141. Freda的投资札记第2集：Tokenmaxxing、把电机塞进蒸汽机、接力赛变篮球赛、孤独、人的连接

大家好，我是小珺。今天是我们的系列节目《Freda 的投资札记》第二集。可能有听众是第一次听我们的节目，那我还是来介绍一下：Freda Duan 在湾区做投资，是 Ultimate Capital 的合伙人。这是一个硅谷科技基金，横跨一、二级市场。

在一级市场的投资案例有 OpenAI、Anthropic、字节跳动；在二级市场的投资案例有英伟达、存储芯片、Snowflake、Robinhood。在 Freda 的投资札记第一集，也就是我们的第 125 集节目中，她曾经深入分析了当下美国的明星公司，给它们的巨额收入算了算账，探讨了美国资本的新秩序，以及当时大家都很关注的泡沫话题。

可以预告一下的是，在本期节目中，除了一如既往地聊 AI 和投资这些很干的内容之外，比如 token maxxing、AI 时代的组织架构，我们还会聊一些很感性的东西。尤其是在这个充满不确定性、每个人都很焦虑和孤独的时代，人和人的关系还剩下什么？

那接下来就是我对 Freda 的访谈，期待二。期待二零二六年，我们和 AI，共同进步。

实话说就是很焦虑，所以你也会觉得自己跟不上，对吧？

对，我其实比如说几个月之前，有一天我深夜因为在家装不上 Open Club，我真的是痛哭。说出来非常的搞笑，但当时就是你一个东西装不上，你就会想说我连这个都装不上，我什么都跟不上，就是不是要被时代淘汰了。

那你觉得人和人之间还剩下什么？

人和人之间，啊。

那我们今天邀请的是在湾区做投资，也是我们之前第 125 集的嘉宾 Freda 来返场。Freda，还是先给听众朋友们打个招呼。

大家好，也谢谢小珺邀请。

那开始。我不是很想跟你从我们熟悉的硅谷“御三家”这些模型公司开始聊，我们先聊一个在 AI 时代新出来的计量单位，就是 token。现在大家都在讲 token 公司的收入、token 的消耗，那 token 这件事的本质应该怎么理解？

1. Token Becomes A New Unit

我觉得这几年因为 AI 出来了，所以其实出现了几个这样的单位，包括大家经常说的 dollar per FLOP、dollar per watt，包括你刚才提到的 dollar per token。现在用得更多的是 dollar per token，它比较的是实际业务的回报。

我觉得一个比较明显的趋势就是，未来当我们去看一家公司、比较一些公司的时候，应该都会去看 dollar per token。我会把它想象成工业时代大家看的 dollar per kilowatt-hour，也就是每千瓦时的概念，比较的是能耗产出比。

但同时，其实我也写过一些文章，非常想说的是，我觉得 token 其实也是一个非常容易误导人的单位，因为这里面最重要的就是 token per task。就是说，同样一个任务，不同的模型或者不同的应用，消耗的 token 可能差几十倍，甚至上百倍。我觉得这个理解是非常重要的。

这是为什么？

原因非常多。我觉得一个就是输出的长度可以差很多。比如同样有一个 coding 任务，比较好的模型可能用一两百行非常精炼的代码就写完了；便宜一点、弱一点的模型，可能需要写几千行非常啰嗦的代码。

你表面上看两边的任务都完成了，但是消耗的 token 完全不是一个量级。这里面还有一些大家说的隐藏的 reasoning tokens。很多模型在回答之前会做大量中间推理，这部分用户看不到，但实际上不同的模型会消耗非常不一样的 compute token。

第三就是现在大家说的 agentic workflow，它本身就会像一个放大器一样，更加放大 token 的消耗。所以真的是同一个任务，不同模型的 token 消耗量可以差非常非常多。

这是不是解释了为什么有些 token 的用量特别大？那 token 的消耗是越多越好吗？

肯定不是越多越好，而且我觉得其实是反过来的。最终大家会意识到，你要的是效果，以及你追求达到这个效果时最高的效率。

比如我举一个身边 developer 都反馈过的例子。像 Cursor 这个 coding 工具，你问它同一个问题，它会消耗更多的 token。但这并不是说它的效果更好，而是说在同样效果之下，它的能效更低。

如果我想象一下，如果我是一个大公司的 CFO，我给 developer 一些 Cursor 的 credit，然后我能看到的只是 Cursor 的使用量在暴增。我就会推断，员工非常喜欢用，也能看到员工生产效率的提升。那我作为 CFO，结论可能就是：我要继续加单。

我觉得这是一个相对比较早期的现象。大家还没有真正理解到，token 和 token 不是一回事。

所谓的 token 大爆炸会不会自然地消停？毕竟模型会变得越来越高效。

我觉得没有那么容易直接回答是或者不是。这里面如果比较学术化一点，可以给大家一个公式：AI 的总投入实际上可以拆分成几个 input。

第一是有多少个用户，乘以每个用户完成多少个 task，再乘以 token per task，再乘以 dollar per token。前两项，也就是用户数和每个用户的任务量，肯定会继续大幅增长。

从程序员破圈到普通白领使用 AI，其实是一非常大的一波用户破圈。比如 Anthropic 有一个产品叫 Cowork，是给像我这样的普通人使用的产品。Cowork 在同等规模量级下，增长斜率实际上比 Claude 当时还要陡峭很多。

所以前两项，也就是用户数和每个用户的任务数，我觉得没有什么可说的，一定会继续增长，而且是大幅增长。后两项我觉得都会优化，因为现在整个状态是，大家都在说“我用了多少 token”“我花了多少钱”。我觉得这个状态本身其实不太正常。

你觉得未来会怎么演变？

可能还是要拆开来看。比如 token per task，像我们刚才讲的，我觉得最高效的模型，随着时间推移会越来越被大家认可。dollar per token 里面也有很多变化和具体的理解。

比如 Anthropic 的 Opus 模型，名义上的售价是每百万 input token 5 美元，每百万 output token 25 美元。但根据行业第三方分析，它实际上的收费其实只有 1 美元，因为它的缓存命中率非常高，可能接近 98% 到 99%。

当然也有其他原因。比如它的 agent workflow 里，input 比 output 长很多，所以 dollar per token 里面实际上也有很多文章可以做。我觉得过一阵大家会越来越意识到，模型的性价比才是最重要的东西。

所以怎么演变？我觉得现在肯定是一个非常浪费的状态，但并不意味着我们把这几个因素拆开之后，AI 的总投入就会下降。

我自己的想法，或者说我思考这件事的方式是：现在这个时代背景下，很多事情其实是既对又对的。比如你说现在大家讲 token maxxing 有没有大量浪费，我觉得答案是肯定的。但你说 token 的用量未来会不会继续大幅上升，我觉得这也是对的。听着矛盾，但其实不矛盾。

我看到有一些投资人用 token 的消耗量作为项目的判断依据，你怎么看？

我觉得这是一个阶段的产物。就好像在工业时代，你不会真的炫耀说“我的灯耗电特别多”，反而会去购买可能贵一点的 LED。我觉得过一段时间，这个东西会有一定变化。

我记得你比较擅长算账。现在很多公司花在 AI 上的钱，你觉得是真的在创造价值，还是在烧钱？

这里面大家一般被拎出来说的，其实都是 Meta。传言说它在 cloud costs 上一年的花销是好几个 billion，也就是几十亿美元，确实是一个非常吓人的数字。

有意思的是，Meta 最近也说它要裁员 10%。我大概算了一下，数量级上，它裁员 10% 刚好能对应它在 cloud costs 上的开支。当然我不是说这两者存在直接因果关系。

再比如 Uber 的 CFO 上个月跳出来说，他们公司在 3 个月之内，光 coding 这一项就花掉了原来计划一整年的 AI budget。算下来大概是几千万美元的量级。

