Freda的投资札记第2集：Tokenmaxxing、把电机塞进蒸汽机、接力赛变篮球赛、孤独、人的连接

概览

本期围绕 AI 时代的投资判断展开，核心线索是：Token 不只是用量指标，而是要放到任务效果、模型效率、商业回报和组织变革中理解。嘉宾反复强调，当前确实存在大量 Token 浪费，但 AI 总投入、用户数和任务量仍可能继续大幅增长。

节目中段集中讨论模型公司、软件公司、组织架构和投资市场。Anthropic、OpenAI、Gemini、XAI、Meta 等被放在同一张竞争图里分析，嘉宾认为 Coding Agent 的成熟正在改变模型公司迭代速度，也会重估软件、云、芯片、资本开支和美股大票的逻辑。

后半段从硬核投资转向人的感受。嘉宾坦言自己身处硅谷也非常焦虑，常常觉得跟不上新工具和新变化；但他同时认为，AI 会削弱以信息交换为目的的对话，使人与人之间更宝贵的部分回到情感连接、真诚交流和共同经验。

分段落总结

[00:05] 节目开场与本期主题

[事实] 主持人介绍嘉宾 Freda/Friday 在湾区做投资，是 Altimeter Capital 的合伙人，该基金横跨一二级市场，投资案例包括 OpenAI、Anthropic、字节跳动、Snowflake、Robinhood 等。

[事实] 主持人回顾上一期“投资札记”曾讨论美国明星公司收入、美国资本新秩序和泡沫问题。

[事实] 本期预告会讨论 TokenMaxing、AI 时代组织架构，也会谈焦虑、孤独和人与人的关系。

[02:19] Token 作为 AI 时代的新计量单位

[事实] 嘉宾认为 AI 时代出现了 Dollar Per Flop、Dollar Per Watt、Dollar Per Token 等新指标，其中 Dollar Per Token 更接近实际业务回报。

[事实] 他把 Dollar Per Token 类比为工业时代的 Dollar Per KWh，用来衡量投入产出比。

[事实] 他提醒 Token 也是一个容易误导人的单位，因为同一个任务在不同模型和应用里消耗的 Token 可能相差几十倍甚至上百倍。

[03:07] Token Per Task 比总 Token 更关键

[事实] 嘉宾提出 Token Per Task 很重要，因为同样的 coding 任务，强模型可能用一两百行精炼代码完成，弱模型可能写几千行啰嗦代码。

[事实] 他提到 reasoning tokens 是用户看不到但会实际消耗算力的中间推理 Token，不同模型差异很大。

[事实] Agent workflow 会进一步放大 Token 消耗，因此不能简单把 Token 用量大理解为效果好。

[推测] 嘉宾是在反对用“Token 消耗量”直接衡量产品价值，强调真正应该看完成任务的效率和效果。

[05:45] Token 用量会继续增长，但浪费也会被优化

[事实] 嘉宾把 AI 总投入拆成用户数、每个用户完成的任务量、Token Per Task 和 Dollar Per Token 等因素。

[事实] 他认为用户数和任务数会继续大幅增长，尤其是 AI 从程序员扩散到普通白领后。

[事实] 他同时认为 Token Per Task 和 Dollar Per Token 都会被优化，未来大家会更重视模型性价比。

[推测] “TokenMaxing”在短期可能继续推高使用量，但长期会从粗放消耗转向更精细的效率竞争。

[09:04] AI 开支、烧钱与按效果付费

[事实] 嘉宾提到 Meta 在 Cloud Code 上的年度花销传言达到几十亿美元，Uber 的 CFO 也说公司三个月内用完了原计划一整年的 coding AI budget。

[事实] 他测算头部 TokenMaxing 公司当前 AI spend 大约对应 1% 到 2% 的 EBITDA，仍属可控范围。

[事实] 他认为行业收费模式会从按 Token 收费逐渐转向按效果付费，并以 AI 客服公司 Sierra 为例，说明按是否解决客服问题收费更能让供应商和客户利益一致。

