--- id: "4UmFfI8CWuA" title: "推理将成为 10 万亿美元市场：鲜为人知的真相" channel: "20VC with Harry Stebbings" host: ["Harry Stebbings"] guests: ["Naveen Rao"] date: "2026-10-24" updated: "2026-10-25" duration: "1:13:26" duration_seconds: 4406 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=4UmFfI8CWuA" canonical: "https://pod-exp.pages.dev/4UmFfI8CWuA/" transcript_jsonl: "https://pod-exp.pages.dev/4UmFfI8CWuA/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 基础设施","能源与电网","机器人与物理 AI","AI 研究"] series: ["AI 与能源","AI 投资"] --- # 推理将成为 10 万亿美元市场：鲜为人知的真相 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Naveen Rao 认为，AI 的扩张终将受到能源与硬件效率制约，而模型、架构和物理设备需要协同设计。智能需求不会很快饱和，推理市场可能在十年内达到 10 万亿美元；模型与数据层会部分商品化，但硬件效率仍有价值。他还谈到强化学习、验证瓶颈、AI 对软件和就业的影响、深科技投资指标，以及机器人和 AI 推动科学发展的潜力。 ## [0:01] 开场 · YouTube **旁白：** 再过几年，我们就会面临能源不足。这只是个小波动，不是什么泡沫破裂。我们不把模型奉若神明，我们的思维方式是能源优先。 纳文·拉奥是一位连续创业者。他上一家公司 MosaicML 以 13 亿美元卖给了 Databricks。如今他带着 Unconventional AI 回归，这家公司已经融资数亿美元，上一轮估值接近 50 亿美元。纳文能把许多复杂领域的问题讲得清晰透彻。他表现非常出色，这期节目做起来很愉快。 **旁白：** 对我来说，智能的需求是无限的。我确实认为，未来十年硬件会是值得布局的地方。如果你是纯软件投资人，我会说你大概要倒霉了。十年内，推理市场将达到 10 万亿美元。我不会去想“天哪，AI 会杀光所有人”这种事——这是我听过最愚蠢的世界观。 **Harry Stebbings：** 准备好了吗？ **Harry Stebbings：** 纳文，我太期待这次对话了，伙计。我跟你说过，我把你说过的话都记下来了：马特·伯恩斯坦、马特·欧，还有好些人。非常感谢你今天来做客。 **Naveen Rao：** 当然。我也一直很期待。 ## [1:15] 为什么能源将成为 AI 最大的瓶颈 · YouTube **Harry Stebbings：** 我觉得这会很有意思。我听了你很多期节目，记下了我觉得最有争议的观点。里面有几句特别犀利。不过我想先从基础设施的底层——能源——谈起。你之前说过能源会成为瓶颈，也谈过它的重要性。你怎么看现在的能源供应状况？有哪些我们应该看到、却还没看到的事情？ **Naveen Rao：** 能源供应一直很难建设，大家并没有真正意识到这一点。我见过一些行业估算，建造一吉瓦的电力设施大约要花 500 亿美元。大家说“吉瓦”时好像很轻松似的，但这可一点都不容易。作个对比，建一座半导体晶圆厂大概要 200 亿至 300 亿美元。所以从成本和复杂程度来看，建一吉瓦电力设施比建一座晶圆厂还贵。这很难。 过去几年，我们主要是在消化现有的富余需求。通常我们会超额建设基础设施，不会让它以 100% 的输出运行。数据中心获得能源的方式，主要是提高现有设施的利用率，从中再挤出一两吉瓦。美国电网平均输出大约是 900 吉瓦，但峰值能力可能达到 1.2 至 1.3 太瓦，也就是 1,300 吉瓦左右。因此确实有一些富余容量，而我们主要就是在利用这部分。它是目前能较快接入的电力。但建设基础设施很难，我们需要建更多；我们已经落后了。 **Harry Stebbings：** 我们落后多少？ **Naveen Rao：** 我想过去 20 年里，中国的总发电容量超过了美国，我记得是在 2023 年发生的。20 年间，他们的建设速度是我们的 6 倍。他们起步时落后很多，但后来推进得又快又猛。我们曾批评他们使用不环保的手段，比如烧煤。这确实如此，但他们也在努力尽快发展。我认为他们现在也在回头治理一部分问题。与此同时，我们并没有真正投资能源基础设施，这会让我们吃亏，因为追上来需要时间。 **Harry Stebbings：** 中国已经领先我们这么多，我们能从中学到什么？政策和监管是不是应该放宽一些？有什么启示？ **Naveen Rao：** 有些问题很难谈，因为触及我们和他们文化的核心。我认为中国可以进行中央规划，我们不行。这两种方式各有优势。面对这类大型基础设施建设，中央规划无疑有优势。但在尖端创新方面，美国明显更强。AI 发源于这里，不是那里；这些最新创新也都来自这里。 我也不想贬低中国的工作，他们确实做得很好，而且不只是蒸馏模型，也有真正的创新。不过，真正打开新领域、站在最前沿的工作，我认为还是来自这里，而非那里。归根结底，我们得发挥自己的优势。 **Harry Stebbings：** 你看现在有哪些东西还不稀缺，但三到五年后会变得稀缺？ ## [4:59] 为什么美国可能耗尽富余电力容量 · YouTube **Naveen Rao：** 我认为富余容量很快就会变得非常稀缺。即使按更保守的 AI 增长速度来看，未来几年我们也会很快用完能源。到时候不能简单地说“那我再找些容量来用”；现有富余电力会被耗尽。之后，我们就会受制于新增建设的速度。 我听人说一年要建 40 吉瓦，这不可能，我们从来没做到过，我看不出目前怎么可能实现。也许几年后我们会有新发明，能靠建设解决问题；但按今天的情况，一年建不出 40 吉瓦。也许能建 10 吉瓦，那已经非常了不起了。光是这些就要 5,000 亿美元，给大家一个概念。 **Harry Stebbings：** 现在大家都在讨论债务周期已经非常接近顶部，我们也开始看到压力在核心领域扩散、逐步显现。围绕这些有很多担忧。这只是刚开始吗？还是派对会在晚上七点钟突然停掉音乐？ **Naveen Rao：** 我认为最关键的是：市场对 AI 服务的需求有多大，进而对 GPU 的需求有多大，再进而对新增能源建设的需求有多大。显然我身处这个行业，对 AI 很有信心。我认为需求会非常旺盛，我们甚至还没触及表面。AI 还有很多问题要解决，但未来几年我们会逐一解决，并由此打开今天还想象不到的新需求。 所以我觉得这只是个小波动，不是什么泡沫破裂。这有点像问：人们需不需要治愈癌症？当然需要。