摘要

张璐把 DeepSeek R1 的出圈定性为“开源生态的胜利”，而不是一家中国公司孤立地追上 OpenAI。 DeepSeek 从 V2、V3 到 R1 持续公开技术报告和中间实验，让全球团队能共享架构探索；当 OpenAI 被调侃为“CloseAI”、Mistral 和 AlphaFold 3 等收紧细节时，这种开放尤其稀缺。对投资者而言，开源若追平闭源，最直接受益的是能低成本调用、蒸馏和改造模型的初创企业。
R1 最值得产业重估的不是单项 benchmark，而是无监督 reinforcement learning 在没有过程标注的情况下也能形成 chain of thought。 张璐认为，这并没有推翻 scaling law，反而说明减少昂贵标注后，继续增加算力仍可能把能力“再提高一个数量级”。成本下降只是这一技术路线的结果，真正的增量是模型训练、推理和自我探索方式被重新打开。
DeepSeek 降本短期触发了英伟达担忧，张璐的长期判断却相反：更便宜的模型会提前全产业 AI 渗透，最终抬高 GPU 需求。 主持人列出的对比是：V3 用 2,048 张 H800，在部分 benchmark 超过用 16,000 张 H100 训练的 Llama 3.1；但张璐强调，单次任务成本下降会让更多此前无法承担 AI 的场景使用它，这不是算力需求的终点。
Meta 会承受“为什么小公司做得更好”的品牌压力，却也可能成为开源繁荣的长期受益者。 DeepSeek 披露的 V3 训练 GPU hours 成本约 557 万美元，并未包含前期投入、研发和人员成本，不能与 Meta 的完整投入直接比较；“只算炒菜的原材料”与连厨房、锅碗瓢盆都算进去不是一回事。DeepSeek 提供的新结构方向反而能帮助 Llama 迭代，而 Meta 仍可借开源生态与 Google 等闭源阵营差异化。
闭源阵营没有停下来，竞争优势正在从模型规模延伸到专属数据、内部工具和商业数据飞轮。 Anthropic 通过企业订单获得更多高质量 B 端数据；xAI 可能调用 Tesla 工厂、供应链及 SpaceX、Starlink 的 2D/3D 产业数据；Gemini、Claude、ChatGPT 也各有准确率和写作风格优势。张璐听一家未具名公司的创始成员称，其内部已有 70%—80% 的代码由自研 AI 工具完成，未公开应用首先被用于提升自身迭代速度。
Agent 的方向成立，但当前产品更像“非常初级的实习生”，还不是 analyst。 张璐试用 Operator 时，查询速度“像一个老太太”，且仍会编造信息；企业客户因此更可能购买狭窄、专业、准确的行业 Agent，而非每月 200 美元却什么都做的 generic assistant。相较传统 RPA，Agent 的突破是把使用门槛降到“会不会聊天”，但落地仍需要 workflow integration、inference 优化和成本基础设施。
AI 之外最值得跟踪的是 Tech Bio 与太空科技，但两条主线仍被 AI 这一“催化剂”加速。 长寿议题已从活到 150 岁、200 岁转向能否以清晰大脑和健康身体活到 100 岁、120 岁；太空侧则存在未来 3—5 年把单人送入太空降至 5 万—10 万美元、单颗卫星发射降至 1 万—2 万美元的可能性。张璐同时提醒，2025 年“不确定性会变成唯一一件确定的事情”，早期公司的竞争力将更多来自快速迭代、行业数据、商业化渠道与对巨头资源垄断的抵抗。

精读

1. DeepSeek 从技术圈黑马变成了全球议题

程曼祺用“墙内开花墙外香”概括 DeepSeek 的出圈：它既非中国科技巨头，也不属此前所谓“大模型六小虎”，却率先在美国技术社区获得高密度关注。
张璐在达沃斯发现，询问中美模型和 DeepSeek 的不只是科技从业者；包括 Scale AI 创始人 Alex 在内的行业人物公开谈及它，非科技领域的 leader 也开始主动求证。
这种关注并非始于 R1。年底前的 NeurIPS 会议上，OpenAI、Anthropic 的朋友已在跟踪 DeepSeek 的架构方向，只是当时并不认为它会做得更好；到年末关注升温，R1 才带来“很大的惊喜”。

