▍嘉宾：埃里克·维什里亚 (Eric Vishria)
埃里克·维什里亚是 Benchmark 普通合伙人，2014 年加入，是硅谷「运营商出身」型投资人的代表：
- Opsware 岁月： 2000-2007 年任 Opsware 市场副总裁——这家公司正是本·霍洛维茨 (Ben Horowitz) 与马克·安德森 (Marc Andreessen) 创办的 Loudcloud 转型而来，2007 年被惠普以 16 亿美元收购，维什里亚随后出任惠普产品副总裁。本期节目中他回忆的「20 岁那年本向我抛出橄榄枝」，就发生在这段渊源的起点。
- 创业与雅虎： 2008 年联合创办社交浏览器 RockMelt 并任 CEO，2013 年被雅虎收购后出任雅虎数字杂志与垂直业务副总裁。
- Benchmark 十二年： 专注早期基础设施与企业软件，主导投资并进入董事会的公司包括 Confluent（2021 年上市）、Amplitude（2021 年上市）、Cerebras（2026 年 5 月上市）、Benchling、Contentful、Fireworks.ai、Sunday Robotics、New Lantern 等；自称 12 年只投了 18 家公司，每年一两笔。
▍关于 Benchmark
Benchmark 成立于 1995 年，是硅谷最具传奇色彩的早期风投之一，早期押中过 eBay、Uber、Twitter、Dropbox、Snapchat 等公司。
- 平等合伙制： 没有 CEO、没有层级、没有「残余经济权益」，所有全职普通合伙人平分收益——决策靠每周一的合伙人会议和著名的周一夜晚餐会辩论完成，被刻意设计为「手工作坊」而非「工厂」。
- 小基金纪律与打破纪律： 过去二十多年，Benchmark 坚持把单只早期基金压在约 4.5 亿美元上下，以保住「小注、高现金倍数」的回报结构。2026 年 6 月，在 Cerebras 上市带来约 32.5 亿美元回报后，Benchmark 完成约 20 亿美元募资：7.5 亿美元新早期基金外加 12.5 亿美元史上首只成长期基金（目标仅投 5-6 个项目）——这正是本期节目讨论「高现金倍数机会那个圆变大了」的现实注脚。
透过 Fireworks 看世界：同一个模型，五倍性能
Patrick： 每次跟你和你的合伙人们聚会，我都爱问同一个问题：你们投的都是万里挑一的公司，每年投不了几家。而那些跑出来的公司——到目前为止 Sierra 和 Fireworks 肯定算——让你得以透过这家公司的棱镜学到太多关于世界的东西。这两家我都想聊，先从 Fireworks 开始吧。透过 Fireworks 这面棱镜观察世界，你对这个世界、对它正在发生的重构，有哪些可能是让人意外或有趣的认知？
Eric： 一件很有意思的事是：这些模型本身就很庞大——2 万亿、3 万亿、4 万亿参数。事实证明，跑这些模型难得很，要高效地跑更是难上加难。这一点谁都看得见：从 AWS、Azure、GCP，到新云厂商 (neoclouds)，再到 Fireworks、Baseten、Together 这一票公司，所有人跑的都是开发者池里那些现成的开源模型，大家都一样。
而 Fireworks 和云大厂之间的性能差距大约是 5 倍。这还只是速度性能。在此之上还有吞吐量，这个东西从外部看不见，只有你懂这些公司的经济账才看得见。你会愣住：同一个开源模型、同样的英伟达 (Nvidia) 硬件，性能差 5 倍，吞吐量还差好几倍。最简单的理解方式是：这些公司一边向云大厂交着毛利，一边还能在自己这层上赚钱。这怎么可能呢？
我最大的收获就是：哇，这东西跑起来是真的难。里面涉及大量专门知识，是一种非常特定的专业能力。
你从外部以投资人的视角看——我们待会儿应该聊聊 AWS 的早期——从外面看，你会觉得这就是大宗商品，就是转手套利的规模游戏。
Patrick： 规模游戏。
Eric： 对，规模游戏，随便怎么说。然后你会突然醒悟：不对，事实证明它不是，完全不是。
云的押韵：从「30 比 0」到寡头格局
Patrick： 你觉得这只是阶段性的现象吗？我很想跟你好好聊聊云。你一直非常密切地跟踪云计算，对它的采用曲线、人们的使用方式，以及这两门生意的对照都很了解。人们很容易下结论说，最后会只剩一两家规模赢家，就像大宗商品市场里通常发生的那样——
Eric： 完全同意。
Patrick： ——在那类市场里，服务成本就是一切，规模把服务成本压下去，故事就这么简单。
Eric： 我觉得 AWS 这个例子再好不过了。2006 年，S3 和 EC2 发布，存储平台和计算平台，这是 AWS 最早的两款产品。差不多 2006 年底、2007 年大家开始讨论它。我记得 2007 年的股东信里，贝索斯 (Bezos) 大谈 AWS 为什么重要、为什么有意思。而投资者的反应非常差。
我当时就想，如果把那个时代最聪明的 30 个投资人关进一个房间，问他们：AWS 这门生意成为一门好生意——有持久长期利润率、非常有意思、不是大宗商品——的概率有多大？我觉得会是 30 比 0，全灭。这些人还是你我认识的、2007 年就在场上的真正聪明人。
好，从 2007 年快进到 2014 年。我 2014 年进入风投行业，当年一个非常流行的叙事是：完了，AWS 要吃掉一切。企业级市场再没机会了。它要吃掉数据库和基础设施，还要吃掉应用层，而且给得又便宜又好。你得记得，我们手里当时都有一批了不起的 SaaS 和软件公司，大家爱它们的理由是：它们是年金式生意，毛利率 85%。所以人人恐慌：天哪，亚马逊可以用 8% 的毛利率提供同样的东西，会把这一切全碾碎。
Patrick： 你的毛利就是我的机会。
Eric： 对，你的毛利就是我的机会——整个叙事就是这样。
再想想 2014 年到今天的企业级市场。Snowflake 就是 Amazon Redshift 的正面对手，还跑在亚马逊的云上。你在亚马逊的地盘上比亚马逊还亚马逊。而且不止 Snowflake，还有 Confluent、Elastic 和 Mongo，还有 Databricks。这些公司全都了不起。这还只是基础设施层。
再看应用层：想想 AWS 早期亲自下场做的那些品类——Datadog，今天是一家千亿美元公司。AWS 当时就有对标产品，对吧？可 Datadog 还是做成了。当然，被碾死的炮灰也一大堆，AWS 确实轧过去了不少公司。但即便在 2014 年，「AWS 会吃掉一切」这个判断也错得离谱——不是因为我刚举的这些例子，而是因为 Azure 和 GCP 当年根本无足轻重，而快进到 2026 年，它们都成了难以置信的生意。
