A 轮基金的投资算术、SpaceX 的雄心与 AI 估值之争

Harry Stebbings 首先讨论 Ramp 的 AI 支出数据。他说，在近期一段时间内，Anthropic 占该样本新增支出的 73%，并问 OpenAI 是否正在失去对企业 AI 市场的掌控。Rory O’Driscoll 强调要区分新增支出与现有支出：同一数据中 OpenAI 的总支出仍居首位。这些数字描述的是 Ramp 样本，而非整个市场。

O’Driscoll 认为边际支出的变化是领先指标，但提醒说该数据集的客户构成有其特点。科技公司和快速发展的初创公司所占比例偏高，因此他不会把这些比例直接推广到所有企业。即便有这一限定，嘉宾仍认为数据有意义地反映了 Anthropic 近期的势头。

Jason Lemkin 同意，科技生态内部的情况看起来有所不同。按照他的经验，开发者和初创公司对 Claude 越来越热衷。这并不能证明主流消费者或所有企业客户也有相同趋势，一个群体中的领先也不能单独决定更广泛的竞争结果。

嘉宾讨论 AI 领域看似不可战胜的优势可能消失得多快。Stebbings 回忆曾经有一段时间 OpenAI 似乎不可撼动；嘉宾认为，当产品和模型性能能在几个月内变化时，领先地位并不像看起来那样持久。当前需求强劲是一项优势，却不能保证永久垄断。

Lemkin 提醒不要把暂时的领先光环当成永久状态。他指出，新版本发布和组织变化的速度意味着，即使某家公司今天看起来占据优势，投资者也应警惕局势逆转。嘉宾在这一背景下讨论了 OpenAI 的产品和组织应对。

O’Driscoll 认为，大公司可以集中解决少数关键问题来追回失地，而不是试图同时赢下所有竞争。他看到 OpenAI 正在解决重要问题的迹象，尽管他希望这些行动来得更早。他对公司策略的评价并不能证明竞争已经分出胜负。

Lemkin 说，天天使用编码工具的人尤其能感受到其进步。在他看来，这种体验部分解释了开发者为何如此热衷于竞争模型。他也提醒，随着供应商推出更强的版本，看似明显的领先可能迅速易手。

嘉宾讨论 token 使用量能否可靠反映模型竞争格局。OpenRouter 的数据提供了观察一个分发渠道的有用窗口，但不能代表所有直接 API 和消费者使用情况。按 token 数量比较时，还需要考虑不同模型完成同一任务所消耗 token 数量的差异。

Lemkin 说，在应用中切换模型并不总是像修改配置文件里的名称那么简单。团队必须测试输出、调整提示词和配套框架，并确保现有工作流仍按预期运行。他说，对于自己的 SaaStr 智能体，除非改进足够显著，否则这些工作会让他不愿切换。

习惯也很重要。Lemkin 说自己用 Claude 完成部分工作，但某些研究任务仍习惯使用 ChatGPT。他把这当作使用习惯的例子，而不是全市场的测量：某项基准上最好的模型，不会自动成为客户处理所有任务的首选工具。

嘉宾再次讨论比较模型经济性的难题。他们提到对 token 消耗和效率差异很大的估计，但承认严谨的比较需要任务和输出质量相当，并具备完整成本数据。仅凭原始 token 数量，无法确定哪个产品最便宜或最有用。

Stebbings 转向马斯克拟议的 Terafab 芯片工厂，以及 SpaceX 在轨道上建设计算基础设施的可能性。讨论涉及 Tesla 和太空数据中心可能带来的需求，但未来用途及其规模仍属设想。嘉宾还讨论 SpaceX 可能以 2 万亿美元估值上市；这是一个情景，并非已经完成的发行。

O’Driscoll 区分了宣布计划、建成运转的芯片工厂，以及形成可运行的轨道数据中心网络。预测市场对估值给出的概率是投注价格，并不能证明该估值或相关项目将会实现。商业可行性取决于执行、成本和时间。

