在生成式AI席卷全球之际，传统软件时代的“黄金投资法则”已全面失效，AI正在通过打破规模与风险的反向关系、重塑财务指标，彻底颠覆创投圈的估值常识。

在知名播客Sourcery with Molly O'Shea于6月29日播出的节目中，硅谷老牌顶尖风投机构Benchmark合伙人Ev Randle与主持人Molly O'Shea展开深度对话，内容涵盖AI公司估值新框架、推理经济学、Anthropic上市潜在冲击，以及Benchmark在AI领域的投资组合逻辑

打开网易新闻 查看精彩图片

（访谈节目截图）

Ev Randle开门见山抛出核心判断：整个风投和成长期投资生态正在经历一种"方向感丧失"——上下颠倒，是非混淆。 而这种混乱，根源在于一个古典定律的失效。

他指出，在新的AI范式下，风险与规模的传统反向关系已经崩溃。过去，初创企业随着规模扩大，会依次消除产品市场契合度（PMF）、单位经济学和市场天花板（TAM）的风险。但在如今的AI时代，“你可以拥有营收远超10亿美元的企业，但它们尚未证明自己的单位经济学，也没有证明持久的产品差异化。”

这种现象让整个创投生态系统进入了一种“迷失方向的阶段”，不仅“电子表格投资时代”宣告结束，SaaS领域的诸多黄金法则甚至在AI语境下开始反向运行。

“电子表格投资时代”结束，SaaS黄金法则全面逆转

在传统的SaaS（软件即服务）软件投资时代，高毛利、纯软件、轻资产、高客户留存率是衡量优质公司的“北极星指标”。这些指标不仅能够完美适配财务模型，还衍生出了“40法则”（Rule of 40）等量化标准。

然而，Ev Randle直言：“定义电子表格投资时代的过去所有黄金法则，如今全部消失了。当前最受欢迎的公司和赛道，几乎是这些黄金法则的完全反面。”

他以三大核心变化为例： 首先是分发策略的改变。“有一条推文说‘FTE（全职人力/实施顾问）是新的PLG（产品驱动增长）’，这就意味着万物正在‘Palantir化’。”过去，高度依赖人力的实施服务被视为拖累毛利率的负面因素，如今却成了标配。

其次是毛利率逻辑的颠覆。在AI应用中，“如果你的毛利率很高，这实际上是一件坏事，因为这意味着没有人使用你的AI功能。”由于AI推理成本高昂，高频使用必然拉低毛利率。

最后是资本密集度的飙升。为了建立护城河防御大模型厂商，许多AI软件公司开始在内部建立研究实验室并训练或微调自己的模型，这带来了前所未有的资本支出（Capex），彻底打破了过去SaaS企业无需投资GPU等重资产的定律。

新的AI估值公式：P×Q×M模型下的天价订单

当旧规则失效，如何评估AI公司的商业模式？Ev Randle提出了一个新的AI分类学视角：P（价格）× Q（数量）× M（毛利率）

与传统SaaS相比，AI应用的Q（目标客户数量）通常持平，M（毛利率）几乎肯定低于传统SaaS的70%，但P（价格/客单价）却能达到令人瞠目结舌的高度。

“现在，你看到一些推理平台与初创公司签下了高达九位数（上亿美元）的合同，这在SaaS公司中极其罕见。”Ev Randle表示。他特别提到了AI编程助手的惊人消费力：

“我们投资组合中的开发者们，每人每月在Claude Code上花费3000美元。哇，这意味着每个开发者每年3.6万美元。”

这种商业模式和产品创新的结合，被Ev Randle视为自云时代以来最重要的转变。买家的心态已从“购买软件许可证”转变为“按需购买智力或白领劳动力”。

这使得企业的软件预算上限被彻底打开，过去一个客户可能只贡献20万美元营收，现在可能会变成*“每个普通客户带来2000万美元的营收，甚至对某些巨头来说是每月5亿美元”。

推理是“印钞瀑布”，前沿模型面临“数万亿美元问题”

在谈及AI基础设施和Agent（智能体）经济的爆发时，Ev Randle用了一个生动的比喻来形容当前巨大的推理（Inference）需求。

“这就像你坐在河岸边拿着一个水桶想装满水，但就在那边有一个巨大的瀑布。你该做的不是坐在岸边思考，而是直接走到瀑布下面……这个瀑布就是推理。”他指出，基于推理的商业模式让许多公司的营收增长曲线从过去的“1-3-9-20”变成了极其陡峭的“1-20-100”或“1-30-300”。

但在庞大的需求之下，前沿大模型（Frontier Models）正面临严峻的定价权考验。Ev Randle提出了一个“AI老妈测试（Mom Test）”：对于非技术硬核的普通用户（如他的母亲）来说，100%的日常需求其实都可以被极具成本效益的开源模型满足。

他指出，如果未来AI能力达到了绝对的上限，且开源模型能达到前沿模型95%的能力，“对于前沿实验室来说将是一个非常可怕的局面”，因为这会极大削弱它们收取溢价的能力。反之，如果前沿实验室能实现递归自我改进（RSI），那么它们将拥有极强的定价权。这被称为决定AI赛道走向的“数万亿美元问题”。

创投生态巨震：天量流动性冲击与“非典型”风投

在资金端，AI的资本密集型特征和公司保持长期私有化的趋势，正在改变整个风投行业的形态。

Ev Randle警告市场，必须为AI巨头未来可能带来的天量流动性冲击做好准备。他以Anthropic为例进行了极具冲击力的推算演示：

“如果Anthropic上市并在1.5万亿美元的估值下获得流动性……它将产生相当于Snowflake（史上最成功SaaS IPO之一）Pre-IPO轮35倍的回报。这是在单一一轮融资中实现35个Snowflake Pre-IPO轮的回报。

他透露，有些基金在单一AI公司中投入了高达30至40亿美元，并可能在不到5年内获得5倍回报。这种财富创造的速度和规模，将对整个硅谷生态（包括房地产、新公司孵化、二次投资）产生巨大冲击波。

面对这种疯狂的市场，Ev Randle表示，许多曾经的风险投资公司实际上已经变成了“替代资产管理公司（Alternative Asset Managers）”。而Benchmark依然坚持其核心哲学：

不投赛道，只投人（Founder-out versus Theme-in）。“伟大的创始人永远不会过时，而商业模式却会流行或过气。”

访谈最后，Randle对整个风投行业的结构性演变给出了直接判断。他认为，行业最大的问题是用"风投"这一个词，描述了本质上完全不同的两类机构。

"General Catalyst和Andreessen Horowitz是另类资产管理机构（Alternative Asset Managers），不是风投公司。他们有风投产品，但他们本身不是风投公司——他们有成长期产品、债务产品、医疗保险产品、财富管理产品。"
"风投在很多方面仍然是原来的风投，但对这些大机构来说，它只是众多产品之一，而不是机构本身。"

