文章核心观点 - Trajectory 完成 4500 万美元 A 轮融资，红杉美国领投、英伟达跟投，估值 3 亿美元，公司成立约一年、仅 18 人，三位创始人是斯坦福大一同一节数学课上认识的同学 [6] - 核心命题是让律师、医生、分析师等行业专家用产品日常产生的反馈自行训练模型，无需自建研究团队 [6] - 现有基础模型如同永远刚入职的聪明博士生，对具体公司业务一无所知，而经济真正看重的是有 30 年经验的人 [7] - 当前 AI 使用是静态的，用户在产品中的修改、纠正、重试大多只被记入日志后搁置，第二天模型仍犯同样错误 [7] - 行业现状类比公路旅行时代去 AAA 领纸质地图，模型更新只能整批离线重训且仅少数机构能做；Trajectory 先做 MapQuest 式自助查询，最终目标是 Google Maps 式持续学习 [8] - 持续学习有望让每家公司专家的日常工作顺手帮模型变好 [8] 创始团队背景与产品起源 - Ronak 在斯坦福读完硕士，放弃 Google Gemini 后训练机会，加入 Codeium（后改名 Windsurf），判断下一次大突破来自数学或写代码，写代码更赚钱 [9] - 早期训练代码补全模型，agent 兴起后发现用户信号极多，包括接受/拒绝补全、搭建网站应用的过程、修改位置与重试次数 [9] - 据此训练自有模型 SWE-1，用产品中真实修改和重试做后训练，在其自身场景中超过当时前沿模型 [9] - 该路线代价极大：需几亿美金研发与算力、大研究团队，从启动到训出前沿水平模型花六到九个月，全程需研究员盯守；Cursor 训练 Composer 走同一路线，全球能这样做的公司极少 [10] - SWE-1 发布不久后 Google 将 Windsurf 一批研究员带往 DeepMind，Ronak 描述当天流程：前一日 CTO 通知次日早晨到酒店会议室且不得外传，视频那头是 Demis 与 DeepMind 团队，周四交还工牌电脑、周五已是 DeepMind 正式员工 [10][11] 大实验室为何难做持续学习 - Ronak 在 DeepMind 参与 Antigravity 发布并为 Gemini 3 出力，见识算力充足的大公司能把前沿技术用到何种程度 [13] - 判断持续学习会成为下一种主要训练方式，但难在大实验室落地：大实验室全部精力是训一个巨大模型发给全世界，生意成功；为单一客户定制并单独部署需大量基础设施，对大实验室不划算 [13] - 联合创始人 Michael Elabd 在 DeepMind 做机器人，研究让机器人每天根据新数据更新；Arjun Karanam 在苹果做 Vision Pro 交互模型，研究用艺术家反馈改进多模态模型 [14] - 三人方向不同但问题相同：如何把真实世界反馈变成模型实实在在的进步 [15] - Ronak 放弃收购给的钱出来创业，理由是写代码已被 AI 彻底改变，法律、医疗、金融将经历同样过程，SWE-1、Cursor Composer、Claude Code 等围绕产品与真实用户打磨模型正是领先原因 [15] - 大实验室看到模型代际变强，Ronak 看到模型与真实工作间存在距离，而大实验室天然没有动力补这段距离 [15] 自训模型的三项准备 - 第一是记录：完整记录生产环境每次任务，包括主 agent 调用、各子 agent 行为、用户点击修改与反馈，拼成完整时间线，许多 AI 原生公司已用 LangChain、Braintrust 等工具 [16] - 第二是重放：能把生产任务原样再跑一遍用于评测和训练，需搭建尽量接近生产的环境 [16] - 第三是训练：损失函数、奖励函数与整套训练流程，是公司最难做的部分，也是 Trajectory 最先替客户包起来的部分 [16] - 目前最费人工的两块是环境（常无法搭出与生产完全一致的环境）和奖励（法律、投行工作少有可自动判对错的标准答案）[16] - 环境方向：常用后训练算法 GRPO 要求同一关卡打 8 或 16 次互相比较形成 group，但人在真实世界每件事通常只经历一次；Trajectory 将 GRPO 