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SpaceX
2000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。
