图源：Unsplash
*记者 | 李京亚 李彪
*编辑 | 文姝琪
有观察者指出，一旦OpenAI的现任CEO Sam Altman发现某些“艰辛技术”在某些领域实际可能很快奏效，他就会毫不犹豫地下注。
「涌现」是一个随着GPT4的出场被广为讨论的专业概念，这一概念是为描述令人困惑的自组织现象而产生，放在大模型的语境里，指的是模型不断扩大，在突破某个规模时，出现了意想不到的能力。与之形成强烈映射的是，Sam Altman在离开YC全职投身于OpenAI之后，他的个人投资趋势似乎也在往「涌现」所描述的方向发展，往更大、更终局的方向转变。根据Sam Altam自己的说法，他职业生涯的核心体验是，要像（大模型）一样扩大规模下注并观察结果。
Sam Altman最大一笔个人投资发生在2021年，他向核聚变初创公司Helion投了3.75亿美元，在花十年实现商业化仍属乐观的核聚变领域，这笔投资既不符合VC投资周期，甚至可能对投资者产生破坏性影响， 但Altman认为，每一家初创公司都应该至少拥有一位能在其试验期间给予精神支持的投资人。
大手笔投资科学家的公司，Sam Altman并非第一次这样做，他将自己的所有流动资产投入了到了两家科学家初创公司之中，一家是抗衰老公司Retro Biosciences，投资了1.8亿美金，第二家就是研究核聚变问题的Helion。在3月刷屏，疑似摘取材料科学圣杯的罗切斯特大学教授Ranga Dias室温超导“魔术实验”背后，也出现了OpenAI CEO的身影。Unearthly Materials是一家Ranga Dias和其合伙伙伴为推进超导研究工程化进程而成立的初创公司，在一场Youtube演讲中，Dias声称，Unearthly筹集到的2000万美元A轮融资主要投资人就是Sam Altam。
虽然目前Pitchbook和Crunchbase上都未收录这家公司的融资信息，但业内已经认可了Altam为Dias新公司进行投资这一说法。
透视其中，即使押注了看似违背投资逻辑的科学家公司，Sam Altman的考虑，恐怕也不是给予对方精神支持那么简单。
让我们先来回顾一下那场3月刷屏的室温超导实验最新进展：
震惊物理界的15分钟发生于3月8日，当日，美国罗切斯特大学的Ranga Dias团队在美国物理学会年度会议上宣布，他们研发的一种镥氮氢材料在1GPa压强下实现了21℃（294K）的室温超导。15分钟的简短汇报迅引发了现场的聚焦骚乱，主办方不得不出动安保驱赶想要挤进报告厅的观众。
上周，《Science》发文指控室温超导的主要研究科学家Ranga Dias的博士毕业论文严重抄袭。根据原作者联合他人所做的统一审阅发现，Dias的论文至少有21%的部分涉嫌剽窃。
截至目前，已有三支中国科学家团队通过设计实验站出来质疑室温超导的新发现。国际高温研究先驱、著名物理学家朱经武当时现场听取了Ranga Dias的报告，在3月22日接受《中国科学报》专访时表示自己现在仍有诸多疑问和不解。他希望这不是“人为数据操作”后的结果，更希望这是“少有的大发现”。
*曾在Ranga Dias发布研究报告次日致信其实验室，试图对一些实验细节进行采访，但没有收到回复。
不久前，*专访了润土投资的投资合伙人刘苡松，同他集中探讨了AI for Science这一新晋兴起方向的特点。润土投资近年深耕于能源和材料两大领域，负责前沿科技的刘苡松更看重的是这次室温超导“魔术实验”与OpenAI大模型的内部关联，他最近屡屡感受到大模型在AI for Science领域释放出的强大魔力。
