如果你最近在關注AI創業，可能會有一種很強的撕裂感。一邊是每天都有新產品上線、融資、爆火；另一邊，越來越多一線投資人開始給出同一個判斷：未來三年，70%—80%的AI應用會消失。作為投資者和創業者該如何判斷？下面這篇訪談可能有些啟發。這篇訪談的題目是《How Anthropic’s $100M Anthology Fund Works | Menlo Ventures》（《Anthropic 1億美元 Anthology 基金運作模式 | Menlo Ventures》）。訪談的主講人Deedy Das，是Menlo最新晉陞的合夥人，此前是企業搜尋獨角獸Glean的創始團隊成員。除了投資人身份，他也是X上頗具影響力的AI領域KOL，對AI創業與行業趨勢有持續觀察。去年，Menlo Ventures與Anthropic聯合設立了1億美元的 Anthology Fund，專門投資AI生態中的早期公司。Menlo Ventures目前管理資產規模超過68億美元，歷史上投出過80多家上市公司，同時也是Anthropic最大的機構投資人之一。在這場訪談中，Deedy Das系統講清了三件正在發生的變化：為什麼大模型公司開始親自下場做生態投資？為什麼VC不再只看賽道，而是在看“學習速度”？以及在AI時代，真正的護城河，可能已經只剩下三樣東西。以下為訪談內容整理（經壓縮編輯，僅保留核心觀點）。———————————————————————Molly O’Shea：很多人聽說了 Anthropic 的$100M Anthology Fund，但不太清楚它到底是一個什麼結構。它是 Anthropic 自己在投公司嗎？還是一個傳統VC基金？Deedy Das：本質上，它是一種新型的合作模式，介於傳統風險投資和平台生態基金之間。Anthropic 並不是在做一個典型意義上的獨立VC。它真正想做的是，找到最優秀的 AI 原生創業公司，並讓這些公司深度使用 Claude。Anthology Fund 的目標不是財務回報最大化，而是讓更多優質公司建構在 Claude 之上，形成生態，以加速真實世界中的應用場景，同時通過這些公司反向獲得產品反饋。Molly：那這個基金的錢是誰來決定投給誰？是 Anthropic 決定，還是 Menlo Ventures？Deedy：這是這個模式裡最關鍵的一點。Anthology Fund 是這樣一個聯合投資結構：Anthropic 提供戰略資源和生態支援，Menlo Ventures 負責投資決策與執行。投資流程和普通VC一樣：看團隊、看產品、看市場、看執行能力。但除此之外，會多一個維度，即這個公司是否適合深度使用 Claude，它能否成為 AI-native 的公司？被投公司除了資金，通常會獲得Claude 使用額度，與 Anthropic 產品團隊直接溝通的機會，及優先獲得新模型能力等生態資源。Molly：Anthology Fund 更選擇投資什麼樣的公司？Deedy：我們重點關注三類公司：第一是， AI-first 公司，它們不是“給原產品加個AI功能”，而是，如果沒有大模型，這個公司就不存在。第二，是深度呼叫模型能力的公司，比如 Agent 系統、自動化流程、企業知識工作自動化等。第三，是增長速度快的團隊。在AI時代，速度就是護城河，誰迭代更快，誰就能贏。Molly：現在的投資邏輯和以前比有什麼改變？Deedy ：過去VC 主要看的是市場規模、商業模式，及長期壁壘等，而在 AI 投資裡，則更看重創始人執行速度、學習能力，及能否快速跟上模型能力變化快速迭代。因為，產品優勢的半衰期越來越短。所以投資邏輯正在從分析市場，轉向押寶創始人速度。Molly：現在AI應用創業特別多，但也有人說，大部分都會被淘汰。你怎麼看？Deedy：我認為確實如此。一個很現實的判斷是，未來幾年，可能 70%-80% 的 AI 應用都會消失。原因主要有三個。第一，模型能力在快速上升。基於此，很多今天的創業公司，其實只是 prompt 工程，或者就是一層包裝，甚至是個簡單的workflow。但隨著模型越來越強，這些功能會被模型原生支援，“如果你的產品只是包裝層，模型會把你吃掉”。第二，產品差異化太弱。現在很多AI產品的問題是，功能相似，技術門檻不高，使用者切換的成本接近於零。沒有真正的資料、流程或系統繫結，很難形成護城河。第三，創業者低估了模型進化速度很多團隊按照“傳統軟體節奏”在做規劃，比如 12 個月的產品路線圖，但現實是，模型能力可能 3 個月就有一次躍升。因而，如果產品設計依賴某個當前能力，很可能半年後就被底層能力替代Molly：那什麼樣的AI公司更有機會活下來？Deedy：真正有機會的是三類。1）深入企業流程的公司如果AI只是一個工具，很容易被替代。但如果它能嵌入工作流，改變組織流程，成為日常營運的一部分，那替換成本就會非常高。流程，就是新的護城河。2）擁有獨特資料的公司AI時代另一個關鍵點是資料專屬性。如果你的系統能持續積累使用者資料，形成反饋循環，那競爭優勢會越來越強。3）能快速迭代的團隊。速度是一切。因為模型、使用者需求、競爭者都在快速變化。AI創業的本質已經變成，一個持續實驗的過程，而不是一次性產品設計。Molly：從投資角度看，AI改變了什麼？Deedy：最大的變化是過去VC強調市場規模、長期壁壘、商業模式穩定性等，而現在創始人的適應能力、學習速度、對技術變化的理解等，則成了主要競爭力。我們投資的是學習速度。在AI時代，商業模式會變、產品會變、技術會變，唯一穩定的變數，是創始人的進化能力。Molly：AI 對公司的形態會有什麼影響？Deedy：未來公司的變化是團隊更小、效率更高、人均產出更大。因為AI 正替代大量重複工作，自動化程度大幅提高，這樣一來一個小團隊可以完成過去大公司的工作。未來會出現大量小團隊、高收入 的AI公司。Molly：從Anthropic、OpenAI這些公司的動作來看，它們不僅在做模型，還在做生態、投資、開發者關係。你覺得它們最終會變成什麼樣的公司？Deedy：我認為，大模型公司正在走向一個非常熟悉的終局，它們會變成平台公司。就像過去的AWS（雲平台）、IOS 作業系統、Android、Saleforce 等。未來的競爭不只是模型能力，而是開發者數量、企業客戶規模、生態繁榮程度、默認的使用習慣。最終勝出的模型公司，會成為默認基礎設施。一旦成為默認選擇，切換成本就會非常高。從這個角度看，Anthology Fund的意義就很清晰了，它不是為了賺投資回報。它的真正作用是，扶持創業公司使用Claude，讓優秀應用繫結Claude，以提前鎖定生態，建立開發者關係。這是一種長期的競爭策略。因為在AI時代，誰擁有更多的真實應用，誰就更可能成為平台。Molly：如果看未來兩到三年，你覺得最大的變化會是什麼？Deedy：最大的變化是AI能力會繼續快速提升，但真正的價值會嚮應用層轉移。一方面，模型能力差距逐漸縮小，成本持續下降，推理越來越便宜而當模型逐漸“商品化”之後，競爭點就變成誰更理解使用者，貼近場景，更能切入實際工作流。分發能力和流程嵌入，會比模型質量更重要。Deedy：AI創業最最容易犯的錯誤是那些？Deedy：現在很多創業者有一個典型誤區。他們關注的是模型能力有多強，技術細節，以及benchmark 排名資料。但真正重要的是使用者每天會不會用你的產品，你的產品能不能進入工作流程，以及是否可以帶來真實效率提升。如果產品不能成為日常使用工具，很可能不是一個真正的生意。總之，AI時代的核心邏輯正在變成三點：速度勝過一切，流程就是護城河，生態決定勝負。而Anthology Fund，本質上就是圍繞這三點在佈局。 (創頭條New)

初五迎財神，是中國人最虔誠的春節儀式之一。2026年的馬年初五（2月21日），當朋友圈照例被"恭喜發財"刷屏時，中國AI公司們也正在以一種極其暴力的方式，完成一場真正意義上的"迎財神"——智譜（02513.HK）單日暴漲42.72%，收盤報725港元，市值突破3232億港元。MiniMax（00100.HK）收漲14.52%，報970港元，市值衝破3042億港元。兩家成立不過幾年的AI公司，在農曆新年開市第一天，以超過3000億港元的市值體量，正式碾壓“傳統”網際網路公司京東、快手、攜程們，並逼近百度。而在一級市場，最受關注也是最有指標意義的月之暗面，它的最新融資估值也據傳翻倍突破100億美元，與此前一輪相比翻倍，並且眼看停不下來，繼續奔著1000億估值衝去。中國AI公司們一起迎財神了。3000億港元俱樂部：一個月漲5倍的魔幻劇本先看資料。智譜（02513.HK）IPO日期：2026年1月8日發行價：116.20港元上市首日市值：約555億港元2月20日收盤價：725港元2月20日市值：3232億港元上市43天累計漲幅：超500%MiniMax（00100.HK）IPO日期：2026年1月9日發行價：165港元上市首日收盤市值：約1050億港元（首日漲幅109%）2月20日收盤價：970港元2月20日市值：3042億港元上市42天累計漲幅：約488%一個月出頭，兩家公司的市值膨脹了5倍左右。如果你在IPO當天買入並持有到今天，恭喜，你的回報率超過了絕大多數十年期基金產品。更直觀的對比是把它們放進港股科技公司的排名中——數字的對比很魔幻。京東一年營收11588億元，淨賺414億，市值3024億港元。智譜2024年全年營收3.12億元，虧損24.66億，市值3232億港元——比京東還高。快手7.36億月活使用者，年賺177億，市值不到2900億。MiniMax全年營收約2.2億元人民幣，虧損約32億，市值反而破了3000億。