这集讲什么
Mark Cuban 认为这轮 AI 热潮更可能先淘汰高价入场的投资基金，而非像互联网泡沫那样席卷散户，数据中心的长期回报仍取决于需求与效率的赛跑。
1-3要点
- 泡沫的承受者变了：Cuban 看见过热定价，但认为这轮风险更集中于高价入场的私募投资人。
- 技术成功不保证资本回报：数据中心可以被大量使用，却仍可能因建设成本、供电或利润率而回报不足。
- 上市也是战略工具：可交易股票能帮助成长公司收购行业知识和数据，而不必每次重新筹集现金。
0:00 / --:--
All-In Podcast · 7 月 20 日
Brad Gershner 认为当前 AI 市场增长由基础设施投资和收益驱动，而非估值泡沫，但计算能力的快速扩张和监管政策将成为关键风险点。
Mark Cuban 认为这轮 AI 热潮更可能先淘汰高价入场的投资基金，而非像互联网泡沫那样席卷散户，数据中心的长期回报仍取决于需求与效率的赛跑。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
a16z Show· 2026-10-28Mark Cuban 谈 AI 为何可能让单人创始人成为万亿富翁Mark Cuban on Why AI Could Turn Solo Founders Into Trillionaires同一位嘉宾：Mark Cubana16z Show· 2026-09-301 万亿美元的 AI 建设｜市场现状The $1 Trillion AI Buildout | State of Markets同主题：AI 算力基建
All-In Podcast· 2026-10-23AI 网络安全恐慌、Ken Griffin 的泡沫警告、法国的衰落？AI Cyber Panic, Ken Griffin's Bubble Warning, The Fall of France?All-In Podcast
Mark Cuban on the AI Bubble: Who Actually Gets Wiped Out?
YouTube
音频
Cuban 与主持人都经历过互联网泡沫，因此开场问题不是「AI 有没有用」，而是「如果定价过热，损失会落到谁身上」。他把当下与当年无营收、无流量的上市公司股价暴涨区分开来：今天最激进的押注更多集中于私募资本、基金和基础设施建设，而 AI 在创业端又确实降低了做原型和准备商业材料的门槛。
谈话随后转向一个看似矛盾的现象：个人能迅速生成应用，企业却仍要雇人处理部署、系统衔接和持续维护。节目后半段讨论视频与世界模型、医疗辅助、政治信息平台、州际创业环境，最后以 NBA 阵容规则和流媒体订阅收束。
这集最有价值的区分，是把技术前景、使用价值和投资回报拆开。Cuban 并不否认 AI 的长期影响，甚至称其可能是影响最深远的技术；他质疑的是，基金按未上线产品的高估值入场、巨头提前建设多年期数据中心时，是否已经把需求增长、供电、利润率和融资条件都按理想情形计入价格。历史上光纤扩建留下闲置容量，是他的警示类比；但他也承认，视频、世界模型与机器人可能大幅推高计算需求，令自己看空数据中心的判断落空。
应用端呈现另一组张力。一次生成原型、商业计划或企业内网，已能改变哪些项目「值得做」；可把 AI 智能体（Agent）接进真实工作流，仍会碰到代码配置、错误修复和模型变化。节目中的两类经验并不互相否定：原型成本下降，未必等于可靠运营也变得便宜。对创业者而言，机会既在快速试验，也在替企业解决那些反复出现的实施故障。
Cuban 还把「信息平台的激励」放进讨论：社交媒体争取停留时间，语言模型则需要用可信答案留住用户。他希望后者缓解政治信息不对称，但这仍是对产品激励的推断，不是模型天然客观的证明。读者更适合用同一套问题贯穿全篇：谁承担前期资本风险，谁负责落地维护，哪项预期一旦不成立就会改写结论？
💬 他们说了什么：Cuban 说市场已有「泡沫式行为」，却不同于互联网泡沫时无营收、无流量公司上市后股价涨 50% 或 100% 的景象。他认为这次未必波及多数普通人，却可能重创全力押注的风投基金、其他基金及私募股权机构。主持人补充，过去天使投资可按 500 万、1000 万美元估值进入，如今产品未上线就可能被要求按 4000 万至 6000 万美元估值投资。
💡 为什么重要：判断泡沫不能只问技术是否真实，还要看谁以什么价格持有风险；入场估值会改变同一家公司对不同投资人的回报。
