摘要

Deedy Das 最具代表性的组合押注是 Goodfire，一家从事机制可解释性研究的实验室，他称之为「给 AI 模型做脑外科手术」（“brain surgery for AI models”）。 创始团队来自 Anthropic、DeepMind 和 OpenAI 最早期的可解释性团队；其核心判断是，当前所有可解释性方法都只停留在经验层面——GPT-4o 的迎合倾向并未真正被评测发现。Das 还预告了一项尚未公开的成果：「他们要解决的5件事中，其中一项支柱已完成很大一部分。」
他最具交易价值的宏观框架是：人口萎缩意味着，为招不到人的岗位提供 AI 已是当下刚需，而非对未来能力的押注。 孩子们想当 YouTuber、做程序员——「没有孩子梦想成为会计」——保险经纪、卡车运输和物流行业因此招人困难；硅谷却主要在做「金融 AI 和法律 AI」，因为常春藤毕业生都去了这些行业。「你不是在押注某个 AI 未来能以特定方式解决数学或编程问题的世界……你现在就需要它。」
Deedy Das 直言，「风投史上几乎没有一家标志性公司出自任何人的既定投资主题」，兜售投资主题的 VC 都是「半真半假」。 他以 Khosla 投资 OpenAI 为例：当时押注的并不是什么「LLM 聊天机器人终将兴起」的投资主题；也从来没人靠一套框架在 Facebook、Hi5 和 Orkut 之间选中赢家。他真正看的是，创始人能否在5年后仍说「除了这件事，我什么都不会做」，以及能否以近乎邪教领袖般的笃定招到人——这是他看到的最大瓶颈。
只要追问得足够深，「至少90%的公司其实只是在改 LLM 的提示词」。 他见过同一批创始人把「数据飞轮会反哺微调」换成1年后的「这是 RL」，再被问到 RL 究竟是什么时沉默；他还认为，至少70%的 AI 路演归根结底都是「我就是想做模型，但不知道有什么用」。对于真正有技术深度的团队，Carta 所显示的 AI 赋能或名称中带 AI 的 A 轮公司30%估值溢价可以合理——「这笔溢价我100%愿意付」——但 Molly 提出的最强论证是，真正优秀公司的溢价可能远高于此。
过度融资会让资本投入与发展速度的曲线转负：成功幻觉、「50美元午餐问题」，以及再也讲不出上行空间的招聘故事。 Das 表示，他无法用自家基金为10亿美元级种子轮找到合理性；一种解释是 SPV：领投方在1亿美元融资中只投入100万美元，「实际上几乎不承担任何风险……却拿走全部营销价值」。创始人出售老股又制造了另一重坏激励：「反正钱已经落袋了。」
他的基础设施图谱是：预训练已受制于数据，因此行业进入 RL 时代；Scale AI 被收购后留下的缺口，正由 Mercor 和 Turing 补上。 RL 是「一种挺糟糕的学习范式」——奖励只在最后出现，Karpathy 也讨论过这一点——而样本效率、智能体与测试时算力、记忆、确定性和上下文窗口仍是待解瓶颈；他的北极星是 Anthropic 的「经济图灵测试」。但他的真实保留是：「我不知道未来。我不知道该如何回答 AGI 2027 之类的问题。」
他直白认同「裁员即瘦身」的判断：「大多数工程师其实屁事不干。」 Glean 的 Arvind 告诉他，自己认识一些10年没写过代码的 Google IC；被归因于 AI 的科技裁员，大多只是零利率时代之后的效率修正，转型期固然痛苦，但历史上总会出现新的工作。他从 Arvind 那里继承的最佳智慧是：任何时刻都只有一个问题重要——「客户爱不爱这个产品？答案是或不是？」

精读

1. Goodfire：给 AI 模型做脑外科手术，以及一项仍属机密的突破

Deedy 最具代表性的押注是 Goodfire——他的概括是「给 AI 模型做脑外科手术」，技术名称则是机制可解释性——团队由曾组建或参与 Anthropic、DeepMind 和 OpenAI 最早期可解释性团队的研究人员组成。其核心判断是：「我们想要的未来里，它不可能是一个黑箱。」当前所有可解释性技术都只是经验性方法，只评估输出，而没有「从根本上解释模型为何会做出这样的行为」。
他最关键的例子是 GPT-4o 的迎合事件——「这并不是真正被评测发现的问题」——与其观察输出，不如直接窥探模型的大脑，看清「它究竟在想什么、为什么会说出那些话」。
投资实验室时，它们尚未进入商业化收入轨道；真正令人焦虑的是，该追逐哪些基础发现，以及「什么时候才适合把它们产品化」。他以「不能说」为前提透露了一项「极其小众的科学突破」：在团队要解决的5件事中，「其中一项支柱已经完成了很大一部分」。

