Anthropic S-1 Shocker, Greatest Business Ever? Google’s $500B Wipeout, Midterm Predictions

• Anthropic 的 S-1 让四位主持人第一次看到一个“增长、毛利和资本效率同时成立”的前沿模型公司。节目转述的核心数据包括：2026 年上半年收入约 163 亿美元、第二季度约 116 亿美元、年底约 1,000 亿美元年化收入目标、约 85%毛利率，以及账面约 1,120 亿美元现金。Sacks 特别强调，外界此前反复引用的“800 亿美元亏损”主要来自可转债随估值上涨产生的会计损失，并非等额现金消耗；公司成立约六年、累计实际净消耗约 90–100 亿美元，却可能以 1.5–2 万亿美元估值上市。
• 真正的商业飞轮不只是多买芯片，而是“原始算力 × 算力乘数（compute multipliers）”。Anthropic 把算法改进、训练数据策展、MoE 架构和用模型改进模型等能力视为算力乘数；节目称同一任务的交付成本每年约下降 10 倍，因此公司可以把客户价格下降约一半，同时保留更多效率收益、继续提高毛利。价格下降又触发 Jevons paradox：单次 token 更便宜，但 agent、持续网络安全和复杂工作流会消耗更多 token，总需求和市场规模反而扩大。
• 需求侧仍处于早期，但“实验性采购”与“可证明 ROI 的大单”必须分开。Anthropic 年支出超过 10 万美元的客户据称由 2024 年末约 200 家增至 2026 年 9 月约 11,900 家；然而在 Chamath 的客户分层中，约 4,000 万个人和小企业仍低于 10 万美元，只有约 1,900 家客户超过 100 万美元。低于百万美元的预算可由部门负责人分散试验，跨入数百万至千万美元则需要跨职能审批、明确 ROI 与总拥有成本（TCO）；这才是判断 Anthropic 能否走向数千亿美元收入的关键领先指标。
• 最大的风险已从“有没有客户”转为“美国能不能提供足够的算力、能源与资本”。Chamath 对风险因素的词频分析显示，Anthropic 最担心的是 compute，具体指向数据中心、电力、电网、芯片、设备和融资承诺；客户需求反而不是首要风险。与此同时，少数 AI 公司到 2027 年的融资需求可能相当于同期美国国债发行约 30%：如果 AI 公司提高票息，产业链融资成本上升并增加违约风险；如果国债提高收益率，则整个经济的资金成本上升。AI complex 因而不仅“太大而不能倒”，还开始与政府竞争同一批长期资本。
• Google 与中期选举是同一结构变化的两种外显。Google 搜索收入仍同比增长约 12%，但增速放缓、广告竞价被质疑“过度变现”；同时 Google Cloud 收入约翻倍至 307 亿美元，使搜索占总收入首次低于 50%。企业层面的问题是：如何在现金牛、消费者 AI、云算力和模型研发之间重新定义公司；政治层面的问题则是：谁控制电力、数据中心审批、算力和资本分配。四位主持人对中期选举结果分歧很大，但都预期未来两年围绕调查、监管、能源和 AI 权力的冲突会加剧。

贯穿全场的主线是：AI 的约束已从模型能力转向制度承载能力。Anthropic 的产品和财务数据说明价值创造正在发生，但下一阶段的胜负将同时取决于企业能否证明 ROI、美国能否扩充电力与数据中心、资本市场能否承受巨额融资，以及政府会选择促进、控制还是重新分配这种新生产力。

