所有人都还在低估 AI 市场Invest Like The Best

我对一种说法非常不以为然：好像以后每个人都会靠 vibe coding 自己把所有东西都做出来。那根本不是 SaaS 公司真正的问题。真正的问题是——你每一天都按计划完成目标，反而可能是在摧毁股权价值。想想这件事：我们整个职业生涯学到的都是，先定计划，然后极其坚决地执行；达到或者超过计划，再继续往上建设，这就是创造股权价值的方式。可现在，有些公司越是照着原计划走，越是在把事情搞砸，越是在毁掉价值。

我每次和你、还有你在 Benchmark 的合伙人见面都很喜欢问这个问题。你们一年并不会投很多项目，而那些真正跑出来的投资——比如现在的 Sierra 和 Fireworks——会让你透过一家公司看到整个世界是怎么变化的。我们先从 Fireworks 开始：你观察它之后，对世界正在如何重新排序，有没有学到什么出乎意料的东西？

先看这些模型本身，它们可能是两万亿、三万亿、四万亿参数级别的模型。事实证明，把这种模型真正跑起来非常难；把它们高效率地跑起来，更是难得多。

最直观的比较是：AWS、Azure、GCP、各种 neo-cloud，以及 Fireworks、Together 这一类公司，大家都可以提供同一批公开可用的开源模型。可 Fireworks 相比传统云厂商，速度性能可以有大约 5 倍的差距；这还只是速度。如果再把吞吐量算进去，差距会更大，而吞吐量从外面其实不容易看到，只有理解这些公司的经济模型才看得出来。

也就是说，你面对的是同一个开源模型、同一套 Nvidia 硬件，结果却可能出现 5 倍的速度差和数倍的吞吐差。更有意思的是，这些专门的推理公司本身还在云厂商之上运行、支付云厂商的利润率，同时自己还能赚钱。看到这里你会问：这怎么可能？我的最大体会就是，推理基础设施实际上非常难做，里面需要非常具体、非常深的专业能力。

站在投资人外部看，很容易觉得这是一种商品：不就是转售算力、赚一点 pass-through 的钱、靠规模取胜吗？但深入之后你会发现，不是这么回事。这里真的存在很多别人不容易复制的工程能力。这个感觉让我想起早期看 AWS 的时候——从外面看像商品，进去之后才知道远不是。

那这会不会只是一个阶段性的现象？你一直很仔细地观察云计算，也很了解云的采用曲线。我想听你比较一下：云当年的演进，与今天人们使用 AI 基础设施的方式，这两种业务究竟有哪些相似和不同？

很诱人的一个判断是：如果这是商品市场，而服务成本决定一切、规模又会持续压低服务成本，那最后大概只会剩下一两个规模赢家。可 AWS 的历史恰好告诉我们，这种推理很容易错。

2006 年，Amazon 推出了 S3 和 EC2，也就是存储和计算这两项最早的 AWS 服务。到 2006、2007 年，人们才开始认真讨论它；Bezos 在 2007 年的年度信里也花了很多篇幅解释 AWS 为什么重要、为什么有趣。但当时投资人的反应并不好。如果把当时最聪明的 30 个投资人叫到一个房间，问他们：“AWS 会不会成为一个拥有长期、可持续利润率的好生意，而不是商品业务？”我觉得答案可能是 0 比 30——几乎没人会押它。

快进到 2014 年。我就是那一年进入风险投资行业的。当时又出现了另一种极常见的叙事：AWS 会吃掉一切。 人们觉得企业软件已经没机会了，它会吃掉数据库、吃掉基础设施，甚至连应用层也一起吃掉，而且会用最低价格、最好产品来做。

之所以这个故事听起来很有说服力，是因为我们当时喜欢的 SaaS 和软件公司，很多都是像年金一样的业务，毛利率可以做到 85% 左右。于是大家会想：Amazon 如果愿意只赚 8% 左右的毛利，就能把这些机会全部碾碎。那时候这套逻辑真的很流行。

可再看后来发生了什么。Snowflake 直接和 Amazon Redshift 竞争，而且一开始就跑在 Amazon 上——可以说是在 Amazon 的地盘上“比 Amazon 更 Amazon”。这还不只是 Snowflake：Confluent、Elastic、Databricks 等一批公司都在基础设施层长成了巨大公司；应用层也一样，例如 Datadog 今天已经是非常大的公司，而 Amazon 当年同样有相应的竞争产品。

当然，过程中也有大量“路杀”，很多公司确实被碾过去了。所以这不是说随便投、撒网就行。但 2014 年“AWS 会把一切都吃掉”的核心判断，最后还是错得非常厉害。更关键的是，它甚至不是因为 Snowflake、Confluent 这些例子才错；当时 Azure 和 GCP 几乎还无足轻重，而到 2026 年，它们都已经成了不可思议的大生意。

今天大致形成了一个寡头格局，市场份额也许可以粗略理解成 40、30、20 这样的分布。甚至在三大云之外，还有 Cloudflare 这种不同形态的云提供者，同样能长成非常大的公司。所以，市场并没有因为 AWS 的规模优势就只剩一个赢家。

所以你的结论是什么？

我的结论是，人们太容易做零和思考，却没有先问市场究竟会大到什么程度。一个更好的问题是：如果这些东西全都成立呢？如果它们全都能工作呢？ 云计算最后很大程度上就是这样。当然，相对赢家是谁仍然重要，失败者也很多；我绝不是说可以“spray and pray”。但那个市场大到没有任何一个供应商能够扩张到把整个行业全部吞下。

我们现在看 AI 的感觉，和当年的云计算非常押韵。今天也有人说：“Anthropic 会把所有事情都做了。”可我不太相信这种“某一家公司会吃掉全部价值”的判断。更重要的是，云计算当年已经扩张得非常快，但它的扩张速度，还是远远比不上现在 AI 的速度。

而且，要让任何一家 AI 公司真正跟上这种增长，本身就需要极其庞大的基础设施建设：电力和能源、芯片、内存，再加上上层算法和其他所有东西。我的直觉是，最后会形成一个由若干大赢家组成的寡头市场，同时还会出现一些看起来只是“较小赢家”、但实际上也能长到 千亿美元级别的公司。这个结构和云计算很像，只是速度快得多。

那从需求侧看呢？你能不能把企业当年采用云计算的过程，和今天企业采用 AI 的过程作个比较？

如果回到 2010、2011 年，AWS 已经推出三四年了，但传统的大型蓝筹企业依然极度怀疑云。真正先用起来的是数字原生公司和新成立的创业公司。一个著名例子是 Snapchat，它当时建在 GCP 上；在大约 2012 到 2014 年间的某个阶段，Snapchat 甚至可能占到 GCP 使用量的 40% 左右。那时候会出现这种“一家新公司吃掉平台很大一块需求”的现象。

