图片来源：a16z

Z Highlights

• 我们逐渐形成一个判断：不存在大一统的“AI”，而是无数差异悬殊的子领域，每个都需要专属策略。

• 现在的情况是，应用层正从这笔巨额基建投入中受益—— 因为 “智能” 实际上已经变得触手可及了。

• 但之后，他们必须反过来构建传统软件的核心能力，不管是做平台模式、工具模式，还是其他什么模式，最终都得想办法补上这一课。

• AI市场不是 “水涨船高、所有公司都能受益” 的领域，选择（选对赛道、选对团队）比以往任何时候都重要。

本期播客录制于a16z年度有限合伙人峰会现场，普通合伙人Erik Torenberg、Martin Casado 与 Sarah Wang 共同深入剖析当前 AI 领域的发展态势。对话内容涵盖多个核心议题：从 “GPT 套壳” 的认知误区，到 Cursor 等应用的快速崛起；探讨防御性优势正在哪些领域形成，平台变革与过往科技周期如何相似（又存在哪些差异），以及为何 “零和思维” 在如今的 AI 格局中已不再适用。此外，他们还讨论了 SaaS 行业老牌企业面临的 “创新者窘境”、品牌护城河的崛起、个人用户接受度所发挥的意外作用，以及在这个 “既呈指数级增长，又加速淘汰” 的市场中，如何选出真正的品类领导者。

AI 行业格局：增长与碎片化

Erik Torenberg：大家好，很高兴见到你们。Martin、Sarah，我们刚梳理了公司现状。当下人工智能领域的发展态势是怎样的？

Sarah Wang：过去两年半感觉过得很快。鉴于人工智能格局变化迅猛，Martin和我觉得，让内部团队反思并评估人工智能生态中价值积累的领域，会很有意义。你们即将看到的幻灯片，是我们给全球合伙人做内部汇报的成果 —— 我们自己都对这些发现感到惊讶，所以今天想分享出来。我们会拆解大量数据和幻灯片，核心结论可提炼为三点：其一，AI公司的增长速度和规模远超预期；价值正在技术栈的每一层（模型、基建、应用）持续积累。但矛盾的是：更短时间内创造更多价值的同时，行业也在更短周期里酝酿“淘汰危机”，后续我们会深入剖析这种动态。最终结论是：必须投身赛道，但下注时要比以往更精明，因为风险阈值已大幅提升。

Martin Casado：值得强调的是，我们逐渐形成一个判断：不存在大一统的“AI”，而是无数差异悬殊的子领域，每个都需要专属策略。比如，语言模型和Diffusion模型天差地别，应用层与模型层逻辑迥异，工具链又自成体系。这些子领域的复杂度，已趋近软件行业的广度，策略也必须更细分。

基础模型vs 应用：谁在领跑？

Erik Torenberg：你提到的第一点，我们展开聊聊：当说“基础模型发展超预期” 时，究竟是什么级别的规模？

图片来源：a16z

Sarah Wang：这个问题，用两张图表阐释比口头描述更直观。两年前，我或许会说咱们公司是市场最乐观的拥趸，但如今，这个市场的规模和增速，连我们都感到震撼。看左侧图表：仅两家顶尖前沿实验室的营收，不仅超越了历史上最优秀SaaS公司的早期增长曲线，甚至开始追赶超大规模企业的早期增速。更惊人的是 “时间维度”—— 想想它们的产品上线才多久，这样的增长曲线就更具冲击力了。更让我们兴奋的是：AI领域的高速增长绝非两家公司的独舞—— 市场不仅增长更快、规模更大，还在加速碎片化。

Erik Torenberg：再深入举些例子：OpenAI显然有巨大增长潜力，但为什么我们认为 “全产业链都存在机遇”？

Martin Casado：我来展开说。早期有种观点：“OpenAI会通吃一切，大公司能垄断所有赛道。” 但回顾过去几年，现实恰恰相反：OpenAI最早瞄准的Code Pilot（代码辅助）场景，输了；率先尝试的图像赛道，也没拿下；甚至 Sora切入真实视频领域，依旧没能独占。但它靠文本领域收获了巨额价值。正如Sarah所说，核心结论是：市场比预期更庞大、更具持续性，直接导致了“赛道碎片化”。

