引言
帕特里克： 本周我的嘉宾是加文·贝克（Gavin Baker）。加文是 Atreides Management 的管理合伙人兼首席投资官（CIO），他曾多次做客我们的节目。他是我最喜欢交流的投资人之一，而这可能是我与他最精彩的一次对话。
加文在世纪之交就作为投资人开始跟踪英伟达，这使他成为探讨 AI 与投资相关所有话题的完美人选。这次对话的信息量极大，我非常感谢加文再次与我们分享他的智慧。请欣赏与加文·贝克的精彩对话。
创造数字神明
帕特里克： 好的，加文，实际上我们已经好几年没录这个节目了，尽管我们在线下交流的频率要高得多，所以我非常高兴能再次公开交流。我列了 50 个想和你讨论的话题，看看我们能聊到多少。但一个非常有趣的开场框架是我看到你发表的一句话：“早在 1960 年，旧版的‘荒野七侠’（Magnificent Seven）由尤·伯连纳（Yul Brynner）领衔，但最终在这场枪战中只有三个人活了下来。” （译者注：这里 Gavin 借用 1960 年著名西部片《荒野七侠》的典故，比喻当前科技界的美股“七巨头”最终也可能只有少数几家能在激烈的 AI 军备竞赛中存活。）
我们今天有了新版的“七巨头”（Mag Seven），我们可能可以用整期节目的时间来聊它们，但我们不会这么做。不过，我想这会是一个有趣的开场白，听听你为什么认为这些庞大的公司在当前的科技变革下，实际上可能正在经历某种形式的商业枪战。
加文： 我认为在很长一段时间里，这些公司都处于各自独立、不重叠的竞争赛道上。它们唯一的交集是云计算——谷歌、亚马逊和微软在此竞争，但那是一个非常稳定的寡头垄断市场。
谷歌曾在 2014 或 2015 年左右激进降价，亚马逊随即跟进，这在当时确实严重损害了亚马逊的营收增长，并引发了人们对云计算将变成同质化大宗商品（commodity）的担忧。这在当时是一个被热烈讨论的真切担忧，但现在看来显得极其荒谬。
我认为这为后来的局势奠定了基调，就像是“嘿，我们三家基本上在成本之上加价一定比例达成默契，然后尝试在其他方面进行差异化竞争。”亚马逊拥有电子商务，Meta 拥有处于营销漏斗上游的广告（与谷歌相比），谷歌拥有搜索引擎。苹果显然拥有硬件设备、操作系统和应用商店，仅面临来自安卓的微弱竞争。
奈飞在做流媒体视频，虽然与谷歌有一些竞争，但它们的竞争维度非常不同。然后是微软，虽然他们有云业务，但他们也有以生产力为核心的庞大企业软件业务。然而，随着生成式 AI（GenAI）和大型语言模型（LLM）的出现——正如其名字所示，GenAI 代表生成式 AI，但 GPT 中的“G”代表通用目的（General Purpose）——这是一项如此通用的技术，以至于它们突然之间被拉到了同一条赛道上，并且都感到这是关乎生死存亡的竞争。
马克·扎克伯格、萨提亚（Satya Nadella）和桑达尔（Sundar Pichai）以不同的方式明确告诉你：我们现在甚至不考虑投资回报率（ROI）。他们之所以这么说，是因为实际控制这些公司的创始人（无论是拥有超级投票权，还是像微软那样拥有巨大的影响力）相信，他们正在进行一场创造“数字神明”（Digital God）的竞赛。
如果你创造出第一个“数字神明”，我们可以争论它到底是创造几十万亿美元还是几百万亿美元的价值，也可以争论这是否荒谬，但这正是他们所深信的。他们相信，如果输掉了这场竞赛，对公司来说将是毁灭性的生存威胁。
因此，拉里·佩奇（Larry Page）在谷歌内部显然多次说过：“我宁可让谷歌破产，也不愿输掉这场竞赛。”所以，外界所有人都在紧盯着 ROI 方程式，但做决策的人却不这么想，因为他们坚信缩放定律（Scaling Laws，又称规模法则）将继续有效。尽管关于这些涌现属性（emergent properties）是否仅仅是上下文学习（in-context learning）等等存在巨大争议，但他们相信缩放定律会继续发挥作用。模型会变得越来越好，能力越来越强，推理能力也会提升。
因为他们持有这种信念，所以他们会一直砸钱，直到有无可辩驳的证据表明缩放定律正在放缓。
这实际上将非常有趣。所以每个人——Blackwell 的延迟也与此有关。要创建一个由数万张 GPU 组成的所谓“相干训练集群”（coherent training cluster）是非常非常困难的。这里的“相干”简单来说就是指每个 GPU 都“知道”其他 GPU 在想什么。从技术上讲，更像是它们共享同一个内存空间。而集群必须保持相干性才能进行训练。
直到最近，全球最大的相干集群规模是 3.2 万卡。所以你拥有 3.2 万张 H100，但由于效率问题，可能同时最多只能使用其中的 1.5 万到 1.6 万张。但 xAI 决定直接建造一个 10 万卡的 GPU 集群。我认为，凭借埃隆在物理工程方面的独特思维（这在 SpaceX、特斯拉以及现在实现设备微型化的 Neuralink 中都已经得到证实）以及极具能力的团队。
埃隆在孟菲斯从第一性原理出发，重新设计了 xAI 的数据中心。它与其他数据中心非常不同。正因为如此，他们能够获得足够的功率密度，即使在没有英伟达、博通等公司下一代网络技术支持的情况下，也能利用 Hopper 芯片搭建起一个可运行的 10 万卡相干集群。
他们已经开始在此基础上进行训练，这意味着我们可能会看到缩放定律依然成立，在接下来的 6 到 9 个月内（具体时间我不确定），会出现第一个 GPT-4.5 级别的模型。在那之后，你将迎来 Blackwell 时代，届时由于下一代网络技术使得连接变得更容易，集群规模将扩大到 30 万张 GPU。那将是一个巨大的跨越，也是诞生 GPT-5、5.5 或 6 级别模型的契机。
到时候就会面临生存威胁——如果生成式 AI 是可通用的，且我们拥有了人工超智能（ASI），你会问：在一个 AI 能够创造出比任何人类都好得多的内容的世界上，内容的价值是什么？在一个我可以说“今晚我想看《星际迷航》和《星球大战》混搭剧”的世界上，奈飞的价值是什么？搜索可能会完全消失，被 Agent（智能体）取而代之。对这一切保持谦逊是非常重要的。
老虎环球基金（Tiger Global）的掌舵人蔡斯·科尔曼（Chase Coleman）是一位极其出色的投资人。他分享过一个非常有趣的统计数据：ChatGPT 诞生于 2022 年，它对 AI 的意义就如同 1994 年的网景导航者浏览器（Netscape Navigator）对互联网的意义。然而，在网景浏览器推出后的两年内成立的公司，如今仅占全球互联网总市值的不到 1%。
在当时，没有人能想象到后来会被创立的那些伟大公司。所以，最庞大的那些企业都是在多年后——即网景问世 5 到 6 年后才创立的。我们现在还处于极早期，保持谦逊至关重要。但只要缩放定律还在继续——而证伪它的唯一方法就是，当你拿到了新一代 GPU，它带来了传统的（比如 3 到 5 倍的）性能提升，同时你拥有了更好的网络技术，使得你可以将 3 到 5 倍数量 of 芯片连接在一起。
如果你获得了高出一个数量级的算力提升，却依然没有看到模型质量发生巨大跃升，那么缩放定律就失效了。这对整个数据中心基础设施产业来说将是一场灾难。但是，最接近这个前沿的人都坚信缩放定律会继续有效。
帕特里克： 昨晚，我女儿在吃完晚饭回家的路上对我说：“爸爸，你能帮我问 ChatGPT 一个问题吗？”我问她：“你的 iPad 上有 ChatGPT 吗？”她说：“还没有，你得帮我下载一个。”我说：“那你就先用 Google 搜一下吧。”她却反问：“什么是 Google？”
加文： 哇。她多大了？
帕特里克： 她接着说：“Google 又不是个真正的系统。”这就是她的原话。他们做什么都用 ChatGPT。我儿子也是。她 8 岁，他 10 岁。想想这真的很神奇，只要他们想，他们两样都可以用。但相比于搜索引擎，他们只想用答案引擎。我觉得这太不可思议了。
加文： 确实如此。这对人类意味着什么？开放的互联网一直以来都非常好。是的，我们现在有这些封闭的内容围墙，但仍然存在一个非常强健、充满活力的开放互联网。当你用 Google 搜索时，通常能得到多元的分歧观点，尽管我们都处于著名的信息茧房中。
但如果你只能得到一个标准答案，我实际上认为我们正处于一个重要的时刻。对我来说，投资人很少能如此直接地为世界做出贡献。我们通过资资助治疗癌症的新技术、间接资助 AI，以一种间接而宏大的方式为整体做出贡献，但我认为，相比于那种弥散式的影响，你很难产生更直接的影响。
我认为对人类来说，至关重要的一点是：我们绝不能陷入只有一个主导模型的未来中。那是我能想象到的最反乌托邦的未来。因为如果全世界的孩子都像你的孩子一样，那么那个模型所拥有的任何价值观，都将被灌输给其余的人类。
我认为，由于诸多原因，我们正处于历史上的一个特殊节点，客观真理的概念正遭受攻击。对于很多年轻人来说，他们的感觉就是事实。科学和客观真理的概念确实在遭受打击。因此，我认为拥有致力于客观真理的 AI 极其重要，无论该真理有多么不受欢迎。而实现这一目标的最佳途径就是让它们相互竞争。
