從頂尖風投到AI前線，李佳詠的AI基礎設施價值創造之路

AI的規模化部署，卡在哪里？當AI全面融入核心業務，我們又該如何真正地信任它？

面對如火如荼的AI浪潮，這兩個問題幾乎成為橫亙在全球所有企業的技術理想與商業現實之間的難題。它們關乎信任，關乎效率，更關乎AI能否從實驗室落地，走進每一條生產線。

作為曾任職于高盛、軟銀與 Bessemer Venture Partners 的科技投資人，李佳詠是少數長期參與 AI 技術評估、投資決策與產業落地的從業者之一。在長期從事 AI 投資與產業研究的過程中，李佳詠以對 AI 可規模化與可信性問題的系統性判斷，在業內形成了鮮明的個人方法論。她的判斷正在影響企業如何構建 AI 時代的基礎設施，本次對談集中呈現了她對 AI 產業未來結構性變化的核心判斷。

李佳詠職業生涯的前半段，是一條典型的頂尖投資人成長路徑：從高盛、軟銀，再到Bessemer Venture Partners （簡稱“BVP”）。軟銀是全球最重要、也是規模最大的AI投資機構之一。而BVP則是硅谷歷史最悠久的風投機構之一。這段橫跨金融、戰略投資與深度科技的履歷，加上她獨特的“硅谷-亞洲”雙重視角，讓她既能看到技術的星辰大海，也深諳規模化落地的復雜暗礁。

現在，她選擇開啟職業生涯的下一程——加入AI基礎設施創業公司DataHub，擔任首席參謀官（Chief of Staff，簡稱“CofS”）。這家公司并不訓練眩目的大模型，而是專注于AI時代的元數據管理，致力于解決數據的一致性、可追溯性與系統協同問題。她的轉型使其成為業內矚目的一個代表性人物——少數能夠同時理解資本、技術與企業級系統復雜性的從業者，開始直接參與 AI 基礎設施建設。

李佳詠認為：“今天的模型已經具備很強的推理能力，但它們并不真正‘理解’現實世界。”她相信，只有當AI具備持續、可靠的上下文（Context）支撐時，技術才能沉淀出長期價值。她正從一個資本的審視者，變為這塊關鍵“地基”的建設者。

以下是福布斯中國與李佳詠的主要對話內容（經整理）：

01

AI是持續演進的技術路徑

Q：在頂級投資機構的經歷為你沉淀了哪些核心能力？這些能力如何影響你對 AI 產業的判斷？

李佳詠：高盛是我進入投資領域的第一站。這段經歷為我打下了非常扎實的基礎——如何理解商業模式、企業增長和盈利的權衡。它讓我建立起一種從宏觀結構和長期回報角度看技術與企業的思維方式。

我真正系統性進入 AI 領域，是從軟銀開始的。當時雖然大模型尚未全面落地，但投委會在評估每一個項目時，都會非常嚴格地審視其“AI angle”——是否已經在使用上一代技術，例如機器學習和深度學習，去實質性地優化業務流程和決策效率。這讓我意識到，AI 并不是一個突然出現的概念，而是一條持續演進、逐步落地的技術路徑。

相比之下，BVP處在更早期的投資階段。除了商業模式判斷之外，還需要對技術本身的可行性，以及團隊是否具備長期進化能力，有更直覺和全面的理解。我在BVP的那段經歷，恰逢大模型技術快速發展的階段，也讓我觀察到許多軟件公司在這一輪技術變革中所經歷的結構性變化。

從偏晚期、以規模和結果為導向的機構，到更早期、以技術與團隊為核心的風投機構，這樣的轉換幫助我逐步沉淀了對AI行業的系統性認知，也讓我更清楚地理解一家科技公司在不同發展階段，所面臨的核心挑戰和關鍵決策是如何變化的。

Q：為什么從投資人轉向AI 基礎設施領域？哪些行業趨勢最早引起了你的關注？

李佳詠：多年從事一線投資，“募、投、管、退”我都有涉獵，參與過很多公司的投后支持環節。我意識到投后管理的學問很深，每月一次的常規溝通會議，遠不足以真正理解一家創業公司在快速成長中面對的真實挑戰。我希望自己的價值貢獻不止停留在判斷和建議層面，而是可以在合適的階段，深度參與業務的增長和運營。

