本文基于“Sillicon Valley Vector 硅谷坐标”，2026年6月4日在油管上发布的，璞林资本Kenny Zhang：Neocloud崛起背后的供需博弈与AI基建重构访谈。我对访谈内容进行了整理，对提到的数据进行了核实，并且补充了相关企业数据。该访谈知识密度高，在此作为个人学习记录发表。

文章包括以下章节：

• 三个时代的范式转移

• NeoCloud存在的底层逻辑

• 全球AI需求三大块

• 新云商业模式

• Neocloud玩家

• 用不断贬值的GPU做抵押的风险？

• AI效率提升对NeoCloud积压订单的影响

• 英伟达、CoreWeave和微软的关系

• 谷歌和黑石的NeoCloud

• NeoCloud的差异化在PaaS

• NeoCloud的真正护城河是存储

• 回看历史

三个时代的范式转移

• 50-90年代末期，区域化局部化部署，企业自购，自行管理。80-90年代，世界进行了一轮数码化。把hardcopy传送到文档上。出现了第一代的存储层，数据库层，和计算层。

• 2000-2022年，虚拟云，三大运营商。互联网和手机互联网企业崛起，最开始的大云商是算力需求波动巨大的电商，比如亚马逊和阿里。它们把内部算力需求外部化。2010年中期，一个GPU服务器节点算力是300TFLOPS。但大部分企业级应用只需要10-20TFLOPS。云商可以把多余的提供给客户。当时的核心竞争力是带宽。比如视频平台的视频调用和分发给几亿用户需要足够带宽。

• 2020年之后，AI云时代，Neocloud， AI工厂。Neocloud的代表性企业是CoreWeave和Nebius。此时带宽不再重要。它们要做的是把算力集中，去管理和优化非常大的算力集群。AI时代的无限算力需求决定了，关键竞争力是集群的高性能运算能力。

NeoCloud存在的底层逻辑

传统云开始于互联网的需求，发展是线性的。从C端，电商，长短视频，到提供给B端企业进行部署。买了云服务的企业客户就不需要自己采购管理硬件，可以降成本。

AI云开始于AI的起步。AI时代出现了并发式的算力需求：训练，推理和Agents，B端企业的推理需求同时爆发。NeoCloud有管理和优化超大型密集算力的能力，能满足AI时代的算力需求。

传统云在AI模型和算力领域都有布局，所以与AI模型巨头OpenAI，Anthropic形成供应商和竞争对手的矛盾关系。新云在上层没有应用端的布局，这恰恰是模型公司需要的。模型公司希望有自己的垂直体系，和中立的算力提供者。比如微软自己也有算力需求。OpenAI想要得到定制化的稳定算力，并且可以放心地存放API和训练，所以选择了与没有竞争关系的CoreWeave合作，而非微软自己的Azure——尽管微软是CoreWeave的大股东。

传统云的资源分配和能力分配也给了NeoCloud生存空间。15年前，美国数据中心，杠杆前的整体回报率是8-10%。因为互联网企业软件类和PaaS类的ROIC是很高的，达到40-50%，他们会倾向于把自有资金投放在高ROIC的业务上，而不是云这种低回报并且需要专业经验的业务。现在中国以外的全球市场中，超大型云商的市场份额是30%。为了提高ROIC，数据中心的电力和制冷的60-70%的供应来自于第三方。

你的利润是我的机会，传统云的高利润给了新云切入的机会。

全球AI需求三大块

前沿Lab在自建还是外购算力的考量

OpenAI从创立初期就清楚算力需求将极其庞大，尤其推理的长期需求将是训练的十倍以上，因此从2022至2023年开始大规模囤积算力。Anthropic没有这个前瞻性，所以去年开始算力短缺影响年化收入的增长，不得不加大采购力度，已经到了刚性采购的程度。尽管Anthropic在单位算力的变现效率上曾一度领先OpenAI——少量算力撑起了可观的收入——但OpenAI算力的充沛让它具备了更快的增速，有望在总规模上全面追赶。Anthropic租用SpaceX Colossus算力上线后，两者的可用算力规模大致趋于持平。

