“生活在科技大爆炸的时代，无论是创业者、投资人还是科技媒体人，我们都是幸运的。”Fusion Fund创始合伙人张璐感慨道。
过去十余年，张璐见证了硅谷从互联网时代到AI时代的变迁，她的成长经历决定了她面对技术浪潮时的丰富视角。
她是一位连续成功的创业者。张璐毕业于斯坦福大学材料科学工程学院，自2010年起就扎根硅谷。硕士毕业后，她卖了自己创办的医疗器械公司，转身创办Fusion Fund基金，赚到人生第一个100万美元，那时的张璐年仅24岁。
她也是一位经验丰富的投资人。从AI in Healthcare到企业级AI及工业数字化，张璐很早就确立了以高壁垒的科技创新投资为核心的理念。目前，Fusion Fund管理资金规模近4亿美元，业绩位居硅谷投资机构前列。
今天，站在历史的横截面上，张璐深感硅谷的创新气氛正发生着微妙变化。一切都更快了，很多新的技术创意一夜之间就能从实验室走向市场。最直观的表现是，张璐的说话语速都更快了。
关于未来，张璐认为，人工智能的生产力赋能才刚刚起步（just get started），而海量的高质量数据就是企业在大模型时代立足的核心。
6年前，我曾与张璐有过一次对谈，主题是“to B投资之道”。当时张璐表达：
“创新的周期性是‘基础技术创新-技术应用创新-商业模式创新’，前两步造蛋糕，最后一步分蛋糕。当蛋糕分无可分了，下一步当然是得重新技术开荒。这是一个螺旋上升的过程。在这种历史的螺旋式的上升规律里，识时务者为俊杰，一定要顺势而为。”
6年后的今天，世界来到AI的无人区，每一位局内人都是未来的“开荒者”。我再次与张璐相约，聊聊AGI这块蛋糕该怎么造、怎么分。
1.谈感受：“对生态系统、行业格局和产业聚焦的共识越来越多”
监管很重要，要制定合适的规则，确保技术发展贴合人类利益。
甲小姐: 之前每次见你，你都说“今年是最忙的时候”，今年会更忙吗？
张璐: 去年很忙，但今年确实更忙，是持续打鸡血的状态。科技领域几乎每天都有新事物出现。以前学术界的研究成果转化为实际产品需要很长时间，现在转化速度非常快。新技术在硬件、软件、基础设施等层面不断涌现，推动了AI应用和产业的多元化，既如火如荼，又眼花缭乱。但在应用层和底层，人工智能的大规模落地仍面临算力、耗电量、隐私、延迟等问题。这是挑战，也是大机会。
甲小姐：感觉你今年说话语速都更快了。
张璐：最近每天从早上七八点开始工作，晚上10点半左右才结束。作为创始人，我是没有周末的，周末主要是处理团队和公司事务或会见教授和科学家们。
我们整个团队也都兴奋起来了。我的合伙人们经常调侃，白人不像亚裔那样是“工作狂”。但现在他们下班后依然会在WhatsApp上讨论工作。
甲小姐：今年硅谷投资圈的共识和争议哪个更多？
张璐：共识越来越多，共识在于对生态系统和行业格局的判断和产业聚焦。大家探索后逐渐认清市场的真机会，而抓住机会的公司也得到了更集中的资源，获得更快的成长。
甲小姐：硅谷近期讨论最多的话题是什么？
张璐：其实关于“AI拥有意识后能否与人类利益保持一致”的讨论很多。一个更深层次思考是——我们距离AGI还有多远？我个人认为短期内人工智能仍是“没有意识，只有智能”的工具。我更好奇如果AI获得了自我意识，它是否会诞生出自己的语言，进而形成文明？
甲小姐：你的表述很像科幻小说家特德·姜的小说《领悟》中的角色，他在服用“聪明药”后智力不断提高，逐渐发现人类语言已不能表达他的思维，最终创造出一个融合数学与物理公式的语言体系。或许在一个隐秘的运作空间中，AI采用的逻辑已经超出了我们的认知范围。
张璐：是的，所以监管很重要。任何新技术都需要监管，尤其是AI这种超级工具。当前的AI监管主要集中在数据上，如B端的医疗、金融、保险等高监管行业的核心就是把控数据。
我们需要明确发展AI会带来的潜在风险，如果不对使用者或相关数据设限，很可能会导致失控。但这是持续探讨的过程，不是要放慢技术进步的脚步，而是制定合适的规则，确保技术发展贴合人类利益。
