MS&E435系列①：AI 的錢到底在哪裡？史丹佛第一堂課把「超級循環」拆成一張殘酷損益表
第一堂課，Apoorv Agrawal 沒有先談模型架構，也沒有急著講 prompt engineering。
第一堂課，Apoorv Agrawal 沒有先談模型架構，也沒有急著講 prompt engineering。
他先問了一個更像投資人、創業者、CFO 會問的問題：
AI 的錢在哪裡？
投影片上的正式說法是：「Where does value accrue in AI?」價值會累積在 AI 堆疊的哪一層？但這句話翻成白話，其實更直接：誰在收錢？誰在賺毛利？誰只是替別人墊算力成本？誰看起來最靠近使用者，卻未必拿得到最大的經濟利益？
這就是史丹佛 MS&E 435《Economics of the AI Supercycle》第一堂課的主軸。課程名稱是「Economics of the AI Supercycle」，Lecture 1，講者是 Apoorv Agrawal。課表安排從半導體、GPU 經濟、能源、AI factories、企業 AI、frontier lab、模型、應用、agent monetization，一路講到 AI in Life Sciences。換句話說，這不是一門「AI 很厲害」的導論課，而是一門把整個 AI 產業鏈攤開來算帳的課。
最有趣的是，Apoorv 一開始就把學生拉回一個五年後才會發生的場景。他說，五年後大家會問：「你當時有看出來嗎？」你會希望自己能回答「有」。這不是單純的時代感召。它更像一句提醒：你現在站在 ChatGPT 爆發後、產業板塊還在形成的早期階段。如果你之後要創 AI 公司、投資 AI 公司，或加入一家 AI 公司，你至少要知道這個產業的物理定律。
所謂物理定律，不是指 Transformer 的數學，而是指商業上的約束。
毛利率、資本支出、推論成本、訓練成本、雲端定價、晶片供給、使用者付費率。這些才是這堂課真正想追的東西。
這門課的核心：不是 AI 會不會成功，而是價值會流向哪裡
第一堂課的 agenda 很簡單：Introduction、Course Info、Quiz，以及「Where will value accrue in AI?」前三項像行政流程，第四項才是整堂課的拳頭。
後續每一週都對應 AI 堆疊的一個關鍵層級。4 月 9 日講 Silicon 和 GPU Economy，講者包含 NVIDIA 與 Altimeter；4 月 16 日講 Energy，主題是 gigawatt scale 的 AI factories；4 月 23 日講 Infrastructure、Enterprise AI 與 Service as a Software；4 月 30 日是 frontier lab case；5 月 7 日談企業內部知識；5 月 14 日談 applied AI 與 agent monetization；5 月 21 日談 coding AI 與軟體未來；5 月 28 日談生命科學裡的 AI。
這個課表本身就是一張 AI 經濟地圖。
它從最底層的能源、晶片、資料中心開始，往上走到模型、企業知識、應用、agent，再走到垂直產業。Apoorv 在口述裡說，接下來會有橫跨整個 stack 的領導者來上課，從 semiconductors 到 infrastructure，到 energy，到 models，再到 applications and agents。這句話其實透露了課程設計：每一週不是單純介紹一家熱門公司，而是把一家公司的位置放回產業堆疊裡問，它在哪一層？它收什麼錢？它的成本結構長什麼樣？它會被上游或下游吃掉嗎？
這也是他為什麼一再強調，學生要問對問題。
如果你只問「AI 模型是不是更強了」，答案很容易樂觀。如果你問「哪一層能長期留下超額利潤」，答案就複雜很多。模型可以變強，但模型公司不一定最賺錢。應用可以爆紅，但應用公司不一定有軟體時代的毛利。晶片公司看起來離終端使用者最遠，卻可能在早期拿走最多現金流。
