这篇讲的是AI投资新思路：AI公司的优势不靠传统“护城河”（比如软件难做），而是靠“数据反馈循环”——用户用得越多，数据越多，模型越准，用户就越离不开。作者Ash Fontana看好B2B领域的AI公司，认为从零做AI的公司比后期转型的大公司更有优势。他重点提了三个标的：Tractable（车险理赔AI，准确度已超人类）、Lilt（企业翻译，用户可纠正翻译让模型实时改进）、Focal Systems（实时库存管理，用摄像头+人工标注检测差异）。
Ash Fontana（Zetta管理合伙人）在《Invest Like the Best》EP.90中探讨了AI投资策略。核心观点：AI公司的竞争优势来自“loops”（数据反馈循环），而非传统护城河。Fontana强调，数据本身是“愚蠢的”，但优质数据集能成为伟大公司的燃料。他提出AI公司框架的关键在于反馈机制，并认为从零构建AI的公司（而非后期转型）将占据显著优势。他聚焦B2B AI企业，评估数据集时注重其独特性与可循环性。报告还讨论了AI监管、如何防止被竞争对手超越，以及AI模型这一无形资产的估值难题。Fontana看好金融领域AI应用，并列举了其青睐的AI公司案例。
Ash Fontana（Zetta管理合伙人）在《Invest Like the Best》EP.90中探讨AI投资策略。核心观点：AI公司的竞争优势来自"loops"（数据反馈循环），而非传统护城河。Fontana强调，数据本身是"愚蠢的"，但优质数据集能成为伟大公司的燃料。他提出AI公司框架的关键在于反馈机制，并认为从零构建AI的公司（而非后期转型）将占据显著优势。他聚焦B2B AI企业，评估数据集时注重其独特性与可循环性。报告还讨论了AI监管、如何防止被竞争对手超越，以及AI模型这一无形资产的估值难题。Fontana看好金融领域AI应用，并列举了其青睐的AI公司案例。
Ash Fontana认为，AI公司的持续竞争优势不来自传统护城河（如软件难构建），而来自"virtuous loop"（良性循环）——数据、模型与用户反馈三者相互强化的闭环。
Fontana指出，传统SaaS的护城河正在消失："软件曾经很难构建……但现在有太多乐高积木（API、云服务）可以拼凑，不再需要高级计算机科学家的技能。"（意即：构建软件的壁垒已大幅降低）
他提出，AI公司的真正护城河是"loop"——一个自我强化的反馈系统。具体而言：
Fontana强调，单一数据集+单一模型不可持续，因为数据可能过时、可替代或维度不足。"如果你只有一个数据集、一个模型，迟早会有人来打败你。"
Fontana提出评估数据集的五个维度，帮助判断其长期价值：
| 维度 | 定义 | 理想特征 |
|---|---|---|
| 独特性 | 获取难度 | 难以获取、难以复制 |
| 可替代性 | 是否可用类似数据集替代 | 不可替代 |
| 维度性 | 变量数量 | 多变量（如年龄+性别+收入+...） |
| 广度 | 覆盖人群/场景范围 | 广泛且有代表性 |
| 时效性 | 数据过时速度 | 取决于获取方式：独家持续获取的时效性高数据有价值；一次性获取则希望低时效性 |
Fontana补充："我们看公司时会记录它们在每个维度的排名。真正难的是评估数据对某个问题的预测能力，以及这种预测如何转化为竞争优势。"
Fontana提出评估AI模型的四个关键要素，决定其能否形成"runaway advantage"（失控式优势）：
1. 准确度阈值：模型是否达到或超越人类水平？是否有提升路径？
2. 数据临界质量：需要多少数据才能达到有效预测？如果只需少量数据，竞争对手容易追赶
3. 收益形状：凸性（预测正确收益大，错误成本低）还是凹性（错误成本灾难性）？
4. 稳定性：随时间推移，模型是否会因数据偏差产生"疯狂行为"？（如微软Twitter机器人变种族主义者）
Fontana强调："一旦这四个要素都到位，你就有了失控式优势，快速追随者根本没有机会。"
Fontana认为，从创立第一天就围绕AI设计的公司，相比后期转型的巨头，拥有三大结构性优势：
1. 产品设计：AI原生公司从第一天就设计"收集用户反馈数据"的界面，而非仅提供功能
2. 数据权利：AI原生公司从第一天就与客户签订数据共享协议，而Salesforce等老牌公司当年承诺"不碰客户数据"，现在需要重新谈判
3. 市场定位：AI原生公司从一开始就告诉客户"我们在一起，你从所有人的数据中受益"
Fontana以Salesforce为例："当Salesforce进入市场时，他们说服客户将数据放入云端，承诺'我们不碰你的数据'。20年后，当数据变得极其宝贵时，他们不得不回去重新谈判。"
Fontana将AI技术采用分为四个阶段，每个阶段的风险-收益特征不同：
| 阶段 | 描述 | 示例 | 风险特征 |
|---|---|---|---|
| 消费者AI | 低风险推荐（10年前已开始） | Netflix推荐、Google搜索 | 错误成本极低 |
| 工作场所AI增强 | 辅助决策（2010-2012年开始） | Inside Sales（CRM推荐） | 错误成本低，正确收益大 |
| AI赋能 | 改变工作流程，AI做决策+人类监督 | Tractable（车险理赔） | 错误有实际影响 |
| AI自主 | AI做人类无法做的决策（未来3-5年） | 能源电网优化、医疗诊断 | 错误可能灾难性 |