[推测] 在客服、销售转化、催收、贷款、保险理赔等可量化场景，按效果付费可能更快出现；写作等创意类场景仍可能长期按 Token 收费。

[11:41] Anthropic 的领先与 Coding Agent 的循环

[事实] 嘉宾说过去两年大家默认 SOTA 模型几个月换一次手，但最近他开始质疑这种假设。

[事实] 他认为 Coding Agent 成熟后出现了重要循环：更好的 AI 能训练出下一代更好的 AI。

[事实] 他提到模型大厂出新模型的速度变快，OpenAI 重组并提高 Coding 位置，Google 由 Sergey 亲自管 Coding，Meta 也在推自己的 Coding 模型。

[推测] 如果这种递归式改进越过临界点，后发者追赶模型能力的难度可能显著提高。

[14:33] Codex 与 Cloud Code 的竞争

[事实] 嘉宾认为当市场对两个产品争论很多时，通常说明它们实际效果差距没有那么大。

[事实] 他提到 Codex 最近明显在打价格战，并欢迎用户使用 Cloud Code 不让用的场景。

[事实] 嘉宾反思自己过去太花时间比较 OpenAI 和 Anthropic，但更重要的是理解两者都会非常大。

[推测] 因为模型服务是 usage based、token based，客户会在每个 query 上优化使用哪个模型，而不是像 SaaS 一样只选一家 vendor。

[16:20] Coding 市场规模被严重低估

[事实] 嘉宾回忆早期投资人用美国四五百万 developer 和每人每月几十到几百美元来估算 Coding 市场，得出约百亿美元市场规模。

[事实] 他认为这个估算在量和价上都错得离谱，因为 Anthropic 一家的收入已远超当时想象。

[事实] 他引用 Dario 的思路，把真正的 TAM 指向全球白领和任何可被计算机操作的事情。

[推测] Coding 不只是程序员工具，而可能成为白领工作自动化的入口。

[18:49] “负向滚雪球”与模型公司盈利路径

[事实] 嘉宾解释“负向滚雪球”：如果训练成本每年几倍增长，而上一代模型带来的毛利不足以覆盖下一代训练成本，公司会越滚越负。

[事实] 他认为除了训练 scaling 变慢，还有另一条跳出负向滚雪球的路，就是收入增长斜率远高于训练成本增长。

[事实] 他提到 Anthropic 的需求突然爆发后，公司被迫把更多算力放到推理上，反而出现暴利。

[推测] 模型公司的盈利能力不只取决于训练成本，也取决于推理需求能否快速放大并转化为收入。

[21:24] ARR 口径、算力与收入天花板

[事实] 嘉宾认为媒体常说的模型公司 ARR 并不是真正的 Annual Recurring Revenue，因为它既不一定 annual，也不一定 recurring。

[事实] 他指出 OpenAI 和 Anthropic 报收入时可能使用 gross、net、过去四周乘以 13、过去一周乘以 53 等不同口径，导致比较困难。

[事实] 他认为市场远远低估了每 Gigawatt 电力能产生多少模型收入，模型公司的收入天花板可能被系统性低估。

[推测] 在算力紧张的背景下，谁能把每单位电力转化成更高收入，可能成为模型公司估值的重要变量。

[23:28] Anthropic、御三家与 XAI/Meta

[事实] 嘉宾认为 Anthropic 的关键拐点是收入从约 10 亿到 50 亿的阶段，而且用时不到半年。

[事实] 他认为 OpenAI、Anthropic、Gemini 未来的模型层商业模式会趋同，哪里有收入，大家都会去做。

[事实] 对 XAI，嘉宾认为目前缺乏足够 data points，无法判断其成功与否；他认为 XAI 把部分数据中心租给 Anthropic 不代表放弃训练。

[事实] 对 Meta，嘉宾认为它年底会冲击 SOTA 模型，但关键问题是做出模型后如何变现，可能路径包括 Meta AI app、助手产品和 Coding 模型外部收入。

