编者按：在 AI 进入资本、算力与产品密集竞赛的背景下，行业讨论正在从「模型能力还会不会继续跃迁」转向「谁能在这轮基础设施重构中真正留下」。过去两年，市场习惯用模型参数、benchmark、融资规模和估值变化理解 AI 竞争；但当大模型能力持续逼近、头部实验室差距暂时收敛，一个更底层的问题开始浮现：AI 时代的长期优势，到底来自技术领先，还是来自人才、算力、分发、组织与市场窗口的系统性组合？

本文编译自 Tim Ferriss 与 Elad Gil 的一场长对谈。Elad Gil 是硅谷知名创业者与早期投资人，曾参与投资 Airbnb、Stripe、Coinbase、Perplexity、Harvey、Anduril 等公司，长期关注技术周期与高增长公司演化。

在这场对谈中，Elad Gil 并未试图预测某一家 AI 公司最终会胜出，而是将 AI 竞争拆解为一组更底层的结构性问题：人才如何被重新定价，算力瓶颈如何限制头部实验室拉开差距，应用公司如何识别自身的退出窗口，以及创业公司如何从产品能力走向真正的组织化扩张。

这场对谈可以从五个方面来理解。

第一，是 AI 人才市场的变化。过去，财富跃迁通常发生在公司 IPO 之后，一家公司上市，早期员工和创始团队随之完成资产重估。现在，Meta 对顶级 AI 人才的激进竞价，迫使其他科技巨头匹配薪酬包，使一小批分散在不同公司的研究员提前经历了一场「个人 IPO」。这意味着，AI 人才不再只是公司内部的研发资源，而正在成为决定技术竞赛速度的稀缺资产。

第二，是算力约束从单一芯片问题变成供应链问题。过去，市场往往把 AI 基础设施理解为「谁能买到更多 NVIDIA GPU」。但 Elad Gil 强调，当前真正的瓶颈可能在内存、封装、数据中心建设和电力等环节。短期内，这种供应链约束反而会让 OpenAI、Anthropic、Google 等头部实验室难以彻底拉开差距。换句话说，AI 竞争不是单点突破，而是一场围绕资本开支、制造产能和基础设施协调能力展开的长期战争。

第三，是 AI 应用公司的生存周期。过去，创业者容易把高增长等同于长期价值，尤其在技术浪潮早期，估值、收入和用户增长都会快速放大。但 Elad Gil 的判断更接近周期视角：每一轮技术革命中，绝大多数公司最终都会消失，AI 不会例外。因此，对于许多成功的 AI 应用公司来说，未来 12 到 18 个月可能不是继续融资的窗口，而是价值最大化的退出窗口。真正的问题不在于公司是否增长，而在于它是否具备十年后的持久性。

第四，是护城河的重新定义。过去，软件公司的优势往往来自产品体验、数据、渠道或品牌；现在，AI 应用公司的关键在于能否嵌入客户工作流，成为难以拔出的系统。底层模型变强，并不自动让所有 AI 应用受益。只有那些随着模型进步而产品同步变强、同时深度绑定企业流程和专有数据的公司，才可能穿越周期。

第五，是创业公司扩张方式的再理解。Elad Gil 在谈到书籍《如何扩张创业公司》时强调，高增长并非自然发生。董事会、融资、组织管理、分发体系和并购决策，都需要被主动设计。真正的大公司不仅有好产品，也往往拥有极强的分发机器。Google 工具栏、Facebook 买用户姓名广告、TikTok 的大规模投放，都说明增长从来不是一个浪漫故事，而是一套被系统执行的商业工程。

AI 的长期竞争不会只由模型能力决定，而会由人才、算力、市场窗口、分发能力和组织设计共同决定。在这个意义上，本文讨论的对象，已经不只是 AI 公司如何赢，而是新一轮技术周期里，什么样的公司才有资格活到下一阶段。

以下为原文内容（为便于阅读理解，原内容有所整编）：

TL;DR

·AI 人才战已经从招聘竞争变成财富重估，Meta 抢人本质上让一小批顶级研究员提前完成了一次「个人 IPO」。

·AI 短期竞争的关键瓶颈不只是芯片，而是内存、封装和数据中心组成的供应链系统，这会让头部实验室在未来一两年内难以彻底拉开差距。

·AI 公司的增长速度正在刷新科技史，但历史规律没有改变：大趋势成立，不代表大多数公司都能穿越周期。

·未来 12 到 18 个月可能是许多 AI 应用公司的估值窗口期，因为一旦增长放缓、产品被实验室复制，退出价值会迅速下降。

·真正能留下来的 AI 公司，不是简单调用模型的公司，而是能控制入口、嵌入客户流程，并随着底层模型变强而同步变强的公司。

·Elad Gil 的投资方法不是追逐热门概念，而是先判断市场是否足够大、是否刚刚被打开，再看团队能否抓住这个窗口。

·创业公司做大从来不是自然发生的，董事会、融资、组织扩张和分发机器都需要被主动设计。

·AI 最大的产业意义不是让软件更聪明，而是把原本封闭的法律、企业服务、白领工作等市场重新打开，让「卖工具」转向「卖认知劳动」。

访谈原文

AI 人才正在经历一场个人 IPO

Tim Ferriss：Elad，很高兴见到你。谢谢你抽时间来，真的很感谢。

Elad Gil：我也很高兴见到你，一如既往。

Tim Ferriss：我想我们可以从刚才录制前聊到的那个话题开始，或者说，是你刚才在解释的一个新现象。你能不能把我们刚才聊的内容再讲一下？

Elad Gil：当然。我们刚才在聊 AI 领域正在发生的一些收购。比如，看起来 xAI 刚刚获得了一个实际收购 Cursor 的期权。当然，Scale 也被 Meta 部分收购了。过去一两年里，这类交易已经发生了不少。

除此之外，我们也在讨论：这对 AI 研究社区，以及整个 AI 社区意味着什么？我觉得过去一年左右发生的最有意思的事情之一，是 Meta 开始非常激进地竞价争夺 AI 人才。这其实是一个非常理性的策略。既然他们要在算力上投入数百亿美元，那么拿出真正的预算去抢人，就是合理的。

通常在科技行业里，会发生这样的情况：某家公司上市，一批来自这家公司的人因此获得巨额财富。然后其中一部分人会继续埋头苦干，专注于原来的使命；另一部分人则开始分心。他们可能去做一些服务社会的兴趣项目，可能参与政治，可能去创业，也可能干脆抽身出来，去海边躺平之类的。

