AI 商业化与价值捕获

AI 的钱从哪里来、被谁拿走：模型是不是商品、价值落在哪一层、capex 的上限、以及"AI 像电力还是像社交媒体"。这是把技术能力翻译成经济结果的一层。

核心命题：模型商品化，价值向上游转移

Benedict Evans（美，独立分析师/前 a16z，2026-06）

来源：a16z 访谈 - "基础模型不是产品，chatbot 不是产品，价值会在更上层。" 论证：模型间无网络效应、无可持续差异化杠杆，差别只在花钱意愿；chatbot 是受限的 v1 UI；模型厂造不出上层全部软件（00:17:14–00:22:16）。 - 模型厂更像 hyperscaler / 半导体 / 电信：低层基础设施，无 leverage、无控制权，而非 Windows/iOS 那样能决定"什么被造出来"并捕获价值（00:20:16–00:22:16）。 - 移动数据这面镜子：电信集体年收入约 1 万亿、capex 约 2000 亿、股价 20 年不动，"所有酷东西都是别人造的"——宏大昂贵、使用爆炸、改变生活，却没赚到钱，因价值全部上移（00:11:08–00:14:12）。 - 当下高价是"极端失衡"而非常态："需求无限"不代表不会回到价格均衡；移动数据 15 年涨 1500–2000 倍照样打价格战，因本质是商品、开发者来回切换（00:22:16–00:23:16）。他谨慎地不下断言："不是我知道它们会变商品，而是这条推理链指向商品化，请解释为什么不会。"（00:54:30–00:55:30）

Steven Sinofsky & Sema Amble（美，a16z，2026-07）

来源：Software in the Age of Agents - 对 Evans"价值上移"的微观补充：价值确实在上层，但上层是难以复制的组织逻辑，不是模型。"vibe code 一个 SAP"严重低估——SAP 装几年是因为它被定制到贴合公司实际怎么运转，数据在哪个库不重要、逻辑才重要（00:17:11–00:21:18）。 - 软件护城河 = 例外处理 + 收钱 + 没人设计过的怪黏性："最黏的软件就是正在被用的软件"；企业里几乎所有有趣的事都是例外，而例外只在人脑里、不在字段里（00:11:06–00:16:09、00:29:21–00:30:22）。 - 创业机会在"两个巨头之间的缝"：巨头在剧变期唯一不做的是扰动现有产品线，只会"把 AI 螺栓拧到侧面硬扛"；企业软件唯一真网络效应在公司内部（chat 正像当年 Excel 那样病毒式扩散）（00:53:42–00:59:45）。

Freda（美/中，Altimeter，2026-05）：Token 经济学与"负向滚雪球"修正

来源：张小珺访谈 - Token 不是可比的计量单位（[00:02:03]）：关键是 Token per Task——同一任务不同模型消耗可差几十到上百倍（精练代码 vs 啰嗦代码、隐藏 reasoning tokens、agent workflow 放大）。按 Token 收费必然转向按效果收费（Sierra 客服模式：解决问题才收费）。 - "负向滚雪球"修正（[00:19:23]）：Dario 原框架低估了需求弹性——Anthropic 2026 年初需求爆发证明收入增长斜率可以比训练成本增长更陡，公司会突然盈利。练模型的成本占收入比例＜推理毛利率，公司就能赚钱。 - 模型层不是 SaaS：SaaS 是 subscription（按人头、封顶）→ 客户倾向只用一家；模型是 usage-based → 鼓励同时用多个 vendor、随时切换。OA 和 Anthropic 因此不是传统意义上的竞争。 - Code in TAM 被严重低估（[00:17:19]）：从 100 亿美元（400 万 developer × $200）→ 真实 TAM 是"任何可以被计算机操作的事情"。Cowork 两个人做出来，同等规模时增长斜率超 Claude Code。 - 每个 GW 模型收入被系统性低估（[00:22:28]）：年底 Anthropic/OA 各 ~5 GW，明年 ~10 GW。100 亿/GW 保守，500 亿也非不可能。

雨森（中，真格基金，2026-05）：Return 三段链与 Agent 网络效应

来源：张小珺访谈 - Return 三段链（[00:24:16]）：投入→产出→结果。Anthropic 收入不是最终回报，是客户的投入。"这个问题被推迟了，没被解决。"水槽比喻：上面吃螃蟹的人>下面发现不好吃走了的人→ARR涨，但需堵住漏水。 - Harness=OS，模型=CPU（[00:53:15]）：Harness 处理底层（agentic loop/memory/sandbox），模型可插拔。用户忠诚于 Harness 非模型——"在里面救活自己的小龙虾，因为记忆在里面，但模型可以换（Kimi：90分表现20分价格）"。 - Agent 网络效应（[01:00:20]）：个性化 context 沉淀后，同一任务不同 agent 产出不同→有理由互相雇佣→agent marketplace。"1000块 token 费 + 9000块知识溢价。" - AI 应用创新多来自第三方（[00:49:12]）：Wide Research、Memory MD、IM 插入、心跳机制——都不是模型公司做的。"模型公司认为不本质的细节，对用户很本质。"

Peter Steinberger（美/奥，OpenClaw 作者，2026-02）：app 消亡、开源可持续性危机

来源：OpenClaw 访谈

• "每个 app 现在都是一个很慢的 API，不管它愿不愿意"：agent 可走浏览器（Playwright + 住宅 IP）绕过封锁——"你没有让不可能的事发生，只是让它变慢了"。预计杀死 80% 的 app（MyFitnessPal/Sonos/日历类首当其冲：agent 有更全的 context 能做更好的决策）；app 要么变 agent-facing API 要么消亡（02:43:09–02:57:21）。这是 Sinofsky "headless 软件"论的激进版：不是软件变 headless，而是多数 head 直接不需要存在。
• 新价值层：给 agent 发"零花钱"预算、rent-a-human 类服务、agent marketplace——与戴雨森的 agent 网络效应/marketplace 判断跨洋呼应（02:54:19–02:56:21）。
• 开源可持续性危机的一手数据：OpenClaw 每月倒贴 1–2 万美元（赞助全转依赖库作者）；连"人人都用"的 Tailwind 都裁员 75%——agent 时代没人访问官网，流量入口的租值蒸发（02:20:33–02:22:34）。为 Evans 的"价值上移"补充一个受害者层：免费开源基础设施的隐性商业模式（官网流量/雇主品牌）被 agent 掐断。
• 变现路线的现实选择：拒绝 VC 与创业（商业版会与开源版利益冲突），选择"加盟大厂 + 项目保持开源"（Chrome/Chromium 模式，Meta vs OpenAI 二选一）——个人 agent 这一层的价值捕获，最终仍向模型厂/平台厂收敛（02:18:31–02:34:55）。与广密"壳公司窗口会被模型公司关闭"同向。

capex 的物理上限

Benedict Evans（2026-06）

• 微软/Meta/Google 今年 capex 均超营收 50%（电信才 15–20%），四大指引约 7000 亿美元/年——与油气同量级，"很多钱但非天量"（00:48:24–00:49:24）。
• 但有硬顶："不可能一年花 10 万亿美元，因为世界上没有 10 万亿可花"；1.5 万亿只能借、不可持续（00:49:24）。贯穿全场的一条线：模型只相关 3–9 个月，却要花数十亿造，还得永远追下一个（00:50:24）。
• 详见 AI 算力与基础设施。这与 Imas & Trammell 的"付给算力的份额是升是降"是同一枚硬币的供给侧。

"AI 像电力，还是像社交媒体？"——价值捕获的分叉

Alex Imas & Phil Trammell（美，AGI 经济学，2026-06）

来源：Dwarkesh 访谈 - 这是本主题的经济学骨架：AI 是电力（普惠、租值扩散、人人被 index）还是社交媒体（租值归平台、集中），取决于"开源模型落后前沿 6–9 个月"是否成立（01:00:41–01:10:12）。 - 对不在生产链上的国家：建议优先"买 AGI 的 index"而非重训——但若回报集中在私有 OpenAI/Anthropic 就难以 index（00:25:16–00:29:21）。 - 与 Evans 呼应：Evans 说"模型是商品 → 价值上移到应用层"，Imas·Trammell 追问"那被捕获的价值最终归谁"——若模型真商品化、开源紧咬前沿，则更像电力；若前沿厂靠资本壁垒拉开差距，则更像社交媒体。

中方视角：AR 爆发、token usage > DAU、壳公司与价值定价

广密（硅谷投资视角，2026-04）

来源：广密·全球大模型季报第 9 集

• coding 带来 AR 爆发：Anthropic 官宣 AR 超过 OpenAI；头部一两百万 coding 用户收入 > OpenAI 五六千万订阅——"c 端没有 coding/agent 大"（00:09:14–00:10:18）。年底两家 AR 或达 800–1000 亿美金、明年奔 2000 亿，"已成新 MAG7"。
• 价值指标从 DAU 转向 token usage（尤其塔尖超级开发者）；一个可跑正的微观指标："消耗 100 美金 token，能不能赚到 110"（00:20:23、01:20:14）。
• 壳公司吃技术溢出红利、属阶段性窗口：Cursor/Manus 若模型公司不开放最强 API（优先做自己的 agent 产品）就危险；"模型公司作为大哥也想吃这块肉，就看谁速度快"——今天模型公司更快（00:37:35–00:39:36）。这是对 Benedict Evans"价值上移到应用层"的一个反向修正：当模型公司选择不溢出，应用层的价值捕获窗口会被主动关闭。

罗福莉（中方 research lead，2026-04）：定价从成本转向价值、模型即产品

来源：罗福莉访谈

• 定价逻辑从成本转向价值：Flash 按架构成本优势定价（最低价最高速）；Pro 抛弃成本定价、改为按"模型最终产生的价值"定价——后训练做得好、更懂框架，就是溢价空间（01:40:52–01:41:55）。
• 模型即产品："原来不想做产品，但模型 + agent 架构本身就变成了一套新产品，产品力反而更强"；"现在模型公司好像没有壁垒/边界了"（03:14:45）。与广密"模型公司想自己接住溢出红利"从供给侧呼应——价值正从"卖 API token"转向"卖 agent 产品/价值"。

谁捕获价值：C 端 vs enterprise 的中美分野

姚顺宇（中，Google DeepMind，2026-05）

来源：张小珺访谈 - 模型层"knowhow 已无秘密"：中国模型发得快"说明这道题对所有人都变简单了"（03:06:49–03:08:50）——从供给侧印证 Evans"模型无差异化"。 - 价值捕获的中美分野：中国强 C 端（能想出"很间接却能滚利润"的复杂产品：抖音免费视频 + 广告 + 直播 + 电商）；美国强直接的 enterprise 效率软件（写码成本 150 卖 200，直接挣 50）（03:24:04–03:27:05）。这与 Evans/Sinofsky 聚焦的美国企业软件价值捕获是同一问题的两种商业文明答案。详见 中美 AI 生态对照。

Raschka & Lambert（美，2026-01）

来源：Lex #490 - serving 成本 >> 训练成本：DeepSeek 预训练传闻约 500 万、OLMo3 约 200 万，但服务上亿用户是数十亿美元级——这是价值捕获的成本侧现实，也解释了模型为何反而变小（00:51:11–00:53:15）。 - "一个模型统治一切"的梦在死 → 走向专用化：金融/法律/医药用私有数据的定制模型是大生意（03:14:46–03:16:47）——与 Sinofsky"价值在难复制的组织逻辑/私有数据"一致。

Andrew Feldman（美，Cerebras，2026-05）：快 AI 催生新商业模式

来源：Cerebras 访谈 - "速度不是让现有商业模式变好一点"：Netflix 从寄 DVD 变电影公司——不是更高效地寄 DVD，而是开辟全新生意；AI 现在只替代看得见的（编码/设计/SaaS 工具），围绕它重组工作方式后才有新商业模式与生产力跃迁（00:28:14–00:29:14）。与 Sinofsky/Evans"价值上移"互补：Feldman 从速度这一维度指出上移后会长出"现在还看不见的"生意。 - 纯 AI play 上市：Cerebras 是唯一 100% 营收来自 AI 的标的，"从企业青春期毕业到成年"；OpenAI/Anthropic/Databricks 能在私募拿到公开市场估值，改变了传统 4 年 IPO 时间线——是价值捕获在资本市场侧的新形态（00:20:07–00:23:11）。

Lila Sciences（美，neo-lab，2026-07）：模型即价值、"零 FTE 虚拟创业"

来源：Lila 访谈 - 模型本身才是 moat、不冲临床（neo-lab）：实验室是 token 生成器/数据护城河；回应"有数据训模型、有了数据又何必模型"——通用平台下领域数据需求随广度下降、相邻领域可降到零（00:27:55–00:29:58、00:40:18–00:41:19）。 - "零 FTE 虚拟创业"新商业形态：客户带明确问题、在平台上跑完整 program（平台费+试剂+分成），可并行成千上万个虚拟创业；一个 in vivo CAR-T ≈ 5 年 biotech/6 个月/10% 成本——与戴雨森"one person company"、广密"AR 爆发"同属"AI 把创业单位成本压到极低"（00:49:35–00:52:44）。 - 材料"苦甜 scaling"：只有能规模化的东西才 matter，从第一个实验就 supply-chain conscious、有 techno-economic agent 蹲在角落——这是把"价值捕获"前置进研发环节的具体做法（00:42:19–00:43:21、00:52:44–00:54:50）。

Gavriel Cohen（NanoClaw，2026-06）：个人 agent 部署生意、需持续维护

来源：NanoClaw 访谈 - 早期采用者多是 VC/CEO"我搭好 setup 想推给全团队但不想当修 agent 的 IT"→ 催生企业 agent 部署生意（NanoClaw Co.）；agent 不像传统软件"部署完 5 年不动"，模型底座在变必须持续升级——价值捕获从"卖软件"转向"卖持续维护/托管"（00:14:09–00:18:11）。呼应 Steinberger"个人 agent 层的价值最终向平台厂收敛"。

Jensen Huang：卖铲子的一方

（美/NVIDIA，2026-03）

来源：Lex #494 - Token 工厂世界观：计算机从仓库变工厂，token 分层定价、每年成本降一个数量级——这是从基础设施供给方看价值捕获。放在 Evans 框架里，Jensen 恰是那个"卖铲子、当前赚最多"的层（Evans 也指出 NVIDIA 当前捕获了大量价值，但未必持续）。

硬件护城河的三层递进：消费电子视角（阳萌，安克创新CEO，2026-06）

来源：张小珺访谈

阳萌提出了与软件/模型截然不同的硬件护城河框架（[02:14:34]），与本主题的"模型商品化→价值上移"构成对照：

1. 独特领先技术 — 但不是永久护城河："技术一定会遇到人的感知上限（Retina效应）——当分辨率超过人眼分辨力，再进步用户无感。"任何技术优势放在足够长时间里一定会被抹平。"（[02:15:34]）
2. 品牌信任 — "消费者可能需要很多次建立起对你的信任，做错一次就可能永久消失。"安克在欧美做到1万美金户用储能产品纯线上销售、首月1000+客户，是品牌信任的例证。
3. 使命愿景价值观+人 — "诺基亚有品牌、有信任，为什么不行了？最后还是要看公司是不是持续有为极致创新的一群人。"（[02:18:34]）

这实际是对Evans/Sinofsky"软件护城河=例外处理+组织逻辑"的硬件镜像：在硬件领域，制造意外处理的不是代码逻辑，而是品质管控+全球供应链+品牌信任的累积效应。

价值分配：创造者拿7，股东拿3

• 安克内部坚持的分配原则（[02:46:57]）。基础逻辑：好的消费电子公司有30%+的总剩余价值，股东合理回报~10%，因此7:3。
• "AI时代人的价值被N倍提高，但创造者依然是价值创造的主体，分配必须尊重这一规律。"这与Imas·Trammell的"电力vs社交媒体"之问不同——阳萌不是讨论价值被谁捕获，而是主动设计捕获后的分配机制。

"大new人"与"小new人"

• 大new人：造AI智能体的人（把业务认知/数据/流程沉淀到智能体）——少数。
• 小new人：使用AI智能体的人——多数，效能也被N倍提升。
• 组织转型三件套（[02:53:01]）：人拥抱AI → 能力沉淀成智能体+智能体拉通 → 组织变革（拆出Scrum、重新分配决策权）。

与"软件即模型"的对照

阳萌的框架回答了Sinofsky"vibe code SAP被严重低估"在硬件领域的对应：消费电子价值链有200个岗位，AI不能缩短物理环节（电子工程师不会因AI就会画结构图），但可以让Scrum内部效率更高、跨Scrum协作更顺畅。硬件护城河=物理世界不可压缩的环节 × 在这些环节上积累的组织knowhow。

• 共识（截至 2026-07 已收录者）：模型层正在商品化 / 无 winner-take-all（Evans、姚顺宇、Raschka & Lambert 三方独立印证）；价值会离开模型层，但"去哪一层、被谁拿"仍是开放问题。
• 分歧/张力：
• Evans 认为价值上移到应用/工作流层；Sinofsky 更强调上层是难复制的组织逻辑与私有数据（创业者常低估），二者互补而非冲突。
• 价值最终集中还是扩散是最大未决问题：Imas·Trammell 的"电力 vs 社交媒体"把它系于"开源能否紧咬前沿 6–9 个月"——直接把中国开源模型（见 中美对照）放到了决定 AI 普惠性的关键位置。
• 待观察：广告/电商（Evans 认为最可能被真正改造的万亿级 TAM）、专用垂直模型（Raschka & Lambert / Sinofsky）能否成为价值捕获的新落点。

供给侧的商品化论证："100 家 vs 5 家"与知识工作的最优模型尺寸（Eiso Kant / Poolside，2026-07）

来源：Poolside 的 Model Factory、Laguna S 与开源

本页此前的"模型商品化"论多来自需求/分析侧（Evans、Imas·Trammell、姚顺宇）。Poolside CEO Eiso Kant 从模型公司供给侧给出了一个可证伪的机制论证：

• "我宁愿活在有 100 家基础模型公司的世界，而不是 5 家——哪怕我是那 5 家之一。" 2026 年初 Poolside 从"抢先做到 AGI"转向开源，正是为了对冲"三四家公司创造所有智能"的智能寡头剧本。判断"只有还没到前沿时才做得出这个决定"（资本/预期堆多了就改不了）。
• 核心机制——知识工作存在最优模型尺寸：知识工作（约占经济 25%）靠的更多是"持久、回溯、查文档"（Laguna S 靠 post-training 诱导的行为跑赢 2–3 倍大的模型），而非 Einstein 级的跨领域拼想法。因此过了某个尺寸，用更大模型做知识工作 ROI 转负；这个峰值 Eiso 改判可能就在 1T–10T，不需再大 2–3 个数量级——"这是开源能赢、模型会商品化的理论论证。"
• 但明确不反对 scaling："只有 scale 到和竞争一样大才可能赢；'做小开源模型之王'是 copout。"——这一条与本页 Decagon 用例成熟度判据、Lila 的 neo-lab 模型即价值方向一致：重心随用例成熟从前沿滑向"够用的小/开源模型"，但前沿仍要跟。
• 与 Benedict Evans 的关系：Evans 从"模型无网络效应/无差异化"推商品化，Eiso 从"知识工作最优尺寸不高 + 行为可 post-train 出来"推同一结论——一个自称"是自利也是希望"的论证，但他承认"是不是真能压榨出这么多、要未来两三年去发现"。
• 开源研究 > 开源权重（对"价值捕获"的独特一面）："权重是二进制的，给你权重也无法重建我在做的事——分享研究才是最有意义的贡献。"这把"什么该免费、什么是护城河"的边界从权重移到了研究 know-how / 数据集。
• 投资人分野：Eiso 观察到相信 AGI 的人指数增长后，投资分歧变成"相信智能寡头 vs 相信寡头能被打破"——这正是本页 Imas·Trammell"电力 vs 社交媒体"、a16z"模型公司市场结构根本不可知"的同一变量。

应用层公司 vs 前沿实验室：架构非规模、model-agnostic、窄模型（All-In 双访谈，2026-07）

来源：语音与法律 · Cerebras 与 BFL

• 反复出现的紧张：用前沿模型做产品、而前沿实验室（Anthropic/OpenAI）又想吃掉你的生意。四家应用层公司给出同构的护城河叙事——
• ElevenLabs（语音，$600M ARR）：护城河是"架构而非规模（得改变模型怎么运作 + 很具体的未标注数据）"+ 千人标注 + 垂直化 + 生态；对前沿实验室做 model-agnostic 平台，专注"交互/沟通这一层"；承认对手在蒸馏其数据（语音与法律 00:25:19–00:29:21）。
• Legora（法律）：法律服务 $1 万亿/年但软件只占约 4%（400 亿）；billable hour 被颠覆（企业把法务收回 in-house）；数据护城河"要全不要 80%"（litigator 需全部案例，是 power law 反面）；不做通用法律智能模型、只做窄任务微调模型；compliance 是货币（00:33:23–00:50:40）。呼应 Genesis 的 narrow model 观 与 Sinofsky"上层是难复制的组织逻辑与私有数据"。
• Cerebras：纯 AI play、$250 亿 backlog、推理的 Moore's law；"快 AI 造新商业模式"延续其 Netflix 类比（详见 AI 基础设施）（Cerebras 与 BFL 00:03:01–00:13:06）。
• Black Forest Labs：开源 Flux + 闭源双轨；生成式影视重排成本结构（一部"比特币电影"$3000 万 vs 传统 $1.5 亿、否则不会被 green-light）；开源 + IP 授权 + 粉丝二创商业化（00:50:40–00:50:40）。
• 共同母题：垂直化 + model-agnostic + 窄模型是应用层对抗前沿实验室的三件套；"独立第三方"逻辑（Onyx 的安全买家心理：不信卖你产品的人认证产品）是同一叙事在安全领域的变体。这为本库"模型层商品化、价值去哪一层"的未决问题添了一批一线数据点：价值捕获在"交互层/垂直数据护城河/合规与信任"，而非模型本身。

中美对照

美方讨论（Evans、Sinofsky、Raschka & Lambert）几乎全部围绕enterprise / SaaS 的价值捕获——因为美国的钱在企业软件。姚顺宇则指出中国的价值捕获逻辑在 C 端（字节被严重低估、美国没公司能在 C 端与之竞争）。因此"AI 商业化"在两国是两套不同的价值捕获范式：美国问"agent 如何重构企业软件栈的租值"，中国问"如何用 AI 把 C 端超级 app 的利润滚得更大"。而 Imas·Trammell 的"电力 vs 社交媒体"之问，其答案很大程度上取决于中国开源模型能否让前沿能力平民化——这让中美生态竞争直接决定了全球 AI 的价值分配形态。

前沿 vs 廉价：钱到底流向谁（2026-07 集中辩论）

来源：All-In / IPO、Token ROI 与开源之辩 · a16z / 挑选 AI 赢家的新规则 · All-In / SRO 与数据中心

这是本库迄今关于价值捕获最可证伪的一次对峙。两方都拿出了具体数据，且都承认对方的度量有缺陷。

怀疑方（Chamath） - 自家 CTO：token 成本每 45 天翻一倍，下游生产力提升最多 5%；解释是"要拿到下一档改进得用多得多的 token，因为我们实际上已经渐近了"。 - 宏观核查：剔除 NVIDIA 卖芯片收入后，标普 493 的 EPS 增长 9% 中绝大部分来自通胀之上的定价权、3% 来自回购 →"实际 ROI 在 0 到 2% 之间"。 - 结构判断：企业侧脆（买家少、迟早被问 EPS）、消费侧是避风港（买家多两个数量级、免疫 ROI 拷问）。触发点是"财报不及预期的那一刻"。

乐观方（Brad Gerstner、Sacks） - 事实反驳：deepseek 时刻后 18 个月，经济价值/钱包份额反而在向前沿集中；开源占企业支出份额从 19% 降到 11%。 - 机制解释是"心有余而力不足"——企业想多元化，但大多数没有技术能力建 token 路由中间件（Coinbase、DoorDash 做到了）。 - 单位经济学：摘要文档 2 万廉价 token 当然下放；但替代一个软件工程师 2 小时可能是 200 万昂贵 token，长任务中途断掉则 token 照烧、时间照赔。"替代 200 美元/小时的顾问时，花 3 美元还是 15 美元的推理成本无关紧要。" - 反共识猜想：benchmark 在收敛，但收入分布完全没收敛；若超级智能递归，领先可能在扩大。

⚠️ 双方共同承认的度量缺陷：开源是"暗 token"——自托管用量不体现为任何厂商收入，只体现为 Cerebras/NeoCloud/NVIDIA 侧的托管成本。因此"用收入份额判定谁赢"本身有偏，这一条同时削弱了乐观方的核心证据。

目前最可操作的判据（Decagon 创始人，Sacks 转述）——用例成熟度决定开闭源： - 你确切知道要做什么 → 开源小模型（可 post-train、有数据集）。Decagon 现 90% 用量走开源，但都是大量 post-train 过的。 - 你还不知道要做什么（当下大多数用例）→ 拿得到的最强通用前沿模型。 - 推论：随着用例成熟，重心会系统性地从前沿滑向窄模型——这与 ElevenLabs/Legora/Lovable 三家都在自研窄模型/post-training 的实际动作一致。

投资侧的同构表述（a16z 成长期）： - 选标的第一标准是"必须在 token 路径上"。 - 决定价值归属的最大变量是"模型公司的市场结构"，且被明确称为"根本不可知"：前沿两三家 → token 价格高；五家 → 低。token 价格低对整体经济更好（不会那么快逼出劳动力重构）。这与 Chamath/Gerstner 的分歧其实是同一变量的不同取值。 - 诚实的结论：结果会大得多，但预测谁捕获价值变得难得多——证据是 Forbes AI 50 榜单一年内 40% 掉榜。 - 一处与 Benedict Evans 的方向性张力：Evans 认为模型商品化、价值向上游走；a16z 成长期则观察到"模型公司正一路往上挤进应用层"（提升黏性的最大手段）。

⚠️ 未解分歧：model-agnostic 到底是护城河还是陷阱

本库应用层战略上最清晰的一处对立：

• 支持路由：Lovable 的 Anton Osika（请求路由到最适合的模型，含越来越多开放权重）、ElevenLabs 的 Mati（model-agnostic 平台）、Legora 的 Max（窄任务微调模型）。三家都是前沿实验室的八九位数客户，同时都在建自己的模型。
• 反对路由：swyx——"如果你以路由为傲，你永远无法充分利用任何一个模型的完整能力……这是成为所有模型的最小公分母的绝佳方式。"他以云计算浪潮类比（all-in AWS 的赢过多云抽象的），称路由"更像一句营销词"。
• 但 swyx 与他们在更上层是一致的：他的"agent lab"（不要挑解法、要挑问题；做某个行业的 AI 层，把每波新能力叠进去做最后一公里）正是这三家在做的事。分歧只在模型层要不要 all-in 一家。
• 一个尚无人回答的实证问题：Databricks 的 Ali 发现同一模型下 harness 选择能省约 2 倍成本——如果 harness 而非模型才是主要变量，那 swyx 的"榨干单一模型"与对方的"路由"可能都不是关键轴。

泡沫的损失落在谁头上（Mark Cuban，2026-07）

来源：Mark Cuban 谈 AI 泡沫

本页已收录的泡沫之辩（Chamath 的 token ROI 悲观 vs Gerstner/Sacks 的钱包份额乐观）争的是"有没有泡沫"。Cuban 作为上一场泡沫的幸存者，把问题换成了一个更可回答的形式——这次的损失落在谁头上：

• 不是散户，是机构："那时候是没收入、没流量的公司上市拿疯狂估值，你打车司机都在聊这些。今天你完全看不到这个。所以这不是一场会波及大多数人的泡沫——但它可能摧毁一大批 VC、一大批基金、一大批 PE，因为他们在 all in。"
• 病灶是入场价："我们过去做天使能在 500 万、1000 万估值投进去，然后突然要价变成 4000 万、5000 万、6000 万，产品还没上线。"
• 叠加私募信贷层：巨头把现金流全砸进 capex 再在其上借债发债——"这是在按完美情况定价"；"本来就已经有一个私募信贷问题了"。
• 基金经理的行为学诊断："过去券商的产品经理要跑赢标普；现在你得跑赢隔壁那只基金才能让钱继续进来。于是大家全都在 Anthropic、SpaceX 里庆祝。"
• 他的处方是"去上市"——因为这一轮由私募资本驱动，应该有远多于现在的 5000 万–1 亿美元级 IPO。理由不是套现而是并购货币："如果 AI 真做到我们知道它会做的那种颠覆，你会想去买那些跟不上的传统公司、或者有你需要的数据的公司。股票就是货币。"背景是前四年并购基本停摆（"做 corp dev 的人都说上面让我们按兵不动"）。
• 给前沿实验室员工的建议：做 collar。"我到底需要多有钱？"他自己当年为对冲 Yahoo 头寸，先让高盛做了一个由他认为很烂的互联网股票组成的指数并做空，在那个空头上亏了几千万美元。
• 能源侧的反向读数（"数据中心变匹克球场"）见 AI 算力与基础设施。

窄数据集是魔法，通用场景不是（Mark Cuban，2026-07）

• "当你有一个窄数据集——代码、法律、税务——它就是魔法，而且就是数学。但当世界上的普通人想用它做普通事情……就像当年搞明白 PowerPoint 或 Excel——你公司里总得有那么一个 Excel 专家。"
• 这与本页已收录的应用层三件套（垂直化 + model-agnostic + 窄模型：ElevenLabs、Legora、Genesis）以及 Decagon 的用例成熟度判据（知道要做什么 → 开源窄模型；不知道 → 前沿通用）完全同构，但 Cuban 是从买方/使用者的位置得出的，因此是一次独立验证。
• 落地难度本身就是价值捕获的位置：因为 AI 难用，所以"任何懂 AI 的人都可以走进任何一家企业说'你们撞到的这些失败我能修'"；再加上 agent 漂移（底层模型演进导致既有编排失效）"要更多人来管这些东西"——这意味着相当一部分价值会沉淀在集成/运维层，而不是模型层。这条与本页"价值向上游转移"的主流叙事构成张力。
• forward-deployed engineer 作为能力测量、以及"不是替代是反事实"的经济学口径，见 AI 与就业。

incumbent 的数据护城河到底值不值钱：要看它对不对用例（DoorDash，2026-07）

来源：No Priors 访谈

本页此前的价值捕获多在"模型层 vs 应用层"。DoorDash 提供了存量网络的数据资产这一维度，且给出了一个判断"incumbent 数据优势是不是真优势"的标尺：

• 护城河 = 用例相关的专有数据，而非"我有数据库"：Dot 要解"最后 100 英尺"（机器人开到一个 GPS pin 前不知道是哪扇门/哪道闸），而 "人类 Dasher 历史上把包裹放在哪"这份 drop-off 数据只存在于 DoorDash、Google Maps 里没有（00:31:19–00:32:19）。Sarah Guo 顺势点破一个常见误判——"早年很多人对 incumbent 数据优势的理解太表面（'我有客户记录和数据库'），但那跟你想让 agent 完成的用例往往没什么关系"。
• 这与 Mark Cuban"窄数据集是魔法"、Legora"数据要全不要 80%"、Xaira"因果模型需要因果数据" 是同一命题在物流场景的又一版本：决定价值捕获的不是数据量，而是数据与要解决的因果/操作用例的对齐度。
• agentic commerce 的分发权：50% 新店下单、40% 更大杂货客单（见 AI 与就业 与视频页）说明对话式界面本身在重新分配需求——这是 戴雨森 agent marketplace、Steinberger"每个 app 都是很慢的 API" 判断在一个 30 亿单实体网络上的早期兑现："现在网上 agent 流量已超人类流量"，遂上线 DoorDash CLI 抢 agent-first 入口。

横向技术供应商：像芯片公司一样捕获价值（Applied Intuition，2026-07）

来源：为什么物理 AI 是下一个前沿

本页此前的价值捕获模型多是"前沿实验室 vs 应用层"的二分。Applied Intuition 提供了第三种，且明确自比半导体：

"我们看起来、走起来都很像一家硅公司，只是我们不做芯片——我们有 design win，然后是很长期的关系，一旦进去就很难被拿掉。你需要极深的信任。Jensen 厉害的地方是他懂他的客户。"

• 分发交给制造商：他们在日本跑的自动驾驶卡车今天就在拉商业货，但品牌是五十铃。类比康明斯——一堆重型机械里装的是康明斯发动机，没人因此说卡特彼勒不行。
• 明确不介意武装竞争对手（Dana 会卖给对手）："看看 Google 对 web 应用做了什么——Google 靠搜索和 YouTube 依然赢了，其他人则学到了东西。"
• 护城河是约束的组合而非单点技术：offboard 大模型 + onboard 小模型 + 安全约束 + 确定性约束 + 数百 PB 自采数据 + 地缘许可，"把这一堆约束同时满足实在太难了"。
• 与本页"垂直 vs 水平"之辩的关系：Tesla/Waymo 是垂直，Applied 明确选水平，而它给出的理由是分发而非技术——传统制造商"懂政府、有试车场、最懂自己的卡车"，这些能力比模型更难复制。
• 一个来自 Gelsinger 页面的对读：Intel 作为 IDM 错过代工，正是因为"当时这块业务小到 Intel 根本不在意"。Applied 押的正是"物理 AI 的智能层现在还小到没人抢"这个窗口。

商品化的时间尺度：为什么终值溢价给不出去（Chamath，2026-07）

来源：All-In #282 00:24:10–00:27:12

本页的商品化叙事此前多是方向性的（价值向上下游转移）。Chamath 这次给出的是时间尺度论证，也是本库对"模型层会被商品化"最可引用的一个版本：

• 机制："一旦某个模型发布了性能指标，就不存在有意义的持续优势"——几周内其它模型（开源、闭源、开权重）就能追平甚至超过。
• 真正的论点不是"现在崩"，而是"终值给不出去"：

  "市场很精明，它看穿当期盈利，只问一个具体问题：这笔收入 10 年后长什么样？……通常这些牌是慢慢翻开的，你有 5 到 10 年的周期从独家供应商过渡到商品供应商。只有技术能造出这样一个市场——这个周期被压缩到几年。 而如果你是配置资金的人，看着这些数据不去怀疑它 5 到 7 到 10 年后会不会变成商品，那是失职。"

• 落点："真正的商业模式已经不在基础模型层，它在上面的应用层和下面的基础设施层（云或芯片）"——这与本页开篇的核心命题完全同构，但第一次被接到IPO 估值上。
• 他自己划的边界："我不是说这些公司赚不到钱"——争的是终值倍数，不是盈利能力。

⚠️ 与本页 前沿 vs 廉价 的对峙有位移：那一节的反方是 Brad Gerstner 的"领先在扩大"（收入分布未收敛、递归自我改进）。本期 Gerstner 不在场，Sacks 接过反方，但他论证的只是"还没崩、我们还领先 6 个月"——这比 Gerstner 弱一个量级。反方论点的这次退守本身值得跟踪。

与 Poolside 的交叉验证（两条独立路径，同一结论）

• Eiso Kant 从技术侧论证：行为 > 原始智能、知识工作的最优模型尺寸可能只在 1T–10T，因而开源能赢。
• Chamath 从资本市场侧论证：商品化周期被压缩到几年，因而终值溢价给不出去。
• 两条路径互不依赖，结论一致——这是本库目前对"模型层被商品化"最强的一组交叉验证。⚠️ 但两者都是供给侧论证，都未正面回应 Gerstner 的需求侧反驳（长任务的 token 经济学：替代 200 美元/小时的顾问时，推理成本 3 美元还是 15 美元无关紧要）。

"暗 token"的量化更新

• 第三方数据显示 OpenRouter 上开源模型份额已超 50%，其中很多来自中国模型（00:25:10）。
• Jason 的口径："自托管的推理是暗 token，不会出现在任何收入曲线上——你只需要服务器和电。"
• 方法论含义：本页多处用收入份额判断开闭源胜负（含 Gerstner 的"钱包份额在向前沿集中"），这条说明该口径系统性低估开源。Sacks 本人也承认这一点。

两侧的收入数据（同一集内并列，便于日后回看）

• Anthropic：年初 100 亿 ARR → 年中超 700 亿；内部全年目标 1000 亿。第三方追踪图显示近两月有一个凹口，Sacks 归因于 OpenAI 抢份额（"Codex 非常好"）而非开源侵蚀。
• OpenAI（第三方估计）：5 月 330 亿 → 7 月 413 亿（加速）；年底 exit ARR 预期从 600 亿上调至约 750 亿。
• ⚠️ 均为第三方估算，节目中明确标注"不是公司给的数字"。

分歧：开源势头会不会拖延前沿实验室的 IPO

本库中 Jason 与 Sacks 分歧最尖锐的一次（00:34:17–00:35:18）：

• Jason：创业公司正大规模迁到开源与上一代模型、自托管，"很多活根本不需要最新模型" → 毛利压缩 → "有非零概率拖延他们的 IPO"。他的传导路径是创业公司 → 企业（"创业公司是未来，企业最终会抄"）。
• Sacks：数据里看不到——收入曲线在加速，且护城河"不只是模型，还有 harness、connectors、企业协议"。
• Chamath 的居中修正（这句是本节该记的）："不是 95% 的前沿任务谁都能做，而是 95% 的任务可以由很多不同的模型完成。"
• Sacks 给的开源衰减条件：开源"更可控、可定制、有数据主权，但更费事"——⚠️ Jason 当场指出这一层正在被抹平（"3–6 个月前很费事，现在这么多中间商做默认接开源的 harness"）。这是一个可跟踪的证伪点。

版权：15 亿和解判的到底是什么，以及"竞争性使用"（All-In，2026-07）

来源：All-In #282 00:48:28–01:04:46

• 事实：Anthropic 就 AI 版权诉讼和解 15 亿美元（称美国史上最大版权和解）；从盗版站下载 700 万本书；覆盖 50 万本、每本约 3000 美元；律师费 1.01 亿；91% 覆盖作者已认领。
• ⚠️ 最需要标注的纠偏（Sacks，00:50:28–00:51:30）：这笔钱是为盗版获取付的，不是对"训练是否构成侵权"的裁决。"他们惹上麻烦是因为连一本都没买——如果每本买了一份拷贝，就不会因盗版被钉住，他们本可以走 fair use 抗辩。" fair use 这个核心问题仍未解决。
• 自噬论证（连接开源政策与版权诉讼，本库首次）：Anthropic/OpenAI 的立场是"买一份拷贝就能在全世界创作者的输出上训练，不管创作者愿不愿意"，唯独"我们的输出"你不能训练。
• 语源考据："industrial scale distillation attack" 是 Anthropic 2026-02 博客首创（此前无人把 distillation 与 attack 连用），且该文中不含 "IP theft" 字样——"他们没有胆量声称这是 IP 盗窃，因为那会毒死自己所有的 fair use 官司"。
• Sacks 的"致命错误"假说：本该说"伪造账号是欺骗性商业行为"，却说了 IP 盗窃 → "等于承认自己整个产品是偷来的，那内容创作者为什么不能主张拿走 Anthropic 100% 的收入？"
• 两条互斥的版权判据（本库首次记录的这组分歧）：
• Friedberg：知识无法被围住——搬运文字重印是侵权；"读书 → 读书评 → 知识扩散 → 抽象转化成新输出"不是。判据在是否复制表达。
• Jason：竞争性使用才是断层——援引 Thomson Reuters v. Ross（Westlaw）："当你跟我做的是同一门生意，那在版权法里有特殊位置，因为你侵害了我使用自己版权的能力。"判据在是否替代原作市场。问一本书讲什么 → 没问题；直接与我竞争 → 有问题。
• Sacks 未在这一点上选边（"我关心的是虚伪性，不是 fair use 谁对"）。
• 商业含义：Jason 主张 AI 公司拿 10% 收入建池子做持续授权（这样才拿得到下一本书、下一篇报道）；Sacks 反驳"10% 喂不饱疯狗，他们会要 100%"。产业侧已在动：内容方要求 Google 拆分爬虫——"我要在 Google 索引里，但不要被 AI 索引"。

碎片化对基础设施层最有利：Google 作为公开市场的 AI 标的（2026-07）

来源：All-In #282 01:06:46–01:15:50

本页"价值向上下游转移"的命题，第一次在公开市场财报上得到检验：

• Chamath："能发生在 Google 身上最好的事，就是 500 个不同的模型遍地开花而他们全都支持"——钱在硅片层与云。他对 capex 的辩护用了一个数字：Google 上市 25 年平均 ROIC 32%，"当你是一台 20 年平均 32% 复利的机器，就该给他们 benefit of the doubt"。
• Freeberg 的最坏情形论证："就算应用层全不成、网络效应全不成、模型也不行，他们仍然拥有世界上成本最低的基础设施，可以给别人的模型 serving 印钱"——所以"押 AI，公开市场最好的标的是 Google"。另加 GCP 的企业数据位置（邮件、云盘）与 model-agnostic（⚠️ 与本页 model-agnostic 是护城河还是陷阱 的未解分歧直接相关：这里被当作优势）。
• 市场的反向读数：Google capex 指引 1950–2050 亿、Cloud 达 1000 亿 run rate，但上市以来首次自由现金流转负，财报后跌 7%；Tesla capex 同比 +140%、预期 250 亿，跌 14%。即：市场当下并不为"沉降到基础设施"的叙事付钱。
• 进入壁垒的量化（Chamath 的五个九阶梯）：99% 相对便宜；第三个九数十亿、第四个九数百亿、第五个九数千亿——"场上只有三家"。这是本页少见的对基础设施层护城河的成本侧量化。

开源基础设施如何捕获价值：按 token 计费而非卖工程师时间（游凯超 / vLLM，2026-07）

来源：张小珺访谈 #148。本页此前讨论的价值捕获主体是模型层、应用层与云/芯片层；开源基础设施层自己怎么挣钱是一个空白，这是本库第一份一手样本。治理与组织侧详见 开源基础设施与治理。

定价原则

三条并行探索的模式（[01:48:32]–[01:50:33]）：Endpoint Service（公司有机器有软件，客户直接买 token）/ BYOC（客户有机器、公司供软件，token 供其内部自用）/ 生态合作。统一到一条原则：

"整体上来说我们希望做到一个按量收费的状态。我们不是技术外包，我们不是在售卖我们工程师的时间；我们产生的价值取决于我们为你多产生了多少 token、为你的这些机器又节省了多少成本。"

• 这是用"为客户节省的成本"而非"投入的人时"定价——把开源基建从咨询/支持合同（Red Hat 式）推向了计量计费。与本页 横向技术供应商：像芯片公司一样捕获价值 属同一族策略：不按项目卖，按单位产出卖。

投资人的估值逻辑：卡位而非收入

• 种子轮 1.5 亿美元（[00:00:00]）。他转述的投资逻辑是生态卡位："每一个模型的发布背后都跟着 vLLM 的支持，每一个芯片厂商都会主动来靠近 vLLM"，"那么这背后的市场其实是一个多少 B 亿的市场，所以其实给我们的投资相比于我们产生的价值来说，我觉得并不算多"（[01:40:26]–[01:41:28]）。
• 钱早于公司到位：2023 年就有基金给 vLLM 项目本身几十万美元级资助（非投资），2024 年 Sequoia 与真格以捐赠形式支持开源社区。等到 2025 年底四人决定创业，"他们其实都比较爽快，都说'其实我钱已经准备好了'"（[01:38:25]–[01:39:26]）。
• ⚠️ 这是一个值得记的新型早期布局方式：VC 在标的尚不是公司时先资助开源项目，用两年时间换取创业时的优先权。
• 但公司侧保持克制：不断有人给"几千万美元的 SAFE"，"我们不是为了融资而融资"（[01:40:26]）。公司规模 30–40 人。

⚠️ "供少于求"是一个有时效的前提

被问到商业客户与社区需求冲突时怎么选，回答揭示了当前的议价地位（[01:46:29]–[01:47:30]）：

"我们不接这样的商业客户。我们现在是供少于求的状态——我们能支撑的商业客户远远小于想跟我们做商业合作的客户，所以我们可以非常爽快地拒绝我们不想做的事情。"

本库应把这条记为待证伪项：开源基建"商业化不伤害社区"的论证，眼下成立的原因是需求过剩使其无需取舍。一旦供求反转，这个冲突才会被真正检验。

一条对"模型商品化"论证的限定

游凯超对 token 不可调制、"带着模型的烙印" 的判断（[00:01:01]–[00:02:02]，⚠️ 仅存于片头预告）意味着 token 不是同质商品、不可跨供给源互换。本页多处（商品化的时间尺度、前沿 vs 廉价）在论证模型商品化时隐含了"token 可比价、可替换"的前提——这条来自推理引擎一线的观察要求那个前提被更小心地对待：切换供给源意味着切换模型，而不只是切换价格。

"万物应用"：把分发而非模型当作护城河（Akshay Nathan / OpenAI，2026-07）

来源：Latent Space 访谈。本页此前对 OpenAI 的讨论都来自外部（投资人、竞争对手、播客主）。这是第一份来自 OpenAI 产品侧的自述，而它揭示的策略与本页多条论证直接相关。

产品动因：分发是被浪费掉的资产

• 起点不是市场分析而是内部观察：Codex 在 OpenAI 内部出现了非开发者的采用拐点，且"人们为自己在用 Codex 感到骄傲，像是拥有了一种超能力"（[00:07:04]–[00:08:04]）。
• 由此产生的产品问题被表述得很直接：ChatGPT 已有的巨大分发盘（数亿用户），怎么把这份 agent 能力交到他们手上。ChatGPT Work 发布约一个月即 1000 万用户，但他自己的口径是"1000 万很酷，但我们需要把它给到所有人"（[00:43:26]）。
• ⚠️ 值得注意的是它只对付费用户开放，且不把免费用户默认切进去（[00:44:27]）——这与"超级应用"的叙事之间有张力：分发盘大不等于分发已完成。

替代逻辑：不卖 seat，卖"你不必知道怎么用那个工具"

• agentic Excel / PowerPoint / Docs：他明确不把它讲成"你不再需要 Excel 授权"，而是"这是第一阶段"——重点是迭代，而高保真呈现同事将看到的样子才让人敢信任这个迭代（[00:23:12]）。
• Sites 是他认为被低估的那一个，且论证是关于能力边界而非价格（[00:26:12]–[00:27:12]）：公司财务团队的月度报告已从幻灯片和表格搬到 site 上，理由是 PowerPoint 和 Excel 无限灵活，但总会撞到"人不会用某功能"或"产品不支持"的边界，而 site 里你想要什么就能要到什么。
• ⚠️ 这是本页"AI 会不会吃掉 SaaS"辩论的一个具体机制：被替代的不是软件的功能，而是用户与软件功能之间的那道学习成本。与 Sinofsky"企业里所有有趣的事都是例外处理" 恰好构成正反面——Sinofsky 说定制深度无法被 vibe code 掉，Akshay 说的是大多数人根本没到过定制的深度。

一条与本页"模型商品化"相关的产品判断

• 默认值即主张："我们希望对默认值有主见……默认就该对绝大多数用例是最好的"；高级旋钮存在但"可以说现在旋钮可能太多了，我们正在简化"（[00:18:11]–[00:19:11]）。
• 模式路由由模型自己做（[00:15:09]）。这与 swyx 反对跨厂商模型路由 不在同一层，但共同指向一件事："选哪个模型"正在从用户决策变成厂商内部决策——如果这一步成立，"模型商品化"的价格发现就更难发生在用户侧。
• ⚠️ 一处明确的产品回退：Ultra 发布时"我们对 Ultra 是给谁用的没有足够主见"，之后改为需手动开启并移入高级设置，因为它会更快耗掉用户额度（[00:55:32]）。这是本库中罕见的、来自前沿实验室的成本-体验取舍自述。

组织侧：团队不会因为 AI 变小

"个人或小团队能完成过去需要更多人的事，但同时要做的事也更多了，所以团队变得更有野心"（[01:02:38]）。与 AI 与就业 页上 Cuban 的"反事实"论（支出不是从被替代的预算转移，而是从"从未存在的支出"里长出来）同向：AI 的第一序效果是需求创造，不是成本压缩。

硬件创业者的价值捕获：短期靠性能，长期靠生态（孟子立 / WiCi，中，2026-07）

来源：月球大叔访谈

本页的硬件视角此前主要来自 阳萌（安克）（成熟消费电子公司）与芯片层。孟子立 补的是深科技硬件创业公司这一档，几条判断很干脆：

• 被大厂抄了怎么办：最现实的答案是快——"起步早是我们唯一真正的优势"；对成熟公司来说进这个领域需要战略决策，不是自下而上的团队能推动的。硬件会被抄（本来就用 ODM），但系统性能远好于对方就够了；"短期，性能就是一切"（[01:11:35]–[01:12:35]）。
• 护城河的自我定位：最底层的驱动层与推理层；其余"能卸载的卸载、能外包的外包"——硬件交 ODM，应用交开发者社区："机器人开发者比我更懂拿更多 GPU 算力能干什么，我为什么要假装比他们更懂他们的领域？"（[01:10:35]）
• ⚠️ 生态不能人造："我不认为你能刻意制造一个生态。它只在人们觉得有用时才出现。"（[01:11:35]）这对本页多处出现的"生态即护城河"论证是一条来自实践者的限定。
• ⚠️ 本节最值得记的一句（对"场景多 = 市场大"的直接反驳）："很多场景不等于很多应用，很多应用不等于愿意付费。"（[01:08:35]）
• 市场路径：长期 B2C（替代家用路由器），短期"大 C 小 B"——视频剪辑师这类专业消费者与小型工作室；引 YC 的"先找一小群死忠用户"（[01:07:34]–[01:08:35]）。
• ⚠️ 一条被上游定价直接冲击的 BOM 风险：产品含顶配 GPU，"大家最近都看到英伟达又调价了"，事后看应多囤货、签长期协议（[01:17:37]–[01:18:38]）。这是本页 Jensen 卖铲子的一方 在下游硬件创业者处的成本侧回声。

"软件从来没干过活"：市场为什么突然大了两个数量级（Alex Rampell / a16z，2026-07）

来源：Lassie 那期（[00:07:04]–[00:12:08]）

本页此前谈价值捕获多从模型层往上看（Evans 的价值上移、Sinofsky 的例外处理、David 的 token 路径）。Alex Rampell 提供的是一个往下看四十年的框架，结论落点相同但路径完全不同：

• 软件的起源是把文件柜放进数据库。零点是 Sabre Systems（IBM 与 American Airlines 的合资项目），此后每个文件柜对应出一家公司：HR → PeopleSoft，法律 → LexisNexis，会计 → QuickBooks / NetSuite。
• ⚠️ 反直觉的结论：世界并没有因为软件变得多有效率——"同样规模的公司，1950 年和 2000 年在 HR 部门工作的人数差不多"，只不过看守文件柜的人换成了 IT 部门和 CISO。（他自注"为了效果有所夸张"。）
• 变化在于软件现在能编辑文件柜，而不只是存储：不再只显示逾期发票，而是打电话去催款。由此得出核心命题："工作的体量比工作所依附的信息存储大好几个数量级。"
• 市场扩张的两级台阶：
• fintech 的捆绑效应——"Toast 本可以在 1985 年就存在"，没出现是因为太难用 + 年流水 500 万美元的餐厅不会为 MS-DOS 软件付 10 万美元；捆进支付处理（2% vig）后"你实际上就是在收那 10 万美元"。
• 软件开始干活——"相比之下 fintech 只是让市场大了一点点"，因为现在可以按工作收费。
• 同心圆尺度：软件市场约 1 万亿美元（"其实也不算小"）→ 金融交易（"所以 Visa 市值很大"）→ 劳动"真的要大好几个数量级"。

与本页既有命题的关系：这条是 Benedict Evans 价值上移论的市场规模版；而"世界没因软件变高效"与 Sinofsky 的例外处理是同一现象的两种归因——Rampell 归因于软件不干活，Sinofsky 归因于例外只在人脑里。

护城河老命题不变，但有一半失效了

• 老命题保持："创业公司与 incumbent 的战争，取决于创业公司先拿到分发，还是 incumbent 先拿到创新。"
• ⚠️ AI 让 incumbent 拿到创新的速度变快了："大公司为什么复制不了小公司？原因之一是他们雇很烂的工程师、流程又多。但现在 AI 把一个烂工程师变成一个还行的工程师，所以这条借口有点站不住了。"（[00:24:14]–[00:25:14]）
• 补偿性的新机会：大量品类根本没有 incumbent 软件公司，因为那里唯一要做的事就是人的劳动。反例是"给 Workday 做背景调查插件"——好到显而易见，而 Workday 拥有全部客户。正面则是本页最精炼的一句（[00:27:17]）：

"incumbent 名叫 Betty，她两周前辞职了。那就是 incumbent。"

• 公开市场与 VC 的错位："公开市场说软件已死、软件归零，VC 说 AI 太棒了——但 AI 就是软件，软件就是 AI，两者是同一个东西。"（[00:26:16]–[00:27:17]）

垂直 agent 的护城河：本体论 + 集成 + 监管时点（Lassie，2026-07）

来源：Lassie 那期

与本页 OpenAI"万物应用"把分发当护城河 构成一组对照：两者都不押模型，但押的东西完全不同。

• ⚠️ 恰恰因为没有 incumbent，护城河反而更难建（[00:28:18]）。Steijn Pelle 给的三层：① 各系统之间的读写集成；② 一套跨系统可用的数据模型/本体论——"必须让整个生态里的每个人对'一张理赔单'和'一笔患者付款'的定义达成一致，因为所有这些系统的定义都略有不同"；③ 上层的 agent，"不实际干过这活是造不出来的"。
• ⚠️ 最不常见的一层：监管拐点（[00:52:36]–[00:54:38]）。"即使我们有那些模型，几年前你也做不了这件事——文件柜真的就是文件柜。" 解锁点是联邦政府强制该行业提供直接存款选项、并为逐项发票创建数字文件格式；他称这类小企业约 70% 仍收纸质支票。"即使你五年前就有那些模型，付款还是纸质的。" Lassie 把"帮客户完成这次转换"本身产品化了，并称"这可能是个更有意思的护城河"。
• ⚠️ 数字化停滞的需求侧解释（Frédéric Renken，[00:55:39]）：付款至今在纸上，部分原因是员工本来就更愿意在纸上手工干这活——数字化之后得到的只是一个 PDF 而不是一张纸，"你还需要工具去用这个 PDF"。"所以此前根本没有数字化的激励。"

⚠️ 单位经济学：定价锚在劳动预算，不是锚在成本

一组少见的完整数字（均为嘉宾原话）：全美约 16 万家牙科诊所、每家每年约 20 万美元行政成本、每月约 200 小时文书工作；首个 agent 每月只做 30 小时劳动，已收五位数（美元），且"这确实是从 P&L 的劳动预算那一栏里出的"（[00:14:10]、[00:16:10]、[00:34:21]）。

• ⚠️ 由上述数字推算（本库算术，非嘉宾断言）：20 万美元 ÷ 2,400 小时 ≈ 83 美元/小时的全负担行政人力成本；五位数买 360 小时/年，与被替代的人力开支大致同量级。即价格锚定在人工价格上、而非趋近于边际成本——与 Jonathan Hurst 关于机器人"价格由人类劳动力设定、因此是非常缺乏弹性的价格" 结构完全相同，此处是软件版。两条独立路径得出同一结论。
• ⚠️ 他给出的 TAM 比自己的数字保守得多：16 万 × 20 万 = 320 亿美元行政支出，而他只说"你看到的是 10 亿美元 ARR 的市场"，隐含约 3% 捕获率。本库中创始人主动低报 TAM 的情形罕见，记下以便日后回看。

⚠️ 训练成本远未最优：来自 physics of AI 一侧的说法（刘子鸣，中，2026-07）

来源：刘子鸣期（[01:25:42]）

本页多处讨论 capex 与 token 成本（Evans 的物理上限、Poolside 的最优模型尺寸、孟子立的端侧算力）。刘子鸣 补的是一条来自架构研究侧的判断："我们现在不是最优的一个 recipe，很有可能还有很大的优化空间"，因此他把训练降本的希望明确挂在 physics of AI（理清每个 trick/架构的适用条件）上，而非挂在硬件或规模上。

配套的产品愿景是 vibe training（[01:19:33]–[01:23:39]）：用户只说需求并给出预算约束（"我这里只有 100 块钱"），系统端到端设计、训练、部署模型。他的定位很大——"我们不是自己做一家 OpenAI，它是能够孵化各行各业、各个垂直领域的 OpenAI"。⚠️ 但他坦承需求侧想不清楚："好吧我实话实说，我也没有想太清楚……但当技术便宜到一定程度的时候，有些需求它自然会涌现。"

应用层到底在做什么：三条被同日反驳的流行说法（Decagon / Netic，2026-07-31）

来源：a16z / Decagon、No Priors / Netic

2026 年上半年最流行的叙事，被 Decagon 那期 的主持人原样摆到了桌面上（[00:15:07]）：

"这个叙事主导了 2026 年上半年——Anthropic、OpenAI 是最后的创业公司，它们会通吃一切；应用层不过是套着 FDE 的薄 UI。"

同一天两家应用层公司（Decagon、Netic）从三个不同角度给了回答。

一、业务逻辑必须在应用层，而且是靠上下文不是靠微调

⚠️ 这是本页最有工程价值的一条区分（[00:17:10]–[00:18:11]）：

"我不是在为行为做微调，我是在教 AI 我自己的流程。而那件事不是通过微调发生的，是在上下文里发生的——因为如果你把它微调进去，每次你改流程都得把它逆转回来，这说不通。" "这些业务逻辑跟模型本身毫无关系……它必须存在于应用层。"

由此推出的应用层清单：深度集成、承载业务逻辑、跑测试与实验、复盘对话、跑 QA、给合规团队做监控的工具。

另一条相关区分（[00:16:08]）："我们做的绝大多数微调是为了我们的用例做定制，不是为那个客户做定制"——对 Decagon 值得，因为他们只干客服这一件事；"但如果你是那家企业，值得把宝贵的研究资源拿去调一个客服行为的模型吗？大概率不值得。"这解释了为什么应用层公司在微调上有规模经济而它的客户没有。

二、护城河四条清单（本页目前最具操作性的一份）

被直球问到"假设我们到了 AGI，Decagon 十年后凭什么还存在"，Ashwin Sreenivas 的回答从一个前提出发（[00:35:17]）：

"今天模型的能力远远大于它们在企业内部被使用的程度。你不能直接拿一个模型说'我把企业里的一切访问权都给它，它自己会搞明白'——实际上不是这么回事。"

假设模型完美无缺之后，仍然剩下的四件事：

1. 能力边界——"告诉模型它能做什么、不能做什么，并确保它不能做出任何灾难性错误的事"；
2. 组织协同——"让企业内几百个人能协作，确保 agent 在他们各自是专家的那些用例里按预期行事"；
3. 合规测试——"确保它不越过我有的任何监管红线"；
4. 洞察抽取——"从发生的几百万条对话里替我的其它团队抽出洞察"。

⚠️ 他罕见地给出了失效条件与时限："一旦这些因为 agent 能即时造出来而被商品化——那我就不知道了，我们三年后再来搞清楚。"

与本页已有护城河论述的关系：与 Lassie 的三层（本体论 + 集成 + 监管时点）、Sinofsky 的"护城河 = 例外处理" 并列，但 Decagon 这份的特点是它假设模型完美之后再列，因此不依赖"模型还不够好"这个会过期的前提。

三、"AGI 也需要软件"

⚠️（[00:19:13]–[00:20:15]）"我不太买'实验室是最后的创业公司'这套。某种意义上人类本身就是 AGI，而人类为了做各种事一直需要用软件——你需要数据库来放东西、需要 CRM 来追踪。即使有了 AGI，我们所有的 AGI agent 也需要一个地方来存放工作、拉取信息、对事情做推理。"

• 他保留的部分（这是本页该记的限定）："一类纯粹为了让人干活而建的 SaaS 公司可能会挨点烤火"。
• 他给的长期形态："也许长期来看，应用层公司就变成了特定垂直领域的实验室，因为你的主要产品最后就是那些特别擅长做那些特定任务的模型。"——这条与本页 Benedict Evans 的"价值上移" 的方向相同，但落点不同：不是价值上移到应用层，而是应用层自己长成模型层。
• CRM 不会死的具体论证（[01:04:36]–[01:06:37]）："如果你今天的 concierge 是个人类，他还是会把你的信息写进 CRM 好以后追踪"；更有意思的版本是"未来也许是 agent 在用界面、连图形界面都不需要，那 CRM 仍然非常有价值，因为它们持有事实来源，只是被 ping 得多得多了"。他们自己"对建 CRM 零欲望"。主持人的总结："所以 SaaS 没死。"

四、Netic 的第三条答法：动机层与产品寿命

Melisa Tokmak 面对同一个问题给的答案不在数据或集成上，而在实验室的动机结构（[No Priors 00:12:16]–[00:15:16]）：

• 先降温："10 年前一模一样的问题是'Google 能不能做这个'。"
• ⚠️ 产品寿命论证："OpenAI 造好产品非常快，但它砍产品也非常快。我不认为这些行业的企业在找'非常快'这件事。"（对照她给的反例：Anthropic 在编码 agent 上跑出来是因为专注，"但在企业侧你看到的恰恰相反，那里有大约 20 个产品"。）
• ⚠️ 动机层（她最锋利的一条）："研究员真正在乎的是解掉问题最可泛化的形式。放到我们的问题上答案就成了'等我们拿到 AGI 了，再去问它怎么替基础服务业解决这件事'。我觉得这在运营上和智识上都有点懒惰。"
• 落点："last mile 不只来自模型，必须来自 harness 与编排、来自你在上面造的软件和产品——像我们这样的公司必须在三层上都做得好。"

本页标注：这是本库对"实验室会不会通吃"的第四种答法。此前三种是数据护城河（Mark Cuban 的窄数据集）、集成与监管时点（Lassie）、行为 vs 智能（Eiso Kant）。Tokmak 加的是动机与产品寿命。

⚠️ 横向 vs 垂直：同一天的直接对立（2026-07-31）

来源：a16z / Decagon、No Priors / Netic

两家都在做"企业与其客户之间的那一层 agent"，赌注相反，且各自给了理由。本库并列不裁决，作为一条可跟踪的分歧。

	Decagon	Netic
赌注	横向（客服 → AI concierge，跨行业）	深垂直（HVAC/管道/电气/宠物/健身/酒店/汽车）
理由	"在我们这个空间里赢家会是横向的……Salesforce 非常横向、Zendesk 非常横向，因为你从规模、从一个健壮和深的产品里拿到的，比从垂直特定功能里拿到的更多"（[01:02:35]）	实体服务的运营规则与劳动力调度无法横向抽象；判断链包含机组类型、客户终身价值、该派哪位师傅（[No Priors 00:03:08]）
对未来结构的预测	垂直与市场分层上会发生整合（consolidation）	"每一家实体生意都能跑在 Netic 上"（[No Priors 00:10:15]）
共同点	都认为模型不是瓶颈，护城河在模型之外的那一层	同上

⚠️ 每次对话的 token 数在上升：对 token 经济学的第三种解释（Decagon，2026-07）

来源：a16z / Decagon

本页已有两种读法：Chamath 的"token 成本每 45 天翻倍、下游生产力最多 +5%"（token 增长 = ROI 恶化），以及他在 2026-07-31 给出的机制版本——AI 编码有大量返工："第一版相当糟糕，第二版也糟糕，但它更快、更自动化……它不是'量两次剪一次'的动力学，是相反的"，因此"没有人在问这个增量 token 的必要性是什么"。

Decagon 给的是第三种（[00:13:05]）：

"我们的产出单位是一次对话。客户不在乎那次对话花了我们多少钱、里面有多少 token。而且随着时间推移，我们每次对话用的 token 数其实是上升的——因为我们在做更多次模型调用来提高质量、做更多检查、并行更多东西。这就是我们现在所处的阶段。"

即：token 增长是有意的质量投资，且在他们的成本结构里划算——因为计价单位不是 token。配套的两条：

• 他们不优化成本："驱动因素是性能与延迟，成本是好的副作用……跟客户谈时他们根本不在乎你的成本。"（[00:12:04]）
• ⚠️ 对 tokenomics 之辩的元观察（[00:14:06]）：这个辩论真正围绕的是"我今天在前沿模型上该不该转开源"；"一旦你已经跳过去了、知道怎么拆解问题、怎么快速训练部署模型，成本这件事就没那么紧迫了"。

三条并列的意义：Chamath 认为增量 token 是会被挤掉的浪费（因此威胁前沿实验室收入曲线的持久性）；Decagon 认为是买质量（因此 token 量本身不是 ROI 信号）。⚠️ 两者都可能对——它们说的可能是不同工作负载（编码 agent 的返工 vs 客服对话的多次校验）。本库标为需要跟踪的一组。

⚠️ FDE 是陷阱：对本页"落地能力即护城河"的一次反驳（Decagon，2026-07）

来源：a16z / Decagon

本库此前记录过 Mark Cuban 把 FDE 数量当作能力测量（在 AI 与就业 页）。Ashwin Sreenivas（前 Palantir deployment strategist）给了一条直接的反命题（[00:21:15]–[00:22:15]）：

• "我认为这（大量招 FDE）是个陷阱。"
• ⚠️ 但他承认 FDE 现在必要，理由是新的："对 AI 产品，没人知道工作流是什么，因为没人用过这些东西。" 所以 FDE 的真实职能是"嵌进客户那里，在客户第一次学会这个工作流的同时，自己第一次学会这个工作流"——"某种意义上他们是在边看火车往哪开、边铺轨道"。
• 长期结论："一旦你知道了工作流，就不该再依赖 FDE。能产品化就该产品化"，否则"你只是在建一家被美化的咨询公司"、"一个现代版的 Accenture"。
• Palantir 对照：引 Shyam Sankar 的说法 "forward deployed engineers eat pain and excrete product"；他指出的误读是"几乎没有公司能做 Palantir 做的事——一上来就签下巨大的合同，因而值得把那么多力气砸进去"。
• 他们自己的做法：FDE 建核心产品——"产出不是给那个客户的一次性东西，而是贡献进核心产品，让接下来问同样问题的 10 个客户免费拿到"。

产品谱系：全部来自把 FDE 的活产品化

这是本页少见的一条可追溯的产品化路径（[00:33:16]–[00:34:16]）：

1. AOP（agent operating procedures）——在此之前"你得用代码写所有这些流程"，太耗 FDE 工程 → 改成纯文本写；
2. Duet——产品化"进新客户要花大量时间手写 AOP"；它是一个"更大更慢的第二个 agent"，负责写 AOP、写工具与集成、写测试与仿真、上线后监控对话并起草改进；
3. Duet Autopilot——产品化"上线后迭代 agent（复盘对话、找改进）"。

方法论一句话："我们思考产品改进和 FDE 投入的方式，全部围绕：我们能从 FDE 的工作里产品化出什么。"

⚠️ 真正解释"大企业成交为什么快"的那条

不是产品，是部署路径本身被产品化了（[00:42:20]–[00:43:23]）：

"在很多这些企业内部，除了'这个产品对我管不管用'之外，他们还有一个内部问题：我到底能不能把它上线？" "所以我们花了大量时间把那段旅程也画得很清楚——当我们走进一家企业，我们能非常颗粒地带他们走完从今天第一次会议到 100% 上线的全过程：模型风险流程该长什么样、测试流程该长什么样、初始 rollout 怎么做、出问题怎么抓怎么修怎么保证不再发生。" "这件事经常被卖给企业的科技公司忽略。"

配套的差异化叙述（转述某从 Sierra 转来的客户口径，[00:38:18]–[00:39:18]）："glass box 而不是 black box"——"用 Sierra 时主要是 FDE，感觉像个黑盒，什么事都得走 FDE"；对照数字是在 Sierra 一年建 3 个 journey，转来后一个月建了 7 个。⚠️ 单方转述，本库不做裁决；且他自己承认"也可能有别的团队就是喜欢'你们全替我们做'那种方式"。

民主化 concierge：成本跌破人工后，服务边界向下扩张（Decagon，2026-07）

来源：a16z / Decagon

⚠️（[01:03:36]–[01:04:36]）这是本页 Lassie"定价锚在劳动预算" 与 Hurst"机器人价格由人类劳动力设定" 的另一半：

"如果你去一家你每年花 10 万美元的商家，你会得到最个性化的对待……但如果你只花 10 美元，他们做不出经济账。这不是缺乏意愿，只是单位经济学不支持。" "所以我们在做的实质上就是——如果你能用 10 美分给他们那种体验，那它突然就算得过账了，而他们本来就想那么做。"

结构含义：那两条讲的是价格锚在人工上（所以毛利来自劳动预算而非成本加成）；这条讲的是成本跌破人工后，此前不经济的客户段被纳入服务范围——市场扩张而非份额转移。这与 Alex Rampell 的"工作的体量比工作所依附的信息存储大好几个数量级" 是同一命题在客户维度上的表述。

不做 rollup 的结构性理由（Netic，2026-07）

来源：No Priors / Netic

本页此前多次提到 AI rollup（Mark Cuban 那期、Long Lake 等）。Melisa Tokmak 给了本库第一条来自被认为该做 rollup 的赛道里、选择不做的人的完整理由（[No Priors 00:06:12]–[00:10:15]）：

1. 技能匹配："rollup 里最重要的事是 M&A 本身——我不是做 M&A 的人。我不想建一个'我能提供的东西显然不是最重要的东西'的生意。"
2. ⚠️ 产品的规模上限（结构性的那条）：tech-enabled rollup 里"你造的所有产品都是为你刚买下的那家公司造的，没法真正应用到别的公司"——等于把自己锁死在已买下的资产与行业上。
3. 她要的替代形态："每一家实体生意都能跑在 Netic 上……如果我们不必限制它们、让它们专注于自己擅长的事——也就是劳动力、服务质量这些差异化——Netic 能不能跑掉剩下的一切？"

她还给了 PE 侧的一条判断（[00:27:24]）："以前是我们去找一颗有惊人倍数的宝石，换掉团队、创造价值、再卖掉。但那种未被发现的宝石现在基本不存在了。" 所以 PE 的打法转向在已持有资产里创造有形价值——这解释了为什么给 PE 组合公司供货的 AI 应用层此刻有窗口。

万亿美元公司的数量上限：市场规模 vs 到达速度（No Priors 双主播，2026-08）

来源：No Priors 双主播自谈（Sarah Guo & Elad Gil）

本页大量素材在论证价值往哪转移。这一节处理的是一个此前没被正面处理的问题：未来几年到底能长出几家万亿级公司。

Elad Gil：间断平衡，不是新常态

• 事实基座：过去约五年三家公司从近零到万亿美元市值——Anthropic（五年前基本不存在）、OpenAI（GPT-3 刚出时还很早期）、SpaceX（⚠️ 转录稿作 "trading at 80 100"，单位缺失，按语境推断为 800–1000 亿美元）。"这在人类史上是没有先例的。通常要 20 年。" SpaceX 从 2000 年代初、Google 从 90 年代开始，都是 15–20 年的弧线。
• 框架：punctuated equilibrium（间断平衡）——稳态 → 爆发 → 整合。"我们有过社交浪潮，但现在并没有一打新的社交公司随时冒出来。"互联网可拆成四五个时期（90 年代互联网 / 社交 / SaaS / 云 / 大安全公司 / 加密）。
• ⚠️ 他的结论是时间限定而非看空：接下来 20 年当然会有一堆；但两三年、三五年内能做到 500 亿–1000 亿美元收入的公司"我能想到也许有一个，不是好几个"（他拒绝说是哪一个）。
• 本节最实用的换算（[00:06:02]）：万亿市值需要约 500 亿–1000 亿美元收入且有好毛利。"所以问题变成：世界上哪里有能给单家公司带来 500 亿–1000 亿美元收入流的地方？这跟'TAM 是不是非常大'是完全不同的问题。" 他的尺度参照句："我大概 2010 年写过一篇博客，讲达到 100 亿美元市值有多难——那现在差不多是某些 neolab 的种子轮。"

Sarah Guo：反向压力是想象力的失败

• "我更常碰到的是一种想象力的失败：想不出一个东西能比上一个时代最接近的对标市场大多少、好多少。重新思考市场规模，在今天任何阶段都仍然是一项被严重低估的投资人技能。"
• ⚠️ 她给的具体机制，与本页的"按结果收费"线直接相关：很多投资人"在智识上承认了'AI 公司在交付服务的价值'，但他们的行动并不像真的相信它"——看 Harvey 或 Abridge 时还是按席位、按律师人头、按医生人头算 TAM，"而不去问：如果这家公司能按结果收费，它会长什么样？"她的证据是编码域已经在按消费量与价值计价。
• 这与本页 罗福莉"定价从成本转向价值"、vLLM 按 token 而非工程师时间计费是同一转向在投资人估值侧的表现。

⚠️ 两人真正的分歧：规模与速度被系统性混为一谈

Elad："我不是在质疑这些市场的规模，我质疑的是你能多快到那里。" 如果是实体商品公司（能源、机器人），"你真的有那么快铺开的产能足迹吗？"

Sarah 接受并把它变成对同行的诊断："人们至少在我的经验里，是在按'他们相信速度就在那儿'来下注的——而那跟市场规模是两回事。人们正在把这两件事搞混。"

⚠️ 这条对本页有校准价值：本页记录的大量"市场会大几个数量级"的论证（Rampell 的"工作 >> 存储"、Applied Intuition 的横向供应商）都是规模论证，不是速度论证。两位投资人一致认为当下的定价错在速度那一侧。