2.谈路径：“生成式AI是构建世界模型的可选项，而非必选项”
我们需要对未知保持敬畏，人类对世界的认知还有很大的提升空间。
甲小姐：你怎么看OpenAI实现物理世界模拟器的目标？
张璐: 不同的人对人工智能的定义理解不同。
目前人类对脑神经科学的了解是有限的。大脑是世界上最高效的机器——高效率低能耗，还具有意识和潜意识之分。潜意识在我们用意识决策时，无意识地捕捉、分析并生成数据，形成所谓的“第六感”。
科研在不断拓展我们对大脑的认知。《Nature》杂志在去年12月研究表明，在大脑中新发现的神经元系统——神经肽，而神经元间的通信并非都需要直接接触，而可以像Wi-Fi一样远程传输信息。
上一代的人工智能专家多是数学和物理背景的，但现在越来越多的人工智能专家是脑神经学背景。因为我们开始意识到大脑不只是一个简单的器官，而是奇妙生物。随着我们对大脑复杂性的了解逐步加深，我们更能改进AI技术。
我们需要对未知保持敬畏，人类对世界的认知还有很大的提升空间。人工智能还没有发展出类似人类的意识和潜意识，AI在这方面的输入和模拟可能还不成熟。我认为世界模型还未诞生，但我们正朝着这一目标前进。
甲小姐：你最看好的通往世界模型的技术路径是什么？
张璐：我相信技术发展和数据提供了多种可能性，并非只有一条路径。Meta和其他公司正在探索不同的方法来构建世界模型。方法可以是“自下而上”或“自上而下”的。Sora的做法可能更像是自下而上的；另一种是从已知的物理定律出发，自上而下地去理解和构建世界。我相信，这两种方法都有可能成功，但我们对世界的理解可能还不足30%，这是一个持续演进的过程。
甲小姐：我同意你的观点，单一的路径不能完全模拟世界，但Sam Altman等极端的技术理想主义者认为，应该坚持一条路走到黑，你怎么看？
张璐：有这种可能。现在最让人兴奋就是未来充满可能性。我在与顶尖专家交流时，他们对未来的技术架构也没有确切的构想，我们需要在不同技术方向上进行尝试，正如我们之前没有预料到大模型在编写代码方面的能力。目前产业正在探索多种路径，这也为投资提供了多样化的选择。
甲小姐：在电影《降临》中，不同物种可能有不同的物理体系，这意味着有多种方法可以逼近世界模拟。物理世界的“模拟器”并不等同于“理解器”，但今天的大模型依然有严重的“幻觉”，是否意味着，今天的AI不适合处理理工科模拟和预测问题，只能局限于需要随机实验和启发性结果的领域？
张璐：我认为并非所有情况都需要使用生成式AI。不同的模型和技术路径将适用于不同的应用场景，生成式AI是构建世界模型的一个选项，但并不是唯一选择。比如英伟达曾经开发了一个成功的全球气象模型，这个模型利用合成数据平台成功构建了工业和产业生态，包括地球气象的模拟。
甲小姐：目前，实现AGI的技术路径依然没有“大一统”对吗？
张璐：是的，整个人工智能趋势都是刚刚起步（just get started）。在这一阶段，尽管某条技术路径的初步尝试取得了成功，但同时也面临成本、算力等挑战。也许就存在另外一条路能够解决成本和算力的问题。
另一个考量是，应该优化哪个参数？优化模型时不仅要考虑高精准等因素，更要考虑成本。比如对不追求时效的用户而言，3分钟或3小时生成一个视频没差别，那花费巨大算力成本追求快速生成视频就不值得，这类问题在未来商业应用中都该考虑到。
3.谈投资：“医疗的未来是个性化，而个性化的核心是数字化，这都需AI技术驱动”
技术本身固然重要，但成本和应用场景的实际需求才是投资的首要考量。
甲小姐：目前AI在商业应用方面，有哪些投资机会？
张璐：之前提到，人工智能是所有产业都该应用的超级工具，但不代表每个产业都能产生大规模的商业投资机会。
应用层首先要有海量的高质量数据，筛选后会发现有医疗、金融、保险、物流供应链和化工等行业，它们数据的拥有方不是科技公司，初创企业反而更有优势获得优质数据。而AI作为撬动的技术杠杆，能帮助好应用做起来。
