商业洞察

商业洞察

Aug 30, 2026

智能是原语。应用是扩散层。

原文：Intelligence is the Primitive. Applications are the Diffusion Layer. 作者：Anish Acharya, GP @ a16z 来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses 今天我们试一件新事。我们分享一份幻灯片：《Intelligence is the Primitive. Applications are the Diffusion Layer》，作者 Anish A，最初是为更小的受众准备的。a16z 内部会做出很多很好的东西，只要条件允许，我们期待以后在这里更定期地分享。——Danco 智能是原语（Primitive）。应用是扩散层（Diffusion Layer）。 总览：整体局面是什么？ AGI 是两个问题：能力（Capability）与经济影响（Economic Impact） 一个系统可以先跨过惊人的能力阈值，社会才体会到类似 AGI 的后果；验证（verification）与扩散（diffusion）坐在两者之间。 能力： 模型能不能完成这项任务？（数学、综合，以及其他有界任务） 验证： 我们能不能判断它做成了？（代码与数学容易验证；战略、监管、文化与资本中稀缺） 扩散： 组织能不能吸收它？ 能力随版本发布到来；影响通过部署到来。 如果它并不是泡沫呢？ 还不够多的人，在情感上为「如果它不是泡沫」做好了准备。 NVIDIA 估值： 远期市盈率（forward […]

阅读全文

商业洞察

Aug 30, 2026

自动驾驶汽车作为自主化的风向标

原文：AVs as a Bellwether for Autonomy 作者：Jamie Tomalin, VC @ Triple Point 来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses 从围绕汽车产业的 2 万亿美元服务栈如何被自动驾驶重建，我们能学到什么？ 眼下伦敦到处都是 Waymo 的 Jaguar，一眼就能认出来：别扭的 lidar 帽子，方向盘后面照例坐着一位愁眉苦脸的安全员，堵在车流里。Wayve 也在外面跑，Baidu 在外围转悠（至少目前是？），而挡在它们和下一条 Instagram story 之间的主要障碍，似乎是 TFL 的官僚体系（震惊）。在别处，未来已经全面运转：北京、首尔、迪拜、Phoenix、Austin、San Francisco 等等。Waymo 已经达到每周 50 万单！ Waymo 的 lidar + 高清地图正统，会不会打败 Wayve 的端到端视觉押注，是个好问题，但我对此毫无 alpha。作为早期投资人，我现在更关心的是：汽车产业向自主化的转型，能教给我们什么——关于每一个即将被自动化的其他产业？汽车，是我们第一次能在规模上观看一场物理 AI 转型发生的地方。 使能技术会创造二阶机会 文章里用 Claude 硬塞一些冷僻历史类比，是我现在的一个 […]

阅读全文

商业洞察

Aug 30, 2026

十大新兴机器人基础设施主题

原文：10 Emerging Robotics Infrastructure Themes 作者：Kahini Shah, Partner @ Obvious 来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses 我们见过人形机器人后空翻，四足机器人玩跑酷，夹爪能轻轻拧上灯泡。随着机器人从原型走向量产，我们一直在问：建造者现在最需要什么，才能加速这一进程？ 我们把答案收敛到十大关键创新领域，分属三个类别：教机器人「做什么」的数据与环境，让它「真正做得到」的硬件与网络，以及把这一切变成可部署系统的软件平台。 数据与仿真（Data & Simulation） 大语言模型（LLM）有互联网上的文本可以学习。机器人没有对等物。伯克利教授 Ken Goldberg 把这称作机器人领域的「十万年数据缺口」（100,000-year data gap）。并不存在一座现成的、规模巨大的物理世界档案，可以拿来训练机器人模型去捡起东西、走过不可预测的地形，或在绊倒后恢复。要弥合这个数据缺口，需要创新： 数据采集平台： 机器人数据可以来自真实世界，也可以来自仿真。真实世界数据包括视频（第一人称/egocentric、第三人称/exocentric 等）、通用操作接口（Universal Manipulation Interface, UMI）、遥操作（teleoperation），以及生产数据。采集多样、高质量的数据很难。用来捕捉数据的物理硬件装置、采集到的数据本身，以及如何标注，都会决定它对训练模型有多大用处。那些提供生产级规模数据集、以及处理这些数据的工具的「镐与铲」（pick-and-shovel）平台，代表着巨大机会。 UMI 采集设备： 通用操作接口（UMI）框架让人类可以用手持夹爪，把操作技能教给机器人。UMI 设备需要足够舒适，好让人能在训练时段一直戴着；同时必须采集足够干净的数据，才能迁移到机器人的硬件上。把这两件事做对，或许能造出机器人界的 Tesla——一套在用户几乎无感的情况下被动训练出来的自主系统。正如 Nvidia 的 Jim Fan 在 Robotics’ End Game YouTube 里所说：「戴着这些 UMI 或数据采集可穿戴设备仍然很笨重，远不像开车去上班那么无缝，所以我们需要一个 FSD 的等价物。」 仿真器： […]

