Ribbit《Power》致合伙人信：中文全文翻译

原文：Ribbit Power Letter，2026 年 7 月。 本译稿尽量保留原文的措辞、节奏、比喻、幽默和投资语境；公司名、产品名、行业缩写原则上保留英文。原文中的数字、观点和判断均按原样翻译，不在译文中额外校正或改写。

第 1 页

查看原 PDF 第 1 页（含原图表与版式）

“万物皆是能量，仅此而已。” —— 阿尔伯特·爱因斯坦

亲爱的合伙人们：

自 Ribbit 创立以来，在这个噪音越来越大的世界里，我们一直不断寻找真正的信号，也常常回到一个简单的想法：如果你想知道这个世界究竟正在发生什么——并试着理解接下来会发生什么——就去追踪资金流向。俗话说，钱会说话。

而眼下，这股资金流与其说是一条河，不如说是一场五级飓风般的洪流，昼夜不停地奔向那些能够“思考”的机器。仅仅在 2025 和 2026 两年里，美国七家最大的科技公司为了追求数字智能所投入的资本，就将超过美国在曼哈顿计划、阿波罗计划和州际高速公路系统上的投入总和。就在你花七分钟去拿杯咖啡、顺手让 Claude 告诉你这封信讲了什么的时间里，那些硅基大脑又吞下了 1000 万美元。

追踪资金真正有价值的地方，往往在于找出它究竟在哪里被“堵住”了。而今天的瓶颈，事实证明，并不是资金的流动，而是电子的流动。要把金钱和知识炼成智能（tokens！），需要电力——而且需要的电，比我们现在随时能拿出来的多得多。为了跟上节奏，仅美国一国到 2030 年就需要新增超过 100GW 的电力容量，比这个国家过去二十年新增的总量还要多。

这并不会是一件容易的事。负责为人类历史上最重要的一轮技术建设提供能源的那个行业，关键设备的订单已经排到数年之后；而它花在研发上的收入占比甚至低于一家普通连锁餐厅——整个行业一整年的研发投入，还不如 NVIDIA 每六周花在创新上的钱多。与此同时，负责让这些能源在“生产智能”这件事上发挥更大作用的行业，在三年里已经把前沿模型的 token 成本压低了 10 倍；这是一个惊人的成就，但与同期需求的指数级增长相比，仍然显得微不足道。

我们追求智能的瓶颈，是电力，而不是金钱

图下注释：（1）数据中心资本开支 = 五大超大规模云厂商（Big 5 Hyperscalers），占比从 2020 年的 55% 上升至 2026 年的 80%。来源：公司报告、Epoch AI、FHWA、NASA、CRS、Aterio.io、McCoy Power Reports、Morgan Stanley Research、Ribbit 分析。

去年，我们给你们写过一封信，谈 token 如何成为“智能经济”新的基本构件。此后，全世界已经消耗并生成了数千万亿个 token，而且速度惊人，至今仍大约每四个月翻一倍。如果我们想要冲破这道大坝，把 AI 的全部潜力释放出来，让金钱（以及健康、教育、安全和其他一切）在社会中变得更个性化、更有用、更充裕，那么我们就需要创造更多能源，把它转化为更多智能——并且打造出能以更聪明的方式完成这两件事的技术和企业。

第 2 页

查看原 PDF 第 2 页（含原图表与版式）

金钱与电力

如果你花足够多的时间去想“金钱究竟是什么”，最后你往往会开始思考能源。这是有充分理由的：能源是创造一切人类所珍视之物的关键支点，而金钱则是这些价值的一种表征。更实际地说，历史上每一种金融体系——从美索不达米亚的谷物代币，到布雷顿森林体系，再到 Bitcoin——其核心都由能源支撑。法币的可信度来自一个国家的生产能力，而生产能力追根究底来自能源的充裕。黄金这类非主权货币的可信度来自稀缺，而这种稀缺追根究底来自获取它所需付出的高昂能源成本。因此，你大概就能理解为什么从 Ribbit 最早期开始，能源一直就在我们的脑子里……事实上，我们第一份演示文稿的第一页，用的就是这个比喻。

我们对“Power”的思考，已经从一个比喻演化成了一份商业计划

图中原意：

• 2012：“事实：全球 87.5 万家银行彼此互联。”
• 当时的想法：既然金融网络已经连起来，下一步需要的是“利用这个网络的产品与应用”。
• 2025：Ribbit 将当年的 FinTech 经验映射到 Power：品牌、把复杂事情做简单、监管复杂度、建设新网络、以及催化剂，正在从“金融”迁移到“能源与智能”。

来源：Ribbit 年度会议。

金钱和电力都是社会的基石，所以金融业和能源业像近亲一样相似，并不令人意外。两者都受到复杂监管制度的定义，都涉及巨量资本与风险。两者都建立在一种网络之上：远看像一台完整机器，近看却是由一个个割据的“封地”拼起来的。美国的货币网络和电力网络，都是互联网之前形成的系统，分别由 4000 多家银行和 3000 多家公用事业公司以割裂的方式协同运作。也正因为这些原因以及更多原因，这两个行业都有偏爱现状的历史：围着监管者转，而不是围着客户转；并且采用的激励机制常常会惩罚创新。它们当年之所以如此演化，或许在当时都很合理，但在企业和消费者眼中，金融和能源在进入数字时代时，基本上都已经是“坏掉的系统”。

不过，任何一个老练的做空者都会告诉你：一个坏掉的系统，可以坏很久。真正的变化，往往需要某个催化剂撞上恰到好处的环境。金融业大约在十五年前迎来了这样的时刻。2012 年我们创立 Ribbit 时，你可以对全球金融网络提出一串让人费解的问题：为什么创业者想在网上处理支付会这么难？为什么消费者不能轻松地把钱转进转出高收益账户？为什么买卖一只股票要花这么多钱？为什么能获得任何形式信贷的人如此之少？但当时，传统金融机构正被陈旧技术和全球金融危机的后果拖住，而一群极度关注客户的创始人抓住了移动互联网革命，开始改造全球的金钱体系。十四年后，Groww、Nubank、PhonePe、Revolut、Robinhood、Stripe 等团队正在重新布线整个金融系统，而未来仍有大量工作要做。

今天，能源行业正处在一个非常相似的失衡时刻：一边是越来越不满的电费用户，一边是一张老旧电网，艰难追赶发电和储能技术的变化。问题越来越尖锐：为什么消费者想换一家电力供应商仍然如此困难——甚至在很多地方根本不可能？为什么发电成本在下降，企业支付的电价反而还在上涨？为什么一个新的发电项目接入电网所花的时间，比把它本身建出来还要久？而现在，这个行业又迎来一场由 AI 推动、看不到尽头的需求激增，

第 3 页

查看原 PDF 第 3 页（含原图表与版式）

这股需求又叠加出一连串新的压力。让智能变得充裕并且人人可得，已经成为人类当前最迫切的机会之一……与此同时，也制造出了一个巨大的能源缺口，等待被填上。

一如既往，真正能迎接这种时刻的，是大胆的创业者。幸运的是，过去几年我们确实已经看到了这样一批人——新一代“叛逆者”正在冲刺：创造更多能源，并把它转化为更多智能。有创始人在放松管制的市场里建设新型公用事业公司，用发明绕开电网约束；有创始人在建设拥有数吉瓦电力的“算力工厂”；有人在探索合成燃料、热电池、小型模块化核反应堆等新工艺；也有人重新构想芯片或模型架构，哪怕这意味着正面挑战世界上最强大的公司。现状不会一直维持下去。

从 Ribbit 创立开始，我们的使命一直是与那些正在改变全球金钱体系的创业者合作。在我们的思维里，把钱变得更好，社会也会变得更好。但为了支持这个目标——以及其他更多目标——下一站就是电力。现在到了寻找、给养并支持那些把更多能源和智能带给全世界的“叛逆者”的时候了。这封信，是我们第一次试着详细解释：我们究竟在什么地方、以什么方式看到了这些机会。希望你读完之后，能清楚理解为什么我们已经把“能源”从一个比喻升级成了 Ribbit 核心使命的一部分。也希望你们会用一连串反馈砸向我们……在所有人都游进未知水域的今天，你们的意见、想法和批评，价值堪比同等重量的黄金（或者 HALEU、高纯锂、开关设备、HBM、GPU）。

理解 Power（也就是：我们到底在谈什么？）

把电力转化为智能，始终是人类回报率最高的一项投资。一个人的大脑大约只消耗 20 瓦，和一只昏暗的灯泡差不多。在过去 20 万年里，人类大约把 300PWh 的“大脑能量”，转化成了 7100 多种仍在使用的语言、1.58 亿本独一无二的书、27.5 亿种建筑设计、1.5 亿篇科学论文，以及人类思想创造的其他一切成果；最终形成了今天这个每年生产和消费约 180PWh 能源的世界。换句话说：今天的人类，每两年消耗的能源，就已经超过人类历史上“用于思考”的全部能源。把能源换成智能，遥遥领先地成为了人类有史以来做过最划算的一笔交易。

如果你接受这个（过度）简化的框架，那么几乎任何一种人类智能产出，都可以被看作拥有一个“功耗预算”。爱因斯坦在 1905 年的奇迹年——狭义相对论、布朗运动、光电效应、E=mc²——直接消耗的“大脑电量”只有大约 175kWh。哈伯和博施大约用了 1MWh 的思考能量，就想出了今天养活全球一半人口的工艺。Luca Pacioli 在 1494 年写成《算术、几何、比例及比例关系大全》（Summa de Arithmetica），用复式记账奠定了现代资本主义的基础，写作本身大约“耗电”200kWh。再举一个离我们更近的例子：我们估计巴菲特六十年的年度股东信，大概消耗了 875kWh 的“大脑时间”。Nubank 团队合计大约消耗了 7GWh 的大脑能量，建立起一个价值 700 亿美元的业务——如果按“大脑功耗效率”来算，比摩根大通高 22 倍以上（摩根大通用了约 2TWh 才做到 9000 亿美元）。至于 Micky 学会英语到底消耗了多少大脑能量，我们不能透露。

智能，是人类收益率最高的资源。我们想要更多，一点也不奇怪。

左图：能耗（对数坐标）

• 爱因斯坦的奇迹年（1905）
• 哈伯-博施法（1909）
• 巴菲特股东信（1965 至今）
• Nubank（2013 至今）
• JPMorgan（1799 至今）
• 一次 GPT-4 训练
• 一个 Stargate 园区一年的能耗

右图：预计功耗（GW）

• AI Compute（AI 算力）
• All Human Brains（全人类大脑）

图表来源：BloombergNEF；Ribbit 分析（“分析”这个词在这里用得比较宽松）。

第 4 页

查看原 PDF 第 4 页（含原图表与版式）

坦白说，这种分析确实荒唐得有点可笑，但它恰好把这封信的两条主线凸显了出来。

第一，它说明了一个我们都知道、却很少认真去想的问题：把正确类型的智能，用在正确的问题上，到底有多么值钱。 不管我们任何人对 AI 的战术问题怎么看——泡沫还是繁荣、闭源权重还是开源权重、Transformer 还是下一种架构、今天还是明天——智能几乎位于所有“让世界变得更好”的机会的上游。现在我们已经找到了制造智能的方法，于是全世界都在全速冲刺，希望制造得更多；未来几年里，硅基大脑直接消耗的能源，将超过碳基大脑。要到达那里并继续向前，我们的第一项任务，就是弄清楚如何创造更多能源。每当推理能力和 Agent 能力再向前迈一步，能源需求就会继续飙升——而且这还没有算上连锁反应。等我们真正知道如何制造和运营各种机器人、创造新材料、建设新型基础设施之后……我们又要拿什么给它们供电？

第二，回头看人类智能的回报，会提醒我们：同样这些能源，本来还可以创造出多得多的东西。说得再直白不过：并不是每一瓦电，都能产生同样的智能。布鲁克林一个周二晚上的初学者国际象棋俱乐部里，25 名棋手消耗的瓦数，和世界锦标赛上的 25 名特级大师大致相同，但产出完全不是一个量级。而且智能本身也有不同层次和类型：用单颗 700W GPU（单芯片功耗约为人脑的 35 倍）训练出来的 LLM，可以接触到远比爱因斯坦更广泛的内容，却无法复制他的创造力或机智。无论我们能造出多少能源，都必须继续解决另一个问题：怎样用这些能源创造出更多——而且更有效的——智能。 数万亿美元的数据中心投资最终能产生多高的回报，取决于“把瓦特送进来的电线”和“把 token 送出去的光纤”之间，到底装着什么。

那么，对那些同时追求这两个目标的创始人，我们该怎么理解投资机会？在一个如此复杂、同时发生如此多前沿创新的市场里，人很容易钻进细节里出不来——而 Ribbit 全团队加起来大概只有 600W 的“大脑算力”，所以我们一直很珍惜任何能够套用 KISS（Keep It Simple, Stupid，“别把事情搞复杂”）原则的机会。幸运的是，Base Power 联合创始人 Zach Dell 给了我们一个简洁得很难超越的框架。借用 Zach 的骨架，我们把两个问题——制造电子，以及把电子变成智能——都拆成四个桶：Make、Move、Store、Sell（制造、传输、储存、销售）。

Make、Move、Store、Sell：塑造“智能的价格”

来源：Ribbit 分析。

在“电子”这一侧，Make 指的是发电：把某种一次能源输入——阳光、风、天然气、铀、地热——转化为电力。这是最容易引发政治和环境争议的一层；我们的思路，是用非常务实的镜头去看：考虑经济性、监管和物理约束之后，哪些方案能够在未来几年里扩展得足够快，从而真正产生影响？它们最终落地的成本是多少？这个桶里的公司，从公用事业级太阳能和风电开发商，一直到新一代……

第 5 页

查看原 PDF 第 5 页（含原图表与版式）

……追求可调度、高密度、大功率输出方案的公司都有，从新型涡轮机到新型反应堆。到了算力这一侧，Make 指的是“算力工厂”以及其中的核心组件——吉瓦级数据中心、填满其中的芯片（GPU、TPU、定制 ASIC）、维持它们运转的现场供电和冷却基础设施，以及其他一切把电子和数据大规模转化为智能所需的东西。

在电子这一侧，Move 指的是输电和配电：把电力长距离送出去的高压线路，把电送到你家街上的低压线路，以及把电转化成合成燃料、氢气之类“可运输分子”的技术。这是区域乃至国家电力系统中监管最重、移动最慢、也最具约束力的一层。到了算力这一侧，Move 就是网络——在芯片和数据中心之间搬运数据的光互连、交换机和高带宽 fabric，以及把智能送到最终用户手里的“最后一公里”网络。这是 AI 建设中最少被讨论的环节之一，却正在变成最重要的环节之一，因为它越来越决定：有用的计算究竟在哪里、以什么方式发生。

在电子这一侧，Store 指的是电池，或者其他让能源“穿越时间而不是空间”的方式——抽水蓄能、热储能、合成燃料，或者任何把某一时刻生成的能量保存起来、留到另一个时刻使用的技术。随着电网中的间歇性资源越来越多（太阳不会按你的需求照亮），而需求本身又越来越尖峰化（一次 AI 训练任务和一台冰箱恰好相反），这个桶的重要性会不断上升。到了算力这一侧，Store 就是内存与存储——芯片里的高带宽内存、数据中心里的 SSD 和存储阵列，以及整个技术栈底部的冷存储。内存和电池很像：它决定了什么东西能在什么时候“可用”。随着模型越来越大、推理逐渐成为主要工作负载，瓶颈越来越不是芯片能算多快，而是它能多快把正确的上下文搬进、搬出内存。

在电子这一侧，Sell 指的是零售和批发电力市场：它们给电定价，并把电交付到最终用户。ERCOT、PJM 这样的批发市场每天都会清算数百万笔交易，电力每五分钟买卖一次；新的金融基础设施还在不断推出更好的交易和风险管理工具。零售市场则由所谓 gentailer（发电+零售一体化公司）、经纪商和聚合商运营，它们把电卖给家庭和企业，而现在也越来越多地把电再“卖回”电网。到了算力这一侧，Sell 指的是零售和批发算力市场：给智能定价，并把它交付给最终用户。批发层——传统云和 AI 原生云——按小时出售原始算力。零售层——推理平台和模型聚合器——则按 token 出售这些芯片制造出来的智能。今天这一层里价值最高的公司，例如 OpenAI 和 Anthropic，实际上在两层之间做了垂直整合：它们既拥有模型，也拥有客户。Sell 也是 AI 经济体刚刚萌芽的金融基础设施正在成形的地方：从算力现货市场，到 GPU 或推理衍生品合约，再到交易所。

现实当然永远比框架更乱，因为最优秀的创始人和运营者往往不喜欢“按格子涂色”。真正最有影响力的 Power 公司——最有可能冲破能源与智能这座大坝，同时创造最大财务回报的公司——往往会跨越 Make、Move、Store、Sell 之间的缝隙去创造价值：新型发电商把发电设施直接放到需求旁边，从而绕开或重塑配电；储能商通过主动向电网买卖电力，把需求曲线摊平；新型燃料生产商把“输电问题”变成“化学问题”；算力工厂从电力基础设施一路整合到推理层，以此支撑开源；零售商用电池管理和智能路由同时赢得客户与公用事业公司的信任；芯片则越来越围绕网络 fabric 设计，甚至在物理上与内存不可分割。

未来十年真正赢下来的公司，常常会拥有相邻两到三层，并把这种整合本身变成护城河。世界上最大的公司已经把这套打法用了几十年，而且效果惊人；我们正在寻找紧随其后的那些“破坝者”（dam breakers）。

第 6 页

查看原 PDF 第 6 页（含原图表与版式）

“破坝者”正在到来

图：Ribbit 对 Power 版图的示意性分类（并非穷尽）。 图中把相关公司分为：传统创新者（Established Innovators）、超大规模云厂商（Hyperscalers）、智能先锋（Intelligence Pioneers）、替代范式（Alternative Paradigms）、一体化算力工厂（Integrated Compute Factories）、瓶颈破局者（Bottleneck Breakers）、新型发电商（Novel Generators）、市场建设者（Market Builders）、关键投入品（Critical Inputs）、储能先锋（Storage Pioneers）与新型公用事业公司（Neo-Utilities），并按“电子/智能”两条链上的 Make、Move、Store、Sell 标示它们所在的位置。

