AI 讓風投的冪律變得更極端，而不是更溫和
3000 家風投裡只有 20 家連續二十年做到 3 倍淨回報。AI 第一次讓錢能直接換成算力、算力直接變成產品優勢，冪律因此更陡，而非更平。
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
錢第一次能直接變成產品優勢
David George 說，過去毀掉一家創業公司最經典的方式就是給它太多錢：它會招一千人，製造協調問題、開銷問題和互相打架的優先級。但這一次不一樣——你可以把錢直接扔進算力，算力讓產品和業務變好。這是「increasing returns to scale」在 AI 時代的新形態：品牌、聲譽、資源積累這些老機制還在，但資本本身第一次成了能自我強化的生產要素。所以冪律變得更極端並不讓他意外。
— David GeorgeAI 四年做到 SaaS 十五年的收入
Ram 給出的對比：AI 已經達到 1000 億美元收入，SaaS 走到同一個點用了 15 年，AI 只用了 4 年，而且需求滲透還遠沒到頭。他認為「可以往公司裡砸錢」這件事的根源，是推理需求沒有上限。更關鍵的是 AI 同時在攻擊 GDP 的每一個面——交通、勞動、服務、資本、協調，從來沒有一個技術範式同時命中 30 萬億美元 GDP 的這麼多部分。所以對配置者來說，這不該是衛星倉位，而應該是核心甚至超核心。
— RamAI 的 TAM 不是軟件，是被執行的任務
以醫療為例：醫療 IT 每年只花 600 到 1000 億美元，但 AI 打的是實際勞動和任務的價值——理賠、賬單、行政，那是一個萬億美元級的行業。所以 AI 的 TAM 可以比傳統 SaaS 或醫療 IT 大 10 倍以上。Ram 說他自己「長期錯判這些結果能有多大」，David 也承認一樣。另一個數字：美國經濟花在勞動上的錢，大約是花在軟件上的 40 倍。但 David 強調，這不意味著勞動會消失，而是勞動會被重新發明。
— Ram / David George3000 家風投只有 20 家連續做到 3 倍
Ram 團隊看了美國 3000 家風投的數據，過去二十年裡只有 20 家持續做到 3 倍淨回報，不到 1%。而且不需要二十年裡七八隻基金都達標，只要有三到四隻 3 倍淨 TPPI 的基金就夠。這 20 家的共同點是：每一個年份（vintage）都能拿到定義品類的那家公司。對照數據是 Cambridge 的統計——過去十年風投的平均淨回報只有 1 到 2 倍，比私募股權差，也比公開市場差，還要鎖十年錢。所以「有沒有進那 20 家」幾乎決定了一切。
— Ram中間層基金正在被兩頭擠死
Ram 和 David 反覆提到「death of the middle」。兩頭能活：一頭是極早期、極度垂直的專業基金，它們動作快，能拿到大基金也想要的那部分份額；另一頭是能覆蓋從種子到上市全生命週期的平臺型大基金。中間那些既不夠早、也不夠全的基金最難競爭。David 引用了 Endowment Eddie 的說法：對大基金的興趣是創始人驅動的，不是 LP 驅動的——創始人要的是能幫他們降低結果風險、能規模化、能帶客戶和招人的品牌，LP 只是慢慢跟上。
— Ram / David GeorgeAI 讓「什麼是真 traction」更難判斷
Ram 說 AI 讓他們的工作比以往任何時候都難：輪次更大、更快，行業裡的 traction 變得令人困惑。一家公司從加速器出來，一個月做到 500 萬美元 ARR，但還沒有續費週期，就按巨大倍數融資，而且這些公司可能還在同一批裡互相「唱」給對方聽，甚至不是 ARR 而是把某個月乘以 12。每九家這樣的公司裡，才有一家是真特別的。所以判斷真 traction 不能靠財務分析，只能靠理解客戶、直接和客戶聊。他舉 Harvey 為例：早期商業上做得很好，但實際使用率並不高，直到推理模型出現後使用和參與度才徹底翻轉。
— RamGP 和 LP 的激勵方向完全相反
Ram 說 GP 會因為錯過下一個 Facebook、下一個 Uber 被解僱——這是「error of omission」，是可解僱的。但 LP 只有在投錯項目時才會被解僱，不投反而沒事。所以如果你錯過了前沿模型，但大致貼著基準、甚至略低於基準，你的工作還在。對很多 LP 來說，上行收益本身也沒那麼有吸引力，所以「你會錯過下一代」這個說辭對他們並不奏效。Ram 認為 LP 真正該做的是 access、selection、sizing 三件事：如果 3000 家裡只有 20 家做得好，就該集中在那 15 到 20 家。看到有人配了 50、60、70 家風投，他很難相信這個組合能跑贏平均。
