1.5亿美元的模型，6个月后500万就能造同款：Benchmark合伙人把AI投资的账算给你看

花1.5亿美元训练出来的AI模型，6个月后，别人花500万美元就能造出同款。Benchmark合伙人Eric Vishria在Cognitive Revolution播客里，给这类资产起了个狠名字：人类历史上贬值最快的资产。

狠归狠，他一点没减少看项目的时间。这家投出过eBay、Twitter、Uber的老牌风投，现在每周要见四五家AI创业公司。Eric承认，很多公司的收入增长速度是他职业生涯里没见过的。他的担心只有一个：这些收入到底是真生意，还是一波「糖分上头」。毕竟早期投资赌的是五到十年后，公司能不能长成这个行业十年才出几家的那种企业。

这期节目还有第二位嘉宾，Quilter创始人Sergiy Nesterenko。这家公司不用大语言模型，靠强化学习全自动设计电路板，是Eric在这波AI浪潮里少数真正下注的硬科技公司。两个人聊了将近一小时，下面把值得带走的部分拆开讲。

一个当面反驳全行业的创始人

Quilter做的事，得从电路板怎么造出来说起。流程分两步：先画原理图，定下用什么元件、怎么连接；再把成千上万个元件摆上板子，把几万条走线铺通。后一步行话叫布局布线，一块复杂板子，人类工程师要画两到四个月。

Eric看早期项目有个习惯：先不管公司，先问世界正在发生什么变化，大到足以让这家公司长成巨头。对Quilter他数出了三条。第一，电子产品正在渗进所有东西，不久前还很简单的灯开关，现在里面都有电路板，带电路板的产品和公司在快速扩张。第二，布局这个环节极其手工、极其慢，而行业规律是迭代越快产品越好，这个摩擦放在电子产品泛滥的时代就是大问题。第三，是那个让他坐直了的反驳。

Eric第一次见Sergiy时，正是Copilot概念最热的时候。律师Copilot、医生Copilot、程序员Copilot，每个行业都有人在做「AI辅助人类」。

Sergiy的判断很直接：电路板布局压根不是Copilot问题，这是该让AI一口气干完的活。

论证是这样的。就算Copilot替你完成90%的布局，剩下10%会要命。电路板上全是密密麻麻的细线，一条线连错，整块板子报废。面对一块布好的板子，工程师根本不敢补一条线，因为不知道会不会毁掉已有的部分。打个比方，就像高峰期的地铁线路图，让你再塞进一条新线，还得保证跟每条现有线路不打架。

所以Quilter卡在行业中间：用户交出原理图，Quilter交出能直接送工厂生产的板子，这两个接口行业里本来就有。当然得从简单板子做起，一上来就啃iPhone主板那种复杂度不现实，但可以一级一级往上爬。

还有一件让Eric觉得新鲜的事：Sergiy不用大语言模型。Quilter把布局做成一个游戏，把优化目标做成旋钮交给用户。要便宜的大板子，还是贵但小而省电的密集板子？AI给出一组解，用户自己挑位置。

Eric当时的第一反应：这个人跟他过去几个月见过的所有AI创始人都讲得不一样。

没有数据，反而是好事

走强化学习路线，绕不开一个质疑：深度学习不是吃数据的吗，你们的数据从哪来？Sergiy说这是他被问得最多的问题。

大多数人的想象是把GitHub和Stack Overflow整个喂给大模型，让它学会人类的平均行为。Quilter没这么干，原因有两层。第一层，确实没数据，开源电路板寥寥无几，最好的设计锁在苹果、谷歌、SpaceX的内部仓库里。

第二层更根本：就算有全部数据也不该用，因为人类自己就不擅长设计电路板。一块复杂板子画上几个月，过程里全是层层叠加的妥协，最后板子比实际需要的更大、层数更多、更贵。拿这些数据做监督学习，学出来的天花板就是高水平人类工程师。

强化学习的上限高得多。Sergiy举了AlphaGo的例子：DeepMind先用人类棋谱训练，到了顶级大师水平；后来的系统完全不碰人类数据，自己跟自己下，只看输赢，最后强到没人能赢。

这个市场缺人缺到什么程度？主持人Nathan Labenz在节目里提到一个细节：SpaceX内部养着专门的电路板团队，依然满足不了公司自己的需求。内部团队喂不饱内部客户，缺口可想而知。

