跳转至

25 张图讲 2026 的市场：不是泡沫因为倍数在降、而企业 AI 被长期追踪的只有 2%（a16z，2026-09-30）

这期是什么：a16z 成长团队每年一度的 State of Markets 演示（本期与演示同日发布），从 25 张图里挑一部分出来讨论。所以它不是访谈，是一份带口头注解的市场数据集——本页的主要价值在数字本身，而不在新观点。

⚠️ 本页的数据全部来自 a16z 自己的演示与自报，本库未核实。a16z 是其中多家被点名公司（Decagon、Anduril、Databricks、Stripe、11 Labs、Harvey、EliseAI、Navan、Instacart⚠️ 等）的投资方，节目结尾也有标准披露。读的时候要当作一个利益相关方的乐观口径，不是中立统计。

说话人认定：自动字幕只有 >> 换轮标记、无姓名标签，而全程四人同台，很多段落无法确定归属。本页只在有转录稿内证时指认个人（例如"to use DG's language"排除 David、"Alex likes to talk about smile curves"+"你说得对 Santi，我确实喜欢微笑留存曲线"定位 Alex 与 Santi、"Sarah, you did this great conversation with Ali Ghodsi"排除 Sarah），其余一律记为"a16z 成长团队"。四人姓名取自视频简介（本期也因此补上了本库此前悬而未决的一件事：a16z 页上那位"只以 David 出现"的成长期负责人，确认是 David George，见 people/a16z.md）。

概要

  • ⚠️ 本期最该被记住的一个数不是 capex，是 2%：标普 500 公司里 AI 已有线上部署的占 69%，能说出可量化影响的 30%，而被当成一个指标长期追踪的只有 2%（[00:18:13]）。
  • "是不是泡沫"的回答是一条估值结构论证：市场新高，但股价涨约 20% 的同时倍数降了约 20%，标普 500 的 PE 低于 20 倍——涨的是盈利不是倍数，"这和互联网泡沫在这一点上完全不同"（[00:05:05]）。
  • 规模：五大 hyperscaler 2026 capex ≈ 7800 亿美元（2025 为 4160 亿），2027 年起预期年超 1 万亿（[00:06:06]）；这轮 buildout 占 GDP 的比例刚刚超过铁路（[00:03:02]–[00:04:04]）。
  • ⚠️ 一条很可能被引用也很可能被质疑的反直觉数据：某项美国研究称数据中心容量每增 10%，居民电价下降 40 个基点（[00:14:13]–[00:15:13]）。
  • 采用的形状是极端幂律：AI 支出 top 1% 的中位数 ≈ top 10% 的 8 倍（[00:20:15]）；a16z 被投公司内部顶端用户每月 7500–9000 美元，中位 200–400 美元（[00:21:15]）。
  • 公开软件市场已经分层：约 75% 盈利，但只有 30% 还在以 20%+ 增长，30%+ 增速的不到 5 家（[00:36:24]）。
  • 私募侧：六家公司按上轮估值合计 ≈ 2.4 万亿美元，超过过去十年 IPO 市值总和（1.7 万亿，SpaceX 除外）（[00:42:26]）；AI 相关交易占美国 VC 活动 86%（2025 年为 65%）（[00:47:29]）。

核心观点

一、"是不是泡沫"：他们的答案是倍数，不是叙事

  • 主持人说这是他们被问得最多的问题（[00:04:04]–[00:05:05]）。David George 的回答结构很干净：市场创新高，而市场的交易倍数在下降——"股票涨了约 20%，倍数降了约 20%，所以表现是基本面盈利驱动的，不是倍数扩张驱动的"；标普 500 的盈利倍数低于 20 倍（[00:05:05]）。
  • ⚠️ 他明确指认了与 2000 年的差别在哪（[00:05:05]）：当年"全球市值最高的一些公司，股价暴涨是靠倍数扩张，很多情况下按 100 倍 PE 交易"；而现在，周期性极强的存储公司只按 6–7 倍前瞻盈利交易。
  • 另一位团队成员补了时间尺度（[00:05:05]–[00:06:06]）：ChatGPT 问世近四年，市场涨了 90%，年化 17%——"任何时候出现四年年化 17%，本能反应都是'这得跌回来'"，但对照"低于 20 倍盈利、15% 增长"，"这确实感觉和刚过去的 2021、或者 2000 年不一样，那两次倍数和增长是不同向的"。
  • ⚠️ 本页要标一句：这条论证成立的前提是盈利是真的、且可持续。团队自己在后文承认 free cash flow 在 buildout 期是被压低的，恢复要等 2028 年起的共识预测（[00:10:11]）——也就是说，"倍数不高"这个论据里的分母，部分依赖一组还没发生的预测。两人都没把这个循环点出来。