嘉宾认可马斯克建设雄心勃勃企业的经历，同时讨论应对他的时间表给予多少信心。O’Driscoll 指出，重大项目可能比最初预期耗时长得多。Lemkin 更愿意肯定长期雄心，但嘉宾并未确立轨道计算的可行性或经济性。

他们讨论在太空使用太阳能的理由，以及在轨道上发射、运营和更换计算基础设施的障碍。这些是针对拟议系统的不同判断，而非经过验证的工程或财务结论。估值讨论既取决于投资者认为最终可能建成什么，也取决于当前正在运营的业务。

嘉宾把投资者可能赋予 SpaceX 价值的多项现有业务，包括发射服务和 Starlink，与仍属设想的未来业务区分开来。Lemkin 质疑，当公司估值还包含尚未产生预期结果的项目时，应如何运用传统现金流估值。嘉宾没有得出什么估值才合理的结论。

Stebbings 引述《华尔街日报》报道，称 Jeff Bezos 正在寻求建立一个规模达 1,000 亿美元、聚焦 AI 和工业企业的投资工具。嘉宾讨论这一计划可能对现有行业产生什么影响。报道呈现的是一项拟议计划，并不能证明如此规模的基金已经成立或完成投资。

嘉宾比较推动工业变革的几种方式：从零创办新公司、向现有企业提供软件，或收购并改造一家传统企业。每种方式需要的资本不同，执行风险也不同。他们对 Bezos 目标的猜测不应被误认为是他本人对意图的表述。

收购策略可以让科技投资者获得现成的分销渠道、客户和资产，但改造一家成熟企业并不容易。嘉宾以 Walmart 为例，反驳传统企业无法适应变化的观点，指出其在互联网时代的竞争能力。收购大型企业也意味着需要支付市场已经认可的价值。

嘉宾讨论创始人在获得巨大财务成功后再次创业的吸引力。他们认为，大型工业项目可能提供与单纯投资不同的挑战。这些只是发言者的解读，并非经过验证的个人私下动机。

话题转向可以在哪里建立和管理雄心勃勃的工业企业。嘉宾交流了关于创始人、区域生态系统，以及改变成熟企业所需实际工作的观察。他们的更广泛观点是，为项目融资与把项目经营好是两项不同的挑战。

Stebbings 提到报道中的 Nvidia 与 Groq 安排，以及约 200 亿美元的媒体所报金额。嘉宾讨论推理技术和人才对规模大得多的买方有何价值。他们也推测交易结构和经济利益；在没有底层交易文件的情况下，对收益、税款和转移权利的估计不应视为已确立事实。

嘉宾讨论，相对于 Groq 报道中的收入而言非常高的价格，对战略买方是否可能合理。O’Driscoll 认为，买方对技术、人才和速度的估值方式可能不同于独立公开市场投资者。仅凭倍数既不能证明价格合理，也不能证明获得的能力会带来预期回报。

发言者认为 Groq 已展示产品和商业需求，同时把这些成就与报道中高得多的估值区分开来。他们提到的收入和创始人所得都是谈话中的估计。重要的投资问题是，买方能否以小公司单独无法达到的规模运用这项能力。

嘉宾还讨论交易形式是否影响税收和投资者回报。他们举例时假设了特定资产转移和税务处理，但访谈没有独立证实这些条件。实际经济结果取决于签署的协议、权利、实体结构和适用法律。

Nvidia 话题以一个关于战略结果的更广泛观察收尾：特殊买方可能为时间、人才或基础设施付费，而不是遵循传统收入倍数。这种可能性对创始人和投资者有意义，但嘉宾并未暗示每家高估值 AI 初创公司都能找到这样的买方。

Google 推出 Stitch 后，Stebbings 把话题转向 Figma。他披露自己持有 Figma 股票并描述了这笔投资的亏损；他也披露持有 Amazon 股票。嘉宾对新的 AI 设计工具会在多大程度上改变 Figma 前景，以及股市是否反应过度，持不同看法。

O’Driscoll 认为，概念验证本身不应决定成熟产品的价值。他还指出，市场可能正在重新评估软件收入的持久性，而不只是对单次演示作出反应。在他看来，长期价值取决于公司最终能赚多少钱，而非某一天的股价变动。