核心判断：四位主持人的共识不是 Anthropic 没有风险，而是其收入增速、毛利改善和低现金消耗同时出现，推翻了“前沿模型只能靠风险资本长期补贴”的简单叙事。

• 节目称 Anthropic 计划以 ANT 为股票代码上市，由 Goldman Sachs 与 Morgan Stanley牵头，目标在 11 月 16 日、感恩节前后完成。拟募资约 1,000 亿美元；若实现，将超过节目所称 SpaceX 约 850 亿美元的 IPO，成为史上规模最大的首次公开发行。
• Polymarket 当时给出 Anthropic 至少募资 950 亿美元约 78%的概率；市场对估值的讨论集中在 1.5–2 万亿美元，1.75–2 万亿美元区间约有 31%概率。Chamath 根据账面现金重新估算后，将合理价格区间放在约 1.3–1.7 万亿美元，中点约 1.5 万亿美元。
• 收入是节目认定其“史上最佳生意”最直接的证据：2026 年上半年收入约 163 亿美元，同比约增 14 倍；第二季度约 116 亿美元，较五个季度前约增长 30 倍。公司对年底给出的目标约为 1,000 亿美元 ARR，但主持人也提醒，材料没有完全澄清这里是严格的年度经常性收入，还是年化收入运行率。
• Anthropic 给出的 token 与服务总可服务市场（TAM）约 40 万亿美元。Jason 对这个数字的推导方式持保留态度，但 Friedberg 将其与 Eric Schmidt 早年“Google 的 TAM 是全球商业”类比：如果 AI 能持续替客户创造生产率，市场边界就不再只是软件预算，而可能延伸至绝大多数知识劳动与商业活动。
• 治理结构同样异常：七位创始人通过单一 F 类股份掌握 50.1%投票权；节目还讨论其中相当部分经济利益可能进入某种非营利或公益性结构。Sacks 认为，公司上市后会被公众更准确地视为全球最有权力的大型科技公司之一，而不再被当作需要监管保护的“小型安全实验室”。
• Sacks 将其称为“可能是有史以来最大的风险投资回报”，原因不仅是终值，而是时间：Anthropic 成立约六年，若以接近 SpaceX 的规模退出，价值形成速度远快于发展二十余年的 SpaceX。节目还引用社交媒体推算，数百名员工可能获得数亿美元，数千名员工可能获得逾 1,000 万美元，构成硅谷罕见的财富重分配事件。

“This is probably going to be the biggest venture outcome of all time—especially given the time in which this was created.” —— David Sacks

核心判断：S-1 的最大信息反转，是把外界熟悉的巨额亏损拆成会计损失与真实现金消耗。主持人据此把 Anthropic 从“资本黑洞”重新定义为极高资本效率的公司。

• Sacks 解释，Anthropic 曾向 Amazon 等基础设施伙伴发行可转换票据；随着公司估值上升，这些票据的公允价值变化被记入损益表，形成节目所称约 800 亿美元“亏损”。若当初直接发行股权，这一损失不会以同样方式出现，因此不能把它理解为公司花掉了 800 亿美元现金。
• 节目给出的粗略口径是：公司累计融资约 1,100 亿美元，成立以来实际净消耗约 90–100 亿美元，仍持有约 1,000–1,120 亿美元现金或现金等价物。Chamath 原先以为公司只剩 300–500 亿美元，因此曾主张需要融资 2,000–2,500 亿美元；看到报表后，他把新增融资需求修正为 800–1,200 亿美元。
• Sacks 进一步叠加约 1,000 亿美元 IPO 与约 800 亿美元债务工具，认为公司很快可能拥有超过 3,000 亿美元的可动用资金（dry powder）。这会显著降低“Anthropic 已签下巨额未来算力合同却无力履约”的风险，因为资金能够覆盖数据中心、芯片和长期 compute 采购承诺。
• 资本效率不等于未来不需要资本。Anthropic 的风险因素仍把数据中心、融资承诺和电力列为核心约束；不同之处在于，公司不是在用新钱填过去亏损，而是在用新钱锁定未来产能。对于投资者，这两种融资的经济含义完全不同。
• 四位主持人还用 Meta 做对照：节目现场查到 Meta 约有 800 亿美元现金及短期投资、约 820 亿美元债务，因此净现金约为负 20 亿美元。这个对比不是说 Meta 财务脆弱，而是说明 Anthropic 在上市前持有的现金规模已接近甚至超过超大型成熟科技公司。
• Chamath 认为，因所需募资从他原估的 1,500–2,000 亿美元下降至约 800–1,000 亿美元，Anthropic 对资本市场的压力更小，能更好地管理流通股和定价。换言之，已有现金不仅降低经营风险，也增强 IPO 议价权。

