AI 让风投的幂律变得更极端，而不是更温和
3000 家风投里只有 20 家连续二十年做到 3 倍净回报。AI 第一次让钱能直接换成算力、算力直接变成产品优势，幂律因此更陡，而非更平。
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
钱第一次能直接变成产品优势
David George 说，过去毁掉一家创业公司最经典的方式就是给它太多钱：它会招一千人，制造协调问题、开销问题和互相打架的优先级。但这一次不一样——你可以把钱直接扔进算力，算力让产品和业务变好。这是「increasing returns to scale」在 AI 时代的新形态：品牌、声誉、资源积累这些老机制还在，但资本本身第一次成了能自我强化的生产要素。所以幂律变得更极端并不让他意外。
— David GeorgeAI 四年做到 SaaS 十五年的收入
Ram 给出的对比：AI 已经达到 1000 亿美元收入，SaaS 走到同一个点用了 15 年，AI 只用了 4 年，而且需求渗透还远没到头。他认为「可以往公司里砸钱」这件事的根源，是推理需求没有上限。更关键的是 AI 同时在攻击 GDP 的每一个面——交通、劳动、服务、资本、协调，从来没有一个技术范式同时命中 30 万亿美元 GDP 的这么多部分。所以对配置者来说，这不该是卫星仓位，而应该是核心甚至超核心。
— RamAI 的 TAM 不是软件，是被执行的任务
以医疗为例：医疗 IT 每年只花 600 到 1000 亿美元，但 AI 打的是实际劳动和任务的价值——理赔、账单、行政，那是一个万亿美元级的行业。所以 AI 的 TAM 可以比传统 SaaS 或医疗 IT 大 10 倍以上。Ram 说他自己「长期错判这些结果能有多大」，David 也承认一样。另一个数字：美国经济花在劳动上的钱，大约是花在软件上的 40 倍。但 David 强调，这不意味着劳动会消失，而是劳动会被重新发明。
— Ram / David George3000 家风投只有 20 家连续做到 3 倍
Ram 团队看了美国 3000 家风投的数据，过去二十年里只有 20 家持续做到 3 倍净回报，不到 1%。而且不需要二十年里七八只基金都达标，只要有三到四只 3 倍净 TPPI 的基金就够。这 20 家的共同点是：每一个年份（vintage）都能拿到定义品类的那家公司。对照数据是 Cambridge 的统计——过去十年风投的平均净回报只有 1 到 2 倍，比私募股权差，也比公开市场差，还要锁十年钱。所以「有没有进那 20 家」几乎决定了一切。
— Ram中间层基金正在被两头挤死
Ram 和 David 反复提到「death of the middle」。两头能活：一头是极早期、极度垂直的专业基金，它们动作快，能拿到大基金也想要的那部分份额；另一头是能覆盖从种子到上市全生命周期的平台型大基金。中间那些既不够早、也不够全的基金最难竞争。David 引用了 Endowment Eddie 的说法：对大基金的兴趣是创始人驱动的，不是 LP 驱动的——创始人要的是能帮他们降低结果风险、能规模化、能带客户和招人的品牌，LP 只是慢慢跟上。
— Ram / David GeorgeAI 让「什么是真 traction」更难判断
Ram 说 AI 让他们的工作比以往任何时候都难：轮次更大、更快，行业里的 traction 变得令人困惑。一家公司从加速器出来，一个月做到 500 万美元 ARR，但还没有续费周期，就按巨大倍数融资，而且这些公司可能还在同一批里互相「唱」给对方听，甚至不是 ARR 而是把某个月乘以 12。每九家这样的公司里，才有一家是真特别的。所以判断真 traction 不能靠财务分析，只能靠理解客户、直接和客户聊。他举 Harvey 为例：早期商业上做得很好，但实际使用率并不高，直到推理模型出现后使用和参与度才彻底翻转。
— RamGP 和 LP 的激励方向完全相反
Ram 说 GP 会因为错过下一个 Facebook、下一个 Uber 被解雇——这是「error of omission」，是可解雇的。但 LP 只有在投错项目时才会被解雇，不投反而没事。所以如果你错过了前沿模型，但大致贴着基准、甚至略低于基准，你的工作还在。对很多 LP 来说，上行收益本身也没那么有吸引力，所以「你会错过下一代」这个说辞对他们并不奏效。Ram 认为 LP 真正该做的是 access、selection、sizing 三件事：如果 3000 家里只有 20 家做得好，就该集中在那 15 到 20 家。看到有人配了 50、60、70 家风投，他很难相信这个组合能跑赢平均。
— Ram给公司套上 AI 不等于变成 Amazon
Ram 用一句话点破 AI 版私募股权：把 Sears 放到网站上，并不会让它变成 Amazon——你得从零搭建 Amazon 的物流体系才行。他举了反面案例：有公司第一件事就是上 AI 客服，因为这是最容易摘的果子，但如果没有围绕工作流重建，习惯了和真人打交道的客户会很快流失，而 NPS 每掉一点都和收入下滑直接相关，再叠加债务就会螺旋下坠。Intercom 是正面案例：把创始人请回来，重建整个业务，做 AI 原生产品，再卖掉——这几乎等于「自杀式」改造现有业务，在私募股权里极难做到。
— Ram原话 · 已逐字校验
But right now, especially with the labs, for the first time in my career, you can take capital and throw it at a company, and it compounds their advantage.
