Freda Duan：重新计算 AI 投资，也重新理解人的连接

张小珺邀请 Altimeter Capital 合伙人 Freda Duan 回到《商业访谈录》，继续讨论 AI 和投资。Altimeter 横跨一、二级市场；这次访谈从 token 的计量方式、模型公司竞争谈到组织变化，也触及快速变化带来的焦虑与人与人的连接。

张小珺先问，应该怎样理解 AI 时代频繁被提起的 token。Freda 说，人们开始用每 token、每瓦特或每次计算的美元成本衡量投入产出，但 token 本身也很容易误导人。

她认为更有意义的问题是完成同一任务需要多少 token：不同模型和应用的消耗可能相差几十倍甚至上百倍。一个模型可能用精炼代码完成任务，另一个需要冗长代码；隐藏的推理过程和智能体工作流也会改变消耗。

因此，Freda 不认为消耗越多越好。用户要的是结果，以及达到结果的效率。她举例说，如果公司财务负责人只看到编程工具的使用量和员工效率上升，可能会继续增加预算，却未必看清不同工具完成同一任务的成本差异。

她把 AI 总投入拆为用户数、每位用户完成的任务数、每个任务消耗的 token 和每 token 成本的乘积。她预期前两项会随着 AI 从程序员扩展到更多白领而大幅增长，后两项则可能得到优化。

价格也不能只看模型的公开标价。Freda 以 Anthropic 模型为例，称缓存命中、输入输出比例等因素会影响实际成本；她援引的具体价格和缓存比例是录制时的估算。她认为用户最终会更加重视模型的性价比。

在她看来，当前 token 使用中存在浪费，与未来总用量继续增长可以同时成立。她把炫耀消耗量比作炫耀灯泡耗电多：当市场成熟，大家可能更关注用更少资源取得相同效果。

谈到企业 AI 开支，Freda 引用有关 Meta 和 Uber 的报道与估算，认为一些头部公司的支出已很显眼。她也强调，自己比较裁员规模与模型支出时，并不是断言两者存在直接因果关系。

她预期行业会逐渐从按 token 收费转向按效果收费，尤其是在结果容易衡量的场景。她举 AI 客服为例：解决问题才收费、转人工则不收费，能够让供应商与客户共同关注解决率和成本。

不过，并非所有结果都容易量化。Freda 认为销售转化、催收或保险理赔等场景可能较早采用效果付费，而写作等创意工作可能更长时间保留按用量收费的方式。

讨论模型公司竞争时，Freda 开始质疑过去默认的假设：最强模型会每隔几个月轮流易主。她认为成熟的编程智能体可能形成反馈循环，让更好的 AI 帮助研发下一代更好的 AI；如果跨过某个临界点，追赶可能更难。

她把这一变化与马车和汽车作类比：早期汽车不够可靠时，快马还能跟上；如果汽车稳定运行，缺少引擎的马就难以竞争。她强调这是不完全恰当的类比，具体临界点仍不确定。

对于 Codex 与 Claude Code 的竞争，她认为大量争论也可能说明两者实际效果没有悬殊差距。她观察到 Codex 在价格和使用限制上采取进取策略，同时反思自己过去花了过多精力比较两家公司，而没有充分重视市场整体增长。

Freda 区分按席位订阅的软件和按使用量计费的模型。订阅可能鼓励客户集中使用一家供应商；如果按查询或 token 付费，企业则可能针对不同任务比较模型并随时切换。她据此认为模型公司之间未必只有传统的零和竞争。

她还复盘了早期对编程 AI 市场的低估：投资人曾用程序员数量和每人订阅价格计算市场规模，得出相对有限的数字，但后来收入增长显示这一框架过于狭窄。她认为，能被计算机操作的工作都可能成为潜在需求。

