▲掃描上圖中的二維碼，可收聽播客。《晚點聊 LateTalk》#100 期節目。歡迎在小宇宙、喜馬拉雅、蘋果 Podcast 等渠道關注、收聽我們。

《晚點聊 LateTalk》是《晚點 LatePost》推出的播客節目。“最一手的商業、科技訪談，最真實的從業者思考。”

2025 年 1 月，農曆春節也沒有讓模型競賽絲毫減速。DeepSeek 釋出開源推理模型 R1，以相對低的成本，在一些 Benchmark 上比肩，甚至超越了 o1 的表現，在全球掀起了廣泛討論。

這期節目，我們邀請了 2015 年，在矽谷創立了 Fusion Fund 的投資人張璐，來和我們一起聊一聊，當前美國科技圈和矽谷語境中，對 DeepSeek 等模型的討論。

我們也延展聊了 DeepSeek-R1 和 o1 等推理模型開啟的 Agent（智慧體）應用空間；以及在美國的科技投資視野中，除了 AI，大家還在關注什麼。

Fusion Fund 曾投資 Grubmarket、Al 會議公司 Otter.ai 還有 Al 與醫療結合的公司 Subtle Medical 等。在 Al 領域，Fusion Fund 重點投資美國本士的 ToB Al 公司，關注 AI 與醫療，金融保險，太空科技等領域的結合。

張璐認為，DeepSeek 能有如此出圈的影響力，重要原因之一是開源生態的勝利，而開源的繁榮更有利於初創企業。

她也談了對 DeepSeek 利空英偉達和 GPU 算力需求，以及 Meta 等美國科技大公司感到的壓力。她的觀察是，長線看，DeepSeek 這類大幅降低 AI 模型訓練、部署和使用成本的開源成果，會促進更多公司把 AI 大模型帶到各行各業，這會提升 AI 用量和算力需求，對算力並不是一個利空。

對 Meta 這樣大力投入開源的大型科技公司，張璐認為，它們的一些貢獻和整個開源社群的進展，本身是 R1 這類成果出現的條件之一，同時 Meta 作為美國 AI 開源生態的主要玩家之一，也會長期受益於開源的繁榮。

我們聊這期節目時，是 2025 年 1 月 27 日上午，當天晚上，英偉達股價大跌超 17%，市值蒸發超 5000 億美元。

這次波動幅度超出一些人的預期，但也許並不影響長期的趨勢判斷。1 月 28 日，英偉達又反彈 8%，股價從前一天最低約 116 美元回升至 129 美元。

張璐：是的，我上週在參加達沃斯峰會期間，各路商業領袖都在討論 DeepSeek。我記得 ScaleAI 創始人 Alex 接受採訪的時候還提到了 DeepSeek 這家公司。我覺得 DeepSeek 這次也是代表中國的模型公司，在國際科技領域獲得了廣泛認知和關注。

在矽谷這邊，去年年中，我曾與一些 OpenAI 和 Anthropic 的朋友交流，他們當時已經提及正在關注 DeepSeek 所從事的領域。我覺得主要還是因為在開源生態中資訊溝通與互動是比較高效的，特別是對於新型模型基礎架構（Architecture）層面上的探索，大家都會比較關注，尤其過去這一週，DeepSeek 新發布的 R1 給大家一個很大的驚喜。

張璐：首先是開源。這個公司做得非常優秀，但最大亮點在於開源生態的勝利。我們一直非常支援開源生態，這個生態其實有很大的潛能，所以在過去的這幾個星期，可能大家比較興奮的一點是，覺得 DeepSeek 證明了開源正趕超閉源，甚至有望超越閉源的一個發展速度。開源的發展速度讓大家看到構建廣泛生態合作的可能性，這種合作超越了地域限制。即便像 DeepSeek 這樣遠在中國的團隊，也能在開源生態中作出巨大貢獻。所以我覺得，開源社群內彼此支援尤為重要。當然，DeepSeek 有很多創新的地方，但這些創新無疑也建立在眾多前沿開源生態、閉源生態所提供的豐富模型和架構基礎上。