阅读全文

商业洞察

Aug 30, 2026

消费者发现与推荐已经坏掉了

原文：Consumer discovery & recommendations are broken 作者：Adrian Radu, Partner @ Khosla 来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses 如果你最近打开过 Spotify，大概率你会反复听那同样的二十到三十首歌。你上了 YouTube 或 TikTok，最后还是掉进同一个终点区。你大概也试过「发现」，但真正新的东西几乎过不来。没有什么能让你感到意外。一切都平淡无奇。信息流把这叫做个性化（personalization），但它更像一种盘旋等待。 《金融时报》（Financial Times）上有一篇 Jemima Kelly 的好文章，从文化层面把这个论点讲清楚了——2026 年的时尚看起来像 2006 年，电影靠续集运转，2025 年最畅销的艺人二十年前就已经出道。她把这称作「模仿性退化」（mimetic regression）。 我不相信我们失去了品味，但它确实被消费互联网平台优化掉了。而且这种文化停滞感已经持续了十多年。算法信息流把品味压扁成更泛、更同质的东西。界面在奖励一口大小的「抓耳」感，而不是深度。现在想找到真正的灵感，感觉很难。 这台机器从设计上就是模仿性的 掀开引擎盖看，这种同质并非偶然，而是结构性的： 现代推荐系统大多围绕协同信号（collaborative signals，「和你相似的人也喜欢……」），再加上内容嵌入（content embeddings，「这个条目本质上相似」），以及序列模型（sequential models，「你接下来可能想要什么？」）。因此，它们仍然主要针对短期参与度（engagement）做优化——点击、完播、停留时间、会话时长。这个目标函数（objective function）占据了主导。 近期行为信号被赋予很高权重，再叠加参与度最大化，就会形成强大的反馈回路。系统可以（有时也确实会）纳入探索、多样性约束或更长期的信号。但短期参与度指标通常会在 A/B 测试中胜出。 研究文献早就区分了「超越准确率」（beyond-accuracy）的目标（它是否预测了用户会喜欢的东西？亦即新颖性、多样性、意外发现/serendipity），恰恰因为纯粹的准确率/参与度优化会产生同质化（重复的、基于流行度的输出）。 数据是内生的（endogenous）。推荐器在训练时，用的是用户对「更早版本的推荐器选择曝光的内容」的反应。底层品味与被揭示的行为（revealed behavior），到底哪个才是真的？ 飞轮效应：需求侧循环会改写供给侧。创作者被推向即时抓耳，而不是慢慢打磨。歌曲越来越为前八秒而工程化。它们更短了。结构或格式也不再新颖。 此前，规模最大的短视频与信息流推荐人才/机构知识，高度集中在 ByteDance、Meta 和 YouTube 内部。这种集中，再加上在位者的数据与算力护城河，会拖慢替代方法向新消费产品扩散的速度。 发生了什么变化 […]

