前沿圈层里的 250 个人在想什么：递归自我改进的新信念、算力独立与扩散的下一个 99%（Invest Like The Best，2026-09-01）
嘉宾为 Conviction 创始人 Sarah Guo。这家成立四年的早期基金以贴近前沿研究者著称，其合伙人 Mike 提出过一个说法：真正在把这件事往前推的大约是 250 个人，基金的目标是尽可能靠近这批人。本期访谈的价值在于，她转述的是这个圈层内部当下的共识与焦虑，而不是二级市场对同一件事的复述。全片观点为嘉宾判断，数字多为口播，涉及具体金额处已在文中标注口径。
一、圈层内部的温度：一个 12 个月内形成的新信念
她对当前环境的第一句描述是“极其激烈的竞争格局”，并补充说这一点在 12 个月前已经成立，只是比 24 个月、36 个月前更甚。真正新的东西是一种信念的普及：借助能够改进模型自身的 AI 研究模型实现递归自我改进，距离某种形式的指数级智能还有一到两年。她明确说这个信念在过去 12 个月里才被大量研究者接受。
她随即对这个信念做了自我限定，援引 Karpathy 的自嘲——“我认为它还有两年，这话我说了大概十年”——并补充 Karpathy 现在又这么认为了。她本人的表述停在“谁说得准”。
信念之外还有一层情绪，与实验室的规模膨胀有关。她的观察是：当 OpenAI 只有 200 人、研究员数量有限时，每个人都能感到自己在推动结果；当问题变成需要 7500 亿美元的算力开支、数千人协同时，个体的贡献感就稀释了。由此在研究者中形成两种想法，一是“反正我做的事模型自己也能做”，二是“唯一重要的只有算力规模”，她认为两者都在削弱研究者的主体感。这一段是全片对实验室内部人才动机变化的直接描述。
二、算力：2030 年之前没有量级上的解
她列出的第一个担忧是算力，且时间表比市场通常讨论的更长。她转述本周与某超大规模厂商基础设施负责人的对话：“在 2030 年之前，没有任何东西能在足够的规模上改变我们的局面”，圈内已经在按 2032 年这个尺度做规划。她对这个回答的反应是“这挺让人沮丧的”。
她对瓶颈性质的判断值得单独记下：瓶颈落在审批与共识上；技术能力、创业能力与资本主义效率都不构成约束。她给的两个例子是，要在纽约建数据中心，得先让纽约人愿意接受数据中心；要让核电在基荷电力上具备价格竞争力，得先让人相信它安全，并允许建够多的机组把成本曲线走下来。物理供应链是另一层现实约束——建造的默会知识、劳动力与原材料无法像软件那样加速，唯一的路径是持续投入。
三、一级市场的判断退化：靠履历代理基本面
这是本期对投资生态批评最直接的一段。她的观察是，愿意下科技赌注的资金变多了，但对底层技术的理解程度参差，决策中出现大量以履历、以跟投名单、以推荐来源代理判断的做法，基本面判断的比重在下降。
她举了一段与一位她评价极高的投资人朋友的争论：她问“这家公司会长成什么样、凭什么大”，对方的解释归结为“你知道这个人有多强吗”。她的回应是，这个人的水准她认了八年，但业务里的技术理论她看不通。她的定性是：在没有任何直觉的情况下做大规模研究型下注，“这不会全都成”，而没有直觉、除了创始人履历之外没有业务观点，这件事本身很危险。她同时承认自己未必判断得更准，但坚持要走到有直觉那一步。
四、开源模型：猫已出笼，限制只会限制守法的自己人
被问及对前沿性能的非美国开源模型该怎么办时，她把问题拆成“什么对生态是健康的”与“实际已经发生了什么”两层。
实际层面，她的判断是过去三年各方向的开源模型竞争力都在上升，中国占比大，美欧同样在出（她点名了 Thinky、Poolside、等待中的 Reflection 以及英伟达自己的模型），猫已经出笼，这些模型到处都在用。
政策层面她的推论是：限制美国境内使用开源模型，实际效果是限制守法的美国企业、拖慢它们、把利润挪到别的口袋，而真正有敌对用途的人不受这类限制约束。对于外界担心的中国模型后门问题，她主张的做法是做一套严格的安全测试去查清楚，而不是在缺乏实证研究的情况下反复讨论一种推测的风险。
支撑她这个立场的是扩散逻辑：今天有大量场景使用前沿厂商的模型太贵、太敏感或太慢，随着人们学会用 AI 做更多事，这类场景还会增加，能力越民主化，被用起来的方式就越多。经济体足够大，每个个体都有前沿实验室的研究员想象不到的用例，“你无法想象现实的多样性”。
五、算力独立：从一座数据中心倒推整条供应链
