风险投资回报、OpenAI 诉讼与 AI 增长的经济逻辑

Harry Stebbings 首先问：如果 Figma、Datadog 等公司遭到重新定价，软件上市公司的估值下跌是否意味着风险投资难以赚钱？Rory O’Driscoll 认为市场是在分化，而不是全面抛弃科技行业。投资者对预计高速增长与已经成熟的企业，给出了截然不同的估值倍数。

O’Driscoll 认为，高增长公司仍可能获得很高的远期收入倍数。他将风险投资称为追逐趋势的行业，同时提醒，市场认为已经过了最快增长期的企业，估值可能低得多。

Jason Lemkin 担心 Figma 的股价表现对其他不那么出色的软件企业意味着什么。他把优秀产品和投资者支付的价格区分开来，并问董事会该如何回应规模较小或增长较慢的公司创始人。

O’Driscoll 提醒，不要把上市后立即出现的异常高价当成参照。他的意思不是 Figma 公司不好，而是当一家以高增长倍数买入的公司增长放缓、估值倍数也下降时，投资者可能要等待很久。

Lemkin 用带有挑衅性的说法形容风险投资：公司尚未通过自由现金流支撑估值，投资者便通过并购或上市，把高收入倍数转化成现金。他说倍数下跌时流动性可能消失，因此窗口期尤为重要。

O’Driscoll 不认为这种模式是一场骗局。在收益成熟之前，投资者买入一篮子可能成为品类赢家的公司，是因为少数企业可能成长为价值极高的公司，而许多其他公司不会。在他看来，这是有风险的价格发现，并不意味着每一笔高价投资都会成功。

嘉宾区分了一家出色的企业与符合风险基金回报要求的结果。一家收入可观的软件公司可能是了不起的创业成就，但其增长和最终估值仍可能无法满足某只基金的目标。

Stebbings 问，一家收入为 5,000 万至 7,500 万美元、并非 AI 优先的软件公司该怎么做。O’Driscoll 认为，达到这种规模后仍保持 75% 至 100% 的增速，有机会成为重要公司；Lemkin 则指出，投资者的买入价格和持股比例会改变基金层面的计算。

Lemkin 说，与他早年投资相比，更高估值和更低持股比例让最终结果承受更大压力。稀释后如果只剩很小的股份，即使企业以数十亿美元成功退出，基金回报也可能不够有吸引力。

Stebbings 认为，大基金会把普通软件增长速度与增长异常迅猛的 AI 公司比较。Lemkin 建议成熟软件企业寻找直接的 AI 增长动力，并以 RevenueCat 的开发者增长为例；他在 RevenueCat 拥有投资利益。

Lemkin 描述了自己投资的一家公司：它在一个细分产品中加入 AI 分析功能，此前多年增长较慢。他说新能力改变了公司的前景，但将收入翻倍表述为公司的预期，而非已经实现的结果。

O’Driscoll 说，创始人应把难以获得有吸引力的风投资金，与现有企业本身的价值区分开来。创始人可以调整支出、降低对外部资本的依赖，并探索 AI 功能，而不必假设每家公司都必须成为下一家基础模型公司。

他举了一个假设：如果企业收入达到 2 亿美元，并以收入五倍的价格出售，估值就是 10 亿美元。持股 20% 的创始人可能获得丰厚回报，即使漫长而渐进的增长过程对追求极高增速的风险基金吸引力较小。

Stebbings 转向 Thinking Machines Lab 的人员离职。他说这家公司此前以很高估值融资。Lemkin 和 O’Driscoll 把它比作数字后面多了几个零的种子投资：不论融资规模多大，创始人和团队风险仍是早期风险。

Lemkin 质疑实验室领导者是否需要研究方面的公信力，才能招募和留住顶尖技术人才。这是他的看法，并非关于任何人离职原因的调查结论。圆桌并未确定个别员工离开的原因，也没有确定公司的现状或前景。

O’Driscoll 提出一种假设性应对方式：如果早期投资原本押注的团队发生变化，而公司又没有有说服力的替代计划，可以考虑退还未花费的资金。嘉宾并未声称 Thinking Machines 已选择这么做，他们只是在讨论假想案例中的资本配置。

投资者讨论了一个可能的下行情景：优秀团队过去或许具有被收购价值。他们也指出，交易条款和员工留任安排会影响外部投资者最终拿回多少钱，因此新闻中的收购价格不等于股东所得。

迅速收回部分投资，与多年以后才拿回同一笔钱，在经济效果上可能不同。在基金投资期内，这笔资金可能可以再次投入；O’Driscoll 用重新投资一家成功公司的假设，说明基金如何弥补早期损失。

Lemkin 认为，最优秀的 AI 研究人员往往选择有趣的研究课题和信任的同事，而不仅看薪酬。他对就业激励的评论是一般观察，也说自己不知道这些因素是否解释了 Thinking Machines 的情况。

