刚看了Raymond的硅谷见闻《硅谷国庆见闻 - 愿天下处处是泡沫》。

他在硅谷待了二十天,开了七十个会。

教授创业。

博士准备辍学。

大厂员工偷偷做 side project。

创业者一边融资,一边投资别人。

基金经理兜售自己的学术圈关系。

没有产品的公司拿着几十亿美元估值融资。

老股交易满天飞。

所有人都在问下一步去哪。

那种空气,他说很像 2014、2015 年的中国互联网。

钱很多。

人很忙。

机会很多。

泡沫也很多。

读到最后一句:

“愿天下处处是泡沫。”

我反而认为,真正值得投资人思考的,不是“硅谷现在到底有没有泡沫”。

当然有。

真正的问题是:

这些泡沫正在把钱、人和时间推向哪里?

以及更重要的:

等这些资源真的流过去以后,哪一层需求会先跑起来,而供给还没来得及跟上?

这可能比判断泡沫什么时候破,更接近投资本身。

一、技术革命刚开始时,资本往往先把基础设施建过头

回头看蒸汽机、铁路、电力、互联网,几乎都经历过类似的过程。

技术先出现。

然后资本开始狂热。

铁路时代,大量铁路项目同时融资。

电力时代,电厂、电网、电机疯狂扩张。

互联网时代,光纤、IDC、网络设备、门户网站一起上。

很多项目最后都失败了。

很多钱也确实被浪费掉。

可有一件事很容易被忽略:

那些被泡沫提前建出来的基础设施,并没有随着股价下跌一起消失。

铁路还在。

电网还在。

光纤还在。

数据中心也还在。

甚至正因为前一轮资本投得太多,后一轮真正使用这些基础设施的人,反而获得了极低的成本。

这可能是技术泡沫最有意思的一面:

对上一层投资人来说,它可能是过度投资; 对下一层创新者来说,它却可能是成本红利。

互联网泡沫以后,大量电信公司倒下。

但廉价带宽留下来了。

后来 Google、Amazon、Netflix、云计算,都是在这层便宜基础设施上长出来的。

所以今天再看 GPU、HBM、数据中心、电力建设,也可以多问一句:

如果这一轮真的建多了,谁会因此获得过去不可能拥有的廉价智能?

答案可能不是今天最热的 GPU 公司。

而是下一层:

Agent。

机器人。

企业 AI。

生物科技。

专业服务。

个人服务。

这才是历史真正值得借鉴的地方。

二、电力时代给 AI 的启发,可能比互联网更大

回看技术发展史,通过对比,我觉得,AI 最像的其实是电力。

电力刚进入工厂时,很多企业第一反应只是:

把蒸汽机换成电动机。

原来的工厂布局基本不变。

原来的传动轴不变。

原来的生产流程也不变。

效率当然会提高一点。

但电力真正改变生产率,不是在“换发动机”的那一刻。

而是在后来。

每台机器都可以独立用电以后,工厂开始重新布局。

流水线重新设计。

仓储、物流、工序、人员组织一起变。

这时候,电力才真正开始改变生产方式。

今天很多企业用 AI,其实还停留在“换电机”的阶段。

写邮件快一点。

做 PPT 快一点。

写代码快一点。

总结文档快一点。

这是有价值。

但它只是:

旧流程 + AI。

真正的下一步,是企业开始问:

既然 Agent 可以自己读数据、调用工具、完成任务,为什么原来的流程还要这样设计?

为什么一张发票需要五个人?

为什么一个采购流程要十个节点?

为什么销售、客服、财务之间的数据要来回搬?

为什么软件只是给员工用,而不能让 Agent 直接负责一段工作?

到了这个阶段,AI 才真正开始改造生产关系。

不是提高一个人的效率。

而是重新设计:

谁负责什么。

三、所以真正重要的分界线,是 Copilot 到 Agent

过去两年,大量 AI 应用本质上是 Copilot。

人在前面。

AI 在旁边。

人提出任务。

AI 辅助完成。

Agent 再往前一步。

人不再逐步操作。

而是告诉系统:

我要什么结果。

中间的路径由 Agent 自己完成。

这就是我们一直讨论的:

Find → Do → Delegate。

互联网解决的是:

帮我找到。

平台时代进一步解决:

帮我匹配。

Agent 开始进入:

