AI投资正在陷入一种矛盾：模型能力进步得越快，关于未来的判断就越容易趋同。少数前沿实验室会不会吞下整个经济？应用公司还有多少空间？递归式自我改进是否即将到来？这些问题吸引了大量讨论，却未必能帮助投资人判断，一家具体的公司为什么值得下注。
Conviction创始人、前Greylock合伙人Sarah Guo选择从技术和人出发。她与团队持续关注约250位前沿研究者与创业者，理解他们正在解决什么问题，再判断模型的新能力会让哪些产品成为可能。Harvey的法律应用、Sunday Robotics的机器人，以及Chai Discovery的生物模型，都是这套方法的不同实践。
在与Patrick O’Shaughnessy的这场对话中，Sarah 既谈到了自己的投资方法，也审视了AI行业正在形成的共识。在她看来，AI的机会正从软件扩展到能源、芯片、机器人和生物，而真正值得追问的是：如果AI的扩散才完成了1%，接下来的99%将怎样发生？
她的主要观点包括：
技术能力的变化，本身就能成为寻找市场的起点。 Conviction会从模型已经能做什么出发，推演哪些职业和任务可能被改变，再与客户需求相互验证。法律工作中的阅读、检索与文本生成，让Harvey成为这一思路的典型案例。
投资研究型公司，不能用履历和背书代替判断。 创始人很优秀，并不足以解释一家公司的技术为什么成立、商业价值在哪里。投资人需要形成自己的理解，尤其是在研究需要大量前期资本的领域。
RSI 值得认真研究，但时间表仍然不确定。 越来越多研究者相信，AI可能很快参与改进下一代模型；然而，“还有两年”的预期已经持续多年。随着算力投入和团队规模扩大，部分研究者也开始怀疑，自己的工作还能在多大程度上改变结果。
前沿模型公司不会预先覆盖所有应用机会。 她更愿意逐一判断大型实验室在具体业务中的竞争力和边界，而不是用“哪一层会赢”的宏大框架决定所有投资。大量机会仍藏在能力扩散和行业落地的过程中。
机器人数据的缺口，需要靠技术和工程创造性解决。 通用机器人没有现成的互联网级数据。Sunday Robotics吸引她的地方，在于把低成本采集、任务覆盖、数据形式与模型学习一起设计，并通过真实环境中的密集迭代验证。
算力自主会越来越接近能源自主，成为国家竞争力的一部分。 GPU之外，供电、冷却、建设能力、熟练劳动力与硬件供应链都可能成为瓶颈。关键是为薄弱环节增加产能和替代来源，而这些条件需要主动建设。
开源模型的扩散已经无法撤回，安全控制需要针对具体风险。 企业需要掌握成本、容量、部署方式和数据。她认为，单方面限制本国企业使用开源模型，可能削弱守法企业的竞争力，却难以阻止恶意使用者。
AI带来的明确需求，正在改变硬科技的投资逻辑。 芯片、核能、机器人和生物曾因资本密集、回收周期长而让风险投资却步。如今，大客户的需求和模型创造价值的能力正在变化，这些市场需要重新评估。
强烈的投资直觉，需要经得起反向检查。 她常常先对团队形成判断，再通过学习、备忘录和同事的质疑检验前提。Conviction所强调的信念，也包括明确说明：什么新信息会让自己改变主意。
AI提高效率之后，人们可能会工作得更多。 当开发、营销和其他任务的成本下降，团队会尝试更多项目、扩大产出。她期待这种变化从软件工程扩展到更多领域，同时强调，让人们获得工具并学会使用同样关键。
关注约250位前沿研究者与创业者，从技术能力判断投资机会
Patrick O’Shaughnessy：你我都对很多相同的问题感兴趣。眼下的节奏已经很快，而且似乎只会更加混乱。作为投资人，你现在最关心什么？
