摘要

Glean 真正的护城河，是积累多年的企业级苦活，而不是“AI 搜索”这个口号。 Deedy Das 说，2019 年在湾区派对上提到“企业搜索”，话题就会立刻冷场；但 Glean 用3年时间打磨权限、连接器、排序、新鲜度、评测和用户采用，最终让 ChatGPT 的出现加速了其商业化，而不是拯救一个从未奏效的产品。在70亿美元估值、营收已达数亿美元的情况下，他的总结很直接：“护城河就是我们把难活都做了。”
Anthropic 的收入曲线，甚至超过了投资人最乐观的预期。 Menlo 在 Anthropic 尚无收入、估值约40亿美元时首次投资；Deedy 描述了这样一条爬坡路径：1年内从0增至1亿美元，之后又从1亿美元增至10亿美元，今年公开预测则是从10亿美元增至90亿美元。他认为 Anthropic 是“有史以来增长最快的软件公司”，但也明确承认，没有人预料到这一结果。
企业 API 份额显示，多模型格局可能长期存在，但 Deedy 不会仅凭份额为超过1700亿美元估值的融资下注。 Menlo 的调研数据显示，2023年 OpenAI 约占50%、Anthropic 占12%；到2025年年中，两者分别为25%和32%。这里统计的是企业 LLM API 支出，而不是 token 数量。在当前规模下，更重要的是“收入、利润率和增长轨迹”，以及可信的新市场和新产品。
这场讨论同时衡量了模型层的防御性与应用层更薄的护城河。 Deedy 的非对称测试是：Anthropic 进入某个应用品类，要比一家应用公司成长为 Anthropic 容易得多，尤其是在大多数 AI 应用上方仍缺乏足够“厚实的一层”时。Claude Code 通过使用量和数据飞轮强化了这一判断，但他不接受其被所有人普遍偏好的说法，并警告模型实验室最终可能会与那些为其创造 token 需求的企业正面竞争。
1亿美元的 Anthology Fund，是一支旨在避开传统企业创投激励的模型供应商生态基金。 Menlo 在外部管理这支基金，因为内部基金往往会优先考虑“谁最常用我的东西”；Anthology 则可以投资战略重要企业、Claude 重度用户，或极其优秀的早期创始人，而不要求其依赖某个特定模型。基金已投资约40家公司，单笔支票从10万美元到2000万美元不等；Deedy 称，其被投公司进入后续融资轮的比例显著更高。
OpenRouter 是 Deedy 眼中由繁琐细节构成的 PLG 基础设施护城河典型。 主持人称该公司大约抽取路由支出的5%；Deedy 则强调其开发者心智、供应商级性能数据、隐私路由，以及无需销售电话即可使用的产品。它面临的风险同样具体：token 价格下跌压缩收费池，业余用户流失，以及企业先用 OpenRouter 做评测、之后直接与模型供应商签约。
研究投资组合押注的是“未来可能变得必要”的场景，而不是相信每种架构都能胜出。 Goodfire 的机械可解释性被称为“给 LLM 做脑外科”，目标是让影响重大的模型决策变得可检查；主持人认为，扩散语言模型可能以当前质量的80%–90%、十分之一的成本和延迟交付结果；而分布式训练、人才获取和更广阔的愿景，可能构成 Prime Intellect 的上行空间。Deedy 反复强调，强技术仍可能输给时机和市场结构。
编码代理同时制造了安全风险与人力资本风险：人们可能执行自己无法检查的代码，并逐渐失去推理能力。 主持人讲述了一个据称是伪造的面试仓库：其中疑似把数据外泄链接藏进字节数组，Cursor 据报检测出了这一陷阱；同样的工具也可能变成一个不断发出“请修好”的“老虎机”。主持人提出的替代模式，是快速、有人参与的辅助：帮助工程师找到并阅读正确文件，同时让他们继续亲自编写和理解代码。

精读

1. Glean 的护城河，是竞争对手不愿做的乏味苦活

Deedy 的回顾从2019年讲起：当时在湾区派对上提到“企业搜索”，话题会立即冷场。Glean 在这段不受欢迎的时期里搭建底层检索系统；2022年12月 ChatGPT 出现后，它加速的是销售推进，而不是拯救一个从未奏效的产品。
按照他的描述，这是一门具备传统企业软件吸引力的生意：自上而下销售、合同容易扩容、替换成本高昂，TAM 几乎覆盖所有知识工作者。他仍然愿意持有 Glean 的股票，部分原因在于其估值约70亿美元，“不是1000亿美元”，后续增长空间仍然很大。
Deedy 否定了“Glean 先做失败的搜索，再贴上 AI 标签”这种被压缩后的创投叙事。他给出的解释没那么光鲜：在品类变得拥挤之前，公司已经处理了集成、权限、客户特定例外和“最后一公里的杂事”：“这不是护城河。护城河就是我们把难活都做了。”