⚡ 争议点：损失是否真能主要留在私募市场，节目没有给出持仓、融资链条或外溢风险数据。
💬 对话提到大型科技公司投入现金流做资本开支、同时继续借款，并谈及 50 年期债券；Cuban 称这种安排是在「按一切顺利做规划」。如果 AI 的性价比提升降低电力需求，一些数据中心可能闲置；他以早年光纤大量铺设、后来出现「暗光纤」作类比。主持人则提醒，押注未来 10 至 20 年、数百亿美元的设施，最终必须带来收入之外的利润。
💡 数据中心需求增长与单位任务所需算力下降可以同时发生；投资能否回本，还取决于建设成本、供电和利润率。
⚡ 光纤经验不能直接推出 AI 基建也会过剩；节目也没有量化效率提升与新增需求哪一方更快。
💬 Cuban 主张更多 AI 公司考虑规模较小的 IPO，举例为 5000 万或 1 亿美元，而非只盯着最大公司的上市规模。若技术颠覆催生收购机会，上市股票可用于购买有行业知识或数据的公司，避免每次都以昂贵融资筹现金。他还建议持有高度集中股权的员工考虑领口策略（collar），以牺牲部分上涨空间换取下跌保护；回忆自己当年为保护 Yahoo 股票持仓，先做互联网股票指数空头，称该笔空头亏了数千万美元。
💡 上市在这里不只是退出方式，也是未来整合行业资产的融资工具；对员工而言，账面财富与可承受风险是两回事。
⚡ IPO、后续增发和领口策略都有市场及合规约束，不能从这段个人经历直接推导成通用操作。
💬 Cuban 说，提示词或简单 AI 智能体（Agent）容易上手，但企业级实施「比任何人预想的都难」。他用每周自动搜索、整理并邮件发送投资报告举例：系统可能给出 JSON 或代码，用户仍须会配置、排错和反复修改。他以微软招聘 6000 人，以及模型公司派工程师驻场的说法，反驳「白领岗位很快消失一半」的断言。
💡 展示能力与完成一个稳定、可交付的工作流不是同一指标；部署、维护和懂业务的人力仍是成本。
⚡ 「两年后就业仍增长」及招聘数字均为访谈说法，未在节目中配套统计口径，也不足以独立判断特定岗位的替代程度。
💬 作为 Lovable 投资人，Cuban 转述其每周生成 77 万个应用、美国业务占 30%、工程师用户占 20% 的说法。他描述自己用一个假想的「全天录像按钮」项目，要求工具准备原型相关材料、专利草案、商业计划和许可事项，称过程用了 12 分钟；主持人以过去做原型约 6 个月、推出约 12 个月作对照。Cuban 随后又要求物料清单及供应商信息，并强调商业计划本来就是供学习、修改的方向草稿。
💡 初创团队可以更低成本地提出可讨论的方案，把时间花在验证需求、采购条件和实际可行性上。
⚡ 应用生成数量不等于可运行产品数量；12 分钟产出的专利、许可与供应链内容也未经节目验证。
💬 主持人说，团队在不同工具间切换，曾遇到智能体失效、幻觉和工具能力受限，后来用 Lovable 建风投业务内网。他估计，以前团队不会花 50 万美元、12 个月建这类内网；如今两三个人做出的软件，若放在约五年前外包，可能每年需 200 万至 300 万美元。Cuban 补充，底层语言模型变化可能让原有智能体设置不再适配，维护会形成新需求。
💡 生成工具不仅替代部分开发步骤，还可能让过去因成本过高而被放弃的内部项目首次成立。
⚡ 外包成本是主持人的反事实估计；节目没有比较新软件的长期可靠性、安全性和维护总成本。
💬 Cuban 用幼儿推下杯子会引来母亲的例子，质疑仅凭文本与图片训练的系统是否理解现实中的因果。他谈到自己投资的视频及世界模型项目，并举卫星拍摄地面视频、结合光谱信息的项目说明新数据来源。到 21:14，他明确说：如果自己关于数据中心的判断错了，原因可能是视频；世界模型与机器人也会推高计算需求。
💡 这为前面的基建过剩论设置了真正的反例：未来任务的形态若改变，总算力需求可能超出今天按文本应用作出的预期。
⚡ 幼儿类比是能力批评，不是标准化测试；视频会增加多少计算量、能否形成足够收入，节目均未给出测算。
💬 Cuban 说自己投资了医疗工具 OpenEvidence，并曾输入用药、补充剂和饮食信息，排查同时服用时遇到的问题。他称自己每 3 至 6 个月验血，已持续约 10 年，以便观察个人趋势。双方认为，血检若与睡眠、步数、心率等数据结合，能让患者就诊时提供更多上下文；Cuban 同时强调 AI 不会取代医生的观察、沟通与同理心。
