这篇讲的是AI投资专家Sarah Guo的观点：没有一家公司能垄断AI未来。她认为当前AI发展最大瓶颈是算力，而且物理供应链问题到2030年前都难解决。她看好机器人公司Sunday Robotics（预计今年底进家庭）、法律AI公司Harvey（已能完成并购85%工作）和生物AI公司Chai Discovery（已签千万美元合同）。她提醒开源AI已不可逆转，但需注意安全风险。
Sarah Guo，Conviction创始人兼管理合伙人，在本次对话中探讨了AI前沿投资的核心观点：没有任何单一公司能垄断AI未来。她认为，AI领域最优秀的研究者正面临使命感危机，而机器人进入家庭和科学发现的真正加速已近在咫尺。关键结论包括：算力仍是当前最大瓶颈；开源AI并非必然导致智能普及；AI在生物学领域蕴含巨大机遇。Conviction专注于投资AI原生初创公司，通常作为其最早期的投资方。Sarah正押注于AI前沿的中小企业，而非行业巨头，并强调在快速变化的世界中，投资者和创始人需要“没有回测的投资”思维——即依靠信念而非历史数据做决策。
Sarah Guo，Conviction 创始人兼管理合伙人，在本次对话中探讨了AI前沿投资的核心判断：没有任何单一公司能垄断AI未来。她认为，AI领域最优秀的研究者正面临使命感危机，而机器人进入家庭和科学发现的真正加速已近在咫尺。关键结论包括：算力仍是当前最大瓶颈；开源AI并非必然导致智能普及；AI在生物学领域蕴含巨大机遇。Conviction专注于投资AI原生初创公司，通常作为其最早期的投资方。Sarah正押注于AI前沿的中小企业，而非行业巨头，并强调在快速变化的世界中，投资者和创始人需要"没有回测的投资"思维——即依靠信念而非历史数据做决策。
Sarah Guo 认为，AI前沿实验室的研究者正面临前所未有的使命感危机，根源在于他们不再感到自己对最终结果至关重要。
历史脉络与机制拆解： 过去12个月内，AI研究界出现了一个新信念——"通过递归自我改进，模型能自我提升，我们距离某种指数级智能只有一两年"。Sarah指出，这一信念对研究者产生了"去权化"效应："如果问题是，我需要7500亿美元的算力支出，我们有成千上万的人在解决这个问题，我觉得人们对结果的所有权感降低了。"（意即：当研究者认为唯一决定因素是算力规模时，个人努力的价值感被稀释。）
数据链与量级： Sarah引用Andre Karpathy的自我反思——"他认为距离AGI还有两年，这个判断他已经做了大约10年"。关键变化在于：主要实验室的算力密集度和人员规模（"200人规模的OpenAI"）已使个人贡献感大幅下降。研究者面临两种选择："我做什么都不重要，因为模型会自己做"或"唯一重要的是算力规模"——两者都令人沮丧。
推演与证伪条件： 如果这一趋势持续，最优秀的研究者可能离开大实验室，转向创业或学术领域。证伪信号：当研究者重新感到个人努力能改变结果时（如在小团队中取得突破性进展）。
Sarah Guo 认为，算力是当前AI发展的最大瓶颈，且物理供应链的约束远比软件层面严重。
数据链与时间线： Sarah引用与某超大规模云服务商基础设施负责人的对话："在2030年之前，没有任何东西能在足够规模上改变局面。"她指出，美国需要足够的天然气供应，但这不是技术或资本主义问题，而是"监管问题和协调问题"——"如果你想在纽约建数据中心，你需要说服纽约人他们应该想要数据中心"。
机制拆解： 算力供应链涉及多个环节——先进制程产能（台积电垄断）、特种玻璃（"基本上由一家公司控制"）、冷却、电力。Sarah强调："物理供应链是一个严峻的现实。学习如何建造东西、拥有隐性知识、劳动力和原材料——这些不可能像软件甚至决策一样快。"
推演与证伪条件： 如果美国不能解决能源和基础设施的监管瓶颈，可能面临"算力不独立"的风险。Sarah预测"我们将开始更多地谈论算力独立"。证伪信号：美国在核能（SMR）或天然气发电方面取得实质性监管突破，或出现替代芯片架构的商业化。
Sarah Guo 认为，开源AI的扩散已不可逆转，且对经济生态至关重要，但需要正视安全风险。
数据链与现状： 过去三年，来自中国、美国、欧洲的开源模型日益强大（"Thinkie、Poolside、NVIDIA模型、Mistral"）。Sarah指出，即使不考虑实验室的经济利益，"有大量场景下，使用前沿提供商的模型太贵、太敏感或太慢"——且随着AI应用扩展，这一趋势将加剧。
机制拆解： Sarah区分了"商业健康"与"安全责任"两个维度。商业上，开源促进能力扩散，企业需要控制自己的命运（经济性、容量）。安全上，"如果模型能用于防御性网络安全和生物学工作，显然也能以类似方式用于攻击性用例或生物武器"。她主张"对前沿模型进行测试和理解"，而非试图阻止技术进步。