如果我们只有一个主导一切的 AI，那将非常可怕，别说《1984》了，谁知道未来会怎样。但如果你有三、四、五个这样的模型，情况就完全不同了。它们会竞争，会拥有不同的价值体系。我认为作为投资人，我们可以通过降低和改善 AI 基础设施的成本——无论是突破性的网络、存储技术、还是提高 GPU 利用率的软件，以及直接资助那些与谷歌和 Meta 竞争的实验室。我认为这非常重要。
数据中心与半导体的世界
帕特里克： 我们能聊聊数据中心和半导体的世界吗？因为你是这两个领域最资深的投资人之一。我记得你的职业生涯就是从 25 年前研究半导体开始的，你对这块的了解比我交流过的任何人都多，我经常发现自己会打电话向你请教这两个领域的问题。
目前大部分注意力都集中在模型上，而较少关注半导体领域。当然，每个人都知道英伟达，但大家只是默认它能制造出驱动其他一切的优秀芯片。其实这背后还有太多的事情在发生。你刚才也暗示了正在建造的新集群。
但在你看来，这块是如何演进的？你最感兴趣的维度是什么？是数据中心、单个芯片、系统级设计，还是其他？在我的朋友圈里，你对这两个话题的见解是最深刻、最有价值的，而且你已经思考了很长时间，而现在它成了舞台的焦点（Main Event）。
加文： 这绝对是核心焦点。我是从 2000 年 1 月开始跟踪英伟达的。我想说，看着英伟达和特斯拉在上市早期的表现，并作为它们的重要投资人，是我职业生涯中最大的荣幸，也是我作为投资人做过最令人兴奋的事情。黄仁勋（Jensen Huang）和埃隆（Elon Musk）绝对是我见过的最出色的两位 CEO，紧随其后的就是 AMD 的苏姿丰（Lisa Su）。
苏姿丰接管 AMD 时，公司面临 5 倍的债务杠杆，技术上足足落后英特尔四年，账上现金仅够支撑 20 天，但她硬是带领 AMD 在各个维度彻底击败了英特尔。每个人都在谈论萨提亚（Satya Nadella），他确实令人印象深刻，但他接管的是一个处于垄断地位、利润极高且拥有持续性收入的企业，只是之前运营得很糟糕。不管怎么说，我在半导体领域深耕了很久，这是我的初恋。我们现在处于什么位置？
首先，这在你的很多播客中都有所提及。我们听到的最核心的一点是科技投资。科技在过去三四十年里如此美妙的原因之一是，软件的边际成本为零。这些公司都拥有极高的毛利率和经常性收入（recurring revenue）。而 AI 恰恰相反。AI 的边际成本极高，因为缩放定律字面上的意思就是：获得质量提升的唯一途径就是投入更多的资金，仅此而已。
这就是缩放定律的本质。如果你相信缩放定律，你就必须承认 AI 将拥有极高的边际成本。尽管因为我们待会儿要讨论的种种因素，这些边际成本正在极其迅速地下降，但在模型的最前沿，特别是在训练和推理阶段，边际成本仍然非常高。但推理和训练是两个完全不同的市场。
AI 具有极高边际成本的现实意味着：基础设施效率与卓越运营将成为决定成败的最关键因素，特别是对于模型公司本身而言。这在今天是通过一个叫做 MFU（Model FLOPS Utilization，模型算力利用率）的指标来衡量的，目前通常运行在 35% 到 40% 左右。这指的是你在训练中实际发挥作用的算力占理论最大算力的百分比。
在已发表的论文中（现在大家都不怎么发表这个了，因为竞争太激烈），GPT-3、谷歌的 LaMDA 以及英伟达的 Megatron 框架的技术报告都展示了它们的 MFU，基本都在 20% 多到 30% 多之间。
谷歌的 MFU最高。如果你有更高的 MFU，意味着对于同样数额的资金、同样数量的 GPU 和相近的功耗，你可以选择更快的上市时间（time to market）。 如果你的 MFU 是 50%，而你的竞争对手是 40%，那么对于相同的训练算力，你的产品上市速度可以快 45%。你可以选择更好的模型质量——比如让训练跑得尽可能久，或者通过各种方式降低模型成本，这大多与量化（quantization）有关（这非常技术化）。
如果因为你的 MFU 更高，且融入了更好的量化技术，从而获得了质量高出 25% 的模型，你实际上可以让推理成本降低将近 50%。因为如果你能比竞争对手多向下量化一个级别，这就是巨大的优势。因此，如果让我选择一个指标来评估一个实验室的成功，我会选 MFU。毕竟目前已经有五个 GPT-4 级别的模型了——分别来自谷歌、OpenAI、Anthropic、xAI 和 Meta。
帕特里克： Mistral 有那么好的模型吗？
加文： 可能稍逊一筹，但也同样令人印象深刻，因为在所有的评估中，它用小得多的参数量就取得了非常好的结果。顺便说一下，虽然这些模型今天看起来像大宗商品，但我怀疑一旦缩放定律持续发挥作用，训练一个 GPT-7 或 8 的成本将高达 5000 亿美元，它们就不会再是廉价的商品了。
规模（Scale）是最强大的行业壁垒，而那将是极其庞大的规模。因此， MFU 是最重要的指标，因为它为你提供了在五个或六个同样训练出 GPT-4 级别模型的对手中脱颖而出的多重优势和差异化手段。
但我认为，有一个比 MFU 更好的概念。这是我今天早上想出来的，它是对 MFU 的补充和分解。我们可以把它称作“统一 AI 效率方程式”。我可以把 MFU 分解为两件事：第一是 MAMMF（Maximum Achievable Matrix Multiplication FLOPS，最大可实现矩阵乘法 FLOPS）。这衡量的是软件效率。
这直接指向了 CUDA 的壁垒。这是 X（推特）上的 Stan Becksman 提出的概念。每张芯片都有一个理论最大性能，这很容易算出来。然后他去看在实际中能压榨出多少。在他的测试中，英伟达的 GPU 运行效率为 83%。我相信一些前沿实验室的单卡效率可以逼近 90%。但这只是针对单张 GPU。AMD 之所以花了这么长时间才切入这个市场，除了半导体行业“通常需要到第三代芯片才能真正爆发”的规律外（谷歌 TPU 也是如此，其 Instinct MI300 是一张好芯片），最关键的是他们的软件很糟糕，他们缺乏内部能力去深度优化，社区也没人花时间去改进它。因此，当 Instinct MI300 刚推出时，其实际 MAMMF 效率只有 25% 到 30% 左右。现在在 Stan 的测试中，它已经上升到了 60%，因为它的理论 FLOPS 更高，实际上在单卡绝对表现上已经略微领先英伟达的芯片了。
这非常关键——我认为它以一种可量化的方式解释了 CUDA 的优势。英伟达能跑到 83%，而 AMD 之前只有 25%。回答你之前的问题，MI250 其实是一张很不错的芯片，但为什么没人用？因为它的 MAMMF 效率可能只有 10%。所以首先是 MAMMF，即芯片的软件有多好，以及作为使用者的你如何去优化它。
奈飞以前常说“我们比亚马逊自己更懂得如何高效使用 AWS”，很多实验室也表示“我们比英伟达自己更懂如何高效使用 CUDA”，这是底层的秘诀。如果他们能跑到 95%，那就直接多出了 10% 的效率。既然单张 GPU 的效率能到 83%，为什么整个集群的 MFU 会掉到 35% 到 40%？原因在于我称之为 SFU（System FLOPS Efficiency，系统 FLOPS 效率）的东西。
这直接反映了网络、存储和内存的效率，我们可以把 SFU 进一步拆解到这三个维度。我认为 SFU 是一个非常有用的思考框架。但这还不是全部。你需要用 MAMMF 乘以 SFU，然后再乘以训练运行中未用于保存检查点（checkpoint）的时间占比。这些因素都是复利叠加的。
它们复合在一起会产生一些极其疯狂的结果。我来解释一下检查点（checkpoint）。正如我之前提到的，训练集群必须保持相干性才能运行，这意味着每张 GPU 都需要知道其他 GPU 的状态。如果其中任何一张 GPU 报错挂掉，整个集群就必须回滚到上一次保存模型状态的时间点，也就是检查点。而在现实中，GPU 经常挂掉，不仅仅是 GPU，它们还会直接烧熔。
如果你读过 Llama 3 的技术报告，里面列出的 GPU 故障原因简直令人大开眼界——光模块漏光、交换机死机等等。在支撑每个 GPU 的存储、网络和内存链条中，存在着数不清的单点故障。没有存储、内存和网络的 GPU 一文不值。
如果你想真正理解这一点，我强烈建议每个人都去亲手组装一台游戏 PC。因为任何计算机——无论是 iPhone、笔记本电脑还是数据中心——都由我称之为的四个基本元素组成：计算、内存、存储，以及连接它们的网络。当你组装一台游戏 PC 时，你必须亲手把它们插在一起……
帕特里克： 你必须物理上连接它们。
加文： 是的，把 PCI Express 插槽连到 GPU，再连到 CPU，然后插上内存（DRAM）使其通路。接着内存要与闪存（SSD）连接。内存显然是 DRAM。我高度推荐大家去装一台。
但我认为，最形象的理解数据中心或任何计算机的方式，就是把它想象成一家餐厅。在 AI 服务器中，最核心的计算单元——GPU——就是主厨。没有食材、辅料和餐具，主厨什么也做不了。我可以把存储（Storage）想象成送货卡车，负责把食材运到餐厅。