嘉宾把大型语言模型的渐进改进，与 Yann LeCun 提倡的新研究方向进行比较。O’Driscoll 认为后者的研究路径不够成熟，投资风险更高，但也理解探索新方向为什么会吸引科学家。

嘉宾询问，如果宝贵的研究团队离开，投资者可能协商哪些保护条款。他们也讨论美国以外研究机构的吸引力以及主权 AI 项目的潜在作用，但没有把商业结果或人才优势当作确定事实。

Lemkin 说，大多数普通软件初创公司即使付得起高薪，也不能简单招来一个前沿 AI 研究团队。它们可能更需要有技术能力的创始人或领导者，善用已经可获得的模型。

Stebbings 转向马斯克针对 OpenAI 及其领导人的诉讼。嘉宾描述双方立场，并推测动机和结果；他们明确承认自己不是法律专家，任何预测都不能解决存在争议的主张。

O’Driscoll 回顾自己对 OpenAI 非营利起源和后续融资结构的理解。他把最初参与者的公共利益意图表述为自己的解释，并描述对资本密集型 AI 组织该如何融资的分歧。

圆桌将马斯克的立场概括为：他声称自己受到误导，不了解组织打算采取的方向；对立观点则认为，他的钱是一笔慈善捐赠。这些是诉讼中的相互竞争的说法，不是已经认定的欺诈事实。

O’Driscoll 讨论巨额潜在损害赔偿和股份稀释，以说明诉讼的利害关系。这些数字只是他的描述与情景分析，不是法院裁定的赔偿；嘉宾也不确定索赔如何计算，以及最终结果会怎样影响投资者。

嘉宾推测富有的诉讼参与者可能有什么激励，以及诉讼可能如何干扰竞争对手。他们无法知道马斯克的私人动机，这些判断应视为意见。他们也指出，诉讼可能让旧邮件和其他记录公开。

O’Driscoll 说，证据开示可能带来令人尴尬的材料，即使这些材料的法律含义仍有争议。他提到节目中讨论的文件与证词，但参与者对任何具体记录能证明创始人最初意图到什么程度存在分歧。

他认为，法官允许案件继续审理意味着问题仍待裁决，而不是证明哪一方正确。嘉宾随后讨论，一场持久争议是否会因为未来股份稀释的不确定性而使融资更复杂。

Lemkin 预计争斗会漫长且难以预测，并拿假设的和解与其他创始人争议比较。他提出的和解比例只是推测，并不是报价或已报道的协议；圆桌也指出陪审团审判可能取决于有争议的证据。

Lemkin 提出一个个人猜想：Greg Brockman 离开 Stripe 之后可能有什么感受，并明确说这只是他的理论。O’Driscoll 不愿声称自己知道 Brockman 的感受；节目没有提供独立依据，不能把这种想象中的动机当作事实。

O’Driscoll 说，他个人怀疑 OpenAI 创始人从一开始就打算欺骗捐赠者这一指控。他承认，双方仍须就争议进行辩论，而自己的看法是预测，不是法律裁决。

嘉宾讨论公开作证和审判的负担，包括即使没有法律上的胜利也可能造成声誉损害。他们对陪审团和案件持续时间的预测都是推测，对于马斯克胜诉的可能性也有分歧。

Stebbings 问，和解能否避免业务分心。其他人指出，和解取决于双方；他们不知道是否发生过私下谈判，也不知道任何一方愿意接受什么条件。

O’Driscoll 把诉讼风险建模为按概率加权的潜在未来稀释，而不是公司全部价值必然损失。他说投资者需要判断损失幅度和发生概率，但圆桌对两者都无法确定。

嘉宾讨论 OpenAI 面临竞争和运营压力时，诉讼可能在多大程度上影响融资。O’Driscoll 认为应由律师处理诉讼，不应让它吞噬整个公司的注意力；其他人则强调潜在干扰。

Stebbings 问，在竞争激烈的时候引入广告是否可能削弱 ChatGPT。O’Driscoll 认为，服务庞大免费用户群的成本很高，仅靠消费者订阅可能无法覆盖，因此广告是一种可能的商业模式。

O’Driscoll 把这个问题与 Google 和 Facebook 早期引入广告的决策相比。他对免费用户转付费比例的估计仅供说明，并不是 ChatGPT 披露的数据；讨论也没有确定广告上线会带来多少收入。

Lemkin 说，用户寻找产品时，标识清晰且相关的广告可能有用。他以寻找供应商为例，认为如果答案旁边只放一个较小的广告位，执行得当时可能同时帮助用户和广告主。

O’Driscoll 同意少量相关广告可能增加信息，同时提醒，广告过多的界面可能随着时间推移变差。广告位对出价者有价值，本身并不能证明它推荐的是对用户最好的产品。

Lemkin 说，他越来越常用语言模型发现产品，而不是依赖传统搜索。这是他个人的使用经验；模型回答可能不完整或有误，他没有提供独立的替代方案比较。

嘉宾推测 AI 广告增长可能有多快。十亿美元的例子和后续收入预测只是情景分析，不是已报道的业绩；O’Driscoll 指出，即使广告收入可观，也必须与模型开发和服务的更大成本比较。