过去我们会认为，“某件事肯定被某家公司垄断，或某个领域只能容下一个玩家”，但最终发现：足够多的细分领域，能支撑多家公司实现爆发式增长、创造海量价值。所以我们判断“非此即彼” 的思维全错了—— 认为 “靠防御性规模就能赢” 的人错了，只谈行业整体的人也错了。当然，这绝不意味着 “努力没用”，咱们接着聊。

Erik Torenberg：关于这事儿，挺有意思的是，一年前大家都在聊GPT，对吧？当时都在说要给GPT加文件支持之类的功能，可现在情况不一样了 —— 到底发生了什么变化？为什么这些 “加文件” 之类的方向没成气候呢？

Sarah Wang：是啊，我觉得这对在座不少投资人来说挺有讨论价值的，毕竟咱们投资的不只是这一个领域。而且现在我们说“那些曾被吹成‘颠覆性’的AI应用其实走不通”，这种情况本身就很值得聊。你的问题可以分成两部分来看：首先，行业早期周期里，大家的关注和投资多集中在基础设施层，这其实是合理的。而现在的情况是，应用层正从这笔巨额基建投入中受益—— 因为 “智能” 实际上已经变得触手可及了。而且时机也刚好：顶尖模型市场的竞争非常激烈，这既推动模型能力不断升级，又让价格持续下降，其实今年模型成本还有望进一步降低。所以说，这方面的条件确实在往好的方向发展。

至于你问的“基础模型为什么不直接接管应用层”，这是个很合理的问题，我们每次做新投资时都会这样反问自己。早期那些做营销文案的AI应用，确实让我们有过 “基础模型可能通吃” 的顾虑。但你知道吗，跟这些应用公司的创始人聊，再和模型供应商沟通之后，答案变得越来越一致：当场景里有复杂的工作流、海量的客户数据，而且必须通过深度集成才能给客户兑现 “最后一英里” 的价值时，垂直领域的AI应用就能轻松击败基础模型层的方案，甚至比市场上的其他仿制品表现好得多。我们其实有几个案例能说明这一点，但结合最初的行业格局来看，现在这种情况还是挺让人意外的。

Martin Casado：说真的，“GPT wrapper”以前是个贬义词，意思就是 “这东西没什么实质内容”。但现在我们得出的结论是，这种说法根本不成立。就像没人会把 “搭建在云上的软件” 叫 “云套壳” 一样，搭建在模型之上的软件也承载着大量复杂逻辑—— 既可以用传统软件的方式创造价值，也能通过训练自己的模型来构建优势。所以我们更倾向于认为，这不仅是基础设施的进化，也是软件的进化，整个技术栈都有巨大的价值空间。

AI 原生公司的崛起

Erik Torenberg：有人发推特说“风投不过是给AI套壳”，那对比传统的评估标准，我们该怎么看待AI原生公司呢？

图片来源：a16z

Sarah Wang：这问题很有意思，其实我还是想回到图表，数据比文字更能说明问题。最明显的一点就是：AI原生公司的增长速度远远超过其他类型的公司。从左边的图表能看出来，新成立的AI公司突破 “实现 1 亿美元收入耗时” 这个黄金指标的速度，真的非常惊人。

但更厉害的是，这不仅仅是头部公司表现好。从汇总数据来看，即便是平均水平的AI原生公司，增速也超过了传统SaaS公司，甚至超过了所谓的 “SaaS 2.0” 世代。我们认为背后有几个原因：首先，AI应用 “开箱就能带来高ROI”—— 随着AI能力的提升，客户体验能实现10倍以上的改善；而SaaS 2.0时代，客户体验通常只能得到25%左右的小幅提升。

其次，虽然现在还处于早期阶段，但趋势已经显现：企业的预算开始从纯软件转向智能服务领域。另外，除了“增长快” 本身，“相对增长” 也特别值得关注 —— 要知道，几乎所有传统SaaS公司都推出了AI产品，他们并没有坐以待毙，而且凭借现有的分发渠道，本应拥有巨大优势。但现在，经典的 “创新者窘境” 已经开始出现了：AI原生公司没有历史包袱（比如 2021 年留下的代码债务、远程办公文化等），他们不是在 “做带AI功能的产品”，而是 “本身就是AI产品”。很多AI公司成立时间不长，创始人一周会有6到7天待在办公室。最后一点，这些公司的创始人大多是 “应用级AI工程师”，他们特别擅长把大语言模型的价值充分挖掘出来，转化为客户能实实在在感受到的价值，这又反过来强化了之前提到的ROI优势。事实和数据已经说明了一切。

