AI

AI

Jun 09, 2026

人工智能怀疑版图

随着 Michael Burry 1 和 Leopold Aschenbrenner 2 大举做空 AI，加之围绕 GPU 折旧以及“Saaspocalypse”的质疑，金融市场对 AI 的看空程度究竟有多深？ 我们可以观察卖空股票所占的比例，即押注股价将下跌的仓位。 在软件、半导体、新云、数据中心和超大规模云服务商等各板块中，卖空兴趣中位数（卖空股数/总股数）在过去一个季度上升了约 24%。 有一个板块在云端阴云密布中尤为突出：GPU 数据中心业务，其被卖空的股票数量在过去一年增长了 60% 3 。AI 云和新云公司当前的流通股卖空比例中位数最高，达到 16.8%。 市场对 SaaS 和开发工具的负面情绪是一个更为突然且近期才出现的现象。开发者工具和基础设施软件的卖空比例为 9.5%，企业级 SaaS 和 AI 应用为 8.9%。 超大规模云服务商则处于光谱的另一端，其中位卖空比例仅为 1.1%。作为 AI 基础设施代表性股票的 NVIDIA，遭卖空程度也较轻，仅为 1.2%。 半导体股票的卖空有所下降。今年以来，像 Micron 这样的内存制造商股价已上涨 742% 4 ，且许多生态系统中的 CEO 都指出，内存和存储才是限制因素，因此最新诞生的万亿美元公司都与内存相关。 哪些股票遭遇了最活跃的看空押注？其中大多数是小盘股或中盘股。下方更新后的图表为每家公司标签加入了市值信息。AI 领域涨幅最大的公司大多并未出现在其中。 SoundHound AI 的空头仓位占比为 36.3%。C3.ai 为 32.2%。BigBear.ai 为 29.4%。Applied Digital 为 28.0%。UiPath 为 22.0%。TeraWulf 为 […]

