欢迎收听本期的晚点聊，今天的主播是曼琪。这个一月即将到来的农历春节也没有丝毫减速模型竞赛。DeepSeek发布开源推理模型 R 一，以相对低的成本在一些 benchmark 上比肩甚至超越了 O 一的表现，在全球掀起了广泛的讨论。这期节目我们邀请了二零一五年于硅谷成立的 Fusion Fund 的创始合伙人张璐，来和我们一起聊聊当前美国科技圈和硅谷的语境中对 DeepSeek 等中国模型的讨论。我们也延展聊了 O 一还有 DeepSeek R 一等推理模型打开的 Agent，也就是智能体的应用空间，以及在美国的科技投资视野中，除了 AI，大家还在关注什么？Fusion Fund 曾投资 Space X、AI 音频公司 Otter AI，还有 AI 与医疗结合的公司 Sato Medical 等。在 AI 领域，他们重点投资美国本土的 To B AI 公司。张璐认为 DeepSeek 的出圈和影响力是开源生态的胜利，而开源的繁荣更有利于初创企业。张璐也谈了他对 DeepSeek 利空英伟达和 GPU 算力需求，以及 Meta 等美国大公司感受到的压力。他的观察是，长线看，DeepSeek 这类大幅降低 AI 模型训练、部署成本和使用成本的开源成果，会促进更多其他公司把 AI 大模型带到各行各业，长期会带来 AI 用量和算力需求的提升，所以这对算力需求并不是一个利空。对 Meta 这样大力投入开源的大型科技公司，张璐认为他们的一些贡献和整个开源社区的进展，本身是 R 一这类成果出现的条件之一。同时 Meta 作为美国 AI 开源生态的主要玩家之一，也将长期受益于开源的繁荣。我们聊这期节目时是二零二五年的一月二十七日上午，当时还没有发生英伟达的股价大跌。这次波动的幅度超出了一些人的预期，但也许并不影响长期的趋势判断。下面就正式进入本期节目吧。
程曼祺 Manqi Cheng
今天我们很高兴邀请到 Fusion Fund 的创始合伙人张璐来录制节目。张璐作为科技投资人，有技术背景和创业经历。他毕业于斯坦福大学材料科学与工程学院，在斯坦福期间创立过一家医疗器械公司，后来这家公司被收购。
从 2015 年开始，张璐创立了 Fusion Fund，在硅谷进行投资，重点关注医疗、企业级 AI、工业自动化和太空科技领域。这一次也很难得，我们可以请张璐和我们聊一聊他在硅谷、在美国感受到的一些前沿科技投资动向，包括大家现在最关注的 AI 技术变革。同时我们也会聊聊，除了 AI 之外，现在美国科技投资的热点还有什么。
张璐
好的，谢谢曼琪。大家好，很高兴参与今天的讨论。
程曼祺 Manqi Cheng
我想先从最近这一个多月非常热闹的大模型更新和竞争开始聊。我觉得正好可以对一对我们两边的感觉是否一样。比如最近这段时间，在中国讨论最多的一家公司就是 DeepSeek。
它既不是像字节、腾讯这一类大的科技巨头，也不是 2023 年之后形成的中国大模型“六小虎”。它之前是一家比较神秘的公司，位于杭州。最近它在国内特别火的一个原因，也是“墙内开花墙外香”：大家发现，国外，特别是美国的技术社区，对 DeepSeek 的关注非常高。
想问一下，您自己的感觉是怎样的？
1. DeepSeek震动硅谷
张璐
是的，尤其是过去这一周，对 DeepSeek 的讨论非常多。我上周正好在达沃斯。你们可能也看到了，当时有人接受采访时提到了 DeepSeek，我记得是 Scale AI 的创始人 Alex。
我在达沃斯参与各种讨论时，势必也会聊到硅谷的人工智能模型。达沃斯汇聚了各个领域的领导者，有几位甚至不是科技圈的人，也会问我中美模型的比较，以及他们听说的这家公司。所以我确实觉得，DeepSeek 这一次代表中国的模型公司，在国际科技领域获得了很广泛的认知度和关注度。
在硅谷这边，比如去年年底、准确地说是在年底之前的 NeurIPS 会议上，已经有很多人开始讨论 DeepSeek 了。再往前一些，和 OpenAI、Anthropic 的朋友聊到这个方向时，他们也已经提到在关注 DeepSeek。
我觉得主要还是因为，在整个开源生态里，信息沟通和交互比较高效。尤其是对于新模型在架构、基础架构层面上的探索，大家都会比较关注。但那个时候，OpenAI 和 Anthropic 在谈到 DeepSeek 时，并没有特别强烈的感受，不会觉得它可能比自己做得更好，或者模型各方面的性能会更加优化。
到去年年底，这方面的关注度更多了。最近这一段时间，尤其是过去一周，它新发布的 R1 确实给了大家一个很大的惊喜。
在美国这边也有很多讨论，无论是在业内，还是在 Twitter 上，都能看到很多相关内容。过去这一周我虽然人在达沃斯，但我们 Fusion Fund 内部有一个讨论群，我的几个合伙人，尤其是做人工智能相关投资的合伙人，一直在讨论这件事。
其中有一位合伙人曾经在雅虎最早的搜索引擎团队工作过，陆奇当时也在雅虎，他们一起共事过。他一直在群里问我：“你对这家公司了解多少？你认不认识他们的创始人？”因为他觉得我是华人，可能会更了解一些。
我们甚至在过去两天还一直讨论 DeepSeek 的优势在哪里，包括它的训练、推理等方面。所以我觉得，它确实引起了大家很多关注，也带来了惊喜，是模型领域从去年到今年的一匹黑马。
程曼祺 Manqi Cheng
具体来说，您和周围的硅谷投资人、AI 创业者朋友们，看到的惊喜有哪些？大家会怎么理解 DeepSeek 这类公司的异军突起？
2. 开源生态的胜利
张璐
这家公司做得非常优秀，但最重要的是，它是开源生态的胜利。
整体来看，至少在美国的开源生态里，大家的信息交互还是比较及时的，甚至不需要点对点地交换信息。整个开源生态本身就是一个大的生态。我记得大概去年 3 月，在斯坦福的一次活动上，我们一直非常支持开源生态，对它非常看好，觉得这个生态其实还有很大的潜能。
所以过去这几个星期，可能让大家比较兴奋的一点是，DeepSeek 代表了开源正在超越闭源，至少是在赶上闭源，甚至有可能超越闭源的一种发展速度。开源的发展速度让大家看到，整个生态合作存在很大的可能性。
这种可能性不是一个区域性的、局部性的可能性。即使是 DeepSeek 这样远在中国的团队，也可以在开源生态里做出非常大的贡献，所以我觉得开源生态中彼此的支持还是很重要的。
当然，DeepSeek 有很多创新的地方，但它也一定是站在很多前沿的开源生态和闭源生态之上。此前已经有很多不同的模型和架构，有些人可能是通过实践摸索出了一些方向，让它看到哪些方向值得探索；也有一些工作让它意识到，哪些方向不必再尝试，从而去探索新的架构，看看怎样通过新的架构降低成本。
程曼祺 Manqi Cheng
这个公司的创始人本人好像比较少出来，所以大家对这个人的了解可能比较少。但实际上，之前的 DeepSeek V2、V3 也都是开源的，他们每一代模型都是开源的。
最开始 V2 在技术社区引起一些反响，也是因为它的开源技术报告写得非常细，连一些中间过程和实验结果都释放得很充分。对很多研究者来说，大家会觉得很佩服这种做法，所以他们整体的做法还是非常开放的。
我刚才想到，Meta 的杨乐坤最近也发了一条推文。他说，我们应该把 DeepSeek 这件事理解成开源模型超过了一些闭源系统。
