▶ 原文链接

She Knows the 250 People Building AI. Here's What They Actually Believe.（中文）

来源： Invest Like the Best | Sarah Guo | Sep 01, 2026 播客： Invest Like the Best 分类： 投资 原文发表： 2026-09-01 纪要生成： 2026-09-02

---

嘉宾/话题简介

Sarah Guo 是 Conviction 创始人兼管理合伙人，也是播客 No Priors 的主持人。她曾在 Greylock 担任 GP，23 岁入行，亲历多轮技术浪潮；本集她与主持人 Patrick O’Shaughnessy 深入讨论了她对 AI 前沿生态、早期投资方法论、计算供应链、开源模型、生物 AI 价值捕获等议题的最新判断。对话围绕一个核心问题展开：在一个被少数超级实验室主导的剧烈竞争时代，像 Conviction 这样的早期机构如何找到真正关键的人与方向。

---

分节详述

00:39 开场：当前的狂热与混沌感

本节重点

• 嘉宾感受到市场处于持续、且可能进一步加剧的狂热与混沌状态
• 投资者面临无法回测的全新环境，机会与泡沫错误难以取舍
• 播客开头预告段已点出“剧烈竞争”与“距指数智能一两年”的核心张力

详细精要

• 开场氛围与个人状态：Patrick 观察到双方都处于持续性的 frenzied（狂热），且未来可能更加混乱
• 这种状态既来自嘉宾本身的工作，也来自她周围的世界
• 他直接问：此刻你脑中在想什么？
• 在正式对话前，播客预告段（00:00-00:39）已经引用嘉宾观点：这是剧烈竞争（violently competitive）的全球格局，研究者们既担忧又不确定

• 预告中已出现关键论点：随着 AI 研究模型实现递归自我改进（recursive self-improvement），人类可能距离某种指数级智能（exponential intelligence）只有一两年

• 作为投资者导航此时段的困难：嘉宾回答，对任何思考当前投资的人，最明显的难题是：它会如何展开，它与过去有何不同

• 核心困境是“我无法 backtest（回测） 怎么办”
• 她引用一位投资者朋友的比喻：我一直说我想全力踩刹车，但我没这么做，我正在以 90 英里/小时 的速度前进
• 真正的取舍是：一边是错过机会，另一边是重复技术史上每一次繁荣-泡沫周期的错误；嘉宾认为这是一个复杂问题

💬 精华片段（中文）

“我一直说我想全力踩刹车，但我没有这么做——我正在以 90 英里每小时的速度前进。”

"I keep saying I want to press the brakes as hard as I can but I'm not doing it. I'm going 90 miles an hour."

---

02:13 核心赌注：少数实验室 vs 生态多元

本节重点

• 嘉宾认同她此前被描述的“下注”方向：少数实验室与其他人之间的根本性分化正在发生
• 她相信“伟人理论”，但也明确不把这件事视为战争
• 她不希望出现“一两家前沿模型拥有者吞并整个经济”的单一结局

详细精要

• 对“wager（赌注）”的判断：Patrick 问她，他们之前写的 profile 把她描述为正在做一个具体的赌注或仓位，这个判断是否准确
• 嘉宾回答：“是的，我认同”
• 该赌注的核心是：在少数几家 AI 实验室与所有其他参与者之间，正在发生真正重要的根本性变化

• 她认为必须“拿起武器”（take up arms），避免落入非常单极（monolithic）的结局

• 历史观与个人作用：嘉宾解释，她相信伟大男性和伟大女性（great man and great woman）的历史理论

• 只要有高行动力（high agency）的人，加上正确的风险资本、网络与环境支持，就能改变结果
• 她举开源模型与美国产业政策为例：未来生态系统的机会取决于是否存在竞争性的西方开源模型
• 实际问题是：有没有人真的做出了它？他们能不能融到钱、集合人才、建设基础设施并战斗在前沿？

• 因此她认为个体和创业者能够影响结果

• 不愿称之为“战争”：她明确表示自己并不从战争框架思考

• 她与大型和小型实验室都有紧密合作、共同投资，并在其中有很多朋友
• 但她也承认，一些实验室内外的人持有极端观点，认为拥有第一、第二或第三个前沿模型的人将吞噬整个经济
• 她非常清晰地表示：我不想要那个未来

• 同时她也判断：我们不会走到那一步

• 是否想成为“伟大女性”：她对这个问题回答“不”

• 这并非出于个人谦虚，而是因为这不在她的目标集合中
• 她想成为“在我试图做的事情上最好的投资者”
• 有些人被“我想成为让它发生的人”驱动，但她的自我认知不同
• 她曾长时间以为会成为一名软件创业者，最终决定以投资者为身份，是因为她深怀好奇、喜欢理解事物、喜欢判断正确，并且非常有动力与卓越的人共事
• 如果她拥有某些技能，她想用这些技能让卓越的人更成功；这与早期投资高度契合
• 她认为：公司可以支持一场运动、支持想看到的变革，但不必由她本人来充当那个主角

💬 精华片段（中文）

“拥有第一、第二或第三个前沿模型的人将吞噬整个经济——我不想要那个未来，而且我并不认为我们会走向那里。”

"The owner of one, two, three frontier models consumes the economy. I do not want that future very clearly, and I don't think we are going to end up there."

---

04:49 如何在竞争激烈的环境中成为最佳投资者

本节重点

• 嘉宾回顾至今的路径相对“简单但困难”：理解技术、专注、执行，而门槛在于合作者的水平
• 她曾判断早阶段竞争格局并不像现在这么激烈，技术转型给了专注者更好的机会
• 她的合伙人 Mike 提出“约 250 人”前沿建设者网络，这是远不止勤奋的独特打法

详细精要

• 对当前环境的复盘：嘉宾认为至今为止的路径实际上相当简单
• 她的早期判断是：公司的代际更替与增长使得早期投资环境并非史上最激烈的竞争格局
• 与此同时发生了巨大的技术转型
• 如果你赌注放在理解技术和社区、从第一性原理出发，你会比那些不够专注的人拥有更好的 access 和更好的决策
• 因此只需：承担风险、保持专注，剩下的是执行问题；这“简单但难”，本质上就是努力

• 她今天觉得这件事其实没有复杂到别的地方，更多取决于你对合作者的门槛

• 起步的基础：嘉宾与合伙人 Mike 带着一组既有关系和理解开始创业

• 这被证明非常有用

• Patrick 表示，仅靠“比所有人更努力”解释不了成功，一定有更多东西

• 250 人网络：Mike 几周前提出一个概念：大约有 250 位左右的人，他们是创业者与研究者中真正在前沿推动事情发生的人

• 嘉宾确认：这些人就是每天早上真正出现、推动整个领域前进的人
• 作为公司的目标之一是：尽可能接近这些人、认识所有人、以尽可能多的方式支持他们
• Patrick 认为这比“与很多创业者开会”更深刻；从外部看，这里存在更独特的东西，而不仅仅是“竞争少、更专注、执行更好”

• 这引出了关于成功成分的追问

• 市场认知的证据：Patrick 透露，有一位知名 LP 每年调查其他顶级 LP 最想投给哪些 GP

• 嘉宾在该调查中排第一或第二
• 这说明她既在公司表现上、也在市场认知上都有突出之处，远不止“对了时点+非常努力”
• 嘉宾转而解释：他们做了一些别人不会做的赌注

💬 精华片段（中文）

“如果你押注于理解技术和社区，并从第一性原理出发，你可能会比别人有更好的接触和决策。”

"If you took the bet on understanding the technology and the community and approach it from first principles, you might have better access and make better decisions than others who are less focused."