Sarah Guo：最直接的问题是，这一轮技术浪潮会怎样展开，它与过去有什么不同。如果无法用过去的经验检验今天的判断，投资人应该怎么办？一位朋友形容得很好：他总说自己想狠狠踩下刹车，实际上却没有这么做，仍在以每小时90英里的速度向前冲。你既可能错过机会，也可能重复历次科技泡沫中的错误；同时，我的机构成立已进入第四年，还必须考虑组织和团队能否长期发展。
Patrick O’Shaughnessy：我们之前写你的报道时，把你的判断理解为：少数几家AI实验室与其他参与者之间，正在发生一种重要变化，而你希望避免未来由少数几家公司主导。这样理解准确吗？
Sarah Guo：我会换一种方式回答。我相信，历史会被少数行动力极强的人改变。只要这些人得到合适的风险资本、网络与环境支持，结果就会不同。西方能否出现具有竞争力的开源模型，最终会落到非常具体的问题上：有没有人愿意创办公司、筹集资金、聚集人才、建立基础设施，并真正向前沿发起挑战。
这并不意味着我把AI看成一场战争。我与几家大型实验室合作、共同投资，也有很多朋友在那里。但我不希望一两家或三家前沿模型公司吞下整个经济，而且我也不认为现实会走向那个极端。
Patrick O’Shaughnessy：按照你刚才的说法，你自己也希望成为这样一位改变历史的人吗？
Sarah Guo：这不是我的目标，也不是出于谦虚。我希望在自己选择的领域成为最好的投资人，这并不意味着缺少野心或信心。只是有些人希望自己成为推动一件大事发生的那个人，而我的动力有所不同。
很长一段时间里，我以为自己会成为软件创业者。后来选择投资，是因为我有很强的好奇心，喜欢理解事物、作出正确判断，也喜欢与出色的人一起工作。如果我的能力可以帮助他们更成功，那就很适合做早期投资。公司和机构可以支持我们希望看到的变化，但不一定要由我本人站在中心。
Patrick O’Shaughnessy：在竞争如此激烈的环境里，要做到最好，需要什么？
Sarah Guo：当时我的判断是，随着投资机构规模扩大、代际交接，早期投资并没有处在竞争最激烈的时期，而一场巨大的技术转变正在发生。如果愿意专注理解技术和相关社群，从第一性原理出发，就可能比不够专注的人更容易接触到好机会，也作出更好的决策。
接下来就是承担风险、保持专注并认真执行。道理并不复杂，但需要付出很多努力。另一个关键是，我们对一起工作的人设定怎样的标准。Mike和我过去积累的关系和理解，也提供了帮助。
Patrick O’Shaughnessy：Mike几周前跟我提到，你们关注着大约250位创业者和研究者，他们正在前沿领域做一些最有意思的工作。你们希望认识这些人，尽可能与他们保持密切联系，并从各方面支持他们。我很喜欢这个思路，这显然不只是多见一些正在创业的人。
还有一家知名LP每年会调查其他LP最想投资哪些机构，你们排在第一或第二。无论是被投公司、目前的表现，还是市场对你们的看法，都说明这里面不只是“赶上时机，再努力执行”那么简单。我想进一步了解其中的原因。
Sarah Guo：我们确实认真思考过，如果模型能力持续提高，而且影响足够广泛，哪些市场会变得重要，这个时代值得关注的创始人又会有什么不同。这些变化中，有哪些是其他人还没有充分意识到的？
Conviction成立第一年，我们寻找的是与模型能力天然匹配的应用、职业和具体任务。这是一种从技术向外推演的方法。有人会说，创业只能从客户问题出发；我们的观点是两者都要做。Harvey就是一个例子。站在2022年末，如果你已经知道模型能够进行语言的下一token预测，那么法律工作就是一个很自然的方向。
法律本身包含大量结构化语言，需要阅读文件、检索材料和生成文本，律所内部、普通法和历史记录中又积累了大量可供参考的文本。我们不仅判断技术已经能做什么，也判断其中哪些能力有价值，以及哪些创始人与我们持有相近的看法。