另外，我觉得对于强化学习来说，强化学习并不是一个新的东西，已经发展了很久。现在 DeepSeek 可以做到完全无监督的强化学习，而且很重要的一点是，这对整个 scaling law 也是一个好消息。
它可以免除大量标注过程数据，尤其是让模型进行自我探索、自我思考和自我反思。这一点让大家非常惊喜。之前业内很多人，包括 DeepMind 的人，都觉得过程数据的标注是必须的，只有这样才可以达成这样的结果，实现自发的 chain of thought。
但现在大家发现，不进行过程数据标注，无监督的强化学习也可以做到。我觉得这是让大家非常惊喜的一点。
3. Scaling Law Survives
张璐
现在也有很多人会问，这是不是证明 scaling law 已经不成立了，或者它会改变 scaling law。我觉得不是。相反，这其实是对 scaling law 的进一步提升和支持。
我们仍然可以沿着 scaling law 这个方法和大方向继续走。如果应用更多算力，就可以把模型能力再提高一个数量级。我觉得这对整个产业，无论是开源还是闭源，都是非常大的启发和推进。
大家最关注的，确实是它做到了无监督的强化学习，免除了大量标注过程数据。还有很多人关注它的成本。成本的降低是一个结果，而它达成了这样的结果，本身就让大家觉得非常惊喜。
有些公司也是开源生态的参与者。说实话，在美国，包括我们投的很多公司，对开源生态的贡献也很大，他们会非常详细地把自己的所有细节分享出去，所以成本这件事本身，可能没有让美国这边的人觉得特别难得。
但此前中国的模型公司，或者其他开源模型公司，可能没有分享得这么详细。过去这段时间大家也会看到，OpenAI 现在我们都开玩笑叫它“CloseAI”，因为它也不会开源。Mistral 本来是开源的，现在也不再开源了。包括 DeepMind 的 AlphaFold 3，最后也没有去开源，也没有分享很多细节。
在大厂逐渐收紧信息分享的过程中，DeepSeek 出现了。它做了很多新的东西，又把这些新东西非常详细地分享出来，这会让大家很尊敬这家公司的做法，以及它对开源生态的贡献。
开源本身就是一个互相支持的过程。很难说我对开源生态的贡献绝对是别人无法比拟的，大家其实是一起贡献了这个生态的发展。我觉得 DeepSeek 让整个开源生态看到，中国企业家、中国创业者对这个生态有非常高的认可度，而且行动上也保持了一致性。
当然，成本的降低也非常好。这本身是对未来人工智能产业应用和垂直领域应用的一个很大助力。大家现在最大的担忧，其实还是人工智能的成本问题。
4. 企业客户只看回报
我在达沃斯接触到的项目，以及我们投资的项目，基本上都是 To B 应用。你去和大企业谈人工智能落地，他们的第一反应并不是模型是不是最好、是不是最准确，而是一个词：ROI。
他们会问，你的 ROI 怎么样？成本是多少？需要多少算力、多少电？在这个基础上，怎样才能让我的回报和投入成正比？DeepSeek 把成本降到这么低，打开了未来大规模商业化的可能性。
程曼祺 Manqi Cheng
现在我看到，很多用户已经开始把它的模型蒸馏出来、做成更小的模型。基本上，做出来和 o1 表现差不多的模型，成本可以非常低。我觉得这也让大家很快看到了开源生态的价值。
我记得 Perplexity 的 CEO 说过一句话：历史告诉我们，一旦开源追上甚至超越闭源软件，开发者就会转向开源。现在大家已经看到了这种可能性，所以很多开发者也会继续涌入开源生态。
您自己一直比较相信，在大模型这个技术上，开源是很有可能追上闭源的吗？因为这件事在前两年可能还有一些争议。
张璐
从一开始就是这样。去年 3 月那次公开演讲时，我就提到我们非常看好、非常有信心，也很相信开源生态发展的可能性。
另外，当时还有一个整体理念，也和我们的投资偏好有关。我们不投 To C，投的所有企业都是 To B 的企业级应用，尤其是垂直领域的小模型。
在垂直领域小模型的基础上，怎样提升模型的效能和准确率，同时让模型的规模相对较小？开源生态的好处就是多样性比较大。你可以看到各种各样不同的架构，也可以看到推理层面的创新，帮助垂直领域的小模型做得更好。
这可能也和我们的投资偏好及属性相关。但你问我当时是不是很笃定它能很快追上，我那时候可能也没有具体的时间线。
另外还要说，开源生态对谁最有利？一定是对初创企业最有利。闭源则一定是对大企业最有利。我们作为早期科技投资人和投资机构，当然也从自身利益的角度希望开源生态发展得更好，也希望看到蓬勃发展的初创企业生态对开源生态的支持和需要。
程曼祺 Manqi Cheng
您刚才讲了几个点，包括开源，以及这次 R1 的技术报告里提到的一些技术改进：它没有做监督微调，而是直接从零开始强化学习；还有成本上的亮点。这些可能都是专业人士会关注的点。
您周围其他领域的朋友，或者从比较直观的体验来说，最近有没有感受到大家对中国模型的讨论发生变化？我注意到，在美国区 App Store 上，DeepSeek 的下载排名已经很高了。我今天早上看的时候，它在免费总榜上已经是第一，昨天晚上看还是第四，今天又上升了几名，已经超过 ChatGPT 了。
张璐
我觉得它下载量大，一方面是因为它允许用户进行蒸馏。它是开源的，所以用户可以蒸馏出小模型，灵活度比较高。
另外，它的整体成本确实很低。无论是它公布的数据，还是大家看到的训练成本和推理成本，很多人讨论的都是训练成本低，但其实它做推理的成本也很低。
这就非常适合初创企业和小企业。它们拥有的资源有限，无论是训练，还是推理，需要获得的资源都比较有限，资金和算力都是如此。所以 DeepSeek 是一个比较优异的选择。
至于 DeepSeek 会不会改变大家对中国模型的讨论，我觉得可能会带来一些变化，但它和其他中国模型公司的路径可能不太一样。我对中国其他模型公司没有那么熟悉，但 DeepSeek 可能是第一家让美国模型公司、初创企业，甚至整个 AI 圈看到：中国的人工智能公司和模型公司，也在做底层架构创新的探索。
大家也知道，中国企业家的执行能力很强。美国这边只要出现新的 API，或者 Llama 3 发布之后，中国这边就会很快在基础上搭建应用。大家可能形成了一种印象：很多从 0 到 1 的创新在美国发生之后，中国会很快把它落地成应用。
但我觉得 DeepSeek 反而没有太关注商业化角度的探索，它更多是在做偏底层架构方向的创新。当然，它在工程领域也有很多很好的创新。这一点可能是它和其他中国模型公司区别开的原因之一。
另外，最近它也受到很多讨论。昨天我记得 AMD 对它做了背书，宣布 DeepSeek 使用了 AMD 自己最强的 AI 芯片之一 three hundred X，来进行大模型推理，也就是 reasoning 方面的训练。
从这个角度看，AMD 和英伟达正在 AI 赛道上竞争。AMD 目前确实还处于劣势，而且很多模型基本上都绑定 CUDA 系统。所以我觉得 DeepSeek 和 AMD 的合作，也可能让它获得一些大厂层面的关注。
程曼祺 Manqi Cheng
昨天有一位平时不太关注 AI 的朋友来问我，为什么大家现在都在讨论 DeepSeek，以及为什么这件事会被理解成做空英伟达。他比较关注股票，但之前没有那么关注 AI 模型这一层。
5. GPU需求不会消失
张璐
我觉得这离做空英伟达还差得很远，不会是做空英伟达。反而因为 DeepSeek，大家应该看到，整个人工智能市场的增速会继续加速。
