原对话:沿提问、回答和转折完整展开 下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:00–00:26:36 连续对话 100:00:00–00:03:31 开场:Anthropic上市引发的连锁反应节目以一段预告混剪开场,点出AI发展的阶段性变化:过去五年,行业焦点是如何投入巨大资源,构建能力最强的AI模型;而未来,重点将转向如何将AI能力嵌入具体的工作流程与产业,成本与整合能力将比模型本身更重要。其中引述了嘉宾张璐的观点,例如美国某知名银行今年的AI预算已达百亿美元,以及她近期对AI监管问题的深入思考。
随后,主持人程曼祺正式介绍本期节目主题:从一级市场角度解读Anthropic的S-1招股书。她介绍了嘉宾张璐(Fusion Fund创始合伙人)的背景——过去11年深耕硅谷to B科技投资,并与Anthropic的主要客群(大企业CIO、CTO)有直接接触,因此能提供来自需求端的关键洞察。
嘉宾张璐补充说,Anthropic的上市在资本市场引发了巨大关注,甚至导致了其他原计划上市的公司推迟日程。她举例说,智能戒指公司Oura Ring在上市前一天临时取消了计划,这种情况在纳斯达克历史上极为罕见。这足以说明Anthropic此次IPO对整个市场的影响力。
S-1文件 在美国证券交易委员会(SEC)注册系统下,公司首次公开发行(IPO)时必须提交的注册登记表。它向公众和投资者详细披露公司的业务、财务状况、风险因素、管理层信息等,是投资者决策的重要依据。在本播客中,它指Anthropic向SEC提交的招股说明书。
to B “Business-to-Business”的缩写,指企业对企业的商业模式。在这段对话中,它特指为企业客户提供产品或服务的公司,与直接面向个人消费者的“to C”(Business-to-Consumer)模式相对。Anthropic被定位为一家to B公司。
锁定期 (Lock-up Period) 指公司上市后,早期投资者和内部员工在一定时期内被禁止出售其持有的公司股票。其目的是为了防止大量股票在上市初期涌入市场,造成股价剧烈波动,维持市场稳定。对话中讨论了Anthropic和SpaceX不同的锁定期设计策略。
净收入留存率 (Net Revenue Retention, NRR) 一项衡量客户留存和增长的SaaS(软件即服务)关键指标。它计算的是现有客户在特定时期内(如一年)贡献的经常性收入,与上一同期相比的变化情况,包括了客户增购(upsell)、交叉销售、降级和流失的影响。NRR超过100%意味着来自现有客户的收入在增长。本段提到Anthropic的NRR高达900%,说明其客户增购能力极强。
话题推进: 在点明Anthropic上市的重要性后,主持人通过一系列快问快答,引导嘉宾分享对招股书的直观感受。
00:03:31–00:07:59 招股书速读:客户质量、资本投入与行业拐点看完它的这份S-1文件之后,哪个信息让你会更看好Anthropic? 那有哪个信息会让你对它更谨慎吗? 你认为它这一次上市有多大几率会导致AI整个行情从盛转衰? 主持人首先提问,招股书中哪些信息让嘉宾更看好Anthropic。张璐回答,最令她印象深刻的并非收入增速,而是其高质量的企业客户数据。招股书显示,Anthropic已有超过1.1万家年消费超10万美元的客户,其中约2000家年消费超100万美元。张璐认为,这证明Anthropic已不再是单纯的技术工具,而是深度整合进企业工作流的“基础设施”,为其未来的向上销售(upsell)和持续迭代打下基础。她强调,模型性能决定了企业是否愿意“尝试”,但能否“长期留存”则取决于与现有工作流程的整合深度。
对于更谨慎看待的方面,张璐指出是“收入增长和资本投入之间的关系”。她提到Anthropic手握大量现金,融资和消费能力都很强,例如SpaceX的数据中心业务就有Anthropic这个大客户。因此,她会持续关注其经营利润率、现金流以及未来在模型训练和算力合同上的投入,这些因素将决定公司长远的商业和盈利前景。
