# 100: 硅谷怎么看 DeepSeek ？与 Fusion Fund 张璐聊开源、Agent和“除了AI” 晚点聊 LateTalk · 2025-01-29 在《晚点聊》第100期中，程曼祺与Fusion Fund创始合伙人张璐讨论了DeepSeek开源推理模型R1引发的硅谷热议，张璐称其出圈是开源生态的胜利，并相信开源更有利于初创企业。张璐强调，R1以约557万美元训练成本（仅计算GPU hours）在多项基准上比肩甚至超越o1，其跳过监督微调、直接进行无监督强化学习的创新，也证明Scaling Law仍有巨大空间。她认为这类降低AI训练和部署成本的开源成果，会促使更多行业采用大模型，长期提升AI用量与算力需求，因此并非利空英伟达；对于Meta，短期虽有公关压力，但作为美国AI开源生态的主要玩家，将长期受益于开源繁荣。谈及Agent，张璐试用了OpenAI的Operator，指出它目前速度慢且会编造信息，但前景美好；她认为美国B端客户更看重准确性和专业度，所以垂直领域智能体在医疗、金融、保险、太空科技都大有可为，同时她也提到Agent可能带来隐私问题，但年轻人更愿意向AI倾诉。除AI外，张璐介绍硅谷还关注Tech Bio（科技与生物）和太空科技，Fusion Fund已投资SpaceX，并看好AI与这些领域的结合，她还提到SpaceX周边形成了数百家太空科技初创生态。 ## Questions this episode answers ### 硅谷怎么看 DeepSeek 的爆火？ 张璐说，硅谷本周对 DeepSeek 的讨论非常多；她认为最大意义是开源生态的胜利，R1 做到了无监督强化学习，免除大量标注数据，让模型自我探索反思，让美国看到中国模型的底层架构创新。 [3:35](https://latetalk.podhood.com/f8720c8e-e761-4f15-845f-7169d8577303?t=215000) ### DeepSeek 会利空英伟达吗？ 张璐认为，这离做空英伟达还差得很远，不会做空英伟达；反而因 DeepSeek 会看到人工智能市场的增速继续加速。DeepSeek 降低训练和推理成本，会促进更多公司把 AI 带到各行业，长期提升算力需求。 [17:43](https://latetalk.podhood.com/f8720c8e-e761-4f15-845f-7169d8577303?t=1063000) ### 推理模型会带来哪些 Agent 应用机会？ 张璐试用了 OpenAI 的 Operator，觉得速度较慢、会编造信息，但前景美好。她认为垂直行业 AI Agent 应用已涌现，医疗、金融、保险、太空科技等有海量高质量数据的行业机会大。 [40:23](https://latetalk.podhood.com/f8720c8e-e761-4f15-845f-7169d8577303?t=2423000) ### 除了 AI，硅谷科技投资还在关注什么？ 张璐提到，除 AI 外硅谷关注两个热点：一是 Tech Bio，科技与生命科学结合，聚焦提升生命质量；二是太空科技，未来 3 年到 5 年火箭和卫星发射成本会大幅降低，SpaceX 周围已形成几百家公司的生态。 [1:06:24](https://latetalk.podhood.com/f8720c8e-e761-4f15-845f-7169d8577303?t=3984000) ## Key moments - **[0:00] 开场** - [1:38] 2025年1月27日当晚英伟达股价大跌超17%，市值蒸发超5000亿美元 - **[2:51] DeepSeek热议** - [3:35] 达沃斯峰会上，Scale AI创始人Alex公开提到DeepSeek，张璐称各领域领袖都在问中美模型比较 - [4:13] OpenAI和Anthropic的人去年年中已在关注DeepSeek，张璐称NeurIPS会议时讨论更多 - **[5:50] R1惊喜** - [6:02] DeepSeek出圈是开源生态的胜利，张璐认为开源正在追上、甚至超越闭源 - [8:04] R1做到完全无监督强化学习、免除大量标注数据，张璐认为这让Scaling Law还能继续提升 - [9:45] 企业客户对AI第一反应是ROI，张璐认为DeepSeek的成本降低打开了大规模商业化可能 - **[12:27] 开源生态** - [12:27] Q: 开源模型能追上闭源吗？张璐：一直相信开源，开源生态多样性强、尤其利好初创企业 - [15:30] DeepSeek是第一家让美国AI圈看到中国公司做底层架构创新的公司——张璐 - [16:46] AMD宣布DeepSeek用MI300X做推理，但张璐认为不是利空英伟达，反而会提升算力需求 - **[17:29] 算力英伟达** - [18:56] “我不觉得这是一个做空或者利空英伟达的信号。”——张璐 - [20:49] Meta员工段子引发讨论，张璐：DeepSeek的557万美元只算GPU成本，未含前期研发和工资 - [23:06] DeepSeek 557万美元训练费只算了GPU hours，张璐称开源生态里更多是拿现成模型做fine-tune - **[25:29] 闭源竞争** - [26:08] Q: 开源与闭源差距是否被低估？张璐：OpenAI、Anthropic、Gemini都在快速迭代，更担心技术被大公司垄断 - [28:09] X.ai拥有Tesla和SpaceX的3D产业数据，张璐认为这是其他公司难拿到的优势 - [29:26] 张璐透露：某头部AI公司内部70%-80%的代码已由自研AI编程工具生成 - [30:32] ChatGPT更准、Claude写作更强、Gemini也很好，张璐称闭源模型差距不再悬殊 - [33:26] 张璐：中英文语系差异可能让模型产生不同思维和诗意输出，文化数据会塑造不同性格 - **[34:36] AI方向** - [34:45] 张璐预测2025年AI三大方向：垂直小模型、AI进入边缘设备、架构创新 - [36:28] 张璐：已有公司让AI模型在Raspberry Pi上运行，表现与GPT-4相当（去年下半年） - [39:15] 新架构让AI模型在CPU上比GPU更高效，张璐称这不是替代英伟达而是生态多样性 - **[40:08] Agent应用** - [40:56] 张璐试用OpenAI Operator：速度慢、会编造信息，但她认为前景非常美好 - [43:38] Sam Altman说Operator将向Plus会员开放，张璐提醒他对时间线的承诺要打折听 - [45:25] 张璐：B端客户不会接受通用Operator，更想要专业、精准的垂直行业AI产品 - [46:50] Q: Operator与传统RPA的本质区别是什么？张璐：是交互方式，chat即可发任务，无需复杂集成 - **[49:28] 行业与隐私** - [49:37] 张璐：垂直行业AI Agent已大量涌现，她们投了做推理和基础设施优化的公司 - [51:11] 张璐：医疗数据占美国数据30%却只用了5%，医疗、金融、保险、太空是Agent最佳落地行业 - [53:45] Q: 王小川做AI医生可行吗？张璐：AI Agent辅助医生是短期可预见的未来 - [54:27] 张璐：心理健康咨询里人们更愿向AI倾诉而非心理医生，年轻人尤其明显 - **[56:16] 中美投资** - [57:25] Q: 中美AI投资差异在哪？张璐：美国巨头搭生态，受监管行业更愿意和初创公司合作 - [1:00:05] 张璐：一家20人to B公司一年收入从0涨到2000万美元，融资款一半都没用到 - [1:03:04] 张璐：硅谷创投每周都有新东西出来，幸福感高但压力大，现在是很好的创业时代 - [1:05:13] 硅谷创投核心在斯坦福门口的University Avenue，张璐称半小时车程覆盖Google、Facebook、英伟达 - **[1:06:18] AI之外** - [1:06:24] 张璐：除AI外硅谷热点是Tech Bio和太空科技，长寿的定义从活更久转向提升生命质量 - [1:08:13] 张璐预测3-5年内送人进太空成本降至5万-10万美元，卫星发射1万-2万美元 - [1:10:36] Q: 美国创新中心还在硅谷吗？张璐：核心仍在硅谷，但波士顿、纽约、奥斯汀、洛杉矶都在崛起 - [1:11:22] 张璐：洛杉矶山火未太多影响太空科技生态，SpaceX工业区离火区远、创业公司多远程办公 - [1:12:14] 张璐：美国科技创新由私营资本主导，特朗普加速电站审批是因为科技公司需要电 - **[1:13:23] 展望** - [1:13:40] 张璐预测2025年充满变数，不确定性是唯一确定的事；需保护创新生态不被大企业垄断 ## Speakers - **曼祺** (host) - **张璐** (guest) ## Topics AI模型团队动态, 模型自进化 ## Mentioned AMD (company), Anthropic (company), DeepSeek (company), Fusion Fund (company), Meta (company), Microsoft (company), NVIDIA (company), OpenAI (company), Otter.ai (company), Salesforce (company), SpaceX (company), Subtle Medical (company), X.AI (company), Computer Use (product), Operator (product) ## Transcript ### 开场 **曼祺** [0:04] 欢迎收听本期的 《 晚点聊 》， 今天的主播是曼祺 。 这个 1 月即将到来的农历春节也没有丝毫减速 ， 模型竞赛 DeepSeek 发布开源推理模型 R1，以相对低的成本在一些 Benchmark 上比肩甚至超越了 o1 的表现 ，在全球掀起了广泛的讨论 。 这期节目 ， 我们邀请了 2015 年于硅谷成立的 Fusion Fund 的创始合伙人张璐 ， 来和我们一起聊聊当前美国科技圈和硅谷的语境中对 DeepSeek 等中国模型的讨论 。 我们也延展聊了 o1 还有 DeepSeek R1 等推理模型打开的 Agent，也就是智能体的应用空间 ，以及在美国的科技投资视野中， 除了 AI， 大家还在关注什么 。Fusion Fund 曾投资 SpaceX、AI 音频公司 Otter 的 AI， 还有 AI 与医疗结合的公司 Subtle Medical 等 。在 AI 领域 ，他们重点投资美国本土的 to B AI 公司 。 张璐认为 DeepSeek 的出圈和影响力是开源生态的胜利 ，而开源的繁荣更有利于初创企业 。 张璐也谈了她对 DeepSeek 利空英伟达和 GPU 算力需求 ，以及 Meta 等美国大公司感受到的压力 。 她的观察是 ： 长线看 ，DeepSeek 这类大幅降低 AI 模型训练 、 部署成本和使用成本的开源成果 ， 会促进更多其他公司把 AI 大模型带到各行各业 ， 长期会带来 AI 用量和算力需求的提升 ， 所以这对算力需求并不是一个利空 。 对 Meta 这样大力投入开源的大型科技公司 ， 张璐认为 ，他们的一些贡献和整个开源社区的进展 ， 本身是 R1 这类成果出现的条件之一 。 同时 Meta 作为美国 AI 开源生态的主要玩家之一 ，也将长期受益于开源的繁荣 。 我们聊这期节目时是 2025 年的 1 月 27 日上午 ， 当时还没有发生英伟达的股价大跌 ， 这次波动的幅度超出了一些人的预期 ，但也许并不影响长期的趋势判断 。 