这篇讲的是投资人Eric Vishria十年投资软件和硬件的经验，核心观点是：AI发展比云计算快得多，但市场太大，不会只有一家公司赢。他认为AI会像云计算一样，出现几个大赢家和很多小赢家。他看好Fireworks（运行AI模型比别人快5倍）、Sierra（做长期运行的AI助手）和Cerebras（做超大芯片，2016年投的，差点亏光）。他还提醒，老一套的销售方法在AI公司不管用了，因为AI公司卖的是“魔法”，单个销售就能做几千万美元。
Benchmark合伙人Eric Vishria在播客中分享十年软件与硬件投资经验，核心观点是历史规律可指导AI投资。他以AWS崛起类比AI采用曲线，指出AI正经历类似云计算的“零和思维陷阱”，但企业级AI采用速度更快。他投资了Fireworks、Sierra和Cerebras，强调创始人需从“构建沙堡”转向技术深度，旧有增长策略失效。重要结论包括：能源成为AI发展的“绑定约束”（binding constraint），Cerebras在硬件领域展现优势；董事会伙伴需具备“生产性天真”（productive naivete）；最佳上市理由是基于长期价值而非短期套利。他还提到，Geoff Hin
Eric Vishria（Benchmark 普通合伙人）在播客中分享十年软件与硬件投资经验，核心观点是历史规律可指导 AI 投资。他以 AWS 崛起类比 AI 采用曲线，指出 AI 正经历类似云计算的“零和思维陷阱”，但企业级 AI 采用速度更快。他投资了 Fireworks、Sierra 和 Cerebras，强调创始人需从“构建沙堡”转向技术深度，旧有增长策略失效。重要结论包括：能源成为 AI 发展的“绑定约束”（binding constraint），Cerebras 在硬件领域展现优势；董事会伙伴需具备“生产性天真”（productive naivete）；最佳上市理由是基于长期价值而非短期套利。他还提到，Geoff Hinton 对 AI 风险的某些观点可能被误判。
Eric Vishria 认为，当前 AI 市场正重演 AWS 早期阶段，但采用速度更快，且“零和思维陷阱”是最大误判。
历史脉络： 2006 年 AWS 推出 S3 和 EC2，2007 年 Bezos 在年度信函中强调其重要性，但投资者反应冷淡。Eric 回忆：“如果你在 2007 年把 30 个最聪明的投资者关在一个房间里，问他们 AWS 能否成为一项有持久高利润的业务……我猜你会得到 0/30 的答案。”到 2014 年，叙事完全反转——市场普遍认为“AWS 会吞噬一切”，包括数据库、基础设施甚至应用层。
机制拆解： 事实证明，AWS 并未吞噬一切。Snowflake（直接与 Amazon Redshift 竞争，却运行在 AWS 上）、Confluent、Elastic、MongoDB、Databricks 等基础设施公司，以及 Datadog（$1000 亿市值）等应用层公司，都在 AWS 生态中蓬勃发展。最终市场形成 AWS（约 40%）、Azure（约 30%）、GCP（约 20%）的寡头格局，外加 Cloudflare 等另类云提供商也达到 $1000 亿市值。
推演： Eric 认为 AI 市场同样如此。“Anthropic 会做所有事？真的吗？……那个‘一家公司会吞噬一切’的观点站不住脚。”他判断，AI 将产生多个 $1000 亿级赢家，而非单一垄断者。证伪条件：若某家 AI 公司能在能源、芯片、算法、基础设施等所有维度同时实现绝对领先，则可能打破这一判断。
Eric Vishria 判断，能源供给将成为 AI 发展的最大瓶颈，其重要性超过芯片或算法。
数据链： “模型本质上是在将算力转化为智能。对智能的需求似乎是无限的……那么我们需要什么？需要能源，大量的能源。”他指出，中国明年新增的能源产能是美国的 10 倍。“如果能源是算力的瓶颈，而智能需求无限，那么能源更少意味着智能更少、token 更少或 token 更贵。”
机制拆解： 能源约束将通过 20 种不同方式显现——燃气轮机、天然气、太阳能、稀土等。Eric 认为政策应“全力发展所有能源：太阳能、核能、天然气，什么都做”。他承认自己“不够聪明，无法预测哪种能源会胜出”，但相信市场会自行调节。
推演： 若能源瓶颈无法缓解，AI 推理成本将上升，抑制需求。证伪条件：若核聚变或下一代电池技术实现突破性成本下降，则能源约束可能解除。