来源：Ribbit 分析；图仅用于说明，并非完整名单。

按照 Ribbit 的定义，Power 覆盖了地球上一大批规模最大、结构最复杂的企业。我们不可能全部研究，也并不想这么做。但在视野如此宽、变化又如此快的环境里，未来几个月乃至几年，我们该把自己稀缺的精力投到哪里？作为一群花了几十年追踪资金流向的人，我们很难摆脱这样一种感觉：每一次关于“电子”或“算力”的讨论，其实都像是我们过去围绕“金钱”的某个侧面进行过上千次讨论的另一种版本。在我们的思维里，Make、Move、Store、Sell 很容易分别替换成 发行（或铸造）、支付（或传输）、银行（或托管）、交易（或兑换）。

有些类比，可能只是为了让 Ribbit 的午餐桌聊天更有意思；但它们也确实给了我们一些线索，告诉我们应该去哪里寻找价值：

• 无论在“电子”还是“智能”这一侧，机器内部那些复杂的部件都太迷人了，以至于最基础的价值来源——拥有客户——反而很容易被忽视。当客户本身并不喜欢思考某个问题时，让他们真正参与进来尤其困难；金融和能源大体上都属于这一类行业。但这也意味着，既有玩家往往会制造大量心怀不满的客户（它们靠利用客户惰性提高利润率），而真正能让客户愿意改变的挑战者，则有机会建立属于自己的、高黏性的关系。

第 7 页

查看原 PDF 第 7 页（含原图表与版式）

这一点在 B2B 里同样成立：向受监管、保守的机构销售产品往往是一场漫长折磨，所以一旦有公司真正打穿这个市场，销售能力本身反而会变成资产。在金融领域，客户忠诚度和数据一直是强大的护城河；到了今天的 Token Era，这比过去任何时候都更明显。Power 领域也会如此。

• 在金融业——任何一个华尔街暑期实习生每天都会听到——现金为王。一个高流动性的资产负债表灵活、反应迅速，既能缓冲波动世界带来的冲击，也能从波动中获利。过去很长时间里，我们并不存在真正意义上的“电力资产负债表（power balance sheets）”，但随着电池、模块化发电、微电网，以及“算力作为一种精炼后的电力形态”出现，这一点正在改变。就像金融交易一样，当内部消化与外部流转之间变得更灵活时，会出现各种新的组合形态——比如数据中心微电网与合成燃料工厂混合在一起。我们怀疑，成为最快、最灵活、或者最具韧性的可调度资源到底有多大战略价值，目前还远没有被真正理解或发现。

• 机会常常存在于中心化与去中心化之间的拉扯。中心化系统高效、清晰；去中心化系统反应快、韧性强。像金融和能源这样巨大而多样的市场，真正有价值的往往不是站队，而是驾驭这种权衡。在金融领域，Alipay（私人体系）和 UPI（政府支持）这样的中心化方案，与 Bitcoin、稳定币这样的去中心化方案几乎同时扩张，各自利用自己的优势获得采用。今天的 Power 领域里，智能正在中心化，而能源总体上在去中心化。顺着趋势下注当然合理，比如投资算力工厂或分布式发电；但寻找相反方向的反作用也同样合理，比如探索小型端侧模型，或者电网编排软件。

• 很多数字时代的领导者，并不是靠替换底层网络来创造价值，而是靠把底层网络制造的复杂性抽象掉。Stripe 表面上看，可能只是又一家收单机构上面的 API；但你掀开引擎盖，会看到它每分钟处理 5 万笔交易，覆盖 50 个国家、135 种货币、100 多种支付方式，与 40 多个国家的银行合作，持有数百张牌照，等等。一座虚拟电厂（VPP）看起来也许只是一个“不拥有基础设施”的薄层，但千万别低估协调数千、甚至数百万个分布式节点的价值。抽象如此强大的一个原因，是它让公司能以软件的速度累积进步——在 Token Era，这意味着每天都更快、更便宜、更好。而这个模式也远远不只适用于一开始就做编排层的公司。例如在硬件创业公司中，我们也看到创始人把物理系统做得更简单、更容易被抽象，把复杂性和迭代尽可能推到软件里。

• 大多数企业都具有规模收益递增，但最优秀的公司会把这种效应发挥到极致。在金融和能源里，规模通常有利——例如更容易获得资本——但有些情况下也会伤害你：比如一家公司总是先把最好的资源吃掉（先借钱给信用最好的客户，先开发最好的可再生能源场址）。真正最可靠地“规模带来更多规模”的业务，往往是多边市场。当市场的多个侧面都形成足够高的参与者密度——支付中的消费者与商户，能源中的客户与公用事业公司——就有机会同时为客户和系统本身创造正和结果。它们还需要拥有丰富数据；在 Token Era，一款架构良好的产品，会随着每多一个客户而变得更好。这次我们就饶过你，不画飞轮图了……不过先提醒一句：接下来的页面里，“递归循环”还会反复出现很多次。

• 判断一个创始人是否真正以客户为中心、并且在执行长期使命，有一种方法：看他如何面对自己业务里最重要的成本驱动因素。在金融里，那个“帕累托价格”是钱的价格，也就是风险的价格；从 Ribbit 创立开始，我们支持过的最优秀 FinTech 创业者，都会让公司的利益与“降低客户和整个生态里的资金价格”保持一致。在 Power 里，今天的“帕累托价格”已经变成了智能的价格。无论你处在技术栈哪一层，如何把这个价格压下来，都是未来十年的核心商业问题。那些把自己的愿景建立在这件事上的创始人——押注智能成本下降、真心希望它下降、并且亲手推动它下降——永远值得关注。

第 8 页

查看原 PDF 第 8 页（含原图表与版式）

为什么是现在？

当然，全世界一直都想要更充裕、更高效的能源和算力……这并不是什么新鲜事。一个怀疑者完全可以指出：Power 类业务有极高的技术风险，资本与“可融资性（bankability）”周期很长，还要穿过一整套依赖项的障碍赛——补贴、许可时间、采购困难，以及更多。历史上，这些特征已经制造出一长串“拿了 VC 钱、最后烧成灰”的公司。与此同时，AI 狂热的公开市场又在把资本像雨一样洒向既有巨头。那么，为什么偏偏现在还要支持 Power 领域的创业公司？

电网扛不住接下来要发生的事情。 世界大部分电网都建于几十年前，设计时面对的是缓慢增长、单向流动的负荷。在那个世界里，所谓“电网压力”，指的是晚上六点之后洗碗机和电视一起开起来；而不是多吉瓦数据中心突然拉出尖峰负载，不是数百万辆电动车和热泵带来的双向电力流，也不是大量工业负荷迅速回流本土。今天的用电需求，远远超出了过去任何一次升级周期所设想的范围；按当前轨迹，到 2030 年，美国数据中心消耗的电力将超过整个日本。与此同时，美国电力并网队列中排队等待接入的项目总容量达到 2.6TW，是美国现有全部装机容量的两倍，平均等待时间超过 5 年；关键设备——例如变压器、开关设备、母线槽——的交付周期在 20 到 60 个月之间。理论上，电力需求当然也可能放缓，但我们认为可能性不大：一次 ChatGPT 查询消耗的电力大约是一次 Google 搜索的 10 倍，而 Agent 任务、视频生成、深度研究这样的工作，轻易就能达到 1000 倍到 10000 倍。要跟上这股需求，需要所有创业者一起上场。

供给侧的经济性已经变了。 十年前，大多数创新型能源公司都在努力证明：有一天，即使没有补贴，它们也能在成本上竞争。今天，我们已经走到了那一天：十五年里，太阳能组件成本下降了 86%（风电下降 49%）；而每当全球太阳能装机容量翻一倍——现在大约每三年发生一次——成本还会再下降 30%-40%。所以今天部署可再生能源最快的地方——中国、印度、得州、巴基斯坦、印度尼西亚——主要就是出于成本原因。类似地，锂离子电池价格十五年下降了 88%，而自 2020 年以来，电网级储能装机容量增长了 100 倍以上。部署这些技术——或者创造全新的技术——从未像今天这样可行；地球上信用最好的买家（政府和超大规模云厂商）正在提供史无前例的金融支持。对于有野心的创始人，这些承诺正在把过去几十年的开发和可融资性周期压缩到短短几年。

电子和 token 已经成为一级国家战略。 过去几年里，几乎每一个主要经济体都在加速投资能源与算力，并把它们视为经济安全和国家安全的支柱。只举几个例子：美国已经通过《CHIPS 法案》和 IRA 投入超过 1750 亿美元（带动总计超过 1 万亿美元的制造业投资）；阿联酋仅通过 G42 项目就承诺建设 5GW 以上 AI 基础设施；韩国启动了一项规模超过 7000 亿美元的主权 AI 和基础设施计划。监管机构也在推动电力市场创新。例如，美国正在要求电网运营商向分布式能源聚合商开放批发市场；巴西则计划到 2028 年让 9000 万低压用户进入零售电力市场。经历数十年的停滞之后，规则终于开始被重写，这给创业者留下了定义下一阶段市场的窗口。

创始人和工具，终于都到位了。 NVIDIA、TSMC、ASML、SK Hynix、Micron、Samsung 这样的公司拥有非凡的护城河，但它们也被广泛视为“现代文明的咽喉”。当巨大的奖池，与那句古老真理——“需求是发明之母”——同时存在时，我们看到的创始人野心，已经远远超过五年前。一代在 SpaceX、Tesla、Anduril、NVIDIA 训练出来的人，正在播种下一代能源和算力技术创始团队，资本也跟着他们流入：Deep Tech 现在已经占到风险投资资金的三分之一以上，是十年前的两倍多（其后还有项目融资、私人信贷和公开市场资金）。而且创始人手里的工具也更好了。AI 辅助工程、仿真和现代合同制造正在极大压缩硬件开发周期；过去需要 50 人团队做三年的事情，现在可能 5 个人、六个月就能完成。AI 一方面制造需求，另一方面又在反过来增强供给响应：每一代模型，都在让下一代电网……

第 9 页

查看原 PDF 第 9 页（含原图表与版式）

……软件、材料发现和物理设计变得更快。随着机器人、制造等领域继续进步，这个过程只会进一步加速。

关于“为什么 Power 的时机就是现在”，你需要知道的一切

图表上半部分：我们正在面对巨大的需求激增，但电网根本承受不住。

• 美国已安装发电容量 vs. 并网排队容量：并网队列约 2598GW，远高于现有约 1279GW。
• 自 2005 年以来，美国电力系统资本和运营支出变化：输电与配电投入大幅上升，而发电侧支出总体变化有限。

图表中部：供给侧经济性已经改变。

• 太阳能光伏（PV）：成本大约下降 86%，装机容量快速增长。
• 陆上风电：成本大约下降 49%，装机容量显著增长。
• LFP（磷酸铁锂）电池：成本大约下降 88%，装机容量增长约 9400 倍。

图表下半部分：电子与算力正成为一级国家优先事项，人才与资本也终于到位。

• 全球电力生产的重心持续变化，中国的发电量快速上升。
• 全球 GPU 聚合算力的地域占比正在成为国家竞争指标。
• Physical AI 创业公司的全球风险投资额在近几年明显上升。
• 约 150 家 SpaceX 校友创办的公司累计融资约 131 亿美元，分布在太空、能源、出行、AI 等方向。

来源：上方图表为 Berkeley Labs、Brattle、美国能源信息署；中间图表注：（1）PV = 光伏；（2）LFP = 磷酸铁锂；（3）价格均以 2023 年不变美元表示；来源 IRENA（2024）、IEA、BNEF、BCG Analysis；下方图表数据截至 2026 年 5 月 20 日 / 6 月 3 日；来源 PitchBook、SpaceX Alumni Founders。

第 10 页

查看原 PDF 第 10 页（含原图表与版式）

强烈的信念，松散地持有（Strong Beliefs, Loosely Held）

我们正处在一个既充满机会、又充满炒作与贪婪的时刻。战场条件一直在变：制高点从闭源滑向开源，又从开源滑回来；模型和应用之间既合作又竞争；地缘政治不断冲击产业政策；围绕 AI 的政治风向持续旋转，等等。每一个星期，都会出现一笔比上一笔更大的数据中心交易、一种很有希望的新芯片或模型架构、一个意外打开的监管或产业突破口，或者某条新信息，逼得我们把已经以为写完的章节重新打开。如果过去两年教会了我们一件事，那就是：对于未来会发生什么，始终保持谦逊。

抱着这种心态，我们尝试描述未来十年里，能源和算力领域最大的机会在哪里。有些判断今天的市场已经理解得非常充分（某些甚至理解得太充分了！）；但如果历史还有参考价值，那么即使是今天最炙手可热的交易，也很可能在未来几个月、几年不断波动的市场里，被某个时刻遗忘或打折。另一些机会则依旧被误解，或者被低估。它们共同给那些足够大胆的创业者，留下了一块几乎完全空白的画布。

这封信最后比我们原计划长得多。每一个章节都可以单独阅读，所以完全可以跳着看。为了让你更容易导航，下面先快速浏览一下后面会讲什么，以及去哪里找到它。

第 11 页

查看原 PDF 第 11 页（含原图表与版式）

算力工厂将成为 Token Era 的炼油厂

1863 年，John D. Rockefeller 拿出 4000 美元，在 Cuyahoga River 河畔投了一座小炼油厂。九年后，Andrew Carnegie 投入 25 万美元，在匹兹堡郊外建设了美国第一座专门采用 Bessemer 工艺的钢厂。此后的几十年里，两个人都建立起了商业帝国，而且依赖的是同一个洞见：价值会集中在那种困难、资本密集的“精炼”环节——把原材料转化成一个时代最基础的资源。 原油被炼成煤油，照亮美国人的家；铁矿石被炼成钢，建起美国的城市。两人职业生涯结束时，Rockefeller 的个人财富约等于美国 GDP 的 1.5%；Carnegie 的钢铁业务则成为 U.S. Steel 的核心，而 U.S. Steel 是历史上第一家估值达到 10 亿美元的公司。简而言之，炼制者拿走了最大的一块价值。

如果 Rockefeller 和 Carnegie 今天还活着，他们会建什么样的“炼油厂”，几乎没有悬念。把电子“精炼”成算力，早就已经是一门大生意：如果 AWS 单独拆出来，它可能价值 1-2 万亿美元；而 2010 年代的数据中心老牌公司 Equinix（约 1000 亿美元）和 Digital Realty（约 660 亿美元），也靠把房地产、电力、硅和网络结合在一起，积累了不小的财富。但今天正在发生的事情，会让 Token Era 之前的算力生意显得有些古朴。一个很直观的观察方式，是看软件公司的销售成本（COGS）。以 Microsoft Office 为例，这是历史上盈利能力最强的软件产品之一：传统 Office 365 企业席位每月收费 36 美元，底层算力成本大约只有 1-2 美元；而同一个席位如果打开 Microsoft 365 Copilot，标价变成 66 美元，对应算力成本大约 5-20 美元。换句话说，今天的“炼油厂”能够捕获的价值，是过去的 2-10 倍。

当然，价格、利润率和成本正在剧烈波动，而且这种波动大概率还会持续几年；但无论看 Google、Meta 这样的巨头，还是 OpenAI、Anthropic、Cognition、Decagon、Harvey、Listen Labs 等新公司，模式都很一致。十年前，软件业务新增的一美元成本主要会花在人身上——工程师、销售、客服；今天，它越来越多地流向算力工厂。

当你掀开引擎盖看，这种变化更加明显。大多数人脑中的数据中心，仍然像“服务器酒店”：本质上就是多装了一点冷却设备的仓库，而不是一种技术本身。但新现实完全不同。今天的算力工厂，可以说是地面上的“类星体”——超大质量天体，把资本、电力、土地、变电站、水、硅、网络和编排软件全部吸进一个统一系统里，而这个系统存在的唯一目的，就是制造智能。与传统第三方数据中心运营商相比，Crusoe、CoreWeave、Nebius 这类正在崛起的算力工厂领导者，根本已经是另一个物种。要理解差别，可以看看 2026 年建设和运营算力工厂需要处理的几件事：

• 单机架功率密度已经高 10 倍，正在走向高 100 倍。 2020 年，一台超大规模数据中心机架大约消耗 10-20kW；NVIDIA GB200 NVL72 系统已经超过 120kW，而 Rubin 和 Kyber 路线图指向 2030 年 600kW-1MW 的单机架。换句话说，短短十年，一台机架的耗电量会从“一套小公寓”增长到“一座小镇”。过去围绕旧假设设计的一切——配电、冷却、楼板承重、消防——都需要从头重做，而且背后牵涉数十亿美元设备。

• 单园区电力规模已经提高 20 倍以上。 园区负荷已经从区域级跃迁到了国家电网级。2020 年，一个数据中心区域可能由多栋建筑、多家供应商共同组成，整体消耗 30-50MW；今天的算力工厂园区却在单一地点按 1-2GW 设计，最大的目标甚至达到 5GW——相当于三到五座核反应堆。作为参照，斯洛文尼亚全国的总用电负荷大约也只有 1.5GW。为了抢建这些园区，运营商正在以云计算时代无法想象的规模，与公用事业公司、州长和监管者谈判。

• 热管理变得复杂得多。 当单机架超过 30-40kW，空气冷却在物理上已经不够用了——你没办法以足够快的速度吹进足够多的空气来带走热量。NVIDIA H100 一代迫使行业转向直触芯片液冷（direct-to-chip liquid cooling），GB200 则让液冷变成默认配置。下一代方案甚至指向两相浸没式冷却：把整台机架浸进介电液体里，让液体吸热后沸腾！一座 2026 年 AI 设施里的“管道工程”——

第 12 页

查看原 PDF 第 12 页（含原图表与版式）

……冷却液循环、工业冷水机、泄漏检测、以及为每台重达 1.5 吨的注液机架设计楼板承重——已经更像一座化工厂，而不是一座 2020 年的数据中心。

• 网络已经从“一堆服务器”转向“一张统一、连贯的 fabric”。 在传统数据中心里，每台服务器基本是独立的，用标准 Ethernet 相连。AI 训练设施则要把几万张 GPU 连成“同一台机器”，单节点集群内带宽以每秒数太比特计，还要让数百万条光纤连接同步工作。只要一根光纤出问题，就可能毁掉一次价值数亿美元的训练任务。

• 建设已经变成了工业供应链问题。 建数据中心早已远远超出普通房地产开发的范畴。大型电力变压器现在交付期为 2-3 年，而 2020 年只有 6-12 个月；中压开关设备需要 12-24 个月；工业冷水机需要 12-18 个月。真正有能力按照当前功率密度施工的专业承包商，两只手就数得过来，而且订单已经排到几年之后。关键劳动力同样稀缺：自 2022 年以来，主要数据中心市场里，熟练中压电工的工资已经上涨 30%-50%。

