2025 年上半年，硅谷科技评论（SVTR）AI 创投库里最吸睛的案例之一，莫过于 Leopold Aschenbrenner 与他的 Situational Awareness，一个由“算力—电力—基础设施”闭环驱动、短短数月就让 LP 心甘情愿长锁 15 亿美元的 AI 对冲基金 ，还取得了 +47% 的净回报。
更深层的震动来自于：他用技术前瞻、政策洞察与产业节奏的三重交汇，提前踩中了行业的“非共识转折点”：从 Test-Time Compute + Unhobbling 取代盲目加码预训练，到将电力瓶颈写进投资框架，再到把宏观结构性趋势翻译成可执行的交易策略。
Leopold Aschenbrenner，23 岁，现居旧金山。前 OpenAI “超级对齐”（Superalignment）团队研究员，2025 年创立 AI 投资基金 Situational Awareness，首轮即获 Stripe 联合创始人、前 GitHub CEO、硅谷和华尔街投资人等顶级资本加持。
19 岁以毕业致辞生（valedictorian）身份从哥伦比亚大学毕业，曾在牛津大学全球优先研究院（Global Priorities Institute）做经济增长研究，早年出生于德国。兴趣横跨美国宪法第一修正案、德国历史、拓扑学，如今将主要精力投入人工智能发展与 AGI 战略布局。
一、“先看到未来”再下注：把深度长文变成投资组合
Aschenbrenner 的出圈之作是那篇在圈内刷屏的 165 页长文《Situational Awareness: The Decade Ahead》（添加凯瑞微信：pkcapital2023，获取165页PDF原文和解读），核心观点是：以数量级（OOM）思维看，AI 在 2027 年前后将再迎一次 GPT-2→GPT-4 级别的飞跃，并触发算力与电力的工业化动员。
他在华尔街执行的版本，是重仓 AI 实体经济：
- 半导体及上游装备
- 数据中心基础设施
- 发电与供电公司 同时少量押注头部初创（如 Anthropic），并做“被 AI 淘汰行业”的对冲空头。
这种“技术路线图→资本路线图”的直译，解释了为何这家总部在旧金山的基金，在没有传统买方履历的情况下，也能获得 Stripe 的 Collison 兄弟、硅谷投资人 Daniel Gross 和 Nat Friedman（现负责 Meta 超级智能方向）、华尔街大佬 Graham Duncan 等人的资金支持。
二、拆解 AI 堆栈：从芯片、数据中心到电力
这只基金的核心 Beta 不在“下一个 App”，而在 AI 的物理供给面：
- 芯片与上游装备：锁定“更多 GPU + 更高带宽/散热”的必然趋势，推理和训练两侧量价齐升。
- 数据中心基础设施：机柜、电力电子、冷却、供配电设备全覆盖。
- 发电与售电（Utilities）：如 Vistra 等为 AI 数据中心供电的企业，成为重仓。
这条逻辑是——电力是新的云计算。IEA 与多家投研机构多次上调数据中心用电预测，而变压器与燃机的交付瓶颈，让电力与能源调度成了 AI 周期的关键限制。把发电侧当作 AI 供应链一环去定价，正是跑赢大盘的底层原因。
三、业绩背后的信息不对称：一线实验室+开源社区
Situational Awareness 自称是一个“AI 大脑”，其交易节奏直接映射自一线实验室与开源社区：
- 使用/推理阶段（Test-Time Compute ）拐点：OpenAI o1 系列把“先思考再回答”商品化，推理性能大幅提升（但更慢更贵），验证了 Aschenbrenner 对“去束缚”与深度推理的重视。
- 电力现实落地：发电、数据中心、芯片三件套的资本开支和并网许可按年翻倍，“发电公司 = AI 上游”正在从段子变成财报。
