AI产业链

AI加速之后，慢变量开始决定胜负

信源：Invest Like The Best｜Patrick O’Shaughnessy 对话 Conviction 创始人 Sarah Guo｜2026-09-01

这期访谈最容易被截取传播的，是Sarah Guo转述的一种新情绪：部分前沿研究者开始相信，能够改进AI模型的AI研究系统，可能在一两年内带来某种“指数智能”。但她紧接着提到，Andrej Karpathy曾自嘲，自己已经连续十年觉得突破“还要两年”。标题中的“250人”也不是统计样本，而是Conviction长期接触的一群研究者和创业者。它能说明圈内叙事发生了变化，却不能当作AGI倒计时。

视频真正提供的洞见，是AI时代出现了一场越来越尖锐的速度错配：模型、代码和研究方法可以按周迭代，价值兑现却要穿过电力、芯片供应链、数据采集、现实世界可靠性、监管和客户预算这些慢变量。能力曲线越陡，决定胜负的反而越可能是那些不能同步加速的环节。Sarah谈开放权重、算力独立、家用机器人和AI制药，看似跨越四个行业，实际都在追问同一件事：智能怎样从演示和榜单进入真实经济。

这种错配先在前沿实验室内部显现。Sarah观察到，早期实验室规模较小，研究者容易相信个人能够改变技术路线；当组织扩张到数千人、竞争被巨额算力投入驱动后，一部分人开始觉得，要么模型最终会接管研究，要么唯一重要的变量只剩算力。这是她对圈内心理的描述，不是已被证明的技术规律。视频中那位超大规模云厂商基础设施负责人的说法——2030年前没有什么能以足够规模改变供给——同样只是匿名转述。不过，外部数据支持“物理供给正在变硬”这个方向：劳伦斯伯克利国家实验室2026年6月更新的报告估计，到2030年美国数据中心可能消耗全国11.8%的电力，情景区间为9.5%至15.3%。模型进步可以突然发生，电网、燃机、变压器和数据中心却不能突然出现。

Sarah关于开放模型的判断，正建立在这条裂缝上。企业需要的不只是最高分模型，还要成本、延迟、容量、数据敏感性以及对部署节奏的控制。最新榜单比3月的年度报告更能说明当前状态：截至8月27日，Arena文本榜已覆盖395个模型和792万次投票，Kimi K3排第10、GLM-5.3排第15；截至8月30日，Code Arena中Kimi K3升至第2，GLM-5.3排第10。这里不应再编造一个“当前中美差距百分比”。更准确的结论是，前沿排序正在按周重排，开放权重模型已经进入第一梯队，但在不同任务上的位置并不一致。

视频习惯把这类模型统称为“开源”，技术上需要再收紧一步：其中不少只是开放权重，许可证、训练数据和训练代码并未完全开放。即便如此，Sarah的机制判断仍然成立。开放权重降低了模型获取门槛，却不会自动消除算力、后训练、评测、安全和运维门槛；稀缺性只是从“能否调用模型”迁移到“能否把模型可靠、低成本地用于自己的任务”。因此，她主张与其用禁令阻挡扩散，不如对前沿模型做严格测试。这个主张值得讨论，但也带有明确的利益位置：她投资的生态需要开放能力继续扩散。

机器人部分把“慢变量”讲得更具体。Sarah看好Sunday Robotics，并非因为机器人外形，而是创始团队把数据采集成本、数据分布和模型迭代速度当成同一个工程问题。Sunday在7月发布的ACT-2说明确认，Memo计划在今年秋季进入家庭Beta，公司的核心资产是从手套采集、模型训练到机器人本体和部署反馈的闭环。但Beta不是通用自主，公司的文章反而给出了更清醒的判断：每项任务都做到60%可靠，可能不如先把少数高价值任务推过可用门槛。视频里“年底进家庭”代表的是验证开始，不是问题已经解决。Physical AI的瓶颈已经从能否做出漂亮演示，转向长尾环境中的成功率、恢复能力和单位数据成本。

AI制药也有同样的证据边界。Sarah说，客户合同和药企科学家的反馈让她相信，模型可以在生物研发中创造并捕获价值；但她同时承认，行业真正的“亮灯时刻”要等到一个新适应症或新药的轨迹被AI明确改变。合同证明付费意愿，不能证明临床成功。软件模型可以缩短候选生成和筛选，实验、毒理、临床和审批仍服从生物学与监管的时间尺度。这里的机会不是消灭慢过程，而是让每一次昂贵验证承载更多、更好的假设。

这也解释了Sarah自己的投资方法：她常常先凭人和技术形成八九分的直觉，再反向寻找认知漏洞，写备忘录，请同伴做第二遍判断。它不是“先有信仰、再找证据”的许可，而是一套把直觉变成可被推翻判断的办法。必须看到，她既是观察者也是投资者，节目中的Sunday、Chai等案例都与其投资组合有关；所谓“250人相信什么”更接近高密度关系网络的切片，而不是中立的产业普查。

因此，这期视频留下的最好问题不是“指数智能何时到来”，而是哪些慢变量正在被真实改善。接下来应看数据中心负荷能否转化为实际并网和付费推理，开放权重模型能否在企业任务中形成持续使用，家用机器人能否跨家庭保持可靠，AI设计的分子能否通过实验和临床验证。如果这些指标停滞，模型继续变强也可能对应过度建设和资本错配；如果它们同步改善，AI的利润池才会从实验室向能源、基础设施、行业软件和现实世界部署迁移。AI跑得越快，研究者越要盯住那些跑不快的东西。