访谈 1
[专访] 硅谷20多岁VC Nikhil Suresh
开场与嘉宾 Nikhil Suresh 介绍 0:00
卢正石 正在录制的今天是2026年7月8日。在上一期节目中，我去了硅谷，整理并分享了在那里听到的各种见闻。今天我们请来了这些内容的主要消息来源之一Nikhil，想和他聊聊更鲜活、更真实的故事。他是一位非常有趣的人。今天Matthew Kim和我会向他提出各种问题。Nikhil，欢迎你。
Nikhil Suresh 谢谢。很高兴能参加。
卢正石 其实我们在San Francisco逗留期间聊了很多。非常感谢你抽时间和我们见面。
Nikhil Suresh 我也非常愉快。
卢正石 你的职业经历非常特别，而且还非常年轻。所以今天我们想问你很多问题。首先就从你如何在这么年轻的时候成为投资人开始聊起吧。你毕业于Stanford，是Mercor的第一位工程师，也曾和Stanford教授一起从事研究。希望你能先谈谈自己是如何走到今天这一步的。
从工程师家庭到 Stanford 的成长背景 1:09
Nikhil Suresh 好的，我想得从我的童年说起。因为我的父母都是工程师。我父亲曾在一家名为Early Warning Services的公司工作，那家公司后来开发了名为Zelle的产品。Zelle是一种类似Venmo的金融及银行转账工具，是银行在不同公司之间转移资金时使用的服务。我父亲领导了打造该产品的核心工程工作，参与了产品开发。所以我从父亲那里学到了很多工程方面的知识，他也一直引导我朝这个方向发展。我在Arizona长大，也在那里读了高中，毕业后进入California的Stanford就读。我在Stanford获得了数学学士和计算机工程硕士学位。在Stanford读大一时，我其实想成为一名数学教授。因为我一直梦想着教导别人、不断学习，并从事纯理论研究。但开始数学研究还不到一年，我很快便意识到，自己并不想一辈子只盯着白板生活。
ChatGPT 冲击与从数学转向 AI 2:20
Nikhil Suresh 而我上大学一年级的那一年，恰好也是ChatGPT首次发布的时候。我在高中四年里学习的是半导体，也就是硬件领域。所以上大学后，我也想进一步探索软件领域，同时涉足软件和硬件。尤其是ChatGPT发布时，我真的受到了巨大震撼。它开启了非常多全新的能力，也带来了许多自动化处理世上各种事务、探索不同领域的方法。与它可能实现的事情相比，未来20年、30年一直做纯数学研究似乎没有那么重要。于是我意识到，这正是我想要专注的领域。大一结束后的暑假，我开始在几家初创公司工作，
同时也研究硬件芯片设计，也就是VLSI电路。VLSI。对。这是面向一些深度学习应用的研究，目标是让芯片高度适配预设的应用场景。那是我第一次接触AI和正式的AI研究，它的潜力让我非常兴奋。后来在Stanford就读期间，我又在更多初创公司工作过。大概有七八家。
Stanford 时期的创业经历、视频虚拟人创业与加入 Mercor 3:28
卢正石 你竟然在七八家初创公司工作过？这我倒不知道。
Nikhil Suresh 对，我确实在很多初创公司工作过。
卢正石 是做实习生吗？
Nikhil Suresh 大部分是实习，也在几家公司做过兼职。我喜欢工作，也喜欢和其他人一起工作，所以经常每周在初创公司工作20到30个小时。后来在大三时，我和朋友们一起创办了自己的初创公司，制作类似HeyGen或Tavus的Video虚拟人。创业初期，我们最早联系的公司之一就是Mercor。那是在2023年，当时Mercor甚至还没有完成种子轮融资。我在LinkedIn的评论区看到了他们，心想：“这些人正适合测试我们的产品。”我们认为只靠自筹资金也能把公司发展得很好，所以没有融资。但最终真正重要的是，能以多低的成本、多高的稳定性提供Video模型服务，而要实现大规模服务，实际上必须筹集大量资金。所以我们关闭了公司，但几个月后，我加入了Mercor。Mercor聘请我负责领导多项研究工程工作。我认为，当时整个数据浪潮，尤其是人类数据的兴起，还处于非常早期的阶段。起初，我们所做的很大一部分工作都与劳动力市场有关，但在我加入几个月后，公司大幅转向了人类数据领域。哪些数据对提升模型性能最为重要？如何创建能够实际评估验证方式的eval和基准测试？
人类数据业务扩张与转型投资人 5:13
Nikhil Suresh 公司不仅从15人发展到了如今的500多人，我还得以与OpenAI、Anthropic、DeepMind、Meta等所有主要实验室的顶尖AI团队合作。能够与杰出人才共事，并看到各个实验室的前沿是什么样子，这是一段真正令人惊叹的经历。在Mercor尤其吸引我的一点是那种广阔的视野，也就是能够纵览整个领域这一点，促使我走上了投资之路。我的合伙人 Max 创办了一家名为 Striker Venture
Partners 的新投资公司。在创办公司前不久，Max 联系我，问道：“我打算创办一家新的投资公司，你有兴趣加入吗？”当时，我对加入风险投资公司并没有太大兴趣。我反而认为自己应该去其中一家实验室成为研究员。因为在那里可以和最优秀的人共事，我许多最聪明的朋友也都在那里工作，所以我觉得能学到很多东西。而且，我认为如果能在公司内部真正站在前沿，从事研究并构建模型，长期来看将能积累非常丰富的知识和经验。所以有一段时间，那就是我的人生规划。但随着时间推移，Max 最终说服了我，
