硅谷AI投資人訪談：放緩的大模型、上升的谷歌、人才戰能否持續

！近日，在美國紅點創投播客Unsupervised Learning最新一期中，紅點創投合伙人Jacob Effron與Datology聯合創始人兼CEO Ari Morcos、Radical Ventures合伙人Rob Toews圍繞當下市場關注的問題進行了一場討論，討論內容涉及“大模型發展是否放緩、強化學習環境、谷歌大模型的快速上升、頭部大模型公司的估值、人才戰的影響、AI智能硬件與腦機接口等內容。

Ari Morcos認為，目前大模型單純地擴大規模已經出現邊際遞減效應，但大模型的進步體現在推理能力、成本效率和小模型變強等方面；Rob Toews對此有不同觀點，他認為，目前底層智能能力的加速度確實在放緩，如果希望繼續加速，需要在基礎層面有所突破。

兩人都長期看好谷歌的AI。近期Nano Banana上線后，谷歌Gemini爬升至美國Apple APP Store前列。Ari Morcos認為，Google的問題長期在“產品落地不強、缺乏核心聚焦”，但過谷歌聯合創始人Sergey Brin的回歸與深入參與，讓Gemini團隊發生了變化。

關于目前頭部大模型公司的估值，兩人也認為OpenAI（5000億美元）和Anthropic（1800億美元）的估值是相對合理的，但上限可能不高，未來可能更多取決于業務增速和商業化結果。而xAI的2000億美元估值不如上述兩家公司合理，資本市場愿意出錢更多是“不能押Elon輸”的原因。

以下為「明亮公司」編譯的訪談正文（有刪節）：

Ari Morcos（左）、Rob Toews（中），主持人Jacob（右）

大模型的發展放緩了嗎？

Jacob Effron：先聊最近爭論很大的話題：模型進展是否放緩。

Ari Morcos: 我不覺得有顯著放緩，只是更難量化、也更難被普通用戶感知。多數C端的任務上，模型已經足夠好，所以差距沒那么直觀。現在的進步更多體現在其他維度——推理（reasoning）、成本效率、更小模型追平一年前的大模型等。大家可能覺得失望、但其實預期之內的是，“單純擴規模”開始出現邊際遞減。

去看Scaling laws（Jerry Kaplan等人的研究）的工作——每擴大10倍數據或算力，回報會遞減。GPT-4.5、Llama 4、Behemoth等都體現了這點。但我們也解鎖了別的有效擴展軸。總體我不覺得放緩，只是“進步的音色”換了。

Rob Toews: 為了讓討論“有火花”，我不同意Ari。我認為底層智能能力的加速度確實在放緩。

任何指數最終都會走成S曲線。GPT-2到GPT-3，再到GPT-4的躍升驚人，但現在明顯在平臺期。一方面如Ari所說，預訓練擴大規模邊際遞減，這點有充分證據。

另一方面，去年開始有個敘事：擴大后訓練計算，基于RL（注：即強化學習、以下統一用RL）等，能延續進步曲線，擴大測試時計算的推理（reasoning）模型能在coding等領域展現新能力且很有用，但我不確定這套范式足以維持2020-2024那種進度。

特別對RL而言，在有明確可驗證答案的領域（數學、代碼）很強，但在難以驗證的開放域就不明朗。我覺得若要“再加速到下一層級”，需要更基礎的突破——雖然外界未必看見，但大廠顯然在做。就當前范式而言，確實在放緩。

Ari Morco: 補充一句，預訓練的平臺主要出現在“把模型越堆越大”這條路上——參數規模、上十億美元訓練，這條路性價比不再高。

我們在RL上看到的收益，正是因為基礎模型足夠好，RL才開始奏效。這也是S曲線。對普通用戶而言，模型已經很能打，剩下是可靠性，比如降低幻覺和成本等。對部署方來說，更便宜很重要。

Jacob Effron：回到RL，關鍵是它能否跨領域泛化？還是在某個數據集/場景上爬坡，換域就歸零？Ari你長期研究“泛化”，你的直覺是？

Ari Morcos: 我做過很多“分布外泛化”（注：即Out-of-Distribution Generalization、OOD泛化，指模型在訓練數據分布之外的新環境/新域上，仍能保持穩定、可靠的表現。簡言之，不只在“熟悉場景”里準，在“風格變了、環境換了、采樣偏了”的陌生場景里也準）。