2. 数据把关者与前沿实验室，不会自动抹平 Glean

对于 SaaS 厂商限制 API 访问，Deedy 质疑其第一性原理上的商业逻辑。Glean 只向已经拥有相关权限的用户展示 Slack 结果；它既没有把一个授权席位转卖给1000人，也没有从 Slack 手中拿走收入。按他的说法，更多使用 Slack 数据，反而可能支持更多席位销售。
他的第二层防御是多元化：Glean 拥有数千个集成。Slack 对许多企业可能至关重要，但单一供应商关闭访问的伤害，远低于整个生态协调关闭——后者他承认“可能更麻烦”。
客户是第三个施压点：他们认为自己买下了软件，也拥有由此产生的数据。客户的反对理由很直接——“你不拥有这些数据。”因此，阻断一个把客户信息连接到另一款已购产品的 API，制造的是与客户的冲突，而不只是与 Glean 的冲突。
Anthropic 或 OpenAI 可以做出一款还算过得去的企业搜索工具，但 Deedy 怀疑它们是否会投入所需的深度。一笔10万美元、20万美元，甚至百万美元级的定制销售，对营收超过50亿美元的公司几乎无足轻重，却需要庞大的销售团队、大规模 FTE 团队和大量定制工作。“你加入一家大型 AI 实验室，是为了做模型，不是为了搭建 Google Drive 连接器。”

3. 企业搜索需要不同的排序信号，也需要强制分发

消费者搜索依靠海量行为数据持续优化，包括点击、悬停、停留时长和重复查询。但在1万人的企业里，即使每名员工每天搜索2到5次，也不足以驱动同一套机制，Glean 只能另造一套信号体系。
企业查询也更新鲜、更不符合头部词分布。除了“福利”或“薪资”等共享词，员工还会搜索与具体岗位绑定的高度特定材料，因此缺少消费者搜索中那种重复出现、便于传统排序的头部词。
评测变得异常不透明，因为工程师往往无法理解客户的查询、文档或正确排序。Deedy 回忆，团队研究客户的专门数据时会承认：“我们其实完全不知道自己在做什么。”这不是因为排序任意，而是因为真实答案藏在陌生的业务领域里。
用户采用和相关性同样难搞。生产力工具能留住用户，是因为员工喜欢它们，而不是因为买方能证明精确 ROI；但搜索没有 Slack 那样的网络效应。因此，Glean 反复追问自己要做什么才能“赢得拥有新标签页的资格”，并在自测效果更好后，用 Chrome 扩展替代原生的 Google Drive 搜索。

4. Anthropic 以非凡增长曲线，叠加异常宽松的文化

主持人记得，Claude 最早的界面是在 Slack 里给机器人打标签：Claude 1 于2023年3月推出，Claude 2 于2023年7月推出。这个笨拙的 Slack 起点，与后来那些传统产品管理可能根本不会提出的产品形成鲜明对比。
Menlo 在 Anthropic 尚无收入、估值约40亿美元时首次投资。Deedy 提到，Anthropic 1年内从0增至1亿美元，之后又从1亿美元增至10亿美元，今年公开预测则是从10亿美元增至90亿美元；结果“超出了我们最狂野的预期”。
Deedy 看到的是一支理想主义的研究团队，其结果分布异常宽广：同样的特质既可能让 Anthropic“彻底熄火”，也可能造就一家跨世代公司。主持人认为 Claude Code 是少见的聊天之后的产品创新，它通过终端交付，“是每个 PM 的噩梦”；Deedy 自己的解释则是，给优秀人才足够空间和大量 token，他们往往会做出好东西。
这家公司展现出比其他实验室更自由、更少规定的文化，据引用的估算，其员工1年留存率约为80%。Anthropic 可以不做图像生成，也可以没有 IMO 金牌模型；可以卖光“思考帽”，仍然因为坚持做自己而获得喜爱。与此同时，那句诚实的广告牌文案——“我的老板真的很想让你知道，我们是一家 AI 公司”——捕捉了职场中普遍存在的困惑。