百度做了26年搜尋引擎，年收1331億，利潤238億，市值3500億。智譜成立5年，距離超越百度只差一個漲停板。攜程一年運送上億人次出行，淨利172億。泡泡瑪特把Labubu賣到全球，半年營收就超過了2024年全年。這些公司花了十年甚至二十年建構的市值護城河，被兩家還在燒錢的AI公司在43天裡追平。顯然市場在給兩種完全不同的東西定價：一種叫"現在的利潤"，另一種叫"下一個時代的入場券"。Kimi：不上市，但估值照樣翻倍如果說智譜和MiniMax是在二級市場"迎財神"，那月之暗面（Kimi）則是在一級市場完成了同樣壯觀的財富敘事。2月17日，多家媒體報導：月之暗面正在完成一輪超7億美元的新融資，由阿里、五源、九安等老股東聯合領投，騰訊也參與投資。本輪融資後，Kimi估值直接翻倍，突破100億美元大關，達到100億至120億美元區間。梳理月之暗面的融資節奏：兩個月內，連續兩輪累計融資超過12億美元，這勢頭不會停下來，奔著1000億而去。更令人矚目的是創始人楊植麟的態度。他在內部信中明確表示"公司短期不著急上市"，並指出B/C輪融資金額已超過多數公司IPO的募資規模。公司目前帳面現金儲備超過100億元人民幣——這個數字接近智譜和MiniMax兩家IPO前現金之和。把Kimi的估值放到更大的坐標系中：Kimi目前的估值約為OpenAI的2%、Anthropic的3%。但考慮到中國AI公司在海外融資和估值體系中長期被低估，以及Kimi K2.5模型在HLE、BrowseComp等評測中展現的全球領先水平，100億美元很可能只是它在一級市場的中間站。而智譜和MiniMax在二級市場的瘋漲，正在為Kimi等尚未上市的中國AI公司確立新的估值錨。暴漲背後：具體的催化劑與整體的氛圍之變這輪暴漲，既有個體層面清晰的催化劑，也有產業層面深刻的氛圍轉變。1. 智譜：GLM-5引爆估值重定價2月12日，智譜正式開源發佈新一代基座模型GLM-5。這不是一次普通的版本更新——GLM-5總參數達到744B，預訓練資料量28.5T，採用了與DeepSeek-V3同源的稀疏注意力機制和多Token預測技術，在多項核心程式設計與推理榜單中穩居開源模型第一，部分指標逼近全球頂尖閉源模型Claude Opus 4.5。在GLM-5正式發佈之前，一個名為"Pony Alpha"的匿名模型出現在全球模型聚合平台OpenRouter上，程式設計和推理能力極為強悍，被社區91%以上的使用者判斷為GLM-5的測試版。僅這一個"洩露"就直接引爆了智譜股價——2月9日單日暴漲36.22%。更關鍵的訊號是：智譜隨即宣佈對GLM Coding Plan套餐漲價，國區漲幅30%起步，海外版漲價超100%，新套餐上線即告售罄。從"價格戰"到"漲價"，補貼換市場變成了用價值換溢價。2. MiniMax：OpenClaw浪潮中的最大贏家之一如果說智譜的催化劑是GLM-5，那MiniMax的催化劑則來自一個更戲劇性的場景——2026年開年最大的AI應用爆款OpenClaw。OpenClaw（原名Clawdbot）是2026年初爆火的開源AI Agent項目，支援本地部署和多平台消息整合，迅速成為全球開發者追捧的現象級工具。而在這波浪潮中，MiniMax的模型成為了最受歡迎的選擇之一。OpenClaw創始人Peter Steinberger在播客訪談中直言：MiniMax M2.1是"當下最優秀的開源模型"。他更進一步表示，在程式設計任務上，MiniMax可以僅以Claude 5%的花費實現接近的效果——這句話直接引爆了資本市場對MiniMax的重新定價。OpenRouter平台的資料印證了這一點：春節期間，中國開源大模型呈現霸榜之勢，MiniMax憑藉極致性價比成為開發者大量轉向的首選。在OpenClaw的實際呼叫中，搭載MiniMax M2.1作為核心引擎的方案在工具呼叫精準率、任務執行效率及成本管控方面均表現優異。這背後的邏輯非常清晰：OpenClaw重新定義了AI模型的消費場景——不再是人類在聊天框裡提問，而是Agent在後台持續高頻呼叫。在這種場景下，"夠用+便宜"的組合碾壓"最強+昂貴"。MiniMax恰好卡在了這個甜蜜點上。Reddit上大量使用者反饋，使用Claude作為OpenClaw引擎的token帳單動輒幾百美元，轉向MiniMax和Kimi等中國模型後，成本降到了原來的八分之一到九分之一。這種實打實的使用遷移，讓MiniMax從"知名度有限的中國模型"變成了全球開發者工具鏈中的標配選項。3. DeepSeek預期：從"利空"到"利多"的根本性翻轉去年春節，DeepSeek-R1的橫空出世曾讓中國AI投資圈心情複雜。一方面，中國AI的整體認知被拉升了；另一方面，DeepSeek以極低成本打穿性能天花板，讓其他燒了大量資金的AI公司顯得性價比很低。彼時DeepSeek對同行而言，更多是一種"利空"——你們花幾十億做出來的模型，人家幾百萬就搞定了。但一年之後，情況發生了根本性翻轉。2026年春節前，市場瘋傳DeepSeek將發佈下一代旗艦模型V4。面對這個預期，各家AI公司沒有選擇等待或躲避，而是爭先恐後地搶在DeepSeek之前亮出自己的底牌。這場春節檔AI大戰的本質是：DeepSeek的存在不再是利空，而是整個中國AI陣營的競爭勢能催化劑。各家都在開源，各家都在全球平台上競爭，各家的模型在OpenRouter上霸榜，這變成了一種集體從GPT、Claude等閉源巨頭手中搶奪全球開發者的呼叫量和注意力的行為。DeepSeek撕開的口子，其他中國公司正在一湧而入。對資本市場來說，這意味著一件事：你投的不是某一家中國AI公司，你投的是中國AI作為一個整體在全球AI版圖中份額提升的趨勢。這個敘事的力量遠大於任何單一公司的業績。4. 中國AI估值與國際接軌的轉折點以前，中國AI公司的估值普遍遠低於美國同行。Kimi的C輪估值43億美元，同期Anthropic已經1830億美元。中美AI公司的估值差距，不僅僅是技術差距，更是資本市場信任度的差距。現在，智譜和MiniMax用3000億港元（約385億美元）的市值至少刺激了市場去思考和開始習慣一件事，那就是中國AI公司也可以在公開市場享受高估值。這種估值體系的接軌意義深遠——當全球資本看到中國AI公司可以在港股獲得與國際同行可比的估值倍數時，更多國際資本將主動流入中國AI市場。摩根大通已經在研報中首次覆蓋兩家公司並給出樂觀評級，這只是開始。高盛此前分析指出，中國AI模型的全球競爭力將帶來超過2000億美元的投資組合資金流入。5. 春晚機器人：14億人的AI啟蒙一課別忘了一個容易被"專業人士"忽略的變數：2026年春晚。這是機器人登場密度最高的一屆央視春晚。宇樹科技、魔法原子、銀河通用、松延動力、越疆機器人、科大訊飛——六家機器人和AI企業組團亮相除夕之夜。宇樹科技的人形機器人叢集武術表演《武BOT》成為當晚話題焦點，數十台G1機器人在快速奔跑中完成穿插變陣和高難度武術動作，高並行叢集控制技術全球首次亮相。春晚開播兩小時，京東上機器人搜尋量環比增長超300%，訂單量暴漲150%。當14億人在除夕夜看到機器人打太極、耍長棍、做後空翻，AI不再是抽象概念，而變成了一種撲面而來的視覺衝擊和未來感。這種全民等級的認知刷新，會轉化為開市後對AI類股最樸素也最強大的買入動力——"我看好AI"。這一輪的模型競爭，前所未有的需要資源的比拚，初五迎財神，講的是開門納福，顯然把這些市場上的資源，都納入進來，才能繼續競爭下去。 (矽星人 Pro)

最近在學 ComfyUI，前幾天同事和我說，Flux 又出新的模型了——Flux 2 Klein，模型小，改圖能力很強。我拼寫的時候還以為他說的是 client，他糾正說 K-l-e-i-n，我一看，這不是德語裡面表示"小"的意思那個單詞嘛。他說 Flux 模型是由 Stable Diffusion 那個團隊的核心人員開發的。我看著"klein"這個單詞，猜想這是不是一家德國的團隊，就去查了查背後的故事，好傢伙，整個故事還是很精彩的。我們都知道，OpenAI 之前或者之後發佈的文生圖模型 DALL-E 2 和 DALL-E 3 都是閉源模型，之前很火的 Midjourney 也只能付費使用。但是 2022 年，大家的視野中出現了一個叫 Stability AI 的公司，這個公司發佈了一系列的 Stable Diffusion 模型，爆火全球。毫不誇張的說，Stable Diffusion 模型之於文生圖，類似於 ChatGPT 之於聊天模型。其中 22 年 10 月發佈的 SD1.5 以及 23 年 7 月發佈的 SDXL 是其中最最經典的模型，也是那個時期被使用最多的模型，那怕我一個新手開始學習 ComfyUI，回望文生圖的來時路，這兩個模型也是不能不學習的模型。這些模型的開源催生了很多的微調模型和 LoRA 外掛，極大地推動了文生圖整個行業的生態。故事的開始但是真正的故事要從 2021 年說起。那一年，德國慕尼黑大學的 CompVis 小組發了一篇論文《High-Resolution Image Synthesis with Latent Diffusion Models》，這篇論文的作者是 Robin Rombach、Andreas Blattmann、Dominik Lorenz、Patrick Esser 和 Björn Ommer。這篇論文裡開發出了 Latent Diffusion Model (LDM)，只用了幾十個 GPU 訓練。這篇論文已經獲得了超過 29000 次引用。