⚠️ "投出去的 token 的回报率"：token 经济学缺失的那一层（Elad Gil，2026-08）

来源：No Priors 双主播自谈

本页的 token 经济学线此前有三层：Freda 的 tokenmaxxing（个人/组织的消费行为）、Decagon 的"每次对话 token 数在上升"（产品层单位消耗）、a16z 成长期的"必须在 token 路径上"（投资筛选标准）。缺的是企业内部的分配问题。

起点：算力稀缺把研究员变成幂律

• "任何一个地方大概有几十个研究员驱动了大约 80% 的成果——这是一个非常有意思的人类幂律。" 他把它推广到乳腺癌研究、数学子领域、物理子领域、创业生态。
• ⚠️ 一条具体的人事后果："我知道有些实验室已经放慢了研究员招聘，除非候选人高于一个非常非常高的门槛——因为成本不是研究员，是与这个人绑定的算力。真正的瓶颈在那儿。"（同时记入 AI 实验室文化与组织）

指标本身

"有一个更宽泛的概念，叫投出去的 token 的回报率（return on invested tokens），一种 ROI 式的指标：如果你有一个确定的 token 预算，你把它给谁、为什么？"

历史类比："公司里的内部工具团队总是资源匮乏，因为大多数科技公司宁愿把同一批工程师用去做产品，而不是做能让别的职能更有生产力的内部工具。"

⚠️ 由此推出的一条对"SaaS 之死"的反驳

"这就是为什么我认为 SaaS 之死被高估了一点——你为什么要把 token 花在一堆你每年其实没付多少钱的 SaaS 东西上，而同样这些 token 可以投在核心产品、或某个巨大的毛利提升、或别的什么上面？"

⚠️ 本库标注：这与本页既有的"SaaS 会被 agent 吃掉"叙事（Sinofsky 的例外处理、Rampell 的"软件从来没干过活"）方向不同但不矛盾：Elad 的论证不是 SaaS 更好，而是替换它的机会成本太高——被替换的东西太便宜，而替换它要花的 token 有更高价值的去处。这是本页第一次出现以机会成本而非能力为基础的 SaaS 存续论证。

企业采用的三阶段

1. "大家都去用 AI，随便你做什么"；
2. "我们必须衡量支出，并把更多东西挪到开源上"（与 开源基础设施与治理 的开源份额讨论接口）；
3. "哪些项目和哪些人该拿到超额的 token 预算份额？那个投资回报是多少？"——他认为这是正在到来的下一次转变，"不过还要一些时间，很多大企业还停在第一阶段"。

Sarah 的追问被他明确拒绝了类比："三到五年后，一门生意或一个人的合适 token 预算应该是多少？我该把它当成房租那样看吗？"——Elad："要看预算是干什么用的。"他转而给了 Minecraft 作为反例：被微软以数十亿美元收购时只有约 5–10 人，"人们老在说某天会有一家数十亿美元的单人公司。那基本上十五年前就发生过了。"（与本页/就业页的 "一人独角兽"博弈论反驳 并读。）

创始人该不该卖公司：本库第一条退出决策框架（No Priors，2026-08）

来源：No Priors 双主播自谈

本页整页在论证价值往哪转移。这一节是它的创始人侧对偶：如果你判断自己在错误的一侧，该怎么办。

Elad Gil 的版本：时间窗口 + 制度化的定期复核

• 有一小撮公司任何时候都不该卖（他举 Anthropic、OpenAI）；但"大多数公司在任何时代都至少该考虑一下"。
• ⚠️ 窗口形状："通常有一个时间最大化窗口，你最好的结果就是在那个窗口内卖掉。那一般是 12 到 18 个月的一段时间，公司在那时值它这辈子最多的钱。"
• 卫生做法（归给 Ben Horowitz）：每年一次预先排好的董事会，议题就是"我们要不要考虑在接下来六个月退出"——"预先排好，所以不是创始人在推，也不是投资人在推，就是一次理性对话。"
• 为什么频率要更高："这个周期里，AI 的一年像正常周期的三到四年。所以三年就像十年。" 结论是"底层事实集变化得比以往任何时候都快，所以你该更频繁地复核自己的想法"。（Sarah 把频率往上提到每六个月。）
• ⚠️ 他对二次流通（secondary）的评价罕见地负面：它"解决了一些短期需求，但并不真的创造一个解法"。论据是 2020–2021 那批——"一堆人五年后还在经营不成立的公司……想想那五六年他们被锁在里面，而整个 AI 变化正好发生在那期间。对一个优秀创始人来说，那个代价是什么？"
• 落点是时间而非估值："你人生中最有生产力的那些年正押在牌桌上。" 算法是：假设最终按 10–15 倍交易、扣掉稀释、算上要花的年头。"掷骰子可能就是对的答案"，但要算清楚再掷。

Sarah Guo 的判据：你还在捕获价值吗

⚠️ 这一句是本页整页命题的创始人侧对偶，最该被引用：

"随着成本下降、能力上升，你在捕获价值吗？因为如果你站在这场长期变化的错误一侧、而且你到不了另一侧，那你确实应该卖。你没有关于怎么站到历史正确一侧的好想法。"

• ⚠️ 她点名了一个具体案例："想想我们在 Cursor 的朋友们——资本、算力获取，是你想要的竞争方式吗？以及这是不是一个价值最大化的时点？那是个有意思的问题。"（本库照录，不做判断。）
• 她加的条件：那类"永不该卖"的公司也有例外——"除非它们无法为自己的未来融资"；"你需要让融资结构匹配你的 thesis horizon"。她引 Situational Awareness 的提醒——"每个人都得先活着才能获利"。

⚠️ 两人在融资环境上的直接分歧（本库不裁决）

	判断
Elad Gil	三家万亿公司在短时间内出现 → 大量风险资本正在被返还 → 人们募更大的基金、必须投向"未来的万亿美元公司" → "我实际上认为融资会变得更容易而不是更难"，未来一两年估值会继续上升
Sarah Guo	"私募市场不必在很长一段时间里是理性的或正确的。所以对自己融资能力保持精明，等价于避免被追加保证金（margin call）。" 持技术性/结构性观点的创始人会因为"投资人长时间相信一件他们认为是错的事"而受困，"那就是创始人的工作：去导航那套叙事"

两人在一处收敛，且这处收敛本身是本节最好的一句：资本会流向规模机会——Elad 立刻改口成 Sarah 的措辞，"或者是被感知到的规模。""被感知到的规模，对。"

⚠️ 创始人因为怕实验室而不够野心：同一位观察者的第二次表述（Elad Gil，2026-08）

本页 Netic 的第三条答法 记录了 Melisa Tokmak 对"实验室会不会通吃"的回答。提出那个问题的人是 Elad Gil，而他当时抛出的观察（"现在的创始人几乎有点太担心实验室了"）在 2026-08-06 这期 被展开成了完整判断：

• 现象："真的非常优秀的创始人去做小众市场，因为他们不怕 neolab。" 四五年前 Harvey、Open Evidence、Decagon、Sierra 进的是能出现在实验室路线图里的大市场。
• ⚠️ 他点名了三个逃逸方向："你看到一种向硬件公司的逃逸——'哦，实验室永远不会做这个硬件的事，所以我们做那个'；还有 American Dynamism、AI 的小众应用、以及某个本该由推理云提供的东西。" 定性是"这些公司可能会更衍生一点"。
• 范围限定（重要）：不是所有创始人，"它是一条趋势线，而且是在最新的那批里"；"我不担心中位数创始人，我担心的是最好的那批创始人在做什么。"
• Sarah 部分不同意（"我们组合里有公司在冲着相当核心的前提去"），但给了同向的另一表述："我现在更常感到失望的是创始人没有他们本可以有的野心。"

⚠️ 与 Tokmak 的归因合读构成完整链条：她归因于"建设是围绕'我怎么能马上退出'展开的"（动机侧），他归因于对实验室路线图的恐惧（威胁认知侧）。两条指向同一批被观察者，且都来自与这批创始人高频接触的人。本库两条并存。

⚠️ 加州财富税与创业生态的税收迁移（No Priors，2026-08）

来源：No Priors 双主播自谈（[00:28:12]–[00:32:15]）

本库此前的产业地理讨论都在制造业选址（Saronic 的 Port Alpha、Applied Intuition 的主权 AI）。这是第一条关于资本与创始人本身迁移的记录。

⚠️ 事实状态本身在转录稿里是矛盾的，本库不做裁决：Elad 先说"他们通过了亿万富翁税，加州民主党也表态支持"，随后同一段又说"假设它通过的话"。本库照录两种表述，不认定该法案当前的法律状态。

• Elad 的提问：如果你投的某家公司现在值 100 亿美元以上，"这位创始人明年是不是要被迫出售资产？是不是会有几十位创始人不得不卖掉自己公司的一大块？"——⚠️ 这把税制直接接到了本页上一节的退出决策上：强制卖出与时间最大化窗口是两条独立的卖出逻辑，而它们可能不重合。
• Sarah 的判断："监管者显然没想清楚这件事的执行与合规。但我认为直接效果是：大量试图在加州创造价值或做新东西的人选择离开。这已经在发生了。整个生态很难很快搬走——但这是我能想到的、把整个生态赶出去的最快方式。"
• ⚠️ Elad 补的两条最值得跟踪的细节：① "那部法律的写法相当宽泛：一旦通过，他们可以重新实施它、可以在未来年份下调门槛"；② "我的感觉是 28 年会有越来越多关于在加州加一道退出税（exit tax）的讨论"。
• 他的动机判断（照录，未验证）："我认为写这部法案的人希望这场出逃发生。我认为他们希望人们离开。" 他同时表态"我一如既往地希望加州能搞定"。可跟踪的时间信号：他说知道"相当一些人已经开始走，或者计划在秋天、接下来一个月左右走"。
• 第二选择生态：
• Elad 的历史类比：波士顿曾是硅谷的对重（80 年代），90 年代初竞争上输掉，如今只在生物技术上还是；"而那儿天气很糟"——所以"关键不是天气，是你在哪儿聚集了足够多的聪明人做共同的事情"。
• Sarah 点德州：围绕能源的技术迁移，"那是一个你可以做实验的地方，而且现在真的有一个非常令人兴奋的生态了"。
• Elad 补硬件走廊：原本都在 El Segundo（因为 SpaceX 在那），SpaceX 与部分 Tesla 迁往德州后，"德州除了奥斯汀之外，还在形成一个新的生态"。
• ⚠️ 两人共同的定性："这些转移纯粹是监管驱动的。不是因为德州住起来更好或更差——把人赶出去的是监管上的变化。"

⚠️ 两层市场结构：前沿溢价 vs 落后商品（Sacks，2026-08）

来源：All-In / Google 人才外流、SpaceX 财报、Airtable（[00:09:03]–[00:12:04]）

本页跟踪"模型是否被商品化"这条线已久（Benedict Evans 的价值上移、Eiso Kant 的开源商品化论证、Decagon 的假权衡、Simon Mo 的"差别在发行"）。Sacks 给的是目前最简洁的一个框架，起点是 Google 的人才外流：

"然后就剩两家了。一年前我们还有五家大公司在争领先的前沿模型。现在真的只剩 Anthropic 和 OpenAI 了。所以前沿智能的市场已经变成一个双寡头。"

框架本身：

	前沿智能	商品 / 落后智能（落后 6–12 个月）
模型层（权重）	可以收溢价	完全收不到钱——"你没法为权重收任何钱"
可收费的东西	全部	算力、推理、"把整套东西搭起来的咨询服务"
类比	Apple	Android（"全世界用户更多，但所有变现都归 Apple"）

• ⚠️ 他给的证据是增长率而非份额（均为转述，本库未核实）：Anthropic ARR 已超 800 亿美元（年初 100 亿），原本"大多数人说不可能"的 1000 亿年底退出 ARR 会提前两个月达成，估计上调到 1100–1200 亿；OpenAI 在加速。
• ⚠️ 本页标注的关键前提：这个框架的全部力量来自"落后是 6–12 个月且稳定"。本期没有任何人挑战这个前提，而本库既有材料对它的估计并不一致——Ben Thompson 经 Sacks 转述的"我们仍领先 6 个月"、Simon Mo 的"能力上今天就没有大差距"、Baseten 的分模态限定（视频侧是天壤之别）。本库把这个前提单列为待跟踪项。

同期的三条反驳，值得与框架并读

• Friedberg 的"混合"立场（最具操作性）（[00:16:06]–[00:18:09]）："认为存在一个你可以万事都用的模型，这个假设本身就是错的。" 企业会主动挑一个组合——便宜开放权重跑简单工作流、复杂模型跑关键工作流、再加专门模型（生命科学、基因组、视频）。⚠️ 他明确给 Gemini 留了门："现在就把 Gemini 从'造出色的专门模型'这件事上划掉还太早——他们有最好的视频数据、最好的生命科学数据，而 Demis 仍然会继续管 Isomorphic Labs。"他的商业落点是：能提供这套组合的云服务商（GCP）比只能提供单一模型的一方更有位置。
• Jason 的个人证词与它当场被驳（[00:13:04]）："我一直在专门用非前沿模型。对我在做的 95% 的工作，够用了。"——Elon 的回复是"其实是天壤之别"。Sacks 的调和是给出三类会付溢价的情形：竞争性行业（对冲基金）、用例不成熟时（"找到那些用例的回报远远大于你在 token 层付的那点溢价"，他明确引 Decagon 的博客）、以及便利性。
• Brad 的收束句（本节最适合直接引用的一条）（[00:20:10]）："对绝大多数用例，token 消耗量在往开源那边涨，而经济份额在往前沿实验室那边涨。我认为这正是我们想看到的。" ⚠️ 他同期转述 Jensen 的非共识说法："闭源模型其实更便宜"——如果算上自建的训练成本、微调专业能力、护栏与安全维护。

Airtable 卖身：SaaS 之死这条线第一次有了完整解剖对象（2026-08）

来源：All-In / Google 人才外流、SpaceX 财报、Airtable（[00:47:25]–[01:05:37]）

本页与 AI 与就业 此前的"SaaS 之死"讨论都停在判断层（Freda 的软件冲击、Elad Gil 的"SaaS 之死被高估了"、Sinofsky/Amble 的 headless 软件）。这是第一个可以逐层拆开的完整退出案例。

事实

项	数值
收购方	Bending Spoons（米兰，上月上市；已收 AOL 遗留业务、Evernote、Eventbrite、Vimeo、Meetup）
对价	12.8 亿美元 ≈ 2021 年 117 亿美元峰值估值的 10%（含现金口径有说法是 22.5 亿）
Airtable 基本面	年营收 4.8 亿美元、增长 20%/年、账上近 10 亿美元现金、盈利
⚠️ 关键结构	收购前先把 AI agent 业务（hyper agent）分拆成独立公司
资本表结局	20 亿 / 50 亿 / 117 亿三轮的后期投资人都拿回本金，早期投资人赚了很多

⚠️ Sacks 从一个数据点反推出的完整故事（本节最有方法论价值的一段）

他明确标注是推断（"我在字里行间读"），起点是只有 30% 的销售团队达成配额：

PLG 成功、有机增长 20%/年 → 但对董事会不够（有人在 117 亿估值进的，要风投级回报）→ 董事会施压创始人叠加传统销售驱动打法（"坦白说这对他们是不自然的"）→ 不奏效："几百个销售代表在推一根绳子。"

收购方的机会："Bending Spoons 可以做 Elon 在 Twitter 做的事——砍掉 85%–90% 的成本结构。别做销售驱动，回到 PLG 根子上。你大概能留住那 20% 增长，而它会是一家非常赚钱的公司。"（3–4 亿美元 EBITDA，三年覆盖收购价。）

⚠️ 然后是本节真正的问题：为什么这不是公司自己能做的事？

"我认为这非常难——对董事会里的 VC 和对创始人都是——切换到私募股权模式。因为他们得去拆自己建起来的东西。他们对团队有全部的忠诚。他们不会去想怎么砍掉 80% 90% 的成本结构。那根本不是他们做的事。" "而且资本表的结构完全不对，因为他们坐在一个巨大的清算优先权后面。"

这是本页第一条明确的"风投模式与私募模式不可互换"的结构性论证，且它给出了一个可观测的先行指标：销售配额达成率。

⚠️ AI 让"维护模式"变便宜：本库第一条这方向的论证

（Sacks，[00:54:33]）

"AI 在某种意义上让他们的活变容易了。因为过去你之所以不能把全部人才和基础设施砍掉，是因为你需要机构记忆——你需要懂代码库的人。现在 AI 能立刻学会代码库。" "维护模式变得容易得多，因为你不再需要历史知识了。AI 可以进去把那份历史知识重新构建出来。"

⚠️ 本库标注：这与本页和 AI 与就业 既有的讨论方向相反——那些讨论的是 AI 替代增量工作；这条说的是 AI 让"停止投入、只维护"这个选项变得经济上可行，因此会加速把慢增长的软件资产从风投池转移到私募池。未被本期任何人反驳，也未被验证。

⚠️ Brad 的反驳：这没那么容易

（[00:53:32]–[00:55:33]）

• 对倍数启发式的降温："营收倍数会压缩得非常快。它只在公司增长超过 50% 时管用。人们说'这东西卖了两倍营收'，但按穿透口径看，它可能卖了大概 30 倍自由现金流。"
• 直接怀疑目标："我不认为把它做到 4 亿 EBITDA 是容易的。如果容易，董事会早就做了。"
• ⚠️ 他给的机制（本节最该被引用的产业观察）："一旦它们慢下来，公司士气就完蛋了。客户流失开始飙升。它开始自我强化。每天上班都很难受。"
• 推广成对整个 SaaS 的诊断："现在一家软件公司几乎不可能留住任何像样的销售、任何像样的产品开发人员，因为他们都想去做 AI。"

谁最受冲击：no-code，而不是全部 SaaS

• ⚠️ Sacks 给的机制最清晰（[00:59:33]）："Airtable 或 Retool 这类东西的问题在于：确实你不需要是程序员才能用它们，但你必须学会怎么用它们。某种意义上它们是另一种编程语言。而现在你不需要学那些了。你用 Claude，直接告诉它你想要什么。你没有那条学习曲线。"
• Jason 的补充："如果你看 Claude 的 co-work agent，那些东西现在就在做 Airtable 做的事。"
• Sacks 对 Airtable 本身的定性："它从没实现那种普及。大多数人到今天还是不知道 Airtable 是什么。它有铁杆粉丝，但它从来不是自解释的。"
• 但界限被立刻划出来："我不认为你想把 CRM、ERP、HR 系统换成 vibe coded 的东西。任何涉及合规的东西你要的是确定性。"
• ⚠️ 合规护城河的具体形状（[01:01:36]，Sacks 引一篇未点名作者的帖子）：没人买微软是因为微软写最好的代码，买它是因为它是其它一切运行其上的轨道——Active Directory 存员工身份、Excel 是董事会数字的来源、Teams 是合规录音发生的地方、Azure 持有 FedRAMP High 与国防部 IL5 认证。落点："如果你是大企业，你不会想花几千万美元去拆掉一个一年只花你 100 万美元的东西。"实时佐证：Marc Benioff 称 15 个内阁部门中有 15 个跑在 Salesforce 上。
• 两位主播的一手实践（[01:00:36]）：Sacks 与 Jason 的团队各自 vibe code 了自家的投资组合管理工具。Jason 的量化："买现成软件大概要 25 万美元软件费加两三年 100 万美元集成费，我们一个月就建好了。"⚠️ 这与他们同段承认的"合规系统不能 vibe code"并不矛盾——被替代的是内部工具，不是记录系统，本库把这条区分单记。

⚠️ 一次可跟踪的市场教训：Leopold

（[01:00:36]、[01:02:37]）Sacks："记住 Leopold 之所以被打爆，是因为他押了 SaaS 末日。不只是他重仓做多那些回调的芯片股——他还大举做空 Adobe 和一堆 SaaS 公司，那些交易也反着走了。所以说所有 SaaS 都会被抹掉，是用太粗的笔在画。"

Brad 的反证数据：IGV（高增长软件 ETF）近 6 个月涨 20%；Snowflake 近 6 个月涨 88–90%，"这把它放进了和半导体 AI 股同一档"；7 月半导体 AI 股下跌时软件股反而在涨。⚠️ 转录稿在 IGV 处有一句自相矛盾的表述（"近 6 个月涨 20%，近 5 年涨 20%"），本库照录不裁决。

ZIRP 与 AI 不是同一件事

（[00:55:33]–[00:57:33]）本页此前多次出现"这是不是又一次 ZIRP"的问题。两位给了目前最清楚的区分：

• Friedberg："AI 的 capex 建设和模型训练——资本主要流向的地方——不是在给营收乘一个高倍数（SaaS 时代资本正是这么流的：拿 20 倍，把一块钱变成 20 块）。这是一个非常不同的结构、战略和资本配置过程。所以我不会把两者看成有关联。"
• Sacks 补 ZIRP 高估的两个成因：① 人为低利率造成的投机性超级泡沫；② 把 SaaS 当成有保证的、还在增长的年金（"看到 120% 净金额留存率，就把基准情形定为永远每年增长 20%，然后照这个定价"）。AI 打破的正是年金假设——"明显有颠覆……它不是年金。事情会变。"

第五种答法："我们整个公司 vs 一个总监的团队"（Retell AI，2026-08）

来源：李正韬 / Retell AI（月球大叔，2026-08-09）

本页 「应用层到底在做什么」 已记录四种回答"前沿实验室会不会通吃"的方式：数据护城河（Mark Cuban）、集成与监管时点（Lassie）、行为 vs 智能（Eiso Kant）、动机与产品寿命（Netic 的 Tokmak）。

李正韬（Retell AI 联合创始人，自报年收入约 8000 万美元、3000 多家客户）加的第五种是组织对抗单位（[00:23:12]）：

"实际上，如果我们和 OpenAI 正面对上，我们对的只是一个总监手下的一个团队。是我们整个公司对那个总监手下的一个团队。而那个团队对这个问题的整体投入、它的理解，都不可能比得上我们。"

⚠️ 这条的价值在于它自带失效条件，而本页其它四条大多没有：

"但如果我们去建和 OpenAI 一样的模型正面竞争，或者进它第二大的领域 coding agent，我们赢不了。语音对它们就不是那么高优先级。"

即：这不是普适的以小胜大，只在"该领域对巨头是低优先级"时成立。配套的两个框架来自主持人——"一米宽、一公里深"，以及一位投资人的"一家大公司只有少数几个 A-team；关键不是你对上整家公司，而是你对上的是不是它的 A-team"（[00:22:11]）。

为什么语音是"深的"：一条机制性说明

本库此前对语音的讨论（ElevenLabs 的 Mati 的"架构而非规模"）停在护城河层面。李正韬给的是下游机制（[00:21:11]）：

• 文本客服里，模型、知识库、每一个环节都可以有十秒甚至更多的计算时间——"你有缓冲"；
• 语音里"推理、服务器、每一条连接，全都是另一套工作方式"，所以"专注在这里格外重要"。

两份材料合起来，本库第一次对"语音为什么不是文本加个 TTS"有了机制性说明。

demo 到生产：他把决胜点放在采购尽调，不在 benchmark

• "每个人都能做出一个惊艳的 demo——录一段 AI 打电话发到网上，反响都很好。但从 demo 到一家公司愿意接受、部署成真正的客服系统、真的替掉它现有的呼叫中心，这是一段非常长的路。"（[00:21:11]）
• 他两次把胜负点放在客户的采购与尽调 / RFP 结果上，而不是品牌或公开榜单——"不是因为我们有 OpenAI 那样的品牌"（[00:21:11]、[00:56:31]）。落点也见 评估与 Benchmark：这是本库少见的"评估由买方执行"的案例。

最后一公里的时间尺度（本页此前缺的一个数）

本页的 FDE / 深度集成叙事（Naval 框架、Decagon 的 Palantir 血统、Lassie 的集成层）一直缺一个量级。李正韬给了：

• ⚠️ 签约之后要花将近一年才能完整替换掉一个联络中心（[00:24:12]）：多轮测试、验证稳定性、迁移客户既有的呼叫工作流。
• 形态是"混合模式"（[00:25:13]）：平台提供所有语音能力，最后一公里按每家公司定制。理由是"标准化产品永远不可能像为那家公司专门做的那样深"。
• 客户阶梯是逐级背书（[00:50:30]）：小客户 → 中型（开始问 SOC 2）→ 大企业；CVS 那单的时间几乎全花在合规上（新装门禁系统、员工电脑防火墙）。
• 组织投入的比例：销售 + FDE 从 7 人到约 10 人，另有约 20 个在招岗位——对一家 50 名全职的公司，这是把一半以上的增量人力压在最后一公里（[00:52:30]–[00:53:30]）。

⚠️ 与 Decagon 的一组相反表态：应用层会不会长成 SaaS 平台

两家都在做"企业与其客户之间的那层 agent"，本库并列不裁决：

	Decagon（2026-07-31）	Retell AI（2026-08-09）
赌注	横向：客服 → AI concierge，跨行业	单模态往深：语音，从 AI 外呼扩到人工坐席通话平台
对 CRM	"我们对建 CRM 零欲望"；CRM 不会死，只是被 ping 得更多	⚠️ 要替掉以电话为主渠道公司的 CRM（"客户现在用 Salesforce 或 HubSpot"）
对模型层	90% 用量走开源 + 大量 post-train	正在招 AI researcher 做 post-training
共同点	模型不是瓶颈；护城河在模型之外那一层	同上

这是本库目前关于"应用层公司会不会自己长成 SaaS/记录系统"最直接的一组相反表态——而 Decagon 的 Ashwin 同时给过一个第三种可能（"也许长期看，应用层公司就变成了特定垂直领域的实验室"）。三条并列。

一条要小心引用的命题："资源不是瓶颈"

李正韬反复讲"硅谷从来不缺钱，缺的是有能力的创始人"（[00:10:05]、[00:09:05]），证据是 YC 的 50 万美元加 AWS / Google Cloud / Azure 各 30 万美元 credits（合计近 100 万美元），以及进 YC 后投资人主动上门（[00:30:19]–[00:31:19]、[00:35:22]）。

⚠️ 本库两条限定：① 样本是一个已被 YC 筛过的团队，他论证"资源不稀缺"的证据本身产生于筛选之后，不能直接外推；② 他自己也给了限定——"二三十年前投资人和 credits 都远没这么多，但那时竞争也更少。所以我不知道哪个时代创业更容易。"（[00:31:19]）

时间窗口论（与本页"商品化的时间尺度"同族）

⚠️ 他们决定全职创业时的核心判断（[00:14:08]–[00:15:08]）："新技术出现后，机会窗口通常只有两三年。最终成功的公司大多在那个窗口里成立。"推论他也直说了："现在才进语音这个赛道的人，我认为多半不会成功。"

与同频道 孟子立 的"起步早是我们唯一真正的优势"（见本页 硬件创业者的价值捕获）构成同一频道的第二组对照：两位都把时机排在能力之上，且都在做被巨头俯视的细分。

计价单位：又一个"不按 token"的样本

按通话分钟的用量计费——"有点像按 token 计价"，但计价单位是分钟不是 token（[00:49:29]）。这与本页 Decagon 的"产出单位是一次对话" 同构：应用层普遍不把 token 当计价单位，因此 token 量的增长在它们的成本结构里不是 ROI 信号。

收入不是目标，且有滞后

（[00:52:30]、[00:58:33]–[00:59:33]）"我们最在乎的甚至不是收入……是我们到底多大程度上真的帮到了客户。"第一性原理版本是：更多客户价值自然带来更多收入，但转化需要 12 到 24 个月。⚠️ 本库标注：这是一条可回看的自述，而非可独立验证的机制——但它给本页"应用层如何自证长期性"提供了一个具体时滞数字。

---

⚠️ 买方视角第一次进入本页：把整条价值链内部化（Kavak，2026-08-10）

来源：Kavak 那期（Ali Massa，Kavak AI 负责人）。

⚠️ 本页此前所有关于"AI 落地难在哪"的材料都来自卖方——Decagon 的"FDE 是陷阱"、Netic、Lassie、Retell AI。Kavak 是买方兼自建方，而且是非科技行业、拉美市场、有大量物理作业（约 800 名技师）的公司。

⚠️ 由此产生的一条结构性差异，本页应当反复引用

	卖方（Decagon / Netic / Lassie / Retell）	买方自建（Kavak）
落地难点定位	集成、FDE、业务逻辑上下文、最后一公里	⚠️ "你不肯拆掉自己的组织"
诊断的方向	天然指向"我们来帮你做"	指向"没人能替你做"
价值捕获问题	核心命题	⚠️ 不存在——它是自己的用户

他对"为什么大部分公司卡住"的原话（[00:05:07]）："第一反应是'好，我们采用 AI'，然后你原封不动地保留你的结构，只是把 ChatGPT 或 Claude 发给团队——于是没有任何效率提升，你的客户还是那些问题，什么都没发生。"必须重建大部分 API、重建你的系统让 agent 能用它们干活。

⚠️ token 的三个层级：本页第一个由买方提出的分级度量

（[00:26:26]–[00:27:26]）他的起点是一个观察："我看到很多公司现在花巨额的钱，然后说'好，我拿到采用率了，我现在每年在 token 上花几亿美元'。那又怎样？token 是有质量之分的。"

层级	定义	他的评价
Tier 3（最有价值）	能算出每一个具体 token 的 ROI 的那些 agent	"我现在能做到这件事，这对我是好消息——因为它们流向的是在执行组织本职工作的 agent"
Tier 2	只能间接衡量的	"我看到开发者在代码库里，至少能间接评估这些 token 的价值，然后把那些推到生产"
Tier 1（⚠️ 大多数公司在这）	人们只是在用 ChatGPT / 各种 coding 工具	"那些 token 后来怎么样了？我完全不知道。"

落点："所以这不只是采用率的问题。是要有非常清晰的愿景，然后衡量你花的每一个 token 都带来了那些收益。"

⚠️ 与 Elad Gil 的"投出去的 token 的回报率" 是同一诉求的两侧：Elad Gil 从投资人侧指出这个指标缺失；Kavak 从买方侧给出了一个可操作的分级。两条应当并读。

⚠️ 一条本页此前没有的经验记录：已盈利架构被模型进步主动作废

（[00:28:27]–[00:29:28]）"我们去年 12 月还有几万个这样的 agent 在规模化地运行业务。然后 Opus 4.5 出来了。我意识到这已经不是对的范式了……所以我们决定把我们建了两年、正在工作、带我们走到盈利、带来惊人增长的东西全部摧毁，从头开始。"

⚠️ 与 swyx 的"能力过剩"框架 是同一判断的极端执行：swyx 说"每一代模型会吞掉一批自建脚手架——我们时不时做次大扫除，不该对代码有任何感情"。差别在代价量级：swyx 说的是脚手架，Kavak 扔掉的是两年的、带来盈利的核心系统。 本页把它记为那条判断迄今成本最高的实例。

关键数字（均自报，本库未核实）

• 96% 的客户交互、95% 的交易完全由 agent 处理；每天实例化 10 万量级的 agent（⚠️ 片头字幕作 10 万–20 万，另一处提到"另外 20 万个"，数字前后不一致）。
• 数据库约 1000 万客户；激活 1% 即"几亿美元"量级。
• ⚠️ 他们建的是销售 agent，不是客服 agent——"我们从来没建过客服或客户支持 agent。"NPS 提升 3 倍；转化率起初比人类团队高 50%，现为 2.1 倍。这是本页所有 agent 落地案例里第一个把最高杠杆动作放在销售而非客服的。
• 受监管金融业务也交给了 agent：车贷通常 3 分钟内批准（对照墨西哥等市场常规的两个月以上），并对利率、风险、贷款上限做深度个性化。
• ⚠️ AI CEO 在 Cuernavaca 运行 6 周：首月目标利润翻倍，实际 1.5 倍。⚠️ 样本极小、时间极短，且这是未达标的结果被讲述为成功，本页保留这个落差。

为什么机会在新公司：福特与电力的 40 年

（[00:30:28]–[00:34:28]）他用熊彼特的创造性破坏加一个历史锚点，本页记为这条线上最好用的类比：

• 福特流水线所需的技术在 1879 和 1881 年就齐了（爱迪生商业化电力 + 高效发电机），工厂本可以早 40 年建成。
• 但当时的人只是把煤机换成电机、保留四层楼加传动轴与皮带的老厂房——"是的，那能带来收益，但只有 6% 的效率。"
• 要拿到支撑美国整个 20 世纪的 3 倍生产率提升，必须把工厂拆掉、在平地上重建，不建在纽约市中心而是康涅狄格或新泽西，围绕小型发电机重新设计。
• 落点："今天又在发生。人们想采用它，但不愿意重新设计整个公司……最后给你的是 6% 或 10%，不是 10 倍。这是产业规模上的创新者窘境。"以及："对一家上市公司的 CEO 来说，说'我要摧毁并重建我过去 40 年建的一切'——在规模化的公司里，有几个 CEO 会这么做？"

---

⚠️ 第三种位置：主动放弃向下游整合（Chai Discovery，2026-08-11）

来源：Chai Discovery 那期。

本页已有一组关于"应用层会不会自己长成记录系统"的对立——Retell AI 想替掉客户的 CRM vs Decagon 说"我们对建 CRM 零欲望"。Chai 是第三种位置：不仅不整合，还把"中性"本身当成卖点——因为它同时服务互相竞争的药企。

• 原话："很多 AI for bio 公司在做自己的药。我们完全不那样看自己——我们把自己看成一个做药的中性软件工厂。"
• 激励论证："我喜欢这里面的激励一致性——我们把模型做得更好，合作伙伴就更成功，然后它自己迭代自己。"
• 代价是他们必须解决 IP 隔离：被告知"药企不会把数据放进平台"，解法是极度激进的数据隔离 + 单租户（几乎给每个客户部署单独版本/账户）。

⚠️ 三条与本页主线直接对话的判断

1. 会不会被商品化（[01:15:39]–[01:17:40]）：Neil 用 LLM 市场做类比——"会有某个商品层……但如果你看价值捕获，是闭源前沿模型拿走了大部分：整个饼在长，长得快到即使开源份额在扩，前沿仍然捕获多数价值。"两条理由：① 更多智能就会去追更难的任务；② 产品层——"我不用开源模型的一大原因是我拿不到 Claude Code"。
2. ⚠️ 这条与本页 Eiso Kant 的"100 家 vs 5 家"商品化论证 方向相反，且 Chai 是把 LLM 市场的结论平移到生物模型市场——本页标注这是一次类比外推，不是该领域的观察。
3. ⚠️ "你没有数据护城河"这个前提被直接顶回去（[01:19:41]）："这就好比说，跟 Anthropic 合作的那些企业不让 Anthropic 拿它们的数据训练，所以你没法造出擅长企业工作流的模型——（不成立）。" 两条补充：① "有办法把算力变成数据，我们在做"；② 紧贴合作方做研究意味着"我们做的是被真实需求告知的研究，而不是在真空里研究什么假想上很酷的东西"。
4. ⚠️ "所有 AI 公司、尤其做生物和科学的，其实都是咨询公司"（主持人的假说）：Chai 的回应与 Decagon 的"FDE 是陷阱" 正好不同——Decagon 的答案是把 FDE 的活全部产品化；Chai 承认集成工作存在，并把它当成防御性来接受。主持人接"以后很难换供应商吧"，Neil："我希望如此。"
5. 他们确实在给合作方定制："这些交易里我们在和他们一起训练或微调一个属于他们的模型版本。"定制的价值一半来自合作方的实验数据，一半朴素得多——"他们可能就是有某种偏好的做事方式……'我们的设计要有性质 X，你能保证吗'。就这种简单的事都能对他们有相当大的影响。"

⚠️ 单 token 下游价值：一个本页此前没有的量级参照

• "我不知道还有哪个领域里一个 token 的下游价值有制药这么高"——出来的药可以是几十亿美元级资产；GLP-1 的两个药加起来大概是万亿美元级资产。
• ⚠️ "直到大约三个月前（约 2026-05），GLP-1 的总收入比所有 AI 实验室加起来还多。" 两人都感叹市场给的估值相对低得离谱。⚠️ 本库未核实，但如果成立，它是本页 token 经济学 讨论里一个很有用的分母参照。
• 他们对经济性质疑的反驳（[00:55:28]–[00:57:31]）：主持人算的是"在一个 5 亿美元的战役里省了几百万，这为什么有吸引力"。答案是"你搞错了对象"——不是把现有的药做得更快，而是解锁做不到的东西：GPCR 激动活性、以及 bispecific 的乘性稀有度（"如果一条臂找到 binder 的概率是十亿分之一，另一条臂也是十亿分之一——传统方法根本不可能成"）。
• ⚠️ Eroom's law：做出一个药的成本大致在指数上升，"这保证了在某个点上新药开发的边际回报会变成负的"。Matt："我认为我们可能正处在把其中一些翻转过来的边缘。"

⚠️ 供给方内部的商品化判断：来自 NVIDIA 研究 VP（刘洺堉，2026-08）

来源：张小珺 / 刘洺堉

刘洺堉（NVIDIA 研究副总裁 / Cosmos 负责人）在 张小珺第 150 期。本页的"模型商品化"命题此前由分析师（Benedict Evans）、投资人（Freda、广密、David）与应用层创业者提出——这是第一次由算力供给方内部的研究负责人正面表述，而且他说自己"早期就这么认为"。

两条核心判断

1. 模型能力会收敛（[01:13:45]）：他把这条讲成一个已经在发生的观察——"这个月 Anthropic 比较好，下个月 GPT 比较好，可能下下个月 Gemini 就追上来了"，加上中国一批公司（GLM、Kimi、Seed、阿里、混元、DeepSeek、MiniMax）不断突破，"慢慢的大家的模型的能力都会差不多"。他自称"运气比较好，早期就认为这个模型会收敛"，因此一直坚持不能只靠模型，要跟公司的其他生态系统结合。
2. ⚠️ 不会有一家公司遥遥领先（[01:17:45]）——这是本页最该被单独引用的一条：

"有些人总是会讲说接下来会有 exponential growth，如果你不赶快投资这间公司或加入这些公司的话，你就会 miss out the opportunity。然后我觉得历史上从来没有这样发生过——一家公司掌握所有的科技，其他的公司都没有办法去追上。这从来没有在世界上发生过。然后我不觉得 AI 会是一个例外。"

他给的机制是人员流动："总是在 A 公司做一段时间，总觉得我自己的才华没有受到肯定，我可能就跳到 B 公司去，这些 knowhow 这些东西就自然会在这领域里面扩散"，并称一家独大"本身就不是一个稳定的社会状态"。⚠️ 他在 [03:31:31] 用同一逻辑反驳"每家公司都要训自己的大模型"："如果是 commodity，你需要建自己的电厂吗？"（早期电厂不充裕时自建能保证 24 小时运行，现在不需要了，"就是看合不合经济效用"）。

能力趋同之后靠什么区分

（[01:18:45]–[01:20:47]、[03:18:10]）

谁	靠什么区分	他的表述
大公司	与自己生态、产品的整合	举 Gemini + Google Doc/Search 的一整套平台
创业公司	走大公司不能走的问题	引《创新者的窘境》；NVIDIA 自己的门槛是"任何生意只要是小于一个 billion 就没有兴趣去做"

终局判断用软件史类比（[03:18:10]）：软件刚出来时会写的公司很少，现在人人都会写，"现在能活下来的 software 公司都有自己的区分方式。我觉得没有理由模型会是不一样。"

⚠️ 对创业者最具操作性的一条（[01:19:47]）：不要跟 OpenAI/Anthropic 做同样的事——资金不如、没有客户、他们能把东西做便宜。要解"他们不能 justify 去解"的痛点："不是他们不想解，是他们没办法去解。" 正例是 Anthropic 自己：早期被认为落后 OpenAI，但它最早相信 Coding；OpenAI 做分散式投资（鸡蛋不放同一篮子）时，Anthropic 做集中式投资。

他对当下 Coding Agent 同质化的判断（[01:20:47]）："同质化竞争是很辛苦的一件事情。我觉得他们做这件事情可能是被迫的"——因为没人愿意让核心科技握在别人手里——"但我不觉得这个是他们计划的全部，他们一定有其他的计划去做出一些差异化"。

他对 OpenAI 收缩 Sora 产品线的解读（[00:19:40]–[00:20:40]）也落在同一框架：不是 Sora 不好，而是 Anthropic 在 Coding Agent 上的经济效益构成压力，机制是 token 量——"跟 ChatGPT 聊天可能一分钟就生成完了，Coding Agent 可以工作 24 小时、48 小时，这个 token 量非常的大"。落点是他反复用的"备多则力寡"。

⚠️ "造市场，而不是在存量竞争"：卖铲子一方的自我叙述

（[00:28:45]、[03:33:31]–[03:34:31]）Jensen 的 zero-billion-dollar business——"你可以是不赚钱，但当这个生意成功的时候，必须是很 influential 的，是很巨大的"；判据是"如果现在已经有人在做，可能就不值得做"。刘洺堉把它接到 NVIDIA 的历史叙事："CUDA 就是造市场，造出了现在的 AI 的市场。我们想的是怎么造出下一个大的市场。"

⚠️ 风险论证在这里是反向的，值得与本页 capex 的物理上限 一节并读：

"我们做事情方法是很 risky 的，全部。CUDA 那时候是很 risky 的一件事情，等于是赔本在卖……我们整个 GPU 的价格都比别人高，同样的 Flops 我们就是比别人高，因为我们要支援这个 programmability。你不这么做，你做这件事情很 risky，你不做这件事情更加 risky——不做的话，你的东西就渐渐变 commodity。"

Physical AI 的市场机制他也给了一条（[03:33:31]）：现在家家户户都没有机器人，但如果有，"我家可能会买两三个，那每个机器人都需要算力，等于整个世界对算力的需求会大幅的成长"。⚠️ 这是卖方对自己下游市场的推演，本库不作为独立市场规模证据。

与本页其它立场的关系

• 与 Benedict Evans 的价值上移：方向一致（模型商品化），但落点不同——Evans 说价值向上游转移，刘洺堉说价值靠生态整合捕获，且他所在的位置本身就是那个"上游"。
• ⚠️ 与 Jensen Huang 的"智能只随算力 scale"：同一家公司内部两个层级给出的判断并不完全同调——Jensen 讲能力上限，刘洺堉讲竞争格局。本库不裁决二者是否冲突，但认为读者应同时看到。
• ⚠️ 与所有"赢家通吃 / 指数起飞"叙事的正面对立：与 Ryan Greenblatt 的 RSI 论证 是同一时期两条相反判断，证据类型不同——一边是能力外推，一边是人员流动导致 knowhow 扩散的社会学论证。

⚠️ 纯席位 SaaS 的定价范式失效：来自 YC CEO（Garry Tan，2026-08）

来源：a16z / Garry Tan

Garry Tan 在 a16z 那期（Anish Acharya 主持）。这是本页第一条来自早期投资一方的定价范式判断——此前 SaaS 商业模式的讨论都来自分析师与企业软件老兵。

• 核心表述（[00:15:06]）："纯按席位计费的 SaaS，不完全清楚它 5 到 10 年后还存不存在。作为楔子完全没问题，但如果你 2026 年在做这个，你最好指望它能跳到某种数据或网络效应的护城河上。"
• ⚠️ 他给了一个时间锚点：两年前"SaaS 是神，前瞻 12 个月收入 10–20 倍的倍数是铁律"，"现在完全不是那么回事了，很难相信"。
• 与 Evans 命题的差别值得记：Evans 说价值往上游走；Garry 说价值仍可能留在应用层，但计价方式必须换（从席位换到数据/网络效应）。

⚠️ 一条被主持人说出的价格结构判断

（Anish Acharya，[00:43:20]）"前沿的每 token 价格正在趋向无穷——我的论点是无穷美元一个 token，你拿不到；而一周前还是前沿的那个模型，每 token 价格正在塌向零。"

他把这当作 white pill，理由是消费产品普遍免费试用，而免费试用要求边际分发成本为零——"我们有了 40、50 年来第一次有情感质感的计算机，而我们还没造出更有野心的消费产品，这是个悲剧"。

⚠️ 本页应把这条与 前沿 vs 廉价：钱到底流向谁 一节并列：那里的辩论是钱流向前沿还是流向便宜模型，这里给的是同一现象的价格结构描述——不是二选一，而是同一条曲线上的两端在同时向两个方向拉开。

由此推出的时间点预测

（[00:42:19]）"我猜明年，2027，会是 harness wars。" 机制是成本：今天前沿模型的纯算力"两三年后大概是 50 或 100 块钱"，那时会有一场争夺十亿消费者的战争，"浏览器大战会重开"。⚠️ 无量化依据，记为可跟踪的预测。

⚠️ 价值怎么被卖出去：本页第一条 go-to-market 材料（a16z，2026-08-13）

来源：a16z / Lighthouse or Landgrab

Joe Schmidt 与 Andy McCall 在 Lighthouse 还是 Landgrab 那期（Elena Burger 主持）。本页此前所有材料讨论的都是价值在哪里产生、被谁捕获；这是第一条讨论"它实际怎么被卖出去"的。

框架：卖 proof 还是卖 math

• 两个轴（[00:03:02]–[00:05:02]）：Y 轴 buyer exposure（买方曝险）——同时包含买错的暴露、该方案会不会被展示给买方自己的最终客户、以及整体风险；X 轴是 proof 在这个市场里传不传得开。
• 右上 = lighthouse：高曝险 + proof 传播。典型是受监管行业、logo 数量有限、买错可能"惹上监管机构甚至做了违法的事"。卖的是 proof。
• 左下 = land grab：低曝险 + proof 不传播，但有既定预算——买方早就习惯为这类服务付钱，你进去算一笔账证明比现有方案（软件的或人力的）更好。卖的是 math。
• ⚠️ 对本页最有用的是判定方法，因为它不是分析而是行为检验（[00:12:04]）："他们愿意接你电话吗？愿意买你的产品吗？" 做不到，就说明你不在 land grab 象限，只能去做很深的 forward-deployed 式 lighthouse。
• Andy McCall 的补充判据（[00:12:04]–[00:13:04]）：有没有现成预算 + 是不是替换型产品——是则 land grab；需要大量市场教育、买方没有预算则是 lighthouse，"这更像传教工作，而不是'把你花在 A 供应商的钱挪到我这来'"。

⚠️ "现在是重新去卖大软件的时刻"——对本页 SaaS 之死那条线的直接接口

Joe Schmidt 的论证（[00:32:12]–[00:34:12]）是本节最该被反复引用的：

• 过去 10–15 年 PLG 遍地，是被采用周期的位置决定的，不是永恒规律：CRM、HR、ITSM、安全这些大云平台创立于 2000–2008/2010 年，已经把平台机会解决掉了，新公司只剩楔子产品，land-and-expand 因此极度流行。
• ⚠️ 为什么当时没人能正面重做 CRM："从本地部署到云是一个足够大的切换理由；但从云到云不是。" 原句照录："我不在乎那个按钮是绿的还是蓝的，我不在乎有没有一个小功能差异。我不会切换。"
• ⚠️ 他认为现在不同的理由：连 CRM/HR/ITSM 这种最根本的东西都在被重看，因为"这不是一次拟物的、一对一的替换，不是绿换蓝"——"人会去做完全不同的、价值高得多的事，重复性的琐碎工作由 agent 来做"。落点是"现在有一个重新去卖大软件、去卖平台的时刻"。
• ⚠️ 本页应把它与 Airtable 卖身 和 Garry Tan 的纯席位 SaaS 失效 三条并读：那两条讲旧 SaaS 这一侧在塌，这条讲塌出来的位置正好是新平台生意的入口，而三条给的机制是同一个——这次不是拟物替换。⚠️ 但证据类型不同：Airtable 是一笔已发生的交易，这条是关于当下窗口的销售侧判断。
• ⚠️ 同期同一张桌子上的反向趋势（Andy McCall，[00:34:12]–[00:35:12]）："每一年、每一次技术转换，买方都变得更有见识。" 因此销售动作应持续变轻、更自助——"你的工作只是说服他们你的公司是那个对的方案"。本库并列不裁决：一条讲买什么（可以卖更大的东西了），一条讲怎么买（教育成本在下降）。

⚠️ 采用窗口有时效：一个带历史对照的表述

• 历史对照（[00:07:02]–[00:11:04]）：美国约 2016 年实施 ELD mandate，2016–2019 分阶段推进，整个长途运输行业突然都必须找预算买电子行车记录仪，为当时 18 个月大的 Samsara 打开窗口——尽管 AT&T、Verizon 以及数家收入几亿美元级的既有玩家都在场。
• ⚠️ Joe Schmidt 的类比与限定：现在没有政府发"你必须采用 AI"的强制令，但"到处的 CEO 都在说你必须采用 AI，每家大企业都有 AI 委员会在说要买什么、什么期限内买完"——而他明确判断"这当然会过去"（[00:11:04]–[00:12:04]）。
• 本页记这条的理由：它给 垂直 agent 的护城河：监管时点 补了一个反向样本——Lassie 讲监管变化打开市场，ELD 是同一机制的教科书版；而这一轮 AI 的"强制令"来自企业内部而非监管机构，因此有时效。

⚠️ 签约那一刻的责任边界：POC 的两种风险

（[00:22:10]–[00:25:11]）本页 demo-到-生产那条线此前缺的一环。

• 两条硬纪律：POC 必须有结束日期（30/45/60 天），必须事先定义成功标准。否则会变成"科学项目"——因为"东西每天都在变"，客户会不断追加"那它能不能做这个"，而答案很可能真的是"能"。⚠️ 例外是有些受监管场景根本不允许做 POC。
• ⚠️ AI 特有的第二种风险（本节真正新的东西）："产品要能工作"和"产品要被正确使用、被指向对的对象"是等式里两个不同的部分。 自动化一件从未被自动化过的事时，配置量大、产品可能是对的但被部署错了，或结果需要的时间超过 45 天。落点是必须把边界写清楚："我们签下的是这件事，我们没有签下'你的员工会不会正确使用我们的工具'。"
• 与本页既有材料的接口：Retell AI 的"最后一公里将近一年" 给的是时间，Kavak 的"eval 投入与建 agent 约 1:1" 给的是度量，这条给的是合同边界。三条应一起读。

⚠️ 定价纪律：过了门槛就别再想 ACV

（Andy McCall，[00:16:06]–[00:18:08]）"你会想很多，然后你试着完全不去想它。" 先确认 ACV 能不能过单位经济学门槛——"不想接那些对你单位经济学是负的单子"；一旦过了门槛就别再想，尽可能多拿（他的例子：能靠 15K ACV 活下来，就别接 8K 的单，但把 15K 的单拿满），然后自然会沿 ACV 阶梯往上挪。

⚠️ 这与本页多条"定价锚在劳动预算而非成本"的材料方向不同但不冲突：Lassie 的单位经济学 讲锚点该定在哪，这条讲锚点定好之后不要再反复优化它。

⚠️ 生成成本趋零之后，什么反而增值：一个非企业软件的落点（Chess.com，2026-08-13）

来源：No Priors / Chess.com

Erik Allebest 在 No Priors 那期（[00:31:26]–[00:32:27]）。本页此前的价值捕获材料几乎全在企业软件，这条来自消费侧。

• 他的前提直接把 AI 放进去："你可以给 AI 一个 prompt，明天就有一万个新桌游。"
• 类比：音乐已经先走过一遍——"当音乐无限时，人们有时会回到经典，因为那是所有人都能聚拢过来、拥有共同体验的东西"。
• 国际象棋被他列出的属性：没有战利品箱、没有新掉落的皮肤、没有规则改动、没有要学的新英雄；完全信息、无运气；"复杂到足以让你头脑爆炸，简单到足以让你学得会"。
• 落点："很多人在一个万物爆炸式增生的世界里，在寻找可以抓住的东西。"
• ⚠️ 它与本页主线的关系：这是 Benedict Evans 价值上移论 在消费侧的一个版本——生成成本趋零后，价值转移到不能被生成的东西，此处是共享历史与共同体验。⚠️ 这是一条主张不是证据，且提出者是这条主张的直接受益方。

⚠️ 商业史学者的三阶段框架：模型公司是"AI 云"，大概率不是终局赢家（曾鸣，2026-09-03）

来源：张小珺 / 曾鸣

曾鸣 在 张小珺第 153 期。

本页此前讨论价值捕获的材料来自投资人、创始人或分析师；这是第一条来自商业史研究者的。 它的特点是给出了可被证伪的阶段判据，而不只是趋势判断。

框架与判据

• 三阶段（[00:10:17]–[00:11:18]）：① 技术成为社会基础设施 → ② 海量应用爆发 → ③ 原生应用阶段。
• ⚠️ 第一阶段完成的判据是"度量衡"被社会接受（[00:14:23]–[00:15:24]）："当一个技术有了一个标准的度量衡以后，它就能被规模化、标准化地使用"——一度电、一吨水、1GB 流量，今天是 token。所以 2026 年是第一阶段基本完成的标志性时点，同时也是第二阶段开场（OpenClaw 展示了 agent 能独立完成任务）。
• 本页标注：这条判据与本页既有的 token 定价与单位经济学那条线是同一现象的两侧——本页此前关心的是 token 定价与成本曲线，这条关心的是"计价单位本身成为共识"这件事的产业史含义。
• ⚠️ 原生应用不能跳过第二阶段："应用的爆发给了技术下一阶段发展的方向"（[00:12:19]–[00:13:21]）。范例是字节：今日头条探索出推荐算法 → 带宽算力带来短视频 → 两者结合才有抖音。

模型公司的终局结构

• 定位：数据是石油 → 模型是炼油厂；也像 AOL 这类接入服务商。"说得直白一点就是 AI 云公司。"（[00:23:30]–[00:24:31]）
• ⚠️ 终局只有一种（[00:31:38]）："公共基础设施的行业只有一种商业模式是成立的：寡头垄断加政府强监管。" 三段论——社会依赖 → 政府必然强监管；供给太重要 → 不能只有一家；投入太大 → 不会有很多家。配一句提醒："你现在水电费能随便涨价吗？"
• 寡头竞争的双重要求：足够同质化（保证可被替代）+ 一定差异化（让大家还有钱赚）；"模型公司是个很好的成熟生意"，但"你肯定不会是当红炸子鸡了"（[00:37:41]）。做基础设施大模型的窗口"肯定是关闭了"（[00:36:41]）。
• ⚠️ 最锋利的一条："OpenAI、Anthropic……大概率不是原生应用阶段的大玩家、大赢家"（[00:27:34]），因为"第一阶段的企业很难活到第二阶段，第二阶段的企业很难活到第三阶段"。
• ⚠️ 他否定"这次不一样"的叙述，并给了换算（[00:25:33]–[00:27:34]）：对"Anthropic 不到十年做到万亿市值、人类历史罕见"，他的回应是"这个描述本身就是一个幻觉和误解"。Yahoo 1995 年成立、2000 年 1200 亿美元市值，按通胀与纳指折算约等于今天的 1 万亿；AOL 2000 年高点 2200 亿美元（收购华纳后 3000 多亿），是当时市值最高的公司。"第一波跑出来的公司就有这么大的价值，但它不一定能活到最后。"
• ⚠️ 转不过去的机制（[00:29:36]–[00:30:37]）：第一阶段技术核心是"可不可用"；第二阶段开始的标志恰恰是第一阶段技术慢下来、变成人人可调用；第二阶段要的是洞察力、产品原创力、对普通用户的同理心+新的应用技术（他点名上下文管理）。⚠️ 他留了口子：这些应用侧创新"你到底定义为大模型还是不是大模型，其实不是那么清楚"。
• 炼油厂 vs 化工厂：化工（应用）比纯炼油更有价值；"石油公司肯定做不了汽车"（[00:27:34]–[00:28:34]）。

⚠️ 两条可以直接拿去用的创业者判据

• ARR 增长幻觉（[01:42:45]–[01:43:46]）：他对一家 ARR 高增长的应用公司只问了一句——"你 ARR 继续涨两年以后又怎么样呢？产业终局会咋样？天花板多快会来？" 对方回去一算发现天花板不高，改做别的。他对这个指标的批评："不但是线性外推，而且还是拿当下外推 12 个月。"
• 定价机制（[01:43:46]、[01:28:27]）："刚开始竞争的时候是按你创造的客户价值定价，竞争对手一多就是按你的边际成本定价。" 推出——

  "只要有同质化的供给，你就不可能获取高额利润，你就是一家不怎么值钱的公司。"

• ⚠️ 他把这条明确指向技术创始人："很多技术人员没法接受一个简单的事实：我的技术这么牛、我创造了这么大的价值，为什么我公司可能不值钱？"

⚠️ 电力史：本页最完整的一条"基础设施→应用"时滞证据

（[00:56:57]–[00:59:59]）1892 年爱迪生点亮曼哈顿一平方公里；约 1910 年电网覆盖美国主要城市，同年才出现洗衣机与电冰箱两个 2C 大应用（加收音机）；空调要到 1925 年；电视机要到 30 年后。

⚠️ 人物反讽值得单记：爱迪生成立通用电气做发电设备，没意识到电网重要（助理出走创办了美国第一家送电公司）；而 GE 真正的成功来自它造出了最早的电冰箱和洗衣机——靠 2C 应用而非基础设施，此后繁荣 60 年。IBM 成立于 1910 年，但真正大发展要等到计算机出现。

与本页其它材料的关系

• ⚠️ 与 SaaS 之死 那条线方向一致但论证来源完全不同：Airtable 与 Garry Tan 讲的是旧软件在塌；曾鸣讲的是新基础设施本身就不该期待高额垄断利润——塌下去的位置也未必由现在领跑的那几家占住。
• ⚠️ 与同期收录的 Greg Brockman 正面对撞：Brockman 说"我们现在在 AGI 时代"、瓶颈是分发与安全；曾鸣说"我们连浏览器都还没出现"、瓶颈是还没找到足够大的应用场景。两人对模型能力的判断并不冲突（都认为智能已够用），冲突在于"这意味着产业到哪了"——而且曾鸣的框架直接预测了 Brockman 所在公司的结局。本库并列不裁决。

⚠️ "权利金全流向模型层说不通"：开源制衡与应用层毛利（Satya Nadella，2026-09-15）

来源：All-In / Satya Nadella

Satya Nadella 在 All-In 那期。本页第一条来自超大规模云厂商一号位的价值捕获判断。

被问的问题：token 价格崩塌是不是意味着商业模式错了

（[00:14:13]）主持人给的数字：OpenAI 百万输出 token 约 50 美元，而 DeepSeek 新模型有人估算低到 15 美分（就算按 60 美分算），降幅 99%。那为什么大多数 token 要付 50 美元？

⚠️ 他的回答：这就是好端端的竞争，而开源的制衡是真实的

（[00:15:14]）两个自家历史对照：Windows 的制衡表面是 Mac，真正是 Linux；SQL Server 的制衡是 Postgres / MySQL。

⚠️ "开源的制衡是真实存在的。而这是好事——否则我们不会有一个广阔的前沿生态、也不会有广泛扩散，我们会退回到某种主机时代的锁定。"

由此推出本页该单独保留的一条（[00:16:15]）：

"今天一个 AI 产品的全部权利金都流向模型层，这说不通——如果你真想建一家产品公司的话。"

• 机制：当年闭源数据库若没有开源制衡，价格不会落到能让应用层做出毛利的位置。所以制衡成立之后，应用层在经济上会变得可行得多。
• 中间层会很厚：记忆系统、harness、编排层——"会有一个非常丰富的工具生态"。
• ⚠️ Windows/Unix 互操作的反直觉经验（[00:17:15]）：内部当年担心"互通了不就被用得更少"，结果反而被用得更多；而且微软正是靠这项互操作工作打进了企业。
• ⚠️ 本页标注：这条与本页 曾鸣的三阶段框架 从完全不同的位置推出了同一个方向——曾鸣说模型公司终局是"寡头垄断 + 政府强监管"的公共基础设施、价值会从模型层移走；Satya 说权利金全流向模型层说不通、应用层因开源制衡才有毛利。一个是商业史推演，一个是自家产品史类比。

⚠️ capability overhang：瓶颈是变更管理，不是能力

（[00:11:11]–[00:12:11]）"已经存在巨大的模型过剩、能力过剩"——模型已经很好，卡住广泛扩散的是压缩与重排工作流所需的组织变更，"这才是耗时间的地方"。

• 他给的产品史判据是"模型 + harness"：coding agent 是在发现"agent loop 接上文件系统"之后才真正可用的；对照 ChatGPT 时刻——"是最后那一步 RLHF 让对话成为可能"。

  "是模型加上 harness，才让我们做成一些事，进而带来广泛采用。"

• ⚠️ 本页标注：这条与 Greg Brockman 的"瓶颈是分发" 方向一致但归因不同——Brockman 归因于算力不足以低价服务所有人，Satya 归因于买方的组织变更速度。并列记录。

⚠️ 多模型、互操作，以及一句关于数据归属的重话

（[00:12:11]–[00:14:13]）"现在每个企业都来跟我说：这个模型在这里会拒答，那个模型我要权重。" 所以多模型是出于韧性的必然。他要的是外置于模型的 harness，让"我的记忆不绑死在某一个模型上"，并具体到 KV cache 的跨模型家族复用。

⚠️ "这是第一次，你使用一项技术所产生的数据尾气可能不属于你。"

类比：我卖你一个数据库，却告诉你你存进去的数据不是你的，许可证一撤它就没了——你会作何感想？

⚠️ 他给企业的 acid test（本页最可直接操作的一条）

（[00:26:27]–[00:27:29]）

"全都用，但不依赖任何一个。"

操作化：把对你真正重要的 eval 跑过所有模型；然后抽掉其中一个模型，看你还能不能保住这个 eval 的结果。

保不住，就说明你依赖着一个未必属于你的东西。

⚠️ 本页标注：本页此前讨论"买方评估权"的材料（企业 RFP 那条线）关心的是选型；这条关心的是可替换性本身，而且给了一个任何企业今天就能跑的检验。

⚠️ 四层价值分配，以及一条"安慰变成集中的理由"的反转（Dylan Patel，2026-08-25）

来源：Dwarkesh / Dylan Patel

Dylan Patel（SemiAnalysis） 给了本页一份完整的分层回答（视频页，[00:19:29]–[00:20:30]）：

• 终端用户捕获最多——"所以他们才肯为模型付这么多钱"。
• 应用层到目前为止捕获得很少。
• 模型层一年前还是负毛利，现在是大幅正毛利，看起来正走向 $100M/MW。
• 硬件供应链一年前捕获了全部毛利，而"其他所有人都在亏钱"。

他举的两个例子（[00:18:29]）：Jane Street（与 OpenAI 有独家合约、同时是 Anthropic 最大客户之一）从 token 里赚到的远多于 Anthropic 从中赚到的；Meta（一度传闻占 Anthropic 业务的 10%）靠优化广告算法赚的也远多于 Anthropic。⚠️ "一度传闻"是原话，本库不作为事实。 ⚠️ 另需知道 Jane Street 是本期赞助商，两人自己在节目里打断说了三遍"This is not an ad"。

价值捕获会漂移（[00:20:30]）：2023 年 HBM/存储厂商从 AI 里没赚到钱，尽管理论上交付的价值巨大；现在 TSMC 捕获的价值明显少于存储厂商。配套是 bullwhip（牛鞭效应）——SpaceX 卖高价 → 问 Jensen 为什么不涨价 → 存储三家跟着涨；但 TSMC 涨得很慢，存储与基板涨得很快（[00:25:47]–[00:26:48]）。

⚠️ 本页认为最该被单独引用的一处反转

（[01:14:00]–[01:16:04]）Dylan 先说"唯一让人稍微安心的是，今天 Anthropic 并没有捕获大部分价值"——它每兆瓦做到 $100M，是因为 Jane Street 每兆瓦捕获了 $300M 或 $500M。

但 Dwarkesh 当场指出这条"安慰"自相矛盾：你前面那套"把推理算力收回去做 AI R&D"的逻辑，前提恰恰是实验室内部的劳动回报高于外部。Dylan 承认——"Yes. This is my cope."，并把逻辑推到底：

如果 Jane Street 每兆瓦最终变现 2 亿、所以愿意付 Anthropic 1 亿，那 Anthropic 为什么不自己用这兆瓦赚几亿？

⚠️ 本页把它记为一条机制："价值流向用户"从一条安慰，变成了一条通往集中的理由。 与本页既有的 Benedict Evans 的"价值向上游转移"、Eiso Kant 的商品化论证 并列读。

新的权力结构：Meta 与 SpaceX 作为"仅有的第三名"

（[00:21:36]–[00:23:44]）大部分算力在建成之前就已被签约，而 SpaceX 手上有已建好、未被合约绑定的算力，于是能直接高价卖给 Anthropic——"一年就把整个 capex 收回来"。Dylan 的定性是"不是 Elon 决定的，也不是 Anthropic 决定的，是市场自己找到的价格"。

⚠️ 由此 Meta 与 SpaceX 成为仅有的两个可信的"第三名"：它们有资产负债表、能在没有终端客户的情况下先把算力囤起来，再决定自用更赚还是卖给实验室更赚。其他云必须先找到客户、拿客户承诺去信贷市场融资，才能建。

⚠️ AI infra 公司的一条供给侧规律，以及数据库加速的历史佐证（肖志斌，2026-09-07）

来源：月球大叔 / 肖志斌

肖志斌 在介绍自己公司之后，主动给这条商业模式做了负面诊断（视频页，[01:43:35]–[01:47:35]）。本页认为这比产品介绍更值得记。

⚠️ "要么你带着客户——客户需要你、信任你；要么你带着资源——你有 GPU resource。必须要靠一头，要不然很难。纯粹做 infra 或 optimization 的公司，很难占住这个位置。"

月球大叔接了一句："很多看起来是 AI infra 公司，实际上是 GPU 公司"，他确认。

他给的历史佐证是数据库加速公司：他指出数据库优化的复杂度"跟 AI 差不多甚至比 AI 更复杂"（数据库有大量随机的、data dependent 的动态行为，而 AI 虽有 MoE/batching 的动态但大部分还是矩阵运算）。⚠️ 但"数据库加速公司其实很少成功"——业务形态变化非常快、技术栈太深、做数据库的人自己也有 optimizer，所以商业模式很难定义。

⚠️ 他与主持人在"缺什么"上不一致（[01:47:35]）：他说很多 AI infra 公司缺的不是优化工程师，缺的是资源；月球大叔当场不同意——"我觉得也缺工程师，现在这种复杂程度，毕业生搞不了"，合格人选要么是工业界多年懂底层 GPU 与架构的，要么是深度参与 SGLang/vLLM 社区的。本页把两条并列。

⚠️ 一条与本页"AI 时代评价标准"相关的补充（徐天音，2026-08-22）

来源：月球大叔 / 徐天音

徐天音 从学术侧给了一个同向的观察（[00:22:26]–[00:23:26]）：

过去你做一个系统，说它很好，但它只能处理一类 workload，很难拿到资助、很难说服评审；评委一定会以"不够通用"拒掉你的论文。现在，我就做一个 IO 性能特别好的系统，很多人就会很兴奋，它的经济市场特别大。

⚠️ 本页把它记为一条"窄而深的系统在 AI 时代获得了市场"的证词——它与本页既有的 Decagon 的"业务逻辑靠上下文"、Applied Intuition 的"横向技术供应商" 处在不同层次：那些讲的是应用层的窄，这条讲的是基础设施层的窄。

---

⚠️ token 支出开始逼近甚至盖过工资支出：两组具体数字（2026-09-09）

来源：a16z / Vals AI

⚠️ 本页此前的 token 经济学材料（Freda 的 Token per Task、「token 预算 ROI」）大多是框架或投资视角。这两组是迄今最具体的实测数字。

一、那个财富 10 强的故事

（[00:16:13]–[00:17:14]）

• 给工程师的 Claude Code 预算是每人每天约 100 美元，速率上限在下午 4 点重置。
• ⚠️ 结果是工作节奏被重写：最高产的时段变成了下午 4 点到 6 点；而下午有一段"死区"——大家去散步、去喝咖啡，因为额度用完了。
• 额度后来提到每人 300 美元——"差不多是一个员工工资那么多的 token"。
• ⚠️ 他从这个故事里读出的东西：技术栈的每一层都在对智能定价错误——
• 工程师拿到 100 美元额度，不知道怎么分配才最高产；
• 公司定下每人 100 美元，这个数字相当武断，因为很难量化正确的用量上限；
• 而供应方在很窄的毛利上支撑这件事，服务成本巨大。

二、Vals 自己的 token maxing 实验

（[00:22:17]–[00:24:19]）

• 一个月内，工程师每天花 10–20 亿 token，峰值一人一天 60 亿。
• ⚠️ 折算下来那个月约 150 万美元的 token，是同期员工工资的 10 倍（⚠️ 他补充这次是免费额度）。"我们不能按这个模式再过一个月。"
• 由此诞生了 ValSmith——用自家 GitHub 代码库建内部 coding benchmark。
• ⚠️ 两条具体发现：Cognition 的 Devin 非常 token 高效（因此他们更多采用它）；订阅制定价往往比按 token 计价更划算。
• 现在的运行模式：所有工具对所有人开放，但对每个 GitHub issue 或 ticket 自动推荐从哪个工具开始，让用量按任务所需的智能水平来滴定。
• ⚠️ 一个反直觉的采购结论（[00:21:16]）：Sonnet 因为太"token 饥渴"，实际花销有时比 Opus 还高——"如果你按'感觉适用就用 Sonnet'来操作，可能反而多花钱"。

⚠️ 三、由此推出的判断

（[00:17:14]–[00:18:14]）ROI 是什么、这些智能值多少，现在都非常不清楚；一旦 token 支出开始盖过工资支出，这就是成本表上的重大条目，必须比过去六个月严肃得多地论证 ROI。他给的落点是：

⚠️ "一家公司本质上就是它的 eval。" 能不能把自己的 eval 变得可读（legible）、从而算清 ROI，长期会决定这家公司能否胜过竞争对手。

⚠️ 一条独立来源的佐证：Ramin Hasani 从供应商侧给出了同一现象的另一面——"90% 的 vibe coding token 是无用 token"，开发者"人人都想 token max，这就像脑子里的病毒"，而等企业真去做价值归因就会发现这一点（Liquid AI 期 [00:41:23]）。

---

⚠️ "下一波是 customization token"：一条关于价值捕获下一站的判断（Liquid AI，2026-09-18）

来源：Latent Space / Ramin Hasani（[00:34:20]–[00:36:21]）

• 现状：90% 的市场围绕推理 token——前沿实验室和 Fireworks 这类推理商托管模型、按 token 收费。
• ⚠️ 他的判断：下一批 decacorn 出在 customization 这一格，因为已经有足够多好的开源基座模型，企业想要的是把它变成自己的。
• ⚠️ 他对 customization 的定义比"后训练"宽得多：预训练、mid-training、后训练、数据生成、RL 全都算，而且要让 agent 去做这些并把整个过程闭环——"让客户拥有自己的智能"。

支撑这条判断的企业侧证据

（[00:39:23]–[00:41:23]）样本是约 200 家财富 500 强：

• ⚠️ 成熟企业已经被折腾累了——自建 applied ML 团队、从开源下模型、从头训自己的模型，"这些都没有变成真正的生产线，最后总是退回云方案"。
• ⚠️ 他给的数字：80% 的 PoC 到不了生产级。
• 第二重压力：开发者对最高级智能的需求是刚性的、且在 token maxing；而企业同时要控成本——于是对能快速拿到价值的自助平台产生巨大需求。

他们的商业模式（本页认为值得单记，因为它解决的是"垂直化怎么规模化"）

（[00:32:18]–[00:33:19]）

• 早期是 design partner——派一个 applied ML 团队进去，按参与时长收费；方案建成后按年、按设备收 license。
• ⚠️ 关键的规模化逻辑：每个垂直做完第一家之后，后续客户的服务量大幅下降，只剩方案部署。
• ⚠️ 平台的形态也值得记（[00:41:23]–[00:42:25]）：不是又一个 UI，而是坐进客户已有的 agentic harness 里的一组工具——"很像你和你的 cloud code 交互的方式"。可以一键全自动，但他明说全自动出来的模型质量不如交互式做出来的。

⚠️ 这与本页 「应用层 vs 前沿实验室的三件套」（垂直化 + model-agnostic + 窄模型，来自 ElevenLabs 与 Legora）方向一致，但给出了第四件：把"做一次方案"变成"卖一个能持续演化的平台"，其技术理由是——静态 eval 会过期（[00:43:25]，见 评估与 Benchmark）。

---

⚠️ 一条关于"外部部署质量系统性滞后于内部"的实验室自述（Noam Brown，2026-09-17）

来源：Dwarkesh / Noam Brown（OpenAI）（[01:05:20]–[01:08:24]）

⚠️ 这条直接关系到本页的"两层市场结构"，而且是从卖方内部给出的。

• 机制：模型发布周期最多两个月，而模型能有效运行的时间尺度正从一周走向三个月——一旦交叉，就没有时间在完整尺度上评估它（详见 评估与 Benchmark）。
• ⚠️ 推向权力集中的逻辑（Dwarkesh 提出，Noam Brown 承认）：RSI 期间实验室会想——"干嘛要花额外功夫做分类器和护栏、还要挨骂，就为了把模型放出去？干嘛帮别人也做 RSI？"
• ⚠️ 他承认这条，而且说数学是第一个清楚显现这件事的领域：

  "我们内部有一个极强的模型，外部拿不到，它能解不可思议的数学问题——而且不只是千禧难题，很多未解问题的解都是从这个模型里出来的。" ⚠️ 他用了 "unfair advantage（不公平的优势）" 这个词，并说 "We don't have a good answer."

