AI 科技评论注意到，Eric Vishria 这一期最值得记住的，不是他押中了哪家公司，而是他反复拆掉了「只有一个赢家」的想象。1
云计算没有被 AWS 一家吃完，AI 也未必会被某一家模型公司吃完。
真正先失效的，可能是软件公司的旧计划、投资人的旧分类，以及 CEO 对「命中目标」的旧理解。
这期先看什么
- AWS 当年为什么被投资人严重低估，以及这段历史为什么正在 AI 时代重演。
- 为什么 Eric 把 AI 软件比作「沙堡」：模型每次更新，产品都可能需要重建。
- Cerebras 让他学到的硬件投资教训：核心数、核心通信、内存距离只是起点。
- 为什么他投资前更看重化学反应、周六晚九点是否接电话，以及「即使判断正确，是否真的重要」。
- 为什么「一切都能工作」不等于每家公司都能成功。
01｜先别急着押唯一赢家
Eric 观察 Fireworks 时，最惊讶的不是模型本身，而是把同一个开源模型、同一类 NVIDIA 硬件交给不同团队运行，性能和吞吐量仍然可以拉开巨大差距。
他的判断是：大模型运行起来很难，想把它高效地运行起来更难。
这类能力在外部看起来很像转售云资源，实际却包含大量非常具体的工程经验。
AI 科技评论注意到，这个判断和早期 AWS 的争议非常像：投资人容易把「看得见的硬件」当成商品，却低估了运行系统的复杂度。
Eric 不认为 AI 会只有一家模型公司吃掉全部价值。
他的原话可以概括为：「如果所有东西都能工作呢？」
他列出的可能赢家包括云服务商、Neocloud、推理服务、NVIDIA、专用芯片、手机端推理和近边缘推理。
这不是说每个赛道里的每家公司都会成功。
恰恰相反，大多数公司仍会失败；能留下来的公司，必须把自己的差异化推到极致。
02｜AWS 的旧误判正在重演
2006 年，AWS 只有 S3 和 EC2 这两个早期产品。
到了 2006—2007 年，投资人对 AWS 的长期价值并不乐观。
2014 年，行业里又流行另一种说法：AWS 会吃掉数据库、基础设施，最后连应用软件也一起吃掉。
原因很直观：如果 Amazon 可以用更低的毛利率提供功能相近的服务，传统 SaaS 的高毛利就会被压垮。
但现实并没有沿着这条线发展。
Snowflake 可以在 AWS 的云上挑战 Redshift。
Confluent、Elastic、MongoDB、Databricks 等公司，也都在云巨头旁边长大。
应用层同样出现了新的大公司。
AWS 确实摧毁了很多公司，但它没有摧毁整个企业软件市场。
到了 2026 年，AWS、Azure 和 GCP 形成了云计算寡头；Cloudflare 这样的差异化玩家，也能成长为百亿美元级公司。
Eric 认为，投资人当年的错误不是没看见竞争，而是把市场想得太小。
一个企业很难吞掉一个大到足以容纳多个赢家的市场。
03｜软件进入「沙堡时代」
Eric 用 Brad Taylor 的说法描述今天的软件：过去大家在建城堡，现在大家在堆沙堡。
沙堡不是没有价值，而是它必须接受下一轮潮水会把它冲走。
Cursor 的产品演化就是一个例子：从 IDE，到 Tab 自动补全，再到 Agent 式工作，一直在替换六个月前的自己。
如果团队迷恋过去刚建好的基础，就不可能跟上模型能力的变化。
这会直接改写企业的管理方式。
过去的成功公式是：先设定计划，再持续执行计划，最后让价值复利。
Eric 现在看到的情况却可能相反：公司每天准确命中旧计划，反而每天都在摧毁股权价值。
他转述的一种 CEO 困境是：公司白天按旧业务工作，晚上再抽几个小时做 AI。
真正需要的，可能是把时间分配反过来。
这很难，因为 CEO 已经花了多年训练自己爬同一座山。
但竞争前沿已经换了山。
对 AI 公司来说，最重要的不是岗位名称，而是三种能力：理解客户问题、有产品品味、理解模型能力的锋利边缘。
工程师、产品经理或设计师都可以做到；没有这三件事，职位名称本身没有帮助。
04｜数据库的护城河为什么会变薄
传统数据库软件很黏。
