Thrive Capital（@ThriveCapital）合伙人 Philip Clark（@PJClark），基于他在 OpenAI、Cursor、Physical Intelligence 等项目中的投资经验，以及他的半导体背景，总结了关于 AI 发展现状的三大关键洞察： 1）AI 的突破不是线性的，而是呈“架构式浪潮”演进，就像半导体一样。 Philip 用半导体类比重新定义了 AI 的进步方式： 当某条路径达到极限（比如单核 → 多核；预训练 → 后训练），一种全新的架构就会出现。 AI 的演进不是通过一点点微调实现的，而是通过结构性重塑（structural reinventions）来推进。 2）强化学习（Reinforcement Learning）是下一个架构时代（至少暂时如此） 在 Philip 的体系中，RL 不是后训练的优化版，而是取代后训练的新基础架构。 但他强调——强化学习不会是最后一波。 就像硬件从单核 → 多核 → GPU → TPU…AI 也会经历多次范式浪潮，每一波都解锁全新的性能天花板。 强化学习只是下一波浪潮，不是终点。 3）OpenAI 的护城河不是模型，而是持续发现下一代架构的能力。 Philip 认为 OpenAI 的核心优势在于：所有大型模型最重要的“宏观架构突破”，几乎都源自OpenAI。 他们的护城河不是单一产品，而是：不断发明“下一代架构” 同时把“上一代架构”产品化 这种能力在任何行业都极其罕见，更别说在一个充满“非连续性跳跃”的 AI 行业。 —— Molly： “Sourcery 的赞助方之一 @turingcom 让我接触到不少 AI 研究，他们是 AI 研究加速器（我们也采访过 CEO @jonsidd）。他们最近注意到一个剧烈变化：从模仿数据、合成数据，快速转向强化学习。 我很好奇你从技术层面和应用层面是怎么观察的？” Philip： “我觉得 AI 有点像半导体——如果允许我再次回到半导体这个伟大的参照系。 为了追求更好的性能，我们会经历一波又一波的架构浪潮。 半导体曾经依赖单核，但单核挤不出更多性能后，我们转向多核，然后再到 GPU。 AI 现在发生的事情非常类似： ● GPT-1/2/3 时代 → 预训练（Pre-training）架构浪潮 它带我们走到了 GPT-4 的门口。 ● ChatGPT 时代 → 后训练（Post-training）浪潮 包括监督微调 + RLHF，让模型： 从“外星智能”变成“真正的助手” ● 现在 → 低垂果实被吃完，强化学习进入主舞台 虽然后训练还有很多可做的，但其边际收益下降， 于是强化学习成为下一次范式跃迁，吸引大量资源。 “我猜未来还会有更多这种浪潮。 这不是故事的终章。 我们现在正在实时摸索： 如何把‘金属块’变成‘会思考的机器’。 这一过程极其艰难。” “OpenAI 令人振奋的一点在于： 它不仅是世界级产品公司， 同时也是世界级研究机构。 很多事情我们还没有完全发现或理解。 所以——长话短说—— 实验室（尤其是 OpenAI）最关键的竞争优势，是不断发现“下一代范式”的能力，同时还能把上一代产品化。 据我所知，大型模型每一次成功的“宏观架构范式”，无一例外都起源于 OpenAI。这强烈说明了他们推动研究前沿的能力。” Molly： “Cursor 有一句很著名的话：What comes after code?（代码之后是什么？）对你来说——OpenAI 之后是什么？这才是问题所在。” Philip Clark (@PJClark), Partner at Thrive Capital ( @ThriveCapital), draws on investments in OpenAI, Cursor, Physical Intelligence, & his semiconductor background to outline 3 big takeaways on the state of AI development: 1.) AI’s breakthroughs aren’t linear. They come in architectural waves, just like silicon. Philip’s semiconductor analogy reframes AI progress as a sequence of hardware-like paradigm shifts. When one path hits its limit (single-core → multi-core; pre-training → post-training), a new architecture emerges. AI isn’t evolving through incremental tuning.. it’s advancing through structural reinventions. 2.) Reinforcement learning is the next architectural era (for now) Philip frames reinforcement learning as the successor to post-training: a new foundation, not an optimization. But critically, he emphasizes it won’t be the last. Just like hardware kept leaping from single-core to multi-core to GPUs, AI will experience multiple paradigm waves, each unlocking new performance ceilings. Reinforcement learning is simply the next wave, not the final one. 3.) OpenAI’s moat isn’t the models.. it’s its ability to keep discovering the next paradigm. Philip argues the core advantage is upstream of product: every major architectural breakthrough in large models has originated from OpenAI. Their defensibility comes from repeatedly inventing “the next thing” while simultaneously operationalizing the previous one.. a rare combination in any industry, let alone one defined by discontinuous jumps. Molly: "One of the sponsors that proudly sponsors Sourcery is @turingcom, and so I've gotten exposure to the AI research side of things—an AI research