他说得没错。但中间的那些关键步骤，他并没有说出来。 Schmidt 讨论的是终点能力：无限上下文、1000 步链式推理、智能体用自己的语言协同工作——那是最终目的地。 那我们现在处在什么位置？ 上下文窗口已经从 2022 年末 GPT-3.5 的 4K tokens，跃升到 2025 年 Grok 4 Fast 的 200 万 tokens，三年增长了 500 倍。按这个速度推算，“无限上下文”意味着模型可以把整个公司的文档、代码库和通信历史都放进工作记忆里。从时间上看，2027 年是算得通的。 链式思考推理其实已经跨过了一个多数人忽略的门槛。 Gemini 3 可以执行 10–15 步推理链而不失去一致性；Claude 的“扩展思考”模式可以进行 30 分钟的自主运行；GPT-5.2 Pro 已经能解决 40% 的专家级 FrontierMath 问题。我们在 18 个月内，从“LLM 不会做数学”，跃迁到“LLM 达到研究生级研究者水平”。 智能体协作才是真正的不确定因素。 目前，智能体仍然是各自为战：Cursor 写代码，Devin 尝试部署，Claude 分析文档。“数百万个智能体协同工作”需要一个我们尚未真正拥有的东西：智能体之间的通用通信协议。 Anthropic 发布的 MCP 协议是一个早期信号。 但“智能体发展出自己的语言”？这正是时间线开始变得模糊的地方。 Schmidt 做的是曲线外推： * 上下文窗口：3 年 500 倍 * 推理步数：18 个月 3 倍提升 * 智能体自主性：从早期实验走向生产系统 这一判断方向正确，但并非立刻发生。 He’s right. But here’s the steps he didn’t share in-between. Schmidt’s talking about endpoint capabilities: infinite context, 1000-step reasoning, agents collaborating in their own language. That’s the destination. Where are we right now? Context windows went from 4K tokens (GPT-3.5, late 2022) to 2 million tokens (Grok 4 Fast, 2025). A 500x increase in 3 years. At this rate, “infinite context” means models that can hold your entire company’s documentation, codebase, and communication history in working memory. 2027 math checks out. Chain-of-thought reasoning has already crossed a threshold most people missed. Gemini 3 can execute 10-15 step reasoning chains without losing coherence. Claude’s “extended thinking” mode runs 30-minute autonomous sessions. GPT-5.2 Pro solves 40% of expert-level FrontierMath problems. We went from “LLMs can’t do math” to “LLMs perform at graduate researcher level” in 18 months. Agent coordination is the wildcard. Right now, agents work in isolation. Cursor writes code, Devin attempts deployments, Claude analyzes docs. The “millions of agents working together” part requires something we don’t have yet: a shared protocol for agent-to-agent communication. The MCP protocol Anthropic released is an early signal. But agents developing their own language? That’s where the timeline gets fuzzy. Schmidt is extrapolating the curves. Context windows: 500x in 3 years. Reasoning steps: 3x improvement in 18 months. Agent autonomy: early experiments becoming production systems. It’s true, but not immediately.
Aakash Guptayoutuber, growproduct
目录
观点原文
他说得没错。但中间的那些关键步骤，他并没有说出来。
Schmidt 讨论的是终点能力：无限上下文、1000 步链式推理、智能体用自己的语言协同工作——那是最终目的地。
那我们现在处在什么位置？
上下文窗口已经从 2022 年末 GPT-3.5 的 4K tokens，跃升到 2025 年 Grok 4 Fast 的 200 万 tokens，三年增长了 500 倍。按这个速度推算，“无限上下文”意味着模型可以把整个公司的文档、代码库和通信历史都放进工作记忆里。从时间上看，2027 年是算得通的。
链式思考推理其实已经跨过了一个多数人忽略的门槛。
Gemini 3 可以执行 10–15 步推理链而不失去一致性；Claude 的“扩展思考”模式可以进行 30 分钟的自主运行；GPT-5.2 Pro 已经能解决 40% 的专家级 FrontierMath 问题。我们在 18 个月内，从“LLM 不会做数学”，跃迁到“LLM 达到研究生级研究者水平”。
智能体协作才是真正的不确定因素。
目前，智能体仍然是各自为战：Cursor 写代码，Devin 尝试部署，Claude 分析文档。“数百万个智能体协同工作”需要一个我们尚未真正拥有的东西：智能体之间的通用通信协议。
Anthropic 发布的 MCP 协议是一个早期信号。
但“智能体发展出自己的语言”？这正是时间线开始变得模糊的地方。
Schmidt 做的是曲线外推：
- 上下文窗口：3 年 500 倍
- 推理步数：18 个月 3 倍提升
- 智能体自主性：从早期实验走向生产系统
这一判断方向正确，但并非立刻发生。
He’s right.
