聊了250位AI顶尖研究员之后，她发现了一个没人敢说的共识|sarah|每个人都会|研究员

你有没有认真想过，那些真正在最前线推动AI发展的人，脑子里装的到底是什么？不是那些在大会上讲PPT的人，也不是媒体上反复出现的评论员，而是那些每天早上睁开眼就在推着这件事往前走的人。他们的判断、他们的担忧、他们私下里的共识，跟我们在外面看到的叙事，往往差得很远。

Sarah Guo是Conviction（信念基金）的创始人，也是硅谷目前最被关注的AI投资人之一。她最近在Invest Like The Best播客上做了一次深度访谈，聊了很多我觉得特别值得认真思考的东西。她和她的合伙人认识那大约250个真正在构建AI前沿的人，我想把她说的那些话拆开来，加上我自己的理解，认真说一说。

那250个人，现在在想什么

Sarah在访谈里提到，她和她的合伙人Mike有一个思考框架：AI最前沿大概有250个人，是真正每天早上起来推着这件事向前走的人，有研究员，有创业者，有工程师。她们基金的目标之一，就是认识这些人里的每一个，尽可能靠近他们，支持他们。

我觉得这个框架本身就很有意思。AI这件事现在看起来规模巨大，资金庞大，参与的公司和机构数不胜数，但真正在推动底层突破的人，其实没有那么多。Sarah说，现在这250个人之间弥漫着一种紧张感，竞争是她用的词，而且是"violently competitive（激烈到暴力的竞争）"。这种竞争不只是商业层面的，更是一种全球层面的竞争，让很多研究员感到不安，因为它在打破某些原来的叙事。

这些前沿研究员现在普遍相信一件事：通过recursive self-improvement（递归自我改进），也就是让AI模型去改进AI模型本身，我们距离某种exponential intelligence（指数级智能爆发）可能只剩一到两年。这个判断在过去12个月里在研究员群体里变得越来越普遍。Sarah说，连Andrej Karpathy这样的人，都以一种很自我觉察的方式说，他已经觉得"还有两年"这件事持续了将近十年了。

我听到这里其实停了一下。"还有两年"这个预测被反复说了十年，这本身说明什么？它说明这件事比所有人预想的都难，同时也说明每一代研究员在那个时间点的信念是真实的，只是现实总比预测晚一步。但这一次会不会不一样？Sarah没有给出答案，我也没有，但我觉得值得认真对待的是，这群最接近真相的人，现在比以往任何时候都更相信这件事快来了。而且这次驱动这个信念的，不只是模型能力的提升，而是recursive self-improvement这个方向本身打开了一个新的可能性——当模型开始能改进模型自身，这个曲线的形状就完全不一样了。

与此同时，Sarah提到了一个让我觉得很现实的观察：现在顶尖实验室规模越来越大，OpenAI从几百人涨到几千人，计算资源的需求越来越大，很多前沿研究员开始觉得自己的贡献变得不那么关键了。以前实验室只有两百个研究员，每个人的工作都直接影响方向。现在如果核心变量变成了堆多少算力，那"我的想法重不重要"这个问题就开始动摇研究员的心理。这不是小事，一个失去ownership感的研究群体，对整个行业的长期发展是有影响的。我自己觉得这背后有一个更深的结构性问题：当一件事的成败越来越依赖资本密集型的投入，个体的创造力和判断力的权重就会下降，而这种转变会悄悄改变参与者的心态，从"我在创造什么"变成"我在执行什么"。这两种心态下产出的东西，质量是完全不同的。

怎么在一个没有历史参考的赛道里做投资

Sarah被问到一个很直接的问题：当你没办法回测（backtest）历史数据的时候，你怎么做投资决策？她的回答让我印象很深。她说一个投资人朋友跟她打了个比方，说自己明明想踩刹车，但实际上还在以每小时90英里的速度往前冲。要么错过机会，要么重蹈历史上每一次技术泡沫的覆辙，这两个风险都是真实的。

