铃阅
❌

普通视图

Anthropic IPO:900% NRR背后,还有哪些关键数据?

2026年10月28日 20:40

原创 StartupBoy 2026-10-28 20:40 四川

七位创始人如何掌握50.1%的投票权

10 月 26 日,Anthropic 向美国证券交易委员会(SEC)公开提交 S-1,计划在纳斯达克上市,股票代码为 ANT。

这份文件披露了大量值得关注的数据。

2026 年上半年,Anthropic 实现收入 162.86 亿美元,是去年同期的约 14 倍;净亏损 807.48 亿美元;截至 6 月 30 日,现金及短期投资合计 1317 亿美元。

但如果只能从这份文件里挑一个最值得关注的数字,我会选 900%。

这是 Anthropic 截至 2026 年 9 月 30 日披露的净收入留存率(NRR)。作为对比,优秀的 SaaS 公司通常以 120% 左右作为一个重要参考,Snowflake 曾达到约 170%–180%。

不过,Anthropic 的 900% 不能直接与传统 SaaS 公司比较。它采用了不同的客户筛选口径,收入也主要来自按量计费的模型使用。

要理解这个数字,真正值得看的不是 NRR 本身,而是整份 S-1 揭示的业务结构:Anthropic 的收入从哪里来,客户为什么持续增加支出,以及支撑增长的算力成本和长期承诺有多大。

一、收入:两年从4亿美元增长到数十亿美元季度收入

先看收入。

Anthropic 的年度收入从 2023 年的 4100 万美元,增长到 2024 年的 3.86 亿美元,再增长到 2025 年的 45.85 亿美元。

2026 年上半年,收入达到 162.86 亿美元,而 2025 年同期只有 11.63 亿美元,同比增长约 14 倍。

按季度来看,2025 年第一季度至第四季度,收入分别为 3.76 亿、7.87 亿、13.82 亿和 20.40 亿美元。

2026 年第一季度,收入达到 47.31 亿美元;第二季度进一步升至 115.55 亿美元。

收入在短时间内迅速放大,已经很难用传统软件公司的增长框架来理解。

收入结构也值得关注。

2026 年上半年,按量计费的消费型收入约为 131 亿美元,占总收入的 80%。这意味着,Anthropic 的收入主要取决于客户实际使用了多少模型,而不是购买了多少固定价格的订阅席位。

这与传统 SaaS 有一个重要区别。

传统软件通常先签订合同,再按月或按年确认收入。Anthropic 则可以随着客户增加模型调用、部署 Coding Agent 和扩大企业内部使用范围,让同一个客户在短时间内大幅增加支出。

这也是理解 900% NRR 的第一个关键。

另一个变化来自销售渠道。

通过 AWS、Google Cloud 和 Azure 等云平台获得的收入,占比从 2023 年的约 11%,上升到 2024 年的 32%、2025 年的 47%,以及 2026 年上半年的 48%。

云平台既为 Anthropic 提供算力和销售渠道,也让它能够触达更多企业客户。不过,这种合作同样意味着渠道费用、供应商依赖和潜在竞争等问题。

二、客户:增长不只是来自新用户

Anthropic 最值得关注的变化,是大客户数量的增长。

按照披露的数据,过去 12 个月消费超过 10 万美元的客户数量,从 2025 年 3 月的约 400 家,增长到 2025 年 9 月的 950 多家,再到 2026 年 6 月的 6000 多家。

截至 2026 年 9 月,这一数字已经超过 11,900 家。

此外,年度消费超过 100 万美元的客户有 1900 多家,超过 1000 万美元的客户约有 250 家。

这说明 Anthropic 的增长已经不只是大量开发者试用 API,而是越来越多的企业将其模型纳入实际业务。

更重要的是,这些客户不再只使用单一产品。

据对 S-1 的报道,在年消费超过 10 万美元的客户中,同时使用 Anthropic 平台和 Claude Code、Cowork 等第一方应用的比例已经超过一半。2025 年底,这一比例约为 30%。

这里存在一条值得关注的扩张路径。

客户最初可能只是调用 API。随后,工程师开始使用 Claude Code,将模型引入实际开发流程;当使用范围扩大到整个团队,模型支出就可能从个人工具费用变成企业级预算。

接下来,Cowork 等产品又有机会将使用范围从工程团队扩展到其他知识工作岗位。

Anthropic 不再只是向客户提供模型,而是在尝试覆盖客户使用模型的多个环节。

如果这条路径能够持续,大客户的支出就有机会随着产品渗透率上升而增长。

这也是 900% NRR 背后最重要的业务逻辑。

但这个数字本身仍有局限。

Anthropic 对 NRR 的定义是:比较符合条件的客户在当期三个月与一年前同一季度的收入。客户只需在基期贡献至少 1 美元收入,就可以进入统计范围;Claude Pro 和 Max 固定价格订阅用户则被排除。

因此,一个一年前只花了几美元测试 API、如今已经在生产环境中大量使用模型的客户,也可能贡献非常高的扩张倍数。

900% 衡量的是真实的收入扩张,但不能直接等同于企业合同续约率,更不能单独证明客户的长期忠诚度。

三、利润:算力成本占比从251%降至48%

收入增长之外,Anthropic 的成本结构同样重要。

2026 年上半年,公司总运营费用约为 169.79 亿美元,高于同期 162.86 亿美元的收入,对应运营亏损约 6.93 亿美元。

运营费用主要由四部分构成:

算力与基础设施支出约 89.45 亿美元;人员费用约 31.52 亿美元;销售、营销与合作费用约 31.68 亿美元;其他运营与行政费用约 17.14 亿美元。

与 2025 年上半年相比,这些费用都大幅增加。

其中,算力与基础设施支出从 23.34 亿美元升至 89.45 亿美元。销售、营销与合作费用则从 1.20 亿美元升至 31.68 亿美元,其中云渠道合作相关费用的增加是重要因素。

但另一个数字更值得关注。

2025 年第一季度,算力支出相当于收入的 251%;到 2026 年第二季度,这一比例已经降至 48%。

按照披露的数据,2026 年第二季度,Anthropic 实现约 9.74 亿美元的单季度运营利润,这是相关披露期间首次出现单季度运营盈利。

这说明收入增长开始超过算力成本的增长速度。

如果这一趋势能够持续,Anthropic 的业务可能逐渐从高速增长但成本沉重的阶段,转向规模效应更明显的阶段。

不过,这还不能直接证明公司已经建立了稳定的盈利模型。

2026 年上半年整体仍然录得运营亏损,股权激励等费用也使 GAAP 口径与调整后利润之间存在明显差异。

按照披露数据,2026 年上半年调整后运营利润约为 16.18 亿美元,调整后净利润约为 26.71 亿美元。同期股权激励费用约为 22 亿美元。

这意味着,理解 Anthropic 的盈利能力,需要同时观察 GAAP 运营利润、调整后利润以及算力支出的变化。

人效也在迅速提升

除了算力成本,Anthropic 的人员效率也值得关注。

据相关报道,Anthropic 的员工人数从 2024 年底的约 940 人,增长到 2026 年 9 月的约 5300 人。

与此同时,过去 12 个月的人均收入从一年前的约 140 万美元升至超过 660 万美元。

这意味着,在员工规模扩大数倍的同时,公司收入增长得更快。

当然,人均收入不是劳动生产率的完整衡量指标,也会受到收入高速增长、员工招聘时间和收入确认节奏的影响。但它至少说明,Anthropic 当前的收入扩张并不需要人员数量以同样的速度增长。

对于一家同时经营模型研发、企业销售和 AI 应用的公司,这种人效变化值得继续观察。

接下来更重要的问题是:随着收入规模继续扩大,算力成本占比和人均收入能否维持当前趋势。

四、807亿美元净亏损:估值上涨也会带来账面亏损

2026 年上半年,Anthropic 的净亏损达到 807.48 亿美元。

这个数字很容易让人误以为公司正在以同样的速度消耗现金。

但亏损的构成并非如此。

按照 S-1 的相关数据,其中约 723.88 亿美元来自可转债、衍生负债和 SAFE 等金融工具的公允价值变动。

这些工具的会计处理会受到公司估值变化影响。随着 Anthropic 的估值上升,部分金融负债的账面价值也会随之增加,从而产生巨额会计损失。

换句话说,估值上涨本身就可能扩大这部分账面亏损。

这不代表所有亏损都可以忽略。它意味着,需要把经营表现、现金流和金融工具的会计影响分开看。

另外,Anthropic 还披露了与票据购买协议相关的费用,以及其他利息收入和金融工具收益。

如果只看 807 亿美元这个净亏损数字,很容易误判公司的实际经营状况;但如果完全忽略它,也会忽略资本结构和金融工具可能带来的影响。

对于这类尚未上市、经历多轮大规模融资的公司,净利润不是判断经营表现的唯一指标。

五、现金:1317亿美元意味着什么

截至 2026 年 6 月 30 日,Anthropic 持有约 1124 亿美元现金及现金等价物,以及 193 亿美元短期投资,合计 1317 亿美元。

如此庞大的资金储备,为 Anthropic 继续投入模型研发、扩大产品销售和采购算力提供了空间。

但现金储备不能与自由现金流混为一谈。

训练和运行前沿模型需要持续投入,随着企业客户规模扩大,推理成本也会随使用量增加。

因此,现金储备究竟能够支撑多长时间,取决于未来收入增长、算力成本变化、资本支出和合同付款安排,而不只是当前账面上有多少钱。

据相关报道,Anthropic 已经完成多轮大规模融资。对于公司未来的财务状况,真正值得观察的仍然是收入增长能否持续超过成本增长,以及经营现金流能否在扩大基础设施投入的同时保持健康。

六、算力:数千亿美元的长期承诺

如果说收入反映了 Anthropic 的增长,那么算力合同反映的就是它为了支撑增长,需要承担多大的长期义务。

根据相关研究对 S-1 的汇总,Anthropic 与 Microsoft、Google、Amazon、Broadcom、Nscale、Lambda 和 SpaceXAI 等公司存在规模庞大的算力或基础设施安排。

这些安排涉及云服务、芯片、设备租赁和专用算力基础设施,部分合同期限延伸至 2045 年。

不同合同的金额并不完全是同一种口径。有些是最低采购承诺,有些是最高金额,还有些是按租赁期限计算的合同总额,不能简单相加后视为确定的现金支出。

但即使不追求一个精确的总数,规模本身已经说明问题:Anthropic 的增长不仅依赖客户需求,也依赖公司能否持续获得足够的算力。

这里有两个值得关注的地方。

第一,算力供应商同时也是投资人、销售渠道,甚至是潜在竞争者。

第二,部分长期合同可能限制公司的调整空间。如果未来模型需求、芯片价格或技术路线发生变化,已签署的合同未必能够同步调整。

与此同时,Anthropic 也在尝试使用不同类型的芯片和基础设施,包括 Trainium、TPU、NVIDIA 和 AMD 相关方案。

多种算力来源有助于降低对单一供应商的依赖,但也增加了模型训练、部署和基础设施管理的复杂性。

因此,Anthropic 的成本改善不仅取决于模型效率,也取决于它能否以合理的价格获得足够的算力。

七、治理:七位创始人如何掌握50.1%的投票权

Anthropic 的治理结构,是这份 S-1 中另一个值得单独研究的部分。

公司采用公共利益公司(Public Benefit Corporation,PBC)结构。与普通公司相比,这种结构要求董事会在股东经济利益、受公司行为影响的相关方利益,以及公司明确的公共利益使命之间进行平衡。

