--- author: Best Partners TV date: '2026-09-13' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=-XMWz5X3et0 speaker: Best Partners TV tags: - frontier-ai - compute-infrastructure - open-source-model - venture-capital title: AI 下一场战争：超越模型内卷的算力、开放生态与投资新范式 summary: 本期内容深度解析了 Conviction 创始人 Sarah Guo 在播客中的前沿洞察。讨论涵盖前沿 AI 面临的算力与能源硬约束、开放模型的必然性与安全测试、机器人与 AI 生物学的落地拐点，以及在历史回测失效时期，早期投资人如何建立第一性原理与投资确信。 insight: '' draft: true series: '' category: tech-trends area: tech-engineering project: [] people: - Sarah Guo companies_orgs: - Conviction products_models: [] media_books: [] status: evergreen --- ### 前沿 AI 的核心矛盾 **大飞**: 大家好，这里是最佳拍档，我是大飞。“**如果你找到了事实，而市场定价错了，并且你能坚持，那么你就处在好位置。**”这句话来自 **Sarah Guo**（莎拉·郭），**Conviction** 投资机构的创始人。最近她在 **《Invest Like the Best》** 播客上和主持人 **Patrick O'Shaughnessy**（帕特里克·奥肖内西）做了一场深度对话，内容覆盖了当前前沿 AI 竞争的几乎所有核心议题：比如算力是不是真的不够用了、开放模型会走向何方、机器人什么时候真正进入家庭、AI 生物学能不能改变药物研发的轨迹，以及在这个狂热又混乱的时期，投资人到底该怎么思考。 站在前沿 AI 投资最密集的信息网络里，Sarah Guo 看到的核心矛盾很清楚：**模型能力还在快速提升，但是算力、能源、供应链和资本已经成为硬约束**。开放模型让智能更广泛地扩散，也把安全测试和国家层面的算力独立推到了台前。今天这期内容，我们就顺着这场对话的脉络，把这些前沿共识和争议点逐一展开。 ### 历史回测失效下的做多 **大飞**: 对任何试图以投资者身份穿越这段时期的人来说，最直观的问题是：事情究竟会怎样展开？与过去有何不同？以及当历史回测失效时，该怎么办？Sarah 说，昨晚一位投资人朋友打了个比方：他一直说想把刹车踩到底，但实际上没有，他正以每小时九十英里的速度前进——一边可能错过机会，另一边又可能重犯科技史上每轮繁荣与萧条的错误。 Sarah 的立场很明确：她是做多这个方向的。但是她的角度和很多人不太一样，她不觉得 AI 领域的竞争是少数几家大实验室和其余所有人之间的战争。她相信历史中的**伟大人物理论**：如果各处都有能动性极强的人，他们获得合适的风险资本、网络支持和环境，结果就会改变。 而在开放模型的命运、美国的产业政策和未来生态里，会不会出现有竞争力的西方开放模型，最终都落到一些具体的问题上：比如有没有人真正去做、能不能筹到钱、愿不愿意投入资本、聚集人才、建设基础设施并且争夺前沿。个人和创业者确实可以影响结果。有些人会持有一个极端观点，认为一两三个前沿模型的所有者会吞下整个经济；她明确说，不想要那样的未来，也不认为我们会走到那里。 ### 寻找推动前沿的关键少数 **大飞**: 主持人提到，Conviction 这家机构到目前为止表现非常好，背后的方法论是什么呢？Sarah 说，到目前为止其实很简单：机构扩张和代际交替让早期投资市场没有那么拥挤，而与此同时又发生了巨大的技术转型。只要愿意押注于理解技术和社群，**从第一性原理出发**，就可能比注意力更分散的人获得更好的项目接触与判断。 更关键的是合作对象的标准。她的合伙人 **Mike** 之前说过，他们心里大约有 **250 个人**，就是每天早上真正起床、真正把整个前沿继续向前推进的人，可能是创业者，可能是研究员，也可能两者都是。