🎙️ 今天這幾集
一句話:Helsing 創辦人談無人機取代坦克、硬體夠用軟體補精度,以及直取國家級採購案
Helsing 共同創辦人 Torsten Reil 開場說坦克的時代大概結束了。烏克蘭前線俄軍士兵存活約二十到三十分鐘,坐進坦克更短,那是第一順位目標;火砲退到後方四五十公里照樣被無人機找到。ISR 無人機負責看見,FPV 或攻擊無人機負責打擊。FPV 是四軸、多半人工遙控、靠光纖抗干擾,烏克蘭一年造約兩百萬架;Helsing 的 HX2 屬攻擊型,炸藥酬載二到四公斤、航程約一百公里,由 AI 控制。全線 GPS 與影像回傳訊號都被壓制,導航只能靠 AI 認地貌,日夜、雪地與砲彈炸變形的地表都能用,終端導引約最後兩公里。他一年前說十萬架攻擊無人機擺在邊境就能嚇阻歐洲地面戰爭,被罵挑釁後仍維持原話:對面開來三千輛坦克,十萬架不靠 GPS 的無人機幾小時內清掉。結論是把人送上這種戰場既打不贏也不道德,地面換機器人、天上換無人戰機。
公司 2021 年 3 月成立,當時銀行的 ESG 把民主國家的國防和色情、賭博、菸草歸在同一類,公司周邊有人因此借不到錢。三位創辦人分工是募資與建團隊、軍方與政治流程(出身 McKinsey 航太國防),以及 AI 工程(前一家公司替歐洲老牌國防承包商解 AI 問題);Reil 與前者在柏林咖啡館見面三十分鐘就拍板。種子輪 800 萬歐元,約三個月後 Daniel Ek 用自己的錢投一億歐元,Reil 說他比較像第四位創辦人;十一個月後烏克蘭戰爭爆發。動機是 2014 年克里米亞,加上美國有 Anduril 和 Palantir,歐洲沒有對應的公司。有了那一億歐元,他們走新創通常避開的路:直接搶 program of record(政府預算內的正式採購案)並當主承包商,錢夠才賠得起前兩三次失敗。成立兩年四個月後與 Saab 合作拿下德國 Eurofighter 電子作戰升級案,突破口是防空雷達改軟體定義後會變形、舊解法失效,他們用深度學習重建判讀。
第二個案子是無人戰機。首席科學家來自 Meta、曾共同主持 Facebook AI Research,兩年前設定的題目是勝過人類的視距外空戰飛行員,沿用 AlphaGo、AlphaStar 那套強化學習,配一具跑到即時速度兩萬到兩萬五千倍的模擬器。先贏自家模擬器、再贏老牌承包商的官方模擬器,去年在波羅的海用 Saab Gripen 實飛,AI 全權操控對上人駕 Gripen 打三場,現已能指揮機群。與老牌承包商合作太慢,他們買下慕尼黑郊外一家有跑道、機棚和整機產能的飛機廠,自造 CA-1 Europa,明年首飛;德國法規要求機上有人,就在前座放一位安全駕駛,設計不改。硬體做到夠好就停、複雜度吸進軟體:感測器簡單一點靠演算法補精度,製造公差放寬靠軟體邊跑邊校正。HX2 去年七、八月從一個月數十架拉到基準一千架,小廠可衝三千架;瓶頸不是產能而是大案子還沒到齊,德國剛簽下十億框架合約。工廠叫 resilience factory,分散、可地下化、可蓋在客戶國土上;CA-1 也設計成能從公路起降,因為現有戰機依賴的少數空軍基地是明顯目標。德國國防預算從去年 520 億歐元,原訂 2029 年到 1530 億、現已上調到 1800 億以上,兵員不增,錢多半落在裝備。
招募是他在前一家公司最大的疏忽:Helsing 成立前簽的第一份合約就是跟外部獵才公司,頭一年三位創辦人每週盯招募 KPI。找人進來和請人出去是同一件事——管線夠強主管才敢處理不適任者,否則永遠會說開掉他就趕不上死線。每季校準會議不審員工,而是聽主管解釋評等理由並由他扛。他面試只看一個特質:不刻意表現、對領域有深度、同時仍好奇且行動力高,十分鐘內判斷;Natural Motion 時代看走眼三次,名字到現在都記得。公司現有 1,300 人,員工自己重寫價值觀,最高一條是 whatever it takes,再來是 the truth is in the field。1999 年 Reil 在英國讀複雜系統博士,用基因演算法優化全循環神經網路,某天早上看到兩足生物在螢幕上走完,於是創了 Natural Motion;Endorphin 用在魔戒、蜘蛛人、哈利波特,一套授權只賣五萬美元、賺不到錢,後來替 Rockstar Games 做即時版,進了 GTA IV、GTA V、碧血狂殺。真正起飛是自己做遊戲:定價 99 美分(同業堅持手遊至少 5 美元才有價值感),再做出免費遊玩的 3D 賽車遊戲 CSR Racing。他把兩段創業的共通處歸成從不屬於同溫層:生物圈、遊戲圈,現在的國防圈都不是。收尾他說社群平台上的評論創造零價值,要嘛去做,要嘛別談。
一句話:模型不是大宗商品,舊護城河多半沒被動搖,價值往應用層與消費端移動。
a16z 的 Anish Acharya 睡前拍下身上那條 Frame 牛仔褲,叫 Grokbot 用 500 美元內照樣買一條,隔天早上它已挑到同版型不同水洗的一條並刷卡下單。他判斷多贏:兩週前 xAI 還算不上對手,現在兩強賽變三強賽;年初 Anthropic 怎麼做都對,接著 OpenAI 靠新模型、Codex 介面和 ChatGPT 桌面版扳回三個月。Anthropic 預計今年稍晚上市。泡沫論已被講完,少人談的反向風險是樂觀得不夠:B200 這種不算最尖端的 GPU 每小時租金還在漲,這類東西通常一路降價,漲價代表供給受限、需求近乎無限。二月 SaaS 股回檔三到四成,他們說市場超賣,如今同一批多已漲回四成;企業軟體只佔支出 8 到 12%,自己 vibe code 一套薪資或 CRM 上檔有限、下檔無限,算錯有法遵後果。
護城河他引 Seven Powers:網路效應、規模、品牌都沒被便宜智慧削弱,再多 coding agent 也不會讓 Nike 不是 Nike,Instagram 的力量從來不是 app 難寫。被打開的是整合:SAP 難到光升級版本都算風險,coding agent 讓它變簡單,系統整合商的價值被打上問號。模型也沒變成大宗商品:GLM 5.2、5.3 很字面、只做你交代的事,Kimi K3 開放愛自行發揮,兩種心智形狀組織裡都用得到。分工是產品、銷售、工程、研究這種報酬無上限的職能用前沿模型,多一個 IQ 點也值得付錢;結帳這種做準就封頂的用開放權重模型加強化學習跑成本效率曲線。Decagon 創辦人寫過,開放權重對這種公司不只便宜,而是唯一選項,因為要能自己在地化微調;Harvey 同路,代價是失去通用性。
年初 Anthropic 推出法律 plugin(其實就是一包 skill 檔案、長提示詞)時 Thomson Reuters 等法律股大跌,但實驗室後來是往下整合到推論與算力,不是往上吃應用層:推論工作同質能做規模,應用層的定價、包裝、採購太雜。應用層像 Salesforce 把 AWS 變成 CRM:信用合作社要的不是砍一半人力,是人力加倍還能賺錢。他用 Expedia 比喻模型聚合:Cursor 前沿模型規劃、次級模型執行,創作工具把 ElevenLabs 的語音與 Black Forest 的影像收進同一個殼。消費端終於輪到:他自建的 X 時間軸 app 每多一個使用者成本 250 美元,開放權重模型把它壓下去;沒有 AI 版 app store,現在還是 DOS 時代等 Windows。一月的 open claw 只在開發者圈流行,個人代理到 Grokbot 這批才跨進消費者。a16z 投資的 Town 接手主持人兩萬封未讀私人信箱,第 30 天已能替她做假設,像資深員工。定價天花板也搬了,20 美元曾是上限,現在要問 200、2000 美元的方案長什麼樣。創辦人 MBA 變少、研究員變多,商業成熟度低、技術成熟度高;新設企業數除疫情高峰外創新高,是原本會當 YouTube 創作者的 25 歲年輕人改替社區寫軟體。
一句話:Cursor 兩年內從 IDE 換到 agent 再換到模型平台,靠的是敢說不。
2023 年底到 2024 年初,檯面上的模型是 GPT-4o、Claude 3、Llama 3,寫程式的共識工具是 GitHub Copilot,agent、迴圈、推理都還不存在。Matt Bornstein 說當時一批公司押注得訓練寫程式專用的基礎模型,另一批做 VS Code 外掛,Cursor 卡在中間:不跟 Anthropic、OpenAI 比模型,先做人與模型之間的介面。他們的理由是人不用程式碼跟模型講話,是用自然語言,所以做寫程式模型等於得做前沿語言模型。共同創辦人 Michael 當時就說未來的程式碼會像虛擬碼,舊論文那種演算法段落模型可以直接實作。他來 a16z 的 GP 會議提案,九成時間在說不。Martin Casado 的歸納是:相信產品就不會做外掛,那等於變成別人產品的一部分;也不會太早做企業銷售,產品本身就是通路。John Schulman 試過 Cursor,說自家 mono repo 大到載不進去,隔天 Cursor 就改好回傳。