2. R1 的首要意义是证明开源可以赶上闭源

张璐的核心定性是：“这个公司做得非常优秀，但是最重要的是一个开源生态的胜利。”DeepSeek 的成果既包含自身创新，也建立在全球开源与闭源团队此前试过、走通或证伪的路径上。
DeepSeek 从 V2、V3 开始就不仅开源模型，还详细释放技术报告和中间实验结果。程曼祺认为，研究者佩服的不只是性能，而是它愿意把“怎么试出来的”也交给社区。
当 OpenAI 被调侃为“CloseAI”、Mistral 不再开源、DeepMind 没有完整开放 AlphaFold 3 时，DeepSeek 对新方法的充分披露，让美国同行更尊敬它的行事方式及生态贡献。
Meta 的杨乐坤的表述与张璐一致：这件事更应被看成开源模型超过部分闭源系统。程曼祺援引 Perplexity CEO 的判断：“一旦开源追上甚至超越闭源软件，开发者就会转向开源。”

3. 无监督强化学习强化了 scaling law，而非宣告它失效

张璐认为，R1 最出乎业内预期的是无监督 reinforcement learning：不依赖大量过程数据标注，模型也能自我探索、自我思考、自我反思，并形成 chain of thought。
这一结果冲击了此前业内包括 DeepMind 人员在内的判断——过程标注曾被认为是达成自发推理的必要条件。R1 展示的是不进行过程数据标注也可能做到。
她反对把这解释为 scaling law 失效：“这个其实反而是对 scaling law 的一个非常大的提升和支持。”减少标注瓶颈后，继续应用更多算力，仍可能将能力再提升一个数量级。

4. 成本下降真正打开的是企业 ROI 与垂直小模型

在张璐接触的 To B 客户中，第一问题通常不是模型是否最强，而是“ROI”：需要多少算力、耗多少电、总投入与业务回报能否成正比。成本仍是大规模产业落地的主要阻力。
DeepSeek 同时降低训练和 reasoning 成本，并允许开发者蒸馏出更小的模型；这对资金和算力都有限的初创企业尤其重要。节目当日，其美国 App Store 免费总榜已从前一晚第四升至第一，超过 ChatGPT。
Fusion Fund 投资的垂直 AI 公司通常不会从头训练基础模型，而是调用开源模型或 API，再“像鸡尾酒一样”加入 fine-tuning 与行业专属 data library，持续调成可销售的小模型。
张璐从未给出开源追平闭源的精确时间表，但方向上长期看好：“开源生态对谁是最有利的，一定还是对初创企业最有利的；闭源一定是对大企业最有利的。”

5. DeepSeek 改写了“中国擅长执行、美国负责从零到一”的旧印象

张璐谨慎地说，DeepSeek“可能是第一家”让美国模型公司和创业圈广泛看到：中国团队也在做底层 architecture 创新，而不只是快速调用美国新 API、复制 Llama 架构后搭应用。
它与不少中国模型公司的区别，在于可能并不太关注商业化角度，更多精力放在底层结构与 engineering 创新。这一差异可能比单项 benchmark 更能改变美国同行的认知。
AMD 当时宣布 DeepSeek 使用节目中所称的“three hundred X”做大模型推理。张璐认为，在大量模型绑定 CUDA、AMD 仍处劣势时，这种合作也会为 DeepSeek 带来大厂层面的关注。

6. 模型变便宜不等于英伟达需求见顶

面对“为什么 DeepSeek 会做空英伟达”的提问，张璐直接反驳：“这个离做空英伟达还差得很远。”AI 的下一阶段是从科技业进入所有拥有海量高质量数据的传统产业，而成本正是主要闸门。
她举出的技术弹性是：一家被投公司可把模型规模降低至少 4 倍、效率提高 2.5 倍，合计让成本下降约 10 倍。更多类似架构会把全产业数字化转型的时间点提前。
程曼祺保留了市场最直观的算术：V3 使用 2,048 张 H800，在部分 benchmark 超过 Llama 3.1；后者训练用了 16,000 张 H100。张璐的回应是，单位成本越低，可承担 AI 的场景越多，GPU 总需求反而可能增加。