Winston和Gabe相信，AI会改变法律实践，并与律师一起完成极其复杂的工作。从阅读一份加州的租赁协议并回答问题，到参与动视暴雪这样的并购交易、完成其中85%的工作，这是很大的跨越。我不知道需要一年还是五年，但当时吸引我的，是他们对未来可能性的雄心，以及支撑这件事的技术逻辑。
AI研究能否实现RSI？研究者也在重新判断自己的作用
Patrick O’Shaughnessy：与半年前或一年前相比，那250人构成的前沿圈子发生了什么最明显的变化？
Sarah Guo：竞争非常激烈。一年前已经如此，与两三年前相比尤其明显。研究者也越来越意识到，这是一场全球竞争，这会带来不安全感，也挑战了一些原有的判断。
我先描述一种看法，再对它提出疑问：如果AI能够递归式地改进AI研究，也就是模型能够改进模型本身，那么我们也许距离某种智能的指数增长只剩一两年。过去一年，不少研究者开始接受这种看法。不过，Karpathy也很清醒地说，过去大约十年，他一直觉得这件事还有两年就会发生。现在他又这么想了，谁能确定呢？
与此同时，大型实验室现在需要巨额算力，人员规模也大幅增加。过去团队只有两百人、研究者不多时，每个人都可能觉得，怎样实现目标取决于自己的工作。如果现在的答案变成需要7500亿美元算力投入，以及数千人一起解决问题，个人对结果的掌控感就可能减弱。
Patrick O’Shaughnessy：也就是说，决定进展的似乎变成了获得算力，而不是人的努力？
Sarah Guo：我认为，不少研究者可能会产生两种想法：一是模型反正会完成这件事，我做什么都不重要；二是唯一重要的就是算力规模。两者都会削弱人的自主感。但不同人的动力也不同。有些人希望自己的工作能够改变结果，也有科学家只是想研究这个问题，不在意自己的参与是否不可替代。
昨天有位创业者问我，如果没有我，我们投资的公司中有多少会在那轮融资中拿不到投资？可能最多只有5%到10%。这些创始人很有能力，也很善于寻找资源，他们会找到其他愿意承担风险的投资人。当然，他们获得的算力资金可能因此有所不同。我想说的是，现在最前沿的几家实验室里，并不是每位研究者都觉得自己不可替代。
Patrick O’Shaughnessy：你们都是第一次见面就决定投资吗？实际的决策过程是什么样的？
Sarah Guo：要看具体公司。我对人的判断比较依赖直觉。如果了解对方过去做过什么，见面听过想法，而且自己对这个方向也有一定认识，我常常很快就想投资。我们内部采用十分制，有时我的初步判断已经是八分或九分。接下来，我会检查自己哪里还没理解清楚，对他们的前提或团队是否存在误判。我们看生物、国防、机器人和法律，不可能精通每一个领域，因此我会花一天到几周的时间迅速补课，了解其他人怎么看这个领域，并进一步核实对创始人的判断。
我习惯写投资备忘录。机构刚成立、只有我一个人时，我也会写完整的备忘录，发给信任的投资人朋友，请他们提出意见。现在，我也会看合伙人对团队和项目还有哪些问题。我并不害怕自己作决定，但相信其他人可以帮助我作出更好的决定。他们会质疑我的逻辑，促使我重新思考。
有些人是逐步建立信心，我则往往先有很强的直觉，再倒过来检查。无论采用哪种方式，我们都需要说明，什么新信息会让自己改变判断。对人的信任与对其判断力的理解，也很难完全分开。一个人之所以出色，部分原因就是他反复作出正确决定。如果我根本不理解他在做什么，也就很难评价他的判断力。
Patrick O’Shaughnessy：你现在主要怎样分配时间？
Sarah Guo：大约五分之三到三分之二的时间用于被投公司，包括招聘、帮助团队思考问题，以及尝试改善它们所处的外部环境。此外还有募资。接下来比较大的部分，是看新公司。我每周大约见四到六家，数量不算多。我也会帮助合伙人看项目，接触能够教我一些新东西的人，包括研究者和不同资产类别的投资人。过去我很少与公开市场投资人交流，后来发现他们看待世界的方法很有启发。我还会与制药企业等公司交流，了解它们怎样判断AI的影响。我会特意在日程里留出学习和满足好奇心的时间。