微軟手上有 GitHub、VS Code、Copilot、OpenAI 的權重、一億名開發者和最強的企業通路,帳面上看不出獨立公司有活路。a16z 2024 年 5 月領投 A 輪,10 月 Sarah Wang 領 B 輪,C 輪也是她領。Sarah 說成長投資的模型套不上:傳統假設是自助訂閱在年收 2500 萬到 5000 萬美元後轉弱、該找銷售主管,Michael 當面說自助訂閱沒有轉弱,五年降到 25% 成長那類假設也得丟,四個月從 4 做到 50 的曲線寫不進成長備忘錄。競爭者一直換人:Copilot 之後是走 YC 社群的 Windsurf,再來是做 agent 的 Cognition,2025 年 5 月 Claude Code 上場。Michael 的回答是他們去的是全世界最大的市場,對手是輪流上場的角色,不構成恐懼;真正讓投資人喊髒話的時刻都不是對手,是模型本身跳級。
2025 年夏天 X 上大量文章質疑他們的毛利率。Martin 的回應是技術轉型永遠走在商業模式前面,當年網際網路連怎麼賺錢都沒想清楚。Cursor 的順序是先把使用者、資料和 know-how 拿到手,再回頭做自己的模型;反過來做,除非一開始就是前沿實驗室,否則走不通。兩年內他們從 IDE 換成 agent 平台再換成模型平台,Karpathy 那則 tab tab tab 貼文捧紅的功能現在已經不重要。轉進企業市場是因為看清楚大廠會補貼個人訂閱層、毛利落在第三方與企業端。招募直接複製產品那一套:列出這類銷售做得最好的十家公司,往下挑十個團隊,再鎖定帶動那次成長的第一、第二名業務,層層背景查核;創辦人花四成時間招募,拿下超過半數的 Fortune 500。辦公室要脫鞋、用二手北歐舊家具,同樣的講究延伸到行銷,不做不像自己聲音的活動。併購早期是買團隊、不在意整合多亂,到 Graphite 那筆較大的案子才轉成策略方向。他們拿 SpaceX 對照:2019 年見面時那還是純發射業務,天上一顆 Starlink 都沒有。
一句話:前沿模型只剩四五家出得起錢,種子輪 15 倍已經不夠,OpenAI 被擠成第二名
主持人 Harry Stebbings、Jason Lemkin、Rory O'Driscoll 從 NVIDIA 的三筆錢開始:花 60 億美元取得 poolside 的 model factory 授權、再投 10 億、投前估值 120 億,109 名工程師轉去做 Nemotron。投資人信流到 X 上:募不到 20 億買四萬張 GPU、明年就沒算力,只能往上賣。Rory 的解讀是全世界只剩四五家出得起前沿模型的錢,OpenAI 與 Anthropic 存在是因為 Microsoft、Google、Amazon 給了錢,現在多一個 NVIDIA;創投在這兩家持股都不到 1% 到 2%。開放權重對 NVIDIA 是互補品:開源市佔越高,錢越往晶片走、越少留給模型公司,何況吃掉 token 量的多是中國模型。Jason 反駁報酬數學:2026 年 90 億美元的出場過不了種子門檻,15 倍不是基金回報者,種子要 50 倍;稀釋後的有效進場價約 6 億,50 倍得在 630 億出場。Rory 回說失敗案能拿 15 倍的人會死得很有錢,當初押注也理性——閉源前兩名各值一兆,中國開放權重前幾名各值 500 億到 1000 億。另兩筆是 General Catalyst 領投 Mercor 的 200 億估值輪(NVIDIA 傳入股)與 Perplexity 的 300 億估值輪。Rory 說投 Neocloud、poolside 能推更多晶片,投 Mercor 不會;Jason 的解釋是 NVIDIA 自由現金流四年從 40 億長到 500 億、帳上現金約 500 億,七百多億的年度預算就是一群 VP 圍一圈報上最好的點子,全花回生態系。
OpenAI 財務長告訴員工 2027 年會上市,Anthropic 傳幾個月內就上市。Rory 說前者沒有選擇:Q1 五十幾億、Q2 六十幾億,季增 18%,GAAP 營收從去年 125 億到今年不到 300 億,Anthropic 年中已是 600 億 run rate。這條斜率若成立,兩年後 OpenAI 相對市佔剩兩三成,準備賣它 2000 億美元晶片的 Broadcom 和 NVIDIA 也會重算,所以「Q2 異常、Q3 重新加速」非講不可;上市拖不了,價格只能低於對手。Jason 說第二名的位置現在有五六個候選:六月資料顯示開放權重 token 佔比 68% 還在升、效能接近,第二名只能拚品牌與資安;Rory 借《The Perfect Storm》一句:危險就是沒有選擇。Jason 另問 OpenAI 今天的差異化任務是什麼:ChatGPT 的消費者品牌與滲透無人能及,但 200 美元訂閱換走 8000 到 12000 美元的 token,是這輩子最差的商業模式之一;廣告加硬體那條路本來對,只是被超車,算力最高報酬的用途是寫程式。Rory 的一句話版本是 it's all about code,並吐槽對手在《華爾街日報》講 30 兆美元的市場規模,等於整個美國 GDP。
公開市場那邊,AI 名股走完四月以來最差一週,蒸發 8200 億美元市值;Citadel 出清從 Aschenbrenner 基金接手的部位八成,買在市價下方 10%、市場再彈 5% 到 10% 就走;Rory 說上四倍槓桿就得每一步都對,NVIDIA 的 vendor financing 同理。KOSPI 六月高點 9000、7 月 29 日殺到 5600,回彈後全年仍漲 56.46%。NVIDIA 五成員工身家超過 2500 萬美元;YC 兩條街外 Dogpatch 的 Avalon 一房月租破一萬美元,在加州得稅前 24 萬才付得起。Rory 的結構解釋是創投資金四分之三進加州、其中 Anthropic 加 OpenAI 拿走約六成,而舊金山只有 75 到 78 萬人、灣區七百萬,錢灌進蓋不了房的半島,價格只會往上。Jason 認為這個循環還不到三分之一。
token 成癮那段:上半年是 token maxing、花越多越像好員工,接著每人兩萬美元的帳單出現,公司開始設上限,非工程師 200 到 500 美元;Jason 預測明年反彈:員工會說沒有十個 agent 全天候跑就不做這份工作。Rory 引 Stripe 的股東信:智慧要當成資本管——可替換、有需求、必須被分配,不像軟體授權賣完席次就結束,這也是 Stripe 買下 OpenRouter 的理由。他把財務長的難題講白:Jason 一人做四人的事,就得說出另外三人是誰,不能宣稱自動化的結果是 EPS 掉 10%。Jason 補充財務長現在最怕留不住人,好員工被 AI 公司挖走。Stripe 自己營收加速到 41%、billing 成長 71%,股數還比三四年前少。Hugging Face 傳以 130 億美元被收、營收約 1.5 億,兩人都說算不出這個價;OpenRouter 在 1.5 億規模仍月增 15%,Jason 說開放權重從實驗變主流的此刻就該賣。收尾點名最蠢的賽道:Harry 選客服,它會變成商品、夠成熟的公司都自己做;Rory 選國防,不是不需要,而是要靠產品組合與應付五角大廈的能力,最後會被兩三家像 Anduril 的公司整併;兩人再加人形機器人,Rory 在 Locus Robotics 董事會、一萬五千台機器在場上跑,但都是特定用途,要百米跑很快的機器不如買 Tesla。Jason 選拿創投的錢去收會計師與律師事務所、指望變成 AI 服務公司。他引 Ben Thompson 的話:矽谷每三年忘記一次,一般美國人根本沒想要更有效率。
一句話:工作會消失但時程有爭議,課 token 稅被否決,私募老股回購已取代 IPO
Bill Gates 當天發表 6,000 字文章《The Turbulent AI Era Is Here》,說 AI 要嘛是史上最強的平等化工具、要嘛是最糟的不公來源,現在「沒有計畫」,法律、醫療、軟體的工作都被威脅;他主張設立新的全國性機構、對 AI 使用課稅,並保留只准由人做的工作。Dave McClure 三點都同意:有些工作永久消失、壞人拿到超能力、小孩與人際連結受害。從倫敦連線的 Hussein Kanji 反問二戰後人類哪一次解得了全球協調問題,核彈與化石燃料都還在,「這是人的問題,不是 AI 的問題」。Sheel Mohnot 說知識工作的位移很快,實體工作的數據裡卻看不到,DoorDash 司機還有 5 到 10 年,被追問時他選 5 年。Jason Calacanis 用另一組數字調和:Microsoft、Google、Uber、Facebook 五年來員工數上下差不到一成,獲利卻年增三到四成、營收增一到兩成。三人一致認為一人公司會大爆發:治療師以前得請接待員排程與帳務,現在 AI 全包。