他们机构的目标之一，就是认识所有这些人，尽可能靠近他们，并且用各种方式支持他们。 成功的另一个成分，是愿意下注于别人尚未认同的方向。他们认真思考过哪些市场会变得重要，以及这个时代的创始人可能有哪些不同。早期他们重点寻找适合模型能力的应用领域、工作流、职业和任务，这是一种**技术先行的方法**。很多人会说这很荒谬，唯一正确的方法是从客户问题倒推；但是他们希望两者都做。 比如 **Harvey** 和法律行业：如果在 2022 年年底，你相信语言上的下一个 **Token 预测**可以奏效，那么法律本身就是结构化的语言。律师需要阅读大量文件，已经有检索能力，他们也要生成大量文本，而律所内部、普通法和历史判例中都有海量先例文本，这是非常好的技术匹配。Harvey 的创始人 **Winston** 和 **Gabe** 相信 AI 会深刻改造法律实践，他们相信未来会与律师一起完成极其复杂的工作。当时吸引 Sarah 的，是他们对未来可能性的雄心，以及这项技术为什么可行的底层逻辑，这与很多人在那个时点使用的决策框架不同。 ### 实验室规模化与主体性丧失 **大飞**: 主持人又问：那这 250 位前沿建设者今天都在讨论什么呢？过去十二个月最显著的变化又是什么呢？Sarah 说，竞争极其激烈，而且是全球竞争，大家都缺乏安全感，这也在打破一些叙事。随着 AI 模型开始实现**递归自我改进**，我们距离某种指数级智能可能只剩一两年了。过去十二个月里，很多研究者才开始相信这一点。不过，像 **Andrej Karpathy**（安德烈·卡帕西）这样的人会很自觉地说，他已经连续十年认为它还差两年了；公平地说，他现在仍然这么想，但是没人能真的确定。 另一个变化是，大型实验室现在需要极其庞大的算力，人员规模也很大，**个人不再觉得自己能明显推动结果**。**OpenAI** 只有两百人时，该怎样抵达目标取决于每一个人；但是今天的问题变成了需要七千五百亿美元算力投入，并且有几千人共同工作，个人对结果的拥有感自然就会减弱。相当多研究者会觉得两件事之一是真的：要么我的工作反正不重要，因为模型会自己完成；要么唯一重要的就是扩大算力规模。这两种想法都会削弱人的主体性。 ### 能源监管约束与投资外包风险 **大飞**: 那当下最不健康的部分是什么呢？哪些因素最可能阻碍希望看到的未来呢？Sarah 回应道，算力是其中之一。很多人已经非常清楚，行业已经在按 2032 年的大规模需求来做规划了。她与一家超大规模云服务商的基础设施负责人交谈过，对方说 2030 年以前不会有任何事情能够以足够的规模来改变局面，她觉得这很令人沮丧。 问题甚至落到了去哪里能找到足够的天然气。她不认为障碍来自技术或资本主义，而在于**监管与利益协调**。想在纽约建数据中心，就必须说服当地居民这些数据中心值得建设；想让核能成为有竞争力的基荷电源，就要让人们相信它安全，并且允许足够多的项目开工，让成本沿学习曲线下降。我们并不缺乏为数据中心建设充足廉价能源的技术和创业能力。实体供应链则是艰难的现实：制造知识、隐性经验、劳动力和原材料都无法像软件那样快速扩张，唯一办法就是持续投入。 投资方面也有让她担忧的地方。大量投资者在押注技术时缺乏底层理解，于是把判断外包给了履历或其他易识别的信号，比如谁已经投资、推荐人是谁。有次她与一位极其优秀的投资人朋友争论一家公司，她说技术理论和商业逻辑都不通，对方的解释基本只有一句：“这个人究竟有多优秀？”她当然清楚，因为她认识他八年了，但她问的是业务。她认为现在有人在没有直觉、没有观点的情况下正在做大额的研究型投资，但是不可能所有项目都是成功的。除了创始人的履历之外对业务没有任何看法，这是非常危险的。 ### 机器人数据的工程化突破 **大飞**: 说到具体的人和事，Sarah 举了 **Sunday Robotics** 的例子。她和合伙人 **Pranav**（普拉纳夫）认识 Sunday Robotics 的创始团队时，他们还是斯坦福大学（**Stanford**）的博士生，大约二十五岁，曾在**丰田研究院**、**Google DeepMind** 和**特斯拉**工作。读完他们的成果后，Sarah 花了一点时间才建立坐标，随后意识到：过去四年机器人 AI 最有意思的想法里，可能有很大一部分是这两个年轻人共同贡献的。 