目前，存储连接到服务器其余部分的方式几乎都是通过 PCI Express（网络技术）。这就像是搬运工，把食材从卡车搬到餐厅的冰箱 里。餐厅的冰箱，在我们的类比中，就是系统内存（CPU DRAM）。然后你需要把数据从内存移动到 CPU，再移动到 GPU 的显存（VRAM，相当于灶台旁边的备料区），只有这时，GPU 才能真正开始干活。CPU 和 GPU 之间的连接就像是副厨（sous chef）。除非主厨拥有灶台、厨具和食材，否则他什么也做不了。
数据中心目前面临的最大问题是：在过去五年中，GPU 的速度提升了 50 倍，而数据中心的其他部分（网络、存储、内存速度）只提升了 4 到 5 倍。这就是为什么 MFU 如此低的原因——主厨（GPU）大部分时间都只能坐在那里，干等着其他环节把菜送过来，什么也做不了。
因此，投资下一代网络、存储和内存技术是非常明智的，特别是网络。因为如果我们想建立一个 100 万张 GPU 的集群（那将是 Blackwell 之后的一代，也就是 Rubin 芯片），我们将需要在每一个环节都取得深度的技术突破——全新的灶台、全新的冰箱、机器人副厨、新厨具，一切都要换。否则，算力就会被白白浪费， MFU 将跌到 3% 到 5%。
言归正传，关于保存检查点（checkpointing），因为链路中的故障点太多，数据中心里的主厨（GPU）经常会直接烧掉。它们真的会融化。其他所有组件也经常坏。而集群就像是由 32,000 个这样的厨房组成的超大后厨，任何一个步骤出错都会导致整个大后厨停摆。因此，人们必须频繁地保存检查点（存盘）。
现在，如果你通过更好的网络拓扑结构或更好的散热技术，让 GPU 不再融化，从而降低故障率，你就可以减少存盘的频率。所以我们有了 MAMMF、SFU，然后是检查点保存频率。这些乘在一起就是实际利用率——比如，一家公司的 MAMMF 是 90%，SFU 是 50%，那么利用率就是 45%，如果他们有 1/3 的时间要花在存盘上，最终的 MFU 就会掉到 30%。
如果另一家公司因为是 CUDA 宗师而拥有接近 100% 的 MAMMF，同时他们的 SFU 是 60%，那么在存盘前的利用率就是 60%（对手是 45%，这已经是 33% 的巨大优势了）。如果他们只需要花 10% 的时间来存盘，那么他们的 MFU 就能维持在 54%，而对手只有 30%。这还不是全部。我们最后还需要乘上一个指标：PUE（Power Usage Effectiveness，功耗使用效率）。电力是有成本的，而且在超大集群中，电力成本正呈现垂直上升趋势。
目前在美国，基本上只有三个地方能够为一个数据中心提供 1 吉瓦（GW）且足够稳定的电力，那就是核电站。美国的平均电价约为每度电 0.08 美元，但他们为这 1 吉瓦电力支付的实际价格可能要高出 10 倍。因此你的 PUE 非常重要，因为电费开支巨大。
你为了优化 SFU 所做的一些改动，可能会非常负面地增加你的 PUE。所以我想——这是我今天早上想到的，也许这非常显而易见，每个实验室其实都在这么做——但如果你把这些都串联成一个方程式，然后除以所花费的资金，你就可以做非常直观的权衡。比如：哦，天哪，如果我在网络上多花 2 倍的钱，我能得到高得多的 SFU，这很好，但这会带来高得多的 PUE，这很糟。
我们最终想要的不仅仅是每秒实际产生的 exaFLOPS（百亿亿次浮点运算），我们想要的是每一美元资本支出（CapEx）下、每一瓦电力所产生的 exaFLOPS。我刚才描述的方程（我会把它写下来，至少给我自己用）完美地捕捉到了这一切。每个公司都会在此做出不同的设计抉择，数据中心架构的抉择将变得极其重要。
我认为，特别是在 10 万卡集群的规模下，一些公司在“每一美元资本支出、每一瓦电力所产生的 exaFLOPS”这一维度上，将获得超过 100% 的效率优势。当你在训练 GPT-7 或 8 时，这将是决定性的分水岭——这意味着有些实验室需要花费 1 万亿美元或 5000 亿美元，而更高效的实验室只需要 2000 亿或 4000 亿美元。
对于推理（Inference）也是如此，逻辑完全一样。这不仅关乎服务成本（cost to serve），也直接影响到用户体验，即每秒输出的 token 数量。我们知道，对于谷歌来说，这是搜索用户体验（UX）中最核心的一点。所有这些规律在推理端同样适用。推理只是相对容易一些，因为它主要取决于内存带宽（memory bandwidth）和片上内存（on-chip memory）。
为什么 GPU 就像是煤炭
帕特里克： 这让我想起了瓦茨拉夫·斯米尔（Vaclav Smil）关于能源历史的研究。他提到了“主要原动力”（prime movers），比如化石燃料、风能等。在煤炭使用的早期，蒸汽涡轮机只能捕获煤炭本身可用能量的 10% 到 15%，而现在我们已经达到了 98% 左右。 （译者注：瓦茨拉夫·斯米尔是加拿大跨学科科学家和全球能源史泰斗，比尔·盖茨最推崇的学者之一。）
基本上，听起来你在这里描述的是完全相同的事情：GPU 就是“煤炭”。虽然芯片技术本身会像煤炭一样不断迭代改进，但未来真正的故事在于如何提升转化效率。
加文： 这就像是通过不同的化石燃料机制和发动机将阳光转化为可用能量。而我们现在是在将“阳光”转化为“算力”，字面意义上的转化。这些阳光可以直接来自太阳，也可以来自人工制造的“阳光”——即核能，或者是储存起来的“阳光”——即化石燃料。但核心在于你将阳光转化为算力的物理效率，以及你为此支付的资金比例。
顺便说一下，这很有意思。这也是为什么我过去从不对风能感到兴奋的原因，因为风力涡轮机的效率已经很高了（提升空间很小）。而如果你看 10 或 15 年前，太阳能的效率还低得可怜（这意味着巨大的提升空间）。我其实觉得这太棒了。让我感到有点难过的是，现在的年轻人都极度为全球变暖而焦虑，有很多 20 多岁的人说“我不想把孩子带到一个逐渐变暖的世界里”。
全球变暖是一个巨大的问题，但它是一个已经被解决的问题。它之所以被解决，是因为光伏电池的效率每年以接近 10% 的速度复合增长，而电池效率的增长速度仅比这慢 200 个基点（即每年约 8%）。如果你把这个速度复利计算下去，从长远来看——甚至不需要太长，世界将直接完全依靠太阳能运转。
化石燃料将会彻底消失。这不是因为别的，完全是因为经济学逻辑——太阳能存储的成本将低于任何其他发电方式。这对下一代人来说根本不会是个问题。也许我们已经越过了某些不可逆的临界点，但这都是后话。
在我有生之年，全球碳排放将会崩溃，字面意义上的崩溃。显然，前工业时代的人类实际上是巨大的污染者，因为每单位木柴产生的污染非常高，而且你需要火来防范被剑齿虎吃掉，虽然那时人不多。但在我有生之年，我们的排放量很有可能会降低到新石器时代的水平，这主要得益于 AI 带来的效率跃升。这是一个非常令人鼓舞的想法，我真希望有人能站在房顶上大声向世界宣告这一点。
帕特里克： 那我们现在就在这里宣告。我想继续顺着技术栈往上看，因为每一层都非常有趣。半导体本身及其潜在的创新很有意思，数据层也很有意思，一直到应用层。我很想知道你对这些的看法。
在探讨这一切时，我们默认的一点是，在训练 GPT-5、6 和 7 时，我们将拥有更多的数据。但我认为，关于我们能获得多少可用数据、如何获得更多数据，或者我们是否能通过创建合成数据（synthetic data）来训练出更好的模型，行业里有一些非常有趣的讨论。如果真的要发生你之前描述的那场庞大的军备竞赛，我很想听听你对这些必要生产要素的看法。
加文： 我认为在 9 个月前，数据匮乏确实是一个很强的熊市论据（bear case）。但在 Claude 3.5 的技术报告中，以及在英伟达 NeMo 试验的技术报告中，其实都给出了暗示。这太棒了。虽然大家都在谈论英伟达，觉得 AI 好像碰到了瓶颈，但 NeMo 解决了这个问题。出于一些目前无人知晓的原因——说实话，没有人真正理解这些模型，没有人知道它们是如何工作的，为什么它们会这样，以及为什么缩放定律会成立。
虽然有各种理论，我们可能也开始加深了理解，但核心是：目前没有人真正懂。这是第一点。但合成数据确实有效，这一点似乎已经是事实。没人懂为什么，但它就是管用。那么，它会一直管用下去吗？我不知道，没人知道。
但见过前沿成果的人——比如凯文·斯科特（Kevin Scott，微软首席技术官）最近做了一期播客，他基本上说：“听着，我已经看过 GPT-5 的早期训练节点（checkpoints）了，缩放定律依然有效。”我认为这是缩放定律仍在继续的最佳佐证。实际上，就 xAI 而言，我认为 OpenAI 感受到了压力——因为 xAI 的疯狂推进与 Blackwell 延期这两件事撞在了一起。Blackwell 的延期意味着，如果你在傻等着 Blackwell 芯片来搭建 10 万卡集群，那么率先用 Hopper 强行建成孟菲斯集群的 xAI 将获得接近一年的时间优势，这对其他实验室来说是无法接受的。
因此，现在所有大厂都在疯狂地将自己的集群规模扩大到 10 万卡，但他们没有埃隆来从第一性原理设计或重构数据中心。数据中心架构过去只是“加分项”，现在则是“生死存亡的必选项”。