但现在，尤其是对前沿实验室来说，这是我职业生涯里第一次，你可以把资本扔进一家公司，而它会复利式地放大这家公司的优势。
David George3:04
We've reached $100 billion in revenue in AI. It took SaaS 15 years to get to the same point. AI did that in four years.
AI 的收入已经达到 1000 亿美元。SaaS 走到同一个点用了 15 年，AI 只用了 4 年。
Ram4:04
We've looked at the data of 3,000 venture capital firms in the US. Only 20 have achieved consistent 3x net returns over the last two decades.
我们看了美国 3000 家风投的数据。过去二十年里，只有 20 家持续做到 3 倍净回报。
Ram11:14
a GP can get fired for missing out, you know, the next, you know, Facebook, the next Uber, right? Like that is the error of omission and like that is fireable. But LPs on the flip side only get fired if you invest into a mentor.
GP 会因为错过下一个 Facebook、下一个 Uber 被解雇——这是「不作为的错误」，是可解雇的。但 LP 反过来，只有投错项目才会被解雇。
Ram26:56
just because you put Sears on a website, didn't make it Amazon, right? You have, to have the benefit of building Amazon from the studs logistically to make it Amazon. It's not just the website.
把 Sears 放到网站上，并不会让它变成 Amazon。你得从骨架开始把 Amazon 的物流搭起来，才能成为 Amazon。不只是那个网站。
Ram39:20
We are nowhere on robotics, but I think robotics is going to be bigger than the language stuff. And I think it's going to happen in the next 10 years.
我们在机器人上还差得远，但我认为机器人会比语言这块更大。而且我认为这会在未来十年发生。
David George45:28
the bottleneck in AI today is not demand. It's on the supply side. So you got energy, the grid data center, then you got chips, then you got frontier models and apps.
今天 AI 的瓶颈不是需求，而在供给端。顺序是能源、电网和数据中心，然后是芯片，再是前沿模型和应用。
Ram46:30
数字与实体
| 美国风投中连续二十年做到 3 倍净回报的机构数 | 3000 家中只有 20 家 | 11:14 |
| AI 达到的收入规模 | 1000 亿美元（SaaS 用 15 年，AI 用 4 年） | 4:04 |
| 美国经济劳动支出相对软件支出的倍数 | 约 40 倍 | 6:07 |
| 风投平均净回报（Cambridge 数据，过去十年） | 1 到 2 倍 | 12:14 |
| 美国企业中位数 AI 支出 | 每员工每月 12 美元 | 36:14 |
| 数据集中 AI 支出最高的 1% | 每员工每月 7000 美元 | 36:14 |
| 医疗占美国 GDP 比重 | 18% | 45:28 |
| 2021-2022 年软件 LBO 交易规模 | 2000 到 3000 亿美元，其中 2000 多亿被抽出 | 38:20 |
术语
- power law幂律
- 风投里少数赢家拿走绝大部分回报的分布规律。
- death of the middle中间层之死
- 既不够早也不够全的中间规模基金被两头挤压。
- TPPI已实现净回报倍数
- Total Paid-in to Paid-in，衡量基金实际分配给 LP 的回报倍数。
- vintage年份批次
- 按基金成立年份划分的批次，用于横向比较同期表现。
- ARR年度经常性收入
- Annual Recurring Revenue，订阅制公司按年折算的经常性收入。
- LBO杠杆收购
- Leveraged Buyout，用大量债务收购公司。
收听指南
适合正在做资产配置的 LP、募资中的 GP，以及想理解 AI 如何改变风投回报结构的创业者。
开头 0:00-2:04 是节目预告和嘉宾介绍，可跳过；4:04 附近有一段十周年纪念品的闲聊。