那现在 AWS 是最大的吗？我觉得格局大概是 40-30-20。最后形成的是一个寡头格局。而三巨头之外还有 Cloudflare——另一种形态的云厂商，又一家千亿美元公司。也就是说，巨头之外还长出了一批千亿美元量级的「小玩家」。所以结论是什么？我的结论是：到处都是零和思维，没有意识到这个盘子到底有多大——
Patrick： 万一全都跑通了呢？
Eric： 对，万一全都跑通了呢？而事实就是全都跑通了。当然，押对相对的赢家很重要，炮灰也确实存在，那些都仍然重要。我不是说可以乱枪打鸟，完全不是。我只是说，市场大到一家厂商根本没法扩张到把它全吃掉。它就是吞不下整个行业。
当然，现在的情况不一样了，方方面面都不一样。但就凭你我眼下在 AI 里看到的一切，这个逻辑感觉就是在押韵，对吧？就像——
Patrick： 就像现在大家说「Anthropic 会包办一切」。
Eric： 对——可真的吗？这真的对吗？在我看来，「一家公司会吃掉一切」这种观点站不住脚。而且我要指出：云的扩张虽然很快，但远比不上现在正在发生的速度。而任何一家公司要真扩张到那种程度——这一轮的扩张需要天量的基础设施建设：能源、电力、机房壳体、芯片、内存，当然还包括上层的算法等等。所以我感觉，最后会是一个赢家的寡头格局，而且我真心相信，还会有一批千亿美元量级的、不可思议的「较小赢家」。当年那一幕，感觉正在重演。
需求侧：企业从极度怀疑到真金白银
Patrick： 你能也从需求侧谈谈吗？对比一下你当年观察企业采用云计算的过程，和你现在看到的 AI 采用过程。
Eric： 回到 2010、2011 年，那时 AWS 已经上线三四年了，企业客户仍然极度怀疑。就是那种传统大企业、蓝筹股企业，极度怀疑。而外面有一批数字原生的新公司在用云。最有名的例子是 Snapchat 建在 GCP 上。我记得在那个年代，大概 2012 到 2014 年的某个时点，Snapchat 一家就占了 GCP 差不多 40% 的量。当时就是这种景象。
Patrick： 这就好比 Cursor 占了这些 AI 云 30% 的量，一个道理。
Eric： 百分之百，一模一样的剧情。企业对云的怀疑一直持续到 2014、2015、2016 年才松动。之后，大银行、金融服务、保险这些更保守的蓝筹企业开始反应过来：等等，这事不一样，我们得认真对待了。这事甚至成了他们招聘的痛点——他们招不到最好的开发者，因为最好的开发者想在最好用的平台上工作，诸如此类。
而这一次的差别，我觉得非常深刻。蓝筹企业的 AI 应用确实还很不充分、很不成熟——你走进 Cursor 的办公室，和走进一家纽约大型金融机构的办公室，AI 的使用程度完全是两个世界，这是事实。但他们想要 AI。他们在想办法，在做实验，在真金白银地投入，在讨论，没有不屑一顾。我认为，比起当年的云，他们更多地把 AI 看作机会——看重它对生意的潜在影响；同时也更多地把它看作威胁。也许他们只是从云的时代吸取了教训，知道这里可能发生什么。所以我相信他们会继续想办法消化它。
话虽如此，我确实觉得有一件很有意思的事：当你走出硅谷，去跟这些企业聊，了解到它们的采用节奏和采用障碍之后，你会发现帮助它们走完这段路是个巨大的机会。我常跟我参与的公司说：嘿，我们来当他们的 AI 夏尔巴向导 (AI sherpa)。如果我们能占据这个位置，横跨两个世界，那会非常值钱。而且我认为这条路会一直走得通。
Sierra 的启示：城堡时代结束，沙堡时代开始
Patrick： Sierra 又在教你什么关于 AI 落地的东西？它和 Fireworks 是个很有意思的对照：Fireworks 是基础设施供应商，而 Sierra 在摸索的是能为终端消费者做哪些很酷的事——帮企业为终端消费者做事。从客服起步，但我知道你们现在有 Horizon，已经超出客服了。还是刚才那个问题：因为你亲眼看着这家公司演化，有哪些东西是这个世界还没有充分认识的？
Eric： 我的合伙人彼得 (Peter) 和布雷特 (Bret)——这已经是他们第三次一起创业了。一段 20 年的合作关系，这是个了不起的起点。布雷特和整个团队最特别的地方在于：他们是技术人，但也在企业级世界里摸爬滚打过很多年，是真的懂。我觉得他本人就是「当他们的 AI 夏尔巴向导」这个理念的化身：先从客服切入，那是高度可自动化的场景；现在我们又有了 Horizon 上的长跑智能体，能做的事越来越多。
对我来说最有意思的一点是：Sierra 表面上是个应用公司，但他们在做真正的 AI 工作。他们拿模型做实验、搭智能体，贴着模型和工具链 (harnesses) 的金属层干活，对 AI 能力的锯齿边缘 (jagged edge) 有切身的理解——那和我们直觉中人类能力的光滑弧线完全不同。他们懂这条锯齿边缘，并围绕它来构建。你看 Cursor 的演化：从 IDE，到 Tab 自动补全，再到智能体化 (agentic) 的工作方式，一轮接一轮。他们每隔 6 个月就在淘汰自己之前做的东西。这就是布雷特·泰勒 (Bret Taylor) 说的沙堡 (sandcastles)：我们以前建的是城堡，现在建的是沙堡，注定会被潮水冲走。如果你不这样看待软件——
Patrick： 你得拥抱这一点。
Eric： 是的，你必须拥抱这一点。如果你是个匠人心态的人，想着「我打的这个地基多完美，这些砖多完美，我倾注了心血，它要立一百年」，那你撑不下去。模型每隔 4 周就涌现出新的能力属性，他们懂这条锯齿边缘，懂怎么把这条边缘——或者说这片洼地——对接到自己的客户群上。他们在填补那些缺口，做翻译和转化。只浮于表面地套 AI 是不行的。
我认为产品开发的方式已经发生了一次彻底的倒转。过去我们总说：「产品经理应该懂技术，但真不该去想实现方式，不该去规定实现方式。」产品经理的工作是深刻理解客户，把问题翻译给工程师，由工程师做出方案——那是传统的产品管理。现在祝你好运，那是很糟糕的做法，行不通了。你必须真正理解模型能力的细微之处——它们擅长什么、在哪里翻车——同时理解客户的问题，把两者拼在一起，架起桥梁，才能做出有价值的方案。Cursor 的迈克尔 (Michael) 和团队从一开始就做得极好的一点就在这里：他们真正理解了那条锯齿状的能力边界，做出了一个能完成这种转译的产品——从开发者到那条锯齿边缘——并且随着边缘的变化不断迭代。
技术人的回报不降反升
Patrick： 这挺讽刺的：你刚才说的这些听起来像是「懂技术的回报在上升」，而与此同时，模型按理说正在抹平技术优势。
Eric： 对，百分之百是这样。其实还有个挺微妙的事。之前有很多讨论，关于产品经理、设计师、工程师这些传统角色该怎么演变。而我觉得，真正重要的人只有三种：理解客户问题的人，有品味 (taste) 的人，以及理解 AI 能力锯齿边缘并对它保持好奇的人。就这三样。