阅读全文

商业洞察

Aug 26, 2026

减少融资规模，专注于软件构建

是时候再次在种子阶段构建软件了。 致创业者们： 目前，所有的风险投资机构都希望你筹集大量资金，以便在深度科技、硬件或新兴技术领域取得重大突破。他们要求你对相关行业进行垂直整合，并从最基础的原则出发重新设计这些行业，而不受商业落地时间、技术可行性或资金规模的限制。他们宣称自己是出于最纯粹的动机来支持你最疯狂的愿景。当你决心挑战自然法则、投身这场竞争时，他们还会大声为你喝彩。 但作为交换，他们要求你打造出极度依赖其所掌控资本市场的企业。沿着这条道路前行，每一个技术里程碑的达成都会引发生存层面的评判——由那些掌权者给出肯定或否定的评价，而一旦得到肯定，更多的资本就会被注入这些企业，最终在资产管理的重压下化为尘土。 不要这么做。 不妨选择构建资本效率更高的软件企业。 人工智能能够自动完成从问题识别到解决方案制定的整个过程。如今正是构建相关应用、让人们得以运用这一智能技术的最佳时机。 互联网汇集了全球范围内的知识与信息。软件则让人们能够接入互联网，进而带来此前难以想象的经济与社会效益。这套由数据、基础设施以及各类应用构成的体系，让人们能够自由无阻地获取信息，从而极大地拓展了人类的能力。 如今，最优秀的创始人应当构建这样的软件：它能让智能技术流向那些最具杠杆效应、能产生最大影响且最为必要的领域，从而为推动人类在基础科学、医学、能源以及知识经济的其他各个层面实现进一步发展提供支持。 如果你这么做，你就会 通过均衡投入那些已然出现的未来技术，最大化你对世界的影响力。 最大限度地掌控自己的命运，掌握公司的一切所有权 更广泛地推动创新发展（同时重建健康的种子期及预种子期投资生态）。 如果您已准备好以这种方式构建产品，请与我联系。如果您还对软件这一概念持怀疑态度，下文将详细介绍我的想法。 计算方式已经变了 在罗布·海斯投资优步时，我正是 First Round Capital 的首席投资官。那次投资的初衷便是重塑全球交通格局。当时的决策十分简单，却最终演变成了有史以来最成功的种子轮融资之一。据我回忆，我们与瑞安、特拉维斯和加勒特合作，出资 50 万美元获得了 10%的股份；后来在比尔·古利牵头进行 A 轮融资时，我们又追加了 120 万美元的投资。到公司退出时，这些投资带来的回报率达 20 到 30 倍。这一切之所以能够实现，全得益于优步高效利用资本的发展模式。而那种能够带来如此优异回报的公司发展路径，如今已不再常见。 我想从那以后，我们都已经见识过种子轮投资的混乱状况了。那种投资逻辑已经不再合理——人们会为那些需要巨额资金启动、往往在产品尚未开发、也还没产生收入时就已筹集到资金的初创企业投入大量资金。总体而言，我们早已失去了对不同发展阶段的清晰认知。但如果要让人工智能的益处惠及整个社会，那么建立更为传统的种子轮投资机制就显得至关重要，这样才能为更多能够立即带来实际影响的初创企业提供资金支持。 我们必须遏制资本集中趋势以及随之而来的片面评判。我们需要更多创始人去打造更多样化、更具创新性的产品。健康的早期创业生态能够推动人工智能技术普及到更广泛的行业，从而最大化这项技术带来的价值创造。 这种公司构建方式对创始人及早期团队更为有利。那些资金规模较小、专注于帮助初创企业成长的种子投资者，从长远来看最能与创始人保持一致——自该行业诞生以来我们就一直观察到这一现象。由于资金规模较小，这类风险投资机构的财务激励机制以及对公司控制权的看法，都能更紧密地与创始人的需求相契合。 那些资金规模较小、专注于帮助初创企业成长的种子投资者，从长远来看最能与创始人保持一致——自该行业诞生以来，我们一直观察到这一规律。由于资金规模较小，这类风险投资机构的财务激励机制以及对公司控制权的看法，都会更贴近创始人的需求。 在真正重要的时刻，你拥有什么？ 资本效率是确保创始人能够长期持有公司控制权并实现种子轮融资回报的关键。虽然进入门槛很重要，但资本效率或许更为关键，而这正是当前市场存在的问题所在。 较高的启动成本以及更大规模的初始回合融资，有助于降低创始人的股权稀释程度（至少在初期如此），同时让那些具备雄心壮志的技术项目有更大的发展空间。我非常赞同这一点。但我不赞成的是，这些企业往往需要持续不断的资金投入，这最终会给创始人和早期投资者带来沉重的资金负担。 那些在早期就筹集到巨额资金的创始人，从结构上来讲就会受到未来风险投资人的左右。你不得不指望这些人能在很长一段时间内以与你相同的方式看待这个世界（以我的经验来看，这并非大多数风险投资人的优点）。硬件及深度科技领域充满困难，要将相关产品推向市场需要极大的耐心，而在此期间情况也可能会发生变化。一旦风险投资人不认同你所取得的进展价值，或者在你做出了依赖资金的策略性决策之后市场状况发生了变化，你就可能会遭遇不幸。 即便你能在资本市场找到支持者，即便你能打造出出色的公司，也未必能为自己或早期的合作伙伴创造真正的价值。大多数硬件及深度科技企业的高成本、需提前部署的工程师、配套的维护服务、较低的防御能力、微薄的利润空间以及复杂的增长模式，都会成为制约这些企业发展的瓶颈。 如何为技术进步合理定价，是当今面临的一个重大挑战；而这些公司要实现规模扩张，都需要巨额的资金投入。尽管在解决一些全球最棘手的难题方面已经取得了显著的技术进展，但很少有公司的业务架构能够使其在整个发展过程中实现与之相匹配的估值提升。 对处于这种境况的创始人来说最令人难以置信的是：那些资本密集型的高科技企业，竟然能够凭借运营复杂性、技术突破/知识产权以及规模经济和/或范围经济等优势，实现高资本效率与快速的估值提升。不过要达到这样的状态并非易事；在整个市场尚未形成针对这类前沿技术风险更为统一的评估标准之前，投资这类企业的最佳切入点并非种子轮，而是后期轮次。 创始人选择与机会成本 人生只有一次。试想，如果你选择相信那些大型风险投资机构的观点，去创办一家深度科技企业而非软件公司，而你和你的团队也确实完成了了不起的成就，如今这家公司的估值已达到 80 亿美元。你会登上新闻头条，标题也会显得极为亮眼——你正在为对世界有重要意义的创新提供支持。 但对于一家软件应用公司而言，要发展到这种阶段所需的资金极为庞大，同时股权稀释程度也更高——在完成种子轮融资后，股东持股比例可能降至 65%-85%。如果未能在后续有助于企业持续发展的融资轮中获得更多股权或参与投资，即便公司的价值增长了 1000 倍，由于持续的股权稀释，创始人和早期合伙人的实际持股价值也仅约为原来的 20-30 倍而已。 与大象共舞 当前，资本大量涌入基础设施与技术模型研发领域。但真正的机遇在于那些能够利用日益稳定的底层技术来打造应用的产品。就像 Cursor […]