另一點，我認為強化學習（Reinforcement Learning）雖然並非新鮮事物，但如今已實現完全無監督的強化學習，這一點尤為關鍵。這對整個 ScalingLaw 而言同樣是個好訊息，因為它能夠省去大量的資料標註過程，特別是 R1 部分，結合更多合成數據，讓模型自我 “反思”。我覺得大家最關注的就是它可以真的是做到了無監督的強化學習，然後免除了大量標註過程的資料，我覺得這兩點是大家比較意外的。

當然，成本問題同樣備受矚目。成本的顯著降低，確實給大家帶來了很大的驚喜。我認為，這一成本的削減對人工智慧未來的產業應用及垂直領域的發展都將起到極大的推動作用，DeepSeek 可以把成本降到這麼多，打開了未來大規模商業化的可能性。

張璐：在去年 3 月的公開演講中我曾提到，我們非常有信心，也很相信開源生態的發展可能性。此外，當時我們秉持著一個整體理念，這也反映了我們的投資偏好——我們不投 ToC，而是專注於投資那些面向企業級應用（ToB）的人工智慧公司。因此，這些公司的發展方向勢必不是單一的大模型，而是更多聚焦於垂直領域的小模型。

怎樣在垂直領域小模型的基礎之上，提升其效能和準確率呢？那開源生態的好處是它的多樣性比較大，這裡可以看到各式各樣的架構以及 Inference 層面的創新，來幫助最佳化，讓它這個垂直領域小模型可以做得更好。

此外要探討的是，開源生態對誰最為有利？顯然，它對初創企業最有利，而閉源則更有利於大企業。作為早期的科技投資人和投資機構，當然也從私心的角度希望開源生態可以發展得更好，我們也看到這些蓬勃發展的初創企業生態對開源生態的支援和需要。

張璐：我認為這或許會引發一些討論，但 DeepSeek 似乎與中國其他模型公司所走的路徑不太一樣。DeepSeek 改變大家對中國模型的印象：工程最佳化外，底層架構也有創新。當然，我可能對中國其他模型公司的瞭解並不那麼深入，但在我看來，DeepSeek 可能是第一家讓美國這邊的模型公司、初創企業乃至整個 AI 圈看到，中國的這些人工智慧公司、模型公司也在進行底層架構創新的探索。

眾所周知，中國的公司執行力很強，許多從 0 到 1 的創新在美國出現後，中國會迅速落地應用。然而，我認為 DeepSeek 並未過多關注商業化角度的探索，它更多地聚焦於底層架構創新方向的探索。當然，它在工程領域也有諸多出色的創新，但我認為這一點可能是它與其他中國模型公司相區別的一個重要原因。

另外的話，AMD 宣佈與 DeepSeek 合作，但這也不是利空英偉達，因為 DeepSeek 等成果會降低更多行業使用大模型的成本門檻。

張璐：我不知道這個段子的真假，因為我也沒有去關注你說的這個平臺。我認為，DeepSeek V3 557 萬美元訓練費用，只算了 GPU hours（GPU 使用成本），這一價格並未涵蓋前期的投入與研發成本。這就像烹飪一道菜餚，我們是隻計算炒菜時所用的原材料和調味品的成本，還是將廚房的建設、鍋碗瓢盆的購置等前期投入也一併計入成本，這兩種計算方式是截然不同的，我認為這是需要考慮的第一點。

第二點，我覺得成本考量是當前人工智慧模型發展方向上的核心話題之一。對於 Meta 而言，他們無疑面臨著壓力。在開源生態中，Llama 架構一直備受矚目，其結構和架構被廣泛採用。簡而言之，如果要利用開源生態的模型來構建應用，很多人可能會優先選擇複製 Llama 的結構。Meta 期望 Llama4 不僅能成為最好的開源模型之一，還希望能超越閉源模型。所以我覺得 DeepSeek 實際上為 Llama 探索了一個新的模型結構方向，這對 Llama 的整體內部產品發展是有利的。

然而，對於一個大型科技公司而言，儘管前期投入巨大、且體量龐大，從品牌公關的角度來看可能會面臨一些挑戰——為什麼一個小公司能做得比大公司更好？

所以我覺得，這既帶來了實際層面上的好處，也涉及到非技術發展層面的考量。從這個角度來看，對 Meta 長遠來說是個好訊息，只是現在大家可能會直接拿它與其他公司進行比較，因為畢竟在開源生態中，它是唯一一家大型科技公司，而且一直希望成為開源生態的領頭羊。它這樣做的目的是與谷歌等做閉源模型的大科技公司區別開來，打出自己的優勢，並且鼓勵更多開發者在開源生態中利用 Llama 的結構。