現代自監督學習有個訣竅：把分布外盡量變成分布內。訓練覆蓋全網在某些方面確實有效，但里面很多無效數據會拖效率。RL難點在于你搭的“環境”很具體，且極易被“獎勵黑客”，模型會抓住模擬與現實的縫隙“作弊”。……AI在不完美環境里也會找這種漏洞，導致不泛化。

要讓RL奏效，你得做足夠真實、只能靠“通用原理”才能解的環境。這在編程等易驗證領域可行，但大多數真實世界任務很難，仍待驗證。

Jacob Effron: “RL環境創業”現在很熱，粗看有兩類：一類賣給那“幾家大的實驗室”，像數據標注那樣大部分工作在內部；另一類服務更廣泛的企業，幫他們用RL訓練自家模型。你們更看好哪個方向？

Rob Toews: 這個夏天冒出了一堆RL環境創業公司，不意外。

第一類——賣給有巨額預算的大實驗室（OpenAI、Anthropic等等）——短期會有營收暴增。大廠內部自建很多，也愿意外采，目標是盡快擴充RL環境的供給。但長期是否耐久，我存疑。環境生成會越來越自動化，或需求會轉向。像Scale AI那樣，關鍵是創始人能否靈活轉身，找到第二幕、第三幕。

第二類可稱“RL as a service”，給企業做基于自有數據的定制模型，學習其企業環境。我更看好這條。雖有專業服務屬性，但市場已接受“前線部署工程”（FDE）的模式。RL環境千差萬別，專家能長期創造價值。

Ari Morcos: 我同意“耐久性”是關鍵。數據采集與RL環境不完全類比：多做環境會更擅長做新環境，這和“專家數據標注”不同，也更易被自動化。標注平臺（Scale、Surge等）多做客戶專屬數據集；而很多RL環境公司想“做一個環境賣給所有人”，這會削弱差異。

如果你相信環境將成為前沿差異，那么大廠會強烈傾向自建或購買獨家環境。我預計這波不會太久，能否在窗口期做大、并順利轉型很重要。

至于第二類，我很看好。消費端需要“面廣但淺”的通才；企業要“面窄但深”的專才，做到五個九、盡可能低成本。門檻在成本與人才，但二者都在快速下降。我們已有證據：用百萬級美元就能做很強的定制模型，且成本還在掉。這會讓企業做定制RL非常有吸引力。

Jacob Effron: 以前“自建模型”更像做低成本版；現在通過這些技術，確實能在垂直領域把SOTA往前推。

Ari Morcos: 尤其當你有與任務高度匹配的專有數據時。拿這些數據去做通用Web模型就不值錢了。

谷歌AI模型的快速上升

Jacob Effron: 這周Gemini首次登頂App Store，可能受Nano Banana驅動。Google從Attention Is All You Need，到被說“落后”，再到今天“回來了”，你們怎么看？Ari你2016起在DeepMind。

Ari Morcos: 我一直看多Google Gemini，人才密度太高。Google的問題長期在“產品落地不強、缺乏必勝的聚焦”。過去一年Gemini團隊顯然變了，Sergey（谷歌聯合創始人Sergey Brin）親自深入抓，能量不同。Google一旦“全力開火”，上升很快，再疊加分發優勢，會很強。

Jacob Effron: Rob，兩三年后他們會有最強模型嗎？

Rob Toews: 和Ari看法一致，我很看好（谷歌）。ChatGPT之后，大家說Google躺平被OpenAI超車，當時確實是這樣。但Google有結構性優勢：資源、算力、深厚的人才儲備。我預計Gemini 3很快會發，會很強、達到SOTA，甚至可能更好。若讓我選一家推進前沿最猛，我會選Google。

Ari Morcos：有個財務層面的懸念：他們會贏下平臺之戰，但“平臺更難變現+成本更高”，短期利潤會被兩頭擠壓。中期他們會摸索出變現方式，也會降本（自研芯片幫助巨大），隨后恢復增長。

Jacob Effron: 這對OpenAI和Anthropic都是大威脅。OpenAI的估值很大程度基于C端ChatGPT；Anthropic更偏企業API（coding）。若Gemini 3在coding上發力，切換可能很快。

