2024，中国乐观派们如何投AI？

文章来源：极客公园

文章作者：FP 研究中心

图片来源：由无界AI生成

AGI 领域的融资竞赛已在水下开启。 账上资金体量，很大程度上影响这些 AGI 领域初创公司的生死存亡。市场上剩余资金体量，很大程度上影响其他 AGI 领域初创公司可能获得的融资机会。 因此，在这个时间点上，我们与多家不同资金体量、不同成立时间、不同类型、不同风格的投资机构进行了访谈，他们的投资策略，某种程度上代表了当前市场上 AGI 乐观派投资人的普遍看法，或者有可能影响到更多可能进入 AGI 投资资金的看法。

我们与我们这次的访谈对象也希望用这样的形式，帮助 AGI 领域的创业者，还原不同资金规模体量的投资机构是如何思考 AGI 相关投资的。 我们采访了以下投资机构，可以结合要点进行针对性阅读。

01. 周志峰 启明创投 合伙人
02. 朱天宇 蓝驰创投 管理合伙人
03. 王啸 九合创投 创始人
04. 张津剑 绿洲资本 创始合伙人
05. 温永腾 BV百度风投 执行董事
06. 白则人 线性资本 投资副总裁
07. 杨孟彤 Atom Capital 创始合伙人

Founders Summary
在做了十几家机构的访谈后（部分交流及访谈未获得授权无法公开），我们认为：

1.高 Token 消耗的应用场景是明星创业团队的机会，低 Token 消耗的应用场景适合普通创业者突围。
普通背景的创业者，在高 Token 消耗的应用场景创业，会让很多投资人打退堂鼓。
高 Token 消耗的应用场景，其价值显而易见，是「共识赛道」，是属于「明星创业团队」的机会，也大概率是是模型公司会切入的方向，他们的资金杠杆率远高于行业均值。
模型与应用双螺旋增长，高 Token 消耗的场景，既需要团队有模型层的能力，又需要团队有足够的资金支撑。普通创业者往往难以在这两方面给到投资人信心。
反而是在低 Token 消耗的场景中，快速解决具象问题，获得经验，赢得新的筹码，更有可能获得投资人的初始支持。这样的场景，往往不在明星创业团队的潜在杀伤区，拼的是创业者对技术应用的理解、对场景的敏感度、对人性的洞察。

2. 「AI-Native」的团队是融资的必要条件。
无论创业者背景如何，「AI-Native」团队已成为融资的必要条件。如果无法利用 AI 提升团队效率，就难以证明自己对 AGI 有深刻理解，自然也就难以赢得投资者的青睐。
AGI 时代，诸多任务将被 AI 取代，人在公司运营中的作用很可能也会发生变化，创业公司的形态会向更小规模、更敏捷、更低成本演变。
当下，拥抱 AI 的相关初创公司以惊人的速度在市场中崭露头角。如，Pika 做到 50 万用户、5500 万美元融资、2 亿美元估值时，只有 4 个正式同事，只用了 6 个月。Carrd 做到 260 万用户时，团队不超过 3 个人。
这些小团队的成功并非偶然，他们凭借着对 AGI 的敏锐洞察和独特理解，借助 AI 的力量实现了快速 PMF、高速 ARR 增长，从而获得了公司持续运营、扩张的新融资。
这也将成为投资机构未来的共性要求，不断提高对创业公司人效的评价标准。OpenAI CEO Sam Altman 认为，AI 时代会创造出一种全新的创业公司，一个人的独角兽公司，则是一种极致人效、资金效率的要求。
对于年轻的应用开发者来说，在 AI 应用中积累足够的经验，完成「1 万小时积累」，体现对 AI-Native 应用及 AI-Native 社会的理解，是证明自己的有效途径之一。

3. 持续的融资能力是投资机构考核创业者的隐形标准。
首先，不同于移动互联网时代在一个清晰的赛道上比拼团队执行效率，今天 AGI 领域（特别是应用领域），创业团队的「生命力」成为了重要的投资决策要素。
这个要素可以由两个角度的能力构成，首先是「创始人的持续融资能力」是当前 AGI 相关赛道创始人最重要的能力之一，也是投资机构考察创业者的重要「隐性」标准之一。这是由于 AGI 领域早期技术迭代迅速，没有人能一上来就「大力出奇迹」的豪赌，而是需要足够的灵活性才能进行探索和试错。
所以如果创业者不是「明星创业者」，那么第二个角度则是能否迅速形成一定程度的商业正循环，以较低融资额获得留在牌桌上的「看牌」的能力，这些产品实践足够多、代价足够小的团队特质，也是投资机构会考量的因素，因为这是他们认为创业者能否有足够的「试错机会」、是否愿意下注的前提。

4. 警惕市场上的「两轮退」策略。
大部分上一代 AI 公司的投资人并未获得回报，仅在早期投入到诸如安防、自动驾驶等赛道才获得了回报，这让部分投资人对新一代的 AI 创业公司仍存有疑虑。因此当前市场上也出现了诸多「两轮退」的投资策略（这样的投资策略并未被我们吸纳到本文的访谈里），以保证基金利益最大化，创业者在融资过程中往往很难洞悉这样的投资策略。
AGI 领域还处于萌芽状态，这可能是一场至少为期数年的创业之旅。「两轮」后，创业者往往面临更激烈的市场竞争，这样的「退出策略」无疑会加大创业者的后续融资难度。即使面临融资压力，寻找到有包容度的资金，快速试错、迭代，才能确保公司在稳健发展的道路上不断前行。

01
启明创投 周志峰

启明创投已投 AGI 相关项目: 智谱AI、优必选、无问芯穹、衔远科技、阶跃星辰、生数科技、自由量级、云知声、梅卡曼德、银河通用、无限光年等

启明创投已募管理资产总额：95 亿美元

核心观点：
1. 模型层的高技术密集型创业团队会产生显著的虹吸效应。
2. 绝大多数致力于开发大模型的公司最终将演变为模型应用一体化企业。
3. 生成式AI产业的发展正从超级模型向超级应用转型。

Q1：2023 年有哪些预判被证实或者证伪了？
周志峰：第一，我们把 AI 生态分成了基础架构层、模型层和应用层，去年投资布局的重点是模型层和基础架构层的企业，这个投资策略被证明是正确的。
其次，我们在 AI 上继续遵循我们一贯的科技投资方法论，我们觉得是正确的。科技浪潮的发展，会有技术奇点和市场引爆点，技术落地会有几个阶段。我们认为生成式人工智能还处于早期阶段，目前主要由技术创新驱动，尚未进入到产品和商业模式的创新阶段。
第三，2023 年初我们预判，模型层的高技术密集型创业团队会产生显著的虹吸效应。越是 AI 大咖创业，越是专注于前沿模型开发的公司，其「吸金」能力就越强。最后基本上也得到了证实，中国至少有 80% 甚至更多的资金、资源都投向了少数几家大模型开发公司。
第四，我们当时认为可能会有三类创业者出现：第一类是 AI 界顶级大咖；第二类是产业界老兵，如腾讯、字节跳动、快手等科技大厂背景的领军者；第三类则是像 PC 时代的比尔·盖茨、史蒂夫·乔布斯、互联网时代的马克·扎克伯格那样的年轻创业者，他们对新技术有深刻的洞察和极大的热爱。这个观点也经过了一定的验证。
此外，后来的事实也证明了当年我们比较犹豫的一些方向。我们曾经考虑过布局一些利用第三方大语言模型的应用产品，尤其当时美国企业 Jasper.ai 非常火爆。我们对这类项目的壁垒和可持续增长性有一定的担忧，但仍然认为中国应该会出现很多应用层公司。中国的生成式 AI 应用公司 2023 年在中国的成功度远远低于美国的应用公司，也在资本市场上没有达到美国的投资热度。去年美国市场上融资额超过 5000 万美元的应用公司有二十家以上。我们去年看了大量的应用层的公司，国内大约有 300 多家，并追踪了国外差不多 1000 多家公司，但最终出手的并不多。


