Sarah Guo
前沿洞察
AI正迎来质变跃迁与物理收敛：顶尖研究者预判递归自改进或在1-2年内触发指数级智能；具身智能与脑机接口正从科幻破壁，率先在生物医药与临床商业化中兑现价值。然而，算力与数据中心基建仍将面临3-5年结构性紧缺，倒逼芯片架构重塑。盲目限制开源只会自缚手脚，供应链自主与底层破局才是争夺终局定价权的核心底牌。
观点集合
Sarah Guo：构建AI的250人相信什么 — [Invest Like the Best，EP.489]
开源AI已广泛存在，限制它可能只会束缚守法美国企业；约250位研究者中，有人认为递归自我改进或在1到2年内带来“某种指数级智能”。Sunday Robotics押注今年年底让半人形机器人进入家庭beta测试。算力独立、监管和供应链是瓶颈；Chai Discovery的1000万美元合同与客户采用，提供了AI在生物学捕获价值的早期验证。
查看摘要（7段）
- 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。
追逐万亿美元公司、创始人野心、Token预算与监管俘获
Anthropic、OpenAI和SpaceX跃升万亿美元可能只是五年异常，但结果定价仍可能让AI市场远超按席位估值的想象。算力稀缺、创始人退出和监管俘获正在重塑回报，许多公司价值窗口仅有12至18个月，而递归自我改进时间表仍不确定。
查看摘要（8段）
- Elad认为，过去5年是一个万亿美元级异常期，Anthropic、OpenAI和SpaceX大致都从接近零跃升至1万亿美元。 这并不意味着新节奏已经形成：一家万亿美元公司可能需要500亿至1000亿美元收入和良好利润率，而他只能指出1家未具名的潜在竞争者可能在3至5年内达到这一门槛。
- Sarah反驳称，投资者仍在低估AI市场扩张，把Harvey或Abridge按每名律师或医生估值，而不是追问结果定价究竟能释放多大空间。 编程已经显示，消费量和交付价值未来可能“从现在起增长100倍”（“a hundred X from here”）；Elad认可机会，但坚持认为投资者混淆了最终市场规模与建设实体产能、实现收入所需的速度。
- Elad看到，一些最优秀的新创始人正在逃离野心：对新型实验室的恐惧正把他们推向小众AI、硬件或所谓实验室难以攻入的市场。 实验室确实会自然吞并部分产品，但不会全部吞并；同时避开这两类市场，等于放弃凭产品和分发取胜的机会。
- Elad称，大多数公司至少都应考虑出售，且许多公司只有12至18个月的价值最大化窗口。 尽管Anthropic和OpenAI近期不应出售，董事会仍应每6个月重新讨论退出，因为“1年的AI时间相当于正常周期的3至4年”；创始人还要计算稀释、最终大概率约10倍或可能15倍的回报倍数，以及被困在一家已经失灵的公司中、耗掉5或6年黄金生产期的不可替代成本。
- Sarah称，实验室内部弥漫着近乎躁狂的预期：编程可能在约6个月内或今年年底前基本被解决，随后在明年年底前后迎来“轻度RSI”。 她接受模型可以帮助改进训练，但不认同对时间表的信心：一些科学家过去5年里每隔18个月就预测一次递归自我改进拐点，而数据和实体算力仍是可信的瓶颈。
- 算力稀缺正在同时制造寡头格局和人的幂律分布：几十名研究员可能贡献约80%的成果，因此实验室日益按“投入Token的回报”分配稀缺算力。 这套逻辑也说明“软件即服务之死”被夸大了——企业可能把Token留给核心产品和大幅提升毛利率的项目，而不是重做便宜软件。
- 一种显著更好的架构可能出现，但Sarah预计，无论架构如何，行业都会耗尽所有可用算力和电力；Elad认为，高概率结果是突破会被现有实验室复制。 政策可能更快重绘地理版图：两人讨论了加州税收提案如何推动人才离开，以及德州如何吸引能源与硬件生态，因为那里更容易做实验。
- Elad的广泛警告是，安全可能演变成监管俘获：高合规负担能够保护那些已经在内部以指数速度推进的实验室。 他的比较对象是核电——法国发电量约70%来自核电，美国为18%，日本为25%——他认为过度的安全政治压制了充沛能源；Sarah反驳称反应堆现在正在建设，Elad则回应：“我们没建多少。”
从 SaaS 到 AI-First：企业如何重塑创新
AI 原生公司用更少工程师实现快速增长，但企业安全、分销和变革管理仍让 Samsara 等重基础设施软件具备防守力。模型价格持续暴跌，却可能把替代周期压缩至一两年，使可复制的单点产品脆弱，产品组合、生态和硬件更具韧性。
查看摘要（7段）
不加甄别地押注“SaaSpocalypse”，把一个真实的长期转向误判成了眼前的灭绝事件。 Gil认为，像Samsara这样的车队管理产品，拥有车载硬件、分销、企业销售和支持体系，不会被一个周末用vibe coding写出来的应用简单替代，但支持环节可以使用vibe agents。Guo说，Fortune 100企业的变革管理和安全要求，意味着一个周末搭出的CRM大概率不现实。Decagon和Sierra确实展示了从按席位计费的软件转向按使用量计价的支持代理，但“这不可能波及每一家SaaS公司”。