在刘苡松看来，OpenAI一直需要更多科学方向的人帮其丰富验证模型，而大模型反过来可以帮助物理学家在数值模拟方面提升准确性，同时辅助科学家探索科学框架的设计。他告诉记者，从蛋白质模拟到材料设计再到可控核聚变，AI模型和Science的结合已成为焦点研究方向，而有潜力的研究领域需要有充足的数据，并需要做到解决方案的普适，“Sam Altam所选择的几个投资领域恰好都符合这个情况”。
“OpenAI的模型能够在很多方面解决科研效率问题，Ranga Dias这次的科研也是用了一定的理论算法去加速科研效率，很可能Dias在做材料筛选的过程中，已经直接使用了OpenAI的模型。”刘苡松进一步向记者解释，在理论指导缺失的超导领域，Dias等人的实验努力也可视作一个揭示科学原理的尝试动作，因此引发了Sam Altam的生态布局也很正常。
以下为采访全文，有适度删减。
*：在2022年被《Nature》撤稿后，Ranga Dias团队这次室温超导实验的可重复性又面临很大挑战，现在学术界对Ranga Dias的实验真伪评判，是否达成了一致？
刘苡松：目前学术界并没有完全对Dias这次实验证伪，只是已经有团队在公布的实验条件下没能复现实验数据，比如3月15日闻海虎团队发表的题为“氮掺杂氢化镥(LuH_2±xN_y)近环境条件下不存在超导性”报告中直接否定了Dias研究结论。当然，这并不能完全证伪，但是给国内团队打开了在常压下室温超导材料的其他实现路径，比如原有铜氧化物的方向添加其他金属化合物。
*：Dias的实验公布了大量数据，业内有声音认为这个实验条件舒适，技术壁垒低，其他实验室很快可以对其进行检验，你的看法是？
刘苡松：Dias之前被国内媒体报道较多的是其2020年同款Nature论文被拿下，那次他做的实验材料没有保存好，当你达成材料限制的条件很高时，没有足够的材料去证实自己的实验数据，的确无法被科研界认可，所以当时被撤。
这次的情况是，1万倍压强这个条件很多实验室可以达到，但存在一个更核心的讨论点：高温超导理论指导仍然缺失。
物理学的突破很多时候靠实验指导理论，实验在前理论在后，超导材料的发现正是这个过程，而目前整个超导理论并不特别成熟，于是现在即便Dias团队实验条件比较舒适，但别人能否100%去复现结果，仍是未知数。
即使有一两家团队能复现，也不能完整证明超导现象，还需要很多团队不断去证明，次数要足够多，才能证明以后商用化时，按照这套理论下来能得到产品。科学界一定会希望不断有人尝试这个实验，去验证理论的完整性，现在这步并没有通过这个实验达到。
整个超导材料的开发过程，就是大家不断去配比不同材料，让实现的温度更接近于零度的过程。
Dias一下子跃升到了室温，就能得到材料，而且这次降低了实验难度。压强是实验重要的限定条件，Dias之前是用200万倍的压强去压出一个金属氢，达到常温超导，但200万倍压强条件很难维持，没有团队复现，这是他第一次被撤论文的原因；这次他用1万倍压强作条件，操作难度不高，有能力去尝试复现实验的团队会更多。
*：国内超导这边的生态布局如何？
刘苡松：其实国内做超导材料的生产，包括前期研发也很久了，而且也很前沿，像铜基跟铁基的超导材料的研发，其实都有国内的团队在做。这块国内的理论物理研究跟实验物理研究一直都在推进，基础研究的生态一直都在。商业化这边，国内有很多公司其实也在做这些商用化的超导材料生产，产业化也是健全的。
从最源头来说，国内的稀土资源储备丰富，只是室温超导这件事国内只能在物理实验条件较好的条件下才能做，于是没有像国外这么激进。
*：国内做高温超导这块研究的团队是以怎样的形式存在？一级市场上有这样的公司存在么？
刘苡松：我前不久跟清华一个教授聊，国内做超导材料的团队肯定不是个位数，但进入高温超导这个体系，由于他的理论化不够成熟，所以国内做这个方向的比较少，或者更严格说，国内真正在做室温超导的团队是基本没有，连做这块理论或实验研究的团队都很少。
