AI 时代最稀缺的不是信息，是有人味的对话
当 90% 到 95% 的信息性内容都能直接问 AI 拿到，以信息交换为目的的对话正在被掏空，人和人之间剩下的只有情感连接。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
Token 是最容易误导人的单位
Freda 说 Token 本身非常容易误导人，因为同一个任务，不同模型或应用消耗的 Token 可能差几十倍甚至上百倍，关键变量是 Token per task。原因有三：输出长度可以差很多，好的模型一两百行精炼代码就写完，弱的模型要写几千行啰嗦代码；很多模型回答前会做大量用户看不到的 reasoning tokens；agentic workflow 本身会像放大器一样放大消耗。所以 Token 消耗多不等于效果好，Cursor 被 developer 反馈是同样效果下能效更低。
— Freda头部公司 AI 支出只占 EBITDA 的 1% 到 2%
Freda 算了一笔账：Meta 被传在 Cloud Code 上一年花销好几个 billion，而它宣布裁员 10%，数量级上刚好能对应这笔开支，但他强调这不是直接因果关系。Uber 的 CFO 说公司三个月内光 Coding 一项就花掉了原计划一整年的 AI Budget，大概几千万量级。把头部几家尤其在做 Token Maxing 的公司拉出来算，目前大家的 AI spend 大概对应 1% 到 2% 的 EBITDA，还算可控，这个数比他想象的要好。
— Freda按 Token 收费一定要变成按效果付费
Freda 有一个比较强的判断：行业会逐渐理性，收费模式一定要变，从按 Token 收费转向按效果付费。他举 Sierra 做 AI 客服，完全按效果收费，AI 能解决客服不转人工才收钱，转了就不收，还按问题复杂度和解决度分不同单价，所以客户和 Sierra 是非常 interest aligned，双方都想少烧 Token。但这件事在客服里成立是因为可以量化，写作这类创意场景效果不好量化，长期可能还是按 Token 收费。
— Freda更好的 AI 才能训练出更好的 AI
过去两年大家的默认假设是 SOTA 模型每几个月换一次手，去年底吹 Gemini，之前是 OpenAI，现在是 Anthropic，领先是 rolling basis 的。但 Freda 说这一两个月他第一次开始质疑这个假设会不会持续，核心原因是 coding agent 成熟之后出现了一个重要 loop：更好的 AI 才能训练出下一代更好的 AI，一旦跑起来就有 recursive self-improvement 的味道，过了某个临界点曲线会非常陡峭，后面再追的人可能真的就没什么意义了。
— Freda模型层不是 SaaS，反而鼓励多用几家
Freda 反思这两年花了太多时间比较 OpenAI 和 Anthropic，但更重要的逻辑是知道这两个都会非常大。商业模式上，SaaS 是按人头收费的 subscription，价格封顶，用得越多越便宜，客户倾向于只用一家；而模型是 usage based、token based，CFO 做的选择不再是今年选哪个 vendor，而是每一个 query 用哪个模型，所以商业模式反过来鼓励大家同时用很多个 vendor，随时比较随时切换。因此 OpenAI 和 Anthropic 的关系不是传统意义上的竞争。
— FredaCoding 的 TAM 当时被算错得离谱
Freda 说一两年之前投资人估算 Coding 的 TAM 是用价格乘量：量是每个 developer 四五百万人，价格内部讨论有人说 20 刀有人说 200 刀，因为一个公司所有软件 subscription 最多也就花一两千块，算出来大概 100 亿美金的市场规模。但今天 Anthropic 一家的收入都远不止这个量。他反思对量和价的估算都错得非常离谱，真正的 TAM 是任何可以被计算机操作的事情，像 Dario 说的白领 TAM 是三四十万亿。他意识到的时间点是 Cursor 的 coding 收入很快飙到 10 亿美金。
— Freda负向滚雪球还有另一条出路
负向滚雪球是 Dario 提的概念，Freda 把它翻译成投资人的语言：如果去年训练一个模型成本是 1，今年能带来三到四的收入，毛利算 50% 就是不到两块钱毛利，但今年训练成本最起码是 3，加上销售和人员利润就是负的，只要训练成本每年几倍增长，生意就越滚越负。Dario 当时的认知是想跳出这个 loop 只能靠训练 scaling 变慢，但最近几个月证明还有另一条路：如果收入增长的斜率更陡，不再是 3 比 3，公司也会突然盈利。
— FredaAnthropic 三千人做出传统软件几万人的收入
Freda 说软件一直是 push 的 model，需要销售和一整套 go to market，ServiceNow、Adobe 都是三四万人，Salesforce 有七八万人，销售和营销占收入比例百分之四五十。但 Anthropic 也是 to B 公司，80% 是企业用户，员工只有三千人，传统软件公司每个员工对应五十万美金收入，Anthropic 每个员工能对应上千万美金，差一个数量级，而且它真的都没有一个正经的销售团队。这让他反思是不是用户对智能的需求是无限的，之前有点过于强调销售的重要性。
