在生成式AI席卷全球之際，傳統軟件時代的“黃金投資法則”已全面失效，AI正在通過打破規模與風險的反向關系、重塑財務指標，徹底顛覆創投圈的估值常識。

在知名播客Sourcery with Molly O'Shea于6月29日播出的節目中，硅谷老牌頂尖風投機構Benchmark合伙人Ev Randle與主持人Molly O'Shea展開深度對話，內容涵蓋AI公司估值新框架、推理經濟學、Anthropic上市潛在沖擊，以及Benchmark在AI領域的投資組合邏輯

（訪談節目截圖）

Ev Randle開門見山拋出核心判斷：整個風投和成長期投資生態正在經歷一種"方向感喪失"——上下顛倒，是非混淆。 而這種混亂，根源在于一個古典定律的失效。

他指出，在新的AI范式下，風險與規模的傳統反向關系已經崩潰。過去，初創企業隨著規模擴大，會依次消除產品市場契合度（PMF）、單位經濟學和市場天花板（TAM）的風險。但在如今的AI時代，“你可以擁有營收遠超10億美元的企業，但它們尚未證明自己的單位經濟學，也沒有證明持久的產品差異化。”

這種現象讓整個創投生態系統進入了一種“迷失方向的階段”，不僅“電子表格投資時代”宣告結束，SaaS領域的諸多黃金法則甚至在AI語境下開始反向運行。

“電子表格投資時代”結束，SaaS黃金法則全面逆轉

在傳統的SaaS（軟件即服務）軟件投資時代，高毛利、純軟件、輕資產、高客戶留存率是衡量優質公司的“北極星指標”。這些指標不僅能夠完美適配財務模型，還衍生出了“40法則”（Rule of 40）等量化標準。

然而，Ev Randle直言：“定義電子表格投資時代的過去所有黃金法則，如今全部消失了。當前最受歡迎的公司和賽道，幾乎是這些黃金法則的完全反面。”

他以三大核心變化為例： 首先是分發策略的改變。“有一條推文說‘FTE（全職人力/實施顧問）是新的PLG（產品驅動增長）’，這就意味著萬物正在‘Palantir化’。”過去，高度依賴人力的實施服務被視為拖累毛利率的負面因素，如今卻成了標配。

其次是毛利率邏輯的顛覆。在AI應用中，“如果你的毛利率很高，這實際上是一件壞事，因為這意味著沒有人使用你的AI功能。”由于AI推理成本高昂，高頻使用必然拉低毛利率。

最后是資本密集度的飆升。為了建立護城河防御大模型廠商，許多AI軟件公司開始在內部建立研究實驗室并訓練或微調自己的模型，這帶來了前所未有的資本支出（Capex），徹底打破了過去SaaS企業無需投資GPU等重資產的定律。

新的AI估值公式：P×Q×M模型下的天價訂單

當舊規則失效，如何評估AI公司的商業模式？Ev Randle提出了一個新的AI分類學視角：P（價格）× Q（數量）× M（毛利率）

與傳統SaaS相比，AI應用的Q（目標客戶數量）通常持平，M（毛利率）幾乎肯定低于傳統SaaS的70%，但P（價格/客單價）卻能達到令人瞠目結舌的高度。

“現在，你看到一些推理平臺與初創公司簽下了高達九位數（上億美元）的合同，這在SaaS公司中極其罕見。”Ev Randle表示。他特別提到了AI編程助手的驚人消費力：

“我們投資組合中的開發者們，每人每月在Claude Code上花費3000美元。哇，這意味著每個開發者每年3.6萬美元。”

這種商業模式和產品創新的結合，被Ev Randle視為自云時代以來最重要的轉變。買家的心態已從“購買軟件許可證”轉變為“按需購買智力或白領勞動力”。

這使得企業的軟件預算上限被徹底打開，過去一個客戶可能只貢獻20萬美元營收，現在可能會變成*“每個普通客戶帶來2000萬美元的營收，甚至對某些巨頭來說是每月5億美元”。

推理是“印鈔瀑布”，前沿模型面臨“數萬億美元問題”

在談及AI基礎設施和Agent（智能體）經濟的爆發時，Ev Randle用了一個生動的比喻來形容當前巨大的推理（Inference）需求。

“這就像你坐在河岸邊拿著一個水桶想裝滿水，但就在那邊有一個巨大的瀑布。你該做的不是坐在岸邊思考，而是直接走到瀑布下面……這個瀑布就是推理。”他指出，基于推理的商業模式讓許多公司的營收增長曲線從過去的“1-3-9-20”變成了極其陡峭的“1-20-100”或“1-30-300”。

但在龐大的需求之下，前沿大模型（Frontier Models）正面臨嚴峻的定價權考驗。Ev Randle提出了一個“AI老媽測試（Mom Test）”：對于非技術硬核的普通用戶（如他的母親）來說，100%的日常需求其實都可以被極具成本效益的開源模型滿足。

他指出，如果未來AI能力達到了絕對的上限，且開源模型能達到前沿模型95%的能力，“對于前沿實驗室來說將是一個非常可怕的局面”，因為這會極大削弱它們收取溢價的能力。反之，如果前沿實驗室能實現遞歸自我改進（RSI），那么它們將擁有極強的定價權。這被稱為決定AI賽道走向的“數萬億美元問題”。

創投生態巨震：天量流動性沖擊與“非典型”風投

在資金端，AI的資本密集型特征和公司保持長期私有化的趨勢，正在改變整個風投行業的形態。

Ev Randle警告市場，必須為AI巨頭未來可能帶來的天量流動性沖擊做好準備。他以Anthropic為例進行了極具沖擊力的推算演示：

“如果Anthropic上市并在1.5萬億美元的估值下獲得流動性……它將產生相當于Snowflake（史上最成功SaaS IPO之一）Pre-IPO輪35倍的回報。這是在單一一輪融資中實現35個Snowflake Pre-IPO輪的回報。

他透露，有些基金在單一AI公司中投入了高達30至40億美元，并可能在不到5年內獲得5倍回報。這種財富創造的速度和規模，將對整個硅谷生態（包括房地產、新公司孵化、二次投資）產生巨大沖擊波。

面對這種瘋狂的市場，Ev Randle表示，許多曾經的風險投資公司實際上已經變成了“替代資產管理公司（Alternative Asset Managers）”。而Benchmark依然堅持其核心哲學：

不投賽道，只投人（Founder-out versus Theme-in）。“偉大的創始人永遠不會過時，而商業模式卻會流行或過氣。”

訪談最后，Randle對整個風投行業的結構性演變給出了直接判斷。他認為，行業最大的問題是用"風投"這一個詞，描述了本質上完全不同的兩類機構。

"General Catalyst和Andreessen Horowitz是另類資產管理機構（Alternative Asset Managers），不是風投公司。他們有風投產品，但他們本身不是風投公司——他們有成長期產品、債務產品、醫療保險產品、財富管理產品。"
"風投在很多方面仍然是原來的風投，但對這些大機構來說，它只是眾多產品之一，而不是機構本身。"