为什么？道理很简单。从人工智能这个概念，到 ChatGPT，再到现在，已经两年了。下一步我们要推进、或者说期待的，是大规模的人工智能垂直领域应用，是在大产业中的铺设。
它不只是在科技行业，也包括传统行业。所有拥有海量高质量数据的行业，现在其实都是植入人工智能应用的好时机。最大的挑战就是成本。
DeepSeek 给大家提供了一种可能性：成本可以指数级降低，而且它只是一个开始。除了 DeepSeek，还有很多其他开源模型在发展。Llama 团队也在继续探索低成本方案，包括我们投资的一些项目，也有很好的新技术方向。
我们前段时间有一家公司和 AMD 合作，它可以马上把模型规模降低至少 4 倍，同时把效率提升 2.5 倍，相当于整个成本降低 10 倍。
所以，很多新的开源模型出现之后，会让大家看到，在相对更短的时间内，人工智能有可能以更低的成本、更低的价格，进入大规模产业应用。这个时候，对 GPU 的需求当然会更高。
因此我不觉得这是做空或者利空英伟达的信号。相反，它让大家看到，人工智能带来的全产业数字化转型，可能会更早发生，也会有更快速的迭代。
程曼祺 Manqi Cheng
现在大家建立这个联系，我觉得是一个比较简单的数字关系。按照 DeepSeek 的披露，他们训练的一个模型 V3，用了 2048 张 H800，效果在一些 benchmark 上超过了 Llama 3.1。Meta 训练 Llama 3.1，则使用了 16,000 张 H100。
所以大家会觉得，这个数字差距非常悬殊。但您刚才说的那一点很重要：正是因为在某个性能差不多的模型上，成本变得更便宜了，才打开了更多产业空间，让 AI 可以渗透到更多行业。
我最近看到一个段子，想向您求证一下，不知道在美国大家有没有讨论这件事。有人说，Meta 有一名员工在美国的职场社区网站 Blind 上发帖，说 DeepSeek V3 发布之后，Meta 内部也有一些压力，因为他们发现 V3 的训练费用可能比 Meta 这个部门很多高管的年薪还低。
我不知道这个段子是真是假，也没有关注那个平台。美国这边会讨论这些事情吗？
张璐
我不知道那个段子是真是假，也没有关注你说的平台。但 DeepSeek 公布的训练价格是 500 多万美元，这个价格并没有包含前期投入和前期研发。
这就像炒一道菜：你到底只计算炒菜时用的原材料和调味品成本，还是要把厨房、锅碗瓢盆，以及把菜炒出来之前的投入也算进去？这两种成本的计算是不一样的。
第二，成本确实是目前人工智能模型发展方向里最主要的话题之一。你说 Meta 会不会有压力？它一定会有压力。
在整个开源生态里，Llama 的结构和架构一直是大家公认使用比较多的。简单来说，如果你要利用开源模型去搭建应用，大家可能会优先复制 Llama 的结构。
所以现在，他们也希望 Llama 4 不仅成为开源生态里大家关注的最好的开源模型之一，也希望自己的开源模型可以匹配甚至超越闭源模型的表现。DeepSeek 其实帮助 Llama 探索到了一个新的模型结构方向，对 Llama 来说，整体的内部产品发展是利好的。
但从一个大型科技公司的角度看，前期投入很多、体量很大，因此在品牌和公关层面，可能会面临一些小小的挑战：为什么一家小公司做得比大公司更好？
所以我觉得，这里有一个实际技术发展层面上的好处，也有一个大公司在 perception，也就是产品对外认知价值层面上的考量。从长期来看，对 Meta 也是一个好消息，只是现在大家会直接拿它进行比较。
毕竟 Meta 是开源生态里唯一一家大型科技公司，而且一直希望成为开源生态的领头羊。它这么做，也是为了和谷歌等开发闭源模型的大型科技公司形成区别，建立自己的优势，同时鼓励更多开发者在开源生态里使用 Llama 的结构。
程曼祺 Manqi Cheng
您刚才还提到，DeepSeek 说的 557 万美元训练费用，其实只计算了 GPU hours 的成本。报告里写得很清楚，它没有算前期研发，也没有算从开源社区获得的一些想法，更没有算相关人员的工资。
张璐
对。开源生态里有各种各样的小模型。Llama 的架构大家会觉得比较成熟，相对来说拿来就可以使用。
我们经常说，开源生态里的模型架构大概有两类。一类是像 Llama 这样的成熟架构，拿来之后在上面加一点东西、做一些 fine-tuning，就可以直接使用。
另一类更像半成品，或者预制菜。你拿过来之后，还要自己完成剩下的 20% 或 30%。但 fine-tune 之后，这个模型相对可控的部分比较大，搭建应用时的灵活度也更大。
所以开源生态里其实有很多可用模型。我们现在投资的很多公司，包括过去几年投资的生成式 AI 驱动的垂直领域人工智能模型，基本没有哪家公司是从头训练模型的。
它们大多利用开源模型，或者调用一些 API，在这个基础上像调鸡尾酒一样，继续做自己的优化和 fine-tuning，再使用自己的 data library，也就是专属的行业高质量数据库，进行模型优化和训练。
在不断训练和调整的过程中，形成一个垂直领域的应用，然后再把产品销售出去。它们的特点是模型规模都比较小，都是垂直领域小模型，因此成本相对较低。
所以从我们的角度来看，很多人讨论 DeepSeek 的成本降低和模型规模，但我们可能早就比较相信，未来整个行业会有一个大的趋势，就是垂直领域小模型的发展。垂直领域小模型会让整个产业应用 AI 的成本大规模降低。
程曼祺 Manqi Cheng
接下来也想聊一下硅谷对闭源模型的观察和看法。一方面，我们可以看到中国以及全球很多公司都有模型进展；另一方面，大家更新的方向还是在 OpenAI 的 o 系列，也就是 o1、o3 开启的推理模型方向。
OpenAI 依然是闭源系统。也有人猜测，OpenAI 还有更多厉害的东西没有发布。大家是不是会高估开源大模型和闭源模型的接近程度，低估它们之间实际的技术差距？
6. 闭源模型仍然强势
张璐
不仅是 OpenAI，Anthropic 和 Gemini 的发展速度也非常快。我觉得这次大家对 DeepSeek 的消息这么兴奋，也和一种担忧有关：未来人工智能的发展，包括基础模型的迭代，会不会被几家大科技公司控制。
毕竟这些公司无论在资源、算力还是人才层面，都有绝对优势。开源生态则对整个创新生态，尤其是初创企业的创新生态，更有帮助和支持。
所以 DeepSeek 引起这么大关注，也和整个大的环境有关。现在 OpenAI 确实是行业 benchmark，大家都会和它对齐，会比较它发布的 o1 和自己的表现。
但其他公司追赶的速度也非常快。比如 Anthropic 现在在 To B 领域发力很强，你可能也会看到一些行业数据，包括它收入的增长，以及它在行业里的影响力。
这其实是一个相互成就的过程。Anthropic 拿到更多企业级订单，也就意味着它可以拿到更多行业数据。
OpenAI 的网络爬虫非常厉害，会爬取很多公开的 C 端数据进行训练。现在大家也在讨论使用合成数据训练带来的问题和挑战，NeurIPS 前段时间也有文章讨论这个问题，谷歌也在讨论。
但如果 C 端数据已经被使用得差不多了，下一步怎样获得更多样、更高质量的数据？B 端数据就很关键。Anthropic 在这个领域可能获得的 B 端数据量，以及行业的多样性，会越来越好，这对它的模型发展也是很大的优势。