下面就正式进入本期节目吧 。 今天我们很高兴邀请到了 Fusion Fund 的创始合伙人张璐 ， 来录制我们的节目 。 你可以和我们的听友打个招呼 。 **张璐** [2:06] 好的 ， 谢谢曼祺 。 大家好 ， 很高兴参与到今天的讨论 。 **曼祺** [2:09] 我可以再补充介绍一下， 就是张璐她作为科技投资人， 自己是有技术背景和创业经历的 。 她之前是毕业于斯坦福大学的材料科学工程学院 ， 然后在斯坦福期间她有创立一个医疗器械公司 ， 后来是被收购 。 从 2015 年开始 ， 张璐创立了 Fusion Fund，他们是在硅谷去做投资 ， 重点是关注医疗 、 企业级 AI、 工业自动化和太空科技领域 。 所以这一次我觉得也是一个很难得的机会 ， 可以请张璐来跟我们聊一聊 ， 就是在硅谷在美国感受到的一些前沿科技投资的动向 ， 包括大家现在最关注的 AI 技术变革 。 同时我们也会聊一聊 ， 就是说除了 AI 之外， 现在在美国的科技投资的热点还有什么 。 **张璐** [2:50] 好的 ， 没问题 。 ### DeepSeek热议 **曼祺** [2:51] 我想就是先从最近这一个多月非常热闹的这个大模型的更新还有竞争开始聊 。 我觉得正好也是可以两边就是来对一对 ， 大家的感觉是否一样 。 就比如说最近这段时间在中国讨论最多的一家公司 ， 就是 DeepSeek， 那它其实既不是之前像字节 、 腾讯这一类大的科技巨头 ，也不是 2023 年之后形成的中国大模型的六小虎 ， 它是之前比较神秘的公司 ， 然后在杭州 。 最近它我觉得在国内特别火的一个原因也是因为墙里开花墙外香 ， 就是大家发现好像在国外大家对 DeepSeek， 特别是美国的技术社区 ， 对 DeepSeek 的关注是非常高的 。 也是想问一下就是您自己的感觉是怎样的了 。 **张璐** [3:35] 对 ，是的 ， 尤其过去这一周时间吧 ， 对 DeepSeek 的讨论也非常多 。 我其实上周是在达沃斯 ，在达沃斯的时候呢 ，其实你们可能也看到了 ， 当时也有人采访 ， 我记得是 Scale AI 的创始人 Alex， 接受采访的时候还提到了 DeepSeek 这家公司 。 那我在达沃斯参与各种讨论的时候 ，是不是也会聊到硅谷人工智能模型等等 ，也会有几个 ， 甚至说是非科技圈的 ，因为达沃斯有汇聚了各个领域的这些 leader 们会问到我 ， 说现在中美模型的一个比较啊 ， 还有包括听说到这家公司 。 所以确实我觉得 DeepSeek 这次是也是代表中国的模型公司 ， 可能是在国际的整个科技领域获得很广泛的一个认知度和一个关注度 。 那在硅谷这边的话呢 ，其实啊 ， 比如说像我们这边 ， 我记得我去年年中吧 ， 都不是说年底的时候 ，因为年底的时候 Newrops 的 conference 当时已经有很多人开始讨论 DeepSeek 了 。在那个之前啊 ，其实跟一些 OpenAI 和 Anthropic 的朋友聊到 ， 当时他们已经有提到 ，他们也在关注 DeepSeek 在做的方向 。其实我觉得主要还是因为大家在整个开源的生态里面的话 ， 信息沟通交互还是啊比较 高效的 ， 尤其是对于一些新的模型的这个 architecture 基础架构层面上的一些新的探索 ， 大家都会比较关注 。 但那个时候我觉得 OpenAI、Anthropic 在谈到 DeepSeek 的话呢 ，并没有特别多的一个感受 ， 会觉得说啊 ，他们可能会比我们做得更好 ， 或说会做出来的模型各方面的向量会更加的优化 。 到去年年底的时候 ， 这方面的关注度会更多 。 那最近这一段时间 ， 尤其过去这一周 ， 确实它新发布的 R1 是给大家的一个很大的惊喜 。其实我觉得在美国这边也有很多的讨论 ， 无论是在业内 ， 甚至说在 Twitter 上你会看到很多讨论 ， 包括像过去这一周 ， 虽然我在 Davos， 我在群里面 ，因为我们自己有一个 Fusion Fund 的内部讨论的一个群 ， 我的几个合伙人， 尤其是做人工 智能相关的 ， 我有一个合伙人以前是最早 Yahoo 的搜索引擎 ，他参与的团队 ， 当时陆琪也在 Yahoo 的时候 ，他们就有共事过 。 那他呢 ， 就一直在群里在问我说你对这个公司了解多少啊 ， 你认不认识他们的创始人 ，因为觉得我是华人嘛 ， 然后我也在跟他聊 ， 我们在群里 ， 甚至包括过去这两天其实也都在讨论它的优势在哪里 ， 然后包括它的这个训练 reasoning 等等。 所以我觉得还是确实是引起了大家的很多的关注和一个惊喜 ，是今年模型领域 ， 说是说去年到今年的一个黑马 。 ### R1惊喜 **曼祺** [5:50] 具体来说 ， 您和您周围的硅谷投资人和 AI 创业者朋友们 ， 大家看到的惊喜是哪些了 ？ 或者说大家会怎么理解 DeepSeek 这类公司的异军突起 ？ **张璐** [6:02] 这个公司做得非常的优秀 ，但是最大的是一个开源生态的胜利 。其实整体的开源平台 ， 至少在美元美国的整个开源生态 ， 我觉得大家的信息交互还是比较及时的 ， 甚至说不需要说点对点的去信息交互 ， 整个大的开源生态它就是一个大生态 。 我记得大概去年 3 月份的时候 ， 我在斯坦福的一个活动上， 我们一直是非常支持开源生态 ， 非常 bullish， 就觉得这个生态其实还是有很大的潜能的 。 所以在过去的这一段时间 ， 或者说过去的这几个星期吧 ， 可能对大家比较兴奋的一点是觉得 DeepSeek 也代表了其实开源是在啊超越闭源 ， 甚至说赶得上闭源 ， 甚至会超越闭源的一个发展速度 。 那开源的发展速度可能会让大家看到说整个一个大的生态合作的可能性 ， 它不是一个区域的局部性的可能性 ， 甚至包括像 DeepSeek 这样的 ，其实是在远在中国的团队 ，也可以在开源生态做出非常大的一个贡献 。 所以我觉得开源彼此的支持还是比较重要的 ， 包括当然 DeepSeek 有很多创新的地方 ，但它也一定是站在了很多前沿的一些其他的开源生态 ， 包括说闭源生态 ， 它提供各种各样的一个模型 ， 还有包括各种各样的架构 。 有些人可能是给它试出来了 ， 让它觉得可以去探索的方向 ， 还有一些可能是让它看到了说 ， 哎 ，有些方向可能我就不要去试了 ， 我要不要去探索一些新的架构 ， 怎么样通过这样的一个新的架构的搭设去达到成本降低的一个可能性 。 **曼祺** [7:20] 对 ， 就是他们这个公司是这个创始人可能本人自己出来的比较少 ， 就大家对这个人的了解可能比较少 ，但实际上包括之前 DeepSeek V2 还有 V3， 它也都是开源的嘛 ， 它们每一代模型都是开源的 。 最开始 V2 在技术社区有一些反响 ，也是因为它的这个当时开源的技术报告写得非常细 ， 它可以把一些中间过程的实验结果也释放得很充分 。其实这个对很多研究者来说 ， 大家是会觉得我很佩服你的这个做法 ， 所以他们整个做法还是挺开放的 。 你刚说到那点 ， 我也想到就是 Meta 的杨乐坤 ，他最近也是发了一个推特 ， 对 ，他就是说其实我们要把这个 DeepSeek 这件事理解成开源的模型在超过一些闭源的系统 。 **张璐** [8:04] 对对对对 ， 另外其实我觉得还是就是说对于 reinforcement learning， 你说其实 reinforcement learning 也不是一个新的东西 ， 都这么久了 ， 那现在可以做到完全是无监督的 unsupervised 的这个 reinforcement learning，而且很重要的一点是 ， 这个相当于对于整个 Scaling Law 也是一个好的消息 ， 就是说它可以免除大量的这种标注过程的一个数据 ， 尤其是 R1， 让模型去进行自我探索 ， 自我的探索 ， 自我的思考 ， 自我的反思 ， 这 个其实是让人大家非常非常惊喜的 。 因为之前其实业内所有人 ，其实包括 DeepMind 的人都觉得啊 ， 过程的这个标注是必须要做到的 ， 才可以去达成这样的一个结果 ， 才可以去实现自发的这样一种 chain of thought。 但是现在相当于发现 ， 哎 ， 说没有标注 ， 没有过程数据的标注啊 ， 无监督的 reinforcement learning 啊 ，也可以做到 。 我觉得这个是让大家非常惊喜的一点 。 因为现在也有很多人就觉得说啊 ， 这个是不是证明 Scaling Law 或怎么样 ， 我说不是啊 ， 这个其实反而是对 Scaling Law 的一个非常大的提升啊 ， 它对于 Scaling Law 的一个进一步的提升和支持 ， 包括我们在还是在继续在 Scaling Law 这个方法层面上， 这个大的方向上， 如果我们去啊应用更多的算力 ， 就可以把模型能力再提高一个数量级 。 我觉得这个是对整个产业 ，不管是开源闭源 ， 非常大的一个启发和推进 。其实我觉得大家最关注的就是 ， 它可以真的是做到了无监督的啊 reinforcement learning， 然后免除了大量的一个标注过程的数据 。 我觉得这两点是大家比较意外的 。 当然还有很多人关注的是说它这个成本嘛 ， 确实成本的降低 ， 它是一个结果 ， 达成了这样的一个结果 ， 让大家觉得非常惊喜 。 包括你看有些人可能因为他们也是开源 ， 说实话 ， 开源生态在美国这边 ， 包括我们投的很多公司 ，他们在开源生态的贡献也很大 ，也会非常详细的把自己的这个所有的细节都去分享出去 。 所以这个可能倒没有让大家在这边觉得说多么难得 ，但就像你讲的 ， 可能之前中国的模型公司或者开源的模型公司没有分享得这么详细的 。 包括在过去这一段时间 ， 大家也会看到 OpenAI 现在我们都看一下是 close AI， 对吧 ， 它也不会去开源 。Mistral 本来是开源的 ， 现在也不开源了 。 包括像 DeepMind 它这个 AlphaFold，AlphaFold 3， 它最后也没有去开源 ，也没有很多细节去分享出来 。 所以在这样的一个大厂逐渐逐渐啊 ，在收紧他们信息分享的这个过程中， 可能 DeepSeek 出现了 ， 它又做了很多新的东西 ， 它又把这个新的东西非常详细的分享出来啊 ，也会让大家会很尊敬这个公司的形式方法和对开源生态的贡献 。 开源它本身就是一个互相支持的过程 ， 你很难去讲说啊 ， 我对这个开源生态的贡献绝对是别人无法比拟的 。 我觉得大家是一起贡献了这个生态的发展啊 ， 所以我觉得这点也是啊 ，DeepSeek 可能是让整个开源生态看到了中国企业家 、 中国创业者的啊 ， 一个非常大的对于生态的认可度吧 ， 还有说行动的一个一致性啊 。 当然这个成本的降低 ， 我觉得也是非常好的 ， 这个本身也是对于啊整个未来人工智能的产业应用 ， 还有包括垂直领域应用的一个很大的啊助力 。 因为大家其实现在担心担忧最大的 ，其实还是人工智能的成本问题 ， 包括我在达沃斯 ， 包括我们投的项目 ， 基本上做的都是 to B 的应用 。 那这个时候所有的客户 ， 你去跟这些大的公司去讲说做人工智能的植入 ，他们第一反应并不是说你的模型是不是最好的 ， 或者是模型是不是最准确 ， 它就是一个词 ROI， 你的 ROI 怎么样 ，return of investment， 你的成本有多少 ， 我需要用多少的算力 ， 多少的耗电量 ， 然后包括在这个基础之上， 怎么样可以让我的回报和我的投入是成一个正比的 。 我觉得这个也是可能让大家看到 DeepSeek 啊 ， 可以把成本降到这么多 ， 打开了大家更好的啊未来大规模商业化的一个可能性啊 。 现在我看有很多 ，其实用户已经开始用去蒸馏它这个模型 ， 把它做小嘛 ， 基本上做出来跟 o1 它的表现差不多的模型的成本可以非常低啊 。 