【编者按】硅谷是新一轮AI革命的中心,为了减少信息不对称,搜狐科技于近期推出《10位华人的硅谷AI见闻》系列报道,通过与硅谷科学家、工程师、创业者、投资人、学者等人深度对话,看看在埃隆·马斯克、山姆·奥特曼这些大佬的声音之外,Ta真实的水位和水温是怎么样的。

硅谷投资人张璐:美国大模型已进入应用创新阶段,初创企业更大的机会在B端

本期为系列报道第五篇,对话硅谷知名投资人、Fusion Fund创始合伙人张璐。

出品|搜狐科技

作者|梁昌均

编辑|杨锦

“我从来不投To C,全是ToB。”近日,硅谷知名投资人、Fusion Fund创始合伙人张璐在与搜狐科技的独家对话中表示。

毕业于斯坦福大学的张璐,是硅谷的连续成功创业者,2015年转向投资领域,AI是其主要关注方向。“2018年GPT-1出来的时候,我们就有关注,2021年开始投资生成式AI。”

这比市面上大部分人都要早,张璐也意识到这是更大的机会。“这次AI引领的是全产业的数字化转型,机会可能比互联网时代要大10倍、20倍。”

目前,中国以月之暗面、MiniMax、智谱AI、百川智能、零一万物等独角兽为代表的大模型创业公司,获得了市场多数资金的关注,并在融资、技术、商业等方面暗暗较劲。

美国的创投生态则截然不同。据张璐介绍,美国基础大模型的机会已经明确属于大厂,VC基本不会投资基础模型。

“技术创新周期分为三个阶段——基础创新、应用创新和商业模式创新,而当前中国尚处于基础模型创新阶段,美国已经进入到应用创新阶段。”张璐说。

她认为,硅谷初创企业更大的机会在于垂直应用领域与infrastructure(基础设施),这也正是VC重点关注的方向。“科技巨头们在基础模型层的赛跑,让初创企业以较低的成本运用这些大模型,对初创企业来说是一个非常好的时代。”

不过,自去年大模型爆发以来,业界围绕大模型到底有没有创业价值引发过不少争论,尤其是在OpenAI每次重要发布之后,市场上都会有说法称OpenAI“杀”死了一批初创公司。

张璐认为,这种情况在硅谷确实存在。“现在市场非常两极化,一方面确实有很多机会,但很多机会可能就不是初创企业的机会,或者说大部分的机会,不是初创企业的机会。”

比如基础大模型,再比如C端应用。张璐认为,硅谷AI在C端90%的机会都属于大厂,因为大厂拥有算力、海量且高质量的用户数据,可以快速改善C端应用。

硅谷VC当下更关注的是B端应用机会。根据张璐的观察,相比去年硅谷做C端的创业比较多,今年做B端比较多。

对于To B领域的机会,她也给出了明确的判断标准:哪些行业有海量的高质量数据,就有非常好的应用机会。

“拥有海量且高质量行业数据的传统公司,往往不太信任大的科技公司,反而会更愿意和初创企业合作,形成共赢的状态。”她提到,美国很多做ToB的垂直领域的人工智能的企业应用落地速度很快,而且收入增长很快,就是这个原因。

对于美国不少AI创企,如Character AI、Stability AI等传出资金链断裂或寻求卖身的情况,张璐表示,美国初创企业80%以上都是收并购退出,这有利于产业应用加快整合。

另一方面,美国最近的AI投资市场依然火热,马斯克旗下的xAI,以及Scale AI、Pika等最近先后获得融资,xAI更是一举入账60亿美元,一年内估值飙升至200亿美元。

作为马斯克旗下SpaceX的投资人,张璐认为,这背后肯定存在泡沫,出现泡沫很正常,也意味着更多的机会。“现在就是全产业数字化转型非常兴奋的时候,但还没到高峰期。”

以下是此次访谈节选。

一、美国基础大模型格局明确,市场还没有达到 ***

搜狐科技:现在国内国外大模型依然很热闹,您作为投资人,从中观察到什么趋势?

