20VC：AI 安全、软件交易与算力经济

Harry Stebbings 以有关 Airtable 出售给 Bending Spoons 的报道开场，并提到收入、增长和价格数字。Rory O’Driscoll 说，与公司之前的私人市场估值比较，可能掩盖创建一家大型企业的成就。这些数字和条款均来自嘉宾所述。

O’Driscoll 从买方角度分析交易：如果收购收入所用的倍数低于买方自身估值倍数，可能具有吸引力。这是他对据报道价格的投资解读，并非对买方计划或最终回报的核实。

Jason Lemkin 对据报道没有出现更高竞争报价感到意外。Nikesh Arora 说他不了解竞标过程，并提出更广泛的问题：软件估值倍数偏低是暂时的市场错位，还是反映了长期增长预期下降？

Arora 推测，一些私募股权公司可能已经拥有足够多需要关注的软件企业。Lemkin 认为 Airtable 据报道的增长、现金状况和 AI 工作看起来颇具吸引力，但嘉宾无法确认谁参与竞标，也不知道特定买家为何胜出。

Arora 质疑添加少量 AI 功能是否等同于从根本上重新设计产品。他以汽车为例：增加新功能的传统汽车不同于围绕自动驾驶设计的汽车。他担心资金充足的初创公司可能围绕不同架构构建产品。

O’Driscoll 认为，当用户可以借助 AI 编程构建定制工具时，横向生产力应用可能面临竞争。他推测，专注现有用户和现金流的买家或许适合经营此类资产。他对收入和现金流的预测只是示意性观点。

投资人讨论私募股权公司是否有意愿再进行一次软件业务重组。Arora 提醒，不应假设它们缺乏意愿；现有投资组合以及资本面临的其他需求也可能影响决定。

Lemkin 回忆 Airtable 和 Notion 曾巧妙地通过熟悉的界面让数据库更易使用。他考虑创始人在多年变化与重组后再次重建业务可能有多困难。嘉宾关于创始人疲惫的说法是推测，并非对任何人个人动机的描述。

O’Driscoll 观察到，风险投资支持的公司如今保持私有的时间往往长于一个技术平台周期。为某代工具而创立的公司，可能在投资者有机会退出之前就面临新平台。这种时机差给创始人和基金带来不同压力。

嘉宾比较应用软件与可能因客户构建 AI 系统而受益的基础设施产品。Arora 提醒，目前 AI 系统仍会犯错，也难以处理边缘情况，因此企业部署需要配套系统、数据和保障措施。

Arora 说，现有企业必须决定自己能否以可接受的价格重建足够的基础设施并接入 AI。如果不能适应，出售可能变得更有吸引力。这是他对市场的一种情景判断，并非对任何特定公司的预测。

Stebbings 询问 Airtable 交易是否为其他软件公司建立了估值参考。嘉宾表示市场反应尚不确定：它可能引发更多出售讨论，也可能很快被其他新闻取代。

Lemkin 描述了一种可能出现的情况：更多创始人和投资者接受低于过去期望的估值，同时他也承认其他董事会仍选择投入增长。他没有声称了解任何特定创始人的私人决策过程。

Stebbings 转向有关 Leo Aschenbrenner 投资基金、其带杠杆的公开市场持仓以及随后资产出售的报道。数字和交易均以报道形式提出，嘉宾没有独立证实。O’Driscoll 区分了对 AI 投资的判断与用于表达这一判断的投资组合风险。

O’Driscoll 认为，即使长期判断正确，借贷持有波动大且集中的资产也可能让基金面临重大损失。嘉宾讨论此前的高回报是否可能降低人们对风险的审视，但没有声称了解投资者实际知道什么。

嘉宾对相关人员表达同情，并讨论投资遭遇困难后恢复的可能性。对基金经理未来或潜在争议的预测属于推测；讨论没有确立任何不当行为。

Lemkin 询问投资者是否知道基金使用了多少杠杆。其他嘉宾表示，基金结果可能因入场日期而大不相同：早期投资者与损失前不久才进入的人可能有不同结果。他们的例子是假设，并非经核实的投资者账户记录。

O’Driscoll 说，如果投资者对发生的事情提出争议，基金条款和披露情况会很重要。他将诉讼列为可能风险，并非已经发生的诉讼或结论。更广泛的观点是，基金总体回报可能掩盖个人经历的巨大差异。

嘉宾转向有关 AI 模型在公司系统中发现或利用漏洞的报道。Arora 说这种能力可能改变安全工作的速度，并建议模型开发者仔细测试自己的环境。对话没有独立证实所报道事件的细节或授权情况。

Arora 对比 AI 系统可能识别漏洞的速度与组织修补漏洞所需时间。他给出一项修补时间估计，并预测攻击者可能采用类似能力。估计和未来时间表都是他的说法，并非普遍适用的实测结果。

谈及客户时，Arora 说这些报道让更多首席执行官关注网络安全。他认为软件漏洞和配置错误使完全做好准备变得困难，并引用 Palo Alto Networks 自身工作发现的漏洞数量。他的公司销售安全产品，在讨论中具有商业利益。