訪談實錄全文如下（由AI輔助翻譯）

第1章：Ev Randle，Benchmark 普通合伙人Ev Randle：我們過去在投資領域有一些"黃金法則"，或者說"北極星指標"，但當你審視軟件行業時，大概有五六個關鍵指標是真正重要的——它們非常清晰易懂，也非常適合用電子表格來分析。
然而現在，那些曾經定義了"電子表格投資時代"的黃金法則，全都已經失效了。
在全新的 AI 范式下，你可能會看到這樣的企業——年收入遠超十億美元，卻依然沒有驗證清楚自己的單位經濟模型（unit economics），也沒有證明自己擁有持久的產品差異化競爭力
你知道嗎，我們現在有開發者，每個人每個月自己花在 Claude Code（Anthropic 旗下編程工具）上的費用就高達 3,000 美元。換算一下，那就是每位開發者每年 36,000 美元
再想想Anthropic 那筆對應 3,800 億美元估值的融資——如果 Anthropic 未來上市，并以1.5 萬億美元的估值實現流動性退出，我真的不確定，人們是否真正理解、并且做好了準備，去迎接如此巨量的流動性涌入整個生態系統所可能帶來的沖擊
第2章：基準資本年度合伙人大會之后Molly O'Shea：Ev，歡迎來到Sorcery。
Ev Randle：謝謝你，Molly。很高興來到這里。
Molly O'Shea：我太開心了。這是我第一次采訪來自Benchmark（基準資本）的人。你是他們較新加入的合伙人之一。我之前采訪過Jack，那是在他加入之前，但現在我們有你了。
Ev Randle：太好了。我很興奮能成為第一個。
Molly O'Shea：那么，最近怎么樣？我知道你們剛剛開完年度合伙人大會（AGM），對當下市場做了一次大規模的集體復盤。整體感覺怎么樣？
Ev Randle：是的，說到感覺嘛——Benchmark內部的氛圍絕對是高漲的。但從整個市場來看，我覺得整個風險投資和成長期投資的生態圈，正在經歷一種迷失方向的階段，大家都感覺像是上下顛倒、黑白不分。我們在年度合伙人大會上，也在嘗試做一些內部反思，搞清楚我們對市場的判斷，以及我們一直在關注的那些事情。
我想到了一個可視化框架，我覺得它能很好地解釋這種感受：在過去的范式里，尤其是在軟件行業，規模和風險之間存在一種近乎反向的關系——也就是說，規模越大，公司徹底崩盤或倒閉的風險就越小。
原因在于，從歷史經驗來看，一家初創公司在不斷擴張的過程中，會依次消除業務各個環節的風險。通常第一步是驗證產品市場契合度——人們愿不愿意買你的產品？接下來是驗證單位經濟模型——你賣的產品，長期來看能不能實現盈利？然后是驗證市場空間（TAM）——你的公司能不能從1000萬美元的營收，成長到1億，甚至數十億，并最終贏得市場領導地位。如果你在成長過程中沒能逐步消除這些風險，增長就會停滯，公司就不再擴張了。
所以，這兩個變量之間存在一種干凈清晰的關系：如果你還在持續擴張，通常意味著公司的風險正在越來越低。
然而，我認為在新的AI范式下，這一切已經發生了根本性的改變。現在你可以看到一些營收遠超十億美元的企業，卻依然沒有驗證其單位經濟模型，沒有證明其產品差異化的持久性。從某種程度上說，這些公司歸零是最壞的情況，但即便只是從上一輪估值大幅縮水，這種損失的風險，隨著時間推移，感覺不僅沒有降低，甚至可能與規模呈現出一種奇怪的正相關關系——規模越大，風險反而越高。
這是一件非常令人迷失方向的事，因為我們早已習慣于"公司越大越安全"這個邏輯，但現在感覺已經不是這樣了。
背后有很多原因，我們可以深入探討。但我認為，這正是為什么市場上的人們、投資者、我們的同行，甚至我們自己，都感覺風險與回報的范式已經今非昔比。
第3章：投資的黃金法則已全部失效Molly O'Shea：作為一個投資者，你怎么評估這件事？我們之前也聊到過這個話題，你說這是"電子表格投資時代的終結"。你的意思大概就是這個吧？這是一個絕對的判斷，還是說背后有什么前提？
Ev Randle：對，你知道，我們過去在投資領域有一整套所謂的"黃金法則"，或者說"北極星指標"。當然也有一些例外，比如硬科技領域一直都有所不同，還有一些資本密集型的消費互聯網業務也是如此。但如果你專門來看軟件行業，過去大概有五六件事情是真正重要的。
比如說，高毛利率比低毛利率好。至少70%到80%算不錯，達到90%就非常出色了。通常你希望賣的是純軟件，意味著你不需要附帶大量服務支持或實施部署的工作量，因為那會限制你的規模擴張能力，同時也會拉低你的毛利率。
這類業務通常是輕資產的，沒有太多資本支出，而且研發投入上有很強的運營杠桿效應——也就是說，隨著時間推移，研發效率是相當高的。
另外，你還需要有極高的客戶留存率。所謂"毛留存率"，意思是客戶一旦使用了你的產品，通常就會留下來。很多軟件公司的毛留存率超過90%，也就是說，在一整年里，如果你有100個客戶，離開的不會超過10個。
