来源： Invest Like the Best | Eric Vishria | 2026-08-11 播客： Invest Like the Best 分类： 投资 原文发表： 2026-08-11 纪要生成： 2026-08-14
Eric Vishria 是风投机构 Benchmark 的合伙人，过往投资包括 Sierra（AI 客服公司）、Firework（AI 推理基础设施）、Cerebras Systems（晶圆级 AI 芯片）以及 Benchling（生命科学 SaaS）等。他此前曾联合创立 Loudcloud 时期的经历也与科技基础设施密不可分。本集对话以"世界通过顶级公司视角如何重排"为线索展开，从推理基础设施的运行难度、云市场的历史类比、企业 AI 采用的节奏，一直延伸到硬件投资的惨痛与回报、机器人技术的数据瓶颈，以及 Benchmark 选择合作伙伴的投资哲学。
本节重点
详细精要
在此基础上还有吞吐量差距，这一差距从外部不可见，只有当你了解这些业务的经济学结构时才能察觉——同样的东西，性能差距却如此巨大
Firework 的盈利方式反证了云厂商利润率的存在：Firework 类的公司运行同样的模型、同样的硬件，却不向云厂商支付利润率，还能在上面赚钱
Eric 的核心认知是"哇，这东西实际上真的很难运行"，其中存在大量专门知识，这不是外界想象的商品化业务
从投资人视角看，表面是商品，实质完全不是：Eric 坦言，当一个投资人从外部看这个问题时，第一反应是"这是商品化生意、是转售生意、是规模游戏"
💬 精华片段（中文）
"同样的开源模型，同样的英伟达硬件，却存在 5 倍的速度性能差距和多倍的吞吐量差距。简单理解就是——这些公司支付着云服务商的利润，在上面运行还能赚钱。"
"This is the same open-source model with the same Nvidia hardware. And there's a 5x performance difference and a multiple x throughput difference... these companies are paying the margins of the cloud providers and running on top and making money."
本节重点
详细精要
Eric 指出，如果把当时 30 位最聪明的投资人关进房间，问他们"AWS 是不是一个具有持久长期利润的优质生意、不是商品化生意"，结果会是 0 票对 30 票——其中包括当时在场的很多聪明人
2014 年"AWS 会吞噬一切"的恐惧同样错得离谱：Eric 在 2014 年进入风投行业，当年最流行的叙事就是"AWS 会吃掉一切，企业级机会荡然无存"
类似的反例还包括 Confluent、Elastic、Databricks，这是基础设施层的胜利；应用层则有今天的 Datadog——一家市值 1000 亿美元 的公司
最大的错误在于忽略了市场规模的爆发：2014 年 AWS 会吞噬一切的论点之所以大错，并不是因为上述那些公司侥幸存活
核心教训是零和思维在作祟，人们没有认识到市场到底有多大——"如果全部成功会怎样？结果就是全都成功了"
AI 市场正在高度吻合这一历史路径：Eric 强调当前 AI 市场的讨论与当年的叙事如出一辙，类似"Dropbox 会做所有事"这种单一赢家论不成立
他认为最终会形成寡头垄断，并且还会有若干 千亿美元级别 的细分赢家出现，这正是同一段历史在重演
企业级云采用节奏可为 AI 提供参照：回到 2010-2011 年，即 AWS 推出三四年后，传统蓝筹企业对云依然极度怀疑
💬 精华片段（中文）
"如果全部成功会怎样？结果，就是全部成功了。"
"What if it all works? And so it all worked."