Patrick O’Shaughnessy：关于募资，你学到了什么？
Sarah Guo：我的看法与给创业者的建议一样：你应该理解对方的疑问和反对意见，但不能只是说他们想听的话。募集第一只基金时，一位做私募股权投资的朋友告诉我，必须向LP讲清楚，在投资流程的每个环节，我们有什么不同。但坦白说，我当时还不知道。我需要先筹到钱，进入市场实践，才能逐渐弄清楚。我给大家的是两页材料，介绍自己的背景和投资经历，以及我认为自己擅长的事：识别优秀的人，真正帮助他们，再结合投资判断和招聘能力，作为起点。
接下来就是全力执行，在实践中找到答案。有些LP不喜欢这样的回答，我可以理解。我非常感激早期支持我们的人，因为他们也要向自己的投资委员会解释，为什么愿意作出这个判断。我更愿意如实说明自己相信什么、准备做什么，而不是为了把故事讲得完整，假装已经知道所有答案。
Patrick O’Shaughnessy：你的父母都是创业者，他们对你有什么影响？
Sarah Guo：尽管他们一直很忙，我从小到大从没有觉得他们不在我身边。我是个比较独立的孩子。家人可以让你感到自己是他们生活的中心，同时，他们也有自己的兴趣和想做的事，这两者可以同时存在。我们重视的价值观很相似，包括诚信、独立思考、家庭和团队精神。独立思考可能是其中最特别的一点。对他们来说，不要因为别人的看法而放弃自己的判断，甚至是一个原则问题。
Patrick O’Shaughnessy：你也会在意别人怎么看你吗？
Sarah Guo：会。我会担心让行业里的其他人产生过强的竞争戒心。我喜欢与大家友好相处，也不排斥竞争，但传统A轮、B轮投资有时是很强的零和关系：我要拿到18%到25%的股份和董事席位，而你什么也拿不到。这样的关系不利于合作。公开市场投资人常常愿意分享最好的想法，欢迎其他人也来投资。这种取向对我很有吸引力。
Patrick O’Shaughnessy：谁最能给你带来启发？
Sarah Guo：看着父母创业，让我觉得一群人即使面对很大的公司，也可以凭借更好的技术和产品赢得客户。因为看到了更好的未来，就从无到有做出东西，这种勇气和乐观一直吸引着我。今天让我不舒服的是，有些人对创业的理解过于犬儒，仿佛成功只靠关系、营销或在社交媒体上经营自己。品牌和人脉当然重要，但如果专注创造价值，善待他人，与优秀的人合作，并且愿景值得追求，成功的可能性会比很多人想象的更大。
投资方面，另一个让我担心的问题是，许多研究型公司前期需要大量资本投入，但掌握资金的人通常不是研究科学家。因此，创始人必须把自己的技术和公司讲清楚，让投资人理解。问题在于，不同投资人对技术的理解深浅不一。很多人会用履历、已有投资人或推荐来源来代替自己的判断。参考这些信息当然有价值，但不能因此不再思考技术和业务本身。
我曾经问一位非常出色的投资人，这家公司未来究竟会做成什么，为什么能变得很大。他主要回答的是创始人有多优秀。我认识这个人已经八年，也知道他很优秀，但我仍然不理解那套技术思路和商业逻辑。我不敢说自己一定判断得更好，但至少希望形成有依据的判断。如果对一家公司唯一的看法就是“这个人履历很好”，却据此投入大量资金支持研究，我认为很危险。
Patrick O’Shaughnessy：哪些研究者最让你惊叹？他们具体做了什么？
Sarah Guo：我和合伙人Pranav认识Sunday Robotics的两位创始人时，他们还是斯坦福的博士生，大约25岁，但已经有Toyota Research、DeepMind和Tesla的工作经历，并不只是做学术研究。我花了一些时间理解他们过去的工作。我的判断是，过去四年机器人AI领域很多最有意思的想法，都有他们两人的贡献。对两位这么年轻的人来说，这很不寻常。
