今年，大规模科技公司的数据中心支出将成为人类历史上第五大基础设施项目——仅次于铁路和两次世界大战。令人惊讶的是这笔投资的投入产出比：每从 AI 里赚 1 美元，就要先砸下 12 美元做基础设施。这些数字背后隐藏的资本博弈与结构性变化，正是 Theory Ventures 普通合伙人 Tomasz Tunguz 在这期播客中重点拆解的核心议题。这期对话由 GTMfund 高级副总裁 Sophie Buonassisi 主持。Tomasz 是硅谷数据与 AI 基础设施领域最受关注的投资人之一，曾在 Redpoint 任职 15 年，投出过 Looker、Kustomer 等明星项目。在正式对话前，GTMfund 的两位合伙人 Max Altschuler 和 Paul Irving 先点出了一个正在发生的结构性变化：AI 的价值链条正在从模型层向上游的能源、芯片、数据中心，以及下游的应用层同时延伸，私募市场的投资方向也在从纯软件转向软硬一体。整场对话中，Tomasz 的核心判断层层递进：到 2030 年，数据中心资本开支可能占到美国 GDP 的 5% 到 7%；AI 竞赛的真正瓶颈已从模型能力转向电力、芯片与推理成本；数据栈和 AI 栈正在彻底融合，并连带改写企业组织架构；产品 - 市场匹配不再是一次性到达的终点，而是一场停不下来的赛跑；而 Agent 正在作为全新的角色进入企业采购委员会，迫使营销从此要同时面对人和机器两种受众。
以下为编译。
1. 开场：数据中心投资规模大到什么程度？
Max： 又是美好的一天，也是一场很棒的对话。欢迎来到 GTM Now 播客的特别 VC 加更版。我是 Max Altschuler，和 GTMfund 的普通合伙人 Paul Irving 一起主持。今天的嘉宾是 Theory Ventures 的 Tomasz Tunguz，他此前在 Redpoint，也刚和我们一起做了一笔投资，具体项目先卖个关子，之后再聊。
Paul： 我发现我们每次开场都在聊最近到底有多忙、飞了多少地方，所以这次我特意提醒自己别再这么开头了——虽然那的确是真的。总之我很期待这一期，我觉得大家会喜欢。Tomasz 是整个创投行业里最有思想框架的 thesis investor 之一，这期里有很多值得反复咀嚼的观点。
Max： 我一直很喜欢他的写作。他对我们到底身处什么阶段、接下来要往哪儿去，判断都非常清楚。如果你平时在 X、LinkedIn 或关注 Theory VC，真的值得去看他的内容。在进入正式访谈前，我想先铺一个背景：今天公开市场和私募市场之间的边界，已经比以往任何时候都更模糊。现在二级流动性很多，整个市场都在围绕一个共同主题展开—— AI 的价值到底沉淀在价值链的哪一层。显然，这不只是 OpenAI 和 Anthropic 的故事。最底层是能源、稀土材料、电网；再往上是数据中心和基础设施；再上面是 GPU、芯片、存储；再往上才是 OpenAI、Anthropic 这样的 AI 基础设施公司；再往上才是应用层。如果你看公开市场，很多真正涨得猛的公司，并不是传统横向 SaaS，而是能源、存储、芯片、内存，或者说"卖铲子"的公司，甚至是再往上游走，给这些"卖铲子"的公司提供原材料和设备的供应商。大家都在找 AI 金字塔里那个最基础、最稀缺、最容易因为需求爆发而卡住的环节。而在私募市场里，我们也已经开始看到类似变化：很多原来只投软件的投资人，开始转向"软硬一体"、硬件为主但含软件组件，甚至服务 + 软件的公司，因为所有人都想卡进这条 token path，也就是 AI 价值流动的路径里。
