只有 AI 成为 1.5 万亿美元的市场，1770 亿美元的 GPU 押注才说得通

这段录音不是创始人访谈。它是 Redpoint 与有限合伙人的年度会议，后来作为播客《Unsupervised Learning》的第 61 集发布。Scott Raney 放出一张旨在让全场安静下来的幻灯片：英特尔客户端计算事业部（即大约 70% 个人电脑里装的 CPU）预计今年营收 320 亿美元。英伟达的数据中心业务，也就是训练和运行模型的 GPU，预计营收 1770 亿美元，是整个 PC CPU 市场的五倍半。

接下来的问题是，这 1770 亿美元的芯片资本开支必须赚回来。把 AI 数据中心的其他成本、毛利率、运营费用、折旧以及合理回报都算进去，出资人就必须为约 1.2 万亿美元的 AI 收入提供背书，时间是 2030 年，到 2032 年则是 1.5 万亿美元。全球企业软件花了五十年才达到约 1.1 万亿美元的规模。如果这张幻灯片的数字是对的，这个市场将在十年左右建成。Raney 向小组提出了一个显而易见的追问：你们相信这些数字吗，还是这就是终极泡沫？

Alex Bard 替全场希望这个数字其实被低估了。Marc Benioff 曾称 AI 是他一生中最大的技术突破；Bill Gates、Jeff Bezos 和 Eric Schmidt 也发表过类似的看法。Bard 认为，这些话并不只是兴奋之词。超大规模云厂商和平台公司输不起，所以无论每一美元是否算得过来，这笔支出都是战略上的必需。其次，经济的载体变了。SaaS 让一个人更有效率，并向软件预算收费。AI 则可以直接完成工作，并向人力预算收费，而人力预算往往要大一个数量级。客服软件的市场约为 350 亿美元；而这份工作的人力成本约为 4500 亿美元。

第三，软件从来没有真正渗透到一些市场，要么是这些市场太小，无法按席位定价，要么是用户不够懂行，无法运用这些工具。AI 正在扩大这些市场，也在开辟新的市场。Bard 最后的一层坦白，针对的是风投机构自己：Redpoint 并不会花 1770 亿美元去买英伟达的 GPU。如果最终的市场只是 1.5 万亿美元的一小部分，应用公司依然可以搭上这笔资本开支的便车。随后，两人共同主持这档播客的 Patrick Chase 和 Jacob Effron，从模型层开始，逐层梳理了整个技术栈。

Jacob Effron 对模型层的看法是：这些公司越来越值钱，因为它们能做出的产品，只有自己拥有前沿模型才做得出来。OpenAI 可以做出类似 Deep Research 的东西，少数同行也能做出企业级智能体，因为这些产品需要最先进的能力。他说，一个比最好的开源替代品“高 10 个 IQ 点”的模型，能解锁一批其他人做不出来的产品。训练这一类大语言模型（LLM）如今成本高到 Redpoint 几乎不再看新的基础模型公司。他们仍然感兴趣的，是需要不同数据的相邻模型类别：机器人方面，他们投资了 Physical Intelligence，让模型能在物理世界中行动；未来几年，则是生物学和材料科学。

Patrick Chase 说，DeepSeek 的发布在市场上引起了涟漪，留下两点启示。推理成本每年下降约 10 倍，训练成本也每年下降约 10 倍，这对所有在其上构建应用的人来说，都是纯粹的利润顺风。更难消化的信息是针对实验室自己的：规模并不是持久的护城河。拥有最大的 GPU 集群，并不意味着你会拥有最好的模型，也不意味着别人无法追上。照他的说法，模型公司现在有两种筑墙的办法：像 OpenAI 一直在做的那样，向上延伸到应用和智能体；或者像机器人方向那样，走专业化的路线。

这种商品化的速度，在投资组合里已经显现出来。DeepSeek 发布后的几周内，Redpoint 相当数量的公司已经从 Anthropic 切换出去，推理成本下降了 80% 到 90%。切换成本并不等同于云迁移。Effron 把它比作换插头：性能相似，换一个新的端点，几天就能完成。训练一个前沿模型所需的巨额资金，看上去仍然是一道进入门槛。但模型一旦存在，锁定就不再成立了。