阅读全文

商业洞察

Aug 26, 2026

初创企业面临的“权限差距”机遇

我一直有个问题：这些模型已经足够出色，能够比大多数旅行社更好地规划行程，那么为什么至今还没有哪家人工智能旅游公司颠覆 Booking 或 Expedia 呢？ 部分原因并非技术尚未成熟。我认为答案比这更有趣——也就是说，某些工作流程本身就具有我们从中获得的实用价值，比如浏览酒店、想象旅行场景，这些本身就是体验的一部分。 但更重要的原因在于，即便某个智能体具备相应能力，也并不意味着我们就会授予其权限。虽然人工智能能够利用存储的凭证和信用卡信息在无人监督的情况下为我安排整个假期，但这并不代表我就决定允许它这么做。而关于权限的问题在于——它的变化速度跟不上模型的发展速度，权限的变化是由文化、身份认同以及人类的偏好所决定的。 不同领域的权限差距也各不相同： Press enter or click to view image in full size 示意性标注，而非精确数值 更多牵强/随机的例子： 垃圾邮件过滤：我会毫不犹豫地让人工智能帮我删除垃圾邮件，并为我规划绕开拥堵路线的路线。 投资方面：尽管相关技术已经存在，我还是犹豫不决。我本可以设定参数后将任务交给 Robinhood 的智能代理，让它负责发送市场动态，并在调整仓位或进行交易前先向我询问。但实际上我还是选择自己阅读股票研究报告，只关注少数几家人工智能基础设施、制药行业以及消费互联网领域的公司。我更愿意亲自掌控局面。 转账：只要认为操作可撤销、且交易由我信任的机构处理，我就愿意放心委托。 虽然如今我们还不愿将某些任务外包出去，但随着观念的转变，信任是可以逐步建立的。历史经验表明，那些最根深蒂固的行为模式或市场往往也最容易被颠覆：上世纪 90 年代时在线输入信用卡信息的做法看起来极为荒谬，使用陌生人的汽车服务、让陌生人提供住房的 Airbnb 同样如此。而每一项服务的普及都得益于特定的机制——Airbnb 提供了担保、保险以及评分系统；在线信用卡服务则通过退费功能实现了操作的可逆性。最近出现的编程助手和客服机器人之所以能迅速获得用户的权限，也是因为其风险较低、验证简单，且操作具备可逆性。 正是这种权限缺口蕴藏着真正的机遇。对于一家优秀的初创企业而言，其任务并非顺从这一缺口的存在，而是要更快地获得用户权限，速度要超过现有文化观念所能允许的限度。像 Booking 这样的传统企业则受困于自身品牌已拥有的权限，而这恰恰成了可以被攻破的弱点。如今，在医疗、金融、育儿以及养老领域也存在巨大的权限缺口，而这些也正是规模最大的市场。 哪些差距值得着力解决？一个大致的模型： 权限缺口 ≈ （负面后果的严重程度 × 不可逆性 × 错误率）÷ 信任度 因此，短期目标不应是追求更高的自主性，而是要努力跨越这一“许可缺口”。我会围绕以下几点来设计策略： 赢得用户信任以获得授权：从简单且可撤销的任务开始，随着信任的建立再逐步扩大权限（@ScottBelsky 认为，这对具备代理功能的消费类产品而言就是“第一公里”问题：由于这类应用需要大量数据，还会要求提前获取日历、邮件、支付信息、个人偏好及信用卡等隐私数据，而此前的消费软件从未有过这样的要求，因此信任便成了决定其成败的关键因素）。 付费探索：让用户为让 AI 帮其筛选选项而付费。即便最终决策由用户自己做出，搜索过程本身也具有价值。 持久化偏好模型：能够记住一个人多年来的喜好，而不仅仅是单次使用时的偏好。成功的旅游代理不会只记得你喜欢有优质咖啡的精品酒店，还应该预判出哪种行程安排最能让你展现出自己期望中的形象。 协作工作空间：是与人工智能共同工作的场所，而非替你操办的黑箱。这能让用户感受到自己更有能力，也更像自己。 结果验证：展示处理过程，让结果易于核查 最终决策的影响：提供决策参考，但将最终选择权交给人类。 获胜者不会是能力最强的智能体，而是那些最能获得消费者信任的智能体。早期采用者（资深用户、对 AI […]