开发者直接对着数据库接口开发，数据越积越多，迁移到另一套数据库就会变成一个昂贵而危险的大项目。
这也是 Oracle、SQL Server 以及一批数据库公司的商业基础。
AI 改变了迁移成本。
过去是开发者对着数据库接口写应用，现在可以由 Cloud 或 Codex 直接对着接口完成更多工作。
数据库接口往往被定义得很清楚，而 AI 擅长处理定义清楚的任务。
更便宜的实验还会让更多人从零开始做应用。
因此，数据库不只需要在成熟规模上表现好，还要能从几乎零用量一路扩展到成功后的大规模需求。
软件公司的估值不再只由「收入能不能按计划增长」决定。
模型能力、迁移难度、真实业务结果和客户到底在乎什么，都会进入估值函数。
05｜硬件投资，PPT 只走了很短一段
Eric 把硬件加速深度学习的基本方向归纳为三件事：增加核心数量、改善核心之间的通信、把内存放得更靠近计算。
Cerebras 的思路，是把这三条约束一起推向极限。
晶圆级芯片提供大量核心，片上内存减少了频繁访问芯片外部内存的需要，同一片晶圆也有利于缩短核心之间的通信路径。
但逻辑图画出来，不代表产品已经接近完成。
Eric 的个人比喻是：软件项目画出逻辑块图，可能已经走完 80%；硬件项目画出逻辑块图，可能只走了 2%。
后面还有物理、封装、散热、供应链、编译器、内核和 bring-up。
TSMC 很重要，但不是全部。
还有几十家供应商会影响一块芯片能否真正被制造出来。
Cerebras 从 2016 年五位创始人与一份 deck 开始，经历了多年 bring-up，直到 2020 年左右才有真正能工作的东西。2
这也是硬件和软件的差别：软件的逻辑可以让人很早获得信心，硬件要把每一层现实都跑通。
06｜为什么他仍然愿意投难硬件
Eric 投 Cerebras 时，OpenAI 还只是一个很早期的研究实验室，Transformer 论文尚未出现，NVIDIA 的市值也远低于今天。
Cerebras 给他的第一个冲击是：GPU 对深度学习并不完美，只是比 CPU 好很多。
这让他开始思考，AI 是否足够大，能不能成为一种新的计算工作负载。
他回看过去几代计算范式：通用计算催生 CPU，大规模并行催生 GPU，低延迟网络催生新的芯片，移动计算又推动了高能效芯片。
每一代新工作负载，都曾经孕育出百亿美元级公司。
投资 Cerebras 的关键问题因此变成两个：AI 是否足够大，以及 AI 是否引入了新的约束。
Eric 的答案是，AI 让并行计算变得重要，但 GPU 没有彻底解决核心之间的通信问题。
这给了专用芯片一个可能成立的理由。
他现在还对一种新的 CPU 路线感到兴奋，因为模型生成的代码最终仍然要在 CPU 上运行，而传统 CPU 可能背负了过去留下的很多约束。
他也承认，做这些事情很难。
但他认为，试图解决一个别人尝试了几十年仍没有解决的问题，只要市场足够大、团队足够好，就是风险资本值得支持的冒险。
07｜能源可能才是算力的瓶颈
Eric 认为，AI 的需求看起来仍然很大。
模型可以把数据转化成能力，而更强的能力会带来更多数据和更多推理需求。
真正需要警惕的，不一定是芯片数量，而是能源供给的速度。
如果能源是算力的必要条件，而智能需求没有上限，那么能源建设速度就会影响智能供给的上限。
这会牵动天然气、电网、数据中心建设和政府政策。
他把 AI 基础设施看成一组彼此咬合的工程，而不是单独的 GPU 采购问题。
这也是他为什么认为 AI 基础设施可能比云计算更快、更大，但也更重、更难临时补课。
08｜机器人真正缺的不是愿景
Eric 不否认家庭机器人很诱人：让机器人在家里叠衣服，听起来当然很好。
但重复任务、受控环境里的机器人，其实已经在工厂和装配线上解决了很多问题。
更难的是现实世界里不断变化的任务。
机器人需要模型，也需要高质量数据。
Waymo 和 Tesla 的经验说明，垂直整合机器人、数据收集和模型训练，可以先把产品做出来，再逐步泛化到更多场景。
一些机器人公司也在用专门设计的手套、硬件和数据收集方式，让不同机器之间更容易迁移经验。