AI原生公司表明，代码可以变得充裕，但公司建设的其他环节并不会因此充裕。 Guo提到，投资组合中有些公司的收入已达数亿美元，但工程师不到50人，却能迅速从0人扩张到接近100名销售人员：“Vibe sales 不会发生。”Gil预计，工程生产率提升会被巨大的未满足软件需求吸收，而不是简单地消灭工程团队。
可投资的工程瓶颈，可能从写代码转向分配值得信赖的人类注意力。 如果代理生成了海量代码，却没人阅读，“没人真正理解代码库”，生产系统就会变得脆弱，充斥着“vibe coding 垃圾”。Guo认为，围绕代理优先的工程管理、测试、智能审查和形式化验证，“这个极其、极其重大的问题仍是一片开放赛场”。
一个月的AI炒作，把合作关系、演示和人为植入的行为都模糊成了自主市场的证据。 Gil反驳代理已经在选择供应商的说法：默认配置某些工具的合作关系，就像Airtable在后台静默运行于AWS之上，并不代表独立的采购判断。“Malt book”这个类似Reddit的论坛案例，看起来也有部分内容由人生成，或是为营销而植入。Guo对看空派股票研究的更尖锐批评是：“竞争优势理论并没有就这么凭空消失”；生产、分销、变革管理和产品完整性仍然重要。
剥离炒作后，底层经济学依然非同寻常。 通过Capital IQ数据和预测，Gil的团队估算，AI实验室从10亿美元收入增长到100亿美元大约需要1年，而ADP和Adobe用了20多年；公开市场预测则意味着，AI实验室从100亿美元增长到1,000亿美元可能需要3到5年。与此同时，GPT-4等效模型的价格在21个月内从每百万token约37美元降至0.25美元，降幅达150倍；o1等效模型的价格则从2024年12月的26美元降至2025年11月的0.30美元，11个月便下降了88倍。
AI可能把远多于以往的GDP纳入科技，同时将由此产生的大部分价值集中在幂律分布的头部。 Gil说，领先科技公司的占比已从2005年约4%的美国GDP升至如今约12%，到2035年可能达到15%-20%，甚至30%；目前市值最高的8家科技公司合计约23万亿美元，已占标普价值的一半以上。Guo认为，技术覆盖面的扩大可能让长尾占据主导，而Gil则表示，市值超过1,000亿美元的企业可能会更多，但“头部和躯干几乎聚合了全部价值”。
更快的增长并不带来SaaS时代的持久性：AI可能把长达10年的替代周期压缩到1到2年。 Gil警告，许多初创公司处于峰值估值的窗口期只有约12个月，因此董事会应每年安排1到2次不带情绪的退出评估；只有极少数公司应该“永远、永远、永远不卖”。最强的防御是围绕同一个垂直行业或应用，覆盖5个或10个方面的产品组合，再叠加平台、生态、网络或硬件，因为“如果每2年就等于10年”，一个可被复制的单点产品就会成为岌岌可危的控制点。
No Priors 第144期｜Sarah 与 Elad 展望2026年AI
AI正在垂直软件和医疗领域快速扩散，速度超过反弹叙事；机器人则可能在规模化部署前先经历市场情绪重置。2026年的机会集中在工作流agent、AI IPO的反身性、科学发现、国防自主化、肽类药物，以及追求每瓦智能的基础设施。
查看摘要（8段）
- AI采用速度已经超过反弹叙事，但公开市场仍可能把Nvidia的任何一次失速，视为整个周期的公投。 Elad预计，“AI没用”和泡沫论还会卷土重来，尽管技术浪潮“通常要大约10年才能扩散”（“like 10 years to propagate”）；他说，AI的采用速度已经“快得令人目眩”，尤其是在医生、律师、会计师和合规团队中。Sarah认为，焦虑源于投资者仓位，并称Nvidia某个季度表现疲软，就可能引发恐慌，尽管这与底层的长期结构性变化几乎无关。Elad给怀疑者的回答是：“快到我甚至不知道大家在说什么了”（“So fast I don’t even know what people are talking about.”）。
- 下一阶段的应用价值应集中到垂直领域赢家手中，而Sarah给出了本期最明确的交易预测：2026年会有人利用LLM做市场交易，赚到“数亿美元”。 Elad指出，编程、医疗听写和法律软件——包括Harvey——已经在向少数玩家集中，并预计下一批垂直领域也将达到巨大规模。Aaron Levie随后认为，与工作流、组织数据、上下文工程和变革管理绑定的智能体，最有希望打通企业落地路径。
- 机器人会先迎来情绪拐点，再迎来商业模式拐点：小规模的人形和半人形机器人将开始部署，一部分会失败，投资者则会过度反应。 Sarah预计，随着预期时间表不断推迟，市场将出现分化；Elad则反驳称，自动驾驶走过了大约15–17年，如今才真正开始奏效。他们更尖锐的分歧在于产业结构：Elad认为Waymo和Tesla是自动驾驶当前的赢家，并看好Tesla成为机器人赢家；Sarah则认为，资金、硬件、制造和供应链需求可能让 incumbents 占优，但移动能力并不能解决操作能力问题，因此创业公司、甚至中国公司仍有真实机会。
- 一家大型AI实验室上市，可能变成一笔由基准考核驱动的反身性交易，而不是一次纯粹的基本面决策。 Elad举出的对冲基金案例十分典型：散户想要一只纯AI赢家，基金经理又害怕“错过Nvidia”，年度基准考核可能迫使他们“不管怎样”都要买入，即便他们并不看好这家公司。Elad预计，只要第一笔交易没有定价过高并成功，就会解锁一批跟随者，为AI实验室筹集巨额资金；与此同时，投资者仍会担心AI需求能否支撑资本开支、信贷和货到付款义务如何分配风险，以及市场对Nvidia的集中度是否过高。
