要理解Anjney Midha对人工智能的思考，首先需要理解他的三重身份：

 

他是Anthropic的创始投资人之一，从2021年种子轮起就参与了这家公司的创立；他曾任Andreessen Horowitz的AI投资负责人，主导了对Black Forest Labs、Mistral、Sesame等公司的投资；他也是AMP的创始人——一家以公益公司（Public Benefit Corporation）形式存在的控股公司，致力于为全球顶尖AI团队提供计算基础设施。同时，他还是斯坦福大学CS153课程的联合讲师，每年向学生讲授他称之为"前沿系统"（Frontier Systems）的课题。

 

这种"创业者+投资者+学界实践者"的复合视角，使他对AI的观察既有来自董事会的敏锐，也有来自实验室和工程现场的质感。在两场深度分享中：一场是斯坦福课堂的系统讲授，一场是20VC播客的投资人对话；他反复回到同一个核心框架：AI的能力进步正遭遇四个瓶颈，分别是情境（Context）、计算（Compute）、资本（Capital）与文化（Culture）。这四个以字母C开头的关键词，构成了理解 AI世界观的密码。

 

规模定律没有结束，但“收益递减”要分领域看

 

Midha并不同意“规模定律已经失效”的说法。他承认，在编码这类被高度研究、竞争极度密集的领域，继续投入计算量，确实会遇到更明显的边际收益递减；但这并不代表AI整体进入停滞。关键在于看哪个领域、哪种模态、哪种反馈环境。

 

他用自己正在创业的Periodic Labs举例。这个项目不是单纯训练一个会回答材料科学问题的模型，而是让大语言模型预测新材料和新超导体，再由机器人在真实实验室中合成，随后用X射线衍射等物理设备验证材料性质，最后把验证数据反馈回训练过程。他认为，在这种尚未饱和、且具备真实物理验证闭环的领域，更多计算仍可能带来远超线性的进展。

 

因此，他的判断是“算力必须接入正确的反馈系统”。编码领域的饱和，不等于材料科学、物理、化学、医疗、工业研发等领域也已饱和。许多科学领域不是缺模型，而是缺能够让模型反复试错、验证、回流的真实世界数据。

 

这背后的潜台词很重要：下一阶段AI的突破，不会平均分布在所有场景里，而会集中出现在那些“可验证、可反馈、可规模化迭代”的领域。

 

AI能力进步的四个瓶颈：情境、计算、资本、文化

 

Midha把AI前沿进步的瓶颈归纳为四个：情境反馈、计算、资本和文化。算法模型本身反而不再是他眼中最核心的瓶颈。

 

这并不是说算法不重要，而是说算法创新越来越依赖组织文化。一个使命驱动、研究人员足够灵活、不被某种架构教条锁死的团队，才可能持续找到新的算法路径。他特别强调，优秀研究者并不迷信LLM、Transformer或扩散模型本身，他们关心的是任务、使命和问题解决。只要文化正确，算法问题会被更自然地解决。

 

但真正被他放在第一位的，是“context feedback loop”，也就是情境反馈循环。模型不是在真空中进化的。它必须进入某个真实环境，执行任务，获得可验证反馈，再把这些反馈重新喂回训练过程。谁能持续获得独特情境，谁就更可能掌握能力进步和商业价值的交汇点。

 

这也是他理解Anthropic早期机会的核心。Anthropic早期并不只是“训练一个更大的模型”，而是围绕软件工程建立反馈闭环：筹集资金、购买计算、获得编程上下文，把模型部署给可信的编码团队，再把推理过程中的收入和反馈重新导入训练运行。推理一方面产生收入，帮助购买更多计算；另一方面产生上下文反馈，帮助模型在能力曲线上继续爬升。

 

这套机制解释了为什么他如此看重“情境”。模型能力不是一次性训练出来的，而是在部署、使用、反馈、强化学习、再部署中滚动生成的。

 

情境不是简单的“数据护城河”，而是能力迭代的入口

Midha对“数据护城河”这个说法保持克制。他不愿意简单说“情境就是护城河”，因为风投行业往往过快地把一切都包装成护城河。但他明确认为，拥有独特、差异化、别人无法访问的情境反馈，是推动前沿进步最清晰的位置，也往往意味着更好的商业模式。

 

他的判断标准有两个。

 