Patrick： 有这三样，你就能干得好。
Eric： 有这三样，你会做得很好。至于是工程师、产品经理还是设计师，都无所谓——只要你有品味、懂客户问题、懂那条锯齿边缘，你就能干得好。
竞争前沿已经整体移动
Patrick： 我们第一次做这期对话已经是很多年前了，想想都觉得不可思议。我很想重温一下我们第一次聊 SaaS 时谈到的那些观点。你当时用了一个我后来一直沿用的词：竞争前沿 (competitive frontier)，也就是决定谁赢谁输的那些东西。我的合伙人布里 (Brie) 有个很棒的说法一直留在我脑子里：现在一切都是跳球 (jump ball)。除了「沙堡 vs 真城堡」这个判断，我很好奇：在那些正在成为赢家的公司身上，你还看到了什么？和你在 SaaS 时代学到的相比，如今赢家的特质——无论是创始人个性、商业策略还是商业模式——变了吗？
Eric： 我对「大家会自己 vibe code 一套自己的东西」这种说法嗤之以鼻。随便吧，那不是问题，完全不是 SaaS 公司的问题。SaaS 公司的问题是：竞争前沿整体移动了。他们原以为自己在构筑的、能让自己赢的那些东西，已经不是能让他们赢的东西了。
拿数据库来说。很长时间里，数据库都是软件行业极好的生意，利润丰厚。为什么？应用开发者要针对某个数据库特定的接口来开发，数据还会越积越多。所以把应用从一个数据库迁到另一个数据库，是一个巨大而痛苦的工程。于是这些生意粘性强到难以置信，可以榨出巨额利润。Oracle、SQL Server，还有一大批小玩家，都在数据库上赚得盆满钵满。
好，放到 AI 的语境里再想一遍。第一，现在对着数据库接口开发的不再是人类开发者，而是 Claude 或 Codex。第二，数据库接口的美妙之处在于它的规格定义得极其清晰——而事实证明，AI 智能体恰恰最擅长规格极其清晰的事。第三，智能体不会厌烦把一种规格翻译成另一种规格的单调工作。于是，数据库迁移——这个过去软件行业头号「千万别碰」的事——突然变得近乎小事一桩。
Patrick： 说白了就是钱的事。
Eric： 对，砸点钱进去，搬走就完了。所以变的是什么？变的是「什么样的数据库公司才了不起」的评判标准。不是大家不需要数据库了，也不是人人都要自研数据库，事情不会那样发展。会发展的是标准的改变。现在，新应用会大量涌现——这已经到处在发生了——人们会更多地做实验，因为实验便宜了，起一个新应用便宜了。所以你需要的是能从基本零用量一路撑到爆发的数据库，这一点重要得多了。
成本也重要得多了。你希望能随起随停、反复拆了重来——对数据库迭代速度的要求上去了。最终，我认为成本会成为裁决者：成本、从零到无穷的弹性伸缩、可迁移性，这些决定了谁赢谁输。这和过去「我为这个场景选好数据库规格、采购 license、跑在这种硬件上」完全是两个世界。当然，这些元素过去也零星存在过，但这一次是标准本身变了。
几年前我们给这些 SaaS 公司最核心的一个信息是：你有得选——要么转 AI，要么就只值 3 倍市销率。这句话当年很难入耳：要么转 AI，要么 3 倍市销率，就这两个选择。我们今天说 3 倍，是因为现在不少上市 SaaS 公司也就按 6 倍上下交易。可别忘了，2021 年它们是按 30 倍交易的，无一例外。有 CEO 会说：「3 倍？哇，我从那时到现在增长了 4 倍啊。」可倍数压缩 (multiple compression) 就是这么残酷：你增长 4 倍，估值倍数缩到六分之一，结果你反而更不值钱了——哪怕你这几年涨了 4 倍、还做到了盈亏平衡。这是第一个信息。
而真正让我有切肤之感的，是坐在那些会议室里的这句话：你每达成一次计划，每一天，都在摧毁股权价值。你想想这句话。我们整个职业生涯学的是：定计划、毫不留情地执行、达成或超越、不断堆砌——价值就是这么建的。整个管理层学的是这个，这些 CEO 在前 AI 时代学的也是这个，几乎人人如此。而现在你走进去对他们说：你每达成一次计划——
Patrick： 你就是在搞砸。
Eric： 你就是在搞砸，你就是在摧毁价值。而说这话，是为了把他们解放出来。我朋友安妮·李·斯凯茨 (Anne Lee Skates) 还有另一种讲法：那些身处转型期、生意做到几亿美元规模的 CEO，自以为一切就绪：白天早八晚五打理旧生意，晚上五点到八点再挤时间搞 AI——
Patrick： ——而他们该做的正好反过来。
Eric： ——正好反过来。但这太难了，因为所有的训练、所有的肌肉记忆、所有的惯性都在拖着你，因为我们都知道自己一直在爬的是哪座山。我们某种程度上都在做爬山算法 (hill climbing)，过去的成功模型是：定计划、执行计划、创造价值、复利累积。而现在要说的是：不，不不，停下来，你得彻底倒转过来。
绕了很远，回到你的问题：现在的赢家是什么样的画像、什么样的心态？看看 Mercor 的布兰登 (Brendan)、Fireworks 的林 (Lin)、马克斯 (Max)，或者布雷特，这些人中的任何一个——他们对「评估标准 (eval) 是什么」都灵活到极点：我到底在为什么做优化？样样都极其灵活。你再看这些公司每一家，业务形态一直在演化，他们在这方面做得太出色了。这跟我当年被教导的那一套，完全不是一个路数。
把过去学的一切留在门外
Patrick： 你怎么体会模型进步带来的那种眩晕感？你是投资人，离那层金属还有一步之遥，不像技术创始人那样手按在上面。因为这个节奏，你的行为和三年前相比有什么不同？
Eric： 我每天 80% 的时间都在和创始人聊：他们公司里的问题、他们在做的事、要走的棋。每当这时，我都会非常警觉：这是我们过去的做法，这是通常的做法，这是过去评判「这个候选人为什么比那个强」的老派结论。好，那放到今天的语境里重新评估；放到一个不稳定的技术基底上重新评估；放到「生意在往这个方向长、而不是那个方向」的语境里重新评估。我开始质疑我以前学到的每一个假设、每一条经验：哪些还能用，哪些已经不能用了。这是个巨大的变化。
举个非常具体的例子，这事在那些高速扩张的 AI 公司内部冲击很大。不少上一代公司里经验丰富、履历光鲜的高管，空降到这些扩张中的 AI 公司，然后彻底哑火。全行业都看得到。为什么？他们是四五年前最优秀的一批领导者，经验齐全、身经百战，很出色。可就是不灵了。AI 创始人、业务的需求和这些人带来的东西之间，存在某种阻抗失配 (impedance mismatch)。我招过的一位销售负责人让这件事变得格外刺眼，他说：「这些目标我们一个也达不成。」
