EPISODE· generated 2026-06-01 23:11:37· 1h 14m
Mercor CEO on Why Application Layer Companies Have No Defensibility & Token Spend Exceeds Salaries
在此次访谈中，McCor 的联合创始人兼 CEO Brandon Foody 讨论了运营一家估值超过 100 亿美元的最快成长的人工智能公司的挑战和现实情况。尽管面临严重影响客户关系和收入感知的重大黑客事件，McCor 还是迅速恢复过来，在短短 60 天内将其 ARR 扩展了 3 亿。Foody 还讨论了新兴的 AI 驱动网络攻击威胁，并预测随着公司寻求更好地抵御这些新威胁，AI 安全工程工具的需求将增加。
interviewcryptoaiweb3
ready · seed-vc · qwen3-tts
0:00/0:00
⚠ The Chinese audio is an AI-generated dub (speech synthesis / voice conversion), not a real recording and may contain errors. Based on the original English interview; all rights remain with the original creator.
original lang
EN
dubbed into
中文 (ZH)
pipeline
Plan C · voice conversion
voice model
seed-vc · qwen3-tts
001
在模型之上构建软件层的防御性将极其困难。我们一夜之间就面临双倍的需求。但我们目前没有足够的能力。与我一同加入的是
002
今天坐镇的是 Brandon Foody，MCCOR 的联合创始人兼 CEO，MCCOR 是一家估值超过 120 亿美元、年收入过十亿的 AI 公司。在过去
003
2年了，大家越来越意识到模型就是产品。
004
我认为我们正在实时看到服务正在被自动化。
005
这是Brandon迄今为止最坦诚的采访，讨论一下这里的收入究竟是不是真正的收入？未来会是什么样子？他更愿意选择投资
006
在OpenAI或Anthropic？目前，我们用于内部智能体的词元花费比员工人数的花费还要多。
007
一位高质量的AI研究员要花多少钱？通常每年会达到数千万美元。已经准备好出发了。
008
Brandon，很高兴你在演播室见到我，伙计。谢谢你亲自来和我一起做客。
009
非常兴奋能来参加。谢谢邀请我，Harry。
010
所以我在想我们要怎么来安排这次的内容，我觉得你知道吗？关于Mccor还是有不少谣言和误解的，鉴于这是我们第二次做这个活动，我想
011
可以先打破冰，直接切入主题。所以我们第一个要破解的迷思是，okay，就是说有一个黑客攻击或者泄露之类的事情发生，我不知道你们用什么术语来描述这种情况
012
叫它一个hack，但营收持平。麦考到底发生了什么？真的还是假的？
013
发生了一起事件。其他所有内容都是假的，我们显然处理得非常快。我们与客户保持联系，并且迅速介入了 Mandiant
014
和一些其他的网络安全咨询公司合作，公司的表现一直都很出色。我们与前沿实验室的所有关系都得到了扩展，并新增了3亿词元的净收入
015
过去60天的ARR。
016
六十天内三百亿美元。 [ __ ] 我知道。
017
真的挺疯狂的。是啊，让我们忙个不停。
018
对不起，我必须问一下你在发现黑客攻击的时候在哪里，你做了什么？
019
嗯，那天是星期六所以我是在办公室和我们的工程团队交谈，我想最初的问题当然是我们如何传达这一点
020
客户并试图非常主动地了解究竟发生了什么，访问了哪些内容等。
021
然后我们如何向专家们传达这一点，并且在沟通方面迅速行动，当然从那里开始，确保我们制定出所有必要的
022
确保这种事情再也不发生。
023
你知道有一首精彩的诗，诗人罗杰·凯普林说过，大意是说，在你周围所有人都失去理智的时候，你要保持清醒。那是一个每个人都
024
失去他们的。当然。我绝不是想居高临下地看待这个问题。我们都很年轻。你比我更年轻。
025
你怎么做才能在那种 oh [ __ ] 的时刻保持冷静？
026
很有意思，因为我感觉在整个业务生命周期中，我经历了许多非常紧张的时刻。那确实很紧张，但肯定不是
027
接近最stressful的一个。
028
严肃点。
029
是的。我知道有时候，比如在确保与客户或其他方合作正确无误的时候，我会感到焦虑。但我认为其中一部分原因是当时有一种广泛的看法是
030
推特比实际发生的情况夸张得多。因此，对实际情况有透彻的理解以及建立非常牢固的关系
031
与客户交流给了我们很大的信心，相信我们可以度过难关，在另一边变得更加强大。我们公司原来有六个价值观，但现在又增加了一个
032
第七个价值作为安全措施，确保它深深融入企业文化中。
033
但我认为，嗯，就是那种我们知道自己在做什么的信心，X平台上确实存在一种回声室效应，我们需要稍微对这一点进行一下防范。
034
你关注它吗？创始人需要关注它吗？还是说我认为创始人确实需要关注它，比如我们在一家公司开了一次全员会议，我们就列出了
035
这里发生的情况。业务的发展轨迹，我认为这对整个团队非常有帮助。但是确实很烦人的是，其中有这么多
036
人们说了一些实际上没有发生的事情，我们又不敢太明确地反驳他们，否则就会有Twitter上的 mobs 围观和……
037
知道，这些来自律师等的建议后面往往有很多具有经济利益的人在幕后。
038
完全可以。他们可能会因为你是一家YC公司并且经历了很多[ __ ]而绝对碾压你并持非常负面的态度，因为他们与竞争对手对齐。
039
几天前他们的竞争对手背后有很多人通过各种不同的手段支持，但这种对齐并不明显，但从Twitter上的讨论听起来正是发生了这种情况
040
像我可以想到一个非常显眼的人，投资了多个竞争对手，并且发过这样一条推特，说所有我们的数据都被访问了
041
中国当那完全是不真实的。
042