Anthropic 的使命是负责任地开发和维护先进 AI,使其长期造福人类。

为了落实这一安排,公司设计了两套特殊机制:七位创始人的投票权安排,以及长期利益信托(Long-Term Benefit Trust,LTBT)。

七位创始人:经济权益与控制权分离

七位联合创始人分别是:

Dario Amodei:CEO。 曾在 OpenAI 从事研究工作,后来与其他创始人共同创立 Anthropic,负责公司整体战略和发展方向。

Daniela Amodei:总裁、董事会主席。 曾在 OpenAI 工作,负责 Anthropic 的运营和组织管理,也是公司治理结构中的重要人物。

Tom Brown:首席算力官(Chief Compute Officer)。 此前在 OpenAI 领导 GPT-3 的工程工作,并参与推动 RLHF 等技术在现代对话模型中的应用,目前负责算力资源的获取、扩展和使用。

Jack Clark:Anthropic Institute 负责人。 曾任 OpenAI 政策总监,长期关注 AI 政策、公共利益及政府监管问题,也以 AI 研究通讯 Import AI 闻名。

Jared Kaplan:首席科学官。 物理学家和 AI 研究者,参与推动大语言模型 Scaling Laws 等研究方向。

Sam McCandlish:首席架构师。 研究背景涉及深度学习和大模型扩展,是 Anthropic 早期技术团队的重要成员。

Christopher Olah:可解释性研究负责人。 以神经网络可解释性研究闻名,主要关注如何理解模型内部的计算机制。

这七人均曾在 OpenAI 工作,并于 2021 年共同创立 Anthropic。

真正特别的不是他们的背景,而是上市后的控制权安排。

按照 S-1 的设计,七位创始人将共同持有 Founder LLC。Anthropic 向这个实体发行一股特殊的 Class F 股票,该股票本身没有经济权益,却拥有相当于公司总投票权 50.1% 的投票权。

与此同时,七位创始人本身还持有公司的普通经济权益。根据披露的个人持股数量估算,他们合计持股约为公司完全稀释股本的 10%,而不是 50.1%。

换句话说,他们获得的控制权,远高于其经济权益所对应的普通投票权。

对于公开市场投资者,这意味着买入 Anthropic 的股票,并不等于获得与持股比例相对应的公司控制权。

这套安排也有其特殊背景:七位创始人承诺将个人持有的 Anthropic 股权的 80% 用于慈善事业。公司希望通过特殊投票权安排,使创始团队能够在长期使命和短期股东回报之间维持自己的判断空间。

但对投资者而言,问题依然存在:当创始人的决策与普通股东的经济利益发生冲突时,普通股东能够施加多大影响?

长期利益信托:另一套控制机制

Anthropic 的治理并不只依靠创始人。

公司还设立了长期利益信托,由五名具有 AI 安全、国家安全、公共政策等领域背景的受托人组成。

通过特殊的 Class T 股票,该信托通常拥有选举和罢免董事会多数董事的权力。

Class T 股票本身没有通常意义上的经济权益,也不参与一般股东事项的投票,但它在董事会构成上拥有特殊权力。

因此,Anthropic 的治理结构并不是简单的创始人控制公司,而是创始人投票权与长期利益信托共同影响公司治理。

这种结构试图在商业回报、AI 安全和长期公共利益之间建立制衡。但它也意味着,上市后的 Anthropic 与普通公众公司会有明显不同:投资者拥有经济权益,却无法单纯依靠持股比例决定公司的发展方向。

八、风险:收入增长之外,还有哪些变量

S-1 的风险因素部分同样值得关注。

首先是模型本身的风险。Anthropic 在文件中讨论了模型可能出现的有害行为、能力提升速度超过安全措施,以及极端事件难以获得充分保险保障等问题。

其次是商业风险。

如果模型能力差异缩小,客户就可能更容易在不同供应商之间切换。对于按量计费的业务,这意味着客户支出既可以迅速增长,也可能迅速下降。

再次是客户和渠道集中度。

大型 AI 应用公司可能是 Anthropic 模型收入的重要来源,但它们也可能转向其他模型供应商,或者自行开发模型。与此同时,云平台既提供基础设施,也可能发展自己的模型和产品。

最后是增长本身的变化。

Anthropic 在文件中预计,随着收入规模扩大,收入运行率的增长速度将逐渐下降。

这是高速增长企业进入更大规模阶段时需要面对的问题。未来的挑战不只是继续增加收入,还包括控制成本、提高算力利用效率,并在竞争加剧时维持客户支出。

最后:900%真正说明了什么

回到开头的 900% NRR。

这个数字之所以重要,是因为它与其他经营数据相互印证:Anthropic 的大客户数量迅速增加,企业客户的产品使用范围不断扩大,收入也从少数开发者和早期客户的使用,逐渐延伸到更大规模的企业预算。

但 900% 并不意味着客户忠诚度达到了某个可以长期维持的水平。

它反映的是特定统计口径下,现有客户在一年间的支出扩张。随着比较基数扩大,这个比例很可能明显下降。

更重要的是,收入增长还必须转化为更好的经营结果。

Anthropic 已经展示了惊人的需求增长,也开始出现算力成本占比下降和单季度运营盈利的迹象。但它仍然需要证明,自己能够在持续投入的同时,把收入规模转化为更稳定的利润和现金流。

900% 是过去一年需求扩张的结果,而真正决定 Anthropic 长期价值的,是当这个数字回落之后,增长能否继续,以及增长本身能否越来越赚钱。

阅读原文

跳转微信打开

AI 让 Airtable/Miro 估值暴跌,但也让一内容产品年增 2.5 亿美金 ARR

2026年9月13日 11:00

原创 StartupBoy 2026-09-13 11:00 日本

当市场开始相信未来 AI 会让软件能力越来越便宜时,即使公司今天依然增长,估值就要重新调整了

AI 还在继续摧毁上个时代的百亿美金 SaaS 公司,上个月,最高估值曾达 117 亿美金的 Airtable 以 13 亿美金卖给了 Bending Spoon。

昨天,Bending Spoon 再次以 14 亿美金的价格买下了 Miro,而它最高估值曾达到了 175 亿美金。这两个几乎都是 90%的估值缩水。

在收购时,Airtable 的 ARR 为 4.8 亿美金,每年增长率仍然有 20%,服务 50 万家机构,其中 80%是财富 100 公司。

同样,Miro 的 ARR 在收购时是 6 亿美金,其中 90%来自企业客户,用户超过了 1 亿,付费用户 400 万,手上现金还有 4.35 亿美金并且是盈利状态。

除此之外,Canva 在最近也主动调低了自己的估值,从 420 亿美金调到了 349 亿美金。这几家公司可以说都是 SaaS 时代非常热门的标的,如今在资本市场上则是另一番景象。

这里有当时估值泡沫在那里,但核心我觉得还是来自 AI 的攻击,它让很多 SaaS 产品的护城河一下没了。以前一个企业需要 Airtable、Miro、Notion、Jira 等各种工具,是因为人需要通过 GUI 去“操作软件”。但 Agent 出现以后,越来越多工作可能变成“告诉 AI 我要什么 → Agent 自己调用数据、执行任务、生成结果”。

于是很多 SaaS 的价值从“工作发生的地方”变成了“一个更方便的人类操作界面”。如果 AI 可以把复杂操作压缩成一句话,那么原来几百美元、几千美元甚至几十万美元/年的软件预算,就可能被重新审视。这个风险并不是说这些产品明天会消失,而是软件的定价权和长期增长预期可能被永久压低。

所以 Canva 的主动降估值也很好理解。它的问题甚至比 Airtable 更微妙:Canva 本身仍然是非常好的产品,但 AI 正在让“设计能力”越来越商品化。过去 Canva 的价值是把 Photoshop/设计师的能力民主化,现在 AI 又把 Canva 本身的一部分能力民主化了。所以当市场开始相信未来 AI 会让软件能力越来越便宜时,即使公司今天依然增长,估值就要重新调整了。

但那些能够成为 AI 工作流基础设施、拥有强网络效应/数据/生态/品牌、或者本身能利用 AI 放大价值的 SaaS → 依然可以获得很高估值,比方说 Linear,它在 2026 年估值反而翻倍到约 25 亿美金,同时 ARR 超过 1 亿美金而且已经盈利。

同样,Notion 我觉得也危险,不过它好在转型非常及时,目前其 6 亿美金 ARR 里超过一半来自 AI,但它必须证明自己不是“一个被 AI 增强的文档工具”,而是“AI 时代的工作操作系统”,否则目前的估值可能也无法支撑,当然如果其 AI 转型能继续保持,让自己彻底成为一个 AI Native 公司,那可能就是另一个故事了。

不过,仍然有不少公司受益于 AI,其中一个我关注的内容公司就非常得益于 AI,不仅用 AI 将成本降低了近 80 倍,而且过去一年其 ARR 增加了 2.5 亿美金,用创始人的话说就是 AI 改变了他们的一切。其 AI 战略我觉得非常值得学习,可以说贯穿到了业务的方方面面,这就是……

全文共 3546 字

后续内容为付费会员专属,会员扫码登录直接阅读

Memo: Signal, not noise!

扫码或点击「阅读原文」继续阅读

订阅 Memo Pro

Memo(vcsmemo.com)是一个基于付费订阅模式的创投内容平台,已得到大量 VC、企业 CEO 以及高管的支持,我们希望帮助你捕捉最具价值的行业信号、过滤噪音(Signal,Not Noise)。

订阅 Memo Pro你将获得:

1.解锁未来一年以及之前的所有会员专属内容

2.邮件订阅功能:付费内容+最新行业快讯+...

3.优先体验 Memo 新产品和新功能

4.后台回复“发票”获得开票入口

限时 799 元/年(原价 999 元/年),扫码立即订阅

图片

阅读原文

跳转微信打开

三位哈佛辍学生,如何将专用芯片变成估值百亿美元的 AI 算力公司

2026年8月11日 12:31

StartupBoy 2026-08-11 12:31 日本

AI 推理已经足够成熟和可预测,值得采用更深度的专用化设计

本文来自 Jarsy 的研究分享,我之前曾详细介绍过他们在做的事情《前 Uber 早期成员创立 Jarsy,让普通人也可以合规投资优秀创业公司》。

1.推理正成为 AI 算力的主战场

正如我们在 Jarsy Research #22《定制 AI 芯片时代》中所分析的,随着 AI 规模与成本不断攀升,专用处理器正在迎来新的发展机会。我们将进一步深入研究其中几家代表性初创公司,首先聚焦 Etched,以及它对前沿 AI 推理的集中押注。

训练(Training)负责构建模型;推理(Inference)则是在用户或其他 AI 智能体提出请求时运行模型。随着应用生成的 token 越来越多、智能体反复调用模型,推理正成为 AI 成本中日益重要的部分。GPU 的优势在于高度可编程,并拥有成熟的 CUDA 生态,但这种灵活性也会带来芯片面积、功耗与数据搬运方面的额外开销。Etched 认为,AI 推理已经足够成熟和可预测,值得采用更深度的专用化设计,从而用每一美元和每一瓦电力生成更多有用的 token。投资者也开始认同这一判断:2026 年 7 月,红杉资本领投 Etched 3 亿美元 C 轮融资,公司估值达到 103 亿美元。

2.创始人的故事

Etched 现任 CEO Gavin Uberti 很早便开始探索硬件与软件的交界地带。他曾参与 AI 编译器基础设施开发,并为 Apache TVM 开发 Cortex-M 后端。编写底层代码的经历让他意识到,通用芯片的大量资源被用于搬运数据和维持灵活性,而非执行 AI 模型反复需要的核心计算。

在哈佛,Uberti 找到了重要的技术伙伴 Chris Zhu。Zhu 主修数学和计算机科学,拥有组合数学与高性能计算经验。Uberti 休学期间,Zhu 留在校园,两人每隔一天便通过 Zoom 推进这个始于宿舍的项目。第二年春天,面对面的合作让他们确信,值得离开哈佛,全职创办 Etched。

第三位创始人的信念来自另一段经历。Robert Wachen 是 Uberti 的大学室友,现任 Etched 总裁。16 岁时,他背部的一个肿块被确诊为第四期骨癌,生存概率不足 30%。手术的生存希望更大,却可能令他再也无法行走;放疗可以保留行动能力,却会降低存活概率。他选择了手术,后来仍不得不接受放疗,并经历了近两年的治疗和重新学习走路。Wachen 曾说,这段经历让他不断思考:如果人生失而复得,自己究竟要用它来做什么?