访谈实录全文如下（由AI辅助翻译）

第1章：Ev Randle，Benchmark 普通合伙人Ev Randle：我们过去在投资领域有一些"黄金法则"，或者说"北极星指标"，但当你审视软件行业时，大概有五六个关键指标是真正重要的——它们非常清晰易懂，也非常适合用电子表格来分析。
然而现在，那些曾经定义了"电子表格投资时代"的黄金法则，全都已经失效了。
在全新的 AI 范式下，你可能会看到这样的企业——年收入远超十亿美元，却依然没有验证清楚自己的单位经济模型（unit economics），也没有证明自己拥有持久的产品差异化竞争力
你知道吗，我们现在有开发者，每个人每个月自己花在 Claude Code（Anthropic 旗下编程工具）上的费用就高达 3,000 美元。换算一下，那就是每位开发者每年 36,000 美元
再想想Anthropic 那笔对应 3,800 亿美元估值的融资——如果 Anthropic 未来上市，并以1.5 万亿美元的估值实现流动性退出，我真的不确定，人们是否真正理解、并且做好了准备，去迎接如此巨量的流动性涌入整个生态系统所可能带来的冲击
第2章：基准资本年度合伙人大会之后Molly O'Shea：Ev，欢迎来到Sorcery。
Ev Randle：谢谢你，Molly。很高兴来到这里。
Molly O'Shea：我太开心了。这是我第一次采访来自Benchmark（基准资本）的人。你是他们较新加入的合伙人之一。我之前采访过Jack，那是在他加入之前，但现在我们有你了。
Ev Randle：太好了。我很兴奋能成为第一个。
Molly O'Shea：那么，最近怎么样？我知道你们刚刚开完年度合伙人大会（AGM），对当下市场做了一次大规模的集体复盘。整体感觉怎么样？
Ev Randle：是的，说到感觉嘛——Benchmark内部的氛围绝对是高涨的。但从整个市场来看，我觉得整个风险投资和成长期投资的生态圈，正在经历一种迷失方向的阶段，大家都感觉像是上下颠倒、黑白不分。我们在年度合伙人大会上，也在尝试做一些内部反思，搞清楚我们对市场的判断，以及我们一直在关注的那些事情。
我想到了一个可视化框架，我觉得它能很好地解释这种感受：在过去的范式里，尤其是在软件行业，规模和风险之间存在一种近乎反向的关系——也就是说，规模越大，公司彻底崩盘或倒闭的风险就越小。
原因在于，从历史经验来看，一家初创公司在不断扩张的过程中，会依次消除业务各个环节的风险。通常第一步是验证产品市场契合度——人们愿不愿意买你的产品？接下来是验证单位经济模型——你卖的产品，长期来看能不能实现盈利？然后是验证市场空间（TAM）——你的公司能不能从1000万美元的营收，成长到1亿，甚至数十亿，并最终赢得市场领导地位。如果你在成长过程中没能逐步消除这些风险，增长就会停滞，公司就不再扩张了。
所以，这两个变量之间存在一种干净清晰的关系：如果你还在持续扩张，通常意味着公司的风险正在越来越低。
然而，我认为在新的AI范式下，这一切已经发生了根本性的改变。现在你可以看到一些营收远超十亿美元的企业，却依然没有验证其单位经济模型，没有证明其产品差异化的持久性。从某种程度上说，这些公司归零是最坏的情况，但即便只是从上一轮估值大幅缩水，这种损失的风险，随着时间推移，感觉不仅没有降低，甚至可能与规模呈现出一种奇怪的正相关关系——规模越大，风险反而越高。
这是一件非常令人迷失方向的事，因为我们早已习惯于"公司越大越安全"这个逻辑，但现在感觉已经不是这样了。
背后有很多原因，我们可以深入探讨。但我认为，这正是为什么市场上的人们、投资者、我们的同行，甚至我们自己，都感觉风险与回报的范式已经今非昔比。
第3章：投资的黄金法则已全部失效Molly O'Shea：作为一个投资者，你怎么评估这件事？我们之前也聊到过这个话题，你说这是"电子表格投资时代的终结"。你的意思大概就是这个吧？这是一个绝对的判断，还是说背后有什么前提？
Ev Randle：对，你知道，我们过去在投资领域有一整套所谓的"黄金法则"，或者说"北极星指标"。当然也有一些例外，比如硬科技领域一直都有所不同，还有一些资本密集型的消费互联网业务也是如此。但如果你专门来看软件行业，过去大概有五六件事情是真正重要的。
比如说，高毛利率比低毛利率好。至少70%到80%算不错，达到90%就非常出色了。通常你希望卖的是纯软件，意味着你不需要附带大量服务支持或实施部署的工作量，因为那会限制你的规模扩张能力，同时也会拉低你的毛利率。
这类业务通常是轻资产的，没有太多资本支出，而且研发投入上有很强的运营杠杆效应——也就是说，随着时间推移，研发效率是相当高的。
另外，你还需要有极高的客户留存率。所谓"毛留存率"，意思是客户一旦使用了你的产品，通常就会留下来。很多软件公司的毛留存率超过90%，也就是说，在一整年里，如果你有100个客户，离开的不会超过10个。
把所有这些因素加在一起，最终呈现出来的，是一门轻资产的生意——到了成熟阶段，它能持续产生极高的自由现金流，而且增速长期来看是GDP的好几倍。说起来有点绕口，但这就是为什么软件公司能以极高的NTM（未来12个月）收入倍数来交易。这一点非常重要——整个资产类别的基础，就是愿意为ARR（年度经常性收入）支付非常非常高的估值倍数。我们之所以被允许这样做，是因为这些公司最终会变得极其盈利，而且盈利非常持久，并以GDP数倍的速度增长很长很长一段时间。
所以，这就是软件行业过去的基本面设定——非常清晰，非常适合用电子表格来分析。我说的那些指标都能非常漂亮地放进表格里。还有像"40法则"这样的指标——增长率加上自由现金流利润率——有时候你甚至可以用一个单一指标来概括一家软件公司的质量，有些投资者就直接看40法则的得分来做投资决策。
但现在，如果你去看那些最热门的公司、最热门的赛道，它们几乎是我刚才说的每一条黄金法则的反面。
有条推文说："FTE（全职员工驱动的销售）是新的PLG（产品驱动增长）"，这已经成了最流行的分发策略。
Molly O'Shea：还得感谢Palantir（为此开了先例）。
Ev Randle：没错，就是这样。
万物的"Palantir化"，意味着现在你到处都能看到这种"高端实施顾问"的角色。而这在过去是不被允许的——你不应该有这种东西，你应该卖的是纯软件。但这种模式会拉低毛利率
而现在，高毛利率反而成了一个坏信号——因为AI推理本身就需要花很多钱。如果你的AI产品毛利率很高，那说明根本没有人在用你的AI功能。这就像是一个颠倒的世界。
