今年，大規模科技公司的數據中心支出將成為人類歷史上第五大基礎設施項目——僅次于鐵路和兩次世界大戰。令人驚訝的是這筆投資的投入產出比：每從AI里賺1美元，就要先砸下12美元做基礎設施。這些數字背后隱藏的資本博弈與結構性變化，正是Theory Ventures普通合伙人Tomasz Tunguz在這期播客中重點拆解的核心議題。

這期對話由GTMfund高級副總裁Sophie Buonassisi主持。Tomasz是硅谷數據與AI基礎設施領域最受關注的投資人之一，曾在Redpoint任職15年，投出過Looker、Kustomer等明星項目。在正式對話前，GTMfund的兩位合伙人Max Altschuler和Paul Irving先點出了一個正在發生的結構性變化：AI的價值鏈條正在從模型層向上游的能源、芯片、數據中心，以及下游的應用層同時延伸，私募市場的投資方向也在從純軟件轉向軟硬一體。

整場對話中，Tomasz的核心判斷層層遞進：到2030年，數據中心資本開支可能占到美國GDP的5%到7%；AI競賽的真正瓶頸已從模型能力轉向電力、芯片與推理成本；數據棧和AI棧正在徹底融合，并連帶改寫企業組織架構；產品-市場匹配不再是一次性到達的終點，而是一場停不下來的賽跑；而Agent正在作為全新的角色進入企業采購委員會，迫使營銷從此要同時面對人和機器兩種受眾。

以下為編譯。

1

開場：數據中心投資規模大到什么程度？

Max： 又是美好的一天，也是一場很棒的對話。歡迎來到 GTM Now 播客的特別 VC 加更版。我是 Max Altschuler，和 GTMfund 的普通合伙人 Paul Irving 一起主持。今天的嘉賓是 Theory Ventures 的 Tomasz Tunguz，他此前在 Redpoint，也剛和我們一起做了一筆投資，具體項目先賣個關子，之后再聊。

Paul： 我發現我們每次開場都在聊最近到底有多忙、飛了多少地方，所以這次我特意提醒自己別再這么開頭了——雖然那的確是真的。總之我很期待這一期，我覺得大家會喜歡。Tomasz 是整個創投行業里最有思想框架的 thesis investor 之一，這期里有很多值得反復咀嚼的觀點。

Max： 我一直很喜歡他的寫作。他對我們到底身處什么階段、接下來要往哪兒去，判斷都非常清楚。如果你平時在 X、LinkedIn 或關注 Theory VC，真的值得去看他的內容。在進入正式訪談前，我想先鋪一個背景：今天公開市場和私募市場之間的邊界，已經比以往任何時候都更模糊。現在二級流動性很多，整個市場都在圍繞一個共同主題展開——AI 的價值到底沉淀在價值鏈的哪一層。顯然，這不只是 OpenAI 和 Anthropic 的故事。最底層是能源、稀土材料、電網；再往上是數據中心和基礎設施；再上面是 GPU、芯片、存儲；再往上才是 OpenAI、Anthropic 這樣的 AI 基礎設施公司；再往上才是應用層。如果你看公開市場，很多真正漲得猛的公司，并不是傳統橫向 SaaS，而是能源、存儲、芯片、內存，或者說“賣鏟子”的公司，甚至是再往上游走，給這些“賣鏟子”的公司提供原材料和設備的供應商。大家都在找 AI 金字塔里那個最基礎、最稀缺、最容易因為需求爆發而卡住的環節。而在私募市場里，我們也已經開始看到類似變化：很多原來只投軟件的投資人，開始轉向“軟硬一體”、硬件為主但含軟件組件，甚至服務+軟件的公司，因為所有人都想卡進這條 token path，也就是 AI 價值流動的路徑里。