---

08:29 投资决策框架：从技术第一性出发（Harvey 案例）

本节重点

• 嘉宾强调他们当时仔细思考哪些市场最重要，以及这个时代创始人可能有何不同
• 他们同时采用“从技术出发”和“从客户问题出发”两种视角，而非常规只从客户回推
• Harvey 是最佳案例：法律是结构化语言，与 LLM 检索+生成能力高度匹配，创始人 Winston 与 Gabe 有宏大愿景

详细精要

• 对市场与创始人的非共识判断：嘉宾认为，他们仔细思考了哪些市场将变得重要，以及这一代创始人与过去有何不同
• 如果他们关于能力增长与影响广度的判断是对的，这些判断对别人来说并不显而易见
• 关键问题是：与现状相比最大的差异在哪里，框架如何改变
• 她给出两个例子之一：第一年他们非常关注应用领域，如工作流和专业任务，即那些“与模型目的匹配”的任务
• 这是一种技术前沿（technology forward）方法；当时很多人认为这是无稽之谈，坚持“从客户问题回推是唯一方法”

• 嘉宾认为他们两者都要做

• Harvey 案例的具体逻辑：嘉宾以 Harvey 和法律功能为例说明

• 如果你在 2022 年底就知道可以用语言做 next token prediction（下一 token 预测），那么法律就是结构化语言
• 她不是律师，但从外部看：法律需要阅读大量文档、检索、生成文本，且有大量先例文本（律所内部、普通法、历史）
• 这看起来是极佳的匹配

• 所谓“聚焦”就是：对“现在什么是可能的”有明确观点，再在可能范围内判断什么有价值，最后看谁与我们一致

• 对创始人愿景的判断：嘉宾提到 Winston 和 Gabe（Harvey 创始人）

• 他们相信 AI 会以“现在说起来有点尴尬的方式”改造法律实践——即“AI pill”式的彻底信念
• 他们的路径是：从“能看懂加州房东租客协议并回答一个问题”这种相对琐碎的事
• 一直投射到“做 Activision Blizzard 并购并完成 85% 的工作”这种巨大飞跃
• 嘉宾当时被打动的，是这件事可能的雄心，以及“为什么技术上能成立”的逻辑
• 她认为这与当时其他投资者的决策框架可能非常不同

💬 精华片段（中文）

“法律是结构化语言。你需要阅读大量文档，我们有检索能力，你需要生成文本，而且有大量先例文本。这看起来真的是一个极好的匹配。”

"Law is structured language. You need to read a lot of documents, and we had retrieval, and you need to generate text. There's a lot of precedent text. That feels like a really good match."

---

12:09 前沿研究者现在关心什么

本节重点

• 前沿研究群体竞争激烈，对全球竞争格局有强烈不安全感
• 新信念“距指数智能一两年”在过去 12 个月才大量出现，但类似预测已存在十年
• 超大规模实验室让个体研究者的贡献感和所有权下降，产生“只有算力规模重要”的无力感

详细精要

• 剧烈竞争的全球格局：嘉宾描述当前状态为“剧烈竞争（violently competitive）的格局”
• 这在 12 个月前已经成立，但比 24 个月、36 个月前更加真实
• 人们非常担忧这是一个全球竞争格局，并对这种局面感到不安全

• 这种不安全感部分是 narrative breaking（叙事断裂）——旧的确定性被打破

• 新兴的信念：指数智能一两年内到来：她描述一种新信念，然后对其进行质疑

• 信念内容是：随着 AI 研究模型能递归自我改进（recursive self-improvement），我们距离某种指数级智能只剩一两年
• 她认为这一信念对许多研究者来说是过去 12 个月内新出现的
• 但 Andrej Karpathy 以非常自省的方式说过：我过去大约 10 年一直觉得是两年后

• 他今天仍然这么认为；但正如嘉宾所说，谁又说得准呢？

• 大实验室规模带来的心理变化：嘉宾指出，主要实验室现在计算资源极其密集、人数规模非常大

• 如果 OpenAI 只有 200 人且研究者不多，那么“如何到达目标”真的取决于每个人
• 但现在问题变成：我需要 7500 亿美元的计算支出、我们有成千上万人在解决这个问题
• 结果是，个体对结果的主人翁感（ownership）下降

• Patrick 总结：这变成“只是获取算力的事，而不是我们个人努力的事”

• 两种令人无力的认知：嘉宾认为，很多研究者会觉得以下两种说法中至少一个为真

• 其一：我做什么都无所谓，因为模型会自己做
• 其二：唯一重要的是算力规模
• 两者都让人感到被剥夺权力（disempowering）
• 这意味着个体心理变化：如果你是一位前五名研究者，你希望做有意义的事

• 也有一部分科学家无论自己的工作是否重要，都想继续干这件事

• 投资者作用的自我怀疑：嘉宾分享了她昨天被一位创业者问的问题

• 创业者问：如果没有你参与那轮投资，你投资的公司中有哪些会拿不到融资？
• 她估计也许有 5% 到 10% 的公司会受到影响；这些创业者资源丰富、非常有才华，他们能找到其他投资者，世界上有很多聪明投资者愿意承担风险
• 但也许他们不会进入下一轮需要 1 亿美元的计算扩展
• 她进一步认为，不是每一位在顶级实验室做前沿工作的研究者都觉得自己对机器必不可少

💬 精华片段（中文）

“信念是，随着 AI 研究模型能递归自我改进，我们距离某种指数级智能只有一两年。我认为这个信念对很多研究者来说是在过去 12 个月里新出现的。”

"The belief is, with recursive self-improvement of AI research models that can improve the models themselves, we are a year, two years away from some sort of exponential intelligence. I think that belief is new within the last 12 months for a lot of researchers."

---

15:47 最担心的障碍：计算、监管与供应链

本节重点

• 计算资源的短缺是首要担忧：有基础设施负责人直言 2030 年前不会有足够规模
• 真正瓶颈是监管与社会对齐问题，而非技术、能力或资本主义问题
• 物理供应链和学习曲线无法像软件一样快，投资者方面还存在“用 pedigree 代理判断”的危险

详细精要

• 计算与能源的长期焦虑：嘉宾回答“当前最不健康的部分”是什么，第一是计算
• 人们非常理解是否能在未来 5 到 10 年拥有足够计算资源；如今大家都在思考 2032 年的规模化问题
• 本周早些时候，她与一家 hyperscaler（超大规模云厂商）的基础设施负责人交流
• 对方说：在 2030 年之前，没有任何事情能足够大规模地改变我们的处境
• 她对此的反应是：“这挺令人沮丧”

• 关键约束是：在哪里获得足够的天然气

• 瓶颈是监管和对齐，而非技术：她认为，美国人和创业者过去能极快建设新技术与新能力

• 这不是技术、能力或资本主义的问题，而是监管问题和对齐（alignment）问题
• 这里的对齐不是 AI alignment（AI 对齐），而是社会意愿上的对齐
• 例如：想在纽约建数据中心，你需要说服纽约人他们应当欢迎数据中心
• 如果想以基荷电力让核电价格有竞争力，你需要说服人们它是安全的，并允许足够多的建设，以便价格在实际建设后下降

