市场参与者普遍误判了AI产业的真实规模

产业结构 × 产品方法 × 技术投资

从云计算的发展轨迹、软件竞争格局的演进，到能源、芯片、机器人与就业之间的实际张力：理解一个持续扩张的市场，为何不能再依赖旧有的静态框架。

真正容易被忽视的，并非某家企业的市场份额，而是智能需求究竟会在多少层级催生全新的价值空间。

2026 年 8 月，基准资本（Benchmark）普通合伙人埃里克·维什里亚（Eric Vishria）做客《向最佳投资者学习》（Invest Like The Best），与主持人帕特里克·奥肖内西（Patrick O'Shaughnessy）共同探讨人工智能如何重塑软件、基础设施、硬件和风险投资格局。这不是一次针对单一模型公司的胜负预判，而是一场关于“市场边界究竟能延伸多远”的系统性梳理。

维什里亚的核心观点是：人们习惯于把新兴市场看作一块体积恒定的蛋糕，因此反复追问哪家模型公司、哪家云厂商或哪类芯片会吞噬剩余份额。然而云计算的发展历程表明，大规模的通用需求可以同时壮大平台层、基础设施层和应用层。人工智能的需求扩张更为迅猛，物理层面的投入也更为沉重，因此“谁取代谁”未必是最具解释力的问题。

这场对谈更为锋利的部分，在于将市场变化映射到企业的日常运营之中。软件公司过去依赖接口绑定、数据沉淀和迁移成本构筑黏性，管理者只需拟定计划并稳步执行，便可积累股权价值。代码代理开始削弱迁移阻力、基础模型能力又急剧演变之后，传统的护城河与既定计划可能同步失效。维什里亚对这种处境的概括十分沉重：每天命中一个已经过时的计划，可能就是每天继续折损价值。

下面的文章不按问答流程原样复述节目，而是把约 78 分钟访谈整理为八个层层递进的学习议题。文中的市场份额、性能、估值、能源和回报数据主要来自嘉宾口述或主持人举例，用于展示量级和思考框架，不作为独立核验后的投资事实，也不构成投资建议。

01

某一层级壮大，并不必然挤压其他层级；但层级整体扩张，也绝不意味着每一家公司都能存活。

访谈从焰火人工智能（Fireworks AI）展开。维什里亚注意到，即便使用相同的开源模型和同类英伟达硬件，专业推理平台与通用云服务之间仍可能产生约五倍的速度差异，并在吞吐量上拉开数倍距离。这一数字属于嘉宾的经验观察，并非统一基准测试；它真正想揭示的是，运行大模型并非简单的资源转售。调度、内存管理、批处理、编译优化和运行时工程会沉淀为具体而深厚的专有知识。

这与亚马逊云服务（Amazon Web Services，AWS）的早期处境颇为类似。2006 年，简单存储服务和弹性计算服务上线；2007 年，许多资深投资者仍将云计算视为低毛利、规模驱动的商品业务。到 2014 年，另一种极端叙事又浮现：亚马逊云服务将吞并数据库、基础设施乃至全部应用，因为它能以远低于传统软件约 85% 毛利的方式展开竞争。

结局并非亚马逊受挫，而是市场远比预期庞大。亚马逊云服务成长为巨头，微软云（Microsoft Azure）和谷歌云平台（Google Cloud Platform，GCP）也发展成不可忽视的业务板块；雪花（Snowflake）这类独立数据公司甚至构建在亚马逊的基础设施之上，与亚马逊自有产品形成竞争。监控、数据流、搜索、数据工程和边缘网络等层级，也陆续孕育出新的领军企业。维什里亚口述估计三大云平台大致形成了四成、三成、两成的格局，但这一比例应被理解为轮廓描述，而非精确的市场统计。

历史类比给出的启示并非“押注所有公司”。云计算一路催生了大量失败者，人工智能的每一个层级同样会淘汰多数参与者。真正需要抛弃的是零和的固定蛋糕思维：模型实验室、云服务商、新云服务商、专业推理平台、芯片公司、边缘推理和应用公司，可能同处于一个扩张体系之中，各自吸纳新增需求。层级可以同时成功，层内竞争依然会极其惨烈。

