本期播客邀请了两位在美国科技界深耕的华人嘉宾，分别从技术和投资两个维度解读硅谷AI生态。两位嘉宾均为幼年移民美国的华人，对中美两地的科技生态有独特的跨文化观察力。
张小珺此前做过许多关于中国AI的节目，但主体视角集中在中国。本期通过Kevin的开源技术视角和Sophia的VC投资视角，系统性地复盘ChatGPT诞生以来300多天美国AI行业的变化。两位嘉宾分别代表了AI产业链的两端：基础设施（GitHub/开发者工具）和资本配置（VC投资决策）。
Sophia对当前AI热度的判断是"yes and no"——AI在美国依然非常热，但性质已经发生了根本转变。
Sophia提到一篇对她有启发的文章：AI带来的改变不只是"how AI will change"，而是"how work will change"。这标志着硅谷对AI的思考从技术可能性转向了社会生产力重构。第二波浪潮的本质不是技术突破，而是认知升级：从对模型能力的惊叹，转向对产业应用的深度思考。
Kevin指出硅谷正在形成一个重要共识——模型本身不能作为护城河。这与中国在同期的讨论高度吻合。
Kevin提出了一个清晰的技术栈分层：在以前没有大模型的框架下，Application从Database调数据，连接各种monitoring system后形成完整产品。现在大模型可能会统治Application和Database之间的这一层——用户不需要直接和数据交流，而是直接和模型交流，模型已经与数据层训练（train）好了，直接出inference结果。
Kevin的技术栈分层暗示了一个深远判断：大模型将成为新一代的"中间件"（middleware），类似于数据库在上一个时代的角色。这意味着大模型的竞争终局可能类似于数据库行业——少数几个巨头提供基础能力，大量创新发生在上层应用和垂直场景中。对创业公司而言，这既是约束（不应该做通用模型），也是机会（在模型之上做产品的空间巨大）。
Kevin从2020年6月GPT-3发布开始梳理了整条Generative AI的发展脉络，揭示出这波浪潮的起点远早于ChatGPT。
AI火焰第一次燃起。疫情初期，大众关注有限，但生成式AI在写代码、写诗、写文章方面已展现出不错能力。基于GPT-3的startup迅速涌现，达到数百家。
基于微软对OpenAI的投资关系以及GitHub归属微软，三方合作启动Copilot研发。这是第一个at scale的、直接付费的AI应用产品。"Copilot先打动了程序员们的心。"
"去年ChatGPT打动了老百姓的心。"一两个月内，非科技行业的人都开始聊ChatGPT，影响力震惊。
Sophia判断此时是Generative AI在硅谷的最高峰。国内约慢了三个月才跟上热度。
从狂热转向更多讨论应用型方向。但cool down不是冷却，而是从浅层探索走向深入。
微软让Google在搜索领域"dance"；Meta以开源模型Llama系列plant a flag；Code Llama发布；多个大型融资和并购事件。
Kevin强调Copilot的历史意义：它不仅是第一个at scale的GenAI付费产品，而且证明了大模型在特定垂直场景（编程）中可以创造真实的、可量化的生产力价值。ChatGPT的意义在于大众认知的突破，而Copilot的意义在于商业模式的验证。这解释了为什么后来几乎所有大厂的AI产品策略都围绕"Copilot模式"展开。
Kevin指出上半年除了"模型不够"之外，另一个震惊行业的事实是GPU的严重短缺。NVIDIA一家独占最核心的GPU市场，投资方向从纯软件开始向硬件转移。
Kevin揭示了大厂内部GPU资源分配的一个关键矛盾：每一套GPU需要同时满足三个不同群体的需求。
| 需求方 | 用途 | 特征 |
|---|---|---|
| 研究团队 | 做模型训练、研发 | 需要大量连续计算资源 |
| 产品用户 | 运行beta产品（如Chatbot） | 需要满足实时推理需求 |
| 内部应用团队 | 开发新的AI应用 | 需要实验性计算资源 |
Kevin提到CoreWeave用自己手上的NVIDIA GPU做抵押来借债，这是一个值得关注的新现象。GPU不再仅仅是计算资源，已经变成了一种可以抵押的实物资产。这预示着AI基础设施的金融化趋势：未来GPU的供应链管理、融资租赁、二级市场交易可能成为独立的商业赛道。
Sophia提出了一个深刻的范式转移判断：AI正在改变整个科技产业的商业模式底层逻辑。
