这篇访谈的核心观点是：AI应用层的价值被严重低估，远不止是“套个GPT壳子”那么简单。投资人Sarah Guo认为，现在最大的机会不在基础模型，而在那些能把AI技术用到具体行业、解决实际问题的公司。她特别看好三个方向：一是法律AI公司Harvey，已经帮顶级律所赚了数千万美元；二是视频生成工具HeyGen，最近终于做到“够好用了”；三是法国AI公司Mistral，它更注重效率，而不是盲目烧钱。同时她也提醒，挑战芯片巨头NVIDIA非常难，因为大规模训练的验证门槛极高。
Sarah Guo，Conviction创始人兼CEO，在Invest Like the Best节目中分享了她离开Greylock后创立早期AI风投公司的经历。核心观点：AI是当代最重要的技术进步，Conviction专注于服务AI初创企业。她强调早期投资需具备“信念力”，并指出AI应用公司面临“最低可行质量”门槛挑战。重要结论：前沿AI模型未来将更高效，但成本与利润率仍是关键；AI芯片竞争格局激烈，基础设施和硬件挑战巨大。她预测AI将深刻改变社会，但需关注伦理问题。
Sarah Guo，Conviction创始人兼CEO，前Greylock合伙人，在Invest Like the Best节目中分享了她离开成熟机构创立AI专项风投的历程。本期主线：AI应用层的真实价值与投资机会。全片最有分量的判断：Sarah Guo认为“最后那一英里（应用层）在我看来是100英里中的99英里”——AI应用层的价值远未被市场充分认识，GPT wrapper叙事是危险的误导。
Sarah Guo认为，相信“AI应用层没有价值”的流行叙事是投资者最大的危险。
她指出，2023年初市场盛行“一切都是GPT wrapper，应用层没有价值”的叙事，但这一叙事服务于特定利益方。“当我说相信流行叙事很危险时，首先，那个叙事服务于某些人；其次，它恰恰违背了从第一性原理出发。”Sarah Guo强调，评估AI应用公司的基础框架与传统软件一致——分销能力、人才质量、市场空间——但需要额外判断：基础模型的能力边界在哪里，以及哪些能力会被模型提供商复制。
关键判断：应用公司不应在基础模型提供商的核心路线上与之竞争。 Sarah Guo提出“避开在位者优势路径”原则：大型模型公司不会在所有市场都赢。“技术可能是通用的，但从技术到终端用户的距离非常远。”以Harvey（法律AI）为例，OpenAI或Anthropic不太可能构建纯法律模型，这不在它们的核心路线图上。
数据支撑： Harvey已实现数千万美元收入，客户包括Allen & Overy、PwC等顶级律所和咨询公司。产品价值体现在两个维度：让每小时收费2000美元的律师更高效，以及完成以前无法规模化执行的任务（如跨2万份合同搜索特定条款）。
Sarah Guo提出“最低可行质量”（Minimum Viable Quality）作为AI产品评估的核心框架，与传统SaaS的“最低可行产品范围”截然不同。
传统软件需要确定功能范围（如CRM需要分配销售代表、管理配额、展示BI），而AI产品的核心问题是“模型输出是否足够好到能卖出去”。Sarah Guo以HeyGen（AI视频生成）为例说明：直到过去一年，HeyGen才突破最低可行质量门槛——用户提供两分钟网络摄像头质量的视频，就能生成可商用的个人演讲视频。这一突破推动了公司的快速增长。
Sarah Guo指出，跨越“恐怖谷”的关键不仅是模型改进，还包括系统设计： “如何让管理错误的成本变得极低？越来越多的模型系统会生成大量候选，然后通过验证或排序来提升用户体验。”她以代码生成为例：Google团队生成100万个候选，然后返回前三个最优结果，用户体验大幅提升。
未跨越的恐怖谷： 代码生成——当前基准测试仅达到13-20%的成功率。“如果实习生只有20%的时间做对，他们会被开除。”多步骤推理和幻觉管理是下一代模型需要解决的核心问题。
Sarah Guo对基础模型市场持“百花齐放”的期望，但认为通用基础模型创业的风险极高。
她投资了Mistral，认为其差异化在于对效率的重视。“盲目相信AI领域的流行叙事非常危险——曾经有叙事说效率不重要，但计算史上从未有过效率不重要的时刻。”Sarah Guo指出，效率在推理和训练两个维度都将成为关键竞争维度。
关于市场结构，Sarah Guo判断： “我希望看到多个选项、开源选择、足够的竞争和稳健性，这样应用层公司才能建立真正的经济价值。”她认为Meta（Zuck）对开源模型的承诺使竞争格局更加有趣，但企业客户对Facebook作为长期合作伙伴仍有顾虑。
风险提示： “大多数人都不应该训练通用基础模型——这是快速亏钱的方式。当入局成本超过5亿美元才能进行有意义的预训练时，这是非常容易亏钱的方式。”她认为市场对另一个缺乏差异化的LLM玩家的需求并非无限。
Sarah Guo认为，挑战NVIDIA的难度被市场低估，核心障碍在于大规模训练的验证问题。
