艾诚硅谷日记： 一个AI老登自我审查 资本泡沫中自我升级

一、十三小时，我只想搞明白一件事：

我到底是不是“老登”

回到祖国，扑面而来的还是那种卷卷乱乱、生机勃勃的气息。

旧金山飞北京，十三个小时，经济舱五千多元。对我来说像坐一趟超长途巴士：舍不得睡觉，也舍不得看电影。我打开手机备忘录，想把这半个月在硅谷见到的人、听到的话，以及那些来不及消化的情绪，一股脑写下来。

因为这趟出发前，我给自己留了一道有点扎心的题：

我到底是不是“AI老登”？我还有没有和AI时代一起玩耍的勇气与能力？还是只剩一个“Ms AI”的名号，应该归园田居？

回答它比讨论技术更难。技术有基准测试，人却很少给自己跑一次评测。只有跳进最具体的AI漩涡，和正在造模型、写代码、做产品的人待在一起，才看得见什么叫AI Native，也才照得见自己身上那些“老登”式的肌肉记忆。

AI Native的输入，往往来自论文、模型卡、GitHub issue、X和Bluesky上的原始讨论，以及自己跑出来的eval；“老登”的输入，则来自行业峰会、闭门会、券商报告、公众号解读，以及找人喝咖啡。

偏偏这次，我的行程几乎把后一列集齐了。

但我后来想明白了：找人喝咖啡没有错，错的是把二手观点当成一手事实；参加大会没有错，错的是用热闹代替验证；有经验也没有错，错的是经验不再允许自己被新证据推翻。

所以，AI Native不是年轻人的专利。“Native”不是身份证上的出生年份，而是大脑里的更新机制。它至少包括三种能力：

· 能不能绕过解读，找到最接近事实的信号；

· 能不能亲手试一遍，而不是只转述别人说“很强”；

· 当旧坐标失效时，能不能承认自己错了，并迅速重建坐标。

带着这三个问题，我去了斯坦福，走进AASF亚裔美国学者论坛，拜访Sand Hill Road，也坐到那些被大厂高价争抢、被资本追逐、甚至刚刚完成数亿美元并购的华人AI创业者身边。

我想知道：AI究竟只是又一个赛道，还是一个时代？泡沫之下，钱到底在往哪里流？而像我这样已经拥有一套成熟工作方式的人，怎样不装嫩，也能完成一次真正的AI原生升级？

二、AASF现场：AI人才市场正在发生“K型分化”

这是AASF举办的第三年。按我在现场听到的口径，约有1700位来自全球的华人科学家、投资人、创业者和学生学者，自费购买数百美元的门票来到斯坦福。为什么一个以科学家为主的英文论坛，会吸引这么多中文世界的观众？

一位嘉宾说得很直接：“今天AI的竞争，某种程度上是中国的华人与美国的华人，隔着太平洋较劲。”

这当然不是AI竞争的全部，却准确描述了硅谷一个肉眼可见的群像：从清北等高校走出来的学生，在美国读博士、做研究、申请教职；有人辍学创业，有人离开大厂创业，有人拿着中国、加拿大或新西兰护照，也要拖家带口来到湾区创业。出租屋里能创，车库里也能创。

他们向往的不只是财富，而是一种被认真对待的雄心：即使公司失败过，下一次别人仍愿意先听你要解决什么问题。

硅谷的人才流动也有制度土壤。加州法律原则上不承认普通雇佣关系中的竞业限制，只有极少数法定例外。一个工程师从公司走向创业，不必先把最有创造力的几年交给一纸禁令。当然，商业秘密仍受保护，但“人可以流动”本身，就是创新系统的一部分。

这种流动，到了2026年，正呈现极端的“K型分化”。

2026亚裔美国科学家论坛开幕式的最大新闻就是谷歌首席科学家Jeff Dean突然离职后创业的首次露脸。进入Google二十七年后，他与Sanjay Ghemawat、Quoc Le和Oriol Vinyals共同创办Discovery Loop，尝试让AI自主完成“提出假设—设计实验—执行实验—验证结果”的科研闭环。Alphabet不但没有与他反目，反而成为创始投资者和云合作伙伴。