她预计“算力独立”会成为越来越常被讨论的概念，其结构与能源独立高度相似：从一座装满 GPU、需要冷却与供电、跑训练与推理的数据中心倒推回去，每一样投入品都在一条全球供应链上，而其中有些环节是位于并不稳定或并不易得之处的极薄筛口。她提到 Jacob Helberg 在推动的 PACIA，思路是对供应链的每一段追加产能、找出独立路径；她本人的限定是不必样样都在美国本土造，比较优势是真实的，但每一环都拥有一个以上的来源是所有人都想要的位置。
Conviction 已下注的对应环节包括：数据中心的用工缺口与机器人、核能、替代芯片架构。一直在看却尚未出手的是数据中心建设商与光伏储能安装商——她给的理由是这类生意介于运营、技术与不动产之间，主导变量是融资，而她把自己定义为要看到耐用产品资产的技术投资人。
她还给出一个把 AI 与制造业回流绑在一起的判断：如果不进口人力、本国人力昂贵且部分技能缺失，同时又要生产更多商品、要更有韧性的供应链，不靠自动化这笔账算不平；她补充说美国人不应该为每小时 13 美元去做一份不人道的工作。
顺此推出的政治风险路径是全片结构最完整的一段推演：对 AI 冲击就业的合理恐惧，加上对少数科技公司攫取租金的反感，加上拒绝成为永久底层的情绪，可能连接到一种反资本主义取向；这一取向足以拖慢能源、基础设施与工业产能的建设，而其中最重要的投入品之一就是算力，算力跟不上，竞争力与独立性就都谈不上。
六、生物医药：从“值得一试”到“强烈的是”
她自述在这个问题上因为看到经验数据而明确移到了一边：可以用模型在生物学中创造并捕获巨大价值。
传统智慧是服务药企只有做药一条路能赚钱，对应的公司结构是找到主要研究者、持有四成股权、把项目推成候选药，多数会失败，所以是另一种分布与另一种投资方式。她投 Chai Discovery 时的心态是“有可能，值得试”，那时是一笔千万美元量级的合同（口播），并不需要天才判断。改变她看法的证据来自客户端：直接问药企的科学家、问工具的实际使用者，加上这个领域已经出现用户自发采用的产品驱动增长型工具，“客户知道它有没有价值”。Chai 目前正与多家全球前十的药企在研发流程的某些环节上深度合作。
她认为行业层面的引爆点是出现一个明显由 AI 改变了轨迹的新适应症或新药，那之后会有一大波投资，并且这是应该的。她对制药与医疗行业接受速度之快评价很高。
七、判断人的框架，以及机器人的加速
她描述自己的决策方式是先给出直觉评分再倒着找漏洞：见到人、听完想法，如果自己在这个领域有底子，往往立刻落在 1 到 10 的八九分，此后一天到几周做的事是找出自己理解的缺口、确认业内其他人相信什么、确认这些人是否如她所判断。她坚持写完整的投资备忘录，早年独自做基金时会把备忘录发给外部的投资人朋友求反驳。她也给出边界：如果对这项事业本身没有直觉，就无法评估创始人的判断力，而她对人的信心恰恰建立在对其判断力的评估上。
她举的“改变了她”的例子是 Sunday Robotics 的两位创始人 Tony Zhao 与 Cheng Chi。她的评价是这两位二十五岁上下的年轻人在过去四年里贡献了机器人 AI 领域相当大一部分有意思的想法，方法上把“没有互联网规模的机器人数据、也没有无限美元去采集数据”当作一个要解的技术问题——数据的形状是什么、怎样以最低成本采集且能覆盖真实环境与任务的分布、如何与模型学习互相作用。公司成立不到两年，全栈自研、本土制造、硬件与数据采集迭代数百次，团队认为今年底能进入家庭 beta。她的原话是没有交付就不算数，但这个速度令她震惊，因为业内共识此前停在“这是时间问题，可行性已经没有疑问”，团队却说“不是今年就是明年”。
八、一年之后：她希望看到的是 Jevons 悖论
被问到一年后世界会有什么明显不同时，她的回答是：希望看到 Jevons 悖论在实践中显现——随着代理与产品在生活的各个领域更有效地处理琐碎工作，软件工程里已经发生的变化会在其他职能重演。她举的例子是自家投资组合中一家公司的市场部只有一个人，负责人给公司做了一个自主运行的营销部门。被追问她自己是否因为 AI 而工作变少，她的回答是工作更多了，并把这一点归为黄仁勋的核心洞见之一：所有人都会被更充分地雇用，前提是人们能获得工具的使用权与相应教育。
最后一段是她对研究精力配置的取舍，也是本期对投资方法论的直接建议：为“哪一层会赢”构建宏大战略框架对她没有用处，实验室的优先级无非是 AGI，其下承接的是聊天产品、广告、编码，以及可能的下一次扩张，判断这些努力各自的竞争力与合理边界即可。她想把精力放在另一个问题上——如果我们只走完了 1%，接下来 99% 的扩散长什么样。