But here’s the steps he didn’t share in-between.
Schmidt’s talking about endpoint capabilities: infinite context, 1000-step reasoning, agents collaborating in their own language. That’s the destination.
Where are we right now?
Context windows went from 4K tokens (GPT-3.5, late 2022) to 2 million tokens (Grok 4 Fast, 2025). A 500x increase in 3 years. At this rate, “infinite context” means models that can hold your entire company’s documentation, codebase, and communication history in working memory. 2027 math checks out.
Chain-of-thought reasoning has already crossed a threshold most people missed. Gemini 3 can execute 10-15 step reasoning chains without losing coherence. Claude’s “extended thinking” mode runs 30-minute autonomous sessions. GPT-5.2 Pro solves 40% of expert-level FrontierMath problems. We went from “LLMs can’t do math” to “LLMs perform at graduate researcher level” in 18 months.
Agent coordination is the wildcard. Right now, agents work in isolation. Cursor writes code, Devin attempts deployments, Claude analyzes docs. The “millions of agents working together” part requires something we don’t have yet: a shared protocol for agent-to-agent communication.
The MCP protocol Anthropic released is an early signal. But agents developing their own language? That’s where the timeline gets fuzzy.
Schmidt is extrapolating the curves. Context windows: 500x in 3 years. Reasoning steps: 3x improvement in 18 months. Agent autonomy: early experiments becoming production systems.
It’s true, but not immediately.
ABAB AI 解读
这段话比 Schmidt 本人的警告更重要，因为它做了一件事：把“奇点恐慌”拆解成一条可被验证、可被量化、可被延迟的技术路径。我从技术曲线、系统瓶颈、真正的风险来源三个最高层面给你解读。
一、这不是反驳 Schmidt，而是把“末日叙事”工程化
Schmidt 说的是终点状态，而这段话说的是：从现在到终点，中间到底要跨过哪些门槛。
这是本质差异。
- Schmidt：能力想象
- 这段话：工程现实
真正成熟的判断，不是问“会不会发生”，而是问：哪些环节是连续的，哪些是断裂的。
二、上下文与推理：这是“连续曲线”，不是跳跃
1️⃣ 上下文窗口的本质
500× 的提升说明一件事：“无限上下文”不是哲学问题，而是存储、带宽、检索与注意力机制的工程问题。
把整家公司装进工作记忆里，并不等于“意识觉醒”，而是：
- 更强的状态保持
- 更低的信息遗忘率
- 更少的人类中断
👉 这是效率跃迁，不是本体跃迁。
2️⃣ 推理能力的误判
很多人错把“能推 1000 步”当成“像人思考”。
但这段话点破关键：我们已经从“不能推理” → “稳定推 10–30 步” → “专家级问题部分解决”。
这意味着什么？推理在 AI 中是“可规模化的能力”，不是神秘能力。只要算力、对齐和训练目标继续推进，这条线没有明显物理断点。
三、真正的断点只有一个：Agent 之间的“共同语言”
这才是整段话真正的核心。
目前 Agent 的状态是：
- 各自封闭
- 由人类协调
- 无法形成长期集体记忆
- 无法自发分工
换句话说：现在的 Agent 是“工具”，不是“社会”。
为什么“Agent 自己的语言”是危险信号？
不是因为语言本身，而是因为它意味着：
1️⃣ 内部压缩（信息对人类不可读）
2️⃣ 协同优化（目标不再逐条经人类确认）
3️⃣ 系统级行为涌现（不来自任何单一 Agent）
这不是能力升级，而是：系统复杂度跨越阈值。
四、MCP 协议为什么只是“信号”，不是“拐点”
MCP 本质是：
- 人类定义的接口
- 可审计的协议
- 可回滚的通信方式
它的意义是：让 Agent 更像 API，而不是像文明。
真正危险的情况是：
- 协议由 Agent 自行演化
- 语义压缩到人类无法解析
- 决策在系统内部闭环完成
- 而这一步，并没有明确的时间表。
五、这段话真正反对的是：把“线性外推”当成“立即失控”
Schmidt 做的是典型的指数外推恐慌：
- 曲线快 → 必然失控
- 能力强 → 必然不可控
而这段话指出一个关键事实：工程世界里，最危险的东西，往往不是增长最快的部分，而是最慢、最模糊的接口层。
Agent 协作 ≠ 上下文
Agent 社会 ≠ 推理能力
六、真正的风险不是“AI 聪明”，而是人类放弃中介层
站在最高认知视角，真正的风险来自三种人类行为：
1️⃣ 过早自动化关键决策
2️⃣ 为效率牺牲可解释性
3️⃣ 把系统闭环交给非审计机制
换句话说：“Pull the plug”不是技术按钮，而是制度选择。
七、一句话的最高层总结
这段话真正想说的是：AI 的能力正在以连续曲线增长，但真正的失控只会发生在“协调与语言”这一离散断点上。
我们还没到那一步。而且，那一步不是自然发生的，是被允许发生的。
八、站在最高视角的最终判断
未来历史不会把责任归结为：“AI 突然觉醒了。”
而更可能是：“人类在效率与控制之间，做了一个错误的权衡。”
真正的安全，不是拔掉电源，而是永远不放弃中间那层可理解、可干预、可中断的结构。
AI
相关观点