他们关注的是怎样用现代AI，以切实可行的方式解决机器人的泛化能力和稳健性问题。机器人领域有一种看法：如果能获得像互联网那样丰富的机器人数据，通用机器人就有望实现。但问题是，这些数据从哪里来？他们思考怎样以尽可能低的成本收集数据，同时覆盖现实中的不同环境和任务。
既然没有现成的数据，也没有无限的预算，就要把数据形式、采集方法，以及数据怎样帮助模型学习，都当作技术问题来解决。这种做法很有创造力，也很注重实际结果。第一次见面时，我就非常惊讶，我们当场决定投资。公司成立还不到两年。团队相信，通用的半人形机器人会先进入家庭，并计划在今年年底推出测试版。
当然，产品真正交付之前，一切都还需要验证。但从斯坦福地下室里的纸板原型，到完成整套系统、制造硬件，并经过数百轮硬件与数据采集迭代，在真实环境中测试任务，这个速度让我非常吃惊。
从能源到芯片，算力自主会成为新的国家安全议题
Patrick O’Shaughnessy：丰富、低成本、人人可以使用的智能，看起来似乎必然会到来。你能想象它没有实现的情况吗？
Sarah Guo：完全可以。我也很容易想象，美国无法以有竞争力的方式获得这些能力。如果不依靠自动化，又不引进更多劳动力，同时面临人工成本高、部分技能短缺的问题，美国想重建工业基础、生产更多商品并增强供应链韧性，就很难实现。
人们对AI影响就业的担心，以及对少数科技公司获取大量收益的不满，可能转化为对能源、基础设施和工业产能建设的阻力。算力是最重要的投入之一。如果缺少算力，我们自然就难以保持竞争力，至少难以保持自主。
Patrick O’Shaughnessy：如果算力如此重要，美国怎样才能获得真正的算力自主？
Sarah Guo：从装满GPU的数据中心向后推，所需条件包括供电、冷却、建设能力、训练与推理基础设施，以及整条硬件供应链。这很像能源自主：它不要求一切都在美国制造，比较优势仍然存在，但不能让任何关键环节只剩一个来源，而且那个来源还位于不稳定或难以获得的地区。
能源尤其关键。要在纽约等地建设数据中心，就必须让当地社会理解为什么需要它；要让核能成为具有竞争力的基础负荷电源，就需要允许足够多的AP1000或小型模块化反应堆投入建设，成本曲线才可能下降。美国并不缺技术或创业能力，真正的障碍往往是审批、建设经验、熟练劳动力和物理供应链。
我们已经投资了针对数据中心用工缺口和机器人领域的项目，也投资了核能和替代性的芯片架构。我们还在持续考察数据中心建设、太阳能和电池安装方面的企业。这类业务涉及运营、技术、房地产和融资，融资甚至可能是其中最主要的部分。
不过，尽管看得很仔细，我们还没有投资后一类业务。我并不排斥它们，但我本质上是一名技术投资人，希望理解企业究竟在积累什么具有长期价值的产品资产。目标不是追求完全自给自足，而是为每个薄弱环节增加产能和替代路径。我认为，未来我们会越来越多地讨论算力自主。它关系到经济竞争力和国家安全，但美国能够保持竞争力，并不是必然的结果，需要主动作出选择。
这也改变了传统硬科技的投资逻辑。太空、核能、涡轮制造、半导体、机器人和生物都不是十年前风险投资人最喜欢的软件市场，但AI创造了集中而明确的需求。只要需求方足够强，过去资本密集、回收周期长的行业，也可能产生适合风险投资的巨大结果。
Patrick O’Shaughnessy：现在的一项重大争论，是如何对待来自美国以外、性能接近前沿的开源模型。有些模型显然吸收了美国模型的成果。你怎么看？
Sarah Guo：首先要承认现实：过去三年，中国、美国和欧洲都在不断推出更强的开源模型。能力已经扩散，这件事无法撤回。许多企业也确实需要开源模型，因为闭源前沿模型在一些场景中成本过高、速度不够，或者无法满足敏感数据和部署要求。