当编程工具收入迅速增长时，投资人应该及时检查原先的市场规模假设。Freda 说，做判断难免出错，重要的是发现事实与框架不符后及时修正。

她继续讨论模型公司的“负向滚雪球”：如果训练新模型的成本不断成倍增长，而旧模型产生的毛利跟不上，新一轮投入会持续压低利润。她认为，除训练成本增速放缓外，收入增长显著加快也可能改变这一结果。

比较 OpenAI 和 Anthropic 的收入时，她提醒听众留意统计口径：短期收入年化并不等同于稳定、可重复的年度收入，毛收入与净收入也不能直接比较。她所引用的数据和换算反映的是访谈时的估算。

关于算力，Freda 认为市场曾低估单位电力能够支持的模型收入。她援引外部对算力规模的估计，提出收入上限仍难判断；这些数字是她对当时市场的观察和预测。

她回顾 Anthropic 收入快速增长时投资人的判断：编程需求可能比预期更大、更快，但毛利率和其他不确定因素也曾引发担忧。她认为，模型层的产品和商业模式可能趋同，几家公司都会追逐有需求的领域。

至于 xAI 和 Meta，Freda 认为外界可用于判断的证据有限。她讨论数据中心出租和 Meta 自有模型可能的商业用途，但将这些分析作为当时的投资观察，而非确定结果。

软件公司的变化让她重新思考组织规模。传统企业软件公司往往有庞大的销售和营销团队；她观察到模型公司以较小团队获得快速增长，因此追问过去是否过于强调销售，以及用户对智能的需求究竟有多强。

她也把问题扩展到更大的公司：如果一个产品可以由很小的团队做出来，就值得重新审视组织架构和所需人数。她引用的公司规模和人均收入是访谈中的估算，不是对具体岗位是否必要的证明。

张小珺问投资人是否正在抛弃软件公司。Freda 说，不必断定每家公司未来一定变差，只要不确定性升高、现金流折现率上升，估值就可能下降。她还观察到部分私营公司的估值逻辑与公开市场出现差距。

她补充，股价下跌还会影响股票薪酬：如果公司希望给员工维持同等价值的股票，可能需要发出更多股份。这使软件公司面临融资、留人和股权稀释之间的取舍。

哪些软件更脆弱？Freda 认为，主要依靠界面提供价值的单点工具，或处理高度规整数据的应用，可能更早受到冲击。她以项目管理工具与 Excel 对比：后者的单元格含义和使用方式复杂多变，替代未必同样容易。

她改变了自己对办公软件的一部分看法。AI 可以快速生成网页形式的演示文稿，但只要工作流中的某个人仍需要直接、精准地手动修改，PowerPoint 之类的工具就可能继续有价值。

数据仓库也不一定绝对安全。她举自己比较股票估值的经历：借助模型、工具和数据接口，可以更快完成过去需要搭建数据仓库并写查询的部分工作。不过，这只是具体使用体验，不能证明所有数据系统都会被替代。

Freda 认为，一个新的软件机会是记录和处理企业决策过程中原来没有进入系统的信息。例如 CRM 可能记录客户折扣，却没有记录为什么定这个数字、谁提出异议、客户真正关心什么；AI 可能帮助处理这些更原始、非结构化的材料。

她主张重新思考软件如何供智能体使用，并根据自己连接聊天工具的经历，讨论持续在线和实时通信等需求。她认为面向人的交互方式未必适合智能体，具体产品仍需解决接口与权限等问题。

谈组织变革时，Freda 区分技术扩散和经济扩散：模型能力进步可以很快，但企业吸收技术、转化为收入和生产力可能滞后多年。研究组织架构，在她看来也是研究 AI 何时真正形成经济价值。

她用工厂电气化作历史类比：最初人们可能只是把电机放在原来蒸汽机的位置，保留旧厂房布局；直到生产流程重新设计，效率提升才更明显。她借此说明，新技术出现不等于经济价值立刻兑现。

她还提到计算机生产率悖论：电脑进入办公室后，宏观生产率并未立刻明显上升，后来企业围绕数据库、网络和供应链重新设计业务。Freda 认为，当下许多公司仍处在把 AI 加入旧工作流的阶段。