在BVP的時候，我們自己也投了AI基礎設施公司。看到無論是開源還是閉源模型，它們的能力范圍一直在收窄。隨著AI從研究階段逐步走向生產環境，系統復雜度顯著上升。其實很多關鍵問題并不出現在模型層，而是集中在數據的一致性、可追溯性、上下游依賴關系以及跨系統協作上。

正是在這一階段，我開始持續關注像DataHub這樣專注于數據與 AI上下文基礎設施的公司。它們所解決的，正是企業在真實生產環境中，如何讓數據、模型和業務決策之間形成可解釋、可治理、可持續演進的系統。從投資研究和長期行業觀察的角度來看，這類基礎設施能力，往往決定了AI能否真正從“可用”，走向“可信”和“可規模化”。

02

從可用，走向可信和可規模化

Q：什么是上下文基礎設施？

李佳詠：企業引入AI，常常是從試點開始的。初期的Demo項目通常表現亮眼，但這類 AI 系統存在明顯局限：它們依賴人工篩選、清洗后的標準化數據，問題范圍相對有限，背后還有工程師隨時介入修正。

而真實的業務環境中，數據往往來自多個系統，同一指標在不同部門有不同的口徑，數據更新頻率和上下游依賴更加復雜。這時，模型給出的答案在邏輯上看似合理，在業務層面上卻是錯誤的。更關鍵的是，企業往往無法快速追溯，這個結論到底依賴了哪一份數據、哪一層定義。

所以當企業試圖將AI從試點階段，升級為支撐全公司業務決策的核心工具時，就非常需要構建上下文體系。企業需要清晰定義每一項數據資產的歸屬模塊、所有權主體和實時狀態。唯有建立起這樣的上下文，AI智能體才能真正接入企業的業務系統，做出有依據的決策。

此時，AI的每一次判斷，都不再是數據孤島中的隨機輸出，而是基于企業完整業務上下文的邏輯推理。這時候在企業內去推行AI智能體幫忙優化業務流程、驅動決策升級，就變得更加可靠了。

Q：你的“硅谷-亞洲”視角非常獨特，你認為硅谷和亞洲市場在AI基礎設施上有什么差異？

李佳詠：硅谷與亞洲市場的技術能力都是非常強的。我覺得差異更多體現在系統建設的優先級和演進路徑上。

在硅谷，AI與數據基礎設施的建設，往往從一開始就服務于高度復雜、長期運行的企業系統。許多企業在引入AI之前，就已經擁有相對成熟的數據治理體系、權限管理、審計流程和跨系統協作機制。AI 能否落地，往往取決于它是否能夠被安全地嵌入這些既有系統中，而不是單點效果是否足夠驚艷。這也是為什么在硅谷，AI 基礎設施更多圍繞“可解釋性、可追溯性、長期可維護性”展開，而不是只追求短期效率提升。

相比之下，在亞洲市場，AI 的落地往往更強調應用效率和場景驅動。在一些2C或2G場景中，需求相對集中、決策鏈條更短，AI 可以更快進入實際使用。例如在政務、金融或行業垂直應用中，AI 常常被直接嵌入具體流程，用來解決明確的問題，而不是先搭建一整套復雜的底層體系。這使得亞洲市場在落地速度和場景多樣性上具有明顯優勢。

但是，隨著AI開始進入更核心、更高風險的業務環節，這兩種路徑正在逐漸收斂。在亞洲市場，越來越多企業開始意識到，如果缺乏數據治理、上下文管理和系統化基礎設施，AI 很難在規模擴大后保持穩定和可信；而在硅谷，隨著 AI 能力不斷增強，開始倒逼企業重新思考如何加快決策和應用層創新，不僅僅是完善底層架構。