「软件销售几十年来的算法都是配额产能模型 (quota capacity model)：每个销售背多少配额。公司早期，配额大概 120 万、150 万美元；内部销售代表 (ISR) 大概 75 万、85 万；往后做大了，企业级销售能到 250 万。所有财务模型都是这么搭的：从配额产能模型出发，乘上一个达成率折扣，就是能做的量。」
但根本问题在于，所有人都在不知不觉中执行着一套「推需求」的打法，而不是「拉需求」。而这些公司的处境是：市场上冒出一个 AI 驱动的新产品，客户一看——这简直是魔法。这些公司卖的是魔法。而事实证明，如果你卖的是魔法，又是第一个到场的——
Patrick： 那你卖出去的会远远不止 200 万美元。
Eric： 对，你会卖出远超 200 万美元。配额产能模型那套东西——不是完全不重要，它还有那么点意义，但绝对不是第一性的约束。于是你会看到这些空降的高管拿着一套东西：这是我们的数学，这是我们的区域划分，我们会这么做——先打西海岸，再打东海岸，再铺中部，诸如此类。你只能告诉他：不不不，这里完全不是这么运转的。我在面试和接触这些人时最大的一个心得就是：嘿，你得把过去的一切留在门外，全都留下——这本来就是好习惯——把所有包袱都寄存了，把你学过的一切都放下，从第一性原理重新学这门生意。
它到底是怎么运转的？交付的真正瓶颈是什么？需求的真正瓶颈是什么？因为在很多这样的公司里，一个销售一年能做 1000 万、2000 万、3000 万美元。
Patrick： 我最近就见过 5000 万的。
Eric： 结果确实不一样了。
Patrick： 你见过的最好的、完全用新打法做销售的人，在做什么？
Eric： 说实话，这些公司里最牛的销售就是创始人本人。他们做的事，就是把 AI 能力的锯齿边缘对接到客户的现实能力上，就这一件事。听起来简单，其实一点都不简单，但本质就是这个。然后就是：市场实在太大了。就像我们前面聊云说的，所有人犯的最大的错误，就是把市场估小了。事实证明市场真的、真的很大。而这个市场更大。
真正的瓶颈不是资本，是能源
Patrick： 就眼下这个时刻——其实就在今天早上，你我都在的那个很棒的群聊里还在讨论：对智能的需求好像是无上限的，模型越聪明，需求越大，也许瓶颈只是资本。世界感觉需要喘口气。就像重复性劳损 (RSI) 那个概念——套到技术上，它根本不需要喘息，智能体不会累。
但这个世界会觉得：唉，要是能有三个月消化一下就好了，让资本形成、评估一下前景，毕竟规模已经这么大了。你的感觉呢：这条路能一直走下去吗？还是说，可用于投资的钱总有用完的一天？看起来我们能吞下任意多的钱、建任意多的东西、服务任意多的推理需求。你怎么看这个市场？
Eric： 先声明，我不是宏观经济学家。但我担心能源。你可以把模型理解为把算力转译成智能的东西——模型干的事，就是非常高效地把算力变成智能。那对智能的需求有多大？看起来非常大，对吧？于是可以推出：我们对算力——我说的算力是广义的，不只是芯片或存储——的需求会越来越大。可算力需要什么？需要能源，天量的能源。
大家都在谈蒸馏、谈中国的开源模型，但对我来说更大的事是：明年中国新增的能源供给大约是美国的 10 倍。如果能源是算力的要素、是那个瓶颈，而对智能的需求又无上限，那么顺理成章：能源少得多，智能就少得多——或者说 token 就少得多、贵得多。token 一旦贵得多，供需关系就决定了：你最终得到的会更少。这看起来非常糟。
所以对我来说，能源瓶颈——不管它以什么形式出现，它会以 20 种不同的方式显现：燃气轮机起起落落、天然气起起落落、太阳能、稀土，等等——恐怕才是更值得担心的事。如果从监管和政府的视角看——我认为现任政府确实在做一些事情，鼓励对所有形式能源的投资和开发——太阳能、核能、天然气，全都上，我们应该全都上。市场会自己理顺的。当然，哪种路线相对更好，我不知道，我也没聪明到能预测谁会胜出，但整体上都会跑通的。
Cerebras 九年：硬件是地狱级难度
Patrick： 说到算力，我很想听你完整讲讲 Cerebras 的故事，以前没听你讲过完整版。我问这个是因为我自己深度关注算力，也重仓投了算力，为它着迷——凑近看人类在这些芯片和系统上做到的事，简直匪夷所思。你们大概是 2016 年投的？我想那是你第一次涉足极难的硬件投资。
Eric： 难死了。
Patrick： 现在满世界都是这类机会，当年它却真的是独一份——把你在 Cerebras 上学到的关于硬件投资的一切都教给我。
Eric： 一句话：真的难。它对我来说是「无知者无畏有多必要」的绝佳例子。2016 年这家公司找上门时，就是五个创始人加一份 BP。我本来真不想去听那场路演，但那是我的工作——我心里想的是：我们为什么要去看一个硬件项目，疯了吧——我们都有十年没投过半导体公司了。不过团队确实非常出色；而第一页 PPT 就一句话：「GPU 其实不适合深度学习，它只是碰巧比 CPU 好一百倍。」
他一说出口我就懂了。你得记得，那是前 Transformer 时代：OpenAI 那时还是个怪怪的研究实验室；英伟达市值 400 亿美元，不是 4 万亿；TPU 还没发布。什么都没有，太早了。但他一说，我心里就是：我靠，对啊，当然是这样。此前 18 个月我一直在找深度学习的应用，看安全方向、看医学影像方向，到处看，想着一定有什么会被这东西彻底改造。总之走完整个流程，我们投了。过程很美妙：周三第一次见面，下周一就过了合伙人会议，中间开了一堆会，建立了很强的信念——这一杆值得全力挥出去。
我告诉你我当时懂了什么——其实我懂得少得可怜。硬件上加速深度学习，至今为止人类会做的只有三件事：增加核心数量；增加核心之间的通信；把内存挪到离计算更近的地方。就这三件，硬件上已知的维度就这三个。所以我对他们方案的复述——也是我唯一听懂的部分——就是：把三件事都推到逻辑极限。做一颗晶圆级 (wafer-scale) 芯片，当时的设计是 45 万个核心、片上 20 GB 的 SRAM，永远不用出片取数。所有核心都在同一片晶圆上，核间通信也拉到了极限。这就是那个制程节点上的物理最优解——第一代芯片好像是 7 纳米。你会想：好，就这么干。
可事实证明，在软件里，如果你有这样一张「为什么能成」的逻辑框图，你已经走完 80% 了，剩下的是 GTM 执行。在硬件里，你才走完 2%。有物理定律横在那，还有一整条供应商产业链——台积电 (TSMC) 人人知道，但不止台积电，还有 30 来家重要供应商，缺一不可。而这些我当年一窍不通。