Paul： 我們在自己的組合里也明顯感受到，技術性能、模型 benchmark、前沿模型公司之間的競爭，已經非常快地映射到物理世界了。現在的瓶頸不是抽象的，而是非常具體的：能源、電力、內存、機柜、網絡帶寬。Jensen 和 Nvidia 都說過，如果接下來幾年還要繼續擴大前沿模型的推理與使用規模，能源和電力能力得比今天再提升 1000 倍。更重要的是，今天這一輪擴張大體還是建立在文本之上。可一旦進入圖像、視頻、機器人和計算機視覺時代，單張圖片相對文本文件，在內存與算力維度上就可能大 1000 到 10000 倍；視頻又比圖片大兩到三個數量級。我們投資組合里就有一些軟硬件結合、計算機視覺和模型驅動的公司，它們把 Frontier Labs 創造的能力帶進物理世界。但這也意味著，訓練機器人、處理視覺數據、支撐現實世界中的 AI 應用，對基礎設施的要求，只會比今天高得多。而且一個特別反直覺的現象是，一旦新的算力或存儲真的上線，需求立刻就把它吞掉。這會迫使更大規模的擴建持續發生，并一路向經濟深處傳導。你我最近不就也在聊 Caterpillar 這類重型工業設備公司嗎？如果全社會都在大建數據中心、建設物理世界基礎設施，那總得有人去挖地、吊裝、施工、供電、鋪網。這個 AI 多米諾骨牌，正在遠比人們想象得更深地影響整個經濟體系。

Max： 沒錯。Tomasz 在節目里還有個非常好的提醒：接下來圖像和視頻會成為新的前沿，而如果現在的數據基礎設施約束都已經讓人頭大，那么相比未來，那些約束看起來可能都只是“小問題”。再比如 Nvidia，直到 2022 年之前，它數據中心業務中的一部分收入基本還是平的；GPT 出來三年后，增長了 17 倍。你會看到基礎設施有一個“滯后—追趕”的過程，等這一輪建設完成之后，人們會發現原來世界可以被推進到這樣的能力水平。

1

科技巨頭：先搶份額，再談利潤

主持人： Tomasz，你這些年一直在講“數據的十年”，而且遠早于今天這輪 AI 浪潮。現在，世界好像終于追上了你之前的判斷。Meta、Google 在 AI 基礎設施上的承諾已經到了天文數字級別。這里面有什么是你自己也會感到驚訝的嗎？你以前會想到規模能到這么大嗎？

Tomasz： 我覺得，幾乎沒有人真正意識到這件事會有多大。如果把數據中心開支占美國 GDP 的比例，放到歷史上的大型工程里去比較，那么它今年會成為史上第五大的基礎設施項目——而且這個排序里還包括兩次世界大戰。

主持人： 這太夸張了。

Tomasz： 是的。再往上一級，是美國鐵路建設，大概在 GDP 的 5% 左右；而數據中心現在大約已經占到 3.5%。當然，市場上也能看到一些疲軟信號，比如 Stargate 團隊從 OpenAI 離開，也有一些項目取消；但另一邊，你又看到 Anthropic 從 Google 等方面租下了 200 億美元規模的資源，CoreWeave 也剛剛宣布了非常可觀的新承諾。所以我的判斷是，整體還會繼續往上走。你完全可以想象，它會到 GDP 的 3%、4%、5%，甚至 6%、7%。

主持人： 你覺得那會在什么時候發生？

Tomasz： 到 2030 年。因為推理需求幾乎是無限的。再看模型本身，像 Mythos 這樣的模型，外界傳聞已經是 10 萬億參數級別，是今天最大已部署模型的 5 到 10 倍。你需要巨大的機器才能跑得動它。而我們甚至還沒真正把視頻和圖像算進去。Sora 還被取消過一次，所以我認為這個規模會非常驚人。我們其實還沒有真正意識到，人類正在處理多么龐大的數據量。

主持人： 那我們到 2030 年再坐下來復盤一次，說不定地點就在某個數據中心里。

Tomasz： 很有可能，確實如此。

主持人： 你曾拆解過一個特別震撼的數據：超大規模云廠商每從 AI 賺到 1 美元，就要在基礎設施上先花掉 12 美元，這差不多是一場 5750 億美元的豪賭。這個局面會怎么演化？