未来的格局将是部分自建、部分外购。OpenAI自己也知道不一定是最懂大集群优化的，外部供应商可以作为内部基准，测量自身对算力和token的优化能力。除了自建和长期采购，一旦出现需求爆发，还需要弹性采购能力，否则用户体验会受影响。

xAI则是被动地成为了NeoCloud。它一定程度上退出了AI大模型的正面竞争，但手握大量H100、H200芯片需要变现——于是Colossus 的算力出租给了Anthropic和谷歌。SpaceX大概率不会把NeoCloud作为长期战略方向继续发展。

新云商业模式

NeoCloud的TAM空间很大，但需要想清楚自己的商业模式，做平台型的第四朵云，还是做硬件租赁。

• 平台型，是在AWS/Azure/GCP之外建立第四个通用云平台，提供完整的云服务栈。CoreWeave和Nebuis显然选择了这条路，正面挑战三大云商。

AWS的整体毛利率约40%，其中纯硬件毛利率25-30%，PaaS层（存储、分发、带宽、数据库、云管理）占总收入30-35%，毛利率极高，达到80-90%，把整体利润率显著拉升。

这也是CoreWeave和Nebuis，可能还有Oracle想做的。但他们提供的Paas和传统云不一样，他们做的是算力的优化和KV cache的合理部署，调用，Serverless RL强化学习训练。CoreWeave今年存储，KV Cache收入能达到3亿美元。将来还会到10-20亿。如果未来NeoCloud的PaaS收入能做到15-20%（不大可能达到传统云的30-35%，因为它们的客户本身就有极强的PaaS能力）整体经营利润率就能达到约30%。纯GPU硬件租赁的毛利率约为25%。

• 资产型，本质是GPU的融资租赁业务，核心竞争力是资产负债表管理和与GPU供应商的关系。玩家是其它NeoCloud，比如Soft Bank Energy，小型的从挖矿转型来的比如IREN/ Iris Energy，私有的Crusoe FluidStack，做的是裸金属的租用。他们容易受到价格，回报和资金供应层面的挤压。这个商业模式不如前者乐观。

CoreWeave和Nebius会成为第四和第五大云商，都会成为AI原生云。

对超云来说，AI原生云和传统云没有本质区别，只是使用者从人变成agents。

英伟达和CoreWeave是绑定的伙伴，提供以AI算力大集群的管理为核心的云。

此外还有DigitalOcean等更偏产品理念的AI原生云，走的是垂直化、区域化的差异路线。

未来各家市场份额取决于供需两端的能力：上游拿到电力和制冷（Power Shell）以及最先进芯片的能力；下游捆绑的客户（模型公司）的市场份额。

Neocloud玩家

大型NeoCloud的规模：CoreWeave去年的收入为51亿美元，占NeoCloud市场的22%。Nebuis 5亿收入， Lambda Labs 5亿收入，其它长尾需求还有100多亿。这些数字未来增长空间很大。CoreWeave，Nebuis和Lambda Labs部署的都是英伟达芯片。

自研芯片TPU的崛起带动了Fluidstack这个Neocloud。目前谷歌的TPU是英伟达GPU的最大威胁。2025年，谷歌供应了250多万颗的TPU（v5e约120万颗，v5p 70万，v6 60万）。今年300-400万颗（v7约100万颗，其它是v5/v6）。2028年预期交货量是700万颗。

英伟达FY26（截至2026年1月）数据中心GPU出货量估算在350~400万颗（H100/H200/B200合计）。FY27（截至2027年1月），英伟达GPU出货量估计在500~600万。

TPU的出货量级与英伟达GPU的差距是一年。且截至2025年Q4，谷歌持有全球约四分之一的累计AI算力。

至今为止，两者并不构成直接竞争——TPU 95%以上自用，英伟达是100%对外销售。但谷歌计划2026年向第三方出售TPU v7，那之后，将与英伟达、AMD形成直接竞争。

亚马逊的Trainium芯片今年出货100-150万颗。2027年增量继续爬坡。

未来Neocloud的三大巨头是CoreWeave，Nebuis和Fluidstack。之后，亚马逊也会以自己的芯片占有一席之地。

Lambda更侧重于编程，是另一个反向，是做垂直化，区域化的Neocloud。专业化比较强，不是泛应用的。

Fluidstack像是用TPU的Nebius。他们两家和CoreWeave的区别是：

• CoreWeave选择了高杠杆模式——用债务融资购买GPU，用长期合同锁定现金流偿债。用财务杠杆提升回报率，类似传统高速公路的商业基建模式。

基于GPU的商业生命周期5-6年，它与下游客户，Anthropic，OpenAI和Jane Street（高频交易公司），签了5-6年的长期供货合同。拿芯片资源，组成大集群，打包给头部客户，以合同价值融资。它每花1美元，未来6年能挣3美元。