Q2：启明创投在 AI 赛道会有什么特色的投资逻辑？
周志峰：启明创投应该是国内投资大模型公司数量最多的机构之一。这和市场上很多机构的投资策略不同，我们相信这个类别中可以涌现出多家成功的公司。
我们的底层逻辑是，绝大多数致力于开发大模型的公司最终将演变为模型应用一体化企业。在每一轮技术革新中，应用层往往会捕获最大的市场价值。自研模型的公司未来不仅会在模型和算法上有所建树，还将根据自研模型和所掌握数据的特点，深入到特定的应用场景中，从而创造更大的商业价值。
现阶段，我们将模型层的公司分为三类。第一类是基础模型公司，它们类似于建造电厂，旨在让其他企业接入并使用其服务，代表公司如 OpenAI 和智谱 AI。第二类是开源模型运营平台，它们提供开源模型、模型优化和托管等服务，如 Hugging Face 和中国的阿里云魔搭社区。第三类，我们最初称之为垂类模型，但现在更适合称其为模型应用一体化公司，这些公司直接利用自研模型去开发自己的垂直行业类或特定功能类应用。
生成式 AI 技术还处于发展早期阶段，类似于互联网的早期，各家公司还需要自己参与构建一部分技术基础设施，或不断适应动态发展的底层技术。
短期内，我们认为自研模型的公司将展现出更大的竞争力。它们能够从训练数据、模型优化等多个维度进行差异化竞争。模型层的公司根据自己的技术特点，开发出不同的应用来凸显其自有模型的优势。举例来说，如果一家专注于娱乐领域的模型应用一体化公司，它们在预训练和对齐阶段都使用了大量的爱情小说和电影情节数据，那么其训练出来的模型在对话时具有更加丰富的情绪表达，就会与一些通用的基础模型形成鲜明对比。
另外，从资本体量和试错成本上来看，模型层的公司做应用也具有优势。在 2023 年，模型层的公司融资额是以数亿美元计算，而应用层的公司融资额在千万美元这个级别，这意味着模型层的公司去探索应用时可以负担足够的试错成本去迭代自己的应用产品。
市场上，一些人可能会看到 OpenAI 在全球范围内的领跑地位，从而对模型层的其他创业企业比较悲观。我们也观察到一个有趣的现象：一旦 OpenAI 探索出一个新的技术创新，其他公司往往能够以更低的成本复刻，并缩小与其的差距。我们目前的观察是，包括中国在内的全球第一梯队的近 20 家模型研发公司，成本上，正在以大约 1/5-1/10 的成本去实现 OpenAI 的目前一代先进模型的水平；速度上，追赶的周期越来越短。而在 2023 年上半年，大家普遍认为追赶者和 OpenAI 有 18 个月左右的差距。
在投资策略上，我们今年会更注重早期投资布局。
虽然启明创投管理的资金体量相对较大，但作为一家创投机构，一方面当前很多研发语言模型和多模态模型的企业即使是早期，估值也不便宜，后期就更难投资。另一方面，生成式 AI 公司需要走过 TMF（Technology Market Fit）、PMF（Product Market Fit）阶段，一般来说需要的周期是远长于消费品牌产品等其他领域的公司。一旦生成式 AI 企业完成了 TMF 和 PMF，过了拐点，其上升趋势的斜率则更为陡峭，那时企业的价值会变得很高。


Q3：启明创投最近有什么对于 AI 的新思考？
周志峰：我们最近一直在思考，生成式 AI 产业的发展从超级模型向超级应用转型时，我们从投资角度应该如何应对。
因为我们投资了多家大模型团队，他们与产业链上下游的伙伴之间合作紧密，这些合作为我们揭示了潜在超级应用方向的信号。最近，一些历史上取得成功的创业者和科技大厂高管开始涌入这个领域，有些是选择直接创业，有些是选择加入创业公司，助力产品和应用的开发。
要实现从超级模型到超级应用的转变，我们需要思考三个关键问题：这一转变何时发生？以何种方式发生？以及由谁来驱动发生？
为了更深入地理解这种转变，我们研究了历史上几代科技大浪潮中涌现出的科技巨头的成长史，访谈了很多包括抖音早期团队在内的业界专家，试图找到一些底层规律性的东西。
这个问题是有一定时效性的，技术在不断变化，之前的判断可能在某个时间点后就不再成立了。在投资应用公司时，关键在于明确最我们要投什么样的技术能力、背景和策略的团队或企业。
短期内，我们看好自研模型去探索应用的公司，它们可以从数据、算法、系统、算力、模型优化等多个方面进行差异化竞争。


Q4：这一代大模型相关的 AI 创投浪潮与上一代会有什么区别？
周志峰：这一次是以预训练模型驱动的生成式 AI 为主，上一代主要是以感知为主的判别式 AI。
判别式 AI 的核心特点主要有两点：第一，它主要是进行视觉和语音的判断，而无法进行深层推理，它的应用场景较为有限，主要在人脸识别、物体识别、语音识别、基于视觉的智能驾驶等任务上取得了较大的发展。第二，上一代 AI 模型需要为特定任务定制，其泛化能力有限。
这也是为什么在过去 10 年中，人工智能企业在技术落地时会遇到较大挑战的原因，因为它们需要为不同场景组建不同的团队。例如，很多人认为酒店入住时的人脸识别系统与公共场所的基于人脸识别的智能安防系统的功能相似，然而，从模型构建、训练到部署，以及芯片和摄像头等配套硬件上，两者存在显著差异。
之前的十年，人工智能技术主要在三个场景取得了规模化应用的成功：第一个是互联网的推荐系统，代表公司是字节跳动；第二是智慧城市，市场体量足够大，只有场景体量大才能形成闭环迭代，不断降低成本和提升性能；第三是智能驾驶，比如特斯拉通过几百万辆车完成了软硬件生态的闭环迭代。
今天的生成式 AI，为我们打开了无限的可能性。
对于未来可能出现的大应用场景，目前我们暂时认为有三类：
第一类是使用AI提升生产力效率的场景，如针对特定行业或领域的软件工具，自动化重复性任务、提供决策支持、优化资源分配；
第二类是泛娱乐领域，包括游戏和其他创新型人机互动、内容生成的娱乐应用；
第三类是变革信息流转方式的创新应用。