Tomasz： 短期看，這就是一場市場份額爭奪戰。誰能搶下最多的份額？誰會成為第一名？長期看，它又會變成一場利潤率游戲——誰最終能賺最多的錢。而今天，它本質上是一場“膽小鬼博弈”。你會看到，全球最賺錢的公司，比如 Google，每年原本可以產生 750 億到 900 億美元自由現金流，但它們把幾乎所有現金流都拿去建數據中心了，而且還在繼續舉債。Meta 也是這么干的。Oracle 按現金流口徑算，杠桿甚至到了 7:1。這很瘋狂。所有人都在賭：只要自己能在這個階段拿下足夠大的市場份額，未來就有機會兌現為利潤。真正最關鍵的指標，是“每瓦電力能輸出多少智能”。這項指標正在快速提升，而且還有巨大提升空間。所以我把現在定義為第一波：Gemini 能拿下多少份額，OpenAI 能拿下多少，Anthropic 又能拿下多少。接下來才會進入利潤兌現階段。現在有傳言說 Anthropic 的毛利率非常高，而有些其他公司未必如此。我們已經開始看到一些早期跡象了，但大體節奏應該就是這樣。

1

AI 與數據棧已經融合，組織結構也開始被改寫

主持人： 如果回到你最熟悉的數據投資領域，這輪變化有沒有改變你看數據公司的方式？你過去投過 Dataminr、Monte Carlo、Hex 這些很出色的公司，現在有什么根本性不同嗎？

Tomasz： 答案當然是有。過去，數據棧和 AI 世界基本是分開的。數據棧服務的是想做 dashboard、分析、報表的人，目標是幫助企業理解業務、運營業務；而 AI——那時候更多叫 NLP 或經典機器學習——主要還在研究領域，或者被用于廣告定向、問卷情感分析這些場景。那是兩個世界。但現在，AI 和數據已經真正融合了。原因很簡單：AI 是由海量數據驅動的。所以過去我們為 dashboard 和分析構建的數據管道，如今正被用來訓練和運行機器學習模型。它們已經在非常現實的意義上融成了同一個東西。這種變化你甚至能在組織結構里看到：很多公司的數據團隊，開始直接向工程負責人匯報，而不是再作為一個相對獨立的分析體系存在。這是非常大的變化。整個數據處理規模也完全不同了。我舉個具體例子：最近 Jensen 展示了最新的 Infiniband 網絡設備，也就是數據中心里連接 GPU 的那套網絡。那些 Infiniband 設備，理論上傳輸一整張互聯網規模的數據，都可以在不到一天的時間內完成。你面對的是前所未有的數據洪流，所以這兩個生態系統必然會合流。

主持人： 那對于正在創業的創始人來說，在這種“融合”之下，應該如何理解自己的定位？

Tomasz： 我覺得有兩個點。第一，數據世界正在和 AI 世界融合，這不是概念，而是現實。第二，沒有人真的知道未來會長什么樣。大家都可以裝作自己知道，但事實上，如果你今天是軟件買家，你真正想找的，是一個值得信任的伙伴，一個你相信在未來 3 到 5 年里能持續帶你穿越變化的人。無論是工程負責人、數據負責人、銷售負責人還是市場負責人，他們現在想找的，都不再是一個傳統軟件時代那種“點狀功能”的點解決方案。他們要找的是一個能逐步替他們構建 3 個、5 個、10 個、甚至 50 個 agent 去解決需求的人。你要賣給客戶的，不只是今天的產品能力，而是“你能否成為未來的可信賴向導”。

1

產品—市場匹配不再是一次性的，而是持續性的

主持人： 你在 2025 年 10 月寫過一篇文章，說產品市場匹配已經不再是一個靜態的、二元的概念。過去我們說 PMF 達成了就是達成了，現在你說它變成了連續狀態。創始人和經營者該怎么理解？

Tomasz： 在 2010 到 2021 年那段時間里，大家對 PMF 的理解通常是：先找到產品市場匹配，然后開始規模化。產品一旦成型，經濟模型、關鍵指標、擴張路徑基本都比較清楚，剩下的問題主要是融資和執行。但今天不是這樣。拿基礎模型公司舉例，一家 foundation model 公司做出一個 SOTA 模型，可能只有 35 天時間把它商業化，否則就會被別人超越。