Q：在硅谷的AI生態中，你的跨文化背景能發揮出哪些核心價值？

李佳詠：我認為這種背景的核心價值，在于理解哪些AI的know-how可以跨市場遷移、哪些不能被簡單復制。

像我剛才介紹的，硅谷在圍繞AI的產品設計、技術路徑、組織協作和企業級落地，積累了大量成熟的方法論；亞洲市場在商業化推進、場景落地和規模執行上，有非常多值得借鑒的成功經驗。

長期接觸兩邊的項目，讓我能夠建立一套相對清晰的benchmark，能夠判斷出哪些經驗是可以復用的，哪些則必須結合本地市場條件重新設計。

我即將就任的首席參謀官，是硅谷科技公司的常見角色，它更像是一個組織能力的放大器。在硅谷科技公司中，這一角色通常只由具備深厚行業判斷力與戰略能力的資深從業者擔任。對于AI創業公司來說，很多關鍵問題——無論是工程上和產品上的，還是市場上和銷售上——其實都不會真正隸屬于一個職能部門。所以首席參謀官通常承擔跨部門和跨職能的系統性協調職能，要保證CEO最在意的一些關鍵事項和KPI能持續地被跟進。尤其是在他們自己本身非常忙的時候，你等于是成為了 CEO的眼睛、耳朵和手。

這個崗位比較青睞有風投或咨詢背景的人，因為他們會希望你有這種multi-task的能力，幫忙做一些溝通和落地的動作。

03

競爭的焦點，將從模型層轉向上下文層

Q：你在哥倫比亞大學主修計算機科學、輔修金融經濟學，這樣的背景在你研究和判斷AI與數據方向時發揮了怎樣的作用？

李佳詠：計算機科學的訓練為我打下了扎實的技術基礎，讓我在很早階段就進入到 AI 與工程研究高度活躍的學術與產業圈層中。

在哥倫比亞大學求學期間，我與許多計算機系背景的同學保持了長期、緊密的交流。后來，他們中的不少人進入了前沿的AI研究機構，科技公司以及頂級高校，例如Anthropic，英偉達和特斯拉，從事研究或產業化相關工作。

正是這種長期、持續的技術交流網絡，讓我能夠更早接觸并理解 AI 技術從研究走向產業化過程中所面臨的真實問題。這些交流經驗，使我在后續接觸高技術項目時，能夠更快判斷一個系統在技術路徑上是否合理，是否具備持續演進的可能性，而不是停留在概念展示或短期效果層面。

與此同時，金融與經濟學的訓練，讓我在分析技術問題時，始終能夠將其放回到真實商業環境中思考，包括單位經濟性、規模化路徑，以及技術價值如何在復雜組織和業務流程中被持續放大。

這兩種背景的結合，使我在后來的投資研究、項目sourcing 以及 AI 與數據相關方向的判斷中，能夠同時兼顧技術深度、產業可行性與長期商業可持續性。

Q：那么你認為AI公司應該怎么構筑長期價值，怎么制定有效戰略？基于你長期的投資與產業經驗，你如何判斷未來 3–5 年 AI 產業最關鍵的結構性變化？

李佳詠：從長期來看，真正決定 AI 公司價值的，并不是模型調用次數或短期收入增速，而是公司是否在構建不可替代的用戶關系和系統位置。

包括：產品是否成為用戶核心流程的一部分；用戶在系統中沉淀的上下文、數據和行為，是否隨著時間不斷累積并反向增強產品價值；以及，當模型能力持續提升時，這些資產是否會讓產品變得更強，而不是被削弱。

從這個角度看，相比短期 ARR ，AI時代真正值得被關注的指標往往是：用戶留存是否隨著時間提升、產品在用戶工作流中的不可替代程度、以及系統是否具備“越用越有價值”的正反饋結構。

這不僅是 AI 應用公司的戰略問題，也應該成為每一家 AI 相關公司，在早期就需要認真思考的核心問題。

未來3–5 年，AI 產業的競爭焦點將從“誰的模型更強”，轉向誰能夠構建并掌控上下文層。隨著模型能力逐漸標準化、應用層高度碎片化，Context將不是一個附加功能，而是 AI 時代的新基礎設施層，是讓AI能夠被組織長期安全使用的基礎能力。

聲明：品牌之聲相關資訊來自于被采訪對象，非福布斯編輯內容。

精彩內容