把所有這些因素加在一起，最終呈現出來的，是一門輕資產的生意——到了成熟階段，它能持續產生極高的自由現金流，而且增速長期來看是GDP的好幾倍。說起來有點繞口，但這就是為什么軟件公司能以極高的NTM（未來12個月）收入倍數來交易。這一點非常重要——整個資產類別的基礎，就是愿意為ARR（年度經常性收入）支付非常非常高的估值倍數。我們之所以被允許這樣做，是因為這些公司最終會變得極其盈利，而且盈利非常持久，并以GDP數倍的速度增長很長很長一段時間。
所以，這就是軟件行業過去的基本面設定——非常清晰，非常適合用電子表格來分析。我說的那些指標都能非常漂亮地放進表格里。還有像"40法則"這樣的指標——增長率加上自由現金流利潤率——有時候你甚至可以用一個單一指標來概括一家軟件公司的質量，有些投資者就直接看40法則的得分來做投資決策。
但現在，如果你去看那些最熱門的公司、最熱門的賽道，它們幾乎是我剛才說的每一條黃金法則的反面。
有條推文說："FTE（全職員工驅動的銷售）是新的PLG（產品驅動增長）"，這已經成了最流行的分發策略。
Molly O'Shea：還得感謝Palantir（為此開了先例）。
Ev Randle：沒錯，就是這樣。
萬物的"Palantir化"，意味著現在你到處都能看到這種"高端實施顧問"的角色。而這在過去是不被允許的——你不應該有這種東西，你應該賣的是純軟件。但這種模式會拉低毛利率
而現在，高毛利率反而成了一個壞信號——因為AI推理本身就需要花很多錢。如果你的AI產品毛利率很高，那說明根本沒有人在用你的AI功能。這就像是一個顛倒的世界。
還有另一個現在很流行的說法是：如果你想要在面對大型實驗室時保持競爭壁壘，你就需要自己訓練模型，或者至少要用從用戶那里獲取的數據做后訓練（post-training）。所以現在的邏輯變成了：一家軟件公司內部還得建立自己的研究實驗室來訓練模型。這在資本支出上是極其密集的——和過去那個沒有任何GPU資本支出的軟件時代相比，簡直天壤之別。
所以這一切就像是一個顛倒的世界——過去定義"電子表格投資時代"的所有黃金法則，如今全部失效了。最熱門的公司和賽道，幾乎是這些法則的反面。
我認為這讓很多人感到困惑的原因在于：這些黃金法則本身，在真空中來看，確實是構建一家高質量公司的第一性原理——因為歸根結底，一家公司要被高度估值，就必須在很長一段時間內持續產生大量自由現金流。
當你看那些最熱門的公司，從第一性原理的角度來審視，它們看起來似乎比傳統SaaS公司吸引力更低。這就迫使你不得不重新思考很多投資方式。
第4章：誰真正掌握了AI經濟學的門道？Molly O'Shea：關于這個話題，我有好多延伸問題想問。第一個問題是——你認為在各家公司里，誰對管理AI規模和經濟模式有最好的直覺？
是創始人嗎？還是你發現這種能力分散在不同的公司、研究人員或經濟學家之間？這對所有人來說都是全新的領域，你是怎么理解這件事的？你認為誰最能把握其中的門道？
Ev Randle：這是個很好的問題。這件事真的很有意思，因為這些公司彼此之間差異極大。比如說，我們投資組合里有一家叫Fireworks的公司，我們認為它正在成為一種AI推理云；再拿另一家同樣出色的公司Crusoe來對比，表面上看它們屬于同一賽道，但實際上它們是完全不同的公司，擁有完全不同的商業模式和經濟模型
我的意思是，Crusoe實際上是在親自建造數據中心——他們去獲取電力、土地和許可證，自己建數據中心，通常是為超大規模云服務商（hyperscaler）提供服務，這些云服務商反過來成為他們的客戶。有時他們也有自己的云產品，可以向初創公司等客戶出售推理服務。而Fireworks 并不擁有自己的數據中心，他們實際上是從合作伙伴那里租賃推理算力和GPU
他們賺錢的方式，一方面來自推理服務本身，另一方面來自他們在推理層之上構建的軟件——這些軟件能讓推理更具成本效益、降低延遲，從整體上提升推理產品的質量。所以從外部看，你可能會說"哦，不就是兩家推理公司嘛"，但它們其實擁有截然不同的商業模式、截然不同的資本密集度和截然不同的利潤結構。它們的差異遠大于相似之處。
我職業生涯起步于一家名叫Vista Equity Partners的軟件私募股權公司。CEORobert Smith常對我們說："軟件吃起來都像雞肉。"這正是軟件的美妙之處——每家軟件公司，當你翻開資產負債表、看損益表的時候，它們都長得差不多。所有公司的科目條目都一樣，成熟期的損益表看起來也基本相同。即便它們面向完全不同的市場、銷售完全不同的產品，骨子里的相似度遠大于差異。
但現在，這條規律不再適用了。AI領域存在太多不同的商業模式——你可以是AI應用開發者、基礎模型實驗室、推理平臺，也可以是數據中心建設公司——它們真的是五花八門、各不相同
所以很難一概而論，答案需要具體問題具體分析，取決于公司所在的細分賽道。但我認為，那些認真思考過"AI公司新分類框架是什么"的投資人和創始人，擁有明顯的競爭優勢。
因為在我看來，這一切最終都歸結為一個公式：P × Q × M——這是經濟學101的基礎，即價格 × 數量 × 利潤率
在SaaS時代：