而最近发生的事情是，由于 Meta 开出了高额报价，其他科技巨头也不得不为自己最优秀的研究人员匹配相应报价，于是大概有 50 到几百人，实际上经历了一次「IPO」——但不是作为某家公司，而是作为一个群体。他们并不在同一家公司，而是分散在硅谷各处，但他们的薪酬包突然大幅上涨，某种意义上经历了类似公司上市带来的财富跃迁。这非常少见，可以称为一种「个人 IPO」。

我能想到历史上唯一类似的情况，可能是在加密行业。当时一批非常早期的加密货币持有者或创始人，作为一个群体，在 2020 年——或者更准确地说，可能是 2017 年前后——突然实现了某种意义上的「集体上市」；后来更近一段时间也再次发生过类似情况。

但这件事真的很有意思，而且讨论得还远远不够。它未必会带来巨大的长期影响，但它确实意味着，一部分人的关注重点会发生变化。他们可能会去做一些宏大的科学项目，试图帮助人类；也可能转向 AI for Science 这类方向；还有些人可能会离开原来的路径，去追求个人使命或其他事情。

Tim Ferriss：是的。或者干脆「安静离职」，开始大量嗑药，追逐各种欲望。我的意思是，这种情况也会有。

Elad Gil：那当然，肯定也会有。

Tim Ferriss：这种情况下，你看奥斯汀，就有一批所谓的「Dellionaires」——也就是戴尔上市后因为股票暴富的早期员工、相关人士等等。但如果把他们作为一个群体来看，当这种事情发生时，我想我们并不知道它的影响会有多大、会持续多久，但显然会产生一些后果。

而在我认识的人里，既足够懂技术，又有足够广的视野和人脉，能够持续观察 AI 的，其实没有几个。某种程度上，如果有人能够相对全面地观察这个领域，我会把你归到这一类。

你这周写了一篇文章，也谈到了这里面正在发生的其他因素，比如 AI 实验室面临的算力约束，以及这可能对未来一到五年产生的影响。这篇文章大家应该去看，标题是《凝视迷雾重重的 AI 前沿时的一些随机想法》。顺便说一句，标题不错。

Elad Gil：很戏剧化。

Tim Ferriss：是的，很戏剧化，我很喜欢，也很有画面感。不过，在我们进入算力约束这个话题之前——我确实希望你接下来讲讲这个——但对于那些对人才大战没有太多背景的人来说，你刚才提到 Meta 开始激进抢人。在高端人才层面，这些薪酬、股权包，或者整体补偿方案，大概是什么水平？

Elad Gil：我没有掌握完整范围的确切信息，也不知道所有细节。但根据传闻，以及已经进入媒体报道的一些说法，这些报价大概是每人几千万美元到数亿美元不等。

当然，能够拿到这种超高待遇的人数非常少。但核心逻辑是，我们正处在有史以来最重要的技术竞赛之一。AI 越快变得更强，随之释放出来的经济价值就越大。因此，对于少数几个在这个领域真正处于世界顶尖水平的人，公司愿意支付远超常规的价格。

五年、十年前，这些人当然也拿着很高的薪酬，但那完全是另一回事。因为当时 AI 还不是整个科技行业的核心。更重要的是，从社会、政治、教育、医疗等层面来看，AI 都将带来非常广泛的影响。我认为总体上这些影响会是积极的，但这确实是一个转型时刻，所以这些薪酬包突然大幅上涨。

算力战争的瓶颈，暂时不在芯片，而在内存

Tim Ferriss：你最近那篇文章里提到的算力约束，具体是什么？

Elad Gil：现在大家把这些公司叫作「实验室」——比如 OpenAI、Anthropic、Google、xAI 等等。所有这些实验室，本质上都在训练巨型模型。

具体来说，你要从 NVIDIA 购买大量芯片。但实际上，你搭建的是一整套系统：里面有 NVIDIA 的芯片，有来自 SK hynix、三星以及其他厂商的内存，还要建设数据中心。构建这种大型系统和数据中心，需要投入很多环节。

你基本上是在搭建由数十万、数百万台系统组成的集群，而且规模还在不断上升。这些系统来自 NVIDIA，也可能来自其他供应商。Google 有自己的 TPU，行业里也有其他系统。你用这些基础设施来训练 AI 模型。

这意味着，你会把海量数据跑在这些巨大的云集群上。最疯狂的是，最终输出的模型，字面意义上其实像是一个扁平文件。它有点像输出一个文本文件之类的东西。然后你再加载这个文件，用它来运行 AI。仔细想想，这件事非常疯狂：你用一个巨大的云系统跑上好几个月，最后产出的东西，竟然是一个小文件。

而这个小文件，某种程度上混合承载了互联网上可获得的人类知识，以及逻辑、推理能力和其他能力。

你也可以从人脑的角度理解这件事。人类有三四十亿个 DNA 碱基对，它们足以规定你这个物理个体的一切，也包括你的大脑、心智、运作方式，决定你如何看见事物、如何说话、如何品尝、如何拥有各种感官。所有这一切，其实都被封装在数量相对很小的一组基因里。

类似地，人类知识也可以被有效地封装进这样一个小文件里。

Tim Ferriss：那你怎么看这些约束？约束具体在哪里？

Elad Gil：每一年，构建这些用于训练 AI 的大型云集群，都会遇到一些约束。此外还有所谓的 inference，也就是推理阶段：当你真正使用这些芯片来理解、运行 AI 系统本身时，也需要大量 NVIDIA 芯片，或者 TPU，以及其他芯片。

但除了芯片本身，你还需要其他东西。比如，你需要封装能力，才能真正把芯片封装起来。所以围绕这些系统的建设，有一整条供应链。

这条供应链的不同环节，在不同时间都会出现不同的瓶颈。现在主要的瓶颈是内存，或者更准确地说，是某一种特定类型的内存。这类内存主要由韩国公司生产，当然也有其他更广泛的供应商。

业内普遍认为，这个内存瓶颈可能会持续大约两年，上下会有一些浮动。因为归根结底，这些公司的产能低于系统中其他环节的产能。

有人认为，未来的其他约束可能会变成数据中心本身的建设能力，或者运行这些系统所需的电力和能源。但就目前而言，主要瓶颈是内存。

整个行业现在都受限于能买到多少算力，然后把这些算力投入到模型训练和运行中。这会带来一个结果：短期内，它给模型规模扩张加上了一个天花板。因为每一家实验室都在尽可能多地购买算力，很多初创公司也在尽可能多地购买算力，所有人都被卡住了。