Fontana表示："我们的工作是时机选择。如果市场还没准备好，公司就不会成功。目前我们大部分时间花在第三阶段，同时为第四阶段做准备。"
Fontana解释为何Zetta只投B2B AI公司，有两个核心原因：
1. 需求可演绎："B2B投资更像科学——你可以打电话给GE或Pfizer，问'这个产品你会用吗？预算多少？谁批准？'然后就能判断需求。消费者投资则要预测人们的欲望和趋势，这很难。"
2. 数据所有权："大多数B2C数据集已经被Facebook、Google、Netflix等巨头拥有。要获得足够大的消费者数据集非常困难。"
Fontana补充："最令人惊讶的是，技术公司失败的主要原因不是技术难建，而是需求判断错误。B2B让我们能更准确地演绎需求。"
Fontana承认，AI模型作为无形资产的估值仍处于早期阶段，目前主要依赖人才价值而非模型本身。
"今天，大多数AI公司按人才估值——一个来自顶尖研究机构的机器学习PhD价值500万到2000万美元。这不是愚蠢的，这些人确实能为大公司创造远超这个数字的价值。"
Fontana正在研究如何量化AI模型的"残值"："我上周就在读Michael Mauboussin关于衡量护城河和ROIC的论文，试图将其应用于数据和AI。目前买家在尽职调查中会尝试将模型应用于自己的数据，看它能否解决某个问题——比如自动驾驶公司测试初创公司的行人识别模型是否能融入自己的模型栈。"
Fontana预测："未来会出现类似SaaS的LTV/CAC指标来评估AI模型。那时我就不再投资这个领域了——因为那意味着它变成了商品。"
Fontana强调，防止"快速追随者"的关键在于识别和等待"virtuous loop"形成的正确时机。
他提出一个风险调整后的投资时机框架：
Fontana以Tractable为例："达到人类准确度花了近3年，但达到超人类准确度只花了几个月，最后5%的完美准确度只花了数周。那一刻我知道——游戏结束了，我停止关注竞争对手。"
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Tractable | 看好（已投资） | 车险理赔AI；达到人类准确度3年，超人类准确度数月，最后5%数周 |
| Lilt | 看好（已投资） | 企业级翻译；用户可纠正翻译，模型实时重算 |
| Focal Systems | 看好（已投资） | 实时库存管理；购物车摄像头+人类标注+差异检测 |
| Inside Sales | 看好（已投资） | CRM推荐系统；数百亿数据点，预测最佳呼叫时间 |
| Numerai | 看好（已投资） | 金融数据+众包预测模型+代币激励 |
| ClearBit | 看好（已投资） | Gmail扩展收集数据，通过API提供公司信息 |
| Cambridge Cancer Genomics | 看好（已投资） | 化疗中期疗效预测，目标函数：周度治疗有效性 |
| Invenia | 看好（已投资） | 优化美国五大电网的日前供需预测 |
| Salesforce | 风险提示（作为反面案例） | 因早期承诺"不碰客户数据"，现在难以转型AI |
| Google/Amazon/Facebook/Netflix | 中性（作为背景） | 拥有大部分B2C数据集；对小型垂直市场不感兴趣 |
1. "竞争优势从'软件难建'转向'数据循环'"（Ash Fontana）——传统SaaS护城河正在消失，因为构建软件变得容易；新的护城河是"virtuous loop"：数据→模型→用户反馈→更多数据→更好模型。
2. "AI公司评估四要素：准确度阈值、数据临界质量、收益形状、稳定性"（Ash Fontana）——这四个要素决定一个AI模型能否形成"runaway advantage"；一旦全部到位，快速追随者"根本没有机会"。
3. "AI原生公司vs转型公司：三大结构性优势"（Ash Fontana）——产品设计（从第一天就收集反馈数据）、数据权利（从第一天就共享数据）、市场定位（"我们在一起"），三者缺一不可。
4. "数据集评估五维框架：独特性、可替代性、维度性、广度、时效性"（Ash Fontana）——前四个维度方向明确（越强越好），但时效性取决于获取方式：独家持续获取的高时效数据有价值，一次性获取则希望低时效。
5. "AI采用四阶段：消费者→工作场所增强→AI赋能→AI自主"（Ash Fontana）——风险从低到高，目前大部分机会在第三阶段（AI做决策+人类监督），第四阶段（AI做人类做不到的决策）还需3-5年。
6. "B2B投资更像科学，消费者投资更像艺术"（Ash Fontana）——B2B可以通过直接询问客户验证需求（"你会用吗？预算多少？"），而消费者需求难以演绎；且B2C数据集已被巨头垄断。
7. "AI模型估值目前按人才而非模型本身"（Ash Fontana）——一个顶尖机器学习PhD价值500-2000万美元；模型估值仍处早期，未来会出现类似SaaS的LTV/CAC指标。
8. "投资时机选择：在virtuous loop形成前等待，但不要等到竞争对手进入"（Ash Fontana）——准确度差几周可以等，数据临界质量差百万点要等更久，价值验证差12个月风险更大；必须在竞争对手进入前完成投资。