Q5：为什么中国的产品层创业暂时低于预期？
周志峰：美国在应用创业方面做得很好，用户基数及增长的量比国内大。一个侧面的数据是 2023 年美国头部创投基金投资生成式 AI 应用公司的比例是非常高的，占到了 AI 投资的 50% 甚至更高。
由于 OpenAI 等企业的先发优势，美国的大模型生态比中国起步早，目前更成熟。更多的应用公司利用这个成熟的生态做出了好产品。而中国的大模型生态还在初期发展中，基本上是从去年年中开始，比美国滞后一些。
美国的这些应用公司中可以分为两类，一类是 ToB，一类是 ToC。ToB 的公司主要是针对中小型企业的，美国的中小企业付费意愿更高，产品型企业更容易找到 PMF，做出 ARR，并获得融资，形成正向循环。而 ToC 的公司目前主要是陪伴型 AI 产品获得了初步的成功。


Q6：这一波大模型的出现，对启明创投本身有什么影响？
周志峰：ChatGPT 的出现并获得了巨大的商业成功，这无疑是一个引爆点。在过去的一年中，我们一直在逆势招人，不断补充 AI 团队成员。我们现在团队中有一部分成员是具有机器学习专业背景的，有实操训练大模型的经验，也补充了对 AI 应用非常有热情的、正在沉浸式使用 AI 的同事。在国内机构中，像启明创投一样投入了这么多资源在这个赛道上的还不多。
我们回顾 2023 年发现，启明创投在 AI 领域的投资占比与美国几个活跃布局 AI 的顶级 VC 基金在相同水平上。
2023 年，美国创投市场投向 AI 的资金约为 250 亿美元，而中国仅为十几亿美元或等值人民币，可以看出两国在 AI 投资上的差距。今年，我们预计中国市场化机构对 AI 的投资将比去年更加活跃。去年美国市场大量的资金来自于科技大厂的战投；在中国，去年活跃的投资者主要包括少数头部美元 VC，以及美团、腾讯、阿里巴巴、蚂蚁金服、小米、金山、商汤等战投，以及一些政府引导基金。
我们预计，今年投向 AI 领域的资金会有所增加。这一预测基于多方面的原因：我们与众多机构进行了深入的交流，发现他们对 AI 的兴趣在不断增加，无论是美元基金还是人民币基金，都在积极寻找 AI 领域的投资机会。
其他一些积极的信号也包括：随着 AI 技术的不断发展和应用场景的拓展，越来越多的有经验的「老兵」和有热情的新锐创业者涌入这个领域，为投资者提供了更多的选择；政府层面也开始重视并推动 AI 产业的发展等，如推动算力基础设施建设、数据共享和开发利用等。
此外，中国在制造业和产业升级方面具有显著优势，为具身智能等 AI 技术的应用提供了广阔的发展空间。

02
蓝驰创投 朱天宇

蓝驰已投 AGI 相关项目: 智元机器人、银河机器人、Moonshot、潞晨科技、西湖心辰、幂律科技等
蓝驰在管资金规模：超过 150 亿元人民币

核心观点：
1. AI+3D 交互+Robotics，叠加底层的 Web3 技术，三浪叠加掀起生产力革命。
2. 这个阶段具体的投资策略本质上还是投优秀的团队。
3. 创业者要么就专心做模型，要么专心做场景。

Q1：大模型出现对蓝驰的投资是否有影响？
朱天宇：外界一个知名的投资人对蓝驰在这波 AI 领域的投资评价是：可能是过去这一年最活跃的前三家之一。
但蓝驰看 AGI 领域的投资，并不仅仅是从 AI 单方面去看的。2022 年底，我们有一个判断：AI+3D 交互+Robotics，叠加底层的 Web3 技术，三浪叠加掀起生产力革命。这个是蓝驰看 AGI 的底层逻辑。
之前的互联网是二维的，人类处理的都是二维空间的数据；但是从人工智能开始，我们要处理的是三维空间，也就是立体的空间数据。当 AI 能够获取 3D 数据，它进阶的速度会加快。而机器人则是重要的执行终端。
现在可能还是互联网时代的 2000 年以前。从细节行业不同环节的价值来看，这一波的 AI 浪潮下的底层基础设施在未来的占比，可能会比互联网更高一些。互联网时代经常谈长尾效应，我们认为长尾应用的未来份额占比可能会超 50%。每一个小的任务单元，可能都比以往的价值更高。


Q2：蓝驰在 AI 领域的投资策略是什么？
朱天宇：从具体的投资策略上来看，本质上是投优秀的团队。优秀团队选择的方向，是基于他自己的一些很深刻的高维认知，不代表说他当下的切入角度或力度一定是对的，这只是他按照自己的逻辑进行试错的第一步而已。蓝驰有 20 多年的历史，且目前在早期机构中属于资金量比较充足的，选择优秀的头部团队是我们践行的一贯策略。
投资大模型的具体逻辑：
从全球来看，理论上，市场容量可能也就只有一两家。但是考虑到自主性，中国也会有自己的大模型。我们思考的是最后这个赛道上会留下几家？大模型公司的发展很大程度上取决于其人才密度、算力资源、数据资源。其中早期阶段，最核心的还是人才密度，尤其是天才科学家的密度。
投资具身智能的具体逻辑：
一个是我们相信三浪叠加的大趋势。一个是中国的比较优势是在制造业层面。具身智能现在进行到什么阶段，我们还需要观察。但是我们要在早期就想到终局，可能也会想到如何合作联合。但是我们认为，具身智能带来的是不一样的数据，是空间数据。我们认为，OpenAI 投资具身智能公司，很可能也是为了这样的数据。这是兵家必争之地。具身智能当前的投资阶段，最核心的也是人才密度。
投资应用的具体逻辑：
目前蓝驰投资了一些垂直方向，涵盖法律、教育、招聘、娱乐、销售等。实际的投资逻辑，一部分是找到那些有可能形成自己数据壁垒的场景，有助于形成数据飞轮。一部分也是因为看中了非常 AI-Native 的年轻团队。整体来说，还处于探索阶段。
看应用的话，目前蓝驰主要是看三个要点。首先，data  rich 的场景，主要是要有上下文，且有足够多没有被数字化的场景的数据。其次，要一边赚钱、一边赚数据、一边赚知识，形成数据飞轮。三是要有降低成本的能力，比如要搭配不同的模型，甚至有自己训练的一些模型，80% 的请求通过自己的模型完成，借助 PMF 形成的数据飞轮，激发收入，并形成新的数据壁垒。
目前来看，能做出这样产品的「六边形战士」主要是是两类：一是之前真正从 0 到 1 做过产品，对数据、场景有理解的创业者；一类是年轻的 AI-Native 的创业者，可能还在大学前后，但是每天都在使用 AI，甚至可能已经在 AI 工具上实现了 1 万小时积累。


