我要投稿

a16z创始人：美国该对中国更乐观些！中国Kimi已基本复现了GPT5推理、DeepSeek是真正的超新星！押注Ilya、Mira、李飞飞会成为下一代新王！

发布日期：2026-01-10 05:33:57 浏览次数： 1560

作者：51CTO技术栈

微信搜一搜，关注“51CTO技术栈”

昨天，那个硅谷少有的“横跨三代技术浪潮、持续站在牌桌中央、系统性改写投资规则”的传奇人物，终于又一次出来公开说他的大实话了！

1月8日，知名风投机构 a16z 联合创始人 Marc Andreessen，（没错，就是那个曾经写下《软件正在吞噬世界》的大佬，可以说，很多vc机构的公开演讲都在“抄a16z的作业”），用80分钟播客的形式，来了一场“开年AMA”。

当然，主题无疑是人工智能。

访谈中，你会禁不住感叹 Marc 的洞察输出，堪称是以数万米高空的视角在俯瞰全球的AI。

小编感叹：大佬的人脉圈子实在很高，高到透露的消息，时不时就漏出几个游走在“高压线”几毫米、敏感的大料。为此，小编已经尽量做了最大处理。

总之，小编是好久没有遇见如此异常直白的播客了。

Marc的整场对话，主要分为几个板块：

首先，Marc对AI革命中B端和C端的发展变化做了点评。Marc整体都给出了相当乐观的评价。他表示，这次AI革命的传播速度远远超过互联网。互联网本身就是AI的载波，AI正在以接近光速的速度快速扩散至全世界。而人们几乎没有任何成本就可以下载和使用最前沿的AI模型。

而在企业端，Marc指出，“按杯计价”的商业模式很好，而且单位智能的成本会一直降下去，甚至会出现“超通缩”。同时，他反复提及，类似OpenAI的“高价位”且还能持续被接受的收费模式是在云时代所没有出现过的。

这里他还点评了大模型与小模型的关系。最终肯定会形成两个世界：一个是运行在巨型数据中心的超级计算集群中的“神级模型”，另一个则是下沉到物理世界中每一个边缘设备里的小模型。

他特别点名了Kimi K2模型，表示其推理能力已经达到了GPT-5的水平，而且在一两台MacBook上就能部署运行。

其次，Marc分享了自己视角里美国政界是如何看待中国AI的。他表示中美之间是“双马竞速”，不存在单方面领先。同时，他在多个方面看好中国的发展。在软件方面，他特别提到，DeepSeek才是全球范围内的“超新星”，并提到Qwen、Kimi、腾讯、字节、百度等6家公司所展开的强有力的竞争。

在芯片方面，也特别提到了华为等中国本土芯片的巨大投入和努力。

此外，“在机器人领域，中国起步就占有优势，因为他们在大量关键组件上本来就领先。过去 30 年里，几乎整个机电一体化的供应链从美国转移到了中国，而且再也没有回来。”

当然，Marc 也顺势谈及了美国内部的AI监管法案。他坦承，幸好加州及时否决了“完全疯狂”、阻碍美国AI发展的 SB1047 法案。并称，欧盟就是因为过度担心AI带来的危害，造成了“近乎自杀般”的AI落后。

第三，则是a16z的AI投资逻辑和AI创业公司的建议。Marc 表示根本不用担心闭源模型的天花板，还有成百上千种方案继续扩展。创业公司应该大胆地尝试各种定价模式，高定价未必不是一种好策略，这反而会有利于厂商持续打磨好产品。而且，目前大多数客户并不是追求最低价。

对于套壳问题，也被事实证伪了。比如，Cursor现在不仅成为了一个多模型工具，而且更是亲自下场自研大模型。

第四，关于个人如何保持市场清醒、火星探测、AI恐慌的思考。Marc 直白的表示自己也有看走眼的时候，但幸好有合作伙伴时刻提醒，以及随时做好被互联网嘲讽的准备。

“保持谦逊，自我反思。这个行业，幻觉不会维持太久！”

对于AI恐慌，Marc更是曝了一个反差梗。美国民意调查清一色的是：太糟糕了，要取代我们了，完蛋了，但回到实际生活中，人们却是用GPT用得不亦乐乎！所以他预测，也许不出20年，五年内大家就会消除恐慌，对AI说谢天谢地。

最后，Marc表示自己其实是一个不太爱出门的人，更别提去火星旅游了！但他非常看好马斯克。他认为，十年内，地球和火星之间会有常态化往返。

有趣的是，他还解释了一种现象：为什么越来越多的播客内容都倾向于“说大实话”甚至有些像在“走钢丝”，他解释道：这是在出于展示和维护公共形象，创业者可以提前了解投资者和投资机构，也更喜欢找这样勇敢表达的投资者聊。

创始人更愿意和那些敢于表达、敢于站出来、敢于采取有争议立场、而且能把事情讲清楚的人合作。

其实，不止创始人喜欢这样的内容，小编也喜欢这样敢说话的人，相信评论区的各位大佬也一样喜欢。

料还很多，不再一一赘述。

以下是小编为大家梳理的精彩观点。篇幅较长，建议收藏细读，拿走不谢！

计算机和AI其实是同时代的产物

长达80年技术愿景，兑现承诺的早期阶段

主持人：
有很多人提前发来了问题。我把这些问题整理成了几个板块，来源是今天早些时候我和 Marc 的一场 AMA。我们计划讨论四个大主题：AI 以及市场正在发生的变化、政策和监管、所有与 a16z 相关的话题，以及最后一个轻松一点的“沙盒”，如果时间允许的话。那我们先从最大的问题开始。我们正处在 AI 革命的中段，Marc，你觉得现在大概是第几局？你最兴奋的是什么？

Marc Andreessen：
首先，我想说，这是我一生中见过的最大的一次技术革命。希望未来三十年还能看到更多类似的事情，但这一轮就是“那个大的”。从量级上看，它明显比互联网还要大。真正可对比的对象是微处理器、蒸汽机、电力，甚至是轮子。

之所以这么大，原因可以追溯到上世纪三十年代。当时，在真正把计算机造出来之前，发明计算机的那批人已经理解了计算理论，并且内部有过一场激烈的争论：计算机到底应该被设计成什么样子？一种路线是“加法机”“计算机器”，本质上类似收银机。

IBM 本身就是从美国国家收银机公司演变而来的。这条路线最终胜出，于是整个行业走向了极端字面意义上的数学机器——它们可以每秒执行数十亿次运算，但完全无法以人类习惯的方式与人交互，无法理解人类语言、语音等。这正是过去八十年计算机产业的主线，也正是从大型机到智能手机，整个行业创造财富和回报的基础。

但在当年，另一条路其实已经被看见了。三十年代的科学家已经对人脑结构、人类认知有了理论理解，也提出了神经网络的概念。第一篇神经网络的学术论文发表于 1943 年，距今已经八十多年。你甚至还能在 YouTube 上看到其中一位作者在四十年代接受采访的视频——他在海边别墅里，甚至没穿上衣，谈论未来的计算机将基于人类大脑，通过神经网络来构建。但这条路当时没有被选中。