改为每组仅一次，一万条记录来自不同任务各跑一次也能学习，从而免去专门搭建重放环境 [17][18] - 奖励方向：从一万条记录中挑 100 条最有代表性的让客户写清标准，训一个评分模型把判断推到剩余一万条；理想形态是看板列出 agent 五件做得好、五件做得差的事，圈出差的后一键训练 [18] - 本质是把只有研究员能干的事层层拆解，能自动化的自动化，只把"什么是好的"留给客户回答，而这恰是律师、医生、分析师最有资格回答的问题 [18] 客户案例：Harvey 与 Rogo - Harvey 为法律 AI 公司，长期在闭源前沿模型上搭产品且成功，积累了大量律所需求认知并自建法律 agent 评测，但底层用别人闭源模型时这些积累无法转化为模型能力 [19] - 使用 Trajectory 后 Harvey 用开源模型训出自有模型，法律评测准确率从约 4% 提升到约 18%，成本仅为前沿模型的六分之一 [19] - 18% 离天花板仍远，但 Harvey 首次具备研究实验室能力，可自主决定模型方向，且成本降六倍后同样预算可让模型多花 token 把事做好 [19] - Rogo 为金融 agent 公司，追求简洁干脆、后台自动完成、返回精炼结果，内部称"智能密度"，即同一件事用更少 token 完成 [20] - Rogo 用自有数据训出的模型 token 用量少了好几倍，更快更便宜，在其关注指标上仍在上升 [20] - 两家对"好"的定义差别很大：Harvey 在意准确率、Rogo 在意简洁省钱，说明通用模型难以满足所有人；Harvey 可能比任何公司都更懂 AI 如何帮律师干活，这种专业判断应握在自己手里 [20] 产品理念：训练、评测、部署一体化 - 产品想法多来自苹果：21 世纪初人们同时拥有能上网的电脑和能打电话的手机，直到苹果把互联网放进手持设备 [21] - 训练、评测、部署今天散在三处，Trajectory 想把三者放在一起：输入 agent 记录与对"好"的定义，一键训练，评测完直接部署，新模型回到产品收集新记录进入下一轮 [22] - 公司名取自强化学习术语 trajectory，指模型完整走一遍的过程；行业现在按 token 计量工作，但人协作时不数字数而是看任务与过程，每条 trajectory 就是一件有经济价值的任务 [23] - 当前客户主要是 Harvey、Rogo 等 agent 搭建完整的 AI 原生公司，英伟达等大公司也在使用 [23] - 下一步把同样思路用于 harness（包在模型外的调度与工具层）：训模型带来效率（同一件事见过一千遍就更快更便宜更稳），改 harness 带来以前做不到的新能力 [23] - 设想未来一家公司可能只有一成任务交给最强前沿模型，九成交给自己训出的模型，既快又省钱 [23] - 产品观用园丁比喻：产品会自己生长，做产品的人负责插架子定方向，把品味放进去；产品交给几百用户后会依用户自行变好 [24] 行业判断与对比 - 上一代最大互联网公司 Google、Amazon、Facebook 一直在做持续学习，推荐与广告系统不断吸收真实用户偏好使系统越用越聪明，但 agent 这一代尚未出现同类事物 [27] - Trajectory 的终局目标是成为巨大的推荐系统，让每个 agent 贴合每家公司、每个用户想要的样子 [27] - 当前使用 AI 类似所有人问同一个神谕，反馈留在各自手里没有回到模型；Ronak 称目前约只有 1% 的企业真正把 AI 用进日常工作，目标把它变成 99% [27] - 实现路径更可能依靠每家公司把多年经验以不费劲的方式教给模型，而非更聪明的通用模型 [27] - Harvey 从 4% 到 18% 说明方法有用，也说明距 30 年老律师仍远；挑 100 条写标准再让评分模型推到一万条的做法，在法律、医疗这类专家间也会争论"什么算好"的领域能否站稳，需更多客户实际使用验证 [28] - Michael 的观点：让人持续参与训练过程比让模型完全自我改进更安全，专家定标准、模型去学这一分工本身较让人放心 [28] - Trajectory 平台已公开给所有人使用，后续看有多少律师、医生、分析师愿花时间写下心中"什么算好"并点击训练按钮 [28]