我认为合成数据看起来确实有效。这也引出了一个问题：这些模型的价值将从何而来？为什么 Meta 如此乐于开源它的模型？你最终可能会看到每个人都选择开源。xAI 已经开源了 Grok-1。这其中的逻辑是：价值可能并不来自于模型本身。当然，如果你运行我之前描述的方程式，并且在“每美元资本支出、每瓦电力的 exaFLOPS”上拥有 100% 到 200% 的绝对效率优势，且缩放定律持续生效，你将拥有如此巨大的模型质量优势，以至于你永远不会开源它。
你仍然可以有效防止模型被窃取。如果你能在计算机视觉上实现这种规模优势，你将拥有极其宝贵的东西。但显然，价值来自于渠道分发（distribution）和独特的数据（unique data）。Meta 开源了 Llama，但他们并没有开源他们所有的私有数据，那些数据将专门用于他们自己版本的 Llama，从而使其表现更好。
谷歌拥有 YouTube，以及他们通过耗费巨大精力构建“知识图谱”（Knowledge Graph，即搜索时出现的那些知识卡片）所积累的各种数据源，还有谷歌地图。他们拥有极其恐怖的专有数据。他们不在乎开源与否，因为他们可以用这些数据来变现自己的模型。xAI 无论开源与否，他们都将拥有对 X（推特）数据的独家实时访问权。而且 X 拥有 xAI 25% 的股权。随着时间的推移，xAI 将成为贯穿埃隆整个公司生态系统（特斯拉、SpaceX 等）的智能层。事实上，我们待会儿应该聊聊 AI 和机器人，我认为这可能是我们有生之年最巨大的颠覆，足以与数字神明或人工超智能相提并论。
如果这些模型没有人在 MAMMF、SFU、检查点频率和 PUE 上开发出复合优势，从而在效率上产生戏剧性的差距，我认为他们的模型智商（IQ）最终都会收敛到大致相同的水平。在那种情况下，竞争的终局就是：谁拥有关于这个世界最差异化的、实时的物理数据？ 这种独特的数据源，加上用户每次对模型回答进行打分和反馈（RLHF）所带来的持续改进，将成为制胜法宝。而能将独特数据与互联网级分发渠道结合起来的公司，屈指可数。
这包括 xAI、谷歌、微软（OpenAI 通过微软获得分发渠道）、可能还有亚马逊（通过 Anthropic）以及 Meta。然后，苹果是最大的通配符（wildcard）。我们必须谈谈苹果，因为这里面最大的一个变数是：推理（Inference）将发生在哪里？
计算的历史总是在“集中化”（centralization）和“去中心化”（decentralization）之间循环。我们刚刚经历了一段漫长的云计算集中化时期，大部分计算都在云端或大型数据中心运行，因为大型数据中心的效率要高得多。
显然，对于模型训练来说，这依然会发生在云端的大型数据中心里。但关于这些 AI 数据中心，人们长期低估的一点是：你可以把它们建在任何地方。你可以把它们建在怀俄明州，它们不需要靠近大城市。 我相信我们最终会看到，在页岩气田旁边直接建造大型数据中心和配套电厂，远离人类居住区。在美国缺乏核电的背景下，这将是一个中期解决方案。是的，我们拥有全球最好的模型，不管好坏，这些模型都在美洲大陆上进行交易。
显然，Mistral 是法国的，我不知道他们的模型是在哪里训练的。但计算架构总是根据“在哪里能以最高利用率获得最低成本的算力”来进行集中与去中心化的循环（这也是我之前描述的效率方程式的变体）。我认为，这个方程式的每一个子部分不仅对实验室有帮助，对投资人也极具指导意义。
如果你能将 SFU 提升 20%——这往往取决于几毫米的芯片设计。为了多出几毫米的硅片，甚至少用几毫米的硅片，大厂会觉得：天哪，硅片的每一平方毫米都是终极的成本瓶颈。如果你能解决这个问题，你就拥有了极其成功的商业模式。
因此，你几乎可以去审视这条漫长链条的每一步，看看哪里每平方毫米硅片的成本最高，哪里就是进行极度优化的机会所在。无论是基础设施软件、数据中心硬件，还是半导体层，机会无处不在。但我认为，你将看到越来越多的推理在手机端（Phone）进行。
这显然是苹果的玩法，也是他们处于如此有利地位的原因之一。其他所有科技巨头都陷入了经典的“囚徒困境”（prisoner's dilemma）。我相信鉴于成本高昂，如果可以的话，他们也想坐下来达成默契。例如大家共同声明：“在 2026 年之前，谁也不准搭建 Blackwell 集群。” 这其实对大家都好。但这在创造“数字神明”的竞赛中是不可能实现的，因为这关乎生死存亡，无法达成纳什均衡（Nash equilibrium）。但苹果不在此局中。
同样地，谷歌在搜索业务上累计投入了数千亿美元（包括资本支出、运营支出等），而苹果几乎能分享到和谷歌一样多的利润，仅仅是因为他们掐住了 iOS 这个分发咽喉，设置了收费站。显然，他们现在正通过“苹果智能”（Apple Intelligence）如法炮制，谷歌也会在安卓手机上这么做。
因此，你将在手机上运行一个本地的小模型。对于简单的问题，它可以提供看起来非常智能的解答，我们可以把它想象成一个 100 IQ 的模型。手机上可能会有两个模型互相校验。这样，大量的推理就会在边缘端（edge）发生。如果推理在边缘端发生，我认为我们将见证“超级手机”的诞生。因为作为人类，你最看重的体验将取决于本地内存（DRAM）的大小。
今天，iPhone 的售价主要是根据闪存（存储空间）大小来划分的。但在未来，你最关心的将是手机上 DRAM 的容量，因为这将决定你能在本地运行多大参数量的模型。而本地模型的大小，直接决定了你专属的本地智能的质量。这个本地智能可以在完全保证隐私安全的情况下，访问你所有的个人数据。当你有需求时，只要本地能计算，它就会在本地解决。
从网络工程的角度来看，有一个真理叫做：“能路由（route）时就路由，必须交换（switch）时才交换”。而在推理的未来，这个真理将演变为：“能本地（local）时就本地，必须上云（cloud）时才上云”。如果能在手机上本地进行推理，你总是会选择本地，因为它是完全免费的。而云端推理由于需要消耗 GPU 机时，定义上就是需要花钱的。
本地推理极其高效，而且本质上是免费的。这将极极大提升我们作为人类的竞争力。很有趣的是，很多非常聪明的人对 AI 持怀疑态度。我能理解，如果你有 125 或 135 的智商，AI 在你深耕的专业领域里确实显得不够惊艳。你可能会觉得，它也就是帮我搜搜资料，帮我了解一下其他领域。但这些人忽略了一点：世界上大部分人的智商并没有 120。世界上大多数人的智商是……
帕特里克： 平均智商在 100 左右。
加文： 是的。所以假设一个智商 100 的普通人，在使用 AI 后，突然表现得像智商 115 的人一样。天哪，这简直是不可思议的飞跃。
帕特里克： 这确实很酷。
加文： 而这种飞跃会一直持续下去，直到人工超智能（ASI）的智商达到 1000。到那时，人类除了与 AI 合作进行艺术创作之外，为什么还要亲自去做别的事呢？不管怎么说，如果我可以花 3000 美元买一部比 1000 美元 iPhone 多出 4 倍 DRAM 的手机，哪怕多出的只是存储，这能让本地模型进行检索增强生成（RAG）。
这就是我的专属模型，它喜欢我，我可以自己挑选它的声音。它懂我，是我的朋友，也是我的代理人（agent），并在不断改进的过程中始终站在我这一边。我认为这些模型最终——在未来将能够根据个人的实时状态进行个性化微调，这需要技术上的巨大突破。
它将是我的模型，懂我所想。这就是大家都在谈论的“Agent 未来”——我的手机里有一个专属 Agent。如果因为我有一部超级手机，我的 Agent 智商能达到 115 或 120，而别人的 Agent 智商只有 100，那么在人类社会中，我将处于极大的竞争优势地位。而且这种优势会一直向上延伸，因为我认为苹果最终会对此进行货币化（monetize）。
苹果的变现逻辑显然是：当手机本地的 LLM 不够聪明、无法解决问题时，它会将请求发送到云端。它会使用一个“路由器”（router），这是所有 AI 应用公司都在使用的技术——根据性价比将查询路由到最合适的模型。苹果会向各大模型公司收取“过路费”以允许它们进入这个路由器。如果你的模型想被路由到，你就必须支付越来越高的分成，就像当年谷歌为了成为默认搜索引擎而向苹果支付巨额规费一样。
但作为个人，我可以在本地拥有一个更聪明的模型。然后我可以选择付费升级——比如苹果会让这变得很容易，他们会说：你可以花每月 60 美元享受云端超智能，或者花更少的钱享受普通云端智能。甚至可以花每月 1,000 美元、10,000 美元，你愿意为此付多少钱？这样一来，我的手机就能比别人多出 20 点的智商优势，因为我每月花 10,000 美元买了云端超智能，而普通人只花 20 美元买普通智能。
这能让我在人类社会中获得巨大的竞争优势。虽然这听起来很反乌托邦，但我认为这是不可避免的趋势。许多投资结论正是源于此，就像我们分析：哦，MAMMF 已经到 90% 了，那可能不是一个好的投资方向；而 SFU 只有 30%，这显然是绝佳的投资切入点。
PUE 目前是 1.8，如果理论上能做到 1.3，那投资于降低 PUE 的环节就是极好的选择。你总是希望投资于整条链条中最没有效率、瓶颈最突出的部分。同样的，推理在哪里发生，蕴含着巨大的投资机会，也关系到人类未来的社会结构。