就像今天 Cursor 占某些 AI 供应商需求的很大一部分？

完全一样，几乎就是同一件事。企业客户对云的怀疑持续了很久。大约到 2014、2015、2016 年，大银行、金融服务公司、保险公司和更保守的蓝筹企业才真正意识到：“等一下，这东西确实不一样，我们必须认真对待。”甚至招聘都开始受影响，因为最好的开发者想用更容易、更现代的平台工作，不愿意被旧基础设施束缚。

但今天 AI 的区别非常深刻。大型企业对 AI 的采用当然还远没有成熟——你走进 Cursor 的办公室，看他们怎么用 AI，和走进纽约一家大型金融机构看到的使用方式，完全不是一回事。可大型企业想要 AI。它们在做实验、在花钱、在想办法、在内部持续讨论，而不是像当年对云那样先否定掉。

我甚至觉得，它们把 AI 看成的机会，比当年看云更大；同时它们感受到的威胁，也比当年云计算更强。也许这是因为大家从云计算的历史里学到了教训，知道一项基础技术真正普及之后会发生什么。因此我相信，它们会持续投入，继续试着把 AI 吸收进自己的业务。

但如果你离开硅谷，到真实世界里和这些企业聊，就会看到采用速度到底受到哪些障碍限制。这反过来意味着巨大的创业机会：帮助企业走完这段路。 我经常对我合作的公司说：“去做他们的 AI Sherpa（AI 向导）。”如果你能同时理解最前沿的 AI 世界和传统企业世界，帮助客户跨越两边，那会非常有价值，我认为这种模式会持续有效。

Ramp 是一个帮助财务团队变得更精简、更快、更高效的平台。它称自己的客户平均每年能节省约 5% 的支出，并表示 Ramp 客户的营收增长速度是美国普通企业平均水平的 3.2 倍。Visa、Vercel、Cursor、Stripe、Notion、ElevenLabs、Shopify 等公司以及另外约 7 万家企业都在使用 Ramp。节目主持人也表示自己的公司在用。详情可访问 ramp.com/invest。

WorkOS 面向 AI 和软件公司提供企业级基础设施。广告称，包括 OpenAI、Cursor、Perplexity 在内的公司可以借助 WorkOS 更快具备企业客户所需的能力，把原本需要数月的基础设施工作压缩掉，把精力放回产品本身。详情可访问 workos.com。

Rogo 的 Felix 是面向金融工作的个人 AI agent。它可以根据单条指令，使用公司的模板、上下文和标准，直接生成面向客户的成品。例如，可以让 Felix 把邮件里的评论整理成材料、结合邮件内容更新 tracker，或者计算某个买家的支付能力；它可以返回完成的 PowerPoint、Excel 模型和带来源的研究资料，并按团队已有的工作方式持续运行。详情可访问 rogo.ai/felix。

那么，Sierra 正在教会你什么？

Fireworks 更像基础设施提供商，而 Sierra 则是在探索：企业到底能借 AI 为终端用户做哪些真正有价值的事。它从客服开始，现在有 Horizon，又在往更广的方向走。和刚才问 Fireworks 一样：因为你看着 Sierra 发展，你知道了哪些外界还没有充分意识到的事情？

Sierra 是一个非常好的例子。我的合伙人 Peter 和 Bret Taylor 已经一起做了第三家公司，合作关系有大约 20 年，这是非常难得的起点。Bret 和团队当然是技术出身，但他们也在企业世界里生活了很久，真正理解大型企业怎么运转。这让他们很适合做我刚才说的“AI Sherpa”：先从客服这个高度可自动化的场景切入，再逐步帮助企业往前走。现在 Horizon 里已经出现了能长时间运行、能完成越来越多事情的 agent。

Sierra 表面上看是一家应用公司，但它实际上在做很深入的 AI 工作：实验不同模型、构建 agent、贴近模型底层能力和各种 harness。它们真正理解 AI 能力的锯齿状边界（jagged edge）。这一点和人类能力很不一样——我们对人的能力通常有一种比较平滑的直觉，可模型会在某些事情上极强，在看起来相邻的事情上却突然很差。

好的 AI 产品团队会先理解这条锯齿状边界，再围绕它设计产品。Cursor 的演进就是这样：从 IDE，到 Tab 自动补全，再到 agentic work，一次又一次地把自己几个月前的产品形态淘汰掉。

甚至六个月前的东西就已经被自己淘汰了。

对。Bret Taylor 把这叫作“沙堡（sand castles）”。过去我们以为自己是在建城堡；现在我们建的是沙堡，知道下一波浪来了就会被冲掉。你必须接受这一点。如果你还像传统工匠一样执着于“我把地基和每一块砖都做得完美，这座城堡要站一百年”，那你在今天的软件世界里可能活不下来。

模型大约每隔几周就会出现新的能力。团队需要理解这些新能力在什么地方突然出现、又在哪些地方存在低谷，然后把它们翻译成客户可以真正使用的产品。你不能只是在表面上套一个模型 API。这实际上把传统产品开发逻辑整个倒了过来。

过去我们训练产品经理时会说：产品经理应该懂技术，但不应该过度考虑具体实现，更不应该替工程师规定实现方式。产品经理的核心工作，是理解客户问题，再把问题翻译给工程师，让工程师构建解决方案。那是传统的优秀产品管理方式。

但今天如果还这么做，祝你好运——这已经是很糟糕的方法。你必须同时非常具体地理解模型能力的细节：它擅长什么、会在哪里失败；又要理解客户到底遇到什么问题。然后把两者拼在一起，跨过中间的缺口，才能构建真正有价值的东西。

Cursor 的 Michael 和团队从一开始就做得很好。他们理解模型能力那条不平滑的边界，再构建产品，把开发者的需求映射到这种锯齿状能力上；随着边界移动，他们也持续改产品。很有意思的是：大家都说模型会削弱“技术壁垒”，但结果反而像是技术理解能力的回报正在上升。

这确实有点讽刺。模型看起来在降低技术门槛，但真正“懂技术”的价值反而更高了。

我完全同意。我觉得过去把人严格分成产品经理、设计师、工程师等等，今天已经不是最有用的分类方式了。真正重要的是另外三种能力。

第一，真正理解客户问题；第二，有品味（taste），知道什么是好产品；第三，理解并持续好奇 AI 能力的锯齿状边界。这三件事才是核心。

如果一个人同时具备这三点，他大概率会做得很好。至于他的职位标签是工程师、产品经理还是设计师，已经没那么重要。你需要的是：品味、客户理解，以及对 AI 能力边界的深刻理解。

很多年前我们第一次聊 SaaS 时，你用了一个我后来一直在用的词：competitive frontier（竞争前沿），也就是最终决定赢家和输家的那些变量。我的合伙人最近有个说法让我印象很深：现在几乎所有东西都是一个 jump ball——球还在空中，谁都有机会抢到。那今天真正的竞争前沿是什么？

除了“沙堡而不是城堡”这个变化之外，你在那些正在成为赢家的人身上还看到了什么？今天赢家的性格、商业战略、商业模式，和 SaaS 时代学到的东西相比，有没有发生根本变化？