在 Striker 担任投资人同样有意义，甚至可能比那更有意义。因为这样既能广泛观察前沿，与多个领域的顶尖团队合作，又能自行把握探索的深度与广度。对我而言，从一无所有的状态开始这一点很像创业公司，因而非常有趣。我们既没有投资业绩，没有过往记录，也没有知名度。所以我们思考的问题是：如何建立自己的品牌，打造投资组合，找到最优秀的人，并真正成为他们的合作伙伴？关于 Striker，我也有很多问题，
卢正石 但在此之前，我想再多问一些关于您从 Stanford 到 Mercor所走过的历程。听完您的故事，我真的觉得您当时身处一个令人羡慕的位置。在 ChatGPT 问世的时期，您恰逢其时地身处Stanford 这个合适的地方，还接触到了合适的课程、优秀的人脉网络和出色的朋友。而且您年纪轻轻，就已经在一些非常知名的公司中担任核心职务。
AI 时代大学教育价值的再思考 7:48
卢正石 我的问题与 Stanford 有关。Stanford 固然是一所顶尖名校，但有些人认为，本科教育已经不再是年轻一代人生中的重要阶段。作为 Stanford 的毕业生，您在 Stanford 的经历对您产生了怎样的影响？
Nikhil Suresh 尤其是在顶尖 AI 人才和杰出年轻人当中，这种想法似乎正逐渐成为一种广泛流传的共识。世界变化得这么快，如果未来四年都只待在学校里，会不会错过许多经历？会不会落后于时代？我认为这是非常合理的观点。我参加过多次实习，其中一个原因也是为了积累这些经验，看看大学所学之外的世界。不过坦率地说，我认为大学是一次非常有价值的经历。尽管这可能不是非常受欢迎的观点。正如您所说，在那里遇到的人以及与他们共同建立的社群，会带来许多缘分。在成长过程中，能从那些人身上学到非常多的东西，也能看到他们着眼于五年或十年后，正在研究什么。我认为这些经历最终会影响一个人看待世界的方式，以及判断哪些问题最有意思的方式。
另一点是，Stanford 的许多课程尤其涉及前沿研究。教授们都是扩散、智能、神经网络领域的顶尖专家。能够在每个学季都会根据前沿知识积极更新的课程中，直接向他们学习，是一次极其宝贵的经历。我上过如今也是 Inception CEO 的
Stefano Ermon 教授开设的扩散课程，坦率地说，那门课真的很难。期中考试虽然允许使用笔记、互联网，甚至 ChatGPT，所有这些都可以使用，但我们接触的是当时正在开展的前沿级扩散研究。其他许多大学似乎并没有真正涉及这些内容，但那位教授掌握着许多相关资料。许多在 DeepMind、OpenAI 等实验室工作的前沿研究员也会来到课堂，讲述真正的前沿是什么样子。尤其是在开始建立人脉并与他人建立信任的时期，获得这样的经历，无论在人际关系还是可信度方面都带来了很大帮助。坦率地说，我认为这就是大学的价值。能够积累可信度、建立人脉网络和人际关系，同时不局限于某一个特定领域，学习相当广泛的知识，这点非常有力量。了解自己想在哪个领域成为顶尖人才，也非常重要。
高中时期的半导体与实验物理研究 10:38
Matthew Kim 您似乎从高中起就对一个非常有趣的领域产生了兴趣。毕竟高中生会对硬件和半导体感兴趣的情况并不多见。是什么契机让您开始如此深入地钻研半导体呢？
Nikhil Suresh 我从很早的大学时期起，不，应该说从高中起就一直对数学很感兴趣。对数学的兴趣似乎自然而然地转化成了对物理学的浓厚兴趣。所以我想在从事实验物理学相关研究的实验室里工作。我不管不顾地给大约200到300位教授发了邮件，问道：“身为高中生的我可以在教授的实验室里工作吗？”正如各位所料，大多数人都拒绝了。准确地说，除了一位以外，所有人都拒绝了，最后我得以和那位愿意给我机会的教授一起工作。我做了许多很棒的项目，其中规模最大的项目可能就是半导体研究。我们研究了两种不同半导体材料之间的纳米键合，考察了表面能之类的东西。我也做了许多与生物相关的材料科学研究，在当时，那些研究也非常有趣。
各位听说过Theranos吗？那起事件曝光时，我正读高一。为了方便观众理解，我来简单介绍一下Theranos。这家公司声称，在使用与传统血液检测相同类型技术的同时，只需目前血液检测所需血量的千分之一就能完成检测。后来，围绕透明度以及实际技术的运作方式爆发了一场巨大的丑闻。当时，我们的实验室针对半导体进行了大量元素分析，研究键合工艺究竟是如何运作的、表面能是如何结合的等等。我们一直在考察这些问题。后来我们想到，这项技术是否也能应用于血液分析，并认为这是可行的。因此，我把在实验室里的相当一部分时间都用来研究这种技术。我们开发出了一种聚合物涂层，能把血液固化，并通过X射线光电子能谱法或离子束分析等光谱技术对其进行分析。
现在回想起来，我似乎一直对现实中能够实际触碰的对象，也就是物理世界中的事物，尤其是其中的物理领域非常感兴趣。所以我对那类研究感到非常有趣。
Matthew Kim 您似乎是一位实用型物理学家。
卢正石 至少得能听懂中级（200-level）课程才行。那么，在谈Striker之前，我想再多问一些关于Mercor的事。看来您在那里也确实是在合适的时间和地点，处于合适的位置，与合适的人共事。当时正值前沿模型快速发展的时期。在前沿实验室工作期间，您学到了什么，又经历了什么？
Mercor 观察到的前沿实验室人类数据需求 13:15
