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。这句话来自莎拉·郭（Sarah Guo），Conviction 投资机构的创始人。最近她在 Invest Like the Best 播客上和主持人帕特里克·奥肖内西（Patrick O'Shaughnessy）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。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。
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，他们心里大约有二百五十个人，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。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，像安德烈·卡帕西（Andrej Karpathy）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。“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。”说到具体的人和事，Sarah 举了 Sunday Robotics 的例子。她和合伙人普拉纳夫（Pranav）认识 Sunday Robotics 的创始团队时，他们还是 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。”
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时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。
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。“所以她的主张是：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。
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：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。比如雅各布·赫尔伯格（Jacob Helberg）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。“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 回应到：“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。”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。如果你相信就请说服我们。”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。
的迈克·舒尔曼（Mikey Shulman）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。
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的就业。
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。包括里德·霍夫曼（Reid Hoffman）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。