二、capex 的量级、以及"这是别人的订单簿"

  • 科技成了"万物周期"（[00:03:02]）：高科技设备、软件与 R&D 合计约占美国资本支出的 55%；科技约占美股总市值 40%；全球市值前十里八家是美国科技公司；模型公司合计融资已超 3500 亿美元。
  • ⚠️ 历史坐标（[00:03:02]–[00:04:04]）：这轮 buildout 按占 GDP 比例刚刚超过铁路。团队的预期是"五到七年、也许十年后回看这些数字，累计大概会高 20 倍"（[00:04:04]）。
  • 五大 hyperscaler（Alphabet、Amazon、Meta、Microsoft、Oracle）（[00:06:06]）：2026 年 capex ≈ 7800 亿美元，2025 年为 4160 亿，各方预期 2027 年起年支出超 1 万亿。
  • ⚠️ 为什么能建这么快而需求还是供不应求（[00:06:06]–[00:07:08]）：他们的解释是分发已经存在——"这一波是建在互联网、云计算和手机之上的，所以能立刻触及数十亿用户"，与以往技术周期不同。
  • ⚠️ 需求侧的形状变了，这条比总量更重要（[00:07:08]）："我们已经远远走出了偶发查询（occasional queries）这个模型"——agent 带来并行任务与长运行任务，"任务在你做别的事情的时候、在夜里继续跑"，于是"这些平台的算力需求比以前设想的大得多"。
  • 供给侧的一手观察（[00:08:09]–[00:09:10]）：预测曾经的"天花板"被一轮轮上调，"曾经看起来是几个季度甚至几年后的数字，变成了近期数字"；供应链里某些材料或产品要到 2028 年才能拿到；"供应链每一个环节上的每一个人，说的都是同一句话的某个版本：需求超过供给。"
  • ⚠️ 他们举的"预见性"例子，顺带也是一条产品事实（[00:08:09]–[00:09:10]）：Sam Altman 与 Sarah Friar 一年前因巨额算力承诺被批"鲁莽、激进"，现在"所有人都会说那个决定极有先见之明"；而就在两周前，他们还不得不暂停 pro 套餐的新订阅——"拿着 2000 美元的服务上门，人家说不用了，谢谢。"
  • 云 backlog 作为需求侧的硬证据（[00:09:10]–[00:10:11]）：Microsoft、Google、Amazon 合计约 1.7 万亿美元云 backlog；Amazon 最近一次电话会议解释了 J 曲线——GPU/TPU 的经济寿命比在场所有人预期的都长。
  • ⚠️ Santiago 的一条产业结构判断，本页认为是这一节最有用的（[00:12:12]）：hyperscaler 的 capex "应该被当成别人的订单簿"——所以他们"越来越多时间在看服务这波产业景气的公司、看数据中心供应链上的每一处"。而这类生意和传统软件投资是不同的手艺："我们原来的世界更像是把已有 IP 变现——造一次、卖无限次；而这些公司要管融资、管供应商关系、预测产能、预测需求"，他的观察是"有些团队在这件事上非常擅长，有些则很吃力、甚至踩了刹车"。

