Invest Like The Best · 核心结论

"一切都会起来"——从云计算历史学到的核心教训

2014 年 everyone 都觉得 AWS 要吞噬一切企业软件，结果证明是极度错误的零和思维。

• 云计算的镜像教训：2006 年 AWS 推出 S3 和 EC2，2007 年贝索斯在年报中重点阐述 AWS 战略，但当时的投资者（30 个最聪明的人）没有人看好其持久利润率。到 2014 年叙事反转——"AWS 要吞噬一切"，企业软件投资者恐慌，因为 AWS 能以 8% 毛利率碾压传统 SaaS 的 85% 毛利率。
• 现实完全相反：从 2014 年至今，企业软件不仅没被 AWS 吃掉，反而涌现了 Snowflake（直接在 AWS 上打败 Redshift）、Confluent、Elastic、Mongo、Databricks 等基础设施层巨头，以及 DataDog（1000 亿美元市值）等应用层公司。Azure 和 GCP 也从"无关紧要"成长为与 AWS 形成 40/30/20 格局的寡头。
• AI 正在重复云的模式：当前有人觉得 Anthropic 或其他一家公司要吞噬一切，Vishria 认为这与 2014 年的错误判断完全相同。AI 的规模化需要能量、芯片、存储、内存、算法等海量基础设施投入——市场大到一个供应商无法吃下整个行业。他预计最终会出现多家 1000 亿美元级别的赢家，形成寡头格局。
• 关键认知偏差：市场过度使用零和思维来切割蛋糕，而没有认识到蛋糕本身会指数级增长。"一切都会起来"不等于"每家公司都会赢"——大多数公司会失败，但整个生态会共同做大。

🧱 AI 基础设施的实际难度——5X 性能差异揭示的真相

同样的开源模型、同样的 Nvidia 硬件，Fireworks 和云厂商之间存在 5X 的性能差异和数倍的吞吐差异。

• 运行大模型极其困难：Fireworks、AWS、Azure、GCP、Neo Cloud 等都运行相同的开源模型，但性能差异巨大。5X 的速度差异加上吞吐量的倍数差异，说明云厂商实际上是在赚取利润 margins 的同时运行这些模型——而 Fireworks 这类公司通过专业优化做得好得多。
• 专业知识的壁垒：从外部看，人们容易认为基础设施是"商品"、"传递性研究"、"规模游戏"，但事实恰恰相反。运行高效模型需要非常特定的专业知识和经验，这不是简单堆算力就能解决的。
• 能源成为终极瓶颈：模型将算力转化为智能，智能需求看似无限，因此算力需求持续攀升，而算力的终极约束是能源。Vishria 指出中国明年新增的能源产能将是美国的 10 倍——如果能源是瓶颈，美国相对较少的能源意味着更少的智能产出或更高的 token 成本。这不仅是芯片问题，更是能源、天然气、太阳能、稀土等整个供应链问题。

☁️ 云与 AI 采用曲线的对比——企业态度的根本转变

企业从 2010-2015 年对云的极度怀疑，到对 AI 从一开始就积极拥抱——这是根本性的态度转变。

• 数字原生体先于传统企业：2010-2014 年，Snapchat 一度占 GCP 的 40%，就像 Cursor 占某个 AI 基础设施的 30% 一样。传统企业（银行、金融、保险）直到 2014-2016 年才真正认真对待云计算，因为招聘不到最好的开发者——开发者都想去用最容易的平台。
• AI 的企业态度不同：虽然大型企业尚未充分吸收 AI，但它们不再 dismissive——它们在实验、在花钱、在讨论、在积极寻找落地路径。企业将 AI 视为潜在威胁而非单纯机会，这种紧迫感是云计算早期不具备的。
• "AI Sherpa"的巨大的机会：帮助企业完成从怀疑到采纳的过程本身就是一个巨大的商业机会。Sierra AI 团队（Brett Taylor 等）完美体现了这个"AI Sherpa"角色——既有技术深度，又深入理解企业世界。