“It was not a cash loss. It’s basically a fake number.” —— David Sacks（指节目讨论的 800 亿美元会计损失，不代表否认全部经营成本）

核心判断：模型公司能否长期保持毛利，取决于能力提升速度是否持续快于价格下降速度；Anthropic 用 compute multipliers 描述算法、数据和架构对每单位算力产出的放大作用。

• 节目称 Anthropic 当前毛利率约 85%，且对同一任务或能力的成本效率每年约改善 10 倍。公司可以把某项能力的客户价格削减约 50%，客户获得明显节省，而剩余效率提升仍转化为更高毛利。主持人据此反驳“开源模型会把前沿实验室毛利立刻压到零”的单线判断。
• Dario Amodei 的框架把供给分为两部分：第一部分是 raw compute，即更多、更好的芯片和数据中心；第二部分是 compute multipliers，包括算法改进、更好的数据筛选与策展、更有效的训练流程、MoE 等模型架构。后一部分让相同答案只消耗原来约十分之一成本，也可以不降成本、转而产生更高能力。
• Sacks 认为，如果 recursive self-improvement（RSI）已经开始成立，领先者的优势可能扩大而非收敛。模型被用于寻找算法优化、训练策略和新的效率乘数，随后更强模型又提高下一轮研发效率，形成递归式研发飞轮。
• 节目转述 Anthropic 8 月发布的材料：在创建下一代模型的相关任务中，约 26%已经使用某种 RSI。这个数字被用来说明公司并非只在理论上讨论模型自我改进，而是在研发管线中实际增加模型参与度；但节目没有展示完整方法学，因而只能作为公司披露口径理解。
• 这一飞轮同时制造战略矛盾。Anthropic 长期以安全和减速叙事赢得公众信任，但为了保持模型和成本领先，又必须更快推进其自己称为高风险的 RSI。Sacks 把公司此前发布的 pacing letter 解释为一种“预先免责”：公司主张希望行业共同减速，但也预知全球不会统一减速，因此仍继续竞赛。
• Open-source 的风险没有消失。主持人认为，开源模型未必需要全面追上最高能力，只要在编码、常规企业任务等大市场“饱和”到足够好且足够便宜，就可能把部分智能商品化。Anthropic 必须持续利用 RSI 与效率乘数保持差距，但越这样做，越容易与其安全主义支持者发生不可调和的分裂。

“There’s raw compute… and then there’s the compute multipliers.” —— David Sacks 对 Anthropic 框架的概括

核心判断：客户数量说明需求存在，消费分层才说明收入能否持续。百万美元以下与以上不是连续的价格带，而是两种完全不同的组织决策机制。

• Friedberg 引用 S-1 图表称，年支出 10 万美元以上的客户从 2024 年末约 200 家，增长至 2025 年末约 1,500 家，再到 2026 年 9 月约 11,900 家。不到两年接近 60 倍增长，是节目看多企业 AI 需求的关键证据。
• 他进一步询问：哪些企业能够把每年 10 万美元支出控制在总支出的 1%以内？其估算是美国约 20–30 万家、全球略高于 100 万家。按此口径，Anthropic 在有能力承担此支出的潜在客户中渗透率约 1%，单客户预算使用率也可能不足潜力的 10%。
• Chamath 的收入分层更细：约 4,000 万个人和小企业年支出低于 10 万美元；约 1 万家客户位于 10 万–100 万美元；约 1,650 家位于 100 万–1,000 万美元；约 250 家超过 1,000 万美元。其意义不只是“客户越多越好”，而是显示大额收入仍集中在少数组织。
• 在大型企业中，经理、总监和 VP 往往各有数十万到约百万美元预算，可同时购买三到九种工具做试验，不需要公司级共识。这解释了为何低于 100 万美元的客户扩张很快，但不能直接证明部署已经进入核心生产系统。
• 一旦合同进入数百万美元，采购就会变成跨职能决策：业务、IT、安全、财务和高管团队需要共同签字，供应商必须提供 ROI、总拥有成本和防御性案例。Chamath 认为，约 1,900 家百万美元以上客户中相当部分还是风险资本支持的 AI 原生公司，真正能够证明传统 Global 2000 企业 ROI 的案例可能只有数百家。
• 因此，投资者未来每个季度应跟踪的不是笼统客户数，而是客户由低于 100 万美元升级到数百万、再到千万美元的迁移速度。如果这些层级持续膨胀，说明企业已经形成可复制的 use case、白皮书和审批路径；如果停滞，则说明当前高增长仍以试验性采购为主。
• Jason 最终承认自己此前“开源模型会吃掉 Anthropic”的判断需要随新证据调整：至少在当前收入数据中，开源探索并未显著拖慢 Anthropic。这个表态保留了条件——“尚未拖慢”，而不是认定开源威胁永久消失。

