所有人仍然低估了 AI 市场的规模 | Eric Vishria

摘要

• Vishria 的核心宏观判断是：AI 最终会像云计算一样形成寡头格局，同时孕育一批千亿美元级专业公司，而不是由一家实验室通吃。 2007年，如果让30位顶尖投资人判断 AWS 能否建立可持续的利润率，结果很可能是30人全部看错；到2014年，市场又转而担心 AWS 吞掉一切，两种判断最终都错了——Snowflake、Datadog、Cloudflare 相继崛起，云市场也形成40/30/20的格局。面对今天“Anthropic 会包揽一切”的焦虑，他反复追问：「如果一切都能成呢？」（What if it all works?）但这不代表普遍成功：每一层的大多数公司仍会失败，差异化反而比以往更重要。
• 推理不是大宗商品：Fireworks 在与超大规模云厂商相同的 NVIDIA 硬件上运行相同的开源模型，速度约为后者的5X，吞吐量也高出数倍；即使承担云厂商的利润空间，依然可以赚钱。 对投资人的启示是：外界眼中的“过手转售”规模生意，底层其实藏着深厚而具体的专业能力。
• SaaS 的竞争前沿已经转移，在位者只剩一个残酷选择：“拥抱 AI，否则估值只值3倍收入。” 数据库迁移曾是“软件行业最不能碰的事”，如今却因 AI 擅长处理定义清晰的接口、智能体又不会厌倦重复劳动而变得轻而易举；决定胜负的已不再是迁移黏性，而是成本、可迁移性和从0到无限规模的扩展能力。他在董事会上最刺耳的一句话是：“你每多一天完成原定计划，就多一天在摧毁股权价值。”目的就是让创始人摆脱 AI 时代之前形成的肌肉记忆。
• AI 原生公司的 GTM 打破了所有照搬而来的方法论：经验老到的销售负责人会“彻底熄火”，因为配额—产能模型假设需求需要主动推动，而 AI 公司卖的是“魔法”，单个销售可以做到1000万至3000万美元，Patrick 甚至见过5000万美元的案例。 这类公司最好的销售是创始人，负责“把模型参差不齐的能力边界连接到客户的能力边界”。胜出团队不看职位，只看3项素质：理解客户问题、有品位，以及对模型能力边界保持好奇；他们建的是会被冲走的“沙堡”，不是永久城堡。
• 他最大的结构性担忧不是模型蒸馏或中国开源模型，而是能源：中国明年的新增能源供给约为美国的10倍。 模型把算力转化为智能，而智能需求似乎没有上限；能源不足意味着 token 更少或价格更高。他的政策主张很直接：太阳能、核能、天然气全部都要。
• Cerebras 让他看清了硬件的残酷数学：软件只要逻辑框图成立，项目就完成了80%；硬件到这一步却只完成了2%。 但他依然对 AI 芯片“极度看多”，视其为第5次伟大的计算范式，并透露自己已投资尚未公布的第6代范式——面向 LLM 生成代码的新型 CPU。 此前每种新工作负载——通用计算、图形、网络、移动——都催生过一家千亿美元公司；AI 时代的新瓶颈是核心之间的通信。
• 在风险投资方法上，他每年只投1至2家公司，12年共投18家，并用3个问题筛选：我能否真诚地劝说自己爱的人把这当作毕生事业；对方周六晚9点打来电话，我会不会接；以及“如果我们判断正确，会有人在乎吗？” 他借银行家打高尔夫的比喻解释运气：“提高运气确实有办法——让足够多的球落在洞口附近，总有一颗会滚进去。”新设成长基金也源于同一判断：高现金回报倍数已经不再等同于早期投资，而他坦承“也可以说我们晚了几年”。

精读

1. Fireworks 的启示：运行大模型真的很难，绝非简单过手生意

• Vishria 观察 Fireworks 后最意外的发现是：2万亿至4万亿参数的模型“真他妈难跑”，高效运行更是“难上加难”。AWS、Azure、GCP 和新云厂商都在相同的 NVIDIA 硬件上提供同一批标准开源模型，Fireworks 却能实现约5X的速度和数倍的吞吐量差距；后者只有放进单位经济模型才能看清。
• 护城河的证据在于，Fireworks 这类公司“一边给云厂商贡献利润，一边运行在云之上，自己还能赚钱”。站在外部，投资人看到的似乎只是同质化的“规模游戏”；再深入一层才会发现：“等等，根本不是这样，完全不是。”

