AI前沿圈：指数级智能爆发或仅1-2年，研究员陷归属感焦虑

当大众在媒体上讨论AI的宏大叙事时，很少有人会真正去倾听站在技术最前线的那群人的真实想法。他们不是大会上的演讲者，也不是网络上的评论员，而是每天推动模型迭代、优化算法的研究者、工程师和创业者。硅谷知名AI投资人Sarah Guo在一档播客访谈中，分享了她与这群顶尖从业者交流后的观察，这些内容或许比任何公开报告都更贴近AI行业的真实脉搏。

顶尖AI群体的双重心态

Sarah和她的合伙人建立了一个清晰的观察框架：全球范围内真正推动AI底层突破的核心从业者大约只有250人，他们的圈子很小，却掌握着行业最前沿的判断。这群人之间的竞争激烈到近乎白热化，不仅是商业层面的角逐，更是全球范围内的技术赛跑，这种紧张感让不少研究员感到不安。

更值得关注的是他们对未来的共识：通过递归自我改进——也就是让AI模型自主优化自身，距离指数级智能爆发可能只剩1到2年的时间。这个判断在过去一年里在研究员群体中快速扩散，就连Andrej Karpathy这样的行业知名人物都坦言，“还有两年”的预测已经持续了近十年，但这一次的信念似乎比以往任何时候都更坚定，因为递归自我改进的路径真正打开了新的可能性。

与此同时，Sarah也观察到一个现实的矛盾：顶尖AI实验室的规模正在快速扩张，比如OpenAI从几百人发展到数千人，对计算资源的需求呈指数级增长，这让不少前沿研究员开始怀疑自己的贡献价值。过去小团队里，每个研究者的工作都直接影响项目方向，但当项目成败越来越依赖大规模算力投入时，“我的想法是否重要”成了很多人内心的疑问。这种归属感的缺失，会悄悄改变从业者的心态，从“我在创造新东西”变成“我在执行任务”，而两种心态下产出的内容质量有着本质区别。

在未知赛道中下注的智慧

当被问及如何在没有历史回测数据的AI赛道做投资决策时，Sarah分享了自己的核心策略：相信技术本身，从第一性原理出发理解领域，再聚焦执行。她坦言，这个过程说起来简单，但需要真正沉下心的付出，既要敢于承担风险，也要保持专注。

她投资的法律AI工具Harvey就是这种逻辑的典型案例。2022年底，她从大语言模型的“预测下一个词”能力出发，推导出法律行业是高度适配的场景：法律是结构化语言，从业者每天都在处理大量文本、检索和生成工作，而行业内积累的海量历史案例正是绝佳的训练数据。Harvey的创始人从一开始就将目标设定为从简单的合同审查，延伸到处理大型并购案的85%工作量，这种从底层能力出发规划长期路径的思路，和当时大多数人的短期试错逻辑完全不同。

这种技术优先的投资视角，和大多数人只看当下市场需求的思路有着本质区别：Sarah评估机会时，关注的是技术迭代后的未来形态，而不是它当前的样子。

清醒的决策：直觉之后的验证

Sarah的投资决策往往始于直觉：她通常在第一次见面后就能给出8到9分的初步评分，但这个分数并不是终点，而是验证的起点。她会花几天到几周的时间，去寻找自己判断中的漏洞，确认自己对项目和团队的理解是否完整，同时向同行征求反馈，甚至主动邀请他人质疑自己的逻辑。

她非常反对当下AI赛道中一种危险的倾向：很多投资人只靠创始人的背景、或者其他机构的加注来做决策，却无法解释项目的技术逻辑和商业路径。她举例说，有同行在聊项目时，只能拿出创始人的光环来论证价值，却无法说清项目为什么能成为大生意，这种依赖他人判断的投资方式，本质上是在拿自己的资金赌运气。

在约束条件中创造的顶级团队

访谈中最生动的案例，是她投资的机器人团队Sunday Robotics。她和合伙人在创始人还是斯坦福博士生时就认识了他们，这两位25岁左右的年轻人曾在丰田研究院、DeepMind和特斯拉工作过。Sarah花了一些时间才理解他们的工作，但很快意识到，过去四年里这个团队贡献了机器人AI领域绝大多数有趣的创新。第一次见面时，她就当场决定投资。

这个团队最值得学习的，是他们解决问题的思路。机器人领域长期存在一个共识：只要有互联网级别的机器人数据，就能实现通用机器人，但关键问题是数据从哪里来？这两位创始人没有等待现成的数据，而是将这个问题转化为技术课题：如何用最低成本收集覆盖真实场景的任务数据，同时让这些低成本数据能高效迁移到模型学习中。