• 她认为我们并不缺乏为数据中心建设廉价且充足能源的技术与创业能力

• 物理供应链的现实约束：物理供应链是另一个艰难现实

• 能力建设中的隐性知识（tacit knowledge）、劳动力和原材料，无法像软件甚至决策那样快

• 但唯一的路径是“穿过它”——只能投资于它

• 投资领域的担忧：用 pedigree 代理判断：在投资方面，她近期与几位创业者交流

• 对将要进行资本开支密集型（capex intensive）建设的创始人来说，讲故事、让公司赌注对投资者可读非常重要
• 现实是：所有资本都不是研究科学家——她自己和主持人也不是
• 因此创始人必须去解释自己的故事，但很多投资者在押注技术时，基本面理解程度参差不齐
• 很多人把判断代理给 pedigree（出身背景）或其他可读信号：谁已经投了、推荐来源是谁
• 由此决策变得不那么基本面；她举了一个例子：她问一位非常优秀的投资者朋友，为什么押注一家公司
• 朋友回答的核心是“你知道这个人有多好”；她回应：我知道这个人的能力已经八年了，但业务本身的技术理论我不理解
• 她认为，很多人正在对大型研究赌注没有直觉、没有观点的情况下投钱
• 这很危险：如果没有对业务本身形成直觉，仅凭创始人 pedigree，就没有观点

💬 精华片段（中文）

“我认为这不是技术、能力或资本主义的问题，而是监管问题和对齐问题。我不是说 AI 对齐，我是说，如果你想在纽约建数据中心，你需要说服纽约人他们应该想要那里有数据中心。”

"I don't think it is a technology or capability or capitalism problem. I think it is a regulatory problem and an alignment problem. I don't mean AI alignment. If you want to build data centers in New York, you need to convince the people of New York they should want data centers there."

---

19:59 令人惊叹的研究者：Sunday Robotics 与 Tony/Chang

本节重点

• 嘉宾以 Tony Zhao 和 Changi（Sunday Robotics）为例，展示“历史书会记载其贡献”的人
• 两位创始人在斯坦福读博、曾在 Toyota Research、DeepMind、Tesla 工作，年龄仅约 25 岁
• 他们双双推动了机器人 AI 领域过去四年里许多最有趣的想法，并坚信半人形机器人年底进入 beta

详细精要

• “伟人”实例：Patrick 问她，有没有哪位研究者最让她震惊，且是以什么方式做到的
• 她说有一些人，历史书会记载他们的贡献，真正创造了“拐点”
• 她的合伙人 Pranov 和她被介绍给 Tony Zhao 和 Changi，当时他们还是斯坦福的博士生
• 他们已经工作过：Toyota Research、DeepMind、Tesla，不是普通学术背景

• 他们的年龄大约 25 岁；其中一位可能没读完博士就直接创办了公司

• 身体作品给人的印象：嘉宾回忆，第一次看他们的研究体系时，花了些时间才理解

• 她认为他们几乎凭两人之力贡献了过去四年机器人 AI 中大多数有趣的想法
• 这对两个如此年轻的人来说非常不寻常
• 他们想法的类型可以概括为：如何用现代 AI 以非常实用的方式解决机器人的泛化和鲁棒性问题
• 机器人领域的传统信念是：如果我们拥有“机器人数据的互联网”，就会有全通用机器人，这显然能成功

• 因此大问题之一是：数据从哪里来？

• 他们在数据约束上的创造力：Tony 和 Chang 研究的一部分是：如何最便宜地、以支持真实世界环境和任务分布的方式收集数据

• 技术问题包括：数据的形状与收集方式是什么、如何与模型交互、多少廉价数据可以转化为模型学习能力
• 这些都是非常结果导向的问题

• 嘉宾在第一次会议就当场说“我们要投”，至今几乎两年

• 执行速度令人震撼：她提醒“东西未发货之前什么都不算真”，但整个团队相信会有半人形机器人（semi-humanoid robot）在用户家中做事

• 他们计划在今年年底首先推出 beta
• 这种从“斯坦福地下室的一堆纸板”到“我们建成全栈产品”的速度让她震惊
• 产品在美国本地制造，已经进行了数百次硬件迭代，在模型数据收集上做了大量工作，并在真实世界环境中测试任务
• 她说：“这将会成功”
• 视频非常酷；她认为整个速度令人难以置信
• 虽然业界对机器人仍有分歧，但很多人的看法已从“是否会实现”变成“何时实现”
• 团队给出的答案是“今年不行就明年”

💬 精华片段（中文）

“从斯坦福地下室的一堆纸板，到我们建成全栈产品、在美国制造、完成数百次硬件迭代——这种速度令人难以置信。”

"From a bunch of cardboard in a Stanford basement to we built the full stack thing, it is manufactured here, we have done hundreds of iterations of hardware... that blows me away."

---

24:09 投资决策流程：直觉评分与备忘录

本节重点

• 嘉宾在“人”上非常依赖直觉，常在第一时间给出 8/9 的评分
• 她再从直觉出发倒推核实：找理解漏洞、外部反馈、写备忘录
• 她与 Mike 的共同点是：先说明什么会改变自己的观点

详细精要

• 本能的判断方式：嘉宾说她对人非常直觉化
• 她经常立刻知道自己想做某件事；前提是她了解某人做过什么、能清晰听到想法、并且自己在该想法上有一定背景
• 团队有一套 1 到 10 的评分量表；她经常会立刻评出一个八分或九分
• 在从“直觉评分”到“真正决策”之间，她在做的是：找出她对前提或人的理解中哪里有漏洞、哪里不完整或错误
• 核心问题是：我不知道什么？
• 因为作为寻找最具雄心、最具影响力公司的投资者，你不可能懂所有领域；Conviction 横跨生物学、国防、机器人、法律等领域

• 因此接下来一两天到几周，她都在拼命让自己“接地气”：了解其他人对这个领域怎么看、这些人是否如她想象的那样

• 备忘录与外部反馈：她会想获得反馈、对人的第二意见，并理解核心问题

• 她是一个 memo（备忘录）型的人；即使在公司只有她一个人的最早阶段，她也会写完整备忘录，可能以 Greylock 风格写好
• 然后她会把它发给一位基金外部、她信任其视角的投资人朋友
• 她有时把备忘录发给 John Lilly 或 Dylan Field 等人

• 现在公司内部流程是：她会查看 Bella、Prof 或 Mike 对这个人想了解什么，再补全拼图

• 不同投资风格对比：有些人更“平均化”地做决策，不断思考、逐步爬上坚信

• 而她则相反：从坚信出发，然后倒推工作
• 她与 Mike 有一个相似点：会从一个起点出发，并解释什么会改变他们的观点
• 她举例：本周早些时候她与合伙人 Bella 见了一家很有意思的公司
• 她本能上态度积极，但对科学部分了解不够，必须先去确认逻辑是否成立
• 她反问：如果你还不理解，你怎么能给它八分或九分？确实不能，但她有可能达到

• 这正是她对这个时代最担心的问题之一：如果你对赌注本身没有扎实的直觉，那你在干什么？

• 对人的判断高度交织：Patrick 提出，如果像 Brett Taylor 这样的人要去做火山挖掘或狗狗直播，他也会说“当然投”

• 嘉宾承认存在一类人：即使脑子无法完全理解，人也太过优秀以至于你会直接支持
• 但她觉得这些因素在她的脑海中密不可分
• 例如她昨天帮一家组合公司做候选人评估时，对方问她看中创始人什么
• 她的答案是：他们总是那么正确——产业逻辑无可挑剔、性格极佳、招聘能力惊人，而且他们有一个会成真的世界观
• 她见过他们反复做出正确决策，包括在她自己犯错的时候
• 因此，如果她理解不了一个人在做什么，她就无法判断他们的判断力；但 Brett 做企业 AI 是她能理解的

💬 精华片段（中文）

“有些人是不断思考、再思考，然后慢慢爬上坚信；我则差不多是从坚信出发，然后倒推工作。”

"Other people think about it and think about it and then they climb to conviction, versus I kind of start there and then I work backwards."