Nikhil Suresh 我刚开始工作时，我们大概正在训练GPT-4、早期的xAI模型，以及一些DeepMind模型等等。那时还处于相当早期的阶段，reasoning和chain of thought也没有那么突出。当时模型的能力依然处于非常基础的水平，甚至连非常基本的数学或物理问题都无法解决。早期任务中有很多是“如何让模型解决初中水平的数学题？”之类的问题。就连这也很困难。
所以，尤其是从Mercor的角度来看，早期任务中有相当一部分是如何寻找能够立即投入当前项目的人才。也就是建立数据库和专家网络，并不断提升这种能力。我在这个过程中学到了很多。适合特定任务的人应该具有什么样的履历？应该如何设计任务？应该如何管理运营，才能以高度可靠的方式交付数据，并将其包装成客户——大型AI实验室看来合理且真正具有价值的形式？这是我们需要解决的问题。
另一个问题是，我们该如何找出能够向AI实验室提议的、真正有价值的新项目。很多价值都来自这样的判断：“你们的模型似乎不擅长这一部分。也就是说，你们是在准备pre-training数据或
卢正石 RLHF数据吗？
Nikhil Suresh 是的，这类工作很多。
卢正石 而2024年也是OpenAI reasoning模型发布的年份。是2024年9月，对吧？是的。那么在那之后，你们应该接到了大量制作reasoning相关数据的请求吧。就我们而言，在全部支出中，编码数据所占的比重最大。
Nikhil Suresh 各实验室一直都非常重视将编码性能提升到最高水平。从经济生产力的角度来看，编码可能是支出最大的领域之一。但此后，我认为已经转向了数学、物理学、法律、生物，健康等垂直任务，以及更为小众的任务。我认为是这样。
卢正石 事实上，我们也经常介绍 Anthropic、DeepSeek、Gemini 等前沿实验室的技术进展，但主要聚焦于算法。不过真正的核心是数据。在快速成长的初创公司工作，
Matthew Kim 意味着每天都要像打仗一样应对无数问题。回头来看，您经历过的最棘手的问题是什么？
模型发展预测难题与 Mercor 的战略转向 16:27
Nikhil Suresh 其中一点正如您所说，模型能力正在非常迅速地发展。作为数据供应商，我们必须领先于模型能力当前达到的水平，不仅要关注现在，还要预测三个月后会发展到什么程度。尤其是在数据业务中，既要尽可能优化运营，尽可能顺利地履行合同，同时也要理解并预测未来的方向，这一点至关重要。与其说这是我们遇到的问题，不如说是我们面临的挑战之一。也就是该如何应对这一挑战。另一个挑战是，尤其在早期，要找准公司的定位。我们最初是一家为市场提供全职人才的劳动力市场公司，但人类数据业务带来了巨额营收，也提供了让公司极其迅速地成长和扩张的潜力。因此，从战略角度来看，我们当时必须协调究竟是向看似较为短期的人类数据业务投入更多工程和运营能力，还是专注于长期的劳动力市场。当时，我们着眼于长期的 post AGI 世界，假设这些模型会变得极其出色，能够处理大量知识工作。在那样的世界里，我们可以作出几种假设，或预测几种结果。一种情况是，人类与模型互动的方式发生巨大变化，但岗位数量相对保持不变；另一种情况是，这些模型拥有极高的经济生产力，导致某些领域的岗位数量开始减少。然而，那些领域大多可能正是我们曾经协助招聘的领域。那么，我们该如何确定工程能力的优先级，该构建哪些工具，又该为各项业务创建怎样的 eval 呢？这是我们内部曾在相当长一段时间里广泛讨论的主题之一。
当时，数据支出会继续以如今这样的规模增长，也并不是那么显而易见。这些模型现在已经达到了 1T 参数、10T 参数的规模。当时则大约是 10B，最多也只有 100B 左右。由于规模小得多、远远小得多，数据支出也呈指数级减少。因此在当时，对许多人来说，这是不是正确的判断并不是那么明确。很多人认为：“不，这个市场可能只会持续一两年，等有足够多的专家训练完所有物理学数据和数学数据之后，市场就会饱和。”他们是这样想的。但我们正在确认，实际情况并非如此，数据支出至少在未来几年内仍将持续增长。
数据标注内化之争与市场前景 19:16
Matthew Kim 我看到了 Twitter 上围绕数据标注公司的争论。有些人认为，OpenAI 或 Anthropic 这样的前沿实验室为了上市会努力将成本降至最低，因而会组建内部团队进行数据标注。一种观点认为，这样一来，数据标注公司的营收就会承受压力。
另一种观点是，我们尚未生活在 agent 时代，这个时代才刚刚开始。考虑到市场对大规模 agent 的需求，数据显然是核心要素。您如何看待这场争论？
Nikhil Suresh xAI 似乎已经在内部开展专家级标注有一段时间了，OpenAI 等其他实验室现在似乎也开始向这个方向转变。我认为，目前产生数据支出的方式大致有两种。一种是在模型侧，为实际的 AI 模型构建 eval 和 benchmark，并在人类数据上投入资金。另一种是在企业侧，构建 verifier 和面向 open-source 模型的 RL 环境，帮助企业降低 token 成本，并提升特定任务的性能。这就是目标。因此，我认为第二个领域实际上是一个巨大的市场。知识劳动力市场规模庞大，价值数万亿美元。所以数据支出也会与之成正比。仅这个领域就可能达到数十亿美元，甚至数百亿或数千亿美元。实验室或许会开始建立自己的运营体系，