這堂課的第一個重要視角，就是把 AI 從「產品體驗」拉回「產業損益表」。
為什麼要修這門課：因為這可能是最大的一波，但最大不代表人人賺錢
在「Why take this course?」那一段，Apoorv 把 AI 放進一條科技週期線：PC / Server、Desktop Internet、Mobile Internet、Data Explosion + Cloud、Gen AI。旁邊散落著 Microsoft、Google、Amazon、AWS、Google Cloud、NVIDIA、OpenAI、Snowflake、Databricks、Meta、Uber、Airbnb 等公司名稱。
這張投影片的訊息很明確：AI 被放在 PC、網路、行動、雲端之後，作為下一個大週期。
但 Apoorv 的講法沒有停在「這是大趨勢」。他說，過去他每年回校園談正在發生的事，通常是在尋找人才的脈絡下。後來他意識到，這是一個太大的 super-cycle，而且他沒有找到一門課能以他想要的深度拆解這件事。這段話很重要，因為它說明這門課不是為了追熱點，而是為了建立判斷框架。
他給學生的想像很直接：你們一半的人會創辦 AI 公司，另一半會投資 AI 公司。至少你應該知道，如果你募到 A 輪，錢要花在哪裡。更低標準也要知道，哪些事不要做。
這是創業者最容易忽略的地方。當一個週期足夠大，大家會以為只要站進去就會贏。但歷史不是這樣。網際網路泡沫裡，很多公司消失了，Google 留下來。行動網路裡，很多 app 曾經爆紅，Apple 和少數平台留下來。雲端裡，很多公司受惠，但真正掌握底層規模經濟的是 AWS、Azure、GCP 這樣的寡占者。
所以 AI 如果真的是超級循環，問題也不是「會不會有贏家」。
問題是，你站的位置是不是贏家的位置。
第一張三角形：AI 現在不是倒金字塔，而是底層很肥
整堂課最重要的視覺，是 Apoorv 一直回到的那個 triangle。投影片反覆出現「Where is the $ in AI today? And in 10y?」以及「Where does value accrue in AI?」底下分成 Apps、Infra、Semis、Cloud、AI 等層級，旁邊標出不同年度、不同估算口徑下的 revenue。
他把這張圖拿來和雲端、網路、行動週期比較。一般成熟科技週期裡，價值常常往上層走。最接近使用者、最掌握分發、最能包住商業模式的公司，最後拿走很大一部分價值。但 AI 現在看起來不太一樣。它不像一個已經翻轉的倒三角形，反而更像底層很厚、上層還薄的三角形。
課中引用的數字有些來自不同圖表和不同來源，有 Statista、Bloomberg、company filings，也有 top-down 或 internal estimates。這些數字不能當成 audited industry total，但方向很一致：AI revenue 在 2024 到 2026 之間大幅增加，投影片甚至寫著「AI Revenue has grown 5x in 2y!」總量從約 900 億美元到約 4,350 億美元。但 Apoorv 補了一句關鍵話：儘管成長很猛，形狀沒有太大變化；新增的大約 3,500 億美元收入裡，有相當大一部分直接流向 semis。
翻譯成白話：
AI 變大了，但錢還是很大比例流到底層。
這就是第一堂課最反直覺的地方。大家在媒體上看到的是 ChatGPT、Gemini、Claude、Perplexity、Cursor、各種 AI agent。但如果你追收入和毛利，很多價值先被資料中心、GPU、晶片、雲端基礎設施吃掉。使用者看到的是應用，企業付帳時看到的是 token、API、cloud bill，最後底層供應商收到的錢可能比應用層更確定。
這不是說應用層不重要，而是說應用層還沒有證明自己能像傳統軟體一樣留下漂亮毛利。
軟體曾經能吃掉世界，因為邊際成本幾乎是零
