云计算竞争史对AI市场结构、应用层护城河与SaaS估值的启示——Benchmark普通合伙人Eric Vishria访谈要点梳理（Invest Like The Best，2026-08-11）
——据Invest Like The Best节目《What the Cloud Wars Tell Us About AI | Eric Vishria》（2026-08-11）整理
摘要：本文对Invest Like The Best节目主持人Patrick O'Shaughnessy专访Benchmark普通合伙人Eric Vishria的主要观点进行了梳理汇总。梳理了其以2006年以来云计算竞争史对照AI市场结构的推演，介绍了推理层与应用层的竞争要素、SaaS公司竞争前沿整体移动后的处境以及AI公司销售模式的变化，最后阐述了其对硬件、能源约束与技术扩散节奏的看法。据其介绍，同一开源模型在Fireworks上的运行速度约为云厂商的5倍，部分上市SaaS公司的收入倍数由2021年的30倍左右降至6倍左右，AI公司单名销售代表的年销售额可达1000万至3000万美元。
关键词：应用层护城河；前沿实验室；企业采用；推理成本；融资估值；Sierra；Fireworks；Eric Vishria
一、云计算竞争史与AI市场结构
Vishria认为，云计算同样曾被视为由成本决定胜负的大宗商品市场，是理解本轮AI市场结构的现成样本；AI市场将形成赢家寡头格局，同时容纳一批千亿美元级的小赢家。
（一）云计算竞争中的两次误判
Vishria于2014年进入风投行业，组合包括推理服务商Fireworks、客服代理公司Sierra、晶圆级芯片公司Cerebras、生命科学SaaS公司Benchling与家用机器人公司Sunday Robotics。
据其梳理，2006年S3与EC2发布，是AWS的头两个产品；2007年Bezos在股东信中以大量篇幅阐述AWS的重要性，投资者反应“很不好”。他表示：“如果把当时30位顶尖投资人放进一个房间，问AWS成为一门利润率可持续、有意思、非大宗商品生意的概率有多大，我认为结果会是零比三十。”
2014年的主流叙事是“AWS会吃掉一切”，包括数据库、基础设施与应用，逻辑是SaaS公司受追捧在于年金式收入与85%左右的毛利率，而亚马逊（Amazon）可以8%的毛利率提供同类服务。此后十二年的发展表明这一判断存在明显偏差：一是基础设施层，Snowflake作为Amazon Redshift的直接竞品运行在亚马逊之上，“在Amazon上比Amazon更Amazon”，Confluent、Elastic、Databricks也都站稳了脚跟；二是应用层，Datadog在AWS已有同类产品的情况下成长为千亿美元市值公司；三是主因在于，2014年Azure与GCP无足轻重，到2026年均已成为出色的生意，云市场终局大致为“四三二”的三家寡头格局，三家之外还有Cloudflare这类另一形态、同为千亿美元市值的云服务商。他同时承认，途中确有“大量的碾压”。其总结为：“市场大到一家供应商无法扩张并吞下全部。”
（二）对AI市场结构的推演
对照本轮，Vishria听到的版本是“Anthropic会做所有事”，他认为“一家吃掉一切”的观点同样站不住。其理由是，云的扩张已经很快，但远不及AI的速度，而AI扩张需要能源、电力、机房、芯片、内存加算法整套基础设施配合，单一公司扩张至吞下全市场的难度更高。他的判断是：“我们会得到一个赢家寡头格局，同时会有一批千亿美元级的疯狂的小赢家。”与此同时，相对赢家的判断仍然重要，途中仍会有碾压，零和思维低估的是总盘子。
在价值归属问题上，Benchmark合伙人内部讨论的是基础模型、基础设施与应用构成的生态中价值如何累积、护城河在哪里，包括多少价值直接归实验室、多少归半导体。Vishria的立场是“全都成立”：云服务商、部分新兴云、Fireworks这类公司、英伟达以及一部分芯片创业公司都会做得好，手机端推理、近边缘推理与数据中心大模型会并存。他表示：“零和思维太多了，说Anthropic或者谁会吃掉98%的价值并且顺便把药也研发了，得了吧。”但需要指出的是，他随即划定了边界：“全都成立”不意味着每个领域里的每家公司都成立，恰恰相反，每个领域里多数公司不会成立，真正的差异化比以往更加重要，每一条思路都须走到逻辑的尽头。
