张璐

Terafab真正要争夺的不是一座芯片厂，而是马斯克生态的算力主权。 计划把 Tesla、SpaceX、xAI 从芯片设计、制造一路整合到部署应用，终极目标是年产 1 TW AI 算力，并将 80%-90% 部署到太空。张璐把它形容为一个“巨大的跨公司的工业操作系统”，但判断落地周期和资金需求都会远超马斯克自己的预期。

太空数据中心在未来两三年并不是一笔成熟的创业押注。 宇宙辐射、芯片封装、发射、维护与故障维修都面临重大技术和成本问题；若服务地球应用还要承受 latency。张璐给出的成熟窗口是七年甚至十年。“如果都要探索在太空里建数据中心，为什么不在临近的加拿大建？”

SpaceX需要用“整个太空经济”而非火箭与 Starlink 支撑万亿美元级上市叙事。 张璐认为，轨道部署还对应马斯克更深的诉求：“他不希望有任何政府去监管他。”在太空管辖、轨道执法与月球资源归属都模糊的阶段，SpaceX既可能成为太空经济的主要支持者，也可能成为未来规则制定方。

比轨道数据中心更近的机会，是服务一个“AI native、robotics native”的太空产业。 微重力工厂可探索地球上难以形成的晶体、材料与蛋白质结构；AI还能管理卫星交通和数据交易，机器人则可从月壤提取水、氢、氧，搭建月球“加油站”。真正的空间算力需求要等这些本地应用形成规模后才成立。

当前更可投的是地面 AI infrastructure 的效率层，以及其他太空基础设施。 Interconnect、optical switch、能耗、memory、security、推理成本与系统整合都有明确瓶颈；创业公司还必须回答，是服务未来的大集群，还是自己重资产建设集群。张璐的直接结论是：“我觉得不是一个好时机，我觉得还是有点太早。”

NVIDIA正在从 GPU 公司改写为生产 token 的“AI工厂”，推理则把收入从一次性需求变成持续性现金流。 训练与推理的算力占比已从约 70%-80% 对 10%-20% 走向五五开，未来可能倒挂为 20%-30% 对 60%-70%；Jensen Huang据此预计，Blackwell 与 Vera Rubin 到 2027 年对应的数据中心收入可能超过 1 万亿美元。

Agent时代会同时抬升 CPU、GPU、LPU、NPU 等异构算力，平台控制力比单颗芯片的胜负更重要。 NVIDIA用 Vera CPU 补上工具调用、代码执行、多 Agent、强化学习与 simulation，并把 Groq 的低延迟、高吞吐推理能力纳入 Vera Rubin；即使 CPU 未必永远胜过 AMD，掌握整机、整柜和一站式采购仍是巨大的集成优势。

企业级 AI 已进入预算、部署与退出同时加速的阶段。 受监管行业更偏好私有云或本地部署的小语言模型，以兼顾准确性、隐私、延迟和成本；Fusion Fund网络中的企业最高已有 120 亿美元 AI 预算，部分不到十人的公司一年收入从零增至 2,000 万美元。金融、医疗、保险、工业与供应链是可能最快落地的方向，去年部分成立不到两年的被投公司被收购并获得 10-20 倍回报。

🔗 原始收听与视频来源： 159: 马斯克Terafab太空算力、英伟达重拾CPU|与Fusion Fund张璐聊AI算力新趋势

黄仁勋给出的核心预期是：到2027年底，Blackwell与Vera Rubin累计订单至少1万亿美元，较此前5000亿美元的口径翻倍。 这甚至高于2024年全球半导体产业6000多亿美元的总销售额，但张璐认为需求逻辑成立：训练是一次性投入，Agent推理则是持续现金流，成本占比可能从2023年的训练70%-80%，走向未来推理70%-80%——“长期的现金流，那一定是来自于推理”。

万亿预期最难跨过的不是订单，而是无法用资本即时买来的物理产能。 肖志斌判断3nm晶圆可能跟得上，CoWoS先进封装却很难说；其产能自2024年以来虽已增长约3倍，3月份美光和三星宣布HBM2量产，美光、三星和海力士也在推进HBM4E定制化方案，但生产线投资、工艺优化和验证仍需一两年。“这并不是像软件一样，你有多大的需求，可以马上产出多大的销售。”