文章核心观点 - 中期选举后“蓝色浪潮”导致多州冻结新增数据中心许可，美国新增算力供给被政策锁死，SpaceX与Anthropic合同中的“90天双向退出条款”成为决定AI产业格局的核弹级变量，马斯克由此成为AI江湖的“造王者” [1][3] - 算力市场分化为“包租公”（超大规模云厂商）与“租客阶级”（新兴云服务商和前沿模型公司），许可冻结对前者是战略机遇、对后者是生存危机 [7] - 所有博弈论浓缩在SpaceX-Anthropic这一笔交易里，若SpaceX决定撕毁合同，后果将是整个AI产业格局的彻底洗牌 [14][17] 触发点：中期选举后数据中心许可冻结 - 美国中期选举民主党大胜，多州新当选州长对数据中心开出强硬条件，宣布在新法规出台前全面暂停发放新建许可 [4] - 英伟达、特斯拉、AMD、Micron等科技股在选后遭遇史上单日最大市值蒸发，涉及金额接近4万亿美元 [4] - 新当选得克萨斯州长Gina Ino Hosa公开表态：在专项立法出台之前，将暂停发放所有新数据中心许可证，多个新当选州候选人持有类似立场 [5] - 民主党横扫国会两院并赢得至少29个州长选举，最终将获得54、55或56个参议院席位，众议院至少获得250个席位 [20] - 共和党在几代人以来从未变蓝的深红州遭遇惨败，包括得克萨斯州、堪萨斯州、爱荷华州、南卡罗来纳州 [20] 民意基础：草根对“AI寡头”的强力反扑 - SpaceX团队赴亚利桑那州科奇斯县为6GW数据中心项目做说明会，承诺使当地电费降低、不消耗水资源、减少房产税20%并为县域债券提供偿还资金，但台下居民反应持续喧嚣对抗 [6] - Chamath指出这种情绪并非源于对事实的理性判断，而是对“经济鸿沟”的图腾式投射，社区居民极度反感科技巨头一边享受高额税收减免、一边推高本地电价与水资源消耗 [6] - David Sacks直言居民核心逻辑是“AI寡头拿着税收优惠发大财，我们却在替他们支付更高的电费” [6] - David Sacks判断许可冻结的政治动力几乎是刚性的：民主党和共和党都把批准数据中心的政客当作攻击对象，任何有政治抱负的人都没有理由在未来四年为任何项目盖章 [6] - 基准判断：已获全部许可的在建项目大概率能在2027年完工，但尚未获批的新项目将面临极大不确定性，到2028年整个项目管线可能已基本关闭或大幅萎缩 [6] - 新当选得州州长Gina Hinojosa的逻辑是数据中心推高公用事业账单、消耗水资源，寡头靠数据中心赚得盆满钵满而普通人承担更高生活成本 [59] 算力格局分化：“包租公”与“租客阶级” - 超大规模云厂商（谷歌、Meta、微软、亚马逊和SpaceX）自建电厂、坐拥大量存量算力，属于真正的“包租公”，新建许可收紧对其冲击有限反而带来战略机遇 [7] - 谷歌近期收购Crusoe数据中心就是这一逻辑的直接体现——“他们把租户赶走了，把整个资产收入囊中” [7] - 新兴云服务商和前沿模型公司（如Anthropic、OpenAI）严重依赖外部租借算力，是名副其实的“租客阶级”，一旦新增供给被锁死，现货GPU时价将大幅飙升 [7] - Anthropic和OpenAI正处于60至90天一个循环的高速模型迭代节奏之中，算力供给收紧将强制减速，给谷歌Gemini等超大规模厂商旗下模型留出追赶时间窗口 [8] - 超大规模云厂商可将所有增量算力用于赋能自家产品（如谷歌把产能全部给Gemini），限制可供领先公司使用的算力份额，迫使其支付更高价格、用户体验下降 [70] - 截至本周二，数据中心租户阶层的处境已岌岌可危，所有租户阶层都将被收编 [82] SpaceX的“90天核按钮”：一份合同决定AI江湖 - SpaceX与Anthropic之间的算力供应协议含有“双向90天退出条款”，双方均可提前90天通知对方终止合约，在市场平稳时期看似标准商业安排，在算力供给骤然收紧背景下演变成随时可引爆的“核弹” [9] - 推演逻辑：若各州许可冻结导致市场可用算力大幅减少，现货算力价格将急剧攀升 [10] - SpaceX届时有充分经济动机终止现有合约，以现货市价——大概率是原合约价格的2至3倍——重新定价 [11] - Anthropic别无选择，只能吞下这一价格，或面临算力断供的生死危机 [12] - 这一动作将迫使所有超大规模云厂商重新审视算力分配策略——继续按现价租给外部客户还是全部留用于自家模型，同时逼迫Neoclouds动用全部融资储备在价格高点抢购一切可用算力以免被彻底挤出市场 [13] - Chamath总结：“我认为所有的博弈论，就浓缩在这一笔交易里。