摘要

Sarah Guo认为，具备竞争力的开源模型早已广泛存在，限制它们只会让美国人自缚手脚。 “木已成舟”（The cat is out of the bag）——中国、美国和欧洲的开源模型已经被广泛使用；如果美国限制这些模型，“基本上只是在限制守法的美国企业”，真正的对手则会无视规则。面对中国模型可能存在类似后门的担忧，她的答案是严格的安全测试，而不是猜测；她预计美国接下来会更多讨论“算力独立”。
在Conviction试图保持联系的约250位创业者和研究者中，出现了一种新信念：递归式自我改进可能在1到2年内带来“某种指数级智能”。 她同时引用Karpathy那句自我调侃的话限定这一判断：“我以为还要2年，这件事我已经说了大约10年。”她说，如今有一批研究者要么觉得自己的工作已经无关紧要，因为模型会完成一切；要么认为唯一重要的就是算力规模。
她给出的最激进投资组合时间表是：Sunday Robotics相信，到今年年底，通用型半人形机器人将首次以beta版本进入人类家庭并执行任务。 创始人Tony Zhou和Chang Xi曾在Toyota Research、DeepMind和Tesla工作；她认为，过去4年机器人AI领域最有意思的想法，几乎都由他们两人贡献。他们把低成本、匹配真实分布的数据采集视为核心技术问题——不到2年，就从“斯坦福地下室里的纸板模型”走到了在那里制造的全栈系统。
在AI+生物学问题上，她已坚定站到“是”这一边：“模型可以在生物学领域创造并捕获巨额价值。” Conviction是最早投资Chai Discovery的机构，后者正与多家全球前10大制药公司合作，加速研发。她提到了一份1000万美元合同和客户采用情况，以回应“靠向制药公司卖软件赚不到钱”的传统观点。行业真正的顿悟时刻，将是某个新适应症或新药的开发轨迹明显被AI改变——“这一定会发生”。
投资方面，她最大的担忧是，资本依据出身履历而非基本面判断进行配置。 大规模研究押注越来越依赖“把判断代理给履历或其他容易识别的信号”；一位极其优秀的投资人对一家公司的解释，基本上就是：“你知道这个人的质量吗？”她的结论是：“不可能所有东西都奏效……而且我未必更擅长做判断”，但如果除了一个人的履历之外没有任何观点，“那是危险的”。
AI的主要约束不是技术或创业能力不足，而是监管、协调和实体供应链产能。 一位超大规模云厂商的基础设施负责人告诉她：“在2030年以前，没有任何东西能以足够大的规模真正改变我们的进展。”能源问题要求说服纽约人接受数据中心、说服公众相信核能安全，只有这样SMR的成本曲线才可能下降。Sarah认为，美国再工业化离不开自动化，因此竞争力是主动选择，而不是必然结果。
她对未来1年的希望，是Jevons悖论在现实中显现：软件工程提速能够复制到每个职能部门。 一家被投公司的营销负责人，为一个1.5人团队搭建了“一个自主运行的营销部门”；她和Patrick都表示，借助AI后自己工作得更多而不是更少，这呼应了“Jensen的一条核心判断”：所有人都会拥有更多工作。

精读

1. 时速90英里却没有回测——以及押注AI不会走向单一巨头结局

开场是Guo转述的一位朋友的坦白：“我一直说自己想把刹车踩到底，但实际上没有这么做，正以90英里/小时的速度狂奔。”投资人的两难在于：究竟会错过上行，还是犯下科技史上每轮繁荣—萧条周期都会犯的错误；而在打造Conviction的第4年，这种压力又叠加了公司能否持久以及个人职业生涯的问题。
Patrick追问，Conviction是否有意押注一个不会由少数巨头实验室主导的未来。她的重新表述是，相信“伟人和伟大女性推动历史”的理论：有强烈能动性、又拥有合适风险资本的人，能够改变结果。比如，西方是否存在一个具备竞争力的开源模型，最终取决于“有没有人做出来”。她不接受“战争”的叙事——她与各家实验室密切合作，也共同投资；但对于“拥有1个、2个、3个前沿模型的人吞噬整个经济”这一极端判断，她说：“我非常明确地不想要那样的未来，也不认为我们最终会走到那里。”
被问到是否想亲自成为那位“伟大女性”时，她回答：不想。这不是谦虚，而是“这不在我的目标清单里”。她选择成为投资人，而不是软件创业者：“我有很强的好奇心，喜欢理解事物，也喜欢做出正确判断。”这家机构可以支持这场变革，“但我不认为一定要由我亲自去做”。