阅读全文

AI

Jun 09, 2026

秀出你的机甲：AI 时代招聘中对那种无法伪装的学习能力的测试

“为学习能力而招聘”这句话依然没错，但这种说法本身从来都不是测验：谁都可以这么说。如今变化在于，你终于可以要求对方拿出证据了。现在有一种适用于任何职能的测验，而且它会改变你希望团队里有哪些人。 最近我在一场会议的分组讨论环节上，和一屋子的产品与工程负责人以及几位 CEO 一起讨论同一个问题：当产品经理会写代码、工程师会做设计时，究竟发生了什么变化？一家上市公司的工程副总裁断言：什么都没变。招聘时看的是学习能力，找到那些聪明、上手快的人，他们自然会把剩下的事情搞定。 我认为他说“招聘要看学习能力”这点是对的。只是他说“什么都没变”这一点错了。 真正发生变化的是什么 你一直想要的是学习能力，而这也一直最容易声称、最难核验。如今新的变化在于证据：你现在可以要求看看，一个人的学习究竟实际构建出了什么。 而且，正确解读这些证据的利害关系也上升了，因为 AI 会放大一个人的产出，而这个放大倍数在极大程度上取决于他们搭建出的系统。一个强大、由自己构建的 AI 配置，与一个能力同样出色但没有这种配置的同侪之间，差距不是百分之几；产出可能相差数倍。（我无法精确衡量，但这种差异绝不微妙。）所以，你如今雇用的不再只是这个人；你雇用的是他们能够驾驭的那个放大器。 把你的 mech 给我看看 对此，最犀利的回答来自 NextView 投资组合中的一位连续创业者：近十年来一直经营一家开发者工具公司，如今正在打造 AI 工具，技术功底极强，团队规模则刻意保持精简。他的招聘门槛近乎严苛，因为他自己的系统太强大了，以至于他不会招进任何会拖慢他速度的人。所以，他的面试只有一个要求：把你的 mech 展示给我看，并教我一些我还不知道的、关于你如何利用 AI 的东西。 他一说出这个词，我立刻就听懂了。在我孩子们看的动画里，“机甲”就是飞行员钻进去操控的动力机器人外骨骼。它能让驾驶者变得强大得多，但真正操控它的仍然是人。一个人的 AI 机甲，就是围绕其自身工作形态搭建起来的一整套工具和工作流：对工程师来说，是编码代理和定制技能；对营销人员来说，是研究与起草的工具栈；对分析师来说，则是从数据到初稿的流水线。 机甲之所以值得追问，在于它是自己组装出来的。基础层可以是别人交到你手里的（如今很多公司都会把自研的定制编码代理作为共享基础设施），但机甲是其上的那一层：你如何塑造自己的工作配置，以及你运用它的能力有多强。把完全相同的工具交给两个人，他们产出的结果依然会截然不同，因为真正起放大作用的是使用工具的人。这种能力既无法直接买现成的，也无法伪装；它是一个人反复解决自身问题后沉淀下来的积累。正因如此，它体现的是学习能力，而不是工具所有权。 你仍然是在招聘这个人，但“机甲”是观察他们在无人给其安排课程时如何学习的最清晰窗口。作品集展示的是产出（往往已经过时，有时还是团队的成果），而“机甲”展示的是其生产系统，以及他们此刻所处的前沿。这就是第二个条款的作用：“教我一些我不知道的东西”把面试从评判一个人的过去，变成观看他们向你展示未来的一角。你也正是借此分辨出真正的实践者，与那些只会照搬默认设置的人。 但真正值得借鉴的做法，是把他的评估标准提升为一种普遍适用的观察视角，因为在最前沿工作的实践者，往往会揭示出一种原则，而我们其他人也能以更温和的形式加以运用。这并不局限于工程领域：那位把人才搜寻流程自动化的招聘人员，向你展示的，其实和那位工程师是同一件事。 如何进行这项测验 要实施它，就得问得具体：你重新设计了什么？最先坏掉的又是什么？真正塑造过自己工作体系的人，会立刻给出详细回答；而那些只会运行别人交给他们那套东西的人，恰恰会在最能体现自主学习的地方变得含糊。这个“机甲”规模大小并不那么重要，重要的是他们是否真的亲手塑造过一个。 你筛选的是一种倾向，而不是一份工具清单，所以这并不精英主义。一个从未接触过 AI 的人并不会因此被淘汰；这只是意味着，你需要从别处寻找其学习能力的证据。Mech 并不能取代你原本就会评估的内容（领域深度、判断力、品味），它只是额外增加的一层。而且，你自己并不需要有一个 Mech 才能进行这项测试，因为任何人都能分辨什么是教学，什么是在空谈；如果需要更深入的判断，就找来一个在该职能中“佩戴”Mech 的人参与评估。 这会如何改变团队 为什么团队需要 Mech 佩戴者，而不只是为了速度？因为他们会让团队呈现 T 型结构：在一个职能上足够深入，在多个职能上也具备可信的能力。角色边界变得模糊，并不意味着角色本身会消失。一个会写代码的产品经理，仍然是产品经理，只是其工程能力大致相当于一名普通工程师的水平（“1x”），但不会超过这一层级。Mech 激活的是 T 型结构中的横向一笔，让一名专家在相邻职能中也能灵活达到可信的 1x 水平，而不是在那里卡住。 卡壳通常发生在职能之间的接缝处：市场人员等分析团队拉数，产品经理等工程团队做原型。Mech 佩戴者能够填补这些空白地带，因此每当工作跨越边界时，整条协作链条就不再一次次断裂。 这也正在改变资深职业发展的样貌。如果一个人既具备深度又拥有广度，他的工作效能就能接近一个小团队的杠杆，这使得回归个人贡献者岗位这件事，看起来与过去大不相同。Workday 前 CTO […]