Eric 的判断是，先追高价值数据，再用少量辅助样本做持续训练，可能比一开始试图收集所有数据更有效。
问题不只是能不能让机器人完成动作。
还包括数据是否足够、任务是否值得付费，以及出错之后谁承担责任。
09｜投资前的三个问题
Eric 说，他是投资人第二，伙伴第一。
第一，他要确认双方是否真的有化学反应。
有些机会在财务上看起来不错，但如果双方无法长期合作，他不会投。
第二，如果创始人在周六晚上九点打来电话，他会不会接。
这就是他所谓的「绿色按钮测试」：关系是否强到让你愿意在最不方便的时候出现。
第三，如果判断正确，这件事真的重要吗？
他见过一些创业者可以把事情做对，却没有足够多的人在乎结果。
如果没人关心，就很难创造足够的股权价值。
他还用高尔夫打比方：把球打进洞是一部分运气，但不断把球打到洞口附近，可以提高碰上运气的概率。
Eric 一年大约投资一到两家公司。
他真正想要的不是一张漂亮的投资清单，而是和一群特殊的人一起，把一个重要问题做到底。
10｜医疗 AI 提醒我们，技术判断不等于现实判断
Eric 讲到 Geoffrey Hinton 对放射科的判断。
Hinton 曾经认为，既然 AI 可能比人类更会读影像，就不应该继续培养放射科医生。
Eric 的评价是：技术判断的方向可能是对的，但现实结论依然可能错得很远。
放射科医生每天处理多种影像、身体部位和临床场景。
如果 AI 只解决其中一个非常窄的任务，对医生当天的大量工作帮助可能很有限。
医疗行业还要处理数据、报销、责任和误诊后果。
因此，更可能出现的中间形态，是 AI 先帮助放射科医生提高吞吐量，医生继续检查、判断并承担责任。
这也是 Eric 对大规模失业判断的提醒：模型能力是真实的，但数据、流程、支付方式和责任结构同样是真实的。
聪明的人如果只看见技术能力，不把它放进真实工作流，仍然会得出错误结论。
Eric Vishria 的一句话
「一切都可能有效」不是乐观口号。
它要求投资人同时承认两件事：AI 市场可能大到容纳多个赢家；大多数具体公司仍然会失败。
真正的机会不在于猜谁吃掉全部价值，而在于找到那些能把模型、客户问题、能源、硬件和组织判断连起来的人。
逐句全文翻译
Patrick：我每次和你以及你的合伙人见面，都会问同一个问题。你们每年并不做很多投资，但那些最终成功的公司，比如 Sierra 和 Fireworks，会让你们通过公司的镜头学到很多关于世界的东西。
Patrick：所以我想把这两家公司都聊一聊，或许先从 Fireworks 开始。通过观察 Fireworks，你对世界以及世界正在如何重新排列，有什么出人意料或有趣的认识？
Eric：有一件很有意思的事，是这些模型非常大。它们有两万亿、三万亿、四万亿参数。
Eric：运行这些模型很难，高效地运行它们更难。
Eric：你可以从一个所有人都看得见的现象理解这一点。AWS、Azure、GCP、Neocloud，以及 Fireworks、Baseten、Together 这样的公司，都在运行开发者池里能找到的开源模型。
Eric：同一个开源模型，交给不同的服务商运行，性能差异可以达到五倍左右。
Eric：这还只是速度。
Eric：如果把吞吐量也算进去，差距会更大。吞吐量不会直接显示在外部，只有理解这些公司的经济模型，才看得见它。
Eric：你会问，等一下，这不是同一个开源模型吗？不是同一种 NVIDIA 硬件吗？
Eric：为什么会有五倍的速度差，还有更高的吞吐量差？
Eric：这些公司支付了云服务商的利润，自己在上面运行，居然还能赚钱。
Eric：这怎么可能？
Eric：我的最大收获是，原来这件事真的很难运行。
Eric：它需要大量非常具体的专业知识。
Eric：但投资人从外部看时，很容易把它当成商品，把它理解成简单的转售业务。
Eric：人们会很自然地认为，最终只会剩下一两家规模最大的公司，因为在很多商品市场里，成本和规模就是全部故事。
Patrick：AWS 的例子确实很适合说明这一点。2006 年，S3 和 EC2 出现，它们是 AWS 最早的存储和计算产品。