主持人接着问,Anthropic上市是否会成为AI行情的转折点。张璐认为不会导致行情“反转”,因为AI已是不可逆的大趋势。但她指出,AI正处于一个阶段性转折点:过去五年是追求最强模型能力的“堆资源”阶段,而未来几年将转向如何将AI能力低成本、大规模地嵌入各行各业,此时成本与整合能力比模型性能更重要。Anthropic的上市恰好发生在这个转折点上,它不会逆转趋势,但会促使市场更现实地讨论AI的实际应用场景。她认为,IPO能让市场冷静下来,重新评估公司的价值与预期。虽然市场存在泡沫,但如果上市后股价表现不佳,可能会促使投资人重新评估其他高估值AI公司的定价。张璐反而认为,若市场能更理性地定价和投资,对AI创业生态的长远发展是好事。
张璐 · 00:03:55
Anthropic拥有超过11,000家年消费超10万美元的客户,其中约2,000家年消费超100万美元。
话题推进: 从对行业趋势的宏观判断,自然过渡到对Anthropic具体估值和定价的讨论。
00:07:59–00:12:52 定价博弈:1.5万亿的估值与开源模型的冲击它最后的市值会落在什么位置?最开始认为是2万亿美元,然后10月中旬又传出可能是1.5万亿美元。你自己是怎么看这个问题的?包括硅谷有些什么讨论? 主持人询问Anthropic的最终市值,提到了从2万亿美元到1.5万亿美元的预期变化。张璐回应,目前硅谷的讨论更倾向于1.5万亿美元的区间。她提到Social Capital的投资人Chamath Palihapitiya曾建议Anthropic将发行价定得低一些,以获得市场健康的反馈。她认为,较低的定价对上市后的股价良性变动有利。
张璐进一步分析,定价还需考虑路演和认购情况,以及早期投资者的退出压力。她以SpaceX为例,其上市时也未采用最高定价,并且设计了包含七个不同时间点的复杂锁定期方案来平滑股价波动。Anthropic是否会采取类似设计,也与其初始定价密切相关。
主持人补充,二级市场投资人非常关注尚未披露的10月份月度收入数据(run rate),这会影响对其年底能否达成千亿美元收入预期的判断,进而可能将估值压得比1.5万亿美元更低。
张璐对此表示理解,并回顾了市场的快速变化:年初OpenAI声望最高,夏季轮到Anthropic,而近期开源模型的崛起又让市场对Anthropic等闭源模型公司提出疑问。她引用数据指出,有报告称大企业对前沿闭源模型的使用率已从57%降至14%,而AT&T等公司公开宣布将大部分AI预算(60-70%)投向开源。此外,英伟达的黄仁勋以及她参与的联合国AI for Good委员会(成员包括Salesforce创始人等)都在大力倡导和支持开源生态。这些因素都让二级市场投资人希望看到更强劲的数据来支撑Anthropic的价值。
尽管如此,张璐个人并不认为开源的崛起会必然冲击闭源公司。她强调,AI整合正在从科技行业扩展到占据美国GDP超过50%的更广泛经济体,整个市场的“蛋糕”在不断变大。未来,市场将不再是一两家独大,而是由开源、闭源、大企业、小公司共同分享。
话题推进: 对定价和市场格局的讨论,引出了对Anthropic具体上市策略和内部情况的关注,如员工期权和上市时机选择。
00:12:52–00:17:43 上市策略:员工套现、时机选择与核心指标它这一次是说非核心员工在上市当天就可以去解禁10%的期权。这个设计它常见吗?以及它有可能带来什么影响吗? 为什么它还是选择在26年年内上市?然后另一方面,OpenAI其实是推迟了上市的时间到2027年的。就是怎么看这两种不同的选择? 你个人最关注这个招股书里披露的哪些指标和事实描述啊? 主持人提到招股书中一个特殊设计:非核心员工上市首日即可解禁10%的期权,并询问其影响。张璐承认这可能带来股价波动的压力,但她认为这也反映了Anthropic对员工的信心。她分析,Anthropic是一家相对年轻的公司,成立周期比一般上市公司短,提前给予员工部分变现的灵活性,可能反而有助于他们长期持有剩余股票。主持人补充,Anthropic有5300多名员工,且公司文化带有某种“信仰”色彩,可能实际抛售的员工会比预想的少,这反而会向市场传递内部信心的积极信号。