神经网络作为工程实践没有真正落地，只是在学术界和前沿研究中被一小撮人持续探索。这个领域后来被称为控制论，再后来叫人工智能。过去八十年里，它基本上经历的是一次又一次的过度乐观，然后是失望。上世纪八十年代，硅谷和风投圈也经历过一轮 AI 的泡沫破裂。到 1989 年我上大学时，在计算机系里，AI 已经被视为边缘领域，很多人默认它永远也不会成功。但科学家们依然坚持研究，逐步积累了大量概念和理论储备。

然后，三年多前，一切突然发生了变化。ChatGPT 出现的那个时刻，让所有东西瞬间凝结在一起。人们意识到：原来它真的能行。这正是我们现在所处的阶段。那是 2022 年的圣诞节，距今也不过三年。我们等于是刚刚进入一个长达八十年的技术愿景，终于开始兑现承诺的早期阶段。更重要的是，这项技术已经高度民主化。世界上最好的 AI，任何人都可以用：ChatGPT、Grok、Gemini 等等。视频领域有 Sora，音乐领域有 Suno、Udio。你不需要特殊门槛，就能亲眼看到最前沿的能力。

硅谷也因此爆发出前所未有的热情。硅谷真正的优势，早就不在“制造硅”，而在于它能不断把上一代技术浪潮中的资本和人才，重新配置到下一代浪潮中，建立共识、聚集能量、形成规模。这件事正在 AI 上再次发生。对我个人来说，我几乎每天都会被震撼到。一方面，我持续追踪底层科研进展，几乎每天都会看到一篇让我完全没预料到的新论文、新能力或新发现；另一方面，我们也看到大量新产品和新创业公司，常常让我目瞪口呆。感觉就像我们突然打开了一整片新的视野。

当然，这个过程一定会是断断续续的，也会充满混乱。这个行业总是容易过度承诺，也会在某些阶段发现成本太高、经济模型行不通。但即便如此，这些能力本身依然是真正“有魔力”的——而这正是普通用户在使用 AI 时最直观的感受。

Marc Andreessen：
我认为，这基本上也是企业在实际体验中的感受。当他们在做试点、观察采用情况时，这种体验最终都会反映到底层数字上。我们正在看到新一波 AI 公司，增长的是真实的客户收入，是真实需求直接转化为银行账户里的美元，而且起飞速度前所未有。公司增长得非常快。那些领先的 AI 公司、真正取得突破、拥有极具吸引力产品的公司，其收入增长速度，是我此前从未见过的。

基于这些现象，很难不觉得我们还处在非常早期的阶段。很难想象我们已经在任何意义上“到顶”了，一切仍在展开中。坦率说，在我看来，产品本身也仍然非常早期。我非常怀疑，人们今天正在使用的这些产品形态，会是五年或十年后仍在使用的样子。我认为接下来会变得复杂得多，我们还有很长的路要走。

围绕这个话题，一个常见的质疑是：没错，收入增长很惊人，但支出似乎也在同步飙升。那么，在这场讨论中，人们到底忽略了什么？

AI正在以近光速扩散，

互联网本身就是AI的载波

主持人：
是的，从表面看，收入巨大，但烧钱速度似乎同样惊人。在这个问题上，大家忽略了哪些关键点？

Marc Andreessen：
先从最基础的商业模式说起。这个行业本质上有两种核心商业模式：一种是面向消费者的模式，另一种是所谓的企业级或基础设施模式。先看消费者这边。我们现在所处的世界非常特殊，因为互联网已经完全铺开了。

有时有人会问我们：“AI 像不像互联网革命？”答案是：有点像，但又不完全一样。互联网时代的一个关键前提是，我们必须先把互联网本身建出来。这意味着铺设海量光纤、建设无数移动基站、生产并分发大量智能手机、平板和笔记本电脑，让人们真正接入网络。这是一次极其庞大的物理工程。很多人已经忘了，这件事花了多长时间。

互联网的发明可以追溯到上世纪六七十年代；消费级互联网是九十年代初才出现的；真正的家庭宽带要到 2000 年后才开始普及，而且还是在互联网泡沫破裂之后；移动宽带更是直到 2010 年左右才真正到来。

人们常常忘记，第一代 iPhone 是 2007 年发布的，但它用的是 2G 窄带网络，几乎没有高速数据能力。也就是说，直到大约 15 年前，我们才真正拥有移动宽带。

互联网是一项极其艰巨的基础设施建设，但它已经完成了，智能手机也已经普及。今天，全球大约有 50 亿人生活在某种形式的移动宽带网络之上，廉价智能手机在全球范围内流通，甚至低至十美元左右。再加上像印度 Jio 这样的项目，正在把地球上最后一批尚未联网的人接入互联网。

之所以强调这一点，是因为：消费级 AI 产品可以几乎以“用户愿意接受的速度”，迅速部署到这几十亿人身上。互联网本身，成了 AI 传播的“载波”，让 AI 以接近光速扩散到全球人口中。这种新技术的扩散速度，是人类历史上前所未有的。你不能下载电力，不能下载自来水，不能下载电视，但你可以下载 AI。

我们正在看到的正是这种情况：AI 的消费级“杀手级应用”正在以极其惊人的速度增长，而且商业化表现也非常好。总体来看，变现能力非常强，而且包括高价位产品。我特别喜欢观察 AI 浪潮的一点在于：AI 公司在定价上比过去的 SaaS 公司和消费互联网公司更有创造力。现在，面向消费者的 AI 产品出现每月 200 或 300 美元的订阅档位，已经变得很常见。我认为这是件好事，因为很多公司往往因为定价过低，提前限制了自身的机会空间，而 AI 公司更愿意去突破这一点。

所以，从消费者收入的潜在规模来看，我会说，这是有相当理性基础的乐观预期。

按杯计费的智能：成本会一直下降

单位AI的成本出现“超通缩”

再看企业端，核心问题其实很简单：智能本身值多少钱？如果你能把更多智能注入企业运营中，比如提升客服评分、提高交叉销售、降低用户流失率，或者让营销活动更有效——这些都是 AI 直接能够带来回报的场景，而且企业已经在真实看到这些收益了。

再进一步，如果 AI 被注入到全新的产品中，比如汽车开始跟你对话，世界上的一切都“亮起来”，变得真正智能，那这种能力值多少钱？你只需要观察现实，就会发现领先的 AI 基础设施公司正在以极快的速度增长收入，市场的拉力极其强劲。这种状态非常像一种极其强烈的产品—市场匹配。

从商业模式本身来看，也很有意思。核心模式本质上是“按杯计费的智能”——也就是每一美元能买到多少 token、多少单位的智能。还有一个非常有意思的现象：AI 的价格下降速度，已经远远快于摩尔定律。如果深入拆解，你会发现所有 AI 的单位成本输入都在快速坍塌，导致单位成本出现“超通缩”，而这又反过来带动了更大幅度的需求增长。在这个意义上，我们仍然只是刚刚开始理解：这种能力究竟会变得多便宜、到什么程度。

Marc Andreessen：
毫无疑问，“按量计费的 token”接下来会变得便宜得多。这会推动极其巨大的需求增长。而成本结构中的一切都会被持续优化。

GPU早晚会过剩

而且GPU货架寿命已延长至7年

当人们讨论芯片、GPU 或者构建 AI 的单位投入成本时，市场里那些典型的供需反馈机制就会开始生效。任何具有类商品属性的市场都有一个规律：短缺往往会导致过剩，而过剩又会反过来引发短缺。