我非常不认同“人们以后会 vibe code 出自己的软件，所以 SaaS 会消失”这种说法。那根本不是 SaaS 的真正问题。 SaaS 真正的问题是：它们所面对的竞争前沿已经完全改变。过去以为能让自己获胜的东西，今天未必还能让自己获胜。

以数据库为例。数据库几十年来一直是极好的软件生意：毛利高，而且极其黏。原因之一是应用开发者会针对某个数据库特定的接口来开发；随着时间推移，数据越来越多，要把一个应用从一个数据库迁到另一个数据库，会变成一个非常巨大、非常困难的工程。所以 Oracle、SQL Server 和很多更小的数据库公司都能赚到非常好的利润。

但在 AI 的背景下，这套逻辑变了。现在不一定是一个开发者亲自对着数据库接口写迁移代码，可能是 Claude、Codex 一类模型在对着接口工作。数据库接口恰好又是定义得非常清楚、规范非常明确的东西，而 AI 对这种明确规范的任务特别擅长。再加上 agent 不会因为“把一种 specification 翻译成另一种”这种单调工作而疲惫，于是过去软件行业里最不愿意做的数据库迁移，突然变得相对容易。

也就是说，过去最可怕的迁移项目，现在可能只要投入资源就能搬走？

对。所以不是“不再需要数据库”，也不是“每个人会自己写一个数据库”，而是成为优秀数据库公司的标准变了。未来会有更多应用被创建，因为试验新应用的成本更低。数据库因此需要从几乎零使用量开始，一路无缝扩展到“如果这个应用真的爆了”的极大规模。

成本也变得更重要。你希望数据库可以不断启动、关闭、拆掉、重来，配合更快的产品迭代。因此，未来决定赢家的变量会更像：成本、从零到无限的伸缩能力、可迁移性，以及围绕这些能力的整体效率。这和过去“选定一个数据库、买许可证、部署在指定硬件上，然后十年不动”是完全不同的竞争逻辑。

几年前我对很多 SaaS 公司传递的第一条信息其实很简单：要么尽快进入 AI，要么接受自己只值三倍收入。 今天不少上市 SaaS 公司可能还在六倍左右交易，但别忘了，2021 年很多公司是 30 倍。

所以哪怕公司本身增长得不错，倍数压缩也会把价值吃掉。

对。你可能几年里把业务做大了 4 倍，甚至实现盈亏平衡，但估值倍数从 30 倍掉到 6 倍，相当于压缩了 6 倍。结果就是：公司明明成长了 4 倍，股权价值却可能比以前还低。这就是为什么旧的“按计划增长”不再足够。

这件事后来对我变得非常具象：有些公司每一天完成原定计划，实际上都在摧毁股权价值。 想想我们过去学到的管理方法——制定计划，极其坚决地执行，达到或者超过目标，然后继续复利。这是整个管理团队、整个 CEO 群体几十年形成的肌肉记忆。

可在技术底层发生跃迁时，你可能必须告诉他们：停下来，原来的方法现在会让你把事情搞砸。你越忠实地执行旧计划，越是在毁掉价值。我之所以用这么刺激的说法，是想把管理者从旧计划里解放出来。

我朋友 Ann Lee Gates 有个说法也很好。很多处在转型期的 CEO 已经经营着几亿美元规模的业务，他们白天 8 点到 5 点继续做原来的主营业务，然后晚上 5 点到 8 点“顺便做 AI”。但真正需要做的，恰恰是反过来：最好的时间和注意力应该先放在重新定义 AI 时代的公司上，旧业务反而变成需要维持的那一部分。

这非常难，因为人已经被过去的成功训练过。我们习惯了 hill climbing：沿着一条已经证明有效的坡继续往上爬；设计划、执行、创造价值、再复利。可当目标函数变了，你要做的是重新选择要爬哪座山。

如果看今天的赢家——不管是某些 AI 创业公司的创始人，还是 Fireworks 的团队、Bret Taylor 这类人——一个很突出的共同点是：他们对“我们到底在优化什么 eval”非常灵活。目标函数变了，他们会跟着变。你看这些公司的业务本身，也一直在持续演化，而不是守着三年前写好的战略。

模型能力大约每四周就可能推开一段新的锯齿状边界，这种进度会让人失去方向感。你作为投资人，比技术创始人离底层模型远一层。和三年前相比，你自己的行为发生了什么变化？

我一天大约 80% 的时间都在和创始人讨论公司里的具体问题、动作和选择。以前我们会很自然地说：“过去这种情况通常这么做；这种候选人一般比另一种候选人更好；这是老派经验里的标准 readout。”现在我会强迫自己再问一遍：放到今天还成立吗？

我会在“不稳定的技术底座”里重新评估它，也会在新的增长方式、新的商业模式里重新评估它。过去所有经验和假设，我现在都想拆开来看：哪些还能迁移，哪些其实已经失效？这是我自己最大的行为变化之一。

一个非常具体的例子是高增长 AI 公司里的管理层招聘。我们见过很多上一代极其优秀、履历非常漂亮的领导者进入 AI 公司之后迅速失败，而且这不是个例，整个行业都能看到。问题不是这些人不优秀，而是他们带来的经验，和 AI 创始人的工作方式、以及业务今天真正的约束之间出现了某种阻抗不匹配。

我在一个销售负责人身上非常突然地看到了这种不匹配。传统软件销售几十年来都有一套 quota capacity model：每个销售代表一年能做多少额度。早期公司的 quota 可能是 120 万、150 万美元，ISR 可能是 75 万、85 万；成熟以后，企业销售可能到 250 万美元。所有财务模型都从这套销售产能算起，再给 attainment 打个折，然后推算能卖多少。

但大家没意识到，这套模型本质上建立在一种推需求（push demand）的世界里：你先配置销售产能，再把产品推给客户。很多 AI 公司面对的却是完全不同的环境——客户原本在正常工作，突然出现一个 AI 产品，效果像他妈的魔法一样。

所以这些公司卖的其实是“魔法”。

对，就是魔法。如果你是第一个真正把这种魔法带给客户的人，那你一年为什么只能卖 200 万美元？你很可能会卖远远超过 200 万。于是 quota capacity 当然不是完全没意义，但它已经不是第一阶约束，更不是你应该最先拿出来建模的东西。

可很多传统高管一进来，还是拿出旧方法：这是 territory assignment，先做西海岸，再做东海岸，再做中部；这是我们每个销售能承担的额度；这是我们按老经验应该怎么扩团队。问题是，新业务根本不按这套方式运行。

所以后来我面试这些管理者时越来越强调一件事：把你以前学到的东西先留在门外。 不是说经验毫无价值，而是要先把包袱卸掉，从第一性原理重新学习这家公司。真正的交付瓶颈是什么？真正的需求瓶颈是什么？别先假定答案就是过去那套销售数学。