🏰 "沙堡"范式——AI 时代产品开发的重构

传统产品管理要求 PM 理解客户、传递给工程师实现；AI 时代 PM 必须同时理解客户问题和 AI 能力的"锯齿边缘"（jagged edge）。

• 从城堡到沙堡：Brett Taylor 提出，过去我们在建"城堡"（完美的、持久的地基），现在我们在建"沙堡"—— constantly evolving、随时可能被潮水冲刷掉。Cursor 从 IDE 到 tab 自动补全到 agentic work，不断淘汰自己六个月前的工作，这就是沙堡范式的体现。
• 能力锯齿边缘的理解：AI 模型每几周就涌现新能力，应用公司必须理解这些能力的"锯齿边缘"——哪里强大、哪里会失败——然后围绕它构建产品。Sierra 团队离模型非常近，在 harness 和能力边界上深度实验，将锯齿边缘转化为客户价值。
• 产品管理的范式反转：传统方式（PM 理解客户→传达给工程师→工程师构建）在 AI 时代完全行不通。新的 PM 必须同时理解模型能力的细微差别和客户问题，在这两者之间架桥。这看似讽刺——模型越强，回到技术深度反而越高。
• 赢家的三要素：理解客户问题的人、有 taste 的人、理解 AI 能力锯齿边缘并对之好奇的人。这三者的组合比任何传统头衔（工程师、PM、设计师）都重要。

🔄 SaaS 竞争前沿的彻底迁移——以数据库为例

过去数据库的粘性来自迁移成本，AI 让迁移变得 trivial，竞争标准完全改变。

• 数据库锁定的终结：过去，开发者在特定数据库接口上构建应用，迁移数据库是巨型项目，这使得 Oracle、SQL Server 等数据库公司拥有不可思议的粘性利润。但现在，Copilot/Codex 在数据库接口上工作——数据库接口定义非常好，LLM 极其擅长处理良好定义的任务，三个 agent 不会厌倦单调的规范转换工作。数据库迁移从一个"绝对不能做的事"变成了"放钱、搬家"的 trivial 操作。
• 新的竞争标准：数据库公司的胜负手从粘性变为：从零到无限的扩展能力、成本控制、上下线速度、迭代速度。成本成为仲裁者。AI 时代应用会更多实验（因为启动成本更低），所以数据库必须能瞬间扩容和缩容。
• "加入 AI 或值 3 倍收入"：几年前 SaaS 公司面临的选择。2021 年 SaaS 公司卖到 30 倍收入，现在只有 6 倍——即便增长了 4 倍、实现盈亏平衡，市值反而更低。核心矛盾：过去管理层学到的"制定计划→严格执行→积累价值"在 AI 时代变成了"每天完成计划就在摧毁股权价值"。
• 目标线移动：Ann Lee Skates 描述的 CEO 转型困境——从朝九晚五做现有业务、晚上 5-8 点做 AI，必须完全反转。这种惯性极其难以克服，因为整个管理层肌肉记忆都建立在旧的成功模型上。

🔧 Cerebras 故事——硬件投资的"生产性天真"

2016 年 Benchmark 投资 Cerebras 时几乎对硬件一无所知，但正是这种"天真"让他们敢于做出这个极其困难的决策。

• 三个维度的硬件加速：Vishria 用极简方式总结了他理解的 GPU 加速深度学习的三个维度：增加核心数量、增加核心间通信、将内存拉近计算。Cerebras 的做法是将这三者推到逻辑极致——晶圆级芯片，45 万个核心，20GB SRAM 内置芯片（永远不需要 off-chip 访问内存）。
• 软件和硬件的 80%/2% 差距：在软件中，有了正确的逻辑框图就走完了 80% 的路，剩下是 GTM 执行；在硬件中，有了框图只完成了 2%，剩下的是物理、完整供应链、30+ 个供应商、TSMC 等。
• 屋顶线（Roofline）现实：硬件模拟给出的是理论上限（屋顶线），但每一点软件、现实、编译器、作业都会吃掉这条屋顶线。从理论值的 10% 开始，通过数月甚至数年的打磨才能接近屋顶线。这是一个漫长的"让它工作"的过程。
• 第六代计算的出现：Vishria 兴奋地指出 CPU 类别正在迎来新机会——LLM 在加速器上运行并生成代码，代码最终在 CPU 上运行，但目前跑的是几十年前的传统 CPU。CPU 背负了大量不再需要的历史包袱，这为新型 CPU 打开了空间。
• "如果失败，会是你合伙人说的那些原因；如果成功，是因为那些原因不重要"：这是 Cerebras 创始人给出的完美注脚。专家 19/20 次都是对的，但每次错的那一次，就是 VC 存在的理由。