这个细节比离职本身更值得中国科技公司研究：留不住顶尖人才，不一定要把他变成敌人；也可以让他成为生态。

顶尖科学家真正稀缺的，往往不是再多一个头衔，而是十个人围绕一个使命高速决策、不被大组织摩擦消耗的自由。2025年以来，美国大厂争夺极少数AI人才的奖金或薪酬包，被曝达到上亿美元量级；另一端，大量标准化技术岗位却在裁撤和重组。裁员当然不能全部归因于AI，但人才价格正在被结构性重估，是无须争辩的事实。

能够定义问题、开创新范式的人越来越贵；只会执行标准任务的人越来越容易被替代。投资人不能再用团队人数判断实力，而要看一个十人团队能否完成过去千人组织的闭环；大公司留人也不应只有加薪与锁死，还应包括spin-off、战略投资和算力合作。

工业时代最重要的是占有机器。AI时代更重要的，是让最聪明的人拥有重新出发的自由。

三、三张面孔：科学家、创业者与“十人公司的六亿美元”

如果只谈宏观，AI很容易变成一个大词。真正让我相信时代已经转向的，是三张具体的面孔。

1. 李飞飞：会画杯子，不等于理解杯子

李飞飞少年时随家人移民美国，初到美国时家庭积蓄极少。她在餐馆和洗衣店帮工，一路走到普林斯顿、斯坦福，再用ImageNet推动深度学习革命。今天，她又站在世界模型和空间智能的前沿。

需要澄清的是，“世界模型”并不是李飞飞最早提出的概念。它在认知科学、控制理论和强化学习中都有更早的思想源流。李飞飞和World Labs正在做的，是把这个方向推向一种可计算、可生成、可交互的空间智能。

她对世界模型的拆分很值得财经读者记住：渲染器输出像素，模拟器输出几何、结构和物理状态，规划器输出行动。今天的文生视频很擅长“画出杯子”，但真正理解杯子的系统，还要知道杯子被推后会不会倒、水会往哪里流，以及机械手该用多大力气把它拿起来。

所以，像素逼真只是表面，模拟才是桥梁，规划才通向行动。

这也解释了下一波产业机会为什么不只在“生成更好看的视频”。机器人需要在模拟环境里训练，自动驾驶需要在虚拟世界里验证极端场景，工厂需要数字孪生，科学实验需要可重复的仿真。上一波AI争夺的是文本和图像数据；下一波更稀缺的，可能是带有几何、物理、动力学和因果反馈的数据。

2026年2月，World Labs宣布完成新一轮10亿美元融资。资本买的不是一个视频工具，而是一张通往物理世界的船票。

更让我记住的，是李飞飞面对巨大关注时的克制。她提醒团队：无论世界怎么写我们，都要记得自己仍是创业者，仍是一家小公司。功成名就之后，仍愿意回到“没有标准答案”的状态，这本身就是AI Native。

2. Eigen AI：先有客户，再有公司

另一张面孔，是我在硅谷见到的Eigen AI创始团队。

2026年5月，Nebius宣布以约6.43亿美元的现金加股票收购Eigen AI。三位华人创始人分别来自MIT和UCLA相关研究体系，能力彼此互补：有人熟悉训练，有人擅长推理加速，有人长期做模型后训练。并购后，这些能力被纳入Nebius的Token Factory业务。

如果用一句大白话解释Eigen AI的生意，就是：企业先用最强的闭源模型证明AI能创造价值；等用户量上来、调用成本变高，再用开源模型做专属后训练和部署，在保证效果的同时把成本打下来。

创始人在访谈中回忆，他们正式注册公司前就拿到了首个企业订单。不是先写一份宏大PPT，再到处找需求；而是先出现真实需求，再赶紧把承接订单的公司主体注册出来。

这给创业者的启示，比“九个月财富自由”的标题更有价值：

资本可以为想象力定价，但客户只为解决问题付钱。

当然，一个年轻团队快速卖出数亿美元，也提醒投资人保持冷静。创业成功的时间可以越来越短，尽调的时间却不能越来越短。必须追问：收购溢价来自不可替代的技术、稀缺团队和客户收入，还是来自大厂为了补课而支付的战略焦虑？两者都是真钱，却对应完全不同的可复制性。