CoreWeave的融资成本，随着融资人和投资人对这个行业的接受度的提升，不断下降。2023年第一笔贷款利率14.5%，今年降到6.2%。融资成本的降低让杠杆后IRR提升相当大。杠杆前IRR几年来提升不大，大约在23-25%。杠杆后IRR，三年前30-35%，现在超过50%。相比之下，传统基建项目，铁路码头，杠杆前IRR5-6%，杠杆后10-12%。

• Nebius和Fluidstack是低杠杆模式——股权融资为主，资产负债表更保守。它们愿意承担算力现货价格的波动，而非财务杠杆的风险。

他们与客户（微软，meta）以20-25%打折的价格签约，以换取40-50%的预付款，并且发行可转债用于前期投资。他们的杠杆低，杠杆前后的IRR差不多都是35-40%。

以上IRR是跨整个项目生命周期的现金流与投入资本之比。重资产行业如果用EBITDA或单期回报率衡量，会产生严重误导。

用不断贬值的GPU借长期负债的风险？

以芯片资产为抵押的长期融资，是否会因为抵押品的贬值而出现问题？要回答这个问题，首先要清楚长期基建融资的三个还款来源：项目现金流、固定资产抵押价值、以及借款人自身信用。如果是项目融资，借款人可能不对债务担保，则只有前两个来源。

融资期限与项目产生的现金流挂钩，一般会略短于融资标的的商业寿命。而会计折旧期限也是根据资产的使用寿命来确定的。融资期限的保守的设定是比折旧略短。在融资和折旧期末，资产一般仍然有残值，这是融资的额外保障。

数据中心的电力系统折旧是15-20年，每年5-6%。AI芯片折旧5-6年，和传统云相差不大。传统基建，码头，铁路的折旧期更长。

传统基建，传统云，AI云，它们的偿债能力首先来自于整体的合同价值。CoreWeave和Nebius和客户的合同是5-6年的，基本上已经把芯片的商业价值用完了。合同和折旧差不多长，残值就是锦上添花。银行已接受这一逻辑，认为与传统云融资差异不大，因此贷款利率持续下行。

但二级股权市场仍然看财报。财报显示调整后（非国标）营业利润率在快速下滑。2025Q2-3，CoreWeave（经调整经营）利润率在16%。4Q2025下降到6%，今年上半年，断崖式的下跌到1%。相比之下，GPU现货市场第一季度还上升了40%。

在需求爆发阶段，长期合同签完就会大规模开建。基建项目在建设期和运营初期，“在建/收租“比是利润率的核心驱动变量。利润率下跌的原因，是固定资产从“在建工程“转入后，需要约1-2个月的fit-out期完成GPU机柜安装、电力接通、液冷系统就位，期间尚未产生收入但折旧已经开始计提。需求的突然爆发让在建规模迅速膨胀，导致在建体量超过产生收入的体量。

CoreWeave上一个季报公布，数据中心已经通电的部分是1GW，其中80%是产生收入的。同时在建的是1GW。在建/收租比>1, 在建增加的速度超过收租的资产增加的速度，利润率就下来了。

今年3月底，CoreWeave已签约电力容量3.5GW，2030年目标总功率超过8GW。到今年年底收租的部分会增加到1.8-2GW，在建1GW，是收租的50%。那时，收租部分的利润率应该是25%左右，总体利润率会到10-12%的水平（管理层指引）。到明年年底，产生收入的是3GW，在建约1GW。这时就在建就只占出租的30%了，这时利润率会更接近稳定利润率，20%+。叠加KV cache, LR这些高利润的PaaS服务。利润率在2028年底有望达到25%。长期稳态约30%。