本节重点
详细精要
这与当年对云的态度形成强烈反差——那时是怀疑甚至嘲笑，现在则是主动拥抱
企业更倾向于把 AI 视为机会而非威胁：Eric 认为，相对于云计算时代，今天的蓝筹企业更多把 AI 看作对自身业务潜在影响巨大的机会
因此他们会持续投入精力去理解并吸收 AI，这个过程会一路继续下去
存在帮助企业落地的巨大机会：如果从硅谷走到外面的世界，就会发现企业采用 AI 的速度和障碍极其真实
💬 精华片段（中文）
"让我们做他们的 AI 向导。如果我们能处在那个位置，横跨两个世界，那就是非常有价值的。"
"Let's be their AI sherpa. If we're in that position to be their AI sherpa, where we're crossing both worlds, that's very valuable."
本节重点
详细精要
Brett 本人正是"做企业 AI 向导"这一理念的化身——从高度可自动化的客户服务切入，再通过 Horizon 扩展到能做越来越多事情的长周期智能体
表面是应用公司，实质在做最前沿的 AI 工作：Eric 认为 Sierra 最令人着迷之处在于，它表面上是一家应用公司，但真正干的活是实打实的 AI 工作
所谓锯齿边缘，是指 AI 的能力分布并不像人类那样呈平滑的弧线，而是某些方面极强、某些方面突然塌陷，呈现参差的锯齿状
Cursor 的演化验证了"持续自我淘汰"的必然性：Cursor 从 IDE 到 Tab 自动补全再到智能体工作流，一路在淘汰自己 6 个月前做出的东西
如果不以这种方式看待软件，就注定出局——如果你是个工匠，执着于"我建了完美的地基、完美的砖块、能存续 100 年"，你不可能撑过去
产品开发的方式发生了彻底反转：随着模型每 4 周涌现新能力，团队需要理解锯齿边缘的新形状，并把它翻译到客户群中，填补能力缺口
Michael 和 Cursor 团队从一开始就做得很好，他们真正理解了锯齿能力，构建了产品来支撑"从开发者到锯齿能力"的翻译过程，并随着锯齿边缘的变化不断迭代
技术人才的回报不降反升：Eric 指出一个颇具讽刺意味的现象——即使模型被视为在侵蚀技术优势，技术背景的回报 反而在上升
💬 精华片段（中文）
"我们过去是在建城堡，现在是在建会被冲走的沙堡。"
"We used to be building castles. Now we're building sand castles that are going to get washed away."
本节重点
详细精要
真正的问题是：SaaS 公司的竞争前沿完全转移了。一切他们过去认为能让自己赢的构建逻辑，都不再是未来取胜的关键
数据库是理解竞争前沿位移的最佳案例：数据库曾是软件行业长期最肥的领域，有很棒的利润率
因此数据库业务粘性极强，能产生巨大利润，Oracle、SQL Server 以及一大批中小玩家都做得非常好
AI 三重因素让数据库迁移从"头号禁区"变为"近乎无关紧要"：把这套逻辑放进 AI 语境，一切都变了
第三，智能体不会厌倦这种把一个规范翻译成另一个规范的单调工作——于是原本软件开发中最不愿碰的数据库迁移，现在几乎是"投点钱就能做、搬走就完事"的琐事
优秀数据库公司的标准随之改变：但这并不意味着不再需要数据库，也不意味着人人都会自建数据库
最终成本成为裁决者，成本加上从零到无限的扩展性、可迁移性等因素，共同决定谁赢谁输
对 SaaS 公司而言，达成计划就是在摧毁股权价值：Eric 说几年前给这些公司的信息是"二选一——要么全力投向 AI，要么只值 3 倍收入"
整个职业生涯所有人学到的都是：制定计划、极其坚决地执行、达成甚至超额完成目标、然后继续堆积——这才是构建股权价值的方法，但现在这一切都被推翻了
必须彻底倒转工作重心：他的朋友 Anne Lee Skates 有另一种表述——这些处于转型期的 CEO，其业务规模达数亿美元，他们白天 8 点到 5 点做自己的业务，晚上 5 点到 8 点试图搞 AI
因为这违背了所有训练、肌肉记忆和惯性，所以极难做到——我们都在爬山式的成功模型里，设定计划、执行计划、构建价值、复利价值，但现在必须彻底颠倒
当前赢家的共同特质是对评估标准的极度灵活：Eric 以 Brendan（Recore）、Lynn（Firework）、Max、Brett 等人为例，指出这些人的共同点是"对 eval 是什么"极其灵活
💬 精华片段（中文）
"想想看——我们整个职业生涯都在学习：制定计划、拼命执行、达成或超额完成计划，然后继续堆积，这就是构建股权价值的方式。而现在我要告诉你，你每达成计划一天，就是在搞砸，就是在摧毁价值。"
"Our whole careers we learned: you lay out a plan, you execute against it relentlessly and violently, you hit your plan or you exceed your plan, and you keep on building that and that's how you build equity value. And now you're going to hear just like every day you hit that plan, you're fking up."