課稅是分歧點。Jason 拋出聯邦對 token 課 5% 到 10%,Dave 說可以,但 token 成本正趨近於零,等於課一個會縮水的稅基;他更在意資本支出可折舊,制度因此推企業買 agent 而非雇人;他主張做 AI 版新政,投照護經濟與藝術文化,再加退訓預算。Sheel 反對課 token,主張改課超額利潤、對 robotaxi 按里程課,並說用水爭議是假議題、電費才真的會反映到帳單上。Dave 提議拿 Anthropic 與 OpenAI 各一成還國債,用同樣有石油的委內瑞拉與挪威對照,Hussein 只回:法治。Jason 賭美國兩年內比照中國對自駕車牌照設上限,送餐執照起標 3 萬美元。Meta 以 171 億美元與 29 州和解(節目稍早另一次講的數字是 160 億),條件包括連續滑 15 分鐘打斷、午夜到早上 6 點封鎖、上課時段不推播與年齡驗證;Sheel(太太在 Instagram 任律師)說睡眠模式與 60 分鐘提醒兩年前就上線,和解的差別是這次跨三個 app。
創投段落回到錢。Stripe 買下 OpenRouter,三人各講一個成交價(70 億、78 億、100 億、120 億美元都出現過),只同意營收約 1 到 2 億美元、倍數落在 50 到 100 倍,而 OpenRouter 年初才以 13 億美元估值募資。Cursor 那筆 600 億美元併購被 Dave 稱為史上最大宗 M&A,a16z 以 4,400 萬美元部位拿回 66 億、150 倍,Neo 投 150 萬美元、回收是十億美元等級。私募市場結構上,1 億美元以上的私募輪與同規模 IPO 在 SoftBank Vision Fund 出現前後交叉,現在是 10 比 1,每年約 400 場私募輪對 40 到 50 場 IPO,要上市得先做到 5 億到 10 億美元規模。員工老股回購從 2023 年的 65 億、2024 年 120 億、2025 年 270 億,今年估 370 億美元,多數公司只釋出 2% 到 5% 股權,OpenAI 自己就做了 70 億美元一次;輸家是散戶,這些公司不揭露財報,Forge、Hive 那類平台上的買方等於憑感覺出價。反面案例是 Headspace 以 2 到 3 億美元現金賣給 Sword Health,上一輪私募估值 30 億;Airtable 在 100 億美元進場的晚期基金只拿回本金。Dave 說一票種子基金帳面 3 到 5 倍 TVPI、DPI 卻是 0 或 0.5,基金滿十年還沒還完一倍本金。
一家卡內基美隆衍生的機器人公司展示:人戴著手腕相機示範煎鬆餅,機器人學會後每次都煎得一樣;把機器狗的腿切掉一截,它自己學會用剩下的腳走路。物料成本估 1.5 萬到 2 萬美元、售價 2 萬到 3 萬美元,約一台 Toyota Prius,Jason 說家用機器人對他值 10 萬美元。Hussein 認為語言那條線已經打完,實體 AI 與生物 AI 還沒定勝負;他投的歐洲團隊出自帝國理工,用更少訓練量做機器人基礎模型;他兩年前開 1,000 萬美元的第一張支票投一家 AI 材料科學公司,現在估值 26 億美元,姊妹公司用電腦生成的攝護腺癌藥物即將進臨床。Dave 秀出 OpenAI 活躍 agent 使用者:1 月 20 萬、5 月 500 萬、7 月從 600 萬到 1,000 萬、8 月初 1,500 萬、8 月底 2,000 萬,兩個月 4 倍;財務長 Sarah Friar 四個月前說還沒準備好上市,近期內部說法變成 2027 年一定上市。Sheel 提到一款用簡訊下指令的 agent 會直接把機票訂完,因為它替使用者存了信用卡,傳聞種子輪估值 1 億美元。
一句話:Gates 談工作消失、Meta 和 29 州和解,而創投的答案是機器人與私募次級市場
每週三的創投圓桌,Jason Calacanis 找來 500 Startups 創辦人 Dave McClure(現做 Practical Venture Capital)、早期基金的 Sheel Mohnot,與首次上節目、從倫敦連線的 Hussein Kanji。開場是 Bill Gates 當天的六千字長文〈The turbulent AI era is here. The choices we make now are critical〉:AI 要嘛是最大的均等器、要嘛是最大的不公來源,而眼下「沒有計畫」;他點名法律、醫療、軟體三類工作,主張設新的國家級機構、對 AI 使用課稅、保留一部分工作只能由人做。現場的分歧是知識工作的位移跑得快、體力工作在資料上還看不到,Sheel 說外送司機大概還安全五到十年,Jason 不接受十年。Jason 舉 Microsoft、Google、Uber、Facebook,員工數五年來上下不超過一成,獲利卻年增三到四成。有人主張政府拿走 Anthropic 與 OpenAI 一成股權去還國債;Sheel 反對課 token 稅,因為 token 成本正趨近零,該課的是超額利潤與外部性,例如自駕車按里程課。Jason 說中國已在武漢、北京、上海停發自駕車牌照,並預測兩年內美國城市會拍賣自駕營運牌照,起標三萬美元。
Meta 與 29 州和解,金額有兩個版本:Dave 說 160 億美元罰款,Jason 說 171 億。條件不只付錢:連續使用 15、60、90 分鐘各跳出中斷提示,午夜到早上六點停止存取,上課的早上八點到下午三點不推播,加上年齡驗證、重做美顏濾鏡與獨立稽核。Sheel(妻子在 Instagram 任職)指出 Instagram 兩年前就自行上了晚上十點到早上七點的睡眠模式與六十分鐘提醒,差別是這次跨到 Facebook 與 WhatsApp。Hussein 說這筆錢相對 Meta 的市值與自由現金流很小,而 Meta 當天股價上漲,漲幅換算的市值可能超過罰金。
節目標題問 AI 以外還有什麼能投。Dave 說這講法太極端,但 AI 確實佔掉創投至少一半、可能三分之二的注意力;時髦的是太空、國防、機器人與 AI,而金融科技仍是大類且沒有超額募資,新興市場的金融科技與電商還在長。Stripe 買下 OpenRouter,Hussein 的解讀是誰路由推論、誰就握有 token 花費流向的資料層,和 Stripe 路由金流是同一件事。Sheel 認同邏輯但說價格離譜:成交價出現 120 億、100 億與 70 到 80 億美元幾種說法,營收倍數被講成 50 倍、70 倍、100 倍,而 OpenRouter 年初才以 13 億估值募過資。另一筆是 Cursor 以 600 億美元成交,Dave 說是史上最大併購案,a16z 投入金額有 4,400 萬與 6,000 萬兩種說法,回收 66 億、約 150 倍。Hussein 說語言相關的已定局,還沒分勝負的是機器人與生物領域的 transformer,他們投了一家出自 Imperial College、兩三個月後才發表的隱身公司,做訓練量小很多的機器人基礎模型。Sheel 提到一家機器人公司的展示:人戴上腕部裝相機的護具示範煎鬆餅,機器人就每次翻得一樣好;另一段切掉機器狗的腿,牠自己學會用剩下的腿走路。物料成本現場估 1.5 萬到 2 萬美元、售價抓 2 萬到 3 萬,約一台 Toyota Prius。
Dave 帶圖表講私募市場:破億私募輪與破億 IPO 的交叉時點被講成 2016 年、也被講成 2017 年 SoftBank Vision Fund 出現時,如今差距十比一:每年約 400 場破億私募輪,對上 40 到 50 件破億 IPO,IPO 門檻已拉到 5 億至 10 億美元。公司留在私募更久,員工流動性改由公司主辦的 tender offer 解決,2023 年 65 億、2024 年 120 億、2025 年 270 億、2026 年估 370 億美元,OpenAI 今年自己就做了 70 億的次級交易,多數公司一次只釋出 2% 到 5% 股本;Hussein 說輸家是不揭露財報下憑感覺買的散戶。反面案例是 Headspace 上一輪私募價 30 億,最後以 2 到 3 億現金成交。Sheel 介紹的 Instinct 傳出估值種子輪 1 億、A 輪 5 億,另有 10 億以上報價;它會把機票真的訂完,因為金鑰庫裡存了使用者的信用卡。Jason 用 Grokbot 三分鐘把影片剪成五支直式加字幕短片,取代原本三小時、時薪 50 美元的外包。OpenAI 的 agent 活躍使用者一月 20 萬、五月 500 萬、七月 600 萬到 1,000 萬、八月底 2,000 萬,財務長 Sarah Friar 四個月前還說沒準備好上市,近期內部說法變成 2027 年。各報一筆得意的投資:Sheel 是會計自動化的 Basis;Dave 是聖保羅專做外送騎士的機車製造兼小額放貸公司 MOTU,年營收逾 3 億美元、獲利且年增六到七成;Hussein 是材料科學的 Cusp AI,兩年前開出 1,000 萬美元第一張支票、現值 26 億;Jason 報 Micro1,本週宣布 AI 訓練業務營收 5 億美元、估值 40 億。