如果今天存在 GPU 的短缺，或者推理芯片、数据中心容量的短缺，只要这些东西在物理上是可以复制的，人类历史已经一再证明——它们最终都会被复制出来。现在已经有数千亿美元，甚至可能是数万亿美元级别的资本，正在被投入到这些基础设施中。结果就是，在未来十年里，AI 公司的单位成本会像石头一样往下掉。

当然，微观层面的经济问题是真实存在的，每家公司也都有各自的经营挑战。但从宏观层面看，这些力量非常强劲。考虑到这项技术对消费者和企业用户所能创造的底层价值，再加上人们在生活和商业中不断发现新的使用方式，我真的很难想象它不会持续高速增长、并最终产生极其庞大的收入规模。

主持人：
对，而且就在两三周前，AWS 还提到他们正在使用的 GPU，服役年限已经被拉长到七年以上。这意味着 GPU 的“货架寿命”也在延长，企业可以比过去几个周期更好地进行优化。这样理解对吗？

小模型革命：

Kimi K2模型推理能力已经比肩GPT5

一两台MacBook就能跑

Marc Andreessen：
是的，这是一个非常重要的观察点。这也自然引出了另一个存在分歧的问题：大模型和小模型之间的关系。目前，很多数据中心建设，都是围绕着训练、部署和服务大模型展开的，这很合理。但与此同时，一场“小模型革命”也在同步发生。
如果你去跟踪前沿模型能力的演进，你会发现一个很有意思的现象：往往在 6 到 12 个月之后，就会出现一个小模型，在能力上已经追上了此前的大模型。这种“追逐效应”正在持续发生——大模型的能力被不断压缩、缩小规模，然后以更低成本的形式快速提供出来。

举一个最近两周刚发生的例子，这件事本身就非常震撼。有一家中国公司，推出了一个名为 Kimi 的模型，是目前中国领先的开源模型之一。Kimi 的最新版本是一个推理模型，根据现有基准测试，它在推理能力上，基本复现了 GPT-5 的水平。而 GPT-5 相比 GPT-4 是一次巨大的飞跃，其训练和服务成本都极其高昂。但现在，可能只过了六个月左右，一个开源的 Kimi 模型，就已经被压缩到可以在一两台 MacBook 上运行。

这意味着，如果你是一家企业，想要一个具备 GPT-5 级别推理能力的模型，但又不愿意承担 GPT-5 的成本，或者不希望依赖云端部署，而是想本地运行——你现在已经可以做到。这本身又是一次突破，而且这种突破正在变成“日常事件”：又一个星期二，又一次巨大进展，让人忍不住感叹“天哪”。

当然，接下来 OpenAI 会做什么？显然是 GPT-6。于是整个行业就形成了一种阶梯式前进：大模型持续变强，小模型不断追赶；而小模型则提供了完全不同的部署方式，可以在极低价格点上大规模铺开。

行业里也有一些非常聪明的人认为，最终一切都会运行在大模型之上，因为大模型永远是最聪明的，既然如此，为什么不用最聪明的模型来解决所有问题？反过来的观点是：现实世界中有大量任务，并不需要“爱因斯坦”。120 智商已经绰绰有余，没必要每件事都用一个 160 智商、研究弦理论的博士。只要模型足够可靠、足够称职，就已经很好了。

我个人更倾向于认为，AI 行业最终会走上一条和计算机产业非常相似的结构路径：顶端是少量“超级计算机级别”的模型——这些所谓的“神级模型”，运行在超大型数据中心里；而下面则是层层下沉的大量小模型，最终一直下沉到运行在嵌入式系统中，运行在世界上几乎每一个物理物体里的单颗芯片上。最聪明的模型永远在顶端，但数量最多、分布最广的，一定是小模型。这正是微处理器、计算机、操作系统以及几乎所有软件技术最终走过的路径。

英伟达市值实至名归，

5年内，快速涌入的竞争者会把价格打下来

最后简单说一下芯片。从整个芯片产业的历史来看，短缺终将变成过剩。任何一个新芯片品类一旦形成巨大的利润池，都会先由领先者获得一段时间的高回报，但随后必然吸引竞争者进入。这件事正在发生。NVIDIA 是一家极其优秀的公司，它今天的地位和利润完全实至名归。但正因为它如此成功、利润如此丰厚，也向整个芯片行业发出了史无前例的“集结信号”：所有人都会试图推进 AI 芯片的技术边界。

这已经在发生了。一方面有像 AMD 这样的竞争者，另一方面，更重要的是，超大规模云厂商正在自研芯片。很多大型科技公司，已经在构建属于自己的 AI 芯片体系。

当然，中国也在建设自己的芯片和算力体系。所以很有可能在五年内，AI 芯片会变得相对便宜、而且供应充足——至少和今天的状况相比是这样。这一点我认为会对我们所投资的那类公司的经济性产生非常积极的影响。

同时也能看到，初创公司开始尝试全新的芯片设计，这件事本身就很令人兴奋。

英伟达的成功

在于构建了适合高度并行计算的最优架构

从0做一家芯片公司很难

主持人：
是的。关于芯片这点，其实还有一层背景值得展开说说。

Marc Andreessen：
没错。我们过去并不是芯片领域的大投资者，因为这通常是“巨头型公司”才玩得起的事情。但从历史角度看，AI 之所以运行在所谓的 GPU 上，其实有点偶然性。GPU 的全称是“图形处理单元”。

简单说一下背景：个人电脑时代真正跑起来，依赖两类核心芯片。
一类是 CPU，也就是中央处理器，典型代表是 Intel 的 x86 架构，它相当于计算机的大脑；
另一类是 GPU，每台 PC 里的第二颗重要芯片，负责所有图形相关的计算。

GPU 原本用于 3D 游戏、CAD/CAM、Photoshop 这类需要大量视觉计算的场景。于是，经典的个人电脑架构就是：一个 CPU，加一个 GPU。智能手机其实也是类似的结构。

随着时间推移，这两者逐渐融合。很多 CPU 内置了 GPU 能力，很多 GPU 也开始具备一定的 CPU 能力，这条界线已经越来越模糊。但在很长一段时间里，这就是标准分工。

这也导致一个结果：Intel 长期在 CPU 市场处于垄断地位；而 GPU 形成了另一个完全不同的市场，由 Nvidia 在过去 30 年里经历了极其激烈的竞争，最终胜出，成为这个领域里最强的公司。

但需要强调的是：GPU 市场过去并不是一个高利润、也不是一个特别大的市场。真正的转折点在于，后来出现了两种“高度并行”的计算需求，恰好非常适合 GPU 架构。

第一是大约 15 年前开始的加密货币；第二是大约四年前真正爆发的 AI。

Nvidia 非常聪明地构建了一套极其适合这种并行计算的架构，但某种程度上，这也是命运的一个转弯——如果 AI 成为“杀手级应用”，那么 GPU 这种既有架构，恰好就最适合它。