accelerator [we've interviewed CEO, @jonsidd]. They help out with the models. And right now, they're noticing a severe shift in the last quarter or two from imitation data and synthetic data to reinforcement learning. So I'm curious how you're seeing it on the technical side, and then also on the application side?" Philip: "I think AI is a little bit like semiconductors in a sense—if I'm allowed to go back to semiconductors, the great touchstone. In the sense that there are many, many waves as we're trying to get better and better performance. You know, with semiconductors, we used to have single-core semiconductors. Then we couldn’t basically squeeze anything more out of a single core, and so we went to multi-core. And then we went to GPUs. And I think we're seeing something very similar with AI, which is that we started with pre-training back in the GPT-1, GPT-2, GPT-3 era. That took us to GPT-4. Then we started using a lot of post-training techniques for ChatGPT—supervised fine-tuning, reinforcement learning with human feedback. This is what allowed the models to be less alien intelligences and more helpful assistants. And now, as a lot of the low-hanging fruit from those gains has been squeezed out (even though there's probably still a lot more to do), reinforcement learning has been the next big paradigm shift in AI and where a lot of the resources are going. My guess is there are going to be a couple more of these. This is not the end of the story. We are basically figuring out in real time how to do the alchemy of turning pieces of metal into thinking machines, so to speak, and that is a really tough and challenging thing. And I think the really exciting thing about OpenAI is that, yes, it's one of the great product companies of today, but it's also a research effort. These are not things that we have fully discovered or figured out yet. So I think—long way of saying—the ultimate competitive advantage for the labs, and for OpenAI in particular, is actually being able to constantly figure out what the next paradigm is even as you're productizing and implementing the last paradigm. And I think one of the highest testaments I can give to OpenAI is that every single major paradigm in large models at the macro level that has been successful, to my knowledge, has come from OpenAI or at least originated at OpenAI. And that speaks really strongly to their ability to push the frontier of research going forward. Molly: "One of the lines that comes out of Cursor is, “What comes after code?” What comes after OpenAI? That's the question for you."
观点原文
Thrive Capital（@ThriveCapital）合伙人 Philip Clark（@PJClark），基于他在 OpenAI、Cursor、Physical Intelligence 等项目中的投资经验，以及他的半导体背景，总结了关于 AI 发展现状的三大关键洞察：
1）AI 的突破不是线性的，而是呈“架构式浪潮”演进，就像半导体一样。
Philip 用半导体类比重新定义了 AI 的进步方式：
当某条路径达到极限（比如单核 → 多核；预训练 → 后训练），一种全新的架构就会出现。
AI 的演进不是通过一点点微调实现的，而是通过结构性重塑（structural reinventions）来推进。
2）强化学习（Reinforcement Learning）是下一个架构时代（至少暂时如此）
在 Philip 的体系中，RL 不是后训练的优化版，而是取代后训练的新基础架构。
但他强调——强化学习不会是最后一波。
就像硬件从单核 → 多核 → GPU → TPU…AI 也会经历多次范式浪潮，每一波都解锁全新的性能天花板。
强化学习只是下一波浪潮，不是终点。
3）OpenAI 的护城河不是模型，而是持续发现下一代架构的能力。
Philip 认为 OpenAI 的核心优势在于：所有大型模型最重要的“宏观架构突破”，几乎都源自OpenAI。