第一，这个场景是否可以可靠验证。代码之所以成为AI最早突破的领域之一，是因为代码高度可验证：单元测试能不能通过，程序能不能运行，错误能不能复现，都能形成清晰反馈。材料科学同样具备这种潜力，因为实验结果可以被物理设备验证。

 

第二，这个情境是否具有独特访问权。如果其他团队也能轻易访问相同数据和反馈，价值会被快速压缩；如果某个团队掌握了独占或稀缺的真实反馈系统，它就更难被通用模型“claude化”。

 

这也是他回答“哪些垂直模型不会被Claude吞掉”的关键。单纯在模型上做垂直微调，可能很容易被大模型追上；但如果一个公司拥有真实世界中持续生成的独特反馈，比如物理实验室、工业现场、主权数据、关键任务系统、闭环生产流程，那么它就不只是一个模型壳，而是一个持续进化的系统。

 

Mistral的核心逻辑：主权AI来自“敏感情境不能外流”

Midha对Mistral的投资逻辑，集中体现了他对情境的另一层理解：不是所有情境都能放到美国云上。

 

他用《云法案》解释主权AI的底层约束：如果数据工作负载运行在由美国公司管理的基础设施上，美国政府在法律上可能拥有访问权。对某些欧洲政府、国防、关键物流、工业和供应链任务来说，这种风险不可接受。

 

因此，AI从“聊天机器人辅助工具”变成“关键任务系统”后，全球云基础设施会发生重组。过去15年，AWS、GCP、Azure依靠规模经济持续整合云基础设施；但现在，主权、安全、关键任务情境开始撕开一个新窗口，让初创公司有机会挑战超大规模云厂商的默认地位。

 

在Midha看来，Mistral真正的赌注不是“欧洲也要有一个模型公司”，而是欧洲需要一个从土地、电力、数据中心、计算基础设施到模型训练和部署都尽可能本地化、独立化的AI技术栈。

 

AI主权不是一句口号，它首先来自关键数据、关键工作负载和关键基础设施无法完全外包的现实。

 

算力不是商品，至少现在还不是

Midha反复反对一个过去几年很流行的假设：算力只是可以随时租用的商品。

 

他认为，这个假设已经失效。AI系统扩展需要同时动员土地、电力、服务器、芯片、网络和软件收入。智能表现为token，但生产智能需要原子；这两个世界的碰撞，正是AI基础设施周期最难协调的地方。

 

他进一步指出，现在并不存在一个简单的“AI泡沫”，但存在“GPU浪费泡沫”。大量算力被囤积、闲置、错配，原因是计算资源还没有像电力一样完成标准化。不同厂商之间的芯片不可替代，即便同属英伟达，H100、GB200、GB300也不是天然可互换的资源。某个集群能跑的训练任务，换到另一代芯片上并不一定顺利迁移。

 

这就是他提出AMP Grid的背景。他把AMP Grid类比为电网：它不是传统云厂商，也不是单纯风投机构，而是试图成为一个“独立系统运营商”，协调生态系统内的计算容量，让优秀团队不必为峰值需求过度配置，而是在训练或推理需求突然上升时，能够获得弹性算力。

 

这套思路很像工业革命早期的发电机共享。每家工厂都在后院放一台发电机，利用率低、成本高、系统脆弱；更合理的方式是把发电能力组织成网格，让不同工厂在不同时间调用，从而提升整体利用率。

 

推理需求会爆发，但赢家首先取决于“供给”

Midha认为，如果AI能力继续扩展，推理需求不会线性增长，而会组合式增长。但这个增长能否兑现，取决于前面四个瓶颈能否被解开，尤其是安全、标准化、可替代的计算基础设施。

 

在推理公司竞争上，他的判断非常直接：不会有几十家推理公司长期共存。过多公司争夺稀缺算力，反而会损害真正创新团队的供给能力。最终能赢下来的四五家公司，首先取决于谁拥有稳定算力供给。没有计算供给，推理公司就没有产品可卖；如果你制造蒸汽机，就必须有煤。

 

这也意味着，AI应用层的繁荣背后，仍然被底层资源强约束。订阅收入、广告收入、API收入能否兑现为利润，要看是否能稳定获得推理算力，并把单位推理成本压到商业模式可承受的区间。

 