因为现实里，有些 AI 公司的销售代表一年已经能做 1000 万、2000 万、3000 万美元。我最近甚至看到过 5000 万美元的例子。这显然是另一种业务。

那你见过最强、最“从零重新发明”这套销售方式的人，是怎么做的？

说实话，这些公司里最好的销售员通常就是创始人本人。他们做的事情是，把 AI 那条锯齿状能力边界，和客户真正能接受、真正需要的能力连接起来。听起来很简单，其实一点也不简单。但本质就是这个：理解模型能做到哪里，再把它翻译成客户眼里的价值。而背后的市场又大得惊人。

云计算时代大家犯过的最大错误，就是低估了市场到底有多大。后来事实证明，云市场比人们想象的大得多。而我觉得 AI 的市场还要更大。

今天早上我们还在同一个群聊里讨论这件事。对“智能”的需求看起来几乎没有上限，而且系统越聪明，反而产生越多需求。现在真正的瓶颈会不会只是资本？agent 不会疲惫，技术本身也不需要“喘口气”，可整个现实世界好像需要三个月消化一下：资本要形成，要重新评估机会，而投资规模已经大得惊人。我们似乎可以把任意多的钱投入算力、数据中心和推理需求。这个过程能一直继续吗，还是最终会被可投入资本耗尽？

我真正担心的是能源。如果把模型最简单地看成一种机器，它做的事情就是把 compute 转换成 intelligence。既然对智能的需求非常大，那么对广义 compute 的需求就会持续增长。这里我说的不是某一种芯片、某一种存储，而是整体计算能力。

可 compute 最终需要什么？需要大量能源。所以我比“蒸馏”“中国开源模型”等具体技术讨论更在意能源供给。我听到的一个对比是，中国明年新增的能源能力可能是美国的 10 倍左右。如果能源最终是计算的瓶颈，而对智能的需求又近乎无限，那么能源更少，就意味着智能更少、token 更少，或者 token 更贵；token 一旦贵得多，供需自然会让实际使用量下降。我认为这会非常糟糕。

这个能源瓶颈会通过很多不同方式表现出来：燃气轮机、天然气、太阳能、核能、稀土供应等等。我如果从监管或政府角度看，会希望尽可能促进各种能源的投资和开发。太阳能也好、核能也好、天然气也好——全部都做。

也就是说，不必先押注哪一种能源一定胜出，而是先把总供给做大。

对。相对而言总会有一些方案比另一些更好，但我没聪明到能精确预测最后是谁。我的态度还是那句话：能做的都做，让市场自己把相对赢家找出来。

既然说到 compute，我很想完整听一次 Cerebras 的故事。我自己也对计算非常着迷，而且在这个方向有很大的投资。真正靠近芯片和系统之后，会觉得人类能做到这些事情简直不可思议。你大约在 2016 年投资 Cerebras，那应该是你第一次认真做这种极其困难的硬件投资。今天这种机会很多，可当年几乎是一个异类。你从 Cerebras 学到了什么？

最主要的教训就是：硬件真的太难了。 Cerebras 也是一个关于投资人需要多少“天真”的绝佳例子。

2016 年这家公司来见我们时，就是五个创始人加一份 deck。老实说，我本来非常不想去听 pitch，因为我想：“我们为什么要做硬件投资？这也太疯狂了。”Benchmark 那时已经大约十年没有做过半导体投资。但团队非常出色，而他们一开始就抛出一个观点：GPU 其实并不适合 deep learning，只是它碰巧比 CPU 好了大约 100 倍。

你得记得那是什么时候：Transformer 还没出现；OpenAI 当时只是一个有点奇怪的研究实验室；Nvidia 的市值大约是 400 亿美元，不是 4 万亿美元；TPU 甚至还没有正式公布。非常非常早。但我一听到“GPU 其实不适合深度学习”这句话，脑子里马上就是：“靠，当然啊。”

因为此前大约一年半，我一直在寻找深度学习的应用：安全、医学影像以及其他领域。我已经相信这项技术会改变一些很重要的东西。所以我们从周三第一次见面，到下周一合伙人会议，中间又密集见了很多次，迅速建立了足够强的 conviction，最后投了。

当时我真正理解的东西其实非常少。我只抓住了一个硬件逻辑：直到今天，要让深度学习硬件更快，我们主要知道三条路——增加核心数量、提高核心之间的通信能力、让内存更靠近计算。 基本就是这三个维度。

Cerebras 的方案相当于把三件事都推到逻辑极限：做 wafer-scale chip。按当时的设计，一整片晶圆上大约可以放 45 万个核心，芯片上放大约 20GB SRAM，尽量不需要离开芯片去拿内存；因为核心都在同一片晶圆上，核心间通信也被最大化。在那个制程节点上，这接近你能把这三个维度推到的极限。

我当时想：“好，这个逻辑图已经很清楚了。”可后来才明白，在软件里，如果你把“为什么它会工作”的逻辑架构想清楚，也许已经走完了 80%，剩下主要是 go-to-market 和执行；在硬件里，你可能只走了 2%。

因为接下来还有物理世界。还有整个供应链。所有人都知道 TSMC，但不是只有 TSMC，还有几十家其他供应商，每一个环节都可能关键。把这一切装起来、让它真的运行，是另一个宇宙。当时我对这些几乎一无所知。

从 2016 快进到大约 2019 年，公司拿到了第一批真正的芯片。那时你会听到“bring-up”，一开始我以为意思就是“芯片回来了，点亮它”。后来才发现，所谓 bring-up 后面可能还有十几步，每一步都是新的问题。

大约到 2020 年，我们终于有第一套真的能工作的东西，可这又只是下一段漫长行军的开始。做半导体时，你会先跑大量 simulation。那些仿真给你的更像是一个 roofline——理论性能上限。现实里所有软件、编译器、kernel 和系统问题，都会从这个上限往下扣。

芯片刚点亮时，真实性能可能只有理论 roofline 的 10%。然后团队要花几个月、几年，一点一点把真实性能往那个上限推。这和软件极其不同，也极其困难。

但我今天反而对专用计算硬件非常看多。回到我们 2016 年投资时的逻辑，我看了自己经历过的几代计算平台。每一次出现真正新的大 workload，最后都孕育出一批新的巨大公司：通用计算推动 CPU；图形需要大规模并行，推动 GPU；网络需要极低延迟的芯片；移动计算则需要极高的能效。

每一代里都有新的百亿美元、千亿美元级赢家。所以当时第一个问题是：AI 是不是大到足以成为一种全新的 workload？ 历史上也有无数人为各种专门任务做过专用芯片，最后其实没多大意义，因为 workload 不够大。我们对 AI 的判断是：它足够大。

第二个问题是：这个 workload 有没有带来一种过去架构没有解决的新约束？我后来理解到，AI 工作负载确实极大受益于 GPU 的并行能力，但 GPU 并没有从根本上解决核心与核心之间、也就是网络层之间的通信问题。所以 AI 不只是“大”，它还有新的 communication-bound constraint。