阅读全文

商业洞察

Aug 26, 2026

供给端

在写完《人类赌局》之后，我一直思考的一个问题是：要让这一切成为现实，究竟需要建设些什么？ 需求端关乎人：人们会信任什么、什么能在他们的生活中占据长久地位、智能如何拓展人类的能动性而非仅仅实现任务自动化。我认同这一观点。但即便认同需求端的逻辑，也无法告诉你应在供应端进行哪些投资。为此，必须单独审视等式中的另一半，按照其自身的规律来分析。 我们一直在思考那些不可或缺的要素，它们并非构成一个单一的理论框架，而是一系列不同的投资方向。首先是能够让现代企业提升运营水平的工具；其次是能够在智能体代表人类行事时确保人们仍能掌控全局的基础设施；最后则是那些在那些需要专注力或专用数据才能获得优势的领域中，能够进一步提升智能水平的专用模型。 这些并非对《人类赌注》一文观点的延伸。我们认为，它们正是需求另一侧必然存在的现实，也是我们眼中正在形成的一片充满巨大机遇的新商业版图。 能力层 那些应用程序公司不会凭空出现。每一次重大的平台变革都会催生出专为满足这些新平台需求而设计的新一代工具。我们以前就见过这种情况：随着现代消费品牌的兴起，Stripe、Shopify、Faire 和 Klaviyo 之类的公司也应运而生。它们并非变革的主体，而是因为新一代企业突然需要此前并不存在的各种功能，才有了它们的存在。 人工智能正在营造同样的态势。那些以人工智能为技术基础的公司，其决策方式、产品开发流程以及客户服务模式都与传统企业有着本质区别，而且它们往往只需要比被取代的企业更少的团队规模就能运作。这就产生了对专为这类公司的工作模式设计的全新软件套件的需求。我们认为，这将成为未来十年中最重要的投资领域之一。 “这里的机遇并非为了自动化而自动化，而是让小型团队拥有大型企业才具备的能力。” 这里的机遇并非单纯追求自动化，而是让小型团队拥有大型企业才具备的能力：更出色的判断力、更快的执行速度、更丰富的背景信息，以及全新的工作流程。那些能够胜出的创始人，会凭借对自身行业的深刻理解来找出真正的瓶颈所在，进而将工作过程中产生的智能成果转化为更优的决策与执行方式，从而实现持续的增长。 正因如此，我们才对这一领域充满兴趣。近二十年来，我们一直投资于各类品牌、零售商、医疗企业、金融服务公司、电商平台以及消费者平台，关注它们工作流程的演变以及日益增加的种种限制。而人工智能终于让许多问题得以解决。我们已经在不同领域看到了这样的机遇：Koah 正在打造专为对话界面设计的变现基础设施；Blue Labs 则帮助人工智能系统更深入地理解人类语境；Marklo 利用智能技术重新思考商业品牌如何跨渠道进行规划与运营；Depthfirst 则随着开发技术栈的变革将人工智能应用于网络安全领域。将这些公司联系在一起的并非某种共同的产品类别，而是一位足够深入理解某个问题、并能意识到智能技术能改变问题解决方式的创始人。我们认为，还有许多类似的问题隐藏在人们视线之外。 控制层 如果要让人工智能为我们行事，究竟是什么让这些行为值得信赖？ 互联网的构建基于一个简单的假设：行动由人类发起。人们登录系统、批准付款、签署合同并做出决策，而身份识别、安全保障以及支付功能也都是为人类处于每笔交易核心的位置而设计的。这一假设正在发生变化。如今，智能代理正以越来越高的自主性来开展研究、谈判、采购、安排任务以及协调工作，随之而来的问题不再是人工智能能否完成某项任务，而是是否应该允许它这么做。我们认为，这正是人工智能时代最重要的基础设施议题之一。 需要出现一种新的控制层，让人们能够确信人工智能的行为仍在其预设的权限范围内：能够承载操作意图的身份系统、决定智能体能做些什么与不能做些什么的权限框架、使自主行为透明化的审计追踪机制，以及专为智能体之间进行交易而设计的支付基础设施。 