能力更加普及，一定会带来更多用途，我希望看到这种扩散。但这不表示可以忽略安全。既然前沿模型能够用于防御性网络安全和生物研究，它也可能被用于攻击或生物安全风险。我们需要持续测试和理解前沿模型的能力，建立针对具体高风险用途的控制方式。
不过，只在美国限制开源模型，主要受影响的会是守法的美国企业。真正有恶意的人不会因为美国公司的使用限制而停止。结果可能只是拖慢本国企业、改变利润流向。我的看法是，应该测试并理解前沿模型的能力。
企业希望掌握自己的成本、容量和技术命运。随着模型后训练、搭建模型运行框架等技能逐渐普及，大量行业会使用开源模型构建前沿实验室无法预先想象的产品。这正是能力扩散的意义。
AI不只重写软件，也在改变生物和硬科技的风险收益结构
Patrick O’Shaughnessy：在软件之外，哪些领域最改变了你的看法？
Sarah Guo：生物是最明显的一个。过去的主流判断是，服务制药公司的软件很难创造巨大价值；想获得足够回报，就必须自己开发药物，签订生物医药授权交易，并承担临床风险。这对应的是一种完全不同的资本结构和结果分布。
但我们投资Chai Discovery后看到，模型可以实质性加速药物研发流程，公司也已经与多家全球前十的制药企业开展重要合作。
Patrick O’Shaughnessy：是什么证据改变了你的看法？
Sarah Guo：投资的时候，我们还不知道答案，只是认为这件事有可能，值得尝试。后来，我们看到了1000万美元的合同，也会直接与客户公司的科学家、工具使用者交流。还有一些工具已经通过最终用户的主动采用获得增长。产品有没有价值，客户自己知道。我认为，模型可以在生物领域创造并获取巨大的价值。
但监管问题仍然需要解决，现实世界的研发速度和安全要求，也不是轻易就能绕过的限制。即便如此，我仍然期待治疗方法的研发显著加快。当一种新药，或一种药物的新适应症，其研发进程明确因AI而改变时，整个行业会更加清楚地认识到这种价值，随后可能出现一轮大规模投资。制药和医疗行业接受这项变化的速度，已经让我很惊讶。
我们内部经常争论，这些市场究竟是否适合由风险投资支持的公司。过去，半导体投资的回报长期不理想，但现在，大客户对加速器和供应链自主的需求已经达到很大规模，这改变了相关公司的风险结构。太空、太阳能和电池、核能、涡轮制造、机器人、生物领域，也都需要分别讨论。即使一个市场过去不适合风险投资，今天是否已经出现值得下注的可能性，也需要重新判断。
Patrick O’Shaughnessy：为什么把机构叫作Conviction？
Sarah Guo：这个名字表达了一种追求。最传统的早期投资方式，是很早就投资一家公司，持有相当比例的股份，不卖出，并一直帮助它，直到它成功、被收购或失败。这样的合作关系简单，而且利益一致。Mike和我都经历过这样的公司：起初并不明显，有时要四五年才能真正找到方向。Baseten最初几年的发展也并不明朗。
如果你能形成一个市场尚未认可的判断，并在结果得到验证之前认真投入、全力支持，这就是与创业者合作的一种很好的方式。我也深信投资是团队合作，但必须有人对每个决定负责。一个人需要明确说出：“我相信这件事。”其他人再帮助他检验判断，而不是让决定变成无人负责的集体意见。
Patrick O’Shaughnessy：你对承担风险有什么认识？
Sarah Guo：我没有为了与别人不同而刻意反着来的本能。我认为，最重要的是想清楚自己相信什么，不要过分受主流叙事或行业重要人物的判断影响。如果你发现事实与市场定价不一致，并有信心坚持，就处在一个有利的位置。我们希望获得更好的信息，同时减少噪声的干扰。