从 2016 年快进到 2019 年，他们第一批芯片回来了。然后是无止境的点亮 (bring-up)：「太好了，片子回来了」，接着又是点亮——点亮流程有 14 个步骤。到 2020 年左右，我们才有了第一个真正能跑的东西。然后就是漫长的行军：让它真正好用。我在这件事上学到的一课是：硬件、尤其是半导体，你前期做的所有仿真加在一起就是你的性能屋顶线 (roofline)——那就是性能的天花板，最好也就是那样了。之后软件、现实、编译器、算子 (kernels)，每一样都在屋顶线上往下削。点亮的时候你可能只有屋顶线的 10%，然后这帮人要磨上几个月、几年，一寸一寸往屋顶线逼近。这完全是另一种游戏，而且真的难。
我其实惊人地看多。回看我们当年下注的部分逻辑：我有生之年的四代算力——CPU、图形、网络、移动——每一代都由一种新负载驱动。通用计算催生了 CPU；大规模并行催生了图形处理器；网络需要极低延迟的芯片，于是有了低延迟芯片；移动时代需要极致能效的芯片。每一代都长出一家新的千亿美元公司。所以 2016 年的第一个问题是：AI 是不是那么大的一个新负载？此前有过很多为其他用途做专用芯片的尝试，最后都没掀起什么波澜——有些结果还凑合，但都无关紧要。所以第一，你得有一个足够大的负载，这一点我们信念很强。第二，是这个负载的性质：它有没有带来新的约束或新的问题？我当时学到的是：AI 负载从 GPU 的并行性里获益巨大，但 GPU 没有解决核与核之间的通信——也就是神经网络层与层之间的问题。所以你会意识到：等等，这里有一个新约束，一个通信受限 (communication-bound) 的问题。于是问题变成：AI 是不是一个会催生专用芯片的巨大新负载？我刚才说的一切，基本上就是我当时知道的全部。而我的判断是：是的。后来的发展显然验证了这一点。
每一代算力都长出了独立的大赢家：英特尔 (Intel)、英伟达、博通-安华高 (Broadcom-Avago)、高通 (Qualcomm) 和 ARM。这一代也一样：TPU 本身是赢家，Trainium 是赢家，还有 Groq、Cerebras、Etched，仗还会继续打下去，但我认为这会是一门大生意。而且我觉得第六代正在到来——我很兴奋，我们投了一个还没官宣的项目——我很久以来第一次看到新 CPU 路线的机会。正在发生的事情是：跑在加速器和 GPU 上的大模型在生成代码，而代码要跑在 CPU 上。现在它们跑在那些沿用多年的经典 CPU 上。但 CPU 身上有一大堆历史遗留的约束和包袱，其中很多你或许不再需要了。所以这个可能性让我非常兴奋。
Patrick： 下一个品类。
Eric： 下一个品类。
Patrick： 那 Cerebras 的经历，会让你想做更多这类公司的投资吗？
Eric： 鬼才想。
Patrick： 为什么不想？
Eric： 2019 年，我们在开董事会，那颗芯片在融化。是真的在融化，好吗？我们已经融了 5 亿美元。所有人都懵了：什么？它在融化、在烧？我盯着看，心里一句「我靠」。我知道放到今天 5 亿美元不算什么，但当时我想的是：我们要把这些钱全赔光了，这事成不了。
那支团队后来做的事，堪称疯狂。他们骨子里就是不一样的人，我对他们只有敬意和感谢。有些事业会让你真心为做风险投资而自豪，因为你资助的东西会带来改变、会留下分量。对我来说，做投资只是因为它是和公司一起工作的手段，不是因为我天生热爱「投资」这件事。我喜欢的是和这些公司一起工作，那是我最爱的部分。能和这样的团队、这样的公司一起做这种宏大而冒险的事，太特别了。我很早就说过——2018 年前后就说——不管 Cerebras 成不成，这都是一件值得风险资本去做的事。这才是你该干的事：去造一件人们试了 50 年都没造成、但现在我们认为有可能造成、而且有理由、有应用场景的东西。我爱这个。
所以，玩笑归玩笑，我确实喜欢这类事。我们有一家机器人公司，再加上刚说的这个 CPU 项目。这类事情确实有意思，也是风险资本的好用途。但它们绝对不轻松。
建设性的无知：能成什么样？
Patrick： 你刚才描述的那种「建设性的无知 (productive naivete)」——你知道的没那么多反而是美德，否则你根本不会出手。这也是我在 Etched 上的亲身经历：这些领域里你一问专家，他们都会告诉你别干——这玩意又烂又难，基础成功率 (base rate) 太低，年轻人干不了，还有其他 47 条理由。
Eric： 对，全都是这些话。
Patrick： 那有没有什么地方是「远得过头」的？比如生物科技这类——你会不会因为自己不懂就干脆不投？
Eric： 你知道吗，特别好笑的是：投资最难的地方就在于，大多数时候，那些陈词滥调都是对的。不是四分之三的时候对，而是 20 次里对 19 次，甚至 100 次里对 99 次——它们就是对的。我们的创始合伙人之一布鲁斯 (Bruce)（译者注：指 Benchmark 创始合伙人 Bruce Dunlevie）总说的一句话是：「能成什么样？」我们要问自己的是：这事如果成了会是什么样？我们看得到那条路径吗？答案是：看得到。「年轻人造不了芯片」「别去做新的半导体公司」「别碰这个」——这些话全都非常正确，除了它们不正确的那些时候。
好像有人跟我的合伙人讲过一句话：这事如果败了，会败在你的合伙人们列出的每一条理由上；这事如果成了，会成在那些理由根本不重要的那份上。这恰好是整件事的绝佳注脚：我们列出一家公司做不成的理由时，大多数时候都是对的；但有时候，那些理由就是不重要。
机器人：先冷启动数据，再谈叠衣服
Patrick： 你和我都对机器人感兴趣。「机器人如果成了，可能会让我们正在经历的这一切相形见绌」——这个说法不算有争议。你觉得要哪些条件成立，它才能成？显然这很令人兴奋，我也想家里有台机器人帮我叠衣服，听起来很美。但这又是一个经典的「永远还有 10 年」的故事，而且已经这样很多年了。
你看到了什么？短中期内，要发生什么，它才会真的成为现实？
Eric： 经典机器人早就有了，到处都是：流水线上、制造产线上，干的都是在受控环境里重复的任务。「受控环境下的重复任务」基本已经被解决了，而且会继续下去。难的是真实世界环境里不断变化的任务——那才需要 AI，需要 AI 加上机器人。
关键在于，你需要一个能干这件事的模型。而第一个问题是：没有互联网规模的数据来给整个事情冷启动。大语言模型 (LLM) 都是靠互联网冷启动 (bootstrap) 起来的，那是海量的人类知识，而机器人没有对应物。大家在尝试各种路子：视频、仿真、远程操控 (teleoperation)。拿遥操举例：要攒到互联网规模的数据，你得遥操机器人多少次？第一步，是先搞到一组好数据，把模型冷启动起来。