三、"原子的新时代"，与那条 40 个基点

  • 数字（[00:13:12]）：到 2040 年全球基础设施投资需求估计 90 万亿美元——⚠️ 团队明确说这远超 AI 与数据中心，包含电力、水、道路、交通。举的被投例子：Anduril 的制造基地（规模 87 个足球场）、Waymo 扩建车队基地、SpaceX 在路易斯安那的 1000 亿美元投资。
  • ⚠️ "工厂即产品"（[00:14:13]）：投物理基础设施和投软件完全不同；"Elon 很多年前造了'工厂即产品'这个说法"，而"我们投中的很多优秀创始人出自 Tesla 或 SpaceX 并不奇怪，因为他们学到了：把工厂执行好，最后会变成规模化时的巨大竞争优势。"
  • ⚠️ 本节最该小心引用的一段：数据中心会压低你的电价（[00:14:13]–[00:15:13]）。他们先列了三条"神话"——数据中心抽干美国的水、有钱人不想住在旁边、我的电费要爆表——然后给出机制与数据：
  • 数据：⚠️ "最近一项美国研究显示，数据中心容量每增加 10%，居民电价下降 40 个基点。"（本库未核实该研究。）
  • 机制：电网是一笔共享的固定成本（场地、电杆、线路、变电站），"像数据中心这样大而稳定的客户，可以把这些成本摊到更多度电上"；结论是"在一个共享系统上增加需求是正面的"。
  • 他们补的一条实例："我不觉得这一点得到了足够的媒体注意"——Dina Powell 最近在一期播客里讲了 Meta 的路易斯安那站点，和社区合作把电价降了下来，"所以今天是有真实案例的，不只是嘴上说说"（[00:15:13]）。
  • ⚠️ 本库交叉标注：这正是 Meta 数据中心在地账本那期 的同一事实在投资方一侧的复述。两份材料互为印证，但也互为同源——Dina Powell 是 Meta 的，a16z 引的是 Dina Powell，所以这不构成独立验证。电价这条线上的反方证据见 AI 基础设施 中"数据中心的社会许可"与"政治阻力已成为基础设施变量"两节。

四、⚠️ 69% / 30% / 2%：本期最有分析价值的一张图

  • 三个层次（[00:18:13]）：标普 500 公司里—— | 口径 | 比例 | 团队的解读 | |---|---|---| | 已有线上部署（live deployments） | 69% | "如果你像我们一样被 AI 洗脑了，这大概接近预期" | | 有可量化影响 | 30% | "大概是部署进展到哪一步的好指标" | | ⚠️ 被当成一个指标长期追踪 | 2% | "如果你看那个终极晴雨表……其实只有 2%" |
  • 他们的结论（[00:18:13]）："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"从你现在看到的这些单点部署，走到真正有深度影响的、循环发生的工作流"。
  • ⚠️ 一条很扎的轶事（[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——这就说明他们还有多远的路要走。"
  • 模型能力与使用方式之间的落差，被直接当成应用层的机会（[00:19:13]）：引 Ali Ghodsi 的说法——"AI 可以懂世界上很多事，却几乎不懂你的公司"；举的例子是 Revolut 虽然有很强的工程团队，仍然要和 11 Labs 合作，把最好的语音模型"接起来，安全地连上客户账户与银行工作流"，于是"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"（[00:19:13]–[00:20:15]）。
  • ⚠️ 本库交叉标注：这句"今天的机会就是把能力做成可靠服务"与 Diogo Almeida 的"这一轮稀缺的是可靠性不是能力"、以及 David Pawlan 对消费 agent 的祛魅 形状相同——三期在九天内从三个位置（投资人、模型方、横评方）落到了同一个结论。详见 AI 的商业与价值捕获。

五、幂律用户：采用的分布比采用率更说明问题

  • 跨公司（[00:20:15]）：用 ⚠️ Yipit 数据看，AI 供应商支出的中位数，top 1% 约为 top 10% 的 8 倍——团队自己的补注是"最惊人的是，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"基本上全员 AI 原生"的被投公司里，顶端用户每月花 7500–9000 美元，而中位用户"大概就是一份月订阅的钱，200，也许叠两份，200 到 400"——⚠️ 中位与顶端差 20 倍以上。
  • ⚠️ 一个可以直接拿去做横向对比的度量（[00:21:15]–[00:22:15]）：AI 工具支出占人力支出的比例——"相对前倾的大型财富 500 强今天大概在 1%"，而"我们组合里最前倾的 AI 原生公司能高到 10%"。他们把这归结为两问：扩散到了多早期？扩散会有多深？
  • 采购不等于采用（[00:22:15]）："很多企业第一次买下 Cursor 或 Cognition 时非常兴奋，但现实是那只是旅程的开始——从采购、试用到全面采用，这条跑道非常长。"