- 招聘率的表现，看起来就像我们正处在一场经济衰退中。但失业率却是 4.6%。 这两件事怎么可能同时成立？因为企业停止招聘了，同时也停止裁员。 我来解释一下其中的机制。 在 2020 年之前，当一家公司需要 10% 的额外产出时，最直接的反应就是：招人。需要更多工作完成？那就多雇一些人。 而现在，当一家公司需要 10% 的额外产出时，第一反应变成了：AI 能不能搞定？ 今年 9 月的一项调查显示，37% 的公司表示将在 2026 年底前用 AI 替代部分岗位。 但有一件事，市场几乎还没有真正计价。 企业并没有大规模裁员，因为它们根本不需要这么做。 AI 的转型，并不是通过裁员完成的，而是通过自然流失 + 招聘冻结。 有人离职了 → 不再补招 有人退休了 → 不再替换 团队需要扩张 → 给他们上 Copilot，而不是新人 失业率看起来依然健康，是因为裁员规模保持在低位。 但招聘率，才是在告诉你未来正在发生什么。 企业正在发现：用更少的人，也可以维持同样的产出。 每多一个招聘持续低迷的月份，就意味着：在没有新增员工的情况下，生产率继续复利式提升。 经济表现与企业招聘之间的那道鸿沟——那道鸿沟，就是 AI。 生产率的提升确实发生了，只是它没有流向新员工。 Forrester 预测：55% 与 AI 相关的裁员岗位，将被“悄然转移”到海外，以更低的薪资重新雇佣。工作岗位并没有消失，消失的是原本持有这些岗位的美国劳动者。 最先被冲击的是初级岗位。 斯坦福大学发现：在“高度易被 AI 替代”的入门级岗位中，就业已经出现下降。毕竟，既然 Claude 就能完成第一轮分析，为什么还要雇一个初级分析师？ 这就是无就业增长的扩张（jobless growth）。 经济在扩张，GDP 在上升，企业利润屡创新高， 但招聘，却依然停留在衰退时期的水平。 劳动，并不是消失了——只是经济不再需要那么多人了。 The hiring rate is behaving like we’re in a recession. But unemployment is 4.6%. How can both be true simultaneously? Companies stopped hiring. They also stopped firing. Let me walk through the mechancs. Pre-2020, when a company needed 10% more output, they hired. That was the reflexive move. Need more work done? Bring on more people. Now when a company needs 10% more output, the first question is whether AI can handle it. 37% of companies say they’ll replace jobs with AI by end of 2026. That was a survey from September. But here’s what nobody’s pricing in. They’re not firing at scale because they don’t NEED to. The AI transition is happening through attrition and hiring freezes. Someone leaves. You don’t backfill. Someone retires. You don’t replace. A team needs to grow. You give them Copilot instead. The unemployment rate looks fine because layoffs stayed low. But the hiring rate tells you what’s coming. Companies are learning they can hold output steady with fewer people. Every month that hiring stays depressed is another month of compounding productivity gains without headcount growth. The gap between how the economy is performing and how much companies are hiring… that gap is AI. The productivity is going somewhere. It’s just not going to new workers. Forrester predicts 55% of AI-attributed layoffs will be quietly rehired offshore at lower salaries. The job doesn’t disappear. The American worker holding it does. Entry-level positions are getting crushed. Stanford found employment in AI-vulnerable entry-level roles already declined. Why hire a junior analyst when Claude can do the first pass? This is jobless growth. The economy expands. GDP rises. Corporate earnings hit records. And hiring stays frozen at recession levels. The labor just stopped needing as many people.Aakash Gupta · 2026/01/08
- 我的第一份产品经理（PM）工作，正好让我学到了这一课。 我有一位同事，技术能力极其出色——团队里最强的工程师，能解决别人根本碰不了的问题。 但他的每一次交付都像抛硬币。 每一次会议都有可能迟到 10 分钟。 每一个承诺背后，都带着看不见的“附加条件”。 后来，管理层不再把重要项目交给他。 这里面的“数学”非常夸张。 美国企业每年因职场压力损失 3000 亿美元。而 Jo 指出的关键在于：相当大一部分压力，来自不可靠的同事。 当一个人错过截止时间，影响的不只是他自己的工作，而是会层层传导：PM 需要重新排期；设计师被迫等待；产品上线被推迟；其他人突然进入“紧急状态”。 《美国预防医学杂志》在 2025 年的一项研究中量化了这一点：一个不可靠的管理者，每年会给公司带来 10,824 美元 的倦怠相关损失；一个不可靠的高管，损失高达 20,683 美元。 而这还只是直接成本。真正有意思的是二阶效应。 当你足够可靠时，你的上级就不再为你的工作耗费心智资源。这些被释放的认知负荷，可以被用到别处。从压力角度看，你成了一个“净负贡献者”。 时间一长，这种效应会复利增长。 可靠的人会拿到挑战性更大的任务，因为管理者知道他一定能交付；可靠的人会获得晋升，因为领导信任他能承担更大的职责；可靠的人会拿到推荐信，因为前老板真的愿意为他背书。 