他们持续在解决一个非常实用的问题：**怎样用现代 AI 解决机器人的泛化与健壮性**。机器人领域常说，只要拥有机器人世界的互联网数据，通用机器人就会遍地出现。方向本身显然是可行的，真正的大问题是数据从哪里来。Sunday Robotics 研究的是怎样以最低的成本收集覆盖真实环境与任务分布的数据。在没有现成数据、没有无限预算的约束下，把数据形态、采集方式、模型交互和廉价数据向模型学习的迁移当成一个技术问题来解决，所以第一次见面他们就立刻决定投资。 这个公司现在成立还不到两年，整个团队相信，通用的**半人形机器人**会在今年年底先以 beta 形式进入家庭做事。当初没有任何人相信进展能这么快，因为要从 Stanford 地下室里的一堆纸板到完整全栈产品，在本地制造，完成几百次硬件、模型和数据采集迭代。机器人领域的普遍观点已经从“是否会发生”变成了“何时发生”，而这个团队的答案是：不是今年，就是明年。 ### 直觉驱动与证伪修正 **大飞**: Sarah 做投资决定的方式也很有意思。虽然对待不同公司的方式不一样，但是她对人的判断非常依赖直觉。如果了解一个人过去的工作，见面后听到他的想法，而她对这个方向又有一些基础，她会直接在一到十的量表上给到八分或九分。之后到真正决策之间的工作，是找出自己理解中的漏洞。她对这个人的判断是在哪里不完整，哪里就可能犯错。 寻找最有雄心的公司的投资人不可能懂每个领域，他们覆盖生物、国防、机器人和法律各个领域，所以接下来一天到几周，她会拼命给自己补上地面坐标：这个领域里的其他人相信什么？她还会核实：他们真是她以为的那种人吗？有一些人形成判断的过程会更加均匀，慢慢思考、逐级爬向确信；而 Sarah 往往**从确信开始，再向后检查**。Mike 和她的共同点是会先说明自己当前的位置，以及什么证据会改变判断。在不理解时，你不可能真是八分或九分，只能说自己有机会走到那里。这也是她对当下环境的担心：如果对押注本身没有任何落地的直觉，我们到底在做什么？ 不过确实存在一类情形，即使事情完全无法理解，但是这个人优秀得无可争议，她还是会支持。人物与判断其实密不可分，卓越的一部分往往就是判断力；当她说一个人很优秀，她通常也在说她相信他的判断。 时间分配上，她大约三分之二的时间都花在被投公司上，包括招聘、帮助创业者思考问题以及影响外部生态，然后是募资，再往后才是看新公司，大概每周只见四到六家新公司。她会刻意在日历里留出空间用于学习和满足好奇心，也会接触公开市场投资人、企业等不同视角的人。 关于募资，她一直给创业者同一个建议：要理解别人的反对意见，但不要为了迎合而说他们想听的话。她募第一期基金的时候没有做幻灯片，也没有编出一套完整故事，她的真实回答是：“我还不知道，我需要先募到钱去试验，才能弄清楚。”她给 LP 的材料大概只有两页，写她的背景和投资经历，并且声称自己擅长识别非凡的人，也能对他们有用。 她的家庭背景也影响了这种独立思考的特质。父母两个人都创业，家里的价值观是正直、独立思考、专注以及团队精神。独立思考是其中最不普遍的一项；对她的父母来说，独立判断是一项道德要求，你绝不能担心别人怎么看你。她还担心在生态里激起别人的竞争防备，传统 A 轮、B 轮机构那种纯零和的姿态不利于合作；但是公开市场的取向是人们喜欢把最好的想法告诉你，希望你随后一起买入。她很喜欢这种状态，也愿意公开讨论投资方向，这种取向很契合她对正和关系的偏好。 ### 开放模型的必然性与安全底线 **大飞**: 当下的一场大争论是**开放模型**。过去三年里，来自各地的开放模型竞争力越来越强，主要来自中国，也来自美国与欧洲。西方国家已经拥有、未来还会拥有非常强大的开放模型。猫已经跑出袋子，这些模型正在各处使用。Sarah 看到，大量场景因为成本太高、数据太敏感或延迟太慢，无法使用前沿供应商的模型。随着 AI 能做更多事，这种情况会增加，因为它确实很贵。能力越民主化，用途就越丰富。 但是随着模型能力的提高，不理解模型的安全特征是不负责任的。前沿模型被用来防御性网络安全和生物学工作，既然在防御端有效，就同样可能支持攻击、甚至生物武器的相关用途。所以我们必须正视现实，研究还能用哪些方式控制风险，但是试图阻止技术进步和开放并不可行。 假如美国限制开放模型，主要结果只会是束缚守法的美国企业，让它们变慢，或者把利润转移到别处；真正的攻击者不会被这些限制约束，所以你限制的是自己人。