张璐:我对中国市场不了解,美国大模型发展比较清晰。在基础模型层面,基本分三类:之一类是OpenAI、Anthropic自己做大模型,将模型作为产品,通过API去销售。

第二类是大公司做模型,不对外销售,如微软、英伟达自研模型,针对内部应用和数据进行优化,更有专注度,效能和优化程度能做得更高。

第三类就是开源,比如Meta,很多初创企业也在做开源小模型,发展速度很快。开源模型的优势是好修改,企业通过开源模型进行内部优化可以做出很多的不同应用场景。

搜狐科技:现在市场一直有通用大模型和行业大模型的争议,您更看好哪种?

张璐:通用大模型可以解决所有问题,未来有可能实现,但问题在于对算力、电力的消耗以及对数据量需求非常大,成本太高,在产业应用时是不是值得有待商榷。

我个人比较倾向支持垂直领域的小模型,用行业专属数据进行训练,通过专属模型解决行业问题,更容易进行优化,准确度、精确度更高,同时成本比较低。我觉得还是要在算力和电力消耗上有所控制,这样才可以把AI模型推到边缘端。

搜狐科技:这感觉跟国内非常类似,认为基础大模型基本就是头部几家公司去做,更多的企业还是打造垂直的行业模型去做落地。

张璐:这个我也不意外,因为本身这就是最现实和最能落地的想法和做法。

搜狐科技:技术产业都有周期,现在大模型处于繁荣期了吗?

张璐:现在出现了很多新的技术、算法。AI在边缘端的应用,是巨大的市场,意味着不只是手机,眼镜、话筒、音响等,都可以直接植入AI模型在本地运行。

在产业端,比如工厂的各种设备,以前的机器人只是一个自动化的工具,现在加了AI带来的市场量级非常大。所以一切才刚刚开始,现在还完全还没有到 *** 。

二、美国大模型已进入应用创新阶段,没必要去“卷”基础模型

搜狐科技:美国风投目前在生成式AI投资上最关注的方向是什么?主要看好哪些领域?

张璐:现在美国VC重点投资偏向应用端,且更多是To B。另外一个是AI基础设施,怎样提升效能、降低成本等。现在AI基础设施层面有四个挑战:算力成本过高、电力成本过高、数据隐私问题和延迟的问题,这些是挑战也是机会。

搜狐科技:国内基础大模型基本就是5家独角兽企业,吸引了市场上大部分的资金,但也有投资人明确说不投,硅谷那边是什么情况?

张璐:硅谷这边的VC基本不会去投基础大模型,现在基本比较明确,基础模型就交给巨头去做,巨头又有数据又有钱。

所有的技术创新分三个阶段:基础创新、应用创新和商业模式创新。中国、美国处于不同阶段,现在中国可能还处于基础模型创新阶段,美国大模型市场已进入应用创新阶段。

搜狐科技:硅谷初创企业为什么不在基础模型创业,已经知道这个赛道没戏就直接放弃了?

张璐:不是说放弃,而是初创企业有很多其他机会可以做,没有必要花重金去“卷”基础模型。巨头们现在都在彼此为大模型烧钱打架,做出来的模型要赔钱,同时以低成本让初创企业运用这些大模型,巨头之间的竞争反而对初创企业有好处。当前这么多巨头去做模型,对初创企业来讲是一个非常好的时代。

三、C端90%的机会都属于大厂,初创企业更大的机会在B端

搜狐科技:经常有说法OpenAI“杀”死了一批创业者,这在硅谷是真实存在的吗?

张璐:我觉得当然存在。这次的AI机会非常大,因为是全产业数字化转型,所有行业都在植入人工智能,所以可能机遇比互联网时代要大10倍、20倍。

初创企业更大的机会在于垂直领域应用和infrastructure(基础设施),但特点都是To B。我从来不投To C,全是To B,这是非常好的一个市场。

搜狐科技:这一轮AI浪潮中,硅谷创业者做C端的多吗?您怎么看B端和C端的机会?