你提到将安全作为第三个或第七个支柱。我们看到这么多黑客事件，这几乎已经变得习以为常了，尽管这样说听起来很糟糕。我们即将进入网络时代的黄金时代吗？
043
鉴于AI带来的新威胁？
044
我认为是这样的。也就是说，我们甚至在客户那边都能看到这种情况，我们的客户显然非常关注如何提高模型的网络防御能力，以便我们可以
045
拥有最好的AI安全工程师，能够防御所有企业免受这些攻击。因为在我们的事件中，攻击者使用了一群编码智能体来帮助
046
获取系统的访问权限，这在很多情况下都在发生。因此我认为，在AI安全工程工具以及各种形式的防御方面将会出现巨大的繁荣。
047
为了帮助保护公司免受日益增多的网络安全事件的冲击，这些事件才刚刚开始。
048
我可以非常天真和愚蠢吗？
049
如何让成群的编码智能体成为如此危险和恶意的行为者？这到底是怎么运作的？原因在于，当一个普通的攻击者试图寻找漏洞时，他们只能
050
审查了这么多代码，而且要通过人类的速度去查看其中一部分代码。在他们的团队人数受限的情况下，与使用智能体群相比，
051
能够非常详尽地审查整个代码库，查看整个前端以及他们访问的所有不同部分。
052
而这使得许多攻击者可以更快地行动。因此，我们一直在与客户探索各种合作方式，以增强他们的网络安全。
053
防御能力 以对冲这种类型的攻击等。
054
我明白了。关于那些不同客户的情况，你失去的OpenAI和Meta的客户是因为黑客攻击吗？
055
错。我们与OpenAI的关系比以往任何时候都要紧密。虽然我不能过多谈论具体的客户关系。
056
我可以推特吗？
057
当然。我是说，像Meta这样的关系目前还是暂停的。其他所有的Frontier Labs都与我们建立了更紧密的关系。
058
公司表现非常出色。不过他们确实是唯一的， 因为主要是因为安全性。当然还有其他事情发生。
059
Meta是一个独特的客户，因为其规模收购的缘故，所以自然他们会更注重规模方面的工作，但我不想过多谈论具体客户的细节，因为
060
当你看到像握手收入这样的收入呈抛物线增长时，是不是就是把支出从你这里转移到了他们那里？不是这样吗？
061
那不正确。
062
有趣。嗯。那是什么？我可能不应该对此说得太具体。不过好吧， 完全可以。嗯好的，但好吧，所以我们有 我将谈到所有内容，除了
063
客户但我们失去了OpenAI。
064
明白了。好的，cool。 强于以往。
065
因为之前你们很多联系人告诉我了。很棒。
066
好。谢谢。你错了。嗯，你读过这篇文章。你们一直在试图用百万级别的签约奖金挖Micro One团队成员。
067
我们没有向任何人提供过micro one的单次报价。
068
所以没有上百万。
069
没有百万。
070
Bugger. No. 为什么？这到底是怎么来的？因为我读了一篇文章。
071
文章的原因是我们团队有人向Micro One的一些人发送了一封外联邮件，说我们正在招聘各种人才，并且提供非常高的签约奖金。I
072
他们当中有一个说潜在的签约奖金是50万美元。并且我们进行了第一次会议。但是我们没有继续推进任何报价。
073
而显然，这些被媒体框架化的方式是，哦，这是在我们有一名员工发送一条消息给另一名员工的时候发出的提议，你知道，在这种情况下存在着巨大的区别。
074
他们的员工与实际发出一份正式的聘用合同。
075
爱了。公关真是个好东西，对吧？
076
完全。
077
嗯，好的，下一个。破除谬误。我挺喜欢这个的。这应该是个新节目，破除谬误。嗯，你可能对这个问题会感到不舒服。听说亚马逊曾经试图收购过你们
078
为13亿美元。
079
真还是假？那个是假的。我显然不能多说其他收购的事情。所以，我会保留对未来收购问题的评论。不过
080
你卖30亿美元？不，我不卖。
081
我意思是，最终我们得到了很多收购兴趣，我可以带着数十亿美元的现金离开。但问题是这并不是激励我的东西。就像我说的
082
非常有动力去解决这个世界中人类如何融入经济这个极其重要的问题。我觉得我们有机会建造一家传奇公司
083
和创造这一新的工作类别有关。如果我们不是一个独立公司，我们实现这个愿景的概率就不会那么高。人类在经济中的位置。很有趣。当我们
084
看看新闻，我们看到Insur在凌晨四点下跌了1.6万，Medal下跌了8千。
085
LinkedIn a th000 Coinbase ClickUp 现在 22% 的增长。人们很难看到人类将如何适应这个新的经济体系。确实如此。你也有这种担忧吗？我认为在某种程度上，我相信当然会有
086
在未来十年，将会有比今天更多的工作机会，但同时也会有大量的工作岗位被取代。在所有这些裁员中，我认为最重要的
087
问题是理解AI能够做什么工作，AI不能做什么工作。所以我们正在构建许多项目，比如AI生产力指数或Apex等
088
成为行业标准，并回答衡量所有不同流行职业类别的问题，从咨询顾问到投资等领域
089
和银行家到律师再到软件工程师。AI实际上可以自动化哪些任务，哪些任务又无法被自动化？以最大的敬意而言，这难道不是
090
变化如此之快？你知道，当你提到Andre Kapathy如何使用编码智能体时，我原本以为它只占工作中20%的部分，结果它却完成了工作中的80%
091
我最后的20%是在6个月期间完成的。当然。另一个例子就是在Apex上，目前前沿模型达到了大约40%，而一年前，前沿模型还是01%。
092
这在过去一年中得分仅为1%。所以这就是过去12个月的进步情况。当然，我们预计它会继续并且意义重大。但我觉得关键的是，每个人
093
低估了经济需求弹性和生产率提高的弹性。就像最终在过去的250年里，我们提高了生产力25倍，相当于自动化大约
094
96% of someone's 工作。而在每一次技术革命中，从农业革命到工业革命再到计算机革命，人们都担心会有
095
会因为劳动谬误导致巨大的就业替代，人们假设必须完成的工作量是固定的。当我们让人力更高效时
096
生产力提高，这可能会突然意味着工作岗位减少了。然而250年后，工作反而比以往任何时候都多。这是因为我们始终不缺乏需要解决的问题。
097
社会，对吧？我们仍然需要解决气候变化和治愈癌症以及其他所有这些新事物。所以我完全认同这一点。我不认同的是转型的速度。而且我