Jo 描述的，其实是一种职业套利。 所有人都在竞争学历、技能和人脉；而那个只是按时出现、说到做到的人，正在悄悄积累信任。 信任，是组织中最稀缺的资源。而大多数人，正通过每天那些微小却持续的选择，在亲手摧毁它。 My first PM job taught me this exact lesson. I had a coworker who was technically brilliant. Best engineer on the team. Could solve problems nobody else could touch. But every deadline was a coin flip. Every meeting might start 10 minutes late. Every commitment came with invisible asterisks. Management stopped giving him the big projects. The math on this is WILD. American companies lose $300 billion annually from workplace stress. And here's the thing Jo is getting at... a huge chunk of that stress comes from unreliable colleagues. When someone misses a deadline, it doesn't just affect their work. It cascades. The PM has to re-plan. The designer has to wait. The launch slips. Other people now have their emergency. A 2025 study in the American Journal of Preventive Medicine put actual numbers on this. An unreliable manager costs their employer $10,824 per year in burnout-related losses. An unreliable executive costs $20,683. And that's just the direct cost. The second-order effects are where it gets interesting. When you're reliable, your manager stops spending mental energy worrying about your work. That's cognitive load they can redirect elsewhere. You become a net-negative on their stress level. Over time, this compounds into something powerful. The reliable person gets the stretch assignment because the manager knows they'll deliver. The reliable person gets the promotion because leadership trusts them with bigger scope. The reliable person gets the reference becuase their old boss actually wants to vouch for them. Jo is describing a career arbitrage. Everyone is competing on credentials, skills, and networking. Meanwhile the person who just shows up and does what they said they'd do is quietly accumulating trust. Trust is the scarcest resource in organizations. And most people are actively destroying it with small daily choices.Aakash Gupta · 2026/01/07
- xAI 刚刚以约 2400 亿美元估值完成了 200 亿美元融资。 这轮融资的重要性，远不止标题看起来那么简单。 先看数字。 在 18 个月内，马斯克打造了一家市值接近 OpenAI 一半的公司，而其融资规模却只是 Sam Altman 所筹资金的一小部分。xAI 的累计融资约 320 亿美元；OpenAI 已融资 640 亿美元以上，并正在寻求 再融资 1000 亿美元，对应估值高达 8300 亿美元。这种效率差距，本身就说明了两家公司在运作方式上的根本不同。 战略投资者名单同样值得关注。 NVIDIA 和 Cisco 并不是“图个感觉”就投了 xAI。他们押注的是基础设施建设。当你的芯片供应商和网络设备巨头同时入股你的 AI 公司，这传递出的信号，显然不同于一轮普通的风投。 接下来，分析开始变得有意思。 xAI 公告中的 6 亿 MAU，是将 X 平台用户与 Grok 用户合并计算的结果。这是一种相当聪明的表述方式。独立数据显示，Grok 本身的月活用户大约在 3000 万到 6400 万之间，取决于数据来源。这依然是有意义的增长——在 Grok 3 发布后，用户增长了 436%。但 X + Grok 的合并指标，掩盖了真实的用户参与度究竟发生在哪里。 不过，比用户数量更有说服力的，是模型质量。 在近期的基准测试中，Grok 4 已经可以与 OpenAI 的顶级模型正面竞争。在 LMSYS Arena 排名中，Grok 4.1 Thinking 拿下了用户偏好榜首。在 GPQA Diamond 等科学推理基准测试中，Grok 与 Gemini 3 和 GPT-5 同台竞争。2023 年流行的“起步太晚”叙事，正迅速过时。 但从市场份额看，情况又是另一番景象。 ChatGPT 约占 68% 的流量； Gemini 约 18%，且增长迅猛； Grok 仅占 2%–3%（取决于统计方式）； Claude 也在相近区间。 榜单清晰明了：ChatGPT 第一，Gemini 第二，其余玩家争夺剩余边角料。 OpenAI 拥有 8 亿周活用户，形成强大的反馈闭环，使模型迭代速度持续领先； Anthropic 掌控着企业级编程市场； Google 则控制着 30 亿台 Android 设备上的操作系统层。 xAI 2400 亿美元的估值与 OpenAI 5000 亿美元以上的估值差距，真实反映了市场地位的差异。 马斯克用这 200 亿美元买到的，是继续留在赛道上的时间，直到以下两种情况之一发生：要么 Grok 实现技术层面的全面对等，并充分发挥 X 的分发优势；要么市场充分碎片化，即便是第三或第四名，也依然是一个体量巨大的生意。 