2022 年，Stability AI 給這個團隊提供了算力支援，改進模型，改進後的模型被改名為 Stable Diffusion，以 Stability AI 的名義推出，此後發佈的所有的模型都叫 Stable Diffusion，成為一個系列。所以，Stability AI的 CEO Emad Mostaque 的貢獻主要是商業化包裝和算力支援，但他在宣傳中把自己塑造成了技術締造者，這引起了原團隊的一些不滿。慕尼黑大學的 Ommer 教授曾表示："據我所知，在我們發佈 Latent Diffusion 時，Stability AI 根本不知道這回事，他們是後來才跳上這架馬車。"（原文在此："Stability, as far as I know, did not even know about this thing when we created it," Björn Ommer, the professor who led the research, tells Forbes. "They jumped on this wagon only later on." ）後來，迫於資金壓力，Stability AI 想要商業化文生圖模型，不再想要發佈開源模型，但是技術團隊堅持開源。於是 2024年 3月，Stability AI 的核心技術團隊離職。2024 年 8 月，他們創立了黑森林實驗室（Black Forest Labs），黑森林實驗室團隊的核心成員包括上面那篇論文的所有作者。 這個實驗室在弗萊堡創立，這座城市就在著名的黑森林地區，著名的黑森林蛋糕就是那裡的。這個團隊發佈了 Flux 模型，Flux 的成績很耀眼，那個時候大家的使用逐漸從 SD1.5 和 SDXL 轉向了 Flux 模型。兩家公司的不同命運兩周之前我開始學習 ComfyUI 的時候，發現現在業界普遍在用阿里出的開源圖像模型，Flux 1 沒有那麼多人使用了，黑森林實驗室 11 月發佈的的 FLUX.2 [pro]、FLUX.2 [flex]、FLUX.2 [dev] 沒有同期發佈的 Z-Image-Turbo 效果好，但是他們 2026 年 1 月又發佈了 Flux 2 Klein，重新回到大家的視野。同時他們也拿到了很多融資，2025 年 12 月完成 3 億美元 B 輪融資，估值 32.5 億美元，累計融資 4.5 億美元，黑森林實驗室的商業模式是大客戶戰略，他們不燒錢做 C 端，專注 B2B API 服務，有一些大客戶比如 Meta、Adobe 和 xAI 等。而之前的 Stability AI 這個公司，現在的前景不容樂觀。2024 年 Q1 收入不足 500 萬美元，虧損超 3000 萬美元，欠債近 1 億美元，創始人已辭職，2025 年面臨嚴重現金流斷裂，正在進行重組引入外部資本。最前沿的研究裡，人才是最重要的。離開了 Stability AI，Rombach 團隊也能做出同樣好的成績，但是反觀 Stability AI，現在的發展就不行。Rombach 團隊支援開源，Flux 1 和 Flux2 開源，對於行業來說就是一個台階一個台階往上走，每個模型比之前的要好一點，讓人敬佩。（同樣感謝一直開放原始碼的國產模型。）同時黑森林實驗室的商業路線，既保證了開放原始碼的初心，又保證了盈利的可能性。歐洲的其他AI公司除了黑森林實驗室，歐洲還有幾家值得關注的 AI 公司。Mistral AI 是法國的大語言模型公司，做開源和閉源的 LLM。 他們發展勢頭最猛，2025 年 9 月完成 17 億歐元 C 輪融資，估值達 117 億歐元，ASML 投資 13 億歐元成為最大股東。2024 年收入 3000 萬美元，2025 年預計增至 6000 萬美元。HuggingFace 也是法國的做開源模型社區和開發者平台的公司，有點像 AI 界的 GitHub。 最新融資是 2023 年 8 月的 D 輪 2.35 億美元，目前估值 45 億美元（約 330 億人民幣）。它目前的挑戰是盈利路線不清晰，估值遠超營收，需要持續證明商業價值。DeepL 是德國的翻譯公司。 DeepL 的發展讓人驚訝，因為 LLM 出現之後，翻譯被認為是最容易被大模型替代的方向，沒想到 DeepL 能藉著大語言模型的浪潮打一個翻身仗。我感覺主要有兩個原因，一是 DeepL 在翻譯精準性、專業術語和語境理解方面比通用大語言模型效果要好，特別是德語、法語等的翻譯。二是歐洲企業對資料隱私極為敏感，DeepL 提供本地部署和嚴格的資料保護承諾，因而有大量的企業客戶。另外，還有來自德國柏林的 n8n，來自瑞典的 AI 程式設計平台 Lovable 等等。歐洲 AI公司的困境我之所以關注歐洲的 AI 發展，除了 AI 產品本身有趣，也是期待在歐洲這些國家能有一些 AI 的應用和突破，而不是死守著資料隱私法過日子。之前 Jina AI 被收購時，CEO 肖涵對德國和歐洲的AI 環境提出了很尖銳的批評。他說："雖說強者不抱怨環境，可我覺得我另一個錯誤就是對歐洲和德國抱有太多的期待和幻想。直到 2024 年我來到美國灣區後，我發現自己在一個過分平庸的地方浪費了很多寶貴的時間。對於整個德國和歐洲社會的左和保守，對 AI 紙上談兵和杞人憂天，勞動法對創業者缺乏理解尊重，及對優秀人才的冷漠無視，這些都讓我在 2023 年後對歐洲和德國無比失望。"他還提到，2023 年在公司裡叫上幾個德國同事一起去做一些 lobby 遊說，希望多參與到歐洲議會和德國政界來獲取關注和資源，一年下來活動參加不少，進展為零。直到有一天他明白了，他們邀請他去參加這些議會完全是把他看做一個 Diversity Guest，他們不需要他的專業知識，只需要那張亞洲面孔。Jina AI 本身是一家很厲害的德國 AI 創業公司，現在已經被Elastic 收購了，但是創始人對德國和歐洲有這樣的評價，實在是令人惋惜。這幾年歐洲出現的能打的 AI 公司也確實很少，因為歐洲 AI 公司的挑戰是很多的——面臨算力成本高，沒有自己的雲基礎設施，市場規模小並且歐洲市場分散，人才流失嚴重（頂尖人才去了美國和英國），政府和法律缺乏支援和融資環境差等等問題。但話說回來，黑森林實驗室的故事也證明了德國學術界的技術實力還是很強的，Flux 系列絕對是第一梯隊的模型。問題不在於技術能力，而在於是否有土壤和文化支援吧。 (地球美好不)

最快上市AI公司誕生？智東西12月22日報導，12月21日，港交所官網顯示，中國AI大模型龍頭企業MiniMax（稀宇科技）發佈聆訊後資料集（PHIP）版本的招股書資料，正式衝刺港股“大模型第一股”，有望刷新紀錄，成為從成立到IPO歷時最短的AI公司。招股書顯示，MiniMax成立於2022年初，是一家全球化的通用人工智慧（AGI）公司，也是少數自創立起就專注於全模態模型研發的大模型公司之一，以及當前國際化收入最高的中國大模型公司。這是一支年輕的團隊，由385人組成，平均年齡29歲，人效比極高，基於自研大模型已打造出覆蓋C端與B端的AI原生產品矩陣，包括海螺AI、Talkie、星野等，並為企業使用者和開發者提供開放平台服務。截至2025年9月30日，MiniMax已有超過200個國家及地區的逾2.12億名個人使用者以及超過100個國家的13萬家企業客戶；公司自成立以來累計消耗約5億美元（約合人民幣35億元），約等於僅用了OpenAI開銷的不到1%。值得關注的是，其2025年前9個月營收同比增長超過170%，海外市場收入貢獻佔比超70%，展現了出色的全球市場開拓能力與收入結構的健康多元。MiniMax坐擁豪華股東陣容，獲得米哈游、阿里、騰訊、小紅書、高瓴、IDG、紅杉、經緯、明勢、雲啟等多家頂尖機構的投資和支援，也是目前成長最快、估值最高的AI科技公司。隨著全球AGI賽道從“百模大戰”進入整合期，具備全模態技術能力、已驗證全球化商業化路徑且組織高效的 MiniMax，其上市處理程序備受市場矚目。作為全球AGI賽道的稀缺標的，MiniMax有望成為具有全球競爭力的AI領軍企業。01. 收入逐年快速增長，前9個月虧損還不及大廠單季投流費用MiniMax的願景聚焦兩個重點：研發先進的大模型，打造AI原生產品，以提升社會整體生產力並豐富個人生活質量。該公司以MiniMax M2、Hailuo-02和Speech-02為核心的自研大模型組合，具備長上下文處理能力，可理解、生成並融合文字、視覺、音訊等多種模態。這些模型支援著其核心AI原生產品，包括MiniMax、海螺AI、MiniMax語音、Talkie/星野，以及面向企業和開發者的開放平台，為全球使用者提供極致的智能體驗。從招股書來看，在可持續的、多元化收入模式的支撐下，MiniMax的財務資料展現出資本利用率高、商業化效率高的特徵。2023年、2024年、2025年1-9月，MiniMax收入分別為346萬美元、3052萬美元、5344萬美元。▲2023年~2025年1-9月MiniMax收入變化（智東西製圖）同期，其經調整淨虧損分別為8907萬美元、2.44億美元、1.86億美元；研發費用分別為7000萬美元、1.89億美元、1.80億美元，主要包括模型訓練涉及的雲服務費用。▲2022年~2025年1-9月MiniMax經調整淨利潤、研發支出變化（智東西製圖）可以看到，其經調整淨虧損在2025年1-9月與去年同期相比近乎持平，實現了在高速增長下的虧損有效縮小。其今年前9個月虧損（1.86億元）還不及騰訊元寶單季度投流費用。註：AppGrowing資料顯示，2025年第一季度，MiniMax星野的投流規模為5400萬元，而Kimi、豆包等AI產品投流規模超過1億元，騰訊元寶更是高達10億級。這得益於多元化的收入模型與高效的費用投入。