張璐：不僅是 OpenAI，Anthropic 的發展速度也極快。所以我覺得大家這次會對這個訊息這麼興奮的一點，也是因為其實會有很多擔憂，怕未來 AI 發展及基礎模型迭代被大科技公司控制。畢竟它們在資源、算力和人才上有絕對優勢。而開源生態對整個創新生態，尤其是初創企業更有幫助。所以 DeepSeek 引起廣泛關注，可能與這一大環境相關。

現在 OpenAI 確實是行業的 Benchmark。就像你提到的，大家都會去跟它對齊，但其他的公司追趕的速度也非常快。以 Anthropic 為例，它在 ToB 領域的發力頗為強勁。從行業資料不難看出，其收入增長顯著，行業影響力也日益擴大。這其實也是一個相互成就的過程，Anthropic 能夠贏得更多企業級訂單，也就意味著它能獲取更多行業資料。提及 OpenAI，其網路爬蟲技術極為出色，能夠爬取大量公開 C 端資料進行訓練，現在利用合成數據（synthetic data）進行訓練的話題也備受熱議。然而，當 C 端資料資源近乎枯竭時，如何獲取更多樣化、更高質量的資料進行訓練便成為關鍵問題。此時，B 端資料顯得尤為重要。而 Anthropic 在這一領域可能獲取的 B 端資料量及行業多樣性將持續增強，那對其模型的發展是一個非常大的優勢。

除此之外的話，還有馬斯克的旗下的 xAI。xAI 的優勢不僅在於匯聚的高質量人才、核心團隊的強大實力，更在於其所能獲取的資料資源。

這些資料資源的特點遠不止高質量那麼簡單。我們常討論語言模型，其核心訓練資料大多仍為 2D 形式。但 xAI 所能獲取的資料則有所不同。特斯拉不僅提供了與汽車相關的資料，還包括整個特斯拉工業工廠的資料。這些資料可以升級為 3D 工廠模型，涵蓋內部生產排程、供應鏈自動化等所有資料。此外，它還能獲取 SpaceX 的相關資料，依賴於 SpaceX 龐大的衛星工廠和火箭基礎資料，更重要的是還有透過 Starlink 收集的眾多衛星資料，既有 2D 也有 3D 形式，所以 xAI 擁有海量的、高質量的 3D 產業資料，這些資料是其他公司很難拿到的。從這個角度來看，確實存在很多我們不知道的內容，因為尚未公開發布。但是它內部迭代的速度是非常非常驚人的。

所以，你可以看到他們內部不僅專注於模型的開發，還在此基礎上積極探索各式各樣的應用。這些應用目前並未推向市場供第三方使用，而是首先服務於內部，進行內部大規模的效能提升。

張璐：我覺得很有意思，之前沒有從這個角度思考過。而且更有意思的是，DeepSeek 的執行過程，就像我們提到的，它採用了無監督的強化學習，這意味著模型是自主進行探索、自我發現和自我反思的。它透過這樣的思考過程得出的答案是如此獨特。確實如你所說，這代表了一種 “性格”，可能不同的架構導致模型最終探索出的溝通交流方式也不一樣。

張璐：從與我投資相關的現實角度出發，首先我當然非常關注垂直領域小模型。我投資的許多企業都專注於 ToB 領域，垂直領域小模型從商業和成本角度來看，無疑是明確的需求；

其次，我非常相信人工智慧未來的一大重要方向是人工智慧在邊緣裝置上的鋪設和應用。提到邊緣裝置，人們首先想到的是手機，它確實是一個擁有強大運算能力的邊緣裝置。但除此之外，話筒、耳機、檯燈等也都是邊緣裝置，如何讓這些邊緣裝置搭載人工智慧模型，成為智慧的、能夠與人類互動的介面，這其實是未來發展的重要趨勢。不止我這樣想，其實像美國的一些大型科技公司，如高通、博通以及惠普等，也都在積極探索——怎麼讓自己的產品，包括那些大規模應用於產業中的邊緣裝置，具備搭載人工智慧模型的能力；