7. Meta 面临的是认知压力，得到的却可能是技术红利

对网上流传的 Meta 员工段子，张璐不确认真假；她先说明成本口径：DeepSeek 披露的约 557 万美元只计算 GPU hours，没有覆盖人员、前期投入和研发。
她用做菜作比：只算食材和调味品，与把厨房、锅碗瓢盆一并计入，当然会得出不同数字。因此不能拿 557 万美元直接对照 Meta 部门的全部组织成本。
Meta 的压力确实存在，因为 Llama 长期是开源生态中使用较多的成熟架构，公司也希望 Llama 4 匹配甚至超过闭源模型；小团队领先，会形成“为什么大公司没先做到”的品牌与 perception 挑战。
但在产品层面，DeepSeek 等于替 Llama 探索了一条新结构，长期是利好。Meta 以开源区别于 Google 等闭源巨头，也能从更多开发者采用开源架构中持续获益。

8. 闭源模型的竞争优势延伸到专属数据与内部效率

程曼祺的质疑是：市场是否高估开源与闭源的接近程度，低估 OpenAI、Anthropic、Gemini 尚未公开的能力？张璐认为，这些公司的迭代速度“非常惊人”，资源、算力和人才仍有绝对优势。
OpenAI 仍是行业 benchmark，但 Anthropic 正凭企业订单形成数据飞轮：拿到更多客户，就获得更多样、更高质量的 B 端数据；当公开 C 端数据趋于饱和、synthetic data 的问题和挑战受到讨论时，这种资源更关键。
xAI 的差异不只在人才。它可能获得 Tesla 汽车、3D 工厂、生产调度、供应链和自动化数据，以及 SpaceX、Starlink 的火箭、卫星与 2D/3D 产业数据，这些很难由普通网络爬虫获得。
Gemini、Claude、ChatGPT 也显现不同专长：张璐的合伙人认为 ChatGPT 某些任务准确率更高，Claude 的写作水平更好。另有一家未具名公司已让自研 AI 工具承担内部 70%—80% 的代码，先用未公开应用加速自己。

9. 模型的“性格”可能来自架构，也可能来自语言语料

程曼祺观察到，DeepSeek 有时会突然输出诗意、科幻式表达，例如：“每次你输入文字时，我的大脑……会瞬间点亮一片庞大的数据星云空间。”不同模型已经不只性能不同，沟通气质也不同。
张璐把这种风格与无监督 reinforcement learning 联系起来：当模型自行探索、反思并组织答案，其最终表达方式可能呈现出某种架构带来的“性格”。
她同时强调这只是“非常不成熟的想法”：以中文和英文共同训练，是否会把不同语言背后的思维逻辑与文化带进模型，仍需更多不同语料训练出的模型才能验证。
她给出的例子是美国独立战争：美国与英国教材即使都用英文，对同一事实也会采用不同叙事；若换成不同语系，简洁程度、诗意与指代意象还可能进一步改变答案。

10. 2025 年的模型机会在更小、更靠近设备，也在新架构

张璐最期待垂直小模型与 AI on the edge devices：手机之外，话筒、耳机、台灯、工厂传感器都可能成为 AI 接口，但前提是模型“又小又好用”，且适应极有限的算力和电量。
Qualcomm、Broadcom、HP 等公司都在探索边缘端部署。Fusion Fund 一家公司的最小模型按节目原话做到“one billion token 以下”，能在 Raspberry Pi 上运行，去年下半年时表现被称与 GPT-4 相当。
本地处理同时缓解三件事：减少云端往返延迟、降低传输和计算耗电；如果敏感数据可以留在设备本地处理，数据隐私保障也会更强。金融、保险和医疗因此可能更愿意采用边缘 AI。
架构侧“我们才刚刚开始”。DeepSeek 对发展多年的 Attention 架构做了调整；另一家未具名团队则让模型在 CPU 上运行得比 GPU 更高效。张璐强调，这“不是一个简单的替代”，而是增加产业多样性。

