0:00 / --:--
a16z Show · 10 月 4 日
David George 认为，AI 市场扩张可能让前沿模型、开源模型和应用层同时受益，但企业是否从 AI 投入中获得真实回报仍需检验。
David George 认为，AI 的需求尚未真正扩散到广大知识工作者；与其押注「前沿模型还是开源模型」「模型公司还是应用公司」，不如理解为什么市场扩张可能让多层参与者同时成长——但企业回报、基础设施瓶颈与估值仍需检验。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
The Twenty Minute VC (20VC)· 2026-10-2920VC：Anthropic 在 2 万亿美元 IPO 前提交 S1 文件｜传 Instinct 融资 300 亿美元｜微软裁员 27,000 人，Meta 则求助股权市场，为 950 亿美元的资本开支热潮筹资20VC: Anthropic Files S1 Ahead of $2TRN IPO | Instinct's Rumoured $30 Billion Fundraise | Microsoft Laysoff 27,000 While Meta Taps Equity Markets for $95 Billion Capex Spending Spree同主题：AI 投资与经济
All-In Podcast· 2026-09-26Anthropic IPO 面临风险、Meta 的 Muse Pop、Token 价格下跌、开源份额增长、对齐失效Anthropic IPO at Risk, Meta's Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails同主题：AI 投资与经济
a16z Show
David George & Jack Altman on AI, Autonomy, and the Next $25 Trillion
YouTube
音频
这是一场从成长投资视角出发的对话。George 不只讨论模型性能，还把算力供给、企业采购、应用实施、自动驾驶、机器人与融资市场放进同一个框架：技术进步能打开市场，但产品能否部署、客户能否得到回报，以及公司能否持续融资，是不同的问题。
标题中的「下一个 25 万亿美元」并非本集对未来市场规模的精确预测。George 用它指代上一轮移动互联网、社交、电商、SaaS 和云计算等浪潮所创造的市值量级，再提出当前几股技术浪潮合起来可能更大。这是投资判断，不是已经实现的结果。
本集的主线不是简单的「AI 会很大」，而是解释 George 为什么认为多个看似竞争的方向可以同时成立。他从需求与供给的错位出发：目前付费收入高度集中在编程等少数高频场景，广泛的知识工作尚未充分采用；与此同时，数据中心建设受多环节制约。因此，新增算力、前沿模型、较便宜的模型和垂直应用，都可能在一个持续扩张的市场中找到需求。这也解释了他的「答案是‘和’」：前沿模型凭性能和一方产品获得溢价，开放或次前沿模型承接成本敏感任务，应用公司则靠细节、集成和销售实施创造价值。
但 Jack Altman 提出的反问让这套乐观叙事更有检验性：卖 token 的公司收入快速增长，不等于买 token 的企业已经获得相称的生产率提升。George 相信编程效率最终会转化为新产品与收入，却也承认传统企业需要大量落地工作。对话随后将同一逻辑延伸到消费者助手、自动驾驶和机器人：技术展示与大规模普及之间，还有产品形态、成本、制造和制度门槛。最后落到投资上，他认为优秀公司在成长阶段仍可能创造巨大回报，也强调估值和公众叙事会影响融资、招聘与客户信任。整集最有用的读法，是把「市场可能有多大」和「哪些环节已得到验证」分开看。
💬 他们说了什么：Altman 引述投资人 Eric Vishria 的看法：开放模型与前沿模型、既有芯片公司与新进入者，不一定只能活一个。George 将其概括为：面对 AI 的许多「是 A 还是 B」，答案可能是「A 和 B」。他认为基础设施建设才刚起步，当前相关投入约相当于 GDP 的 3%；未来建设规模可能再扩大约 10 倍，但这是跨多年展开的判断，并非一年内发生。