Patrick：2006 年和 2007 年，投资人对 AWS 的反应并不好。
Patrick：如果把当时最聪明的三十位投资人放进一个房间，问他们 AWS 是什么样的长期生意，答案大概不会很乐观。
Eric：2014 年我加入 Benchmark 时，仍然到处都是一种非常普通的说法：AWS 要把一切都吃掉了。
Eric：数据库、基础设施、应用软件，都会被 AWS 吃掉，因为 Amazon 可以提供最便宜、最好的版本。
Eric：我们当时投资或参与了很多很棒的软件公司。人们喜欢它们的一部分原因，是它们像年金一样稳定，毛利率可以达到 85%。
Eric：所以大家会想，Amazon 可以用 8% 的毛利率提供类似产品，它一定会摧毁这些公司的利润。
Patrick：你的利润，就是我的机会。
Eric：对，整个叙事就是这样。
Eric：但从 2014 年到现在，企业软件发生了什么？
Eric：Snowflake 可以在 Amazon 的云上挑战 Amazon 的 Redshift。
Eric：你是在 Amazon 的地盘上，用 Amazon 的基础设施完成对 Amazon 的竞争。
Eric：而且不只是 Snowflake，还有 Confluent、Elastic、MongoDB 和 Databricks。
Eric：这些公司都做得很好。
Eric：应用层也出现了新的大公司，比如 Datadog。
Eric：当然，AWS 也摧毁了很多东西，市场里有大量失败者。
Eric：但即使在 2014 年，把 AWS 想成会吃掉一切，也严重错了。
Eric：更关键的是，当时 Azure 和 GCP 还没有真正成为重要竞争者。
Eric：到了 2026 年，它们都成了不可忽视的生意。
Eric：AWS 是不是最大的一家？也许市场大致会形成 40、30、20 这样的分布。
Eric：最后留下来的，是一个寡头市场。
Eric：而且三巨头之外，还有 Cloudflare 这样的不同类型的云服务商，也能成长为百亿美元级公司。
Eric：所以我的结论是，投资人有太多零和思维，没有意识到市场可以有多大。
Eric：如果所有东西都能工作呢？
Patrick：这和现在的 AI 很像。
Eric：是的。现在大家又在说 Anthropic 会把一切都吃掉。
Eric：但真的是这样吗？
Eric：我不认为「一家公司的价值会吃掉全部市场」这个观点成立。
Eric：而且云计算当年扩张得很快，但远没有今天 AI 的扩张速度这么快。
Eric：未来需要建设大量产品、能源、设备、数据中心和配套基础设施。
Eric：我觉得最后会出现很多百亿美元级公司。
Patrick：那在需求方面，你观察到企业采用 AI 的速度有什么变化？
Eric：如果回到 2010、2011 年，那时 AWS 已经出现三四年了。
Eric：数字原生公司很早就使用云，Snapchat 甚至一度占到 GCP 很大一部分用量。
Eric：传统企业、蓝筹企业却非常怀疑云计算。
Patrick：这就像今天 Cursor 可能占据某些公司开发活动的很大比例。
Eric：完全一样。
Eric：到了 2014、2015、2016 年，大银行、金融服务公司、保险公司和更保守的蓝筹企业才开始意识到，云计算确实不一样。
Eric：这甚至变成了招聘问题，因为它们招不到最好的开发者。
Eric：最好的开发者想在更容易使用的平台上工作。
Patrick：你在 Sierra 身上学到了什么？
Eric：Sierra 的创始团队此前已经合作了很长时间。
Eric：这种二十年的关系，本身就是一个很好的起点。
Eric：他们是技术人员，但也长期生活在企业世界里，真正理解企业客户。
Eric：我认为这让他们能把应用产品和真正的 AI 工作连接起来。
Eric：他们会试验模型，会建设软件，也会理解能源、模型和软件之间的关系。
Eric：他们不是把模型当成一个抽象的黑盒，而是在理解模型的能力边界，然后围绕它建立产品。