（三）企业客户的采用姿态
据其回忆，2010至2011年，即AWS上线三四年后，蓝筹企业对云“极度怀疑”，使用者主要是数字原生公司与新成立的公司；Snapchat建在GCP上，2012至2014年间某一时点约占GCP的40%。主持人认为这与Cursor占某家模型公司三成用量的情形类似，Vishria表示“一模一样的事情正在发生”。蓝筹企业在2014至2016年才转向：一是银行、金融服务与保险公司发现云确实不同；二是云成为招聘问题，顶尖开发者希望在易用的平台上工作。
他认为这一次的差异“非常深刻”。蓝筹企业的AI采用远未成熟，走进Cursor的走廊与走进纽约一家大型金融机构的走廊，看到的AI使用完全是两回事；但企业这一次“想要它，在做实验，在花钱，在讨论”。他判断企业把AI视为比云更大的机会，也视为比云更大的威胁，并从云周期中吸取了教训。基于此，他对组合公司的定位是“做他们的AI向导”，处在横跨硅谷与传统企业两个世界的向导位置“非常有价值，而且这个位置会持续有效”。
二、推理层与应用层的竞争要素
Vishria认为，推理层与应用层从外部看都容易被误判为无差异化的竞争，实际上二者都依赖大量专门知识以及对模型能力边界的理解。
（一）推理层的专门知识
据其介绍，运行两三万亿到四万亿参数的模型“非常难”，高效运行更难。他给出的验证方法是：AWS、Azure、GCP、新兴云厂商与Fireworks、Together这类推理服务商都在开发者面板中提供同样的开源模型，Fireworks相对云厂商的速度差异约为5倍，叠加外部看不到的吞吐差异，整体差距为数倍。同一个开源模型、同样的英伟达硬件，推理公司支付着云厂商的毛利、在对方的机器上运行，仍能盈利。他认为，从外部看，推理像大宗商品，像“转售、规模游戏”，正如2007年的AWS，实际上其中包含大量非常具体的专门知识。
（二）应用层对“锯齿边缘”的把握
Sierra是Benchmark合伙人Peter与Bret Taylor合作的第三家公司，二人的合作关系已有二十年。Vishria认为，Taylor团队的特殊之处在于既是技术人，又在企业世界里生活了很久。Sierra的路线是先切入客服这一“很可自动化”的场景，充当企业的AI向导，目前通过Horizon提供能承担越来越多任务的长期运行代理。
他认为Sierra表面是应用公司，实际在做真正的AI工作：一是试验模型、构建代理，贴近模型与“harness”层；二是理解“AI能力的锯齿边缘”，它与人类能力那条平滑的弧线在直觉上完全不同；三是围绕锯齿边缘构建产品。Cursor从IDE到tab自动补全再到代理式工作的演进，一次次把六个月前的工作作废，也属于同一情形。Bret Taylor将此称为“沙堡”：“我们过去建城堡，现在建的是会被冲走的沙堡。”若仍以匠人心态打造要立一百年的地基，“你就撑不下去”。模型约每四周推出一次新能力，应用公司须理解新的锯齿边缘对自身客户群意味着什么，加以填补与转化，不能只做表面套用。
（三）产品开发方式的倒置
Vishria将上述变化称为产品开发方式的“彻底倒置”。传统产品经理的训练是理解客户、把问题转述给工程师、不触碰实现细节，“现在这样做，祝你好运，那是很糟的做法”。现在须同时理解模型能力的细微差别，即擅长什么、在哪里失败，以及客户问题，并在两者之间架起桥梁；Cursor团队从一开始就做对了这件事，并随边缘移动持续迭代。主持人认为这意味着技术能力的回报在上升，Vishria表示同意，并将职能重新划分为三种人：一是懂客户问题的人，二是有品味的人，三是理解并好奇于锯齿边缘的人。三者兼备即能做好，职位是工程师、产品经理还是设计师并不重要。
三、SaaS公司的竞争前沿移动与估值压缩
Vishria认为，SaaS公司面临的问题是竞争前沿整体移动，过去决定输赢的要素不再起决定作用，估值随之大幅压缩。
（一）竞争前沿的移动：以数据库为例