Q3：去年为什么没有大量的创业公司拿到融资？
朱天宇：美国投融资市场也很卷，VC 支撑美国这个市场已经走了五六十年，只有最厉害的创始人，才能拿到最头部机构的钱，才能拿到最多的钱。中国 VC 已经经过了 20 年的发展，也见多识广了。AGI 由于对算力、资源、资本要求高，必然呈现出高度竞争的状态。中国去年是百模大战，但后面可能也会合纵连横，未来也会有合并整合了。
对创业者来说，要么就专心做模型，要么专心做场景。基础模型日新月异，但做场景必须也要深刻认知到模型的能力和变化。


Q4：最近在思考的 AI 相关的问题是什么？
朱天宇：Sam Altman 说未来的创业公司也许是 1 个人就能做出独角兽公司。我们也在思考，什么样的人、什么样的场景能有 10 亿美元这样的杠杆率。
最近 Sora 发布，我也发了自己的思考问题：智能沿着数据生长，还是数据沿着智能生长？增量新数据和存量旧数据的特征分别是什么？新数据产生的场景怎么排序？


Q5：未来的超级应用可能是什么？
朱天宇：世界是多模态的，当前的大模型都是在消耗人类以往已经被数字化的知识，这些数据基本都是 2D 的。从空间角度来讲，人类现在生活空间可能还有 95% 的空间没有被数字化。所以当这些东西被数字化之后，可能带来什么样的应用啊？也许应该从这样的角度去思考未来的超级应用。


Q6：最近经常问创业者的问题是什么？
朱天宇：PMF 探索过程当中得到的收获是什么？
如何数据闭环，数据的壁垒在哪里？
如何降低成本，目前降低成本卡在哪里？


Q7：这一代 AGI 创投与上一代 AI 有什么不同？
朱天宇：在人工智能中，最值得期待的就是 NLP 的突破——NLP 是认知的入口，是基于语言文字的积累，能够调动的存量知识足够多，且跟人的交互更频繁、更接近行业应用。一旦 NLP 完成了突破，人类就可能「勾」到更高级的数据场景，训练出更高级的 AI。大语言模型的出现就是这样的突破。
上一代的信息革命、互联网，其实还是在传输信息，而这一代的 AI 是创造信息——例如 GPT——是在生成；之前的很多商业模式都是基于连接的，而接下来的商业模式是基于创造，所以就有一定的价值分配问题。之前的人机协作更像 SaaS 服务，但是接下来的人机协作很可能是机器会介入到人类的的思考和生产流程中，是有来有往的，不再只是外挂、辅助式的。

03 
九合创投 王啸

九合已投 AGI 相关项目: CreativeFitting（井英科技）、行者 AI、心影随形等
九合在管资金规模：数十亿人民币

核心观点：
1. 大数据配合大模型才能解决一些更深度、更难的问题。
2. 会倾向于投资用大模型相关技术能力去做一些更贴近用户和客户需求的解决方案。
3. 技术公司的回报周期往往超出了一支基金的存续期，希望未来的生态匹配更健康。

Q1：AGI、LLM 的出现，对自己的基金产生了一些什么样的影响？
王啸：九合自 2015 年开始关注 AI 赛道，从 AI 的底层到应用层都有布局。当时市场以大数据、小模型为主，但我们认为还不能解决很多问题，大数据配合大模型才能解决一些更深度、更难的问题。
2022 年，随着 ChatGPT 的出现，我们对于通用人工智能的实现可能性有了更乐观的看法，感觉它已经在时间表上了。尽管我们对通用人工智能的定义可能有所不同，但我们认为包括 GPT 在内的一些算法已经具备了通用智能的特性。
这意味着人工智能已经从 1.0 升级到了 2.0，这是一个显著的代际差别。过去，我们主要依赖图像识别技术的成熟和准确率的提升，从而实现了从人脸识别到自动驾驶，再到医疗照片识别等一系列应用场景的拓展。然而，现在的大模型技术不仅局限于单一的任务，具有泛化能力，将催生更多场景中更具价值的应用的诞生，其影响的场景规模和数量将更为庞大，且持续时间可能更长。互联网已经影响了我们二十多年，智能手机也已经存在了十几年，大模型的影响周期可能会更加深远。


Q2：2024 年，在 AI 投资方向的具体策略是什么？
王啸：在投资策略上，我们主要关注大模型作为一种基础能力，如何与应用场景相结合，解决用户和客户的需求。我们会倾向于投资用大模型相关技术能力去做一些更贴近用户和客户需求的解决方案。
目前，我们不太可能直接投资大模型，因为我们认为这是非常重的竞争，需要很强的资源，不一定是创业公司的机会。相反，九合的基金更适合于投资那些利用大模型技术的中间件和 ToB/ToC 应用。


Q3：2023 年，有哪些关于 AI 的投资策略的思考是被证实了，哪些被证伪了？
王啸：在此之前，我们就很看好大模型在多模态上的应用，并认为这是一个有机会的方向。在去年和前年看过一些多模态的创业公司，当时觉得他们的技术方案没有形成突破，结果上还不理想，比如不能生成完美的视频，另外觉得图像生成可能不能单独成为一个公司的主营业务。
这些现在倒回来看都已经被证实。现在我们比较关注大模型真正的落地应用场景和应用方向在哪里，比如九合投资了 CreativeFitting（井英科技）、行者 AI 等，都是聚焦在细分的场景中。我们最近也在思考 AI 在教育、医疗、法律等方向的应用。但我们觉得新一代的公司需要解决上一代技术公司要解决的问题。


Q4：现在有一些什么样的新的思考？
王啸：上一波的 AI 里，只有投资了少数几个场景、且在早期投资的投资机构获得了回报。前者是因为上一波 AI 具有的泛化能力有限，只能解决单一问题；后者是因为大量的创业公司天花板没有那么高，长期发展上蓄力不足。大模型时代，可能做大的场景会变多。
创新是需要资本去鼓励的。以前中国的互联网创新很多是靠美元基金支撑的。现在，中国的科技创新也需要更多包容性的资本去支持和培育。
但当前基金整体的问题可能是，技术公司的回报周期往往超出了一支基金的存续期。九合的基金在人民币中属于比较长期的，是十年期，很可能未来的技术回报需要更长的时间，希望以后这个生态更匹配更健康。

04
绿洲资本 张津剑

绿洲已投 AGI 相关项目: MiniMax，无问芯穹、Boson.ai、逐际动力等
绿洲在管资金规模：超 5 亿美元

核心观点：
1. 数字化机会——利用科技手段更好地服务甚至替代这些专业服务。
2. 非常看好 Agent 领域，所有的软件都会因其被重塑。
3. AI 与中国供应链的深度结合也是一个重要方向。