Apoorv 在第 12、13 張投影片附近講到整堂課最核心的一句話：傳統軟體之所以能吃掉世界，是因為你可以寫一次軟體，分發給幾百萬人，執行那個軟體的邊際成本接近零。很多軟體公司因此能跑出 80%、甚至 90% 的 gross margin。
這是 SaaS 世界的基本信仰。
你先投入研發，把產品做出來。之後每多一個使用者，伺服器成本會增加，但不是線性增加。收入增加得比成本快很多，毛利率就漂亮。這也是為什麼投資人願意用高倍數買軟體公司，因為一旦產品找到市場，後面的規模經濟很甜。
但 AI 應用不一定能直接套這個公式。
講者明確說，AI application 的 incremental user 不是 free，也不是 marginally free。每多一個使用者，就要 burn GPUs。這句話很短，但它拆掉了很多 AI app 估值裡的偷懶假設。你不能只拿「軟體公司」的估值框架來看 AI 應用，因為 AI 每一次互動都可能帶著推論成本。產品越好用，使用者越常用，帳單也越常跳。
這就是為什麼他會提到 Cursor 這類大規模 AI 應用可能已經有很大 revenue，但仍然面臨 profitability 壓力。不是因為產品沒需求，而是因為需求本身會燒成本。
如果傳統軟體的夢是「寫一次，賣無限次」，那 AI 應用的現實更像「每服務一次，就付一次算力稅」。
這不是壞事，但它完全改變了商業模型。
AWS 類比：底層建設可能需要八年，市場會先懷疑你是不是瘋了
在學生討論為什麼 AI 三角形還沒翻轉時，Apoorv 補了一個雲端的歷史類比。他提到 AWS 2004 年開始，2010 年有 Netflix 這樣的第一批客戶，2012 年 Amazon 才全面轉向 AWS。從破土動工到真正變成核心能力，中間大約八年。
這段看似是在講雲端，其實是在提醒大家：基礎設施週期和應用收入週期，時間感不一樣。
半導體、資料中心、電力、冷卻、網路互連，不是今天看到需求、明天就能供給。投影片和口述都一直在講 capex cycle。你今天蓋的是未來五年、六年的容量。這種投資很像鋪鐵路。鐵路一開始看起來會過度建設，資本密集公司市值先膨脹，市場會懷疑這些錢能不能回收。等到上層應用真的起來，底層容量才變成收租資產。
所以 AI 現在的狀態，可能有兩種解讀。
第一種是樂觀版：我們只是還在早期。底層先建，應用後來追上。等推論成本下降、使用場景成熟、企業採用擴大，價值會慢慢往上層移動。今天看起來偏向 semis 的三角形，未來會變得更像 cloud software。
第二種是保守版：AI 的底層成本結構可能會讓這個三角形維持很久。因為要把 substrate 做對很難。只要每一次使用都要燒貴的算力，應用層就很難像傳統軟體那樣輕。
Apoorv 自己的語氣偏向第一種，但不是天真樂觀。他說他認為 AI 不太可能只是 fad，也不太可能失敗。但他也猜測，這種底層偏厚的 equilibrium 可能比他原本預期更久。這句話值得記住：AI 會成功，不代表應用層很快就會賺大錢。
「你是功能還是平台？」中間層的殘酷問題
課中談到 inference layer 和 infrastructure startups 時，Apoorv 提出另一個很實用的問題：你到底是 feature，還是 platform？
這句話對 AI 基礎設施公司尤其刺耳。
今天很多 AI infra 新創看起來很有道理：模型部署、推論加速、資料管線、觀測、agent 工具、RAG、workflow、evaluation。每一個單點問題都真實存在，也可能有早期客戶。但如果你把問題拉長到五年，最危險的追問會變成：為什麼這不會變成 AWS、Azure、GCP 或 frontier lab 自己的一個功能？
這就是中間層的競爭強度。
投影片裡的 infra segment 被講者稱為競爭最激烈、代謝率最高、也最不穩定的地方。這裡會有很多公司成立，也會有很多公司被併購。因為大家都知道，AI 應用要長大，必須有更便宜、更穩、更可觀測、更好部署的基礎設施。但同時，hyperscalers 也不會放棄這層控制權。