“The minute you transition from a million to multi-million-dollar deals… you have to show some form of ROI or total cost of ownership advantage.” —— Chamath Palihapitiya

核心判断：Friedberg 的价值链图表试图证明从芯片到模型层都有高毛利；真正决定这条链能否长期成立的，是客户是否获得可持续生产率回报，而这恰好是图中唯一明确标为 assumption 的部分。

• Friedberg 从 Nvidia 开始计算：节目图表称 Nvidia 每投入 1 美元 COGS，可形成约 4 美元收入，对应约 75%毛利。芯片进入算力基础设施后，通过多年折旧和持续出租再次形成高毛利。
• 他用 Colossus 1 举例：投入约 100 亿美元、假设五年寿命，每年折旧约 20 亿美元；与此同时，节目称其每月可产生约 12.5 亿美元收入。再向上到 Anthropic，S-1 显示每增加 1 美元收入的增量毛利约 85%。按其简化图表，Nvidia 的 1 美元成本最终可支持 Anthropic 约 18 美元客户收入。
• 图表最后一格假设客户每花 1 美元可获得 2–10 美元价值。其他主持人立即追问数据来源，Friedberg坦率回答这格是自己“made up”的假设。他的理由是自己使用 Claude 的团队确实完成更多工作、业务迭代更快，但这属于经验判断，不能当作已验证的全市场 ROI。
• 这段互动是本期最重要的事实边界之一：芯片收入、基础设施折旧、模型毛利可以从财务材料取数，客户生产率却很难直接观测。现阶段客户持续扩张、续费和增加支出可以作为间接证据，但也可能包含早期热情和重复试验。
• Microsoft 被用作生产率旁证：过去四年收入由约 1,980 亿美元增至 3,320 亿美元，员工只增加约 2,000 人。Chamath 把这解释为 AI 让大型企业在几乎不增加人力的情况下显著扩大收入；但仅凭两个时间序列不能把全部增量归因于 AI，节目是在做方向性推断。
• Friedberg 认为 Anthropic 高毛利意味着其具备价格弹性：可以为简单任务提供更便宜 token，为高价值智能收取溢价，形成分层定价。若终端客户真的获得生产率收益，这种价格分层能够把不同支付意愿转化为更大市场，而不是简单价格战。

“That last box I made up. I said assume two to ten x. So… I have no idea.” —— David Friedberg

核心判断：四位主持人对 Jevons paradox 的共识很强——当每个 token 更便宜时，企业不会只节省预算，而会把 AI 用到更多人、更多系统和更长时间，从而增加总消耗。

