​关于生成式AI，硅谷VC张璐的9个观点

关于生成式AI，硅谷VC张璐的9个观点

文 | 树龙谈，编辑 | 苏琦

2023 年，标普 500 指数的 70% 增长由 The Magnificent Seven（苹果、微软、英伟达、谷歌母公司 Alphabet、Meta、特斯拉和亚马逊）推动，而这些公司大部分都在硅谷。 

硅谷一向是科技创新的代名词，由 OpenAI 掀起的生成式 AI 浪潮，则进一步强化了硅谷的地位。把硅谷再次推向繁荣的，除了巨头公司、创业公司，还有数量众多、非常活跃的 VC 资本，FusionFund 就是其中一家。

FusionFund 创始人叫张璐，2010 年她被斯坦福大学录取，读研期间凭借自己的专利创办了一家医疗设备公司，后来这家公司被美国一家五百强上市医疗器械公司收购，她转型成为投资人，并在 2015 年创立了 Fusion Fund，专注医疗、人工智能和深科技领域投资。

Fusion 有核聚变的意思，她认为，用小的资本去投资早期的伟大的技术，可以创造巨大的市场，从而推动产业的进步。因此，过去近 10 年，她专注在 To B 方向，在具有海量高质量数据的行业中，寻找出 AI 在其中可以发挥作用的投资机会。

最近我跟张璐进行了一次交流，就硅谷的 AI 生态、投资趋势、产业机会，以及中美 AI 创业者的偏好和差异，她分享了自己的见解，主要观点整理如下：

01  生成式 AI 行业巨变，投资重点从应用转向 AI Infra（基础设施）

我们从 2017 年就开始投资 AI，2018 年 GPT 第一代刚刚出现，但大模型还没有现在这么成熟，直到 2022 年底 ChatGPT3.5 的出现，才让大家看到了 AI 技术巨大的优越性以及广泛的商业应用可能性。

Fusion Fund 的投资一直是两个维度，一个是应用层面，另外一个是 AI Infra 层面。去年 3 月份之前投应用更多，3 月份之后，OpenAI 的 API 可以驱动大量应用被生成，现在投 AI Infra 更多，但两个层面都还在投资。

在应用层面，C 端市场非常拥挤，且 C 端的消费者数据较为杂乱，相比之下，我们更关注 To B 的应用，重点关注已经具有海量高质量数据的行业，比如医疗、金融、保险、物流和化工等，这些行业对专业性应用的要求较高，同时应用场景多样，可以建立行业专属模型。

在 AI Infra 层面，我们重点关注模型优化和提升的公司，用于解决 AI 应用所面临的几大挑战：算力成本过高、耗电量成本过高、数据传输（communication）的延迟性和隐私性等问题。而边缘计算（Edge Computing）是解决耗能和数据延迟的核心技术，Fusion Fund 从 2018 年就开始布局，投资了 EdgeQ、Macrometa、Bodo.ai 等边缘计算公司。

02  只投 To B 不投 To C

应用层有 B 端和 C 端的应用，但我们从来不投 To C 的产品。

现阶段，AI 驱动了多个产业的数字化转型和大规模效能提升，其中包含很多创新机会，但不代表所有的创新机会都属于初创企业。

经过比较，我们发现在 To C 应用市场更多机会属于大的科技公司，他们拥有更强大的算力平台和更海量的用户数据等，最近 Sora 的发布也让大家看到，在强大的算力支持下，其形成的产品效果和迭代速度都快于很多初创企业。

对于初创企业来讲，大部分的机会还是在 To B 应用领域，美国的商业市场有非常成熟的做企业级 To B 销售的土壤。我们从 2015 年开始做投资的时候，就一直关注 To B 领域，重点投资的是各垂直产业的专属大模型所做出来的行业应用。

03  垂类大模型市场很大

在 To B 方向，一个行业想要做出自己的专属大模型，需要满足三个条件：行业有海量数据且数据质量高，应用场景够多样，行业本身的市场空间巨大。按照这个逻辑，排名第一的行业一定是医疗。

医疗市场占据美国 GDP 的 20%。这 20% 的 GDP 里面有多样化的应用场景，从疾病诊断、数字化治疗（Digital Therapeutics）、数字化生物学（Digital Biology）到数字化生命科学（Digital Life Science）等各个方向，都存在大量机会，所以垂直领域的市场量级是够的，也可以扶持起百亿美金级别的公司。

除了医疗之外，其他产业量级也很大，比如保险行业一年大概 7 万亿美金的市场。

04  垂直赛道大模型获胜的关键，在于数据质量

垂直行业都需要行业专属模型，但这个模型不是从头做，而是调用 OpenAI 的 API 或者直接调用开源模型，再用行业专属的、高质量的、专业的数据进一步优化训练模型，让模型更加准确、高效。对于行业大模型领域的初创公司来说，数据的质量很可能会成为一个重要壁垒。