这个也是我觉得让大家可以快速的看到开源的生态的价值 。 我记得是 Perplexity CEO 其实讲过嘛 ，他提过一句说历史告诉我们 ， 一旦开源追上， 甚至超越闭源软件的话 ， 开发者就会转向开源 。 那现在其实已经让大家看到这个可能性 ， 所以很多的开发者也会继续涌入到开源生态里 。 **曼祺** [12:27] 所以您自己是一直比较相信在大模型这个技术上 ，其实开源是很有可能会追上闭源的是吗 ？ 因为这事可能在前两年我觉得还是有一些争议的 。 ### 开源生态 **张璐** [12:38] 对 ， 我们从一开始像我强调去年 3 月份的公开演讲 ， 我当时就提到了 ， 我说我们非常 bullish， 我们非常啊有信心 ，也很相信开源生态的一个发展的可能性 。 二来其实那个时候还是有一个整体的大的理念是在于 ， 当然这个也有我们自己投资的偏好性相关 ，因为我们不投 to C， 我们投的所有的企业都是 to B 的企业型应用的这样的一个人工智能公司 。 所以它势必其实要发展的方向不是一个大模型 ， 更多的是垂直领域小模型 。 那怎么样在垂直领域小模型的基础之上提升模型的一个效能 ， 然后包括模型的准确率 ，但是又是在啊模型的规模相对来讲比较小的情况下， 那开源生态的好处是它的多样性比较大 ， 你可以在它看到各种各样不同的架构 ， 还有包括 inference 层面上的一个创新去帮助它优化 ， 让它这 个垂直领域小模型可以做得更好 。 所以这个可能跟我们投资的偏好和属性也会有一些相关啊 。 但是你说我那个时候是不是很笃定很快就能追上， 我那时候可能也没有一个具体的时间线 。 另外的话呢 ， 还是要讲说那开源生态对谁是最有利的 ， 一定还是对初创企业是最有利的 。 那闭源的话呢 ， 它一定是对于大企业是最有利的 。 所以我们作为一个早期的科技投资人投资机构 ， 那当然也从私心的角度希望开源生态可以发展得更好 。 你也能看到说包括这些蓬勃发展的初创企业的生态 ， 对于开源生态的一个支持和需要 。 **曼祺** [14:01] 就是您刚才讲的几个点 ， 包括这个开源 ， 包括这次 R1 的技术报告里提到的它技术上的一些改进 ， 它没有做监督微调 ，是直接从零开始强化学习 ， 还有它成本上的这个亮点之外， 我觉得这些都是呃专业人士可能会关注的点啊 。 就你周围的一些其他领域的朋友 ， 或者说你比较直观的一些体验上， 你最近有感到就是大家对这个中国模型的一些讨论的变化吗 ？ 因为我注意到其实在这个 APP Store 上， 就美区的 APP Store 上， 现在 DeepSeek 的下载排名还挺高的 ， 它在免费纵搒的话 ， 我今天早上看的时候已经是第一了 ， 我昨天晚上看是第四啊 ， 它今天又上升了几名 ， 已经超过 ChatGPT 了 。 **张璐** [14:42] 对 ， 我觉得其实对于很多 ， 包括你看它下载量大 ， 一来是说它允许用户去进行 ， 它它是开源的嘛 ， 所以的话你也可以去进行蒸馏小模型啊 ， 自己它的灵活度就比较高 。 另外还有一点的话呢 ， 就是它确实它的这个整个成本 ， 它它无论是它公布的数据 ， 还是说大家看到它本身的这个训练成本 ， 还有包括 reasoning 的成本 ，其实很多人讨论是说它的模型训练成本很低 ，其实它做 reasoning 推理的成本也很低 ， 这个就非常适合啊初创企业 ， 包括小企业 ， 它毕竟拥有的资源有限 ， 无论是做训练 ， 还有说做 reasoning 推理层面上需要 的啊 ， 能拿到的资源都比较有限 ， 无论从资金层面上， 还是说从啊算力层面上 。 所以呢 ， 它也是一个比较啊比较优异的一个选择 。 那我觉得啊 DeepSeek 会不会是改变大家对于中国模型的讨论呢 ？ 我觉得可能会带来一些讨论 ，但我觉得可能 DeepSeek 还是和其他的一些中国的模型公司走的路径不太一样 。 当然我可能对中国其他模型公司也没有那么的熟悉 ，但我觉得 DeepSeek 可能是一家 ， 可能是第一家让美国的这边的模型公司 ， 还有初创企业 ， 甚至说整个 AI 圈看到说哦 ，其实中国的这些人工智能公司模型公司也在做一些底层的啊 architecture 这个构架的创新的探索 。 因为大家也知道啊 ， 就是中国的企业家其实这个执行能力很强 ， 包括美国这边只要出现了啊新的 API 啊 ， 包括 Llama 3 出来之后， 这边有很多快速的这个基础之上去做应用 ， 那大家可能会有一个概念是觉得说 ， 哎 ， 很多从 0 到 1 的创新在美国这边发生之后的话呢 ， 中国那边会很快的落地应用的一些搭建 。 但是我觉得 DeepSeek 其实反而是说它更多的 ， 它并没有去关注一些 commercialization 说商业化的一些角度的探索 ， 它更多的还是一个相对偏底层架构的一个创新方向的一个探索 。 当然它在工程领域有很多的啊 ， 就是 engineering 层面上也有很多的好的创新 ，但我觉得这一点可能是让它和别的一些中国的模型公司区别开的一个原因之一 。 另外的话呢 ， 可能它最近因为也受到很多讨论 ， 就是昨天吧 ， 我记得 AMD 也做了一个对它的一个背书吧 ， 就是宣布说其实 DeepSeek 这个模型是在用他们的啊 ，他们自己的这个最强的 AI 芯片之一啊 ， 就是 300X 在进行大模型的推理 ，其实是做 reasoning 那方面的训练 。 所以我觉得从啊这些 ， 从它这个角度来讲的话呢 ， 你像 AMD 和英伟达现在在竞争过程中 ，在 AI 这个赛道里面确实还是处于劣势 ， 包括很多的这个模型对于 CUDA system 基基本上是绑定的 。 所以我觉得啊 DeepSeek 和 AMD 的这个合作 ， 可能也会帮它带来一些从大厂层面上的一些关注度 。 **曼祺** [17:29] 对 ， 昨天其实就是有不是很关注 AI 的朋友来问我说 ， 为什么大家现在都在讨论 DeepSeek，以及为什么这件事会去做空英伟达 。 ### 算力英伟达 **曼祺** [17:38] 就是比较关注股票的一些朋友啊 ，他可能之前不是那么关注 AI 模型这一层 。 **张璐** [17:43] 嗯 ， 我觉得这个离做空英伟达还差得很远 ， 这个不会做空英伟达 。其实我觉得反而因为 DeepSeek， 大家要看到说整个人工智能的市场的增速会继续加速 。 那为什么其实很简单的道理 ， 那人工智能其实从这个概念到 ChatGPT 到现在也两年了 ， 我们下一步要推进的 ， 或者说要去期待的是大规模的人工智能垂直领域的应用 ， 大产业的一个铺设 ，不只是在科技行业 ， 包括一些传统行业 ， 所有具有海量的高质量数据的行业 ，其实人工智能的应用植入现在都是一个很好的时机 。 那现在最大的一个挑战就是我们讲到的成本问题 ， 那 DeepSeek 其实给大家提供了一种可能性 ， 成本可以有指数级的降低 ，而且它只是一个开始 。 那除了 DeepSeek 之外的 ， 还有很多其他的开源模型也在发展 ， 包括 Llama 这边的团队 ，他们也在继续的去探索低成本 ， 包括我们投的一些项目 ，他们也有很好的一个新的一些技术方向 。 我们前一段有一家公司也是和 AMD 合作 ， 它也可以马上将啊模型的规模降低至少 4 倍 ， 然后的话效率提升 2.5 倍 ， 相当于整个成本降低 10 倍 。 所以有很多这种新的开源模型的出现 ， 会让大家看到在相对更短的时间之内 ， 人工智能有可能以更低的成本 、 更低的价格进行大规模的产业应用 。 那这个时候对于 GPU 的需求当然就会更高了 。 所以我不觉得这是一个做空或者利空英伟达的信号 ， 这反而是说能让大家看到可能全产业人工智能带来的数字化转型啊 ， 它可能时间点会更加提前 ， 会有更大的快速迭代的可能性 。 **曼祺** [19:16] 对 ， 现在大家在这个上面建立一个联系 ， 我觉得它是一个比较简单的数字关系 ，因为就是按照 DeepSeek 的披露 ，他们训练他们之前有一个模型叫 V3，是用了 2048 张 H800， 然后那个效果就是在一些 Benchmark 上的效果是超越 Llama 的 3.1 的 ， 然后 Meta 训练 Llama 3.1 是用了 16000 张 H100。 对 ， 所以大家就会觉得哦 ， 这个数字很悬殊 。 但是你刚才说的那点我觉得很重要 ， 就是你正是因为可能在它某一个性能差不多的模型上， 我的成本变得更便宜了 ， 我其实打开了更多的产业的空间 ， 然后 AI 是可以渗透到更多行业的 。 **张璐** [19:55] 嗯 ，是的 。 **曼祺** [19:56] 我说到这个成本 ， 我最近看到一个段子 ， 我想求证一下， 我不知道这个在美国大家讨不讨论这个事儿 ， 就是说啊 Meta 有一个员工在应该是美国的一个职场社区网站叫 TeamBlind 上发了一个帖子 。 嗯 ， 然后说就是这个 DeepSeek V3 之后，Meta 内部也有一些压力 ，因为他们发现这个 V3 的训练费用可能比 Meta 的这个部门的很多高管的年薪还要低 。 **张璐** [20:19] 哈哈哈 。 **曼祺** [20:20] 嗯 ， 我不知道实际上那边大家会讨论这这些事情吗 ？ **张璐** [20:23] 我我不知道这个段子是真是假 ，因为我也没有去去关注你说的这个平台 。 但是我觉得怎么说呢 ， 对 ， 就像我提到的 ， 刚才他们也啊公布了他们训练的这个价格是 500 多万 ，但是它这个训练的价格它也没有包含 ， 比如说它前期的投入 ， 还有前期的研发 ， 就相当于是说啊 ， 比如说你要炒一道菜 ， 那你到底是只算说你炒菜时加的这些原 材料和包括什么加的这些调味品的成本呢 ？ 还是说你要算进去你有有一个厨房 ， 你要搭买这些锅碗瓢盆 ， 然后把这个菜炒出来 ， 这两个成本的计算还是不一样的 。 所以我觉得这是第一点 。 第二点的话呢 ， 啊其实怎么说呢 ， 我觉得在成本层面上的考量确实也是人工智能模型发展方向现在可能最主要的一个话题之一 。 那你说 Meta 会不会有压力 ？ 它一定会有压力 ，因为在整个开源生态里面 ， 一直 Llama 的架构是 Llama 整个这个结构和架构是大家公认会用的比较多的 ， 甚至说我们简单一点想 ， 经常说你要是要要去利用开源生态的这个模型去建一些应用的话 ， 大家可能会选择哎 ， 优先先去啊 copy 一下 Llama 的一个结构去做 ， 对吧 ？ 所以呢 ， 现在相当于他们也希望说 Llama 3 之后的话 ，Llama 4 啊可以去啊不仅是让成为大家开源里面关注的最好的一个开源模型之一 ，其实 Llama 也一直是希望 Meta 也是一直希望自己的开源模型可以去匹配 ， 甚至超越闭源模型的一个表现 。 所以我觉得 DeepSeek 其实帮助 Llama 探索到了一个新的一个模型结构的一个方向 。 所以对于 Llama 来讲 ，其实整体内部产品发展是利好的 。 但是你说从一个大科技公司前期这么多投入 ，有这么大的一个体量 ， 那它从品牌的啊公关层面角度讲 ， 可能会面临一些小小的挑战 ， 就觉得说哎 ， 为什么一个小的公司可能做比你这个大的公司做得更好 。 所以我觉得是有一个实际层面上的好处和可能另外一个不是实际的技术发展层面 ， 更多是一个大公司 ， 我们讲 perception 产品的对外的一个认知价值层面上的一个考量 。 所以我觉得从啊从这个角度来看的话呢 ， 对于 Meta 长线也是一个好消息 ， 只是说现在大家可能就会直接去拿它去比较嘛 ，因为它毕竟是做开源的生态里面啊唯一一家大的科技公司 ，而且它一直以来也是希望自己可以作为开源生态领头羊的这样的一个位置出现的 。 