为了核实这个利润率，我让Claude提供了出租部分的具体的收入和成本测算。以下是它的回答。

这个36%就是成熟已出租项目的理论杠杆前调整后利润率，与30%的长期目标非常接近（差距来自PaaS收入尚未成熟以及部分SG&A的分摊）。

嘉宾关于CoreWeave利润率在2028年达到稳定的25-30%的预测，有一点值得审慎。根据CoreWeave今年一季度财报的官方声明，管理层的前瞻性目标是2030年达到8GW。目前已签约的是3.5GW，从3.5GW到8GW的差距（4.5GW）意味着CoreWeave在现有合同基础上还需要继续签约、融资和建设，这部分尚未有对应合同支撑。为了这追加的4.5GW，还会产生更多折旧费，融资利息等。这会延迟利润率达到稳定水平的时间。

但另一方面，现有3.5GW的5-6年的租约到期时，相关的折旧（GPU折旧年限6年）和贷款（5-6年）也已经结束。只剩电力、人工和少量维护折旧成本，继续短租给散客，经调整营业利润率理论上可以达到35~40%。提升公司整体利润率。

关键是CoreWeave必须坚守底线：先有合同（最好是投资级客户），再融资开建，不进行投机性扩张。否则就会直接暴露于市场风险之中。

Nebius的35%的利润率略高于CoreWeave，原因在于其商业模式差异：

• Nebius采用股权融资为主，财务结构更保守，SG&A相对更精简
• 客户结构中企业客户比例更高，合同定价略有溢价
• 目前扩张速度比CoreWeave慢，在建/收租比的拖累相对较小

新云与旧云的本质差异其实不大——无论是芯片折旧周期还是盈利逻辑都非常接近，估值也应趋近。传统云当前估值约20-25倍于利润，增长率约30%。新云目前估值仅约10倍于稳定利润，但未来3年利润复合增长率预计超过120-130%。

新云的估值应该比传统云略低。因为相同功耗下，新云的固定资产投资强度约为传统云的3倍（CoreWeave和Nebuis的每MW Capex约4500-5000万美元，传统云约1500-2000万，用自研芯片和白牌网络的甚至更低，约1000-1200万）。同时，新云利润率长期可能无法达到传统云40%的水平，稳态约在25-30%。综合来看，新云估值应有所折扣，但差距不会像现在这么悬殊。

CoreWeave去年全年收入51亿，今年一季度就有20亿，指引全年收入120-130亿，Capex 300多亿，积压订单1000亿美金。CoreWeave 2025年最大客户微软的积压订单占比，已从年初的约85%降至年末的不足35%。2024年微软占实际收入约77%，全年平均来看2025年这一比例有所下降，但实际收入的客户多元化滞后于积压订单结构的变化。

CoreWeave现在的收入不来自于现在的资本支出。2026年底的180-190亿年化收入ARR是两年前的投放结果。今年的310-350亿固定资产投资会转化成未来6年的900-1000亿收入。到2027年底，ARR会超300亿美元。现在花1元，未来6年挣3元。一旦资本开支不再提升，收入和资本开支会逐渐交叉，在2029年收入会超过资本开支。利润会直接进入现金流。

相比之下，AI模型公司的资本开支和收入的时间差距更短，从资本开支到收入的转换只有6-12个月。

对CoreWeave和Nibeus，只要把数据中心建好，提供不间断服务，客户没有现金流问题，它们的现金流就会一直累计叠加。积压订单是未来要交付的算力。

据CoreWeave 2025年年报，微软在积压订单中的占比已从年初的85%降至年末的不足35%。2024年，CoreWeave 77%的收入来自微软作为中间商提供给OpenAI的算力。在现在这个时点往前看，最大的客户会变成Meta，Meta占积压订单的35%，微软占20%，OpenAI占20%， Anthropic占8-10%，Jane St占8-10%。这些订单有财务绑定性，可见度高。所以3-4年后，收入就会非常多元化。

另外，英伟达对CoreWeave有一项重要承诺：卖出的芯片如果无法部署，将予以回购。这大幅降低了CoreWeave的尾部财务风险敞口。

AI效率提升对NeoCloud积压订单的影响

传统云通过规模优势和持续的硬件成本优化，把效率提升的一部分留给自己、一部分传导给下游客户，客户因此获得实际价值并不断扩展云上需求——这是过去十几年传统云增长的底层逻辑。