• Anthropic 可将较旧或次一级模型降价，企业在大量日常任务上会判断“已经够用”。不是所有客户都需要最前沿模型做数学、科学或复杂研究；Sonnet、Opus 等不同层级可覆盖差异化任务，使同一客户同时购买低成本吞吐量与高价值推理。
• Agent 比单次 prompt 消耗更多 token，因为模型需要规划、调用工具、观察结果、修正和多轮执行。网络安全更典型：一年一次的渗透测试可能转化为 7×24 小时 agent 监控攻击面，单价下降反而打开持续性需求。
• Jason 推演未来 1–2 亿白领会像获得 Office 365 一样获得企业 AI，每人同时运行约五个 agent，token 使用可能增长数百倍。这个“500×”是节目推演，不是公司指引；其价值在于展示需求单位将从“用户发多少次问题”变为“有多少 agent 持续工作”。
• Gallup 工作场景调查被节目概括为：约 10%员工每天使用 AI，约 20%每周使用数次。大量大型企业仍不允许员工无约束使用，也不开放邮箱、知识库、Notion、Slack 等深层连接，主要顾虑是数据安全和网络攻击。
• 因此当前渗透率既被需求端限制，也被治理端限制。只有当身份权限、数据隔离、审计与网络安全问题被解决，AI 才能从个人辅助工具转变为连接企业系统的执行层；主持人预计日用率可能由 10%升至 60%–80%。
• Uber 向全体员工采购 ChatGPT 被当作下一阶段信号：企业采购单位从少数技术团队扩大到全员席位。若更多大型企业复制，模型公司的收入构成会从实验预算变为类似办公软件的基础设施预算。

“The price will keep going down, but the market size keeps increasing.” —— David Sacks

核心判断：风险因素词频揭示管理层真正担忧的不是客户是否愿意买，而是能否按时获得足够 compute。AI 的约束已经从软件迭代速度转向基础设施建设速度。

• Chamath 阅读 S-1 的第一步是看风险因素，并让团队制作词云。节目展示的排序中，compute 远高于其他风险；其中反复出现 data centers、power、chips、grid、electricity、hardware 和融资承诺。第二层是监管、政府政策、制裁和出口管制，再之后才是零数据保留、隐私、IP、安全、竞争和治理。
• 词频中很少出现客户牵引和员工流失，被 Chamath 解读为公司对需求和人才稳定性相对有信心。这个方法不能替代财务分析，但能观察管理层为哪些不确定性投入最多披露篇幅。
• 数据中心并非“有钱就能买”：地方审批、公用事业人员、电网接入、发电能力、变压器等资本设备都存在周期。Jason 担忧，即使资本市场愿意提供钱，美国也可能因行政和物理供给堵塞而无法完成所需建设。
• Sacks 称 AI 基础设施资本开支约相当于美国 GDP 的 3%，并把当期经济增长的大部分与 superintelligence buildout 联系起来。其政治含义是，能源与数据中心政策不仅影响科技行业，还可能影响全国增长、就业预期和执政党选举表现。
• Chamath 把这个约束转化为两党策略推演：共和党若希望 2028 年延续执政，必须让电力与数据中心建设顺利；民主党若希望经济在 2028 年前放缓，可能通过审批和监管增加阻力。这是他的政治判断，不是已发生的政策事实。
• Friedberg 从组织理论进一步推演：政府、企业和非营利组织都是代表成员争夺有限资源的联盟。AI 公司能聚合资本、影响媒体、改变认知并提高生产率，因此会被政府视为潜在权力竞争者；未来政府可能不只管芯片出口，而是在生产后的 compute layer 分配谁可以获得多少算力。

“We as a country are sort of clogged up. We can’t do it even if we wanted to do it.” —— Chamath Palihapitiya

核心判断：Chamath 最担心的不是 Anthropic 本身会失败，而是少数 AI 公司融资规模大到改变整个利率体系；无论资本优先流向政府还是企业，另一方都要支付更高成本。