2. AWS 的历史重演：零和思维错了两次，如今还在错

• 2007年的测试是：把30位最聪明的投资人放在一个房间里，问 AWS 能否成为拥有持久利润率的好生意，“我认为30个人会全部答错”。到2014年，叙事已彻底反转，市场开始担心 AWS 吞掉整个企业市场——“你在赚走原本属于我的利润”——结果同样“大错特错”：Snowflake“在 Amazon 之上比 Amazon 更像 Amazon”，Confluent、Elastic、Mongo、Databricks 相继出现，Datadog 做到1000亿美元；Azure 和 GCP 也从无关紧要成长为寡头，形成他估算的40/30/20格局，体系之外还有1000亿美元的 Cloudflare。
• 他把这段历史用于回应“Anthropic 会包揽一切”：市场大到一家供应商根本吃不完。他明确表示，这不是撒网式下注——一路上“尸横遍野”，相对赢家仍然至关重要——但 AI 的扩张速度比当年的云计算更快，整个体系还需要能源、电力、机房、芯片、内存和算法共同铺开；最终很可能形成“赢家寡头”，外加一批“体量相对较小、却疯狂长到千亿美元”的赢家。
• 这种非零和判断贯穿整个技术栈：部分 CSP、新云厂商、Fireworks 式推理服务商、NVIDIA 和部分芯片初创公司都可能发展良好；手机端边缘推理、网络接入点附近的近边缘推理，以及数据中心内的大模型也可以并存。这不意味着每家公司都会赢——每个类别中的大多数公司仍会失败——但价值池无需只由1至2家公司瓜分。

3. 企业对 AI 的渴求远超当年对云的兴趣，“AI 向导”正是切入口

• 蓝筹企业直到约2014—2016年仍对云计算不屑一顾；今天，即便很多企业尚未真正消化 AI，也已经在做实验、投入预算，并将其同时视为比云计算更大的机会和更大的威胁。当年 Snapchat 一度占到 GCP 的40%，对应的正是 Patrick 今天看到 Cursor 在“这一切”中占据超高份额——“完全相同的事情又发生了”。
• 他给被投企业的建议是：硅谷的推进速度与企业的采用障碍之间存在巨大落差，而落差本身就是机会——“去做他们的 AI 向导”，成为连接两个世界的人。Sierra 的 Brett Taylor 正是代表：先从可自动化的客服场景切入，再通过 Horizon 扩展到长周期运行的智能体。

4. Sierra、沙堡，以及产品开发逻辑的倒置

• Sierra 的创始组合至关重要：Peter 和 Brett 相识20年，如今共同创办第3家公司。两人既是技术专家，又长期置身企业市场，因此能够把模型能力转化为真正可用的企业产品。
• Sierra 的优势在于“极度贴近模型底层”，理解“AI 能力参差不齐的边界——它与人类凭直觉理解的平滑能力曲线截然不同”，并随着新能力“每4周”出现一次而持续重建产品。Brett Taylor 的比喻被 Vishria 视为心态测试：“以前我们建的是城堡，现在建的是沙堡，然后潮水一来就把它冲走。”如果还像工匠一样坚持打造能维持100年的地基，“根本活不下来”。
• 传统产品管理的模式是 PM 理解客户、再把工程师与实施过程隔开，如今这已成为“一种糟糕透顶的方法”。真正有用的团队由3类能力构成：“理解客户问题的人、有品位的人，以及理解并持续好奇于 AI 能力边界的人。就是这3件事。”Patrick 的观察也得到 Vishria 认同：讽刺的是，尽管模型据称正在抹平技术优势，“技术能力的回报反而越来越高”。

5. SaaS 的竞争前沿已经转移：完成计划反而是在摧毁价值

• Vishria 对“人人凭感觉写代码、自己造软件”的威胁“不以为然”，真正的问题是竞争前沿已经移动。以数据库为例，迁移曾是软件行业最不可触碰的禁区；如今 Claude 或 Codex 可以直接围绕接口开发，AI 又“非常擅长处理定义极其清晰的事情”，智能体也不会因重复劳动而疲惫，迁移因此变得“近乎轻而易举”。胜负标准随之切换为成本、迭代速度、从0到无限规模的扩展能力和可迁移性。
• 他对 SaaS CEO 的警告是：“拥抱 AI，否则估值只值3倍收入。”对于那些自2021年以来规模扩大4X、估值倍数却从约30X压缩至约6X的公司，这尤其残酷——“估值倍数压缩真他妈要命”。更具冲击力的是：“你每多一天完成原定计划，就多一天在摧毁股权价值。”这句刻意制造的震荡，是为了把 CEO 从一生奉行的“制定计划—执行计划—复利增长”训练中释放出来。Anne Lee Skates 的说法是：CEO 从早8点到晚5点经营核心业务，晚上再做 AI，而他们真正应该做的是把顺序彻底倒过来。
• 真正的赢家——Recor 的 Brendan、Fireworks 的 Lin、Brett、Max——都能围绕评测标准迅速转向，持续重塑业务。“这与我过去学到的经营方式完全不同。”

