硅谷正在反复孕育出单个公司市值就超过整个发达国家国民经济规模的企业 Silicon Valley is repeatedly generating individual companies that are worth more than entire developed world national economies
Erik TorenbergGeneral Partner, a16z
目录
观点原文
硅谷正在反复孕育出单个公司市值就超过整个发达国家国民经济规模的企业
Silicon Valley is repeatedly generating individual companies that are worth more than entire developed world national economies
ABAB AI 解读
一、这不是修辞,而是正在发生的现实
“单个公司 > 一个发达国家经济体”并非比喻。
现实对照:苹果、微软、英伟达:市值 2–4 万亿美元级
对比国家 GDP:
- 芬兰 ≈ 3,000 亿美元
- 葡萄牙 ≈ 2,500 亿美元
- 新西兰 ≈ 2,500 亿美元
➡️ 一家硅谷公司 = 5–10 个中等发达国家一年的经济产出。
而且这不是一次性事件,是持续、重复发生。
二、为什么只有硅谷能反复做到?
关键不在“技术”,而在资本 + 人才 + 制度的乘数效应。
1️⃣ 极端集中的资本定价权
硅谷掌握的是:
- 全球最便宜、最敢冒险的长期资本
- 能容忍十年不盈利、只押“未来垄断”的机制
➡️ 国家财政做不到这一点。
2️⃣ 人才的全球虹吸效应
- 全世界最聪明的人
- 被同一套体系吸进同一个地理节点
结果是:创新不是线性分布,而是指数级堆叠。
3️⃣ 可无限复制的“软件+平台”经济
国家经济:受人口、土地、制度边界限制
硅谷公司:
- 软件边际成本 ≈ 0
- 一次突破 = 全球扩散
➡️ 这在历史上从未出现过。
三、这句话真正隐含的“危险信号”
⚠️ 公司开始具备“准国家能力”
当公司规模超过国家经济时,它们开始拥有:
- 事实上的货币影响力(股价、指数、养老金)
- 地缘政治筹码(芯片、云、AI、平台控制权)
- 规则制定权(技术标准、内容规则、隐私边界)
➡️ 国家正在从“规则制定者”变成“谈判方”。
四、为什么这是一个“重复发生”的过程?
因为硅谷已经不是“产业集群”,而是:全球价值捕获机器
流程是:
全球问题 →
硅谷建模 →
平台化 →
金融化 →
市值指数级放大。
只要这个机制存在,就会持续制造“公司级超级体”。
五、一句话总结
硅谷不只是创造公司,而是在持续生产“规模超越国家的经济主体”。
VC
相关观点
- 这个视频是 a16z 播客对 OpenAI 开发者平台工程负责人 Sherman Wu 的采访。他们讨论了 OpenAI 如何为 8 亿周活跃用户构建产品、模型的专业化趋势、微调(Fine-Tuning)的新进展以及开源模型的策略。 以下是视频的主要观点整理: 1. 规模与双重身份(Scale & Dual Identity) 巨大的用户规模: ChatGPT 现在的周活跃用户(WAU)已达到 8 亿,约占全球人口的 10%。这是一个惊人的增长速度。 水平与垂直并存: OpenAI 同时是一家水平公司(通过 API 为开发者提供基础设施)和垂直公司(拥有 ChatGPT 这样的第一方消费级应用)。 内部张力: 虽然存在一些张力(例如 API 客户担心 OpenAI 的产品与他们竞争),但目前的快速增长在很大程度上掩盖了这些问题。OpenAI 的使命是尽可能广泛地分发 AGI 的好处,因此通过第一方应用和开发者平台多渠道分发是必要的。 2. 模型生态的演变:从“单一模型”到“专业化模型” 观念转变: 过去(甚至在 OpenAI 内部)普遍认为未来会由一个巨大的“统治一切”的模型(One Model to Rule Them All)主导。