如果Elon决定撕毁这份合同，后果将是整个AI产业格局的彻底洗牌” [14] - 这与合作关系无关，纯粹是一道电子表格里的计算题，一旦现货价格超过某个阈值，出于经济考量就被迫必须这么做 [88] - 当现货价格波动足够大时，即使是长期承购协议也会受到巨大冲击，导致现有合同变成负期望值，因此必须将现有合同调整回正期望值区间 [89] - 每兆瓦每月成本将飙升，每GPU小时成本也将急剧攀升，愿意支付溢价的只会是资产负债表庞大的超大型巨头公司 [89] 算力出海：美国面临从“出口国”变“进口国”的战略风险 - 数据中心不必非在美国境内不可，500亿美元量级、吉瓦级别的超大型数据中心完全可以落地加拿大、墨西哥、马来西亚、新加坡，战争结束后甚至可以落地中东 [15] - 谷歌已在马来西亚布局大型数据中心，凭借现有海底光缆、CDN技术和Starlink网络，算力跨境交付的延迟和效率已不再是重大障碍 [15] - David Sacks明确指出，如果美国不建这些数据中心，美国将为进口“Token”付出高昂代价 [15] - Jason Calacanis补充本土代价：数十万年薪30至40万美元的数据中心建设岗位将流失，原本归属美国地方政府的税收将流向马来西亚等地 [15] - “这些州长将在全球化中上一堂非常沉重的课” [16] - David Friedberg提出更激进的政策风险——部分极左翼政治人士已在讨论不仅要限制数据中心建设，还要限制AI模型的开发、部署乃至使用本身 [16] - 背后深层逻辑是国家权力与AI技术控制权之间的根本博弈：谁掌握了最强的AI能力，谁就掌握了对公民和市场的绝对优势 [16] - 美国将从“全球算力出口国”沦为昂贵的“Token进口国” [18] - 如果美国不建数据中心，它们就会在其他国家建成，美国只能花钱进口算力，那将是非常危险的局势 [93] 萨克斯对2028年资本支出与政治动机的预判 - 已获全面许可的项目将在2027年完工，但新体制下很长一段时间内都不会有重大新项目启动，因为没有任何政治激励能促使任何人去批准新许可证或新项目 [17] - 在上次选举中民主党和共和党都在投放竞选攻击广告，矛头直指任何批准过数据中心的政客，有政治抱负的人没有动力去签字批准任何项目 [17] - “我认为我们能熬过2027年，届时依然会有可观的资本支出。但我对2028年和民主党感到非常担忧。我认为他们在某种程度上有一种反常的激励，因为如果2028年资本支出暴跌，他们就会把责任推给特朗普，尽管这一切完全是他们自己造成的” [17] - 目前正在建设的项目未必拿到了实际投运所需的所有许可证，即使数据中心建成还可能需申请空气污染许可证，最终可能面临一大批搁浅的半成品项目 [86] - 吉瓦级数据中心造价高达500亿美元，在充满不确定性的环境下没有人敢做出这种投资，最糟糕情况莫过于项目刚破土动工建到一半却遭禁令或被迫停工 [91] - 基准情况：2027年仍将出现有意义的资本支出，已完全获得许可和批准的项目能够继续推进或完工，但到2028年项目储备要么枯竭要么大幅缩减，将对经济产生重大影响 [91] 中期选举复盘：压倒性溃败的原因 - David Sacks认为这是自水门事件中期选举以来最大的一次中期选举失利，核心原因是伊朗战争及其引发的经济后果——汽油价格从战前3美元左右涨到4美元以上甚至更高，柴油价格更高并计入食品成本和所有需运输商品 [21] - 战前1月通胀率已降至2.4%，此后通胀率从2.4%再次升至3.7%，主要是由汽油、柴油及所有需支付更高运输成本的商品推动，结果不仅没有降息反而迎来一次加息，使抵押贷款成本升至约7.5% [23] - 