AI 领域的防御性与护城河

Erik Torenberg：另外我们还讨论过一个话题，也应该拿出来聊聊—— 就是 “可及性”，比如该怎么看待这些公司的发展路径？他们的防御性是来自技术、数据，还是品牌？比如 “混合模式” 这种情况。

Martin Casado：是这样的，这方面的实际数据确实很杂乱，结论也不清晰。但如果深入研究，观察个三年时间，有些规律就会变得明显：做软件创业，最大的难题就是“冷启动”—— 怎么拿到前10个、前100个客户？而AI恰好解决了这个问题。这些模型太 “神奇” 了，你把一个模型包装一下，开放给用户使用，大家就会觉得很厉害，主动来尝试。

但同样明显的是，解决了冷启动问题，并不代表软件公司的留存问题也解决了。一个难题解决了，另一个难题还在。而且可以说，AI公司其实还面临很多 “反向规模效应”—— 因为模型会很快变得商品化，谁都能调用，所以竞争壁垒很容易被打破。我们发现，目前有效的模式是：创业公司先通过通用模型吸引大量用户，这一步确实做得很好。但之后，他们必须反过来构建传统软件的核心能力，不管是做平台模式、工具模式，还是其他什么模式，最终都得想办法补上这一课。

不过再补充一点，这个领域的公司增长太快，行业又太新，我们甚至看到了很久没出现过的现象—— 比如品牌效应。这些公司进入的是巨大的市场空白，即便竞争对手的产品和他们一样好，大家还是会选择他们，就像现在大家大多用OpenAI一样，可能并不是因为它比其他产品好多少，而是因为品牌知名度高。提到相关需求，大家首先想到的就是它。以前谷歌、亚马逊刚出现时也是这样，靠品牌占据了市场。现在这种情况在AI领域又开始出现了。但就我所知，就目前情况来看，AI技术栈本身并没有什么固有的、内在的短板，无非是技术还在不断发展而已。

案例分析：Cursor 与实际投资回报率

Erik Torenberg：Martin，咱们深入聊聊Cursor这个案例吧。

最早实现商业化的AI 应用类型，其实就是代码辅助工具，对吧？当时微软投了很多钱，靠GitHub Copilot、DS Code这些产品培育了市场，让大家都知道了 “AI能帮着写代码”—— 只是那时候的模型还没完全成熟。那会儿，整个市场大概已有4亿到6亿美元的年度经常性收入（ARR），用户基数和使用习惯其实已经有了。后来Cursor一推出，发生了两件关键的事：第一，它基本沿用了大家熟悉的代码编辑器交互逻辑，没有搞复杂的新设计，只是在原有编辑器基础上做了优化；第二，刚好赶上了强化学习浪潮，当时那些模型的代码辅助能力已经比之前好太多了。所以Cursor团队就像一支执行力很强的队伍，特别专注产品本身，刚好踩中了模型升级的风口，又契合了用户已有的使用习惯，之后的事就不用多说了。而且就像我之前提的 “品牌效应”，他们直接抢占了用户心智 —— 现在经常有创始人来找我们，开口就说 “我们要做X领域的Cursor”。

Sarah Wang：完全同意。这些公司的成功，显然体现了客户的认可，但我还要补充一点：它们确实给客户带来了实实在在的价值。过去12个月里，有个很明显的变化：企业采购AI的心态变了 —— 从之前 “我需要AI，先试试再说” 的 “跟风式采购”（不管是个人跟风用，还是企业跟风买），转向了 “必须看到明确投资回报率（ROI）” 的务实导向。举两个例子：