把这些复杂性全部拉远来看，一种理解今天变化的方式是：“计算的基本单位”正在改变。 十年前，基本单位是一颗消耗几百瓦的 CPU，和旁边的其他 CPU 共用的东西只有电力和冷却。今天，NVIDIA NVL72 已经是一套机架级超级计算机架构：把 72 张 GPU 和 36 颗 CPU 连在一起，让它们像一颗巨大的逻辑 GPU 那样工作。下一代只会进一步变大、变复杂，直到整栋建筑、甚至整个园区最终都像“一台机器”一样运行。未来，成为“算力精炼”的领导者，意味着你必须能够建造并运营这样一台机器——这份工作更像是在管理一座半导体晶圆厂，而不是一家房地产开发公司。

建造与运营算力，越来越像管理 TSMC，而不是 Toll Brothers

左图：一座 1GW AI 数据中心的年化成本（百万美元）

• 服务器：约 50 亿美元
• 设施：约 14 亿美元
• 网络基础设施：约 12 亿美元
• 能源：约 5.9 亿美元
• 税：约 1.4 亿美元
• 维护：约 1.2 亿美元
• 人工：约 4000 万美元
• 公用事业工程：约 2000 万美元
• 土地：约 1300 万美元
• 水：约 600 万美元

右图：AI 工作负载的单机架功耗，是传统云的 5-10 倍

• 传统云：18kW / rack
• AI 推理数据中心：80kW / rack
• 当前 AI 训练数据中心：115kW / rack
• 下一代 AI 训练（Rubin+）：163kW / rack

注：基于一座美国超大规模 AI 数据中心的示意模型，其 IT 设备名义容量为 1GW。资本开支按各类资产寿命年化，并以资本成本为折现率。“Facility”包含建筑主体、机械系统和电气设备。来源：Epoch AI、Jefferies。

围绕算力工厂的第一个重大投资问题，是可防御性。算力最终不会商品化吗？超大规模云厂商最终不会把所有东西都自己建掉吗——或者把外部合作伙伴的利润空间全部挤光？我们认为，至少少数几家独立算力工厂运营商，有机会真正建起有意义的护城河。

第一，它们可以在速度上差异化：18 个月交付出来的边际 1GW，价值高于 36 个月后才交付、哪怕更便宜的 1GW。因此今天跑得更快，会让它们在规模和学习曲线上领先，而且这种领先可以持续复利。

第二，它们可以在可靠性上差异化：全世界真正能够设计并运营吉瓦级液冷园区的人非常少，数量是几百，不是几千；前沿实验室也不会随便把工作负载交给一个新运营商，所以拥有可验证客户名单的领先者会获得优势。

第三，它们可以在成本上差异化：规模化运营商可以获得一系列效率优势——更便宜的电力、

第 13 页

查看原 PDF 第 13 页（含原图表与版式）

更好的 PUE、更长的硬件利用周期、更低的资本成本、更优先的芯片配额——这些优势会跨越多个硬件代际，持续改变单位经济性。

最后，它们还可以在市场定位上差异化。比如，一些前沿实验室和新兴 AI 公司，会更愿意选择不与自己竞争的独立供应商；同样，一些关键上游供应商（例如芯片公司）也会支持独立玩家，以维持一个更多元的买方生态。如果执行得好，这些差异化最终可以转成自我强化的循环：每一份新合同、每一轮新建设，都带来更大、更高效的装机基础；更大的装机基础又带来更优先的供应链接入、更便宜的资本、更高的信任，以及服务新客户的更多容量——包括新一代 AI 领导者和更长尾的需求……这样的飞轮，大概会让 Carnegie 和 Rockefeller 都感到骄傲。

下一个重大问题，是从哪里开始，又如何演化。创业公司正从几个完全不同的角度切入这个机会，对“垂直整合应该分几步完成”也各有看法。Crusoe 这样的公司，把电力获取能力和相关专业知识，延伸到与超大规模云厂商共同开发大型项目，同时建设自己的多模型 GPU 云。Poolside 或 xAI 则一开始就押全栈，从电力、土地一路拥有到模型层。光谱另一端，Together AI、Modal、Baseten 这类公司则从算力编排开始，在多个模型上提供推理服务，把底层基础设施交给第三方。

由于需求实在太深，不同路径都可能成功；但拉长时间看，垂直整合做对哪些、做到哪里会极其关键。Rockefeller 最终控制了炼油厂、管道、油桶和铁路合同，但他刻意没有进入汽车、铁路以及许多其他相邻行业。我们怀疑，真正获胜的算力工厂，会在“稀缺投入品”和“运营卓越”能够相互复利的地方整合，但大概率会避免在智能层本身与自己的客户竞争。

既然算力工厂之战已经全面开打，今天投资者面对的最大问题，也许反而是：这个奖池到底有多大？ 最乐观的情况是，一家或多家算力工厂运营商最终成为真正的 Neo-cloud：拥有编排层、运营软件和客户关系，并在大规模 token 服务上与 AWS、Azure、GCP 竞争。哪怕只切走这个市场的一小块——尤其是如果你能在某些特定工作负载上形成专业能力——都可能形成巨大的结果（前面说过，AWS 在“智能爆炸”之前，就可能已经是一家价值 1 万亿美元的公司）。

即使这种最乐观的结果没有完全发生，也没有任何人真正打进云计算寡头格局，下限仍然很高。这个领域规模巨大、重要性极高、复杂性又强，早期胜出的算力工厂只要资本配置得当，就可以在很多年里以高 ROIC 持续扩张，最终成长成下一代 Digital Realty（约 660 亿美元）、Equinix（约 1000 亿美元）或 NextEra Energy（约 1700 亿美元市值）这样的数据中心/能源巨头。

这种结果分布——上方有非对称的巨大潜力，下方又有类似基础设施的底座，并且无论哪种结果都杠杆式押注在一个很可能成为人类最大市场的领域上——正是我们认为“炼制者”可能成为未来十年定义性投资机会之一的原因。

今天的瓶颈破局者，可以成为明天的平台

过去几年，公开市场投资者仿佛拿到了一张门票，进入了历史上最赚钱的“打地鼠”游戏。第一个冒出来的是芯片：大家突然意识到，不管你有多少钱、多少关系、多少诚意，产能都不够应付扑面而来的需求。接下来是电力：并网队列、变压器、开关设备和涡轮机的积压逐渐暴露出来。然后是冷却：AI 机架越过 100kW 后，行业被迫从风冷转向液冷。再然后是内存：HBM 产能提前被订光，AI 需求淹没市场后 DRAM 价格飙升。下一只“地鼠”，或许就是互连——NVLink、交换机、光学器件、电缆，以及最终从铜走向光子学的迁移。

总的来说，自智能淘金热开始后的大约三年里，“AI 卖铲子”交易已经成为股票市场历史上速度最快、强度最高的一次行业级重估。仅仅前十大公司，合计市值就扩大了 5 倍，新增接近 12 万亿美元企业价值。

一种理解方式是：这笔交易已经结束了，大部分价值都被捕获，赢家也已经加冕。但我们不是交易员，所以看到的是另一件事：奖池刚刚变得大了很多，而且创新窗口才真正打开。

第 14 页

查看原 PDF 第 14 页（含原图表与版式）

NVIDIA 的市值已经是三年前的 5 倍；SK Hynix、Broadcom、Arista、GE Vernova——随手挑几家供应链上的领导者——也分别上涨约 13 倍、4.5 倍、4.3 倍和 7 倍。在我们的思维里，一个约束周围积累的经济压力越大，那些能够找到办法“移动这股压力”的创始人面前，就积累了越多的势能。

短缺通常是暂时的，因为新产能迟早会到来（就在我们写这封信的时候，SK Hynix 正在融资 300 亿美元）。因此，今天真正值得支持的创业者，不会永远只做“填缺口的人”；他们会先从补缺开始，再逐步建设能力，把自己从一个供应商变成一个平台。

更重要的是，供应链中的每一次反应，都会催生一次相反方向的反应：并网堵塞会制造表后（behind-the-meter）微电网需求；内存短缺会推动新的带宽解决方式和芯片配置；GPU 约束会给新型硅架构打开窗口。今天的市场领导者当然极其出色——毫无疑问都是伟大的公司——但它们中的大多数，最初并不是为 Token Era 设计技术。它们只是恰好在一个需求远远超过供给的历史时刻，提供了可以迁移进来的技术。这并不意味着它们代表最终形态。

如果我们想让算力工厂生产的 token 数量再增加 10 倍，就不能只是在“怎么开发、怎么运营数据中心”上变聪明。我们必须从内部把它们重新造一遍。

数据中心供应链的每一个阶段、每一个部件里，都存在机会

每 MW 数据中心关键设备与价值量（示意）：

• 服务器：约 2500 万美元/MW
• 网络：约 430 万美元/MW
• UPS：约 90 万美元/MW
• 发电机：约 80 万美元/MW
• CRAH：约 60 万美元/MW
• 开关设备：约 50 万美元/MW
• 冷水机：约 40 万美元/MW
• 配电：约 40 万美元/MW
• 工程费用：约 40 万美元/MW
• 施工费用：约 90 万美元/MW
• 冷却塔：约 10 万美元/MW

数据中心关键设备市场规模：

来源：BofA Global Research、Ribbit 分析。

考虑到全球算力建设的绝对规模，数据中心供应链的每一个阶段、每一种部件里，都存在机会。Crusoe 位于 Abilene 的旗舰 Stargate 园区，仅建筑壳体和电力部分就已经吸引了约 150 亿美元资本，还没有算真正填进园区里的芯片（顺便说一句，这相当于建造世界最高楼 Burj Khalifa 所需资本开支的 10 倍！）。把所有东西都算上，今天建设一座 AI 数据中心，每 GW 大约要花 500 亿美元。

而新增容量预计至少会从 2026 年目标的 15GW，翻倍到 2030 年的 30GW 以上。这意味着，面向 AI “卖铲子”的创业者，可服务市场规模在不到五年里就可能再增长接近 1 万亿美元。所以，即使今天已经有大量价值被市场拿走，仍然给创业者留着很大的空间：只要你能削掉一点额外开销、让一台机架塞得更密、把工期缩短一个月，或者以其他方式让那 500 亿美元“更耐花”，都能创造价值。哪怕只切到这张饼的一小块，也可能是一门每年几十亿、上百亿美元的生意。

AI 时代已经真正进入“军备库阶段”。在接下来的几年里，那些能够承受不可避免的供需波动、并且按时交付的新玩家，会发现买家非常积极，也会获得从单点供应商演化成平台的机会。虽然从上到下都有机会，但眼下有几个类别尤其抓住了我们的注意力。

电力设备。 AI 工厂的用电要求，远远超出传统数据中心需要处理的范围。一台前沿 AI 机架如今消耗的电力，是普通服务器机架的 10 倍；尽管应用层推理工程师一直努力把负荷摊平，实际功率拉取仍然非常尖峰化。结果就是，今天的算力工厂必须能够吞下——并调理——规模巨大的功率冲击。GE Vernova 这样的传统电气化公司，给出的解决方案相对缓慢而被动：变压器只能把电子从电网搬进工厂，无法……

第 15 页

查看原 PDF 第 15 页（含原图表与版式）

……主动调节、缓冲，或者决定到底从电网拉多少电。更聪明的电力管理已经变成一个迫切需求：每一瓦进入建筑的电力，真正抵达 GPU 的大约只有 40%；剩下的都花在服务器自身运行、冷却上，或者直接损失掉了。

固态变压器（Solid-State Transformer, SST） 有潜力成为一种非常强的新基础构件。它利用功率半导体、高频开关并集成储能，因此体积可以更小、更容易被控制，而且最重要的是——可以双向流动。Heron Power 是这个领域很好的新兴领导者例子；Heron 的设备在数据中心里，比它们替代的传统设备节省大约 70% 空间。

这个市场本身就已经很大：电力设备约占数据中心总建设成本的 4%，仅今天的算力工厂就对应接近 300 亿美元。但这仍然低估了真正的上行空间，因为 SST 还能：1）给真正产生收入的机架释放更多空间；2）提高用电效率，并缩短一座新算力工厂从完工到真正通电的时间。而且，这还完全没有算数据中心可能只是一个“滩头阵地”：仅美国，就有大约 4000 万台电网变压器因为已服役 35 年以上而需要更换。

半导体。 算力工厂最大的成本都流向服务器，而全球前四大半导体公司合计市值已经达到约 10 万亿美元，所以并不需要火箭科学家——呃，半导体设计师——才会对下一代芯片产生兴趣。当然，和 NVIDIA 竞争绝不是可以轻率对待的想法。我们一向喜欢下注挑战既有格局的公司，但我们通常面对的 incumbent，可不会像 NVIDIA 最近几代产品那样，每一代都让“每瓦性能”提高大约 6 倍。

尽管如此，我们仍然认为值得下注新挑战者。这里的核心假设是：无论谁来设计，都几乎不可能让一颗芯片对所有工作负载都达到最优。 而智能革命已经开始制造大量不同类型的工作负载。一个很简化的理解是：GPU 是为研究者优化的，不是为最终用户优化的。它把并行计算深深嵌进逻辑门，因此在训练上表现极好；但随着上下文窗口变长、模型体积膨胀，GPU 在推理上的形态会越来越不理想。

更高一层来看，芯片设计师永远要在延迟、吞吐量、成本、内存等维度之间做取舍。在一个收入空间超过 1 万亿美元、道路还长得看不到头的市场里，新一代芯片完全可以通过“牺牲某些约束，优化另一些约束”来找到自己的竞争车道。

造芯片极其困难，所以真正尝试这件事的公司必须疯狂执行，并追求那种能在关键场景里带来阶跃式性能提升的方法。比如，对高度互动的 AI 场景——语音 Agent——延迟就是核心问题。NVIDIA 愿意花 200 亿美元去授权 Groq 的技术，并不是没有原因：Groq 用片上 SRAM 牺牲内存容量，换取极高的原始带宽，使数据几乎可以即时访问。

我们个人比较偏爱的一家新兴挑战者是 Etched。它押注的是一个“token 吞吐量最大化”的世界，让 Agent 在单位时间里做更多工作。Etched 团队在 Sohu 芯片里，把 Transformer 的每一种数学运算都映射成专用硬件模块；结果就是一颗为了极高速推理而生的半导体。

其他创业公司则押注不同方向：

• Positron 优化的是内存容量——在 HBM 极端短缺的世界里，这可能非常有先见之明；
• d-Matrix 优先优化成本——在供应极度短缺的世界里，这同样可能很有先见之明；
• NUVACORE 团队正在做下一代 CPU，目标是追上未来 Agent 大规模运行推理时所需的大量顺序处理任务。

芯片是一场高赌注游戏，但我们的下注是：“一个 GPU 包打天下”的方案会留下足够大的空隙。 在 token 需求越来越碎片化的世界里，哪怕只抓住几个需求口袋，也可能长出一家跨时代公司。

互连（Interconnects）。 单颗芯片不可能容纳同时服务数千名用户所需的前沿模型和内存容量，所以算力工厂今天的“Scale Up”方式，不再是简单把更多服务器散在机房地板上再连起来，而是尽量把更多芯片塞进一台超级计算机。于是，真正的约束变成了芯片与芯片之间的连接：单个机架里能塞进越多芯片，最终应用就能跑得越快。

NVIDIA 已经投入数十亿美元，把双向互连技术 NVLink 的性能推到极致，传输速度接近 4TB/s。即便基线已经高到这个程度，创新者依然在大幅降低相对于 NVLink 的功耗与延迟成本。新公司开发的光收发器、共封装光学（CPO）和硅光子技术，有望带来数量级的……

第 16 页

查看原 PDF 第 16 页（含原图表与版式）

……提升。原因很简单：与铜线上移动的电子相比，光子可以走得更远、产生更少热量，而且每个信道能承载更高带宽。

PsiQuantum 虽然更出名的目标是建设公用事业规模的量子计算机，但它也正在成为这一领域的重要新玩家。PsiQuantum 为自己的量子计算需求开发了一种光路交换器，损耗极低，因此非常适合用来把 AI 数据中心里的机架，以远高于今天的效率向上扩展。互连市场当前年规模已经约 550 亿美元，而且大概率会升到 1000 亿美元以上，所以任何能够在这个市场站稳脚跟的光学创业公司，前面都还有很长的路可以跑。

把视野放到整个数据中心，网络本身就是一块极其令人兴奋的创新表面。它既高度关键，又是算力工厂里每 MW 第二大的成本来源（未来几年对应 1000 亿美元以上收入机会），但网络这个行业很多地方仍顽固地停留在旧时代。一整机架网络设备，经常像一个“零件博物馆”：不同厂商的盒子拼在一起，每个盒子运行自己的固件、操作系统和 API，最后还要靠人手动配置。

与此同时，网络复杂度正在暴涨，人才却变成越来越严重的问题。美国 86% 的 CIO 预计，未来五年里至少四分之一的网络工程师会退休。Cisco、Arista、Broadcom、HPE 这些既有玩家眼下又忙着满足高度定制化的大客户订单，因此我们怀疑，真正对“AI 原生网络”的根本性重构，可能反而会先从数据中心之外出现，然后再向内扩展。

这或许给 Meter 这种全栈平台留下了窗口：它同时拥有硬件、软件和运营能力，并且今天已经把三者打包成一个单一服务卖给企业市场。

最大的价值奖池，横跨电力、芯片与互连

• Heron（电力与基础设施）：Heron Power 的设备比它在数据中心里替换的传统设备节省约 70% 空间。
• PsiQuantum（量子与光子学）：已经成功交付低损耗、高速光交换的制造工艺。
• Etched（AI 硬件 / Sohu 芯片）：在大上下文窗口工作负载上，Sohu 有望显著提高 token / watt。

来源：Heron、PsiQuantum、Etched。

除了这三个类别，我们还会继续往下挖，花时间与那些从完全不同角度切入问题的优秀创业者交流。我们预期自己会不断被意外惊到。

例如，围绕芯片制造工艺的 Moonshot，就是一个很典型的方向：有些创始人并不满足于解决眼前的短期瓶颈，而是在押注完全不同的长期路线。Atum Works 就是一个让我们很兴奋的例子：这是一个极强的团队，正在重新想象光刻，希望用三维方式“印”出晶体管。Substrate 也有类似的狂野野心：它使用粒子加速器产生 X 射线，希望实现一种从根本上更便宜的光刻方式，最终目标甚至是建设一座垂直整合的美国本土晶圆厂。