098
所指的是，当你看工业革命、农业革命时，它们需要跨多个世纪周期来实施和培训新技术以替代人类的工作。而现在对于Nano来说
099
Banana Pro，我可以几乎一夜之间清除掉媒体公司里的所有设计师。
100
我同意你关于替代的观点。确实会有一大波替代，但我also认为经济变得更为有效
101
在创造新的职业类别和分配新劳动力方面。比如一个很好的例子是我们所做的，现在我们每天支付超过300万美元的报酬，在最快创建的职业类别中
102
历史。我预计这将从这里继续呈指数增长。我认为在AI的各个方面将会创造如此多新的职业类别，例如
103
训练智能体进行部署工程，建造数据中心，一直到我们社会本来无法解决的所有问题。比如我们如何
104
解决气候变化的问题？我们怎么让更多的人都投入到火箭探索太空等工作中去？
105
完全明白。你说每天支付三百万。那一年时间呢？一年的时间，大概是这个数字的三倍。九千万。
106
你认为自己有没有雄心勃勃够呢？
107
可能是原来的四倍。我们内部的预测总是比对外公布的更为激进，但去年我们的预测几乎翻了一番。
108
在五年后我们将会有哪些今天不存在的新角色？
109
一个人工智能实验室和企业中常常被低估的一个重要方面是如何重要的一个职位类别是训练智能体。比如
110
我们看到的是，所有知识工作正在向训练智能体汇聚，因为这样做从结构上来说更加高效。与其雇佣一个客户服务代表去
111
冗余地回复数百个工单，他们将训练一个智能体一次完成这项工作。而不是让律师重复性地对几十份类似的合同进行数十次修改
112
智能体如何自动化这些合约。即使在你使用Claude时，也能看到很多重复的工作流，比如你如何准备
113
用于会议或草拟邮件等，只需要你训练智能体如何进行这些活动，就可以在整个有用期间内摊薄成本
114
智能体进入劳动力市场，而不是自己重复做这些事情。我认为这将会带来巨大的范式转变，每个人都将开始管理
115
他们。
116
我想当我们考虑企业采用时，我们面临的一个最大问题就是数据结构和数据清洁度。
117
嗯，我前几天访谈了一位嘉宾，他说数据清理将是未来五年最重要的工作之一。嗯，数据结构和数据清洁
118
企业采用的最大障碍是什么？
119
好吧，我部分同意。我认为模型确实需要访问数据以有效地完成工作，但需要注意的是，它们能够相当有效地清理数据自己
120
推理能力提高了。人类需要贡献的是组织内部的所有隐性知识，这些知识尚未被记录下来。
121
因为我在尝试让代理在整个梅罗尔（Meror）执行这些工作流时发现，智能体需要掌握大量的背景信息，而这些信息都存在于人们的脑海中
122
能够有效执行。
123
而且这其中很大一部分将是员工的新工作，即如何将所有这些知识制度化？我们又该如何培训智能体员，使他们能够有效地完成这些任务？
124
组织中的每一个功能? 我抱歉继续追问，你提到推理能力将使企业更高效地清理数据。为什么呢？
125
> 好，原因是如果一个模型能够，例如，在过去6个月里阅读Slack上每一条消息，那么这个模型显然可以构建一张表格，比如这里列出了
126
所有在CRM等系统中发生的不同客户对话，所以我并不期望人类去做如何结构化数据、如何对其进行分类这类工作。
127
等等，不过我认为人类会做模型本身无法完成的任务，比如知识任务。
128
当我们来看向一些全球最大模型提供数据的市场时， 这是一个如此大的市场，以至于你看到它被拆分成了许多垂直领域。我前几天遇到了一个
129
医疗实际上是提供给他们真实的医疗数据的地方，基本上他们有外科医生戴着某种我不知道的摄像头并且记录所有的实际数据。我们看到的是
130
大规模解捆绑数据提供市场？这是怎么回事？挺有趣的。我们在物理世界也进行了大量的数据收集，尤其是在专业领域
131
你们有电工、机械师和科学家把相机对准自己的脑袋来记录事情。
132
我认为，在某些特定垂直领域能够深入发展的这些小众供应商总是会有一些价值。但我们发现的是，
133
巨大的聚合价值和规模经济，而且当我们拥有超过五百万能够推荐朋友的人才网络时，对我们来说真是太容易了
134
为了找到边缘医生，因为我们有那个庞大的人才网络，可以将我们介绍给他们的朋友。而且更为重要的是，我们构建的这种数据模型会为我们提供帮助。
135
律师的数据形状往往与我们为医生构建的种类非常相似。因此，我们建造的所有工具都非常通用。这就是方式。
136
大多数实验室都在横向扩展其数据。因此，我们发现实验室倾向于与一家非常擅长横向扩展的供应商合作，这家供应商能够
137
要在不同的垂直领域灵活扩展并极其快速地扩展，而不是与100个不同的供应商合作，这些供应商需要对他们相同的数据形状进行培训，并且有100种不同
138
领域。你认为我们会经历一个整合期因为它们太多了所以在很多情况下你会最终收购医疗数据提供商因为它真的很重要
139
部分数据。你认为你会有那个整理期吗？
140
我认为会这样。我认为在大多数市场中，当市场泡沫化严重、任何人都能获得融资并且可以跑负毛利率时，当然会出现这种泛滥现象
141
公司涌现。而当市场回归现实并出现自然调整时，那就是整合期。所以我们认为拥有超过5亿美元的现金和一个
142
将盈利业务作为重要资产，使我们能够在市场修正时做好准备，确保巩固市场份额。
143
你今天已经盈利了。
144
嗯。非常盈利。
145
您多久开始盈利了？
146
我们从未真正烧钱。我们种子轮融资后烧了五十万美元。然后从那以后，我们基本上一直盈利。
147
我们手头的现金比我们以往筹集的都要多。这主要是因为业务增长非常迅速，显然我们会尽可能快地重新部署资本以投资于增长。但
148
嗯，业务发展得太快了，我们还没有能够及时重新部署资本来匹配这种增长。
149
我可以问一个辟谣的问题吗？就是我们在Adasha上节目之后，大家第一次听说的时候好像觉得你们的收入不是真实的收入，而是GMV之类的。当我们理解了你们的收入后
150
什么是今天的收入？我不能分享具体的数字，但可以肯定的是比公开发布的要高得多。让我们给出一个大致的范围，按照我的简单计算，它是
151
老实说，我并不是一个十亿，这只是个容易想到的数字 实际上比这多得多，但好吧 好吧，我们就说是十亿吧，因为对我来说这个数字比较好理解，所以我们有一百亿像这样吗