从斯坦福地下室的纸板箱原型，到现在能在家庭环境执行任务的半人形机器人，这个团队只用了不到两年时间。他们预计今年年底就能让机器人进入真实用户家庭进行beta测试。这种将约束条件转化为创新起点的能力，正是顶级团队的核心特质：大多数人遇到限制时会选择绕开或等待，而真正的高手会把限制本身当成设计题来解决。

被低估的算力基础设施竞争

Sarah在访谈中用了大量篇幅讨论算力问题，而这个话题在行业内的讨论还远不够充分。她曾和大型云服务商的基础设施负责人交流，对方坦言2030年之前没有任何技术能在规模上撼动现有格局，这意味着当前的基础设施建设速度，根本跟不上AI能力的扩张节奏。

更深层的问题在于，数据中心需要大量能源，而能源基础设施的建设受监管和社会共识的制约。无论是说服当地社区接受数据中心，还是推动核电技术的普及和成本下降，这些都比写代码要缓慢得多。从GPU、冷却系统到电力供应、芯片制造，整个算力供应链的多个环节高度集中，任何一个环节出现问题都会影响全局。她的基金也因此布局了数据中心劳动力、核能、替代芯片架构等领域，填补供应链的空白。

算力在AI时代的地位，堪比工业时代的石油：谁能获得足够便宜、稳定且充足的算力，谁就能在AI竞争中拥有结构性优势。这种竞争不是技术层面的，而是基础设施层面的，而基础设施的建设需要数年甚至更长时间，这是所有创业者和投资人都必须认真对待的现实。

开源AI：开放与安全的平衡

Sarah对开源AI的态度非常清醒，她没有站在非黑即白的立场上。过去三年里，有竞争力的开源模型已经在全球范围内涌现，这种趋势已经无法逆转。从经济角度看，前沿大模型往往成本高昂、速度较慢且存在数据敏感问题，而开源模型能让更多人在更多场景下使用AI能力，这无疑是一件好事。

但她同时强调，当开源模型的能力达到一定层级后，也可能被用于对抗性目的，比如生物安全攻击、网络入侵等。她并不主张禁止开源，而是认为需要建立严格的安全测试体系，实际测试模型的能力边界和风险，而不是停留在空泛的讨论中。她提到的“廉价到几乎免费的智能”的未来，需要依赖开源生态和民主化的模型训练能力，但开放和安全之间的清晰边界，才是真正需要解决的问题。

打破传统认知的生物科技投资

Sarah研究计算生物学领域已经超过五年，在投资Chai Discovery之前，行业的普遍共识是：生物和制药领域唯一的赚钱路径是研发新药，通过交易承担风险并推进管线，而向药企销售软件、做平台生意的模式根本不可能成功。

真正让她改变判断的不是宏大的理论，而是实际的数据：她看到包括多家全球前十药企在内的客户，正在用Chai的平台真实推进研发流程，并且愿意为工具付费。她和药企内部的科学家交流后发现，这个工具已经在实实在在改变他们的工作方式。她认为，当第一个被AI改变发现轨迹的新药或药物适应症出现时，整个行业会迎来大规模的投资涌入，而她愿意在这个时刻到来之前提前下注。

杰文斯悖论：AI让我们更忙而非更闲

访谈接近尾声时，被问及一年后世界的变化，Sarah提到了经济学中的杰文斯悖论：当一种资源的使用效率提升时，人们对它的总体需求反而会增加，而不是减少。

她判断这种现象会在AI应用层大规模出现：AI代理能帮助我们更高效处理日常琐事，但最终的结果不是工作时间减少，而是我们能完成更多事情，产生更大的影响。她举了自己投资组合中的一个案例：一个市场部门的员工，用AI代理搭建了“自动化市场部门”，输出的工作量堪比一个完整的团队。她自己也坦言，使用AI后自己的工作量反而增加了，这和英伟达CEO黄仁勋的判断一致：只要能获得工具的使用权，每个人都会变得更有生产力，也会更忙碌。

这个判断对普通从业者来说是一个重要信号：不要指望AI会减少你的工作量，反而要学会用AI扩展自己的能力边界，真正会被淘汰的，是那些既不会用AI提升自己，又无法提供机器无法替代的判断和创造力的人。

这个时代最稀缺的从容

听完整个访谈，最让人印象深刻的不是Sarah投资了哪些项目，而是她做判断的方式。她不依赖创始人的背景光环，不盲目跟随市场热点，而是愿意花时间真正理解技术和团队，在大多数人还没看清趋势时提前下注，再用时间验证自己的判断。

她反复强调的核心逻辑是：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。这不仅是投资的智慧，也是这个快速变化时代做任何事情的底层逻辑。她并不担心竞争本身，而是担心零和的竞争心态——那种抢资源、踩别人才能赢的思维。她更相信，只要你在做有价值的事，和对的人合作，判断是正确的，时间自然会给出答案，不需要靠争抢来证明自己。

在这个所有人都在加速冲刺的AI时代，这种从容和定力，反而显得格外稀缺。