---

28:46 时间分配：组合公司优先

本节重点

• 嘉宾约 2/3 时间花在组合公司事务上：招聘、思考、影响外部生态
• 每周只看 4 到 6 家新公司，远低于她在老东家第一年看的 500 家，但校准度更高
• 其余时间用于学习、与不同资产类别投资者交流、接外部沟通

详细精要

• 时间饼图的构成：Patrick 想了解她目前的时间分配
• 她估计自己花了 三分之二的时间在组合公司事务上
• 具体包括：招聘、帮助人们思考问题、以某种方式影响外部生态
• 然后是融资（raising money），再之后是看新公司
• 她对此有些偏执，会调整数字；目前每周大约看 4 到 6 家新公司，这并不高

• 她在第一家公司最初几个月看了 500 家公司；现在她有更强的校准，能够迅速判断

• 学习与生态导向：剩余时间她用来帮助合伙人看项目，或会见能教会她世界新知的人

• 其中包括研究者，也包括投资洞察不同的人
• 她认为纯粹在大基金做早期的人会变得非常短视，因为自身生态足够大
• Conviction 是一家非常小的、生态导向的机构
• 她从未花过这么多时间在公共市场（public markets）人士身上；他们思考世界的方式非常有教育意义
• 她也与各类资产类别、各类技能的投资者交流，以及与合作公司交流
• 例如目前她正与一家制药公司交流，了解 AI 将如何改变他们的业务；这让她学到很多他们对未来的看法
• 她在日历中留出空间用于学习、满足好奇心，以及一些“通往华盛顿（DC）的桥梁”和外部沟通

💬 精华片段（中文）

“我大概花三分之二的时间在组合公司事务上——招聘、帮助人们思考事情、试图影响外部生态。然后最大的下一块是看公司，每周大概看四到六家新公司。”

"I spend two-thirds of my time working on portfolio company stuff — recruiting, helping people think through things, trying to influence the outside ecosystem. Then the next largest piece is looking at companies, four to six new companies a week."

---

31:22 关于融资的经验与信念

本节重点

• 嘉宾建议创业者理解 LP 的异议，但不要只说对方想听的话
• 她为第一期基金募资时没有做完整幻灯片，只用两页介绍过往与识别卓越人才的能力
• 她欣赏创业型投资管理人，如 Philippe、Thomas Cotto、Josh，用创造力经营自己的投资机构

详细精要

• 融资哲学：她坚持她给创业者的建议：理解人们对你所做之事的异议和问题，但不要告诉他们想听的话
• 她为第一期基金募资时，已经认识很多 LP 很长时间，所以并不复杂
• 一位做私募股权投资的朋友说：你必须给 LP 一个非常差异化的故事，漏斗的每一部分都应该是你要做的具体事情
• 她的回应是：老实说，我还不确定，但我需要先融一些钱，以便去实验并搞清楚
• 所以她从未做幻灯片，也从未讲一个关于他们现在要做的所有事情的具体故事
• 原因是：在你接触现实、进入市场之前，你不会知道答案

• 那时确实有 LP 不喜欢这种方式

• 当时给 LP 的材料：她只给了一个关于自己背景和投资历史的 two-pager（两页材料）

• 她声称自己擅长识别卓越的人，擅长对这群人有用，作真诚的支持者
• 如果再结合投资判断力和招聘能力，就有一个起点
• 她大致说：“这是我关于公司文化的想法，然后我们会像疯了一样执行并搞清楚”
• 她能理解这对 LP 来说很困难；她深深珍视早期押注她的人，因为他们在投委会备忘录中只能写“她会像疯了一样执行，我们看看再说”
• 有时候，故事的干净程度才是人们在寻找的
• 但她无法建议其他 GP 这样做，因为结果不同

• 如果你告诉人们你要做什么，生活简单得多；告诉人们你真正相信什么，生活也简单得多

• 对创业型投资管理人的欣赏：作为投资者，当有人能说服她“世界运作方式与我想的不同”时，她会立刻兴奋

• 她希望自己也能说服别人“事情就是这样运作的”
• 过去四年她认识了更多投资管理人
• 她特别喜欢创业型投资管理人，例如 Philippe 和 Thomas Cotto，或 Thrive 的 Josh 经营业务的创造力
• 她欣赏他们鼓励别人以“你可以做新事情、把你的观点表达在你的投资管理公司形式中”的方式经营
• 她并不想建立他们建立的那种公司，但他们的创造力非常了不起

💬 精华片段（中文）

“我建议创业者：你应该理解人们对你所做的事情的异议和问题，但你不应该告诉他们他们想听的话。”

"I advise entrepreneurs: you should understand people's objections to what you are doing and their questions, but you should not tell them what they want to hear."

---

34:27 父母创业的印记与家庭价值观

本节重点

• 父母都是创业者，但他们从未让嘉宾童年感到被忽视，这让她理解“你可以让孩子感觉是世界的中心，同时自己仍是完整的人”
• 家庭价值观包括诚信、独立思考、专注，以及家庭与团队精神
• 独立思考对父母而言是道德问题，她从不担心别人看法，但有时也会担心生态中的敌意

详细精要

• 从父母身上得到的影响：Patrick 问她，看父母创业给她印刻了什么
• 对她很有帮助的是：童年或青少年时期，从未有一刻觉得父母不在她身边，尽管他们一直都在工作
• 她试图调和这些：她是一个相当独立的孩子，这帮助她理解——家庭可以让你觉得自己是世界的中心，但家人仍是拥有其他兴趣、会花时间做其他事情的完整的人

• 她认为她自己家的价值观与父母家非常相似

• 家庭价值观的具体内容：诚信（integrity）、独立思考（thinking for yourself）、专注（focus），以及家庭、团队精神和家庭

• 其中独立思考可能是最不普通的那个
• 很多人想要善良、努力等等，但对父母来说，这是道德问题

• 他们告诉她：你永远不要担心别人怎么想

• 嘉宾自身的社交焦虑：她承认自己极度偏向“不担心别人看法”的一端，但有时确实会想

• Patrick 追问：你有时确实担心别人怎么想，你希望他们怎么想？
• 她说她担心在生态系统中激起别人的竞争性敌意（competitive hackles）
• 因为她是一个友好的人，想和所有人做朋友
• 她并不介意竞争，但传统 Series A/B 基金“我要拥有 18% 到 25%、占董事会席位，而你一股都没有”的零和竞争姿态不利于大量协作
• 这其中也有激励结构的问题
• 相比之下，公共市场的取向更吸引她：人们乐于告诉你他们最好的想法，这样你会跟随他们一起进入
• 例如，她想讨论为什么游戏与娱乐会彻底不同，而人们严重低估了它
• 这种正和（positive sum）取向对她很有吸引力

💬 精华片段（中文）

“对父母双方来说，这是一个道德问题：你永远不能担心别人怎么想。”

"For both my parents it was a moral issue. They were like, you cannot ever worry about what other people think."

