增长之后，回报归谁：20VC谈巨型基金与AI资本链

一、嘉宾背景

本期20VC由Harry Stebbings主持，时长3581秒，约一小时，具名对谈者为Jason和Rory。所提供的嘉宾背景未确认两人的姓氏、正式职务或所属组织，对其观点的理解只能依据本次发言呈现的经历与分析，不能补入未经确认的履历。这场对谈围绕风险投资市场与AI产业资本链展开，并非对某一家公司的完整经营访谈。

Jason多次援引自己的投资和工具使用经历。他提到，自己投资过一家约融资300万美元、计划不再融资的AI公司，也自述每天使用Replit约14至15小时。谈到Modal时，他说自己曾要求留出一个工作日考虑，却因融资在周末完成而错过投资。这些自述为他对融资配额、模型成本和代码上线的关注提供了背景，但不能代替市场统计。

Rory则持续检验讨论中的假设：巨型基金所需的退出数量是否现实，算力建设能否被需求消化，资管机构上市又会怎样改变激励。他明确拒绝依据有限研究提供股票推荐。两人的分歧贯穿价格、风险与价值归属的讨论，也使各自判断所依赖的条件更为清楚。

二、本期主要内容

一家经营不错的公司，为什么仍然难以融资？Harry以一家ARR约2000万美元、增长快且盈利，却难获VC兴趣的匿名公司开场。转录中出现的“700% profitable”含义不清，不能据此认定其利润率为700%。Rory认为，资本并未全面停止支持高风险项目，太空数据中心、量子计算等上限较高的方向仍有吸引力；部分细分软件融资困难，可能与投资人担心它们被AI替代有关。

沿着AI产业链，讨论从算力建设转向模型收入。CoreWeave的问题在于资本开支、债务与需求增长能否匹配；Anthropic则引出了高速增长能否持续、收入质量如何判断的问题。Harry转述，Anthropic第三季度收入为168亿美元，环比增长45%，毛利率85%，并实现调整后盈利；他还提到，其IPO估值由2万亿美元降至1.5万亿美元的传闻。Rory以每季增加约50亿美元为假设，推演下一年的收入与估值。这些数字、传闻和情景应分别看待，不能将推演视为公司指引，也不能视为节目已独立核验的信息。

Replit的默认模型选择，将模型竞争落实到平台采购。Jason解释，在输出质量大致相近时，OpenAI约30%至40%的成本优势推动了默认切换，而这一选择未来仍可能调整。随后，代码审查的话题扩展到build-to-prod：代码能在开发环境运行之后，谁来完成审查、测试、沙箱、记忆管理和生产准备？讨论的重点由首次生成的速度，转向完整交付所需的工作。

开放权重推理服务呈现出另一层增长机会。Harry转述，Modal融资7.5亿美元，估值157.5亿美元，收入运行率超过10亿美元。嘉宾提及其此前收入运行率约为6000万至不足1亿美元，以此讨论增长加速；Jason随后给出的收入数字则属于预测。嘉宾还估计，主要推理商合计收入运行率约为50亿至60亿美元，并在token能力相近的前提下，以约30%和70%的供应商毛利率假设比较采购选择。这些是估算和条件推演，并非经过核实的市场份额或客户价格。

快速增长并未直接导向投资决定。Harry提到Town约1.08亿美元的B轮融资及10亿美元估值时，Jason因数据不足选择放弃。随后关于巨额推理开支和通过SPV补钱的对话带有反讽，不能当作已核实的预算。Bending Spoons则提供了另一种经营模式：筛选大量交易，只完成少量收购，再长期经营。但软件能否拥有See’s Candies式的耐久价值，现场仍有质疑。

现金流讨论也保留了对数字的追问。关于37signals自2020年以来累计利润3.7亿美元的说法受到现场质疑；嘉宾解释，这个数字可能由3700万美元利润分享和10%的比例反推得出，不能作为已确认的利润。结尾，Harry转述Harvard捐赠基金的收益及SpaceX持仓，讨论者预测退出所得现金可能回流VC。Tesla与SpaceX合并、向儿童赠股及其营销效果，则属于预测、设想或转述，相关结果并未得到证实。