这意味着，短期内，模型能做多大、推理能跑多少、你现在实际能用 AI 做多少事情，都会受到一个人为天花板的限制。

但这也意味着，它实际上强制形成了一种局面：没有任何一家实验室能远远甩开其他所有人。因为它没办法买到其他人十倍的算力。

而这里面有一个规模定律：你拥有的算力越多，通常就越能训练出更大的 AI 模型；在很多情况下，模型最终的表现也会越强。

这可能意味着，在未来大约两年里，这些实验室的能力大概率会相对接近。因为没有谁有足够产能可以突然拉开距离。

但当这个约束被解除之后，确实存在这样一种可能：某家公司突然大幅领先其他所有公司。现在 OpenAI、Anthropic、Google 在能力上其实比较接近，当然有些公司会在某些方面领先，另一些公司会在其他方面领先。大家普遍认为，由于这个瓶颈，未来至少两年左右，这种相对接近的状态应该会大致延续。

Tim Ferriss：Google 也同样受到三星、Micron 等公司内存供应的限制吗？他们和其他玩家一样，也受到类似约束？

Elad Gil：目前所有人基本都受到类似约束。其中一些实验室，要么已经在自研芯片，要么在自研系统。比如 Google 有 TPU 之类的东西，Amazon 也造了自己的芯片，叫 Trainium。不同公司有不同系统，但本质上，它们都受限于自己能生产多少、能购买多少。

一两年前，主要瓶颈是封装；现在是内存。两年之后谁知道呢，也许会变成别的东西。在推进这轮基础设施建设的过程中，我们会不断撞上新的瓶颈。

Tim Ferriss：我这个问题可能会显得很外行，因为我是个「麻瓜」，写不了技术白皮书，也写不了任何接近那种东西的内容。但在我看来——当然不止我一个人这么说——我们可能更擅长预测问题，而不是预测解决方案。

比如很久以前，当汽油价格涨到某个水平以上时，大家开始预测灾难和崩溃。但当每桶油价超过某个水平之后，新的开采方式突然变得可行，于是资金开始投向水力压裂之类的技术。

所以有没有一种可能，在 AI 算力瓶颈这件事上，也会出现某种绕开的办法？类似这种逻辑，不知道这样说有没有道理。也许根本没有。

Elad Gil：据我所知，至少目前还没有。部分原因在于，这些东西的建造方式决定了它很难被绕开。

比如内存所需要的产能，本质上依赖某一类晶圆厂。所以你需要时间去建设晶圆厂、采购设备、铺设产线。这是一个传统的资本开支和基础设施建设周期。

而这些公司之前在这方面投资不足，因为它们当时并不完全相信其他人对 AI 需求的预测。现在它们只能努力追赶。

所以这就变成了一种情况：所有人都在说，「AI 增长得这么快，怎么可能一直保持这种速度？」但它确实还在继续这样增长，而且就是不停地增长。原因在于，这些能力的影响力太大，也太重要了。

你看这些公司的收入，会非常有意思。我之后可以把图发给你。我们团队的 Jared 做了一张图，整理了不同公司从收入达到 10 亿美元，到从 10 亿美元增长到 100 亿美元，再从 100 亿美元到 1000 亿美元，分别花了多久。

历史上真正做到这些规模的公司，其实数量很少。你可以按不同代际的公司去看它们花了多长时间。比如我记不清了，可能是 ADP 之类的公司，它们花了 30 年才做到 10 亿美元收入。而 Anthropic 和 OpenAI 一年就做到了。

Google 当年可能花了四年，具体数字我记不太清，但大概就是这样：越往后的公司世代，达到规模的速度越快。现在据传 OpenAI 和 Anthropic 各自的年化收入都已经在 300 亿美元左右。

Tim Ferriss：这太疯狂了。

Elad Gil：因为四年前，它们还没有任何收入。而 300 亿美元大约相当于美国 GDP 的 0.1%。所以 AI 可能已经从零增长到 GDP 的 0.5%，至少从收入贡献角度看是这样。

如果继续外推，假设它们在未来一年、两年，或者某个时间点达到 1000 亿美元收入，那我们就会接近这样一种状态：这些公司每一家都可能占到 GDP 的 1% 或 2%。你仔细想想，这真的很离谱。

Tim Ferriss：太疯狂了，真的太疯狂了。

Elad Gil：这些东西确实非常重要，也非常有用。而且这还不包括 Azure 因 AI 业务获得的云收入，也不包括 Google Cloud 或 Amazon 的相关收入。这里只是在说 OpenAI 和 Anthropic 这两家公司。真的很夸张。

Tim Ferriss：我很想深入了解你的思考方式。因为在我见过的人里，你是最擅长第一性原理思考，也是最擅长系统性思考的人之一。我很喜欢和你聊天，因为我总能学到新东西，而且不一定是某个具体数据点，很多时候是一个看问题的视角，或者一个思考框架。

而且你的框架本身也在不断演化。比如我之前看过你和 First Round Capital 做的一次采访，那应该是很久以前了。你当时谈到，你看投资时会先看市场，其次才看团队实力。你也提到自己当年错过了 Lyft 的 C 轮投资。当时，这个判断部分取决于你对市场格局的判断：它到底是赢家通吃，还是寡头竞争，或者其他形态。

我很好奇，在 AI 领域里，你现在是怎么思考这个问题的。因为在我认识的人里，你几乎是最早开始朝这个方向布局的人之一，甚至可能是最早的。

所以你现在怎么看？这也和你文章里提到的一句话有关。我还没听到别人这么说过，但我可以把这句话拿出来作为提示——虽然我觉得你不需要提示。

你写道：正在经营成功 AI 公司的创始人，都应该认真、冷静地考虑，在未来 12 到 18 个月内退出。这可能是实现结果价值最大化的时间窗口。

你还回顾了互联网泡沫破裂时公司的存活率，以及后来真正突围公司的比例。你是怎么思考这个问题的？能不能解释一下这句话？

Elad Gil：当然。

Tim Ferriss：另外，也想请你解释一下，你现在怎么看这个市场最终会形成什么样的格局？你觉得它会是赢家通吃，还是寡头竞争？或者会出现别的动态？

Elad Gil：如果看历史先例——当然，这并不意味着 AI 一定会重演同样的路径——但几乎每一轮技术周期里，90%、95%，甚至 99% 的公司最后都会倒下。

这可以一直追溯到一百年前当时所谓的「高科技」行业，也就是汽车行业。当年底特律有几十家汽车公司，还有几百家供应商，最后整个行业收缩成了少数几家汽车公司。这并不是什么新故事。