Ari Morcos: 默認（defaults）的力量很大。ChatGPT的C端品牌已出圈，但Android默認Gemini、iPhone未來默認Apple自研或Gemini？（按搜索的歷史來看，但監管未必允許），消費者端會受默認主導，尤其當質量差距不大時。

如何OpenAI、Anthropic、xAI的估值

Rob Toews: Jacob，我反問你一個。你提到OpenAI和Anthropic的融資，這么高的估值你怎么想？

Jacob Effron: 關鍵看增長率（是否）外推。若延續幾年，倍數自然變得更易接受。OpenAI有7億用戶，增量空間主要在“變現”：廣告、交易閉環等。理論上答案引擎的變現可超過搜索（直接驅動交易），但要解決“信任”。Anthropic看“編程市場”和“企業API”未來兩年的成長。要么模型有階梯式進步，要么社會擴散太慢，即便暫停研究也能靠擴散效應跑很久。

Ari Morcos：我不確定能保持“大爆發式增長”，但即便停止研究，也需要幾十年把現有能力普及到全部經濟系統。

OpenAI這類標的我可能會買，雖然上行空間小了，但并非離譜。關鍵是單位經濟是否穩健、消費者是否愿意付費。開發者會付，但我認識的非開發者很少付費。

答案引擎廣告有“破壞信任”的風險。當然搜索優化了20年，我們從零開始，怎么變現要摸索。

Jacob Effron: 你們會在OpenAI 5000億美元、Anthropic 1800億美元的估值投嗎？

Ari Morcos：OpenAI可能會吧。雖然上行空間小了，但并非不可理喻。Anthropic也類似，只是更受“開發者喜新厭舊”的影響——新模型一出大家就切，我們自己也會切。

Jacob Effron：今天xAI宣布以2000億美元融資。熱度不如上面兩家，但畢竟是Elon。你們怎么看？

Rob Toews: 能以這樣的速度與估值融資，反映了“Never bet against Elon”（別押Elon輸）在投資人心中的力量。這一理念在過去二十年確實非常奏效。他是這個時代最偉大的企業家。但如果撇開Elon，xAI以200B估值不如OpenAI或Anthropic合理。他們業務體量更小，還在追趕；技術范式、產品也沒有根本差異。最近還出現頂級研究員出走，文化也有擔憂。綜上我不下定論，但就當前態勢看，xAI不如那兩家站位穩健，后續拭目以待。

Ari Morcos: 和Rob基本一致。我覺得數字上不太自洽，但“別押Elon輸”確實是會傷錢包的教訓。

高薪挖AI人的影響：公司文化風險更大

Jacob Effron: 說到人才遷徙，過去6-12個月“搶人大戰”和“超高薪package”很熱。Ari你怎么看？會持續嗎？

Ari Morcos: 我2015年入行。那會兒有人拿到50萬美元就已夸張。每年大家都說“頂了”，事實證明還沒頂。AI的經濟價值已被驗證，不是.com泡沫那種。未來對AI的依賴會更深，“投人才”有回報就會持續。從“模型性能/美元”看，任何能當“算力乘數”的投入都很值。高質量數據是乘數，頂尖人才也是。他們能把GPU榨干，顯著提升單位算力產出，節省遠超薪酬本身。

風險在文化：是否吸來“只求不被裁/拿完錢就走”的人，打擊團隊士氣？這取決于組織如何設定激勵。

從ROI看，很講得通。平均薪酬還會漲，1億美元這種或許是階段性現象。如果Meta放出很強的模型，更多“天價”會出現；否則會少些。

Jacob Effron: 幾年前Character AI那種“非并購式并購”發生時，大家一頭霧水；事后看對某些人很聰明。也把創投生態帶到一個新狀態：一些超強團隊一出場，底層價值就被巨頭潛在收購價抬高，像Thinking Machines（前OpenAI創始人Mira Murati創立的公司）這類從Day 1就是“極具并購價值的團隊”，所以估值“地板”很高，像免費看漲期權。

Rob Toews: 正是如此，所以才會有Thinking Machines 100億美元、SSI（Ilya Sutskever創立的公司）先50億再到300億美元+這種“從一開始就很瘋狂”的估值。大廠已經試過出高價收購被拒，底線保護真實存在。