本节重点
详细精要
他开始逐一追问：过去的每一项假设、每一条教训，哪些还能延续、哪些已经失效，这是与三年前最大的不同
上一代顶尖高管在扩展 AI 公司时集体"失火"：有一批来自上一代、经验丰富的领导者加入这些高速增长的 AI 公司后彻底陨落，而且这种事在整个行业都看得到
问题出在 AI 创始人、业务需求与这些人带来的技能之间存在某种"阻抗不匹配"（impedance mismatch）
配额产能模型在 AI 销售中失效：Eric 用一个具体案例说明——他们雇过一位销售负责人，开口就是"我们无法达成这些目标，因为软件销售从来都是配额产能模型"
但对很多 AI 公司来说，客户就在这里，一个全新的 AI 能力型产品凭空出现，它简直像魔术一样
卖魔术的公司不能用传统配额逻辑约束：如果你在卖魔术，而且你是第一个到场的人，你卖的额度会远超 200 万美元
更夸张的是，有销售代表一年做到 1000 万、2000 万甚至 3000 万美元，最近甚至有 5000 万美元 的案例
一切必须从第一性原理重新学习：Eric 在面试这些高管时开始要求他们"把一切都放在门外"——把所有包袱、所有学过的经验全部放下
很多 AI 公司的真实瓶颈与旧世界完全不同，这需要彻底清空再学习
最好的销售人员其实是创始人本人：这些 AI 公司里最出色的销售就是创始人
💬 精华片段（中文）
"如果你在卖魔术，而且你是第一个到达的那个人，你卖出的会远超 200 万美元。"
"If you're selling magic and you're the first one there, you're going to sell a lot more than 2 million."
本节重点
详细精要
世界作为一个集体，确实需要喘口气——如果把 RSI（递归自我改进）概念应用到整个科技体系，科技本身不需要喘气，智能体不会累，但地球和全球系统有点喘不过气来
Eric 的独到视角：用能源做第一性推理：他的推演非常简洁——模型做的事情本质上就是把算力翻译成智能
这里的"算力"是广义的，包括芯片、存储、网络等等，但支撑这一切的是能源——需要大量能源
中国的能源建设速度是美国 10 倍：如果把能源视为算力的前提，而智能需求无限，能源供给差距就直接决定智能供给差距
更贵的 token 意味着更少的使用，这意味着智能供给收缩，从供需角度看对竞争力非常不利
能源瓶颈将在多个层面显现，且应从政策层面全面铺开：能源问题会以 20 种不同方式表现出来，包括燃气轮机的启停、天然气价格起伏、太阳能波动等等
💬 精华片段（中文）
"中国明年新增的能源是我们在美国的 10 倍。如果能源是算力的前提、对智能的需求无限，那能源少就意味着智能少，或 token 更贵。"
"China's bringing on 10 times as much energy next year as we are in the US. If energy is what you need for compute and is the bottleneck and there's unlimited demand for intelligence, then... less intelligence or a lot more expensive tokens."