我大概算下来，把头部几家公司，尤其是在做 token maxxing 的公司拉出来算，目前大家的 AI spend 大概对应 1% 到 2% 的 EBITDA，所以目前还算是可控的。说实话，算出来这个数比我想象的要好。我原来以为已经是一个更大的数字了。

你觉得按 token 收费这个模式长期合不合理？

我有一个比较强的判断：我觉得行业逐渐会理性起来，所以这个收费模式一定要变，会逐渐从按照 token 收费转向按照效果付费。

因为我们刚才说了，token 这个东西本身真的不是很可比。有一家叫 Sierra 的公司，是做 AI 客服的，它完全按照效果收费。我们访谈下来，它的客户也非常认可这种收费模式。

它的模式是，如果 AI 帮你解决了客服问题，没有转人工，就收费；如果转了人工，就不收费。而且里面还会根据问题的复杂度、解决程度，单价也不一样。

所以作为客户，我和 Sierra 是非常 incentive-aligned 的。我们都想解决这个问题，也都想少烧 token。我觉得这是一个最优解。

但这件事在客服里面非常可行，因为可以量化。并不是每个行业都能这样，所以我觉得可能会一点一点来。比如客服的解决率、销售转化、催收贷款或者保险理赔，这些场景可能会先开始变成按效果付费。

有一些比较创意类的，比如写作，我觉得长期可能还是会按 token 收费，因为写作的效果不好量化。

接下来我们还是要聊聊这几个重点的模型公司。先从这几个月大家最关心的一家公司 Anthropic 开始聊起。它应该是今年最亮眼的模型公司之一吧？在你看来，Anthropic 这一波的领先优势能持续多久？它的壁垒高吗？

2. Recursive Improvement Changes The Race

我其实也一直在想这个问题。过去两年，大家默认的假设都是，SOTA 模型每几个月都会换一次手。去年底大家在吹 Gemini，之前是 OpenAI，现在是 Anthropic。过几个月是不是还会继续换？

所以“领先”这个词，在之前一两年其实都是 rolling basis。但我觉得可能就在这一两个月，第一次开始质疑这个假设会不会持续。

核心原因就是，当 coding agent 成熟之后，出现了一个非常重要的 loop：更好的 AI 才能训练出下一代更好的 AI。这个循环一旦跑起来，就有一点研究人员说的 recursive self-improvement 的味道。

如果它真的过了某个临界点，这条曲线会变得非常陡峭。那后面再追的人，可能真的就没有什么意义了。你可以把它叫作 singularity，或者你怎么定义都可以。

你觉得这个拐点、转折点、变化会在什么时候发生？也就是说，AI 训练 AI 其实已经喊了两年，为什么这次不一样？

我觉得现在只是处在这个变化发生时间点的早期，可能是从今年 1 月开始。真正的节点就是 coding agent 的成熟。

往前推 6 个月，coding 模型对工程师的 total factor productivity 提升可能只有 5%；到去年底可能能到 15% 或 20%，现在肯定更高了。

你看模型大厂发布新模型的速度也不像以前，要花大几个月甚至一年，反而可能一个月就出一个新版本。我觉得这才是真正的原因，为什么像 Meta 那么大一家公司会愿意花几十亿美元在另一家公司的模型上。

因为如果没有这个东西，你的迭代速度就真的会比别人慢一大档。

你觉得现在已经到了后面无法追赶的地步了吗？

我个人判断，已经非常非常快了。这个类比可能不完全恰当，但有点像马车换汽车。

我猜想，最早创造出来的汽车可能也经常抛锚，所以前面的快马还能跟一跟、追一追。那个时候两者的差距可能没有那么清楚。但一旦汽车可以正常、稳定地跑起来，没有汽车引擎的马就没有比较的意义了。

回到 coding，OpenAI 最近一两个月按照 GPT 和 coding 两个组做了非常大的重组，把 coding 推到了非常高的位置。Google 是 Sundar Pichai 亲自在管 coding，Meta 内部也在推进自己的 coding 模型，希望年底做出 SOTA。xAI 公开收购 Cursor，背后的逻辑也差不多。

你怎么看 Codex 和 Claude Code 之间的竞争？外面的比较非常多，讨论也非常多。

我个人觉得，任何时候，如果大家在两个产品，甚至两个人之间有非常多争论和比较，通常说明它们实际效果差不了太多。

Codex 最近很明显在打价格战，做了非常大的补贴。凡是 Claude 不让用的地方，Codex 都欢迎你去用。我觉得这个价格战对它来说是挺正确的策略，因为它毕竟是后来者。

这里面也让我有一个反思：这两年花了太多时间比较 OpenAI 和 Anthropic，但我觉得更重要的逻辑应该是，知道这两家公司都会非常大。

最近还有一个思考：如果你看商业模式，整个模型层，或者叫智能，它不是 SaaS 的概念。SaaS 是 subscription，按人头收费。当一个东西是 subscription 的时候，实际上价格是封顶的；你买了之后用得越多，实际上越便宜，所以作为客户，你会倾向于只用一家，因为钱已经花在这个 per-seat 上了。

但模型肯定是 usage-based，也是 token-based。所以作为 CFO，你做的选择不再是“我今年选择哪个 vendor”，而是要优化每一个 query 用哪个模型。

它的商业模式反过来会鼓励大家同时使用很多 vendor，而且随时比较、随时切换。所以 OpenAI 和 Anthropic 的关系，现在看来并不是传统意义上的竞争。

Coding 能力还是最本质的。

对。我觉得这两年有很多反思，但这确实是里面非常大的一个反思。

3. Coding Expands The Real Market

一两年前刚出来 coding 这个赛道的时候，投资人估算 TAM，也就是市场大小，用的是价格乘以量。那个时候觉得，谁会用 coding 模型？美国有多少 developer？当时大家认为是四五百万人，其实是一个很小众的群体。

那时候大家考虑价格，有一些内部讨论。有人说 20 美元差不多，有人说应该能到 200 美元，因为一整套软件也就这么贵。一个公司最多可能也就花一两千美元在所有软件 subscription 上，所以 200 美元给 coding，大家觉得已经很可以了。

用价格乘以量，算出来也就是 100 亿美元左右的市场规模。但明显这个东西完全错了，因为到了今天，Anthropic 一家的收入都远不止这个量。反思下来，对量和价当时的估算都错得非常离谱。

所以这个市场到底应该怎么思考？

可能真的是回到像 Dario Amodei 说的，全球白领的 time。他的投资 PPT 第一页就是 white-collar time，说这是一个三四十万亿美元的市场规模，是他要去吃的市场。

这个逻辑就是说，我们每天做了很多事情。如果我会写代码，我应该会让电脑自动去做这些任务。

所以 coding 真实的 TAM，实际上是任何可以被计算机操作的事情。随着世界越来越数字化，这个范围还在持续扩张，包括大家现在用 AI 操作 Excel，之后我觉得还会用 AI 做交易。

所以每次想到 Cowork 这个产品由两个人做出来，我都觉得非常震撼。

回到 coding，或者说反思投资这件事，我觉得投资做判断经常会错。作为投资人，我能做的事情，就是在发现 coding 的收入很快飙到 10 亿美元的时候，应该非常快速地意识到，自己原来的投资框架和 TAM 彻底想错了，然后及时改。

你是什么时候意识到的？

应该最早是从 Cursor 开始。Cursor 的 coding 收入很快飙到可能 10 亿美元，之后是 Cowork。那个时候按照我们原来的 TAM 来算，10 亿美元已经占了 10%，那肯定不正常。所以那个时候就应该及时反思。

