Will Open-Source Threaten Anthropic's Business & Do Margins Matter in a World of AI | Matt Murphy

Menlo Ventures 合伙人 Matt Murphy 透露，Anthropic 首轮投资时估值高达 40 亿美元、公司还未有营收，但他和团队顶住压力坚持投了进去，如今已成最大赢家之一。

开源越便宜，前沿模型越值钱？

Matt Murphy 是 Menlo Partners 合伙人，主导了 Menlo 对 Anthropic 的早期投资，后来又投了 Lovable、Legora，并担任 OpenRouter 董事。他不是只在一条赛道上下注的人：前沿模型、应用层、多模型基础设施，他都坐在牌桌上。这里最有意思的，不是他押中了哪些公司，而是这些投资背后的一套新判断：模型越来越多、调用越来越便宜时，价值并不会平均摊薄，反而会向少数位置集中。

这期回答了 7 个问题：

1. 如果开源模型足以处理大部分工作流，Anthropic 为什么仍不会被替代？
2. 在百亿级结果频出的时代，小仓位押中赢家为何可能胜过高持股普通项目？
3. 为什么过去持续一年多的“早期增长窗口”，如今可能只存在一周？
4. 模型公司自己下场做应用后，什么样的 SaaS 仍然有资格活下来？
5. 为什么 Menlo 有能力募更大基金，却刻意维持约 12 名合伙人的小团队？
6. 60 多家 Neo Labs 同时融资，最终会留下多少独立模型公司？
7. 曾经被看低的 AI 基础设施，为何会因多模型时代重新成为机会？

被问到“如果开源模型能完成 96% 的企业工作流，是否会大幅压缩 Anthropic 生存空间”时，Murphy 没有否认开源的价格优势。他承认，许多 API 调用根本不需要最高级别的能力：做简单分类、批量处理、低风险文本任务，用成本更低的模型完全合理。但他不接受“96% 功能覆盖，就等于 96% 商业替代”的推导。"I just don't think it can be powerful enough to really displace it."（我就是不认为它能强大到真正取而代之。）

他的依据不是模型榜单，而是应用公司的经营数据。企业看到的不是“这次调用便宜了多少”，而是接入 Anthropic 后，客户留存有没有提高，收入有没有增加，用户在产品里停留和使用得是否更频繁。前者只是成本项，后者才是收入项。一个模型即便单价更高，只要能让用户少流失、更多付费，账就未必更贵。

这意味着，企业未来不会把所有请求塞进同一个模型，而会形成组合：一部分用 Anthropic，一部分用开源模型，一部分用自己的数据训练或微调模型。Murphy 甚至给出了类似的分配想象：50% 用前沿模型，30% 用开源，20% 用自训能力。真正的竞争不是“谁把另一个清零”，而是谁能占住最影响业务结果的那段工作负载。边界也很清楚：开源会拿走低要求调用；但低成本能替代功能，不等于能替代更强能力带来的留存、转化和用户行为变化。

被问到在融资越来越密集、稀释越来越重的环境里，持股比例是否仍像过去那样重要时，Murphy 回到了 Anthropic 的第一笔交易。Menlo 当时管理的是一支约 6 亿美元的风险基金，通常希望对单家公司平均投约 1500 万美元；Anthropic 却处于零收入、模型尚未发布的阶段，估值已经超过 40 亿美元。Menlo 最初开的支票“略高于 1000 万美元”，后来又通过 SPV——为单一项目额外集合资金的特殊目的载体——加注超过 5 亿美元。

Murphy 做投资已有 25 年。他说，过去一家企业以 3 亿、5 亿或 10 亿美元退出，已足以被视为漂亮结果；当时投资人会算，若想给基金带来 1 亿美元回报，就得在公司里持有约 20%。现在，结果的量级变了。"you're better off being in them at a very small percent than owning a large percent of a company that exits for 3 to 500."（与其在一家退出价值只有 3 亿到 5 亿美元的公司里持有很大比例，不如在那些超级赢家里哪怕只占很小一部分。）

这意味着，基金回报的核心变量不再只是“第一轮拿了多少所有权”，而是“有没有进入极端赢家的股东名单”。先拿到入场券，建立关系，等公司证明自己后再持续加码，可能比一开始死守 15% 或 20% 的持股门槛更重要。高持股当然仍然好，Murphy 并没有反过来说持股不重要；问题在于，今天很多公司融资更快、金额更大，维持高比例越来越难。真正可能错失的，不只是被稀释，而是因为嫌仓位太小，干脆没进到下一家 Anthropic。