除此之外，大家讨论比较多的还有 xAI，也就是马斯克旗下的公司。一方面，xAI 聚集的人才质量很高，核心团队的实力确实很强。更重要的是，它可以拿到非常丰富的数据资源。
这些数据不只是质量高。我们经常讲语言模型，语言模型核心训练的数据，很多还是二维数据。但你想想，xAI 可以拿到什么数据？特斯拉不仅有汽车相关的数据，还有整个工业工厂的数据。
这些工业工厂的数据，可以延伸到三维工厂、生产调度、供应链和自动化等各方面。还有 SpaceX 相关的数据。SpaceX 有巨大的卫星工厂、火箭基础设施和大量相关数据，更重要的是还有很多卫星数据。
Starlink 收集了大量卫星数据，有二维的，也有三维的。所以它拥有海量、高质量的三维产业数据，这可能是其他公司很难获得的。
从这个角度去想，确实有很多东西我们可能还不知道，因为这些公司还没有发布，但它们内部迭代的速度非常惊人。
前段时间，有一家公司——具体是哪家公司我就不说了——其中一位创始成员和我关系很好。他告诉我，他们内部使用自己开发的人工智能编程工具，也就是让人工智能写代码，现在基本上 70% 到 80% 的代码都是 AI 写的。
这就导致他们团队的效能提升得很快。你可以看到，他们内部不仅在做模型，也在模型基础上开发各种应用，而这些应用还没有推向市场让第三方使用。第一步是服务内部，进行内部大规模的效能提升。
程曼祺 Manqi Cheng
一方面，他们内部可能已经有一些外界不知道的进展；另一方面，像您刚才说的，Anthropic 最近一年在企业级市场的份额，以及技术社区对它的认可度，也在提升。
它和之前 OpenAI 一家独大、一骑绝尘的局面不太一样。哪怕是这些闭源公司之间，好像也没有之前那么悬殊的差距了。
张璐
是的。你看 Gemini 的发布，Gemini 的产品也非常好。
我有一个合伙人很有意思，他会用 Gemini、Claude，也会用 ChatGPT。他会跟我说，ChatGPT 在某些方面的准确率比较高，但在写作风格上，Claude 的水平更高，写出来感觉更好。
他自己的写作能力也很强，之前还做过一段时间记者。你会发现，各家模型都有自己的优势，也能看到背后模型架构体现出的不同特点，以及训练数据的差异。
ChatGPT 现在其实还有一个准确性问题，这和它的训练数据也很相关。
程曼祺 Manqi Cheng
说到写作风格，昨天我不是给您转了一个小红书帖子吗？我不知道您能不能看到帖子里的内容。现在大家在小红书上对 DeepSeek 的一个讨论是，有时候你问它一些问题，它会突然输出非常诗意、非常科幻文学的表达。
好像不同模型的输出性格，确实也都不太一样。
张璐
这个帖子是今天我们要聊之前我才看到的。我看你截图的几张图片，觉得很有意思。之前我没有从这个角度想过。
你想想，DeepSeek 的过程正如我们刚才提到的，它是无监督强化学习。相当于让模型自己探索、自己发现、自己反思，然后形成这样的答案。
所以很有意思。就像你说的，它确实也代表了一种性格，或者说不同架构确实会让它最后探索出来的沟通方式不一样。
程曼祺 Manqi Cheng
比如它回答问题时会说：“每次你输入文字时，我的大脑——也就是这个模型的大脑——会瞬间点亮一片庞大的数据星云空间。”我就觉得，这个表达是怎么想出来的，挺有意思的。
张璐
我还有一个非常不成熟的想法。毕竟在美国，这边所有训练数据大部分还是以英文为主。但 DeepSeek 作为一家中国公司，或者说一些中国公司，在训练时可能会同时使用中文和英文。
你本身是记者，也知道文字和语言体现的是背后的思维逻辑，甚至是文化差异。是不是可以通过不同语言的训练数据，带给模型不同的训练结果？我觉得这很有意思，也很有可能。
我前段时间和朋友讨论过一个很有意思的话题。比如从基本数据来说，以美国为例，美国历史课本讲美国独立战争时，描述方式和英国教材讲美国独立战争时，应该有很大不同。
这是同一个事实，但描述完全不一样，哪怕都是英文体系下对同一事件的描述。如果用不同的信息训练模型，再问同一个问题——美国独立战争当时的诱因是什么——是不是也会得到相对不同的答案？
这还是比较简单的文化语境和历史背景差异。如果换成不同语言呢？英语是一个语系，中文也是一个语系，我觉得也会很有意思。
中文和英文各自都有特点。哪种语言更简洁，哪种语言更有诗意，哪种语言会包含更多指代和意象，我觉得都值得讨论。当然，这只是我个人比较不成熟的想法。
以后如果我们看到更多公司使用不同类型的数据训练，并得到更多像你发给我的图片里那样不同的反馈结构，说不定可以找到一些相关性。
程曼祺 Manqi Cheng
您觉得，2025 年全球 AI 技术升级、模型升级中，有哪些期待的方向和可能出现的新动向？
7. AI走向边缘设备
张璐
从最现实的角度来说，和我的投资息息相关，我当然非常关注更多小模型的出现，尤其是垂直领域小模型。模型规模越来越小，越来越灵活，也越来越高效。
一方面，我投的很多企业都是 To B，垂直领域小模型从商业和成本角度看，都是非常明确的要求。另一方面，我非常相信人工智能未来有一个很大的方向，叫 AI on the edge devices，也就是人工智能在边缘设备上的铺设和应用。
现在大家想到边缘设备，第一反应可能是手机。手机是一个有很强运算能力的边缘设备，但我们还有其他设备，比如话筒、耳机、台灯。这些设备未来怎样搭载人工智能模型，成为和人对接的智能接口，是未来发展的一个大方向。
不只是我这么想。美国一些大型科技公司，比如高通、博通和惠普，也都在探索怎样让自己的产品，以及一些大规模应用于产业的边缘设备，有能力搭载人工智能模型。
包括工厂、供应链、制造生产等场景，工厂里有很多传感器。传感器是不是也可以搭载人工智能模型？一个小小的传感器，运算能力能有多大？它的耗电量也很有限，能够调度到的电量也有限。
如果要在这种设备上运行人工智能模型，前提就是模型必须又小又好用。所以我们非常期待这个方向出现新的技术和架构。我们也有很多被投企业在这方面发展得很快。
我们之前有家公司，把最小模型做到了 10 亿 token 以下，表现可以相当于把模型运行在 Raspberry Pi 上。如果你用过 Raspberry Pi，就知道它的算力和能耗都非常有限。
但它可以在上面运行一个人工智能模型，表现和 GPT-4 比较相当。这是他们去年下半年推出的新模型产品。所以我觉得这个方向值得持续期待，也希望有更多技术真正加速 AI on the edge devices，也就是人工智能在边缘设备、边缘端的铺设。
这样就不只是能在手机和电脑上使用人工智能，而是在各种设备上都有智能 AI，包括 AI agent 的铺设。这个方向是我相对比较期待的，而且现在发展速度也很快。
这个方向还有两个很重要的考量。现在我们对人工智能除了成本之外，还有两个比较大的担忧：一个是延迟性，另一个是数据隐私。
如果在边缘端运行，相当于反馈速度会更快。现在使用一些产品时，还是会遇到延迟。如果所有东西都要传到云端处理，再返回结果，中间会有延迟，也会增加耗电量。
更重要的是，数据隐私不一定能得到保障。但如果敏感信息可以在设备本地处理，比如我和你面对面聊天，我们对话的内容进入话筒，由话筒在本地处理并反馈信息，那么数据安全性就会更强。