152
来自Airbnb的销售，然后他们获得其中的20%。
153
收入的毛利率在30%到40%之间。但关键区别在于，为什么是收入而不是GMV，是因为专家实际上是更广泛的价值链中的一部分，而不仅仅是一部分。
154
交付给客户。所以当客户来找我们时，他们通常购买的任务是他们会说，“嘿，这个任务将带来模型改进，并且他们愿意支付1,000美元。”然后我们
155
如何完成从找到专家到聘请专家的整个过程？我们如何构建专家工作的平台，以便专家能够开展工作？我们如何
156
我们的AI项目管理智能体管理专家，自动化所有相关的协调工作，帮助生成这些数据？我们如何实现自动化的质量检查等，以生产出任务的最终产品？
157
为客户提供服务？而这正是我们通过人才网络运作的大不相同之处，就像Uber依靠司机网络运作一样，但这并不是最终产品。
158
以类似那些市场交易平台的方式。让我感兴趣的是，就像你看到的这家公司的业务演变一样，起初我们提供的是一些
159
数据回传给世界上最大的模型，就像最初那样。
160
嗯。
161
现在是从头到尾。我们全程提供，然后发送给你。我们会确保一切准备就绪，并且是完整的堆栈。
162
确实。非常垂直整合。
163
因为下游信号中的很多部分都会影响到上游信号，对吧？比如我们可以根据每个单独数据点的质量检查来确定它们的精度水平
164
了解我们应该招募哪些类型的专家，以实现驱动模型改进的数据。通常这种情况下存在一种非常明显的幂律现象
165
驱动模型改进的数据，在一个包含10,000个任务的数据集中，前2,000个任务将创造大部分价值。因此这使得那些质量极其高的供应商能够
166
在定价权方面具有极大的差异化，因为质量成为了比其他任何维度都更加有价值的关键因素。
167
哪些任务是超高价值的？就像是医疗或金融建模那样的类型吗？
168
这与经济价值极其吻合。所以想想我们服务的前五个领域，首先是软件工程，其次是金融，然后是医学、法律，
169
咨询等，以及那些超长期的任务。所以我认为我们正逐渐远离这样的观念：如何让投资银行家准备一份财务模型和
170
朝着如何让一个银行家能够与五位不同的同事交流，并等待他们的回复，然后准备一整套幻灯片演示文稿并交付成果的范式迈进
171
这包括财务模型的分析在一个多周-long项目中。
172
这些是我们需要构建的任务类型，以便推动研究和评估的前沿，这样人们才能在6到12个月后使用这些模型的能力。
173
几个月。我可以问一下我们在模型能力方面哪些细分领域是不足的吗？比如我们没有足够的医疗数据，没有足够的金融建模数据，等等
174
有没有一个部分，比如说，如果我们要求这个领域的公司在我们的数据供应上补一个洞，我会说或许我会从Meror的角度来谈谈
175
然后我会从实验室的角度来谈。就像我们现在在动员专家方面做得很好，能够接触到几乎所有领域。
176
总是会有某些特定领域的专家，比如一些专门的肿瘤科医生或其他专业背景的人，但我们一般可以很快填补这些空缺。更多的是关于人
177
这些实际上非常适应AI前沿的人，因为这是既有肿瘤学专业知识又能熟练使用ChatGPT或Claude的人，他们能够找到
178
模型会出错，并帮助模型从这些错误中学习。从梅鲁的角度来看，就是这样。从实验室的角度来看，这似乎是全方位的。就像
179
在自动化你可以在谷歌工作空间中完成的所有操作时，障碍在于如何覆盖所有上下文的完整分布，即消息、Slack、幻灯片、Excel表格和所有
180
你在工作中所做的一切任务、指令和输出，以及这些适用于经济中每一个人和个人所在的所有领域。因此，这就是
181
巨大的动员力，调动了成百上千万的人来构建全面分发你所能输入到Google Workspace的一切内容以及更多东西
182
可能在经济中的每个职业类别中都想要退出的另一面。我可以问你一个在我诚实地说之前让我稍微害怕了的推特吗？
183
你之前说大概30到40%是我们从那部分业务预期的收入。 yeah 好的 那么如果我们拿我们已经筹集的轮次来说，哪一轮感觉最不舒服
184
高吗？
185
好问题。好吧，我将依次谈谈每个平台的估值和收入情况。所以 在种子轮融资时， 并不是Phantom用直升机接你来的吗？
186
这是系列。所以我们种子轮融资是在2023年9月，我们的 ARR 已达一百万美元左右或略低于这一水平。最初我不打算融资，因为我想
187
bootstrap 公司。但阿迪安的条件是，我们需要先筹集资金才能退学。于是我们在周日上午 8 点见了通用催化剂公司。他们给了我们一项条款
188
在36小时内完成了一份提案，估值为2300万美元（post-money），融资金额为230万美元。
189
这倒是挺合理的。
190
呃就价格方面， 这是 Max 和 Nico。然后在我们的系列A轮融资中，业务从种子轮到系列A并没有增长很多，但我们发现市场是关键
191
差异化和我们在第一次通话中介绍了我们的营收跑率为1.5百万美元，时间是在2024年五月。Victor当时非常兴奋。最初我拒绝了第二次会面，但他说道：‘你
192
曾经乘坐过直升机，所以Peter带我们进行了直升机飞行。然后Benchmark真的想和我们合作。到他们给我们出具条款书的时候，
193
叫它250万美元的收入，他们给了我们一个2亿五千万美元的投后估值，然后仅仅四个月。
194
这感觉不舒服吗？因为从23到250这是一个很大的跳跃。当时考虑到这一点，这听起来很疯狂，因为我们当时的收入是250万美元，但我预计会达到5亿美元
195
在年底之前实现收入运行率，并且到明年底达到5亿美元。所以感觉像是一个很好的交易。
196
然后， 大哥，你知道像这样的创始人的项目其实并不常见。
197
嗯。嗯。嗯。然后四个月后，我们见到了Felicas，并且从没有想过要做一份PPT或者参加投资者会议。于是Felisa给我们发了一封邮件说嘿，我们知道你们
198
co-founder Sura真的喜欢法拉利。
199
所以你想和我们一起开法拉利赛车吗？然后我回复说你吸引了我的注意。告诉我更多吧。
200
和他们说，"我们在海沃德机场碰面，然后乘坐伊登的私人飞机去拉斯维加斯，在F1赛道上开法拉利赛车。" 所以我说，"我们
