从好莱坞收发室到押注NVIDIA：一位顶级投资人看懂AI的底层逻辑

Thomas Laffont 的职业起点，不是在投行、不在硅谷，而是在好莱坞的收发室。更反直觉的是，这段“看似没技术含量”的经历，反而塑造了他后来理解科技周期、判断AI浪潮的核心方法。这次完整访谈，首次把这些线索连在了一起。

所有人都想进VC，他却从好莱坞收发室起步

如果你以为传奇科技投资人的履历，必然从顶级投行或基金起飞，那 Thomas Laffont 的故事一开始就会让你愣住。

他回忆自己 1997 年的第一份“正经工作”，不是分析模型，而是在好莱坞的 mail room（收发室）。每天的任务是分拣邮件、跑腿、被忽略。听起来像浪费时间，但他说了一句很重的话："every experience you have in that mail room is kind of unique."

这份工作教会他的不是技能，而是观察系统的方式——谁真正掌握信息流？谁做决定？谁只是表面光鲜？后来无论是在对冲基金还是风险投资，他都延续了这种视角：先看结构，再看故事。

对今天想转型做 AI 或投资的人来说，这是第一个反直觉点：职业早期最重要的，可能不是你在用什么工具，而是你有没有站在一个能看清“组织如何运转”的位置。

从计算机科学到互联网崩盘：周期感比聪明更重要

Thomas 在 Yale 学的是计算机科学。不是为了当程序员，而是因为他觉得“被系统性训练过”很重要。这种工程思维，后来在 2000 年互联网泡沫破裂后，成了他的护城河。

访谈里谈到 2003 年——那是一个被低估的年份。市场刚从 2000 年的崩溃中爬出来，情绪极度谨慎，但真正重要的技术趋势正在酝酿：移动计算、带宽提升，最终通向了 iPhone。

他强调一点：好投资不是在情绪最热的时候做判断，而是在周期最低谷时，区分“短期叙事”和“长期结构”。

这也是为什么他后来反复提到“模型很重要”。不是财务模型本身，而是你用什么假设去理解世界：需求是暂时回落，还是结构性消失？技术是演示品，还是已经具备规模化条件？

对 AI 从业者来说，这直接对应一个问题：你现在做的，是顺着 hype 写 demo，还是踩在五年后依然成立的算力、数据或工作流之上？

当别人还在怀疑时，他们已经看懂了 NVIDIA

访谈中一个关键信号，是他谈到 NVIDIA 在数据中心积累的“长期动量”。这不是一夜之间的 AI 奇迹，而是多年基础设施投入的结果。

Thomas 提到，他们在 AI 真正爆发前，就已经觉得“非常有准备”。原因并不是预测模型多精准，而是他们理解：一旦 AI 进入真实应用阶段，最先受益的，一定是已经嵌入数据中心核心路径的公司。

这也是他对竞争格局的冷静判断："it's not clear who will win." 技术路线可以多元，但底层算力、生态和开发者惯性，决定了谁能穿越周期。

对很多 AI 创业者来说，这是一个容易被忽略的现实：如果你的产品不站在这些“不可替代的基础设施”之上，增长再快，也可能只是周期噪音。

AI 时代的新分析师：不是更快算模型，而是更会提问题

当被问到 AI 如何改变早期分析师的角色时，Thomas 的态度出乎意料地乐观。他直接说："I love it."

原因很简单——当信息获取和基础分析被自动化后，真正拉开差距的，是判断力、好奇心和对关系的理解。他反复强调与创业者之间的长期信任，以及信息安全的重要性：并不是一个“所有东西都被记录”的世界，而是一个你是否值得被信任的世界。

这对正在使用 AI 工具的从业者是个提醒：会用工具只是入场券，真正的壁垒在于你是否能提出比别人更好的问题，以及你是否被认为“靠谱”。

在一个模型越来越强的时代，人的价值反而被放大了。

总结

Thomas Laffont 的故事，并不是一条可复制的成功路径，而是一套可迁移的思维方式：先理解系统，再判断周期，最后才是下注方向。对 AI 从业者来说，这意味着三件事：第一，不要低估早期“看似无关”的经历，它们可能塑造你看世界的方式；第二，在热潮中保持周期感，问自己五年后什么依然成立；第三，把精力投入到真正不可替代的环节——无论是基础设施、关系网络，还是判断力本身。下一个问题是：在这轮 AI 浪潮里，你站在结构性位置上了吗？

关键词： Thomas Laffont， AI投资， NVIDIA， 科技周期， AI应用

事实核查备注： 需要核查：Thomas Laffont 的姓名拼写；1997 年进入好莱坞 mail room 的具体机构；2003 年相关时间点表述；关于 NVIDIA 数据中心动量的原话语境；访谈中关于 AI 与分析师角色的直接引述。