这就是我当时几乎全部的认知：巨大新 workload，加上新的硬件约束。如果这两件事都成立，就有可能诞生独立的新巨头。后来当然出现了很多赢家：Nvidia 之外，有 TPU、AWS Trainium，也有 Groq、Cerebras 等不同路线继续竞争。这个战场还会长期打下去。

我甚至觉得新的第六代机会正在出现。我们已经投了一家公司，但还没有公开。我第一次在很长时间里又觉得，CPU 架构本身可能重新有创新空间。原因是现在 LLM 大量运行在 accelerator 和 GPU 上生成代码，而这些代码最终仍然要在 CPU 上执行。

今天由 LLM 生成的代码，大量还是跑在我们用了很多年的经典 CPU 上。但 CPU 背着几十年积累下来的很多约束和历史包袱，其中一些也许今天已经不需要了。所以我对一种全新的 CPU 路线非常兴奋，我觉得这可能是下一类重要机会。

Cerebras 的经历，会不会让你更想多投一些这种硬件公司？

他妈的当然不会（笑）。

为什么？

2019 年有一次董事会我到现在都记得。我们坐在那里，机器真的在“融化”——某个地方热到不行、像在烧。那时公司已经融了大概 5 亿美元资本。我坐在那里想：“等一下，什么叫它在融化？我们是不是要把这 5 亿全亏掉？这东西是不是根本做不成？”今天看 5 亿美元在 AI 硬件里好像没那么夸张，但当时我真觉得这是一笔巨大到吓人的钱。

可你再看 Andrew 和整个 Cerebras 团队后来做了什么，真的疯狂。硬件团队和软件团队像是两种不同的人。我对这些人有非常深的尊重和感谢，他们完成的事情太难了。

玩笑归玩笑，有些项目真的会让你觉得“做风险投资很值得”。因为你资助的是一件有意义、会改变世界、而且本来很难被其他资本形式支持的事情。我做投资并不是因为我特别迷恋“投资”本身；投资只是让我能和公司一起工作的方式。我最喜欢的是和团队一起做公司。

所以像 Cerebras 这种雄心极大的项目特别吸引我。我很早就说过，即使 Cerebras 最后失败，我也会认为它是一个值得用风险资本尝试的项目：去做一件人们试了 50 年都没能做成的事情，而今天因为技术条件变化，我们有了一个为什么“这次可能行”的理由，也有了真实应用。

Benchmark 现在也有机器人公司、有一家让我很兴奋的国防公司，还有刚才提到的 CPU 项目。我其实很喜欢这种类型的投资，它们非常有趣，也是风险资本很好的用途，只是绝对不容易。

我很喜欢你说的“有生产力的天真”。也许正因为当时你不知道那么多，才敢投。如果你一开始就问遍专家，他们很可能都会告诉你：别做，太难，成功率太低。

对。很多领域都是这样。专家会告诉你：“这东西很烂，太难，base rate 太低，年轻人不可能做芯片……”这些刻板判断大部分时候其实是对的。不是四次里对三次，而可能是二十次里对十九次，甚至一百次里对九十九次。

那有没有某些领域你觉得真的太远了？比如生物技术——如果自己这么无知，你会不会干脆不投？

关键不是假装那些 base rate 不存在。Benchmark 的一位创始人 Bruce 经常问我们：“什么可能会对（what could go right）？” 我们必须看见那个正向路径。是的，“年轻人做不了芯片”“不要再创一家半导体公司”这些经验判断通常完全正确——直到某一次它不再正确。

有句话有人对我的一位合伙人说过，我很喜欢：如果项目失败，它会因为你合伙人列出的那些理由失败；如果项目成功，则会因为那些理由最终根本不重要。

Vanta 为超过 16,000 家快速发展的公司自动化安全与合规工作，其中包括 Ramp、Cursor 和 Harvey。广告称，它可以让公司持续保持审计准备状态，并监控两次审计之间、供应商、AI 工具和整个环境中不断出现的新风险。

每当团队增加一个新工具，或者某个供应商打开新的 AI 功能，就多一个可能出问题的地方；而传统安全流程并不是为 AI 这种增长速度设计的。Vanta 的 agent 被描述为一个全天候运行的 GRC 工程师，可以自动发现问题、起草修复方案，并把供应商评估时间最多缩短 50%。节目听众可通过 vanta.com/invest 了解优惠，广告提到可减免 1,000 美元。

Ridgeline 是面向投资管理公司的端到端统一系统，把投资组合会计、对账、报告、交易和合规放在同一个平台中，并把 AI 能力直接嵌入其中。广告称，一些机构正在从旧系统迁移到 Ridgeline，因为其 AI 功能比传统投资管理软件走得更远。

主持人表示，他和很多投资管理人聊 AI 时，大致看到两种极端：一类人完全不知道从哪里开始，另一类人却相信自己一个周末就能写出整套订单管理系统。现实是，投资公司无论多兴奋于 AI，都仍然需要治理、控制，以及唯一可信的数据源。Ridgeline 的统一平台正是建立在这些基础之上；如果投资机构认真制定 AI 战略，Ridgeline 应该被纳入讨论。

Ridgeline 的广告最后邀请听众访问 ridgeline.ai 申请产品演示。

我们俩都对机器人很感兴趣。如果机器人真的工作，它的影响可能比现在这波 AI 还大。可机器人又像一个经典的“永远还有十年”问题。人人都想要一个能在家里帮忙叠衣服的机器人，但它到底要满足什么条件，才能在中短期真正变成现实？

传统机器人其实早就到处都是。装配线、制造线里，那些在受控环境中执行重复任务的机器人已经非常成熟，这部分基本解决了，而且还会继续发展。真正困难的是：在现实世界、开放环境里，应对不断变化的任务。那里才需要 AI 和机器人真正结合起来。

第一个大问题是：机器人没有一个像互联网那样巨大的数据集可以用来 bootstrap。LLM 一开始就拥有互联网——那里面装着海量人类知识。机器人的等价物根本不存在。所以大家正在试很多方法：视频、simulation、teleoperation 等等。

以 teleoperation 为例，你很快会问：到底要遥操作多少机器人，才能采集到“互联网规模”的数据？现实中很难。因此第一步不是追求无穷数据，而是先得到一批足够高质量、足够有价值的数据，让模型能启动起来。

互联网本身也有大量垃圾数据，即使在 AI 生成内容出现之前就是这样。Wikipedia、GitHub、某些 Reddit 内容的价值，显然高于大量普通论坛和无用网页。所有基础模型公司都做过数据优先级排序：什么数据更值钱，什么数据价值更低。机器人公司现在也在做同样的事——先抓最高价值的机器人数据。

如果这一步能让你预训练出一个足够好的基础模型，接下来最重要的问题就是：能不能像 LLM 一样，只加很少的辅助样本，通过 post-training、RL 等方法，就教会模型一个预训练阶段没见过的新任务？LLM 的“魔法”很大程度上就是：先有巨大预训练底座，再用少量后训练把新能力激活出来。我认为机器人正在沿着完全相同的方向发展。