在一个技术团队以“科幻小说的速度”交付产品的领域里，今天那些最难被整齐归类的公司，最后反而可能最重要。

对未来几年里为了“武装算力工厂”而冒出来的新公司，一个关键的长期问题是：怎样从点状解决方案演变成平台？ 当你最初利用的那个约束迁移到了别处、竞争者开始涌入——甚至竞争来自你的客户，而你的客户恰好又是地球上最先进的科技公司之一——你怎么继续拥有护城河？

我们怀疑，最终赢家会有几个共同特征：

• 组织的“时钟频率”足够快，能从 incumbent 没有注意的地方起步，并始终向前多走一步；
• 拥有真正的共同设计（co-design）能力，利用今天供需失衡的窗口，深度嵌进买方路线图，从而制造锁定效应；
• 熟悉资本市场，能穿过非常残酷的融资断层，包括设计结构帮助客户购买专业硬件（政府在这里也会很重要——后面很快会讲到）；
• 精心打磨硬件-软件闭环，让每一代硬件都变得更聪明、更差异化（这个后面也还会继续讲）；

第 17 页

查看原 PDF 第 17 页（含原图表与版式）

……当然，还有一如既往的：世界上最优秀、最懂这个具体领域的技术人才。所有这些都不会容易。但今天已经发生的惊人价值捕获，以及 NVIDIA、ASML 这类公司靠几十年远见和执行建立起来的非凡护城河，都在提醒我们：技术优势一旦滚成雪球，会拥有多么强的力量。

那些能够把“造出这些伟大公司所需要的长期主义”，与“利用今天瓶颈所需要的短期紧迫感”结合起来的创始人，拥有巨大的潜力——不仅可能创造一代人级别的商业结果，还可能真正把整个智能经济的曲线掰弯。

主权化浪潮，会把新的战略旗手推上台前

1911 年，Winston Churchill 接管英国海军，并推动了历史上最重要的一次能源转型之一：从威尔士储量丰富的煤，切换到能让军舰跑得更快、却让英国暴露于海外供应风险的石油。他对这种脆弱性的回答，最终形成了一套贯穿两次世界大战、一次又一次中东危机、以及之后每一轮石油冲击的能源安全原则：

“石油的安全与确定性，只存在于多样化之中——而且只存在于多样化之中。”

几年之后，在另一个大陆，Lenin 站在 Bolshoi Theater 里，面对一张插满灯泡的地图——每一个灯泡代表全国规划中的三十座发电站之一——用一句话定义了他的革命：

“共产主义，就是苏维埃政权加全国电气化。”

Churchill 与 Lenin 其实代表了两种相反的能源国家战略。第一种是多元化：接受全球依赖，但试图管理依赖带来的风险；第二种是主权化：依靠国家控制能源基础设施，哪怕代价非常高。过去一百多年全球经济与政治，很大一部分都由这两极之间的拉扯塑造。

一个国家把自己放在这两极之间的哪个位置，其后果往往要几十年才会显现。看看欧洲在 1970 年代石油危机之后的不同选择：法国付出高昂代价，围绕主权基础设施建设了一整套核工业体系，几十年里看起来都有点“过度偏执”；德国则把工业基础接上廉价进口天然气，三十年里都显得无比聪明——直到几年前，它突然不再显得聪明。

历史上，这类能源战略选择已经足够昂贵；但与“智能时代”将要发生的事情相比，它们可能都会显得朴素。今天，全世界各国首都都在重做“主权 vs. 开放”的计算，而且这个计算已经同时跨越能源和算力：一个国家即使控制了电子，却不能把电子转化成智能，也只完成了一半。

而且这些维度一直在移动，也异常复杂。能源总体上是可替代、可互换的；智能却高度多样、快速演化，而且眼下受到一系列具体瓶颈制约——可没有第二家 TSMC 可以打电话求货。随着全球重新评估“主权与开放”的权衡，我们怀疑，未来会有越来越多的 energy——无论是“能源”，还是“精力”——被花在主权上。

对于最强调“深度主权”的人来说，保障智能供应意味着必须同时控制很多东西：生产电子的能力，把电子转成智能所需的芯片与算力工厂，定义这种智能的模型，甚至还有喂给模型的数据。跨越这些层次建立能力，已经成为全球最高优先级任务之一。

中国最早理解这件事，把发电、芯片制造和模型训练连成一个封闭的产业循环，而且大约每两年就新增相当于整个巴西电网的发电容量。其他国家正在加速追赶。美国通过 CHIPS Act、IRA 和 Genesis Mission 来巩固前沿优势。海湾国家则在完成一种非常自然的转身：过去用碳氢资源建立主权财富的那种本能，如今正被用来建设“主权智能基础设施”。欧洲的挪威和冰岛也做出类似动作，把便宜水电和寒冷环境温度变成数据中心比较优势。

竞赛已经彻底开始。控制最多电子和芯片的国家，就有机会控制最多智能；而控制最多智能的国家，会进一步塑造其他一切。

未来几年，主权化的必然性会持续给创业者制造一系列机会。互联网和移动互联网高速增长的那些年里，人们一度很喜欢把政府理解成创新的阻碍；但事实上，与公共部门形成战略一致性，一直都是历史上许多最大企业的共同特征。 今天美国最大的 15 家非软件公司里，有 7 家都曾获得重大政府支持。

第 18 页

查看原 PDF 第 18 页（含原图表与版式）

SpaceX 和 Tesla 就是最典型的例子：两家公司累计获得接近 380 亿美元补贴，其中有一些支持恰好发生在它们最脆弱的早年，并帮助它们活了下来。

放眼全球 Power 与算力领域的领导者，我们到处都能看到这种“政府与企业共生”的模式：

• TSMC 从台湾政府支持的工业技术研究院体系中诞生；
• Samsung 和 SK Hynix 受益于韩国的定向信贷、受保护的学习周期以及有针对性的半导体政策；
• BYD、CATL、Huawei 借助中国的产业支持和补贴成长；
• Norsk Hydro 则围绕挪威的主权水电优势发展壮大。

被政府认定为“战略基础设施”，长期以来一直是企业能够获得的最持久竞争优势之一。一方面，它会直接改善公司获得资本、客户、数据和专业能力等资源的条件；另一方面，政府背书本身也具有间接价值——它可能让客户在政治上、运营上都根本无法轻易切换到国外竞争对手。

科技产业长期受益于“战略指定”，今天也一样

下图按地区和政策工具，展示了从“电子”到“智能”整条技术栈上的国家支持：

政策工具包括：国家股权/主权基金、补助/补贴、战略/行政命令。

来源：CHIPS – NIST / Commerce；Intel 8-K（2025 年 8 月）；中国 NEA、Big Fund III（财新 / SCMP）；EU Chips Act & InvestAI（欧盟委员会）；日本 METI / Bloomberg；韩国 NVIDIA 估算（Chosun Daily）；Stargate UAE（G42）；General Matter（DOE / World Nuclear News）；Manara Minerals（PIF）；美国矿产股权支持；Saudi NSH（Arab News / RDIA）等。

各国政府正在以前所未有的积极程度寻找办法，支持那些具有战略意义的公司。我们最自然看到的一类，是同时为 Power 与算力确保关键物理投入品：核电、电池开发、制氢，以及微电子材料和制造的各个环节。

芯片行业当然获得了大量关注。例如，美国已经投入超过 520 亿美元补助与激励，把制造带回本土；韩国则承诺投入数千亿美元，进一步强化自己在内存和其他核心芯片能力上的领先地位。

但“主权化下注”还会继续向更上游延伸。冷战结束后，大量西方国家逐渐依赖海外矿产，因此到了智能时代，一些最关键的瓶颈恰恰是原始资源或精炼资源。

General Matter 是一个非常清晰的例子。这家公司正在重建美国的铀浓缩能力。冷战结束到世纪之交，美国几乎把 LEU / HALEU 浓缩能力全部外包，而这些材料对电网、AI 数据中心以及先进制造都极其关键。由于帮助塑造了一个核心国家优先事项，General Matter 很早就拿到了几项显著优势，包括：

• 来自美国 DOE、为期 10 年、金额 9 亿美元的 HALEU 合同；
• 位于 Kentucky、原 Paducah Gaseous Diffusion Plant 的长期租约；
• 获得大量美国来源的六氟化铀；
• 以及一条……

第 19 页

查看原 PDF 第 19 页（含原图表与版式）

……通过美国进出口银行获得数十亿美元融资的路径。无论今天这一大批试图“重新发明核电”的团队最后谁能成功，General Matter 都可以站在那里给它们供货。

围绕关键物理投入品的国家优先事项，有非常清楚的历史类比；但到了算力、模型和 harness 层，关于“主权究竟意味着什么”的观点就分散得多了。

过去，关注数据治理的政策制定者经常问：“你们的云 Region 在哪里？”今天，他们更常问的是：“谁控制开关？”——也就是，究竟是谁有权决定一个国家能不能访问智能、能访问哪一种智能。

美国和中国仍在模型前沿重金投入；与此同时，几乎世界其他每一个地区的创业者，都在推销与“主权”对齐的方案：强调本地定制、本地控制，并尽可能减少外国依赖。

我们的判断是，考虑到维持最前沿能力所需的资本与人才规模，大多数所谓“主权 LLM”都很难长期拉开相对于全球开源模型的差距。但这并不意味着主权 AI 没有护城河。 那些能够掌握本地训练数据、政府关系、安全许可、机密工作负载的公司，无论通过 fine-tuning 还是作为 harness 层，都有机会建起真正壁垒。

当然，当本地团队本身技术能力也极强时，这类下注最有吸引力。欧洲的 Mistral、日本的 Sakana 都是很好的例子。

本地玩家另一个很有潜力的机会，是直接向全栈靠拢。既然多数政府都会高度重视“确保本地可以访问智能”，那么如果一个团队能可信地在同一个司法辖区里同时运营电力、算力和部署，它就可能同时获得供给与需求侧优势：

• 供给侧：更优先获得电力、许可、资本、劳动力和材料；
• 需求侧：来自敏感行业的需求，以及本地 AI 监管、税收和数据隐私规则扩张后产生的新需求。

鉴于美国和中国正在展开的激烈竞争，对本地算力与本地模型保持怀疑完全合理；但我们会继续保持开放态度，也会继续睁大眼睛观察。

这一节重点虽然是能源和算力，但“主权化的必然性”还会延伸到那些同时大量消耗两者的战略行业。随着世界越来越多极化，国防、太空、先进制造正在吸引最优秀的创业人才。

即使最后“本土 LLM”并不是一个很强的主权下注，本土火箭、主权武器系统、本土卫星星座却完全是另一回事：你没法把一枚运载火箭“开源”出来，也没法轻易用低价击穿一个花了十年才完成认证的国防系统。最终，这些类别里的公司，反而可能成为最持久的企业（再往下几段我们还会讲）。

把“主权”作为核心变量来投资，意味着必须支持那些能与政策制定者、监管者和敏感行业领导者建立信任的创始人。当然，这对 Ribbit 并不陌生：金融基础设施与金融机构天生就常常带有主权属性，多年来我们也花过大量时间帮助团队思考如何与政府建立稳固关系。

但今天的赌注更高。而且，被视为“主权资产”同样是一把双刃剑——例如中国政府阻止 Manus 团队把公司卖给 Meta。最强的主权型企业，必须建设真正不可复制、又与国家优先事项一致的能力。怎样既巩固这种位置，又保持对自己命运的控制，并继续接入全球市场，将决定谁能成为跨时代赢家。

挑战者会在“原子与比特”的交叉处挖出最深的护城河

Fermi Paradox（费米悖论）是现代科学最具挑衅性的思想实验之一：宇宙如此巨大、如此古老，数学上看，智能文明本应该到处都是——但我们什么都没有听见。

1996 年，经济学家 Robin Hanson 提出了 Great Filter（大过滤器）：在从尘埃一路进化到跨星系文明的某个阶段，智能生命会遇到一个难到近乎无法穿越的障碍，绝大多数文明都死在那里。

真正值得所有人思考的问题是：这个过滤器，已经在我们身后，还是还在我们前面？

对我们来说，Great Filter 是对最有野心创业活动的一个完美比喻（感谢 Anil Varanasi 把这个想法塞进我们脑子里）。只要稍微看一眼今天全球价值最高的公司——NVIDIA、Apple、Microsoft、Alphabet、Amazon、Saudi Aramco、Meta、Broadcom、

第 20 页

查看原 PDF 第 20 页（含原图表与版式）

TSMC、Tesla，这里就拿当前前十名来说——会发现它们几乎全是复杂、垂直整合的系统型公司。

那么，为什么今天真正成功建出同类公司，却反而显得很少见？一个理论是：每一个认真考虑去做这件事的人，都会撞上一种创业版 Great Filter。监管许可、供应链困难、资本密集度、多维度人才招聘，以及一长串其他障碍，会把创业者一个接一个过滤掉。

过去 20 年，大多数创始人接受了时代最主流的建议，干脆连试都没试：

软件正在吞噬世界，所以做一个楔子，保持 asset-light，并且无论如何都别碰“原子”。

我们一直特别容易被那些有勇气、有韧性，真想穿过这层过滤器的创始人吸引。Ribbit 早期，我们在金融服务这个马蜂窝前看到了他们；移动互联网给了他们一个窗口，他们抓住了。今天，前沿又向更外侧移动了一步。

很多人都在谈，AI 很快会让“一人独角兽”成为可能。但更有意思的反向思考是：智能时代会让一个团队能够处理多少过去根本处理不了的问题——尤其是数字世界之外的问题？

过去几年里——而且我们怀疑未来几年仍会如此——我们看到一批真正的“过滤器破坏者”，直接扑向那些必须同时处理“制造物体的复杂性（atoms）”和“给物体注入智能（bits）”的问题。他们想建的是 LLM 自己建不出来的东西。

你大概不会惊讶，这种精神很打动我们。这也是为什么 Base Power 最近那组广告，现在被贴在 Ribbit 很多人的办公桌上。

在智能时代，“Asset-Light”可能是一句损人的话

• 2000：Software eats the world —— 软件吞噬世界。
• 2025：The world eats software —— 世界开始吞噬软件。

来源：Salesforce、Base Power。

这个广告好笑，是因为它真的有点对。当任何一个有网、有信用卡的人，都能随手启动一个 coding agent 去克隆一套 SaaS 工作流（我们知道没那么容易……我们自己试过），最大胆的创始人自然会开始到别处寻找护城河。

放到历史里看，这其实只是回到“系统型公司长期统治产业”的常态：

• 1960 年代：电子 + 制造的一体化；
• 1980 年代：计算 + 软件的一体化；
• 1990 年代：汽车制造商的一体化。

甚至可以说，2010-2025 这十五年才只是一个暂时的例外。那个时代最标志性的轻资本公司，如今都在变得越来越“不轻”：Apple 有垂直整合的自研硅技术栈；Amazon 自己做芯片、建私人物流网络；Microsoft 开始签核电 PPA——这里只随便举几个例子。

我们长期有一个经验法则：任何一家足够大的 FinTech，最后都会变成银行。 对整个科技行业的赢家来说，也许同样如此：纯软件，从来都只是系统型公司进入成熟形态之前的“胚胎期”。

第 21 页

查看原 PDF 第 21 页（含原图表与版式）

科技行业最有价值的公司，长期以来本来就是“系统型公司”

来源：Capital IQ、Ribbit 分析。

最有野心的创始人，正试图更快进入这种形态。在智能机器、能源与算力需求极端旺盛、全球地缘政治快速变化的时代，我们怀疑：未来十年复利最快的公司，会直接跳过 asset-light 阶段。

这一直是一件非常非常难的事，而且今天仍然很难。单独把软件做好就很难，单独把硬件做好也很难；两件事一起做，几乎可能变成不可能：人才和文化通常不重叠，资本周期不匹配，创业公司原本那“一千种死法”还会成倍增长。

但正如前面所说，今天这条路正在变得清晰一些，值得再次重复原因：

• coding agent 让软件开发更便宜；
• 合同制造、现代原型工具、商品化传感器让硬件更可获得；
• Tesla、SpaceX、Apple、Amazon 等公司培养出了一整代人才；
• 国家资产负债表与超大规模云厂商资产负债表同时加入，让资本比过去任何时候都更充裕；
• 世界各国政府重新开始支持实体经济。

过去一整代人几乎“不可能做”的商业想法，今天已经变成了只是非常、非常难做——而这些恰恰构成未来几年最大的一批机会。

当然，投资系统型公司的挑战，最终还是会回到 Great Filter。绝大多数团队仍然会因为融不到钱、招不到人，或者扛不住极端审查与复杂性而失败。为了尽量把麦子和糠分开，我们会特别寻找下面几件事：

• 技术与商业模式必须紧密整合。 一个今天很粗暴但实用的规则是：如果一家中国以外的公司想单纯靠“制造规模”取胜……大概率会输。在低成本制造很可能发生于其他地区的高度竞争世界里，创始人必须设计出复杂的产品与商业模式互动，而且往往需要深度垂直整合。

  Starlink 是已经验证的例子：SpaceX 同时拥有发射、卫星、地面站、用户硬件和订阅关系。

  Mach 则是更早期的例子：它拥有制造、系统集成和客户，并用基于价值的合同，而不是传统 prime contractor 的 cost-plus 模式。

  一家公司如果造机器人却不拥有软件，本质上仍然只是一个具有硬件利润率的硬件公司；一家公司如果卖电池，却不拥有客户关系，本质上只是一个安装商。这个闭环必须在两边都闭上。

• 拥有别人无法收集的数据。 那些其他人根本无法采集、或者历史上从未被采集的数据，会尤其值钱。典型场景包括：现实世界目前还没有被数字化的地方——矿业、制造业、农业——或者一家公司拥有某种独特物理能力，例如 Tesla。

  如果一个资金无限、GPU 无限的竞争对手明天就能复制你的数据，那是一回事；但如果这些数据只能依赖公司在受监管、高资本密集、运营复杂的真实环境中物理部署才会产生——那就真的开打了。

第 22 页

查看原 PDF 第 22 页（含原图表与版式）

• 把 token factory 嵌进系统内部。 今天很多领先的 AI 原生软件公司正在转向“直接卖工作成果”，或者把独有上下文塞进非常紧密的反馈循环。系统型公司在自己的领域里也应该做同样的事情：硬件是数据采集装置，数据才是资产。

  例如 Meter 这样的网络公司，如果自己设计并运营硬件，就能采集远高于普通软件层的数据保真度，然后用这些数据去开发“AI 原生网络工程师”。在一个最常被忽视的瓶颈其实是“人”的世界里，那些既能增强人类工作，又能顺手给高质量数据打标签的公司，会非常有优势。