Eric Vishria 以 Cerebras 为例，说明硬件投资需要“生产性天真”——如果完全了解难度，就不会投资。
历史脉络： 2016 年，Cerebras 以 5 位创始人和一份 PPT 出现。Eric 最初不想参加路演（“为什么我们要去做硬件投资？这太疯狂了”），但创始人的第一张幻灯片打动了他：“GPU 实际上对深度学习很糟糕——它们只是恰好比 CPU 好 100 倍。”当时 NVIDIA 市值仅 $400 亿（非 $4 万亿），TPU 尚未发布。
机制拆解： Eric 理解加速深度学习的三个硬件维度：增加核心数、增加核心间通信、将内存靠近计算。Cerebras 的晶圆级芯片在这三个维度都做到极致——450,000 个核心、20GB 片上 SRAM（无需离片取内存）、核心间通信最大化。但硬件与软件不同：“在软件中，如果你有逻辑框图，你就完成了 80%。在硬件中，你只完成了 2%。”从 2016 年到 2019 年拿到首颗芯片，再到 2020 年首次运行，经历了 14 步“bring-up”过程。
推演： Eric 认为 AI 是继 CPU、GPU、网络芯片、移动芯片之后的第五代计算工作负载，每个世代都诞生了 $1000 亿级公司（Intel、NVIDIA、Broadcom、Qualcomm/Arm）。他暗示第六代正在到来——新的 CPU 架构，因为 LLM 生成的代码需要 CPU 运行，而传统 CPU 背负了太多历史包袱。
独到判断： “2019 年，我们在董事会会议上，这东西在熔化……我们已经筹集了 $5 亿。我想，‘我们要失去所有这些钱了。’”但团队最终成功。Eric 强调：“无论 Cerebras 成功与否，这都是值得风险投资的事业——尝试别人 50 年来未能做到的事。”
Eric Vishria 认为，AI 时代彻底改变了竞争标准，创始人必须拥抱“沙堡心态”——每 6 个月推倒重来。
机制拆解： 以数据库为例。传统数据库的护城河在于：开发者针对特定接口构建应用、数据随时间积累、迁移数据库极其困难。但 AI 改变了这一切：AI（如 Claude 或 Codex）而非人类开发者与数据库接口交互；数据库接口是高度规范的，AI 擅长规范任务；代理不会厌倦单调的迁移工作。“数据库迁移——曾经是软件中你最不想做的事——现在变得几乎微不足道。”
数据链： Eric 引用 Benchmark 合伙人 Bri 的观点：“一切都在跳球状态。”他警告 SaaS 公司：“你有一个选择：拥抱 AI，或者值 3 倍收入。”2021 年 SaaS 公司交易在 30 倍收入，现在约 6 倍——即使收入增长 4 倍，市值反而更低。
推演： 成功创始人的特质已变。Brendan（Cursor）、Lin（Fireworks）、Max 和 Brett（Sierra）的共同点是“对评估标准极其灵活”。Eric 观察到，许多来自上一代的优秀高管在 AI 公司“完全失败”，因为他们的经验不再适用。例如，传统销售采用“配额容量模型”（每个销售代表 $120-150 万配额），但 AI 公司“销售的是魔法”——有销售代表做到 $2000-3000 万，甚至 $5000 万。
证伪条件：若模型能力进步速度显著放缓（如从“每 4 周”变为“每 2 年”），则“沙堡心态”可能不再必要。
Eric Vishria 认为，优秀的董事会伙伴不是给出答案，而是通过提问帮助创始人将决策优化 1-2%。
机制拆解： Eric 被多位创始人评为最佳董事会伙伴。他的方法包括：
推演： Eric 强调，投资决策需区分“投资级机会”和“合作伙伴级机会”。“一个投资者会做前者。一个合作伙伴不会——因为那不足以成为合作伙伴。除非你与那个人有真正的化学反应……否则你无法成为合作伙伴。”
Eric Vishria 以放射学为例，说明技术能力不等于实际应用，Hinton 对 AI 风险的某些结论可能过于简化。
数据链： 2016 年，Hinton 宣称“我们应该停止培训放射科医生，AI 会做得更好”。Eric 认为 Hinton 的“前提 100% 正确”——AI 确实能比人类更好地读取放射影像。但实际落地面临三个障碍：
1. 数据问题：没有聚合的训练数据集。公司只能针对特定部位（如胸部 CT）训练 AI，但放射科医生每天要读 20-40 种不同类型的扫描。
2. 行业结构：医疗行业围绕“医生读片报销”构建，AI 读片的报销和法律责任问题未解决。
3. Jevons 悖论：成像成本下降导致需求增加，反而需要更多放射科医生。