六、量化案例、incumbent 的变现，与"钱花在收入还是成本"这个试纸

  • 成本侧（[00:22:15]–[00:23:16]）：⚠️ Chime 报告其 cost to serve 连续四年每年下降 10% 以上，复合下来接近 50%——团队点名这是"由我们组合里的 Decagon 很乐意地支持的"（⚠️ 利益相关；Decagon 的一手材料见 那期）。
  • 收入侧（[00:23:16]）：Shopify 的 AI sidekick 让"onboarding 后 15 天内达成 5 单的商家比例上升了 8%"，而 5 单是 Shopify 自己追踪的留存门槛。
  • incumbent 并没有被打穿（[00:23:16]–[00:24:17]）：ServiceNow 报告超过 10 亿美元 AI ACV，agentic 部署增长 9 倍——"所以你是在整个栈上都看到它，从 incumbent 到新公司。"
  • ⚠️ 本节最有方法论价值的一条：把"增量 AI 投入放在哪"当成试纸（[00:24:17]–[00:25:18]，David George）。他说这是他们和 Stripe 这类最前倾的公司讨论的问题：钱是投向给客户做新产品、驱动更高收入，还是投向成本侧的优化与效率？
  • 他的判据："驱动收入增长的机会上限是无界的；而成本改善的机会……是一种潜伏的机会，它会一直在那儿。"
  • ⚠️ 于是是一句反问："如果你认为今天这笔钱的最佳用途是优化成本结构，那这说明你的新增收入机会是什么样的？"
  • 另一位补了成本优化内部的分层（[00:25:18]）：降 cost to serve 能再投入、让生意更好；但"半年前我们这个行业非常热衷于在内部重建 system of record——如果你的工程师在重建一个 system of record，为了省几千、几十万美元，我认为这些资源有更好的用途。"

七、成本曲线：agent 可以负担得起"检查自己的工作"

  • 用量侧（[00:25:18]）：agent 执行任务 → 多步 → 多次模型调用，这解释了 OpenRouter 上 agent token 用量 14 倍增长（⚠️ 对照 OpenRouter 自己的一手材料见 那期）。
  • 成本侧（[00:25:18]–[00:26:19]）：caching 让系统复用背景信息而不是每次从头处理，Hebia 的金融 chat 工作负载便宜了 10 倍——"同样的预算现在能支撑更多工作。"
  • ⚠️ 本节最该记的一条机制（[00:26:19]）："更低的成本让 agent 现在可以尝试、检查自己的工作、再试一次，于是打开一大批原本推理或工具调用贵得不可行的任务"——而且"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"。
  • ⚠️ 他们把 Jev / TypeSafe 当成这条曲线的下一级（[00:16:13]、[00:26:19]）：称其为"新的实验室把这件事推到更极端"，"你开始看到两个数量级的成本差异真正影响用例数量"，"想象一下便宜一个数量级、两个数量级会发生什么——打开的用例数量其实是无法想象的"；并点名这是"经典的 Jevons 悖论，所以这名字起得很贴"。⚠️ 注意这是投资方对一家新公司的描述，不是独立评测。
  • 工程手段的两个具体数（[00:27:19]）：Databricks 的 smart router 比最强的单一模型多解出问题，同时成本低 35%；EliseAI 微调小模型后便宜 60% 且延迟大幅下降，使"音频侧的实时用例变得可行"（Harvey 也在做微调）。
  • ⚠️ 由此推出的一条应用层单位经济学（[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"——如果能把这件事和模型调用解耦（干完活、按活收费、用更好的路由把产品做得更经济），"那就很神奇了，因为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"。

八、消费侧：只有 2% 的美国家庭付费，而留存是"微笑曲线"