2025年前9個月，在收入同比增長超170%的同時，MiniMax的研發開支同比增幅為30%，銷售及行銷開支更是同比下降26%，印證了其產品依靠模型智能與使用者口碑驅動的增長邏輯，而非依賴巨額流量投入。截至2025年9月，MiniMax累計花費5億美元（約合人民幣35億元）。對比OpenAI 400億至550億美元（約合人民幣2816億至3873億元）累計花銷，MiniMax相當於僅僅用了不到1%的開銷，做出了全模態全球領先的公司。MiniMax預計截至2026年12月31日止年度，銷售成本及研發費用的絕對值將繼續增加，反映了該公司提升基礎AI模型能力的戰略重心。其現金儲備充足，截至今年9月30日超過11億美元，可支援超50個月營運。02. 可持續、多元化收入模式，全球化收入超70%MiniMax的收入增長，主要得益於AI原生產品和開放平台的快速擴展以及多樣化的變現策略。根據灼識諮詢，MiniMax的產品在生產力、音訊生成、文字、視覺、音訊等大模型應用領域均有知名產品。其AI原生產品使用者數不斷增長，累計使用者數截至2025年9月30日增至2.12億以上，平均MAU從2023年的314萬增長超6倍至2024年的1911萬，並進一步增至2025年1-9月的2764萬。2023年、2024年、2025年1-9月，其AI原生產品的付費使用者數分別為11.97萬名、65.03萬名、177.16萬名；開放平台上的付費使用者數分別為100家、700家、2500家。MiniMax的AI原生產品通過向個人使用者提供訂閱服務創收，在2024年及2025年1-9月為公司貢獻了超過71%的收入。其按產品及進一步按變現方式劃分的收入明細如下：從收入地域分佈來看，2025年1-9月，其來自海外收入已超過70%。2025年1-9月，MiniMax整體毛利率為23.3%，B端毛利率為69.4%，C端毛利率為4.7%。除星野外，該公司整體毛利率近50%。03. 平均年齡29歲，AI原生組織效率高持續高強度研發投入、快速迭代全模態模型的背後，離不開MiniMax高效組織效率。截至2025年9月底，MiniMax員工共385人，平均年齡29歲（95後），研發人員佔比近74%，海外歸國人才佔比超30%。其核心研發團隊由來自微軟、Google、Meta、阿里巴巴、字節跳動、DeepSeek等全球AI領先企業的技術人員組成。MiniMax創始人、董事長、執行董事、CEO兼CTO閆俊傑博士便是核心研發成員之一，擁有逾十年的研究與開發經驗，為MiniMax奠定基礎，且數年來對制定MiniMax研發及營運的長期戰略至關重要，尤其是在應用及發展MoE及Linear Attetion等對於整個行業極為重要的技術創新方面。閆俊傑今年36歲，本科畢業於東南大學，博士畢業於中科院自動化所，曾在清華大學從事博士後研究，並曾在AI公司商湯集團擔任副總裁及研究院副院長等職務，在頂級會議及期刊上發表了約200篇學術文章，引用次數超過30000次，獲得了多項獎項及榮譽。執行董事、大語言模型研究及工程負責人趙鵬宇自2023年8月起加入MiniMax，今年29歲。他本碩均畢業於北京大學，在演算法相關研發方面擁有豐富的經驗，並行表了多篇涵蓋神經網路、強化學習等領域的論文。執行董事兼視覺模型研究及工程負責人周彧聰自2022年3月起加入MiniMax，今年32歲。他本碩畢業於北京航空航天大學，在電腦視覺、自動化機器學習及AI訓練系統設計方面擁有豐富的研發經驗，亦在神經網路及深度學習領域撰寫過論文。整個MiniMax董事會也均由青年才幹組成，平均年齡僅32歲（90後）。這支極致年輕的AI原生組織以扁平化的管理架構，不到4年實現了文字、視訊、語音全模態模型領先，以及全球化產品的研發與營運，人效居於行業前列。此前，MiniMax創始人閆俊傑與羅永浩的訪談廣泛刷屏，透露出這家大模型公司的戰略定力。閆俊傑彼時談道，MiniMax整個團隊比較純粹、踏實，大家是真心熱愛，國內不是沒有Ilya那樣的人才，有很多有潛力的人。他認為，對於優秀的人來說，首先錢肯定要到位，其次在組織中要能發揮重要作用、為自己做的事情感到驕傲，AI原生公司的人才結構應該是把幾種不同畫像的優秀人才基於一些底層的原則聚集在一起來工作。閆俊傑制定了三個原則：直接服務使用者、做國際化、技術驅動。MiniMax一直在最佳化兩個目標：堅持技術領先性、通過技術領先性帶來收入的跳變。他透露說，MiniMax已經多次實現，而且每實現一次，規模和數量級就能大很多。在他看來，AI行業不是網際網路的延續，大模型時代真正的產品是模型本身，本質上是提供智能。他相信AI時代最核心的競爭力是想像力，誰有最好的想像力，誰能最堅持它，誰對社會價值大，那就應該是這樣的人出來。截至最後實際可行日期，MiniMax在中國國家智慧財產權局註冊了74項專利，在中國註冊了146項商標，在中國國家版權局註冊了72項著作權，擁有28個在中國註冊備案的域名，並在國際範圍內註冊了87項商標。閆俊傑、Local Linearity Inc.、MiniMax Awakening、MiniMax Limited、Alpha EXP、Scaling EXP Limited及MiniMaxMatrix將共同構成MiniMax的控股股東集團。04. 全球唯四，全模態國際第一梯隊團隊的高戰鬥力，直觀反映在研發成績上。根據灼識諮詢，按2024年基於模型的收入計，MiniMax是全球第四大pureplay大模型技術公司。MiniMax專注全模態模型自研，技術迭代密集，模型進展每年上一個台階，實現持續突破，是“全球唯四全模態進入第一梯隊”的大模型公司。語音生成模型方面，MiniMax在2023年推出國內首個基於Transformer架構的語音大模型Speech 01，隨後在2024年將綜合性能提升至全球第一的Speech 02，累計已生成超過2.2億小時的語音。視訊生成模型方面，其2024年8月發佈的Video-01模型及海螺AI產品已達到當時業界頂尖水平；2025年6月推出的升級版Hailuo-02，在權威的Artificial Analysis視訊評測中位列全球第二，累計生成視訊超5.9億個。大語言模型方面，2025年10月，該公司發佈並開源新一代文字大模型MiniMax M2，發佈即在Artificial Analysis位列全球前五、開源第一，也是中國開源大模型首次在該榜單中躋身全球前五。M2在全球模型聚合平台OpenRouter上迅速爬升到國內模型token用量第一，程式設計場景排名全球token用量第三。該公司在早期階段便採用了混合專家（MoE）架構及混合注意力機制，在保持全球領先性能的同時，亦能夠大幅降低計算資源消耗。通過高效研發，其訓練成本佔比大幅下降。招股書顯示，訓練相關的雲端運算服務開支佔收入比已從2023年的超過1300%最佳化至2025年1-9月的266.5%。05. 結語：4年躋身全球AI第一梯隊，多元化收入跑通商業化路徑大模型市場正以前所未有的速度發展，並迅速重塑人類社會。全球大模型市場規模預計2030年將超過3000億美元。IDC預計，到2030年人工智慧將累計為全球經濟貢獻19.9兆美元，並推動2030年全球GDP增長3.5%。而MiniMax，這家兼具年輕、高效、多模態等特色的AI公司，從成立到上市僅用四年便躋身全球AI第一梯隊，管理層與員工平均年齡刷新了資本市場的紀錄，以多元化收入模型跑通可持續商業化路徑，成為全球AI產業從“技術競賽”向“商業化與全球化並進”轉型的重要風向標。 (智東西)

“AI 時代，誰是 token 的最低成本生產者，誰就擁有決定性優勢。”“未來三四年，最重要的事情是太空資料中心。”近日，知名科技投資人Gavin Baker在最新採訪中與主持人深入探討了輝達與Google之間的基礎設施戰爭，Gemini3和Scaling Law的影響，以及從Hopper向Blackwell晶片的轉變如何重塑了整個行業。Gavin Baker是Atreides Management的管理合夥人兼首席投資官（CIO），以其在公開市場上對科技趨勢，尤其是AI領域的深刻洞察而聞名。其中有關太空資料中心的觀點，也得到了馬斯克的認同：Gavin尖銳地指出，過去幾年所有AI公司都陷入“囚徒困境”：如果你放慢腳步，你就永遠出局；如果競爭對手不停，你只能繼續投。他認為，在模型進展上，Gemini 3 證明Scaling Law仍然成立。過去一段時間 AI 的主要進步則更多來自後訓練的兩條新縮放路徑，也就是帶驗證回報的強化學習與測試時算力，讓 AI 在新一代硬體還沒有完全到位時仍能繼續推進。Blackwell（GB200/GB300）和 AMD MI450 的出現，將帶來大幅降低每 token 成本的能力。Gavin強調，xAI 將是最快推出 Blackwell 模型的公司，因為它擁有最快的資料中心部署能力和大規模叢集調通經驗。Gavin還指出，過去 Google 是全球最低成本 Token 生產者，這給了他們巨大優勢。但隨著GB300開始量產，低成本時代將屬於 Nvidia 的客戶，如OpenAI、xAI 等。至於太空資料中心的建設，他認為這是未來三到四年最重要的事情，“現在這是一場巨大的淘金熱”。此外，他還分析了：AI 推理如何讓飛輪啟動，徹底改變資料和使用者反饋的價值邏輯；端側 AI 對算力需求的潛在衝擊，可能讓雲算力的爆發放緩；SaaS 公司在 AI 時代面臨的毛利困局，以及誰能抓住下一波風口。小編節選整理了部落格內容，資訊量巨大，enjoy！