AI 時代最稀缺的不是信息，是有人味的對話
當 90% 到 95% 的信息性內容都能直接問 AI 拿到，以信息交換為目的的對話正在被掏空，人和人之間剩下的只有情感連接。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
Token 是最容易誤導人的單位
Freda 說 Token 本身非常容易誤導人，因為同一個任務，不同模型或應用消耗的 Token 可能差幾十倍甚至上百倍，關鍵變量是 Token per task。原因有三：輸出長度可以差很多，好的模型一兩百行精煉代碼就寫完，弱的模型要寫幾千行囉嗦代碼；很多模型回答前會做大量用戶看不到的 reasoning tokens；agentic workflow 本身會像放大器一樣放大消耗。所以 Token 消耗多不等於效果好，Cursor 被 developer 反饋是同樣效果下能效更低。
— Freda頭部公司 AI 支出只佔 EBITDA 的 1% 到 2%
Freda 算了一筆賬：Meta 被傳在 Cloud Code 上一年花銷好幾個 billion，而它宣布裁員 10%，數量級上剛好能對應這筆開支，但他強調這不是直接因果關係。Uber 的 CFO 說公司三個月內光 Coding 一項就花掉了原計劃一整年的 AI Budget，大概幾千萬量級。把頭部幾家尤其在做 Token Maxing 的公司拉出來算，目前大家的 AI spend 大概對應 1% 到 2% 的 EBITDA，還算可控，這個數比他想像的要好。
— Freda按 Token 收費一定要變成按效果付費
Freda 有一個比較強的判斷：行業會逐漸理性，收費模式一定要變，從按 Token 收費轉向按效果付費。他舉 Sierra 做 AI 客服，完全按效果收費，AI 能解決客服不轉人工才收錢，轉了就不收，還按問題複雜度和解決度分不同單價，所以客戶和 Sierra 是非常 interest aligned，雙方都想少燒 Token。但這件事在客服裡成立是因為可以量化，寫作這類創意場景效果不好量化，長期可能還是按 Token 收費。
— Freda更好的 AI 才能訓練出更好的 AI
過去兩年大家的默認假設是 SOTA 模型每幾個月換一次手，去年底吹 Gemini，之前是 OpenAI，現在是 Anthropic，領先是 rolling basis 的。但 Freda 說這一兩個月他第一次開始質疑這個假設會不會持續，核心原因是 coding agent 成熟之後出現了一個重要 loop：更好的 AI 才能訓練出下一代更好的 AI，一旦跑起來就有 recursive self-improvement 的味道，過了某個臨界點曲線會非常陡峭，後面再追的人可能真的就沒什麼意義了。
— Freda模型層不是 SaaS，反而鼓勵多用幾家
Freda 反思這兩年花了太多時間比較 OpenAI 和 Anthropic，但更重要的邏輯是知道這兩個都會非常大。商業模式上，SaaS 是按人頭收費的 subscription，價格封頂，用得越多越便宜，客戶傾向於只用一家；而模型是 usage based、token based，CFO 做的選擇不再是今年選哪個 vendor，而是每一個 query 用哪個模型，所以商業模式反過來鼓勵大家同時用很多個 vendor，隨時比較隨時切換。因此 OpenAI 和 Anthropic 的關係不是傳統意義上的競爭。
— FredaCoding 的 TAM 當時被算錯得離譜
Freda 說一兩年之前投資人估算 Coding 的 TAM 是用價格乘量：量是每個 developer 四五百萬人，價格內部討論有人說 20 刀有人說 200 刀，因為一個公司所有軟件 subscription 最多也就花一兩千塊，算出來大概 100 億美金的市場規模。但今天 Anthropic 一家的收入都遠不止這個量。他反思對量和價的估算都錯得非常離譜，真正的 TAM 是任何可以被計算機操作的事情，像 Dario 說的白領 TAM 是三四十萬億。他意識到的時間點是 Cursor 的 coding 收入很快飆到 10 億美金。
— Freda負向滾雪球還有另一條出路
負向滾雪球是 Dario 提的概念，Freda 把它翻譯成投資人的語言：如果去年訓練一個模型成本是 1，今年能帶來三到四的收入，毛利算 50% 就是不到兩塊錢毛利，但今年訓練成本最起碼是 3，加上銷售和人員利潤就是負的，只要訓練成本每年幾倍增長，生意就越滾越負。Dario 當時的認知是想跳出這個 loop 只能靠訓練 scaling 變慢，但最近幾個月證明還有另一條路：如果收入增長的斜率更陡，不再是 3 比 3，公司也會突然盈利。
— FredaAnthropic 三千人做出傳統軟件幾萬人的收入
Freda 說軟件一直是 push 的 model，需要銷售和一整套 go to market，ServiceNow、Adobe 都是三四萬人，Salesforce 有七八萬人，銷售和營銷佔收入比例百分之四五十。但 Anthropic 也是 to B 公司，80% 是企業用戶，員工只有三千人，傳統軟件公司每個員工對應五十萬美金收入，Anthropic 每個員工能對應上千萬美金，差一個數量級，而且它真的都沒有一個正經的銷售團隊。這讓他反思是不是用戶對智能的需求是無限的，之前有點過於強調銷售的重要性。