5. 市占率衡量机会，经济性才支撑估值

Menlo 的企业调研显示，OpenAI 在 LLM API 支出中的占比从2023年的约50%降至2025年年中的25%，Anthropic 则从12%升至32%。主持人强调了两点：统计对象是 Anthropic 所瞄准的企业 API 支出，而不是 token 份额；数据来自对大量企业用户的调研估算。
更重要的结论是多元化，而不是 OpenAI 崩溃。企业现在有多个可信的前沿模型可选，一旦某个模型适配生产工作负载，它们往往会预留长期算力或专用实例。这种承诺让企业行为远比业余开发者更具黏性，后者可能每周都在不同模型之间切换，追逐当时看起来最好的选项。
当被问及当前投资人应如何评估 Anthropic 时，Deedy 拨开了虚荣指标：“这是收入，这是利润率，这是增长轨迹。”市占率主要帮助估算 TAM 的上限；要为一轮超过1700亿美元估值的融资承销，还必须相信公司正在进入或准备进入的市场真实存在。
他的心态仍然刻意保持偏执：眼下结果不错，第一反应是“很好，现在让它持续下去”，以及“下一步是什么？”价值在于未来的模型、产品、分发和进一步的份额增长，而不是把今天的百分比当成不可逆的“翻转”。

6. 编码让模型智能保持可变现，应用护城河却仍然很薄

Deedy 认为，更强的通用智能可能已经无法继续提高大多数消费者聊天用户的留存。需要前沿推理能力的用户或许不到1000万，而 ChatGPT 被引用的8亿用户中，很多人只是想修洗碗机或改写邮件——这些任务已经做得足够好。就这一限定意义而言，OpenAI 在消费者聊天领域“基本已经赢了”。
编码不同，因为它的质量前沿可能会无限向前。Anthropic 可以把更好的模型转化为更好的编码产品和更多收入；相比之下，再增加一档智能，未必能推动一个成熟的消费者助手。但 Deedy 仍然提醒，成本和质量—价格帕累托前沿依然重要。
他拒绝讨论 Claude Code 的利润率，但将 Anthropic 的大致策略概括为“快速扩张、保持便宜、让所有人都用上”。低价接入支持 Cursor、Devin、Cognition、Bolt、Lovable 等企业；同时也给 Anthropic 带来通过使用量和数据飞轮改进自身产品的机会。
主持人称 Claude Code 是使用 Claude 的最佳方式；Deedy 则反驳说，Cursor 和 Devin 仍拥有忠实用户。他更广义的护城河测试并未因这一分歧改变：当前应用层还不够厚，无法阻挡一家分发能力强的实验室进入；而应用公司却很难复刻模型实验室。长期看，类似 Amazon 的风险在于，生产环节的所有者最终会进入客户所在的品类。

7. Rahul Patil 的崛起，挑战了由学历驱动的上限

Deedy 认为，印度学术竞争在文化上类似美国体育，因为教育被广泛视为社会流动的通道。大约100万人参加 JEE 工程考试，前1万人进入 IIT，最终只有约200人进入计算机科学专业。这是一套极端的排名系统，其标签可能伴随一个人多年。
他担心的既是制度问题，也是心理问题。有些职场会根据员工过去取得的成就，而不是当前工作的质量来评判他们；人们也会内化早期被拒绝的经历：“我没进好大学，所以我很蠢，因此我不该那么努力。”
Rahul Patil 没有就读 Deedy 认为的印度顶尖大学，却成为 Anthropic CTO，这本身就是一个反例。主持人补充了重要限定：摆脱学历路径，同样需要进入强公司、抓住机会，还需要运气。Deedy 更狭义的主张是，任人唯贤的环境可以让持续努力推翻早期限制。

