← 主页 NO.159

第 159 期 · 投资 · 收录于 2026 年 8 月 15 日

Eric Vishria:投资软件与硬件十年的经验

Eric Vishria · Invest Like the Best with Patrick O'Shaughnessy

投资创业增长

视频 67:09 原文约 7.2 万字预计阅读 25 分钟来源视频 ↗ 中英对照全文

TL;DR · 三句话

一上一个周期（云）的完整历史，就是这一个周期（AI）最好的推演模板：2007 年 30 个最聪明的投资人对 AWS 全判错，2014 年「AWS 会吃掉一切」也错得离谱——不是因为具体反例，而是因为所有人都把市场估小了；最后的结构是 AWS/Azure/GCP 大致 40/30/20 的寡头，外加 Cloudflare 这样在缝隙里长成 1000 亿美元的「小赢家」。Eric 认为 AI 会重演同一个结构，「Anthropic 会吃掉 98% 的价值」这类零和叙事站不住脚。→ 详细
二「一切都会成」不等于「每家都会成」——恰恰相反，正因为每条赛道都会成立，每条赛道里的绝大多数公司都会死，所以「真正的差异化」比以往任何时候都更是选股的唯一硬指标。→ 详细
三产品开发的方式被彻底反转了：不再有产品经理 / 设计师 / 工程师三个岗位，只有三种人——懂客户问题的人、有品味的人、懂 AI 能力「锯齿边缘」并对它好奇的人；旧式 PM「把客户问题翻译给工程师、自己不碰实现」的做法，Eric 的原话是「现在你要还这么干，祝你好运，这是一种很糟糕的做法」。→ 详细

Fireworks 的教训：推理根本不是大宗商品生意

现在的模型是 2 万亿、3 万亿、4 万亿参数级别，「把这些模型跑起来难得要死，跑得高效更是难上加难」。所有人——AWS、Azure、GCP、各种新型云厂商（NeoCloud，专做 AI 算力出租的新一代云公司），以及 Fireworks、Baseten、Together——跑的都是同一批开源模型、同一批 NVIDIA 硬件，可 Fireworks 相对云厂商能有 5 倍的速度差距，吞吐量（单位时间能处理多少请求）还有好几倍的差距，而后者从外部完全看不见，只有懂这门生意的经济账才看得出。→ 详细
最能说明问题的一个事实：这些公司是付着云厂商的毛利、跑在云厂商机器上面，还能赚钱。Eric 的反应是「这怎么可能？」——答案是这里有一层非常具体、非常稀缺的工程手艺。→ 详细
这条对投资人的直接杀伤力在于：从外面看，这门生意长得一模一样像「转手倒卖资源的规模游戏」，你会本能地判它是大宗商品、没有护城河。「然后你才发现：哦，等等，原来不是，压根就不是。」→ 详细

AWS 复盘：2007 年，30 个最聪明的投资人会 30 个全判错

2006 年 AWS 发布 S3（存储）和 EC2（计算），2007 年的股东信里贝索斯用大篇幅解释它为什么重要，而投资者的反应「就是很糟」。Eric 的原话：「如果你在当时把 30 个最聪明的投资人关在一个房间里问——AWS 会不会成为一门有可持续长期利润率、完全不是大宗商品的好生意？你会 30 个人全军覆没。」→ 详细
这不是「当年人蠢」，而是新品类在早期天然长得像低毛利苦活——跟上一条 Fireworks 的观察是同一个认知陷阱的两次发作。→ 详细

2014 年「AWS 会吃掉一切」为什么错得离谱：错的不是举例，是市场估小了

2014 年（Eric 入行那年）的主流叙事是：AWS 会吃掉数据库、基础设施，连应用层也吃掉，「亚马逊能按 8% 毛利率供货，会把我们 85% 毛利的 SaaS 全打穿」，Patrick 补了贝索斯那句名言——「你的利润率就是我的机会」。→ 详细
结果：基础设施层长出 Snowflake（在亚马逊上、用亚马逊的打法打赢了亚马逊 Redshift）、Confluent、Elastic、MongoDB、Databricks；应用层长出 Datadog——今天 1000 亿美元，而亚马逊当年是有竞品的。当然「路上确实碾死了一堆」（roadkill），这点 Eric 不回避。→ 详细
但他强调关键推论：那个判断错得离谱，主因不是这些反例，而是「当时 Azure 和 GCP 根本不值一提，快进到 2026 年，它们都是好得不可思议的生意」——所有人低估的是市场总量，不是某家公司的执行力。→ 详细