再看 90 年代的互联网周期，或者说互联网泡沫。1999 年大概有 450 家公司上市，2000 年前几个月又有大约 450 家公司上市，也就是说已经有 900 家。再加上之前几年上市的 500 到 1000 家公司，总数大概在 1500 到 2000 家之间。

这些公司都已经上市了，也就是说，某种程度上它们已经「成功」了。但这些公司里，今天还活着的有多少？可能十几家，也许二十几家。也就是说，在 2000 家公司里，大概有 1980 家以某种形式消失了，或者被很低的价格收购了。

所以我们没有理由认为 AI 周期会有什么不同。每一轮周期都是这样。SaaS 是这样，移动互联网是这样，加密行业也是这样。大多数公司都不会成功，只有少数公司会留下来。我们可以讨论哪些公司会留下。

所以，如果你现在正在经营一家 AI 公司，你应该问自己一个问题：你的公司到底具备什么样的持久性？十年之后，你会是那十几家、二十几家真正重要的公司之一吗？还是说，现在其实是一个很好的出售窗口？因为你正在做的事情可能会被商品化，可能会被大模型实验室直接竞争，或者市场变化、技术变化会让你变得过时。

当然，会有少数公司继续变得非常伟大。它们不应该卖，也不应该退出，而应该继续往前走。但很可能有很多公司，现在，或者未来 12 到 18 个月，就是它们能为自己所做的事情拿到最高估值的最佳时刻。

对每家公司来说，都会有一个价值最大化的时刻。它们会达到某个峰值，而且这个峰值通常是一个窗口期。通常是 6 个月、12 个月。在那段时间里，你做的事情足够重要，增长足够快，一切都在运转良好，而某些逆风还没有真正袭来。

有时候，这些逆风其实是可以预见的，你能看到它正在靠近。而且很多时候，你可以从增长的二阶导数里看到它。也就是说，你的增长速度开始有点趋于平缓。这个时候，你要么继续往上冲，要么就应该考虑出售。这就是我那句话真正想表达的意思。

从我们前面的对话你也能看出来，我对 AI 极度看好。所以这不是说我不看好 AI 带来的整体变革，而是说，在这场变革里，最终只有少数公司会持续重要。关键问题是：你到底是不是其中之一？

如果你是，那你永远、永远、永远都不应该卖。

AI 公司如何穿越周期？要么控制入口，要么嵌入工作流

Tim Ferriss：那这少数公司有什么特征？我是说，那些真正拥有持久优势的公司。回头看 2000 年，你会想，当时到底该用什么标准去挑出 Google 和 Amazon？

Elad Gil：是的。

Tim Ferriss：我不是说互联网泡沫就是最好的比较对象。但在现在这场 AI 公司雪崩式涌现的浪潮里，你认为哪些公司具备持久优势？

当然，一些知名大模型实验室会很自然地进入脑海。也许它们会变成所有其他应用的入口，谁知道呢。但你会怎么回答？从共同特征来看，或者从具体公司名字来看，你觉得能留下来的少数公司，和其他公司到底有什么区别？

Elad Gil：我认为核心大模型实验室会存在相当长一段时间。比如 OpenAI、Anthropic、Google，只要不发生某种事故、灾难或者内部爆炸式崩盘，它们看起来都处在一个相对稳固的位置。

至于你提到的市场结构，我大概三年前写过一篇 Substack，当时预测这可能会是一个寡头市场：会有少数几家公司，并且它们会和云厂商绑定在一起。现在看，大体上确实如此。当然，现在还有 Meta、xAI，以及其他可能改变格局的玩家。当年我写那篇文章时，这些变量还不存在。

但在我看来，短期内这仍然是一个寡头市场。它没有理由天然变成垄断市场，除非其中某一家在能力上领先太多，以至于它自然成为所有人的默认选择。这种情况当然有可能发生，但目前还没有发生。而刚才说到的算力约束，短期内可能会阻止这种情况，或者至少对它形成一定限制。

如果你沿着技术栈往上看，进入应用层，就会看到不同类型的应用公司。比如法律领域的 Harvey，医疗领域的 Abridge，客户成功领域的 Decagon 和 Sierra。每个应用方向上，都有一些公司。

判断这些公司能不能长期成立，可以用三四个视角来看。

第一，如果底层模型变得更好，你的产品或服务会不会也因此对客户变得显著更好，并且让客户仍然愿意继续使用你？

第二，从产品角度看，你做得有多深、多广？你是不是在构建多个产品？这些产品是不是被整合成一个连贯的整体？它是否真的被嵌入了企业内部流程，而且嵌入到一种很难被拔掉的程度？

很多时候，公司采用 AI 的真正问题，并不是「这个 AI 到底有多好」，而是「为了采用它，我需要多大程度改变现有工作流，以及员工做事的方式」。这通常是变革管理问题，而不是技术问题。

所以，如果你已经足够深入地嵌入客户的工作流、业务方式、组织协作方式，以及各种系统之间的连接方式，这种位置往往会更持久。

第三，你是否在捕捉、存储并使用专有数据？有时候这很有用。总体来说，我认为所谓「数据护城河」经常被夸大，但在某些情况下，它确实非常有价值。这通常对应的是「系统记录」（system of record）式的世界观。

所以，判断一个东西是否具备长期防御性，会有一系列标准。而在应用层，这往往是其中一种重要视角。

Tim Ferriss：所以我有个问题。假设听众里有人正处在这种位置：他可能是一位创始人，应该考虑识别自己公司估值最高的短暂窗口，然后在某种程度上「拉开降落伞」。那他有哪些选择？

因为我想到一些公司——我就不点名了——现在有不少公司估值已经达到数十亿美元。从我这个大多数时候还是外行的角度看，这些公司现在卖的东西，大模型实验室似乎并不是很难自己做出来。

那这些公司应该瞄准被某个大模型实验室收购吗？如果是这样，对实验室来说就会有一个「自己做还是买下来」的决策。或者，它们应该瞄准的不是 OpenAI、Anthropic 这类公司，而是那些想更深入参与这场游戏的公司，比如 Amazon，或者其他类似玩家。你怎么看它们的退出选项？