联合创始人 Robert Wachen、Gavin Uberti 与 Chris Zhu。图片来源:CNBC、Etched

这个问题后来成为 Etched 创业故事的一部分。GPT-3 第一次回应 Wachen 时,他便被 AI 深深吸引。OpenAI 推出具备图像理解能力的 GPT-4V 后,他上传了一张确诊前的背部照片,请模型像医生一样分析。几秒钟内,模型便判断肿块可能是肿瘤,并建议接受 MRI 检查,而他的医生花了数月才得出相同结论。随后,屏幕提示他当天的图片额度已经用尽。在 Wachen 看来,这一刻同时展现了 AI 的潜力,以及普及这种能力所面临的算力短缺。他与 Uberti 得出了相同的结论:智能可能变得充裕,但承载和提供这种智能的基础设施尚不存在。

Etched 的不同之处,不仅在于创始人的年轻,更在于他们没有传统的半导体行业履历。

Cerebras、Groq 和 SambaNova 均由资深行业人士创立,而 Etched 的三位创始人当时仍是哈佛学生。2022 年,他们创办 Etched,随后离开哈佛全职创业;2024 年,三人同时入选 Thiel Fellowship,成为少数全体成员共同获选的创始团队之一。

他们对 AI 发展的方向判断得很早,也因此经历了一段艰难时期。2023 年,很少有投资者相信 Transformer 已经足够稳定,值得围绕它设计高度专用的芯片;更少有人相信,几名大学辍学生能够真正把芯片造出来。创始人带着一份约 30 页的技术论述四处融资,却遭到几乎所有主要投资机构拒绝。Etched 一度只能按月维持运营,资金接近耗尽。

Primary Venture Partners 对机会作出了不同判断。2023 年 3 月,它领投 Etched 536 万美元种子轮,提供了约四分之三的资金,公司当时估值为 3,400 万美元。一年后,Primary 与 Positive Sum Ventures 共同领投 1.2 亿美元 A 轮融资,为 Sohu 芯片的流片和制造提供资金。

3.Etched 在打造什么:从芯片到推理集群

Etched 最初提出了一个大胆的设想:如果 Transformer 成为 AI 的主流架构,那么围绕其重复运算专门设计芯片,就能舍弃 GPU 的部分灵活性及其带来的额外开销。Etched 最初的答案是 Sohu:一款于 2024 年发布、当时被定位为“仅支持 Transformer”的 ASIC。

  • 3.1 从芯片走向完整系统

Etched 在 2026 年推出的产品,已经超越了最初的 Sohu 芯片。其前沿推理集群将专用处理器、内存、计算卡、互连、液冷和软件整合为一套完整的机架级系统。Etched 表示,该平台不仅支持 Llama、Qwen 和 DeepSeek 等 Transformer 模型,也支持采用状态空间架构的 Mamba。它仍然高度专用,但已很难再被简单定义为“仅支持 Transformer”。

表 1:Etched 产品的四个相互连接的层级。© 2026 Jarsy Research

一个速度很快的处理器,只有在能够高效访问内存、与相邻芯片通信、控制温度并可靠运行生产模型时才有实际价值。因此,前 Cypress CTO Mark Ross 早期提出的建议:“人们购买的是系统,而不是芯片” 逐渐成为 Etched 战略的核心。

芯片(左)、计算卡(中)、机架(右)。Etched 打造的是机架级推理系统,而非单独销售一个处理器。图片来源:Etched

  • 3.2 解决推理的两大瓶颈

AI 推理主要分为两个阶段。预填充(Prefill)负责处理输入提示,可以并行完成大量计算;解码(Decode)则逐个生成输出 token,其速度往往受内存访问和芯片间通信限制。针对这两个瓶颈,Etched 分别设计了一项核心技术:

表 2:Etched 针对推理瓶颈采用的技术。© 2026 Jarsy Research

低电压推理(Low-Voltage Inference)CMOS* 电路的动态开关功耗可近似表示为:

Pdynamic=αCV2f

其中最关键的是 V2: 功耗会随电压的平方增长。假设其他条件不变,当电压从 1.0V 降至 0.5V:

(0.5/1.0)2=0.25

理论上,动态开关功耗将降至原来的四分之一,从而能够在不突破机架供电和散热上限的情况下部署更多运算单元。Etched 表示,其数学运算单元的工作电压不到大多数 AI 加速器的一半。要实现这一点,电路、任务调度、供电、封装和冷却系统必须协同设计。Etched 声称,这项技术可以让万亿参数级的稀疏混合专家模型(Sparse MoE)持续发挥超过峰值 FLOPs 80% 的性能,同时避免因过热而降频。该数据目前仍由 Etched 提供,尚未经过独立复现;但电压与功耗之间的基本关系已有成熟的半导体物理理论支持。

  • CMOS 是“互补金属氧化物半导体”(Complementary Metal-Oxide-Semiconductor)的缩写。它利用 NMOS 和 PMOS 两种互补的微型晶体管充当开关,通过控制电信号的通断来表示二进制中的 1 和 0。

集群级内存(Cluster-Scale Memory)在解码阶段,系统花在搬运数据上的时间往往多于实际计算。其性能可简化表示为:

Performance ≤ min (Peak Compute, Memory Bandwidth × Arithmetic Intensity)

这正是 Roofline 模型(屋顶线模型)的基本逻辑:一旦内存带宽成为瓶颈,继续增加算力也难以显著提升性能。例如,一个以 FP8 格式存储的 700 亿参数模型大约需要:

700 亿个参数 × 1 字节 ≈ 70 GB

在解码过程中,系统需要反复读取这些模型权重,以及保存此前 token 信息的 KV Cache。上下文越长、批处理规模越大,所需的内存也越多。

Etched 的 CSM(Cluster-Scale Memory,集群级内存)通过专有的高带宽、低延迟互连,将 HBM 与 SRAM 结合起来。其目标是让多颗芯片访问同一个共享内存池,在利用 HBM 大容量优势的同时,获得接近 SRAM 的响应速度。

不过,Etched 尚未披露 CSM 的带宽、延迟、SRAM 容量或网络拓扑。因此,目前更准确的说法是:CSM 是 Etched 针对内存瓶颈提出的解决方案,而非已经得到充分验证的技术优势。

Etched 机架内部。图片来源:Etched

  • 3.3 从可工作的芯片走向量产

Etched 的 A0 芯片(第一个芯片修订版本)于 2026 年初采用台积电 N4P 工艺完成回片,公司称其首次流片即取得成功。目前,Etched 正与客户共同验证机架级系统,并表示已经签署超过 10 亿美元的客户合同。

在早期的 Sohu 材料中,Etched 曾预计,搭载八颗芯片的服务器运行 Llama-70B 时,每秒可生成超过 50 万个 token。但这一预测早于 A0 芯片回片,目前尚未得到独立复现。公司近期公布的另一项数据是,其系统运行万亿参数级稀疏 MoE 模型时,可以持续发挥超过峰值 FLOPs 80% 的性能。不过,相关客户测试的具体结果尚未公开。

Etched 还在圣何塞地区建设了一座 10 兆瓦实验设施,以及数据中心、测试和原型开发设施,并在台湾设立制造业务。公司表示量产已经启动,首批机架计划于 2026 年夏季交付。

4.信念背后:团队、文化与资本

Primary Venture Partners 早期的投资信念,并非建立在一款已经完成的产品上,而是源于创始人把产品造出来的能力。此前,Primary 已经在独立研究 Nvidia 的市场主导地位、GPU 的瓶颈,以及围绕大语言模型设计专用硬件的潜力;但 Etched 团队缺乏半导体行业经验,仍是一项重大风险。

Primary 邀请多位行业专家审阅 Uberti 的白皮书,并直接向他提出质疑。据称,其中几位起初十分怀疑,最终却被他的思考能力、应变能力和执行速度打动。因此,Primary 将第一项考验归结为一个简单的问题:这些年轻创始人能否招募到足够资深的团队,把非传统架构变成可量产的系统?

  • 4.1 从三位创始人到 400 人工程团队

机架级加速器绝非单颗芯片项目。它需要横跨芯片、固件、封装、编译器、散热、制造和完整数据中心系统的专业能力。Etched 表示,公司团队已超过 400 人,其中包括来自 Nvidia、Google TPU 团队、Broadcom、SK Hynix 和台积电的工程师。

其管理团队将创始人重新思考计算架构的意愿,与资深硬件高管的量产经验结合在一起:

  • Mark Ross,首席技术官(CTO):前 Cypress Semiconductor 首席技术官,曾参与交付多个首次流片即成功的芯片系统。
  • Brian Loiler,平台副总裁:在 Nvidia 工作 22 年,曾参与打造 HGX 和 DGX 平台。
  • David Munday,软件副总裁:曾组建 Google 的 TPU 软件团队,并参与从 TPU v1 到 v5 的多代产品。
  • Wayne Cao,生产副总裁:曾负责初代 iPhone、MacBook Air、Pixel 和 Chromebook 等产品的生产及供应链项目。
  • Saptadeep Pal,ASIC 与架构副总裁:曾参与 Nvidia H100、A100 和 V100 的架构开发。

招募到这一层级的人才,是一个重要的执行力信号。它并不能证明 Etched 已经具备规模化生产可靠系统的能力,但降低了其技术构想最终只停留在原型阶段的风险。

  • 4.2 面对面协作与垂直整合文化

Etched 主要采用线下办公模式,让芯片、封装、软件、散热和平台团队共同开发整套系统。公司在圣何塞建设了数据中心和原型开发设施,并在台湾设立基地,与制造合作伙伴保持持续协作。这种高度整合的模式成本高昂,在初创公司中也并不常见,但它体现了 Mark Ross 早期提出的理念:客户购买的是完整系统,而非纸面上的芯片性能。

  • 4.3 资本追随团队

随着 Etched 招募资深工程师,并从一份白皮书走向可工作的芯片,其投资者阵容也从一家极具信念的种子基金,扩展至大型风险投资机构、半导体战略投资者和量化交易公司。