云的终局结构：40/30/20 的寡头 + 一批千亿级「小赢家」

最终格局大致是 AWS 40%、Azure 30%、GCP 20% 的寡头，外加 Cloudflare 这种「另一种形态的云厂商」也长成了 1000 亿美元。也就是说，寡头之外的缝隙里照样能长出千亿级公司。→ 详细
Eric 提炼的结论是一句可以直接搬去看 AI 的话：「当时充斥着大量零和思维，没有意识到这个市场能有多大——如果一切都成真了呢？结果就是一切都成真了。」 但他立刻加了限定：「我不是说撒胡椒面式地乱投，完全不是那个意思」，押对相对赢家仍然重要。→ 详细
推演到 AI：这一轮的规模化需要能源、电力、数据中心壳体、芯片、内存和算法的海量堆叠，「云当年扩张得很快，但速度跟现在正在发生的事情根本不在一个量级」；他判断结果同样是一个寡头格局的赢家群体，外加一批 1000 亿美元级别的「较小赢家」。「感觉就是同一件事又在发生一遍。」→ 详细

需求侧对比：企业当年怀疑云，今天是渴望 AI

2010–2011 年企业对云极度怀疑，数字原生公司先上——Snapchat 建在 GCP 上，某个时点占了 GCP 用量的 40%，Patrick 当场类比「这就像 Cursor 占了今天这些东西的 30%」，Eric 回「一模一样」；蓝筹转向要等到 2014–2016 年，触发点之一竟是招聘（最好的开发者只愿在最好用的平台上干活）。→ 详细
今天不同：蓝筹的 AI 采用程度依然远不如硅谷（「去 Cursor 办公室和去纽约一家大金融公司的走廊，完全是两回事」），但他们想要、在做实验、在花钱、没有嗤之以鼻，比当年更当机会也更当威胁；由此得出的创业定位建议是「当他们的 AI 夏尔巴向导」——横跨两个世界的位置非常值钱。→ 详细

锯齿边缘（jagged edge）与沙堡：软件建造心态的反转

AI 的能力不是一条平滑上升的曲线，而是「锯齿边缘」——这里超强、那里突然很蠢，跟人类那条直觉上平滑的能力弧完全不同。Sierra 团队（Bret Taylor + Benchmark 的 Peter Fenton，两人二十年、第三次合作）表面上是应用公司，实际上「离模型底层非常近，离模型能力和 harness（包住模型的那层调度与工具代码）非常近」，他们的做法是理解这条锯齿边缘、围绕它搭产品、把凹谷填上。→ 详细
Cursor 的演进是标准示范：IDE → tab 自动补全 → 智能体式工作，「一轮又一轮，他们不断把自己六个月前的成果作废掉」。Bret Taylor 给这个心态起的名字叫「沙堡」：「我们过去是在造城堡，现在造的是会被浪冲走的沙堡。」→ 详细
反面画像说得很狠：「如果你是个匠人，心想我打了完美的地基、每一块砖都完美、它要在这儿立一百年——那你根本活不下来。」 因为「差不多每四周就有新能力出来」。→ 详细

传统产品经理的方法已经作废：三种人取代三个岗位【本期对 PM 最狠的一段】

传统 PM 的教条是：懂技术但不碰实现、不规定实现，工作是理解客户并把问题翻译给工程师。Eric 的判词是原话直给：「现在你要还这么干，祝你好运。这是一种很糟糕的做法，你不能那么干。」→ 详细
新要求是同时端着两头：一头「真正理解模型能力的细微之处——它们擅长什么、在哪里会失败」，另一头理解客户问题，然后把中间那道缺口自己桥接上。Cursor 的 Michael Truell 团队从第一天起做对的就是这件事：造了一个「能把开发者翻译到那条锯齿边缘上」的产品，并随着边缘变化持续迭代。→ 详细
Patrick 点破的讽刺是：「懂技术的回报正在上升，尽管模型据说正在抹平技术优势。」 Eric 完全同意（「对，百分之百」）。→ 详细
最后落到本期最可迁移的一句结论：岗位标签失效了，真正存在的只有三种人——① 理解客户问题的人 ② 有品味的人 ③ 理解 AI 能力锯齿边缘并且对它充满好奇的人。「如果你三样都有，你会做得非常出色。你到底是工程师、产品经理还是设计师，其实并不重要。」→ 详细