还有另一个现在很流行的说法是：如果你想要在面对大型实验室时保持竞争壁垒，你就需要自己训练模型，或者至少要用从用户那里获取的数据做后训练（post-training）。所以现在的逻辑变成了：一家软件公司内部还得建立自己的研究实验室来训练模型。这在资本支出上是极其密集的——和过去那个没有任何GPU资本支出的软件时代相比，简直天壤之别。
所以这一切就像是一个颠倒的世界——过去定义"电子表格投资时代"的所有黄金法则，如今全部失效了。最热门的公司和赛道，几乎是这些法则的反面。
我认为这让很多人感到困惑的原因在于：这些黄金法则本身，在真空中来看，确实是构建一家高质量公司的第一性原理——因为归根结底，一家公司要被高度估值，就必须在很长一段时间内持续产生大量自由现金流。
当你看那些最热门的公司，从第一性原理的角度来审视，它们看起来似乎比传统SaaS公司吸引力更低。这就迫使你不得不重新思考很多投资方式。
第4章：谁真正掌握了AI经济学的门道？Molly O'Shea：关于这个话题，我有好多延伸问题想问。第一个问题是——你认为在各家公司里，谁对管理AI规模和经济模式有最好的直觉？
是创始人吗？还是你发现这种能力分散在不同的公司、研究人员或经济学家之间？这对所有人来说都是全新的领域，你是怎么理解这件事的？你认为谁最能把握其中的门道？
Ev Randle：这是个很好的问题。这件事真的很有意思，因为这些公司彼此之间差异极大。比如说，我们投资组合里有一家叫Fireworks的公司，我们认为它正在成为一种AI推理云；再拿另一家同样出色的公司Crusoe来对比，表面上看它们属于同一赛道，但实际上它们是完全不同的公司，拥有完全不同的商业模式和经济模型
我的意思是，Crusoe实际上是在亲自建造数据中心——他们去获取电力、土地和许可证，自己建数据中心，通常是为超大规模云服务商（hyperscaler）提供服务，这些云服务商反过来成为他们的客户。有时他们也有自己的云产品，可以向初创公司等客户出售推理服务。而Fireworks 并不拥有自己的数据中心，他们实际上是从合作伙伴那里租赁推理算力和GPU
他们赚钱的方式，一方面来自推理服务本身，另一方面来自他们在推理层之上构建的软件——这些软件能让推理更具成本效益、降低延迟，从整体上提升推理产品的质量。所以从外部看，你可能会说"哦，不就是两家推理公司嘛"，但它们其实拥有截然不同的商业模式、截然不同的资本密集度和截然不同的利润结构。它们的差异远大于相似之处。
我职业生涯起步于一家名叫Vista Equity Partners的软件私募股权公司。CEORobert Smith常对我们说："软件吃起来都像鸡肉。"这正是软件的美妙之处——每家软件公司，当你翻开资产负债表、看损益表的时候，它们都长得差不多。所有公司的科目条目都一样，成熟期的损益表看起来也基本相同。即便它们面向完全不同的市场、销售完全不同的产品，骨子里的相似度远大于差异。
但现在，这条规律不再适用了。AI领域存在太多不同的商业模式——你可以是AI应用开发者、基础模型实验室、推理平台，也可以是数据中心建设公司——它们真的是五花八门、各不相同
所以很难一概而论，答案需要具体问题具体分析，取决于公司所在的细分赛道。但我认为，那些认真思考过"AI公司新分类框架是什么"的投资人和创始人，拥有明显的竞争优势。
因为在我看来，这一切最终都归结为一个公式：P × Q × M——这是经济学101的基础，即价格 × 数量 × 利润率
在SaaS时代：
  • P（价格）是你的ACV，也就是你卖给客户的合同年均价值；
  • Q（数量）是你的客户数量，或者你的目标市场（TAM）中的潜在客户规模；
  • M（利润率）是毛利率，通常在70%到90%之间。
而现在，在AI时代，如果我们以AI应用公司为例：
  • Q 基本没变，你面对的还是那批会购买SaaS的客户；
  • M 几乎肯定更低，我认为99%的AI应用公司毛利率都低于70%
  • P 可以高得惊人——你会看到一些推理平台与初创公司签下九位数（亿级美元）的合同，这在SaaS时代极为罕见，能和任何客户签九位数合同的SaaS公司都凤毛麟角，更别说对方还是初创公司。而现在，大量AI公司正在签下规模令人难以置信的大合同
我认为，理解这套新的分类框架，理解它对公司质量演进意味着什么，理解这些公司成熟后会呈现出怎样的面貌——这是一个至关重要的动态变量，而整个行业目前都还在摸索之中。
第5章：为什么Benchmark押注创始人，而非赛道Molly O'Shea：那你的意思是说，这种迷失感体现在做全新投资决策上，还是也体现在理解现有投资组合公司上——比如它们如何以不同的方式成长和扩张，包括边际层面和商业模式层面？
Ev Randle：两方面都有。我觉得，幸运的是，Benchmark做得最好的一件事，就是在极早期阶段与创业者建立合作关系。正因为如此，你就不需要太担心很多这类问题了——因为这些问题很多都跟"公司IPO或被收购时会值多少倍"有关，或者"他们在规模化阶段如何有效利用资本"之类的事情。
但如果你是在公司刚起步、估值仅5000万美元的时候就支持这位创业者，那么等你真的需要回答那些问题的时候，其实你已经完成任务了——公司已经成长到了一定规模，达到了一定的成熟度，你大概率已经赢了。
我认为，我们投资组合中很多与这次对话相关的公司，情况都是如此。当然，随着这些公司逐渐成熟，我们也会思考：未来哪些赛道会有真正大的利润池可以争夺，这确实是我们关注的事情。
但我们的优势在于：优秀的创始人永远不会过时。而那些商业模式却会时不时地起起落落，有些变得流行，有些又退出舞台。你知道吗，以前大家都说不能碰硬件，但现在硬件科技显然成了唯一"安全"的方向——至少在消费领域是这样，体育领域也是，比如买一支棒球队，那就跟OpenAI没什么关系了，算是隔绝开来了，哈哈。
不过好消息是：无论是什么赛道，所有这些公司的核心都是一样的——都有出色的创业者在驱动它们前进。所以我认为，Benchmark自创立以来的模式一直都是**"从创业者出发"，而不是"从主题切入"**。
如果你是"SaaS专项基金"，现在日子可不好过，哈哈。我认识很多人，他们之前就是那种SaaS专项基金，现在已经重新包装自己，说"哦，我们现在是SaaS+AI基金了"。但我认为，从战略角度来看，这种定位远比那种始终如一的基金要难受得多——后者的逻辑是：先找到最优秀的创业者，其他的事情我们一路摸索着来。因为正是这些人，会想清楚所有的挑战，并且从另一端走出来，变得更加强大。