阅读全文

AI

Jun 09, 2026

美女与风投

共识资本会奖励熟悉的模板。垂直 AI 赢家必须自行构建 20世纪上半叶，报纸上曾有一种颇受欢迎的游戏：让人们从100张照片中猜出哪些面孔最“美”。读者需要选出六张面孔，然后将他们的选择与所有其他参与者的选择进行比较。如果某位玩家选中的名单里包含最受欢迎的那张脸，他们就能赢得奖品。 英国经济学家约翰·梅纳德·凯恩斯对这一游戏很感兴趣，认为它或许可以作为解释权益市场价格波动的一种模型，并在其 1936 年的著作 《就业、利息和货币通论》 中讨论了其中的最优策略。凯恩斯指出，取胜之道并不是选择你自己觉得最有吸引力的面孔，而是选择你认为其他所有人都会选的那张脸。而由于其他人也可以运用同样的策略，要想领先一步，一个人就必须比所有人多想一步——猜测他人的偏好、他们的猜测、别人如何看待这些猜测，等等。随着分析层层递进，考量也越来越偏离最初的问题：谁才是最美的？ 这种递归如今被称为“凯恩斯选美竞赛”。凯恩斯在市场中看到了同样的循环：投机的成功，与其说取决于挑中最稳健的资产，不如说取决于猜中下一次会被大众抬高价格的是哪一个，以及会在何时发生。 风险投资如今也遵循同样的逻辑，而资本的高度集中意味着，“美”正由越来越少数的参与者来定义。这是历史上最集中的风险投资市场：今年第一季度，全部风投资金中约 75%由五家机构募得。到 2025 年，近 50%的风投资金流向了规模超过 5 亿美元的融资轮次——而十年前这一比例仅约为 10%。1 我们此前已经从结构层面写过这个问题： 风险投资的资产管理理论 、 计划经济式的运行逻辑 ，以及早期风投如何缓慢演变为一个以 “可募资性”优先于“可投资性” 的流水线市场 。而我们想进一步展开的是其认知层面的后果——共识资本会如何塑造投资者的思维方式。在垂直 AI 领域，这种转变尤其危险，因为被复制的不是某个想法，而是对一种成功原型的错误抽象。 当少数决策者每年需要在几百个决策中部署数十亿美元资金时，这家机构的操作系统就必须依赖可迁移的模板。在这样的规模下，你不可能对每一家公司都从第一性原理出发进行投资判断。于是，操作系统随之改变。你只投资于一种狭窄风格的公司；你对照过往成功案例进行模式匹配，把信念外包给那些在你之前或之后出价的人，并将每一个新机会压缩成旧机会的形状。模式匹配并不是懒惰投资者的性格缺陷，而是规模化资本不可避免的运作机制。 可预见的模式匹配 然而，“不可避免”并不等于“在逻辑上站得住脚”。共识资本并没有发明模式匹配——投资者一直以来都会以某种形式依赖它。真正的新变化在于，可被接受的模式范围已经变得何其狭窄；而在当下的风险投资市场中，任何偏离这种模式的人，都可能付出沉重代价。 在一项 2022 年研究中，Chicago Booth 的 Diag Davenport 对超过 1.6 万家初创公司和 90 亿美元已承诺资本进行了分析，发现大约一半表现不佳的风险投资结果，仅凭投资当时可获得的信息就可以预测。表现良好的结果模型侧重于产品特征。表现不佳的结果模型则高度依赖创始人背景。令人意外的是，一个仅基于创始人教育数据构建的模型，被证明是预测哪些投资将跑输预期的最强单一指标。 引人注目的是，这项研究并没有告诉风投行业任何它原本不知道的事。它只是印证了这个行业最古老的箴言之一，正如 Andy Rachleff 直白所说：“当一个优秀团队遇上糟糕市场时，赢的是市场。当一个糟糕团队遇上优秀市场时，赢的还是市场。当一个优秀团队遇上优秀市场时，特别的事情就会发生。”在最近的一篇文章中，来自 Odin 的 Dan Gray 简明扼要地总结了这一模式为何会出现： 不知从什么时候开始，这个行业说服自己相信，融资能力本身就是创业者一种值得追求的特质，而这一逻辑也因此形成了递归。投资人开始按照最有可能融到下一轮的创始人原型进行模式匹配，这使得这类原型更容易获得资金，进而进一步强化了这一模式。——Odin 的 Dan Gray 这就是应用在数千亿美元风险投资上的凯恩斯式“选美比赛”。Ben Graham 曾有一句名言：市场“短期是投票机，长期是称重机”。风险投资如今已经非常擅长“投票”，却越来越不擅长“称重”。 垂直 AI […]