- Elad原本没想到ChatGPT之外还会出现这么多独特的AI消费产品，但如今已经看到自己想用的“神奇”智能体体验；Sarah对此表示认同，但Elad仍预计大多数新硬件会失败。 Sarah用“逃逸速度”检验产品的持久性：如果没有网络效应或其他护城河，AI实验室或Google两三年后就能复制赢家，再靠分发能力追上。机会仍然存在，因为 incumbents 会吓退创业者，而且太多团队只是用这一代模型重做上一代产品。
- 基础模型竞争正在科学、替代架构和自我改进系统等方向重新展开，但规模效应仍会把资本吸向少数赢家。 Sarah以Ilya所说的“研究时代”为框架，认为行业终于有机会测试计算效率更高的思路、扩散模型和SSM，而不必只打一场资源战。Elad预计，物理、材料或数学领域只要出现1–2个突破，就会有人过早宣称“科学已经被解决”；但长期影响反而会被低估。他认为，一条可能快速起飞的路径是“代码加自我进化”。
- 资本仍将持续涌入国防自主化和肽类药物，但国防预算能否真正转向新公司，以及边缘应用与主流采用的界线仍未确定。 Sarah预计，无人机防务和创业公司活动将加速；Elad认同需求存在，但警告预算必须以足够大的规模从主承包商流向新公司。Elad称GLP-1的采用“不可阻挡”，市场仍低估其影响；Sarah则指出其二阶效应，以及市场对工程化肽类和激素疗法日益浓厚的兴趣。他们还讨论了边缘生物黑客行为可能成为早期指标，但不能视为已经确立的证据。
- 结尾的预测最终汇聚到主动式智能体和“每瓦智能”，它们将成为2026年的产品与基础设施约束。 嘉宾预计，AI会主动收集上下文、使用屏幕、停止等待提示词，并把“Claude Code体验”带给更广泛的知识工作；企业要获得收益，则需要智能体脚手架和具有经济意义的评测。Ben和Ash Spectre认为，电力是近期数据中心的约束，但长期看芯片更重要，因为芯片折旧更快，而且按每千瓦时约10美分计算，5年内芯片成本约为电力成本的10倍。
No Priors 第141期｜与 Sunday Robotics 联合创始人 Tony Zhao 和 Cheng Chi 对谈
Sunday Robotics已从500多人处采集近1000万条真实世界轨迹，通过手套数据与全栈迭代解决模拟难以复现的操作任务。简化的三指机器人计划于2026年家庭内测，最快2027-2028年规模交付，但可靠性、安全、价格、硬件耐久度和泛化能力仍是关键。
查看摘要（7段）
Tony Zhao 将机器人行业定位在“GPT 时刻和 ChatGPT 时刻之间”：这个领域似乎已经找到了可规模化的配方，但尚未把规模转化为优秀的消费级产品。 传统的感知—规划—执行系统要求每个任务、每种环境都定制接口；新一代学习方法则试图扩展数据和模型，而不是反复重建面向单一任务的系统。他押注机器人会沿着其他 AI 领域的路径发展：相关数据越多，实用性就越强。
Sunday 的核心资产，是一套真实世界数据引擎：已采集近1000万条长时程轨迹，参与者超过500人。 Cheng Chi 的 UMI 工作以 GoPro 和夹爪替代受实验室限制的遥操作；Diffusion Policy 稳定了多模态模仿学习，ALOHA 让灵巧数据采集更直观，ACT/action chunking 加上 transformer 则帮助双手任务实现规模化。3名学生在约2周内采集了1500段端到端的浓缩咖啡制作视频。
手套式采集的表面简单，掩盖了全栈执行的难度。 Sunday 将数据设备、机器人控制、自动筛选与清洗、校准、训练流水线和机械设计放在一起迭代；手套从 V0 做到 V5，每个版本约迭代20次。正如 Zhao 回忆，创始人最初担心有人会“直接拿走我们的手套”（“just take our glove”），后来才发现“事情比我们想象的难得多”。
当简化能更快、更便宜地造出有用机器人时，Sunday 不追求人形机器人的完整性。 这款友好、卡通化的机器人只有3根手指，因为人们做家务时经常会并用它们，比如抓握把手或打开洗碗机。感知能力可以修正廉价、柔顺且不精确的硬件，让机器人在保持机械安全与柔顺性的同时，达到足够的精度。
创始人目前认为，模仿学习在操作任务上的样本效率更高，而强化学习在移动任务上表现良好。 地面接触相对容易模拟，但要复现会变形的手、透明杯、橙汁、反光和各种物理属性，极其困难且昂贵。对于操作任务而言，“把手放到杯子前面，再以合适力度合拢”可能比模拟整个世界更容易示范。
商业化将从2026年的家庭内测开始，2027年或2028年能否向大众交付，明确取决于可靠性、能力、安全性和价格。 当前原型机成本为6000美元至2万美元；达到几千台的产量后，Sunday 预计材料成本大概率低于1万美元，因为昂贵的小批量外壳加工会转向注塑成型，意味着售价可能在这一水平附近。Zhao 设想10年内家庭机器人数量超过10亿台，而 Cheng 描绘的一种未来是：家庭劳动的边际成本趋近于零。