第6章：Brad Gerstner的"推理时代"论断Molly O'Shea：既然不是主题基金，但我们确实正在进入AI时代的一个新阶段——事情正在变得更加成熟。Brad Gerstner认为，我们现在进入了所谓的**"推理时代（Age of Inference）"**，而最能从中受益的公司，是处于这一浪潮下游的企业。比如AI智能体经济——就像你们投资的Gumloop，以及所有它下游的东西：超大规模云服务商、算力、各种连接器、路由器，这些现在都成了人们疯抢的大赛道。那你怎么看待"推理"这件事？顺便也可以聊聊Gumloop，以及整个因为智能体（agents）而非聊天机器人（chats）的爆发所带来的经济生态。
Ev Randle：对，完全同意。我对推理这件事目前的理解框架是这样的——
我当时在跟我们一家投资组合公司合作，他们有大量令人惊叹的开发者用户群体，产品也非常出色，但就是还没想清楚商业模式。
我坐下来跟他们一起梳理：我们怎么确定收入模式？我跟他们说的是：你们现在的处境，就像站在河岸边，手里拿着一个桶，想把桶装满——因为那个桶就是你的收入桶，或者随便什么桶——但你就只是站在河岸边发呆。然而就在对面，有一个大瀑布。你应该做的，不是站在河岸边发愁，而是直接走到瀑布下面去。你站到瀑布下面之前，根本不知道桶有没有漏洞，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
而那个瀑布，就是推理（Inference）。
推理所带来的、对如此多不同业务和商业模式的那种难以置信的收入浪潮和需求涌现，正如你所说，是不可忽视的。
我们是Fireworks AI的重要投资人，如果你再看看其他推理平台，比如Fal、Baseten、Modal，以及大量采用基于用量计费基于结果计费模式的应用公司——这些都是将推理货币化的不同变体
所以当你听说所有这些公司，它们的增长不再是以前那种"1→3→9→20"的节奏，而是"1→20→100"甚至"1→30→300"——这一切，追根溯源，都可以归结为：推理让一种新的商业模式成为可能
以前的商业模式是：我们按某个固定金额乘以你公司的员工人数来收费。而现在的模式是：我们在转售给你的token（算力调用）上赚取一定的利润差价
有些商业模式的利润空间比较薄，基本上就像是一个推理经纪商，纯粹在转售推理服务；而有些则对推理进行了高度抽象封装。比如Sierra，它采用的是基于结果的定价模式——按实际完成的客服问题偏转次数来收费，这已经高度抽象化了，但底层你仍然是在对"token消耗"这件事进行货币化。
这种模式的好处在于，它彻底移除了你增长潜力上的任何速率限制，正是它成就了我们在所有这些新AI公司身上一次又一次看到的那种令人难以置信的营收增速。
第7章：自云计算以来最重要的变革Molly O'Shea：你认为智能体（agents）的大规模普及会带来什么？
Ev Randle：我觉得，嗯，这确实很有意思。一方面，每当一个词或术语被过度营销、过度产品化的时候，我都会有点不舒服。
Molly O'Shea：是啊。
Ev Randle：你知道，FDES 肯定是这样一个例子，我认为"智能体"这个词绝对也是。
Molly O'Shea：那"AI"呢？
Ev Randle：是的，好吧，"AI"嘛，那至少是一个宽泛的总括性术语。但你知道，当私募股权公司开始要求旗下所有投资组合公司都声称自己在卖"智能体"的时候，你就知道这个词已经被用烂了。我们需要【笑声】，我们需要从这个词转向一些新的、不同的东西。
不过，尽管如此，我仍然认为这从根本上来说，既是我们自SaaS诞生以来见过的最伟大的产品创新，也是最伟大的商业模式创新。
是的，也就是说，自云计算商业模式兴起以来，这是最重要的变革，原因在于它是我们迈向"销售工作本身"这一理念的基础——也就是真正复制一个人在完成某项任务时所做的事情。
在商业模式层面，正如我之前提到的，它让软件的买家能够转变心智框架——从"我购买的是一个许可证"，转变为"我购买的是按需调用的智能"，或者说是"按需调用的白领工作"，或者是通过API或软件产品按需获取的、能为我的业务创造经济产出的某种活动。
这就解锁了一种全新的**"价格-价值"对等关系**，让买家能够以完全不同的方式来看待软件以及他们的软件预算。
我认为，当我们最初追踪编程智能体（coding agents）崛起的时候，有一件事让我们兴奋得不得了——那就是当 Claude Code（即便那时还叫 Claude CLI）变成 Claude Code 之后，我们和开发者以及投资组合内的公司交流，他们说："是的，你知道，我们有些开发者每个月自己就花了3000美元在 Claude Code 上，每人。"
我当时就想，哇，好家伙，那就是每个开发者每年36000美元。在SaaS时代，如果你拿到一个5万美元的ACV（年度合同价值），那已经算不错了。但现在，你不再是和这个客户签一份总价5万美元的合同，而是每个开发者都能产生这样的价值，而且还在持续增长
这就让人意识到——哇，这对于普通公司来说，可能不是一个20万美元的预算项，而是一个2000万美元的预算项
Molly O'Shea：或者对某些公司来说……
Ev Randle：或者对某些公司来说，是每月5亿美元。
Molly O'Shea：每月5亿美元？
Ev Randle：每个月。这已经是一个完全不同的技术时代了。
所以我认为，尽管我对"智能体"这个词泛滥成灾感到厌烦——现在你上网随处可见这个词——尽管它已经被营销到烂大街，它所代表的仍然是我们有史以来见过的最重要的产品技术变革，以及最重要的营收和商业模式转变，甚至可能是整个科技史上最重要的。
我认为这也是我们对 Gumloop 感到无比兴奋的原因之一——如果你感兴趣的话，我们可以聊聊 Gumloop。
第8章：深入了解 Gumloop 的 AI 自动化画布Molly O'Shea：好啊，给我们介绍一下 Gumloop 吧。
Ev Randle：好的。Gumloop 是一个独立的第三方软件平台，为企业提供协作式 AI 智能体与 AI 自动化画布