8. Anthology 将生态战略与投资判断分开

Menlo 与 Anthropic 在前一年年初前后设立了1亿美元的 Anthology Fund。他们有意将基金放在 Anthropic 之外，因为内部企业创投团队需要单独配置人员，而且可能会优先优化母公司产品的使用量，而不是投资回报。
目前组合约有40家公司，包括 OpenRouter、Goodfire、Prime Intellect 和 Wispr Flow。Deedy 表示，Anthology Fund 被投公司继续进入下一轮融资的比例显著更高。
基金的投资范围分为3类：具有战略重要性的企业、重度使用 Claude 且自身具备吸引力的公司，以及潜力很高的超早期创始人。Anthology 不要求使用某个特定模型，单笔投资可以从10万美元的跟投支票到2000万美元的领投。
较小的初始支票让 Menlo 可以先建立关系，之后再考虑领投后续轮次；基金举办的活动则让创始人与 Anthropic 的创始人和高管直接连接。Anthropic 已从一家无人知晓的实验室成长为大型平台，仅靠接近平台获得信息优势的价值下降，基金仍在重新思考如何继续为双方创造价值。

9. 研究投资，是从一个必然到来的未来倒推

Deedy 称，研究投资极其困难，但潜在回报也可能非同寻常。董事会层面反复出现的矛盾是：究竟应该把一项有前景的能力变现为数百万美元 ARR，还是继续资助可能带来更大产品的研究：“我是应该开始做点什么，还是继续让研究下注跑下去？”
他的方法是追随异常有能力的人，然后快进10年，追问届时什么事物高度可能存在。如果未来需求足够有说服力，而团队正沿着一条合理路径推进，他就能在今天的研究与未来业务之间画出一条“虚线”，但不会假装这条路径确定无疑。
Goodfire 的价值在于，影响重大的模型仍然是黑箱，现有评测描述的是输出，而不是内部原因。对于贷款、保险或法律决策，“模型就是这么说的”并不够。机械可解释性或许能检测模型内部的迎合、撒谎、窃取或说服行为；Deedy 的简化说法是“给 LLM 做脑外科”。规模不是瓶颈，拿到模型权重才是。
Prime Intellect 承担了最初让主持人否定分布式 AI 的那些风险，Deedy 也拒绝把它包装成必然成功。讨论认为，分布式训练、人才获取，以及算力之外尚未实现的更广阔愿景，都可能构成上行空间。在每3到4周就变化一次的市场里，Deedy 说，自己若要精确描述它最终会变成什么，反而是愚蠢的。

10. OpenRouter 通过运营细节不断积累开发者心智

OpenRouter 是 Deedy 眼中的“心头好交易”——他进入创投行业时最希望自己做出的公司。其创始人此前创建了 OpenSea，Deedy 称后者巅峰估值超过100亿美元；之后，他转而解决一个工程师起初以为很简单的问题：可靠、细致地接入一批不断变化的模型。
Deedy 认为，任何可行的网关都必须产品驱动：用户应当能够自行使用，不需要与销售沟通。OpenRouter 面向开发者的首页、使用数据，以及没有泛化企业导航的设计，都表明其创始人理解目标用户。Deedy 前往纽约，在遭到忽视后发送“情书”，承诺会促成未来的一轮融资。
主持人称，该公司的当前模式是抽取约5%的路由金额。最清晰的两个风险是模型价格下降导致收费池收缩，以及留存偏弱：业余用户会流失，企业则可能先用 OpenRouter 比较模型，之后直接与胜出的供应商签约。
针对 Vercel 的 AI Gateway，Deedy 认为，对于更广泛的平台，网关仍会处于次要位置；而 OpenRouter 已经拥有开发者心智，并补齐了被忽视的细节。用户可以只路由到不保留数据的供应商，也可以在上下文窗口、质量、延迟和吞吐量等维度比较同一个模型。排行榜提供了额外分发，但 Grok Code Fast 这类免费发布会抬高表面上的受欢迎程度。

11. Wispr 与扩散模型，检验执行力能否战胜商品化

Wispr Flow 处在看似已经商品化的语音听写领域，但 Deedy 认为它是速度最快、准确率最高、体验最令人愉悦的实现。按住功能键即可生成文本，像“I didn’t mean that”这样的自我纠正会被自动处理，其内部“零编辑率”据报超过80%。
主持人追问 Superwhisper、Granola、Notion 和 ChatGPT 都在加入邻近功能的问题。Deedy 没有给出绝对的护城河判断，而是指向用户喜爱、留存，以及可靠语音终于可能让“说话”成为舒适的主要界面——说话毕竟比打字更快。
另一个下注项目没有公开名称，只以“Stealth Co.”称呼。主持人将其描述为一种扩散模型路径，并估算当前扩散系统可以用十分之一的成本和延迟，达到当前质量的80%–90%。对于需要高速和可接受质量、而非前沿性能的高频应用，这一特性可能很有价值。
代码可能适合扩散模型，因为其依赖关系是双向的：程序员会在文件中上下移动，检查变量和结构，而不是严格从左到右推理。主持人则以 Transformer 的“硬件彩票”回应：如果沿一条研究路径多走4年，可能就再也追不回来。讨论最后认为，市场经常奖励拥有动能的技术，而不一定是内在上最优的想法。