⚠️ 本页标注：这条与 Cerebras 的产能分配（Latent Space / Cerebras [00:12:03]，产能全部售罄、大部分给 OpenAI，而 OpenAI 又把相当一部分留给内部用）是同一现象在供给侧的显影——不只是模型质量滞后，连承载它的硬件产能也优先内供。

---

⚠️ 12 周内 token 用量 80/20 翻转，以及一条可操作的折现判据（All-In，2026-09-26）

来源：All-In 第 290 期

本页此前的"暗 token"记录（Dylan Patel / Chamath 2026-07）停在"看不见的开源用量在涨"。⚠️ 这一期把它变成了一个具体的时间序列：四人围绕同一张 Vercel 图表争论——过去 12 周内 token 用量从"闭源 80 / 开源 20"翻转成"开源 80 / 闭源 20"（[00:40:37]–[00:41:38]）。⚠️ 本库不核实该图表本身，只记录四人一致把它当作 Anthropic S1 的头号风险因子。

⚠️ Chamath 的折现判据（本页目前最可直接操作的一条）

（[00:42:38]–[00:43:38]）不要问开源份额是多少，要问前沿厂商的 token 分布里有多少是"可被开源替代的任务"：

"如果答案超过 60% 或 70%，你必须对那部分收入打折。如果只有 10%、90% 的收入来自绝对前沿用例，他们没事，而且会一路狂奔。"

⚠️ 这条把本页"模型商品化"的长期争论收成了一个可测量的比值，而不是"会不会商品化"的是非题。

四种读法（本库不裁决）

人	读法	依据
Chamath	必须给收入打折，IPO 要清到远低于预期	折现判据；即便按 1000 亿收入运行率，本可能 2 万亿的干净 IPO 现在是 1 万亿或更低（[00:34:35]–[00:36:36]）
Sacks	稳定双寡头，前沿能收溢价	未来一年全球新增算力约 60% 是为这两家加的；有客户"不敢不用最好的"（[00:45:40]–[00:46:41]）
Friedberg	不是崩塌，是分层	买方自述：生命科学用 Anthropic，写代码用别的；"极高价值的技术问题会付接近无穷的溢价"（[00:37:36]–[00:39:37]）
Jason	速度问题	小语言模型/垂直模型会做掉企业 80–90% 的任务（[00:43:38]–[00:44:40]）

⚠️ Sacks 的"仓鼠轮"：对他自己两层市场框架的一次自我限定

（[00:45:40]–[00:47:41]）他同时持前沿溢价论，又说"他们不再是前沿的那一刻就归零"，而前沿只领先商品化部分 6 到 12 个月。由此推出一条与 他 2026-08 的两层市场结构 方向一致但更悲观的判断：如果这些公司真拿到想要的监管控制，会慢到掉出前沿。

⚠️ Chamath 对"前沿溢价"的成本传导反驳

（[00:48:43]–[00:50:45]）Sacks 用对冲基金的博弈论证溢价（不敢让对手有更好的模型）；Chamath 反驳的是成本传导——那笔 token 支出与你的收入没有杠杆关系、也传导不出去："有很多情形下他们会从盈亏平衡变成亏损。"⚠️ 这是本页 token 经济学那条线第一次从"卖方能不能赚钱"移到"买方能不能把成本传导出去"。

⚠️ agent 对 App Store 30% 抽成的结构性冲击（本页此前没有这一层）

（[01:13:56]–[01:14:58]，Chamath）消费级 agent（Meta Muse、Grokbot）做了两件事：

1. 逼有自营服务的大公司封锁第三方 agent——因为 agent 带来价格发现与透明，"如果你的生意受益于不透明、受益于泄漏和摩擦，这会把它拿掉"；
2. ⚠️ 把应用商店抽成推上被告席：agent 会逼很多服务以 headless 形式存在，UI 不再重要——"在那个世界里，我想不出任何应用商店所有者还有合理理由拿这笔分成。"

⚠️ 这是 Steven Sinofsky 的 headless 软件论 与 Peter Steinberger 的"app 消亡" 的第三种后果：前两者讲的是软件形态，这条讲的是平台租金的合法性基础。正在发生的对抗是 Amazon 封锁 agent，而 Shopify 给所有店铺加了 API 访问（[01:16:59]）。

---

⚠️ 分发是模型实验室最被低估的短板：来自路由层的供给侧证据（OpenRouter，2026-09-25）

来源：Latent Space：OpenRouter × Stripe

本页此前的商品化论证（Benedict Evans、Eiso Kant）都来自观察者或模型方。⚠️ 这一期第一次来自中间层本身。

⚠️ "checkpoint 做完，然后是一片寂静"

（Anjney Midha，[00:19:16]–[00:21:16]）他以早期投资人身份给的观察是跨实验室一致的——OpenAI、Anthropic、Black Forest Labs、Mistral 的早期预训练团队默认路径都是"checkpoint 好了，发个 API，完事"。"你会震惊于他们有多相似。"

两个硬例子：第一版 Claude 的 checkpoint 比发布早一年就在内部做好，直到 ChatGPT 出来才决定外发，而且完全没有让开发者试用的计划；Claude 1 博客里那三个开发者案例（Discord bot、他太太的创业公司、Notion）全是团队的朋友。另：Mistral 的第一个 checkpoint 是发磁力链接种子，没有 API（[00:23:18]）。

⚠️ Google 的结构性不对称（[00:21:16]）：DeepMind 训完按个按钮就能铺到 Google Docs 到 Android 的所有界面，"一夜之间部署到十亿台设备"。这个隐形分发优势是"必须有中立分发层，否则没有对 Google 的竞争"的依据。 对照数字：Anthropic 花了超过 12 个月才做到第一个 1000 万美元收入（[00:22:16]）。

⚠️ "摆动"节律：本页目前最有预测力的一条商品化节奏

（Alex Atallah，[01:06:55]–[01:07:55]）

1. 模型实验室做出一次前沿创新 →
2. 用量激增 →
3. 30 天后用户看账单 →
4. 约 3 个月后开源权重模型交付出性价比替代。

"我们看到这个循环发生过好几次。"

⚠️ 这条给了本页"商品化的时间尺度"（Chamath 2026-07）一个更细的刻度：不是笼统的"6–12 个月"，而是一个由账单驱动、约 3 个月一轮的替代周期。配套的历史节点：Mixtral 8x7B 是第一个被严肃称作"世界最好模型"的开源权重模型，直接引发 provider 竞价、价格下来约 80%（[00:44:38]–[00:46:40]）。

⚠️ 定价会从"在推理上加价"转向"按任务收费 + 客户自带推理"

（Alex，[01:12:59]–[01:14:02]）两条独立理由：

1. 欺诈：做网关、卖通用推理的人就是欺诈标靶；卖离散任务的人风险低得多。
2. 议价：来自实验室和优质推理商的"先承诺、再自带推理"的压力会很大。

他指向 Datadog 的定价页作为基础设施定价的未来样貌（按不同事件类型计费、连续型定价），消费端则趋向更简单的订阅。⚠️ 这与本页反复出现的"不按 token 计价"样本（Sierra、Retell、Decagon）方向一致，但第一次给出的是中间层的机制解释而非应用层的商业选择。

规模数字（自报，本库未核实）

开发者超 1000 万、每天超 10 万亿 token、周环比约 9%（[00:22:16]、[01:04:54]）。

---

⚠️ "前沿不前进对绝大多数组织没关系，但对实验室是灾难性的"（Ali Ghodsi，2026-09-18）

来源：a16z 2026-09-18

⚠️ 这是本页迄今最锋利的一条"需求侧诊断"，而且它把技术进步与商业价值明确拆开了（[00:40:13]–[00:41:13]）：

• ⚠️ 诊断："模型已经足够聪明了，它们缺的是组织内部的 context"——模型没参加过每一场会、不知道每个人脑子里有什么、不知道所有流程；"每个组织里总有那么一两个什么都知道的员工"。
• ⚠️ 推论一："我们不需要一个能解 Navier–Stokes 或在 Humanity's Last Exam 上从 60% 提到 70% 的模型。这些都不需要。" → "很多人为'pace 前沿'很生气，但其实对地球上绝大多数组织来说，前沿不前进也没什么关系——它们在采用曲线上落后太多了。"
• ⚠️ 推论二（本页最该记的一半）："不过这对实验室会是灾难性的，因为智能的价格正在渐近式下降——大概每六个月降到十分之一。"（⚠️ 口述估计，本库未核实。）也就是说：实验室的商业模式依赖前沿持续推进，而客户的价值实现不依赖。
• ⚠️ 他用一个举手调查支撑这个诊断（[00:38:13]–[00:39:13]）：从去年 Q3、Q4 起几乎一直有人说"AI 比我周围大多数人更聪明"；但问"你们当中有多少人在管理成百上千个组成蜂群、互相谈判的 agent，举手"——几乎没有人举手。 大多数企业就是 Microsoft Copilot；⚠️ "他们在用 chatbot 问问题，那基本上是一个非常美化、非常高效的旧日 Google 搜索"；"那种把整个企业自动化掉的 agentic 工作，根本就没有发生。"

⚠️ 他给的解法：ontology 即"离线计算的索引"

（[00:45:16]–[00:48:17]）定义：组织里所有抽象概念、目标、部门、人、项目各自指什么、彼此什么关系。判别法："两个人同样聪明勤奋、教育背景相同——一个今天第一天上班，另一个干了五年。区别是后者拥有这家组织如何运作的 ontology。"

⚠️ Google 索引类比（本页可直接引用）：今天的 agent 是一个一个去查资源（一个个 MCP server）再综合，"而这挺慢"；如果 Google 25 年前这么做搜索——每次极贵、要等十分钟、质量还差（只看了极小的子集）。"他们怎么做的？他们有索引……ontology 就是那个要在线下持续计算的索引。" 比 PageRank 难的三点：权限、隐私与访问控制、对象类型远不止网页一种。

• 第一步最难（[00:44:16]）：⚠️ 每场会都要转录、全部数字内容都要喂进去——"而法务团队会说：不要录每一通电话。"
• 他自己公司的效果（自述）（[00:48:17]–[00:51:18]）：ontology 比任何客户都大，"图里几百万乃至上千万个节点"；"会议上所有人都在手机上用 Genie 提问"；⚠️ 那个轶事——他要"财富 500 强渗透率"，问销售运营被答"我在飞机上登不上 Genie"，改问 CFO 结果对方直接贴了一张 Genie 截图——"这儿还有人做点新鲜事吗？"
• ⚠️ 他给 Palantir 的正面评价（[00:51:18]）："Palantir 在走进组织、把大量默会知识写下来、装进组织这件事上做得很好"；Databricks 的差异是自动把那些东西拿来建图。
• ⚠️ 与 Steven Sinofsky 的关系值得本页记一笔：Sinofsky 的"企业里所有有趣的事都是例外处理，而例外只在人脑里、不在字段里"与这条诊断是同一件事的悲观版与乐观版——Sinofsky 说那些知识不在字段里，Ghodsi 说那就把它建成图。

⚠️ token maxing → value maxing：一组很具体的成本工程（Ali Ghodsi，2026-09-18）

来源：a16z 2026-09-18

• 时间线（自述）（[00:53:19]–[00:54:20]）：去年 Q4 模型变得真正好用，他本人开始往生产环境提交代码并据此推动全公司（⚠️ "如果 CEO 能在一个有各种安全要求的敏感数据平台上把代码提到生产，你也应该能"）；Q4 做了排行榜；⚠️ token maxing 在今年二三月就已经失控——"我们大概比别人早几个季度看到这件事"。
• 他们做的五件事（[00:54:20]–[00:55:21]）：Uni Gateway 上加按人/按组的预算约束与警告；做分析以精确预测成本走向；智能路由（接近预算或问题简单时自动挑便宜模型）；自建 Omniagent 在不同 harness 间多路复用；⚠️ 最该记的发现："同一个模型、同一个版本，换 harness，实际成本差了将近 2 倍。"
• ⚠️ 结果："token 持续上涨，但成本基本持平"——"每个组织现在都在经历这件事，需求巨大。"
• ⚠️ 他对浪费的直接批评（[00:56:21]）："人们真的会用自己的 harness 去重命名文件——你为此付的是高出几个数量级的钱。至少那个你自己敲一下吧。"

⚠️ 新架构创业公司的护城河：本页迄今最具体的一份（Stefano Ermon，2026-09-18）

来源：No Priors 2026-09-18

⚠️ 本页反复出现"新方法会被有算力的大厂吸收"这个质疑，这是第一份来自被质疑方的正面回答（[00:19:18]–[00:21:18]）。他承认这个担忧非常成立、也是自己最挂心的事，然后给了分层的答案：

1. 早期：IP 与商业秘密（想法本身）。
2. ⚠️ 服务引擎——"你在 vLLM 或 SGLang 上跑不了扩散 LLM"，所以"就算你训出了扩散 LLM，没有那个 vLLM 的等价物，你照样卡住、用不了"。
3. 真实客户的反馈，以及由此造出的 eval 与数据（"那些东西比较难复制"）。

4. 自建的 SFT / RLHF / RL 全栈。

5. ⚠️ 他明确说这是不全部开源的原因，代价是社区贡献少、采用更难、on-prem 更难。

6. ⚠️ 他给的差异化定位很干净（[00:14:15]）："现在是速度，将来谁知道"——并且留了个开放可能："完全可能扩散语言模型最终显著比自回归更聪明——没人知道。"
7. 市场规模的估计方法（[00:28:21]）：用 OpenRouter 的用例分类法估出 ⚠️ 20%–30% 的用例里延迟真的非常重要，作为下界。
8. ⚠️ 一条对本页"价值往哪走"有直接含义的案例（[00:17:16]）：语音 agent 公司 OpenCall 从 Cerebras 定制芯片换回 NVIDIA GPU 上的扩散 LLM——同样速度、更好可获得性、更低成本、更高质量。 本库标注：这是一次"软件把价值从专用硬件那里拿回来"的具体记录。

⚠️ "各自造自己的 5%"：应用价值被个人重写侵蚀（DHH，2026-08-26）

来源：Lex #501 / DHH

本页此前记录的应用层威胁主要是 agent 绕过 app（Steinberger 的"每个 app 都是一个很慢的 API"、80% 的 app 将消失）。DHH 给的是另一条机制：不是 agent 替用户去操作 app，而是用户让 agent 把自己需要的那一小块重写出来。

• 论证（[00:24:44]–[00:25:45]）：Office 的老笑话是"我只用 5%"，但每个人用的是不同的 5%——"那不如各自把自己那 5% 造出来？"
• 他自己的样本（[00:25:45]–[00:26:45]）：此前基本只写 Ruby，最近两个月写出 C++ 与 Rust 应用。写作工具 Omawrite 第一版约 20 分钟出来，两天后他弃用了付费软件 Typora。Quattro 里 shipped 了三个这样的自造应用（还包括他自己的剪辑工具 Omacut）。
• 为什么成熟应用没有同步加速（[00:18:29]–[00:20:32]）：⚠️ 他的答案不是"大公司懒"，而是人类带宽——产品经理 + 设计 + VP + CTO 人人都要参与塑形，"生产力就死在那里"；而要拿到 10x–100x，人必须直接对 agent，不能有人类中介。加上多数组织的瓶颈是想法与品味，不是实现。他拿微软举例：几十年无限的编程产能恰好证明"能写很多代码并不产出伟大软件"。
• 结构性结论（[00:23:43]–[00:24:44]）：这是经典 innovator's dilemma——"这些是超级油轮"；而计算平台本身在 40 年来第一次重新可争夺（他此前认为 Apple/Google 的移动双寡头无法撼动，现在认为"最重要的平台"这个位置已经松动）。
• ⚠️ 本库内部对照：Steinberger 的机制（agent 代用户操作 app）对所有 app 施压；DHH 的机制（用户重写自己那 5%）只对功能可被一人复刻的工具类 app 施压，但它同时解释了为什么付费软件会失去用户而不是失去流量。

订阅经济学与 harness 作为护城河

• 订阅是当下最划算的那一档（[02:40:40]–[02:41:43]）：他说用 Claude 订阅"像疯了一样划算"，但已经买到第二个 Max 订阅（Lex 有四个），并抱怨"为什么不能直接叠加？我希望实验室让你能买 100 次 max"；Omarchy 下一版要内建多订阅切换支持。⚠️ 这是本页第一条关于重度个人用户被订阅额度卡住并自行套利的一手记录。
• harness 而非模型是他的留存理由（[02:39:35]）：他主力用 Claude 的理由明确是"他们的 harness 最好"（尤其多 agent 并行的 Agent View），并说 Claude Code 一直稍微领先。⚠️ 与此同时他列了三条对 Anthropic 的不满（订阅不能用于第三方 harness、Claude 不读 agents.md、拒译文章），但仍然继续用——他自己把这条总结成"不必因为一家公司某件事做得不好就全盘弃用"（[03:25:12]–[03:27:20]）。
• ⚠️ 一条产品差异维度，本页此前没有（[03:23:10]）：Claude 系模型开箱即是好写手（PR 描述、commit message），GPT 开箱写得很糟。他曾让 agent 以自己名义回 PR 因为"像我写的"，后来认为不诚实，现在一律署名 "Claude on behalf of DHH"。
• 被收购的反例（[04:00:18]–[04:01:18]）：Lex 问实验室会不会像对 OpenClaw 那样开大额支票，他的回答是他不需要钱，所以能纯粹按自己的视野造；"如果 Omarchy 最终只是 agentic OS 早期运动的一个脚注，我也完全平静"。⚠️ 与 Steinberger 当时正在 Meta 与 OpenAI 之间二选一形成直接对照——同一类资产（爆红的个人开源项目），两种完全不同的处置。

agent 作为付款方：给 AI 开账户、以及微支付的金额分布（Brian Armstrong / Coinbase，2026-09-10）

来源：No Priors / Brian Armstrong

本页此前的 agent 商业化材料分布在两层：谁付钱给模型（OpenRouter × Stripe 的 token 流）与 agent 替用户下单（DoorDash）。这条补的是最底下那层：agent 自己持有账户、付钱给另一个 agent。

• 立场（[00:04:01]）：⚠️ "我们不想让 AI 没有银行账户——我们要给 AI 开户。"实现方式是一条命令粘进 agent 即开户，走自托管钱包 + crypto 轨道，因此没有 KYC 流程（"我们的 agent 没有政府签发的身份证，也不能走进银行网点，至少在它有人形机器人同伴之前不能"）。
• 两种账户层级同时做（[00:04:01]–[00:05:02]）：与人类身份绑定、资金隔离的 agentic 子账户（只授权这部分给 agent 交易与支付）＋ 给任意 agent 的自托管钱包；⚠️ 后者"甚至可以融资、可以发币"。
• ⚠️ 本页此前没有的一条费率结构论证（[00:06:02]–[00:07:02]）：卡组织最低费用约为 30 美分固定 + 百分比，所以低于 1 美元的交易基本不成立——"为了发 1 美分付 30 美分没有意义"。而他给的分布是：他们看到的 agentic commerce 交易约 76% 低于 30 美分（口述、未核实、口径为 Coinbase 自己的流量）。结论：现有卡轨道在结构上接不住 agent 流量，不是意愿问题。
• 这些微支付买的是什么（[00:07:02]）：主要是取信息——付费墙后的研究数据、抓取类服务，以及向另一个专才 agent 取源数据，形态上就是一次 tool call。头部服务商集中在 search 与金融数据。⚠️ 这给"agent 之间的 API 调用会变成可计价市场"提供了第一份带金额口径的材料。
• 协议与分发（[00:05:02]）：x402（Coinbase 孵化、已捐入 Linux Foundation，他称 Google / Cloudflare / AWS 共同推进）；商家侧"接受稳定币即同时接受人与 agent"。⚠️ 值得与本页既有的"谁拿到 agent 时代的收单层"问题并读。
• 他的宏观推断（[00:09:03]）：⚠️ "agent 会比人多，所以 agentic 经济在不太远的将来会比人类经济更大。"本库标注为信念性推断，不是预测方法。
• ⚠️ 一处必须标注的利益相关：说这些话的人是收单与交易所一侧的 CEO，"crypto 对人类非常好、对 AI 将是必需的"（[00:10:03]）是其商业立场。本库记录的是费率结构与金额分布这条可检验的论证，而非其结论。

⚠️ intelligence per dollar 作为产品定位，以及"反向 SaaS 末日"（Diogo Almeida / TypeSafe，2026-09-21）

来源：Latent Space / TypeSafe

• 定位（[00:06:05]、[00:20:11]）：Jev 这个系列的承诺是永远站在 intelligence per dollar 的前沿（名字取自 Jevons 悖论）。他对常见的四维取舍给了一个排序式的说法：⚠️ "成本与速度是你付出去的东西，智能才是你要拿回来的。"而 intelligence per second 他认为是另一个指标、不是 Jev 的生态位（[00:52:32]）。
• ⚠️ 他的护城河表述（[00:31:17]）："如果整个 TypeSafe 消失，也许别人要一两年才能真正追上。我其实不知道要多久。如果模型质量重要，那我们会在很好的位置待很久。"
• 开发者优先于企业（[01:33:09]–[01:34:10]）：发布前一半以上试用的人"根本没懂"，非技术同事担心"我们在卖维生素不是止痛药"，几乎没有收入；发布后变成"我们能不能直接给你们 GPU"。⚠️ 他由此说想质疑 "product-market fit" 这个概念本身，并在考虑"怎么推出对开发者比对企业更好的东西"。
• 他报的量级（⚠️ 均为口述、未核实）：发布一周内突破每天 1 万亿 token，而且"晚上也在持续跑，说明是机器在调用、不是人在试玩"（[00:36:22]）；signup 数对开发者平台没意义，真正的压力在 rate limit（[00:37:23]–[00:38:25]）；发布视频约 36–38M 观看（[00:39:25]）；⚠️ "我们 uptime 的 9 比 Anthropic 还多"（[00:37:23]）。
• 用例分类（他们发布前就从第一性原理画好的）（[01:37:11]–[01:39:13]）：⚠️ dark data（公司囤了数据但舍不得用 LLM 跑，"大公司非常喜欢这个"）、coding agents（他说这两类是量最大最赚钱的）、实时/智能在环（"每省 10 毫秒产品好多少"；电商、助理、游戏）、verify everything（给所有 LLM 调用做校验与可观测性）、smart software（内在可组合、以前不可能存在的东西）；⚠️ computer use 是从侧面冒出来的（社区做的语音操作整台电脑）。
• 经济北极星是 TFP 而不是 AGI（[01:18:54]–[01:20:54]）：⚠️ 五年内 TFP 增速 +3%（主持人："我从没见过一个实验室关心 TFP 增速"）。他对"完成世界上大多数经济价值工作"这个旧定义的质问是 ⚠️ "怎么可能做得了数学千禧难题，却做了世界经济价值工作的零？我猜现在所有模型大致并列在零，有可能已经开始，但还不到 1%。"
• ⚠️ "反向 SaaS 末日"（[01:20:54]）：他认为 SaaS 会被这件事大幅增强，因为"他们最清楚什么东西值得自动化"。他对现状的质问："2019 年的软件已经极有价值，现在是 2026 年，为什么软件基本还是一模一样，只是旁边多了个有时能用的聊天框？"——本页此前记录的多条"SaaS 被 agent 吃掉"判断（Garry Tan 的纯席位 SaaS 存疑、Sinofsky 的 headless 软件）与这条正好相对，本库并列记录。
• 就业预期（[01:19:54]）：⚠️ "它不会造成大规模失业，但会带来一大堆很棒的转变"；并说"我已经厌倦 AI 永远当前景角色——世界应该只是变得更令人愉快，AI 应该消失进背景里"。
• ⚠️ 一条可被事后检验的承诺（[00:48:31]–[00:50:32]）："我们部署之后不会改模型"（反对悄悄量化降质），但不承诺 LTS——详见 评估与基准。

⚠️ 所有权侧：为什么"买软件"和"请咨询"都不够（Michael Lee / Sequence Holdings，2026-09-24）

来源：No Priors / Michael Lee

⚠️ 本页此前的企业 AI 材料全部落在四个位置——卖方（Decagon、Lassie、Netic）、买方（Kavak）、平台方（Ali Ghodsi）、评估方（Vals AI）。Michael Lee 补的是"把公司买下来再改"这个位置。

⚠️ 三层利益相关：他在推销自己的模式；主持人 Sarah Guo 的 Conviction 是 Sequence 的首轮投资方（她自述"你当初写了 Sequence 的第一笔投资"、"我希望能持有 Sequence 的股权一辈子"，[00:13:06]、[00:27:11]）；全部数字为公司自述。本页不把那期当中立访谈。

起点：AI 对经济的影响是不均匀的

（[00:03:01]–[00:04:02]）三分法是他全部选址逻辑：① ⚠️ 有些部分 AI 根本不会碰（"餐厅、高尔夫球场这类"）；② ⚠️ 有些行业创业公司会赢——"比如编程。Conviction 和 Sequence 去买一家外包编码服务公司，感觉是个糟糕的主意——那种钱你会给 Cognition 或者 Anthropic"；③ ⚠️ 有些行业在位者占尽优势（品牌、规模、网络效应、监管）。

⚠️ 三个选项全都坏掉：本页对"为什么必须拥有"最完整的一条论证

（[00:07:05]–[00:11:06]）设问：你是一家 500 强 CEO、资源无限，而我要你把自己重新创办一遍。

选项一：自己干 → 招不到也留不住人。⚠️ 机制是"被歌颂的角色"：

"地球上每一家公司都有一个被歌颂的角色（celebrated persona）。"

Blackstone 被歌颂的角色是投资人，"那就是为什么他们能聚起世界上最好的投资人"。所以 ⚠️ "在一个你相信 alpha 来自工程与 AI 的世界里，你必须创造一种文化，让被歌颂的角色是工程师。"

• ⚠️ 他用这条解释 Palantir 为什么存在（先自嘲"Alex Karp 会讨厌我这么描述"）："它从根本上是一个聚起了世界级工程师、歌颂工程师的组织；而它从根本上做的事，是一层包装，把这个能力卖给那些拿不到这种人才的组织。"
• ⚠️ 本页标注：这是本页收到的对服务/部署型公司存在理由最结构化的一条解释——它们的产品是"别人招不到的人"。与 Decagon 说"FDE 是陷阱" 构成对照：Decagon 从卖方说不要变成服务公司，他从买方解释为什么服务公司必然存在。

选项二：用服务商 → 是一个激励问题（他点名 Accenture、McKinsey、Palantir，并先承认"这些都是很好的公司"）：

⚠️ "服务公司优化三件事：进你的钱包、留在你的钱包里、扩大在你钱包里的份额。那是一条走向增量主义（incrementalism）的路。"

更要紧的第二层：⚠️ "服务商其实没法改变那些你真正需要改变、才配得上这个时刻的东西——人是怎么被组织的、谁在这些组织里工作、以及激励。"

⚠️ 选项三：买软件 → "你永远只能卖给今天这条流水线"。显然的一层是"它是 beta 版；如果它对你可得，那它对所有人都可得"。而人们常漏掉的那层是供给侧的激励：软件公司会优化"一条相当同质、在很多地方都存在的工作流"，再装得又快又深（黏）——

⚠️ "那意味着你永远只能卖给今天被设计成这样的工作流，卖给人今天在那条人类流水线上被摆成的样子。这是你唯一能卖出产品的方式。你不可能围绕一条今天还不存在的人类流水线去卖产品。"

⚠️ 本页标注：这是本页对"企业软件为什么锁定现状"的第一条供给侧解释。 它与 Sinofsky 的"企业里所有有趣的事都是例外处理，而例外只在人脑里、不在字段里" 是同一现象的两个方向——Sinofsky 说软件装不下那些知识，Michael Lee 说软件在商业上没有动机去改掉那个流程。⚠️ 本页认为后者更可操作，因为它指向激励而不是能力。

⚠️ 他对现状的那条批评：给每个人发一台小机器

（[00:05:03]）

⚠️ "一场巨大的推动，要给人类流水线上的每一个人发一台小机器，去加速工作。而这没什么错，这很好，比什么都不做好。但当你有了能 24/7 工作、能随电力扩张、能完成任何单个人或任何一群人都完成不了的事情的机器时，正确的答案是去思考：你该怎么开始重新组织一个组织应该是什么样。"

⚠️ 与 Kavak 的"难点不在集成或落地服务，而在你不肯拆掉自己的组织" 是同一诊断的两侧——Kavak 是买方自承组织是瓶颈，他是外部人认为只有换掉所有权才能解决。两条都认为瓶颈在组织而不在技术。

控股公司 vs 基金：结构决定文化，以及"一年一笔"

• 他为什么要控股公司结构（[00:06:04]–[00:07:05]）：⚠️ "怎么把资本的久期与这场转型所需的持续投资和运营承诺对齐？怎么创造一个在文化上围绕'锻造市场领导者'而不是'部署资本'来组织的组织？"
• ⚠️ 他指出 PE 的两条限制（他先说对大型 PE"有很多钦佩"、自己在 Apollo 待过）（[00:25:11]–[00:26:11]）：
• 招不到世界级工程师——"你典型的 PE 公司把自己设计成歌颂投资人的。而我那些优秀的工程师想在决策发生的那个房间里……要找到一个 25 岁的工程师对那个投资判断有任何发言权，会非常不寻常。"
• ⚠️ 时间尺度——"他们会告诉你那是个长期视野。而你通常在琢磨的是：我们怎么开始把这东西包装好、三年内卖掉。"
• ⚠️ 本页目前最强的一条反部署压力表态（[00:26:11]）：

  "我们做的事是稀缺的。我们想做的是一年一笔交易。就这样。我们没有部署节奏。我没有一群投资人和 LP 跟我说'你们今年投得不够'。我们的工作就是做一笔。而如果那意味着我们今年一笔都不做，那太好了。"

• 与 Lighthouse 还是 Landgrab 里的 ACV 纪律 属同一类自我约束，但一个约束的是卖、一个约束的是买。

⚠️ organizational physics：本页此前没有的一条选址判据

（[00:16:08]–[00:17:08]）

• ⚠️ "我们喜欢那种相当致密、运营是集中化的组织。这样你建的任何东西都能摊到一个大的基数上。"银行的例子：分行很多，但所有承保都发生在中心。主持人概括为"有一个中枢神经系统、有一个账本、有几条关键流程、有几个你能在经济上拉动的杠杆"，他确认。
• ⚠️ roll-up 的反面对照（他先说"那是个很棒的策略"）："但它有很多复杂性——整合不同的系统、把工程师派到一堆不同的地方、标准化操作流程、标准化文化。"
• ⚠️ "被监管是特性不是 bug"——本页此前没有的一条反直觉判断：

  "受监管机构的一个好处是它怎么运转是被良好定义的。数据卫生状况极好。关于你的业务应该怎么运转有被良好定义的规则。所以……它其实对 agent 非常好用。"

• ⚠️ 本页标注：这与本页/本库既有材料方向相反——此前的监管材料（Lassie 的监管拐点、Sinofsky 的 GDPR 化预测）大多把监管当阻力或成本；他把它当数据质量与流程确定性的来源。记为一条值得跟踪的反向判断。

保险经纪为什么"创业公司打不进来"（一段行业结构事实，全部自述）

（[00:18:08]–[00:19:09]）价值链：承保人 → 经纪 → 客户；每年两万亿美元以上保费流向承保人，经纪抽成。

• ⚠️ 承保人有两条赚钱路径，而历史上只有一条真的赚钱："保险业自有史以来在承保上几乎没赚到钱，主要的钱都是通过投资赚的。"→ 被激励的是聚集资产 → ⚠️ "拿到高质量的保费增长才是这场游戏的名字。而那正是经纪行业为什么这么有力量。"
• ⚠️ 第二个结构性特征："你的客户其实并不付钱给你。承保人付。"
• 加上极度关系导向、⚠️ 总留存率约 90%、基本不靠价格竞争——"所以这对创业公司来说是个非常难进的行业。"

⚠️ Atlas 的 ontology 层，与 Ghodsi 的正面分歧：谁来拥有企业上下文

（[00:20:10]–[00:22:10]）前提来自 Scale / Palantir 出身工程师的观察：⚠️ "如果你把一个生意拆到它的原子单位，其中 80% 大体是同质的，20% 是垂直特有的。"四层是 data ontology → agent builder → Lattice（编排）→ artifacts（应用构建器）。

• ⚠️ 第一层的提法值得本页直接引用："我们怎么用代码定义这个组织、定义这个生意的运动……我们内部的说法是：我们怎么让这个生意对模型可读（legible to models）？"具体问题是"一个 agent 怎么知道这里的这个客户和那个系统里的那个客户是同一个？"
• ⚠️ 与 Ali Ghodsi 的"ontology 即离线计算的索引" 正面相接：两人都把企业的关键缺口定位在"模型够聪明但缺 context"、都把 Palantir 列为那件事做得好的参照。⚠️ 分歧在谁来建、谁来拥有：
• Ghodsi：平台自动把那些东西拿来建图，卖给所有人。
• Michael Lee：把公司买下来、为它建一遍，然后在下一家复用（"我们在银行建的所有核心基础设施，在 Baldwin 和未来任何公司上都是可复用的"）。
• ⚠️ 本页认为这是目前关于"企业上下文该由谁拥有"最清晰的一处路线分歧，并列不裁决。
• ⚠️ 而他把平台之外的那一半叫"人的工程"："我们这儿有两个问题：一个工程问题，和一个人的工程问题。而人的工程问题比工程问题难得多。"

⚠️ 服务动作 vs 所有权：一次一手对照

（[00:13:06]–[00:16:08]）⚠️ 同一个团队在同一家公司里先后用两种身份干过同一件事（BankSouth：去年 8 月起以服务商运作，11 月底被家族邀请成为永久伙伴，3 月完成投资，需 Fed 与 OCC 批准）。

• 控股公司的冷启动：⚠️ "没有钱你做不了交易；没有交易你雇不到工程师；雇不到工程师，就没人会再给你钱。"而"世界上并没有很多投资人想给你几亿美元去买一家企业，就为了看看你的技术行不行"——于是少数股权的银行成了"一张风投规模的票，却能在一个真实的企业级环境里运作"。
• ⚠️ 三条差别：① 工程深度意愿——"和作为一个服务商、知道自己最终会离开、还得留下一堆别人要维护的应用，是有显著差别的"；② 员工态度——"这些人是来长期支持我们的"；③ 时间视野——"铺技术地基，让我们永远从模型性能的提升里获益。"

⚠️ 一条本库此前没见过的招聘论证

（[00:12:06]）他说对应用层软件工程师的说辞"大概不是风险投资人爱听的"：

"我们是世界上少数几个对模型将要做什么完全免疫的商业模式之一。随着模型性能提升，我们在 Sequence 这边是庆祝的……而我们的生意会不会还在，并没有真正的存亡风险。"

⚠️ 本页标注：这是本库第一次看到有人把"不在模型的吞噬路径上"当作招聘卖点。 它与本页关于应用层会不会被模型吃掉的那条线构成一个侧面证据——这个论证之所以成立，恰恰因为它承认那个风险对别人是真的。

⚠️ "反向 SaaS 末日"的完整论证，以及"10 行 PR"（Diogo Almeida / TypeSafe，2026-09-28）

来源：a16z / TypeSafe

⚠️ 本页上一节（09-21）里"反向 SaaS 末日"只有一句断言；一周后在 a16z 他被 Ben Horowitz 逼着把它讲完了，而且 Horowitz 的提问本身就是本页值得单记的一条市场观察。

• 提问即观察（[00:29:18]）：⚠️ "coding agent 出来的时候，那是 SaaS 末日，它们的估值跌穿地板。而 Jev 出来之后，每一家 SaaS 公司都说这是史上最棒的东西。解释一下。"
• 他对 SaaS 末日叙事的拆解（[00:30:19]）：那个故事依赖两个前提——软件很便宜、软件容易复制；⚠️ "前者我能信，后者我不能信，因为很多事情发生在引擎盖底下。" 他的判断是"SaaS 提供的价值和过去是一样的，也许只是市场被吓到了"，并特意声明 ⚠️ "我不预测金融市场"。
• ⚠️ 正面主张（[00:30:19]–[00:31:19]）："SaaS 会是整个 AI 游戏里最大的赢家之一"，因为他们最清楚该自动化什么——"我想和那些最大、最无聊、对用户问题最门儿清的 SaaS 公司一起干活。"
• Horowitz 补的是资本结构这一层（[00:31:19]–[00:32:19]）：⚠️ "SaaS 公司的资本投入里，很大一部分其实是触达所有客户。所以如果你已经触达了所有客户，然后你不只是在产品旁边挂个聊天框，而是让软件本身变得好得多——那可是件了不得的事。" ⚠️ 本页记：这是把"分发已经付过钱"当成 AI 时代在位者优势的一次明确表述，与 Alex Rampell 的"创业公司先拿到分发，还是在位者先拿到创新"是同一框架的两侧。

⚠️ "10 行 PR"：对 coding agent 价值上界的一条量化质疑

• Martin Casado 给的数字（[00:33:19]）：⚠️ "如果你看一家大公司的平均 PR，大概是 10 行。我们真的做过这个研究。" 所以 coding agent "自动化的是那 10 行，而那 10 行往往还是从某个客户那儿学到的东西的一部分"——"你优化的是一个其实相当微小的东西。"
• 由此得到两人共同认可的落点（[00:34:19]）：⚠️ "不管你用多少 AI coding agent，软件本身并没有变好。也许你写得更快了。甚至可以说在变差，因为监督变少了"——以及一句补充："而且常常更不安全。"
• ⚠️ 本页标注这条的适用边界：10 行是"大公司平均 PR"的口径，不是"工程产出"的口径，而且是 a16z 自述的内部研究、本库未核实。它能支持的结论是"coding agent 吃掉的那块本来就不大"，不能支持"coding agent 没有价值"——Almeida 自己就说他爱用。

与本页既有判断的关系

⚠️ 本页关于"应用层/SaaS 会不会被吃掉"现在有四种并列立场，本库不裁决：① Garry Tan 对纯席位 SaaS 存疑；② Sinofsky 的 headless 软件（价值在数据与逻辑，UI 可选）；③ Michael Lee 的"必须把公司买下来"；④ Almeida 的"SaaS 是最大赢家"。⚠️ 第④条与前三条的真正差别在于它假设了一个新原语的存在——他的论证不是"SaaS 守得住"，而是"SaaS 手里有别人没有的东西：知道该自动化哪个工作流，以及已经付过钱的分发"。

⚠️ 消费级 agent 的单位经济与商务重排（a16z，2026-09-29）

来源：a16z / Assistant Benchmark

⚠️ 本页此前的 agent 商业材料全在企业侧。这一节是消费侧的第一条，而且它同时给出了成本口径与渠道重排两件事。

成本与定价

• ⚠️ 本页第一次拿到的成本口径（Anish Acharya 口述，未核实）（[00:47:33]）："按我们的估算，要用真正有野心的方式做这件事，成本大概是每用户每天 20 美元——对一家创业公司可能是一年几亿美元。"
• 收费结构的现状（[00:47:33]）：⚠️ 122 个里 65 个收费（35 全付费 + 30 freemium），只有 13 个完全免费——而两个占主导的（Muse、Instinct）都免费。 嘉宾的提问是本节的真问题："长尾创业公司怎么赢？大佬免费送的时候它们凭什么收钱？"
• Acharya 给的两条可押方向：① ⚠️ browser use 会迅速变得指数级便宜（他自己加了限定："如果你今天融资、赌的是六个月内发生，那多少有点在玩胆小鬼游戏"）；② ⚠️ "我不喜欢把补贴用户当成主要价值主张"——他想看到的是 "一个每月 1000 美元、而消费者兴奋到愿意付的 agent"，理由是"人们每月在很多非必需品上花 1000 美元，那是欲望"。
• ⚠️ 本页标注一处张力：这两条方向互相削弱——如果成本真的塌下来，免费就更可行，那条"1000 美元的 agent"反而更难出现；而如果成本不塌，长尾就得靠补贴活着，也正是他不喜欢的那种。

⚠️ narrow startups：用几万人做一亿美元

（[00:30:19]–[00:31:20]）⚠️ 这是 Acharya 在本库里第一次把这个论题讲完整。

• 论题："你现在可以为很少的一群人造出极有野心、极有价值的软件；而我们已经有了人们每月付 200、250、300 美元的先例。所以你可以用几万人做出一个一亿美元年化收入的生意——这在过去基本不存在。"
• 竞争优势两条：⚠️ taste（品味）与 proprietary knowledge（专有知识）——前者像"一位陪产师信奉某一派助产风格"，后者像"一个只服务纽约市的礼宾"。嘉宾给的具体形态是 ⚠️ "一个只服务三岁以下孩子的单亲妈妈的助理"，并认为它可以成为通用 agent 的一个插件。
• ⚠️ 本页记它为对本页"价值归属"主线的一个补丁：本页既有的讨论几乎都在问价值会落到模型层还是应用层；narrow startups 的主张是 ⚠️ 第三个位置——落到"小到以前养不活一家公司"的细分里，而成立前提是每月数百美元的消费级付费意愿已经被验证。

⚠️ Amazon 封锁、Shopify 开放：同一事件的机制解释

⚠️ 这件事本页此前已由 Jason 在 All-In 09-26 记录过，他的判断是"Amazon 封锁 agent 是战略失误"。本节补的是动机。

• 嘉宾的解释（[00:40:25]）：⚠️ 两家商业模式不同——Shopify 的重心是让商务民主化，而 Amazon 的钱来自广告收入。"当你把人的眼球移走，整个体系的目的就被瓦解了。" 推论：Amazon 迟早要有一套新范式，去在"agent 代人购买"的世界里赚钱。
• Acharya 补的第二个动机（[00:43:28]）：不只是广告收入，还有冲动购物与被去中介化。 他的反问是 ⚠️ "agent 自己会不会也是冲动购物者——因为 proactivity 意味着它会试图做出讨人喜欢的猜测，而还有什么比惊喜或礼物更讨人喜欢？"
• ⚠️ 他最值得单记的一般化（[00:43:28]）："这些 agent 不是其主人的完美映射。它们不是完美理性的——它们会是近似理性的，也会以全新的方式非理性。所以我不认为营销、冲动购买、广告这些东西会不再重要，我只是觉得它们需要被改造。"

⚠️ 供给受限 vs 需求受限：一条本页此前没有的结构判断

（[00:41:26]–[00:43:28]）起点是一条事实：⚠️ Resy 开始封停使用 browser use 的账号，理由是"如果让 agent 瞬间把位子订走，就瓦解了这个以人为导向的预订平台的生意"。

• 嘉宾的设问：当所有人都有 agent，大家又回到同一起跑线——要么权力回到餐厅手里（按忠诚度或人均消费挑客人），要么进入 agent 之间的竞价。
• Acharya 的拆分：
• ⚠️ 供给受限（热门餐桌）：餐厅在完美信息下要的是最高 AOV、跨多次到访的最高 LTV，同时尽量接近 100% 上座——"这是一个更复杂的计算，我不太知道他们会怎么做"。⚠️ 他指出当下真正在起作用的东西是摩擦："它依赖终端消费者的摩擦与动机来充当某种防 DDoS 的机制"，所以 "专有供给会变得越来越重要"。
• ⚠️ 需求受限（明天想飞 SF 的人）：会出现团购式的体验——一组买家聚合，供给侧商家进来竞价。"我们一直有需求的聚合，但从来没有以同样的方式有过供给的聚合，尤其不是在一个让消费者受益的拍卖机制里。"
• ⚠️ 本页记这条为一个可被后续检验的预测，并标注它依赖一个未被论证的前提：agent 普及会把"摩擦"这项隐性配给机制消掉——而摩擦正是现在很多消费市场定价与配给的实际依据。

⚠️ 69%/30%/2%：企业采用深度第一次被拆成三层，以及公开软件的分叉已经完成（a16z Growth，2026-09-30）

来源：a16z / State of Markets 25 张图

⚠️ 全部为 a16z 自报口径，本库未核实，且来自多家被点名公司的投资方。

⚠️ 本页认为这是全期最该被引用的一张图

（[00:18:13]）标普 500 公司里：AI 已有线上部署 69% → 能说出可量化影响 30% → 被当成一个指标长期追踪 2%。

• 他们自己的解读："我们相信 AI 在交付结果，但要把它在组织内部真正用深、并长期追踪结果，还有巨大空间"；下一阶段是从"单点部署"走到"真正有深度影响的、循环发生的工作流"。
• ⚠️ 最扎的一条轶事（[00:18:13]–[00:19:13]）："我们接触的大多数企业，他们对 AI 的接触大体上仍然是 Microsoft Copilot。"
• ⚠️ 本页标注这组数字为什么重要：本页此前关于企业采用的材料几乎都停在"采用率"这一个标量上（Satya Nadella 的 capability overhang、Elad Gil 的三阶段、Vals 的 token 支出对比）。这是第一次有人把采用拆成"部署 / 可量化 / 被长期追踪"三层，而三层之间差了一到两个数量级。它给本页一条可复用的判据：讨论"企业采用到哪儿了"时必须先问是哪一层的数，否则 69% 和 2% 会被当成同一件事的矛盾数据。
• ⚠️ 采购 ≠ 采用（[00:22:15]）："很多企业第一次买下 Cursor 或 Cognition 时非常兴奋，但那只是旅程的开始——从采购、试用到全面采用，这条跑道非常长。"

幂律用户：分布比均值更说明问题

• 跨公司（[00:20:15]）：⚠️ 按 Yipit 数据，AI 供应商支出的中位数，top 1% 约为 top 10% 的 8 倍，而"1% 那一档差不多等于 2–10% 那一档的总和"。
• 公司内部（[00:21:15]）：在"基本全员 AI 原生"的被投公司里，顶端用户每月 7500–9000 美元，中位用户 200–400 美元（差 20 倍以上）。
• ⚠️ 一个可以直接拿去横向对比的度量（[00:21:15]–[00:22:15]）：AI 工具支出 / 人力支出——"相对前倾的大型财富 500 强今天大概 1%，我们组合里最前倾的 AI 原生公司能高到 10%"。本页把这条与 Vals 的"token 支出 10 倍于工资" 并列：⚠️ 两者口径差了一个数量级以上，而且方向相反——Vals 讲的是单个实验里 token 可以盖过工资，a16z 讲的是整家公司层面最高也只有 10%。本库不裁决，但认为引用任一方时必须带上"单项目 vs 全公司"这个限定。

应用层的机会被定义成"把能力做成可靠服务"

• （[00:19:13]–[00:20:15]）引 Ali Ghodsi："AI 可以懂世界上很多事，却几乎不懂你的公司"；例子是 Revolut 虽有很强工程团队，仍要和 11 Labs 合作，把最好的语音模型"安全地连上客户账户与银行工作流"——"今天的机会很大程度上就是：拿这些能力，驾驭它们，造出可靠的服务。"
• ⚠️ 本页交叉标注一组九天内的三方汇合：这条与 Diogo Almeida 的"反向 SaaS 末日 / 可靠性四层"（模型侧，09-28）、David Pawlan 的"这一波就是 Open Claw 的复刻"（横评侧，09-29）结论形状相同：这一轮真正稀缺的是可靠性，不是能力。⚠️ 三份材料都出自 a16z 频道，所以这是"同一频道内三次独立表述"，不是三个独立信源。

⚠️ 单位经济学：相关的单位是"把客户的活干完"的成本

• （[00:28:19]）"对应用生意来说，相关的单位其实是把客户的活干完的成本"——如果能把它和模型调用解耦（干完活、按活收费、用更好的路由把产品做经济），"你不再在每一步都用最贵的模型，但你把活干完了"，他预期"最好的应用公司会出现更多毛利改善"。
• 支撑数字（[00:25:18]–[00:27:19]）：OpenRouter 上 agent token 用量 14 倍增长（⚠️ 一手材料见 OpenRouter 那期）；caching 让 Hebia 的金融 chat 便宜 10 倍；Databricks smart router 比最强单模型多解问题且成本低 35%；EliseAI 微调小模型便宜 60% 且延迟大降，使音频实时用例可行。
• ⚠️ 这条与本页 TypeSafe 的 intelligence per dollar 是同一枚硬币：a16z 这边讲的是买方怎么重新计价，TypeSafe 那边讲的是卖方怎么重新定位。另有一条机制值得单记（[00:26:19]）：成本下降让 agent 负担得起"检查自己的工作、再试一次"，而"这在可靠性本身就是你用不用 agent 的决定性原因时特别重要"——成本曲线因此是可靠性曲线的一部分，不是两条独立的线。

⚠️ 公开软件的分叉已经完成，而 SaaS 的"自证清白"被量化了

• 分叉的数字（[00:36:24]）：公开软件样本约 75% 盈利，但只有 30% 还在以 20%+ 增长；"如果把线划在 30%，公司的绝对数量不到五家"——而私募侧"我们看的每一家都远超 30%"。机制很朴素："这些 AI 的钱最容易来的地方，就是不再为新的 SaaS 软件项目花增量的新钱。"
• ⚠️ 三条可检验的"洗清嫌疑"条件（[00:37:24]）：维持 98% gross dollar retention、继续推效率、而最重要的是收入增长加速——"这显示它们防守端安全，而进攻端的投资真的让生意变好。"
• David George 给的靶子（[00:37:24]–[00:38:24]）：10% 以上的增长加速，预期 12–18 个月内有少数几家做到。⚠️ 本页把这条记为一个有明确时点的可回看预测，并记下他同时否掉的那条流行恐惧："所有人都会 vibe code 自己的软件系统——市场上显然不是那样在发生。"
• 分化的方向是可解释的（[00:39:25]–[00:41:25]）：网络安全与可观测性显著跑出（agent 访问更多系统、采取更多行动 → 给 incumbent 创造需求，点名 CrowdStrike；"OpenAI / Hugging Face 那件事对很多人是一次睁眼事件"），垂直软件比横向应用扛得住（Harvey、Abridge、EliseAI "比各自行业里任何先例都长得快"，因为"关键不只是模型，而是你怎么编排它、怎么围着它造应用"）。
• ⚠️ 本页认为最该引用的总结（[00:41:25]，Santiago Rodriguez）：年初是"SaaS 末日"，到 09-30 软件指数回到年初位置，但内部彻底分叉成"AI 输家"和"AI 赢家"——"赢家不只是能改善成本结构的那些，而是真的在加速、在抓住那些待抢的新增美元的那些。" 这是本页 Airtable 卖身 一节之后，这条线第一次有了全市场口径的收口。
• 一条"叙事违背"（[00:42:26]）：⚠️ Stripe 的 SaaS 客户数据显示 2026 年增长在加速，年轻与成熟公司都是——"Stripe 自己管这叫 the renaissance"。本库未核实。

⚠️ Amazon 拒绝 Muse、Instacart 开放：同一事件的正和与负和两种账

• 两问（[00:31:20]，Alex Immerman）：① 我能从一个 AI agent 拿到多少增量需求、多少增量订单？② 我的生意、我的利润池里有多少来自拥有客户关系与发现？
• 用两问解释两个相反决定（[00:32:21]）：Amazon（含 AWS）与 Instacart 的广告收入都超过各自全部营业利润；但接上 Muse 能给 Amazon 带来多少增量订单？"不会太多"；而杂货线上渗透率仍早期，Instacart 还有很多订单可拿。⚠️ 这与 Pawlan 那期的同一事件解释（广告模式 vs 去中介化）互补：那期讲动机，这期讲算术。
• 正和侧（[00:32:21]–[00:35:24]，Immerman）：摩擦降低 → 更多 GMV（"我曾经想订却没订的那趟旅行被订了"）；那 700 亿广告费可能只是换渠道；消费总量可能上升。
• ⚠️ 负和侧（David George，给得更具体）（[00:33:22]–[00:34:23]）：Amazon 有超过 700 亿美元的广告生意、毛利极高，而它完全建立在"消费者去网站上点广告"这件事上。他复盘了一次市场教训并给出时效前提：两年前所有人都担心 Google 搜索，结果它很有韧性，但韧性的原因是它变现最高的词条（买保险、找这个城市的酒店）当时"AI 还没有能力代你去采取行动"——"如果这一点变了，动态可能会非常不同。"
• 收束（[00:35:24]）："两者都可能为真"——利润池可能从某些地方消失、被重新分配，但对整体经济是增量的；他们留了一条可检验的表述："如果三年后回看，宏观层面上没有有意义的生产率改善，我们所有人都会失望。"
• ⚠️ 本页标注一条被跳过的问题：这整段讨论里没有人问"钱怎么流到 agent 一侧"。Immerman 说广告费"可能换个渠道、直接花在 agent 上"，但agent 的广告位是什么、谁有库存、消费者会不会接受，三个问题全部悬空。相关的最接近材料是 agent 对 App Store 30% 抽成的冲击 与 agent 作为付款方。

消费侧的两个数，以及一个正在失效的指标

• 渗透率（[00:28:19]）：⚠️ 只有略超 2% 的美国家庭有付费 AI 订阅；对照 Amazon Prime 超 2 亿家庭、Netflix 7000 万家庭（[00:29:20]）。他们的限定："也许订阅并不是变现大多数家庭的最佳方式，但到目前为止它是。"合伙人 Josh Elman 的反论被引用："消费级 AI 是我日常生活用的东西，不一定是我报销的东西"，按这个口径"97% 使用 AI 的家庭还没付费"并不奇怪（[00:29:20]–[00:30:20]）。
• ⚠️ "微笑留存曲线"（[00:28:19]）：订阅留存"是我们在消费领域见过最好的"——"极其罕见地，一条留存曲线不只是走平，而是随产品变好、人们回来真的翘起来"。
• ⚠️ 本节最有前瞻性的一条：时长指标正在失效（[00:30:20]–[00:31:20]）。社交平台从活跃用户拿到每天 30–60 分钟；而最好的 AI 助理"极其持久、常开、高度主动，以至于它们未来可能并不是我花时间最多的地方"。接话的人把它讲成了行业问题："这会让我们的工作更难做，因为我们不能再用外部数据看 engagement 了——agent 在后台干活。" ⚠️ 本页记这条为一个方法论后果：这个品类最常用的一组外部可观测指标（屏幕时间、DAU×时长）正在被它自己的产品形态作废，而这恰好与 Pawlan 的"好助理必须隐形" / "proactivity 才是护城河" 是同一件事的两面。

私募市场的三个数（供日后对账）

• （[00:42:26]）Anthropic、OpenAI、Databricks、Stripe、⚠️"Wayland"（自动字幕，疑为 Waymo，本库未核实）、Revolut 六家按上轮估值合计约 2.4 万亿美元，超过过去十年 IPO 市值总和（1.7 万亿，SpaceX 除外），"差不多和罗素 2000 一样大"。
• （[00:45:28]）⚠️ Carta 数据：员工在 tender 里的参与率只有 58%——Santiago 的解读是这与"员工在套现"的叙事相反，"我们看到的是员工因为太相信自己公司而选择不套现"。
• （[00:47:29]）今天二级交易对上轮价格的折价基本是零（对照 2021–24 年的显著中位折价）；AI 相关公司占 2026 年美国 VC 交易活动 86%，2025 年为 65%。

⚠️ 推理毛利从 10% 到 60%：一条把算力市场买空的机制（SemiAnalysis，2026-10-02）

来源：Latent Space / SemiAnalysis ClusterMAX 3.0

• ⚠️ 本页此前对"推理这层能不能赚钱"的材料是分歧的：一侧是 Baseten 的优化报价单（技术上能省多少），一侧是 Dylan Patel 的"$10–15M/MW 谁都能赚钱"（结构上谁能赚）。⚠️ 这一期给了一个时间序列的数（[00:12:13]）：
• "当 Baseten 在 10% 毛利上跑推理时是一回事——我想那大概是六个月前、或者九个月前。"
• ⚠️ "但当 Baseten、Fireworks、Together，以及许多别的公司，甚至 Morph 这种小公司，用 vLLM 或 SGLang、再加一点点超出这些的优化，就能在开源模型上跑到 60% 毛利时，那是另一回事。"
• ⚠️ 而本页认为这条数字真正的价值在它的二阶效应，不在数字本身：
• "所以最终任何能拿到一块 GPU 的人都能立刻赚钱。那好了，我是一个想训个有意思的新模型的 neolab——可我同时在和能赚钱的人竞争。而以前我主要是在和亏钱的 OpenAI、亏钱的 Anthropic、亏钱的实验室竞争。以前几乎没人靠 GPU 赚钱。现在所有人都能靠 GPU 赚钱。所以就非常非常难拿到任何算力。"
• ⚠️ 即：推理层变得可盈利，本身构成了对新进训练方的进入壁垒。 本页认为这是一条此前没有被明说的反身性——本页此前「碎片化对基础设施层最有利」那条线讲的是基础设施层吃掉价值，而这一条讲的是基础设施层的盈利反过来挤掉了模型层的新进者。
• ⚠️ 它同时削弱了"算力集中是实验室出价能力造成的"这条叙事，而削弱者是提出那条叙事的同一个人（[00:12:13]）："显然 Anthropic 和 OpenAI 一直在买越来越小的集群尺寸。" 配套的两条挤压：实验室最小起租量从 8k GPU 降到 1,000 GPU（"而 1,000 块更接近一个 neolab 想要的量"）（[00:13:13]）；推理供应商连四个节点都接受，Modal 在约 20 个云之间做编排（[00:14:13]）。详见 AI 基础设施。

⚠️ NVIDIA 的防守性收购：一条把收购价算成负成本的资本结构推演（2026-10-02）

来源：Latent Space / SemiAnalysis ClusterMAX 3.0

⚠️ 事实侧先标分歧（[00:25:18]–[00:27:21]）：两位对 Poolside 交易的规模说法相差近一倍（120 亿 vs "70 亿加 10 亿投资"），且其中一位自己说"永远取大的那个数"。本页不采用任何具体金额，只记这是一笔以人才与许可为主体的交易。

动机：两人都定性为防守

• "NVIDIA 显然想让 Nemotron 好很多。我觉得它对很多开源那边的人已经有点失去希望了——当然 Reflection 还在试，Thinking Machines 开源了一些东西，但最终我觉得 NVIDIA 正在对美国开源失去希望。所以它们觉得只能自己来。"（[00:26:19]）
• ⚠️ 而把"为什么是防守"讲得最清楚的一句（[00:32:25]）："假设 Hugging Face 保持独立、严格守着法律和收购协议的字面，继续支持所有这些别的芯片。可如果它被别人收了，它就会在主动对抗 NVIDIA 的利益。而我觉得那不是它们想要的。所以我认为你会看到更多这种事。" 预测的形状是：公司长到 100–200 个极强的人时就会被收进生态，以免去给别人干活。
• 钱账（[00:31:24]）：NVIDIA"一个季度产生将近 500 亿美元自由现金流，所以一年 2000 亿"；"用 10% 的自由现金流买下 Hugging Face 和 Poolside，对我来说是个 no-brainer。"（⚠️ 自报，未核实。）
• 时间线（[00:33:25]）："NVIDIA 年初就试过要买 Hugging Face"；"NVIDIA 现在有点在收购狂潮上，还有过 Thinking Machines 等一堆传闻。"

⚠️ 而那条资本结构推演是本节最该被引用的部分

（[00:27:21]–[00:28:22]）本页认为它比"防守"这个定性更有分析价值，因为它把一笔收购支出算成了接近负成本：

1. "NVIDIA 可以说，其实我们只付了四分之一的价，因为这些钱都会回流来买 GPU。"
2. ⚠️ "事实上它们这么做会激励别人往它里面投一大笔钱。所以这大概是件正面的事——它们其实没花钱，因为它们现在造出了一个新客户、一个将要建巨型集群的新云。"
3. ⚠️ 杠杆算式："想想，它们现在有 70 亿现金，再融几十亿，就说资产负债表上有 100 亿现金。然后它们能拿到 75% 的 loan-to-value——25% 自付、75% 贷款。于是它们有了 400 亿。它们能建一吉瓦。太好了。这又是一个吉瓦级的 NeoCloud。所以它们刚刚造出了一个真正的新竞争者。"
4. ⚠️ 推成一条产业建议（[00:28:22]）："如果这就是剧本，那应该有多得多的人这么干——跟 NVIDIA 做这种交易，因为 NVIDIA 会给你加冕，只因为它们想要更多的云。" 冷水也一起记："不是每个人都能发布第二好的美国开源模型。"

⚠️ 本页标注

• ⚠️ 这条推演与本页此前关于循环交易 / 供应商融资的那条线是同一现象的卖方版本：芯片商出钱给买家，买家拿钱买芯片，而杠杆把倍数放大。 本页此前的材料把这当作风险来讨论；⚠️ 而这一期把它当作一条可复制的剧本来推荐，这个态度差本身值得记。
• ⚠️ 一条可检验的预测：如果"NVIDIA 会给你加冕"成立，2027 年应当能看到更多"被 NVIDIA 投资/收购 → 随即以高 LTV 杠杆建吉瓦级集群"的案例。本页记为待检验。
• ⚠️ 他对"什么样的人才配建基础设施"给的判据，本页认为是这一节最有迁移价值的一条（[00:29:23]）："对建一家基础设施公司来说，你真正理解负载怎么运作、并且有被'训过模型、跑过集群'所塑造的观点，这件事太重要了"——对照面是"加密矿工：我找到一块地、我有点电、我有点钱，他们没有执行能力"。

⚠️ 四类 agent 分类法，以及"在位者不是在收手，是被按住了"（a16z / Lio，2026-10-02）

来源：a16z / Lio

⚠️ 本页此前对"在位者 vs AI 原生创业公司"的材料很多，但一直缺一把尺子：Decagon 的护城河四条、Michael Lee 的"买下在位者再重新创办"、Lassie 的"非 incumbent 市场"、Lighthouse/Landgrab 的销售打法 各讲一个侧面。这一期给了一把按"所需判断力"排的刻度。

⚠️ 一、四类 agent：retrieval → process → policy → principal

（[00:06:01]–[00:08:02]）Seema Amble 用同一个"服务中断要赔偿"的例子走完四档：

档	它做什么	判断力
retrieval（检索）	调出合同条款、确认中断发生过、把信息综合回来	无
process（流程）	"按我们的政策手册，它从这些日期起中断了，因此你有权获得赔偿"，然后把账单应用上去	⚠️ "不涉及判断"
policy（政策）	⚠️ "中断了 20 分钟，那够得上算一次重大中断"——"而它们在施加判断，因为这件事本来没有一个严格定义"	有
principal（委托人）	⚠️ "该不该给更多补偿，因为那次中断相当糟糕，而我们想保住这段关系，所以值得做得比流程或政策规定的更多"	高

• 她给一年前那个状态的标签很好用："拍个聊天机器人上去"战略（the slap on a chatbot strategy）——在系统记录上架一个能对话检索、做点轻量分析的聊天机器人。
• ⚠️ 本页标注这把尺子为什么值得长期用：它把"agent 能做什么"换算成"这件事需要谁来拍板"，而判断力恰好是本页反复撞上的那条边界。⚠️ 与 Diogo Almeida 的可靠性四层 并读时，两套刻度正交：Almeida 分的是"做出来的东西好不好"，Amble 分的是"谁有权决定"。本页认为两套合用比任一套单用更完整。

⚠️ 二、"holding back vs held back"：在位者的约束是组织性的，不是技术性的

（[00:08:02]–[00:10:04]）

• 她对在位者位置的判断："大多数在位者即使有，也是从第一档开始的。现在它们至少在营销上说自己正在往流程和政策档走"；但实际产品是"帮你把一份文件签掉、或者从一份转录里录入信息"这类工作流 agent——"它们很大程度上仍然限于检索加一点流程。它们还没进到更多判断里。"
• ⚠️ 而本页认为最该被引用的是她对提问的那次纠正：主持人问"为什么有些在位者在收手"，她答："我会说它们是在收手（holding back），但它们是被按住的（they are held back）。"
• 第一条约束看起来是优势：分发 + 客户信任 → 更容易把更多产品卖给同一客户。她举 Agentforce："客户很容易就说，行我签这个 Salesforce 的 agent——尤其当它几乎不额外收钱的时候。" ⚠️ 本页标注：这条同时解释了为什么在位者的 agent 采用数字看起来很高、而深度可能很浅。
• ⚠️ 第二条是本页此前没有的那条，而它是纯组织性的："如果你开始做更复杂的 agent，这就和一个现有产品发生内部冲突：那个产品提供的是工作流，而你在做的是把这份工作解掉。" 买家不同（端到端解掉客服问题 vs 给人类客服提供工作流）→ 两个 VP、两个组织、两条产品线 → "它们永远搞不清正确的激励该怎么设、该卖给谁。"
• ⚠️ 第三条约束来自前置部署的组织位置（[00:49:30]）："这件事对在位者更难，因为它们的产品反馈循环的运作方式——它们有实施团队，但那很大程度上是个事后附加，而不是一个会反馈进产品侧的东西。"
• 而嘉宾侧补了一条她没说的信任方向（[00:11:04]）："我们作为一家创业公司必须去赢得信任。在位者已经有信任了——但这也意味着它们可以毁掉信任，如果它们发得太早、产品不work。"

⚠️⚠️ 三、本页认为最有价值的一条一手数字：发票软件 = 这份工作的 20%

（[00:12:04]）Lio 做发票 agent（检索 → 跨文档比对 → 推回 SAP/Oracle）时的发现：

• "那就是整个软件市场的 100%——那就是发票软件，那就是今天人们怎么建它的。"
• ⚠️ "但它其实只占这份工作、这个待办任务、这个问题的 20%。因为 80% 的问题是：万一这张发票是欺诈的？万一有不匹配？万一我们不走 happy path？"
• 结果是流程 agent 对他们成了"支线任务"，他们很快转去做例外处理。
• ⚠️⚠️ 本页标注这条的分量：它是本页"护城河 = 例外处理"这条判断的第一次量化。 那条判断原本出自 Seema Amble 与 Steven Sinofsky 2026-07-07 那期，⚠️ 而三个月后一个创始人在一个具体品类里给了它一个比例——而且提出者和框架作者坐在同一场。本页因此不把它当作独立佐证，只当作同一框架的一次具体化。
• ⚠️ 但它与本页另一条材料构成了真正的交叉：Almeida 那条"公司说自动化了 95% 的工单，按唯一性重算只有 50% 左右，剩下全是改密码"。⚠️ 两条是同一现象的两头：Almeida 指出宣称的自动化率被重复工单虚高；这一条指出宣称覆盖的流程只覆盖了简单路径。 ⚠️ 本页由此立一条判断：企业 AI 的"覆盖率"指标在分子和分母两头都被高估。

⚠️ 四、"自建只能到 70%，而 70% 的性能不等于 70% 的自动化"

（[00:40:19]–[00:44:25]）本页认为这是目前对"企业要不要自己建"最锋利的一条判据。

• ⚠️ 他主动把门槛降到底：Lio 三年前那个"把报价单信息录进 SAP"的首个爆款用例，现在是招聘作业题——"我们把它给候选人，他们有 8 小时来做。"
• ⚠️ 然后那条反问："是的你能在 8 小时里建出来，但你只能做到比如 70% 的性能。而问题是：70% 的性能或准确率，并不意味着 70% 的自动化。你可能有 70% 的性能，但你仍然需要做 100% 的工作，因为 70% 不算多——所有人还是得去核对数据。所以也许你甚至制造了比以前更多的工作。"
• ⚠️ 本页标注这条为什么重要：它把"模型能力"和"业务价值"之间的函数说成是高度非线性的——而本页此前的材料大多隐含线性假设。这条与 Almeida 的可靠性四层、Vals AI 的"自报落差" 是同一条线上的三次表述，而这是唯一一条把它写成"性能百分比 ≠ 自动化百分比"的。
• 跨过最后 20% 需要什么（[00:43:23]）：harness——集成、记忆、工作流，有时还需要垂直数据；按帕累托，"那 20% 可能占掉 80% 的工作量"。
• 而他给大企业的建议很克制（[00:44:25]）："你可以做这件事，但那么采购、以及一支 AI 采购 agent 的队伍，就该成为你的核心能力之一。而你该评估这对你是否说得通。"
• Amble 的一手案例（转述、未具名）（[00:42:22]）：某 Fortune 500 自建催收产品，至少干了三四个月后放弃，原因有三：上下文不够且质量差（"很多录音、很多截屏，想拉进一个系统但就是不够好"）、⚠️ ERP 的映射维护（"我们现在有两套不同的 ERP，而且正要再收一家。谁来更新所有这些映射、谁来测它到底能不能跑？"）、例外处理还得往另一套系统重新映射一遍。她的结论："这和企业一直在试的那种 DIY 没有区别。"

⚠️ 五、护城河：Amble 主张"别去预测它"

（[00:38:19]）

• ⚠️ "其实非常非常难去前瞻性地预测你的护城河。如果你回看所有最好的生意在早期阶段，它们想的只是'我在赢得客户信任、我在卖更多给他们、而且机会很多'，而不是'我要走这六步、然后走到第七步、然后我们就有护城河了'。"
• 她给的可观察信号是依赖而不是壁垒："你在锁住客户——依赖更多了，他们觉得有价值，而你在做更多的工作。" 对照是：老 CRM 是"所有交易的记录本"，而新的销售 AI agent"拥有了很大一部分销售准备流程和外呼流程" → "整体上客户依赖那个产品，而这是通向护城河的一个非常重要的信号。"
• ⚠️ 她把流行词全部降格为二阶产物："黏性、网络效应之类的东西，都是那个最初的客户使用和产品价值的下游。"
• ⚠️ 本页交叉标注一处对照而非冲突：这与 Michael Lee 的"买下在位者再重新创办它" 是同一问题的两条相反路径——Lee 的路径是"把分发买下来再换引擎"，Amble 的路径是"用端到端的工作把依赖造出来"。 本页不裁决，但指出：两条都把"分发"当作稀缺项，而对"谁更容易拿到判断力"给出了相反答案。

⚠️ 六、"一千个工具只让流程更有效率，从没改变人怎么工作"

（[00:52:32]–[00:53:35]）⚠️ 本页认为这是目前见过的对"为什么一个被软件覆盖得很彻底的品类仍然可以被重做"最好的一句解释。

• "看过去 26、27 年采购是怎么工作的，涌现了大量工具……你会看到有 500 个采购工具。"
• ⚠️ "但我挑战任何人去找一个喜欢和采购打交道的人。没有人喜欢。请求方讨厌，供应商讨厌，甚至采购部门里的人自己也讨厌做采购。"
• ⚠️ "那如果有一千个工具，到底是怎么了？原因是所有那些工具只是把流程变得更有效率了，仅此而已。但它们从来没有改变那些人实际上怎么工作。"
• ⚠️ "而且很疯狂的是，他们是在邮件里、在 Microsoft Teams 里、在 Excel 和 PowerPoint 里工作的——那是他们工作的主渠道，而那里是零 AI 的。"
• ⚠️ 本页标注：这条把"软件渗透率"和"工作方式被改变"彻底分开了，而它正好解释了本页另一条看似矛盾的材料——a16z Growth 那条"企业 AI 被长期追踪的只有 2%"：⚠️ 如果既有工具从未改变工作方式，那么"被追踪的只有 2%"衡量的可能不是采用失败，而是衡量对象错了。本页记为一条待验证的联想，不是结论。

⚠️ 七、他的选品类判据：高情绪 × 枯燥小众 × 疯狂的商业影响

（[00:56:39]–[00:58:40]）

• 三条件：① 高情绪（"如果你和这些人聊，他们真的很沮丧"）；② 枯燥且小众（"很容易震撼到他们——他们看到的真正上一次革命是 20 年前，之后也许 10 年前有个更好看的界面"）；③ 疯狂的商业影响（"数据中心怎么建、飞机怎么造、汽车怎么造、无人机怎么造"）。
• ⚠️ 那条毛利套算本页记入但标为未核实适用范围："要让毛利提高 1%，你需要多做 10% 的收入、10% 的销售。所以如果你只是做到 1% 的节省，它就等于 10% 的销售。"
• ⚠️ 他自己做了推广，而本页认为这是这一节真正的价值："你把这三件事组合起来，你就有了一个万亿美元的商业机会。那是我对采购的看法——但大概也有其它东西同样是情绪化的、枯燥的、而且有疯狂的商业影响。"
• 他的另一条机会切分也值得记（[00:30:16]）："他们一天做一千次、但其实一天想做零次的事是什么？"（→ 自动化）vs ⚠️ "他们一天做零次、但如果一家企业一天做一千次就会有疯狂 P&L 影响的事是什么？"（→ 创造以前不存在的活动）。后一面是本页此前较少见的一条企业 AI 价值来源，而它自带一条风险论证："以前根本没人谈的那部分支出，有一个糟糕的谈判 agent 的风险基本为零。"（[00:18:08]）