Sarah的答案是，她的核心策略其实没那么复杂：选择相信技术，从第一原理（first principles）出发去理解这个领域，然后聚焦执行。她说，"你只需要冒险，保持专注，剩下的是执行力的问题。这听起来简单，但它很难，靠的是真实的付出。"

我觉得这句话背后有一个很重要的东西：她没有说靠复杂的模型或者框架来做决策，她靠的是对技术本身的理解，以及对人的判断。这两件事看起来简单，但在一个所有人都在往里冲的泡沫环境里，能保持这种清醒，需要很强的自我定力。

她举的Harvey这个例子很能说明这种thinking方式。2022年底，她看到大语言模型能做next token prediction（预测下一个词），然后她从这个能力出发往外推：法律是结构化语言，律师每天做的事情是读大量文件，加上大量的检索和文本生成。法律行业里有海量的历史案例和先例文本，这些都是非常好的训练材料。所以她当时就得出结论：法律是一个跟模型能力高度匹配的应用场景。Harvey的创始人Winston和Gabe那时候就相信，AI会从"帮律师看一份租房合同"这种入门级任务，一路延伸到能处理Activision Blizzard级别的并购案，做到85%的工作量。这个跨度是巨大的，但他们从一开始就把这个作为终点来设计路径，而不是走一步看一步。

这种推理方式我觉得特别值得学。她不是先去做市场调研，不是先找一堆律师问他们想要什么，而是先理解模型能做什么，然后找哪个行业的核心工作跟这个能力最匹配。这是一种技术优先的投资逻辑，在那个时间点上大多数人不是这么想的。背后有一个更普适的道理：大多数人评估一个机会，看的是它现在是什么，Sarah评估一个机会，看的是它在技术曲线往前走之后会变成什么。这两种视角得出的结论，几乎必然是不同的。

在一个没有地图的时代投资决策长什么样

Sarah聊到她个人做决策的过程，我觉得挺值得拆解的。她说她在人的判断上很直觉，通常在第一次见面之后就知道自己是否想投。她们有一个1到10的评分，她说自己常常在第一次会面结束时脑子里就已经给了8或者9分。

但这个直觉分数不是终点，是起点。她接下来做的事情，是去找她判断里的漏洞：我对这个人或者这件事的理解，哪里是不完整的或者可能是错的？她会花接下来的几天到几周，拼命去弄清楚别人对这个领域的看法是什么，再去确认这个人是不是她以为的那种人。

她是一个写memo（备忘录）的人。哪怕在公司最早期只有她一个人的时候，她都会把完整的投资备忘录写出来，发给她信任的投资人朋友征求意见。她说她喜欢有人来质疑她的逻辑，逼她自己反思。这跟很多投资人靠直觉或者靠pedigree（背景光环）下注的方式很不一样。

她特别提到一件事，让我觉得很诚实：她说现在市场上有很多人在做大规模的research bets（研究赌注），但对这些赌注本身没有任何真正的直觉或者判断，决策依据主要是这个人的背景有多好，或者谁已经投进去了。她说这种做法是危险的。她举了一个例子，有个很厉害的投资人朋友跟她聊一个公司，当她问"你来解释一下这个公司为什么会成为一个大生意"的时候，对方的答案基本上是"你知道这个人有多厉害吗"——但公司的技术逻辑和商业逻辑根本说不通。

我觉得这个问题在AI领域现在特别严重。因为这个赛道太热了，很多资本根本来不及建立对技术本身的理解，就被迫跟着信号走：谁做了，谁背书了，谁之前出来的。这些信号不是没用，但如果它成为唯一的决策依据，那你其实是在拿别人的判断当自己的判断用，而别人的判断也可能是错的。

那些让她当场说"yes"的人

访谈里有一段Sarah讲了Physical Intelligence（Sunday Robotics）的创始人Tony Xho和Changi的故事，我觉得是整个访谈里最生动的部分。她说她和她的合伙人Pranov在他们还是斯坦福博士生的时候认识了他们，两人大约25岁，在Toyota Research、DeepMind、Tesla都工作过。