我记得你之前提过一个概念，叫负向滚雪球，用来解释模型公司的商业模式。你现在这个框架有没有发生一些变化？

这个概念其实是 Dario Amodei 提的，我只是把它翻译成更投资人的语言。我依然觉得这是一个非常经典的概念。

简单来说，如果去年训练一个模型的成本是 1，今年这个模型能带来大概 3 到 4 的收入，毛利率一般就 50% 左右，那不到 2 美元的毛利，可能还不够覆盖成本。

问题是，今年训练模型的成本最起码要是 3。再加上销售、人员等成本，利润就会是负的。只要训练成本每年还是几倍增长，这个生意就会像负向滚雪球一样，越滚越负。

以前 Dario 的认知是，如果想跳出这个负向滚雪球的 loop，只能靠训练 scaling 变慢。但我觉得最近几个月证明了，其实还有另外一条路：如果收入增长的斜率更陡峭，不再是 3，而是比 3 高很多，公司也会突然盈利。

所以公司其实自己也没有想清楚需求会这么强。

对。Anthropic 其实已经把预测做得非常极致、非常优美，也非常第一性原理。

这里面有一个很简单的公式：如果训练成本占收入的比例低于推理毛利，公司就能赚钱。第二个是一个 constraint，因为总成本是训练加推理的总和，这个总量实际上是提前定下来的。

推理毛利率公司可以掌控，但训练和推理的算力占比，最终是由需求决定的。需求并不是真的那么可控。

像 Anthropic，年初这几个月需求突然爆发，公司就被迫把更多 compute 放到推理上。所以一下子就暴利了。

现在媒体经常报道 OpenAI、Anthropic 这些公司的收入节节升高，这两家公司怎么对比？

很难对比。首先大家管它叫 ARR，但它根本不是 ARR，因为 ARR 是 annual recurring revenue，在模型这里它既不是 annual，也不是 recurring。

而且大家的口径七七八八什么都有。有的是用过去 4 周收入乘以 13，更激进的是用过去 1 周乘以 53，所以其实可以差出很多。

这两家公司也没有让比较变得容易。有的是用 gross，有的是用 net。比如 Anthropic 报出来的是 gross revenue，你还要做一些调整。假设 40% 是第三方 API，那 net 就要扣掉这一部分，可能少 20% 左右。

OpenAI 则反过来，报的是 net。你要换成 gross，可能要再加 5% 到 10%。但它们的 EBITDA 实际上是完全可比的。

所以我们也浪费了很多时间计算这些数字。

你怎么看 OpenAI 和 Anthropic 对算力的需求？

我觉得这里面最大的教训是，市场，包括我自己，都远远低估了每一个 gigawatt 电力能够产生多少模型收入。

第三方有披露，OpenAI 和 Anthropic 现在分别可能有几个 gigawatt 的算力，到年底应该能到 5，明年可能到 10。

之前大家觉得，每个 gigawatt 差不多能对应 100 亿美元的收入，就已经不错了。但这几家公司证明，这个数字被远远低估了。

推理和训练这边，成本应该分别都对应每个 gigawatt 100 亿美元，这没有问题。但收入这边其实可以标得非常高。

所以这个事情的 implication 是，模型公司的收入天花板被系统性低估了。一个 gigawatt 到底能产生多少收入，到今天也没有人能看到上限。你说 100 亿美元、500 亿美元，现在看来都挺有可能。

Anthropic，大部分硅谷投资人是什么时候看懂这家公司的？

Anthropic 真正的 inflection point，我觉得是去年它的 ARR 从 10 亿美元到 50 亿美元的时候。它从 10 亿到 50 亿用了不到半年，比 OpenAI 同期快很多。

看到这里就应该知道，coding 比大家想的要大、要快。但那个时候也不是无可挑剔，大家会挑剔两件事。

第一，它当时的毛利率非常难看。但你真的和一些做 infra、做工程的人聊，会觉得问题可能不大，还有很多优化可以做。

第二，大家非常担心 Dario Amodei 和美国政府的关系。但我觉得大部分投资人是在 2025 年看到 coding 真正起来了，所以开始加仓或者建仓 Anthropic。

你觉得 OpenAI、Anthropic 和 Gemini 这“御三家”未来会长期在同一条河流里竞争，还是会分化？

这也挺有意思的。去年这个时候，我会觉得几家公司已经有明显分工，几乎定下来了。但到了今年，反而觉得模型层的商业模式可能会趋同：什么东西火起来、什么东西有收入，大家都会去做。

比如以前我会觉得 GPT 的粘性非常大。我不管是报税单，还是体检单，都会存在它的 folder，或者叫 Projects 里面。但今年只是因为 Anthropic 有一个能帮我画图的 visualization 功能，我个人就倒戈了。

这也是因为现在大家对 coding 市场的大小判断变了，觉得 coding 会很大，所以反而不是很在乎这几家公司具体侧重什么，而是觉得模型层本身会占 compute stack 更大的比例。

今年年底，这两家公司加起来达到 2000 亿美元的收入体量，我觉得也不是特别奇怪。我也在锻炼自己的大脑，去习惯更大的数字和 upside surprises。

那马斯克和他的 xAI 呢？

说实话，现在没有人真的能对 xAI 接下来的成功与否做出判断，因为没有什么可以参考的数据点、团队情况和进展，基本属于乱猜。

但这里面有一点。比如 Elon 把 xAI 的 data center 租给 Anthropic，很多媒体说他彻底不做训练了，转去做 neocloud。这个说法不准确。

公开数据是，xAI 有 3 个 data center：Colossus、Macrohard，还有第三个叫 Macroharder。后两个使用 Blackwell，Colossus 使用 H100，本来主要是用来跑推理的。

所以它实际上是把自己现在不太用的算力，租给最缺卡的 Anthropic。而且这个 data center 本身也不大，大概 300 兆瓦，可能占 xAI 整体数据中心的 20%。大概能租出 40 亿到 50 亿美元的收入，所以是一个非常合理的商业决策。

Meta TBD，你有没有什么想说的？

我觉得一个是，它年底肯定要冲击 SOTA 模型。它现在可能对标 Gemini 2.5。更大的问题是，Meta 做出这个模型之后，怎么真正变现。

现在看来可能有几个方式。一个是它一直在推的 Meta AI，一个单独的 app。另外，Meta 应该也会推出自己的 OpenClaw，或者说“小龙虾”助手。

第三个我也会关注：它现在内部在用自己的 Cody 模型，但如果 Cody 真能做起来，这部分是不是能产生一些对外收入？我觉得这是 Meta 能不能真正获得额外 AI 收入的重点。

AI 对软件公司的冲击，也是硅谷现在讨论非常多的话题。你怎么看这个问题？

4. Software Loses Its Sales Moat

这里给我最大的反思是，软件这件事情本身，过去一直被认为和 To C 很不一样。它是一个 push model，需要销售，需要一整套 go-to-market。

所以你看，不管是 ServiceNow、Adobe，都是三四万人；Salesforce 有七八万人。这里面很大一部分是销售，CEO 自己也是销售。它的销售和营销支出，占收入比例可能有 40% 到 50%。

但比较大的震撼是，Anthropic 其实也是一个 To B 公司，80% 是企业用户，员工却只有 3,000 人。传统软件公司算下来，每个员工对应 50 万美元收入；Anthropic 每个员工可能对应上千万美元收入，差了一个数量级。

而且 Anthropic 真的没有一个正经的销售团队。无论是 Cowork、Skills 还是 Projects，其实都不是普通人很容易上手的产品，但大家还是在非常疯狂地学习和使用。

我自己也在反思：是不是用户对智能的需求真的无限？是不是我们之前有点过于强调销售的重要性？当然这不只是软件的问题，也会让大家反思，为什么很多大公司需要这么多员工？

这个对比也不只是针对软件公司，对吧？

对。比如 Meta 已经是一个挺高效、很卷的公司了，有 8 万名员工。每个员工算下来可能对应 300 万美元收入，已经比软件公司好很多。

但 AI 出现之后，我再看这 8 万名员工，还是会觉得很神奇。这是一家 To C 公司，没有新的获客需求，虽然肯定有维护工作，但为什么整个 Meta 团队，包括我认识的朋友，还是处于比较忙碌的状态？