Gemini 3 與前沿模型整體進度主持人：公眾對 Gemini 3 的理解大多集中在擴展定律（Scaling Laws）與預訓練機制。你怎麼看當前的前沿模型整體進展？Gavin：Gemini 3 非常重要，因為它再次確認：預訓練的擴展定律仍然成立。關鍵在於，全世界沒人真正知道為什麼擴展定律成立。它不是理論，是經驗事實，而且被極其精確地測量、驗證了很多年。我們對擴展定律的理解，就像古埃及人對太陽運行的理解：能精確測量，卻完全不知道背後的物理機制。所以每一次確認都非常關鍵。基於擴展定律，其實 2024–2025 按理應該沒有任何 AI 進展。原因是：xAI 把 20 萬 Hopper GPU 做到完全“coherent”（訓練時 GPU 彼此同步共享狀態）之後，下一步就必須等下一代晶片。Hopper 時代的上限就是 20 萬片，你再擴都沒用。但真正的故事是： “推理（Reasoning）”救了整個 AI 行業如果沒有推理模型（OpenAI 在 2024 年 10 月推出的 Reasoning 系列），整個行業會從 2024 年中期到 2025 年底 陷入 18 個月停滯。推理帶來了兩條全新擴展定律：強化學習 + 可驗證獎勵（RL + Verified Rewards）“在 AI 中，凡是你能驗證的，你就能自動化。”測試時計算（Test-Time Compute）也就是讓模型在推理階段使用更多算力。這兩條擴展定律讓 AI 在沒有新 GPU 的 18 個月裡依然高速進步。xAI會最快訓練出 Blackwell 模型Gavin：Google 在 2024 推 TPU v6、2025 推 TPU v7。這些晶片性能飛躍巨大，相當於從二戰戰機跳到冷戰噴氣機。因為 Nvidia Blackwell（GB200）極度困難、延遲嚴重，Google 等於是提前拿到了下一代“材料”。Gemini 3 正是在更強 TPU 上驗證預訓練擴展定律的第一次大考，結果通過了。這意味著：Blackwell 時代訓練出來的模型會非常強。2026 年初會出現第一批真正的 Blackwell 模型。我認為最快的是 xAI。理由很簡單：黃仁勳曾說過，“沒有人比 Elon Musk 更快建資料中心。”Blackwell 這種超級複雜的晶片，需要海量叢集快速部署來“磨合”。只有 xAI 能做到最快部署、最多叢集、最快調通。所以他們會最先訓練出 Blackwell 模型。Google“低成本生產 Token”的戰略地位將被逆轉Gavin：過去 Google 是 全球最低成本 Token 生產者，這給他們巨大優勢：他們可以用低價（甚至負毛利！）讓競爭對手幾乎無法呼吸。這是極其理性的企業戰略。但當 GB300（比 GB200 更強）開始量產、並且能無縫替換進現有機房後，低成本時代將屬於 Nvidia 的客戶（OpenAI、xAI 等）。到那時，Google 就不再是最低成本生產者，就不能再輕易靠“負 30% 毛利”窒息競爭者。AI 行業經濟格局將大幅改變。為什麼 TPU v8 / v9 趕不上 GPU？主持人：為什麼會這樣？為什麼 TPU v8、v9 無法做到和 GPU 一樣優秀？Gavin：這裡有幾點原因。第一點：Google 做了更加保守的設計選擇原因之一我認為是他們的晶片設計流程本身比較特殊。半導體設計分為前端（Front-End）與後端（Back-End）。另外還有與台積電合作的晶圓代工環節。製造 ASIC 有很多方式，而 Google 的方式是：Google 主要負責前端設計（相當於建築師畫房子的圖紙）Broadcom 負責後端設計與量產（相當於施工方蓋房子，並負責與台積電合作）這是個粗略類比，但能說明問題。Broadcom 的半導體業務長期維持 50～55% 毛利率。我們不知道 TPU 的具體數字，但如果假設到 2027 年 TPU 業務規模達到 300 億美元，那麼 Broadcom 大概會從中賺走 150 億美元的毛利。對 Google 來說，這實在太貴了。當一個公司把 ASIC 業務做大到這種量級，就會出現一個非常明顯的經濟動力：把所有晶片設計和製造流程“收歸自研”。蘋果就是這麼幹的。蘋果的晶片沒有 ASIC 合作夥伴，前端蘋果自己做，後端蘋果自己做，生產也由蘋果直接管理台積電，因為他們不想為外包設計付 50% 毛利。當業務規模夠大時，你完全可以把 Broadcom 這類供應商的工程師挖走、薪水翻倍、甚至三倍，還可以省錢。如果 TPU 到 2028 年規模做到 500 億美元，那 Google 每年付給 Broadcom 的錢會變成 250 億。那 Google 完全可以去 Broadcom 把整個團隊全買走，把成本反而降下來。當然，出於競爭與監管原因 Google 不能真的這麼幹，但這些“經濟摩擦”已經影響 TPU v8 / v9 的設計節奏了。第二點：Google 引入了聯發科（MediaTek），在敲打 Broadcom這是一個明確的訊號：Google 對付給 Broadcom 的高額費用已經非常不滿。台灣的 ASIC 公司（包括聯發科）毛利要低得多，把他們引入，就是“第一槍”。第三點：SerDes 是晶片之間通訊的核心技術，但有價值上限Broadcom 的 SerDes 確實很好，但SerDes 的價值上限也就 100～150 億美元等級，絕沒到 250 億美元 這種程度，世界上還有其他優秀的 SerDes 供應商所以，Google 沒必要永遠被 Broadcom 卡住。第四點：Google 的保守設計，可能是因為供應鏈“分裂”要開始了Google 正在準備多家供應商平行工作（Broadcom + MediaTek）。這種“分裂的供應鏈”會讓設計更加保守，因為你要保證每家廠商都能按時做出一致的結果。這讓 TPU 的迭代速度變慢了。第五點：GPU 正在加速，而 ASIC 正在變慢這是行業最關鍵的趨勢。Nvidia 和 AMD 的回應是：“你們所有人都在造自己的 ASIC？好，我們就一年一代，讓你們永遠追不上。”GPU 的迭代速度現在是過去的 2 倍甚至 3 倍。而當你去做 ASIC（TPU、Trainium、各種自研晶片）時，你會突然意識到：“哦……原來造 ASIC 根本不是只做一個晶片這麼簡單！”你要同時解決：晶片本體、NIC（網路介面卡）、CPU、Scale-up 交換機、Scale-out 交換機、光模組、軟體棧、訓練框架、生態系統、整個供應鏈。你做出來一個小晶片，結果發現：“糟糕，我只是做了一個微小元件，而 GPU 廠商已經把整個巨型系統打通了。”第六點：做出“好 ASIC”需要至少三代Google TPU 的歷史就是活生生的例子：TPU v1：能用，但力量不足TPU v2：好一點TPU v3/v4 才開始接近真正“能打”Amazon 的 Trainium 也是一樣：Trainium 1：比 TPU v1 略好，但差不多等級Trainium 2：變強一點Trainium 3：第一次達到“可以接受”Trainium 4：預計才會真正成為好晶片這就是經驗積累 → 工程成熟 → 系統打磨，無法跳步驟。這意味著所有其他試圖“自研 AI 晶片”的公司都會發現自己根本追不上 Nvidia、AMD。第七點：最終，TPU 和 Trainium 也會變成“客戶自有工具鏈”你可以爭論具體年份，但方向是確定的。因為從第一性原理來說，當規模足夠大，把晶片從外包轉為自研是經濟必然。主持人：如果把視角拉遠一點，這一切的意義是什麼？三代 GPU、三代 TPU、三代 Trainium 之後，這場巨大戰爭將給全人類帶來什麼？Gavin：如果讓我給出一個事件路徑：第一步：Blackwell 時代的模型將極其強大。第二步：GB300（以及 AMD MI450）帶來每 Token 成本的大幅下跌。這會讓模型可以“思考更久”。當模型能思考更多步，就能做新的事情。我被 Gemini 3 第一次“主動幫我做事”震撼到：它幫我訂餐廳。以前模型都是給我生成文字、做研究，這次是直接辦成一件現實任務。如果它能訂餐廳，那就離訂機票、訂酒店、打 Uber、管日程、全面生活助理不遠了。大家現在都在談這個，但真的想像一下：這東西最終會跑在手機裡。這就是近期就會發生的未來。而且你看，現在一些非常“技術前沿”的大公司，他們超過 50% 的客服已經完全由 AI 處理了。客服是一個 4000 億美元的大產業。而 AI 特別擅長的一件事，就是“說服”，這正是銷售和客服的核心能力。從一家公司的角度想，如果把業務拆開，就是：做產品、賣產品、服務使用者。現在看，到 2026 年底，AI 很可能在其中兩塊已經非常拿手了。這又回到 Karpathy 說過的那句話：AI 可以自動化所有“可被驗證”的任務。凡是存在明確對錯結果的事情，你都可以用強化學習把模型訓練得非常強。主持人：你最喜歡的例子有那些？或者說未來最典型的？Gavin：比如讓模型自動訓練模型本身；比如全球帳目是否能對齊；比如大規模會計工作；或者銷售、客服這些“明確可驗證結果”的任務。如果這些在 2026 年開始全面落地，那麼NVIDIA Blackwell就有明確 ROI，然後領域繼續往前走，接著會迎來Rubin，再接著是 AMD MI450、Google TPU v9。ASI與大公司的“囚徒困境”Gavin：但最有意思的問題是：人工超級智能（ASI）到底會產生怎樣的經濟回報？過去幾年所有公司都陷入“囚徒困境”：如果你放慢腳步，你就永遠出局；如果競爭對手不停，你只能繼續投。微軟今年早些時候“猶豫”了 6 周，我想他們大概會說他們後悔。但是隨著 Blackwell、特別是 Rubin 的到來，經濟因素將會壓倒囚徒困境。因為數字實在太誇張了。