a16z合伙人深度拆解：为什么AI不是泡沫，而是印钞机

如果一家 AI 公司同比增长 693%，人均创收 100 万美元，销售费用比 SaaS 同行还低。那么，这究竟是泡沫，还是一种新时代的开端？

a16z（Andreessen Horowitz）普通合伙人 David George 在看过数百个公司后，总结出一份让投资人迅速流传的投资报告，他给出的答案是：我们正站在一个 10-15 年产品周期的起点。

在近期的一期播客中，他与 a16z 投资者关系主管 Jen Kha 就 AI 和私募科技市场的现状进行对话。David 分析了其成长期样本中，为什么 AI 公司的增长速度是传统软件公司的 2.5 倍，同时在销售和营销上的支出却显著减少——这得益于巨大的市场需求和创纪录的人均年度经常性收入（ARR，Annual Recurring Revenue）。

在本期播客中，他们讨论了“模型颠覆者”（Model Busters，指增长速度和持续时间远超传统估值模型预测的公司）的崛起，这类公司的增长速度和持续时间超出任何人的模型预测。此外，他们还重点讨论了实际应用案例，以及 Harvey、Abridge 和 ElevenLabs 等投资组合公司的突破性表现。

（来源：a16z）

以下为播客全文，DeepTech 在不改变原意的前提下做了部分修改：

增长爆发：原生 AI 公司的效率曲线

David George：开门见山，我先说核心结论，因为这是我们第一次做这种形式的分享。我们团队内部做了大量研究和分析，既然有如此多不同的观点和视角，为何不分享给全世界呢？这也是我们决定公开分享的原因。

AI 的需求端简直火爆。在我们看来，AI 公司的落地速度、增长势头和整体质量都极其鼓舞人心。企业开始用 AI 把自身运营得更好，相关投入数据也一直在增长。

但我要说的是，这批公司之所以比以往任何一代都出色，很大程度上是因为市场对其产品的需求极其旺盛。目前市场供给端依然健康，但我们已经察觉到出现轻微过热的迹象。

我们很幸运能参与到这么多优秀公司的成长中，而当前私募市场最激动人心的机会，就在 AI 领域。先说核心结论：我之所以对现在这个节点如此兴奋，是因为我们刚刚处于这个产品周期的起点。产品周期驱动着我们的业务，而这类周期通常长达 10 到 15 年，我们现在只是站在最开端。

（来源：a16z）

我们投资覆盖私募市场所有阶段，这张图展示了 a16z 的投资布局。在成长期投资赛道中，我们在 AI 与信息应用领域的布局最为积极，覆盖度也同样广泛。

作为一家专注于成长期投资机构，a16z 掌握着海量一手数据，并覆盖了市场上绝大多数成长期公司——无论是我们的投资组合公司，还是潜在标的。我们有一支非常优秀的数据分析团队，对这些数据进行了系统性研究。

（来源：a16z）

其中最重要的结论是：2025 年是营收加速增长的一年。受加息和科技行业部分领域收缩影响，在 2022、2023、2024 年的营收明显放缓，但 2025 年扭转了这一局面。

无论我们按交易和四分位如何划分，各类公司的增长都在加速，尤其是头部公司：增长最快的 AI 公司，达到 1 亿美元营收的速度，远远快于当年 SaaS 时代增长最快的公司。

（来源：a16z）

我想重点解释一下原因。客户需求极其旺盛，产品本身极具吸引力，而不是因为它们在销售和营销上花费更多。恰恰相反，增长最快的那些顶尖 AI 公司，并不是在销售和营销上投入最多的，它们在这方面的支出低于当年的 SaaS 同行，但增长速度却快得多。

这张 PPT 展示的就是 AI 公司的增长情况。数据显示，AI 公司的增长速度是非 AI 公司的 2.5 倍以上。这一点毫不夸张，因为我们看到头部 AI 公司的增速确实达到了惊人水平。