Lemkin 说他试用了 Stitch，认为其能力令人印象深刻，同时提醒 Google 是否愿意持续投入产品对客户很重要。他的体验是个人产品评价，而非独立的直接对比研究。嘉宾讨论，随着工具变化，Figma 能否把成熟的工作流和客户关系转化为优势。

投资者讨论为什么一家软件公司公布的收入尚未大幅下滑，其股价就可能下跌。如果投资者对当前收入能否持续的信心下降，他们可能对相同的现有收益给出更低估值。这是他们对市场行为的解释，并不能证明某家公司一定会失去客户。

Lemkin 认为，成熟软件企业既面临机会，也面临艰难转型：它们可以在受信任的产品中加入 AI，但也背负现有功能、集成和技术债务。成功应对需要有用的产品，以及展示客户需求的方式。嘉宾对 Figma 产品和管理层的判断，是基于自身经验形成的观点。

嘉宾讨论 Figma Make，以及什么证据会改变他们的看法。Lemkin 说，传统企业需要证明其智能体产品能够与新工具竞争；O’Driscoll 强调应给团队回应的时间，同时观察真实客户采用情况。两人都不认为简短的产品演示足以全面检验长期结果。

Lemkin 提醒，技术债务不仅是旧代码：成熟产品还积累了多年的功能和集成。这些负担使产品快速变化更难，同时也给现有客户留下来的理由。他担心如果应对进展不够快，公司可能落后，同时承认未来执行情况仍不确定。

被问及是否会在软件股大跌后买入时，Lemkin 说，他宁愿错过最初的反弹，也不愿假设公司已经解决 AI 带来的挑战。O’Driscoll 同意，可能出现短期反弹，与确信企业将在五年或十年后取胜，是两回事。他们的发言是个人投资观点，并非投资建议。

Lemkin 提议把能否为 AI 收费作为检验产品价值的方法之一。如果公司无法说服客户为新能力付费，他会质疑这种能力是否足以改变其业务。这是他的经验法则；其他定价策略和捆绑产品可能使价格与效用的关系更复杂。

对于面向小型企业的软件，Lemkin 建议观察 AI 能否使每用户平均收入至少提高 50%。根据 Notion 的公开表述和定价，他认为其价格提升可能相当明显，但承认它是一家私人公司，他的推断依赖不完整信息。这一门槛是他的经验法则，并非行业标准。

O’Driscoll 扩展了这一检验：公司应当能在某个方面展现进展，无论是定价、增长加速还是合同金额。嘉宾以 Notion 的定价为例，Lemkin 则说他看到 Slack 的 AI 功能有潜力。这些评价基于他们的使用体验和对公司信息的解读，并非经过验证的因果证据。

Stebbings 提到 Kleiner Perkins 宣布的基金，并认为如今领投 A 轮可能需要大约 10 亿美元规模的基金。他的示例假设进行 20 笔投资，每笔首投约 2,500 万至 3,000 万美元，并为后续投资准备额外资金。结论取决于机构选择的投资组合规模、目标持股、投资金额和储备政策。

O’Driscoll 说，他所在机构约 9 亿美元的基金对于 A 轮业务具有相当规模，但并非每笔交易都需要相同金额。他举例说，平均首投 2,000 万美元，储备金额为首投的 50%，每笔交易计划投入合计 3,000 万美元。考虑到退出等待时间更长，他倾向于投资接近 30 家公司的分散组合。

有一个澄清对计算很重要：储备金额等于首投的 50%，并不等于把总资本的一半留给后续投资。在这个例子中，首投 2,000 万美元，储备 1,000 万美元，因此首投占总计 3,000 万美元的三分之二。嘉宾强调，行业里两种储备口径都有人使用。

O’Driscoll 说，对他的机构而言，A 轮或 B 轮首投是核心投资，而不仅仅是以后投入大得多的成长资金的一个小额选择权。设有独立成长基金的机构可以采用不同策略。因此，合适的基金规模取决于机构希望持有多少股份、支持多少家公司，以及计划如何为它们融资。

