Deedy Das

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？」

🔗 原始收听与视频来源： 走进一家管理规模超68亿美元、身后有80多家上市公司和165多起并购的基金

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。

🔗 原始收听与视频来源： Anthropic、Glean 与 OpenRouter：Menlo Ventures 的 Deedy Das 解读 AI 护城河如何构建