— Ram給公司套上 AI 不等於變成 Amazon
Ram 用一句話點破 AI 版私募股權：把 Sears 放到網站上，並不會讓它變成 Amazon——你得從零搭建 Amazon 的物流體系才行。他舉了反面案例：有公司第一件事就是上 AI 客服，因為這是最容易摘的果子，但如果沒有圍繞工作流重建，習慣了和真人打交道的客戶會很快流失，而 NPS 每掉一點都和收入下滑直接相關，再疊加債務就會螺旋下墜。Intercom 是正面案例：把創始人請回來，重建整個業務，做 AI 原生產品，再賣掉——這幾乎等於「自殺式」改造現有業務，在私募股權裡極難做到。
— Ram原話 · 已逐字校驗
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.
但現在，尤其是對前沿實驗室來說，這是我職業生涯裡第一次，你可以把資本扔進一家公司，而它會複利式地放大這家公司的優勢。
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 的收入已經達到 1000 億美元。SaaS 走到同一個點用了 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.
我們看了美國 3000 家風投的數據。過去二十年裡，只有 20 家持續做到 3 倍淨回報。
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 會因為錯過下一個 Facebook、下一個 Uber 被解僱——這是「不作為的錯誤」，是可解僱的。但 LP 反過來，只有投錯項目才會被解僱。
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 放到網站上，並不會讓它變成 Amazon。你得從骨架開始把 Amazon 的物流搭起來，才能成為 Amazon。不只是那個網站。
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.
我們在機器人上還差得遠，但我認為機器人會比語言這塊更大。而且我認為這會在未來十年發生。
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 的瓶頸不是需求，而在供給端。順序是能源、電網和數據中心，然後是芯片，再是前沿模型和應用。
Ram46:30
數字與實體
| 美國風投中連續二十年做到 3 倍淨回報的機構數 | 3000 家中只有 20 家 | 11:14 |
| AI 達到的收入規模 | 1000 億美元（SaaS 用 15 年，AI 用 4 年） | 4:04 |
| 美國經濟勞動支出相對軟件支出的倍數 | 約 40 倍 | 6:07 |
| 風投平均淨回報（Cambridge 數據，過去十年） | 1 到 2 倍 | 12:14 |
| 美國企業中位數 AI 支出 | 每員工每月 12 美元 | 36:14 |
| 數據集中 AI 支出最高的 1% | 每員工每月 7000 美元 | 36:14 |
| 醫療佔美國 GDP 比重 | 18% | 45:28 |
| 2021-2022 年軟件 LBO 交易規模 | 2000 到 3000 億美元，其中 2000 多億被抽出 | 38:20 |
術語
- power law冪律
- 風投裡少數贏家拿走絕大部分回報的分布規律。
- death of the middle中間層之死
- 既不夠早也不夠全的中間規模基金被兩頭擠壓。
- TPPI已實現淨回報倍數
- Total Paid-in to Paid-in，衡量基金實際分配給 LP 的回報倍數。
- vintage年份批次
- 按基金成立年份劃分的批次，用於橫向比較同期表現。
- ARR年度經常性收入
- Annual Recurring Revenue，訂閱制公司按年折算的經常性收入。
- LBO槓桿收購
- Leveraged Buyout，用大量債務收購公司。
收聽指南
適合正在做資產配置的 LP、募資中的 GP，以及想理解 AI 如何改變風投回報結構的創業者。
開頭 0:00-2:04 是節目預告和嘉賓介紹，可跳過；4:04 附近有一段十週年紀念品的閒聊。