本节重点
详细精要
Eric 最初甚至不想去听这个硬件项目的推介，但第一页幻灯片就让他彻底信服："GPU 实际上并不适合深度学习，它们只是恰好比 CPU 好 100 倍"
硬件加速深度学习的三个已知维度：Eric 总结，在硬件层面加速深度学习至今只有三个办法
第一颗芯片采用 7 纳米 工艺节点
软件与硬件的完成度落差令人震撼：Eric 用比例揭示了硬件的残酷性
在硬件领域，逻辑正确只代表完成了 2%——之后还有物理规则、30 多个关键供应商构成的完整供应链，不只是 TSMC，还有材料、封装、测试等大量环节
从流片到点亮的过程漫长且反复：2016 年投资之后到 2019 年才拿回第一批芯片，随后经历了漫长的 bring-up 流程
刚开始可能只达到 roofline 的 10%，团队要花数月甚至数年一点一点逼近天花板，这种磨练是软件领域的人难以想象的
投资逻辑建立在对计算代际结构的宏大洞察上：Eric 回顾，过去四代计算工作负载——CPU 对应多用途计算、GPU 对应大规模并行图形、网络芯片对应低延迟、移动芯片对应功耗效率——每一代都催生了新的 千亿美元公司
每一代都诞生了巨人：Intel、Nvidia、Broadcom/Avago、Qualcomm/ARM；AI 这一代里 TPU 和 Trainium 已是赢家，Groq、Cerebras、Etch 仍在继续竞争
一个新的第六代机会：重新定义 CPU：Eric 非常兴奋地透露，他们刚刚做了一笔尚未公布的投资——他相信多年来第一次出现了全新 CPU 方法的真正空间
但经典 CPU 带着一大堆历史包袱和约束，而这些包袱在新的代码生成时代可能不再需要——这构成了下一代大机会的雏形
硬件投资的恐怖时刻与真正的价值感：他回忆 2019 年的一次董事会——芯片就在眼前熔化了，当时公司已经融了约 5 亿美元，他的第一反应是"我们要把钱亏光了，这事成不了"
💬 精华片段（中文）
"在软件里，如果逻辑框图理顺了，你基本完成了 80%；在硬件里，那只代表完成了 2%。"
"In software, if you have that kind of logical block diagram of why it works, you're kind of 80% of the way there. In hardware, you're like 2% of the way there."
本节重点
详细精要
核心条件是拥有能执行这些任务的模型，但目前最大的障碍来自数据
机器人没有互联网级数据来启动预训练：LLM 全部由互联网数据做 bootstrapping，这是海量人类知识的浓缩
以遥操作为例，为了获得互联网规模的数据，第一步就需要花大量资源去遥控机器人采集数据
高价值数据优先是一大洞见：互联网上早有很多垃圾数据，在 AI 生成内容之前就有，某些数据的价值明显更高——比如 Reddit、Wikipedia、GitHub 的价值高于普通论坛
机器人行业正在复制这一范式
Sunday Robotics 的数据管线与垂直整合策略：Eric 投资的 Sunday Robotics 正在做家用机器人，但关键不在"家用"这个场景，而在于训练管线是否能够跑通
Sunday 使用专门为机器人手设计的数据采集手套，使数据从人手到机械手之间有极好的可迁移性，先预训练、再后训练与 RL，从而涌现出良好行为
最令人震撼的现场时刻：地下室里的机器人折叠衣服：Eric 回忆第一次投资 Sunday 时的场景——当时在斯坦福实验室的地下室，他们展示了一个非常简陋的纸板手套装置
团队还专门安排人员测量折叠好的衣服以确保质量，建立了严格的基线和评估标准——那一刻他说"天哪，这正在发生"
任务本身并不重要，飞轮才是关键：面对主持人"是否担心产品只是解决方案在寻找问题"的疑问，Eric 很肯定地不担心
💬 精华片段（中文）
"十几个机器人就在那里折叠任意衣物。那不是演示，而是真实的试错——还有人把衣服拿下来测量，确保折叠正确，在建立严格的基线和评估标准。我当时想：天哪，这真的在发生。"
"There was like a dozen robots just folding arbitrary laundry. It wasn't a demo, it was just trial and error... I was like, 'Oh my god, this is happening.'"