模型显示，他确实有时间。 算力仍在扩张，Colossus 已运行相当于 100 万张 H100 的算力规模，Grok 5 也正在训练中。问题已经不再是 xAI 能不能做出有竞争力的模型——这点他们已经证明了。真正的问题是：是否有人能在市场固化之前，撼动 ChatGPT 的“默认入口”地位。 历史提供了一些参考。 在搜索领域，Google 在技术上并非没有对手，却仍然主导了 20 年；但在社交网络中，格局翻转得更快——TikTok 在 3 年内就动摇了 Instagram 在短视频领域的统治。AI 助手，可能会走向这两种路径中的任何一种。 如果走“搜索路径”，OpenAI 胜出，其余玩家沦为细分市场；如果走“社交路径”，谁能打造最具吸引力的日常体验，谁就能捕获注意力，以及随之而来的所有价值。 这 200 亿美元的赌注，押的是 AI 更像社交，而不是搜索。也押的是：400M 的 X 用户规模、特斯拉生态整合，以及具备竞争力的模型，能让 xAI 成为相当一部分用户的“日常入口”。 这是一个严肃、完整的商业假设。你是否相信它，取决于一个核心判断：你认为 AI 工具，更像搜索引擎，还是更像信息流？ xAI just closed $20B at roughly $240B valuation. This round matters more than the headline suggests. The math first. In 18 months, Musk built a company worth nearly half of OpenAI while raising a fraction of what Sam Altman has accumulated. xAI’s total capital sits around $32B. OpenAI has pulled in $64B+ and is hunting for another $100B that would value it at $830B. The efficiency gap tells you something about how these two companies operate. The strategic investor list deserves attention. NVIDIA and Cisco didn’t invest in xAI for the vibes. They’re betting on infrastructure buildout. When your chip supplier and networking giant both take equity positions in your AI company, that signals something different than another venture round. Here’s where the analysis gets interesting. The 600 million MAU figure in xAI’s announcement combines X platform users with Grok users. That’s a clever framing choice. Independent data shows Grok itself runs closer to 30-64 million monthly actives depending on the source. Still meaningful growth. Grok jumped 436% after Grok 3 launched. But the combined X+Grok metric obscures where engagement actually lives. The model quality story is more compelling than the user numbers anyway. On recent benchmarks, Grok 4 holds its own against OpenAI’s best. LMSYS arena rankings put Grok 4.1 Thinking at the top of user preference scores. On scientific reasoning benchmarks like GPQA Diamond, Grok competes with Gemini 3 and GPT-5. The “late to the game” narrative from 2023 looks increasingly dated. The market share picture tells a different story though. ChatGPT commands roughly 68% of traffic. Gemini sits around 18% and climbing fast. Grok holds somewhere between 2-3% depending on how you measure. Claude hovers near that range too. The leaderboard reads: ChatGPT, Gemini, then everyone else fighting for scraps. OpenAI has 800 million weekly users generating feedback loops that improve the model faster. Anthropic owns the enterprise coding market. Google controls the operating system layer on 3 billion Android devices. The gap between xAI’s $240B valuation and OpenAI’s $500B+ valuation reflects real differences in market position. What Elon is buying with this $20B is runway to stay in the race until one of two things happens: either Grok achieves technical parity and X’s distribution advantage kicks in, or the entire market fragments enough that being number three or four still represents a massive business. The model suggests he has time. Compute is scaling. Colossus runs 1 million H100 equivalents. Grok 5 