因此她的主张是：**对前沿模型进行测试并且建立理解**。人们担心中国模型存在后门行为，那么正确做法就是建立严谨的安全测试，尽可能查清事实，而不是在几乎没有实际研究时只做推测。 Sarah 相信，廉价到无需计量的广泛智能一定会到来，因为开放模型会支撑它。企业希望从经济性和容量上掌握自己的命运，随着后训练模型和面向任务使用模型的技能进一步民主化，智能才能真正进入庞大的经济体。每个人都有自己的使用场景，前沿实验室的研究者无法想象现实的全部多样性。 ### 算力独立与工业供应链重塑 **大飞**: 主持人随后问了一个很尖锐的问题：智能会不会像核电一样，美国错过而中国赶上了呢？Sarah 说完全可以想象另一种世界：我们虽有智能，却没有以具有竞争力的方式拥有它。美国如果没有自动化，就不可能重建工业基础。美国的劳动力昂贵，同时缺乏部分技能，却又希望生产更多商品并且提高供应链韧性，账根本算不过来。美国保持竞争力并非必然，需要主动做出选择。 不过，Sarah 指出了一个完全可能发生的版本是：人们合理地担心 AI 对就业的影响，也厌恶少数科技公司攫取租金，于是这些情绪与反资本主义立场结合，拖慢了能源、基础设施和工业能力建设。而其中最重要的投入之一就是算力；没有算力，自然就会缺乏竞争力，至少无法保持独立。 所以未来大家会越来越多地谈论**算力独立**。算力独立具体需要什么呢？Sarah 从一个装满 GPU 的数据中心倒推，包括冷却、电力、训练和推理，都依赖全球供应链，这与能源独立非常相似。供应链的某些环节像一只非常细的筛网，集中在对美国及其盟友未必稳定的地方。另一种世界需要大量投资，也需要国家安全与能源政策配合。比如 **Jacob Helberg**（雅各布·赫尔伯格）推动的 **Pax Silica**，思路就是逐项审视供应链，扩大产能并找到独立路径。这不意味着全部都在美国生产，比较优势仍然真实存在，但是每个人都希望关键环节至少有两个来源。他们投资过数据中心劳动力缺口与机器人、核能和替代芯片架构，也一直在看近似数据中心建设商的团队，问题的一部分就是实际产能扩张。 ### 颠覆传统范式的生物学 AI **大飞**: 主持人问道：如今 Conviction 内部最大的争论有哪些呢？Sarah 说有很多。她的播客叫 **《No Priors》**，基本前提就是过去对市场的一些信念今天已经不成立了。他们经常会看非传统软件的领域，并且发问：这个市场究竟能不能赚钱？ 例如，过去投资半导体公司是一门极差的风险投资生意，除了极少数一些公司以外；但是需求明显摆在那里，市场也已经变了，加速器出现了规模化、集中化的需求，供应链独立本身也有需求，因为大型买家不想所有人都卡在**台积电**同一条线上，这改变了这些公司的风险方程。太阳能、电池、核能、涡轮制造、机器人和生物学都如此，每一个都需要新的讨论。 生物学尤其有意思。随着亲眼看到数据，她已经强烈站到争论的一边，认为**模型可以在生物学中创造并捕获巨大的价值**。比如他们给 **Chai Discovery** 开出了第一张支票，这家公司正在与多家全球前十制药公司深入合作。投资前，她已经研究各种计算生物学公司五年多；当时的传统观点是，在生物技术或制药服务中赚钱，唯一办法就是开发药物。过去那些被戏称愚蠢的软件投资人的共识是：向制药公司卖软件赚不到钱，也建不成平台型公司。今天的问题是：模型是否改变了这一点呢？ 她现在强烈认为会改变。监管、实体世界的速度和安全虽然仍然无法轻易绕过，但是应该看到治愈疾病的速度大幅提升，其中一部分价值会由年轻公司创造。 那究竟是哪条证据让她转向了呢？Sarah 回应道，其实他们在不知道答案时就投了，这正是冒险的乐趣。后来没有什么天才般的瞬间，只是看见一份一千万美元合同，就知道客户愿意付钱，客户自己最清楚它有没有价值。Sarah 认为，整个行业真正的灯泡亮起的那个时刻，会是一项新适应症或一款新药的轨迹明确因为 AI 而改变，那之后会出现一大波投资，而且理应如此。制药和医疗行业接受这一点的速度让她印象很深。 ### 确信的本质与信息降噪 **大飞**: 聊到她自己的机构 Conviction，主持人问为什么要起这个名字？Sarah 说，这是一个带有自我期许的名字。最传统的早期投资方式是很早就进入一家公司，持有重要股份，从不卖出，并且一直与公司同行。