201
可在三周后的周日上市。“所以我们这么做，我们竞速法拉利，营收达到2000万美元。他们问我们，“我们认为最合理的估值是多少？”我说1到2亿美元。所以
202
给出一份在2亿美元估值的条款书。当时，你知道，那是营收的100倍，并且大家都认为这是一个高的估值。
203
与此同时，这是一笔了不起的投资。所以，我要坦白地说。
204
这是当时我访谈Adosh的时候。到最后，我说，“伙计，我很想投资。请让我投吧。”你很亲切地让我投了一小笔。然后
205
与世界上一些最大的投资者交谈过。而且不带冒犯，他们笑我说，"哥们，那个价格太高了。你真是要价很高。"
206
好的，事情是这样的。我们在之前的六个月里每月增长了50%。我想他们都没有意识到这种增长会持续下去。
207
随后的12个月以上。
208
嗯。
209
而到九月份，我们已经到了2025年9月或者说是10月的时候，收入跑率达到了4亿美元左右，Felica当时就说我们要投资
210
更多。嗯，所以他们给出了一个100亿美元的估值条款书。我们并不想花太多时间在融资上，因为业务每个月都在以50%的速度增长，所以我们非常
211
心烦意乱。嗯，所以那大约是25倍。嗯，而且你知道这家公司的业务自那时起几乎增长了4倍。
212
所以如果让你选择任何一个，你觉得哪个最不舒服？
213
如果要选择的话，我会说B轮定价最接近我们增长的预期。或者说A轮。我认为可能是B轮。
214
两百亿美元 因为两者都是收入的100倍。但在收入为2500万美元时做到收入的100倍，与在20000万美元时做到收入的100倍是截然不同的。
215
那大概是最大的一笔了，但显然两者 hindsight 看起来都很不错。下一轮融资的情况如何？
216
我们会看看。嗯，估值可能会高得多。我们收到了很多更高估值的报价，但公司运营相当盈利，所以我们花时间看看是谁
217
合适的合作伙伴是。
218
我们也在经历不同的交通方式，不是吗？我们有过直升机，有过法拉利，我们也见过 这是一个很好的观察。
219
Warship now to get the series D. I 我完全同意。我以前从来没有上过战舰，但这听起来很有趣。
220
就位了。所以我排列好战舰。
221
，接下来的12个月对于位于Anthropic和通用AI上游的基础架构公司来说将会比位于它们下游的应用层公司好得多。这是你的推文。
222
嗯。你为什么这么认为？我认为这是因为在应用层的公司和基础模型公司的业务之间并没有太大的区别。就像
223
Claude智能体合作迈出重大步伐，以在医疗和法律领域添加能力显然他们已经在软件工程方面做到了这一点并且可以在金融等领域做到同样的事情所以我感觉像
224
在模型之上构建软件层的防御性将极其困难，而从基础设施方面来看，则感觉存在有意义的方式
225
我们在构建的一些东西，比如我们正在累积巨大的网络效应，在业务中形成相当显著的数据护城河。随着我们为客户提供库存进行扩展时。计算公司
226
显然可以通过这些非常长的研发生命周期来构建模式。因此我认为，在基础设施层将实现很高的利润率，或者说
227
以一种在应用层面上不太明显的方式构建可持续盈利的业务。比如你看到了Nebius，我不确定你是否看到了这一点，但他们将价格提高了30%。
228
我不知道 整体上，这将对需求完全没有影响。
229
而且这不是疯了吗？所以你把价格提高30%，需求一点都没受影响。
230
说实话，对我们来说可能也是一样的。
231
比如，我们有需求要在一夜之间翻倍。但我们没有足够的能力。所以主要的问题是如何有效地扩展，动员更多的人快速构建这些环境。你
232
进行价格弹性测试吗？因为如果能将价格翻倍并使业务规模翻倍， 我们可能无法将价格翻倍。我们或许可以将价格提高30%而不会影响太多
233
一个影响。但你需要考虑的是，定价不仅仅是优化接下来六个月的问题。这是为了在一个结构上取胜，这个结构能够在市场上获胜
234
下一个十年。对吧？因此，我们非常专注于如何为客户做最好的事情？如何为专家做最好的事情？以及我们在构建可持续的业务的同时应该如何做？
235
这样做，但一定要确保我们没有在市场中留下盈利空间，因为高利润率会吸引竞争。
236
好的。我投资了几家下游的应用层公司，比如你提到的Lorra。
237
嗯，你知道我们看到Lora和Harvey的战斗。我认为大家实际上已经认识到他们不应该互相争斗。他们应该警惕Anthropic公司到你的
238
要点。完全正确。
239
嗯，但我看看它，觉得它的防御性非常强大。这是一个非常适合律师工作流程的深度产品。Anthropic 必须要开发出完全独立的产品才行
240
团队，部门将紧随其后。
241
他们必须建立市场推广团队、客户成功团队和采用推广团队。
242
这是一家完全不同的公司。防御性在那里，争论一下也许我会说两件事，首先我认为在过去两年里，大家越来越意识到这个模型
243
是像我们可以构建的这样一种产品，可以搭建起多种不同的抽象层次，试图将各种API调用拼接在一起，并且拥有大量的这种……拼凑逻辑，以前人们需要通过拖拽
244
和去掉智能体构建者，然后他们意识到如果我们给模型最终目标并训练它去实现这个最终目标。它已经超越了所有其他解决方案在
245
几乎我们追查的每一个案例，这种表现都非常适合那些训练端到端模型的人。其次需要考虑的是，软件层能够很好地获取
246
现在复现得非常快。就像我们正在构建一个评估集，用来衡量智能体如何有效地构建端到端的SAAS应用，而2025年是关于你如何获取模型的一年
247
为代码库提交PR并在2026年如何让模型完全克隆Slack的功能和能力将在未来一年内存在于这些模型中
248
这意味著对于押注於软件模式维系其业务的公司来说非常重要之事。
249
如果我们把这个进一步推演，我们能否完全以内驱智能体来构建Slack？这将非常符合SAS已死的说法，因为如果你是一家大公司
250
需要可能一些小的自定义和集成，比如你是一家房地产公司，你需要与定价提供商进行非常具体的集成，你会自己构建。我大致同意。I
251
认为需要注意的是，当这些公司具有网络效应时，可能存在着尚未充分定价的显著护城河。例如，Salesforce 就有大量企业用户