互联网给我们的一个启发是：网上有大量垃圾数据——就算在 AI 生成内容泛滥之前，垃圾数据也一大堆，而数据的价值有高低之分。比如你可能觉得 Reddit 上某些内容比别的值钱，维基百科 (Wikipedia) 比某些论坛值钱，GitHub 比别的东西值钱。所有模型公司都是这么干的：按价值给数据分层，再喂给模型。所以我觉得这些 AI 机器人公司做得最聪明的一件事，就是开门见山：好，那我们先直奔高价值数据。拿到高价值数据，就能把模型冷启动起来。然后，你能不能通过预训练 (pre-training) 达到一个状态——在后训练 (post-training) 里只加很少的辅助样本，它就突然会做这件事了？这就是大语言模型的魔法：你有一个巨大的预训练底座，然后在强化学习 (RL) 和后训练里加一点魔法，教会它一样预训练语料里没有的新东西，剩下的就顺理成章了。我认为机器人领域正在发生一模一样的事。我们投了 Sunday Robotics，他们走的就是这条管线。
Patrick： 这公司太酷了。
Eric： 是家很酷的公司，做的是家庭机器人。但关键——在谈家庭场景之前——那些东西其实都不如「你能不能把这条训练管线跑通」重要，问题是怎么跑通。我学到的另一课是：我常回头看历史，历史不重复，但押韵。拿自动驾驶举例——车本质上就是机器人，AI 加机器人——你看 Waymo 和特斯拉 (Tesla)，两家都按自己的方式做了垂直整合：特斯拉有一支车队，车主开车时就在为车队采数据，用来训练驾驶模型；Waymo 也一样。这给我的启示是：它们采集了极高质量的数据、做预训练，然后以此为底座迭代。这是一种简化，让你能先做出一个完整的产品或方案——当然它会持续进步，最终也会泛化，我确信它会以某种方式泛化，将来随便装到任何车上都行。
机器人领域正在发生完全一样的事：Sunday 这样的公司在把机器人本体、模型和围绕机器人的数据采集做垂直整合。Sunday 用的手套是和机器人手配套设计的，严丝合缝，所以数据从人到机器人的迁移性非常好。你做出高质量的预训练数据集、得到一个好模型，再往上叠强化学习和后训练的样本，就会得到很酷的涌现行为。
Patrick： 有没有一个最有切肤之感的瞬间？
Eric： 我们第一次投 Sunday 的时候，我们的合伙人彼得安排了一场演示。我们下到斯坦福实验室的地下室，看到一个用纸板糊的、极其简陋的手套装置。之后看着它迭代了几代。最近一次看演示，是在他们现在办公楼的地下室：十几台机器人在那儿叠各种各样随手扔过去的衣服。那不是在演示，就是不停地试错；还有专人把叠好的衣服拿过去量尺寸，确认叠得是否规整——他们在建立严格的基线和评估标准。我当时心想：天哪，这事真的在发生。
Patrick： 你担心过怎么给这些公司选对客户吗？现在每家都在叠衣服——叠衣服确实没人爱干，看起来是个好场景。但我感觉，我们其实并不真正理解这些东西最终会被用来干什么、需求在哪里。你担不担心他们是在「先造方案，再找问题」？
Eric： 不担心，我解释一下为什么，这很大程度上来自对大语言模型演化过程的观察。OpenAI 早期参与大模型的一些人，是真的明白代码会有多重要；而 Anthropic 团队显然有这样一个视角：只要把代码生成做出来、把 AI 研究自动化，你就能逼近递归自我改进 (RSI)。你回想一下，大模型第一批应用场景全是语言类的：写文案、改稿子、做营销。第一个真正跑出来的应用是 Jasper，写营销文案的。所以我相信场景会持续演化。叠衣服是个不错的任务：它是任意的、复杂的、需要灵巧操作；它不赶时间——花三倍时间也无所谓，让它跑一整天就行。这些性质都不错。但我不觉得任务本身有多重要。重要得多的是：你是不是在预训练一个了不起的模型，能不能在上面做后训练，把飞轮转起来。飞轮一旦转起来，任务能力会不断倍增。
投资人第二，搭档第一
Patrick： 这个问题可能有点烦人，或者让你有点不舒服：如果你去问几乎每个创始人——更关键的是，去问和你同类型的其他投资人——「谁是最好的董事会搭档 (board partner)」，几乎所有人都会说是你。你在我听过的答案里出现的频率远远超过其他任何人。我很好奇你觉得这是为什么。激励机制摆在那儿，谁都想把董事会搭档做好。你觉得你在这些公司的董事会上、在和创始人的搭档关系里，做的什么是和其他优秀投资人不一样的？他们名义上做的是同样的工作，但被问到这个问题时，名字出现的频率远不如你。
Eric： 我意识到的一件事是：我们每个人会被不同类型的创业者吸引，讲究化学反应。要说差别——我常说自己是「投资人第二，搭档第一」——是这么个意思。会有公司上门来融资，昨天就来了一家。我管那叫「投资级机会 (investment-grade)」：你可以投，它大概能成，你能赚钱，挺好的。一个「投资人」会投。但「搭档」不会，因为对搭档来说这不够。除非你和这个人之间有真正的化学反应——你感觉你们能极其高效地共事，我能从他身上学到很多东西，他也能从我这里学到东西，我们能互相喂养对方的飞轮——除非你有这种感觉，否则你做不了他的搭档。于是你会放弃这个机会。这种契合度对我极其重要。所以一切起点其实是一种双向选择，说来也妙：他们想和我们搭档，我也想和他们搭档，我真心期待和他们一起做事。
举个很好的例子：萨吉 (Saji) 和 Benchling。Benchling 是生命科学 SaaS 公司，做得极其出色。然后生物科技崩盘来了，公司一下子难了，变成一场消耗战。而这家公司此前从来没有过客户流失——流失到什么程度？每个 SaaS 公司的报表都有那么几行：新增总 ARR、流失行、净新增 ARR，人人都这么做表，而 Benchling 的报表上从来没有流失那一行。我和这家公司共事的头 6 年，这行就没出现过。然后，他们在 12 个月里把 7 年的流失全补上了。事实证明，12 个月吞下 7 年的流失，日子是真难过。
在那段煎熬里，他们一边应对「球门被挪了、打法必须变」的现实，一边持续琢磨怎么为生物科技和药企客户用好 AI——他们离这些客户很近：怎样让 AI 变得更好用？怎样把模型用到客户的世界里、让客户真正兴奋？然后持续迭代。很煎熬，而我全程都在。这就是为什么你会为和这样的人共事而兴奋：第一，你当然相信这是个特别的机会，相信有出路、有路径，而且我们能找到它；第二，是因为这个游戏本身的乐趣，因为这段关系——这些都很重要。风投有很多种做法，我都见过：迈克尔·莫里茨 (Michael Moritz) 是作家出身，约翰·杜尔 (John Doerr) 是销售出身，比尔·格利 (Bill Gurley) 是工程师出身，彼得则是职业风投人——他们个个不同。对我来说，和创始人共事的滋味是：我给他们打电话，总能学到东西；他们会反驳我，我再追问。我慢慢意识到，我工作的很大一部分是：他们其实知道答案。他们知道自己想做什么、答案是什么，我要做的也许只是提问，帮他们夯实信念，或者帮他们想清楚、说清楚自己要做什么、为什么。通过这个过程，希望我们每年能有几次把决策做对 1%、2%。十年下来，这会复利成真实的结果。