但它们有资源将其做到 Mercor 迄今为止顺畅运营的这种规模吗？OpenAI 会优先考虑什么？是模型训练，还是数据生成？数据标注的一大优势尤其在于，市场已经形成了相当激烈的竞争格局。Snorkel、Mercor、Surge、AfterQuery 等公司已经存在。
因此，我认为归根结底，很大程度上还是执行的问题。也就是既要提供高质量数据，又要确保向客户交付能够按时完成。我认为 Mercor 一直以来在这方面做得非常出色。这一点也需要考虑在内。客户付费购买的是在不同任务集上创建大量 benchmark 的专业能力。我认为这正是 Mercor 这样的公司拥有强大市场地位的原因。
卢正石 事实上，这些人是在自己创造需求。我们见过 AfterQuery 的人，他们会先在高度专业化的小众领域做出某种东西，然后找到前沿实验室说：“你们的模型不擅长这个。所以你们必须购买它。”没错。然后他们再去找其他实验室，说：“很好，这能提升你们模型的性能，所以你们也必须购买它。”
Matthew Kim 是的，完全正确。正如您所说，企业还没有雇用数字劳动力。如果企业利用自身的活动记录和数据，会怎么样呢？显然，在前沿实验室之外也会形成一个巨大的市场。这是个很好的观点。没错。
Nikhil Suresh 利用 context 和企业数据，我认为这是今年的一大主题。模型正变得越来越大，数据规模也在持续扩大。
卢正石 所以我认为市场前景相当不错。现在我们进入下一个话题。您最近创立了 VC 投资公司 Striker。
以少数集中投资制胜的 Striker 创立 22:45
卢正石 我不太喜欢韩国 VC 行业的一种做法。例如，如果有一笔规模为 1,000 万美元的交易，10 家 VC 投资公司各自只投资 100 万美元。这是一种试图降低风险敞口的 spray and pray 方式，我认为这是一种有些愚蠢的做法。如果发现了一家真的、真的很优秀的公司，就应该独占这个机会。而各位现在正是这么做的。能否介绍一下投资 thesis 和投资组合中的公司？我们的投资 thesis 其实非常简单。
Nikhil Suresh 整只基金计划投资大约 10 家公司。我认为您提到的 spray and pray 策略也能带来可观的经济回报。但如果想尽可能获得最高的上涨空间，并发挥足以改变公司成败的能力，真正与被投公司并肩合作，就需要一种信念极其坚定的策略。这意味着投资数量相对较少的公司，担任董事，在招聘、战略、运营等方面切实帮助公司解决所需的一切问题。任何与融资或算力相关的问题也是如此。我们的模式正是为此而设计的。我们希望在坚信能成长到 1,000 亿美元或 1 万亿美元规模的领域中，找到最优秀的 10 家公司和最优秀的团队。当然，我们的模式风险非常高。
因为只有 10 笔押注，只要其中一笔出错，基金价值就可能很快跌至接近于零。但这也有另一面。它会迫使我们在坚信的领域中始终保持极高的标准。此外，它还会在创始人与我们之间形成非常强烈的利益一致性。我们全力押注他们，他们也全力押注我们。因此，不惜一切代价让公司取得成功，才是对双方最有利的选择。您目前正在运营第一只基金，对吧？是的。
基金规模与投资组合运营原则 24:47
卢正石 基金规模是多少？截至目前投资了多少家公司，投资了多少资金？
Nikhil Suresh 我们第一只基金的规模是 1,700 万美元。截至目前，我们投资了大约 7 家公司，领域涵盖用于芯片设计和推理的 AI，用于机器人技术的世界模型、Video 视觉 reasoning 模型，以及几家网络安全公司。目前能够公开的主要投资领域大致就是这些。之后可能还会再投资 5 到 6 家公司，这就是基金目前的情况。我不确定这些信息可以公开到什么程度，我们的基金有 10 位出资人。
我们只接受最优质的资本，也只进行最优质的投资。没有低质量的相关方，也不做任何无谓的事情。我们希望把与此相关的一切都维持得非常干净、非常优质。我们重视的投资 thesis 之一是，评估公司时最先要确认的事项，即使不一定排在第一位，也必须确保的主要事项之一，就是公司的存续。
如果能随时帮助公司继续生存，降低生死存亡的风险，那么拥有优秀团队和顶尖人才的公司最终总能找到出路。具体而言，就是帮助公司打造产品或寻找新的市场进入策略，让公司能够持续融资，不断证明自身。另一个问题是，能否持续招募顶尖人才，打造优秀的团队。如果拥有无限的资金和优秀的团队，并且所处领域的大方向正确，就能打造出非常、非常优秀的产品。非常、非常优秀的产品。
那么问题就在于，如何到达那个阶段。我们在很大程度上专注于这一视角。如何帮助投资组合中的公司融资？如何帮助这些公司招募顶尖人才？您如何发掘投资机会？
项目来源方式与 Ricursive 投资案例 26:44
卢正石 像 P-1、Eve、Ricursive、Elorian 这样享有盛名的公司，您是如何发掘到的？每位创始人的背景都非常出色，完全不逊于任何人。您是如何找到这些交易的？
Nikhil Suresh 我认为首先要从理解相关领域开始。我们会努力判断最大的市场将在哪里形成。硬件显然是今年非常重要的主题，我认为在过去多年中，这一领域的重要性一直周期性地受到关注。尤其是今年，由于芯片短缺，它成为了一个非常突出的主题。而且现在模型的性能已经足够出色，我认为可以利用 AI，以很高的准确度、在极高水平上完成芯片设计。如果能把改进芯片所需的时间从一年半缩短到短短几周，那将是一个巨大的突破。因此，我们会深入审视这个领域，与研究人员交谈，判断哪些是关键领域。确定领域，是 Striker 首先要做的事情。第二是创始人。创始人是谁？创始团队由谁组成？
