a16z 基础设施投资经理 Martin Casado 40分钟高价值访谈：AI 是第一个你可以投入 10 美元就能可靠地获得回报的技术

核心命题：资本第一次有了可测量回报

AI 的经济突破，不是让资本自动变成利润，而是让资本第一次能较可靠地变成可观察的技术产出。

这带来四个连续后果：

1. 模型训练、推理、强化学习环境和 Token 补贴，让巨额资本有了明确去处。
2. 资金雄厚的模型实验室因此获得前所未有的规模优势，但融资条件与 GPU 稀缺也在放大这种优势。
3. 智能一旦可以被持续生产，就会出现新的交易层和工作流入口；OpenRouter 与 Cursor 分别控制其中一段路径。
4. 可购买的执行能力越多，正确选择问题、理解客户和建立产品循环反而越稀缺。

所以，这不是一篇“有钱就能赢”的文章。它讨论的是资本从彩票变成自动售货机之后，产业结构、增长方式和投资判断会怎样变化。

一、AI 创业到底应该年轻辍学，还是读完博士？

访谈先从一个看似与资本无关的问题开始：Cursor 一类公司的创始人二十岁左右就离开学校，而 Martin 读完计算机博士、接近三十岁才创业，哪条路更适合 AI？

他的答案是两条路都成立。高等教育一边受到质疑，一边又因为 AI 的研究深度变得前所未有地相关。今天既有二十出头的实验室创始人，也有 Jeff Dean、Oriol Vinyals 这样拥有数十年经验的研究者；博士创业者也比过去更常见。

真正值得解读的不是“学历有没有用”，而是 AI 把创业机会分成了两种节奏。

• 产品型机会需要贴近用户、快速试错、把现有模型能力装进真实工作流。年轻创始人的时间、速度和不受既有做法束缚，可能成为优势。
• 深研究型机会需要理解算法、训练系统、模型架构和基础设施。多年积累不是装饰，而是进入问题的门票。

资本可以购买 GPU，也可以购买标注和强化学习环境，却不能替创始人决定该解决什么问题。钱越容易转化为执行，方向判断越会成为瓶颈。这也是为什么“年轻还是博士”没有统一答案：两者对应的不是身份，而是不同问题所需要的判断资产。

二、AI 为什么改变了资本运作方式？

这是整场访谈真正的主轴。

1. 以前，钱先变成组织复杂度

十年前，如果一家软件公司突然获得十亿美元，常见做法是招聘工程师、扩大办公室、增加项目和管理层。问题是软件工程不能靠人数线性加速。

布鲁克斯定律解释了这种反直觉结果：给延期的软件项目继续加人，沟通和协调的新增成本可能大于新增产出。融资越多，燃烧速度越快，路线图越分散，产品却不一定更早出现。

这就是 Martin 所说的旧式“10 美元彩票”。把两条资本路径放在一起看，差异不在“有没有花钱”，而在钱最先被什么吸收，以及多久能看见可测量结果。

资本当然重要，但资本和产出之间隔着一台难以预测的人类组织机器。

2. 现在，钱可以直接购买计算

AI 新增了一条更短的路径。资金可以进入：

• GPU、数据中心和电力；
• 预训练、后训练与推理；
• 强化学习环境和合成数据；
• 专家回答、人工反馈和数据标注；
• 免费额度与 Token 补贴。

Martin 举出的尺度很极端：一个广泛使用的多模态模型，核心团队可能只有约 20 人，训练成本却超过 20 亿美元。过去很难想象 20 人能在短期内有效部署 20 亿美元；训练模型却真的能让绝大多数资金进入计算，而不是进入组织层级。

这就是“自动售货机”的含义：投入资本之后，很快能看到训练运行了多少、Token 被调用了多少、用户使用了多少，以及某项能力是否改善。

3. 可以买到产出，不等于可以买到利润

Martin 用“让模型擅长 X”解释资本如何变成能力：公司可以创建关于 X 的强化学习环境，或者付钱请人回答 X 的问题。训练完成后，模型在 X 上通常会得到某种改善。