• 大型科技公司过去拥有高利润、强现金流和低负债，如今为 AI 建设集中提高资本开支并进入债务市场。Chamath 展示的材料称，除 Microsoft 外，多家 hyperscaler 债务显著增长；Microsoft 则在收入增长同时大幅降低债务，被他视为 Satya Nadella 的突出成绩。
• 节目估算，AI 相关公司到 2027 年底需要发行的债务规模，可能相当于同期美国财政部发行量约 30%。这意味着七八家公司会与全球最大主权借款人争夺保险、养老金、主权基金等相同的长期资金池。
• 情景一是投资者仍偏好美国国债。AI 公司、neo-cloud 和基础设施供应商必须提供更高票息，融资成本沿产业链传导，提前触发违约或项目回报不足的风险。Friedberg 的高毛利价值链会被更高资本成本侵蚀。
• 情景二是市场更愿意购买 AI 公司债。美国国债拍卖必须提高收益率，而两年、五年、十年期国债是整个经济定价的基准，房贷、企业债和其他借款成本随之上升。AI 繁荣因而可能通过利率挤压非 AI 经济。
• Chamath 把这种结构称为“too big to fail”的新阶段：约十家公司为同一类基础设施融资，可能占资本市场股权和债务流量的 40%–50%，又与国债发行形成 30%–40%量级的相对关系。其担忧来自集中度，而非简单看空 AI。
• Jason 提出相反视角：若 Anthropic 真的是美国创造的史上最好生意，全球资本在法国、中国等市场缺乏同等选择，最终仍会同时购买美国企业和美国国债。Chamath 不否认这一乐观路径，只是强调过去 15–20 年、甚至全球金融危机以来，都很少见到如此狭窄的产业决定几乎全部资本市场方向。

“About ten companies, collectively, to fund one thing will be competitive with global governments on borrowing.” —— Chamath Palihapitiya

核心判断：公司越接近万亿级上市和前沿能力垄断，就越难同时保持“无害安全实验室”的公共形象；其政府事务扩张与 RSI 竞赛会让原有安全主义联盟重新站队。

• Sacks 长期持两条并行判断：Anthropic 可能创造 AGI 时代最强商业垄断；同时，它正寻求监管俘获（regulatory capture），希望把安全规则设计成竞争壁垒。正因为商业位置已经强大，他认为政策不应再额外保护公司，而应维护模型市场竞争。
• 节目称 Anthropic 在 Biden 政府时期就优先建设政府事务团队，并吸收多名前政府 AI 官员；在 Trump 政府时期又继续聘用相关人员、资助 PAC、非营利组织和政策网络。Jason 追问为何 Dario 不像个人政治捐助者那样公开站队，Sacks 回应公司通常通过机构化、跨党派的方式建立影响，而非由 CEO 公开押注单一候选人。
• 公司上市后，公众会看到一个拥有约 2 万亿美元市值、数千亿美元现金和前沿模型能力的“大型科技垄断者”。Sacks 判断，这会削弱“为了安全给 Anthropic 特殊监管护城河”的说服力，并可能催生拆分模型实验室、token 服务和订阅业务的讨论。
• Vox 与部分安全 NGO 的批评被节目视为 doomer coalition 开始分裂的信号：Anthropic 一面警告失控超级智能，一面又比多数公司更积极推动模型辅助模型研发。对于真正担忧 breakaway superintelligence 的人，这两种行为越来越难同时接受。
• Sacks 认为 pacing letter 可能为公司构造了一个叙事：Anthropic 曾呼吁全行业共同放慢，但世界没有响应，所以公司只能继续前进。这个解释具有强烈立场性，纪要不能把它写成公司动机的已证实事实；它更像对企业公共叙事的政治分析。
• 最终矛盾无法靠传播化解：如果 Anthropic 放慢 RSI，开源或其他实验室可能追上；如果继续加速，就会突破自身安全支持者能接受的边界。IPO 只是把这种隐性矛盾转化为公开市场每季度都要面对的治理问题。

“There’s no single company in the world that is doing more to race towards full RSI than Anthropic.” —— David Sacks