还是因为刚才那个问题，高温超导并非一个成熟的理论指导下的方向，国内团队如果想要出成果，会更希望理论更成熟，那么你做低温体系研究就可以满足了。
*：你在润土主要负责哪些领域投资，超导材料在你的投资体系里以及一级市场中如何站位？
刘苡松：我在我们机构里关注前沿科技，因为材料的开发对于前沿科技的改变很大，所以材料一直是我这边很关注的方向。材料从研发到最终的量产是非常长的周期，特别是基础材料，像我们公司投了一些应用材料，我们考虑的逻辑是材料基础研究已经比较成熟，但在应用研究上仍需要突破，于是投了一些不错的国内院士团队，他们都是做应用材料开发的。
我们如此，大部分投资机构也如此，看的方向都在于应用材料，因为基础材料的开发周期太长，更需要国家的科研力量在前期做支撑；而到了应用开发的阶段，社会资金或者风险资金比较合适去参与。
*：Dias的初创公司Unearthly Materials已经从Spotify和OpenAI那里筹集到了超过2000万美元资金，从投资人的视角，OpenAI的投资动机是什么？
刘苡松：我觉得有生态布局的意图。OpenAI的模型能够在很多方面解决科研效率问题，Dias这次的科研也是用了一定的理论算法去加速科研效率，所以也引发了OpenAI的投资布局。
从Dias角度，美国的科学家自由选择余地较大，会更少承担除了科研之外的很多工作比如教书，他们如果有一套理论可以往这个事情上去做推进，那么成立一个公司，既可以吸引投资，也可以去同时落定一些基础研究的工程化推进。
对于OpenAI来说，很可能Dias在做材料筛选的过程中，已经直接使用了OpenAI的模型或者类似的模型，那么顺势布局一个这样的商业开发方向也很正常。
*：OpenAI做这种AI for Science向的投资能给自己带来什么，这似乎并不符合投资周期？
刘苡松：OpenAI其实需要更多科学方向的人去帮其丰富或验证模型。对于商用化场景，OpenAI可以将模型公开，让大家去玩；但遇到AI for science这个事情，是没办法做一个公开的东西让所有科学家去玩，科学家不放心简单地把自己的科研成果放在模型上跑，更好的办法是其接受OpenAI投资，相互建立一个比普通使用更深的关系，拿到更深的实验办法和实验数据，来丰富原有模型的科学性和智能化程度。
进一步来说，在AI for science领域，OpenAI的模型真正体现出的价值会更大。
我去年给我们内部团队做行业分享时提到，AI的更大价值其实很多体现在了早期的药物研发和材料开发之上。因为这些事情需要按量试错，人的实验试错有一个时间成本，包括算力成本，但对于AI来说，只要给他加对应的算力能力，他就可以在同一时间做大量尝试。
*：现在提到OpenAI，大家想到的是LLM语言大模型居多，AI for Science领域的价值具体如何凸显？
刘苡松：语言模型也好，机器学习中的其他模型也好，其实都是算法逻辑在做决策和执行。具体的材料开发也好，蛋白质的结构模拟也好，这些都不需要像大模型一样去融合再去精简，最终生成。这些其实只需要按照设定，比如材料运行的模式、材料的性能，加入其本有的基础理论范围，就可以调整出一个相对精确的结果。
这在此前的基础物理科研上，可能没有达到那么精细的一个模型程度，OpenAI去参与这些事情，等于去丰富这一块的能力。
从AI商用化的角度，进行更多领域的尝试肯定是对于其原有模型有提升的，不断去迭代丰富它模型算法的精确度是有意义的。从去年的蛋白质结构折叠模拟，包括一些生物药化学药的合成，包括我们看到的有一些金属材料选配， AI的算法模型都体现出来了优势，比以前简单的机器学习效果更为明显。
*：以GPT模型为代表，今年罕见出现了科技史的集中性爆发，AI的洪潮正漫过第二道堤坝，室温超导虽然余波不及大模型，但当时震撼度跟ChatGPT横空出世时同出一辙，今年人们屡次感受到奇点的降临有什么特别的原因？