从组织结构看，她认为层级不仅是权力关系，也承担上下传递、压缩和解释信息的功能。会议、进度同步和季度对齐，部分都是应对人际信息传递成本的机制。

在传统产品开发中，需求从产品经理传给设计师、开发者、测试和销售，每一步都需要解释与等待。Freda 说，如果 AI 加速其中一个环节，瓶颈就可能转移到下一个环节，因此不能只优化编程，还需要重新看整个流程。

她设想，未来一些团队可能从接力赛变成篮球赛：三到五人的小分队拥有必要技能并同步推进，自己作出多数决定，只把重大方向问题向上升级。测试可以嵌入开发，产品经理也可能需要更广的能力。

张小珺追问成功转型的具体案例。Freda 坦言自己仍在寻找，尚未看到公认答案。她推测，企业可能捕捉更多客户沟通和历史数据，让智能体辅助判断，但这仍是对未来工作方式的设想。

回到投资行业，Freda 认为从业者花费大量时间寻找信息、清理数据、比较预期和理解市场持仓。她提出一个问题：如果智能体获得足够干净的数据和明确的交易目标，能否比人做得更好？她对此持乐观判断，但承认目标和偏好必须先定义清楚。

她认为一个现实难点是数据碎片化：即使财务数据看似标准，实际工作也可能需要连接十几个甚至更多数据供应商。另一个难点是理解不同市场参与者如何作决定。

她讨论量化、散户和机构在交易中的不同作用，并认为散户值得更加重视。她的交易占比数字和对各类参与者行为的归纳是个人估计，不应当当作普遍规律或交易依据。

在她看来，AI 可能缩小散户与机构的信息差，也可能让基本面研究和量化方法更接近。事件消息进入价格的速度可能加快，投资者的优势或许会更多来自理解较大的趋势，而不是仅仅比别人早看到信息。

市场会更有效率还是更波动？Freda 认为两者都可能：信息更快反映在价格里，但多个智能体对相同信号作出反应，也可能让交易更拥挤。她把这些作为对市场结构变化的推测。

在应用创业领域，她概述编程、医疗、法律、客服、视频生成、推理基础设施和芯片等方向的收入情况。她引用的规模是访谈时的粗略行业估算，不能直接比较为统一口径的财务数据。

她说自己对模型公司与应用公司的竞争反复修正过判断：早期担心模型公司吃掉应用，后来看到应用收入快速增长；近期随着工具调用、连接器和记忆等能力增强，她又重新担心模型公司进入更多应用领域。

一些垂直应用公司强调合规、行业经验或处理长尾需求的能力。Freda 认为这些可以形成差异，但如果仅靠合规或最后一段工作，长期利润和价值分配仍可能受到挑战。

尽管如此，她说自己仍会投资应用公司。她观察到部分基金成立成长型基金、为早期基金提供流动性，加上上市和收购预期，使部分投资机构手里有资金；具体融资条件仍会变化。

谈到硅谷热门的 Neo Labs，她说许多研究人员离开现有 AI 实验室创办新团队。她认为，投资人既在寻找模型公司高估值之外的回报，也考虑人才被收购或招揽所形成的退出可能。

不过，是否投资这一类别也取决于基金规模和组合构建：每家实验室融资额可能很高，投资人既难以覆盖全部团队，也不愿只押一家。她用分散投资几家的例子说明资金约束，而非给出通用配置建议。

她还关注降低推理成本的公司，以及面向智能体的基础设施。邮件、电话、浏览器、身份、支付和合规等工具原本多按人的使用方式设计；智能体的请求频率和交互方式不同，可能带来新的产品需求。

在智能体商业方面，她更看好企业间交易的复杂场景。消费者有时愿意花时间浏览商品，而企业跨境采购涉及数量、价格、认证、进出口合规和付款条款，沟通链条较长；她认为这类任务可能适合智能体辅助。