對創業者來說，這不是叫你不要做 infra。
它是在提醒你，做 infra 必須很早回答邊界問題。你解的是一個雲端巨頭不想解、解不好、或因為中立性不能解的問題嗎？你有沒有跨平台價值？你的產品是越多客戶用越強，還是雲端廠一複製就結束？你掌握的是 workflow、資料、效能，還是只是 API 包裝？
如果回答不出來，你可能不是平台。
你只是下一季 release note 裡的一個小功能。
Google 的例子：大公司不能只放在一層，要拆成事業單位看
有學生問 Google 應該放在三角形哪一層。因為投影片把 Google Cloud 放在中間層，但 Google 同時有 Gemini，也有自己的 TPU。
Apoorv 的回答很務實：像 Google 這種大型 conglomerate，應該拆成 business units。TPU 算 semis，GCP 算 infrastructure，Gemini 算 apps。
這個回答表面上是在分類 Google，其實是在建立一個分析大公司的方法。
AI 時代的大公司很可能不是單層玩家。Google 有晶片、有雲、有模型、有應用、有分發。Microsoft 有雲、有 OpenAI 關係、有 Copilot、有 enterprise distribution。Amazon 有 AWS、有自研晶片、有電商入口、有企業客戶。Meta 有模型、有社群分發、有 MTIA。NVIDIA 也不只賣 GPU，它往 DGX Cloud、vertical apps、完整軟硬體 stack 前進。
所以問「Google 是不是 AI 應用公司」太粗糙。
更好的問法是：Google 的哪個業務單位在哪一層賺錢？哪一層是成本中心？哪一層提供分發？哪一層防止被供應商掐住脖子？哪一層可能成為新的利潤池？
這也是 AI 經濟比上一波軟體更複雜的地方。過去你可以說某家公司是 SaaS、social、cloud、consumer app。但在 AI 週期裡，真正有戰略能力的公司，往往會跨層整合。問題不是它在哪一層，而是它能不能把多層整合成利潤。
ASIC、TPU、MTIA：真正能改變三角形的，不一定是下一個 chatbot
當學生問這個三角形會不會翻轉時，Apoorv 提到幾個可能的 unlock。其中最重要的一類，是 hyperscaler 的 ASIC program，例如 Google TPU、Meta MTIA，以及 Amazon、OpenAI、Microsoft 等公司的自研晶片或實驗室。
這點非常關鍵。
大眾常常以為 AI 經濟的下一個轉折會來自模型能力，例如下一代 GPT、Gemini、Claude。模型能力當然重要，但如果你從價值流向看，另一個更底層的轉折是算力成本被重新定價。
如果自研晶片成功，可能發生兩件事。
第一，GPU 稀缺性下降，NVIDIA 的定價能力被壓縮。這不一定代表 NVIDIA 失敗，而是毛利池會被重新分配。
第二，推論成本下降，應用層的毛利才有機會改善。這對 OpenAI、Anthropic、Google Gemini、各種 AI agent、coding assistant、enterprise AI 都重要。因為只要推論成本仍然高，每一次使用都是成本事件；一旦推論成本大幅下降，應用層才更接近傳統軟體的經濟結構。
這就是為什麼 Apoorv 說，ASIC program 如果有 breakout success，可能會是該層最大的 repricing。它改變的不是單一硬體產品，而是整個 stack 的 bargaining power。
從這個角度看，AI 產業接下來幾年的重要新聞，不只在模型 benchmark。
也在晶片 road map、雲端 capex guidance、推論成本曲線、資料中心利用率，以及誰能把每個 token 的成本打下來。
訓練 vs 推論：AI 的成本曲線會不會換一個形狀