另一個現象是“非常規并購”——不是傳統M&A，而是用結構設計規避FTC或DOJ的反壟斷審查。我們在Character、Adept、Inflection，以及最近Scale AI與Meta上都看到過類似。

新問題是“錢怎么分”變得不可預測，不再按資本結構表線性分配。有的投資人只拿回本，有的折價，有的拿到更好倍數；創始人常常拿到很多，員工卻可能幾乎拿不到。這對生態有害，也只是找漏洞回避審查。我希望這是“時間段里的插曲”，會被監管修正。

Ari Morcos: 我很在意這一點。創始人與早期員工之間有“社會契約”：你拿出最寶貴的時間與精力下注，公司成功你應分享收益。

“類收購非收購”的結構破壞了契約，會讓優秀人才更不愿加入初創公司，轉而求穩，長期會餓死初創公司。

監管應介入，但更重要的是創始人的選擇：進入談判，你要捍衛員工應得的分配，避免留下一個“空殼公司+一群被稀釋的員工”的爛尾。

Jacob Effron: 我也好奇監管會怎么處理“時間敏感性”——AI時代，一年審批周期可能直接讓交易失去意義，這也是這些“結構創新”的原因。

Ari Morcos：你們覺得監管會允許收購像SSI或MSL這類“估值超100億美元但主要是靠人才密度的公司嗎？

Rob Toew：嚴格按傳統反壟斷分析，沒營收、沒市場份額的團隊被收購，不應影響消費者定價，理論上可通過。但像Lina Khan這種更積極的監管者，可能會強硬阻止比如Google收購SSI。換更“放任”的監管，則可能放行。

變化如此之快，做AI infra還有意義嗎？

Jacob Effron: 換個話題。我在BG聽到OpenAI平臺的Sherwin Wu談AI基礎設施（含RL環境）。他對“AI infra整體看空”，因為腳手架（Scaffolding）變太快。你們怎么看？

Ari Morcos：具體看類別。像Fireworks AI這類做高效推理（inference）的，不會因為范式變化就沒意義；推理總是需要。數據標注看起來也“安全”，但我覺得未必那么安全：你不需要“無限人類數據”，合成數據會占更大比重。標注公司也在轉向“評判（judges)”。

但給現有基礎模型套一層腳手架就能做某任”的，就容易被“下一代模型”吞掉。那些解決“訓練易用性、推理規模化、持續刷新模型”的基建，我看好。比如大廠的排序模型每幾小時更新一次，否則損失很大，其他行業也會走向高頻更新。

Rob Toews: 我同意“難，但不能一概看空”。技術范式遷移，總需要全新基建。關鍵是挑那些“無論范式如何變化，需求都長期存在”的類別。推理是一個。標注過去是一個，但合成數據崛起后要再評估。還有一些公司提供的能力，雖然底層技術細節常變，但它解決的“本質問題”不變，這類也能長存。

Ari Morcos: 以Datology為例，我們的核心信念是：無論你做什么AI，喂給模型的數據質量始終關鍵。我們的“不公平優勢”是：針對既定下游目標，最會“給數據定價/估值”，決定“該篩什么、該合成什么”。這個抽象框架長期有效，只是兩年后可能更多用在RL而非純預訓練。

要在AI infra里獲勝，你得抓“永遠成立的真理”，把核心能力打磨到極致，同時組織上能隨生態演進調整落地形態。

Jacob Effron: 否則就會被“打地鼠式”的變化拖死。

Ari Morcos: 尤其在AI里，唯一恒定的是“六個月后做事方式會變”。要把“適應性”設計進公司。

AI硬件與腦機接口：臨近拐點

Jacob Effron：最后幾個寬泛的問題。Ari你在Meta工作過，你覺得MSL（超級智能實驗室）實驗會成功嗎？

Ari Morcos: 有可能。就像別賭Elon輸，也別賭Zuck輸。我一個頗具爭議的觀點是，Meta在“元宇宙”的投入，長遠看會被證明合理。看他們最新的AR眼鏡路線就明白了。FAIR（Facebook AI Research）很多AI研究當時歸Reality Labs，算在“元宇宙開支”里。Llama的預算溯源可能也來自那邊。

