Jack Altman 与 Ev Randle 谈 AI 市场、安全与现实世界

Benchmark 合伙人 Jack Altman 和 Ev Randle 将 Benchmark Breakfast 介绍为公司周一开放式对谈的公开版本。他们不想按照固定的投资项目议程行事，而是讨论本周出现的问题和公司。

Randle 解释说，Benchmark 合伙人每周一会在没有固定议程的情况下交流数小时。他们把会议视为跨越每一周、持续进行的对话，而不是待投资项目的检查清单。这档播客希望分享这种讨论方式。

第一个话题是 Anthropic 据报道提交的 S-1 文件。主持人说，将财务信息汇集在一起，使评估公司的增长和经营杠杆更容易。这是投资人的解读，节目没有独立审计这些数字。

他们将经营杠杆解释为：先进行大量前期投入，随后收入增长足以支持盈利。Randle 指出一张比较季度收入与总算力和基础设施支出的图表，其中包括训练和服务客户的成本。

他引用的数字表明，从 2025 年初到 2026 年第二季度，这两项指标之间的关系发生了明显变化。主持人认为这说明前沿模型业务可能在规模化后具备经济可行性。他们将这种解读与股价表现预测区分开来。

主持人说，在他们讨论的期间，据报道的收入增长似乎足以抵消高额的固定训练成本。Randle 还提到一个报告中的营业利润率数字。这些观察只针对特定申报期，并不能回答未来成本的所有问题。

Randle 说，增长波动和按使用量计费的收入仍是公开市场投资人需要考虑的问题。他把异常快速的季度增长与随后较慢的增速作比较，并询问当客户不仅按长期合同付费、还按使用量付费时，未来收入有多大可见性。

Altman 对客户动能似乎会追随当前最强模型的程度感到惊讶，即使上一代模型已经可以完成许多任务。主持人推测，当某项任务可能带来的收益很大时，用户可能愿意为能力上的小幅提升支付更多。

他们区分了两类任务：一类任务的成功有比较清晰的上限，另一类如编程或发现工作，额外能力可能创造更多价值。同时，Altman 提醒，token 卖方增长并不意味着买方在所有领域都已证明生产力提高。

Altman 说，有些任务只要正确完成就够了，另一些任务则可能因结果更好而创造额外价值。他认为，这种差别有助于解释为什么即使旧模型已经具备能力，买方仍可能偏好更强的模型。

两位主持人将代码生成与远程办公转型期间视频会议的快速采用作比较。市场可能经历需求提前释放并最终趋于饱和，但他们不确定整个经济体采用 AI 编程的程度，也不知道一个团队最终可能使用多少智能体。

Randle 描述了一些初创公司：创始人在做其他事情时，让多个编程智能体同时运行。他认为软件工厂是一种不同于传统开发的组织方式。这是他们从初创企业网络中观察到的情况，并不能证明所有公司都会这样工作。

主持人讨论，即使在早期采用者中，编程智能体的使用量是否也可能继续扩大。每个人使用更多智能体以及新的工作组织方式，都可能增加需求，但两人都没有认为某个具体增长率必然发生。

讨论转向“AI 瓶颈交易”：投资人从 GPU 的需求继续追踪到服务器、网络、冷却、电力、内存等部件。主持人引用历史股价变化，说明市场关注如何转移；这些数字是具有时效性的观察，不是投资建议。

他们在风险投资市场中提出类似的代码生成链条。如果软件创建规模扩大，数据库、部署、推理、数据、浏览器工具、代码审查和安全都可能受益。他们提到多家公司并披露与投资组合的联系，因此这些例子不是独立的行业排名。

他们观察到，当整个市场扩大时，同一类别中的多家公司可以同时快速增长。他们认为，为不同用户或工作流程量身打造的产品可以与通用编程工具并存，但未来竞争格局仍不确定。

Randle 将 AI 代码生成称为具有历史意义的产品市场契合时刻。主持人认为，与受实体设备普及速度限制的技术相比，数字分发可能让采用和相关需求传播得更快。这是他们对当前周期的解读。

一个领域的快速增长会改变其他领域创始人和投资人的机会成本。主持人指出，过去被认为非常出色的软件增长速度，与增长异常迅速的 AI 公司相比可能显得不那么突出。他们也意识到，把今天的比较当成永久标准有风险。

他们讨论两种特征之间的取舍：一方面是受益于快速增长的 AI 趋势，另一方面是长期合同、转换成本和企业客户黏性等较早就被重视的持久性信号。Altman 说，现在更难判断持久性，因为随着模型能力提高，人们对应用软件的看法可能很快变化。

传统企业软件投资可能因为客户花很长时间选择产品、随后使用多年而显得持久。Altman 质疑，在模型和应用界面快速变化的时期，这种经验是否仍能直接套用。

主持人描述了两种可能的投资思路：参与已经带来需求的趋势，或在趋势明显之前识别下一个机会。他们提到机器人和生物技术可能变得重要，同时承认时间和结果都不确定。

Randle 指出，一旦某个投资主题被广泛理解，最明显的公司可能已经拥有较高估值。投资人仍可能认为市场低估了机会规模，但付出的价格会改变风险。

关于 AI 收入“循环”的一个担忧是，AI 生态内部的公司互相采购，而外部客户尚未证明价值能够持久。主持人说，拥有独立预算的银行或医疗系统如果持续支出，可能是更广泛需求的更强信号。