— Freda把电机塞进蒸汽机的位置
Freda 用 Dario 的 technology diffusion 和 economic diffusion 区分模型能力进步和真正被经济吸收落地的速度，研究组织架构本质上是在判断 economic diffusion。历史例子是电：从电灯泡到社会生产率提升用了 40 年，中间二三十年生产率没提升甚至降了一点，因为工厂还是垂直堆起来为蒸汽机设计的，大家只是把蒸汽机拆掉、把电机塞到同样一个位置，直到流水线形成生产率才上去。他认为 AI 现在就在把电机塞进蒸汽机的阶段。
— Freda组织层级本质是信息搬运机制
Freda 说公司里的层级一般被理解为权力结构，但更深层的功能是信息传递：组织变大后没人能看到全貌，需要一层层 managers 从 CEO 收集信号、综合提炼再往下传，从下往上也是靠这个方式翻译拆解。开会、同步进度、一个 quarter 对齐，都是信息搬运机制，因为人和人之间传递成本比较高。科技公司里一个产品从 PM 写 PRD、designer 可视化、developer 开发几周几个月、QA 几周、再到 go to market，端到端可能六个月，里面很多都是翻译成本。
— Freda每个环节都会变成新的瓶颈
Freda 听一个 founder 讲：最开始打击的是 developer 的开发时间，之前要两三个月，vibecode 之后两周写完，然后 QA 变成 bottleneck，就没理由再花几周做 QA，于是把 QA 的人裁了或改了 function，接着前面的 PM 和设计又成了新的 bottleneck，改完之后 go to market 又成了最新的 bottleneck，像打地鼠一样不停解决问题。他认为实际上整个流程都需要重新设计，从一棒一棒的接力赛变成三到五人的小团体篮球赛，必要技能都在团队里，团队能自己直接做决策，只有非常大的问题才向上汇报。
— FredaAI 做交易系统的难点在数据
Freda 认为如果给 agent 足够干净、足够量的数据，并清晰告诉它交易目标，理论上百分之百会比人做得好，今天没做出来只是因为大家思维也很混乱，没有把自己的思维过程完全解构清楚。难点一个在数据：财务数据听上去标准化，实际非常细碎，他用 agent 接财务数据需要接十几二十个 vendor 才能拼凑起平时用的数据。另一个是要理解市场背后不同玩家怎么决策，美股交易量里量化占比超过百分之六七十，散户大概百分之三十，传统机构根本不占什么交易量。
— Freda模型公司又开始向应用层伸手
Freda 说这个问题从 22 年大家就开始问，答案一直在变。23 年大家管叫 AI wrapper，很担心模型公司会吃一切；24、25 年大家不再说这个话，因为应用公司收入增长也很快。但可能就到这两个月，他重新开始非常担心模型公司的竞争，因为模型本身变得非常 stateful，有 skills、可以用工具、有 connector，应用层和模型层的边界又一次被推向应用层这边。Anthropic 已经站出来说会先吃编程，第二大业务去吃金融领域；OpenAI 马上推出自己的音频模型。
— Freda最担心的是云厂商现金流转负
Freda 说他最担心的是接下来大厂尤其云厂商的现金流会非常难看。按今天的 capex 曲线走下去，到 27 年几家大厂商的自由现金流都会转成负的，整个行业有一万亿美金不止的 capex，而且这些还只是表内数字，每一家大厂都签了很多表外资本开支，大客户还和存储公司签了长约，所以 capex 预测几乎只会上修不会下修。他不知道当大家真的看到全都是负的现金流会是什么状态。
— Freda云生意本身变差了
Freda 说云厂商不是没有回报，谷歌今年 2000 亿资本开支，云收入大概能有 1000 亿美金，可能是两年回本，亚马逊也类似。但云这个生意本身变差了：一是竞争变多，二是它在 compute stack 价值链里被分走了很多。以前云会卖很多上层软件，那部分 margin 很高，现在那部分价值很多被模型公司拿走了。现在几家云厂商加起来已经有 2 万亿美元的收入储备，其中超过一大半都是 OpenAI 和 Anthropic 这些模型的长期算力订单。
— Freda焦虑的本质是对不确定性的恐惧
Freda 说自己实话说就是非常焦虑，焦虑的本质是对未来不确定性的恐惧。他每天具体的状态就是觉得自己跟不上，auto research 出来了，有人 demo 了新 workflow，cloud 上每天有新功能，软件硬件变化都太多太快。做科技投资，出一个新东西都应该自己上手用一下才能做判断，但事实是东西太多太快，每天打开推特上面都说 I have to look at this、this is changing my life，有一种又有新东西了、我又没跟上的感觉。他还讲了自己深夜在家装不上 OpenCloud 而痛苦，觉得连这个都装不上是不是要被时代淘汰。
— Freda以信息交换为目的的对话正在被掏空