接着,主持人询问Anthropic为何在面临员工离职、监管讨论、增速放缓等问题时,仍选择在2026年内上市,而OpenAI却推迟了计划。张璐认为,OpenAI推迟上市,部分原因可能是其内部财务状况等尚未完全准备好。但她相信两家公司都想争夺“AI第一股”的先发优势。对Anthropic而言,赶在OpenAI之前、趁着市场热度和自身发展速度仍处高位时上市,是一个较好的选择。此外,尽管手头现金充裕,但上市融资能为其后续巨大的资本开支提供保障。更重要的是,当公司估值达到万亿级别,资本市场能容纳的资金是有限的,先上市可以优先吸纳想投AI的资金,给后上市的对手带来不确定性。
最后,主持人追问张璐最关注招股书中的哪些指标。除了之前提到的客户数据和资本投入,张璐补充了两点:一是企业客户的留存率和向上销售(upsell)空间,这是衡量to B业务健康度的关键;二是其非coding业务的收入贡献。她想观察Anthropic能否将其在coding领域的成功,复制和扩展到更广泛的企业工作流程中,证明其平台的通用价值。
程曼祺 · 00:13:54
Anthropic现有5300多名员工。
话题推进: 对核心指标的关注,引出了对Anthropic早期投资方和发展历程的回溯,探讨其如何从非共识走向主流。
00:17:43–00:26:36 从非共识到主流:Anthropic的融资历程与战略聚焦这个招股书里正文里面反复提到的VC就是Spark Capital。你可以和我们的听友简单介绍一下这是一个什么机构,以及它为什么就是在这个公司里看起来角色是比较重要的。 它那个时候是很不好融资吗?所以它会就是有币圈的资本来支持。 Anthropic什么时候才是一个主流共识里特别好的、特别值得投资的公司呀? 你觉得更长期来看,你怎么看它的这种做法?就是它是相对做的的事情是更少的。 主持人注意到招股书中反复提及VC机构Spark Capital及其合伙人Yasmin Razavi,并询问其重要性。张璐介绍,Spark Capital是一家成立近20年的硅谷基金,曾投中Coinbase和Twitter。其对Anthropic的投资关键在于“投在了非共识阶段”,并在公司早期就给予了坚定支持和持续加注。主持人补充,Spark在2023年5月以45亿美元估值投资Anthropic,当时ChatGPT热潮刚起,市场对第二家前沿模型公司尚存疑虑。此外,Anthropic创始人Dario Amodei曾表示,Yasmin在战略上推动团队将coding作为重点,这可能是她在董事会中扮演重要角色的原因。
对话还揭示了Anthropic更早期的融资困境。张璐提到,在Spark投资前,公司曾以30亿美元估值融资,过程并不顺利。主持人提及,公司早期甚至拿过FTX创始人SBF的投资。张璐解释,这并非刻意寻求币圈资本,而是因为SBF当时属于Anthropic创始人所在的“有效利他主义”小圈子,存在内部互相支持的因素。这段投资颇具戏剧性,FTX破产后,其持有的Anthropic股权被用于拍卖偿债,SBF错失了这笔足以覆盖其债务的巨额回报。
关于Anthropic何时成为主流共识,张璐梳理了几个关键节点:
1. 2023年:谷歌、亚马逊等战略投资方入局。它们不希望OpenAI一家独大,开始扶持竞争对手,但此时VC圈尚未形成共识。
2. 2024-2025年:技术能力获强力认可。其模型Claude在代码生成、复杂推理和处理长上下文方面表现出色,同时其对安全性的持续强调赢得了企业客户的信任,形成了“Anthropic主攻企业级,OpenAI主攻C端”的市场认知。
3. 2026年1月:AI coding业务的商业化迎来重要转折。这证明了前沿模型可以直接参与高价值的生产力场景,而不仅是信息检索工具。张璐引用“AI能完成90%的工作且比90%的人做得好”的AGI门槛来类比,认为AI coding是目前唯一在特定场景下接近该标准的智能体。
最后,主持人问及如何看待Anthropic长期坚持“少做”,即不投入C端市场的战略。作为专注to B的投资人,张璐对此表示高度认可,认为是其作为市场第二名非常正确的战略选择。她分析,C端需求发散、反馈信息非结构化;而企业需求相对结构化,工作流程有清晰体系,这使得产品迭代时获得的反馈质量更高、一致性更强,有利于在有限资源下进行高效优化。
话题推进: 对Anthropic聚焦企业级战略的认可,自然地引向了下一个核心问题:在coding这个已经被验证的场景之外,AI在企业中的下一个增长机会是什么?