阅读全文

AI

Jun 09, 2026

AI 与杰文斯悖论：为何 AI 的采用会推动分阶段的价格变化，并带来需求增长

AI 的采用分为三个阶段推进，最终带来新进入者和市场扩张。 随着技术逐步落地，最初的优势往往归于既有企业，它们能够借助新技术提升效率并扩大利润空间。我听到不少朋友说：“如果像 Harvey 和 Legora 这样的公司增长这么快，为什么我律师事务所的账单却没有降下来？”如果一名律师能够在极短时间内完成标准化法律工作，这难道不应该压缩可计费工时，从而降低服务成本吗？短期来看，这部分利润会被既有企业获取。 但我们不妨以放射学为例。 十年前，许多人曾宣告放射学这一领域将走向消亡。其逻辑是这样的：放射科医生主要是查看核磁共振影像，AI 驱动的图像识别与认知能力正变得越来越强，因此，像放射学这样高度依赖影像的领域，将成为最早消失的行业之一。 然而，实际发生的情况体现在两个方面： AI 影响了硬件（原子）：核磁共振设备变得更强大、更快捷，构建、管理和运行成本更低，投入使用的设备也更多了 AI 影响了软件（比特）：图像处理免除了放射科医生对程式化、常规病例进行阅片的需要，并将他们的重点转向边缘病例——在那里，从业者的经验至关重要，也更需要细微判断和具体语境 这两方面的影响意味着，更多核磁共振设备可供更多人使用，而处理图像所需的放射科医生数量则有所下降。在短暂的过渡期内，影像实验室本可以因为能够以更低成本开展核磁共振扫描而提高利润率，或许还可以通过减少在编医生数量来压低管理成本。 但随后，发生了一件或许令人好奇、又或许显而易见的事。新进入者涌入市场，以低了好几个数量级的价格提供核磁共振扫描，赚取旧价格与新成本之间的差额，并以远低于历史报价的价格提供这类服务。而由于在这些新的价格点上，核磁共振出现了全新的应用场景，例如预防性扫描，需求激增，新公司纷纷成立，并在争夺用户获取的竞争中进一步压缩利润空间，结果不仅核磁共振设备和扫描数量大幅飙升，连负责阅片的放射科医生人数也猛增。 这是一种被称为杰文斯悖论的现象，可追溯至 1865 年。William Stanley Jevons 最早在煤炭领域观察到这一现象。技术效率的提升会带来生产能力上升、价格下降，以及随之而来的需求扩张。那些原本被认为会消灭就业的效率提升，反而会创造出如此巨大的产出扩张和价格下行，以至于从净效应看，它对需求扩张以及由此带来的更多人力劳动需求都是正面的，而非负面的。NPR 最近就对此现象与 AI 的扩张效应之间的关系做了一次很精彩的深度报道。 这部“三幕剧”很可能会在法律行业以及许多其他行业上演： AI 让既有企业获得优势，得以攫取新的利润空间，并出现一个短暂的过渡期，在此期间既有企业仍将继续占据主导地位，而价格不会发生变化（这就是“怀疑低谷”，人们会认为 AI 并没有带来太大改变） 利用这些新成本优势的新进入者将压低行业常规价格，蚕食这部分新的利润空间，缩小价格与成本之间的差距 相同服务的价格会下降，而这些服务在新的价格点上会产生净新增需求，这很可能会带来市场扩张和增长 现有企业和新进入者可能会继续并存，但由于现有企业的固定成本很可能与旧有价格水平相匹配，它们相较于那些以 AI 为原生、且不背负同样冗余固定成本的新玩家，将处于结构性劣势，因此后者会更加灵活，也更能免受利润率侵蚀的影响。 总体而言，就像我们在 Prenuvo、Ezra（现为 Function Health）、EverLab、Axo 以及许多面向消费者、以传统成本一小部分价格提供预防性核磁共振扫描的医疗健康公司身上所看到的那样，我们很可能也会看到新一代由 AI 驱动的原生律所出现，它们将能够以顶级律所相当的服务质量，提供仅为其一小部分价格的服务。它们会侵蚀这些老牌律所的利润率和盈利，拉低单位服务费用，并进而可能创造出净新增的市场扩张。 在像 Omar Haroun 创办的 Eudia 这类利用 AI 工具大幅增强企业内部法律顾问能力的公司中，他们正为企业内部法律顾问提供一套原生于 AI 的工具箱，从而大幅削减法律预算。尽管他们或许仍会为顶级诉讼律师支付高昂费用，主要是为了在同行面前形成一种权势威慑的观感，但在已被商品化的法律服务领域，竞争将演变为一场逐底竞赛；新进入者能够以仅为客户成本一小部分的价格，提供质量相当的工作，从而蚕食老牌律所合伙人费率表的空间。 AI 早期带来的效率提升，首先会被传统既有参与者获取。全新的 AI 原生玩家则利用新的成本优势，向利润空间发起进攻。价格下降并完成出清。对服务的净需求上升，市场扩大，而由于增长，净新增就业岗位也很可能随之出现。正如煤炭行业曾经历过的那样，放射科如此，法律行业可能会是下一个。如果我的法律账单从每小时 2000 […]