他们的护城河不是单一产品，而是：不断发明“下一代架构”
同时把“上一代架构”产品化
这种能力在任何行业都极其罕见，更别说在一个充满“非连续性跳跃”的 AI 行业。
——
Molly：
“Sourcery 的赞助方之一 @turingcom 让我接触到不少 AI 研究，他们是 AI 研究加速器（我们也采访过 CEO @jonsidd）。他们最近注意到一个剧烈变化：从模仿数据、合成数据，快速转向强化学习。
我很好奇你从技术层面和应用层面是怎么观察的？”
Philip：
“我觉得 AI 有点像半导体——如果允许我再次回到半导体这个伟大的参照系。
为了追求更好的性能，我们会经历一波又一波的架构浪潮。
半导体曾经依赖单核，但单核挤不出更多性能后，我们转向多核，然后再到 GPU。
AI 现在发生的事情非常类似：
- GPT-1/2/3 时代 → 预训练（Pre-training）架构浪潮
它带我们走到了 GPT-4 的门口。
- ChatGPT 时代 → 后训练（Post-training）浪潮
包括监督微调 + RLHF，让模型：
从“外星智能”变成“真正的助手”
- 现在 → 低垂果实被吃完，强化学习进入主舞台
虽然后训练还有很多可做的，但其边际收益下降，
于是强化学习成为下一次范式跃迁，吸引大量资源。
“我猜未来还会有更多这种浪潮。
这不是故事的终章。
我们现在正在实时摸索：
如何把‘金属块’变成‘会思考的机器’。
这一过程极其艰难。”
“OpenAI 令人振奋的一点在于：
它不仅是世界级产品公司，
同时也是世界级研究机构。
很多事情我们还没有完全发现或理解。
所以——长话短说——
实验室（尤其是 OpenAI）最关键的竞争优势，是不断发现“下一代范式”的能力，同时还能把上一代产品化。
据我所知，大型模型每一次成功的“宏观架构范式”，无一例外都起源于 OpenAI。这强烈说明了他们推动研究前沿的能力。”
Molly：
“Cursor 有一句很著名的话：What comes after code?（代码之后是什么？）对你来说——OpenAI 之后是什么？这才是问题所在。”
Philip Clark (@PJClark), Partner at Thrive Capital (
@ThriveCapital), draws on investments in OpenAI, Cursor, Physical Intelligence, & his semiconductor background to outline 3 big takeaways on the state of AI development:
1.) AI’s breakthroughs aren’t linear. They come in architectural waves, just like silicon.
Philip’s semiconductor analogy reframes AI progress as a sequence of hardware-like paradigm shifts.
When one path hits its limit (single-core → multi-core; pre-training → post-training), a new architecture emerges. AI isn’t evolving through incremental tuning.. it’s advancing through structural reinventions.
2.) Reinforcement learning is the next architectural era (for now)
Philip frames reinforcement learning as the successor to post-training: a new foundation, not an optimization. But critically, he emphasizes it won’t be the last.
Just like hardware kept leaping from single-core to multi-core to GPUs, AI will experience multiple paradigm waves, each unlocking new performance ceilings. Reinforcement learning is simply the next wave, not the final one.
3.) OpenAI’s moat isn’t the models.. it’s its ability to keep discovering the next paradigm.
Philip argues the core advantage is upstream of product: every major architectural breakthrough in large models has originated from OpenAI.
Their defensibility comes from repeatedly inventing “the next thing” while simultaneously operationalizing the previous one.. a rare combination in any industry, let alone one defined by discontinuous jumps.
Molly: "One of the sponsors that proudly sponsors Sourcery is @turingcom, and so I've gotten exposure to the AI research side of things—an AI research accelerator [we've interviewed CEO, @jonsidd]. They help out with the models. And right now, they're noticing a severe shift in the last quarter or two from imitation data and synthetic data to reinforcement learning.
So I'm curious how you're seeing it on the technical side, and then also on the application side?"
Philip: "I think AI is a little bit like semiconductors in a sense—if I'm allowed to go back to semiconductors, the great touchstone. In the sense that there are many, many waves as we're trying to get better and better performance.