自动驾驶和机器人方面，Freda 承认进展比自己原先想象的慢。她关注开放模型能否帮助更多车厂使用自动驾驶能力，也注意到团队正在探索让系统更好理解道路中的复杂情境。

对于机器人，她更为谨慎：增加数据带来改进，与出现可外推、跨任务和场景泛化的清晰 scaling law 是不同的事。她说硬件制造同样存在挑战，投资判断仍有很大不确定性。

回顾上一期对美股的判断，Freda 认为自己看对了模型公司收入成为市场焦点，却看错了资金会从半导体逐渐转向 AI 应用的预期。她坦率地把后者视为需要复盘的错误。

她担心大型科技公司，尤其是云厂商，在持续扩大资本开支后面临自由现金流压力。她也看到云业务的收入增长，但认为竞争增加、价值在计算产业链中重新分配，可能改变云厂商的经济性。

谈芯片和广告时，她讨论云厂商自研芯片的商业化，以及新进入者可能开拓传统广告预算之外的支出。她以零售促销费用为例，说明广告市场不一定完全是现有平台之间的存量争夺。

对于潜在大型 IPO，Freda 用假设规模估算市场承接能力，并认为更值得关注的是资金轮动：新公司吸引投资后，现有大型科技股可能承压。这是情景分析，不代表上市一定发生或结果确定。

她估算裁员对不同公司的每股收益影响可能不同：人力成本占比较高的软件公司，敏感度可能高于部分大型科技公司。她同时提醒，社会影响、AI 开支效率和资本支出回报都可能影响市场情绪。

讨论就业与通缩时，Freda 不愿作确定结论。历史上的技术革命曾反复引发就业担忧，但每次变化的速度和广度不同；如果发生严重冲击，政府也可能通过财政或其他政策回应。

她回顾机械织布、农业劳动力减少、电话接线自动化等历史案例，认为人类已经历多次巨大转型。AI 可能传播得更快，但就业影响很难提前精确判断；她提醒自己保持开放，准备在不同情景下调整。

Freda 对长期生产力提升持乐观态度，并认为当时存在创业机会：工具降低了做产品的门槛，需求与竞争格局也在变化。不过，她提醒创业者不要把她分析成熟公司的框架机械套到早期项目上。

访谈转向个人感受。Freda 坦言自己非常焦虑：新模型、新工具和新工作流不断出现，作为科技投资人，她觉得自己应该亲自尝试，却常常担心跟不上。她也意识到媒体和社交网络上的比较容易放大这种焦虑。

她讲述曾因深夜安装工具遇到困难而痛哭：当时一个技术问题引发了对自己是否会被时代淘汰的担心。但她说，变化也带来兴奋感和机会，公开这些经历或许能让其他焦虑的人感到不那么孤单。

她把焦虑与在乎以及对不确定未来的恐惧联系起来。裁员、经济影响和公司竞争都难以完全预测，因此她希望自己既形成观点，也保持随新事实调整的空间。

张小珺问，在高度不确定的时代有什么可以把握。Freda 认为，更高的智能与效率长期有益，也可能让更多人获得工具；与此同时，资源重新分配可能以痛苦的方式发生。

Freda 说，自己曾喜欢约行业专家交流，但现在很多以交换信息为目的的对话，可以先向 AI 提问。她并非认为人与人的交流不重要，而是在重新区分知识获取与其他形式的连接。

她回忆与朋友一次并无明确议程的谈话：两人聊到做事的勇气、人生遗憾和真正重视的东西。虽然没有获得多少新的事实信息，她却觉得这是很长一段时间里最有内容的对话之一。

因此，她倾向于把部分知识和分析任务交给 AI，而让见面变得更单纯：观察彼此、分享心路历程，谈一些真诚甚至令人不好意思的话题。张小珺也说，节目希望与听众建立这样的连接。

最后，Freda 谈到“语言即世界”这个名字。她认为，语言既用于传递信息，也用于建立人与人的联系；AI 可能承担更多前一种工作，而后一种连接会变得更珍贵。