要是你能治愈癌症，人们就会想要。要是你造出一台什么都能做的智能机器，人们也会想要。 **Harry Stebbings：** 我总记得 Vinod Khosla 对我说过：“我希望承担尽可能多的技术风险，尽可能少的市场采用风险。” **Naveen Rao：** 没错。治愈癌症很难，但几乎没有采用风险。我完全理解。不过，如果我们眼看着 18 个月后就要耗尽富余电力，这是不是说明今天的富余供应定价有误？可以这么说。我想那要由能源市场来定价和调整。至少从一些个案中，我看到了一些迹象。具体数字我说不上来，因为每一笔表后供电交易都是定制的，但用户每千瓦时付的钱远高于标准电网价格。 我认为我们已经看到双层定价：数据中心用电的价值高于普通用电。现在有很多表后供电项目。企业正在建设新技术，比如 Bloom Energy。Bloom Energy 有一笔交易，要在亚利桑那州建设几吉瓦的供电能力。如果成功，那可能就是我们继续发展的技术进步。不过它还没有真正经过验证，而且它的经济性和电网供电很不一样。 **Harry Stebbings：** 怎么个不一样？ **Naveen Rao：** 简单说，就是数据中心愿意为能源每千瓦时支付更高价格，因为利润结构好得多。假设我有一吉瓦的算力要出售，售价可能是电费的 5 倍——这是我随口举的数字，量级大致如此。所以我有很大的调整空间，可以多付 30% 或 40% 的电费…… ## [9:00] 算力投资者对效率仍有哪些误解 · YouTube **Naveen Rao：** ……所以我可以多付 30% 或 40% 的电费。 **Harry Stebbings：** 从能源这个基础层往下一层，谈谈使用能源的算力。关于算力，有什么是我们现在知道、但你希望两年前就知道的？ **Naveen Rao：** 有一点是，我希望早些知道：我们其实已经看不到多少物理效率提升了。可以把计算机的构建分成三个层面。第一层是物理层。假设我要把一个比特从这里传到那里，并且以更低成本完成。比如把 0 和 1 分别表示成两个状态，手机本身有一定重量；在两个状态间转换需要能量。如果手机更轻，所需能量就会变化。这纯粹是物理问题。 我们通常所说的摩尔定律，或者你可能听过的 Dennard 缩放——把器件做得更小——本质上也是物理层面的变化，让物理层效率更高、密度更大。这些创新基本停滞了。看看最近几代 GPU 或其他芯片，效率提升已经不多了。 效率提升更多来自上一层，也就是计算架构。过去几年、几代产品的大多数效率提升，来自采用更小的数据类型：从 32 位到 16 位、8 位，再到 4 位。传输和计算的比特数更少，效率自然会提高。 再上一层是模型层面的局部性和减少数据移动，这还没有被充分利用。我们在 MosaicML 时就开始探索这件事。五六年前，人们还不会这么想，因为模型并不是算力的主要驱动因素；计算还是通用的，用来跑网站、数据库之类。现在，如果我把计算机只看成一台为提供智能而设计的物理设备，思路就变了：我可以从模型、架构一直到物理层协同设计。 我希望自己更早意识到，顶层——模型与架构层——还有多少可挖掘空间，而不是只盯着物理层。过去我们长期关注物理层。模型从“前模型时代”的关注点转向“后模型时代”之后，跨层设计思路会如何变化？ **Naveen Rao：** 这意味着我们不再把模型当成不可侵犯的东西，而是以能源优先为思维方式：我们做的每件事都必须带来能源优势。听起来简单，但过去设计这些东西时，没有人这么做。大家一直追求速度。 这种思路可以追溯到 20 世纪 40 年代的 ENIAC。计算机一直是为了比替代方案更快而设计的。顺便问一下，你知道 ENIAC 为什么建造吗？它是个缩写，我想是“电子数值积分计算机”。 **Harry Stebbings：** 听起来没错。 **Naveen Rao：** ENIAC 是美国政府在 1945 年建造的，是最早的大型数字计算机之一。和所有机器一样，它有自己的用途：比其他办法更快、更准确地计算火炮弹道。当时的替代方案是由人手工计算。所以关键是要更快。下一代机器出来，也得比这一代更快。GPU 出现时，也必须比 CPU 更快地完成图形渲染。每一代都试图比上一代更快。速度提升在好几方面带来了效率…… ## [13:02] 算力投资者对效率仍有哪些误解（续） · YouTube **Naveen Rao：** ……但在相同功耗下让东西更快，并不等于效率更高。与此同时，摩尔定律也一直在推进：我们从真空管走到晶体管，晶体管越做越小。如今物理层面的变化已不大，晶体管也没有好多少。但模型和架构层面仍有很大空间。 **Harry Stebbings：** 这是否意味着模型正在商品化，还是模型质量正在分化——有些模型能节省能源、提高效率，另一些则做不到？ **Naveen Rao：** 我认为你说得完全对。我比较擅长判断未来几年大家会把注意力放在哪里，我觉得这会成为一个重要方向。 **Harry Stebbings：** 纳文，你这方面确实很厉害，值得称赞。你在选择市场时，会不会先判断世界将走向哪里，然后把自己放到那个位置上？ **Naveen Rao：** 是的。当然，这也和兴趣有关。对我来说，造一台更好的计算机是最有意思的问题之一。 **Harry Stebbings：** 在创办 Unconventional 之前，你坐下来梳理创业的思路时，想的是“我要专注解决的问题是……”——那是什么？ **Naveen Rao：** 我会想，如果我解决了一个问题，会产生什么影响？它会解锁什么？这有点像做科学研究。优秀的科学家善于提出一个一旦得到答案、就能引出许多新问题的问题。这几乎就是一篇好论文的标志。 对我这个项目来说，出发点很明确：我们会遇到能源不足的问题，而现有范式并没有真正围绕它设计。我认为这会成为关注重点，因为我们还需要继续扩展规模。我们要以许多新形态提供智能，并大幅降低成本，才能让它无处不在。还没人关注这件事，所以我应该开始做。 ## [14:55] 为什么 AI 硬件需要与模型协同设计 · YouTube **Harry Stebbings：** 我们刚才谈到模型效率如何影响能源消耗。现在模型越来越高效。我们该如何看待模型效率曲线所处的位置？还有很大提升空间，还是已经接近渐近点，只能榨出最后一点点增益？ **Naveen Rao：** 还差得远，仍有很大空间。我认为原因在于，我们还没有真正让模型和物理硬件协同设计。你可以在标准 GPU 上只靠软件提出一个想法，获得比如 5% 的效率提升，这听起来不错。但你能利用一个想法的程度，受限于硬件本身的设计。 看看我们的大脑：智能层和物理层是共同演化的，因此我们能在物理层面利用智能层的特性。比如稀疏性，简单说就是计算单元之间没有连接。我在 GPU 上利用稀疏性，确实能得到一些收益；但如果用的是标准的片外随机访问存储器，这种收益就有上限。我没法走得太远，因为那种硬件不一定是为利用稀疏性设计的。要是能造出专门利用稀疏性的硬件，就可能带来巨大提升。这正是大脑共同演化的方式。 **Harry Stebbings：** 这种协同演化，或者让架构适配具体任务的专门化，是否意味着我们会看到芯片持续走向专门化？