此外还有机器人（robotics）和太空数据。得益于人工智能的进化，机器人技术进入新时代。而AI进化过程中训练数据的形态和属性很重要。尽管目前数据资源丰富，但公益数据可能在未来几年内耗尽。
为了增加新生成数据的多样性，我们就需要有更强大的感知和收集数据的入口。目前收集的数据主要是文本、语音和图片，但人类接收的数据类型远不止这些，还包括感知数据、磁场数据、情绪数据等。
所以我们主要有两个需求：一是需要机器人和传感器收集广泛的数据；二是发展更先进的感知技术获得多样化数据。
而太空数据是稀缺的。有些公司专门处理太空中的卫星交通数据，这些数据价值极高。它们通过管理、交易和分享太空数据，最终形成了太空数据经济体系。太空数据是潜在的宝藏，在AI的加持下，能挖掘出独特且有价值的垂直领域应用，我们也投资了很多太空科技公司。以上是应用层的机会。
此外，在AI基础设施（AI infrastructure）层包括芯片层、网络层、软件层和数据层，对应人工智能应用面临的四大挑战：算力成本高、耗能大、延迟问题以及数据隐私问题。
所以我们除了投资专注算力优化、降低能耗方向的公司外，从2018年就投资了边缘计算，人工智能的未来是AI on the edge，边缘计算的优势有：降低能耗，无需将所有数据上传云端；减少延迟，边缘计算能实现本地即时反馈；以及在数据隐私层面的优势。
当我们把市场格局理清，投资路线和思路也会清晰起来。
甲小姐：有人认为当前是OpenAI一骑绝尘的市场格局，而你呈现了另一幅充满想象和多角色融合的场景。
张璐：自2017年起我们便把AI作为重点投资赛道，同年我们发布了《AI人工智能在医疗领域的应用》。我最初做医疗器械起家，后来转向深科技和医疗投资。之前的经历让我意识到，医疗的未来是个性化，而个性化的核心是数字化，比如数字诊断等，都需AI技术驱动。
从产业角度考察技术，可以确保投资项目的实际性和可行性。技术本身固然重要，但成本和应用场景的实际需求才是投资的首要考量。市场眼花缭乱，就要求早期投资人和早期创业者，一定要擦亮眼睛，在市场空间层面上找到真正的机会。
甲小姐：整体概括一下，当前AI生态中有哪几类玩家？
张璐：主要有三类企业。
第一类是不盈利的模型公司。它们背靠亚马逊等大型云服务公司的支持，比如OpenAI等公司。
第二类是用大模型作内驱力的企业。如Salesforce、苹果和英伟达等，它们开发了出色的大模型仅供内部或只在自家产品上使用，而非独立销售的产品。
尤其值得关注的是苹果，它在AI芯片、云服务、算法和数据方面实现了垂直整合。苹果是最容易做系统优化的公司，实现降本增效的系统优化。
在芯片层提高20%的效能和降本20%只是芯片单层的改进；OpenAI在模型层面提升是模型单层面的改进。而苹果如果在每层提升5%—10%，叠加的优化效果将十分惊人。
第三类是开源模型。OpenAI的“暴力美学”的方式未能一统江湖，整个生态呈多样化，Meta就是开源生态的突出贡献者。
甲小姐： Meta、Google、微软等巨头在硅谷的人工智能生态中扮演什么角色？
张璐：这些巨头在内部人工智能应用和推广外部产品方面都进展飞快，但它们并非“能做就全做”，而是采取长期的生态系统思维，让初创企业在生态中快速成长，转而成为其中的贡献者。
大科技公司和初创企业都致力于通过商业应用来优化和改进生态系统。我们相信这种模式会推动更高效、更低成本的视频和语言模型诞生。因此我看好开源领域，尤其是Meta和Google，它们都为开源生态做出巨大贡献。
甲小姐：你们似乎一直很重视开源？
张璐：是的，因为我们团队的优势就在于生态网络。我们投资的一些公司由使用OpenAI的API转向开源模型，像Mistral等开源模型都表现出色。去年9月，我们投资的一家公司发布的开源模型在多个专业任务上超越GPT-4，当时在Hugging Face上排名第一。Hugging Face的CEO Clément Delangue也在X上推广它。