⚠️ 八、双边都上 agent：零和的那一项被隔离出来了

（[00:44:25]–[00:48:28]）

• ⚠️ 渠道扩张靠的是客户的议价权（[00:45:26]）："在这些工业公司里，采购对供应商有更大的权力——你对你的供应商规定它们该用什么、质量必须如何、必须怎么回应一份 RFQ。所以机会就是：如果我们服务采购部门，而它们能规定供应商该用什么……从而同时拥有这笔交易的两边。" ⚠️ 本页标注这条有适用边界：它在采购强势的行业成立，在采购弱势的行业不一定。
• ⚠️ 而他对"零和"这一问的回答是本页认为结构最清楚的一段（[00:47:28]）："价格是 5000 件其它任务的结果，而在那 5000 件其它任务上，双方的激励是完全一样的。销售想要尽可能少的摩擦，买方想要非常快的上市时间。"
• Amble 把它推到更难的场景（[00:46:27]）："它甚至可以延伸到法律工作，而那是两个非常对抗性的方。但如果你有两家律所、客户利益不同，双方都受益于知道：这是最新的草稿、未决问题在哪、哪些已经达成一致。而就连追踪这件事现在都不真的存在——那全是人在做。"
• ⚠️ 本页记下一个期内没被提出的缺口：当买卖双方用的是同一家供应商的 agent 时，这家供应商在"价格"这唯一一项零和任务上的中立性如何保证？ 本页认为这是双边平台论证里最该被追问的一点。

⚠️ "独立层"与 marketplace：中间层自己给出的价值捕获论证（OpenRouter × Replit，2026-10-03）

来源：a16z / OpenRouter × Replit

⚠️ 利益相关：a16z 是 OpenRouter 投资方（期内明说"我们当然也是投资人——最大股东，不过谁在数呢"，[00:01:01]），Masad 个人也是 OpenRouter 投资人，且两位嘉宾在期内互相为对方的产品论题背书。所有性能与成本数字均为自述，本库未核实。

⚠️ Masad 的"独立层"：把"实验室会挤进你的生意"定成一条可定价的风险

• ⚠️ 风险论证他引 Palantir 的 Alex Karp（[00:13:11]）："和基础模型公司紧密合作有一种风险——它们会挤进你的生意。"（他给的完整例子是 Harvey 与 OpenAI。）
• ⚠️ 他对这代公司的定性，本页认为是目前对"实验室野心的市场后果"最具体的一次表述："它们和投资人讲的时候——你看了 SpaceX 的 S1，哦，30 万亿。那世界 GDP 是多少？100 万亿。所以这些公司和上一代公司不一样，它们更难合作，因为它们的野心是要吞掉经济里很大一块。"
• ⚠️ 于是 Replit 的定位被写成两层抽象（[00:14:11]）：模型侧——"我们在你和模型之间造一层交互，替你拿到最便宜价格下最好的那个 token"；云侧——"你应该能部署到 AWS 和 Azure，应该能用 Databricks 和 Snowflake。" ⚠️ 一般化："不只是 AI，是整个技术栈——需要更多帮助公司获得独立性的平台。"
• 他也引 Satya Nadella 的"拥有你的智能"（[00:12:10]）：类比阶梯是 dot-com 公司 → 每家公司都成了互联网公司 → 每家公司都有软件工程师 → 每家公司都需要 AI 实践，而"它会随时间复利"。✅ 本页标注：这条与本页 Decagon 的"模型工厂" 指向同一结论，但 Masad 把它当成企业的自保动机，而非供应商的产品形态。
• ⚠️⚠️ 而本页认为最该单记的是那次立场反转，因为它改变了 SaaS 的默认假设（[00:16:14]–[00:17:15]）：他们花了将近一年把 Replit 做成可部署在客户自己的云上（bring your own cloud，"本质上就是 on-prem"）。

  ⚠️ "两年前我会以为我永远不会做这件事，因为云就是未来、软件即服务、所有那些。但现在我们有点回退到了一个公司更有保护欲的世界，因为数据有太多种泄露方式——人们在用的所有这些 agent。"

• ⚠️ 他的证据等级自己标得很低："Twitter 上有那些截图，我不知道有多真——Instinct 或 Muse 把人的数据混在一起、开始用另一个名字叫你之类的。" 本页照录，不作为事实收录。
• ⚠️ 他给的消费 / 企业分界："你可以在私人生活里用 Muse，连上你的信用卡和银行账户。但没人在把 Muse 连到企业数据上。" 落点："消费那边的东西有点显而易见，但企业这边，整个行业还有海量的工作要做。"

⚠️ Atallah 的 marketplace 论证：为什么压价需要一个市场，而不是更多供应商

• ⚠️⚠️ 本页认为这是全期最该被长期引用的一条，因为它给"模型商品化"补了一个缺失的机制（[00:07:05]）："有很多生意在变得成本可行之前根本不会出现。而创造一个我们能通过建立有效市场来压低成本的环境，是让这件事发生的关键。否则——作为一个供应商，我为什么要降价？我有一个被俘获的市场。"
• ⚠️ 他对反事实的描述（[00:08:05]）："这是 marketplace 的一个关键点，而在我们出现之前这件事在 AI 里完全是缺失的。那时只有一个玩家，OpenAI。那本来可能是一个非常奇怪的世界。" ⚠️ 他自己立刻打折："我不是说这些活都是我们干的，当然不是。"
• ✅ 本页标注这条与已有材料的关系：本页的商品化论证（本页开头的 Benedict Evans 一节、Eiso Kant 的"100 家 vs 5 家"）都从供给侧数量推出价格下降；⚠️ Atallah 指出供给多并不自动压价——还需要一个让比价成为默认行为的中间层。本页认为这是一条真正的补充，而非重复。
• ⚠️ 他对"为什么发现必须由市场来做"给了一个技术性理由（[00:08:05]）："LLM 不是那种你能把所有特性在一个网页上枚举出来的东西，那不可能。你必须看到它们正在被怎么用，才知道它们擅长什么。" ✅ 本页标注：这把"用量数据"定成了中间层的核心资产，并顺带解释了中立性为什么必须是产品而不是姿态。
• ⚠️ 他对"创业公司怎么证明自己不是壳"的回答是 neurodiversity（[00:06:05]–[00:07:05]）："如果一个潜在客户在想'我直接用模型不就行了'——你怎么真正证明你显著更好、能建一家重要的公司？我觉得很大一部分会涉及 neurodiversity，涉及把多个模型的能力和好数据融合起来。" ⚠️ 本页标注这条有明显的自利方向（他卖的就是多模型接入），记为立场。
• ⚠️ 一条一手市场观察（[00:08:05]–[00:10:07]）：企业比他预期更愿意用开放权重模型——他原本预期品牌锁定（"我分不清区别，就买所有其它可信企业在买的那个"），⚠️ "而这件事没怎么发生。" 两条动机：成本与差异化（"拥有你的智能"）。
• ⚠️ 他对企业 AI 团队的描述是本页对企业买方结构最有用的一句（[00:10:07]）："这不是说你去董事会讲'我们把 AI 问题解决了，本季度完成'。你的董事会每个月都在问接下来内部 AI 团队要干什么。现在每家企业都有这么一个正在培养的内部 AI 团队，而它们需要一套背后的战略。不是把一个功能勾掉、把数据库搭好就完事。"
• Stripe 侧的对齐（[00:04:04]）：⚠️ "Stripe 和 OpenRouter 都真的希望世界上有大量新公司。我们不希望所有人都成为一家巨型公司的一部分。" ⚠️ 他对两家业务关系的判断："在很多方面，支付与推理对未来的公司会融合在一起。"

⚠️ "model debt"：一条把"该不该自建模型"切开的判据

• ⚠️ Atallah 的区分（[00:42:47]–[00:43:48]）：公司仍然担心为非结构化输出微调——"因为你总得在两个月后重做一遍，所有人都感到那份模型债的重量"；⚠️ 但专用分类器不一样："一个用专有数据训出来的、非常定制的分类器——我觉得人们不会一直觉得它落后了，它可能会活得久得多。你不必担心它会不会说一门新语言、会不会写 Rust，或者任何 LLM 正在被评测的那些事。"
• ⚠️ 落点是一条给企业的处方："这看起来是企业可以自己做、而且事后真的不会后悔的那种东西。"
• ⚠️⚠️ 本页认为这条必须和 Lio 那条"自建能到 70%，但 70% 的性能不等于 70% 的自动化" 并读，而且两条不矛盾——它们切的是不同层：✅ Lio 说的是端到端工作流，Atallah 说的是单点分类器。本页据此把"要不要自建"的答案写成一条：分类器自建，工作流别自建。
• ⚠️ Masad 给了这条的一手佐证（[00:40:45]–[00:41:46]）：他拿 Qwen 8B 这类小模型让 Fable、Opus、Astra 去训，产物是一个成本估算模型，让 Replit 在用户输入 prompt 时就知道这次大概花多少钱，输出是多个成本区间桶上的概率分布。⚠️ 方法他已用了几年："给它不同的 enum，然后看每个 enum 的 log prob。" 条件是数据："我们在 Replit 有非常多数据。"

⚠️ fusion / 路由的成本自述，与那条真正可复用的设计约束

• ⚠️ 两组自述数字（本库均未核实）（[00:45:52]–[00:46:52]）：
• OpenRouter：发了 fusion 工具 / 模型，首发聚焦 deep research，思路是"如果这些模型 app 都在不同数据源上训练，为什么不从它们全部里一起取"；自述"基本上是 Fable 级的质量，成本低 2 倍"。
• Replit："我们其实就在今天发布了结果"——一次 deep sweep，组合多样东西"包括 harness"，自述"前沿水平，成本在 40% 到 50%"。
• 他还提到 Cognition 也发了一个。 收益两条：降成本 + ⚠️ "允许更宽的想法广度被搜索"。
• ⚠️ Atallah 对"什么时候开始有人认真做跨模型家族"的回溯（[00:44:50]–[00:45:52]）："除了 code review——我觉得那是我第一次看到人们认真用不同模型家族去复核主模型的结果。"
• ⚠️⚠️ 而本页认为这一段里唯一真正可复用的是那条约束（[00:46:52]）："在设计 fusion 模型、路由器、以及升级（escalation）模型时，对缓存有意识（being cache aware）是最大的几件事之一。"
• ⚠️ 他提到的那个特性连同他自己的两次免责，本页照录并标为未确证：OpenAI 加了一个能跨不同努力等级、"也跨不同模型"复用计算的特性——"别引用我这句……我可能说错了，我得再确认一下。"
• ✅ 本页标注：这条把"路由省钱"的上限从价差转移到了缓存命中率上——即路由的真实经济学可能由缓存结构而不是单价决定。本库认为这是此后跟踪路由类产品时该优先核的一项。

⚠️⚠️ 消费侧的变现结构：订阅主导被榜单作者自己定性为"不自然的倒置"（a16z Top 100 第七版，2026-10-05）

来源：a16z / Top 100 Consumer AI Apps 第七版

⚠️ 利益相关：这是 a16z 自有榜单、由报告作者在自己的频道上讲述，口径（谁入榜、怎么排）由 a16z 自定，本库未核实。⚠️ 本节"903 美元"一项的判定依据见视频页页首（自动字幕漏字写成 93，两处独立口述与官方简介均为 903）。

✅ 本页此前的消费侧材料只有零散的渗透率数字。这是第一份有"消费者个人刷卡"口径的 AI 支出分布——而本页认为它最该被引用的不是分布本身，而是报告作者据此给出的那条反方向判断。

⚠️ 数字骨架

指标	数值
报告使用 AI 的美国人	约一半（[00:14:09]）
为 AI 付订阅费的美国消费者	⚠️ 约 4.5%，其它来源低到 2%–2.5%；比一年前翻一倍（[00:14:09]–[00:15:09]）
付费者内部集中度	⚠️ 前 10% 占收入一半以上；前 1% 占 20%；后 50% 占约 16%（[00:15:09]）
前 1% 的个人月支出	⚠️⚠️ 约 903 美元（个人信用卡）；付费者中位数 25 美元（[00:15:09]）
钱花在哪	开发者工具、生产力、创意工具——"用来建、做、卖的东西"；超额代表：n8n、Granola、Higgsfield、Manus（[00:16:11]）
变现模式分布（网页榜）	⚠️ 订阅约 85%；额度/token 超额 62%；广告或其它只有约 13%（[00:20:15]）

• ⚠️ 与本页已有数字的口径差异必须说清楚：本页此前记的是"略超 2% 的美国家庭有付费 AI 订阅"（出自 2026-09-30 的 state of markets 那期）。⚠️ 两者分母不同（家庭 vs 消费者）、面板不同，✅ 而本期主动给出的 2%–2.5% 下界正好覆盖了那个数字。本页认为两期可并用，但不能相减或比较增速。

⚠️⚠️ "省时间 / 省钱 / 花时间"：一条把消费 AI 现状归为同一格的刻度

• ⚠️ 原话（[00:18:14]）：Moore 引一位 a16z 被投 CEO（⚠️ 人名与公司名本库无法从字幕确定还原）——"大多数人不是在找怎么省时间，他们是在找怎么花时间。"
• ⚠️ 佐证是现有消费产品的排序："这就是为什么社交媒体、娱乐、Netflix、TikTok、YouTube 是我们拥有的最被使用的消费产品。"
• ⚠️⚠️ 而她对 AI 现状的定性是一句判决："我们目前在 AI 里看到的大部分，都是'我怎么把这件事做得快一点、容易一点、更让人印象深刻一点'。而对大多数人来说，这不是一个特别有说服力的每日或每小时活跃价值主张。" ⚠️ 收尾时她把它接到白地图上（[00:48:33]）："消费 AI 里我们看到的几乎一切都是省时间，而花时间那一类往往是最大的公司——如果不是最大的那个。"
• ✅ 本页认为这条是对本页框架的实质增补，因为它与本页已有的那条并不重合：Pawlan 那期横评的发现是"省钱胜过省时"，⚠️ 而本期指出省钱与省时同属"省"。✅ 三格（省时 → 省钱 → 花时间）合起来才是完整刻度，而消费 AI 目前只占住了前两格。
• ⚠️ Elman 的部分异议，本页并记（[00:18:14]–[00:19:14]）：他指出有一批人正在从"省"穿到另一侧——"曾经是写代码的人、或者想做视频但从没真正掌握 Pro Tools 或 Adobe Premiere 的人，突然就能注册这些东西、把脑子里的想法变成现实"；⚠️ 他的框架是"不是省时间，是花掉那种把这个东西意志性地带进现实的快乐"，并把当前数据当作先兆。
• ⚠️⚠️ 而本页标注一条白地图与此直接相关的形状，这是本页自己接出来的判断、不是讲述者的：✅ 本期列出的空白类别——约会、招聘、社交 AI、购物/买房/零售——几乎全是多人产品（[00:45:31]–[00:47:33]，⚠️ "榜单上现在没有任何人在做约会"；⚠️ "社交 AI 的大部分，是人们把 AI 生成的内容发到已有的社交平台上"）；⚠️ 而本期同时给了多人产品的前置障碍——Moore 的那条隐私张力（[00:09:04]）："产品对你这个消费者越有用，它就越了解你——那你真的想把这个带进和别人的其它语境里吗？" ✅ 本页的判断是：白地图之所以是这个形状，可能不只是因为还没人去做，而是因为那道隐私墙还立在那里。期内没有把这两段连起来。

⚠️⚠️ "我其实并不希望那 4.5% 扩大"

• ⚠️⚠️ 主张（[00:20:15]）："我其实并不一定希望那 4.5% 直接付费的人扩大——这也许有争议，因为我投消费 AI 产品、我是一个消费 AI 最大主义者。" ✅ 本页标注这条的证据价值在于方向与讲述者自身利益相反。
• ⚠️⚠️ 定性（[00:21:16]）："如果你回看消费互联网的历史，这是一次相当不自然的倒置。我们现在拥有的那些真正巨大的消费科技公司，绝大部分收入来自广告或交易费，而不是订阅。"
• ⚠️ 佐证走的是榜单之外的对照：全球前 20 消费订阅产品里 ChatGPT 已在列（"三年半的增长就做到，很疯狂"），⚠️ "而其它几乎全是媒体公司，或者 Amazon、Uber 这类有非常高频购买行为的大平台。"
• ⚠️ 需求侧的解释："大多数人并不是在找一个 coding 工具来帮自己开公司、或者创造并卖一个产品。大多数人没有那笔钱、或者不想把钱花在软件上。"
• ⚠️ 立场："我们已经超越了'每个人都得买一份 AI 订阅'这个需求，我们需要看到那些别的商业模式回来。"

⚠️⚠️ 消费投资范式的反转：高 COGS 杀死了"先堆密度，后变现"

⚠️ 本页认为这是本期对本页主线最具体的一条贡献，因为它不是一个判断，而是一条已经改变了投资行为的规则变化。

• ⚠️ 旧规则（Moore 自述）（[00:22:16]）："至少对我这个消费投资人来说，以前如果一家公司在头五年就在赚钱，那是'哇，发生什么了'。规则是：先把用户密度堆起来，因为服务成本接近零，然后我们可以等，等有了流动性和密度再靠广告变现、或者开始收交易费。"
• ⚠️⚠️ "而鉴于现在 COGS 这么高，那套就是不成立了。"
• ⚠️ Josh Elman 给的经营后果（[00:22:16]–[00:23:18]）："公司会害怕长得太快。如果它们长得太快、而收费又没有计量，你真的会有失控的支出，而那会非常非常难管。"
• ✅ 本页标注：这条在本期出现了两次，一次是一般论、一次是具体案例——⚠️ Muse 之所以分发不如 Threads 激进，Moore 给的理由正是"服务这些用户的成本高得多，所以他们不想让它太快变得太大"（[00:07:04]）。本页认为"增长节奏被单位成本反向约束"是本期最值得长期跟踪的一条机制。
• ⚠️ Elman 给订阅主导配的时间条件，使它从立场变成可跟踪的判断（[00:21:16]）："我们还处在推理成本下降的早期，还处在人们找到用更低成本模型造好产品的早期。等他们做到了，互联网上一直存在的那些别的商业模式——交易费、广告——才会终于开始奏效。但我们需要这件事发生。" ⚠️ 他对现状默认的归因："'如果服务我要花很多钱，那至少让我直接收费吧'——这成了一种早期的默认。"

⚠️ 广告侧的实际数字，与一条垂直广告的密度证据

• ⚠️ OpenAI 的广告年化运行率（[00:23:18]–[00:24:19]）：10 亿美元（⚠️ Moore 注明"这个数字来自八月，一个月后很可能已经相当更高"）。⚠️ 她对速度的定性："这在以前，一家公司哪怕在发布广告产品之后，也要花很多很多年才能达到。" 她给的第一条解释是密度（"最后报的数字是几天前的 12 亿周活用户"，本库未核实）。
• ⚠️ 第二条是她感兴趣的演进方向："理论上他们应该能收更高的价、拿到更高的转化率，因为他们对你这个用户知道得多太多了"；产品信号是 login with ChatGPT 已上线、"我觉得钱包也要来了"。⚠️ 她自己留了口："但我们再看吧，那边还非常早期。"
• ⚠️ 垂直广告的一条数字，本页记为本期最被低估的材料（[00:28:21]）：OpenEvidence（给医生用的 AI 产品）"最近的数字我想是全美医生的 50% 到 60% 的密度在这个产品上"（⚠️ 本库未核实）。⚠️ 推论："当你有那种量级的、真正有价值的受众密度，而且它是一个定向受众，你就能非常有效地打广告。这类东西会有、也该有更多。" ✅ 本页标注：这把"广告变现"从一个只有超大规模平台能用的模式，改成了一个靠受众纯度就能用的模式——而后者对创业公司是可达的。
• ⚠️ Elman 对"广告怎么才不毁掉信任"的边界条件（[00:25:19]–[00:26:19]）：反例是"让我给你介绍这个能帮你快速减肥的疯狂产品"——"那不是在和 AI 建立信任"；论证核心是查询结构变化——"现在人们是带着真正的建议需求、购物、或者想搞清楚到底要去哪去找它。而那些正是你处在发现模式里的时候，广告往往是帮你解决那件事的好答案。"

⚠️⚠️ "订阅 vs 无广告"的一组代价数字：Anthropic 的高价档密度是别人的 7.5 倍

（[00:29:21]–[00:31:22]，均为 a16z 自有美国支出者面板，本库未核实）

• ChatGPT 网页流量领先 Claude 约 6 倍、领先 Gemini 约 2 倍；ChatGPT 的美国付费消费者订阅数约为 Gemini 和 Claude 各自的 3 倍。
• ⚠️⚠️ 而她自称本期最大惊讶的一条：Claude 的付费订阅数已超过 Gemini——"这挺疯狂的，因为 Gemini 的装机量和整体用户基数大得多，而且它还有 Google 这种天然分发机制。" ✅ 本页标注：这是本页第一次有"天然分发优势"在消费付费侧明确失效的证据。 ⚠️ 而本页此前恰好记过相反方向的一条（Midha 的"DeepMind 按个按钮就能一夜部署到十亿台设备"）。✅ 两条合起来给出更准的形状：分发优势决定触达，不决定付费转化。
• ⚠️⚠️ 而本节最该被引用的是那组高价档比例，因为它把"不做广告"这个承诺的代价量化了：Anthropic 很有名地说过"不做广告"，所以在订阅上激进得多——约 7.5% 的订阅者在 100 美元以上档位（max plan），而 ChatGPT 和 Gemini 都是约 1%。
• ⚠️ 本页记下一处未解张力，不裁决：本节开头那条"订阅主导是不自然的倒置"若成立，那么 Anthropic 正是这条倒置最极端的执行者——而它同时是本期唯一一条"付费订阅数超过了分发优势远大的对手"的正面证据。✅ 本页认为这说明"倒置"在 power user 这一段是可行的，而 Moore 的批评针对的是它能否扩展到大众。两者可以同时为真。

⚠️ 上下文即护城河：本页第一次有了量化形式

• ⚠️⚠️ Moore 举 Town（prosumer agent 助理，可连 Slack / 邮箱 / Google Drive；她自述在用，⚠️ 本页记为投资人对在用产品的评价）（[00:42:29]–[00:43:30]）。她先承认标签——⚠️ "哦，这只是个 harness——我猜这是现在比'套壳'略不那么贬义的说法"——然后给出那条量化：

  "Town 已经建起了关于我是谁、我说话什么调子的那些 playbook，而没有别的产品有这些，我也没法轻易把它们搬到明天出现的某个东西上。因为一封 99.9% 像我写的邮件和一封 85% 像我写的邮件之间的差别，就是花 10 秒钟改一下和花 10 分钟以上的差别。"

• ✅ 本页标注：这把"上下文护城河"从定性说法变成了一个关于边际修正成本的论证。 ⚠️⚠️ 而本页认为它与 Lio 的"发票软件只是问题的 20%" 是一次跨品类的独立汇合：✅ 两处都在说价值不在大头，而在最后那段把结果变成可直接用的距离——一处是消费邮件，一处是企业采购。
• ⚠️ Elman 对 "harness / wrapper" 的明确拒绝，本页记为用词层面的立场（[00:43:30]）："现实是人们现在是在造软件……它远不只是模型上的一个薄垫片、或者一个给模型带点上下文的 harness。" ⚠️ 本页记录一处张力不裁决：本页所属时段内 harness 在研究侧正被抬升为严肃术语，而在消费投资侧正被当作贬义词回避。

⚠️⚠️ "在位者不蚕食自己的界面"这条规律现在也指向实验室

• ⚠️ "The Great Expansion"的机制（[00:37:24]–[00:38:24]）：消费公司通过 PLG 增长（Krea、Replit、ElevenLabs、Gamma、WhisperFlow、Granola）→ 因与工作相邻被拉进企业 → 创始人补隐私、安全与团队版。⚠️ 历史速度对照："Canva 花了六年以上才有真正的团队与企业收入。" 定性是"非常有效、非常低成本的分发"，适用边界是"能个人使用、但又与工作相邻的工具"。
• ⚠️⚠️ 然后是那条扩了边界的在位者判断（[00:38:24]）：经典例子是 Google（"我们并没有真正看到他们为 AI 时代重新发明 Docs、Gmail 或日历"），⚠️ 而她把同一条规律加到了前沿实验室头上："我觉得这甚至正发生在 OpenAI 和 Anthropic 身上——它们在任何不是发布在已有的 ChatGPT、Codex、Claude 或 Claude Code 界面之内的东西上，成功得少得多。"
• ✅ 本页标注：这把 Amble 的"在位者不是在收手，是被按住了" 从企业软件扩展到了前沿实验室自身，而本页此前没有这一条。 ⚠️ 但两者机制不同：Amble 给的是内部激励冲突（两个 VP、两条产品线）；Moore 给的是界面蚕食 + 注意力有限。 本页认为后者对实验室更贴合，因为实验室并没有一条"被解掉的旧产品线"。
• ⚠️ Elman 的"水涨船高"反论，本页与上一条并记（[00:39:25]–[00:40:26]）："认为只有一两家公司能造出那个体验层——我觉得这份报告差不多就是在推翻这件事。" ⚠️ 但他把基础设施层的归属留白："基础设施的价值可能仍然归模型供应商，或者归那些做推理服务的，那是另一场完全不同的对话。"
• ⚠️⚠️ Burger 把这一整段压成了本页认为最好用的一句判据（[00:41:27]）：

  ⚠️ "那么对创业公司来说问题就是：你怎么造一个随着模型变好而变好、但不会随着模型变好而被蚕食掉的产品？"

• ⚠️ 一个具体反例（[00:40:26]）：Plaud（AI 录音笔设备，"算是从中国、从东方起步，现在来到美国"，买设备 + 可买订阅）上了本次收入榜。⚠️ 论证："OpenAI 能做也会做硬件设备，但当你是一家大公司，一切都要更久：你可能得和别的已有产品集成，要过更多的检查与制衡。"

⚠️ 两张榜是同一市场的两张不同照片——以及一条本页该自我提醒的事

• ⚠️⚠️ 方法论发现（[00:02:02]）：流量上看格局在"安定下来"（网页 + 移动合计只有 11 个新产品，系列历来最少）；⚠️ 但支出榜的 50 个里有 29 个不在任何流量榜上。
• ✅ 最干净的单点证据是 Midjourney（[00:34:24]）："它已经完全从流量榜上掉下去了——但如果你看收入榜，Midjourney 回来了。" ⚠️ 归因："power user 仍然想要那个他们觉得有品味、有审美判断、而且能被他们以非常具体的方式调校的模型。"
• ⚠️⚠️ 本页据此做一条自我提醒：本页此前关于"消费 AI 格局"的材料几乎全部基于使用量或流量口径，因此都只看到了那张"正在固化"的照片。 ✅ 此后引用任何"格局已定/未定"的说法时，应先确认它用的是哪张榜。
• ⚠️ 一条顺带的纠偏，本页认为影响范围不小（[00:11:06]–[00:13:08]）："服务一个用户每月上千美元"这个被广泛引用的数字，来自 power user 的 coding 负载（Pawlan 的社群数据显示即使对 Muse、Instinct 这类消费助理，第一名用例仍是 coding 与技术自动化）；⚠️ 而"面向更主流消费者的 agent / 助理产品，看到的成本是几十美元，不是几千美元一个月"。✅ 本页标注：此后引用任何 agent 单位成本数字时都该先问它描述的是哪一群人。

⚠️ 一家 neo-lab 怎么养自己：FDE 驻场、"拥有你自己的智能"，以及"对结果定价"（Periodic Labs，2026-10-08）

来源：Latent Space / Periodic Labs

⚠️ 本页此前收过多家"AI for science"公司的技术主张，但本库第一次听到一家自治实验室把收入模式讲清楚是这一期。 嘉宾合页见 Periodic Labs。⚠️ 利益相关：两位是联合创始人，期内正在宣布一轮大额融资。

• ⚠️ 路径是"零号客户"→对外输出（[01:15:50]）："我们一直在为我们自己建我们自己的产品、工具、AI 和计算——我们一直是零号客户。现在我们在做的是把这些同样的工具带到不同行业，而我们现在有一个巨大的重点在半导体行业。"
• ⚠️ 交付形态是 forward deployed engineering，而理由是客户环境而不是客户能力（[01:16:51]）："这些是非常私密的公司，我们需要能在一些最安全的环境里运作。所以我们的 FDE 与研究员会真的驻场工作，把我们的 AI 系统或计算系统集成进去。" ⚠️ 他们明确对比了另一种做法："而不是只是把某个技术扔过墙去、让他们自己想办法。" ⚠️ 主持人点出了落地现实："部分要求是愿意长期驻场在台湾。"
• ⚠️⚠️ 而"拥有你自己的智能"本页认为是这一节最该被记住的一句商业主张（[01:17:52]）："这些 FDE 还会在本地做推理，而且也能在数据上训练。所以一旦我们把理解这些不同领域的系统带过去部署，我们可以让它成为客户或伙伴数据上的专家，这样他们就能拥有他们自己的智能（own their own intelligence），拥有比只是打某个 API 或某个未经训练的模型理解得有效得多的系统。"
• ✅ 本页认为这条与本页其它"模型即价值"类主张的差别值得注意：⚠️ 它卖的不是模型的访问权，而是"在你的数据上训出来、归你所有"的那个模型——也就是把价值捕获点从 API 调用挪到了交付物的所有权。⚠️ 而代价是它天然是人力密集的，所以才需要 FDE。
• ⚠️⚠️ 定价的演化预测本页认为是一条可检验的判断（[01:18:54]）：他们用软件工程做类比——"早期我们有 GitHub Copilot，然后有早期版本的 ChatGPT，人们把这些当副驾驶用；而随着自动化改进，现在我们有 Codex 这种东西，而我们很少有工程师还在用过去那种方式写代码。" ⚠️ 落点："非常类似的事情也可能在 periodic 上演……但随着自治、智能和能力的增长，你可以开始对结果定价（price outcomes）：帮我到达这种目标状态。"
• ⚠️ 他们对"为什么要商业化"给的理由不是收入，本页认为这条动机陈述值得单记（[01:19:54]）："我们觉得我们对固态物理和科学最好的贡献，可能是如果我们让这些工具和课题变得有利可图——类似 ChatGPT 让 CS 和 LLM 专业在大学里比以前流行得多。我们很想证明固态物理、材料科学研究能在商业上产生大影响，然后那会吸引更多注意力，年轻人会想学物理。"（⚠️ 与 AI 与教育 相关）
• ⚠️ 贝尔实验室那条类比他们自己给了两面：既有"从真空管、从用电话线把东岸连到西岸里受益很多"，也有"他们未能把一些不可思议的进展商业化"、以及"有些研究就是没法商业化，比如宇宙（微波）背景"。
• ⚠️⚠️ 而"技术与资本深度纠缠"这条论证本页认为是这一节最有一般性的部分，因为它给了一个可对照的时间序列（[01:19:54]–[01:20:54]）："想象一下复述 2010 到 2015 年聊天机器人的进展，我们会说不出那五年里它们改进了多少；而如果你看 2021 到 2026 年这段，那是天壤之别。而发生的事情是：ChatGPT 和这些别的系统做到了产品市场契合，而它彻底改变了资本格局——这改变了招聘、算力、数据等等的格局。"
• ⚠️ 主持人的概括是"成功孕育成功的良性循环"，而嘉宾的落点是 "我们想在物理世界里达成同样的事"。
• ✅ 本页认为这条值得作为一个框架保留：它主张技术进步速度是资本可得性的函数，而 PMF 是那个开关。⚠️ 而它对本页的用处在于反向读法：如果某个领域长期没有 PMF，那么它的技术停滞可能不是技术难度的证据。
• ⚠️ 开源与学术资助本页照录为事实性记录（[01:20:54]–[01:21:54]）：贡献 pymatgen / materials project 代码库 / custodian（DFT runner）/ torch-sim / JAX-MD；另有学术赠与资助项目，首篇论文即将发表。⚠️ 本页标注：被问"会不会开源数据集或模型"时回答是"绝对会"，但期内没有给出任何具体的数据集或模型发布计划，本库不记为承诺。

⚠️⚠️ "做生意"与"创业"是两件事，以及硅谷的风险认知错位（陈然，2026-10-06）

来源：月球大叔 / 陈然

⚠️ 本页此前的材料基本都在"创业"那一侧（融资、估值、护城河、价值捕获）。这一节来自一位同时在做两家创业公司 CTO 和三家"零人公司"的人（人物页见 陈然），而他做的第一件事就是把这两条路明确分开。 公司重构的细节在 实践中使用 LLM 该节。

⚠️⚠️ 一、两条路不能混

• ⚠️⚠️ 原话（[01:18:43]–[01:19:44]）："如果你想做个赚钱的生意，这条路是完全不一样的……那你就要尊重做一个赚钱的生意的客观规律，你把这件事情做好，也是能赚钱的，而且可能可以赚很多钱。" 落点：⚠️ "但是就是不要把这两个混在一起，混在一起你就完蛋了——不可能既要又要。"
• ⚠️ 他对硅谷那条鄙视链点得很直接："我觉得在硅谷大家可能有些鄙视链，就是大家会觉得说我要去做一个没有人做过的东西也好、或者说我要去拿很大笔的融资也好，然后去做一些很 fancy 的东西也好——这个当然很好，如果你要走这条路径，你就要围绕这条路径去走。"
• ⚠️ 主持人补的那条本页认为是最好的收口（[01:19:44]）："有些东西它就是要长期投资的，有些东西就是应该立即去赚钱的，然后你互相包装起来，其实到最后两个都不讨好。"
• ⚠️ 而他反对 founder IP 的理由与此同源（[01:37:05]–[01:38:07]）：做 founder IP "更适合去拉风投"；出镜对获客"有一定的帮助，但它不是一个最根本的事情"。⚠️⚠️ 他对 build in public 给的限定本页认为很锋利："看到 build in public 的、还能赚到钱的这拨人，他之所以要 build in public，是因为他做的东西的客户本来就是开发者，所以他 build in public 其实是吸引客户的。但是如果你吸引的这些客户不是这些开发者，你去做 build in public 这件事情其实不是很有帮助的。" ✅ 本页标注：他本人写过一千多篇博客、是中文互联网上的一个 IP，所以这是一次自我否定式的限定。

⚠️⚠️ 二、"勇哥说餐饮"的三条清单，本页认为是本页最可直接照做的一节

⚠️ 信源是一位短视频平台上的餐饮点评博主（字幕在同一段里作"勇哥"与"永哥"两种写法，本库不裁定），他说自己"前段时间特别沉迷看"（[01:14:39]–[01:18:43]）。

• ⚠️ 他先列了最常见的失败模式，并明确说"这和我们其实创业的很多人想法很像"："我喜欢吃面包，所以我开了一个面包店"；"别人给我画了一个巨大的饼，说开这个东西一定能赚钱，我想都没想就给他打了 20 万过去"；⚠️ "我不知道客源在哪里，但是我觉得我只要好好做线上的运营、我拍小红书，客流就会来。"
• ⚠️⚠️ 三条清单：
• ① 先找客流："你必须要去找原地就有客流的地方。" ⚠️ 他明确否掉了靠创始人魅力获客："你不能说你做一个生意，你默认靠你个人的魅力能够吸引来客人、靠成为网红来吸引客人——不行的，你必须找一个真实的、能有流量的地方。"
• ⚠️ ② 选品由人流决定，不由自己的偏好决定："不是说你喜欢吃蛋糕你要做个蛋糕店……是这波人流他要什么，你做什么。"
• ⚠️ ③ 算账，而老板必须亲自下场："赚钱你是要算账的……是你老板要亲自下场，你要去算这个东西到底要多少钱、你怎么样把这个钱赚到。"
• ⚠️ 而他自己的照做方式是把"原地有客流"换成搜索量："我做很多的 business 也好，找的都是比如通过 Google 的 search 那个 API、第三方的 API 去看 Google 的搜索的这个 keywords 它的排序——就是哪些是有人搜但是没有很好的东西的。而不是拍个脑袋说我觉得怎么样。"
• ⚠️ "零人公司"的真实量级本页照录，因为它比这个词听起来小得多（均为自述、本库未核实）：open exam preparation ≈ 月 1 万美元（纯广告 + 第三方链接，"每天看一看，其实不太用管"）；AI 音乐 ≈ 月 100 多美元（已停止投入，⚠️ 理由是"音乐这个行业的 feedback loop 太长了"）；让 AI 自动找项目："其实也没有找到几个，可能就那么一二十个……做出来可能大部分也都不太行"。⚠️ 他给这件事的定位不是收入："这个时代最便宜的是 token，重要是要把 token 给花掉，然后收获一些这个对世界的理解。"
• ⚠️ 护城河三条：先做者优势；⚠️⚠️ 把"供应链管理"重新定义成 token 成本（详见 实践中使用 LLM 该节）；以及时间窗的叠加——⚠️ 他用 Tubi 的例子给了一个很具体的"交叉点"论证（[01:08:31]）："TubeTV 当时也是好几个因素叠在一起：包括工程师的价格，还有 CDN 的价格，还有我们工程师的能力、工具的成熟程度，然后那个免费的电影电视剧（片源）——就你能免费拿到的那些电影电视剧的数量，都刚好进出了一个交叉点。然后这个生意使得以前不可以、现在就突然就可以了。然后可以了之后，你占据的这个位置，它就是你的。" ⚠️ 总态度："有竞争就做……做不过就跑。"

⚠️⚠️ 三、硅谷的风险认知错位：本页第一份这类材料

⚠️ 他同时持有 CFP 等多张执照并在做财务规划相关的收费业务，所以这一节是利益相关方陈述。 ⚠️ 主持人当场加了"节目不构成任何建议"（[01:01:24]），本页同样不把其中任何一条当作建议。

• ⚠️⚠️ 刻度的对撞（[00:51:14]–[00:54:17]）：正统财务规划把"大量持有标普 500"算在七到八（高风险），而硅谷的自我认知是二到三（极度保守）。⚠️ 而硅谷人实际的持仓在正统视角里"已经爆掉了"："你今天工作是 high tech，你最大资产是房子、是 high tech，你的所有的资产 single stock RSU 是你自己公司的 high tech——从风险的角度来讲已经爆掉了，就是都不是什么一到十了，是一百的大的风险了。"
• ⚠️ 而典型行为被他描述为："大家把这个 single stock、公司的 RSU 当作 saving account，就是发了之后永远不卖，只有在卖房的时候拿出来一点。"
• ⚠️⚠️ 他与同行那次对话是这条最好的证据，本页认为它比任何数字都更能说明错位的程度："我说我周围的人基本都是这样子的，你知道人家怎么说吗？他说这不可能，他说不会有人这样子的……我说硅谷所有人都是这样子的，他说不可能，那你一定是聊的客户不多。"
• ⚠️⚠️ 而尾部风险他展开成一串具体后果，本页认为这段值得完整保留（[00:55:18]–[00:56:19]）："万一哪天有 1% 的概率这个泡沫爆掉了之类的，那大家如果今天你的持仓那么严重的话，就意味着你的房子要没——因为你会断供；你工作也要没；然后你所有的 RSU 都要归零。那你可能工作了三四十年，就一切一切归零。然后你小孩也因为你没有办法居在硅谷，你小孩也上不了学；你和你的太太如果都是生活在硅谷的话，也可能都没有工作。那只能就是灰溜溜地打包回国。" 落点："硅谷人的风险之高，我觉得是大家很难想象的。"
• ✅ 本页认为这条对本页的用处在于它给出了一个相关性论证：⚠️ 硅谷从业者的收入、住房、金融资产三者高度正相关于同一个行业因子，所以"分散"在这个人群里几乎不可能通过持仓调整实现——这解释了为什么正统建议在这里看起来不适用。
• ⚠️⚠️ 而那条教科书与现实无法调和的事实，本页记为对幸存者分布的观察、不作为建议（[00:56:19]–[00:57:20]）："正统说法都会告诉你：比如 Google 或者 Apple，一旦发了股票你要去卖。但实际上呢，当你看过去 30 年，只要是这么做的人可能还在打工；但是没有卖的人，早就财富自由了。" ⚠️ 他自己的落点不是推荐，而是把财务规划降级成工具："他只是一个工具，他是来指导我们去做这种 informed decision，他就是说你要知道自己在面临什么东西。"
• ⚠️⚠️ 面临巨额财富的两条认知，本页认为这是这一节最该被记住的部分（[00:57:20]–[00:58:21]）：
• ⚠️ ① "如果你中了彩票，你是拿它去买下一张彩票，还是去好好享受生活？" 两条都行，但必须想明白："因为通过投资的钱可能是没有的。"
• ⚠️⚠️ ② "一个人一旦中过彩票，脑子是有可能会坏掉的。" 机制："我们赚的钱到底是时代的命运、是时代赐予我们的，还是真正是来自于我们自己的能力？很多人中了彩票，会觉得我是天选之子，所以我一定还能再中彩票——那这样的人，你会看到很多人会很悲惨的生活。"
• ⚠️⚠️ 而那条叙事偏差来自他自己的客户样本："赌场的故事，赢的故事永远是很难流传的，输的故事是没有很多流传的。那我服务的那么多客户，其实输的里面还是挺多的——很多人因为各种相信别人的推荐也好，或者说长期奉行某一种投资策略也好，其实就已经是消失不见了。"
• ⚠️ 而他给的那条总结把资产配置从技术问题变成了人生选择（[00:54:17]–[00:55:18]）："这个资产的分布是你自己对于人生选择的一种投射……不存在一个客观上的一个更好更不好的东西，而是你想要过一个什么样的人生。"
• ⚠️ 两条理念本页照录（[00:59:24]–[01:01:24]）：复利增长（教科书式；⚠️ 他的观察是"随着资产上升，你的消费、房子车子、旅游都会慢慢上升……你就收获这样一种稳定长久的快乐"，且 ⚠️ "我现在不太觉得年轻人是相信这种理念的"）vs ⚠️⚠️ 杠铃策略——"保持一部分的资产非常的保守，另一部分的资产 all in"，而他强调关键不在比例而在消费纪律："你今天做一个什么样的生活，你就要一直做这样的生活，同样的房子、同样的车子，你不要升级你的消费……所有东西都消失了你也依然能够生活一个 OK 的生活。然后剩下的钱你就去做一些非常 crazy 的事情，各种 all in、各种拉杠杆，想做什么都没问题——但是你要确保你不要影响你这种生活。"
• ⚠️ 本页标注一处与他其它主张的张力：⚠️ 他在 AI 与就业 那一节主张合伙人式分成（把收入波动转移给劳动者），而这里强调要有稳定现金流、不要升级消费。本页认为两条不矛盾（杠铃策略恰好是这种收入结构的对应配置），但本期没有把它们连起来讨论。

⚠️⚠️ "租 vs 拥有"：开放权重的变现框架，以及"一切都在被商品化"（Misha Laskin / Reflection AI，2026-10-09）

来源：No Priors / Misha Laskin（Reflection AI 联创兼 CEO）

⚠️ 利益相关：这是一家刚发布第一个开放权重模型的实验室 CEO，全部数字自述未核实。✅ 但本页认为他的框架有迁移价值，因为它第一次把"开放权重怎么赚钱"讲成了一件与闭源同构的事，而不是一个意识形态问题。

⚠️⚠️ 一、本页第一次拿到的那个框架

• ⚠️⚠️ 核心一句（视频页 [00:22:19]）："开源和闭源模型的商业化在某种意义上是很相似的。你真正想做的是最大化推理。而区别在于，它基本上是推理的租用 vs 拥有。"
• ⚠️⚠️ 而他对 token 的拆解本页认为是这一节最该被引用的一段，因为它说明"token 价格"到底在定价什么："当你买一个 token，你是在租整个栈的一小片——harness（如果里面有 agentic harness）、模型、推理软件、集群管理软件、它跑在上面的那些 GPU，而所有这些都被摊销进了一个 token 里，而你在租这整个东西的一小片。"
• ⚠️ "为什么要拥有"他用的是租房—买房类比（[00:23:19]）："我们通常一开始是租公寓。但当你长大了，你会因为各种原因想拥有一栋房子，即使那有点麻烦……而 AI 作为一个商业市场已经成熟到这个程度：企业在租智能上花了很多钱，然后开始因为围绕控制权的各种原因想要拥有它。"
• ⚠️⚠️ 而开放权重公司实际卖的是那些"被当作理所当然"的部分（[00:24:20]）："开放模型是宽松许可的。但为了让客户真的能用上它，他们需要所有其它那些东西——那些你从一个闭源模型那里会当作理所当然的东西：集群管理软件、推理软件、harness 等等。"
• ⚠️ 而服务在他的框架里不是利润中心而是需求驱动器，本页认为这条定位值得记："我们把服务想成：我们怎么进去解锁真正有价值的用例，从而驱动大量的算力需求、推理需求。所以某种意义上，服务和开放模型是一个推理生意的需求驱动器。"
• ⚠️⚠️ 而他对"只卖推理"给的否定本页认为是最可操作的一条商业判断（[00:30:28]）："很难进去只说'我们要给你推理'。我没听过这个词（有用）。那没有成功过。" 定位是以方案驱动，理由是 "让 AI 原生公司采用开放模型的，是他们自己构建自己的方案；而企业就是需要更多的帮助"。
• ⚠️ 他对客户规模给了一条形状（[00:30:28]）："很多这些企业可能已经在闭源模型上建了一个覆盖几亿客户的 agent，他们真的想把它扩出去。所以那个扩张系数非常高。"（⚠️ 自述，本库未核实）
• ✅ 本页标注：这个框架与本页既有的 Periodic Labs 的"拥有你自己的智能" 是同一说法在两个不同行业的版本；⚠️ 而与 Matt Garman 的 Bedrock 数据边界论证（"让数据回到模型提供方是一件危险的事"）是同一需求的供给侧两解——一侧卖"你的数据不出 VPC"，一侧卖"权重归你"。

⚠️⚠️ 二、"一切都在被商品化"，以及那条来自买方的佐证

• 竞争公式（视频页 [00:31:29]）："最终任何人赢的方式，就是你产生了多少持久收入。而公式是：你能提供的智能密度（intelligence density）× 你有多少算力 × 你和那些组织有多少信任——基本上就是你多擅长解决他们的问题。"
• ⚠️⚠️ 而他对"哪一层会被商品化"这个本页反复出现的问法给了全盘否定，本页认为这条值得单独记（[00:32:30]）："我看整个空间在整个栈上都是竞争的。外面有各种论证说这一部分在被商品化、那一部分在被商品化。现实是一切都在被商品化——整个栈上的每一层都如此超级竞争，以至于它在被商品化，而模型的毛利率会被压缩。"
• ⚠️⚠️ 而主持人给了一条一手佐证，本页认为这是本期最有价值的外部证据，因为它来自投资方而不是开放权重的卖方（[00:33:31]）："我们看到很多 AI 原生公司在非常激进地谈他们的闭源合约，因为开源生态存在。所以这是明确为真的。" ✅ 本页标注：这条把"开放权重的存在本身就压低闭源价格"从一条推断变成了一条观察。
• ⚠️ 他给公式加的时代限定是算力稀缺，而这条限定本页认为削弱了公式本身（[00:32:30]）："在之前的竞争情形里你可能会说'这几个玩家都没差异化'，但结果是如果你真的很厉害、而且你有算力，那就没问题。" ⚠️ 他自己对时效打了问号（"也许这是暂时的，但我不认为它在一段时间内会是暂时的"）。✅ 本页的观察：如果算力稀缺缓解，公式里"算力"这一项的权重会塌，而剩下的"智能密度 × 信任"恰好是最容易被商品化的两项——他自己在同一期说了"一切都在被商品化"。
• ⚠️ 而他把公式应用到了自己的终局预测上（[00:33:31]）："只要外面有很好的、可获取的智能密度，就应该有很多成功的公司——因为那时候它只是一个各家能攒到多少算力的问题。" ⚠️ 他同时承认了反馈环："而当你是一个很好的智能构建者、你的收入真的起飞，你就能攒到比任何人都多的算力，那就把你放在一个战略位置上。"

⚠️ 三、份额终局：操作系统类比，以及它一处关键的不成立

• ⚠️ 那条口径（视频页 [00:25:21]）："大概六个月前，闭源是多数；而你去任何一个 gateway——比如 OpenRouter 或者 Vercel——它几乎恰好翻转了，从 70/30 的闭对开，变成了 70/30 的开对闭。" ⚠️ 本页标注：这是一条可被第三方平台数据检验的结构性声明；份额口径的对读见 开源与开放权重基础设施。
• ⚠️ 终局类比同时预测了两件事："95% 以上的服务器跑在 Linux 这样的开源操作系统上。但那并不意味着闭源的东西不值钱——微软和苹果都是极其值钱的公司。" 三条并列预测是大多数 token 去开源、极其值钱的闭源模型公司继续存在、一个有价值的开放模型公司与分发商生态存在。
• ⚠️⚠️ 而他自己指出了这个类比的一处关键不成立，本页认为这是本期对价值捕获最有分量的一条（[00:26:23]）："一个很大的不同是，我认为我们也会看到大量经济价值流向开源——仅仅因为即使模型是完全宽松许可的、或者带某种 license，你运行它所需要的其它一切仍然很贵。算力仍然很贵。所以你所处的世界和（Linux 那时）不一样：像 GPU 这样的硬件加速器，就是一个比 CPU 更贵的算力基底，所以需要围绕它建一种不同的云。"
• ✅ 本页标注：这条是对本页既有的"价值上移"论证的直接反驳——⚠️ Benedict Evans 的命题 是基础模型商品化、价值向上游转移；而这里的论证是开放权重不会把价值清零，因为它跑在稀缺且昂贵的加速器上，所以价值会停在"模型之外那一整层"而不是继续上移到应用。 ⚠️ 本页不裁决，但记下两条的分歧点很具体：算力基底的价格会不会下降到让这一层也被商品化。

⚠️ 四、企业采用的触发点与定制形态（买方侧）

• ⚠️⚠️ 触发点很具体（视频页 [00:29:26]）："你必须经过租用阶段才能走到拥有"；"如果你一年在闭源模型上花一亿以上——这完全不罕见——那你就会开始想：也许我该想出一个更优的做法。" ⚠️ 他明确说没见过跳过租用阶段的："我没有看到那种直接冲向拥有市场的做法。"
• ⚠️ 他点的一条供给侧原因本页此前没有：on-prem 复兴部分来自算力短缺——"如果你是企业、从你最喜欢的 hyperscaler 那里消费，很多时候就是没有足够的算力，也很难在那里拿到好的价格"，形态是找 Dell 这类供应商搭裸金属。
• ⚠️⚠️ 而他对定制形态的判断与行业流行口径相反（[00:27:25]–[00:28:26]）：推理服务商报的是 "90% 以上是定制过的"，⚠️ 但他自己把这个数的适用范围打掉了（"今天专用推理的最大客户是 AI 原生公司……他们有一整个产品就是一个开放模型的大型定制"），⚠️ 而他的判断是："企业 token 消耗的大多数不会来自定制过的模型，而是来自定制过的系统——你拿了一个开放模型，其实还没微调它，只是围绕它定制了一个 agentic harness。" ⚠️ 机制是路径依赖："AI 原生公司建的是原生的、本身就是数据收集器的产品；而企业大多围绕已有产品和工具做架构，那里有很多摩擦。"
• ⚠️ 而他对开放权重给企业的价值用了一个很干净的表述（[00:18:16]）："企业和客户可以拿它、为他们自己的东西做定制，得到一个对他们负载来说大致帕累托最优的东西——最低成本换最高性能。"

---

⚠️⚠️ "软件里的 IP 已经归零"，以及"治理可预测性"作为一条新的选型轴（All-In，2026-10-10）

来源：All-In 2026-10-10

⚠️⚠️ 一、Chamath 的断言：本页记录它，但不采信它的事实依据

（[01:24:56]–[01:25:56]）✅ 这是他 2026-09-26 那条"agent 把 App Store 抽成推上被告席"（见本页上文同名小节）的直接推进——从"分发的抽成失去理由"推到"实现本身失去价值"。

他的结论：

"我认为软件里的 IP 在两天前被实质性地变得一文不值了。"

他给的机制（本页认为这部分可以单独引用，因为它不依赖下面那个事实依据）：

"因为如果你想一想，当一切都变成 headless 的——当 Elon 把他的服务变成 headless，Benioff 几个月前把 Salesforce 变成 headless——当所有这些东西都是 headless、你可以把它们包进 agent 工具、通过 MCP 连到别的体验里，那么软件里 IP 的价值就不再存在了。它不存在。"

他给的一手行为改变：8090 过去与客户就"谁拥有 IP"反复谈判权衡，"两天前我走进 8090 的人那里说：谁在乎？谁在乎？解决问题就好。" 他自己的限定："商业的机制、坦白说还有市场，需要一段时间才能理解。"

⚠️⚠️ 而本页不采信他给的事实依据：他说有人把 Adobe 产品套件里五个非常重要的产品整套反编译、蒸馏，并发布了用 Rust 写的开源版本——⚠️ 无具名、无链接、除"两天前"外无任何细节，本库完全无法核实。 ⚠️ "反编译 + 蒸馏 + 发布开源版"是三件难度差异极大的事，而一个与 Photoshop 功能对等的开源实现是一个极强的主张。节目内无人质疑这条依据。 ✅ 本页的处理：机制部分可引用，"IP 已经归零"这个结论按未经支撑的断言记录。

• ⚠️ 本页提醒一处利益相关：他的 8090 的业务模式正是替客户建系统，而"IP 不值钱、解决问题才值钱"恰好有利于其议价位置。他没有把这一点标注为利益冲突。
• ✅ 与本页既有四种立场的关系：本页此前并列记录的四种"应用层 / SaaS 会不会被吃掉"立场（Garry Tan、Sinofsky、Michael Lee、Almeida）争的都是谁捕获价值；⚠️ Chamath 这条争的是更上游的一件事——软件实现本身是否还构成一项资产。 如果成立，它会同时削弱其中第①②④条的前提；但它的证据强度远低于那四条，本库并列记录并标注此不对称。
• Jason 的附议把它扩到商务层（[01:26:56]）：他让 agent 不访问任何网站就把报价全找回来，人类再谈后半段；对照是 Amazon 封锁 agent，而 Shopify 放开、Uber 与 DoorDash 已允许 agent 下单——即 "软件压缩的同时也在发生商务层的压缩"。✅ 这与他 2026-09-26 的判断一致（Amazon 封锁 agent 是战略失误），本页记为同一人的重申而非新证据。

⚠️⚠️ 二、Friedberg：企业会把模型的治理文档当作采购尽调对象

（[00:29:20]–[00:30:20]）✅ 本页认为这是本库此前完全没有的一条模型选型轴，而且它是可证伪的产业预测。

"随着企业变得更成熟、必须对这个问题有个答案，市场的响应是：他们会去读模型的 founding documents 和道德准则，而你会看到某些模型出现——它们在前沿能力上可能远没那么好，但它们简化了道德上的模糊性。而从商业和用户的角度看，那可能是更好的选择，因为你不想意外地踩进那些陷门。"

• 它要解决的问题是什么：同期 Chamath 的"对齐三目标"框架 给了一个可想象的企业失效场景——模型认定某银行客户在歧视性放贷，于是宣布在问题被纠正前不再做抵押贷款审批；Chamath 的类比是 "那等价于你的公用事业公司说：我相当确定你放贷的覆盖面不够广，所以我要把电关掉。"
• ⚠️ 为什么本页认为这条是新的：本页既有的选型材料全部沿能力 / 成本 / 部署形态三个轴展开（两层市场结构、Friedberg 自己的分层而非崩塌、Laskin 的租用到拥有）。⚠️ 这条加的是第四个轴：行为可预测性由治理文档决定，而它的赢家可以是能力落后的一方。
• ✅ 它与 Friedberg 自己 2026-09-26 的"分层而非崩塌"兼容：那里他说极高价值的技术工程/数学/生命科学付"接近无穷的溢价"、多数企业应用跑在开放权重上；这条给后一类再加一个筛选条件。
• Sacks 在同段给的通俗版（[00:30:20]）："你从他们那买一个产品，手册第一页写着'本软件可能不做你试图让它做的事'。而另一家说'本软件会做你让它做的事'。我会买第二家的软件。"
• ⚠️ 本页标注待跟踪的检验点：这条预测可以用两件可观测的事来检验——①是否出现以"治理简单、行为可预测"而非能力为卖点的模型发布；②企业采购流程里是否出现把模型治理文档列为尽调项的做法。本库尚未见到任何一条。

⚠️ "rough justice"：故意把合约留松的合作观（Jensen Huang，2026-10-13）

来源：Lex / Visiting Taiwan w/ Jensen Huang

⚠️ 体裁提示：旅行 vlog，这一段在台式早餐桌上断断续续讲了约二十分钟。 ✅ 本页收录它的理由：本页既有材料几乎全在定价、份额、价值捕获的分层这一层， 这是第一条讲"长期供应关系怎么被结构化"的材料，而且带一个可检验的行为准则。

• ⚠️ 核心反直觉主张：你怎么可能事先穷尽一段关系里所有未知？ "这就像写一份铁板钉钉的婚前协议——问题在于你越想写具体，这段关系就越脆（brittle）。" 所以他选择"把它保持得又松又好、边走边发现"，并把这套叫 rough justice—— 有时对方赢、有时自己赢，长期下来就平了（[01:26:04]–[01:27:05]）。 他明确说对员工是同一套："我和公司员工之间没有铁板钉钉的合约，我们是选择彼此合作"（[01:27:05]）。
• 前置论证来自代工的技术性质："你们是一起造一颗芯片，不是从货架上买东西"，而造芯片很难， 所以不可能事先知道所有细节、做完所有决定——"你真正在选的不是买什么，而是跟谁合作" （[01:23:59]–[01:25:00]）。
• 机制解释："他们需要知道你想让他们赢。" 所有员工知道他想让他们赢，TSMC每一天都知道， 所以它体现在合作、生意往来和他持续帮对方变强上（[01:27:05]）。 更一般的版本是 "goodwill 不是零和游戏，它不受物理定律限制"（[00:43:29]）。
• ⚠️⚠️ 他拿出的"证据"是一组数字，本页认为应当连同其立场一起记： "去年我整条供应链的股价涨了 300%，我的是平的。这件事发生我并不开心， 但那是因为我们的平台足够大，所有人都能跟着起来。" 紧接着是准则 "永远在桌上留点东西"，以及反面——"你因为不爽、或者只想让所有人竞价、让除了你之外没人赚钱， 这种事在这个岛上会被永远记住，而且所有人都知道"（[01:28:05]）。 ⚠️ 数字为自述、未核实，且它是用来支撑那条价值主张的。
• ⚠️ 本页标注一处必须并列的反面：同一个人在 刘洺堉的下属视角里被描述为 torture you to greatness（高 bar、不赛马）。 对外留余地、对内压高 bar，两面都来自一手材料，本库不替他调和。

⚠️ 一条他自己给出的历史类比：拿产能要交技术

• 1996 年 NVIDIA 找代工时，代工产能极少，"你要用别人的 foundry，就得把自己的技术授权给他们" （找 SGS-Thomson 被拒；TSMC 与 UMC 则是 no strings attached）（[01:19:48]）。
• ⚠️⚠️ 他自己把它接到了当下："这让我想起 AI 公司的一些早期交易——你要拿产能， 就得授权出去一些东西。"（[01:19:48]）
• ✅ 本页认为这是本次最该被引用的一条：它给本页长期讨论的"算力换股权 / 循环交易"结构 提供了一个来自上一轮产能稀缺期的先例，而且是由供给方自己点出来的。 ⚠️ 他没有点名任何具体交易，本库不代为对应。

⚠️⚠️ "各自造自己的 5%"的第一次经验检验：一个 $43K/年 SaaS 被 72 支队伍复刻（Latent Space，2026-10-13）

来源：Latent Space / How to kill your SaaS

✅ 本页此前在"自建侵蚀应用价值"这条线上收的材料全是论断或个人样本—— DHH 的"各自造自己的 5%"（自造写作与剪辑工具）、 Diogo Almeida 的"反向 SaaS 末日"、 Michael Lee 的"买软件和请咨询都不够"。 ⚠️⚠️ 这一期第一次把它拿去做了实验，而且实验方自己是买方： 报价 $43,000/年（四场活动）的活动管理软件，公开竞赛让人复刻，72 个人/团队提交， 最终验收交给自己不懂技术的运营团队。

⚠️ 一、买方为什么动手：三条很具体的理由

• 变更请求周期："买现成软件、提变更请求，常常要 3 到 6 个月，或者永远不会真的发出来"（[00:01:01]）。
• ✅ SaaS 是捆绑包，而未用部分不打折："我们大概只用了这家供应商卖给我们的三分之一， 而没用的那些部分没有折扣"（[00:02:01]）。 ⚠️ 本页标注这是 DHH"每个人用的是不同的 5%"那条论断的买方侧对应物， 但口径不同——DHH 说的是功能使用率，这里说的是定价不随使用率调整。
• ⚠️⚠️ ✅ 立场变化附带了一条制度证据，本页认为这比论断本身更有价值： 他说多年来公司创始合同里明文写着"没有他的明确批准，任何人不得自建内部软件"， 理由是"太容易得 not invented here 综合症"。 "今年我改了主意。我认为 agent 终于好到可以让我们拥有个性化软件了，而我正押上真金白银来验证。" （[00:01:01]–[00:02:01]）
• 他对适用范围的限定很重要：标的是"例行的中档业务软件"—— "不是 Salesforce，也不是你一天就能 vibe code 出来的东西，是中间那一档"， 那里"有数十亿美元规模的烂软件正被普通人每天使用"（[00:03:02]）。 ⚠️ 本页据此不把这次结果外推到企业级系统。

⚠️⚠️ 二、他自己给出的反方，本页认为这是本节最该被引用的部分

• ⚠️ 起手句："克隆一个看起来能用的东西，才真的是容易的那部分…… 但还是得有人让它一直跑着。接 bug 报告，凌晨两点去修。"（[00:20:19]） 对称的那句是："你搞坏了它，它就是你的。而很多人也在说反过来的那一面： 你拥有了它，你就能搞坏它。"（[00:20:19]）
• ⚠️ 运营负责人 Kelsey 给的限定条件更实：他们受困于"拼凑效应"（多个系统用 API 彼此 hodge-podge）， "我们懂得足够多，能说出'我们想要更好的'。但我们没有时间。所以我们不能 prompt 那些 agent…… 一旦有什么坏了，我们需要有人能进去修。"（[00:21:19]）
• ⚠️⚠️ ✅ "刷新缓存"那个故事给出了本页认为最可直接引用的一条买方判据（[00:21:19]–[00:22:19]）： 赞助商报 bug → 供应商聊天客服 → 他们的工程师 → 回客服 → 回到她，答复是"你能试试刷新缓存吗？"
• "我不能要求一个在数千万美元公司里的人，因为我们这边搞坏了什么，而去刷新他的缓存。"
• ✅ 归结成判据："所以这里有一个问责（accountability）的层次： 我不在乎你怎么修。我需要它不坏。"
• ⚠️⚠️ 本页标注这条的双向性，因为它同时是买方自建的理由和自建的代价： 它解释了为什么买方会想自己拥有（供应商的问责链条太长）， 也解释了自建之后那条链条只是换到了自己头上——而 Kelsey 明说他们没有时间承担。

⚠️⚠️ 三、成本账，以及那条取舍

• 他给的量级（[00:25:23]–[00:26:23]）：复刻一块中档软件 token 约 $1,000（按订阅算）+ 约 $10,000 的 AI 工程专业度， 对照是原本要付的 $43,000/年。 ⚠️ 口头估算、无明细、且不含他自己点出的维护成本。本页记为量级示意，不作为核算。
• ⚠️⚠️ ✅ 结论句："然后代价是，从此你拥有它——这也意味着你要负责维护它。 这不是一笔不重要的交换。但严格意义上它也不是负面的， 因为 agent 让为你自己团队维护和定制软件，比 12 个月前可行得多。" ✅ 本页标注：他把结论落在"所有权与责任的交换"上，而不是"SaaS 已死"。
• 验收结果：5 个应用达到"我们会真的采用或认真考虑购买"的门槛， 另有 12 个项目里有他们会"偷来用"的想法；2027 年打算跑获胜项目 + 亚军项目的混合（[00:23:21]–[00:25:23]）。
• ⚠️ ✅ 一条关于"谁在写代码"的观察，本页认为它是这条线上的新证据： "我团队里写代码最多的人不是工程师。他们是设计师、是领域专家、是运营人员—— 就是真正在做这件事的那些人，而且他们的 bug 报告和功能请求能拿到分钟级的周转。"（[00:25:23]） ⚠️ 这与 DHH 那条"人必须直接对 agent、不能有人类中介"方向一致，但主体不同—— DHH 讲的是开发者本人，这里是非工程职能直接对 agent。
• ⚠️ 他明确否掉了"省钱"作为主要收益：团队从怀疑变成主动要求， "而且兴奋的不是省钱。省钱是其中一部分，但真正的点是拿省下来的钱去资助 那些我们从来付不起的实际软件改进。"（[00:26:23]–[00:27:23]） ✅ 本页认为这条改写了"SaaS 替代"的收益口径：从削减支出变成重新配置支出。

⚠️ 四、本页对这一节的两条标注

1. ⚠️ 这是自制内容，主讲同时是出题人、奖金提供方、买方与结论叙述者，全期无外部声音。 ✅ 但本页认为其证据结构好于一般自述，有三条可查的理由： 验收交给不懂技术的运营团队、AI 评委与人工评分的背离被主动公布且对他不利 （见 评估与基准）、参赛者的 prompt 与过程文档公开在 GitHub。
2. ⚠️ 标题"How to kill your SaaS"与内容不符，而不符方向是内容更保守—— 他明说克隆是容易的部分、维护责任是真代价，并没有宣布 SaaS 已死。 本页按内容收录，不按标题。

⚠️⚠️ "ROI 不成立就不是一个产品"：一位把同一条判据用过两次的创业者（Lindon Gao，2026-10-15）

来源：张小珺 #154 / Lindon Gao（Dyna Robotics CEO）（人物页：Lindon Gao）

• ✅ 本页认为这一期的价值在于同一条判据有两次独立的应用，而第一次是七八年前在另一个行业。
• ⚠️⚠️ 第一次（无人零售，2017 前后）是一次极彻底的客户访谈（[00:11:03]）：他拿 Amazon Go 式方案去见 150 个超市老板，⚠️⚠️ "没有一个人想要。然后我问他，那如果免费给你，想不想要？他说我也不想要。"
• ⚠️ 理由就是 ROI："性价比不高，我没有 ROI。你让我花几十万帮我省几个收银员——其实我收银员也不光只是做收银的。" ⚠️ 再加上要装修、装修完技术还要维护。
• ⚠️⚠️ 而转做智能购物车之后，真正的产品价值不在省人工，本页认为这条最该被引用（[00:21:08]）：价值在屏幕交互（放进一个零食就推荐另一个、多买两个给 coupon）→ "我们的产品价值核心后面是我们可以提高 average basket size，而不是我们可以省多少人工"，外加广告机会。⚠️ 而他点出这条在无人商店形态里结构上拿不到："你是没有一个屏幕是可以跟你互动。"
• ⚠️⚠️ 而他把同一条判据搬成了对机器人行业的批评（[00:23:09]）："在机器人行业，其实有非常多的公司找到了所谓的 product-market fit，可是发现后面他们需要做的 customization 也好、客户要求的节拍也好，他们是远远达不到客户对机器人本质价值的一个产品形态。" → ⚠️⚠️ "我一直把产品归根到 ROI 上面……我觉得 ROI 不成立就不是一个产品，就没有 product-market fit。"
• ⚠️ 他对"签了一个愿意付钱的客户就是 PMF"这个理解的反驳是飞轮式的："除非说你知道长期我上量之后 ROI 是可以自动成型；可是如果说整个商业飞轮本身没有建起来，是没有办法达到一个 product-market fit。"
• ⚠️⚠️ 而第二次应用是他自己主动放弃一个已上量的场景，本页认为这是本页少见的一条"按自己判据否掉自己产品"的记录（[00:58:39]）：折餐巾场景已有 10 个以上客户、已开始上量，⚠️ 但他选择不继续 scale——"因为解决的问题不够根本：我只做到了任务，我没有把整个工作流给做完。" ⚠️ 而决定性的观察是"机器人本身需要个保姆"（详见 物理 AI 与机器人）。
• ⚠️ 理由是技术债："如果你去 scale 一个不完整的一个产品，那这个产品在未来会对你来说是个累赘。"
• ⚠️⚠️ 而他给的那条 ROI 口径替换本页认为该被长期保存，因为它改的是比较的量纲（[01:10:51]）：先承认 "一个机器人去替代一个员工，在目前的 foundation model 的 constrain 下面其实非常难达到一个人一天的产出量"；⚠️⚠️ "所以我们发现最重要的价值指标不是要做得比人快，而是要做得比人更久"——目标是机器人 24 小时 ≥ 一个人 8 小时。
• ⚠️ 选场景时他明说不看市场大小（[00:49:32]）："当时我其实我没有想说这件事情一定要市场有多大，而是我是否可以把我第一个商业闭环先跑起来；而且这件事情足够难，所以对我模型的本质的提升还是有非常大的空间的。" → "我觉得是一个 technology-market fit 的一个状态。" ⚠️ 三条判据是容错率（"折坏了可以重折"，对比打翻一杯拿铁）、场景隔离、痛点普遍。
• ⚠️⚠️ 而"追求商业闭环会不会太早"这一问他把 revenue 排除掉了（[01:56:23]）："revenue 不是最重要的一件事情，而是我们要把商业闭环的每一个阶段、每一个问题全部都要想通。" ⚠️ 类比是自动驾驶："如果说你不把 San Francisco 每条街跑一遍，你是不知道你的瓶颈到底在哪的。" ⚠️ 而"为什么强调闭环"的答案是反馈："有闭环才有反馈，有反馈才知道你下一步该怎么走。"
• ⚠️ 他对"大模型能力跃迁会不会吞掉场景优化"的回答是会，但与做工作流不冲突（[01:41:12]）：⚠️ 类比 Anthropic——做出 coding agent "不代表他们只是在 coding agent 上好，因为他们的 pre-training 和 post-training 上面也做了足够大的功夫"，所以可以用同样框架把 agent 落地到别的场景。⚠️ 对应到自己：预训练一直最广最泛化，而"下蛋"只在 post-training。

---

⚠️⚠️ agent 怎么付钱：卡组织轨道的答案，以及给 agent 消费红利装的一个时间上界（a16z / VGS，2026-10-15）

来源：a16z / VGS（Terry Angelos，Alex Rampell 主持）

⚠️⚠️ 本节的利益相关是本库收录过最重的一类：主持人自述主导了 a16z 对 VGS 的投资、并与嘉宾同为该公司董事，嘉宾是 VGS 高管，两人还是 20 年前的共同创业伙伴。⚠️ 全部份额与交易量数字均为自述未核实。 ✅ 本页按业务叙述收录，但下面第二、第四两小节的结构性论证不依赖 VGS 的市场地位是否属实。

一、分界：从观众到演员

"过去三个月里，agent 从我称之为观众的东西，变成了演员。因为它们实际上长出了手脚——而手脚就是支付凭证。"（[00:00:00]、[00:12:09]）

✅ 他给的判据不是模型能力，而是交付物形态：agent 给儿子找钢琴老师那次是找人、反问、核对日程、订下第一节课，而不是给一串推荐——"这比又往我门口扔一个任务要有用无限倍。"（[00:12:09]–[00:13:09]）⚠️ 本页认为这条与 a16z 个人 agent 实测那期"proactivity 才是护城河" 是同一分界的两种说法，但本期把它钉在了一个具体的技术条件上（有没有支付凭证）。

由此他给出「钱包战争」：每个钱包都在抢着接到 agent 上，而 agent 要的是已有凭证的消费者数量 + 商户覆盖广度（[00:13:09]）。⚠️ 自述的三家规模（未核实）：Stripe Link 约 3 亿账户 / 约 100 万商户；Shop Pay 量级相近 / 约 170 万商户；PayPal 4 亿以上账户 / 约 3000 万商户。

⚠️ 两人明确说这是一场打了十五年的旧战争的第三层（[00:14:09]–[00:16:09]）：第一层是发卡行争"钱包里的第一张卡"（他在 Visa 任内见过发卡行为在 Uber、Airbnb 上成为默认卡付出"数千万美元"），第二层是钱包争结账页上那个按钮（主持人说结账页"长得有点像 NASCAR"）。agentic commerce 是加了第三层，不是替换前两层。

二、⚠️⚠️ 那把吊灯：本页第一份带失败细节的 agentic commerce 实地记录

（[00:19:12]–[00:25:14]）⚠️ 本页此前关于 agentic commerce 的材料全是前瞻判断。 这是一次成功的购买里埋了两处制度断裂的完整案例：

agent 在 Walmart 找到了他要的户外灯，但 Stripe Link 没有 Walmart 连接，于是 Stripe 签发一张 Visa 一次性虚拟卡代他买下，再作为第二笔交易向他收款（他类比 DoorDash）。东西到了、金额对了。然后：

1. ⚠️⚠️ 退单找不到商户：银行账单上只有 Stripe，没有 Walmart。他讲的测试期案例是全期最有说服力的细节——有人为此致电 Amex，Amex 给的联系电话直接打到了一位 Stripe 工程师的手机上，因为 Stripe 的架构本就不是为处理退单而设的。
2. ⚠️ 商户拿不回客户关系：Walmart 事后邀他订 Walmart Plus 并抵扣配送费，交易失败，因为卡是一次性卡。他的解读是规范层的："Walmart 花了很多钱才把我变成客户，他们就有权利向上销售、交叉销售。"

✅ 本页认为第二条比第一条更重要：它说明 agent 代付切断的不只是风险归属，而是商户侧的获客经济学——⚠️ 而商户配不配合 agent，恰恰取决于这笔账。这条直接解释了第四小节里 Amazon 的行为。