但现在情况变了,市场正向专业化模型发展。 模型分化: 不同的模型适用于不同的场景。例如,o1 (推理模型) 适合规划和复杂逻辑,GPT-4o 适合快速交互,Composer 模型适合代码补全。用户和开发者开始针对特定任务组合使用不同的模型。 反去中介化(Anti-disintermediation): 与传统云服务不同,很难在用户和模型之间插入一个完全抽象的软件层。因为模型本身具有“个性”和特定的能力,用户往往知道并需要在特定场景下使用特定的模型(如 GPT-4 vs Claude)。 3. 微调(Fine-Tuning)与强化学习(RL)的新机遇 企业数据的价值: 许多公司拥有巨大的私有数据宝库。过去简单的监督微调(SFT)只能改变模型的语气或格式,无法根本提升能力。 强化微调(Reinforcement Fine-Tuning, RFT): 这是一个巨大的解锁。现在的微调允许企业使用自己的数据进行强化学习。这不再是简单的“风格调整”,而是可以让模型在特定领域达到 SOTA(当前最佳)水平。 数据换算力: OpenAI 正在探索一种模式,如果企业愿意分享其高质量数据用于训练,可以获得推理成本的折扣。 4. 代理(Agents)与工作流 代理的定义: Sherman 将代理定义为“代表你采取行动并在较长时间范围内工作的 AI”。 两种工作类型: 探索性工作(如编程): 目标明确但过程发散,适合现有的 AI 助手模式。 程序化工作(如客户支持): 必须严格遵循标准操作程序(SOP),不能随意发挥。 Agent Builder 的逻辑: OpenAI 推出的 Agent Builder(基于节点的低代码工具)虽然被一些人认为“太受限”,但它正好解决了企业对确定性的需求。在受监管行业或游戏 NPC 逻辑中,必须限制 AI 的输出范围,确保其遵循特定的业务逻辑或法规,而不是完全自由生成。 5. 开源模型与定价策略 拥抱开源: OpenAI 开始发布一些开源模型(如 O1 mini 的某些部分或工具),认为开源生态的繁荣最终对 OpenAI 有利(水涨船高)。目前并未看到开源模型对 API 业务造成明显的“同类相食”效应,因为高端模型的推理服务(Inference)仍然非常困难且昂贵。 定价的未来: 目前 API 主要是按使用量定价(Usage-based)。虽然行业在讨论“按结果定价(Outcome-based)”,但在 API 层面很难衡量“结果”的价值(例如如何衡量一次 API 调用对农作物增产的贡献)。不过,随着模型思考时间(Test-time compute)的增加,使用量定价在某种程度上已经与结果(更复杂的任务需要更多计算)相关联了。 总结 OpenAI 正在从单一的大模型提供商演变为一个支持多样化、专业化模型生态的平台。他们意识到企业不仅需要通用的聊天机器人,更需要能深度结合私有数据、遵循严格业务逻辑(SOP)并能通过强化学习微调达到领域专精的 AI 解决方案。Erik Torenberg · 2025/12/15
- 这份总结整理了视频《AI Eats the World: Benedict Evans on the Next Platform Shift》中,知名科技分析师本尼迪克特·埃文斯(Benedict Evans)的主要观点。 核心论点:AI 是下一次平台级变革 埃文斯将 AI 视为继互联网和智能手机之后的又一次重大平台级变革(Platform Shift)。但他持“中间派”立场:虽然它和互联网、智能手机一样重要,但也仅仅是这个级别的变革,未必是像某些人预测的那样是“火的发现”或通过 AGI 彻底改变物理世界的底层逻辑。 以下是具体的观点整理: 1. 关于技术发展与预测的困境 物理极限未知: 与过去的摩尔定律或宽带速度不同,我们不知道 AI 技术的物理极限在哪里。我们缺乏理论模型来预测它明年会好多少,或者何时能达到“博士级”水平。