00:26:36–00:53:02 连续对话 200:26:36–00:29:07 企业级AI的优势:付费能力、数据飞轮与场景专注嘉宾张璐首先对比了AI在C端(消费者)和B端(企业)的应用差异。她指出,虽然C端用户增长快,但付费转化率不高(以ChatGPT为例,北美付费用户比例可能不超过10%)。相比之下,企业客户具备明确的付费能力和高强度的持续使用意愿,这为AI产品迭代提供了关键优势。
张璐接着阐述了企业场景如何形成一个理想的“数据飞轮”。她认为,一个AI产品的持续优化依赖三类高质量数据:1)初始训练数据;2)用户使用过程中产生的高质量反馈数据;3)AI产品在被使用时持续生成的高质量数据。企业级应用恰好能同时满足这三点。此外,企业应用场景相对有限和聚焦,不像C端应用那样发散,这使得产品更容易保障可靠性和准确率。特别是在编程(coding)这类场景中,投入产出比(ROI)易于衡量,从而也方便了商业模式的定价。
基于以上分析,张璐表达了她作为投资人长期且坚定地看好To B赛道。她认为,像Anthropic这样的公司无需在所有市场与OpenAI直接竞争,也不必强求布局C端业务。虽然未来个人智能体(personal agent)的发展可能让C端入口变得重要,但Anthropic依然可以通过企业API间接触达C端用户的信息。她判断,AI市场足够庞大和多样化,可以容纳多家公司并存发展。
企业智能体 (Enterprise Agent) 在本段中,指能够在企业内部环境中,连接不同软件和数据源,并主动执行一系列复杂工作流程的AI程序。它的输入是企业的工作指令和内部数据,输出是自动化完成的任务结果(如生成报告、处理订单等)。它不仅仅是一个被动回答问题的模型,而是能成为企业运营中台,整合并驱动各项业务流程的“虚拟员工”或基础设施。
商业自动化 (Business Automation) 指应用AI技术来自动执行重复性、有规则的商业活动,以提升效率、优化现有工作流程和降低运营成本。输入是企业当前的工作流程和数据,输出是自动化完成的任务,核心目标是“降本增效”。
商业优化 (Business Optimization) 指在商业自动化的基础上,利用AI进行更深层次的分析和决策支持,以创造新的商业价值或直接提升公司收入。输入是经过整合分析的数据和商业目标,输出是战略建议、市场预测或产品创新方向,核心目标是“增收”。
CXO网络 (CXO Network) 指嘉宾张璐的投资机构Fusion Fund建立的一个高端人脉网络,成员主要是来自世界500强等大型企业的C级别高管,如首席技术官(CTO)、首席信息官(CIO)、首席AI官(Chief AI Officer)等。这个网络的输入是前沿科技洞察和投资机会,输出是帮助投资机构了解大企业真实需求、验证市场,并为其投资组合中的公司对接潜在客户和合作伙伴。
话题推进: 在肯定了企业级市场特别是coding场景的优势后,主持人将话题转向了增长的可持续性问题,引出了对“coding之后”新增长点的探讨。
00:29:07–00:32:29 Coding之后是什么:从模型供应商到企业智能体平台Anthropic三季度收入环比增速下滑,你认为能媲美coding规模和爆发速度的下一个场景可能是什么? (在嘉宾回答后,主持人补充数据并提问)我想请你分享一下你观察到的身边案例,比如你们的被投企业或接触的大企业CIO,这些非编程岗位的知识工作者是怎么用AI办公产品的?他们觉得实际回报怎么样? 主持人程曼祺指出,市场普遍关注Anthropic在coding场景之外的增长点,尤其是在其第三季度收入环比增速下滑的背景下。她询问嘉宾,下一个能与coding相媲美的爆发性场景是什么。
嘉宾张璐认为,可能不会再出现像coding这样强势增长的“单项产品”。她建议Anthropic的战略重点应是强化其企业级平台能力,从单纯的模型供应商转变为“企业智能体(agent)工作流程”的基础设施提供方。她以Anthropic的`cowork`产品为例,如果能通过API连接各种软件,形成一个中台效应,让所有工作流都从`cowork`发起,将极大巩固其在企业市场的地位。
主持人补充了Anthropic招股书中的数据作为佐证。她观察到,Anthropic的订阅收入(可能更多来自非编程的知识工作者)增速(同比增长1690%)高于按量消耗的API收入(可能更多来自编程需求,同比增长1200%)。不过她也指出了该数据的两种其他可能性:一是之前的订阅模式更划算;二是Anthropic对超过150人的企业客户强制采用按量付费模式。由于官方未披露用户结构,她转而请嘉宾分享来自一线的具体案例,了解非编程人员使用AI办公产品的实际情况和回报。