主持人： 35 天？

Tomasz： 對，就這么短。可別忘了，這背后可能是 50 億到 100 億美元的投資。軟件領域也是一樣，如果你做出一個獨特的東西，它非常容易被快速復制。所以你必須不斷往前推、持續往前推，這就是我們說“產品市場匹配是連續的”的原因。不是你達成一次就完事了，而是你要不斷重建。而且買家的需求本身也在變化。隨著他們越來越理解 AI 能做什么、不能做什么，他們對產品的期待會不斷調整。所以，不只是你在追趕市場，市場也在動態變化。

1

Agent 正在進入采購委員會，營銷從此要面對“人+Agent”兩種受眾

主持人： 你最近也一直在談 AI 對銷售配額、營銷、廣告的影響。你現在看到的最大變化是什么？

Tomasz： 我最近采訪了 Lena Waters——她做過 Notion、Grammarly、DocuSign 的 CMO。她有個很重要的觀察：現在買家的購買路徑已經完全不同了。買家比過去更多地借助 agent 進行自我教育。這意味著，你今天面對的不再只是一個受眾，而是兩個受眾。第一個當然是人，比如工程負責人；第二個則是這個工程負責人的 agent。因為在他真正拿起電話聯系供應商之前，他很可能會先咨詢 agent，讓 agent 幫他篩選和判斷。這意味著，agent 已經成為企業內部一個全新的“購買委員會成員”。假設是一位工程負責人在做決策，那么現在的購買委員會里可能同時有 AI 負責人、法務負責人，外加一個 agent。突然之間，你要面對的決策動力學就從過去的三個人、四個人之間，擴展成了“人類—人類—代理”共同參與的過程。如果你賣的是大單，你就必須學會怎么在這種新型購買共同體里成功穿行。

主持人：這讓我感覺整個購買流程變得前所未有地多層次。好像第一層先是 agentic process，也就是代理先做資格審查和調研；第二層才是偏情感和信任的人類互動。它未必是線性的，但肯定是兩個不同的層同時在發揮作用。

Tomasz： 對，是兩種不同 persona。它直接改變了內容、網站、產品展示方式。我前幾天在 HumanX 大會上，還聽 Carta 的負責人說，他們已經不再繼續投資自家網站和移動 App，也不打算再做新的產品開發了。

主持人： 這很激進。

Tomasz： 是的。他的意思是，未來一切都將面向 agents。

主持人： 這點我很好奇，因為我和 Webflow CEO Linda 以及一些還在重倉網站空間的人聊過。他們的看法不是“網站消失”，而是網站會變成一種更偏向 revenue source、也是給 agents 提供真實信息源的東西。人類可能不再像以前那樣親自瀏覽，但網站依然承擔某種“被代理讀取的真相層”。

Tomasz： 我同意，這就是演化方向。問題變成：你到底在不在乎可視化？很多營銷和品牌活動，本質上是在通過情緒建立信任，而 agent 至少現在還不會被情緒打動。所以你要怎么說服一個 agent？當前答案很簡單：文本，純文本。原始 markdown、事實陳述、清晰表達、權威內容。對 agent 來說，這些才是最重要的。

這也意味著，營銷團隊未來可能會有兩條并行軌道：一條是給人類看的 discoverability，一條是給 agents 做信息傳遞和可發現性優化。隨著越來越多初步篩選和資格審查先由 agent 對 agent 完成，企業就得重新思考內容包裝、分發和信息結構。

主持人： 從 go-to-market 角度看，你在數據領域觀察到哪些新的模式？

Tomasz： 我覺得大家都在試圖理解 agent 的含義。Agent 是一種新的分發渠道。比如，當某個 agent 在決策過程中說“我們應該用這個數據庫”或者“我們應該用那個數據庫”，那你能否通過 cloud skills、渠道關系或其他方式進入那個決策路徑，就會變得非常關鍵。第二個問題是定價模型的重構。過去很多數據基礎設施公司的商業模式都偏 consumption-based，像 Snowflake、Databricks 就是典型例子。但推理市場的規模，比數據倉庫計算大一到兩個數量級。所以你怎么設計自己的定價結構，才能真正暴露在推理增長的上升通道里，這是一個核心問題。第三，是規模能力。你怎么給自己的產品和技術做定位，讓它可以承接非常非常大的吞吐量？這不是抽象問題，而是活生生的生死問題。