  • 渗透率（[00:28:19]）：⚠️ 一项近期调查显示，只有略超过 2% 的美国家庭有付费 AI 订阅。团队的限定很诚实："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。"
  • ⚠️ "微笑留存曲线"（[00:28:19]–[00:29:20]）：订阅收入的留存"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，而是随着产品变好、人们回来，真的翘起来（smiles）"。
  • Santiago 的对照（[00:29:20]）：⚠️ "看这些数字最让我震惊的是它们有多小"——Amazon Prime 超过 2 亿家庭，Netflix 7000 万家庭，"我得去查一下，我想这对吗？"
  • Alex Immerman 引了一条反论（[00:29:20]–[00:30:20]）：合伙人 Josh Elman 的定义——"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，也许并不特别令人惊讶"。
  • ⚠️ 时长这个指标正在失效，这是本节最有前瞻性的一条（[00:30:20]）：Facebook / Instagram / TikTok / Snap 从活跃用户身上各拿到每天 30–60 分钟；而"最好的 AI 助理都想成为我的 go-to 应用，但我希望它们极其持久、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"。
  • 接话的人把这条讲成了行业问题（[00:30:20]–[00:31:20]）："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，而不是我们看社交应用的屏幕时间。" 他的例子：开一个 deep research 或 agent 任务，然后开车进城，"那不是会被追踪的屏幕时间"。
  • ⚠️ 本库交叉标注：这条与 David Pawlan 的"好助理必须隐形"、以及"proactivity 才是护城河"是同一判断的投资人版本——而它顺带作废了这个品类最常用的一组外部可观测指标。

九、Amazon 拒绝 Muse、Instacart 开放：同一事件的两种账

  • 事实（录制前一周）（[00:31:20]–[00:32:21]）：⚠️ Amazon 对 Muse 说"不用了，谢谢"，而 Instacart 说"来吧"。Alex Immerman 说 Muse 与 Instinct 加上 ChatGPT 正在从传统搜索那里拿走越来越多他自己的查询。
  • ⚠️ 他给现有平台的两问（本节最可操作的一段）（[00:31:20]）：① 我能从一个 AI agent 那里拿到多少增量需求、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（discovery）？
  • 用这两问解释同一天的两个相反决定（[00:32:21]）：Amazon（含 AWS）与 Instacart 的广告收入都超过各自的全部营业利润——所以拥有客户关系极其重要；但对 Amazon 来说，接上 Muse 能带来多少增量订单或客户？"不会太多"；而杂货的线上渗透率仍然相对早期，Instacart 还有很多订单可拿。
  • 他的乐观读法（[00:32:21]–[00:33:22]）：摩擦降低会带来更多 GMV——"我曾经想订却没订的那趟旅行被订了；我们今晚都想点的那一单发生了"，"所以我乐观地认为会有多得多的 GMV，足以补上一部分流失的广告收入。"
  • ⚠️ David George 给了对立面，而且给得更具体（[00:33:22]–[00:34:23]）：Amazon 有一个超过 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——如果他们不再这么做了呢？ 他顺带复盘了一次市场教训：
  • 两年前所有人都在问 Google 搜索会怎样，结果"它非常有韧性"；
  • ⚠️ 但他指出韧性的原因是一条有时效的前提：Google 变现最高的那些词条（"我要买保险"、"帮我找这个城市的酒店"）之所以安全，是因为"AI 当时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。"
  • ⚠️ 一条值得记的"正和 vs 负和"分歧，而两人最后都没坚持自己那一侧（[00:34:23]–[00:35:24]）：
  • 负和读法（上周的市场叙事）：marketplace 会被冲击。
  • 正和读法：① 那 700 亿广告费可能只是换个渠道，比如直接花在 agent 上；② 摩擦更低 → 消费更多，是个推动经济增长的正向飞轮。
  • 他们的收束是"两者都可能为真"："可能某些地方的利润池消失、被重新分配，但对整体经济是增量的。" 他们给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。"
  • ⚠️ 市场的即时反应被他们当作一条证据："净市值在整个生态上是正的——Meta 的涨幅远远超过 marketplace 那边的损失。"（本库未核实。）