• P（價格）是你的ACV，也就是你賣給客戶的合同年均價值；
  
• Q（數量）是你的客戶數量，或者你的目標市場（TAM）中的潛在客戶規模；
  
• M（利潤率）是毛利率，通常在70%到90%之間。
  

而現在，在AI時代，如果我們以AI應用公司為例：

• Q 基本沒變，你面對的還是那批會購買SaaS的客戶；
  
• M 幾乎肯定更低，我認為99%的AI應用公司毛利率都低于70%
  
• P 可以高得驚人——你會看到一些推理平臺與初創公司簽下九位數（億級美元）的合同，這在SaaS時代極為罕見，能和任何客戶簽九位數合同的SaaS公司都鳳毛麟角，更別說對方還是初創公司。而現在，大量AI公司正在簽下規模令人難以置信的大合同
  

我認為，理解這套新的分類框架，理解它對公司質量演進意味著什么，理解這些公司成熟后會呈現出怎樣的面貌——這是一個至關重要的動態變量，而整個行業目前都還在摸索之中。
第5章：為什么Benchmark押注創始人，而非賽道Molly O'Shea：那你的意思是說，這種迷失感體現在做全新投資決策上，還是也體現在理解現有投資組合公司上——比如它們如何以不同的方式成長和擴張，包括邊際層面和商業模式層面？
Ev Randle：兩方面都有。我覺得，幸運的是，Benchmark做得最好的一件事，就是在極早期階段與創業者建立合作關系。正因為如此，你就不需要太擔心很多這類問題了——因為這些問題很多都跟"公司IPO或被收購時會值多少倍"有關，或者"他們在規模化階段如何有效利用資本"之類的事情。
但如果你是在公司剛起步、估值僅5000萬美元的時候就支持這位創業者，那么等你真的需要回答那些問題的時候，其實你已經完成任務了——公司已經成長到了一定規模，達到了一定的成熟度，你大概率已經贏了。
我認為，我們投資組合中很多與這次對話相關的公司，情況都是如此。當然，隨著這些公司逐漸成熟，我們也會思考：未來哪些賽道會有真正大的利潤池可以爭奪，這確實是我們關注的事情。
但我們的優勢在于：優秀的創始人永遠不會過時。而那些商業模式卻會時不時地起起落落，有些變得流行，有些又退出舞臺。你知道嗎，以前大家都說不能碰硬件，但現在硬件科技顯然成了唯一"安全"的方向——至少在消費領域是這樣，體育領域也是，比如買一支棒球隊，那就跟OpenAI沒什么關系了，算是隔絕開來了，哈哈。
不過好消息是：無論是什么賽道，所有這些公司的核心都是一樣的——都有出色的創業者在驅動它們前進。所以我認為，Benchmark自創立以來的模式一直都是**"從創業者出發"，而不是"從主題切入"**。
如果你是"SaaS專項基金"，現在日子可不好過，哈哈。我認識很多人，他們之前就是那種SaaS專項基金，現在已經重新包裝自己，說"哦，我們現在是SaaS+AI基金了"。但我認為，從戰略角度來看，這種定位遠比那種始終如一的基金要難受得多——后者的邏輯是：先找到最優秀的創業者，其他的事情我們一路摸索著來。因為正是這些人，會想清楚所有的挑戰，并且從另一端走出來，變得更加強大。
第6章：Brad Gerstner的"推理時代"論斷Molly O'Shea：既然不是主題基金，但我們確實正在進入AI時代的一個新階段——事情正在變得更加成熟。Brad Gerstner認為，我們現在進入了所謂的**"推理時代（Age of Inference）"**，而最能從中受益的公司，是處于這一浪潮下游的企業。比如AI智能體經濟——就像你們投資的Gumloop，以及所有它下游的東西：超大規模云服務商、算力、各種連接器、路由器，這些現在都成了人們瘋搶的大賽道。那你怎么看待"推理"這件事？順便也可以聊聊Gumloop，以及整個因為智能體（agents）而非聊天機器人（chats）的爆發所帶來的經濟生態。
Ev Randle：對，完全同意。我對推理這件事目前的理解框架是這樣的——
我當時在跟我們一家投資組合公司合作，他們有大量令人驚嘆的開發者用戶群體，產品也非常出色，但就是還沒想清楚商業模式。
我坐下來跟他們一起梳理：我們怎么確定收入模式？我跟他們說的是：你們現在的處境，就像站在河岸邊，手里拿著一個桶，想把桶裝滿——因為那個桶就是你的收入桶，或者隨便什么桶——但你就只是站在河岸邊發呆。然而就在對面，有一個大瀑布。你應該做的，不是站在河岸邊發愁，而是直接走到瀑布下面去。你站到瀑布下面之前，根本不知道桶有沒有漏洞，也不知道桶有多大，什么都不知道。但第一步，就是走到瀑布下面
而那個瀑布，就是推理（Inference）。
推理所帶來的、對如此多不同業務和商業模式的那種難以置信的收入浪潮和需求涌現，正如你所說，是不可忽視的。
我們是Fireworks AI的重要投資人，如果你再看看其他推理平臺，比如Fal、Baseten、Modal，以及大量采用基于用量計費基于結果計費模式的應用公司——這些都是將推理貨幣化的不同變體
所以當你聽說所有這些公司，它們的增長不再是以前那種"1→3→9→20"的節奏，而是"1→20→100"甚至"1→30→300"——這一切，追根溯源，都可以歸結為：推理讓一種新的商業模式成為可能
以前的商業模式是：我們按某個固定金額乘以你公司的員工人數來收費。而現在的模式是：我們在轉售給你的token（算力調用）上賺取一定的利潤差價
有些商業模式的利潤空間比較薄，基本上就像是一個推理經紀商，純粹在轉售推理服務；而有些則對推理進行了高度抽象封裝。比如Sierra，它采用的是基于結果的定價模式——按實際完成的客服問題偏轉次數來收費，這已經高度抽象化了，但底層你仍然是在對"token消耗"這件事進行貨幣化。
這種模式的好處在于，它徹底移除了你增長潛力上的任何速率限制，正是它成就了我們在所有這些新AI公司身上一次又一次看到的那種令人難以置信的營收增速。
第7章：自云計算以來最重要的變革Molly O'Shea：你認為智能體（agents）的大規模普及會帶來什么？
Ev Randle：我覺得，嗯，這確實很有意思。一方面，每當一個詞或術語被過度營銷、過度產品化的時候，我都會有點不舒服。
Molly O'Shea：是啊。
Ev Randle：你知道，FDES 肯定是這樣一個例子，我認為"智能體"這個詞絕對也是。
Molly O'Shea：那"AI"呢？
Ev Randle：是的，好吧，"AI"嘛，那至少是一個寬泛的總括性術語。但你知道，當私募股權公司開始要求旗下所有投資組合公司都聲稱自己在賣"智能體"的時候，你就知道這個詞已經被用爛了。我們需要【笑聲】，我們需要從這個詞轉向一些新的、不同的東西。
不過，盡管如此，我仍然認為這從根本上來說，既是我們自SaaS誕生以來見過的最偉大的產品創新，也是最偉大的商業模式創新。
是的，也就是說，自云計算商業模式興起以來，這是最重要的變革，原因在于它是我們邁向"銷售工作本身"這一理念的基礎——也就是真正復制一個人在完成某項任務時所做的事情。