这里的关键并非提升人工智能的能力，而是让自主系统具备可靠性。如今的许多基础设施都是为人类亲自执行所有重要操作的世界而设计的，而下一代基础设施则需在软件持续运作的同时仍由人类掌控全局的环境中运行。我们在自己的投资组合中也看到了这种矛盾的存在…… “对于能力日益强大的自主智能体而言，最棘手的问题已不再关乎智力，而是权限问题。” 我们已经在针对这一问题开展投资。还原号正在重建支付基础设施，以便智能体能够代表企业和用户处理交易。ZeroClick 则在研究当买卖双方均为智能体时的情况，包括实现这些交易所需的价格设定、身份认证以及管控机制。这是我们已经发现存在问题的两个领域；随着智能体从仅能回答问题逐步转变为真正执行任务，类似的问题还将出现更多。 模型层 《Human Bet》一文认为，持久的价值在于应用程序与其用户之间建立的关系，而非底层的模型，而这一观点在通用模型不断趋同的背景下依然成立。不过也存在一个重要的例外，同时也可能孕育出一大类新的机遇——那就是为特定领域打造的专用模型，与围绕该领域专长设计的应用程序相结合。 支持使用领域专用模型的理由并非通用模型存在某种缺陷，而是因为某些问题需要高度专注的投入，而这正是通用模型难以做到的。将训练、评估以及产品开发工作集中在特定领域，能够带来显著更好的性能，有时还能打造出通用模型无法实现的优质产品体验。在这类情况下，该模型并非仅仅作为应用程序背后的基础设施，它本身就是提升产品性能的重要因素。 有时候，这种优势源自专有数据。某些专家能够获取通用模型根本无法得到的信息，因为这些信息受到监管限制、基于特定关系产生、存在于封闭的生态系统之中，或是根本无法获取。由于制约因素在于获取渠道而非投入精力，因此这便能形成持久的竞争优势。 在其他情况下，优势则源于专注本身。一家愿意将所有资源集中投入某一领域的公司，往往能够比那些将该领域仅视为众多优先事项之一的一般型企业更快、更显著地提升性能。不过这种优势未必能持续长久。如果采用横向扩展模式的企業认定该领域具有重要意义，凭借其规模与资源，最终也有能力缩小能力差距。 但这并不意味着早期的优势就不重要。它能让相关企业有时间围绕这一优势进行进一步发展。更出色的性能能够带来更好的产品，而这样的产品又能提升使用频率、积累更多行业特定数据，并帮助企业更深入地了解客户的实际需求。随着时间的推移，由于种种超出最初模型优势范畴的因素，这家企业将变得更难被超越。 因此，投资决策的关键并不只是判断某种专用模型在当下是否更优，而是要了解它为何更优、这种优势在产品层面能带来什么变化，以及在该类通用模型尚未跟上之前，企业能够打造出什么成果。 “最值得关注的机会，很可能是那些以专业化智能作为起点、而非将其视为唯一竞争优势的领域。” 我们已然能够看到相应的性能优势，以及围绕这些优势所能开发出的产品。Speechify 在语音处理领域深耕，将其自研模型与消费级产品以及 API 相结合，让其他企业也能使用这些功能。Suno 在音乐领域采取了类似策略，通过专为该领域设计的模型，带来了通用模型无法比拟的消费者体验。在这两种情况下，专业化智能都是出发点。而基于此所能开发出什么产品，以及这些模型通过相关产品能变得多出色，正是让我们对这一层面格外感兴趣的原因。 很可能在很多领域中，通用模型已经足够好用了。但我们更关注那些即便使用“足够好”的模型仍会有重要问题无法解决的领域。 人工智能的供给端并非只存在一个机遇。能力层、控制层与模型层各自有着存在的理由，价值创造的方式也各不相同。正因如此，我们认为将它们分开来看会比把它们合并为单一的基础设施概念更为有用。 我们在此领域的早期投资仅能体现这一趋势的起步阶段，绝不能视为该领域发展终点的图景。事实上，我们所看到的情况表明，还有更大的机遇正在形成之中。