Patrick：你怎么看 Cursor 的变化？
Eric：你可以看到 Cursor 从 IDE 发展到 Tab 自动补全，再到 Agent 式工作，一直在变化。
Eric：他们甚至会让六个月前的产品失效。
Eric：这就是沙堡的比喻。过去我们在建城堡，现在我们在堆沙堡。
Eric：如果你把过去的产品当成必须保存一百年的城堡，就不会愿意重建。
Eric：但模型能力每隔几周或几个月就会变化，你必须接受新的材料出现。
Eric：你需要理解模型擅长什么、在哪里失败，再把它和客户的问题放在一起。
Eric：Cursor 做得很好的地方，就是把模型的锋利边缘翻译成客户真正能使用的产品。
Patrick：这听起来像技术品味的回报。
Eric：我觉得还需要三件事：理解客户问题、有品味、理解 AI 能力的锋利边缘。
Eric：如果具备这三件事，叫什么职位并不重要。
Eric：你可以是工程师、产品经理或设计师。
Eric：真正重要的是你能否理解客户、做出判断，并知道模型现在能做什么、不能做什么。
Patrick：你曾经说 SaaS 的竞争前沿会决定赢家和输家。现在有什么变化？
Eric：我不认同「大家只要 vibe code，就会自己做出所有软件」这种说法。
Eric：SaaS 真正的问题不是大家会不会写代码，而是竞争前沿已经改变了。
Eric：企业原本以为自己在建设某种护城河，但模型把那条护城河的意义改变了。
Eric：数据库就是一个很好的例子。
Eric：过去，开发者会直接对着数据库接口写应用。
Eric：数据越积越多，迁移到另一个数据库会变成一个巨大项目。
Eric：因此数据库公司非常黏，也能获得很高利润。
Eric：现在，Cloud 或 Codex 可以对着数据库接口工作。
Eric：数据库接口定义得很清楚，而 AI 很擅长处理定义清楚的东西。
Eric：实验成本下降后，更多人会从零开始做应用。
Eric：所以数据库需要从零用量一路扩展到大规模成功，这件事会变得更重要。
Eric：软件公司的价值不再只由过去那套收入计划决定。
Eric：模型能力、迁移成本、吞吐量和客户实际愿意支付的结果，都会决定谁能赢。
Patrick：你说过一些公司每天命中计划，反而在摧毁股权价值。能展开吗？
Eric：我见过公司收入增长了四倍，但估值倍数下降了六倍。
Eric：公司虽然增长了，价值却更低。
Eric：过去我们学到的是，制定计划、执行计划、超过计划，就能建立股权价值。
Eric：这是管理团队和 CEO 多年形成的肌肉记忆。
Eric：但 AI 时代，如果你每天都准确命中旧计划，你可能每天都在犯错。
Eric：有些 CEO 白天花八个小时维护旧业务，晚上再花三个小时做 AI。
Eric：他们需要做的，可能是反过来。
Eric：但这非常难，因为大家已经习惯了沿着原来的山往上爬。
Eric：真正领先的创始人，会不停调整自己到底在优化什么。
Eric：他们会问，最新的评测标准是什么？真正的交付瓶颈是什么？真正的需求瓶颈是什么？
Patrick：模型进步这么快，对你作为投资人有什么影响？
Eric：我开始重新审视自己过去学到的每一条经验。
Eric：有些经验可以迁移，有些经验不能。
Eric：很多上一代非常优秀的领导者，进入快速增长的 AI 公司后却完全失败。
Eric：他们并不愚蠢，也不是没有经验。
Eric：问题是他们带来的方法，和 AI 公司的需求之间存在阻抗不匹配。
Eric：比如传统软件销售常用配额和销售产能模型。
Eric：每个销售代表负责多少收入，区域如何分配，团队如何扩大，这些都可以被写进财务模型。
Eric：但很多 AI 公司卖的是客户还没有完全理解的能力。
Eric：你不是在推动已经存在的需求，而是在把模型的锋利边缘和客户能力连接起来。
Eric：这时最好的销售往往是创始人。
Eric：因为创始人能解释客户现在能做到什么，以及新产品为什么会改变他们的工作。
Eric：很多人最大的错误，仍然是把市场想小了。
Patrick：那你担心能源吗？
Eric：我不担心智能需求不够。