在商業模式層面，正如我之前提到的，它讓軟件的買家能夠轉變心智框架——從"我購買的是一個許可證"，轉變為"我購買的是按需調用的智能"，或者說是"按需調用的白領工作"，或者是通過API或軟件產品按需獲取的、能為我的業務創造經濟產出的某種活動。
這就解鎖了一種全新的**"價格-價值"對等關系**，讓買家能夠以完全不同的方式來看待軟件以及他們的軟件預算。
我認為，當我們最初追蹤編程智能體（coding agents）崛起的時候，有一件事讓我們興奮得不得了——那就是當 Claude Code（即便那時還叫 Claude CLI）變成 Claude Code 之后，我們和開發者以及投資組合內的公司交流，他們說："是的，你知道，我們有些開發者每個月自己就花了3000美元在 Claude Code 上，每人。"
我當時就想，哇，好家伙，那就是每個開發者每年36000美元。在SaaS時代，如果你拿到一個5萬美元的ACV（年度合同價值），那已經算不錯了。但現在，你不再是和這個客戶簽一份總價5萬美元的合同，而是每個開發者都能產生這樣的價值，而且還在持續增長
這就讓人意識到——哇，這對于普通公司來說，可能不是一個20萬美元的預算項，而是一個2000萬美元的預算項
Molly O'Shea：或者對某些公司來說……
Ev Randle：或者對某些公司來說，是每月5億美元。
Molly O'Shea：每月5億美元？
Ev Randle：每個月。這已經是一個完全不同的技術時代了。
所以我認為，盡管我對"智能體"這個詞泛濫成災感到厭煩——現在你上網隨處可見這個詞——盡管它已經被營銷到爛大街，它所代表的仍然是我們有史以來見過的最重要的產品技術變革，以及最重要的營收和商業模式轉變，甚至可能是整個科技史上最重要的。
我認為這也是我們對 Gumloop 感到無比興奮的原因之一——如果你感興趣的話，我們可以聊聊 Gumloop。
第8章：深入了解 Gumloop 的 AI 自動化畫布Molly O'Shea：好啊，給我們介紹一下 Gumloop 吧。
Ev Randle：好的。Gumloop 是一個獨立的第三方軟件平臺，為企業提供協作式 AI 智能體與 AI 自動化畫布
用最簡單的話來說，它的意義是這樣的：我們最早在編程領域看到了這一趨勢——隨著 Opus 4.5 等編程智能體的出現，開發者們發現他們可以將日常工作中的絕大部分卸載給編程智能體，不只是像 Cursor 那樣的"按Tab鍵自動補全"，而是真正地把大量工作交給 Claude Code、Cognition 或其他類似產品中的編程智能體去完成。
我們的核心論斷是：我們在編程領域看到的，將會在大多數白領崗位上重演，最終可能也會發生在大多數藍領崗位上。普通白領將通過智能體和 AI 自動化，大量自動化日常工作中那些機械重復的部分。
這正是 Gumloop 所提供的。它是一個面向企業的平臺，組織內的每一位員工都可以使用——不只是開發者，不只是銷售人員，不只是市場人員，而是每一位員工——都可以創建、迭代和協作構建自動化流程，既包括像當年 Zapier 那樣的簡單自動化，也包括完整的 AI 智能體。這些智能體可以跨部門使用，可以通過在 Slack 或 Microsoft Teams 中與它們對話來觸發，也可以在后臺自動運行，無需任何人手動觸發。
當然，市面上已經有，而且還會出現很多優秀的產品，比如 Claude for Work，以及 OpenAI 將 Codex 和 ChatGPT 合并為一款生產力產品的相關消息——它們在這個大類別中也將擁有龐大的業務。
但我們認為，獨立的第三方廠商的存在極為重要，原因有兩點：
第一，各大模型實際上是參差不齊的——在任何特定時間點，不同模型各有所長。比如 Gemini 是目前最好的多模態模型；Claude 通常擁有最好的編程模型，盡管現在很多人認為 GPT-4.5 在編程方面實際上已經超過了最新的 Opus 模型；而開源模型在推理成本方面通常具有極高的性價比。所以，不同任務有不同的最優模型，你確實需要一個真正站在客戶立場的獨立第三方廠商，而不是一味推薦自家產品。
比如在某些企業里，你會看到員工用 Opus 4.8 去查天氣——這顯然是一種浪費，而獨立廠商的價值就在于幫客戶避免這種情況。
第9章：沒有人在解決的"Token 超支"問題Molly O'Shea：我知道。嗯，我已經和幾家公司談過這個問題了——就是說，你怎么控制 token 上的花費，還有那些關于"token 超支"的爭論之類的事情。因為你知道，當我在用 Claude 或者其他什么工具提問的時候，通常那個問題都挺蠢的……【笑聲】……就是個小改動，我自己進去改一下就行了。但是，你看，這個工具實在太好用了，所以我還是想用它來搞定這個小改動。但是，如果你把這個行為放大到大量內容上，或者說……
Ev Randle：還有成千上萬的員工……
Molly O'Shea：對，成千上萬的員工，那賬單顯然會累積得非常龐大，同時也成為某些公司非常可觀的收入來源。
Ev Randle：沒錯。我就像在用 Opus 4 問自己午飯吃什么，你懂嗎？這大概……這大概不是我們推理預算最好的用法。
第10章：Ev 的"媽媽測試"——用于評估前沿 AIMolly O'Shea：但這挺有意思的。我知道你們是 Lora 的投資人。我上周去了 Harvey，他們也在談同樣的事情。感覺有點像以前發短信的時代——你是按條收費的。
Ev Randle：對，沒錯。
Molly O'Shea：而現在，這件事正在我們的聊天機器人里、在各種不同的提示詞里發生。你怎么看這個商業模式的走向？你覺得它會變得更高效嗎？
Ev Randle：對，我覺得這取決于兩件不同的事情。我有一個東西，我稱之為……其實外面也有很多"媽媽測試"，這個說法可能已經被注冊商標了，我也不確定——
Molly O'Shea："媽媽測試"？
Ev Randle：對，我個人的 AI"媽媽測試"是這樣的——當然，不是每個媽媽都這樣——我媽媽住在科羅拉多州一個偏遠的郊區小鎮，她不算 AI 原住民，比如說，她甚至不知道怎么重置 iPhone 密碼，不是那種特別懂科技的人。
所以我一直問自己的問題是：對于我媽媽來說，她需要從 AI 那里得到的東西，有多少是一個非常非常非常低成本的開源模型做不到的？
兩年前我開始問這個問題的時候，答案還有些模糊，"嗯，也許有一些吧。"現在答案是：100%——我媽媽對 AI 產品的所有需求，根本不需要用前沿模型，甚至不需要接近前沿的模型。
然后你可以開始往外延伸：那高中生呢？那某類職業人士呢？根據你的使用場景、你是誰、你想從 AI 那里得到什么，你可能需要前沿模型，也可能不需要。
就目前市場來看，人們愿意為獲取前沿智能支付巨大溢價，這一點到今天依然成立。但與此同時，經濟活動中有越來越多的任務——包括在企業內部——根本不需要前沿模型，很多時候甚至不需要任何接近前沿的東西。