张璐:硅谷去年做C端的比较多,今年做B端的比较多,大家应该也意识到了C端可能没有机会了。美国C端90%的机会都属于大厂,大厂不仅有算力,还有很多高质量的用户数据,可以非常快地去做。

To B领域,传统公司有海量的高质量的行业数据,但它们不会把内部数据分享给微软或谷歌,他们不信任这些大的科技公司,反而会更愿意和第三方的初创企业合作,这就是机会。

所以我觉得现在这个市场非常两极化,一方面确实有很多的机会呈现,但创业者和投资人一定要擦亮眼睛,因为很多机会可能就不是初创企业的机会,或者说大部分机会不是初创企业的机会。一定要寻找到哪些是初创企业有优势,有切入点可以去做的、好的市场机会。

搜狐科技:现在硅谷创业者做B端主要聚焦哪些领域?

张璐:现在机会在哪?很简单,就是数据,哪些行业有海量的高质量的数据,就是非常好的应用机会。医疗一定是,另外金融、保险、物流、供应链、化工,包括太空科技行业都非常好。

搜狐科技:最近Character AI、Stability AI、Adept、Humane等创业公司传出资金链断裂或寻求收购,大模型已经进入洗牌期?

张璐:这不叫洗牌,是整合。在美国创新市场收购一直很活跃,美国初创企业80%以上都是收并购退出。

现在有些公司收购是为了收购人才,有些是为了收购比较成熟的产品,买家也越来越多。以前可能只有科技公司,现在金融公司、保险公司也在买AI团队,这样可以更快地进行内部产业应用的整合。这其实是一个好现象,我们很欢迎这样大规模收并购的发生。

四、xAI估值太贵没有投,获追捧背后是明星+产业优势

搜狐科技:早前马斯克的xAI,Scale AI等融资非常受关注,xAI不到一年估值就200多亿美元,是不是挺大的泡沫?

张璐:一定会有泡沫,但出现泡沫很正常,重点看有没有具体落地的应用场景。很多初创企业团队很小,融资金额也很少,但可以在很短时间内收入达到几百万甚至上千万美金,这些都是To B的应用。所以有泡沫,但更多的是机会。

同时,现在产业整合的速度也很快,我觉得主要是经过疫情洗礼后,各个行业收集了海量的高质量数据,这些数据可以反复训练,更好满足产业需求——即数字化转型,提高生产力。

更重要的是,不仅科技公司,非科技公司也希望打造自己的数据栈,他们需要把数据价值挖掘出来。所以技术已经成熟,产业也准备好,现在就是全产业数字化转型非常兴奋的时候。

搜狐科技:xAI这笔60亿美元融资基本都是来自美国TOP级的风投机构,您是Space X的投资人,有考虑投资xAI吗?

张璐:我们有机会,也有份额,没有投原因很简单,就是估值太贵。从投资角度,我是做早期,希望以一个比较好的价格进去。

这是个好公司,有很好的技术,有很大的前景,但能让它变成从150亿美元变成1500亿美元,甚至5000亿美元吗?它的竞争对手还是很多。我投其他公司时估值才七八百万美金,投完一年就可以涨到1亿美金,这个倍数比xAI看起来好得多。

搜狐科技:xAI这么受追捧更多还是赌马斯克这个人,而且它是要跟OpenAI竞争。

张璐:不仅是明星效应,它确实还有产业优势。马斯克做xAI,能拿到特斯拉、推特、SpaceX等这么多生态体系内部的高质量数据,是一个巨大优势。光有钱是没有用的,还要有数据,钱可以买来算力,但是钱不一定能买来更高质量的数据。

马斯克也不是为了要跟OpenAI对着干,他想做AI这件事情,已经想了很多年,现在发现有一个生态可以去赋能,能更快能做起来。他也是OpenAI创始人,只是说后来的发展方向偏离了自己想要的方向,所以才决定自己做。

五、苹果的AI策略聪明且高效,借助生态打法不会赔本赚吆喝

搜狐科技:苹果前不久发布了Apple Intelligence,自研同时也会调用外部模型,怎么看苹果的AI策略?