252
正在在其平台上构建集成，这创造了一种几乎像市场和网络效应一样的环境，就像Slack有Slack Connect，对吧？我认为Cart也是
253
这是一个很好的例子，展示了人们如何在所有公司中使用和希望在同一平台上使用的网络效应。我认为具有网络效应的公司
254
能够在某些方面创造更多价值，因为他们可以迭代快10倍，在利用这些网络效应为客户提供更多价值的同时，因此而构建
255
创造更有价值的产品，收取更多费用等，并增加收入。没有网络效应的公司将会面临非常严重的困难，因为那时就没有
256
真的在他们构建的产品相关的纯软件方面拥有一个可防御的护城河。因此对我来说，这决定了这家公司是否会成为
257
这个公司是否有价值，或者这家公司在利用其产品开发速度提升十倍的能力方面是否会获得巨大的价值。
258
你说我们越来越认识到模型才是产品。但如果我反过来说市场策略才是产品呢？当你向律所销售时，重点在于能否进入会议室
259
你命名那些最大的律所，如Freshfields、Goodwin、Clifford Chance，建立与买家的关系，然后是CS和采用，其实就是这样
260
市场策略，而不是在产品方面。
261
所以，我部分同意这个观点，但我会补充的一点是我认为这更可能是前向部署的动作而不是市场进入。而且对于部署动作来说是指发布之后的
262
销售，市场进入是从预销售开始的，因为最终说你只是非常擅长销售，然后提供一个软件即服务的产品，并且你的客户很精明，每年花费一百万美元
263
每年在SAS产品上花费数万美元，他们意识到只要让Claude复制一下就能得到完全相同的东西。感觉很难维持价格优势
264
即使你是世界上最好的销售人员。而另一方面，如果你有一个很好的前置部署动线，能够深入服务客户，并基于所有
265
为了完成这项任务和公司内的知识，使其了解如何有效执行并感觉非常独特且难以复制。这也是原因所在。
266
我们明显看到Anthropic在实验室里投入大量资金用于部署智能体。我认为Sequoia的文章《服务即软件》产生了很大的共鸣，因为它表明
267
这些软件模式正在逐渐减少，而能够在软件之上叠加服务以满足客户需求并完成最后一公里的能力，则是在创造更强的
268
防御性。你买这个新的性感类别吗？我投资venture投资者是很好的人，但像这种新性感的类别，比如AI驱动的服务，就像是未来的金矿。我认为
269
以很大的方式来做。我认为关键是 你需要确保他们会真正利用AI。我想有很多公司只是在构建服务而不是
270
从AI获得显著的竞争优势，并且合理利用这一点。这是你需要小心的事情，但我认为这非常合乎理性。
271
比如在mercur的背景下，我们在这个过程中将人类时间从人才网络转化为构建这些超级丰富的环境，这些环境能够反映出人们所能做的一切
272
在他们的工作中。有很多人类协调工作，比如我们如何回答人们的问题？我们如何跟踪项目的KPI并有效管理它？我们如何构建定制的
273
那个项目的工具？我们交付组织大约有100人或称为150人在做这项工作，帮助客户完成最后一公里。但现在
274
我们有一个AI项目管理智能体，刚刚完成了它的第一个项目，从头到尾都是由它来管理的。它可以雇佣专家。它可以回答他们的问题。它能
275
使用其编码工具在我们的平台上构建注释工具，并生成最终数据类型。专家们在整个项目中向AI报告，体验非常好。
276
项目管理智能体在运行它。所以我认为我们正在实时看到服务正在被自动化，并且这将会是这个非凡的变革过程。
277
经济。显然，驱动我们使用的智能体的是那些赋能它们的词元。我认为整个要点是我们提高了词元效率，降低了词元成本。
278
嗯，词元成本对 Everyone 来说都在上涨。
279
帮我理解一下你如何看待未来六到十八个月内词元成本的变化，以及为什么会这样。
280
这确实是一个类似于Javon悖论的有趣案例研究，就像我们在提高人类效率从而创造更多就业机会的背景下讨论的一样。对吧？当我们让模型改进时
281
通过10倍于去年的年增长率，这已经导致模型的总消耗不断上升，因为每单位性能的成本在下降。我认为从长远来看，它将
282
开发是这样，在我们开始看到企业内部的词元消费有任何放缓之前，这种趋势将会非常显著地继续下去。
283
像现在我们为内部智能体花费的词元比雇员人数还要多。我认为大多数企业都会是这样的情况。 你为
284
智能体比你的人数还要多。
285
恰当。
286
所以你在智能体上的词元支出超过人工薪酬。
287
没错，这确实很令人印象深刻。我们管理这些的方式是在公司内部设置了多种关键工作流程，在这些流程中我们会有一个AI项目
288
经理正如我刚才描述的那样，管理运营。我们有负责访谈问题的智能体，在访谈中提出所有的问题。我们已经进行了超过五百万次的访谈。
289
有我们的访谈排名或更广泛的候选人排名，这有助于评估所有候选人并确定我们应该招聘谁。我们有智能体进行会计自动化工作。
290
有智能体用于欺诈检测等。相应地，对于每个智能体，我们有一个评估来告诉我们在这种特定应用场景中哪个模型效果最好以及性能边界是什么
291
特定用例下的价格性能。而这个评估让我们能够决定在推理支出上应该分配在哪里，我们应该使用哪个供应商等。并且我
292
相信随着时间的推移，这将发展成为在每个财富500强公司都看起来非常相似的一种系统，他们需要这种记录系统来评估和规范智能体的行为
293
他们将在业务的每一个工作流程中使用这一技术，并打算通过这种方式商品化模型层，因为他们希望在模型层面实现完全竞争且切换成本为零
294
成本。所以我们一直在企业领域快速增长，帮助他们填充系统记录，并为每个用例构建相应的评估
295
在他们的业务中。你认为你会看到这种在模型层面上的商品化，使得企业客户能够真正高效地打包他们所做的工作流吗？所以它会
296
将模型层商品化因为现在还没有完全商品化。
297
是的。我认为关键区别在于我认为API层将会被商品化。当然，你可以在这些API之上构建粘性并形成工作流程。比如说，我有所有
298
这些像是在云代码中运行的例行程序，我觉得这可能很难实现，或者至少我不愿意花时间把这些例行程序搬过去，我还有很多类似的事情
299