刘苡松：其实集中爆发应该是去年，去年有一些标志性的事件，比如韦伯太空望远镜拍回来的宇宙早期图像，让我们对于时间的理解，对太空星球形成的过程理解更为深入了。
大模型也一定程度受益于最近几年半导体的降本，业内从2015、16年的时候就开始做大模型了，做了这么多年沉淀下来，加上现在的大算力芯片，支撑了对应东西能够交付：当我们能看到这些技术的时候，已经说明技术成本没有那么高。这都是科技积累的结果，是最近10年半导体加上人工智能相互辅助的一个结果。
很多时候我们讲一个学科的革命性变化，不一定来自于这个学科，可能来自于周边。分子生物学的进化，从分子到原子层面，更多来自于物理层面的机器进步，比如电镜仪器的发现会导致医学研究可以到某个层面。那回到我们的投资机构层面，我们更多关注应用层面，对基础研究，我们其实不太能够去承受这个周期。技术通过几年积累，达到了一个商业化成本允许的条件门槛之后，我们投资机构更多看的是商业化机会。
*：听闻一级市场投资人喜欢就某个领域互相探讨，形成某些共识，这些年面对风险很高的深科技行业，投资人有没有达成什么共识？理工科背景的投资人在深科技领域是否更具备优势？
刘苡松：在一些前沿方向性总结和体系梳理中，有科研或者理工科背景的投资人，他们天然会有一些优势。
不过，科研需要攻克的是事情的最高点，商业化要解决的是最低点。面对商业，所有技术都在一个平等的层面上竞争。作为投资人，我就不是理工科背景，是金融背景，我这些年积累下的能力就是去发现商业化机会的能力，但是商业化机会究竟是不是需要用到最高深或者最先进的技术，一直以来都不一定。但我们风险投资也能帮助实现技术创新的正向迭代，只要更好地找到高校、企业、政府这个技术创新体系的介入点，平衡好先进技术的研发投入和市场化推广的节奏，这就是我们的工作。
图源：Unsplash
*记者 | 李京亚 李彪
*编辑 | 文姝琪
有观察者指出，一旦OpenAI的现任CEO Sam Altman发现某些“艰辛技术”在某些领域实际可能很快奏效，他就会毫不犹豫地下注。
「涌现」是一个随着GPT4的出场被广为讨论的专业概念，这一概念是为描述令人困惑的自组织现象而产生，放在大模型的语境里，指的是模型不断扩大，在突破某个规模时，出现了意想不到的能力。与之形成强烈映射的是，Sam Altman在离开YC全职投身于OpenAI之后，他的个人投资趋势似乎也在往「涌现」所描述的方向发展，往更大、更终局的方向转变。根据Sam Altam自己的说法，他职业生涯的核心体验是，要像（大模型）一样扩大规模下注并观察结果。
Sam Altman最大一笔个人投资发生在2021年，他向核聚变初创公司Helion投了3.75亿美元，在花十年实现商业化仍属乐观的核聚变领域，这笔投资既不符合VC投资周期，甚至可能对投资者产生破坏性影响， 但Altman认为，每一家初创公司都应该至少拥有一位能在其试验期间给予精神支持的投资人。
大手笔投资科学家的公司，Sam Altman并非第一次这样做，他将自己的所有流动资产投入了到了两家科学家初创公司之中，一家是抗衰老公司Retro Biosciences，投资了1.8亿美金，第二家就是研究核聚变问题的Helion。在3月刷屏，疑似摘取材料科学圣杯的罗切斯特大学教授Ranga Dias室温超导“魔术实验”背后，也出现了OpenAI CEO的身影。Unearthly Materials是一家Ranga Dias和其合伙伙伴为推进超导研究工程化进程而成立的初创公司，在一场Youtube演讲中，Dias声称，Unearthly筹集到的2000万美元A轮融资主要投资人就是Sam Altam。