2. 「仍在早期」指的是人口结构，不是市场炒作——生育率才是50年命题

Deedy 承认，「AI 仍处早期」是最陈词滥调的 VC 话术，随后给出精确定义：出生率趋势意味着，「很多岗位已经根本招不到人」——没人愿意做蓝领或会计工作——因此必须由 AI 补位。「你必须依赖它……你不是在押注某个 AI 未来能以特定方式解决数学或编程问题的世界。你现在就需要它。」
他眼中的硅谷盲区是：「大家谈金融和法律，因为其他常春藤学生都去了这些地方工作。于是有了金融 AI，也有了法律 AI。」保险经纪、卡车运输和物流却无人问津——「认识几个私募股权从业者和几个律师，不代表所有人都只做这些工作。」
他更长期的关注点是生育率，并明确表示这不是「鼓励生育的议程」。现代人类从未经历过系统性人口萎缩。一些聪明人认为，消费和经济增长在一定程度上依赖人口增长，他由此追问：「未来的支出从哪里来？」并将其视为一个值得研究的10—50年命题。

3. X 的打法：有用性门槛、扛得住骂，以及一通5分钟电话

他看到两种失败模式：有人做 Twitter，只是因为「喜欢让别人听自己说话」；另一种是「优等生型人格」——一辈子努力读书、进了 Stanford——但「Twitter 真刀真枪时就扛不住了。因为要做 Twitter，就不可能不被取消几次。」
他的起点是写作和数据探索。大一时，他发表《破解印度教育体系》，抓取数据后发现：印度相当于 AP 考试或 SAT、每年有100万人参加的一项考试，在评分上存在统计异常。真正改变他的经历来自大学申请 AMA：一名印度女孩拿到 Penn M&T 录取和助学金，父亲却不肯让她去。19岁、并不擅长交际的 Deedy 与父亲通了5分钟电话，对方随后说：「我会送她去 Penn。」女孩后来毕业并进入私募股权行业。他得到的结论是：「仅仅发一条信息，就可能对别人的人生产生如此不对称的真实影响；更多人不去做，简直不可思议。」
在大型科技公司「因为品牌原因几次威胁要开除我」之后，他如今的操作标准是：每条推文都必须通过「这对某个人有帮助吗」这一关——约90%都能通过。数据内容尤其容易脱颖而出，因为「那就是事实……你无法反驳事实」。工具方面，他用一个自定义 Claude Code 技能固化自己精确的图表审美，再用 Apple 的 Freeform 制作组合图。

4. 1亿美元 Anthology Fund，以及 Menlo 低频出手、重运营者的模式

Anthology Fund 是 Menlo 与 Anthropic 合作设立的1亿美元基金，成立时间「按 AI 世界的时间算像是10年前，但其实是去年年初」，彼时 Anthropic 还名不见经传。它从一开始就被刻意设计成非企业风险投资基金，覆盖3类项目：优秀的早期 AI 团队，支票从10万美元到领投整轮融资不等；对 Anthropic 具有战略意义的公司，如 Turing、Mercor；以及任何阶段基于 Claude 打造标志性产品的公司。
Menlo 主基金刻意控制出手频率——每位合伙人每年连5笔都不到，Deedy 甚至认为3笔或4笔都可能太多——因为照此速度，2年后「你就会深度参与6家公司，根本没有时间真正帮到其中任何一家」。它提供的往往是不光鲜的价值：一家公司陷入停滞时，「谁来帮你推进并购？大多数创始人以前从没做过……这就是我们介入的时候。」
差异化来自久经一线的运营者：Tim Tully（Splunk CTO）、Joff（Atlassian 首席产品官），以及 Matt Kroening（其公司是过去10—15年间少数以超过10亿美元出售的网络安全独角兽之一）。「我们不只是投资人，也能和你一起把公司建起来。」