三、核心观点：推理、例子与边界

公司成功，未必足以带来基金成功，持股比例是两者之间的一道约束。Jason认为，50亿美元以上的基金需要十亿美元级的持仓价值。他以约20亿美元的Listen Labs和约51%的所有权为例，说明这一目标对持股比例的要求，而创始人通常不会接受这样的条件。一家能够带来可观退出收益的企业，仍可能因为不足以显著影响大基金的整体回报而被忽略。Rory质疑的是，这种策略能否支撑整个行业：按他引用的历史数量，每十年约有10至20家百亿美元公司，所有基金无法都依赖如此稀缺的退出机会。基金规模确实构成约束，但未来会出现多少巨型公司，仍取决于判断；节目既未验证这一历史数量，也未证明大基金一定无法成功。

种子轮的争论进一步表明，投得早不等于买得便宜，也不自动意味着回报更高。Jason和Harry举例说，在1亿美元估值时只获配30万美元，即使公司后来达到180亿美元估值，这笔投资也未必能显著影响基金表现。入场价格、投资金额和后续跟投权共同决定结果，不能只看公司估值涨了多少。Rory仍认为，从长期风险补偿看，早期投资理应获得更高倍数；讨论者认同最近五年的早晚期回报可能倒挂，但这只是他们对这一阶段的判断，并非经过独立验证的行业回报统计，更不足以证明早期投资长期失效。

CoreWeave面临的核心问题，是需求增长能否跟上供给扩张。Rory认为，建设太慢会削弱服务客户的能力，建设太快又可能在需求稍有减速时承压；债务进一步压缩了等待需求追上的余地。因此，仅仅判断“AI仍在增长”，不足以回答新增设施能否被消化。他建议结合OpenAI和Anthropic的收入观察需求，以减轻两者之间份额迁移的干扰。这能提供线索，却不是对整个AI经济的完整测量。他凭记忆引用的近期跌幅、资本开支和债务规模，也不足以单独支持买入判断。Jason把CoreWeave和Oracle称为相较英伟达的B tier资产；Rory则指出，算力运营商与掌握核心芯片IP的公司不能直接类比，产业地位也不能单独决定股票收益。

模型收入的可预测性，则受到客户迁移的影响。Jason认为，开发者对模型的忠诚度较低，不能把传统订阅软件的收入重复性直接套用到模型公司的ARR上。他提到Anthropic份额可能下降10%，但这只是一个情景，且没有说明指相对降幅还是下降10个百分点。Rory进一步指出，如果终端需求放缓，厂商可能通过降价保住份额，收入增长与利润便可能同时承压。Replit的默认模型选择体现了这种采购逻辑：按Jason的解释，在质量大致相近的情况下，OpenAI约30%至40%的成本优势促成了切换，默认路由以后仍可能变化。他也认为，个人和企业用户都会关注AI开发平台的成本。不过，他从Replit未全面采用Kimi推断其能力不足，依据仍不充分，集成和可靠性等解释并未被排除。

编程工具的机会，集中在代码生成之后仍未完成的工作。Jason用“模型完成95%后，仍要花三天测试修复”的经验性描述，说明生成与生产就绪之间的距离。这不是普遍适用的生产率数据，但它把讨论引向了build-to-prod：功能能够演示之后，还要经过审查、测试、沙箱运行和记忆管理等环节，才能可靠交付。Jason认为，跨模型复核可以为Greptile、CodeRabbit等独立审查产品创造价值，却不保证它们能带来最大的投资回报；Claude Code Review也表明，模型厂商会进入同一流程。Rory认为，代码生成、审查和法律等贴近基础模型能力的用例，可能同时拥有高增长机会和较高的上游竞争风险。工作是否必要、独立产品能否保有议价能力、投资者能否获得回报，是三个需要分别回答的问题。

推理服务同样面临利润由谁获得的问题。讨论者认为，承担建设、采购与融资的neo-cloud，可能继续向开发者推理服务扩张。推理需求扩大，因此不必然意味着现有中间层能够保住利润。节目中关于Fireworks约35%毛利率及未来达到50%的说法属于推测，嘉宾也未一致认同Baseten、Fireworks、Modal最终会形成传统hyperscaler式的集中格局。以约30%和70%的供应商毛利率比较采购选择，也依赖于token能力相近等前提，不能据此认定客户已经获得了相应的价格优势。