課中有學生問，是否只有 inference 變得比 training 更大，這個三角形才會翻轉。Apoorv 回答，這是 Nvidia 財報電話會議裡最受關注的資訊之一，也就是 Nvidia fleet 裡 inference 占比。他提到自己上次看到約 40% 用於 inference、60% 用於 training，並猜測 inference 占比會隨時間提高。
這段值得展開，因為 training 和 inference 的經濟性很不同。
訓練像一個大型工程專案。你知道什麼時候開跑，大概知道需要多少 GPU、跑多久，利用率可以很高。它是資本密集，但排程相對可控。
推論像服務業。人醒著的時候會問問題，工作時間會爆量，假日可能下降。Apoorv 還提到感恩節、聖誕節附近 workload 會下降。等 AI agents 真正接手更多任務，推論可能會變成 24/7，但也更難預測。
這對商業模式有直接影響。
如果需求主要是訓練，價值集中在少數 frontier labs 和大規模訓練集群。這對晶片供應商和雲端建設商很有利。
如果需求逐漸轉向推論，問題就會變成服務成本、延遲、峰值負載、快取、模型壓縮、專用晶片、使用者定價。這時候應用層和 infra 層都有機會重新切分價值，但前提是成本能被壓下來。
換句話說，AI 從「誰能訓練最大模型」走向「誰能最便宜、最穩定地服務最多任務」，經濟問題就會換一個戰場。
半導體為什麼最賺：不是因為它酷，而是因為市場集中
有學生問 profitability 在哪裡。Apoorv 直接回答：最賺的是 semis layer，而且差很多。他估計 data center revenues 的 margin 大約 75%，應用層 revenue 則可能在 0% 到 30% 之間，視你問誰而定。
這一段的重點不是精確數字，而是差距。
如果底層半導體可以有接近 75% 的毛利，而上層應用在 0% 到 30% 之間掙扎，那 AI 的利潤池就不是平均分布。它高度集中。投影片後面也寫著「But profits remain at the Semis layer」，並用 gross profit share 比較 AI 2024、AI 2026 與 Cloud Software。講者口述說，從 profitability 看，triangle 甚至更集中。
為什麼會這樣？
不是因為晶片比較神秘，而是因為供給端集中。當一層裡有少數玩家掌握關鍵資源，尤其在需求爆發而供給跟不上時，定價權就會很強。NVIDIA 在這堂課裡不斷被當成例子，不只是因為它有好產品，而是因為它站在一個需求爆發、供給稀缺、替代品尚未成熟的位置。
對創業者來說，這有一個不太浪漫的啟示：不是離使用者最近就最賺錢。
最賺錢的位置，往往是「大家都需要你，但短期內沒人能替代你」。
如果你想創晶片公司，先想清楚五個客戶裡誰會買
課堂裡有學生問，如果 Google、AWS、Meta 都做自己的 TPU 或 ASIC，晶片新創還有什麼空間？
Apoorv 的回答很直接：有約 3,000 億美元 revenue 可以爭，但其中大約一半來自大型 hyperscalers。也就是說，如果你今天創辦一家晶片公司，你的客戶群不是數百萬個消費者，也不是幾千家中小企業，而是極少數、訂單非常大的客戶。
這跟做 consumer app 或 enterprise software 完全不同。
做消費產品，你可以追求使用者增長、網路效應、留存。做企業軟體，你可以建立 sales motion、擴張 account、做 land and expand。做晶片，你必須面對幾個超大買家：他們懂技術，有自己的 road map，有議價能力，也可能自己做。
所以 Apoorv 給的判斷很簡單：如果你要創晶片公司，第一個問題應該是，你要先賣給那五家中的哪一家？
這句話把 deep tech 創業拉回現實。
技術突破不等於公司成立。公司成立不等於客戶願意買。客戶願意買不等於能 scale。尤其在 AI 晶片這種市場，產品、製造、供應鏈、軟體 stack、客戶驗證週期都很長。你不是把東西上架到 app store，而是要進入少數巨頭的基礎設施計畫。