主持人： 你也提到過 Vercel 用一個 AI agent 加半個兼職工程師，替代了大約 9 個 SDR。除了這些 go-to-market 場景，AI 對團隊層面的影響你還看到了什么？

Tomasz： 在銷售領域，SDR 和 BDR 的角色正在發生真正的轉型。全自動化地替代這些角色，是一個重要而且單向的變化，我認為這是現實，而且很重要。不過另一方面，我們也要區分消費品購買和企業級銷售。如果你問 AI“最好的跑鞋是什么”，你大概率會信；你問“該買哪臺筆記本電腦”，你大概也會信；甚至你問“我應該買哪輛車”，這是 2 萬到 3 萬美元的決策，你都可能愿意外包給 AI。但企業銷售復雜得多。人與人之間建立信任的需求，仍然會持續存在。雖然我們最近剛遇到一家公司，正在做一種能夠真正“影響你”的 agent。

主持人： 什么意思？

Tomasz： 有個 benchmark 叫 Giving for Good。一個 AI agent 會和你對話，試圖說服你給某個慈善機構捐款。不同的 AI 系統會用不同的話術、策略，它們會根據歷史數據被評分：到底能多大程度上提高你的捐贈意愿，以及最終的捐贈金額。

主持人： 它是通過打字聊天來做這件事？

Tomasz： 對。你會說：“告訴我更多關于這個慈善機構的信息。”它就會繼續說服你；你會說“我更關心這些問題”，它會順著你的價值觀去組織論述，然后告訴你哪個機構更匹配。它越能說服你，得分就越高。把這個機制遷移到商業世界，你就可以想象一個 agent 對你說：“我真的認為你應該用 Omni 作為 BI 平臺。”于是問題就來了：這到底是好事還是壞事？是倫理的還是不倫理的？應該怎么使用？我覺得這些問題都會在營銷世界里出現。與此同時，創意自動化也在加速，圖像和視頻生成都在迅速進入廣告系統。你也會看到強化學習正在廣告定向中被使用，Meta 在這方面發過很多論文，效果相當顯著。再往上看一層，你會發現幾乎每個崗位都在被重新想象。所以，很多最前沿的領導者，越來越傾向于招聘通才，而不是過于狹窄的專才。

主持人： 你自己在團隊建設上也是這么做的嗎？

Tomasz： 非常是。我們團隊里有一半是 AI 工程師，而且我覺得在很長時間里都會保持這樣。別人可以從 AI 里獲得杠桿，風險投資當然也會，而且遲早一定會以某種形式參與進來。

我們一直說，VC 其實也是在經營一家公司，只不過形式不同。如果你不去采用 AI，不去像軟件公司那樣重構自己的工作方式，那你遲早會撞上增長天花板。別人會繼續前進，而你停在原地。

1

個人使用、MCP、圖像視頻創業機會，以及成功公司的共性

主持人： 除了公司層面，單就你個人作為投資人，你最喜歡、最有變革感的 AI 用法是什么？

Tomasz： 對我來說，一個很重要的用法是：你在會議里或者剛結束一場會議時，總會冒出一些你本來永遠不會騰出時間去研究的問題。AI 很適合做這種事。比如昨天有人給我推薦一本關于網球心理學的書，說特別好。那我大概率不會真的讀完，但我可以讓 AI 先幫我總結，再告訴我這本書對風險投資能有什么啟發。它讓你的知識邊界被拓寬了，這一點很強大。

主持人： 回到公司層面，你們招這么多 AI 工程師，到底在做什么？

Tomasz： 一個關鍵目標，是盡可能真正理解這些系統是怎么工作的，因為這會反過來影響我們的投資判斷。當然，我們也會做很多有趣的實驗。比如上周有人在辦一個“給 MCP 辦葬禮”的活動，因為市場上一直有聲音說 MCP 可能不會成為主流技術。于是我們做了個叫 RIP GREP 的東西，用來識別哪些技術看起來像“快死了”，但實際上并沒有死。MCP 就是個典型案例。