Paul： 我们在自己的组合里也明显感受到，技术性能、模型 benchmark、前沿模型公司之间的竞争，已经非常快地映射到物理世界了。现在的瓶颈不是抽象的，而是非常具体的：能源、电力、内存、机柜、网络带宽。Jensen 和 Nvidia 都说过，如果接下来几年还要继续扩大前沿模型的推理与使用规模，能源和电力能力得比今天再提升 1000 倍。更重要的是，今天这一轮扩张大体还是建立在文本之上。可一旦进入图像、视频、机器人和计算机视觉时代，单张图片相对文本文件，在内存与算力维度上就可能大 1000 到 10000 倍；视频又比图片大两到三个数量级。我们投资组合里就有一些软硬件结合、计算机视觉和模型驱动的公司，它们把 Frontier Labs 创造的能力带进物理世界。但这也意味着，训练机器人、处理视觉数据、支撑现实世界中的 AI 应用，对基础设施的要求，只会比今天高得多。而且一个特别反直觉的现象是，一旦新的算力或存储真的上线，需求立刻就把它吞掉。这会迫使更大规模的扩建持续发生，并一路向经济深处传导。你我最近不就也在聊 Caterpillar 这类重型工业设备公司吗？如果全社会都在大建数据中心、建设物理世界基础设施，那总得有人去挖地、吊装、施工、供电、铺网。这个 AI 多米诺骨牌，正在远比人们想象得更深地影响整个经济体系。
Max： 没错。Tomasz 在节目里还有个非常好的提醒：接下来图像和视频会成为新的前沿，而如果现在的数据基础设施约束都已经让人头大，那么相比未来，那些约束看起来可能都只是"小问题"。再比如 Nvidia，直到 2022 年之前，它数据中心业务中的一部分收入基本还是平的；GPT 出来三年后，增长了 17 倍。你会看到基础设施有一个"滞后—追赶"的过程，等这一轮建设完成之后，人们会发现原来世界可以被推进到这样的能力水平。
2. 科技巨头：先抢份额，再谈利润
主持人： Tomasz，你这些年一直在讲"数据的十年"，而且远早于今天这轮 AI 浪潮。现在，世界好像终于追上了你之前的判断。Meta、Google 在 AI 基础设施上的承诺已经到了天文数字级别。这里面有什么是你自己也会感到惊讶的吗？你以前会想到规模能到这么大吗？
Tomasz： 我觉得，几乎没有人真正意识到这件事会有多大。如果把数据中心开支占美国 GDP 的比例，放到历史上的大型工程里去比较，那么它今年会成为史上第五大的基础设施项目——而且这个排序里还包括两次世界大战。
主持人： 这太夸张了。
Tomasz： 是的。再往上一级，是美国铁路建设，大概在 GDP 的 5% 左右；而数据中心现在大约已经占到 3.5%。当然，市场上也能看到一些疲软信号，比如 Stargate 团队从 OpenAI 离开，也有一些项目取消；但另一边，你又看到 Anthropic 从 Google 等方面租下了 200 亿美元规模的资源，CoreWeave 也刚刚宣布了非常可观的新承诺。所以我的判断是，整体还会继续往上走。你完全可以想象，它会到 GDP 的 3%、4%、5%，甚至 6%、7%。
主持人： 你觉得那会在什么时候发生？
Tomasz： 到 2030 年。因为推理需求几乎是无限的。再看模型本身，像 Mythos 这样的模型，外界传闻已经是 10 万亿参数级别，是今天最大已部署模型的 5 到 10 倍。你需要巨大的机器才能跑得动它。而我们甚至还没真正把视频和图像算进去。Sora 还被取消过一次，所以我认为这个规模会非常惊人。我们其实还没有真正意识到，人类正在处理多么庞大的数据量。
主持人： 那我们到 2030 年再坐下来复盘一次，说不定地点就在某个数据中心里。
Tomasz： 很有可能，确实如此。
主持人： 你曾拆解过一个特别震撼的数据：超大规模云厂商每从 AI 赚到 1 美元，就要在基础设施上先花掉 12 美元，这差不多是一场 5750 亿美元的豪赌。这个局面会怎么演化？