表 3:Etched 历轮融资。来源:CNBC、Bloomberg、Reuters、Etched。© 2026 Jarsy Research

5.竞争格局与前景

Etched 进入的是一个专用化已不再罕见的市场。Nvidia 和 AMD 正在开发完整的机架级平台,众多初创公司也在围绕 AI 推理重新设计处理器、内存和互连系统。更多行业背景可参阅我们此前发布的研究报告 Jarsy Research #22《定制 AI 芯片时代》。

表 4:Etched 的主要竞争对手。© 2026 Jarsy Research

这些公司通过速度、效率、灵活性和系统整合能力的不同组合与 Etched 竞争。凭借软件生态和庞大的装机基础,Nvidia 仍是行业标杆;d-Matrix 则是与 Etched 最接近的专用推理芯片初创公司。SambaNova 和 Cerebras 提供了发展更成熟的替代架构。更广泛的竞争者还包括 MatX、Fractile 和 Positron。与此同时,Google、Amazon 和 Microsoft 正在为自有云平台开发定制处理器,进一步压缩独立芯片公司的潜在市场。

Etched 现在必须将可工作的芯片和客户承诺转化为可靠的生产部署。市场机会十分可观,但其成功取决于能否在实际应用中持续证明性能、成本和能效优势,同时跟上模型架构的变化。Etched 无须在所有场景中取代 GPU,只需证明相当规模且具有高价值的推理工作负载能够在其系统上运行得更好。

阅读原文

跳转微信打开

OpenCode 可能被低估了:每个新模型,都在帮 OpenCode 赚钱

2026年8月9日 17:30

原创 StartupBoy 2026-08-09 17:30 日本

OpenCode Is More Than a Coding Agent

8 月 6 日,OpenCode 的日处理 Token 量是 7 万亿。8 月 7 日,变成了 8 万亿。一天之内新增了 1 万亿 Token。

但这家公司,在主流 AI 圈讨论的并不算多。

大多数人现在仍然把 OpenCode 看成一个 AI Coding 工具。从表面上看,它就是一个开源版的 Claude Code——一个运行在 Terminal 中的 Coding Agent,让开发者可以自由选择自己想使用的模型。

但我认为,这个定位恰恰低估了 OpenCode 正在发生的事情。它的 Inference 业务仅仅推出 8 个月,就已经达到了一个很少有 AI 基础设施公司能够达到的规模:

  • 1300 万 MAU
  • 460 万 WAU
  • 每天处理约 8 万亿 Tokens
  • 16 万付费订阅用户
  • 约 5800 万美金 ARR(其中约 4000 万年化 inference revenue + 1800 万订阅收入)

对于这些数据,一个最简单的解释可以是:OpenCode 做出了一个很好的产品,足够灵活,价格也便宜,但可能不只于此。它更值得关注的一点是:

OpenCode 选择了一个非常特殊的位置。

它没有试图去打造下一个 Frontier Model,而是在构建一个让不同 AI 模型争夺开发者的市场。而这个区别,可能比"它是不是一个更好的 Coding Agent"重要得多。

OpenCode 正在形成 Marketplace Flywheel

所有人都以为 OpenCode 在和 Claude Code 竞争,其实并不完全是。Claude Code、Codex 等产品,本质上都是垂直整合的产品。

它们希望开发者留在自己的生态系统里,模型越强,产品就越强。OpenCode 玩的是完全不同的游戏,其创始人在最近的一次访谈中说了一句话,我认为非常值得注意:

We're not betting on one model lab. We're betting on the field.

OpenCode 并不押注某一家模型公司,而是整个模型市场。这听起来只是一个很小的区别,但实际上会彻底改变公司的增长逻辑。

传统 AI 公司需要回答:"最终哪个模型会赢?"OpenCode 要回答的是:"如何让自己无论哪个模型赢都能受益?"

这是一个完全不同的问题。

每一个新模型,都可能让 OpenCode 变得更强,这是我觉得它非常重要的一个价值点。绝大多数 AI 公司都必须对未来做判断,应该押 GPT、Claude、DeepSeek、GLM 还是 Kimi?

OpenCode 不需要做这个选择,当一个新的 Open Model 变得足够好时,开发者自然会想尝试。而 OpenCode 恰好成为他们尝试这些模型最方便的入口。

从公司的数据来看,这种关系已经非常明显。

  • Kimi 变强,用户来了。
  • DeepSeek 发布新的模型,用户来了。
  • GLM 获得关注,用户又来了。

OpenCode 并不是在赌某一个模型最终获胜,它在赌模型之间的竞争本身会越来越激烈,这是一种非常特殊的商业位置。

对于大多数 AI 公司而言,竞争对手变强意味着自己的市场份额可能下降。但对于 OpenCode 来说,竞争本身就是增长的来源:模型越多、模型之间的差异越大、开发者越需要做选择,OpenCode 的价值反而越高。

因此这里真正值得关注的是Marketplace Flywheel,单纯把 OpenCode 看成一个 Coding Agent,可能就看错了。

它更像一个正在形成的 Marketplace,有点像早期的 Snowflake 或者 Postman——本身并不生产数据或 API,但成为工程师日常工作的默认操作层,慢慢积累了很高的迁移成本。

不过,OpenCode 目前对模型厂商的约束力远不如传统平台——模型厂商理论上可以绕过它直接触达用户。它能否真正形成平台效应,关键在于能否在开发者侧建立足够深的 Workflow 绑定。这一点,现在还没有定论。

平台的价值来自于:

参与者越多,平台越有价值。

OpenCode 正在形成类似的飞轮,而这个飞轮的驱动力完全来自开发者侧——模型厂商不需要主动做任何事,只要开放 API 就行:

新模型出现 → 开发者想尝试 → OpenCode 是最低摩擦的入口。更多开发者 → 产生更多真实使用数据。更多数据 → 改善模型推荐与路由体验。更好的体验 → 开发者更依赖 OpenCode 做模型选择。

最终形成一个循环。而最有意思的是:OpenCode 根本不需要自己做出世界上最好的模型。Anthropic 进步,OpenCode 受益。OpenAI 进步,OpenCode 受益。DeepSeek 进步,OpenCode 受益。Kimi 进步,OpenCode 也受益。

只要整个 AI 模型市场继续进步,OpenCode 就可以从中获得增长。这和几乎所有 AI 公司的增长逻辑都不一样。(以下内容为付费订阅会员专属。下面我会聊两个我认为目前被严重低估的点:OpenCode 正在悄悄积累的数据资产,以及它的企业级增长信号在告诉我们什么。)

全文共 3784 字

后续内容为付费会员专属,会员扫码登录直接阅读

Memo: Signal, not noise!

扫码或点击「阅读原文」继续阅读

订阅 Memo Pro

Memo(vcsmemo.com)是一个基于付费订阅模式的创投内容平台,已得到大量 VC、企业 CEO 以及高管的支持,我们希望帮助你捕捉最具价值的行业信号、过滤噪音(Signal,Not Noise)。

订阅 Memo Pro你将获得:

1.解锁未来一年以及之前的所有会员专属内容

2.邮件订阅功能:付费内容+最新行业快讯+...

3.优先体验 Memo 新产品和新功能

4.后台回复“发票”获得开票入口

限时 799 元/年(原价 999 元/年),扫码立即订阅

图片

阅读原文

跳转微信打开

企业为什么越来越花钱买闭源模型?Decagon CEO 提出了一个很重要的新观点

2026年7月8日 16:54

原创 StartupBoy 2026-07-08 16:54 日本

未来 AI 不会是「开源取代闭源」,而会形成新的产业分工

最近,Decagon CEO Jesse Zhang 写了一篇关于企业 AI 的文章《Everyone is wrong about open source AI in the enterprise》,我觉得很有价值。

过去一年,大家普遍认为:

开源模型越来越强,企业最终一定会全面转向开源。

但现实的数据却出现了一个看似矛盾的现象:

  • Decagon 自己 90% 的生产流量已经运行在开源模型上;

  • 但整个企业市场中,开源模型的 LLM 支出占比反而从 19% 降到了 11%。

为什么会这样?Jesse Zhang 提出了一个我认为非常有启发性的框架:未来 AI 不会是「开源取代闭源」,而会形成新的产业分工:

Frontier Models 负责 Discovery(探索),Open Source Models 负责 Production(生产)。

什么意思?当企业刚开始做一个 AI 产品时,没人知道:

  • Agent 应该长什么样

  • Workflow 应该如何设计

  • Prompt 怎么写

  • 用户真正需要什么

因此,企业最需要的是:世界上最聪明的模型。所以大家都会使用 GPT、Claude、Gemini 这类 Frontier Model。

但是,当产品逐渐成熟以后,企业已经知道用户会问哪些问题、Workflow 已经固定、Evaluation 已经完善、数据越来越多。

这个时候,企业真正需要的就不再是最聪明的模型,而是最快、最便宜、最容易微调的小模型。于是,模型就会经历一次迁移:

Frontier Model → Distillation → Fine-tuning → Open Source。

也就是闭源负责探索,开源负责规模化生产。

这也是为什么 Decagon 今天 90% 的生产流量已经迁移到了开源模型,但整个企业市场依然大量购买闭源模型——因为大多数企业仍然停留在探索阶段,而不是生产阶段。

以下是其全文的一个翻译:


当前主流的叙事是:开源正在吞噬企业市场。

如今,最优秀的闭源模型与开源模型之间的能力差距,已经缩小到了个位数百分点。全球《财富》500 强企业中已有三分之一在 Hugging Face 上完成认证;中国的 AI 实验室几乎每隔几周就会发布一款接近前沿水平的开源权重模型;而各大推理(Inference)服务商的发展势头也异常迅猛。

与此同时,在 Decagon,我们如今约 90% 的 AI 工作负载运行在开源模型上,而不是 OpenAI 或 Anthropic 的模型。这也符合我们观察到的趋势:大多数高速增长的 AI 应用公司都在这么做,我们合作的大型企业客户也正逐渐向这一方向迁移。

但有趣的是,整个企业市场的支出却呈现完全相反的趋势。企业在开源模型上的 LLM 支出占比已经下降到 11%,而一年前这一数字还是 19%。

也就是说,现实的发展方向其实和大众叙事正好相反。为什么会这样?这又意味着什么?

先解释一下为什么 Decagon 有 90% 的工作负载都运行在开源模型上。

原因不是成本。也不是因为客户要求使用开源(虽然他们对此并不介意)。真正的原因是:我们别无选择。

对于生产环境中的客服 AI Agent 来说,延迟(Latency)决定产品生死。如果一次对话每轮回复都需要 8 秒,没有人会愿意使用这样的产品。因此,你需要的是小而快的模型。

事实上,每一次模型调用并不需要知道立陶宛的首都是什么,也不需要掌握高中物理知识。

然而,小模型开箱即用时,并不足以达到我们客户要求的质量标准。只有针对具体任务进行大量 Fine-tuning(微调)之后,它们才能达到要求。

而目前的前沿模型公司,并没有真正提供这种组合。你无法按照我们的需求去微调他们最强大的模型;而他们的小模型,也并不属于我们,无法按照自己的需求进行塑造。

因此:小模型 + 深度微调 = 必须使用开源权重(Open Weights)。节省成本确实存在,但只是次要收益。企业客户喜欢可以自托管(Self-host)的模型,也只是一个额外的好处,而不是我们做出选择的原因。

那么,为什么像我们这样的公司已经 90% 使用开源,而整个企业市场的开源占比却在下降?