  Crewline 是一个很好的例子：它让 drum-roll 操作员同时管理多台机器，同时采集数据，最终可以用来训练自主机器。这会形成一个独立于底层系统本身的新产品，但对公司和客户都同样有价值。

• 能够打穿过滤器的创始人。 在 SpaceX IPO 之后，人们当然很容易理解从原材料到轨道部署的垂直整合有多强，理解 Starlink 独特的数据飞轮，或者理解 Starship 为什么能依靠软硬件融合，最终被机械臂“接住”。

  但理解这些是一回事；真正复制那种近二十年持续不断的意志力与领导力，又是另一回事。上面所有事情，都依赖于一种领导者：他既有能力、也有意愿，把人才、资本和政府支持全部聚拢起来，在几乎不可能的条件下活下去；同时又拥有一种非常罕见的“紧迫感与耐心混合物”，可以穿过采购周期、监管复杂度和十年级开发周期。

  这些年我们描述那些真正获胜的 FinTech 创业者时，有时会说他们有 “the eye of the tiger”——老虎的眼睛。 同时挑战 atoms 与 bits 的创始人，需要更多这种东西。

系统型公司的潜在机会宇宙非常巨大。除了能源和算力本身，以及与它们直接相邻的类别，我们认为还有两个方向值得给予不成比例的关注。

第一个——可能也是最重要的——是机器人（robotics）。机器人市场今天已经超过 500 亿美元。如果全球哪怕只是一小部分体力劳动迁移到自主系统，人形机器人和任务型机器人都有可能成长成数万亿美元级类别。

随着全社会 AI 热情升温，以及 Waymo 等公司商业化越来越成功，资本正在加速流入机器人技术栈，从 foundation model 到数据。这个类别中，atoms 与 bits 的闭环异常紧密：每一台机器人都是一台在真实物理环境里运行的数据采集设备，而它执行的每一个动作都会生成私有运营数据。

结果就是 Elon 最近所谓的 “recursive multiplicative exponential（递归乘法式指数增长）”：数字智能、芯片能力和机电灵巧度不是相加，而是相乘——一旦机器人可以制造机器人，制造业本身就会开始递归式自我提升。

机器人和 Power 也高度绑定。想象一下：如果有 100 万台人形机器人规模化运行，它们所需的电力就相当于新建多座核反应堆。与此同时，机器人已经开始直接参与建设新的能源和算力基础设施（Bedrock Robotics 是一个很好的例子），未来几年它们在这里扮演的角色只会更大。

第二个与 Power 紧密纠缠的领域是国防。2026 年全球国防开支将超过 3 万亿美元，而且所有主要经济体仍在提高投入；仅欧洲，未来十年预计就会为国防及相关基础设施投入约 9 万亿美元。

乌克兰战争之后全球安全秩序重排，再加上自主系统到来，给新一代“prime contractor”打开了一个几十年一遇的窗口。现代国防系统使用的计算底座与商业 AI 很相似，但它们又施加一套商业市场没有的约束：边缘智能、低功耗、坚固化、争议环境下实时决策。这些约束会以商业市场无法单独做到的方式，继续推动能源与算力技术前沿。

而且在国防里，atoms 与 bits 的闭环极其明确：每一架国防系统执行一次任务，就会产生传感器和交战数据，理论上应该让下一代系统更准确、更有效；传统 prime contractor 围绕 cost-plus 合同建立，而不是围绕数据飞轮建立，所以很难把这个闭环真正闭上。

Mach Industries、Anduril、Saronic 都很好地展示了这种力量。例如 Mach 正在垂直整合下一代空中系统——从 energetic materials、推进，到机体、软件和自主能力——并且因为掌握全栈，所以可以高速迭代。国防历史上本来就不断锻造最重要的新技术：互联网、GPS、喷气推进、半导体……

第 23 页

查看原 PDF 第 23 页（含原图表与版式）

……自主系统、计算机视觉，以及机器学习最基础的一批突破，都是先从国防研究中产生，之后才变成消费产业。我们预计，下一代国防公司会比过去更快、更有效地完成这种外溢。

用这种方式投资，也要求我们主动忘掉一些过去习以为常的经验法则。Rule of 40、回本周期、magic number、CAC-to-LTV——这些指标，本质上都是为 SaaS 的“部署阶段”设计的。当然，基本面永远重要；我们仍然必须仔细区分：到底是糟糕的单位经济性，还是尚未成熟的单位经济性；长期资本密集度有多高；护城河质量如何。

市场对“利润率”的心理模型也需要更新。过去十五年，投资者几乎默认一家科技公司应该拥有 80% 毛利率。但 Amazon 和 Azure 已经证明：低毛利、高规模的基础设施业务，创造的绝对利润美元数，可以远远超过高毛利的小众软件。 就像我们在云计算市场看到的一样，未来十年的关键问题，不是你的毛利率到底是 30% 还是 60%，而是：你在复利的是一个多大的系统，以及复利速度到底有多快。

去年我们写过：每一家企业都正在变成 token factory 的创造者。这里我们要说的是——获胜的硬件平台也会如此。

当然，投资这种复杂、资本密集、并且还有大量底层技术挑战的公司，绝对不适合胆小的人；如果没有纪律地乱投，更是灾难配方。对我们来说，最需要持续盯住的，是：

1. 整合到底有多深；
2. 递归闭环到底有多强。

也就是：传感器 → 数据 → 模型 → 行动 → 更多数据。

如果一个资金充足的竞争对手，把一家公司的软件单独 100% 复制出来，或者把它的硬件单独 100% 复制出来，却依然没法真正竞争——那说明你可能真的有机会。反过来，如果做不到这一点，那你拥有的就只是：根深蒂固的 incumbent、极高复杂度，以及一个利润率问题。

电池将成为 Power 领域最重要新商业模式的底座

现代经济里的每一种主要商品，几乎都有自己的“仓库”：油库储存石油，粮仓储存小麦，银行账户储存金钱。但在过去一百年的绝大多数时间里，电力没有真正意义上的仓库。

绝大多数电力都必须在生产出来的同一瞬间被消耗，否则那个电子就“消失”了；一旦市场供给追不上需求，系统就会崩溃。过去当然也有一些储能方案，例如抽水蓄能，但它受到地理条件限制，而且效率不足以从根本上改变电网经济性。

过去几十年，像美国这样的地方电力需求大体持平，因此这个平衡还能勉强维持；但未来几年它一定维持不住。AI 与电气化让需求激增；新增发电又越来越依赖可再生能源——也就是间歇性能源；同时负荷本身也比过去任何时候都更尖峰。结果就是，电网越来越难被实时平衡。

电池提供了一个关键解法。

电线和电杆，让电力穿越空间；电池，让电力穿越时间。这个看似简单的变化，会从根本上改变电力经济学。

一旦装上电池，家庭、仓库、工厂或数据中心，就不再只是电网上的被动终点，而会变成一个主动节点：它可以在电便宜的时候买入、储存，再在电更贵的时候卖出。

而且电池是一种寿命很长的资产，因此它属于少数真正有资格建立双向数据关系的硬件：每一次充电与放电，都会暴露负荷形态、价格敏感度和用户行为。这又给电力管理以及太阳能、电动车、需求响应等交叉销售打开了入口。

到了电网级，电池网络会变成管理不断上升的需求与波动性的关键基础设施。在“为了追上暴涨的电力需求，我们必须同时做很多事情”的任务组合中，电池正变成我们拥有的最灵活工具——也因此给创业者打开了一整片机会洪流。

押注电池重要性的第一个理由，是学习和创新速度还在加快。 十五年里，锂离子电池包价格下降约 93%：从 2010 年约 1200 美元/kWh，降到 2025 年约 108 美元/kWh。仅仅 2025 一年，固定式储能电池价格又下降 45%。

而且电池技术正站在继续演化的门槛上。今天的市场看起来像一场多种化学体系与系统接力奔跑、彼此重叠的 S 曲线竞赛。

第 24 页

查看原 PDF 第 24 页（含原图表与版式）

钠离子电池将在 2026 年进入大规模生产，有望带来更低成本、更长时长和更低的天气敏感度——例如在寒冷环境里也能更好保持电量。Morgan Stanley 预计，到 2030 年钠离子电池年产能可达到约 830GWh，规模化后成本比锂离子低 30%-40%。全球由 CATL 和 BYD 领先，美国也开始出现 Peak Energy 这样的 VC 支持玩家。

与此同时，铁空气电池和其他长时储能化学体系，也正在真实推进“多日储能”的商业化。Form Energy 与 Google 签了 10 亿美元级合作；其在 Minnesota 的 300MW / 30GWh 系统，算上激励之后成本约为 33 美元/kWh，距离公司努力追求的低于 20 美元目标已经不算遥远。

新闻标题经常把这一切简单理解成“谁的成本最低”，但我们认为这些技术很可能都拥有巨大、而且彼此不同的市场角色，尤其取决于持续时间——也就是系统在再次充电之前能运行多少小时。

一种理解储能系统的方法，是把它拆成两层：

1. Power block（功率块）：完成能量转换的设备，按 kW 定价；
2. Energy store（能量仓）：真正储能的介质，按 kWh × 小时定价。

当储能时间低于 4 小时，成本大头是功率块，这时锂电池便宜、高效的 cell 非常合适；但一旦超过 8 小时，成本大头会转到储能介质本身，于是铁、水、碳这类更便宜的材料就获得空间——因为随着时长拉长，它们的材料成本不像锂那样迅速增加。

我们认为所有这些变化叠在一起，对储能是一个极大的正面信号。一个硬件类别能同时变得更便宜、更充裕、更多样，这并不常见。

第二个理由是：让电子穿越时间的价值，从未像今天这样高。

看看世界各地持续出现的负电价就知道了。2025 年，德国和西班牙都出现超过 500 小时的负电价；California 和 South Australia 分别有 13% 和 25% 的时间电价低于零。

间歇性的可再生能源供给，扩张速度远远快于系统吸收峰值发电的灵活性，所以市场会反过来付钱，让发电厂“别发了”。当然，我们这里极大简化了电价动态——比如可再生能源补贴本身也会放大负电价——但负电价只是一个最显眼的例子，它说明：今天通过部署、管理电池来缓解电网失衡，并吃掉日内价差，利润空间到底有多大。

一块电池如果在 -30 欧元/MWh 时充电（甚至在 +5 欧元/MWh 充电也行），然后在晚间高峰 +150 欧元/MWh 时放电，仅仅一个循环就能赚取 180 欧元/MWh 的价差。

能让电力穿越时间，就是电网里最大的套利

左图：CAISO 每小时最低净负荷；右图：2019-2024 年部分地区批发电力负价格小时占比。图中覆盖 Finland、Sweden、Germany、France、South Australia、Southern California、West Texas 等地区。

注：（1）Southern California 对应 California 分区 SP15，Central California 对应 ZP26，Northern California 对应 NP15。South Australia 与 Victoria 的 5 分钟价格被转换成小时均值以便比较。来源：BTU Analytics（FactSet 公司）、CAISO（数据更新至 2025-08-18）、BloombergNEF、IEA Real-Time Electricity Tracker（2025）。

毫不意外，电池部署正在多个市场、多个维度迅速上升。

• 美国短时储能过去五年增长 25 倍：从 1.6GW 增长到 43GW 以上；
• 欧洲电池装机增长约 10 倍，超过 77GW；
• 中国走得最远，仅 2025 年就新增超过 63GW 电池储能能力。

但这才刚开始。到 2027 年底，美国和欧洲储能规模预计还要翻倍；同一时期，中国的目标储能规模，将超过 2025 年底之前全球历史累计总量。与此同时，不少新兴市场正在直接跳过“中心化大电网”架构，采用表后发电与储能。

第 25 页

查看原 PDF 第 25 页（含原图表与版式）

而且，所有这些预测都没有真正计入——或者严重低估了——未来几年新型长时储能开始大范围部署的影响。

我们正在进入一个“电力资产负债表”的世界

左图：全球电池储能年度新增容量（GW）

• 2020：约 6GW
• 2021：约 10GW
• 2022：约 18GW
• 2023：约 44GW
• 2024：约 78GW
• 2025：约 108GW

按 Utility Scale（公用事业级）与 Behind-the-Meter（表后储能）拆分。

右图：2025 年新增储能容量地区结构，按中国、美国、欧盟及其他地区，并区分公用事业级和表后储能。

来源：IEA、Ribbit 分析。

这些因素叠在一起——电池成本下降、电价与波动上升、全球储能装机快速增长——正在制造未来几年一个非常尖锐的窗口期。我们的判断是：电网失衡，以及由此产生的套利机会，可能正处在历史上最大、未来也很难再复制的阶段。

那些行动足够快、目的足够明确的创业者，有机会建立网络和智能层，而这些基础设施可能持续几十年。

虽然驱动机会的底层逻辑在世界各地大体相似，但正确的商业模式会因国家与行业而完全不同。

在一些市场，最好的起点是从消费者出发，建立一张电池网络，并掌握自己的边际供电成本。 Texas 几乎是最理想的环境：零售电力市场自由化、切换摩擦低；发电、输电、售电结构上彼此拆分；零售利润池又足够大，能支撑一个直接面向消费者的品牌。

Base Power 正在用一种垂直整合方式抓这个机会。它自己做电池、拥有安装网络、运营软件编排，同时自己还是 Retail Electricity Provider（REP）。因此，Base 可以在白天电力便宜时大量吸收电，再把它卖到每天的需求高峰。

与此相反，ERCOT 上其他 REP 基本都是批发市场的 price-taker。于是，当夏季高峰电价从 30 美元/MWh 突然飙到 5000 美元/MWh 时，它们的利润率会瞬间崩掉；而 Base 不仅利润率反而扩张，还能给客户省钱。

Base 把这套能力包装成一个很难打败的价值主张：便宜、智能的备用电源系统 + 更低的电费。 毫不意外，这个卖点正在带来快速、自然增长，NPS 超过 80——大约是美国平均公用事业公司的 5 倍（再过几页会讲）。

这种“客户优先、表后部署”的模式，也应该适用于其他零售市场较友好的地区，比如 Australia、美国其他几个州、UK 的部分地区，以及未来几年的 Japan 和 Brazil。

另一种路径，则是从电网级储能开始，把电池当作金融资产，而不是消费者设备。

Germany 是这种模式很合理的一个市场：它拥有欧洲最极端的可再生能源驱动波动、巨大的并网队列（约 500GW，而当前安装储能只有约 22GWh），以及一批高度成熟的工业对手方——Vattenfall、RWE、EnBW 和大型交易商——这些参与者在几十年的天然气交易中已经非常熟悉 tolling structure。

Terralayr 正好切进了这个缺口。它开发、持有并运营电网级电池，同时利用不断增长的规模建立平台：把数十个更小的电池项目聚合成一支虚拟舰队，然后向……

第 26 页

查看原 PDF 第 26 页（含原图表与版式）

……工业买家出售从 15 分钟到 15 年不同期限的容量 toll。

这样一来，Terralayr 一方面在编排一个更聪明的电网，另一方面又在把储能金融化：它赚取的是两类资本之间的价差——一边是一组依赖市场收入的 merchant assets，一边是一批只想要合同化现金流的基础设施资本。

电网级储能在全球很多市场都很令人兴奋，尤其随着长时储能化学体系上线。我们认为最适合这种模式的市场之一，包括 Italy、Spain、Netherlands，以及 US 和 UK 的部分地区。

当然，当前这个时刻还提供了一个一代人仅见的机会：面向超大规模表后部署，尤其使用新型技术。

AI 数据中心，是储能历史上第一次出现这样一类客户：它们愿意长期为容量、持续时长和可靠性支付结构性溢价。对数据中心来说，储能不是一个“优化成本”的资产，而是能不能开机运营的区别。

这种紧迫性、体量和对价格相对不敏感的需求，很可能把电池技术商业化时间表直接提前几年。像 Peak 这样拥有强平台和替代化学体系的公司，都应该会受益于 AI “speed to power” 计划带来的需求。

甚至，数据中心疯狂争抢许可和建设进度这件事，本身都可能以更意外的方式推动电池扩张——例如开发商直接补贴住宅或商业用户安装电池。

最后一个非常重要的点：这一整节里，我们一直在使用“电池”这个词。但全球储能最大的机会之一，其实根本不是把电子存起来。

全球最终能源消费大约一半以热的形式发生；全球约 10% 的排放，来自为了钢铁、水泥、化工等行业生产高温热量而燃烧燃料。普通电池如果想服务这些负荷，需要先储电，再把电重新转成热，中间白白吃掉转换损耗。

热储能（Thermal Storage） 直接跳过这一步：用廉价可再生电力把固体材料加热、把能量存住，然后在需要的时候释放——可以直接输出热，也可以拿来推动蒸汽轮机（顺带一提，今天蒸汽轮机比燃气轮机好找多了！）。

Antora 是这个领域正在崛起的领导者。它运营的热储能系统，会把碳块加热到 2000°C 以上。与这封信里讲到的很多“下一代储能/发电技术”不同，Antora 已经有真实系统投入运营：自 2026 年初以来，已有约 5GWh 在运行。

我们认为，热储能可能是全球 Power 版图里最被低估的解决方案与市场之一。

考虑到储能成本和部署速度的轨迹，我们甚至可能低估了它对电力市场结构本身的累计影响。

过去一百年，能源市场的市场权力属于“谁拥有边际灵活发电机组”——也就是那座能在需求出现时快速爬坡的火电厂。

储能正在让“灵活性”本身变得充裕，而且其中很大一部分要么位于表后，要么存在于覆盖在电网上层的编排软件里。一旦系统中储能足够多，中心化公用事业公司就不再是边际价格设定者；储能聚合商会变成新的做市商。

Terraform Industries 的 Casey Handmer 对这个终局的描述最准确：

“走到极限时，市场权力会从垄断电力公用事业公司，转移到一种模糊、难以看清的表后需求联盟——其具体形态，就是联网的电池。”

Neo-utilities 会重塑客户预期，并在过程中重造整个行业

银行业曾经被认为几乎不可能被科技创业者正面攻破。如果把时间拨回 2010 年之前——那时甚至还没有“neo-bank”这个词——很难想象一家 VC 支持的公司，要怎么建立一个新金融品牌去跟大银行竞争。

任何一个地区最大的银行，都拥有所有优势：可以获得巨量低成本资金；储户把数万亿美元长期放在几乎不付利息的账户里；监管关系深厚；而且它们的 logo 出现在全世界的门店、球衣和广告牌上。