💡 为什么重要：他的论证前提不是每家公司都会成功，而是 AI 可处理的工作量可能大幅增加，使原本看似零和的赛道分别形成足够大的市场。
⚡ 争议点：「市场共同扩张」不能推导出「所有参与者都能获得良好回报」。即便使用量上升，各层的价格、利润率和融资需求仍可能走向不同方向。
💬 George 称，当前几家领先 AI 公司及编程应用合计收入约 1200 亿美元，但大量付费需求仍围绕全球约 3000 万程序员，其中支出又明显集中于最活跃的一小部分。与之相比，他估计全球有约 15 亿知识工作者，AI 在企业经济中的扩散程度还不到 5%；法律等领域刚开始出现采用迹象。
💡 用户数、付费用户数与企业全面部署是三种不同指标。George 的增长空间判断，主要来自「高价值用途已得到初步验证，但尚未进入更广泛岗位」。
⚡ 节目没有给出这些收入、人口和扩散率估算的统一统计口径；编程领域的采用速度，也未必能原样复制到需要更多审批与流程改造的岗位。
💬 George 说数据中心供应链处处受限，一些容量要到 2028 年才可能取得。Altman 据此追问：若当前约 4 吉瓦在线容量变成 8 吉瓦，是否都会被使用？George 判断会，但价格可能变化。他认为主要反例有两个：编程之外的知识工作迟迟创造不了价值；或算法突破显著降低训练和推理所需算力。即使出现效率提升，他仍预计推理需求会很大。
💡 这里把「建得出来」和「用得出去」分开了。短期供给紧张能支撑用量判断，却不能单独证明远期扩建项目的经济性。
⚡ 从 4 吉瓦扩大到 20 吉瓦乃至更多时，用量、单价与盈利能力不能画等号。算法效率提高也可能一面压低单次任务成本，一面催生新需求；净效果尚不确定。
💬 Altman 提出全集最关键的反问：市场已看到「卖 token 的人」收入增长，还需要看到「买 token 的企业」取得可观回报。George 相信更高效地写代码有实际价值，也提到早期研究曾发现使用 AI 编程反而使效率下降约 20%，但他怀疑较新模型下重做研究仍会得到同一结论。他区分领先技术公司与传统大企业：前者已更有信心，后者往往需要更多现场协助。他还认为，好公司可能优先用 AI 做出带来 10 倍或 100 倍潜在收入的新产品，而非只削减成本。
💡 供应商营收是采用信号，不是客户投资回报率。衡量 AI 对企业的作用，还应看产品发布、收入增长、质量与实际成本。
⚡ George 对新模型生产率的判断在这里主要是推断和企业交流，节目未提供可直接比较的更新实验；「代码写得更多」也不必然意味着业务成果更好。
💬 George 估计，几家前沿实验室占据当下相关收入的 95% 以上；重度用户在某些场景愿为前沿 token 支付约 10 倍价格。他认为优势不只有模型能力，还包括模型与工具调用、交互界面等产品系统的紧密配合；Codex、Claude Code 和 Cursor 是对话中的例子。不过，他也预计若未来工作量增长 20 倍至 50 倍，客户会更重视成本，次前沿和开放模型因而有巨大空间。
💡 「前沿」可以服务容错率低、价值高的任务，「足够好且便宜」可以承接其他任务。两类模型共存，比用一次基准测试决定整个市场更符合企业按任务选型的方式。
⚡ 收入份额、融资额和价格溢价都是高度动态的市场数据；现有用户偏好能证明当前需求，却不能保证前沿供应商永远维持同等定价权。
💬 George 预计大模型实验室会优先做编程及其邻近产品，以及面向广泛知识工作者的横向工具。他以 a16z 投资的法律 AI 公司 Harvey 为例，判断法律行业的扩散大约落后编程 12 个月，并称已有终端客户要求律所使用相关产品。Altman 也提到 Legora。George 强调，垂直产品的最后细节、销售和现场实施不容易由实验室包办；即便在编程核心地带，Replit、Lovable、Cursor 等应用也可能各有用户。
💡 应用层的护城河不必只等于「独家模型」。适配专业工作流、连接客户系统、承担实施责任，同样可能形成购买理由。
⚡ 法律工作对准确性和责任界定要求很高；「模型幻觉比过去少」不等于专业审查可以取消。此外，实验室会不会深入某个垂直行业，仍取决于它们不断变化的产品优先级。