创始人评估机器人视频的原则是“零假设”（“make zero assumptions. No Priors.”）。 先验证机器人是否自主运行，再把视频中被验证的能力限定为那个具体物体、具体人、具体环境和具体操作序列，而不是据此推断机器人具备泛化能力。Sunday 的证据包括长时程餐桌清理、易碎玻璃处理、在约6套 Airbnb 房源进行零样本测试、制作浓缩咖啡和叠袜子；不过 Cheng 表示，团队开发期间打碎了很多玻璃。
Agentic AI如何重塑创业版图：Andrew Ng
Andrew Ng认为coding agents是当前最清晰的AI价值池，能把数月的软件开发压缩到周末完成，同时将创业稀缺资源转向产品判断、客户同理心和技术型领导力。AI赋能的小团队可能胜出，但赢家通吃的市场可能更奖励速度而非精简人数；随着各职能招聘重构，专有场景、关系和判断力仍是持久优势。
查看摘要（8段）
AI进步已不再局限于规模扩张，Andrew Ng认为，从可扩展性这颗“柠檬”里再榨出“一点点汁水”会越来越难。 Agentic workflows、多模态系统、具体应用，以及文本扩散模型等潜在黑马，如今都与更大模型同样重要。商业进展确实存在，但“营销炒作的增速已经疯狂”。
Ng认为，Agentic applications面临的最大障碍是高水平的落地能力，尽管技术组件本身也仍需完善。 Computer use、guardrails和evals都不完美，但决定性能力在于，结合企业专有业务场景，“用评测跑一套系统性的错误分析流程”。未来1—2年，人类工程师和产品经理仍不可或缺，因为关键知识往往存在于员工脑中，而不在互联网训练数据里。
Coding agents是高度自主的智能体如今已经能够创造显著经济价值的最清晰证明。 Ng将coding与ChatGPT式问答并列为AI最明确的两大价值池，并称Claude Code是自己当前最喜欢的工具，因为它能规划、列清单并执行多步任务。他认为“vibe coding”具有误导性：严肃的AI辅助开发是一项“高度智力化的工作”，更准确的说法是“快速工程”。
快速工程正在改变创业公司的经济学：瓶颈从写软件转向判断什么值得做。 过去需要6名工程师、3个月完成的工作，如今有时1个人一个周末就能做完；当原型只需1天、用户反馈却要1周时，产品判断就变得极度稀缺。模拟用户和AI主导的访谈前景不错，但产品工具对产品经理的加速，远不如coding工具对工程师的加速。
Ng认为，技术上真正懂产品的领导者，如今远比缺乏快速变化能力感知、但商业能力强的创始人更可能成功。 团队应重新审视所有仍按2022年方式开展的工作，因为其中许多到了2025年可能已经失效。客户同理心、速度、信念和勤奋依然重要，因为创业决策更像“打网球”，而不是解微积分题：创始人需要积累足够多的直觉，在大量可逆的“单向门”决策中立即行动。
在一个招聘案例中，AI熟练度压过了资历；而经验与AI熟练度叠加后，会形成更强的人才层级。 Ng录用了一个AI原生的大学毕业生，而不是一个拥有10年经验、却几乎不用AI工具的全栈工程师；但他也表示，最优秀的工程师是拥有10—15年甚至更久经验、同时掌握新工具的老兵，他们“完全属于另一个层级”。在AI Fund，法律、财务和前台员工也都学习coding，以便更精确地向计算机描述工作。
更小的AI赋能团队可以跑赢更大的团队，但单纯追求员工数量或盈利能力，可能变成战略陷阱。 Ng越来越常问，一项任务是否需要预算来“雇用AI”；Elad Gil则警告，招聘不足可能给在位者留下凭借分发能力取胜的时间，并以Slack对Teams、Sketch对Figma为例。具体取舍取决于市场结构：在赢家通吃的品类中，抢占市场的速度可能比保持团队精简更重要。
最持久的人类优势仍是专有场景、关系和判断力；而AI红利将不成比例地流向拥抱AI的人。 竞争研究和LP文件工作看起来都可以自动化，但评估创始人仍依赖随口说出的背调评论、面对面交流中的领导力信号，以及AI尚无法触达的信任。Ng对5年后的判断是，跨职能采用AI的人，个人能力将“远超”大多数人今天的想象。
No Priors 第122期｜对话 Rippling 联合创始人兼 CEO Parker Conrad
Parker Conrad 认为，集成平台凭借共享权限、工作流、分析和身份在应用间复利，最终比点解决方案构建更多能力。AI 或许降低生产成本却扩大软件需求，但工资系统的确定性、治理与权限仍很难；私募流动性让 Rippling 可推迟不可逆的 IPO。
查看摘要（8段）
Conrad 的逆共识判断是，集成平台最终会比点解决方案构建出更多能力，因为共享权限、报表、分析、工作流和审批会在每个应用之间产生复利。 在 Rippling，每投入1美元研发费用到底层平台，就能获得“35倍回报”；因此，套件可以投入单一产品厂商“根本负担不起”的能力，并随着平台升级让每个应用变得更好。
SaaS 点解决方案的繁荣，是本地部署向云迁移、互联网分发变得容易，以及奖励快速拿下“垒打”的牛市共同制造的一次性窗口。 Guo 认为，一旦云原生核心系统吸收基础品类，独立产品就不再足够，产品市场匹配会转向更广泛的跨应用协同；她认为 AI “可能更具技术上的集中化倾向”。
Rippling 的业务扩张不是缺乏纪律地不断增加 SKU：超过80%的工程团队都在开发现有应用和平台基础设施。 公司通常同时推进4到5个新方向，每个方向大约配置5到7名工程师，而 Conrad 估计整个工程组织已超过1,000人。可变薪酬既是一个新 SKU，对客户而言也是工资系统缺失的能力——“一切都是 bug”。