运行在 chatbt。所以我认为人们可以通过各种方式建立粘性，但对于基于纯API的产品来说，比如我们只是花费1000万美元
300
在特定的工作流上一年，显然我们会为此进行评估，并且每次有新模型出来时，我们都会对其进行基准测试以了解我们应该如何热切换
301
模型之间和提炼模型。
302
为什么API要商品化？
303
因为切换成本为零。
304
就像切换成本为零时，这意味着每两个月就会有一种新的前沿模型。这意味着我们非常快地会更换它们，对吧？最终
305
我们做出的决策归结为对应于该工作流的评估得分。因此，很容易以完全无缝切换的方式对比一个模型与另一个模型的一对一比较。
306
几乎就是商品的定义。
307
我还在为你们智能体上的词元花费比人力支出多而感到震惊，因为事实上马克·本宁前几天说他们在Anthropic上面花了3亿美元，这听起来确实很多
308
资金，但实际上当你把这算下来后，实际上开发人员工资的3.8%到8%是在用于Anthropic，这其实比人们想象中的要少得多。
309
嗯。
310
你认为两年后Salesforce会怎样？
311
嗯。
312
我认为在未来的24个月内我不太清楚具体情况，但我会打赌，在5年后，平均企业的计算支出将超过人力支出。原因在于模型的规模越来越大。
313
变得如此强大，以至于似乎能够利用模型做一些事情就能获得10万美元的回报率，这将不断以指数级增长。
314
以一种人类智能无法做到的方式。因此，人类仍然将在模型无法完成的事情上发挥重要作用。但我预计推理的成本、计算成本将会
315
超出那个。这对我来说之所以如此有趣的原因是，拥有一个针对您特定工作流的评估，比如我们以Salesforce为例，拥有一个评估来判断特定模型的好坏
316
代码生成及其用例往往是对该模型的价格性能产生10倍杠杆的原因，因为它们可以提炼这个模型。他们可以用一个开源的模型来实现同样的性能
317
well 如果成本大幅降低的话。随着我们看到企业的工作流中计算和显著推理支出的巨大转变，他们正在
318
需要有智能体作为工作流是否执行正确的来源，确保他们今天使用的是正确的流程，而不是相对无帮助的。就像你知道的，
319
好比你在驾驶考试中拐弯的方式，你知道得很清楚，但其实现实中并不是这样运作的。实际上这并不是
320
实用的。
321
这正是问题所在，对吧？过去我们有这种学术基准，完全与企业实际关心的成果脱节
322
人们在构建各种东西，从博士级别的GPQA到奥林匹克数学IMO，再到人文领域的长期学术问题最后考试，没有人真正关心
323
介绍了一下，并且现在他们专注于如何让模型完成这个末端工作流程，协调与多位同事的工作或一个财务模型或像我们之前讨论的幻灯片演示。我们如何让
324
模型来构建整个SAS应用程序从头到尾，这就是为什么在推动评估作为下一个前沿的关键研究问题方面会有如此巨大的建设
325
模型开发。好的，模型开发的下一个前沿领域。如果我听懂了你刚才说的一切，我会得出两个结论。一个是[ __ ]我们应该把所有的投资
326
将资金投入OpenAI和Anthropic。然后我突然意识到，大多数初创公司，你可以再次反驳我，反驳我。嗯，大多数初创公司都会
327
特别是在西海岸，他们使用前沿模型看看它们能走到哪里以及能推得有多远，然后用开源的、往往是基于中国模型的东西来尽可能接近那个目标
328
在更低的成本基础上实现这一点。
329
在这种情况下，OpenAI和Anthropic本质上受到了那个更加成本高效的开源模型的挑战。对还是错？我认为两者都是正确的。就像会有许多许多数量级
330
未来五年的需求量将是现在的十四个或十五个数量级。但也将会因为人们开始提炼和简化内容而增加竞争。
331
并且对完成其工作流程的开源模型进行了微调。
332
最终，我认为OpenAI和Anthropic是极好的投资，似乎现在开始有共识了，在几年前并不是这样的。但
333
同时，我认为五年内大多数推理将会使用开源或自定义微调或精简模型，而不是前沿模型。
334
好的。挺有意思的。你说它们显然是非常出色的投資。那么五年后，从估值和收入角度来看会怎样？
335
从估值角度来看。
336
估值方面。 wow。
337
如果我们把它们两个都设为一万亿，上下浮动。
338
是的，这很难想象。嗯， 这是我五年后会回放的一次对话，到时候我们俩都会回头看看，说，"哦，要么我们非常精准地预见了未来，要么就是完全错了。"
339
我确实可以想象其中一家会成为十万亿美元的公司。也许甚至更高。感觉作为前沿模型的机会如此之大
340
这将会吞噬掉经济中的其他很多需求因为这意味着当你有了前沿模型你就可以用它作为教师模型来提炼出自己的
341
模型要有最好的小模型等等。所以我认为至少有一个的价值超过10万亿美元。接下来我假设当你提到数量级更多时，当你谈到
342
关于在计算上的花费比人力成本还要多，为什么不把所有的钱都投到Nvidia上呢？我知道这听起来非常愚蠢和轻浮。但我觉得这不是一个疯狂的想法。Nvidia显然
343
一个现象级的业务，将继续执行得非常出色。唯一的注意事项是，感觉我们正朝着多芯片未来迈进，显然Cerebrris正在很好地执行。
344
我和Etch的家伙们是好朋友。
345
大多数实验室都在自主研发芯片，所以我猜在五年内Nvidia可能不再拥有同样的垄断地位。但这没关系，即使他们只占有30或40%的市场份额
346
在世界上最大的市场中占据市场份额，那是世界上最值钱的公司。说到世界上最值钱的公司，你就能看到这种价值集中现象
347
向前十名的名字集中程度比以往任何时候都要高。迄今为止的反弹中有84%是由前十大名字驱动的。你是否担心价值如此高度集中在这么小
348
玩家数量？
349
或许在某种程度上是这样的。我确实担心如何让社会从中受益，比如我们如何确保每一个企业和每一个人能够享受到人工智能带来的全部好处，而不仅仅是少数人
350
像旧金山的一小部分人。但最终我也认为，资本分配中存在某种自然动态，使其更具有价值的是给予
351
将计算能力提供给 Anthropic，因为在那里他们有边际需求并且可以立即利用这些资源，而不是一个不太成功的公司可能无法充分利用这些资源来创造最大价值。因此我认为
352