物理不会撒谎，算力也不烧钱

强化学习有个经典难题叫稀疏奖励：只有整块板子通过全部物理仿真才算赢，随机探索几百万次未必撞上一次成功，AI什么都学不到。

Quilter的解法是把大问题切碎。先摆元件，检查可制造性、元件有没有相撞，再算一组启发式指标，预测下一步布线的成功率，每一步都有密集的小奖励，跟最终结果挂钩。Sergiy说，长期目标是只留一个终极信号：这块板子能用，还是不能用。真要大幅甩开人类的套路，靠的就是那个最纯粹的裁判。

这里有个跟大语言模型很妙的对比。LLM用人类反馈当奖励，人类自己就不稳定、会犯错，还会被模型讨好，于是模型学会了说漂亮话。Quilter没这个麻烦。人类看一眼电路板，判断不了它能不能工作，做出来的板子里八成存在某种故障，正因为这个任务人类干不好。但物理能判断。麦克斯韦方程组、热力学定律，人类已经积累了一百多年收敛的求解方法，数值解出来的结果，比任何老工程师的眼睛都可靠。

代价是慢。算一次完整物理解要20分钟，训练过程需要几百万次，等不起。Quilter的折中是保守近似：也许拿不到物理允许的最优解，但拿到的解一定能用，还能打平或超过人类。

「我们的奢侈之处在于不用跟人类谈判，只需要保证可制造，然后让物理给答案。物理是不会含糊的。」

算力账本也跟大模型公司是两个物种。没有万卡集群，没有万亿token，大部分算力花在「玩游戏」上，主要靠CPU，一部分靠GPU。更特别的是他们边接单边训练：用户上传一块板子，系统不只做推理，还拿这块板子继续训练自己。

现在的产品约束是「过夜」：下班前上传原理图，12小时内出结果，第二天早上验收。搜索深度以后会变成用户手里的旋钮。普通设计，几分钟到一小时出个能用的就行；要量产一亿块的iPhone主板，每块省一美元就是一亿美元，那可以让它搜上一个月，反正人类画一块板子也要这么久。

物理仿真的成本会涨，因为Quilter扩张市场的方式就是把物理难题一块块啃下来。现在做低速板，电流上限4安培左右，计算很直接；下一步是高速数字电路，先用近似的界定方法，最后用全波模型做一两次验证，Sergiy估计每块板子要烧掉几个GPU日。仿真本身也有讲究：最暴力的时域有限差分法，把三维空间切成1亿个网格，按麦克斯韦方程一步步算10万步，纯堆算力；聪明的办法有有限元、矩量法，低速场景还能用准静态近似，直接把时间变量消掉，只算电容和互感。

节目里Nathan提了个建议：这套东西能不能用扩散模型做？就像Stable Diffusion从噪点还原图片、像蛋白质设计那样，从噪声里「去噪」出一块板子。Sergiy给了两个否决理由。第一，数据脏。行业现实是，送进工厂的板子四次里有三次看起来没问题、也能制造，物理上却不工作，收集来的数据得先跑仿真逐块验货。第二，工厂拿到的文件不够用，那只是一套掩模，告诉你铜箔怎么刻、元件怎么贴，不告诉你信号在板子里怎么跑，而没有信号就没法算物理。用自我对弈攒数据、再训练扩散模型复现好设计，理论上可行，但前提还是先得有物理验证过的好设计。

三类公司，三本账

聊完案例，Eric把市场上的AI公司分成三类，逐个算了账。他整体是乐观的：大量颠覆发生的年代，正是孕育新巨头的原始汤，当然也会冒出一堆垃圾，关键是把它们挑出来。

第一类，基础模型公司。他的判断很狠：这是人类历史上贬值最快的资产。他的账是这么算的：一个模型烧掉1.5亿美元，半年后复刻成本降到500万，风投史上没见过这种贬值速度，投进去的钱往往直接烧光。他补了一句，自己可能是错的，也许有人能建起持久优势，但通用模型的账目前就是这么难看。这也是Benchmark至今没投任何基础模型公司的原因。

第二类，基础设施公司。Benchmark在2016年投了AI芯片公司Cerebras，Eric还在推理服务商Fireworks的董事会，Groq也算这类。这类公司收入来得快，生意是真的，但有个悬而未决的问题：这些需求能存在多久？他的类比是，AI开发现阶段的工具和抽象层，相当于2002年的软件开发。他举的例子是LLM可观测性：今天是个真赛道，五年后还在不在，没人说得准。