被问到 ARR——年度经常性收入——达到 100 万至 300 万美元的 Series A，是否已成最难下注阶段时，Murphy 的回答近乎泼了一盆冷水。Menlo 曾把 ARR 300 万至 1000 万美元定义为“早期增长”阶段：产品已有验证，收入开始爬坡，投资人还有时间观察一年到一年半，再判断谁会成为品类赢家。但优质 AI 公司把这段路跑没了。"The reality is like for the good companies that window used to last like a year year and a half. Now it lasts like a week."（现实是，优质公司的那个窗口过去会持续一年到一年半；现在可能只持续一周。）

他举的数字很直接：一家公司可能只有约 5 个付费客户，或刚到 100 万美元 ARR，估值就从 5000 万美元跳到 2 亿美元。问题不在于 100 万 ARR 不好，而在于新增的产品和客户数据，未必足以证明它已经是赢家；可市场已经按赢家价格收费。过去那种“先看一阵、做完尽调、等下一轮再出手”的 Series A 逻辑，被压缩的融资节奏击穿了。

Menlo 的应对是一种两头下注的杠铃策略：更早，也更晚。更早的一端，三名合伙人可以当场决定，写出最高 800 万美元的种子轮支票；此前上限只有 300 万美元。更晚的一端，等公司明显出圈、市场开始认定它可能成为领导者后，再以增长资金重仓。中间那段 100 万到 1000 万 ARR 的地带反而最尴尬：价格跳得快，信号却不够强。边界是，早投要承受更高不确定性，晚投要接受更贵估值；这套策略不是把风险消掉，而是承认中间窗口已经短到不能再按旧地图走。

被问到 Anthropic 等模型公司会不会直接威胁法律 AI 公司 Legora 时，Murphy 先把问题从“谁的模型更强”拉回“客户究竟在买什么”。Legora 的价值不只是生成法律文本，也不是在律师常用的界面上包一层模型。它要让律师和 FDE——驻场部署工程师，帮助客户把产品嵌进真实业务的人——理解一套具体的法律工作流，并把它跑通。

法律服务不是一个用户对着一个聊天框提问。Murphy 描述的场景里，至少有企业法务、律师事务所、案件客户，以及同一案件中可能同时参与的多家律所。每一方能看什么、能改什么、谁要确认、上下文怎样传递、责任如何划分，都会改变产品该怎么设计。一个通用模型即便很会写，也不会天然知道某家律所的协作方式，更不会自动接住跨组织流程中的权限、记录和交接。

这意味着，应用层的护城河不再是“我接了最强模型”，因为别人也能接；而是“我是否嵌进了多角色、多组织、需要上下文与责任追踪的流程”。模型是发动机，工作流更像变速箱、方向盘和刹车。发动机可以更换，整套车的控制系统没那么容易搬走。Murphy 的标准也并不宽松：如果一个应用只是把模型能力换了层 UI，没有独特流程、没有额外价值，那么模型公司进入这个市场时，它被拿走反而合理。SaaS 不会因为 AI 自动安全；能活下来的，是那些已经成为业务现场一部分的 SaaS。

被问到 Menlo 已拥有 Anthropic、Lovable 等赢家，为什么只募集约 30 亿美元，而不是顺势扩成更大的全栈平台时，Murphy 谈的不是募资能力，而是组织成本。"we love to be a relatively small and mighty machine with you know roughly let's say 12 partners"（我们喜欢做一台相对小而强的机器，大致维持在约 12 名合伙人。） Menlo 希望把合伙人规模控制在约 12 人，并保留一支由 principal、associate 等成员构成的精干团队。

他担心的，是基金规模扩张后常见的拆分：早期一套人、成长期一套人、行业基金再一套人，最后可能有五个彼此分割的团队。每个人都在自己的赛道上“争抢传球”，看起来覆盖面更广，实际上组织对一笔交易的判断和责任更碎。如果某一个团队表现不佳，还可能拖累另一个团队的整体对齐感。投资机构变大以后，风险不只是管理费增加，而是个人代理权下降：明明看到了机会，决策链却更长；明明需要跨阶段协作，团队却被基金边界切开。

Menlo 并非拒绝跨阶段投资。它有不同基金，也有两个投资委员会，但资金和人员可以在不同载体之间流动；真正的要求是让每个投资人约 80% 的时间聚焦在明确区域，比如早期或已经出圈的成长公司。这里的判断是，AI 投资拼的不只是资本覆盖面，还拼机构能否快速形成高质量共识。边界也在于，小团队不是人数越少越好：如果没有足够专业密度，小而强会变成小而窄。Murphy 反对的是没有重点的全覆盖，不是反对必要的分工。