一句話:Jay Parikh 拆解速度:小團隊、平行下注、垂直整合與清掉雜事
微軟 CoreAI 執行副總 Jay Parikh 接受 In Depth 主持人 Brett 訪問。工程領導拆成五件事:組建高績效團隊,刻意決定新鮮人、專才、通才、資深技術主導者各占多少;設定策略與北極星,層級太高團隊看不懂要做什麼,太細團隊就不動腦;建立每週看得見的執行節奏,一兩年才成形的產品也要拿得出週對週、必要時日對日的量化進度;讓組織有清掉 toil(耗損性雜事)的文化;刻意經營文化。文化那項會限制其他四項的上限;toil 只是結果,成因是習得無助——團隊相信人不夠、做不到、改不了,雜事就一直堆。他把學習迴圈想成一個圓:組織越大越成功,直徑越大、繞一圈越慢,每繞一圈才學到一件事;他的工作就是對抗這個變大變慢,一年前八個人開的會現在坐四十個人,就該換開法。
他用「工作圖」取代組織圖,把大團隊拆成有明確單一負責人、有脈絡也被信任的小隊,他認為大團隊不可能跑得快。升級不是髒字:任何事卡超過二十四小時就直接找他,不要一層層往上傳、兩週後才到他手上。他在微軟辦 brain trust,每組六到八位資深與中階工程師、不放主管進去,專門辯論技術與客戶端看到的轉折;當主管不是升遷,兩條職涯路徑平行。要團隊加速時,他不下「九月三十號改成八月十五號」的命令,而是問「八月二十號一定要出貨你能出什麼」,再請對方走一遍九月三十號怎麼算出來的,然後爬、走、跑地一次砍兩週。他 2009 年進 Facebook 時只有幾百名工程師、幾乎全是 Facebook.com 網頁版,iOS app 只有大約五個人在地下室角落做,行動浪潮到 2011 至 2014 年上市前後才真正衝擊他們;當時主站一天發布一次、服務全球三億人,後來一天三次,他離職前已是持續部署。
AI 之後寫程式不再是最長的那根桿子,程式碼變成輸出而不是輸入,軟體開發週期半衰期大幅縮短;但銷售、行銷、定價包裝、夥伴生態仍是人在做,東西生得再快也可能沒人看見、沒人付錢。這也改變他下注的方式:過去要鎖住一批人一年才看得到結果的專案,現在一個月就能做出可以壓負載的原型,同樣人數同樣一年,他從押一注變成押四到五注。大賭注的定義很嚴:要帶來階梯式而不是一成兩成三成的改善;要跨團隊,單一團隊自己衝只會找到局部最佳解、反而封死全域最佳解,Facebook 時期的大賭注往往綁三到五個團隊;要有可衡量的里程碑,不能鑽進洞裡三年後拿出沒人要的東西。五個大賭注兩個起飛、一個普通、兩個掛掉,他算不錯的打擊率,失敗的也常把學到的轉嫁到別處。最直接的一招是平行下注:團隊拿 A 或 B 來吵,他通常說兩個都做,兩個月後就知道答案,而做一個、失敗、再做另一個要花四個月。
垂直整合三個理由:成本,每一層跟別人買就是每一層給別人利潤;掌握命運,供應商替一般客戶做產品,Facebook 那種規模永遠踩在對方能力邊緣,測試與修 bug 都得等;速度,直播影片這種新體驗要同時改手機端、邊緣網路、應用伺服器與儲存層,不是自家人做就快不了。這套從 Akamai 學來:他進去時只有幾十人,上市時是科技業史上第四大 IPO,接著網路泡沫破裂、多輪裁員,共同創辦人 Danny 在九一一喪生,客戶又幾乎全是 dot-com 公司,得在兩三年內長出企業級產品、業務團隊、定價包裝、夥伴生態與支援體系,同時把燒錢的損益表拉回來。所以他到 Facebook 時,Mark 說公司有錢、工程師應該全押產品,他回答自己要做效率,不想重演 Akamai 那段;這後來長成自建資料中心、自製硬體與自鋪海底電纜,也換來後面的資本配置空間。他在 Akamai 的第一份工作是技術售前,因為公司沒別人能做,之後做過商務開發、產品經理與產品行銷才回工程。onboarding 的原則是慢一點才能快:他進 Facebook 與微軟的頭一兩個月都以個人貢獻者身分見人、學東西,微軟那兩個月後才形成 CoreAI 雛形;花大錢請來的人丟進幾百人的組織叫他自己游,只會出現排斥反應。
一句話:經費與同儕審查把高風險科學逼成低變異的安全牌,物理四十二年沒進展
主持人 David Friedberg 在華府單獨錄這集,All-In 其他三人沒參與。Eric Weinstein 當週正在拜會戰爭部、OSTP 主任 Michael Kratsios、NIH 的 Jay Bhattacharya,以及可能接掌 NSF 的 Jim O'Neill,他稱這是二戰後 Vannevar Bush 以來第一份認真的美國科學改革方案。他的診斷是美國養出一批「科學無產階級」,教授付不起違逆共識的代價。他說共識一詞本身可疑,沒人需要為 2+3=5 開共識會,共識通常是靠壓力達成的人為協議。他自陳 1987 年提出一組微分幾何方程式時被惡整,那組式子 1994 年成為該領域主流,卻沒人回頭平反。他要的是「第三棟房子」:科學家撐起整個社會的繁榮,自己卻沒分到;而理論物理是唯一失去言論自由的行業,受限資料規則讓他不能把可能牽涉核武的方程式寫在紙上。
他把體制轉折點定在 1965 到 1975 年,尤其 1969 到 1971 年。1969 年春天 MIT 物理系為越戰走上街頭,連曼哈頓計畫的人都在裡面,政府因此判定物理學家靠不住;MIT 儀器實驗室被移出校園變成 Draper Labs,Mansfield 修正案禁止軍方在大學裡資助沒有明確軍事用途的自由研究。他說軍方原本是科學家最好的朋友,養著你做想做的題目,只要需要時你在。同儕審查則是 1965 年 Medicare 法案讓政府成為醫療付款方後,醫生為了擋掉政府審查而發明的自律機制,從猶他州一家診所開始,再被 1975 年 MACOS 爭議推廣進 NSF。主持人引 Kratsios 書裡的數字:政府研究每一塊錢的回報下降了八十倍;又引 Nature 對兩千名讀者的調查,6% 投給 Trump、約 85% 投給 Harris。Weinstein 說博士群體集體拒絕跟這屆政府往來,沒人去解釋同倫論這種看不出產業用途的數學為何值得用稅金養。他認同把現代投資組合理論搬進科學:政府夠有錢,就該買下別人買不起的高 beta 賭注,現在各部門都挑高機率小成果的案子再吹噓價值。他的選人法則是去找那些領域大老會封殺、但不敢做空的人;主持人則舉 Stewart Butterfield 只剩三百萬美元時,Ben Horowitz 叫他留著錢去做那個內部溝通工具、後來變成 Slack 以三百億美元賣掉,說要賭人不賭題目。
物理部分他把斷點畫在 1983 到 1984 年:Leonard Susskind、David Gross、Edward Witten 三人幾乎一夜之間把整個場域帶往另一個方向,四十二年下來標準模型沒推進,卻做到一件沒人想過的事:讓物理變安全,可以放心跟地緣對手一起做。他要聽眾去 Strings 2026 的議程搜尋頁打 electron、hadron、Higgs、lepton,說搜不到物理。他在一所頂尖理論物理研究所問誰最聰明,拿到三個名字,其中兩位純理論家當面對他說對物理世界沒有興趣。他自己押 1970 年代中期的 Pati–Salam 模型是下一階大統一的正解:把 SU(3) 換成 SU(4) 之後,電子與微中子成為上夸克、下夸克之外的第四種色,理論上可以造出把夸克旋轉成輕子、讓物質直接瓦解的武器。他用 boom、vroom、zoom 概括物理的價值:武器、能源、推進與運算;標準模型定案五十三年來這三樣都沒新東西,他反過來說物理停滯可能正是人類還活著的原因。他也預測 Kitt Peak 的 DESI 暗能量觀測會打破宇宙常數乘度規那一項,理由是 Lovelock 定理只容得下那一項,而它撐不住。