一个投资人能否在市场尚未认同时形成观点，然后暂时搁置怀疑，以充分的信念行动，直到事实判定它为真或为假为止？她认为这是陪伴创业者的好方式。 投资是一项团队运动，但是总要有人拥有决定权。他们会明确对某个人说：这个决定必须由你来做，你如果相信，就请说服我们。最终，所有人的意见都汇集到一个承担责任的人。 Sarah 指出，最基本的事是弄清自己相信什么，不要过度担心别人怎么想。这里的“别人”，包括当期主流叙事，也包括生态里重要玩家公开宣布的立场。你要做的是寻找事实：**如果你找到了事实，而市场定价错了，并且你能坚持，那么你就处在好位置**。你需要拥有不对称信息，也需要在其他人尚未认同时仍然坚持判断的信心。 那究竟该怎样获得事实、隔离噪声？Sarah 希望向真正让事情发生的人学习，也就是被投公司的创始人，以及投资组合之外许多优秀创业者。凡是创造了她无法解释的新行为的公司，以及探索有意思方向的研究者，或是认真制定 AI 计划的企业，都能提供很好的教育。 举个例子，**Suno** 的 **Mikey Shulman**（迈克·舒尔曼）正在打造很棒的音乐生成业务，一位共同的投资人朋友曾邀请她投资，她拒绝了。当时她想：真有那么多人想创作音乐吗？事实证明她的直觉错了，而且类似错误不止一次。她低估了许多 AI 工具在表达、娱乐和创作上的需求。 相比之下，人们更乐意围绕“大型实验室今天相信什么战略”、“应用层还能不能活”这些问题循环推理，实际对具体决策的帮助不大。想要建立一个宏大的分层战略框架，试图回答最后哪一层会赢，这其实没有用。如果现在只走完了百分之一，她更愿意把精力用于理解接下来百分之九十九的扩散会怎样发生。 ### 杰文斯悖论与对人的信念 **大飞**: 临近结尾，主持人问了一个偏推测的问题：一年后的科技世界会有哪些明显的不同呢？Sarah 说她希望一年后能看到**杰文斯悖论**（Jevons Paradox）在实践中发生：Agent 和产品在生活的各个领域中更有效地处理日常琐事，效果类似软件工程已经发生的转型，她预计这种变化会扩散到其他所有领域。他们已经在被投公司里看到了这种苗头：有一家公司服务大量客户，它的营销部门却基本就是一个人在家工作，营销负责人给公司造了一个自主运行的营销部门。每个职能都会更快学习，减少日常重复劳动，释放出来的时间总会被重新使用。 主持人问：“有 AI 提高生产率后，你工作得更少了吗？”Sarah 说她工作得更多了。这也是**黄仁勋**的一项核心判断：所有人都会更加充分地就业。 对话的最后，主持人问了一个传统问题：“别人为你做过最善良的事是什么？”Sarah 想给出一个集体答案：硅谷有很多成就极高的人，他们很少看重履历，更愿意与你交谈，觉得你也许能帮到他、提出了有意思的想法，或者只是觉得你有潜力；他们是否愿意投入一段关系，主要取决于对想法和人的判断，这非常了不起，可惜大多数的生态不是这样。 她加入 **Greylock** 时只有二十三岁，人们喜欢嘲笑年轻 VC，但是她当时的工作首先只是帮助别人成功并且学习。回头看，她非常感谢有人愿意押注一个随机出现的年轻人，包括 **Reid Hoffman**（里德·霍夫曼）在内的前辈花时间教她怎样成为投资人。创办机构时，也有一些人给过她建议，他们也许觉得只是随口表达意见，却对她意义很大。 在 Sarah 心里，世界是靠信念运转的：**在证据出现之前，先相信一个人有能力完成某件事，这本身就是确信，是对人的信念**。拥有一个想法不需要任何特权优势，人们愿意评估一个想法并且把信念放在我们身上，她对此无比感激。 整场对话到这里就结束了。回过头来看，Sarah Guo 的判断框架其实很清晰：从技术可能性出发，找到那些别人还没看到的机会，然后用直觉建立初始确信，再主动寻找自己的认知漏洞，最终把对人的判断和对业务的判断交织在一起，因为卓越本身就包含了判断力。 她看到的前沿 AI 竞争，不只是模型能力的比拼，更是算力、能源、供应链、开放生态与实体世界的全面较量。未来一年值得验证三件事：机器人能否按承诺进入家庭测试、AI 生物学能不能改变新药研发的轨迹，以及 Agent 能不能把软件工程式的生产率跃迁复制到营销、医疗和更多职业。“如果你找到了事实，而市场定价错了，并且你能坚持，那么你就处在好位置。”这句话，也许值得我们每个人好好琢磨。感谢收看，我们下期再见。