我们反复核对了数据：头部 AI 公司同比增长 693%，这与我们从投资组合公司观察到的情况完全吻合。这是我们从数据中看到的 Margin 模型。同样，这些都是我们内部的数据集，来自投资组合公司和潜在投资标的，而 AI 公司的毛利率会稍差一些。

但在某种意义上，我们认为 AI 公司毛利率偏低反而是一种“荣誉勋章”：如果低毛利率是因为高昂的推理成本，那就意味着客户真的在大量使用 AI 功能。我们相信，这些推理成本长期来看会下降。

所以反过来说，如果我们看到一个 AI 项目毛利率极高，我们反而会有些怀疑——这可能意味着客户真正购买和使用的并不是 AI 功能。

最近几天，ARR/FTE（每名全职员工的年度经常性收入）成为社交媒体（如 X 平台）上引发大量讨论的话题，这也是我们最近开始重点关注的新指标。ARR/FTE 大致衡量的是公司整体运营效率，它囊括了所有成本，不仅包括销售和营销效率，还涵盖了管理费用和研发投入。

最优秀的 AI 公司，人均 ARR 能达到 50 万到 100 万美元；而上一代 SaaS 软件企业的经验值大概是 40 万美元。核心原因是产品需求极其旺盛，因此它们需要更少的资源去推向市场。

Jen Kha：在进入下一页之前，请先快速澄清一下：你们是如何定义 AI 公司的？是像 OpenAI、ChatGPT 这类，还是历史上的 AI/ML 公司？

David George：实际上我们会留一点余地，但核心标准是：它们推向市场的第一款产品就是原生 AI 产品。这里正好可以回应一个很多人关心的问题：从 SaaS 时代到 AI 时代，企业的营收增长预期发生了怎样的变化？

传统企业的 AI 改造：要么进化，要么淘汰

Jen Kha：你刚才已经提到了营收增长，那非原生 AI 公司会怎样？它们在和原生 AI 公司竞争时会很艰难吗？它们都在转型吗？我们会看到更多公司被淘汰吗？大家该如何看待历史投资组合？

David George：我们给投资组合公司的建议是：要么适应 AI，要么淘汰，这需要从前端到后端全面改造。

前端：你需要把 AI 原生地融入产品，而不是仅仅在现有工作流里挂一个聊天机器人。你要重新想象 AI 能带来什么，主动自我颠覆、主动变革。

后端：你需要让所有开发者用上最新的编码模型，让公司各个职能部门都用上最新工具。到目前为止，代码领域的变革最为显著，提升幅度最大。

过去一两个月里，这方面发生了重大变化，安德烈·卡尔帕蒂（Andrej Karpathy）也写过该方向的文章。我最近和一家 AI 之前时代的公司创始人交流，他对 AI 理解很深，也正积极推动公司转型。

我们聊天时，他说对旗下某款产品不满意，于是直接让两名资深 AI 工程师，用 Claude Code、Codex、Cursor 等工具从零重构，并且在编码工具上不对预算设限。他说，进度比之前快了 10 到 20 倍，相关成本也让他开始重新思考整个组织架构。

结论是：我必须让整个产品和技术团队都用这种方式工作，他认为未来 12 个月内这就会成为现实。但这对团队设计意味着什么？产品和工程的边界在哪里？甚至设计在流程中的位置在哪里？所以，从这一点来看，12 月似乎成了代码领域的转折点：未来 12 个月，这些工具会在企业里全面普及，没能跟上的公司，发展速度会远远落后于同行。

说到 AI 之前时代的公司，我们还有一个案例：一家传统软件公司的 CEO 已经全面拥抱 AI，他说：“我们要成为 AI 原生产品公司，我们的员工未来就是 AI Agent。”

他现在张口就问：“你们有多少个 Agent？”还有一位更极端，他说：“现在我评估每一项任务，只问一个问题：这件事能用电解决，还是必须用人解决？”

这是一种极端的思维转变，正在我们投资组合公司里发生。我很高兴看到这些 AI 之前时代的公司行动迅速，但它们必须彻底适应这个新时代——无论是前端产品，还是后端运营方式。