阅读全文

AI

Jun 09, 2026

美国的开源模型在哪里？

美国的开源模型在哪里？ 在我几乎整个风险投资生涯中，我一直在投资开源公司。我热爱开源企业，认为它们通常对整个生态系统大有裨益，也能够创造巨大的商业价值（不过这并不容易！）。我们已经看到各种类型的开源企业取得成功，比如数据库（Mongo、Clickhouse 等）、数据基础设施（Databricks、Confluent 等）、开发者工具（Hashicorp、GitLab 等），以及许多其他类别。 其中的微妙之处在于，你如何定义“开源”。这在很大程度上取决于开源项目采用的是什么开源许可证。总体来看，主要可分为三大类。第一类是完全开放且宽松的许可证（MIT、Apache 2.0 等）——任何人都可以按自己的意愿使用、修改和分发代码，包括在其基础上构建商业产品。第二类是 copyleft（GPL、AGPL 等）——代码是开放的，但如果你分发它或在其基础上开发，就必须把你自己的代码也开源。第三类是 source available——代码可公开阅读，但许可证会以特定方式限制商业用途。这类许可证包括 BSL（Business Source License）和 SSPL，HashiCorp 和 MongoDB 都曾在不同时期转向采用这类许可证。 source available 许可证的核心在于，除了项目变现之外，你基本可以做宽松许可证下能做的所有事情（也就是说，你不能拿这个项目做一个托管版本，然后向用户收费）。最“纯粹”的开源支持者会认为，只有完全开放且宽松的许可证才是真正的开源，其他都不是。 这些开源公司的打法过去是、现在仍然是：先成为各自领域的默认选择。这是最关键的一步。Spark 成为了大规模数据处理领域的默认方案，Kafka 成为了实时数据流处理和事件摄取领域的默认方案，Mongo 成为了 NoSQL 数据库领域的默认方案，等等。每个项目都在各自领域获得了广泛采用、几乎无处不在——它们曾经是、现在仍然是各自应用场景中的主导平台。 随后，这些项目背后的商业公司再想办法实现变现。有时是通过托管服务——由公司代你运行和管理基础设施，这样你就无需自己操心项目的部署、扩展或维护。在其他情况下，专有功能则被置于商业版本之后（例如更好的性能、企业级功能等）。无论如何，行业中始终存在清晰的变现路径，也已有许多成功案例证明，围绕成功的开源项目之上可以建立起规模可观的商业企业。 但情况并非一直如此。很长一段时间里，业内的传统看法是，开源不可能成为一门真正的生意。代码既然是免费的，那谁来买单？而这种怀疑并非空穴来风——一家公司为什么要为某种东西付费，而他们自己的工程师明明可以直接下载并自行运行？早期的开源公司不得不艰难地证明其商业模式成立，许多投资人一开始也放弃了这类交易，因为其中的商业逻辑并不显而易见。“你们这是要直接白送出去？”是很常见的反应。坦率地说，这也并不是一个不合理的问题。 最终的答案是：没错，软件本身可以免费提供，但你可以围绕它的一切收费——托管版本、企业级功能、支持、集成、专有引擎等等。开源项目承担的是分发渠道的角色，而商业化产品则是另一回事。随着一批成功的开源商业公司出现，市场才越来越清楚地看到其中在商业上的可能性。而这也至关重要——投资人（包括我自己）曾深信，成功的开源项目可以转化为成功的商业公司。这形成了一套重要的激励机制——投资者有动力为开源公司提供资金，创始人也有动力创办商业化开源公司 让我把这和开源 AI 领域正在发生的事情联系起来。如今，最大的失望之一，是美国缺乏一个强有力的开源模型生态。所有前沿模型都来自 OpenAI / Anthropic 的闭源体系。领先的开源模型则几乎全部出自中国实验室。DeepSeek 是最突出的例子，此外还有 Alibaba 的 Qwen、Moonshot AI 的 Kimi 等。Jensen Huang 曾谈到，在 AI 技术栈的每一层——芯片、模型、基础设施、应用——都拥有美国领导者的重要性。美国显然在芯片领域占据领先地位（NVIDIA），在应用层也拥有强大的既有企业，但开源模型这一层却是一个明显短板。而这一短板的重要性，远超许多人的认知。开源模型是开发者学习、实验和构建的基础。它们是下一代 AI 应用的分发层。如果占主导地位的开源模型都来自中国实验室，这将对开发者社区在哪里形成、工具链围绕哪里构建，以及最终商业生态在何处兴起，产生长期影响。 那么，为什么美国开源模型生态没有出现更繁荣的发展？我认为归根结底还是激励机制的问题。就像很多年前投资者曾对开源公司的商业模式存疑一样，如今他们对开源实验室也有类似的疑问。开源模型要如何实现商业化？你可以“托管”它——对于模型而言，这大概就是提供一个可供用户调用、用于推理的 API 端点。<p> […]

阅读全文

AI

Jun 09, 2026

AI 是否让风投忘记了基本竞争策略？

为何 Anthropic 和 OpenAI 不可能赢下每一个市场 今天我想谈谈基础竞争策略和 AI。 几天前，Firstmark 的 Matt Turck 在 LinkedIn 上发表了下面这篇帖子。Matt 的风格一向是带点戏谑的 VC 评论，但这一次，他对 VC 们的调侃里却意外地有不少真话。我们在为 Neurometric 融资时，收到最多的反馈就是：“OpenAI 和 Anthropic 难道不会直接做这个吗？”我认识的大多数创始人朋友，不管他们的初创公司做什么，听到的也都是同样的话。所以，对于那些对此感到担忧的 VC 们，我想试着让你们放心一些。 企业战略的核心在于取舍 。没有哪家公司能包揽一切，因为在大多数市场中，顾客偏好各不相同，从而形成了重视不同产品或服务版本的不同客户群体。选择以某种方式做事、迎合某一类偏好，也就意味着你的业务在满足另一类偏好时，配置上会更不适配。举例来说，当人们抱怨 Dunkin Donuts 的咖啡不够好时，他们其实没抓住重点。Dunkin Donuts 和 Blue Bottle 采取的是不同的战略，这也决定了它们在如何做事、为何这样做上的不同选择。Dunkin 的定位是以快速、便利的方式提供还不错的咖啡。它并不迎合讲究咖啡品质的饮用者，也不服务那些想带着笔记本电脑一坐就是几个小时的人。它服务的是那些想迅速、轻松补充咖啡因的人。 当前这波对 AI 的恐慌，忽视了商业策略中权衡取舍的重要性。这不过是 1990 年代“Microsoft 直接把它捆绑进 Windows 里就行了”或 2010 年代“Amazon 直接抄你的产品就行了”的现代版本。它落入了一个经典陷阱：把技术能力与战略定位混为一谈。现实情况是，尽管 OpenAI 和 Anthropic 正在构建史上最令人惊叹的“引擎”，但它们不可能打造出每个行业所需的每一种“载具”。要理解其中原因，我们必须跳出 LLM 跑分指标，直面战略取舍冷酷而坚硬的逻辑。 “万事皆可做”的谬误 当风投问道，“OpenAI […]