Elad Gil：我觉得退出选项其实很多。而现在非常疯狂的一点是，如果回到 10 年或 15 年前，全球最大公司的市值大概是 3000 亿美元。最大科技公司的市值，我记得可能是 2000 亿美元左右。当时最大的公司好像是 Exxon 之类的能源公司。

但过去 10 到 15 年里，情况突然变成了这样：我们开始拥有一批数万亿美元市值的公司。当时所有人都觉得这太离谱了，但实际上，公司规模很可能只会继续变大。未来最大的赢家可能会出现更强的聚合效应，而不是更分散。

现在，越来越多公司的市值处在 1000 亿美元到几万亿美元之间，这是前所未有的。这意味着它们拥有巨大的购买力。因为一家 3 万亿美元市值公司的 1%，就是 300 亿美元。也就是说，我们只需要稀释 1% 股权，就可以用 300 亿美元买下一家公司。这是非常疯狂的。

这确实是史无前例的。也正因为如此，现在这些超大型收购是可以发生的。

Tim Ferriss：对于我脑子里想到的那些公司——我还是不想点名——它们可能看起来生命周期有限。我经常在一些小群里和朋友聊天，其中不少人是非常成功的科技投资人。然后我会问他们：「好，假设这五家公司摆在这里，你有 10 个筹码，你会怎么分配？」有些公司虽然知名度不低，但几乎总是拿到 0 个筹码。那为什么这些实验室会去买这样的公司？

Elad Gil：这取决于它具体是什么公司。而且买方未必一定是大模型实验室，也可能是大型科技巨头。比如 Apple、Amazon，Google 某种程度上两者都是。还有 Oracle、Samsung、Tesla，现在 SpaceX 也开始进入这个市场，做一些相关事情。不同类型的买方其实很多。还有 Snowflake、Databricks。如果你做的是金融服务，可能还有 Stripe、Coinbase。事实上，有一大批公司规模已经非常大，这就是重点。

所以，一家公司最后通常会卖给四类买方之一。

第一类，是大模型实验室、超大规模云厂商，或者大型科技公司。

第二类，是那些非常重视你所在垂直领域的公司。比如你做法律、会计或相关领域，Thomson Reuters 这类公司可能就会感兴趣。

另外，我觉得有一件事发生得还不够多，那就是竞争对手之间的合并，尤其是私营公司之间的合并。因为如果你的首要目标是赢下市场，而你和另一个竞争对手一直势均力敌，每一单都在竞争，还互相把价格打坏，也许更好的选择就是合并。

这其实就是 90 年代 X.com 和 PayPal 的情况。Elon Musk 和 Peter Thiel 当时分别经营不同的公司，后来他们选择合并，因为他们意识到：「既然我们两边都在做这件事，为什么还要继续打？」

Tim Ferriss：是的。或者很早以前的 Uber 和 Lyft。那可能不算合并，更像是收购。

Elad Gil：是的。传言是，那件事差一点就发生了，后来是 Uber 那边放弃了。但 Uber 这些年为了和 Lyft 竞争花掉的所有钱，可能还不如当时直接把它买下来。当然也可能不是这样，具体账我不知道。

但很多时候，选择说「算了，我们不要再互相消耗了，直接合并，然后一起去赢」，其实是有道理的。因为如果首要目标是赢下市场，而你本来就已经在和一批既有巨头竞争了，为什么还要让这件事变得更难？

Tim Ferriss：你知道，我们经常聊这个。但这次我想聊聊你作为投资人的视角。不过在你真正戴上这顶「全职投资人」的帽子之前，你的背景里已经有很多东西，可能帮助了你，也可能没有。我很好奇，如果你回头看自己的生物学背景、数学背景，你觉得这些东西，或者其他经历，有没有实质性地影响你对投资的思考？有没有给你带来某种优势？当然，赢得交易有不同阶段，但我们先只谈筛选，谈选择过程。

Elad Gil：我觉得数学对我有两方面帮助。

第一，它帮助我理解某些技术问题，尤其是算法、计算机科学相关的东西。有时候，这对理解 AI 里某些事情如何运作很有用。或者至少让我对数字、数据更熟悉。我不一定要把它叫作「书呆子语言」，但大概就是那种东西。

说实话，我当时读数学学位纯粹是因为喜欢。我觉得真正有帮助的地方也在这里。我只是读了一个数学本科，没有继续深入太远，但我学的是非常抽象的纯数学。

我认为这是一种很好的训练，它迫使你真正一步一步地进行逻辑思考。至少我当时学习如何做证明时，大概的方式是：你先建立一个逻辑序列，但有时候你也会进行一些直觉跳跃，然后再回头试着把它证明给自己看，或者把这种直觉背后的推理补充完整。

我觉得投资有时候也有点像这样。

Tim Ferriss：你第一次意识到自己可能擅长投资是什么时候？这个投资可以是广义的投资，也可以是在我们谈话语境里的创业公司投资、天使投资。你什么时候第一次觉得：「嗯，也许我在这件事上还不错」？有没有某个时刻、某笔交易，或者其他什么让你想到这一点？

Elad Gil：其实没有。我对自己要求非常苛刻，所以即使到现在，我也经常质疑自己。有人曾经告诉我，事后最喜欢反复责备自己的两个人，一个是我，另一个是另一位非常知名的创始人兼投资人。

所以我没有哪个单一时刻会想：「哇，这件事真的很适合我做。」它更像是自然而然地持续发生。因为我投进了一些非常强的公司，然后这又让我可以继续做下去。是的，我也希望自己有那种「顿悟时刻」。

Tim Ferriss：该死，你得像每个优秀创始人一样，重新改写一下自己的早期故事。

Elad Gil：对，从我七岁开始，我就一直在思考如何投资科技公司。

Tim Ferriss：那你是怎么进入那些交易的？有些人拥有信息优势，而且他们会把自己放在一个能获得信息优势的位置上。这个问题我不想问得太引导性，但对我来说，如果我当年没有在 2000 年搬到硅谷，后来又一直待在那里，尤其是搬到旧金山，我在天使投资上做成的任何事情都不可能发生。

但你的故事显然不止如此。因为很多人都搬去了那里，怀着通过创业公司致富的希望，不管是以什么身份。当然我不是说你是为了这个搬去的。但到底是什么让你能够进入那些交易？基于我们过去的聊天，我脑子里会想到一些因素，但我先不说。为什么你能够进入，或者选中那些交易？