现在有 Etched、Fractile、Olix，还有 Cerebras，以及许多公司在追求特定工作负载。 **Naveen Rao：** 绝对如此。这甚至可以追溯到图灵最初的论文：他的目标就是造一台智能机器，这是他一开始明确提出的目标。之后我们沿着这条路走，把图灵机这个理论构造做成物理版本。我们造的任何东西都不是真正意义上“图灵完备”的机器，因为它们有有限内存之类的限制，但我们还是造出了非常有用的应用：可以用它们经营企业、编辑视频、图片和文本，完成各种很棒的事情。过去 60 年里，生产力因此大幅提升。 不过，这和最初目标有所偏离，现在我们又回来了。我认为计算机的目的就是提供智能；对我来说，它只是智能的物理表现形式。现在我们得想办法把它做得更好。有趣的是，如果你造出更好的智能物理载体，就会得到某种通用能力。我们的大脑在某些方面是通用的；但硬件往往固定于某类工作负载，不像 CPU 那样能以我们熟悉的方式编程。因此 GPU 已经走上了为工作负载构建定制架构的道路。我认为我们会围绕这个方向进行极致优化，这很好，因为最终我们能造出可以创造任何东西的智能机器。 ## [18:14] 芯片专门化会威胁英伟达吗？ · YouTube **Naveen Rao：** ……最终我们会造出能够造任何东西的智能机器。 **Harry Stebbings：** 请原谅我这个金融人的思维。你是出色的技术专家，我在很多方面就是个不入流的交易员。我们提到了芯片必然会走向专门化。这会在多大程度上压缩横向供应商——尤其是英伟达——的潜在市场规模？ **Naveen Rao：** 别把眼光放这么小。现在还早得很，市场还有 50 倍的增长空间。市场会非常庞大。英伟达显然执行得极其出色，才把行业带到了今天。2014 年我创办 Nervana 时，我们并不清楚市场会有多大，但我很明确，神经网络需要一种新的计算架构。这是一种描述计算的新方式，在我看来也是计算机最重要的用途。 我认为黄仁勋也很早就意识到了这一点。2014 年的 GTC 上，他开始谈人工智能。我至今记得很清楚，因为当时很多图形领域的人很不高兴，觉得他为什么要花那么多时间谈 AI，认为 AI 不重要，图形才重要。但他正确地判断出 AI 会变得重要，并在这个方向投入了大量资源，执行得非常出色。 计算架构经历了演进：机器的用途从原来的方向，逐渐转向它们最终会成为的样子。但现在我觉得很清楚，我不需要关心其他任何事，只需要关心如何极其高效、极具规模地运行神经网络。这会成为衡量标准。 ## [20:03] 为什么 AI 芯片不会变成大宗商品 · YouTube **Harry Stebbings：** 你觉得芯片会在多大程度上商品化？微软昨晚发布了自己的芯片；谷歌的 TPU 非常成功，亚马逊也有自己的芯片，Anthropic 正在打造自己的芯片，还有个名字特别棒、我很喜欢的 Jalapeño。我想知道下一版会叫什么。总之，芯片会不可避免地商品化吗？ **Naveen Rao：** 我觉得下一个应该叫 Habanero，因为会更辣；再后来也许叫 Ghost Pepper。 **Harry Stebbings：** 我觉得你该把名字注册成商标，不然 Sam 可能会先注册。 **Naveen Rao：** 我会问问他。其实我不认为芯片会商品化。我看这件事和生物演化是并行的。我对这一切的运作方式有个很简单的看法：智能的需求是无限的。智能没有需求上限，因为我们生活的世界、整个宇宙，本质上充满竞争。 一开始，两只细菌可能在争夺一块阳光充足的地方。具备感知能力、能移动或适应环境的那一个会胜出并继续繁衍。后来它们组织成真核细胞，再成为多细胞生物。每一次都提高了能量水平、增加了赌注，但竞争仍在继续。现在人类群体之间也是如此，比如美国和中国的竞争。再往后，我们会利用更多太阳能，走向卡尔达肖夫等级所描述的阶段，甚至进行某种星际战争——无论那会是什么，都需要智能。 智能是这些竞争的燃料，也是经济基础，因此需求无限。要创造智能，就需要能源；把能源转化成智能的就是硬件。这里说的硬件是整个技术栈：芯片、系统、云、网络，所有这些。从经济角度看，我卖的是把能源转化为智能的能力，做得越好，创造的价值就越大。所以我不认为这个市场短期内会商品化。 **Harry Stebbings：** 你会不会担心自己想做的太多、超出能力，导致转型过程中产品质量下降？你能在中间环节多做一些，就能多赚一些钱。 **Naveen Rao：** 我昨天请了 Modal 的创始人 Eric 来节目。我很喜欢他，但他什么都想做。我当时就在想，产品广度到什么程度会损害产品深度？ **Harry Stebbings：** 你会考虑这个问题吗？ **Naveen Rao：** 我们一直在考虑。聚焦非常重要。不过 AI 正在改变世界，我们可以承担更广的范围，探索的边界比过去更大。 **Harry Stebbings：** 只是因为开发速度快了很多吗？为什么现在每家公司都像一个“复合型创业公司”？ **Naveen Rao：** 我们第一颗芯片里做了一组耦合振荡器，有一个耦合矩阵，许多振荡器会彼此影响。以前比如在 AI 出现之前，我可能会问：如果不做全连接，噪声会如何传播？假设我把振荡器串联起来，开头有一定的噪声特性，我想看看经过四到六次传递后信息会如何衰减。 过去我得让研究团队建模，加入噪声模型。我只需要一个零阶近似来指导自己的想法，但他们可能会说手头还有别的事，下周再看。写代码、验证并给我结果也许还要一周，前后可能得等上两周才能得到答案。 ## [24:03] 为什么 AI 芯片不会变成大宗商品（续） · YouTube **Naveen Rao：** ……现在我可以直接把问题交给模型，它会生成代码。我可以检查代码，和它来回讨论几轮，一小时就能得到答案。以前要花两周思考的问题，现在一小时就解决了。因此单位时间里，我能思考更多事情，这都是 AI 带来的。 ## [24:32] AI 把瓶颈从创造转向了验证 · YouTube **Naveen Rao：** 我认为我们仍有一个问题。我昨天刚发帖说，我们有 AI 垃圾内容的问题：模型产出的东西太多，其中很多很糟糕，也很难验证。有些不错，有些不行。我们得想办法大规模解决验证问题。不过 AI 让我做得更快、覆盖更广。 **Harry Stebbings：** 你为什么觉得垃圾内容太多？是因为看 X 上那些占满时间线的愚蠢观点吗？我无意冒犯美国，不过你们的政客长相确实很有“特色”——这是英国人的说法。我这边到处都是他们的 AI 生成版本，还有外星人从金刚电影里跑出来之类的东西，简直离谱。你说的 AI 垃圾是这个意思吗？ **Naveen Rao：** 不是，不是。 **Harry Stebbings：** 那是娱乐内容。 **Naveen Rao：** 对，那更像娱乐。不过说真的，英国人把自嘲式幽默做到了极致，比我们美国人强太多。 **Harry Stebbings：** 老实说，我们英国人现在看着这些，也在想：“哇，我们以前还一直抱怨自己的政客呢。” **Naveen Rao：** 我知道。