最尖銳的一段:1940 年美國國家研究委員會設過「參考委員會」,凡投稿連鎖反應物理的論文都被攔下退回,曼哈頓計畫之外的人根本無法靠這行維生;這種事發生過一次,有沒有第二次?他點名的候選是長島的 Renaissance Technologies,只招粒子理論家、微分幾何學家與機器學習專家、不招懂市場的人,跟 Brookhaven 國家實驗室關係緊密,隔壁石溪的數學傳統強得不合比例,Medallion 基金只收內部資金。他強調不是斷言那裡就是,只說一個門禁森嚴、故事講不通的園區值得問,並拿 1944 年克里夫蘭記者 Jack Raper 寫出洛斯阿拉莫斯卻沒人相信當對照。他預期 AI 會從「垃圾桶語料」下手,把主流嘲笑過的論文讀進去;中國則會用私有模型去問:如果弦論四十二年來根本不是領先理論,它是被拿來擋住我們看見什麼?他把 Anthropic 這類公司比作從人力派遣公司請 Hannibal Lecter 來當顧問。最後他說 UAP 那邊確實有東西,不信廣義相對論是終點,認為類似手機「捏放縮小」手勢的空間操作真的存在;人類像北森蒂納爾島的未接觸部落,1945 年那顆核彈就是對外發出的訊號。
一句話:主辦人 Schmid 說通膨衝到 3% 中段還沒做完,他站在 Warsh 那一邊
Tracy Alloway 與 Joe Weisenthal 在 Jackson Hole 現場訪堪薩斯城聯準銀行總裁 Jeffrey Schmid,這是這場經濟研討會的第 49 屆,明年滿 50。今年主題是支付的金融創新,他說聯準會每天透過多條管道移動 5 到 10 兆美元,目標是讓支付無聊到沒人注意;接下來幾天的研究指向 atomic settlement,錢即時到帳、即時對帳,浮存與摩擦成本消失。代價是即時清算背後必須有被證明的流動性,所以聯準會往後會更常談資產存續期間與流動性。他把支付與債市接起來:價格會動就是供需在動,債券、玉米、小麥都一樣。
利率與經濟部分:自上次點陣圖以來失業率從 4.3% 降到 4.1%,Schmid 對擴張的持續性偏樂觀。勞動力正在結構性改變:嬰兒潮每年約 400 萬人退休,他近三個月簽的退休信比過去三年還多,擔心流失的經驗,所以要求 25 到 45 歲的經濟學家與銀行家用 AI 把 65 歲退休者的知識往下傳,不要等到 55、65 歲才學。30 年期公債殖利率站上 5%,他說政策工具只影響短端,但 08 年後與 2020 年後都曾用資產負債表把存續期間拉進來,間接壓過長率。他認為殖利率曲線在 2% 到 3.5% 成長的經濟裡算正常化,真正要拆的是資料中心與 AI 佔了成長多少:機械、鋼、銅被資料中心搶,連穀物期貨都被推上去,這種排擠他在轄區裡每天都聽到。被問到升息 25 個基點會不會讓工廠蓋不下去,他說幾乎沒聽過:蓋廠是 10 到 20 年的決定,看的是 10 年期利率;短率真正咬到的是要不要先囤存貨、循環信用多付 25 到 50 個基點這類當期決策。r-star 他認為正在正常化,但基準水位比 08 年前高,而現在的利率環境仍偏寬鬆。
上次會議出現數次異議,Schmid 今年沒有投票權,去年有票時異議過。他把異議定義成:我對通膨與充分就業兩個目標的風險權重跟你不同,19 個人各有團隊與判斷,他的角色是把第十轄區七個州的聲音帶進 FOMC 再帶回去。對新主席 Kevin Warsh 的「good family fight」說法,他理解成願意接受辯論、要聽到每個人的真話,而非「照我的做否則走人」;他同時說對 Jay Powell 有深厚敬意,正因如此當年更難投下異議。Warsh 主張殖利率本身就是政策訊號、高殖利率會替聯準會做掉一部分緊縮的工作,也不喜歡前瞻指引,說過聯準會待在報紙 B12 版比 A1 版好。Warsh 任命的 15 人任務小組目前還沒跟各地區總裁直接對話,Schmid 說要等研究成果出來才會有互動。Weisenthal 收尾直說,任務小組談資料與溝通都好,但眼前通膨還在 3% 以上,新主席的反應函數仍不清楚,週五 Warsh 的演講才會給答案。
一句話:Ben Carlson 列十條股市常識,並主張短期要用的錢不必多冒險
Ask the Compound 聽眾提問場,Ben Carlson 主持,Duncan Hill 與 Ritholtz Wealth 的 Bill Sweet 同場。有人問散戶該看哪十個指標,Ben 改答十條常識:股票多半往上、有時往下,1928 年來三分之二年份有一成以上回檔、四成年份一成五以上、每四年一次跌兩成以上;年度報酬塊狀、看不出規律;單月跌兩成以上發生過六次,比整年下跌的年份多;最慘那幾個月之後,五年平均報酬超過 120%;趨勢比想像久,1920 年代末到 1940 年代初近十五年幾乎不賺,股市二戰打到一半落底、接著二十多年年化近 13%;沒有平均這回事,近百年年度報酬落在 8% 到 10% 只有一次,平均上漲年 +21%、下跌年 -13%;永遠有例外,日本三十多年慘澹是因前二十年太好;最差的三十年滾動報酬含股利仍年化近 8%,起點 1929 年、中途八成五崩跌,總報酬超過 800%,近百年只有三段不重疊的三十年;1970 年代現金贏過股債,2000 年代債券與現金都贏股票;待在市場越久,獲利機率越高。
35 歲剛離開教職的 Andy 有四萬五千美元紐澤西州退休金與六萬五千 403(b),想滾進新公司 401(k) 後每月做 backdoor Roth。Bill Sweet 說順序是關鍵:今年夫妻合併所得超過 25.2 萬美元不能直接存 Roth IRA,超過 14.9 萬存傳統 IRA 不能抵稅;只要 IRA 留著稅前的錢,轉 Roth 就被課稅,而 401(k) 不算 IRA,滾進 401(k) 才不擋 backdoor。Duncan 問 IRA 自由度不是更高?Bill 要他比費用:S&P 500 ETF 在 IRA 只要三到七個基點,401(k) 貴到五十個基點就不值。Bill 也提醒別把判斷外包給語言模型,他看過微調模型給出全錯的稅務答案。
企業軟體業務 Jake 近五年年收入 15 萬到 50 萬美元以上跳動、一次入帳;Ben 主張一次投完,他玩過先放貨幣市場基金再分批進場的心理遊戲,後來認為錢躺現金的未知風險更多;Bill 建議先抓十二個月支出與稅單、剩下全投,十二個月後為正報酬約十次七八次。另一位聽眾問非投資清單,Ben 列出壽險、失能險、孩子監護人、帳戶受益人、三到六個月流動資金或 HELOC、短中長期儲蓄目標;Bill 說這是 CFP 的工作,重點是談你在擔心什麼。加拿大聽眾 Angela 每個孩子每年抓三萬美元、四年一個學位,Ben 算她總共存了十八萬,前三年現金已備妥,剩下十二萬在 Vanguard 的 S&P 部位、2029 年秋才動用;Ben 說資產對上負債、贏了別再玩,Bill 把十二萬放回歷史回檔:2022 年跌破九萬、2020 年跌破八萬、2007 到 2009 年砍掉五成九、1932 年剩不到兩萬兩千。最後一題問 2010 年 Marc Andreessen 說軟體吞噬世界、現在是否輪到硬體,Ben 說 2010 年代的低通膨低利率低成長已翻轉,土地是全球最大資產類別,運算要晶片、晶片要水和電。
一句話:財政部下場壓低長率引爆自由市場之爭;主持人認為債務是政治風險,不是金融危機。
美國財政部長 Scott Bessent 上週說長天期利率的方向不對,財政部會買回公債把它壓下來。首批買回量很小,殖利率當天跌一點,隔天全數漲回去,財政部接著放話必要時要「拿火箭筒」。Michael 自認自由市場派,反對政府對債市動手;Ben 回他二戰時政府為了低利借錢就按住過利率、2020 年 Fed 也在買債,從來沒有純粹的自由市場,真正能壓低利率的是取消關稅、結束伊朗的戰事。兩人都認為 30 年期公債停在 5.2% 不算異常,對照名目成長與通膨這就是該有的位置,只是它是 2007 年以來最高,而過去十五年利率長期偏離常態。30 年期殖利率減去有效聯邦資金利率目前約 1.7%,拉回 1970 年代末以來的資料看接近中位數。20 年期與 30 年期合計只占聯邦借款約一成,但 Michael 認為訊號作用不能用比重打發。Stanley Druckenmiller 在《華爾街日報》投書〈讓債市說話〉,寫他五十年交易靠的是市場能匯集沒有任何委員會掌握的資訊,並主張長天期殖利率是美國僅存的財政紀律執行者。文章隨即被指是 AI 代筆,Joey Politano 點出前兩段都有「不是 X、而是 Y」的句型,偵測工具 Pangram 判定 100% 出自 AI。
Ben 把立場放上推特:他不擔心美國政府債務危機,理由是最大的經濟體、全球儲備貨幣、最多的有錢人,而且公債沒有替代品;他擔心的是有夠多人相信危機將至,政治人物過度反應去砍社會安全或 Medicare,危機從政策失誤那端來。他引用 exhibit A 團隊的圖,聯邦利息支出占總支出約 15%,貼在長期平均上;Michael 認為該看的是利息占經濟規模,那個數字難看得多。團隊裡負責總經的同事算出政府公債占全體金融資產約 9%,2005 年是 5.5%,2010 年就在擔心債務危機的人到今天還在等。一則被引用的推文指出,家庭端去槓桿夠強,政府加民間的總債務占 GDP 二十年來持平:政府在金融海嘯與疫情後扛下債務,換來家戶修好資產負債表,Ben 認為這筆交換划算。Michael 補但書:負債那邊向來沒問題,要擔心的是資產那邊,房價股價都漲了很多,一旦熊市縮水三四成,比例很快變樣。分析師 Jesse Livermore 的對照是,到期日十年以上的美國公債市值 4.3 兆美元,Apple 市值 4.6 兆。