这时候就要看团队是否具备获取行业优质数据的能力，以及能否足够了解行业，可以在训练模型时给予专业反馈进行调优。

比如医疗行业，有人问传统的药厂和医院为什么自己不做，一方面是人才缺乏，训练模型和 AI 工具开发对人才要求很高；另外一方面这些大的公司也会担心自己处理这些敏感数据，如果处理不好会有潜在的监管风险，不如和第三方的初创企业进行战略合作，将这些数据分享给它们。

此外，基于大企业之间的竞争关系，它们反而不太可能将数据分享给微软或谷歌这样的巨头，而更倾向于与小公司合作。

我们的一家被投企业叫 Huma.AI，与多家行业顶尖药厂合作，拥有大量药厂内部数据。它相当于医药领域的 ChatGPT，药厂的科学家可以直接问它 " 新药的临床试验怎么设计方案 "" 某两种药有什么关联 " 这类问题，并且得到精准的答案，以此来提高行业效能。

05  硅谷主导科技变革的秘诀在于生态的多样性和完整性

硅谷永远有多样化的文化和完整的创新生态，这里有斯坦福、伯克利这样的科研机构，还有专业化的 VC 机构，虽然硅谷约 300 万人口，但是聚集了世界上 50% 的 VC 资本，这里也是许多科技企业的诞生地，由此也汇聚了多样化背景的人才，带来了思维和产品的创新性，也带来了多样化的投资机会。

此外，硅谷对成功有不同的定义，在这里，并不是最富有的人才最成功，大家会在改变世界的同时创造财富，但最重要的是改变世界，这个文化特点也吸引了所有想通过技术改变世界的创新人才聚集到这里。

过去这些年，很多次的科技创新潮，最早的发源地都在硅谷，也不一定是硅谷直接创造了这些创新，而是它吸引了最想追求创新的创业者来到这里，从硅谷生态中选择资本和大企业合作，一起把一个想法推向更大、更成型的商业架构，然后去影响全世界。从资金、技术、人才到产业，共同形成了多样化的生态和完整的适合创新发展的体系。

06  硅谷做大模型的创业公司很少

在美国，越来越少有初创公司做大模型，大家的关注点已经从大模型转向应用层，行业已经进入到技术应用创新的周期。

大模型本身是基础设施，需要的早期投入比较大，创业公司现在更多是直接使用 API 或者开源模型，然后再继续优化。像谷歌、Nvidia，Meta，微软等巨头，希望在模型的基础上去构建生态，吸引初创公司在自己的生态内建立新的应用。

07  惊艳于 Sora 的效果，但如果成本过高不如不用

这段时间，硅谷非常热闹，Sora 的内测结果很惊艳，带来了很多兴奋点。但是现在大家有一个信息不明确，那就是 Sora 制作一个视频的成本有多少，需要多少算力、多长时间，如果没有这个数据，VC 们很难去界定它的商业价值。如果消耗的算力和成本过高，可能还不如不用这样的新技术。

当然，每次新的技术创新都会带来泡沫。作为投资人，想要在新的 AI 浪潮里面避免投中泡沫型的企业，就得坚持住估值。客观评估这些公司的价值，理性地看待新的技术创新，不要给出虚高的估值进行炒作，对于投资人来说既是挑战，也是责任。

现在硅谷的项目价格和估值也在升高，我们要去平衡公司的估值和整个趋势的发展，整体上，硅谷的投资生态还是比较健康的。

08  技术迭代太快，加大了投资难度

现在技术变化太快，好的项目大家都在抢，估值肯定会有泡沫。

从公司的发展角度来讲，投资人还是要擦亮眼睛去看，如果一家公司的商业模式会随着大模型的更新而不停被挑战，那就证明这不是一个好的投资机会。

整个大模型新产品发布的迭代速度已经不是以月为单位了，可能是以周为单位，但无论是大模型还是应用，整个生态的机会才刚刚开始。

现在对投资人的要求可能更高，我们要非常活跃的在第一线去追踪和学习最新的技术发展，持续的更新自己的思维体系和知识体系，同时也要有非常明确的判断，看到行业内部真正的机会。

在某种程度上，投资人之间确实竞争很激烈，但大家并不只是通过估值去竞争，更多还是用附加价值去打动创业者。因为优质的创始人并不是单纯只看谁给的估值高就跟谁合作，更多还是要看彼此之间的战略协同，以及能否提供额外的价值帮助公司成长。优质的创业者也知道，在公司没有收入的时候，把估值做得太高，不一定是一件好事。

09  不懂技术的投资人也能投 AI

AI 本质是一个工具，我们要把工具用在对的地方，产生产业价值，才会创造出值得 VC 投资的企业，所以投资人的核心竞争力是要懂产业——哪些是可以落地的产业需求，哪些是真正合适的切入点，哪些是产业的问题和挑战，哪些现存的产业问题可以用 AI 工具来解决。

有时候太执迷于技术也不一定是对的方向，尤其在硅谷，有很多公司可以做出非常炫酷的 AI 产品，但是这个产品对应的客户是谁，现在的产业架构能不能去应用这个技术，都可能是一个问号，所以我觉得最重要的还是了解产业，以及对于市场和时机的把握。