Elad Gil：我觉得早期发生的事情，和现在发生的事情不一样。这两个阶段是不同的。

就像你说的，对任何想进入某个行业的人来说，最重要的一件事，就是去这个行业的总部，或者它的产业集群所在地。你要搬到那个事情真正发生的地方。那些说「你可以在任何地方做任何事情」「一切都可以远程完成」的建议，都是胡说。不只是科技行业，所有行业都是这样。

如果你想进入电影行业，人们不会对你说：「你可以在任何地方写电影剧本，可以在任何地方做数字配乐，可以在任何地方剪辑，也可以在任何地方拍摄。所以你去达拉斯吧，加入他们蓬勃发展的电影圈。」人们会说：「去好莱坞。」

如果你想进入金融行业，你可能会说：「我可以在任何地方融资，可以在任何地方想交易策略、想对冲基金策略，也可以在任何地方做这些事。」但人们会说：「去纽约，或者去某个金融中心。」

科技行业也是一样。

我们团队的 Shreyan 一直在做一种「独角兽分析」，研究私营科技公司的市值到底集中在哪里。传统上，大概一半集中在美国，而美国里面又大概一半集中在湾区。但到了 AI 这一轮，91% 的私营科技市值都集中在湾区。全球 AI 私营市场总市值的 91%，都集中在一个大概 10 英里乘 10 英里的区域里。

所以，如果你想做 AI，你很可能应该在湾区。第二选择可能是纽约，再往后就断崖式下降了。真正核心的地方还是湾区。

如果你想做国防科技，你可能应该去南加州，靠近 SpaceX、Anduril 所在的地方，比如 Irvine、Orange County、El Segundo 等地。那里有很多初创公司。

如果你想做金融科技和加密，可能就是纽约。

但现实就是，这些产业集群非常强。所以第一点，就像你说的，我当时确实在正确的位置。我处在正确的网络里。另一个默认条件是，我自己也在经营一家初创公司。我在 Google 工作了很多年，后来离开去创业。人们开始主动来找我寻求建议。

比如我最后投资 Airbnb 的方式是，当时他们大概只有八个人，我在帮他们融 A 轮。我给他们介绍了一些人，也在策略上非常轻度地帮了一点忙。当然，没有我他们也会完成融资。最后他们说：「嘿，这轮结束的时候，你想不想投一点？」我说：「好啊，听起来很棒。」这件事非常自然。

再比如我投资 Stripe 的方式。当时我把自己做的一家基础设施型、早期 API 公司卖给了 Twitter。那时 Twitter 大概有 90 个人左右。然后我给 Stripe 的 CEO Patrick 发了一封邮件，说：「我听说了很多关于你的好话，我也很喜欢 Stripe 在做的事情。如果是我自己的创业公司，我也会用它。我自己刚卖掉了一家 API 公司，你想不想聊聊这些东西？」

我们一起散了几次步。一两周后，他给我发短信说：「嘿，我们正在融资，你想投资吗？」所以我最早做的几笔投资，都是非常自然发生的。创始人会说：「我希望你参与进来。」

我当时并没有想：「哦，我应该成为投资人，然后我要去追逐项目。」我只是很喜欢和聪明人聊天，很喜欢解决某些商业问题，也热爱技术以及技术如何转化到现实世界里。我就是一个书呆子，然后遇到了其他书呆子，大家聊得很投机。这就是我的早期故事。

Tim Ferriss：我突然想到一句话，你肯定听过，大家应该也都听过：如果你想要钱，就去寻求建议；如果你想要建议，就去寻求钱。我刚刚突然意识到，这句话反过来也成立。也就是说，如果你持续提供很多建议，很多时候你最后会获得投钱的机会。反过来，如果你一上来就想给钱，别人可能会来向你寻求建议。

Elad Gil：是的，说得很好。

Tim Ferriss：你是什么时候写《High Growth Handbook》的？那本书是什么时候出版的？

Elad Gil：已经有一段时间了。大概七年前左右吧，差不多。

Tim Ferriss：七年前。好，我们一会儿还会回到这个话题。因为你在地理位置上确实处在正确的地方。你处在交换机的中心。就像你说的，最早那些很突出的投资，都是非常自然发生的。

我好奇的是，你刚才也说了，过去你做的是一套东西，现在你做的是另一套东西。但在这两者之间，其实也有一个演化过程。比如我想问，你现在是否仍然认同这句话？这是我刚才提到的那次 First Round 采访里的内容：「作为一个一般原则，我做投资时，首先看市场，其次看团队实力。」后面还有更多内容。但这句话你现在还同意吗？

Elad Gil：90% 同意。偶尔你会遇到某个非常特殊的人，然后你就会支持他，尤其是在非常早期的时候。

比如 Perplexity 的第一轮融资，是我领投的，非常非常早期。那件事的起因是，Perplexity 的 CEO Aravind 好像是在 LinkedIn 上给我发了消息。那时候还没有人在做 AI，他当时是 OpenAI 的工程师，或者研究员。

他说：「嘿，我在 OpenAI。」当然那时候其实没人在乎 OpenAI。「我在考虑做一些 AI 相关的东西。我听说你在聊这些，而其他人都不怎么聊。我们能不能见面？」

然后我们就开始每两周见一次，一起头脑风暴。后来这就变成了投资。那是一件「人优先」的事情，因为他实在太优秀了。每次我们聊完，一周后他都会带着我们讨论过的东西的成品回来。谁会这么做？

Tim Ferriss：是的，这是个很好的信号。

Elad Gil：真的太厉害了。

再比如我最后投资 Anduril 的方式。当时 Google 关闭了 Maven，也就是他们的国防项目。我当时想：「如果这些既有巨头不愿意做，那这不正是初创公司可以进入的好机会吗？」因为硅谷和国防工业之间本来就有很长的历史，比如 HP，还有很多早期品牌都是这样。

所以我当时就在找有没有人在做这个方向。当时这个方向非常不受欢迎。后来我好像是在一个早午餐活动或者类似场合，遇到了 Anduril 的联合创始人之一 Trae Stephens，他也在 Founders Fund。

这又一次说明，你要待在正确的城市。他说：「哦，我正在做一个新的国防项目。」我说：「太好了，我们来聊聊。」

所以有时候，我是在市场里主动寻找这些东西；有时候，是先遇到人。Anduril 是先看到了市场，然后找到了非常优秀的人。Perplexity 则介于两者之间：我当时一直在看 AI 里的各种东西，因为我认为它会变得极其重要，但当时关注它的人并不多。然后我遇到了一个非常出色的人。