竞争前沿移位：数据库这门生意的评判标准是怎么变的

Patrick 提醒 Eric 自己发明过一个词叫「竞争前沿」（competitive frontier）——真正决定谁赢谁输的那组东西；Patrick 的合伙人 Bree 则说「现在所有东西都是争球（jump ball）」。Eric 明确表示他不认同「大家会自己 vibe code 出自己那套 SaaS」这种说法：「那根本不是 SaaS 公司的问题所在，问题在于竞争前沿彻底移位了。」→ 详细
数据库的旧护城河是：开发者针对特定数据库接口写代码、数据越积越多、「迁移是个极其困难的大工程」，所以黏性极高、毛利极好（Oracle、SQL Server 和一堆中小玩家都靠这个）。→ 详细
三点一变，护城河就漏了：① 现在不是开发者、而是 Claude 或 Codex 在针对数据库接口写代码；② 数据库接口的规格定义极其清晰，而「AI 特别特别擅长规格定义得非常清晰的事情」；③ 「智能体不会因为把一种规格翻译成另一种规格这种单调工作而感到疲倦」。结果：数据库迁移——软件里排第一位的「打死也别干」的事——变得几乎不值一提，「就是砸点钱进去，搬走」。→ 详细
但他强调：不是不需要数据库了，也不是人人自建，而是「评判标准变了」。新标准是：能从零用量一路弹到「万一它跑起来了」的规模、成本、能反复拉起/关掉/拆掉的迭代速度、可迁移性——「而最终我觉得成本会成为胜负的裁决者」。→ 详细

「要么去 AI，要么值三倍收入」：估值倍数压缩的那笔账

Eric 几年前对 SaaS 公司说的原话是：「你有个选择——要么走到 AI 那边去，要么就值三倍收入。这话很难听。」 之所以说三倍，是因为很多上市 SaaS 现在按 6 倍左右交易，而 2021 年它们是 30 倍。→ 详细
那笔账算出来非常刺眼：「我涨了 4 倍，倍数掉了 6 倍，所以哪怕过了好几年、我做到了盈亏平衡，我反而更不值钱了。」 这是一整代 SaaS 管理层正在吞的现实。→ 详细

「你每达成一天计划，就摧毁一天股权价值」

这是本期最反直觉的一句。旧的成功模型是：定计划 → 凶狠执行 → 达成或超额 → 复利累积股权价值，「这是所有管理团队学到的，是所有 CEO 学到的，在 AI 之前这就是全部」。→ 详细
而 Eric 在会议室里直接对 CEO 们说：「你每多达成一天的计划，你就在多摧毁一天的股权价值。」 他讲明这句话的用意不是羞辱，而是「把他们解放出来」——解除那套让他们不敢掉头的执行纪律。→ 详细
朋友 Anne Lee Skates 的版本更具画面感：那些做到几亿美元收入的 CEO，「早上 8 点到下午 5 点经营现有业务，晚上 5 点到 8 点搞 AI；而他们该做的其实是反过来」。难就难在所有的训练、肌肉记忆和惯性都在拦着——「我们某种意义上都在爬山」，现在的指令却是「不不不，停，你得彻底反过来」。→ 详细
赢家的共同画像因此不是「执行力强」，而是「对『评价标准（eval）是什么』极其灵活——他们到底在优化什么？他们在所有事情上都极其灵活」（举的人：Mercor 的 Brendan、Fireworks 的 Lin、Max、Sierra 的 Bret）。「这跟我当年被教的方式非常非常不一样。」→ 详细