我们把这件事推到了新高度。毫无疑问，我不是说过我们很有创新精神吗？ **Harry Stebbings：** 这正好是个例子：你看到一个输出，会先凭直觉判断它靠不靠谱。年长一些的人现在看到图片，可能没有这种直觉，会觉得“哇，这是真的”。我父母曾给我看特朗普弹吉他的 AI 视频，他们说：“哇，他会弹吉他。”我就说：“妈，他根本没在弹那把吉他，这是 AI 生成的。”她说：“哦，好吧。”对我来说，AI 生成的痕迹相当明显。 我在公司里也看到这种验证问题。我们可以生成各种产物、写代码、做模型、完成各种事情，但必须把整个流程闭环，确保每个产物都正确，结果才能可信。由于产物数量太多，验证本身开始成为一个大瓶颈。我认为问题已经从生产转移到了验证。 **Naveen Rao：** 如果你掌握验证层，就掌握了自动化层，因为你有可验证性，可以在此基础上推进自动化。是这样吗？我想验证是用 AI 开发事物的必要环节，但掌握验证层是否就等于掌握生产层？我不确定。我认为还必须掌握规格定义。要产出有用的东西，比如汽车或桥梁，你得能定义规格，确定自己要解决的问题是否有价值。然后，每一个产物都要验证是否正确、是否朝着规格前进，最后还得确认确实按预期实现了规格。所以这是端到端流程，不只是验证。验证只是其中一环。我不知道该如何单独衡量它的价值，我认为它是实现最终结果的整体过程的一部分。 **Harry Stebbings：** 我们请过 Atlassian 的 Mike 来节目，他很棒。他谈到思维链的重要性，以及不同公司职能中由智能体还是人类来做决定。我一方面完全理解，也觉得很有道理；另一方面又觉得这样想有点过时。我们为什么不如信任人类那样信任智能体的决策？这听起来也很奇怪。 **Naveen Rao：** 我们确实还不信任。 **Harry Stebbings：** 你怎么看？ **Naveen Rao：** 我同意你的问题…… **Harry Stebbings：** 在很多情况下，我认为我们现在还不应该像信任人类那样信任 AI 的决策。 ## [28:33] AI 把瓶颈从创造转向了验证（续） · YouTube **Naveen Rao：** ……我们会经过多年训练，才形成某一领域的判断力。比如成为神经外科医生，医学院毕业后还要接受七年训练，这是有原因的。学会缝合并没有那么难，我研究生时就做过。做外科医生难的不是机械操作，而是判断该往哪个方向做。你得见过足够多的病例、观察过结果、了解人们如何思考这些问题，才能建立判断力。 我认为我们现在对智能的定义是：模型具有随机性，你多次提示它，会得到不同的输出。你实际上是在探索可能解答的分布，然后要从中选出好的方案。你会得到许多不同结果，其中大多数都不好。 人类也会这么做。我们思考如何做决定，审视各种可能结果，靠某种启发式判断什么是好的。我们在内部完成这件事，也许叫内心独白，或者某种内部过程。模型则会生成思维链，我们有许多条思维链，然后判断哪条好、选择那条路径。对于每一项任务，如何做出这个选择还没有得到很好的理解，因此我认为我们不该信任这些东西。 决策链越长、一个决定接着一个决定，就越可能偏离轨道，最后得到看起来非常稳健、实际上却完全错误的结果。这就是我们现在的状况。以后可能会改变，但还需要更多突破才能走到那一步。 ## [30:16] 我们会比信任人类更信任 AI 智能体吗？ · YouTube **Harry Stebbings：** 我很喜欢这样的问题：今天哪些看起来古怪、奇怪、不可思议的信念，五年后会变得很常见？我记得自己把信用卡输入 PayPal 时，我父母还批评我；当时我用 OkCupid，大家会觉得“你要在网上找配偶？这也太荒唐了”。那时确实很离谱。我认为以后我们会比信任自己更信任智能体。 **Naveen Rao：** 我认为有一天确实会这样。 **Harry Stebbings：** 但你觉得我们现在离那一步还很远？ **Naveen Rao：** 是的，现在还没到。专业知识不会过时，只会以不同形式存在。我想象的未来是，我们会开始造某种“模型”——不过我觉得它不只是模型，而是整台机器。我认为智能的物理层和智能层是一个整体，无法分开。 这就像一个有机体，我可以教它擅长各种任务。价值来自不断积累专业能力。想想看，你上过什么学校？你是怎么学会做神经外科医生、厨师或其他职业的？你师从何人很重要：你跟着某个人学习，掌握他们的方法和思维方式，价值就来自这里。 从头到脚，人类都是智能机器，但真正让你有价值的，是你受教的方式。我认为机器也会出现类似情况。我们可以复制智能，但机器是如何被教会的，将会非常重要。其中一部分是知道怎样得到真实、可用、经过验证的最终结果。 **Harry Stebbings：** 我其实没怎么受过教育，在学校待的时间很少，纳文，不过还是谢谢你。我希望人类本身也有些价值。说到学习带来的价值，其中很多都来自你多年实践中逐渐积累的数据。 **Naveen Rao：** 是的。 **Harry Stebbings：** 如今数据公司在很短时间里就实现了天文数字级的营收，过去这类数字已经大得令人惊讶，现在还是惊人，只是来得太快了。纳文，你太聪明了，跟你聊天真愉快。我真想多问你很多关于世界的问题。这个市场最终会逐渐整合吗？还是会越来越细分，形成更多防御性？会发生什么？ ## [32:52] 数据公司会走向专业化，而非商品化 · YouTube **Naveen Rao：** 我认为它会走向专业化。如果你专注于重要问题，就能拥有一个庞大且有防御性的市场。这又是技能的幂律分布。所有人都能学很多技能，但有些技能比其他技能更有价值。你建立的数据和训练课程也是如此。 **Harry Stebbings：** 完全理解。数据公司会越来越专业化。你不认为它们会变成大宗商品吗？ **Naveen Rao：** 不认为。数据最初确实像大宗商品，因为那只是大量收集观察数据。但随着你构建更高质量的数据集，比如用于编程或思维链的高质量数据，数据就会产生很大价值。从某种意义上说，模型几乎只是它学到的东西的一种体现。 所以我认为数据层未来会相当重要，不会商品化。现在的关键在于构建模型，以及知道如何选择数据。大型模型公司面临的主要是数据问题。当然，它们也在推进模型本身的进步…… **Harry Stebbings：** 我想问一下：你刚才提到了预训练、RL，而现在重点明显转向了后训练。重心从预训练转向后训练，会不会是模型改进效率上的持久变化？还是说我们会再回到 RL 或预训练成为主导的阶段？随着时间推移，这些方法的重要性会如何变化？ ## [35:02] 为什么强化学习如此重要 · YouTube **Naveen Rao：** 我不确定它效率更高。实际上，如果按每单位算力或每单位资金能让模型进步多少来衡量，强化学习（RL）可能更低效。但它确实能推动模型继续进步。我们的目标是让模型在所有重要任务上都变得更好，所以我认为未来几年 RL 仍会非常重要。我们可能会在中间训练阶段、甚至预训练阶段引入专门化。