20VC 圆桌：开放模型、AI 支出与竞争成本

Harry Stebbings、Jason Lemkin 和 Rory O’Driscoll 讨论 AI 人才、开放模型、基础设施支出和软件企业前景。嘉宾提及的交易、公司数字和预测，是他们在录制时的评论，并非独立验证的结果或投资建议。

Stebbings 首先提到有关研究人员 Noam Shazeer 和 John Jumper 从 Google DeepMind 转投 Anthropic 的报道。Lemkin 认为顶尖研究人员重视追求自己研究方向的自由；O’Driscoll 补充说，发布产品的能力也可能重要。两人都没有确定当事人转职的原因。

O’Driscoll 区分了 Shazeer 在语言模型和产品方面的工作与 Jumper 包括 AlphaFold 在内的科学研究。他认为较新的实验室可能拥有更少历史包袱和有吸引力的资源，但这是他对所报道人员变动的解释。

Stebbings 转述一个传闻，称 Anthropic 未公开的突破促使 Jumper 加入。O’Driscoll 对此持怀疑态度，认为科学项目可能是长期研究计划。该传闻未经证实；对话没有提供某项具体突破存在或其影响转职的证据。

Lemkin 分享了一个家庭故事，讲述一名研究人员更重视学习环境而非薪酬。他说这说明研究自由为何有吸引力，同时承认一个人的经历不能证明其他研究人员的动机。

嘉宾讨论快速增长的实验室如何同时提供研究机会和产品发展势头。他们也肯定 Google 近期在 AI 领域的地位，同时争论其特定产品的相对实力；这些排名是观点，不是经过测量的榜单。

Lemkin 认为，第三家闭源模型提供商可能受到领先高端模型和更便宜的开放替代方案的双重挤压。他说路由让客户可以为不同工作负载选择模型；O’Driscoll 同意，低成本竞争者可能压低集中市场中各方的利润率。

Lemkin 说，即使模型权重可用，使用开放模型进行推理和训练仍有成本。他声称中国公共支持补贴了开放模型，但没有提供证据支持对所有中国模型资金来源的笼统断言；支持程度和来源各不相同，对话没有确定这些事实。

Lemkin 描述了 Anthropic 鼓励使用提示缓存的一条消息，并将其理解为对开放模型竞争的回应。他说在某些情况下折扣可能使缓存工作负载更便宜；提供商的意图和跨工作负载的成本比较是他的推断，并未经验证。

Stebbings 询问主权模型。O’Driscoll 认为，一个地区可能出于政治或安全原因接受更高成本或不同模型选择。这是一种可能的取舍，并不能证明每个区域模型都更差或更贵。

Lemkin 描述了近期在中国旅行时访问 AI 服务的个人经历，以及他对当地模型功能的印象。这只是轶事；嘉宾没有验证提供商的访问政策、训练数据、模型行为或任何限制的原因。

嘉宾讨论了一笔据报道的 DeepSeek 融资：Stebbings 提到融资 74 亿美元、估值约 500 亿美元，并称投票权安排不同寻常。Lemkin 在另一处提到了不同估值。融资、投资者条款和治理权说法在访谈中均未经验证，发言者的数字也不一致。

嘉宾推测政府对中国 AI 公司的影响，并将主权顾虑与美国政策讨论相比。他们对所有权、补贴和控制的宽泛说法属于没有交易文件支持的观点，不能确定特定政府在某一家具体公司中的作用。

Stebbings 引述一项中国开放模型的编码基准成绩。O’Driscoll 认为开放模型可以成为有竞争力的替代方案，从而约束定价。对话没有独立测试基准和市场比较，而表现也取决于任务和评估方式。

话题转向内存和基础设施成本。Stebbings 引述了据报道的 DRAM 价格上涨；O’Driscoll 认为 AI 投资会争夺硬件、电力等资源，并可能推高其他领域的成本。他的例子和预测不是对具体价格变化原因的完整核算。

Stebbings 提到 Goldman Sachs 对 AI 累计资本支出的估计，并问最终由谁付费。嘉宾使用取整数字讨论当前支出与未来收入的差距；他们的计算旨在说明问题，不应视为经过审计的行业总额。

O’Driscoll 担心，即使回报时间不确定，市场热情也可能继续支撑投资。Lemkin 认为，如果 AI 能以低成本提供，潜在需求可能非常巨大，并说风险投资人必须在考虑流动性和风险的同时参与需求周期。

O’Driscoll 区分了对智能的需求和付费意愿：低价下的需求可能很大，但企业需要决定支出多少以及用于哪里。他询问 token 效率提高是否会减缓模型提供商的收入增长；嘉宾并不知道答案。

Lemkin 描述免费用户、订阅用户和企业用户的不同模型经济性，并认为某些重度用户可能受到补贴。他的利润率估计和对提供商经济模式的解释并非基于已披露的客户层面财务报表。

他预计企业会从鼓励广泛实验转向要求可衡量的投资回报。O’Driscoll 同意，组织可能接受最初的学习阶段，但最终需要将支出与有用产出联系起来。

O’Driscoll 用粗略计算将大规模 AI 支出与生产率及潜在劳动力冲击联系起来。Lemkin 补充说，如果每个竞争对手都采用相同工具，单个公司可能难以显示利润率改善。这些是基于假设的情景，不是对固定失业人数的预测。