NVIDIA的护城河已从CUDA扩展为芯片、系统、供应链、开发者与客户反馈共同构成的全栈执行力。 Vera Rubin同步推出7款已进入量产的芯片，NVL72较Blackwell推理效率提升10倍、token成本降至十分之一、token per watt提高35倍；Mark称NVIDIA内部一两个月内便从无人使用coding agent变成“百分之百都在用”，但真正难点仍是把生成的设计做成端到端最优。

Groq的LPU证明推理不会由一种芯片通吃，未来数据中心更可能是GPU、LPU、Switch与光互联组成的异构系统。 Groq用片上SRAM保存权重和KV Cache，牺牲容量与成本换取极低延迟，特别适合逐token生成的decoder和Agent；黄仁勋甚至建议数据中心预留25%空间给Groq及其他推理芯片。肖志斌的直白判断是：“GPU其实不大适合做agentic的应用。”

TPU构成真实威胁，却尚不足以推翻NVIDIA的第三方基础设施地位。 Google具备模型、芯片、互联、供电和应用的垂直优化能力，但外部客户未必能复制其内部效率；NVIDIA则依靠跨客户的软件体系、极强执行力及对TSMC、CoWoS产能的掌控守住领先。更值得关注的缺口在私有化部署、Edge AI、机器人和专用CPU/NPU，同时巨额市值也令其“被资本推崇，也会被资本裹挟”。

OpenClaw与NemoClaw把token需求推向Agent常驻运行，也把SaaS的竞争单位从软件席位改成AI劳动力。 张璐认为未来厂商可能从IT预算进入更大的劳动力预算，但她借招聘标准设想，Agent若要真正替人，需要完成岗位90%以上的工作并超过90%以上的人，目前仍有距离；缺乏模型能力且不迅速转型的SaaS风险最高。“未来的软件公司……就变成了一个劳动力输出方。”

数据中心端已经验证需求极强，但万亿收入最终取决于土地、电力、交付速度和运维可靠性。 Alex称美国新项目约90%转向behind the meter自备天然气发电，模块化建设把greenfield到上线由18-20个月压至6-9个月；与此同时memory价格上涨100%-200%，SSD、ConnectX-7、switch gear、Intel CPU和CDU水冷均开始短缺，CX7也在转向BlueField，供应链预计到2027年底仍难缓解。“Capacity是有，可是价格无法确定。”

🔗 原始收听与视频来源： E230｜1万亿收入预期背后：英伟达的巅峰与软肋

2026年的医疗AI拐点，是大型药企和医疗公司已从讨论“要不要整合”转向“一定要整合”。 礼来与英伟达宣布十亿美元级战略合作，部分医疗公司甚至设立“人工智能大学”，要求员工、管理层乃至董事会受训。这意味着AI需求正在进入组织流程与基础设施层面。

美国医疗AI最先兑现的价值，可能不是替代诊断，而是修复医生与保险、文书系统之间的资源错配。 MGH全科医生平均每周工作61.8小时，每天通常只看15至25名患者、每次约15分钟；保险拒付中仅约10%被申诉，但申诉后约80%会被推翻，显示大量损耗来自流程而非医学判断。“为什么让这样高成本的人力在做一些低价值的重复劳动？”

medical coding、medical billing与prior authorization兼具巨大市场、明确规则和低容错率，是AI最现实的切入口。 编码本质是把诊断和操作“翻译”成I10、CPT code等标准代码，错误会导致拒付、回款延迟，甚至触发upcoding欺诈风险。任务高度结构化，许多环节甚至不需要generative AI，Gen AI的增量价值主要是检查supporting documents和预测拒付风险。

HIPAA、数据控制与部署方式不是附属合规项，而是医疗AI的准入门槛和竞争壁垒。 Claude for Healthcare选择billing、coding、HIPAA云部署和连接API等基础设施；联邦计算则让六十多家医疗体系不必物理转移数据即可协作。核心排序是“合规、安全、无幻觉”先于通用模型能力，垂直小模型和本地部署因此不会轻易被大模型吞掉。

OpenAI正在同时争夺消费者入口和医院操作系统，但医院工作流的控制权仍未决。 ChatGPT Health以数据隔离、不用于训练和明确免责声明承接每周有两亿多用户提出的医疗相关问题；ChatGPT for Healthcare则希望接入EHR、自动总结病历、撰写prior authorization，并让医院开发智能体。问题在于微软的Office、Outlook等产品已嵌入医院流程，“增加一个feature”可能比OpenAI重新做系统整合更容易。