O’Driscoll 认为，产品发现可能具有商业价值，因为对话式查询可以表达购买意图。他描述自己用 AI 系统缩小电视购买范围，同时承认模型回答也可能出错。

话题转向答案引擎优化，即帮助公司出现在 AI 生成的回答中。Stebbings 披露自己与 Peak 的投资关系，Lemkin 则质疑自己见过的产品是否提供了超出基础建议的价值。他们的热情与怀疑反映了个人经验和投资利益，而不是受控测试。

Lemkin 思考，如果 AI 平台允许外部系统购买广告位，广告技术公司是否可能受益。O’Driscoll 怀疑平台是否需要这些中介销售自有付费广告，并把这一市场与提高品牌在非付费回答中的可见度区分开来。

圆桌讨论 Adobe 收购 Semrush 以及可能的 AI 搜索应用。他们对 Adobe 意图的解释只是推断，不是公司宣布的计划。他们比较了购买庞大客户基础和收购规模较小、试验性更强的初创公司。

两位嘉宾都提到自己过去与被 Adobe 收购的企业有联系。他们认为，分销能力和足够的组织规模可能帮助被收购产品在大公司内部生存，但任何具体收购是否成功仍取决于执行。

Stebbings 问及 ClickHouse 和 Replit 的高估值。Lemkin 将 ClickHouse 描述为起源于 Yandex、后来发展出托管业务的开源数据库技术；他认为，当 AI 改变客户需求时，已有产品可以找到新的增长动力。

嘉宾讨论把受欢迎的开源项目转化为付费云收入的难题。他们关于具体客户、近期增长和融资规模的说法依据听闻，并非经过审计的财务披露。

O’Driscoll 说，以极高收入倍数投资的人，实际上在押注增长能够持续。要使这个赌注成立，公司需要足够大的品类、强势竞争地位和数年持续业绩；否则，即使经营良好，也可能被估值问题压倒。

他区分技术与创始人风险、市场进入与执行风险，以及估值风险。随着前两类风险降低，价格以及增长能持续多久的假设，可能成为后期投资者的核心问题。

嘉宾描述 ClickHouse 的分析型数据库用途，以及查询大量数据的重要性。O’Driscoll 将分析工作负载与交易系统比较，并认为随着机构更多使用 AI，对分析的需求可能增加。

ClickHouse 能否支撑其价格，部分取决于最终市场规模及其与其他数据平台的关系。圆桌与 Snowflake、Databricks 的比较只是粗略的投资假设，不是对实际退出结果的预测。

谈到投资竞争对手，O’Driscoll 认为，持有小额后期股份、获得保密信息有限的投资者，与早期持有董事席位的投资者，可能面临不同的利益冲突。他认为，处于这一阶段时买入相互竞争的私营公司，更接近持有上市成长股。

Stebbings 问及 Replit 的报道估值。Lemkin 说，按他的使用体验，产品改善显著，并描述了自己花约 100 小时制作的一款游戏。这只是个人案例，不是基准测试；讨论中的收入数字和未来增速是假设或未经核实的信息。

Lemkin 回忆自己早些时候无法完成应用开发的尝试，并与近期体验比较。他认为，更强的产品和持续收入增长可能使较高价格的风险下降，但估值仍然依赖未来表现。

O’Driscoll 说，乐观的投资案例假设高速增长能够持续。嘉宾用于说明的年终收入估计不应被误认为实际财务结果，他们也没有提供 Replit 已核实的预测。

O’Driscoll 描述了自己尝试 Replit 的体验：以智能体为中心的界面鼓励用户描述目标，而不是逐行查看代码。他觉得它很强大，但说希望理解代码库的用户可能需要不同的工作流程。

讨论回到大型风投机构跨阶段投资。O’Driscoll 将后期私人市场投资描述为获取长期不上市公司敞口的方式；Stebbings 则质疑竞争激烈的早期融资目前能否提供足够的风险调整后回报。

Stebbings 说，他更愿意在极早期获得有意义的持股，或在一家已有良好业务表现的公司中持有小比例股份，并披露自己投资了 Airwallex。O’Driscoll 反驳，长期来看，风险降低通常也意味着预期回报降低，而暂时的价格失衡并不意味着某个阶段永远没有吸引力。

嘉宾讨论基金在有限合伙人眼中保持可信的同时，能在多大程度上改变策略。Stebbings 以 Thrive 为跨阶段经营的例子；O’Driscoll 同意，有些机构成功建立了早期和后期两方面的能力。

O’Driscoll 最后认为，公司维持私有状态的时间变长，使原本属于公开市场的数年增长转移到了私人市场。希望获得这种敞口的有限合伙人，因此可能要为过去可以在公开市场买到的资产支付类似风投的费用。圆桌把这种变化视为经济权衡，而不是确定的机会。