他们的背景与眼前的问题有什么关联？为什么他们最适合解决这个问题？他们思考这个问题有多久了？他们的观点是什么，优势又是什么？如果能回答这些问题，就能更加确信为什么你们是我们应该投资的团队，以及为什么你们会成为在该领域胜出的团队。例如，Ricursive 是由 Anna 和 Azalia 创立的。Azalia 其实是我大学时期的研究导师。我在 Stanford 接受她的指导，开展了一个推理项目。
Matthew Kim 世界真小啊。世界确实很小。她是一位优秀的教授，更是一位杰出的研究人员。
Nikhil Suresh 她还是如今被众多 AI 模型广泛采用的Mixture of Experts 的共同开发者之一，也是其中之一。他还与另一位 Ricursive 创始人Anna Goldie 共同开发了 Circuit Training 和AlphaChip。AlphaChip 是 DeepMind 用于设计 Google四代 TPU 的首个主流 AI 芯片设计方法。这篇论文最初在 Google 内部遭到了相当大的质疑：“这在实际中究竟有多大用处，又有多准确？”但两人证明了这些质疑全都是错误的，并顶住反对声浪，证明了自己才是正确的。这支团队拥有芯片设计领域最顶尖的经验，显然是该领域独一无二的领导者。所以，当我们有机会见到他们并进行投资时，根本不需要犹豫。第一次会面刚结束，我们就说：“我们想投资你们。要怎样才能请你们接受我们的钱？”我稍微换个方式提问。
Striker 吸引顶尖创业者的竞争力 29:41
卢正石 刚才您是从公司的角度回答的。教授应该也有过非常多不同的机会。其他知名基金应该也找过教授，对教授说：“请接受我们的钱。”那么，你们是如何在竞争中胜出的？事实上，教授确实有很多机会。我先简单介绍一下背景，
Nikhil Suresh 在 DeepMind 研究 AlphaChip 之后，教授和 Anna 成为了 Anthropic 的第 25 位和第 26 位员工。他们在那里工作了一年，构建了基础设施和相当一部分 post-training 技术栈，之后又回到了 DeepMind 和 Stanford。我认为这是多种因素共同作用的结果。当然，我们与他们有私人关系。
我的合伙人也在 Reflection 的董事会任职，因此对算力和招聘格局拥有前沿层面的认知。我认为很多 VC 实际上无法接触到这类信息。Reflection 是美国的一家 open-source 实验室，
除了 Anthropic 和 OpenAI，事实上类似的机构并不多。而且大多数 VC 都不会加入这类公司的董事会。坦白说，能有这两位合伙人，我已经非常幸运了，而且两位都在 Reflection 的董事会任职。
Reflection 由 AlphaGo 团队的前成员创立，团队中还有来自 PyTorch 团队的 Joe Spisak，以及来自 DeepMind pre-training 团队的 A.C.。得益于这种渠道，我们不仅建立了优秀 AI 研究人员的人脉网络，还可以对教授说：“我们能够帮助您招聘员工级和高级员工级研究人员。”教授与那些创始人合作过很多次，我的合伙人也曾与那些创始人合作，并取得过良好成果。归根结底，我认为私人关系、创始人中极佳的口碑，以及对算力与模型的现状和世界未来发展方向的前沿洞察，共同发挥了作用。
AI 价值链与基础设施瓶颈诊断 31:39
卢正石 您刚才说，理解市场结构和市场时机非常重要。我的下一个问题承接前面的内容。毕竟我们无法原样复制您的人脉网络。我想请教一下，您如何看待当前的 AI 市场格局。从获取数据中心用地和建设数据中心开始，到芯片、NVIDIA 和众多初创公司、软件编排，最后再到模型与服务，构成了一条清晰的 AI 价值链。而且每个环节的时机也各不相同。您能否谈谈技术栈每一层的市场格局与时机？可以，当然。
Nikhil Suresh 我想可以从最基础的层面开始。在美国，首先要看电力。因为电力是受限最严重的资源。美国的情况恰恰相反，不仅电力受到的限制非常大，地方政府的阻力也相当强。因此，启用一座新的数据中心需要很长时间。再加上芯片短缺、光子学、光刻技术等多种因素相互交织，导致数据中心建设延迟。结果，企业不得不提前锁定两三年后所需芯片的租用权。就在一年前，芯片还可以买到，前沿芯片的价格也只是原价水平，相当合理。但现在若想建设大规模集群，就必须为这些芯片支付两到三倍的价格。因此，如果正在创办一家算力密集型公司，就必须经常思考真正建立这家公司需要哪些资源和投入要素。必须仔细评估这些需求，并且比六个月前更加严密地监控。
从模型方面来看，现在有非常多新型云服务商。我们也看到许多新型云服务商高调获得大规模投资。但模型和算力的稀缺性被低估了。就在六个月前，如果找到十家新型云服务商，它们应该都拥有算力，但现在这变得非常困难。另一个问题是，价值实际上会积累在哪里。从经济角度来看，价值会大量积累在芯片端吗？会在用地和电力端吗？会在应用端吗？还是会在基础设施层？这也是一个必须重点评估的问题。如今，能够轻松进行 post-training 的更优秀的 open-source 模型正在不断涌现，随着后训练基础设施也不断扩充，尤其是 Uber 和 Coinbase 等大企业开始更加明智地管理代币经济。他们开始明白，不能不加选择地把 Fable Max 用于所有问题，然后只是期待一切顺利。必须仔细审视代币成本用在了哪里、如何使用。