被收购以后，创始人依然把大部分时间留给办公室和代码。身价可以一夜变化，真正让他们留在牌桌上的，还是解决下一个问题的能力。

3. 数学少女洪乐潼：把答案正确升级为答案可证明

第三张面孔，是Axiom Math创始人Carina Letong Hong（洪乐潼）。她从MIT走向牛津、斯坦福，后来离开数学与法律博士项目创业。Axiom要做的不是更会聊天的AI，而是能够提出猜想、生成证明，并用形式化语言验证的“AI数学家”。

2026年3月，Axiom宣布完成2亿美元A轮融资，估值超过16亿美元。它所代表的机会，不只属于纯数学。芯片设计、软件验证、密码学和量化研究都有一个共同需求：答案不能只是“看起来合理”，还要能被机器检验。

她在交流里把AI for Science概括为三个环节：发现、推理、验证。

形式化验证的价值，是给智能装上一套可审计的会计制度：每一步从哪里来，能不能复现，哪里出错，都留下账本。

当AI开始进入金融、医疗、工业和科研，“可验证”会像今天的网络安全一样，从锦上添花变成基础设施。

四、AI不是一个赛道，而是一个时代

2012年我进入财经媒体，从央视驻纽约财经评论员至创立《艾问iAsk》传媒和资本，十五年间，我几乎贴着中国创投的潮汐往前走：移动互联网、电商、移动支付和智能硬件先把商业入口搬进手机；随后，O2O、以P2P为代表的互联网金融、共享经济、直播短视频、新零售和新消费，又把平台与流量逻辑推向极致；2018年前后，资本开始从模式创新转向半导体、5G、企业服务、生物医药和智能制造；2020年以后，新能源汽车、动力电池、光伏、风电和储能在“双碳”目标下加速；2023年以来，大模型、算力、Agent、机器人和具身智能，又把创投推入AI时代。

汽车出现时，马夫恐慌，贵族不屑。后来改变的并不只是交通业，而是城市、能源、制造、零售、战争和人的生活半径。AI也一样：它不会只形成一个“AI行业”，而会逐渐进入每一家公司的成本表、收入表和组织结构。

我在一次分享中说：

AI不是一个赛道，AI是一个时代。最终，每家公司都会拥有一张AI利润表。

资本已经提前投票。根据NVCA与PitchBook的数据，2025年美国风险投资总额约3200亿美元，其中65.4%流向AI相关公司。2026年第二季度，中国风险投资回升至约351亿美元，资金重点涌向AI、深科技、半导体和先进制造。

钱都在追科技，但中美融资的剧本不完全相同。

这次被安排住在斯坦福嘉宾楼住宿，正巧就在硅谷资本的宇宙中心沙丘路上。在Sand Hill Road，美国投资人常先问：你能不能定义一个足够大的未来？为什么偏偏是你？中国投资人则更早追问：客户在哪里？收入多少？产业如何落地？最后怎么退出？

大白话说，美国资本更愿意先相信你“能不能做大”；中国资本更需要你证明“能不能做成”。真正优秀的创业者，两道题都要答对。

这也解释了为什么中美都会有泡沫，而且泡沫可能一样大，只是形态不同。美国的泡沫更多体现在超级轮次、人才溢价和对远期技术的提前定价；中国的泡沫可能表现为对政策词汇的迅速拥抱、同质化项目拥挤和产业落地承诺过满。

泡沫与时代趋势并不矛盾。铁路改变了世界，铁路股票照样让很多投资人破产；互联网重写商业，2000年的大量互联网公司仍然归零。技术可以是真的，价格仍可能是错的。

AI泡沫也未必一次性破裂，更可能分层出清：先淘汰没有收入、只靠概念融资的公司；再淘汰收入越多亏得越多、单位经济不成立的公司；最后检验那些投入巨额资本开支，却无法在足够长周期内回收的基础设施。

所以我更愿意用一张“Token利润表”看AI公司：

企业价值 = Token处理量 × 单位Token收入 × 利润率 × 可持续效率系数。

Token处理量代表需求，单位收入代表客户愿意为结果支付多少钱，利润率要扣掉模型调用、算力、电力、数据和交付成本，可持续效率则要回答：当模型价格不断下降、开源能力持续逼近时，你的优势还能不能保住？