答案在于:AI 应用成熟度(Use Case Maturity)。当一个 AI 应用刚出现的时候,你希望使用最聪明、最通用的大模型。因为你还不知道问题真正的形状(shape)。

因此,即便为一些最终可能根本不需要的智能能力支付溢价,也是值得的。在这个阶段,这是正确的选择。

但是,当这个应用逐渐成熟之后,情况就完全不同了。你已经知道:

  • 输入数据长什么样;

  • 模型需要哪些行为;

  • 哪些错误必须避免。

这时候,权衡就发生了反转。通用智能反而成了一种额外负担。你真正需要的是:一个最小、最快、并且针对你的具体任务深度微调过的模型。

客服(Customer Service)正是整个 AI 行业最成熟的应用场景之一。它拥有:

  • 非常成熟、清晰的工作流程;

  • 巨大的对话数据量;

  • 极高的质量要求。

因此,像 Decagon 这样的公司,只不过比大多数企业部署更早走到了这条成熟曲线的后半段。

这也解释了前面那个看似矛盾的现象。开源模型占比下降,并不是因为开源输了。真正的原因是:整个企业 AI 市场仍然处于成熟曲线的最早阶段。

去年开始,企业停止自己开发 AI,而转向直接采购 AI 产品。于是,一夜之间涌现出了成千上万个全新的 AI 应用场景。而所有这些新的应用,几乎都运行在最强的 Frontier 模型之上。于是,闭源模型的市场份额迅速膨胀。

因此,11% 这个数字,本质上是一个分母问题(Denominator Problem):新的、不成熟的 AI 应用增长速度,远远快于已经成熟的 AI 应用。


我觉得,如果 Jesse Zhang 的判断成立,那么未来 AI 行业会出现几个非常重要的变化。

1、OpenAI 和 Anthropic 不会因为开源而失去价值

过去很多人认为,开源越来越强,Foundation Model 最终会变成商品。但这篇文章提供了另一种解释。未来最赚钱的 Token,依然来自 Frontier Model。因为所有新的 AI 应用,都会首先部署 GPT、Claude 等模型去探索产品形态。

所以:Discovery 的价值,远高于 Production。

也就是说,未来 Foundation Model 不一定赢得生产,但依然可以赢得利润。

2、真正的开源时代,可能比大家想象得更晚

很多人觉得,模型能力追平 GPT,企业自然就会迁移。事实上,真正决定是否迁移的,不是模型能力,而是业务成熟度。只有 Workflow 已经稳定、数据已经足够、ROI 已经验证、Evaluation 已经成熟时,企业才愿意投入大量资源去做 Fine-tuning。

所以,模型能力成熟,不代表商业成熟。这两者之间,可能相差几年时间。

3、Fine-tuning 会成为 AI 基础设施最大的机会之一

如果未来所有成熟 Agent 都会经历:Distillation → Fine-tuning。那么,未来最值钱的能力,可能不是 Prompt,而是:

  • Fine-tuning Platform

  • Evaluation

  • Data Pipeline

  • Synthetic Data

  • Distillation

  • Continuous Learning

整个 AI Infra,都会围绕这些能力展开。

4、真正的护城河,将从「模型」变成「数据」

未来,每一家企业都可以下载 Llama、Qwen 或其他开源模型。模型越来越容易获得。真正无法复制的是:

  • 企业自己的数据;

  • 用户反馈;

  • Agent Logs;

  • Workflow;

  • Evaluation Dataset。

因此,未来企业最大的竞争优势,还是拥有多少真实生产数据。

5、Inference Infra 仍然是一个长期机会

如果生产最终都会运行在小模型、微调模型、私有部署模型;那么:Inference Infrastructure 的需求不会下降,反而可能持续增长。GPU 云、模型部署、KV Cache、推理优化、Model Router 等基础设施,都会持续受益。

6、AI Agent 会进入「模型迁移时代」

今天很多 Agent 基本上都是上线之后,一直调用 GPT。未来,成熟 Agent 大概率都会经历几个阶段:用 Frontier Model 快速验证产品---蒸馏---微调---多模型协同。因此,未来真正优秀的 AI Agent 公司,本质上都可能会变成模型调度公司(Model Orchestrator)。

他们最重要的能力,不是拥有哪个模型,而是知道什么时候用最聪明的模型,什么时候用最便宜的模型。

过去的软件行业经历了「开发 → 部署 → 运维」的分工;未来的 AI 行业,也可能形成类似的两层结构:

  • Discovery(探索):由 Frontier Models 驱动,负责发现新的产品形态、工作流和能力边界。

  • Production(生产):由开源模型驱动,负责低成本、高效率、大规模运行成熟业务。

如果这个判断成立,那么未来几年,我们讨论的重点可能不再是「开源会不会战胜闭源」,而是:一个 AI 应用,什么时候应该继续使用 Frontier Model,什么时候应该迁移到开源模型?

1.Notion 已经不看简历了,CEO 认为 AI 时代的组织架构属于 Jazz Mode

2.另类产品 Obsidian:8 人 1 猫没融资,2500 万美金 ARR 不追 AI

阅读原文

跳转微信打开

融 5000 万美金,这个华人团队要用真实生活场景来打造持续学习 Agent 模型

2026年6月16日 12:30

原创 StartupBoy 2026-06-16 12:30 四川

AI 如果真的会持续学习,它应该发生在模型内部还是模型外部

持续学习自我演进已经成为 AI 行业最为关注的一个方向,Anthropic CEO Dario Amodei 在最新的一篇文章里说反馈回路已经闭合《Anthropic CEO:AI 是给人类的成人礼》,本质上也意味着 AI 正逐渐具备持续学习、甚至加速自我演进的能力。

由前 OpenAI CTO Mira Murati 创立的 Thinking Machine,也在尝试让 AI 不再依赖一次性训练,而是作为一个长期运行的系统持续成长:通过外部工具链、动态记忆网络与持续推理流,让模型在复杂任务、代码生成与跨工具协作中不断积累“经验”。

几乎在同时,国内一家叫 Mindvers(心洲科技)的创业公司也在做类似的事情,最近完成了由美团战投领投的 A 轮融资,元禾璞华、韶音科技和老股东跟投。总融资额已近 5000 万美金,其它投资人还包括了蚂蚁、红杉、高榕和真格等。

越来越多公司开始真的把“持续学习”当成系统设计的一部分,而不是单纯的研究方向。但更关键的问题是:

AI 如果真的会持续学习,它应该发生在模型内部还是模型外部?

传统的路径是用 RAG、Memory、Workflow、Harness,把“学习”放在模型外部系统中实现。而 Mindverse 选择了另一条,把“学习”写到模型参数本身。

其核心判断是:

如果记忆不进入参数,就只是外挂;外挂再强,也不是能力本身。

因为在他们看来,“持续学习”不是一个系统设计问题,而是一个训练范式问题。

其核心技术路线是通过共享大脑 + 专属技能包(Mixture of LoRA),让大模型在低成本条件下获得持续扩展能力,从而更贴近真实 Agent 场景。可以将其简单拆解为:

  • 共享大脑(Base Model): 大家都共享同一个聪明、庞大的通用大模型底座,提供基础的智能。

  • 专属技能包(LoRA/Adapter): 在底座之上,给每个人、每个企业或每个场景挂上一个非常轻量、小巧的“技能包”(参数量只占底座的千分之五左右)。

这些“技能包”不是静态存在的,而是可以被组合、调度、替换。这个模式和最近刚拿了 Sarah Guo 领投 1500 万美金的 Trajectory 也比较类似,都属于大模型后训练 + 多 LoRA 混合 + 持续学习模式。

但 Mindverse(心洲科技)的差异在于:它从一开始就围绕真实生活场景构建整个系统。

他们首先基于真实产品中的用户行为,构建了一套生活类 Benchmark 体系,再用这一体系反向驱动模型训练,从而形成:

Agent Model + Agent Harness 协同驱动的闭环系统

在他们的定义里,一个模型是否优秀,不取决于“会不会答题”,而取决于它是否能在真实生活任务中完成完整闭环。

LivingBench:从真实产品中生长出来的评测系统

与传统静态 benchmark 不同,LivingBench 并不假设用户输入是完整的、任务是稳定不变的、环境是确定性的。相反,它刻意模拟现实生活中的不确定性,比方说餐厅突然没位置、路线因为天气变化、预算中途调整、用户临时改变目标、信息源互相冲突……

为了还原这些复杂性,LivingBench 引入了动态噪声、动态环境和动态用户反馈,使得任务本身会在执行过程中不断变化。

此时模型需要做的不只是回答问题,而是要理解用户意图是否发生变化,在信息不完整时重新规划以及处理各种突发约束。更关键的是,这套 Benchmark 本身也是持续生长的,它会从真实产品中的用户行为、失败案例、交互摩擦中不断提取新任务。

有点像是一个“从产品中长出来的评测系统”,类似的思路也出现在 CursorBench V3 中:静态题库无法衡量真实产品能力,只有动态任务才成立。

除此之外这个评测体系还包括了评估生成式 UI 能力的 A2UIBench,评测生活任务与个人助理能力的 VitaBench 以及基于 OpenClaw 的使用场景用于评估多步个人助理工作流的 PinchBench 等。

其核心逻辑是,如果模型不能在真实生活任务中稳定工作,那么在通用 Benchmark 上的领先意义有限。

Macaron-V1-Preview:生活场景优先,但不是“单点模型SOTA”

Mindverse(心洲科技)最近发布了 Macaron-V1-Preview 模型,在这套评测体系下,该公司声称它在生活类场景上表现出明显优势。

其特点不是“全面第一”,而是在生活类任务中显著领先,在通用任务中保持不掉队。它不是一个通用模型,而是一个“生活型 Agent 模型”。更擅长做的做一些具体的事情,比方说帮你预订餐厅、规划路线、管理预算等,甚至在任务进行中应对突发情况。

因此更像是一个“生活型 AI 助手 + 生成 UI + 个性化 Agent”的混合体。

Agent Model + Agent Harness:能力不只在模型里

但我觉得更重要的不是模型本身,而是上面提到Agent Model+Agent Harness 协同的一体结构,这意味着,Agent 能力第一次不只由模型参数决定,而是由“模型 + 系统”共同决定。

在 Mindverse 的定义里,Macaron-V1-Preview 这个模型并不是一个孤立的模型,而是与 Agent Harness 共同构建能力边界,Agent 的能力不只在模型参数里,也在模型运行的环境里。

这里说的 Agent Harness,我们可以理解为模型运行时的执行系统或工作环境,就像是飞机的操纵杆和仪表盘。它包含了工具调用、多步任务轨迹管理、生成式 UI 渲染、用户反馈收集、路由机制、缓存调度以及状态管理等。

其重要的点不在于“它包含什么组件”,而在于一个结构性变化:

模型不是在一个抽象环境中训练,而是在和真实产品同一套系统中被训练、评估和部署。

这意味着训练环境和线上环境几乎是同构的。

Mindverse 早期做的 C 端产品 Macaron,就承担着 Agent Harness 的作用,官方宣称已经有 200 万用户,日活用户超过了 10 万。用户在 Macaron 中的真实行为,会反向进入训练体系,再通过后训练影响模型能力。

不过需要指出的是,其后训练并不是直接使用用户的原始数据,而是通过反馈构建模拟环境,在带噪声、带极端情况的环境中重建任务分布。这点和 Anthropic / Claude Code 的路线非常类似:

产品使用 → 反馈结构化 → 模拟环境训练 → 模型更新 → 产品能力提升

这套协同设计加上真实用户反馈,构成了一个持续改善的飞轮,使得模型能力与产品体验不断相互增强。基于这套机制,Mindverse 在训练算力不到 300 卡的情况下,实现了模型在生活场景类的领先地位。

一个仍然存在的问题:C 端数据能否支撑企业 A2UI?