Sophia梳理了科技产业商业模式的三个阶段演进。以前的tech company全部都是build一个software然后卖software；最早期如Microsoft Word需要购买软件，后来SaaS模式借用软件；AI时代，AI startup eventually你会sell the work, not just the software。每一个领域都会成为tech company，AI会加速这个进程。
微软Word时代，购买软件许可证。软件是一次性商品。
订阅模式，按月/年付费使用云端软件。软件是持续服务。
AI不再只是工具，而是直接完成工作。软件变成了工作成果的交付。
如果这个范式转移成立，它意味着AI公司的定价模型将根本改变：不再按席位或功能收费，而是按完成的工作量或工作质量收费。这将重新定义"生产力"的度量方式，也会让传统的SaaS估值体系（ARR、Net Retention）面临重构。更深远地，它将模糊"软件公司"和"服务公司"的边界。
Kevin和Sophia都认为Copilot已经成为AI应用的核心范式。但Kevin也揭示了Copilot作为"定位"的多重含义。
Kevin指出Copilot同时也是一个精明的marketing positioning。美国已经有好莱坞编剧罢工、记者担忧被取代等现象。Copilot的命名来自飞机副驾驶的概念——不是autopilot（自动驾驶），而是在人旁边辅助的AI assistant。这种定位化解了"AI取代人类"的恐惧，让用户更容易接受。
Sophia的观察极为敏锐：RPA（机器人流程自动化）一直没有兑现其承诺，而Copilot可能是让RPA的愿景最终实现的关键。RPA失败的原因在于它需要精确定义流程、缺乏容错能力；而大模型驱动的Copilot具备理解模糊指令和自适应的能力。这意味着Copilot不是RPA的替代品，而是RPA缺失的那块"智能层"。
Kevin从产品角度逐一分析了美国科技大厂的AI战略，核心看点是to-B方向的生产力提升。
| 公司 | AI产品/策略 | Kevin的判断 |
|---|---|---|
| Microsoft | Office Copilot、Bing Chat | "让Google dance"，用GenAI+Search进攻搜索领域 |
| Duet AI | 被微软的AI攻势打了个措手不及，搜索霸主地位首次受到真正威胁 | |
| Meta | Llama 1/2、Code Llama（开源） | "Plant a flag"，以开源模型作为战略定位，影响深远 |
| Salesforce | CRM AI功能 | 将AI注入销售和marketing工具 |
| Zoom | AI自动总结视频会议 | 提高productivity的典型play |
| Adobe | AI创意工具（已定价） | 生成式AI融入创作工具链 |
| OpenAI | Enterprise Edition | 对企业市场非常注重，不只是consumer |
Kevin指出大厂AI产品的核心卖点是提高办公效率：看email、做slide/deck、写documentation、总结spreadsheet、画graph放到presentation——这些workflow已经开始被大模型简化和自动化。这是一个比较obvious的卖点，只是各公司融入产品的速度不同。
Kevin观察到，美国大型非科技企业（银行、保险、医疗）因为compliance门槛极高，加上美国目前没有完整的AI监管框架，导致这些企业无法确认AI model是否可以安全使用。这涉及用户数据和其他数据源的安全问题，成为大企业批量adopt generative AI的最大hurdle。这一判断在2023年下半年得到了广泛验证。
2023年上半年出现了几起重要并购案，Kevin和Sophia从中读取了截然不同的战略信号。
Kevin解释了法律行业天然适合大语言模型的原因：律师的工作特性是文字进、文字出。每天deal with的是文字，最终产出也是文字。CaseTax从GPT-3时代就开始与OpenAI合作，到GPT-4时代其AI辅助律师做研究的产品得到了市场验证。这是一个垂直行业因GenAI浪潮而实现exit的经典案例。
对于中国上半年最大的AI并购——美团21亿收购光年之外，Kevin和Sophia坦言在硅谷几乎没有讨论。Kevin认为硅谷本地的并购新闻已经够多了，很少有人关注中国的动向。而且相比硅谷"纯商业逻辑"的并购，美团的收购带有更多的情感色彩——联合创始人抑郁、老战友情谊等，这在美国AI领域的并购和可能的IPO中是不太会出现的。
Databricks/Mosaic ML与Thomson Reuters/CaseTax代表了AI并购的两极：前者是技术公司抢先获取AI能力以开拓新市场（offense），后者是传统公司紧急获取AI能力以保卫现有业务（defense）。这两种模式将在未来几年大规模复现，尤其是defense型并购——每一个"文字进、文字出"的行业都将面临类似压力。