Token消耗不是商业模式，Token创造的价值才是。

对创业者，我建议做一个残酷的压力测试：假设Token价格再下降90%，资本市场十八个月不给你钱，客户为什么仍愿意付费？如果答案只是“因为我们用了最强模型”，那还不是护城河；如果答案是“我们把客户一个关键流程的时间压缩了80%，错误率下降了一半，而且积累了别人拿不到的反馈数据”，这才接近生意。

对投资人而言，与其在最拥挤的中间地带追逐“技术还不确定、估值已经成功”的项目，不如采用杠铃策略：一端投极早期、真正可能定义新范式的人；另一端投已经证明收入、毛利与留存的公司。中间那一大段，只靠叙事跨越死亡谷，风险最高。

五、泡沫无论大小，钱会继续流向哪里？

半个月的访谈里，我反复问科学家、创业者与投资人：What’s next for AI？答案看似分散，其实都围绕同一条主线——让AI从“会说”走向“会做”，再从“会做”走向“可验证地创造价值”。

方向一：环境、数据与反馈闭环

一位来自Meta大模型团队的研究者用了一个极简比喻：预训练像读书，强化学习像练习。模型不是只靠“读更多书”就会无限进步，它还需要环境、行动和反馈。

为什么代码是目前最成功的AI场景之一？因为数字环境便宜、反馈清晰：代码能不能运行，测试是否通过，结果可以快速判断。为什么机器人和医疗更慢？不是想象空间更小，而是环境昂贵、试错受限、反馈稀疏。

这给投资人一条很实用的筛选标准：不要只问模型多大、榜单多高，要问它在哪里行动，谁给反馈，反馈多久回来，是否沉淀成下一轮训练的数据。

没有反馈闭环的Agent，往往只是会替你点击的聊天机器人；拥有反馈闭环的Agent，才可能成为持续进化的数字员工。

方向二：世界模型与Physical AI

世界模型的商业化入口，不一定是宏大的“通用机器人”，而可能从模拟器、合成数据、数字孪生、机器人训练平台和垂直场景规划器开始。

最值得关注的不是视频“像不像真的”，而是系统能否保持空间一致性，能否预测动作后果，能否把虚拟训练迁移到真实世界。模拟器是从生成内容走向控制物理世界的桥梁，也是目前数据最稀缺、工程最复杂的环节。

这类公司研发周期长、资本强度高，不适合只用两年收入倍数估值；但也不能因为故事足够大，就跳过里程碑。投资条款应围绕可验证进展设计：模拟精度、真实迁移率、单位场景生成成本，以及客户是否愿意把关键训练流程放进系统。

方向三：AI for Science与可验证智能

AI for Science不应被缩写成“AI帮科学家写论文”。真正的价值链是发现、推理、验证，并最终进入实验。

数学与软件是最先突破的领域，因为它们能够形式化；药物、材料、半导体则需要与实验室、制造线和昂贵设备连接。未来最有价值的平台，可能不是替所有科学家回答问题，而是把某个领域的假设、实验、数据和验证组织成机器可运行的闭环。

这一方向既可能诞生伟大公司，也最容易产生“科学叙事溢价”。判断关键是：AI是否提出了人类此前没有提出的候选？验证是否独立、可重复？实验周期是否真的缩短？如果只是在公开数据集上追逐一个更高分数，还没有跨过科研生产力的门槛。

方向四：进入教育、金融和产业流程的Agent

Agent最容易融资，也最容易同质化。真正的分水岭不是“能不能自动操作十个软件”，而是“能不能对一个业务结果负责”。

教育里，结果可以是教师备课时间、学生掌握率和续费；金融里，可以是研究效率、风控命中和合规成本；制造业里，可以是良率、停机时间和交付周期。指标越明确，Agent越容易形成闭环；责任边界越模糊，越容易停留在演示。

我会特别警惕两类项目：一类把通用模型套上行业词典，就自称垂直模型；另一类把人工服务藏在后台，却用软件毛利率融资。AI原生公司当然可以在早期人工交付，但必须证明每完成一单，系统更自动化、数据更独有、边际成本更低。

方向五：推理效率，以及“卖铲子”的新生意

芯片、服务器、HBM、光模块、网络、数据中心、电力和冷却，是AI上游的成本锚；模型、云、推理、调度和压缩，是中游的效率锚；编码、金融、医疗、制造、教育、自动驾驶和机器人，才是下游的价值锚。