5. 「全都半真半假」：反投资主题论与创始人识别法

他的尖锐观点有明确案例支撑：「风投史上几乎没有一家标志性公司出自任何人的既定投资主题。」以 Khosla 投资 OpenAI 为例，Deedy 表示，当时没人是基于「LLM 聊天机器人将成为一个重要品类」的主题投资；也没人靠框架在 Facebook、Hi5、Orkut 或 Google Plus 之间选中赢家。「这笔投资的逻辑就是：这群人极其聪明，正在做一件可能很有价值的事。这就是你的投资主题。」
他筛选创始人的第一道题是：「你做这件事，只是因为觉得当创始人很酷吗？所有人都觉得当创始人很酷、地位很高。我不在乎这种创始人。」他需要相信的是：「我希望5年后你醒来仍会说，‘除了这件事，我什么都不会做。’」他承认，追求地位的创始人未必差，往往也能做得不错；但他不想要那种把融来的钱烧光后只会耸耸肩的人。
形成确信需要时间——「创始人在融资前向你路演时，你根本无法相信那就是他的本性……他是在向你销售。」因此，他会在融资前建立关系，其中一半时间根本不谈工作。即便创始人真正认同使命，也还要过招聘这一关：「作为创始人，你几乎得有一点邪教领袖的气质。」

6. 乏味垂直行业、前沿研究与 Granola 所代表的失传手艺——以及 Cluely 脚注

他关注3类机会。第一，存在信息不对称的垂直行业，最好是创始人从小就在行业内部耳濡目染——「可能是你母亲，也可能是你父亲在这个行业工作」——而不是靠自上而下的研究切入。第二，研究风险：「研究已经不再发生在学术机构里，它们根本没有资金支持前沿研究。」问题在于，谁愿意承保高技术风险，换取潜在的经济价值释放？第三，漂亮的产品：「没人每天早上醒来都会想，‘我得投资一家会议记录公司。’」但 Granola 能成，是因为「它就是好用……这种手艺已经失传了。」
与这种产品审美相连的 PLG 法则是：「如果你的企业产品可以走 PLG，就必须走 PLG，否则一家 PLG 公司一定会抢走你的生意并摧毁你。」企业销售周期比技术演进更慢，企业会做出不可逆的产品决策——「经典 RAG 方案如今已经变成智能体方案」——随后，具有病毒传播力的产品直接闯进销售电话：「买家会说，‘嘿，我听说过这个。我们应该买这个。’」
Cluely 的故事也属于这一类。它还叫 Interview Coder 时，Deedy 打破了自己在 Twitter 上的原则：「作弊非常糟糕，绝对不要这么做……这是那个工具，以防你哪天不小心用了。」这条帖子获得数百万浏览量，也是任何与 Cluely 或 Roy 有关的内容第一次大规模出圈。他认为 Roy 是「一个非常有思想的人」。他真正不满的是那些靠钻研科技面试一路卷到总监位置的人：「你们根本不懂怎么做产品，凭什么能当 X 公司的总监？」不到1个月，他反而开始向 Roy 请教究竟是怎么做到的。

7. 30%的 AI 溢价合理——前提是不只是换个提示词

每周看10—20场路演，让他完整见证了流行词的轮换：「我们的差异化是拿到数据，再让数据飞轮反哺微调」，到了1年后，同一批创始人会改口说：「还是同一件事，只是把微调换成 RL。」等他追问对方究竟懂多少 RL，现场往往只剩沉默。
他作为技术型投资人的优势是：「我们不怕问蠢问题。很多 VC 怕，因为他们不会写代码。」只要深入追问，「至少90%的公司其实只是在改 LLM 的提示词」，兜售的是它们希望未来能够存在的能力。他还认为，至少70%的 AI 公司会被筛掉，因为「它们路演的 TLDR 就是：‘我只想做模型，但不知道有什么用。’」
真正的人才池极其有限，因此对于确有技术深度的团队，Carta 所显示的 AI 赋能或名称中带 AI 的公司 A 轮估值溢价30%是合理的；在他覆盖种子轮至 B 轮的投资范围里，尤其是种子轮和 A 轮：「我们押注的是10倍、100倍的结果……这笔溢价我100%愿意付。」Molly 提出的最强论证值得保留：真正优秀公司的溢价可能「高得多得多」，因为竞争一旦出现，「定价就被抛到脑后了」。

8. 过度融资：曲线倒挂，部分10亿美元级种子轮只是营销

他的资本—发展速度曲线是：融资1500万美元，或许能获得可实现加速度的约80%；融资1亿美元，可能也只有90%——而且曲线往往会掉头向下。背后有3种机制：成功幻觉——「我们已经是10亿美元公司了，还能失败吗」；奢侈开支磨掉饥饿感的「50美元午餐问题」；以及招聘难题——「产品都没有，公司却已经在按某个价格融资，其他人还能从哪里看到上行空间？」
他表示，自己无法用自家基金为10亿美元级种子轮找到合理性；一种解释是 SPV 结构：在1亿美元融资中投入100万美元，再从其他人那里募得9900万美元。「我会把名字放上去，但实际上几乎不承担任何风险。我只是拿走了作为大胆、激进 VC 的全部营销价值。」
更难看的激励来自创始人出售老股。「创始人实际上已经退出了，然后会想，‘过度融资又怎样？……反正钱已经落袋了。’」他列出的可能例外包括：在市场上制造声势；用账面股权价值对抗 Anthropic「每年支付400万美元，或者它想付多少就付多少」；以及消费公司拿钱购买用户。与此同时，风投会忽视一些 ARR 已达数亿美元的公司，只因它们「用了10年缓慢增长」，科技 Twitter 核心圈的许多人甚至没听说过。