帮我完成。

再往后则是:

这类事情,以后你替我持续处理。

这时候,软件就不再只是工具。

它开始接过一部分责任。

而一旦责任发生转移,整个商业体系都会跟着变化。

四、这也是为什么数据公司突然火起来

Raymond的见闻里,我最感兴趣的其实不是那些几十亿美元估值的 Neo Labs。

而是数据公司。

大模型最早拼的是 Pretrain。

后来拼 Scaling。

再后来,行业逐渐进入后训练、RL 环境、专业数据、专家反馈。

这意味着瓶颈已经在迁移。

模型还在进步。

算力还在增加。

但 Frontier Labs 真正越来越缺的是:

高质量数据。

专业专家。

好的 RL Environment。

快速交付。

复杂项目组织能力。

所以现在一些数据公司看起来一点都不像传统 VC 喜欢的软件公司。

它们很重。

要组织人。

要找专家。

要项目经理。

客户凌晨两点改需求,也得马上响应。

有些项目两天就得交。

过去很容易说:

这种生意不 scalable。

但如果客户愿意支付几百万美元,而且回款极快,这本身就是一个需要重新理解的商业结构。

AI 可能正在制造一种新的公司:

AI 原生的高杠杆专业服务公司。

它不一定拥有 SaaS 那种 90% 毛利。

但 AI 可以让一个专业人员覆盖过去几倍、十倍的产出。

这时候真正该看的不是:

它像不像软件。

而是:

单位员工收入。

交付速度。

客户复购。

毛利变化。

现金转换率。

AI 是否持续放大人的产能。

这可能是下一阶段很容易被传统估值体系忽略的一类公司。

五、产业机会和投资机会必须分开

Neo Labs 那部分也很有意思。

教授创业。

没有产品。

没有 PMF。

没有收入。

融资估值几十亿、上百亿美元。

从社会角度看,这未必是坏事。

我甚至同意那篇文章里的一句话:

教授、博士、研究人员应该有机会通过研究和创业获得很高的经济回报。

因为这会形成一个很强的正反馈:

最聪明的人愿意继续做研究。

愿意冒险。

愿意把实验室里的东西带到现实世界。

这对一个社会是好事。

但对投资人来说,另一件事也必须分清:

一个产业值得被资本资助,不等于任何价格都是好投资。

社会需要一百家公司去试错。

最后可能只剩三家。

这三家足以改变世界。

但另外九十七家仍然可能让后来进入的投资人亏钱。

所以:

技术方向正确,和股价值得买,是两件完全不同的事情。

铁路是真的。

但很多铁路公司是坏投资。

互联网是真的。

但大量 dot-com 公司最后消失了。

AI 也不会例外。

六、真正的大机会,往往出现在第二层瓶颈

投资最容易犯的一个错误,是所有人都在第一层最热的时候继续看第一层。

GPU 火了,就一直看 GPU。

数据中心火了,就一直看数据中心。

可历史上真正大的利润池经常不断迁移。

铁路铺完以后,新的商业中心和物流体系起来。

电网铺完以后,家电、电机、流水线起来。

互联网基础设施铺完以后,搜索、电商、云、社交起来。

所以真正值得一直问的是:

如果这一层真的成功,下一层什么会最先不够?

AI 这几年其实已经走过了一轮:

模型。

GPU。

HBM。

数据中心。

电力。

网络。

现在正在继续向:

数据。

Memory。

Agent。

身份。

权限。

支付。

审计。

现实执行。

迁移。

真正好的投资机会,往往就在:

上一层已经被验证,下一层刚刚开始供不应求的时候。

七、这也是为什么最近 Agent、Auth、支付越来越重要

如果 AI 只是聊天,它真正需要的是模型和算力。

但一旦 Agent 开始替人完成现实任务,就会遇到一堆过去不重要的问题。

它是谁?

它代表谁?

它可以做什么?

可以动多少钱?

任务到底完成没有?

如果失败,谁负责?