你看那些買 GPU 最大的公司，都是上市公司，他們每季度都有審計過的財報，你完全可以算出他們的 ROIC（投入資本回報率）。而所有這些公司在大規模買 GPU 後，ROIC 比之前更高。有人說那是因為減少了營運成本，但那本來就是期待的 AI ROI。還有很多收入增長，其實來自廣告推薦系統從 CPU 遷移到 GPU 帶來的效率提升。但不管怎樣，ROI 已經非常明確。每家網際網路大廠內部，掌管營收的人都非常不爽，因為他們認為太多 GPU 被給了研究團隊：“你把 GPU 給我，我就能增長營收。”這在每家公司都是永恆的爭奪。主持人：我很好奇你有那些“潑冷水”的看法，會讓算力需求增長放緩？Gavin：最明顯的“空頭邏輯”是端側 AI（Edge AI）。三年後，只要手機稍微變厚一點、塞下更多 DRAM、電池短點續航，你就能在本地運行一個剪裁版 Gemini 5、Grok 4/4.1、ChatGPT，達到30–60 tokens/s，IQ 115 左右。而且這是免費的。顯然，這就是蘋果的戰略：在本地運行隱私安全的模型，只有需要時才呼叫雲端的“上帝大模型”。如果端側 AI 滿足90% 的需求，那這將是最嚇人的“空頭論點”。另一個風險是 scaling law 不再生效。但如果假設 scaling law 繼續有效，預訓練肯定還能撐一代；後訓練（RLVR 等）剛起步；推理階段的 test-time compute 也才剛開始。而且我們已經在取得巨大進展，比如模型能把越來越多上下文裝進“腦子”裡。長期來看，大上下文窗口可能是解決當前很多問題的關鍵。配合 KV-cache offload 這一類技術，它們潛力巨大。對 Meta、Anthropic、OpenAI的看法主持人：我們其實還沒有聊太多 Meta、Anthropic、OpenAI。我很好奇你對整個基礎設施層的看法。這三家是這個“大博弈”裡最關鍵的玩家。我們前面討論的所有趨勢，對這幾家公司會產生什麼影響？Gavin：我先談談對 frontier 模型整體的一些看法。在 2023–2024 年，我特別喜歡引用Erik Brynjolfsson（美國經濟學者） 的一句話。Erik 說：“基礎模型是歷史上增值速度最快的資產。”我認為他說對了 90%。我當時補了一句：“擁有獨特資料和網際網路等級分發能力的基礎模型，才是歷史上增值最快的資產。”但“推理” 的出現徹底改變了這一切。以前所有偉大網際網路公司的核心飛輪都是：做出好產品→ 吸引使用者 → 使用者產生資料 → 用資料改進產品 → 更多使用者 → 更多資料……Netflix、亞馬遜、Meta、Google都靠這套飛輪運轉十年以上，這也是為什麼它們擁有極強的規模回報。然而，這個飛輪在“無推理能力”的AI 時代是不存在的。你預訓練一個模型，把它丟到現實世界，它就那樣了。你可以做 RLHF，基於一些使用者反饋去調整，但那個過程噪音大、訊號弱、反饋難以精確量化，很難真正變成“可驗證獎勵”反饋回模型但推理讓飛輪開始轉動了。現在，如果大量使用者不斷提出某類問題，並持續對某些回答給出明確的正向或負向反饋，這些都能被轉化為可度量、可驗證的獎勵訊號，再反饋回模型做強化學習。我們現在還處在非常早期的階段，但飛輪已經開始轉動了。這是對所有 frontier labs 的格局影響最大的變化。主持人：你能具體解釋一下嗎？為什麼 reasoning 會讓飛輪成立？Gavin：如果大量使用者在問同一個問題，並穩定地偏好某些答案、不喜歡另一些答案，這就產生了一個穩定一致的獎勵訊號。而且這個獎勵訊號是可驗證的。模型就能把這些偏好再次學習回去。雖然現在還早、還很難做，但你已經能看到飛輪開始啟動。第二點，我認為非常重要的是：Meta。祖克柏在今年1 月曾說過一句話：“我高度確信，到2025 年的某個時間點，我們將擁有最強、最好的AI。”我現在不確定他是不是仍然能排進前 100 名。他當時的判斷可以說是錯得不能再錯。而我認為這是一個非常重要的事實，因為它說明：這四家美國前沿實驗室做到的事情，其實難度遠比外界想像的大。Meta 砸了巨額資金，也失敗了。Yann LeCun團隊出現動盪，他們甚至推出了那個著名的“10 億美元挖 AI 研究員”的計畫。順帶說一句，微軟也失敗了。他們雖然沒有像 Meta 那樣做明確預測，但微軟收購了 Inflection AI，當時他們內部也多次說：“我們預期自己的內部模型會迅速變強，未來 Copilot 會越來越多跑在內部模型上。”亞馬遜則收購了 Adept AI，他們有自己的 Nova 模型，但我不認為它能進入前 20 名。所以很顯然，這件事比一年前所有人以為的都要難得多。原因有很多，例如要讓一個巨型 GPU 叢集保持“同步一致”其實非常困難。許多傳統科技公司過去營運基礎設施時都以“節省成本”為核心，而不是以“性能複雜度”為核心。要讓一大堆 GPU 在大規模叢集裡保持高利用率，這是極其難的事情，而且不同公司在 GPU 維運能力上差距非常大。如果你最多能把兩、三十萬顆 Blackwell（GPU）跑到高效一致，而你的叢集只有 30% 的有效執行階段間，而你的競爭對手能做到 90%，那你們根本不在同一個維度競爭。這就是第一點：不同公司在 GPU 維運能力上存在巨大差距。第二點，這些 AI 研究人員喜歡談“品味”，我覺得很好笑。“你為什麼賺這麼多錢？”“因為我的品味很好。”所謂“品味”，其實就是一種對實驗方向的直覺判斷能力。而這正是為什麼這些人能拿很高的薪水。隨著模型規模繼續增大，你已經不能像以前一樣，先在一個 1000 GPU 的叢集上跑一次實驗，再把它複製到 10 萬 GPU 上。你必須直接在 5 萬 GPU 規模上跑實驗，而且可能要跑好幾天。機會成本極高。所以你必須有一支極強的團隊，知道應該把算力押在那些實驗上。然後，你還必須把 RL（強化學習）、後訓練、推理成本控制等所有部分都做到很好。整個流程極其複雜。做這一切，非常非常難。很多人以為簡單，但其實一點都不簡單。我以前做零售行業分析時常說：在美國任何一個行業，如果你能營運 1000 家門店，並讓它們保持整潔、燈光明亮、陳列合理、價格得當、員工友好並且不偷東西——你就能成為一家 200 億或 300 億美元的公司。但結果是，全美國只有 15 家公司能做到。真的非常難。AI 也是同樣的道理：要把所有環節都做到位，非常難。而這也讓所謂的“推理飛輪”開始拉開差距。更重要的是，這四家實驗室，XAI、Gemini、OpenAI、Anthropic，它們內部都有比公開型號更先進的“檢查點”。所謂檢查點，就是模型持續訓練過程中階段性的版本。它們內部使用的版本更強，它們又用這些更強的版本去訓練下一個版本。如果你沒有這些最新的 checkpoint，你就已經落後了，而且會越來越難追上。中國開源對 Meta 來說是“天賜禮物”。因為 Meta 可以用中國開源模型當成自己的 checkpoint，從而實現“自舉”（bootstrap）。我相信他們正在這麼做，其他公司也一樣。OpenAI的最大痛點：Per-token成本太高Gavin：回到公司競爭格局：XAI 將會是第一家推出 Blackwell 模型的公司，也是第一家在大規模推理場景中使用 Blackwell 的公司。這對他們來說是非常關鍵的節點。順便說一句，如果你現在去看 openrouter 的資料，xAI 已經佔據主導地位了。openrouter 可能只佔 API token 的 1%，但它是一個趨勢訊號：XAI 處理了大約1.35 兆 tokenGoogle 大約800–9000 億Anthropic 大約7000 億XAI 表現非常好，模型也很棒，我強烈推薦。你會看到：XAI 先推出模型，OpenAI 會隨後跟上，但速度更快。但是 OpenAI 現在最大的痛點，是它們的 per-token 成本太高，因為他們需要為算力支付溢價，而且合作方不一定是最擅長維運 GPU 的那批人。結果就是OpenAI 是高成本的 token 生產者。這也解釋了他們近期的“紅色警戒”。他們承諾了1.44 兆美元的未來 GPU 支出，這是一個巨大的數字，因為他們知道自己需要大量融資，尤其是如果 Google 繼續“把生態的經濟氧氣吸乾”，那 OpenAI 的壓力更大。他們會推出新模型，但在相當長的時間裡，他們仍然無法解決自己相對於 XAI、Google、甚至 Anthropic 的成本劣勢。Anthropic 是一家好公司，他們燒錢遠低於 OpenAI，但增長更快。所以我覺得必須給Anthropic很多的認可，而這很大程度上得益於他們和Google、Amazon在TPU和Trainium上的合作關係。Anthropic能夠從與Google相同的動態中受益，我認為這在這場精彩的“國際象棋”遊戲中非常具有指示意義。你可以看看Daario Jensen，可能有一些公開評論，他們之間有一些小小的交鋒。Anthropic剛剛和Nvidia簽了50億美元的合同。那是因為Dario是個聰明人，他理解關於Blackwell和Rubin相對於TPU的這些動態。所以Nvidia現在從原來的兩個“戰士”（XAI和OpenAI）增加到了三個戰士。這有助於Nvidia在與Google的競爭中佔據優勢。如果Meta能夠趕上，這也非常重要。我相信Nvidia會盡其所能幫助Meta，比如：“你這樣運行這些GPU，我們或許可以把螺絲擰緊一點，或者調整一下參數。”此外，如果Blackwell回到中國，看起來很可能會發生，那也非常好，因為中國的開源生態也會回歸。未來三到四年，最重要的是太空資料中心主持人：我總是很好奇關於資料中心的一些問題，比如你腦中有沒有關於非晶片方面的突破？