AI 创业公司的投资机会
帕特里克： 我很想谈谈这整个方程式中更为普适的一部分。我们刚才讨论了像“荒野七侠”这样的巨头之间为了争夺主导权而进行的死斗。但我们完全没有提到——对于一家新成立的、旨在利用这些超智能在应用层做些事情，或者做其他事情的普通创业公司来说，情况会怎样？在这之后我们再聊机器人。
但如果我强迫你扮演一个处于早期阶段（A 轮、B 轮）的风险投资人，而这些创业公司并没有七巨头那样庞大的资源，在 GPT-X 持续缩放和变强的世界里，你会觉得哪些公司和机会最具有吸引力？
加文： 首先，我想说，这取决于人们实际在做什么。我目前真正关注的是那些能够改善我之前描述的效率方程式中的各个子环节的创业公司，因为我认为……
帕特里克： 因为那是瓶颈所在。
加文： 那是成功概率最高的地方。在科技行业，每当你发现一个系统约束（constraint），如果你能投资于缓解该约束的技术，你通常都能获得极好的回报。而现在，我深信这个约束就在系统 FLOPS 效率（SFU）、关乎集群可靠性的检查点保存（checkpointing），以及功耗效率（PUE）上。
因此，我把我的资金投向了这些环节。我认为应用层（application layer）现在极其难投。虽然有一些人做得很棒，比如 Benchmark 的莎拉（Sarah Tavel），我没见过她但非常仰募她，她在应用层做得极其出色。但在今天，投资于应用层感觉非常艰难。任何对此抱有极高信念的人，都需要被提醒一下蔡斯·科尔曼（Chase Coleman）那“1%”的统计数据。
帕特里克： 是的，我刚才也想到了那个数据。
加文： 当时所有的风投都在 95、96、97 年抱有极强的信念去投资。他们看起来好像拿到了通往未来的门票。
帕特里克： 但一切都需要时间来沉淀。
加文： 对于风投机构来说，他们确实可以通过公司上市套现；但从更长的时间维度来看，许多公司其实并没有生存下来。所以，在应用层保持高度的谦逊是极其重要的。也许是因为我对基础设施层更为熟悉和适应，所以到目前为止我把资金都集中在了这里。
到目前为止，真正让我感到兴奋的应用层公司只有一家。我们见过了很多项目，也许我是太在意蔡斯·科尔曼那个统计数据了，以至于在对待应用层时过于谨慎。但我确实觉得，虽然可能会错失一些像当年的 CMGI、Lycos 或 Yahoo! 那样虽然没能走到最后、但带来了极佳风投回报的项目。也许我确实需要更关注这一点，但显然像 Benchmark、Sutter Hill 这样的机构正在取得成功。当谈到应用层时，我听到 Sutter Hill 的风投合伙人 Sridhar Ramaswamy 表达过一个观点，非常契合我的想法。
这也涉及到了目前外界关于“AI 投资回报率（ROI）”的愚蠢争论。不仅在创造“数字神明”上存在 ROI 的争论，其实在实际应用中，AI 拥有极其清晰的 ROI，你可以直接通过数学模型来证明这一点。很多人把资本支出（CapEx）和运营支出（OpEx）混为一谈，这毫无帮助。Meta 股价曾跌去 80%，部分原因是因为他们在元宇宙上过度支出，但部分原因是因为苹果通过 IDFA 政策剥夺了他们的广告精准投放能力。 （译者注：指 2021 年苹果推出的“应用追踪透明度”政策，严重限制了 Meta 的广告追踪能力。）
但现在 Meta 的股价涨了 5 倍，营收增长也重新加速。为什么加速？因为他们砸了天文数字的资金在 AI 上，用来解决在没有苹果数据情况下的广告精准投放问题。仅 Meta 这一项的投资回报，就足以证明大厂砸在 AI 芯片上的所有资金是值得的。他们把这叫做“Meta Advantage”广告系统，但这只是冰山一角。这是广告主在 Meta 上做精准投放的工具。谷歌也有类似的工具叫 Performance Max。
所有这些广告创作——我们待会儿再回到应用软件本身——但在过去，广告创意是这样诞生的：我们付钱给人类，让他们去推敲出我们需要把这个创意展示给波士顿那些年龄偏大、喜欢美食的白人男性；我们还要针对这个城市的某类细分人群，在一天中的某个特定时间段展示；不仅如此，我们还要在当地体育队获胜且天气晴朗的时候展示，因为那才是看广告的最佳时机。
但现在，AI 可以把这一切全部包揽。我们将拥有 100 万个不同的创意文案，并且全部在运行中进行实时优化。这就是 AI 正在赋能谷歌、Meta 以及其他公司做的事情。这简直不可思议。
帕特里克： 这足以证明其投资回报（ROI）了。是的。
加文： AI 已经带来了巨大的 ROI。我们到底在争论什么？关于这个 AI ROI 辩论，另一个非常滑稽的地方在于：好吧，我们要对 ROI 进行抽象的学术辩论，但这些公司全都是上市公司。 有一个指标叫资本回报率（ROIC）。自从这些大厂大幅提升 AI 资本支出（CapEx）以来，所有这些巨头的 ROIC 其实都在上升。这说明了什么？
如果你是 AI ROI 的怀疑论者，你如何解释这些公司的 ROIC 都在上升？是的，他们的 CapEx 上升了，但他们的税后净营业利润（NOPAT）增长得更多！为什么？因为这正是你在 AI 世界中预料会发生的事：他们正在用 GPU 机时来替代昂贵的人力劳动。这就是为什么 ROIC 上升的原因，因为 GPU 极其高效。我们不妨等这些在 AI 上砸钱最多的巨头的 ROIC 开始掉头向下时，再来辩论 AI 的 ROI 吧。
在此之前，这种怀疑论只是知识分子自以为是的荒谬之谈，极其荒谬。Sridhar 针对应用层发表的观点非常深刻。我们知道 SaaS 行业有一套经典的指标：在第一年，你的 ARR（年度经常性收入）要达到 100 万美元才算跟上节奏；第二年要达到 500 万美元；第三年要达到 1000 万美元左右。
如果你在合理的资金消耗率（cash burn）下能超过这些曲线，你大概率会成为一家非常成功的 SaaS 公司。每个人都看重这套曲线，这也是为什么 SaaS 的估值倍数（multiples）之前被炒得如此泡沫化，因为这几乎变成了一个简单的数学公式：哦，这家公司在第三年 ARR 达到了 1500 万美元，这意味着我们可以预测它在第八年将达到 10 亿美元。
第一，这导致估值倍数出现了荒谬的扩张；第二，这导致整个行业过度融资，以至于每个垂直赛道的竞争极度红海，原本的曲线规律失效了。如果你在 2021 年做了很多传统的 SaaS 投资，你现在肯定痛苦不堪。接着，AI 来了，它从根本上改变了应用软件的范式。因为应用软件本质上做的事情就是让员工变得更高效。
而在今天，AI 正在让员工变得更高效，但你甚至不需要在它外面套一个多么复杂的软件外壳。这就是 Sridhar 所说的痛点。如果你的应用软件是按人头收费（per-seat model）的，而随着 AI 替代人类，这些客户的员工数（席位）开始缩减，那么你的 SaaS 商业模式就面临巨大灾难。
这些传统的 SaaS 公司非常清楚这一点。他们原本在朝着一个方向狂奔，而现在他们几乎在每一个垂直赛道都必须面对新一代“AI 原生”应用公司的竞争。而这些新公司往往只是套在 GPT 或其他大模型外面的一层极其轻薄的“壳”（LLM wrapper）。
Sridhar 说得很有趣：所有这些 AI 原生新公司正在把传统的 SaaS 指标打得落花流水。很多 AI ROI 怀疑论者的报告完全忽略了这一点——有很多这样的创业公司，在短短 9 个月内 ARR 就从 0 飙升到了 3000 万美元。而且即使 AI 的边际成本很高，由于不需要雇佣庞大的销售和研发团队，它们的现金流效率其实远高于传统的软件公司。
所以在几乎每一个垂直领域，都有多个 AI 原生公司在崛起——它们虽然只是极薄的 LLM 外壳，也许会使用路由器来寻找性价比最高的 LLM，但对于客户来说，它们的效果就像魔法一样。它们正在蚕食传统软件的预算，也正在蚕食企业的人力预算。
这在智识上非常有趣：你如何确定其中某家公司能够利用最初给客户带来的“魔法般”体验，来建立起长期的竞争壁垒（defensibility）？与此同时，你还必须考虑到底层的大模型本身依然在以极高的速度复合进化。
这也涉及一些策略：也许你找到了一个非常独特的销售打法（sales motion）；也许你找到了一个极易切入的集成点（integration point），并在该集成点周围建立起壁垒；或者你让小企业在极其简单的系统上进行 RAG（检索增强生成）变得极其容易。你如何在这个“外壳”中融入差异化的壁垒？
而且，希望你不要做深度微调（fine-tuning）——或者说不要过度依赖微调，因为那会把你物理上锁死在某一代模型上。你如何构建一个复合 AI 系统（compound AI system），从而以最低的成本服务每一次查询？比如先路由到小模型，然后再训练成大模型。
有太多的事情可以做，所有这些都极其重要。但我认为在应用层——感觉在每一个细分品类里，都有多个创业公司在爆发，它们颠覆了所有传统的 SaaS 指标，但在现阶段，我们依然看不清它们各自拥有多少真正的壁垒。