6. 卖“魔法”，配额—产能模型就会失效

• 上一代最优秀的销售负责人到了高速扩张的 AI 公司，往往会“彻底熄火”。原因是软件销售建立在配额—产能数学之上：早期销售配额为120万至150万美元，企业销售配额为250万美元，再对达成率打折；这套模型隐含的前提，是需求必须靠销售主动推动。但“这些公司卖的是魔法”，率先卖出魔法后，“业绩绝不会只有200万美元”——单个销售可以做到1000万至3000万美元，Patrick 还见过5000万美元的案例。
• 他现在的招聘建议是：“把过去的一切都留在门外，从第一性原理重新学习。”这类公司最好的销售就是创始人，其职责是“把模型参差不齐的能力边界连接到客户自身的能力边界”。这与云计算时代犯下的是同一种错误：“他们只是严重低估了市场规模，而这个市场更大。”

7. 真正的硬约束是能源，中国明年的新增量约为美国10倍

• 他的逻辑链很清楚：模型“能非常有效地把算力转化为智能”；智能需求似乎没有上限；算力需要能源；而“中国明年的新增能源供给是美国的10倍”。因此，美国能源不足意味着“智能少得多、token 少得多，或者 token 贵得多……这显然非常糟糕”。相比模型蒸馏和中国开源模型，他认为这才是真正值得担忧的问题。
• 他的处方刻意不押注单一路线，燃气轮机、天然气、太阳能和稀土都在讨论范围内：“所有路线都应该做，最终会自行找到平衡。”他拒绝预测相对赢家：“我没聪明到能判断谁会胜出，但它们都会发挥作用。”

8. Cerebras：天真、性能上限与第6代计算范式

• 2016年的 Cerebras 融资材料只有5位创始人和一份演示文稿，当时 Transformer 尚未出现，NVIDIA 市值是400亿美元而非4万亿美元。开场判断是：“GPU 其实很不适合深度学习，只不过恰好比 CPU 快100倍。”团队认定硬件加速深度学习只有3个杠杆：增加核心、加强核心之间的通信、让内存更靠近算力；Cerebras 随后把3项指标都推到“逻辑极限”——晶圆级芯片、约45万个核心，以及约20GB片上 SRAM。
• 残酷教训是：软件只要逻辑框图成立，“就已经完成80%……硬件却只完成了2%”。仿真决定性能上限——“这已经是它永远可能达到的最佳状态”——之后编译器和内核只会从中扣减；工程团队可能从约10%起步，再用数月乃至数年一点点爬升。物理规律，以及涉及 TSMC 和约30家其他供应商的供应链，同样不可回避。最具冲击力的一刻发生在2019年的董事会上：公司已融资约5亿美元，器件却“他妈的熔了”，“我当时只觉得，这些钱要全部亏光”。当被问及这段经历是否让他更想投资硬件时，他回答：“去他妈的，绝不。”但随即又提到一家机器人公司，以及一笔尚未公布的 CPU 投资。
• 支撑这笔投资的框架是：每种新工作负载——通用计算、图形、网络、移动——都催生过一家新的1000亿美元公司，分别对应 Intel、NVIDIA、Broadcom/Avago、Qualcomm/Arm。AI 带来的新瓶颈是核心之间的通信。他还看到第6代计算范式正在出现：LLM 在加速器上生成代码，代码却要运行在背负历史包袱的传统 CPU 上，因此“新的 CPU 路线确实存在空间”。
• 至于天真何时会越过合理边界，常规反对意见“20次里有19次正确，甚至100次里有99次正确”。Bruce 的问题是：「什么可能会进展顺利？」（What could go right?）另有人对 Vishria 的一位合伙人说：“如果项目失败，一定会因为你合伙人指出的所有理由；如果项目成功，则会因为那些理由根本不重要。”