主持人给的制度层解读（[00:22:14]–[00:23:14]）："Visa 和 MasterCard 之所以有这么坚不可摧的位置，正是因为它们居间一切、并且制定规则——而退单非常重要。" ⚠️ 他顺手用这条切了加密支付：无记名工具，付出去就拿不回来。

三、卡组织的答案（agentic token），以及它与稳定币路线的对读

（[00:23:14]–[00:26:16]、[00:32:20]–[00:33:20]）机制：钱包把凭证安全交给 agent、agent 再交给商户，而被扣款的仍是消费者本人那张卡。要素是 agent 先在 Visa / MasterCard / Amex 注册、交易前声明上下文与额度（"我是经过验证的 agent，我花不超过 100 美元"）。✅ 它针对的正是上面两处断裂。 ⚠️ 自述采用量："三个月前是零……现在我们每周做几百万枚"，VGS 自称最大 provisioner。

	对"agent 怎么付钱"的答案	理由	代价
⚠️ 本期（卡组织轨道）	agentic token	退单与争议裁决是信任机制，不能丢	需注册、需卡组织居间；⚠️ 本期未讨论费率下限
⚠️ Coinbase / Brian Armstrong，2026-09-10	稳定币 + x402，绕开卡轨道	⚠️ 卡组织最低约 30 美分固定费 + 百分比，低于 1 美元的交易结构上不成立；而他们看到的交易约 76% 低于 30 美分	⚠️ 无记名，没有退单

⚠️⚠️ 本页的读法（综合，不应归给任何人）：两条路线在回答不同场景的问题，而双方都没说这一点。 Coinbase 的数据讲的是 agent 向 agent / API 买信息的微支付；本期讲的全部是 agent 替人买实体商品与服务（吊灯、酒店、钢琴课，数十到数百美元）。✅ 前者上退单几乎无意义而费率下限是死结，后者上费率可忽略而退单是刚需。本页因此建议按交易金额分段引用，不判定谁对。

配套的一条结构观察（[00:28:16]–[00:29:18]）："金库正在从单人游戏变成多人游戏，而这让它们值钱得多。" ⚠️ 他举的例子之一是前沿实验室——原本保管卡只为收订阅费（单人），现在 agent 要用同一张凭证付款（多人）。

四、⚠️ "抵制 agent 可以是理性的"：本页第一条给出收入结构理由的表述

（[00:35:23]–[00:37:28]）Amazon 封锁了某个消费侧 agent。主持人的解释是Amazon 实质是广告公司——"你没法变现 agent 的眼球，因为 agent 没有眼球。" ⚠️⚠️ 而他主动加的限定是本页最该引用的地方：

"我觉得说'任何对抗 agent 的人都是卢德分子、都完蛋了'是一种过度简化。Amazon 有理由，有真实的财务理由去对抗——因为广告比单纯卖货赚钱得多。"

✅ 本页此前关于在位者抵制 agent 的材料多半默认抵制是短视的（见 在位者不是在收手，是被按住了）。这是第一条明说抵制可以是理性的、并给出具体收入结构理由的表述。

嘉宾的三类商户分法："Amazon 那边也许是恐惧，Walmart 那边也许是贪婪，而 SMB 那边也许是别无选择。"（Walmart 目前没封锁——"如果你是地球上最大的零售商之一、有最好的最后一公里配送，这对你全是好事"；Shopify 伞下的小商家把这当关键新渠道。）

⚠️ 他给的结局前例是开放银行（Plaid vs Chase）（[00:37:28]–[00:39:29]）：不是任一方全胜，是漫长的谈判式和解——"你确实有权拿到这些信息，但只能走我的 API。而我的 API 限制给你多少信息、把账户 token 化，而且我可能会为此收你一笔钱。" ✅ 他给的区分本页认为很准确：Chase 那次主要是安全与控制之争；Amazon 这次是"我是一个有观点的 API"——它对你该买什么有意见，而你的 agent 也有意见。

五、⚠️⚠️ 不对称性论证：本页第一条给 agent 消费红利装时间上界的材料

（[00:43:32]–[00:45:34]）✅ 主持人给的，与被访公司业务无关。

• 机制："高价格的解药就是高价格。如果因为你得早上七点打电话所以很难订到餐厅位子，那么现在每个人都有一个七点打电话的工具了。" 头五个拿到工具的人有了一件了不起的工具，最后五个人面对的是"太挤了，没人去那儿了"。
• ⚠️⚠️ 定性："现在这些早期的胜利——'它帮我省了钱、它办成了这件事'——都是因为不对称性。极少数人有这个工具，而商户或者对手方根本不知道发生了什么。"
• ⚠️ 反向推论已经在发生：他预期对手方会拒绝 agent（"我等着有一天 Comcast 说：让 Alex 来接电话，我不会把东西给他的 agent"），⚠️ 而他自述 Comcast 已按 IP 封锁了他用的 agent，他改用 Codex / Astra 在自己电脑上登录（[00:44:33]）。✅ 本页标注：封锁把 agent 从 API 层逼回了像素层——可与 Greg Brockman 对 computer use 的论证 并读。
• 落点："你没法把它无限放大，因为世界会适应。"

⚠️ 嘉宾给的同向第二条机制，本页认为可直接迁移到支付以外的行业（[00:45:34]–[00:46:35]）：卡的积分之所以存在，是因为头条奖励品类之外你还会在别处刷；如果 agent 居间所有交易、只刷拿得到积分的那张卡，整个积分生态就垮了。

"任何带 breakage 模型的东西，都会开始垮掉。"

（breakage = 按"一部分权益不会被兑现"来定价：过期积分、忘记取消的订阅、没人读的条款。）✅ 他的落点是中性的："然后我们就得有新的条款。也许更好，也许更糟，但肯定会不一样。"

六、⚠️ 责任归属：三步交易框架的第三步在 agent 上无解

（[00:29:18]–[00:35:23]）旧世界的三步是卡是不是真的 / 对方是不是卡主 / 你神志清醒到可以做这笔交易吗（第三步他说"你大概只在拉斯维加斯见得到"）。映射到 agent：第一步"已解决"，第二步由 agent 注册机制回答，⚠️⚠️ 第三步即"agent 有没有产生幻觉"——嘉宾明说"这部分我认为我们还没有完全搞清楚"。

• 他举的实例：让 agent 订限价 500 美元的酒店。卡组织能验证"这是你的 agent、这是你的指令"，新标准也要求 agent 给出上下文——⚠️ 但"我很难知道你有没有把日期订对"。 预期是"很可能 agent 得承担一部分责任"。
• 主持人把它推到更硬的地方：商户的立场是"你把权限委托给了一个 AI agent、或者你的人类助理、或者你配偶——我不管。我在收钱，最后不能有借口。" ⚠️ 他把它接到支付业既有的 friendly fraud 概念上（消费者并非没收到服务，而是因为花得太难堪而否认交易），并指出旧世界的道德风险：小额交易银行往往懒得争，直接退给消费者。
• ✅ 他给的一个可能解（推测，非已发生）：如果两个 agent 在竞争你的生意，承担责任本身可以成为卖点。

⚠️⚠️ "你说你能省我们 90% 的 Datadog 账单？那才是我想买的"：AI 排障的阻力是定价而不是技术（a16z / Grepr，2026-10-16）

来源：a16z / 为什么 AI 能写代码却还不能让它持续运行（Jad Naous / Grepr CEO × Martin Casado）

✅ 本页此前关于 AI 应用变现的材料大多在讨论定价模式（按座位、按结果、按 token）。这一条讲的是更前面一步：有些 AI 价值根本无法被买方换算成美元，而同一个产品里的降本部分可以——所以买方只买后者。

那个故事（[00:56:39]–[00:57:39]，由嘉宾当作"好笑的故事"讲）

"我们造了这个 AI 东西，去找客户：我们帮客户变得更可靠。他们说：太好了，我们想跟你聊。上了电话我们说：这个系统帮你优化数据、帮你降低成本，然后让你变得更可靠，因为现在我们能在问题撞成事故之前找到并解决它们。"

"他们说：等等等等等等，往回倒。你刚说你能省我们 90% 的 Datadog 账单？" —— "那才是我想买的东西。" —— "但那个 AI 的东西呢？" —— "不不不不。那（降本）才是我们现在想买的。"

✅ 两人给的解释，本页认为是干净的一组

• ⚠️⚠️ Casado 的概括："代码这块人们就是懂——他们'哦，它就是能用'。而在运维侧、或者任何超出那个范围的东西，很难理解它的实际价值、很难给它标一个美元数、很难让人付钱出门。" —— 嘉宾："100%。"
• ✅ 他给的理由很干净："从编码的角度，它字面上就是工程生产力，而那是这些账目上最高的科目之一。所以非常直接。" ✅ 即 coding agent 好卖，不是因为它更神奇，而是因为它对着一个已经存在的、很大的预算科目。
• ⚠️ 而嘉宾尝试给运维找对应科目时自己没说服自己："你也可以把它想成 SRE 生产力，或者是你的业务宕掉——也许你能救下一次事故，那个成本是多少。" 然后他自己接 "我不知道。这很怪。" ✅ 本页照录这处没说完的论证，因为它本身就是论点：事故的期望成本是可以算的，但买方不按那个口径买。
• 两人的阶段判断：Casado "代码之所以那么神奇，是因为它太好了，而且没人以为那能发生。而运维这块现在还很早" —— 嘉宾 "还很早。"
• ⚠️ 同期的 VC 侧印证（[00:44:28]）："我会从一个看这些公司的 VC 的角度告诉你：那些试图攻运维的公司日子很难过。" ✅ 嘉宾当场"我 100% 同意"。 ⚠️ 本页标注：两人都把原因主要归到技术难度上，而这个故事说明至少有一部分原因在定价——期内没人把这两条分开，这条区分是本页的。

⚠️ 配套的总框架：经济均衡决定什么 work

（[00:52:35]–[00:56:39]）Casado 的三段式，本页认为可以直接用作本页的一个分类器：

• "AI 会在受约束的域里像野火一样继续燃烧——那些解空间的分布和训练集的分布相同的地方。" 他举的例子：代码的语法分布 = 训练集分布；生成图像的分布 = 训练集分布。
• ⚠️⚠️ "而那些解的分布是自然世界的域，我认为会难得多、久得多，而且经济等价性会困难得多。"
• ✅ 他给的量级对照，本页认为最该被引用（[00:53:37]）："我记得 Sebastian Thrun 赢 DARPA Grand Challenge 的时候我在斯坦福……我们当时'万岁，自动驾驶就在拐角了'。结果花了 20 年和 1700 亿美元投资，才到达比 Uber 更差的单位经济。" ⚠️ 那 1700 亿与"比 Uber 更差"均为口述，本库未核实。
• 他的定位："我把 AI 看成一个通用工具……一个通用函数逼近器。而经济均衡会决定什么 work、什么不 work。"
• ✅ 以及一条可操作的推论（[00:56:39]）："你能影响那个均衡函数的一个办法，就是约束环境、约束系统。" 两人在这点上完全一致——嘉宾先提出 "在某些情况下，我们其实倾向于改变世界，来适配我们实际能做到的东西"，Casado "100%。我认为这就是机器人学的故事"，并举自动化仓库："唯一成功的那个是——你知道吗，干脆把整个东西全自动化。"
• ⚠️ 他的收尾："我们现在处在这个元经济均衡的飞轮里：我们在用一个超级通用但非常低效的过程，去优化一个人们看重的解集。而听着，我们有 30 年要走，会有大量价值被创造出来。"

⚠️ 顺带：一位 a16z GP 对自身行业的自我削弱

（[00:49:31]–[00:51:34]，由嘉宾反问"VC 工作有多少能被 AI 驱动"引出）

• 他的 VC 模型分两条：① ⚠️ "我有一个信念：市场其实相当有效。所以这不是去找那家没人找到的公司——我觉得大家都能找到对的公司"；② "技术是正向的，我对所有技术都乐观，而且我不担心 TAM。"
• ✅ 所以他认为关键是 access："是融资、是赢下 deal 的能力、是在那之后加价值的能力"（他举的例子是帮招大高管）→ "所以你必须是个人才能做这件事，因为那才是真正的工作。"
• ⚠️⚠️ 而分析这一块他让得很彻底："我见过 AI 做的分析和我合作过的任何分析师一样好、或者更好。所以分析那部分，它们很棒。但我觉得这更多是对 VC 分析能力的一次控诉，而不是说模型多强大。我就是觉得这全都是一场 kabuki show。"
• ✅ 他把自己的答案定性为"几乎算一个技术性细节"——因为他的模型本来就不把分析当作价值来源。⚠️ 本页标注：这条让步的力度取决于他那个"市场有效"的前提，而他没有为那个前提给证据。

⚠️⚠️ "压估值换融资额"、CPM→CPC/CPA，以及"私募市场吞掉了公开市场"（All-In × Ben Horowitz，2026-10-17）

来源：All-In 2026-10-17（主播团，嘉宾 Ben Horowitz；⚠️ Friedberg 缺席）

⚠️⚠️ 本节全部 Anthropic 财务数字都是从投资者日流出的二手估计，参会者签了 NDA，节目内两次主动声明不可全信（[00:46:29]、[00:51:35]）。本页不作为事实收录，只记三人在这些数字之上给出的框架。流出口径为：Q3 收入 168 亿美元、NRR 900%、自由现金流转正、调整后毛利率 85% / 营业利润率 11%（⚠️ 调整口径未披露）、ARR 估计 700 亿–1000 亿以上、目标估值约 2 万亿、30 倍市销率、计划感恩节前后上市。

⚠️⚠️ Chamath：把估值当成换取融资额的筹码（本页最反直觉的一条定价论证）

• 他先与看空切开（[00:53:37]）："我的评论不是因为我对这家公司负面。我觉得那个收入数字令人窒息……一个三年的公司一个季度 168 亿，这太荒谬了。你从没见过这种东西。我不知道该怎么消化它。"
• ⚠️⚠️ 主张（[00:54:37]–[00:56:40]）："他们应该把价格定到能清掉市场，拿到 2000 亿美元。我对这个数字非常具体。" 理想值 2500 亿。而他把两者明确做成权衡："他们能在 1.7、1.8 或 1.9 万亿上融到 800 亿吗？我觉得轻松。能融到 1000 亿吗？也许有点勉强。1500 亿——我觉得你得回到 1.5 万亿。" 落点最直接："我不认为你能在两万亿上融到四分之一万亿。我认为你能在一万亿上融到四分之一万亿。"
• 理由是时间不对称（[00:55:38]）："如果 Anthropic 要穿过并活过一次最终会来的回调，我认为他们今天手里有 2000 到 2500 亿，远好过在 1.9 或 2 万亿上敲钟拿 800 亿、然后报一个要六个月的 mixed shelf、指望那时市场还配合。未来的风险比今天更多。" "那为什么要去承担那个风险？"
• ⚠️⚠️ 而真正可迁移的是他把目标函数换掉了（[00:57:41]–[00:58:41]）："这个数必须从算力倒推，才能撑过一个三到五年的窗口"——2000 亿 → "一条通往 5 到 10 吉瓦的路，而且你能完全靠自己、用 CoreWeave 那类的魔法盒子融掉它"；反面是"在 500、600、700 亿上，他们可能活不过未来两三年现货市场定价的后果"，"然后他们就得融一轮 down round"。✅ 口号式总结："为算力的确定性做优化，其它一切都会自己解决。"
• ✅ 本页标注：这条与他长期的 token ROI 怀疑论方向不同——这一次他在建议这家公司怎么活下来，而不是论证它会崩；两者不矛盾（看空终值 + 建议厚资本金是自洽的），但读者不应把它当成他改口。
• Ben Horowitz 的回应：同意方向，拒签数字（[00:56:40]–[00:57:41]）："作为一个差点死过 17 次、因为快要把现金烧光的前 CEO……我大体同意那个判断，也就是最可能让这家公司停下来的东西就是融资风险，那为什么要承担它？" ⚠️ 但他明确拒绝给数字："安全的钱是多少，总是有点见于观者……我了解得不够深，没法说该是 2500 亿还是 1500 亿。" ⚠️ 他另给一条未核实的激励观察："创始人们不在乎。他们每人只拥有 2.5% 左右……他们看起来不在乎钱。"

⚠️⚠️ CPM → CPC/CPA：本页第一条给 token 定价范式装上演化路径的材料

• 类比（Chamath，[00:54:37]）："我们实际上就像在互联网媒体世界的 1999、2000 年，所有人都在按 CPM 工作。那时是每千次广告成本，现在是每百万输入 token 成本。我们会走到 CPC 和 CPA。"
• 机制：Google 发明并规模化 AdWords/AdSense 后市场爆炸——"因为我们从买一千个广告变成了只买一个结果"。落到当下："现在我们买一百万个 token。我们最终会走到买一个结果。而我认为那件事发生时，这个市场会彻底疯掉。"
• ✅ 本页认为这是他本期最可迁移的一条，而且与定价之争无关：它给出的是计价单位从投入转向结果这一结构性预测，⚠️ 但他没给时间窗、也没说谁先做得到。检验点是前沿厂商何时出现以成功结果（而非 token 数）计价的主力产品线；可与本页已有的 agent 支付轨道材料 对照跟踪，那边给的是结算基础设施，这边给的是计价单位。
• ✅ 他同段承认对手方做对了事："他们在做那个苦活，OpenAI 也一样——把价格曲线往下走，这样他们就越来越不受开源威胁。" ⚠️ 但保留一条："我仍然认为 token 侧还有一堆蚕食（cannibalization）必须发生。"

⚠️⚠️ Ben Horowitz：私募市场吞掉了公开市场（本页此前完全没有的一层）

• 观察（[00:48:33]–[00:49:34]）："我们管它叫风险投资，但风险投资已经吞掉了过去属于公开市场的很大一部分。" 所以对两万亿级公司谈"你的投资人也投了你的竞争对手"不再成立——"它们不再是轮次制的公司了"，"当你在按几百亿融资的时候，你不在乎钱从哪来，只要它是绿的"。
• ⚠️ 他的归因与价值判断："我们在 90 年代末和 2000 年代初做了很多监管动作，真的让公开市场对公司来说不那么有吸引力，于是私募市场长出来吸收了那块业务——我认为这对美国非常糟糕，它扩大了财富差距。" ✅ 但他接受现状："但事情就是这样。"
• ✅ 本页标注：这条把"谁能分到 AI 的资本增值"从公司层面提到了市场结构层面，与本页已有的"散户只能通过在位者间接持有 AI"一类材料同向，而这次是由一位头部 GP 自己说出的，并且他把它定性为政策造成的损失。

需求侧：为什么这两个 IPO"不缺需求"

• ⚠️ Ben Horowitz 的威胁论（[00:27:20]）："你在股权市场里持有的任何东西，OpenAI 和 Anthropic 都是威胁……几乎没有什么你能放进组合里的东西不被这两家公司威胁"，"所以你必须拥有它们"。
• ✅ Sacks 把它命名为防御性对冲并给了具体映射（[00:28:20]）：你拥有一家靠医疗体系不透明活着的公司、或一堆按 SaaS 租出去的工作流，这两家就是威胁，"所以至少这是在给你的组合做防御性配置"；供给侧补一句："没什么别的可投的 AI 标的能让你做多 AI，除了这两家公司，所以它们会拿到绝大部分的兴趣。"
• ⚠️⚠️ "算力双寡头"而不是"token 双寡头"（本页该长期保留的一条区分）（[00:59:41]）："按 SemiAnalysis 的说法，Anthropic 和 OpenAI 正在拿走未来一年全世界预计立起来的全部算力的 60%……那是一个双寡头。" ✅ 而紧跟的限定才是关键："那是基于算力的。它是一个算力双寡头，在这个时点上还不是一个 token 双寡头。" ⚠️ 60% 本库未核实，可与 SemiAnalysis 侧材料 对照。Sacks 的口径不同（按收入与市场份额算双寡头成立），⚠️ 但他自己给了反面证据（Meta 新模型"非常接近"、Google"在接近"、Elon"在接近"），并把领先判断的依据放在"我们没看到他们实验室里有什么……或者至少那是他们对潜在投资人吹的"——这最后半句是他自己给论据打的折扣。

⚠️ "软件会不会被通缩掉"：一次三方交锋

• Jason 的问题（本页记为需求侧风险的一种表述）（[00:30:21]–[00:31:22]）：一周内三个例子——反编译 Photoshop 价值归零、五美元做出平台级游戏、极便宜的 ElevenLabs 竞品，加上 Elon 的"编排层路由到最好的模型，开源不开源都行"。落点："这种商品化、以及东西被飞快抽掉 90% 价值的速度，对我们这个行业是多大的逆风？" / "这让我怀疑未来软件的毛利是什么。"
• Sacks：这不是零和，是新品类（[00:32:23]–[00:33:24]）："我们希望所有人都能造软件，特别是定制软件——这真的是一个新品类"；机制是过去只有大众市场才值得写软件（"Photoshop 之所以成功，是因为有很多平面设计师需要用它"）。✅ 他把 agent 收进同一定义："某种意义上，agent 就是这个——它们是为解决某个特定任务的定制软件程序。" ⚠️ 被 Jason 追击后承认"或许会有一些对既有软件的替代"，但坚持增量更大。
• ⚠️⚠️ Ben Horowitz 的版本更苛刻，本页认为也更可用（[00:35:24]–[00:37:24]）："软件价格肯定会下降，但软件的量会上去很多很多。这是软件的 Jevons 悖论。" 而创业公司的解法是产品必须不只是软件——ElevenLabs 做了授权协议（"Burt Reynolds 会给你读一本书"）、模型在非常细微的情形上训练（电影配音"好得像演员在用另一种语言表演"）。✅ 他那句最锋利的类比："写软件本身不会再比出版一本杂志更有价值。" 推论：产品必须变得好得多，"而价值将在那里"。
• Sacks 补的护城河清单（[00:37:24]）：数据护城河、垂类用户反馈循环（模型针对某垂类 → 拿到用户与反馈 → 越用越锐利、越便宜、越定制），范式例子是 Harvey。
• ✅ 本页标注：这一节与 Chamath "软件里的 IP 已经归零"（2026-10-10） 是同一问题上的两个方向——Chamath 说 IP 价值消失，Ben Horowitz 说价值从"写软件"迁移到"软件之外的东西"（授权、数据、细分场景的模型质量）。两人都认为写代码本身不再值钱；⚠️ 分歧在于是否还存在可防御的落点。本页并列不裁决。

Dylan Field（美，Figma CEO，2026-10）：被点名"已死"的一方怎么答

来源：All-In 2026-10-19（嘉宾 Dylan Field）

• ⚠️⚠️ "很容易把模型的进步误当成产品的进步。"（[00:15:05]）他把模型公司做产品的难点拆成一个还没有答案的问题——"产品到底是什么？是模型？是上面那层 UI？还是两者的某种混合？如果是混合，权重怎么分？" ✅ 本页认为这是本库目前对"价值落在哪一层"这个老问题最简洁的一次表述，而且它来自被威胁的一方而不是分析师。
• 他给的产品侧时间成本（[00:15:05]–[00:16:05]）：专业工具"花了非常长时间才把用户工作流做对"，像乐器一样"你得把手感做对，把机械结构做对"；所以竞品"不是一上来就爆红，这件事其实并不意外"。他对该竞品明确不表态（"既不看多也不看空"）。
• 事实线与数字（[00:12:04]–[00:14:05]）：Anthropic 单独发布 Claude Design（Figma 与其仅有 MCP 连接器层面的合作），市场反应是"Figma 死了"；而 Figma 当季同比增长 48%、增速还在加快，他说影响"没有到任何显著的程度"。⚠️ 本页记为他本人确认的转述口径，未独立核实；他与 Anthropic 存在直接竞争关系。
• ✅ SaaS-pocalypse 的非二元化（[00:18:07]）："'所有 SaaS 公司都没事'不成立，'所有 SaaS 公司都死了'也不成立。" 他给的活法是尽可能专门化到一群目标用户上（[00:17:07]）。
• ⚠️⚠️ Cursor 作为"没有自己的模型也能赢"的例子（[00:17:07]）："按理说 Cursor 不该长成那样——所有前沿实验室都带着自己的模型在追它，而 Cursor 当时连自己的模型都还没有。但 Cursor 真的死磕用户、看到了自己的角落。" 他的预测是这个例子会在很多类型的公司身上重复。
• 差异化压力的供需两条曲线（[00:21:11]）：软件供给在走指数（App Store 数字即是），而 app 的使用与占用是平的。 推论是 "不是代码——现在谁都能写代码，那已经不是难的部分了。所以设计是新的代码，它是上面那一层。"（[00:22:12]）
• ✅ 本页标注这条与 同期 All-In 2026-10-17 的"软件会不会被通缩掉"三方交锋 是同一问题的不同落点：Sacks 说价值在新品类（定制软件 / agent），Ben Horowitz 说价值迁到软件之外（授权、数据、细分场景的模型质量），Dylan 说价值迁到软件之内的更上一层（设计、品牌、观点）。⚠️ 三者不互斥，但只有 Dylan 这条附带了可检验的需求侧数据（app 数量指数 vs 使用平坦）。本页并列不裁决。

Jean-Denis（美，Town 创始人兼 CEO，2026-10）："pre-AI 它是个好生意，post-AI 它不是风投级生意"

来源：a16z 2026-10-19（嘉宾 Jean-Denis / Town，Alex Rampell 主持） ⚠️⚠️ 主持人是嘉宾公司的投资人与重度用户，本页只取可独立检验的机制与框架。

• ⚠️⚠️ 本页第一份"创始人主动砍掉已有收入产品线"的一手复盘（[00:04:04]）：SMB 报税产品第一年收入"略低于一百万美元"、第二年预计 250 万到 300 万，而判决是——"如果我把这些数字给 pre-AI 的你看，你会说这完全说得通。但 post-AI，这就不会是一家风投级的公司了。" ✅ 本页标注这条的意义不在数字，而在于门槛本身被移动了：同一组现金流在两个时代被归入不同的资产类别。
• ⚠️⚠️ 他说"甚至更重要"的第二条理由——在位者的时钟（[00:04:04]）：在位者会用同一项技术为存量客户把这件事自动化，速度快过新进入者抢份额。 通用形式是——"新进入者的优势是跑得更快、能做不同的产品、能用不同的 go-to-market；但墙上有个钟在走：在有分发优势的在位者追上并抄得足够有效之前，你能多快拿到真正的口碑网络效应和市场渗透？" ✅ 本页标注这正是 Alex Rampell 自己的"分发 vs 创新之争" 的创业者侧版本，而 AI 做的事是同时缩短双方的时钟、不改变分发优势。
• ⚠️ 他拆出的一条不依赖 AI 的结构约束（[00:05:06]）：销售周期的频率决定了扩张上限——税一年只能卖一次、不可能是 DAU 工具、口碑窗口与购买窗口错位（"人们很少炫耀自己的报税体验，而且等你开始夸的时候，通常也不是别人在找新会计的时候"）。同构旁证是 EdTech 一年只有两个销售窗口。
• ⚠️⚠️ "软件的价值单元从 app 变成了 computer"（[00:29:20]）："从一个 app 变成了任何人类能做的事，而人类用一台电脑几乎什么都能做。所以我们在把 app 这一层整个抽象掉，我认为 app 层的价值会下降。" ✅ 本页上调权重的理由是位置——这句出自 app 层创业者，不是基础设施方的利益性断言；与 Benedict Evans 的"价值上移" 方向相反（Evans 说价值往 app 走，这里说 app 层会被抽掉），本页并列不裁决，但指出两人谈的"app"不是同一个粒度。
• ⚠️⚠️ app 层对抗模型层的三条防线（本页此前最薄的一块）（[00:35:22]–[00:39:23]）。✅ 他先自己否掉了弱答案（"OpenAI、Anthropic、Google 的某个人明天醒来就可以决定去做"）：
• 模型中立——话术是"你知道未来 3 到 5 年最好的模型提供方是谁吗？"；现成证据是"有些公司两年前选了 OpenAI，然后 Anthropic 在写代码上好了 12 个月，那些公司不得不两家都用"；粒度切到语音 / 视频 / slides 各自谁更好。
• ⚠️⚠️ 把 context 当作企业新资产类别，并把判据设在对自己不利的一侧——"你应该拥有到——如果哪天有个比 Town 更好的方案，你切过去只要一天。" ✅ "我承担的风险就是我客户的切换成本更低。但那正是我的卖点。"
• 不拿客户数据训练——"如果你的经营方式进了别人的权重、而那个人又转卖给别人，那基本等于你把自己成功的原因卖给了别人。"
• ⚠️ 对实验室 FDE 路线的预测（有方向无时间窗，本页记为待检验）（[00:32:21]–[00:33:22]）："如果你一年花五百万美元请 OpenAI 的 FDE，现在看起来确实很好。但随着模型变好，FDE 这条路会变得糟糕得多。" 配一条动机指控（[00:38:23]）："任何派 FDE 给你造软件的人，实际上想做的是让你以后更难切走。"
• ⚠️ Rampell 的 "Goldilocks zone of relevance"（[00:42:24]–[00:44:25]）：收入一万亿 → 实验室的头号目标；收入零 → 没人在乎。写代码掉在了错误一侧——"你不可能不在写代码这个市场里。" 他的解释是"OpenAI 有 50 个赌注，而 Anthropic 全押了代码，结果非常好"，所以医疗、法律、代码这类大赌注实验室几乎必须下，横向铺开的反而更难让它们投入。⚠️ 嘉宾只部分同意并给了时间窗："'AI 为企业多做事'这个市场比写代码的市场大……我认为 12 个月后会动，而且会动得非常非常快。"（本页记为 2027-10 前后的可检验预测。）
• ⚠️⚠️ 收尾命题：供给聚合贬值（[01:00:35]–[01:01:35]）："供给聚合比过去不值钱多了。它过去非常值钱，是因为人类注意力有限；而现在供给聚合不那么值钱了，因为人类注意力可以被自动化掉。" 配套推演（⚠️ 推演不是事实）：Amazon 不该封杀个人 agent，"可能存在一家比 Amazon 更大的公司——一个 headless Amazon"，它的反制应该是自己做一个个人 agent 而不是拦别人的。
• ⚠️⚠️ "breakage 模型已死"的第二次出现（[01:00:35]）：两人就 Amex / Chase 权益会被自动优化到用尽达成一致，Rampell 下结论 "breakage 模型已经死了"。✅ 本页标注这是同一频道、同一主持人、四天之内的第二次（第一次见 VGS 那期），⚠️ 而两期都没有给出任何量化——本页记为一条正在频道内成形的共识叙事，而不是被证据支持的结论。

⚠️ Evan Conrad（美，SF Compute，2026-10）：一条方向性断言与"资产负债表退出"作为产品

来源：Latent Space 2026-10-20（嘉宾 Evan Conrad）

• ⚠️⚠️ 量级对照（[00:19:11]）："现在你拿一块 B300 去跑推理，大概能挣每小时 40 美元左右"（"基本上任何模型"），"那是按 100% 利用率算的；只有 50% 利用率就是 25 美元。与此同时，你能用每小时 5 到 6 美元买到 B300。这两个数字里必须有一个要变。" 主持人的评语："这是个巨大的超额收费。"
• ⚠️⚠️ 本页处理：记录量级与论证，不采信具体数值。 ① 口头自述、无方法学、无时间窗、无模型与并发假设；② "挣 40 美元"是卖 token 的收入口径，与"5 到 6 美元"的租金口径之间还隔着权重成本、工程、运维与闲置，不能直接相减；③ 说话人是算力市场运营方，"租金相对便宜"对他有利。
• ✅ 保留它的理由：它给出一个可被后续材料证伪的方向——要么推理售价下行，要么算力租金上行。本页据此设一个检验点。
• ⚠️⚠️ "资产负债表退出"被直接做成了卖点（[00:35:19]–[00:36:19]）："如果结果证明那是个坏主意、你需要从那个集群里出来，我们可以立刻把那个集群卖给别人，让它不落在你的资产负债表上。" ✅ 本页标注这是本页全部算力金融材料里第一条把"退出"而不是"收益"当作核心价值主张的，详见 AI 基础设施。

⚠️ Karan Singhal（美，OpenAI 健康 AI 负责人，2026-10）：成本曲线、最后一英里，以及一次厂商主动的降温

来源：a16z 2026-10-20（嘉宾 Karan Singhal，Jay Rugani 主持） ⚠️⚠️ 当事方叙述，基准为自家发布自家评测；主持人是同赛道投资人，全程无一次追问。

• ⚠️ 成本曲线的那条自评（[00:42:24]–[00:43:25]）：GPT-6 Luna 在 HealthBench Professional 上胜过 5.6 Soul——"字面意义上一个月前我们最好的模型"——而它便宜 34 倍。 由此的命题是 "在给定的健康智能水平上，健康智能的成本会暴跌"，而门槛是"临床医生和患者觉得可以在照护过程里信任它的那个智能水平"。⚠️ 本页记录量级、不作为跨厂商可比证据；✅ 但"同一基准上一个月迭代带来 34 倍成本下降"可被后续发布证伪，设为检验点。
• ⚠️⚠️ 而他对宏观问题主动降了温，本页认为这是本期最该被记下的一句（[00:44:26]）：被问到 5.3 万亿美元的美国医疗支出时——"我不认为健康智能已经对你描述的这个问题产生了宏观影响。" 他认为有空间的是慢病管理、文书、行政与后台工作流，✅ 但明确说这不会自动发生："我不认为那只靠让健康智能变充裕就会发生。它发生在整合、工作流、部署和规模化上……但我认为它是让那个未来发生的前提条件。"
• ✅ 本页标注：一位厂商业务负责人主动把自己的产品定位成"必要但不充分"，在本页收录的厂商材料里不常见。
• ✅ 价值落点被他明确让给了伙伴（[00:30:19]–[00:32:20]、[00:47:28]）："不存在任何一家公司提供全部医疗照护的未来"；他们的定位是把照护的"最后一英里"做到对伙伴而言只剩"最后 100 米"，而 OpenAI 独有的是入口（"当你健康的四分卫"）。"我不认为我们会去做你提到的那些事。" 给创业者的建议是 "押注模型会变得更强"。
• ⚠️ 本页标注这与 Jean-Denis 的"实验室在造和 Rogo、Harvey 竞争的垂直公司" 是同一问题上来自两侧的说法：一侧说实验室会往上走，一侧（实验室自己）说不会。本页并列不裁决，但指出两者并不直接矛盾——"不自己交付医疗照护"与"造垂直产品"可以同时为真。
• ⚠️⚠️ 支付方与提供方的 AI 军备竞赛，本页认为是本期最该被质疑的一段（[00:45:27]–[00:46:28]）：主持人引《纽约时报》报道与一份 Blue Cross Blue Shield Association 分析（⚠️ 称开单与文书机器人把支出推高"十亿美元之类"，数字含糊、本页不采信）；他的回答是把它称作"短期的干扰"，解法是双方握手确认一份由现场环境智能转录出的就诊事实基准，再由 AI 裁定，外加有限申诉。
• ⚠️⚠️ 本页的标注：这把一个激励问题当成了信息问题。 对抗不是因为缺少共同事实基准，而是双方从同一组事实里能主张不同的金额——"握手同意一个共同真相"这一步本身就是整个冲突所在，而他把它当作前提。
• ✅ 一条反直觉的部署观察（对所有卖进遗留行业的公司都适用）（[00:13:09]）："医疗是那种你不该指望明天所有东西都有一个 MCP 连接器的行业"——遗留软件多，很多机构的主力 EHR 跑在云上的一台虚拟机里；而"虚拟机在某些方面反而让 AI agent 更容易做事"。本页记下：在 API 不可得的行业里，computer use 不是降级方案而是主路径。

⚠️⚠️ Alex Lieberman & CJ Hess（美，Tenex，2026-10）：企业采用的四级漏斗断崖到 5%，以及"一对一期待"对软件毛利率的侵蚀

来源：Latent Space 2026-10-21（嘉宾 Alex Lieberman & CJ Hess / Tenex，AI Engineer NYC 现场，swyx 主持） ⚠️⚠️ Tenex 卖的就是"企业 AI 转型服务"，本节全部数字为一方自述，且都指向"企业需要这种服务"。

• ⚠️⚠️ 本页此前没有过的东西：一份分层的扩散估计（[00:19:51]–[00:20:52]）。他们接触的约 100 家企业里——铺开通用 LLM 90% → 培训与赋能 60% → 给工程/产品组织铺开 coding agent 约 50% → 让 agent 在生产环境做"非写软件"的工作约 5%。他补的两句口径更要紧：第三级"多数人猜 70–80%"、而没铺开的那一半"在用的东西更接近于没有 coding agent"；第四级的表述是"员工数过千的企业里，大多数没有任何一个在生产环境做非软件工作的 agent"（[00:20:52]–[00:21:52]）。
• ✅ 本页的归纳：前三级是发工具，第四级是改流程，而漏斗恰好在这里掉了一个数量级。 这给本页长期讨论的"价值落在哪一层"提供了一个经验锚：到 2026-10 为止，企业侧的 AI 支出绝大部分买的还是工具席位，不是被重做的业务流程。
• ⚠️ 四条保留：样本是一家转型服务商的销售漏斗（偏向"尚未转型"一端）；四级定义全是定性、无阈值；无时间序列，分不清 5% 在升还是停滞；⚠️⚠️ 第四级越低对说话人越有利。 🔎 本页把"大型企业中有生产环境非工程 agent 的比例"设为跨期追踪项。
• ⚠️⚠️ 看空垂直 AI，理由落在毛利率而不是能力（[00:23:52]–[00:25:52]）：Alex 的论证是"我们处在一个人人都期待一对一（one-of-one）软件方案的时代"，这正是为什么每一家软件公司都在搭 FDE 团队——服务与软件正在收敛；由此发问这些公司还能不能以软件的毛利率经营，以及为什么前沿模型不会直接把它们吞掉。
• ✅ 主持人当面反驳，本页记两侧（[00:25:52]–[00:27:55]）：swyx 点名 Harvey、OpenEvidence，说 "到目前为止你是错的"（Alex 答"是"），护城河给了三条——数据（"实验室也在买同样的数据源，但不会像它们那样专注"）、affordance / UI（Harvey 的 Tabular Review、Legora 的同类功能）、以及 ⚠️⚠️ Bloomberg 类比（信息从交易所就能拿到，仍付 5 万美元一年，因为同行都在上面、因为被整合好、因为接着交易与新闻系统）。
• ⚠️ 本页的裁决意见：两人在争论不同的东西。Alex 问的是毛利率，swyx 答的是留存；"既守得住客户、又只能以偏服务业的毛利率经营"可以同时为真。 期内没人把这一步说破。
• ✅ CJ 的划分本页认为比双方原始立场都更可用（[00:28:56]）：把 agent 本身当产品、在垂直领域干活的——除非有强合规/数据护城河否则会越来越难；而"改变了流程、再在流程之上放一个 agent"的产品仍会成功。
• 🔗 与本页既有材料的并置：Jean-Denis（Town） 说"软件的价值单元从 app 变成了 computer、app 层价值会下降"并预测了 FDE 路线；✅ Tenex 这期给出了那条预测的现场版本，而且给出了原因（买方期待一对一）；⚠️ 但落点不同——Town 认为 app 层贬值，CJ 认为"改流程 + 上 agent"的那一类 app 反而安全。 另见 Decagon 的"FDE 是陷阱"——⚠️⚠️ 本页注意到这是同一条路线上第三种态度：Decagon 认为 FDE 是陷阱、Town 预测它会普及、Tenex 说它已经普及并把原因归到买方期待上。
• ⚠️⚠️ 自建 vs 买：一次对"自建成本"的重新定义（[00:30:59]–[00:34:08]）。针对 swyx 的 Kill My SaaS 实验（4 万美元/年的工具约 1000 美元替掉），Alex 的回应是越往上游走，拆掉重建越难；他明确不同意"Salesforce / SAP 真的有风险"，因为替换搞砸的代价是几亿到几十亿，买方必然极度风险厌恶，所以这些生意在此刻反而在积累价值。
• ✅ 最该保存的一句："软件的妙处不只是你得到的效用，还有当它不属于你的核心时，那些你不必操心的维护与改进的麻烦。" 判据因此不是技术可行性，而是这块蛋糕是否大到值得长期背上一份非核心的认知负荷。
• swyx 的反驳：省下的钱只是防守，进攻面是"我们就是用户，而且能用分钟而不是月迭代"；Alex 同意但限定在初创与高增长中型公司。
• ✅ 本页标注：Kill My SaaS 那期证明了技术上能换，这一节给出了什么时候不该换，分界线是认知负荷与风险敞口。
• ✅ 界面层会归并（[00:29:58]，swyx 本人观点）：人们多半不想用你造的 agent，而是想把你的数据插进他们已经在用的那个 agent；订阅叠不起来，最终少数几家拥有界面层。他指出 Salesforce 作为记录系统方正在主动走这条路——"你不会用我们的 agent，我们提供 API 和 MCP"。⚠️ 转述，未核实。
• 成本侧的一条时间判断（[00:17:49]）：⚠️⚠️ "今天一个人要靠 token maxing 把公司成本搞垮，比六到八个月前难多了"——按他的说法真正该担心成本的时点已经过去，因为单任务成本已压到某种帕累托点。他们自己的 token 支出 : 人力支出约 1:1 到 2:1（[00:14:47]）。⚠️ 自述、无口径。他另给了一条关于数据公司（Micro1 / Mercor / Handshake）的推理：九成以上收入来自实验室，要相信"未来企业主导"就得相信企业会大量自己微调——而这要么赌质量（前沿标准一直在动）、要么赌价格（而 token 成本在持续下降）（[00:16:49]–[00:17:49]）。✅ 结构清晰、可证伪，设为检验点。

⚠️⚠️ Arvind Krishna & Nikesh Arora（美，IBM / Palo Alto Networks，2026-10）："控制整条栈的人可以决定把利润搬到哪一层"，以及软件被替掉的那条分界

来源：All-In 2026-10-21（嘉宾 Arvind Krishna、Nikesh Arora；现场面向观众的对谈） ⚠️ 两位都是在位者，本节每条判断都指向有利于在位者的方向（整合会发生、垂直整合是对的、网安不会被吞掉）。记为带立场的判断。

⚠️⚠️ 垂直整合的真正杠杆：决定把哪一层商品化

• Arvind 讲 IBM 大型机（[00:30:17]–[00:31:17]）：它活了 65 年，原因就是垂直整合。"六十年代我们一路做到土里"——找沙子、自己做晶圆、建 fab、造芯片，一直到机器外那层金属；今天唯一不做的是 fab（因为规模），芯片设计、工程设计、可靠性与绝大部分软件仍在内部。两个收益：避免 IP 外泄，把整条栈的利润留在公司内部。判据是在具有极大优势的环节垂直整合，是商品的环节就不该做。
• ⚠️⚠️ 而本页认为最锋利的是他接 NVIDIA 那一句（[00:32:18]，主持席先说"现代版的那个就是 NVIDIA，Jensen 做到了土里"）：

  "如果你控制了这条垂直栈，你就可以决定把栈的哪一部分商品化。也就是说，你可以在层与层之间搬动利润。如果你看到有人在攻击某一层、把那一层的利润池打掉，你就把利润搬到另一层去。" —— "非常强的市场杠杆。"

✅ 本页的标注：这把垂直整合从"省成本/保质量"重新定义成一种对竞争的防御机制——被攻击的那一层可以被主动放弃，而利润在内部转移。 🔗 这条直接解释了本页长期记录的一类现象：为什么在位者可以对某一层的价格战无动于衷，也为本页"模型商品化、价值向上游转移"这条主线补了一个反向视角——对控制全栈的一方而言，哪一层被商品化是可选的。 ⚠️ 字幕在讲 NVIDIA 具体投资对象处断裂，本页只记"他在给生态里的各方投钱、确保他们不偏离这条栈"这层意思，不记具体交易。

⚠️⚠️ Nikesh：不是 open vs closed model，是 open stack vs closed stack

被问"应用层上 OpenAI 或 Anthropic 明显该采取的垂直整合策略是什么、承受方的防御机制又是什么"（[00:32:18]–[00:34:18]）：

"我们把这场对话说小了。我们老说 open model、open weight——它实际上是 open stack 对 closed stack。"

机制论证是上下文与记忆不可分离："我认为到某个时间点，跑一个像 OpenRouter 那样的东西会变得不可能。因为模型要求越来越多的内存、越来越多的上下文、越来越多的理解。你没法把上下文和记忆从推理里分出来。" 硬要分，路由层就只剩下搬运推理 token。终局是 CPA（cost per action）——"这个动作会要求你从 prompt 一路走到结果的全部逻辑"；于是把任务从一条栈搬到另一条栈的摩擦会高到不现实，因为那条栈装着你全部的上下文与记忆。个人 agent 是最清楚的例子：用你全部的上下文、API、连接训练出来之后，"现在你造出护城河了"。

• ⚠️⚠️ 本页认为这是对本页既有材料的一条直接反驳，值得并置：本页收录过多份"架构非规模、model-agnostic、可换模型"的应用层主张（见 应用层公司 vs 前沿实验室），而这里的论证是上下文与记忆的不可搬迁会让 model-agnostic 在应用层失效，并点名了 OpenRouter 这一类路由层。
• ✅ 本页不裁决，但指出这条反驳是机制性的而非态度性的，因而可检验：如果上下文与记忆走向可移植的开放标准（而不是各家私有格式），这条论证就不成立。 本页设为检验点。
• 分发（[00:34:18]）："然后在企业侧，暴力分发又一次获胜。" 消费侧他预测未来三个月每一家前沿实验室都会对 Muse 那个概念全力压上（"六到九个月前试过没成，现在 Facebook 演示了它可以怎么成"），并给了一句 "iPhone 上存在的每一个 app 都得变成 headless 的"。⚠️ 预测无依据，设为检验点。

⚠️⚠️ 整合的算术，以及软件被替掉的那条分界

• Nikesh（网安侧，[00:35:18]–[00:36:19]）：客户买 40 个方案自己缝很荒唐——"你连自己那十家供应商都未必搞得懂，还要你去缝。上帝保佑你的灵魂。" 他用富达的经历类比：23 个系统合起来就是今天的 CRM，三十年后整合成单一平台。✅ 机制是趋同："这些软件方案会变得彼此一致，它们大概都做同样的事，没有差异化。" ⚠️ 一处反向自述：网安近来估值更好是因为 Mythos 事件，"这会随时间回归理性"——在位 CEO 主动说自己行业估值偏高，本页记一笔。
• ⚠️⚠️ "很难理解软件的终值"（[00:36:19]–[00:37:20]）："不清楚哪些软件能活过接下来的 5 到 8 年。" 理由是 product market fit 本身正在被打乱——"如果 AI 被用好，我知道我买的软件该怎么打包、我知道在一个 AI 优先的世界里它应该怎么运转——那就意味着总会有人去做出来。" 🔗 本页标注：这与 Airtable 卖身 那一节是同一条线上的不同位置——那里是已发生的个案，这里是买方 CEO 对整类资产的终值判断。
• Arvind 的整合算术（[00:37:20]–[00:38:20]）："平均一家企业要用 500 到 5000 家不同的软件供应商"，这本身就是巨大的攻击面；"我能不能用一些不起眼的 AI 能力替掉其中 490 家，然后回到依靠 5 到 10 个主平台？那意味着大规模整合，因为支出就在那里。" ✅ 驱动力是分发成本而不是能力："如果你想把分发成本压低，它们就得由同一方分发。而如果那些软件的价值在下降，你就养不起每一家各自独立的分发。" 时间窗他自己给得很宽——"六个月还是六年，就在这个等式里面。" ⚠️ 500–5000 与"替掉 490 家"均无口径与来源。
• ⚠️⚠️ 而本页认为该被反复引用的是最后这条分界（[00:38:20]–[00:39:20]）：

  交互价值高的软件——"正如我们已经清楚看到的，可以被大量 AI 替掉"； 但如果最终要的是 10⁻¹⁵ 级别的可靠性——他举零售银行的一次数据库查询、或结账关账——"那很难用 AI 生成的软件轻易替掉。"

主持席补"得先跑数字孪生跑好几年才敢切过去"，他确认，并补上 "而且那样做没有成本优势"。 - ✅ 本页标注：本页在 SaaS 之死这条线上收集了大量两极化说法，而这是第一条给出了可操作分界的——分界不是"行业"也不是"规模"，而是这段软件的价值在交互上还是在可靠性上。 🔗 它与 Tenex 的"认知负荷"判据 正好互补：Tenex 答的是"要不要自己重建"，这条答的是"能不能被重建"。

⚠️⚠️ 把"LLM 会吃掉某个行业"按单位经济学否掉

Nikesh 反驳"网络安全会被 AI 模型吞掉"用的不是能力判断而是成本量级（[00:10:07]–[00:11:07]）：他们在终端上检查全部流量，成本是每个终端每年 20 到 30 美元（每终端数百 MB 流量，靠终端本地算力上的机器学习，负载 20–40 MB）；"如果你想把这些流量全都拿去、给公司每一个员工按 token 过一遍 OpenAI——那听起来就是收入的声音。OpenAI 大概能从一家公司身上挣出它一年的全部收入。"

• 他们的做法：小语言模型、压缩、任务专用、训练到 99.9% 准确率。✅ 归纳句："弄清每个任务需要什么级别的智能、以及那个级别的智能对这个任务要花多少钱，你会突然发现不是每个任务都需要法拉利。而且客户也不想为每个任务付法拉利的钱。"
• ⚠️⚠️ 反面才让这条站得住（[00:11:07]–[00:12:07]）：正在被攻破时"每一个客户都会说：你需要用哪个模型就用哪个"，因为入侵的业务影响是几十亿美元；那时放 agent 集群、用最新前沿 LLM。✅ 结论："你最后会在那些业务价值大到足以justify的独特场景里用前沿 LLM。"
• ✅ 本页的归纳：这是一条可以推广的定价原则——智能的采购价格不由任务难度决定，而由"这个任务失败会毁掉多少业务价值"决定。 ⚠️ 全部成本数字为自述，且说话人正是被"吞掉"叙事指向的一方。

⚠️⚠️ 钱程（中，科沃斯 CEO，2026-10）："消费电子没有核心壁垒"，以及一次当场拒绝编护城河

来源：张小珺 #155（嘉宾 钱程 / 科沃斯集团 CEO） ⚠️ 该期无字幕、本库用本机 GPU whisper 转录，专名损坏严重；视频页列了完整还原表。

• 他把壁垒一路拆到底（[01:11:12]–[01:13:16]）：
• "没有核心壁垒。有什么核心壁垒？"
• 品牌的定义被他收得很窄：品牌只是消费者对上一次购买的认知，帮他快速决策下一次购买；⚠️⚠️ "但是你下一次的交付不好，那也不是壁垒了"。他拿可口可乐（味道永远不变、能产生永久记忆）与消费电子对照——消费电子是在变的，所以那个记忆"戛然而止"。
• 苹果他承认有，但归因于某种程度上的网络效应；而"消费电子如果是纯硬件的话，没有网络效应，它就是个规模效应"。
• "真正的壁垒只有垄断"，而在快速变化的世界里垄断很难构成；剩下的只有规模效应 + 迭代速度。
• ✅ 而本页认为最该保存的是下一步（[01:13:16]）。主持人提醒他"做投资的投资人都希望你有壁垒"，他把那条现成的说法原样说了出来——"这个壁垒来自于科沃斯的品牌和我们拥有的、所谓的全球消费者家庭的了解"——然后自己否掉：

  "这句话可以这么讲，但是它不一定是真实的。很多企业可能会选择讲这些东西，但我不觉得它是真实的。"

✅ 本页的标注：在本页收录的创始人 / CEO 材料里，当面把一条对自己有利、而且现成的护城河叙事指认为"不真实"，这是第一次。 ⚠️ 本页不把它当作谦虚的证据，而记为一条可核对的立场——它意味着科沃斯对外不应再出现这类表述；若日后出现，就是一次可指认的改口。 - 🔗 本页认为值得把同一周的三份材料并置：Tenex 看空垂直 AI 时问的是"还能不能以软件毛利率经营"、Nikesh Arora 说"很难理解软件的终值、不清楚哪些软件能活过接下来的 5 到 8 年"、以及这里的"消费电子没有核心壁垒"。✅ 三者分别来自服务业、企业软件与消费硬件，而给出的是同一种答案：在变化速率高的时候，护城河叙事的半衰期在变短。 ⚠️ 本页不由此下结论说护城河消失了，只记录这三种位置上的人同期都不再用它说话。

品类选择：农耕文明 vs 游牧文明，以及规模门槛怎么反过来约束它

（[00:59:59]–[01:03:01]）他反复使用的自我描述："我们其实比较像农耕文明，不像是游牧文明——我们是喜欢买个种子种田，然后让这个粮食长出来；游牧是另外一种做法：这个产业很大，我要去咬一口肉。"

• 历史依据：扫地机做得很早——早到在商场里卖的时候消费者以为那是一个电子秤；擦窗机器人在他进公司前就有第一台，今年能出货 200 万台，而"很长一段时间我们没有意识到它的潜力"（⚠️ 自述）。
• 两条判据：① 有没有一条可贯穿、且自己能掌握的技术栈（自研传感器、算法、控制、批量品质交付）＋全球化渠道能力；② ⚠️⚠️ 规模门槛——集团收入到约 200 亿元后，"你很难选择做一个很小的东西了"，"如果它仍然是一个每年只是两三个亿的市场……一个点都不到"。
• ✅ 本页认为第二条值得单独记，因为它解释了"农耕"这个自我定位会随规模而失效：种子要长成足够大的粮食才值得种，而这个门槛随公司变大而抬高。⚠️⚠️ 本页的追问（期内无人提出）：一个要五到十年才成熟的品类，和一个"每年两三亿不值得做"的门槛放在一起，是否正在把他推向永远晚一步。

竞争观里两条可供对照的配比

• ⚠️⚠️ 与行业直觉相反的配比（[01:07:07]）："一个企业最好遵循的，百分之七八十是做能力的复制，百分之二三十是能力的提高"——而"很多时候可能会希望有百分之七八十能力的提高、二三十的复制"。✅ 本页标注：这是一条可以直接拿去对照本页其它材料里"组织必须快速重构"主张的反向意见。
• 三件事框架（[01:06:05]）：看得远、跑得快、不要犯错；"犯错其实是最大的致命伤"。✅ 一句自评：高估了竞争还是低估了竞争——"我觉得高估了自己，低估了竞争"（[01:05:04]）。
• "对手不是你的目标……它是一个试金石"（[01:09:09]）。

⚠️⚠️ Pushkar Ranade（美，Intel CTO，2026-10）："我们正在从横向的世界重新走向一个伪纵向的世界"

来源：Dwarkesh × Intel 工厂实地 2026-10-22（受访者 Intel 技术负责人五人） ⚠️ Intel 提供场地与受访者，关于 Intel 与 TSMC 相对位置的说法只有一方。

• ⚠️⚠️ 结构性转向，本页认为这是本节的核心（[00:51:44]）：

  三四十年前（或许更早）这是一个完全纵向整合的行业；后来变成一个高度横向的行业——代工厂、设备厂、他们的供应商各据一层。 而今天每一家超大规模云厂都在设计自己的芯片；某些模型公司的需求高到"可以靠自己吃下一整座 fab 的硅，甚至好几座 fab 的量，而且它们完全有资本为此出资"。 "所以在某种意义上，我们正在从一个横向的世界重新走向一个伪纵向的世界。它不是单体式的纵向整合，而是一种虚拟的纵向整合。"

🔗 本页认为值得和 同一周 Arvind Krishna 的垂直整合论 并置：那边从 IBM 大型机讲到 NVIDIA，给的是"控制整条栈，你就可以决定把哪一层商品化、把利润搬到哪一层"，主持席还说"我们正在回到集团化的世界"。✅ 两份材料来自不同公司、不同行业位置、相隔一天，独立地说了同一个结构性转向；而这一份补上了那边没有的驱动力——买方（模型公司）的单体需求已经大到一座 fab 的尺度。 - ⚠️⚠️ 规模经济为什么在这门生意里"最纯粹"，以及它如何直接推出行业结构（[00:52:44]–[00:54:53]）：

"在所有先进制造企业里，半导体代工的规模经济大概是最纯粹的。原因是固定成本实在太高——一旦你建好一座 fab，大概 80% 的成本结构就是固定的。"

所以每多一个百分点的稼动率带来的收入远不止一个百分点；良率也一样，从 60% 提到 65% 或 70% "不是线性的收益"。✅ 他由此直接推出结构："这就是为什么你会在这门生意里看到这么多整合。先进节点上只剩下三家代工厂，就是因为这个原因。"（旁白补：四十年前约 20 家，一路减到今天三家。⚠️ 未核实。） - ✅ 本页标注：这是本页收录的"为什么某些层会收敛到三家"里论证最干净的一条——不靠网络效应，只靠固定成本占比。 - ⚠️ 一笔未被反驳、但也不该被采信的账（[00:50:40]）：主持人抛出 "Intel 账上几十亿美元的 CapEx，所产出的芯片（或其中的逻辑部分）足以为 AI 模型公司支撑约 1000 亿美元的年收入"。⚠️⚠️ 这是主持人自己的粗算、不是 Intel 给的数字，他自己也加了限定（"这个栈里还有存储和别的玩家"）。本页不采信这个比例，只记录它被提出且未被反驳。 ✅ 而 CTO 的回应里有一条信息值得单独记：被问到 AI 实验室会不会干脆"你能造多少我们全买、我们保证未来的收入流"——"已经有早期迹象表明这可能正在发生了。需求信号实在太强。" - ⚠️ 竞争位置的自述与一次当面的不同意（[00:54:53]–[00:59:05]）：规模上"追赶会是一个渐进的过程"；技术上"我认为我们已经到那儿了，可能在性能、功耗或面积密度上差几个百分点"——他认为这类对标只在落后一整代时才有意义，而且不是一维的（低漏电 vs 高驱动晶体管、高密度 vs 高性能 SRAM、模拟、射频）。⚠️⚠️ 他给的判据本页认为比对标更值得记："你可以差几个百分点，但你必须准时。你的执行必须让良率足够高，以支撑非常大、非常快的爬坡"——"那实际上比追回几个百分点更重要。" ⚠️ 他当面否掉了主持人引用的 SemiAnalysis 对标（2028 年的 14A ≈ N2），但未给替代数字，本页两侧都记、不裁决。 CapEx 对照：TSMC 今年约 500 亿美元、Intel 约 200 亿美元（⚠️ 主持人数字），他的解释是"今天他们基本上是所有人的代工厂，而我们在很大程度上只是 Intel 的代工厂"。

⚠️⚠️ "推理供应商应该与模型厂分离存在"：商品化的供给侧机制，以及本页第一条训练数据造成的锁定效应（Erik Bernhardsson / Modal，2026-10-22）

来源：Latent Space 2026-10-22（嘉宾 Erik Bernhardsson / Modal 联创兼 CEO） ⚠️⚠️ Modal 就是他所论证的那个中间层，而且不拥有硬件、全部产能靠租。本节每条判断都指向对 Modal 有利的方向，全部数字为自述、本页一条未核实。

⚠️⚠️ 中间层为什么会独立存在：他给的理由是负载平滑度

（[01:20:47]–[01:21:47]）

"最好的模型一直在换。而推理供应商可以很容易地在模型之间重新分配资源，因为总需求相当平滑。"

机制：每次有实验室发布最新最好的开源模型，需求就大幅转移；⚠️ "如果这些实验室各自独立持有产能，那它们发新模型时需求猛涨，然后另一家发了更好的，需求又掉下去——而它们在后台还在做下一版。" 而在聚合方这一侧：

"今天我们为一个模型跑着几千个 GPU，明天我们要把其中 50% 挪到另一个模型——当然，系统本来就是为处理这个造的。甚至没人需要告诉我们去做，它就自动做了。"

• ⚠️ 他加的削弱："不是说一切一夜之间全搬过去，因为很多模型、prompt 之类的东西有一定黏性。"
• ✅ 本页标注这条相对本页既有材料的增量：⚠️ 此前关于"模型会被商品化"的材料多在论证商品化本身（边际成本定价、纸面趋同、开放权重追平）；这一条讲的是商品化会制造一个独立的中间层，而且给的理由是负载平滑度——一个可观测的量，不是议价能力。 🔗 与 Modal 的"矩形"与期限转换论证 是同一套逻辑在模型维度上的应用：那一条聚合的是时间上的需求起伏，这一条聚合的是模型之间的需求迁移。

⚠️ 被问"所以 LLM 是商品吗"，他不接这个前提

（[01:22:47]–[01:23:47]）

"我不确定这一定成立。泰勒·斯威夫特是商品吗？她发一张大专辑、去巡演、赚很多钱，然后有个下行年份她去录音……我不知道这是不是最好的类比。但她仍然有很强的品牌，有很多势能，利润率也高。"

✅ 他给的条件句是可检验的："只要实验室能反复推出新模型，而且那些模型的利润率足以摊平训练成本，它仍然可以是个不错的生意。"

• ⚠️ 本页标注：这是一条"周期性而非商品化"的读法——它预测的不是毛利率长期归零，而是毛利率随发布周期波动。✅ 这与本页已有的"边际成本定价"读法给出不同的可观测后果，可按季度对照。
• ⚠️ 被问"你不认为智能在见顶吗"，他说"不，我不这么认为"但加了"有待观察"，并把能力进展归因到可验证性（编码、生产级代码、数学、网络安全"都是相当可验证的东西"），对不可验证域则说"人类在那些领域还会跟模型相当有竞争力相当长一段时间"。
• ⚠️⚠️ 本页标注这落在本库一处正在进行的分歧上：✅ Brockman 在 2026-10-15 明确否掉了可验证性、换成数据量，而通行答案（Sacks、Friedberg）是可验证性。Erik 站在可验证性一侧，且他是能看到大量真实推理负载的第三方，不是实验室内部。记为该分歧的第四份材料，不判定。 详见 AI 与科学发现。

⚠️⚠️ 本页第一条"训练数据让 API 废弃变难"的材料

（[00:54:31]–[00:55:31]）

⚠️⚠️ "一个挺好笑的具体现象是：因为 agent 的训练数据，现在要废弃东西变得很难了。我们看到 agent 经常很爱用 Modal 的旧版语法，而且很难把它们推离那个。"

他说的后果是一条真实的产品约束：

"所以过去一年左右我们在怎么废弃和移除功能上，其实不得不更保守一些。我们必须非常小心地更新网上存在的每一个示例。"

⚠️ 他加的量级："而且现在网上有大量 Modal 代码进了训练数据。" 主持人提了 skills 作为缓解手段，他说"有这类东西"但没展开。

• ✅ 本页标注这条的方向值得注意：⚠️⚠️ 它让文档与示例在互联网上存量大的在位 API 更难改，但同时也更难被替代——这是一种由训练数据产生的新锁定效应，而本页此前关于锁定的材料全在讲分发、数据与工作流。本页记为一条待观察的机制。

⚠️⚠️ agent engine optimization：分发战场的位移，以及一个他不喜欢但没否认可行的做法

（[00:55:31]–[00:57:32]）

• ⚠️⚠️ 他们真的在跑这个基准："类似搜索引擎优化，现在有 agent engine 优化这种东西。我们经常跑内部基准：问一个 agent，嘿，你能帮我们部署 Stable Diffusion 吗？用任何你想用的工具——然后我们看它会不会推荐 Modal。" 其他 prompt 包括"起几个 sandbox"、⚠️⚠️ "把所有 sandbox 厂商排个名"。
• 应对："主要还是通过内容——你就得大量产出内容。" ⚠️ 另一条是观察感知："可以问 agent：按可靠性给所有 sandbox 厂商排名、按价格排名，然后看看。而且确实感觉 agent 比较容易误解定价之类的东西，所以我们也花很多时间把内容做得更清楚、更容易被 agent 理解，因为我们知道它们在索引外面所有关于 Modal 的东西。"
• ⚠️⚠️ 主持人直接问了灰色做法（建一堆 GitHub repo、让 agent 往里写大量代码）。他的回答本页照录，因为他既没有否认可行性也没有否认考虑过：

"slop cannon（泔水炮）。我觉得实话是，这大概是你能做的事。我的猜测是今天的 LLM 训练数据对什么是 AI 产出其实相当不敏感，你大概可以造出很多泔水。我们想过这件事。我不喜欢这个主意，但理论上——就像早期的 SEO，而且某种程度上现在仍然如此——自动生成内容是一个非常有效的策略。"

⚠️ 他没有说做了，本页也不推断。 - ✅ 本页的归纳：这一条与上一条合起来构成一个完整的激励结构——⚠️⚠️ 如果训练数据决定 agent 的默认选择，那么往训练数据里投放就是新的分发战场，而它的回报结构（存量越大越难被替换）恰好奖励最早、最大规模投放的一方。本页认为这是本页"go-to-market"那条线上一个全新的、而且可能比内容营销更难监管的通道。

⚠️ 两条顺带的商业侧材料

• ⚠️⚠️ FDE 的三个目的，他说第三个最重要（[00:57:32]–[00:59:34]，规模从今年初约 4 人到约 24 人）：A 参与销售成单、B 服务支持、C "填补产品的空缺，而这些空缺我们之后要做成真正的功能"——

"FDE 做的任何事，我的问题总是：长期怎么把它变成产品，好让我们不再需要 FDE 来做这件事？"

⚠️ 他明确说不想变成重服务的生意，并把同一逻辑应用到正在建的研究团队："如果每次客户要优化模型我们都得派人去，那某种意义上我们就算失败了。" ✅ 另一条很具体的动作：主动找过度申请资源（要太多 CPU 或内存）的客户，告诉他们"你现在花了很多钱，我们其实能帮你省钱"。 - ⚠️ 他不招 PM，理由是岗位而非人（[00:59:34]–[01:01:35]）："很多公司过去太急着招产品经理了……我觉得在一家基础设施公司把产品管理做好非常非常难，因为它需要非常深的战略思考：什么是基础性的积木？我们一到两年后想在哪？" 失败形态他说得很具体："怎么确保我们最后不会有 35 个长得差不多、但各自做的事又略有不同的功能？" ⚠️ 他们有人从 dev rel 或工程师转成了 PM。

⚠️⚠️ "你面对的不再是数据问题，是 UI 问题"：人人都能做软件之后，分发的瓶颈换了位置（Anekha Sokhal / Moshi，2026-10-22）

来源：Latent Space 2026-10-22（嘉宾 Anekha Sokhal / Moshi 创始人，前 JP Morgan 能源衍生品交易员；swyx 主持，AI Engineer 大会 NYC 现场） ⚠️⚠️ 她是创始人，而这条论证恰好论证"光有数据和模型不够，还需要她这种产品"。本节全部为自述，没有一个客户案例、没有一个留存数字。

论证本身

（[00:12:15]–[00:13:15]）

⚠️⚠️ "AI 之后大家得出的一个结论是，现在人人都能给自己搭一个 Claude 仪表盘，对吧？'嘿，我自己做了这个。'很好，很好。但如果你想让别人也用它——那是你的大脑装进一个仪表盘里、装进某个东西里。你试试让一个新的人把它纳入他的工作流。"

⚠️⚠️ "你面对的就不再是一个数据问题了。你面对的是一个 UI 问题——他们怎么和它交互？因为有时候用户就是不会用。"

• 她给的对照是 Spotify、Instagram 做对的事："它们把数据推给你，这就钩住了你。于是你自然而然甚至没意识到自己在平台上。"
• ✅ 公司内部因此在问的问题："UI 和推荐系统是什么关系？因为我们的论点是：如果你解决了其中一个，你自然也就在解决另一个。"
• 她对当下的概括："如果所有人都在做软件，你怎么让它真的成为人们会用的软件？"

⚠️⚠️ 配套的那条一手失败记录，以及它与 Tenex 漏斗的互补

（[00:19:31]）✅ 本页认为这是本节最该保存的一句，因为它是一条带机制的采用失败记录，而且出自第三方（会上来找她的 AI 工程师），不是她的产品叙事：

⚠️⚠️ "还有个有意思的：'嘿，我把系统建好了。人们告诉我他们需要它。它就在他们邮箱里。没人点。但他们还在抱怨自己有这个问题。我该怎么办？'"

✅ 本页把它与 Tenex 的企业采用四级漏斗 并置，因为两者是同一断点的两侧：

	观察到的	给出的机制
⚠️ Tenex（服务商侧）	生产环境里的非工程 agent 只有约 5%，而铺工具 90% / 培训 60% / coding agent 约 50% 都高得多	"你没法自动化一个并不存在的流程"——没有标准化就建不了 eval
⚠️⚠️ 本节（工程师侧转述 + 她的归纳）	系统建好、需求是用户自己提的、东西送到邮箱、没人点	⚠️⚠️ "不再是数据问题，是 UI 问题"——别人的工作流不会为你的仪表盘让位

⚠️⚠️ 本页的读法（综合，不应归给任何人）：✅ Tenex 说的是"流程不存在所以自动化无处落脚"，她说的是"流程存在但新界面挤不进去"——两条合起来覆盖了同一个漏斗断点的两种成因。 ✅ 而她给的解法（把拉改成推、用推荐系统钩住用户）恰好绕过了"让用户改变工作流"这一步，是本页目前唯一一条针对该断点的产品层面对策。 ⚠️ 但它完全未经验证，而且它的代价在同一期被主持人点了出来（见下）。

⚠️ 这条主张的代价，被主持人当场点出但未被追问

（[00:11:13]）谈到她把 Netflix 列为产品的三个成分之一时，主持人说："Netflix 有一整套成瘾性的那一面，那是坏的。" ✅ 她只答"确实有"，没有展开。

⚠️⚠️ 本页标注：这处张力是实质性的，不是修辞——"把数据推给你、钩住你"与"成瘾性"是同一个机制的两种说法。 ✅ 而本页认为它值得记成一条待观察的问题：当这套在消费产品上被广泛批评的留存机制被搬到专业工作流（这里是交易决策）上时，它的失败模式是什么？本库目前没有任何材料回答这个问题。

⚠️ 顺带：她把"信息过载"重新定义成了关联推荐问题

（[00:10:12]–[00:11:13]）✅ 本页认为这条是上面那条 UI 论证的产品形态，值得一并记：

⚠️⚠️ "如果你是个交易员、你在看某一件事，你真正在意的其实是此刻的二阶和三阶导数——而那些你不会立刻知道。"

例子：石油交易员，而有家能源股票公司在做某件会间接影响石油的事——"你现在就得知道。"

⚠️⚠️ "这个你从新闻流里拿不到。你只能从一张连起来的图里拿到。……唯一能做到的办法，要么是一个人——一个能把这些连起来的人，要么是一个模仿人的东西，也就是一个能做这件事的推荐系统。"

✅ 本页标注：这把"信息过载"从摘要问题（把多变少）和检索问题（按查询找）里分了出来，变成关联推荐问题（在用户没有查询时推送与其持仓有二阶关系的事件）。 ✅ 而她只给了两个可选方案（人 / 模仿人的推荐系统），这使论证可被检验——如果摘要或检索能解决，她就错了。

🔗 一条主持人带进来的行业注意力观察，本页认为与这条互为背景（[00:11:13]）：他每年在 AI Engineer 大会办一个 LLM RecSys track，"甚至没什么人来，尽管来讲的有些人就是在给 YouTube、Netflix、Instagram 和 TikTok 做 RecSys 的那些人"；⚠️ 嘉宾给的解释是"他们把它做得看起来太容易了"，他接了一句"这是整个公司里最重要的系统"。

⚠️⚠️ "Christensen 的框架现在大概是错的"，以及"互联网的契约正在破"（a16z / Frontier 发布，2026-10-22）

来源：a16z / Frontier 发布 2026-10-22（Marc Andreessen、Chris Dixon、Ben Horowitz） ⚠️⚠️ 这一期是一场基金发布（把 a16z 原 crypto 基金扩成 a16z Frontier）。本节两条框架性论断都出自正在为新基金做发布的人，本页记为立场而非观察。

⚠️⚠️ Marc：Christensen 的颠覆式创新框架用错了

（[00:23:19]–[00:24:20]）

⚠️⚠️ "Christensen 的颠覆式创新框架假设技术世界是相对自成一体的，是这些公司在互相打。我觉得那现在大概是错的框架。"

他的替代描述："真正在发生的，是技术上现代的那些人走出去进入其他行业，更广泛地改变经济。" ✅ 席上把这条复述成一句更可操作的版本（该说法本来就是 Marc 的，他确认"对，就是这样"）：

⚠️⚠️ 市场已经从"10 家大科技公司互相打"，变成"10 家科技公司加上所有创业公司，去打财富 500 强和其余的经济"。

• 他给的形态是全栈公司（Chris 补了一家他们刚宣布投的全栈餐饮服务公司，⚠️ 名字本页无法写定）。
• ✅ 本页标注：这是本页第一条明确说"Christensen 框架在这一轮不适用"的材料。
• ⚠️ 但"改变经济"没有给任何判据。 ✅ 真正可检验的是那条市场结构描述——科技公司的收入份额是不是在从彼此手里转为从非科技行业手里拿。本页按后者记为一条待观察的结构预测。
• ⚠️⚠️ 本页另标注一处利益相关：这条框架恰好把 a16z 的可投资标的从"科技行业"扩大到"整个经济"，而本期正是一只扩大 mandate 的基金的发布会。

⚠️⚠️ Chris Dixon："互联网的契约正在破"