阅读全文

AI

Jun 09, 2026

AI“大重估”：在私募市场的神话盛行多年之后，公开市场即将要求拿出真凭实据

IPO 窗口正在重新开启，华尔街即将成为全球最大的 AI 估值基准。 SpaceX 正准备上市。Anthropic 已秘密递交 S-1 文件。OpenAI 也在准备自己的申报文件。如果哪怕只有一部分传闻中的估值最终成真，公开市场很快就将不得不消化数万亿美元新增市值——而这些公司迄今为止的定价，主要依赖于私募市场的共识、战略必要性，以及市场情绪。 SpaceX 是最清晰、也最特别的案例。人们很容易把它归入 AI 阵营，因为 Elon Musk 与其有关，而 xAI 也算是“全家福”中的一员，但 SpaceX 本质上并不是一家模型实验室。归根结底，它是一家围绕火箭、卫星、发射能力、频谱、制造、轨道物流以及稀缺实体基础设施展开的公司。这是一家掌握瓶颈资源的企业。 据传估值达 1.75 万亿美元，若以市场流传的 150 亿至 160 亿美元营收预估大致靠谱为前提，SpaceX 的交易估值将相当于 2025 年预估营收的约 110 至 120 倍。按 2025 年预估息税折旧摊销前利润（EBITDA）~80 亿美元计算，这一估值约为 EBITDA 的 220 倍。严格来说，这个数字高得惊人。 “SpaceX 是否被高估了？”这场争论既显而易见，又无解。就当前财务数据而言，答案是肯定的，当然如此。你甚至不需要金融学位，就能判断 220 倍 EBITDA 里包含了相当程度的乐观预期。但如果它成为发射、卫星宽带、国防连接、轨道物流以及未来太空产业的基础设施垄断者，那么这一估值就成了对那些仍在形成中的市场的一种看涨期权。这并不意味着这个数字就合理，但确实让这种论点更难被轻易否定。 这些年来，看着许多非常聪明的人因做空 Tesla 而亏钱，我逐渐对“基本面判断正确”与“交易判断正确”之间的鸿沟产生了一种无奈的敬意。对于 Elon 旗下的公司而言，电子表格往往只是一个输入项。其他输入还包括叙事、稀缺性、反身性，以及整个市场只要故事讲得足够好、就愿意为科幻愿景买单的意愿。 OpenAI 和 Anthropic 面临着一项更为奇特的任务。它们必须为“智能”本身的估值提供正当性。多年来，前沿 AI […]

阅读全文

AI

Jun 09, 2026

在 AI 资金四处涌动的当下，仅有“切身利益绑定”已经不够了，我还要寻找“发自内心的投入”