Conrad “非常怀疑” AI 会节省软件行业的就业，因为目前观察到的编程助手增益并没有转化为明显更小的团队，而任何生产成本下降都可能带来更多软件需求。 他推测，横向厂商可以增加深度垂直化的版本，比如“面向眼科诊所的 Rippling”；与此同时，价格下跌和客户预期上升会迫使竞争者持续投资于技术前沿。
AI 会强化受治理的权威系统价值：应用可能变得更便宜，但数据管道、权限和确定性正确仍然很难。 Conrad 认为，代理必须继承每个用户的权限，才能防止数据泄漏，这使组织结构和身份成为核心；工资系统无法容忍概率系统带来的“熵”。他对 Zenefits 的警告同样尖锐：先扩大人工运营，再等待自动化跟上，结果是自动化“不断到来，却从未真正出现”。
Rippling 的执行模式依赖这样的负责人：把市场约束视为需要攻克的现实，而不是 CEO 预先列好的权衡选项。 Conrad 拒绝“A或B”这种“CEO 盒中选项”，反问公司为什么不能同时交付 A 和 B——除非这个障碍“违反热力学第二定律”。在他看来，卓越团队的差距可以达到数量级，而不只是“多20%”。
Conrad 的救赎故事与其说是在歌颂韧性，不如说是在警告：创业失败往往愚蠢、具有破坏性，而且被过度浪漫化。 Rippling 当时让他变得执着，是因为这仿佛是摆脱声誉“具有放射性”处境的“唯一方式”；但他认为，人们通常从成功公司中学到更多，并劝准备创业的人：“别做。”如今，他也把对产品和团队的热爱视为更积极的驱动力。
更多私募市场流动性，让公司可以在不立即上市的情况下保留上行空间和选择权，而公开市场可比公司则越来越偏向增长更慢的企业。 Conrad 认为，Databricks 选择保持私有，似乎获得了相对于 Snowflake 的一些优势；他还把公开市场称为“退休社区”，如今年增长超过20%就已被视为高增长，而不是30%。Rippling 可以每年重新评估这一选择；IPO 则“很难撤回”。
到2028年，我们会拥有超级智能吗？与 Anthropic 的 Ben Mann 对话
Mann 认为到2028年在多数领域达到超人类水平“完全可能”，而 Claude 4 当前更明确的商业信号是可靠执行长周期复杂任务。Opus 委派 Sonnet、Claude Code 提升稀缺工程师生产力，强化了按劳动价值衡量推理成本的经济模型。生物风险、欺骗行为和部署安全仍无明确边界，但 MCP 可能扩大 Anthropic 的企业分发。
查看摘要（7段）
Ben Mann 认为，到2028年，通过递归自我改进循环，在大多数领域达到类似超人类水平的 AI“完全可能”，但强调很难给出有把握的边界。 他引用了《AI 2027》的50%分位预测，但把真正有意义的门槛定义得更具体：通过一项覆盖50%高价值任务的“经济学图灵测试”，即让一个智能体工作1个月，最终招聘经理选择机器而不是人。
Mann 认为，Claude 4 最令人兴奋的新能力，是更可靠的长周期智能体能力，而不只是基准测试再上一个台阶。 即便是 4 Sonnet，相比 3.7 Sonnet 也有“戏剧性提升”，尤其体现在规避奖励劫持和未经请求的代码修改上——过去那种“这次改动要不要再配薯条和奶昔？”的问题。客户现在会让它无人值守数小时，处理大型重构。虽然 Claude 本身无法理解音频或视频，但据报道，Manus 曾通过 FFmpeg、关键帧检测、语音转文字和自动生成演示文稿代码调用 Claude，把视频转换成 PowerPoint。
Mann 会把推理成本放在劳动价值的框架下评估：只要一次昂贵的智能体运行能带来“2倍或3倍”的工程师生产力，这笔交易就很划算。 Claude Code 可以让 Opus 把搜索任务交给 Sonnet 子智能体，从而改善延迟、控制成本并保留上下文。Mann 预计路由会越来越自动化，因为用户不该被迫决定每个任务“值不值得多花一点钱”。
编程既是 Anthropic 切入市场的产品楔子，也可能成为构建更好模型的飞轮。 Claude Code 的推出建立了与用户之间的直接反馈回路，其中包括能亲身感受到模型弱点的 Anthropic 研究员，即使这意味着要与 Cursor 和 GitHub 竞争。合作伙伴后来复制了其中一些产品体验，Mann 认为这反而壮大了整个生态。
随着人类专业知识成为瓶颈，Anthropic 正把判断逐步转向 AI 反馈、可信专家偏好模型，最终交给经验主义。 Constitutional AI 可以依据书面原则批评并修正输出，但 Elad Gil 提出了更难的问题：在医学或法律领域，如何判断事实是否正确。Mann 的答案是实验：据报道，Novo Nordisk 把一项癌症治疗报告流程从约12周缩短至10分钟，从而为测试不同方案、并将结果反馈回模型创造了更多空间。
这期节目没有解决一个真正的安全分歧。 Opus 4 部分因为相比 Google 搜索带来了显著的生物学能力提升，尤其对业余者而言，而被划为 ASL 3；但 Gil 认为，一些 AI 研究可能应该像生物领域的功能增益研究一样被绝对禁止。Mann 认为，研究受控欺骗是必要的，因为“Alignment Faking”在对齐训练后仍然存在，但也承认：“我确定某处存在一条界线。”
