Stanford MS&E435: экономика AI-суперцикла (Рубрика #AI)

В AI есть странная перевёрнутая экономика: самые заметные продукты находятся наверху стека, а основная выручка и прибыль пока остаются внизу — у производителей вычислений. Вокруг этого противоречия Apoorv Agrawal собрал Stanford MS&E435 «Economics of the AI Supercycle» (и материалы).

Agrawal — adjunct lecturer в Stanford Management Science and Engineering и партнёр Altimeter Capital. До инвестиционной работы он был инженером в Palantir. По его словам, он сделал курс, которого ему самому не хватало как студенту-инженеру: не про очередной инструмент, а про модели мышления, помогающие понять, какую AI-компанию создавать, финансировать или выбирать для работы.

Формат — девять недель, одна вводная лекция и разговоры с десятью практиками. Курс проходит через весь AI-стек:

» Полупроводники и экономика GPU — с Sunny Madra и Brad Gerstner; » Энергия, дата-центры и «AI-фабрики» гигаваттного масштаба — с Chase Lochmiller из Crusoe; » Enterprise AI, инфраструктура frontier-лабораторий, внутренние знания компаний и inference cloud — с Ali Ghodsi, Sachin Katti, Yash Patil и Tuhin Srivastava; » Приложения: AI-кодинг и life sciences — с Guillermo Rauch, Eric Kauderer-Abrams и Josh Meier.

То есть курс не учит тренировать LLM или собирать агента. Он следует за деньгами через chips → infrastructure → models → applications и на каждом слое спрашивает: где бутылочное горлышко, у кого сила ценообразования (pricing power), что станет самостоятельной платформой, а что гиперскейлер (AWS, Azure, GCP, ...) однажды заберёт как функцию.

Первая серия задаёт рамку всему курсу. Agrawal сравнивает зрелую облачную экономику с «перевёрнутым треугольником» generative AI. По его расчётам, выручка всей цепочки в годовом пересчёте за два года выросла примерно с $90 млрд до $435 млрд; слой полупроводников забрал около $225 млрд из общего прироста в $345 млрд, тогда как приложения выросли в 12 раз. Это расчёт самого Agrawal, а не нейтральная статистика рынка, но перекос он показывает хорошо.

Причина не сводится к тому, что NVIDIA заняла удачное место. У классического софта следующий пользователь обходился почти бесплатно. В AI каждый новый запрос снова запускает inference и сжигает вычисления. Параллельно hyperscalers строят дата-центры под будущий спрос, а монетизация приложений ещё догоняет этот capex. Поэтому дефицитный слой получает и выручку, и маржу раньше остальных.

Дальше из этой схемы вырастают хорошие вопросы: когда inference станет заметно больше training, ослабят ли custom ASICs позицию NVIDIA, как долго инфраструктура останется самым конкурентным слоем и чем consumer AI будет зарабатывать на миллиардной аудитории. Гипотеза Agrawal — одной подписки может не хватить и реклама окажется необходима. Пока это именно прогноз.

Курс полезен основателям, инвесторам, product- и strategy-лидерам, а также инженерам, которые выбирают не только модель, но и слой стека, unit economics и место будущего bottleneck. Формальной подготовки в engineering или finance Stanford не требует.

Если нужен hands-on по ML или глубокий разбор архитектуры, можно пройти мимо. Сам Agrawal после курса признал справедливой претензию студентов: эта серия выступлений даёт карту территории, но инженерам не хватает глубины. Я бы так её и использовал — как девять хорошо поставленных разговоров, после которых к очередному AI-стартапу хочется первым делом задать не «какая модель?», а «где здесь экономика?»

#AI #Engineering #Infrastructure #Product #Economics