话题推进: 在主持人提出关于具体企业应用案例的问题后,嘉宾开始详细阐述她通过CXO网络观察到的大企业AI战略和应用现状。
00:32:29–00:36:46 大企业的AI觉醒:设立首席AI官,预算高达百亿嘉宾张璐回应称,企业采纳AI分为两个阶段:第一阶段是“商业自动化”(Business Automation),旨在提升效率、优化工作流、降低成本;第二阶段是“商业优化”(Business Optimization),旨在提升公司收入。当前,不同部门应用AI的目标不同,因此看到的ROI也各异。
张璐分享了她通过Fusion Fund的CXO网络(一个由超过40家世界500强企业的CTO、CIO等高管组成的网络)获得的观察。她发现,许多大企业在过去半年内新设立了“首席AI官”(Chief AI Officer)职位,其战略影响力日益扩大。这些高管正迫切地为企业制定全面的AI战略和数据战略,这种需求已不限于科技行业。
她列举了几个具体行业的例子:
1. 制药业:调研显示,全球排名前20的药厂中,六七成的企业已将AI列为内部战略的最高优先级。例如,礼来(Eli Lilly)与英伟达达成了数十亿美元的合作。
2. 金融业:一家非常知名的美国银行,其首席AI官透露,该行今年的AI预算已高达100多亿美元。
张璐总结道,尽管目前AI在金融、保险、医疗等行业的渗透率仍处于低位(如医疗行业不到10%),但这些企业已经储备了巨额预算,展现了巨大的增长潜力。大型企业通常采用“试点-扩张”模式:先在某个部门或业务场景试用,成功后再推广至全公司,并从个人工具升级为企业级智能体平台。
话题推进: 在描述了大企业部署AI的巨大潜力和初步模式后,嘉宾进一步解释了为什么这一过程需要多年时间,并指出了其中的挑战。
00:36:46–00:41:55 AI部署的现实挑战:改造旧流程、监管与失控的成本你刚才说一些500强企业已经有很高的AI预算,这是因为他们已经看到了实际回报,还是说他们正处在更大规模试错的过程中? 嘉宾张璐指出,对大企业全面采纳AI的时间应有理性预期。她再次强调AI落地的两步走:先是“自动化”(automation),再是“优化”(optimization)。原因是大多数传统企业不愿或不能立即改变现有工作流程。例如,保险公司希望AI能嵌入并使用它们现有的CRM系统,而不是从头开发一套新软件。因此,AI初步大规模嵌入企业需要先适应现有流程,这一步可能就需要三到五年,之后才能进入更深度的“AI原生”优化阶段。
此外,企业部署AI还面临几个核心问题:
1. 监管与透明度:企业高管需要了解公司内部正在使用多少AI工具、这些工具触及了哪些核心数据,这是讨论AI安全的前提。
2. 成本问题:闭源大模型非常昂贵,这促使许多大公司转向开源模型。她举例说,一家咨询公司提到,其某个大企业客户在一个月内使用Anthropic Claude的账单竟高达近5亿美元,这是不可持续的。因此,许多科技公司已从鼓励员工多用token转向限制使用。
主持人追问,大企业的高额AI预算是基于已验证的回报,还是仍处于试错阶段。张璐回答,目前仍主要在试错和探索阶段,但全行业已形成“AI是未来”的共识。企业部署AI的主要驱动力并非来自初创公司的颠覆,而是源于同业竞争的焦虑——“如果我的竞争对手用了AI而我没用,我可能就会被淘汰”。一旦行业内有领头羊开始大规模部署AI,其他企业会迅速跟进。她还特别提到,美国许多大型非上市企业(如家族企业)由于决策灵活、现金流充裕,在AI部署上行动更早、投入更大。
话题推进: 在讨论了企业部署AI的驱动力和现实挑战后,主持人将话题聚焦于不同行业采纳AI的节奏差异,特别是与coding场景的对比。
00:41:55–00:45:32 节奏差异:为何金融、法律、医疗难以复制Coding的爆发速度我觉得整体规模很大是确定的,不确定的是节奏。像金融、法律、医疗这些领域,它们的扩散速度会有多快?如果速度不够,会不会导致市场未来几年有起伏和波折? 你觉得可能比较快,或者说相对容易用AI带来比较大改变的场景可能是什么? 主持人程曼祺认为,AI在企业市场的长期规模是确定的,但采纳的“节奏”是关键变量。她指出,coding场景的爆发速度极快,但金融、法律、医疗等其他知识工作领域的扩散速度是否也能如此之快,将决定市场未来几年的走势。
嘉宾张璐表示同意,并强调需要对不同场景有理性的预期。她分析了coding场景的独特性:
1. 行业属性:身处科技行业,对新技术的接纳速度本身就快。
2. 任务特征:编程是高频次、高价值的任务。
3. 结果可验证:AI coding能直接完成任务并快速验证结果。
相比之下,法律、金融、医疗等领域的AI应用有很大不同。它们往往不能直接给出最终结果(例如AI不能直接替代律师,只能提供建议),结果验证周期长,因此无法像coding一样快速爆发。不过,张璐认为在“企业后台”的工作流程中,存在大量可以被AI自动化的机会,例如财务数据的收集整合、合规、运营、采购、库存管理等。这些流程的标准化程度较高,适合AI应用。
此外,张璐重申了“数据即资产”的观点。她认为,大企业现在制定AI战略,核心之一也是其数据战略——如何将沉睡的、有价值的内部数据进行整合、清洗,变为可用于AI训练的高质量数据库。这不仅是应用AI,也是意识到自己掌握了AI时代最需要的核心资产。这也解释了为何像Anthropic和OpenAI这样的模型公司需要花费巨资购买数据。
话题推进: 在分析了不同场景的节奏差异后,主持人进一步询问,在这些新兴场景中,创业公司和大模型公司谁的机会更大。
00:45:32–00:53:02 创业公司的机会:垂直小模型、本地化部署与高监管行业他们(医疗机构)部署的这个医疗智能体,是来自于Anthropic这一类的通用模型公司,还是这个领域的一些专门的公司? 在coding之后,包括企业级办公、医疗、金融、法律这些高价值垂类场景,这个机会到底更偏向谁?(大模型公司还是创业公司) 主持人程曼祺提问,在coding之外的垂直领域,机会究竟属于Anthropic这样的大模型公司,还是属于新的创业公司。
嘉宾张璐认为,创业公司在这些领域拥有显著机会。她首先指出,企业后台的智能体是可能较快落地的方向,因为其需求在不同企业间一致性强、较标准化。她个人尤其看好医疗领域,原因在于:1)市场规模巨大(占美国GDP近20%);2)数据质量高、体量大;3)工作流程标准化程度相对较高。她透露,自己所在的某大型非营利医疗机构董事会,其CTO已计划在上千家医院和诊所部署AI智能体。
针对主持人追问这些智能体的来源,张璐明确表示,很多来自初创企业。她解释了创业公司的优势所在:
1. 高监管行业的需求:像医疗、金融这类高监管行业,由于数据敏感性和法律风险,无法将所有数据上传至闭源的云端大模型。它们需要能够在本地部署的解决方案,这为专注于“小模型”和“本地化部署”的初创企业创造了市场。
2. 大模型公司的战略困境:让OpenAI或Anthropic这样的公司去和初创企业拼垂直小模型、拼针对特定场景的个性化优化,可能并非它们的最佳战略。大公司在灵活性和速度上未必能胜过小团队。
3. 信任与数据共享:大企业(如药厂、保险公司)更愿意将内部核心数据分享给可控的初创企业,以定制符合其工作流的AI应用,但它们是否愿意将同样的数据交给Anthropic或OpenAI这样的巨头,则是一个疑问。
张璐进一步阐述了当前AI领域的范式转变,这些转变为创业公司带来了机会:
* 基础设施的优化目标改变:过去AI基建的目标是构建能力最强的模型,现在则转向降低推理(inference)成本。未来80%的算力消耗将在推理而非训练上,这催生了重新设计AI基础设施的需求。
* 从语言模型到实体AI(Physical AI):实体AI从一开始就更注重专用小模型(specialized model),因为物理设备对算力、功耗有严格限制,昂贵的世界模型(world model)难以在边缘端大规模部署。
综上,张璐认为,无论是AI基础设施层面(如降低推理成本、为实体AI设计专用模型),还是应用层面(如高监管行业的垂直解决方案),都存在大量适合初创企业发展的机会。
话题推进: 在本段详细探讨了AI产业落地带来的创业机会后,对话自然地转向了需求扩张中出现的具体风险,如下游的算力问题和上游的监管政策。
00:53:02–01:12:56 连续对话 300:53:02–00:59:30 AI for Science:模型公司的前沿探索与商业回报前沿模型公司(如OpenAI、Anthropic)正投入资源进行科学探索(如解决数学难题、自建湿实验室),您如何看待这些探索?它们在未来一段时间能带来多少商业回报? 主持人程曼祺观察到,前沿模型公司正致力于解决最难的科学问题,并以此为引,询问嘉宾张璐对这类探索的看法及其商业前景。