本节重点
详细精要
这形成了一种双向筛选：对方想与 Eric 合作，Eric 也真正期待与对方合作
Benchling 的艰难岁月检验了合作伙伴的本质：Eric 以 Sagi 和 Benchling 为例——这是一家生命科学 SaaS 公司，曾经表现得极其出色
这种经历既因为相信这是特殊的机会、存在出路，也因为游戏本身的乐趣和关系本身的意义
不同的风投模式都能成功，但 Eric 的模式是"伙伴型"：他观察到行业中不同的人有不同的成功模板——Moritz 是写作者、Doerr 是销售型、Gurley 是工程师、Peter 是职业风投
如果每年能做出几次 1%-2% 更好的决策，十年复利下来就是真实的结果
投资前必问的三个核心问题：第一个问题是——在所有他在乎的人当中，他能不能说服其中一个人加入这家公司，并诚实、理智地向对方解释"这为什么可能是你一生的事业"？
💬 精华片段（中文）
"我是第二位的投资者，我努力做一个第一位的合作伙伴。"
"I'm an investor second and I try to be a partner first."
本节重点
详细精要
在行业发展的大部分时间里，早期投资与高现金回报倍数几乎是同义，两个圆圈在维恩图上几乎完全重叠
变化在于：高 MOIC 的圆不再只是早期投资：最近几年，由于结果变得如此巨大、市场变得更大，高现金回报倍数的机会圈子已经扩展到早期阶段之外
增长基金仍要保留 Benchmark 的核心原则：高确信、高承诺、合作伙伴关系
最大的反向理由不是市场过热，而是团队能否胜任：主持人提出质疑——在 99 年或 2020 年市场最热时，大家都会说"这次不一样"，这本质上是外推谬误
他们现在在追逐的是极稀少的、特殊的高现金回报机会，能投到那些可能成为脱缰式成功的公司
20~100 倍回报的启示：极度特别的人 + 精进 + 运气：从亲自见证过的多笔极端回报中，Eric 总结为三条——与极特别的人一起工作、极其努力并聪明地工作、然后交好运
18 个月的时间差，因为大量公司无法控制的因素，带来了天壤之别。有些事是可控的（比如把推理服务跑起来），但大量是外部环境使然
软件公司与硬件公司对命运掌控度的巨大差异：在软件行业，除了 AWS 这类底层依赖，你几乎拥有整个技术栈，能真正掌控自己的命运
因此你必须在地缘政治、宏观环境、时机上都很幸运，这是硬件投资难上加难的根本原因
高尔夫寓言：让很多球接近洞口：Eric 分享了 20 岁时在投行的经历——当时 Ben Horowitz 和 Marc Andreessen 创办的 Loudcloud 还在秘密模式，Ben 邀请他做助理
💬 精华片段（中文）
"不断让球接近洞口，那就是努力工作和聪明工作的意义。而一杆进洞，那是运气。但你可以增加你的运气——让很多球接近洞口，最终总会有一颗进洞。"
"You keep getting the ball close to the pin and you keep practicing. That's hard work. That's working smart. Getting the hole-in-one, that's luck... there is actually a way to increase your luck: get a lot of balls close to the pin."