Cognition 也發表過相關研究，他們對一個開源模型做了后訓練，專門針對他們在 Cognition 內部觀察到的那些任務復雜度低、不需要前沿智能，但卻極其頻繁發生的任務。結果發現，人們可能只是習慣性地用前沿模型來做這些事，而實際上，如果把這些任務從前沿模型上剝離出來，你能節省大概 95% 的成本——因為這是一個非常簡單的、有明確邊界的任務，根本不需要前沿智能。
所以我認為，隨著模型越來越好，不需要前沿模型的查詢或操作所占的比例正在持續增長。
當然，話說回來，對前沿智能的需求也在增長。比如，真正高質量的編程模型，直到 Opus 4、直到去年冬天才出現——這就是為什么你看到 Anthropic 的收入和 Claude Code 的使用量都呈拋物線式增長，因為這是一次真正的突破。所以并不是說前沿智能的需求沒有增長，愿意為此付溢價的意愿沒有增長——只是同時也存在大量的"非前沿任務"，這部分的需求也在飛速增長。
我的合伙人 Eric Vishria 發過一條很棒的推文，很多人試圖把這件事搞成非此即彼的零和游戲——"到底是開源會贏，還是 Anthropic 和 OpenAI 會贏？"他列舉了一大堆，但核心意思是：設備端推理？會有。開源推理？會有。專有模型？也會有。看起來所有這些東西都有巨大的需求，而且都在呈拋物線增長。
所以這至少目前還不是一個零和游戲——不是說要么全部是開源，要么全部是三大前沿廠商的前沿模型。事實證明，所有這些都有用武之地，而且都在非常非常快速地增長。
第11章：當前沿模型變得極度廉價時會發生什么Molly O'Shea：那我想在這個問題上再深入追問一下。就像你之前說的，今年早些時候乃至今天，OpenAI 的營收高得驚人。Anthropic 上次傳出的估值大約在 450 億美元左右，現在人們猜測已經漲到 600 億了。兩家公司都在謀求上市，路徑跟 SpaceX 和 xAI 類似。那么，一旦這些模型變得越來越高效、成本越來越低，你覺得會發生什么？你認為這種規模擴張還會持續嗎？你怎么看？
Ev Randle：是的，這個……這真是一個價值萬億美元的問題（笑），甚至是數萬億美元的問題——如果你把 SpaceX、xAI、OpenAI 和 Anthropic 全都算進去的話。
我覺得答案很大程度上取決于接下來這 12 年乃至更長時間會呈現出什么樣的面貌。我的意思是：你是否相信我們正走在一條"遞歸自我改進"的道路上，走向那種"數據中心里關著一堆天才"的未來？
如果真的出現了"數據中心里的一堆天才"這種局面，也就是說前沿能力真的達到那種高度，那么前沿實驗室確實很可能擁有強大的定價權，能夠持續增長、持續變現，甚至實現增長再加速。
反過來，如果在某個時間點，模型能力實際上碰到了絕對天花板，而蒸餾技術又像過去一樣持續推進，開源模型能達到能力上限的 95%——那對前沿實驗室來說就是一個非常可怕的處境。
不過我也不認為這會是"致命一擊"，因為就像……大多數 ChatGPT 的用戶，不管里面跑的是不是 GPT 模型，他們照樣會用——他們喜歡的是這個產品。大多數人甚至根本不知道里面用的是什么模型。在我們舊金山這個小圈子里，大家可能會知道，但那 9 億周活躍用戶里的絕大多數，完全不知道什么是 GPT-5.5，完全不知道。就算你悄悄把模型換成別的什么，他們也分辨不出來。
所以我覺得，那種局面不會"殺死"他們，因為人們喜歡這些產品，OpenAI 也好，Anthropic 也好，都在自家模型之上做出了非常出色的產品。
但那將會是一種截然不同的處境，因為開源會對他們的定價能力產生更大的壓制，讓他們更難對所生產的 token 收取溢價。
當然，開源推理也是要花錢的，開源不等于免費。還是得有人跑 GPU，還是得有人建數據中心，還是得有人運營數據中心。
關鍵更多在于：前沿實驗室究竟能創造出多少溢價空間。
我認為，在我們真正搞清楚"遞歸自我改進"是否真的實現之前，這個問題不會有答案——到那時，數據中心里究竟是"一群天才"還是"某種神靈"，隨便你怎么叫，屆時我們要操心的會是完全不同的問題。
而如果在未來幾年內，能力確實在某個時間點觸頂，蒸餾又繼續推進，那對前沿模型公司而言，想要維持溢價利潤率就會變得難上加難。
第12章：新融資劇本的內幕Molly O'Shea：考慮到這個行業的規模和發展速度，另一個常見問題是：我們如何為此融資？目前存在不同類型的融資方式。我的意思是，我們現在就坐在General Catalyst對面，他們有自己的CDF基金，還有人在追逐代幣債務融資，試圖找到合適的組合方式。但這一切背后有一股暗流——公司融資的速度比以往任何時候都要快。在我們之前的交流中，有一個問題是：我們要不要談談泡沫？我覺得泡沫本身并不是最有趣的話題。我更感興趣的是：當下最大的隱憂是什么？因為透過種種表象去看本質，就像我們都心知肚明——當公司開始脫軌的時候，跡象其實早就有了。
而且，當一家公司在某種程度上被過度融資時，情況就會變得很奇怪。但與此同時，也有一些"孤注一擲"的公司，它們的表現遠超你的預期，于是又完成了一輪融資，六個月后又是一輪，就這樣不斷積累越來越多的資本。好，說到這里——融資生態系統已經發生了根本性的變化，原來的那套劇本已經徹底過時了。那么對于像Benchmark這樣專注于早期階段的公司，你們如何在早期捕捉價值并持續發展？
Ev Randle：是的，是的，是的。我覺得這是我們內部經常討論的話題。因為你說得對，即便是融資市場本身——我覺得大家都在談論融資市場的變化，以及風險投資和成長期資產類別的變化。大家談論最多的趨勢，就是公司保持私有狀態的時間越來越長。這已經是一個主流趨勢了。你知道，隨便舉個公司名字——當然，有些公司現在確實在上市，比如SpaceX。但在此之前，大家都說"SpaceX永遠不會上市"，"Stripe永遠不會上市"，"Databricks永遠不會上市"……如果現在是2005年，這些公司早就已經上市好幾年了。但現在，通過這些風險成長型平臺，私募市場有太多資本可以供應，所以這些公司就幾乎無限期地保持私有狀態。
我認為最近發生的一個更新的變化，正如你所提到的——AI是如此與眾不同，因為根據你想做的事情，往往從第一天起就需要巨額成本。比如，如果你想創建一個類似Neolab的機構，有某個令人難以置信的研究方向想要追求，但你需要20億美元的算力才能驗證它是否可行——這和Airbnb在YC種子輪融資50萬美元、驗證產品市場契合度，是完全不同的方程式和融資邏輯，是一個完全不同的資本市場。
另外，我認為你現在看到的是——正因為公司保持私有狀態的時間更長，也出現了一些瘋狂的情況，那就是一家公司往往會經歷某種"重生"。通常人們的認知是：早期階段風險高，但資金倍數也高；晚期階段風險低，但可能只有2到3倍的回報。但瘋狂之處在于，由于AI等領域的市場規模如此龐大，而這些公司又保持私有狀態的時間更長，你實際上會遇到這樣的情況：一家晚期公司的上行空間，可能遠遠超過一家C輪公司。這非常奇怪，真的很奇怪。