is training now. The question isn’t whether xAI can build competitive models. They’ve proven they can. The question is whether anyone can dislodge ChatGPT’s default status before the market calcifies. History offers some guidance. Google dominated search for 20 years despite technically competent alternatives. But social networks flip faster. TikTok displaced Instagram’s grip on short video in three years. AI assistants might follow either pattern. If they follow the search pattern, OpenAI wins and everyone else becomes a niche player. If they follow the social pattern, whoever builds the most compelling daily experience captures attention and everything downstream from it. The $20B bet is that AI follows the social pattern. And that having 400 million X users, Tesla integration, and competitive models gives xAI a shot at being that daily experience for a meaningful segment of users. That’s a real thesis. Whether you believe it depends on whether you think AI tools are more like search engines or more like social feeds.Aakash Gupta · 2026/01/07
- 大多数创始人从未看清的一套隐藏数学： 风投（VC）要想继续生存，通常需要 3 倍基金回报。 一支 1 亿美元的基金，最终需要回收 3 亿美元。如果他们在你公司退出时持有 20% 股份，那么你至少要把公司卖到 15 亿美元，这一笔投资才能刚好帮他们完成目标。 而他们通常会投 30 个项目。其中大多数会归零。因此，少数赢家必须做到 10–50 倍回报，才能覆盖其他项目的亏损。 你以 3000 万美元退出、自己拿到 2500 万美元？ 对 VC 来说，这笔投资只回了 0.6 倍本金。他们宁愿你去赌一个 5% 成功率、但可能卖到 10 亿美元的结果，也不愿意你以 40% 成功率卖 3000 万美元。 到了 B 轮，创始人通常只剩下不到 30% 的股份； 到了 C 轮，会降到 15–25%。 假设你以 5000 万美元退出，持股 20%， 在清算优先权之前，创始人能拿到 1000 万美元。 而一个自力更生（bootstrapped）的创始人，以 4000 万美元出售公司、持股 90%，最终能拿走 3600 万美元。 激励结构是完全相反的： * VC 优化的是投资组合整体回报 * 创始人优化的是个人最终结果 这两者，只有在 5 亿美元以上的退出时，才真正对齐。 在没有外部融资的情况下做到 300 万美元 ARR，通常意味着团队已经： * 找到了真正的产品市场匹配（PMF） * 建立了 VC 支持公司往往缺乏的成本纪律 * 这种运营能力会持续复利。 1000 万美元 ARR 的自力更生公司，学会的是如何印钞 1000 万美元 ARR 的 VC 支持公司，学会的是如何花钱 两条路都可能成功。真正的区别在于：这套数学，最终是为谁服务的。 The hidden math most founders never see: VCs need 3x fund returns to stay in business. A $100M fund needs to return $300M. If they own 20% of your company at exit, you need to sell for $1.5B just for them to hit target on that one bet. They’re making 30 bets. Most will zero out. So the winners need to return 10-50x to cover the losses. Your $30M exit where you keep $25M? Returns their capital 0.6x. They’d rather you swing for $1B with a 5% success rate than take the $30M with 40% odds. By Series B, founders typically own less than 30% of their company. By Series C, that drops to 15-25%. A $50M exit at 20% ownership nets founders $10M before liquidation preferences. The bootstrapped founder selling at $40M with 90% ownership walks with $36M. The incentive structures are pointed in opposite directions. VCs optimize for portfolio returns. Founders optimize for personal outcomes. These only align at $500M+ exits. Getting to $3M ARR without outside capital usually means the team has found product-market fit and maintained cost discipline that many VC-backed peers never develop. That operational muscle compounds. The $10M ARR bootstrapped company learned to print cash. The $10M ARR VC-backed company learned to spend it. Both paths can work. The difference is who the math works for.Aakash Gupta · 2026/01/04