對沖基金經理與總經評論者現在一致做多黃金、放空債券,Ben 認為債券已是這個圈子裡最被討厭的資產。他引用 FM Investments(剛被 T. Rowe Price 併購)的試算:10 年期公債利率若降 1%,未來十二個月總報酬約 12%,升 1% 則虧 2%;30 年期升 1% 虧 8%,降 1% 賺超過 21%。上週比特幣漲 20%、黃金漲 5%、白銀漲 7%,現貨加密 ETF 冷了好幾個月後資金大進,Michael 認為這是對 Bessent 那番話的反應:市場當下相信的故事才是唯一重要的事,也就是凱因斯的選美比喻,你押的是別人覺得誰最漂亮。Michael Antonelli 提醒,Visa 與 Mastercard 一度被說會被加密貨幣顛覆、後來又被說會被 AI 顛覆,現在雙雙創新高,那波因一篇 AI 論述文章下跌 10 到 15% 的走勢事後看是買點。Duality Research 的圖顯示企業盈餘年增率會一路降到 2027 年底,兩人認為這已反映在壓縮的本益比裡。
Ben 用 John Brooks 的《The Go-Go Years》推想這輪多頭會怎麼結束:1968 到 1970 年那次熊市指數只跌 36%,但當時 30 檔人人追捧的明星股平均跌 80%,書裡引述的顧問認為對散戶而言比大蕭條更慘,因為持股家庭更多。Michael 說 2022 年就是這個形狀,那斯達克 100 跌 35%,Facebook 跌 70%、Nvidia 跌 66%。晨星報告指出單一個股的槓桿與反向 ETF 中位數已跌 38%,發行商靠較高的管理費收進超過 5 億美元;一位《金融怪傑》系列受訪者推出的 ETF 代號 WZRD,今年以來跌 96%,是全美掛牌基金跌幅最大的一檔,而現在是多頭市場。他們引用一份研究:開始用 AI 後作業完成得更快,考試分數卻明顯變差。單戶住宅開工七月跌破 7 萬戶,是疫情後第二低,只有 2022 年 11 月更弱;紐約 Fed 調查的買房機率預期從狂熱期的 68% 掉到 53%。Ben 認為要幫到人該買的是房貸債券、給首購族一次性的低利房貸,他先講 4%、後面又說 3%。車也一樣:2019 年一萬到一萬五千美元買得到車齡 4.7 年、跑 5.8 萬英里的車,同樣的錢現在買到接近九年、近十萬英里,三年車齡均價超過 3.2 萬美元,比 2021 年高 15.5%。
一句話:Ed Zitron指AI營收七成來自兩家賠錢公司循環互餵,2027年金流會斷。
Ed Zitron在科技業做了十五、十六年公關,他的主張是生成式AI本質上是一場騙局(con):問題不在技術能不能用,在於賣法。他先拆帳。Anthropic、Amazon、NVIDIA、Microsoft、OpenAI、Google這六家裡,雲端三巨頭的AI營收有七成來自OpenAI與Anthropic,而這兩家自己不賺錢,還得靠這三家餵錢才活得下去:Amazon今年給OpenAI的金額他前後講了500億與350億美元兩個版本(後者說是與提早上市綁定),給Anthropic 50億;Google給Anthropic 100億。賣方分析師估未來三年半,這兩家會付給Microsoft、Google、Amazon超過4,000億美元,佔三家雲端成長的三成多。OpenAI去年虧209億美元。他咬住的另一件事是揭露方式:這些公司幾乎不公布AI營收,只講annualized run rate,而這個詞從來沒有定義——可能是單月乘12、單月乘13,也可能是最近四週乘13,每次都不一樣,有時候乾脆不提。他的判斷很直接:有好消息一定會講,不講本身就是答案。微軟2026會計年度是少數被拆開的一次,彭博算出AI相關收入約343.3億美元,其中241億來自OpenAI,自己人賺的只剩約100億;同一年資本支出1,150億美元,明年打算花1,750億。
成本這一面他講得更細。AI服務按token計價,一個token約四分之三個單字;丟進去的文件是輸入,吐出來的答案與「思考」過程都算輸出,但月費用戶完全看不到這串帳。分析機構SemiAnalysis實測,200美元的ChatGPT月費可以燒掉價值14,000美元的token,Anthropic那邊是8,000美元,20美元的方案也能燒掉400美元。2026年3月前後,業者開始把企業端(他講的門檻是150人以上的公司)改成按token實付,反應立刻出現:Uber三個月燒完整年的token預算,原本說AI改變一切的公司開始喊要控成本。他認為這才是驗證:如果這些公司相信自己的產品值這個價,就會照真實成本收費,而不是拿20美元換40美元的東西給你。OpenAI自己出的研究也站在他這邊——token支出與人均營收之間沒有相關性;另一份則說幻覺在數學上無法避免。Uber營運長Andrew Macdonald講過同一件事:很難把token花費連到實際有用的產出。
花出去的錢是另一個量級。他說產業已投入超過一兆美元資本支出,明年還想再投一兆。以OpenAI與Oracle在德州Abilene蓋的Stargate為例:1.2GW、八棟建築,每棟五萬顆NVIDIA GB200,整體耗電量比英國布里斯托一整座城市還多,卻壓縮在小1,172倍的面積裡。一份二月的產業統計是規劃中的資料中心有190GW,要撐起來需要每年1.6兆到3兆美元的需求,而現在全球AI的年度支出連1,300億美元都不到,其中大半還是那兩家付給Oracle、CoreWeave這些人。對照組是NVIDIA:上一個會計年度賣了2,159億美元,支撐的卻是那兩家之外全世界大約220億美元的AI營收。他認為這是一條誤讀鏈:大家看到Google、Microsoft、Amazon、Meta合計付給NVIDIA八千多億美元,就推論一定有需求,於是自己也去蓋。這四家四年內增加超過7,000億美元的廠房與設備,從現金機器變成現金爐,Google與Amazon的現金流轉負。他也點名循環金流的樣本:NVIDIA是CoreWeave最早的投資人之一,2023年還簽了13億美元合約,把自己賣出去的GPU租回來,好讓CoreWeave拿著「我有客戶」去跟銀行借錢。高盛的Jim Covello在2024年那份報告的說法他反覆引用:iPhone問世前,業界早有一疊「等GSM、藍牙、Wi-Fi晶片縮小就會出現這種裝置」的簡報,AI沒有這種路線圖。
主持人Steven Bartlett一路反駁。他搬出採用速度:ChatGPT上線60天就有一億活躍用戶,TikTok花九個月、Instagram兩年半、全球資訊網大約七年;88%的組織至少在一個業務功能用過AI,他自己公司95%的人每天都在用。他也搬出幻覺數據:一份四年期的幻覺排行榜顯示,簡單摘要任務的幻覺率從21.8%掉到頂尖模型的0.7%左右。Zitron的回答分兩層。採用是被塞的——打開Google、Word、Amazon都有AI跳出來,他稱之為史上最大規模的非自願技術推送。至於幻覺率,他指那份榜測的是簡單任務;METR那張「模型能連續執行一小時任務」的圖,細看成功率只有五成。他自己的例子是Bloomberg終端機的Ask B:請它生成BQL查四家大廠五年股價成長,結果吐出微軟股價575美元這個從沒存在過的數字。他承認的用途只有一個,把一大包除錯紀錄丟進去問哪裡壞了;幫兒子修Minecraft模組時用Claude,花了半小時還一直出錯。軟體品質這條線他認為在倒退:GitHub當機的頻率、AWS今年因AI編碼工具掛掉兩三次都是證據。Google搜尋變差則是人的決定——2019年Google發出Code Yellow,因為搜尋查詢量出現弱化,當時搜尋主管Ben Gomes與工程師Shashi Thakur反對「讓答案變差來換更多查詢」,廣告部門的Prabhakar Raghavan力推,2020年初接手搜尋;他說接下來垃圾站的壓制被放鬆這段自己無法證明,但人們從此習慣在關鍵字後面加Reddit。