我在投一家公司之前会问自己的一个问题：我这辈子有很多在乎的人，就像你有你在乎的人。我能不能说服他们中的某一个加入这家公司？能不能在智识上诚实地对自己解释清楚：这为什么值得成为他一生的志业？如果做不到，我就不该投——这只是说明，这个项目对不上那个频道。至于具体是哪一个，其实没那么重要。重要的是它可能砸出一个大坑 (make a big dent)。如果它可能砸出大坑，而创始人又是个特别的人，那我非常想参与。
Patrick： 投资前你还会问自己别的问题吗？刚才那个特别好。
Eric： 另一个问题是：如果这个人周六晚上 9 点给我打电话，我会不会接？
Patrick： 对对对。这就是化学反应的事，而且对方显然也得有一样的感觉。另一个问题是：如果这事被我们做对了，有没有人在乎？这和第一个不太一样——生意上我们能看对的事情太多了。我上周就看了一家，我跟那位创业者说：我真觉得你能在这儿建起一家了不起的公司，但你不该拿风险投资。有很多事你能看对，但它们归根结底不重要——没人在乎，这么说更准确。如果我们看对了，我的意思是——
我们在乎。如果他们不在乎，你就建不起足够的股权价值。这也是个很有用的问题。
赌注变大：Benchmark 的首只成长期基金
Patrick： 眼下最酷的事情之一是：你刚才描述的那一切，赌注都变大了，杠杆也加高了——最直观的表现就是更多的钱、更高的价格。你我都聊过「高倍数投资」这个概念——也就是投出资本的高现金倍数——它过去是什么样、现在又走向哪里。你们最近做了一件事：时隔多年第一次募了一支成长期基金 (growth fund)。我觉得这和刚才那套逻辑有关：这些公司需要更多资本，价格更高，结局也更大。也许 10 年前 5000 万美元入场能赚到的倍数，今天 10 亿美元入场也能赚到。
你能讲讲这个演化过程吗？合伙人们内部是怎么想、怎么讨论的？你们相信了什么样的事实，才做出这个决定？
Eric： 先回到原点：出资人 (LP) 们——从大卫·斯文森 (David Swensen) 那代人开始——为什么开始投风险投资？从根本上说，不是因为他们觉得自己能每年跑赢纳斯达克或指数 3 个、5 个百分点，那种想法很蠢。而是因为存在这样一些情形：风险资本能驱动疯狂的投出资本倍数。从财务角度看，他们追求的就是这个。在行业历史的大部分时间里，有两件事是同义词：早期投资 (early-stage) 和高现金回报倍数 (cash-on-cash multiple)。想拿高现金倍数，就去做早期，就这么简单。这两个圆在维恩图 (Venn diagram) 里几乎完全重合。
而改变发生在最近几年：结局变大了太多，市场也变大了，于是「高现金倍数机会」这个圆，比「早期」这个圆大了。注意，它没有大到遍地都是能赚 100 倍的新公司——那是没有的。但早期之外，确实出现了不少能赚真正高回报的机会。就是这样。这就是我们要去追的东西。你可以说我们晚了好几年，这个批评我接受。但我认为这个机会在往后依然存在，所以我们就该去做。而我们所代表的其他一切——高信念、高投入的搭档关系——必须原封不动地保留。
Patrick： 那场讨论里，反方观点是什么？毕竟同样的话，我们在 1999 年、在 2020 年过半的时候，可能也会说。市场一热，可能性看起来就无限大——我们都会犯这种线性外推的错误。那「尽管如此也不做」的理由是什么？
Eric： 我认为，让「这次是对的」区别于「两年前」的最大变量是：你得有一支能做成这件事的团队。那是另一种心智模式，评估和思考问题的方式都不一样。至于其他的理由——「为什么不守在自己的能力圈 (circle of competency) 里别动」——都有道理。但对我来说，团队才是最大的那个。而且过去几年我们有好几次：对一家公司、一个机会，我觉得我们的直觉是对的，但最后没投——
Patrick： 因为它在框外。
Eric： 因为它在框外。这显然很蠢。我们的做法和行业里的很多人确实不一样：我们追的是极少数特别的公司，有极高的现金回报倍数潜力，我们认为它们能取得一骑绝尘的成功，而我们要能投进去。
20 到 100 倍的共同密码
Patrick： 从你亲眼见过的那些——姑且算 20 到 100 倍的案例里，能提炼出什么经验吗？那种量级的回报，在一开始显然是算不过账的 (pencil)——账算不出来；如果真那么一目了然，价格早就不一样了。这些 20 到 100 倍的案例加在一起，到底教会了你什么？
Eric： 和真正特别的人共事。你得拼命干，得聪明地干，还得走运——这几样缺一不可。还有很多事是时机决定的，作为公司你完全控制不了。Cerebras 就是好例子：今年 5 月这次上市，其实是我们的第二次尝试——2024 年我们就试过一次，如果那时上，估值会低得多得多——总之没成，卡在了 CFIUS 审查（译者注：美国外国投资委员会，因 Cerebras 的中东投资方 G42 而启动）那些破事上。所以时机很重要。多出来的那 18 个月，改变了一切——而其中很多因素老实说都在我们的控制之外。当然也有些东西在我们控制之内，比如把推理业务跑通，但大量事情在控制之外。这些都是老生常谈：专注于你能控制的。
这也是软件公司和硬件公司真正的差别。做软件，除了跑在 AWS 上之类，整根栈基本是你自己的，命运完全在自己手里。硬件公司不是这样：有一整条供应链在那——HBM 是一关，DRAM 是一关，台积电是一关，而且很多环节跨越地缘政治边界，地缘政治一掺和进来，事情就复杂了。这是非常大的差别。时机、宏观，这些东西你得靠点运气。但一切的起点，还是和那些疯狂的人、那些机会无上限的人共事。如果你一直和这些疯狂的、特别的人一起做这些无上限的事，运气总会时不时砸到你头上，迟早的事。
我 20 岁那年在一投行打工。本·霍洛维茨 (Ben Horowitz) 和马克·安德森 (Marc Andreessen) 创办了 Loudcloud，当时还在隐身 (stealth) 阶段，本向我抛出橄榄枝，让我做他的助理。我当时找一位经理 (associate) 聊——那位仁兄偶尔显得像个长老，其实他大概也就 25 岁。他跟我说了一句话，我一直记到今天。他问我：「你打高尔夫吗？」典型的投行问题。我心想：打个鬼高尔夫。他接着说：「高尔夫这东西，你不停练习，在一个三杆洞，把球一次次打到旗杆边上，再近一点，再近一点。你不断把球送到旗杆边，不断练。」他说：「那是苦功，那是聪明地努力，那才是你要一直做的事。至于一杆进洞——那是运气。」
我特别喜欢这个框架，现在还拿它教育孩子。它的意思是：对，里面有运气的成分，真的有。但确实有办法提高你的运气——方法就是让更多球停在旗杆边。然后，总有一天会有一颗掉进去。我很喜欢这个心智模型。我们每人每年只投一两家公司。12 年里，我一共投了 18 家。