但它这样做的目的也是为了自己去和谷歌他们这些做闭源模型的大公司科技公司进行一个区别啊 ， 来打出自己的一个优越性 。 另外的话 ， 你也是鼓励更多的开发者去在开源生态层面上利用他们 Llama 的一个结构 。 **曼祺** [23:06] 嗯 ， 你刚才还有一点我觉得挺好的 ， 就是说 DeepSeek 说的这个 557 万美元的训练的费用 ，其实它这个报告里写了它只算了 GPU hours 的成本 ， 它并没有算前期的研发 ， 它有些 idea 可能也是从开源社区获得的 ， 然后它也没有算这些人的工资 ， 它算的就是 GPU 的这么一个成本 。 **张璐** [23:26] 对对对 ，其实开源生态里面你会发现各种各样的小模型也非常多啊 ，其实当然 Llama 的这个架构是大家会觉得说比较成熟的 ， 相对来说可以去用的 。 我们也经常讲说很有意思的一点 ， 你会发现开源生态里面有两类这种模型的架构 ， 一类的话呢 ，是你觉得像 Llama 这种架构比较成熟的 ， 你拿来之后大概自己在上面再啊再加一点东西 ， 做一点 fine tuning， 你就可以啊直接可以用了 。 另一方面的话呢 ，其实相当于是有点像半成品菜 ， 可能一个不再恰当的比较 ， 就是相当于是一个预制菜 ， 还是说是一个外卖的 ， 对 ， 相当于是一个预制菜的感觉 ， 你来了之后自己还要再做剩下的 20% 或 30%。 但是 fine tuning 之后的话呢 ， 你会发现这个模型它啊相对可控的部分比较大 ， 然后呢和你要建的这个应用的这个灵活度也比较大 。 所以啊开源生态里面其实可用的模型还是比较多的 ， 我们其实现在投的很多 ， 包括过去几年投的很多生成式 AI 驱动的垂直领域的人工智能模型 ， 我们没有投什么公司 ， 它需要从头自己去训练模型的 ， 基本上都是啊利用开源的模型 ， 或者也会叫一些要调用一些 API， 然后在这个基础之上就像鸡尾酒一样 ，在层面上再去做自己的优化 ， 做自己的 fine tuning， 然 后用自己的一个我们叫 data library， 它自己的专属的行业高质量的行业专属数据库去进行啊优化模型训练 ， 然后在不停的训练啊不停的这个啊调整过程中形成一个垂直领域的应用 ， 然后这个产品再去进行销售 。 所以它基本上的一个特点就是我刚才提到的模型的规模都比较小 ， 都是小模型 ， 垂直领域小模型 ， 所以它的成本相对来讲也比较低啊 。 所以说实话 ， 从我们的角度来看的话呢 ， 很多人会讨论说 DeepSeek 它的成本降低 ， 还有模型的规模等等 ， 我们可能之前就会比较相信在未来整个行业可能会有一个大的趋势 ， 就是垂直领域小模型的发展 ，而这个垂直领域小模型它也会让整个产业应用 AI 的成本会大规模降低 。 ### 闭源竞争 **曼祺** [25:29] 接下来也想聊一下在硅谷大家对闭源模型的一些观察和看法 。其实一方面我们可以看到就是现在中国这些公司 ， 或者说在全球吧 ，有很多这种模型的进展 ，但另一方面其实大家更新的这个方向 ， 它还是在 OpenAI 这个 O 系列 ，也就是 o1、o3 开启的这么一个方向上 ，也就是推理模型 。其实 OpenAI 它还是一个闭源的系统 ， 然后也有人猜测说 OpenAI 其实有更多更厉害的东西 ， 它还没有 放出来 。 大家是不是会高估了开源大模型和闭源模型的接近程度 ， 低估了它们之间的实际技术差距 。 **张璐** [26:08] 不仅是 OpenAI， 包括 Anthropic， 包括 Gemini 啊 ，其实现在发展速度是非常非常快的啊 。 所以我觉得为什么大家现在这次会对这个消息这么兴奋的一点 ，也是因为其实会对担忧 ， 会有很多担忧啊 ， 会不会未来人工智能的发展 ， 包括这个基础模型的迭代的话 ， 会被这几家大的科技公司去控制 。 因为毕竟他们无论是从资源 ， 还有包括算力 ， 还有包括整个人才层面上是有绝对的优势的 。 那开源生态其实是就像我提到的 ， 它是对整个创新生态 ， 尤其初创企业创新生态更加有帮助 ， 更加有支持的一个生态啊 。 所以 DeepSeek 这次我觉得引起这么大的关注 ， 可能跟这个啊整个大的环境也会相关 。 那现在 OpenAI 确实是一个行业的 Benchmark， 就像你提到的 ， 大家都会去跟它对齐 ， 说它发布的 o1 怎么样啊 ， 我们的表现跟它表现如何 ，但其实其他的公司追赶的速度也非常快 。 像比如说 Anthropic，其实现在它在 to B 领域的发力是很强的 ， 你可能也会看到一些行业的数据 ， 包括它收入的增长 ， 还有包括它现在整个啊在行业的一个影响力 。其实你知道这个也是一个相互成就的一个过程 ，因为比如说 Anthropic 它可以拿到更多的企业级订单 ，也就意味着它可以拿到更多的行业的数据 。 你要知道 OpenAI 你也知道它的这个网络爬虫非常厉害 ， 它会去爬到很多的 public 的这些 C 端的数据去进行自己的数据训练 ， 包括现在很很多讨论就是用合成数据嘛 ，synthetic data 来去训练带来的一些啊问题和挑战 ，也有很多的前一段 NeurIPS 的也有文章在去讲 ， 谷歌也在去讲 。 但是你想 ， 如果你 C 端的数据已经用得差不多了 ， 那下一步怎么样可以拿到更多样的 、 更高质量的数据去训练呢 ？ 其实 B 端的数据数据也很关键 。 那 Anthropic 其实在这个领域层面上， 它可能拿到的 B 端的数据量以及它的行业的多样性会越来越越来越好 。 那对于 Anthropic 它模型的发展也是一个非常大的啊优势 。 那除此之外的话呢 ， 还有另外一家其实大家也讨论比较多 ， 就 X.ai。X.ai 是马斯克的旗下的公司 ， 那 X.ai 它一方面是说它本身聚集的人才质量 ， 它核心的这个三神的团队确实啊实力都很强 。 更重要的你也想想它可以拿到的数据资源 ， 它拿到数据资源不仅仅是说数据的高质量 ， 你想它拿到的数据的一个特点 ， 我们经常讲语言模型 ， 语言模型 ， 那可能 language model 它核心用来训练的很多数据 ， 它其实还是 2D 的 。 但是你想 X.ai 它其实可以拿到的数据有什么 ？ 特斯拉整个不仅是汽车相关的这个数据 ， 还有包括整个特斯拉工业工厂的数据 ， 这个工业工厂的数据可以升级到这个 3D 的工厂 ， 它内部的生产调度 supply chain 供应链啊自动化的所有的一个数据 。 那还有另外还有一个什么数据 ？SpaceX 相关的数据 ， 依赖 SpaceX 有很巨大的卫星工厂 ， 自己的火箭的一个基基础啊的一些相关的数据 。 更重要的是还有很多卫星数据 ，Starlink 收集来所有的卫星数据 ，有 2D 有 3D， 所以它有海量的高质量的 3D 的产业数据 ， 这个数据可能是其他公司也很难拿到的 。 所以你从这个角度去想的话呢 ， 确实有很多东西我们可能不知道 ，因为他们还没有发布 ，但是它内部迭代的速度是非常非常惊人的 。 包括像前一段我就不讲哪家公司了 ， 刚才我们提到的这些公司里面 ，其中有一家它的这个其中一个创始成员跟我关系很好 ，他说他们内部用自己做了一个人工智能啊编程的工具 ， 相当于人工智能写代码 ， 基本上内部现在百分之七八十的代码都用人工智能来写 ， 所以也就导致他们的团队的效能提升的速度很快啊 。 所以你可以看到他们内部其实不仅是在做模型 ， 它也在自己的模型基础之上去各做各种各样的应用 ，而这些应用它是没有推出市场让第三方去使用的 。 它第一步做的是我做出来的应用是服务内部的 ， 进行我内部大规模的效能提升 。 **曼祺** [30:06] 对 ， 所以所以就是一方面就他们内部可能有一些进展 ， 外面不知道 ， 然后另一方面确实就是像您刚才说的 Anthropic 最近这一年它的企业级市场的市场份额 ， 包括整个技术社区对它的认可 ， 我觉得也是在提升的 。 它好像跟之前 OpenAI 一家独大一骑绝尘的那个局面也不太一样 ， 就哪怕是这些闭源的公司之间 ，他们好像也没有之前说的差距那么悬殊了 。 **张璐** [30:32] 对 ，是的是的 ， 包括你看 Gemini 的发布 ，其实 Gemini 的产品也非常好啊 。 所以的话 ， 我觉得其实这几家甚至说像我一个合伙人， 它很有意思 ， 它会用它会用 Gemini， 会用 Claude，也会用 ChatGPT， 它会跟我讲说哎 ， 就觉得说 ChatGPT 在这个层面上用起来的话准确率比较高哎 ，但我在写作风格上， 它自己也是写作能力很强啊 ，以前也做过一段 journalist， 所以它很有意思 ， 虽然是写技术的 ， 它说哎 ， 说但是我觉得比如说 Claude 这个写作的水平更高 ， 就写出来感觉更好 ， 是一个更高水平的一个写作 。 所以你会发现它各家都有自己的一个优势啊 ，在这个过程中也会能看到说它背后无论是它的啊整个模型架构的可能说它体现出不同优势 ， 还有包括它训练数据的一个区别性 。其实包括像 ChatGPT 现在其实还是有一个问题 ， 就是它的一个准确性的问题嘛 ， 这跟它的训练数据也是很相关的 。 **曼祺** [31:28] 说到这个写作风格 ， 我昨天不是给你转了一个小红书的帖子吗 ？ 但是我我不知道你能不能看这个小红书的帖子里面的内容 ， 反正大家现在在小红书上对 DeepSeek 一个比较多的讨论 ，也是有的时候你问它一些问题 ， 它会突然给你输出非常诗意或者非常科幻文学的那种表达啊 ， 不同模型的输出性格现在确实也都是不太一样 。 **张璐** [31:50] 对 ， 这个其实我刚才啊 ， 我是今天我们聊聊之前的话 ， 我才看到那个图片嘛 ， 然后我看你给我截图的几个 ， 我觉得很有意思 ，其实我之前没有从这个角度想过 。 而且你想想啊 ， 更有意思的一点是 DeepSeek 它的这个过程 ， 就像我们提到它是 unsupervised reinforcement learning， 它是无监督的这个强化学习 ， 那所以相当于你让模型自己去进行探索 ， 自己去进行自我发现 ， 自我反思 ， 然后它这样的一个啊思考的过程形成的答案是这个样子的 。 所以很有意思啊 ， 就像你讲的 ， 它确实也代表了一种性格 ， 或者说可能不同的架构确实会让它最后探索出来的一个沟通交流方式也不一样 。 **曼祺** [32:34] 对 ， 比如说它回答问题的时候会说 ， 每次你输入文字时， 我的大脑就是这个模型的大脑 ， 会瞬间点亮一片庞大的数据星云空间 。 哈哈 ， 我就感觉它这个表达怎么想出来的 ， 就就挺有意思的啊 。 **张璐** [32:50] 对 ， 我当然还有一个非常不成熟的想法啊 ， 就是我其实之前因为毕竟在美国的话 ， 你想这边所有的训练数据其实大部分还是以英文主体为主 ，但实际上啊 ， 我觉得 DeepSeek 的作为一个中国的公司 ， 甚至说一些公司 ， 它其实在去训练的时候可能也会用中文 ， 然后英文同时去训练 。 那你是本身是做记者 ， 你也知道 ，其实文字语言这个东西 ， 它其实体现的是背后的一个思维逻辑 ， 甚至文化的一个不同 ， 对吧 ？ 那在这个层面上 ，是不是可以通过不同的语言的训练数据带给模型不同的一个训练结果 ， 我觉得也是很有意思 ， 很有可能的 。 我前一段跟朋友正好讨论一个话题 ， 很有意思 ， 就是说比如说我们就从啊基本的数据来讲 ，以美国为例 ， 那在美国的历史课本里 ， 它去讲美国当时的独立战争 ， 它的描述的方法和英国的教材里去讲当时美国的独立战争应该是有很大的不同的 。 那其实是同样的一个事实 ，但是是完全不一样的 ， 哪怕都是英文体系的一个对事件的一个描述 ， 那用不一样的这个信息去训练的这个模型 ， 那同样问一个问题说 ， 那美国独立战争当时的诱因是什么 ，是不是也会打出得到一个相对不一样的答案 ？ 