11. Operator 展示了 Agent 的方向，也暴露了当前边界

张璐试用 Operator 后的直观评价是：它确实从问答迈向“帮你做事情”，能搜索机票、调用网页并执行流程，但简单查询的移动速度“像一个老太太”，远慢于人手动完成。
更严重的问题是它仍会编造数据：有些错误用户能识别，有些则不能。她依然认为前景“非常美好”，因为 OpenAI、Salesforce 等都把 Agent 视作下一阶段的产业方向。
当前能力边界更像金融机构里“非常初级的实习生”，尚不能稳定完成 analyst 的工作。应用公司眼下要解决的是如何把这种能力嵌入现有 workflow，而非假设它已能独立负责岗位。
长期设想则更激进：一个经理过去管理 10 名分析师，未来也许只需一名分析师，由后者调用多个 Agent 覆盖其余工作量；但张璐没有把这个目标当作已兑现的现状。

12. 企业 Agent 会先按专业度竞争，而不是按“什么都能做”竞争

张璐估计，美国金融公司实习生年收入约 5 万—10 万美元；Operator 当时只在每月 200 美元的 Pro 订阅中开放。程曼祺提到 Sam Altman 称将下放到每月 20 美元的 Plus，张璐提醒：“他的时间线可能还要稍微多延长一点。”
企业客户愿意为 generic Agent 每月支付 200 美元的可能性相对较低，因为准确性与专业度仍不过关。客户更可能选择只处理一个明确场景、但足够精准的 specialized 产品，并与 Salesforce、Microsoft 或行业创业公司比较。
Agent 与传统 RPA 的根本差别在交互门槛：ChatGPT 的普及来自“你会不会聊天”；Operator 也像口头吩咐个人助理。传统流程自动化则往往需要 integration、技术使用和植入周期。
垂直 Agent 过去一年已出现许多探索，机会也不止应用层。Fusion Fund 投资了 Agent inference 与 infrastructure 公司，帮助开发者降低推理成本、简化行业整合并更快搭出可用产品。

13. 医疗、金融、保险和太空拥有最适合 Agent 的数据条件

医疗排在张璐的首位：她援引的数据是，人类社会相关数据约 30% 与医疗有关，其中可能只有 5% 被使用。其数据量大、质量高，既能服务个性化医疗，也能改善 quality of life。
对“AI 医生”的判断，她保持保留：“做 AI 医生的话不好说。”但短期内 Agent 辅助医生是“绝对可以预见”的，临床诊断、治疗、医疗影像增强、medical coding 等方向已有多年落地积累。
金融需要流程简化和更有效的数据利用；保险规模大、自动化不足，且业务流程比医疗更标准化、场景变数更少，因此适合较统一的垂直 Agent。
太空的基础则是高质量卫星数据。张璐总结，优先行业需要同时满足三项条件：海量数据、数据价值和质量高，以及产业规模足够大、存在多样化应用场景。

14. 隐私风险上升时，年轻用户反而更愿意向 AI 袒露隐私

张璐在 JPMorgan Healthcare Conference 听到一个反常现象：企业同时提供线上心理医生和 AI 心理支持时，大部分人更愿意把隐秘信息告诉 AI，年轻人中的倾向尤其明显。
这并不意味着隐私问题消失。Operator 买机票会接触身份、登录和支付信息，医疗 Agent 更敏感；只是从用户行为看，人们对 AI 的信任度有时高于真人心理医生，也更容易“打开自己”。
张璐把它解释为代际交互习惯的变化：智能手机和互联网对一代人是天然环境，AI 与 Agent 对下一代也可能如此。AI 宠物、AI 玩具意味着一些儿童可能从很小就开始与模型对话。