十、公开软件已经一刀两断，而 SaaS 的"自证清白"被量化了

  • ⚠️ 本页认为这是全期第二该记的数字（[00:36:24]）：公开软件样本里约 75% 是盈利的，但只有 30% 还在以 20% 以上增长；"如果把线划在 30%，公司的绝对数量不到五家"——而"在私募市场，基本上我们看的、花时间的每一家都远超 30% 增长"。
  • 机制很朴素（[00:36:24]）：问 IT 管理者和 CIO 就知道，"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"。
  • ⚠️ 他们给 SaaS 的"洗清嫌疑"开了三条可检验条件（[00:37:24]）：要打消"SaaS 末日"的恐惧，需要看到一段时间里软件公司继续做到 98% 的 gross dollar retention（"这一直是它们作为投资标的那么有吸引力的关键点"）、继续推动效率，而最重要的是收入增长加速——"这显示它们防守端是安全的，而它们在进攻端的投资真的会让生意变好。"
  • ⚠️ "两条路"那篇文章的数字版（[00:37:24]–[00:38:24]，David George 本人补的细节）：他们设的靶子是 10% 以上的增长加速——"这是个很高的数字，但给定 AI 可用的预算、加上一个有魔力的产品，看起来是能做到的"；他说和创始人聊过之后的感受是"几乎我们聊过的每一个人都说：是的，我在努力把收入增长推高"（他自己笑了），并预期接下来 12–18 个月会有少数几家做到。
  • ⚠️ 他同时否掉了一年前的流行恐惧："相对一年前那种'所有人都会 vibe code 自己的软件系统'的担心——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]–[00:40:25]）：网络安全与可观测性显著跑出，垂直软件总体比横向应用扛得住。他们给的框架是看 AI 怎么改变客户对这个产品的需求：
  • 向上：AI 带来的安全风险已被广泛报道，而"更多软件与 agent 创造了新的安全与监控需求，这其实是在给这些市场的 incumbent 创造更大的需求"（点名 CrowdStrike）；agent 访问越来越多系统、采取越来越多行动，而"OpenAI / Hugging Face 那件事对很多人是一次睁眼事件"（[00:40:25]，⚠️ 该事件的其它材料见 LLM 安全）。
  • 向下：应用面临不同程度的工作流变化——引 Ali Ghodsi 的"AI 的砧板（chopping block）"：什么最先上砧板。
  • 垂直 AI 公司是私募市场里增长最快的一批（[00:40:25]–[00:41:25]）：Harvey、Abridge、EliseAI "比它们各自行业里任何先例都长得快"，原因是"客户认识到关键不只是模型，而是你怎么编排它、怎么围着它造应用，而垂直的工作流需要这些"。
  • ⚠️ Santiago 的年度复盘，本页认为是这一节最该引用的总结（[00:41:25]）：年初是"SaaS 末日"，到今天软件指数回到了年初的位置，但内部彻底分叉成"AI 输家"和"AI 赢家"——"公开市场有时把事情简化得太厉害，但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；如果你没在抓，那你大概没在浪头上。"
  • 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，而且年轻公司和成熟公司都是——"Stripe 自己管这叫 the renaissance。"（本库未核实。）

十一、私募市场：六家 2.4 万亿，和"员工不愿意套现"