安全问题不只是“模型对齐”，更是“人和系统的对齐”

Midha对AI安全的理解也很系统化。他并不否认AI对齐很难，但他认为当下更紧迫的问题是“人为错位”：采购体系、标准体系、安全协调机制并没有准备好面对统计模型。

 

传统软件是确定性的，电子表格输入什么、输出什么大体可控；但机器学习模型是统计系统。企业和政府不能用采购传统确定性软件的方式采购AI系统。必须有新的标准、新的RFC流程、新的采购定义和开放标准。

 

他还提出“推理铁穹”的概念。前沿模型在推理端会面临蒸馏、攻击、内部威胁和跨系统漏洞。如果各家公司各自为战，无法看到对方正在遭遇的攻击，就难以保护整个前沿生态。他设想的是一种跨公司的部署协调协议：当某个模型服务被攻击或被蒸馏时，其他公司能够同步信号、协调防御。

 

这说明，在他的框架里，AI安全不是一句抽象伦理口号，而是工程标准、采购制度、推理网络、信息共享和产业协同问题。

 

资本结构正在变成AI前沿的核心能力

Midha非常强调资本，但他讲的不是简单“钱越多越好”。在他看来，前沿AI是一种高资本开支、高基础设施依赖、强系统协调的产业，资本结构本身就是竞争力。

 

他提到，AMP Grid已经开始锁定约1.3吉瓦的计算基础设施，对应未来四年约400亿美元云支出，其中大约20%来自股权，其余主要来自债务。真正困难的不是单纯融资，而是把股权、债务、长期资产负债表和使命一致的资本配置者组织成一个可理解、可去风险的结构。

 

这解释了为什么他会说，资本配置者不能只外包判断。LP应该自己学习AI，理解瓶颈在哪里，再判断哪些管理人对瓶颈拥有独特优势。他批评许多GP甚至没有真正用AI构建过东西，却在投资AI；在他看来，不亲自构建，就很难理解真实瓶颈。

 

他还担心，前沿AI创造的财富机会没有足够分享给公众。如果大量公共资本通过传统风投渠道进入，却没有捕捉到真正的前沿价值，最后公众既承受技术冲击，又没有分享到财富创造，社会接受度会出现问题。

 

风险投资正在回到“共同创办”的旧时代

Midha对风投的理解，也不是“投赛道、押公司、等退出”。他认为AI、半导体、基因编辑、自动驾驶这类前沿产业，更接近早期硅谷的“共同创办模式”。

 

他举了Arthur Rock与Intel、Kleiner地下室孵化Genentech、Mike Markkula帮助苹果建立资本开支和供应链体系的例子。真正有价值的投资人，不是写支票的人，而是和科学家、工程师一起，把资本、供应链、组织、算力、产品和商业模式搭起来的人。

 

这也是他为什么说自己更像“founding investor”。他在Periodic Labs每周工作数天，每天和创始团队开站会，AMP的计算团队就在楼上为Periodic采购算力。这不是传统财务投资，而是深度参与系统建设。

 

在他看来，未来不是被预测出来的，而是被创造出来的。投资者应该像科学家一样提出假设、并行实验、接受错误，而不是声称自己能确定预测未来。

 

公共利益公司不是软弱，而是治理结构的一部分

Midha把AMP设为公益公司，并不认为这会削弱商业竞争力。相反，他认为，当一个公司的目标是长期推动人类能力前沿，使命和利间一定会存在张力，公共利益治理给了管理层在必要时做出非短期股东最优决策的空间。

 

他举AMP的例子：AMP既做风险投资，也做基础设施，并把自己看作前沿技术团队的全栈扩展伙伴。它甚至会以成本价、近似免费的方式向部分团队提供计算资源，因为它认为健康、独立的前沿技术生态，需要优秀科学家和工程团队能够获得算力。

 

这里的关键不是慈善，而是生态系统设计。Midha真正关心的是，如果所有算力、资本和上下文都被少数超大平台锁住，独立前沿团队就无法持续创新。AMP试图扮演的是一个中间层：既有盈利能力，又能维护独立生态的可持续性。

 

他怎么看中国：不是单点芯片竞赛，而是全栈系统协同

在访谈中，Midha谈到中国AI时，给出的判断很值得注意。他认为，AI扩展竞赛不是单纯芯片竞赛