2023年上半年硅谷AI领域出现了前所未有的融资密度，且呈现出一个显著新特征：Corporate VC的大规模入场。
| 公司 | 特征 | 融资亮点 |
|---|---|---|
| Inflection | 大模型公司 | 超大额融资 |
| Anthropic | 大模型公司 | 多家大厂Corporate VC参投 |
| Mistral | 几位Meta法裔AI科学家 | 1.13亿美元种子轮，估值惊人 |
| Runway | 基于Stable Diffusion的视频生成 | 已有定价plan，有revenue |
| CoreWeave | 从加密货币转型AI Cloud | 用NVIDIA GPU做抵押借债 |
| Cohere | 大模型公司 | 开始二级市场卖股票 |
与以往纯VC投资不同，本轮融资中Microsoft、NVIDIA、Google、Salesforce等大厂的Corporate VC大规模参与。一个隐含的交易条件是：被投公司需要使用投资方的计算资源来训练模型，因此投资在某种程度上也是一种收入回收。Sophia认为这是一种"better way to fund innovation"——比大公司内部设置Chief Innovation Officer和Innovation Department更有效，因为"大公司做innovation, sometimes a little bit oxymoron"。
大厂投资AI创业公司的逻辑远比"财务投资"复杂。它实际上是一个"投资+客户锁定+外部创新"的三位一体策略：投出去的钱通过被投公司购买云计算服务回流；外部团队比内部Innovation部门更有动力和灵活性；同时还能早期锁定有潜力的技术路线。这比传统的Corporate VC模式（纯财务投资+战略协同）更加深度整合。
Kevin从大厂之间、小厂与大厂之间两个层面深入分析了开源/闭源博弈的战略逻辑。
Kevin举了一个精准的对比案例：Databricks（基于Spark开源）与Snowflake（经典闭源大数据公司）的竞争关系，完美展现了开源与闭源在大数据/AI领域的角力态势。
Kevin指出开源既是"信念"也是"战略考虑"。对程序员而言是一种技术信仰；对Meta而言是对抗Google/Microsoft闭源优势的武器；对创业公司而言是低成本获取开发者心智的增长策略。大模型领域的开源vs闭源之争可能会复刻数据库行业的历史：最终开源方案在功能上足够好用、在生态上更加繁荣，迫使闭源方案必须在差异化和服务上找到新的价值主张。
Kevin和Sophia对这波AI创业人群的特征进行了细致描摹，并与移动互联网时代做了对比。
Kevin对研究型创业者能否务实地产品化表达了隐忧。但Sophia提供了另一个角度："做一个创业者那条路是非常辛苦的"，Copilot这类产品反而在降低编程门槛，让不同背景的人可以很快prototype新产品。整个entrepreneurship的门槛在变低，只是做AI foundation model的门槛在变高。两人的分歧实际上指向了AI时代创业的一个核心张力：基础模型层创业的门槛在升高，但应用层创业的门槛在下降。
Kevin提出了一个犀利的产品判断标准：如果你不敢定价、没有单独卖出去，就不算一个独立产品。
| 产品 | 公司 | 类型 | 属性 |
|---|---|---|---|
| GitHub Copilot | GitHub/Microsoft | 代码辅助 | 成熟公司 |
| GitLab AI | GitLab | 代码辅助 | 成熟公司 |
| Salesforce AI | Salesforce | CRM/销售 | 成熟公司 |
| Microsoft 365 Copilot | Microsoft | 办公套件 | 成熟公司 |
| Adobe AI | Adobe | 创意工具 | 成熟公司 |
| Notion AI | Notion | 生产力工具 | 成长期公司 |
| AWS Code Whisperer | Amazon | 代码辅助 | 成熟公司 |
| Runway | Runway | 视频/图像生成 | 创业公司 |
Kevin和Sophia列举的已定价AI产品几乎全部来自已有的成熟公司。唯一的例外是Runway。这印证了一个规律：在技术革命早期，拥有用户基础、数据积累和分发渠道的incumbent往往先于startup将技术转化为收入。Sophia的判断是"We are still at the infancy"——创业公司需要时间，可能明年check in时会有完全不同的名单。
