Matt Bornstein

Cursor 最初的核心判断是“界面胜过模型”，随后才因不同原因转向模型。 2024年初，创始人深受“苦涩教训”（Bitter Lesson）影响，认为“我们现在不需要在模型上与 Anthropic 和 OpenAI 竞争，人和模型之间的界面才是关键”；Michael 和 Aman 判断代码最终会变成伪代码。Matt 将产品含义概括为“把程序员的意图压缩成尽可能精简的规格说明”。Cursor 拿下用户后，Sarah 认为公司已经具备自研模型所需的资产、数据和 know-how；但如果一开始不是前沿实验室，这次转向根本不可能发生。

对着 Microsoft，Matt 主导的 Series A 看起来几乎像一次非理性下注。 Copilot “遥遥领先”，Microsoft 同时拥有 VS Code、OpenAI 的模型权重、1亿名开发者以及“史上最强的企业分发能力”——“那一整套东西确实都在他们手里”。支撑这笔投资的 a16z 团队经验法则是：在一个大市场里，永远押注领先的独立公司，即使现有巨头看起来极具威胁。

这轮增长融资的前提，是先把原有的增长模型彻底推倒。 Sarah Wang 的团队原本提出，在自助式销售通常于2500万–5000万美元 ARR 触顶时引入销售负责人；Michael “直直看着我的眼睛”说：“自助式销售不会逐渐熄火”（self-serve is not petering out），迫使团队放弃“5年后增长率会收敛至25%”等常规假设。A轮发生在2024年5月/初夏，Sarah 到10月已围绕“垂直起飞”联席领投 B 轮；公司规模4个月内从4扩到50人之类。

面对 Copilot、Windsurf、Cognition 以及2025年5月出现的 Claude Code 等轮番登场的生死级对手，创始人始终“偏执但不为所动”。 Matt 问 Michael 如何看 Claude Code，Michael 回答：“我们正瞄准全球最大的市场……从一开始就会不断有强大的竞争者出现，这并不让我们害怕。” Sarah 将这种状态称为“谦逊与自负的混合体……这就是胜者组合”。真正让他们产生“糟了”念头的，是 Opus 4.5 这类模型发布；Cursor 则以 Reed Hastings 式的方式主动蚕食自己，在2年内从 IDE 走向 agent 平台，再走向模型平台。

Matt Bornstein 认为，2025年夏季围绕毛利率的讨论只是 X 上的回音室效应。 “技术变革总是先发生，商业模式随后才被摸索出来”；互联网多年没有变现，而投资者对尚在萌芽的技术变革逐条挑刺，历史上一直被证明是错的。毛利率的答案在企业业务：模型实验室补贴自助层，真正的毛利来自第三方和企业业务；Cursor 随后完成了“可能是地球历史上最快的销售团队搭建”，覆盖超过50%的《财富》500强企业。

招聘才是隐藏在水下的发动机：创始人将40%的时间用于招人，AE 搜索则按研究项目执行。 先锁定前10家公司，再锁定其中前10支团队，接着找出第1和第2名 AE，最后通过“back-channel、back-channel、back-channel”逐层核验。Sarah 说，她从未见过技术产品创始人把40%的时间花在招聘上；a16z 团队曾多次连续8小时坐在办公室里帮忙找人。

按 Sarah 的说法，最终的并购组合“可能是她见过最匹配的一次”，Matt 也认同这一判断。 “Elon 有算力，他们有分发和数据。”Sarah 将其类比为 SpaceX：2019年，SpaceX 还只是一个发射业务，却在天空中没有任何 Starlink 卫星的情况下承诺提供全球互联网；Cursor 则“大幅超出他们给过我们的每一个预测”。整个故事线是：先与 Microsoft 竞争，再与 Anthropic 竞争，随后同时改造产品和 go-to-market，并在2年内完成“史上最复杂的并购”。节目中未点名收购方。

🔗 原始收听与视频来源： 让 AI 编程成为必然的公司

vLLM 已成为连接开放权重模型与主流加速器的广泛采用的执行层。 据介绍，它在任何时点都运行于50万块 GPU 上，支持超过1,000种活跃模型架构；NVIDIA、AMD、Google、Amazon、Intel 等厂商确保新芯片能够运行 vLLM，且往往以其作为基准。Simon 将其定位为 AI 的“数据库和操作系统”。

当应用公司需要超越专有模型套壳的差异化能力时，开放权重便从极客领域转向战略基础设施。 Matt Bornstein 提到，Cursor、Decagon、Harvey 等初创公司需要自有的中期训练、后训练、推理和部署技术。闭源 API 无法提供这种访问权限，因此开源深度嵌入应用栈；不过 Matt 也指出，OpenAI 和 Anthropic 的模型整体上仍然更常用、也更关键。