本节重点
详细精要
同时你拥有了一种可用来做事的货币（股票），还获得极强的融资能力
实验室最终会上市，且这对世界和美国有利：他认为 AI 实验室最终会走向公开市场，而信任正是它们应该上市的重要原因
可以想象，这种透明度可以带来更广泛的监督与信任
用大学运动员转职业来类比上市：优秀的大学运动员都想"打职业"——到更高水平去竞争
但对其他所有公司来说，出去上市吧——这是普遍适用的忠告
特定类型公司存在上市窗口：2021 年上市的 SaaS 公司，在公开市场上大面积挣扎
💬 精华片段（中文）
"优秀的大学运动员想干什么？去打职业。比赛真的会更难吗？是的，会更难。竞争对手更强、速度更快、体量更大、风险更高、舞台更大、审视更严——这一切都是真的。"
"What does a collegiate athlete want to do? Go pro. Is it harder? Yeah, it's harder. The competition's tougher. They move faster. They're tougher. They're bigger. They're stronger. The stakes are bigger. The stage is bigger. The scrutiny is bigger."
本节重点
详细精要
同时还有商业模式创新的讨论——SaaS 之所以成功，不只是因为更好的交付模式，更因为它带来了真正的商业模式创新，比如订阅制元素，为公司创造了年金收入，也为客户创造价值，是一种双赢
AI 同样存在商业模式创新的机会：正如 SaaS 相比传统软件有订阅制创新一样，AI 领域也有类似的创新空间，比如按成果出售（selling by outcome）
这种按结果计费的商业模式可能同样成为新时代的价值创造机制
核心争论焦点：有多少价值最终全被实验室和芯片吸走？：这是一个真实的讨论：多少价值直接累积到实验室，又有多少被芯片公司拿走
在他眼中，CSP（云服务提供商）会做得不错，部分新云会做得不错，Fireworks 类公司会不错，Nvidia 会不错，部分芯片初创公司会不错，手机上的边缘推理会存在，POP 点上的近边缘推理会存在，数据中心里的大模型也会存在
反对零和思维，但要避免"人人成功"的误读：Eric 强调市场上存在太多零和思维——人们总在想这个饼怎么切、谁会吃掉多少市场份额
💬 精华片段（中文）
"当我说一切都会成功、并列举所有这些机会时，这绝对不意味着每个在做这些事的公司都会成功——事实恰恰相反。大多数公司都不会成功。"
"When I say I think everything's going to work and I listed off all these other things, it's really important to understand that doesn't mean that every company that's doing every one of those things is going to work. It actually means quite the opposite."
本节重点
详细精要
实际上研究已经证明这一点，Eric 他们也投资了一家叫 New Lantern 的公司，正在做这件事
真实世界的第一个障碍：聚合训练数据不存在：即便 AI 读图能力理论上强于人类，现实却困难重重
一份 AI 只在胸部 CT 等特定领域表现出色，其边际价值非常有限——那只是他当天要读的 20 到 40 个扫描里的一项而已，模型只能做这一件事
真实世界的第二个障碍：行业补偿机制围绕医生构建：整个医疗行业的结构是围绕"医生做影像解读来获得补偿"而设计的
如何规避这些风险、如何改变补偿结构，这些问题远未解决，是真实世界粘性的典型表现
最终将走向"副驾驶"式的长期共存与渐进演化：Eric 认为，最终的结局是 AI 真正帮助放射科医生的应用形态——AI 与医生各做一部分、互相检查
原因在于：影像成本下降导致人们做影像检查的频率上升，这是典型的 Jevons paradox——所有人都比以前接受更多影像检查
对"大规模失业论"的启示：Eric 的观点是，放射学案例几乎完美映射到 AI 与就业的整体讨论
💬 精华片段（中文）
"Jeff Hinton 比我聪明三个数量级，但那个结论错得不能再错。而让他得出那个结论的事实，是 100% 正确的。"
"Jeff Hinton's like three orders of magnitude smarter than I am, but could not have been more wrong. But the actual thing that led him to make that statement and that conclusion was 100% correct."