Q1：AGI、LLM 的出现，对自己的基金或者自己产生了一些什么样的影响？
张津剑：去年 AI 热潮兴起后，绿洲资本在 AI 领域的投资非常积极。
这主要源于绿洲资本对中国数智化升级这一主题的理解和探索。
中国当前面临的一个巨大机会——过去 20 年高速增长带来的巨大需求与专业人才不足之间的矛盾。
这种专业人才不足的现象在各行各业都显而易见，如记者、教师、心理医生、律师等。中国缺乏真正意义上的大规模优秀人才，而专业人才的培养需要时间。
这种巨大的差距正是绿洲资本看到的数字化机会——利用科技手段更好地服务甚至替代这些专业服务。
但过去无论是通过软件还是硬件去解决这些问题，往往依赖于特定场景的规则一一映射，只能在特定场景下发挥作用，不具有泛化能力。
直到 2022 年，看到了 Stable Diffusion 开源，我们意识到有可能找到了一个突破特定场景限制的方法。这是绿洲资本看到的最大机会。
另一个绿洲在这波 AI 创投浪潮积极投入的原因是，我们认为，科技的发展不是线性的，当一个重要的科技分支取得进展，其他很多科技树、技能往往也可以点亮，并产生出难以想象的融合价值。
ChatGPT 的出现让我们意识到代表着以 Transformer 为底层结构的一种新的思考问题的方式得到了证明。
因此，从去年开始，我就跟团队说，要关注两件事情。第一是整个通用大模型本身的发展所带来的未来机会，尤其是对专业服务的重塑。第二是AI 与其他技术的融合所带来的机会，PC 电脑和互联网的融合诞生了互联网时代，Transformer 模型与其他技术的融合也将带来新的机会。


Q2：2023 年，有哪些关于AI的思考是被证实了，哪些被证伪了？
张津剑：去年绿洲资本在投资策略上确实经历了许多变化，有些策略被证实是有效的，有些则被证伪。
首先，绿洲资本尝试投资了一些 AIGC 相关的项目，包括文生图、文生 3D 等，但是最终决定不投资文生视频领域。思考的逻辑是，我们没有看到该领域的护城河和最大价值所在。如果事情足够简单，那么生成图片或文字的公司可能顺带就做了；如果事情极度复杂，这可能是大厂的机会，因为对算力、人才、资金等的要求会更高。目前来看，这个决定暂时是正确的，最近 Sora 带来的震撼确实很大。
其次，绿洲资本一直以来都非常看好 Agent 领域，所有的软件都会因其被重塑。2023 年一年这个观点还没有得到证实，主要原因是业界还没有找到爆发性的应用场景。
我们认为现在还没有到临界线，还需要继续寻找爆发点。
绿洲资本依然对这个领域持乐观态度，认为它是今年的一个重点方向。
此外，绿洲资本在人形机器人领域也进行了很多研究和投资。虽然大家都说人形机器人与 AI 的结合是未来的趋势，但目前来看，这个结合点还不够紧密。这可能是因为机器人本身的反馈系统和传感器的精度与 AI 的结合还存在一些差距。


Q3：2024 年，你自己对 AI 思考最多的几个问题是什么？
张津剑：AI 的巨大突破、人形机器人的出现、AR/VR 的新接入设备、区块链技术的日渐成熟以及元宇宙时代的到来都为绿洲资本带来了巨大的机会。绿洲资本更多地思考这场社会变革而不仅仅是关注技术本身。
如果说工业革命是让人类被迫从体力劳动升级为了脑力劳动，这次的技术革命，很可能的结果是所有靠所谓的知识的创造价值的工作都会被 AI 干掉，人类被迫进一步的升级到「心力劳动」，去创造更大的价值。
我最近在想的就是未来的核心资源要素是什么。今天有人说是算力和能源，我认为这个思考是站在过去和现在去思考未来的，但是未来可能不是这个样子。比如过去 20 年，你只要参与了中国的这个城镇化建设，都会享受到社会的红利。典型的行为是机构开发房地产、散户买房。
那接下来 20 年的AI技术革命浪潮中，Agent 可能成为最要的交互载体。那什么是 Agent 的土地？Agent 跟 Agent 之间的长期关系是什么？如何估值甚至评估一个 Agent ? 这些问题将决定人们在 AI 时代的命运和未来。


Q4：2024 年，基金的主要投资方向有哪些？
张津剑：今年会有越来越多的人开始关注机器人本身。随着像 Sora 这样的技术的出现，行业意识到模型层的差距，也会开始寻找中国在大模型时代的策略与优势。
此外，我认为 AI 与中国供应链的深度结合也是一个重要方向。无论是 AI 手机还是未来的智能硬件，都将发生改变。比如，如果 AI 能够理解并处理更多的复杂交互，比如通过语音或其他方式接收并处理你的需求，人类的生活方式将发生更大的变化。当然，这可能也会涉及到大规模的网络通信和计算、隐私保护、设备间的信息互通等问题。
这些都可能引发 IT 技术结构的变化。这种变化将涉及到云、边、端、网络底层的基础设施以及上层支持的 Agent 的重塑。


Q5：如何判断一个好的 AI 公司创始人？
张津剑：绿洲一直坚信「创业者的生命力本身」，即创业者与生俱来的韧性和不断自我突破的能力。
进入新的世界需要的是勇士，最重要是他们能否实事求是地自我成长和突破，能否成熟地面对各种变化的环境，在变化中如何最大化利用外部资源，快速做出正确决策。
比如，出海和全球化并不是一件遥不可及的事情，这很可能如同当年乡镇企业进军全国市场。一旦突破了思想上的束缚，中国创业者就能够更好地参与国际竞争并在全球市场中脱颖而出。
一个好的创业者应该是一个被激活的状态。无论是国内还是国外，这一轮人工智能科技浪潮非常多优秀的人才都是 85 后，甚至 90 后。这是一个属于他们的时代，一个充满生命力和希望的时代。
2023 年，绿洲投资了很多第一轮的项目，这些项目在投资时并没有 PMF。我们认为，PMF 是一个后验的概念，更重要的是人在对的方向上的理解。因此，绿洲资本更看重的是人，一个有生命力的人。

05
BV百度风投 温永腾

BV已投 AGI 相关项目: 生数科技、Morph Studio、西湖心辰、智元机器人等
BV在管资金规模：超 7 亿美元

核心观点：
1. AIGC 时代可能能构建一个基于用户即时现实需求提供即时反馈的生成式推荐系统。
2. 视频模态在所有模态中具有最高的商业化天花板，且应用场景极为广泛。
3. 中国有望成为全球最大的生成式 AI 消费级应用市场。

Q1：BV百度风投在 AI 领域的投资策略是什么？
温永腾：BV百度风投从 2021 年开始探索基于 GAN 技术的 AI 生成技术和产品，当时我们就将其称为 AIGC。尽管那个时候的技术还不够成熟，但仍然让我们看到了生成式 AI 的巨大潜力。


我们的初衷并非仅仅追求生成能力，而是希望构建一个基于用户即时现实需求提供即时反馈的生成式推荐系统。这样的推荐系统需要强大的生成能力作为支撑，一旦实现，将对互联网应用和平台的格局产生深远影响。


2023 年，大语言模型的发展，尤其是 ChatGPT 的发布使我们离这一愿景更近了一步。


我们的策略是希望可以领先市场一年左右的时间投出好的团队和产品，之前 BV百度风投主要关注多模态领域，并在 23 年初投资了生数科技和 Morph Studio，这两家都是当前比较早进行多模态模型研发的团队，已经进行了不少相关的技术和产品储备。
BV百度风投之所以如此重视多模态，主要有两个原因。