但如果你今天从零开始设计 AI 芯片，你其实不会去做一整套完整的 GPU。你会做的是专用的 AI 芯片，更贴合 AI 的计算特性，在经济效率上也会高得多。

回到你刚才提到的点，现在确实有一些初创公司在从零构建全新的 AI 芯片架构。结果会怎样，还有待观察。

从零做一家芯片公司难度极高。有可能其中一两家能独立成功，也有不少目前已经做得不错；当然，也很可能被有规模化能力的大公司收购。

此外，接下来韩国一定会参与进来，日本也会参与，中国更是会在一个非常重要的层面参与其中。他们也在构建自己的本土芯片生态系统。

所以未来，AI 芯片会有很多种选择。这将是一场巨大的竞争，我们会非常密切地观察，并确保我们投资的公司能够充分利用这些变化。

美国是如何看待中国AI的？

主持人：
既然聊到国际层面，之前你提到过 Kimi。现在看起来，一些最优秀的开源模型来自中国。这是否值得担忧？你在华盛顿和政策圈是怎么讨论这个问题的？

Marc Andreessen：
这里有几个层面需要拆开来看。

首先，在美国以及全球范围内，关于一个问题一直存在激烈争论：我们是否正在进入一场“新的冷战”？以及，我们应当在多大程度上把中国视为一个敌对力量。

确实有一种非常有吸引力的观点，认为这场对抗在很多方面类似 20 世纪的美苏冷战。但反方的观点也很重要：这次情况要复杂得多。

原因在于，美苏当年在贸易层面几乎没有深度绑定。很大程度上是因为苏联并不生产世界真正需要的东西，除了武器。它的主要出口基本就是粮食和石油。

而中国完全不同。中国出口的是数量巨大的实体产品，覆盖了几乎所有美国产品的供应链。当一家美国公司把玩具、汽车、电脑或智能手机推向市场时，其中大量零部件都来自中国。

这意味着，中美经济之间的相互嵌套程度，远远高于当年的美苏关系。

从古典经济学的角度，比如亚当·斯密的视角，这可能反而是好事，因为相互依赖有利于和平——两国在现实层面上确实需要彼此。

而在贸易层面，中国也同样也需要美国市场。美国消费者大约占全球消费需求的三分之一。

所以，这是一种极其复杂、深度交织的关系。

总之，AI 既是经济问题，也是地缘问题。因为现实是——目前真正具备大规模 AI 能力建设的国家，基本只有美国和中国。世界上其他国家要么是没能力去做这件事，要么是不想做——这个我们其实也可以展开聊。

而 AI 一定会在全球范围内扩散，问题在于：扩散到世界各地的，会是美国的 AI，还是中国的 AI？

这正是我前面说的，在华盛顿，整体的分析框架大致就是这样。而中国，毫无疑问已经进场了。

ps：划重点，高能陈述来了！！!

在软件层面，中国已经明确加入竞争。比如 DeepSeek，可以说是软件竞赛中“鸣枪起跑”的那一刻。现在你看到的，大概有四个——或者说几家主要力量：
DeepSeek，本质上是一个来自中国的对冲基金做出来的 AI 模型，这点让很多人非常意外；
Qwen，是阿里巴巴的模型；
Kimi，来自一家叫 Moonshot 的创业公司；
此外，还有腾讯、百度、字节跳动，这些都是在 AI 上投入大量资源的核心公司。

所以你可以说，中国大概有三到六家主要的 AI 公司，同时还有数量庞大的初创企业。

在软件上，他们已经全面参与竞争；在芯片上，他们正在努力追赶——还没追上，但投入极其巨大。

举个例子，美国这边普遍的理解是：中国正在花很大力气使用国产芯片来训练和构建大模型，目的就是推动中国本土芯片生态真正跑起来。

目前最主要的芯片公司是华为，未来当然也可能出现更多。

接下来，还有更重要的一步——AI 进入“机器人形态”。这意味着，一场全球范围的技术、经济与机器人竞赛正在启动。

在机器人领域，中国起步就占有优势，因为他们在大量关键组件上本来就领先。过去 30 年里，几乎整个机电一体化的供应链从美国转移到了中国，而且再也没有回来。

这就是华盛顿看待这个问题的“DC 视角”。他们在非常密切地关注这件事。

DeepSeek是真正的“超新星”

2025年真正的“超新星时刻”，就是 DeepSeek 的发布。它在多个层面都令人意外。

第一，是它本身的能力水准。它把原本需要在云端、大模型上运行的能力，压缩到了一个更小、更轻量的模型形态，可以在本地、用很少的硬件资源运行。

第二，它是开源的，而且是来自中国的开源。这一点尤其出人意料，因为中国并没有长期的开源传统。

第三，它来自一家对冲基金。不是大学研究实验室，也不是大型科技公司，而是一家量化对冲基金。

从外部来看，这像是一种非常“非典型”的情况：一家极其成功的量化基金，聚集了一批顶级天才，而创始人决定直接下场做 AI。至少从表面迹象看，这甚至可能连中国业界都感到意外——当然，这种事情很难被证实。

但整体氛围是：这并不是一个事先规划好的“国家队项目”，它更像是突然从侧面杀出来的。这件事本身，其实对整个领域是个好消息——因为它说明，哪怕你原本不在聚光灯下，也有可能做出这种级别的成果。

这意味着，也许并不一定需要所谓的“超级明星研究员”，聪明的年轻人也可以直接把东西做出来。我认为这正是事情正在前进的方向。

而 DeepSeek 的成功，尤其是“来自中国 + 开源”这一组合，似乎在中国内部引发了一种趋势：更多开源模型开始被陆续发布。

AI竞争是“双马竞速”，不是单方面领先

当然，华盛顿的悲观派会说：这是在“倾销”。他们会认为，中国看到了西方构建 AI 产业的机会，试图一开始就把它商品化、价格打下来。

虽然这种看法也不是完全没有依据。但我觉得，这可能过于愤世嫉俗了。更直接的现实是：他们真的已经在赛道里了。开源也好，闭源也好，重要的是，他们在正面竞争。

我们过去在 LP 电话会上也讨论过，过去两年华盛顿围绕 AI 的政策争论。两年前，美国政府内部确实有一股相当强的力量，想要严格限制，甚至直接禁止大量 AI 相关活动。

当你是“唯一玩家”的时候，做这种讨论很容易；但当你发现自己是在和中国进行一场真正的赛跑时，情况就完全不同了。

正因如此，我认为华盛顿的政策环境已经发生了非常显著的改善。大家已经意识到，这是一场“双马竞速”，而不是单方面领先。

欧洲的AI法案已经严重扼杀了AI

主持人：
顺着这个话题，我想直接跳到政策和监管层面。现在各州各自制定 AI 法律，可能会出现 50 套不同规则，这看起来几乎是灾难性的，相当于在 AI 竞赛中把自己的一只手绑在背后。
目前在这个问题上，有没有一个明确的方向？大家是否已经意识到，这样做会严重拖慢发展？主流共识现在大致是什么？

Marc Andreessen：
这个问题有点复杂。我先倒回两年前说。

两年前，我非常担心联邦层面会出台对 AI 破坏性极大的立法。当时我们也确实深度参与了相关讨论，这一点我们之前聊过。

好消息是，以今天的情况来看，这种风险已经非常低了。所以在联邦层面，整体环境已经好很多。当然，问题和张力仍然存在，但大方向是相对积极的。

真正最严厉、也是我们重点反对的一项，是加州的 SB1047。这项法案基本上是照搬欧盟的《AI 法案》。这背后有一个更大的背景：欧盟在两年前通过了《AI 法案》，结果在很大程度上直接扼杀了欧洲的 AI 发展。