但这种改善可能伴随别处退化。模型会出现能力锯齿、迁移和回归问题。更重要的是，技术产出能否变成客户愿意持续付费的结果，仍然未知。

所以“投入 10 美元并可靠获得回报”需要拆成两层：

• 第一层已经发生：10 美元可以较可靠地换来计算、使用量或定向能力。
• 第二层尚未保证：这些产出能否带来 9 美元、10 美元或更多现金回报。

AI 缩短的是资本到产出的链路，没有取消产出到利润的商业考验。

4. 更大胆的判断：资本可能反过来扩大市场

Martin 不只认为 AI 能消化更多资本。他还提出一个更有争议的因果方向：私人市场里的钱越多，公司就越不急于上市，也能在私募阶段完成更多建设；由此形成的公司和能力会反过来扩大可投资市场，也就是 TAM。

通常的说法是“AI 浪潮需要更多钱”。他的说法更进一步：更多私人资本本身也可能让 AI 市场变大。

这不等于资金永远不会过剩。它说明传统风险投资的零和框架正在失效：过去人们认为优质创业公司太少，行业无法容纳大额资本；现在至少在训练和推理密集的 AI 领域，资本不再只能排队争抢少数席位，它可以直接参与生产新的能力和需求。

5. 技术信念往往早于可见回报

Martin 用 a16z 自己的经历说明这种变化并不是 GPT 发布后才突然被发现。他回忆，在 OpenAI 还像一项实验时，团队已经讨论是否应该全面押注 AI，时间大约比 GPT 真正显示商业影响早七年。此后基金参与了 OpenAI、ElevenLabs、Cursor、Ideogram、BFL 和 Mistral 等不同波次的公司。

这段自述当然带有投资机构回顾成功历史的立场，不能单独证明判断能力。但它补出了资本逻辑的时间差：技术投资必须先形成信念，很多年后才可能看到地面收益；AI 今天的新变化，是项目一旦进入训练和使用阶段，资本到产出的反馈速度明显变快了。

三、大型模型实验室会不会吞掉一切？

如果钱能直接变成模型能力，最容易推出的结论是：融资最多的实验室最终会赢得一切。Martin 没有轻易否定这个判断，而是先把它推到最强版本。

支持“模型实验室通吃”的理由

第一，已经发生的收入高度集中。Martin 在访谈中称，头部实验室按收入掌握约 95% 的模型市场。

第二，资本尺度极端不对称。他估算 OpenAI 与 Anthropic 合计融资约 2200 亿至 2400 亿美元，甚至超过整个下游生态的融资总和。数字是他在访谈中的约数，但它揭示了规模差：实验室不只是技术领先，还拥有其他层级难以匹敌的购买能力。

第三，前沿模型只需领先一点点，就可能获得巨大定价权。这里的关键不是假设成功率从某个比例提高到另一个比例，而是竞争场景会把微小性能差异放大成价格与流量差异。

第四，头部实验室控制稀缺 GPU 供给。供应不足时，能批量采购算力本身就是护城河。

第五，AI 研发正在出现自催化效应。Martin 刻意不用“递归式自我改进”：递归意味着系统完整复制和改写自己；自催化只是使用现有 AI 加速 GPU 内核、训练代码、评测或芯片设计。它不神秘，却足以让拥有最好模型的团队更快建设下一代模型。

反对“模型实验室通吃”的理由

通吃论的问题，是把当前由融资和供给共同塑造的领先，当成永久产业结构。

模型目前最成熟的区域集中在编程、语言和推理。医疗、金融、制造、法律等领域还需要客户关系、行业知识、实施团队、合规和现有系统连接。一个实验室很难亲自覆盖所有工作流。

开源和长尾模型也不会消失。很多任务不需要最昂贵的前沿能力，更在意成本、延迟、本地部署、隐私或专业化表现。围绕开放模型的推理和服务生态会继续成熟。

更关键的是，实验室当前的领先部分来自异常便宜的资本和稀缺供给。若估值回归、融资需要正常回报，或者 GPU 不再短缺，实验室就不能无限补贴 API 与订阅。

Martin 因此给出一组明确标为“完全猜测”的预测：GPU 供给限制可能在 2028 年左右缓解；未来头部实验室按收入可能占约 80%，开放与长尾模型按 Token 使用量可能占约 60%。