Tomasz： 短期看，这就是一场市场份额争夺战。谁能抢下最多的份额？谁会成为第一名？长期看，它又会变成一场利润率游戏——谁最终能赚最多的钱。而今天，它本质上是一场"胆小鬼博弈"。你会看到，全球最赚钱的公司，比如 Google，每年原本可以产生 750 亿到 900 亿美元自由现金流，但它们把几乎所有现金流都拿去建数据中心了，而且还在继续举债。Meta 也是这么干的。Oracle 按现金流口径算，杠杆甚至到了 7:1。这很疯狂。所有人都在赌：只要自己能在这个阶段拿下足够大的市场份额，未来就有机会兑现为利润。真正最关键的指标，是"每瓦电力能输出多少智能"。这项指标正在快速提升，而且还有巨大提升空间。所以我把现在定义为第一波：Gemini 能拿下多少份额，OpenAI 能拿下多少，Anthropic 又能拿下多少。接下来才会进入利润兑现阶段。现在有传言说 Anthropic 的毛利率非常高，而有些其他公司未必如此。我们已经开始看到一些早期迹象了，但大体节奏应该就是这样。
3. AI 与数据栈已经融合，组织结构也开始被改写
主持人： 如果回到你最熟悉的数据投资领域，这轮变化有没有改变你看数据公司的方式？你过去投过 Dataminr、Monte Carlo、Hex 这些很出色的公司，现在有什么根本性不同吗？
Tomasz： 答案当然是有。过去，数据栈和 AI 世界基本是分开的。数据栈服务的是想做 dashboard、分析、报表的人，目标是帮助企业理解业务、运营业务；而 AI ——那时候更多叫 NLP 或经典机器学习——主要还在研究领域，或者被用于广告定向、问卷情感分析这些场景。那是两个世界。但现在，AI 和数据已经真正融合了。原因很简单：AI 是由海量数据驱动的。所以过去我们为 dashboard 和分析构建的数据管道，如今正被用来训练和运行机器学习模型。它们已经在非常现实的意义上融成了同一个东西。这种变化你甚至能在组织结构里看到：很多公司的数据团队，开始直接向工程负责人汇报，而不是再作为一个相对独立的分析体系存在。这是非常大的变化。整个数据处理规模也完全不同了。我举个具体例子：最近 Jensen 展示了最新的 Infiniband 网络设备，也就是数据中心里连接 GPU 的那套网络。那些 Infiniband 设备，理论上传输一整张互联网规模的数据，都可以在不到一天的时间内完成。你面对的是前所未有的数据洪流，所以这两个生态系统必然会合流。
主持人： 那对于正在创业的创始人来说，在这种"融合"之下，应该如何理解自己的定位？
Tomasz： 我觉得有两个点。第一，数据世界正在和 AI 世界融合，这不是概念，而是现实。第二，没有人真的知道未来会长什么样。大家都可以装作自己知道，但事实上，如果你今天是软件买家，你真正想找的，是一个值得信任的伙伴，一个你相信在未来 3 到 5 年里能持续带你穿越变化的人。无论是工程负责人、数据负责人、销售负责人还是市场负责人，他们现在想找的，都不再是一个传统软件时代那种"点状功能"的点解决方案。他们要找的是一个能逐步替他们构建 3 个、5 个、10 个、甚至 50 个 agent 去解决需求的人。你要卖给客户的，不只是今天的产品能力，而是"你能否成为未来的可信赖向导"。
4. 产品—市场匹配不再是一次性的，而是持续性的
主持人： 你在 2025 年 10 月写过一篇文章，说产品市场匹配已经不再是一个静态的、二元的概念。过去我们说 PMF 达成了就是达成了，现在你说它变成了连续状态。创始人和经营者该怎么理解？
Tomasz： 在 2010 到 2021 年那段时间里，大家对 PMF 的理解通常是：先找到产品市场匹配，然后开始规模化。产品一旦成型，经济模型、关键指标、扩张路径基本都比较清楚，剩下的问题主要是融资和执行。但今天不是这样。拿基础模型公司举例，一家 foundation model 公司做出一个 SOTA 模型，可能只有 35 天时间把它商业化，否则就会被别人超越。
主持人： 35 天？
