摘要

dbt–Fivetran的合并是一次IPO规模的应对，并不意味着现代数据栈正在终结。 Sarah Catanzaro称这种解读“从根本上就是错的”：两家公司营收都超过目标，而如今的IPO门槛已高于6亿美元，合并后的业务可能接近这一水平。前沿实验室已经在使用两款产品，说明AI是数据市场的延伸，而非替代。对分析工程师和数据科学家的需求并未膨胀到需要“军队”的程度，但这些工具仍被广泛使用。
2025年的融资市场经常在创始人还说不清未来6个月路线图之前，就给出1亿美元的种子轮。 Sarah有时看到10亿美元要价配上7天决策窗口；她偏好的算法是覆盖未来12–24个月里程碑、人员、算力和设备的资金，再加约20%的缓冲。她在足够了解团队时也会例外，但会提醒潜在员工：“公司退出前，估值完全是一个凭空捏造的数字。”
世界模型具备商业潜力，但这一类别仍缺乏稳定定义，也尚未证明具备通用性。 主持人提到目前大约有3种定义；Sarah认为它们可用于视频、自动驾驶，或许也能用于编程，但为电子游戏生成而构建的模型未必能迁移到工厂或机器人领域。她刻意选择了“可能”：跨领域泛化也许可以解决，但“我们今天还没走到那一步”。
记忆和持续学习可能成为AI应用的留存基础设施，解决初期魔力不再足以阻止用户流失的问题。 Sarah认同，个性化可能成为2026年横跨消费和企业产品的主题。它必须超越存储事实，进一步学习技能，以适应用户、代码仓库、语言和框架的变化。真正棘手之处在于：要把有状态的权重放进一个按无状态设计的推理栈中——“人类智能极其动态，但今天的人工智能却如此静态。”
尽管实验室为RL环境支付7位数或8位数的价格，Sarah仍认为RL环境“只是一阵风”。 她指出实验室本可内部构建却没有这么做，并将其与过去为“糟糕透顶的数据标注”花钱相提并论。她认为这类环境可能在短期创造价值。她更持久的判断是，“最好的RL环境是真实世界”，应通过精心设计的任务和评分标准增强，而不是简单克隆应用。
Sarah想要的初创公司原型，是将应用与直接解锁产品质量的研究结合起来。 Harvey的检索工作、Sierra对规则遵循的聚焦，以及Runway的模型都符合这一模式。Sarah说，如果不是被迫这么做，她不认为Runway会去构建模型。最好的公司从“我想做成这件事”出发，然后解决挡在前面的棘手技术约束。

精读

1. AI在延伸现代数据栈，而非将其终结

对于dbt–Fivetran，Sarah否定“现代数据栈终结”的论点：两家公司都在健康增长，营收也都超过目标。主持人称它们是显然的品类赢家，Sarah表示认同。这次合并加速了流动性释放，因为IPO市场要求的营收远不止1亿美元。她认为合并后的公司可能接近6亿美元，但没有准确数字。
AI实验室强化了这一判断。许多大型前沿实验室同时使用两款产品；Thinking Machines成立后几周，dbt就已成为管理训练数据集、理解用户交互的重要工具。分析代理和LLM交互，可能比传统分析复杂得多。
传统分析工作负载出人意料地可预测，因为其中很大一部分来自BI仪表盘等确定性系统。数据集分析、整理和准备则更依赖临时判断，因此可预测性更低。Sarah表示，这可能影响学习型索引和学习型优化器的工作，但目前还不清楚是否会改变数据基础设施的整体路径。
对分析工程师和数据科学家的需求并未变成占公司员工三分之一，但对相关工具的需求仍然普遍存在。Sarah认为，公司需要数据和分析团队，只是不需要一支“军队”。
Sarah明确修正了自己的判断：“那是我判断错了。”面向人的数据目录作为一个品类表现不佳，部分原因在于Fivetran、dbt、Hex和Snowflake内置的目录功能对人来说已经“够用了”。错失的机会可能是面向机器的元数据服务——服务于代理、微服务和其他系统——以及治理，而不是可发现性。
GPU经济学使数据加载效率变得重要：如果数据无法高效送达GPU，GPU就会闲置并转化为成本。Amplify支持的Spiral，其Vortex格式正是针对这一瓶颈。