这导致目前的预测很多是基于“感觉(Vibes-based)”而非工程路线图。 AGI 的模糊性: 人们对 AGI(通用人工智能)的定义很模糊。它要么是“已经在我们身边(只是更好的软件)”,要么是“永远还要再等 5 年”。 2. 关于 AI 泡沫 (The Bubble) 泡沫是常态: 改变世界的巨大技术通常都会伴随泡沫。即使现在是泡沫期(类似 1997-1999 年的互联网泡沫),也不代表技术本身是假的。 理性的过度投资: 对于大公司(Hyperscalers)来说,错失良机的代价远大于过度投资的代价。即使最后证明不需要这么多算力,他们也要先买显卡,这是一种博弈论下的理性行为。 3. AI 的落地与应用现状 知晓度高,日活度低: ChatGPT 有数亿周活用户,但很多人只是“看看”,并没有养成每天使用的习惯。与电子表格(Excel)刚问世时会计师立刻知道怎么用不同,普通人常常看着聊天框不知道该干什么。 目前主要用例: 编程(Coding)和营销内容生成(Marketing assets)是目前最清晰的赢家。 “无限实习生”比喻: 现在的 AI 就像给你提供了无限个实习生。他们很聪明,读过所有的书,但没有具体的行业背景知识,也不懂公司内部流程。你必须给他们非常具体的指令,或者需要专门的软件来“包装”他们。 4. 市场格局:通用模型 vs. 垂直软件 模型商品化: 基础模型(如 GPT-4, Claude 等)可能会变得像某种大宗商品。如果模型能力大家都差不多,竞争壁垒在哪里? 软件(SaaS)的护城河: 埃文斯反驳了“AI 将取代所有软件”的观点。他认为,现有的软件(如 Salesforce, Workday)不仅是数据库,更是工作流和行业知识的固化。用户不仅仅需要一个能回答问题的聊天框,更需要哪怕只有几个按钮但能解决具体业务流程的界面(GUI)。 未来的软件形态: 未来的软件公司可能会通过 AI 来解决那些以前无法自动化的“非结构化”问题,这不仅仅是做一层“薄薄的包装(Wrapper)”,而是深入理解行业需求。 5. 巨头与创业公司的博弈 巨头的优势(Sustaining Innovation): 对于 Google 和 Meta 来说,AI 可能主要让现有的产品更好(搜索更准、广告更精准)。互联网并没有杀死微软,移动互联网反而让 Facebook 更强大。AI 可能会被巨头吸收为现有产品的一个“功能”。 创业公司的机会(Net New Behaviors): 真正的创业机会在于发现以前做不到的全新行为(Net New Behaviors)。比如移动互联网时代,Uber 和 Instagram 是全新的产物,而不是把网页版搬到手机上。AI 时代的这种全新应用目前还处于早期探索阶段。 6. 苹果与终端设备的未来 苹果相对安全: 即使未来 App 消失,大家都只用 AI 聊天机器人,人们依然需要购买最好的硬件(屏幕、摄像头、电池)。因此苹果比当年在移动互联网时代失去开发环境主导权的微软要安全得多。 Siri 的愿景是对的: 苹果多年前对 Siri 的设想(跨应用操作、理解上下文)是正确的,只是当时技术没跟上。现在这是所有人都在追逐的目标。 总结:本尼迪克特·埃文斯认为我们正处于变革的早期阶段(类似 1990 年代中期的互联网)。虽然现在看起来有些混乱和泡沫,且很多应用场景还不清晰,但这正是平台级变革初期的典型特征。关键在于从“把 AI 当作聊天机器人”转向“利用 AI 构建新的产品形态和解决具体问题”。Erik Torenberg · 2025/12/15
