AI 防御性、风投风险与做空择时的难题

Harry Stebbings、Jason Lemkin 和 Rory O’Driscoll 讨论风投领导、据报道的看跌头寸、AI 应用防御性与基金构建。他们关于个人动机、交易、公司表现及未来就业的说法是录制时的观点或报道，未经独立核实，也不是财务建议。投资人披露了相关投资组合和商业利益。

Stebbings 提到涉及 Roelof Botha、Pat Grady 和 Alfred Lin 的 Sequoia 领导层变化报道。O’Driscoll 将其解读为可能对竞争地位不满，但明确表示自己不了解内部情况。访谈没有证实他对合伙人动机的推测。

Lemkin 认为风投机构和高管需要适应 AI 的快速变化，同时说他的普遍观点不一定能解释 Sequoia 的决定。嘉宾讨论合伙制机构如何管理领导层和分配经济利益；这些评论是观察，并非关于私人投票的已核实细节。

Stebbings 提到涉及 Nvidia 和 Palantir 的据报道 11 亿美元看跌头寸。对话没有确定期权实际支付的权利金、行权价、到期日、当前状态或全部经济风险敞口；报道中的名义价值不同于现金风险，也不同于传统股票做空。

O’Driscoll 用假设的 Nvidia 看跌期权说明，投资人不仅要判断方向，还要判断时机。他用假设的股价、行权价和权利金说明短期期权。这些计算是他的示例，不能证明 Michael Burry 实际交易细节，也不是个人交易建议。

他推测 Burry 提交文件的时间以及公开看跌观点可能带来的激励。关于动机的这一指控未经证实。一份申报本身也不能显示所有持仓或之后的变化。

他将短期期权与更昂贵的长期期权比较，认为即使最终出现下跌，押注繁荣结束也可能很困难。他的计算只是采用假设价格和条款的示例，并非期权报价或收益保证。

嘉宾同意时机和杠杆使看跌押注困难。O’Driscoll 说，他预计 AI 资本支出以及某只高估值股票最终会调整。这些是预测，不能证明价格何时变化。期权可能到期归零；节目示例也没有覆盖所有交易成本和结果。

Stebbings 引用公司收入目标和预测，认为 AI 收入已经出现。O’Driscoll 同意有需求报道，但问资本支出预期是否过度外推增长。引用的 ARR 和未来收入数字都是主张及预测，并非审计结果。

圆桌讨论 Gamma 据报道的融资、收入和员工数。Lemkin 说 SaaStr 使用 Gamma 为赞助商制作定制材料，并描述了节省时间和订阅价格。他的使用经验及 SaaStr 的商业关系属于相关利益；生产率和公司数字未经独立审计。

Lemkin 回忆使用 Replit 构建应用，并说其智能体现在像团队成员一样，在监督下记住上下文并完成任务。他曾与 Replit 合作，SaaStr 也使用该产品。他关于“无限”上下文和表现的说法是个人印象，不是经过测试的技术保证。

他设想智能体从日历和 CRM 信息准备材料，由人审核结果。这是他希望实现的未来工作流，不能证明系统目前可以安全、准确地完成所有这些操作。

O’Driscoll 说，投资人必须花时间理解模型改进带来的新能力，因为六个月前的知识可能很快过时。Lemkin 回应，复制更快会压缩初创公司曾经拥有的领先时间。产品和时间例子均是个人观察。

Lemkin 认为竞争者能快速做出类似产品时，早期增长可能更难防御，不过他仍看重创始团队。被问到后期公司是否拥有更强护城河时，他认为技术复杂度和分发能力最终可能有所帮助，但承认不确定。

Stebbings 提到自己对 Solve Intelligence 的投资，并认为专业数据和重复使用可能改善专利产品。Lemkin 指出专利也可能公开；O’Driscoll 质疑横向工具是否同样能从规模中受益。讨论没有证明独占数据权或测量出的产品优势。

O’Driscoll 认为，防御性往往要到规模、分发和持续执行之后才出现，不一定在种子期就有。他将普通软件与深科技区分开，并说这种投资游戏有很高的结果波动。这是他的投资论点，不保证领先者一直领先。

Stebbings 问，高种子轮和种子前估值是否足以补偿风险。圆桌区分公司成长过程中运营风险降低，与入场价格同时上升所带来的估值风险。例子使用的是简化持股和收入数字。