张璐首先分析了OpenAI在数学、理论科学等领域投入研究的动机。她认为,这首先是一种测试和提高模型推理能力的技术路径。数学问题的优势在于其解法可以通过形式化证明来验证,答案明确,这对于强化学习、推理模型训练和自动化评估至关重要。她透露,有数学家团队专门生成高质量的数学数据,并高价卖给OpenAI等模型公司,以满足它们提升模型推理能力的需求。
其次,张璐指出,投身“AI for Science”也是为了证明AI的能力已进入新阶段。过去,AI模型更多是总结已有知识,而科学研究的关键在于“提出问题”。如果AI能提出新的、可被验证的科学假设,就意味着它开始创造新知识,而不仅仅是处理旧知识。这标志着AI能力向更高层次(如AGI)逼近。不过,张璐判断,这些前沿研究在短期内难以直接贡献收入,其价值更多体现在长期提升模型核心能力和探索技术路径上。
接着,对话转向Anthropic自建湿实验室进入制药领域的举动。张璐对此提出了一个不同观点。她认为,目前AI在药物发现(drug discovery)阶段已经做了很多工作,能发现数百个潜在靶点(target),远超过去。然而,制药行业最大的成本瓶颈在于临床试验(clinical trial)。如果因为AI发现了更多靶点,就投入更多资源去做临床试验,反而会导致成本激增,且最终成功率未必提高。因此,她认为更有价值的方向是利用AI来提升临床试验的成功率,例如,从AI发现的数百个靶点中,再用AI筛选出临床成功率最高的两三个进行试验。她还举例说,其投资的一家公司就在用AI做细胞疗法(cell therapy)的垂直模型,通过构建人体细胞的数字孪生来研究多种疾病,并已和大型药厂诺和诺德(Novo Nordisk)在帕金森症上展开合作。张璐总结,AI与医疗的结合是“AI向善”(AI for good)的绝佳体现,兼具巨大的经济价值与社会福祉。
湿实验室 (wet lab) 在本对话中,指进行传统生物学和化学实验的物理实验室,与计算机模拟的“干实验室”相对。Anthropic建立湿实验室,意味着它不仅进行AI模型计算,还亲自通过实验来验证和推进其在生物医药领域的发现,形成一个从计算到实验的闭环。
AI for Science 指应用人工智能技术来辅助或直接进行科学研究。在本对话中,它不仅包括用AI解决已知的科学问题(如数学证明),更指向一个更高的目标:让AI能够像人类科学家一样,提出新的、可被验证的科学假设,从而创造全新的知识,而不仅仅是总结和推理已有知识。
药物发现 (drug discovery) 指在新药研发的早期阶段,通过各种方法识别和筛选出可能对特定疾病有效的候选化合物或生物靶点(target)的过程。在本对话中,嘉宾认为AI已经极大地提升了这一阶段的效率,但瓶颈已转移到后续的临床试验环节。
物理AI (Physical AI) 指与物理世界直接交互的AI系统,例如自动驾驶汽车、机器人等。与纯软件的AI(如聊天机器人)不同,物理AI的决策和行动会直接产生物理后果,因此其安全性、可靠性和监管问题变得尤为重要和紧迫。
话题推进: 主持人认同嘉宾的分析,并指出这符合OpenAI自己设定的从Agent到“创新者”(innovator)的AGI路线图。随后,她将话题转向招股书中披露的另一个关键信息:算力投入。
00:59:30–01:04:07 算力需求的可持续性:中腰部公司转租与GPU的非同质化最近有传闻说,硅谷一些中腰部的明星独角兽因业务不及预期,无法满足此前与云厂商签订的算力长协,开始打折转租算力。这个现象是个别存在,还是可能成为群体现象? 主持人程曼祺向嘉宾求证一个市场传闻:硅谷部分中腰部AI公司因需求不及预期,开始转租其长期锁定的算力。她想了解这是否会成为普遍现象。
张璐确认,这种现象确实“个别存在”。这些公司通常需要签订三年起的算力长约,一旦业务出现问题,就可能需要释放闲置算力。她回忆,去年底就曾出现过一波算力突然过剩的情况,但到今年初很快又恢复紧缺。公司之所以签长约,是因为短期合约的成本极高,例如SpaceX的算力,签一年合约的价格可能是三年合约单价的两倍,迫使初创公司选择长期绑定。
然而,张璐并不认为这些中腰部公司释放的算力会对整个市场造成挤压,因为整体需求依然非常巨大。她进一步解释了关键原因:GPU算力并非标准化的同质商品。不同的GPU型号(如H100 vs B300/H200)、网络架构、数据中心位置,对应着不同的AI工作流和需求。例如,模型训练需要大规模、高带宽、低延迟的集群,而推理则可以分布式部署。因此,一家公司释放的GPU,另一家公司未必能直接使用。市面上虽然能订到H100,但多数公司想要的是更新的B300和H200。