有句老话说，“创业公司的非流动性”是一种特性，而非缺陷，因为它能让所有人——创始人、团队、投资人——都专注于长期结果。大家有着共同的激励，也都有“切身利益绑定”——无论是汗水换来的权益，还是资本权益。 到了公元 2026 年，这种说法显得古旧而过时。风投机构无论工作做得好不好，都能靠管理费赚得盆满钵满。股权结构表上的每个人都知道如何把私人公司的股票变现，不管是通过二级交易、SPV，还是远期出售。你最优秀的团队成员——无论是担心自己沦为永久底层，还是只是想尽快为自己多拿一些——只要有更高净现值的选择，随时都可能离开你的创业公司。说到底，只要他们真有本事，手上就不会缺 offer。 其中有些变化对我们的圈子是积极的，有些则不是。但这并不重要，因为这就是现实。 仅有切身利益绑定，已经不够了。如今我还要看是否真正投入了热情与使命感。 那些希望自己的公司被刻在墓碑上的人，而不只是出现在银行账户和演讲者简介里的人。那些不会为了工作邀约就抛下自己的初创公司、坑了天使投资人和留下来的团队成员的人。谁才是真正在乎的人？ 那种每天都想来投入工作的团队（真实地说、象征性地说、隐喻性地说），因为他们正在解决的问题是自己真正在乎的事，而身边并肩作战的人，也是真正彼此承诺的人。这并不是要以牺牲经济利益为代价，而是追求双重底线。 还有那些真正有勇气的投资人。愿意为一家初创公司承担风险。看重的是最终结果，而不是估值抬升，不是内容营销。那些追逐成功、逃离失败的人，去他的。 在我看来，Ambrook 就是一家“把心放进局里”的初创公司。一群极其敏锐聪明的人，正在为农民打造金融工具——服务于真实世界的经济。那里的每个人，换一份工作、加入某家前沿实验室或“美股七巨头”，大概率都能赚得更多。但他们没有。因为他们想要的是一种双重底线的结果——既有满足感，也有真金白银。 去读读他们的博客 ——你会看到，他们吸引的不只是资本，也能被人才真正看见。哦，相信我，资金是有的（更多消息待后续公布），但今天他们更在乎脚踏实地，以及他们的顾客能否继续把自己的生意做大。而这也让我非常高兴能够支持他们，因为在那里，大家真的是把心放进了局里。 你的心在局中吗？你家 CEO 的心在局中吗？你们的风投呢？如果不是…… 提示 别让航空公司宰你 尤其是在油价上涨之际 ：我在用 Junova 追踪我已购买的航空公司机票，一旦价格下跌，就会自动帮我追回价格差额对应的信用额度。这是一个朋友创办的产品，到目前为止，已经帮我追回了价值超过 2000 美元的 American 和 United 信用额度[ 更新：而且我已经成功将这些额度用于之后的机票购买！！！]。他们的商业模式是：服务免费，但如果他们成功帮你追回信用额度，就会向你的信用卡收取相当于额度价值 20%的费用。 如果你使用这个推荐链接 ，你的前 25 美元费用（即 125 美元的航班信用额度）将被免除。欢迎告诉我你的使用效果！ Press enter or click to view image in full size 最初发表于 https://hunterwalk.com，发布于 2026 年 6 月 2 日。