半导体行业在疫情期间经历了惨烈的下行周期。疫情初期，对供应链断裂的恐慌导致PC和手机订单大幅超买，上游被迫大举扩产。结果疫情比预期更快结束，产能严重过剩。海力士、闪迪、铠侠在2022-23年一度濒临危机。巧的是，AI需求的几波并发恰好在此时爆发，成为近20-30年最大的上行周期。正因为害怕重蹈覆辙，上游没敢跟随需求大举扩产，导致今年现货市场价格异常高企。

类似DeepSeek所做的优化和算力效率的提升，带来的token price的下行是大量软件，设备和端侧的需求出现和蓬勃发展的必要条件。由此，新云和AI算力公司也能做与传统云同样的事情。即把一部分算力优化效率提升留给自己，一部分留给下游的应用，包括B端和C端用户。上游的半导体，网络，服务器设备也会逐渐随着对周期确定性增加进行合理扩张。这才是健康的生态。

2027年，传统云+新云总体资本开支会同比增加50-60%（注：较部分机构保守预测25-35%，因市场实际约束来自于熟练劳动力而非资金）。其中大部分是原件，芯片，存储的涨价，芯片的量级没有很高的提升，这不是健康的行业发展方式。理想状态是：资本支出增长50%中，实际Silicon Content增量约40%，另外约10%来自涨价；叠加上下游算力的持续软件优化，token价格继续大幅下行。需求爆发才是健康的行业演进方向，而不仅是芯片价格上涨。

英伟达，CoreWeave和微软的关系

对基建类项目，项目的信用评级是按照客户信用低一档来设的。第一档是因为有一些运营风险。微软当年大量投资OpenAI，是希望OpenAI的模型给它的PaaS（Office，CoPilot）赋能。当时OpenAI有极大的负现金流。微软的增信能降低CoreWeave的借贷成本，让OpenAI的租金成本降下来。三者构成了一个利益闭环。

如今，OpenAI与微软的合作已进入新阶段。微软在这个体系中的角色已趋于边缘化——OpenAI继续为微软CoPilot提供模型能力，但关系从一对一的排他性绑定，演变为多元合作格局，OpenAI的战略自主性大幅提升。

英伟达需要一套以自家硬件为核心的云生态，来持续向市场展示英伟达系统的极致能力。CoreWeave和Nebius在大集群的管理和优化方面是有经验和见解的，所以英伟达投资了他俩，并且优先提供它们芯片和服务器。

传统云不想和如何一家芯片供应商整体解决方案绑定，因为如果大家都是标准化的AMD/英伟达服务器，就无法形成服务优势，获得溢价。大型互联网企业都会去做自研芯片。按照自己团队的能力产生差异化去竞争。

云服务商最早用思科的交换机和Router。从2012/2013开始，三家超云都在把不重要的部件用白牌化，并且用自己的采购和研发团队去优化服务器。重要的部件，比如带宽，网络设备用最好的供应商。

英伟达希望客户不自己改装，自己的整套系统就是最优解。CoreWeave就是用整套英伟达网络设备，不做硬件优化，只做PaaS层面的优化，向世界展示英伟达真正的推理和训练能力。CoreWeave也由此获得拿芯片的优先权和英伟达Paas层面的支持。英伟达也开发了很多AI训练和推理的工具，需要这样一个渠道去把这些工具推给下游客户。当然英伟达的投资也提供了资金，和把无法部署的芯片收回的承诺。

谷歌和黑石的NeoCloud

英伟达芯片之所以遥遥领先，核心原因在于：英伟达的芯片被超大规模云商和AI模型公司大量应用和深度优化，使CUDA生态的实用性和效率积累到了竞争对手难以追赶的程度。

谷歌希望自己的TPU被更广泛的市场所使用，在更多样的场景中积累生态效应——这正是CUDA飞轮效应的仿照路径。谷歌之所以选择与黑石等财团合作建立新云，而不是直接用GCP推广TPU，是因为传统云积累的PaaS技术层，反而成了新一代AI原生公司的绊脚石。

传统大云是为人服务的。它们的网络和存储层加了无数道防线：计费中间件、多租户安全隔离、复杂的虚拟化网络层（VPC）、可视化的 PaaS 监控软件。这些为人设计的软件层，在处理每秒几个 TB 的 AI 数据流时，全是高延迟的障碍。