基于此,张璐预判市场会出现一种特殊情况:一方面,许多公司仍然感觉算力不足;另一方面,市场上却存在大量闲置的GPU。这对英伟达等算力供应商是利好,因为客户仍需采购新型号GPU。但对于从事GPU倒卖业务的公司则不是好消息,因为旧型号GPU的价值会迅速下跌。她总结道,未来“算力需求持续增长”和“特定代际算力资产价格下跌”这两个现象可以、也很有可能会同时发生,二者并非简单的因果关系。
话题推进: 主持人理解了算力市场的复杂性后,将话题从供给侧拉回需求侧,询问在当前时点,哪些创业赛道可能因Anthropic和OpenAI的进展而受到不利影响。
01:04:07–01:08:08 创业机会的挤压:高监管行业成壁垒,C端市场巨头主导从Anthropic和OpenAI的进展来看,您觉得有什么赛道可能会受到一些不利的影响? 您觉得对一些2C端的应用呢? 像Instinct(应为Muse)这种个人Agent产品,最近在硅谷的体感水温有下降吗? 主持人程曼祺询问,随着Anthropic和OpenAI等巨头的发展,哪些创业赛道会受到负面冲击。
张璐认为,首先,在Anthropic已经做得很好的领域(如coding),初创公司将很难与之竞争。其次,过去那种简单地在模型上“套壳”(wrapper)做应用的模式会越来越难。因为模型本身的能力越来越强,尤其是在科技行业的直接应用,只做产品层而没有核心技术壁垒的创业公司,难以与模型公司本身竞争。
因此,张璐表示,她未来会更关注高监管行业的AI应用。因为“高监管”本身就是一种准入门槛,能为初创企业提供护城河。而在非高监管领域(如科技行业),创业公司的竞争力会越来越差,因为模型公司可以直接打通模型和产品。
对于2C(面向消费者)的应用,张璐重申了她多年来的一个观点:AI的C端市场,80%-90%的份额最终会被大型模型公司或科技巨头占领。她一直专注于B端投资,正是基于此判断。她以谷歌为例,谷歌不仅拥有海量、高质量的用户数据,还拥有强大的分发渠道(distribution channel)。例如,谷歌将Gemini免费集成到Chrome浏览器,能瞬间获得数十亿用户的真实使用反馈,这种迭代速度和体量是初创公司无法比拟的。她强调这主要指美国市场,中国市场情况不同。
当被问及近期热门的个人Agent产品时,张璐承认它们热度很高,但提醒道,C端产品热度来得快,能否持续发展需要观望,并以已经申请破产的Carter AI为例。她指出,随着Meta等巨头也开始做个人Agent,创业公司面临的竞争会加剧。竞争的关键不仅是产品好坏,更在于用户分发渠道,巨头在这方面有天然优势。
话题推进: 在讨论了市场机会后,主持人邀请嘉宾分享一个她正在思考但尚无明确答案的重要问题,引出了关于AI监管的讨论。
01:08:08–01:12:56 AI监管的紧迫性与节目总结您现在有什么正在思考、觉得很重要,但答案还不是很清晰的问题吗? 在节目尾声,主持人邀请张璐分享一个她正在思考的重要问题。张璐坦言,她近期思考最多的是“AI监管”。她参与的“AI for Good”委员会最近的会议也聚焦于此。
张璐指出,AI监管的紧迫性源于“物理AI”(Physical AI)的兴起。过去,语言模型的“幻觉”或错误答案,后果通常不严重。但物理AI一旦出错,可能直接导致人身伤害或重大安全事故。因此,许多大型产业公司的CTO都非常关切AI监管问题,他们坚持必须先内置监管层的技术解决方案,才能大规模部署物理AI。医疗领域同样如此。
她认为AI监管是一个极其复杂的话题,因为它需要:
1. 前瞻性:不仅要考虑现有技术,还要预判未来技术的发展方向。
2. 协同性:需要跨区域、跨产业的合作。
3. 标准问题:需要决定是制定各产业独立的监管标准,还是一个跨产业的通用标准。
张璐观察到,从企业界、政界到商界,各方都在急于寻找解决方案。她认为这既是挑战,也是新的机会,并呼吁更多创业者、企业家和资本方关注这一方向。
最后,主持人程曼祺总结了本期与张璐的对谈,以及与另一位嘉宾Rob的对谈(来自另一期节目)。她提炼出两位投资人共同的关注点:需求端。张璐的观察提供了具体的需求细节,例如大企业间的“AI军备竞赛”心态,以及AI进入企业核心流程需要经历“自动化”和“优化业务”两个漫长阶段,这为一级市场投资留下了机会。这些应用和模型层的变化,又会带动算力层向推理降本、异构芯片等新形态发展。主持人最后邀请听众分享自己对AI需求的观察,并以“coding之后是什么”这个问题结束了节目。
话题推进: 节目结束。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。