---

38:08 灵感来源：反对愤世嫉俗

本节重点

• 嘉宾最受父母创业影响：你可以凭更好的技术和产品对抗大公司
• 她反感后 Z 世代创业群体中“创业就是营销、网络和 Twitter”的犬儒主义
• 她欣赏 Pat 和 Tuhin 这类“只要对客户做正确的事就会赢”的创始人

详细精要

• 对创业精神的原始热爱：她看到父母建公司，觉得太酷了
• 这像是“我们对抗‘那个男人’”，而“那个男人”是非常大的公司
• 大公司想杀死我们，但我们还是能做到，因为技术更好、产品更好、客户会想要它
• 她的爱与精神都归于创业者：你可以无中生有，因为你看到了更好的未来，并且可以很快做到

• 这其中有巨大的勇气与乐观主义

• 对犬儒主义的批评：她认为今天有一种有毒的东西让她困扰

• 特别是 后 Z 世代的创业群体，认为创业全是营销、品牌是真实的、网络是真实的
• 没有人否认这些，但当人们非常愤世嫉俗地看待世界和创业如何运作时——认为只是裙带关系、Twitter 有用——她觉得这是胡扯
• 她相信：如果你专注于价值、善待他人、与卓越的人共事、愿景值得，它成功的次数比你想象的更多

• 有太多对“玩营销和融资游戏”的怀疑，她讨厌这一点

• 她欣赏的创始人类型：她受那些说“如果我们对客户做正确的事，我们就会赢”的人启发

• Pat 就是这样，她觉得很受启发；Tuhin 也是这样
• 这些事感觉比想象中复杂得多，但 Pat 似乎是正确的，而且它正在奏效

💬 精华片段（中文）

“如果你专注于价值、善待他人、与卓越的人共事，并且愿景是值得的，那么它成功的次数会比你想的更多。对‘玩营销和融资游戏’的犬儒主义，我讨厌这一点。”

"If you focus on value and treating people well and you work with extraordinary people and the vision is worthwhile, that works more times than you'd think. There's so much cynicism about playing the game, and I hate that."

---

40:15 开源模型之争

本节重点

• 开源模型已从中国、美国、欧洲等多个方向出现，竞争力不断增强，已成事实
• 业务上，很多场景使用前沿模型太贵、太敏感或太慢，开源是必然扩散路径
• 不应通过限制开源来应对安全，而应进行严谨的安全测试与研究；限制只会伤害守法企业和美国自身

详细精要

• 问题的提出：当前巨大争论之一是：非美国制造的开源模型在前沿性能上具有竞争力，且显然在一定程度上基于美国模型的工作
• 应该如何应对？这对 AI 未来意味着什么？
• 企业喜欢开源，因为可以建立自己的系统；B10 及其他公司用这些模型服务大量推理任务

• 问题很大、很难、很重要

• 开源模型已成既定事实：嘉宾首先区分“什么对企业、美国、生态、个体健康”与“已经发生的事实”

• 现实是：过去三年，我们拥有来自各方的、越来越有竞争力的开源模型——主要来自中国，但也有美国和欧洲
• 最近还有 Thinky、Poolside、Reflection、Nvidia 模型等；西方已经拥有并且未来会拥有非常强大的开源模型

• 所以“猫已经跑出了袋子”，这些模型已经在各处被使用

• 经济视角的扩散逻辑：即使对实验室没有任何经济观点，单从“能力如何在经济中扩散”看

• 有大量场景下，使用今天前沿供应商的模型太贵、太敏感或太慢
• 随着我们学会用 AI 做更多事情，这种情况会增加，因为模型实际上相当昂贵
• 因此客观事实是：如果能力更民主化，你会看到它们在更多地方被使用

• 她希望看到这种情况发生

• 安全与控制的正确方式：她认为，随着模型进步，不理解安全概况是不负责任的

• 目前有公司用前沿模型能力做防御性网络安全和生物学工作
• 如果这些能力在这些用例上有效，显然也能以类似方式用于进攻性用例或生物武器、生物安全用例
• 我们需要正视现实，思考还可以通过哪些方式控制
• 但试图阻止技术进步及其开放性是另一回事
• 如果美国限制开源模型使用，你基本只会限制守法的美国企业，拖慢它们，或把利润转移到别处，同时无法阻止真正的攻击者或对抗性使用者

• 因此这只是限制你自己的人

• 建议：测试而非猜测：她的观点是，应当对前沿模型进行测试和理解

• 人们非常担心中国模型的后门（backdoor）行为
• 正确的做法是进行一套非常严格的安全测试
• 与其凭空猜测“可能存在这个问题”，不如尽可能多地实际研究；这并非微不足道，但我们可以做到
• 未来将出现“智能过于便宜以至于无法计量”（too cheap to meter）的广泛可及智能，正如 Sam 所说
• 这将会到来，并将由开源支持；企业希望掌控自己的命运，原因包括经济性与产能
• 如果给定这些模型，以及后训练、构建 harness、使用任务的技能日益民主化，你将能把它真正引入经济体
• 每个个体都有前沿实验室研究者无法想象的用例，因为无法想象现实的多样性
• 即使你信任模型会自己去想该做什么，它们也必须先到达那里；最可能的方式是像经济一贯那样，拥有一个企业生态系统

💬 精华片段（中文）

“如果你在美国限制开源模型的使用，你基本上只会限制守法的美国企业，拖慢它们，或者把利润转移到别处，而那些真正有对抗性用途的人并不受你的限制影响。”

"If you did restrict use of open-source models in the United States, you'd basically just restrict law-abiding American businesses and slow them down or move profits to different pockets. The actual attackers are not affected by your restrictions."

---

44:26 会不会没有 abundant intelligence？计算独立性

本节重点

• 嘉宾能想象一个“没有丰富智能”的世界，尤其在竞争性维度上无法实现时
• 没有自动化，美国无法重建工业基础；需要主动做出竞争性决定
• 反资本主义情绪可能拖慢能源、基础设施和产业能力建设，计算独立性将成关键话题

详细精要

• 能否想象“没有丰富智能”的世界：Patrick 用“能源太便宜以至于无法计量”的历史类比提问
• 嘉宾认为，她绝对能想象一个我们没有丰富、可及、低成本、有价值智能的世界

• 更容易想象的是：我们无法以竞争性方式拥有它，因为它对经济竞争力和国家安全至关重要

• 美国工业基础与自动化：她提出一个判断：美国没有自动化就无法重建工业基础

• 如果我们不进口劳动力，而本国劳动力昂贵、缺少部分技能，却想生产更多商品、拥有更有韧性的供应链——这算术上就不成立
• 问题在于：谁来生产这些东西？
• 美国人不愿意、也不应该愿意为每小时 13 美元做非常不人道的工作

• 因此她认为“我们自动具有竞争力”并非必然，我们需要主动做出决定

• 社会情绪与反资本主义风险：她认为非常可能出现一种情况

• 人们非常理性地害怕 AI 对就业的影响，或厌恶少数科技公司攫取租金
• 人们拒绝成为永久底层阶级，并把这种情绪与反资本主义取向连接起来
• 这种思想潮流会拖慢能源、基础设施和产业能力的建设
• 其中最重要的投入之一是计算
• 如果我们没有计算，我们自然就没有竞争力，或至少不独立
• 她预测我们会开始更多谈论计算独立性（compute independence）

💬 精华片段（中文）

“我认为，如果没有自动化，就无法重建美国工业基础。如果我们不进口劳动力，而我们的劳动力很贵、又缺少一些技能，却想生产更多商品——这根本对不上。”

"I posit that there is not a version of the world where we rebuild our industrial base without automation in the United States. If we don't import people and our people are expensive... just doesn't add up."