You know, with semiconductors, we used to have single-core semiconductors. Then we couldn’t basically squeeze anything more out of a single core, and so we went to multi-core. And then we went to GPUs. And I think we're seeing something very similar with AI, which is that we started with pre-training back in the GPT-1, GPT-2, GPT-3 era. That took us to GPT-4.
Then we started using a lot of post-training techniques for ChatGPT—supervised fine-tuning, reinforcement learning with human feedback. This is what allowed the models to be less alien intelligences and more helpful assistants. And now, as a lot of the low-hanging fruit from those gains has been squeezed out (even though there's probably still a lot more to do), reinforcement learning has been the next big paradigm shift in AI and where a lot of the resources are going.
My guess is there are going to be a couple more of these. This is not the end of the story. We are basically figuring out in real time how to do the alchemy of turning pieces of metal into thinking machines, so to speak, and that is a really tough and challenging thing.
And I think the really exciting thing about OpenAI is that, yes, it's one of the great product companies of today, but it's also a research effort. These are not things that we have fully discovered or figured out yet. So I think—long way of saying—the ultimate competitive advantage for the labs, and for OpenAI in particular, is actually being able to constantly figure out what the next paradigm is even as you're productizing and implementing the last paradigm.
And I think one of the highest testaments I can give to OpenAI is that every single major paradigm in large models at the macro level that has been successful, to my knowledge, has come from OpenAI or at least originated at OpenAI. And that speaks really strongly to their ability to push the frontier of research going forward.
Molly: "One of the lines that comes out of Cursor is, “What comes after code?” What comes after OpenAI? That's the question for you."