Benchmark 投资了 Sunday Robotics，它做的就是这种完整 pipeline。它最终做家庭机器人，但在我看来，“家庭”这个应用标签本身没那么重要。真正关键的是：训练 pipeline 能不能工作？数据怎么采？模型怎么训？后训练能不能形成飞轮？

我经常看历史，因为历史不会重复，但会押韵。自动驾驶就是很好的例子：Waymo 和 Tesla 本质上都是“AI + robot”。两者都用自己的方式做了垂直整合。Tesla 有一大批真实车辆在路上采数据，再用这些数据训练开 Tesla 的模型；Waymo 也一样。它们都收集非常高质量的数据，做自己的预训练，然后围绕这个闭环继续迭代。

我觉得家庭机器人也会复现这种路线。像 Sunday 这样的公司会把机器人、模型、围绕机器人的数据采集方式都做垂直整合。Sunday 甚至设计了和机器人手匹配的手套，用人戴手套操作的方式采集数据，这样人手动作到机器人手动作之间的可迁移性非常好。

有了高质量预训练数据，就能先训练一个不错的基础模型，再在上面不断增加具体样本、RL 和 post-training，最后出现一些很酷的 emergent behavior。这个闭环一旦跑起来，能力就会越来越强。

你有没有某一个最有“这事真的来了”感觉的瞬间？

我们第一次投 Sunday 时，我的合伙人 Peter 安排了 demo。我们下到 Stanford 实验室的地下室，看到的是一种非常粗糙的纸板手套原型。后来又看了几代。最近一次我们去他们办公楼地下室时，那里大概有十几台机器人，正在随意拿不同衣服反复练习叠衣服。

关键是，那不是为了给投资人表演的一次 demo。它们真的在做 trial and error。旁边有人把叠好的衣服拿起来测量，检查是不是叠得合格，再建立严格的 baseline 和 evaluation criteria。我当时真的有一种感觉：“天啊，这东西正在发生。”

你会担心这些公司选错客户或选错任务吗？大家总喜欢展示叠衣服，因为没人喜欢叠衣服，所以听起来很合理。但我们其实未必知道未来机器人最大的真实需求是什么。会不会最后造出了一个解决方案，再去到处寻找问题？

我不太担心，原因很大程度上来自我看 LLM 的经历。早期做 LLM 的一些人确实知道代码会很重要，Anthropic 团队也很早理解，如果代码生成和自动化 AI 研究足够强，可能走向 recursive self-improvement。但最早真正爆发的应用，并不是人们后来最看重的那些东西，而是写作、编辑、营销文案。Jasper 就是很早跑出来的应用之一。

所以我认为机器人用途也会演化。叠衣服是个不错的训练任务，不一定因为它最终会是最大市场，而是因为它有很好的训练属性：衣服形状是任意的，任务复杂，需要灵巧操作；同时它又不强时效——机器人花三倍时间也无所谓，可以让它一天慢慢干。

因此我不觉得“叠衣服”这个最终 task 本身有多重要。更重要的是，你有没有预训练出一个非常强的模型，然后能不能持续在上面做 post-training，把数据—训练—能力的飞轮转起来。只要飞轮真的成立，之后能做的任务数量会不断相乘。

这个问题可能会让你有点不舒服，但我确实发现一个现象：我问很多创始人、也问很多你这种类型的投资人，“谁是最好的董事会伙伴”，你的名字出现频率高得离谱，比我遇到的其他人都多。明明大家都有动力把董事会工作做好，你觉得自己到底做了什么不一样的事？

我后来意识到，每个投资人都会被不同类型的创业者吸引，化学反应也不同。对我来说，一个关键区别是：我把自己当成 partner 第一、investor 第二。

比如昨天我们还看了一家公司，我会把它叫作“investment-grade opportunity”：你可以投，生意大概率能跑，可能也能赚到钱。一个纯投资人的思路会说，那就投。但一个真正想长期做 partner 的人，不一定会投。因为如果我和这个人之间没有真实的化学反应，没有那种“我们会一起工作得很好、我会从他身上学很多、他也能从我这里得到一些东西、我们会互相强化彼此反馈回路”的感觉，那就不够。

所以对我而言，投资一开始就是一种双向选择。创始人得真心想和 Benchmark 合作，我也得真心期待未来很多年和他一起做公司。缺了这个 fit，即使项目从财务上看很不错，我也愿意放弃。

Benchling 的 Saji 是个很好的例子。Benchling 做生命科学 SaaS，早期一路狂奔，表现极其好。然后生物科技市场崩了，公司一下进入很艰难、很磨人的阶段。它以前很长时间几乎没有 churn，以至于正常 SaaS 报表里大家都会列的那一行——gross ARR added、churn、net ARR added——他们最初六年里甚至不怎么需要报告 churn。

然后大概十二个月里，一口气吃掉了七年份的 churn。

对。十二个月里经历七年份的流失，生活会突然变得非常痛苦。可就在这种 grind 里，Saji 和团队没有停。他们意识到终点线移动了，必须做不同的事，于是不断想：怎么把 AI 真正用到自己非常熟悉的 biotech 和 pharma 客户里？怎么让这些客户真正愿意采用模型？他们持续试、持续迭代。

我愿意在这种时候陪着他们，不只是因为我相信机会仍然很特别、我们能找到出路，也因为我享受这场游戏本身和这段关系。你真的愿意和这个人一起解决难题。对我来说，这就是 venture 最有意思的部分。

风险投资其实有很多完全不同、都能成功的风格。有人像作家，有人像销售，有人是工程师出身，有人一辈子都是职业 VC，没有唯一正确模板。我的方式就是：和这些创始人通电话时，我自己也会学东西；他们会反驳我，我会继续问问题。那种来回对我很重要。

我越来越觉得，很多时候创始人其实已经知道答案。他们知道自己想做什么。我的工作未必是告诉他们答案，而是通过提问，帮助他们把自己的 conviction 变得更清楚，把“为什么要这么做”说得更准确。

如果这种过程一年能让我们几次把决策变好 1% 或 2%，十年累积下来就是非常真实的差异。董事会工作的价值，很多时候不是一次给出一个惊天答案，而是这些小幅度、高质量决策持续复利。

我在投资前会问自己一个问题：我人生里有很多非常在乎的人。我能不能真诚地说服其中一个人加入这家公司，并且从智识上诚实地解释，为什么这里可能成为他一生的工作（life's work）？ 如果我做不到，我就不应该投资。那说明这个项目和我真正相信的重要性没有对齐。