未来范式很难说准，因为行业总是通过工程手段解决眼前的问题：从这里想到那里，就设计一种办法；到了那里，又想去下一个地方，再设计另一种办法。最后行业像在随机游走一样演进。 我认为模型公司并没有特别着眼长远地思考性能，也没有大力寻求能带来优势的 AI 系统范式突破。大型实验室现在做得不多。 **Harry Stebbings：** 在眼下这种每天都在赛跑的生态里，它们负担得起这样做吗？ **Naveen Rao：** 这就是问题。速度太快了，你必须紧跟进度。如果你是 OpenAI、Anthropic、Grok 或 Google，模型晚一个月都是灾难。所以它们还承担不起那些大风险。比如 Elon Musk 建立 xAI 时，基本上就是沿着现有范式去招人，马上就追到前沿，因为他有资源。这让我觉得，当时并没有特别深的创新，只是把现成要素组合起来，找一支懂得如何构建的团队快速执行。 这和尝试创造新范式很不一样。我想到 Yann LeCun 和 Fei-Fei Li 的公司，它们试图做更深入的创新。我认为这可能会成为创业公司的领域，过程有点像药物开发：大公司做渐进式工作，创业公司承担大风险；创业公司展现潜力后，大公司就把它们买下来。 **Harry Stebbings：** 我有时会问些简单问题，因为我不知道答案，而你很聪明。为什么大家现在都对 RL 这么兴奋？你刚才提到中间训练阶段，但我听到太多人整天都在谈 RL，我也只能说“好，我同意，完全同意”。 **Naveen Rao：** 有几个原因。想想我们如何学习，主要就是靠强化学习。假如我要教你一项新技能，比如发网球，你需要不断练习。先给你一个标准范例：告诉你发球应该是什么样，也许示范一下，或者给你看视频。这会让你在心里建立一个“什么算好、什么算优秀”的模型。然后你不断拿自己的表现和这个内在模型比较，判断自己有没有进步；如果没有，就寻求帮助。这就是 RL。 它之所以重要，是因为我们不可能收集足够的数据来解决世界上的每一项任务，单靠不断收集数据来预训练根本行不通，太难了。而且模型也没有高效到能充分利用那么多数据。因此需要一种范式，让我们先选出最重要的十项任务，再定义某种可验证的奖励。比如一次好的网球发球就是球速够快并且落在界内，这可以验证：球速能测量，是否出界也能测量。有了可验证奖励，我们就能判断采取的行动是否带来好的结果。这样便有了一套解决各种通用任务的框架，这就是 RL 令人兴奋的原因。 ## [39:03] 为什么我们会走出 Transformer 时代 · YouTube **Harry Stebbings：** 你认同 Yann LeCun 提出的“后 Transformer 时代”理论吗？这会怎样改变一切？ **Naveen Rao：** 我确实认为我们会进入后 Transformer 时代。我不认为 Transformer 是终极答案。直到几年前我才真正理解这一点，因为 Transformer 把许多东西混在了一起。我们真正关心的是推理，也就是能够一步步思考并解决问题。有人说过一句话，我不记得是谁说的：“智能体现于你没有信息时如何行动，而不是你已经掌握信息时如何行动。”从机制或第一性原理出发推演问题，才是智能。 Transformer 某种程度上能做到，但它主要通过一种智能体式流程实现：多次采样，然后判断哪个结果更好。比如我拿一条推理轨迹和另一条比较，再选出更好的，把它称作我的推理过程。我们通过检索机制来实现这种推理，注意力机制的上下文有点像检索，然后我们从中采样，最终得到看似推理的东西。 我认为这非常低效。推理不必这样实现。我们的大脑不是这么工作的：不会生成一大段轨迹，把它塞进另一个模型的输入，再让它产出另一段轨迹。算法上有更高效、性能更好的方法，所以我们会超越 Transformer。 **Harry Stebbings：** 成为优秀创业者所需的素质改变了吗？ **Naveen Rao：** 我认为基本原则没变，但对未来有判断、拥有愿景，可能比过去更重要。在 AI 之前，只要执行力不错，就能做个挺好的创业者，不必有特别出色的愿景，只要知道怎么执行。大公司行动缓慢、笨重，因此你可以创业，做出一家公司再出售，或者把它发展壮大。如今如果只有执行力，我认为走不了多远。 **Harry Stebbings：** 我完全同意。我们谈过技术栈不同层级，你说数据不会商品化，因为专业化有价值。那么，哪一层会随着时间商品化？ ## [41:39] AI 技术栈的哪些部分会商品化？ · YouTube **Naveen Rao：** 好问题。能源可以说已经是大宗商品，也就是说已经商品化了。我认为一定程度的智能也会开始商品化，我们已经看到了。比如六个月前的模型，包括中国的开源模型，仍然相当有用。六个月前的模型依然很不错，这就是商品化的标志之一。只有前沿模型重要的情况只适用于某些问题；再过六个月，前沿能力也会出现在开源模型里。 **Harry Stebbings：** 如果基础设施提供能力的方式或产出本身也都商品化了，会怎样？ **Naveen Rao：** 商品化不一定是坏事，只是利润率会大幅下降，但同时也意味着市场很大。番茄也是大宗商品，但我们仍然吃、仍然需要它。智能市场会很大，并且会继续增长，只是利润率未必很高。 我其实不认为模型公司会拿走整个技术栈的利润。今天也不是这样：英伟达掌握了技术栈的大部分利润，我想它大概拿走了其中最大的一份…… ## [42:57] 推理会变成大宗商品吗？ · YouTube **Naveen Rao：** ……利润。 **Harry Stebbings：** 很多人告诉我，未来几年推理成本会大幅下降，推理市场可能会商品化。你同意吗？ **Naveen Rao：** 我们先拆解一下。推理市场商品化究竟是什么意思？这意味着运行推理的运营方会被商品化，我猜是这样？ **Harry Stebbings：** 对，完全是。比如 Fireworks、Modal、Baseten，以及它们提供的服务。 **Naveen Rao：** 对。你看它们的价值主张，它们做得很好：拿一个现成模型，比如开源模型，让它稳定运行、提供正常运行时间保障，并以相对低成本在基础设施上运行。所以这是一种基础设施业务，本质上是把模型映射到物理硬件上，并把这件事做好。 我认为这类服务未来仍有价值，但推理价格——也就是人们愿意为每个 Token 支付的价格——会下降。因此，它们必须从硬件能力中榨取更多利润空间，把 Token 交付出去。我认为这一层能挤出的空间会变小，利润率会下降。 模型本身也正在商品化，现在有好几种方式可以获得模型。但硬件层面大概不会崩塌。我认为它仍然有优势，因为还可以继续提高效率，比如更高效地把能源转化成智能。在我看来，硬件层面还有比基础设施层更多的效率空间可以挖。所以我认为未来十年，硬件会是值得布局的地方。 **Harry Stebbings：** 作为投资人，我需要改变自己吗？我知道这听起来很奇怪，纳文，但我过去十年一直投资 SaaS，也做得不错。 **Naveen Rao：** 是啊。 **Harry Stebbings：** 伙计，硬件投资确实挺他妈难的，思维方式完全不同。