這也是為什麼 AI 堆疊每一層的創業風險完全不同。應用層可能死於毛利；infra 層可能死於平台夾殺；晶片層可能死於客戶集中和週期錯配。
垂直整合會不會贏？Google、Apple、Meta 給的答案不完全一樣
有學生問，過去的科技週期是不是沒有完全垂直整合的玩家勝出。Apoorv 的回答是，網際網路 super cycle 最大贏家大概是 Google，而 Google 其實相當垂直整合。它有搜尋、有廣告、有使用者體驗，也有自己的底層系統。行動週期的大贏家是 Apple。社群的大贏家是 Meta。雲端則比較不一樣，沒有單一玩家完全贏，AWS、GCP、Azure 形成三大寡占。
這段討論很值得放到 AI 來看。
AI 的終局可能更偏向垂直整合，因為每一層都互相牽制。模型能力依賴算力，算力依賴晶片，晶片依賴資料中心與電力，應用體驗依賴模型成本與延遲，商業模式又依賴分發和使用者場景。只做其中一層，可能很難完全掌握命運。
這也是為什麼 NVIDIA 嘗試 DGX Cloud，Google 用 TPU 支撐 Gemini 和 GCP，Microsoft 把 OpenAI、Azure、Copilot 綁在一起，Meta 一邊做模型一邊做 MTIA。大家都知道，如果只站在一層，可能會被另一層掐住脖子。
但垂直整合也不是免費午餐。
它需要資本、人才、耐心、組織能力，以及跨層協調。Google 可以把 TPU、GCP、Gemini 拆成不同事業單位分析，不代表每家公司都能這樣做。對多數新創來說，垂直整合不是口號，而是成本爆炸。
所以更實際的問題不是「垂直整合好不好」，而是「你控制了哪個不可替代的瓶頸」。
沒有瓶頸，就沒有定價權。
2024 到 2026：AI revenue 成長五倍，但形狀幾乎沒變
課程後半段，Apoorv 回到一張標題很醒目的圖：「AI Revenue has grown 5x in 2y!」圖表比較 2024 Q1 和 2026 Q1，總量從約 900 億美元到約 4,350 億美元，分類包含 Apps、Infra、Semis。
如果只看總量，這是非常漂亮的故事。
兩年五倍，代表需求不是幻覺。企業在買，消費者在用，雲端在建，晶片在賣。這種速度足以解釋為什麼所有人都把 AI 當成最大題材。
但 Apoorv 的觀察不是停在「五倍」。他更在意「形狀沒有變」。應用雖然成長超過十倍，但還沒有對整體結構造成夠大的改變。Semis 還是最大塊，且其中大部分是 NVIDIA。Apps 這一塊看似熱鬧，但實際上高度集中，約九成由兩家公司構成。Infra 則是戰火最猛烈、最不穩的區域。
這裡有三個層次。
第一，AI 確實在長大。
第二，長大的錢主要先流向底層。
第三，最終能不能變成 cloud software 那種上層厚、應用厚、利潤分布更成熟的形狀，還需要時間。
投影片「But profits remain at the Semis layer」把這個問題講得更清楚。收入成長很快，但 gross profit 仍留在 semis。這對投資人和創業者都是提醒：不要只看 TAM，也要看 gross profit pool。
TAM 是故事。
毛利池才是現金。
消費 AI 的使用量很猛，但 95% 免費是一個很大的問號
後半段課程轉向 consumer AI。Apoorv 展示一張 AI Apps Weekly Active Users 圖，列出 ChatGPT、Gemini、DeepSeek、Character AI、Perplexity、Grok、Claude 等應用，來源是 SensorTower。他說，consumer AI 是 coding 之外目前最大的 AI 市場之一，ChatGPT 使用量非常高，但大多數是免費。
接著他補了一句很重的數字：約 95% 的使用者是 free。
這句話讓整個 consumer AI 故事變得更複雜。