[27:17] AI 对软件公司的冲击

[事实] 嘉宾说传统软件公司依赖 push model，需要销售和 go-to-market，Salesforce 等公司销售和营销占收入比例很高。

[事实] 他对比 Anthropic，称其 80% 是企业用户、员工约 3000 人，每个员工对应收入远高于传统软件公司，而且没有传统意义上很重的销售团队。

[事实] 他认为 AI 让人重新思考公司到底需要多少人，以及组织架构应是什么样。

[推测] 软件公司的威胁不只是功能被替代，还包括原有销售、实施、人员规模和组织效率假设被重估。

[30:10] 软件估值、脆弱品类与 Office 的韧性

[事实] 嘉宾认为二级市场已经在抛弃软件公司，很多软件股跌幅超过 50%，但一级市场不少公司仍停留在 AI 之前的估值逻辑。

[事实] 他认为 UI 占比高、数据结构化程度高的 point solution 更脆弱，如电子签、项目管理、BI 工具等。

[事实] 他认为 Excel 因为表格语义混乱，反而不容易被 AI 直接替代；Office 只要流程中还有人需要手动精确修改，就仍有价值。

[推测] AI 替代软件不会按“软件类别”简单发生，而会按数据结构、人工修改需求和工作流位置逐步推进。

[34:10] 新软件机会与 Agent 重新设计

[事实] 嘉宾认为很多 AI CRM、AI ERP 还没有本质改变，只是减少手动输入或加入自动化。

[事实] 他认为新机会可能在记录企业决策过程中过去没有被记录的部分，例如折扣为什么是 20% 而不是 30%、谁否决了方案、CFO 有什么顾虑等。

[事实] 他认为软件需要为 Agent 重新设计，并以 Slack 基于 HTTP、Discord 使用 WebSocket 的体验差异说明 Agent 需要长期在线、实时、持久的系统。

[推测] Agent 原生软件的机会可能不在给旧软件加 AI，而在重做通信、权限、记忆、工作流和数据捕捉方式。

[36:11] 技术扩散与经济扩散

[事实] 嘉宾引用 Dario 的 technology diffusion 和 economic diffusion：前者是模型能力进步，后者是模型能力真正被企业和经济吸收落地。