所谓循环问题关注的是依赖关系：如果支出只在 AI 公司之间流转，生态系统某一环节出现疲软就可能影响其他环节。因此，主持人询问行业之外的客户是否获得了足够价值，能够支撑需求。

他们也提出相反的观点：年轻的 AI 原生公司本身可能成长为大客户。与互联网原生企业的比较说明，来自新生态的早期需求不一定是空转，但最终用户仍然需要获得真实价值。

Altman 和 Randle 随后尝试分别提出闭源和开放模型最有力的论点，而不是把争论当成简单的二选一。他们披露了通过 Fireworks 等投资接触开放模型基础设施的情况。他们的经济论点取决于对模型质量、成本和客户需求的假设。

在闭源模型一方，Randle 描述了低成本生产者的论点。大型供应商可能将基础设施和研究费用分摊到汇集起来的需求上，共同设计模型和服务系统，并用内部模型提高效率。如果这些假设成立，在能力相当的情况下，闭源推理可能更便宜。

Altman 回应说，开放权重模型的用户不必以同样方式直接支付原模型的训练成本，但仍要支付推理费用。他还问，前沿实验室会选择降低常规任务的利润率，还是专注于更困难的工作。实际比较取决于价格、利用率和成本。

开放模型的论点还取决于前沿供应商选择优化什么。Altman 设想，能力足够的旧模型处理常规工作，而领先实验室专注于前沿任务。他将这种分工作为一种可能性，而不是已经形成的市场结果。

除了价格，他还强调对数据、模型和供应商依赖的控制。有些组织可能愿意为保留控制权支付额外费用，尤其是在外部供应商未来也可能成为竞争对手时。主持人将这描述为客户需要权衡的问题，而不是普遍适用的选择理由。

他们还讨论用优质专有数据针对具体任务调整较小的开放模型。他们说，一些创始人报告了以更低成本获得良好表现，但结果取决于任务和数据质量；访谈没有提供受控基准测试。

主持人以推理云收入相对于前沿实验室收入的比例，作为开放模型采用情况的不完美替代指标。他们承认估算遗漏了部分云服务活动。示例性的未来计算依赖增长和市场份额假设，不是经过验证的预测。

Randle 举例说明，即使只占未来更大市场中的少数份额，也可能支撑大型推理公司。他明确表示，这个计算以增长持续为条件。预计的市场规模和由此推导的公司价值都没有保证。

Altman 说，他对一种中间路线更加乐观：前沿实验室非常重要，但不会让所有其他企业都失去意义。这种乐观是有条件的；他也承认未来模型能力和更广泛影响存在不确定性。

网络安全是主持人认为更迫切的问题。他们转述一些公司负责人所说的内部 AI 辅助安全测试，据称发现了严重问题。他们也指出，内部测试可能拥有外部攻击者无法获得的访问权限和优势，因此结果不能直接等同。

Randle 引用据报道的软件和联网设备安全事件，解释为什么风险感觉更加具体。主持人担心，老旧系统和实体设备中的漏洞可能难以修复。这些例子是对谈中的转述，节目没有独立调查。

他们讨论移除防护措施的开放权重模型，以及攻击者和防御方都可能使用这类模型的情况。他们提出的问题是，组织如何改善防御测试，同时应对更强大工具带来的广泛风险。

两人讨论能力进展的速度与防御现代化之间的差距。他们希望组织比过去的软件转型中反应更快，但也承认，为大量系统加固可能需要远超几个月的时间。

主持人希望组织因更清楚地看到风险而优先加强防御。他们指出，即使已经有可以提供帮助的技术，医院等机构在采用和升级系统时也可能进展缓慢。

Altman 说，最有意义的收益最终可能体现在现实世界：更好的健康、住房、食物和交通，而不仅仅是更快的软件生产。他对生物技术和机器人感兴趣，因为如果技术奏效，两者都可能改变这些结果。

主持人观察到，AI 研究机构正在为这些领域投入数据和团队。他们提醒，预测时间很困难。自动驾驶等例子说明，即使目标看起来已经可见，仍可能需要多年才能到达。

Randle 将数字代码与物理实验作比较。软件通常可以相对便宜地产生大量反馈，而部署和维护机器人需要资金，生物实验也可能经过一段等待后只能回答问题的一小部分。

主持人推测，并行运行更多精心设计的实验以及投资数据基础设施，可能加快进展。物理时间和实验质量仍然是限制因素。他们认为所需投入可能非常庞大，而不是一个已经解决的工程问题。

Randle 引述一种观点：互联网为语言模型提供了一次性的大量数字数据。生物技术和机器人领域也有数据，但为新系统收集多样化的物理反馈，可能需要专门基础设施和大量投资。

Randle 分享了一段家人患癌的经历，解释为什么更好的治疗对他很重要。他描述了较新疗法改善预后的情况，并希望未来研究能让更多人获得类似益处。这是个人经历，不是对特定医疗结果的证明。

对谈最后，主持人希望 AI 投资最终能够改善屏幕之外的生活。他们对软件、生物技术和机器人的影响所作的比较，是对可能结果的预测，而不是未来发现一定会出现的保证。