元股证券:ygzq.hkTomasz： 对，就这么短。可别忘了，这背后可能是 50 亿到 100 亿美元的投资。软件领域也是一样，如果你做出一个独特的东西，它非常容易被快速复制。所以你必须不断往前推、持续往前推，股票配资，多空杠杆，炒股杠杆配资，双向交易这就是我们说"产品市场匹配是连续的"的原因。不是你达成一次就完事了，而是你要不断重建。而且买家的需求本身也在变化。随着他们越来越理解 AI 能做什么、不能做什么，他们对产品的期待会不断调整。所以，不只是你在追赶市场，市场也在动态变化。
5. Agent 正在进入采购委员会，营销从此要面对"人 +Agent "两种受众
主持人： 你最近也一直在谈 AI 对销售配额、营销、广告的影响。你现在看到的最大变化是什么？
Tomasz： 我最近采访了 Lena Waters ——她做过 Notion、Grammarly、DocuSign 的 CMO。她有个很重要的观察：现在买家的购买路径已经完全不同了。买家比过去更多地借助 agent 进行自我教育。这意味着，你今天面对的不再只是一个受众，而是两个受众。第一个当然是人，比如工程负责人；第二个则是这个工程负责人的 agent。因为在他真正拿起电话联系供应商之前，他很可能会先咨询 agent，让 agent 帮他筛选和判断。这意味着，agent 已经成为企业内部一个全新的"购买委员会成员"。假设是一位工程负责人在做决策，那么现在的购买委员会里可能同时有 AI 负责人、法务负责人，外加一个 agent。突然之间，你要面对的决策动力学就从过去的三个人、四个人之间，扩展成了"人类—人类—代理"共同参与的过程。如果你卖的是大单，你就必须学会怎么在这种新型购买共同体里成功穿行。
主持人：这让我感觉整个购买流程变得前所未有地多层次。好像第一层先是 agentic process，也就是代理先做资格审查和调研；第二层才是偏情感和信任的人类互动。它未必是线性的，但肯定是两个不同的层同时在发挥作用。
Tomasz： 对，是两种不同 persona。它直接改变了内容、网站、产品展示方式。我前几天在 HumanX 大会上，还听 Carta 的负责人说，他们已经不再继续投资自家网站和移动 App，也不打算再做新的产品开发了。
主持人： 这很激进。
Tomasz： 是的。他的意思是，未来一切都将面向 agents。
主持人： 这点我很好奇，因为我和 Webflow CEO Linda 以及一些还在重仓网站空间的人聊过。他们的看法不是"网站消失"，而是网站会变成一种更偏向 revenue source、也是给 agents 提供真实信息源的东西。人类可能不再像以前那样亲自浏览，但网站依然承担某种"被代理读取的真相层"。
Tomasz： 我同意，这就是演化方向。问题变成：你到底在不在乎可视化？很多营销和品牌活动，本质上是在通过情绪建立信任，而 agent 至少现在还不会被情绪打动。所以你要怎么说服一个 agent？当前答案很简单：文本，纯文本。原始 markdown、事实陈述、清晰表达、权威内容。对 agent 来说，这些才是最重要的。
这也意味着，营销团队未来可能会有两条并行轨道：一条是给人类看的 discoverability，一条是给 agents 做信息传递和可发现性优化。随着越来越多初步筛选和资格审查先由 agent 对 agent 完成，企业就得重新思考内容包装、分发和信息结构。
主持人： 从 go-to-market 角度看，你在数据领域观察到哪些新的模式？
炒股配资排名Tomasz： 我觉得大家都在试图理解 agent 的含义。Agent 是一种新的分发渠道。比如，当某个 agent 在决策过程中说"我们应该用这个数据库"或者"我们应该用那个数据库"，那你能否通过 cloud skills、渠道关系或其他方式进入那个决策路径，就会变得非常关键。第二个问题是定价模型的重构。过去很多数据基础设施公司的商业模式都偏 consumption-based，像 Snowflake、Databricks 就是典型例子。但推理市场的规模，比数据仓库计算大一到两个数量级。所以你怎么设计自己的定价结构，才能真正暴露在推理增长的上升通道里，这是一个核心问题。第三，是规模能力。你怎么给自己的产品和技术做定位，让它可以承接非常非常大的吞吐量？这不是抽象问题，而是活生生的生死问题。