- Mitchell Green是 Lead Edge Capital 的创始人,Lead Edge 是一家非常独特的投资机构, Mitchell 详细介绍了他们如何将投资公司运行得像一家软件公司,以及他们独特的投资策略和管理哲学 1. Lead Edge Capital 的“投资机器” 运行模式: Mitchell 强调他们不靠“艺术”投资,而是靠“流程”。Lead Edge 被设计成一台精密运作的机器,拥有 18 名 22-24 岁的分析师,每年给约 9000 家公司打冷电话(Cold Call) 核心 KPI: 他们最看重的指标是 LP(有限合伙人)的总资金留存率(Gross Dollar Retention),目标是 95% 以上。这意味着他们不仅要提供好回报,还要提供极佳的客户服务 2. 独特的 LP 结构:全球顶级高管网络 LP 构成: Lead Edge 的 LP 几乎全是世界级的企业高管和连续创业者(约 800 人),涵盖了财富 500 强各个行业的 CEO、HR 负责人等 杠杆作用: 这些 LP 深度参与投资生命周期: 寻找项目: 如果公司不回电话,就请相关的行业大牛 LP 写邮件 尽职调查: 请相关行业的退休 CEO 进行背调 投后赋能: 直接帮被投公司对接客户(例如帮 Toast 对接连锁餐厅) 3. 八项选股标准(The Lead Eight) 他们只投已经证明了产品市场匹配(PMF)的公司,不投早期初创。主要标准包括: 年收入 1000 万美元以上: 且年增长至少 25% 70% 以上的毛利率: 毛利驱动最终的盈利倍数 经常性收入(Recurring Revenue): 降低预测风险 资本效率: 累计烧钱额不能超过累计收入(1:1 比例) 底部盈利或即将盈利: 不依赖外部融资生存 无客户集中度风险: 单一客户不能占比过高 4. 卖出策略与回报哲学 “二垒和三垒打”: 他们不追求 100 倍的“大满贯”,目标是每单 2-5 倍的回报,3-7 年持有期,保持极低的亏损率(15 年只亏过一单大的) 主动卖出: Lead Edge 设有专门的“处置委员会”,每两周评估一次组合。他们经常通过二级市场提前套现(例如在 Toast IPO 前就卖掉了大部分,获利丰厚),不断计算未来的内部收益率(Forward IRR) 5. 对 AI 和软件行业的看法 现在是购买上市软件公司的最佳时机: Mitchell 认为市场目前对软件股过度恐惧,导致估值偏低。他引用巴菲特的话,“在他人恐惧时贪婪” 现有的领先者(Incumbents)会赢: 他不相信 AI 会让 Workday 这样的公司倒闭。这些公司拥有极深的数据护城河、客户关系和极高的留存率 AI 泡沫警示: 他认为现在的 AI Capex(资本支出)泡沫类似于当年的电信泡沫。许多 VC 投 AI 模型公司会因为模型商品化而损失惨重,他更看好能消耗更多资源的底层基础设施软件 6. 独特的公司文化与管理 一分钟一对一: Mitchell 每年会亲自与每一位员工(包括前台和会计)坐下来沟通,询问三个问题:你工作中喜欢/讨厌什么?如果你是我,你会改什么?怎么能让你的工作更容易? 放权给年轻人: 允许 23 岁的分析师直接去见身价过亿的 LP,建立真实的关系 手写感谢信: 全公司保持从上到下的执行力,见完创业者必发手写感谢信 7. 个人特质与背景 极限竞争心: Mitchell 曾是国家级滑雪运动员和赛车手,滑雪让他学会了在高速下做决策,并且在事情变恐怖时(如金融危机)敢于买入 持久性: 他认为“持久”是创业者和投资人最重要的品质。他每天只睡 4-5 小时,因为他热爱这个“游戏” 核心总结: Mitchell Green 的 Lead Edge Capital 展现了一套高度工业化的投资逻辑——通过极致的流程化管理、强大的高管 LP 资源网络和严苛的财务筛选标准,在竞争激烈的科技投资领域实现了极其稳定的高回报Mitchell Green · 2026/03/28