这部法案严苛到什么程度？连苹果、Meta 这样的美国大型科技公司，都不愿意在欧洲推出最前沿的 AI 能力。就是这么严格。它体现的是一种非常典型的欧洲思路：他们甚至会公开说——如果我们不能成为创新的领导者，至少可以成为监管的领导者。于是，他们通过了一套近乎自残式的监管体系，几年后又开始反思“我们到底做了什么”。现在，欧洲正在经历自己的“回撤期”。

我在谈欧洲时一向比较悲观，但我要说一句：对欧洲现状最愤怒的人，其实是那些已经搬到美国的欧洲创业者。他们对欧洲在这些问题上的做法感到极度愤怒。情况已经糟糕到，欧盟内部现在甚至开始尝试“拆解”GDPR。

顺带一提，前意大利总理马里奥·德拉吉一年前发布了一份《欧洲竞争力报告》，系统性地分析了欧洲如何通过过度监管把自己拖慢，其中 AI 正是重点之一。欧洲现在至少在姿态上，试图往回修正，至于结果如何，还有待观察。

就在这种背景下，加州却莫名其妙地决定照抄欧盟《AI 法案》，并试图在加州实施。听起来是不是完全疯狂？如果真通过，这项法案几乎会彻底摧毁加州的 AI 发展。

为什么 SB1047 被加州否决？

Marc Andreessen：

所幸的是，州长在最后一刻否决了它——尽管它已经在两院通过。正如你刚才提到的，它会带来一系列极具破坏性的后果，其中最致命的一条，是对开源开发者施加“下游责任”。

这就和我们刚才讨论的中国开源模型直接相关了。中国在推开源，美国也有大量开源 AI；不仅是公司，还有学者、独立开发者，利用晚上和周末做开源项目——而这正是技术扩散的关键路径之一。

而这项法案的设计是：任何开源 AI 的后续误用，法律责任都要追溯到最初的开源作者身上。你可以想象这样的场景：一个独立开发者、学者或创业团队发布了一个 AI 模型，当天运行良好；五年后，这个模型被集成进某个核电站，发生了事故；于是有人说这是 AI 的问题，那么核事故的法律责任，就要追溯到当年发布模型的那个开源作者身上。

这完全是疯狂的。这会直接扼杀开源，扼杀做开源的初创公司，扼杀整个学术研究体系。基本上等于把整个领域一锅端。这就是一些州级政治人物如今“玩火”的程度。

好消息是，联邦层面理解这一点。我判断这件事最终会被解决，但它必须被解决。作为一个国家，让各州以这种方式“自杀式立法”，完全没有任何合理性。

这也是我们正在做的事情。我们把这称为自己的“小型科技议程”。我们高度专注于创新自由、创业者的空间；不试图在其他议题上全面发声。

还有一个问题，我们不仅从 LP 那里听到，也经常从员工那里听到：为什么是我们？任何政策议题都会面临“集体行动困境”——理论上，每一家风投、每一家科技公司都应该参与，但现实中，大多数人并不会。于是，最终总得有人站出来。

Ben 和我得出的结论是：这件事的赌注实在太高了。如果我们要成为行业领导者，就必须为自己的命运负责。无论好坏，这就是成为行业领头羊所要付出的代价。

按Token量给AI定价，合理吗？

主持人：
在结束 AI 这个话题之前，我想回到一个观众提交的问题：你认为，相比按席位或许可证收费，按使用量或效用来给 AI 定价，是一个合理的方式吗？

Marc Andreessen：
这是个非常好的问题，也是我所谓的“万亿美元级问题”之一。这个问题的答案，将直接决定未来数万亿美元的市场价值走向。

从使用量定价的角度看，无论对创业公司还是对风投来说，最近发生的事情其实相当惊人。我平时不太在公开场合谈这个，因为我甚至不希望它被打断。但它确实令人震撼：

这些拥有极强研发能力的大型科技公司，构建了前所未有的、具备全新智能形态的大模型。而与此同时，它们早就身处另一场战争之中——云计算之战。它们本来就在为云服务展开激烈竞争。

这本质上就是 AWS 对 Azure、对 Google Cloud 的竞争，还有一大堆其他云厂商的角逐。其实可以想象另一条时间线：这些公司完全可以把自己在 AI 上的“魔法能力”全部藏起来，只在自家业务里用，或者拿来和更多公司在更多领域里正面竞争。

但他们最终没有这么做。严格说，用“商品化”这个词可能有点过头，但事实是，他们通过云业务，把这种全新的、极具魔力的技术大规模扩散了出去。而云业务本身就具有极端规模化的特征，同时又处在高度白热化的竞争之中，结果就是价格快速下降。

于是，世界上最具颠覆性的技术，被这些公司以云服务的形式提供出来，几乎任何人、任何地方，只要点几下鼠标，就能用上，而且价格相对来说非常低，还是按使用量计费。这对创业公司来说极其友好：你可以非常轻松地起步。做一个 AI 应用，几乎没有什么固定成本，只需要接入 OpenAI、Anthropic、Google、Microsoft 之类的云服务，按“智能 token”付费，用多少付多少，马上就能跑起来。

从创业者视角看，这简直是一件不可思议的事情——世界上最“神奇”的技术，居然可以“按杯点单”。说实话，这真的非常惊人。

而且这种模式是有效的。这些公司都很开心，业务增长非常快，云收入高速增长，利润率也让他们满意。所以整体来看，这套体系在运转，而且这些云业务大概率还会继续做得更大。

创业公司应大胆尝试各种AI定价策略

高价格未必是一种坏事

不过，这并不意味着所有应用的最优定价方式，都应该是“按 token 计费”。事实上，很多情况下并不是这样。我们在这方面投入了大量精力，甚至在公司内部有专门研究定价的专家。定价是一门结合了艺术和科学的学问，但很多公司并没有给予足够重视。

一个定价的核心原则是：如果能避免，就不要按成本定价，而是要按价值定价。尤其是 B2B 场景，你真正想做的是，从你为客户创造的商业价值中，拿到一个合理比例。

因此，你确实能看到一些 AI 初创公司，在某些功能上采用“按次付费”；但也有大量公司在探索完全不同的定价模式。有些只是 SaaS 定价的延伸，而另一些更激进的做法是：如果 AI 真正能完成一个程序员、医生、护士、放射科医生、律师、律师助理，甚至老师的工作，那能不能直接按“替代价值”来定价？

换个角度说，如果 AI 不是完全取代人，而是让一个医生变得显著更高效，那么能不能按“边际生产力提升”来定价？也就是，从人和 AI 这种共生关系带来的效率提升中，抽取一部分价值。

我们在创业生态里看到的是，对各种定价模型的高度实验。我觉得这是一件非常健康的事情。

我以前有个小观点：高价格，其实被严重低估了。很多人对定价的朴素理解是“越便宜，对客户越好”；但更成熟的理解是，高价格往往反而对客户有利。因为更高的价格意味着厂商可以更快、更持续地投入研发，把产品做得更好。

大多数客户并不是单纯在追求最低价，他们真正想要的是“好用、可靠、有效”。在这种情况下，高价格未必是坏事——它甚至可能是一种“礼物”，让供应商变得更强，让产品更好，最终让客户本身获益。