最终成绩：2025 上半年净回 +47%，远超标普 ~+6% 和技术对冲基金指数 ~+7%。
值得注意的是，这套打法不是“满仓 AI 热点”。Aschenbrenner 向投资人阐述会用小比例空头去对冲“被 AI 抛弃的行业”，并做一级市场和二级市场分层：二级市场组合覆盖“电—机—芯—云”的可交易主线，小比例配置少数一线初创（如 Anthropic）获取右偏收益。其组织形态也在“研究优先”：他还请来了在宏观与 AI 社群都颇有声望的 AI 理论人物 Carl Shulman 出任研究主管。
四、共识之上的风险：拥挤交易、参数冲击与中国变量
随着全球 AI 主题基金增多，风险在抬头：
- 拥挤风险：公开市场里真正“AI 相关”的标的仍然有限，主题资金不可避免地拥挤在少数股票上（Vistra 就是典型），这使得回撤会更快更猛。
- 模型冲击：“DeepSeek 事件”证明，一次低成本、可复刻的技术发布就能引发美股 AI 龙头的连锁杀跌（NVDA 当天一度 -17%；隔日迅速反弹）。参数面（模型、定价、开放策略）与供给面（GPU、功耗、网络）同时影响估值弹性，基金需要动态对冲。
- 制度风险：美国今年进一步推动对前沿模型权重与算力阈值的监管，这对阵地在美国的 AI 上游是把“双刃剑”。对冲基金需要把监管时间表并入仓位管理。
在AI主题成为共识之际，我们认为接下来 12 个月，值得盯的三个信号：
- 电力侧资本开支与并网节奏：发电、变压器、燃机、冷却产能是否继续匹配“>5–10GW 数据中心”节奏，将决定 Utilities 赛道是否还能享受估值再重估。
- 推理范式扩散：o1 式“深度思考/多代理共识”会不会成为多家模型的标配，从而把“AI→更高 AI 需求→更多芯电”的飞轮再加速。
- 中国变量：若再出现一次“DeepSeek 级”的成本—性能冲击，拥挤交易将重演剧烈波动；能否及时以对冲与再平衡“过坑”，是主题基金的期中考。
五、全文总结：“工程学”方法打赢市场
把这只基金总结成一句话：用工程学的方式管理投资组合。在这个叙事里，“AI 是软件”远远不够，AI 更是能源与供应链。先看到未来的人，不只是写长文——他们会把长文变成仓位表。
附录：《Situational Awareness: The Decade Ahead》
作者的核心判断很直接：只要按“数量级（Order of Magnitude, OOM）”去做账，到 2027 年左右 出现能完全胜任 AI 研究员/工程师工作的 AGI，是高概率事件。 更关键的是，这个时间点之后，自动化 AI 研究将引发“智能爆炸”，在电力、算力、芯片的工业化动员和大国竞争的叠加下，美国会在 2027–2028 年 推进一项类似“曼哈顿计划”的国家级 AGI 工程（The Project），并以“超级防御（Superdefense）”来管控对齐与安全问题。 整个推演路线可以概括为：GPT-4 → AGI → 超级智能 → 挑战（算力/安全/对齐/地缘政治） → 国家工程。
I. 技术主线：四年一个质变跳跃
作者用三条“直线”来描述 AGI 前进的速度：
- 训练算力：每年提升 ~0.5 OOM（约 3 倍）
- 算法效率：每年提升 ~0.5 OOM
- “去束缚”提升：通过 RLHF、CoT、工具化、脚手架、长上下文等，让模型能力阶跃式提升
对比 GPT-2 到 GPT-4，原始训练算力涨了 3,000–10,000 倍。以当前趋势，2027 年的训练集群将比现在再高出约 2–3 个 OOM。算法端的效率改进更夸张——以 MATH 基准为例，达到同样推理正确率的成本在两年内降低了近 1,000 倍。
所谓“去束缚”，是让底模摆脱单轮问答的限制：能自己用电脑、跑长任务、在团队中协作。比如，一个 GPT-4 水平的底模，通过脚手架与工具化，完成度可从 5% 提升到 40%，相当于又多拿了几十倍的“有效算力”。