所以最近才会同时出现:

PAP。

Agent Wallet。

Stripe 的授权支付。

1Password for Agents。

Visa Trusted Agent。

银行限制第三方 Agent。

这些东西表面上分属于:

支付。

身份。

安全。

协议。

其实背后都是同一个问题:

当机器开始获得行动权以后,社会怎样给这种行动权划边界。

这就是生产关系开始重构的地方。

模型能力在前面冲得很快。

制度、权限、责任这些东西却是慢变量。

技术越快,这种错配越明显。

而错配本身,就是新的商业机会。

八、AI 和过去最大的不同,是它开始碰“决策本身”

蒸汽机放大的是力量。

电力改变的是动力分配。

互联网降低的是信息传输和搜索成本。

AI 更特别。

它开始降低:

认知、判断、协调和关系处理成本。

这意味着它不只是替代一个生产工具。

它开始进入:

管理。

金融。

研发。

销售。

采购。

法律。

这些岗位过去做的事情,本质上是在配置其他资源。

所以 AI 一旦进入这些层次,自然会继续向:

账户。

支付。

信用。

权限。

资源配置。

延伸。

这也是为什么我最近从 Agent 一直思考到金融、Auth、委托代理。

不是话题跑偏了。

而是 AI 真正进入决策层以后,它必然会碰到权利层。

九、AI 还有一个过去技术革命很少有的特点:它可以帮助制造下一代 AI

铁路不会自己设计下一代铁路。

电力不会自己设计新的发电机。

但 AI 可以:

写 AI 代码。

生成训练数据。

管理实验。

做科研辅助。

优化芯片设计。

帮助下一代模型训练。

所以这一轮技术革命有一种很特别的递归性:

它可以提高自己技术进步的生产率。

这不意味着一定会出现所谓“智能爆炸”。

但它意味着技术迭代的速度,可能会比蒸汽、电力时代快很多。

而社会制度、企业组织、监管不会同步加速。

所以今天一个很大的结构性错配可能是:

技术是快变量。

制度是慢变量。

而投资机会,往往就在两者交界处。

十、从历史看,真正值得珍惜的不是泡沫,而是泡沫背后的上行预期

Raymond的硅谷见闻最后写:

“愿天下处处是泡沫。”

我能理解这种情绪。

它怀念的并不是估值高。

而是一种整个社会都相信:

下一步可能更好。

教授愿意创业。

博士敢退学。

大厂员工敢出来。

年轻人愿意冒险。

创业失败还能再来。

资本愿意押注还没有被证明的未来。

这种环境本身,就会改变人的行为。

人的机会成本会重新计算。

这会形成一种非常强的正反馈。

更多人创业。

更多公司出现。

更多公司互相采购。

更多成功案例。

更多资本重新进来。

这就是一个真正的上行周期。

从社会角度看,当然值得珍惜。

十一、但投资人不能只跟着“上行感”走

我们真正的工作不是判断:

现在热不热。

而是把热度拆开。

哪些只是估值情绪。

哪些已经变成订单。

哪些订单正在改变供需。

哪些供需错配开始带来定价权。

最后,哪些企业真正把这些利润留在自己手里。

所以我现在越来越喜欢这样理解投资:

关系重构 → 资源重新流动 → 效率提高 → 新需求显形 → 瓶颈迁移 → 定价权出现 → 新产业结构稳定。

热度只是第一步。

真正的投资回报,发生在后面。

十二、所以 AI 有没有泡沫,可能真的不是最重要的问题

如果站在历史里看今天,真正有价值的问题其实是:

今天这些疯狂投入的资本,最后会把什么东西变得极其便宜?

然后再问:

这种东西变便宜以后,谁会第一次大量使用?

再往下:

当他们大量使用以后,下一样最先不够用的东西是什么?

这三步,可能比预测 AI 泡沫什么时候破有用得多。

因为历史上的技术革命,反复出现的从来不是:

新技术出现,然后所有相关资产上涨。

真正不断重复的是:

能力突破 → 资本过建 → 成本下降 → 新需求出现 → 瓶颈迁移 → 下一批公司崛起。

所以今天看 AI,我反而不会只盯着最热的地方。

我更关心:

下一层。

如果 GPU 足够多,会发生什么?

如果模型足够便宜,会发生什么?

如果 Agent 足够可靠,会发生什么?

如果企业真的开始把工作交给 Agent,什么会先不够?

可能是数据。

可能是 Memory。

可能是身份和权限。

可能是支付。

可能是机器人。

也可能是我们今天还没给它起名字的一层。

但那才是投资真正有意思的地方。

不是追着已经显形的东西跑。

而是提前站到:

下一处即将显形的瓶颈前面。