15. 美国的模块化 AI 生态让六个人也能拿下大企业订单

程曼祺把美国路径概括为开源基座、第三方 infra、垂直应用的组合，并对照国内投资人对单一环节“太轻、没壁垒、会被巨头挤压”的担忧。张璐认为，这确实构成两地差异。
美国巨头主要聚焦基础模型，也愿意让初创企业在平台上丰富应用。对制药、金融、保险等强监管行业，初创公司还能提供 on-prem、本地数据控制和更可控的合作关系，信任度未必低于 Google 等巨头。
她举出两组极端效率：一家六人金融 AI 公司已签下 3 家《财富》500 强客户，订单达千万美元级；另一家二十多人公司把年收入从零推到 2,000 万美元，最开始可能只花了几百万美元，融资金额甚至一半都没有用完。
成熟的企业销售体系与 AI 编程工具共同放大这种效率：过去需要 10 名工程师的工作，现在也许 3 人加 GitHub Copilot 即可完成。非科技领域的大企业对 AI 的投入也越来越大。

16. 硅谷的常态是每周一个 DeepSeek，兴奋与压力同时上升

张璐形容当地创投圈“持续在加速，持续在打鸡血”：“这周是 DeepSeek，下周可能是别的东西。”新 paper、新架构和新产品每周出现，幸福感很高，跟不上节奏的压力也同样真实。
Fusion Fund 2018 年建立了名为 Ada Lovelace 的 AI analyst，每周汇总论文与研究机构动态；如今她出差时甚至不用等报告，合伙人已在群里连续发送论文、差异和要点。
她纠正“核心仍在 Sand Hill Road”的想象：团队位于 Stanford 门口的 University Avenue，Google、Facebook、英伟达均在约 30 分钟车程；NeurIPS、JPMorgan Healthcare Conference 和 3 月 GTC 持续提高信息密度。
硅谷仍是核心，但不再是唯一中心。Fusion Fund 约 60% 的公司在硅谷、40% 在硅谷之外；Boston、New York、Austin、Los Angeles 等地也在崛起。咖啡馆里“不是讨论创业就在讨论投资”，主题则几乎总绕着 AI。

17. Tech Bio 把“长寿”从寿命数字改写为生命质量

Tech Bio 指科技与生命科学的结合。张璐在 JPMorgan Healthcare Conference 的观察是，longevity 已不再主要讨论能否活到 150 岁或 200 岁，而是如果活到 100 岁，能否仍有健康体魄和清晰大脑。
目标也可延伸到 120 岁，但前提是更好的早期诊断、个性化治疗，以及靶向治疗、免疫疗法和 mRNA 等技术持续演进；衡量标准从单纯 lifespan 转向 quality of life。
AI 在这里更像“催化剂”：它既催化传统产业数字化，也加速医疗技术本身。computational biology、digital biology、数字化诊断与数字化治疗因此成为同一方向的不同落点。

18. 太空科技进入三至五年兑现期，2025 的确定性只有不确定性

张璐判断，未来 3—5 年而非 10 年，单人送入太空的成本可能降到 5 万—10 万美元，单颗卫星发射可能降到 1 万—2 万美元；若实现，发射数量和频次都会显著增加。
Fusion Fund 一家利用 AI 做太空交通管理和卫星数据交易的公司，年收入已超过 1,000 万美元。Los Angeles 也围绕 SpaceX 形成数百家公司，许多创始人是前员工，很多公司是供应商或战略伙伴；当地山火重创城市，但工业区距离火灾较远，不少小型团队采用远程办公，所受影响有限。
美国科技趋势仍由私营企业和私有资本主导，政府更多提供 non-dilutive funding、科研资助、军方订单和审批支持。加快电站审批的逻辑也是产业先提出“发展人工智能，电不够用”，政策随后响应。
对 2025 年，张璐的结论是“不确定性会变成唯一一件确定的事情”：政治格局、区域经济、金融黑天鹅和每周技术变化都要求初创公司快速迭代。Fusion Fund 用 40 多家《财富》500 强企业 CTO 组成的网络帮助被投企业直接验证、销售和商业化，也是在防止技术与资源完全被巨头控制。

APi Group：规模化安全服务——[Business Breakdowns，第204期]为什么本轮不会出现山寨季