先说Cursor，我们每年会举办投资组合公司的CTO晚宴。前几年的晚宴上，AI一直是热门话题，但去年有个细节很值得关注：当时我们问24家portfolio公司的 CTO，“AI对你们团队的生产力到底有多大影响？” 所有人的回答基本都是 “10%-15%”—— 大家都在用GitHub Copilot，但潜台词是 “hype（热度）不少，实际效果一般”。而今年的回答让我们特别意外：生产力提升的下限直接到了30%-50%，甚至有位CTO跟我们说，他和团队的生产力翻了10倍 —— 因为他们全在用Cursor。24家公司里，所有人都提到了Cursor，而且其中90%的代码都是AI生成的。这才短短12个月，甚至可能不到12个月，就能看到这么显著的变化，这就是实打实的、硬核的ROI。

再说说Decade On（客户支持类AI公司），客户支持这个场景之前也被炒得很热，说 “AI能彻底改变行业”，但早期效果参差不齐。可你去问Decade On的客户，他们的客户支持成本直接降低了高达80%，不仅如此，问题分流率（客户自助解决问题的比例）从30%涨到了60%-80%，客户满意度评分（CSAT）更是翻了一倍。所以就像我说的，这都是看得见摸得着的ROI，也是推动行业增长的核心动力。说实话，这种实实在在的生产力提升和业务影响，才让我们特别兴奋。

从个人用户到企业级用户：市场演进

Erik Torenberg：那咱们再深入聊聊客户细分的问题吧。现在很多增长都来自个人用户，这背后有什么深层影响呢？

Martin Casado：是啊，我们得记住：每一次技术浪潮（超级周期），往往都是从个人用户端开始的，先让个人感受到价值，然后再渗透到企业端。比如早期的浏览器（Netscape）、服务器（Sun Microsystems），一开始企业也不知道怎么用这些技术，但技术本身的价值很明显，所以个人先用了起来，慢慢就养成了新的使用习惯。现在AI领域也一样，这种个人端的使用习惯，已经催生出了我们从未见过的企业端销售管线。比如有家公司刚招了个销售（AE），入职第一天就签下了100万美元的单子；还有些公司的企业端意向客户数量，是我们以往见过的5倍以上。所以，这些公司先做个人用户业务，并不是说它们 “只能做个人市场”，而是行业周期自然成熟的过程 —— 而且从目前来看，这种 “从个人到企业” 的路径，比以往的技术浪潮前景更明朗。

Sarah Wang：没错，个人端收入占比高，确实让我们更关注一些指标。我们一直很看重用户留存率，但现在比以前更重视了。很多高增长的AI应用，不像2020年那些 “核心业务系统型” SaaS公司那样，能做到95%的总美元留存率（Gross Dollar Retention）。但关键是，不能因此就全盘否定 —— 这些公司的留存率并不是 “很差”，更不能说 “留存差就是烂公司”。另外，对那些需要靠企业客户实现规模化的公司，我们会更谨慎，因为现在市场上这些AI公司的估值都不低，要支撑这样的估值，要么得有稳定的企业客户基础，要么至少能证明 “前端个人用户能转化成企业付费客户”，就像Martin刚才说的那样。所以这个领域需要更细致的分析，我们团队现在也会每两个月开一次会，专门讨论这类问题。

赢家、淘汰者与投资启示

Erik Torenberg：我们聊了成功案例，之前也提到过有些“大赌注” 失败了。从那些失败的案例里，我们能总结出什么共性吗？

Sarah Wang：这次融资周期（尤其是基础模型层）有个很有意思的点—— 虽然历史总会重演，但这次特别突出的是：很多公司还没做出任何实际成果，就能融到规模极大的资金。我们也参与了一些这类融资，之后会详细讲我们的投资逻辑。但大家都清楚，早期融的钱越多，后期要拿出业绩的压力就越大。有个说法很形象：公司要从 “靠讲故事融资” 转向 “靠成果说话融资”。当你融了几亿美元，就必须用实打实的成绩证明自己，而不是只靠PPT。

这里有几个我们想强调的教训：第一，“放弃那些‘不错但不够顶尖’的团队”，这个策略总体来看是对的；第二，“研究员的思路多变（研究者想法反复）” 是真实存在的问题 —— 我们近距离观察过很多次，尤其是现在很多行业巨头和中国企业都在往这些领域砸钱，所以 “单靠创意是站不住脚的”，必须有稳定的执行力。