估值讨论最终落到一个具体问题：企业未来必须做到多大，才能支撑今天的价格？讨论者以Anduril约900亿美元估值、约40倍收入的节目数字为例，用收入从20亿美元持续增至40亿、80亿乃至200亿美元的假设，解释高估值对未来增长的依赖。如果持续高增长和有利的退出倍数都被当作默认条件，投资就会同时依赖两个未经保证的结果，也不能指望公开市场倍数扩张来补救。Jason还担心，AI营销与GTM公司即使保持60%至70%的增速，也可能较早回到行业可比公司的低收入倍数。这是风险判断，并非已经发生的结果；它说明，优秀的经营表现仍可能不足以弥补过高的入场价格。

四、学习与应用

对创始人而言，判断融资是否匹配，需要先理解投资人要获得怎样的回报。基金规模、预期最终持仓和所需退出规模，会影响一家公司的吸引力，不能只凭增长表现解释融资结果。Jason建议，经营指标优秀但不在热门类别中的公司，可把接触范围扩大到约100家投资机构。这是一项扩大匹配机会的战术建议，既不是必须凑满的指标，也不保证融资成功。投资人则需要从实际投资金额、初始持股、预计稀释和跟投权出发，计算最终收益及其对基金整体的影响；公司估值涨幅无法代替这笔计算。

分析算力或模型公司时，需要同时考察需求、供给和收入质量。比较投产与资本开支节奏之后，还要检验需求增速放缓时，企业能否承受既有投入和债务。模型收入则需要分别考虑行业需求、市场份额和价格的变化。结合OpenAI与Anthropic收入观察，可以减轻两者份额迁移造成的干扰，但仍只能提供局部线索，不能直接证明某个运营商的全部设施都会被充分使用。Replit的路由选择可为具体任务的成本与质量测试提供参考，同时仍需考虑集成和可靠性，不能把一次默认切换当作永久的能力排名。

软件团队衡量AI效率，可以从一个真实功能的完整交付周期入手，记录首次生成之后，审查、测试、修复和生产准备分别消耗多少工作。如果瓶颈集中在后半程，再比较跨模型复核、测试或沙箱工具能否减少总返工。Jason所说的95%和三天是经验性描述，不宜直接用作团队预算。采购者需要验证工具在自身流程中的效果；创业者还需回答，当模型厂商进入同一环节后，客户为何继续为独立产品付费。解决重要问题与获得长期利润，需要分别验证。

检验高估值交易，必须同时调整增长路径与退出倍数。先推算当前价格要求企业达到怎样的收入规模，再观察增长提前减速、倍数向行业可比公司收敛时，回报会如何变化。推理服务还需考虑上游直接向开发者提供服务的可能性，不能仅凭收入加速就假定毛利率会持续上升。这类推演的价值在于明确投资依赖哪些条件，而非把节目中的口述数字加工成精确预测。

现金流型创业者首先需要明确目标：持续分红，还是借助外部资本扩大经营规模？Jason借Zapier重新评价只融一轮和完全不融资的选择，认为小团队可能更便于自筹资金和分红；讨论同时承认，有些公司需要先获得一两百万美元才能启动。对已经融资的企业，回购也有明确的资金代价：按六倍年现金流估值买回30%股权，算术上需要约1.8年的全部现金流，而企业仍有经营资金需求。使用现有现金或新增债务，都可能带来风险和谈判困难。因此，需要比较分红、回购占用资金及举债的代价，不能把“只融一次”或“从不融资”当作普遍最优选择。

对基金合伙人和LP而言，资管机构上市还要求区分管理费、carry、AUM扩张和产品增长所服务的目标。Rory认为，上市需要足够的管理费收入，公开市场也更看重管理费，而非carry。这可能推动机构扩大管理规模、增加产品，并改变投资文化，而不只是改善单个基金的表现。这是对激励变化的判断，并非必然规律，但可用于审视组织的经营方向。创始人获得的现金、基金的投资收益和管理公司的收入，需要分别评价，一个高估值数字无法同时说明三者是否成功。

来源

• 原始节目：The New VC Game | CoreWeave Sell-Off Creates Panic | Revenue Multiples Out of Control