推演与证伪条件： Sarah认为"智能太便宜以至于无法计量"的未来正在到来，但并非必然——"我可以很容易地想象一个我们没有的世界"。关键变量：美国能否在保持开放的同时建立有效的安全测试框架。证伪信号：中国模型中出现可验证的后门行为，或美国因安全担忧大幅限制开源。
Sarah Guo 认为，通用半人形机器人进入家庭的时间线已从"是否可能"变为"何时实现"，而Sunday Robotics团队正以惊人速度推进。
历史脉络与机制拆解： Sarah描述了她投资Sunday Robotics的过程——创始人Tony Zhao和Chang Chi在斯坦福读博时（约25岁），"过去四年里，他们几乎单枪匹马贡献了机器人AI领域最有趣的想法"。核心创新在于数据收集策略："我们如何以最便宜的方式巧妙收集数据，以支持真实世界环境和任务的分布？"团队从"斯坦福地下室的一堆纸板"起步，在不到两年内完成了数百次硬件-模型-数据收集的迭代。
数据链与时间线： Sarah转述团队判断："我们将在今年年底前让通用半人形机器人在人们家中做事情，先是beta版。"她强调"整个团队相信这一点"，并指出"速度令人难以置信"。
推演与证伪条件： 如果成功，将彻底改变家庭服务、老年护理、物流等领域的劳动力格局。证伪信号：实际部署后出现无法解决的泛化问题，或成本无法降至消费者可接受水平。
Sarah Guo 认为，AI模型在生物学领域可以创造并捕获巨大价值，这一判断已从"可能"变为"强烈肯定"。
数据链与实证： Conviction是Chai Discovery的首个投资者，该公司已与多家"前十药企"合作，加速研发流程的某些环节。Sarah指出，传统观点认为"愚蠢的软件投资者无法通过向制药公司销售软件赚钱"，但模型改变了这一等式。关键证据包括：一份1000万美元的合同，以及"客户知道它是否有价值"。
机制拆解： Sarah区分了"监管问题"和"物理世界速度"两个约束。她认为"安全是无法轻易克服的"，但"我们应该看到治愈的显著加速"。转折点将是"当我们将拥有一个由AI创造的新适应症或新药，其发展轨迹明显被改变"。
推演与证伪条件： Sarah预测"我们将看到一波巨大的投资浪潮"。证伪信号：AI辅助发现的药物在临床试验中失败率与传统方法无显著差异，或监管机构对AI生成数据持保守态度。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Sunday Robotics | 看好（已投资） | 创始人25岁；不到2年完成数百次迭代；预计今年年底前家庭beta版 |
| Harvey | 看好（已投资） | 法律AI；从"查看加州租户协议"到"完成动视暴雪并购85%的工作"的跳跃 |
| Chai Discovery | 看好（已投资） | 与多家前十药企合作；1000万美元合同 |
| Suno | 未投资（曾拒绝） | 音乐生成；Sarah承认"低估了表达和娱乐需求" |
| Sigma | 持有观察 | 未明示具体动作 |
| Notion | 持有观察 | 未明示具体动作 |
| Rippling | 持有观察 | 未明示具体动作 |
1. "没有回测的投资"是AI时代的核心挑战（Sarah Guo）
投资者无法依赖历史数据做决策，必须依靠对技术和人的第一性原理判断。Sarah引用一位投资者朋友的比喻："我一直说我想尽可能用力踩刹车，但我不是在以90英里/小时的速度行驶时踩的。"
2. 最优秀的研究者正经历"使命感危机"（Sarah Guo）
当研究者认为唯一决定因素是算力规模时，个人努力的价值感被稀释。这可能导致最优秀的人才离开大实验室。
3. "2030年前没有能改变局面的东西"（Sarah Guo引用某超大规模云服务商基础设施负责人）
算力瓶颈是物理供应链问题，不是技术或资本主义问题。美国需要解决监管和协调问题，而非缺乏技术能力。
4. 开源AI的"猫已经跑出袋子了"（Sarah Guo）
试图限制美国开源模型只会限制守法企业，而不会影响真正的攻击者。正确的做法是"测试和理解"，而非阻止。
5. "智能太便宜以至于无法计量"的未来并非必然（Sarah Guo）
如果反资本主义情绪阻碍能源和基础设施建设，美国可能失去竞争力。她预测"算力独立"将成为核心议题。
6. Sunday Robotics的两位创始人"单枪匹马贡献了机器人AI领域过去四年最有趣的想法"（Sarah Guo）
核心创新在于以最低成本收集数据的方法论，而非单纯追求模型规模。团队从"斯坦福地下室的一堆纸板"起步。
7. AI在生物学领域的价值创造已从"可能"变为"强烈肯定"（Sarah Guo）
传统观点认为无法通过向制药公司销售软件赚钱，但模型改变了这一等式。关键证据是客户的实际采用和付费意愿。
8. "如果你找到真相，而它被错误定价，你就处于有利位置"（Sarah Guo）
Sarah的投资哲学是"不对称信息+持有观点的信心"。她认为大多数投资者花太多时间思考"哪个层级会赢"的战略框架，而太少时间思考"接下来99%的扩散会是什么样子"。