💬 两人说消费级 AI 已有超过 10 亿用户，但多数人的用法仍像把搜索框搬进聊天界面；相较之下，孩子更自然地让 AI 创作歌曲等完整作品。George 期待下一步从被动问答转向多模态、语音交互、主动执行且可信赖的个人助手。他自己尝试建立的 10 个自动化流程中，约 2 个已带来明显价值。他认为订阅与某种尚未定型的广告形式可能并存，并预计模型未来 5 至 10 年会显著改进。
💡 用户规模已大，不代表产品形态已成熟。若 AI 能可靠地替人采取行动，消费场景、付费意愿与商业模式都可能改变。
⚡ 主动助手必须解决权限、隐私、错误操作及信任问题；未来广告形态和支付意愿在节目中仍是设想，不能按既有搜索或社交平台的变现率直接推算。
💬 George 把自动驾驶视作被 AI 热潮遮住的另一条技术浪潮。他以旧金山出租车与网约车为例，称更好的产品曾让当地相关市场从约 1 亿美元扩至约 10 亿美元；他预期自动驾驶还可能进一步扩大出行需求。他援引 Waymo 安全表现约为人类驾驶员的 10 至 14 倍，并估计美国私家车综合成本约每英里 0.80 美元，网约车约每英里 2 美元多。若自动驾驶服务兼具更高安全性和更低价格，需求可能明显增加。他还提到美国每年销售约 1700 万辆汽车，完全自动驾驶功能的支付意愿可能达到每车至少 1 万美元。
💡 自动驾驶的投资逻辑不只是替换现有司机收入，还包括安全和成本改善能否让更多人、以更高频率购买出行服务。
⚡ 安全倍数取决于比较范围与统计方法；个人车辆辅助驾驶、限定区域无人驾驶服务和「完全自动驾驶」也不能混作同一种能力。车队制造、运营与监管会影响扩张速度。
💬 两人认为家用通用机器人或许还很远，但安全环境中重复、明确的任务已更适合先行部署。George 举出 a16z 投资的 Mind Robotics：其创始人与 Rivian 有关联，设想先让机器人在汽车工厂承担装配工作，以实际作业建立收入与模型改进的反馈循环。他期待机器人出现类似 ChatGPT 的公众突破时刻，猜测可能在 5 年内，同时承认全面普及会更久。
💡 从有边界、有客户、有回报测算的场景起步，可以同时获得训练反馈与真实采购需求，比直接承诺「走进每个家庭」更容易验证。
⚡ 工厂中的可重复任务不等于通用机器人能力已经解决。「市场可能比语言模型更大」和「五年内出现突破时刻」是嘉宾的预测；就业转型与安全责任也不能只靠生产率增长回答。
💬 Altman 谈到 Benchmark 首次设立成长基金。George 称其观察到私募回报过去大致一半产生于种子轮至 B 轮，另一半产生于 C 轮以后；公司更晚上市可能让后者更重要。他把当前「产品周期」打 9—10 分、资本或估值周期约打 6 分：技术机会很好，价格却不便宜。他认为 AI 的特殊之处是某些公司能把巨额资本直接投入训练与扩容，而不是单纯增加销售人员。谈到 Databricks 和 SpaceX 时，他主张优秀创始人可能持续找到财务模型起初未计入的新业务。
💡 成长投资的核心押注不是今天的收入乘以固定倍数，而是市场能否扩张、公司能否连续推出产品，以及后期投入是否继续产生高回报。
⚡ 「资本越多，能力越强」并非所有 AI 公司都成立，也可能受数据、能源、产品需求或组织能力限制。私募回报分布及周期评分是 George 的分析框架，节目未展示完整计算方法。
💬 Altman 追问公司的公众叙事为何愈发重要。George 回答，估值会影响稀释、融资、招聘和留人，某些情况下也影响客户信任；他以 Palantir 等公司说明，创始人与公司直接讲述自身故事可能带来商业效果。随后谈及 a16z 的规模：George 说机构有约 650 名帮助被投公司的员工，并估计其成长投资覆盖市场约 20%；目标不是无止境增加份额，而是参与最好的机会。他认为下一轮 AI、自动驾驶、机器人等浪潮创造的市值，可能超过上一轮约 25 万亿美元的量级。
💡 在需要持续资本、人才和客户配合的行业里，叙事不只是公关装饰；它可能影响企业获得这些资源的成本。投资机构则试图用更大的专业团队服务多个不同领域。
⚡ 好故事可以放大真实产品优势，也可能让估值先于业绩。约 20%的市场份额与「超过 25 万亿美元」的展望均依赖特定口径和未来假设，不能当作可验证的既定结果。
以下为依据英文发言所作的中文意译，非逐字中文原话。