所以我对 AI 创业者愿意大胆尝试各种定价实验这件事，是非常乐观的。最终会走向哪里，还需要时间验证，但至少从目前来看，整个行业的态度让我感觉相当不错。

闭源：不用担心天花板，扩展方向非常多

开源：不仅传播技术，更培养人才

主持人：
太精彩了。跳回你刚才提到的另一个“万亿美元级问题”：开源还是闭源，最终谁会赢？这场争论现在走到哪一步了？

Marc Andreessen：
我认为这个问题远远没有定论，局面依然是开放的。闭源模型还在持续变强，而且如果你去问那些在大型实验室、负责专有模型的人，他们普遍会告诉你：进展依然非常快。

市场上时不时会冒出一种担忧，说这些模型的能力是不是快到天花板了。但在大模型实验室内部，大家的反应通常是：完全不是。我们有成百上千个新想法，有各种新方法，只是可能需要找到新的扩展路径，但方向和方案非常多，而且几乎每天都有新的发现。

所以整体来看，大型闭源模型很可能还会在相当一段时间内持续快速进化。与此同时，开源模型也在不断变强。几乎每隔一段时间，就会看到一次新的重大发布，比如刚才提到的 Kimi，让人再次感叹：能力又被压缩到了这么小的体量里。

第三个值得强调的点是：开源还有一个非常重要的优势——它极其适合“学习”。如果你是计算机系教授，想教 AI；如果你是学生，想学 AI；如果你是普通公司的工程师，想理解这项新技术；甚至只是一个夜里在地下室琢磨创业点子的个人，最前沿的开源模型都是最好的教材。

这些开源模型几乎把“如何做 AI”完整地展示了出来。这带来的结果是：关于如何构建 AI 的知识，正在以前所未有的速度扩散。如果这些能力全部被封存在两三家巨头公司里，情况会完全不同。

开源不仅在传播技术，也在培养人才。而这正是我们今天看到的现实：AI 研究人员，已经成为全球最稀缺、最昂贵的人才之一。

Marc Andreessen：
你知道，现在的 AI 研究人员，拿到的薪酬已经超过了职业运动员。真的。这里面就是一个典型的供需失衡——这样的人才根本不够用。但反过来说，短缺往往也会孕育出“过剩”。

放眼全球，正在以极快速度补齐“如何构建 AI”这项能力的聪明人数量，正在迅速增加。我是说，现在世界上一些最顶尖的 AI 人才，其实也就 22、23、24 岁——从定义上讲，他们不可能在这个领域深耕一辈子，对吧？他们必然是在过去四五年里迅速成长起来的。

而如果他们能做到这一点，那未来一定会有更多人做到。所以你会看到，这项技术的整体专业水平正在非常快地扩散。

所以我还是之前那个判断：这依然是一场竞赛。而且从长期来看，答案很可能是“两边都会存在”。就像我之前说的，如果你认同我提出的那种“金字塔式产业结构”，那么无论成本多高，市场中一定会存在一个“最聪明模型”的巨大业务；与此同时，也一定会存在一个规模极其庞大的市场，由无处不在的小模型构成——而这正是我们现在正在看到的现实。

看好的下一代准新王：果断投了Ilya、Mira、李飞飞

主持人：
你刚才还提到过另一个问题：现有巨头和创业公司，谁会赢？在你最初提出这个问题的时候，大公司的 AI 战略其实是参差不齐的。

但我感觉，过去两年这个局面已经发生了很大变化。另一方面，很多当年的创业公司，如今规模已经大到，几乎可以算是“新一代的 incumbents（既有势力）”了。

你愿不愿意再回到这个问题，谈谈你对当前局面的判断？

Marc Andreessen：
可以。先说结论：大公司这边，确实在全力投入。Google 在全力打，Meta 在全力打，Amazon、Microsoft 也是一样。这一批公司都在非常激进地推进。
同时，你也有我们所说的“新 incumbents”，比如 Anthropic 和 OpenAI。

但除此之外，过去两年你还看到一件很有意思的事：突然冒出来一批几乎“出生即 incumbent”的新公司。xAI 就是一个例子。

顺便说一句，Mistral 是我之前提到“欧洲问题”的一个重要例外——Mistral 做得非常好，某种程度上扮演着法国、乃至欧洲大陆 AI 冠军的角色，是一个“反例恰恰证明规则”的存在。

总之，现在有一批公司进展都相当不错，正在迅速成长为新的 incumbents。
与此同时，创业公司依然多得惊人，其中也包括真正意义上的“基础模型创业公司”。比如我们投了从 OpenAI 出来的 Ilya，去做一家新的基础模型公司；我们也投了同样出自 OpenAI 的 Mira Murati；还投了来自斯坦福的 Fei-Fei Li，去做一个“世界级基础模型”的公司。

这些尝试都还在早期阶段，但潜力非常大，目标就是快速打造新的 incumbents。

在这之上，还有一件更夸张的事：AI 应用公司的爆炸式增长。大量公司——通常是创业公司——把这些技术带入具体垂直领域：法律、医疗、教育、创意产业，或者其他任何领域。你会发现，事情进化得快得惊人。

Cursor是套壳GPT？恰恰相反

主持人：
那我们具体聊聊这些应用公司。

Marc Andreessen：
举个经典例子，Cursor 就是一家典型的 AI 应用公司。他们从 Anthropic、OpenAI 或 Google 那里“按量购买”核心 AI 能力——按 token 计费——然后在此之上构建产品。具体来说，是一个代码编辑器，也就是我们过去说的 IDE（集成开发环境），或者更广义一点，一整套“软件创建系统”。

本质上，他们是在大模型之上，构建一个 AI 编程系统。

行业里对这类公司的常见批评是：它们只是所谓的 “GPT wrapper”。意思是，它们并没有真正掌握能长期保值的核心价值，因为底层 AI 并不是自己的，而是别人的；它们只是一个“壳”，最终很难形成价值沉淀。

但现实的发展，恰恰相反。

领先的 AI 应用公司——以 Cursor 为例——首先发现的一点是：他们并不是只用一个模型。随着产品变得越来越复杂，他们实际上会使用多种不同类型的模型，并且这些模型会针对产品中的不同环节进行高度定制化配置。

他们一开始可能只用一个模型，但很快就会变成十几个模型；再往后，可能会发展到五十个、甚至一百个不同的模型，分别服务于产品的不同部分。这是第一点。

第二点是，他们会开始大量构建自己的模型。很多走在前沿的 AI 应用公司，正在做一件事：向“上游”整合，亲自下场做 AI 模型。原因很简单——他们对自己所在的垂直领域理解最深，也最清楚什么样的模型才真正适合这个场景。

另外还有一个非常重要的因素：开源 AI。这些公司也可以直接拿来用、甚至深度改造开源模型。如果他们不满意从云厂商那里“按量购买智能”的经济模型，就可以直接选一个开源模型，自己部署、自己用——而且他们确实正在这么做。

所以，最顶尖的那一批 AI 应用公司，实际上已经是完整意义上的深度科技公司了——他们在真正地构建属于自己的 AI。

资源少的玩家，依旧可以撼动AI王座

主持人：
那你刚才描述的这些，更偏向“小模型”吧？如果我们对比你之前提到的“神级模型”和小模型，这里你会把它们归类为小模型吗？

Marc Andreessen：
有些是的。但也有一些——我先不替他们官宣——已经开始在做大模型了。而这本身，其实也是过去两年里一个非常重要的“学习成果”。

回头看两三年前，当时的共识几乎是：OpenAI 已经遥遥领先，其他人基本不可能追上。

后来，Anthropic 追上来了。你可以说他们是从 OpenAI 出来的，掌握了很多关键经验，所以追上也不算太意外。那接下来的直觉判断就变成了：好吧，可能也就到此为止了，其他人肯定追不上了。