核心判断：Google 的核心搜索收入仍在增长，真正的问题是增长减速、变现方式遭质疑，以及公司能否用 Cloud 和消费者 AI 接住未来价值。

• Google 财报后股价一度下跌约 10%–15%，节目称市值蒸发约 5,000 亿美元。触发因素包括连续两个季度搜索收入低于预期、搜索量增长没有同步转化为广告点击，以及自由现金流转负。
• 搜索业务并未绝对萎缩：Sacks 拆解的数据是同比从约 560 亿美元增至 630 亿美元，增长约 12%。市场担忧的是增速由约 17%下降，以及 AI 直接给答案、agent 直接完成任务后，用户点击传统广告链接的意愿是否会持续降低。
• Google Cloud 是另一面：节目称收入同比约翻倍至 307 亿美元，季度营业利润由约 35 亿美元增至逾 110 亿美元。Alphabet 总体收入仍增长约 25%，估值约为营业利润 21 倍。Cloud 增长太快，才使搜索占总收入首次低于 50%；份额下降不等于绝对收入下降。
• Friedberg 对 Google 的判断是“复杂而非简单衰退”。云业务拥有强劲增长和基础设施价值，Google 又有自己的模型，可以同时赚取算力和模型层利润；但核心消费者业务还没有清晰展示能替代搜索广告的 AI 收入曲线。
• 内部身份问题被他概括为：Google Search 到底是搜索还是 AI？Google Cloud 到底是卖计算资源，还是承载自有模型？如果出租 compute 的短期收入高于把资源用于内部模型研究，组织就会在基础设施商业化与长期技术领先之间发生冲突。
• Friedberg 提到 Jeff Dean 等人离开，并提出“模型科学家可能没有得到预期资源”的理论，但明确说自己不确定。这类推测只能标为节目判断。Chamath 则把 Google 的组织任务压缩为两点：给 Thomas Kurian 足够资源，最重要的是留住 Demis Hassabis。
• Alphabet 过去十年通过更名和“other bets”机制，为搜索之外的业务建立独立资本纪律；Waymo 等业务必须证明自身价值并引入外部资本。Jason 认为这使公司比表面看起来更有准备，YouTube、Android、Cloud、Waymo 和对外投资共同降低单一搜索依赖。

“Google search is still thriving… it’s not growing that fast relative to other businesses, but you’re not seeing it deteriorate yet.” —— David Sacks

核心判断：若广告价格上涨来自真实需求，搜索仍是健康现金牛；若来自平台不透明地改变拍卖规则，短期收入可能以透支广告主信任为代价。

• Chamath 引用广告主 Max Anderson 的长帖：对方称长期每月在 Google 投放超过 50 万美元，并列举广告系统多个变化。帖子获得约 500 万浏览，评论中有其他广告主表示类似体验；这些仍是外部指控，节目没有独立验证。
• 争议焦点是 Vickrey auction。传统二价拍卖中，最高出价者获胜但按第二高价附近支付，从而形成相对可信的价格发现。Chamath 回忆 Facebook 第一代广告系统曾逐项复制 Google 的这一机制。
• 如果 Google 已改变机制、主动抬高成交价格，平台就可能在广告主尚未完全识别前“过度获利”。当广告主发现相同点击不再产生足够转化，会减少预算或流失，今日收入增长就可能是从未来抽取。
• Chamath 不直接断言指控成立，而是要求 Google 投资者关系团队公开回应。只要市场相信公司在“rob Peter to pay Paul”，分析师就会重新评估搜索收入质量，而不只看名义增长率。
• 搜索占比下降也可能改变 Alphabet 的投资者群体。过去持有人买的是高确定性的单一广告现金流；未来公司更像由 YouTube、GCP、搜索、Waymo 和其他业务构成的结构化集团。多元化降低单业务风险，却也提高估值复杂度，一部分只想持有搜索资产的投资者会退出。
• 四位主持人的实际结论并不一致：Friedberg 谨慎、Chamath 要求回应机制争议、Sacks 认为市场过度抛售、Jason 在节目中直接买入 Google 股票。差异说明这不是“搜索必死”的共识，而是对收入质量和组织转型速度的不同定价。
• 节目还提示 Alphabet 的隐含资产：约持有 6% SpaceX、约 15% Anthropic、约 85% Waymo；Amazon 也因持有 Anthropic 股权受益。这些比例均为节目口径，但提醒投资者不能只用搜索业务单一估值框架理解 Alphabet。