这不是一个数学模型，而是一幅产业结构草图：最贵、最前沿的能力可以拿走大部分收入，大量便宜、专业化调用则可以分散到长尾。模型实验室会非常大，但“大”不等于把其他层压成零。

四、OpenRouter 为什么是重要案例？

OpenRouter 的意义不在于它会神奇地替每个问题选出最聪明的模型。Martin 甚至认为这部分能力目前被高估了。

它更确定的价值来自市场位置：

• 对开发者，它提供统一接入、模型发现、使用分析和计费入口。
• 对模型供应商，它聚合持续存在的开发者需求，尤其能帮助新模型和长尾模型获得流量。
• 对整个生态，它位于经由自身平台发起的 Token 请求路径上，能观察供需、价格和使用变化。

这是一种典型的双边市场。一侧模型越多，另一侧开发者越愿意来；开发者越多，新模型越有动力接入。OpenRouter 还能对供应商说：“新模型上线后，我已经有需求可以带给你。”

Stripe 与 OpenRouter 的组合因此不只是支付公司买了一个 AI API。两家公司都把世界理解为市场：Stripe 处理货币价值的交换，OpenRouter 处理 Token 与模型能力的交换。当智能开始像可计量商品一样流动，控制交换层本身就可能成为战略资产。

这也解释了 Martin 所谓的“控制点”：公司不一定制造底层商品，却能控制发现、连接、交易和分发发生在哪里。

五、“智能模型路由”没有听上去那么简单

模型路由至少包含三种不同难度的问题，不能混成一句“自动选择最佳模型”。

第一种是成本优化。在质量不跌破底线的前提下，把任务送给更便宜的模型。Martin 认为，应用公司今天获得的主要收益就在这里：维持质量，同时降低 Token 成本。

第二种是专业化匹配。不同模型的能力呈锯齿状，有的更擅长代码，有的更擅长前端、三维或语言。识别这些稳定差异并做任务分配是可行方向。

第三种是完美质量路由：面对一个新问题，事先判断哪个模型会给出全世界最好的答案。这几乎要求路由器先理解问题、知道答案并能评估所有候选输出。Martin 因而称它接近“AI 完备”问题。

即使算法足够好，现实世界还有粘性。企业已经购买模型额度，完成采购、安全审核和工程接入，不会因为榜单变化就不断切换。价格又是动态且常被补贴的；新一代前沿模型还可能直接占据成本—质量 Pareto 前沿，让复杂路由暂时失去意义。

因此，OpenRouter 的确定价值是聚合市场和控制入口；完美智能路由是可能的上行空间，不能反过来当作今天估值的唯一依据。

六、AI 正在把市场营销变成财务问题

传统营销像工程一样充满延迟和模糊性。公司投一美元做活动、内容或品牌，无法立刻知道会产生多少合格线索，更不知道多少线索会变成收入。

AI 产品却拥有近乎无限的 Token 需求。公司送出一美元计算额度，用户几乎立刻开始使用。补贴多少、使用多少、推理成本多少，都可以进入同一张表。

这把过去偏“艺术”的获客决策变成了董事会层面的财务旋钮：

• 想扩大漏斗，就提高免费额度并接受更低毛利。
• 想收回利润，就降低额度、提高价格或限制使用。
• 消费者计划可以被补贴，因为真正的利润往往来自企业客户。

但这个旋钮不是无损的。Martin 说，真正让订阅计划亏钱的常是最重度的约 5% 用户，平台因此持续修改账号共享和使用条款。

转录里还有一个被上一版压掉的具体案例：中国出现了专门套利 200 美元订阅计划的运营团队。他们在三天内耗尽 Token，取消订阅并按剩余 27 天申请比例退款，再把获得的模型服务以约 20 美元转卖。平台和套利者由此进入持续的猫鼠游戏。

这个案例不是猎奇边角料，它揭示了 Token 补贴的本质：当计算额度同时是产品、营销预算和可转售资产，定价、风控和增长就不再是三个部门各自的问题。

所以 Martin 说“新的 CMO 正在变成 CFO”。工程也在发生类似变化：过去争论如何组织团队和项目，现在很多讨论会被压缩成一句话——能不能融到购买 GPU 的钱？