🤖 机器人学——AI + 物理世界的下一个范式

重复任务和控制环境中的机器人基本已解决，真正的挑战在真实环境中的非重复任务——这需要 AI 和机器人的深度整合。

• 数据飞轮的启动难题：LLM 在互联网规模的人类知识上启动，但机器人没有等价的数据源。Video、仿真、远程操作（tele-op）是不同团队在尝试的路径，但首要问题是：需要多少远程操作数据才能达到互联网规模的数据量？
• 高质量数据优先策略：与互联网上充满"slop data"不同，机器人领域的一家公司（Sunday Robotics）采取的策略是直接从高价值数据开始——通过专门为机器人手部设计的手套获取完美数据迁移，然后做 pre-training，再通过 post-training 和 RL 添加辅助样例，逐步涌现出新能力。
• 与自动驾驶的类比：Waymo 和 Tesla 都是垂直整合的——Tesla 有 fleets 收集驾驶数据训练模型，Waymo 收集高质量数据做 pre-training。机器人领域正在重走同一条路：垂直整合机器人、模型和数据收集闭环。
• 关键不在任务本身：叠衣服是否重要并不关键——关键是能否启动 pre-training→post-training→RL 的飞轮。一旦飞轮转起来，任务能力会指数级增长。这类似于 LLM 早期——第一个爆发应用是 Jasper（营销文案），而不是人们最初预期的方向。

💼 "AI Sherpa"与 Sierra AI——应用层的机会

Sierra AI 体现了"先理解技术锯齿边缘、再翻译为客户价值"的全新应用范式。

• 技术团队的企业深度：Brett Taylor、Peter Levine 有 20 年的合作关系，团队成员不仅技术出色，而且长期生活在企业世界中，真正理解企业客户的痛点和运作逻辑。
• 从客服到 Horizon Agents：Sierra 从客服场景切入，逐步扩展到具有长期记忆和更多能力的 Horizon Agents。关键在于——它表面上是应用公司，但团队在真正做 AI 工作：实验模型、构建 agent、深度理解模型能力和 harness 的锯齿边缘。
• 销售范式的颠覆：传统 SaaS 销售基于 quota-capacity 模型（每个 rep 的配额和产能），这本质上是推式需求。但 AI -enabled 产品卖的是"魔法"——当客户亲眼看到效果时，传统配额模型完全失效。最好的 AI 销售是创始人本人，他在桥接锯齿边缘和客户能力。市场需求远大于任何 quota 模型能容纳的规模。

🧭 Benchmark 的投资哲学——从合伙人而非投资者角度行事

创始人一致将 Vishria 评为"最佳 board partner"——他的差异化在于将投资判断放在合伙人 chemistry 之后。

• 合伙人优先于投资机会：Vishria 区分"投资机会"（投了能赚钱）和"合伙人机会"（不仅能赚钱，还能和创始人深度互相成就）。他会放过看似完美的投资机会，如果没有真正的 chemistry 和双向学习的可能。
• 两个灵魂拷问：① "我能说服我在乎的某个人去这家公司，把它当作毕生事业吗？" ② "如果这个人周六晚上 9 点给我打电话，我会接吗？"——这些都是 chemistry 测试，但也是对项目深度的检验。
• "如果我们对了，那重要吗？"：很多事你可以做对但最终不重要——没人会在意。如果不重要，就无法创造足够的股权价值。这是一个被忽视但极其有用的筛选器。
• 提问而非给答案：Vishria 发现自己的大量工作是——创始人已经知道答案，他只是通过提问帮助他们巩固信念和 articulation。每次做 1-2% 更好的决策，几年后复利为真实结果。
• 高尔夫隐喻：持续练习把球靠近洞眼是 hard work + smart work，进洞是 luck。增加 luck 的方式是把更多球放到靠近洞的位置。Benchmark 每年投 1-2 家公司，是高度集中 + 高度承诺的模式。