  • ⚠️ 规模对照（[00:42:26]）：按上轮估值，Anthropic、OpenAI、Databricks、Stripe、⚠️"Wayland"（自动字幕，疑为 Waymo，本库未核实）、Revolut 六家合计约 2.4 万亿美元——"超过我们过去十年见到的 IPO 市值总和（1.7 万亿，SpaceX 除外）"，而且"差不多和罗素 2000 一样大，那是个有几百个公开市场基金经理在里面花大部分时间的指数"。
  • IPO 的判断标准（[00:43:27]–[00:44:28]，David George）："创始人就是资产类别"——留在私募的好处是可以下更大的注、容忍更长的回收期（"Zuck 和 Elon 是公开市场里显而易见的例外"），Databricks、Stripe 这类公司在新产品领域下的巨注与随之而来的收入加速就是体现；反面证据是 Meta 在 ARVR 投入上最受质疑时股价跌到 100 美元以下。
  • ⚠️ 他对创始人的实际说法很克制："IPO 就是另一次融资事件——做公众公司你得到什么，相对做私有公司你得到什么？"
  • 反方向的两个理由也被列了（[00:44:28]）：有些公司本来就按公众公司那样运营（高度重视效率、所有指标都被追踪）；有些公司受益于公开披露财务、从而赢得企业与消费者的信任——Navan 上市后出现了重新加速，基础就是"更大的企业因为它是公开生意而更信任它"。
  • 以及资本规模的上界（[00:45:28]）：私募资金池很大，但某些公司的资本需求最终可能大到连私募市场也装不下。
  • ⚠️ 二级市场的两个数，本页认为比估值总额更有信息量：
  • Carta 数据：员工在 tender（公司给员工的流动性窗口）里的参与率只有 58%（[00:45:28]）——Santiago 的解读是这与"员工在套现"的流行叙事相反，"我们看到的是员工因为太相信自己公司而选择不套现"（紧接一句玩笑："想象一下如果这个数是 100%，旧金山的房价会怎样。"）。
  • 今天二级交易对上轮价格的折价基本是零（[00:47:29]）——对照过去五年（2021–24）因为"某一轮定价过高、而且过时了"而出现的显著中位折价。"这说明这些公司融资时的估值是新鲜的，而且总有新的投资人愿意付同样的价格，这在过去几年不是这样。"
  • a16z 自己的立场（[00:46:28]）：他们经常参与甚至领投 tender，认为是好事，理由有两条：① 和公开市场每季度到账的 RSU 竞争人才时，流动性是私募公司的一件武器；② 他们主张更频繁地重置估值——好跟员工和候选人谈，也让公司在做 M&A 时"有新鲜的货币可用"。
  • "万物皆 AI"（[00:47:29]）：⚠️ AI 相关公司占 2026 年美国 VC 交易活动的 86%，2025 年是 65%。团队自己的限定：在这个 AI 标签底下机会面大大变宽了——企业应用、消费应用，还有服务、半导体、电力、国防；"大量注意力去了 OpenAI、SpaceX、Anthropic，但在那之外，我们的机会集从未如此深、如此宽。"

十二、他们接下来下注的地方（供日后回看的一份清单）

（[00:48:29]–[00:51:30]）本页把这一节原样记为一份可回看的预测清单，不做评价：

方向 他们的表述（⚠️ 均为自报判断）
长运行 / 自主 agent（重度消费） "让消费 agent 去做所有你不愿意做的事，从而得到你本来不会花时间或花钱得到的东西"；分发可能发生得相当快
机器人 ⚠️ "我们恰好认为它可能比 LLM 更大"，但"大概早 3 到 5 年"；预期未来 5 年是巨额投资与热度所在
自动驾驶 "自动驾驶是可行的——它成了"。数字：Uber + Lyft 约占美国行驶里程的 1%；在"比人类司机安全 14 倍"的全网络自动车队下，预期至少扩张一个数量级；美国每年新售 1700 万辆车，"未来十年这些会全部是自主的"
AI × 生物 新药发现、解决最严重的疾病——"一个我们都抱有希望的承诺"
个人健康 他自称 "health maxer"；缺口是"还没有一个好地方，把关于你自己的所有信息放进去，拿到高度个性化的建议"
企业扩散（编码之外） 直接接回第四节的 2%——"我们在技术向企业的真实扩散上还太早"
American Dynamism ⚠️ "军购里新一代供应商（Anduril、Saronic、Castelion）仍只占不到 5%"，预期随需求变化大幅增长
  • 结语（[00:51:30]）："这次建设是巨大的，但我们认为它会大幅提升美国的生产率。"

⚠️ 本页的三条自我限定

  1. 这是一份演示的口头注解，不是访谈：没有对立面，没有被追问。全期唯一接近内部分歧的只有第九节的"正和 vs 负和"，而它以"两者都可能为真"收场。要读反方，请看 AI 基础设施 里 Benedict Evans 的 capex 物理上限、Mark Cuban 的"泡沫的损失落在谁头上"、以及 All-In 的 $/watt 与 3000 亿融资问题。
  2. 几乎每个被点名的公司都是利益相关方。
  3. 口径互相不可比：69%/30%/2% 来自一份企业调查，8 倍幂律来自 Yipit，2% 家庭付费来自另一份"近期调查"，40bps 来自"一项美国研究"——本页把它们并列，不意味着它们能互相校准。