我认为，利润率也开始成为一个重要问题。就在去年或前年，还有许多应用层公司以相当高的负利润率运营。那是“营收非常可观，但负利润率也非常高的业务”，这些应用层公司并不拥有模型，只拥有一层封装。如今，许多人正在摆脱这种模式。因为他们逐渐意识到：“这个模式并没有想象中那么合理。”如果不拥有模型、芯片或更底层的核心基础设施，那么除非能以某种方式充分利用开源模型和非常廉价的闭源模型，否则就极难构建在经济上可行的架构。所以我认为，明年的主要议题之一
开源后训练与 eval 的经济性 35:23
Nikhil Suresh 将是如何针对自己的特定任务对开源模型进行后训练。Mercor 这样的公司处于非常有利的位置。因为这类验证器无法自主生成。针对特定任务的验证器必须由人来创建。我认为，最终会有相当多的价值积累在评估和验证器上。例如，选择会计师事务所这一垂直领域，为多家公司的所有任务创建评估，用这些评估训练模型，再重新利用该模型，就能创造大量价值。也就是说，如果大约两年前
Matthew Kim 有人说“每家企业都必须拥有自己的评估系统和环境”，研究人员和工程师们大概会说：“这不可能，而且成本太高。”但时代已经变了。那么您认为，今年或不久的将来，企业会构建自己的评估环境，利用开源技术创建多个智能体，最大限度地降低代币成本，并最大限度地提高代币效率吗？是的，肯定会。
Nikhil Suresh 有一个我非常喜欢的度量单位，是 Stanford 的 Hazy Research 和 Scaling Intelligence团队提出的每瓦智能。它是用 Wh 来衡量完成某项特定任务所需的成本。我认为这是一个非常重要的指标。因为它不仅涵盖代币数量，还涵盖每瓦成本以及每代币成本。这一数值每六个月都在逐渐下降，而且下降速度相当快。这是一个非常惊人的指标。因为它表明，企业的大规模多智能体框架如今已经开始朝着具备商业可行性的方向发展。
卢正石 我想听听您如何看待市场时机。如果让您分配 100 分，您会如何把这些分数分配给 AI 技术栈的各个层级？
迎来 GPT 时刻的具身 AI 与机器人 37:40
Nikhil Suresh 就我个人而言，以当下这个时间点来看，我认为机器人技术和物理 AI 基础模型是非常重要的领域。坦率地说，我认为它的潜力还要大得多，但现在正类似于物理 AI 的 GPT 时刻。Skild、Physical Intelligence、Generalist 等公司正在开发机器人基础模型，而这些模型最终将以类似垂直 SaaS 公司的形式应用于机器人技术。已经开始出现建筑公司使用微调后的 π 模型，并在挖掘机和钻机上使用微调后的 π 模型的案例。所以现在我大概会给物理 AI 分配 40 分或 50 分左右。即使在物理 AI 内部，也有一些领域仍略显早期，需要更多时间发展。
机器人规模定律与数据瓶颈 38:32
Matthew Kim 如果与 LLM 的发展历程相比，您认为我们目前处于哪个阶段？回顾 AI 的历史，发现 GPT-1 预训练扩展定律的人寥寥无几，而在 GPT-3 之后，一些人发现了 RL 和测试时计算。那么物理 AI 目前大致处于哪个阶段？我们已经了解预训练的扩展定律了吗？
Nikhil Suresh 是的，我认为架构经历了相当剧烈的演变。从 VLA 和 VLM 起步，如今正逐渐转向世界动作模型。我认为，就像 LLM 一样，机器人领域也开始显现出扩展定律。不过，LLM 与机器人技术的一大区别是，LLM 拥有整个互联网可供训练使用。那是一个非常容易获取的数据源，可以直接拿来，然后说：“把它输入模型试试吧。”就可以了。而在机器人领域，这要困难得多。许多部分都必须亲自制作和配置，还要安装适合特定应用领域的传感器，再将数据输入模型。所以我认为，目前正在推进的工作就是如何增加并规模化现实世界或模拟环境中的数据。许多新的世界模型公司正在涌现，
大企业也围绕 Genie、Dreamer、GR00T以及 NVIDIA 的 Cosmos 等项目开展了大量研发。虽然还有多得多的工作要做，但我认为，我们正逐渐接近重大突破出现的时点。或许可以说，现在更接近 GPT-2 时期。尤其是随着许多通用基础模型在制造业
和装配线任务中得到更大规模的部署，它们已开始创造实实在在的营收。不过，问题在于这种模式究竟能扩展到多少不同的领域。
卢正石 您刚才提到对物理层非常感兴趣，其中一个原因可能是，正如您所说，数据具有一定程度的独占性，而且要运行测试，就需要某种形式的物理环境。所以前沿实验室似乎很难轻易进入那个市场。从这个角度来看，我认为也可能存在其他领域。比如用于科学研究的 AI。您也为我们介绍了许多生物科技领域的人士，那么，下一个值得关注的领域会是什么？
下一片前沿领域生物科技与科学 AI 41:00