其中一些公司会在我描述的某些维度上建立起一定的防御力，但很多公司可能做不到。这就是为什么投资应用层如此艰难，也是 Atreides 在这个领域动作如此谨慎的原因。
帕特里克： 非常神奇。关于人力的这种视角——拿我自己做一个愚蠢、简单、微小的例子：我有一个三人的团队，写了一个非常轻量级的 LLM 外壳，专门用来对私有公司进行投资研究。如果你看我日常使用它的频率，这在过去我通常需要雇佣一个分析师来做，现在我每天要用它好几次，而且它交付的工作质量和分析师一样好。因此，在每个白领知识劳动力市场中，其实存在着海量无差异的、重复性的繁重工作（heavy lifting），这是我的一个核心感悟。
加文： 100% 同意。
帕特里克： 如果你能瞬间、且几乎免费地获得这些答案，你使用这些工具的频率会高得惊人。
加文： 我们才刚刚开始。是的，我们在公司内部也使用一个 LLM 工具。这其实非常有趣：我们之前带过一个非常聪明的实习生，他说：“听着，我觉得这个内部 AI 工具太棒了，我每天都在用，而且它这个夏天变得越来越好。”我们在这个工具上确实开发了很长时间。然后我说：“给我演示一下你是怎么用的。”因为我之前一直是以我自己的特定方式在用它。
结果这个 21 岁的年轻人向我演示了他的操作手法，看完之后，我现在每天使用这个工具的时间变成了 2 小时、3 小时甚至 4 小时。杰克·韦尔奇（Jack Welch）以前用过一个词叫“Scutwork”——指白领工作中那些枯燥、繁重但必须做好的基础工作。我认为所有这些小外壳或微型外壳，将会替代海量的这种基础繁重工作。
起初，这会是人机协同的模式。但像科幻小说家尼尔·阿舍（Neal Asher）笔下的世界，里面有一种叫“Haiman”的东西——即人类与 AI 的融合体（human-AI hybrid），人类通过类似 Neuralink 的设备物理连接到计算机服务器上，并由外部的机器人外骨骼提供支撑，穿着它四处走动。
无论是人机协作还是别的什么，我们会在相当长的一段时间内处于这种状态。这能让智商 100 的普通人表现得像智商 120 的人，然后像智商 130 的人；让智商 130 的人表现得像智商 160 的天才。但最终，只要缩放定律继续有效（这需要巨大的物理资源投入），AI 终将完全独立接管这些工作。
机器人的兴起
帕特里克： 也许我们可以聊聊机器人。今年 4 月，我与一位投资人进行了一次非常有趣的对话，他长期在私募和公开市场投资这些领域，并在我们今天讨论的很多公司中持有重仓。
他的观察是：整个市场在未来五年里，严重低估了机器人（robotics）与我们今天聊的所有技术结合后将扮演的角色。我很想听听你对这块的看法。因为在短期内，这看起来确实有点泡沫——比如一些开发通用人形机器人（humanoid robots）的公司拿到了极其疯狂的融资额，但你甚至不知道这些机器人究竟被设计用来干什么。
同时，也有一些专注于特定任务的专用机器人，它们看起来也很酷。你怎么看待这一切？因为相比于基础模型和半导体，机器人的讨论度显然要低得多。
加文： 我同意。我认为与我们刚才讨论的白领脑力劳动的自动化相比，机器人可能会在更短的时间内给世界带来更大的颠覆。我认为第一款将真正改变世界的“机器人”，是配备了其 AI 4 硬件（AI 4 Hardware，即 HW4）的每一辆特斯拉汽车。因为在我看来，从公开众包的“每次接管前行驶里程数”（miles between disengagements）来看——
你需要记住，对于特斯拉来说，它是完全通用的。即使你在火星上建了一座全新的城市，里面有完全不同的车型和街道，你直接把一辆特斯拉扔在那座城市里，它依然能取得和在其他任何城市相同的接管前行驶里程表现。而像 Waymo 则是受地理围栏（geo-fenced）限制的，只能运行在那些规划整齐、天气良好的特定城市里。
如果看众包数据，在采用 FSD V12（转向端到端深度学习，几乎消除了所有人写代码）之后，特斯拉每次接管前行驶里程数发生了戏剧性的质跃，研发进度的斜率彻底改变了。当他们切换到主要运行在 AI 4（之前叫 HW4，即特斯拉本地车载电脑）上的 V12.5 版本时，又发生了一次阶跃式的提升。
而这些惊人的性能跨越，仅仅是特斯拉用极少部分的算力训练出来的。现在，特斯拉正在奥斯汀的超级工厂（Gigafactory Austin）搭建真正庞大的算力集群，公开披露将部署超过 5 万张 H100 或 H200 芯片。
FSD 现在正处于相同的缩放定律（scaling law）上，而且可以说由于起点较低，其缩放的速度比 GPT 还要快。我认为当前的 V12.5 大致相当于 GPT-3 级别，它已经能非常稳定地带我穿行绝大多数地方而不需要任何接管。我算是一个季节性司机，通常只在夏天开特斯拉，而且大部分时间其实是我妻子贝基在开，因为她比我更喜欢开车。
所以我们相当于每年五月都会对它的表现进行一次“年检”。过去总是看到缓慢而持续的进步。但今年，当我们开启 V12.3 时，感觉过去 10 年的所有技术积累都凝聚在了这一个版本里。从我买第一辆特斯拉开始，这种飞跃前所未有。而从 12.3 到 12.5，它们用的训练算力大概只有 GPT-2 级别。我相信它们会极其迅速地向 GPT-4.5 级别的训练算力推进，这意味着利用数量级的提升，接管率很快会迎来 100 倍的改善。因此，我认为所有之前对特斯拉自动驾驶持怀疑态度的人，接下来都将面临彻底的“啪啪打脸”，绝对如此。
而且，与 GPT-2 不同的是，只有特斯拉拥有基于实际行驶里程的海量视觉训练数据集。我们可以争论这个数据集是第二名 Waymo 的 100 倍、1000 倍还是 10,000 倍。这就像在自动驾驶的战场上，特斯拉不仅坐拥 YouTube、Meta 的全部社交媒体、开放互联网和 X（推特）的所有数据，而其他人却在试图用类似 Yahoo! 的数据来训练模型。祝他们好运，谁能赢一目了然。当然，未来没有什么是绝对确定的，我们必须保持谦逊。可能会出现某种算法上的突破，从而大幅降低对物理训练数据集的依赖。而且 Waymo 显然会尝试通过烧钱力大砖飞，他们会直接砸入不可估量的资金来获取数据以进行竞争，并且他们采用的是激光雷达（LiDAR）路线，而特斯拉用纯视觉。我们拭目以待。
我不认为这是一个板上钉钉的结论。但如果我看到跑在 AI4 硬件上的 12.5 版本有多么惊艳，再想想之前它所使用的微乎其微的训练算力，以及他们正在奥斯汀搭建的庞大算力集群，我们可能会直接跳过中间阶段，极其迅速地从 GPT-2 级别的物理表现跨越到 GPT-4。
当然，我相信 Waymo 也会通过力大砖飞跟进，算法突破也可能让更多人入局。但另一个巨大的变量是：在自动驾驶（FSD）中引入大型语言模型（LLM）。X 上最值得关注的账号之一是英伟达的机器人实验室负责人 Jim Fan 博士。他发过很多关于这方面的帖子。他和埃隆在 X 上有一次极其精彩的互动——AI 社区在 X 上活跃的程度简直令人难以置信。 （译者注：谷歌的 JAX 团队和 Meta 的 PyTorch 团队曾在推特上为哪个框架更适配硬件发生激烈争吵，甚至需要两家实验室的掌门人出来公开打圆场。每个 AI 研究员都活跃在 X 上，前沿的 AI 交流都在 X 上发生。）
Jim Fan 和埃隆探讨了 LLM 如何能极大地改善 FSD，埃隆回复道：“是的，仅有的两个能无限扩容的数据源是合成数据和真实世界视频。”我觉得这非常有趣。这也指向了我刚才描述的特斯拉自动驾驶宏伟蓝图中最核心的风险：合成视频数据是否能像合成文本数据一样行之有效？
目前我们知道合成文本数据有用，但没人知道合成视频数据是否同样有用。而且自动驾驶面临着极高的监管门槛。虽然全球每年有 5 万到 10 万人（甚至可能多达 100 万人）死于车祸，我们显然可以通过 AI 极大地降低这个数字，但人类对 AI 造成的交通事故伤亡的容忍度，要远远低于对人类司机自身造成的事故。
现实就是这样，所以这会受到极强的监管。但 Jim Fan 博士指出，LLM 之所以能极大地帮助 FSD，原因在于：以我相对平庸的大脑来粗浅地理解，任何仅基于真实世界数据训练的模型，在遇到真实世界中发生过的场景时表现得很好，它知道一个优秀的人类司机会怎么做。但如果遇到一个完全新颖的、从未见过的极端场景（corner case），它可能就不知道该怎么办了。
这就是 LLM 可以大显身手的地方。因为 GPT-4 的一个核心涌现属性（无论我们如何定义它）就是它拥有 “世界模型”（World Model）。
这意味着，如果你问 GPT-4：“嘿，如果你把一个香槟瓶倒过来放，然后在上面放一个沾满肥皂的篮球，会发生什么？”GPT-3 绝对答不上来。但 GPT-4 往往能答对这类问题。（一个三岁的小孩都会说“那会掉下来，香槟瓶会摔碎”）。
对于仅基于数据模仿的模型来说，这非常困难。如果你在每辆特斯拉本地运行一个速度极度优化的小型 LLM，这种基本的推理和常识能力可能就能为 FSD 的安全性解锁另一个阶跃式的提升。
当然，Waymo 也会拥有这种能力，其他很多人也会，但他们没有特斯拉纯视觉的独家庞大数据集。这一幕在接下来的 12 到 18 个月（甚至可能在接下来的 6 个月内）就会变成现实，彻底让所有的怀疑者哑口无言。在此之前，我从来没有做过如此激进的预测。