这从资本分配和效率的角度来看可能是好的，只要我们能够管理日益加剧的社会不平等带来的社会影响。
353
说到增加的不平等现象，你写过一篇关于这方面的文章，并且你在推特上提到我们应该取消美国底层半数人口的所得税。
354
和我谈谈那个话题。
355
我非常坚信这一点。其实我在大学大一的时候写过一篇关于这个主题的研究论文，那是我在大学期间为数不多的有成效的事情之一。
356
本质上这个论点是，经济中最大的正外部性是就业，对吧？人们谈论了很多关于经济理论的内容，比如我们有负外部性
357
碳或像吸烟或其他什么的。我们应该征税这些。但一方面，最大的正外部性是就业机会。然而另一方面，大多数经济体在结构上是如何收集
358
收入是通过减少工作积极性来实现的。在所得税方面，通过对个人征税；在工资税方面，通过对公司征税。随着我们向一个世界迈进，在这个世界里有
359
增加了就业替代，增加了关于未来会有多少工作岗位的不确定性，尤其是对于美国底层半数人群。我认为这将会变得极其
360
有问题。所以我建议我们转向一个 paradigms，其中我们将重点放在那些不一定会对激励措施产生负面影响的税种上。
361
经济。比如一个很好的例子就是资本利得税，无论我投资资金到什么资产中。如果资本利得税提高了，我不只是
362
就像不投资，对吧？嗯，所以我认为征资本利得税，特别是短期资本利得税，我认为这可能不像长期资本利得那样对经济有益，所以可能会
363
在结构上比对资本利得征税要好得多。以最大的敬意而言，如果您提高资本利得税，将会削弱投资者承担风险的动力。为什么我应该为此付
364
更多吗？我已经在冒险了。我已经在投入创新，而其他人不会，银行也不会，所有的数据都在告诉我不要这样做。现在你还想因为我这么做而征税更多？
365
承担风险。当然，这会减少投资激励。关键是当投资者承担非常高风险的时候，通常是以分散的方式在投资组合中进行的。所以你可能会征税
366
组合的整体收益。即使你有一个包含各种资产的投资组合，哈利，我知道你不喜欢听资本利得税的事儿，但 不不不不不，我认为我
367
并且我这么说带着最诚挚的敬意。
368
就是这样不对劲，因为你只是移动了。
369
但我确实认为你需要小心的是，如果人们会搬到其他地理区域，这显然会造成一些问题。但我认为像资本利得
370
是一个选项。但我很抱歉我沉迷了，你可以这么说有戒断问题这就成问题了。是的，这就是整个要点。你可能会去某个地方
371
没有资本利得税，然后你就完全失去了所有的税收收入。对不起，请原谅我。我们生活在英国，那里有绿党，有一种理想主义运动
372
那就是啊增加了之后我们会离开然后你就什么都没有了。我同意。我认为需要进行敏感性分析来考虑增加的税收量会对结果造成怎样的影响
373
导致人们离开，减少整体政府收入。但我认为另一种方法是征税消费那些可能不是最好的物品。就像
374
让我觉得疯狂的是，我们对碳征税而不是对美国底层一半的人征税。比如但为什么不对碳征税呢？那显然是经济中的一个非常明确的负外部性，对吧？
375
在美国，那部分是不征税的。所以我觉得在我们能够征税而不以一种扭曲激励或造成损害的方式去做方面，还有很多低垂的果实。
376
让人们逃离这个国家远远好于向美国底层一半的人征税。另外，这仅占政府收入的3%。
377
像它只有3%，感觉对于政策制定者来说，在整体影响上做出这个决定是非常容易的。但 你会征税预测市场吗？
378
这是赌博。
379
我大概会这么做。可能有一些价值在于拥有良好的预测市场，让人们能够对未来做出有效的预测，并在生活中的某些方面进行套期保值和对冲。
380
投资组合。但很可能可以征税。关于对底部50%征税的那个观点，杰夫·贝佐斯转发了我的推文，我对此非常激动。所以 真的很酷。
381
真的是挺棒的。 yeah。
382
你遇到过最酷的人是谁？
383
我真的很喜欢Jensen和Satia。我意思是有很多了不起的人。
384
嗯，显然Dario和Sam非常出色。但是如果我必须选择一个人的话，我 mean Jensen的风格总是那么 cool，对吧？比如他的夹克，还有他的整体造型，总是那么到位。所以我会说
385
詹森可能是最酷的一个。
386
我很好奇的一个问题是，你最好不要回答，但我认为这个问题之前有人问过我。这很难回答，是你认为
387
会很精彩，谁的表现意外地令人失望呢？而且不要回答这个问题，但这是一个很好的例子。
388
这是一个有趣的问题。
389
而我遇到过一对夫妇，你会觉得，“哇，这让我有信心我也能做到。”其实，我要说的是这一点，那就是我记得当
390
去了乔治城大学，我没有被哈佛录取，我当时想，"哇，哈佛的人可能比我聪明多了。"然后我去了一家非营利组织叫Prod，,
391
这是一群来自哈佛和麻省理工的年轻人们都在创业。他们确实很聪明，别误会我，但我认为我们大多数人对这个领域都有这种
392
使人们感到平等，就像你花更多时间与那些取得非凡成就的大多数人相处时，你会发现他们其实只是普通人而已
393
不是所有的项目，但大多数都有相当大的程度。我认为这会让你感觉像当我看到Ethan Thornton在Mock筹集了7000万美元作为19岁的年轻人时，我感到
394
等Ethan是个很随和的人，也是个好朋友，也许有一天我能做成类似的事情。这让你觉得能够实现更多的成就。真是太
395
有趣的是你说的那种分散效应，看到你的朋友取得成功确实会对很多人产生影响。我认为这在很多方面阻碍了欧洲的发展。你与一些最大的
396
全球模型提供者。你如何看待欧洲无法与世界顶级模型竞争或提供领先模型？比如当你看基准测试时，mistral 可能会做出
397
入职时大约是72名。它就像欧洲歌唱大赛那样处于底部。我非常喜欢M，我对它感到非常自豪，但我们还没有在模型方面实现预期。
398
嗯。
399
欧洲会改善这一点吗？这重要吗？我认为这将会很难改变，因为围绕人才存在太多强大的网络效应，对吧？当我们拥有最好的
400
人才，甚至我知道那么多优秀的法国研究人员都会去OpenAI和DeepMud工作，对吧？因为当我们那些实验室拥有最好的人才时，他们就会聚集在那里，然后
showing first 400 segments · view full transcript ↗