我投资 OpenAI 也是这样。我投资 Harvey，也就是早期的法律 AI 公司，也是这样。我投了很多非常早期的项目，因为它们是当时少数在我认为极其重要的市场里真正做事的人。

Tim Ferriss：我想回到你刚才说的几件事。你提到 Perplexity 的创始人，或者说后来成为创始人的那个人，他说他看到或者听说你在谈 AI。那具体是在哪里？是在你的博客文章里吗？还是其他地方？他到底是怎么发现你在聊这些东西的？

Elad Gil：我觉得他联系我，部分原因是我之前参与了很多上一代科技公司，比如 Airbnb、Stripe、Coinbase、Instacart、Square 等等。当时我已经作为创始人和投资人有一定知名度了。

除此之外，我那时也在主动「骚扰」AI 研究人员，不停问他们现在到底发生了什么，因为这件事实在太有意思了。当时有很多人用一种叫 GAN 的东西做艺术，也就是生成对抗网络。

我也在玩这些东西。我曾经试图招工程师，帮我做一个本质上类似 Midjourney 的东西，因为我觉得，如果能让 AI 艺术创作变得很容易，那会非常酷。

Tim Ferriss：我先暂停一下，因为这是我的第二个问题，现在问正好。你刚才提到 AI 时说，你当时觉得它会变得极其重要。你是从哪些迹象判断出来的？远处冒出的那股「烟」是什么，让你觉得：「哦，这是个有意思的方向。」

Elad Gil：我觉得大概有两三个因素。

AI 一直是那种人们长期谈论的东西。我读数学学位的时候，上过很多理论计算机科学课程，也接触过早期神经网络课程，以及背后的数学基础。人们一直都在期待构建某种形式的人工智能。

某种意义上，你甚至可以说 Google 是第一家以 AI 为核心的公司。只不过那时候我们把它叫作机器学习，而且从某种意义上说，技术基础也不太一样。

我觉得 2012 年是一个关键节点。那一年 AlexNet 出现，它证明了你可以开始扩大模型规模，而且随着规模扩展，AI 系统会表现出非常有意思的特征。

然后到了 2017 年，Google 的一个团队发明了 Transformer 架构。现在几乎所有东西都建立在这个架构之上，或者说大致都基于它。比如你看 ChatGPT 里的 GPT，那个「T」指的就是 Transformer。

再到大概 2020 年，GPT-3 出现了。它相比 GPT-2 是一个巨大的跃迁。它当时还没有好到真正可以广泛拿来做很多事情，但你会意识到：「天哪，规模定律相关论文已经出来了，能力上的阶跃变化太大了。」

突然之间，你有了一个可以通过 API 调用的通用模型，任何人都可以访问。你只要把这件事往下一步外推，就会发现它一定会变得非常重要。

所以基本上，我是在看这种能力跃迁，亲自试用这些技术，然后读规模定律相关论文。或者更宽泛地说，我发现规模定律似乎对很多事情都成立。你会想：「哇，这件事会变得非常、非常重要，那我应该开始参与进去。」

Tim Ferriss：你觉得如果没有数学背景，你还会或者还能做到这种判断吗？我猜可能也有其他人做到了。但这也引出了我的问题：你是怎么发现并吸收这些信息的？这是当时圈子里的热门话题吗？也就是说，在你的社交圈和人脉网络里，大家已经在公开讨论这件事，所以你自然参与其中？还是说，你本来就在从不同领域吸收大量信息，而 AI 恰好是其中一个特别吸引你的方向？

Elad Gil：我觉得有三件事。

第一，我一直会从很多不同领域吸收大量信息，因为我喜欢学习各种东西。我本来就是数学、生物学、动漫、艺术和其他东西混在一起的人，一直都是这种混合状态。

第二，这确实也是我朋友们会聊的东西，但当时更像是玩具性质的讨论。比如，「哦，这个很酷，你看它生成了什么东西。」但大多数人并没有进一步外推。它有点像早期的加密货币或者比特币：大家都在聊，但真正买的人很少。我觉得这是其中一部分原因。

第三，说实话，我就是觉得这些东西很有意思，所以一直在玩。

这又回到了 GAN 和 AI 艺术那件事。当时不同模型会不断出现，你可以拿来试。

关于这一轮基础模型、AI 以及所有相关变化，有一件事的重要性其实被严重低估了。过去 AI 或机器学习的工作方式通常是这样的：你在公司里有一个团队，或者在其他地方有一个团队，然后会有所谓的 MLOps 团队。也就是机器学习运维团队。他们的工作，就是帮你设置所有数据、管道和相关流程，用来训练一个模型。

你训练出来的模型，是针对你的具体使用场景、针对你想完成的事情定制的。然后你还得搭建一堆内部服务，去和这个模型交互。

所以，要让一个可用的机器学习系统真正跑起来并进入生产环境，是一件非常痛苦的事情。

然后突然之间，事情变成了：你只需要调用一个 API。用一行代码，或者几行代码，世界上任何地方的任何人都可以访问它。

而且不只是这样，它还是通用的。它不再只是专门用于某一个场景，比如拼写纠错之类。你可以用它做任何事情。某种意义上，它的知识库里嵌入了整个互联网。它还开始具备更高级的推理能力。

但最重要的一点之一是：你用几行代码就可以获得它。你不需要去组建 MLOps 团队，不需要自己托管它，不需要处理一堆交互流程，也不需要做所有这些额外工作。它就是能用。

这真的非常重要。

Tim Ferriss：这太重要了。确实很难夸大这一点。

我有一百万个问题想问你。问题就在于，我们可以聊的方向太多了，简直是「富到尴尬」。

我和我的团队现在正在用 Claude Code 以及各种工具做很多事情。其中有一件事，刚好和你非常擅长、也非常有经验的领域重合，那就是天使投资。

这是我第一次觉得，我真的有能力去做这件事。当然，如你所想，这里面还是需要一些人工投入。但我现在可以回过头来，分析自己过去 20 年的天使投资经历，并试着做很多不同的事情。

我怀疑很多让我感兴趣的东西其实没什么实际用处，比如做一些反事实分析：如果我每一笔都持有三年、五年，或者其他时间，会怎么样？这基本上就像 Opus Dei 那种自我鞭笞，大多数时候只是在抽自己后背。