Kevin观察到一个与以往科技浪潮的重大不同：这次硅谷主动参与监管的时间点远早于以前。
Kevin认为这次AI大公司主动靠近DC是硅谷"更成熟"的表现，也可能是吸取了社交媒体时代"离DC越远越好"策略带来的后果教训。一个隐含的动机是：主动参与监管讨论，可以降低政府出台"傻的政策"的风险。这实际上是一种"规制俘获"（regulatory capture）的温和形式——通过早期参与制定规则，确保规则对行业有利。
"我目前还不知道哪方更好更坏，说老实话。因为我觉得两方都有监管的姿态不同都各有利弊。"中国的模式可能更有效率但缺乏灵活性；美国的模式更灵活但可能在出现重大事故前缺乏约束力。两种模式对AI产品化的发展步伐可能产生不同影响。
Kevin提到一个2023年美国股市的新名词——Magnificent 7（七巨头），这七家公司的涨幅主导了整个S&P 500指数。
| 公司 | AI相关性 |
|---|---|
| Apple | 端侧AI/ML芯片 |
| Microsoft | OpenAI投资、Copilot、Azure AI |
| NVIDIA | "Clear winner" -- GPU供应商 |
| Tesla | 自动驾驶AI/Optimus机器人 |
| Meta | Llama开源模型/AI广告优化 |
| Amazon | AWS AI服务/Alexa |
| Google/Alphabet | PaLM/Gemini/DeepMind |
Magnificent 7在NASDAQ 100中的占比超过了指数规则的上限，迫使NASDAQ 100破例进行rebalancing。这说明AI驱动的科技股涨幅已经造成了市场集中度的系统性风险。在一个看似"百花齐放"的AI浪潮中，资本市场的利益实际上高度集中在这七家公司手中。NVIDIA作为"卖铲子的人"是最明确的赢家。
Sophia提供了一个生动的微观观察：因AI热潮，疫情期间离开旧金山的人正在大规模回流。
疫情证明了远程工作的可行性，但AI浪潮却让人才重新聚集回旧金山。这说明物理proximity在高度创新的领域仍然不可替代。AI创业的特殊性——需要频繁的face-to-face交流、快速的原型展示、密集的人才网络——使得硅谷作为AI创新中心的地位不仅没有被远程工作削弱，反而因为AI浪潮而得到强化。
Sophia提出的这个distinction可能是整期播客最有实操价值的一句话。在第一波浪潮中，太多项目只是"一个feature包装成一家公司"。进入第二波，投资人和创业者都开始正视这个问题。判断标准很简单：你敢不敢单独定价？如果只能作为existing产品的add-on，那就是feature而非company。
Kevin的技术栈分层分析揭示了一个根本性判断：大模型将取代传统数据库成为application和data之间的新抽象层。这意味着做通用大模型的长期赢家可能只有少数几家（类似Oracle/PostgreSQL/MySQL的格局），而真正的创业机会在模型之上的应用层和模型之下的基础设施层。
Microsoft、NVIDIA、Google等大厂通过投资AI创业公司实现了"投资即获客"的商业闭环。这是比内部Innovation Lab更高效的创新路径，因为创业团队有独立的激励机制和更强的紧迫感。这种模式可能成为AI时代大公司参与创新的主流方式。
Sophia提出的"sell the work, not just the software"如果成立，将改变整个科技产业的收入模型和估值逻辑。SaaS的按席位/按功能定价将让位于按工作成果定价，"软件公司"和"服务公司"的边界将彻底模糊。
Kevin观察到美国大型非科技企业的AI采纳被compliance问题严重阻碍，而非技术问题。这暗示：在AI应用层面，最大的创业机会可能不在"让AI更聪明"，而在"让AI更可信、更合规、更可审计"——也就是AI的治理和安全层面。
疫情期间的大迁徙被AI浪潮逆转，人才重新聚集到旧金山。这一事实证明，在颠覆性创新的早期阶段，物理proximity的价值被远程工作的便利性所低估。对中国而言，这意味着AI创新的地理集中趋势（北京、深圳等）可能会加强而非减弱。
Kevin和Sophia的分歧揭示了一个重要悖论：做foundation model需要PhD+大量资金+GPU资源，门槛远高于移动互联网时代；但Copilot等工具正在降低应用层创业的门槛，让非技术背景的创业者也能快速prototype。这意味着AI时代的创业生态将呈现"哑铃型"分布——两端活跃，中间被挤压。