OpenEvidence证明了窄场景可以迅速形成产品优势，却也暴露出高估值、广告利益冲突与低迁移成本。 它以顶级期刊、权威指南和可追溯引用约束RAG，据称已有40%的美国医生每天使用；约1亿美元年收入对应120亿美元估值，医生端免费、收入依赖医药广告和内容推广。张璐的判断很直接：“并不觉得它是一个具有核心AI能力的公司”，真正的壁垒是内容授权与医生渗透。

AI可以成为医疗分层和资源均衡工具，但节目坚持“human in the loop，医生才是主体”。 对普通感冒、检查结果、急救提示和就医分流，AI可能提供“靠谱的第一步”，偏远地区尤其受益；复杂疾病仍涉及个体差异、未知biomarker、责任归属与治疗取舍。HealthBench中O3得分60%、高难模式最高32%，比选择题高分更接近真实坐诊，也更清楚地显示能力边界。

医疗AI大概率不会赢家通吃：巨头更适合底层平台，创业公司仍可凭垂直数据、定制能力和信任关系取胜。 医疗数据分散在医院、药企和器械公司手中，客户也未必愿意把全部风险绑定给一家科技巨头；与此同时，To C机会正从“有病再治”延伸到持续监测、preventive health和quality of life。市场需求真实且持续，但谁付费仍是关键变量，免费替代品会持续压制消费者订阅。

🔗 原始收听与视频来源： E227｜美国医疗市场AI争夺战：巨头押注，创业公司能赢吗？

企业AI在2025年越过了“要不要做”的决策门槛，但预算并未自动流向最贵、最强的通用模型。 董事会的问题已经从 yes or no 变成“How and how much”，垂直小模型、本地化微调与“鸡尾酒”组合因成本、隐私和监管需求获得共识。张璐指出，覆盖美国GDP逾50%的金融、医疗、保险等服务业，拥有大量垂直AI Agent的落地机会。

DeepSeek把模型竞争从“四五家大厂垄断”改写成开源模型与新实验室仍能制造变量。 徐皞指出，Kimi等中国模型同样能以较小代价做出不错结果，美国也有不少企业开始使用这些开源模型；Thinking Machines、SSI等New Lab显示核心研究可能发生在大厂之外。“DeepSeek只是一个开端”，但2026年是否出现GPT-3、GPT-4级别的huge moment，仍“太早”下结论。

Scaling Law没有死亡，争议已经转向谁能负担、以及如何通过系统工程兑现。 GPT-5的平淡一度让市场认为预训练撞墙，Gemini随后又让预训练重新受到重视；徐皞认为数据清洗、比例配置、domain knowledge、集群互联和容错都远未穷尽，若未来回看仍有“十倍的空间”，完全可以想象。张璐的修正是：Scaling Law仍成立，却不再是唯一道路，也会越来越成为只有少数玩家能够负担的方向。

Meta的投资判断卡在一个真正的分歧：它该补基础模型，还是先把模型能力变成用户体验。 主持人提到，Meta据说以约20亿至30亿美元收购Manus，谈判只用了十多天。张璐认为Manus团队的执行、产品和数据能力很强，但质疑Meta为何在更需要模型能力时收购应用公司；徐皞则认为Meta完全可以调用OpenAI或Anthropic的API，2027年再补模型也来得及。

OpenAI若在2026年IPO，十亿级用户和用户惯性让它拥有很大的故事与潜力，但成本、利润率和留存仍决定估值能否站住。 它推进了营利架构及与微软的安排，但张璐称Gemini训练成本可能不到OpenAI的30%，YC新一批创业公司也更多调用Gemini API，盈利路径仍不清楚。徐皞的判断是OpenAI“主要还是一个故事”：没有哪项业务已铁板钉钉，却又“每一件事情都让我感觉到有很大的潜力”。

Anthropic是企业API和AI coding中更聚焦的赢家，但嘉宾明确否认它已经建立护城河。 徐皞认为，财富500强、1000强企业中只使用OpenAI的已经很少，Anthropic即使尚未完全超越，也已在超越的路上；张璐认为Claude Code及其安全、To B定位可能继续获得受监管行业的预算。问题在于用户迁移成本依然低，“今天这个AI时代没有哪个公司真正有护城河”，IPO还要同时回答高增长与成本优化。