所以有很多东西可以反思。还是像刚才说的，Anthropic 的 Cowork 这么成功的产品，只有两个人做出来。AI 来了之后，组织架构应该是什么样子，一家公司到底需要多少人，都很值得思考。

所以投资人是在抛弃软件公司吗？

简单说，我觉得这里面有一个投资中非常简单的逻辑，就是 discount rate。

说到底，很多东西大家都听过叫 DCF，都是看未来的现金流，放一个 discount rate，算到今天，看公司值多少钱。所以不需要对未来有非常强的判断，只要不确定性上升，估值就会被压，因为 discount rate 会上升。

二级市场有一个比较有意思的观察：软件股已经被卖得七七八八，很多跌了 50% 甚至更多。但一级市场还有很多公司停留在 AI 之前的估值逻辑里，所以会出现一、二级市场估值倒挂。

很多一级市场的明星公司，不管是 Databricks，还是其他很大、很不错的公司，如果今天上市，估值其实都会被砍得很厉害。

软件公司还有一个问题，就是 SBC。如果股价跌了 50%，你还想给员工同样价值的股票作为 compensation，就要发两倍的股票，所以这是一个两难状态。

你觉得哪些软件更脆弱？

我觉得其实都有一点时间问题。我会看软件里面 UI 的占比有多高。如果核心价值本来就是一个非常精美的 UI，那它是最脆弱的，会死在最前面。

比如很多 point solutions，受到的冲击最大、最彻底，电子签、项目管理、一些 BI 工具，都是这样。

另外也要看它的数据结构化程度有多深。大家可能听过一句话，说一切软件都是 Excel wrapper，但 wrapper 和 wrapper 也差很多。

像 Monday 是一个项目管理软件，它的数据结构非常规整。每一行是一个固定的任务对象，每一列也是固定的。这类软件最容易被 agent 取代。

但 Excel 很混乱。每个表格、每个格子的语义都可能完全不一样，名字、数字、公式混在一起。所以 Excel 本身其实很难被 AI 直接替代。

我觉得这也是一个时间问题：哪些会走在前面，哪些还能再撑一撑。

那 Office 这套办公软件还有意义吗？

最近这个话题特别热门，大家炒得非常火，说整个 Office，不管 PowerPoint 还是 Excel，都没有存在意义了，直接用一个网站的 HTML 就可以。

我之前也这么觉得，但最近发现背后没有那么简单。AI 生成一个网页版 PowerPoint 很快，但只要你需要手动再改一改，就会发现还是直接在 PowerPoint 里改更快、更精准。人手拉一下、拽一下，效率会高很多。

我会把整个 Office 想成一条流水线。我可能不需要手动修改，只需要审批。但只要我把文件发到流水线上，只要其中有一个人需要手动修改，我觉得 Office 这套工具就还会继续存在。

有什么类型的软件相对安全？

市场普遍会觉得，数据存储、data warehouse 之类比较安全。但最近我们自己具体使用时，我有一个感想：这件事可能也不是绝对的。

比如我是一个投资经理，想拉 50 只股票的估值，做一个快速对比。过去我需要一个 warehouse 去 host 这些数据，然后写非常精准的 SQL 去调用。

但现在如果我有一个模型，在 cloud 里写一个 skill，直接调用 Bloomberg API，只需要几秒钟的 token 消耗就能完成一个分析，setup 成本几乎是零。

这在模型出现之前是完全不可能的。所以我也在想，warehouse、data lake 这些东西是不是绝对安全？我觉得也不是。

AI 时代新的软件机会在哪里？有吗？

现在从 VC 投资角度能看到很多公司说自己是 AI CRM、AI ERP，但看下来，我觉得还没有什么本质改变。更多是“不需要手动输入，我可以给你语音录入”之类的功能。

我觉得一个比较大的机会，是让软件去处理以前企业决策过程中没有被记录下来的部分。

比如我在 CRM 里记录一个客户，写下我给这个客户打了 25% 的折扣。但今天这套 CRM 不会记录为什么是 25%，为什么不是 30%，曾经有哪些方案被谁否决，谁说服了谁，CFO 有什么 concern，客户到底想要什么。

这些决策过程其实都消失了。以前也没办法记录，因为有太多 unstructured data。

到了 AI 时代，就不再需要做一个压缩工具，可以直接处理更原始的信息。我觉得这里可能会有一波比较大的机会。

你觉得软件需不需要为 agent 重新设计？

肯定需要。这也是最近使用上的一个感触。

比如 agent 要连接 Slack，或者连接 Discord。Slack 还是基于 HTTP：人发一个消息，服务器回应，对人类聊天够用，但对 agent 非常难用。

因为 agent 需要非常持久、实时、长期在线。Discord 因为是 WebSocket，所以用起来非常顺手。我甚至那天在想，如果哪个模型公司把 Discord 收购了，也不奇怪。

所以整个软件体系都要从第一性原理重新想：agent 需要什么，然后重新设计一套。

在股票市场也更明显。大家最近在炒 CPU 短缺，实际上也是同样一件事。

我看到你最近还写了不少关于 AI 时代组织架构的文章，这有点不太像投资人会研究的课题。你为什么会开始研究这个？

我不是 HR，也不是 COO。但我研究下来，觉得这件事比想象中重要很多，而且非常有意思。

5. AI Rebuilds The Organization

Dario Amodei 提过两个概念，一个叫 technology diffusion，另一个叫 economic diffusion。Technology diffusion 说的是模型能力本身的进步，大家都能看到这条曲线非常陡峭。

Economic diffusion 说的是，这套模型能力真正被企业和经济吸收、落地的速度。他自己认为这个速度没有办法准确预测，可能会落后几年，甚至十几年。

所以研究组织架构，本质上就是在判断 economic diffusion，也就是 AI 什么时候变成收入，什么时候社会生产力会提升。

历史上有没有类似的例子？

有非常经典的例子。一个是电发明的时期。从电灯泡到真正带来社会生产率提升，其实用了 40 年。大概有二三十年，生产率没有任何提升，甚至还下降了一点。

背后的原因是，之前都是蒸汽机。蒸汽机工厂实际上是垂直堆起来设计的，因为中间需要放一台非常大的蒸汽机，再通过皮带传递动力。

电机很快就被发明了，但并没有真正用到流水线上，也没有真正提升效率。大家只是把蒸汽机拆掉，换成电机，塞到同样的位置，工厂还是按照原来的方式垂直设计。

一直到流水线形成，那个时代的生产率才真正上去。这个给我的震撼很大：新技术出现，并不直接等同于 economic diffusion，也不直接等同于经济价值。

另一个离我们近一点的例子是计算机。应该是 1980 年代、1990 年代，80 年代电脑已经在办公室、银行里使用了。

那个时候和现在非常像：每个人都觉得自己的工作更快了，但宏观生产率没有任何提升。经济学家把这个叫 productivity paradox，很多人研究这个话题。

最后发现，到了 90 年代中后期，沃尔玛、亚马逊这些公司开始围绕计算机和网络重新设计业务。那个时候出现了企业数据库、早期 ERP，包括亚马逊的供应链，整个业务都用计算机的思维重新设计了一遍，生产率一下子就上去了。