Anthropic 的平台战略，将企业优先的业务模式、选择性自营产品和开放式集成标准结合在一起。 Mann 认为公司更像 Adyen，而不是消费者熟知的 Stripe；但他也认为，用户仍需要 Claude Code 这类产品来“实际试用”。MCP 可能成为分发层：OpenAI、Google 和 Microsoft 都在大力押注，托管式或远程 MCP 则让服务无需本地运行，就能连接到模型客户端。
No Priors 第116期｜与 Sarah 和 Elad 对谈
基础模型、医疗记录、编程和客户成功正出现阶段性赢家，但销售效率、会计与医药仍等待更好产品。强应用结合垂直工作流、专有数据与分发能力，生育、长寿和再生医学受融资约束，世界模型与强化学习的商业路径仍未确定。
查看摘要（6段）
Elad Gil 认为，部分 AI 市场正在走向整合，未来两年谁会胜出已初现轮廓——即便今天的领先者未必能赢到第5年。 基础 LLM、医疗记录、编程和客户成功已有较清晰的领跑者；销售效率、金融分析师工具和会计仍未定局，Sarah Guo 还补充了医药。Gil 怀疑，这些尚未定局的市场，要么缺少正确的产品路径，要么仍需要更好的模型。经历多年“我了解得越多，知道得越少”之后，他终于感到“不确定性终于有了喘息空间”。
正在成形的应用打法，是把高价值的垂直工作流、专有数据、分发能力，以及能够基于数据创造、推导或扩展知识的用户结合起来。 Guo 将 Abridge 和 OpenEvidence 归入这一类别，但仍不确定在一个历来高度分散的市场中，销售将如何胜出。编程领域显示，模糊地带正在收窄：目前可行的切入口包括 Cursor、Codeium/Windsurf、Cognition 和 Microsoft Copilot。
AI 初创公司的整合，可能成为抵御老牌巨头的战略防线，而不是承认失败。 Gil 建议，一个品类中的前两家初创公司考虑合并，结束初创公司之间的战争，把竞争转向3到4家巨头。Guo 说，创始人、董事会和投资者往往把“考虑合并”本身视为投降，但她称之为“为了赢而投降”。
Gil 认为，生物科技有几个规模巨大的市场，商业需求显而易见，却在结构上长期被忽视。 例子包括：用重编程的成人细胞生成精子或卵子，让女性剩余的卵母细胞成熟，治疗皮肤衰老和脱发，恢复近视力或听力，以及通过 USAG-1 等基因实现牙齿再生。细胞衍生生殖最令人震惊的推论是，“任何成年人”理论上都可能与另一个成年人拥有孩子；而通过握手等接触从某人身上交换获得的部分细胞，也可能让涉及该人的生殖成为可能。
生物科技的融资架构，筛选的是药企愿意收购的资产，而不是能长期服务非传统需求的新公司。 Gil 说，孵化器可能投入4,000万美元换取约40%的所有权，随后把项目引向癌症、心血管疾病或神经科学管线，因为这些是收购方想要的方向。监管俘获，以及科学家认为解决皱纹“地位低”，进一步让可用的科学成果滞留在创投漏斗之外。
Gil 将世界模型和强化学习视为超越文本预测的潜在路径，而非主要面向近期游戏产品。 智能体需要规划、调用工具、接受反馈、探索替代推理路径并自我评估，而行为克隆一旦离开示范路径就十分脆弱。挑战在于构建“一份宇宙的复制品”：环境既要足够丰富，能够教会系统适应性解决问题，又要足够廉价且多样，避免过拟合。Gil 不确定近期商业应用在哪里；Guo 从围棋和分子进化推演认为，不受约束的搜索可能产出反常但更优的代码、分子或策略。
No Priors 第109期｜Sarah 与 Elad
图像生成下一项商业突破是可控性，约一年内的质量跃迁可能推动横向工具演变为垂直产品。随着基础模型能力收敛，分发和专有数据生成引擎变得更重要，专业领域机会仍在，但当前平静可能被下一次发布打破。
查看摘要（6段）
- 图像生成正迎来新一轮质量跃迁，但真正具有商业意义的突破在于可控性。 Elad 回顾了从2018年或2019年一件 GAN 艺术品登上 Sotheby’s 拍卖场，到 Midjourney 和早期 Stable Diffusion 经历“人人都有7根手指”的阶段，再到如今风格统一的动漫作品这一轮技术曲线。他认为，约1年后还会出现下一次跃迁，产品将从今天的“横向版本”走向能无缝处理平面设计的垂直产品。
- 公开市场走弱对早期软件创业公司的经营影响应当很小，除非宏观路径变得具有生存意义。 尽管消费者信心降至多年低位、Nasdaq 下跌8%，Elad 仍称一切照常；即使在2008年金融危机期间，一家只有6人的创业公司也没有太多理由作出反应。Sarah 认为，高质量早期机会仍有充足资本，昂贵的基础模型项目获得的资金也深度超出预期，但 crossover 投资者和 IPO 前项目正面临更高的谨慎程度与流动性压力。
- 关税是针对具体行业的政策工具，而不是一个一概而论的宏观结论。 Elad 认为，有些关税可能有用，有些是谈判工具，还有些只会造成破坏性的成本上升。Sarah 将中国汽车竞争视为一个案例：欧洲或许会保护自身工业基础；但她认为，真正有生产力的保护主义必须大举投资于本土技能、成本竞争力、防务零部件和汽车产能。