Stebbings 问融资轮规模增长是否让投资经济性变得困难。O’Driscoll 说，过去约一年到一年半里，他所在机构目标市场的平均融资规模有所上升，但他仍能找到合适的交易。在最需要资本的领域，3,000 万或 4,000 万美元的投资可能已不具竞争力，投资者必须决定风险是否值得承担。

嘉宾把基金增长和估值变化与早期风险投资周期作比较。O’Driscoll 估计，与 2010 年相比，他所在机构投资所对应的估值大约翻倍，同时认为整个行业涨幅更大。这些是他对自己投资组合和市场的观察，并非全面的市场数据。

Lemkin 说，随着融资规模增长，投资者必须在集中押注与接受较低持股之间权衡。他提到一个报道中的退出持股例子，说明即使经历稀释，极大规模的退出仍可能让种子基金获得不错结果，但他说自己不知道该持股数字背后的细节。这个例子是情景分析，而非对某只基金回报的经验证计算。

O’Driscoll 开玩笑说，数学本身没有变，变化的是更高入场价格所隐含的风险。Lemkin 同意，更高的估值需要最终取得更高的结果才能支撑回报。两人都觉得交易规模变化速度异常快，但这种比较来自他们的经验，并非经过测量的历史结论。

Lemkin 指出另一项风险：高私募估值可能使公司只剩下很少的潜在收购方。如果一家初创公司的价格高到传统企业买不起，又无法以有吸引力的条件上市，即使业务优秀，投资者回报仍可能令人失望。他没有声称收购不可能发生，而是质疑在投资者接受的价格下究竟有多少买方。

O’Driscoll 举出假设例子：一家私募估值 100 亿美元的 AI 应用公司，最终上市时可能只值 50 亿美元。根据证券条款，最后一轮投资者可能蒙受损失，也可能获得改变经济分配的合同保护。这只是情景示例，并非预测，也不是对某家具体公司融资的描述。

嘉宾讨论二级市场出售是否能为早期投资者提供流动性。他们提醒，即使一家企业很优秀，其阶段性私募估值仍可能高于买方或公开市场最终愿意支付的价格。是否出售取决于具体投资、可获得条款和预期；他们的讨论没有确立适用于所有情况的正确策略。

O’Driscoll 补充说，宣称能替代客户更多工作的 AI 应用，估值可能高于它们试图取代的老牌软件公司。这可能造成战略悖论：最可能从收购挑战者中受益的传统企业，也许无力支付收购价格。更早进行规模较小的收购或许可行，但同样存在不确定性。

Lemkin 说，如果大型现金收购足够频繁，能提供可信的退出途径，他会对高估值感到更安心。他担心，以高账面估值融资可能比实现有意义的实际退出更容易。这是他对市场状况和流动性的评估，并不是说每家高估值公司都会失败。

O’Driscoll 说，他的机构参与了市场的一部分，同时避开了某些最高估值。他承认，在上涨市场中这种克制看起来代价不小，并肯定了早期大胆投资 Anthropic 的投资者。他预计纪律可能在完整周期中证明其价值，但承认结果尚未知晓。

Stebbings 说，他后悔没有更灵活地执行 A 轮基金的投资授权，也没有利用自己的机会更早参与热门公司。O’Driscoll 把这转化为投资组合决策：管理人可以把几个同等规模的投资名额用于后期动量交易，而不是用于 A 轮首投。这种选择可能带来账面升值，但也会改变持股、集中度和退出风险。

嘉宾讨论，对杰出 AI 公司的后期投资是否最终可能以更低风险获得与早期押注相当的回报。O’Driscoll 以 Anthropic 说明这一观点，同时质疑其他应用公司的市场是否足够大，能够支撑其价格。后续融资中的估值上调并不等于已实现回报。

O’Driscoll 指出，动量投资按定义会在上涨市场中奏效，因此很难区分投资技巧与市场周期带来的收益。Stebbings 回应说，当其他人快速获得账面升值或流动性时，纪律严明的投资者可能看起来落后。他们最后提出基金管理人面临的问题：什么时候应坚持策略，什么时候才有充分理由改变它？