Steve Jurvetson是马斯克的首位投资人、SpaceX和Tesla的早期投资人他与马斯克相识29年。在近期一档访谈节目中他阐述了自己对AI未来走向的判断以及当前正在布局的投资方向。Jurvetson认为AI驱动的计算指数级增长将在未来3年内冲击能源、农业、建筑三大行业——这三个行业是全球GDP占比最大、数字化程度最低的领域。他目前重点押注核聚变/核裂变能源、替代蛋白质细胞培养肉/菌根、表观遗传编辑、新材料与关键矿产、模拟AI芯片等。他为什么当年敢投SpaceX2000年代初风险投资界根本没有“私人航天”这个类别。Jurvetson回忆“那时候几乎没有投资人在考虑航天它不在任何投资网站的类别里。”同样的逻辑也适用于Tesla——汽车行业也不是VC该碰的地方。他投的底层逻辑是用软件和系统工程思维去改造几十年没有变化的传统行业。航天和汽车只是最早的两个验证案例。这个逻辑他认为将在几乎所有行业重演。未来3年AI渗透最“落后”的三大行业在被问及AI将在哪里带来最大变化时Jurvetson没有提软件而是直接点名三个行业能源、农业、建筑。“这三个行业在GDP中占比巨大而且是地球上数字化程度最低的行业。”医疗紧随其后。他援引一张覆盖130年算力增长的指数图——最早由未来学家Ray Kurzweil在1999年的书《灵性机器时代》中绘制——来解释为什么这一切正在发生。这张图横跨五种不同技术基底从机械装置到集成电路整体呈指数增长。“这张图展示的是用一美元能买到的算力提升了十万亿倍ten thousand billion。”他说“这是有史以来最重要的一张图。”他认为正是这种持续的算力指数增长让过去只属于工业时代的“低毛利率烂生意”正在逐步转变为信息化业务。航空航天和汽车已经证明了这个路径能源、农业、建筑是下一批。至于技术驱动力他坦承不确定。“我有一种直觉会出现某种架构上的变体可能会把我们现在熟悉的模型都囊括进去。”他特别提到强化学习领域的新一代实验室认为它们正在回归DeepMind的创立初衷——在大语言模型浪潮兴起之前Deep Mind本是走这条路的。他现在正在押注什么访谈中被问到当前投资方向时Jurvetson列出了一份清单。他的框架是找那些“从未见过新进入者、甚至创立于1800年代的老行业”。能源投资了核聚变、核裂变——一种不触发美国核管理委员会NRC监管的裂变技术。他的逻辑是能源是AI的第三大瓶颈排在人才和算力之后。替代蛋白质 “500年后人类不会再为了肉而屠宰动物。细胞培养肉、菌丝体、植物蛋白产品已经越来越接近了你几乎能尝到那个未来。”他认为菌丝体是其中增长最快的方向。表观遗传编辑Epigenetic Editing他将其描述为“生物学的软件层而非基因组的固件层”应用场景涵盖作物健康、农药替代和人类健康。“这是我们最近投入最多的方向之一。”关键矿物与新材料从深海采矿到铜精炼他认为这是AI硬件供应链的基础。“芯片的劳动力就是这些材料而美国在这方面的产能已经流失多年。”模拟AI芯片他们有三个不同角度的投资目标是在每次计算的能耗上实现“100倍再100倍”的降低。其中一家公司Mythic可以在单个晶体管内完成8位乘加运算。医疗与生命科学包括器官培育、男性避孕药以及“那些掉进传统医药VC缝隙里的东西”。整体组合约40%生命科学60%信息技术。建筑业他也在看但坦言“尝试过几次失败了但还在继续找。”超级智能明年30%的概率Jurvetson在访谈中援引了一个具体数字。“Anthropic联合创始人Jack Clark给出了一个判断明年出现超级智能的概率是30%。”他说这个数字让他觉得有趣——“至少有一个人把话说死了。”他自己的态度更谨慎“我不知道。我给它一个模糊的未来概率部分原因是这样在智识上更省力而不是真的把它当成一个严肃的难题去想。”观察马斯克29年他总结了什么被问及从马斯克身上学到什么Jurvetson给出了三点一是极致专注。“他拒绝干扰的能力强到令人难以置信。”Jurvetson举例说他曾想撮合马斯克与基因科学家Craig Venter讨论如何用基因技术改造火星马斯克直接拒绝——“在星舰飞起来之前讨论到了火星做什么毫无意义。”二是压缩创新周期。他认为这比专注更重要。“核心问题是你的学习循环有多快”他举了一个数据特斯拉的车辆摄像头每四天为AI训练集采集的数据量超过Waymo有史以来的全部数据总量。“而且每一辆车不管客户有没有付费购买完全自动驾驶都是一台数据采集设备。”第三用宏大愿景吸引顶尖人才。“不只是说我们在造火箭、造车而是说我们在推动可持续能源转型让人类成为多星球物种。”这种愿景让最聪明的人愿意加入而顶尖人才吸引更多顶尖人才形成复利。