首先，从模型本身的角度来看，多模态数据和能力是实现 AGI 的必要条件。人的思考和学习过程并非单一文本模态所能涵盖，因此，要实现 AGI 多模态是必由之路。
其次，从应用的角度来看，多模态更符合用户的交互习惯。我们不能期望用户仅限于单一的文本模式交互。相反，视频、3D 等多种模态不仅更贴合用户的使用偏好，而且能够吸引用户投入更多的时间。这种多样化的交互模式，不仅丰富了用户体验，也为应用开发者提供了更广阔的创新空间。


Q2：Sora 发布，基础模型的竞争进入多模态新阶段，创业公司还有机会么？
温永腾：Sora 发布，对中国创业公司正产生影响。
外界一种声音认为 OpenAI 会压制创业公司的生存，特别是在视频领域的多模态公司。但我认为这种想法是有偏颇的，忽略了几个关键的因素：
首先，Sora 的成功证明了 ViT、DiT 路线的价值，就像当年的 Transformer 技术一样。尽管 Vit/DiT 的技术路线并非 OpenAI 最早提出，但其成功验证了这一方向的有效性。对于中国的公司而言，这既是一个挑战也是一个机遇。它说明，接下来的关键不仅仅在于探索方向，而更在于中国公司的技术执行力和产品执行力。中国市场对本土化的模型也有迫切的需求，预示着接下来将会出现类似于当年 LLM 一样的基础模型激烈竞争。这不再仅仅是跨模态模型的竞争，而是更广泛的多模态基础模型的竞争。
当下，大部分的 LLM 创业公司都需要重新思考自己的战略：是否要跟进多模态的进展。因为资源有限，且之前的人才布局和研发重点大部分都不在多模态领域，因此这也是一个相对慎重的战略决定。多模态模型的研发需要庞大的算力、人才以及其他资源支持，想要在这一领域脱颖而出，创业公司需要解决几个关键问题。
首先，团队当前最核心的因素。在多模态研究领域，真正具备多模态实力的团队仍然相对稀缺。接下来的竞争焦点之一将是如何吸引和获取这些优秀团队。尽管 OpenAI 指明了方向，但技术的具体研发落地仍然充满未知和挑战，需要有经验的团队来深入探索和解决，BV百度风投参与投资的生数科技和 Morph Studio 都在这个领域有很深积累。
其次，资本投入也是一个重要的考量因素。在多模态模型的研发过程中，资本将起到关键作用。投资者在考虑投资时，会关注团队的稀缺性和在该领域的积累。
我们不太认可市场上关于「做出 Sora」需要的巨量资金体量的悲观判断。有些声音认为国内公司可能无法跟进如此庞大的资源消耗。一方面我们不能静态地看待这个问题，随着技术的不断进步和算力成本的下降，未来国内公司完全有能力跟进并做出自己的贡献。
另一方面，我们也需要考虑到多模态模型特别是视频模态模型的商业化前景。我们认为，视频模态在所有模态中具有最高的商业化天花板，且应用场景极为广泛。无论是商业视频还是娱乐视频，都存在着巨大的市场需求。因此，随着多模态技术的不断发展，将解锁更多新的应用场景和商业机会。
对于创业公司来说，2023 年开始的第一波投资只是开始，2024 年的第二波投资竞争将更加残酷，需要看这些团队能否真正将类似 Sora 和原型和其商用产品做出来。


Q3：AGI 创投的未来的引爆点可能是什么？
温永腾：应用层的机会与空间依然很大。


理论上，就像移动互联网时代，一个成熟的产业的生态格局中，应用层的收入会占大头。2023 年，尽管 AGI 相关行业在算力层面的收入达到百亿美元体量，应用层在整体收入也达到了数十亿美元的体量。虽然两者在收入上还存在着一个数量级的差距，但是海外 AI 产品的商业化能力依旧超出了预期，这种情况在中国也一定会发生。


中国应用层的创投层面的爆发还需要一两个契机。比如，有创业公司能够做到 1000 万以上的 MAU 或者订阅收入达到 1 亿元人民币，投资人对行业的看法将会发生比较大的改观。


在应用层，BV百度风投特别看好消费级应用成为这样的「引爆点」。尽管之前有很多同行认为生成式 AI 消费级应用领域门槛不高，差异化不明显。但我们依旧对依旧在美国验证的产品形态结合国内优秀产品技术团队的落地能力的组合抱有很高的信心。


在这个阶段，投资的主要依据是团队。核心看创业者如何理解技术的边界和如何做一个满足用户需求的产品。


我们认为，AI 产品获得用户信任的关键在于提供以前无法实现的服务或比现有方案好十倍的解决方案，需要创新而不仅仅是在现有产品上添加功能。


创业者应该勇于尝试错误、开发产品，并考虑产品-市场契合度（PMF）。应用层的投资逻辑与模型层不同，如果无法实现 PMF，公司可能难以持续融资。对于消费级应用，关键指标是用户增长和留存；对于企业级应用，则是 ARR 和付费留存。我们希望看到创业者勇于尝试、反复迭代，而不是只停留在逻辑推导上。我们观察到，海外知名应用，如 Perplexity AI 等发版迭代周期也很短。未来的「张一鸣们」现在做的事情可能还很小，还不那么性感，但如果足够 AI 原生，就应该坚定选择这样的方向先去试错。


在考虑创业和投资时，必须认识到中美市场的本质差异。现在美国是全球生成式 AI 最大的企业级应用市场，但中国有望成为全球最大的生成式 AI 消费级应用市场。中国拥有世界级的工程师和产品经理，这为国内应用的发展以及中国团队在全球市场的表现提供了坚实的基础。因此，不管是针对国内市场的发展，还是中国团队打造面向全球的应用，我对此都持有强烈的信心。

06
线性资本 白则人

线性已投 AGI 相关项目: 心识宇宙、TIAMAT、Encred、灵宇宙、幂律智能等
线性在管资金规模：20 亿美元

核心观点：
1. 更倾向于投资 AI 相关的应用，即 useful agent。
2. AGI 带来生产力变革、交互形式创新。
3. 投AI原生应用时，创业团队自身必须是 AI 的践行者。

Q1：2024 年，AI 在基金投资策略里的定位是什么？
白则人：线性自成立之初就一直专注在数据智能及科技深度赋能产业的投资方向。
当前，我们重点关注有重大技术突破、及这些技术突破在丰富应用场景中落地的项目。方向上，主要体现在投资新能源、新材料、生物科技、机器人先进制造以及 AI 等领域。


Q2：2024 年，基金大概会有多少量级的基金投向 AI？
白则人：AI 在我们的整个投资策略中占据重要地位。
以 2023 年为例，AI 方向的投资项目在总体项目投资数量中占比超过 20%，今年会继续增加。按照我们的在投基金体量测算，今年投向 AI 方向的资金大约会有大几千万美元。
去年上半年，我们曾考虑投资一家大模型公司，但最终没有实现。其原因体现着我们对投资策略的思考变化。现在，我们更倾向于投资AI相关的应用，内部称之为 useful agent，意为解决实际的商业问题。接下来将围绕这个方向进行投资。