最後是架構創新。儘管人工智慧領域目前發展得熱火朝天，但在模型架構層面，我們仍處於初級階段，不斷有新的模型架構湧現，DeepSeek 便是其中之一。此外，我們也目睹了一些新的演算法模型架構的出現，這種新架構能使 AI 模型在 CPU 上的執行效率超越 GPU，這無疑是一個極具吸引力的方向。之前大家熱議英偉達時，普遍認為人工智慧應用必須依賴 GPU 晶片。然而，如果新的演算法模型能在 CPU 上更高效地執行，那麼 CPU 廠商的市場地位、供貨量以及在整個產業中的影響力可能會發生變化。這並不是簡單的替代關係，更多的是促進了多樣性的發展。

所以，我認為這正是開源生態所展現出的最大價值——會讓我們看到更多的多樣性。開源生態中人們不會侷限於某一種架構進行探索，而是會有更多的資訊互動、相互配合、互相支援，湧現很多新的架構、新的演算法模型，同時帶來更多新的產業 AI 應用的可能性。

張璐：試用過 OpenAI Operator，它的核心功能在於能夠協助使用者完成任務，而不是僅限於簡單的一問一答模式。例如，當你要求它預訂機票時，它會主動搜尋並核實相關資訊。然而，從速度層面來看它還是比較慢的，當它調用搜索引擎時，你會發現搜尋速度遠不如你自己手動查詢，彷彿一位行動緩慢的老太太。另外還存在一個問題，就是它有時會編造資訊或資料，這可能是早期就存在的問題，但我覺得前景還是非常美好的。

不僅是 OpenAI，Salesforce、微軟等大公司在佈局行業 Agent。所以我認為這是一個大的產業發展方向，AIagent 在各行各業的垂直應用，與我前面提到的行業應用中的垂直領域小模型，實際上是相輔相成的，這為我們帶來了很多好的機會。

張璐：這話得 “打折” 聽。Sam Altman 說的時間線可能要稍微給他多延長一點，沒有那麼快。

張璐：可能性相對比較低。美國 B 端客戶對準確性和專業度要求高，對當前 Operator 的形態接受度低，更希望獲得專業、精準的產品。

張璐：互動革新。其實，ChatGPT 的接受度之所以這麼高，主要是因為其使用門檻低。這個門檻低到你只需具備聊天能力，便能輕鬆上手。Operator 也一樣，它就相當於你的個人助理，每個人只需用簡單的口頭語言釋出任務，它就能持續執行並推動流程的自動化。但是，傳統的流程自動化軟體還需要經歷一個複雜的整合植入過程（integration），有使用門檻、技術要求和植入週期，我認為這是它們之間一個較為根本的區別。

從根本上講，人工智慧並非一個全新的概念或技術，它已經存在很長時間。甚至我們剛才多次提到的強化學習也並不是新事物。那麼，為什麼現在大家會突然覺得人工智慧的接受度如此之高，推廣速度如此之快呢？我認為，這主要得益於互動層面的創新，讓人們意識到，原來可以以如此簡單的方式、如此低的門檻來使用人工智慧工具。

張璐：醫療、金融、保險、太空科技領域都有 Agent 應用機會。

張璐：特別有意思的一個例項，比如公司為員工提供了一項福利——透過線上平臺預約心理健康諮詢服務。如果員工感到焦慮或有其他心理問題，可以透過該平臺預約心理醫生進行交流，或者選擇與 AI 分享自己的困擾，並獲取 AI 提供的解決方案。有趣的是，大多數人傾向於向 AI 透露自己的私密資訊，而不是預約心理醫生，這個現象在年輕人中更多，他們似乎更傾向於與人工智慧分享個人隱私資訊。

當然，這裡確實存在隱私資訊的擔憂。但從人使用的角度來看，他們似乎對人工智慧的信任度高於與心理醫生交談的信任度，更願意向人工智慧敞開心扉。當我聽到有人與我分享這一新資料時，我也感到驚訝。我想，這可能與年輕一代的成長環境有關。回想我們這一代的成長環境，智慧手機、網際網路等似乎是非常自然、理所當然的存在。那麼，對於下一代人來說，使用人工智慧，甚至使用像 AIagent 這樣的工具，會不會成為他們與世界互動的更自然的方式呢？所以，儘管隱私考量確實存在，但我認為使用者行為上也會有很多變化。