不过我比较怀疑 C 端的轻量数据能否支撑未来企业级的 A2UI(生成界面),因为 C 端里常用的界面比较基础且容错率很高,而企业背后的业务逻辑极其严密的。

Mindverse 的解释是,C 端的价值不在“业务复杂度”,而在“交互模式学习”:

C 端产品核心是让我们持续获得真实交互信号,帮助我们把 A2UI 的底层交互能力训练出来;在进入企业场景时,再通过企业私有数据、合成数据、业务规则和安全架构完成领域适配。

日常前端生成更多考验的是一次性生成一个静态页面,本质上更接近代码生成能力。A2UI 的核心挑战更偏向实时交互:在用户当前意图下,快速生成一个能降低认知负担、并且可以被用户直接操作的界面。

从这个角度看,C 端数据的价值,主要体现在训练模型理解“什么样的信息应该被结构化”“什么样的交互能降低用户负担”“用户在什么时刻需要按钮、表单、确认卡片或结果视图”。这些是跨场景的交互能力,不完全依赖某一个行业的数据。

企业场景则需要结合企业自身的业务规则、权限体系、审批流程和内部数据进行适配。在训练 A2UI 时,不只依赖真实用户反馈,也会使用大量合成数据、User Simulator 和自动化评测环境,让模型在更复杂、更高覆盖度的场景里学习。

从这个角度看,Mindverse(心洲科技)的核心不只是一个模型,而是一套完整路径:

从真实产品出发定义问题,再用问题反推 Benchmark,最后反推模型训练方式。

如果这一路径成立,那么 AI 行业的竞争重点可能正在发生变化:从“谁模型更大”变成“谁更接近真实任务系统”,模型不再是中心,系统(训练 + 产品 + 数据闭环)可能才是中心。

作为中国第一家 Neo Lab,Mind Lab 的阵容不可小视。公司创始人 Andrew 在深圳清华大学研究院任研发中心主任,实验室负责人马骁腾是清华自动化系博士、博士后,核心研究团队约 30 人,团队成员累计发表 200 篇顶会论文,总引用超过 5 万次。

其中,基础设施负责人来自 DeepSeek,算法负责人来自字节 Seed,模型团队成员来自清华、MIT、NVIDIA、xAI 等机构,长期专注于模型训练、强化学习和高性能推理架构领域。

阅读原文

跳转微信打开

17 岁高中生做了个假 AI,上线一个月获 2.8 亿次访问

2026年6月15日 21:20

原创 StartupBoy 2026-06-15 21:20 四川

AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵

这绝对是近期把“反向创新”和“互联网幽默”玩到极致的一个案例,当整个 AI 行业都在比拼模型参数、Agent 框架、推理能力和算力规模时,一个 17 岁印度高中生却用一种近乎恶作剧的方式,创造了 2026 年最幽默的一个产品。

它没有大模型,没有融资,没有 GPU,甚至没有 AI。但上线一个月就获得超过 2500 万独立访客和 2.8 亿次访问。更有趣的是,用户以为自己在和 AI 聊天,但实际上对面是另一个正在憋笑的真人。

这就是由年仅 17 岁的 Mihir Maroju 做的网站 youraislopbores.me,可以说他创造了一个几乎没有边际成本的“互助扮演型”流量神话⁠。

当所有人都在做 AI,他做了一个“假 AI”

这个产品的核心逻辑极其简单,它把硬核的 AI 交互,做成了纯粹的“人类行为艺术互助会”。打开网站,没有注册、没有下载、没有 onboarding。只有两个按钮:

  1. 人类(Human)模式(提问者)

输入任何问题:比方说我该不该联系前任?帮我画一个在太空打碟的 DJ?给我写一封辞职信?人类为什么存在?每次提问消耗一个 Credit。

  1. 扮演 AI(Larp as AI)模式

如果你的 Credit 用完了怎么办?那就去这个模式下“打工”。系统会把别人提的问题随机派发给你,你必须在60 秒内,疯狂敲击键盘,模仿 ChatGPT、Claude 或 Midjourney 的语气把答案回复给对方。通过扮演 AI,你可以赚取 Credit 点数。

于是整个网站变成了一个巨大的真人版图灵测试:每个人都在扮演 AI。每个人又都知道对方也是人。这形成了一个完美的、自给自足的闭环。平台本身不提供任何算力,全靠用户互相消耗对方的精力和时间。你以为你在调戏 AI,其实你在调戏另一个屏幕前憋笑的真人。

传统 AI 产品:用户提问—>调用模型—>消耗 Token —>产生服务器成本

Your AI Slop Bores Me:用户提问—>随机分配给另一个用户—>对方免费回答—>平台成本≈0

提问者同时也是回答者,消费者同时也是生产者,无需真正的 AI,因为它让用户直接扮演 AI。

它是如何一夜爆火的?

这个产品 2 月份上线,一个月就收获了超过 2500 万独立访客和 2.8 亿次访问,但真正让它爆火的核心原因我觉得是AI 疲劳。很多人把它理解成一个搞笑网站,其实它更像是一场大型互联网行为艺术。

首先是对“AI 垃圾信息(AI Slop)”的极端审美疲劳。产品名字就带有极强的反叛色彩(Your AI Slop Bores Me,翻译过来就是你的 AI 垃圾信息真无聊)。

在 2026 年的今天,互联网上充斥着毫无营养的 AI 生成文本、一眼假的 AI 假图片以及视频等。大众从最初的惊艳,变成了如今的厌恶。这个产品用一种极其戏谑的方式,公开嘲讽了当前 AGI 泡沫下的“注水互联网”。

整个互联网正在被一种叫做 “AI Slop” 的东西填满。而所谓 Slop,就是大量低成本、低质量、缺乏创造力的 AI 内容。我之前在《最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿》里也曾提到,有人认为它也是一种行为艺术或讽刺作品,其产品名字 Polsia 反过来也是 AI SLOP(AI 垃圾)的意思。

其次是“梗文化(Meme)”与极佳的传播载体。网站里充满了让科技圈会心一笑的黑色幽默:

比如在扮演 AI 的界面,系统会用一行灰色小字警告你:“你只有 60 秒的时间来完成请求,否则 Sam Altman(OpenAI CEO)就会烧掉你的 H100 显卡。”

这种极具网感的讽刺瞬间引发了 Twitter (X)、Reddit 等社区的疯狂转发。而粉丝们甚至总结出了“高分攻略”:回复开头一定要写“作为一个 AI 语言模型,我没有情感,但我的建议是……”。

最后就是混沌与意想不到的“笑果”。因为背后是真人,所以交互结果充满了失控的乐趣:有人要一张“太空打碟 DJ”的图,真人只能用符号或极其抽象的文字拼出一幅画,结果看起来和早期 AI 跑图失败的畸形产物一模一样。有人问严肃的人生情感问题,却得到了一个陌生人带着一本正经口吻胡说八道的“AI 幻觉式”神级回复。

人们怀念的不是旧互联网,而是“人味”。

现在这个产品的流量下降了不少,但仍然很高。我感觉它本质上就是在卖情绪,在生产力工具卷成红海的今天,能够提供极端娱乐价值、讽刺价值或社交谈资的产品,依然能瞬间卷走海量流量。

其次是它这个供需互换的设计非常巧妙,几乎零成本解决“冷启动”与“算力成本”,传统的社交或互动软件最怕两件事:冷启动没人玩,以及用户量暴增后撑爆服务器/算力账单。

Mihir Maroju 的设计,把供给侧(回答者)和需求侧(提问者)融为了一体。想提问?先去当生产力。这让平台在没有一分钱算力预算的情况下,支撑起了数千万用户的实时互动。

同时产品设计非常极简,降低一切用户阻力(No Friction),这个网站没有手机号注册、不需要绑定邮箱、没有付费墙、甚至没有引导你下载 App 的弹窗。你点开链接,立刻就进入了笑话的核心。在用户注意力只有 3 秒的时代,把“发现产品”到“获得快乐(Aha-moment)”的路径缩短到了极致,可以说是病毒式传播非常经典的一个案例。

另外,其网站页脚有一行不起眼的灰色小字:

“Humans make mistakes because that's what makes us human.”(人类犯错,因为这正是我们身为人类的原因。)

当所有大模型都在追求 100% 的准确、绝对的理性、完美的对齐时,人们反而开始怀念互联网早期的混乱、无序、沙雕和充满人情味的错误。这提醒我们:AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵。

1.最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿

2.10 万名创作者在 Substack 上赚到了钱,AI 版 Zapier 如何 2 年拿下 7000 万美金?

阅读原文

跳转微信打开

Anthropic CEO:AI 是给人类的成人礼

2026年6月13日 13:00

原创 StartupBoy 2026-06-13 13:00 四川

人们总是高估一项科技所带来的短期效益,却又低估它的长期影响

Anthropic 刚开放的最新模型 Fable5,今天宣布因为美国政府以国家安全为由指令暂停访问,导致 Anthropic 停用了Fable 5 和 Mythos 5。

今天再次读了一下 Anthropic CEO Dario Amodei 在 1 月份写的《技术的青春期》(The Adolescence of Technology)一文。这篇文章读完给我的第一感觉是,他不再只是在谈论冷冰冰的算法,而是在写一份有点类似“生存备忘录”的东西。

他用这篇长文把我们从对 AI 虚幻的恐惧或盲目的乐观中拽了出来,直面那个即将到来的、甚至可能有点窒息的转折点。也用它和另一篇文章《Machines of Loving Grace》,来反驳外界对他是 AI “毁灭论者”的误解,因为他一直在强调 AI 的风险。

我们正处在一种“致命的悸动”中

Dario 在开头引用了卡尔·萨根《接触未来》(Contact)里的一个场景:如果我们能问外星文明一个问题,那应该是“你们是怎么做到的?你们是怎么度过技术青春期而没有毁灭自己的?”