Q3：2024 年基金在 AI 投资方向的具体策略是什么？
白则人：我们认为，2024 年 AI 发展已进入第二阶段。
此前第一阶段里，行业更多关注模型本身基础能力的提升。当前，我们认为会有更多可以落地在垂直场景的 AI 应用成长、成熟。
原因在于：
第一，虽然模型能力仍然在不断提升，但其基础能力已经展现了相当的泛化性，能够在通用的内容生成场景上达到不错的效果；其次，整个 AI 开源生态的繁荣使得应用层的公司能够以更低门槛和更高的效率使用最强大的 AI 能力；最后，我们也看到，在摩尔定律与模型调优的双重作用下，推理（inference）成本不断降低，为 AI 大规模应用商业化提供了可能。
接下来行业面临的问题是，AI在更垂直领域、更长流程、更复杂的场景下如何落地，如法律、医疗、教育、金融等等领域。这里需要解决如何有效地获取领域数据，如何做模型调优使结果更精确可控、如何更好地融入用户的 workflow 等问题。我们非常期待见到既懂模型又有行业 know-how 的创业团队。
在 AI 的具体投资方向上，我们今年原则上采取不设限的投资策略。原因在于，我们相信这一次 AI 浪潮带来的首先是生产力的变革、其次是新的交互形式，这两点的变化理论上可以在相当广泛的领域中产生强烈的化学反应。所以，所谓不设限首先是投资方向上不设限，无论是模型层、Infra 层、中间件、工具还是应用层我们都会关注。虽然我们会投更多的应用项目但同时我们也会跟上最前沿的模型发展以帮助我们更好地判断应用投资项目。
第二，无软硬件限制区分。我们看好 AI 与硬件的结合，不论是能对物理世界有更强感知与交互的机器人还是新的消费硬件机会。去年我们在这两个方向上都已经投资了相关的公司。
第三，面向受众 ToB 和 ToC 不设限。过去线性的投资项目以 ToB 为主，但去年我们看到了很多有趣并有商业价值的面向 C 端的产品想法。所以今年我们会走出自己的舒适区，积极拥抱这个领域的变化，这也是做投资令人兴奋的体验。
从去年下半年开始，我们也更关注那些应用方向上，积极在早期就考虑发展全球市场的国内或者海外华人创业者们。


Q4：2023 年，有哪些关于 AI 的投资策略的思考是被证实了，哪些被证伪了？
白则人：我们当时预测技术发展速度会很快，但实际完全超出预期。去年此时，我们判断开源生态追上 GPT-3.5 大概需要两年时间，多模态的基础模型出现可能要更久。但现在看来，速度比我们想象的要快得多。
第二，AI 的应用要建立模型能力之外的壁垒，如场景闭环，以及如何积累独家有效数据。这是我们去年投资 AI 项目最主线的思考之一。
第三，投 AI 原生应用时，创业团队自身必须是 AI 的践行者，要用 AI 提效。海外去年比较活跃的公司，团队规模都不大，基本是 10 人左右。


Q5：2024 年，你自己对 AI 思考最多的几个问题是什么？
白则人：站在这个时间点上，我比较强烈感受到的是，AGI 行业发展到了「stage two」，第二阶段。大模型可能会渗透到非常多行业，包括机器人、自动驾驶等。基于视觉的 agent 是否有机会出现，更高效地解决现有问题，甚至创造一些新需求，都是值得思考的。
这段时间我个人思考比较多的问题，站在投资的角度，商业上 AI 最先落地的 ToC 和 ToB 的场景和应用究竟会是什么。当 AGI 实现时，它可能不仅是技术问题，更是社会问题。这些问题暂时都还没有答案。


Q6：你预估 2024 年的 AI 投资环境会如何？
白则人：尽管从去年下半年开始整体融资环境有所收紧，但我们预判 2024 年投资 AI 的资金会相对充裕。
第一是在当前宏观环境下，美国降息预期会使股权投资资金更充裕；同时国内还有不少基金尚未投资大模型公司，这部分资金很可能会被用于继续投资 AI。
全球市场尤其是美国市场已经大量投资在 AI，只不过集中在确定性比较强的方向，如算力。但长期来看，当算力等基础设施发展成熟后，它一定会为一个更繁荣的 AI 应用市场提供服务。
去年 AI 相关的投资看起来比较冷，原因在于，上半年大家都在投大模型，绝大部分的资金都投到了大模型上，留给应用的机会不太多。另一方面，AI 的发展太快了，很多做应用的创业公司被模型能力冲击、碾压。尤其是去年 OpenAI DevDay 之后，很多简单包装 LLM 的应用以及给模型「打补丁」的浅层中间件公司相当于浪费了半年的时间。因此，大家也在摸索模型的边界到底在哪里。
我们不太担心创业的数量会少。尽管去年下半年整体市场没有投出什么项目，但我们接触的项目数量并没有减少。闭源模型的能力提升带动开源社区的繁荣，最聪明的一群人正在思考应该在哪个方向落地。


Q7：2024 年，AI 早期创业者可能面临哪些创业问题？
白则人：今天的 AI 创业者需要更早思考商业模型，要在创业第一天就具备赚钱的能力。一方面 AI 的建立门槛被大幅拉低，今天 AI 创业绝大多数情况下少了一个成本项，也就是不需要再走一遍「传统 AI」的研发投入过程；另一方面赚钱的背后是降低试错成本，今天 AI 变化太快了，在你能够在看到正确且大的市场方向前活下来，过程中同步打磨产品能力，提高整体开发效率，建立独有的数据壁垒，那就再好不过了。这其实对创业的要求更高了，但底层逻辑是尊重商业本质——创造价值，这一点永远不变。

07
Atom Capital 杨孟彤

已投 AGI 相关项目: HydroX AI、澜码科技等

核心观点：
1. 重点关注多模态、开源及其带来的机会、Agent 平台。
2. 这一轮AI是颠覆性的技术变革，创业者需要 think out of box。
3. 大模型能力是 Moving Target，要对场景和技术足够敏锐。

Q1：2024 年，在 AI 投资方向的具体策略是什么？
Melissa：关于我们当前关注的重点，分为三个主要方向：多模态、开源及其带来的机会、Agent 平台。
首先，多模态。
视频本身引入了时间的维度，这使得它能够更好地表达因果逻辑，提高对物理世界的认知。视频包含了大量的信息，用户与大模型之间的交流带宽得到了大幅提升。这种交互带宽的提升将有望催生出许多新的应用。
举一个简单的例子，以前难以用语言描述的信息，比如工程图等，现在可以通过视频输入到大模型中。这将使得许多以前难以处理的任务变得可能，并有望带来一系列应用的爆发式增长。
其次，我们关注开源及其带来的机会。
当前，许多大模型都采用了 MoE 架构，包括 Sora 和 Gemini 1.5 Pro 等。与传统的作为一个庞大的神经网络运行的 Transformer 不同，MoE 模型由众多小型的「专家」神经网络组成，结果是大幅优化了推理效率和成本。
我们认为 MoE 架构的普及有可能会打破目前大模型领域闭源与开源的格局，让开源大模型迎来新的发展机遇——MoE 的每个专家模型都很小，开源社区完全可以「拼齐」这些模块；或基于开源的 MoE 大模型，针对一两个专家模型做对应的优化，从而提升其在某个专业领域的能力。这大幅降低了开源模型在算力、数据、资本等资源上的劣势对其发展的影响。
此外，我们还将持续关注 Agent 平台及其应用领域的发展。Agent 平台也是实现多模态应用的重要载体之一。