Nikhil Suresh 前沿实验室现在也开始转向机器人技术了。OpenAI 已经把 Sora 团队的许多人员调到了机器人技术领域。不过，我同意您的看法。如果问我剩下的 60 分会如何分配，我想其中大约 30～40 分会给生物领域。我认为生物领域是下一个重大前沿之一。而且观察各实验室专注于哪些领域，就能了解到很多信息。看看 Anthropic 或 OpenAI，他们正在组建生命科学团队，并制定药物研发政策。因为他们同样相信，生物学是人类文明最大的前沿领域之一。生物学是最重大的问题之一，从经济角度看，也是最亟待解决的重要问题之一。我认为长寿尤其是其中一个问题。所以我们可以看到 Isomorphic、Chai Discovery、Lila Sciences、Edison Scientific 等公司纷纷涌现，获得充足的资本，试图解决这些问题。
这不仅体现在 wet lab 层面，也就是将 Codex 和智能体接入 wet lab 来研发药物，并为生物领域构建真正的基础模型，也体现在 Google、Anthropic、Edison Scientific 所展现的科学研究 AI 平台层面。关键在于，如何获取互联网上各类研究论文中包含的所有信息，将其组织成某种自动化研究，并由此促成新的发现。无论是结合实体实验室，还是只使用多个智能体，我都觉得这个领域非常有意思。
卢正石 那么，生物领域之后会是什么？如果只能选一个的话。
Nikhil Suresh 生物领域之所以非常重要，是因为它能够解决许多与生命相关的核心问题。比如癌症或心理健康这类与痛苦相关的问题。我认为，通过面向生物学和药物研发等领域的基础模型，可以解决这些问题。从长远来看，如果其中许多问题得到解决，我们能够活得更久、生活得更充实，那么在后 AGI 时代极为长远的情境下，真正重要的将是如何为人们建立社群。当人们活得更久、做更多事情、探索更多事物时，怎样才能让彼此继续拥有进行有意义交流的方式和第三空间？我们该如何做到这一点？那时可以假设我们已经拥有 AGI，它能够解决我们的核心问题，并构建软件、基础设施、硬件以及我们需要的一切。这样一来，重点就会转向如何增进人与人之间的联系，以及如何让生活真正值得度过。这就是我所设想的极为长远的未来。
后 AGI 时代的人际连接与社区 43:13
硬件强国韩国发展主权 AI 的可能性 44:09
卢正石 我想稍微问一下您对韩国的看法。您刚才谈到了 AI 格局，那么具体而言，您对韩国这个国家本身有什么期待？韩国是少数同时拥有优秀 AI 人才、制造能力
Nikhil Suresh 和硬件实力的国家之一，所以我觉得韩国非常令人期待。看看许多其他国家，大多并不具备这些能力。世界上真正有可能建立主权实验室的国家也屈指可数。韩国在软件和硬件两方面都有很高的人才密度，因此我认为韩国可能成为下一个这样的国家。韩国完全有潜力发展这些能力，成为 AI 前沿领域的下一代强国之一。韩国还有 Samsung 这样的优秀公司，以及这家公司的晶圆代工业务。它是 TSMC 强有力的竞争对手。还有 SK hynix，韩国确实拥有非常多优秀的公司。所以坦率地说，我认为韩国能做的事情很多。
韩国创业投资重点领域芯片与硬件 45:15
卢正石 Nikhil，如果现在投资韩国一家有前景的初创公司，您会选择哪个领域？如果我现在投资韩国初创公司，
Nikhil Suresh 大概会首先关注硬件领域。韩国历来非常擅长硬件。电子工程和硬件在韩国历史上一直占据重要地位，我认为这也是韩国处于世界顶尖水平的领域。韩国拥有几乎胜过全球任何国家的知识与专业能力，所以这是一个无须犹豫的选择。
卢正石 您刚才所说的硬件，主要是指机器人技术和物理 AI 吗？
Nikhil Suresh 也包括物理 AI，但实际上我更多想到的是芯片领域。比如半导体和内存，以及制造针对特定架构优化的推理芯片等领域。
Matthew Kim 建设数据中心需要很多零部件。没错。其实今晚有一场
卢正石 与 SemiAnalysis 合办的聚会，您会在那里见到许多优秀的韩国芯片初创公司。当时是什么契机促使您开始开发智能体的？
Agent 创业经历与转型投资的原因 46:30
Matthew Kim 具体做了什么，又从那段经历中学到了什么？为什么决定停止创业，转而投身投资？好的，当然可以。2025 年是一个很有意思的时期。
Nikhil Suresh 当时，企业使用 AI 的积极性还没有那么高，尤其是历史悠久的传统企业。它们不太愿意使用 AI，也没有发现其经济价值。所以要说服它们相信 AI 是诸多自动化相关问题的答案，真的非常困难。这是第一个问题。第二个问题是，当时我们针对每位客户
都进行了高度定制化的部署。这种方式的可扩展性并不好。
我希望打造一项真正有意义、可持续，并且值得我在未来投入 10 年或 15 年的事业，但对我来说，那并不是我想继续做下去的事业。我认为还有更有意思、也能帮助更多人的问题。所以最终，我投身了投资领域。我认为，通过投资那些能够对许多人产生非常积极影响的想法，就可以促成这样的改变。
日趋饱和的 Agent 市场制胜点 47:44
卢正石 我们似乎还没有谈到如今数量众多的智能体。不过，我在San Francisco和Seoul看到了许多初创公司，它们全都是智能体初创公司。您如何看待这些初创公司？您认为进入市场的时机如何？进入市场的时机吗？我认为非常好。可以说，今年是智能体之年。