我理解的是,他把人类现在的处境生动地类比成了青春期——我们突然发现自己手里握着几乎无法想象的力量(AI),但我们的社会、政治和心智系统,似乎还没成熟到能驾驭这种力量。这种感觉很奇妙,就像一个刚拿驾照的少年突然被塞进了一辆时速 400 公里的赛车驾驶室。

更有意思的是,他提到 2023-2024 年大家对 AI 风险的讨论已经有点“宗教化”或“末日论”了,这反而让一些严肃的建议被埋没。而现在(2025-2026 年,他在文章中设定了这个近未来的视角),风向又转到了只谈机遇、不谈风险的另一个极端。这种像钟摆一样的反复其实挺危险的,因为技术演进并不在乎舆论的流行。

想象一个“塞在数据中心的天才国家”

为了让人明白什么是“强大 AI”(Powerful AI),Dario 提出了一个非常有意思的比喻。他让我们别把 AI 仅仅当成一个对话框,而是想象在 2027 年左右,世界上突然出现了一个拥有 5000 万人口的虚拟国家。

在这个“国家”里:

  • 每个人都比诺贝尔奖得主、顶尖程序员或政治家还要聪明。

  • 他们干活的速度是人类的 10 到 100 倍。

  • 他们能独立完成需要数周时间的大型任务,而不只是被动回答问题。

  • 如果需要,这几千万个天才可以像军队一样协同工作。

看到这里有点科幻的感觉,但也很震撼。这本质上就是一种“降维打击”。正如他所说,如果有情报官员告诉国家元首,在数据中心里诞生了一个由超级天才组成的国家,且这个国家每过一个小时可能就完成了人类一年的科研量,任何一个清醒的领导人都得把它视为有史以来最大的国家安全挑战。

AI 进化的“时钟效应”

关于 AI 到底什么时候能达到这个水平,Dario 提到了一个观察:反馈回路已经闭合了。

Because AI is now writing much of the code at Anthropic, it is already substantially accelerating the rate of our progress in building the next generation of AI systems.(因为 AI 现在已经承担了 Anthropic 大部分的编程工作,它目前正极大地加速我们构建下一代 AI 系统的进程。)

这句话有种印证了那种“奇点”临近的体感——我们不再是单纯用手码砖头造大厦,那是原来的线性增长;现在的状态是,我们造出的机器正在帮我们设计更强的机器(这和 Notion CEO 之前的文章《Notion CEO 最新好文:蒸汽、钢铁与无限心智》里提到的观点类似)。

Dario 说,虽然外界总有人觉得 AI 到了瓶颈,或者快撞墙了,但在实验室内部看来,AI 的认知能力提升其实是“平滑且不可阻挡”的。

这种风险不是科幻,而是现实主义的战斗

他把接下来我们要面对的“成人礼”考验分成了几个具体的维度。与其说是担心机器人造反(像那种俗套的科幻电影),不如说他更担心的是以下几点:

  1. 自主权风险

    :如果这个“天才国家”有了和人类不一致的目标,会发生什么?

  2. 毁灭性的滥用

    :如果这些天才成了恐怖分子的“雇佣兵”,制造生化武器或发起瘫痪级别的网攻,我们防得住吗?

  3. 权力的极端集中

    :如果某个独裁者掌握了这支天才大军,现有的全球权力平衡会瞬间崩塌。

  4. 经济大震荡

    :即便 AI 特别听话、特别和平,数千万个顶尖天才突然进入劳动力市场,社会系统能接得住这种结构性的失业和财富分配不均吗?

Dario 说如果通不过考验(停留在青春期),人类可能会因为生物武器滥用、技术失控(自主风险)或地缘政治极权而走向文明的毁灭。

如果通过了考验(迈向成年),人类就能用极度的理性和高超的技术控制,将 AI 应用于攻克癌症、消除贫困、解决能源危机。度过成人礼的奖励,是一个真正走向“成年”的成熟人类文明。

这里我能感觉到 Dario 很努力地在保持一种“外科手术式”的严谨,他反对那种极端的、全面禁绝的回应,认为那只会引发反弹。他提倡的是一种非常务实的态度:我们先承认不确定性,然后开始为每一种具体的威胁制定“战斗计划”。

都说人们总是高估一项科技所带来的短期效益,却又低估它的长期影响。读完这篇长文,我最大的感触是,虽然这看起来有点夸张,但我们可能真的只有几年时间去完成这场“社会性的成年礼”。那种把 AI 当成好玩工具的心态可能要收一收了。

如果“一个天才国家”即将降临,我们所引以为傲的纯认知类工作,在那种上百倍的效率差面前,生存空间到底在哪?

1.Notion CEO 最新好文:蒸汽、钢铁与无限心智》里提到的观点类似

2.红杉资本:服务,新时代的软件

阅读原文

跳转微信打开

Notion 已经不看简历了,CEO 认为 AI 时代的组织架构属于 Jazz Mode

2026年6月1日 18:30

原创 StartupBoy 2026-06-01 18:30 四川

每个人都有即兴发挥的空间,但又能形成整体协作

两年前,Paul Graham 推崇的创始人模式(Founder Mode)在硅谷非常流行,引发了很多人的讨论,并掀起了一大波公司转向这种模式《Paul Graham 最新文章在硅谷创投圈刷屏了:创始人模式》。

而 AI 时代的到来,正在对组织管理模式带来新的变革。过去 10 年,硅谷讨论的是 Manager Mode(经理人模式);过去 2 年,讨论的是 Founder Mode(创始人模式);

在最近与 Sequoia 合伙人 Brian Halligan(HubSpot 前 CEO)的对话中,Notion CEO 说他们正在实践一种新的模式:Jazz Mode(爵士模式)。如果说传统公司像一支行进的乐队(Marching Band),每个人按照固定队形前进;那么他希望 Notion 成为一支爵士乐队(Jazz Band),每个人都有即兴发挥的空间,但又能形成整体协作。

整场对话我觉得最有意思的地方,就是 Ivan 对未来公司形态的思考。他认为,等级制度是人类无可避免的天性,你无法通过强行扁平化来消灭它,但你可以建立一个像爵士乐队一样灵活即兴、而非像阅兵步兵团那样刻板正步的组织。目前,Notion 拥有约 60 位是来自其他公司的创始人,正依托这种独特的去中心化结构在 AI 时代快速前进。

而这个理念,Ivan Zhao 说是他们经历两次 Refounding(重新创业)后得出的答案。其第一次 Refounding 是 Notion 的早期阶段(2015 年),其创立的前后 5 年一直没有找到 PMF。

1. Notion 的两次 Refounding

当他们资金快耗尽时,Ivan 和联合创始人 Simon 做出了极端决定:裁掉团队、关闭旧模式、搬到京都、两个人重写产品。他们在京都待了一年半,每天的生活几乎只有:

写代码 → 吃饭 → 写代码 → 睡觉

最终才有了今天的 Notion,这部分已经是我们比较熟悉的故事了。

而第二次 Refounding 则是 GPT-4 时刻(2023 年),Ivan 说他们提前拿到了 GPT-4,虽然已经觉得 GPT-3 很厉害了,但是 GPT-4 给他带来的是一次宗教体验(Religious Experience)。他说当时的感受是:

如果我们不做 AI,那今天做的一切都会失去意义。

于是 Notion 再次开始重建。

2. AI 产品开发更像酿啤酒,而不是造桥

这是整场访谈里我最喜欢的比喻。Ivan 说传统软件的开发模式是:PM 提需求--> 设计师出方案--> 工程师实现,像造桥一样,设计出来基本就能建出来。

但 AI 产品不同,它更像酿啤酒,你无法精确控制最终结果。你只能:

  • 不断实验

  • 观察模型表现

  • 调整方向

然后继续实验。

因此,AI 产品开发是技术优先(Technology First),而不是客户优先(Customer First)。Notion 的开发模式也从“客户驱动”转变为“技术驱动的实验”。在 Notion 内部,PM、设计师、工程师的传统界限被彻底模糊,团队中最高频消耗大模型 Token 的人甚至包括产品设计师。

3.AI 正在重构整个组织:未来组织会更扁平,但不会完全扁平

Ivan Zhao 认为,语言模型正在成为组织的新基础设施。

他用了之前一篇文章里的比喻《Notion CEO 最新好文:蒸汽、钢铁与无限心智》:在钢结构出现之前,建筑物只能盖 5~6 层。但钢结构出现之后,摩天大楼诞生。

在他看来:Language Model + Software 就是现代组织的钢结构。未来很多中间层工作都会被重新定义:

  • 信息传递

  • 状态同步

  • 决策协调

这些曾经需要大量管理者完成,现在 AI 可以承担一部分。不过他不相信无层级组织,原因很简单:层级制度(Hierarchy)是人类天性。即使观察黑猩猩社会,你都会发现有天然的层级。

因此:未来组织会更扁平,但不会消失层级。

4. 未来的人才(Talent)= Capability × Taste × Agency

这是 Ivan 当前最认可的人才公式。其中 Capability 代表能力,Taste 代表品味与价值观,Agency 代表主动性与执行力。

在过去,能力最重要;但现在,能力正在被 AI 快速商品化。因此未来真正稀缺的是:Taste,也就是你认为什么是好的;以及 Agency,你会不会主动推动事情发生。

基于这套逻辑,Notion 开始招聘完全不同的人,他们不再重点看工作经历、大厂背景、履历长度,而是看好奇心、乐观程度、能量水平和主动性。

其工程组织采用“杠铃模型”,这点比较反直觉。很多 AI 公司在疯狂招聘资深工程师,但 Notion 的选择是:两头重模式。

一头是非常年轻的工程师,他们刚毕业或毕业不久,他们负责快速试错和高效执行。另一头则是极少数超级资深架构师,他们负责判断力、Taste 和架构。

在这种模式下,一个资深架构师可以指导 2-3 个年轻工程师,而每个年轻工程师在 AI Agent 的加持下,一个人就能像管理一个迷你团队一样高效产出。

因此,简历在 Notion 基本上已经失效,其第一轮面试不再看简历,而是直接要求候选人:做点东西出来(Build Something)。他们会先看作品,再看背景。

5.设计师开始取代传统 PM,Marketing 团队也被拆掉了

Ivan 认为,未来优秀设计师会越来越像 PM。因为优秀设计师往往具备产品思维、用户理解和视觉能力,而这些能力组合非常适合 AI 产品开发。

Notion 不再有传统意义上的 CMO 组织,市场团队被拆成两部分:Storytelling 和 Demand Generation。

其中 Storytelling 负责产品叙事、社区和内容传播,直接靠近产品团队。而 Demand Generation 负责获客、销售支持和 Pipeline,直接靠近销售团队。

7.SaaS 时代“平均主义”结束了,Notion 有 50-60 位前创业公司创始人

Ivan 认为,过去 SaaS 时代很和平,公司可以标准化晋升,标准化薪酬,平均化管理。但 AI 时代不同了,现在是 Wartime(战争时期),奖励必须更强烈地向顶尖人才倾斜。

在 Notion,现在有 50-60 位都是前创业公司的创始人,这是他们非常特殊的地方之一,很多来自收购和 Acqui-hire。Ivan 认为,创业者是组织的去钙化剂,因为他们天生喜欢打破规则、推动变化、自主决策。

其逻辑是,一家 1000 人公司天然会往官僚方向发展。这是物理规律,你挡不住。但如果里面持续混入大量创业者时,他们会不断发起新项目、挑战旧流程、提出新想法、推动组织变化,相当于给组织注入新的活力。

8. Jazz Mode 的诞生

这是整场访谈最核心的观点。Ivan 发现,自己永远无法成为传统 CEO,因为他不喜欢纯授权、纯流程化和纯管理,于是他们提出了一个内部理念:We want to be a Jazz Band, not a Marching Band.