Q2：2023 年，有哪些关于 AI 的投资策略的思考是被证实了，哪些被证伪了？
Melissa：我们的投资策略是专注于我们能够理解并为其创造价值的领域。
在基金成立之初，我们就已经明确了我们不投资大模型。这并不是因为大模型没有价值，相反，它在产业链中的价值是非常清晰的, 但并不是初创公司的模式，它需要庞大的资金支持，不是我们这类新基金的优势。
我们只投资我们自己能够看明白有判断的领域。回顾过去一年，我们有几个重要判断目前看是被证实的。
一个是大模型带来了产业的水平分工。大模型作为底层基础设施，其上衍生出 infra、Agent 平台、终端应用等几个层面，每一层都对应着一些创业机会。
第二个是 Agent 的巨大发展潜力。在去年 2、3 月，我们就看到了随着 LLM 的发展，Agent 在未来可能成为一个巨大的产业，并在早期就做了投资布局。
有些领域我们还在观察和思考中，比如开源和闭源的问题。
有些领域我们之前选择性地没有投资，是因为我们觉得看不清楚。比如 AIGC 领域中的文生图、文生视频等方向。我们看了很多项目，觉得同质化非常严重，没有想明白这个领域的壁垒是什么。
最近 Sora 出现之后，大模型有了物理模型基础，对物理世界有了一定的认知，这提供了可以持续发展的技术基础。接下来我们会重点关注多模态领域。


Q3：2024 年，你自己对 AI 思考最多的几个问题是什么？
Melissa：一直以来，我思考最多的问题就是AI 的上限和边界到底在哪里。这个问题对于创业者来说至关重要，因为它决定了赛道的方向和机会。我也关心 AI 技术能够赋能哪些应用场景，并从中寻找投资机会。
此外，是开源和闭源的市场格局。比如 MoE 给开源带来的机会，让这个格局还存在很大的变数。


Q4：2024 年，AI 早期创业者可能面临哪些创业问题？
Melissa：我们接触了很多中美 AI 创业者，注意到一个普遍的问题。很多创业者对用 AI 要解决什么样的问题、落地场景其实理解得不够深入。大家都是技术强，很多人都选择做 framework，没有找到尖锐的切入点，使得产品趋于同质化。
其次，一些资深的 AI 创业者，在这轮创业时只是在他们之前的技术上叠加了些新技术（比如自然语言界面），并没有真正发挥新技术最大的能力。这可能与沉没成本、路径依赖有关。因为这一轮是颠覆性的改变，创业者需要 think out of box，用新的眼光来发现机会解决问题。
此外，我觉得有些创业公司内部对 AI 的使用不够。在这一轮技术变革下，内部用 AI 来创新和提升效率的公司，竞争优势会越来越显示出来。


Q5：你感受到两地的 AI 的创业、AI 的投资有什么差异？
Melissa：首先，从产业生态的角度来看，美国的水平分工更加成熟。很多小公司专注于某个领域或某个点，在美国就可以活得很好。在中国大厂倾向于上下游通吃。
其次，中美投资机构对项目的偏好存在差异。如果一个项目只是在某个点上做得很好，美国投资人可能会更多地从投入产出比的角度来考虑投资。然而，在中国，投资人会觉得这样的项目规模太小。这可能主要是中美在退出路径上存在差异，中国没有成熟的并购文化。
第三点，中美对于早期创业的支持程度也有差异。在硅谷，早期投资机构对创业的支持更加全面，包括资金、导师指导、客户资源等。然而，在中国，早期创业的支持相对较少。这也是 Atom 想做到的地方。
另外，关于中美在 AI 上的投资节奏，其实 2023 年中开始，美国 AI 投资也趋于理性，这与技术的发展阶段是相关的。技术的发展是非线性的。当一个新的技术横空出世时，如 ChatGPT 的出现，它会掀起一波投资浪潮。然而，随着时间的推移，投资者会发现技术的落地存在局限性，投资就会趋于理性。
从长期来看，AI 仍然是一个大事。只要投资者能看到 AI 赋能越来越多的场景，他们就会继续投资。比如，在美国，世界 500 强在 AI 领域的投入是确定的，去年夏天他们就为这一轮 AI 技术预留了很多预算。


Q6：Atom Capital 出手并不多，主要的顾虑还是有哪些？
Melissa：我们去年投资的案子并不多，在中国和硅谷一共投了三个项目，包括 2B 和 2C 的 Agent 以及大模型安全。最近正在 close 一个新的项目。
对于 AI 领域，我们认为当前还处于非常早期的阶段，我们的投资节奏是跟随技术的落地和产生的实际价值来的。之前技术的成熟程度距离实际应用和落地还有很大的空间。我们认为今年落地方面会有更大的进展。


Q7：LLM 出现，对自己的基金产生了一些什么样的影响？
Melissa：LLM 的出现直接促成了这支基金的诞生。
2022 年年底，ChatGPT 的发布引起了我的极大关注。我认为这是一个颠覆性的技术，将对产业产生长期影响。基于这个判断，我决定创办一支专注于新一代 AI 投资的基金，即 Atom Capital，在中美两国都有投资。
我的初衷是希望利用我的创业和技术背景、跨境经验和资源优势（清华+微软），能够提供更前瞻性的视角，给早期创业者带来些真正的帮助。
我们定位自己为研究型基金，自成立以来，我们在投资之外也做了大量的行业研究，并通过基金公众号进行了输出。做这些研究的核心目的是希望找到 AI 技术带来的长期价值机会。
这需要考虑两个因素：一是 AI 技术本身的成熟度；二是 AI 技术是否能落地到产业中产生实际价值。AI 技术发展是有脉络的，我们想通过深入研究，抓住并预测它的发展方向和节奏。
现在行业处于早期快速发展阶段，新技术新应用层出不穷，在这个 Moving Target 的过程里面，很多原来看起来是机会的方向，很快就会被淹没，所以一定要对技术迭代、行业最前沿足够敏锐，才能够挖掘到真正有价值的机会。
AI 技术的发展需要资本的推动来加速落地，而这需要创投圈的共识。因此，在这波 AI 浪潮中，要靠创业者、投资人和用户高度互动、互相塑造，从而建立一定的共识。
作为研究型基金，我们希望参与并贡献到这个共识形成的过程，找到符合共识的创业项目，实现资本和资源的效率最大化。