使用量代表產品價值，但不代表商業模式已經成立。如果 95% 使用者不付費，而每一次使用又有推論成本，那麼免費使用不是傳統網路時代那種「先拿流量，廣告以後再來」那麼簡單。因為 AI 不是單純多送幾頁內容或多跑幾個 feed impression。它每一次互動都要消耗算力。
所以問題變成：AI consumer apps 最後靠什麼變現？
訂閱制是一條路。ChatGPT Plus、Pro、Team、Enterprise 都是這個方向。但訂閱制有天花板。不是每個人都會每月付費，尤其當免費版本已經夠好。
廣告是另一條路。但廣告放進 AI 對話裡，不像放進搜尋結果或社群 feed 那麼自然。當使用者和 AI 討論工作、學習、健康、公司策略、私人決策時，插入廣告會變得很敏感。Apoorv 用 Facebook IPO 的歷史做類比：當年很多人放空 Facebook，理由是廣告在桌機有效，但手機螢幕太小，沒有空間。後來市場找到了手機廣告的形式。現在 AI 也面臨類似問題：不是不能有廣告，而是還不知道好的廣告型態長什麼樣。
這裡的 alpha 不在於喊「AI 廣告會很大」。
真正的 alpha 在於理解，什麼樣的廣告不會破壞 AI 對話的信任。
ChatGPT 到底是 WhatsApp、Instagram，還是 Spotify？
為了判斷 consumer AI 的最終規模，Apoorv 拿非 AI 消費產品做類比。他展示 Consumer Apps Weekly Active Users，列出 YouTube、TikTok、Spotify、Chrome、Facebook、Amazon、Instagram、X 等產品，並把產品分成三類。
第一類是接近三十億使用者規模的 core utility，像 WhatsApp、Chrome。這些產品接近生活必需品，你很難不用。
第二類是 15 億到 20 億使用者規模的 social products，像 Instagram、TikTok、Facebook。它們不是生活必需品，但有強網路效應。朋友在上面，你就更可能在上面。
第三類是 mainstream 但比較 niche 的產品，例如 Amazon、Spotify、Twitter/X。你有特定需求時會去，但它不是每個人每天都必須用，也不一定有最強社交網路效應。
然後他問：ChatGPT 和 Gemini 比較接近哪一類？
投影片 Slide 34 把 Consumer 與 AI Apps 放在一起。口述裡，Apoorv 說 ChatGPT 剛剛超越 niche app category，Gemini 還沒有。ChatGPT 正往 social 的方向走，但他作為 OpenAI 投資人，會希望它往 core utility 走。
這是整篇演講後段最關鍵的 consumer AI 問題。
ChatGPT 如果只是 Spotify 或 X 等級的 niche utility，那它仍然可以是一家非常大的公司，但它不一定能支撐大家想像中的全部估值和算力投資。如果它能變成 WhatsApp、Chrome、YouTube 那種日常必需品，商業模式的空間就完全不同。
但要成為 core utility，它不能只是一個「偶爾問問題」的地方。Apoorv 提到，ChatGPT 目前不是你和別人傳訊息的地方，也不是你的 email inbox。這句話其實是在問產品入口：AI 應用要成為必需品，是否必須嵌入日常工作流，成為訊息、知識、文件、任務、搜尋、決策的中心？
如果答案是 yes，那 AI app 的競爭就不只是模型品質，而是 distribution、workflow、default behavior 和 trust。
這堂課真正教的，是一套判斷 AI 公司的問題清單
把整堂課串起來，它其實不是在給單一答案。它是在教一套問題清單。
如果你看一間 AI 應用公司，你要問：它的每個新增使用者是不是帶來新增推論成本？它的毛利會不會隨規模改善？它有沒有定價權？它是工作流裡的必需品，還是好玩的外掛？它靠訂閱、企業合約，還是未來某種廣告模型？