Eric：模型可以把数据转化成能力，而对能力的需求看起来很多。
Eric：我担心能源。
Eric：如果计算需要能源，而智能需求持续增长，那么能源就是瓶颈。
Eric：天然气、电网、数据中心建设和政府政策，都会进入这个问题。
Patrick：你第一次投资 Cerebras 时，硬件还不是 Benchmark 的常规方向。
Eric：那是我第一次真正投入极难的硬件项目。
Eric：2016 年，五位创始人带着一份 deck 来见我。
Eric：我其实不想去，因为我们已经十年没有做过硬件投资了。
Eric：但我的工作就是去看。
Eric：他们的第三页大概写着：GPU 对深度学习其实很糟，只是比 CPU 好一百倍。
Eric：我当时突然想，当然，为什么图形处理器会是 AI 的正确硬件？
Eric：那时候 Transformer 还没有出现，OpenAI 还是一个很早期的研究实验室，NVIDIA 的市值也只有今天的一小部分。
Eric：我当时真正理解的东西很少。
Eric：但我理解了三条硬件方向：更多核心、核心之间更快的通信、让内存更接近计算。
Eric：Cerebras 想把三条都推到逻辑上的极限。
Eric：晶圆级芯片上有大量核心，也有片上 SRAM，因此不需要频繁跑到芯片外取内存。
Eric：核心在同一片晶圆上，通信距离也更短。
Eric：这听起来像是把问题解决了。
Eric：但在软件里，逻辑图画完，可能已经走过 80%。
Eric：在硬件里，逻辑图画完，可能只走了 2%。
Eric：你还要面对物理、供应链、封装、散热和几十家供应商。
Eric：从 2016 年到 2019 年，他们才拿回第一批真正的部件。
Eric：之后还有很多 bring-up 步骤。
Eric：到 2020 年左右，才有第一个真正能工作的东西。
Eric：硬件项目的理论上限由仿真和工艺决定，现实中的每一层软件、编译器和内核都会把你从上限往下拉。
Patrick：这段经历会让你想投更多硬件吗？
Eric：为什么不会？
Eric：无论 Cerebras 最后成功还是失败，我当时都认为这是值得风险资本支持的尝试。
Eric：你应该尝试做那些别人做了五十年仍然没有做成，但现在有理由相信可以做成的事情。
Eric：当然，这类项目很难。
Eric：硬件还有 HBM、DRAM、TSMC 和地缘政治边界。
Eric：供应链和宏观时机都会影响结果。
Patrick：那机器人呢？
Eric：我当然想要一个机器人在家里帮我叠衣服。
Eric：但重复任务和受控环境里的机器人已经解决了很多问题。
Eric：真正难的是现实世界中不断变化的任务。
Eric：这需要 AI 加机器人。
Eric：最先要解决的是模型和数据。
Eric：Waymo 和 Tesla 都做了垂直整合：车辆、数据收集和训练过程联系在一起。
Eric：它们先收集高质量数据，训练模型，再把产品做得更完整。
Eric：机器人公司也可能采用类似方法，先把机器人、模型和数据采集绑定起来。
Eric：如果先获取高价值数据，模型可以从那里开始，再用少量辅助数据持续训练。
Patrick：你投公司时，和创始人合作的标准是什么？
Eric：我把自己看成投资人第二、伙伴第一。
Eric：有些机会在财务上是投资级的，投进去大概能赚钱。
Eric：但除非我和创始人之间有真正的化学反应，否则我不会成为他们的伙伴。
Eric：我希望能从他们身上学到东西，他们也愿意和我一起工作。
Eric：我给自己做的一个测试是，如果这个人周六晚上九点打电话，我会不会接。
Eric：如果答案是否定的，合作可能并不合适。
Eric：另一个问题是，即使我们判断正确，这件事真的重要吗？
Eric：我上周还对一位创业者说，我相信你能在这里建立一家很棒的公司，但你不应该融资。
Eric：因为有很多事情可以做对，却没有足够的人在乎。
Eric：没人关心，就创造不出足够的股权价值。
Patrick：你观察过那些 20 倍到 100 倍回报的投资后，学到了什么？
Eric：很多回报在一开始都无法被模型算出来。