— Freda把電機塞進蒸汽機的位置
Freda 用 Dario 的 technology diffusion 和 economic diffusion 區分模型能力進步和真正被經濟吸收落地的速度，研究組織架構本質上是在判斷 economic diffusion。歷史例子是電：從電燈泡到社會生產率提升用了 40 年，中間二三十年生產率沒提升甚至降了一點，因為工廠還是垂直堆起來為蒸汽機設計的，大家只是把蒸汽機拆掉、把電機塞到同樣一個位置，直到流水線形成生產率才上去。他認為 AI 現在就在把電機塞進蒸汽機的階段。
— Freda組織層級本質是信息搬運機制
Freda 說公司裡的層級一般被理解為權力結構，但更深層的功能是信息傳遞：組織變大後沒人能看到全貌，需要一層層 managers 從 CEO 收集信號、綜合提煉再往下傳，從下往上也是靠這個方式翻譯拆解。開會、同步進度、一個 quarter 對齊，都是信息搬運機制，因為人和人之間傳遞成本比較高。科技公司裡一個產品從 PM 寫 PRD、designer 可視化、developer 開發幾週幾個月、QA 幾週、再到 go to market，端到端可能六個月，裡面很多都是翻譯成本。
— Freda每個環節都會變成新的瓶頸
Freda 聽一個 founder 講：最開始打擊的是 developer 的開發時間，之前要兩三個月，vibecode 之後兩週寫完，然後 QA 變成 bottleneck，就沒理由再花幾週做 QA，於是把 QA 的人裁了或改了 function，接著前面的 PM 和設計又成了新的 bottleneck，改完之後 go to market 又成了最新的 bottleneck，像打地鼠一樣不停解決問題。他認為實際上整個流程都需要重新設計，從一棒一棒的接力賽變成三到五人的小團體籃球賽，必要技能都在團隊裡，團隊能自己直接做決策，只有非常大的問題才向上彙報。
— FredaAI 做交易系統的難點在數據
Freda 認為如果給 agent 足夠乾淨、足夠量的數據，並清晰告訴它交易目標，理論上百分之百會比人做得好，今天沒做出來只是因為大家思維也很混亂，沒有把自己的思維過程完全解構清楚。難點一個在數據：財務數據聽上去標準化，實際非常細碎，他用 agent 接財務數據需要接十幾二十個 vendor 才能拼湊起平時用的數據。另一個是要理解市場背後不同玩家怎麼決策，美股交易量裡量化佔比超過百分之六七十，散戶大概百分之三十，傳統機構根本不佔什麼交易量。
— Freda模型公司又開始嚮應用層伸手
Freda 說這個問題從 22 年大家就開始問，答案一直在變。23 年大家管叫 AI wrapper，很擔心模型公司會吃一切；24、25 年大家不再說這個話，因為應用公司收入增長也很快。但可能就到這兩個月，他重新開始非常擔心模型公司的競爭，因為模型本身變得非常 stateful，有 skills、可以用工具、有 connector，應用層和模型層的邊界又一次被推向應用層這邊。Anthropic 已經站出來說會先吃編程，第二大業務去吃金融領域；OpenAI 馬上推出自己的音頻模型。
— Freda最擔心的是雲廠商現金流轉負
Freda 說他最擔心的是接下來大廠尤其雲廠商的現金流會非常難看。按今天的 capex 曲線走下去，到 27 年幾家大廠商的自由現金流都會轉成負的，整個行業有一萬億美金不止的 capex，而且這些還只是表內數字，每一家大廠都簽了很多表外資本開支，大客戶還和存儲公司簽了長約，所以 capex 預測幾乎只會上修不會下修。他不知道當大家真的看到全都是負的現金流會是什麼狀態。
— Freda雲生意本身變差了
Freda 說雲廠商不是沒有回報，谷歌今年 2000 億資本開支，雲收入大概能有 1000 億美金，可能是兩年回本，亞馬遜也類似。但云這個生意本身變差了：一是競爭變多，二是它在 compute stack 價值鏈裡被分走了很多。以前雲會賣很多上層軟件，那部分 margin 很高，現在那部分價值很多被模型公司拿走了。現在幾家雲廠商加起來已經有 2 萬億美元的收入儲備，其中超過一大半都是 OpenAI 和 Anthropic 這些模型的長期算力訂單。
— Freda焦慮的本質是對不確定性的恐懼
Freda 說自己實話說就是非常焦慮，焦慮的本質是對未來不確定性的恐懼。他每天具體的狀態就是覺得自己跟不上，auto research 出來了，有人 demo 了新 workflow，cloud 上每天有新功能，軟件硬件變化都太多太快。做科技投資，出一個新東西都應該自己上手用一下才能做判斷，但事實是東西太多太快，每天打開推特上面都說 I have to look at this、this is changing my life，有一種又有新東西了、我又沒跟上的感覺。他還講了自己深夜在家裝不上 OpenCloud 而痛苦，覺得連這個都裝不上是不是要被時代淘汰。
— Freda以信息交換為目的的對話正在被掏空