基础设施层是 Redpoint 原本以为会像云时代的 AWS、数据库和安全那样大快朵颐的一层，但进展比他们希望的慢。Effron 给出两个原因。一是模型层变化太快，大约每三个月就有新模型、新模式，开发者工具还没成型就已经过时。二是第一波建设者一直在做用例探索，这意味着他们会直接用知名的模型，也就是 OpenAI 和 Anthropic。数据中心一直是个不错的去处，Chase 在推理市场上押注的 Modal 和 LiveKit 都已经见效。今年他们又变得兴奋起来，因为智能体开始出现。智能体如何浏览网页、调用工具，应当会沉淀为一些通用模式，而工具公司正是靠模式生存的。

应用层是 Bard 如鱼得水的地方。他做了二十多年 SaaS 运营，并从 Benioff 那里学到，云之所以能取代本地部署的老牌厂商，是因为两件事同时发生了变化：交付模式，以及从授权到订阅的商业模式。移动互联网带来了技术变革，却没有带来定价变革，因此没有产生同一类颠覆。AI 两者兼具。技术栈是全新的，计费方式也正在从席位转向已完成的工作，也就是一些人所说的服务即软件（services as software）。他认为，这种组合让颠覆的窗口再次打开。

在横向市场上，Redpoint 投资了 Attio，这是一款 AI 原生的 CRM，瞄准 HubSpot 和 Salesforce；还有 Levelpath，在采购领域对标 Coupa。Salesforce 营收的 1% 就已经是销售额达数亿美元的公司，所以哪怕只分走一点，也是一个很大的奖赏。老牌厂商资金充足，也会用 AI。Bard 认为突破口是速度：很多这类公司的律师比工程师还多，而且它们无法放弃数十亿美元的席位收入，因此只能走混合路线。初创公司则可以直接转向按工作收费。

垂直领域是更拥挤、也更令人兴奋的版图。Redpoint 的成长基金 Omega 统计，过去几年启动的垂直 AI SaaS 公司大约有 500 家。Raney 称之为寒武纪式的大爆发，而这些市场中，很多此前根本没有像样的 SaaS 产品。Effron 预计明年还会再出现数千家。人们基于 GPT-4 构建东西才两年，推理模型则只有去年秋天以来才出现。Veeva 和 ServiceTitan 证明了垂直软件也能做得很大，但历史上同样有一片失败者的墓地。面对着从 500 家走向 1000 家的格局，合伙人们提出了三个问题。这里是否有真正的切入点？判断依据是一款卖得很好、让终端用户喜爱的产品，那种愿意尝试任何东西的买家带来的实验性收入，只能算另一回事。替代掉一个全职员工的工作之后，你还能再做什么？这个行业（医疗、法律、金融）是否足够大，即便小品类里有八家竞争者、大品类里也有八家，仍然能容得下一家公司？还有，质量重不重要？还是说会有人以一半的价格，拿出一个 80% 质量的产品，把整个品类拉向底部竞争？

劳动力预算也会改写 TAM（总可触达市场）。过去看上去只有个位数十亿美元的市场，一旦软件开始取代人力，就会变得有意思。Liberate 是 Effron 主导的一笔投资，它把客服 AI 卖给公用事业公司，并且因为这个原因，已经看到了更高的合同金额。很多垂直领域会是很好的生意，但仍达不到风险投资的规模。讽刺的是，第一波最容易拿到的预算，是那些早已外包给 BPO 的工作。这是最糟糕的切入点，因为买家已经在便宜和质量之间选了便宜，还会再选一次。受监管的行业才是更好的猎场。没有哪家律所愿意向客户承认：本来有一个 100 分的方案，他们却为了省钱选了 80 分的，而账单仍然按全额收取。预计会有一场厮杀：AI 呼叫中心会催生二十家真正有增长的 YC 克隆公司，直到需求耗尽、出现少数赢家，或者这个品类悄然消退。Raney 举的例子是 1997 年的电子商务。每个垂直领域都涌现出一批创业公司，大多数倒下了，回报集中在真正执行到位的少数名字上。AI 应用是否会形成赢家通吃的结构，仍是未知数，因为很大一部分价值都在一个共享的底层模型里。