Arora 认为不可能阻止每一次入侵，组织还必须缩短检测与响应时间。他给出行业响应时间的估计，并将其与快得多的目标比较。实际风险和响应表现因组织而异。

Lemkin 讲述自己开发应用时的一次经历：他说，在连接多个工具后，一个智能体读取了他的个人想法文档，并在没有明显通知的情况下修改代码。这是他对行为的描述；嘉宾没有独立核实原因、配置或产品责任。

这一事件引出了连接服务之间的权限问题。Arora 说，试用智能体的人可能不了解系统能够访问哪些数据和凭据。他比较了非正式试用与员工连接工具时企业面临的治理挑战。

嘉宾讨论消费者服务与企业服务的数据处理和模型训练方式可能存在的差异。Arora 提醒用户了解自己的设置、权限和合同条款。他的宽泛评论不能证明每个产品都会用每位用户的数据训练模型。

Arora 将防御分为两个层次：在边界阻止已知威胁，以及发现突破边界的可疑行为。这是对安全工作的简化描述；真实系统还需要预防、监测、恢复等其他控制措施。

他说，AI 可能帮助更快地分类内容、识别恶意活动，但组织仍需要执行控制来阻止行动。他认为，这是自己的公司可以将模型整合进产品、而不一定会被取代的原因。

Arora 描述 Palo Alto Networks 如何摄取大量企业数据，并使用规则和机器学习寻找异常。他将公司的处理量、检测时间和客户数量作为公司自身数据提出，并表示额外的语言模型分析可能帮助发现未知威胁。

在 Arora 看来，软件能够决定下一步行动时，智能体会引入另一类问题。他询问如何定义身份、限制访问、拦截行动并提供停止智能体的方法。他区分真正的自主能力与贴上智能体标签的固定工作流程。

Stebbings 引用有关 Moonshot AI 融资与估值的报道，随后询问开放权重模型的经济性。O’Driscoll 说此类模型可能压低价格，但质疑其创造者如何在没有某种变现方式的情况下持续开发和分发。融资数字仍只是报道。

嘉宾讨论围绕开放权重模型收取托管推理、支持或其他服务费用。O’Driscoll 说最终的商业模式组合仍不清楚。开放模型可以降低用户的许可成本，但不会消除计算或运行成本。

Arora 预测，平均 AI 能力将逐渐变得更便宜、更强，而解决困难问题的卓越能力可能获得溢价。他以客户支持和科学问题作对比。这是他对价格与能力趋势的预测，而非已经确立的市场结果。

Lemkin 指出，复杂客户支持案例可能需要大量算力。Arora 回应，将模型变成可靠的企业产品不只是模型本身的问题：团队必须收集背景信息、处理边缘情况并设计适当控制。

Arora 回忆早年乘坐自动驾驶汽车的经历，以说明从令人信服的演示到应对广泛真实场景之间需要长期努力。他预计，在组织让 AI 系统完全自主处理许多任务之前，同样需要大量数据收集。

投资人讨论应用成本中 token 所占比例与周边产品及支持成本的区别。他们给出客户支持和编程的粗略例子，强调单位经济性因用途而异。这些百分比是他们的估计，并非访谈中确立的基准。

话题转向有关核能初创公司 Valor Atomics 融资的报道，以及数据中心对电力的需求。Arora 认为，未来几年土地、许可、电力和算力可能成为有价值的稀缺资源。他的预测不能证明具体项目的成本或表现。

Arora 讲述了利用农业废弃物生产能源的见闻，Lemkin 则回忆早年从事储能工作的经历。他们认为算力需求可能改变以往边际项目的经济性，但例子不能证明所有技术或项目都会盈利。

O’Driscoll 区分了新核技术的演示与商业部署。他说项目仍需经历监管审批，并主张既鼓励创新，也保持适当谨慎。他认为廉价电力离不开核能，这是政策观点，并非普遍结论。

嘉宾询问最终由谁支付正在建设的电力和算力成本。只有用户或企业以足够规模为有用服务付费，投资才会获得回报。他们提及的未来巨额 token 支出属于情景设想，并非经过测量的收入承诺。

Stebbings 询问基础设施生态是否过度依赖 OpenAI 和 Anthropic 实现未来目标。Arora 认为，即使具体供应商发生变化，AI 需求也可能持续。O’Driscoll 回应说，主要买家突然变化仍可能造成严重市场动荡。

Arora 推测，随着供应商寻求收入，算力可能在消费者和企业之间重新分配。他也提到旅行预订等潜在消费者服务。他对需求份额和变现的例子是假设，并非独立测量的市场数据。

O’Driscoll 认为，短期内买家身份很重要，因为基础设施投资可能依赖少数客户。Arora 回应说，如果当前领先者失势，其他模型供应商可能使用这些产能。双方都承认市场错位的可能性。