钱与创新、增长和需求之间，从未像现在这样接近。

七、Cursor 为什么能高速增长？

如果资本可以直接购买算力，为什么不是每个有钱的 AI 公司都能成为 Cursor？因为资本只解决“能做多少”，不解决“该做什么”和“怎样形成学习循环”。

Martin 称 Cursor 是他十年投资、二十年硅谷经历中见过增长最快的公司之一，也是 Elon 体系之外迭代最快的工程团队。他还认为，其约 600 亿美元的独立私募价值并不只是 SpaceX 协同产生的；他称当时存在不能公开的市场证明，但没有提供可独立核查的细节，因此这部分只能保留为他的判断。

Cursor 的组织选择比融资数字更有解释力。

1. 它把问题定义成产品，而不是模型架构

很多 AI 团队把研究视为唯一重要工作。Cursor 始终盯着“如何改变程序员写软件”，模型只是完成产品目标的手段。研究与产品都重要，但生命周期、文化和人才结构不同；混在一起反而可能拖慢两者。

2. 创始人把 30%～40% 的时间花在招聘和文化

这是 Martin 的估计，不是公司披露。它说明高速迭代并不等于忽略组织建设，而是创始人把组织设计当成产品速度的一部分。

3. 团队自己就是用户

Cursor 员工都是开发者，会为自己构建内部工具、亲自使用、立即发现问题，再把有效功能变成正式产品。反馈不需要经过漫长的市场研究才能回到工程团队。

4. SpaceX 补上的是算力与规模，不是产品方向

按照访谈与官方材料的协同逻辑，Cursor 带来编程工作流、用户和使用数据；SpaceX 带来算力、基础设施、工程资源和资本能力。双方还共享强工程文化，并相信代码与通用计算机使用是通向更广泛智能的重要路径。

这套循环才是“10 美元有回报”的应用层版本：产品先决定值得优化的任务，使用产生数据，算力放大改进，分发再带回更多真实任务。没有产品循环，更多计算只会更快地产生不一定有人需要的东西。

八、AI 时代的价值究竟会在哪里积累？

Cursor 与 OpenRouter 两笔交易没有证明价值只属于应用层或路由层。Martin 的结论恰好相反：目前技术栈几乎每一层都在积累价值。

• NVIDIA 等芯片和算力公司控制稀缺供给。
• 模型实验室控制前沿能力与定价。
• 推理基础设施控制执行效率。
• OpenRouter 一类平台控制模型发现、请求和计费入口。
• Cursor 一类应用控制工作流、客户关系和反馈数据。
• 微调、后训练与实施团队控制行业落地。
• 媒体和分发平台控制注意力。

Martin 把这称为自己职业生涯中见过的最大财富释放，甚至认为是九十年代互联网浪潮之后第一次出现如此广泛的机会。

真正的解读不是“每一层都值得投资”，而是不要过早使用稳定行业的零和问题。新技术栈还在长出来，此时反复问“模型公司会不会做掉我”“现在有没有护城河”，可能会错过正在形成的接口、市场和工作流。

应该追问的是：这个位置控制了什么？能否从使用中持续学习？别人绕开它的成本有多高？它离客户最终结果有多近？

九、为什么只看利润率会错过真正有价值的公司？

Martin 对资产负债表型投资者的批评，并不是说毛利、留存、流失率和现金流不重要。这些指标对成熟公司和成长阶段投资完全合理。

问题在于，早期公司常常还没有足够财务数据。若投资人只看当期利润，就等于先删除技术、产品位置以及别人为什么会需要它，再判断剩下的报表漂不漂亮。

战略价值回答的是另一组问题：

• 这家公司是否占据新技术栈的重要接口？
• 它是否控制别人需要的用户、数据、请求或工作流？
• 它能否自己积累价值，或者让另一个系统因为拥有它而获得巨大价值？

OpenRouter 位于 Token 交换路径，Cursor 控制软件开发入口，因此会形成独立于当期利润的“价值转移能力”。它们可能自己成长，也可能成为大公司愿意高价购买的控制点。