| 术语 | 解释 |
|---|---|
| Firework / Fireworks | 本集语境下指 Eric 所投资的 AI 推理基础设施公司 Fireworks AI，专注于高效运行开源模型。 |
| Sierra | Eric 与 Benchmark 投资的 AI 客服公司，由 Brett Taylor 共同创立，正在通过 Horizon 扩展到更多智能体任务。 |
| Horizon | Sierra 推出的产品，用于构建可执行越来越多任务的长周期智能体。 |
| 锯齿边缘（jagged edge） | AI 能力分布呈参差不齐的状态：某些方面极强，某些方面突然跌入谷底，与人类平滑的能力弧线截然不同。 |
| 沙堡（sand castles） | Brett Taylor 的比喻，指 AI 时代的产品会被不断涌来的新技术浪潮冲走，必须持续自我淘汰、重建。 |
| AI 向导（AI sherpa） | Eric 倡导的角色——帮助传统企业穿越 AI 世界、把两个世界连接起来的跨界向导。 |
| 竞争前沿（competitive frontier） | Eric 在早期讨论 SaaS 时提出的概念，指真正决定赢家与输家的竞争维度；AI 时代该前沿已整体转移。 |
| 配额产能模型（quota capacity model） | 传统软件销售组织的基础模型：为每位销售代表设定配额，依据供给端规划销售团队规模。 |
| ISR | Inside Sales Representative，内部销售代表，在配额产能模型中通常配额较低（如 75-85 万美元）。 |
| Roofline | 硬件领域以仿真计算出的理论最高性能天花板，软件、编译器和内核每一层都会削减实际性能。 |
| 晶圆级芯片（wafer scale chip） | 以整片晶圆作为单一芯片的设计方案（Cerebras 的核心技术），最大化核心数量和核心间通信。 |
| SRAM | Static Random Access Memory，静态随机存取存储器，Cerebras 将其大量集成在芯片上以避免访问外部内存。 |
| TPU | Google 的张量处理单元，专门针对深度学习推理与训练设计的专用硬件。 |
| Trainium | AWS 推出的 AI 训练专用芯片，与 TPU 一样被视为新一代 AI 计算赢家。 |
| HBM | High Bandwidth Memory，高带宽存储器，是现代 AI 芯片的关键瓶颈之一。 |
| DRAM | Dynamic Random Access Memory，动态随机存取存储器，也是硬件供应链中的关键环节。 |
| CSP | Cloud Service Provider，云服务提供商（如 AWS、Azure、GCP）。 |
| POP | Point of Presence，网络接入点；在 AI 语境下指更接近用户的近边缘推理设施。 |
| RSI | Recursive Self-Improvement，递归自我改进，指 AI 系统能自我改进并加速进化。 |
| MOIC / cash-on-cash multiples | Multiple On Invested Capital，投入资本回报倍数，LP 配置风投的根本追求。 |
| Arr 净新增 / churn / 总 ARR 新增 | SaaS 行业标准报告口径：年化经常性收入的毛新增、流失和净新增。 |
| Benchling | 生命科学行业的 SaaS 公司，Eric 投资并陪伴其度过生物科技寒冬的艰难转型期。 |
| New Lantern | Eric 投资的 AI 放射学公司，试图让 AI 真正辅助放射科医生。 |
| Jevons paradox | 杰文斯悖论，指效率提升使资源更便宜，反而导致总消耗增加——此处指影像变便宜后更多人做影像检查。 |
| Jasper | 早期 AI 应用的代表，以自动撰写营销文案起家并迅速走红。 |
| Loudcloud | Ben Horowitz 与 Marc Andreessen 创办的早期公司，也是 Eric 职业生涯早期与之结缘的公司。 |
| Civis | 原文中提及导致 Cerebras 2024 年上市失败的一个原因，具体指向未在对话中展开。 |
| Etch | 主持人提及自己投资的 AI 芯片项目（指 Etched.ai），用于类比硬件投资所需的"生产性天真"。 |
| Recore | 原文提到的 AI 公司之一，其创始人 Brendan 是 Eric 眼中"对评估指标极其灵活"的赢家代表。 |