阅读全文

商业洞察

Aug 26, 2026

寻找人类疲惫之源

从破产的航空公司到二手书籍，人工智能对人类数据的搜寻方式越来越奇怪了。 还记得当初人工智能行业面对“数据从何而来？”这一问题时的答案基本上是：互联网吗？ 互联网规模庞大、几乎免费、持续扩张，而且数据还以计算机能够识别的格式存储着。Common Crawl 拥有数十亿页网页，GitHub 存放着各类代码，维基百科则记录着各种事实，而 Reddit 上则满是人们阐述为何其他人是错的观点。 AI 实验室继承了数十年来人类在无意中创造出的成果——他们在将文明数字化的同时，却并未意识到自己正在积累训练数据集。我们编写网站、上传照片、在论坛上回答问题、发布代码、将百科全书数字化，还将几乎所有人类可能进行的活动相关的视频上传到网络。而后，模型便消化了这些数据。 如今，那些容易获取的数据资源已经所剩无几。公共互联网中质量最好的数据早已被大量挖掘，内容发布方纷纷设置了访问门槛，版权诉讼也让随意抓取数据变得成本更高，而网络上也越来越充斥着人工智能生成的劣质内容。 这就形成了一个典型的恶性循环：人工智能需要人类生成的数据来不断提升性能，但与此同时，人工智能却在不断让这类数据更难获取。因此，整个行业不得不沿着数据供应曲线向下发展。而情况也变得越来越奇怪。 本周出现了一个格外奇怪的例子：Google 出价 1000 万美元购入已经破产的 Spirit Airlines 的内部业务数据，以便用于人工智能训练。据称这些数据包括大约 1 亿封电子邮件和 5 亿条 Microsoft Teams 消息，还有各类文档、电子表格、日历信息以及其他内部业务记录，但顾客信息和信用卡数据并不包含在内。 先暂且不去探讨那笔交易中的奇怪之处。Google 其实并不想要 Spirit 的飞机或机场登机口，它也无意经营一家廉价航空公司，这或许是很明智的决定。它只是想了解这类航空公司的运营模式而已。 Google 正在翻阅一家破产航空公司的各类资料，因为其中蕴藏着数亿个关于人们如何协作、决策、处理问题、纠正错误并完成任务的实例。随着基础模型越来越依赖公共知识，私人经验则显得愈发珍贵。 对于知识工作者而言，或许再没有比这更贴切的写照了：最终我们都会化为尘土，而我们的 Teams 聊天记录却会被输入到 LLM 中。 Spirit 航空只不过是这场更广泛竞争中的一个体现而已。硅谷也重新重视起了书籍的作用。 法庭文件中提到，Anthropic 内部的“Panama 项目”其实是一项大规模行动，其目的是获取实体书籍、拆开书脊、扫描书页，并将得到的文本纳入该公司的训练语料库。据称，该公司为此花费了数千万美元，处理了数百万册书籍。 目前，英国和爱尔兰的图书商们反映有大量奇怪的批量采购订单，订购的都是那些冷门且已绝版的书籍，从古老的农业著作到过时的赛车传记都有，而且这些订单在定价时往往几乎不考虑成本，购得后直接被运往仓库。据报道，Amazon 也在购买实体书并进行破坏性扫描。 二手店里那本被遗忘的书籍里，藏着 2026 年极为罕见的珍贵事物：一大段结构完整、经过专业编辑、明确由人类撰写的文字，这类内容很可能从未在互联网上出现过。 旧书有着明确的来源记载，它们源自更早的年代。对于一本 1987 年出版的养羊手册，我们可以相当有把握地认为它是人类所写，而非由某个语言模型生成的——那个模型部分基于另一个语言模型，而后者又部分基于一篇总结该养羊手册的 Reddit 帖子。 但仅仅从破产企业及二手书店中寻找数据是远远不够的。针对数据短缺问题更为直接的解决办法就是自行制造数据。这便催生了一个蓬勃发展的行业，该行业致力于为前沿实验室提供越来越特殊的训练数据。 专家数据。Mercor、Surge、Turing、Snorkel 以及 […]