（[00:46:32]–[00:48:35]）

⚠️⚠️ 他把互联网的商业模式称作一份"契约"：分发侧（Google、Facebook 这些）与内容侧（新闻站、旅行站）之间的一笔交易——"你给 Google 一段摘要、让它索引你，它就给你一些点击。"

他说这笔交易开始破大概是上个十年，而现在尤其明显：⚠️ "你去 Google，你得到一个答案"；社交网络也在想把你留在站内、不往外链。

• ✅ 他给的已发生的证据，是本期他唯一一条指向具体对象的经验证据："你看到这件事的早期迹象，比如 Stack Overflow 和另外一些网站——有了 AI 替代品之后流量断崖式下跌。"
• ✅ 他的限定本页认为很重要：交易本身不会消失——"人们还会订旅行……也许是你的 agent 去那个旅行网站。很多这些交易还会发生，只是不会以原来的方式发生。" ⚠️ 受冲击的是"靠广告和转化赚钱的网站"，即那层中介，不是交易本身。
• ⚠️ 时间尺度与他给的量级对照：未来约十年会有一次"互联网的大重构"——经济怎么运作、注意力怎么流动、知识怎么共享、人怎么协作、组织怎么在互联网上互动；"移动没有这种程度的影响。移动让互联网从 5 亿人到 50 亿人、提高了参与度……但这件事在重塑的方式上要剧烈得多。"
• 🔗 ✅ 本页认为必须与同日的一条并读：⚠️⚠️ Erik Bernhardsson 同一天说"因为 agent 的训练数据，现在很难废弃任何东西了"，并描述了他们真在跑的 agent engine optimization 基准。 ✅ 本页的归纳：Chris 讲的是旧契约的收入端在断（点击不再回流），Erik 讲的是新契约的争夺端已经开始（往训练数据里投放成为分发手段）。两条合起来描述的是同一次位移的两头，而本页此前只有后者。

⚠️⚠️ Marc："产品经理脑"——本页第一条从需求来源批评 AI 产品形态的材料

（[00:30:24]–[00:31:24]）被问哪些用例是 AI 原生的，他先承认"现在有很多很好的 demo、很多很好的产品在发布"，然后：

⚠️⚠️ "产品经理脑——产品经理基本上是在为产品经理设计产品。"

✅ 机制他给得很干脆："所有人都只做一件事，就是为自己做产品。产品经理的那套说法是他们在为别人做。" ⚠️ 而他举的用例是自嘲式的："可是不知怎的所有用例都是'帮我在旧金山订个餐厅，去跟我那些也是产品经理的朋友吃饭'，或者'帮我订张机票去参加一个产品管理大会'。"

• ✅ 本页标注这条相对既有材料的角度：⚠️ 本页此前关于"AI 产品形态不对"的材料里最接近的是 Brockman 的"最好的 UI 是没有 UI"与"这不是我们被许诺的那个 AI"，✅ 但那是从交互形态批评（文本框）；这一条是从产品需求的来源批评（做产品的人只想象得到自己的生活）。本页认为后者是此前缺席的角度。 🔗 而它与 Moshi 的"那是你的大脑装进一个仪表盘里" 几乎是同一条观察的两种说法——⚠️ 一个说做产品的人只为自己设计，一个说自建仪表盘只装得下自己的大脑。
• ⚠️ 他对"正在打开"只给了两个产品名（Muse 与 Instinct），没有给任何使用数据。

⚠️ 顺带三条，本页只记可检验的那部分

• ⚠️⚠️ Marc 的娱乐业算账（[00:33:25]–[00:34:25]）：他拿一部电影算——⚠️ 约 1.8 亿美元制作预算、对片方约 2 亿美元现金亏损，而反事实是"那部片子在 200 万预算上会是暴利，会让投资人拿回十倍"。⚠️ 片名与两个数字本页均无法核实，记为他的转述。 ✅ 但论证结构本页保留，因为它主张的不是"AI 会做出更好的内容"，而是"同样的内容在成本结构改变后变成了一门能成立的生意"——⚠️ 而这条可检验：看中等预算影片的数量在未来数年是否回升。
• ⚠️ Ben："AI 电影不会是一部电影"（[00:36:26]–[00:37:27]）："会出现一种新媒体。" ✅ 而他给的理由是题材可能性的扩张，不是成本："你能讲的故事和你以前能讲的完全不同。以前它根本不可行——勉强对 Christopher Nolan 这一个人可行，别人没机会。" ✅ Chris 的照相机类比补得很好（[00:37:27]）：负面读法是"如果你是画风景画的，它可能取代你"；正面读法是"它解锁了动态影像，没有它你不可能有电影"，推论是"很多这些技术会既改变一种旧媒体，也让人们发明一种新的"。
• ⚠️ Ben 转述的 Chris 的投资框架，本页认为比本期的任何宏观判断都更可检验（[00:08:06]）："我们找的不是看起来像好主意的好主意，我们找的是看起来像坏主意的好主意"——一个坏主意，但创业者手上有一个秘密，而那个秘密让它变成好主意。 ✅ Ben 说这个框架对判断"什么东西真正独特、有巨大上行空间，而不是利润会被竞争抹掉"极其有用。

---

⚠️ agentic web 的卖方侧定价锚：CPM、"messy middle"，以及在位者封锁被读成谈判筹码（Cloudflare，2026-10-23）

来源：No Priors / Dane Knecht（Cloudflare CTO）

⚠️⚠️ 收录前置：本期在 Cloudflare 自家大会现场、由其 CTO 讲，涉及的全部产品（内容变现网关、agent 钱包、稳定币、与 OpenAI 合作的 Signals）均为发布口径自述，本期没有一个站点数、交易笔数或采用率。本节只记形态与论证，不作为商业化进展的证据。

诊断："人和 agent 骑着同一套轨道"（[00:13:12]）

⚠️⚠️ "我们现在处在 messy middle（混乱的中间态）——人和 agent 在互联网上骑着同一套轨道，而 agent 在试图解析一个给人用的 web，这件事就是低效的。"

• ✅ 他给的不对称很具体：人的网页设计前提是"去一个网站、能读、能看到广告、参与完整的经济模型"；⚠️ 而 agent"在同样的时间里能去一千个网页"——"这很好。只是你需要找到一个新的经济模型来支撑它。"
• ⚠️⚠️ 方向是分开而不是统一："我认为我们会找到办法去投递内容，在 agent 和人各自所在的地方接住它们，而不是试图把两边拉到同一个地方。" ✅ 而他对现有中间层的评价是否定的，这是本节最可检验的一句："现在有一堆公司帮你让 agent 看懂一个网页。这些都只是额外的 token 燃烧，用在大概本来就不需要发生的事情上。"
• 历史对照是 API："API 只覆盖了互联网上信息的一小部分"，⚠️ 而 agent"渴望理解一切"，所以去探索人的互联网。
• ⚠️ 本页标注两处本期未触及的难点：① 若对人与对 agent 投递不同内容，与 cloaking（对爬虫与用户显示不同内容）的判定如何区分；② 谁保证机器侧与人侧内容一致。

⚠️⚠️ 本页第一份"卖方侧定价锚"：按内容站自己的 CPM 定价（[00:14:12]–[00:15:13]）

✅ 本页此前关于 agent 支付的材料都在买方一侧（Brian Armstrong 的 x402 与给 agent 开银行账户、VGS 那期的 agentic token 与钱包战争——agent 怎么付）。⚠️⚠️ 这是第一份从卖方一侧给出计价单位的：

• 机制：像 Substack 这类内容站"知道自己那个站该靠广告挣多少钱，也就是 CPM"；⚠️ 于是"有一个世界是 agent 可以决定要不要读这个内容，然后决定要不要付那个 CPM 价"。
• 配套前提：支付轨道要能做"每秒数百万笔交易"。
• ✅ 他对微支付史的自嘲值得记："微支付这事，总是两年后、两年后。" 他的判断是 agent 会推成——"我确实认为我们会看到一个世界，内容创作者真的有了一个新的经济模型。"
• ✅ x402 的来历（[00:18:16]）：他说 Stripe 推出时他很喜欢，因为回到了 Tim Berners-Lee 二三十年前为支付留下的 HTTP 402——"所以我们一直都知道互联网需要一条更好的支付轨道，只是一直没能搞定。"
• ⚠️ 他给的成功判据是方向反转（[00:19:18]）："不是他们付钱给我们，而是我们付钱给他们"，三层目标是覆盖基础设施成本 → 支撑生计 → 把内容创作者数量"指数级"扩大（对照 YouTube / TikTok / X）。
• 🔗 本页认为它正好接上 Chris Dixon 前一天那条"互联网的契约正在破"：⚠️⚠️ 那条说的是旧契约（给 Google 摘要换点击）的收入端在断，这条说的是新契约的计价单位可能直接沿用旧单位（CPM）——即价格形式不变、付费方从读者/广告主换成 agent。

⚠️ 在位者封锁 agent：他读成谈判筹码，不是安全立场（[00:16:15]）

被问这套基础设施的玩家是谁（主持人点了 Instinct 与 Muse 这类个人 agent 的兴起）：

• ✅ 他先讲在位者的动机："另一边的人并不都知道商业结果会长什么样"；⚠️ 历史是互联网"本来要杀死 Main Street、结果没杀死，但确实有人被取代了，所以那里总有一些怀疑"。
• ⚠️⚠️ 于是"有一种自然的倾向就是干脆把它们挡在外面"——"你看到 Amazon 刚刚就说：不行，不许个人购物 agent 进来。" ✅ 而他的解读是谈判："他们在试图保住自己的一些谈判筹码。"
• ✅ 预测带明确降温：个人 agent 会做到无缝、"甚至比你作为人做起来更容易"，⚠️ "但我不知道技术是不是已经追上了，商业模式也还没。"
• ⚠️ 本页标注：这是本页第一条把在位者封锁 agent 解读为"保留谈判杠杆"（而非安全或合规）的材料，而它可被检验——若是谈判手段，应随分成协议出现而解除；若是安全立场，就不会。

⚠️ 顺带一条：Cloudflare OS 的采用结构与通常预期相反（[00:22:18]）

⚠️⚠️ 自述、无数字：他们本期发布的内部 AI 平台 Cloudflare OS，"其实被我们的 go-to-market 团队和 G&A 团队用得比工程团队还多"。✅ 他给的机制是"空白画布"问题："早期我以为训练是人们用 AI 最大的缺口。而当你只是把他们指向一个聊天界面，那对他们来说就是太多的一张白纸。" 解法是按业务把平台预先设计好。

🔗 本页标注：这是本周落在"企业采用"同一断点上的第五份独立材料（另四份：Tenex 的 5% 漏斗、Moshi 的"建好了没人点 / 这是 UI 问题"、Kurtz 的 shadow AI、Marc Andreessen 的"个人在采用、机构没有"）。⚠️⚠️ 本条是其中唯一一份给出解法形态的，而方向与 Moshi 那条一致：不要给通用界面，把工作流预先装进界面里。 ⚠️ 但它同样没有活跃率或留存数字，本页记为形态一致，不作为验证。

---

⚠️⚠️ "1% 的公司占 90% 的 AI 支出，而其中 80% 来自不赚钱的 VC 投的公司"：从泡沫之问转成扩散之问（All-In，2026-10-23）

来源：All-In / PHP 漏洞周 × Nikesh Arora

✅ 本页此前有大量"是不是泡沫"的材料，但没有一条给出 AI 支出的结构拆分。这是第一条。

Chamath 给的拆分与那条循环（[00:02:00]–[00:04:03]）

⚠️⚠️ "大约 1% 的公司占了全部 AI 支出的 90%，也就是 token。而这 90% 里，有 80% 来自不赚钱的 VC 投的公司。"

• ✅ 循环写得很具体：VC 从养老金 / LP / 基金会 / 家族办公室募钱 → 投创业公司 → 创业公司把钱投进增长（而增长的一部分就是消耗别人的 AI）→ 显出收入增长 → 再从同一批 VC 募更多。
• ⚠️⚠️ 判断句："你不能一边谈着令人窒息的估值，一边每一美元里有 75 美分其实只是创业公司之间来回倒、好让自己被标高。那我认为是个结构性问题。"
• ✅ 他自己给的历史对照反而削弱了"这次更糟"，本页认为这处很公平：云的早期也是创业公司在用 EC2 / S3；⚠️⚠️ 差别是"AWS 当时是从亚马逊零售里抽象出来的，而零售当时至少在自由现金流上已经大致打平盈利。这次不同的是，你有一堆在亏钱的实体在互相倒钱。"
• ✅ 第三方交叉确认的那一步是这条材料的分量所在：他说把论点发给 Ramp 的首席经济学家核对（⚠️ 姓名字幕无法写定），回话是"Chamath 的实际估计基本正确"。⚠️ Ramp 主要服务创业公司，因此它的创业公司侧数据最强；而"1% / 90% / 80%"的口径（分母是哪些公司、AI 支出怎么定义）一处未给。本页记为经一方交叉确认的估算，不作为统计。
• ⚠️⚠️ 他由此给的不是泡沫判断，是扩散判断："AI 的扩散比我们所有人希望的要慢一点。它太集中了，在一个小生态里打转。我们需要它扩散出去——但在它扩散出去的时候，人们正在选开源。"
• ⚠️ 两条佐证都是轶事：① "自从 Alex Karp 在 CNBC 上谈数据主权之后，采购模式就变了，几乎能在图上指出那个点"；② 一家未具名美国大银行的 CIO 说"我们已经降低了在 AWS 和 GCP 上的支出，现在我们有六个完全独立、从零自建的数据中心"。⚠️ 本页标注：一条是把一次公开讲话当成采购转向的原因，另一条是单一客户，两条都不足以支撑"企业在回自建"。
• ⚠️ 那张被引用的 Ramp 图尚未发表、本库无法核验：读出来的方向是"自己买 GPU 的那一格在往上走，因为他们在转向开源"，而付给前沿闭源模型的那一格是另一格。
• ✅ 而嘉宾（Palo Alto CEO）当场给了对冲，本页认为这处比两边各自的立场更有价值：⚠️⚠️ "很难找到一个在 hyperscaler 群体之外、全球范围、有韧性、高可用的推理提供方"——创业公司可以在一个数据中心租 10 MW、宕几小时也没关系，但要提供 99.9% 可靠性的服务就不行（[00:10:09]）。⚠️ 他自己六到八年前"把所有数据中心都关了"，现在的位置是"我是买方、是条款的接受者，不是条款的制定者"（⚠️ 他说自家只跑 10 到 20 MW 的推理，而"你跟 Jensen 谈，他 2028 年之前给不了你芯片"）。✅ 他的预期是折中："最可能的答案在中间"——拿裸金属、来自 hyperscaler 或其"表亲"，⚠️ 并预期 hyperscaler 最终会给裸金属让企业跑开放权重模型，因为"这取决于你把利润流转移到哪里"。
• ⚠️ 主持人（Jason）用同一个事实得出相反结论（[00:07:08]）：创业公司"找的是最便宜、最好、最快的那个优势"（15–20 年前是云、后来是被错误定价的 Facebook 广告、现在是 AI），"所以创业公司涌向一种技术，意味着这群最灵活的买方已经判定这是最好的解法——那是事情走在正确方向上的一个 tell"。
• ⚠️⚠️ 本页的读法（综合，不应归给任何人）：✅ 双方用的是同一个事实（AI 支出高度集中在 VC 投的创业公司），而都没有触及决定性的那个量——这些创业公司的 AI 支出有多少最终被外部（非 VC）收入覆盖。本期无人提出这个量，本页记为该论题目前最关键的空缺。

⚠️ 同期一处未对账的落差

（[01:32:59]）⚠️⚠️ 90 分钟后同一人说："AI 的建设占了全部 GDP 里不成比例的那一块。基本上它就是全部"、"美国经济是完完全全地杠在 AI 交易上、与它相关联的"，并说它带动了中产与技术工人工资的大幅上升（⚠️ "现在已经有一堆数据了"，无来源）。

✅ 本页标注：这与本节开头他自己的"扩散问题"构成一处张力——一个说 AI 支出集中在一小撮亏钱公司里打转、需要扩散出去，一个说 AI 建设基本上就是全部 GDP 并已带动工资。 ⚠️ 两者可以同时成立（一个讲 token 支出的来源结构，一个讲资本支出的宏观占比），但本期相隔 90 分钟、无人把它们放在一起，本页记下这处未被对账的落差。

---

⚠️⚠️ "agent 的一次广告展示并不真的算进收入"：agentic web 的供给侧承认，以及一处清晰的立场对立（OpenAI，2026-10-26）

来源：a16z × OpenAI（James Sun + Ari Weinstein） ⚠️ 厂商节目，全部陈述为自述且本期一处未被独立追问。

⚠️⚠️ 本页第一条由 agent 厂商自己承认的发布方商业模式冲突

（[00:11:08]–[00:13:13]）James Sun 把开放网络上的主体分成两个阵营，而第一个阵营他说得很直接：

⚠️⚠️ "你想想广告主、发布方，他们的商业模式整个建立在广告上。如果 agent 替他们用网站，那收入从哪来？而在大多数地方，agent 的一次广告展示并不真的算进真实收入。"

⚠️ 他没有给任何解法（"这是个有意思的问题，我们一直在和合作团队一起处理"）。

• ✅ 第二个阵营对应的是一条标准：⚠️ WebMCP（他们已加进 app 的浏览器；本库此前完全没有这条）。定位是"你和网站的接口仍然是网站本身，而不是一个 API，但人是和 agent 一起在用它"；形态是分工而非替代——agent 做乏味的部分，到"我想完成交易、输入信用卡"这段交回人，然后再交回 agent。
• ⚠️⚠️ 本页认为这是本库目前关于 agentic web 最清晰的一处立场对立，而且两边都在自己的利益方向上： | | 立场 | 对"翻译层"的态度 | 定价锚 | |---|---|---|---| | Dane Knecht（Cloudflare，发布方一侧） | 人与 agent 应各自接住，不要拉到同一处 | ⚠️ "翻译层只是额外的 token 燃烧" | 按内容站自己的 CPM 定价 | | James Sun（OpenAI，agent 一侧） | 同一个界面上人与 agent 协作（WebMCP） | ✅ 标准层就是那个翻译层 | 未提；只承认广告展示不算收入 |
• 🔗 第三、第四个投影：Chris Dixon 的"互联网的契约正在破"（给 Google 摘要换点击的交易失效，证据是 Stack Overflow 流量断崖）与 Erik Bernhardsson 的"训练数据成了新的分发战场"。✅ 本页标注：这一期补上的是最缺的那一侧——造成断裂的那一方自己的说法。

⚠️⚠️ "任何一个软件都可以是为一百个人、或者一个人设计的"

（[00:27:19]–[00:31:19]）✅ 两位嘉宾都明确反对"UI 会消失"，而理由不同，本页认为这组理由比结论更有用：

• Ari 的理由是受众规模的变化："人类的硬连线就是要直接操作"；而过去的软件"是为上百万、上千万、上亿、几十亿人设计的"，⚠️⚠️ "而我认为我们会进入一个时代，任何一个软件都可以是为一百个人、或者一个人设计的"。
• James 的理由是手艺：⚠️ "如果互联网变成只是一堆 agent 互相说话、人不再用任何东西了，我会非常难过"；"匠人式软件就是用起来感觉好，因为设计它的人真的理解客户想要的体验"。他的例子是给妻子做一个棋类战术训练器，✅ 而分工他说清了：训练后的错题总结可以交给 agent，但"真的在和 AI 对练、在变强"这件事"是人必须自己做的"。⚠️ 收尾一句："便宜软件带来的压力会让软件不得不变得更好。"
• ✅ 而主持人 Seema Amble 给的两桶框架本页认为最可操作（[00:30:19]–[00:31:19]）：
• 消费侧：⚠️ "不是它的效用，而是互动、学习本身的乐趣"。
• B2B 侧：⚠️⚠️ "审计日志"——"产品真正是：我作为人类用户设定目标，然后能够理解其中的逻辑，但不必走完整条执行链。" 她的例子是仍然需要搞清楚"那笔款为什么付出去了"。✅ 收尾："我们为什么要将就垃圾软件？"
• ⚠️ 本页标注："为一个人设计的软件"这条如果成立，它同时拆掉了按座位收费（per-seat）的定价基础——而本期无人提定价。 ✅ 本页认为这正是它与本页既有"软件被重写"材料的接口：那些材料谈的是谁来写，这一条谈的是写给谁，而定价跟的是后者。

⚠️ 厂商侧对"扩散缺口"的四步拆分

（[00:34:21]–[00:37:23]）⚠️ 这是被问"创业公司还有没有护城河"时的回答，立场上有动机往"有"的方向说。

"住在旧金山，我们会看到很多这样的想法：'哇，实验室什么都能干，为什么不是每个人都装上 Codex 让它干活？'但对普通的美国人、普通的中小企业主、甚至普通的企业来说——连搞清楚这些工具能干什么是第一；把工具以合理的方式连起来是第二；部署是第三；服务是第四。"

• ⚠️ 配一条关于自家人力的承认："即使我们现在挺大了，有几千人，我们内部仍然觉得被摊得很薄……相对于所有这些问题，团队并不大。"
• ✅ 本页标注：这是本库第一次由模型厂商把扩散缺口拆成四步，🔗 **与 a16z Frontier 的 shadow adoption、Tenex 的 5% 漏斗、Moshi 的"建好了没人点" 指向同一处；⚠️ 但这四步全落在集成方，是一个对厂商有利的分工结论（模型归我、集成归你），本页记为立场。
• ⚠️⚠️ 而本页认为本期最该被长期保存的是一条厂商自己的失败记录（[00:41:27]）："在那个产品里，agentic 的体验其实并不是一个大的卖点。没有很多人用它，部分原因是人们大体上把它当成一个普通浏览器。" 转折是把 browser use 并进"所有已经有 agentic 用量的现有产品"之后才起来。 ⚠️ 产品名本库不写定（字幕作 "Alice"，疑为 Atlas）。 ✅ 这是本周"企业/用户采用断点"的第五份材料，也是第一份来自模型厂商自己的消费产品。

⚠️ 一条把 ROI 来源挪了位置的倒转

（[00:04:03]）⚠️⚠️ 企业里的遗留软件"已经被用了 15、20 年"、"没有任何 MCP 工具"，而"很多时候那些东西对一个普通人来说其实挺难用的……你甚至不知道怎么操作那些关键功能"——所以"有公司在造 skills，教模型更好地使用它们"。

• ✅ 本页的标注：卖点因此不只是"替人做"，而是"agent 比在职员工更会用公司自己的老系统"。这把 ROI 的来源从省人力挪到了消除培训与操作知识的损耗。 ⚠️ 本期没有给任何一例数据。
• 🔗 与 Lio 那期"发票软件只覆盖了这份工作的 20%" 落在同一类工作（采购）上，✅ 但对瓶颈的判断不同：Lio 说瓶颈是软件覆盖不到的那 80% 的工作，这一期说瓶颈是人用不好那 20%。

---

⚠️⚠️ 被 agent 使用的基础设施一侧：漏斗机制、"模型推荐"这个渠道、以及为什么企业只做 greenfield（Supabase，2026-10-28）

来源：Latent Space / Supabase（Paul Copplestone & Ant Wilson） ⚠️⚠️ 利益相关：该期主持人是 Supabase 种子轮天使投资人，且该期是该播客首个赞助期。本节全部数字为自述，本库不作第三方核实。

⚠️⚠️ agent 改了漏斗的形状：本页第一条给出内部机制的

✅ 本页此前的"AI 带来增长"材料基本都是总量叙述（收入、ARR、attach rate）。这一条给的是漏斗内部。

⚠️⚠️ "通常当你拿到更像消费者的流量、漏斗顶端变大时，你的激活率和付费转化会下降——但这两个东西都涨了，而且涨得相当快。" ⚠️⚠️ "原因是注册到激活这一步，是 agent 替你做的。基本上一步就完成，所以差不多是 100%。" "然后这些用户付费转化的比率，比我们传统的开发者用户还要高。"

（[00:32:16]–[00:33:16]）⚠️ 他们强调这不是投放买来的（"我们其实几乎不花营销费"）；⚠️ 而主持人当场加的那条降温被部分接受："我相信所有开发者工具都在看到同样的事" / "在不同速率上。"

• ⚠️⚠️ 变现速度那条是同一机制的另一面（[00:29:12]）："过去是你选数据库、建产品、到某个时点加上计费。现在因为你可以在 agentic 这一层直接接上 Stripe，我们看到客户开一个项目，然后在同一周里就产生可观的现金。" ✅ 他们自述的判断时点是"有人在产品上线头几天赚了大概一万美元"。
• ⚠️ PLG 天花板的认知修正（[00:56:27]）："我们开公司时想 PLG 能做到一亿美元，大概能到两亿，然后就需要换一种 motion。但因为 AI，那个天花板就这么抬起来了——我们不知道抬到了哪里。" ⚠️ 本页标注：只有天花板认知的变化，没有收入绝对值。
• ✅ 而一条方法论上的对照本页认为比上面任何数字都值得记（[00:30:13]）：NFT 热时他们也顺势加了 sign in with Ethereum / Solana，但"没投入大量开发时间，因为大家某种程度上都知道它迟早会消失"；而对 vibe coding 要押多深，"我们作为团队讨论了很多"。⚠️⚠️ 本页认为这是本库少见的一条"同一家公司对两次热潮采取了不同投入档位，并说明了判据"的记录。

⚠️⚠️ "前沿模型都把我们列为首选"：被推荐方自己的归因，而那条归因说明它不可复制

（[00:33:16]–[00:35:17]）✅ 本页此前有过"模型推荐就是新渠道"的零散提法。这是第一次由被推荐方给出归因。

⚠️⚠️ "你得在 LLM 起飞之前，刚好在你那个时区里，在市场上待了三到四年，然后把自己摆成当时那个领先产品的头号竞争者。然后你就能接管。"（主持人的概括） ⚠️⚠️ "我们在时机上非常幸运。我们不可能挑到更好的时机了。完全是意外。"（嘉宾）

• ⚠️ 他们自己给的机制是社区内容：早期花大量时间和社区待在一起，结果社区在写博客、做视频、做播客讲"我是怎么用它做出这个东西的"——⚠️⚠️ "我相信那些全都被模型吸进去了。" ✅ "而开源也有帮助。"
• ✅ 而主持人给的那个反例很重要，因为它说明路径不止一条：Resend 是 LLM 之后才起步的，"我们也问过他们，为什么我的 LLM 老推荐 Resend？因为他们有一大堆好的实践。"
• ⚠️⚠️ 本页标注一处张力，不做裁决："完全是意外"与"当然我们在这方面投入很大"出自同一段。 被推荐方自己把结果归因为时间先后，而不是可执行的优化动作——✅ 这与"AEO 是一门可做的生意"这个正在流行的说法直接冲突，而本页认为 Resend 那条反例是目前唯一指向后者的证据。

⚠️⚠️ 与前沿实验室的关系：合作的两个档位，以及流量决定精力分配

（[00:54:26]–[00:56:27]）

• ⚠️ "我们的 P0 策略是跟尽可能多的前沿实验室和模型合作"；✅ 主持人的概括被确认：⚠️⚠️ "你基本上就得把 AI 想要的一切都给它，然后它就会成为你最好的朋友。"
• ⚠️⚠️ 而档位的区分是本节最该记的："在他们的 app store 上是一件事；成为他们在 artifact 里启动时的默认选项，是另一件事。" ⚠️ 他说以前接不住的原因是量（"拿 ChatGPT 举例……只要其中一个用户每月启动一个数据库，我们就得启动 12 亿个 Postgres 服务器"，⚠️ 1.2B MAU 为其说法）。
• 🔗 ⚠️ 一条可被 中美 AI 对照 记下的渠道事实：非美国实验室（Mistral、Cohere、中国的实验室）"不太有"，理由是流量——"主要就是因为现在是他们在送来最多的流量。那可能会变。"

⚠️⚠️ 企业侧只做 greenfield：对"coding agent 会解放遗留系统"的一次具体降温

（[00:43:22]–[00:50:24]）✅ 本页此前多条材料把"AI 让遗留系统迁移变得可行"当作价值释放的来源。这一节来自迁移的接收方，而且是明确放弃。

⚠️⚠️ "我们在创业之初的核心论点就是：我们看过的每一家 Postgres 公司、每一家数据库公司，过去试图靠迁移来做的，随时间都失败了。你就是没法说服人迁移。" "即便你造出一个更大、更好、更可扩展的 Postgres——你要做的是第一天就落到他们那里，然后确保他们待到第 1,000 天、第 10,000 天。"

• ⚠️ 战略取舍是明确的："未来说五年，我们在企业侧几乎全部精力，都是确保我们能接住 greenfield 的用例"；"我保证他们几乎永远不会迁。"
• ✅ 他们承认 AI 解决的那一半："让 Oracle 这么黏的一件事，是你最后会写出上百万行的 stored procedure……而重写这些，今天其实确实容易多了。"
• ⚠️⚠️ 但反驳落在物理层，本页认为这是对这条流行判断最具体的一次降温：

  "迁移的大部分问题其实不是重写。" "你的 OLTP 数据库通常在支撑你最产生收入的那个应用。所以一分钟停机就意味着实打实的钱没了。于是你最后得把两套东西并行跑起来，而这样的风险是你会得到 split brain……任何试过去对账 split brain 的人都知道，那是个非常难的问题。"

• ✅ 而他给的反面对照是这条判断最有用的部分：⚠️ "数据分析那边的迁移其实挺容易，从一个仓库迁到另一个仓库。" ⚠️⚠️ 本页因此把分界线记在 OLTP / OLAP 上，而不是记在"模型够不够强"上。
• ⚠️ 而需求侧的变化反过来帮了 greenfield 策略："现在在企业里它反倒成了一个非常高频的用例，因为他们想让所有产品侧的人尽可能多地开发、创新。"
• ⚠️⚠️ 一条冠军角色的位移（[00:45:22]）："以前我们全部精力都投在开发者身上……现在我们有 CPO 跑来说'我过去十年都没写过代码，但因为 Lovable 和 Supabase，我现在在内部做了一大堆东西'——所以我们在 C 级有了 champion，而不需要围绕那里做一套很大的 motion。"

⚠️ 用对照组给销售定薪酬：本页最可直接迁移的一条机制

（[00:42:22]–[00:43:22]，⚠️ 全部数字为自述）

1. 看 product trigger（logo、正在 scale up、撞到限额、报错、付到某个金额），假设每周 1,000 个。
2. 给这 1,000 个正遇到问题的人发邮件，比如 500 个回了。
3. ⚠️⚠️ 不回的那一批当对照组："结果他们月环比增长 25%。"
4. 回的那一批交给销售，唯一任务是"跟这些人打上电话、帮到他们"（有全部流量模式，所以能给销售一份脚本，"AI 在这件事上帮了大忙"）："结果他们的账户增长 125%。"
5. ⚠️⚠️ "所以那 100% 的提升量，就是我们给销售发薪酬的依据。" ✅ 对照的是传统做法："传统上你会说，跟这些人通话然后卖给他们，然后你拿全额 quota。"

⚠️⚠️ 本页标注它的弱点：对照组是自选的（不回邮件的人），不是随机分配的，所以 25% vs 125% 这个差里含有选择效应。✅ 但本页认为这条仍然值得保存，因为它把"AI 辅助销售"从一句宣传变成了一个带归因设计的机制。

⚠️⚠️ "skills 作为护栏"的半衰期：一条差异化在约两年里被模型吃掉

（[00:46:22]–[00:47:22]）

"实际上，他们（Lovable）是第一批真正把'别让 agent 对数据库干蠢事'这件事做好的人——因为我们很早就遇到 agent 想把图片数据硬塞进 Postgres，他们为了让项目能跑起来就把 RLS 关掉。" ⚠️⚠️ "Lovable 写了非常好的 skills，来阻止他们的 agent 干蠢事。他们是第一批。"（✅ 主持人："这就是秘密酱料。"） ⚠️⚠️ "而现在模型本身已经不干那些蠢事了。"

✅ 本页认为这是本库目前关于"护栏型差异化能撑多久"最清楚的一个案例：一家公司的核心秘密酱料是写 skills 防住模型的愚蠢行为，而两年后模型自己不犯那个错了。⚠️ 而黏性问题的答案没有因此变化——被问"CPO 更可能和 Lovable 还是和 Supabase 结婚"，答案是"归根到底，运行数据库非常难"，✅ 加上主持人补的"迁数据库比迁前端工具更难"。

---

⚠️⚠️ "AI 是一个大均衡器，最后会互相抵掉"：本页第一条正面处理双边都用 AI 的材料（Mark Cuban，2026-10-28）

来源：a16z × Mark Cuban ⚠️⚠️ 立场：他全程在推销 Cost Plus Drugs 的四条业务线与售价约 2,000 万美元一台的 "pod"（✅ 自己三次主动声明"我在卖自己的书"）；节目是 a16z 自己的播客，主持方是在该赛道投资的 GP。本节商业与成效陈述为自述。

✅ 本页此前所有"AI 改变议价/价值分配"的材料都隐含一个单边假设：一方拿到 AI，对手方没有。这一节第一次处理双边都有的情形，而结论是悲观的。

⚠️⚠️ "理赔、上调编码、下调编码这些 bot war，是短期的东西……它在边缘上不错，是个好的短期打法，但它不会真的改变什么。" ⚠️⚠️ "因为 AI 是一个大均衡器。你的 AI、我的 AI，你的 OpenAI、我的 Anthropic，随便是什么——我们会互相打，你赢几局我赢几局，但最后它们会在某个水平上互相抵掉。所以长期我看不到剧烈变化。"

• ⚠️ 他留了一个短期例外："也许如果你是第一个进的，你能捞到一些东西，而且在一方有、另一方没有的时候你会看到一些诉讼和挑战。"
• ✅ 而他给了一条可检验的不对称预测：医疗提供方侧的 revenue cycle management "相当不错"；⚠️⚠️ 而保险巨头侧有结构劣势——"他们是靠并购长大的……3,000 家子公司，那是大量孤岛化的数据。所以他们很难变成 AI 原生的公司。我认为长期他们会很吃力。"
• 🔗 ⚠️⚠️ 本页标注这条必须被追踪，因为它目前没有任何对照：a16z 自己 2026-10-30 那期《当案子双方都用 AI 会怎样》（法律侧）本库尚未摄取、仍在候选列表里。✅ 届时应与本节正面对照。

⚠️⚠️ 一条结构判据："坏掉的系统，AI 修不好"

（[00:13:12]–[00:15:15]）主持人的提法是乐观的（"AI 能在很短时间里让一个全栈 health plan 被建起来"），⚠️ 而他把问题从能力挪到了环境：

"但这一切归结到谁承担风险。" ⚠️⚠️ "我是 AI 的超级粉丝，我活在里面。我觉得它在临床侧重要，在运营侧重要，而短期内最重要的是在合同侧。但现实是，在一个坏掉的金融系统里，即便你把 AI 引进经济、运营和流程，当它本来就已经坏了的时候，你修不好它。"

• 他给的两层机制：① 没有价格发现；② 合同的长度与复杂度本身就是武器——⚠️⚠️ 他称之为"契约恐怖主义"：达拉斯市的 PBM 合同 1,335 页，"地球上没有哪群人喝够咖啡，能抓住他们试图塞进来的每一条"。
• ⚠️⚠️ 而 AI 的能力边界他划得很干脆，本页认为这是本节最该引用的一句：

  "不管什么 AI——当然，希望你用 AI 来避免自己签一份坏合同，我觉得那是最低垂的果实——但一旦你签了那份带着你没完全理解的条款的合同，他们就赢了。地球上没有任何 AI 能保护你。"

• ✅ 所以价值全部落在签约前：⚠️⚠️ 最高杠杆动作被压缩成一个 prompt——"把你现有的合同丢进 AI，问一个问题：他们在哪儿坑我？我该怎么办？"（门槛"超过 1,500 名成员"）；反事实的规模是"如果代表 67%、1.6 亿多美国人的雇主只做这一件事，大型保险巨头与 PBM 的整个体系会垮掉"（⚠️ 自述、无模型）。

⚠️⚠️ AI 产生了信息，但信息被商业关系锁住：本页此前缺失的一条机制

（[00:21:20]–[00:22:21]）✅ 本页关于"AI 带来价格透明"的材料此前都假设信息一旦产生就会扩散。这一条给了反例的机制。

⚠️⚠️ "有几家上市公司我让他们这么做了，他们回来跟我说：天啊，我们完全不知道自己被坑得这么惨。而我求他们在季度财报电话会上提一句，他们不肯——因为他们还得跟那些保险公司做生意，哪怕他们出于任何理由离开了它们。"

✅ 本页标注这条的一般形式：发现方与被发现方之间存在持续依赖关系时，发现方会主动不披露——⚠️⚠️ 所以"AI 让不对称可被发现"并不等于"不对称会被消除"。这是本页在透明度这条线上第一次拿到的阻塞机制。

⚠️⚠️ IP 的供给侧拒绝：本页版权材料此前全在"用了该不该赔"那一侧

（[00:41:36]–[00:42:36]）起点是主持人引的 Aaron Swartz 的 "information wants to be free"。

• ⚠️⚠️ 机制一：专利被 AI 击穿。"到最近之前一直是 publish or perish……但现在，如果你试着申请专利，每个 12 岁小孩都会说：嘿，看这个专利，稍微改一改，做成我自己的专利。"
• ⚠️ 机制二：持有者因此转向封闭。"你可能会说：不行，你得来我的模型，每次访问付我 9,999 美元，或者要用推理你就得用我要求的这套软件，因为没人会把那个 IP 白送出去。"
• ⚠️⚠️ 落点：

  "我认为很多 AI 创业者的一个底层假设是——信息想要自由。信息也许想要自由，但拥有那份 IP 的人想法不一样。" "我们可以争论前端怎么选最便宜的模型来回答问题，但我们还没有讨论过：训练、后训练、RAG 一个模型所需要的那些 IP，如果那个人不愿意提供、但它又绝对必需，我们去哪儿找。"

• ✅ 他自己给这段加了认知标记："这对你们说得通吗，还是你们觉得我是个白痴？"
• ✅ 本页标注这与上文"版权：15 亿和解判的到底是什么"一节的关系：⚠️⚠️ 那一节处理的是"已经用了、该不该赔"；这一条处理的是"持有人干脆不给，而它是必需的"——是本页在这个题目上第一次拿到的供给侧拒绝视角。

⚠️ 顺带两条可记的产品设计

• ⚠️⚠️ 把合同本身开源当作产品：他给医院的直签交易是信任医生（无 pre-auth、无拒付）、按价按时付、承担病人自付的信用风险，换取更好的价格 + 把这份合同发布到网上"作为所有这些合同的开源"——✅ "任何雇主都能用，任何提供方都能贴自己的合同，哪怕你不想贴或不想用，也可以当谈判模板。" ✅ 本页认为这是一个罕见的"用开源解决信息不对称而非解决成本"的例子。
• ⚠️ 采用断点在中层（又一例）：cost plus marketplace 自述能给医院一年省几百万美元，⚠️⚠️ "我们能说服 CEO，但我们不总能说服采购的人去做"——🔗 与本页多份"企业采用断点不在模型能力上"的材料同形。

---

⚠️⚠️ 按跑过的 workflow 计费而不是按 token、SaaS 末日的可检验拆分、以及"正面打在位者"的路径依赖论证（Serval，2026-10-29）

来源：No Priors × Serval（Jake Stauch） ⚠️ 立场：他在卖 Serval（企业自动化，正面对标 ServiceNow），全部陈述为自述；节目由投资方主持。

⚠️⚠️ 一、定价单位：本页此前只从供给侧看过这个问题

（[00:21:11]–[00:23:14]）

• ⚠️ 他对支出周期的观察是分层的："我确实看到我们的 CIO 客户在试着从最初那个 token maxing 时代往回收。但我也认为我们在采用曲线上还太早，所以总量上不会是一次收紧——它其实会继续相当剧烈地上升，因为大多数公司还是第一次在搞清楚这件事。"
• ⚠️⚠️ 而客户要的不是省钱："他们知道短期会有一次回收，但他们仍然计划增加支出。他们需要的是更多 ROI 的证明。"
• ✅ 而他对这个对自己有利的题目给了否定答案，本页认为这处诚实值得记：⚠️⚠️ "而那很难。我不知道有谁真的搞清楚了怎么衡量你从买来的那些 token 里得到了什么。"
• ⚠️⚠️ 定价单位那条是本节最可直接引用的：

  "我们试着按跑过的 workflow 来定价，因为我觉得那更好地反映了实际被完成的工作——而不是只按 token，token 更像是啰嗦和低效。"

• 🔗 ✅ 本页标注这与既有材料的互补：上文的 token 定价论证全部来自供给侧（本页上文"开源基础设施如何捕获价值：按 token 计费而非卖工程师时间"一节（游凯超 / vLLM）、Baseten 的优化报价单）；⚠️⚠️ 这一条是应用侧的反向论证：token 数既包含价值也包含浪费，所以作为计价单位它把供应商的低效转嫁给了客户。本页认为两条并读才看得清"按什么计费"的两面。

⚠️⚠️ 二、SaaS 末日：一条拆成两半、两半都可检验的判断

（[00:23:14]–[00:25:15]）

⚠️⚠️ "所以确实会有一场 SaaS 末日，但发生在 point solution 那类小市值公司身上。我不认为你真能摆脱核心的记录系统——ERP、HRIS、ITSM、CRM。我觉得那些会留下来。它们可能会转变……所以我觉得会出现新一代在位者。但我不觉得那些类目会就这么消失。"

• ⚠️ 自建派的阻碍被他归为经济学而不是能力："所有试着自己 vibe code 这些工具的公司——尤其是主要的记录系统——都发现建和维护企业软件相当贵。即便你能做，很多情况下在经济上也不合理，除非你的需求非常特殊。" ✅ 他把它归成老问题："为不属于你核心能力的东西买现成的，一直是 build vs buy 的论点。"
• 他列的成本项：边缘情况、"会坏掉、人们得去更新它，所以你得配一支团队、你在付那份人力"，⚠️⚠️ 以及一条很具体的组织事实——"而且很多情况下没人真的想在内部工具团队工作。"
• ✅ 而收缩确实发生的地方他指得很清楚："很多公司有几百几百个 SaaS 应用，他们大概只需要几十个。所以那些 point solution 的泛滥会收缩，而它们会被核心的记录系统和核心平台吃掉。" ⚠️ 主持人补了一句被确认的："中间件我觉得也会直接消失。"
• 🔗 ✅ 与本页既有 SaaS 末日材料并读：Benedict Evans 与 Sinofsky 的"护城河 = 例外处理"、Mark Cuban 的"窄数据集是魔法，通用场景不是"。⚠️⚠️ 本页标注这一条的价值在于它把一个常被整体接受或整体否定的论断拆成了两个可分别检验的部分。

⚠️⚠️ 三、"边界就是产品"：价值捕获落在提权这一层

（[00:12:09]–[00:14:09]）✅ 完整论证记在 LLM 安全与治理，本页只记它的商业含义。

• ⚠️⚠️ "我们不是在自己造 LLM。我们在造护栏，在造边界。而边界就是我们的产品。" ✅ 推论反直觉："智能变得更好只会让我们的产品更强，同时也让客户更想把那些护栏收得更紧。"
• ⚠️⚠️ 而价值捕获那一步：agent 放大了"稍微超出常规的权限"能造成的破坏 → 企业收到真正最小权限 → 例外会一直出现 → "通过拥有企业里权限是怎么被提升的这件事，我们反而变得越强势、越不可或缺——你把终端用户权限收得越紧越是这样。"
• ✅ 本页标注这是一条少见的"对手变强对我有利"的结构：⚠️⚠️ 它不依赖模型层的差异化，而依赖一个随模型能力上升而加剧的组织需求。本页认为这类定位值得单独追踪，因为它是"模型商品化"叙事下为数不多的受益形态之一。

⚠️ 四、正面打在位者：两条标准打法与一条可迁移的论证

（[00:07:06]–[00:10:09]）⚠️ 本页按创始人叙事处理——"我们第一天就圈了 ServiceNow"这类讲法有强烈的事后合理化倾向。

• 被拒掉的打法一：建一个层、和在位者好好相处。 ⚠️ 主持人当场指出"这会给你设上限"，✅ 并给了唯一反例 Veeva（"从 Salesforce 上起步，然后迁移成了自己的平台——那是我能想到的唯一一个反向整合成功的"）。
• 被拒掉的打法二：下沉到中小与中端市场（✅ 主持人给的例子是 Rippling、HubSpot，⚠️ 以及"十年"这个时间尺度）。
• ✅ 而本页认为这一段里唯一可迁移的论证是这条，因为它是关于路径依赖、而不是关于勇气的：

  ⚠️⚠️ "如果你从第一天就为大企业建造，你最后会做出非常不同的决定。所有产品决策、你怎么搭团队、你怎么想增长，都和你先服务一个市场、然后希望以后扩张，根本上不同。"

• ⚠️ 而选 ServiceNow 而非 Salesforce 的理由也是具体的："我们并不真的理解怎么打赢那些别的公司、AI 解锁了什么他们追不上的东西。而我们理解的是，ServiceNow 根本上是一个工作流自动化平台"——而他们的主张是代码才是表达自动化的正确方式（⚠️⚠️ "拖拉拽的 workflow builder 对非技术用户太复杂、对技术用户又抽象得烦人"）。
• ⚠️ 在位者的弱点他讲得很具体："在那个平台上太难建东西……你每一个想做点酷东西的想法都得去实现，而且很多时候要请咨询公司"；⚠️⚠️ "所以它总是比你想它在的地方落后 6 到 12 个月"；✅ 而他给了明确的适用边界："如果你建的是一个要用 5 年、10 年的东西而业务不会变，那没问题。但如果你只是想跟上你想建的所有自动化，它跟不上。"

⚠️ 五、采用的职业激励框架：本页此前全是技术与经济论证

（[00:14:09]–[00:16:09]）

⚠️⚠️ "我们必须说服自己和客户：Serval 是你在公司里升职的方式。它不能是'Serval 是你冒的一个风险，希望另一边有点收获'……你不只是不会挨骂，你其实会升职。"

• ⚠️ 话术是："人们把职业生涯建立在 ServiceNow 上。你要把职业生涯建立在下一代上。" ⚠️ 自述证据是单个客户（Fox 全公司采用，一线主导迁移者被提名全公司 MVP 并获奖）——⚠️⚠️ 单例，不构成模式。
• ✅ 但本页认为这个框架值得保存：⚠️⚠️ 本页此前关于企业采用的材料几乎全部落在 ROI、工作流复杂度、数据治理、合规；这一条把决定因素放在个人的职业激励上，并把它当作产品定位的一部分。 🔗 与本页多份"采用断点在中层"的记录（Cuban 的"我们能说服 CEO，但说服不了采购的人"、Decagon）是同一问题的两种处理：一方诊断阻力在哪，这一方试图改变那个人的收益函数。

⚠️ 六、codegen 平台上"什么该进内核"的机制

（[00:19:10]–[00:21:11]）

• ⚠️⚠️ 纪律："我们其实从来不建定制功能。我们不建一次性的产品能力。而幸运的是在我们这个类目里，没人要求过我们这么做"——✅ 理由是"人们要的每一个东西，都是别的客户在某个时点也会想要的"。
• ✅ 定制落在另一层："你在 Serval 里建的东西非常非常独特——一家公司的密码重置工作流会和另一家的非常不同"；⚠️⚠️ 定位是"Serval 几乎变成了 IT 部门和其它部门建自动化、并大规模管理它们的那个 IDE"。
• ✅ 而升级成一等功能的判据是重复："如果我们看到同一批客户一遍一遍建同样的自动化、还得用同样的方式去定制它们，我们就开始考虑：这是不是该成为产品里的一等功能？" ⚠️ 两个例子：检测互相冲突或过期的知识库文章、回收没人用的软件许可。
• ✅ 本页标注这是一个可迁移的产品机制：⚠️⚠️ 在 codegen 平台上，"客户自建的重复项"本身就是路线图的信号源，而平台因此能用极低成本测试什么该内置。这比"我们听客户的"具体得多。

---

⚠️⚠️ "制造业中间层"与 co-engineering：价值会移到替 OEM 做设计的那一层（a16z American Dynamism，2026-10-29）

来源：a16z × American Dynamism 50（Connor & Aaron/Erin） ⚠️⚠️ 立场：a16z 自己的播客，两位是 a16z 投资人，全程讲自家 AD 50 榜单与自家组合，所有数字为自述。✅ 本页只取其中可脱离持仓评估的结构性论证。

⚠️⚠️ 一、本页认为这是全期唯一可脱离持仓评估的结构性预测

（[00:32:14]–[00:35:17]）起点是一个在位者的理性选择：

⚠️ "波音就是拿起电话打给 Honeywell……而 Honeywell 做的是说：我不想再去设计一套新的起落架了，我们有一套符合规格的，所以就继续一遍一遍做同一个东西。" ⚠️⚠️ "这是理性的。不管是一套 50 年前的起落架还是一套新的，他们拿到的钱是一样的。"

• ⚠️⚠️ 而断点是："当你不断迭代这些终端系统的新要求时，到某个点那个 50 年前的子系统就是不行了。" ✅ 理由不是物理变了而是输入变了：⚠️ "是的，物理没变，但物理的输入、那套设计的输入变了"（新材料）。
• 现状的诊断是"接收模式"：⚠️⚠️ "那一长尾的次级供应商，过去四十年一直处在接收模式……当你要一个新要求时，那个中间层没法替 Honeywell 思考、没法改那个要求——因为他们不在那个位置上。"
• ⚠️⚠️ 预测：

  "你会有这一层供应公司，他们实际上会和终端 OEM 一起做 co-engineer——不只是重新想终端系统能做什么，而是单个的子部件会被重新想、重新设计、重新制造。" ⚠️⚠️ "所以你会看到一波全新的、我认为会被叫做'制造业中间层（the manufacturing middle）'的东西——它会把设计与开发往供应链上游推，而不是只待在接收模式里。"

• ⚠️ 他另有一个自造提法："我们现在正在创造美国制造资产类别（the American manufacturing asset class）"，✅ 对照是私募股权——⚠️ "PE 看一个资产、买下它、改善成本、再卖掉。那没有从根本上改变我们造的那些东西。"
• ✅ 本页标注这条为什么值得长期追踪：⚠️⚠️ 它是一条关于价值在供应链中位移的具体且可检验的预测——去看未来几年次级供应商与 OEM 之间的合同里是否出现设计权的转移（而不只是价格与交期）。本页认为这比这一期里任何增长数字都更有信息量，也是唯一一条不依赖他们自家组合表现的判断。

⚠️⚠️ 二、"很多时候你必须拥有那个资产，才能真的改那个资产"

（[00:10:03]–[00:12:05]）

⚠️⚠️ "很多时候你必须拥有那个资产，才能真的改那个资产。不是每次都要，但很多时候——showing is believing 在物理世界里。而当你纯粹是个数字 AI 产品时，你差不多就能看见它，它非常容易转移、容易理解。"

• 案例（自家组合）：Mariana Minerals 买下一座铜矿、从取得 → 开发 → 开采 → 运营 → 精炼全链自营，最后卖终端商品；⚠️ 动机两条："矿业里的现有玩家就是不会快到足以采用技术"、以及要"捕获他们带来的新技术的终端价值"。
• ✅ 数据闭环："一旦你端到端拥有那个流程、并且在每一个阶段都用软件，你其实就把那些数据抓到了，然后它反馈回来。"
• 🔗 ⚠️⚠️ 本页标注这与上文"横向技术供应商：像芯片公司一样捕获价值"一节（Applied Intuition）正面冲突。✅ 本页的读法（不是任何一方的话）：⚠️⚠️ 两者面对的在位者不同——Applied Intuition 的客户是有能力自己迭代的汽车与国防 OEM，而这里说的是"现有玩家就是不会快到足以采用技术"的矿业。所以真正的分歧点是"在位者的吸收速度"，是一个可按行业分别判断的经验问题，不是普适原则。⚠️ 而这一期没有讨论这个区别。

⚠️ 三、国防采购作为学习曲线补贴，以及对 dual use 的一条精确限定

（[00:06:01]–[00:08:02]）

• ⚠️⚠️ 机制："不是造 100 个，而是说：也许造 100 个，但我们愿意付一个消费者或商业市场不会付的成本。于是一下子，那意味着更多机器能放进你的工厂、更多 CapEx 由政府在起点帮你付。然后那会让那些物理的东西既在财务上可行，也能达到真正触及消费者的规模。"
• ✅ 例子很干净：⚠️ "如果你在美国建一座新的 PCB 厂，那是个相当贵的操作……而如果你有一个国防买家作为第一个买家来补贴那笔 CapEx——你知道还有什么东西有 PCB 板？机器人。助听器。"
• ⚠️⚠️ 而对 dual use 这个词的限定本页认为值得单独保存："双用途这个词在投资里被谈得很多，而某种程度上我觉得它有点荒谬——同时聚焦太多事情对一家创业公司不好。但它 100% 是今天任何正在建的工厂、任何 neo-factory、任何能源生产的真实情况。" ✅ 即：双用途是工业基础的事实属性，不是创业公司的好战略。
• ⚠️ 而他们对历史的归纳是一次主体反转：政府曾是推动力（太空、互联网、核能），⚠️⚠️ "而现在不同的是，私营产业以及私人资本在说：我们其实要成为那个推动力。"

⚠️⚠️ 四、国防采购的制度性断点，以及"在要求之前就建"

（[00:17:06]–[00:20:09]）⚠️ 由自述曾在陆军服役的那位讲。

• ⚠️⚠️ 老问题是制度性的："买方不是使用者，而给买方拨款的人又完全是另一拨人。所以你有一堆脱节的决策者。" → 在位 prime 的最优策略是等（"告诉我你想要什么，等你给了我钱我再去开发那个东西"）→ ⚠️⚠️ "你最后拿到一个其实不是技术前沿的系统、一个为十年前开发的系统。"
• ✅ 新模式是把风险前移到私人资本："我们其实会提前出钱，你可以在政府说'这是给你建的东西'之前就建。" ⚠️ 案例是 Castelion（⚠️ 字幕里名字被写成多种形式）在拿到政府合同前的三年全靠私人风险资本。
• ⚠️ 他说"这在国防史上就是没发生过"——⚠️⚠️ 本页判此句太强（提前自研投标在国防史上并不罕见），按自述处理。
• ✅ 而"死亡之谷在消失"这条是可检验的（[00:43:19]）：⚠️⚠️ "国防里历来有一个关于'死亡之谷'的叙事——你怎么拿到政府合同来撑过这段需要建 CapEx 的时期。而真正让人兴奋的是，随着资本市场与风险资本的支持，那个东西开始消失了。"

⚠️ 五、"最重要"变成"最有价值"，以及它对人才的后果

（[00:22:11]–[00:24:11]）

• ⚠️ "这些公司过去不只是对我们最重要的东西——现在它们可以是最有价值的公司。而这是一个很大的区别。"
• ⚠️⚠️ "世界上最有价值的十家公司里，大多数是硬件公司。他们在造一个物理产品。"（⚠️ 口述，本库未核实）
• ✅ 后果是人才流向：⚠️⚠️ "过去对一个有抱负的年轻聪明人来说，去搞这些类目在经济上不值得。但 Palantir、Anduril、SpaceX 证明了你能在这些类目里建起真正大的生意。"
• ⚠️ 而他们对资本市场的主张是不做自上而下的产业政策（"钱会跟着创业者走、跟着成功走"），好处被说成灵活 + "在它变得显而易见之前就能给东西出钱"；⚠️⚠️ 而本页标注两处不可引用的数字（"JP Morgan 承诺了数以万亿计"、"2026 上半年国防风险资金超过去年全年而去年又是前一年的好几倍"）已记在 AI 算力与基础设施。

---

⚠️⚠️ 硬件→订阅的激励反转、"不卖数据"作为价值捕获决定，以及被度量方式强制的早期营销纪律（WHOOP，2026-10-29）

来源：All-In × WHOOP（Will Ahmed）（人物页：Will Ahmed）

⚠️⚠️ 全部规模与留存数字为当事方自述、无第三方来源，且访谈由重度付费用户主持（他多次主动替产品解释功能、片尾做口播式推荐）。本页只保留结构性论证。

⚠️⚠️ 一、本页此前缺的一份"转轨前后都经历过"的一手记录

（[00:02:00]–[00:07:03]）

• 规模节奏（自述）：约 12 年到 100 万会员 → 又约 18 个月到 200 万 → 约 6 个月到 300 万 → 预计 2026 年底约 400 万；定价按方案 15–30 美元/月。✅ 他自己的总结："和很多所谓一夜成功的故事一样，它花了很长时间才变成一夜成功。"
• ⚠️⚠️ 转轨前的那次观察是本节最可迁移的部分：2017 年面向消费者是一次性 500 美元，在市场上跑了 12 个月后观察到两件事——
• ① 买了的人会戴很久（⚠️ 他指出高留存在可穿戴行业恰恰反常："这个行业在流失率和参与度上一直是个挑战"）；
• ② 买的人不够多，"所以我们还有一个销售问题"。
• ⚠️⚠️ 于是问题被提成："因为参与度这么高，我们就问自己：有没有一种商业模型，让入门价格更低、人们能被引进来，而如果他们爱上这个产品，那长期对 WHOOP 也是个好生意？"
• ⚠️⚠️ 而"我低估了的那件事"是落点："我低估的是它改变了我们的 DNA 有多深。因为当你是一个订阅生意，你会变得真的痴迷于你已有的会员，可以说甚至超过新会员。于是一切都围绕创新周期、围绕持续快速改进产品、围绕对会员体验的痴迷。"
• ⚠️⚠️ 硬件激励的反转，本页认为可直接搬到任何硬件公司上：

  "当你是个硬件生意，你被激励每 12 个月出一次新硬件——不管它是否真有创新——因为你总需要下一笔硬件销售的那块钱。而且当你是纯硬件公司，你不被激励在既有产品之上做创新，因为你想说服人们买下一个东西。" "而我们的激励恰好相反。我们想在硬件真的有创新、真的是阶跃式更好的时候才发。"

• ✅ 证据形式是功能回灌到已售硬件（[00:06:03]）："18 个月前加入的人，可能不知道自己会用上 ECG 监测、房颤检测、advanced labs、health span、blood pressure insights。"
• 🔗 ✅ 本页标注这与本页既有材料的接口：⚠️⚠️ 本页的订阅/定价材料此前基本都在软件侧（Serval 的"按跑过的 workflow 计费而不是按 token"、SaaS 末日的拆分、两层市场结构）；✅ 这一条是硬件侧的同构论证，而且它指认的是激励而不是毛利——"纯硬件公司不被激励在既有产品上创新"是一条可以去外部核对的预测（看任何硬件公司在既有装机上回灌功能的频率）。

⚠️⚠️ 二、"我们不卖数据。你不是产品，会员资格才是产品"——这同时是一条价值捕获决定

（[00:19:11] + [00:42:23]）

• ⚠️ 主持人直接问的是变现路径："所有 AI 公司、那些前沿模型，是不是都想整体买你这份数据？这最终会是你们一个很大的生意吗？还是你们自己建模型？"
• ⚠️⚠️ 而他的选择很明确："今天我们在建自己的模型，公司内部的基础模型，本质上是在这份数据之上训练。"（同时也用开源模型。）配上数据政策："我们觉得我们挣到了积累这些数据的权利，因为我们有非常强的数据政策。我们不卖数据。你不是产品。会员资格才是产品。"
• ⚠️⚠️ 本页把这两句绑在一起读："不卖数据"不只是隐私承诺，同时是一条价值捕获决定——数据留在自己一侧、自己做模型、靠订阅收钱，而不是把数据当一次性商品卖给上游。
• 🔗 ✅ 这条取向与 Daniel Ek 在 Spotify 一侧的"前沿模型 + 自己微调的模型并用" 同向；⚠️⚠️ 而本页认为这两条合起来构成一个值得追踪的模式：手里有专有数据的应用侧公司，默认不把数据卖给上游，而是自己训一层薄模型——也就是说，专有数据的持有者选择的是价值捕获而不是一次性套现。
• ✅ 而他全期三次拒绝主持人递来的贬低竞争对手的话（[00:43:23]）："Apple Watch 是世界上最成功的智能手表"、"我对 Apple 有极大的尊重，我觉得他们是世界上做硬件和软件最好的公司之一"。⚠️ 本页记为一处立场克制，而不是判断。

⚠️ 三、自建 / 收购 / 合作：一条与多数公司话术相反的默认偏好，和一条商品化判据

（[00:41:23]–[00:42:23]）主持人直接建议他"干脆把 Omron 买了"、做自家品牌的血压袖带和体重秤。

• ⚠️⚠️ 他给的默认偏好："在很多品类里我们都在争论：是自己建、和人合作、还是做一次收购。而我们往往默认是自己建或者收购，而不是合作。"
• ✅ 而这次选合作的判据是商品化程度："在血压袖带这个情况里，我们觉得那是一个相当商品化的技术，而且那里确实有医学效力。" 形态是袖带只用于标定，目标是替掉袖带。
• ⚠️ 主持人在这里顺带给了一个估值口径（"我们就当是 100 亿美元估值、400 万会员、人均一年 250 美元、也就是 10 亿收入"），⚠️⚠️ 而 Ahmed 既没确认也没否认。本页不采信这组数字中的任何一个，只记它是主持人推算、未被确认。

⚠️⚠️ 四、一条可迁移的早期营销论证，而它的硬度来自度量方式

（[00:47:25]–[00:50:27]）本期的新闻点是 LeBron James 成为全球代言人；而他此前自费戴了 11 年、是头 100 名用户之一、"从未有任何正式关系"。

• ⚠️ 主持人的问题很准：你们早期的理念是不付钱请运动员戴（因为他们才是 ICP），这是理念变了还是一次性特例？
• ⚠️⚠️ 他的回答给了一条带适用条件的通用论证：

  "一般来说，如果你的生意还在 pre-marketing 阶段——也就是你还没到做大电视广告那种阶段——你花钱请任何人用你的产品都应该非常小心。你要的是人们真心喜欢你的产品。" ⚠️⚠️ "而且顺便说，因为你必须 24 小时戴着它，如果运动员不喜欢，我出多少钱都不可能让他戴着 24 小时。"

• ✅ 本页标注第二句才是硬的那一句：⚠️⚠️ 它不是价值观，而是产品形态给出的约束——佩戴率是这个产品的核心指标，而付费佩戴无法伪造 23.6 小时/天。也就是说，这个品类的早期营销纪律是被度量方式强制的，不是被创始人偏好强制的。 ✅ 本页认为这给了一条可迁移的判据：一个品类里"付钱请人用"有多危险，取决于使用深度能不能被度量。
• 演化路径是他自己给的，没有回避：顶级运动员自费使用 → 因为太喜欢而想投资公司 → 发展出 NIL（姓名、形象、肖像）授权关系 → 用于广告。
• ⚠️ 赛场佩戴的监管侧（[00:50:27]–[00:51:28]）：NBA "还在研究"；⚠️ 澳网曾要求多名球员取下 WHOOP，而国际网联（ITF）其实已批准比赛佩戴——"所以澳网算是越线了"，随后其他大满贯表态可戴。✅ 他给的框架中性："所以这是一种自然的演化：先抵触，再做安全检查。而顺便说，他们想对能戴什么保持限制是对的。"

⚠️⚠️ 五、一条反直觉的竞争事实，以及一条待追踪的市场分歧

• ⚠️⚠️ 被反复追问"Apple 做竞品会不会让你睡不着"，他没回答担不担心，而是给了一条事实陈述（[00:43:23]–[00:44:23]）："很有意思的是，10 年前市场上的竞争产品比今天更多。" 配 "很多公司进过我们这个领域，然后在无屏可穿戴或别的可穿戴产品上遇到了困难"，点名的那一代是 Jawbone / Fitbit，以及 Nike、Adidas、Under Armour 那一类。✅ 本页认为这比任何竞争表态都有信息量，因为它是可核对的。
• ⚠️ 主持人的追加判断本页不采信其因果："Nike 停掉这件事有多蠢……他们开了个好头，然后把这块生意给了 Fitbit，然后就退出了"——事后判断、无论证。
• 🔗 ⚠️⚠️ 而片尾一句一闪而过的市场判断与本页既有材料直接相撞（[00:54:30]，⚠️ 出自主持人、不是 Ahmed）："反 AI 交易——DoorDash、Uber、Figma，很多这些公司都被拉去后院打了一顿。" ✅ 本页有 DoorDash 两位创始人 与 Dylan Field（Figma） 的一手材料，两方都给过"为什么 AI 不是对我们的替代"的论证；而这一条是同期的市场定价读数。 ⚠️⚠️ 也就是说：当事方的论证与市场的定价在 2026-10 底是分歧的。本页把这个分歧记下并追踪，因为它可以被后续价格与财报检验。

⚠️ 六、顺带一条"把研究做成消费产品"的三要素

（[00:29:17]–[00:30:17]）

• ⚠️⚠️ "怎么把可信的医学研究、加上大量来自消费者的数据、再加上出色的设计结合起来——因为归根结底你得设计出一个人们愿意去看的分数。所以这里有很多科学，但也有艺术。"
• ✅ 他给的指标形式很具体："恢复分、还有现在的 health span 分，是 app 里被截图最多的页面。" ⚠️ 压力分"主要用 HRV，但也用其它传感"，且"这个分数是我们发明的"。

---

⚠️⚠️ "软件市场其实是一个影子劳动力市场"，以及结果定价的前提是"从一组事实就能知道要花多少算力"（Eve，2026-10-30）

来源：a16z × Eve（Jay）（人物页：Jay（Eve））

⚠️⚠️ 立场：主持人 Alex Rampell 是投资方（收尾明说"很高兴成为你的合作伙伴"，并自述曾替公司拉到一个客户），⚠️ 嘉宾的成果与规模陈述为自述、无第三方来源，片尾带招聘口播。✅ 但本页判定可用比例高于同类，依据是他对"端到端全自动办完过一个案子吗"给了否定答案（"还没有，但我们接近了"）。

⚠️⚠️ 一、一个产业为什么会完全没有软件：理由是对抗关系，不是预算

（[00:17:10]–[00:19:10]）

• "历史上原告律师业真的不需要比一台手机、一个邮箱更多的东西。说实话，连 Microsoft Word，有些独立执业者也不会买。"
• ⚠️⚠️ 而理由是工作的结构："你其实不怎么做红线修订。这是一个信任边界的局面——你这一侧和对面是对立关系，所以你不像在做合同审阅那样在协作。" ✅ 本页第一条用"协作 vs 对抗"解释软件缺位的材料。
• ⚠️⚠️ 而核心问题从来没被解掉："没有任何软件真正解掉他们的核心问题，也就是劳动力约束……而因为他们有劳动力、也擅长管理劳动力，每一个问题在他们看来都是用劳动力去解。"
• ⚠️⚠️ 于是资源全流向了有预算的那一侧："大量软件资源都去了辩方机构，因为预算在那儿。对 Harvey 来说，说实话对今天任何一家法律软件公司来说，绝大多数都在辩方这一侧。因为预算在那儿，而且那边好建、好拿钱。" 🔗 本页此前的法律 AI 材料（Legora）恰好就在那一侧，两份合起来才是行业两侧。

⚠️⚠️ 二、主持人贡献的那条 TAM 方法论修正

（[00:16:08]–[00:17:10]）✅ 本页认为这是主持人在本期最有价值的贡献，而且它独立于他的持仓。

⚠️ "VC 以前就是这样看错这个行业的：原告律师业的软件市场很小，他们都只买 Microsoft Office，所以软件支出一年也就几百亿，看起来小得可笑。" ⚠️⚠️ "但等一下——他们交付的结果是一年几千亿。他们交付不了更多，是因为他们在劳动力上被卡死。而他们没法按一小时 12 美分雇人，因为那不存在。" ⚠️⚠️ "所以这个软件市场其实像一个影子劳动力市场，而它比任何人预期的都大得多。"

• ⚠️ 本页标出这组数字是口述量级、无来源，✅ 但论证的形状不依赖数字精度：用当期软件支出估 TAM，在"该行业用人力替代软件"的场景下会系统性低估。
• ✅ 可反过来当筛选条件用：去找那些当期软件支出远小于其交付结果、且差额被人力填着的行业。⚠️⚠️ 但本页同时记下：这正是一个 VC 会喜欢的论证，所以它的吸引力本身不是它正确的证据。
• 🔗 本页此前的"软件吃掉服务业"材料多在供给侧讲"agent 能干活了"（Lassie、Netic）；这一条是 TAM 侧的修正。

⚠️⚠️ 三、一个案子的单位经济学：把"没有软件"从文化问题变成算术问题

（[00:36:17]–[00:37:17]）✅ 本页认为这组数字是本期最该被单独引用的事实。

⚠️⚠️ "假设你有一笔 25,000 美元的和解。律师大概拿到三分之一——就算 8,000。而那 8,000 里，大约一半去了劳动力支出，30% 去营销，剩下的也许是利润。" ⚠️⚠️ "因为是这样的生意，要把钱再投回去、好更好地服务下一个客户，就非常困难。真正能做到的唯一办法，就是今天去雇一个更好的律师。"

• ⚠️⚠️ 而转变是资产形态的转变："他们现在真的可以积累一个属于自己的数据库和数据集，让他们在某个法律子领域拿到比竞争对手更好的结果" → "而这其实就是专业化。"
• ✅ 他给的历史纵深让预测变得可检验：30 年前什么都接 → 按执业领域分化 → 护理过程中的出生缺陷 → "有人变得特别擅长涉及 X 和 Y 事实模式的软组织损伤案"；⚠️⚠️ 而经济机制是"针对那些案子投广告，可能比 Morgan & Morgan 这种更大的所到处挂广告牌要划算得多"。
• ⚠️ 而他说相反方向也在发生："那些长到很大的，正在到处收购别的律所，因为有了 Eve，以前非常痛苦的重新整合过程，现在可以直接围绕客户真正想要的东西来做，也就是一个法律结果。" ⚠️ 本页记为两条待观察路径——都来自厂商一侧、都对 Eve 有利。

⚠️⚠️ 四、结果定价的可行性条件：本页认为这是全期最可迁移的一句

（[00:39:17]–[00:45:20]）

• ⚠️⚠️ 先记那条倒转，本页认为它是本期最有意思的结构观察：主持人指出"你专注的这种法律形态从一开始就一直是结果导向的"——✅ 也就是说"按结果定价"不是 AI 时代的新趋势，而是某个行业里已经跑了几十年的既有制度，于是那个行业是可参照的先例，而不是实验场。
• ⚠️ 他给的在位者处境："按座位 SaaS 以前是'中杯、大杯、超大杯'，去任何 SaaS 公司的网站都是 79/99/129 美元一月"，⚠️⚠️ "这也正是 Claude 为什么能那么轻易地把它们全克隆一遍——它们长得都一样"；Zendesk 最后一次做上市公司时 20 亿美元 ARR、被 Permira 和 Hellman & Friedman 私有化，"而现在他们是：哎呀，你需要多少座位？也许是零"。
• ⚠️⚠️ 而嘉宾给的那句是落点：

  "而最终，要让法律真正民主化，需要的是：从一组事实出发，你得知道要花多少算力资源才能到达一个结果。" "而那是通过两件事发生的：数据的聚合与更好的使用，以及更好地实际跑那些算力去达成既定结果。"

• ✅ 本页读法：它把"按结果定价"的可行性条件说成一个可测量的量——单位结果所需算力的方差。方差够小才敢报固定价，方差大就只能按投入计费。这条判据不依赖任何法律知识，可直接搬到任何在讨论"要不要按结果收钱"的 AI 应用上。
• 🔗 ⚠️⚠️ 本页认为这应与 Serval 的"按跑过的 workflow 计费而不是按 token"（10-29） 并读，因为两者是同一问题的两个层次：Serval 讲的是计价单位该选哪个（workflow 而非 token，理由是 token 里混着啰嗦和低效），✅ 而这一条讲的是能不能定价。两条合起来才完整：先要方差够小才敢报结果价，然后才轮到选什么单位。
• ⚠️⚠️ 而其他法律领域做不到的原因被双方一致指认为数据缺失，不是意愿：
• 嘉宾："是 10 小时的活？100 小时的活？很多情况下你接下来之前真的不知道。"
• 主持人的精确版本：⚠️ "按小时收费的理由不是要坑客户，而是我脑子里想要什么、和我怎么表述它之间存在数据不对称，而且项目范围会随时间变"；⚠️⚠️ "他们在低的那个方向不会被烧到——'我收了你 25,000，我只花了一小时'；但会在高的那个方向被烧到——'我现在得花 4,000 小时的律师时间'。" ✅ 并给了公司法的做法："在公司法里这些其实是亏本引流产品，然后在 M&A 或 IPO 上补回来。"
• ⚠️⚠️ 他们自己的定价演化很坦白："第一天我们其实是从'中杯、大杯、超大杯'模式开始的，因为我们当时不懂" → 深挖后发现客户在乎结果 → "所以那逼着我们从非常早期就变成基于结果的——大约一年半以前，在今天这个世界里这算挺早的。"
• ⚠️⚠️ 而被释放的劳动力预算该花到哪，他给了直接答案："拿到更多有用产出的最好方式，说来奇怪，其实是把它花在更多 token、花在 Eve 能替你多做的活上。"
• ⚠️ 带让步的计费预测："按小时计费的模式——我不觉得它会完全消亡，但我觉得它会走上按座位模式那条路。"