所以回到 Dario 说的这个概念，我觉得还是很有意思的。

对比之前这些历史时期，你觉得 AI 现在的曲线处在哪个位置？

我觉得现在可能正处在把电机塞进蒸汽机的阶段。每个人都把 AI 加进自己的工作流，但其实没有人真正去问：这个流程本身，或者这个公司本身，为什么是今天这个样子？

比如为什么 Meta，或者任何一家公司，需要 8 万人？为什么我们需要这么多层级？还有很多问题没有解决。

如果从第一性原理看，你觉得公司为什么是今天这个形态？

公司里面其实就是几个事情：有很多人，有很多层级，中间有一些信息流。

大家一般说层级，会理解成权力结构：谁向谁汇报，谁比谁 senior。但我觉得层级更深层的功能，应该是信息传递。

组织变大之后，没有人能看到全貌，所以需要一层一层的 manager。管理层先从 CEO 那里收集信号，综合、提炼，再一层一层传递下去；从下往上也是通过这个方式去翻译、拆解。

组织这个机制，都是在解决信息传递的问题。包括开会、同步进度、每个 quarter 要对齐，所有这些其实都是信息搬运机制，因为人与人之间的传输成本比较高。

这个在科技公司里是不是尤其明显？

对。你想一个产品怎么在科技公司里被设计出来：PM 要写 PRD，designer 要把 PRD 解读成可视化的东西，developer 看了之后可能要开发几周或几个月，然后还有 QA 几周，接着还有 go-to-market 和销售团队。

端到端可能 6 个月就过去了。里面很多其实都是翻译成本：一个人把另一个人到底想做什么，翻译成大家都能理解的东西。

AI 进来之后，每一个环节都会变成新的 bottleneck。那天听一个 founder 讲，我觉得很有意思。

最开始被打击的是 developer 的开发时间。以前可能要 2 到 3 个月，现在 vibe code 之后可能两周就写完了。然后你会发现 QA 不太对，没理由再花几周做 QA，于是把 QA 的人裁了，或者把方式改了。

然后你会发现前面的 PM 和设计又成了新的 bottleneck，变成最花时间的地方。改完之后，go-to-market 又成了最新的 bottleneck。

这就像不停地打地鼠，实际上整个流程都需要重新设计。

经过研究以后，你觉得重新设计之后可能会长什么样？

之前可能是一棒一棒的接力赛，之后更像是一个小团体的篮球赛。可能 3 到 5 个人一个小分队，必要技能都在团队里面，而且团队应该能自己直接做决策，只有非常大的问题才向上汇报。

细节上，比如 QA 可能会嵌入开发，PM 也要变得更全能一些，所以会有很多细节变化。

很多人最近都在讨论，AI 时代应该怎么做组织变革。对于现有公司，你有没有看到比较成功的案例？有没有一些具体做法？基层、中层、决策层，哪个链路的人未来会变得更重要？哪些人可能更危险？

说实话，我也在找哪些组织转型比较快，但美国这边还没有看到比较 consensus 的案例。大家可能都会说，中层要被压缩。

我另外一个感觉是，企业里面可以被追踪到的信息，量会暴增。人与客户谈判的整个过程，应该都会被 capture，然后喂给 agent。Agent 还能拿到所有 CRM 的历史数据和往来记录，应该能像拥有上帝视角一样，直接告诉我客户现在是什么状态、我需要做什么。

整体感觉就是企业会更“活”，但我自己还在找有没有比较好的例子。

前面我们聊了 token、模型、软件和组织，现在回到你最熟悉的领域：AI 对投资行业会带来什么变化？

6. Agents Transform Investing

变化会非常多，因为投资行业真的是一个非常低效的行业。大家花大量时间找信息、清理数据、比较预期、判断 positioning。

我这几个月想的问题是：如果给 agent 足够干净、足够多的数据，并且清晰地告诉它交易目标，它有没有可能做得比人好？我觉得理论上 100% 会比人做得好。

当然你需要告诉它理想的交易是什么样，因为每个人的交易风格不同。你希望每笔持有多久，追求多少收益，能承受多少回撤，什么样的机会愿意出手，这些都定义清楚之后，我觉得 AI 能做出一套非常完美的交易系统。

所以我倾向于认为，今天还没做出来，只是因为大家的思维其实很混乱，没有把自己的思维过程完全解构清楚。

今天还没有做出来，你觉得难点主要在哪里？

一个很明显的难点在数据。财务数据听上去非常标准化，但实际上非常细碎。

最近我在用 agent 接财务数据，发现可能需要接十几个、二十几个财务数据 vendor，才能拼凑起我平时用的数据。这是一个非常混乱的行业。

另外，我觉得也需要更好地理解市场背后不同玩家是怎么做决策的。

拿美股来说，从交易量角度看，量化占比超过 60% 到 70%，散户大概 30%。传统机构我们觉得很大，但实际上根本不占什么交易量。平台型机构，比如 Citadel Securities，可能占个位数。

如果回到量化，假设高频本身不做方向性判断，它更像是 momentum 的加强器，那么真正影响方向的就是散户、中频和平台型机构。

所以说回来，agent 还需要真正理解散户到底在怎么想。我觉得散户非常重要。AI 时代也会让更多人参与股市，散户的行为会更加机构化，也会更复杂，值得多想一想。

散户喜欢什么？

我总结了几条比较明显的规律。

第一，散户整体喜欢 PE 比较低、估值比较低的公司。他们可能不一定看很多细的财务数据，但 PE 这个数字一般都会瞄一眼。

另外，散户喜欢梦想比较大的公司，喜欢创始人有张力的公司。这些年的 Tesla、SpaceX，包括 Robinhood，都在这个范畴。

还喜欢绝对股价不高的公司。同样市值下，如果每股 8 美元，通常会比每股 800 美元更受散户欢迎。

但说到底，我觉得散户喜欢股价上涨。我的整体感觉是，未来不再是机构教育散户，而是机构也要向散户学习，因为市场越来越风格化、越来越 thematic，也越来越 narrative-driven。散户本来就是价格形成的一部分。

你觉得市场会有很大的变化吗？

我觉得会。一个是刚才说的散户和机构之间的信息差，我觉得会非常快地收敛。

另外，基本面和量化，尤其是中频量化，我觉得会有一波 converge。市场上任何 alpha 的 realization，也就是 alpha 的实现，都会变得非常快。

举个例子，过去 OpenAI 如果宣布和某家公司合作，市场可能要花几天理解。在这几天里，我会给不同机构的投资人朋友打电话，大家对一对数字，然后会看到股价几天内调整到大部分玩家认为比较合理的位置。

但之后，如果把所有信息给 agent，它自己就能看之前的案例，可能在那一秒就达到合理股价。所以这种 event-driven 的交易，我觉得会越来越几乎没有做的必要。

财报也是一样。今天看一份财报，要看很多东西，要算第三方数据，要问市场预期，要比较 consensus。未来这些都会更系统化、更框架化，AI 会有一种上帝视角，做出更精准的判断。

回到市场怎么变，我觉得可能因为 agent 做出的判断非常精准，股价不会像今天这样，在业绩公布时出现那么大的波动。

那你觉得市场会更波动，还是更有效率？

两者都会。

更波动，是因为大家反应都更快。Agent 会放大几乎同一个 signal，交易会更拥挤。

也会更有效率，因为信息很快就会进入价格。真正的 alpha 会从“我比你早发现一点”，变成“我比你更能理解一些大的趋势”。

我觉得之后跨行业研究会越来越重要。未来可能需要在投资行业里做一个专才。

现在有一些基金主要做中小盘，做没人看的小公司，因为那里可能有 alpha。但我觉得这个很快都会被 AI 覆盖，因为 AI 的学习能力非常强。

所以我也挺期待，应该能看到很多变化。

回到投资层面，AI 这一波创业公司哪些方向已经跑出收入了？你可以来一个快问快答。

7. AI Startup Revenues Take Shape

Coding 型是最大的，已经有几十亿美元的收入，是最大的一块。往下就断档了。

Healthcare 方面，不管是 Abridge 还是 OpenEvidence，大概有 20 亿美元。Legal 方面，比如 Harvey，或者 Legora，超过 10 亿美元。Customer service 会接近 10 亿美元。Video generation 大概是几亿美元。