9. 基础设施演进：互联网数据触顶、RL 上位，以及后续多重瓶颈

他的压缩版历史是：GPT-3 证明互联网规模的预训练可以泛化；RLHF 让「我们几乎一夜之间算是解决了图灵测试」；随后，缩放定律推动行业进入大模型阶段，直到可用数据成为约束——「从数量级看，数据不可能再扩张10倍。」因此行业进入 RL 时代，开始购买代码、Excel、金融等领域数据；Scale AI 被收购后留下巨大缺口，Mercor 和 Turing 正在补位。
尚未解决的问题是：RL 的缩放定律「并不直观，因为你依赖的是人工获取数据的流程」；按照 Karpathy 的说法，「RL 是一种挺糟糕的学习范式……我只有到最后才知道自己打了一场烂透的比赛。」再往后，还有如何用更少样本实现更高效学习、智能体如何在测试时算力下串联工具、记忆、可靠性——「它们对事物没有核心的结构性理解」——以及上下文窗口。
他认可的终极目标是 Anthropic 的经济图灵测试：「我能否支付给 AI 一笔 X 金额，让它完成一项原本也可以付钱请人完成的任务，而我无法分辨两者？又能否让 X 的价值越来越高？」

10. 不知道未来如何投资——以及「大多数工程师其实屁事不干」

对能力预测，他给出的诚实答案是不作回答。一派认为，单个模型可承担任务的工时曲线会继续上升，最终走向自动化大部分人类工作；另一派认为，现有技术只能产生「伪新颖」发现——只是知识树「某一侧的一根细枝」，永远长不出新分支。「我的 TLDR 是，我不知道未来。我不知道该如何回答 AGI 2027 之类的问题。」因此，他只从当下事实出发，OpenRouter 就是例子：「一个 API 可以让你访问所有模型……这根本不是什么高深科技……但显然是我们需要的东西。」当被要求预测年底最好的模型时，他把答案交给市场：「Google。」
Molly 转述了 Coatue 的 Michael Barton 的看法：裁员是健康指标，意味着公司正在「变得精干」。Deedy 更进一步：「大多数工程师其实屁事不干。我们都知道……也知道他们1年要去多少趟夏威夷。」他讲起 Glean 厨房里的往事：自己抱怨 Google 有人1年没写代码，Arvind 笑着回应：「1年？我认识一些10年没写过代码的人，而且还是 IC。」Elon「某种程度上已经用 Twitter 证明了这一点」。
他对 AI 与就业的总体判断是：科技裁员与其说是 AI 替代，不如说是在修正「懒惰和零利率现象」；纵观历史，「有些工作会消失，从事这些工作的人会非常愤怒……但长期看，人类总能找到办法」，创造新的事情可做。转型期的痛苦却是真实的，就像工业革命中「35岁、养着3个孩子」的工厂工人会说：「我讨厌机器人。」

11. Arvind Satyanarayan 的3条教诲：努力是礼物、留住那家酷公司、一次只问一个问题

他最敬佩的人是自己在 Glean 共事过的 Arvind Satyanarayan：账面身家数十亿美元，却比同级别的任何人都努力，开着「破车」，讨厌播客和活动，还告诉他：「不要抱怨努力工作。努力是一份礼物……你根本不知道自己有多幸运。」
面对一份严肃的收购报价，Arvind 本可退出并手握10亿美元现金；与此同时，他还让 Deedy 沿 280 号公路送自己一程，只为省下 Uber 车费。他的回答是：「我现在经营着一家这么酷的公司。如果被收购，我就不再经营这家酷公司了。我为什么会想要那样？……我不想去收购我的公司里当个窝囊高管。」
Glean 早期，Deedy 不断追问护城河和销售爬坡等问题，Arvind 给出的澄清是：「你的问题很多，也都是不错的问题，但都不是正确的问题。任何时刻，你只需要回答一个问题……我们现在唯一的问题是：客户爱不爱这个产品？答案是或不是？……其他狗屁都不重要。」

Bill Chen 关于 REITs 和 $ALX 的后续解读她筹集6400万美元，打造AI数学神童｜Axiom CEO Carina Hong