2. 巨额种子轮模糊了资金需求与信号价值的区别

2025年所谓“疯狂”，是公司经常在只有长期愿景、没有近期路线图的情况下，于种子轮融资超过1亿美元。创始人说不清未来6个月要做什么，却要求投资人在7天内决定是否下注时，Sarah最为焦虑：这几乎没有时间建立信念，也无法判断对方是否需要一位会深度参与的合作伙伴。她偏好的计算方式，是覆盖未来12–24个月里程碑所需的人员、算力和设备资源，再加约20%的缓冲。
Sarah承认，如果足够了解创始人，相信他们最终会找到答案，她也会在缺乏清晰近期路线图时投资。有些公司确实需要这笔钱：例如Periodic需要建造一座支持高通量生物学的湿实验室，成本很高。她担心的是，另一些创始人主要因为高估值有利于招聘才融资；候选人会被独角兽或准独角兽身份吸引，而大型实验室则以声望和金钱作为替代选项。
招聘话术可以把不到0.1%的股权包装成据称价值1000万美元的资产。讨论还涉及贷款或回购，为员工提供兑现美元价值的途径。Sarah的反对理由是，这种估值对应的实际交易量很小；如果公司花掉资本后以低于融资额的价格退出，团队可能什么也拿不到。
主持人举Antithesis为例，说明资金如何压过实质：公告开头就突出一家华尔街机构关联的1亿美元种子轮。Sarah将Antithesis描述为确定性模拟，主持人还提到了Palanteer和WarpStream。Sarah同意，融资如今确实在释放信号，但警告说，以“最多的钱、最高的估值”为目标，并不是选择工作的可靠依据。

3. 世界模型在定义清晰之前，就已具备投资价值

主持人指出，“世界模型”大约有3种相互竞争的定义。Sarah表示，人们对这个词究竟意味着什么、这类系统应该用于什么，仍存在很大混乱。她认为视频模型、自动驾驶以及可能的编程都存在市场机会，但具体机会取决于采用哪种定义。
尚未解决的问题是迁移：一个用于生成游戏的世界模型，可能无法泛化到工厂或机器人领域。主持人援引General Intuition播客中的证据称它可能具备这种能力；Sarah表示这并非不可能，但坚持认为这种通用性目前还没有到来。

4. 记忆必须从存储事实升级为持续学习技能

增长迅速的AI应用往往仍然留存率低、流失率高。主持人将Cursor面临的挑战定义为：当Windsurf、cloud code、Cognition或其他竞争对手发布新功能时，如何留住用户。Sarah称Cursor Rules是“最糟糕的记忆形式”，并认同主持人的判断：许多产品中的记忆都实现得很差。她也表示，消费者能够容忍今天这种较弱的实现，因此早期改进大概率仍胜过什么都不做。
Sarah认同，个性化或AI消费化可能是2026年的关键主题，但这不只适用于消费者或专业消费者。采用Devin或Augment等工具的企业也希望模型能够学习。主持人认为，随着AI的魔力逐渐变得习以为常，创始人必须回到K因子、留存等普通SaaS纪律。
持续学习意味着从交互中吸收技能，并随着框架、语言和代码仓库的变化进行适应，而不只是记住用户偏好。但更新权重会让系统变成有状态，而当前推理栈是按无状态设计的，由此产生加载、卸载和缓存等“有趣又棘手的问题”。主持人还指出，当产品把用户和记忆结合在一起，产品管理会更难：一个Bug可能出在记忆，也可能出在核心系统。

5. 真实使用胜过克隆RL环境，而应用决定研究方向

Sarah做出了一个有意保持可证伪的判断：“我其实不介意错，但我认为RL环境只是一阵风。”她指出，实验室为此支付7位数或8位数的价格，尽管完全可以内部构建；她还将其与实验室此前愿意为“糟糕透顶的数据标注”付费相比较。她承认，RL环境可能在短期创造价值。
Sarah更强的判断是，最好的RL环境是真实世界：DoorDash的克隆版不如DoorDash自身的日志和追踪记录有说服力。主持人提到Cursor利用真实用户活动改进其编程代理和Tab。任务选择和评分标准仍然重要，但简单克隆一个应用并没有多大用处。
Sarah偏好的公司，会把研究直接连接到应用层面的突破：Harvey以对产品有直接帮助的方式推进了检索技术，Sierra专注于客户支持中的规则遵循；Sarah说，如果不是因为必须解决产品问题，她不认为Runway会去构建模型。只有当记忆能带来显著更好的体验，或实现此前不可能实现的事情时，它才真正有吸引力；把记忆当作脱离应用的基础设施则不然。

2025年12月杂谈 The Wirecutter Show：与 Kevin Roose 聊如何聪明使用 AI