AI 推理基础设施，不管是 Together 还是 Fireworks，行业有几十亿美元的收入。做芯片的，比如马上要上市的 Cerebras，包括之前被收购的 Groq，也算是大头。

这些基本涵盖了所有能达到 10 亿美元量级的创业公司。

在这些领域，模型巨头们会不会和它们直接竞争？

这个问题从 2022 年大家就开始问，但答案过去几年一直在变化。

2023 年，大家把这些公司叫 AI wrapper，或者 model wrapper，非常担心模型公司会吃掉一切。

但 2024、2025 年，大家其实已经不太说这个话了，因为会发现这些公司的收入增长也非常快，也有一些不错的退出。

但到了最近两个月，我重新开始非常担心模型公司的竞争，因为模型本身正在变得非常 stateful。它有 Skills，可以使用工具，有 connectors，有记忆。应用层和模型层的边界，又一次被推向应用层。

Anthropic 已经站出来说，它会先吃编程，第二大业务会去吃金融领域。我觉得它应该也看到了我看到的东西：金融这个领域非常肥，而且非常低效。

OpenAI 也马上要推出自己的音频模型。它会对 LiveKit、ElevenLabs 产生什么影响，这些问题都会很快出现。

还有一个很大的变化：OpenAI 和 Anthropic 几乎在同一天宣布和很多私募基金合作，把模型推到这些基金的被投企业里。这会带来一波非常大的 adoption，所以竞争会非常多。

说到这里，应用公司还剩什么呢？模型公司四处开战，模型公司吞噬一切。

我有自己的看法，但先说这些应用公司自己是怎么抵御的。

比如做 legal、做法律的公司会说，因为合规和行业监管比较严格，律所非常担心模型出现 hallucination，所以不能直接用今天的大模型做应用。

做客服的公司会强调，客服领域有很多 last mile，总有一些非常常见的需求。

但我个人觉得，如果你只是依赖合规，或者只处理 last mile 的工作，并不能吃到最大、最肥的那块价值，长期利润率也不会特别好。

所以 2026 年了，你还投应用公司吗？

还是投。这里面还有一个投资行业流动性的变化，我觉得也很重要。

过去几个月，每一家熟悉的 VC 基金都成立了一个成长型基金，投后期项目。它们用这个基金去接自己 VC 基金里的项目，比如 OpenAI、Anthropic 这样的大项目。

所以 VC 基金反而被空出来了。作为创业公司，还是很容易拿到融资的。而且今年马上有一波上市，也有很多收购案例。VC 都在疯狂退出，手里的现金还是很充足。

现在 VC 这边最火的是什么？

硅谷这几个月肯定是 new labs，真的可能有 100 家 new labs。New labs 就是那些从 AI lab 出来的研究员自己开的新 lab。

我也发现硅谷的投资主题变成了 new labs。这本身说明什么？为什么会这么投，而且为什么是这个时间点？是不是有能力做模型的创业者，都不太会去做应用？

一般来说，这两类项目拿到的融资金额差距还是挺大的。为什么现在会出现 new labs？

我觉得是因为 OpenAI 的估值涨到了接近 1 万亿美元。很多投资人会想：我现在拿着 OpenAI，还能再赚多少回报？

但如果任何一个 new lab 能博到几倍收益，那我还是非常值得做这一笔投资。

另外，这几年硅谷整个叫 acqui-hire：只要你优秀，总会被一个非常优秀的 lab 招回去，所以退出变得非常好。

我也可以实话说，从 VC 角度，有的 VC 投 new labs 投得非常多，有的完全不碰。背后实际上是一个非常简单的数学问题。

每一家 new lab 融资金额都比较大。VC 会想，我不可能在几十家里全都投，但也绝不可能只投一家，因为根本选不出来。所以我要投大概四五家，每家放 5,000 万美元，总投资大概 2 亿美元。

这时候 VC 会看这一期基金有多大。如果我是一个几亿美元规模的基金，就可以做整个 new labs 板块的投资。其中只要有一家获得几倍收益，就可以了。

现在除了 new labs，还有什么别的方向？

任何和推理，或者能够让模型降价相关的创业公司都非常火。

另外我觉得比较有意思的是给 agent 做基础设施的创业公司。这一波挺有意思，因为 agent 不是人，它使用工具、email、支付的方式都和人不一样。

拿 email 来说，今天 Gmail API 对发送量和请求频率有限制，对人来说可能够用，但对 agent 完全不够，很容易被 detect 到，然后被 block。

所以有一家创业公司叫 AgentMail，给 agent 发邮件。手机也是一样，有一个叫 AgentPhone 的项目。

之后所有基础设施，不管是 browser、identity、payment 还是 compliance，可能都会被重新做一遍。

Agentic commerce 这条线你怎么看？

和几个月之前相比，我新的判断是，To B 会比 To C 大很多。

To C 的消费体验今天已经做得还不错，很多时候消费者愿意自己花时间看网页，里面也有娱乐属性。如果 AI 只是帮我下单，可能有价值，但没有那么大。

OpenAI 可能也看到了这一点，觉得不太好做，所以目前只想做和 travel 相关的，还没有真正去碰消费领域。

To B 则很不一样。比如跨境电商，我的公司在美国，但想远程买一批办公沙发。这里面有非常广的信息维度：数量是多少，单价是多少，买得多有没有折扣，认证是什么，有没有进出口合规，付款条款是什么，如果早付款会有怎样的折扣。

这是一个非常复杂、非常长的链条，有很多沟通成本。只要沟通成本高，就天然非常适合 agentic commerce。所以这块反而值得看一看。

最后讲讲自动驾驶和机器人。你怎么看这一块的新动向？

8. Physical AI Moves More Slowly

说实话，整体比我想象的要慢，所以这也是我对看法的一个修正。

自动驾驶这边，我觉得最有意思的是英伟达推出了自己的开源模型 Alpamayo。如果真的能做起来，就像车厂的 Android 系统。

如果能成功，行业格局都会变，不再只是一两家车厂能做自动驾驶，而是会很快铺开。

这是我个人花时间最多、也觉得最值得关注的方向。

自动驾驶的一些细节上，大家也开始做 reasoning。语言模型感觉已经做好 reasoning 了，但自动驾驶是最近才开始做，因为大家发现，纯靠堆数据和模仿学习，覆盖不到所有 edge case，模型还是要理解道路上到底发生了什么。

机器人最近是不是有点突破？

我会更谨慎一点。很多 researcher 都会说，在机器人领域还没有看到像 LLM 那样清晰的 scaling law。

Scaling law 对我来说也是一个学习过程。Scaling law 和模型加了数据就有进步，是两码事。Scaling law 需要 pre-training loss 呈现非常干净的 loss curve，还要有跨任务、跨场景、跨本体的泛化。

现在大家都希望它出现，但目前更像是 feature 强化阶段，没有一条真正可以外推的干净曲线。

美国这边还要解决机器人硬件怎么做，感觉每家厂商过去几个月都去深圳学习了一波，所以挑战还是很多。

要不要投中国机器人？

如果中美关系更好一点，投中国的一些机器人公司，其实是比较合理的决策。

我们去年聊过 AI 对美股的影响。过去半年，你有没有一些新的想法？

9. Markets Rethink The AI Trade

我回顾了一下去年聊的内容，有两个判断需要很诚恳地复盘，一个是对的，一个是错的。

对的是，去年底我觉得今年市场最重要的风向标会是 OpenAI 和 Anthropic 的收入。现在看来确实是对的，市场今天讨论得这么火热，就是 Anthropic 的收入一家撑起来的。