用最简单的话来说，它的意义是这样的：我们最早在编程领域看到了这一趋势——随着 Opus 4.5 等编程智能体的出现，开发者们发现他们可以将日常工作中的绝大部分卸载给编程智能体，不只是像 Cursor 那样的"按Tab键自动补全"，而是真正地把大量工作交给 Claude Code、Cognition 或其他类似产品中的编程智能体去完成。
我们的核心论断是：我们在编程领域看到的，将会在大多数白领岗位上重演，最终可能也会发生在大多数蓝领岗位上。普通白领将通过智能体和 AI 自动化，大量自动化日常工作中那些机械重复的部分。
这正是 Gumloop 所提供的。它是一个面向企业的平台，组织内的每一位员工都可以使用——不只是开发者，不只是销售人员，不只是市场人员，而是每一位员工——都可以创建、迭代和协作构建自动化流程，既包括像当年 Zapier 那样的简单自动化，也包括完整的 AI 智能体。这些智能体可以跨部门使用，可以通过在 Slack 或 Microsoft Teams 中与它们对话来触发，也可以在后台自动运行，无需任何人手动触发。
当然，市面上已经有，而且还会出现很多优秀的产品，比如 Claude for Work，以及 OpenAI 将 Codex 和 ChatGPT 合并为一款生产力产品的相关消息——它们在这个大类别中也将拥有庞大的业务。
但我们认为，独立的第三方厂商的存在极为重要，原因有两点：
第一，各大模型实际上是参差不齐的——在任何特定时间点，不同模型各有所长。比如 Gemini 是目前最好的多模态模型；Claude 通常拥有最好的编程模型，尽管现在很多人认为 GPT-4.5 在编程方面实际上已经超过了最新的 Opus 模型；而开源模型在推理成本方面通常具有极高的性价比。所以，不同任务有不同的最优模型，你确实需要一个真正站在客户立场的独立第三方厂商，而不是一味推荐自家产品。
比如在某些企业里，你会看到员工用 Opus 4.8 去查天气——这显然是一种浪费，而独立厂商的价值就在于帮客户避免这种情况。
第9章：没有人在解决的"Token 超支"问题Molly O'Shea：我知道。嗯，我已经和几家公司谈过这个问题了——就是说，你怎么控制 token 上的花费，还有那些关于"token 超支"的争论之类的事情。因为你知道，当我在用 Claude 或者其他什么工具提问的时候，通常那个问题都挺蠢的……【笑声】……就是个小改动，我自己进去改一下就行了。但是，你看，这个工具实在太好用了，所以我还是想用它来搞定这个小改动。但是，如果你把这个行为放大到大量内容上，或者说……
Ev Randle：还有成千上万的员工……
Molly O'Shea：对，成千上万的员工，那账单显然会累积得非常庞大，同时也成为某些公司非常可观的收入来源。
Ev Randle：没错。我就像在用 Opus 4 问自己午饭吃什么，你懂吗？这大概……这大概不是我们推理预算最好的用法。
第10章：Ev 的"妈妈测试"——用于评估前沿 AIMolly O'Shea：但这挺有意思的。我知道你们是 Lora 的投资人。我上周去了 Harvey，他们也在谈同样的事情。感觉有点像以前发短信的时代——你是按条收费的。
Ev Randle：对，没错。
Molly O'Shea：而现在，这件事正在我们的聊天机器人里、在各种不同的提示词里发生。你怎么看这个商业模式的走向？你觉得它会变得更高效吗？
Ev Randle：对，我觉得这取决于两件不同的事情。我有一个东西，我称之为……其实外面也有很多"妈妈测试"，这个说法可能已经被注册商标了，我也不确定——
Molly O'Shea："妈妈测试"？
Ev Randle：对，我个人的 AI"妈妈测试"是这样的——当然，不是每个妈妈都这样——我妈妈住在科罗拉多州一个偏远的郊区小镇，她不算 AI 原住民，比如说，她甚至不知道怎么重置 iPhone 密码，不是那种特别懂科技的人。
所以我一直问自己的问题是：对于我妈妈来说，她需要从 AI 那里得到的东西，有多少是一个非常非常非常低成本的开源模型做不到的？
两年前我开始问这个问题的时候，答案还有些模糊，"嗯，也许有一些吧。"现在答案是：100%——我妈妈对 AI 产品的所有需求，根本不需要用前沿模型，甚至不需要接近前沿的模型。
然后你可以开始往外延伸：那高中生呢？那某类职业人士呢？根据你的使用场景、你是谁、你想从 AI 那里得到什么，你可能需要前沿模型，也可能不需要。
就目前市场来看，人们愿意为获取前沿智能支付巨大溢价，这一点到今天依然成立。但与此同时，经济活动中有越来越多的任务——包括在企业内部——根本不需要前沿模型，很多时候甚至不需要任何接近前沿的东西。
Cognition 也发表过相关研究，他们对一个开源模型做了后训练，专门针对他们在 Cognition 内部观察到的那些任务复杂度低、不需要前沿智能，但却极其频繁发生的任务。结果发现，人们可能只是习惯性地用前沿模型来做这些事，而实际上，如果把这些任务从前沿模型上剥离出来，你能节省大概 95% 的成本——因为这是一个非常简单的、有明确边界的任务，根本不需要前沿智能。
所以我认为，随着模型越来越好，不需要前沿模型的查询或操作所占的比例正在持续增长。
当然，话说回来，对前沿智能的需求也在增长。比如，真正高质量的编程模型，直到 Opus 4、直到去年冬天才出现——这就是为什么你看到 Anthropic 的收入和 Claude Code 的使用量都呈抛物线式增长，因为这是一次真正的突破。所以并不是说前沿智能的需求没有增长，愿意为此付溢价的意愿没有增长——只是同时也存在大量的"非前沿任务"，这部分的需求也在飞速增长。
我的合伙人 Eric Vishria 发过一条很棒的推文，很多人试图把这件事搞成非此即彼的零和游戏——"到底是开源会赢，还是 Anthropic 和 OpenAI 会赢？"他列举了一大堆，但核心意思是：设备端推理？会有。开源推理？会有。专有模型？也会有。看起来所有这些东西都有巨大的需求，而且都在呈抛物线增长。
所以这至少目前还不是一个零和游戏——不是说要么全部是开源，要么全部是三大前沿厂商的前沿模型。事实证明，所有这些都有用武之地，而且都在非常非常快速地增长。
第11章：当前沿模型变得极度廉价时会发生什么Molly O'Shea：那我想在这个问题上再深入追问一下。就像你之前说的，今年早些时候乃至今天，OpenAI 的营收高得惊人。Anthropic 上次传出的估值大约在 450 亿美元左右，现在人们猜测已经涨到 600 亿了。两家公司都在谋求上市，路径跟 SpaceX 和 xAI 类似。那么，一旦这些模型变得越来越高效、成本越来越低，你觉得会发生什么？你认为这种规模扩张还会持续吗？你怎么看？