上一代最优秀的高管为什么在 AI 公司折戟：推需求 vs 承接需求

Eric 自己的工作方法也变了：跟创始人聊事情（占他一天 80% 的时间）时，他会把「我们过去是这么做的」放到「不稳定的技术基座」这个语境里重新评估一遍，「我真的开始质疑我以前学到的每一个假设、每一条经验」。→ 详细
最具体的翻车案例是销售：软件销售几十年教的是配额产能模型（早期每个代表背 120 万–150 万美元、内部销售 75 万–85 万、企业级 250 万，再打个达成率折扣搭出财务模型）。这套东西不自觉地假设了「推动需求」，而 AI 产品是「承接需求」——「这些公司卖的是魔法」，一个代表能做 1000 万、2000 万、3000 万，他最近还见到 5000 万的。→ 详细
他给这些高管的要求是「把所有包袱都放下，从第一性原理重新学：它到底怎么运转？交付的真正瓶颈是什么？需求的瓶颈是什么？」；附带一条——这些公司里最好的销售就是创始人，因为他们做的正是「把锯齿边缘和客户的能力对接起来」。→ 详细

能源才是真瓶颈：中国明年新增能源是美国的 10 倍

推理链条很干净：模型的本质是「把算力翻译成智能」→ 对智能的需求看起来无限 → 对算力的需求会持续变大 → 算力要能源，要大量能源。→ 详细
因此他真正担心的不是蒸馏或中国开源模型，而是：「我认为中国明年新增的能源是美国的 10 倍。」 如果能源少很多，结果就是智能更少、token 更少或 token 贵很多——「而如果 token 贵很多，按供需关系，你最后拿到的就更少。这看起来非常糟糕。」→ 详细
瓶颈会以约 20 种形式表现：燃气轮机产能、天然气、太阳能、稀土。他对政策的态度是「全都干」：太阳能、核能、天然气都投，「其中一种最后会相对更好，我没聪明到能预测是哪种，但它整体上会成的」。→ 详细

Cerebras：天真是一种资产，硬件是另一个物种

2016 年五个创始人加一份 PPT 找上门，Eric 本来不想去（「我们干嘛要去看硬件投资？上一次做半导体投资已经是十年前」）。第一页 PPT 写着：「GPU 其实并不适合深度学习，它们只是碰巧比 CPU 好一百倍而已。」 当时是 Transformer 之前，OpenAI 还是个奇怪的研究实验室，NVIDIA 值 400 亿美元（不是 4 万亿），TPU 还没发布。周三初见、周一上会，中间开一堆会，就投了。→ 详细
硬件加速深度学习只有三个维度（到今天也还是这三个）：增加核数、增加核间通信、把内存搬得离计算更近。Cerebras 的做法是把三者同时推到极限——晶圆级芯片、45 万个核、片上约 20 GB SRAM（永远不用出芯片取内存），同一片晶圆让核间通信最大化，首款 7 纳米。→ 详细
最值钱的一句对比：「在软件里，如果你有那张『为什么这样能行』的逻辑框图，你差不多已经走完 80% 的路了，剩下的是市场执行；而在硬件里，你只走了 2%。」剩下的 98% 是物理定律、整条供应链（不只是台积电，还有 30 家其他关键厂商）。2019 年才拿回第一批芯片，「点亮」（bring up）有大概 14 个步骤，2020 年才有第一个真正能用的东西。→ 详细
半导体特有的「屋脊线」（roof line）概念：仿真跑出来的理论上限就是这颗芯片这辈子最好的成绩，之后每一层软件、编译器、算子内核都只会往下扣；「你可能一开始只有屋脊线的 10%」，然后团队要苦干几个月到几年一点点往上贴。→ 详细
问他要不要多投硬件，回答是「他妈的不会」：2019 年董事会上那颗芯片在融化，而他们已经烧了 5 亿美元，「我当时就是觉得：我们要把这笔钱全赔光了」。但他随即补上立场——「不管 Cerebras 成不成，我认为这是一件值得风险资本去做的事」，并且「我做投资人，是因为这是与公司一起工作的手段，而不是因为我本质上热爱投资」。→ 详细