Freda 說以前非常喜歡約行業專家聊 30 分鐘，從頂尖的人那裡拿到高濃度知識，那種感覺非常爽。但現在很多跟工作有關的對話，不管對方是誰，90% 到 95% 的信息性內容他都可以直接問 AI 得到答案，而且答案可能是他更想要的。他強調不是有什麼優越感不想跟別人聊，而是很真實地覺得以信息交換為目的的對話，意義在快速被掏空。人和人之間剩下的是情感連接：他有一次跟朋友坐下來本來沒準備聊大事，聊著聊著跑到做事情的勇氣、人生的遺憾、在乎什麼，回頭看那是很長一段時間裡最有內容的一次對話。
— Freda原話 · 已逐字校驗
我覺得Token其實也是一個非常容易誤導人的這麼一個單位 因為這裡面最重要的就是Token per task 就是說你同樣一個任務 不同的模型或者說不同的應用 消耗的Token可能差幾十倍甚至上百倍
我覺得 Token 其實也是一個非常容易誤導人的單位，因為這裡面最重要的就是 Token per task，就是說你同樣一個任務，不同的模型或者說不同的應用，消耗的 Token 可能差幾十倍甚至上百倍。
Freda3:03
就是你更好的AI 才能去訓練出 下一代更好的AI 所以就是這個循環 一旦跑起來 就有一點點 就是那些researcher說的 叫recursive self-improvement 這個味道
就是你更好的 AI 才能去訓練出下一代更好的 AI，所以就是這個循環，一旦跑起來，就有一點點那些 researcher 說的叫 recursive self-improvement 這個味道。
Freda12:05
但是模型它 就肯定是一個usage based 然後是一個token based 所以你作為CFO 就是你做的這個選擇 不再是說 我今年選擇哪個vendor 而是你在去optimize 就是我每一個query 我用的是哪一個模型
但是模型它肯定是一個 usage based，然後是一個 token based，所以你作為 CFO，你做的這個選擇不再是說我今年選擇哪個 vendor，而是你在去 optimize 就是我每一個 query 我用的是哪一個模型。
Freda16:05
但是就是比較大的震撼 就是entropic其實也是一個土幣的公司 它80%都是企業的這個用戶 員工就只有三千人
但是比較大的震撼就是 Anthropic 其實也是一個 to B 的公司，它 80% 都是企業的用戶，員工就只有三千人。
Freda28:13
就其實電機很快就被發明瞭 但是並沒有就是真的用到流水線上 並沒有真的提升效率 就是大家還是哦 把蒸汽機拆掉 然後換出去 然後把電機塞到同樣一個位置
就其實電機很快就被發明瞭，但是並沒有真的用到流水線上，並沒有真的提升效率，就是大家還是把蒸汽機拆掉，然後把電機塞到同樣一個位置。
Freda37:15
我覺得我最擔心的就是接下來 這些大廠 尤其是雲廠商的現金流 會非常的難看
我覺得我最擔心的就是接下來這些大廠，尤其是雲廠商的現金流，會非常的難看。
Freda1:01:28
而是說 我 我很真實的覺得 以信息交換為目的的對話 這個意義是在 快速的被掏空的
而是說，我很真實地覺得，以信息交換為目的的對話，這個意義是在快速被掏空的。
Freda1:19:40
就他沒有給我 任何信息上的增量 但就是比較有人味吧
就是他沒有給我任何信息上的增量，但就是比較有人味吧。
Freda1:20:40
數字與實體
| Anthropic Opus 名義售價 | 5 美元 per million input tokens，25 美元 per million output tokens | 7:04 |
| Anthropic 緩存命中率 | 可能有 98%、99% 這麼高 | 7:04 |
| 頭部公司 AI spend 佔 EBITDA 比例 | 1% 到 2% | 9:04 |
| Meta 裁員比例 | 10% | 9:04 |
| Coding 早期估算的市場規模 | 約 100 億美金 | 17:06 |
| Dario 說的白領 TAM | 三四十萬億 | 18:07 |
| Anthropic 員工數 | 三千人 | 28:13 |
| 美股量化交易量佔比 | 超過百分之六七十 | 45:18 |
| 幾家雲廠商收入儲備 | 2 萬億美元 | 1:03:30 |
術語
- TokenmaxxingToken 最大化
- 以消耗更多 Token 為榮、把用量當作能力或投入指標的做法。
- recursive self-improvement遞歸自我改進
- 更好的 AI 訓練出更好的 AI，形成自我加速的循環。
- economic diffusion經濟擴散
- 模型能力真正被企業和經濟吸收落地、轉化為收入的速度。
- Neo Labs新實驗室
- 從 AI Lab 出來的研究員自己開的新模型實驗室，是當下硅谷熱門投資主題。
- Acquire Hire收購式招聘
- 大廠通過收購小團隊把人招回去，讓優秀創業者有退出機制。
收聽指南
關注 AI 商業模式與估值的投資人、模型公司從業者，以及正在思考 AI 時代組織怎麼改的創業者。
只想聽投資乾貨的話，1:14:17 之後的焦慮與孤獨段落可以跳過。