- 基础模型能力正与产品入口汇合，战略问题因此转向分发和消费者剩余。 Sarah 指出 ArtificialAnalysis.ai 的图表显示模型能力正在收敛，并称 Google 最新的 Gemini 发布说明它仍在牌桌上。Elad 补充说，搜索、研究和推理也正在作为产品入口汇合；基准测试中的模型集群，以及 xAI 约9个月就达到大致 SOTA 模型，说明行业仍可能出现离群者。因此，机会不只是另一个通用 LLM，还包括物理、材料、机器人、科学、健康和生物学等被忽视的模型。
- 专业模型要建立防御力，起点要么是专有数据生成，要么是真正不同的技术路线。 Sarah 的核心问题是“数据收集引擎”长什么样：化学、生物学和机器人可能需要开展新的物理实验，而现有大型实验室未必会做这些事；这不同于代码拥有丰富的数字语料和可测试的效用函数。Elad 认为，可能成立的技术切口包括状态空间模型、基于 Lean 的形式化推理，以及更好的软件智能体 RL 环境。
- AI 市场感觉已经“可能进入第3局，而不是第1局”，标准化程度足以支持投资，但尚未形成持久均衡。 模型、基础设施、评估、编排和垂直应用层正变得清晰，MCP 则提供了模型与现有数据系统之间的开放接口。Elad 仍提醒说，“我学得越多，知道得越少”；这种“平静时刻”可能只会持续到下一次发布。
No Priors 第103期｜与 Vevo Therapeutics 和 Arc Institute 对谈
Tahoe 100以1亿次单细胞测量覆盖50个癌症模型、1,200种药物处理和60,000种交互，将具因果性的扰动数据推向机器学习规模。它与Arc约2.3亿细胞的scBaseCamp合并后，或可支持虚拟细胞降低靶点和化学搜索风险，但当前差异表达基因预测约仅10%，且治疗验证可能需要约10年。
查看摘要（7段）
Tahoe 100 将单细胞扰动数据推向机器学习规模。 Vivo 报告称，该数据集覆盖来自不同患者的50个癌症模型、1,200种药物处理，以及60,000种药物–细胞或药物–细胞系交互，共计1亿次单细胞测量；在此之前，公开可用的扰动数据约为100万—200万条。Dave Burke 将其潜在影响类比为细胞生物学领域的“ImageNet时刻”。
真正形成差异化的资产，是具备因果性、多样性且生成一致的数据，而不是又一堆健康细胞观测。 扰动提供前后对照信号，疾病模型则暴露出正常组织中不存在的状态。4个人以高度一致的方式完成了60,000次实验，几乎没有批次效应。团队认为，规模和广度本身就可能让数据生成新的假设与意外发现。
虚拟细胞回答了蛋白质模型留下的系统层面问题。 蛋白质语言模型可以学习折叠、结合和结构生物学，但药物作用于嵌入细胞、肿瘤及更大系统中的蛋白质。虚拟细胞的设想是一个“概念性CPU”，预测基因编辑或化学物质如何改变转录组，并最终解决如何将疾病状态推向健康状态的逆向问题。
当前虚拟细胞模型仍未达到商业成熟度，对差异表达基因的预测表现约为10%，且尚无公认基准。 按当前编码方式，Tahoe 100约对应2,000亿—3,000亿个训练tokens。Dave表示，其他领域约1万亿tokens可以作为较为宽裕的比较点，但也强调生物学的扩展规律仍不确定。Hani Goodarzi认为，蛋白质模型的成熟度已超过GPT-3，而细胞模型“更接近GPT-1，而不是GPT-2”。
开放源代码是一种运营策略，并非脱离 Vivo 经济模型的慈善行为。 Tahoe 100与 Arc 约2.3亿细胞的 scBaseCamp 数据集合并，形成一个3.3亿细胞的 Virtual Cell Atlas；社区可以训练和批评模型，Vivo则继续建设 Mosaic 数据生成平台。Nima将其定义为“重新立一根标杆”：一支小型内部团队可以借助外部研究生态，而无需组建庞大组织。
如果虚拟细胞能够奏效，最大的潜在收益是同时压缩靶点风险、化学搜索空间和实验时间。 约90%的药物会在临床试验中失败；嘉宾认为，失败既可能源于药物本身不理想，也可能因为选错了靶点。足够准确的模型可以搜索数千万种化合物，跨患者情境泛化，帮助团队“量两遍、再下刀”（measure twice and cut once）；但 Patrick Hsu警告，准确率只有10%时，“你只是在模拟噪声”。
技术拐点可能已经到来，但治疗验证仍将缓慢推进。 中国生物科技公司的成本、速度、抗体生产能力和IND申报支持材料，正迫使美国公司转向更精简的团队和更强的供应商；Nima称这是“生物医药的清晨”，并呼吁现在就开始建设，而不是承诺3—5年后交付成果。Sarah Guo强调，治疗通常需要11年以上，即使把成功率从10%提高到30%，仍会受“少数样本定律”制约，可能需要一个长达10年的窗口才能验证。
No Priors 第100期｜与 Sarah 和 Elad 对谈
GPT-4等效单token成本18个月降180倍，DeepSeek冲击入场叙事，却未推翻算力经济学。领先者仍有分发、工作流和合成数据优势，开放模型或拉平递归改进。Deep Research抬高分析门槛但仍需审计，模型多元化因此更具战略价值。
查看摘要（7段）
DeepSeek 确实推进了开源推理能力，但并非以550万美元推翻前沿算力经济学。 Elad表示，可比的最终训练运行成本本来就在500万–1000万美元左右，并判断DeepSeek在蒸馏出最终结果之前可能已投入数亿美元，因此NVIDIA约20%的下跌“有点不合理”。