阅读全文

商业洞察

Aug 26, 2026

美国在下一个化学合成黄金时代中的作用

这仍是我在学习中的内容。我对这方面的了解还处于初期阶段，因此可以将其视为对近期与该领域一些专家的对话，以及我所阅读和听取的相关内容的总结。 希马司汀是一种由麻省理工学院的化学家们合成的复杂天然产物抗生素。人工智能能够提出新的分子结构，但真正将这些分子构想转化为实体、数值及数据的是合成过程。来源. 20 世纪中叶是化学领域最为成果丰硕的时期之一。哈伯-博施工艺已通过合成肥料开始改变农业面貌；杜邦公司则发明了尼龙。在医学领域，这一时期诞生了首批合成抗菌药——磺胺类药物，以及为现代精神药理学发展奠定基础的氯丙嗪。在“天然产物合成黄金时代”，有机化学家们逐渐掌握了构建更多复杂天然分子的技术，包括生物碱、类固醇、维生素和抗生素等。伍德沃德与科里将合成方法转变为一门系统化的规划学科。事实上，科里对逆向合成分析的规范化研究，正是许多人工智能路线规划工具的基石。 如今，化学依然推动着世界上许多重大的突破。材料化学让我们拥有了锂离子电池；在现代硬件与医药领域中，化学也无处不在——无论是半导体制造、高性能聚合物，还是用于缝合线、导管及植入物的材料，都离不开化学的作用。在 COVID-19 mRNA 疫苗的研发中，化学同样起着关键作用：脂质纳米颗粒能够保护脆弱的 mRNA，并帮助其进入细胞。 大多数已获批的药物同样依赖于合成化学与药物化学。GLP-1 类药物的兴起就是一个很好的例子：这类药物的第一代产品是以多肽为基础的，但目前的重点则是开发可口服的小分子药片。KRAS G12C 抑制剂则是另一个例子，它证明了长期以来被认为“无法用于制药”的、作为肿瘤生长驱动因子的 RAS 蛋白其实也可以成为治疗靶点。 但化学领域的突破绝非易事。在药物研发过程中，大约 90%的项目最终都会失败。大型制药公司能够承受这样的失败率，而大多数企业则无法做到。与此同时，大量的化学合成及定制合成生产能力已经转移到了海外，尤其是中国和东欧地区；乌克兰战争更是凸显了这一脆弱性。其背后的原因其实与美国工业空心化的整体趋势如出一辙。合成化学相对容易从其他研发领域中分离出来，随着时间推移，制药公司逐渐将那些他们认为最具价值的工作（如知识产权、靶点发现以及产品商业化）留给自己，而将更多的合成与制造工作外包给那些劳动力成本更低、拥有优秀科学人才，且至少从历史上看环境与监管要求较为宽松的地区。 这使得美国的化学合成与制造体系变得十分脆弱，尤其是在小分子药物领域。好消息是，人工智能有望通过开辟新的化学空间来加速化学研究进程。目前的模型已经足够成熟，能够提出有潜力的候选分子，但仍然缺乏必要的数据，尤其是反应失败记录以及合成/检测结果。而合成正是获取这些缺失数据的途径，正因如此，美国的合成能力才具有战略意义。 在开始之前需要说明的是，本文主要探讨小分子药物发现领域的应用，因为这是最典型的例子；不过在材料科学、催化领域以及能源化学中，同样存在着设计-制造-测试这一瓶颈问题。 为何蛋白质 AI 率先发展 我们在蛋白质工程和抗体设计领域已经见识过这种发展趋势。全新蛋白质模型的出现将人类在蛋白质设计中所做的手工工作与实验操作简化为推理过程，从而打开了原本无法用于药物开发的靶点以及新的生物制剂开发途径。AlphaFold 2 使得人们能够可靠地预测蛋白质的 3D 结构；而 RFdiffusion 与 ProteinMPNN 则允许人们通过勾勒出目标蛋白质的形状来设计新的蛋白质，再寻找能够形成该结构的氨基酸序列。2025 年，Baker 实验室发表了关于全新丝氨酸水解酶设计的成果；研究人员还利用人工智能从零开始设计抗体。Nabla 团队则报告了针对 GPCR 和肽-MHC 复合物这两种难以攻克的靶点的全新抗体设计成果，这些进展为开发更具个性化特征的生物制剂奠定了基础。 有两点使得这成为可能： 实验循环速度极快：研究人员可在一轮实验中合成并筛选数千种蛋白质变体，因此即便最初的成功率较低，也能获得有用的反馈。 相关数据其实早已存在：蛋白质数据银行中存储着数十年来已解析的分子结构数据，而序列数据的数量更是结构数据的多倍。 合成化学则有所不同。例如，小分子药物需要复杂的多步骤合成路线，而优化这些路线时必须权衡合成复杂性与难以预测的药剂学特性之间的矛盾。换句话说，模型虽然可以提出某种结构，但该结构仍需实际制造并经过测试。合成化学更难被建模、更难进行搜索，也更难从中学习经验，正因如此它的发展速度一直落后于蛋白质工程。 为何化学是下一个领域 结构预测已进入原子级精度时代。 如今的模型能够模拟所有类型分子之间的相互作用，包括蛋白质、配体、水、离子以及对生物功能至关重要的其他分子。 AlphaFold 3 将结构预测的范围从单纯的蛋白质扩展到了与其它辅因子结合的蛋白质，包括小分子。Boltz-1 和 Chai-1 则将类似的功能引入了更易使用的工具中。与此同时，计算化学与材料科学也在发展出属于自己的通用模型。诸如 MACE-MP-0 和 MatterSim 这样的机器学习型原子间势能模型，能够以比传统方法更快、更低的成本模拟各种分子和材料中的原子相互作用。 高级特性方面的进展。 […]

阅读全文