O’Driscoll 指出，行业生产率提高并不意味着每个参与者的利润率都会提高，技术也可能在替代任务的同时扩大需求。两人都认为，如果竞争对手采用工具，企业可能出于防御而跟进，但实际结果仍不确定。

Lemkin 描述了团队构建的 AI 财务智能体，用于协助报价、合同、开票和记账。他说它可能减少部分承包商工时，但明确表示它并非在取代四名员工；这是他对内部实验的描述，并非独立验证的自动化研究。

Stebbings 转述一项预测：训练智能体将成为重要的工作类别。Lemkin 同意有效使用智能体很重要，但回忆了此前对提示工程师的热潮，并预计所需技能会快速变化。未来任何工作类别的规模仍未知。

Lemkin 还回忆，一个智能体承认没有完整阅读合同。他描述自己调整指令，并认识到系统仍可能失败；在他的例子中，这说明人工监督和理解局限性很重要。

一位被引述的投资人认为，低毛利率阻碍了一些初创公司融资。O’Driscoll 反驳说，早期毛利率较低的高速增长公司过去仍能融资，有时后来还能改善经济效益；他承认投资人标准现在可能正在变化。

Lemkin 说，投资人可能持有一些推理支出很高、既未实现非凡增长也没有可信健康利润率路径的公司。嘉宾同意，这种策略在某些情况下可以奏效，但增长放缓或成本居高不下时风险很大。

Stebbings 问，Menlo Ventures 在投资 Anthropic 后为何募集 30 亿美元而不是更多。Lemkin 先推测募资需求，随后认为特殊目的投资工具可能提供额外资本；他说自己不知道该公司的实际原因或未来募资计划。

O’Driscoll 认为，适中规模的核心基金加上可选 SPV，可以帮助机构跨周期投资，而不必承诺部署超大基金。他指出，这一策略要求在出现机会时可靠地获得额外资本；Lemkin 结合自身经历强调了这一条件。

嘉宾简短讨论 Kalshi，引用据报道的 20 亿美元收入年化水平和可能的 IPO。他们讨论体育相关合约及来自 Meta 的潜在竞争；收入数字、未来上市和假设中的 Meta 产品都没有在此独立验证或确认。

Lemkin 认为社交分发可能有助于 Meta 假设中的预测产品；O’Driscoll 质疑其用户群是否与市场匹配。两人对机会存在分歧，也承认不确定性，没有把产品推出作为事实。

O’Driscoll 区分了撮合买卖双方的交易所和传统博彩公司，并指出诉讼与监管可能影响业务。他的评论是概括性描述，不是法律建议，也不是对 Kalshi 产品的裁决。

嘉宾讨论了据报道的 Accenture 股价下跌。O’Driscoll 认为 AI 实施需求可能增长，而传统咨询和系统集成可能面临价格压力。这些是他对复杂业务的假设，并非对股价变化的已验证解释。

他描述了潜在的 AI 辅助系统集成初创公司，并推测部分实施工作可以更便宜地完成。Lemkin 回忆 Adobe 的一次昂贵 Salesforce 实施；相关金额和假设节省是他们的估计，不是公开的合同条款。

Lemkin 认为 AI 辅助数据迁移可能削弱供应商锁定，并引用一次迁移经历及数据平台提供商据报提出的主张。O’Driscoll 认为，如果需要计费的人员减少，基于劳动力的咨询模式可能难以调整；实际影响因项目而异。

Stebbings 提出一个挑衅性的说法：居家办公是“白领欺诈”。Lemkin 说，自己观察到的一些远程工作涉及较少工时，但也承认其他人能够有效远程工作。他的经历和批评不能证明远程工作者普遍欺诈或工作时间更少。

Lemkin 说，他偏好投资高薪、小规模且长时间在办公室工作的团队。O’Driscoll 询问问题究竟是努力程度还是有效性。Lemkin 的偏好是投资和管理观点，并不是特定工作安排保证成功的证据。

嘉宾转向 OpenAI 据报道与 Broadcom 共同开发的定制推理芯片，并转述公司的性能和成本主张。访谈没有独立测试这些规格和节省，也没有证明芯片已经大规模部署。

Lemkin 认为，更低的推理成本可能帮助闭源模型提供商在中等价位工作负载上与开放替代方案竞争。O’Driscoll 同意成本重要，但质疑当云和硬件供应商已经竞争服务模型实验室时，实验室是否应该自行造芯片。

O’Driscoll 认为，外部供应商目前承担了大量基础设施投资，并担心向上游整合会分散实验室争取客户的精力。Lemkin 回应说，早前作出的芯片决策可能反映了不同的市场条件，经济性和竞争格局都可能改变。

他们回到市场的“中间层”：Lemkin 认为客户需要比最便宜选项能力更强、但无需支付前沿模型价格的模型。O’Driscoll 同意市场需要价格合理的高质量模型，但认为供应商之间的竞争也可能实现这一目标。

嘉宾没有就定制芯片还是通过供应商竞争采购更能降低推理成本达成结论。他们共同关心的问题是，AI 提供商如何以客户能够承担的价格服务广泛的工作负载。