Gavin：我認為未來三到四年世界上最重要的事情是太空中的資料中心，這對地球上建造電廠或資料中心的人都有深遠影響。現在這是一場巨大的淘金熱。大家都覺得AI很有風險，但我打算建一個資料中心，一個電廠來驅動資料中心。我們肯定需要它。但如果從最基本的原理來看，資料中心應該建在太空裡。運行資料中心的基本投入是什麼？是電力、冷卻和晶片。總成本角度來看，這就是全部的投入。在太空中，你可以讓衛星全天候在陽光下運行，而且陽光的強度高出30%。你可以讓衛星一直接收光照，這意味著外太空的輻照度比地球高六倍，所以你能獲得大量太陽能。其次，因為全天都有陽光，你不需要電池，而電池成本佔比巨大。所以太空中可用的最低成本能源就是太陽能。冷卻方面，在一個機架中，大部分重量和體積都是用於冷卻，而地球上的資料中心冷卻非常複雜，包括HVAC、CDU、液冷等。而在太空中，冷卻是免費的，你只需把散熱器放在衛星的背光面，這幾乎接近絕對零度，所有這些成本都消失了，這節省了大量開銷。每顆衛星可以看作是一個機架，也有人可能製造三機架的衛星。那麼如何連接這些機架呢？在地球上，機架通過光纖連接，本質上是通過電纜傳輸雷射。而唯一比光纖更快的，是通過真空傳輸雷射。如果你能用雷射把太空中的衛星連接起來，你就擁有比地球資料中心更快、更穩定的網路。訓練方面，這需要很長時間，因為規模太大。但推理（inference）方面，我認為最終訓練也會發生。考慮使用者體驗：當我問Grok問題並得到回答時，手機發出的無線電波傳到基站，然後進入光纖，經過紐約某個匯聚設施，再到附近的資料中心完成計算，最後返回。如果衛星可以直接與手機通訊，而Starlink已經展示了直接到手機的能力，那麼體驗將更快、更低成本。所以從最基本的原理來看，太空資料中心在各方面都優於地球上的資料中心。主持人：那麼阻礙因素是什麼？是發射成本嗎？還是發射可用性問題？Gavin：我的意思是，我們需要大量的太空飛船。像Starship這樣的飛船是唯一能夠經濟地實現這一目標的飛船。我們需要很多這樣的Starship。也許中國或俄羅斯能夠回收火箭，Blue Origin剛剛回收了一個助推器。這完全是一種全新的思考SpaceX的方式。很有趣的是，Elon昨天在採訪中提到，Tesla、SpaceX和XAI正在趨於融合，實際上確實如此。XAI將成為Tesla Optimus機器人的智能模組，Tesla Vision提供感知系統，而SpaceX將擁有太空中的資料中心，為XAI、Tesla、Optimus以及許多其他公司提供AI算力支援。這種融合非常有趣，每個公司都在為其他公司創造競爭優勢。如果你是XAI，有了與Optimus的內建關係非常好，Tesla又是上市公司，任何內部協議都會經過嚴格稽核，而太空資料中心又帶來了巨大優勢。此外，XAI還有兩家公司擁有大量客戶，可以幫助他們建立客戶支援和銷售AI代理系統。總的來說，這些公司正在以一種巧妙的方式融合在一起。我認為當xAI明年推出第一個Blackwell模型時，將是一個重要時刻。如何看待算力短缺的周期性問題主持人：歷史上人類經濟中短缺總會伴隨資本周期的過剩。如果這次短缺是算力，比如Mark Chen曾表示，如果給他們幾周時間，他們會消耗十倍算力。似乎算力仍然存在巨大短缺，但歷史規律表明短缺之後會出現過剩。你怎麼看這個規律在這項技術上的體現？Gavin：AI與傳統軟體根本不同，每次使用AI都會消耗算力，而傳統軟體不會。確實，每家公司都可能消耗十倍算力，結果可能只是讓200美元檔的服務更好，免費檔可能會加入廣告。Google已經開始用廣告為AI模式變現，這會給其他公司引入免費模式廣告的許可，這將成為重要的ROI來源。OpenAI等公司也會在服務中收取佣金，例如幫你預訂旅行，獲取一定收入。半導體行業中庫存動態會導致周期性波動。半導體的“鐵律”是客戶緩衝庫存必須等於交貨周期，因此出現庫存周期。我們最近沒有看到真正的半導體產能周期，也許自90年代末以來就沒有。原因是台灣半導體非常擅長整合和穩定供應，但現在他們的產能擴張未跟上客戶需求。我認為台灣半導體可能會犯錯誤，因為他們過於擔心產能過剩。他們曾經嘲笑Sam Altman，認為他不懂，他們害怕產能過剩。從另一個角度看，功率作為“限速器”對最先進計算玩家非常有利。如果功率受限，計算成本就不重要，你每瓦特獲得的算力越高，收入越高。建造資料中心的投資回報取決於單位功率的收益，這是對最先進技術非常有利的。至於能源解決方案，美國無法快速建造核電站，法律和環境限制太嚴格。解決方案是天然氣和太陽能，AI資料中心可以靈活選址，這也是為什麼美國各地，包括Abilene，會有大量活動，因為這裡靠近天然氣產區。渦輪機製造商正在擴張產能，比如Caterpillar計畫在未來幾年增加75%產能，所以電力問題正在得到解決。SaaS公司犯的“亞馬遜式錯誤”主持人：我們來談談SaaS吧，你怎麼看？Gavin：應用型SaaS公司正在犯和實體零售商對待電商時同樣的錯誤。實體零售商，特別是在電信泡沫破裂後，他們看到了亞馬遜，覺得“哦，它在虧錢，電商是低利潤業務。”從基本原理來看，怎麼可能效率更高呢？現在，我們的客戶自己去店裡，付運輸費，然後再付把商品運回家的費用。如果我們直接把貨物發給每個客戶，怎麼可能效率更低呢？亞馬遜的願景當然是，最終我們會沿街把包裹送到每戶人家。因此，他們當時沒有投資電商，雖然看到客戶需求，但不喜歡電商的利潤結構。這就是幾乎所有實體零售商在投資電商方面動作緩慢的根本原因。現在來看，亞馬遜在北美零售業務的利潤率甚至高於很多大眾零售商。利潤率會變化，如果客戶需求一項根本性的變革性新技術，不去接受總是錯誤的，這正是SaaS公司正在犯的錯誤。這些SaaS公司有70%、80%、甚至90%的毛利率，但他們不願接受AI帶來的毛利率。AI的本質是，每次都需要重新計算答案，而傳統軟體寫一次就能高效分發，這也是傳統軟體很好的商業模式。AI正好相反，一個優秀的AI公司毛利率可能只有40%。主持人：那為什麼他們還能夠早期產生現金流？Gavin：奇怪的是，由於效率提升，他們比傳統SaaS公司更早產生現金流，但不是因為高毛利，而是因為員工很少。看著這些公司很悲哀，如果你想運行AI代理，但不願意接受低於35%的毛利率，它永遠不會成功，因為AI原生公司就是以40%左右的毛利在運作。如果你試圖保持80%的毛利結構，等於保證在AI上失敗，這是絕對的保證。這很瘋狂，因為我們已有案例證明軟體投資者願意忍受毛利壓力，只要毛利潤美元總額合理，這就是雲端運算的存在證明。你可能忘了，Adobe從本地部署轉向SaaS模式時，不僅毛利下滑，收入也大幅下降，因為從一次性收費變為多年分期收費。微軟的情況沒那麼戲劇，但早期雲轉型的股票也很難，投資者覺得“天啊，你是個80%毛利的業務，現在毛利下降到50%”。但事實證明，只要毛利潤美元總額增長，這些毛利可以隨著時間改善。微軟買下GitHub，現在GitHub也成為Copilot的分發管道，這是一筆巨大的業務，毛利較低，但成功了。幾乎沒有一家應用型SaaS公司不能運行成功的AI代理策略。他們相較AI原生公司有巨大優勢，因為他們有現金流業務。我認為有機會出現新的“建設性激進者”，去告訴SaaS公司：別再這麼傻了。只需展示AI收入和毛利，說明真實的AI是低毛利的，並且對比風險投資支援的虧損競爭者。有些公司甚至可以暫時將毛利降為零，但他們有現成現金流業務。這是一套顯而易見的玩法，Salesforce、ServiceNow、HubSpot、GitLab、Atlassian，都可以運行。使用AI代理的方法很直接：先問自己，當前為客戶提供的核心功能是什麼？如何用代理進一步自動化？例如CRM，客戶做什麼？他們與客戶溝通，我們做客戶關係管理軟體，也做客戶支援。做一個可以執行這些功能的代理，以10%-20%的價格出售，讓代理訪問所有資料。目前的情況是，其他人開發的代理訪問你的系統，把資料拉走，最終你會被替換。這完全是因為企業想保持80%毛利，這是一場生死攸關的決策。除了微軟，幾乎所有人都在失敗。正如Nokia當年備忘錄所說，你的平台在燃燒，你可以跳到新的平台去撲滅火。 (51CTO技術堆疊)

貝佐斯聯手Google大神共同執掌新公司「普羅米修斯計畫」。根據《紐約時報》引述多位知情人士消息，亞馬遜創辦人貝佐斯(JeffBezos)將再次親自投入業務運營，以聯合CEO身份加入一家名為普羅米修斯計劃（ Project Prometheus）的新AI新創公司。這家公司已籌集62億美元資金，貝佐斯同時也是該計畫的部分投資者。聯手Google前高階主管貝佐斯將與維克·巴賈傑（VikBajaj ）共同擔任聯合CEO。巴賈傑曾主導並共同創立Google的生命科學部門，也參與創辦了Alphabet旗下生技公司Verily，以及投資機構Foresite Capital旗下專注AI的關聯機構Foresite Labs。報導指出，他已於近期離開Foresite Labs，全力投入普羅米修斯計畫。這將是貝佐斯自2021年卸任亞馬遜管理職缺後，首次重返第一線營運。聚焦“實體經濟AI”根據其LinkedIn頁面訊息，普羅米修斯計劃定位為開發「服務於實體經濟的人工智慧」。其研發路線與Periodic Labs類似，透過模擬物理世界來訓練AI模型，以加速科學研究進程。公司計劃為電腦、航空航太、汽車等多個工程與製造領域打造AI產品。目前，普羅米修斯計劃已組成近百人的團隊，成員包括來自Meta、OpenAI、GoogleDeepMind等頂尖AI企業的研究人員。截至目前，亞馬遜和巴賈傑均尚未對此消息作出回應。 （創新觀察局）