⚠️⚠️ 五、"把爱因斯坦丢进律所他也产出不了"：应用层对模型层的最佳防线表述

（[00:20:10]–[00:24:12]）⚠️ 主持人问的是应用层创业者当下最怕的问题（"也许我是大厂的路边遗骸"），✅ 而他自己先给了框架："但'防守'这个词说小了它——如果你有网络效应、或者你有别人根本没有的数据，你就能交付更好的结果。所以谁在背后用 ChatGPT 还是 Claude，根本不重要。"

• ✅ 嘉宾先把立场说清楚："我们就是在赌这些模型会变得越来越好，而我们的价值恰恰在那儿。"
• ⚠️⚠️ 然后："问题是，如果你把阿尔伯特·爱因斯坦今天丢进一家律所，他会有相当长一段时间产出不出来。"
• ⚠️⚠️ 而三条理由全部是数据可得性，不是品牌或工作流：
• ① 数据不可爬："在原告律师业，绝大多数数据其实是不可爬的。真正和解并变成判例意见的案子不到百分之一。"
• ② 不对称的来源："保险公司是在和十万家不同的律所打交道……而因为信息分散在地方小所手里，这些小所并不知道 Geico 的每一步棋。"（⚠️ 辩方有 Colossus 这类给"一根断掉的拇指"定价的软件。）
• ③ 一个真实的知识缺口：⚠️⚠️ "你去 Google'怎么针对 State Farm 的软组织损伤案写一封出色的索赔函'——这东西今天哪儿都不存在。"
• ✅ 本页标注这是本页"应用层拿什么对抗模型层"材料里最具体的一条，🔗 与 Town 的三条防线（模型中立 / 用户拥有 context / 不训练） 构成对照：Town 的是契约与中立性，这一条是数据根本不在公网上。

⚠️⚠️ 六、一条战术因为对方有了算力而失效

（[00:49:22]–[00:51:25]）✅ 本页认为这是本期最具体的一个案例。

• ⚠️ 先记定价不对称："辩方这一侧基本上仍然在按小时的商业模式上运作。所以他们还没跟上我们这些律师的节奏。"
• ⚠️⚠️ 案例：辩方过去把证据开示的请求日期推到感恩节前一天（因为"他们知道那个人会去度假，然后被这一堆工作卡在假期里"）→ 这家律所在 Eve 上建了个当天就回的 agent → "战术不起作用了。" 他的概括："这就是对面也有资源时会发生的事。"
• 🔗 ✅ 本页的处理：与 Cuban 的"AI 是一个大均衡器，最后会互相抵掉"（10-28） 不矛盾——Cuban 讲的是均衡态，这一条讲的是失衡期，而失衡期的收益恰好落在此前被挤出的那一侧。 ⚠️⚠️ 检验点清楚：辩方从按小时转到结果定价需要多久，以及那之后这类优势是否消失。

⚠️ 七、顺带一条：瓶颈会搬到不受 AI 影响的制度环节

（[00:32:15]–[00:33:16]）主持人给的两例：

• ⚠️ 他自述和 Wells Fargo 有纠纷，试了 4 小时无果，于是让 Codex "起诉 Wells Fargo"——"4 小时后它真的起诉了，它甚至找到了一个送达人。我收到了要上庭的通知，但日期在二月。"
• ⚠️⚠️ 专利法："以前申请一个专利是那么多活，现在活少了，但你还有 USPTO，而那就是瓶颈。"
• ✅ 本页的一般结论：当一侧的生产成本被 AI 压掉后，瓶颈会移到不受 AI 影响的制度环节（法院排期、审查机关），而那恰恰是不能靠买算力解决的。

---

⚠️⚠️ Anthropic S-1：会计幻影、compute multiplier 与"降价的同时毛利在涨"，以及一个可季度核对的企业采用阶梯（All-In 第 295 期，2026-10-30）

来源：All-In 第 295 期（人物页：All-In 四位主播）

⚠️⚠️ 立场：Sacks 是现任政府官员、且是 Anthropic 监管诉求的主要公开反对者，本页对他关于 Anthropic 动机的陈述只记为"他的说法"；Jason 在节目进行中自述买入 Google。 ✅ 但本页认为本期的会计与口径部分可独立评估，因为它们指向可外部核实的 S-1 与财报。

⚠️⚠️ 一、那笔巨额"亏损"是会计幻影，而机制是标准处理

（[00:07:02]）

• "媒体一直在拿这个亏损数字当证据，说 Anthropic 要么是个假生意、要么整件事就是个泡沫。而那是个幻影数字。"
• ⚠️⚠️ 机制：它来自向基础设施伙伴（Amazon 等）发的可转换票据——随着 Anthropic 估值上涨，那些票据被按损失记在资产负债表上，再穿透进利润表；"但那不是真实亏损。如果他们当初就直接发股权，那笔亏损就不存在。那不是现金亏损。"
• ⚠️ 配上资本效率口径：累计融资约 1,100 亿、"整个公司历史上只花掉大约 90 到 100 亿"、账上还剩约 1,000 亿现金或等价物。
• ⚠️ 本页标出两点：① 转录稿对 billion 量级不稳（同一数字出现过两种读法），本页不写定具体数值；② 这是转述、本页未核实 S-1 原文，但可转债公允价值变动计入损益是标准会计处理，可外部核实。

⚠️⚠️ 二、一条可逐年核对的单位经济学：降价与毛利同向

（[00:08:02]–[00:09:02]）✅ 本页认为这是本期最有长期引用价值的一条机制。

"毛利率现在大概是 85% 这个水平。而对于一个给定的任务或能力，他们在交付那个任务的成本效益上，大约呈现每年 10 倍的改善。" ⚠️⚠️ "这让他们能把那个任务的成本砍掉——就算是 50%。于是消费者拿到了巨大的成本节省，而他们能实现的节省甚至更大，因为剩下那部分效率被他们留在了毛利里。" ⚠️⚠️ "他们在显著下调 token 价格，但毛利率涨得更快。"

• ⚠️⚠️ compute multiplier 的完整定义（归在 Dario 名下，本页认为这是本库第一次拿到）：raw compute（靠越来越好的芯片与越来越多的芯片扩）+ compute multipliers（算法改进、更好的数据筛选、更好的架构／更多 MoE）；"所以他们能用 1/10 的成本给你同一个答案，或者把那些效率拿去创造更强的能力。"
• ✅ 本页标注这条为什么重要：⚠️⚠️ 它把"token 降价"从一个竞争行为改写成一个会计选择——效率改善先被赚出来，再决定分给客户多少。于是"降价"本身不再是毛利被侵蚀的证据，而这正是此前商品化叙事的核心假设。 ✅ 而它可以逐季核对：毛利率与单位价格的方向必须同时为正才成立。
• 🔗 ⚠️ 本页标注这与本页既有定价材料的关系：Chamath 在 10-17 给的 CPM → CPC/CPA 演化、Serval 的"按跑过的 workflow 而不是按 token 计费"、Eve 的"结果定价的前提是单位结果算力的方差" 都在讨论计价单位该怎么变；✅ 而这一条是供给侧的成本曲线本身，也就是那些定价讨论的前提——每年 10 倍的单位成本改善，才使得"报一个结果价"在逐年变得更安全。
• ⚠️ 而 Sacks 把它当成对商品化叙事的反驳，⚠️⚠️ 但他接的那句带一个本页不采信的前提："而如果你相信递归自我改进已经启动——就像他们声称的那样——那他们的领先其实可能还会扩大。" ⚠️ "他们声称"这个限定是他自己加的；本页只记它被当成条件句使用。

⚠️⚠️ 三、一个可季度核对的企业采用阶梯，以及"ROI 论证完成了几家"的具体答案

（[00:26:14]–[00:29:18]、[00:46:27]）✅ 本页认为这是本期最该被长期引用的一条企业采用数据，因为它把此前的定性诊断换成了分布。

• ⚠️⚠️ 分层：约 4,000 万个人与小企业在 10 万美元以下；约 1 万家在 10 万–100 万；约 1,650 家在 100 万–1,000 万；只有 250 家在 1,000 万以上。
• ⚠️⚠️ 而机制是一条企业销售读法，不只是一个分布：

  "100 万以下之所以有这么多拉动，是因为公司大到一定程度就会把责任和预算往下分。在总监、经理、VP 这一层，有数以百万计的人手里拿着百万美元级的预算。所以在那个桶里可以发生大量实验——他们愿意同时签三个、四个、五个……八个、九个东西。" ⚠️⚠️ "而你一旦从一百万跨到数百万美元级的单子，它就变成一个要深思熟虑得多的提案，在公司内部要跨部门得多，而且你必须展示某种形式的 ROI 或总持有成本优势。"

• ✅ 而他自己把结论往下压了一层，本页认为这处自我削弱是这条数据最有价值的部分：

  "大约 1,900 家公司能清楚看到 ROI、可以开始签大额支票。而这 1,900 家里，很大一部分会是 AI 原生的公司、拿风投钱的。所以你得把这些剥掉。剩下的大概是几百家 Global 2000 那类公司。所以我觉得 ROI 这件事还有点投机性，但潜力在那儿。"

• ✅ 核对方式他自己给了："那 1 万家客户需要多久才能被展示出他们所需要的 ROI 算术，从不到一百万搬到个位数百万、再到数千万——这是一件你可以季度一季度去查的非常简单的事。"
• 🔗 ⚠️⚠️ 本页标注这与本页既有采用材料在诊断上一致，而这一条给了数量级对应：Serval 的"大企业不会在没有评审与合规检查的情况下上线 agent 能力"、Cuban 的"我们能说服 CEO，但说服不了采购的人"、Tenex 的 5% 漏斗 都在讲"断点在中层、要跨部门、要 ROI"；✅ 而这份客户分层第一次给出了那个断点在账面上的样子。

⚠️⚠️ 四、一张"全价值链人人赚钱"的图，以及它当场被拆掉的那一格

（[00:12:02]–[00:15:05]）✅ 本页认为这处当场互纠值得单独保存，因为它恰好是本库最常标注的那类缺陷在节目内部被抓住的一次。

• 前三环（都有 S-1 或公开财报口径，本页保留）：NVIDIA 每 1 美元 COGS → 4 美元收入（75% 毛利） → 集群运营方约 83% 毛利（口径是五年折旧：Colossus 1 花了 100 亿、每年折旧 20 亿，而"每月在 Colossus 上赚 12.5 亿"；⚠️⚠️ 转录稿此处把持有方写成 "SpaceX"，但 Colossus 是 xAI 的集群——本页按内容判定指 xAI，并标出该处不可直接引用）→ Anthropic 每一块增量收入约 85% 增量毛利。
• ⚠️ 结论："说到底，NVIDIA 花掉的一美元，变成了 Anthropic 卖给客户时赚到的 18 美元。"
• ⚠️⚠️ 而第四环是客户回报，这里是关键：作者的说法是"客户赚的钱大约是他们花的钱的 2 到 10 倍，否则大概就会出现留存问题和支出下滑"；⚠️⚠️ Chamath 当场点出"最重要的那件事，是你说的最后那个格子——你在上面写了'假设'"；✅ 而作者的回答是"那个格子是我编的。我写了假设 2 到 10 倍。所以我……我完全不知道"（替代依据只是自己的使用体验）。
• ⚠️⚠️ 本页的判断：整条"全价值链人人都在赚钱、所以 AI 真的在产生生产力"的论证，最后一环是一个被作者自己承认编造的区间。本页因此只保留前三环，并明确记下第四环无依据。 ✅ 而本页认为这正说明为什么"客户侧 ROI"必须单独取证，而不能从上游毛利反推。
• ⚠️ 一条定价推论本页认为比那张图有用（[00:16:06]）："毛利那么高，其实在定价上有很好的弹性，所以可以把价格往下压并开始把市场切层——更便宜的 token 给更便宜更容易的任务，而高端任务为智能收更高的价，开始按价格点把他们提供的智能分级。我设想大家都会走到那儿。"
• ⚠️⚠️ 而需求侧有一个与之配套的饱和点被 Jason 指出（[00:55:32]）：二三档模型在降价，而"企业在说：这对我来说够了" → "于是他们不觉得有必要用上最新最强的那一档"（例外是科学与数学）→ "如果他们能让二三档每年便宜 10 倍，Jevons 悖论会更明显。" ✅ Sacks 的补充是应用形态带来的 token 强度上升："agent 比 prompting 用多得多，网络防御会比一年做一次渗透测试用多得多……所以价格会继续往下走，但市场规模一直在变大。"
• ⚠️ 而 Sacks 对最大风险的表述比"商品化"更精确："最大的风险因子是开源模型的某个版本——也许不是追上他们，而是在一个低价点上把智能饱和掉"，范围限定在"编码这类占市场很大一块的东西"。

⚠️⚠️ 五、Google 的 5000 亿：一个与"AI 吃掉搜索"竞争的、可检验的替代解释

（[01:01:34]–[01:13:39]）✅ 本页认为这一段值得保存的核心理由是：市场把这件事读成"AI 在吃掉搜索"，而本期最具体的那条解释是广告竞价机制变了。

事实面：Q3 财报后当日跌 10–15%、约 5,000 亿美元市值被抹掉；连续两季搜索收入未达预期，尽管搜索量大幅增长——"点广告的人没有增长"；Google Cloud 同比翻倍到 307 亿；整体收入同比 +25%；搜索增长 12%、从 17% 降下来。

• ⚠️⚠️ 那条替代解释（[01:07:38]–[01:10:38]）：广告竞价从 Vickrey（次价）拍卖被改掉，于是"超额收取"。 ⚠️ 来源是某个自称多年每月在 Google 投放 50 万美元以上的广告主的公开指控（获约 500 万次浏览），未经核实；Chamath 三次标明不确定（"这些是他的说法，我不知道是不是真的"、"我不在 Google 生态里花钱"）。
• ✅ 机制说明（他给的）："典型的 Vickrey 拍卖里：我若是次高价方，最高价方会按我的价格成交。所以这是一种非常好的价格发现方式。" 配一条一手史料："在 Facebook，我们建第一套广告系统的时候本质上就是照抄这个，把 Google 的功能一条一条抄了过来。"
• ⚠️⚠️ 定性："这个特许权本质上在挖东墙补西墙，把未来的钱拉到现在来平滑利润。" ⚠️ 他给投资者关系部门的建议是"请读一下然后驳倒它，或者想办法抢在它前面"，并指出"这些说法从七月就在外面了"。
• ✅ Friedberg 给了同一条的独立版本："这可能很大程度上是广告定价算法变化驱动的……而随着时间推移，广告主会看到、会体验到，他们会减少支出、流失掉一些钱，然后这生意看起来就不会那么好了。"
• ⚠️⚠️ 本页的判断：本页不认定这个指控成立。但它必须被记下，因为它是一个与"AI 替代搜索"竞争的、机制明确且可检验的解释——而两者对未来的含义完全不同：若是拍卖机制，那是一次性的定价透支、可以被修正；若是 AI 替代，那是结构性的。 ✅ 本页认为这正是该保存的那类分歧：同一组财报数字，一个叙事不可检验，另一个可以。
• ⚠️ 而把"搜索被颠覆"拆成份额与绝对值的那一步也值得记（[01:11:39]）："搜索的相对份额确实下降了，但绝对收入仍然增加了。同比还是涨 12%，从 560 亿到 630 亿，约 70 亿绝对增量"；"份额跌到 50% 以下，是因为其它业务增长快得多，主要那一个是 Google Cloud" → "是 Google Cloud 的崛起让 Google 搜索看起来在衰退。"
• ⚠️ 而结构转型会换掉股东基础这条机制本页认为值得记：若广告收入占比跌破阈值，"他们看起来就更像一个结构化的集团公司：一个 YouTube 块、一个 GCP 块、一个 other bets 块、一个搜索块。没有一个占主导"——⚠️⚠️ "在某种意义上其实更好，因为你更多元；但你得走过一个复杂过程，一堆人可能不想持有那种生意，而买方池是不同的……一堆人会说：噢，这太复杂了。"
• ✅ 而本页认为本期最可操作的一条跟踪指标是 Friedberg 给的："有没有一个消费者 AI 替代品开始产生有意义的收入来替掉那块收入，而那条收入斜坡相对于核心搜索的走平或下滑是什么样、发生得有多快？"

---

⚠️⚠️ "我们不是一家 SaaS 公司，我们就是那家机构本身"，以及"managed agents 是你交出可被替代性的地方"（Arca，2026-10-31）

来源：Latent Space × Arca（Aman Singh）（人物页：Aman Singh（Arca））

⚠️ 立场：他代表 Arca（AI 原生财富管理机构，自述近期融资 6,400 万美元），全部成果与规模陈述为自述。✅ 但本页判定厂商色彩异常轻，依据是他给了三处明确的"没有"（不做自主交易、交易失败恢复没有用决策模型、不用 managed agents）和一处自我不利的让步。

⚠️⚠️ 一、一条本页此前没有的商业形态，而它在本期承担三个不同的论证

• ① 用来解释为什么能把工作方式标准化（[00:13:08]）："我们其实不是一家 SaaS 公司。我们就是那家机构本身。所以我们可以把这件工作本身发生的方式标准化，这样我们的 agent 就能以工作必须发生的标准方式参与进来。"
• ✅ 而他把要被操作化的东西说得很准："这一切都是我们为了把这个行业怎么运作的上下文操作化而做的工作。但不只是那个——还有 Arca 想让它怎么运作，以及我们关于这个行业里工作怎么发生的原则是什么。"
• ② 用来解释为什么能拿到评估数据（[00:20:10]）："那是我们作为这门生意本身、而不是一家 SaaS 公司的另一个优势——我们有能力要求他们给我们反馈。" ⚠️⚠️ 本页认为这一条最实在：SaaS 厂商只能请求反馈，而雇主可以把它变成流程要求。
• ③ 用来和"拿着 AI 工具的服务机构"划界（[00:15:08]）：⚠️⚠️ "做一家有 AI 工具可用的服务机构，和做一家从一开始就被建成 AI 原生的机构，是非常不同的。拿着 AI 工具的那家机构，需要它的用户去 prompt 那些 agent 来产出工作" → "而在 Arca，agent 催人比人催 agent 多。" ✅ 而对模型厂商下场（Anthropic 进入金融服务）他的评价是"非常验证我们这个行业"——差异化落在形态而不是能力，本页认为这比"我们有行业数据"那类回答更可检验。
• 🔗 ⚠️⚠️ 而本页认为最有价值的是它与 Eve（10-30） 构成的同周正面对照，因为两者在同一个问题上选了相反位置：
• Eve：把软件卖给原告律师事务所，护城河论证落在"数据不可爬"（判例意见不到百分之一、索赔函的写法"哪儿都不存在"）。
• Arca：不卖软件、自己当那家机构，护城河论证落在"我们可以规定工作怎么发生"。
• ✅ 本页不裁决，但指出可检验点不同：⚠️⚠️ Eve 赌的是"把分散的知识聚合起来"，Arca 赌的是"从零建一套标准就不用去聚合"。 ⚠️⚠️ 而后者的代价是明确的：它必须自己承担一家受监管金融机构的全部经营负担，所以它的扩张速度上限不是销售周期，而是开展业务本身。本页认为这正是这两条路线最该被长期追踪的分歧点。
• 🔗 ✅ 而本页标注这与既有的 FDE 三方分歧（Serval 当解法 / Decagon 判陷阱 / Cuban 判能力测量）是同一问题的更极端版本：FDE 之争是"要不要派人进客户那里把知识操作化"，而 Arca 的答案是"干脆自己当那个客户"。

⚠️⚠️ 二、"应用层拿什么对抗模型层"的第三种说法，而界线划在记忆与运营知识

（[00:13:08]–[00:15:08]）被问到 Anthropic 的 managed agents（主持人同时指出"它显然带来一个危险，就是人不再必然在环里"）。

• ⚠️ 他先把态度分开："我们对来自 Anthropic 以及像 OpenAI 这样的实验室的模型非常看多，但对把依赖押在像 managed agents 这样的产品上就没那么看多。"
• ⚠️⚠️ 而理由不是能力、不是价格：

  "因为 managed agents 的一个关键点，是模型怎么持久化并贡献关于世界上在发生什么的记忆，以及它们为了成功所需要用到的全部运营知识。" ⚠️⚠️ "所以让它们拥有这门生意的那一部分，算是一种风险——因为拥有那个就是拥有你的智能……如果你把智能交给另一个提供方，你就失去了一部分你需要的控制权，而那是你用来建出某种独特、为你这门生意量身定制到足够高程度、以至于它真能影响你生意的东西所需要的。"

• 🔗 ⚠️⚠️ 本页记为"应用层防线"的第三种说法，而三者划的线不同：
• Town（10-19）：模型中立 + 用户拥有 context（"切走只要一天"）+ 不训练 → 界线在契约与可迁移性。
• Eve（10-30）：数据不可爬 → 界线在那些知识从来没被写下来过。
• 本条：⚠️⚠️ 界线在记忆与运营知识这一层的归属权——而这一层恰好是 managed agents 这类产品正在接管的东西。
• ✅ 本页认为这一条最直接地指认了模型厂商向上吞并的那个具体接口：不是模型，不是工具调用，而是"谁来持久化这门生意的运营知识"。而它给了一条可操作判据——凡是会把你的运营记忆放进厂商产品的集成，都在交出可被替代性。
• ⚠️ 而配套的技术选择是模型无关的自建 harness："作为一条原则，我们想要模型无关，不要对某个提供方或某个实验室的某个 harness 形成依赖，给我们自己留着那个可选性。" ⚠️ 使用史是"很早以前在 Gemini 上，然后 OpenAI，然后 Anthropic"，当期主力是 Claude。

⚠️ 三、顺带一条分工定义，以及它对合规的含义

（[00:01:01]–[00:02:03]、[00:06:05]–[00:07:06]）

• 分工："Arca 里 AI 的角色不是取代顾问。它是取代顾问周围的全部工作。所以我们的客户其实并不直接接触 AI。"
• ⚠️⚠️ 而人在环的档位里有一条非安全理由值得记："动钱、变现资产、甚至直接和我们的终端客户沟通"被放进同一个限制档位，依据是 "因为有一个我们期望的服务与质量水平"。✅ 本页标注：这说明在这类受监管服务里，人在环的边界可以由服务标准而不只是风险来划——而把客户沟通当成受管制动作，是本页此前没有的。
• ✅ 而他给的监管区分很干净（[00:11:07]）："这个行业在乎结果，但合规在乎可审计性。" 🔗 实现（审计日志默认开启、且同时覆盖人类操作者、并被复用成 agent 的事件总线）记在 LLM 安全。

---

⚠️⚠️ 模型厂商自己来说"应用层还剩什么"：95%、那 5%，与十亿美元 plugin 生意（OpenAI 金融团队，2026-10-31）

来源：Latent Space × Joseph Kim（OpenAI，ChatGPT 金融业务）（人物页：Joseph Kim（OpenAI））

⚠️ 立场：他是 OpenAI 的产品负责人，在推刚发布的 ChatGPT for Financial Services（企业向，设计伙伴 Morgan Stanley 与 Evercore）。✅ 而本页收录这一段的理由是方向——本页既有的"应用层还剩什么"材料几乎全部来自应用层方自己在划防线，这一条是模型厂商在说同一件事。

⚠️⚠️ 一、"95% 是创业公司绝对能做的"

（[00:07:04]–[00:09:04]）

⚠️⚠️ "讲 post-training 那部分很有意思，因为那是我们独有的、能让人兴奋起来的东西。但我们建的东西里 95% 是创业公司绝对能做的、别的公司能做的。而且我们并不真的需要动用我们改模型的能力，就能建出很棒的产品。"

• 架构事实：产品大部分建在 ChatGPT 的 plugin 架构与 primitives 上，⚠️⚠️ "用的就是任何想在 ChatGPT 上做东西的 builder 都能拿到的那些 primitives"；理由是组织同构——"OpenAI 内部面对的问题，和一家创业公司要在 OpenAI 上面做东西时面对的问题，基本是同一批"。
• ⚠️⚠️ 团队立论是一条 80/20，而关键在后半句："Codex 能把你带到一个能在市场上成功的产品的 80% 左右，但那 20% 是缺的。……而立论的另一半是，如果你就把 Codex 拿去当成一个金融产品发布，它会失败。所以那 20% 其实是决定性的。"
• ⚠️⚠️ 可检验的预测："我真的认为会有一门十亿美元的生意，建在一个 ChatGPT plugin 之上。你能借到全部那些横向的功能，然后只把你的秘方加在上面。" 秘方清单：数据、UI 改动、某个集成。

⚠️⚠️ 二、本页的综合：两边在"剩下的是数据"上意外一致

• 本页既有的应用层防线，都是应用层方自己划的：Town 的契约与可迁移性（模型中立 + 用户拥有 context + 不训练）、Eve 的数据不可爬、Arca 的"运营知识的归属就是智能的归属"。
• ⚠️⚠️ 而这一条来自对侧，且给出的答案与 Eve 那条重合了一项——数据。 ✅ 本页认为这个重合是这一期最值得长期保存的东西：当买卖双方对"模型厂商吞不掉的那部分是什么"给出同一个答案时，这个答案比任何一方单独主张时更有分量。
• ⚠️⚠️ 但本页必须标出同一期内的一处张力，而它恰好削弱了"95%"那句的适用范围：他自家产品里那 5% 的核心，恰恰是下一节那个"把数据买进来自营"的决定——而那需要的是采购预算与供应商谈判能力，不是模型改动能力。 ✅ 所以"创业公司也能做"在技术栈上成立，在那条数据决定上未必成立；而他自己给的客户反馈排序（"客户最常点名的第一件事就是数据"）正好指向后者。
• 🔗 ⚠️ 而这与 Arca 拒绝 managed agents 形成同日的直接对峙：Arca 的理由是"拥有那个（记忆与运营知识）就是拥有你的智能。如果你把智能交给另一个提供方，你就失去了一部分控制权"；而本期的立论是"建在我们对外开放的同一套 primitives 上就够了"。 ✅ 本页不裁决，但指出争点很干净：双方都同意横向能力归模型厂商，分歧只在"记忆与运营知识"算不算横向能力。

⚠️⚠️ 三、MCP 的实测负面结果，以及由它推出的数据自营

（[00:05:03]–[00:06:03]）✅ 本页认为这是这一期最硬、最可被别人独立复测的一条，而它是一个关于生态 vs 自营的商业决定。

• 第一性原理上难辩护：⚠️ 反方意见他说全了——"商店里就有一个 MCP 连接啊，你把它打包进来，提供的增量价值到底是什么？"、客户可能已有 license 会觉得在付两遍钱。
• ⚠️⚠️ 而实测推翻了它：

  "而现实是我们去把这些 MCP 都测了一遍。我们发现错误率真的非常非常高。某些我们接的 MCP，一些大厂的名字，错误率 40% 以上。" "MCP 就是那种在纸面上看起来很好、但你必须去看数据、看实际在发生什么的东西。"

• 结论："唯一能规模化修好这件事的办法，就是把数据搬进来自己做，端到端控制那个体验"，"额外付的那笔打包数据的钱是值得的"；✅ 验证来自客户侧——"客户最常点名的第一件事就是数据"。
• ✅ 本页标注方向：⚠️⚠️ 讲 MCP 的材料通常来自生态推动方（协议是对的、工具会接上来）；这一条来自一个有能力接任何 MCP 的买方，而结论是不接、改成自营。本页认为"40% 以上错误率"这个量级比"MCP 质量参差"有用得多，因为它可证伪。
• ⚠️ 利益方向：他在为自家"额外收费打包数据"辩护，所以有动机把外部 MCP 说得更差。 ✅ 但本页认为这不构成否定——数字具体，而 MCP 质量任何人都能独立复测。

⚠️ 四、两条配套的商业事实

• 企业先行再向下渗（[00:25:11]、[00:27:11]）：现为企业产品，"我们在非常努力地让它对 pro 计划上更多的 prosumer 可用"；✅ 主持人把这概括成惯例："很典型的 OpenAI 做法——先给企业做东西，然后它会渗到常规模型里。"
• ⚠️⚠️ 垂直智能不被独占（[00:02:02]）："所有我们为金融推理分析做的训练数据，都走上游进入我们叫 the big run 的那个主训练" → "所以那份智能对想在它上面做东西的人也是可得的。" ✅ 本页标注这条是上面"95%"那句的制度性配套：如果垂直数据只进第一方模型，plugin 生态的十亿美元预测就不成立。 ⚠️ 但这是自述，无法从本期核实。
• ⚠️ 一条组织判断（[00:26:11]）："我认为在某种意义上，优秀的产品管理是想在这个领域赢下来的主要瓶颈。"

---

⚠️⚠️ 合伙制为什么挡着知识沉淀、"数据"其实是两样东西、以及"agent 能不能就是 API"（Legora，2026-11-02）

来源：Latent Space × Legora（Jacob Lauritzen，CTO）（人物页：Jacob Lauritzen（Legora CTO）；同公司商业侧见 Max（Legora CEO），2026-07）

⚠️ 立场：Legora 的 CTO，自述、无第三方来源。✅ 本页标注五处对自己不利的陈述抬高了可用度：主动说自己"永远只要 20 个工程师"的判断错了、对"初级律师没了"直接否定、承认复杂 eval 到最近才值得做、对自家 API 战略说"抗了很久且现在也不承诺"、把生意里最难看的结构性缺陷当成主线自己说出来。

⚠️⚠️ 一、合伙制与人力资本：一条产权解释，且自带可检验推论

（[00:14:09]–[00:16:10]）✅ 本页认为这是本期最原创的一段，而且与本页既有的律所经济学材料不重叠。

• 合伙制为什么存在，推理链很短：

  "合伙制之所以存在，差不多是因为这些公司唯一拥有的那类资本就是人力资本。不像我们、不像一家软件工程公司、不像一个制造商——你有实物资产、或者某种随时间累积的无形资产，而它们给股东付股息。但如果你在专业服务这样的行业里，你全部的价值都在你的人身上，而你没法真正拥有人力资本。" ⚠️ "你没法拥有人，奴隶制已经被废除了。但你可以租他们——你付他们钱。所以合伙制本质上是一种结构：你把人力资本变成公司的所有者，这样他们就留下。"

• 而他们想造的是律所从来没有过的那种资产："让律所能够建起某种无形资本、某种持久的资本——你可以建一个会学习你们怎么工作的系统"；把"我们这家律所的做事方式"编码下来（"不管那是一张自我改进的知识图谱还是别的什么，加上先例文件和文档"），"而那可以成为他们的 IP"。
• ⚠️⚠️ 而激励是反的，这是本页认为这一段最值钱的部分：

  "我们需要搞出一种激励结构，让合伙人有动力去把东西编码下来、为公司建一项资产。但现在他们没有动力——因为他们一旦离开合伙制，就拿不到他们建起来的那些资产的任何分红。"

• ⚠️ 他自己的定性是未决："我觉得整个商业模式……我们再看吧。"
• ✅ 本页标注这为什么比通常的"行业抗拒变化"有用得多：⚠️⚠️ 它是一条关于产权的解释——知识沉淀需要有人承担当下的成本，而收益归属于一个他离开后就不再分配给他的资产。于是它给出了一个明确的可检验推论：如果有律所真的开始大规模沉淀知识，那么它的合伙人分配机制里应该先出现对应的改动。本页认为这个推论比任何关于 AI 采用速度的预测都更容易被观察到。
• 🔗 而它与本页既有材料接上另一头：Eve 把原告律师业的瓶颈指认成供给约束与 5,000 美元费用线；Legora CEO 说"法律服务 1 万亿/年但软件只占 4%"、并把 billable hour 的颠覆当成前提。 ✅ 这一期指出的是：即便需求与定价都松动了，知识沉淀这一步仍然卡在合伙制的产权结构上——本页认为这是本库目前对"为什么法律行业的知识资产一直没有被建起来"最具体的一个解释。

⚠️ 二、"为什么这次不一样"的一个反面陈述，与计费侧的实际迁移

（[00:18:11]–[00:20:11]）

• ⚠️⚠️ 他自述当年劝退 CEO 的理由，本页认为这是整期最好的一条反面陈述："这件事人们已经试过一百万次了。legal tech 从来没成过，因为律师没有动机去提高效率——他们会赚得更少。这根本说不通。"
• ⚠️ 而改变原因是外部压力而不是内部意愿："他们明白了形势的严重性。他们知道商业模式和一切都在承压。他们必须变，因为竞争压力太高了。"
• ⚠️ 计费已经在动："特别是在美国，一堆东西实际上是按项目费而不是按小时费定价的"——"特别是谱系上偏低端的那些，比如小规模的审阅之类。老实说其中一部分现在是免费做的，还有一部分就是按一个固定价。" 价值向战略与诉讼侧集中。
• ✅ 而客户关系那类历史上白做的事被改了成本结构："很多律所历史上一直会为了维持跟客户的关系基本上免费做些事……所以现在他们还能那么做，但不必在上面亏很多钱了。"
• 🔗 ⚠️ 本页标注这与 Eve 的结果定价 不是同一件事：Eve 谈的是把定价挂到结果上；这一期描述的是低端工作的定价正在塌成固定价或零。 ✅ 两条可以并列，因为它们是同一个行业里不同层级的两种定价迁移。

⚠️⚠️ 三、"数据是护城河"要分成两样东西：输入买得到，过程买不到

（[01:00:29]–[01:01:29]）✅ 本页认为这条修正了本页多条既有主张，因此该被单独保存。

• 主持人提的方案是"你买一家律所"，⚠️ 他先给了一条法律上的不确定："那边有一些关于他们的数据到底是不是他们的、还是客户的的事。所以如果客户都走了，那也许就没问题。我其实不知道。"
• ⚠️⚠️ 而真正的反驳在后面：

  "买律所数据的问题是：你拿到的是全部真实的输入，这很好。但输出就难办一些了，因为你只拿到最终结果是什么，而很难搞清楚……你基本上得反过来把他们是怎么走到那儿的逆推出来。" ⚠️⚠️ "所以在我们产品里，当我们拿到真实用户的真实 trace 时，那是极高价值的。但如果我们只是拿到这个输出、而我们不知道它是好还是坏、也不知道它是怎么被做出来的，那就有点难办。"

• ✅ 本页的归纳：⚠️⚠️ 本页记过多条"数据是护城河"的主张（Eve 的数据不可爬、Legora CEO 的"数据要全不要 80%"、Joseph Kim 把数据列为 plugin 生意的秘方之一）。而这一条指出"数据"在这里是两样不同的东西：输入语料与过程 trace。存量文档买得到，而"怎么从输入走到输出"买不到——于是数据护城河的真正稀缺项不是语料规模，而是带过程的样本。
• ⚠️⚠️ 而本页必须记下随之而来的讽刺，因为它是这一期的结构：他比谁都清楚过程 trace 的价值，而他的生意结构让他看不到它（"我们基本上看不到任何 trace……他们手上很多数据甚至不是他们的，是他们客户的"；完整记录在 评估与 Benchmark）。✅ 本页认为这说明"数据不可爬"这条护城河是双向的：它挡住竞争者，也挡住自己。

⚠️⚠️ 四、"agent 能不能就是 API？"

（[00:47:26]–[00:49:26]）✅ 本页认为这是一个本页此前完全没有的产品形态问题。

• ⚠️ 先记 API 战略本身："那不是我们现在承诺的事。我们确实有 API 可以对着建，但不是产品的全部表面。" 理由是版本维护成本："我们大概六个月前才开始做我们的 API。我们抗了很久。主要是因为——我就是不想因为要为一个我们已经改掉的数据模型维护旧 API 版本而被拖慢。" ✅ 而这个判断是规模相关的："现在我们更大了……但当我们是 20 个工程师的时候，我们动得太快，根本做不了这个。"
• ⚠️⚠️ 而那个问题是：

  "我们在琢磨的一件事是：agent 能不能就是那个 API？我知道这听起来很怪，但对这里面有些东西，他们真正想做的事就是触发某些事情发生。" ⚠️⚠️ "显然这比你有一个一直打的 API 要低效得多……但我在脑子里琢磨的是：我们产品里有多少可以就是那个 agent，而不是其它所有东西？"

• ⚠️ 两条拦路理由：① "无界的执行、成本和延迟"；② "还有确定性——可能一百次里有两次它会干出我们不想要的离谱事。"
• ✅ 本页标注这条为什么值得保存：⚠️⚠️ 本页此前关于"agent 取代什么"的材料都在讨论它取代人的工作；这一条问的是它能不能取代集成接口本身——把 API 这一层整个换成自然语言触发。而他给的拒绝理由都是可量化、会随时间变化的，所以这是一个有明确到期日的"今天不行"。 🔗 ⚠️⚠️ 与 Arca 的"所有安全限制都完全是确定性的，把决策权从 agent 手里拿掉" 正好相对：Arca 把 agent 输出强制降格成受约束表示，而"agent 即 API"是把受约束表示整个取消。而两期给出的障碍是同一个——非确定性。

⚠️⚠️ 五、"客户感觉我们建了超多，而我们其实只建了很少几样"

（[00:50:27]–[00:51:27]、[00:38:24]–[00:42:25]）

• ⚠️⚠️ 一次自陈的判断错误：斯巴达三百勇士那张片子——"我们接下来整个公司历史都只会是 20 个工程师，而我们会打赢所有比我们大得多的人" → ⚠️ "我们现在是 100 个工程师，而且感觉我们还是太小了"（⚠️ "100" 在本期指向三个不同的东西，本页不合并成公司规模数字）。
• ⚠️ 否定理由是竞争不是理念："我本可以当个清教徒、说不行我们必须保持 20 人……但那我们就输了，而人们会去别处。"
• ⚠️⚠️ 而由此来的工作定义，本页认为是本期最该被产品侧引用的一句：

  "所以我的工作是搞清楚：我怎么建一个系统，让我们能建很多东西——但实际上客户感觉我们建了超多东西，而我们其实只建了很少几样。"

• 落地是三个 primitive：lists（"像一个 Notion 数据库"，带 trigger/automation，"把所有东西粘起来的很好的胶水"）、projects（文件容器/文件系统）、agent；⚠️⚠️ "agent 能创建 list，list 能创建 agent，agent 能读 list。于是这个 agent 蜂群就活起来了。"
• ⚠️ 第二用途是内部产品工厂："有点像 Legora 内部的一个 Lovable"——legal engineer 用它建带 generative UI 的专用看板，设想是一个专用产品市场。
• ✅ 本页标注这使那套 primitive 不是架构偏好，而是对"既要广度又要小团队"这个商业约束的直接回应。 🔗 而"一套设施两种用途"与 Arca 的审计日志即 agent 事件总线 是同一手法的两个样本；本页归纳：多 agent 系统的协调层倾向于长成一个既有的工作流对象，而不是一个新的消息队列。
• ⚠️ 两处逆客户需求的战略赌注：agent 本身——⚠️⚠️ "其实没人在要这个。'我希望我在用的这个助手有更多 agency、在我不叫它的时候就去做事'——从来没人这么说过。但我们就是觉得这绝对是行业要去的方向"——以及协作。 ⚠️ 而他说几乎不做试探性产品，理由是"我们就是有一座需求的大山"。

⚠️ 六、对模型厂商下场的判断：理由是深度，而分界线划在交易规模上

（[01:03:30]）

• 主持人指出在编码领域实验室已经掐过竞争者，"而这发生过两次"。
• ⚠️ 他的回答是否定的，分两层：① "他们在知识工作、或者说企业的知识工作里有太多东西要拿下，所以法律必须是其中一部分，就像数据分析必须是、销售、市场、财务都必须是"；⚠️⚠️ ② 但"他们永远不会做到我们这么深"。
• ✅ 而分界线给得很具体、因此可被检验："如果 Claude 拿下小客户、小企业客户，他们有些法务通过 Claude 做，那挺好的，没问题。但如果你在做一笔四亿美元的并购，你会想要 Legora。"
• ⚠️ 他对厂商口风不信任也记一笔："那不是他们能定的。而且他们往往根本不知道实际在发生什么。"
• 🔗 ✅ 本页标注这与同周两期构成三方对照，而三者位置各不相同：⚠️⚠️ Joseph Kim（模型厂商）说"95% 是创业公司也能做的"、并预测会有十亿美元生意建在一个 ChatGPT plugin 之上；Arca（应用层）拒绝 managed agents，理由是"拥有记忆与运营知识就是拥有你的智能"；而这一期（垂直应用层）既不拒绝也不依附，判断是"他们必须做，但做不深"。 ✅ 本页认为这一条的可检验性最高，因为它把界线划在交易规模上，而不是在能力或归属上——"四亿美元并购会来找我们、小企业法务走 Claude"是一个可以在两年内被观察到对或错的预测。
• ⚠️⚠️ 而本页必须标出这条判断在同一期内有一个未被展开的反证候选（[00:03:02]）：他自己说"我们很高兴看到 Claude for legal 用我们的术语来称他们在建的东西"，主持人当场叫住（"我们得聊聊这个"），而整期再也没有回到这个话题。 ✅ 本页只记录它被说过、不推测产品形态，也不把"沿用术语"读成更强的结论。

⚠️ 七、一条把捆绑式平台的优势落在合规开销上的材料

（[00:28:20]–[00:32:20]）✅ 本页此前把平台捆绑的优势论证在能力或价格上，这是第一条落在供应商数量本身的。

• 三条具体约束：⚠️⚠️ ① Azure-only，理由是客户的既有审批（"我们刚起步的时候，律所说 AWS？不行。完全不可能" → "在他们心里微软是一个已批准的供应商"，因为 365 的安全审查已经过了）；⚠️ 而"当时还有很多人在谈 on-prem，那也完全消失了"，⚠️ "但这才只过了三年"。② DPA 名单："我们的数据处理协议上供应商非常少，因为我们需要把数据去哪儿这件事守得极紧" → 语音转写不用 ElevenLabs，"因为 DPA 的原因"。
• ⚠️⚠️ ③ 由此重构的选型函数："这确实是 Gemini 和 OpenAI 这类的一个好处——他们是'你来我们这儿，我们有你需要的大部分东西'，而那其实非常有价值。" ✅ 判据很直白："即便它不一定是 state-of-the-art，只要它对所有任务都大体够好，谁在乎呢？"、"你有全部的治理，而且它超级可扩展，那大概就够好了。"
• ✅ 本页的归纳：⚠️⚠️ 在受监管行业里，供应商数量本身是一项成本（每加一个就要过一次 DPA），于是"一家供应商覆盖大部分任务"的价值可以超过"每个任务都用最好的模型"。 🔗 ⚠️ 与 Joseph Kim 那条"把数据买进来自营" 是同一逻辑的两种落点：两边都在用"减少外部依赖的数量"换别的东西——那边换的是可靠性，这边换的是合规面。

---

⚠️⚠️ 把机器人当劳动力定价、成本大头从 CapEx 转向持续支出，以及一个 1% 的阈值（Tutor Intelligence，2026-11-02）

来源：a16z × Tutor Intelligence（Josh Gruenstein，联创兼 CEO）（人物页：Josh Gruenstein）

⚠️⚠️ 立场（双重标注）：他是 Tutor 的 CEO，全部规模与速度数字为自述；⚠️⚠️ 而主持方 a16z 是这家公司的投资人并多次主动背书。本页把这一期定性为带投资方背书的公司介绍。

⚠️⚠️ 一、空地市场与一句绕开技术叙事的销售话术

（[00:23:17]–[00:25:17]）

• 起点是零经验买方："我们卖机器人的对象几乎每一个都从没买过机器人"；"这些人知道那套旧式自动化长什么样，而他们假定机器人对他们不适用。"
• ⚠️⚠️ 市场结构（自述但可核对）："2025 年，美国部署了 38,000 个工业机器人工作单元"；"如果十家美国工厂和仓库里有九家没有任何机器人，那么几乎整个市场都是空地（greenfield）。"
• ⚠️⚠️ 而突破方式本页认为是本节最该被保存的一条：

  "我们突破这一点的方式其实不是去谈 AI、模型或者 tutor 之类的任何东西。我们打电话过去说：嘿，你有没有考虑过一个 16 美元一小时的机器人？而他们没有。那对他们是一个全新的命题。"

• ⚠️ 而他把速度归因于商业模式而不是技术："通过创造那种我们作为机器人供应方与客户之间真正的激励对齐，我们能以比传统工业自动化行业快很多个数量级的速度跑机器人的分发。"
• ⚠️⚠️ 周期（自述）：首次通话到签约 40–60 天；签约到现场干活约 40 天；"我们在一天之内把机器人在生产中立起来，经常是在机器人到场的头几个小时之内。" 两个原因：不做定制、直接从工厂发货； ⚠️⚠️ 以及"我们不把任何经济风险放在客户身上"。
• ⚠️ 自助定价器的卖点是时间尺度："那不是'好，这是一个五年的定制工程路线图'。是'你可以从今天起两个月之后就一年省一百万，而且不用掏 CapEx'。"

⚠️⚠️ 二、成本结构反转：这类资产的财务形状更像云而不是设备

（[00:35:23]–[00:36:23]）✅ 本页认为这是本期最该被长期保存的一条，因为它改变的是资产类别本身。

• 价值框架极简："机器人的价值就是你拿它能做多少工作，除以它的成本。就这样。其它一切都是注脚。" ✅ 市场由此被定义成："如果我们能在美国物理经济里那些流动性极高的劳动力市场上竞争，并提供同等能力更低成本的东西，那它的市场就是整个市场——是所有被做的物理工作。"
• ⚠️⚠️ 而那条反转是：

  "传统上我们把机器人想成 ROI——一大笔 CapEx 作为支出，然后十年把它赚回来。而现在其实是：不，越来越多的成本在流向持续的推理与遥操作。" ⚠️⚠️ 被问哪一头更大："现在是持续支出更大。而这让人意外。"

• 🔗 ⚠️ 主持人的注解本页记为对侧："对我来说不意外。你其实是在和一个你喂它米饭、而它极其极其高效的东西竞争——人的身体。"
• ✅ 本页的归纳：⚠️⚠️ 如果机器人的成本大头是持续的推理与遥操作，那么"按小时计费的机器人"不是营销包装，而是成本结构的自然结果——它也解释了上一节那条"不把经济风险放在客户身上"为什么他们敢做：他们的成本本来就是随用量发生的。本页认为这使这类公司的财务形状更接近云服务而不是设备厂商，于是该用毛利率与利用率而不是 ROI 回收期来读它。
• ⚠️⚠️ 而它与本页既有的机器人经济学材料形成一处张力：Jonathan Hurst（Agility）的"机器人价格非弹性" 讨论的是设备售价；而这一条说售价已经不是主要变量了。 ✅ 本页并列两条、不裁决，并指出它们可能只是在描述同一行业的两个阶段。

⚠️⚠️ 三、一个很干净的阈值/不连续例子

（[00:31:20]–[00:32:21]）

• 他举的是威斯康星州一家住宅工厂的产线工人告诉他的事：

  ⚠️⚠️ "他们在建的那些房子，在工厂里造比在现场做传统施工大约贵 5%。但如果这些房子哪怕只比在现场用传统方式建造的同等质量的房子便宜 1%，开发商那边的全部需求就会立刻转到工厂造房这种形态上。"

• ⚠️ 他说同样的话也适用于"从填埋场回收材料以及一大堆别的市场"。
• ✅ 本页标注这为什么值得记住：⚠️⚠️ 它给了一个具体的数量——差距 5%、翻转点 −1%，也就是约 6 个百分点的成本移动会把一整池需求整体切换过去。本页认为这是本库目前对"自动化的经济影响为什么可能是不连续的"最干净的说明，而它不依赖任何关于智能水平的假设，只依赖一个成本阈值。 🔗 与本页既有的"采用的闸门不是模型能力"那条线互补：那条讲闸门是监管、劳动力供给或安全审批，而这一条讲闸门是一个可以被算出来的价差。

⚠️ 四、一份对机器人创业失败模式的复盘，以及中小客户作为产品强制函数

（[00:28:18]–[00:31:20]）

• ⚠️ 主持人先指出这件事反常：大多数机器人公司"都去追那些看起来有做大量实验预算的 Fortune 50 型公司"，而 Tutor 的客户"绝大多数几乎都是这些本地生意"。
• 第一个理由是市场结构："美国制造与物流里的绝大多数企业是小企业或中型市场企业。所以如果你想服务这个市场，这就是服务它所需要的。"
• ⚠️⚠️ 第二个理由是复盘，本页认为它值得逐条保存：

  "我认为机器人公司搞错的一件大事是，它们其实并不真的是产品公司。它们是：好，某个非常大的公司有一个非常具体的问题，他们愿意给我们写一张漂亮的纸说他们会扩大采购，我们要花两年建一个非常定制的系统来解决他们的问题。我们会把它部署出去。它很可能不会成功，因为任何做过产品的人都知道，你没法一次就把一个产品做成——做产品需要迭代。而即便它真的成了，谁说那个客户还有那个问题呢？于是砰，公司完了。"

• ⚠️ "我感觉我大概连着看到这事发生了五到十次，到了那种'我天，如果这发生在我们身上，那就太丢人了'的程度。"
• ✅ 而他把客户多样性当成产品形状的强制函数，并给了一个很干净的自检判据：

  ⚠️⚠️ "如果你能在两周里和一个中型市场客户签约、紧接着就有一台机器人跑起来，而那是一种和你其它客户完全不同类型的产品和生意，那你就知道你做对了。"

• ✅ 本页标注这个判据的形状比任何通用性声明都有用：⚠️⚠️ 它把"我们的产品是不是真的通用"变成了一个可观察的事件——能不能对一个没有定制预算的客户在两周内交付；而它的失败是立刻可见的。
• ⚠️ 需求的性质是战略性而非季节性（[00:36:23]–[00:37:24]）："他们知道自己劳动力的年龄，他们知道需求因为所有这些长期趋势在上升，而完成那些工作的成本基数在上涨。" ⚠️⚠️ 而对比很锋利："这些不是那种有巨大毛利、你可以拿来玩一玩、压一压也没事的软件生意。不是——这门生意要么成立，要么不成立。"

⚠️⚠️ 五、供应链的一条结构观察，不特定于机器人

（[00:40:24]–[00:41:24]）

⚠️⚠️ "供应链里有这么一件难办的事——而又因为机器人学是这么一个手工业——你可能一开始身处一个子部件都来自 OEM 的世界，然后你的量增长到他们不再是 OEM 了。他们成了被美化的代工厂。一旦你占了他们相当比例的产量，关系和动力学就变了。"

• ✅ 他把自己的位置当成义务："因为我们就是那条供应链需求的那么大一部分，我认为在美国建起这个产能既是我们的义务也是一个机会"（落点是 Watertown 的自造与"继续垂直化"）。
• ⚠️ 被追问"这意味着拿进来自己做还是只是告诉他们怎么做"时，他两次只答"某种组合吧"。 ✅ 本页照录这处未展开。
• ✅ 本页标注这条可被迁移：⚠️⚠️ 它描述的是一个通用的纵向整合触发条件——当你占了供应商产量的相当比例时，"买还是自造"这个决定的性质会改变，因为供应商已经失去了独立的议价地位。本页认为这适用于任何从小众走向规模的硬件品类。

⚠️ 六、一条关于"存量供应链为什么不可用"的解释，以及一处必须标出的问题

• ⚠️⚠️ 存量供应链"既太小又是错的"，而理由是设计取舍而非地理（[00:17:14]）："Fanuc 和 ABB 造的机器人大多不在美国造。但即便他们在美国造，他们造的也是为系统集成商设计的、为快速重复运动设计的东西。它们不是从你会想和前沿模型共同设计的那组取舍里切出来的。" ✅ 本页标注这比"供应链不在美国"更有解释力：后者只说明地理，前者说明为什么买不到对的东西。
• ⚠️⚠️ 而本页必须标出一处数字来源问题（[00:02:01]）：被剪进冷开场的核心规模数字——"超过两亿五千万件产品"——在正文里被明说是 "Claude 昨晚告诉我，它估计……"。 ✅ 本页记录它被说过，但不作为部署规模的证据使用；本页另记这是本库第一次遇到一家公司把 LLM 的估算当成对外传播的核心规模数字。

---

⚠️⚠️ 订阅与 API 之间的一个数量级价差，以及由它直接推出的"不做纯 coding agent"（Warp，2026-11-03）

来源：Latent Space × Warp.dev（Zach Lloyd）

⚠️ 立场：他是 Warp CEO，而这一节正好是他解释自己为什么不进某个市场，因此带明显的自我定位动机。 ✅ 本页仍认为它值得长期保存，理由是本页此前关于"应用层会不会被模型厂商吃掉"的论据几乎都在能力或数据一侧，而这是第一条落在定价结构上的论据。

⚠️⚠️ 一、价差本身，以及一条他明说自己不知道合规性的现场做法

（[00:30:23]–[00:31:23]）

• 价差由 swyx 给出："很多人直接走按 API 付费，而那个比直接买一大堆订阅贵五到五十倍。" ⚠️ 他另给了一个口径："一个 200 美元的套餐，你拿到 8,000 美元的 API 额度。" ✅ 本页记这两个数都是主持人自述的估算、无来源。
• ⚠️⚠️ 而 Zach 给的一手观察是本节最具体的一处事实：

  "我们聊过的很多小公司是这样——他们说'这套系统看起来很棒，我们想要'，但我们现在是一堆 200 美元的订阅在轮着用。我是在十七个不同的订阅之间轮。"

• ⚠️⚠️ 合规性他明确说不知道，本页照录，因为这正是这条材料的性质：swyx 问"这是不是严重违反服务条款，以至于根本不值得折腾"，他答"你没法想象那被允许。但我——说实话，我就是真的不知道。" ✅ 他同时承认它好用、但不可扩展："如果你能这么干，那确实会是最便宜的办法，但你会丢掉一大堆别的好处，而且它不是一件可扩展的事"；到期条件是"如果你公司规模到了某个点，你肯定不会被允许这么做"。

⚠️⚠️ 二、他由价差推出的产品边界，以及本页对这条论证强度的限定

（[00:32:24]）

"从生意角度讲，这是我不想待在纯 coding agent 这门生意里的原因之一。你没法在一个贵这么多钱的东西上面做出一个有竞争力的 coding agent。这就是现实。"

• 他的自我定位："我们其实不是在卖一个 token 转售产品。我们卖的基本上是一个 coding agent 优化平台、coding agent 生产力平台。"
• ⚠️ 他对 Cursor 的解读，本页记为他的推断、不是事实："他们有一个完美的退出，变成了一家模型实验室，因为我觉得他们完全看清了这件事的经济账。" ⚠️ 他对剩下谁还在独立做 coding agent 的点名是"基本上就是 Cognition 和 open code。噢，还有 Factory"，而"我不知道它们要怎么做下去"。
• ✅ 本页的归纳，以及它与本页既有材料的位置关系：
• ⚠️⚠️ 论证形状是：当同一份算力在订阅渠道与 API 渠道之间存在一个数量级的价差，任何必须按 API 价买算力再转售的产品，在结构上无法与渠道持有者竞争。
• 🔗 本页此前的同类论断落点不同：Legora 的"他们永远不会做到我们这么深" 落在领域深度；多期材料落在数据与流程所有权。 ✅ 而这一条落在渠道定价，且它不要求模型厂商主动下场——价差本身就足够。
• ⚠️⚠️ 但本页标出这条论证的承重前提没有被讨论：它的强度完全取决于那个价差能持续多久（即订阅侧的补贴是获客阶段的临时定价，还是会长期存在的结构）。 ✅ 他与 swyx 都把它当成了当下给定的条件，整期没有碰这个问题。本页因此把它记为一条有明确到期条件的论断，而不是一条关于品类终局的结论。

⚠️⚠️ 消费 agent 的切换成本接近于零，被压缩的是聚合者，而代理人自己也会有偏差（a16z × Assistant Benchmark 第二期，2026-11-04）

来源：a16z：家长式作风会杀死任何产品

⚠️⚠️ 立场：两位主持是 a16z 消费投资合伙人，第三人运营该品类的横评站；整期点名表扬十几个产品而转录稿中无任何利益披露。 ✅ 本页只取三条关于机制的论证，全部不依赖任何产品的排序或表现数据。

⚠️⚠️ 一、记忆可导出，于是这一轮的护城河不在存量资产上

（[00:18:08]–[00:20:08]）✅ 本页认为这是这一期商业含义最可操作的一条。

• ⚠️⚠️ 实测：对榜单前 15 名请求导出"你掌握的我的全部记忆"以便搬家，"除了一个之外，全都真的愿意这么做"，导出质量"相当扎实"。
• ⚠️ 而它已经成为一个引导模式："去把这段提示词粘进 ChatGPT，下载那个文件，上传给我"（✅ 提出者的限定："我们看看这能持续多久"）。
• ⚠️⚠️ 一条对照数字：那个带最大 ChatGPT 上下文继承优势的产品，在 David Pawlan 354 人的重度用户调查里只有 3% 当作主力（⚠️ 自选样本）；⚠️⚠️ 而他对那项优势的判定是"完全可复制，只是因为他们用它用得最久"。
• ✅ 本页的综合：⚠️⚠️ 如果多年积累的个人记忆可以一键导出，那它就不是护城河而是一笔可被转移的存量——于是这个品类当下的切换成本接近于零，护城河只能建在当下的交付质量上。本页认为这从机制上解释了那个 3%：最大的存量优势没有转化成使用份额，因为那项优势本身不具排他性。
• 🔗 ✅ 而本页标注它与同库既有判断的一致性：⚠️ David Pawlan 上一期 判 "proactivity 是护城河，人格不是"（理由是人格太容易配置）；✅ 两条在形状上相同——这一轮真正稀缺的东西不在可复制的存量里。 ⚠️ 而 Josh Elman 在本期把切换权当成自己论证的前提（"如果 agent 没在我们所在的地方迎接我们，我们就直接换一个。我们会把自己的东西导入导出"），也就是说这条实测发现是他那条异议能成立的条件。

⚠️⚠️ 二、被 agent 中介化压缩的那一层是聚合者，而长尾被判为结构性赢家

（[00:23:10]–[00:25:11]）

• ⚠️⚠️ Josh Elman 给的那条结构判断："也许被压缩的恰恰是聚合者——而这正是他们在这里做这么多防御工作的原因。"
• 机制很具体："如果它能搞清那件毛衣的实际制造者是谁、我能直接从他们那里买，他们就不必再付中间那些交易成本和批发到零售的成本了。"
• ⚠️ 对侧例子是 Shopify："Shopify 之所以真的被赋能、之所以在把东西开放给这些 agent，是因为他们正是那么多直营品牌的支撑方。"
• ⚠️ 而长尾被 Anish Acharya 判为结构性赢家，理由是"他们大概是产品更好而营销更差的那些人"，机制是 agent 的"无穷的耐心去搜、去找到完全贴合你品味的东西，即便它们不在互联网前十大站点上"。✅ 本页照录 Josh 当场给的修正："他们营销肯定更差。我不确定他们产品更好。"
• 🔗 ✅ 本页标注这是对 David Pawlan 上一期那条机制解释 的一般化：⚠️⚠️ 上一期的版本是"Shopify 拥抱 agent、Amazon 封锁 agent，是因为 Amazon 的钱来自广告，而 agent 把眼球移走就瓦解了整个体系"；✅ 本期把被威胁方从"广告模式"扩大到了"聚合者"这个更一般的位置——于是受冲击的判据不是靠不靠广告赚钱，而是有没有靠信息不对称收取中间差价。本页认为这个更一般的版本更有解释力，因为它同时覆盖了批发到零售的价差。
• ⚠️ 一处相关的购买行为口径（[00:23:10]）：同一份调查里第二大消费品类是"Amazon 加零售"占 35%（⚠️ 自述、自选样本）。

⚠️⚠️ 三、对"agent 会让消费者更理性"的反驳：代理人自己也需要捷径

（[00:25:11]–[00:26:12]）✅ 本页认为这是这一期最锋利的一次论证交换，而它给出了一条可检验的产业预测。

• ⚠️ 被反驳的命题由 David Pawlan 转述自 Patrick Collison 的一条推文大意：agent 代我们做功，于是消费者会变得理性得多；而他的推论是"这会创造一个企业必须在自己给出的东西的质量上投入多得多的思考与价值的世界"。
• ⚠️⚠️ 而 Anish Acharya 的反驳不是否认方向，而是指出 agent 也是有偏好的主体：

  ⚠️⚠️ "我确实认为 agent 会有它们自己的显示性偏好、自己的那些非理性方向——只不过那不会是人类心智的，而会是一个外星心智的。"

• ⚠️ 他的例子：agent 可能"对文档齐全的干净 API 有一种非理性的偏爱"，而"真的很不喜欢后面挂着 Java 代码的破烂 API"。
• ⚠️⚠️ 而本页认为论证成立的关键是他给的那条理由，因为它是结构性的而不是经验性的：

  ⚠️⚠️ "因为它们也会需要捷径——agent 到底要怎么知道产品质量是什么？"

• ⚠️ 他由此推出的衍生形态是"某种针对 agent 的消费者研究，而它大概会按笔交易收费去做这些研究、做那些评级"。
• ✅ 本页标注这条的可检验推论：⚠️⚠️ 如果任何在有限资源下做判断的主体都必须用代理指标，那么 agent 的偏差就不是实现缺陷而是结构必然——于是会出现一个"为 agent 做优化"的产业（干净的 API、齐全的文档、机器可读的质量信号、以及为 agent 服务的评级中介），而它与今天的 SEO 在形状上同源。本页认为这是一条相当清楚的、几年内可被观察到证实或否证的预测。
• 🔗 ✅ 而这条在同一人身上有前身：⚠️ **他在 2026-09-29 那期 已经说过 "这些 agent 不是其主人的完美映射。它们不是完美理性的——它们会是近似理性的，也会以全新的方式非理性。所以我不认为营销、冲动购买、广告这些东西会不再重要，我只是觉得它们需要被改造"。✅ 本页认为本期的增量是给它补上了机制（代理人也需要捷径）和一个具体例子。
• ⚠️ Josh Elman 的异议走另一条路且不冲突："人就是人，人会做他们自己想做的、最令他们满意的选择"，而兜底是切换权（见本节第一小节）。

⚠️ 四、两条关于品类形状的记录

• ⚠️ 四个已成形品类与一个缺口（[00:05:02]）：通用、工作向、多人、旅行；✅ 缺的是金融，而它被明确接到信任上："如果我们能解决那个信任层，那在金融那一侧我们最后会看到什么？"
• ⚠️⚠️ 而本页认为这一期对品类定位给出的最强判断是一条否定（[00:26:12]、[00:47:26]）："家长式作风会杀死任何产品" + "我们谈生产力、谈目标达成，但也许人们想要的恰恰是它的反面"；✅ 三人在收尾处集体给出的判断是当前默认定位（省时间、办琐事）可能从根上选错了，而正确的落点在用户的自我形象上。详见 LLM 心理学。

⚠️⚠️ 一份由买方做的中端 SaaS 克隆实验，以及"老板视角 vs 开发者视角"的口径转换（Latent Space × AIEi Shanghai，2026-11-04）

来源：Latent Space × AIEi Shanghai（swyx 作为被访者）

⚠️⚠️ 立场：这一期是 swyx 自家大会品牌在中国首场的预热节目，所有数字为自述、无第三方来源。 ✅ 但本页认为这一节值得保存的理由恰好是说话人的位置：本页此前关于"SaaS 会不会被 AI 吃掉"的材料几乎全部来自卖方（Serval 的 SaaS 末日拆分、OpenAI 金融团队的 95%、Arca 的"我们就是那家机构本身"），而这一条来自一个正在考虑停止付费的买方。

⚠️ 一、他自己的支出结构，以及买方处境

（[00:29:22]–[00:31:23]）

• ⚠️ 口径（自述）：办一场会的预算在 300 万到 1000 万美元之间，其中约 30 万美元是软件——"那大约是我预算的 10%，也是我本可以拿回来的 10% 的利润"；合计一年在 SaaS 上约一百万美元。
• ⚠️⚠️ 而他对采购动力学的描述本页认为很值得记，因为它解释了这类支出为什么会累积：作为老板，员工说某个工具对工作重要，"我就会说好"；但累加起来是一大笔钱，而使用体验是"慢、丑、不完全是我们想要的"。

  ⚠️⚠️ "作为一个 SaaS 的客户，实际发生的事情是你在支持队列里排队。你想要这个功能，他们说：好，六个月之后吧，我们把你放进第三季度的路线图。你对我们非常重要。"

⚠️⚠️ 二、实验本身，以及本页对它效力的限定

（[00:31:23]–[00:38:27]）

• ⚠️⚠️ 做法：他拿了一个员工提议采购、价格四万美元的 SaaS，改成"我会付给某个人一万美元，把这整个东西克隆出来。它是开源的，而且完全是我们想要的"，而后续定制交给 coding agent。
• ⚠️ 结果（自述）：69 份提交；"大多数是可用的，我会说大约有五份是我们会付钱买的那种水平"；一周做完；评审花了两个月。 ⚠️ 评审重的原因是这个 SaaS 有五种角色（组织方、讲者、参会者、赞助商、供应商），测试要为每个角色建账号、来回切换并反复录入数据。 ✅ 而他自己点出这正是他本来愿意付四万美元的原因："那就是中端 SaaS 的意义所在，那就是我为什么付四万美元——因为我不想干这个。"
• ⚠️⚠️ 而那个可被检验的功能例子是本节最有说服力的一处（[00:37:27]）：下一场会有 1,000 份投稿、25 个席位；现有 SaaS 里"我们必须一个一个一个地点"；⚠️⚠️ 一位参赛者"把一切改成了你可以在一张表里直接重排序"——"这个视图在那个 SaaS 里不存在。要拿到这个视图，我们得申请六个月。"
• ⚠️⚠️ 而本页必须限定这条材料的效力：✅ 它证明的是"在一周内、用一万美元悬赏、面向一个有分发能力的发起人，可以得到约 5 份达到采购水平的克隆"；⚠️⚠️ 它没有证明那 5 份在多年维护、安全、合规与边缘场景上能替代原产品——而他本人在两处承认了这一点：维护"是真的，不是零"；以及"有时候从一个经过检验的 SaaS 买确实会更好。它当然会更好"。
• ⚠️⚠️ 另一处前提限定是他自己给的，而本页认为它很关键："这件事我能做，是因为我是个 influencer。大多数人做不了，因为他们没有受众。" ✅ 也就是说那 69 份提交的获取成本里有一大部分是他的分发能力，而不是那一万美元——于是这次实验的成本结构不可直接推广。
• ✅ 本页因此把这条材料的结论定在：⚠️⚠️ 中端 SaaS 的议价权正在变化（客户现在有一个可信的退出选项，因此"排队等六个月"这种对待方式开始有代价），而不是中端 SaaS 可被替代。

⚠️⚠️ 三、威胁的机制，以及他给 SaaS 方的处方

（[00:32:24]–[00:34:24]）

• ⚠️⚠️ 机制被他说得很机械，本页认为这是本期传播价值最高的一句：

  ⚠️⚠️ "顺便说，模型非常擅长点完你软件的每一个界面，然后独立地把它复刻出来。" ⚠️⚠️ "我一旦能访问你的软件，我就能克隆它。所以祝你好运。"

• ⚠️ 量级是一道算术："你可能有 50 个客户，每个付你四万。想象一下他们全都意识到了这件事，然后他们就走了——一年之内全走了。你从一年挣两千万变成零。"
• ⚠️⚠️ 而分界线他划得很清楚，并给了理由："Salesforce 没问题，没人担心 Salesforce"；但中端、服务中小企业的 SaaS"会真的很难过"，✅ 理由是可用性要求不同——"你不是 Salesforce，不是 Google，不是 AWS，不是那种关键任务级 99.999% 可用的东西。你就是一个数据库，人们往里打字然后拿到点东西出来。"
• ✅ 本页标注这条判据的用处：⚠️⚠️ 它给"哪些 SaaS 真的有风险"提供了一个可自测的标准——不是看市场规模或客户数，而是看客户能不能接受偶发停机。本页认为这比"SaaS 会死"那类主张有用得多，因为它划出了一条具体的分界线。
• ⚠️⚠️ 处方是两条出路加一个空心地带："你基本上最后得转型成一个 agent 构建者——你拥有一个垂直领域，并且是那个垂直里最顶的 agent（像 Harvey 或 OpenEvidence）"；"或者你拥有某些专门的数据，基本上是个数据供应商"；⚠️⚠️ "在这两者之间的任何位置，都会有别人自己把它写出来。"
• 🔗 ✅ 本页标注这条与本页既有材料的一致性：⚠️ 它与 Arca 那条"我们不是一家 SaaS 公司，我们就是那家机构本身" 以及 Serval 的"正面打在位者" 指向同一处落点；✅ 而本页认为这一条的增量是它从买方侧给出了同一个结论——也就是说卖方的战略判断与买方的采购行为在这一点上是对齐的，而这比任何一侧单独说都更有说服力。

⚠️⚠️ 四、口径转换：这是老板的问题，不是开发者的问题

（[00:34:24]–[00:35:25]）✅ 本页认为这是这一期最该被长期保存的一条，因为它用一个非常简单的算术解释了一个本页反复遇到的现象。

• ⚠️⚠️ 他明确说自己不同情 SaaS 方："我对 SaaS 的所有者没那么同情。SaaS 的所有者是大孩子了，他们能自己想办法。我其实更想给生意的所有者提建议。"
• ⚠️⚠️ 而那条算术是：

  ⚠️⚠️ "开发者的问题是说'哦，两百美元好多钱'。而我是个生意的所有者。我理解让我十个员工好好协作的生产力收益。十个员工我付他们一百五十万。如果他们协作得好 10%，那就是十五万。而它不是好 10%，是好五倍——那就是七百五十万。"

• ✅ 本页标注这条为什么值得长期保存：⚠️⚠️ 它指出同一笔 AI 支出在开发者视角下是一笔个人订阅费，在老板视角下是对一笔已经花掉的人力成本的杠杆——于是两者对"贵不贵"的判断必然不同，而这与模型能力无关。本页认为这是本页目前对"为什么企业侧的支付意愿远高于个人侧"最简洁的一个解释。 ⚠️ 而本页限定那个"五倍"是他的自述估计、无口径与来源。
• 🔗 ✅ 而本页标注它与本页既有定价材料的关系：⚠️ Eve 那条"软件市场其实是一个影子劳动力市场" 与 Tutor Intelligence 那句"有没有考虑过一个 16 美元一小时的机器人" 都是卖方把自己的定价锚到人力成本上；✅ 而这一条是买方自己在做同一个换算。本页认为两侧用同一个锚点这件事本身，比任何一侧的主张更能说明这一轮定价逻辑的位移。
• ⚠️ 他对 SMB 的总体判断是："我觉得中小企业现在是我们的黄金时代。如果你在真实世界里做任何事，而你和你想要的结果之间隔着一堆烂软件，你突然就能把它缩短。"

⚠️ 五、集成才是自建的增量，而 DocuSign 的网络效应被他否掉了

（[00:42:30]–[00:45:31]）

• ⚠️ 他自述自建或自托管了 Calendly、Google Drive、GitHub、Dropbox、Slack、DocuSign，⚠️ 而前提他说得很坦白："所有这些都是因为我有钱、我有人，我可以派他们去做事。"
• ⚠️⚠️ 而价值不是省钱而是集成：自托管的 DocuSign 签完之后，文件"直接进到我自己云盘上正确的那个文件夹"——⚠️⚠️ "而这在 DocuSign 里是不存在的。" ✅ 本页认为这条很重要：自建的收益不在替代单个产品，而在跨产品的接缝——而接缝恰好是 SaaS 之间最难被任何一家单独解决的地方。
• ⚠️⚠️ 被问 DocuSign 的网络效应算不算护城河时，他的否定很干脆："不算。电子签名在任何地方都有法律效力，而 DocuSign 在这件事上没有专利……那个网络就是电子邮箱地址。" ✅ 本页标注这条论证形状：他把一个被当成网络效应的东西拆解成了一个开放标准（邮箱）加一层法律事实（电子签名的效力），于是网络不归任何一家所有。本页认为这个拆法可以被用来检验别的"网络效应"主张。
• ✅ 而那条一般化本页认为是本期最好的产品直觉（[00:45:31]）：

  ⚠️⚠️ "在每一百万次复制粘贴里面，我认为都有一个极好的创业公司和产品可以被造出来。"

• ⚠️ 他对适用范围的限定也很明确："这不是说我在鼓励所有人都这么做"；✅ 正面主张是"你可以为自己造软件——为一个人的受众，或者一家公司的受众。而这件事如今做得到，是任何生意所有者此前从未有过的"。

⚠️⚠️ 持有结构作为第三条解释：一道 IPO 市值算术，以及用加密货币的分散持有对照 AI 的集中持有（No Priors × Vlad Tenev，2026-11-05）

来源：No Priors × Vlad Tenev（Robinhood CEO / Harmonic 联创）

⚠️⚠️ 立场：他在同一期里推销了至少六条自家产品线，全部采用数字自述、无口径、无第三方来源；节目由投资人主持且转录稿全程无利益披露。 ✅ 本页把这一节的诊断与处方分开处理——诊断可被独立检验因此保留，而处方（买他自家的 Robinhood Ventures 基金、放宽 accredited investor 规则）记录但不当中立意见。本页认为这个分离在他身上特别可行，因为诊断部分只用到公开数字。

⚠️⚠️ 一、那道算术

（[00:38:24]–[00:39:24]）✅ 本页认为这是本页收到过的最便于直接搬用的一条论证，因为它只需要两个公开数字（上市时估值、目标回报倍数）就能自己算。