Patrick： 太夸张了。
Eric： 这个数字相当小。所以每一笔都是极高的信念、极高的投入。我押上了很深的切身利益 (skin in the game)。我信这些公司。只要持续和这些非常特别的人、这些特别的机会在一起，魔法就会发生。
上市这班不等人的高铁
Patrick： 关于「为什么上市、什么时候上市」，你学到了什么？
Eric： Benchmark 有个周一夜晚餐会。昨晚我们请了一家数千亿美元市值的未上市公司的 CEO，正好深入聊了这件事，所以这个话题现在很新鲜。我的看法是：上市最终会带来一系列新的可能性。你会获得公众信任——说来也妙，因为成为公众公司天然带来透明度。你显然还会有一种可以拿来办事的货币。你还有难以置信的融资能力——我认为这才是大模型实验室最终都会上市的原因。不过，「信任」这一点其实是它们该上市的更重要的理由：它们上市，对世界、对美国都是好事——
Patrick： 让大家看看里面在发生什么。
Eric： 对，让大家看看，所有人都能看见。我认为那是一种非常有益的安排。
还有一层：大学运动员最想干什么？打职业。他们想去更高的舞台上打球。更难吗？更难。竞争更狠吗？更狠。对手更快、更壮、更强。赌注更大，舞台更大，审视更苛刻。全都是真的。公司也一样。确实有极少数——真的是极少数，三四家——能不上市也长到惊人的规模，靠的是卓越的执行和卓越的表现。
Patrick： 自由现金流还很充沛。
Eric： 它们自由现金流充沛，在很长的时间里做得极好。我觉得这很棒，为他们高兴。但对其他所有公司来说：上场吧。
还有一点：特定类型的公司是有窗口期的。2021 年上市的那批 SaaS 公司，一大船都在公开市场苦苦挣扎：股价先是被顶上天，然后撞上倍数压缩。当年按 30 倍交易，体量涨了 4 倍，现在按 6 倍交易——一算账，你还是水下的 (underwater)。这处境很艰难。我还要告诉你：大概有 500 来家 SaaS 公司，体量在 1 亿到 5 亿美元之间，至今没上市。它们怎么办？员工从来没有变现的机会，没有年度要约回购 (tender)，没有退出通道；投资人也没有退出通道。全被锁死了。我不认为这些公司都会消失——就像我说的，我也不认为它们都会被 vibe code 取代——但归根结底，AI 原生公司的增速吸走了房间里所有的氧气和注意力，窗口已经错过了。这很残酷。
合伙人桌上的辩论：价值在哪里沉淀
Patrick： 现在合伙人内部最大的争论是什么？我一直很喜欢在有新鲜事的时候来跟你们聊，因为你们真的会辩论。这很健康，看起来特别有意思，我也能学到很多。今天桌上的辩论是什么？
Eric： 大量的辩论围绕整个 AI 生态：基础模型、基础设施、应用——价值到底在哪里沉淀？怎么沉淀？护城河 (moats) 在哪？我们该怎么想这件事？还有商业模式创新。我觉得大家不理解的一点是：SaaS 当年为什么能碾压传统软件？不只是因为交付模式更好，而是有真正的商业模式创新——订阅制这个发明，最后对公司和客户是双赢。我认为同样的事正在 AI 里发生，比如按结果付费 (selling by outcome) 这一块。
而缠在这场辩论里的另一个问题是：多少价值会沉淀给大模型实验室？多少会沉淀给半导体公司？这是真刀真枪的争论。
Patrick： 你怎么看？
Eric： 我的观点是「全都会成」。这事听着是有点怪。云大厂 (CSP) 会好吗？会。新云厂商呢？不会家家都好，但总会有一批好的。Fireworks 这类公司会好吗？会。英伟达会好吗？会。芯片创业公司呢？其中一批会。手机上会有端侧推理吗？会。网络接入点 (PoP) 上会有近端推理吗？会。数据中心里会有大模型吗？会。
零和思维实在太多了：「这块饼怎么切？他们会吃掉 98% 的价值，连药物研发都全包了」——拜托，不会的，事情不会那样发展。就在不远的过去，我们见过一模一样的剧本。
但当我说「全都会成」、并列出这一长串的时候，有一点必须讲清楚：这不等于做这些事的每一家公司都会成。事实恰恰相反——每个领域里的大多数公司都不会成。所以真正的差异化比以往任何时候都重要：你得把每一个判断推到逻辑极限，想清楚「等等，这件事上你必须一路走到底」，并且真正做到与众不同。
Patrick： 还有别的吗？融资市场也好，技术世界也好，任何你在密切盯着的东西？
辛顿错在哪：放射科医生的第十年
Eric： 有件事让我觉得挺好笑。有些绝顶聪明的人，身在科技圈，却正在得出一些近乎确定性的结论：大规模失业要来了，诸如此类。我给你举个特别具体的例子，我觉得再贴切不过：杰夫·辛顿 (Geoff Hinton) 和放射科。大概是 2016 年，他说：「我们该停止培养放射科医生了，AI 会干得全面更好。」你看，辛顿比我聪明三个数量级，结果错得不能再错。
但促使他做出那个判断的前提，百分之百正确：看着这些放射影像，我们确实应该能训练出比人读得更好的 AI——这一点大概也是对的，已经有不少研究在若干领域证明了。我们还投了一家做这件事的公司，叫 New Lantern。但真正的拦路虎、真正被说透的问题是：等等，第一，汇总的训练数据集根本不存在。所以你看到的是，各家公司在攻胸部 CT 这类非常细分的点；而一个典型的放射科医生，每天要看从 X 光到 CT、到核磁 (MRI)、到全身各部位的一大堆片子。一个只会读胸部 CT 的 AI，帮助非常有限——那只是他一天读的 20 种、40 张片子里的一种。
好，问题一：没有数据训练 AI——和我们在机器人那段聊的一模一样。问题二：整个医疗行业的支付体系，是围绕「给医生的读片行为付费」建立的。那要怎么改？这里还有责任问题：看错、漏看都有后果，还有医疗事故诉讼。这一关怎么绕？这就是问题二——现实世界的摩擦力。
所以最后的结局会是：AI 真的帮到放射科医生，让他们的读片吞吐量越来越高——AI 做一部分，医生做一部分，互相校对。我们会很怪异地在「副驾驶 (co-pilot)」状态里待上一阵子。然后 AI 会慢慢读越来越多的片子，一点一点积累。但从这里到那里，实际需要的时间会很长。而在此其间，我们需要更多放射科医生，而不是更少——因为顺便说一句，影像检查的成本在以杰文斯悖论 (Jevons paradox) 的方式下降，每个人做的影像检查都比过去多了。
所以我的论点是：一个绝顶聪明、真正懂能力边界、真正懂正在发生什么、手握正确数据的人，就因为没想透「数据在现实世界应用里是什么样」，得出了错误的结论。我对「失业论」的看法也一样——几乎是完全相同的题设。
尾声
Patrick： Eric，和你聊市场、聊公司永远是一种享受。太过瘾了，谢谢你抽时间。
Eric： 谢谢。