这绝不是给坏生意开免责证明。战略位置如果最终不能形成收费能力、客户留存或议价权，就只是一个昂贵故事。Martin 的观点是早期不能只看财务镜片，不是永远不看财务结果。

十、Martin 的投资方法：不是创始人重要，或者市场重要

主持人问 Martin：如果今天有人来问“我应该去哪里创业”，他会建议什么？他的回答出人意料：成为 VC 最让他轻松的一点，就是不必知道答案。

创业者必须预测未来，判断巨头会做什么、技术会如何变化、自己的产品会不会突然失去意义。Martin 把这种状态形容成“持续行走的胃溃疡”。VC 不应该假装自己比承担全部机会成本的创始人更懂未来。

他的实际做法是：先深入理解一个市场。如果同一领域同时出现三四位强创始人，愿意拿自己和家人的时间冒险，他通常不会因为自己没有一份完美的趋势预测就否定这个机会。

这不是把判断外包给“聪明人数量”。前提是投资人理解市场，能够辨认这些创始人是否真的看见了不同于共识的东西。

因此，他既不接受“创始人决定一切”，也不接受“市场决定一切”。真正的判断对象是创始人—市场契合度：

• 这段人生与工作经历给了他哪些别人没有的敏感度？
• 他积累了哪些实践知识？
• 他的能力和性格是否适合这个市场的具体难题？
• 市场需要的速度、耐心、销售方式和产品判断，是否与他匹配？

a16z 基础设施团队因此把大量时间用在没有具体交易时研究市场。只有先理解市场，遇到创始人时，才知道双方是否真正咬合。

十一、为什么 Martin 更喜欢有产品背景的投资人？

早期基础设施投资往往发生在财务数据还不足以读出答案的时候。投资人必须判断技术怎样变成产品、客户会不会购买、市场会如何演进，以及一个接口是否可能成为长期控制点。

这需要产品品味。纯金融背景的人当然能访谈客户、制作模型，却可能不知道应该问什么，也分不清客户口中的“很有意思”与真正愿意采购之间的距离。

Martin 团队过去也聘用过没有产品背景的人。他的观察是，这些人能完成访谈，却未必能带回正确答案，因为他们缺少对产品—客户界面的敏感度。

把第九、十、十一节合起来，他实际使用三副镜片：

• 财务镜片检查商业质量；
• 战略镜片检查公司在新技术栈中的位置；
• 创始人—市场镜片检查谁最可能把机会做成产品。

产品背景的作用，是在早期证据稀少时把三副镜片连接起来；它不能替代财务纪律，也不能把直觉包装成事实。

十二、Martin 最后的个人回答

主持人最后问他是什么驱动自己。Martin 回忆，出售 Nicira 时，VMware CEO Pat Gelsinger 问过同样的问题。他回去想了一晚，第二天说：“我是一个爬山者。”

这句话不是成功学口号。他说自己的第一热爱是技术、创业、创新和创造性破坏，也非常认同硅谷文化。只要还有一座值得攀登的山，而且能在这个世界里与团队一起攀登，他就愿意继续。

它也为前面的投资方法补上一层解释：Martin 并不相信自己能画出未来地图。他更愿意找到正在认真攀爬的人，理解他们选择的山，再判断人和山是否匹配。

最值得记住的五个结论

1. AI 第一次让资本较可靠地变成可观察的计算、使用量和定向能力，但没有保证这些产出能变成利润。

2. 资本不只是追逐 AI 市场，也可能通过延长私募建设周期、资助更多能力和需求，反过来扩大市场。

3. 模型实验室的优势既来自技术，也来自廉价资本与稀缺 GPU；当前集中度不能直接外推成永久通吃。

4. 当智能成为可计量、可交易的商品，价值会流向控制供给、交换路径、用户工作流和反馈循环的公司。

5. 执行能力越能用钱购买，产品方向、客户理解和创始人—市场契合度就越不能被钱替代。

最准确地理解 Martin 的“10 美元”比喻，是把它分成两句话：

以前，资本只能买一场漫长的工程尝试；现在，资本可以较直接地买到某种技术产出。

但产出值不值 10 美元，仍然要由产品、市场和利润回答。