四代计算 = 四家千亿公司；AI 是第五代，第六代可能是新 CPU

投 Cerebras 的底层框架：每一代计算都由一个新工作负载定义，每一代都产生一家千亿美元公司——多用途计算→CPU（Intel）、大规模并行→GPU（NVIDIA）、低延迟→网络芯片（Broadcom / Avago）、低功耗→移动芯片（Qualcomm / ARM）。→ 详细
于是 2016 年的两个问题就是全部尽调：① AI 是不是一个足够大的新工作负载？（历史上大量专用芯片尝试「最后都没真正成气候」）② 这个负载有没有引入新约束？ 答案是有：AI 从 GPU 的并行能力里获益巨大，但 GPU 没解决核与核之间的通信，也就是网络层与层之间的问题——这是一个「受通信带宽约束」的新问题。「我刚说的这些，就是我当时知道的全部。」→ 详细
第五代的赢家名单：TPU 本身是赢家、训练是赢家，还有 Groq、Cerebras、Etched 在打。→ 详细
他透露了一条尚未公开的下注：他认为很久以来第一次有空间做一种新的 CPU 路线，逻辑是「大模型跑在加速器/GPU 上生成代码，而代码是跑在 CPU 上的」，可现在跑的还是背着几十年历史包袱的经典 CPU。Benchmark 已经投了一家未公开的公司。→ 详细

「什么可能会做对」：专家判断在 19/20 的情况下是对的

Eric 讲得很诚实：「投资难就难在，绝大多数时候，所有这些刻板印象式的说法都是对的。不是四次里对三次，而是二十次里对十九次，甚至一百次里对九十九次。」 解药是 Benchmark 创始人之一 Bruce Dunlevie 的口头禅：「什么可能会做对？（What could go right?）我们看得到那条路径吗？」→ 详细
最漂亮的一句总结（据说是某位合伙人听来的）：「如果它失败了，一定是因为你合伙人说过的所有那些理由；如果它成功了，那是因为那些理由都不重要。」→ 详细

机器人要成，卡点在数据冷启动，不在任务

受控环境的重复任务「基本上算是解决了」，真正要 AI 的是真实世界里有变化的任务；卡点是根本不存在互联网规模的机器人数据。破局照抄大模型——互联网也全是垃圾数据（slop），模型公司按价值排序（维基百科 > 一般论坛，GitHub > 别的），那机器人就先只去搞高价值数据冷启动基座，再靠少量后训练样本 + 强化学习撬出新能力。→ 详细
押韵的对照组是自动驾驶：Waymo 和 Tesla 的垂直整合，本质是为了拿高质量数据做预训练，先做出完整解决方案，之后才谈泛化。→ 详细
Benchmark 投的 Sunday Robotics 用的手套是配着机器人的手设计的，人采集的数据能高保真迁移。演示进化：第一次在斯坦福地下室是「特别山寨的纸板手套」，最近一次是办公楼地下室十几台机器人在叠任意形状的衣物——不是排练好的表演，而且他们还派人把叠好的衣服拿去量，建立严格的基线和评估标准。Eric 的反应是「我的天，这事儿真的要成了」。→ 详细
面对「会不会是造好方案再找问题」的质疑他不担心：大模型最早跑起来的应用是 Jasper（写营销文案），谁能想到后来是代码。叠衣服是好任务因为它任意形态、复杂、要灵巧操作且不时间敏感（「慢三倍又怎样」）。「我不认为任务本身有那么重要，重要得多的是能不能把飞轮转起来。」→ 详细