我在Kleiner Perkins時的第一筆投資是SpaceX，當時估值超過1000億美元。我和同行朋友們當時都在想：天哪，你是在追求2.5倍的回報嗎？以三位數十億美元的估值入場，還能有多少上行空間？但事后證明，對SpaceX來說真正發生的是——它有一個叫Starlink的業務，在那之前幾年就已經起步，并開始真正規模化，那就像是公司的一次重生。如果你今天看它的損益表和招股說明書，絕大部分業務是面向消費者和B2B的寬帶業務（通過Starlink），而不是發射業務。
所以我認為，我們一直在思考和應對的兩件事是：
第一，當一些AI企業的早期生命周期需要密集得多的資本投入時，我們如何繼續成為最優秀的風險投資公司，在創業者旅程的早期與他們攜手同行，成為他們最重要的伙伴；
第二，當這些企業在更晚的階段才真正經歷變革性時刻時——感覺明明已經走了15年，卻好像只完成了旅程的1%——我們該怎么辦。
我沒有一個完美的答案。我認為我們在做的事情上極為靈活。我們不說只做種子輪，也不說只做A輪。我們的原則是：當我們認為能夠為LP帶來驚人回報、并且能夠成為創業者最重要的伙伴時，我們就與世界上最優秀的創業者合作。這是我們思考問題的框架。我認為，我們在AI領域和整個資本市場所看到的趨勢，確實拓寬了我們的思路——關于什么樣的融資輪次、什么樣的情境，適合像Benchmark這樣的公司。
第13章：風險投資變成了一種產品，而非一家公司Molly O'Shea：現在確實也出現了很多新型融資工具，比如私人信貸已經在很大程度上填補了銀行退出后留下的空白，各種不同類型的融資方式也不斷涌現。那么，在另類資產這個大框架下，風險投資究竟發生了哪些變化？它所扮演的角色又有什么不同？
Ev Randle：是的，我覺得……我認為這正是人們在討論這些問題時容易陷入困境的地方——這些機構可以徹底改變自身的性質，但我們依然還是用"風險投資"這個詞來稱呼它們。所以每當我寫博客文章之類的東西時，我都會用"風險成長型"這個說法，因為我覺得"風險投資"指的是一種非常特定的東西。甚至當我在討論像Databricks這樣的公司時，我也會說這應該用一個不同的名稱來稱呼，所以我會叫它"風險成長型"，這是一種表達方式。
但我認為，現在很多這類機構已經變成了另類資產管理公司，這就是它們的本質——它們旗下有風險投資產品，但它們本身并不是風險投資公司。這么說并不是因為我覺得它們不好。我認為這些機構中有很多都非常優秀。但像General Catalyst和Andreessen Horowitz，它們就是另類資產管理公司，因為它們旗下有太多不同的產品線。
你想想看，像Iconiq這樣的機構——Iconiq有非常出色的成長期風險投資業務，但它最初其實是做高凈值人群財富管理起家的，這和單純的風險投資公司是完全不同的兩回事。
所以我認為，隨著這些機構不斷演變，整個行業在一件事上做得并不好，那就是與時俱進地更新我們的術語體系，更新我們談論這些事物的方式。所以說，是的，General Catalyst仍然有風險投資產品，同時也有成長期投資產品、債務融資產品、健康保險產品，還有財富管理產品——因為它就是一家另類資產管理公司。
所以我認為，風險投資本身在很多方面并沒有改變，但對于許多機構來說，它現在只是一個產品，而不再是這些機構本身的定義。
第14章：華爾街有史以來最大的IPO浪潮Molly O'Shea：我們在整個對話中確實多次提到過這個話題，但我真的很好奇聽聽你的看法。
公開市場正在迎來史上規模最大的IPO潮，而且這一切顯然都將在今年發生。那么，你認為市場將如何消化這一切？它能被順利吸收嗎？會不會產生某種"余震"？這最終又將如何影響這個資產類別？
Ev Randle：是的，我覺得會從幾個方面產生影響。首先，我做了一個分析——一個非常粗略的分析，起因是我只是隨手拿了一個例子：Anthropic。在那輪3800億美元估值的融資完成之后，我心想，天哪，我知道這比我們在成長期融資中見過的任何案例都要大得多。而且我也意識到，我們目前并沒有充分討論這件事——它到底有多么與眾不同。
于是我做了這個分析：我大致梳理了過去十年的數據，挑出了過去十年里四筆最出色的Pre-IPO投資——標準是融資規模大，同時投資人回報也很豐厚。我選的是 Slack、DoorDash、Snowflake 和 Nubank。
在那些輪次中，Pre-IPO輪的融資總規模通常在5億到20億美元之間，投資人在四年周期內的回報大約是2到5倍。大家皆大歡喜，對所有參與方來說都是很好的結果。
以Snowflake的Pre-IPO輪為例，四年下來，大約5億美元變成了約25億美元——當你仔細想想，這已經是非常驚人的成績了。
但再看Anthropic這筆3800億美元估值的融資：如果Anthropic上市時的估值達到1.5萬億美元——他們剛剛以接近1萬億美元的估值完成融資，我認為大多數人不會覺得1.5萬億是什么特別激進的預測，很多人的估計甚至會更高——那么這筆融資（即以3800億估值融入的300億美元）所產生的毛回報，將是Snowflake Pre-IPO輪的35倍。也就是說，一筆融資頂35個Snowflake Pre-IPO輪
我有一些朋友，我認識好幾個人，他們在Anthropic上單筆投入了30到40億美元，這已經很難用語言描述了。這些數字大到令人難以理解，因為就在五年前，一只成長期基金的規模也不過10億美元左右。
Molly O'Shea：是的。
Ev Randle：在新冠疫情把各類成長基金規模都推高之前，一只普通的成長基金大概就是10億美元的體量。而現在，有人在單一一家公司上投入了40億美元，而且他們可能在不到5年的時間里，在這40億上實現五倍回報。這簡直難以置信。
至少SpaceX花了20多年，才讓所有人都富起來，把這些財富注入整個生態系統。但我真的不知道，人們是否真正理解并做好了準備，去迎接如此巨量的流動性對整個生態系統可能產生的沖擊。
我認為，目前唯一一個人們已經明確預見到、并且已經開始感受到的地方，是舊金山的房地產市場
Molly O'Shea：我的天哪。
Ev Randle：那里現在的情況是，幾乎所有房子都以要價兩倍的價格成交，而且全是全現金付款，或者用股權、用AI實驗室的股權來支付。
但我認為，連鎖反應遠不止于此：那些員工接下來會做什么？他們會投資什么？他們會支持哪些事業或公司？他們會去創業嗎？還是留在這些實驗室？這將是一場沖擊，它將影響生活的方方面面——既包括硅谷的現實生活，也包括整個生態系統中員工、投資人和創始人的人生軌跡。
Molly O'Shea：絕對是這樣。我已經和 Michelle Delono 錄了兩期節目——正如你提到的，Andreessen Horowitz 有多元化的業務線，他負責管理 Marc 和 Ben 以及核心合伙人的多家族辦公室，也就是他們的財富管理部門。每次和他交談，我都會問這個問題，因為由于這一切事情同時發生，即將到來的財富事件將是有史以來規模最大的財富創造時刻
我們已經探討了其中幾個問題，我現在顯然不會再重復一遍，但最核心的問題之一是：當你90%的凈資產——按目前這個勢頭，可能遠不止90%——都集中在一個倉位上，你該怎么辦？