虽然目前Pitchbook和Crunchbase上都未收录这家公司的融资信息，但业内已经认可了Altam为Dias新公司进行投资这一说法。
透视其中，即使押注了看似违背投资逻辑的科学家公司，Sam Altman的考虑，恐怕也不是给予对方精神支持那么简单。
让我们先来回顾一下那场3月刷屏的室温超导实验最新进展：
震惊物理界的15分钟发生于3月8日，当日，美国罗切斯特大学的Ranga Dias团队在美国物理学会年度会议上宣布，他们研发的一种镥氮氢材料在1GPa压强下实现了21℃（294K）的室温超导。15分钟的简短汇报迅引发了现场的聚焦骚乱，主办方不得不出动安保驱赶想要挤进报告厅的观众。
上周，《Science》发文指控室温超导的主要研究科学家Ranga Dias的博士毕业论文严重抄袭。根据原作者联合他人所做的统一审阅发现，Dias的论文至少有21%的部分涉嫌剽窃。
截至目前，已有三支中国科学家团队通过设计实验站出来质疑室温超导的新发现。国际高温研究先驱、著名物理学家朱经武当时现场听取了Ranga Dias的报告，在3月22日接受《中国科学报》专访时表示自己现在仍有诸多疑问和不解。他希望这不是“人为数据操作”后的结果，更希望这是“少有的大发现”。
*曾在Ranga Dias发布研究报告次日致信其实验室，试图对一些实验细节进行采访，但没有收到回复。
不久前，*专访了润土投资的投资合伙人刘苡松，同他集中探讨了AI for Science这一新晋兴起方向的特点。润土投资近年深耕于能源和材料两大领域，负责前沿科技的刘苡松更看重的是这次室温超导“魔术实验”与OpenAI大模型的内部关联，他最近屡屡感受到大模型在AI for Science领域释放出的强大魔力。
在刘苡松看来，OpenAI一直需要更多科学方向的人帮其丰富验证模型，而大模型反过来可以帮助物理学家在数值模拟方面提升准确性，同时辅助科学家探索科学框架的设计。他告诉记者，从蛋白质模拟到材料设计再到可控核聚变，AI模型和Science的结合已成为焦点研究方向，而有潜力的研究领域需要有充足的数据，并需要做到解决方案的普适，“Sam Altam所选择的几个投资领域恰好都符合这个情况”。
“OpenAI的模型能够在很多方面解决科研效率问题，Ranga Dias这次的科研也是用了一定的理论算法去加速科研效率，很可能Dias在做材料筛选的过程中，已经直接使用了OpenAI的模型。”刘苡松进一步向记者解释，在理论指导缺失的超导领域，Dias等人的实验努力也可视作一个揭示科学原理的尝试动作，因此引发了Sam Altam的生态布局也很正常。
以下为采访全文，有适度删减。
*：在2022年被《Nature》撤稿后，Ranga Dias团队这次室温超导实验的可重复性又面临很大挑战，现在学术界对Ranga Dias的实验真伪评判，是否达成了一致？
刘苡松：目前学术界并没有完全对Dias这次实验证伪，只是已经有团队在公布的实验条件下没能复现实验数据，比如3月15日闻海虎团队发表的题为“氮掺杂氢化镥(LuH_2±xN_y)近环境条件下不存在超导性”报告中直接否定了Dias研究结论。当然，这并不能完全证伪，但是给国内团队打开了在常压下室温超导材料的其他实现路径，比如原有铜氧化物的方向添加其他金属化合物。
*：Dias的实验公布了大量数据，业内有声音认为这个实验条件舒适，技术壁垒低，其他实验室很快可以对其进行检验，你的看法是？
刘苡松：Dias之前被国内媒体报道较多的是其2020年同款Nature论文被拿下，那次他做的实验材料没有保存好，当你达成材料限制的条件很高时，没有足够的材料去证实自己的实验数据，的确无法被科研界认可，所以当时被撤。
这次的情况是，1万倍压强这个条件很多实验室可以达到，但存在一个更核心的讨论点：高温超导理论指导仍然缺失。