12. 市场时机与资本，可以制造出它们预期的赢家

主持人用一名在隧道中奔向光亮的跑者来比喻市场动态，而隧道正朝光源方向收窄：即使是最快的跑者，也可能逃不出去。创始人可以拥有优秀想法和出色执行，却没有足够时间在更大的力量封死入口之前挤进市场。
MosaicML 展示了时机问题：它拥有强大的微调团队，却面临孱弱的开放模型、糟糕的客户数据和有限的专业能力；不过，被收购仍然可能带来很好的结果。新的 RL 环境和 RFT 或许会重新打开窗口，但原来的市场并不会因为技术优秀就自动准备好。
AI rollup 暴露了品类套利。一家买方可能以200万美元收购一家由人力运营、ARR 为100万美元的公司，承诺实现自动化，然后在交付之前就获得1亿美元的“AI 公司”估值。主持人的反驳很实质：客户和领域专业知识才是硬资产，而新股权可以为工程师提供资金，让最初的判断最终成真。
这就是反身性：资本可以验证一个叙事、招募员工、阻吓竞争对手，并制造出它原本假设会出现的赢家。算力领域也存在同样争论：讨论提到 OpenAI 一年支出70亿美元，其中20亿美元用于推理、50亿美元用于研发，并追问未来需求是否足以支撑正在建设的基础设施。

13. 算力充裕，仍然需要经济需求形成闭环

主持人看到的是一项巨大的实物投入——芯片、土地、电力、Anthropic 的 Amazon 基础设施，以及 Stargate 规模的计划——这说明复杂的市场参与者预期未来存在需求。与依赖人力的投机不同，数据中心投资可以作为有形基础设施进行建模。
Deedy 从需求端倒推：即便 ChatGPT 每周有8亿用户，他们目前也不需要那么多推理算力，因为大量请求只是基础问答。要实现“每个人一块 GPU”，就需要更多代理式工作，或显著更好的模型来创造新的使用场景。
尚未揭晓的下注是：更多算力带来更好的模型，更好的模型创造更多需求，更多需求再为更多算力提供资金。风险也很明确：如果新增研发支出无法带来有意义的智能提升或经济收益，那么仅凭今天的 Claude Code、Codex、ChatGPT、Sora 和 API 工作负载，庞大的产能未必合理。
因此，真正具有颠覆性的突破口可能是研究效率：就像 OpenAI 曾经冲击那些已经重金投入、却没有交付突破的大型 incumbents 一样，新的实验室也可能冲击 OpenAI。“你的利润就是我的机会”会变成“你的研发低效就是我的机会”，但没有人声称下一个实验室一定会成功。

14. 编码代理可能同时削弱软件安全与工程判断力

一位主持人讲述了一场据称真实的求职面试：候选人被要求克隆一个仓库、运行它并进行修改。Cursor 据报发现，其中一个字节数组会编译成一条链接，从而外泄私人信息。AI 识别出了这个陷阱，但开发者如果不检查就执行陌生的生成代码，会制造大得多的攻击面。
更深层的担忧是手艺。工程师过去通过长时间的挫败积累能力，再从解决难题中获得满足；代理则把这套循环替换成不断触发的“请修好，请修好，请修好”的“老虎机”。Deedy 认可这一担忧，并将其比作“给大脑抽烟”。
主持人不接受单纯禁欲式的答案：团队仍然必须关闭工单、合并 pull request。他们将 Claude Code 高度异步的行为，与那些在困难推理过程中始终和人类保持心智同步、提供不打扰式辅助的快速代理进行对比。
他们提出的绩效公式很简单：找到正确的文件，然后写出正确的文件。抬头显示式代理可以改善阅读和理解，把写作留给人类；Cursor 的可见 diff 和最终确认，则是另一种有人参与的模式。Deedy 最担心的，是一个还无法判断模型何时创建了4个多余文件的18岁学生，把这种错误当成正常工程实践学会。

房屋可负担性危机、Palantir 的优势、AI 大空头、H-1B 滥用与太阳风暴袭击地球 2025年11月随想杂谈