从实操层面看，几乎每家公司我们都要逐家梳理：创始人处在转型的哪个阶段、落地执行的深度如何。你刚才提到的颠覆现有流程，在 AI 原生公司里也在发生，而且越来越频繁。

基本上，半年前做的东西，用今天的技术就能大幅优化。这种迭代速度持续发生，AI 之前时代的公司必须不断追赶。好消息是，商业模式的演进仍处于早期。对企业来说，最具颠覆性的就是同时变革技术产品和商业模式。

简单来说，商业模式是一条演进曲线：最早是许可证模式，这是传统软件的商业模式；然后是 SaaS 订阅模式，通常按席位收费，这是一次巨大的创新和颠覆，云端交付和架构变革本身就很有冲击力，商业模式的变化同样颠覆性——这一点 Adobe 的转型过程就可以看出来。

接下来是按使用量付费，也就是按量计费，云服务就是这么收费的，很多基于任务、流量的业务已经从按席位转向按量计费。而再下一代，会是按结果付费。也就是你完成一项任务，理想情况下是成功完成任务后，按成果收费。

目前较容易落地按结果付费模式的领域，可能是客户支持，因为可以客观衡量问题是否解决。但随着模型能力提升，如果除了客户支持之外的其他职能也能衡量这类成果，那将成为一股巨大的颠覆力量。事实上，从按席位收费到按用量收费本身就是巨大颠覆，而当企业组织架构也为之改变时，下一波变革将更加关键。

（来源：a16z）

Jen Kha：说到“用电还是用人”，我们来看 ARR/FTE 这一页。市场上有很多讨论，都在说 AI 带来了效率提升。从某种程度上确实如此，企业运营方式开始出现一些不同。

David George：是的。就拿我刚才举的例子：两名工程师重写产品。在我观察看来，即便是 AI 原生公司，运营效率更高，部分原因也是增长太快、需求太旺。我不认为企业已经完全重构了运营方式。我们的数据样本是最顶尖的一批公司，它们的需求信号极其强劲。

因此，它们只需要更少的资源就能满足需求。再加上科技行业从 2021 年那段过度扩张的时期之后，整体效率都在提升。我们开始看到效率优化的早期迹象。但要说彻底用全新方式运营公司，我认为我们还处于早期阶段。

我见过最酷的公开案例是 Shopify。Tobi Lutke 做得非常出色，他是一位非常激进的 CEO，几年前就全面拥抱 AI。我们的一位撰稿人还专门深度拆解过 Shopify 如何用 AI 自我改造，包括员工方向、工作流程等。而这可能只是未来五年各行业变革的冰山一角。

（来源：a16z）

Jen Kha：非常棒的分享。下一部分我们讲讲这些公司具体在做什么，还有我们很喜欢的一个话题：在 AI 这个新领域里，律师的工作量反而增加了，而不是减少。我这周看到有企业律师说，大模型反而让他的工作量变多了，因为每个客户都觉得自己是律师了。还有 Harvey 这类产品，表现非常好。

David George：这里有一个很关键的问题：怎么判断这些公司的营收是可持续的，还是昙花一现？我们核心要做的，就是深度追踪营收留存、续费率和产品使用活跃度，尤其是用户使用时长。

用户多久登录一次平台？登录后做了什么？你会看到，随着过去几年产品大幅优化，加上推理模型能力提升，法律工作和逻辑推理本身高度相关。用户在产品上花费的时间几乎是以前的两倍。事实证明，AI 非常擅长在法律领域的事务。律师数量并没有减少，但效率大幅提升。和 Harvey 相关最重要的一点是：用户在产品上花费大量时间，并且从中获得巨大价值，这非常关键。

（来源：a16z）

David George：这种高粘性、高价值的模式并非个例，我们在其他投资组合公司中也看到了同样令人振奋的图景。比如，医疗领域的 Abridge 就是一个很好的例子。医生们对这款产品赞不绝口，说它节省了大量时间，大幅改善了工作体验。有客户把它形容成“值得信赖的副手”。右侧图表是我们重点关注的指标：蓝线是用户增长，绿线是用户活跃度。