我由衷希望大家多关注开源。许多优秀的开源模型是华人团队开发的，这些模型经过中英文双语训练的，利用中文的多样性、独特性让模型更优化，我的合伙人之一Trevor Mottl就在积极探索开源模型。
4.谈创业：AI创业公司仅有C端市场10%的机会
拥有海量的高质量数据是企业在AI时代中立足的核心优势，且数据的质量比数量更重要。
甲小姐：对创业公司而言，如何更好地在这波大模型浪潮中立足？
张璐：首先，这波AI趋势的真实性毋庸置疑，且量级可能是互联网时代的十倍多，涉及全产业数字化转型。
拥有海量的高质量数据是企业在AI时代中立足的核心优势，且数据的质量比数量更重要。以前由于缺少数据和数据共享的渠道，我们无法集中训练所有数据。现在数据量、数据质量和数据获取的渠道都已就绪。数据的可用性和技术的进步让产业看到零代码AI平台的潜力，这也是我从2017年就强调的概念。
比如医疗，我看好医疗是因为医疗数据大多不在传统科技公司手中。因为担心数据被用于商业目的，这些企业不会将数据分享微软、Google等公司，它们更倾向于采纳新技术来内部实现AI赋能，并倾向于与初创公司合作。但同时，大科技公司也开始认识到数据价值的，并探索建立自己的数据战略。
甲小姐：大企业为什么不自己处理数据？
张璐：主要出于对敏感数据的担忧。特别是处于高度监管行业的公司，数据处理不当可能会面临严重的追责。此外，具有深度技术背景并懂大模型的人才是稀缺的。
甲小姐：目前整体的AI人才画像如何？
张璐：AI公司的人才可以分为两类：一种是做应用的，这类公司的成功很大程度上取决于能否拿到数据。在这种情况下，有经验的连续成功创业者可能更容易获得信任和高质量数据。另一种是做AI基础设施的公司，需要创始人具有强烈的创新思维，这时年轻的创业者就更有优势，因为他们没有被现有架构的束缚。
去年可能是我投资公司数量最多的一年。在我投资的应用层公司中，有三分之二是连续成功创业者；在做新基础设施的公司中，连续成功创业者和年轻的创业者各占一半。两边都有机会，重要在于创始人需要清楚自己的优势，并选择适合自己的创新方向。
其次，人工智能领域的初创企业人力成本正在降低，因为现在可以采用倒金字塔结构，高层由少数资深人员带领，执行层面由少量年轻工程师和AI辅助工具（如copilot）构成。这种结构下初创企业不需要大量的资金和资源，但对于资深人才还是需要与大科技公司抢夺的。
甲小姐：资金和人才会趋向于集中流向少数热门领域吗？
张璐：我认为不会。大模型公司更像是热带雨林地下的真菌网络，为整个生态系统提供支持。在这个网络之上，能生长多样化的公司。
甲小姐：OpenAI采取了“暴力美学”的策略，通过大量参数训练出领先的产品后，再考虑如何大幅降低成本，初创公司应该先对齐OpenAI的技术水平还是先解决各自的问题？
张璐：初创公司应先对齐OpenAI的技术水平，再考虑优化。初创公司可以通过技术，如微调来有效控制成本并减少算力需求。重要的是，人工智能尚未有统一标准，一切“just get started”。
甲小姐：初创企业的机会在B端更大还是C端更大？
张璐：To B领域的需求与To C领域大相径庭。
相比之下，C端对技术的要求最高。这也是我们时常遗忘的，人的需求是多样的，人会有复杂的问题和需求。所以To C端产品需要覆盖广泛，要能回答“如何用拖鞋和篮球、梨制作一道菜”这样不可预测的问题。
但专注度是To B领域发展的关键。
例如在医疗领域，我们投资的公司不需要有像Sora这样的技术，他们只需用生成式AI制作医疗影像一旦获得FDA批准即可销售；
在教育领域，AI也为教育带来了新的工具。在斯坦福等顶尖大学，教授们开始鼓励学生利用AI来完成作业，并分享他们如何更有效地使用这些工具，人们开始意识到，提问的能力比回答问题的能力更为重要，因为好的提问可以引导出更深入的答案。优秀的提问技巧和思维方式，也是我们教育未来应该培养的方向。