做「伙伴」而不是「投资人」：为什么要主动放弃「投资级机会」

Patrick 转述行业共识：问几乎任何创始人和同行「谁是最好的董事会伙伴」，答案压倒性地是 Eric。→ 详细
他的解释是一条清晰的取舍线：「我首先是伙伴，其次才是投资人。」 昨天刚来了一家他称之为「投资级机会」的公司——「你可以投，大概率能成，能赚钱。一个投资人会投，但一个伙伴不会，因为这对伙伴来说不够。」不够的是化学反应：「我能从他们身上学到很多，他们也能从我这儿学到点什么，我们能互相给对方的循环加料」。兑现这条线的案例是 Benchling（创始人 Saji）：前六年报表上连「流失」这一行都没有，生物科技崩盘后「在大约 12 个月里吃到了七年的流失」——最磨人的那段他全程在场。→ 详细
董事会伙伴到底在干什么，他的描述反常识：「他们自己知道答案。我要做的也许是向他们提问，帮他们把信念固化下来。」 目标不是每次都对，而是「一年有那么几次做到好上 1%⋯⋯坚持十年，这会复利成真正的结果」。（顺带：VC 没有标准模板——Michael Moritz 写作出身、John Doerr 销售出身、Bill Gurley 工程师出身、Peter Fenton 职业风投，都成了。）→ 详细

投资前问自己的三个问题

① 毕生事业测试：「我这辈子有很多我在乎的、一路共事过来的人。我能不能说服其中一个去这家公司，并且诚实地向他们解释为什么这可能是他们的毕生事业？如果我做不到，我就不该投。」→ 详细
② 绿色按钮测试（Patrick 起的名字）：「如果这个人在周六晚上 9 点给我打电话，我会不会接？」——而且对方也得有同样的感觉。→ 详细
③ 「如果我们判断对了，这件事重要吗？」 这条最锋利：「有太多事情你可以判断对，但它们最终就是不重要，没人在乎。」他上周就对一位创业者说：「我真的觉得你能在这儿造一家很棒的公司，而你就是不该拿风险投资。」→ 详细

高倍数回报的圈，已经大过「早期」这个圈

LP（从耶鲁的 David Swensen 起）投风投不是为了每年跑赢指数三五个百分点，而是为了那种疯狂的投入资本回报倍数（MOIC）；而在行业绝大部分历史里，「早期投资」和「高现金回报倍数」这两个圈几乎完全重合。变化是：因为结果变得大得多，「高倍数机会」这个圈现在比「早期」这个圈更大了——这就是 Benchmark 时隔多年募成长基金的理由（「你可以说我们晚了几年，这个批评我接受」）。→ 详细
内部反方意见里最有分量的不是「99 年我们也会这么说」（外推错误），而是「你需要一支能干这件事的团队，这是一种完全不同的心态」；促成决定的反例是好几次「我们直觉是对的，但因为它在框框外面所以没做——那显然很蠢」。→ 详细

20–100 倍的案例教会了什么：时机、不可控，和把球打到旗杆边

答案朴素：跟真正特别的人一起工作 + 努力 + 聪明 + 运气，缺一不可。Cerebras 就是时机的例子：2024 年试过上市、会以低得多的估值定价，且因 CFIUS（美国外国投资委员会）审查没成，推迟的这 18 个月「带来了天壤之别」。硬件与软件在可控性上是两个物种：软件公司基本拥有整个技术栈、掌握自己的命运；硬件公司则受制于 HBM、DRAM、台积电，而这些大多跨越地缘政治边界。→ 详细
20 岁在投行时，一位「看起来像长者、其实大概 25 岁」的 associate 给他讲的高尔夫比喻，他至今拿来教孩子：「不断把球一次比一次更近地打到旗杆边——这是苦功；一杆进洞，那是运气。但提高运气的办法，就是把很多球打到旗杆附近，最终总会掉进去一个。」与之配套的是极度稀疏的下注节奏：Benchmark 每人一年投 1–2 家，Eric 12 年一共投了 18 家（Patrick：「太少了」）。→ 详细

上市的理由，以及 2021 那批 SaaS 错过窗口的代价

上市换来三样东西：公众信任（透明度带来的）、一种可用于收购的「货币」、不可思议的融资能力。他认为这也是模型实验室最终会上市的原因，且「信任其实是他们该上市的一个非常重要的理由，对世界和对美国都有益——所有人都能看见在发生什么」。比喻是上市像大学运动员转职业：更难、对手更强、被审视更多，但那是更高水平的比赛；只有极少数（「真的就是一小撮，三家四家」）靠大量自由现金流可以不上市，「对其他所有人：出去吧」。→ 详细
反面教材是 2021 年那批上市的 SaaS：当时按 30 倍交易，如今规模翻了 4 倍却只按 6 倍交易。更惨的是还有 500 多家收入在 1 亿到 5 亿美元之间、仍然私营的 SaaS 公司——员工没有年度老股转让和退出机会，投资人也困在里面。原因不是被 vibe coding 干掉，而是「AI 原生公司凭着增长率，把房间里的氧气和所有注意力都吸走了，窗口错过了」。→ 详细