这一代投资人有能力成为硬件投资人吗？给点建议。 ## [45:03] 纯软件投资人可能要“倒霉了” · YouTube **Naveen Rao：** 如果你是纯软件投资人，我会说你大概要倒霉了，而且我很有把握。SaaS 恐怕不再是你获取利润率的地方。从 2010、2011 年左右一直到现在，我们经历了一段“糖分高涨期”：用 AWS 云服务很快就能搭出产品、测试市场、尝试不同方向，然后切入一个规模一两亿美元的市场。SaaS 带来了市场的大规模细分，因为产品交付变得容易、几乎没有摩擦。现在，应用开始更多地依赖智能层，我看不到 20 年后软件还会是一个巨大的市场。 **Harry Stebbings：** 你是不是觉得 SaaS 会变成“Lorra”？我的意思是，Lorra 算 SaaS 吗？算企业 SaaS，但又不完全是。所以只是术语变了，对吧？我觉得现在没人会从零开始说：“哦，我们是一家 SaaS 公司。” ## [46:11] SaaS 在 20 年后将不再那么重要 · YouTube **Naveen Rao：** 对，我想你说得对。我刚才说的是 SaaS 的传统定义。不过，交付某种结果、通过软件和服务组合来实现的公司，当然会存在。我积极投资种子期创业公司，看到一批公司在做这样的事：用 AI 加上人工，更快、更便宜地完成长期存在、又必须准确完成的工程任务。 我认为 Harvey 是法律行业最早的例子。过去是律师审合同、起草合同；他们想到，可以让 AI 处理，再由人来验证输出，用更少的人、更快地交付同样或接近同样质量的结果，从而颠覆这个市场。所以我觉得这就是新型 SaaS。 **Harry Stebbings：** 我把风险投资人给世界创造新理论叫“玩概念”。比如有人提出“万亿美元服务市场”的说法。我很喜欢写那篇文章的 Julian，他写得很好。但我们是不是把事情稍微包装、夸大了？未来本来就是人们用 AI 更高效地做事，没必要把它说得这么光鲜吧？有点过头了，不是吗？ **Naveen Rao：** 我觉得你说得对。 **Harry Stebbings：** 你投资这样的公司，不就等于投资一家律所吗？ **Naveen Rao：** 实际上是，但你投资的是更好的律所，仅此而已。 **Harry Stebbings：** 但你愿意这么做？我看到不少公司在做类似的事，却会想“我不想做律所”。我愿意做卖给律所的 Lorra 或 Harvey，但它们本身不是律所。你懂我的意思吗？ **Naveen Rao：** 不过，我们已经看到一些大型律所直接投资 AI。所以从某种程度上说，Harvey 卖给律所，是因为律所有客户渠道。 **Harry Stebbings：** 这个渠道会一直存在吗？我不知道。但我也能想象律所会说：“我们不如直接卖给公司。”如果 Harvey 跟我说，它能处理所有保密协议、审核合同等，而且我能确信它有效，那我会把 80% 的法律工作交给它。 **Harry Stebbings：** 这让我很感兴趣，因为你提到有些公司正在自建模型。我记得法律领域的 K& 承诺投 5 亿美元。Fireworks 的投资人 Lynn 也公开谈过企业拥有自己的智能、利用自有数据构建模型的重要性。你觉得这是个可行的未来，还是从某个特定角度看过于乐观的技术预言？ **Naveen Rao：** 我认为这有点过于乐观，因为想要构建并拥有自己的智能，得有一定规模。继续以律所为例：如果你是 Cooley 或其他大型律所，就可以投资并实现；如果你是内布拉斯加州的一家夫妻店，就做不到。你会用某种服务，也许用它增强律师的能力，再向客户提供服务。 我不认为每家公司都会利用自己的历史数据来改进自有模型。它们不会这么做，因为太难了。它们想要开箱即用的方案，所以市场会有这类产品，只是长尾市场。大型玩家有足够规模，才值得做定制。 ## [50:13] SaaS 在 20 年后将不再那么重要（续） · YouTube **Naveen Rao：** ……这很合理。也回到一个观点：世界上各个领域都有竞争，关键取决于你在和谁竞争。如果你面对的是另一家大型律所，而对方用 AI 大幅提升利润率，你也不得不这么做。夫妻店可能不会这么做，它们的竞争对手也不会，因此一段时间内它们会留在另一个领域。 **Harry Stebbings：** 我认为法律和编程背后有一个共同因素：薪资中有多大比例会转变成技术支出。美国法律市场大约有 3,000 亿美元，我们会问这些服务商会从中拿走多少。编程也是同样的问题。Benioff 说过，他们会从 60 亿美元的开发人员薪酬预算里拿出 3 亿美元花在 Claude Code 和编程工具上。这一比例会保持在开发者薪酬的 5% 吗？会升到 30%、50%，还是降到 1%？这才是最大的机会所在。 ## [51:25] AI 未必会摧毁开发者的工作 · YouTube **Naveen Rao：** 我认为这个比例可能大致稳定，因为我们会遇到验证问题。最难的是培养人类判断什么是好的。开发者的价值不在某一天直接产出多少，也不是写了多少行代码，而在于代码质量。经验丰富、水平顶尖的开发者，也就是所谓的 10 倍开发者，已经形成了对好代码、审美和可行性的判断力，而且能很快把事情做成。在 AI 时代，这些知道什么是好的人可以验证模型输出，从而变得更高效。 我认为结果是产出更多，但人力加 AI 的总支出市场规模不会大幅改变，只是产出会大幅提高。举个例子：一家公司每年花 1,000 万美元开发软件。客户需求开始变化。十年前，一年一个版本就够；现在客户会说：“我希望一周内修好这个 bug。”要做到这一点，就必须让 AI 与人协作。我不是做得更少，而是做得更多：一周内修好，最后也许一小时内就修好，但我仍然会花 1,000 万美元来持续开发整个产品。我还需要那些能验证产出、并把工作导向有用目标的人，比如修 bug、增加功能。 交付速度会提高，因为需求方开始提出更快的要求。这里经常被忽略的一点是，AI 和人一起能用更低成本完成同一项任务，不代表每个人的工作都会消失。是的，这样做更便宜，但我现在会做更多任务，因为需求增加了。供给成本下降也会改变需求。我的看法是，我们最终会做更多事情，有更多发布周期、更多改动…… **Naveen Rao：** ……更多发布周期、更多改动。举一个物理世界的例子：如果今天建一栋摩天大楼需要两年，取决于一定数量、拥有不同技能的人力；突然间有机器人可以完成其中 80% 的工作，会发生什么？短期内体力劳动可能会受到冲击，但接下来你会发现，原来要两年的项目现在只需要八个月，因为 80% 的任务由机器人完成。 结果不会只是摩天大楼数量不变、工期缩短到八个月，而是你会建造两倍数量的摩天大楼。会有更多项目推进，更多建筑被拆除，更多劳动力进入这个市场。项目总数会上升，投入这些项目的资金总额可能相同，但会由人类和机器人共同完成。 **Harry Stebbings：** 纳文，你刚才说你会做天使投资，而且做得很成功，只是说得挺轻描淡写。我现在投资时有个逆向观点：我不喜欢投机器人。