结果很快，又有一批公司迅速追平。xAI 可能是最典型的例子。
xAI 是 Elon Musk 的公司，Grok 是它的消费级形态。xAI 从零起步，在不到 12 个月的时间里，就追平了 OpenAI、Anthropic 这一线的最先进水平。

这件事本身，就很难支持一种观点：某一家 incumbent 能够长期保持不可撼动的领先优势，把整个市场彻底锁死。如果追赶可以快到这种程度，那就说明“永久领先”这件事并不稳固。

再加上我们之前聊过的“中国变量”。这其实都是过去一年才出现的新情况。

DeepSeek 的“关键时刻”，我记得是在今年一月或二月——也就是不到一年前。现在已经有大概四家中国公司，在能力上基本完成了追平。

所以你会发现，这些都是“万亿美元级的问题”，而不是现成的答案。但有一点很直观：一旦某件事被证明是可行的，其他人——哪怕资源少得多——似乎也并不难追上来。

这可能会让你对大厂长期的经济护城河稍微谨慎一点；但反过来，它会让你对创业生态更加乐观；尤其是对 AI 应用型创业公司，更是如此——这也是我们为什么会对这一层如此兴奋。

它也应该让你对中国更乐观一些。

与此同时，中国的竞争，反过来会给美国体系施加压力，逼着它别把自己搞砸——这一点其实是正向的。所以，你甚至也可以因此对美国保持一定的乐观。

总之，这些都是正在发生中的动态。我们还需要时间，才能看清最终的走向。

风投可以押注所有，但创业需要明确方向

我也想补充一句：有时候我说“这些问题仍然是开放的”，会把人吓到。但在公司层面，如果一个企业面对的是根本性的、尚未收敛的战略或经济问题，那确实是个大麻烦——因为公司必须要有一个明确而具体的战略。

一家公司的现实情况是：它必须做出非常具体、非常明确的选择——钱投到哪里、人用在哪里。战略本身必须是有逻辑的、连贯的，否则公司很快就会陷入混乱。

所以，对公司来说，这些问题是必须要回答的；而一旦答错，后果会非常严重。

但作为风投，我们有一个巨大的优势：我们不需要只押一个答案。我们可以同时押注多种策略。而且我们确实就是这么做的。

我们同时押注大模型和小模型，预训练模型和开源模型；
押注基础模型，也押注应用层；
押注消费级，也押注企业级。

投资组合的本质就在于：只要我们认为某条路径有“合理的成功可能性”，哪怕它和我们正在投资的另一条路径在逻辑上是相互矛盾的，我们也会果断下注。

一方面，世界本来就是混乱的，很可能会有好几条路同时走通，所以很多问题并不会出现一个干脆利落的“是 / 否”答案，而更像是“而且 / 同时成立”。

另一方面，如果某一条路径最终失败了，我们的投资组合里也会有对应的替代方案，从而拥有多种取胜方式。

这就是目标，这也是我们在这个领域采取这种策略的理论基础。也正因为如此，当我说“这些问题仍然是开放的”时，我脸上反而是带着笑的——因为这恰恰对我们有利。

创始人的“吵架”日常：最后都愿意被对方说服

主持人：
这正好可以过渡到 a16z 的一些问题。我先抛一个比较大的话题：
你和 Ben 之间，有没有那种“disagree & commit”（保留分歧、但仍然共同执行）的事情？

Marc Andreessen：
这段合伙关系能一直运转的一个重要原因在于：我们都愿意被对方说服。最终，大多数时候，我们会走向同一个结论。

所以，如果你现在问我——此时此刻——有没有那种事情，是我心里在想：“真不敢相信我居然要忍受他在这件事上的疯狂决定，但我还是得 commit”，或者反过来他对我也是这样？

老实说，没有。我们不存在这种情况。

为什么采访一定要“敢说大实话”？

Marc Andreessen：

如果一定要说一个我们经常反复讨论、而且我自己也总是在反思、拿不太准立场的问题——这并不是我们最重要的工作内容，但既然有人问了——那就是：公司的“公共形象”和“公共存在感”。

也就是我们在公众世界中的存在方式：
我们公开说什么、不说什么；是否卷入争议；我们如何表达和阐述自己的观点。

在这里，其实存在一个非常真实、也非常重要的张力：

一般来说，我们越是走到台前、越直言不讳、越具争议性，从某种意义上讲，对业务越有利——至少在创业者眼中是这样的。他们很喜欢这一点。

现在这一点已经非常清楚了：创始人想合作的对象是谁。创始人更愿意和那些敢于表达、敢于站出来、敢于采取有争议立场、而且能把事情讲清楚的人合作。他们之所以看重这一点，有几个原因：第一，这是勇气的体现，他们很珍视；第二，更重要的是，这让创始人在真正见到我们之前，就已经知道我们是谁、我们相信什么。而这一点，已经被证明是一个极其强大的竞争优势。

长期的 LP 都知道，这也是为什么我们从一开始就采取了非常主动的对外传播策略，而且事实证明它完全奏效。逻辑很简单：如果我们能够持续对外清晰表达我们的立场，哪怕这些立场具有争议性，那么世界上最好的创始人，在走进我们办公室之前，就已经理解我们、认识我们了。相比之下，当时很多风投机构几乎什么都不说，创始人根本不知道这些人是谁、信什么。这个差异带来了巨大的效果，而且到今天仍然如此。这一点在整个行业里也越来越普遍。

当然，公开露面、保持高可见度、甚至制造争议，也会带来各种外部性和副作用。我们一直在非常努力地“走钢丝”。我们并没有后退，依然坚持高强度的对外输出。Eric Worenberg 以及他搭建的团队——我们之前也和大家聊过——已经全面加速了。我们会继续加码，努力成为那些关键技术与商业问题的主要阐释者，帮助大家真正理解这些重要议题。这已经被证明是非常有效的。

我们经常在 DC 遇到一些人跟我们说：“我对这个领域的大多数理解，其实都来自你们的播客、文章和 YouTube。”这件事我们会持续做下去。

总体来说，我们在这件事上依然是主动进攻的姿态。只是我和 Ben 的确会反复讨论一个问题：到底要触碰多少“高压线”话题，以及触碰的频率。我们也在努力控制这个尺度。

风投的生死，本质就是抓住科技浪潮

主持人：
正如伊丽莎白·泰勒（小编注：20世纪顶流好莱坞影星）说的：“只要把我的名字拼对了，其他的都好说。”在很多场景下，尤其是科技领域，这种关注反而是好事。

另外，这个问题里其实也隐含着你和 Ben 已经持续了 30 多年的合作关系。以至于现在有些人干脆把 Marc 看成一个同时代表 Andreessen 和 Horowitz 的“合体人物”。（小编注：后者则是a16z另一位创始人的名字，两位创始人名字合在一起就是a16z。）

Marc Andreessen：
是的，这就是一起工作三十多年的结果。

主持人：
回到另一个问题。两年前你们围绕 AI 进行了组织重组，并推出了相关基金。回头看，你觉得哪些判断最关键？有没有什么是当时低估了、或者遗漏了的？

Marc Andreessen：
我们当然犯过不少错误，但总体判断我认为是对的。AI 本质上符合我们一直以来对风险投资的核心理论：真正的大机会，往往来自底层架构级别的变化，来自技术范式的根本转移。