2026年更可兑现的应用机会可能在垂直Agent，瓶颈不在Demo而在接近“全对”的行业精度。 张璐举例称，保险、供应链等领域已有公司从早期阶段快速增长至数千万、甚至上亿美元收入，也看好医疗和太空科技；徐皞则提醒，行业客户不是接受90%或99%正确，而是希望系统“全对”。这迫使创业公司围绕专有数据、微调、平台和工作流进行大量domain-specific建设，为通用模型难以直接覆盖的细分市场留下空间。

🔗 原始收听与视频来源： 新年直播1：AI的2025与2026，技术领域的共识与非共识

DeepSeek 让上半年的关注点从“闭源模型领先”转向更加重视开源生态，张璐因此把英伟达股价急跌后的判断定为利好。 更简单的架构、不依赖最先进 GPU 的训练路径，会扩大 AI 应用；资本市场短期给出相反反馈，但她看到的是创新正从单纯的 corporate driven 更趋向 community driven。

主持人将 AI Agent 概括为继 PC、互联网之后的通用平台；张璐强调，真正的 Agent 必须能处理复杂任务、自主决策并自行选择工具。 Cursor、Windsurf 等 coding agent 依赖 Claude、GPT、Gemini，Claude Code 等模型原厂产品因此可能压缩其护城河；OpenAI 曾拟以30亿美元收购 Windsurf。主持人认为，Google 以约24亿美元换取团队、技术授权和 know-how，说明大厂眼里“钱不值钱，最值钱的是时间”。

OpenAI 被张璐列为今年挑战最大的 AI 公司：公共 C 端数据接近用尽，下一步需要高质量行业数据，却又必须在 to B 市场与微软正面竞争。 微软短期仍受协议和 Azure 绑定约束，但已接入 Mistral、Cohere 等模型、强化自研，并可能让 Copilot 动态调用多模型；她将这概括为主动准备“去 OpenAI 化”。

Google 的 AI 技术和全栈成本结构可能被市场低估，Meta 与苹果面对的却分别是生态缺口和产品缺席。 Google 拥有 TPU、模型、云、infra 与应用，却必须决定何时革掉搜索广告这头“现金奶牛”；Meta 用现金、算力和人才“买时间”，张璐长期看好但不认为其能在年底前追上，苹果则仍有一个正在缩短的硬件入口窗口。

人才战争夺的不是普通工程执行力，而是能在未知中定义模型架构和产品路径的“大脑”，这类人可能总共不超过几千名。 市场流传的单人1亿美元报价、Mira Murati 公司首轮20亿美元融资、Ilya Sutskever 公司以50亿美元估值融资10亿美元，都体现了稀缺溢价；但张璐担心首轮估值已透支回报，因为“并不是说我们会出现好多个万亿级别的公司”。

AI 提高资本效率，也迫使大型 VC 从单一风险投资机构变成多产品金融机构。 过去企业从零做到两三百万美元收入可能要三至五年，如今一年可到几千万美元；后续融资需求可能由数亿美元降至数千万美元，大基金因而借 RIA、母基金和其他资产管理产品扩大部署范围。

并购已先于 IPO 成为创投流动性的主要修复工具，但人才型交易未必让投资人分享全部价值。 Fusion Fund 上半年有4家公司退出，其中3家是开源生态的重要贡献者；正常战略收购能让资金和人才快速循环，人才型收购却常把大部分对价优先给团队，Windsurf 式交易给 VC 的回报可能相对有限。

美股 IPO 尚不能称为重新打开，真正跑出收入的机会更多集中于垂直 to B、医疗和工业 AI。 一季度硅谷约20多家拟上市企业基本暂停，CoreWeave、Circle 的表现仍只是少数样本；与此同时，美国医疗占 GDP 约20%，人类数据中30%以上与医疗相关、被利用的却不到5%，这类“数据金矿”与工业、太空自动化才是张璐所说 AI“金铲子”的深层价值。

