沙堡时代：AI 赢家的画像变了——投资人 Eric 谈算力、云与机器人

关联

人物 Patrick O’Shaughnessy · Eric Vishria

公司 Fireworks · Sierra · Sunday Robotics · AWS · Cursor · NVIDIA

概念 推理 · AI 能力的锯齿状边缘 · 开源模型 · SaaS · 数据库 · 预训练 · 后训练 · CPU · 深度学习 · 能源

这一集是《Invest Like the Best》的主持人 Patrick O’Shaughnessy 与一位他称其为 Eric 的资深风险投资人聊 AI 时代的投资逻辑——Eric 每年只投一到两家公司，十二年总共投了 18 家，Fireworks、Sierra、Cerebras、Sunday Robotics 都在他的组合里。最抓人的一个观察是：同一个开源模型、同样的 NVIDIA 硬件，Fireworks 跑出来的性能是一家云服务商的 5 倍，吞吐量还高出好几倍——这背后藏着他本集反复回归的一个母题：市场比所有人想的都大，而老经验大多不再适用。

模型推理是真功夫，不是大宗商品

从外面看，跑开源模型像是转手转卖的规模生意。但 2 万亿到 4 万亿参数的模型，跑起来非常难，高效地跑更是超级难。Fireworks 这类公司付着云服务商的利润率还能在其之上赚钱，唯一的解释就是：这是一门需要大量特定专业知识的手艺，远不是大宗商品 。

由此引出他最爱讲的 AWS 历史课。AWS 推出 S3 和 EC2 后,贝佐斯曾大谈 AWS,投资者的反应很不好——把当时最聪明的 30 个投资者关进房间问「AWS 是不是一门有好利润率的好生意」，他会 30 个全输。

2014 年的叙事是「AWS 要吃掉一切，企业级没有机会了」，结果这个论点错得离谱：Snowflake 在 Amazon 上面比 Amazon 还 Amazon,Databricks、Confluent、Elastic、Mongo 都起来了，应用层还有 Datadog——今天是 1000 亿美元的公司；三大云之外还长出了 Cloudflare 这个又一个 1000 亿美元公司。结论：大家犯的最大错误就是低估了市场。

市场大到单一厂商根本吃不完，「一家公司包揽一切」的观点不成立——今天说「Anthropic 会做所有事」，和当年如出一辙。而这次的扩张速度还远快于当年云的扩张 。

【背景】AWS 于 2006 年推出 S3 和 EC2;2007 年贝佐斯在股东信中大谈 AWS。

需求侧也在押韵：2012-2014 年 Snapchat 一度占 GCP 的 40%,就像今天 Cursor 占这些平台的 30%。但有一个深刻的不同——当年的蓝筹企业对云是不屑和怀疑，现在的企业想要 AI、在做实验、在花钱，「它们没有不屑一顾」，甚至更多把它当机会(或威胁)而非玩具。帮企业跨过这道坎有大量机会——他给被投公司的建议是：做企业的 AI 向导(AI Sherpa),横跨两个世界 。

锯齿状能力边缘与「沙堡」

聊 Sierra 时他给出了本集的核心概念。Sierra 表面是应用公司，实际在做真正的 AI 工作——贴着模型底层，理解**AI 能力的锯齿状边缘**：能力的进境不是人类那种平滑弧线，而是有的地方极强、有的地方突然掉进低谷，而且每四周就有新能力涌现。

赢家的做法是理解这条锯齿边、围绕它构建产品、随边界移动不断迭代——Cursor 从 IDE 到自动补全再到智能体化，一路在淘汰自己六个月前的工作。Brett Taylor 对此的说法是：「我们过去在造城堡，现在在造沙堡」 。

这直接颠覆了传统产品管理——「产品经理只管懂客户、把问题翻译给工程师」那一套现在行不通了。你真的必须懂模型能力擅长什么、在哪里失败，再把客户问题接上去。

他把新角色重新划成三种人：理解客户问题的人、有品味的人、理解锯齿边缘并对此好奇的人——你是工程师、产品经理还是设计师根本不重要，有这三样就会做得很好 。有点讽刺：模型 supposedly 在夺走技术优势，但懂技术的回报反而在上升。

竞争前沿整体漂移：以数据库为例

他对「大家会用 vibe coding 自己写软件取代 SaaS」的说法非常不屑——那根本不是 SaaS 的风险。真正的风险是竞争前沿完全转移了：你过去赖以取胜的东西，不再是将来让你取胜的东西。