Sarah说，她花了一点时间才真正理解他们的工作，但当她理解之后，她觉得这两个年轻人在过去四年里贡献了机器人AI领域大多数真正有趣的想法。她说那次第一次会面，她们当场就说了yes。

让她印象最深的，是他们解决问题的方式。机器人领域长期以来有一个共识：如果我们有互联网级别的机器人数据，我们就会有真正通用的机器人。问题是，这个数据从哪里来？Tony和Changi做的事情是，把这个问题当成一个技术问题来解：怎么用最便宜的方式，收集能覆盖真实世界各种场景和任务分布的数据，同时让这些便宜收集来的数据能最大程度地迁移到模型学习里去。

Sarah说，从斯坦福地下室里的纸板箱，到现在能在真实家庭环境里执行任务的半人形机器人，时间只过去了不到两年。整个团队现在相信，今年年底之前会有机器人进入beta测试，在真实用户家里工作。

我觉得这个故事说明了一件事：真正顶级的人，他们的厉害不是体现在想得有多宏大，而是体现在他们能把约束条件本身变成创新的起点。我们没有足够的数据，那我们就去想怎么用最小的成本收集最有用的数据。这种"在现实条件里找解法"的能力，才是能移动行业的那种能力。我自己观察下来，很多人面对约束条件的第一反应是绕开它，或者等别人解决它，但真正厉害的人会把约束条件本身当成设计题来解。这两种态度在早期看起来差别不大，但时间拉长之后，产出的东西完全不在一个维度上。

compute是AI时代的新石油这件事比大多数人意识到的更重要

Sarah在访谈里花了相当多的时间谈compute（算力）的问题，我觉得这一部分在行业里讨论得还远远不够。

她说她跟一个大型云服务商的基础设施负责人聊，对方告诉她，在2030年之前没有任何东西能在足够规模上对他们产生影响。这句话让她很沮丧，因为它意味着我们在基础设施上的建设速度，根本跟不上AI能力发展的速度。

更根本的问题是，数据中心需要大量能源，而能源基础设施的建设受到监管和社会共识的制约。Sarah说，这不是技术问题，也不是资本问题，是alignment（社会共识）问题。你想建数据中心，你需要说服当地的人为什么他们应该要这个东西。你想让核电成本竞争力足够强，你需要说服人们它是安全的，同时允许足够的建设量来降低成本。这些都是真实存在的摩擦，而且比写代码要慢得多。

从数据中心的GPU，到冷却系统，到电力，再到芯片制造，整个supply chain（供应链）里有非常多的环节高度集中，一旦某个环节出现问题，整条链都会受到影响。她说她们基金在投数据中心劳动力缺口、核能、替代芯片架构等方向，都是在试图填补这个链条里的空白。

我自己的理解是，compute在AI时代的地位，跟石油在工业时代的地位是类似的。谁能获得足够便宜、足够稳定、足够多的算力，谁就在AI竞争里有真正的结构性优势。这不是技术层面的竞争，是基础设施层面的竞争，而基础设施的建设需要时间，比任何软件或者模型都需要更长的时间。这个现实，无论对投资人还是创业者来说，都值得认真对待。

开源模型这件事该怎么看

Sarah对开源AI的看法让我觉得很清醒，她没有站在非此即彼的立场上。她说，现实情况是，过去三年里，有竞争力的开源模型已经从全球各个地方涌现出来了，猫已经跑出去了，这是既成事实。

她的判断是：如果你只是从经济角度看待frontier providers（前沿模型提供商），很多场景下用这些大模型太贵、太慢或者太敏感，用不了。而随着AI能力的扩散，这种情况会增加，不会减少。开源模型让更多人在更多场景下能用上AI能力，这是一件好事。

但她同时也说了很重要的一点：当开源模型的能力到达某个层级，它同样可以被用于对抗性的目的，比如生物安全、网络攻击。这道线是真实存在的，不能忽视。她的主张不是禁止开源，而是要建立严格的safety testing（安全测试）体系，去搞清楚这些模型的实际能力和风险边界，而不是停留在猜测和叙事层面。实际去测，去研究，比单纯讨论"可能有风险"要有用得多。