只要这家公司真的可能做成一件“重要的、能留下很大痕迹”的事，具体属于哪个行业反而没那么重要。如果机会够大、创始人够特别，我就会很想一起做。

你还有类似的投资前问题吗？刚才这个非常好。

有。另一个是：如果这个人周六晚上 9 点给我打电话，我会不会接？

可以叫它“绿色接听键测试”。

对。你其实会马上知道答案。如果你心里还要犹豫，那本身就是信息。这主要是 chemistry，而且对方当然也得有同样的感觉。

还有一个问题是：如果我们的判断是对的，这件事重要吗？有人会在乎吗？ 我们可以对很多商业判断“看对”，但最后这些判断根本不重要。上周我还对一个创业者说：“我真的觉得你能在这里建一家非常好的公司，但你其实不应该拿风险资本。”因为就算你完全做对了，可能也没有足够多人真正关心，最终很难创造足够大的股权价值。

现在一个很有意思的变化是，你刚才讲的所有这些判断，背后的 stakes 和 leverage 都更高了。最简单的体现就是钱更多、价格更高。你们最近又募集了 Benchmark 很久没有做过的 growth fund。这看起来和同一个变化有关：公司需要更多资本，进入价格更高，最终 outcome 也更大。也许今天用 10 亿美元估值进入，仍然能拿到十年前 5000 万美元估值进入时类似的倍数。你们内部是怎么走到这个决定的？

我会先回到一个更基础的问题：像 David Swensen 那一代 LP 当初为什么会配置 venture capital？并不是因为他们觉得 VC 能每年比 Nasdaq 或指数多赚三五个百分点。真正吸引他们的是，风险投资偶尔可以产生极其夸张的投入资本倍数（multiple on invested capital）。从纯财务角度，这才是他们真正寻找的东西。

风险投资历史上很长时间里，有两件事几乎是同义词：早期投资，和极高的 cash-on-cash multiple。如果你想拿到很高的投入资本倍数，最自然的方法就是在很早的时候进入。过去这两个集合几乎完全重合。

但最近几年，情况变了。公司的最终 outcome 变得更大，市场本身也大得多，所以“能产生极高现金回报倍数的机会”这个集合，已经扩展到了早期投资之外。当然，这并不意味着突然有无数后期公司都能让你赚 100 倍，那不是真的；但在早期之外，确实出现了一些依然可能产生非常高回报的特殊机会。

我们做 growth fund 的逻辑就这么简单：既然这种机会存在，我们就应该去追。你完全可以批评我们晚了几年，这个批评我接受。但我相信从现在往后，这类机会仍然会存在。

同时，我们不能因为阶段变了，就把 Benchmark 原来的工作方式丢掉。高 conviction、高 commitment、真正的 partnership，这些东西都必须继续存在。我们不是因为“后期估值高了”就去做交易，而是仍然只想追那些极少数、非常特别、可能产生 runaway success 的公司。

你们内部反方的论点是什么？市场很兴奋时，人们总会线性外推，1999 年、2020 年也都可能讲出“这次不一样”的故事。为什么不是继续待在自己的能力圈里？

这些反方论点当然都有道理。对我来说，最重要的一条是：你得有真正适合做这件事的团队。 Growth 的判断方式、思维方式和早期投资确实不完全一样。两年前也许我们还没准备好。

但过去几年我们也碰到过好几次：我们对一家公司的直觉其实是对的，也看见了机会，最后却没投，只因为它“在盒子外面”、不属于我们当时定义的传统范围。回头看，这显然很蠢。如果真正的目标是找到少数罕见、可能产生超高 cash-on-cash return 的公司，那就不应该让人为的阶段框把自己挡住。

你亲眼见过很多 20 倍到 100 倍的回报。这样的结果在投资一开始肯定不可能靠 Excel “算出来”，否则价格早就不一样了。这些 20–100x 的项目放在一起，教会你什么？

和真正特别的人一起工作。 然后你还需要努力工作、聪明地工作，再加上一点运气。三件事真的都得凑齐。

很多结果高度依赖 timing，而 timing 里有大量公司无法控制的东西。Cerebras 就是个好例子。他表示，公司这一次在 5 月推进了公开市场进程，但 2024 年也尝试过一次；如果那一次成了，估值会低得多，而且会很艰难。那次没有走成，和外部审查等因素有关。仅仅晚了大约 18 个月，很多公司无法控制的外部条件就完全不同了。

公司当然也做了自己能控制的事，比如把 inference 真正跑起来。但仍然有大量宏观、时点和外部因素不在自己手里。这就是为什么最终的巨大结果，永远会混合执行和运气。

所以经典原则仍然成立：专注于你能控制的东西。软件公司和硬件公司在这里差别很大。软件公司除了依赖 AWS 等基础设施之外，通常几乎拥有自己的整个 stack，因此相对能控制自己的命运。

硬件不是这样。你面对完整供应链：HBM、DRAM、TSMC，以及很多跨国界的环节，于是地缘政治也会直接进入公司命运。你不仅要执行好，还得在 timing、macro 和很多外部变量上走运。

但一切还是从“和特别的人一起做没有上限的机会”开始。如果你持续和这些有点疯狂、非常特别的人一起追逐 unbounded opportunities，那么偶尔撞上巨大好运，几乎是迟早的事。

我 20 岁时在一家投资银行工作。那时 Marc Andreessen 和 Ben Horowitz 刚创办 LoudCloud，公司还在 stealth；Ben 还给过我一个做他助理的 offer。我当时和一个大概 25 岁、但在我眼里已经像“长辈”一样的 associate 聊天。他问了一个很典型的投行问题：“你打高尔夫吗？”我说，我他妈根本不打高尔夫。

但他给我的比喻一直留到今天。他说，高尔夫里你可以不断练习，让球越来越靠近旗杆：靠近一点、再靠近一点。这部分是努力工作和聪明工作。可一杆进洞仍然是运气。

我很喜欢这个框架，甚至拿它教育自己的孩子。因为它承认：是的，运气真的存在；但你有办法提高自己撞上运气的概率。办法就是不停把更多球打到洞口附近。只要足够多的球都非常接近，迟早会有一个掉进去。

这也是我对投资组合的理解。我们每个人一年大概只投一两家公司。我做 VC 大约 12 年，总共只投了 18 家公司。

这个数字少得惊人。

对，所以每一笔都是非常高 conviction、非常高 commitment。我在这些公司里有很多 skin in the game，我真的相信这些创业者和这些公司。只要不断和真正特别的人一起去追非常大的机会，你就一直在把球打到洞口附近。

如果你一直和非常特别的人一起追逐这种机会，偶尔真的会发生魔法。

你对“什么时候、为什么应该上市”学到了什么？

Benchmark 每周一晚上会办晚餐，你也来过。昨晚我们刚好和一家价值数千亿美元的私营公司 CEO 讨论了这个问题，所以我的想法还很新鲜。最终我觉得，上市会给公司打开一整套新的可能性。

第一，上市反而会带来一种公众信任，因为公开公司有透明度，外界能看见发生了什么。第二，你获得了一种可以拿来做交易、激励、并购等事情的公开市场“货币”。第三，你拥有极强的融资能力。我认为这也是为什么大型 AI labs 最终很可能会走向公开市场。