拿数据库举例。数据库曾是黏性惊人的好生意，因为应用开发者绑定专用接口、数据越积越多、迁移是个巨型工程。

现在：针对接口构建的是 Claude 或 Codex 而非人类开发者；数据库接口规定得极其清晰，而 AI 恰恰最擅长规定清晰的事；智能体永不厌倦把一份规格翻译成另一份。于是数据库迁移——软件业头号「千万别碰」的事——变得近乎小事一桩。变的不是「数据库没用了」，而是赢家的标准变了：从零到无穷的扩展性、成本、可迁移性成了裁判 。

「你每达成一天计划，就在摧毁价值」

这直接引出他给 SaaS 公司的狠话：「转向 AI,或者只值三倍收入」。更切身的是那种会上的场面——你每达成一天计划，你就在摧毁股权价值。

我们整个职业生涯学的是「定计划、狠执行、创造复利价值」，现在这套要完全反转。朋友的观察更扎心：那些年营收数亿美元的 CEO,白天 8 点到 5 点经营旧业务、晚上 5 点到 8 点搞 AI——而他们需要做的恰恰是反过来 。

具体到组织，最惨烈的例子是销售。上一代最优秀的销售领导者来到规模化 AI 公司接连彻底失败，因为他们带来的是配额容量模型——每人扛多少配额、先西海岸后东海岸铺区域。

但这套模型不知不觉间全是「推动需求」；而 AI 公司在卖魔法，你是第一个卖魔法的人，根本不是这个打法——他见过单个销售代表做到一千万、两千万、三千万，最近还见过五千万的。所以面试高管时他的口头禅是：把包袱全留在门外，从第一性原理重新学。

那谁是最好的销售？「任何一家这种公司里最好的销售人员都是创始人」——做的事就是把锯齿状前沿与客户的能力衔接起来 。

Cerebras:硬件投资的全部学费

2016 年，五个创始人加一份 BP 找上门，他本来不想去——公司十年没碰过半导体了。第一张幻灯片说：GPU 对深度学习其实很糟，只是碰巧比 CPU 好一百倍。

那时是 Transformer 出现之前，OpenAI 还是个奇怪的研究实验室，NVIDIA 市值约 400 亿而非 4 万亿。他的判断框架到今天没变：硬件上加速深度学习只有三条路——加核心数量、加核心间通信、把内存搬到算力旁边，Cerebras 的晶圆级芯片(45 万核心、约 20 G 片上 SRAM)是把三条全部推到逻辑极限 。

但真正的学费在后面：软件领域有了逻辑框图就完成了 80%,硬件只完成了 2%——剩下的是物理定律和 30 多家供应商的整条供应链。仿真结果就是屋顶线(roofline,性能的理论上限)，之后几年全是苦磨着从屋顶线的 10% 往上爬。

2019 年董事会会议上芯片正在熔化，已经融了约 5 亿美元，他心想「这钱要全亏了」——那个团队硬是做成了，今年 5 月上市。他 总结的判断依据：此前每一代计算(CPU、图形、网络、移动)都因新负载+新约束催生了一家新的千亿美元公司；AI 负载从 GPU 的并行性获益巨大，但 GPU 没解决核心间通信这个新约束——这就是专用芯片的机会。而他认为第六代正在到来：LLM 在加速器上生成代码，代码跑在 CPU 上，而经典 CPU 拖着一堆可能不再需要的包袱，新的 CPU 路线有了空间(他们做了一笔未公布的投资)。

他由此总结出「富有成效的天真」：专家永远会告诉你别做——太难了、基础成功率太低、年轻人做不了，这些刻板结论 100 次里对 99 次，但创业恰恰活在「除非它不对」的那一次里。一句他喜欢的老话：「如果不成，会是因为合伙人说的那些原因；如果成了，会是因为那些原因不起作用。」

机器人：关键是训练流水线，不是任务

机器人永远还差十年——但这次有了不一样的东西。受控环境中的重复任务基本已解决，难的是真实环境里的杂乱任务，而这需要 AI 加机器人。

核心难题是机器人没有「互联网」：LLM 靠海量互联网数据引导启动，机器人没有对应物。各家的尝试(视频、模拟、遥操作)里，他认为最有趣的思路是先只追高价值数据——正如模型公司当年给 Wikipedia、GitHub 之类更高权重。