• 前提事实：80 年代的 Microsoft、甚至 90 年代的 Amazon，上市时估值在几亿美元，所以在公开发行时进去的个人投资者可以赚 1000 倍。
• ⚠️⚠️ 而对照项是：

  ⚠️⚠️ "现在如果你有一个 AI 实验室在一万亿或两万亿上市，为了让一个在 IPO 进去的个人投资者拿到那种量级的回报，他们得进到千万亿（quadrillions）级别。这太疯狂了。我觉得基本上不可能。"

• ⚠️ 他给的上游机制是私募融资能力的变化："对高增长的成功公司来说，在私募市场融资变得非常容易"，而且是"在巨大的规模上"；"而这在过去不是这样的。" ✅ 他自己处理了例外：Nvidia 与 Google 是公开的，但"那些公司在真正进入 AI 这个新阶段之前就已经相当大了"。
• ✅ 结论是分配性的，而不是估值性的："收益不断集中到一个越来越小的风险投资人或机构投资人群体里。" ⚠️⚠️ 本页标注这条与本页既有泡沫类材料的区别：它不主张估值错了，它主张的是即便估值全对，散户这一轮也拿不到那个倍数——这是两个独立的命题，而本页此前的材料几乎全在第一个上。

⚠️⚠️ 二、接到"为什么人们反对数据中心"上，而对照变量是持有的分布

（[00:39:24]–[00:41:26]）✅ 本页认为这是本页目前对数据中心反对声最有解释力的一条，而且它不依赖环保或就业这两条通行解释。

• ⚠️⚠️ 他把问题翻了过来：

  "然后我们还在纳闷：人们为什么对数据中心不满？" ⚠️⚠️ "如果我是一个个体，我从这一切活动里一点经济好处都拿不到。事实上你可以说，它在威胁我的生计、我的工作，它在污染我的社区，他们在制造这些噪音。"

• ⚠️⚠️ 而对照项的选法是这条论证真正的力气所在——他挑的变量不是收益率，而是持有的分布：

  ⚠️ "加密货币并不是说每个交易加密货币的人都赚钱……2022 和 2023 年对这个行业来说至少可以说很难过，很多人在那些年亏了钱。" ⚠️⚠️ "但 2024 年他们还是全力出动了，而且我认为在一个有意义的程度上左右了那场选举。而且只要有一丝监管越界的迹象，你就会有这支队伍在社交媒体上轰炸、给他们的议员发消息，一寸一寸地争。" ⚠️⚠️ "而我认为很大一部分原因是：加密货币从一开始就是由个人广泛分散持有的，机构几乎是迟到的。而 AI 是反过来的。"

• ✅ 本页标注这条论证的方法论，因为它比结论本身更值得学：⚠️⚠️ 他用的证据是政治动员行为，而不是财富效应——而且他自己选的时间窗口里持有人在亏钱。也就是说这条论证主动排除了"人们支持加密货币是因为赚了钱"这个更简单的竞争解释。本页认为这使它比一般的"要让更多人分享收益"主张结实得多。
• ✅ 可检验推论很清楚：⚠️⚠️ 如果 AI 的散户持有面扩大，针对数据中心的政治阻力应该下降；反之，持有面不变而算力继续扩张，阻力应该继续上升。本页认为这条可以在未来一两年内被实际观察到。
• 🔗 ✅ 本页标注它在本页既有解释里的位置，而它恰好补上本页缺的那一块：
• ⚠️ 本页此前的材料把反对声归到支出规模（All-In 的"1% 的公司占 90% 的 AI 支出"）或岗位替代（AI 与就业）上。
• ✅ 而这一条给的是持有结构这个第三条原因，并且它解释了一个前两条解释不了的现象：为什么反对声集中在"我家附近那个数据中心"这种具体设施上，而不是针对 AI 这项技术本身。 ⚠️ 本页不裁决三条原因的权重，只标注这一条是其中最容易被政策动作直接改变的。

⚠️⚠️ 三、本页必须记下的那处诊断与处方的量级不匹配

（[00:41:26]–[00:44:30]）

• ⚠️ 他的处方（带直接利益）：Robinhood Ventures Fund 1 自述为"一家公开交易的风险投资公司"——用自家 IPO 渠道向散户募资、去投创业公司、基金本身在纽交所交易，定位 "ultra late stage"（⚠️ 自述持仓含 OpenAI、ElevenLabs、Crusoe）；Fund 2 自述"和 YC 合作"、给到 seed / Series A；外加私营公司的 tokenization。 ⚠️ 终局目标他说得很明确："你应该可以就这么 24/7 用很小的金额交易 Anthropic。"
• ⚠️⚠️ 而本页认为这里有一处他本人没有处理的不匹配，且它直接削弱了处方对诊断的适配性：他的诊断说问题在于收益集中，而按他自己那道算术，决定倍数的变量是"进入时的估值"；✅ 但他的处方是让散户以 LP 身份进入 ultra late stage 的私募轮——那正是估值已经很高的那个阶段。按他自己的逻辑，在那里买入同样拿不到那 1000 倍。
• ✅ 本页因此把这条材料的结论定在：⚠️⚠️ "AI 收益的分配问题是一个持有结构问题而非估值问题"这条诊断值得保存并可被检验；而"把散户接进晚期私募"这条处方解决的是参与感而不是倍数，两者不该被当成同一件事。
• 🔗 ⚠️ 另记一处与本页定价主线的接口：他对 agentic trading 后果的表述是"交易活动会单纯地变多"——⚠️⚠️ 而这对一家收入主要来自交易量的券商是直接利好，与他整期以 ownership（长期持有）为统一叙事的方向并不天然一致。本页记下这处方向不一致，本期无人触碰。

⚠️⚠️ 同一项"点完界面就能复刻"的能力的第三种用途：收购方的尽调检查，加一条来自买方实际行为的自建/外购分界（a16z × Figma CFO，2026-11-05）

来源：a16z × Figma CFO（Praveer Melwani）

✅ 本页认为这一节短但值得单列，理由是说话人的位置：本页此前关于"SaaS 会不会被克隆掉"的材料来自卖方（Serval 的 SaaS 末日拆分）与一位买方评论者（swyx 的 Kill My SaaS 实验）；⚠️⚠️ 而这一条来自一家上市公司实际做采购与并购决定的 CFO。 ⚠️ 立场：本期是 a16z 自家《You Need a New CFO》一文的配套节目。

⚠️⚠️ 一、"你能不能 vibe code 出这个产品"成了并购尽调的一项检查

（[00:12:07]–[00:13:08]）

• ⚠️⚠️ 做法："你能不能 vibe code 出这个产品，是我们现在在尽调里会用的一项检查"；目的是判断"你的护城河有多深、那里的技术有多有意思"；⚠️ 他自述团队"在这方面已经变得相当厉害"，"所以你能穿过一部分'这是真东西吗，还是不是'的问题"。
• ⚠️⚠️ 而做这件事的是财务背景的人，主持人当场确认了这一点（"那些是 corp 的人对吧，不是产品的人，他们是财务背景的？" → "对。"）；✅ 他补的是协作关系没被取代，而副产品是可信度："你可以更多地带着'这是我做出来的，这是我看到的'进去，而这建立了很多可信度。"
• ✅ 本页认为这条事实值得保存的理由是它给同一项能力记下了第三种用途：⚠️⚠️ 卖方威胁侧（Serval）、买方议价侧（swyx 的悬赏克隆）、以及这一条的收购方定价侧——同一项"点完界面就能复刻"的能力已经渗进三个完全不同的决策环节。本页认为这个扩散本身比任何单条主张都更能说明这项能力的实际分量。
• ⚠️⚠️ 但本页必须标出这条检查继承了一个本页已经量过的测量误差：复刻出产品的表面说明的是表面的可复制性，而护城河通常不在表面上（数据、分发、集成、可靠性、合规）；✅ 而这正是本页在 swyx 那次实验 上已经限定过的那条——那次 69 份提交里只有约 5 份达采购水平，而他本人承认"维护不是零"、"有时候从一个经过检验的 SaaS 买确实会更好"。 ⚠️⚠️ 也就是说"能被 vibe code 出来"与"没有护城河"之间的距离，正是本页已经有数字的那个距离。他对此的处理只有一句很轻的让场（"这一堆想法里显然有很多细微处，但它给你一个扎实的直觉"），而本页判这项检查在并购决策里被赋予的权重高于这句让场所允许的。

⚠️ 二、一条来自买方实际采购行为的自建/外购分界

（[00:30:18]–[00:31:18]）被问"是不是买现成的更快"（⚠️ 主持人转述一家未具名超高速增长公司的"我们就得把一切都买现成的"），他的分界很干脆。

• ⚠️ 外购侧："对那些核心的记录系统类的方案，以及那些我们就是不能搞错的东西——是的，我们去买方案。"
• ⚠️ 自建侧是工作流自动化："我一天里那些我几乎不在思考的部分……我怎么去增强我的日常，好让我能重新统筹我想怎么花我的时间。"
• 🔗 ✅ 本页标注这条与本页既有分界高度一致（Serval 的"你不真能摆脱核心的记录系统——ERP、HRIS、ITSM、CRM"、swyx 的"Salesforce 没问题，没人担心 Salesforce"）；⚠️⚠️ 而本页认为这次的分量不同：前两条来自卖方与评论者的战略判断，这一条来自一个实际在签采购单的上市公司 CFO。也就是说这条分界线在买方的实际行为里成立，不只是在战略判断里成立——本页认为这使"核心记录系统 vs 工作流自动化"这条线可以当成已确立的分界来用。

⚠️ 三、一条关于采用动机的转述，而驱动变量不是投资回报

（[00:48:26]）两位主持自述办 CFO 与财务总监晚餐"办了几年"。

• ⚠️ 他们报的拐点是"大概九个月前"（即约 2026-02）：从"哦对，我在用 AI 生成这份税务备忘录或者入职文档"，变成"好，我其实在做核心的数据对账，并且在把很多工作流自动化"，称之为"一次阶跃式的变化"。
• ⚠️⚠️ 而动机那句本页认为该被单独记下来：

  ⚠️⚠️ "而且如果说有什么的话，这些领导者在说：我必须做这件事，否则我在我自己组织内部会被看成落在所有人后面。"

• ✅ 本页标注这是社会压力而不是投资回报，而本期没有任何一方指出这一点。 ⚠️⚠️ 本页认为这条对读本页其余采用材料有用：当采用的驱动变量是内部观感时，采用率本身就不能被当作价值的证据——而本页收到的大量采用数字都来自这个时期。
• ⚠️ 配套的那条观察很具体："财务从来不是那种会赢下自动化黑客松的部门，而看到这件事彻底变了挺酷的。"（⚠️ 嘉宾的自述呼应是"我早年总是坐在那儿、不太知道该怎么参与，而现在如果我有一分钟空闲，我觉得我会有一百万个不同的点子"。）

⚠️ "自研还是外采"的第三种理由，以及一个基础设施层厂商的护城河答法（Reducto，2026-11-06）

来源：Latent Space × Reducto：失效模式在 recall 不在 precision、每月十亿页，以及白领的 Claude Code 时刻

⚠️⚠️ 立场：说话人是 Adit Abraham，Reducto 联创兼 CEO，而这一期同时是产品发布现场（自研端到端模型 R1「下周一宣布」、结构化抽取降价「今天宣布」）。全部准确率、成本、规模、客户反响陈述均为自述、无口径、无第三方来源，本页不采信为事实。 ✅ 但本页判他的厂商色彩中等偏轻，依据是三处对自己不利的陈述（见视频页）。

✅ 本页判他在这条线上占的位置此前几乎是空的：一个在"文档进、结构化数据出"这一层上卖服务、而且客户里就有本页已收录的两家应用层公司（Harvey、Legora）的说话人。 ⚠️ 本页此前的材料几乎都来自应用层或实验室，很少有这一层。

⚠️ 一、自研 vs 外采：判据是三维同时占优，而不是"自研更对"

（[00:05:07]–[00:06:07]）⚠️ 他先把动机从"拥有"上拿掉："我们团队的使命是，不管怎样我们都要当最好的那个提供方。我们的客户不会按'Reducto 用的是自研模型还是别的'来思考。他们只想要无与伦比的结果。"

⚠️⚠️ "自然发生的事情是，我们非常在意准确率、成本、延迟那个 Pareto 前沿。而我们一次又一次发现：如果你看的是某一个特定类型的任务，一个在那个任务上后训练过的模型，在这三个维度上都更优。"

⚠️ 结果是"我们的栈随时间越来越偏向自研"，而横向任务上用前沿基座模型"在今天范围有限"。

🔗 ⚠️⚠️ 本页此前这条线上的两条理由都来自 Moshi 那一期，而那一期的主持正是点名 Reducto 这类厂商来问"自己拥有模型重要吗"： - ① 数据不出门（"如果有人把数据给我们，我们不想把它发给第三方"）； - ② 团队禀赋（"如果你没有一支工程师团队，那么现成方案是个很好的解法"）。

✅ 本页判三条可以并存，且性质不同：前两条是约束（不自研就做不了/做不成），这一条是收益（自研在三维上同时更优）。 ⚠️⚠️ 而本页记下一处张力：Moshi 自建的理由之一正是"不想把客户数据发给 Reducto 这样的第三方"，而本期 Reducto 给的恰是"交给专门化的模型三维都更优"——两条都成立时冲突落在数据处理协议上，而本期完全没有谈数据处理协议。

⚠️ 二、R1：自研被同时用来简化定价，而降价动机被他主动否认

（[00:04:05]–[00:05:07]、[00:09:08]–[00:10:08]、[00:46:37]–[00:47:37]）⚠️ 以下全部自述：

• ⚠️ 规模："今天 Reducto 每个月处理略超过十亿页"，"这个数字变化非常快"。
• ⚠️⚠️ 定价结构的变化本页认为比准确率更值得记："有一阵子，如果你打开那些 agentic 功能之类的，我们会有这些倍率。那些全都要取消了。" → "R1 就是你把文档发给我们——它的每页成本会低于我们基座模型的每页成本，而准确率比我们最准的那些模型更好。"（⚠️ "比我们以前便宜好几倍"）
• ⚠️ 同日的结构化抽取降价："历史上一页结构化抽取全算下来要 4.5 美分以上，现在我们能在一半的价钱上做到，同时性能还更好"，⚠️ 他点名的改善项是"引用的表现和 schema 遵从度"而不只是准确率。
• ⚠️ 而他对降价动机给了一句否认："幸运的是，这甚至不是我们自己要去压成本。我们只是发现，在只盯着性能本身的时候，顺带就能拿到更好的每美元智能。" ⚠️⚠️ 本页不采信这条归因（公司对自身动机的陈述），但记下它可观察：若成立，后续降价会继续跟在准确率发布后面而不是单独发生。

✅ 本页标注一个形态：⚠️⚠️ "自研替换掉外采" 与 "取消按功能计价的倍率" 在这里是同一次发布的两面——也就是说自研的收益被部分让渡给了客户、换取定价的简化。 ✅ 本页判这对"价值向上游转移"那条主命题是一个反向样本：这一层的成本下降没有留在供应方手里。 ⚠️ 但只有一家公司、一次发布，不足以作为趋势。

⚠️⚠️ 三、护城河问题被问了但没有被正面回答，而本页认为这处缺口本身值得记

（[00:27:22]–[00:29:24]）⚠️ 问题的前提很具体：你训不到客户全部的数据，所以量涨了性能也许涨不上去，你怎么守住？

• ⚠️ 他答的是两条：① 连续评估飞轮（"你一个月处理十亿页，你怎么围绕它做出一个飞轮"）；② 横向客户面带来的直觉（"我们的客户基础越宽，我们对问题范围的直觉就越好"）。
• ⚠️ 然后转向了市场结构："我最终觉得竞争性市场其实挺好的，因为它非常讲绩效。" → "我们服务 Harvey 这样的领先 AI 原生创业公司，这就意味着如果我们不继续是最好的，他们自己就会去找最好的。我们的立场一直是：我们只需要迎上那个挑战。"
• ⚠️ 主持随后给了一条概括并被他接受："比起以往任何时候，这更少关于系统性的护城河，更多关于执行。" ⚠️⚠️ 本页标注这是主持的框架、未给依据，而他只答了"确实如此"。
• ⚠️⚠️ "训不到的那部分数据"这个前提他一次也没有处理。

✅ 本页标注这处缺口与本页既有材料的关系：🔗 ⚠️ 本页此前把"落地能力/客户数据"当成护城河的材料很多（也有 Decagon 那条"FDE 是陷阱"的反驳），而这一条是本页第一次有人在这个位置上直接退到"没有系统性护城河、只有执行"。 ⚠️⚠️ 本页不判对错，但记下它与他同期那条"每月十亿页的飞轮"在逻辑上并不一致：若飞轮成立，那就是一个规模依赖的系统性优势；若只剩执行，那飞轮就不构成护城河。本期没有把这两句放在一起。

⚠️ 四、边界声明：明确不向文件存储扩张

（[00:29:24]–[00:30:24]）被问会不会变成横向多产品的"复合型创业公司"：

• ⚠️ "我们最在意的是对文档本身的那些实际动作。" ⚠️ 判据是"对我们来说问题永远是：我们能不能在那个任务上做到世界第一"——⚠️ 分类、解析、编辑的答案是能，而"仅仅是存那些数据，对我们来说没那么有意思"。
• ⚠️ 留了一个条件："只有在它最终会带来对客户更好的体验时，我们才会往那些方向推。"

✅ 本页标注这是一条主动的范围收缩，而理由是能力排名而不是市场规模。 🔗 与本页"第三种位置"一节里 Chai Discovery 主动放弃向下游整合 同向，⚠️ 但两者的理由不同：Chai 的理由是下游另有一套能力要求，这一条的理由是"那个任务我们做不到世界第一就不做"。

⚠️ 五、一条此前缺失形态的下游效应：解析质量 → 终端用户行为

（[00:30:24]–[00:31:25]）

⚠️⚠️ "我们有一家法律科技的客户最后发现，当文档是由 Reducto 解析的时候，他们的客户与文档的交互量是原来的两倍。他们会问更多问题。"

⚠️ "而这显然不是我们卖的一个功能。他们只是发现回答质量提高了、引用的精确度提高了，以至于整体上客户更愿意参与进来。"

⚠️ 三条限定：① 客户未具名、② "两倍"无口径无基线、③ 因果链是客户方的归因而非受控对比。 ✅ 但本页记下这个形态本身是新的：此前关于底层质量改善的材料都停在准确率或成本，没有一条给出"质量改善 → 终端用户行为改变"这一跳，而这一跳恰好是基础设施层向上游论证自己价值时最缺的一环。

⚠️ 平台型生意为什么总是转向卖药，以及一条不依赖药物的"甜点"判据（Fabian Theis / Helmholtz Munich，2026-11-06）

来源：Latent Space AI for Science × Fabian Theis："我们最大的想法其实花在了指标的构造上"

（[00:38:18]–[00:41:19]）✅ 本页判这条材料的价值在于它来自学术侧——一个不靠讲融资故事吃饭、同时又在多家公司任董事或参与方的位置。

• ⚠️⚠️ 他对"生物基础模型"类融资故事带批评："有几家创业公司拿到了真的相当强的投资，也说我们要建一个生物学的基础模型、我们要解码生物学，而实际上没有说你要拿它做什么。" ⚠️ 他拿 OpenAI 做类比，连类比本身都带保留："他们当时并不真的知道怎么赚钱，而有些人可能会说他们到今天也不知道。"
• ⚠️ 他承认平台这件事为什么有吸引力："这些平台型的点子超级有吸引力，它们契合我们已知的东西"（⚠️ 他点了自己做的 Scanpy、scverse 作为工具/平台的例子），✅ 但"真把这个变成一个赚钱的东西并不那么显然"。
• ⚠️⚠️ 而本页要记的是那条路径观察：

⚠️⚠️ "投资人通常理解的——而这在欧洲那个更保守的 VC 生态里也许更是如此——是在某个时点你做出一款药，然后你就有了这个清楚的东西。"

⚠️⚠️ "所以我见过太多这样的平台公司在某个时点转向'我们做一款药'。"

• ⚠️ 而主持给了一条反向观察，本页记为同期的对立材料："这其实一直是我的一个论点：直到最近，每一家建模型又建点什么的公司最后都变成在做药，因为那是随时间推移的变现路径。但我们今年实际上看到了相反的情况。"（⚠️ 主持点名了结构生物学一侧的几家与几家在做 RL 环境生意的公司，⚠️ 名称多处讹写，本页不还原；本页不采信这条反向观察，因为它没有给出任何可核对的对象）
• ✅ 而他给的"甜点"判据本页认为可用，且不依赖药物：

✅ "如果你把它和数据生成耦合起来，而不只是建模这一部分，我觉得这才是甜点打中的地方，然后药厂才真的会买进来。"

• ⚠️ 自家例子（自述）：与一批药厂合作建一个他称为 cancer organoid perturbation atlas 的联盟，⚠️⚠️ 而药厂买进来的动机被他说得很直接："他们想对这些扰动类数据集拿到早期访问权。" ✅ 他的概括是"我看到的更多公司是把护城河建在一个虚拟细胞模型加上某种独特的、特定的数据的组合上，而不只是模型"。 ⚠️ 联盟规模与付费条件均无细节，本页不采信为已核实事实。

✅ 本页标注这条的增量在于它给出了付费机制而不只是护城河主张：🔗 ⚠️⚠️ 本页与 AI for Science 上"把钱花在造数据上"这条线此前全部是"应该造数据"的论证（Xaira 的 causal models need causal data、Leash Bio 的"模型学到的是化学家，不是化学"），没有一条说明造出来的数据怎么变成收入。 ✅ "卖早期访问权给联盟成员"是本页收到的第一个具体机制，而它恰好把数据生成的固定成本摊给了最终买方。

⚠️ 配套：欧洲的问题被定位在 scaling 而不是创建

（[00:33:17]–[00:37:18]）⚠️ 本页只收这一节里有结构的那部分，⚠️⚠️ 因为他几乎所有数字都没有来源。

⚠️⚠️ "欧洲、特别也是德国掉下去的地方是 scaling 这一段。早期 VC、以及那些非稀释型的钱，这些是有的。但当你走到 scaling，那些会承担更大风险的大 VC，我觉得远没有那么到场。"

• ⚠️ 可观察后果："如果你想真的走到更大的票——series A、series B 这种——人们会开始更多地为了这个去美国。" ✅ 他自己加了限定："也许我在这里过度简化了，但这至少是我目前的学习。"
• ⚠️⚠️ 而创建环节他声称"如今如果你看欧盟，被创建的创业公司数量和美国一样多"——无来源、无口径，本页不采信这个比较。
• ⚠️ 监管他给了两面：正面是欧盟统一漫游与 USB-C 强制；⚠️ 负面是 AI Act 一类，✅ 但"幸运的是研究还没有"受影响，⚠️ 真正痛点在跨医院数据访问；⚠️ 政策抓手他点名 European Health Data Space（"大概未来两年里这些东西需要跨越边界"），✅ 总评是"这些愿景正在开始发生，但规模推进没那么快"。
• ⚠️⚠️ 而本页记下他对美国的评价是与德国同病，因为这与本页常见的中美欧对照叙事不一样："美国在让所有系统互相对话这件事上也差不多是一团乱，跟德国类似。病人去美国不同的州，和在德国去不同地方是类似的。要建病人目录非常难。" ✅ 他指出欧洲内部有做得好的样板：芬兰的 FinnGen、丹麦等——"对人群在采样上的非常详细的描述、医疗记录连接得好得多"。 ✅ 本页标注这把"医疗数据可用性"从国别问题换成了制度设计问题。

⚠️⚠️ 本页第一份来自收购方席位的材料：买方宇宙的容量、ARR 掩盖流失，以及"清算必然发生"（Salesforce 企业发展负责人，2026-11-06）

来源：a16z × Salesforce："ARR 是个很好的指标，但它掩盖流失"

✅ 本页判这条材料填的是一个明确的缺口：⚠️⚠️ 本页上面那节 创始人该不该卖公司 以及 Airtable 卖身 全部是卖方或投资人视角，没有一条来自实际坐在买方席位、每年看数千家来求收购的那一方。

⚠️⚠️ 立场必须重标注，而本页认为比通常更重，理由有三：① 他是收购方负责人，而本期有相当一部分在论证"卖给我们比自己走下去更好"；② 他是在位者，而被问"哪里有口子"时答的是"我不知道为什么到现在还一直有新的 CRM 公司"；③ 全部产品指标、收购数量与金额、组合表现均为自述、无口径、无第三方来源。 ✅ 本页因此只把那些最不依赖他判断的部分当作增量。 ⚠️ 说话人姓名：转录稿只出现名 "John"，姓未出现，本页不写出姓（见人物页 John）。

⚠️⚠️ 一、"清算必然发生"，而论证的变量是买方数量而不是估值

（[00:37:37]–[00:40:40]）✅ 本页判这是本条材料最该被长期引用的论证，因为它没有停在"估值太高"。

⚠️⚠️ "估值当然是高得太多了，但另外，买方宇宙也实在太小了。你想想投资的时候，你会想我的退出机会是什么——而不是每家公司都会上市，事实上非常非常少的公司会上市，大概 1% 或更少。"

⚠️⚠️ "一旦你超过比如 100 亿美元，买方宇宙就小得不行。可你却看到外面有这么多估值几十亿、上百亿的公司。"

⚠️⚠️ "所以必然会有一次清算发生。我不知道什么时候，但它是不可避免的——因为很多这些公司的估值是不可持续的，它们长不进那个估值里去。"

• ⚠️⚠️ 而他把后果落到员工身上，本页认为这是这条论证里最具体的一跳："而且我觉得这对它们的员工也会是坏事。所以这就是我说它不负责任的原因。"
• ⚠️ 他对劝说失败的描述："你试着跟创业者做这个对话，而他们就是想要他们能拿到的最高估值——但那通常不是最好的决定。"

✅ 本页标注这条为什么可用：⚠️⚠️ 它把"泡沫"从一个关于价格的判断换成了一个关于市场结构的判断——即便你认为估值是对的，只要上市率是 1% 量级、而 100 亿以上的潜在买方可以数出来，大量公司的退出路径在算术上就不存在。 ✅ 而这恰好让它可检验：若他错，应该出现的是新的大额买方（而不是估值继续涨）。本页记为可回看核对的一条。

🔗 ✅ 本页关于泡沫的材料此前有两类，这一条是第三类： - ⚠️ Chamath 的"终值溢价给不出去" 是定价机制侧； - ⚠️ Mark Cuban 的"泡沫的损失落在谁头上" 是分配侧； - ⚠️⚠️ 而这一条是退出通道的容量侧，且它来自那个通道本身的运营者。 ✅ 本页判三者不冲突：定价机制解释为什么价格上去了，容量侧解释为什么它必须下来，分配侧解释下来之后谁承担。

✅ 而本页认为这段争论里最有价值的是他给的选择偏差说明

⚠️ 主持给了一条反驳："十年前的 top 1% 结果和今天的 top 1% 结果非常不一样。即便在并购这一侧，你刚提到的 Wiz、还有 Cursor——所以确实出现了这些更大的结果，它们带动了整个生态的回报。"

✅ 而他的回应是：

⚠️⚠️ "我是个乐观主义者，不然我做不了我这份工作。但你要知道，我每年看到那数千家没能成的公司——因为他们都来找我们希望被收购。所以我们看到的是这个行业里你在媒体上读不到的那一部分。媒体不喜欢报那些故事。"

✅ 本页据此给出处理方式：⚠️⚠️ 他的位置让他系统性地多看到失败样本，主持的位置让他系统性地多看到成功样本——两人的分歧很可能主要是样本的分歧，而不是判断的分歧。 ✅ 本页记下这条对读本页所有泡沫材料都适用：说话人看到的样本分布由其位置决定。 ⚠️ 两人都没有这样说。

⚠️⚠️ 另记他对其余创业者那句很重的判断，本页照录不采信："我在创业者和他们的想法里看到不少平庸的东西，那些不会变成那种世代级公司。而他们不该拿到 100 亿以上的估值，可他们还是拿到了。" ⚠️ Anthropic 被他划成例外（自述投了六轮，"从我们和 Dario 与 Daniela 的第一次会面起就很清楚，这些是特别的人"），而他立刻补"但那样的公司是罕见的"。

⚠️⚠️ 二、买方实际在尽调里看什么：ARR 掩盖流失

（[00:41:40]–[00:42:41]）✅ 本页判这条可以直接当成检查项用。

⚠️⚠️ "我觉得很多创始人现在犯的一个错误是，他们只盯一个指标，就是 ARR。ARR 是个很好的指标，但它掩盖流失（it masks attrition）。"

⚠️⚠️ "当你见到一家流失率非常高的公司，那通常意味着不只是有很多不开心的客户，而且可能还有产品质量上的问题。所以这是我们会去找的一个大红旗。"

• ✅ 它的力气在于把一个会计指标与一个产品事实连起来：⚠️⚠️ 高流失被当作产品质量的代理变量——这条红旗不是关于钱，而是关于这个产品到底行不行。
• ⚠️ 而他点出的前置失败更严重："很多时候公司对自己的财务没有很强的控制，或者他们没有客户合同的数据。他们并不真的理解客户流失到底是多少。" ✅ 也就是说问题不是"流失高"，而是"不知道流失是多少"。
• ✅ 他给的顺利与不顺利对照很干脆："当一家公司完全扣好了扣子、所有数据都可取用、技术是安全的，尽调流程就走得非常非常快、而且不痛。而当他们没做到，交易就是会死在那里。"

🔗 ⚠️ 本页此前关于 ARR 的材料主要在讨论它被怎么定义、怎么注水，✅ 而这一条是第一次有买方说明在尽调里它为什么不够用。

⚠️ 三、三段式并购判据，以及"自建还是买"落在一个可比较的时间数上

（[00:03:03]–[00:05:06]、[00:17:21]–[00:18:22]）⚠️ 他说框架是"我们相当自律地遵守"的：

1. ⚠️ 战略契合在哪，以及它能驱动多少客户成功。
2. ⚠️ 能不能加速这个业务；能否装进技术栈；文化对齐；人才能否在 Salesforce 里好好工作。
3. ⚠️⚠️ 怎么给股东和客户交付价值，价值累积的时间线，以及估值是否合理 → "最后那一点大概是现在最难的，因为什么都很贵。"

✅ 本页标注顺序本身带信息：⚠️ 客户要求排在第一（他另处说"他们觉得我们的产品哪里缺了？缺口在哪？"），财务排在最后。 ⚠️ 无法外部核实，但第三段被他自己说成当下最难，与上面那条"清算必然发生"一致。

⚠️⚠️ 而"自建还是买"他给的判据本页认为最可用，因为它是一个数：

⚠️⚠️ "一笔典型的收购从你有这个想法的那一刻、到它真正被整合完成，可能是 6 到 9 个月。所以你能不能自己交付出某个东西、而且比那快得多？"

✅ 本页标注这把"自建还是买"从能力问题换成了可直接比较的时间问题，⚠️⚠️ 而它对卖方也成立：若买方的整合周期是 6 到 9 个月，那么在这个窗口内被竞争对手自建出来的东西，其收购价值会快速衰减。 ⚠️ 本页记为推论，他没有说这句话。 ⚠️ 人才侧他点了一个瓶颈："现在招 AI 工程师有多难——非常非常难。"

⚠️ 而他对"什么时候你就知道了"给了一个非制度化的答法："但当对的那个资产出现，你真的会知道。你能有一种感觉。" ⚠️⚠️ 本页标注这与那个"相当自律地遵守"的框架在口径上不一致，本期没有处理。

⚠️ 四、"卖给我们 vs 自己走下去"：本页把论证与利益相关分开

（[00:11:14]–[00:14:18]）⚠️⚠️ 这是本期最明显的自利论证。

⚠️ "想象一下你得自己把那个分发渠道建起来，以及那要花多久……噢，顺便说，你还得在小企业、中型企业和大企业三个档上都做到。噢，你还得全球都做到。"

• ⚠️ 分发规模（自述）：15,000 名销售代表；⚠️ 他举 Listen Labs 的对照是"只有一小把代表"。
• ⚠️ 对立选项的描述带明显倾向："继续融钱，把自己摊薄得越来越多……那只是很多年的苦工。"
• ✅ 而本页记下他把决定明确交还给创始人："我觉得创业者得去做那个决定。这是不是卖的正确时点？"

✅ 本页判其中有一部分独立于他的利益：⚠️⚠️ "分发必须在三个客户档位 × 全球两个维度上同时建成"这个要求本身是可核对的，而它不取决于买方是谁。 ✅ 本页记下这一部分，对"所以应该卖"这个结论不采信。

🔗 ⚠️⚠️ 而本页判这一节真正的价值是它补上了 那条退出决策框架 缺的另一半： - ⚠️ Elad Gil 给的是时间窗口（"通常有一个时间最大化窗口……一般是 12 到 18 个月"）＋ 制度化的定期复核； - ⚠️ Sarah Guo 给的判据是"随着成本下降、能力上升，你在捕获价值吗"； - ⚠️⚠️ 而这一条给的是买方实际在看什么（三段式判据、ARR 掩盖流失、安全否决权）以及买方宇宙有多大。 ✅ 本页判三者合起来才构成完整的退出决策输入集：前两条告诉创始人何时该考虑，这一条告诉他对面的人按什么条件接。

⚠️ 五、按结果计价：本页此前缺的买方侧实测数字

（[00:06:06]–[00:10:13]）

• ⚠️⚠️ 他对 per-seat vs usage 之争给了一个本页认为很克制的答法："不管他们是按席位付费还是按用量付费，这其实并不真的重要。关键是确保他们开心、成功、会回来。" ✅ 本页标注这条绕开了"席位制会不会死"这个本页反复出现的问题，把它换成留存问题。 ⚠️ 他补了定价形态："消费量是我们定价的一大部分……比如 MuleSoft 一直都是消费量计价。"
• ⚠️⚠️ 而他给的那条因果本页认为最该被引用："他们之所以能这么做（按结果计价），是因为达到价值的时间非常快。"
• ⚠️ 内部试点（自述、无第三方核对）：他们把 Fin 用在自家 help 站点上——"我们其实 14 天就上线了"、"它现在处理超过 40% 的流量"、"而且交付 65% 的解决率、不需要转给人"。

✅ 本页标注这组数字为什么值得保留，尽管它是自述：🔗 ⚠️⚠️ 本页此前关于按结果计价的材料（Decagon、Eve）全部来自采用这种定价的卖方，没有一条给出买方侧的部署时间与承接率。 ⚠️⚠️ 但"解决率"的定义未给、"流量"的分母未给，因此不能与别家的同名指标直接比较。

⚠️⚠️ 六、本页必须标出：被问"哪里有口子"，他回答的是另一个问题

（[00:35:34]–[00:37:37]）

• ⚠️⚠️ 他的回答："我不知道为什么到现在还一直有新的 CRM 公司。" ⚠️ 理由是"现在在那个领域里要造出某个特别专门化、特别细分的东西非常难"，⚠️ 结论是"我还没看到有什么新颖到能在那个空间里变成一家几十亿美元大公司的东西"。
• ⚠️⚠️ 主持给的方向（更下沉的市场、Stripe 类比）被他以规模挡掉："它还是一个小的、小的领域"；"我们只投大机会……去投那些和在位者做法只有一点不同的小众小机会，我就是不明白" → "它们太多了。太多的钱在进去。"

✅ 本页的处理： 1. ⚠️⚠️ 他被问的是"哪里有口子"，而回答的是"那些口子不值得"——两个不同的问题，前者没有被回答。 2. ⚠️⚠️ 提出者是被攻击目标的收购与投资负责人，而"下沉市场太小"这个论证恰好会抑制对他最直接的竞争来源。本页记为立场陈述，不采信为市场判断。 3. ✅ 而他自己在同一期里提供了反驳材料：⚠️⚠️ 他说 Veeva 与 nCino 是"建在你们之上、而且只盯垂直"的大公司，而 nCino 是他们早期的 Ventures 投资之一。 ✅ "专门化、细分的东西做不大"与他本人举的两个例子方向相反，本期没有处理这个矛盾。 ⚠️ 一处限定：那两家做的是垂直而不是下沉，严格说与他那句话不完全同构。

✅ 七、两条关于整合的材料，其中一条与常规叙事相反

（[00:14:18]–[00:16:21]、[00:20:24]–[00:27:27]）

• ⚠️ 可数的事实（自述）：被收购公司创始人四次成为 Salesforce 的首席产品官（⚠️ 他点名 Vlocity 的 David Schmaier 与 2008 年 InStranet 的 Alex Dayon）。⚠️ Vlocity 带进 6 个行业垂直，"我们之后又加了 7 个"，现在 13 个。
• ⚠️⚠️ 而本页认为最该被记的是他对 Intercom 创始人作用的描述，因为它把摩擦算成了收益：

⚠️⚠️ "他在公司里影响很大——他是一个声音很大的人，他让自己的看法被知道，而且他真的在试着摇醒我们。而那是把这些人带进来的另一个好处。"

✅ 本页标注这与常规整合叙事相反：⚠️⚠️ 通常的整合目标是减少摩擦，而他把一个会公开反对的人当作收购的交付物之一。 ⚠️ 单一自述、无可核实结果，不作为有效机制的证据。

• ⚠️⚠️ 而 Slack 那笔他把功劳归给分发而不是整合能力："它就像是很棒的技术、但分发被饿着（starved for distribution）。" ⚠️ 收购时的处境是"它正在输给 Teams，他们真的卡住了"，而"2020 年有一个糟糕的季度，股价下去了，而那真的触发了很多讨论"。 ✅ 他同时承认整合不是立刻顺的（"整合确实花了一点时间才真正进入状态"），本页标注这处承认让那条归因更自洽。 ⚠️ 规模自述"收入现在差不多是我们买它时的三倍"、"是我们增长最快的产品"——无口径、无基数，不采信。

✅ 八、一条关于 CVC 功能定位的推论

（[00:28:27]–[00:35:34]）⚠️ 被问"会不会投将来可能和 Salesforce 竞争的公司"，态度很干脆：

✅ "我觉得其实我们大概应该投。保持靠近技术在往哪走是好事，而也许那家公司某天会变成一个收购标的。"

• ⚠️ 比例（自述）："我们投了超过 750 家公司，收购了 29 家。"
• ⚠️ 阶段划分（自述）：2009 年起投生态内（DocuSign、nCino、Twilio）→ 行业去向的新领域（Snowflake）→ 网络安全（Wiz）→ 2023 年初设 10 亿美元 AI 基金（Anthropic、Mistral、Cohere）→ 语音（ElevenLabs）与视频（Runway）→ 物理 AI（Figure AI、Physical Intelligence、Dexterity、Skild、Zipline）。
• ✅ 本页记一条推论（他没有说）：⚠️⚠️ "750 投资 / 29 收购"配上"我们大概应该投竞争者"，意味着 Ventures 的首要功能被描述为情报与选择权，而不是财务回报或战略协同。 ✅ 本页判这条对读本页其他 CVC 材料有用：若功能是选择权，那么组合的行业分布不需要与母公司路线图一致——而他确实投了与 Salesforce 路线图无关的机器人。

⚠️⚠️ Anthropic S-1 的两处会计误读被拆到零，7 倍推理效率的分母，以及"算力版的创新者窘境"（Jamin Ball / Altimeter，2026-11-07）

来源：Latent Space × Jamin Ball："现在你想为 GPU 融几十亿美元的债？没人出价"

✅ 立场：说话人是 Altimeter 合伙人、Clouded Judgement 作者，✅ 而他主动做了披露且做在第一个实质问题之前："我们在 Anthropic 上有一个很大的仓位。我说的一切都是我的个人观点。" ⚠️⚠️ 因此全部关于 Anthropic 前景的判断不采信为中立分析（⚠️ 他自己也说"如果你看不出来，我是个超级乐观的人。所以也许我喝 Kool-Aid 喝太多了"）。✅ 但第一节是会计恒等式，可自行验算。

⚠️⚠️ 一、那 810 亿"净亏损"：本页此前悬置的一处被补齐

（[01:07:43]–[01:16:50]）✅ 本页判这一节的特殊之处在于它的结论不依赖说话人立场。 ✅ 而它恰好补齐了 2026-10-30 那页 明确悬置的一处：本库当时记录了 Sacks 的同向转述，但标明"这是 Sacks 的转述，本库未核实 S-1 原文"，并因字幕对 billion 量级不稳而"不写定具体数值"。

• ⚠️ 被误读的两项：资产负债表上约 1,080 亿美元的"可转换票据应付款"（被读成"他们举了债"），以及营业利润之下一大块"其他收入与支出"（使它看起来有巨额净亏损）。⚠️⚠️ 他的判断是两者是同一件事的两面。
• ⚠️ 为什么是可转债：⚠️⚠️ 战略方的理由是持股门槛——它们是上市公司，一旦对第三方持股超过某个门槛就要做穿透报告，"如果那家公司在大亏钱，你现在就得把那笔亏损记在自己的账上"。✅ 第二个可能理由（不想给投票权股份）他明确标为"我完全是在猜测"。
• ⚠️ 机制：融可转债 → 资产上升 → 负债必须同步上升；而"因为你承诺的是按某个价格给股份，那笔负债的美元价值随着这个生意的估值上涨而暴涨"。
• ⚠️⚠️ 而本页此前拿不到的分项数字在这里：

⚠️⚠️ "那几笔合起来的可转换票据大约是 110 亿。已经有大约 50 亿转成了股权。还有 60 亿在外。而那 60 亿的市值是 1,080 亿，因为公司的价值已经大幅升值了。"

⚠️⚠️ "今年前六个月那 810 亿的净亏损里，720 亿来自给 AWS 和 Google 的那一批可转债，90 亿来自另外一批 safe 和票据。所以前六个月的亏损 100% 就是他们那些可转债的价值升值。"

• ✅ 结论："资产负债表上没有债，而那 110 亿可转债是包含在 1,410 亿总融资额里面的。" ⚠️ 传导路径他也说完了：净利润流向留存收益，"负债涨上去的时候，留存收益必须同额往下走……这些是数学上锁住的，你打不破"。
• ✅ 定性很克制："严格按 GAAP 会计，他们确实显示了 800 亿的净亏损。我是否认为那是这个生意的准确反映？不。" ✅ 并给了消失路径（票据转股后这个动态消失），以及一个被他主动堵掉的误读（没有按四年前的价格给过折扣股份——"他们几年前像一家正常创业公司那样在正常融资里拿了那笔钱，而随着时间它只是升值了"）。

✅ 本页标注两点： 1. ⚠️ 本页因此把 2026-10-30 那页上"未核实、不写定数值"的标注视为已被本条补齐——⚠️⚠️ 但这些分项数字同样是他的口述，本库未查阅 S-1 原文。 2. ⚠️⚠️ 而本页记一条他没有处理的方向：✅ 这套说明解释了"净亏损不是经营亏损"，但它同时意味着在那 60 亿转股之前，Anthropic 的 GAAP 净利润会随自身估值反向波动——估值涨得越快，账面亏损越大。 ⚠️ 他只说了它会在转股后消失，没有说在那之前它还会继续放大。

⚠️ 一处口径限制：那 85% 的毛利率没有扣掉近一半收入的渠道分成

（[01:17:51]–[01:18:51]）⚠️⚠️ 云伙伴贡献约 48% 的收入，而那部分分成成本"很多在销售与市场费用里，那是在线下面"（⚠️ 他顺带报了 30 亿美元的销售与市场费用）。⚠️ 他自己承认"如果你把第三方云算进去也许会更低"，只主张"趋势是往上的"。 ✅ 本页因此把 85% 记为口径受限的数字，而不是可跨公司比较的毛利率。

⚠️⚠️ 二、7 倍推理效率：本页既有那条"每年 10 倍"的一个可独立核对的下界

（[00:14:09]–[00:23:13]）

• ⚠️ 他口述的头部数字（自述、未核实原文）：85% 毛利率、20% 以上的自由现金流利润率、8% 的 GAAP 营业利润率；⚠️⚠️ "至今融资 1,410 亿美元，包含股权、可转债和 safe；而今天账上现金 1,340 亿" → 推算"这意味着你烧了 70 亿"，对照 Q3 单季收入 168 亿美元（⚠️ 不在 S-1 里）。✅ 他的概括："168 亿的季度收入，建立在 70 亿的终身烧钱上。"
• ⚠️⚠️ 而效率的拆法是本页此前没有的："今天只有 27% 的算力用于服务模型"；"他们用于服务模型的算力涨了 2.3 倍，而同期收入涨了 14 倍。所以内嵌在里面的基本上是服务推理上 7 倍的效率提升。" ⚠️ 定性是"我觉得这是一个几乎是意外盈利的生意"。
• ⚠️ 降价被他挂到同一机制上："每一代模型家族，完成同一任务的成本下降约 25% 到 40%"；⚠️ 主持的概括是"他们收得更少，却赚得更多"。 ⚠️ 类比是 S3 与 EC2"从发布那天起在这两项服务上都有 99% 的价格下降"而业务量指数级上升。

🔗 ✅ 本页标注这与既有材料的关系：⚠️ 2026-10-30 那页 已记下 Sacks 转述的 Dario 框架（raw compute 与 compute multipliers）与"显著下调 token 价格但毛利率涨得更快"。 ✅ 这一条的增量是把分母拆开了：27% 的服务占比、2.3 倍服务算力、14 倍收入——于是那条"每年 10 倍成本效益改善"有了一个可独立核对的下界。 ⚠️⚠️ 但两组口径不同（一个是任务成本效益，一个是服务算力对收入的弹性），不可直接相减。

⚠️⚠️ 一条可回看核对的预测：利润率会主动转负

• ⚠️⚠️ "我的猜测是你其实会看到这个（自由现金流利润率）走平、也许再转负，因为他们会说：我们要再投入，我们要投很多算力。" ⚠️ "他们大概做过的事是在算力建设上投入不足，而他们需要更激进。"
• ✅ 本页标注这条可核对，且它改变了读法：⚠️⚠️ 若他对，则接下来几个季度的下行应当被读成投资决定而不是经营恶化。 ✅ 而主持给了一条配套的会计提醒：若看到利润率结构变化，"那是一个有意识的选择"，应当把核心业务与投资拆开看。
• ✅ 他主动做了股权激励调整，本页认为这处很诚实："如果你不给新员工发股权，他们就不会加入你。所以它是一笔真实费用。" ✅ 调整后"你仍然有 8% 的（扣除股权薪酬后的）自由现金流"，⚠️ 而行业对照是"如果你把股权薪酬当现金费用看，大多数成熟上市软件公司是自由现金流中性或者负的"。

⚠️ 三、渗透率：一条可逐年核对的口径

（[00:23:13]–[00:25:15]）

⚠️ "S-1 里说财富 500 强里 50% 在用 Anthropic。然而如果你看这批公司在 Anthropic 上的支出占它们费用的比例，是 0.1%。"

• ⚠️ 他引的对照：John Collison 提到"今天 Stripe 1% 的费用花在 token 上，但他预期未来几年到 15% 到 20%"；✅ 而他自己做了限定："Stripe 显然是一家非常前倾的科技公司。财富 500 强里的普通企业不会显示那个水平——但它可能显示同一个数量级的增长。"
• ⚠️ 主持给了一个平行口径（自述、无来源、无定义）：多数公司的 token 支出对人力支出是 1%–5%，"中位数 AI 公司在 50%"，90 分位"是 10 倍的 token 对薪资"。⚠️⚠️ 本页不采信这组数字。
• ⚠️ 前沿价值的量化口径："截至 9 月的三个月里，80% 的收入来自 6 个月或更新的模型"（⚠️ 他说这"比我预期的大得多"）。⚠️ 分工预测："开源权重会在 token 总量的占比上继续吃份额，但在钱包份额（美元）上，前沿会继续拿下大头。"
• ✅ 那 8,550 亿算力承诺他的重算是年化："它不是一年 8,500 亿。问题是他们能不能一年出得起 1,000 亿。" ⚠️⚠️ 而第二条路径不依赖增长："只有 25% 的算力今天被分配给创收用例。如果他们只是把那个翻倍、而且一片算力都不加，理论上他们就能把收入翻倍。" ✅ 本页标注这条把承诺的可负担性从"增长预测"换成了"现有算力的再分配"，而后者是可核对的。

⚠️⚠️ 四、"芯片工厂"类比：本页目前对"为什么新实验室很难追上"最简洁的表述

（[00:51:34]–[00:55:38]）

• ⚠️ 起点是模型 R&D 的折旧问题（主持：一代模型"就算十亿美元，而它只管了我六个月……这些是历史上折旧最快的资产"）。⚠️⚠️ 他给的是"有条件的否"："只要我下一次模型训练比当前的最好水平更好，我们就没事。" ⚠️⚠️ "如果下一个没成，这就有点像纸牌屋。"
• ⚠️⚠️ 而类比引自一位做过 80、90 年代半导体投资的前辈：

⚠️⚠️ "流片出一颗在当时能和领先芯片竞争的芯片，和造出一台能持续流片出能竞争的芯片的机器，是非常不同的两件事。"

⚠️⚠️ "这就是为什么 NVIDIA 是王。不是因为它现在有最好的芯片，而是它有最好的出芯片的工厂流程。"

• ⚠️⚠️ 他把它搬成对"新实验室"的看空论证，并给了量化门槛："如果你想真的竞争、想在前沿有一个 SOTA 模型，你的算力不能比那些大实验室少超过一个数量级。" ✅ 于是问题被改写为"你能不能吸引到持续每年推出新一代模型所需要的算力和人才"。
• ⚠️ 必须跑下去的理由是竞争而非技术："如果 Anthropic 停下来，OpenAI 和 Gemini 会继续，然后你就会看到收入掉下去。"

🔗 ✅ 本页标注"造那个造东西的机器"这个比喻此前在本库出现过（Warp 的 software factory），而这一条把它用在了实验室自身的护城河上，并给了一个可核对的门槛。

⚠️⚠️ 五、"算力版的创新者窘境"，以及它给创业者留下的空间

（[00:57:39]–[01:00:41]）✅ 本页判这是本条材料里对创业者最直接有用的一段。

• ⚠️⚠️ 设定：多产品线的实验室必须决定把算力分给谁——"也许 Sora 的需求爆了。你要不要把大量的 Codex 算力分过去？"
• ⚠️⚠️ 而结论是：

⚠️⚠️ "他们不是在追逐那增量的 100 亿市值。他们在追逐下一个一万亿。"

✅ "所以对一家创业公司或者新实验室来说，很好——你可以去建一家公司、一个产品、一个模型，以 100 亿退出，那是全垒打、是大满贯。而同时，它对 OpenAI 和 Anthropic 来说太小、不值得在意。"

✅ 本页标注这条与本页既有材料的关系：🔗 ⚠️⚠️ 本页此前关于"创始人因为怕实验室而不够野心"（Elad Gil）与"实验室会不会通吃"（Melisa Tokmak）的材料都在讨论创业者的威胁认知，✅ 而这一条给的是供给侧的机制解释：实验室放弃某些机会不是因为做不了，而是因为算力的机会成本与市值目标不匹配。 ✅ 本页判这让"实验室不会来做"这个判断第一次有了一个可推理的依据，而不只是一个赌。 ⚠️ 但它同时意味着这个安全区的边界随实验室市值目标变动，而他没有讨论边界会怎么移。

• ⚠️ 他对编码为什么是对的聚焦给的理由是泛化："编码是泛化得最好的那个"；⚠️ 主持给的例证是"我用 Claude Code 的时候我并不在写代码，但我在用 Claude Code"。
• ⚠️ 他点的"软下腹"是视觉思考与推理、决策模型，✅ 比方是"你不需要开着法拉利引擎去杂货店。也许一辆丰田就够了"。
• ✅ 而他对应用层给了一条投资判据，本页认为其限定比主张更有价值："我觉得作为一家应用公司，长期没有内部研究团队会非常难存活" → ⚠️⚠️ "我也想相信他们是对齐的——研究变好、产品就变好。这听起来反直觉，但有很多研究组织只是为了研究而研究，而不是闭上这个环、真的让研究改进与产品改进形成正循环。"
• ⚠️ 他还复述了自己几年前一个假设：实验室可能停止发布模型、只用未公开的最强模型去建应用——"也许他们就有权去建所有最好的应用"。✅ 而他把这个假设当作应用公司内部化模型的动机解释（"他们想控制自己的命运"）。
• ⚠️ 而他对 Anthropic 迄今不动垂直应用的解释是组织惯性而非战略："你有一个现金牛产品，你的销售代表想卖什么？他们知道怎么卖、一直在卖、而且卖得很猛的那个。什么更难卖？新东西、新 SKU。所以这是惯性、是动量，是经典的大公司无聊事。"
• ⚠️ 主持指出的一处 S-1 异常值得记：一份 S-1 通常会给出清楚的产品/市场分段，而这份只有 Claude Code、work、平台/杂项这类——"对一家 IPO 阶段的公司、更别说一家两万亿的公司，你从没见过'我们有三个 SKU'"。

⚠️ 六、为什么现在 IPO：他明确把"融资规模"排除在理由之外

（[00:05:03]–[00:14:09]）✅ 本页认为这一节对理解当下的一级/二级分界有用。

• ⚠️⚠️ 被排除的理由："以前你想融 1 亿美元，唯一的办法就是上市。现在你一个种子轮就能融超过那个数。" ⚠️ 他点了私募资本基础的扩张（大型养老金与捐赠基金从 LP 变成直投、主权基金直投）。
• ⚠️ 被降权的理由：收购用的流动货币——"OpenAI、Anthropic、Databricks 这些准上市公司的股票几乎已经开始被当成现金看，而不是大富翁钞票，所以那个效应大概影响更小。"
• ⚠️⚠️ 而他强调的那条是债与评级：债权方要承保 Anthropic（直接地，或经由一家为它建数据中心的 neocloud）就需要看完整财务，而"要被评级机构评级……你的信用评级会影响你能以什么利率融债"。✅ "所以上市是公司拿到评级的一个很好的方式。" ⚠️ 他举 SpaceX"上市后非常快就被评级了"（⚠️ 并说有人认为"太快了，他们需要作为上市公司多熟化一段"）。 ⚠️ 而他给的利率口径是"现在很多数据中心债务交易的利率都做到 10% 以上"。
• ⚠️ 普惠面他也提了："现实是私募市场更像一个小圈子（cabal）"，而管理层"希望每一个普通美国人都能参与这些公司的股权上行"。⚠️ 主持把它接到政治后果（否则会有社会不满与投票出来的监管），并给了一个框架："资本主义鼓励集中，而民主在某种程度上鼓励分散。"
• ✅ 流程口径（可用作时间参照）：S-1 → 通常至少等约 15 天 → 路演约一周半 → 公开交易；⚠️ 他推测"11 月中下旬"；⚠️ "感恩节到圣诞之间差不多是个死区"。 ⚠️ 传闻融资规模"750 亿到 1,000 亿"（⚠️ 他明确说"我不觉得他们已经定了"）；⚠️ 传统上 IPO 卖出 10%–15%，"公司越来越大，可能会卖出更少"。
• ✅ 他顺带解释了 Bill Gurley 那个点：首日暴涨 50% 可能是失败——"如果股票第一天涨 50%，你为什么不干脆按更高的价格融钱、承担更少的稀释呢？"

✅ 七、两条该放在所有 S-1 讨论前面的方法论提醒

• ⚠️⚠️ 主持的那条："你有这份东西里放出来的两千个数据点，而你会盯住一个，然后说'那就是你需要知道的一切'——而其实不，你丢掉了更大的图景。" ✅ 他用自己的反例做了自我指认：在对冲基金时，AWS 从 Amazon 拆出来披露的那天他们不做多 Amazon，因为担心 AWS 毛利、还担心"万一来一个创业公司寒冬"。 ⚠️ 定性是"金融有意思的地方在于你可以做完所有这些功课，然后做出更糟的决定"。
• ⚠️ 他对预测给的是拒绝：被问要不要做 FY27 预测，答"我觉得那太难了……这是一个非常难预测的生意，因为未来如此不可知"。✅ 但加了一条有意思的限定："我觉得在前沿上的生意是最可预测的，因为它们最不容易被颠覆。"
• ⚠️ 他对"夏天那段收入走平"给的归因是竞争：OpenAI 的 Astra"是个很好的模型，很多人开始用它"、Google 的模型、以及"开源权重模型变得非常强、而且很快变好"（⚠️ 他点了 Kimi K3、GLM 系列、DeepSeek）。✅ 而他的反事实是"你想象一下如果他们没有（最新那两个模型），收入增长和轨迹会是什么样"。
• ⚠️ 三角形 TAM 倒置：成熟市场里应用 TAM 最大、硬件最小，周期早期是倒过来的 → ✅ "未来某个时点我觉得应用和 agent 会是 TAM 最大的部分。我们只是还早。" ⚠️ 他承认"我确实更偏基础设施一点，个人偏好"，⚠️ 而主持给了量级对照："这里最大的（应用层）结果现在是 Cursor，600 亿。而我们这儿在谈两万亿。"

⚠️⚠️ 而本页必须标出一处未收口，因为它是本条材料里最该被接着做的工作：主持那个"推理效率还剩多少可挤、7 倍会不会是一次性的"的问题整期没有被回答——⚠️ 他两次把话题转向前沿与开源权重的差距，主持两次把问题说清楚后放弃。 ✅ 而主持自己给了做法：从物理上限反推（还剩多少推理优化空间 → 下一代的推理水平 → 按竞争格局与历史定价能收多少 → 已锁定的 GPU 供给折算成 token 量）。 ✅ 本页判这是一条可以被外部独立完成的工作。

---

⚠️⚠️ 供给受限时价值捕获往哪一层移动：造王者、租客阶层，以及一条"立法会反向增强 mag 7/8"的利益计算（All-In，2026-11-07）

来源：All-In / 数据中心审批冻结、超大规模厂商造王者、4 万亿单日蒸发（⚠️ 自动字幕无说话人标签，逐句归属为本库的编辑判断；⚠️⚠️ Sacks 为现任政府官员、Jason 期内自述持有并在增持 SpaceX/Tesla——相关标注见视频页）

✅ 本页标注这一条的位置：⚠️⚠️ 本页此前关于算力的价值捕获材料（Friedberg 的全价值链利润图、Jamin Ball 的 7 倍推理效率与"算力版创新者窘境"）都假设供给在扩张，问的是"每一层各赚多少"。这一条问的是另一个问题：当供给被外生地卡住，议价权往哪一层移动。

① ⚠️⚠️ 答案是移向"有电力和存量容量的那一层"，而机制不依赖意图

（[00:56:52]–[00:58:52]）Chamath 的链条：审批放慢 → 受伤顺序是 neocloud（纯租客）→ 基础模型公司（也是租客且最缺容量）→ 超大规模厂商（有现成容量）反而受益 → ⚠️⚠️ "这就把超大规模厂商摆到了造王者的位置上。"

• ⚠️⚠️ 而那个新选项是本条最有迁移价值的部分："你可以决定把全部增量算力拿去给自己的产品加码……Google 有大量容量正在上线。他们可以说：我要把它给 Gemini。" → "如果你限制能真正产出算力的资产总量，而其中可供那些领先公司使用的表面积更小，那些领先公司就得付更多钱。用户体验会退化，然后其它产品就有时间追上来。"
• ⚠️ 他给的"不是安全上岸"三条件定义本页判为可直接复用的判据（[01:10:58]）：堡垒式资产负债表 + 盈利的商业模式 + 为自己野心准备的准无限算力——三条都不满足就仍是租客。⚠️ 当天证据是"Google 刚接管了一个 Crusoe 的数据中心。他们把租客挤掉了"（本库未核实）。
• ✅ 本页标注这与本页既有的"垂直整合内部冲突"是同一枚硬币的两面：⚠️⚠️ Friedberg 在 10-30 指认的是"云业务会在内部和自己的模型团队抢算力"（出租的当期毛利确定，模型回报不确定，所以资本配置偏向出租）；✅ 而本条说的是：一旦供给被卡住、出租的边际买家变成付不起的租客，这个偏向就会反转——把算力留给自己的模型反而成了最优。两条合起来给出一个条件判据：供给宽松时内部抢算力偏向出租，供给紧张时偏向自用。

② ⚠️⚠️ 一个具体合约条款，以及一场关于"决策依据是什么"的分歧

（[00:58:52]–[01:00:53]、[01:19:05]–[01:21:06]）

• ⚠️⚠️ 条款（Chamath 的说法，本库未核实）：SpaceX 与 Anthropic 的算力合约有一个双向 90 天退出 → 若行使并按现货重新定价（"大概是市场价的两倍……可能不只两倍，大概能到三倍"），"Anthropic 除了立刻投降、接受更高价格之外没有选择"。
• ✅ 而本页判最该保存的是 Chamath 那条阈值表述，因为它是这场分歧里唯一可外部观察的部分："我没说扔给现货。我说的是，当现货移动得足够多，哪怕一份长期承购合约也会移动得太多，以致现有合约变成负 EV。所以你就是得把现有合约搬回正 EV 的区间。" → "这是一张电子表格，而电子表格会决定答案。" ⚠️ Jason 的反方（关系与声誉 → 会"在中间某处碰个头"）本页记为带持仓的赌注、不记为论证。
• ✅ 一处读法反转本页判为对合约估值本身有启示：同一个 90 天条款几个月前被普遍读成"对 SpaceX 的风险"，现在要担心的是反方向——⚠️⚠️ 条款没变，变的是外部供给前景。本页标注：长期承购合约里的双向退出条款，其风险方向由现货前景决定，因此它本质上是一个嵌入合约的期权，而期权的归属会随供需翻转。

③ ⚠️⚠️ 一条利益计算式的立法预测，本页判它比动机归因式的更可检验

（[01:08:58]–[01:12:01]）✅ 本页保存的是 Chamath 这一条，因为它不依赖对任何人动机的推断。

• 第一步："在人们立法立出一个寡头垄断的程度上，它会进一步固化经济权力。我觉得那与这些人想要的恰好相反。"
• ⚠️⚠️ 第二步（二阶推论）："如果有人要为 AI 立法，那会是广泛的，会包含大量围绕数据中心与 AI 工厂的覆盖。而在那种情况发生的程度上，也许你在一端拿到一些监管俘获，但你在另一端把供给约束得这么狠——以致真正控制局面的人会是 Meta、Amazon、Google、Microsoft 和 SpaceX。" → "所以我觉得实际结果是 mag 7 或 mag 8 有更多权力。而我不觉得哪一边的政治人物想要那个。"
• ⚠️ 他给的约束条件：监管俘获只能在"政府随后去违反所有其它规则、说这儿有免费电力、你想在哪儿建就在哪儿建"的程度上起作用，而"没有钱去付那个，也没有政治意愿去做那件事"。
• ⚠️⚠️ 而对照的那一条（Sacks 的 quid pro quo）本库只记为他的说法、不采信："政府拿到更多权力，而闭源模型公司的双寡头拿到更多监管俘获、或者围绕他们生意的护城河。" ⚠️ 他是现任政府官员、是被描述一方的政治对手方。
• ✅ 本页标注这两条的分歧点很干净，因此可以当成一个对照来跟踪：⚠️⚠️ Sacks 预测的是"立法 → 在位闭源厂商拿到护城河"，Chamath 预测的是"立法 → 持有电力的超大规模厂商拿到权力，而在位闭源厂商作为租客受损"。两条对同一政策给出相反的受益方，因此任何一次实际立法都能把它们区分开。 ⚠️ 本页记下双方在本期都没有处理对方的核心一步。

④ ⚠️ 事实面与一处未对账的估值口径

（[00:52:50]–[00:53:50]）Jason 念的，本库记为节目口径、未核实：

• NVIDIA、SpaceX、Tesla、AMD、Micron 全线缩水，"接近 4 万亿美元市值被抹掉"，"史上按美元总额计最糟的单日——当然不是按百分比"。
• ⚠️⚠️ 而本页判真正该记的是那条把政治事件定价进 AI 资产的读数：Polymarket 口径下 Anthropic 年内上市概率 71%，⚠️⚠️ "在中期选举之前是 95%"；《华尔街日报》口径下定价预期从"1.5 万亿到 2 万亿、然后去三四万亿"下调到"可能是 1.0 万亿"。
• ⚠️ 本页记下一处未对账：Chamath 在八天前刚把自己的定价预测改成"1.3 万亿–1.7 万亿、中点 1.5 万亿"（那是他的一次自我纠错，见那一期）；本期节目引的新口径是 1.0 万亿，而他没有更新，也无人提起。

⑤ ⚠️ 一句来自受益方的让步：补贴的必要性与回报量级不匹配

（[00:56:52]）✅ 本页判这句该被保存，因为它承认了对方的一个具体诉求，而说这句话的人在受益一侧。

"已经发生的那些交易是有点过分的（gratuitous）。意思是，最有权势的七八家公司，真的需要一个税收减免，才能投 300 亿、500 亿、然后去赚 3,450 亿、5,000 亿吗？大概不需要。"

• ⚠️ 他预测新州长们会要求"在愿意考虑这件事之前，先看到可以直接度量的经济影响"。
• ✅ 本页标注这条对价值捕获的含义：⚠️⚠️ 如果税收减免对这些项目的 IRR 不是决定性的，那么它在谈判里就是纯粹的剩余分配而不是激励——这把数据中心的地方谈判从"要不要建"的问题改写成"剩余怎么分"的问题，而后者没有"项目会流失"这个威胁作为上限。 ⚠️ 本页记下这是本库的推论，Chamath 本人没有把这个让步接到任何政策结论上。 🔗 而它与同期 Jason 的"数据中心可以零成本外迁"正好冲突：外迁威胁是否可信，决定了剩余分配的上限在哪。本期无人把这两条放在一起。

---

⚠️⚠️ ROI 的分子该用什么单位：一位 EVP 拒绝把 token 支出接到收入上，以及"帮你少花钱"为什么只能出现在平台侧（Jay Parikh / Microsoft CoreAI，2026-11-08）

来源：Latent Space × Jay Parikh（GitHub Universe 现场）（⚠️⚠️ 厂商节目：keynote 后的现场采访，全部能力声明与数字为自述、无第三方核实）

① ⚠️ 一个被主持人当场指认的激励错位

（[00:20:19]）主持人的观察："而你们展示的那些成本控制功能——那其实是实验室不做的事，因为他们希望你尽可能多花。"

• ⚠️ 他的产品侧回答（自述）：为组织拆解支出 → 给换模型的优化建议（"嘿，你在这些类型的用例上用了这个模型，也许你该用另一个模型"）→ "而尤其是财富 500 强，他们要治理、他们要能设上限，所以我们必须在那里提供控制与治理。"
• ⚠️ 他把这件事列进了 2027 的两个主题之一（术语在转录稿里写作 "POPS"，⚠️ 本页判定为 FinOps 之类的表述、不确证）："我怎么管理我在 token 上的全部支出，因为这是这些天一个非常热门的话题。"
• ✅ 本页标注这条的位置，因为它是本页"价值捕获往哪一层移动"这条线的一个具体例子：⚠️⚠️ "帮客户少花钱"这个功能只可能出现在平台/工具侧，不可能出现在按 token 计费的一侧——所以当模型本身趋于可替换，"管住花钱"反而成为平台层的差异化。 ⚠️ 本页记下这条推论是本库的，受访者本人只讲了功能。

② ⚠️⚠️ 而本页判最该被单独保存的是他拒绝的那个口径

（[00:21:19]–[00:22:20]）✅ 本页判这是全期厂商色彩最轻的一处。

对话的走向：主持人先给了"作为一个公司领导者，我不介意你在 token 上花我的钱。只要给我看它花得好" → 他接"所以问题是我们怎么帮你和很多其他人把这个闭环闭上：嘿，我这周在 token 上花了 1,000 块" → 主持人续"然后如果你能说，嘿，我产生了 25,000 美元收入，那你可能会觉得：嘿，那挺不错"。

• ⚠️⚠️ 而他拒绝了这个口径：

  "我觉得收入有点太……作为一个写代码的人，我不负责收入。但至少我交付了功能（I ship features）。我觉得能够谈的是这怎么转化成某种 ROI，也许不是收入。" 替代口径："成本节省——或者说，嘿，这提高了参与度、或者留存，或者它改善了 CSAT。这些都是可度量的，而作为一个产品团队和工程团队，你应该挂在这些结果指标上。"（⚠️ CSAT 在转录稿里写成 "seesat"）

• ✅ 本页标注这为什么值得单独保存：⚠️⚠️ "token 支出 → 收入"是对卖 token 与卖 AI 工具一方最有利的叙事，因为它把支出直接接到最大的那个数上；而他主动把分子降级到了功能交付、成本节省与产品指标，并且给的理由是职责归属（"作为一个写代码的人，我不负责收入"）而不是谨慎。
• 🔗 ⚠️⚠️ 本页标注这与既有的 ROI 材料是同一问题的三个不同层级，而这一条补的是归因单位：
• 买方门槛：Chamath 的"一旦从一百万跨到数百万美元级，你必须展示某种形式的 ROI 或总持有成本优势"。
• 卖方指标会掩盖什么：Salesforce 企业发展负责人的"ARR 是个很好的指标，但它掩盖流失"。
• ✅ 本条：在工程组织内部，那个 ROI 分子该用什么单位——而答案明确不是收入。
• ⚠️⚠️ 而本页记下同晚另一份材料恰好做了相反的事，两条并列很有用：同日 All-In 那期 Jason 的 launch.com 自述把 4–5 万美元的订阅支出直接接到"200 万美元价值"与"15 到 21 倍增量收入"上，而他在同一段里给了三个互不相同的数字。 ✅ 本页的判断：一个把分子放在收入上并给不出一致的数，一个明确拒绝把分子放在收入上——这正好说明为什么"token ROI"目前几乎都是不可核对的。

⚠️ "很多公司都会演化成某种版本的 coding agent 公司"：一条品类扩张预测（Stanford CS146S，2026-11-08）

来源：Latent Space × Mihail Eric（嘉宾 Mihail Eric / Stanford 兼任教授、Monaco 的 Head of AI；主持 swyx）

• 它出现的位置是在讨论"谁会拥有 spec / 任务的真相来源"之后。swyx 先给了自己的判断（[01:19:38]）："我觉得赢家大概是 Linear，因为任务在那儿"，理由是"只要你买进 Linear，他们那儿就有全部真相来源"，而"他们显然已经决定要变成一家 coding agent 公司"。
• ⚠️⚠️ 而嘉宾把它泛化成一条品类预测：

  "我有个多少算是持有的信念——我觉得很多公司都会演化成某种版本的 coding agent 公司。任何在 B2B 软件上有交互、在收集关于用户的某些东西或者某种产品洞察的公司……我觉得你也可以把这个环闭上。因为归根结底，coding agent 的目的就是对某件正在发生的、涉及用户或客户的事采取行动，然后用它去修好产品的某个方面。"

• 他点名的扩展对象：Linear、Amplitude（"他们也在拿到关于用户分析、用户问题的洞察"）、以及"你要真想拉伸一下，甚至可以让 Decagon 或者 Sierra 做类似的事——这儿坏了，去把环闭上"。
• 🔗 ✅ 本页标注这条与本库既有材料的关系：⚠️ Decagon 创始人 与客服侧材料此前都把自己定位在"解决工单"，没有把"改产品"算进来；而这一条是从外部给出的一条扩张预测。 ✅ 本页记它的可检验形态很清楚——这些公司是否开始发布"从洞察直接提 PR"的产品。
• ⚠️⚠️ 而本页记一处这条预测与本页既有材料的张力：Warp 那期由采购价差推出"你没法在一个贵这么多钱的东西上面做出一个有竞争力的 coding agent"。 ✅ 两条并读的含义是：⚠️ 如果订阅与 API 之间的价差持续，那么"人人都变成 coding agent 公司"这条路径上，每一家新进入者都要按 API 价买算力——而这正是那一期判为结构上无法竞争的位置。 ✅ 本页不裁决，只记这条预测没有处理它的单位经济学。

⚠️ 一条垂直 AI 的模型路线阶段论，以及它第一次在被访者口中确认了一个既有框架

（[00:53:24]–[00:54:25]）

• 嘉宾的阶段论：

  "大多数像我们这样的垂直 AI 公司一般是这样——你一开始用前沿模型当第三方服务来看看什么是可能的，因为它们就是最前沿。然后……到某个点，从成本角度事情会变得有意思，你开始想能不能在开放权重模型上做得更快。那时候 AI 那部分的目的很大程度上就是去 post-train 那些模型、为 RL 之类建环境。"

• ✅ 他说自己正在这个阶段："我们差不多就在那个阶段。"
• ⚠️ 他引的触发事件本页记为转述且不采信具体数字："上周 Harvey 那件事，他们那个 +50% 到 -50% 的毛利率问题"，✅ 而他自己明确绕开了数字："不管那些数字如何，有意思的是在某个点上从成本角度事情确实变得有意思了。"
• 🔗 ✅ swyx 当场把它接到自己的 "agent lab playbook" 上："agent 从用户出发，用你需要的任何模型去做产品，然后一旦有了用户基数就可以把模型那一侧补回来；而模型实验室走的是反方向，他们从大的预训练开始，然后试着去找用户。" ✅ 本页记这是本库第一次看到一位被访的实践者在自己的路线图上确认这个框架，而不是由提出者自述。
• ⚠️ 他另给了双向关系的那一句：模型厂商"会想服务你，同时又在试着跟你竞争"——嘉宾的回答是"那是对的"。