Nikhil Suresh 因为模型开始具备足够的能力，企业也终于开始尝试更多地使用AI。所以现在所有人都想抓住这个机会，也是理所当然的。有一个亟待发展的庞大数字劳动力市场，而智能体可以推动这个市场升级。因此，关于如何在实际生产系统中构建智能体的洞见非常重要。那些早在去年，也就是2024年就开始，或者在今年年初开始的人，如今已经具备了可用于部署的知识和专业能力。不过需要记住的是，构建智能体的能力可以在很短时间内大幅提升。任何人都能轻松、快速地掌握。所以似乎有很多人都在创办这类公司。因为他们意识到市场很大，仍有许多尚未开拓的领域，而且可以为各种企业任务打造智能体，从中赚取大量收入。正因如此，我认为这个市场竞争极其激烈，而且已经相当饱和。归根结底，重要的是弄清楚如何在市场中立足，
以及应该将自己定位在哪里，才能真正具备竞争力。假设有人来找我们，说想再创办一家智能体公司。当我们问“你们要为什么打造产品？”时，对方回答“我们要为企业打造产品”，然后我们再问“你们为什么认为自己能赢？”时，对方回答“因为我们行动迅速”，那就毫无意义。因为每个人都认为自己会迅速行动。重要的是，为什么你是适合这个领域的人，为什么非你不可。我认为这正是每位创始人都应该扪心自问的问题。是的，没错。最后一个问题。您三四天前来到韩国，
ICML 的基准测试导向研究与模型可解释性 49:35
卢正石 在ICML见到了很多人。来韩国之前，您应该已经形成了自己的理念，而在韩国，您见到了许多人以及来自前沿实验室的人才。如果与某个人的对话改变了您的某些看法，那会是什么？
Nikhil Suresh 我对几件事的看法确实发生了改变。坦率地说，我认为ICML正在开展许多非常有趣的研究。看近期发表的论文，其中有很多都在探讨基准测试和非常具体的主题。有趣的是，就在几年前，大家的氛围还是“会有什么很酷的新模型架构？我们可以开展什么新实验？”而现在，人们问的是“为什么模型会在这个基准测试和这项特定任务中失败？”这不算巨大的变化，但大家已经开始思考，如何让当前模型在不擅长的具体领域中取得更好的表现，以及如何设计这类基准测试，从这一点来看，我的看法发生了一些变化。这也是目前许多研究人员认为最重要的课题。另外一点是，在我看来，许多研究人员
都相当沉迷于会出现一个无所不能的超级模型这一奇点概念。Anthropic最近发布了关于模型如何思考以及机械可解释性的多篇非常有趣的论文，而这似乎正逐渐发展成一个庞大的领域。起初发展缓慢，但随着速度不断加快，许多在前沿实验室工作的研究人员开始思考模型内部究竟发生了什么，以及模型的思维和记忆实际上是如何被感知的。Anthropic昨天发表了一篇名为‘The J-Space’的论文，公布了有关这些模型的内部框架实际上是什么样子的研究成果。
我昨天见到的一位创始人意识到，有趣的研究实在太多，因而辞去了自己所创办公司的CTO职务，决定去Anthropic工作。他原本研究的是黑箱可观测性和黑箱模型，但在看到Anthropic关于模型可解释性和透明度的研究成果后，他开始认为自己的前提不可能成立，也不再确信自己的方法能够实现。就这样，许多创始人和研究人员开始聚集到人才中心和人才枢纽。那么，如何将这些人才吸引到芯片设计或生物科技等实验室之外，同样重要、且比实验室里的工作包含更多元视角的项目中，就成了一个重要问题。最后一个问题。我们三个人都深深沉浸在AI之中。
五年后加速的新药研发与自主企业前景 52:34
Matthew Kim 五年后，AI领域最大的变化会是什么？
Nikhil Suresh 这个嘛，坦率地说，我不知道。我当然可以给出某个答案，但我也不知道它是否正确。我觉得世界正在以快得多的速度变化。
Matthew Kim 就连一年后都很难预测。无法预测。
Nikhil Suresh 坦率地说，我现在觉得自己已经完全无法预测了。因为有太多优秀的人正在推进无数优秀的项目。我现在希望的是，五年后在新药研发中，筛选候选化合物所需的时间能够大幅缩短。我希望不仅新药发现周期能够缩短，临床阶段的试验也能变得更快。因为这是一个监管至关重要的领域，所以这一点真的很重要。必须能够真正进行人体测试，确认药物在没有副作用的情况下是否有效。我希望未来五年内，临床领域和临床试验也能取得进展。这是生物科技领域的情况。
而在智能体基础设施领域，许多人已经开始进军自主企业开发、多智能体框架和自动化研究。这不仅是实验室，也是许多基础设施公司和应用层公司都非常重视的领域。此外，许多新兴初创公司也开始投身于构建自主企业。所以五年后，这样的公司似乎会多得多。也可能会成为一种控股公司模式。一个人经营最上层的公司，该公司的智能体创建多家公司，而这些公司全都完全自主运营，仅通过智能体彼此连接。到那时，世界会连接得多么紧密，观察这一点也会很有意思。
正如工业革命时期，蒸汽机和能够往来世界各地的船舶让世界变得空前互联一样，这就像是那种现象的数字版本。如今将会出现能够自主行动、沟通并相互构建trust graph和关系的数字劳动者。这里所说的关系含义比较宽泛，但无论如何，关系就是关系。它们可以彼此共享上下文，并根据该上下文采取行动。观察这一切将如何发展，应该会非常有意思。
给韩国创业者与 AI 人才的最后建议 54:58
卢正石 最后，请您对韩国的创业者、AI工程师以及在AI领域工作的各位说几句话。
Nikhil Suresh 如果只说一点，那就是这个世界上真的有很多有趣的问题。韩国在硬件和软件两方面都拥有优秀的人才网络，我认为现在正是充分利用这一优势的时候。我们应该找出最重大、最困难且亟待解决的问题，汇聚尽可能聪明的人才，并认真挑战那些我们认为能够切实改变人们生活的问题。谢谢。好的，谢谢大家。
卢正石 感谢您的邀请。好的，非常感谢您抽出时间。谢谢。