有这么深的护城河，neo-bank 到底怎么翻过这堵墙，最终做到了 17 亿月活用户、5000 亿美元以上市值，而且还在继续增长？

我们至今也不能完全解释，但最接近的答案大概有三点。

第一，即便拥有所有优势，2010 年代早期的传统银行刚刚被 2008 年金融危机打伤，注意力更多放在 stress test，而不是客户满意度上。

第 27 页

查看原 PDF 第 27 页（含原图表与版式）

第二，人们已经受够了银行品牌、服务标准和老旧技术栈。

第三，新技术和新渠道——尤其是移动 App——给创业者打开了一个窗口：可以提供更快、更好、更便宜的服务，而最好的产品又能通过口碑病毒式增长。

简而言之，一个窗口突然打开，改变了人们想要如何获得金融服务；大银行大多错过，而创业者冲了进去。

今天看 Power，我们看到非常熟悉的模式：行动缓慢、注意力分散的 incumbent + 不满意的客户 + 一场深刻变化即将到来。

就像 2010 年左右的银行整天被资本、流动性、行为监管压得抬不起头，今天的公用事业公司也在同时处理：不断膨胀的并网队列、老化基础设施、山火与风暴风险、新负荷增长，以及越来越严格的监管审视。

当年，客户厌烦了“too big to fail”的大银行——收各种费用，又不断卷入丑闻；今天，公用事业客户也越来越不满。过去七年美国电价上涨约 50%（自 2000 年以来增长超过 4 倍），消费者对公用事业公司的评价继续下降。J.D. Power 对 12.5 万名以上用户的调查显示，在 150 多家电力公用事业公司中，整体满意度已经跌到历史最低水平。

而就像移动互联网当年给拆解银行打开了路径一样，分布式能源技术 + 现代软件 + AI 推动的新需求，正在给新一代创业者一次拆解传统公用事业公司的机会。

客户已经受够不断上涨的价格与波动

图中展示：

1. 美国平均居民电价（美分/kWh）长期上涨；
2. 美国每年停电次数，包括天气相关与非天气相关事件；
3. 公用事业客户满意度持续下降。

注：（1）数据截至 2026 年 4 月；（2）满意度研究使用六个维度：电力质量与可靠性、价格、账单与支付、企业公民责任、沟通等。来源：Federal Reserve Bank of St. Louis、J.D. Power U.S. Electric Utility Residential Customer Satisfaction Survey。

我们预计，创业者会抓住这个时刻，为消费者和企业打造全新的公用事业品牌——也就是我们很快可能都会开始称呼的 neo-utilities。

真正获胜的 neo-utility，会有一组听起来非常熟悉的特征：

• 极端重视客户体验和真实价值：实时用量、透明价格、三分钟完成注册而不是三周、一个你真的愿意打开的 App；
• 在数据和交易上非常成熟，拥有能够把“波动”变成机会、而不是负债的基础设施；
• 强烈渴望获得、控制那些同时造福客户和电网的新技术。

这些 neo-utility 看起来会更像 Jane Street，而不是 Duke Energy。

它们一开始可能拥有很多资产，也可能并不拥有太多；但它们一定会拥有——或者共同拥有——客户关系和数据流，并负责编排电力从哪里来、在哪里被消费。

它们会试图把两类世界最好的东西组合起来：

• 受监管基础设施的合同结构与客户黏性；
• 科技公司的单位经济性、软件杠杆与速度。

它们一开始的形态可能完全不同，演化路径也可能完全不同：

• 以零售为核心的 App 或设备；
• 基于现有电网资产、由 AI 优化的管理平台；
• 让买卖双方可以对冲、优化、交易的金融层。

但它们会共享两种倾向：短期愿意把电网复杂性抽象掉，长期则想把电网重新造一遍。

第 28 页

查看原 PDF 第 28 页（含原图表与版式）

这个机会其实已经酝酿了很多年。UK 的 Octopus Energy 展示了真正可能做到什么：十年前从零开始，如今 Octopus 已经成为英国最大的家庭电力供应商，在七个国家服务约 1100 万客户，评分达到 4.8 星。

我们在其他地方也看到了类似版本：

• 北欧 Tibber：20 万以上客户；
• Germany 1KOMMA5°：12 万以上客户；
• Australia Amber Electric：4 万以上客户。

但就像 FinTech 早期——那时候 Lending Club、Prosper 正在快速上升，整个类别还刚刚成形，而 Revolut、Nubank、Affirm 这些品牌甚至还没进入任何人的名单——我们认为今天仍然只是这个行业的非常早期。

Base Power 和 Fuse Energy 展示了下一代 neo-utility 的样子。

两家公司都有非常优秀的团队：既有真正的行业专业经验，也保留着一种务实的“初学者心态”，而这正是最大 neo-bank 当年的共同特征。它们也从世界顶级科技公司吸引了管理层人才，例如 Revolut、SpaceX、Anduril、Bridgewater。

更重要的是，两家公司都给客户提供了非常清晰、可以量化的价值：

• Fuse 是 2021 年能源危机之后英国出现的第一家新供应商。它一边帮助客户省钱，一边极大提高用电可见性——Fuse 一天会给消费者更新 48 次账单！
• Base，正如我们前面刚刚讲过的，把电费节省和一块低成本、高品质电池打包在一起卖给客户。

不同市场里，neo-utility 正确的切入点会完全不同——就像当年 Revolut、Nubank、Robinhood 也各自用不同产品起步：

• 边境密集的欧洲：先做外汇；
• 缺乏信用卡的 Brazil：先做卡；
• 交易意识强的 US：先做证券交易。

但 neo-utility 也会很快变成多产品公司。例如 Base 已经开始提供只做零售供电的 REP 服务；Fuse 则把电力、天然气、电动车充电等组合起来。

相比 neo-bank，neo-utility 面临的一个更大挑战是：零售能源市场的监管限制往往非常强。 并不是每一个市场都已经成熟，但可被 neo-utility 攻击的市场集合正在持续扩大。

Australia、UK 和 Europe 长期以来都拥有至少相对开放的市场。Japan 在 2016 年完全自由化；今天 Tokyo 居民大约可以在 200 家供应商之间选择。

Brazil 刚刚通过第 15,269/2025 号法律：到 2027 年放开商业和工业用户市场，到 2028 年放开所有家庭用户，相当于给今天覆盖人口还不到 40% 的自由零售市场新增 9000 万人。

US 则是一块拼图：18 个州加 Washington, D.C. 允许消费者自己选择供应商。但 Texas 给出了未来更多州可能发生什么的预览——那里超过 85% 客户可以在 100 多家零售供应商中挑选。

此外，FERC Order 2222 可能成为真正的 game changer。它要求电网运营商允许分布式资产聚合商进入批发市场，为通过电池、HVAC、电动车充电器等实现更智能能源管理打开了新路径。

总体来看，未来创业者能够直接向客户讲自己的故事、直接争夺客户的市场，会比历史上任何时候都多。

我们认为 neo-utility 会加速发展的一个更大原因，是：客户正在获得越来越大的行动权——既有更多信息，也有更好的工具去利用这些信息。

Open Banking 已经展示了当用户更容易访问自己的数据时，会发生什么。比如 UK，约三分之一成年人——超过 1700 万人——已经通过 Open Banking 在不同服务间共享自己的金融信息。

我们怀疑，“Open Energy”会对公用事业做同样的事：智能电表、标准化用能数据、把自己的历史用量随身带走的权利——这些都会降低换供应商的摩擦，并给创业者提供证明、捕获客户价值所需的数据和权限。

而 AI 会进一步加速一切。阻碍客户切换供应商的很大一部分原因——在能源里甚至比金融里更明显——只是惰性和复杂性。

公用事业之所以黏，并不是因为用户忠诚。例如，在 US，符合零售选择资格的客户里只有约 26% 真正参与。原因只是：理解选项、比较费率、执行切换，是一件复杂又烦人的工作。

但如果有一个 Agent，可以持续监控你的用量、读懂 tariff、发现你哪里付贵了，并用几个点击完成切换，那么这个原本由“冷漠”定义的行业，就会变成由“选择”定义的行业。

Neo-bank 当年必须亲自说服心不在焉、容易改变主意的消费者采取行动；neo-utility 未来可能只需要说服替客户行动的 Agent。

而 Agent 在意的是：可访问性、可编程性、价格、延迟、在线率——它并不在乎账单上印的是哪个 logo。

Neo-utility 最大的机会甚至可能在新兴市场，因为这些地方的大量消费者和企业，今天仍然没有被电网充分服务。Pakistan 是一个很好的案例。2024 年，这个国家进口了 17GW 太阳能板——当年全球最高。太阳能已经迅速……

第 29 页

查看原 PDF 第 29 页（含原图表与版式）

……增长到 Pakistan 全国发电量的 25% 以上。原因很现实：巴基斯坦消费者已经受够不可靠的电网，而且电价在三年里上涨超过 150%。

这就是能源版的“移动互联网跨越”。就像发展中世界很多地区当年直接跳过固定电话、一步进入移动通信一样，今天大面积地区正在直接跳过中心化电网。India、Bangladesh、Nigeria、South Africa、Brazil 都处在这场转型的不同阶段。

在这些市场，安装商已经形成分布式网络，neo-utility 的机会也许主要存在于它们上面的软件、融资与编排层。最终赢家可能更像 PhonePe 或 Groww，而不是 NextEra：软件原生、mobile-first、极端重视分发，并且能服务那些传统系统多年来一直辜负的客户。

而且，neo-utility 并不会只出现在能源行业。

我们开始写这一节时，脑子里想的主要还是电；但讨论得越多，我们越发现电信正在出现同样的模式。就像十年前的 FinTech 和今天的能源：行动迟缓的 incumbent 又送来了一记“正中红心的慢球”。

今天运营通信网络的运营商、ISP 和设备商，被现状、人员短缺和不断上升的维护问题拖住。举个例子：US 到 2029 年需要新增 2.1 亿英里以上光纤，比现在约 1.6 亿英里的基础还要翻倍。

客户同样非常不满意；电信公司长期都是 NPS 最低的行业之一，甚至比电力公司还低。

而与此同时，我们正接近一轮快速变化。Agent 型查询已经产生比早期 AI 应用高 25 倍的网络流量——这还没有算未来几年的机器人，以及其他高带宽应用。智能革命可能从根本上改变网络需求。

什么样的“网络 neo-utility”才能做到下面这些事？

• 给每 10ms 就要伸手抓取物体一次的机器人提供网络；
• 让 Agent 拥有自己的手机套餐；
• 为同时运营数百、数千台 AI 设备的企业提供网络。

Starlink 已经展示了网络 neo-utility 可以做到什么：超过 1000 万活跃订阅用户，品牌覆盖 155 个国家，年化收入超过 114 亿美元。

但我们认为机会远远不只在卫星。不同地区、不同网络层、不同客户群体，都有可能出现新的网络 neo-utility。

Somos、Gigs、Meter 就是三个很好的早期例子，也展示了这个机会集合有多大、多样性有多强。

• 在 Latin America 服务不足的城市里，Somos 正在从零重建 ISP，底层采用数据中心级光纤架构。短短几年，它已经成为 Colombia 最大的供应商之一，而且技术架构天然适配 AI 时代。
• 在另一个层级，Gigs 已经变成“手机套餐里的 Stripe”：Nubank、Klarna 等任何公司，只需要几个 API 调用就能把移动网络嵌进自己的产品。
• 面向另一类客户，Meter 则从底层重做企业网络：自己拥有硬件、固件和软件，并利用全栈产生的独特数据，获得难以匹敌的一致性、规模和运营效率。

Starlink、Gigs、Somos 展示了网络 Neo-utility 的力量

来源：SpaceX Statements、Somos、Gigs、Ribbit 分析。

无论处在哪个行业，我们怀疑真正能长期存活的 neo-utility，最终都会在过程中造出真正困难的技术：电池、光纤、网络设备、交易系统，以及负责把所有东西编排在一起的软件。

第 30 页

查看原 PDF 第 30 页（含原图表与版式）

换句话说，它们恰好就是我们前几页讲的那种 atoms + bits 系统型公司：协调物理世界与数字世界的困难本身，就是护城河。

Base、Meter、Somos 都不是“披着基础设施外衣的软件公司”，也不是“表面刷一层软件的基础设施公司”；它们同时就是两者。

我们怀疑，未来十年一些最有价值的公司，会属于这种 neo-utility：一群叛逆者看着地球上最无聊、最不可或缺、又最普遍遭人嫌弃的行业，然后决定——客户值得更好的东西。

替代智能范式会发现新的前沿

对 Ribbit 来说，最后总会回到青蛙。

1959 年，四位 MIT 科学家发表了一篇论文，题目叫 《What the Frog's Eye Tells the Frog's Brain》。这篇论文几乎是在回答一个非常具体的问题：

“青蛙的大脑只有一粒 Tic Tac 糖那么大，它到底怎么能在 150 毫秒以内，反复计算变化中的目标速度、拦截轨迹和抛物线？”

或者换一种说法：

“青蛙到底他妈是怎么抓到苍蝇的？”

作者发现，青蛙的视网膜里有专门的“虫子探测器”，而且这些神经结构直接连到视神经。它是一种去中心化、专门化的智能，直接推翻了当时流行的动物认知模型。

后来，这篇论文成为神经网络与现代 AI 最早的一批基础文献之一：

青蛙的虫子探测器 → 感知机（perceptron）→ 卷积神经网络 → Transformer。

每一种范式，都突破了上一种范式遇到的天花板；而且每一种都曾经在某一段时间里被宣布为“终极答案”。但没有一种真正拥有最后的发言权。

今天当然也一样。关于“如何制造智能”，我们显然还有非常多事情没有发现。毕竟，在吉瓦级计算集群出现之前很久，2 亿年进化已经把博士级物理学压缩进一颗只消耗约 50 微瓦的两栖动物大脑。

过去接近二十年，AI 进步基本沿着一条单一曲线前进：找到一个有用的抽象，喂进去更多数据，加更多算力，然后看曲线继续向上。

过去几年，Transformer 已经产生非凡结果。它们是极其强大的概率模式匹配器，因此特别适合那些“正确答案大致存在于历史表达分布中”的任务。

但与此同时，它们也有天然限制。例如，当任务需要：

• 可验证的正确性；
• 对物理世界的真正模型；
• 从稀疏数据进行泛化；

Transformer 往往会遇到问题。

所以，它可以背诵 Euclid，汇总所有关于化学反应的论文，用 17 种语言描述重力；但如果你要求它：

• 写出可证明没有 bug的软件；
• 预测两个新分子究竟会不会结合；
• 接住一个球；

它就会明显更吃力。

这不是对 Transformer 的批评。我们相信 scaling、RL、reasoning 等方法，在可见的未来仍然会在很多领域带来巨大回报。

但我们同时相信：未来十年会出现一批新的强计算范式，专门针对不同认知任务、不同能耗结构优化。 如果能够正确识别这些范式，那会是未来几年最具非对称性的投资机会之一。

考虑到开发“新型有用智能范式”的重要性和潜在回报，研究者与创业者正在探索的搜索空间非常广。我们已经花时间接触过很多优秀创始人，路线覆盖：

• 神经形态计算（neuromorphic）；
• 光子计算；
• 神经符号系统（neuro-symbolic）；
• state-space model；
• liquid neural network；
• 以及更多。

我们怀疑，真正的突破会从人才高度密集的团队中出现——比如 Flapping Airplanes、SSI、Mirendil、Standard Intelligence——也可能来自今天我们甚至还没听说过的领域。

但其中三种范式尤其吸引了我们，因为它们可能真正改变“功能性智能”的轨迹：

1. 形式化推理（formal reasoning）；
2. 具身智能（embodied intelligence）；
3. 量子（quantum）。

这三条路上，我们都已经看到稳定的技术和商业进展。它们会利用今天 AI 的进步，但又明显超出单纯 Transformer 能做到的事情。

第 31 页

查看原 PDF 第 31 页（含原图表与版式）

替代智能范式正在崛起

注：（1）Verina 论文作者测试的 LLM 包括：o4-mini、GPT-4.1、Claude Sonnet 3.7、Gemini 2.5 Flash。来源：Harmonic、Physical Intelligence、Google Research。

形式化推理

三种范式里，近期影响最可能先出现的，是形式化推理。

今天的 AI 系统确实越来越少“幻觉”，但偶尔仍然很喜欢编点小故事——而且模型越聪明，带我们走错路时往往越有说服力。

“并不完美，但持续变好”对大多数人、大多数场景都够用；但并不是对所有人都够，尤其在下面这些领域：

• 形式数学；
• 法律推理；
• 安全关键工程；
• 高风险金融建模。

这些恰恰覆盖了世界上一些最值钱的认知任务——而且正是那些“听起来非常合理的小错误”最可能造成巨大损失的地方。

形式化推理架构解决这个问题的方法，是通过可证明的变换一步一步导出结论，而不是依赖学出来的统计模式。 对某些特定问题类型，它们的能效可以比 Transformer 高几个数量级，并且给出的不是“值得信任的结果”，而是经过验证的结果。

Harmonic 团队正在做的事情是一个非常好的例子。公司从一开始的使命，就是实现“数学超级智能”：打造一个能够解决任何数学问题的系统。

在完成一系列关键技术里程碑之后——包括在 IMO 达到金牌表现、协助解决 Erdős Problems #124 和 #728 等——Harmonic 开始把自己的基于证明的推理引擎，应用到那些“验证价值极高”的行业：

• 半导体设计；
• 智能合约安全；
• 国防。

随着 Harmonic 这样的团队继续推进前沿，我们怀疑未来几年对形式化推理架构的需求会明显增长，主要有两个原因：

1. 模型会变得更容易使用——例如更擅长把自然语言请求转成正式定义的问题，也更擅长解决具体领域任务；
2. AI 会越来越深地嵌进高风险工作流，而那里犯一个错误可能极其昂贵——比如把一个带着微小但致命错误的芯片设计送进 fab、发布一个有 bug 的智能合约，或者用错误软件发射一枚导弹。

具身智能

第二种特别吸引我们的替代智能范式，是具身智能。

现代 AI 大多在静态文本上训练。在那里，犯错代价通常较低，反馈也往往是间接的。

今天的 Agent 软件工程师当然已经令人震惊，但训练它们所需的数据，基本上早就被人写下来，或者可以通过与主动配合的人类专家互动获得。

训练具身智能完全是另一场球赛。

真实物理世界是：

• 连续的；
• 随机的；
• 能源受限的；
• 而且极不宽容。

构建具身模型，需要在精确校准的闭环中动态采集数据：观察 → 行动 → 测量 → 调整。

做模型的人通常还必须同时掌握物理、硬件、一手数据采集，以及 atoms 与 bits 交互产生的其他所有复杂问题。

说得直接一点：这些问题非常不一样，而且非常难。

顶级实验室当然非常感兴趣，但要真正攻克具身智能，需要高度集中的努力和资本投入；我们认为，这正好给人才密度极高的创业公司留下了空间。

第 32 页

查看原 PDF 第 32 页（含原图表与版式）

Physical Intelligence 和 Enigma，就是我们认为可能真正推进这个方向的团队与方法。

它们一边开发专有模型，一边持续把系统部署到真实环境中产生独有数据，因此正在建设一种会随着每一次失败、每一个新数据点不断复利的系统。

真正的“北极星”是越来越接近 compositional generalization（组合式泛化）：机器人能够重新组合自己已经掌握的技能，面对新问题时只需要很少、甚至完全不需要新的训练数据。