現年61歲的亞馬遜創辦人、億萬富翁傑夫·貝佐斯（Jeff Bezos）傳出新消息。他將成立一家人工智慧新創公司，將AI應用於物理世界任務。報導表示，公司剛成立就獲得62億美元融資，部分資金來自貝佐斯本人。根據《紐約時報》報導，這家計畫名為「普羅米修斯」（Prometheus）的AI公司，業務方向與貝佐斯將人類送往太空的願景高度契合，專注於將人工智慧應用於電腦、汽車和太空船的工程與製造領域。目前該公司的總部所在地尚未公佈。「普羅米修斯計畫」已經僱用近100名員工，其中包括從OpenAI、DeepMind和Meta等頂級人工智慧公司挖來的研究人員。「普羅米修斯計畫」進入的是日益擁擠的人工智慧市場，將在Google、Meta、微軟等科技巨頭以及OpenAI、Anthropic等明星AI企業的競爭中開闢細分賽道，將AI應用於實體世界任務。和建構聊天機器人的人工智慧模型不同，新公司研發能從物理世界學習的系統。例如由今年離開Meta、OpenAI、DeepMind等公司的研究人員創辦、獲得3億美元資金支援的Periodic Labs就在開發人工智慧技術，加速物理和化學等領域的發現。 Periodic Labs計畫在加州建立實驗室，讓機器人進行大規模科學實驗，透過分析實體試誤過程，人工智慧系統可望自主進行實驗。知情人士表示，「普羅米修斯計畫」也將探討類似的研究方向。值得一提的是，當電動車分析師索耶·梅瑞特在社交平台上分享這一消息時，貝索斯的老對手、特斯拉和SpaceX首席執行官埃隆・馬斯克評論稱：“哈哈，不可能。Copy cat（跟屁蟲）。”（路邊消息社）

00後登場。創投圈的00後面孔越來越多了。投資界獲悉，Axiom Math正式完成首輪6400萬美元（約合人民幣4.6億元）融資，由B Capital領投，Greycroft、Madrona和Menlo Ventures等機構參與，投後估值3億美元（約合人民幣20億元）。締造Axiom的正是00後洪樂潼（Carina Hong）——在廣州出生長大，她曾就讀於著名的華南師大附中，多次拿下奧數競賽獎牌。後考入麻省理工學院，碩士畢業於牛津大學，又來到史丹佛大學攻讀博士學位。頗為戲劇性的是，Axiom的誕生來自於一次咖啡館的交流。(圖片來源：麻省理工學院)悄然間，00後創始人正在大舉登上AI舞台。10個人，完成首輪融資估值20億Axiom是誰？官網顯示，這家嶄露頭角的AI公司，定位為“以AI數學家為起點，打造一個能夠自我提升的超級智能推理系統”。換言之，這是一個可以解決複雜數學問題的模型，可以生成為獲得答案改採取的不同步驟的詳細推理，同時進行驗證。具體而言，Axiom的想法是將教科書、論文和期刊中的英文數學內容轉換為程序化知識，以便人工智慧可以解決數學問題，並能通過驗證來檢驗解答。未來，這一模型的研究場景有望拓展到金融建模、晶片架構甚至是量化交易等領域。在創始人洪樂潼的設想中，該模型或許能提出新的數學猜想，由此產生全新的知識。為何瞄準AI數學賽道？當中有一段插曲。今年ChatGPT o3曾被爆出數學測試作弊，洪樂潼在社交媒體指出，OpenAI的大模型之所以在數學測試中表現良好，可能是因為該公司在訓練模型時已接觸過這些題目。她舉例稱，美國數學邀請賽考試中，部分大語言模型可以達到96%的精準率，但當要求展示證明過程時，分數驟降至5%。“為什麼會有這樣的差異？因為訓練方式有問題。”當前AI大模型無法完美解決的組合數學問題，恰恰是洪樂潼的研究專長。在Axiom看來，人工智慧帶來了一個歷史性的轉折點，即數學領域的發現能夠以指數級的速度迅猛發展，因此現在正站在一場數學復興的門檻之上。而這場復興建又立在三大支柱之上：人工智慧、程式語言以及數學。三者共同推動著一系列發現的出現，每一次突破都會為下一次創新提供強大的動力。如今首輪融資正式出爐，Axiom的核心團隊也首次亮相——儘管目前僅有10名全職員工，但當中不乏多位來自Meta的AI大牛。例如現任CTO Shubho Sengupta，曾領導Meta FAIR團隊，開發出OpenGo和CrypTen，此前他還參與過Google分佈式訓練系統的研究工作，同時也是最早開發CUDA技術的專家之一；François Charton，則在Meta負責過大語言模型在數學和理論物理學的研究，他在2019年就開始探索如何將Transformer技術應用於複雜的數學問題；Hugh Leather，也是Meta前人工智慧研究科學家，曾開發出首批用於編譯器和GPU程式碼生成的大語言模型。作為此次領投方，B Capital合夥人在官網中表示，解決複雜的數學問題是許多人類發明的核心，因此一種能夠提出新的定量假設並進行驗證的工具，從而為決策提供可靠的依據，無疑會具有極高的價值。而Axiom團隊也具備獨特的優勢，能夠抓住這一機遇，將先進的數學推理技術變為現實。“Carina Hong是一位傑出的數學家，她不僅擁有非凡的學術成就，更具備最優秀的創業者所具備的那種熱情與專注力，她將遠見卓識的領導力與堅定不移的執行力完美地結合在了一起。”她的征程才剛剛開始。一位00後女學霸帶隊來自廣州Axiom的故事，離不開一路開掛的洪樂潼。出生於廣州，今年24歲，她的父母是土生土長的潮汕人。儘管父母並沒有接受過高等教育，洪樂潼卻自幼展現出不凡的數學天賦，她中學就讀於廣東名校華南師範附中。高中時期，洪樂潼是數學奧林匹克省隊的唯一四名女生之一，多次在“華羅庚金盃”、全國高中數學聯賽等競賽中取得好名次。2019年，她考入麻省理工學院，攻讀數學和物理雙學位。本科期間，洪樂潼曾擔任數學協會主席，並修讀20個碩博課程，發表多篇高品質學術論文，涉及模橢圓曲線與K3曲面的L函數、月光猜想、彈出棧排序演算法研究等領域。畢業前後，洪樂潼先是拿下Schafer數學卓越獎，該獎每年僅頒發給一名本科女生；後獲得北美數學本科生的最高榮譽——摩根獎，她是第五位獲此殊榮的女生。2022年底，洪樂潼成功拿到牛津大學羅德獎學金，成為僅有的四名中國獲獎者之一。羅德獎學金是世界上歷史最悠久、最負盛名的國際獎學金項目之一，有“本科諾貝爾獎”的美譽。隨後，洪樂潼前往英國牛津大學學習神經科學，獲得碩士學位。期間還在倫敦大學學院進行人工智慧和機器學習研究，當時她曾表示，“人工智慧與科學家未來的互動會怎樣？是我接下來希望研究的課題。”到了2024年8月，洪樂潼進入史丹佛大學攻讀數學博士和法學博士。“一直以來，我都是一名研究者。”此前一次採訪中她稱，內心深處最想要解決真正困難的技術問題。很快，還在博士就讀的她闖入了AI界。她創辦Axiom源於一次在咖啡館的交流。去年秋天的一個周末，洪樂潼在史丹佛附近的一家咖啡館，與當時還在Meta工作的Shubho Sengupta進行了交流。兩人聊了幾個小時，討論了各自研究領域的交叉點，以及開發人工智慧解決世界上最棘手的數學問題的可能性。這次交流後不久，洪樂潼便從史丹佛退學，著手創辦Axiom。有意思的是，Axiom的會議室都是以數學巨匠來命名，例如高斯和阿達·洛夫萊斯。就在年初DeepSeek火爆全球之際，洪樂潼曾發出這樣的感慨：“一個小而專注、特立獨行的團隊。一群理想主義者組成的優秀合作夥伴。他們執行力強，親力親為。最珍貴的，是那份理想與使命交織的信念。這就是DeepSeek的故事，也是我想親自書寫的故事。”正如Axiom在官網中所言，“數學發現的未來，就從這裡開始。”投身AI00後正集體登場放眼望去，00後創始人正集體登上AI舞台。不久前，兩位來自麻省理工的00後——22歲的華裔女生Jessica Wu和23歲的尼爾·德什穆克，所創立的Sola Solutions拿下矽谷知名風投的融資。官網顯示，融資包括由Conviction領投的350萬美元種子輪，以及由a16z領投、Conviction跟投的1750萬美元A輪，總計2100萬美元（約合人民幣1.5億元）。這樣的案例正在湧現。今年5月，AI初創公司Anysphere完成一輪9億美元融資（約合人民幣65億元），估值達90億美元，成為今年最火AI程式設計獨角獸之一。而掌舵公司的是四位年輕面孔——2022年，從麻省理工學院畢業的Michael Truell和他三位同學一拍即合，瞄準AI程式設計賽道下場創業，旗下產品Cursor一舉改變程式設計方式，迅速席捲矽谷AI圈。無獨有偶，今年3月AI招聘網站Mercor宣佈完成1億美元B輪融資，估值達到20億美元，成長速度令人咋舌。公司創始人是三位退學的00後。大二那年，三人在宿舍裡創立Mercor，後來決定從哈佛及喬治敦大學退學全職創業。我們將視野拉回到國內，相似一幕同樣上演。今年初，三個來自清華的“00後極客”——閔宇恆、程頤、李宜哲創業做機器人，零次方誕生。如今公司一舉完成天使+和天使++輪億元級融資，集結河創投、同創偉業、力合科創、水木基金、瑞穗力合、拉爾夫創投等知名機構。還有此前完成天使輪融資的靈初智能，由高瓴創投和藍馳創投領投，公司聯合創始人陳源培是一名痴迷機器人的00後，曾作為Stanford訪問學者師從Karen Liu和李飛飛教授；具身智能公司UniX AI創始人兼CEO楊豐瑜，出生於2000年，本科就讀於密歇根大學電腦專業，從耶魯大學博士畢業後回國創業，同樣受到不少VC的關注。一支00後軍團悄然崛起。曾有投資人分析，這一波AI創業潮中，00後和90後、80後的創始人起點都一樣，甚至前者優勢更大。因為很多事物太新了，原有經驗無法直接復用，而00後沒有包袱，對新事物的認知觸感更多。“我們始終堅信，創業在很多時候是屬於年輕人的。”真格基金管理合夥人戴雨森最近感嘆，“無知者無畏。諸多科技創新成果誕生，正是源於當事人雖瞭解卻無所畏懼，由此萌生出創新想法。”“少年負壯氣，奮烈自有時。”每一代年輕的創業者，註定在歷史長河裡留下屬於自己的印記。 (投資界)