摘要

Sivulka 的核心市场判断是：所有 AI 公司都被低估了，S&P 500 也一样。 他的逻辑是：如果电脑在过去60年创造了约100万亿美元的股市价值，那么 AI 算力将在未来60年再创造100万亿美元，并在未来几十年让“超过50%的GDP由智能体应用贡献”——Harry 认为这一进程会更快。这是增量价值，而不是被蚕食的价值，也会抬升非AI老牌公司的价值：“只要使用方式正确，电脑会让传统企业变得更好。”
最激进的相对价值判断是：OpenAI估值约160、Anthropic约40、xAI约50时，xAI是最被低估的公司。 他认为，未来12到24个月，xAI“可能在价值上超过OpenAI和Anthropic”。理由包括Elon Musk的地缘政治定位、运营人才，以及更精简、没有那么多“行政臃肿”的业务结构；他还相信政府是最大的AI用户之一。
模型层将商品化，价值会流向硬件以及应用/智能体层。 Nvidia真正的护城河是人才——接受过CUDA训练的机器学习博士——这对训练仍然有效，但对推理的保护较弱。因此，从训练转向推理的宏观变化“会稍微动摇Nvidia芯片的主导地位”。他对这轮AI浪潮的公开市场选择是：“我可能会买Nvidia……或者更准确地说，AMD”，因为AMD会以超预期的方式受益于推理扩张。
这位在2020年率先将RAG投入生产的人，如今却说：“我们实际上认为RAG根本不起作用。” 真实企业查询中约90%都无法在文档里直接找到答案，它们问的是文档“所代表的问题”，比如“这家公司是不是一笔好投资”；而且当前90%的企业AI几乎都是“烟雾……fugazi fugazi”，包括Klarna裁员故事也很可能如此——“我认为那是胡扯……一个很棒的营销故事”。
他的替代性判断，也是Index和Thiel基金投下1.3亿美元的逻辑，是推理阶段的 scaling laws。 与其等待更大的模型，不如对每份文档运行数百或数千次子模型调用。他用BloombergGPT举例：它基于“有史以来最好的金融服务训练集”训练而成，却在几周后被GPT-4“在每一项金融任务上彻底击败”，尽管他也说自己不知道确切时间线；垂直化微调“永远追不上”规模扩展。
与邻居Daniel Dines关于企业采用速度缓慢的共识相反，他指出Excel在金融业只用了18-24个月就达到90%的渗透率。 时间是1985-86年，行业当时还在使用HP12C：金融业“是行动最慢、最慵懒的巨兽……除非你提供超额alpha，否则金融业会比任何其他行业都更快”。
几条值得保留的快问快答是：他今天不会以20亿美元出售Hebbia；被问是否信任Sam Altman时，他直接回答“不”；他完全不同意SaaS关于业务应用会坍缩为智能体的判断；他认为聊天不是正确的界面。在他看来，这“就像问TI-84是不是计算机的正确界面”。

精读

1. 3种创始人原型——以及永远不会离开的那块芯片

Sivulka开场给出了自己的创始人分类：“伟大的创始人大致可以分成3类——最常见的是童年经历比较糟糕；第二常见的是同性恋；第三常见的是被收养。”他的例子是：Elon Musk童年经历糟糕，Bezos和Jobs被收养，Thiel和Altman公开出柜。背后的机制是：早期的错位感会催生证明自己的动力。
他自己的版本是：出生于Staten Island，母亲被他形容为可能是“黑手党家庭的孩子”，父亲来自斯洛伐克、逃离了铁幕；两人原本都想成为职业运动员，结果唯一的儿子却“在足球场上追蝴蝶”，在一所父母“几乎不知道Stanford是什么”的学校里成了数学少年。被问是否觉得自己让父母失望时，他回答：“答案是肯定的……有点像丑小鸭。”Harry也用自己的经历接住了这个话题——节目的收尾是：“但那块芯片还在，它不会消失。”