在快问快答中被问到哪个领域最过热时，Murphy 点了机器人、部分国防科技和 Neo Labs，其中尤其警惕后者。Neo Labs 可以理解为新一批以研究能力为起点、试图训练或开发专有模型的实验室型公司。Murphy 的合伙人 Dee 刚做过统计：市场上已有超过 60 家 Neo Labs，Menlo 自己已经投了约 7 家。数字本身已经说明，资本正在把“模型公司”当成一个可以批量复制的类别。

问题是，这些团队的成熟度差异极大。有的像 Chai，目标很具体，围绕药物与抗体研发；Axiom 则聚焦数学。有些团队的说法却仍然很泛：先把一批研究人才聚起来，再决定做什么“很酷、很研究型”的东西。与此同时，很多公司已经融资很大，部分机构也因此形成高度集中的仓位。"there's no way in hell that you know we're going to have 60 independent model companies in addition to all the open source and everything."（无论如何，我们不可能在所有开源模型之外，再拥有 60 家独立模型公司。）

这意味着，当前融资热先制造了大量“看起来像平台”的公司，接下来才会进入能力分层。研究人才、算力、数据、分发渠道和商业化路径不会平均分配；开源模型也持续挤压通用能力的定价空间。最后可能发生并购、人才收购、转型，或直接淘汰。Murphy 没有声称自己知道谁会胜出，也坦言尘埃落定后的结构仍不确定。他只指出一个不舒服但关键的事实：60 多家公司同时以独立模型公司身份存在，与最终能容纳的独立商业空间不匹配。融资规模很大，不等于独立存活概率很高。

被问到哪个方向反而投资不足时，Murphy 提到了三四年前曾热过一阵、后来又被市场冷落的 AI 基础设施：可观测性、Agent 框架，以及管理底层模型和算力的工具。可观测性说白了，就是让企业看见 AI 系统到底在花多少钱、哪里出错、哪个模型表现更好。早期这些工具没跑出来，原因并不复杂：那时多数公司只接一个模型，业务也还在“先让它跑起来”的试验阶段，根本没有复杂到需要一套控制系统。"Nothing really came out of it. Now these companies are really taking off."（当时并没有真正跑出什么结果；现在这些公司正在真正起飞。）

现在的环境变了。企业开始同时使用多个模型，要在成本、性能、推理能力和延迟之间做取舍；模型调用不再是一笔模糊的云账单，而是会直接影响毛利率和产品体验的运营变量。OpenRouter 的逻辑正落在这里：它在一次 API 调用前加一层智能路由，根据企业想优化的是价格、推理能力、性能还是延迟，选择更合适的模型。Menlo 投资的 Gimlet 则试图屏蔽芯片、CUDA 等底层技术栈的复杂性，让开发者不必每次都从硬件层开始处理。

这意味着，基础设施的价值不取决于又发布了多少模型，而取决于企业是否从“接上一个模型”进入“管理一组模型”的阶段。前者只需要连接器，后者需要仪表盘、调度器和成本控制器。边界同样明确：这波机会建立在多模型部署会持续成为常态之上。若市场重新高度集中到单一模型或单一云平台，很多中间工具的独立价值仍可能被压缩。基础设施不是天然的好生意，它是在系统复杂度真正出现后才有账单可收。

Murphy 的主线，其实不是“该投 Anthropic，还是该投开源”，而是旧的简化判断正在失效。第 1 条“开源能降成本，却未必会吞掉前沿模型”说的是，企业不再只按 token 单价做采购；第 7 条“被错杀的 AI 基础设施，会在多模型时代重新升值”说的是，当企业不再押注单一模型，就必须管理模型组合。这两件事指向同一件事：AI 正从技术演示进入运营系统。

同样，第 2 条“小仓位押中巨头胜过大仓位押中普通退出”和第 3 条“Series A 正失去意义”，也不是两条孤立的投资技巧。公司增长更快、融资更密，意味着投资人不能再从容地等到所有数据齐备；但过早下注又会带来大量噪音。因此，真正稀缺的是判断何时该先拿入场券，何时该在赢家更清楚后加注。

对软件公司来说，第 4 条给出的筛选标准也足够具体：不要只问“我的产品接的是不是最强模型”，而要问“模型公司自己做一个界面，能否把我的价值拿走”。如果答案是能，问题不在模型太强，而在工作流还不够深。对团队和投资机构而言，第 5 条提醒的是，规模扩大并不自动带来更好的判断；当变化速度以周计算，组织能否聚焦、能否快速协作，往往比覆盖多少赛道更重要。

读者真正要处理的，也许不是“选择开源还是闭源”的站队题，而是自己的业务处在什么阶段：你还在验证一个模型能不能用，还是已经要管理成本、质量、延迟和多方协作？前一个阶段追求接入速度，后一个阶段开始决定谁能留下利润、谁会被替换。