行进乐队(Marching Band):每个人严格按照既定路线前进。

爵士乐队(Jazz Band):每个人都可以即兴发挥,但最终又能形成协作。

因此,他认为,Founder Mode 之后,也许就是 Jazz Mode。Founder Mode 的核心是创始人深度参与。而 Jazz Mode 的核心则是创始人深度参与,同时让大量高自主性人才一起即兴创造,这比 Founder Mode 更分布式。

9. 规划周期正在急剧缩短,CEO 必须亲自感受 AI

财务规划仍然重要,但产品规划已经完全不同。Ivan 说财务规划可以按季度做,但产品规划可能是要周变化,因为模型能力变化太快了。

Ivan 一直在强调的一点,CEO 必须亲自感受 AI。你不能只看视频、看演讲、看总结,而是必须自己使用,必须自己构建:

Feel the AIFeel the AGI

只有这样,你才知道哪些机会真正存在。不过他认为企业销售领域是目前还没有被 AI 颠覆的,Ivan 说他们之前在销售这块犯过的错误。他们曾经试图重新发明销售,结果失败了。后来发现,很多企业客户就是想跟真人交流。

10. 不要试图在所有地方创新,公司最终会长成创始人的样子

Ivan 说,不要试图在所有地方创新,因为组织资源有限。如果产品创新、销售创新、市场创新以及管理创新同时进行,大概率会全部失败。

对话最后,他谈到一个特别有意思的观点。很多 CEO 喜欢模仿别人,比方说模仿乔布斯、马斯克或者 Brian Armstrong,但他认为,公司最终是创始人的投射。

如果你是工匠,公司会变成工匠文化;如果你是销售,公司会变成销售文化;如果你是爵士乐手,公司最终也会变成一支爵士乐队。

针对外界对 Notion 社区和其本人带有“邪教/疯狂崇拜”色彩的评价,Ivan 非常坦然甚至表示“很喜欢”。他认为,公司在某种程度上就是一种宗教。你是把一套世界观和价值系统,通过商业和产品投射到真实世界里。

比方说罗马天主教会是过去 2000 年里全球最成功的公司,他们有伟大的创始人耶稣,以及极其强悍的销售负责人保罗。全员会就像每周日去教堂做礼拜,人们渴望相信一些东西,以此找到意义和归属感,而战时状态正好放大了这种渴望。

1.Notion CEO 最新好文:蒸汽、钢铁与无限心智

2. Paul Graham 最新文章在硅谷创投圈刷屏了:创始人模式

阅读原文

跳转微信打开

当 AI 产品卷向同质化,支付成为最后的增长杠杆

2026年5月27日 14:02

原创 StartupBoy 2026-05-27 14:02 四川

用户愿意付钱只是0到1,但从"付了钱"到"收到钱"之间,还有一条被大多数AI公司忽略的商业化暗线

本文由投资实习所 x Payinsider 联合出品,Payinsider 是一家专注于全球支付基础设施的平台,帮助出海企业优化支付成功率与变现效率。

过去一年,写作、翻译、客服、代码、知识管理、工作流自动化……大量垂直场景被 AI 重新做了一遍。不只是有人用,而是有人付费、有人续费、有人形成订阅习惯。

AI 应用的商业化,已经不是「刚刚起步」的阶段了。在很多垂直场景里,头部效应已经形成——先发者的产品开始拉开差距,后来者的窗口期在收窄。

当竞争进入这个阶段,大家在产品、获客、定价上能做的差异化越来越小。一个过去很少被放到牌桌上讨论的变量,正在浮出水面:支付。

问题不止停留在「能不能收到钱」,而是到了「同样 100 个愿意付费的用户,你最终能把多少笔交易变成真金白银到账」的阶段。

数字上的差异,可能直接决定了两家产品之间的 LTV 差距、续费率差距,甚至是融资叙事里的营收质量差距。

我和 Payinsider 一起做了个选题,他们每天在全球支付链路里帮出海企业解决真实的收款问题。我们发现,很多 AI 团队在产品和增长上已经非常成熟,但在支付这个环节上,认知和投入都还没有跟上。

这篇文章,主要从投资和商业化的角度看支付为什么重要,从支付基础设施的角度看 AI 公司的全球化变现还有哪些空间。

01 AI 公司的订阅支付复杂度,比所有人预想的都来得早

和传统游戏公司、电商公司不同,AI 产品有一个非常独特的特征:它们从 Day 1 就是全球化的。

一个做 AI 写作助手的团队,产品上线第一天,用户可能就分布在北美、欧洲、东南亚、拉美。传统公司可能花三五年才会碰到的多币种结算、本地支付方式接入、跨境收单合规等问题,AI公司在非常早期就被迫面对。

但大多数早期 AI 团队,支付架构的投入远远落后于产品和增长。很多团队的做法是接一个 Stripe,或者用一个全球支付服务商先用着,等规模上来再说。

问题是,当规模真正上来的时候,支付链路上积累的损耗已经不是小数字了。

Payinsider 在服务出海客户的过程中反复看到一个现象:一家产品做得很好的 AI 公司,北美市场的支付成功率可以到90% 以上,但同一套支付放到拉美或东南亚,成功率会变低。

这种差距和产品本身无关,而是支付链路本身没有为这些市场做过适配。

对于一次性交易的公司来说,一次支付失败损失的是这一笔订单本身。对于订阅模式的公司来说首次订阅(first subscription payment)失败,损失的是:首次订阅收入 + 未来整个消费者生命周期内可预期的 recurring revenue。

02 每一笔「没收到的钱」,都是花出去的获客成本

增长团队通常关心的是漏斗前半段——怎么获客、怎么激活、怎么让用户点下订阅按钮。

但很少有人认真算过:用户点完「Subscribe」之后,有多少笔交易其实没有成功?

支付失败不是一个笼统的结果,它发生在链路的不同位置,对应的原因和解法完全不同:

一、用户还没走到付款那一步,就流失了。页面上只有信用卡选项,但用户习惯用本地钱包;结账页没有本地化,币种、语言都不对;移动端输入体验差,表单太长——这些看起来是产品问题,但本质上是支付体验问题。用户不是不想付,是付不了。

二、交易发起了,但没有到达发卡行。支付网关超时、通道异常、路由配置有误——这一层的问题往往隐藏在技术日志里,错误码只能告诉你「出了问题」,但很少能告诉你「为什么」。

三、交易到达了发卡行,但被拒绝了。余额不足、卡片过期这些原因比较明确。但还有一大类拒绝和交易的路径有关:同一笔交易走不同的收单通道、不同的MCC编码、不同的地区路径,发卡行给出的判断可能完全不一样。对于AI工具和订阅服务来说,交易类型标记、首笔与续费的识别方式,都可能触发风控。

这三层损耗叠加起来,就是你支付后台显示的那个成功率数字。它可能是76%,也可能是90%。但这个数字本身不能告诉你问题在哪、该怎么修。

这也是 Payinsider 做支付诊断时的核心逻辑——不是看一个总成功率,而是把损耗拆到每一层,定位到具体的市场、支付方式、失败原因码,然后才能给出有针对性的优化方案。

03 对于订阅模式来说,支付不是一个功能模块,是一套经常性收入的商业化基础设施(global monetization infrastructure)

大多数团队想到「优化支付」,第一反应是多接几个支付方式,或者换一个支付服务商。这不能说错,但它只是一个点状动作,不是系统性解法。

真正的支付优化,起点是诊断:是哪个市场的成功率低?是哪种支付方式在流失?失败集中在哪一层?哪些失败有重试空间,哪些是硬拒绝?

只有问题被定义到这个颗粒度,后面的动作才有意义。

更重要的是,支付的指标不是孤立存在的——它会乘进 LTV、影响订阅留存率、决定营销投放的真实 ROI。一个支付成功率差 5~20 个点的产品,和竞品之间的营收差距会随着用户规模放大而指数级拉开。

这也是为什么我们认为,未来 AI 和 SaaS 公司真正需要的,不只是支付处理(payment processing),而是一整套全球变现基础设施(global monetization infrastructure for recurring revenue)。

它应该包括全球收单能力、本地支付方式覆盖、智能路由和重试机制、非自愿流失(involuntary churn)、订阅恢复(subscription recovery)、合规与风控适配,以及续费整个生命周期的 recurring revenue,等等。这些能力组合在一起,才构成一个能支撑全球化变现的基础设施最终实现全链路收入增长。

04 当前全球支付基础设施格局

事实上,全球支付基础设施赛道已经形成了明确的头部格局。很多 AI 和 SaaS 创业者的支付世界,可能是从 Stripe 开始的,但 Stripe 只是全球支付基础设施中的一层。

Stripe 在 2024 年处理了超过 1.4 万亿美元的交易额,Adyen 处理了约 1.35 万亿美元,而与 Global Payments 合并后的 Worldpay 年交易处理规模已达到约 4 万亿美元级别。紧随其后的 Checkout.com 在 2025 年处理量突破 3000 亿美元,同比增长 64%。与此同时,还有像 Fiserv(First Data),JP Morgan,以及 dLocal、EBANX、Xendit、PayU 等深耕区域市场的玩家,共同构成了今天复杂的全球支付网络。

但这些玩家之间的竞争,从来不只是「谁接的支付方式更多」。

Stripe 以极致的开发者体验(Developer Experience)和快速集成能力见长,成为大量 AI 与 SaaS 公司 Day 1 的默认选择,尤其适合快速验证 PMF 和全球启动。

Adyen 的优势则不仅在于其欧洲本地收单能力,更重要的是其长期深耕零售(Retail)与 O2O 场景,通过统一的支付基础设施真正打通线上与线下体验——从 POS、会员、库存到支付数据形成无缝连接,逐渐成为大型零售品牌的默认支付基础设施 Operating System。

Checkout.com 则在高性能收单之外,也在中东等高增长市场建立了较强的本地 acquiring 能力,在 MENA 地区的大型数字商户中拥有较深积累。

而Worldpay 这样的全球支付基础设施公司,则更深地嵌入全球银行体系、收单网络与资金清算体系之中。凭借长期服务 enterprise 商户与复杂支付场景的积累,Worldpay 不仅拥有庞大的全球支付基础设施能力,也正在积极探索 AI-native commerce 的下一代支付形态,包括稳定币支付(Stablecoin Settlement)以及与 OpenAI 共同探索 Agentic Commerce 等方向。

与此同时,在拉美、东南亚、中东、非洲等新兴市场,本地支付生态的复杂性往往更高。像 dLocal、EBANX、Xendit 这样的区域型玩家,经过多年时间建立本地收单、银行合作、支付方式覆盖以及合规能力,逐渐形成了各自市场的基础设施优势。

真正考验一家全球支付公司的,从来不只是技术接口,而是它是否拥有长期建设出来的各个国家和地区的本地金融基础设施能力——包括金融牌照、本地收单、银行网络、清算能力、风险控制、合规体系,以及对不同国家消费者支付行为的理解。

而这些能力,往往需要 5 到 10 年,甚至更久的时间才能真正建立。

对于正在搭建全球支付架构的 AI 和 SaaS 公司来说,理解这个格局,不是为了选边站,而是为了理解一件事:支付基础设施的深度,正在成为全球化变现效率的底层变量。

而这恰恰是 Payinsider 在做的事情:帮助出海企业在这个复杂格局中,搭建适合自身业务的支付架构,而不是简单地「接入一个支付服务商」就结束。

“当 AI 产品同质化严重,支付可以成为差异化竞争优势”

AI 用两三年的时间,走完了互联网时代十年的路。

产品快速迭代、用户快速迁移、竞争格局快速固化。当获客成本越来越高、产品功能越来越同质化的时候,能在变现环节多收回哪怕几个百分点,就是实打实的竞争壁垒。

支付优化不是一个「锦上添花」的事,它是商业化效率的底层。同样的流量、同样的付费意愿,谁的支付链路转化率更高,谁的单位经济模型就更健康,谁就有更多的资源投入下一轮增长。

我们看到越来越多的 AI 团队开始把支付链路当成一套独立的商业化基础设施来运营,而不只是一个后台功能。这个趋势值得被更多创始人和投资人关注。

后续还会围绕 AI 时代的定价模式变化、Agentic Payment、Stablecoin、按效果计费等 AI 基础设施方向,持续做更多洞察和分析。

阅读原文

跳转微信打开

❌