金融、保险和医疗等比较敏感的领域，可能也会更愿意在这个前提下使用人工智能技术。所以我觉得，这是一个很大的方向。
另一个方向，就像 DeepSeek 带来的讨论一样，Attention 架构已经发展这么多年，但很多人并没有真正去改变它。DeepSeek 做了一些调整，发现可以获得更好的结果。
所以我去年一直在各种场合讲，我们才刚刚开始。虽然大家觉得人工智能领域已经发展得如火如荼，但在很多模型架构层面，我们其实还处于起步阶段。现在有很多新的模型架构正在涌现，DeepSeek 就是其中一个例子。
我们也看到一些新的算法和模型架构。有一家公司的新架构，我不能提名字，但它可以让 AI 模型在 CPU 上运行的效率比在 GPU 上更高。
这其实是非常有意思的方向。现在大家会觉得，所有人工智能都要使用 GPU 芯片才能应用和铺设。如果出现新的算法模型，新的架构在 CPU 上运行比 GPU 更高效，那么 CPU 厂商的供货量，以及它们在整个产业中的影响力，可能也会和以前不一样。
这不是简单的替代关系，不会形成某种单一替代，而是会带来更多样性。所以我觉得，这也是开源生态最大的价值之一。
开源生态会让我们看到更多样性，也会激发更多探索。大家不再局限于一种架构，而是会有更多信息交互、互相配合和支持，涌现出更多新的架构、新的算法模型，同时带来更多产业 AI 应用的可能性。
程曼祺 Manqi Cheng
您刚才说的三个方向都很好：一个是更小的垂直行业模型，服务各个行业；一个是 AI 在边缘设备上的应用；还有一个是架构更新。
正好接下来想聊一聊，模型升级之后，大家最终还是期待它带来应用层面的变化。目前大家做得比较多的推理模型，一个很重要的意义就是让之前设想了很久的智能体应用，也就是 agent 应用，有了更多可能性。
OpenAI 刚刚发布了一个新应用 Operator，有点像 Anthropic 之前发布的 Computer Use。接下来想聊聊，这些模型变化可能带来哪些应用。您也可以讲讲你们已经投的企业，或者见过的企业，都有哪些尝试。
您自己用过 Operator 或者 Computer Use 吗？
8. Operator开启Agent时代
张璐
我没有用过 Computer Use。Computer Use 好像只有 API，所以我们没有用过。Operator 我试了一下。
我的感觉是，它确实像你说的，多了一层能力。它的核心是可以帮你做事情，不只是简单地一问一答。比如你说“我要订一张机票”，它会进一步探索、查询机票、确认信息，或者执行其他指令。
但一方面，它的速度还是比较慢。简单查询一个东西，你会看到它调度浏览器去搜索，速度很慢。你自己查可能两秒就完成了，它却慢慢地挪过去，像一个老太太。
另外，它还是会编造一些信息和数据。有些你可能看得出来，有些可能看不出来，这可能也是它早期存在的问题。
但我觉得前景还是非常美好的。不只是 OpenAI，现在包括大公司，讨论 AI agent 比较多的还有 Salesforce。Salesforce 也一直在推出未来在 AI agent 上的布局。
这次在达沃斯，我们也遇到了 Salesforce 的 Mark Benioff，他们一直在聊这件事。所以我觉得，这是一个大的产业发展方向。
AI agent 在各个行业的垂直应用，和我刚才提到的垂直领域小模型，其实是相辅相成的，因此有很多好的机会。
只是我们现在还需要更清晰地认识技术边界。比如一家金融公司里有经理、分析师和实习生。你觉得现在 AI agent 能做到哪一步？我觉得它可能处在非常初级的实习生位置。
你问它能不能做一些 analyst 的工作？可能现在还做不到。如果它只能做基础实习生的工作，那怎样安排 workflow integration，也就是工作流整合，是现在做应用的公司需要考虑的问题。
当然，未来的希望是 AI agent 可以越来越高级，之后能够做 analyst 的工作，甚至做一些研究和搜索工作。这样一来，一个经理原来可能要管理 10 个分析师，现在可能只需要管理 1 个分析师，由这个分析师使用 AI agent 覆盖所有工作量。
程曼祺 Manqi Cheng
现在美国金融公司或者投资公司里，实习生一个月的工资大概是多少？
张璐
我觉得实习生的工资可能从 5 万到 10 万美元之间，是年薪、年收入。
程曼祺 Manqi Cheng
我在想，应该怎么把它和目前的订阅费做比较。OpenAI 的 Operator 目前只有 Pro 用户能用，每月订阅费是 200 美元，还挺贵的。
但昨天我看到 Sam Altman 发了一条推文，说很快会把 Operator 放到 Plus 版会员里，Plus 也可以使用，那就便宜很多，是 20 美元。
张璐
你当然也要给他的说法打个折扣。Sam Altman 说的时间线，可能还要稍微延长一点，未必会那么快。
程曼祺 Manqi Cheng
他现在说话的风格已经被大家认定了：肯定要打折。
张璐
是。但你要知道，他们现在确实也有很大的压力。
大公司之间的竞争非常激烈。OpenAI 之前处在领头羊的位置，但 Anthropic 也在追上。再加上现在大家会看到一些新闻，OpenAI 和微软的关系也比较敏感。
微软之前说会全面支持 OpenAI，但现在微软自己在人工智能层面的投入越来越大，也在一些客户层面和 OpenAI 竞争。再加上开源生态的发展，微软也可能重新思考，到底要在 OpenAI 上继续投入多少资源。
所以 OpenAI 现在也处在一个相对有挑战的时刻。但另一方面，无论是它过去一段时间的发布，还是它在行业里的影响力，确实仍然处于领军位置。
程曼祺 Manqi Cheng
我自己设想一下，如果 Operator 继续放在 Pro 版，也就是每月 200 美元的订阅里，我觉得它可能不会帮助 OpenAI 获得很多新增用户。因为从 C 端角度看，可能是原本就买了 Pro 的人会用一下。
从 B 端角度，您接触企业客户比较多。您觉得美国的 B 端客户会愿意为目前的功能，每月支出 200 美元吗？
张璐
可能性相对比较低。对 B 端客户来说，一方面他们对准确性和专业度的要求很高。
一个 generic 的 AI agent 说自己可以帮你做各种事情，但如果出现编造信息或者专业度不足的问题，企业级用户可能不太能接受。
他们可能更希望的是，我不需要一个可以解决所有问题的 AI agent，而是一个 specialized 的、针对明确应用场景的产品，并且要做得非常专业和精准。
程曼祺 Manqi Cheng
那他们会去用 OpenAI 的 Operator，还是会选择初创企业针对具体行业和应用开发的产品？
张璐
他们可能要进行比较。另一方面，Salesforce 也一直在和客户沟通 AI agent 的布局。它本身就有很多企业级客户，微软现在在这方面的讨论也非常多。
所以我觉得，在 B 端市场，OpenAI 的 Operator 不一定占优，也不一定有优势。C 端一方面是价格问题，另一方面，它能不能帮助 OpenAI 增加 C 端用户数量，也还是个疑问。
程曼祺 Manqi Cheng
Operator 和 Anthropic 的 Computer Use，很容易让人想到前几年火过的一个企业市场细分赛道，就是 RPA 流程自动化。UiPath 做的就是 RPA。