她分享了一个来自投资组合公司的案例：一家使用非NVIDIA芯片训练大规模模型的实验室，即使拥有顶级研究人员，仍面临巨大的工程和基础设施管理挑战。“如果你没有人在你的芯片上运行数千节点规模的训练工作负载，你就不知道它们是否真的能工作——这种故障只有在规模下才会暴露。”
Sarah Guo指出，Google的芯片之所以有效，是因为Google在自己的芯片上运行自己的训练工作负载。 对于其他挑战者，要么需要“零号病人”客户，要么自己承担部署1万块芯片的巨额成本。
关于成本曲线，Sarah Guo持乐观态度： “整个生态系统的创新——从内存带宽到芯片到系统——将在未来5-10年带来收益。没有理由认为这不会发生。”她认为当前AI基础设施处于“疯狂、不成熟”的阶段，类比从本地服务器到虚拟化再到无服务器的演进，AI目前仅处于第一步或第二步。
Sarah Guo认为，最大的机会存在于那些技术能力与领域知识极少交汇的地方。
她以Harvey为例：一个每周工作90小时的律师想“能否让ChatGPT做我的工作”，而他的室友恰好是优秀的研究员——这种组合极为罕见。类似的机会包括：
关于服务型商业模式： Sarah Guo表示会为之兴奋，但前提是创始人“有持续改进的雄心，看能否让利润率像软件一样好”。她认为最有趣的AI应用公司可能被消费为“服务体验”，但实际在替代以前的服务。
Sarah Guo区分了长期风险与短期滥用： “生物风险、失控模型、中国武器系统——我们应该去弄清楚这些风险是否真实，但我认为它们是对近期滥用的巨大干扰。”她更关注信息误导和欺诈等基础滥用，这些在AI加持下会被大幅放大。
关于2030年代的展望： Sarah Guo认为存在“真正的丰裕概率”，但社会吸收如此多变化的能力有限。“会有赢家和输家，工作替代的动态是真实的——但可能没有人们担心的那么快。”
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Harvey | 看好（首笔投资） | 数千万美元收入，客户包括Allen & Overy、PwC |
| HeyGen | 看好（董事会成员） | 过去一年快速增长，突破最低可行质量门槛 |
| Mistral | 看好（首轮投资者） | 强调效率差异化，开源策略 |
| Figma | 正面回顾（Greylock时期投资） | 10年前投资，长期持有 |
| Awake | 正面回顾（Greylock时期孵化） | 网络分析安全公司，出售给Arista |
| NVIDIA | 中性（承认护城河深） | 90%毛利率，CUDA生态，大规模训练验证壁垒 |
| OpenAI | 中性（合作方） | 收入增长惊人但OPEX极高 |
| Anthropic | 中性（合作方） | 与OpenAI并列为主要基础模型提供商 |
| 中性 | 芯片（TPU）因内部大规模训练工作负载而有效 | |
| Meta | 中性偏正面 | 开源模型承诺使竞争格局更有趣 |
| Base10 | 看好（董事会成员） | 提供GPU推理的无服务器基础设施 |
1. Sarah Guo： “最后那一英里在我看来是100英里中的99英里”——AI应用层的价值远未被市场充分认识，GPT wrapper叙事是危险的误导。支撑：应用公司需要处理分销、客户关系、特定数据、变更管理等大量工作。
2. Sarah Guo： “盲目相信AI领域的流行叙事非常危险——那个叙事服务于某些人。”支撑：2023年“一切都是GPT wrapper”的叙事让投资者错过了Harvey、HeyGen等真正的应用层机会。
3. Sarah Guo提出“最低可行质量”概念： AI产品的核心问题不是“功能范围够不够”，而是“模型输出是否足够好到能卖出去”。支撑：HeyGen直到过去一年才突破这一门槛，推动公司快速增长。
4. Sarah Guo提出“避开在位者优势路径”原则： 应用公司不应在基础模型提供商的核心路线上与之竞争。支撑：OpenAI做搜索是可预测的，但法律AI不在其核心路线图上。
5. Sarah Guo： “计算史上从未有过效率不重要的时刻。”支撑：Mistral的差异化在于效率，而效率在训练和推理两个维度都将成为关键竞争维度。
6. Sarah Guo： “挑战NVIDIA的难度被市场低估——如果你没有人在你的芯片上运行数千节点规模的训练工作负载，你就不知道它们是否真的能工作。”支撑：Google的TPU有效是因为Google在自己的芯片上运行自己的训练工作负载。
7. Sarah Guo： “大多数人都不应该训练通用基础模型——这是快速亏钱的方式。”支撑：入局成本超过5亿美元才能进行有意义的预训练，市场对另一个缺乏差异化的LLM玩家需求有限。
8. Sarah Guo： “最大的机会存在于那些技术能力与领域知识极少交汇的地方。”支撑：Harvey的创始人是律师+研究员的组合极为罕见；企业软件配置维护、材料科学等领域存在类似机会。