这还是简单的一个文化语境 ， 历史不一样的背景 。 那如果是不一样的语言呢 ？ 那英文语系是一个语系 ， 那中文语系是一个语系 ， 我觉得也会很有意思 ， 甚至说你想中文语系和英文语系有它自己的特点 ， 那种语言会更简洁 ， 那种语言会像你说的有诗意 ， 会有很很多的这个指代的意象 ， 我觉得也也是可以值得讨论的 。 当然这是我一个自己比较不成熟的想法 ， 我觉得在后面如果我们见到更多的公司 ， 它去用不同的类型的数据去训练 ， 得到更多像你给我发的图片里面这样不同的反馈结构 ， 说不定我们可以找到一些相关性 。 **曼祺** [34:36] 您觉得就是 2025 年全球的这个 AI 技术升级啊 ， 就是模型的这个升级中， 有什么你期待的方向和可能的新的动向啊 ？ ### AI方向 **张璐** [34:45] 嗯嗯 ， 当然从最现实的角度 ， 就是跟我投资息息相关的话 ， 我当然非常关注 ， 就是更多的小模型的发现 ， 就是垂直领域小模型 ， 模型的规模越来越小 ， 然后越来越灵活 ， 越来越机动 。 因为一方面是我提到的 ， 我投的很多企业都是做 to B 的 ， 那做 to B 的话 ， 一方面是垂直领域小模型 ， 它是一个从商业角度 、 成本角度一个很明确的要求 ； 二来的话呢 ， 我是非常相信人工智能的未来有一个很大的方向 ， 叫 AI on the edge devices， 就人工智能在边缘设备上的铺设和应用 。 那现在可能大家想到的边缘设备 ， 第一反应就是我们的手机 ， 那手机它是一个有很强运算能力的边缘设备 ，但是我们有其他的 ， 比如说像你的话筒 ， 你戴的耳机 ， 你的台灯 ， 这些都是一个啊边缘设备 。 那怎么样 ， 这些设备未来可以搭载人工智能模型 ， 变成一个智能的人工智能的啊和人去对接的一个接口啊 ， 这个其实是未来发展的一个大的方向 。 那不止我这样想 ，其实像美国的一些大的科技公司啊 ， 高通啊 ， 博通啊 ， 还有包括惠普这些公司 ，他们其实都在探索怎么样可以让自己的产品 ， 包括一些啊比较大规模出现在产业里面的一个边缘的设备 ， 可以有能力去搭载人工智能模型 ， 包括我们提到的一些工厂的应用啊 ， 供应链啊 ， 制造生产的应用 。 那工厂里面有很多的传感器 ， 那这个传感器是不是可以搭载人工智能模型 ？ 但你再想 ， 那一个小小的传感器 ， 它的运算能力能有多大 ？ 它的耗电量也是很有限的 ， 它能够去调度到的电量也是很有限的 。 那你如果你在这个上面要去运行人工智能模型 ， 那前提这个人工智能模型就要啊又小又好用 。 所以我们在这个方向上很期待有新的技术和架构出来 ， 我们也有很多自己的公司在这方面的成长速度也很快 。 我们之前有家公司 ， 它的最小的模型是做到了一个 Billion Token 以下 ，而且它的表现当时是啊 ， 就可以相当于在把这个模型在 Raspberry Pi 上运行 。 如果说大家啊用过 Raspberry Pi， 就知道它的其实啊算力 ， 还有包括的这个能耗是非常有限的 ， 可以在上面运行一个人工智能模型 。 它当时的表现和啊 GPT-4 是比较相当的 ， 这是在去年下半年的时候 ，他们出的一个啊新的一个模型的技术产品 。 所以我觉得这个方向还是可以持续的去期待 ， 我们也希望可以有更多的技术期待 ， 可以去真的是加速人工智能在就 AI on the edge device， 人工智能在边缘设备 ，在边缘端的一个铺设 。 这个时候就可以真正实现我们说不只是你在手机上或电脑上使用人工智能 ，在各种各样的设备层面上都有一个智能的 AI， 包括 AI 的 Agent 的一个铺设 。 所以这个方向是我相对来说比较啊期待的 ，也而且现在发展的速度也比较快 。 而且这个方向还有很重要的一个考量呢 ， 就是我们现在对于人工智能有成本之外， 还有另外两点比较大的担忧 ， 一个是它的延迟性 ， 你也不希望啊 ， 包括你可能用一些产品也会发现还是有些延迟性 。 那如果说在边缘端的话呢 ， 相当于它的反馈速度会更快 。 另外还有一个很重要一点 ， 就是数据隐私 ，其实现在在人工智能时代 ， 确实数据隐私的担忧会越来越大 。 那如果所有的东西都要传到云端去进行啊处理返还的话呢 ， 这个一来中间会有一个啊延迟 ， 二来的话呢会有更多的耗电量 。 还有更重要的一点的话 ， 数据隐私不一定会得到保障 ，但如果说你所有的敏感信息 ， 比如说我跟你面对面在聊天 ， 那我们所对话的这些内容都进入到这个话筒里 ，但话筒当地处理 ， 当地给你反馈信息 ， 这样它在数据的安全性层面上的话 ， 保证性就会更强 。 所以你想一些像比较敏感的金融领域啊 ， 比如说像保险啊 ， 还有包括像医疗领域 ， 它可能也会更愿意在这个大前提之下去使用人工智能的技术 。 所以我觉得这是一个大方向 。 另一个的话呢 ，其实就像 DeepSeek 给大家带来的一个讨论一样 ， 那 Attention 的架构已经这么多年了 ， 很多人也没有去动它 ， 那 DeepSeek 它相当于做了一个调整 ， 哎 ， 发现可以获得更好的结果 。 所以我在去年一直在啊各种场合会讲的一点是 ， 我们才刚刚开始 ， 虽然大家现在觉得人工智能已经整个领域发展热火朝天 ，但是在对于很多模型架构层面上， 我们还才刚刚开始 ，有很多新的模型架构也在涌现出来 ， 包括 DeepSeek 是其中的一个例子 。 另外的话呢 ， 我们其实也有看到一些新的算法模型架构 ， 比如说有一个我们看到的 ， 我不能提名字 ，但是他们的这样的一个新的架构 ， 可以让它这个 AI 模型在 CPU 上运行的效率比在 GPU 上更高 。 这个其实也是非常有意思的一个方向 ，因为现在大家刚才不是讨论到英伟达吗 ？ 大家觉得哎 ， 所有的人工智能都要去用 GPU 的芯片 ， 才可以去进行应用的和铺设 。 那如果出现新的算法模型 ， 它是可以在它新的架构可以在 CPU 上运行的 ， 比 GPU 上更高效的话 ， 那 CPU 的厂商 ， 它的供货量 ， 还有包括它的啊整体的产业里面的影响力 ， 可能会跟以前也不太一样 。 它不是一个简单的替代 ， 它不会形成一个替代 ， 它是更多的是一个多样性 。 所以我觉得这也是开源生态它最大的价值一点 ， 就开源生态会让我们看到更多的多样性 ， 开源生态会有更多的激发 。 你会看到大家不只是局限在一种架构里去进行探索 ， 会有更多的信息交互 ， 互相配合 ， 互相支持啊 ， 涌现很多新的架构 ， 新的算法模型 ， 同时带来更多新的产业的 AI 应用的可能性 。 **曼祺** [40:08] 对 ， 你刚说这三个都挺好 ， 一个是行业更小的垂直模型 ， 服务各行业 ， 还有一个是 AI 在边缘设备上的应用 ， 还有一个是架构上的更新 。 ### Agent应用 **曼祺** [40:16] 对 ， 正好这个我觉得接下来一 part 也是想聊一聊 ， 就是在模型升级之后 ，其实最后大家肯定还是期待你带来一些应用上的变化嘛 。 然后目前大家比较多去做的这个推理模型 ， 它的一个很重要的意义 ，其实就是让之前设想很久的智能体的应用 ，Agent 的应用 ， 它会有更多的可能性 。 那 OpenAI 也是刚刚发了他们的一个新的应用 ， 叫 Operator， 这个有点像之前 Anthropic 发的这个 Computer Use， 这个我们接下来想聊聊 ， 就是这些模型变化可能带来的一些应用 。 你也可以讲讲 ， 就是你们已经投的一些企业 ， 或者说你们见过的一些企业 ，他们有些什么常识 。 您自己用过那个 Operator 或者这个 Computer Use 了吗 ？ **张璐** [40:56] 啊 ， 我没有用过 Computer Use，Computer Use 好像是只有 API 吧 ， 所以我们没有用过 。 对 ， 然后 Operator 我试了一下， 我个人的感觉是它绝对像你说的 ， 它又多了一层 。 它其实核心就是说它可以帮你去做事情 ，不只是单纯的说一问一答 ， 你说我要订一个机票 ， 它会再去调用怎么样去探索啊 ， 查这个机票 ， 然后再去确认等等等等 ， 或者说你要去啊做一个什么样的其他的一个指令 。 但是我觉得从一来是说速度层面上还是比较慢的 ， 比如说它简单查询的一个东西 ， 你会发现它其实比如说你会能看到它调度 ， 比如说它去用 Bing 啊 ， 去搜索啊怎么样 ， 那个速度就很慢 ， 然后你就觉得自己要查一下， 可能两秒就搞完了 ， 它可能慢慢的挪过去 ， 像一个老太太 。 哈哈 ， 另外其实还是有一个问题 ， 就是它会编造一些信息 ， 编编造一些数据 ， 那有些你可能能看出来 ，有些可能看不出来 。 呃 ， 这个可能也是它早期存在的一个问题 ，但我觉得前景还是非常啊非常美好的 ，因为也不只是 OpenAI，其实现在包括大公司在 AI Agent 上聊的比较多的就是 Salesforce，Salesforce 也一直是在推说他们未来在 AI Agent 上面的布局等等。 这次其实像 Mark Benioff 在 Davos 我们也有碰到 ，他们也一直在聊这个事情 ， 所以我觉得它是一个大的产业发展方向 。 那 AI Agent 的在各种各样行业的垂直的应用 ， 跟我刚才提到的行业应用垂直领域的这种小模型 ， 它其实是相辅相成的 ， 所以有很多好的机会 。 但只是说我们现在可能还是要探讨一点比较清晰的认知到技术的边界 ， 就它现在啊 ， 它不一定能够 ， 就比如说你在一个金融公司里面 ， 你有经理 ， 你有那个分析师 ， 你有实习生 ， 那你现在觉得 AI 只能做到哪一步呢 ？ 我觉得可能就是一个非常初级的实习生的位置 ， 那可能你说它能不能做一些 analyst 的工作呢 ？ 可能现在还做不到 。 那如果说它只能做一些基础的实习生的工作 ， 那怎么样去安排啊 workflow 的 integration 等等等等啊 ， 这可能就是现在要做应用的这些公司的一个考虑 。 当然未来的希望是因为它这个希望 AI Agent 可以越来越高级 ， 到后面可以做 analyst 的工作 ， 到后面甚至可以去做一些 associate 的工作 ， 这样的话从每个经理人来讲 ， 它下面可能要管 10 个分析师 ， 现在可能管一个分析师就可以了 ， 让这一个分析师去啊应用 AI Agent 的去覆盖所有的工作量 。 **曼祺** [43:13] 现在在美国的金融公司或者投资公司里面 ， 实习生一个月的工资大概是多少 ？ **张璐** [43:19] 我觉得可能实习生的工资的话 ， 可能从 5 万到 10 万之间吧 ， 年收入 。 对对对 ，因为我在想它这个东西 ， 你怎么去就是和目前的这个订阅费来做一个比较嘛 ， 就是 OpenAI 的 Operator， 它目前只有 Pro 能用的话 ， 它的每月的订阅费就是 200 美元 ， 它还挺贵的啊 。 但是最近昨天我看 Sam Altman 发了一个推特 ，他说马上会把这个 Operator 也放到 Plus 版的会员上， 就是 Plus 也可以用 ， 那个就便宜很多 ， 那是 20 美元 。 嗯 ， 对对对 ， 这个你当然也要给它一个折扣 ，不是说折扣 ， 你要 Sam Altman 说的一些这种时间线的话 ， 可能还要稍微啊给它多延长一点啊 ， 可能没有那么快 。 **曼祺** [44:01] 呵 ，OK，他现在说话的这个风格已经被大家认定就是肯定是要打折的 ， 对吧 ？ **张璐** [44:06] 哈哈哈 ，是 ， 对 ，是 。 