主持人： 所以你其實是在說，MCP 并沒有死。

Tomasz： 對，至少我不這么看。直接通過 API 調軟件當然在很多場景下很好用；但 MCP 的價值在于，如果你是一家大公司，想把一整套能力分發給財務團隊之類的大量內部用戶，MCP 可能是最簡單、也最容易控制的方法。所以它們不是相互排斥的，而是各有適用場景。

主持人： 如果今天讓你重新開始做一家數據公司，你最興奮的方向是什么？

Tomasz： 圖像和視頻。因為那里的數據量太大了。我們很幸運投了一家做這個方向的公司 LanceDB。你會直觀看到，單張圖片就可能比文本文件大 1000 到 10000 倍，而視頻又會比圖片再大兩到三個數量級。如果我們今天只是“搬運文本”就已經很吃力了，而定制化視頻、機器人又都在快速到來，那么整個世界顯然需要更大得多的基礎設施去支撐。

主持人： 在你投過的那些非常成功的公司里——包括像 Customer 這樣的公司，甚至還有很多現在外界還沒完全看見結果的項目——你覺得它們有什么共性，是創始人可以借鑒的？

Tomasz： 一個非常被低估的點，是對某個行業歷史的理解。這非常重要。第二次創業的創始人之所以成功率這么高，尤其是那些在第一次創業的同一領域里再次創業的人，是因為他們認識里面的人，理解這個領域是怎么一步步走到今天的，也知道過去踩過哪些坑。所以那種基于領域歷史的深度專精，非常有力量。今天有了 AI，你可以更快理解自己的核心領域，但理解“歷史脈絡”本身仍然是關鍵資產。

主持人： 我想，人脈和分發能力應該也是同樣的重要吧。尤其是如果你一直在同一個生態里做事，那種連接和渠道會變成非常不公平的優勢。現在我們也看到，大家比過去更依賴生態合作和伙伴關系了。

Tomasz： 是的，這點確實如此。還有一個變化也很大：PR 已經成為一個比過去重要得多的分發渠道。大眾媒體今天愿意用一種過去對傳統軟件不會采用的力度去報道 AI。再有就是渠道的提前介入。過去除了安全軟件外，很多公司要到 1500 萬、2500 萬，甚至 3000 萬 ARR 才會真正上渠道。但今天，我們已經看到中低個位數 ARR 的公司，就開始有效利用 channel partner 了。

1

最后給創始人的建議

主持人： 如果說一個你現在持有、但可能和主流不完全一致的判斷，或者說 hot take，會是什么？

Tomasz： 我認為，AI 的影響依然被整體低估了。它的變革性會非常徹底，尤其會體現在組織設計上。今天的公司結構，本質上還是沿用“計算機發明之前”的很多管理假設，這件事其實很驚人。比如“產品經理”這個角色，可能也就 40 年歷史。可未來，AI 會徹底改變公司是如何被組織起來的。如果把一家公司的結構粗略切開，看作高層管理、中層管理和執行層/個體貢獻者，那么今天大致可能是 5%、75%、20% 這樣的比例。五年之后，它看起來絕不會還是這樣。

主持人： 這確實很瘋狂，也太有變革性了。包括你寫過的 AI agent 定價問題，也說明這種變化已經遠遠不只是“多一個工具”這么簡單。最后，你想給創始人留一句什么建議嗎？

Tomasz： 我唯一真正想說的是：沒有人真的知道標準答案是什么。我們正處在一個巨大的實驗期里。你能做的最好的事，就是雙腳跳進去，自己把答案試出來。

主持人： 這真是很棒的建議。你有很棒的博客和寫作，大家還可以在哪里繼續關注你？

Tomasz： 可以在 Twitter、LinkedIn 找到我們。我們最近還做了一個叫 Office Hours 的系列，會邀請很多高管來參加，最有趣的是，大家可以直接撥進來提問，我們會把你的問題帶進對話。

主持人： 我個人也很喜歡你之前做的 Run Kuru。非常感謝你來參加這期節目。

Tomasz： 很高興來，感謝邀請。

點個“愛心”，再走 吧