她说的那个未来——intelligence too cheap to meter（廉价到几乎免费的智能），这是Sam Altman用过的一个说法——会到来，而它的实现会依赖开源生态，依赖越来越民主化的model训练和部署能力。真正的问题不是开不开源，而是怎么在开放和安全之间找到那条更清晰的边界线。

投资生物，她怎么改变了主意

Sarah说她研究computational biology（计算生物学）方向超过五年，在她们投Chai Discovery之前，整个行业的conventional wisdom（传统智慧）是：你在生物或者pharma（制药）领域能赚钱的方式，只有一条路——做药，拿deal，然后决定你愿意承担多少风险，走多远。卖软件给pharma？做平台生意？传统上被认为根本不可能。

她说改变她判断的不是某一个宏大的洞察，而是实际的数据点：她看到Chai的客户，包括多家全球前十的pharma公司，在用Chai的平台真实推进R&D流程，并且愿意付出真金白银。然后她去跟这些pharma公司里的科学家聊，他们告诉她这个工具实际上在改变他们的工作方式。

她说，整个行业的light bulb moment（顿悟时刻）还没有完全到来，那个时刻是当第一个drug indication（药物适应症）或者新药出现，而它的发现轨迹明显是被AI改变或者创造的，那时候才会有大规模的投资涌入。但她相信那个时刻会来，而且她愿意在它来之前就下注。

我觉得这段话说明了Sarah做投资的一个核心逻辑：她愿意在市场还没有看到的时候先看到，然后等着。这需要很强的conviction（信念），因为在那个窗口期，市场给你的反馈几乎全是怀疑。

Jevons Paradox：效率提升，需求反而增加

访谈快结束的时候，Sarah被问到一年后世界会有什么明显不同。她用了一个经济学概念叫Jevons Paradox（杰文斯悖论）——当一种资源的使用效率提升，人们对它的总体需求反而增加，而不是减少。

她的判断是，一年后我们会看到这个现象在AI应用层大规模出现：AI agent帮我们更有效地处理生活和工作里的mundane things（日常琐事），但最终结果不是我们工作更少，而是我们做的事情更多，影响更大。她举了她们投资组合里一家公司的例子：市场部门只有一个人，这个人用AI agent给自己建了一个"自动化市场部门"，输出的工作量跟一个完整团队相当。

她还直接说，她自己用AI之后工作量变多了，不是变少了。这跟Jensen Huang说的那个判断是一致的——每个人都会更有生产力，每个人都会更忙，只要他们能获得工具的使用权。

我觉得这个判断对普通从业者来说其实是挺重要的一个信号：不要以为AI会让你的工作量减少，反而会让你能做的边界扩展，做更多事，产生更大影响。真正被淘汰的，是那些既不用AI扩展自己能力，又无法提供机器做不到的判断和创造力的人。

我自己的一点思考

听完整个访谈，我觉得Sarah最让我印象深刻的，不是她具体投了什么，而是她做判断的方式。她不依赖pedigree，不跟着别人走，她愿意花时间真正理解技术和人，然后在别人还没看到的时候先下注，然后用时间来验证。

有一句话她反复用不同方式表达，我觉得是整个访谈最核心的东西：你要找到真相，然后在别人还没追上来的时候，有勇气持有这个判断。这不只是投资的智慧，也是在这个快速变化的时代做任何事情的底层逻辑。

她说她不担心竞争本身，她担心的是那种zero sum（零和）的竞争心态，那种抢资源、占位置、把别人踩下去才能赢的思维方式。她更相信的是：如果你真的在做有价值的事情，如果你真的在跟对的人合作，如果你的判断是对的，时间会证明它，而不需要你去抢。

这种从容感，在一个大家都在往里冲的时代，反而显得格外稀缺。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

两个“特别坑”的AI产品创业方向，你知道吗