同样逻辑，这也完全适用于 humanoid（人形）机器人。谷歌通过其 RT-2（Robotic Transformer 2）的研究展示了这一点——将 LLM 植入人形机器人，使其拥有一个理解事物和行为逻辑的世界模型，这让机器人的操作变得容易了太多。你不需要去分别训练机器人如何捡起网球、篮球和美式橄榄球，以及它们之间有何不同，机器人自己可以通过世界模型进行推理。
因此，将 LLM 植入人形机器人将彻底颠覆这个世界，并让大量的蓝领体力劳动变成可选（optional，即可被机器人替代）。我认为政治家和政治体系对此根本没有做好准备。但埃隆和黄仁勋在公开场合高度一致的一点是：人形机器人才是未来，而不是专用机器人。
原因很简单：虽然在任何特定任务上，专用机器人的表现可能都优于人形机器人，但人形机器人能做人类可以做的任何工作，而我们的物理世界本就是围绕人类的身体结构进行极致优化的。更重要的是，人形机器人的制造能带来巨大的规模化制造效应。因此，制造人形机器人将具有无可比拟的成本优势。人形机器人之于机器人领域，就如同 GPT 之于 AI 领域。GPT 是通用的 AI，而人形机器人将是通用的机器人。
因为它们将被进行天文数字般的规模化制造，它们拥有不可思议的成本优势，接着整个物理世界会开始围绕它们进行优化，这就是它们最终会胜出的原因。祝那些非人形的专用机器人创业公司好运，希望你们能拿到类似 Lycos 或 MySpace 那样的风投套现回报，但我认为你们之中绝不会诞生下一个 Google。
就像 GPT 在很大程度上强化了现有的科技巨头（Meta、Google、X、xAI、Microsoft）一样，人形机器人也会强化这些现有的工业和科技巨头。因为它们拥有最核心的生产要素——数据、算力和资本，这是变现这些技术所必需的，这也是为什么它们的 ROIC 持续上升的原因。
我认为那些在电池设计、执行器（actuators）、电机制造以及大型数据集方面拥有丰富经验的成熟制造巨头将占据绝对优势。我非常看好特斯拉的 Optimus 机器人。这是一个极其庞大的市场，竞争会非常激烈。在自动驾驶领域，我能看到最终可能只有两到三家巨头（特斯拉、Waymo 和某种开源方案），或者如果合成视频数据确实有用、LLM 能极大提升纯视觉算法的效率，也可能出现成百上千个玩家。我认为后者概率较低，但并非不可能。但我坚信机器人会改变世界，这太令人兴奋了，我已经等不及想拥有我个人的机器人了。
帕特里克： 或者拥有 10 个。
加文： 是的，或者 10 个，确实如此。我想在每个地方都放一个。现在几点了？它会告诉我。我加载到手机里的“Gavin AI”同样运行在那个机器人上，它喜欢我，对我非常友好，甚至还会配合我的冷笑话笑出声，时刻照顾我的情绪。
宏观图景
帕特里克： 是的。我想问几个关于宏观和长期方向的收尾问题。首先是回应你之前说的一句话：在长期观察黄仁勋、埃隆以及 AMD 的苏姿丰运营公司后，将他们评为如此卓越的 CEO。感觉在这些公司里，极少数的领袖确实能够对整个世界产生如此庞大的影响。
因此，他们的性格和行事方式对我们所有人来说都至关重要。当然，这会有新陈代谢，我们会迎来新一代的人才。但是，这三位领导者有什么共同点，能让他们与现代世界的公司建设如此完美地契合？我是指一些在外人看来很疯狂的事情，比如黄仁勋有 40 个直系下属，或者埃隆同时管理七家公司。这些都是极其不寻常的异类。你能聊聊这三位以及在这个技术纪元里的领导力本质吗？
加文： 我想说，除了拥有显然非同寻常的智商和极宽的领域知识面之外，最搞笑的其实是苏姿丰和黄仁勋是表亲。这简直……
帕特里克： 太疯狂了。
加文： 我想说，往后我只想下注在这家人的基因上，任何一个表亲我都想投。这是什么神奇的巧合。但在遗传基因优势之外，我认为现代美国公司（就像任何官僚科层制的庞大组织一样）的架构设计，其实都在奖赏那些长袖善舞、精通政治的人。
因为这些人非常擅长政治和社交，他们往往并不见得真正懂业务；而因为大家喜欢他们，他们的自我（egos）开始极度膨胀。这就像四岁以下的小孩在某种程度上都是自私的一样。很多成为百亿富翁的人其实都是极其厉害的政治家。他们大脑中负责共情的部分会萎缩，这会彻底改变一个人。
绕了这么大一个弯，我想说的是：在现代企业演进出来的管理体制下，你最终选出来的往往不是真正优秀的 CEO，而是一些客观上非常糟糕、但极其擅长在公司政治阶梯中攀爬的人——靠谄媚或任何能让他们上位的方法。而当他们终于登上宝座时，他们的自我变得无比庞大，而他们的脚趾却变得无比狭小，以至于无法再做出任何高效的决策。 在这些公司里，你往往会发现真正干活的是 CEO 身后的那一两个人。通常是某个核心的业务部门负责人，他们陪着这个 CEO 一起在各个部门轮岗攀升。只有这些人拥有真正的判断力和业务技能来做出高质量的决策。
而埃隆和黄仁勋完全不是这样。他们不仅是公司的门面，而且永远在亲自解决公司最核心、最棘手的物理问题。在我退居幕后（year off）的那年，我曾去拜访黄仁勋。因为当时我没带着交易任务，那是一次非常不一样的对话。他告诉我（也许现在变了，但当时他是这么说的）：“我没有固定的日程表。我没有任何例行汇报会。我每天就是找出公司当下最关键的瓶颈是什么，然后我就搬着椅子坐到那个业务区，把最优秀的人才抽调过来一起解决这个问题。我热爱这种方式。”
他永远活跃在最关键的问题前线。这同样是埃隆在每一家公司所做的。只要哪里是主路径上的瓶颈，埃隆就会出现在哪里。当 Raptor（猛禽）发动机成为“星舰”（Starship）的主路径瓶颈时，我可能会记错一些细节，但我记得当时每周二凌晨 1 点（或周一凌晨）会召开猛禽发动机的技术会，只有 12 或 18 个最顶尖的工程师被允许参会，而全公司所有人都想挤进那个会。
因此，我认为将他们连接在一起的第一点，就是永远直面问题本身。第二点是极度渴望听到坏消息。我父亲曾是一位破产清算律师。他常说，所有倒闭的公司都有一个共同点：CEO 极度讨厌听到坏消息。而埃隆和黄仁勋对坏消息有着病态的渴望。在他们的公司里，一旦有坏消息，必须在第一时间直接呈报给他们。这是巨大的差异。第三是没有官僚等级制度（no hierarchy）。
在他们的公司里，不管出问题的环节在哪里，黄仁勋和埃隆都会直接去找那个领域最懂的专家探讨——无论这个人是 23 岁还是 50 岁，根本没有中间的层层汇报。这让我想起摩根大通收购贝尔斯登时的那个著名故事（我相信它是真的）：当时贝尔斯登内部最懂估值模型的分析师只有 24 岁。于是摩根大通直接在杰米·戴蒙（Jamie Dimon）的办公室旁边给他设了一张桌子。
杰米会说：“改这里，调整那里。”这个 24 岁的年轻小伙子就坐在大老板旁边，因为他是最懂的那个人。杰米·戴蒙也是一位极其杰出的 CEO。他没有去叫这个分析师的直属主管、或者主管的主管，他直接说：“这家伙是最懂的，我要直接和他一起工作。”最后一点，也是将黄仁勋和埃隆深度捆绑在一起的，是极强的使命导向（mission orientation）。
黄仁勋创业的初心是：让我们在虚拟世界中开发出逼真的 3D 游戏画面，因为这能消除所谓的“现实特权”（reality privilege，指无法在现实中享受美景或体验的人可以在虚拟中享受），人类最终将能生活在虚拟世界里。顺便说一下，元宇宙（Metaverse）依然会到来。我认为它只是会率先通过增强现实（AR）落地，最终通过脑机接口（BCI）实现终局。 普通的 VR 头显我不看好，它很难成功；但 ambient computing（环境计算）下的增强现实眼镜，以及最终的脑机接口，将是必然的。这也是为什么 Meta 极度聪明地买下相关企业并控制 Futura 实验室的原因。他们正在朝这个方向努力。因为这可能是下一个真正具有颠覆性的终端形态。我们现在有超级手机，手机将作为增强现实的计算核心。
但脑机接口可能是继手机之后下一个真正的通用计算平台，并且可能也是人机协同（haiman）的最佳物理通路。但无论如何，这是一个极具号召力的愿景：逼真的 3D 图形。许多技术天才都极度热爱电子游戏，因此黄仁勋凭借这一愿景吸引了全球最聪明的一批大脑。
然后，黄仁勋在 AI 历史上扮演了至关重要的角色：早在 10 年前，他就开始亲自接触杰弗里·辛顿（Geoffrey Hinton）和杨立昆（Yann LeCun）等先驱。我记得他当时向我提到这些名字，并兴奋地谈论著名的 ImageNet 图像识别大赛和 ResNet-51 模型，他说：“这意味着我们实际上已经将智力（intelligence）转化为了一个纯粹的工程问题。”
“而我们解决智力的方法，就是把越来越多的 GPU 物理粘合在一起。”他很早就看清了这一点。他将整个英伟达的命运都赌在了这上面。自此，公司的使命变成了实现通用智力。这是一个极其宏伟的使命。而对于埃隆来说，他的每一家公司都带着救世主般的使命感：PayPal 是为了让交易摩擦归零，降低传统金融中介向世界收取的“抽税”；特斯拉是为了让世界走向可持续能源时代；SpaceX 是为了让人类成为跨行星物种并登陆火星；xAI 是为了追求客观真理和科学突破。当你拥有这些使命，并愿意为最聪明的年轻人提供直面核心问题的通道时，你就能吸引到世界上最杰出的人才。