主持人： 你也提到过 Vercel 用一个 AI agent 加半个兼职工程师，替代了大约 9 个 SDR。除了这些 go-to-market 场景，AI 对团队层面的影响你还看到了什么？
Tomasz： 在销售领域，SDR 和 BDR 的角色正在发生真正的转型。全自动化地替代这些角色，是一个重要而且单向的变化，我认为这是现实，而且很重要。不过另一方面，我们也要区分消费品购买和企业级销售。如果你问 AI "最好的跑鞋是什么"，你大概率会信；你问"该买哪台笔记本电脑"，你大概也会信；甚至你问"我应该买哪辆车"，这是 2 万到 3 万美元的决策，你都可能愿意外包给 AI。但企业销售复杂得多。人与人之间建立信任的需求，仍然会持续存在。虽然我们最近刚遇到一家公司，正在做一种能够真正"影响你"的 agent。
主持人： 什么意思？
Tomasz： 有个 benchmark 叫 Giving for Good。一个 AI agent 会和你对话，试图说服你给某个慈善机构捐款。不同的 AI 系统会用不同的话术、策略，它们会根据历史数据被评分：到底能多大程度上提高你的捐赠意愿，以及最终的捐赠金额。
主持人： 它是通过打字聊天来做这件事？
Tomasz： 对。你会说："告诉我更多关于这个慈善机构的信息。"它就会继续说服你；你会说"我更关心这些问题"，它会顺着你的价值观去组织论述，然后告诉你哪个机构更匹配。它越能说服你，得分就越高。把这个机制迁移到商业世界，你就可以想象一个 agent 对你说："我真的认为你应该用 Omni 作为 BI 平台。"于是问题就来了：这到底是好事还是坏事？是伦理的还是不伦理的？应该怎么使用？我觉得这些问题都会在营销世界里出现。与此同时，创意自动化也在加速，图像和视频生成都在迅速进入广告系统。你也会看到强化学习正在广告定向中被使用，Meta 在这方面发过很多论文，效果相当显著。再往上看一层，你会发现几乎每个岗位都在被重新想象。所以，很多最前沿的领导者，越来越倾向于招聘通才，而不是过于狭窄的专才。
主持人： 你自己在团队建设上也是这么做的吗？
Tomasz： 非常是。我们团队里有一半是 AI 工程师，而且我觉得在很长时间里都会保持这样。别人可以从 AI 里获得杠杆，风险投资当然也会，而且迟早一定会以某种形式参与进来。
我们一直说，VC 其实也是在经营一家公司，只不过形式不同。如果你不去采用 AI，不去像软件公司那样重构自己的工作方式，那你迟早会撞上增长天花板。别人会继续前进，而你停在原地。
6. 个人使用、MCP、图像视频创业机会，以及成功公司的共性
主持人： 除了公司层面，单就你个人作为投资人，你最喜欢、最有变革感的 AI 用法是什么？
Tomasz： 对我来说，一个很重要的用法是：你在会议里或者刚结束一场会议时，总会冒出一些你本来永远不会腾出时间去研究的问题。AI 很适合做这种事。比如昨天有人给我推荐一本关于网球心理学的书，说特别好。那我大概率不会真的读完，但我可以让 AI 先帮我总结，再告诉我这本书对风险投资能有什么启发。它让你的知识边界被拓宽了，这一点很强大。
主持人： 回到公司层面，你们招这么多 AI 工程师，到底在做什么？
Tomasz： 一个关键目标，是尽可能真正理解这些系统是怎么工作的，因为这会反过来影响我们的投资判断。当然，我们也会做很多有趣的实验。比如上周有人在办一个"给 MCP 办葬礼"的活动，因为市场上一直有声音说 MCP 可能不会成为主流技术。于是我们做了个叫 RIP GREP 的东西，用来识别哪些技术看起来像"快死了"，但实际上并没有死。MCP 就是个典型案例。