如果你看一間 AI infra 公司，你要問：它是功能還是平台？它解的問題會不會被雲端巨頭內建？它有沒有跨模型、跨雲、跨客戶的中立價值？它是短期補洞，還是長期控制面？
如果你看一間晶片或硬體公司，你要問：它要賣給誰？五個最大 hyperscalers 裡哪一家會買？它能不能進入供應鏈？它的軟體 stack 夠不夠成熟？它是 NVIDIA 的補充、替代，還是某個垂直 workload 的專用解？
如果你看一家大型平台公司，你要拆成事業單位：它的晶片在哪一層？雲在哪一層？模型在哪一層？應用在哪一層？哪一層是成本，哪一層是收入，哪一層是防禦，哪一層是利潤？
這些問題比「AI 會不會改變世界」更實用。
因為 AI 很可能會改變世界，但世界不會自動把利潤分給每一家公司。
結尾：這不是一堂 AI 熱潮課，是一堂 AI 成本課
第一堂課最後，投影片回到 schedule and speakers。Apoorv 說，後面九週會深入不同題目：GPU economy、gigawatt scale AI factories、enterprise AI、frontier lab、agent monetization、coding AI、life sciences。這些主題看起來分散，其實都圍繞同一個主問題。
AI 的價值最後會落在哪裡？
第一堂課給出的暫時答案，是一張尚未翻轉的三角形。底層很厚，半導體很賺，基礎設施競爭激烈，應用使用量很高但變現仍未完全證明。AI revenue 兩年成長五倍，但 profit pool 仍留在 semis。ChatGPT 已經越過 niche app 的門檻，但還沒證明自己是 WhatsApp/Chrome 等級的 core utility。廣告可能是大 unlock，但它必須被重新發明。ASIC 和推論成本可能改變整個 stack，但時間點不確定。
所以這堂課最好的地方，不是它告訴你買哪家公司。
它提醒你，別只看 demo。
看毛利。
別只看使用者數。
看付費率和成本。
別只看模型能力。
看推論成本、capex cycle、雲端議價權、晶片替代性。
真正的 AI 超級循環，不是每個人都突然變成軟體公司。
它更像一場新的工業化：有人蓋電廠，有人賣鏟子，有人鋪鐵路，有人做車站，有人開商店，有人最後成為城市入口。
如果你只看最熱鬧的街景，可能會以為錢都在店面。
但第一階段，收租的人可能在地下室。
這就是 Apoorv Agrawal 第一堂課想讓學生看見的事：AI 會很大，但大不等於好賺。真正的問題從來不是「AI 有沒有未來」。
真正的問題是：
你站在未來的哪一層？
查核說明
- 本文依據 Class #1 的課堂紀錄改寫，主軸保留原課堂順序：課程介紹、AI 價值三角形、軟體邊際成本差異、AWS/雲端類比、ASIC/TPU/MTIA、訓練與推論、半導體毛利、垂直整合、2024-2026 revenue/gross profit 圖、consumer AI 變現與廣告模型。
- 文中數字如 AI revenue 5x、2024/2026 revenue pool、75% 新增收入流向 semis、應用層毛利 0-30%、95% free users、ChatGPT/Gemini 與 consumer apps 週活比較，均來自課堂內容；其中部分為講者估算或課堂圖表估算，不視為 audited industry total。
- quiz、現場重複句與口誤已刪減；但保留了它們在課堂中服務的功能：用公司題目帶出 AI stack、speaker schedule 與後續九週議題。
- 本文有評論性延伸，例如「替別人墊算力成本」「下一季 release note 裡的一個小功能」「第一階段收租的人可能在地下室」，用於說明講者邏輯，不是逐字引用。
資料來源
- MS&E435 Class #1 本地課堂紀錄。
本頁由影片逐字稿、截圖與 AI 整理生成，內容可能需要回到原始來源查證。