Eigen AI被Nebius收购，说明推理效率仍然是黄金位置。对企业而言，同样质量的答案，如果成本下降一半、延迟缩短一半，就直接改写AI利润表。围绕算力交易、电力、机器人数据采集和国产推理芯片，也会继续出现机会。

但“卖铲子”不是免死金牌。铲子会过剩，电价会波动，芯片会迭代，客户会自建。投资人必须穿透“算力稀缺”的口号，看到利用率、长期电力合同、设备折旧、客户集中度和技术替代风险。基础设施最怕的不是没有需求，而是所有人都在同一时间用最贵的资本追同一种需求。

六、中美AI：两套剧本，最后考同一张卷子

这次我在硅谷被问得最多的一句话，是“How about China’s AI？”

中国创业者习惯从规划和产业政策里寻找方向。量子科技、具身智能、脑机接口，几个字就可能成为下一轮创投指南针。政策能够集中资源、加速基础设施和供应链建设，这是中国的优势；风险是把“国家需要”直接翻译成“客户会付钱”，用战术上的勤奋掩盖对真实需求的偷懒。

美国更擅长让小团队从一个古怪问题出发，用全球资本和人才快速放大；风险则是资本太充裕时，把技术可能性提前兑换成过高价格，并用下一轮融资证明上一轮估值。

中国强在工程化、产业场景、供应链和成本控制；美国强在前沿研究、全球人才、风险资本与允许失败的制度。两边都不是铁板一块，也都有泡沫。

最终，中美创业者考的是同一张卷子：

· 你解决的问题是否真实而且足够大？

· 你的技术是否在关键指标上不可替代？

· 客户是否持续付费，而不是只愿意试用？

· 当资本退潮，你是否仍有活下去的单位经济？

方向比速度重要，但方向不是文件里找出来的，而是技术可能性、客户痛点与创始人独特能力的交集。

七、一个“老登”的AI Native改造清单

我也观察到，一些80后头部基金合伙人穿梭中美，技术文章篇篇十万加，真正下的功夫却是如何不显得“登”，如何与00后的创业者建立信任。表面看是代际社交，底层仍是一级市场最古老的生意：把认知差和信任，转化为判断与回报。

但如果只换黑T恤、学几个新名词、把头像改年轻，仍然不是AI Native。真正的改造，至少要发生在五个动作里。

第一，重建输入顺序：先一手，后二手

遇到一个新模型，先读模型卡和技术报告，再看媒体评论；遇到一个新产品，先注册、付费、跑任务，再问投资人怎么看；遇到一个新趋势，先找到开源仓库、用户反馈和原始数据，再参加闭门会。

券商报告和公众号不是不能看，而是应该放在证据链的后面。二手内容适合帮助你找问题，不适合替你给答案。

第二，每周亲手跑一次eval

不必成为模型工程师，也可以建立自己的评测集。挑选十个与你工作最相关的任务，用不同模型重复测试，记录准确率、速度、成本与失败方式。一个财经内容工作者，可以测试信息提取、事实核验、访谈整理和观点反驳；一个投资人，可以测试市场地图、竞品比较、客户访谈提纲和投后预警。

只有亲手见过模型在哪里犯错，才不会被一次惊艳演示带走。

第三，给自己的判断建“可证伪账本”

每做一个投资或行业判断，写下三件事：我相信什么？它成立必须满足哪些条件？出现什么证据时，我承认自己错了？

AI时代变化太快，最贵的不是没有观点，而是观点与身份绑定。可证伪账本让我们从“我要证明自己对”，转向“我要尽快发现哪里不对”。

第四，把咖啡局从信息源变成验证场

我仍然会找人喝咖啡，这是我的长项。但以后不能空着脑袋去“听风口”，而要带着假设、数据和自己跑过的结果去。问对方：我在哪一步理解错了？哪个指标最能推翻这个结论？如果只能投一个方向，你愿意承担哪一种风险？

人与人的信任不会被AI替代，模糊寒暄却会被更高效的信息系统淘汰。

第五，每个月交付一个真正被使用的AI工作流

评论AI不等于使用AI，使用AI也不等于成为AI原生。真正的分界线，是能否把它嵌进工作流，并对结果负责。

每个月做一个小交付：一个能节省编辑时间的访谈系统，一套自动核查数字来源的流程，一个帮助投资团队更新行业图谱的Agent。规模不必大，但必须有人使用、有指标、有复盘。