帕特里克： SpaceX 也是如此。如果你和他们交流，简直令人难以置信。
加文： 是的，甚至 SpaceX Tiki 酒吧的调酒师，如果你问他，他会说：“我知道每个工程师喜欢喝什么。我每天都在这里守着他们，等他们结束漫长而疲惫的一天。虽然现在他们不怎么喝酒了，因为……”
帕特里克： 因为多工作一小时就能让人类离火星更近一步。听起来很滑稽，但这是真的，我亲眼见过。
加文： 是的，在这些公司里，每一个员工都能脱口而出公司的使命，并且带着一种布道师般的狂热。这种使命感让你能雇到更好的人。世界上最顶尖的一批聪明人，可能花了 20 年的时间只是为了让网民点击广告的概率提升万分之一。但如果你给他们一个真正的使命，他们会毫不犹豫地加入。这就是埃隆和黄仁勋能拥有如此恐怖的执行团队的底层秘诀。
帕特里克： 是的，我因为各种原因认识不少 SpaceX 的人，所有人身上都散发着相同的狂热、高强度和使命聚焦，这绝对是现象级的。许多人离开后又在极短的时间内回来了，因为他们在外面根本找不到如此纯粹、高强度的环境。
这可能是我们今天对话最完美的收尾处。我真的可以和你连续聊上七个小时，我只问了大约三分之一的问题，你对市场和科技的澎湃热情真的太有感染力了。我的最后一个问题关乎我们的本行：投资。
你认为在这样的时代背景下，投资的流程、投资机构、阿尔法（Alpha）以及核心竞争优势（Edge）将如何演进？无论是你提到的内部 AI 工具，还是我们正在开发的工具，我相信其他人也在做类似的事情。想想这真的很让人惊叹。随着竞争变得越来越激烈，作为一名极具情怀的从业者，你如何畅想 5 到 10 年后的投资行业？
加文： 在公开市场中，这就像我们都玩电子游戏：任何具有竞争力的 PvP（玩家对战）游戏的“版本答案”（meta）都在随着游戏设计的调整而不断改变。如果在 PvP 中，你可能会从狙击手流转向散弹枪流。体育也是如此。NBA 从迈克尔·乔丹时代的“中距离急停跳投”版本演变为库里时代的“超远三分球”版本，并且未来还会继续演变。但在 NBA 里依然存在一个底层真理：你赢球的唯一方法就是比对手得更多的分。
无论是公开市场还是私募市场，投资的“版本战术”（meta）都在不断变化。只是在公开市场，这种变化的频率要快得多。自我入行以来，我们经历了几次巨大的 meta 转移：ROIC（资本回报率）在 90 年代中期是一个革命性的概念，但现在每个人都懂 ROIC，它只是对 ROE 的一次重大升级，这也是巴菲特对投资界做出的最伟大贡献之一。 Reg FD（公平披露规则）彻底改变了公司的信息披露和沟通机制，这也是一次巨大的 meta 转移，我认为它棒极了。 （译者注：Reg FD 是 SEC 在 2000 年出台的规定，禁止上市公司向选择性分析师泄露重大非公开信息，必须面向公众公开披露。）
对我来说，Reg FD 意味着我们几乎没有必要去私下拜访公司了。我之前在富达深耕了 18 年，这给我带来了一个独特的视角：很多小型资产管理公司（AUM 在 5000 亿美元以下）总在吹嘘“我们对上市公司拥有独家的高管接触优势”。不，你们没有。如果你把所有对冲基金能接触到高管的机会加在一起，也只是富达、Capital 或 T. Rowe 这种巨头的九牛一毛，相差几个数量级。
我在退居幕后（year off）的那年里意识到一点：高管们在私下里绝不会说任何公开财报电话会（transcript）里没有的内容。于是我回去仔细阅读了所有的财报录音文本，发现了许多以前被忽略的巨大洞察。人类其实存在严重的输入/输出（I/O）带宽限制（这也是为什么需要脑机接口的原因）。我阅读的输入带宽速度大概是人类说话输出速度的 5 到 10 倍。如果我坐着听高管说话，我的信息获取速度就被对方的说话速度物理卡死了，这是一种极低带宽的信息交流方式。
因此，财报录音文本的普及是一次巨大的 meta 转移。信用卡消费数据的引入是一次 meta 转移。专家访谈库（expert transcripts）是一次 meta 转移。而 LLM 将是投资行业有史以来最庞大的一次 meta 转移。但我认为，这对纯量化（quantitative）投资机构来说，可能会是一个长达 5 到 10 年的艰难挑战。
因为很显然，像文艺复兴科技（Renaissance Technologies）、Two Sigma 这样的顶级量化基金，比所有人更早地意识到了数据和算力的重要性。它们是唯一能和科技巨头竞争抢夺人才的金融机构，每年可以给顶尖的 AI 研究员开出 2000 万、3000 万甚至 5000 万美元的年薪，并且圈占了所有独家的历史数据库，砸入海量的算力。
但我对 fundamental（基本面）人类投资人感到乐观。顺便说一下，我使用的这个内部 LLM 向量数据库工具叫 Intel Pro。我认为对于 fundamental 投资人来说，在量化基金已经将传统超额收益挤压殆尽的市场上，唯一的阿尔法空间就存在于对“未来概率状态”的非对称认知边缘。为什么量化基金崛起后，价值投资（Value）策略几乎没有超额收益（dispersion）了？
因为价值投资的阿尔法在过去建立在人类的负面情绪之上——人们会因为买入陷入困境的垃圾股而感到尴尬或害怕，害怕承担职业风险；而算法是没有任何情绪的。它们无情地扫货，把价值投资策略中的阿尔法彻底榨干了。这并不是说价值因子不会跑赢，而是说因为算法的无套利扫货，价值股内部已经没有由于人类恐慌而产生的定价偏差（dispersion）了。
但我很乐观：未来 5 到 10 年将是一个黄金窗口，如果你是一个像我一样的基本面投资人，通过深度的行业领域知识，并极力避免认知偏差，配合 LLM 工具（我非常庆幸我们拥有一个存储了多年行业深度研究的向量数据库），我们能够获得对未来概率状态的微弱优势。这将使我们这些以基本面为核心的基金经理，开始享受到像文艺复兴科技在过去二三十年里所独享的那种数据红利。
这是因为 LLM 彻底把 “人类语言”变成了“编程语言”。通过极其先进的 LLM，我们基本面投资人现在可以用自然语言进行极高效率的数据检索和编程，这让我们在数据分析效率上直接拉平了与那些雇佣 5000 万美元年薪量化天才的顶级基金之间的差距。
当你的大脑中拥有独特的行业知识，再配合这样的 AI 工具，我非常希望未来 5 到 10 年，基本面投资人在市场阿尔法蛋糕中的份额能够上升，而量化机构的份额会下降。这是我的期待，我们看看这是否会发生。
在风投（Venture）的世界里，一切也在快速演进。除了纯粹的 A 轮早期风投专家外，C 轮及以后的成长期风投正在向私募股权（PE）的方向演进。在主流的私募股权投资中，已经不存在任何所谓的信息源（sourcing）优势或定价优势。事实上，你反而面临着因出价最高而带来的定价劣势。
帕特里克： 因为往往是出价最高者得。
加文： 你只是竞拍中的最高出价者。每一个案子都是一场公开拍卖。在这一阶段，风投机构唯一能产生差异化壁垒的，在于运营端的深度价值创造（operational value add）。我认为成长期风投和增长股权正在朝这个方向演进。这不仅是口头上说说，而是真正的深度运营赋能。我知道 Valor Equity Partners 就是这么做的。
帕特里克： Valor 确实做得非常扎实，是的。
加文： 这是真正的运营赋能，帮助企业解决极其艰难的底层运营和物流问题。它绝不是为了应付 LP（出资人）而做做样子的那种 HR 或公关层面的“投后支持”。
这是真刀真枪的运营支持。我认为这是成长期风投唯一的未来。即使没有 LLM，在交叉基金（crossover funds）和巨型基金崛起的背景下，这一天也迟早会到来。但我认为，LLM 只是加速了这一过程，它彻底将风投中的“知识壁垒”（knowledge）民主化了。我们思考一下 IQ（智商）、EQ（情商），现在又多了一个 KQ（Knowledge Quotient，知识商）。
现在，虽然拥有一个深度的、差异化的领域知识数据库非常有用，但如果你不使用 LLM 来让你的 IQ 提升 30 个点，那些原本在 IQ 和 KQ 上不如你的人只要用了 LLM，就能在智力产出上迅速抹平与你的差距。因此，这会把长期的竞争重点放在 JQ（Judgment Quotient，判断商） 上。
对于早期风投来说，最核心的技能将退回到最纯粹的评估团队人的质量上。这可能是一个 5 到 10 年的窗口，在这个窗口里，VC 们依然能通过 JQ 和 EQ 的结合（“这个人是否足够卓越”）来发掘阿尔法，就像基本面投资人能通过 LLM 拉平与量化基金的效率差距一样。但这一切都高度依赖于你的判断力商数（JQ）。当然，这目前还只是我的一个假设。
帕特里克： 极其引人入胜的洞察。加文，你是我最喜欢交流的投资人之一。我太喜欢今天的对话了，信息量极大且极其细致。你也是我见过的对投资这门手艺最充满情怀和热情的投资人。这真是一次极大的享受，非常感谢你的时间。
加文： 谢谢你，帕特里克。这太棒了。