就業那一格他答得最短:沒有經濟數據支持AI取代白領工作。真正被打到的是美術指導、聽打、翻譯這類老闆本來就不在乎產出的工作,而這些工作本來也會被發包到更便宜的地方,他稱之為數位版的全球化。他的觀察是律師業裡談AI的都是合夥人,從來不是實際跑腿做事的associate。對於Dario Amodei說幾年內五成白領工作會消失,他的評語是那是在講自己的書。自駕車部分,主持人給的數字是自駕每百萬英里2.1次警方通報事故、人類駕駛4.68次,造成傷害的事故少八成;Zitron不否認安全性,但強調Waymo只能小規模、受控地推,難的不是九成五,是下雨、是穿反光衣的小孩衝出來這種邊角情境,而且這跟生成式AI無關。他在拉斯維加斯親眼看過一排Zoox自駕車卡在飯店出口不動。機器人他反而願意相信:主持人轉述一位育成中心負責人的話,機械手臂的硬體一向便宜,貴的是智慧,現在智慧降到幾分錢,所以機器人新創爆量;Zitron補的是資料很貴,而且餐廳老闆不會為了一個本來就付不起薪水的洗碗職位買一台一兩萬美元的機器人。至於agentic AI,他的定義是LLM跟另一個LLM講話、外面加一層外殼,agent這個字讓人以為是自主,其實還是LLM。他用「business idiot的時代」形容現在的推力:真正在做事的人沒空逼別人用AI,是那些只讀信、開會、吃午餐的人,才會覺得這台會誇獎自己的機器是天才。
最後是時間表。OpenAI上一輪估值8,650億美元,想用一兆美元的估值上市被顧問勸退,上市已從今年推到明年;今年募了1,220億美元,他說之後每年至少要再募1,000億才撐得住,兩家公司光2026年就募了2,170億。OpenAI計畫在2030年前花7,500億美元買算力,而GPT-5曾有一次五億美元的訓練跑出來什麼也沒有。Oracle為OpenAI蓋7.1GW、超過4,000億美元的資料中心,但Oracle的營收經通膨調整後15年沒動,他認為Oracle會先死。軟銀帳上約1,000億美元的OpenAI股票,不上市就變不了現。他的推演是2027年OpenAI現金見底,Anthropic可能先上市讓OpenAI更難上,接著Amazon、Google、Microsoft必須下修財測,NVIDIA營收可能掉五到七成,這幾家的股價削掉兩到四成、退休帳戶跟著縮水,創投投在AI的錢多半歸零——他說創投從2018年起拿回來的錢就低於投進去的錢,大家慶祝的是帳面獲利。帳面遊戲還有一例:Google上一季靠SpaceX與Anthropic持股的增值,在帳上多認了990億美元。主持人的香蕉樹比喻他接受:島上一萬個人聽說有人找到香蕉樹就會互相踩踏,大廠原有業務的成長見底,買GPU是唯一還能對市場交代的動作。要他改口的條件只有一個:硬體突破讓成本掉一千倍,而所有晶片公司都在試,沒人做到。他自己現在全部持現、不碰股市,拒絕給投資建議,只留一句:不要照他們的承諾行動,他們只會講能推高股價的話。
一句話:餐廳倒閉、戶頭剩 15 美元的十年後,他把 Freshly 以 15 億美元賣給雀巢。
Mike Wystrach 現年 46 歲,投資銀行只做兩年,24 歲離職做房地產與各種副業,最後開了餐廳。餐廳倒閉、房子走短售,他因為在長期租約上簽了個人保證被房東告,背下一百萬美元的判決,35 歲那年戶頭剩 15 美元。他給創業者的第一條建議就是能不簽個人保證就不要簽。谷底時他讀了 Tony Robbins 的理財書,把那套三十天的錄音課程做完,每天清晨對著鏡子講十分鐘自己要創造什麼,寫下的目標之一是戶頭要有十萬美元。他把餐廳那次定位成最貴的一堂 MBA:失敗教會他討厭前場、喜歡後場——備料到加工的流程、庫存、食材成本、人力毛利、產能利用率。解法就是做一間沒有前場的餐廳,把做好的餐直接寄到客人家,這就是 Freshly。他反覆講的分野是:有人覺得世界發生在自己身上,有人覺得自己發生在世界上,這是可以選的。
Freshly 是史上第三快衝到 5 億美元營收的食品公司,他自嘲創辦人只要加夠多限定詞,誰都能講自己最快。成長來自幾件同時發生的事:Amazon 推出 Prime 兩日到貨,逼 UPS 與 FedEx 把陸運網鋪開,冷藏商品才可能兩天送到更多人手上;同一時間 Facebook 的廣告引擎剛開,他們押進去,九成成長來自這個單一渠道,當年還會先在菲律賓用一分錢一次點擊把廣告暖機、讓演算法認定成效好,再開給美國市場,這招後來被 Meta 堵掉;他說現在演算法是黑盒子,只能丟兩百支內容測試再對跑出來的做相似受眾。他把行銷當當沖操作:每天訂目標、跟業務團隊一樣訂達標聚餐,自己用 Looker 每五秒重刷客戶數,技術長說他的重刷次數全公司最高。募資先找了共同創辦人 Carter Comstock,冷寄一百封信收一百個拒絕,連 Tim Ferriss 都沒回,第 103 次提案才碰上 Brand Project;A 輪由 Highland Capital Partners 的 Bob Davis 領投,後來加入 Seamless 創辦人 Jason Finger、Insight Partners 的 Jeff Lieberman,以及該公司一位後來自立門戶創辦 Left Lane 的投資人。最後他只持股略高於 10%,但說再來一次還是這樣做,因為讓一群人賺到錢,他們下一次還會跟。
賣掉時 Freshly 每週出 110 萬份餐,四座廠房超過一百萬平方英尺,自有十五台首哩卡車跑二十四小時輪班,員工 2,500 人,營收超過五億美元,規模是最接近的對手的十倍。他起步時市場上是 Blue Apron、HelloFresh 和 Plated,都是寄食材回家自己煮,他要的是只要加熱的健康餐,製造難度高十倍。法規沒有前例,USDA 與 FDA 之間沒人說得準,他們寫意見書主張由 FDA 監管,代價是要遵守各地方的衛生法規;連亞利桑那州的主管機關都回沒看過這種模式。疫情讓需求一夜多出三成、產能滿到擠不出一份餐,他因為在追中國的狀況提早做體溫篩檢與口罩,加上本來就以食品安全為核心,防護裝備存量足夠。2020 年 10 月賣給雀巢時董事會其實想繼續做,是 Bob Davis 告訴他「我們投的是你」,給他二十四小時自己決定、不必回電。他帶進下一家公司的紀律是:任何錯誤只能犯一次,第一次沒人會被罵,第二次才會。
錢的部分他講得很直白:第一個水位線是一千萬美元,過了三億美元生活方式就不會再變。達到百萬時他買了六千美元的勞力士,金錶留給十億那天。他買過 75 小時的私人飛機時數,一年約七十萬美元,自己判定是浪費,現在改成偶爾包機;最划算的支出是自住房,以及替 17 個姪甥各開 529 教育帳戶存十萬美元,後來多一個變 18 個、合計 180 萬美元,已畢業的姪女則改以一年上限 3.3 萬美元的贈與給付。他反對為了非 STEM 學位背學貸,自己讀的是州立大學。賣掉公司後他把錢投回自己:和當了三十年獸醫的姊妹 Audrey 共同經營 Petfolk,目前 42 家診所,兩人都不打算賣,要經營三、四十年;NPS 目標訂在 80,現在是 87,對照 Apple 約 73,幾千次看診裡只要一則負評就會掉下 80。他們把文化縮寫成 BEST:最好的醫療、卓越、團隊、透明,並明講不適合的人該自己選擇離開。他另外開了創投 Cutting Horse,現在的目標是十年內幫忙催生一萬家企業。給年輕人選城市的建議是:科技留在舊金山(他抓七成舊金山、兩成九紐約),消費品看 Austin、洛杉磯與紐約,網紅與加密貨幣去邁阿密。
一句話:語音 agent 主流仍是三段式管線,端到端語音模型擋不住幻覺與護欄需求。
Latent Space 開出第四個節目,合作對象是專做 forward deployed engineering 的主持人:他在 Credit Karma 當過產品經理,後來開顧問公司 Exoflop Labs 幫零售商與保險公司做 agent,今年一月起接私募基金案子,節目首集找 Factory、Cognition、Composio 談 agentic engineering。本集轉載他的語音 agent 座談,與談者來自 Decagon、Vapi、Retell、Daily、Smallest AI。主流架構是 cascaded pipeline:聲音經 WebRTC、電話或 WebSocket 進來先轉文字,中間夾背景噪音移除與人聲隔離,再靠語音活動偵測與 smart turn 模型判斷對方講完沒有——文字按 Enter 就送出,語音沒這訊號,句中停頓與講完的停頓得分得出來;文字進 LLM、可能觸發工具呼叫,輸出轉語音串回去。
不走 speech-to-speech 的理由,一位與談者舉例:demo 會笑、會回應語氣,但你說「下週」,它問「是 6 月 10 日嗎」,你說現在是 2030 年,它就跟著約 2030 年 6 月 10 日。三段式能讓輸入先過 supervisor 模型擋 prompt injection 與社交工程,再做意圖選擇、依客戶類型組 system prompt,回覆後查有無事實依據;代價是延遲,近半年在管線各處一次刮 10 毫秒。LLM 只記得開頭 4% 與結尾 4%,退貨政策擺中間就容易亂編,所以要壓縮上下文——語音 AI 比 coding agent 早一輪處理這題,當年上下文小得多,一萬 token 就會跑掉。催繳這類 outbound 護欄好設,對方亂講就掛斷;inbound 不知道對方要什麼,像 Amazon 十億商品依品類與價格各有政策。實測 outbound 打出去,人一聽出是機器人就掛電話。七個月前模型常跳過步驟 4A1,才做情境化組 prompt,如今模型變好又改回全塞,最後靠反覆測試加 LLM as judge。完全沒有語助詞反而僵硬,工具呼叫卡在客戶 API 等 5 秒時說句稍等沒問題;很多電話十秒內就掛掉,大 prompt 的輸入 token 照樣要付。