- Scott Nolan是 General Matter 的联合创始人兼 CEO,曾是 SpaceX 的早期员工,并在 Founders Fund 担任合伙人超过 12 年 本文深入探讨了美国浓缩铀供应链的危机、核能的未来、SpaceX 的创业教训以及如何解决重大的工程问题 1. 美国铀供应的危机与现状 对俄罗斯的依赖: 目前美国约 25% 的浓缩铀供应来自俄罗斯。国会已通过法律,将于 2028 年 1 月 1 日起禁止进口俄罗斯铀 如果俄罗斯明天停止供应: 美国电力公司将不得不消耗库存,并寻求欧洲、甚至可能间接通过中国(而中国可能还是买俄罗斯的)来补位。这会导致铀价格飙升,电费上涨,甚至可能出现局部轮流停电 HALEU 燃料缺失: 下一代先进核反应堆需要更高丰度的燃料(HALEU,丰度 15%-20%),而目前西方几乎没有商业化的生产能力,这成为了先进核能发展的巨大瓶颈 2. 铀浓缩的历史教训 失去领先地位: 美国曾是铀浓缩的领导者(曼哈顿计划遗产),但在冷战后,由于追求自由贸易和降低成本,美国关闭了本国效率较低的工厂,转而依赖俄罗斯和欧洲。2013 年,美国最后一家国有浓缩厂关闭 战略失误: 美国低估了拥有自主供应链(尤其是浓缩环节)在国家安全和全球影响力方面的价值。现在,全球 70% 以上的新建反应堆是俄罗斯或中国设计的,因为它们能配套提供燃料 3. General Matter 的使命与策略 解决浓缩难题: Scott 意识到先进反应堆公司面临的最大障碍不是技术或许可,而是燃料供应。他在 Founders Fund 寻找相关初创公司未果,最终决定亲自下场创办 General Matter 在“压力”下创业: 这符合 Founders Fund 的逻辑——如果一个至关重要的问题没人解决,那就自己去解决 目标: 不仅仅是把产能带回美国,还要通过工程创新(非科学实验)将浓缩成本降低,使核能更具经济竞争力 4. 从 SpaceX 和 Elon Musk 学到的工程哲学 这不是科学实验,是工程问题: Scott 强调在 SpaceX 学到的第一课是:目标是商业化和规模化,而不是在实验室里搞研究 消除“成本加成”思维: 他对比了在波音实习时的官僚作风(故意拖延工期以获得更多资金)与 SpaceX 的极速文化 IDIOT INDEX(白痴指数): 这个概念被用来衡量成品的成本与原材料成本之间的差距。Scott 认为铀浓缩领域同样有巨大的成本压缩空间(通过垂直整合、自主设计厂房、管理分包商等) Manical Urgency(疯狂的紧迫感): 通过分解目标、并行推进任务、在 80% 确信时就做决定(尤其是可逆决定)来压缩时间轴 5. 核能与 AI 的结合 AI 对能源的需求: 随着 AI 数据中心向吉瓦(Gigawatt)级规模迈进,核能成为唯一能提供清洁、稳定底载负荷(Base Load)的选择 容量建设: General Matter 的规划是建设足以满足到 2040 年国内需求的产能,以应对 AI 带来的电力需求激增 6. 选址与人才 选址 Paducah(肯塔基州): General Matter 选择在肯塔基州的帕迪尤卡建立设施,因为那里曾是美国最后的浓缩厂所在地,社区支持度高,且有核工业文化 人才组合: Scott 认为不需要全员都是核物理博士。公司更需要来自 SpaceX、特斯拉、Anduril 等公司的机械、电气、软件和航空航天工程师,因为浓缩厂在本质上是一个复杂的工业加工厂 7. 对创业者的建议 只在不得不做时才创业: Scott 引用皮特·蒂尔和黄仁勋的话,认为如果只是为了财务回报,加入一家伟大的公司可能更好 去做最难的事情: 有时候,做一个极难的项目反而比容易的项目更简单,因为你能吸引全球最顶尖的人才。顶尖人才被重要且具有挑战性的使命所吸引 总结内容: Scott Nolan 正在利用他在 SpaceX 积累的硬核制造经验和在风投界培养的宏观洞察力,试图重建美国的核燃料主权,为未来的 AI 时代和绿色能源时代提供最底层的动力支撑 本文参考来源 https://www.youtube.com/watch?v=Xolqw4B35rQRelentless · 2026/03/10