特朗普政府第一年实际税后家庭收入增幅约3.1%，但由于过去六个月的通胀数据，这一成果开始被侵蚀 [25] - 共和党失去了所有播客圈的支持者，包括塔克·卡尔森、乔·罗根、西奥·罗根、梅根·凯利等，分裂之家难以立足 [25] - 与2024年大选相比，年轻男性在这次中期选举中的投票倾向翻转了36个百分点 [44] - 特朗普上任之初净支持率高达正5%，卸任时暴跌至负28%，上演超过30个百分点的剧烈摇摆 [45] - 74%的选民认为伊朗战争对国会投票至关重要或是一个重要因素，这些人压倒性倒向民主党 [54] - 特朗普净支持率与汽油价格走势完全同步，参议院席位流失颓势正是在2026年2月底战争爆发后开始显现 [51][52] - 布伦特原油曾高达117美元，一旦战争结束将从110美元直接跌至70美元，汽油、柴油、食品价格都会下降，特朗普支持率将反弹重回40%以上 [55] 查马斯的自我反思：经济民粹主义的崛起 - Chamath承认“我彻头彻尾地搞错了，完全、彻底地错了”，其认知盲区在于习惯透过个人生活经验的滤镜极其狭隘地从自身利益出发思考问题 [36] - 自新冠疫情以来已超越政治意识形态，有一个庞大的中间选民群体投票看重当下最紧迫的现实问题，拜登、特朗普、民主党各自取得压倒性胜利，选民在剧烈摇摆 [36] - 美国经济支撑和壮大工薪阶层的结构性能力已经崩坏，一小部分资产持有者无论经济环境如何风云变幻都从中受益，但只是极少数 [36][38] - 政治献金在本次选举中未起作用，所有投入德克萨斯州和俄亥俄州参议院选举的钱都浪费了；选区重划和杰利蝾螈也彻底失败，重新划定的15个共和党席位中民主党赢得11个、共和党只赢1个 [38] - 胜出的是中间派和普通人，他们只关心生活成本和美国经济的运转，经济民粹主义纲领将是赢得2028年总统大选的利器 [39] - 新框架建议：停止联邦政府对贷款的隐性担保同时免除学生债务，将一定收入水平以下（可能是15万美元以下）的所有联邦税降为零 [39] - 选民会剧烈地来回摇摆不断抛弃现状，如果掌权却无所作为他们就会投票反对你 [39] 弗里德伯格：DOGE的失败与“中国赢了” - 政府开支是推高生活成本的根本驱动力，政府花钱越多物价就越贵 [31] - 2025年3月访问华盛顿特区拜访埃隆探讨DOGE工作，埃隆当时举步维艰，会见的多位国会议员根本不在乎提高政府支出效率，也不关心政府总支出占GDP的百分比 [31] - 2025年6月5日埃隆离开、DOGE随之终结，当天发推文说“中国刚刚赢了”，因为这将面临生活成本失控、大多数美国人发展面临挑战，最终选民会投票支持更多社会主义原则和政策 [31] - 2025年7月通过“大而美”法案包含一些福利开支削减，但政府所有根本性支出并未减少，依然维持每年7万亿美元政府预算以及每年2万亿美元赤字 [31] - 盖洛普研究显示对人工智能最乐观的国家是中国，93%中国公民认为AI将主要造福国内民众，美国排在倒数第四，只有36%美国人持乐观态度，比阿富汗还糟 [32] - 新冠疫情加速了美国无资产人群的生活成本危机，原因在于政府支出翻了一番，政府支出翻倍导致万物通胀、资产价格水涨船高，资产所有者受益而靠劳动收入的人沦为输家 [60] - 社会主义式的结果源于人们指望用来解决生活成本问题的政策，人们认为解决物价问题的最佳途径是让政府做更多的事 [60] - AI几乎就像索伦的魔戒，双方都想要，它是终极工具和终极权力，对国家构成风险，从根本上将权力从政府手中剥离并重新分配 [60] - 政府未来会试图监管算力而非芯片或模型，因为软件部署很难监管但使用从根本上受限于能获得多少算力，数据中心未来将被视为公用事业 [60] 特朗普的自我救赎之路 - David Sacks认为特朗普绝对可以解决这个问题，第一、第二和第三要务都是直接退出战争、结束战争 [55] - 如果战争结束，汽油价格下降、柴油价格下降、食品价格下降，基本面的强劲经济增长、GDP增长以及稳健就业状况将成为焦点，特朗普支持率将反弹重回40%以上 [55] - 历史案例：1994年克林顿失去众议院控制权后经路线调整依然在1996年赢得连任；2010年奥巴马失去7个参议院席位和63个众议院席位后做出调整2012年成功连任；2006年小布什因伊拉克战争输掉中期选举后选择增兵，共和党在2008年再次落败 [65] - Chamath建议特朗普现在就应该特赦所有人（家人、自己、政府里每一个人），让民主党没完没了的调查无从谈起，然后促成改革资本利得税法——超过1000万美元的部分按资本利得税率的一半征税，还清贷款可作为税收抵免，卖出股票则补齐剩余资本利得税 [62] - 建议每年提高2美元最低时薪连涨四年让所有人最低时薪达到15美元，受时薪低于15美元影响的人只有1000万到1500万，很容易实现 [62] - 建议禁止官员在任期间炒股以及与外国进行商业交易，并拿出计划激励新建住房 [62] - 建议对年收入12.5万美元以下的群体直接免除联邦税，对财政收入影响微乎其微，可用此换取对其核心战略部分的支持 [64] - 封锁边境是极其重要的一环，支持基本盘选民想要分得更多蛋糕，与源源不断越境涌入的人分享蛋糕在数学上是个糟糕的决定 [64] - 关税若与各方承诺投入的资金相结合并切实落地、真正振兴国内制造业，随着时间推移和复利效应积极成果将愈发凸显 [64] 数据中心博弈论：超大规模云厂商与“租客阶级” - 本周股市英伟达、SpaceX、特斯拉、AMD、美光全线大跌，市值蒸发近4万亿美元，是股市历史上按绝对美元计算跌幅最惨重的单日 [66] - Polymarket数据显示Anthropic今年上市概率为71%，中期选举前为95%；《华尔街日报》报道估值缩水可能已成定局，原本预计估值在1.5万亿到2万亿美元之间，现在可能只能看到1万亿或1点几万亿美元 [68] - SpaceX团队在亚利桑那州科奇斯县说明会上承诺将电力成本降低40%、实现零用水、将房产税减少20%、创造足够收入偿还县域债券，但台下听众不断大声喧哗抗议 [68] - 已经达成的交易条件有些过于优厚，对于最强大、最具影响力的七八家科技巨头而言，未必需要靠税收减免才能撬动300亿、500亿乃至800亿美元的投资 [68] - 即将上任的州长们会要求先看到可直接衡量的经济影响再考虑任何项目，这意味着发展将放缓，对超大规模云厂商是利好（坐拥现有产能），对新兴云厂商是重创（只是租赁方），对基础模型公司同样极为不利（极度渴求算力） [68] - 超大规模云厂商具体包括亚马逊、Meta、微软、谷歌、SpaceX [70] - 第一条路径是继续按今天方式出租算力；第二条少有人走的路是把所有增量算力用于赋能自己的产品，如谷歌把大量即将上线的产能全部给Gemini，让Gemini在模型质量上迎头赶上基础模型公司 [70] - 限制能真正产生算力的资产总量、使可供领先公司使用的份额变小，领先公司必须支付更高价格、用户体验下降，其他产品就有追赶时间 [70] - Anthropic和OpenAI每60到90天迭代一次模型，切断无限算力供应就能让这些狂飙突进的公司放慢脚步 [70] - SpaceX若在90天后终止算力供应，可占据Anthropic所需算力的极大比例，以现货价格重新定价，现货价格可能是市场价的2倍甚至3倍，SpaceX从Anthropic获得的收入可能翻两到三倍 [70][71] - 这会向所有其他超大规模云厂商释放信号，迫使它们重新审视算力是留作自用还是对外出售，进而迫使新兴云厂商拿出筹集的所有资金孤注一掷抢购算力 [71] AI需求爆发与本地部署 - Jason Calacanis的风投公司Launch每年在AI订阅上花费4万到5万美元（主要用Grok和Claude），估计创造200万美元价值，每投入1美元大概获得15到20倍增量收入 [83][85] - 目前美国企业界仅有10%到20%的人在日常高频使用这项技术，潜在日常用户群体还有5到10倍增长空间 [85] - 市场对这项技术的需求将暴增500到1000倍，算力将流向任何需要它的地方 [85] - 目前仅发挥了前沿模型70%到80%的能力，计划为每位员工配备价值2万美元的Max Studio 112K，员工桌面上将部署价值40万美元算力，优先运行本地模型再回退到云端，渴望拥有不受计量限制的智能 [85] - 离岸数据中心将成为未来两年的趋势，此外还有本地模型的桌面端应用 [85