最后，我们想强调一个更宏观的观点：AI市场不是 “水涨船高、所有公司都能受益” 的领域，选择（选对赛道、选对团队）比以往任何时候都重要。

Martin Casado：还有一点要注意：即便和早期加密货币领域比，AI投资里 “时机把握（节奏）” 也特别关键。如果早期太激进，没想清楚就冲进去，后期可能就没机会投资那些真正能跑出来的公司了。

Erik Torenberg：Martin，咱们团队怎么看中国市场的动态对我们的影响？

Martin Casado：简单说吧，这是个“利弊参半但利大于弊” 的情况。一方面，中国企业确实做出了很棒的开源模型，它们在模型层很有优势；但另一方面，从历史来看，中国企业在面向全球企业市场（尤其是和我们关注的 “专业级企业软件” 类似的领域），这方面它们确实有短板。所以在我看来，中国企业在 “软件层” 的竞争力有限，但在 “模型层” 确实很强。不过我们其实能从这种竞争中受益 —— 有竞争是好事，有这些优质的开源模型也能推动整个行业发展。当然，在消费端领域，就像 TikTok 那样，中国企业已经展现出了很强的实力，未来会怎样还不好说。但对我们而言，这总体是 “利大于弊” 的 —— 竞争能促进行业进步，这样的格局其实很好。

AI 投资应关注什么

Erik Torenberg：咱们换个话题吧，之前聊了要避开哪些坑，现在来聊聊我们更关注什么机会，先从基础模型说起。

Martin Casado：好的，我们把基础模型分成了两类，我先说说服务端模型（Server Models）—— 毕竟大家最关注的就是这个领域。当前顶尖模型市场，比如Anthropic、OpenAI这些玩家，竞争异常激烈，而且背后有大量补贴（比如Meta、谷歌这些公司都在补贴）。所以我们的观点是：进入这个领域必须非常谨慎，市面上有很多你没听过的小公司在做，但我们都会避开。我们的投资逻辑是，必须押注那些 “有过成功经验、能融到足够资金、能组建顶尖团队” 的头部玩家。比如我们投资了Iliad，这个团队里的人，在过去15年AI领域的每一次重大突破中都有参与。所以对顶尖模型领域，我们的策略很明确：只投那些 “能拿到大资金、团队足够顶尖” 的公司。

Sarah Wang：对，完全同意。其他类别的机会我就不逐一细说了，但核心逻辑是一致的—— 接下来我们也会反复提到：我们的投资逻辑，就是押注 “有明确增长势头的市场领导者”，而且这些公司的创始人要有远见，知道如何在自己的垂直领域里应用AI创造价值。

Erik Torenberg：最后咱们聊一两个尖锐点的问题：其他投资公司在AI领域有哪些常见问题？

Martin Casado：也没什么特别复杂的，简单来说，很多公司在这事儿上都走了极端。比如有些公司觉得“AI都是虚的”，行动特别迟缓。很有意思的是，有些曾经很有影响力的公司，现在彻底没了踪影 —— 创始人不聊它们了，行业里见不到它们，也没它们参与的交易了。在我做这行的10年里，这是最显著的行业变迁之一。而另一些公司则是另一个极端：太早兴奋，什么项目都投，就像我之前说的，最后因为利益冲突，错过了很多后来跑出来的好公司。所以我们觉得，对待AI领域必须保持清醒：它有自己的独特性，但也需要像评估其他软件领域一样，投入同等程度的调研精力。

Erik Torenberg：最后，我们希望大家记住的核心信息是什么？

Sarah Wang：首先，市场增长速度和规模超出了所有人的预期，包括我们自己；其次，下注时必须深思熟虑，现在的风险比以往任何时候都高，而且这个市场绝不能把“热度” 和 “真正的增长势头” 混为一谈；最后，就像Martin说的，要么投身其中，要么就会被淘汰。我们对未来的机会非常乐观，而且我们认为，这一切才刚刚开始。

原视频：The State of AI: Growth, Fragmentation, and the Next Wave

https://www.youtube.com/watch?v=CIEZAMnIVT4

编译：Mendy

请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。