Eric：如果一切都那么明显，价格早就不一样了。
Eric：你需要持续把球打到洞口附近。
Eric：最后总会有一个球滚进去。
Eric：这其中确实有运气，但你可以通过更多高质量的尝试增加运气出现的概率。
Patrick：Benchmark 为什么会扩大可投资范围？
Eric：风险投资历史上，早期投资和高现金回报倍数几乎是同义词。
Eric：过去，想要高回报，通常就去做早期投资。
Eric：最近几年，市场变大，结果变大，高现金回报机会已经不只存在于早期投资。
Eric：不是说外面突然出现了无数家能带来 100 倍回报的公司。
Eric：但在早期之外，确实出现了一些值得追逐的机会。
Eric：我们要坚持高信念、高投入和伙伴关系，只是把寻找机会的范围扩大。
Patrick：硬件和软件最大的差别是什么？
Eric：软件公司如果建立在 AWS 上，往往可以掌握自己的软件栈。
Eric：硬件公司不行。
Eric：它们有完整供应链，还会受到 HBM、DRAM、TSMC 和地缘政治的影响。
Eric：所以你不只需要判断团队和产品，还需要在宏观时机上获得一些运气。
Eric：但如果你一直和极其特殊的人一起追逐极其特殊的机会，运气会更容易出现。
Patrick：你怎么看公司上市？
Eric：上市会带来新的机会。
Eric：公众信任、透明度和更强的融资能力，都可能成为重要资源。
Eric：对 AI 实验室来说，上市最终可能是有意义的，因为它们需要大量资本。
Eric：上市也可能对世界和美国有好处，因为公众市场会要求更高透明度。
Eric：当然，也有少数公司已经大到不需要上市，它们有很多自由现金流，执行得也很好。
Eric：但很多公司错过了窗口。
Eric：AI 原生公司的增长速度吸走了所有关注和资本，旧公司很难再获得同样的注意力。
Patrick：Benchmark 内部现在最大的争论是什么？
Eric：AI、基础模型、基础设施、应用和生态系统之间，价值到底在哪里积累，护城河在哪里，这是一个真实的争论。
Eric：商业模式也在变化。
Eric：AI 可能带来新的设计模式，也可能让软件从按席位收费转向按结果收费。
Eric：我相信云服务商会有赢家，Neocloud 也会有赢家，推理服务、NVIDIA、专用芯片和边缘推理也会有赢家。
Eric：但这绝不意味着每一家做这些事的公司都能成功。
Eric：实际上，大多数公司都会失败。
Eric：所以差异化比过去更重要。
Eric：每一家公司都必须把自己的判断推到逻辑极限，而不是只做一个相似的版本。
Patrick：你最近特别关注什么？
Eric：有些非常聪明的人，会对大规模失业下非常确定的结论。
Eric：Geoffrey Hinton 曾经说过，既然 AI 会更好地读取影像，就不应该继续培养放射科医生。
Eric：他的技术判断方向可能是正确的，但现实结论可能完全错误。
Eric：放射科医生每天要看 X 光、CT、MRI，还要看身体不同部位的各种情况。
Eric：如果 AI 只解决一个非常具体的 CT 任务，它只覆盖医生当天二十或四十项任务中的一项。
Eric：问题一是，你未必有足够的数据训练它。
Eric：问题二是，医疗行业的报销体系、责任体系和医疗事故风险都要处理。
Eric：最终更可能出现的，是 AI 帮助医生提高吞吐量，医生和 AI 各做一部分，并相互检查。
Eric：这会先形成一种副驾驶关系，然后才可能逐步扩大 AI 的责任范围。
Eric：我的观点是，技术能力可以是真的，但如果你不把数据、工作流、支付和责任放进现实世界，最后仍然可能得出错误结论。
Patrick：Eric，和你聊市场与公司总是很痛快。谢谢你。
Eric：谢谢。
References
- 1Colossus 官方单集页colossus.com
- 2TechCrunch：Eric Vishria 与 Cerebras 的硬件投资经历techcrunch.com
- 3完整原始音频traffic.megaphone.fm
Comments
Sign in to comment.