📈 AI 时代的资本结构——为什么 Benchmark 首次发起成长基金

高回报的机会不再局限于早期阶段——市场规模和结果规模的扩大，使得后期也能产生高现金回报倍数。

• LP 的核心诉求从未改变：LP（从 Swenson 开始）投资 VC 不是为了比纳斯达克多赚 3-5%，而是为了追求 insane multiples on invested capital。长期以来，早期阶段和高现金回报几乎完全重合。
• 重合圈扩大：现在由于结果变得更大、市场更大，高现金回报机会的圈超出了早期阶段的范围。虽然不是到处都有 100X 的新公司，但在早期阶段之外确实存在大量高回报机会。
• 公司需要更多资本：AI 公司的价格更高、结果更大——10 亿美元 Entry price 上赚的回报倍数可能等于 10 年前 5000 万美元 Entry price 上的回报。这就是发起成长基金的财务逻辑。
• IPO 窗口的重要性：2021 年 IPO 的 SaaS 公司目前面临 30 倍到 6 倍的估值压缩，处境艰难。同时有 500 多家 1-5 亿美元 SaaS 公司被困在私人市场——员工没有 exit、投资者没有退出。AI 原生公司的高增长吸走了所有氧气，错过了窗口期。

🏗️ 内部辩论——价值在哪一层累积？

Benchmark 内部最激烈的辩论集中在：AI 的价值在基础设施、应用、基础模型、半导体之间如何分配？

• "一切都会起来"的全景视野：CSP 会好（不全是，但有些会）、Neo Cloud 会好、Fireworks 世界会好、Nvidia 会好、芯片初创公司中的一部分会好、手机端 edge inference 会好、POP 端 near-edge inference 会好、数据中心大模型会好——所有这些维度同时存在赢家。
• 零和思维的陷阱：人们喜欢说"Anthropic 会吃掉 98% 的价值"——Vishria 认为这完全不对。零和切割蛋糕的思维忽视了蛋糕本身在膨胀。
• 业务模式创新：SaaS 成功不只是交付模式更好，还包括订阅制这种双赢的业务模式创新。AI 时代同样存在类似机会——"按结果付费"（selling by outcome）就是其中之一。
• 差异化比以往更重要："一切都会起来"意味着每层都有机会，但每层中大多数公司会失败。你必须将差异化推到逻辑极致。

🩻 现实世界的复杂性——以放射科 AI 为例

即使是 Jeff Hinton 这样聪明 1000 倍的人，在 AI 替代放射科的判断上也犯了完全相反的错误——因为他只看到了技术可能，忽略了现实世界的应用约束。

• 技术判断完全正确，结论完全错误：Jeff Hinton 2016 年说"我们应该停止培训放射科医生了"，100% 正确的前提（AI 读片比人好），但结论完全反了。原因有二：① 完整训练数据集不存在——放射科医生每天看 X 光、CT、MRI 等全身各部位，而 AI 公司只针对胸部 CT 等单一场景；② 整个医疗体系围绕"付费医生做诊断"运转，涉及责任、医疗事故赔偿等现实约束。
• co-pilot 时代的必然性：AI 会先成为放射科的 co-pilot，提升吞吐量，然后慢慢读更多片子。但这个过程需要很长时间——在此期间，由于影像成本下降（Jevons 悖论），我们反而需要更多放射科医生。
• 对大规模失业论的类比：聪明人对 AI 能力的判断往往是对的，但跳过现实世界应用约束得出确定性结论（如大规模失业）是同样的错误模式。技术趋势→现实约束→时间尺度，这个完整链条决定了最终结果。