Ev Randle：是的，这个……这真是一个价值万亿美元的问题（笑），甚至是数万亿美元的问题——如果你把 SpaceX、xAI、OpenAI 和 Anthropic 全都算进去的话。
我觉得答案很大程度上取决于接下来这 12 年乃至更长时间会呈现出什么样的面貌。我的意思是：你是否相信我们正走在一条"递归自我改进"的道路上，走向那种"数据中心里关着一堆天才"的未来？
如果真的出现了"数据中心里的一堆天才"这种局面，也就是说前沿能力真的达到那种高度，那么前沿实验室确实很可能拥有强大的定价权，能够持续增长、持续变现，甚至实现增长再加速。
反过来，如果在某个时间点，模型能力实际上碰到了绝对天花板，而蒸馏技术又像过去一样持续推进，开源模型能达到能力上限的 95%——那对前沿实验室来说就是一个非常可怕的处境。
不过我也不认为这会是"致命一击"，因为就像……大多数 ChatGPT 的用户，不管里面跑的是不是 GPT 模型，他们照样会用——他们喜欢的是这个产品。大多数人甚至根本不知道里面用的是什么模型。在我们旧金山这个小圈子里，大家可能会知道，但那 9 亿周活跃用户里的绝大多数，完全不知道什么是 GPT-5.5，完全不知道。就算你悄悄把模型换成别的什么，他们也分辨不出来。
所以我觉得，那种局面不会"杀死"他们，因为人们喜欢这些产品，OpenAI 也好，Anthropic 也好，都在自家模型之上做出了非常出色的产品。
但那将会是一种截然不同的处境，因为开源会对他们的定价能力产生更大的压制，让他们更难对所生产的 token 收取溢价。
当然，开源推理也是要花钱的，开源不等于免费。还是得有人跑 GPU，还是得有人建数据中心，还是得有人运营数据中心。
关键更多在于：前沿实验室究竟能创造出多少溢价空间。
我认为，在我们真正搞清楚"递归自我改进"是否真的实现之前，这个问题不会有答案——到那时，数据中心里究竟是"一群天才"还是"某种神灵"，随便你怎么叫，届时我们要操心的会是完全不同的问题。
而如果在未来几年内，能力确实在某个时间点触顶，蒸馏又继续推进，那对前沿模型公司而言，想要维持溢价利润率就会变得难上加难。
第12章：新融资剧本的内幕Molly O'Shea：考虑到这个行业的规模和发展速度，另一个常见问题是：我们如何为此融资？目前存在不同类型的融资方式。我的意思是，我们现在就坐在General Catalyst对面，他们有自己的CDF基金，还有人在追逐代币债务融资，试图找到合适的组合方式。但这一切背后有一股暗流——公司融资的速度比以往任何时候都要快。在我们之前的交流中，有一个问题是：我们要不要谈谈泡沫？我觉得泡沫本身并不是最有趣的话题。我更感兴趣的是：当下最大的隐忧是什么？因为透过种种表象去看本质，就像我们都心知肚明——当公司开始脱轨的时候，迹象其实早就有了。
而且，当一家公司在某种程度上被过度融资时，情况就会变得很奇怪。但与此同时，也有一些"孤注一掷"的公司，它们的表现远超你的预期，于是又完成了一轮融资，六个月后又是一轮，就这样不断积累越来越多的资本。好，说到这里——融资生态系统已经发生了根本性的变化，原来的那套剧本已经彻底过时了。那么对于像Benchmark这样专注于早期阶段的公司，你们如何在早期捕捉价值并持续发展？
Ev Randle：是的，是的，是的。我觉得这是我们内部经常讨论的话题。因为你说得对，即便是融资市场本身——我觉得大家都在谈论融资市场的变化，以及风险投资和成长期资产类别的变化。大家谈论最多的趋势，就是公司保持私有状态的时间越来越长。这已经是一个主流趋势了。你知道，随便举个公司名字——当然，有些公司现在确实在上市，比如SpaceX。但在此之前，大家都说"SpaceX永远不会上市"，"Stripe永远不会上市"，"Databricks永远不会上市"……如果现在是2005年，这些公司早就已经上市好几年了。但现在，通过这些风险成长型平台，私募市场有太多资本可以供应，所以这些公司就几乎无限期地保持私有状态。
我认为最近发生的一个更新的变化，正如你所提到的——AI是如此与众不同，因为根据你想做的事情，往往从第一天起就需要巨额成本。比如，如果你想创建一个类似Neolab的机构，有某个令人难以置信的研究方向想要追求，但你需要20亿美元的算力才能验证它是否可行——这和Airbnb在YC种子轮融资50万美元、验证产品市场契合度，是完全不同的方程式和融资逻辑，是一个完全不同的资本市场。
另外，我认为你现在看到的是——正因为公司保持私有状态的时间更长，也出现了一些疯狂的情况，那就是一家公司往往会经历某种"重生"。通常人们的认知是：早期阶段风险高，但资金倍数也高；晚期阶段风险低，但可能只有2到3倍的回报。但疯狂之处在于，由于AI等领域的市场规模如此庞大，而这些公司又保持私有状态的时间更长，你实际上会遇到这样的情况：一家晚期公司的上行空间，可能远远超过一家C轮公司。这非常奇怪，真的很奇怪。
我在Kleiner Perkins时的第一笔投资是SpaceX，当时估值超过1000亿美元。我和同行朋友们当时都在想：天哪，你是在追求2.5倍的回报吗？以三位数十亿美元的估值入场，还能有多少上行空间？但事后证明，对SpaceX来说真正发生的是——它有一个叫Starlink的业务，在那之前几年就已经起步，并开始真正规模化，那就像是公司的一次重生。如果你今天看它的损益表和招股说明书，绝大部分业务是面向消费者和B2B的宽带业务（通过Starlink），而不是发射业务。
所以我认为，我们一直在思考和应对的两件事是：
第一，当一些AI企业的早期生命周期需要密集得多的资本投入时，我们如何继续成为最优秀的风险投资公司，在创业者旅程的早期与他们携手同行，成为他们最重要的伙伴；
第二，当这些企业在更晚的阶段才真正经历变革性时刻时——感觉明明已经走了15年，却好像只完成了旅程的1%——我们该怎么办。
我没有一个完美的答案。我认为我们在做的事情上极为灵活。我们不说只做种子轮，也不说只做A轮。我们的原则是：当我们认为能够为LP带来惊人回报、并且能够成为创业者最重要的伙伴时，我们就与世界上最优秀的创业者合作。这是我们思考问题的框架。我认为，我们在AI领域和整个资本市场所看到的趋势，确实拓宽了我们的思路——关于什么样的融资轮次、什么样的情境，适合像Benchmark这样的公司。