您觉得它们实际上的区别是什么？
张璐
实际区别在于交互过程是怎样的。大家为什么对 ChatGPT 的接受度这么高？主要是因为产品门槛很低。
它的门槛是：你会不会聊天？如果你会聊天，就可以使用它。Operator 也是一样。你只要会聊天，就相当于有了一个个人助理。
每个人都会用非常简单的口头语言沟通、发布任务，它就可以持续执行这个任务，实现流程自动化。
但传统流程自动化软件还有一个 integration 的过程，也就是产品整合和植入过程。它有使用门槛，也有技术使用和植入的周期。
所以我觉得，这可能是比较根本的区别。人工智能当然不是一个新的概念，也不是一种全新的技术。人工智能已经存在很久了，强化学习也不是新东西。
之所以现在大家突然觉得接受度这么高，人工智能的推广速度这么快，我觉得还是因为交互层面的创新。大家看到，原来可以用这么简单的交互、这么低的门槛去使用人工智能工具。
程曼祺 Manqi Cheng
这背后是技术变化导致的。以前用自然语言，其实做不了这些事。
不知道你们投过 RPA 类型的公司没有？这种新技术出现之后，它对已经存在的这类公司意味着什么？它们的功能和现在 AI 能实现的功能有重叠，但以前实现这些功能的技术不一样。对这类公司来说，这更多是利好，还是可能被新的 AI 公司覆盖掉？
张璐
取决于这类公司会不会主动植入人工智能技术，利用 AI 进行自动化。
我们确实没有投过传统 RPA 公司。因为我们在人工智能领域布局得比较早，可能从 2017 年开始，就投资了很多 AI in healthcare，也就是人工智能在医疗领域的应用。
最早是临床诊断、治疗等方向，后来也投资了医疗系统相关的应用，包括医疗影像增强、medical coding，也就是医疗编码。这些人工智能应用，我们很多年前就开始布局了。
再到企业级应用，当时比较早的一家公司是 Otter.ai，我们在 2019 年就很早投资了。所以可能是因为我们在 AI 层面布局比较早，没有投资传统流程自动化公司，因为人工智能在应用效率上会更高。
程曼祺 Manqi Cheng
像 Operator 这类应用，会带来哪些相关的创业机会？你们有没有看到类似的项目？
张璐
垂直行业里类似 AI agent 的应用已经涌现出很多，不是现在才有可能。过去一年已经有很多公司在探索，这是一个特别大的方向。
当然，还要看哪些产业更适合快速落地。哪些产业适合快速应用 AI agent，可能是现在大家还没有完全探索清楚的问题。
我们投了一家公司，做的是 AI agent inference 和 infrastructure 的优化，也就是帮助 AI agent 更高效、更简单、更低成本地落地和整合到产业中。
你可以看到，这不只是应用层面的创新，基础设施层面也需要做好准备。
程曼祺 Manqi Cheng
如果是在 infrastructure 层，他们做的事相当于服务很多开发不同 agent 的公司，帮助它们和行业结合，对吗？
张璐
对，帮助它们降低成本，降低整合流程的复杂度，让应用更快搭建起来。
我觉得投资这类公司也很有意思。你应该能看到 agent 的一些变化。就您在硅谷、在美国的体感来说，科技之外，哪些行业对 AI 的接受程度比较高，可能存在较大的行业 agent 机会？
9. 医疗成为Agent首站
第一个就是医疗。正好上周之前，旧金山举办了 JPMorgan Healthcare Conference，这是全美最大的医疗峰会。
今年会上对 AI 的讨论非常多。医疗领域的一个特点是数据量大、数据质量高。我记得看过一个数据，在美国，所有与人类社会相关的数据中，大约 30% 是医疗数据，但这 30% 的医疗数据里，现在可能只使用了 5%。
你想，它不像 C 端数据那样有很多噪音。医疗数据的质量和价值都非常高，但应用比例又很低。
人工智能的应用可以帮助医疗数据实现商业化，也可以推动医疗未来的发展。医疗的未来是个性化医疗，以及提升 quality of life，也就是生命质量。
所以这是非常重要的应用方向。我们在这个领域看到很多关于 AI agent 和垂直领域人工智能应用的讨论。
第二个是金融。金融也是大家讨论很多的领域，主要是因为它的数据量大，而且很多金融公司希望简化内部流程，并提高数据的高效应用。
还有两个行业，一个是保险。保险是美国非常大的产业。由于自动化程度不足，保险行业现在更希望顺应人工智能趋势，布局更多垂直应用。
保险行业的变化没有医疗那么复杂。无论是哪种保险，流程相对标准化，所以应用垂直人工智能，甚至 AI agent，不需要面对那么多五花八门的场景，应用场景相对统一。
最后一个是太空科技。太空领域可以收集海量、高质量的卫星数据，这也是未来人工智能应用的方向之一。
总结来说，就是数据量大、数据质量高、数据价值高，同时产业规模足够大、应用场景足够多样的行业。
程曼祺 Manqi Cheng
我前天刚采访了王小川。他现在在国内做大模型创业，聚焦点就是把 AI 和医疗结合起来，想做 AI 医生。
张璐
做 AI 医生不好说，但 AI agent 辅助医生，绝对是短期内可以预见的未来。
我们在 AI in healthcare 方面已经布局很多年了。你也知道，我本人在医疗领域一直比较有热情。过去几年，我们能看到很多相关应用的落地速度非常快。
程曼祺 Manqi Cheng
当 agent 这种应用出现之后，它不只是简单聊天，对吧？它涉及更多操作，也涉及更多用户敏感信息。刚才您也提到，接下来大家可能会担忧隐私。
比如如果用 Operator 买机票，它可能涉及身份信息，或者支付、登录信息。
张璐
你提到这一点特别有意思。我在 JPMorgan Healthcare Conference 的时候，和很多业内人士聊过。
当时我遇到一位做医疗保险相关业务的人。他告诉我一个很有趣的数据：有些公司给员工提供福利，员工可以通过线上平台获得心理健康咨询服务。
如果你有焦虑症或者其他问题，可以在线上平台预约心理医生，也可以和 AI 聊，向 AI 分享自己的问题，由 AI 给出反馈和解决方案。
他们发现，大部分人会选择向 AI 分享隐秘信息，而不是预约心理医生。这是一个非常有意思的现象，尤其是在年轻人群体里更明显。
年轻人会有一种偏好，更愿意和人工智能分享个人信息和隐私信息。当然，这里面有没有隐私担忧？肯定有。
但从用户使用的角度看，他们对人工智能的信任度，可能高于和心理医生聊天的信任度，或者说更愿意向人工智能敞开自己。
听到这个数据时我也很惊讶。我没想到会是这样。可能确实是因为年轻一代成长的环境和我们不一样。
我们这一代成长时，智能手机和互联网是非常自然、天然的东西，不会去多想。对下一代来说，使用人工智能，甚至使用 AI agent，可能会成为他们与世界交互时更自然的方式。
所以我觉得，隐私一定是一个考量，但从用户行为来看，也会发生很多变化。
程曼祺 Manqi Cheng
刚才说到代际变化，我也想到一个有意思的事。现在有一类创业方向，是给儿童做 AI 陪伴类应用，比如 AI 宠物、AI 玩具。
可能现在确实有孩子一出生就在和 AI 聊天。
10. 中美投资生态分化
接下来想聊一下中美投资 AI 的差别。您刚才讲的很多看好的方向，像是一个组合：我基于一个开源基座模型，再加上一些第三方 infrastructure 服务，里面会有单独的创业机会，然后再加上应用层公司。