预训练出好基座之后，再用极少量的后训练样本教会新任务——这正是 LLM 的魔法，而它正在机器人领域复现。他们投的 Sunday Robotics 走的就是这条路，机器人手与采集数据用的手套协同设计、完美匹配，数据可迁移性极好 。第一次尽调是在 Stanford 实验室地下室看一个粗糙的纸板手套；上次看演示，他们办公楼地下室里十几台机器人在随意叠衣服，还有人拿尺子量衣服、建立严格的评估基线——「天哪，这正在成真」。

至于「会不会造出找问题的解决方案」，他不怕：任务本身不重要(叠衣服恰好复杂、需要灵巧操作、又不赶时间)，重要的是你有没有预训练出出色的模型、后训练的飞轮能不能转起来——飞轮转起来，任务能力会自己翻倍 。历史参照是自动驾驶：Waymo 和 Tesla 都是垂直整合地收集高质量数据、预训练、再泛化。

两个真担忧：能源，与「聪明人的错误结论」

对「智能需求无限、瓶颈只是资本」的讨论，他说自己担心的不是宏观而是能源。模型做的事就是把算力高效地转化为智能，对智能的需求看起来无限，那么算力需求就会持续增长，而算力需要大量能源——中国明年新增的能源可能是美国的十倍。

如果能源是瓶颈，我们能源少，就会智能更少、token 更贵，这非常糟糕。解法没什么花哨的：太阳能、核能、天然气，全都去做 。

第二个担忧更精妙，他拿 Jeff Hinton 2016 年「应该停止培养放射科医生」开刀。Hinton 比他聪明三个数量级，却错得不能再错——但引导他得出结论的过程 100% 正确：AI 确实能更好地读片。

问题在于放进现实世界：训练数据集根本不存在(放射科医生每天看 X 光、CT、MRI 的几十种检查，攻胸部 CT 的 AI 只解决其中一环)；整个医疗行业围绕为读片付费而建立，还有责任与医疗事故问题。结局更可能是 AI 与医生互查的副驾驶格局慢慢演进——而在这期间，由于影像成本下降的杰文斯悖论效应，我们需要更多放射科医生，不是更少。聪明人理解能力、理解数据，却因没把数据放进现实应用而得出错误结论——他认为大规模失业的预言几乎是同一个局面 。

什么样的赢家、什么样的伙伴

回到跳球时代的赢家画像：Brendan、Fireworks 的 Lynn、Max、Brett——共同点是对「评估标准是什么、在优化什么」极其敏捷，业务不断演进，与「定计划狠执行」的旧训练完全相反。

【背景】Brendan 指 AI 招聘公司 Mercor 的创始人 Brendan Foody；此公司归属为模型背景知识，原转写稿中未见「Mercor」一词。

被问到为什么几乎所有人都说他是最好的董事会伙伴，他的回答是：他是第二位的投资人、第一位的伙伴。有些「投资级机会」投了大概率赚钱，但伙伴不投——除非有真正的化学反应、能互相喂养彼此的循环。

Benchling 在 12 个月里遭遇了七年的客户流失，那场磨砺里他全程都在。他意识到自己的工作很大一部分是：创始人其实知道答案，他要做的只是提问，帮他们巩固信念和表达。每年做几次好 1% 的决策，十年复利成真实成果 。

他投资前的自问清单也很具体：能不能说服一个我在乎的人去这家公司、并诚实地说服自己这可以是他们毕生的事业？做不到就不投。

周六晚上 9 点这个人打来电话，我会接吗？以及：如果我们是对的，有人在乎吗？——很多事你可以做对，但没人 care 就做不出股权价值。

关于时隔多年重募成长基金，他的框架是：历史上「早期投资」和「高现金回报倍数」在维恩图上几乎完美重叠；近几年因为结果变得足够大，高回报机会的圆已经大于早期那一圈——你可以说我们晚了几年，我接受这个批评，但机会向前看依然存在 。对上市他同样直白：大学运动员想去职业赛场，公司也一样——除了三四家靠自由现金流撑起来的例外，其他人都该走出去；而约 500 家营收 1 亿到 5 亿美元的私有 SaaS 公司，员工没机会卖股、投资人没机会退出，AI 原生公司吸走了房间里所有氧气，窗口期已被错过。