物理学的突破很多时候靠实验指导理论，实验在前理论在后，超导材料的发现正是这个过程，而目前整个超导理论并不特别成熟，于是现在即便Dias团队实验条件比较舒适，但别人能否100%去复现结果，仍是未知数。
即使有一两家团队能复现，也不能完整证明超导现象，还需要很多团队不断去证明，次数要足够多，才能证明以后商用化时，按照这套理论下来能得到产品。科学界一定会希望不断有人尝试这个实验，去验证理论的完整性，现在这步并没有通过这个实验达到。
整个超导材料的开发过程，就是大家不断去配比不同材料，让实现的温度更接近于零度的过程。
Dias一下子跃升到了室温，就能得到材料，而且这次降低了实验难度。压强是实验重要的限定条件，Dias之前是用200万倍的压强去压出一个金属氢，达到常温超导，但200万倍压强条件很难维持，没有团队复现，这是他第一次被撤论文的原因；这次他用1万倍压强作条件，操作难度不高，有能力去尝试复现实验的团队会更多。
*：国内超导这边的生态布局如何？
刘苡松：其实国内做超导材料的生产，包括前期研发也很久了，而且也很前沿，像铜基跟铁基的超导材料的研发，其实都有国内的团队在做。这块国内的理论物理研究跟实验物理研究一直都在推进，基础研究的生态一直都在。商业化这边，国内有很多公司其实也在做这些商用化的超导材料生产，产业化也是健全的。
从最源头来说，国内的稀土资源储备丰富，只是室温超导这件事国内只能在物理实验条件较好的条件下才能做，于是没有像国外这么激进。
*：国内做高温超导这块研究的团队是以怎样的形式存在？一级市场上有这样的公司存在么？
刘苡松：我前不久跟清华一个教授聊，国内做超导材料的团队肯定不是个位数，但进入高温超导这个体系，由于他的理论化不够成熟，所以国内做这个方向的比较少，或者更严格说，国内真正在做室温超导的团队是基本没有，连做这块理论或实验研究的团队都很少。
还是因为刚才那个问题，高温超导并非一个成熟的理论指导下的方向，国内团队如果想要出成果，会更希望理论更成熟，那么你做低温体系研究就可以满足了。
*：你在润土主要负责哪些领域投资，超导材料在你的投资体系里以及一级市场中如何站位？
刘苡松：我在我们机构里关注前沿科技，因为材料的开发对于前沿科技的改变很大，所以材料一直是我这边很关注的方向。材料从研发到最终的量产是非常长的周期，特别是基础材料，像我们公司投了一些应用材料，我们考虑的逻辑是材料基础研究已经比较成熟，但在应用研究上仍需要突破，于是投了一些不错的国内院士团队，他们都是做应用材料开发的。
我们如此，大部分投资机构也如此，看的方向都在于应用材料，因为基础材料的开发周期太长，更需要国家的科研力量在前期做支撑；而到了应用开发的阶段，社会资金或者风险资金比较合适去参与。
*：Dias的初创公司Unearthly Materials已经从Spotify和OpenAI那里筹集到了超过2000万美元资金，从投资人的视角，OpenAI的投资动机是什么？
刘苡松：我觉得有生态布局的意图。OpenAI的模型能够在很多方面解决科研效率问题，Dias这次的科研也是用了一定的理论算法去加速科研效率，所以也引发了OpenAI的投资布局。
从Dias角度，美国的科学家自由选择余地较大，会更少承担除了科研之外的很多工作比如教书，他们如果有一套理论可以往这个事情上去做推进，那么成立一个公司，既可以吸引投资，也可以去同时落定一些基础研究的工程化推进。
对于OpenAI来说，很可能Dias在做材料筛选的过程中，已经直接使用了OpenAI的模型或者类似的模型，那么顺势布局一个这样的商业开发方向也很正常。
*：OpenAI做这种AI for Science向的投资能给自己带来什么，这似乎并不符合投资周期？