但在做这种分析时，有些问题会立刻浮现在我脑海里，而且可能真的值得研究。我想听听，如果是你，你会不会做这件事；如果会，你会怎么做。

坦白说，其中一部分纯粹是出于好奇。我想知道，我一直讲给自己的那些故事到底是不是真的。比如，我会感兴趣：某些介绍到底是谁做的？是不是有些人其实只是把那些快不行的公司——基本上像是临终关怀里的病人——送到我这里，做最后一搏？又或者，是否真的有一些人一直稳定地给我推荐好项目？

我可以用一百万种方式去盘问和丰富这些数据。我们现在也在用 Claude 和其他工具做这件事，做得还不错。OpenAI 在这方面也非常强。

如果回头看，比如在我的情况下，大概是 20 年左右的投资记录，你觉得有哪些更有意思的问题，或者值得检查的分析路径？

Elad Gil：是的。我最近在做一件很奇怪的事：我会上传创始人的照片，然后让模型预测他们会不会成为优秀创始人。

Tim Ferriss：哦，哇。

Elad Gil：因为你想想，其实我们和人见面时一直在做这件事。我们会很快试图对一个人做出判断：他的性格是什么样，他是什么样的人。

这里面有很多微小特征。比如，你眼角有没有鱼尾纹，这可能暗示你的笑容是否真诚。那又说明你可能有什么样的幽默感？或者，你是不是长期皱眉，这意味着什么？

有很多这种微小特征。当你见到一个人时，其实你很快就能对他们形成一个初步印象。当然，这不代表它一定准确。但作为人类，我们确实会非常快速地做这件事。

所以我一直在玩一整套提示词，纯粹是为了好玩。问题是：能不能根据几张照片，外推出一个人的性格？如果可以，那能不能在某种程度上预测他的行为？我觉得这很有意思。

Tim Ferriss：是的。你现在发现里面有信号吗？还是还不确定？

Elad Gil：其实效果还不错。我最近一直在做一些很奇怪的测试，比如衬衫之类的，对吧？

Tim Ferriss：对，练习观察微笑的人。

Elad Gil：是的，是的。

但我觉得这很有意思，因为我们本来就一直在读人。这也是提示词的一部分。比如你可以设定：你是一个非常擅长根据微表情、面部特征等信息做冷读的人。然后把这些东西具体写出来。

接着，你让它不仅给出对这个人的解读，还要解释它每一个判断背后对应的具体微特征。它会帮你逐项拆解。真的很惊人。想想这项技术到底是什么，太疯狂了。

再强调一次，我不是说它完全准确，也不是说它一定有预测性。但在「看准一个人」这件事上，它已经做得相当不错了。

它甚至会给出类似这样的判断：「这个人可能有某种类型的幽默感。」或者，「这个人在大多数社交场合可能会比较克制，但会突然插入一句没人预料到的机智、冷幽默式评论。」它会非常具体。

Tim Ferriss：非常具体。

Elad Gil 的投资方法：先看市场，再看团队

Elad Gil：是的。很惊人。我最近一直在做类似的事。虽然这可能不是你真正想问的问题，但我觉得特别有意思。

Tim Ferriss：其实是相关的。当然，我肯定漏掉了一些步骤。但我很喜欢天使投资，只是「剂量决定毒性」。所以通常到某个临界点时，我就会想：「好吧，这件事不再好玩了。」

我也喜欢黑巧克力，但我不想一整天被人强行喂黑巧克力。我之前也谈过这个，但说实话，我确实很享受其中的学习过程，也享受这种「竞技性」，以及和一些非常、非常聪明的人打交道。当然，不是所有人最终都能成为成功公司的创始人。但归根结底，我一直在试图区分信号和噪音。

另外，不管用什么方式，在这个例子里是投资，它都很有意思，因为你可以用它来磨炼自己的思考，压力测试自己的信念，以及支撑你某些预测的底层假设。

所以我只是好奇，你有没有对自己过去的创业投资做过回顾性分析？还是说，你更像 Marc Andreessen 那种风格：只向前看？

Elad Gil：是的。在我刚开始投资的时候，我会做一个很长的表格，用很多维度给每家公司打分，然后之后回头看这些判断是否正确。大体上是正确的。

但难点在于，结果中存在大量随机性。有些公司你原本以为已经死了，最后却卖了几十亿美元，或者发生类似的事情。对吧？

Tim Ferriss：当然。

Elad Gil：那你怎么给这种情况打分？比如，现在我们处在一个非常奇怪的市场时刻，数万亿美元市值的公司都在追逐同一个奖品。它们会做出各种在正常情况下不会发生的事情。

所以，要把这种因素纳入评估，其实非常困难。整体来说，我更接近 Marc Andreessen 那一派。我很少思考过去。对于我自己的过去，我几乎不怎么想。我更多是：「继续往前走。」

也许这不好，也许我应该进行更多、更深刻的自我反思。我会尽量在当下反思，但我不会试图重新推演、审视自己整个人生和所有决策。

如果真要说，很多决定其实都是让我事后对自己很生气的决定，因为我觉得自己当时不够激进。换句话说，我投了某家公司，但我本应该更努力地投更多，即便我当时已经非常、非常努力了。

因为真正重要的公司就那么几家。而对投资人来说，这才是最重要的事情。当然，作为一个人，我确实喜欢参与不同公司、和不同创始人合作，帮助他们，不管最后成不成。我也会因为某项技术本身很有趣而参与进去。

但从回报角度看，现实就是非常清晰的幂律分布。人们经常谈这个，而它确实是真的。

我记得有个朋友做过一个分析，可能是 Yuri Milner，也可能是其他人。他看了从 2000 年或者 2004 年左右到现在的所有科技公司。我不记得具体日期了，但大概结论是：大约 100 家公司贡献了 90% 以上的全部回报，而总共 10 家公司贡献了过去 20 年科技行业 80% 的全部回报。

如果你没有投中那 10 家公司，你就是一个糟糕的投资人。一旦你开始面对这种幂律分布、超大结果以及所有这些因素，你要怎么给自己打分？

本质上就是：你有没有投中那 10 个东西之一？这才是真正的评分标准。对投资而言，这可能才是正确的评价方式。

Tim Ferriss：我想在这期播客里尽量聚焦一些偏早期的决策。就像你说的，那些都是更早期的决定。过去你有过去的做法，现在你有现在的做法。这并不是说哪个更好，但你过去做过什么，通常会影响你现在能做什么，以及你现在如何做。

我好奇