Patrick O’Shaughnessy：具体怎样做到？
Sarah Guo：我愿意向正在推动变化的人学习，包括我们投资的创始人，也包括没有投资的人。他们可能做出了让我意外的东西，推进了某个研究方向，或者非常聪明，却持有与我不同的看法。
Suno的Mikey Shulman就是一个例子。一位共同的投资人朋友曾建议我投资，我却拒绝了。当时我怀疑，究竟有多少人想自己创作音乐，用户会消费多少这类内容，它能否发展成社交网络。现在看，我的直觉错了。我低估了人们通过AI工具表达、娱乐和创作的需求。与Mikey交流业务和用户行为，让我学到了很多。
相比之下，反复围绕大型实验室的战略推演“应用公司还能不能生存”，未必有助于决策。每家机构都有几个主要目标。假设OpenAI、Anthropic和DeepMind希望安全地实现AGI或ASI，并获得可观收益，那么它们会围绕这些目标推进聊天产品、广告、编程等业务，再逐步扩展到更丰富的任务和交互方式。
我们应该评估这些具体业务的竞争力和合理边界，再与正在考察的公司和机会进行比较。对我来说，建立一套宏大的框架来判断“究竟哪一层会赢”，没有那么有用。我更愿意把精力放在另一个问题上：如果AI的扩散才完成了1%，接下来99%会怎样发生？
Patrick O’Shaughnessy：最后做一个偏轻松的推测：一年后，技术世界最明显的变化可能是什么？
Sarah Guo：我希望看到杰文斯悖论在现实中发生：随着Agent和产品更有效地完成日常工作，效率提高之后，人们反而会做更多事情。软件工程领域已经出现了这样的变化，公司推进工作的速度更快了，我期待类似的变化发生在其他领域。
我们一家被投公司的市场团队规模很小，但要服务很多客户，也需要制作支持销售的内容。负责市场的人为了提高自己的效率，搭建了一个能够自主运作的AI营销部门。
当每个职能都能更快学习、减少重复工作时，节省下来的时间会被用于其他事情。AI提高效率之后，我自己的工作反而更多了。我认为，黄仁勋说的一个重要道理，就是我们会有更多事情可做。但我们需要确保人们能够获得这些工具，也有机会学习怎样使用它们。
Patrick O’Shaughnessy：我最后都会问同一个问题：别人为你做过最善意的事是什么？
Sarah Guo：是许多人愿意在没有充分证据时相信我。硅谷有很多成就极高的人并不太看重出身。一旦他们认为你的想法有意思、你可能有潜力，就愿意投入时间。Greylock当年在我23岁时聘用我，一些前辈教我怎样成为投资人；我创办Conviction时，也有人只是告诉我：“你完全可以做到。”
Sarah Guo：当时，我的工作就是帮助别人成功。任何工作中的任何一项任务，你都可以通过模仿和第一性原理思考，努力把它做好。我非常感激那些愿意给一个年轻人机会，并花时间教我怎样做投资的人。创办机构时，也有人告诉我：“你一定能做到。”无论有没有这些鼓励，我都会去做，但得到这些人和早期LP的支持，对我仍然非常重要。我会一直感激那些愿意与我一起承担风险的人。
Patrick O’Shaughnessy：世界依靠这样的信任运转：虽然还没有证据，却已经相信一个人有能力做成某件事。
Sarah Guo：是对人的信任。我们刚才谈到，一个人的想法与我们对这个人的判断是怎样联系在一起的。我觉得这很美好，因为你不需要具备什么特殊优势，也可以提出自己的想法。有人愿意认真评价这些想法，并相信我们，我对此无比感激。
原视频：She Knows the 250 People Building AI. Here's What They Actually Believe.
https://www.youtube.com/watch?v=hY6S__xeCjg
编译：Shiny GU