刘苡松：OpenAI其实需要更多科学方向的人去帮其丰富或验证模型。对于商用化场景，OpenAI可以将模型公开，让大家去玩；但遇到AI for science这个事情，是没办法做一个公开的东西让所有科学家去玩，科学家不放心简单地把自己的科研成果放在模型上跑，更好的办法是其接受OpenAI投资，相互建立一个比普通使用更深的关系，拿到更深的实验办法和实验数据，来丰富原有模型的科学性和智能化程度。
进一步来说，在AI for science领域，OpenAI的模型真正体现出的价值会更大。
我去年给我们内部团队做行业分享时提到，AI的更大价值其实很多体现在了早期的药物研发和材料开发之上。因为这些事情需要按量试错，人的实验试错有一个时间成本，包括算力成本，但对于AI来说，只要给他加对应的算力能力，他就可以在同一时间做大量尝试。
*：现在提到OpenAI，大家想到的是LLM语言大模型居多，AI for Science领域的价值具体如何凸显？
刘苡松：语言模型也好，机器学习中的其他模型也好，其实都是算法逻辑在做决策和执行。具体的材料开发也好，蛋白质的结构模拟也好，这些都不需要像大模型一样去融合再去精简，最终生成。这些其实只需要按照设定，比如材料运行的模式、材料的性能，加入其本有的基础理论范围，就可以调整出一个相对精确的结果。
这在此前的基础物理科研上，可能没有达到那么精细的一个模型程度，OpenAI去参与这些事情，等于去丰富这一块的能力。
从AI商用化的角度，进行更多领域的尝试肯定是对于其原有模型有提升的，不断去迭代丰富它模型算法的精确度是有意义的。从去年的蛋白质结构折叠模拟，包括一些生物药化学药的合成，包括我们看到的有一些金属材料选配， AI的算法模型都体现出来了优势，比以前简单的机器学习效果更为明显。
*：以GPT模型为代表，今年罕见出现了科技史的集中性爆发，AI的洪潮正漫过第二道堤坝，室温超导虽然余波不及大模型，但当时震撼度跟ChatGPT横空出世时同出一辙，今年人们屡次感受到奇点的降临有什么特别的原因？
刘苡松：其实集中爆发应该是去年，去年有一些标志性的事件，比如韦伯太空望远镜拍回来的宇宙早期图像，让我们对于时间的理解，对太空星球形成的过程理解更为深入了。
大模型也一定程度受益于最近几年半导体的降本，业内从2015、16年的时候就开始做大模型了，做了这么多年沉淀下来，加上现在的大算力芯片，支撑了对应东西能够交付：当我们能看到这些技术的时候，已经说明技术成本没有那么高。这都是科技积累的结果，是最近10年半导体加上人工智能相互辅助的一个结果。
很多时候我们讲一个学科的革命性变化，不一定来自于这个学科，可能来自于周边。分子生物学的进化，从分子到原子层面，更多来自于物理层面的机器进步，比如电镜仪器的发现会导致医学研究可以到某个层面。那回到我们的投资机构层面，我们更多关注应用层面，对基础研究，我们其实不太能够去承受这个周期。技术通过几年积累，达到了一个商业化成本允许的条件门槛之后，我们投资机构更多看的是商业化机会。
*：听闻一级市场投资人喜欢就某个领域互相探讨，形成某些共识，这些年面对风险很高的深科技行业，投资人有没有达成什么共识？理工科背景的投资人在深科技领域是否更具备优势？
刘苡松：在一些前沿方向性总结和体系梳理中，有科研或者理工科背景的投资人，他们天然会有一些优势。
不过，科研需要攻克的是事情的最高点，商业化要解决的是最低点。面对商业，所有技术都在一个平等的层面上竞争。作为投资人，我就不是理工科背景，是金融背景，我这些年积累下的能力就是去发现商业化机会的能力，但是商业化机会究竟是不是需要用到最高深或者最先进的技术，一直以来都不一定。但我们风险投资也能帮助实现技术创新的正向迭代，只要更好地找到高校、企业、政府这个技术创新体系的介入点，平衡好先进技术的研发投入和市场化推广的节奏，这就是我们的工作。