AI Native不是知道最多新名词的人，而是最短时间内把新能力变成新产出的人。

八、写给有孩子的爸妈：别让AI偷走思考发生的时间

最后，卷一下有娃的父母。

我在硅谷问华人家长：数学好的孩子到底怎么培养？听到的路径并不神秘——早期大量阅读，随后系统训练数学，再逐步接触算法和数据结构，最好十八岁以前就可以达到谷歌面试标准。但真正重要的，不是把孩子工业化地推到“更早会做题”，而是保护他对难题的兴趣，以及长时间专注的心流。

AI给教育带来的最大风险，不是孩子不会用，而是答案来得太快。看见答案，很容易误以为自己已经理解；复制一段推理，也很容易把工具的能力记在自己名下。

我家有一个很朴素的习惯：早上八点前和晚上八点后，大家尽量一起读书。纸面阅读的珍贵之处，是孩子可以停下来，可以走神，也可以在没有标准答案的时候与自己争论。

AI时代，家庭可以建立一个“延迟答案”的规则：先让孩子写下自己的判断，再让AI挑战；先解释为什么，再允许查答案；最后合上屏幕，用自己的话讲给别人听。

知识会越来越便宜，判断力会越来越贵。父母真正要留给孩子的，不是一张不会过期的知识清单，而是一个不会被答案替代的脑子。

九、尾声：AI Native不是名词，是动词

坦白说，这趟硅谷之行仍有些扎心。

我坐在几位完成数亿美元并购的华人AI工程师身边，谦卑地问了一个毫无技术含量的问题：“你们平时打开手机都看什么？” 对方回答：“X、Bluesky，还有论文。”

“感谢，我马上下载。”我还顺手激活了十五年前在美国读书时注册的Twitter账号：gloria ai。

这一刻有点滑稽，也很真实。一个人的旧操作系统，不会因为听完一场演讲自动升级；它只能在一次次改变输入、动手验证和交付结果中，慢慢重写。

去机场的路上，同事看见Kimi和Claude的广告牌，心里窃喜。原来在这样一个颠覆性的时代里，再牛的人类、再强的模型，也仍然渴望被理解、被看见。

这也让我相信，我这个“小登”或许还有点用。

技术擅长把答案做得更快，人的价值却常常在于看见问题背后的人，记录那些还没有被历史命名的时刻，并在喧嚣里留下诚实的判断。

我依然尊重硅谷。它对知识与自然的尊重，很像我的老家徽州黄山：山不催人，树也不表态，但人在其中会知道，真正值得的东西需要时间，也允许绕路。

一般我露脸出镜的主持和评论流量很大，但文字通常没什么流量。这篇是在飞机没有网络时，一字一句敲出来的，算是为了忘却的纪念。若你认真读到这里，辛苦留一句话，让我知道“艾问”仍有意义。

最后，我给自己这道题的答案是：

AI Native不是名词，是动词；不是年龄，而是每天更新自己的世界模型。真正需要警惕的，从来不是“我是不是老了”，而是“我有多久没有被一手事实改变过”。

那么，你今天从哪里获得关于AI的一手事实？它又改变了你哪一个真实决策？

艾诚简介

艾诚（Gloria Ai），主持人、投资人、《艾问iAsk》创始人，曾任中央电视台驻纽约财经评论员，现任《艾问人物》出品人，也担任国内外财智盛会如博鳌亚洲论坛等的常邀双语主持。艾诚是哈佛大学、北京大学和中国传媒大学的校友代表，清华大学苏世民学院业界导师，哈佛大学第一代校友（FGHA）导师，YPO世界青年总裁组织成员。

作为《艾问iAsk》创始人，艾诚一直致力于向世界讲好中国创新故事，已记录近2000位时代人物，实现百家媒体全球传播。曾获《福布斯》杂志2016年度30位30岁以下亚洲人物唯一上榜华人主持以及世界经济论坛2012年度全球杰出青年，著有《奋斗是一种信仰》、《创业的常识》、《创业不死法则》等财经书籍。

艾诚被授予家乡黄山的形象大使，因扶贫助农的女性领导力与公益心，获评全国三八红旗手。