相关观点
- 网红转型职业拳击手及投资人的 Jake Paul 及其商业伙伴 Geoff Woo 深入探讨了他们如何利用个人品牌、社交媒体影响力和跨界背景在硅谷建立风险投资基金 Anti-Fund，并分享了他们对未来技术与文化的看法。 以下是视频中的核心观点和主要内容摘要： 核心观点与经营理念 全速生活与效率至上： Jake Paul 分享了从 OpenAI 首席执行官 Sam Altman 身上学到的最大教训——效率。他认为成功的企业家必须极度珍惜时间，能在不同身份（运动员、创作者、商业领袖）之间快速切换，这种“受控的混沌”是成功的关键。 文化掌控力胜过纯粹创意： 他们认为，在执行力逐渐因算力（AI）而商品化的时代，真正能获胜的是那些能够掌控文化、定义品味的人。Jake Paul 以拳击为例，他并非最强的拳手，但他通过品牌塑造控制了市场和话题。 年轻一代的复利优势： 相比上一代明星在职业生涯巅峰后才开始投资，Jake Paul 这一代人从 20 岁出头就开始利用其巨大的社交媒体分布能力进行资本复利。这种“互联网原生”的视角让他们在抢夺顶级科技公司的份额时拥有独特优势。 人本主义与体育价值： 尽管 Jake Paul 深度参与 AI 领域（如与 OpenAI 合作推广 Sora），但他坚信体育和真实的人类故事在 AI 时代会变得更具价值，因为只有真实的人类努力和情感才能触动人心，而机器人拳击等科技手段无法取代这种灵魂上的联结。 基金运作与投资策略 Anti-Fund 的独特性： 该基金拥有约 6500 万美元以上的管理资产规模（AUM），专注于 AI 基础设施、应用型 AI 和机器人技术。他们认为自己是硅谷传统风投的“挑战者”，代表了新一代的技术与文化的融合。 不设限的动态策略： 与那些严格区分种子轮或成长期投资的基金不同，Anti-Fund 保持高度灵活性。Jake Paul 认为，如果一个后期项目风险低且回报好，就应该利用现有的平台优势去抓住机会。 对创业者的吸引力： 许多新一代的技术人才（来自麻省理工、哈佛等）是看着 Jake Paul 的视频长大的，这种“文化亲和力”让他们在竞争激烈的交易中获得了所谓的“不公平优势”。 Logan Paul 的加入： Jake 的哥哥 Logan Paul 加入合伙人阵营，不仅带来了 Prime 等巨大商业成功的经验，还引入了完全不同的社交网络。尽管 Logan 的投资风格被认为比 Jake 更加激进且处于学习曲线中，但他的加入增强了基金对未来的控制力。 未来展望与个人追求 AI 时代的内容演变： 面对 AI 可能带来的内容大爆发，Jake 预测那些仅仅依靠噱头和烧钱换取点击量的模式将面临挑战，而具有真实人类联结、能通过简单的对谈就吸引观众的创作者将拥有更长的生命力。 生活方式与“自由”：Jake 谈到了他在波多黎各经营的牧场。对他而言，牧场代表了人类终极追求的“爱与自由”。他计划在那里养牛、制作高品质牛肉，并将那里作为 Anti-Fund 聚会的地点，打造一个属于新一代创业者的社交中心（类似硅谷的 Deer Valley）。 未来的性能指标： 他对未来的衡量标准非常明确：在财务上追求基金的 5 倍甚至 20 倍回报；在内容上追求能产生情感共鸣的千万级点击；在生活上则追求“乐趣”，认为乐在其中才是成功的终极定义。 总结 Jake Paul 正试图通过 Anti-Fund 证明：在这个时代，分发能力就是权力。他利用其顶级网红的影响力获取最优质的科技项目（如 OpenAI 的早期接入），再利用这些技术进一步增强自己的内容创作，形成了一个高度协同的闭环商业帝国。 本文为基于公开视频的分析性总结，不构成原内容替代。Molly O’Shea · 2026/02/15
- 这段视频是 Brex 联合创始人兼联合 CEO Pedro Franceschi 接受 Molly O'Shea 的深度访谈，详细揭秘了 Capital One 以 51.5 亿美元收购 Brex 这笔历史性交易背后的内幕。 以下是视频中的核心内容和主要观点总结： 1. 交易的闪电速度与背景 40天成交： 整个并购过程从第一次正式会面到签署最终协议仅用了 40 多天。Capital One 作为一家市值 1500 亿美元的公司，其决策速度和执行力令 Pedro 感到震惊。 为何是 Capital One： Pedro 极其钦佩 Capital One 的创始人 Rich Fairbank。他认为 Capital One 是“第一家金融科技公司”，是唯一一家不运行大型机（Mainframes）而是完全基于云端的大型银行。 