当机器做完所有事人类做什么访谈最后Jurvetson被问到一个哲学问题当机器比人类做任何事都更好人生的意义是什么他的回答是人类有一种根本性的需求——“象征性的不朽”即相信自己为这个世界留下了超越自身生命的东西。“无论是生育、写作、慈善还是创业这都是同一种冲动的不同表达。”他认为人类的进化不是生物意义上的而是知识积累意义上的。“我们传递给下一代的是规则、法律、理解而不是基因。”但他也坦承从充分就业到零就业的过渡不会是平滑的。“没有任何政治家在认真考虑30%、40%、50%失业率的过渡期问题。”他说“我不想以悲观结尾——但如果我们不是直接跳到那个丰盛的世界中间的路会很难走。”访谈全文未来三年的人工智能马斯克首位投资人的洞见来源 Silicon Valley Girl Podcast 日期 2026年7月8日 时长 43分20秒嘉宾简介Steve Jurvetson 是 Tesla 和 SpaceX 最早期的投资人之一彼时私人航天甚至还不是任何人愿意涉足的投资类别。他与马斯克相识已近 29 年并投资了马斯克创办的每一家公司。在本次对话中他深入阐述了自己对未来的判断、近距离观察马斯克所总结的三条经验以及他认为即将以超乎预期的速度发生变革的行业。一、背景投资私人航天的逻辑主持人 你非常早期地投资了 SpaceX当时你看到了大多数投资人没有看到的什么Steve 简单说当时几乎没有投资人考虑航天领域它在任何平台上都不是一个投资类别。所以真正的问题是我们为什么要投资一个对风险投资而言根本不存在的行业汽车领域的特斯拉、能源领域的核聚变都面临同样的质疑这类投资少之又少。归根结底核心原因是遇到了一位杰出的企业家一位我们曾经合作过的人。我认识他已经 29 年了投资了他创办的所有这些世纪性企业也包括他表兄弟的公司。可以说是全押。我们逐渐认识到——起初是模糊的感知后来越来越清晰——一种以软件为核心的系统工程方法一旦应用于数十年来毫无变化的传统行业就能真正释放出巨大的价值与机遇。这在航空航天和汽车行业都已得到验证。这是一个长期赌注但现在回过头来看几乎每一个行业最终都会走上这条路都会演变为信息化业务。二、最重要的图表130年的算力增长曲线主持人 你有一张关于130年算力增长的图表呈现出指数级增长的趋势。这对我们意味着什么未来三年又将如何Steve 这张图最早由 Ray Kurzweil 在1999年的著作《灵性机器的时代》中提出。我认为这是有史以来最重要的图表Kurzweil 的洞见在于他在无人察觉时就发现了这条曲线背后的规律。这张图涵盖了五种不同的技术基底从机械装置到继电器计算机再到分立晶体管、集成电路一直到 Gordon Moore 所说的摩尔定律时代。这条曲线几乎是宇宙学意义上的存在——为什么人类的计算能力能够持续复合增长130年在此期间无数公司兴衰更迭而这条曲线从未中断。图表使用的是对数坐标直线即代表指数增长。它显示每一美元所能购买的算力提升了十万亿倍。这才是客户真正关心的东西。没有人买集成电路时会问这里面有多少晶体管他们购买的是算力和存储而这两者一直稳定增长。因此关于未来三年最基本的预测就是这条曲线将继续延伸。它不会突然撞上一堵红砖墙。当一家公司声称到头了往往意味着它正在将市场拱手让给新玩家——就像英特尔当年对英伟达所做的那样。未来三年模拟芯片将继续传承摩尔定律的衣钵还有那些高效执行矩阵乘加运算的专用 AI 芯片。正是这种指数级的技术变革才催生了创业机会。如果技术是可预测的没有颠覆性创新大公司只会越来越大新进入者根本无法竞争。AI 以及我们今天讨论的一切正是这一趋势的集中体现——算力驱动创新、经济增长和产业变革最密集的熔炉。未来三年这一影响将蔓延至能源、农业和建筑业——这三个行业体量庞大、占 GDP 比重持续增长却是全球数字化程度最低的行业医疗健康紧随其后。三、技术驱动力架构创新与强化学习主持人 推动这些行业变革的技术驱动力是什么更先进的大语言模型还是别的什么Steve 这个问题很难有把握地回答。我直觉上认为答案将是某种在架构上具有根本性差异的东西它可能会将我们现有的模型纳入其中。你可以想象混合专家架构或者今天早些时候提到的扩散模型——它最终可以转化为一种Transformer但思考方式截然不同是一种大规模并行的形式。我还有一个尚未落地投资的直觉判断。我接触过一些公司它们让我很感兴趣我隐约觉得它们将取得突破。这是新一代研究机构专注于强化学习领域。这几乎是在回归 DeepMind 的创始初心——大语言模型兴起后他们将这条路搁置了一段时间。用智能体的语言来说什么是跨越数十年的长期智能体过程不是由外部操控者拉着木偶线而是某种类似生物进化驱动力的东西——对于生命体、对于人类我们生命使命或人类总体使命的驱动力究竟是什么是像 Grok 和 xAI 所说的理解宇宙是某种新颖性寻求算法驱使系统不断探索未知、以发现新事物作为过滤器在进化算法中什么是选择压力什么是成功它不仅仅是生物意义上的繁殖适应度而是某种更宏大的东西。