通常用户大幅增长时，活跃度可能会下降，但这家公司恰恰相反：新增用户规模暴涨的同时，老用户的使用率依然极高，甚至还略有提升。这些都是我们判断营收可持续性的关键数据。这些公司的增长速度远超前代企业，但增长非常健康：高活跃度、高留存，这对我们来说至关重要。

ElevenLabs 也是一样，语音是众多新一代 AI 工具的核心。我之前讲过 B2B 领域的客户支持，此外很多个人工具、商业应用也都从语音开始。我最关注的就是它的使用量增长，数据惊人，公司增长极快，也是运营效率极高的典型案例。

（来源：a16z）

Navan 是另一种类型的案例，正好能印证我刚才说的观点。它们很早就启动 AI 转型，投入大量精力充分利用 AI 能力优化业务。目前最直观的体现是问题处理环节：它们的业务涉及旅行预订、行程变更等，现在 AI 已经能处理 50% 的用户交互。

这可不是简单的“查一下账户余额”，而是 AI 现在已经能够胜任复杂的工作流程。反映在业务上就是：过去三年毛利率提升了 20 个百分点，效果极其显著。

所以说“要么适应，要么淘汰”：它们的竞争对手还在墨守成规，而 Navan 已经比同行高出 20 个百分点的毛利率。

（来源：a16z）

还有 Flock，它们的工作也极其出色。在我们的投资组合公司里，它们的客户价值主张最有说服力。因为它们的 AI 用于打击犯罪。我们之前提到过一个数据：Flock 每年帮助破获 70 万起案件。右侧数据显示，在部署 Flock 的地区，每位警官的破案率提升了近 10%，对社区影响巨大。显然，它们的业务和财务模型也非常优秀，产品影响力非凡。

资本市场与基建：支撑增长的巨大动能

Jen Kha：有一个问题是：如果以传统行业（比如金融，以摩根大通为标杆）来看，你如何评估财富 500 强企业的 AI 应用水平？另外还有 MIT 去年年初做的一份企业 AI 应用调研，也可以结合谈谈。

David George：先说说我们从财富 500 强 CEO 那里听到的消息：我们必须转型，迫切想知道需要哪些 AI 工具，我们准备好改变了，我们的业务会全面落地 AI，我们要成为 AI 公司。

但这和实际发生的情况有很大差距。最大的脱节在于：变革管理太难了。哪怕只是让员工用 AI 助手提升工作效率都不容易。代码领域可能最容易理解，客户支持也是见效快、成本低、价值明显。

但真正到企业整体管理、业务流程改造、变革落地，难度极大。所以有一些案例显示转型速度慢于预期，我并不意外。但对那些全面拥抱、真正知道怎么做的优秀企业来说，AI 已经带来了巨大的商业价值。

David George：我认为未来五年会出现一次大洗牌：谁能真正拥抱变革、推动落地、采用最好的产品，谁就会占据优势，生产力差距会大幅拉开。企业对生产力提升、增长等方面的预期很高，我相信一批公司能实现，做不到的则会处于极大劣势。

有公司说支持成本降低了 60%；Rocket Mortgage 说在核保环节节省了 110 万小时，同比增长 6 倍，年节约成本达 4,000 万美元。我们在非 AI 企业里也看到了这些亮点。我认为未来六个月会非常值得关注，会出现更多案例，当然也会有公司始终无法突破。

Jen Kha：非常同意。而且很多大企业必须先对业务进行改造，才能真正适配 AI。不是简单挂个聊天机器人那么简单，那带来的生产力提升其实很有限。要真正彻底重构系统、数据和后端架构，这部分工作很多还在建设中，成果还没完全显现。

（来源：a16z）

David George: 这些微观层面的效率提升，汇聚在一起，正在成为驱动宏观市场的核心动力。我们还看到，AI 相关科技巨头正在驱动公开市场，并贡献了标普 500 近 80% 的回报率，这是当前经济和股市的核心驱动力。公开市场表现很好，基本面也很扎实。股价在上涨，虽然最近几天有波动，但整体向好，基本面非常稳健。