2. 估值与资本市场的现实主义 估值回归： 尽管 Brex 曾在 2021 年达到 123 亿美元的估值，但 Pedro 直言那属于“零利率时代（ZERP）”的泡沫。他认为所有私有公司的估值最终都会向公开市场对齐。 主动下调估值： 为了提振员工士气并回归现实，Brex 在 2024 年初主动将员工期权价格重新设定在 40 亿美元。Pedro 认为“看清现实的一方才能获胜”。 对标公开市场： 这笔 51.5 亿美元的交易价格约合毛利（Gross Profit）的 13.4 倍。这在公开市场金融科技公司中处于顶尖水平，仅次于 Adyen，高于 Toast、Affirm 和 Block。 3. 这不是“退出”，而是“翻倍押注” 保持独立性： Pedro 强调这不应被视为一次“退出（Exit）”，而更像是一次增长交易。他将继续担任 CEO，Brex 将保持高度的运营自主权。 资源杠杆： Capital One 拥有 60 亿美元的研发预算和 60 亿美元的营销预算，是 Brex 的 150 倍。加入 Capital One 后，Brex 能将 AI 路线图缩短 2 到 3 年。 信任背书： 对于 Fortune 500 等大企业客户，Capital One 的品牌提供了初创公司无法比拟的信任感，这将加速 Brex 在大企业市场的扩张。 4. AI 与未来愿景 AI 驱动的财务自动化： Brex 正在进入“控制反转”阶段。过去由财务人员手动输入数据，现在由 AI Agent 处理 95% 的决策（如差旅审计、费用合规），财务团队只需处理例外情况。 财务团队“一人制”： 最终愿景是利用 AI 让一家大公司的财务团队可以精简到只需一个人，实现全自动化的资金流转和决策。 5. 对初创客户的承诺 双倍投入： 针对市场上关于“收购会导致服务缩水”的疑虑，Pedro 承诺对初创企业的支持不仅不会减少，反而会加强。今年初创企业团队的人数将增加 50%。 6. Pedro 的个人心路历程 战胜艰难时刻： 过去两年半极其艰难，经历了高流动率、增长放缓和企业重组。这次交易对他来说是一种极大的精神补偿，证明了“做困难的事情是有意义的”。 保持“战争模式”： 29 岁的 Pedro 表示自己正处于“100% 战争模式”，他希望 Brex 能成为美国最重要的企业金融平台，最终能与美国运通（AMX）和摩根大通（JPM）平起平坐。 总结： Pedro 认为这次并购是 1+1=5 的结合。通过将 Brex 的尖端技术、AI 潜力与 Capital One 的资产负债表、品牌影响力结合，他们试图跳过 5 到 10 年的自然增长期，直接重塑全球企业金融行业的格局。 本文为基于公开视频的分析性总结，不构成原内容替代。Molly O’Shea · 2026/02/09
- 这段视频是 Sourcery with Molly O'Shea 播客的一集，嘉宾是 Menlo Ventures 的新任合伙人 Deedy Das。他曾是 Glean 的创始团队成员，并在 Google 和 Meta 有过工作经历。 以下是该视频中的核心观点和主要内容总结： 1. 关注的投资领域与公司 Goodfire (机械可解释性研究): Deedy 极力推荐这家公司，称其为 AI 模型的“脑外科手术”。他们致力于将 AI 的“黑盒”透明化，理解模型为何做出特定决策，而非仅仅观察输出结果。 弥合硅谷与现实世界的鸿沟: 他认为硅谷过分关注金融和法律等高价值行业，而忽视了保险、卡车运输、物流和税务等急需 AI 填补劳动力短缺的传统领域。 PLG (产品驱动增长) 在企业端的威力: Deedy 认为，如果一个企业级产品可以走 PLG 路线，就必须这么做。否则，一个病毒式传播的产品会凭借更好的品味和更快的迭代直接在销售环节击败那些冗长且僵化的传统企业软件。 2. 投资哲学与创始人特质 摒弃虚假的“投资论文”: 他直言许多风投声称有明确的论文（Thesis）其实是在撒谎。历史上伟大的公司（如 OpenAI 或 Facebook）几乎都不是基于某个预设的论文投出来的，而是因为投到了极其聪明且在解决高价值问题的人。 创始人的动机: 他寻找那些不是为了“高地位”或“酷”而创业的人。他希望创始人即便公司失败，五年后依然愿意做这件事，因为这是他们的使命。 “邪教领袖”式的招聘能力: 创始人必须具备极强的招聘能力，能够吸引并留住顶尖人才，甚至需要一点像“邪教领袖”一样的感染力。 3. 对 AI 行业现状的犀利观察 大厂的“冗余”现象: Deedy 分享了 Google 等大厂中存在大量长期不写代码也能晋升的工程师（IC）。他认为 Elon Musk 对 Twitter 的裁员证明了许多科技公司存在严重的臃肿问题，AI 将推动这些公司变得更精简高效。 