第13章：风险投资变成了一种产品，而非一家公司Molly O'Shea：现在确实也出现了很多新型融资工具，比如私人信贷已经在很大程度上填补了银行退出后留下的空白，各种不同类型的融资方式也不断涌现。那么，在另类资产这个大框架下，风险投资究竟发生了哪些变化？它所扮演的角色又有什么不同？
Ev Randle：是的，我觉得……我认为这正是人们在讨论这些问题时容易陷入困境的地方——这些机构可以彻底改变自身的性质，但我们依然还是用"风险投资"这个词来称呼它们。所以每当我写博客文章之类的东西时，我都会用"风险成长型"这个说法，因为我觉得"风险投资"指的是一种非常特定的东西。甚至当我在讨论像Databricks这样的公司时，我也会说这应该用一个不同的名称来称呼，所以我会叫它"风险成长型"，这是一种表达方式。
但我认为，现在很多这类机构已经变成了另类资产管理公司，这就是它们的本质——它们旗下有风险投资产品，但它们本身并不是风险投资公司。这么说并不是因为我觉得它们不好。我认为这些机构中有很多都非常优秀。但像General Catalyst和Andreessen Horowitz，它们就是另类资产管理公司，因为它们旗下有太多不同的产品线。
你想想看，像Iconiq这样的机构——Iconiq有非常出色的成长期风险投资业务，但它最初其实是做高净值人群财富管理起家的，这和单纯的风险投资公司是完全不同的两回事。
所以我认为，随着这些机构不断演变，整个行业在一件事上做得并不好，那就是与时俱进地更新我们的术语体系，更新我们谈论这些事物的方式。所以说，是的，General Catalyst仍然有风险投资产品，同时也有成长期投资产品、债务融资产品、健康保险产品，还有财富管理产品——因为它就是一家另类资产管理公司。
所以我认为，风险投资本身在很多方面并没有改变，但对于许多机构来说，它现在只是一个产品，而不再是这些机构本身的定义。
第14章：华尔街有史以来最大的IPO浪潮Molly O'Shea：我们在整个对话中确实多次提到过这个话题，但我真的很好奇听听你的看法。
公开市场正在迎来史上规模最大的IPO潮，而且这一切显然都将在今年发生。那么，你认为市场将如何消化这一切？它能被顺利吸收吗？会不会产生某种"余震"？这最终又将如何影响这个资产类别？
Ev Randle：是的，我觉得会从几个方面产生影响。首先，我做了一个分析——一个非常粗略的分析，起因是我只是随手拿了一个例子：Anthropic。在那轮3800亿美元估值的融资完成之后，我心想，天哪，我知道这比我们在成长期融资中见过的任何案例都要大得多。而且我也意识到，我们目前并没有充分讨论这件事——它到底有多么与众不同。
于是我做了这个分析：我大致梳理了过去十年的数据，挑出了过去十年里四笔最出色的Pre-IPO投资——标准是融资规模大，同时投资人回报也很丰厚。我选的是 Slack、DoorDash、Snowflake 和 Nubank。
在那些轮次中，Pre-IPO轮的融资总规模通常在5亿到20亿美元之间，投资人在四年周期内的回报大约是2到5倍。大家皆大欢喜，对所有参与方来说都是很好的结果。
以Snowflake的Pre-IPO轮为例，四年下来，大约5亿美元变成了约25亿美元——当你仔细想想，这已经是非常惊人的成绩了。
但再看Anthropic这笔3800亿美元估值的融资：如果Anthropic上市时的估值达到1.5万亿美元——他们刚刚以接近1万亿美元的估值完成融资，我认为大多数人不会觉得1.5万亿是什么特别激进的预测，很多人的估计甚至会更高——那么这笔融资（即以3800亿估值融入的300亿美元）所产生的毛回报，将是Snowflake Pre-IPO轮的35倍。也就是说，一笔融资顶35个Snowflake Pre-IPO轮
我有一些朋友，我认识好几个人，他们在Anthropic上单笔投入了30到40亿美元，这已经很难用语言描述了。这些数字大到令人难以理解，因为就在五年前，一只成长期基金的规模也不过10亿美元左右。
Molly O'Shea：是的。
Ev Randle：在新冠疫情把各类成长基金规模都推高之前，一只普通的成长基金大概就是10亿美元的体量。而现在，有人在单一一家公司上投入了40亿美元，而且他们可能在不到5年的时间里，在这40亿上实现五倍回报。这简直难以置信。
至少SpaceX花了20多年，才让所有人都富起来，把这些财富注入整个生态系统。但我真的不知道，人们是否真正理解并做好了准备，去迎接如此巨量的流动性对整个生态系统可能产生的冲击。
我认为，目前唯一一个人们已经明确预见到、并且已经开始感受到的地方，是旧金山的房地产市场
Molly O'Shea：我的天哪。
Ev Randle：那里现在的情况是，几乎所有房子都以要价两倍的价格成交，而且全是全现金付款，或者用股权、用AI实验室的股权来支付。
但我认为，连锁反应远不止于此：那些员工接下来会做什么？他们会投资什么？他们会支持哪些事业或公司？他们会去创业吗？还是留在这些实验室？这将是一场冲击，它将影响生活的方方面面——既包括硅谷的现实生活，也包括整个生态系统中员工、投资人和创始人的人生轨迹。
Molly O'Shea：绝对是这样。我已经和 Michelle Delono 录了两期节目——正如你提到的，Andreessen Horowitz 有多元化的业务线，他负责管理 Marc 和 Ben 以及核心合伙人的多家族办公室，也就是他们的财富管理部门。每次和他交谈，我都会问这个问题，因为由于这一切事情同时发生，即将到来的财富事件将是有史以来规模最大的财富创造时刻
我们已经探讨了其中几个问题，我现在显然不会再重复一遍，但最核心的问题之一是：当你90%的净资产——按目前这个势头，可能远不止90%——都集中在一个仓位上，你该怎么办？
Ev Randle：对，没错。
Molly O'Shea：他对此有一些非常精彩的解答。
第15章：Benchmark 疯狂多元化押注背后的秘密Molly O'Shea：好的，在我们收尾之前，我还有几个问题。我在调研你们的时候，有一件事让我特别感兴趣，就是你们的投资组合有多么多元化，尤其是在 AI 领域的布局。比如你们投了 StarCloud——一家轨道数据中心公司，还被列在了 SpaceX 的 S-1 文件里。然后还有 Cerebras，刚刚上市了。Sierra、Langchain、我们聊过一点的 Fireworks、Vanis……