企业采用曲线也在提速。早期大型企业对云计算曾抱有强烈怀疑，直到人才招聘、成本结构和数字业务压力累积多年后才认真迁移。今天的大企业同样没有完全驾驭人工智能，但它们愿意试验、愿意投入，也同时将其视为机会与威胁。维什里亚由此提出“人工智能向导（AI sherpa）”的角色：真正有价值的供应商，不仅出售模型能力，还要跨越技术世界与企业现实，引领客户安全地走完采用路径。

因此，估算人工智能市场时，不能仅从现有的收入池中切分份额。更值得追问的是：如果模型能力持续提升、智能价格持续下降，原本因成本过高而被压抑的需求是否会浮现？如果答案是肯定的，那么市场边界本身就在移动，今天看似彼此争夺的公司，也可能共同面对一个持续外扩的需求空间。

不要只问谁会取代谁。先问：如果这些层级都能站稳脚跟，市场会膨胀到何种程度？

02

职位头衔正在丧失解释力，能否同时连接客户、品味与模型能力边界才更为关键。

塞拉（Sierra）表面上是一家应用公司，从客服代理切入，逐步拓展为可长时间运行、承担更多企业任务的智能代理。但维什里亚认为，它的核心优势并非仅限于“精通客服”，而在于团队与模型本身高度贴近：他们持续试验不同模型、代理框架和运行工具，清楚哪些任务已足够可靠，哪些任务仍会突然失效。

他把这种状态称为人工智能能力的“锯齿边界（jagged edge）”。人类能力常被想象为一条平滑曲线：掌握基础技能后，通常能稳定处理相邻的问题。模型却可能在复杂代码上表现出色，同时在一个简单但分布迥异的步骤上失误；新版本又可能突然填补某处缺口，同时暴露出新的失败模式。产品团队无法用一张静态功能表来描述这种边界。

塞拉联合创始人布雷特·泰勒将当下的软件比作“沙堡式产品（sandcastles）”。过去，工程师以建造百年城堡的心态追求稳固地基、严密砖墙和长期复用；现在，新的模型能力可能每隔数周冲刷一次既有实现。团队若把半年前的架构视为不可触碰的资产，就会因保护沉没成本而错失更优的产品形态。沙堡并非鼓励粗糙，而是承认实现是临时的，理解客户问题与验证价值才是更为持久的部分。

这种变化也翻转了传统的产品管理逻辑。过去常说，产品经理应聚焦理解客户，不要干预工程实现，再把问题交给工程师求解。人工智能产品中，客户问题与技术边界无法彻底分离：如果不了解模型在哪些任务上可靠、需要怎样的上下文、如何评估失败，就无法设计出真实可交付的产品。技术理解不再只是工程团队的内部事务。

维什里亚将新团队的关键能力归纳为三项。第一，真正理解客户痛点，而非追逐演示效果；第二，具备产品品味，懂得哪些交互值得保留、哪些复杂度应被隐藏；第三，对锯齿边界保持好奇与一手感知。一个人可以来自工程、设计或产品岗位，但只要能组合这三种能力，就有机会成为新一代的核心建造者。

这也解释了一个看似矛盾的现象：模型正在降低编程门槛，深厚技术理解的回报却可能上升。门槛下降会让更多人打造原型，竞争焦点则从“能否写出来”转向“能否持续把不稳定能力转化为可靠价值”。工具越强大，理解工具边界、构建评估体系和快速重建产品的能力就越稀缺。

城堡强调保存实现，沙堡强调保存学习。

03

竞争前沿迁移后，企业最危险的处境并非缺乏执行力，而是以极强的执行力继续优化过时目标。

维什里亚早年用“竞争前沿（competitive frontier）”来描述决定企业胜负的那组标准。人工智能没有让数据库或软件即服务（Software as a Service，SaaS）消失，却改变了这些产品凭什么取胜。将问题简化为“用户是否会用氛围编程（vibe coding）自己造出所有软件”，反而遮蔽了真正的结构性变化。