[事实] 他用电机和蒸汽机的例子说明，新技术出现后并不会立刻带来生产率提升，工厂需要围绕新技术重构。

[事实] 他也提到计算机在 80 年代已进入办公室和银行，但生产率提升要到 90 年代中后期企业围绕计算机和网络重设业务后才出现。

[推测] AI 当前可能处在“把电机塞进蒸汽机”的阶段，即大家把 AI 加进旧流程，但还没有真正重构组织和流程。

[39:35] 从接力赛到篮球赛的组织形态

[事实] 嘉宾认为公司层级不仅是权力结构，更深层功能是信息传递、翻译和拆解。

[事实] 他用科技公司产品开发流程举例：PM、设计、开发、QA、go-to-market 之间存在大量翻译成本，端到端可能耗时六个月。

[事实] 他认为 AI 会让每个环节依次变成新的 bottleneck，因此整个流程需要重新设计。

[事实] 他设想未来组织更像三到五人的小分队篮球赛，而不是一棒一棒的接力赛；QA 可能嵌入开发，PM 需要更全能，小团队可自行决策。

[44:15] AI 对投资行业的改变

[事实] 嘉宾认为投资行业非常低效，很多时间花在找信息、清理数据、比较预期和判断 positioning。

[事实] 他认为如果 Agent 获得足够干净、足够亮的数据，并且清楚知道交易目标，理论上可以比人做得更好。

[事实] 他指出难点之一是财务数据看似标准化，实际非常细碎，可能要接十几个到二十个数据 vendor 才能拼出常用数据。

[推测] 投资 Agent 的瓶颈不只是模型能力，还包括数据质量、目标函数定义和对市场参与者行为的理解。

[47:07] 散户、机构与市场效率

[事实] 嘉宾认为美股交易量中量化占比超过 60% 到 70%，散户约 30%，传统机构在交易量上并不大。

[事实] 他总结散户偏好低 PE、大梦想、有张力的创始人、绝对股价不高，以及股价上涨的股票。

[事实] 他认为未来不是机构教育散户，而是机构也要向散户学习，因为市场越来越 thematic、narrative driven。

[事实] 他判断 AI 会让事件驱动交易和财报反应更快，alpha 的实现速度会明显提高。

[49:54] AI 创业公司已跑出收入的方向

[事实] 嘉宾认为 Coding 是最大方向，收入规模已经明显领先。

[事实] 他提到医疗、法律、客服、视频生成、推理基础设施和芯片等方向也已跑出较大收入。

[事实] 他认为推理基础设施公司和芯片公司也是能达到 billion 量级的重要类别。

[推测] AI 应用层目前收入分布很不均衡，Coding 之后出现明显断档。

[50:49] 模型公司与应用公司的边界再次移动

[事实] 嘉宾说从 2022 年起，市场就担心模型公司会吃掉应用公司；到 2024、2025 年这种担心减弱，但最近又重新增强。

[事实] 他认为模型有 skills、工具使用、connector、记忆后，模型层和应用层的边界又向应用层推进。

[事实] 他提到 Anthropic 表示会先吃编程，再进入金融领域；OpenAI 推音频模型也可能影响 LiveKit、ElevenLabs 等公司。

[推测] 应用公司若只依赖合规或 last mile 防守，可能很难吃到最大价值和最好利润率。

[53:20] VC 仍会投应用，但逻辑变了

[事实] 嘉宾认为 2026 年仍会投应用公司，因为过去几个月很多 VC 成立成长型基金，用来承接 OpenAI、Anthropic 等后期项目，原 VC 基金反而空出资金。

[事实] 他提到今年有上市和收购案例，VC 正在退出，手里现金仍充足。

[事实] 他说当前硅谷最火的是 Neo Labs，即从 AI lab 出来的研究员自己创办的新 lab。

[推测] Neo Labs 热潮来自模型巨头估值过高后的相对收益寻找，也来自优秀团队可被大 lab 收购招聘的退出机制。

[55:30] 推理降本与 Agent 基础设施

[事实] 嘉宾认为任何与推理或模型降价有关的创业公司都很火。

[事实] 他看好给 Agent 做基础设施的公司，因为 Agent 使用 email、手机、browser、identity、payment、compliance 的方式都和人不同。

[事实] 他举例说 Gmail API 对发送频率有限制，对人够用，但对 Agent 不够用，因此出现 Agent Mail、Agent Phone 等方向。

[推测] 如果 Agent 成为大规模用户，互联网基础设施可能需要为非人类操作者重做一遍。

[57:11] Agent Commerce、自动驾驶与机器人

[事实] 嘉宾认为 Agent Commerce 中 2B 比 2C 更大，因为 2C 消费体验已经不错，而 2B 跨境采购、付款条款、认证、合规、折扣等链条复杂，沟通成本高。

[事实] 对自动驾驶，他认为整体发展比预期慢，但 Nvidia 开源模型如果成功，可能像车厂的安卓系统一样改变格局。

[事实] 他提到自动驾驶开始卷 reasoning，因为纯靠堆数据和模仿学习覆盖不了所有 edge cases。

[事实] 对机器人，他更谨慎，认为还没有看到像 LLM 那样清晰的 scaling law，硬件也仍有挑战。

[60:32] AI 对美股大票与云厂商现金流的影响

[事实] 嘉宾复盘去年判断，认为“OpenAI 和 Anthropic 收入会成为市场风向标”是对的，但“市场重心会从半导体接棒到 AI 应用”是错的。

[事实] 他最担心大厂尤其云厂商的自由现金流，因为按当前 CAPEX 曲线，到 2027 年几家大厂自由现金流可能转负。

[事实] 他指出行业有超过 1 万亿美元 CAPEX，且还不包括很多表外资本开支，长协也使 CAPEX 预测更可能上修。

[事实] 他认为云厂商不是没有回报，Google、Amazon 云业务都能看到投资回报，但云业务本身因竞争和价值被模型公司分走而变差。

[63:05] 芯片、广告、IPO 与大票轮动

[事实] 嘉宾认为云厂商自研芯片正从内部工具变成对外销售产品，Google TPU 对外卖是重要战略变化，Amazon Trainium 也已有独立芯片公司的收入规模。

[事实] 他修正了对 OpenAI 广告的理解，认为新广告玩家不一定完全抢 Google、Meta 存量预算，也可能像 Amazon 一样吃到 trade promotion 类型预算。

[事实] 他认为 SpaceX 可能先上市，OpenAI、Anthropic 等超大型 IPO 市场容量可以接住，但会带来资金轮动，使现有 MAC7 承压。

[事实] 他测算大票裁员对 MAC7 EPS 帮助有限，但对人力密集型 SaaS 公司影响会很大。

[67:30] 市场风险、裁员焦虑与就业冲击

[事实] 嘉宾认为可能让市场情绪变差的因素包括社会影响、大规模裁员引发政府干预、Token 浪费回落、MAC7 负自由现金流，以及真正由 AI 带来的终端收入尚未被充分看到。