主持人： 所以你其实是在说，MCP 并没有死。
Tomasz： 对，至少我不这么看。直接通过 API 调软件当然在很多场景下很好用；但 MCP 的价值在于，如果你是一家大公司，想把一整套能力分发给财务团队之类的大量内部用户，MCP 可能是最简单、也最容易控制的方法。所以它们不是相互排斥的，而是各有适用场景。
主持人： 如果今天让你重新开始做一家数据公司，你最兴奋的方向是什么？
Tomasz： 图像和视频。因为那里的数据量太大了。我们很幸运投了一家做这个方向的公司 LanceDB。你会直观看到，单张图片就可能比文本文件大 1000 到 10000 倍，而视频又会比图片再大两到三个数量级。如果我们今天只是"搬运文本"就已经很吃力了，而定制化视频、机器人又都在快速到来，那么整个世界显然需要更大得多的基础设施去支撑。
主持人： 在你投过的那些非常成功的公司里——包括像 Customer 这样的公司，甚至还有很多现在外界还没完全看见结果的项目——你觉得它们有什么共性，是创始人可以借鉴的？
Tomasz： 一个非常被低估的点，是对某个行业历史的理解。这非常重要。第二次创业的创始人之所以成功率这么高，尤其是那些在第一次创业的同一领域里再次创业的人，是因为他们认识里面的人，理解这个领域是怎么一步步走到今天的，也知道过去踩过哪些坑。所以那种基于领域历史的深度专精，非常有力量。今天有了 AI，你可以更快理解自己的核心领域，但理解"历史脉络"本身仍然是关键资产。
主持人： 我想，人脉和分发能力应该也是同样的重要吧。尤其是如果你一直在同一个生态里做事，那种连接和渠道会变成非常不公平的优势。现在我们也看到，大家比过去更依赖生态合作和伙伴关系了。
Tomasz： 是的，这点确实如此。还有一个变化也很大：PR 已经成为一个比过去重要得多的分发渠道。大众媒体今天愿意用一种过去对传统软件不会采用的力度去报道 AI。再有就是渠道的提前介入。过去除了安全软件外，很多公司要到 1500 万、2500 万，甚至 3000 万 ARR 才会真正上渠道。但今天，我们已经看到中低个位数 ARR 的公司，就开始有效利用 channel partner 了。
7. 最后给创始人的建议
主持人： 如果说一个你现在持有、但可能和主流不完全一致的判断，或者说 hot take，会是什么？
Tomasz： 我认为，AI 的影响依然被整体低估了。它的变革性会非常彻底，尤其会体现在组织设计上。今天的公司结构，本质上还是沿用"计算机发明之前"的很多管理假设，这件事其实很惊人。比如"产品经理"这个角色，可能也就 40 年历史。可未来，AI 会彻底改变公司是如何被组织起来的。如果把一家公司的结构粗略切开，看作高层管理、中层管理和执行层 / 个体贡献者，那么今天大致可能是 5%、75%、20% 这样的比例。五年之后，它看起来绝不会还是这样。
主持人： 这确实很疯狂，也太有变革性了。包括你写过的 AI agent 定价问题，也说明这种变化已经远远不只是"多一个工具"这么简单。最后，你想给创始人留一句什么建议吗？
Tomasz： 我唯一真正想说的是：没有人真的知道标准答案是什么。我们正处在一个巨大的实验期里。你能做的最好的事，就是双脚跳进去，自己把答案试出来。
主持人： 这真是很棒的建议。你有很棒的博客和写作，大家还可以在哪里继续关注你？
Tomasz： 可以在 Twitter、LinkedIn 找到我们。我们最近还做了一个叫 Office Hours 的系列，会邀请很多高管来参加，最有趣的是，大家可以直接拨进来提问，我们会把你的问题带进对话。
主持人： 我个人也很喜欢你之前做的 Run Kuru。非常感谢你来参加这期节目。
Tomasz： 很高兴来实盘可查平台可靠吗，感谢邀请。
权威配资网提示：本文来自互联网，不代表本网站观点。