更重要的是，推理阶段的算力（TTM）也能换成效果：如果能解锁额外 +4 OOM 的推理算力，相当于多出 +3 OOM 的预训练算力。 把这些叠加，作者得出结论：到 2027 年，用一分钟训练出 GPT-4 级别模型，是保守预测。
II. 从 AGI 到超级智能：先自动化 AI 研究
AI 不需要先替代所有人类工作，只要先替代AI 研究员，就会引爆加速。 一旦模型能自己读论文、设实验、写代码、调试并解释结果，就会让算法效率在一年内提升 5+ OOM，把 10 年的进步压缩到一年。
推理硬件的扩张意味着，我们能同时跑数百万甚至上亿个“人类等效”的 AI 研究员。
结果很直观：
- 先在机器学习领域实现爆炸式突破
- 再外溢到机器人、材料、能源等领域
- 最终形成工业和军事的压倒性优势，同时释放巨大的风险
III. 产业主线：万亿美元集群与电力基建
2027 年前后，AI 年化投资可能超过 1 万亿美元，而且美国总发电量将因此上调几十个百分点。
作者的扩容表很直接：
- 2024：~10 万 H100 等效
- 2026：~100 万（≈1GW，胡佛坝级别）
- 2028：~1,000 万（≈10GW，一个中型州用电）
- 2030：~1 亿（≈100GW，>20% 美国发电量）
瓶颈不是钱，而是电与厂房。业内已经从“用什么算法”转成“10GW 电从哪来”。
以美国天然气储量来看，100GW 电力是可行的，挑战在燃机和变压器的生产部署上。
IV. 安全主线：锁死实验室
当前实验室的安全思路等于让 AGI 机密裸奔。 作者强调要把“模型权重”和“算法机密”视为核机密：
- 一旦权重被窃，领先优势立即归零
- 保住 90% 的进度，比被直接抄走好太多
- 领先一年与领先一个月，是两个世界：前者可做安全缓冲，后者就是生死竞速
“超级防御”框架包括：
- 空隔离（air-gapped）集群
- 硬件加密与多密钥签核
- 用可信弱模型监管强模型
- 禁用高风险能力（生化、长时程 RL 等）
V. 超级对齐（Superalignment）：RLHF 的天花板
RLHF 在超人类系统面前会失效，因为人类无法验证它的输出质量。
现在给 ChatGPT 做代码标注还需要高薪专家，未来连顶尖专家也不够。
所以必须提前投入下一代对齐方法，而非等到模型超越人类后才慌张补课。
VI. 地缘主线：AI成为国家竞争的关键
超级智能是决定性的军事与经济优势，甚至是最强武器。
作者提醒：中国潜力巨大，如果美国实验室安全不到位，中国可能快速赶上。
尤其是 2027 年“会成为特殊之年，加剧冲突风险。
VII. 国家工程：The Project（2027/28）
美国政府不可能坐视一家旧金山公司率先造出超级智能。
当技术再经历两三次“质变跳跃”后，国家安全系统会接管：
- 头部实验室“自愿”合并
- 国会拨出数万亿建芯片厂与电力基建
- AGI 核心团队进驻机密设施（SCIF）
- 万亿美元集群加速落地
这将是 国防级工程，治理结构必须是政府+云巨头+实验室的联合体。
VIII. 操作清单
- 保持算力与算法效率的 ~0.5 OOM/年 增长
- 落地“可直接入职”的 AI 员工
- 预先布局 1–10–100GW 级集群的电力与厂房
- 以国家级对手为威胁模型锁死实验室
- 投资“后 RLHF 时代”的超级对齐技术
- 把领先月份当作国家安全目标
- 在 2027/28 启动 The Project
IX. 收尾判断
别指望 AI 增长曲线放缓。 在我们还在把它当“聊天器”时，它很可能已经开始替你做工作，并在 2027 年前后让有效算力再拉 10^5 倍。这不是科幻，而是按 OOM 算账后的默认情景。