近期上涨主要由每股收益增长驱动。估值倍数略有收缩，对 SaaS 公司来说可能收缩更明显一些，但整体来看，市场定价完全基于盈利，尤其是盈利的增长。估值倍数高于平均水平，但远未达到互联网泡沫时期。

（来源：a16z）

看看图表就能明白当前的位置，这让我比较安心。作为市场主要驱动力的那些公司，盈利状况相当扎实，公司本身也很优秀。我常说，在当前商业史阶段，头部科技 AI 公司属于最优质的商业模型之一。长期来看，它们的毛利率持续提升，也印证了这一点。

现在投资者看重的是利润，而不是烧钱换增长，这和 2000 年互联网泡沫时期形成鲜明对比。剔除毛利率因素后，估值并不算特别高。简单总结：市场比过去更高，但上涨有其理由。我们对 AI 在未来几年推动盈利、带动整体公开市场持乐观态度。

（来源：a16z）

大家可以重点看右侧：把公司分为低增长/高增长、低毛利/高毛利四个象限。最优秀的公司享有溢价。

右侧两列分别是：高增长 + 高毛利；高增长 + 低毛利。左下角显然是低增长 + 低毛利，这类公司不应该被给予高估值，事实也是如此。但高增长 + 高毛利的公司，以及高增长 + 低毛利（只要单位经济健康、毛利率在逐步改善）的公司，理应获得奖励。如果没有高增长，哪怕毛利再高，日子也会很难过，这并不意外。

长期来看，增长是驱动回报的最重要因素。所以，我很高兴看到高增长被给予溢价，远高于低增长。如果一家公司既能高增长又有高毛利，那就是顶级生意，市场也给予了极高奖励。

（来源：a16z）

与市场火热的需求相对应的，是供给侧同样庞大的基础设施建设。基建规模极其庞大，投资的体量和集中度本身就带有一定风险，因为规模实在太大。虽然表面看起来有些相似，但底层逻辑和历史上的泡沫几乎没有共同点。这些投资主要由长期盈利、现金流极好的公司支撑，就是我刚才提到的那些顶尖企业。

债务开始进入视野，周期有所加快，这是积极信号。不过，我们仍在持续跟踪训练成本和整体经济模型，目前数据尚可。大模型公司在模型训练上的投入回报相当可观，但我们仍在紧密监控。最重要的是，我认为 AI 将成为我职业生涯中最大的产品周期。

历史上的产品周期，公司增长速度和持续时间都超出所有人预期，iPhone 就是经典案例。从 iPhone 发布前到发布后四五年，市场一致预期对苹果业绩的测算偏差达到 3 倍。我认为 AI 很多领域也会出现同样情况：实际表现会大幅超出所有预期。

（来源：a16z）

科技行业本身就是如此。2010 年以来，科技行业以前所未有的速度和规模实现了高毛利营收增长。早期往往看起来很贵，但一次次超出市场预期，创造的价值远超增长所需的资本。

我认为这一次也会一样。和互联网泡沫时期的资本开支相比，本轮开支有现金流支撑，资本开支占营收比例也更低。超大规模云厂商承担了绝大部分资本开支，这对我们的组合公司是极大的利好。我完全支持：尽可能多地建设算力基础设施，为训练和推理提供充足供给。

不过，在肯定积极投入的同时，我们也开始密切关注其中的一个潜在变量，那就是债务在整体资本开支中的比重。未来的资本开支能否全部用现金流覆盖？我们已经开始看到债务的介入，正在密切追踪。

我们通常不会重仓那些风险敞口过大的公司，但对微软、AWS、谷歌等用现金流支撑、持续产生现金流、甚至适度使用债务的公司非常有信心。当然，并不是所有交易对手都一样。此外，我们看到私人信贷开始更多地参与到数据中心建设中。