Ev Randle：Vanis。
Molly O'Shea：Merkore，对。
Ev Randle：对，Merkore。有意思。
Molly O'Shea：我刚听了他和 Harry Stebbings 的播客，在那次数据风波之后，他说了很多正面的事情，我真的挺惊讶的。他把很多事情都澄清了。说真的，为他高兴。还有 HeyGen、我们聊过的 Gum Loop，还有 Exa。所以，面对这样一个混合组合，而且你们又是集中投资策略——你们是怎么构建出这样一个投资组合的？这些公司都非常成熟，发展都很好。我想问的是，这里面的魔法是什么？这和你们公司之间的关联是什么？
Ev Randle：我想说……在我加入 Benchmark 之前，我当时的感觉是：哇，他们在主题布局上做得太厉害了。比如他们有 Lagora 这个垂直 AI 领域的赢家，有 Sierra 这个水平 AI 领域的赢家，有 Lora 作为数据基础设施的布局，有 Langchain 作为开发者工具的布局，有 HeyGen 作为消费者端的布局……你可以一直数下去。还有 StarCloud 覆盖数据中心领域。
然后我加入进来，才意识到——哦，原来根本没有人想过"我们要进入某某赛道"这件事。这完完全全就是我们之前聊到的那个逻辑——一切都是从创始人出发的。都是基于创始人来做决定的。当然，他们投资的想法本身也要打动人，但完全没有人去想"这个赛道会很大"。唯一的出发点就是：这是一位了不起的创业者，他们会把全部精力投入到一个让我们信服的、真正有意思的方向上去。
甚至在某些案例里，这些公司后来还做了转型。所以我们根本不可能预先聪明到知道这些公司会进入什么大赛道——因为我们投资的时候，它们还不在那些赛道里。
我认为这正是 Benchmark 的核心优势所在：我们不投赛道，我们投人。
当 Chaan 投资 StarCloud 的时候，那是在 Elon 开始公开大力鼓吹轨道数据中心的几周之前就已经完成了交割。
Molly O'Shea：你们开完合伙人会议，然后就看到这个……哇。
Ev Randle：我们当时确实——我忘了 Elon 是在哪个平台上，但他接受了一个很长的采访，差不多有一半的内容都在讲轨道数据中心。我们就开始在群聊里互相转发，说："哦天哪，这个领域要火了。"[笑声]
这真的很讽刺，因为关于轨道数据中心到底是不是未来、到底能不能真正落地，本来就有很激烈的争论。我们在讨论这笔投资的时候，两面的观点当然都分析过。但这笔投资的核心是人。是 Philip 和他搭建的团队。当时他们已经有一块 GPU 在太空中正常运行了——他们是全球唯一一家在太空中有 GPU 的公司。所以我们已经看到了一些实实在在的牵引力，但最终的决策还是基于人。
当你的策略聚焦在人身上，伟大的创业者永远不会过时。他们总能变出新花样，他们天然地被那些真正巨大的赛道所吸引，而且往往最终会成为那些赛道的开拓者。
第16章：塑造他的导师们Molly O'Shea：好的，太棒了。在我们结束之前，我必须问一下我们的Brex问题。呃，Brex的核心是关于"绩效表现"——如果你还不知道的话，现在你知道了——更聪明地消费，更快速地行动。但我认为，有一个关于绩效表现的要素非常重要，那就是你身边围绕着什么样的人。你在这么多传奇基金工作过，一次又一次地与顶尖投资人共事。但我非常好奇，从你的角度来看，谁算是你的导师？在你不断成长和进化的职业生涯中，谁是你心中的精神引路人？
Ev Randle：是的，我……我每天早上醒来都会掐自己一下，因为我真的太幸运了。正如你所说，我有幸与许多定义了风险投资和成长期投资历史的人共事。他们不仅在工作上极其出色，而且几乎每一个人都是非常好的人。我觉得我从每一个人身上都学到了不同的东西。
比如说，Napoleon Ta，他是Founders Fund的普通合伙人（GP），负责主导该基金的成长期投资业务。我从他身上学到了大量关于投资的知识，但我从Napoleon身上学到的最重要的东西，是他对家庭与工作的专注态度。他的生活非常简单——他不上播客，不搞人脉社交，也不花大量时间与其他投资人交往。他就是去上班，非常非常努力地工作，然后把时间留给家人。这种生活简单而美好。他热爱与家人共度时光，也热爱与Founders Fund的团队一起工作。这让我意识到：哇，这帮助我重新思考如何分配时间，以及如何看待生命中真正重要的事情
另一个人，是我现在非常钦佩的——Eric Vishria。我觉得他是Benchmark内部一个了不起的榜样和领导者。今年他在Midas榜单上排名第三，从他的投资成绩来看，他绝对是顶尖中的顶尖，可以说是风险投资界的"拉什莫尔山"级别的人物。但当你和他相处一两个小时，或者更长时间，你会发现他是一个极其善良、勤奋、完全正常的人。他显然聪明绝顶，但他几乎毫不张扬——他不试图向你证明什么，不试图让你感到渺小，也不试图让你觉得他是房间里最聪明的人。他就是非常努力地工作，非常聪明地工作。他在与创业者、合伙人的交流和合作中，始终带着一种善意和平和的气质，这激励着我，让我想要做得更好。
这让我明白：把这份工作做到极致，其实并没有什么神奇的炼金术。如果你努力工作，知道自己前进的方向，成为创业者的优秀伙伴，全力为他们付出——这本身就是这份工作的全部意义所在。只要做到这些，再加上职业生涯中一些幸运的机遇，你最终就有可能成为有史以来最优秀的风险投资人之一
这两个人是我最先想到的，主要是因为他们教会了我更多工作之外的人生道理，而不仅仅是日常工作层面的技巧。但我与每一位共事过的人都深感幸运，因为他们都教会了我太多太多。
Molly O'Shea：太棒了。你知道，这个回答比那些典型的成长期投资人选择"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，我从来没有机会与查理·芒格共进晚餐。要不然，我的答案可能就是查理了。
哇，太精彩了。这是一个完美的结尾。非常感谢你，我们聊了这么多关于AI的话题，真的非常开心——谁知道我们说的哪些会真的发生呢。
Ev Randle：没错，这才是最有意思的地方。一年后我们回头来看，我可能在所有事情上都说错了。
Molly O'Shea："什么是智能体（Agent）？"我现在都不知道了，到时候肯定又有新名词出现。好了，非常感谢你，Ev！
Ev Randle：谢谢你，Molly，非常愉快！