🔗 原始收听与视频来源： 年中盘点2025硅谷科技大事件 | 对谈Fusion Fund张璐：社区驱动创新，人才争夺，VC转型，美股IPO形势

Agent融资已进入百亿美元估值与巨头抢人的阶段，但价格更多反映战略稀缺性，不等于创业公司的壁垒已经坐实。 Cursor母公司Anysphere融资9亿美元、估值近100亿美元；谷歌以24亿美元吸纳Windsurf核心团队，Cognition AI再接洽剩余团队；Thinking Machines Lab融资20亿美元、估值120亿美元。周炜的提醒是，全球资金挤向少数优质资产，“钱都不是钱了”，巨头既会自研，也会高价并购。

Agent热潮来自模型、开源生态进步和端到端产品开始落地，而不只是概念突然出现。 张璐把Agent定义为能自主决策、处理复杂多步骤任务，并在工具库与垂类知识库支持下端到端完成工作；过去半年，传统行业即使只有Excel和Email也能被接入。她强调开源模型降低了垂类微调和小模型创新门槛，周炜则认为行业终于从讨论底层技术转向“做一个真正让用户能实现最终目标的Agent”。

AI Coding最危险的错觉，是把先发优势当成长期护城河。 Claude既是Cursor的底层引擎之一，又用Claude Code直接与其竞争；张璐观察到研究型开发者中有“百分之七八十”在用Claude Code，一些独角兽公司也从Cursor或Windsurf迁移。Cursor的UI/UX、上下文联动和已有集成能制造migration cost，但周炜判断，大模型“一晚上的训练”就可能补齐能力，没有独有数据和真正技术壁垒时，“该卖就卖了”。张璐还将AI Coding定义为偏to C，而Fusion Fund主要关注直接销售给企业的to B机会。

垂类to B Agent的可投性来自高价值工作流，而不是行业名称听起来有多大。 张璐举例，沃尔玛一年约发行600亿美元商业票据；一家不到7人的被投企业把原本依赖人工和银行的流程自动化，一周生成60亿美元票据，收费比例仅“0.01到0.02”，仍对应可观业务。其投资逻辑是找到高频、重要、重复而无聊的流程，因为“很多垂类，它是一个比较巨大的市场”。

高监管行业的技术路线不是承诺零幻觉，而是把错误率压进可控范围，并让成本、隐私和部署方式同时成立。 张璐看重大语言模型与reinforcement learning结合：LLM负责理解、分析和表达，强化学习补上决策、驱动、学习与记忆；重复任务还可复用已验证答案，而非每次重新生成。她强烈偏好垂类小模型，因为其推理、训练和耗能更低，并可本地部署；一款规模表述为“不到一个亿、10亿这样的token规模”的模型甚至能在Raspberry Pi运行，表现被描述为与GPT-4类似。

通用Agent技术上可能成立，创业公司的经济账和竞争账却更难成立。 它必须调用GPT-4、Claude、Gemini等强模型，覆盖跨行业任务又推高推理成本；若“人工智能劳动力的成本比人力劳动力还要高”，企业就缺乏采用理由。更致命的是，底座模型公司也会亲自做通用Agent；周炜仍愿意下注，因为“没有梦想那跟咸鱼有什么区别”，但直言成功希望“非常渺茫”。

更扎实的投资壁垒，包括多层业务流程、非公开数据和明确付费价值。 周炜用《黑客帝国》的章鱼机器比喻：General AI可快速突破外层，行业know-how、细流程和私有数据则迫使巨头“一层一层突破”；这类公司未必达到100亿美元，却可能形成一批10亿美元级企业。美国企业只要看到商业价值就愿意付费，中国客户则更容易压价并给用量收费设cap，因此中国团队往往需要从创立之初就面向全球。

to C下一轮可能不是又一个通用聊天入口，而是用本地记忆和情感关系制造真正的转换成本。 周炜看好本地部署、持续训练的伴侣机器人：云端模型“每个模型各领风骚100天”，用户随时切换。泓君设想，若每月29美元订阅中断就让专属AI忘掉共同经历，情感连接可能反而形成付费动力。周炜判断AI native一代爱上机器人会变得普遍，跨越恐怖谷的拟真人产品“两年内”可能出现；与此同时，本轮高价并购也意味着创业公司不必只押终局，中途退出本身就是可接受路径。

🔗 原始收听与视频来源： E200｜投资人视角深聊：AI Agent的核心壁垒与投资逻辑

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。

🔗 原始收听与视频来源： 100: 硅谷怎么看 DeepSeek ？与 Fusion Fund 张璐聊开源、Agent和“除了AI”