2. 250人地图与技术优先的选股

她对自己迄今优势的解释刻意不那么光鲜：代际交替意味着早期投资的竞争没有过去激烈，但一场巨大的技术变革正在发生。所以“你要做的其实只是承担风险并保持专注，接下来就是执行……很简单，只是很难”。Patrick对此提出反驳——LP调研把她排在第1或第2名，如果只是比别人更拼，显然不够解释这一结果；他引用Mike的框架：Conviction试图了解并支持约250位“在前沿做最有意思事情”的创业者和研究者。
她承认，真正的方法在于一套被别人认为荒谬的技术优先论。Conviction没有只从客户需求反推，而是把模型能力映射到各个职业，Harvey就是样本。因为“法律是结构化语言”，2022年末的下一个词预测、检索和判例文本，构成了与法律的“非常好匹配”；创始人Winston和Gabe对AI的信仰足够强，能够从一个微不足道的加州房东—租客问题，推演到“完成一次Activision Blizzard并购，并做完其中85%的工作”。真正吸引她的是“当时可能实现的目标有多大，以及它为什么能实现的技术逻辑”。

3. 前沿实验室内部：指数级智能信念与研究者的失权感

现在这约250人谈论的，是一个“竞争激烈到近乎暴烈、而且是全球性的”格局，这本身就“打破了原有叙事”。她描述的那种信念，“对很多研究者来说是过去12个月内才出现的”：递归式自我改进可能在1到2年后带来某种指数级智能。她借Karpathy那句自我调侃保留了判断空间：“我以为还要2年，这件事我已经说了大约10年。而公平地说，他现在又这么认为了。谁说得准呢？”
心理代价在于，过去一个人在OpenAI的200人团队中，仍可能感觉自己改变了结果；现在问题变成：“我是不是需要7500亿美元的算力支出？”而且还要有数千人共同参与，个人的主导感随之蒸发。她把由此产生的绝望归纳为两类：“反正我做什么都不重要，模型会完成一切；或者唯一重要的就是算力规模——这两种想法都会让人失去一些能动性。”
她用自己的投资过程来测试这种能动性：如果没有她在那一轮出手，有哪些公司可能根本拿不到投资？答案是“最多5%或10%”。这些创始人本身就足够有资源整合能力，也足够有才华。她不会投资一个自己认为无法稍微改变其结果的公司，尽管其中大多数最终也能找到其他投资人。

4. 真正瓶颈：许可、供应链与履历代理型资本

如今人们谈算力时，“已经非常认真地在考虑2032年”。一位超大规模云厂商的基础设施负责人告诉她：“在2030年以前，没有任何东西能以足够大的规模真正改变我们的进展。这令人沮丧。”她的判断是，这不是技术、能力或资本主义的问题，而是“监管问题和协调问题，而且我说的不是AI对齐”：要说服纽约人接受数据中心，说服公众相信核能安全，并允许建设足够多的SMR，才能让成本曲线下降。实体供应链中的隐性知识、劳动力和原材料“不可能像软件一样快”；“唯一的出路就是硬闯过去”。
她在投资端担心的是，资本如何判断这些研究押注。大量为此提供资金的人并不真正理解基本面，于是决策依赖“把判断代理给履历或其他容易识别的信号”。她与一位“极其优秀的投资人朋友”的争论最终浓缩成一句话：他的解释基本是，“你知道这个人的质量吗？”她的结论是：“不可能所有东西都奏效，而且我未必更擅长做判断”，但如果除了履历之外没有任何观点，“那是危险的”。

5. Sunday Robotics，以及Conviction究竟如何做决策

最让她震撼的研究者，是Sunday Robotics的Tony Zhou和Chang Xi：两人都是大约25岁的斯坦福博士生，其中一人没有读完博士，且曾在Toyota Research、DeepMind和Tesla工作。她认为，过去4年机器人AI领域最有意思的想法，几乎都由他们两人贡献。他们的创造力在于，把行业缺失的“机器人数据互联网”视为一个可以解决的约束：以“尽可能便宜的方式采集数据，同时匹配真实世界环境和任务的分布”。不到2年，他们就从“斯坦福地下室里的纸板模型”走到了硬件和模型都在那里完成制造；整个团队相信，到今年年底就能让通用型半人形机器人进入人类家庭执行任务，首先以beta版本上线，这个时间表甚至让她自己都感到意外。
她看人时“非常凭直觉”：在1到10分的尺度上，她通常会立刻打出8分或9分，然后花几天到几周寻找自己理解中的漏洞，写一份完整的、可能是Greylock风格的备忘录。早期单飞时，她会把备忘录发给John Lilley或Dylan Field，请他们从外部审阅。“别人是逐步爬升到确信，而我是先有确信，再倒推验证。”
Patrick进一步追问极端情况：有没有人优秀到可以不理解其所做之事就直接投资？她的回答把两者绑在了一起：“如果我不理解他们在做什么，我就无法评价他们的判断力。”如果Brett Taylor想去“挖火山或者做狗狗直播”，“我会说，当然可以，兄弟。但他不会这么做。”她现在大约2/3的时间用于投后公司，每周只看4到6家新公司；相比之下，她在上一家机构入职头几个月看过500家公司，因为“我现在更有把握分辨出来”。