NeoCloud的差异化在PaaS

基建类行业不会一家独大，因为IaaS层的差异化不大。只要收益率足够低，一旦持有资产，没杠杆，总会有现金流，就可以生存。过于激进，扩张过快的公司会破产被淘汰。它们的产能被更优质的公司吸收，会提高整体经济的效率。

对任何基建行业来说，成本越低越好，供给需求差距越小市场越健康。基建都有稳定现金流，所以都能加杠杆。加杠杆时，对自己的财务模型和下游需求的预期要保守。太激进可能破产。当然太保守，规模起不来，也赚不到钱。最终的成功取决于运营能力和财务风险敞口。

NeoCloud中的一大半的会最终被淘汰。威胁它们生存的是市场的竞争格局，包括三大超云和其它NeoCloud，和客户的经营状况（客户倒闭会影响上游新云供应商）。这是必然要发生的市场规律。优胜劣汰的AI云市场是健康。

云基础设施最大的变量是PaaS。在IaaS（基础设施即服务）物理硬件这一层，大家都平起平坐。哪怕各家的架构设计理念有差别，最终交付给用户的产品在本质上是一样的：稳定、可扩展的算力和带宽。

三大超云在IaaS上的差异化思路迥异：

• 微软的数据中心的分布小而轻，有很多节点。它的单点规模可能不如AWS 庞大，但触角极广。

• AWS部署是大型的，通过极度夸张的内部带宽骨干网和强悍的系统级容器化能力，将硬件性能榨干到极致，以实现规模经济。两者在物理硬件层面差异化不大，因为硬件层的优势极易被对手通过资本投入（买最新的芯片、建同样的机房）在短时间内抹平。

• 谷歌云是三大云巨头中唯一拥有能够与英伟达分庭抗礼的自研AI 硬件生态的厂商，能够以极高的性价比向客户输出原生TPU 算力。

在PaaS（平台即服务）层面，差距更加明显

• 微软的先天优势是SaaS和PaaS能力，将传统的企业级中间件、.NET 生态、Active Directory 完美云化，并与 Office 365 / Teams 等 SaaS 紧密集成，对企业级客户有天然的吸引力。可以放到云上，打包销售。

• 亚马逊拥有极度丰富且成熟的自研数据库（如Aurora、DynamoDB）和大数据生态，形成了强大的开发者惯性。它的核心客户是初创企业。这些企业注重成本，会定向选择功能，不会照单全收，而是从AWS的丰富的功能中选择自己需要的，并为其付费。

• 谷歌因为没有toB企业服务基因，在传统云做的一般，一直排在Azure和AWS后面。进入AI时代，谷歌多年技术积累爆发——Vertex AI将AI开发的全流程封装为开箱即用的PaaS，从底层TPU/GPU算力调度、中间的框架支持（JAX、PyTorch），到顶层的Gemini企业API，一体化交付。

NeoCloud的真正护城河是存储

传统云服务于人，所以它们的数据库，可视性的管理云的软件是为人设计的。如果服务对象变成机器或者芯片，传统云的PaaS对机器没有意义。AI 智能体和芯片需要的是极致的吞吐量和无限接近于零的延迟。当大模型或 Agent需要调用数据时，传统的PaaS 软件层反而变成了繁琐的中间步骤，不仅增加了延迟，还浪费了算力。机器可以和硬件直接交互，不需要经过数据中心。

未来是否占住PaaS软件层面非常重要。如果将来把问题都问完了，是否在LLM层面，就不需要更多推理算力了？现在有很多数据源已经接近上限了，很多问题已经被问了几万遍了。大模型回答速度越来越快，不是因为推理快了，而是因为很多答案已经存起来了，回答时直接从高频存储里直接读出来的，而不是算出来。

未来最重要的竞争维度将是存储层（Storage Layer）和数据层（Database Layer）。谁的存储层做得好，谁就能在同样的硬件条件下，帮客户省下20%~30% 的算力时间。这种性价比优势，就是NeoCloud 最大的客户粘性。

存储层的战略价值在于其穿透性：它贯穿训练、推理、Agentic Work、企业应用、C端服务、本地部署到边缘端的所有场景。向上可以侵入数据库层，向下可以优化硬件架构——是AI云生态中潜力最大的赛道。

