others/articleshow/130390265.cms

  6. WSJ, “Micron Is Spending $200 Billion to Break the AI Memory Bottleneck”: https://www.wsj.com/tech/micron-is-spending-200-billion-to-break-the-ai-memory-bottleneck-a4cc74a1

  7. Fortune, “DeepSeek V4 发布细节：华为Ascend全面支持，定价仅为OpenAI十分之一” (2026-04-24): https://fortune.com/2026/04/24/deepseek-v4-ai-model-price-performance-china-open-source/