張璐：在美國巨頭企業的確很強勢。但是它們更多地聚焦於基礎模型層面的競爭，在應用層面，許多巨頭則傾向於自己搭建生態，希望吸引更多的初創企業在生態平臺上開發多樣化的應用。因此，雖然競爭確實存在，但我們也看到了大企業與初創企業之間相對和諧的協同合作和戰略合作。這可能是矽谷創新生態的一個獨特之處。

此外，以垂直領域的人工智慧應用為例，如製藥、金融和保險等行業，這些行業本身就受到高度監管。在過去幾十年中一直如此，所以在應用人工智慧時，這些行業會更加謹慎。在這個層面上，當他考慮與人工智慧公司合作時，他必然會考慮如何分享自己內部的行業資料，以便讓該公司能為自己打造更出色的技術產品，他可能會對初創企業的信任度更高一點，那麼就能對資料擁有更強的把控性。如果這個時候選擇與谷歌合作，鑑於谷歌是一家大型科技公司，它的商業模式部分依賴於使用者資料的變現，那麼資料是否將面臨較高風險，被合作方利用呢？

所以，我們可以觀察到一些與技術非直接相關的因素，在影響著這個生態的發展。這也為初創企業提供了更多與產業內大企業合作的機會，而不是所有的大企業都僅僅與微軟、谷歌等巨頭合作。現在許多大型企業在進行人工智慧領域的探索時，其最優選擇往往是與多家初創的 AI 公司合作。

張璐：兩個熱點，一個是醫療，現在有一個新的詞叫科技和生命科學結合（BioTech）。我參加過一個演講，它的主題是講長壽，現在對於長壽的定義已經和之前不一樣了。幾年前大家更多的討論是如何延長生命，怎麼樣活得更長。

但現在的核心已轉變為如何提升生命的質量，我們不再一味的夢想活到 150 歲乃至 200 歲，而是致力於在有限的歲月中，擁有更高的身體素質、健康的體魄和清晰的大腦。這勢必就要求很多新的技術，特別是在醫療技術上的創新。這包括早期疾病的精準診斷、疾病的個性化治療方案，以及諸如靶向治療、免疫療法、mRNA 等基礎應用的研究。

現在再加上人工智慧，人工智慧又可以加速在醫療層面上的基礎創新。所以我經常說人工智慧有點像一個催化劑，它不只是催化很多產業的數字化轉型，它其實也會催化和加速很多其他技術的一個創新，包括醫療領域技術的創新。現在我們數字化生物學、數字化治療、數字化診斷等，這些都是一個非常大好的方向。

另一個我很看好，包括現在也在茁壯成長的方向就是太空科技（SpaceTech）。從去年開始，SpaceX 的數次星艦發射預示著，在未來的三到五年內，火箭及衛星發射的成本將大幅度下降。如果有一天將一個人送入宇宙的成本僅需 5 萬至 10 萬美金，而將一顆衛星發射至太空的費用也低至 1 萬至 2 萬美金，那麼我相信，無論是發射的數量還是頻次都將迎來顯著提升。而且幾個資料不是未來十年的發展可能性，是未來三到五年的可能性，所以它發展速度是很快的。

如果你現在去洛杉磯，就會發現如今的 SpaceX，不僅進行了很多太空領域的技術探索，還催生了一個小生態，大約有幾百家太空科技公司圍繞著 SpaceX 展開，它們或多或少都與 SpaceX 有著戰略層面的合作，有的甚至直接作為 SpaceX 的供應商，大部分的創業者都是 SpaceX 的前員工，因此它形成了一個非常好的創新生態。

張璐：美國創新核心在矽谷，波士頓、紐約、奧斯汀，洛杉磯也在崛起——洛杉磯形成了 SpaceTech 聚集地。

張璐：2025 年充滿變數，期待更好保護創新生態，防止技術和資源被大企業壟斷。

題圖來源：AI 生成。