预判卡
日报里每一条判断,都被固化成一张「预判卡」,到回访日自动回填结果——当时怎么说的、后来如何、差在哪
2027年Q2前,至少一家中国云厂商或模型公司公开披露采用非英伟达推理芯片承载超过10%的线上推理流量。
证伪条件:若2027年6月30日前无国内厂商披露非英伟达推理芯片的线上流量占比数据,则判断错误。
推理ASIC的第二供应商窗口正在打开;三条线索的共同点是算力采购方开始主动拆分供应:谷歌用TPU把云内推理成本压到自有可控区间,Anthropic用Fractile做英伟达之外的推理备份,英伟达自己则往设计仿真这类更上游的环节布防。结果是训练侧的GPU垄断短期不变,推理侧的价格与议价权开始分散,采购结构从单一供应商转向双轨制。;云厂商与模型公司的采购负责人应在2027年预算里单列「第二供应商」试点,规模不必大但要拿到真实workload数据;芯片创业者应把定位从「更快」改成「更省电或更省内存」,通用性能对标已不具备融资说服力。
谷歌将在 2027 年 Q1 前把 Agent 蜂群能力接入 Workspace 全线产品(邮件、文档、会议),并首次对外公布第八代 TPU 的外部客户名单。
证伪条件:若 2027 年 3 月底前 Workspace 未上线蜂群相关功能,或仍未披露任何 TPU 外部客户,则判断错误。
多智能体编排被上收为模型原生能力,中间件层被挤压;蜂群能力会成倍推高单任务的 token 消耗,这正是长上下文专用 TPU 存在的理由——模型能力设计与芯片负载设计第一次在同一周内互相印证。当编排、工具调用、垂直领域能力都被收进模型内部,夹在模型与应用之间的框架层就失去了存在基础,剩下的是数据、权限与交付。;做 Agent 框架与提示词编排的团队需要在一个版本周期内找到不可替代性,否则会被原生能力免费覆盖。反过来,掌握私有数据与行业交付能力的公司会因模型变便宜而毛利改善。
2027 年上半年,至少一家超大规模厂商的 AI 资本开支同比增速将首次低于其云业务营收同比增速。
证伪条件:若 2027 年 6 月底前谷歌、微软、Meta、亚马逊四家中无一家出现资本开支增速低于云营收增速,则本判断错误。
算力资本开支与组织瘦身同时发生,超大规模厂商进入折旧消化期;这组信号指向同一个财务事实:算力投入的折旧是刚性且前置的,人力成本是弹性且可谈判的,所以资本开支高峰后的第一个压力周期,一定伴随组织收缩。苹果给工程团队设每日 100 美元的 AI 额度同样说明,连最不缺钱的买方也开始对推理成本做精细化管理。当买方管成本、卖方压单价、供给方还在加资本开支,三者之间的缺口只能靠某一方让步来填——这就是美股科技板块剧烈波动的底层原因。;未来两个季度最该盯的不是资本开支绝对值,而是「资本开支增速与云营收增速的差值」。一旦这个差值转负,AI 硬件的订单预期会被系统性下修。持有算力链敞口的投资者应提前设定这一指标的触发阈值;企业内部则应把 AI 使用额度管理做成常态制度,而非一次性削减。
2027 年上半年,PyTorch 主线将把 TPU 或另一非 CUDA 后端纳入一等公民支持,主流开源模型的迁移成本下降 30% 以上。
证伪条件:若 2027 年 6 月前 PyTorch 主线仍未合并任何非 CUDA 后端的一等支持代码,则判断错误。
TorchTPU 与高通建仓:谷歌同时在拆 CUDA 的软件墙和硬件的单一供应;开源 TorchTPU 解决的是「换硬件要重写代码」的软件门槛,建仓高通补的是端侧与边缘推理的硬件短板,2000 亿美元资本开支与人力买断则是把预算从人转向算力的财务动作。三者合起来是一次结构性押注:算力优势将从单一厂商的芯片性能,转移到谁能提供最多可替换后端的软件生态。;对云厂商与大型甲方,硬件议价窗口首次真正打开,应在下一轮算力合同前完成至少一次非英伟达后端压测;对国产加速器厂商,这是可复用的生态捷径,适配优先级应高于纸面算力指标。
到 2026 年底,至少两家一线实验室会把旗舰模型迭代周期压缩到 4 周以内,并将 API 首发价打到上一代的 50% 以下。
证伪条件:若 12 月 31 日前没有第二家一线厂商在 6 周内发布新旗舰、或降价幅度不足 40%,该判断即告错误。
两周一代 + 首发半价:前沿模型转入「节奏战」,定价权从能力转向成本;三个动作指向同一策略:用迭代速度让竞品的评估周期失效,用首发折扣抢在对手调价前锁定调用量,用安全资质切入对合规敏感的企业客户。这与 2023~2024 年「堆参数、比榜单」的竞争逻辑完全不同——现在的竞争单位是可验证的单位 token 成本与发布频率,谁的工程化流水线更快,谁就能持续定义价格。;API 重度用户应把模型切换成本压到最低,并利用首发折扣窗口迁移;国内模型厂商需在两个季度内跟进降价,同时把训练预算向推理效率优化倾斜。对投资人而言,评估模型公司的核心指标应从「榜单排名」改为「单代迭代周期与推理毛利率」。
6~12 个月内会出现至少一家头部人形机器人公司公开宣称,其策略训练数据中超过 50% 来自世界模型合成的仿真环境。
证伪条件:若 2027 年 10 月前无人形机器人公司公开披露合成数据占比超 50%,则判断错误。
Genie 4 把世界模型做成可实时操控的仿真环境;世界模型的价值不在生成一段视频,而在成为可交互的训练场:机器人策略训练需要大量带物理一致性的反事实数据,视频生成模型给不了动作—反馈闭环,Genie 4 给得了。于是竞争从'画面像不像'转向'能不能被策略网络调用',这会重新定义多模态公司的客户结构——从内容公司变成机器人公司与自动驾驶公司。;具身智能公司应评估用合成环境替代真机采数的比例,把数据成本从每台机器人摊销转为算力摊销;内容侧公司要警惕'一次性生成'被降级为世界模型的副产品,纯视频生成工具的溢价会先收窄。
未来 6 个月内,至少还会有 1 家前沿模型公司(Anthropic、Mistral、xAI 之一)把模型上架到非自有的第三方云市场,模型分销的跨云化成为行业惯例。
证伪条件:若 2027 年 4 月底前没有第二家前沿模型公司上架第三方云市场,则判断错误。
前沿模型开始跨云:算力、渠道与债务三者的边界被打穿;过去 AI 的资本结构像软件:轻资产、高毛利、靠订阅滚动。这四条线索说明它已经变成基础设施:模型公司需要云渠道分销,云厂商需要前沿模型填充货架,而两者都要靠股权与债务融资去购买芯片。SpaceX 为买英伟达芯片借 400 亿美元,是这条链最极端的样本——算力采购正在以债务形式进入非 AI 公司的资产负债表。Anthropic 推迟 IPO 则说明公开市场还没准备好为这种重资产结构付 2 万亿美元。;评估 AI 公司时要换一套指标:看算力采购承诺与债务期限的匹配度,而不是单纯看 ARR 增速。云厂商的 AI 收入口径也会被重估——分销第三方模型带来的收入毛利远低于自研模型,会拖累整体云业务的毛利率表现。