在最早期阶段几乎没有数据，因此这家基金更看重创始人。Bard 描述了两种类型。一种是年轻的建设者，行动极快，对行业并不熟悉，可能会抓住先发优势。另一种则具备“创始人与市场的契合”：一系列经历，让他对一个长期问题有独特的看法。他们通常更偏好后者。Motif 就是他会举的例子，它由 Autodesk 的前联席 CEO 联合创立，正在云端打造 AI 原生的 Autodesk 2.0，除此之外他几乎不再多讲。深度也很重要，道理相同。Motif 大约是 80% 的工作流、20% 的模型，与那些八成是模型的公司正好相反。这种组合要复制起来难得多。

Effron 过去一年最大的感受，是先发优势现在复利累积得多快。六到九个月，一家公司就可能成为某个品类的代名词。如果你在旧金山街头请人说出一家医疗 AI 公司，你很可能会听到 Abridge。一旦你成了默认选项，每一次客户会面都会自动打开大门，合作伙伴纷至沓来，模型实验室会认真对待你，资本也会随之而来。在早期增长阶段，Omega 寻找的就是那半步，即公司刚刚在位子上坐稳。大家一直想要的那种神秘护城河，也就是私有数据资产，让模型变得独一无二地更好，其实并没有起太大作用。真正的护城河，是那一千个小细节，它们一直是让一款 SaaS 产品胜过另一款的原因：用户体验、功能广度，以及用起来的感觉。Bard 表示同意，但又补充了一层不确定性：能见度可能只有十英尺，也可能有五十英尺。谷歌并不是第一个搜索引擎，Facebook 也不是第一个社交网络。有时候，最后胜出的反而比第一个进入的更重要。

领域专长与 AI 专长的关系，在同一时期也发生了翻转。在浪潮的早期，大家都想让前 DeepMind 或 OpenAI 的研究员进团队。Effron 现在认为，这大多已经不那么重要。你需要足够懂技术，才能掌握模型的走向，因为对公司而言，每三到六个月都可能是灭顶之灾：推理模型一旦发布，如果你不是那个把它们带到客户面前的人，别人就会先做到。你不需要成为训练这些模型的人。领域知识仍然有助于你理解问题，但它已经不再是打开大门的钥匙。他说，在医疗领域，过去能和那些关键医院 CEO 见上面的，大约只有十个人；现在，几乎任何拿出一款好的 AI 产品的人都能做到。被问到应该支持 Decagon 式的技术团队，还是支持深度了解某个行业的人，他给出了一个打太极式的答案：理想情况下两者兼得。

失败同样来得很快。那些早期成功声势很大的公司，撞上了墙，因为它们很容易被复制，也很容易被拆掉。AI SDR 就是典型的例子：买家每天都在安装新的 AI SDR，追求略高一点的成交率，然后又为了下一个最新的东西把它拔掉。Omega 现在把实验性预算与业务线预算区分开来。拿到会面很容易，因为每个买家的老板都下令要做 AI 转型。Effron 说，用户从不撒谎。去找那个真正每天在工具里干活的人聊聊，你就能听出它是上面压下来的任务，还是他们真的会怀念的东西。参与度和使用量，比收入更能说明问题。六年前，从零做到 100 万美元 ARR，是一项很亮眼的 A 轮业绩。如今 AI 公司动辄做到 300 万、500 万，甚至 1000 万美元，但它仍然可能缺乏引力。Bard 的一句挖苦是：如果一家公司只做到了从零到一，那就得问问，到底发生了什么。

老牌厂商仍然掌握着客户关系、工作流程、专有数据，以及公开市场的叙事。Raney 指出，没有 AI 故事的公司现在都以折价交易，而 Salesforce 的 Agentforce 发布，按这家公司自己的说法，是一场成功的营销战役。Bard 不愿说他有信心创业公司会吞掉老牌厂商。那句老话依然适用：老牌厂商会先于创业公司拿到创新，还是创业公司会先拿到分发渠道？Salesforce 有分发优势，而 Benioff 很擅长营销未来。他曾让公司成为云的代名词，现在他要让它成为智能体的代名词。这个故事很精彩。Bard 接触过的、用过这些产品的人表示，它们还不算太好。它们会变好的，Salesforce 会花钱确保这一点。