💡 长期个人记录的价值，不在于单次得到一个答案，而在于让患者与医生都能对照变化、提出更具体的问题。
⚡ 节目中的用药时间建议不能当作医疗指导；「95% 的医疗是在猜测」是嘉宾的修辞性判断，而非节目展示的研究结果。
💬 谈到地方政治时，Cuban 认为候选人运用社交媒体算法的能力，可能比政策标签更影响选民接触什么信息：用户搜索某议题，平台便继续推荐相关内容。他把社交媒体的「留住参与」与语言模型的「给出可信答案」作对比，寄望后者减少政治信息不对称。主持人则举出请模型核查政治人物主张、要求其客观并展示依据的用法。
💡 同一问题通过推荐流与问答工具进入公众视野，会受到不同产品激励影响；主动核查比被动接收更有机会看见依据。
⚡ 模型需要赢得信任，不等于它必然诚实、中立或能纠正政治极化；节目没有提供效果证据。
💬 对话以得州和纽约比较公共支出，提到约每人 6000 美元与 1.2 万至 1.4 万美元，也承认纽约对联邦财政的贡献这一反面因素。Cuban 批评财富税模型若只看一年、不分析人的迁移行为，可能高估收入；主持人称奥斯汀住房价格及租金连续三年下降，并描述在得州建设项目较便利。两人认为，首次创业者仍可能受益于硅谷网络，但后续创业者会更认真比较其他州的成本与环境。
💡 创业地点不是单纯的税率选择，还影响住房、人才和建设速度；政策预测也要考虑人会改变行为。
⚡ 各州人均支出的统计口径、房价与租金走势，以及财富税模型的完整设定，均需另行核实。
💬 两人从 Jalen Brunson 离队、球迷情绪和球星成长谈到 NBA 的全球吸引力。Cuban 随后聚焦第二档奢侈税线，认为球队难以长期维持三名顶薪球员，因此要储备选秀资产、把握新秀合同窗口，也更怕高薪球员受伤或不符预期。他判断连冠仍有可能，但三连冠会更难。
💡 这一段延续了全集的资本配置主题：阵容上限改变后，资源并非越集中越安全，容错空间反而会缩小。
⚡ 转写中有关球队、赛果和个别球员合同状态的说法存在明显疑点，不宜直接当作赛事记录引用。
💬 在继续讨论第二档奢侈税线后，话题转向球队估值。Cuban 说，估值不只由现场观众、胜负或传统电视收视率驱动，Peacock、ESPN 等流媒体能获得多少订阅用户同样关键；收视率关系广告销售，但订阅能否留下影响更长期的价值。主持人说自己为看比赛增加了约一两项订阅，Cuban 随即追问会不会退订。
💡 体育版权的价值若越来越依赖订阅，关键变量就不只是赛事带来的新增用户，还包括赛季之后的留存。
⚡ 节目未提供平台新增订阅、留存率或球队估值模型；「退订影响估值」是商业推论，而非已被量化的结论。
中：「我们正在看到泡沫式行为，但这不是传统的互联网泡沫。」 英：“We're seeing bubbly like behavior … It's not the traditional dot-com bubble.”
中：「那是在按一切顺利做规划。」 英：“That's planning for perfection.”
中：「AI 比任何人预想的都更难实施。」 英：“AI is a lot harder to implement than anybody expected.”
中：「如果我在数据中心问题上判断错了，原因会是视频。」 英：“If I'm going to be wrong on the data centers, it's going to be because of video.”
中：「社交媒体的货币是让你持续参与。」 英：“Social media's currency is keeping you engaged.”
本集多次出现同一种投资错误：把某项能力「可以实现」直接当作「能以足够利润、持续足够久地实现」。这解释了 Cuban 为什么一面鼓励创业者快速制作原型，一面担心基金的入场估值和数据中心的长期承诺。原型便宜会增加试验次数，也可能增加需要筛选、维护和淘汰的项目；两者都不自动保证最终利润。
企业内部软件的例子提示了一个较少被讨论的变化：AI 不必先取代现有软件公司，便能改变企业的采购决策。过去不值得花 50 万美元建设的内网，如今可能由现有团队动手制作。不过，「做出来」之后的权限、错误和更新责任不会消失，反而成为团队要重新分配的工作。
最后的 NBA 话题并非完全偏离主线。第二档奢侈税线约束球队配置高价球员，流媒体退订则约束版权与球队估值；它们和 AI 投资讨论一样，都在追问昂贵资产背后是否有可持续的现金回报。