但当时有一个判断非常离谱：我以为今年整个市场的重心会慢慢从半导体接棒到 AI 应用。这个判断现在看来完全错了。

我感觉过年前和过年后完全是两个世界。那你现在觉得最核心的判断是什么？或者说，你最担心什么？

我最担心的是，接下来这些大厂，尤其是云厂商的现金流会非常难看。我不知道市场对此会有什么反应。

按照现在的 capex，也就是资本开支曲线走下去，到 2027 年，几家大厂的自由现金流都会转成负数。

整个行业有超过 1 万亿美元的 capex，而且这还只是表内数字。每一家大厂其实都暗中签了很多表外资本开支。

这些大客户还都和存储公司签了长期协议，所以 capex 的预测几乎只会上修，不会下修。我不知道当大家真的看到现金流全是负数时，会是什么状态。

市场也会问，花这么多钱到底有没有回报。

这个问题一直存在。今年一个比较好的变化是，除了模型厂商已经能看到利润率，云这边也看到了投资回报，而且还在加速。

比如 Google，如果今年有 2,000 亿美元资本开支，云收入大概能达到 1,000 亿美元，可能是两年回本。Amazon 也类似。

所以云厂商不是没有回报。但问题是，云这个生意本身，我还是觉得变差了。

为什么说云生意变差了？

一个是竞争变多，另一个是它在 compute stack 价值链中的价值被分走了很多。

现在有很多 neocloud，我们刚才也聊到，xAI 也成了新的 neocloud。几家云厂商加起来已经有 2 万亿美元的收入储备，其中超过一半是 OpenAI 和 Anthropic 这些模型公司的长期算力订单。

我说价值被分走，是因为以前云厂商会卖很多上层软件，那部分 margin 很高。但现在那部分价值，很多被模型公司拿走了。

芯片这边有没有什么变化？

云厂商的很多自研芯片，开始从内部工具变成对外销售的商业产品。

Google 的 TPU 变化最大。以前 TPU 不对外卖，现在已经开始把 TPU 作为硬件直接卖给客户。我觉得这是它过去 10 年战略中最重要的变化。

Amazon 也在财报里披露，有超过 2000 亿美元的 Trainium 收入，已经是一个独立芯片公司的规模了。

我记得我们之前还聊过广告。如果 OpenAI 开始卖广告，你觉得对市场会有什么影响？

这块我也有一个反思，之前理解得不够完整。

我原来的思维是，如果 OpenAI 做广告，对行业会非常危险。美国线上广告渗透率超过 80%，OpenAI 再进来，肯定是存量竞争，只能从 Google、Meta 手里抢。

后来我又看了一下，亚马逊过去几年悄悄做出了接近 1,000 亿美元规模的广告业务。它拿到的其实不完全是传统意义上的广告预算。

比如宝洁给沃尔玛 50 美元，让自己的洗发水放在货架上更显眼的位置，这笔钱不算广告费用，而是叫 trade and promotion，从销售收入里扣掉。

这里面有很多细节，但我觉得整个市场还是很大。新进来的玩家，比如 OpenAI 开始卖广告，也未必完全是存量竞争，不一定只能从 Google、Meta 手里抢。

今年是不是还有几个超大型 IPO？Databricks、OpenAI，这对市场会有什么影响？

第一个上市的肯定是 SpaceX，然后还有你说的两家。这几个加起来，按 4 万亿美元规模的 IPO 来算，如果融资比例是 5%，大概是 2,000 亿美元；流通盘可能是 4,000 亿美元。

我们也做了很多测算，和投行来回讨论。从纯市场容量上看，应该撑得住。

全球主动投资股票基金，也就是 mutual funds，现在账上可能有 1 万亿美元现金。再加上散户，散户这些年可能没办法投资 OpenAI、SpaceX 这些 private company，肯定会想进入这个市场。还有主权基金、对冲基金，所以市场不是接不住。

但我个人感觉，更大的问题是资金轮动。新的 IPO 进来，大家喜欢、大家想买，那今天的 Magnificent Seven 肯定会承压。

这还不算 Magnificent Seven 很多公司的现金流已经要转负。原来是七巨头，之后很多公司都会被稀释。

大公司裁员会有什么影响？

我们也做了很多测算。我觉得对它们的 EPS，也就是每股收益，帮助有限。

比如 20% 的裁员，对 Magnificent Seven 可能对应 EPS 增长 5% 到 10%。但对软件公司影响会非常大。

像 Salesforce 这种典型的人力密集型 SaaS 公司，20% 的裁员，很轻松就能对应 40% 到 50% 的 EPS 增长。

现在听起来市场一片向好，又是上市又是退出。有什么可能让市场情绪变差吗？

有几个可能。

一个是社会影响。如果大规模裁员，政府可能会有一些干预。

再一个是 token 浪费带来的回落。比如 Meta 花几十亿美元在外部模型上。但我还是那个观点，即使有一波由浪费带来的回落，也不影响中长期趋势。

另外，我觉得大家会对 Magnificent Seven 的负现金流展开更大讨论。大家会问：接下来哪怕模型还在进步，这些钱从哪里出？这一点确实还没有看到很好的解决办法。

目前像 Anthropic 的收入非常好，但 Anthropic 的收入毕竟不是 end customer 的收入，而是其他人使用 Anthropic 之后产生更好的收入。这个收入大家一直没有真正看到。

比较乐观地看，可能到年底，大家会更希望看到真正由 AI 带来的收入。

总体来说，硅谷现在是不是弥漫着一种对裁员的恐惧？

10. AI Reopens The Jobs Question

确实有。焦虑和恐惧本来就是最容易传播的情绪。

还有一个很现实的背景：这几年很多人因为 AI 这一波暴富了，所以财富差距和技术变革叠加在一起，形成了这种焦虑。

这个影响会有多大？你说裁员。

最近有人问 Dario Amodei：AI 是不是肯定会导致裁员和通缩？他的原话是：“如果你抱定这个想法，你是 arrogant，也不是 open-minded。”

我套用这句话说，我在这个问题上肯定没有资格下定论。

一方面，从人类有记忆以来，每一轮技术变革都会有人说是就业的末日。不管是马车、汽车、纺织机、电力、计算机还是互联网，每一次都是这样。

但另一方面，投资里最危险的几个字就是“这次不一样”。所以可能真的像 Dario Amodei 说的，要保持 open mind，保持开放的态度。

如果悲观者是对的，AI 造成大规模就业冲击，政府其实也可以通过印钞、全民基本收入或者征税来应对。所以可能不会是大家想象的那种长期通缩市场。

投资上，或者普通人能做的事情，就是知道市场的主流是什么，同时看到别人还没有看到的路径，提前做好心理准备。

这样无论剧情按哪条路展开，在心理上和投资组合上都能准备好，也能快速调整。我觉得这就是能做的事情。

历史上的技术革命都是怎么影响就业的？你有没有做过一些研究？

我花了很多时间让 AI 回顾几百年的历史。

最早在英国，动力织布机摧毁了手工织布业。还有美国农业人口从劳动力的 40% 降到 1%。美国曾经有一波电话接线员，高峰时期有几十万人，最后全部被自动化替代。

再包括美国比较近的铁锈带，以及中国加入 WTO 引发的很多变化。

我不敢说自己真的学到了什么，但最大的感受是，历史上人类真的经历过很多巨变。今天我们会觉得 AI 带来的不确定性和压迫感很大，但如果和当年工业化取代手工农业、对农民造成的震撼相比，我觉得可能还是一个量级的。