但是你要知道 ，他们现在确实也是有很大的压力 ，因为大公司之间的竞争 ，OpenAI 大家可能也都比较了解 ， 它现在虽然说之前是一个领头羊的位置 ，但是 Anthropic 也在追上， 再加上现在 OpenAI 大家也会看到一些新闻 ，其实他们和微软的关系也是比较敏感啊 ， 一方面说微软之前是说我要全部支持 ，但是现在包括啊这一段微软自己在人工智能层面上的投入 ， 还有和 OpenAI 在一些客户层面上的竞争 ， 再加上其实其他的一些 ， 包括说开源的发展 ，也可能会让微软再去思考到底要在 OpenAI 上面继续投入多少的资源啊 。 所以 OpenAI 现在也是处在一个啊相对比较有挑战的时刻 ，但另外一方面 ， 它确实无论是它过去这一段时间做的发布 ， 还有说它进一步的在行业的影响力 ， 确实还是在领军的位置 。 **曼祺** [44:57] 对 ，因为我觉得就我自己设想一下， 就 Operator 这个应用 ， 如果你继续放在 Pro 版 ， 就 200 美元的这个呃订阅里面 ， 那我觉得可能也不能帮 OpenAI 获得很多新增的用户 。 它有可能是本来我就买了 Pro 的人， 我可能会用一下， 对吧 ？ 就从 C 端的角度 ， 那 B 端的角度 ，因为您这边肯定接触各种企业客户是比较多的 ， 就你觉得美国的这种 B 端客户 ，他会愿意为目前的这个功能 ， 比如说我有一个每月 200 美元的这样的支出吗 ？ **张璐** [45:25] 可能性相对比较低 ，因为从 B 端客户来讲的话呢 ， 一来它对准确性和专业度的要求还是非常高的 ， 所以说你有一个 generic 的一个 AI Agent 的说啊 ， 我可以帮你做各种各样的事情 ，但是出现各种各样的无论是编造的信息或者是专业度的问题 ， 这在企业级用户层面上啊 ， 它可能还是不太能接受的 。 所以它可能更希望的是说 ， 我不需要你这个 AI Agent 的解决所有问题 ，但是 specialized 啊 ， 就是针对的明确的这个应用场景或者说应用体验 ， 我要做到很专业很精准啊 ， 那这个是不是就要去用 OpenAI 的 Operator， 还是说去用一些初创企业针对这个行业和这个应用去做的产品 ， 那他们可能就要做一个比较了 。 另一方面 ， 像我提到的像 Salesforce 的 ，他们也一直在啊跟他的客户去讲他们 AI Agent 层面上的布局 ，他本身就有很多接近客户 ， 包括 Microsoft 现在在这方面的讨论也非常多 ， 所以我觉得在 B 端市场的话呢 ，OpenAI 的 Operator 不一定占优 ， 或者说可能不一定有优势 。C 端的话可能一来是价格的问题 ， 二来就像你讲的 ， 它是不是能够帮助他们增加 C 端的用户数量 ， 可能还是一个疑 问 。其实这个 Operator 包括 Anthropic 的 Computer Use， 它很容易想到前几年火过的一个企业市场的细分赛道 ， 就是 RPA 流程自动化 ， 像这个 UiPath 这些公司就是做 RPA 的 ， 就是你觉得这个东西它实际上的区别是什么 ？ **曼祺** [46:50] 我觉得其实啊 ， 实际上的区别是在于说交互的过程是怎么样的一个交互 ， 包括其实大家为什么对 ChatGPT 它的接受度这么高 ，其实主要是因为你用这个产品的门槛很低 ， 它的门槛就是说你会不会聊天 ， 如果说你会 chat， 你就可以用它 ，Operator 也一样 ， 对吧 ？ 你只要 chat， 就相当于你有一个个人助理一样 ， 你每个人都会的一个非常简单的口头语言的沟通交流 ， 发布任务 ， 它就可以从这这里去持续执行这个任务 ， 去进行流程的一个自动化 。 但是传统的流程自动化的这些软件 ， 它还有一个叫什么 integration 的过程 ， 就是一个产品整合植入的过程 ， 它有一个使用的门槛和使用的啊技术使用植入的一个周期 ， 所以我觉得这可能是比较根本上的一个区别 。其实根本上来讲 ， 你说人工智能是一个新的概念 ， 新的技术吗 ？ 当然不是 ， 人工智能也存在这么久了 ， 我们甚至讲说刚才提到的很多次的 reinforcement learning 啊 ， 强化学习 ， 它也不是一个新的东西 。 所以之所以现在大家会突然间觉得哎 ， 接受度这么高 ， 人工智能的整个推广速度会这么快 ， 我觉得还是一个交互层面上的创新 ， 让大家看到说哎 ， 我可以有这么简单的一个交互 ， 这么低的门槛去使用人工智能工具 。 嗯 ，而它这个背后是一些技术上的变化导致的 ， 对吧 ？ 就你以前用自然语言其实你做不了这些事啊 。 对 ， 我我不知道你们投过这个 RPA 类型的公司没有啊 ， 就是你会觉得说这种新的技术出现之后， 它对已经存在的这一类公司 ， 就是它的功能上看起来跟目前的 AI 能实现的一些功能是有重叠的 ，但以前可能它实现的技术不一样 ， 就对这类公司来说 ， 它更多是一个利好 ， 还是说它有可能会被新的这些 AI 的公司给覆盖掉 ？ **张璐** [48:36] 我觉得取决于这类公司 ， 它会不会自己也非常主动的去植入人工智能技术 ， 技术去进行自动自动化 。 我们确实没有投过这类的公司 ，因为我们其实在人工智能的布局比较早 ， 我们可能 17 年开始 ， 当时就最早从 AI in healthcare， 人工智能在医疗领域的应用 ， 就会投很多公司 ， 从一些临床 clinical 的啊 ， 这些诊断治疗层面上的投入 ， 再到后面的话 ，其实也有很多 ， 比如说针对医疗系统的啊 ， 呃 ， 像医疗影像增强啊 ， 还有包括像 medical coding 啊 ， 这些用人工智能的应用 ，其实 早年都开始布局 。 再到企业级层面的话呢 ， 当时比较早 ， 像你可能听过一家公司 Otter AI，Otter.ai， 我们也是很早 19 年就投资了 ， 所以可能是因为我们在 AI 层面上布局比较早 ， 可能就没有投这个传统的流程自动化的公司 ，因为其实人工智能在应用效率上会更高 。 ### 行业与隐私 **曼祺** [49:28] 您觉得就是像 Operator 这类应用 ， 它会带来什么相关的创业的新的机会吗 ？ 包括你们有看到什么类似的项目了吗 ？ **张璐** [49:37] 垂直行业的类似于 AI Agent 的应用其实已经涌现很多了 ，不只是说现在才有 ， 可能在过去的这啊一年时间 ， 已经有很多公司在进行这方面的一个探索了 ， 这是一个特别大的方向 ， 当然也要看哪些产业比较可以进行更加快速的落地 ， 这个可能是现在大家还没有探索清楚的一点 ， 就哪些产业更适合快速 AI Agent 的一个落地 。 我们也有投公司 ，其实是做 AI Agent 的一个 inference， 包括 infrastructure 的一个优化啊 ， 怎么样帮助你 AI Agent 的这个落地和产业整合 ， 可以做得更加高效 、 简单以及低成本啊 。 所以你能看到说 ， 它也不只是一个单纯应用层面上的创新 ， 你在 infrastructure 层面上也要做好准备 。 **曼祺** [50:19] 嗯 ， 如果是在 infrastructure 层的话 ， 就是他们做的事 ，其实就是它相当于要服务很多这种做不同 Agent 的公司 ， 对吧 ？ **张璐** [50:27] 是的 ， 然后帮他们去和行业结合 。 对对对 ， 就降本 ， 降低它的成本 ， 然后降低它的这个整合的流程 ， 让它更快的把应用可以打设起来 。 **曼祺** [50:39] 呃 ，其实我觉得投这一类公司也挺有意思的 ，因为你应该能看到就是一些 Agent 的一些变化 ， 就这个平台上它能看到这种变化啊 ， 就是在你的体感里面 ，在硅谷 ，在美国 ， 什么行业对 AI， 我说指科技之外的行业啊 ， 对 AI 这个事 ， 它的接受程度是会比较好的 ， 可能是有行业 Agent 的比较大的机会的 。 **张璐** [51:00] 我觉得第一个就是医疗 ， 正好也是非常巧 ， 上周之前其实是旧金山的 JP Morgan Healthcare Conference， 每年也是在旧金山举办的 ， 全美最大的一个医疗峰会 。 那今年其实对 AI 的讨论就非常多 ，因为医疗领域很大的一个特点 ， 就是它的数据的量很大 ， 数据质量又很高 。其实我记得我看过一个数据 ，在美国的话呢 ， 我们其实现在所有的数据里面 ， 就人类社会相关数据里面 ，有 30% 是医疗相关的 ，但这 30% 相关的医疗数据里面 ， 现在可能只用到了 5%。 所以其实你想 ， 它又不是像 C 端的数据 ，有很多噪音数据 ，其实医疗数据它的质量和它的价值是非常大的 ，但是我们的应用比例又很低 。 所以现在人工智能的应用其实是给医疗数据 ， 它无论是商业化 、 变现 ，以及达到我们说医疗的未来 ，其实是医疗的个性化 ， 还有包括我们讲说是一个 quality of life， 就生命质量的一个提高 ， 都是非常重要的啊 ， 一个应用的方向 。 所以我们在这个领域看到很多对于 AI Agent 的一个讨论 ，以及垂直领域人工智能应用的一个讨论 。 另一方面的话 ， 金融也是一个非常啊 ， 呃 ， 非常啊 ， 大家讨论很多的一个领域 ， 主要也是因为跟它啊 ， 它的一个数据量 ， 还有包括就很简单我们提到的 ，其实很多的这些金融公司 ， 它也希望进行内部的流程的一个简化 ， 还有包括数据的一个多效的应用 。 那还有另外两个行业 ， 一个是保险啊 ， 保险行业是美国一个非常大的产业 ，其实也是因为它缺乏自动化的原因 ， 导致它现在更希望可以在人工智能的一个趋势层面上布局更多垂直的应用 。 而且你会发现保险行业 ， 它其实它的变化 ， 它的啊 ， 就是说它的这个变数 ， 它没有像医疗领域那么多 ，因为无论是各种各样的保险 ， 它的其实流程相对是比较标准化的 。 所以它再去应用垂直的这种人工智能应用 ， 甚至说 AI Agent 的应用的话呢 ， 它不需要有那么多的五花八门的应用场景 ， 它其实应用场景相对比较统一 。 那最后一个就是太空科技 ， 太空科技主要也是因为太空领域现在有啊 ， 大量的可能性可以去收集到海量的高质量的卫星数据 ， 这个也是未来人工智能应用的一个方向之一 。 **曼祺** [53:16] 所以总结一下就是有数据比较多 ，而且这些数据质量高 ， 价值大的一些行业 。 **张璐** [53:22] 对 ，有海量的高质量的数据的行业 ， 包括当然数据海量的高质量的数据 ， 所以同时产业也足够大 ，有多样化的应用场景 ， 这个都是一个先决条件 。 **曼祺** [53:33] 说一个题外话 ， 我前天刚去采访了王小川 ， 就他现在在国内也是在做一个大模型的创业嘛 ， 然后他们的聚焦点就是把 AI 和医疗做结合 ，他想去做这个 AI 医生 。 **张璐** [53:45] 我觉得做 AI 医生的话呢 ，不好说 ，但是你说是不是 AI Agent 可以辅助医生 ， 这绝对是可以预见的短期的一个未来 。 我们其实在这方面布局 AI in healthcare 也投了很多年了 ， 你也知道我本身在医疗领域就比较比较有自己的热情 ， 所以在过去这几年能看到很多这方面的应用落地的速度是非常快的 。 **曼祺** [54:05] 然后就是当这个 Agent 这种应用出现之后， 它不是一个简单的聊天 ， 对吧 ？ 它涉及到更多操作 ，其实它也涉及到更多用户的敏感信息 。其实刚才你也提到 ， 就是它可能会有些接下来大家对隐私的担忧 。 **张璐** [54:17] 对 。 **曼祺** [54:18] 比如说如果你你用这个 Operator 去买个机票 ， 那它可能就涉及到你的一些 ID 的信息 ， 或者是支付的登录的一些信息啊 。 **张璐** [54:27] 你知道吗 ， 你提到这个特别有意思 ， 我就是在 JP Morgan Healthcare Conference 的时候呢 ， 跟很多业内的人去聊嘛 ， 当时我是碰到一个 ，他其实是做啊 ，有点是医疗保险领域的一个人去聊 ，他跟我说了一个很有意思的数据 ，他们呢 ，其实比如说公司给员工提供了一个福利 ，是你可以啊 ， 通过线上平台啊 ， 去啊 ， 叫叫 mental health， 就心理健康吧 ， 就心理健康的咨询服务 。 如果说你有这个焦虑症啊或什么的话 ， 可以去通过线上平台要么约一个啊心理医生去聊 ， 或者说和 AI 去聊 ， 就是和 AI 去分享你啊自己有什么样的问题等等等等 ， 可能 AI 给你一个反馈啊 ， 怎么样的一些解决方案 。他说发现大部分人会选择和 AI 去分享自己的一些隐秘的信息 ，而不是去约一个心理医生去聊 。 这是一个非常非常有意思的现象 ，而且他发现尤其是在年轻的人群里面 ， 这个情况更多 ， 就年轻人他会有一种啊 ， 怎么说呢 ， 偏好 ，他会觉得他更愿意和一个人工智能去分享自己的个人的信息 ， 隐私的信息 。 当然你说这里面有没有隐私的啊信息的一个担忧 ， 确实有 ，但是从人使用的角度来讲 ， 感觉他对人工智能的这个信任值要高于对于和一个心理医生聊天的信任值 ， 或者说更愿意去打开自己 。他跟我去分享这个数据的时候 ， 我也很惊讶 ， 我说哎 ， 我没有想到 ， 可能确实是年轻一代 ，他成长的环境跟我们不一样 。 我在想像我们成长的这一代环境 ， 可能对于我们来讲 ， 智能手机 、 互联网这些东西是非常啊 ， 非常啊 ， 怎么说呢 ， 自然的 ， 天然的 ， 你不会去多想 。 那可能对于下一代成长的人来讲 ， 会不会说使用人工智能 ， 甚至说使用 AI Agent 是它更自然的一种和世界交互的方式 。 所以我觉得一定是有隐私的考量 ，但是呢 ，在用户行为上， 我觉得也会有很多的变化 。 **曼祺** [56:16] 刚刚说到这个代际的这种变化 ， 我也想到一个比较有意思的事 ， 就是其实现在有一类创业的方向 ， 就是给儿童做这种 AI 陪伴类的应用 ， 比如说 AI 宠物 、AI 玩具 。 ### 中美投资 **曼祺** [56:28] 所以可能现在确实有孩子 ，他是一出生就在和 AI 聊天 。 那接下来想聊一下中美投资 AI 的一些差别 ，因为我感觉你刚才讲的很多你们看好的方向 ， 它其实是有一点像这样的一个组合 ， 就是我基于一个开源的基座模型 ， 我再加上一些第三方的 infra 层面的服务 ， 这里面也会有一些单独的创业公司的机会 ， 然后我再加上做应用层的公司 ， 这个组合它其实代表着全 家桶啥都做 ， 我从模型到 infra 到应用都做的这种路径之外的另一种发展方式 。 那后一种路径的代表就是 OpenAI， 前一种路径在美国是不是还挺活跃的 ，因为我感觉国内的投资人其实不太愿意投第一种路线里的这些每个环节上的创业公司 ，因为大家会觉得你只做一个环节太轻了 ， 好像没有壁垒 ， 你很容易被巨头挤压 。 **张璐** [57:25] 对 ， 我觉得这可能也是两边的一个区别点吧 。 我觉得在美国这边 ， 当然你说巨头是不是很强势 ， 确实很强势 ，但是你会发现巨头聚焦的更多的还是在偏向基础模型层层面上的一个竞争 。 那在应用层面上的话呢 ， 很多巨头是愿意去搭造生态的 ， 就是希望说我搭建一个生态 ， 然后呢 ， 我让更多的初创企业在我这个生态平台上面去搭建各种各样多样化的一个应用 。 所以呢 ，其实你会看到确实有存在竞争 ，但另外一方面也有一个相对比较和谐的大的企业和初创企业的一个协同合作和战略合作 。 所以我觉得这个可能是硅谷这个创新生态比较特别的一点 。 再加上说实话 ， 就举一个简单的例子 ， 比如说你要做一些垂直领域的人工智能应用 ， 做一些 AI Agent， 比如说针对制药行业 、 针对金融行业 ， 还有包括啊保险行业 ， 这些行业有一个很大的特点 ， 它先天都是高度监管的 。 它如果一直过去这几十年都是高监管行业 ， 那它现在要应用人工智能 ， 它会更加的谨慎 。 你在这个层面上， 你说它如果和一个人工智能公司合作 ， 它势必要考虑怎么样去分享自己内部的行业数据 ， 让这家公司去给自己搭造更好的技术产品 。 它可能会对初创企业的信任度会更高一点 ， 或者说它会觉得初创企业更可控一点 。 你做的这个解决方案可能是在我当地运行的 ， 我们说 run on prime， 然后同时来讲的话呢 ，也会有更强的我对于这个数据的一个把控性 。 如果说我这个时候要去和谷歌合作 ， 那谷歌是一个大的科技公司 ， 那它的商业模式有有一部分是说实话也是在变现它所拥有的这些用户数据 ， 那我的数据是不是就会有一些啊高度的风险 ， 会被我这个合作方会去拿去 。 所以你会发现很多很有意思的 ， 你可能和技术觉得并不直接相关的点去决定了这个生态的发展 ，也就让这些初创企业有了更多的和产业的大企业合作的机会 ，而不是说所有的大企业都会去选择和微软合作 、 和谷歌合作 。 很多现在大的企业 ， 它其实在人工智能探索层面上， 它的最优选择现在反而是和多家的初创的 AI 公司去进行合作 ， 包括我们最近有家公司 ， 它是做啊垂直领域人工智能应用 ， 针对金融的一个应用 ， 金融产品的一个应用 。 它现在签了三个 500 强企业的公司 ， 订单呃基本上是到千万美金级别的 ， 这个团队只有六个人， 它是一个初创企业 。 所以其实你能够看到这边整个生态的一个多样性的 。 **曼祺** [59:54] 嗯 ， 所以这边有这种就是超级超级个人和超级公司 ， 对吧 ？ 我就是指它的人数其实非常小 ，但它可能承载了一个比较大的商业价值啊 。 **张璐** [1:00:05] 对 ， 我们还有一家公司 ，他们团队可能就 20 多个人， 一年收入从没有收入 ， 然后涨到了 2,000 万美金的收入 ，而且它也就是第一刚开始可能就花掉了几百万美金吧 ， 融的钱根本就没有用掉 ， 一半都没有用到 。 所以现在我觉得一方面是说本身这个产业发展速度很快 ， 另外一方面就是我刚才提到的各大公司 ， 它也在应用人工智能的产品 ， 或者说初创企业在也在应用人工智能的产品和我技术 ， 让自己的效能提高 。 那到底有多少需要招聘多少工程师 ？ 以前可能需要招 10 个人， 现在发现招 3 个人就可以了 。 那剩下是不是可以应用一下 GitHub 的 Copilot 来写一些代码 ， 可以降低它的开发成本 ， 提加速它的开发周期 。其实这些对于初创企业来讲都是利好的消息 。 **曼祺** [1:00:51] 嗯 ， 你刚才说的那个只有 20 多个人， 收入从 0 到 2,000 万美元 ，他们这个也是做 AI to B 的一个项目是吗 ？ **张璐** [1:00:58] 都是 to B， 我们投的所有公司都是 to B。 **曼祺** [1:01:01] 哦 ，其实这可能也是中美投资一个区别 ， 就是在硅谷的话 ， 好像 AI to B 的呃 ， 我是指这个公司持续的获得一些健康的收入 ， 好像还是相对有容易一些 ， 或者说这种公司会多一些 。 **张璐** [1:01:14] 对 ， 我觉得确实啊 ， 美国它有一个非常成熟的企业级销售的生态 ， 那大的企业它是愿意在啊一些新的技术探索 、 新的产品探索层面上和初创企业进行紧密的合作的 。 那以前可能这类合作你会发现科技领域多一些 ， 那现在的话不只是科技领域 ， 反而说科技领域现在你会发现哎 ， 谷歌或者说微软以前愿意给一些订单 ， 现在反而发现他们可能自己做的速度会更快 ，因为他们自己现在开发的速度也比较快 。 那反而是非科技领域的这些大的企业 ， 现在在这方面的投入会越来越大 。 **曼祺** [1:01:49] 比如说我自己设想了一种情境啊 ， 这个是不是在硅谷的语境就比较难发生 。 刚才也提到微软旗下也在做这个编程的软件 ， 就是 GitHub Copilot 编程工具 ， 对 ， 然后也有创业公司像 Cursor， 对吧 ？2024 年下半年增长的很迅猛 。 嗯 ， 如果你在国内的话 ， 你可能能看到的一件事就是这个 Copilot 也许会和 OpenAI 的更多新的产品 ， 比如说 Operator 做一些结合 ， 就它会变成一个更加整合的一个功能更全的产品 。 这个在国内是会发生的 ， 这个在美国是不是会不太容易发生这种事情啊 ？ 就它会导致 Copilot 和 Operator 它其实可以功能上做一个整合嘛 。 **张璐** [1:02:27] 嗯嗯 。 **曼祺** [1:02:28] 然后我可以让我可以让你在编程的这个自动化的程度上有更多的提升 。 **张璐** [1:02:33] 嗯嗯 ， 对 ， 我觉得可能还是两边的一个产品概念和市场 ， 市场情况确实不太一样 。 **曼祺** [1:02:40] 你们现在就是做一些这个投资的话 ， 你感觉到的这种创业公司的创始人的心态啊氛围是怎样的呀 ？ 就比较感性层面的 。 因为其实我自己感觉就是从 23 年到 24 年， 国内的这个 AI 创投它是经历了一个之前还是挺高涨的 ， 然后之后可能大家会觉得有一些瓶颈 ， 会有一些徘徊啊 。 就在美国它可能是一个什么情况 ？ **张璐** [1:03:04] 在美国这边现在是非常热闹的 ， 我觉得就是从创投券整体是持续在加速 ， 持续在打鸡血 ， 经常有新的东西出来 。其实包括像你提到说啊 DeepSeek 这个出现了之后， 被大家关注度很高 ，但其实啊你如果真的看硅谷的常态的话 ，是每个星期都有新的东西出来 。 每个星期有新的东西出来之后， 大家都会兴奋一下， 这周是 DeepSeek， 下周可能是别的东西 。 所以啊 ， 所以从创投券来讲的话呢 ， 可能幸福感比较高 ，但是压力也比较大 ， 就是因为觉得整个竞争的环境还是啊很大的一个竞争的生态 ， 然后同时呢 ， 技术演变的速度可能也比大家想象的要快很多 ， 总是有新的东西 。 那你说是不是有些有些时候会感慨说 ，是不是能跟上这个技术发展的节奏 ， 这也是很多投资人和企业家在讨论的一个话题 。 但是从创业角度来讲的话 ， 现在是非常好的创业的时代 。 我经常开玩笑说我的这些合伙人， 我现在不需要去催着他们工作 ， 或者是给他们压力 ，他们每天都是一个打鸡血的状态 。 我以前我是会每个星期周末都会去看很多 paper 和很多文章 ， 去看一下说新的技术发展 。 那现在其实很多时候我也不需要自己去看了 。 一来是我们自己 18 年做了一个人工智能的 analyst， 叫 Ada， 就 Ada Lovelace 啊 ， 很有名的 programmer， 我们用它来命名的 。 所以它会给我们总结一些好的文章 ， 我们关注的研究机构每周五发给我们 。 但现在说实话 ， 我出差的时候 ， 我也不需要去专门看那个邮件 ， 我的合伙人在群里面会哐哐哐发很多 ， 今天这个发的 paper， 那个发的 paper， 然后再做一个总结 ， 然后说要点是哪些 ， 不同点是哪些 。 所以大家的一个信息交互的速度和密度是非常非常高的 。 那在这个层面上就体现在我们只是做投资 ， 我们还不是一线的做创业的企业家 。 那做创业的企业家 ， 它的这个交互的密度和啊 ， 还有包括它的速度也都是非常快的 。 所以现在硅谷如果你来的话 ， 你会感觉到如火如荼 ， 大家都是一个打鸡血的状态 。 那在另外一方面 ， 打鸡血也意味着竞争环境的压力增加 。 所以你说有没有竞争的压力呢 ？ 一定是有竞争的压力的 。 **曼祺** [1:05:06] 可以分享一下现在硅谷的投资氛围吗 ？ 核心圈还是在 Sand Hill 沙山路上是吗 ？ **张璐** [1:05:13] 硅谷整个核心其实我们是在 University Avenue 上， 就是斯坦福门口的这个大学路 。 大学路的这一圈 ， 它一直都是整个创投圈的一个核心 。 