对于“人们会自己vibe code出替代品”的说法，Vishria表示“非常不屑”，认为症结出在竞争前沿的整体移动上。
他以数据库为例展开。数据库长期是软件中利润丰厚的领域，原因在于应用开发者针对特定数据库接口写代码，数据随时间积累，迁移是极难的大工程，甲骨文（Oracle）、SQL Server与一批小厂商因此黏性强、利润高。在AI语境下，三件事同时发生了变化：一是针对数据库接口写代码的主体由开发者变为Claude或Codex；二是数据库接口规范完备，AI恰好擅长规范完备的任务；三是代理不会对把一种规范翻译为另一种规范的单调工作感到厌倦。由此，“过去软件里排第一位绝不会做的事——数据库迁移——变得近乎平凡，砸点钱，搬。”
他强调，这并不意味着不需要数据库或人人自建数据库，变化的是“成为一家出色数据库公司的标准”。一是应用数量将大幅增加，因为实验成本与新建应用的成本都已下降；二是数据库需要从接近零的用量一路扩展至成功后的规模，反复启停拆建，迭代速度本身成为需求；三是“最终成本会成为仲裁者”，成本、从零到无穷的扩展性与可迁移性决定胜负，与过去“为某个用户场景选型、采购许可证、跑在某种硬件上”的赢法完全不同。
（二）估值压缩与管理层困境
据其介绍，几年前他给SaaS公司的信息是“要么走向AI，要么值三倍收入”。目前不少上市SaaS公司的收入倍数在6倍左右，2021年为30倍；这些公司此后规模增长了4倍、实现了盈亏平衡，市值反而更低。由此他提出对SaaS管理层“非常切身”的一句话：“你每一天完成计划，都在毁灭股权价值。”他解释，整个职业生涯学到的是定计划、坚决执行、达成或超越、复利积累，“现在你每天完成那个计划，你就是在搞砸”，说出这句话的目的是“把他们解放出来”。他的一位朋友有另一种表述：处在过渡期、收入数亿美元的CEO，早八点到下午五点经营既有业务，下午五点到八点做AI，而需要做的恰好相反；难点在于全部训练、肌肉记忆与惯性都指向攀登原有的那座山。
与之相对，他认为本轮赢家的共同特质是对“eval是什么、在针对什么优化”保持高度灵活，业务持续演化，并点名了Mercor的Brendan Foody、Fireworks的Lin Qiao与Bret Taylor等人。
（三）私有SaaS公司、上市窗口与按结果收费
一是私有SaaS公司处境困难。据其估计，约有五百家收入在1亿至5亿美元之间的私有SaaS公司，员工没有年度回购，投资人无法退出，“他们被困住了”；这些公司不会都消失，但“AI原生公司用增长率吸走了房间里所有的氧气与关注，窗口错过了”。
二是上市的价值在于新的可能性、公众信任、可用的货币与筹资能力，“这也是实验室最终会去上市的原因”，信任对世界和美国都有益，“让所有人看到里面在发生什么”。他认为只有三四家公司能够依靠执行与自由现金流在不上市的情况下达到巨大规模，其余公司“该出去就出去”。
三是商业模式创新。他认为人们没有理解SaaS相对传统软件胜出的来源，订阅制不只是更好的交付模式，本身即是对公司与客户双赢的商业模式创新；AI领域存在同样的机会，落在“按结果销售”上。
四、AI公司的销售模式与人才要求
Vishria认为，AI公司销售的产品具有“魔法”属性，软件行业沿用多年的配额产能模型已不再是一阶约束，上一代高管的经验需要重新检验。
（一）配额产能模型的失效
据其介绍，他一天80%的时间在与创始人讨论公司问题，如今对每一句“我们过去是这么做的”都重新审视，“我开始质疑此前学到的每一条假设与每一课，哪些能迁移、哪些不能”。
他观察到，上一代优秀高管进入正在扩张的AI公司后“彻底崩掉”，这在全行业都能看到。触发其反思的是一位销售负责人，对方表示这些目标一个都达不成，因为软件销售一直遵循配额产能模型：早期每名代表配额120万至150万美元，内部销售75万至85万美元，企业销售逐步升至250万美元，所有财务模型由此起步，再对达成率打折。他的判断是：“所有人都在不自觉地执行一套基于‘推动需求’的模型，而这些公司卖的是‘魔法’：客户的现状在这里，一个AI产品出现，效果如同魔法，如果你在卖魔法且第一个到场，你会卖出远超200万的数字。”配额产能仍有一定作用，只是不再是一阶约束；先做西海岸、再做东海岸、再做中部的地域划分也“完全不是这样运作的”。据其介绍，在不少公司里一名代表能做到1000万、2000万、3000万美元，主持人补充称近期见到5000万美元。