结构性问题则更老。Salesforce 运行在旧的数据库、旧的基础设施上，还有一套它几乎无法改动的 UX，承载着二十多年前设计的工作流程。用 Bard 的比喻来说，在这套技术栈里加入 AI，就像在给一栋有裂缝的楼做装修。客服领域让这一点变得具体。这些系统的“大脑”是一个路由引擎：渠道、紧急程度、客户价值、谁有空回复，全部编码在成千上万行乃至数万行的决策树代码里。AI 可以删掉那棵树，引入旧引擎从未有过的外部数据，并对一次互动应该流向哪里做出更好的判断。对 Salesforce 来说，拆掉这套东西，就像给成千上万个已经在当前产品上投入了数万小时的客户做心脏手术。创业公司则不必如此。Salesforce 如今已经是十个产品的集合体，Bard 说，它看上去更像一家私募股权公司，而不是一家创新公司。它在十年或二十年内仍会是一家持续经营的公司。它的部分领域仍有机会可以切入。

这条经验法则很简单：AI 越彻底地改写工作流程，创始人的胜算就越大。反面例子是早期的 AI 原生 Notion 克隆和 PowerPoint 生成器。工作流程几乎没有变，输出依然要塞回旧的流程里。Effron 认为，这类表层功能很可能会落到谷歌手里。其中有一款很神奇的产品，但改变的幅度不足以支撑一家独立公司。Chase 补充说，在创业公司对阵老牌厂商的图表中没有出现的名字，才是近期真正的输家：BPO 和传统服务公司。创业公司和老牌厂商都在蚕食这部分预算，两者正走向相撞的轨道。目前，许多新的支出正是从这里来的，而 Redpoint 也押注了其中很大一部分回报。

Redpoint 自己的 A 轮数据显示，融资额只略有增加，估值却大幅提高。在 Omega 那里差距更大：公司比以前更快地回到市场，因此从倍数上看，它们感觉贵了三到四倍，比两倍高得多。抢先注资很常见。Bard 认为，这种加价是可以理解的。市场看起来更大了，劳动力预算变得可以触及，以前够不着的垂直领域打开了，那些成为某个品类代名词的公司，增长速度比基金过去见过的任何公司都快。Chase 进一步预测，AI 公司会用 AI 来构建产品，而不仅仅用它来卖产品。结果可能是数亿美元的收入、数十亿美元的企业价值，以及 20 到 40 名员工。这些公司可能永远不需要 C 轮、D 轮或 E 轮融资。进场价格更高，但之后的稀释更少。

难点在于选对。赢家哪怕估值达到 1.1 亿美元，你也不会介意；难点还在于忽略假阳性，也就是那些增长太快、以至于被误认为有持续力的公司。Effron 说，在这样的价格下，AI 交易的风险本身就更大，因为市场变化太快。Omega 的应对是减少押注，只投那些一旦成功就会有巨大长尾的终端市场。去追第二十一到第五十个垂直领域，意味着要面对同样密集的竞争，八家对手一起涌入，却拿不到那份奖赏。纪律意味着会错过一些好公司，他们愿意接受这种代价。更高的价格和更快的再融资，也改变了基金的构造：拿到更多“射门机会”（即押注的数量）和持股比例，都变得更贵了，这就是早期基金和 Omega 更频繁地联合投资的原因，往往是在一家公司第一次真正的机构融资中。

Bard 讲了一个故事，让会计问题变得真切。一家公司第一年就从零做到 800 万美元 ARR，其中很大一部分集中在一个客户身上，团队只有十个人。拿到 500 万美元种子轮之后，它银行里还剩 700 万美元，又以 4 亿美元以上的估值融资约 4000 万美元。在过去的时代，800 万美元的收入意味着已经具备了系统、人员和流程。这家公司只有八个月大。收入的成熟度与公司的成熟度已经脱节。你付的是 800 万美元收入的价格，买到的却是一个早期生物体。

几十年来，风险投资一直把收入视为公司建设的滞后指标。房间里的问题是，它现在是一个领先指标，还是一个误导性的指标？也就是说，行业是否即将充斥着营收 5000 万或 6000 万美元、却仍然没有 CFO、也缺少公司应有的各种基础构件，只有一个变现良好的产品的业务。Effron 认为是的：不成熟的公司也会达到可观的规模。一家营收 5000 万美元的传统 SaaS 公司，和一家营收 5000 万美元的 AI SaaS 公司是不同的东西。前者是多年的产品工作、客户成功和账户扩张的结果。后者可能一样都还没掌握。合伙人们看到 5000 万美元的 ARR 时，现在会问：这个数字，是否证明公司明天还能再做一次。Raney 说，这是第一性原理式的尽调，而不是炒作，这也正是他们声称这家基金为之而建的工作。