经济账越来越取决于可控的性能、可靠性和数据，而不只是更便宜的 token。 语音代理公司可以掌控基础设施，并确保延迟达到 SLA。Kimi K2 覆盖了近10倍的价格差距，价格低于 Claude 或 GPT-5，同时将 Opus 4.1 级别的模型带到用户可以自行运行和微调的基础设施上。开放权重服务商可能提供10档速度，包括在部分工作负载下达到每秒400–500个 token，而专有服务商通常只有普通和快速两种模式。

开放权重许可正告别无条件赠送，因为前沿模型训练不可能靠开发者无偿投入的时间维持。 模型实验室需要承担数百万或数十亿美元的算力成本，还要反复面对失败的训练运行，因此开始引入使用量门槛、衍生作品条款和商业协议。Simon 用制药行业作比：发布后的产品必须回流足够收入，支撑下一轮高风险研发。

审核失败可能让开放权重成为高信任、专业化场景的默认选择。 Simon 认为，专有模型的安全护栏仍然任意且容易误报；即使是 GPU 内核调试也可能触发限制，让2小时的工作付诸东流。“如果审核永远无法解决”，用户会偏好那些能针对可信用途自行控制护栏的模型。

Simon 预计，未来1年内开放与闭源之间不会出现实质性的能力差距，因为如今的进步更多取决于环境和算法，而非分发策略。 Moonshot 的前端编程闭环——生成、渲染、检查、迭代——是他的关键例子，这类环境无法简单通过蒸馏复制。他不认为蒸馏是进步的主要解释：真正持久的驱动力是“真正聪明的人”将算力、数据、环境和新方法结合起来。

🔗 原始收听与视频来源： 开源如何成为 AI 的骨干 | Inferact with a16z

AI 不只是又一轮应用浪潮：在这场讨论中，模型被视为第四大基础设施支柱，因为它们同时改变芯片、数据中心、延迟要求和编程范式本身。 Martin Casado 的分界线在于，应用已经“放弃逻辑”：过去由程序员编码每个决策，如今软件会让模型“替我给出答案”。对职业软件从业者而言，“软件正在被颠覆”，而且开始吞噬自身。

超级周期的核心逻辑是，更低的能力成本会扩大 TAM、创造新用户和新行为，并让既有公司难以承接由此产生的空白市场。 讨论中给出的直白投资判断是：“基础设施创造 TAM”；如果因为今天的市场看起来很小就否定一款开发者工具，可能会错过下一个 GitHub。自然语言也兑现了低代码的承诺，让任何拥有领域知识和想法的人都能编程。

就在技术用户群从数千万出头增长到超过5000万之际，开发者分发正变得越来越像消费互联网。 个体开发者越来越多地自下而上发现并采用工具，而企业仍通过集中的技术采购中心进行评估。因此，理解个人采用路径和企业采购中心同样重要。

这个讨论已经不再坚持早期“整个技术栈无处具备防御性”的 AI 判断。 在当前的扩张阶段，零和思维是“致命的”：芯片、云、模型和应用可以同步增长，而深厚工程能力、分发、嵌入式集成逻辑和高转换成本仍能守住价值。最终整合可能形成寡头甚至垄断，但基础设施层很少会凭空消失。

讨论重点已经从 Prompt Engineering 转向 Context Engineering：模型表现取决于每次调用前能否选对数据、工具、优先级和保证机制。 这将围绕数据管道、索引、优先级排序和形式化保证催生新的基础设施机会。讨论预计，大约5年内会出现一种新的软件形式体系，而不是自然语言愿望消灭系统工程。

智能体在循环中具备客观纠错机制的场景里表现最好，这也是编码领先于通用网页自动化的原因。 代码可以经过 lint、解释、编译和测试，从而阻断错误扩散；一个指令模糊、被派去“到森林里转一圈，带只熊回来”的智能体，依然会在开放环境中失效。不过，Martin 已经转而认可规模小、定义清晰的编码任务。

更好的编码工具更可能带来更多开发者和更多软件，而不是让工程师岗位坍缩。 编程依然是创造性的规格定义过程，客户购买软件，是因为有人把正确的工作流和领域决策编码进去，而不是因为 CRUD 应用本身难以敲出来。据称，中位数 Pull Request 只修改2行代码，这说明理解需求往往比完成实现更难。

🔗 原始收听与视频来源： 软件开发的未来——Vibe Coding、Prompt Engineering 与 AI 助手