张璐:苹果这个做法蛮聪明。苹果有自己的AI芯片、云、系统、终端设备,还有非常多的用户数据,形成了自己的生态系统,算是一家可以在垂直领域垄断的公司。因此系统优化很简单,可以把成本做得很低,这是它的巨大优势之一。

Siri或苹果的AI平台,说实话可以全用自己的AI模型,但这样付出的成本比较高,它完全不需要去抢这块蛋糕,因为已把用户锁在自己的生态里。苹果用户无论是用OpenAI还是Gemini,都是在苹果手机上,也是用它的云。调用反而是一个很聪明很高效的方式,且在允许用户调用Open AI、Gemini的过程中,苹果自己的算法也在往前精进。

搜狐科技:苹果和微软、谷歌等科技公司在AI布局的出发点或考虑有什么不同?

张璐:苹果和其它公司更大的一点不同就是,它不会赔本赚吆喝,非常注重做了之后是不是要赚钱。无论Gemini还是OpenAI,虽然收入很高,但算上算力和电力成本,都是赔钱的。

谷歌要通过Gemini留住云的客户,或者增加云的客户,通过云来赚钱。OpenAI背后的微软也是一样的理念,都是重视云的生态。

但苹果在做生成式AI模型的时候,要考虑到成本烧到什么程度,对它来讲是合适的。如果烧钱太多,而AI产品不赚钱的话,不一定是更好的发展方向。

搜狐科技:苹果还是挺务实,但我看也有一些人在质疑苹果为什么自己不去开发更大规模、更厉害的模型。

张璐:苹果也有自研模型,而且做得挺好,为什么要开发更大的模型?现在其实大家有个错觉,不是说模型更大就更好。现在优化模型,数据的质量比数据的量更重要,而苹果一个非常大的优势,就是有海量的高质量用户数据。

六、大模型技术发展必然放缓,更好更快和更低成本是两个方向

搜狐科技:不少人认为大模型的技术增长曲线已经放缓,硅谷那边有没有类似的感觉?

张璐:人工智能在加速发展,算法层面有很多新的模型出现,比如DeepMind的AlphaFold3, 就是很多模型的整合,只是说单一的大语言模型必然会放缓。

大语言模型核心是Scaling law,这个确实在放缓,因为数据已经用得差不多。如果可以拿到高质量的数据继续优化模型,那么大语言模型、生成式AI的这条路还可以继续往下走。

搜狐科技:硅谷的AI公司在获取高质量的数据方面面临什么问题?

张璐:高质量的产业数据都在传统产业的企业手里,现在好的方面是,这些公司在非常开放地和初创企业合作,把内部数据分享出来,让初创企业来进行模型的优化。

这样提供的垂直模型就会更加精准、更加低成本、更加高效、更加专业,形成了共赢的状态。美国很多做ToB垂直领域的人工智能企业应用落地速度很快,而且收入增长很快,就是这个原因。

搜狐科技:对于大模型技术趋势,有人认为应该以语言文本为主,还有人说是要做多模态,硅谷有什么分歧吗?

张璐:现在我觉得是技术在多点开花,有各种不同的模型优化的方式,多模态只是其中一种,还有很多其他地方根本不需要用到多模态。

硅谷其实没有说,哪条技术路线大家一窝蜂都去做,还是在不断探索新的基础模型算法。现在有两种角度,一方面是怎样模型可以变得更好更快,另一种就是怎样让模型变得更便宜。

搜狐科技:您对OpenAI下一代模型或GPT-5有什么期待?为什么还没有把Sora放开?

张璐:我希望它会更快、更高效、有更多功能。同时,现在如何低成本地把模型做出来,我觉得也是蛮关键的一个方向。

Sora现在集中在怎么样把视频做得更长,同时可以更加低成本。OpenAI没有放开,一方面是成本问题,另一方面还有训练视频版权的问题需要解决。这倒不是说技术上的壁垒,他们的团队也在不断优化。