每一代人、每个个体都会觉得自己非常 special，觉得自己非常不一样，但放到历史长河里，也只是很小的一次波澜。

你觉得这次到底是一样还是不一样？

说到底，主要看速度和广度，也就是变化的速度和广度。

从速度上看，历史上很多技术转型很慢。农业劳动力虽然受到很大影响，但花了 100 年；接线员的自动化也花了几十年。AI 目前来看，扩散可能会快很多。

从广度上看，大家觉得这一次对白领影响很大，但过去农业等行业对应的规模其实也差不多。

这个问题真的很难判断。比如 2015、2016 年，Hinton 说不应该再有放射科医生，因为深度学习已经超过人类放射科医生的水平。但到今天，放射科医生的名额不但没有减少，反而屡创新高，薪酬也在上涨。

最近大家说软件彻底死了，公司要裁员，但你看 developer 招聘数据，其实已经到了历史上最好的位置。

所以到底一样不一样，说实话只能走一步看一步。我倾向于认为，这次变化会快很多。

你自己是长期悲观还是长期乐观？

长期肯定是乐观的。一个东西能够大幅提升生产力，长期肯定对经济有利。

具体来说，我觉得现在是一个非常适合创业的时间点。大厂不再是绝对安全，但创业融资很容易；coding 让很多东西变得很快；新的需求很多，格局也没有稳定。

大家都把这叫第四次工业革命，是一个大时代。所以去做点新的东西，本身也不丢人。

对正在创业的人，有没有什么建议？

如果在创业，我觉得不要听我上面任何分析。

前面的分析都是在分析大公司，分析已经有明确商业模式的公司。对 VC，尤其是早期项目，很难有那种让你觉得有护城河、很有 moat 的东西。

你想想，有什么是模型公司或者大厂真的想做、但自己做不出来的？我觉得也没有。

所以不能去想一个终局概念。就是脑子一热，好好准备，好好努力，想做就做。我觉得这就是建议。

前面聊了很多干货、硬核的东西，包括模型、商业模式，以及几十亿、几百亿的数字。

我想换个频道。很多人去硅谷待了一圈回来，反馈最多的就是焦虑。你天天在那里，真实感受是什么？你焦虑吗？

实话说，非常焦虑。可能说得好听一点，但实话说就是非常焦虑。

我甚至自己也去思考焦虑的本质。其实就是对未来不确定性的恐惧。

我每天具体的状态就是觉得自己跟不上。AutoResearch 出来了，Karpathy 又 demo 了一个新的 workflow，Claude 上面每天都有新的功能，软件和硬件的变化都太多、太快。

做科技投资，每出一个新的东西，我觉得都应该自己上手用一下，才能做投资判断。但事实是东西太多、太快。每天打开 Twitter，都有人说“你一定要看这个”“this is changing my life”。

你会有一种“又有新东西了，我又落后了，我又没跟上”的感觉。

我觉得在现在不确定性这么高的时代，不管是媒体还是个人，创造焦虑也变得非常容易。你只要问：“你这周烧了多少 token？你有几个 OpenClaw？”一堆这样的名词，再叠加大家对裁员的恐惧，确实是一个很糟糕的状态。

所以你也会觉得自己跟不上，对吧？

对。我几个月前有一天深夜，因为在家装不上 OpenClaw，真的痛哭。说出来非常搞笑，但当时你一个东西装不上，就会想：我连这个都装不上，我什么都跟不上，是不是要被时代淘汰了？

说实话，我都不知道普通人是怎么一次装上的。OpenClaw 还要连接很多东西，也没有那么 trivial，要自己写 JSON。那我哪里会写？我连屏幕上的光标都找不到。

它还要我提供 API key，又不能 expose API key。反正当时的心理状态非常着急、非常焦虑，很容易产生负面情绪。

但我也不想把这个说得太重，因为每天感受到的不只是焦虑，还有一种莫名的激动。突然好像什么事情都可以做了，因为变化的过程中机会最多，投资也是最有机会的时候。

希望听众听到你这个例子之后能够感觉好一点：所有人都很焦虑，不是只有你焦虑。

对，我也希望大家把很多事情说出来之后，就会觉得也没什么所谓。

你觉得这种状态到底是湾区特色，还是整个大时代的特色？

我觉得是时代特色。

焦虑无非是两件事：第一，你很在乎这件事；第二，作为一个个体，你没有足够的确定感。

人都会有一种想要掌控未来的冲动。但我们前面聊的所有问题，不管是裁员会不会发生、经济会受到什么影响，还是 Anthropic 能领先多久，都是不确定性很高的话题。

我觉得人，包括我自己，都会对事情有一个自己的看法。但有一句英语叫 strong opinions loosely held。现在处在这个时间点，未来本来就不能被完全掌控。

在这么不确定的时代，有没有什么确定性比较高的东西？我们能抓住什么？

肯定有。我觉得可以不断问自己、不断思考：AI 这一波到底带来了什么？

更高的智能和效率提升，长期肯定是好事。而且智能本质上非常平权。今天一个小镇上的孩子能够用上的工具，可能和硅谷工程师用的没有本质区别。

但因为平权了，社会资源也会重新分配。所以这种平权会以一种非常痛苦的方式，在社会中实现。

我会觉得，我们这一代人其实挺幸运的，生活在这个时代，见证了很多历史。但大家好像没有这种幸运的感觉，都感觉要被焦虑卷走了。

你最近还提到一个变化，就是越来越不想跟人沟通了。

11. Human Connection Becomes Scarce

这确实也可以说是一种孤独感。

我以前非常喜欢约人聊天，尤其是约行业专家。可能 30 分钟之内，就能从几个领域非常顶尖的人那里拿到高浓度知识，那种感觉非常爽。

但现在很多和工作有关的对话，不管对方是从业者还是投资人，可能 95% 的信息性内容，我都可以直接问 AI 得到答案，而且这个答案可能是我更想要的。

真的不是因为我有什么优越感、不想和别人聊，而是我很真实地觉得，以信息交换为目的的对话，其意义正在快速被掏空。

那你觉得人和人之间还剩下什么？

非常鸡汤地说，我觉得剩下的是情感连接。

现在出去开会，只要我做了准备，对方说的事实性内容，我基本都能通过准备预料到。

但前段时间，我随便和一个朋友在帕洛阿尔托坐下来，本来也没有准备聊什么大的事情。聊着聊着，话题跑到做事情的勇气、他人生的一些遗憾、我在乎什么、有没有什么东西会让我觉得特别有 spark、特别闪光。

我回头看的时候，觉得那可能是我最近一段时间里最有内容的一次对话。他没有给我任何信息上的增量，但就是比较有人味儿。

我现在心里也算是明显画了一条线：如果是和信息、知识、分析有关的事情，我会交给 AI。但见人这件事反而可能变得更单纯，就是观察别人，聊一聊心路历程，聊一些比较真诚、甚至过去大家不会聊的东西。

不然的话，确实是浪费两个人的时间，可能两个人都去和 AI 聊，效果会更好。

你说到这些真诚地说出来会有点不好意思的东西，就像你说装不上 OpenClaw、痛哭一样。我觉得这也是我们这档节目的初衷：希望能够和听众之间形成一些真实、真诚的连接。

对。所以我前面说的那些知识类信息，应该都算是公开信息，比较适合让 AI 总结使用。可能最后这一段，希望能有点意义。

我们工作室叫“语言即世界工作室”。当你第一次听到这个名字的时候，会想些什么？

之前可能看了也没有多想，不是特别敏感。现在看，我觉得有一点像我们刚才说的 AI 时代组织架构。

今天社会很多时候使用语言，是为了翻译信息、传递信息。我判断，AI 会做掉这部分工作。但语言很多时候还会被用来真正建立人与人之间的联系，我觉得这会越来越宝贵。

好了，今天的节目就是这样。这里是商业访谈录，是一档由语言及世界工作室出品的深度访谈节目。你可以到公众号关注我们的工作室获取更多的信息，我们的公众号是语言及世界 language is world。我们希望和你一起从这里探索新的世界。