传统数据库拥有三层黏性。应用开发者围绕特定接口编写大量代码；企业数据随时间持续积累；将应用从一个数据库迁移到另一个数据库，是漫长、昂贵且高风险的工程。接口绑定、数据沉淀和迁移阻力共同构成护城河，使供应商能够长期维持较高毛利。

代码代理改变的不是数据库需求，而是迁移工作的成本。数据库接口通常具有明确规范，代理擅长处理规范清晰、重复且单调的翻译任务，也不会因迁移脚本冗长而疲惫。原本“绝不动摇”的数据库迁移开始变得可以承受，旧有黏性因此削弱。企业仍然需要数据库，但评价优秀数据库公司的标准转向成本、从零到大规模的弹性、可迁移性和迭代速度。

同样的迁移发生在公司治理上。2021 年，许多上市软件公司按约 30 倍收入估值；几年后，一些公司即使业务规模增长约四倍、接近盈亏平衡，估值倍数仍可能降至约六倍。维什里亚曾用“三倍收入”警示公司必须真正跨入人工智能时代。这一数字是对市场情绪与估值压缩的概括，重要的不是预判某家公司应值多少，而是理解旧的成功公式不再自动累积价值。

于是出现了访谈中最为刺耳的命题：每天完成旧计划，可能每天都在侵蚀股权价值。管理者过去被训练为拟定计划、分配资源、稳定达标的人；面对目标函数已经变化的市场，强执行力反而会加速沿错误山坡攀登。有人形容成熟企业白天八点到五点维护旧业务，晚上五点到八点研究人工智能，而真正需要的可能是把两者倒置过来。

销售模式也受到冲击。传统企业软件依据销售代表配额、达标折扣、地域划分和人员容量建立预测；早期人工智能产品如果首次为客户带来近似“魔法”的效果，需求可能主动涌来，个别销售代表一年承接一千万到三千万美元，主持人甚至提及五千万美元的案例。这些数字不能代表行业平均水平，却足以说明旧的配额模型不再是首要约束。

新环境中的优秀创始人，会先追问真正的瓶颈在哪里：是需求、交付、算力、评估、信任，还是企业流程？然后根据答案重构组织，而非把上一代最优秀的管理模板照搬进来。旧经验并非全部失效，但每一条经验都要重新接受现实检验。真正的灵活，并非频繁更换口号，而是愿意承认评价函数已经改变。

最危险的不是没有完成计划，而是完美完成了一个已经失效的计划。

04

资本可以快速购置设备，却无法以同样速度补齐发电、输电、选址和并网能力。

当软件复制成本趋近于零时，人们很容易把人工智能也当作纯数字商品。但维什里亚给出了更具物理性的定义：模型将算力转化为智能。只要更聪明的系统催生更多需求，智能需求上升就会传导为算力需求上升；算力又依赖芯片、内存、网络、数据中心和能源。需求再虚拟，也必须穿越真实世界的供应链。

这条链条解释了为何资本未必是终极瓶颈。投资者可以为数据中心、芯片和服务器筹集巨额资金，却无法在同等时间内完成电源建设、输电扩容、土地审批、设备制造和并网。社会还需要时间消化新技术，企业需要时间形成预算和组织能力。代理不会疲惫，资本和现实基础设施却各有各的节奏。

维什里亚最为担忧的是能源。他在访谈中指出，中国下一年新增能源能力可能达到美国的约十倍，并由此担心美国会获得更少或更昂贵的计算令牌（token）。这一比例未在节目中给出统一口径，本文不将其作为独立事实；它的分析价值在于提示比较维度：若能源决定可用算力，那么能源建设速度将左右智能供给的数量和价格。

因果链条并非“能源不足，人工智能停摆”。更可能的表现是区域差异、排队等待、更高电价、更高推理成本，或者把工作负载转移到能源更充裕的地区。天然气轮机、核能、太阳能、储能、稀土材料和电网设备都会以不同方式进入约束。技术路线之间存在相对优劣，但扩张型市场往往同时需要多种能源