这个组合其实代表了另一种发展方式，不是从模型到 infrastructure 再到应用的“全家桶”模式。后一种路径的代表是 OpenAI。
前一种路径在美国是不是还挺活跃？因为我感觉国内投资人不太愿意投这些每个环节上的创业公司。大家会觉得，只做一个环节太轻，没有壁垒，很容易被巨头挤压。
张璐
这可能也是中美两边的区别点之一。美国的巨头确实很强势，但你会发现，它们聚焦的更多还是基础模型层面的竞争。
在应用层面，很多巨头愿意打造生态。它们希望搭建一个生态，让更多初创企业在平台上搭建各种多样化应用。
所以你会看到，这里面确实存在竞争，但另一方面，大企业和初创企业之间也存在相对和谐的协同合作与战略合作。这可能是硅谷创新生态比较特别的一点。
再举一个简单的例子。如果你要做垂直领域人工智能应用，做针对制药、金融或者保险行业的 AI agent，这些行业有一个共同特点：它们都是高度监管行业。
如果这些行业过去几十年一直处于高监管状态，那么现在应用人工智能时会更加谨慎。它要和一家人工智能公司合作，就必须考虑怎样分享内部行业数据，让对方打造更好的技术产品。
它可能对初创企业的信任度更高，或者觉得初创企业更可控。解决方案也可能在本地运行，也就是 run on-premise，同时对数据拥有更强的控制。
如果要和谷歌合作，谷歌是一家大型科技公司，其商业模式有一部分也是变现用户数据。那么我的数据会不会有更高的风险，被合作方拿去使用？
你会发现，很多和技术并不直接相关的因素，也会决定生态的发展。这让初创企业拥有更多机会和产业大企业合作，而不是所有大企业都选择和微软、谷歌合作。
现在很多大型企业在探索人工智能时，最优选择反而是和多家初创 AI 公司合作。
我们最近有一家被投企业，做垂直领域人工智能应用，针对金融产品。它已经签下 3 家《财富》500 强企业的订单，基本上是千万美元级别，而团队只有 6 个人。
所以你可以看到，这边整个生态的多样性很强。
程曼祺 Manqi Cheng
这就是一种“超级个人”和“超级公司”，人数非常少，但可能承载着很大的商业价值。
张璐
对。我们还有一家公司的团队可能只有 20 多个人，一年收入从 0 增长到 2000 万美元。而且它最开始可能只花了几百万美元，融资的钱甚至一半都没有用完。
现在一方面是产业发展速度很快，另一方面，大公司和初创企业都在使用人工智能产品和技术，提高自己的效能。
以前可能需要招聘 10 名工程师，现在发现招聘 3 名就可以了。剩下的工作可以使用 GitHub Copilot 来写代码，降低开发成本，加快开发周期。
这些对初创企业来说都是利好消息。
程曼祺 Manqi Cheng
您刚才说的那家只有 20 多个人、收入从 0 增长到 2000 万美元的公司，也是做 AI To B 项目吗？
张璐
都是 To B。我们投的所有公司都是 To B。
程曼祺 Manqi Cheng
这可能也是中美投资的一个区别。在硅谷，AI To B 公司持续获得健康收入，好像相对更容易，或者说这样的公司更多。
张璐
美国有一个非常成熟的企业级销售生态。大企业愿意在新技术、新产品探索层面和初创企业进行紧密合作。
以前这类合作可能在科技领域更多。但现在不只是科技领域。科技领域的大企业过去愿意给一些订单，现在可能发现自己开发得更快，因为它们的内部开发速度也很快。
反而是非科技领域的大企业，在这方面的投入越来越大。
程曼祺 Manqi Cheng
我设想一种情境，不知道在硅谷的语境下是不是比较难发生。微软旗下有 GitHub Copilot，也有 Cursor 这样的创业公司，Cursor 在 2024 年下半年增长非常迅猛。
如果在国内，可能会出现一种情况：Copilot 和 OpenAI 的更多新产品，比如 Operator，做一些结合，变成一个整合度更高、功能更全的产品。
这样 Copilot 和 Operator 可以在功能上整合，让编程自动化程度进一步提升。这个事情在美国是不是不太容易发生？
张璐
可能还是因为两边的产品概念和市场情况不太一样。
程曼祺 Manqi Cheng
现在你们做投资时，感受到创业公司的创始人心态和整体氛围是怎样的？我想问的是比较感性的层面。
我自己的感觉是，从 2023 年到 2024 年，国内 AI 创投经历了一个从高涨到出现瓶颈、开始徘徊的过程。美国现在大概是什么情况？
张璐
美国现在非常热闹。创投圈整体还在持续加速，持续处于兴奋状态，经常有新的东西出来。
DeepSeek 出现之后，大家的关注度很高。但如果你真的看硅谷的常态，会发现每个星期都有新的东西出来，每个星期有新东西之后，大家就兴奋一下。这周是 DeepSeek，下周可能是别的东西。
所以从创投圈来说，幸福感可能比较高，但压力也很大。因为竞争环境非常激烈，技术演变速度也可能比大家想象得更快，总是有新东西出现。
有时候大家也会感慨，是不是能跟上技术发展的节奏。这也是很多投资人和企业家会讨论的话题。
但从创业角度来说，现在是非常好的创业时代。我经常开玩笑说，我的合伙人现在不需要我催他们工作，也不需要我给他们压力，他们每天都是打鸡血的状态。
以前我每个周末都会看很多论文和文章，了解新的技术发展。现在很多时候我也不需要自己专门看了。
我们 2018 年做了一个人工智能分析师，叫 Ada，取自著名程序员 Ada Lovelace 的名字。它会给我们总结好的文章，我们关注的研究机构每周五也会发给我们总结。
但现在说实话，我出差时甚至不需要专门看那些邮件。我的合伙人会在群里不断发论文，今天发这篇，明天发那篇，然后再做总结，说重点是什么、不同点是什么。
大家信息交互的速度和密度都非常高。我们只是做投资，还不是一线创业的企业家。创业者的信息交互密度和速度就更快。
所以现在如果你来到硅谷，会感觉这里如火如荼，大家都是打鸡血的状态。当然，打鸡血也意味着竞争压力增加，竞争压力一定是存在的。
程曼祺 Manqi Cheng
可以分享一下现在硅谷的投资氛围吗？核心圈还是在 Sand Hill Road，也就是沙丘路上吗？
张璐
硅谷的核心其实在 University Avenue，也就是斯坦福门口的大学路。大学路这一圈一直是创投圈的核心。
它背靠斯坦福，离 Facebook 和谷歌也很近。谷歌、Facebook、英伟达基本都在 30 分钟车程之内，所以这里是一个大的中心。
再加上去年 NeurIPS 大会出现了很多新东西，今年年初有 JPMorgan，3 月还有英伟达 GTC，所以各方面的讨论度都很高。
程曼祺 Manqi Cheng
在咖啡馆和餐厅里，是不是经常能听到周围的人讨论 AI？我想象中可能是这样。
张璐
当然是的。我的一些从其他地方来的朋友也会说，在这里任何一家餐厅或咖啡厅里聊天，旁边的人大概率不是在讨论创业，就是在讨论投资。
现在创业和投资的核心，一定都是围绕 AI 展开的。
程曼祺 Manqi Cheng
国内可能有一个相似的地方，就是清华大学门口清华科技大厦附近。你去那里吃饭或者去咖啡馆，首先可能会偶遇一些创始人，周围的桌子也基本都在讨论 AI。
最后想聊一下，在硅谷的讨论和视野里，除了 AI，大家现在还关注哪些热点？
11. 科技生物与太空崛起
张璐