O’Driscoll 认为后期融资可能提供更多关于哪些初创公司获得增长的证据，但仍有很多不确定性。Stebbings 反驳说模型公司和大型传统企业扩大了竞争范围，Lemkin 则质疑看似强劲的早期品牌能否持久。

嘉宾将成为几个初创领先者之一，与击败所有相邻传统企业区分开。O’Driscoll 说投资人会随着信息改善更新概率；Stebbings 强调，初创群体内领先并不保证达到风投规模的结果。举例使用的三分之一或十分之一概率不是实测概率。

Stebbings 问，更大的结果波动是否意味着基金应更加分散。O’Driscoll 假设种子基金进行四十笔每笔 500 万美元的初始投资，另加储备和费用；5 亿美元的例子只是基于这些假设的算术，并非建议的基金规模。

Stebbings 认为，更大的结果可能使较低持股比例仍有意义，并引用一只持有许多小额头寸、据称获得一定回报的基金。Lemkin 指出，更高持股可增加单个赢家的贡献，但高频投资需要大量会面。所引回报未经独立核实。

嘉宾讨论不同项目来源模式的运营要求。Stebbings 描述团队的高频会面；Lemkin 偏好更少会面和更多事前研究，O’Driscoll 则重视直接向创始人学习。这些偏好不能证明某个流程普遍更优。

Lemkin 说，创始人不必仅为了“进门”而约他喝咖啡：他更喜欢先看优秀邮件、演示材料和相关信息。O’Driscoll 也希望讨论业务，但说自己能从会面中学习。这些建议反映两位投资人的工作方式。

Stebbings 描述了自己在计划融资流程前向一位创始人提出条款，而对方希望等待，让他感到沮丧。O’Driscoll 说，真正有吸引力的条款清单值得认真考虑；但如果依次向尚未承诺的投资人分享数据，可能在没有协调计划时无意启动融资流程。

Lemkin 建议创始人长期建立关系，使几位投资人可能在融资开始时准备好。他说，即使传统数据室对初步兴趣不那么重要，尽职调查仍然重要。O’Driscoll 将其称为可能感觉不正式的流程，并指出要产生这种需求需要优异表现。

Lemkin 将融资环境描述为异常两极：表现特别好的公司吸引报价，其他公司则很困难。Stebbings 讲述一家企业软件公司经历多次会面、只收到一份报价的例子。这一案例不能确定整个市场的融资概率。

Stebbings 引用 Datadog 业绩，并问股价为何上涨。O’Driscoll 认为，可观测性和算力基础设施可能受益于 AI 支出；Lemkin 认为向 AI 建设者销售能获得增长预算。财务数字和原因归属未经独立核实。

Stebbings 披露自己持有 Duolingo 股份，并询问据报道的股价下跌。O’Driscoll 将变化归因于预期和指引，而非单一的宏大 AI 故事；Lemkin 认为仅改善产品可能无法获得新预算。嘉宾存在分歧，其股价解读不是投资建议。

O’Driscoll 看到 AI 辅助个性化语言教学的潜力，并问能否构建更强的教育产品；Lemkin 则问预算从哪里来。访谈没有用研究证实大语言模型辅导与人类教学的相对效果。

嘉宾提出几种可能的收入来源：基础设施支出、替代工作或争取传统企业的预算。这些是商业策略和就业预测，不能证明某个产品可以安全替代特定劳动者或改善学习结果。

Lemkin 说软件变化的速度令人兴奋，也带来压力。O’Driscoll 同意 AI 可能改变应用能做的事情，同时说即使优秀的投资机构也面临适应压力。他们的宽泛判断反映其参与行业的立场。

Stebbings 称赞 Hummingbird 据报道的一项投资结果，嘉宾讨论小基金如何通过后续融资维持持股。具体持仓、基金规模和回报未经核实；他们提出的是可能性，并非已确认的资本结构历史。

O’Driscoll 比较两种选择：接受稀释以保留小额初始投资的高倍数，或投入额外资本维持更多持股。他的例子说明不同的基金构建方式；基金回报倍数与持股比例不能互换。

Stebbings 说资本效率可能让早期投资人受益，O’Driscoll 则指出，偏好的策略部分取决于有限合伙人需要配置多少资金。双方最后互相致谢；讨论的所有结果都存在投资风险。