2. NASA的雪天故事——把坚持变成一套信条

他的成长故事是这样的：NASA实习只招本科生，他连续5次被拒；15岁的他却在一个下雪天擅自跑到位于曼哈顿的NASA Goddard，被赶到门外后坐在雪地里哭。做医疗销售的母亲告诉他：“你给我坐下，把所有能打进这栋楼的电话号码全部打过去。”后来有人接了电话，他花了2个小时推销自己，面试搞砸后，连夜记下教授墙上每张海报的标题，第二天顶着寒风再次回来，最终无偿工作并发表了国际认可的研究，也因此进入Stanford。
他由此总结出的信条非常绝对：“你可以把一个柠檬水摊做到1亿美元ARR……你真的可以用蛮力解决世界上的任何问题。”坚持唯一改变的变量，是抵达目标的速度。进入Stanford之后，他没有停留在庆祝上：“下一个……第二天我就开始想，好吧，我怎么才能成为学校历史上最年轻的博士生？”

3. GPT-3偷走了他的论文方向——于是他转而打造产品

当时他是Stanford历史上最年轻的博士生之一，研究方向是元学习。2020年6月，GPT-3横空出世；那篇论文的标题几乎就是他的研究议程：“大型语言模型是多任务学习者，或者说元学习者。”他的反应是：“他们直接从我手里偷走了我能研究的最重要的东西——好吧，如果我做不出最重要的技术，那我怎么才能做出最重要的产品？”
这一产品洞察至今仍然定义着Hebbia：“我甚至不认为ChatGPT是一个真正好的产品——它就像一个计算器……它不是Excel那种让你随心所欲构建东西的产品。”他观察到，许多朋友进入投行和PE后，回来时成了“最不快乐的自己”；“金融服务业在处理非结构化数据方面的痛苦，是我见过最严重的。”

4. 衣柜、Thiel早餐与融资级联

创业初期，他离开了年薪约4.2万美元的Stanford Graduate Fellowship，在East Palo Alto一栋房子里租下“主卧衣柜”，每月支付500-600美元；地板上轮换放着宿舍床垫和Home Depot折叠桌。他像僧侣一样每天工作16-18个小时，半夜醒来检查训练任务，以节省GPU额度。一位前老板在Zoom路演时差点哭出来：“你过来这里工作吧——你这是在折磨自己什么？”他自己的评价也很克制：“我可能逼得太过头了……这对健康有害，但那是一座熔炉。”
Thiel的故事是这样的：一位曾在Founders Fund实习的朋友牵线后，他没谈赢午餐还是早餐，喝了“18杯咖啡”，凌晨3点到早上8点开着一辆从Craigslist买来的4000美元、2006年的Audi，赶到Thiel家。Thiel迟到了将近1个小时，原定30分钟的早餐最终聊了4到5个小时，从业务缺陷、数学一路聊到“深奥的玄学哲学”，最后Thiel说：“我不会投资……但我很愿意开一张支票。”他开车离开时放着Kanye：“我感觉自己被招募进了光明会。”
在Sivulka看来，Thiel既有“本体论上的聪明”——理解世界模型、识别模式——也有“现象学上的聪明”——理解人和流程如何运作；他总是在事前追问：“我能不能提前预测到这件事？”融资随后级联：Thiel和Floodgate投下约100万美元种子前融资；Index的Mike Volpi通过自己在Stanford读书的女儿听说Hebbia，又追加了约200-250万美元；Index以约100万美元收入领投3000万美元A轮，最终走到1.3亿美元融资。种子轮合伙人电话发生时，他身后还挂着衣服：“Mike说，听着，他住在一个衣柜里——所有人都说，啊，真是个伟大的创始人。”

5. RAG的创造者：RAG根本不起作用

他刻意抛出了这个反转：Hebbia在2020年“第一个把检索增强生成投入生产”，但现在“我们实际上认为RAG根本不起作用”。数据来自几家大型金融机构的已部署查询：人们提出的问题中“几乎90%无法通过搜索文档回答”；答案不在数据里，而是关于数据本身。他举的例子是：拿营销材料——“通常都是一堆废话”——去回答“这家公司是不是一笔好投资”；真正的工作是提炼事实，而不是寻找引文。
随后的行业批评同样尖锐：“现在90%的企业AI几乎都是烟雾……看看这个多棒的演示——但一旦真正放进现实世界，它就彻底失败。”很多使用数据都只是某种“我最喜欢的说法之一：fugazi fugazi”。Hebbia给出的反向口号是：“停止用AI做实验，开始用AI创造价值。”
关于RPA的边界，他说自己“不太相信RPA”，认为那是“10年前意义上的AI”。Hebbia的查询会跑过800页的信贷协议和230页的CIM，回答“告诉我哪里存在我们可以触发的违约事件”。他认为Daniel Dines的表述“说得很好”，但Hebbia捕捉的是高层次、模糊的决策过程，并一路追溯回具体引文。