目前，消费级AI中90%的机会都在大科技公司手中，因为它们掌握着数据。它们在“ABC”三方面具有优势，A是algorithm（算法），B是big data（大数据），C是computing power（算力）。但对于初创企业而言，剩下的10%的机会也足够大。初创企业在C端市场难以与Meta、Google等竞争；而在B端市场，尤其是科技驱动的SaaS赛道，同样需要面对Salesforce和微软等的压力。
甲小姐：你认为目前创业公司最大的挑战是什么？
张璐：算力成本高昂，模型公司基本不盈利。
以Sora为例，Sora惊艳的背后有个未被提及的关键问题——具体成本，包括算力成本和扩展成本。Sora生成一分钟视频需要耗费大量时间和算力，在同等产品效果下，如果Sora的成本远高于传统人力成本，用户极大可能不会AI生成视频的方式。
目前，AI发展的最大瓶颈可能也不是模型本身，而是算力资源不足。OpenAI、Google等科技巨头也面临GPU资源紧张的情况。GPU本身并非专为处理生成任务而设计的，短期内难以找到替代品。
甲小姐：你曾表达：“投资者应该更关注解决方案，而不是问题本身。”在GPU的问题上，你看到了哪些解决方案？
张璐：目前，半导体公司TSMC正在建设新工厂，用于在N2制程芯片的量产，预计这些新工厂将在2025年下半年开始大规模生产。英特尔也在推进其先进的制程技术。挑战也意味着机遇——在未来，减少对GPU的依赖和优化使用效率是行业的重要发展方向。
还有GPU的能耗问题。我们投资了部分能大幅降低数据中心能耗的公司，这些公司最多能将能耗降低至原来的1%。
5.谈未来：“大企业竞争有利于生态搭建，普通人要拥抱新技术”
我们不应将新技术视为威胁，而是把它看作一个机会。
甲小姐：预判一下，2024年AI领域会有怎样的milestone（里程碑事件）？
张璐：许多大科技公司逐渐都会有大的发布，原本较为被动的大科技公司现在正积极参到竞争中，这对科技生态是十分利好的。他们在算力和基础建设方面大力投入，并为小公司提供了低成本的API。生活在科技大爆炸的时代，无论是创业者、投资人还是科技媒体人，我们都是幸运的。
甲小姐：你认为下一个大火的细分赛道会是什么？
张璐：医疗。
甲小姐：中国市场和美国市场的AI需求分别是什么样的？
张璐：中国市场和美国市场对AI需求不同。在美国，AI机会更倾向To B。尤其在OpenAI DevDay的举行和Sora出现后，让初创公司意识到与大公司在C端市场的竞争艰难。
甲小姐：关于社会普世价值，AI的进一步的发展会进一步加大数字鸿沟吗？
张璐：我觉得不一定。关于人工智能对社会的影响，并没有一个简单的答案。短期内，大品牌和科技巨头会被AI更快更多地赋能，同时技术正朝着降低使用门槛和使用成本的方向发展。
未来技术为我们提供了更多表达自我的方式。就像电影之所以有强大的影响力是因为它具备讲述故事、与观众沟通的能力。现在每个人都有机会创造出有影响力的内容。在相机出现前，如果没有绘画技巧，我们很难将美景和理念呈现出来；而如今只要有发现美的眼睛，我们就可以通过相机或手机捕捉到这个瞬间，这正是技术带给我们的新可能性。
在谈到数据鸿沟时，确实有算法能帮助我们解决这个问题，比如我们投资的公司Federal Learning就在做这件事。所以不只是大型语言模型或生成式AI，还有其他的算法模型也在致力于解决我们面临的挑战。
甲小姐：你对AI时代的我们有什么建议？
张璐：在中国，各行各业的对人工智能的兴趣和关注度都非常高。我们需要持续关注并使用这些AI工具，并保持开放心态，思考如何将这些工具应用于日常生活中，并最终实现自我赋能。
华人科学家李飞飞教授曾说过：“人工智能替代掉的不是工作，而是项目。”比如人工智能可能会替代护士职务的50%，这实际上是对护士职业的赋能。我们不应将新技术视为威胁，而是把它看作一个机会。
注：文/甲小姐、苏霍伊，文章来源：甲子光年(公众号ID：jazzyear)，本文为作者独立观点，不代表亿邦动力立场。
文章来源：甲子光年