Freda 说以前非常喜欢约行业专家聊 30 分钟，从顶尖的人那里拿到高浓度知识，那种感觉非常爽。但现在很多跟工作有关的对话，不管对方是谁，90% 到 95% 的信息性内容他都可以直接问 AI 得到答案，而且答案可能是他更想要的。他强调不是有什么优越感不想跟别人聊，而是很真实地觉得以信息交换为目的的对话，意义在快速被掏空。人和人之间剩下的是情感连接：他有一次跟朋友坐下来本来没准备聊大事，聊着聊着跑到做事情的勇气、人生的遗憾、在乎什么，回头看那是很长一段时间里最有内容的一次对话。
— Freda原话 · 已逐字校验
我觉得Token其实也是一个非常容易误导人的这么一个单位 因为这里面最重要的就是Token per task 就是说你同样一个任务 不同的模型或者说不同的应用 消耗的Token可能差几十倍甚至上百倍
我觉得 Token 其实也是一个非常容易误导人的单位，因为这里面最重要的就是 Token per task，就是说你同样一个任务，不同的模型或者说不同的应用，消耗的 Token 可能差几十倍甚至上百倍。
Freda3:03
就是你更好的AI 才能去训练出 下一代更好的AI 所以就是这个循环 一旦跑起来 就有一点点 就是那些researcher说的 叫recursive self-improvement 这个味道
就是你更好的 AI 才能去训练出下一代更好的 AI，所以就是这个循环，一旦跑起来，就有一点点那些 researcher 说的叫 recursive self-improvement 这个味道。
Freda12:05
但是模型它 就肯定是一个usage based 然后是一个token based 所以你作为CFO 就是你做的这个选择 不再是说 我今年选择哪个vendor 而是你在去optimize 就是我每一个query 我用的是哪一个模型
但是模型它肯定是一个 usage based，然后是一个 token based，所以你作为 CFO，你做的这个选择不再是说我今年选择哪个 vendor，而是你在去 optimize 就是我每一个 query 我用的是哪一个模型。
Freda16:05
但是就是比较大的震撼 就是entropic其实也是一个土币的公司 它80%都是企业的这个用户 员工就只有三千人
但是比较大的震撼就是 Anthropic 其实也是一个 to B 的公司，它 80% 都是企业的用户，员工就只有三千人。
Freda28:13
就其实电机很快就被发明了 但是并没有就是真的用到流水线上 并没有真的提升效率 就是大家还是哦 把蒸汽机拆掉 然后换出去 然后把电机塞到同样一个位置
就其实电机很快就被发明了，但是并没有真的用到流水线上，并没有真的提升效率，就是大家还是把蒸汽机拆掉，然后把电机塞到同样一个位置。
Freda37:15
我觉得我最担心的就是接下来 这些大厂 尤其是云厂商的现金流 会非常的难看
我觉得我最担心的就是接下来这些大厂，尤其是云厂商的现金流，会非常的难看。
Freda1:01:28
而是说 我 我很真实的觉得 以信息交换为目的的对话 这个意义是在 快速的被掏空的
而是说，我很真实地觉得，以信息交换为目的的对话，这个意义是在快速被掏空的。
Freda1:19:40
就他没有给我 任何信息上的增量 但就是比较有人味吧
就是他没有给我任何信息上的增量，但就是比较有人味吧。
Freda1:20:40
数字与实体
| Anthropic Opus 名义售价 | 5 美元 per million input tokens，25 美元 per million output tokens | 7:04 |
| Anthropic 缓存命中率 | 可能有 98%、99% 这么高 | 7:04 |
| 头部公司 AI spend 占 EBITDA 比例 | 1% 到 2% | 9:04 |
| Meta 裁员比例 | 10% | 9:04 |
| Coding 早期估算的市场规模 | 约 100 亿美金 | 17:06 |
| Dario 说的白领 TAM | 三四十万亿 | 18:07 |
| Anthropic 员工数 | 三千人 | 28:13 |
| 美股量化交易量占比 | 超过百分之六七十 | 45:18 |
| 几家云厂商收入储备 | 2 万亿美元 | 1:03:30 |
术语
- TokenmaxxingToken 最大化
- 以消耗更多 Token 为荣、把用量当作能力或投入指标的做法。
- recursive self-improvement递归自我改进
- 更好的 AI 训练出更好的 AI，形成自我加速的循环。
- economic diffusion经济扩散
- 模型能力真正被企业和经济吸收落地、转化为收入的速度。
- Neo Labs新实验室
- 从 AI Lab 出来的研究员自己开的新模型实验室，是当下硅谷热门投资主题。
- Acquire Hire收购式招聘
- 大厂通过收购小团队把人招回去，让优秀创业者有退出机制。
收听指南
关注 AI 商业模式与估值的投资人、模型公司从业者，以及正在思考 AI 时代组织怎么改的创业者。
只想听投资干货的话，1:14:17 之后的焦虑与孤独段落可以跳过。