合伙公司内部最大的争论是价值积累：基础设施、应用、基础模型，价值在哪积累、护城河在哪、多少流向实验室和半导体公司。他的答案是一连串的「会」：CSP 会好，一部分 NeoCloud 会好，Fireworks 会好，NVIDIA 会好，一部分芯片初创会好，边缘推理会有，数据中心大模型会有——太多零和思维了，但「一切都会成」不等于每家公司都会成：恰恰相反，每个领域里的大多数公司都不会成，所以真正的差异化比以往任何时候都重要 。

本集带走

• 看一家 AI 基础设施公司，先问「为什么跑得比别人快 5 倍」：同样的开源模型和硬件，性能差 5 倍、吞吐差几倍——推理是一门有真实专业壁垒的生意，不是转卖算力的大宗商品。
• 用人新标准是三样东西：理解客户问题、有品味、理解 AI 能力的锯齿状边缘并对此好奇——头衔(工程师/产品经理/设计师)不重要。
• 判断竞争变化，别问「这个品类还活不活」，要问「赢的标准变了没有」：数据库没死，但黏性和接口锁定不再是胜负手，扩展性、成本、可迁移性才是。
• 旧 playbook 的危险在于它是对的太多次：配额容量模型、定计划狠执行、白天旧业务晚上搞 AI——这些肌肉记忆在 AI 公司里全是负资产，要「把包袱留在门外，从第一性原理重学」。
• 判断大预言要过「现实世界关」：技术判断可以全对(放射科 AI 确实读片更强)，但数据是否存在、行业怎么付费、责任归谁——不把这些算进去，聪明人也会得出相反的结论。
• 投资/择业的自问清单：这能是某个人毕生的事业吗？周六晚 9 点来电话我接吗？如果我们对了，有人在乎吗？以及高尔夫类比——把球不断打到洞边，一杆进洞是运气，但你确实可以增加自己的运气。

Fireworks 和一家云服务商之间的性能差距大概是 5 倍。
The performance difference for a fireworks versus a cloud provider is like 5x.
—— Eric Vishria · [03:28]

对我来说，结论是：这里有很多零和思维，没有意识到事情能有多大。如果这一切都成了呢？
The takeaway to me is, oh, there’s just a bunch of zero sum thinking and not realizing like how big. What if it all works?
—— Eric Vishria · [07:42]

我们过去是在建造城堡，现在我们在建造沙堡。
We used to be building castles. Now we’re building sandcastles.
—— Eric Vishria · [13:21]

我认为这实际上是从过去产品开发的运作方式到现在的产品开发方式的完全颠倒。
I think it’s actually a complete inversion of how product development used to work to how product development happens now.
—— Eric Vishria · [13:58]

SaaS 公司的问题在于竞争前沿完全转移了。
The issue with SaaS companies is the competitive frontier completely shifted.
—— Eric Vishria · [17:56]

于是现在突然之间，数据库迁移——软件业里你头号不该做的事——变得……
So it turns out that now, all of a sudden, database migration, which used to be the number one thing you would not do in software, is like…
—— Eric Vishria · [19:05]

你每达成一天的计划，你就在摧毁股权价值。
Every single day that you are hitting your plan, you are destroying equity value.
—— Eric Vishria · [21:16]

说实话，这些公司里任何一家的最佳销售人员都是创始人。
Honestly, the best salesperson in any of these companies is a founder.
—— Eric Vishria · [26:46]

就像我们之前谈云计算时说的，我认为所有人犯的最大错误就是他们只是低估了市场。
Just like we were talking about with cloud, I think the biggest mistake everybody made was they just undersized the market.
—— Eric Vishria · [26:59]

但对我来说更重要的事情是，我认为中国明年新增的能源是我们的十倍，在美国这里。
But the bigger thing to me is that I think China’s bringing on 10 times as much energy next year as we are in the US.
—— Eric Vishria · [28:28]

在软件领域，如果你有了那个逻辑框图，你基本上已经完成了 80%,剩下的就是进入市场的执行问题。而在硬件领域，你才完成了大概 2%。
In software, if you have that logical block diagram of like why it works and everything else, you’re kind of 80% of the way there. And it’s a matter of go to market execution. In hardware, you’re like 2% of the way there.
—— Eric Vishria · [32:22]

它们四次里有三次是不对的。它们二十次里有十九次是对的，也许一百次里有九十九次。
They’re not correct three times out of four. They’re correct 19 times out of 20, maybe 99 times out of 100.
—— Eric Vishria · [38:32]

我是第二位的投资人，我努力首先成为一名伙伴。
I’m an investor second and I try to be a partner first.
—— Eric Vishria · [46:46]