类似地，World Labs、AMI Labs 这样的公司正在开发 world model，在仿真世界里训练同一种能力：编码几何、动力学和因果关系，让 Agent 在真正行动之前，先通过模型推演结果，从而对全新场景进行推理。

具身智能真正大规模走到野外使用，比形式化推理还要更远一些；但最近几个月我们已经看到有意义的进展。例如，PI 的 π0.7 模型展示了组合式泛化：它原本理解的是厨房电器，却可以在没有任何现成洗衣数据的情况下，把这种理解迁移到折叠衣物任务。

机器人机会的规模和范围，完全足够单独写另一篇论文。这里只需要说一句：它一点也不小。

量子

最后，但绝对不是最不重要的一项：我们在量子计算机和量子启发模型上看到了巨大的潜力。

在这里讨论的三种范式中，量子可能离大规模商业化最远；但它来的速度，很可能比大多数人想象的快。

量子系统提供一种从根本上不同的计算结构：它原生编码不确定性，而不是面对模糊输入时强行制造虚假的确定性。

这对一些行业尤其有价值，例如：

• 化学；
• 材料科学；
• 基因组学。

这些领域通常数据稀缺、维度极高，而且极度无法容忍错误输出。经典硅计算在这些领域常常会撞上一堵“数据墙”：继续加入更多 token，也不再带来更多理解。

虽然 AI 占据了几乎每个房间里的讨论，但过去 18 个月里，量子产业实际上悄悄取得了比此前十年还多的进展。

这里值得特别讲两个关键变化。

第一：实现科学意义上的量子优势

几年前，任何能在量子计算机上跑的东西，都能在经典硬件上以更快几个数量级、更便宜几个数量级的方式完成。

到了 2024 年 12 月，Google 的 Willow 用 5 分钟完成了一次计算，而最快的超级计算机据估算需要 10 septillion（10²⁴）年。

此后，我们已经看到其他几个量子计算机演示，它们完成的计算，经典计算机在任何现实可行的能源预算里都做不到。

第二：错误纠正取得突破

自 John Preskill 1996 年那篇基础论文以来，人们一直认为，提高 code distance 应该让错误率指数下降，而不是让错误不断累积。

2025 年 2 月，Microsoft 推出 Majorana 1：一颗具有自身错误纠正能力的拓扑量子芯片，相比此前最先进方案把开销降低约 10 倍。

在我们看来，这两个变化，有点像 Transformer 和 scaling 早期最关键的发现：底层方法我们已经理解，而且投入更多资源后，它确实会继续变好。

所以，量子领域的问题已经从“这到底可不可能”，转成了“到底什么时候发生”。

剩下的风险很大一部分是工程问题，类似半导体行业历史上遇到过的挑战。要从几百个 qubit 走到几万个 qubit，需要从光子系统进一步走向芯片级光子学——很难，但并不是不可处理。

即使具体时间仍有不确定性，我们仍然认为：支持最基础的硬件与软件公司，正确时间恰恰应该是在所有人还不知道答案之前。

过去很多年，量子团队融资主要靠技术承诺。今天，我们看到一个巨大的机会：支持那些既真正懂技术、又足够务实，能把“有用的量子计算机”真正做出来的团队。

PsiQuantum 是最完美的例子之一。它从硬件底层向上做，在标准 CMOS fab 里制造硅光子芯片，目标是最终建设公用事业规模、可容错的量子计算机；与此同时，它的软件套件 Construct 已经比 CPU 模拟快 450 倍，让客户今天就可以针对未来硬件开始写量子算法。

Qognitive 则从软件层开始。它的核心洞见是：量子 embedding 能以经典方法做不到的方式解决“维度灾难”。按照它们的说法：

5000 名患者经过 Qognitive 模型，能够达到传统方法用 500 亿名患者才获得的相同统计精度。

它们认为，传统 AI/ML 缺少的是一种“右脑”，用来补足当前系统过度强势的“左脑”：能够容忍不确定性、处理陌生事物，并且同时保留相互竞争的多个视角。

第 33 页

查看原 PDF 第 33 页（含原图表与版式）

虽然我们会积极追逐上面这三个领域的机会，但对其他新范式，我们同样保持兴奋和开放。

正在为新研究方向融资的优秀创业者数量正在快速增加。很多这样的 neo-lab 最终会把资本烧完，却没有商业结果；但我们也相信，有一些团队会真正挖到金矿，另一些则会成为非常合理的收购目标。

考虑到“发现新种类智能”的奖池如此巨大，AI 可能发展出一个很赚钱的 R&D 生态，形态有点像 pharma——当然，由于 IP 保护能力完全不同，也可能最后一点都不像！

对 Ribbit 来说，在我们继续学习、继续与这些团队接触的过程中，真正让我们兴奋的团队，往往会共享几个特征：

• 创始人已经对某个领域或问题痴迷了很长时间；
• 技术进展是可验证的：证明到底对不对？机器人到底完成任务没有？而不是靠模糊 eval；
• 能清楚切入高风险、高价值垂直行业，而且护城河会随着真实世界部署不断复利——也就是说，不是再多买一大堆 GPU 就能复制；
• 存在架构上、物理上或者时间上的原因，使得前沿大实验室无法简单把它们吸收进去。

算力市场将成为世界上最重要的市场之一

2026 年买算力，看起来更像买毒品（至少我们听说是这样！），而不是企业采购：

你给几个人发消息，问谁有货；比较价格；转钱；然后祈祷你的 dealer 真的能交货。

这个类比不太体面，但历史上更准确的类比，可能是 20 世纪中叶的石油市场——那时还没有流动性充足的原油期货，也没有透明 benchmark；石油供应被少数垂直整合巨头控制，价格通过不透明 concession、私人合同和内部关系决定。

今天的算力市场就像当年的石油：规模越来越大、战略重要性越来越高，却依然缺少开放的定价、交换和风险管理机制。

填上这个缺口，是智能革命最大的机会之一。

对组织化算力市场的需求，几乎每天都变得更明显。

只看一个事实：今年 5 家公司花在算力上的钱，将超过全球整个油气行业用于勘探与生产的支出总和——但却没有透明参考价，也没有标准化方式管理价格敞口。

对于几乎任何其他资产，在几乎任何其他场景里，这种行为——赤裸裸地做多数千亿美元资产，却完全不对冲——都会被认为疯了。

借用 OneChronos 的 Kelly Littlepage 一句话：

GPU 是“现存最大的、完全没有对冲的企业财资资产”。

由于缺乏风险管理工具，今天市场几乎只能依赖由 hyperscaler 或主权机构直接、间接支持的项目融资。

我们不知道这种状态还能维持多久，但肯定不会永远。Hyperscaler 能吞的 capex 有上限——比如 Google 刚刚二十年来第一次卖股票；Neo-cloud 能拿来给 AI 创业公司、中型企业、研究机构提前融资算力需求的股权资本，同样有限。

在 AI 狂热和供应链瓶颈并存的阶段，资本市场暂时还不是最大瓶颈；但它最终一定会成为瓶颈。

对组织化算力市场的需求，正在一天比一天清楚

左图：Hyperscaler Cloud Capex vs. 全球油气行业支出（十亿美元）

2025-2026 年，AMZN、MSFT、GOOGL、META、ORCL 等大型云厂商的合计资本开支，正在达到与全球油气行业勘探生产支出相当、甚至更高的水平。

右图：GPU 租赁价格（美元/小时）

展示 A100、H100、B200 等 GPU 从 2024-09 到 2026-05 的租赁价格变化。

来源：公司数据、Morgan Stanley Research Estimates、BMI、Silicon Data。

第 34 页

查看原 PDF 第 34 页（含原图表与版式）

在我们看来，这只是一个时间问题。

1848 年，谷物有了 Chicago Board of Trade；石油后来有了 benchmark、有了期货交易池，最终有了 Brent 和 WTI；电力在解除管制后的十年里，也从双边合同迅速演化成标准化、金融化的电力交易。

这些市场的发展路径，已经给算力提供了一张相当清晰的路线图：

1. 标准化（standardization）：为形成参考价格创造条件；
2. 现货市场（spot markets）：用于价格发现与负荷平衡；
3. 衍生品（derivatives）：期货、远期、容量对冲、期权，帮助市场参与者规划和管理风险；
4. 清算与结算（clearing & settlement）：通过保证金、抵押品和违约管理，把合同变成真正可互换、可融资的金融工具。

现在已经有大量创业者和市场参与者冲进来，争夺这个机会的不同环节。

对我们来说，最大的问题有三个：

1. 标准化到底会怎么发生？
2. 谁会赢下交易量和结算量？
3. 谁会赢下数据机会？

第一个、也是最基础的难题，就是标准化。

试着想象一下：要给今天如此异质化的算力，设计一套类似 ISDA 的协议——也就是大家共享一套交易语言，不再每一笔都从头谈定制合同——到底有多难。

当然，没有任何大宗商品真的完全均质；但其他市场经过多年，都逐渐驯服了复杂性。

今天，一桶石油或一度电，通常都能用很少几个参数描述。例如：

• 石油可能是：“WTI 轻质低硫原油，API gravity 39-41°，硫含量 <0.42%，Cushing, Oklahoma 交割”；
• 电力可能是：“1MWh、60Hz、在 Y 小时交付到 X 节点”。

但算力的参数维度要多得多。至少包括：

• 芯片代际；
• 芯片具体型号；
• 内存配置；
• 互连类型；
• 网络带宽；
• 地理位置；
• 延迟等级；
• 可靠性等级；
• 交付时间；
• 持续期限；
• 软件栈；
• ……而这仍然不是完整清单。

更麻烦的是，其中很多变量还是连续值，而不是离散选项。

算力作为一种资源仍然很新，而且变化极快；所以到今天还没有人真正把它“捋平”，一点也不意外。

早期的标准化方法已经开始成形。

由于过去几年芯片短缺，加上 NVIDIA 在市场里地位极高，最早的价格 benchmark 基本从“某一具体芯片每小时租赁价格”开始——今天最常见的是 H100，再按期限、集群规模和地点进一步细分。

这种方法很多地方很像石油市场：用共同的上游投入形成参考价格（比如“轻质原油”），而不是直接给最终精炼产品（比如汽油）做 benchmark。

与此同时，我们也看到了另一类更抽象的方法，更接近电力市场：买家按 kWh 定价，而不是关心到底是哪台设备发出的电。

这背后的假设是：真正重要的是结果，不是底下用了什么硬件。

比如，与其购买“1 GPU-hour”——这会绑定某个具体芯片，而且性能还会因为互连、网络、地点、软件和利用率不同而差别巨大——未来的单位可以直接按完成的工作定义，例如：

“对一个 70B 级 dense Transformer，在 p99 延迟 <100ms 的条件下，完成 100 万个推理 token。”

考虑到算力市场的规模与多样性，我们预计未来会出现各种各样的 benchmark 和金融工具。

但今天我们更倾向相信：标准化最终会围绕“工作（work）”发生，而不是围绕“芯片”发生。

一方面，即使 NVIDIA 仍然会长期占据主导地位，我们也预计越来越多其他硬件会真正进入推理市场。今天已经能看到芯片日益多样：Trainium、TPU、MTIA、Maia、Sohu 等，供应商来自 Amazon、Google、Cerebras、Etched 等，未来还会更多。

另一方面，“按芯片标准化”的可互换性问题很严重：H100 不是 H200，更不是 B200 或 GB200；训练、推理、长尾工作负载的淘汰曲线也都不同，而这会直接影响抵押品价值和融资方式。

定义工作负载当然也不简单；但 Together、Fireworks、Baseten 这样的基础设施/推理云已经在运营层面做了一个早期版本，OpenRouter 这样的编排层也在做类似事情。

我们甚至能想象，金融市场未来还需要进一步抽象：不是围绕固定工作负载做标准化，而是像股票指数一样，构造某一类工作负载的指数。

这种方法也会带来新挑战——比如指数方法论的治理——但它可能更贴近市场参与者真正想管理的动态风险敞口，例如“交付前沿 AI 能力的成本”。

当然，谁能真正拿下算力交易量中的一个重要份额，谁面前就是一个巨大的奖池。真正建立有流动性的交易层，会释放极其庞大的价值——

第 35 页

查看原 PDF 第 35 页（含原图表与版式）

CFO 可以提前锁定训练成本；Neo-cloud 可以给收入设置下限；贷款方可以承销多年期 offtake agreement，而不用自己承担价格风险。

所以，标准化问题本身，就是能不能设计出有用合约、能不能建成深度活跃市场的核心。

传统巨头 CME 和 ICE 最近都宣布了芯片价格指数期货，目标是在今年晚些时候推出。

一开始，两家都会提供现金结算工具，用来对冲未来 GPU 租赁成本——不过它们合作的指数提供商不同，方法论也不同。

CME 和 ICE 拥有赢下这个市场所需的全部监管与金融基础设施；但市场参与者会不会真的觉得这些工具适合管理波动与价格风险，还需要时间验证。

我们也在密切关注更创新的交易场所，例如 OneChronos 和 Architect。两家团队都拥有很深的金融市场经验，真正理解快速演化的算力市场有哪些特殊之处，也在认真设计机制，处理供给与需求高度异质化的问题。

即使正确的合约和交易场所出现了，清算（clearing）本身仍然会成为一道闸门。

定义一个 benchmark，或者把交易对手匹配起来，是一回事；真正把交易对手风险共同化、合理设置保证金，并建立足够信任，让机构可以大规模交易算力风险敞口，又是另一回事。

成熟衍生品市场里，清算所通过：

• 保证金；
• 违约基金；
• 每日 mark-to-market；

来降低某一个参与者失败后把整个系统一起拖垮的风险。

算力市场也需要某种类似架构，但难点更大，因为底层风险敞口本身是新的、波动极强，而且可能发生离散跳变：

• 一颗芯片突然过时；
• 一个模型一夜之间改价；
• 一个供应商突然失去电力接入；
• 指数方法论一次再平衡，就让价值猛烈迁移。

Incumbent 的优势是已经积累了信任；但在算力里把清算真正做对，同样会需要大量创新。

考虑到新的交易场所正在推动一整波“金融化”，我们也怀疑：更少监管、更加原生的新市场会并行形成。

例如：

• Hyperliquid、Lighter 之类去中心化平台上的 crypto-enabled perpetual futures；
• Polymarket、Kalshi 上的预测市场。

算力这种资产天然适合 24/7 全球交易，所以它有可能直接跳过传统市场的某些阶段。预测市场已经展示了一件事：在正式市场形成之前，针对可观察结果的二元合约，可以先充当一种“原始价格发现机制”。

这些开放市场可能会给我们惊喜。创业者已经在抢着挂出：

• H100 现货价格；
• GPU 可用时间窗口；
• 芯片折旧曲线；

等市场。

我们不认为这些会替代受监管期货，但它们会更早出现，先生产数据、先完成价格发现——而且最后的规模可能比很多人想象的大。

我们预计会看到各种各样的算力 Benchmark 和金融工具

来源：Ribbit 分析。

虽然“谁赢交易量”更容易登上新闻头条，但最重要的机会可能反而在数据提供商。

大宗商品市场里，最持久、毛利率最高的位置之一，可能就是那个独立的、基于真实交易形成的价格参考——一个所有人都不得不引用的数字。

谁能构建最深的市场数据源、最受信任的指数，并最终让这些指数被写进……

第 36 页

查看原 PDF 第 36 页（含原图表与版式）

……期货合约、贷款条款和审计报告脚注里，谁手里就会握着一项极其惊人的资产。

Silicon Data 是这个领域早期领导者之一。它正在利用 100 多个数据源，开发可以用于结算的指数和性能 benchmark，覆盖 GPU 定价、性能等数据。

Ornn 采取的是一种更“市场原生”的方法：直接根据实时成交的现货价格计算指数，明确目标就是成为可清算 GPU 算力衍生品的参考利率。

考虑到算力市场的体量，以及其他类似大宗商品市场里领先数据提供商的规模，这个领域的赢家完全可能轻松成长成数十亿美元公司。

最后还有一个我们实在忍不住想塞进来的点：我们相信，算力与电力会越来越像同一个市场来交易。

过去十年，我们已经在 Bitcoin 挖矿里看过一个版本：每个小时，决定机器开不开的摆动变量，就是电价。

AI 也是同一个逻辑。一旦 GPU 已经装进机架，资本成本就是 sunk cost；下一份工作负载的边际现金成本，主要就是它消耗的电。

所以真正重要的数字，不是孤立的“算力价格”或“电力价格”，而是两者之间的差。

电力交易员把类似概念叫做 spark spread：发电厂卖电收入，与为了发这些电所购买天然气成本之间的差额。

AI 的镜像版本，可以叫 compute spread：

一份工作负载卖多少钱 - 为它供电花多少钱。

今天，还不存在标准化工具去交易这个差——比如“经过电价调整的算力远期合约（power-adjusted compute forward）”。

但我们怀疑，当这类工具真正出现时，它释放的资本规模，可能比这封信里其他任何东西都大。

交易的另一端是电力市场。传统交易场所很深，但它们是为一个更平静的时代设计的。

例如，美国最大的市场 PJM，容量拍卖一年之间清算规模大约增长了 9 倍——从 22 亿美元跳到 147 亿美元；而 Nord Pool 已经在 16 个欧洲国家运行跨境日前和日内电力市场三十年。

但随着 AI 改变电网形态，市场需要的是更细颗粒度、日内、直接接入的风险管理工具。

US 在这方面落后。今天大多数对冲仍然只能通过公用事业公司和中介，以较低精度完成。

ElectronX 是目前最清晰地攻击这个缺口的团队：它是第一家受 CFTC 监管、允许直接接入的美国电力衍生品交易所，并在 2025 年 8 月同时获得了交易所和清算所牌照。