---

48:36 计算独立性的短板与投资视角

本节重点

• 计算独立性类似能源独立，涉及全球供应链中的多个狭窄环节，而非仅台积电产能
• Jacob Hellberg 主导的 PACIA 试图为供应链每一部分投资更多产能并寻找独立路径
• Conviction 已投资数据中心与机器人劳动力缺口、核能、替代芯片架构，并关注数据中心建设者与太阳能/电池安装商

详细精要

• 计算独立性的含义：Patrick 问，计算独立性的缺失部分是什么？最明显的是美国更多领先制程 fab 产能
• 嘉宾解释，如果从数据中心满装 GPU、冷却、供电、训练和推理这些输入倒推
• 它非常像能源独立（energy independence）问题
• 所有这些输入都有全球供应链，其中有些环节是很窄的筛子（thin sieve），且所在地对美国及盟友未必稳定或可及
• 例如某种特别重要的玻璃，基本由一家公司控制，台积电（TSMC） 对其供应有垄断地位
• 她手边甚至有一个 TSMC 马克杯

• 因此一个“需要大量投资、国家安全与能源政策”的世界版本是：为供应链的每一部分投资更多产能，并找出独立路径

• PACIA 与多源供应：她提到 Jacob Hellberg 正在推动一个名为 PACIA 的项目

• 理念是：对供应链每一部分，能否投资增加产能，并找出独立路径
• 这并不意味着所有东西都必须在美国制造；比较优势（comparative advantage）是真实的

• 但拥有不止一个来源是每个人都想要的位置

• Conviction 的相关投资：他们已经在不同组件上进行投资

• 投资了数据中心和机器人的劳动力缺口
• 投资了核能
• 投资了替代芯片架构
• 还在持续观察数据中心建设者、太阳能安装商、太阳能与电池安装商
• 因为其中一部分是实际产能建设，但这是非常运营性的业务，介于运营、技术和房地产之间，融资很可能是主导因素
• 他们尚未投资这一领域，尽管看得非常仔细；原因是她并不反对，但根本上她是一名技术投资者
• 她想理解人们正在建设的持久产品性资产是什么

💬 精华片段（中文）

“所有这些输入都存在全球供应链，其中一部分像是一个非常窄的筛子，位于一个不一定稳定、也不一定对美国及其盟友可及的地方。”

"There is a global supply chain. There are parts of that supply chain that are like a very thin sieve in a place that is not necessarily stable or accessible to the US and allies."

---

51:10 Conviction 内部最大辩论

本节重点

• 内部辩论常聚焦于“市场是否对风险投资友好”，而非方向判断
• 半导体风投历史上回报极差，但现在需求格局改变，风险方程随之改变
• 生物学投资因模型而价值创造模式改变；Conviction 是 Chai Discovery 的首轮投资方

详细精要

• 辩论框架：Patrick 问 Conviction 团队内部最大的辩论是什么
• 嘉宾回答很多，她的播客名叫 No Priors，前提就是一些你（尤其在市场中）曾相信的东西不再成立
• 他们经常会看一些非传统软件领域的公司，甚至不是传统软件领域，而是“你根本能不能在这个市场赚钱”
• 例如：风险投资于半导体公司，除了 Lip-Bu Tan 时代等少数例外，历史上是极其糟糕的生意
• 她过去总被这样告知

• 但团队中的 Bella 开始看一批这类公司，发现需求明显存在

• 半导体市场的转折：他们得出的结论，也是其他人得出的结论：今天的市场已经不同

• 现在有对加速器（accelerators）的集中化规模化需求，甚至还有对供应链独立性的需求
• 因为大型买家也想要供应链独立，谁都不想全卡在台积电（TSMC）一条线上
• 这些都极有价值，并改变了这些公司的风险方程
• 因此内部常在方向一致的前提下，辩论“这个市场对风投支持的公司是否友好”，或“这个空间不友好但可行，其结果分布是否值得下注”

• 这适用于太阳能、电池、核能、涡轮机制造、机器人、生物学等领域

• 生物学领域的强烈转向：生物学是一个例子，嘉宾通过实证数据，现在强烈地站到辩论的一边

• 该判断是：你可以通过模型在生物学中创造并捕获巨大价值，也可以有 AI 软件
• Conviction 是 Chai Discovery 的第一张支票投资者
• Chai 正在与多家前十名制药公司合作，以非常显著的方式加速研发流程的一部分
• 传统智慧（她看了五年多计算生物学公司）认为：在生物技术或服务制药领域赚钱的唯一方式是做药
• 做药，然后获得 bi 交易，再决定你在风险路径上走多远
• 这对公司资本结构意味着：传统生物科技公司找到 PI（principal investigators），拥有公司 40%，整合成药物候选物，但大多数不会成功
• 这是完全不同的结果分布和投资方式
• 因此“愚蠢的软件投资者”认为：你不能靠卖软件给制药公司赚钱，也不能在制药领域建立平台业务
• 现在的辩论是：模型是否改变了这一点
• 嘉宾现在强烈认为会；仍需解决监管、物理世界速度和安全等问题，但她预期会看到治疗方法的巨大加速
• 部分价值创造将来自年轻公司，他们很兴奋去投资

💬 精华片段（中文）

“我们得出的结论，也是其他人得出的结论，就是今天的市场不同了：有对加速器的集中化规模化需求，甚至有对供应链独立性的需求。”

"We have arrived at the conclusion that others are as well, which is the market is different today. We are seeing consolidated at-scale demand for accelerators, or even supply chain independence."

---

55:53 生物学投资的翻转时刻

本节重点

• Conviction 在“尚未确定”时就投资了 Chai Discovery，这本身是一种冒险
• 翻转并非天才时刻，而是看到 1000 万美元合同，以及终端用户、科学家、客户的反馈
• 行业真正的“灯泡时刻”将是 AI 产生新适应症或新药，并明显改变其发展轨迹

详细精要

• 投资时的不确定性：Patrick 问，是什么证据让她从“还不确定”翻转到“这明显值得”
• 她澄清：他们在还不确定的时候就投资了
• 这正是冒险的一部分；她说“这里没有天才”，那时就是看到一份 1000 万美元的合同
• 另一部分是：你与客户端的科学家、使用工具的人交流，或看到该领域有效的产品驱动增长工具

• 他们的逻辑是：客户知道它是否有价值

• 行业灯泡时刻：她认为整个行业的顿悟时刻，将是出现一个新的适应症或新药，其轨迹明显是由 AI 改变和创造的

• 届时会看到大量投资涌入，且这是理所当然的
• 她越来越印象深刻的是，制药和医疗保健整体上如此之快地说：“是的，这会带来改变，我们确实认为它会改变这门生意”

💬 精华片段（中文）

“这里没有天才。我说，这是一千万美元的合同。另外一部分是，你直接与客户端的科学家、使用工具的人交谈——客户知道它是否有价值。”

"There's no genius here. I'm like, that's a $10 million contract. The other piece is you just talk to the scientist at the customer... the customer knows if it's valuable or not."