还有一家被广泛关注的公司是甲骨文，它们在向云业务转型，一直盈利，持续回购股票。但它们承诺投入的资本规模极其庞大，未来多年现金流可能会转负。最近市场上的一些信号显示，其信用违约互换成本在过去三个月上升至约 2%。我们正在密切关注这类情况。总体而言，这些对投资组合公司都是好事，但也需要确保整个市场生态健康。

（来源：a16z）

这张 PPT 展示了 AI 变革的速度和幅度。把 AI 基建和营收与当年 Azure 的发展对比：AI 营收达到 Azure 当年水平，只用了后者 1/7 的时间。基建速度也快得多。Azure 用了接近十年时间，相关业务收入规模才明显跑赢其基础设施投入节奏，我们认为 AI 的这个比例拐点会来得快得多。

我们不用过多讨论折旧，但这是金融圈很关心的话题，尤其是芯片折旧假设。老款 GPU 的价格依然坚挺。早期用户会使用模型更久，但后期用户会快速切换到新版本。谷歌曾披露，七八年的 TPU 使用率依然是 100%。我们密切跟踪二手芯片价格以及 H100 等芯片的租赁价格，表现都非常坚挺。老一代芯片仍在满负荷使用，所以我目前并不担心这个问题。

（来源：a16z）

但这确实是大家经常讨论的风险点。我们经常讨论一个悖论：Token 越便宜，消耗量越大。所有超大规模云厂商都表示，需求远超供给，我相信这一点。我曾在 AI 峰会上采访过 Gavin Baker，他把这次数据中心建设，比作当年互联网铺设光纤。

他的核心观点是：没有闲置 GPU。当年有“暗光纤”，铺好之后长期闲置不用；但今天，只要把 GPU 放进数据中心，立刻就会被满负荷使用。这是需求匹配供给的非常积极的信号。这些公司必须保持早期的增长势头，否则就可能被颠覆。

再次强调：变革管理是目前转型尚未全面爆发的最大原因。坦白说，问题不在于技术本身是否成熟，而在于围绕技术的产品构建、变革管理和规模化落地。

生成式 AI 应用营收的增长速度，在所有类别中一骑绝尘。从 2023 年几乎可以忽略不计，到现在爆发式增长。

未来展望：万亿目标与私募市场的变局

对比 2025 年上市软件公司新增净营收。2025 年，所有上市软件公司合计新增营收 460 亿美元；仅 OpenAI 和 Anthropic 按年化口径计算，新增营收就接近这个数字的一半。

如果 2026 年做同样对比，包括 SAP 等传统软件在内的整个上市软件行业，AI 和大模型公司的营收增量将达到它们的 75%-80%，增长势头极其迅猛。

（来源：a16z）

市场普遍预期，AI 基建将带来 9 万亿美元营收。假设 20% 的净利率、22 倍市盈率，对应 35 万亿美元新增市值。目前已经“预支”了约 24 万亿市值，未来仍有很大空间。

这是另一种测算 AI 回报的方式：当前市场预期，到 2030 年，超大规模云厂商累计资本开支略低于 5 万亿美元。简单测算：要在 4.8 万亿美元投资上实现 10% 的门槛收益率，到 2030 年 AI 营收需要达到约 1 万亿美元。

作为参考，1 万亿美元大约相当于全球 GDP 的 1%。这有可能实现，也可能略低，但我们不能只看到 2030 年，回报周期可能会更长，在 2030 到 2040 年之间逐步实现。

我们最近还做了一件事：开发软件，跟踪所有上市科技公司财报电话会议中对 AI 的讨论，以及 AI 与我们早期、成长期投资业务的相关性，整理后发给我们的 CEO 们，让他们能简明扼要地了解：AI 对上市科技公司意味着什么，对我的业务又有什么影响。

Jen Kha：很好。在进入私募市场部分之前，还有一个问题：你刚才提到 2030 年 AI 营收要达到 1 万亿美元左右，我们现在处于什么位置？距离万亿目标还有多远？