阅读全文

AI

Jun 01, 2026

为 AI 时代重构开发者技术栈：我们为什么在此时下注？

我们关注的投资方向：为AI时代重建开发者工具栈 我们关注的投资方向：为AI时代重建开发者工具栈AI / ML软件基础设施与安全洞察写 GitHub是为人类编写代码的世界而构建的。那个世界正在迅速终结。 上个月，谷歌宣布其公司内部75%的新代码现在由AI生成。根据2025年Stack Overflow开发者调查，84%的开发者正在使用或计划使用AI工具。 工程角色的内涵正在发生巨大变化，然而工程师用来管理代码的工具：git、PR、代码审查、文档，却一成不变。裂痕已经开始显现。HashiCorp创始人、GitHub第1299号用户Mitchell Hashimoto宣布，在连续使用18年后，他将把自己的项目迁出GitHub。他的不满在于可靠性，而非AI；但这表明软件开发的基础已经准备好被重建。AI创作正是那个推动变革的催化剂。 我们看到，为AI时代构建新型工程工具的巨大窗口已经打开。我们正在积极寻找那些重新构想新时代工具的团队。 真正出了什么问题 Git的设计围绕着一个简单的思维模型：一个人做出决策，编写一些代码，并留下一条解释原因的提交信息。围绕它发展起来的整个代码审查文化：PR评论、责任标注、变更日志规范，都假设存在一个你可以，如果需要，拍拍肩膀问”你为什么这么做？”的人。 当人类参与减少时，Git模型就崩溃了，尤其是当作者是Claude Code/Codex/Cursor或在CI中运行的自定义AI智能体时。代码仍然会进入PR，通过lint检查，甚至可能通过代码审查，但许多曾经隐含或可追溯的信息现在都消失了。 提示词消失了。对于AI生成的代码来说，最丰富的意图产物就是生成它的提示词：工程师要求什么，他们指定了哪些约束，他们向模型提供了什么上下文。在AI世界中，这段历史在会话结束的瞬间就蒸发了。六个月后，当有人需要理解某个特定架构决策的原因时，已经无迹可寻。来自AI智能体的提交信息告诉你的都是你已经知道的东西（”特性：实现用户认证模块”），只留下一个差异对比、一个模糊的工单链接，以及运气好时一份AI生成的README。消失的不仅仅是提示词：会话中积累的理解也一并消失了。这在大型代码库中尤为严重，AI智能体被迫分片工作，它们理解当前任务所需的内容，却从未看到自己的更改如何与系统的其他部分交互。每个新会话，无论是同一个工程师、不同的工程师，还是另一个AI智能体，都是从零开始。 目前，很难区分哪些是人类编写的，哪些是AI智能体生成的。大多数代码库现在都是混合状态：有些文件被AI智能体大量修改，有些由人类修改，还有一些是两者交替修改。git blame显示的是执行git commit的人，而不是其中的代码是否由AI生成。一些工具试图揭示这一点：Claude Code默认会在提交信息中添加”Co-Authored-By: Claude”尾部标记，但它无法在压缩合并后干净地保留，而且最多只能提供提交级别的信号，而非行级别的信号。实际上，一旦PR合并，这个信号就消失了。这对于调试、安全审查以及任何试图在六个月后理解代码库的人来说都至关重要。佐治亚理工学院的Vibe安全雷达追踪到，仅在2026年第一季度，就有56个CVE可归因于AI生成的代码，超过了2025年全年的总数——而且其中大多数最初都是通过了审查的代码。 开发者们仍然不信任AI的输出。Stack Overflow 2025年的调查揭示了一个值得注意的现象：46%的开发者积极质疑AI工具的准确性，而只有33%的人信任它们。尽管采用率在攀升，但信任度同比却下降了11个百分点。45%的人表示，调试AI生成的代码比他们自己编写代码耗时更长。代码交付速度更快了，但对其的信心却没有跟上。 社区层面也在瓦解。GitHub不仅仅是一个存储代码的地方。Issues、PR和提交历史是开源项目沟通和吸引贡献者的方式。社交层有可以被质疑并会回应的人类作者。AI正在用噪音淹没GitHub：由不理解代码库的AI智能体提交的issue、缺乏人类上下文的PR、技术上准确但语义空洞的提交历史。维护者报告说，分类工作正变得难以管理。信噪比正在恶化，而我们没有工具来解决这个问题。 CLAUDE.md 问题 团队已经开始自行解决上下文问题。在任何工程师重度使用Claude Code或Codex的代码库里翻一翻，你都会找到像CLAUDE.md、AGENTS.md、AI_CONTEXT.md这样的文件。基本上就是为AI智能体编写的README。它们写下了这样的规则：不要碰遗留的认证模块，始终使用内部HTTP客户端，这是迁移模式，这是你在接触这个服务之前需要知道的五件事。 这些文件是有效的。当它们准确时，能显著改善AI智能体的输出。问题在于，没有工具能让它们与实际代码库保持同步。因此它们会逐渐偏离。做出的决策没有反映在上下文文件中。服务被弃用了，但文档仍然引用它们。建立了新的模式，但AI智能体却不知道。没有人更新这个文件，因为这不是任何一个人的职责。 在规模上，本可以让AI智能体高效工作的上下文层变成了一种负担：每个会话中都植入了自信但错误的指令。而基于过时上下文运行的AI智能体会让本已不稳定的局面雪上加霜。 重建开发者工具栈：机遇 解决这些问题最雄心勃勃的版本可能是一个新的GitHub：一个从零开始构建的平台，假设相当一部分代码是由AI智能体生成的，并将来源、会话上下文和归属作为一等公民。对于有人来说，从头开始是一个巨大的机会。 我们最感兴趣的四个领域： 将提示词和会话捕获作为平台原语。 AI编写代码的生成上下文，即提示词、模型、尝试过和被拒绝的方案，需要持久地保存在某个地方，并与产生的提交相关联。这是构建一切的基础层：没有它，就无法进行有意义的归属、审查或审计。我们正在寻找将其构建为组织级基础设施的团队，而不是作为单个AI智能体工具中的一个功能。 为AI智能体生成的差异对比重建代码审查。 现有的PR审查流程并非为AI生成代码的数量或性质而设计。一个能够识别哪些代码块是由AI智能体生成的、知道产生它们的提示词上下文，并在审查体验中原生呈现这些信息的平台，将使工程团队能够施加适当的审查力度，而不会拖慢一切。开发者即使每天都在使用AI输出，却对其缺乏信任，这既是审查工具的问题，也是模型质量的问题。 在代码库级别进行上下文管理。 CLAUDE.md模式有效，但无法扩展。正确的解决方案是将AI智能体上下文视为一个一等平台产物：版本化、与代码库同步、在每个会话开始时可用，无需手动维护。对于管理大型代码库的CTO来说，这决定了AI智能体是能随时间累积价值，还是会因为总是从零开始而陷入瓶颈。 社区和贡献基础设施。 随着AI用噪音淹没开源社区，维护者需要能够大规模管理贡献质量、区分信号与AI生成的噪音、并保留用于协作软件开发的人类沟通层的工具。 这只是我们关注的四个领域。这个领域还处于早期阶段，我们非常乐意与那些从不同角度看待问题的创始人交流。

阅读全文