---

58:28 为什么叫 Conviction：信念与风险

本节重点

• 早期投资最传统的形式是：从早期入场、保持重仓、不卖，直到成功或基金被迫止步
• 嘉宾和 Mike 都经历过“一开始不明显”的公司成功，如 Figma、Notion、Rippling，这塑造了他们的信念观
• 她信奉“所有输入汇聚到一个人”的决策责任，与无个人所有权的团队模式截然不同

详细精要

• 公司名的“志向”：Patrick 问她为什么给公司取名 Conviction
• 她说这是鼓舞人心（aspirational）的
• 最传统的早期投资形式是：你从早期开始，拥有显著仓位，从不卖出，一直和公司一起工作到它成功或者基金破产
• 这种一致性和简单性非常美好
• 她与 Mike 都曾参与过一些公司旅程，那些公司花了一阵才起步，或一开始并不明显
• 例如 Figma、Notion、Rippling；你不会押注一家公司并希望它花四五年才找到方向
• 但每个人都是自身经历的产物，包括投资经历
• Base10 的前几年也非常不明显

• 因此，能对市场因背景等原因不明显的观点下注，然后暂时搁置怀疑、带着全然信念行动，是一种作为企业建设伙伴的极佳方式

• 团队运动与个人责任：她正在建立一种伙伴关系，并深信这是团队运动

• 但一位经营另一家投资公司的朋友说：“我们对投资没有个人所有权”
• 她觉得这不可思议：你怎么能这样经营一家企业？必须有人拥有这个决定
• 她不知道其他投资方式：Patrick，你必须做出决定；你相信吗？说服我们，我们如何帮你做这个决定

• 所以模式是所有输入汇聚到一个人

• 关于风险承担与信念：Patrick 问，显然常常需要某种信仰飞跃，这算不算另一种风险承担

• 嘉宾说，她不像 Founders Fund 的朋友那样有逆向（contrarian）的本能
• 但她认为决定自己怎么想、不过度担心别人怎么想是根本性的
• “别人”包括时期的主流叙事，以及生态系统中重要参与者怎么说
• 你需要找到真相；如果真相被错误定价，你又能坚持住，你就处于有利位置
• 你想要信息不对称，以及在别人还没跟上时坚持意见的信心
• 因此她思考很多：如何确保拥有比别人更好的信息，并保护自己免受噪音干扰

💬 精华片段（中文）

“如果真相被错误定价，而你能够坚持住，你就处于一个很好的位置。你想要信息不对称，以及当别人还没想通时坚持自己意见的信心。”

"If you find the truth and it is wrongly priced and you hold on to that, you're in a good position. You want asymmetric information and the confidence to hold the opinion when other people haven't come around to it yet."

---

01:00:33 信息优势与对抗噪音

本节重点

• 她通过三类信息来源学习世界：组合创始人、有意外的创业者、以及有不同观点的聪明人
• Mikey Schulman（Sunno）是她直觉出错的例子：她低估了 AI 工具中的表达、娱乐与创造需求
• 她反对为大实验室战略构建宏大框架，更愿意把精力放在“如果才走了 1%，剩下 99% 的扩散是什么”

详细精要

• 信息优势的来源：Patrick 请她用更多细节解释“如何拥有真相并保护自己免受噪音”
• 她想花时间向正在创造世界的人学习，包括组合公司创始人和其他在改变前沿的人
• 这些人是做了让她惊讶、推进前沿、或聪明地相信她不相信之事的人

• 她将信息分为三类：组合创始人、研究者/方向有趣的人、企业“我的 AI 计划”，这些都极具教育意义

• Sunno 的错误直觉案例：她举 Mikey Schulman 在 Sunno 的例子，作为她从错误中学到的时刻

• 她认识 Mikey，一位共同朋友（投资人）曾请她投资，但她很傻地拒绝了
• 她当时的疑虑是：没多少人想制作音乐吧？我也做音乐，但这能变成社交网络吗？会有多少消费？
• 她的直觉被证明是错误的；她低估了大量 AI 工具所承载的表达、娱乐和创作需求

• 通过跟 Mikey 谈论业务和用户想做什么，她学到了新东西

• 关于大实验室战略框架：她认为，围绕“大实验室战略今天是什么、应用层怎么活”的争论，对投资决策并不那么有启发

• 她的思考是：任何组织都有几个关键优先事项；假设 OpenAI、Anthropic、DeepMind 的优先事项是 AGI 或 ASI，并以安全方式捕获大量利润
• 这落到优先级上可能表现为 ChatGPT、广告、编程，之后可能再扩展
• 例如 co-work，即让不同类型用户能在更多界面做更丰富任务
• 你必须判断这些努力的实际竞争力和合理范围，再与自己的公司或机会比较
• 但为“哪一层会赢”建立宏大战略框架对她没有用
• 她觉得人们花了太多投资精力思考这个问题
• 她更愿意把精力花在：如果我们才走了 1% 的路，剩下 99% 的扩散是什么？
• 这就是他们努力引导精力的方向

💬 精华片段（中文）

“人们花了太多投资精力去思考哪一层会赢。我更愿意把精力放在弄清楚：如果我们才走了 1% 的路，那接下来的 99% 扩散是什么。”

"People spend so much of their investing energy thinking about what layer is going to win. I want to spend my energy figuring out, if we're 1% of the way in, what is the next 99% of diffusion?"

---

01:03:41 一年后的技术世界：杰文斯悖论

本节重点

• 嘉宾希望一年后能看到 Jevons paradox（杰文斯悖论）在实践中出现：做更多平凡任务反而让各领域需求上升
• 软件工程已经历这种转变，她预期“更多领域都会出现类似的转变”
• 组合公司里已有营销负责人建立“自主营销部门”的实例；人们会重新分配时间，而不是更少工作

详细精要

• 一年后的希望：Patrick 请她对未来一年做纯推测性判断
• 她希望看到 Jevons paradox（杰文斯悖论）在实践中的体现
• 即随着代理和产品更有效地完成日常生活中更多平凡事务，需求反而上升
• 这种转变应该像软件工程已经发生的那样：她投资的公司已经“快得多地前进”

• 她预期这种类比会发生在其他所有领域

• 组合公司中的实例：她举了一个具体例子

• 在她的一家组合公司中，营销部门就像一个人在独木舟里
• 这家公司服务很多客户，需要做销售赋能内容等传统工作
• 负责营销的人对创造自己的杠杆非常感兴趣，于是他说：我为自己建立了一个自主营销部门（autonomous marketing department）

• 因此她认为，在每个职能中，随着你学习得更快、做更少的平凡事务，你会以某种方式重新分配时间

• 关于工作时间的悖论：Patrick 问她：你变得更有效率了，工作是不是更少了？

• 她回答：我工作更多
• 她认为这是 Jensen（黄仁勋）的核心智慧之一：我们都会更充分地就业
• 需要确保人们获得工具的使用机会和教育，以便这种变化能够发生

💬 精华片段（中文）

“在每个职能中，随着你学习得更快、做更少的琐碎事务，你会以某种方式重新分配时间。我工作更多。这是 Jensen 的核心智慧：我们都会更充分地就业。”

"In every function, as you learn faster and do less of the mundane, you will repurpose that time somehow. I work more. This is a core wisdom of Jensen's: we're all going to be more employed."