6. 推理阶段扩展——新的规模定律，以及微调为何永远落败

这是他约18个月前开始转变看法的方向：如果无法足够快地训练更大的模型，“那就拿当前最先进的模型多运行几次——让数百甚至数千个子模型处理每一份文档，回答同一个问题。”OpenAI的o1会在作答前递归地多运行几次模型；Hebbia Matrix则在编排层扩展推理。他的比喻是：这不是更大的发动机，而是一辆“Tesla——由一堆更小的机电马达组成，却能产生很大扭矩”。
最关键的例子来自Bloomberg：它拥有“有史以来最好的金融服务训练集”，训练出了BloombergGPT，一款GPT-3.5级别的模型；但GPT-4发布后——他记得是几周之后，不过也说自己不知道确切时间线——“在每一项金融任务上彻底击败了BloombergGPT”。他的结论是绝对的：经过精炼的垂直化模型“总会输给规模定律”，其他玩家无论如何微调模型，都“永远追不上”推理扩展。
有2个需要保留的诚实保留意见。关于数据是否会耗尽，Harry拿视频和合成数据反驳时，他承认：“这只是直觉——我自己并不特别参与数据采集。”关于资本效率，他说：“智能的成本会降到0”；固定参数量的单次推理成本在4年里下降了“7个数量级”，因此“没错，我们运行的LLM调用次数可能超过任何人认为必要的程度，但我们的准确率是业内最好的……每个季度我们的利润率都在上升——我们花钱的速度还不够快。”
Hebbia刻意保持模型中立：Anthropic在密集型法律文件和口语化文档上表现更好，其他任务则使用o1或GPT-4o；具体工作会根据准确率与速度的权衡，在OpenAI、Anthropic和Gemini之间拆分。

7. 100万亿美元论点——所有东西都被低估，包括S&P

Harry直截了当地说：“我还是没法完全理解这个判断。”Sivulka随即给出完整论证：如果电脑的普及在过去60-80年创造了约100万亿美元的股市价值，那么AI算力将在未来60年创造同等规模的价值，并在未来几十年让“超过50%的GDP由智能体应用贡献”；Harry补充说：“我其实认为它会更快发生。”这不是替代，而是增量价值：“也许我是过度乐观的技术乐观主义者，但所有这些公司都被严重低估了，包括那些搭上这轮浪潮的非AI公司。”
Harry进一步追问：此前每次技术迁移都需要10年以上，而AI的采用却是“即时的”，这难道不会改变赢家吗？Sivulka用火到火炬的比喻回答：真正耗时的是“把技术变化封装起来，并在其上构建一个有用的产品……如果Excel是计算时代的那个产品，那么Hebbia已经为AI构建了那个产品。”今天的聊天机器人只能提供“表层价值——它能帮你的孩子作弊完成作业，但判断某件事是不是一笔好投资，是丰富得多的问题。”

8. 企业采用：只有alpha真实存在时，金融业才会最快行动

针对Daniel Dines关于企业惯性被低估的看法——Dines既是他的邻居，也是“教我打枪的健身伙伴”——他给出了历史反例：Excel在1985-86年间只用了18-24个月，就在金融业达到90%的市场渗透率；当时所有人都还在用HP12C，而由信用卡数据驱动的投资也只花了2年。“金融业是行动最慢、最慵懒的巨兽……但如果你提供超额alpha或真正的价值，金融业会比任何其他行业都更快。所以我其实是在押注这一点。”
Harry担心学徒制会消失：初级员工不再经历分析公司的“苦活”，未来的决策者因此永远无法毕业。Sivulka的反驳是——他也承认这可能有些天真——合伙人依赖的是40年里记住的20笔交易，而使用Matrix的初级员工可以读完“公司历史上的每一笔交易”，然后量化地说：“这家公司在所有这些投资标准上都处于90百分位，我们应该支付90%的溢价。”他的判断是真诚的：AI“会让人类变得更强”，会“增加使用它的公司的AUM”，并推动更多就业，就像Excel改变了工作岗位，而不是简单消灭岗位。
他用一个标准检验那些喧嚣的AI故事：“我认为那是胡扯……一个很棒的营销故事。当你把它喊得震天响时，几乎总意味着你在内部对某件事感到恐慌——行为本身已经否定了内容。”