我觉得我们离目标还很远，而且时机很重要。我不是说支持机器人运转的基础设施——那很有意思；围绕机器人的数据集也很有意思。我们看到很多人，比如 Mecca、MicroAgg，在建设相关基础设施。但真正的应用层，比如机器人清洁、机器人建造，我们离目标还太远。我不想现在进入这个领域，也不想承担时机风险。 ## [55:28] AI 未必会摧毁开发者的工作（续） · YouTube **Harry Stebbings：** 我错了吗？我是不是太天真？你比我聪明得多。 ## [55:30] 机器人何时会真正成为一个市场？ · YouTube **Naveen Rao：** 这个问题我非常看好机器人，所以我会强烈反对你的看法。你说还差很远，具体是多长时间？ **Harry Stebbings：** 五年以上。 **Naveen Rao：** 好，那我们也没差那么远。我认为未来两三年内，一些任务会有可用的原型，五到七年内市场会出现。我觉得这个判断没错。 **Harry Stebbings：** 我觉得人形机器人和非人形机器人之间有明显区别。非人形机器人我确实看得到更清晰的路径；人形机器人则让我很纠结。每当一件事看起来特别明显，我就会觉得自己肯定错得离谱。人形机器人的路看起来显然还很远。 **Naveen Rao：** 我们会进入一个很奇特的世界，发展周期呈指数增长，很难沿用旧模型来判断。这正是问题所在。 **Harry Stebbings：** 没错。今天看起来遥不可及的事，沿着指数曲线发展，最终会比你想的快得多。再说到市场规模：推理市场有什么，是我希望两年前就知道的？我当时不知道它的上限几乎没有…… ## [56:48] 为什么推理会成为 10 万亿美元市场 · YouTube **Naveen Rao：** ……它几乎没有上限，是一个数万亿美元的市场。十年前你要是问我，哪些是万亿美元市场，我会说基本需求：住房、食物、交通。你不会想到科技领域也会有万亿美元市场。我认为未来几年，AI 模型本身就会成为万亿美元市场；十年内，推理市场会达到 10 万亿美元。这个数字想起来很疯狂。 正如你说的，一部分劳动力市场和价值创造链条正在转向技术，这就是市场总量变得巨大的原因。就 Unconventional 而言，我认为这是个很棒的市场，因为如果我们把每个 token 的交付效率提高一个数量级，也就是效率提升十倍，某种意义上就能让市场规模扩大十倍。 ## [57:42] 为什么机器人市场会比编程智能体大 100 倍 · YouTube **Naveen Rao：** 原来一个万亿美元的市场，现在会有更广的适用范围，潜在用途的基础会扩大十倍以上。这就是杰文斯悖论。所以我认为我们正处在一个能构建指数级技术、释放巨大价值和市场的阶段。我确实认为机器人市场会是编程智能体的 100 倍。 **Harry Stebbings：** 哇，这和我的看法有点不一样。纳文，在快速问答之前，能不能先展开说说？我不想显得太愚蠢，为什么你这么认为？ **Naveen Rao：** 我们对智能如何作用于现实世界还只看到了冰山一角。到目前为止，我们基本没有把智能用于物理世界。我认为迄今的工业机器人并不真正智能，只是把人类已有的智能嵌入机器，让它们按固定程序执行任务，这不算新颖的问题解决方式。 不久之后，我们就会进入物理问题求解的领域。想象一下，有数十亿机器人在周围活动，能动态解决问题：某处东西坏了，它就去清理或替换。清洁和维护我们这个世界、建造新建筑、解决物理问题的成本不会降到零，我讨厌那种“成本归零”的说法，但成本会大幅下降。因此这个市场会极其庞大，远远超过我们今天在虚拟世界里看到的市场。 ## [59:15] 纳文目前在哪里投资机器人 · YouTube **Harry Stebbings：** 我能直说吗？你具体投机器人领域的什么？是为机器人提供动力的模型公司、为模型公司提供数据的公司，还是消费应用层？ **Naveen Rao：** 我目前更关注技术栈，而不是应用层。我认为做模型的人还没完全想清楚这些模型最终会是什么样，这没关系。我不觉得价值只在模型本身。我确实投资了做模型的公司，但我认为它们最终可能会做端到端设备：造一台搭载模型、能把某件事做得非常好的机器人，并以这种方式销售。我的看法是，两者会结合在一起，不会彼此分离。 **Harry Stebbings：** 如果市场总量像你说的那么大，你在意价格吗？ **Naveen Rao：** 不太在意。我觉得自己应该把一部分财富投到这个重要且会高速增长的领域。传统风险投资人会说“太贵了”，但如果谈的是万亿美元级以上的市场，价格几乎无关紧要。 **Harry Stebbings：** 我完全同意。难处在于我们还有客户或老板——有限合伙人（LP）。如果你去年度会议上说：“我们的持股比例下降了，价格却涨了”，他们可能会直接骂你。不过等他们看到大机构也有同样趋势，就会想：“也许这就是方向。” 如果你能把自己的钱全部投到一家非自有公司，会选哪家？ **Naveen Rao：** 可能是 Physical Intelligence。我认为他们把智能当作一个模型来思考，还有几家公司也在做类似事情，比如 Roa 等。我觉得他们解决的是很基础的问题：如何定义一个任务并执行它，也就是把任务转化为运动输出。在我看来，这是当前物理世界需要解决的问题。除了我们正在做的新计算机，这是下一个重大问题。 **Harry Stebbings：** 你创办多家公司都非常成功。关于拥有财富，有什么没人告诉过你、但你希望早些知道？ **Naveen Rao：** 我觉得钱不会改变你的价值观。资源仍然有限，你对不同事物仍然有自己的估值方式。有些东西上我还是挺节俭，虽然其实没必要。 **Harry Stebbings：** 比如哪些方面？ **Naveen Rao：** 要是问我妻子，她可能会说衣服。我会想，干嘛花这么多钱买一条牛仔裤？ **Harry Stebbings：** 我觉得旅行上也是。我现在会尽量优化时间，但总体上还是会想“这也太贵了”，然后就不去了。不是说花了那笔钱就会有什么不同，我只是看不到价值。我愿意把钱花在自己认为有价值的事上，也可以多花；看不到价值的地方，我就不会再多花。 **Harry Stebbings：** 伙计，我们来一轮快速问答。我说一个简短的话题，你说第一反应。过去 12 个月里，你改变了什么看法？ ## [1:02:41] 为什么传统风投指标不再适用于深科技 · YouTube **Naveen Rao：** 投资方面，我改变了对进展衡量指标的看法。我们总把市场验证当成主要指标，我认为这是老办法，尤其是从 SaaS 领域沿袭来的。没有深层技术壁垒时，市场验证很合理：你做一个有用途的产品，关键就是验证市场。但如果你做的是一项显然有意义的深科技，比如治愈癌症，就不需要验证市场，只需验证技术问题取得了多少进展。 现在投资人分成两派。一派愿意大举投资这类公司，不管估值如何——我们就是这类公司；另一派觉得这不够审慎，因为还没有市场验证。我认为这种看法从根本上就错了，很多成长型投资人还停留在这一派。