那因为背靠斯坦福嘛 ， 它本身离 Facebook 也很近 ， 离谷歌也很近 ， 都是基本上谷歌 、Facebook、 英伟达都是在 30 分钟之内的车程 。 所以这就是一个大中心 。 嗯 ， 再加上去年的话 ，Neurops 的那个大会出了很多新的东西 ， 今年年初 JP Morgan 马上 3 月份也有英伟达的 GTC， 所以这边现在的各方面的讨论度都很高 。 **曼祺** [1:05:43] 这边是不是在咖啡馆和餐厅里面 ， 经常就能听到周围的人在讨论 AI？ 我想象一下也许是这样 。 **张璐** [1:05:49] 啊 ， 那当然 ，是的是的 。 就包括我其他的地方来的朋友也会说 ，在这边其实你在任何的一个餐厅咖啡厅去聊一下， 旁边的人大概率不是在讨论创业 ， 就在讨论投资 。 那现在创业投资的核心一定是围绕 AI 来展开的 。 **曼祺** [1:06:03] 我觉得国内有一个相似的地方 ， 可能就是在清华大学门口的这个清华科技大厦那附近 ，是这样的 。 就是它周围你去吃饭或者在咖啡馆啊 ， 首先是能偶遇一些创始人， 然后也基本上周围的桌都是在讨论 AI 啊 。 最后一 part 是想聊一下， 就是在硅谷的讨论和视野之中， 除了 AI， 大家现在关注的一些热点还有什么 ？ ### AI之外 **张璐** [1:06:24] 两个热点 ， 一个热点是我说的医疗 ， 包括其实现在有一个新的词叫 Tech Bio，T-E-C-H Bio，B-I-O， 相当于是说科技和啊生命科学的一个结合啊 ， 包括包括在 JP Morgan 层面上的话 ， 我参加了一个演讲 ， 它的主题是讲 longevity 长寿 ，但是现在对于长寿的定义和之前已经不一样了 。 可能几年前大家更多的讨论是在于啊我们怎么样活得更长 ，但现在的核心是在于怎么样可以提升生命的质量 。 这个生命的质量也就意味着是说 ， 我们的探讨不再是拘泥于我们是不是要活到 150 岁 、200 岁 ，而是说如果我们就活到 100 岁 ，是不是可以以更高的身体的这个素质 、 健康的体魄 、 清晰的大脑去活到 100 岁甚至 120 岁 。 那这个势必就要求很多新的技术 ， 医疗技术上面的一个创新 ， 包括早期的诊断 、 疾病的个性化的治疗 ， 还有包括我们从很多探讨 ， 比如说像靶向治疗 、 免疫疗法 ， 还有 mRNA 的一些啊技术的应用 。 那现在再加上人工智能的话 ， 人工智能又可以加速在医疗层面上啊的技术创新 。 所以我经常讲说人工智能有点像一个催化剂 ， 它不只是催化很多产业的数字化转型 ， 它其实也会催化和加速很多其他技术的一个创新 ， 包括医疗领域技术的创新 。 所以现在我们看讲 Tech Bio 其实相对应的话呢 ， 很多的讨论是在啊我们叫 AI in Biology， 比如说 computational biology、digital biology、 数字化生物学 ， 还有包括我们讲的数字化治疗 、 数字化诊断等等 ， 这些都是一个非常大的好的方向 。 另一个我个人很看好 ， 包括现在也在茁壮成长的方向 ， 就是太空科技 。 太空科技当然大家也知道 ，在从去年开始 ，SpaceX 的几次新建的一个发射 ， 未来的 3 年到 5 年， 不是说 10 年时间 ， 那整个火箭发射 、 卫星发射的成本会大幅的降低 。 那甚至说到一定程度 ， 如果说有一天把一个人送到宇宙的成本只需要 5 万到 10 万美金 ， 把一个卫星发射到太空的成本只需要啊 1 万到 2 万美金 ， 那我觉得可能我们发射的数量和发射的频次都会很很多 。 而且我说的这几个数据不是说未来 10 年的发展可能性 ，是未来 3 年到 5 年的可能性 。 所以它发展速度是很快的 。 我们从 17 年开始布局一些太空科技 ， 包括到过去这一两年布局很多人工智能驱动的太空科技的一些应用 。 我们有家公司就是用人工智能进行交通卫星的交通管理 ，以卫星数据的交易 ， 它的整个收入就已经冲到了 1,000 万美金以上 ， 才一年的时间 。 所以你会发现整个市场蓬勃发展的速度是很快的 。 当然现在大家也看到前一段特朗普在进行就职演讲的时候 ， 专门提到了在他的任期内也希望大规模的支持太空科技的一个发展 。 所以呢 ， 这也是啊相当于从政府政策层面上， 还有包括扶持层面上， 加速这个产业的快速发展 。 如果你现在去洛杉矶 ， 你会发现洛杉矶啊 ， 大家也知道 SpaceX 的最早它的公司就在那边 。 那现在呢 ，SpaceX 不仅进行了很多太空领域的技术的一个探索 ， 它还有出现了很多周围的一个小生态 ， 那边可能大概有几百家太空科技公司围绕 SpaceX 展开 ， 很多可能和 SpaceX 都有一些战略层面上的合作 ， 甚至说是 SpaceX 的供应商 ，而大部分的创业者都是 SpaceX 的前员工 。 我们投了好几家也都是 SpaceX 前员工出来做的企业 ， 所以它形成了一个非常好的创新生态 。 **曼祺** [1:09:45] 因为你们之前也投了 SpaceX 嘛 ，因为你本来也是 SpaceX 的投资方 ， 然后它又是一个算是这个生生态产业链的一个呃链主的这样一个角色 ， 对吧 ？ 然后你也可以发掘到它周围的这些公司 。 **张璐** [1:09:58] 对对 ， 所以是一个非常好的大时代 。 **曼祺** [1:10:01] 像这个 Tech Bio 还有这个 Space Tech， 它们的中心还是在硅谷吗 ？ 还是地理上其实是会有一些不一样的 ？ 因为我看 SpaceX 不是说要搬到要搬到德州去吗 ？ 对吧 ？ 然后特斯拉的总部也是在德州 。其实你现在说 ， 如果说全美国最核心的创新中心在哪里 ， 确实还是在硅谷 。 因为其实这次你想整个创新大趋势的一个核心引擎发动器 ， 确实还是在人工智能 。 我刚才无论是提到太空科技还是医疗 ，其实我也都有提到 ， 它其中有一个很重要的点是人工智能在这两个领域的应用 。 只是说它针对是这两个产业在做很多技术的创新 。 所以的话呢 ， 探讨人工智能 ， 它整个创新中心确实还是在硅谷 ，但同时呢 ， 硅谷也不只是唯一的一个创新中心 ， 包括你看在东海岸波士顿也在崛起 ， 纽约也在崛起 ， 德州的话奥斯汀也在崛起 ， 甚至说洛杉矶也在崛起 。 所以其实确实是有更多样的一个创新生态 ， 包括我们投的企业 60% 都在硅谷 ，但 40% 也在硅谷之外啊 。 所以其实它是一个更加多样的创新生态的形成 ，但是核心确实还是在硅谷 。 这也是为什么我们所有的我整个公司 ， 我们整个投资公司的所有的员工合伙人都是在硅谷这边 。 最近洛杉矶大火 ， 就是对这个太空科技的生态会有些影响 。NASA 好像有个实验室也烧了 。 **张璐** [1:11:22] 对 ， 这个确实也是非常悲伤的一个新消息 ，但是啊 ， 它并没有对那个生生态进行什么太多的影响 。 因为很好玩的一点 ， 你会发现很多被烧的豪宅 ， 它其实是处在非常好的区 ，但其实 SpaceX 包括他们所处的那个工业区离大火相对还是比较远的 ， 还有很多初创企业 ， 它毕竟相对是比较小而灵活的企业 ， 它并不是处在那几个核心区啊 ， 很多企业也 是远程工作等等。 其实我们没有听到说太多的这个创业公司受到这个大火的影响啊 ，但是对于整个洛杉矶的啊城市打击还是非常巨大的 ， 包括现在山火还在继续烧 ， 还没有结束 。 所以它只是换了一个方向又再烧起来 ， 所以这可能就是另外一个城市构建的一个问题了 。 **曼祺** [1:12:07] 在美国的话 ， 就是这个 AI 之外的一些科技投资啊 ， 它会出现那种和一些政策紧密相关的热点吗 ？ **张璐** [1:12:14] 并不会 。 我觉得其实在美国的话呢 ， 当然说啊 ， 可能跟十年前相比的话呢 ， 科技领域和华盛顿的互相的合作 ， 或者说协同 ， 或者说是讨论会跟十年前相比更多一点 。 但是在美国 ， 它所有的创新还是以私营企业和私有资本为主导的一个大的方向啊 。 政策层面上的话呢 ， 它会给一些扶持 ， 比如说它会有更多的一些政府的免费的啊资助 ， 像我们说一些 government funding， 对吧 ？ 还有包括补贴 ， 还有包括不能叫补贴了 ， 它就还是说像那个国家啊科技基金会 ， 它会给的一些不占股的资本 ， 还有包括的话军方会给一些订单 。 但是整个大的科技趋势还是由民营企业和私营企业去主导的 。 包括你看特朗普前一段发言不还说他要开始加速审批 ，在美国加速所有建这个电站的审批流程 。 那他为什么会说要去审加速审批电站的审批流程 ，是因为所有这些科技公司跟他讲我们需要电呢 ， 我们在发展人工智能电不够用啊 ， 所以要加速电站的啊建设 ， 还有包括它审批流程的一个高效性 。 **曼祺** [1:13:23] 哈哈 ， 就最后如果总结一下的话 ， 你刚才也讲到 ，其实在于现在在硅谷投资科技还是很幸福的一件事情 。 ### 展望 **曼祺** [1:13:29] 就总体来说 ， 你觉得接下来啊 ， 你自己比较期待的这个投资上的一些变化和你觉得可能需要去提前应对的风险会是什么 ？ **张璐** [1:13:40] 我觉得不一定是风险 ， 我觉得 2025 年会是一个充满变数的年份 。2024 年其实大家经常讲说啊 ， 发生了很多事情 ，有很多的不确定性 ， 那可能不确定性会变成唯一一件确定的事情 ， 无论是在创新圈还是在整个大的生态 。 所以我觉得 2025 年我们可能需要做好的一个准备 ， 就是怎么样去更好的应对这样一个巨大的不确定性 。 这个不确定性包括整个我们说全球的这个政治格局的一个变革 ， 它对于整个区域经济的影响 ， 还有包括整个金融市场的可能会面临的一些黑天鹅事件带来的一些机遇和挑战 。 还有说更加具体的 ， 我们在看到人工智能领域 、 科技创新领域 ， 每个星期都在有新的东西出现 ， 每个星期都在有新的架构出现 ， 然后这个过程中怎么样保证初创企业它可以去保持它的竞争性和优先性 ， 可以去利用好最新的技术发展 ， 快速的迭代 ， 快速的发展 。 当然另外一方面的话呢 ， 虽然说我刚才提到说这边的一个生态有大企业和小初创企业的一个协同合作 ，但是毕竟还是有一个根本上的竞争 ， 怎么样可以保护我们这个创新生态也非常关键 ，不要让所有的技术还有资源都垄断 ， 或者说控制在大的企业的一个手里 。 所以这也是为什么我们作为早期投资人的话呢 ， 我不只是在投资技术 ， 投资初创企业家 ， 我们其实在投资他们之后， 我们自己建了一个网络 ， 我们也不只是一家这样做的 ， 我们这个网络里有 40 多个 500 强企业的 CTO， 那我们投完企业之后， 就让他有最快的渠道 ， 最好的渠道 ， 可以马上把他的技术产品和这些他要去合作销售的大的企业的 CTO 进行对接 ， 可以 让他更快的进行产业的验证 ， 产业的一个啊变现 ， 然后进入快速的商业化 。 所以我觉得这些都是未来可能初创企业需要更多支持的地方 ，也是我们可以做到对他们更多的不只是啊投资层面上啊资金层面上的支持 ， 还有包括它商业化的一个大规模的一个支持 。 所以 2025 年会是一个非常激动的年份 ， 我会特别期待今年能看到一些更加新的东西和更加一些有啊有意思的新的创新趋势 。 **曼祺** [1:15:47] 好的 ， 那非常感谢今天张璐做客 《 晚点聊 》。 谢谢她的分享 ， 我们下期再见 。 **张璐** [1:15:53] 好的 ， 谢谢 。 **曼祺** [1:15:55] 本期节目就到这里 ， 感谢收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。 你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。 你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。