推演： Eric 认为，AI 最终会以“副驾驶”模式帮助放射科医生提高效率，而非取代他们。“从 A 到 B 的实际持续时间会很长。”他警告，对 AI 导致大规模失业的担忧可能犯了同样的错误——正确理解技术能力，但忽略了现实世界的采用障碍。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Fireworks | 看好（投资组合公司） | 与云提供商相比，推理速度 5x，吞吐量多倍；运行 2-4 万亿参数模型 |
| Sierra | 看好（投资组合公司） | 从客户服务扩展到 Horizon 长期运行代理；Brett Taylor 提出“沙堡”概念 |
| Cerebras | 看好（投资组合公司） | 2016 年投资，2026 年 5 月上市；晶圆级芯片含 450,000 核心、20GB 片上 SRAM |
| Cursor | 看好（未明示投资） | 曾占某云提供商 30% 流量；从 IDE 到 tab 自动补全到代理工作 |
| Sunday Robotics | 看好（投资组合公司） | 家用机器人；使用手套+机器人手垂直整合数据收集 |
| New Lantern | 看好（投资组合公司） | AI 放射学，聚焦特定部位（如胸部 CT） |
| Benchling | 看好（投资组合公司） | 生命科学 SaaS；经历 7 年累计客户流失后转型 AI |
| Snowflake | 中性（案例引用） | 在 AWS 上运行，直接竞争 Amazon Redshift |
| Datadog | 中性（案例引用） | $1000 亿市值，AWS 生态中的应用层公司 |
| Cloudflare | 中性（案例引用） | 另类云提供商，$1000 亿市值 |
| NVIDIA | 中性（背景引用） | 2016 年市值 $400 亿，现 $4 万亿 |
| Anthropic | 风险提示 | Eric 认为其“吞噬一切”的叙事可能过度 |
| Waymo | 中性（类比引用） | 垂直整合的自动驾驶数据收集模式 |
| Tesla | 中性（类比引用） | 通过车队收集驾驶数据训练模型 |
1. “零和思维是 AI 投资的最大陷阱”（Eric Vishria）——AWS 并未吞噬一切，反而催生了 Snowflake、Datadog、Cloudflare 等 $1000 亿级公司。AI 市场同样会容纳多个赢家，而非单一垄断者。
2. “能源是 AI 的绑定约束”（Eric Vishria）——模型将算力转化为智能，而算力需要能源。中国明年新增能源产能是美国的 10 倍，若美国不加速能源建设，将面临更少智能或更贵 token。
3. “硬件投资需要生产性天真”（Eric Vishria）——Cerebras 案例：如果 2016 年完全了解硬件制造的难度（14 步 bring-up、供应链、物理限制），就不会投资。但“如果它不工作，原因会如你所料；如果它工作，则是因为那些原因不重要。”
4. “从建城堡到堆沙堡”（Brett Taylor，经 Eric 转述）——AI 时代每 6 个月模型能力跃升，产品必须不断推倒重来。传统“完美基础、百年城堡”的心态注定失败。
5. “每天按计划执行，就是在摧毁股权价值”（Eric Vishria）——SaaS 公司面临选择：拥抱 AI 或值 3 倍收入。旧有“设定计划、严格执行”的范式已失效，CEO 需将 AI 从“5-8 点加班”变为“8-5 点主业”。
6. “销售魔法不能用配额容量模型”（Eric Vishria）——AI 公司销售的是“魔法”，有销售代表做到 $2000-5000 万，远超传统 $120-150 万配额。传统销售高管在 AI 公司“完全失败”，因为他们的经验基于“推式需求”而非“拉式需求”。
7. “Geoff Hinton 在放射学上的结论错了，但前提对了”（Eric Vishria）——AI 确实能比人类更好地读片，但数据聚合、行业报销结构、Jevons 悖论（成本下降→需求增加）使实际采用需要很长时间。对 AI 导致大规模失业的担忧可能犯了同样的错误。
8. “董事会伙伴的工作是让创始人每次决策好 1-2%”（Eric Vishria）——通过提问帮助创始人巩固信念，十年复利产生巨大差异。投资前需通过“绿灯测试”（周六晚 9 点会接电话吗？）和“一生事业测试”（能说服关心的人这是他们的事业吗？）。