[事实] 他认为硅谷确实弥漫裁员焦虑，而且焦虑和恐惧是最容易传播的情绪。

[事实] 他回顾动力织布机、农业人口下降、电话接线员自动化、铁锈带等历史案例，认为人类经历过很多技术巨变。

[推测] 嘉宾没有断言 AI 是否必然造成长期失业，而是强调保持开放态度，并提前为不同路径做心理和组合准备。

[72:27] 长期乐观与创业建议

[事实] 嘉宾长期乐观，因为能大幅提升生产力的东西长期对经济有利。

[事实] 他认为现在是非常适合创业的时间点：大厂不再绝对安全，融资容易，Coding 让做东西变快，新需求多，格局未稳定。

[事实] 他给创业者的建议是不要照搬前面对大公司的分析，早期项目很难一开始就有明确护城河，想做就好好准备、好好努力去做。

[推测] 嘉宾更鼓励创业者在大时代中行动，而不是过早用终局、护城河和大公司竞争来否定自己。

[74:02] 硅谷焦虑与“跟不上”的真实感受

[事实] 嘉宾坦言自己非常焦虑，焦虑本质是对未来不确定性的恐惧。

[事实] 他每天会感觉自己跟不上新工具、新 workflow、新硬件和 Twitter 上不断出现的 “you have to look at this”。

[事实] 他举例说自己曾因深夜装不上 Open Cloud 而崩溃，觉得自己连这个都装不上，可能要被时代淘汰。

[事实] 他也说变化带来的不只是焦虑，还有莫名的激动，因为突然好像什么事情都可以做了。

[76:50] 不确定时代里的确定性

[事实] 嘉宾认为焦虑不是湾区特色，而是时代特色，来自人在乎某件事但又缺乏确定感。

[事实] 他提到 strong opinions loosely held，认为当下很多问题都需要有观点但保持可调整。

[事实] 他认为 AI 带来的是更高智能和效率提升，长期肯定是好事；智能本质上很平权，小镇孩子能用到的工具和硅谷工程师没有本质区别。

[推测] 这种平权会伴随资源重新分配，因此可能以痛苦方式在社会中实现。

[78:58] 信息交换变少，情感连接变重要

[事实] 嘉宾说自己越来越不想为工作信息去约人，因为很多信息性内容可以直接问 AI，而且答案可能更符合需求。

[事实] 他认为以信息交换为目的的对话意义正在快速被掏空。

[事实] 当主持人问人和人之间还剩什么时，嘉宾回答是情感连接。

[事实] 他举例说，一次和朋友在跑道边闲聊勇气、遗憾、在乎什么、什么东西让人觉得闪光，虽没有信息增量，却是很有人味的一次对话。

[81:00] 语言的价值从传递信息转向建立连接

[事实] 嘉宾说，以后和人见面更像是观察别人、聊心路历程，聊真诚且过去不太会聊的东西。

[事实] 他认为前面讨论的知识和信息多是公开信息，适合 Agent 总结使用，而最后关于真诚连接的部分更希望有意义。

[事实] 他谈到“语言集世界”这个名字时说，语言很多时候被用来翻译和传递信息，而 AI 会承担这部分工作。

[事实] 他认为语言还会被用来真正建立人与人之间的联系，这件事会越来越宝贵。

播客点评/总结

[推测] 本期的价值在于把 AI 投资讨论从单纯的模型排名和收入数字，推进到 Token 效率、算力收入、软件估值、组织设计、市场结构和人的心理状态。它不是单点判断，而是一套围绕“AI 如何真正进入经济”的分析框架。

[推测] 节目的亮点是嘉宾愿意复盘自己判断错误，例如 AI 应用接棒半导体的判断、对广告市场的理解、对自动驾驶和机器人的节奏判断等。这让讨论比单向输出观点更可信，也更贴近投资中不断修正框架的真实过程。

[推测] 局限在于节目涉及大量公司收入、CAPEX、Gigawatt、IPO、EPS 和市场资金容量等数字，但转录稿中没有展开数据来源和计算细节，听众更适合把它当作投资人视角的框架输入，而不是可直接引用的财务结论。

[推测] 这期适合关注 AI 投资、模型公司商业模式、软件行业重估、创业方向和组织变革的人，也适合正在被 AI 时代焦虑感裹挟的科技从业者；它最后关于孤独和连接的讨论，给前面密集的商业分析提供了一个更有人味的落点。