David George：按我们内部估算，目前整体规模约在 500 亿美元左右。最难追踪的是大型科技公司的真实 AI 营收，云厂商偶尔会披露 AI 带来的营收提升比例，但它们会根据想呈现的效果做一些调整。所以，万亿目标只是一个粗略估算：我们现在大概在 500 亿水平，增速远高于每年 100%。

Jen Kha: ChatGPT 已推出三年多，但绝大部分爆发式增长其实是在过去一年半左右发生的。也希望你能谈谈私募市场方面的观点。

David George: 在 B2B 领域，不仅大模型公司都有大规模 API 业务，云厂商也一样，很多模型相关营收也通过云厂商实现。

关于私募市场，我的核心观点是：企业保持私有化的时间明显变长，但私募市场已经成为真正的主流资产类别。过去 20 年，上市公司数量减少了一半。营收超过 1 亿美元的公司中，约 86% 是私有企业，这是一个巨大的转变。

（来源：a16z）

我简单讲讲幂律（Power Laws）分布，这很有意思，也是我们之前聊得不多的内容：价值高度集中在头部公司。北美和欧洲独角兽的总估值约为数万亿美元，仅前十家就占据了近 40% 的总价值，这一比例自 2020 年以来几乎翻了一倍。我数了一下，当时前十里有七家是我们的投资组合公司。

幂律在公开市场也同样存在。2019 年以来，大盘股的定义标准已经翻了三倍。右侧这张图表是我们最新的数据分析，非常有意思：标普 500 公司的平均“任期”，也就是一家公司进入标普 500 后，能留在里面的时间，过去 50 年下降了 40%。企业被颠覆的速度越来越快，这与技术驱动市场的变革速度完全吻合。

（来源：a16z）

Jen Kha: 我们行业里也总喜欢讨论幂律。

David George: 我知道大家对波动有很多疑问和担忧，波动问题在我们内部也是一个重要议题，尤其是创始人在讨论私募和公开市场的优劣时。有人在采访中提到，管理股价、避免波动，稳步推升股价，更容易留住和招聘员工，这我能理解。

但我认为成为上市公司也有非常强的优势。未来 18 个月会非常有意思，一批长期私有化的巨头将会上市，在我看来这是好事。我们观察到长期来看市场波动确实有所加剧，我认为这部分是周期因素导致的。

两种路径各有优势，企业在私募阶段可以做得更大，我们已经接受了这个新现实，这对我们的业务有很大好处，让我们能持续投资这些公司。当然，上市路径也有其优势，我们也非常关注。

Jen Kha：基于这一点，还有个问题。你能讲讲从 AI 之前时代的公司，比如 Databricks，全面转型为 AI 公司的过程吗？

David George：首先，必须承认， Shopify 之所以能全面拥抱 AI，是因为 Tobi 自上而下推动，亲自运营公司。而 Databricks 也是如此，它们是商业能力和技术能力的罕见结合体。既需要商业直觉，理解 AI 创造价值的重要性，又需要足够深入的技术认知，知道该做什么产品。

它们的云数据仓库，也就是数据湖本身就是一个非常适合承载 AI 工作负载的底层架构，这是它们的先天优势。之后它们又非常激进地迭代新 AI 产品，推出了叫 Agent Bricks 的新产品，我们非常看好，认为会给它们带来革命性变化。

另一方面，大量顶尖 AI 原生公司都是它们的客户。它们既有技术，又有低成本技术。我们做投资时很看重一点：你的客户是谁。

我宁愿投资组合公司的客户是思想前沿的企业，比如 OpenAI、Anthropic、Uber 这类，而不是非常传统的守旧公司。因为这意味着，它们的技术被聪明的技术团队评估并选择。大量顶尖 AI 公司都构建在 Databricks 之上，它们可以伴随这些公司一起规模化成长，同时这也是一种极佳的技术验证。

Jen Kha：好的，我们就到这里结束，感谢 David 带给我们的这场分享。

参考资料：

https://www.youtube.com/watch?v=rSohMpT24SI

排版：刘雅坤