这一点在风险投资历史上反复成立。原因也很清楚：一旦技术底座发生根本变化，就会出现一个高度创造性的窗口期，新公司可以快速出现，在大公司反应过来之前，占领新的品类和市场。如果没有这种技术跃迁，创业公司几乎不可能成功，大公司会把一切都吞掉。

所以，风投的生死，本质上取决于能否抓住这些“技术浪潮”。历史上最成功的风投机构，几乎无一例外，都擅长从一波浪潮切换到下一波。我自己就是受益者之一。1994 年我来到硅谷时，还不存在所谓“互联网风投”。但当时像 Kleiner Perkins 这样的机构判断：这是一次全新的技术架构转变，哪怕看起来疯狂、没人相信能赚钱，也要下注。于是他们投了我们，也投了 Amazon、Google，一家公司接一家公司，还投资了让家庭宽带真正普及的企业。他们最早起家于 1970 年代的小型机时代，却成功跨越了一代又一代技术浪潮。Sequoia 也是如此。任何能存活 30、40、50 年的顶级风投机构，几乎都具备这种能力。

正因为如此，在这个行业里，你必须站到“新东西”上。

我一直不知道该如何理解这种说法。一个 VC 说：“有一波新的技术浪潮出现了，而我决定明确不参与。”我总会下意识反问一句：这难道不是你的本职工作吗？

虽然他们一度看起来显得很聪明，但现在回头看，可能就没那么聪明了。AI 也是类似的情况：有些机构全力扑上去，有些机构则选择坐在一旁观望。顺便说一句，历史上也有不少风投机构根本没能跨进互联网时代——80 年代非常有名、也非常成功，但没能完成转型，最后就慢慢消失了。

所以，说了这么一大圈，我的意思是：在风险投资这个行业里，你必须跳上新的浪潮。我认为我们在这件事上判断对了规模和性质——这是一场真正意义上的、发生在机构内部的根本性变革。AD 现在发展得很好，而且 AD 本身也在从 AI 中受益，体现在两个方面：一是 AD 投资的很多公司，本身就是 AI 的直接受益者；二是 AI 也在推动 AD 其他板块的需求，比如能源和材料。所以整体来看，这条主线是自洽的，而且运转得不错。

AI 和不少领域之间会出现不少交叉点。再加上生物科技、生物与医疗领域，无论是医疗服务本身，还是药物研发，都会被 AI 深度改造，而且这件事已经在发生了。

总体来说，机构内部的单点努力感觉很好，不同团队之间的互动也很顺畅，那些从多个技术方向切入的“混合型”公司，整体观感非常积极。

如果一定要问：我们现在觉得自己“错过了什么”？我的答案是：目前看并没有。现在并不存在某一个明确的垂直领域，让我觉得“我们需要马上新建一个部门、或者成立一个新基金”。至少此刻没有。我更关注的是，把眼前已经在做的这些垂直方向执行到极致，并且成为投资组合公司最好的合作伙伴。

担心会消灭工作岗位？

回头看第三次革命委员会，你会变得犬儒

主持人：
说到 AD，（a16z 内部的一个核心板块：American Dynamism，美国动能）其实也有一个很有意思的现象。大家都在讨论 AI 会不会“抢走工作”，但恰恰相反，AD 覆盖的很多实体领域岗位，从能源到数据中心建设，需求从来没有这么旺盛过。

从社会层面看，这个钟摆似乎也在被技术加速推着往另一边摆动。你之前提到，社会本身是否准备好接受技术同样重要。你最近是否看到这种社会层面的“适应速度”在加快？如果要让社会采用速度跟上技术落地速度，你怎么看？

Marc Andreessen：
我们以前也聊过这个问题。坦率讲，拉长时间尺度来看，过去三百年里，几乎每一轮重大技术出现，都会伴随着恐慌和失控感。五百年前的印刷术就是例子，它与新教运动的兴起紧密相关，深刻改变了社会结构。再往后看，类似的恐慌一波接一波。过去两百年里，围绕自动化的恐慌就出现过很多次。其中一个非常核心的焦虑，本质上就是担心自动化消灭工作岗位。今天关于“AI 会把财富集中到极少数人手里、其他人都会变穷”的说法，其实是和这个论调高度一致的——我认为当年是错的，现在也是错的，当然这个可以展开另说。

注：图片由ChatGPT生成

甚至在 1960 年代，也曾有一轮关于 AI 取代所有工作的巨大恐慌。当时在约翰逊政府时期，这是一件大事。你如果今天再去看那些“暂停 AI 发展”的公开信，会发现语气几乎一模一样。就在几周前，还有一封由哈里王子署名的信，说 AI 会毁掉一切。1964 年，当时学术界、科学界和公共事务领域的一批重量级人物，曾成立过一个叫“第三次革命委员会”（Committee for the Triple Revolution）的组织。你搜一下“Johnson White House + Committee for the Triple Revolution”就能看到。他们当年的宣言，大意也是：如果不立刻阻止技术进步，一切都会完蛋。

过去二十年里，同样的恐慌也反复出现。2000 年代是外包恐慌，觉得工作都会被转移走；2010 年代是机器人恐慌——讽刺的是，那时机器人根本不好用，现在其实也没多好用。如今轮到 AI。

所以我的看法是：硅谷一直希望自己做的事情是“重要的”。说实话，我们平时听到最多的反馈，是别人告诉我们“你们做的东西很蠢、肯定行不通”，这是默认状态。等到某个时刻，叙事就会突然翻转，变成“天哪，这东西要毁掉一切”。站在这里，很容易对这种循环变得犬儒，尤其当你看清了历史模式之后。但我认为，我们必须非常认真地对待这种情绪。

（犬儒：看透一切，却不再相信任何改变，只剩嘲讽和冷漠。）

人们实际用AI很开心，只是嘴上还在犟

Marc Andreessen：

我常用一个比喻：像是那只终于追上公交车的狗。我们一直想做“重要的事”，现在真的在做重要的事了，而社会上的其他人，确实非常在意这些变化。这意味着我们有责任把问题想清楚，把事情做好——不仅是把技术做出来，还要把它讲清楚。我们有义务去解释、去对话、去参与这些讨论。

从社会科学的角度看，如果你想理解人们如何看待一件事，基本有两种方法：一是问他们，二是看他们怎么做。任何社会学家都会告诉你这一点。你可以通过问卷、焦点小组、民调去问他们的看法；也可以观察他们的行为，也就是所谓的“显性偏好”（revealed preferences）。在政治、文化和社会的很多领域，你会发现一个长期存在的现象：人们说出来的答案，和他们实际做出来的选择，往往并不一致。

原因有很多解释。我的理解更简单一些：人在表达观点时，尤其是在可以自由发声的环境里，往往情绪激烈；但当你观察他们的实际行为，会发现他们通常更冷静、更克制，也更理性。

这正是当下 AI 所呈现出的状态。如果你去做一份民调，问美国选民怎么看 AI，结果几乎清一色是恐慌：毁工作、毁一切、末日将至。但如果你去看他们的行为，他们都在用 AI——下载应用、在工作中用 ChatGPT、在网上围绕 AI 激烈争论。你现在几乎每天都能看到这种场景。