9. 模型会商品化，云仍然有粘性

这项判断如今“已经不算热门观点了——我几年前就一直这么说”：模型层会商品化，价值会流向硬件、基础设施和应用/智能体层。Harry拿云计算作类比：云虽然商品化，却仍然是好生意。Sivulka的结构性反驳是，云计算是由少数根深蒂固的玩家组成的“OPEC式寡头”，创业公司切换云服务商要付出1000万-2000万美元；而模型只需要一个简单的API key，“OpenAI宕机时，整个行业都可以把模型从OpenAI切到Anthropic”。他同意云厂商会把模型当作巩固自身护城河的亏损引流产品，例如Anthropic之于Amazon、OpenAI之于Microsoft。
关于Nvidia，他说：“最好的护城河不是技术护城河，也不是数据护城河——而是人才护城河。”CUDA是每个机器学习博士学习训练模型的方式，因此能够保护训练业务；但“对推理而言，你用什么没那么重要”。从训练转向推理的宏观变化，会“稍微动摇Nvidia芯片的主导地位”，为AMD和定制ASIC打开空间。总体判断仍然看好Nvidia，但“对其他芯片制造商更看好”——可能是大型科技公司和AMD，而不是新一代Cerebras式公司，因为“芯片很难做”。如果只能选一只AI浪潮股票，他的答案是：“Nvidia——或者更准确地说，AMD。”

10. 50倍估值的xAI是买入标的——再加上Altman、Doge与作为杀毒软件的祈祷

在OpenAI估值160、Anthropic估值40、xAI估值50的情况下，他的判断是：“xAI是最被低估的公司……未来12到24个月，xAI可能在价值上超过OpenAI和Anthropic，这很疯狂——但我认为它们都被低估了。”逻辑包括Elon Musk的地缘政治位置——政府是最大的AI用户之一，而能源和核能是瓶颈——运营人才，以及更少的“行政臃肿”。“如果模型最终商品化，谁能最快完成模型创建和部署，谁就可能开始胜出。”他举出的证据是xAI在短时间内建成最大GPU集群的能力。至于Doge，他认为：“这会是他最大的挑战……按支出和员工人数计算，这是世界上最大的组织，不会像Twitter那么简单。”
针对SaaS行业关于应用会坍缩成智能体的判断，他说：“我认为他完全错了。”Hebbia真正要回答的问题是：“AGI会想使用哪些应用？”AGI宁愿用Matrix完成一家公司尽调，也不会在超长上下文窗口里“手动”阅读数千份文件。而1万个智能体员工会带来“管理问题”：智能体越强，就越需要让人类能够理解；聊天“始终只是一个有用的功能……就像问TI-84是不是计算机的正确界面”。他对Hebbia的定位是：“Hebbia是定义AI界面的Bell Labs。”
商业化机制上，90%的市场仍处在实验预算阶段；CTO和IT“其实是最不了解业务的人”，应该由最接近工作流程的业务用户推动采用。Hebbia刻意采用按席位收费：“当你按消耗量收费时，你是在抑制变化——每次使用AI应用都要受到惩罚。开什么玩笑。”
快问快答同样暴露了他的真实想法：今天不会以20亿美元出售Hebbia；被问“你信任Sam Altman吗？”时，他只回答：“不。”他相信UFO真实存在，也相信“美国政府掌握着”本质不同的推进技术。他刻意隐藏的一面，是自己在这个无神论者聚集的行业里有很深的宗教信仰：每天早上祈祷1个小时，把它称为“人类心智的杀毒软件……我在Hebbia最好的很多想法，都来自安静的时刻”；另一个连接潜意识的渠道，是他创作的3米高油画。

Kaspi.kz：哈萨克斯坦超级应用——[Business Breakdowns，第203期]熬过加密市场的夏季震荡 | 1000x