信息不对称: 他利用自己会写代码的优势，在尽职调查中直接拆穿那些只会改 Prompt 却宣称在做强化学习（RL）的伪 AI 公司。 过度融资的负面影响: 融太多钱会造成“成功幻觉”，导致团队丧失饥饿感，甚至产生“50美元午餐问题”（即生活变得奢靡，不再努力工作）。 4. 人口学与宏观经济 出生率下降的隐忧: 他关注全球人口萎缩对经济的影响。目前的经济增长很大程度上依赖于消费增长，而消费增长又依赖于人口增长。如果人口减少，现有的经济范式可能面临挑战，AI 此时将作为替代劳动力变得至关重要。 5. 人物影响与智慧 崇拜的对象: Glean 的创始人 Arvind Jain。 从 Arvind 处学到的教训: 勤奋是礼物: 不要抱怨工作辛苦，能有份值得奋斗的事业是一种幸运。 拒绝收购的理由: 当面临高额收购时，Arvind 的回答是：“我现在运行着这么酷的一家公司，如果被收购了我就不能运行它了，我为什么要这么做？” 。 极度的专注: 创业中每天可能有一百个好问题，但只有一个问题是真正需要回答的（例如：客户是否真的爱这个产品？）。不要过度思考其他无关痛痒的杂事。 总结： Deedy Das 的观点结合了深厚的技术背景和对硅谷文化的深刻反思。他推崇真实的技术突破、极致的产品品味，以及对现实世界经济问题的务实解决态度。 本文为基于公开视频的分析性总结，不构成原内容替代。Molly O’Shea · 2026/02/09
- 这段视频是关于 Unconventional AI 公司（一家估值45亿美元的初创公司）的创始人 Naveen Rao 与 Playground Global 合伙人 Constantine Buehler 的深度对话。视频探讨了人工智能（AI）计算的未来、类脑芯片的潜力以及为什么当前的计算范式需要彻底改变。 以下是视频中的核心观点和主要内容总结： 1. 核心挑战：当前 AI 计算的“尴尬”现状 低效的功耗： Naveen 指出，人类大脑仅需 20瓦 就能处理复杂的认知任务，而当前的 AI 模型（如 LLM）则需要兆瓦级的能量。这种巨大的差异被形容为“令人尴尬的低智”。 摩尔定律的停滞： 虽然摩尔定律并未完全终结，但在传统架构下，通过堆叠昂贵的 ASML 设备和耗费数百亿美元建设晶圆厂所带来的收益正在递减。 冯·诺依曼架构的局限： 过去 75 年我们一直受困于这种架构，而现有的数字计算机在模拟非线性系统（如神经网络）时效率极低。 2. 核心观点：回归模拟计算（Analog Computing） 生物灵感： Naveen 的职业目标是构建像生物系统一样工作的计算机。他认为，真正的智能需要创新的硬件底层，而不仅仅是软件算法。 随机性与物理特性： 传统数字计算追求 0 和 1 的绝对精准，但 AI 模型本质上是随机的（Stochastic）。模拟计算机天然具有这种特性，能够利用硅片的非线性动力学来处理信息，从而大幅降低功耗。 从“计算”到“动力系统”： 大脑不进行传统的数字算术，它是一个随时间演变的动力系统。Unconventional AI 的目标就是利用物理特性（如电荷、时间演变）直接进行计算，而不是浪费能量去模拟数字逻辑。 3. AI 发展的宏观周期 第二次工业革命： Constantine 将 AI 革命比作工业革命。工业革命实现了体力劳动的自动化，而 AI 正在实现认知劳动的自动化。 极早期阶段： 尽管投入巨大，但目前全球仅有 1% 到 2% 的认知劳动被自动化。未来 20 年，绝大部分认知工作将由机器完成。 4. 商业与投资观点 资金需求： Naveen 预计开发出第一款产品可能需要 15 亿美元。因为他们不仅是在卖芯片，而是在重塑整个软件和硬件堆栈。 能源是真正的瓶颈： 资金不是问题，电力才是。如果能将电力成本降低 0.1%，就能创造出巨大的经济价值。 初创公司的优势： 相比大公司，初创公司能够更纯粹地以任务为导向（Mission-driven），在研究模式下保持高效和扁平化。 5. 个人领导力与赛车哲学 精准执行： 作为一名赛车手，Naveen 认为赛车和创业都需要极致的精准与纪律。微小的动作决定成败，就像 CEO 在雇佣和决策时的每一小步都会累积成最终的结果。 风险评估： 赛车训练了他对风险与回报的实时权衡能力，这种心理状态与运营公司高度相似。 总结： 视频传达了一个强烈的信号：我们正处于计算科学新纪元的开端。通过放弃对数字精准度的执着，拥抱硅片的非线性物理特性，我们可以制造出功耗更低、性能更强、更接近生物智能的新一代 AI 计算机。 本文为基于公开视频的分析性总结，不构成原内容替代。Molly O’Shea · 2026/02/09