更大的投资信号，是GPT-4等效模型单token推理成本在18个月内下降了180倍。 模型基准差距正在收窄，但Sarah强调，即便按DeepSeek披露成本的数倍计算，也仍远低于数十亿美元或Stargate级别的入场价格，这确实构成了对既有叙事的冲击。
前沿模型领先仍能换来分发、工作流锁定，以及潜在的递归式研发优势。 更强的模型可以为下一代模型生成合成数据、标注数据并编写代码；这是否会带来“起飞”仍不确定，而广泛可用的基础模型也可能成为“巨大的拉平器”。
OpenAI 的 Deep Research 立即抬高了分析师门槛，但其输出不能被视为权威。 Elad表示，他会将普通分析师或实习生的工作与其对比，因为“竞争对手很难比”；Sarah认为它尤其适合快速了解陌生领域，但在用户熟悉的领域，“确实需要认真审计输出”。
AI对知识的控制力正在上升，使模型多元化和开源的重要性超越经济层面。 Elad将AI的盲点比作Gell-Mann失忆症：人们能发现系统在熟悉领域的错误，却会在其他领域继续信任同一系统；Sarah警告，将搜索、社交网络和媒体整合进“一个供你询问的单一设备”，会带来审查和宣传风险。
Stargate反映的是对规模化回报的不确定，而不是资本不再重要的证据。 Elad表示，如果算力集群免费或能够融资，他无法想象一家AGI实验室不想要“他们能拥有的最大集群”，但他认为持续预训练带来的收益很可能会变得越来越低效。
他们对2025年的判断集中在基础模型整合、垂直AI、智能体和自动驾驶，机器人仍处于验证阶段。 Harvey、Decagon、Sierra、Cognition、Tesla、Waymo和Applied Intuition构成了主要机会集合；消费端可能因低价低延迟模型复兴，而生物、材料和医疗领域或将受益于更智能的垂直数据生成。
No Priors 第98期｜与 Convective Capital 创始人 Bill Clerico 对谈
野火已从气候风险演变为基础设施与资产负债表问题：WUI住房自1980年以来增加46%，电力公司造成约11%的起火却带来50%的损失。计划烧除、电网升级、保险重定价和无人机响应创造了可投资方向，但许可周期、监管费率与政治阻力仍限制落地速度。
查看摘要（7段）
在 Bill Clerico 的叙述中，野火并非一个无解的气候问题，而是一个存在可治理成因的适应与基础设施问题。 气候变化让高温、干燥季节变得更长，但经过一个世纪的“最大限度扑救”，森林密度已约为原来的3倍。与此同时，气候资本中98%投向减排，只有2%投向韧性与适应；在他看来，这一分配正在终于发生变化。
最高杠杆的预防措施是增加计划烧除和机械疏伐，但监管与地方层面的风险厌恶让两者推进得极其缓慢。 Clerico 自己170英亩林地的处理就耗时3年，还经历了6次生物学家检查；Sarah Guo 提到，简单项目的环境审查平均需要4.7年，复杂项目则需7.5年。Florida 每年进行200万–300万英亩计划烧除，而 California 只设定了10万英亩的目标：“森林终究会烧起来……我们可以按自己的方式烧，也可以让它们按自己的方式烧。”
住房扩张已将野火转化为城市资产负债表问题。 自1980年以来，野火与城市交界地带（WUI）的住房增加了46%；但 Paradise 在2018年 Camp Fire 后重建时，大体拒绝了更严格的建筑规范。Clerico 表示，一旦火焰越过社区边界，事件就会变成“城市大火”（urban conflagration），从一栋房屋蔓延至另一栋，扑救难度陡增。
电力公司减灾能带来异常集中的损失削减：电力公司约造成11%的起火，却造成50%的损失。 植被管理、敏感型断路器、公共安全断电和地下化都能发挥作用，但电缆地下化的成本为每英里300万–400万美元。约束并不在于电力公司排斥资本开支——它们可以在支出上加价约15%——而在于监管机构和消费者权益组织反对已经很高的电费。
California 保险市场的撤退，源于受监管价格不再反映风险，而不只是保险公司不愿承保。 直到最近，标准保险市场的费率都不能计入再保险成本——过去5–10年间再保险成本翻了一倍甚至3倍——也不能使用前瞻性灾害模型，只能依赖30年的历史数据。Clerico 的判断是，该州“把费率压得太低……最终把系统弄坏了”，导致保单流向 FAIR Plan 和 Stand 等非标准保险公司；Stand 是他的公司之一。
未来5–10年，随着载荷、集群协同和飞行监管改善，无人机可能成为野火响应中一个有实际意义的类别。 Clerico 预计，预先部署的系统可以在摄像头或卫星发现起火后，在火势扩大前进行扑救；也可以在道路被堵时携带阻燃剂，为建筑物防御争取时间。低技术版本已经存在：他备有20加仑 Barricade 凝胶，并认为 WUI 住户应考虑自行配备喷洒器、泵和水源。
长期瓶颈在于政治记忆与激励机制设计，而不是缺少零散的技术解决方案。 Elad Gil 提议打造一个倡导健康用火的“Smokey Bear 2.0”，而 Clerico 更关注改变公众对计划烧除的态度、为更安全的重建提供快速许可，以及用保险定价奖励房屋加固。Elad 还将野火视为被忽视的国家安全风险：如果30场火灾同时威胁军事基地或核电站并压垮系统，会发生什么？