Zuck多次做出當時被罵、事后被證明神來之筆的戰略。付高薪在財務上可能說得通，我更擔心文化副作用：我看到很多超強人才沒拿到“天價”，即便薪酬不差也會心懷芥蒂。若失敗，很可能是文化與激勵的問題，而非技術。

Jacob Effron: 硬件與模型的交匯也變精彩了。大家似乎共識“眼鏡”是形態，把模型和揚聲器裝進眼鏡。你們怎么看AI走出手機與電腦，進入物理世界？

Rob Toews: 我對BCI（腦機接口）非常看多，最近深挖了幾個月。無論侵入式還是非侵入式，都臨近拐點。侵入式需要開顱植入芯片，比如Neuralink，但能獲取高分辨率神經數據；非侵入式可把傳感器嵌入耳機、帽子、手環等。

得益于傳感器和AI（尤其信噪提取）的進步，從頭部電/磁信號噪聲中挖出足夠“信號”越來越可行。未來12-24個月會出現有說服力的消費產品，帶來全新的人機交互范式。

Ari Morcos: Meta的腕帶（EMG）是類似路徑。

Meta的EMG腕帶控制器（來源：uploadvr）

Ari Morcos: 它測的是肌電，不是神經活動，但范式相近。眼鏡形態我也認同。Google Glass當年“為時尚早”。電影Her和Humane那種“口袋+小相機”的形態不如眼鏡自然。有趣的是：人們會不會因此更常戴眼鏡/墨鏡？陽光強的地區滲透是否更快？再往后，腦機接口也會和眼鏡融合。

Jacob Effron：過去一年里，你們各自改變過的一個AI觀點？

Ari Morcos：我對“RL在大語言模型上的有效性”的看法變了。過去很多年，RL承諾大、泛化差、落地難。而這一年我們看到最有力的證據：在語言上，RL真的開始奏效了。但事后看，這有賴于base model先足夠好。把同樣的DeepSeek R1式技巧搬到三年前甚至一年前的模型，根本不靈。比如Qwen在訓練中吃了大量“推理軌跡（synthetic reasoning traces）”，所以非常會“被RL”；Llama沒吃，就不靈。

Rob Toews: 對我而言，不算“改觀”，而是“更不確定”：機器人什么時候迎來“GPT-3時刻”？我們談的AI多在“數字世界的知識勞動”。“物理世界的勞動”仍基本未被“AI優先”地自動化。

現在有兩路在攻：一是硬件無關的通用機器人基礎模型；二是通用硬件平臺人形機器人。進展很快，看起來“終會實現”，但是一兩年、五年還是更久？AI一到“原子世界”，難度指數級上升。公開研究與開源能讓我們看到些信號，但我仍不確定時間表。這會深刻影響AI改變世界的速度。

Jacob Effron: 我也來一個：一年前我會建議應用層別太想模型，深挖工作流與縱深足矣；但現在開始變了——在自家垂直領域做RL等，顯著提高可靠性與質量，開始變得必要且可行。

Ari Morcos: 歸根結底是成本。如果要花巨款就不劃算；若幾百萬美元可達成，每家企業都該做。成本還會繼續降。

Jacob Effron：還有什么你們覺得被低估的話題？

Rob Toews: 若有一個方向最可能帶來“下一次躍遷”，是“AI能自主改進AI”的遞歸路線（recursive AI）。從上世紀六十年代起，很多“超智能”路徑設想都基于此：AI能造更好的AI，形成復利。我知道一些頂尖團隊在悄悄做這事，大廠肯定也在做。它聽起來像科幻，但現在比以往更現實。如果有人把它做通了，未來幾年曲線的斜率會被它主導。

Ari Morcos：這個好，我認同。我補一個長期被低估的：數據。相對于影響力，數據在研究里依舊是低配的。大家談“數據墻”，但“合成數據”是大解法之一，關鍵在“怎么正確做”。有人擔心“模型自我喂養”導致胡言亂語（babbling），但有方法規避。外界已提到GPT-5以及多家中國模型都大量依賴高質量合成數據。結合更好地策劃、過濾真實數據，這是把現有數據再榨干的關鍵；進入垂直領域，更是剛需。若做對，影響巨大，但也有風險，需要專業方法。

作者：MD

出品：明亮公司