在 AI 时代，数据库的形态变成了向量数据库和图数据库，它们的核心任务是为大模型提供长短期记忆。如果一个存储层（如Weka）足够快、足够聪明，它就可以在底层直接把向量检索、数据索引给做了。既然存储层能以接近零的延迟直接交付数据，企业为什么还需要在上面再买一个独立的、昂贵的数据库PaaS？

存储层向上攻击数据库层的具体例子，是VAST Data。VAST的核心是DASE架构（Disaggregated and Shared Everything）。它将存储、数据库、容器化计算引擎整合进单一平台。客户用了VAST的存储，就可能不再需要独立的向量数据库PaaS。VAST Data为xAI Colossus超算集群（超过20万块NVIDIA GPU）提供数据平台，声称将TCO降低50%；它同时是CoreWeave的主要数据平台供应商。

存储层是最懂芯片和网络的。通过支持GPUDirect Storage (GDS) 技术，数据可以绕过CPU，直接从 NVMe 硬盘通过高速网络（InfiniBand/RoCE）搬运到 GPU 显存里。谁占领了存储层，谁就能反向定义下一代 AI 服务器的硬件架构和网络拓扑，从而在与 NVIDIA、AMD 等硬件巨头的博弈中获得巨大的话语权。

传统存储巨头（Dell的EMC、NetApp、Pure Storage）因服务对象是人类，追求高可靠性和强一致性，在低延迟和高并发吞吐量上根本无法满足万卡GPU集群的需要。而像 Weka 这样曾经偏居一隅的专注于高频交易的公司，在低延迟分布式文件系统low latency storage 沉淀了很多技术。它们因为踩中了机器直接交互、超低延迟的时代浪潮，正在成为重塑全球云生态（超云、新云、AI算力公司）的底层基石。

物理硬件会迭代更新甚至阶段性过剩，但人类和机器产生的数据总量将永续膨胀。存储层的TAM是AI云所有子赛道中最宽阔的一个。

回看历史

美国80年代开始，制造业的劳动人口有2000万。因为工业化飞速发展，国内劳动力远远不能满足需求，所以有很大通胀压力。80年代的通胀水平达到两位数。为了降本增效，扩大规模，满足消费需求，它们把市场开拓到亚洲四小龙。但这些市场体量太小，所以90年代开始进入中国。中国2001年加入WTO后，美国把大量制造业迁移到中国。从1985到现在，美国制造业岗位减少700万。亚洲地区增加了1.2-1.5亿制造业岗位。中国相对美国，成本优化60%左右，满足了美国的需求。中国管理上游的产业链，到2010年，增加了4000万白领岗位。

美国要管理下游的销售之类的产业链。美国服务员就业1.3亿，其中5000万核心白领。2012年之后，白领供应不够了。当时为了降本增效，根据当时的技术，选择了云计算和软件。但其实那10年没有革命性变化。那些软件，让美国不需要增加白领岗位，但也不能减少已有的5000万白领池子。而这个池子的工资和维护成本还在上升。

SaaS的商业模式变了。以前windows SP每三年买一次。因为是本地部署有很大的盗版问题。所以之前软件估值低。到了SaaS层面，就变成了每月收费。客户绑定系统之后，软件公司有客户数据，软件一直优化，收费明年提价。对客户来说，即使软件提价，仍然比加入成本低，软件的ROI比雇员工高。软件公司这个模式持续了十几年，直到AI的出现。

前两次外包是制造业（中国）和服务业（印度），第三次是把知识劳动外包给AI。

AI是解决白领人口成本上升的新的方法。制造业问题已经解决（去了中国或者东南亚）。那里的市场大，制造业效率一直在提升。AI在知识劳动力这块帮了大忙。Ai的实用性和稳定性得到接受之后，就能在未来至少10年慢慢减少白领岗位。

现在出现了数字经济，芯片要代替人。芯片是劳工，它们住在数据中心。它们的食物是电力，雇佣它们的是采购芯片，提供算力的超云和新云公司。所以它们被称为AI工厂。它们现在经历的瓶颈和中国90年代到2000年初经历的断水，断电，缺人相似。网络设备，即数字劳工沟通的工具，比如光连接设备就像当年国内的高速公路和电信公司。

基于当前AI能力，已经形成了一个有规模的知识劳动力出口市场——大型云板块。但我们现在可能只用到了AI能力的0.1%都不到。这个差距，就是未来最大的想象空间。

免责声明：本文不作为投资建议。