随着算力市场逐渐形成，真正值得支持的公司，不应该只是从 GPU 租赁里抽一层 margin；它们应该能够同时降低市场两端的风险。

2012 年，我们下注“数字货币需要新的市场”，并且非常幸运，有机会支持 Coinbase 的 Brian 和 Fred。

到了 2026 年，我们认为数字智能同样如此。

谁能建成“认知的清算所（clearinghouse for cognition）”——用瓦特和 GPU-hour 给它定价——谁就会掌握现代经济最重要的杠杆之一。

AI 会让整整一代前沿能源技术的成本曲线发生弯折

1960 年代初，Apollo 计划需要一台足够轻、能飞去月球的计算机。那时候集成电路甚至还不存在真正的商业市场——MIT 为测试购买的第一批芯片，每颗要 1000 美元。

但 Apollo 计划愿意为 Fairchild 第一代电路支付每颗 43.50 美元，而且持续购买。到 1963 年，Apollo 计划已经消耗了全美国大约 60% 的集成电路产量。

这种有保证的需求，让 Fairchild 可以非常猛烈地沿学习曲线降成本。仅三年后，它就能把同一颗芯片卖到 1 美元，甚至低于自己的成本，故意用低价击穿分立元件，去占领正是 Apollo 需求创造出来的市场。

Fairchild 的教训——以及此前、此后无数由高风险政府项目或产业项目资助的技术跃迁——是：真正最具变革性的创新，往往需要一种只有在“无论如何必须搞定”的极端需求时期，才会出现的资本与紧迫感。

今天 AI 和国防基础设施的激增，正是这种时刻。

当电力极度短缺时，世界最大的公司和政府机构——就像 1960 年代的 NASA——正在给那些本来可能还要苦等多年需求的创业者直接发合同。

清洁能源创新者过去几十年靠补贴努力“哄”出来的市场，数据中心可能在一小部分时间里就把它直接打开。

第 37 页

查看原 PDF 第 37 页（含原图表与版式）

Bloom Energy——一家固体氧化物燃料电池公司——非常清楚地展示了今天这种“弹弓效应”。

数据中心出现之前，Bloom 已经熬了二十年，服务早期客户，而且很多客户主要是出于环境动机购买。

历史上，它的燃料电池成本一直高于高效率的大型电网发电方式，例如联合循环燃气电厂；但燃料电池可以更快、更灵活地部署。对于那些等不起并网的开发商，这会直接转化成巨大的“time to power”价值。

过去两年，Bloom 的订单 pipeline 增长超过一倍：

• 与 Oracle 达成数 GW 级供应合作；
• 为 Equinix、AEP 站点供电；
• 与 Brookfield 建立 50 亿美元合作。

需求暴增产生的连锁反应非常深远：Bloom 现在可以让工厂满负荷运行、扩建产能、让单位成本继续沿曲线下降，最终走到即使没有补贴，燃料电池也能竞争的位置。

更进一步，同一套固体氧化物平台、工具和工程师，还可以生产 Bloom 的电解槽——把电子转成绿色氢气，用于钢铁、氨、航运和工业高温热。

绿色氢的成本，本质上主要就是“电 + 机器”。所以这些难减排行业一直在等两件事：

1. 足够便宜的电子；
2. 足够便宜的电解槽。

而 AI 需求现在正在同时替这两条学习曲线付钱。

十年的气候政策没有能力独自资助这条学习曲线；18 个月 hyperscaler capex，可能就做到了。

AI 需求激增，正在把发电技术——以及 Bloom 这样的公司——提前几十年

图左比较 Bloom Energy Server 与 Bloom Electrolyzer 的输入/输出；图右显示 Bloom 年度 backlog 从 2019 到 2025 快速上升，CAGR 约 35.7%，2025 年达到约 200 亿美元。

来源：Bloom Energy、Ribbit 分析。

说简单一点：AI 不只是在“购买电力”，它正在把整个前沿能源技术族群沿成本曲线往下拽，把原本多年都只差临门一脚的市场提前拉到商业可行区。

而且，这件事正在很多技术上同时发生。

这封信里我们已经讲了很多太阳能和电池的重要性，但两者都不是万能药：

• 太阳能是间歇性的，而且不同地区资源差异巨大；
• 电池今天还无法轻易跨越“连续几天”乃至“季节”这种 24/7 需求要求的时长。

为了满足今天的用电需求——更不用说未来几年我们预期的猛烈增长——我们必须继续把发电前沿往外推，接入更多能源来源，包括 24/7、可调度、基荷电力。

核电是棋盘上最大、也可能最具后果的下注。

这种野心并不新。50 年前，在 Nixon 时代核电繁荣最高峰，Atomic Energy Commission 曾预测：到 2000 年，美国会有 1000 座反应堆。

实际结果是，美国最高只达到 112 座。这是一支已经老化的机队；尽管整个行业几乎冻结四十年，它今天仍然供应美国约 五分之一的电力。

过去几年，支持核电的势头其实已经持续累积；AI 则终于给这股势头“长出了牙齿”，推动出从快到慢、从成熟到激进的一整套核电增容方法。

最快的方法，是重启退役反应堆、提升在运反应堆功率——例如 Microsoft 推动 Three Mile Island 部分机组重新上线。

最成熟可靠的方法，是传统吉瓦级核电站，但它们建设速度极慢、成本高得令人痛苦。

最新、也最令人兴奋的，是 SMR（Small Modular Reactor，小型模块化反应堆）：通常 50-300MW，在工厂里制造，用更小的单体规模换取弹性、可累加的容量——不是一次开工建一座巨型电站，而是需要多少，就再“加一个模块”。

更极端的一版下注，则是微型反应堆（microreactor）：把机组彻底标准化，造上千台，沿学习曲线把成本压下来。它们通常低于 10MW，设计目标就是批量制造，然后用卡车——甚至飞机——运到任何需要电的地方。

Radiant、Antares、Valar、Apollo Atomics 等人才密度很高的团队，都在沿这个方向走非常有野心的路线，而且早期技术与商业结果令人鼓舞。

我们既对这个机会集合非常兴奋，也非常清楚时间表不会很快——

第 38 页

查看原 PDF 第 38 页（含原图表与版式）

SMR 和 microreactor 今天大多仍处在试验反应堆、首次临界（first criticality）阶段。

但 hyperscaler 和政府的钱正在把资本与人才拉进来，监管终于也开始跟着动。

考虑到小型核电在国防里的潜在应用——以及国防机构愿意在真正交付电力之前就提前投资——那些能够与政府建立紧密关系的公司，在这里尤其有优势。

也许未来回头看，我们谈论今天早期 microreactor 的方式，会和今天谈论 Fairchild 早期芯片一样。

聚变

Fusion 位于更远的前沿。

怀疑者会说，世界上没有什么东西比“核聚变马上就要来了”这句话存在得更久。但过去五年，一系列真实进展，已经把聚变从“理论物理问题”推进成“工程问题”。

其中包括 2022 年 National Ignition Facility 首次实现净增益聚变实验——反应产生的能量超过激光真正打进燃料的能量。

前面的挑战依然疯狂困难，例如：

• 持续维持净增益；
• 繁殖氚燃料；
• 设计能承受中子轰击的材料。

但它们已经“可处理到足以吸引一大波资本”。于是今天这个领域有多个资金充足的 shots on goal，分别下注哪条路线最先达到商业净增益、最先变成真正可行的发电技术：

• Tokamak：Commonwealth Fusion Systems；
• pulsed magneto-inertial：Helion；
• pulsed magnetic：Pacific Fusion；
• beam-driven field-reversed configuration：TAE。

聚变也是一个非常清楚的例子：数字智能的增长速度和影响规模，很可能继续超出我们预期。今天最新进展已经开始借助 AI 做等离子体控制——这正是上一代系统始终无法掌握的难题。

下一代地热

Next-generation geothermal 没有聚变性感，但更加可接近。

地热一直是一种极其诱人的能源：只要我们能把地下热量经济地取出来，它几乎就是一个取之不尽、全天候 24/7、零碳的基荷电力与热调节来源。

历史上，经济可行的地热受到地理条件强约束，基本只能出现在板块交界区域。但几条新技术正在挑战这个约束：

• Enhanced Geothermal System（EGS）；
• advanced closed-loop system；
• superhot deep geothermal。

今天走得最远的是 EGS。Fervo Energy 这样的领导者——最近刚和 Google 签了 115MW 合同——正在把过去二十年页岩压裂积累的基础设施和经验重新利用起来，在任何地下足够深、拥有高温干热岩的地方建设地热能力。换句话说，美国大陆大部分地区理论上都有潜力。

海上地热讨论得更少，但机会可能反而更大。Endurance Energy 等公司正在论证这一点：在海底板块彼此拉开的地方，地壳最薄，因此热源离地表更近，理论上可以形成数万平方公里连续、高温资源区。

更大胆的下注：干脆离开地球

最激进的想法，也许是不再和地球本身的限制斗争，而是直接把用电与计算搬出地球。

天气、大气层，以及“夜晚必然存在”这个非常烦人的事实，让 US 地面太阳能容量因子通常低于 25%。

但在太空里，一块运行在太阳同步轨道的太阳能板，几乎可以持续、不经过大气衰减地看到太阳，同一块面板发出的能量可以接近地面上的 5 倍。

这个想法的支持者认为，轨道计算的能源成本，甚至可能比美国平均批发电价便宜 20 倍。

随着 SpaceX Starship 把发射成本推向每公斤几十美元，把一整套 GPU 集群送进太空，甚至可能比在地球上购买一块同等规模数据中心的土地还便宜。

除了 SpaceX 自己的努力之外，也已经有几支足够疯狂的团队开始做这件事。

Cowboy Space Corporation 正在建设一套垂直整合的轨道基础设施栈：

• 一个叫 Stampede 的低轨星座，用来收集太阳能；
• 一枚为计算专门设计的火箭，而且上面级本身就是数据中心。

当 Cowboy 的火箭进入轨道之后，上面级会直接变成一个 1MW 计算节点，运行 NVIDIA 的 space-grade 模块。

当多个技术同时利用 AI 建设潮，努力让电子变得更便宜、更稳定、更充裕时，最有意思的问题可能不是“哪种发电方式赢”，而是：一旦其中一种或多种技术真的交付，会有什么过去不经济的商业模式突然变得可行？

只要电子便宜到一定程度，一长串今天“算不过账”的过程，可能同时进入盈利区：

• 合成燃料；
• 大规模海水淡化；
• 直接空气捕集（DAC）。

这些东西本质上都只是机器：把 kWh 转化成另一种有价值的东西——管道级天然气、淡水、被捕获的碳——所以当下一代能源技术改变大局时，它们都可能产生巨大价值。

第 39 页

查看原 PDF 第 39 页（含原图表与版式）

Terraform Industries 是这个想法最纯粹的表达之一。

它的集装箱式 Terraformer：

1. 从空气里捕获 CO₂；
2. 用太阳能电解槽把水分解成氢气；
3. 把 CO₂ 和氢气结合，生产达到管道标准的合成天然气。

几乎可以说，这是一种真正“用阳光和空气造出来的燃料”。

Terraform 押注的是：当电子成本持续下降，从大气里合成碳氢化合物，最终会比从地下把它挖出来更便宜。

UK 的同行 Rivan 也在 Atlantic 另一边追逐同一个奖池：把电子转化成电池无法匹敌的高密度、可储存、可运输燃料，并且这些燃料可以直接进入世界今天已经存在的发动机、管道和炼油厂。

这些公司本质上是在做一个套利：押注电子价格持续下跌。

而上面讲到的每一种由 AI 推动的技术进步——从重启核反应堆，到把数据中心送进轨道——都会继续拉大它们正在交易的这个 spread。

资本终于开始真正进入前沿发电技术

图中按 2021-2026 年展示 Space & Frontier Data Centers、Nuclear Fission、Fusion、Geothermal 等领域融资轮次，圆点大小代表约 1 亿、5 亿、10 亿美元级融资。

来源：PitchBook、公司新闻稿、Ribbit 分析。

William Gibson 有句名言：

“未来已经到来，只是分布得不均匀。”

这句话非常适合形容 2026 年的前沿能源。

下一代电力技术正在那些绝望、资本和许可同时相撞的地方率先落地：

• AI 园区的表后系统；
• 国防基地与主权项目；
• 以及市场、资源或气候提供结构性先发优势的极端环境。

到了前沿，电子本身是商品；梯度才是机会。

机会存在于：

• 电在哪里；
• 电什么时候出现；
• 谁离不开它。

总结

研究、写作、编辑这封信，Ribbit 团队合计大约消耗了 30kWh 的大脑能量。

按照我们最好的估算，Claude、Sterling、ChatGPT、Gemini 以及其他几个服务，贡献了大约同样多的能源。

就像整个世界正在发生的事情一样，我们怀疑：这可能是最后一封 Ribbit 信，我们还能说人类大脑提供了一半“功率”。

写到四十页左右，我们又一次被提醒——而且事情几乎总是这样——最简单的洞见，依然是最重要的洞见。

今天 Power 的核心，就是这一点：

智能，是人类历史上回报率最高的资源。

我们写这封信时，科技资产正在经历历史上最集中的几轮价格上涨之一，所以很难想象未来几个月和几年不会出现剧烈波动。

但无论科技市场或全社会 AI 情绪接下来怎么走——崩盘、暴涨、围绕各种叙事疯狂震荡——底层趋势仍然会继续：

世界会需要更多 token，也会需要更多电力去制造这些 token。

而且，当更多智能进一步促进更多发明——包括大规模电气化——这个飞轮还会转得更快。

当然，总存在一种可能：某一段时间需求突然崩掉，或者效率提升速度暂时超过需求增长。

但长期看，胃口只会越来越大。

智能从来都是、也永远都会是一种会自我延续的资产。

第 40 页

查看原 PDF 第 40 页（含原图表与版式）

在历史上最重要、也最嘈杂的一场技术革命里，寻找正确的投资角度和进入点，会同时伴随巨大的非对称机会与陷阱。

用 Ribbit 的话说，我们需要：买得更少，选得更好。

下面是我们接下来会重点寻找的东西：

• 建设垂直整合算力工厂的团队，并且对最关键的资源——能源，以及客户/算力需求——拥有优势获取能力；
• 解决算力供应链关键瓶颈的团队，用务实但“正交”的创新切入，并建立数据闭环，把点状解决方案演变成平台；
• 扩大发电前沿的团队，借助 hyperscaler 和政府资产负债表，打开通往能源充裕的路径；
• 建设新型替代智能范式的团队，去解决那些 Transformer 从一开始就不是为了处理的问题；
• 利用主权化趋势的团队，在算力、能源、国防和关键资源领域建设本地或区域冠军；
• 建设递归型平台的团队，把 atoms-and-bits 业务真正变成 token factory——也就是软硬件平台收集的数据越多，统治力越强；
• 利用新兴储能技术创造新商业模式、新品牌的团队；
• 重新塑造能源客户体验的团队，提供连 Agent 都会认可的价值主张；
• 围绕算力交易建设标准、流动性和信任的团队，降低风险成本，并扩大智能的可获得性。

未来几年，在 Ribbit 找到并支持这些领域里的团队——以及我们一路上发现的其他新方向——会成为我们的主要工作。

这封信开头，我们说：在 Token Revolution 里，今天的瓶颈不是资金流。但这只是一个暂时状态。因为这种观察忽略了一件事：金钱、知识和 Power 彼此缠得有多紧。

从 Google、SpaceX 到 Anthropic、OpenAI，AI 巨头正在吸走数千亿美元资本。我们怀疑，“资本无限”这种感觉不会持续太久——尤其对那些叛逆者来说。

市场对前沿风险的胃口会时强时弱。

如果我们真的要为一个由 token factory 组成的世界提供燃料，要给今天的“破坝者”足够力量，就既需要技术创新，也需要金融创新。

能源先锋其实一直都在做同一件事。

Thomas Edison 曾把 JP Morgan 的家改造成世界最早一批通电住宅之一；而反过来，JP Morgan 又帮助电气技术从实验室原型，扩展成覆盖全国的基础设施。

金钱网络与能源网络，本来就是一起长出来的，并且利用的是同一套知识与关系网络。

接近 150 年后，历史正在重演。

我们一直很敬佩那些“让事情真正运行起来”的人、公司和基础设施——正是它们负责完成现代社会里的一个个奇迹：钱为什么可以在全球经济里顺畅流动，或者为什么你按一下开关灯就真的亮了。

而我们更敬佩那些不断推动这些系统变得更好的人。

能够做这件事的创始人，是一种非常特别的物种：他们既拥有技术洞察，又愿意真正扑进现实世界的复杂性——那些监管敏感、资本密集、而且从头到尾就是很难的问题。

我们的计划，和过去一样：继续找到他们、给他们燃料、支持他们。

如果智能是我们回报率最高的资产，那么想法对不对，就决定了一切。

美国宪法大约消耗了 1.5MWh 的人类思考能量，却构建了一个国家的基础，而这个国家今天每年创造 30 万亿美元以上 GDP。

对那些正在更快、更不确定水域里航行的投资者来说，画出清晰航线、脚下踩稳，比过去任何时候都更重要。

这也是为什么我们仍然相信思考、写作、辩论的价值；也为什么我们珍视你们提出的挑战、反驳和改向建议。

“能源换智能”这个简单算式漏掉了一件事：不同视角之间存在乘法效应。

所以，请尽管开火。

我们需要能得到的每一份智能。

第 41 页

查看原 PDF 第 41 页（含原图表与版式）

所以，如果你有任何想法、反馈或机会，你知道该去哪里找到我们……

几乎世界上的任何地方。

我们会在那里寻找那些叛逆者。

Ribbit 团队
2026 年 7 月

P.S. 如果你真的读到了这里，谢谢你。你值得来一点漫画放松一下……

Power To the People

可译作：“把电力交给人民 / 把力量交给人民。”原文在这里故意利用 power 的双关。

第 42 页

查看原 PDF 第 42 页（含原图表与版式）

Ribbit Power Letter（2026 年 7 月）——资料来源

为了不让正文变成一份满页脚注的文件，我们把这些“乐趣”都放到了最后。如果你好奇我们的任何数据来源，可以查看原 PDF 中对应的链接。

一如既往，我们要感谢无数给这封信提出反馈的人，也感谢几位我们直接借用了轶事或想法的人——尤其是 Anil Varanasi（Great Filter，第 19 页）和 Packy McCormick（Fairchild，第 37 页）。如果我们不小心漏掉了任何应该引用的人，请尽管指出，我们会修正。

注：原 PDF 的来源页使用可点击的“Link”文字；本翻译稿保留其“来源存在”的结构。原始可点击链接可直接在原 PDF 第 42 页查看。