9. 机器人：先启动数据飞轮，具体任务几乎无关紧要

• 传统机器人已基本解决受控环境中的重复任务；更困难的机会在于现实环境中的非结构化任务，这要求机器人具备 AI。核心障碍是“根本没有互联网规模的数据来启动整个体系”——LLM 有互联网，机器人没有。他认可的思路是：优先获取高价值数据而非垃圾数据，先建立预训练基础模型，再针对新任务加入少量辅助性后训练样本，复制 LLM 的“预训练加 RL”魔法。Sunday Robotics 用与机器人手部结构一致的手套运行这套流程，保证数据能够干净迁移。真正令他震撼的，是项目从斯坦福地下室里“粗糙得要命的纸板手套”演示，发展到12台机器人折叠各种随机衣物，并严密衡量折叠质量——“天哪，这真的发生了。”
• Patrick 担心这类项目是“拿着解决方案寻找问题”，Vishria 并不认同。洗衣恰恰是好任务，因为它足够随机、要求灵巧操作，又对完成时间不敏感；但“具体任务其实没那么重要……只要飞轮转起来，任务能力就会不断倍增”。自动驾驶提供了类比：Waymo 和 Tesla 都将机器人本体、模型与数据采集垂直整合，以更简单的组织方式交付完整产品或解决方案；他认为，这套能力最终应当能以某种方式泛化。

10. 投资这门手艺：合伙人优先、IPO 窗口与 Hinton 的误判

• 为什么创始人和其他投资人都把他视为优秀的董事会伙伴？“投资人是我的第2身份，我首先努力做一个合伙人。”如果彼此缺乏化学反应，即便项目达到“可投资级别”且有望赚钱，他也会放弃。他的筛选问题包括：能否真诚地劝说自己关心的人把这当作毕生事业；“绿色接听键”测试——“如果这个人周六晚9点给我打电话，我会不会接”；以及“如果我们判断正确，会有人在乎吗？”Benchling 是陪伴企业熬过低谷的例证：生物科技崩盘后，“他们在12个月里经历了相当于7年的客户流失”。
• 这种合作建立在双向选择和反复学习之上：创始人必须愿意与他共事，他也必须希望向创始人学习并提供帮助。他的大量工作只是提出问题，帮助创始人巩固自己的判断；若在10年间持续复利，少数提升1%或2%的决策也能产生真正的结果。
• 谈到运气，他会用银行家打高尔夫的比喻教育孩子：持续把球送到洞口附近，“一杆进洞才叫运气”。与特别优秀的人合作，寻找上限不受约束的机会，把注意力放在公司能够控制的事情上，同时接受时机、宏观环境和供应链仍可能决定最终结果。
• 成长基金背后的逻辑是：LP 投资风险资本，是为了获得超常倍数的可能性，而不是仅仅比指数多赚几个百分点。在风险投资的大部分历史中，早期投资与高现金回报倍数几乎“同义……维恩图中的两个圆几乎完全重合”。更大的退出结果打破了这种重合——早期之外并没有“无数个”100倍项目，但数量已经足够。他承认“也可以说我们晚了几年”，此前真正的障碍是缺少为此搭建的团队；他们曾因机会“不在框里”而放弃一些方向正确的判断，“这显然很蠢”。
• 合伙人团队也持续争论 AI 的价值最终会落在基础设施、应用、基础模型还是半导体。Vishria 认为，除技术创新外，按结果收费等商业模式创新也会发挥关键作用，正如 SaaS 当年用订阅制改变软件行业。
• 关于上市，他看重股权货币、资本渠道和信任。他认为实验室最终都会上市，而透明度提升“对世界和美国都有利”。他的运动员类比是：大学运动员想要什么？“进入职业联赛。”风险在于上市窗口会关闭：约500家规模介于1亿至5亿美元的私人 SaaS 公司，其员工和投资人如今都被“困住”，因为 AI 原生公司“抽干了房间里的所有氧气……窗口已经错过”。
• 他最后用 Geoffrey Hinton 的故事反驳确定性的末日论。Geoffrey Hinton“比我聪明3个数量级”，却可能在2016年提出不应再培养放射科医生；即便前提正确，这个结论仍“错得不能再错”。原因包括汇总训练数据并不存在、报销体系和医疗事故责任增加了替代难度，以及杰文斯悖论推动影像检查量增长——在可能持续很久的副驾驶阶段，“我们需要更多放射科医生，而不是更少”。New Lantern 正在这一领域发展。对于大规模失业预测，他的结论是：“几乎就是完全相同的设定。”