但我尤其重视“信任”这一点。对这些影响极大的 AI 公司而言，更高透明度本身对社会、对美国都是有益的：大家能看到公司在做什么。我觉得这是一种更健康的结构。

还有一个更直觉的比喻：大学运动员想做什么？想成为职业选手。职业比赛当然更难，竞争更强，对手更快、更壮，stakes 更大，舞台更大，审视也更强。但真正优秀的人还是想去更高水平的赛场。公司上市也有点像这样。

确实有极少数公司——可能三四家这种量级——靠长期极其出色的执行和大量自由现金流，在不上市的情况下也能长到惊人规模。那很好。但对绝大多数公司，我的倾向是：该上场的时候就上场。

因为资本市场存在窗口。2021 年上市的一大批 SaaS 公司后来过得很难：当年可能以 30 倍收入交易，公司后来规模扩大了 4 倍，却只剩 6 倍左右的倍数，于是股价和估值承受巨大压力。但另一边，还有大约 500 多家私营 SaaS 公司，收入在 1 亿到 5 亿美元之间。它们的员工没有真正的流动性机会，投资人也没有退出机会，很多人就被卡住了。

我并不认为这些 SaaS 公司都会消失，也不认为它们会被用户“vibe code”掉。但 AI-native 公司极高的增长率，确实把市场里的氧气、注意力和兴趣都吸走了。很多传统 SaaS 公司错过了自己的窗口，这非常艰难。

Benchmark 合伙人内部现在争论最大的事情是什么？我很喜欢在这种技术变化大的时候来听你们讨论，因为你们会真辩，而且这种分歧非常有学习价值。

一个很大的争论是：在 foundation models、AI infra、apps 这整条生态里，价值到底积累在哪里？为什么在那里？护城河究竟是什么？

另一个同样重要的是商业模式创新。SaaS 当年之所以比传统软件强，不只是因为交付方式更好；subscription 本身就是一次真正的商业模式创新，而且对公司和客户都是 win-win。我觉得 AI 也会出现类似变化，例如按结果收费（selling by outcome）。

那价值会不会最后主要都归到 labs？或者都归到半导体公司？

这确实是我们认真讨论的问题。但我的基本观点还是：很多层都能成立。 CSP 会不会做得好？会。某些 neo-cloud 会不会做得好？会。Fireworks 这种公司会不会做得好？会。Nvidia 会不会继续做得好？会。某些芯片创业公司会不会成为赢家？也会。

手机上的 edge inference 会不会存在？会。靠近用户的 POP 上会不会有 near-edge inference？会。数据中心里会不会继续跑超大模型？也会。今天太多人把问题想成一张固定大小的饼：Anthropic 或某一家 lab 会不会拿走 98% 的价值，甚至把药物发现之类的行业都自己做掉？我觉得这种想法不符合真正巨大技术市场的历史。

但必须非常清楚：我说“这些层都能成立”，绝不是说每一个在这些层里创业的公司都会成功。恰恰相反，每个领域里的大多数公司都会失败。正因为市场很大、参与者很多，真正的 differentiation 反而比以前更重要。你必须把自己的逻辑推到极致，真正做到和别人不一样。

除了这些，你现在还在特别观察什么？不管融资市场还是技术世界都可以。

我觉得很有意思的一件事是，一些极其聪明的人身处技术世界，却很容易从技术能力直接跳到一种几乎确定论的社会结论，比如“必然出现大规模失业”。我想用一个特别具体的例子解释为什么我不喜欢这种推理。

看 Geoffrey Hinton 和放射科。大约在 2016 年，他有过一个非常著名的判断：我们应该停止训练放射科医生，因为 AI 很快会把影像阅读做得更好。Hinton 比我聪明几个数量级，但这个结论后来显然错得很厉害。

有意思的是，让他得出这个结论的技术前提，反而几乎完全正确：对一张明确的医学影像而言，我们确实应该能够训练 AI，在某些阅读任务上比人做得更好。很多研究也已经说明某些具体任务可以做到这一点。我们投了一家公司 New Lantern，也在沿着这个方向工作。

真正的障碍在现实世界。第一，根本不存在一个把所有放射科工作都聚合起来的完整训练集。现在很多公司只能做非常具体的任务，比如某一种 chest CT。但一个普通放射科医生每天看的东西非常多：X-ray、CT、MRI，不同身体部位，可能一天处理 20 种任务、40 个 scan。一个只在某个小任务上极强的 AI，对整个工作流的帮助可能仍然很有限。

这和我们刚才聊机器人完全一样：你首先缺的是训练整个“工作”所需的数据，而不仅仅是某一个 benchmark。

第二，整个医疗系统的 reimbursement、责任和流程，都是围绕“医生做 readout”建立的。如果 AI 自己读片，谁拿钱？谁承担错误或漏诊的责任？医疗 malpractice 怎么处理？这些制度并不会因为模型能力突然提高就自动消失。这就是现实世界的黏性。

所以最后我认为，我们会先进入一个很长的 co-pilot 阶段。AI 真的会帮助放射科医生提高 throughput：有些部分 AI 做，有些部分医生做，双方互相检查。之后 AI 会逐渐读取越来越多类型的影像，能力一点一点积累。

但从“AI 在某个影像任务上更好”走到“社会不再需要放射科医生”，中间会花很长时间。甚至在这个过渡期，我们可能需要更多放射科医生，而不是更少。因为影像检查的成本在下降，结果是大家做的检查反而越来越多——这很像 Jevons paradox（杰文斯悖论）：效率提升后，总需求反而扩大。

这就是我看“大规模失业”论述的方式。一个人可以非常聪明，非常准确地理解模型能力，也掌握正确的技术数据；但如果没有把这些数据放进真实世界的工作流、制度、需求弹性和人类行为里，就仍然可能得出完全错误的社会结论。对我来说，就业问题和放射科这个例子几乎是同一种结构。

Eric，我特别喜欢和你聊市场。今天非常过瘾。

谢谢。

节目尾声再次出现赞助商信息。Ramp 强调，小优势会随时间复利，而公司的支出系统本质上就是资本配置系统；它通过更好的数据帮助企业做更好的决策，并邀请听众访问 ramp.com/invest。

Vanta 表示，它可以随着公司成长自动化合规，并为安全和风险提供统一可信的数据源，详情见 vanta.com/invest。

Ridgeline 表示，它希望成为资产管理机构真正的技术伙伴，而不只是软件供应商；广告称它曾帮助机构把规模扩大到原来的 5 倍，通过更快增长、更智能的运营获得竞争优势，详情见 ridgelineapps.com。

WorkOS 的尾声广告再次强调，它帮助 OpenAI、Cursor、Perplexity 等 AI 和软件公司更快具备企业级能力，让团队跳过不够“光鲜”的基础设施工作，把注意力放回自己的核心产品。源字幕在这一句尚未完整结束时即结束。