夜雨聆风晨跑听了Invest Like the Best对Benchmark合伙人Eric Vishria的访谈。核心观点是AI的空间仍被低估，模型、基础设施和应用层都有增量机会。
1、AI市场足够大，产业链各环节都可能跑出大公司。云计算行业早期曾担心AWS会垄断市场，后来Azure、Snowflake等云服务商依旧成长起来。AI的产业链更长，覆盖芯片、云到推理平台和应用，专业化分工更细。Fireworks运行相同的开源模型和NVIDIA硬件，性能和吞吐仍能与友商拉开差距。即使硬件相同，调度、工程和系统优化等环节可降低单位Token成本，把效率优势转化为利润。
2、AI削弱软件行业过往高转换成本的定价权。数据库行业过去客户粘性强，主要原因是迁移周期长、风险高，需要开发人员重写大量接口。Agent擅长规则明确、重复性强的任务，导致迁移成本会持续下降。客户转换更简单后，单纯依靠沉没成本锁定用户会更难。数据库行业竞争转向成本、弹性扩容、性能和迁移效率。原来靠摩擦成本赚到的利润，开始流向价值创造。
3、AI原生公司的竞争力取决于产品迭代速度。传统软件公司习惯先定年度目标，再按预算和路线图执行。随着模型能力快速进化，六个月前投入资源开发的功能，可能会被下一代模型直接替代。Eric把AI产品比作沙堡，刚建成就要准备重建。管理层需要关注模型能力、客户需求和业务瓶颈是否变化。外部环境快速变化，困于沉没成本不改变，问题可能更大。
4、AI需要同时理解技术和客户的能力。模型能力不均匀，需要持续调优。Sierra和Cursor的快速迭代，依赖持续找到模型能力与真实需求的交点。未来优秀产品人才需要理解客户问题、有taste，也能判断AI当前应用边界及潜在风险点。代码生成成本降低后，问题定义、判断能力和产品功能取舍成为稀缺能力。
5、算力瓶颈会继续向能源、数据和物理基础设施转移。模型把算力转化为智能，只要智能需求增加，算力需求就很难快速见顶。芯片能力还受制造、存储、通信和供应链制约。机器人则缺少互联网规模的真实世界数据。LLM可以利用互联网海量数据，机器人只能进入物理环境不断采集和训练。往后看，AI竞争会继续向上游传导，能源成本、算力效率和数据生产能力都会影响价值分配。