（二）对高管与销售的新要求
他对这类高管的要求是“把一切留在门口”，从第一性原理重新学习交付与需求的瓶颈分别在哪里。至于谁是这批公司中出色的销售，他的回答是创始人，所做的事情是把锯齿边缘桥接到客户的能力上，“听起来简单，其实不简单”。他将这一切与云的教训并列：“所有人犯过的错误是低估了市场规模，事实证明市场非常大，而这个市场更大。”
五、硬件、能源约束与技术扩散节奏
Vishria还从硬件机会、能源约束与技术落地三个方面，讨论了AI扩张的约束条件与演进路径。
（一）新工作负载与硬件机会
2016年Cerebras创始团队带着一份幻灯片找到Benchmark，彼时Benchmark已十年未投半导体，第一页的论点是“GPU其实很不适合深度学习，只是碰巧比CPU好一百倍”。据其回忆，当时Transformer尚未出现，英伟达市值约400亿美元，如今约为4万亿美元。
他的复盘框架是，四代计算各对应一个新工作负载与一家新的千亿美元公司：通用计算对应CPU（英特尔，Intel），大规模并行对应图形处理器（英伟达），网络对应低延迟芯片（博通，Broadcom），移动对应低功耗芯片（高通，Qualcomm；ARM）。AI在很大程度上受益于GPU的并行，但GPU没有解决核间通信问题，约束在于通信受限；TPU、Trainium都是赢家，Groq、Cerebras、Etched会继续竞争。他还认为新一代机会正在到来：“LLM在加速器上生成代码，代码却跑在拖着几十年包袱的经典CPU上”，“很长时间以来第一次，一种新的CPU路线有了空间”，Benchmark已有一笔未公布的投资。
硬件投资的教训是“大部分时候就是非常难”。软件有了逻辑框图即完成八成，硬件仅完成2%，其余取决于物理规律以及台积电（TSMC）之外约30家要紧的供应商。据其介绍，Cerebras今年5月上市，2024年曾尝试上市但因CFIUS等原因未成，大量影响因素在公司控制之外。
（二）能源约束
能源是Vishria在需求侧明确表达担忧的瓶颈。其推理链条是：模型把算力转化为智能，对智能的需求看起来很大，对广义算力的需求随之持续上升，而算力需要大量能源。据其表述，中国明年新增的能源约为美国的十倍；若能源少得多，则智能更少、token更少或更贵，价格上升后需求减少，“这看起来很糟”。他主张太阳能、核能、天然气“全都做”。
（三）起点应用与终局应用
谈及机器人，Vishria指出LLM的早期应用高度偏向语言，包括写作、编辑与营销文案，他认为率先真正起飞的应用是写营销文案的Jasper，而此后的演化与起点相去甚远。因此，叠衣服这类任务本身并不重要，重要的是能否让预训练加后训练的飞轮转起来，飞轮转动后任务能力会持续倍增；Sunday Robotics用与机器手同构的手套采集高价值数据，路径与Waymo、特斯拉（Tesla）的垂直整合类似。
他还以放射科为例讨论了技术落地的节奏。Hinton在2016年前后表示应停止培养放射科医生，因为AI会做得更好；Vishria认为其前提完全正确，AI读片确实可能优于人类，但结论“错得不能再错”。原因有二：一是汇总的训练数据集在任何地方都不存在，公司只能做胸部CT这类细分，而放射科医生每天要读X光、CT、MRI等二十到四十种扫描；二是整个医疗体系围绕医生出具读片报告来报销，还涉及责任与医疗事故问题。他预期的路径是长期协同，AI逐步读更多片子，过程很长，“期间需要的放射科医生只会更多”，因为影像成本下降使每个人做的检查都变多了。他认为“大规模失业”的推演结构几乎相同：极聪明的人拿着正确的数据，不把它放进真实世界的应用中去考虑，得出错误的结论。
总的看，Vishria认为AI市场远大于云计算市场，一家吃掉一切的判断难以成立，价值将在模型、基础设施与应用各层分布，但每个领域中多数公司难以胜出；应用层公司的竞争力在于把模型能力的锯齿边缘与客户问题桥接起来，SaaS公司则需适应竞争前沿的整体移动；在他看来，云周期中所有人犯过的错误是低估了市场规模，而这个市场更大。