我以前也读了许多关于风险和投资的书，过去一年里，我对此改变很大。这不只是因为我自己的公司正在这么做，而是因为我们正在解决机器人、计算、生物学等深层技术问题。这不是市场验证的问题，市场显然存在；只要解决问题，人们就会买。真正要看的是问题解决进度。 **Harry Stebbings：** 这在欧洲尤其是少见的思维方式。如果你在职业上不受资源约束，会有什么不同做法？ **Naveen Rao：** 我会建自己的制造业，因为我想越来越靠近原材料来源。如今硬件生态系统有很多供应限制。如果我不受限制、什么都能建——说实话，这有点像 Elon 正在做的事——我会建自己的晶圆厂，把这一层完全针对自己的需求优化，而不是拿一个为上百种用途制造的通用商品，勉强改成适合我的东西。我会直接造自己需要的东西，做出更好的产品。 坦白说，计算机的所有价值都来自提供智能。如果我能一路优化到硅锭进厂后如何加工、如何切片，我当然愿意这么做。 ## [1:05:14] 今天哪些 AI 市场被高估了 · YouTube **Harry Stebbings：** 好回答。你觉得今天 AI 哪个领域最被高估、最不值得投资？比如我觉得客服 AI 是竞争者泛滥、产品缺乏差异化的领域，只是个试图消灭 Salesforce 的切入点，挺没意思的。 **Naveen Rao：** 那种直接把一项标准的人类工作自动化的速成项目，是现在最糟糕的投资方向。我认为它被严重高估了。我也觉得智能体编程市场被高估，因为价值会转移到模型提供商那里。Cursor 的退出做得很好，这当然值得祝贺，但大部分价值来自模型本身，而不是外壳或 IDE。它们的用户黏性不强，我在自己公司也看到大家会很顺畅地在不同产品间切换。关键是模型，以及模型能提供什么能力。所以，除去模型提供商，我今天不会投资智能体编程市场。 ## [1:06:21] 三年后 80% 的 AI Token 可能来自开源模型 · YouTube **Harry Stebbings：** 三年后，开源模型和闭源模型分别会占多少 Token 流量？ **Naveen Rao：** 我认为开源会占 80%。 **Harry Stebbings：** 换算成金额流量呢？ **Naveen Rao：** 这是个更好的问题。我认为情况可能很像手机市场：iPhone 大约占总市场的 20%，却占了 80% 的利润。AI 也可能类似。少数非常重要的问题需要前沿模型，人们会为这些问题多付钱；但日常任务会交给开源模型。因此支出大概会五五开，但 Token 数量方面，前沿模型可能只占 20%。 **Harry Stebbings：** 你遇到过最好的单次投资人会面是哪一次？为什么？ **Naveen Rao：** 我先讲个故事。我创办 Nervana 以来，可能见过大约一千位投资人。到了第八百次，最初那一批会面已经不太留印象了。很早时我见过 Steve Jurvetson，他后来成了我的好朋友。我当时紧张得要命，听过很多关于他的传闻，觉得他聪明绝顶，会把我看穿。结果我们聊着聊着就开始讨论数字表示。我当时想，这人真的是投资人吗？我后来给他发了几篇论文，他在上面做批注、提问题，我再回复。这完全不是我对投资人的预期，他更像是在和技术同事交流。 这是我最好的投资人会面之一，因为当时我们做的是前所未有的事。2014 年，十年来都没人推介过硬件创业公司。他却急于投资这样的项目，因为自己也一直在思考这个问题。于是就一下子谈成了。 **Harry Stebbings：** 回答得真好。我喜欢 Steve。他愿意持有非共识观点，这正是我喜欢他的地方。 **Naveen Rao：** 没错。要下能带来回报的大赌注，你就必须持有非共识观点。共识本身已经是错的、过时的。 **Harry Stebbings：** 不过我觉得欧洲有个难题：创意正在商品化。如今创业像是一次体验活动，每个人都想当创始人，创意质量下降了。我不觉得美国人天生更优秀、更聪明或更有才华，但我认为你们在选择创意上更有创新性。这可能和见识、接触到的事、思考方式以及在体系里选择做什么有关。我们还在用 AI 做费用管理。 **Naveen Rao：** 对，我完全同意。我觉得在美国，人们被允许把想法想得更大。 **Harry Stebbings：** 在欧洲却不是这样。投资人网络和思维方式都很保守。你提出一个疯狂想法，他们会觉得你疯了，不投你；而在美国，人们会说你很棒、想得很大。 ## [1:09:41] 为什么欧洲孕育出的雄心型创业公司更少 · YouTube **Naveen Rao：** 对，我完全同意。难点是，比如现在有一家公司做太空项目，正处于 A 轮，我完全不懂这个领域。团队很棒，但如果要投 2,000 万美元，那就是一只 4 亿美元基金的 5%。这笔钱可不能轻易亏掉。太空项目风险很高，我一点也不了解。 我会把它们看作技术周期早期的项目。技术专家会讲一个故事，我们需要构建一套叙事。这个故事肯定是错的，我只是不知道具体错在哪里，也不知道会错到什么程度，但我知道它错了。你投资的其实是开车的人，而不是车本身。方向是对的，团队才是关键：他们能不能驾驶这辆车？能不能完成必要的转向和正确的技术决策，把它带到真正重要的地方？ **Harry Stebbings：** 这里的难点在于，这个市场不给你足够时间去了解他们。 **Naveen Rao：** 是的，我也很想说“不知道”，但你大概只有两三次会面。 **Harry Stebbings：** 对，所以你得尽可能多做功课，和他们认识的人聊聊之类的，但确实很难。我同意。 ## [1:11:13] AI 可能开启科学的全新前沿 · YouTube **Harry Stebbings：** 最后一个问题：你最期待什么？我喜欢乐观，不喜欢围绕泡沫和各种狗屁的犬儒主义。我现在就特别兴奋，你呢？ **Naveen Rao：** 我把 AI 看作一种工具和能力，它让我们能够对宇宙提出更宏大的问题。科学中有很多我们不了解的事，是因为这些问题难以触及：真正能思考并推进它们的人太少了。AI 会扩大我们能够着手解决的问题范围，这让我极其兴奋。 我不会去想“天哪，AI 会杀光所有人”。这是我听过最愚蠢的世界观，简直荒谬，我已经完全听腻了。AI 是帮助人类着手解决更大问题的工具。我们能探索更多宇宙，深入理解物理学。比如虫洞之类的想法，目前都只是理论构想；现在我们可以用 AI 推进研究，问自己能否建造某种利用这种物理现象的东西，或者这种现象究竟是不是真的。过去我们根本问不了这些问题，因为没有足够多的人能研究它们。 推动科学和人类认知向前发展，实在太令人兴奋了，我简直无法形容，感觉自己像个孩子。外面有一个充满奇迹的世界，我们过去连想都想不到。我们被自己的能力限制，觉得只能关注这么多；现在整个世界都向我们敞开了。 **Harry Stebbings：** 这就是我做了十年节目还热爱它的原因。你的知识面太广了，能亲眼见证这些真的很棒。谢谢你愿意参与这么多领域的讨论，你太出色了。 **Naveen Rao：** 很有意思。我喜欢这种能畅谈许多不同话题的对话。