“If this momentum builds—this idea that this franchise is essentially… pulling money from the future into the present—the market will react badly.” —— Chamath Palihapitiya

核心判断：四位主持人对选举结果没有共识；可复用的信息不是谁押中，而是他们如何把民调可信度、经济体感、AI 建设与国会权力连接起来。

• Chamath 表示自己因信息污染而减少关注。他仍倾向 Sacks 所说的“spritz”而非全面海啸，初步判断共和党守住参议院、民主党以微弱优势拿下众议院；但 Fox 主持人 Bret Baier 的片段让他看到共和党两院都失守的可能。
• 他的后续推演是：民主党获得众议院后会通过传票、调查、文件披露和持续性不确定性制造 FUD，为 2028 年塑造舆论；若地方政府和州长层面又能影响电力与数据中心审批，经济放缓也可能成为选举策略。因此，州长和地方选举对 AI 建设的重要性不低于联邦席位。
• Sacks 对民调极不信任，称已有机构承认制造虚假民调，并援引 Patrick Ruffini 对过去三次选举的研究：约四分之三民调误差方向偏向民主党。他以 2024 年 Ann Selzer 对 Iowa 的预测作为例子，主张共和党选民不要因“海啸”报道放弃投票。
• Sacks 同时承认，执政党在中期选举受挫符合历史规律：Bill Clinton 在 1994 年失去众议院，结束民主党约四十年控制；Barack Obama 也经历所谓“shellacking”。他的预测不是共和党奇迹获胜，而是结果可能更接近正常中期反弹，而非媒体描述的全面血洗。
• Jason 更相信 Polymarket，当时市场给民主党赢得参议院约 68%、赢得众议院约 92%的概率。他认为 Trump 支持率处于低位，自由派选民会以反 Trump 动员，温和选民不再像 2024 年面对 Kamala Harris 时那样尝试 Trump，而 America First 阵营又因通胀、战争和经济承诺感到受骗。
• Friedberg/Sacks 对预测市场同样保留：Polymarket 曾在 Bolsonaro、Netanyahu 等全国选举上出错，反映的是愿意下注者的集体情绪，不是真实投票的直接测量。节目因此同时展示了民调和市场赔率两种工具的局限。
• Jason 预测民主党若控制两院，会重启弹劾、调查各种利益输送指控，并提出法案迫使共和党投反对票，以削弱 J.D. Vance 在 2028 年的机会。他进一步判断共和党可能需要一个尚未出现、更能兑现民粹议程的新候选人；这完全属于政治预测。
• Sacks 则认为民主党自 2024 年后没有实质反思，DSA 路线、疫情时期治理方式、lawfare 和文化激进主义都可能在重新掌权后回归。若民主党控制国会，公众可能因亲眼看到其政策而在 2028 年再次向右摆动。这同样是其党派立场下的判断。
• 节目最后预告 11 月选举直播，嘉宾包括 Shane Copeland、Tim Dillon、Rahm Emanuel 与 Taylor Lorenz；Sacks起初表示不参加，玩笑称如果共和党超预期才会上线“spike the football”。这段现场互动也反映本期圆桌的基调：宏大系统风险与高度个人化、娱乐化的政治表达交织。

“It might be a more normal midterm result. That’s all I’m saying.” —— David Sacks

## 阅读口径

本纪要忠实整理节目观点，不构成证券、投资或政治建议。节目中的 Anthropic S-1 数字、Google 财务数据、持股比例、民调、Polymarket 概率和政治预测，均按主持人陈述归属；其中包含约数、市场传闻、二手图表与明确假设。尤其是“客户获得 2–10 倍回报”、RSI 任务占比、AI 融资占国债发行比例以及中期选举结果，不应脱离说话人和时间点写成无条件事实。