有两个热点。一个是医疗。现在有一个新词叫 tech bio，也就是科技和生命科学的结合。
在 JPMorgan Healthcare Conference 上，我参加了一个关于 longevity，也就是长寿的演讲。但现在大家对长寿的定义和几年前已经不一样了。
几年前，大家更多讨论的是怎样活得更久。现在的核心是怎样提升生命质量。讨论不再局限于要不要活到 150 岁、200 岁，而是如果活到 100 岁，能不能拥有更好的身体素质、更健康的体魄和更清晰的大脑，甚至活到 120 岁。
这势必要求医疗技术不断创新，包括早期诊断、个性化治疗，以及靶向治疗、免疫疗法和 mRNA 技术的应用。
再加上人工智能，AI 可以加速医疗技术创新。我经常说，人工智能有点像催化剂。它不只是催化很多产业的数字化转型，也会催化和加速其他技术的创新，包括医疗领域的技术创新。
现在讨论 tech bio，很多对应的方向是 AI in biology，比如 computational biology、digital biology，也就是计算生物学、数字生物学，以及数字化治疗、数字化诊断。这些都是非常大、非常好的方向。
另一个我个人很看好、现在也在茁壮成长的方向是太空科技。
从去年开始，SpaceX 进行了几次新的发射。未来 3 到 5 年，而不是 10 年，整个火箭发射和卫星发射的成本都会大幅降低。
如果有一天，把一个人送到宇宙的成本只需要 5 万到 10 万美元，把一颗卫星发射到太空的成本只需要 1 万到 2 万美元，那么我觉得发射数量和频次都会大幅增加。
我说的这些数据不是未来 10 年的可能性，而是未来 3 到 5 年的可能性，所以发展速度非常快。
我们从 2017 年开始布局太空科技，过去一两年也布局了很多人工智能驱动的太空科技应用。我们有家公司使用人工智能进行太空交通管理和卫星数据交易，一年的收入已经冲到 1000 万美元以上。
所以你会发现，整个市场蓬勃发展的速度非常快。大家也看到，前段时间特朗普在就职演讲时提到，希望在任期内得到政府对太空科技发展的支持。
这相当于从政府政策和扶持层面，加速产业发展。
如果你现在去洛杉矶，会知道 SpaceX 最早就在那边。现在 SpaceX 不仅进行太空领域的技术探索，也带动了周边的小生态。
那边大概有几百家太空科技公司围绕 SpaceX 展开，很多可能和 SpaceX 有战略合作，甚至是 SpaceX 的供应商。大部分创业者都是 SpaceX 的前员工。
我们也投了好几家由 SpaceX 前员工创办的企业，所以它形成了一个非常好的创新生态。
程曼祺 Manqi Cheng
你们之前也投资了 SpaceX。它算是太空科技产业链的链主，你们也可以进一步发掘它周围的公司。
但像 tech bio 和 space tech，它们的中心还是在硅谷吗？还是说地理上不太一样？我记得 SpaceX 不是要搬到德州，特斯拉总部也在德州吗？
张璐
如果说全美国最核心的创新中心在哪里，确实还是硅谷。
整个创新大趋势的核心隐形发动机，确实还是人工智能。刚才无论是太空科技还是医疗，我都提到了一个很重要的点，就是人工智能在这两个领域的应用。
只是它针对的是不同产业，在这些产业里推动技术创新。所以讨论人工智能时，创新中心确实还是硅谷。
但硅谷也不是唯一的创新中心。东海岸的波士顿在崛起，纽约在崛起，德州的奥斯汀也在崛起，洛杉矶同样在崛起。
现在正在形成更加多样的创新生态。我们投的企业中，60% 在硅谷，40% 在硅谷之外。所以这是一个更加多样化的创新生态，但核心确实还是硅谷。
这也是为什么我们整个投资公司的员工和合伙人都在硅谷。
程曼祺 Manqi Cheng
最近洛杉矶发生了大火，对太空科技生态会有影响吗？NASA 好像有一个实验室也被烧了。
张璐
这确实是非常悲伤的消息，但它并没有对太空科技生态造成太大影响。
很有意思的一点是，很多被烧毁的豪宅处在非常好的区域，但 SpaceX 以及它所在的工业区，离大火相对较远。很多初创企业本身规模比较小，也比较灵活，不在那几个核心区域，很多还采用远程办公。
我们没有听到太多创业公司受到大火影响。但对整个洛杉矶城市来说，打击还是非常巨大的。现在山火还在继续，没有完全结束，只是换了一个方向又烧起来了。这可能是另一个城市建设和治理问题。
程曼祺 Manqi Cheng
在美国，AI 之外的科技投资会不会出现和政策紧密相关的热点？
张璐
我觉得不会完全如此。和 10 年前相比，美国科技领域和华盛顿之间的合作、协同以及讨论，确实更多了一些。
但在美国，创新仍然主要由私营企业和私人资本主导。政策层面会提供一些扶持，比如更多政府资助、government funding，以及补贴。
还有一些不占股的资金，比如美国国家科学基金会提供的资金，军方也会提供订单。但总体来说，科技趋势还是由民营企业和私营资本主导。
特朗普前段时间不是还说，要加速美国电站建设的审批流程吗？为什么要加速审批？因为科技公司都在告诉他，我们发展人工智能需要电，电不够，所以要加速电站建设和审批流程。
程曼祺 Manqi Cheng
如果总结一下，您刚才也说了，现在在硅谷投资科技是一件很幸福的事情。总体来说，接下来您比较期待投资上的哪些变化？又有哪些需要提前应对的风险？
12. 不确定性定义2025
张璐
我不一定把它称为风险。我觉得 2025 年会是一个充满变数的年份。
2024 年大家经常说发生了很多事情，有很多不确定性。2025 年可能会变成，不确定性是唯一确定的事情。无论是创新圈，还是整个大的生态，都是如此。
所以我们需要做好的准备，就是更好地应对巨大的不确定性。这种不确定性包括全球政治格局变化及其对区域经济的影响，也包括金融市场可能出现的黑天鹅事件所带来的机遇和挑战。
更具体地说，在人工智能和科技创新领域，每个星期都有新的东西出现，每个星期都有新的架构出现。在这个过程中，怎样保证初创企业保持竞争力和优先性，能够利用好最新技术，快速迭代、快速发展，是非常重要的。
另一方面，虽然我刚才提到，大企业和初创企业之间存在协同合作，但根本上仍然存在竞争。怎样保护创新生态也非常关键，不要让所有技术和资源都被大企业垄断或控制。
所以作为早期投资人，我们投资的不只是技术和初创企业家。投资之后，我们还建立了一个网络，而且不只是我们一家在做。
我们的网络里有 40 多家《财富》500 强企业的 CTO。投资企业之后，我们可以为它们提供最快、最好的渠道，让它们直接和想要合作、销售的企业 CTO 对接，更快进行产业验证和商业化。
我觉得这些都是未来初创企业需要更多支持的地方。我们能够提供的不只是资金层面的投资，也包括商业化和规模化方面的支持。
所以 2025 年会是一个非常激动人心的年份。我特别期待今年看到更多新的东西，以及更加有意思的创新趋势。
好的，那非常感谢今天张璐做客晚点聊，谢谢他的分享，我们下期再见。
好的，谢谢。
本期节目就到这里，感谢收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，欢迎推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果 Podcast 等渠道关注晚点聊 Let's Talk，也欢迎关注我们的公众号晚点 Late Post，下期再见。