合伙人内部最大的争论：价值到底沉淀在哪一层

争论的战场是「基础模型—基础设施—应用」这三层：价值在哪沉淀、怎么沉淀、护城河在哪，以及多少价值只会流向实验室、多少只会流向半导体。→ 详细
一个常被忽略的历史类比：SaaS 打赢传统软件，不只是交付模式更好，而是有真正的商业模式创新——订阅，对公司和客户双赢。AI 里对应的那一层商业模式创新是「按结果（outcome）收费」。→ 详细

「一切都会成」——但这句话的意思恰恰是「大多数公司会死」

他把清单一条条点了一遍，全是「会」：云服务商会做得好吗？会（不是全部）。新型云厂商？会。Fireworks 这类？会。NVIDIA？会。芯片创业公司里的一部分？会。手机端侧推理？会。网络接入点（PoP）上的近端推理？会。数据中心里的大模型？会。→ 详细
然后是本期最重要的一条限定，必须和上一句连着读：「当我说『我觉得一切都会成』并且列出这么多东西时，有一点非常重要——这不意味着做这些事情的每一家公司都会成，它其实意味着恰恰相反：这些领域里的大多数公司都不会成。」→ 详细
推论：「现在比以往任何时候都更需要真正的差异化，把每一条思路推到逻辑上的极致⋯⋯你必须在这些事情上走到底。」 对应地，他明确嘲讽了「Anthropic 或者随便谁会吃掉 98% 的价值、把新药研发全干了」这种零和叙事：「我心想：拜托，不会那样的。」→ 详细

Hinton 的放射科预言：能力判断全对，结论全错

他正在盯的一件事是：「有些人极其聪明，却在得出一些近乎确定性的结论，比如大规模失业。」 最好的解剖样本是 Geoffrey Hinton 2016 年说「应该停止培养放射科医生」——「Hinton 比我聪明三个数量级。他错得不能再错了。但导致他做出那个结论的东西，百分之百是正确的：AI 确实能被训练得比人类读片更好，研究也证明了。」→ 详细
错在没把数据放回真实世界。障碍一：数据。 那个聚合的训练数据集根本不存在——创业公司只能攻胸部 CT 这类极窄的细分，而一个放射科医生一天要读 X 光、CT、全身各部位 MRI，可能是 20 种检查、40 个扫描，所以「AI 在胸部 CT 上爬坡，边际帮助其实很小」。→ 详细
障碍二：真实世界的黏性。 整个医疗行业是围绕「给医生出具诊断报告付费」组织起来的，还有法律责任、漏诊后果、医疗事故赔偿。所以现实路径是长期停留在「副驾驶（copilot）」状态，AI 慢慢读更多片子，「但真正从这里走到那里所需要的时间会很长」。→ 详细
而且方向可能是反的：在这个过程里我们需要的放射科医生是更多、不是更少，因为影像成本下降导致每个人做的检查变多了——杰文斯悖论（某种资源用起来更便宜后，总消耗量反而上升）。「我觉得『失业』这件事也是一样，几乎是完全一样的套路。」（Benchmark 在这个方向投了 New Lantern。）→ 详细

闪电问答 / 收尾

（本期无固定闪电问答环节。）收尾即上面第 24 条 Hinton/放射科的分析，之后 Patrick 直接致谢结束：「Eric，跟你聊市场和公司太开心了，绝对是一场享受。」→ 详细

联系方式

（本期无。节目方信息：Colossus.com，可查每期的人工校对文字稿与季刊订阅。）

接着读

NO.155 · AI 产品 Sam Altman:如何创造一个富足的未来 Sam Altman · 26 分钟 NO.154 · 投资 Anthropic 两万亿美元 IPO、小扎的 AI 宣言、英伟达 5000 亿美元 AI 豪赌、Grok 的翻身仗 AllIn · 27 分钟