6. 开源已广泛存在；下一场战斗是算力独立

她的开源立场从已经发生的事实出发：过去3年，开源模型的竞争力持续提升，主力在中国，但也包括Thinky、Poolside、等待Reflection的人、NVIDIA模型以及Mistral。前沿模型往往“太贵、太敏感或者太慢”，难以真正使用，因此能力民主化还会进一步扩散——身处实验室内部，“你根本无法想象现实世界有多么多样”。如果美国限制开源模型，只会“限制守法的美国企业……限制自己的人民”，因为对手不会遵守规则。对于中国模型可能存在类似后门的担忧，她的办法是“尽可能多地查清楚”，依靠严格测试，而不是猜测。
她“非常容易”想象出这样一个世界：美国无法在竞争中获得便宜到几乎无需计量的智能；这之所以重要，是因为“美国不可能在没有自动化的情况下重建工业基础”。风险在于，合理的失业担忧与对寻租获利的愤怒结合，最终固化成一个反资本主义阵营，拖慢能源和工业建设。因此，“我们会开始更多讨论算力独立”——包括供应链中的薄弱环节（她手里拿着TSMC马克杯）、Jacob Helberg的PacSilica等项目，以及Conviction在数据中心和机器人劳动力缺口、核能、替代芯片架构上的投资。纯粹的数据中心建设她考虑过，但尚未出手：“归根结底，我是一名技术投资人。”

7. 现场辩论、错过Suno，以及Jevons悖论之年

Conviction反复讨论的问题，是那些历史上不利于风投的市场是否已经改变。半导体“长期以来都是糟糕透顶的生意”，但加速器的规模化需求，以及买家不愿“被困在TSMC的一条产线”上的诉求，改变了风险收益比。在生物学领域，经验数据让她彻底站到了一边：针对“要么拿到biobucks、要么一无所获”的传统观点，Chai Discovery正与多家全球前10大制药公司开展深度合作，讨论中还提到一份1000万美元合同和客户采用情况。她现在坚定认为，模型可以创造并捕获价值；监管和实体世界的速度仍是约束，“但我认为治愈方案的出现速度应该大幅加快”。
Conviction这个名字本身带有抱负：在事实证明一件事成立或不成立之前，能够“暂时悬置怀疑，在完全相信中采取行动”。这种判断也受到Sigma、Notion和Rippling等公司的启发——它们“花了一段时间才开始奏效”。在风险问题上，她没有刻意逆向而行的本能，但“如果你找到了真相，而市场给它的定价是错误的，并且你能坚持持有，那么你就处在有利位置”。投资决策必须明确归属；由集体共同“拥有”一笔投资，在她看来是无稽之谈。
她坦承错过Suno，而且事实就是如此：她认识Suno的Mikey Shulman，也曾被邀请投资，“但我愚蠢地拒绝了……我不认为有那么多人想做音乐”。她得出的教训是：“我的直觉就是错了”，或者“至少有些错”，因为她低估了人们通过AI工具进行表达和创作的需求。她也不认同“最终哪一层胜出”的宏大框架：应该逐项观察实验室真正投入的重点——ChatGPT、广告、编程——并把精力放在“如果我们才走了1%的路，接下来99%的扩散要怎么发生”。
她对未来1年的希望，是Jevons悖论在现实中显现：软件工程的效率提升能够复制到各个职能部门，就像那位被投公司的营销负责人，为一个1.5人团队搭建了“一个自主运行的营销部门”。两位嘉宾都表示，借助AI后自己工作得更多而不是更少，这呼应了“Jensen的一条核心判断：所有人都会拥有更多工作”——前提是人们能够获得这些工具，并接受相应教育。

写入、改变、回忆、遗忘：MongoDB 的 Pete Johnson 谈检索如何驱动智能体表现市场概述2026年9月1日