模型選擇是關掉 thinking 就能用快模型,Gemini 2.5 快、3.5 較慢,Haiku 也好但比預期慢;平行化是把文字 fork 給多個 LLM 走 waterfall,底下放 gate,都說自己對就再讓一個 LLM 挑。Vapi 方舉日本客戶為例,轉錄用 OpenAI 4.1 或 Deepgram 沒問題,卡在語音合成:英語、西語、葡語堪用的最佳解在日語完全不行,於是讓客戶自帶 TTS 伺服器,各市場都找得到在地實驗室;阿拉伯語難在品牌名與地址發音。Daily 把 turn-based 的 STT、LLM、TTS 評測開源,turn 資料公開,可換自家對話或新模型重跑。Smallest AI 的 speech-to-speech 模型 Hydra 吃語音也吃文字、兩者都輸出,能做工具呼叫;客戶常配自家小語言模型 Electron 微調,比 OpenAI 即時模型成本與延遲都低,且 OpenAI API 延遲會突然飆高不可控,自架能隨需求擴縮。企業端仍以三段式為主,共識是中期走混合:對話迴圈用 speech-to-speech,碰到複雜查詢就打斷、委派給三段式。demo 爆紅後沒消息的 Sesame,他們聽說轉去做硬體。
一句話:物理資料稀少但結構強,把幾何與物理約束寫進架構比堆資料有效
Caltech 的 Anima Anandkumar 在 Latent Space 的 AI for Science 單元受訪,主持人是 Atomic AI 做 RNA 療法的 Brandon 與一位空間轉錄體學創業者。她入行逾二十年,深度學習之前做機率模型的理論基礎,後來在 AWS 參與創立雲端 AI 團隊、做出第一批雲端 AI 產品,再到 NVIDIA 主持研究。她說語言模型能生成假設,瓶頸在驗證:想法不值錢,能否在真實世界成立才是關卡。工作因此分兩路,一路用神經算子把物理保持正確,一路用 Lean 做符號驗證。TorchLean 寫法像 PyTorch,但整個網路在 Lean 裡形式化,已把 CROWN 這類認證強健性演算法實作進去。可證的是輸入擾動多少、輸出最多偏多少的敏感度上界,以及有限精度造成的誤差界;用途是神經網路進到無人機或核反應爐的控制迴路時,安全與穩定有憑據。限制是 Lean 只跑 CPU,搬上 GPU 還有大量工作。
物理資訊神經網路(PINN)每碰到一個方程式實例就從頭優化一次,遇上含時間項、走向紊流與混沌的問題優化地形根本無解,並非處處可用。神經算子改成把資料一起用:先在大量資料上訓練,再把守恆律、偏微分方程當損失函數加進去引導;硬約束不可解,只能做軟約束並調權重。它的輸入輸出不是固定尺寸,而是可無限細分的連續函數,推論時要多細的解析度都能給,能做零樣本超解析。Fourier 神經算子把注意力那層換成傅立葉層,中間保留非線性、殘差連接與升維,只用傅立葉基底等於退回古典數值方法;複雜度接近線性而非 transformer 的平方,又保有全域連結,能抓流體、材料變形、量子化學這類非局域現象。她算過:語言只有一維,脈絡長度推到百萬級就吃力;物理世界三維加時間,工業級每維動輒上千格點,等於幾千億到一兆脈絡長度,全世界算力都不夠,只能換架構。
天氣是第一個例子,資料是 ECMWF 的 ERA5:衛星觀測與物理求解器的短時模擬同化在一起,她說訓練樣本約五萬筆。2021 年動手時氣象學者勸阻,說 AI 打不過幾十年的由下而上物理建模;結果精度逼近傳統模型、快上數萬倍,原本要超級電腦的東西一張消費級 GPU 就跑得動。她們把 FourCastNet 開源且採寬鬆授權,DeepMind、華為等一年後才跟上;南方國家的小型氣象機構因此拿得到過去只有大機構才有的精度。第一版把地球當長方形,長期推演很快發散;第二版納入球面幾何、改用球諧函數,同一個模型才能從六小時預報一路滾到數月。訓練只教它預測未來六小時,加少量多步微調,長程靠自迴歸滾出來。第三版加上集成預報,對初始條件加噪聲跑數十條軌跡得到登陸機率;每條軌跡各自要滿足物理,不是取完平均才算。ERA5 的角解析度 0.25 度,約七百乘數千格點。ECMWF 在 2023 年秋天把 AI 天氣模型公開,颶風 Lee 那次 FourCastNet 比傳統預報早好幾天正確預測登陸點。Allen 人工智慧研究院用她們的架構做出氣候模型,她說那是目前唯一能當氣候模擬器的 AI 架構。
她由此導出更一般的論點:颶風罕見但物理特徵明確,不必靠大量樣本;自然界潛在結構很強,傳統數值方法為了任何情況都要能解,反而看不到,AI 從資料裡挖得出來。核融合同一套:與英國原子能管理局合作,用幾千筆樣本替托卡馬克電漿建數位分身、解磁流體力學方程,比傳統模擬快一百萬倍,能預測打壞容器壁的破裂事件;下一步是控制與模擬一起設計,她也做仿星器,不預先押注路線。其他案例有二氧化碳封存後在地層裡數十年的壓力與遷移、汽車與飛機的空氣動力學(把外型變形成甜甜圈、建模後再變回去),以及光刻遮罩、量子點閘極、非線性光子學的反向設計:合作者手動調不出來的,由模型帶著模擬迴路直接優化。她要的終局是物理的基礎模型,能跨多種現象與耦合物理。神經算子已開源,屬 PyTorch 生態系。她近期加入聯合國科學諮詢委員會,關切監管把 AI 一律等同語言模型,而 AI for science 是另一回事。最想解除的瓶頸,她答算力。
一句話:企業剩下的差異只有自己的資料,而現在來翻資料的多了一批 agent。
Eon 共同創辦人 Ofir Ehrlich 與 Gonen Stein 的上一家公司 CloudEndure 賣給 AWS,產品曾 OEM 進 Azure 與 GCP 主控台,幫企業搬遷數千到數十萬台伺服器,進 AWS 後併入 application migration service。創業起點是 AWS 時期一個大客戶中了勒索軟體:客戶以為受他們維運的災難復原服務保護,實際上資源沒正確分類標記,60% 環境被打穿。Eon 現在跨多家雲盤點分類資料、標出敏感的,把結構化與非結構化資料匯成一份資料底層,兼供保護復原與查詢、套 LLM,靠異常寫入樣式與熵值變化偵測攻擊,並遮蔽個資、留稽核紀錄。
Google 兩天前從破產的 Spirit Airlines 買走的不是飛機是資料,1000 萬美元,拿去訓練模型,傳聞另一個競標者也是 AI 圈公司。有資料的科技公司 CEO 常被問賣不賣,實驗室也去華爾街向避險基金買資料。模型與算力幾乎零轉換成本,資料才是差異;Spirit 那份也是大企業高層、中階與基層怎麼運作的樣本,不像合成資料的真實素材很稀缺,Harvard 幾天前才釋出一份法律資料集,公開的企業內部資料就那幾份。企業自己的資料也拿不出來:散在各業務單位、二十年多套系統,還有那台沒人敢關的伺服器;資料團隊取用要動工程師、可能碰生產與合規,業務單位負責人怕把 CEO 薪資送去做後訓練,誘因對不上。
威脅過去來自人,現在來自有合法權限的 agent,一張表突然被 drop,偵測方法相近但速度極端;半年前沒人談,現在遇到的主管不是怕就是出過事。非人身分的資安公司暴增,成了第一、第二順位問題;端點也重新變難,員工筆電上的 agent 同時連著 WhatsApp、內網與其他應用。非技術員工用 Lovable 這類工具做東西、把公司資料放進去,不知道誰會用到,做出的 agent 還會叫別的 agent,等於多了一批不受組織規則約束、也不在組織內執行卻碰敏感資料的角色;他判斷儀表板會變多而非消失:agent 叫 agent 之後責任鏈追不動,只剩儀表板看得出發生什麼。舊管線他舉兩例:下樓買咖啡刷卡,交易寫進某個資料庫,有人抽走、另一人再處理,彼此沒連結,因為過去動資料前用途就定死;同公司兩人各握紐約愛漢堡與愛披薩的名單,不合作問不出交集。dbt、Monte Carlo 都是為單一用途做的,Databricks 是事後編目,現在也自己做 agent 與資料庫。token maxing 的時代過去,要每個 token 都換到價值。forward deployed engineer 以前只有 Palantir 在做,現在人人做,Eon 先 PLG 再上 FDE,Cognition 也先 PLG 再用 FDE 打銀行;Long Lake 則買下慢於採用 AI 的公司改造成 AI 公司賺利差。雲抽象講不清楚,AI 人人都懂,ChatGPT 之後董事會直接推著上,轉型快到客戶反而喊停,怕壞掉、外洩、IP 流出。