综合判断——"Software + Infrastructure Investing in the AI Era"的 5 条结论

Vishria 的整个投资框架可以用一个核心洞察概括：AI 时代的竞争前沿已经完全重构，赢家属于那些同时理解客户问题和技术锯齿边缘、能在沙堡范式中快速迭代的团队。

• ① 基础设施层是多层寡头，非单一垄断——云的历史证明蛋糕会膨胀到一家公司无法吃下的程度。AI 基础设施（训练、推理、Neo Cloud、边缘计算）将形成多家百亿美元级公司的寡头格局。
• ② "沙堡范式"是软件开发的底层新规律——产品不再建在永久地基上，而是建在每几周就变化的能力锯齿边缘上。能持续自我淘汰的团队才能活下来。
• ③ 能源是 AI 的终极约束，而非芯片——中国能源产能的压倒性优势意味着美国在 token 供给上的结构性制约。能源投资是 AI 投资中最被低估的 alpha 来源。
• ④ SaaS 公司的价值创造逻辑已根本反转——"按部就班完成计划"变成了价值毁灭。CEO 必须将 AI 置于优先级顶端，完成从"推式计划执行"到"拉式机会追逐"的范式转换。
• ⑤ 硬件投资需要"生产性天真"——但第六代计算（新型 CPU）正在打开新窗口——LLM 生成的代码最终在 CPU 上运行，而传统 CPU 背负了大量不再需要的包袱。这是 Benchmark 正在下注的下一个大类别。

投研跟踪表

核心假设：AI 基础设施和应用层的竞争前沿已从"粘性+计划驱动"彻底迁移到"锯齿边缘理解+沙堡迭代+能源约束"的新范式。

若核心假设错误：如果 AI 能力趋于稳定（锯齿边缘不再快速变化）、或能源约束被突破（如核聚变提前商业化）、或 SaaS 公司能通过传统计划执行在 AI 时代创造价值 → 旧范式部分回归 → 调整投资侧重。

关键验证信号：
1. AI 模型能力的涌现频率和可预测性（锯齿边缘是否在快速变化）
2. 美国 vs 中国能源产能的月度对比数据（能源约束是否构成瓶颈）
3. SaaS 公司 AI 采纳率与估值关系（完成范式转换的公司是否获得溢价）
4. 数据库迁移工具的市场接受度（锁定效应是否持续削弱）
5. 新型 CPU 初创公司的技术进展和市场验证

投资映射：AI 基础设施层（推理优化、Neo Cloud）、能源/电力基础设施、AI-native 应用（客服 agent、开发者工具）、新型计算架构（CPU 复兴）、机器人学数据飞轮

阶段判断：范式迁移期（旧 SaaS 逻辑失效，新逻辑尚未固化）

市场定价偏差：市场过度聚焦"谁吃谁"的零和叙事，低估整体蛋糕膨胀的空间；同时过度关注芯片，严重低估能源约束的重要性。

催化事件：AI 模型新能力涌现周期变化 / 美国能源政策重大调整 / 大型 SaaS 公司 AI 转型成败案例 / 新型 CPU 芯片流片成功

负责研究员：[填写]

日期：2026-09-30

下次复查：2026-12-30

最终结论

Eric Vishria 的整个投资框架可以用一句话概括：AI 时代的竞争前沿已完全重构——从"建城堡"到"建沙堡"，从"计划驱动"到"锯齿边缘驱动"，从"芯片约束"到"能源约束"。

"一切都会起来"不是盲目乐观——它基于云计算历史的坚实教训：蛋糕膨胀的速度远超任何单一供应商的吞噬能力。但与此同时，"一切都会起来"绝不意味着每家公司都会赢——差异化必须推到逻辑极致。Vishria 最深刻的贡献在于指出了 AI 投资的三条新规律：沙堡范式（产品必须随模型能力快速迭代）、锯齿边缘理解（赢家必须同时理解客户问题和 AI 能力的边界）、能源即智能（token 的终极约束是电力而非芯片）。从投资角度，这指向一个清晰的结论：做多那些能在新范式中快速迭代的团队，同时超配能源基础设施这一最被低估的 alpha 来源。AI 不是 SaaS 的简单延伸——它是软件投资的范式革命。