Ev Randle：對，沒錯。
Molly O'Shea：他對此有一些非常精彩的解答。
第15章：Benchmark 瘋狂多元化押注背后的秘密Molly O'Shea：好的，在我們收尾之前，我還有幾個問題。我在調研你們的時候，有一件事讓我特別感興趣，就是你們的投資組合有多么多元化，尤其是在 AI 領域的布局。比如你們投了 StarCloud——一家軌道數據中心公司，還被列在了 SpaceX 的 S-1 文件里。然后還有 Cerebras，剛剛上市了。Sierra、Langchain、我們聊過一點的 Fireworks、Vanis……
Ev Randle：Vanis。
Molly O'Shea：Merkore，對。
Ev Randle：對，Merkore。有意思。
Molly O'Shea：我剛聽了他和 Harry Stebbings 的播客，在那次數據風波之后，他說了很多正面的事情，我真的挺驚訝的。他把很多事情都澄清了。說真的，為他高興。還有 HeyGen、我們聊過的 Gum Loop，還有 Exa。所以，面對這樣一個混合組合，而且你們又是集中投資策略——你們是怎么構建出這樣一個投資組合的？這些公司都非常成熟，發展都很好。我想問的是，這里面的魔法是什么？這和你們公司之間的關聯是什么？
Ev Randle：我想說……在我加入 Benchmark 之前，我當時的感覺是：哇，他們在主題布局上做得太厲害了。比如他們有 Lagora 這個垂直 AI 領域的贏家，有 Sierra 這個水平 AI 領域的贏家，有 Lora 作為數據基礎設施的布局，有 Langchain 作為開發者工具的布局，有 HeyGen 作為消費者端的布局……你可以一直數下去。還有 StarCloud 覆蓋數據中心領域。
然后我加入進來，才意識到——哦，原來根本沒有人想過"我們要進入某某賽道"這件事。這完完全全就是我們之前聊到的那個邏輯——一切都是從創始人出發的。都是基于創始人來做決定的。當然，他們投資的想法本身也要打動人，但完全沒有人去想"這個賽道會很大"。唯一的出發點就是：這是一位了不起的創業者，他們會把全部精力投入到一個讓我們信服的、真正有意思的方向上去。
甚至在某些案例里，這些公司后來還做了轉型。所以我們根本不可能預先聰明到知道這些公司會進入什么大賽道——因為我們投資的時候，它們還不在那些賽道里。
我認為這正是 Benchmark 的核心優勢所在：我們不投賽道，我們投人。
當 Chaan 投資 StarCloud 的時候，那是在 Elon 開始公開大力鼓吹軌道數據中心的幾周之前就已經完成了交割。
Molly O'Shea：你們開完合伙人會議，然后就看到這個……哇。
Ev Randle：我們當時確實——我忘了 Elon 是在哪個平臺上，但他接受了一個很長的采訪，差不多有一半的內容都在講軌道數據中心。我們就開始在群聊里互相轉發，說："哦天哪，這個領域要火了。"[笑聲]
這真的很諷刺，因為關于軌道數據中心到底是不是未來、到底能不能真正落地，本來就有很激烈的爭論。我們在討論這筆投資的時候，兩面的觀點當然都分析過。但這筆投資的核心是人。是 Philip 和他搭建的團隊。當時他們已經有一塊 GPU 在太空中正常運行了——他們是全球唯一一家在太空中有 GPU 的公司。所以我們已經看到了一些實實在在的牽引力，但最終的決策還是基于人。
當你的策略聚焦在人身上，偉大的創業者永遠不會過時。他們總能變出新花樣，他們天然地被那些真正巨大的賽道所吸引，而且往往最終會成為那些賽道的開拓者。
第16章：塑造他的導師們Molly O'Shea：好的，太棒了。在我們結束之前，我必須問一下我們的Brex問題。呃，Brex的核心是關于"績效表現"——如果你還不知道的話，現在你知道了——更聰明地消費，更快速地行動。但我認為，有一個關于績效表現的要素非常重要，那就是你身邊圍繞著什么樣的人。你在這么多傳奇基金工作過，一次又一次地與頂尖投資人共事。但我非常好奇，從你的角度來看，誰算是你的導師？在你不斷成長和進化的職業生涯中，誰是你心中的精神引路人？
Ev Randle：是的，我……我每天早上醒來都會掐自己一下，因為我真的太幸運了。正如你所說，我有幸與許多定義了風險投資和成長期投資歷史的人共事。他們不僅在工作上極其出色，而且幾乎每一個人都是非常好的人。我覺得我從每一個人身上都學到了不同的東西。
比如說，Napoleon Ta，他是Founders Fund的普通合伙人（GP），負責主導該基金的成長期投資業務。我從他身上學到了大量關于投資的知識，但我從Napoleon身上學到的最重要的東西，是他對家庭與工作的專注態度。他的生活非常簡單——他不上播客，不搞人脈社交，也不花大量時間與其他投資人交往。他就是去上班，非常非常努力地工作，然后把時間留給家人。這種生活簡單而美好。他熱愛與家人共度時光，也熱愛與Founders Fund的團隊一起工作。這讓我意識到：哇，這幫助我重新思考如何分配時間，以及如何看待生命中真正重要的事情
另一個人，是我現在非常欽佩的——Eric Vishria。我覺得他是Benchmark內部一個了不起的榜樣和領導者。今年他在Midas榜單上排名第三，從他的投資成績來看，他絕對是頂尖中的頂尖，可以說是風險投資界的"拉什莫爾山"級別的人物。但當你和他相處一兩個小時，或者更長時間，你會發現他是一個極其善良、勤奮、完全正常的人。他顯然聰明絕頂，但他幾乎毫不張揚——他不試圖向你證明什么，不試圖讓你感到渺小，也不試圖讓你覺得他是房間里最聰明的人。他就是非常努力地工作，非常聰明地工作。他在與創業者、合伙人的交流和合作中，始終帶著一種善意和平和的氣質，這激勵著我，讓我想要做得更好。
這讓我明白：把這份工作做到極致，其實并沒有什么神奇的煉金術。如果你努力工作，知道自己前進的方向，成為創業者的優秀伙伴，全力為他們付出——這本身就是這份工作的全部意義所在。只要做到這些，再加上職業生涯中一些幸運的機遇，你最終就有可能成為有史以來最優秀的風險投資人之一
這兩個人是我最先想到的，主要是因為他們教會了我更多工作之外的人生道理，而不僅僅是日常工作層面的技巧。但我與每一位共事過的人都深感幸運，因為他們都教會了我太多太多。
Molly O'Shea：太棒了。你知道，這個回答比那些典型的成長期投資人選擇"查理·芒格"的答案要有深度多了。
Ev Randle：哈哈，是啊。可惜，不像David Senra，我從來沒有機會與查理·芒格共進晚餐。要不然，我的答案可能就是查理了。
哇，太精彩了。這是一個完美的結尾。非常感謝你，我們聊了這么多關于AI的話題，真的非常開心——誰知道我們說的哪些會真的發生呢。
Ev Randle：沒錯，這才是最有意思的地方。一年后我們回頭來看，我可能在所有事情上都說錯了。
Molly O'Shea："什么是智能體（Agent）？"我現在都不知道了，到時候肯定又有新名詞出現。好了，非常感謝你，Ev！
Ev Randle：謝謝你，Molly，非常愉快！