---

01:06:17 总结与世界上最善意的事

本节重点

• Patrick 总结：早期投资机构已有很多，但 Conviction 四年后依然证明了“伟大总有容身之处”
• 嘉宾给出集体性的善意答案：硅谷许多人不看重 pedigree，只看重想法与人
• 她列出曾给她机会的人：Reed Hoffman、Ashim Cha、Anil Buster、Joseph Ansanelli、Ravi Gupta、Dylan Field、Elena Nadolinski、John Lilly，以及早期 LP

详细精要

• 主持人总结：Patrick 对她构建的业务表达了敬意
• 他说：通过 Colossus 社群认识 Conviction 的全貌，觉得非常独特
• 她是“总有空间留给卓越”的好例子——她创立 Conviction 时早期机构已经很多，但四年后她仍然做出巨大差异
• 他特别欣赏她早期 pitch 不是“我们在漏斗每一层如何差异化”，而是“我们就是要跑起来干这件事”

• 嘉宾补充：到最后她太沮丧，只能说“这是一场执行游戏”，确实如此

• 善意问题的答案：Patrick 问了传统收尾问题：别人为你做过的最善意的事是什么？

• 她给出集体性回答
• 硅谷有非常多非常成功的人，他们一旦与你交谈，就很少看重 pedigree
• 他们愿意投资于一段关系或一个人，主导因素只是对想法和人的评估
• 这非常了不起，因为大多数生态系统并非如此
• 她列出名字：Ashim Cha、Anil Buster、Joseph Ansanelli、Reed Hoffman（后者在 Greylock 雇了她，当时她 23 岁）
• 人们喜欢取笑年轻 VC：“生态系统的藤壶，对创业者是糟糕的经历，不懂东西却给人建议，谁给这孩子钱？”
• 她的回应是：当时她的工作就是让他人成功；你可以在任何工作中，通过模仿和第一性原理思维，把任何任务做到卓越

• 她现在也会在公司雇早期职业人才，但她非常感谢当初有人在一个随机的人身上押注，并花时间教她如何成为投资者

• 起步时的鼓励者：在创办公司时，有几个人给了她建议，他们认为这只是微不足道的小事，但对她是巨大鼓励

• 包括 Ravi Gupta（现为 Ithaca 联合 CEO）、Dylan Field、Elena Nadolinski、John Lilly 等
• 他们说：“你绝对可以做到”
• 她无论如何都会去做，但有人在早期相信“总有空间留给卓越”，这份鼓励她永远感激

• 也包括一些最早的 LP——那些愿意与她一起承担风险的人

• 关于“相信”的感悟：Patrick 感叹：世界运行在信仰之上——在证据出现之前仍然相信，相信某人做事的能力

• 嘉宾补充：这是对人们的信仰
• 他们讨论了很多“人的想法与我们对其看法如何交织”，她认为这是美丽的事
• 因为你不需要任何特别的优势就能拥有一个想法
• 所以有人会评估它、并把信念放在我们身上，她无比感激

💬 精华片段（中文）

“硅谷有非常多非常成功的人，一旦跟你聊过天，就几乎不看你的出身。他们投资一段关系或一个人时，主导因素只是他们对想法和这个人的评估。”

"There are so many people who are extraordinarily accomplished in Silicon Valley who care very little for pedigree as soon as they have a conversation with you. The dominant factor in their willingness to invest in a relationship or a person is just their assessment of the idea and the person."

---

专业术语注释

术语	解释
Recursive self-improvement（递归自我改进）	AI 研究模型能够改进自身模型的能力，本集中被认为是通向指数智能的可能路径
Exponential intelligence（指数智能）	指智能能力出现突然、指数级增长的阶段，多位研究者认为距离此阶段仅剩一两年
Great man theory（伟人理论）	嘉宾用来解释少数高行动力个体能改变重大结果的历史观
Monolithic outcome（单极结局）	少数前沿模型拥有者吞并整个经济、缺乏多元生态的未来景象
Pedigree（出身背景）	投资者用学历、机构背景、推荐来源等可读信号代替基本面判断，嘉宾认为这是危险的做法
Harvey	法律 AI 公司，Conviction 的早期投资，被用作“技术第一性出发”的案例
Sunday Robotics	机器人 AI 公司，由 Tony Zhao 和 Changi 等年轻博士生/前行业研究员创立，目标是半人形机器人进家庭
Compute independence（计算独立性）	类似能源独立的概念，指在计算供应链上不过度依赖单一国家或单一环节
Hyperscaler（超大规模云厂商）	拥有海量数据中心与算力的云服务巨头，其基础设施负责人认为 2030 年前没有足够规模可改变局面
PACIA	Jacob Hellberg 推动的项目，旨在为计算供应链每一部分投资更多产能并寻找独立路径
TSMC（台积电）	全球领先芯片代工厂，本集中作为供应链“窄筛子”的典型代表
Jevons paradox（杰文斯悖论）	效率提高导致总消耗反而上升的现象；嘉宾希望 AI 在各领域也出现这一效应
Too cheap to meter	出自 Sam Altman 等对智能成本未来极低的描述，指智能将像电力一样普及且难以计量
No Priors	Sarah Guo 主持的播客名，也暗含“旧有市场假设不再成立”的思维前提
Chai Discovery	生物 AI 公司，Conviction 的第一张支票投资，与前十大制药公司合作加速研发
Capex intensive（资本开支密集型）	需要大量前期固定资产投入的商业模式，如计算、能源、生物等方向
LP（有限合伙人）	风投基金的出资人，本集中多次讨论 LP 对 GP 的筹资、调查与早期押注
Jevons 与 Jensen 的智慧	指黄仁勋关于 AI 提升效率反而使人们更充分就业的观点
B10 和其他模型服务商	原文提到的服务大量推理工作的平台，代表开源模型经济中的集成方

---

延伸思考

• 安全测试的落地路径：如果限制开源不可行，那么谁能主导对前沿模型的后门与安全测试？政府、实验室还是第三方审计机构？
• “计算独立性”的投资边界：Conviction 尚未投资数据中心建设与安装商，理由是“希望看到持久产品性资产”；这类重运营行业是否会出现新物种？
• 生物 AI 的价值捕获：模型能否真正打破传统生物技术的“做药才能赚钱”铁律？监管、物理世界速度与安全可能以什么顺序被突破？
• 研究者心理与人才流动：当算力规模变成主导变量，顶级实验室研究者是否会加速流向创业公司，反而推动更多非单一生态的实验？
• 杰文斯悖论的阴暗面：如果 AI 效率提高导致所有人“更充分就业”，对低收入岗位的反弹和政治阻力是否会在计算独立性之前成为更大瓶颈？

原文发表：2026-09-01  ·  纪要生成：2026-09-02