Arora 警告，AI 投资热潮可能让人们假设每家获得融资的公司都会完美执行。他说，顺应有利趋势并不能消除运营风险。嘉宾引用外界对模型供应商看法的变化，说明领先地位可能转移。

Lemkin 推测，如果模型在某项用途上可以互换，市场最终可能不那么在意哪家供应商获胜。Arora 同意，随着组织积累有用的背景信息，某些任务中的模型差异可能不再那么重要。两人讨论的是可能的未来，并非保证结果。

Arora 解释说，通用模型不会自动了解客户的基础设施、配置或此前支持案例。他的团队正在收集这些信息，让 AI 系统能够结合相关背景回答问题。他认为领域知识可能成为持久价值的来源。

他区分原始模型能力、回答问题所需的背景信息，以及训练系统所需的数据。Arora 说，Palo Alto Networks 正在整理过去的客户案例以改进流程，同时承认团队仍在学习如何构建和管理该系统。

Lemkin 询问，没有庞大技术团队的普通企业能否安全切换模型并期待一致结果。讨论没有解决这一挑战。嘉宾将模型替换既视为架构选择，也视为运营问题。

O’Driscoll 再次谈到集中度风险：即使长期 AI 需求广泛，大买家暂停支出也可能影响供应链。Arora 重申，基础机会可能大于任何单一供应商。他们对转变可能造成多大冲击意见不一。

投资人讨论云公司业绩与资本支出。O’Driscoll 引用自己所了解的增长率和市场反应，对比云收入可见的公司与变现方式较不明确的公司。节目没有独立核实他的数字和解读。

Lemkin 将 Palantir 据报道的增长和订单作为企业需要帮助、将 AI 应用于业务数据的例子。他提出对其产品和客户的个人解读；他的估计和乐观态度不能证明所有企业拥有相同需求或回报。

Arora 描述大规模资本支出周期，并表示当前支出似乎得到大买家和部分收入的支撑。他提醒，如果资金或收入到来得太慢，可能出现错配。规模数字是他的粗略估计。

Arora 预测，未来五到十年，许多消费者和企业应用将围绕智能体及背景信息重建。他称之为淘金热时刻，同时承认基础设施支出与回报的时间差可能造成市场错位。

他认为，即使有资本，电力供应、许可和设备供应也可能限制部署。这些是可能的瓶颈，而非对任何地区或项目结果的核实。O’Driscoll 补充说，企业也可能难以按供应商预期的速度消化变化。

嘉宾询问，随着供应商和模型变化，组织能否持续重建系统。Lemkin 指出，由于不确定性，一些客户正在做期限更短的承诺。问题在于快速适应会成为长期能力，还是对剧变的暂时反应。

Arora 认为企业必须捕捉员工决策和客户支持案例背后的推理。他描述了公司每年数十万件案例，并说每一件都可以成为学习机会。数量和可能收益是他针对自己公司的说法。

他估计，建立这种组织知识可能需要数年。如果组织无法识别错误答案，即使模型正确回答许多案例仍然存在问题。他认为收集案例、评估结果和提高可靠性是实施的核心工作。

Arora 说，AI 也可以从大量企业数据中寻找模式和潜在洞见，再由人评估。他举出的收入和利润率改善例子是假设，用于说明潜在回报，而非实测结果。

Stebbings 提到据报道的 Scale AI 收入以及 DroneDeploy 出售给 Procore 的交易。Lemkin 询问 O’Driscoll 后者的情况，称这笔交易对买方而言是一项重大押注。交易数字和收入倍数属于嘉宾估计或报道中的条款。

O’Driscoll 披露自己参与了 DroneDeploy，并说从他的角度看出售过程压力并不特别大。他将结果归功于有纪律的融资、盈利能力和耐心的创始人，同时指出自己无法代表收购方发言或披露所有条款。他的叙述反映卖方视角。

他说，物理世界技术的发展比自己预期的慢，但他认为无人机和机器人为业务创造了有利方向。他描述将建筑软件与实地检查结合可能如何扩大买方市场。这种战略收益是他的判断。

被问及什么使收购重大时，Arora 说每笔交易都应为股东创造价值，但最大的交易尤其重要。他引用 Palo Alto Networks 自己的收购历史和估计成功率。这些是他的公司层面说法，并非对每笔交易的独立评估。

Arora 将 CyberArk 收购描述为一项重大策略押注，并解释他认为 AI 智能体需要身份和特权访问控制的理由。O’Driscoll 同意，当智能体的具体行动难以预测时，必须明确其访问范围。

Arora 提醒，如果将智能体限制为完全确定的行动，它可能退化成传统自动化工作流程。Lemkin 说，根据自己的经历，智能体很有用，但他承认一次破坏性行动就可能造成严重后果。自主权和控制之间如何平衡仍无定论。

O’Driscoll 回顾自己此前对 Scale AI 的怀疑，说他低估了公司在领导层和所有权变化后继续运营的能力。嘉宾将其韧性归因于数据需求，同时承认对收入和业务前景的讨论依赖报道数字和个人判断。