我知道一些团队正在探索是否存在一种单一的强化学习算法通过持续学习、在互联网海量数据中自由驰骋就能以我们在大语言模型中所看到的方式引导智能的涌现目前我们对其他存在赋予意识对其他事物赋予意义即便我们并不确定其是否存在。现阶段大语言模型的互动很有趣但还不完全是那回事——我们知道里面没有光亮。四、超级智能明年有30%的概率主持人 你描述的是超级智能吗——能够自主学习、自主设定目标的系统未来三年内会出现吗Steve Anthropic 联合创始人 Jack Clark 给出了这件事明年发生的概率为30%。我觉得这很有意思至少有人在旗帜鲜明地表态。目前争论的焦点在于今天我们所见的自我改进 AI 循环其巨大进步仍然来自若干由人类主导的步骤训练过程中的自动化验证改进循环、超参数调整、AI 辅助的超参数实验等。但目标设定依然由人类完成。也许AI 目前尚未完成的只是一层薄薄的活动但在某种意义上这恰恰是最关键的部分。没有人确切知道这个转变将如何发生。这里还涉及一个深层问题AI 系统是否需要复现我们大脑的功能专业化我们人类大脑是在漫长的进化历程中形成的——从反应性的边缘系统到情绪中枢再到皮层及51Wtn.cN不断叠加的更多皮层。这整套构造正如今天早些时候一位演讲者所说也许是作为我们所感知的自我意识而被引导出来的。AI 和机器人系统是否也需要具备同样的东西坦率说我不知道也没有什么把握。我只是给它一个模糊的未来标签——也许会发生更多是因为这作为一个智识捷径比较方便而不是因为我真的深入思考过这个严肃的难题。三年这个时间跨度感觉足够远以至于几乎什么都难以预测。五、技术能力与实际部署之间的鸿沟主持人 我们看到了很多机器人演示当前技术能力似乎强于实际部署水平。这个差距有多大Steve 这是个很好的观察。不同领域的接受度会存在本质差异。一个简单易懂的例子只要涉及原子层面的改变就需要时间。完全自动驾驶汽车显然是不可避免的未来每辆车、每列火车、每架飞机地球上所有移动的东西最终都将实现完全自动驾驶。但切换的节奏会显得极为缓慢——人们平均持有一辆车11到12年你无法跨越这个物理更换周期。实体机器人同理即便采用递归制造技术生产十亿台机器人也需要相当长的时间。反而有些我们曾视为人类独有领域的地方变化来得迅雷不及掩耳——创意艺术电影制作、图像生成等我们已经亲眼目睹了。让人惊讶的只是它来得这么早。紧随其后的是白领工作。以呼叫中心为例占美国 GDP 约1%转型几乎可以在一夜之间发生根本不需要等待数十年。有趣的是当 AI 比人类表现得更好——展现出更强的情感理解力、更准确的情境判断——人们会越来越倾向于与 AI 互动而非人类。从医生的床旁TCQncy.cN沟通方式到聊天机器人和客服代理AI 在情感连接方面的表现已经超越了人类。六、软件工程领域的加速变革主持人 在软件工程领域变化正在以惊人的速度发生。我的一些朋友一年前还在编辑70%的 AI 生成代码现在已经降到了30%。Steve 这正是那些白领工作转变的典型案例之一。七、近距离观察马斯克三条核心原则主持人 与很多顶尖企业家合作你认为有哪些顶层原则是我们应该向马斯克学习的Steve 我一直试图用心观察领袖们的行事方式但即便专注于此也并不总是显而易见的因为人是复杂的。以下是我总结的几点第一超乎寻常的专注力。这乍听矛盾毕竟他同时掌管这么多家公司。但实际上同时运营多家公司本身就成了他聚焦、排序优先级、拒绝出席各种会议的理由。一家公司的普通 CEO 若不参加公司51Byyb.cN节日派对会显得很奇怪但没有人质疑马斯克因为大家都知道他还有其他公司要忙。不管这算不算借口他对干扰项说不的效率极高。举个例子多年前我想把他引荐给 Craig Venter探讨如何更轻松地对火星进行地球化改造、如何从火星带回生命样本等话题。我当时觉得这极为迷人但他说不在星舰飞起来之前这些都不重要。我得先把那东西搞定再考虑到了那儿之后做什么。第二对创新迭代周期的极致执念。比我刚才说的更为重要的是他对创新循环速度有着近乎偏执的专注——我们能以多快的速度运行实验、迭代学习核心学习循环是什么无论是火箭的发射节奏还是特斯拉在全自动驾驶到来之前通过大量车辆积累数据以训练模型。如何确保我们在从客户互动、产品功能和技术中学习的速度上领先所有人数据飞轮的威力是一个很好的例子特斯拉的车辆——无论车主是否付费开启完全自动驾驶功能——每隔四天为 AI 训练集收集的数据就超过了 Waymo 有史以来积累的数据总量。这背后的精妙之处正是将每一辆车都变成数据采集终端这一决策。