第三类，垂直应用，Quilter就在这类。收入增长最快的就是它们，有些公司的收入规模他用了「疯狂」这个词。但批评也最集中：三个月甚至一个周末黑客马拉松就能做出来的东西，十个竞争对手同样做得出来，凭什么有护城河？Eric的答案是，没人知道，但你必须有一个理论。投Quilter、投Sierra，都是相信这些东西里有一部分能随时间复利，沉淀成壁垒。

迷宫、rm -rf与电路板的编译器

怎么判断谁值得投？Eric搬出Chris Dixon多年前的一篇短文《想法迷宫》。好创始人是在迷宫里住过很久的人：走进死胡同，退回来，换条路，又撞墙，再退。你问他任何问题，回答永远是「这个我想过，因为某某原因走不通，所以我才走这边」。Sergiy在SpaceX画过大量板子，试过一串AI方案，撞过墙，最后才收敛到强化学习这条路。在Eric眼里，这就是在迷宫里滚够了的人。

节目里还有一段特别扎心的讨论，关于研究代码和产品代码之间的鸿沟。AI行业大量工作出自研究员之手，代码在实验环境里跑得通，一进生产环境规模化就原形毕露。一位创业者告诉Eric，她对研究员写的代码有条铁律：rm -rf，全删，重写。Eric说，这条鸿沟在他成年后的软件行业里从未存在过，上一次出现可能要追溯到上世纪七八十年代的数据库时代。今天伺候PyTorch和CUDA的那套功夫，普通软件工程师已经二十年没碰过了。Nathan接了一句，DeepMind并入谷歌，Demis Hassabis给的理由差不多：研究做完了一大截，真正的挑战变成了把研究桥接到工程上。

Quilter对未来的想象也建立在一条类似的鸿沟上。Sergiy的类比：画原理图像写代码，布局像编译。软件世界因为有了编译器，才有了高级语言，有了Python，有了今天让大模型写代码的一切。电子行业缺一个自己的编译器，Quilter想当这个编译器。编译器成熟之后，工程师从C++升级到Python，再往后，普通人对着方块图描述需求就能出板子。Nathan提到一个佐证：有个年轻人从零设计自己的GPU，原计划两周，实际花了四周。芯片领域因为有现成的版图工具链，这种事才可能发生，电路板领域还没这个待遇。

离那一天还有多远？Sergiy说瓶颈是人才：要同时找到精通神经网络、前沿强化学习、C++、CUDA和物理仿真的人，小板子的超人设计也许几年内能到，iPhone主板那种复杂度，他猜五年。他对自己有个明确的判断：这是一道百分之百可解的题。跟自动驾驶那种「要么不撞车要么出局」的悬崖不同，Quilter面前是台阶：板子复杂度一档、物理种类一档、超越人类的程度一档，每级只要好20%，让它复利。

节目最后，Nathan问Eric想看什么方向的创业点子。Eric拒绝了：风险投资人自己出点子，通常是坏消息，想主意本来就不是风投的工作。（他给Mike Speiser那种孵化型投资人留了例外。）他只想见对一个问题痴迷很久的人，Benchmark的工作就是尽可能早地参与最好的公司。Nathan补了一句：事情变化这么快的年代，痴迷没有替代品。

明天就能用的三把尺子

这期节目聊的是风投和电路板，里面的判断工具是通用的，挑三把明天就能上手。

• 评估AI产品，先问一句：它假设人类做得够好、只是慢吗？如果人类本身就不行，Copilot框架从根上就错了，监督学习也到不了超人。反过来，「人类平均水平也不行」的领域，才是强化学习有超额空间的地方。
• 判断护城河，看验收标准。靠人类打分的产品，天花板和可靠性都被人类锁死；有物理仿真、有确定性验证器的产品，奖励信号不会撒谎。自己手头的项目，有没有一个不靠主观评价的对错判据？
• 判断项目难度，用「楼梯还是悬崖」测试。自动驾驶是悬崖，不成功就撞车；Quilter面前是楼梯，每级只要好20%。给自己画楼梯，别给自己造悬崖。

最后记一组数字就够了：1.5亿美元，6个月，500万。下次有人给你讲模型能力多强，先问一句，这份资产打算怎么保值。