--- layout: post.njk source: https://yage.ai/share/frontier-radar-5-neolabs-20261114.html web_feed: articleId: cmwh1s8jo000an9yeht9zp3s4 feedSourceId: webfeed_yage_ai guid: https://yage.ai/share/frontier-radar-5-neolabs-20261114.html sourceUrl: https://yage.ai/share/frontier-radar-5-neolabs-20261114.html speaker: yage.ai title: 为什么造出大模型的那批人全跑出来单干了 date: '2026-11-14' summary: 文章讨论了在通用大模型时代，前大模型顶尖科学家和技术骨干纷纷单干成立新公司的现象，以及这些创业公司融资的流向和技术瓶颈。文章指出，现有聊天大模型存在三个主要短板：训练完成后神经网络固定、缺乏对物理世界的精确三维空间和接触力反馈的理解，以及无法从互联网上获取前沿科学领域的真实实验数据。这促使创业公司转向寻找解药，如让模型具备持续学习能力、理解三维空间、采集真实实验数据，或提供能够快速验证和纠错的“铁面电脑裁判”。文章分析了为什么大部分公司未能跑通独立活路，以及英伟达等巨头通过投资算力回流的商业模式。最终认为，真正能抗住大厂挤压的团队，需要掌握真实物理/生化实验数据或能提供快速自动验证的裁判系统。 area: tech-engineering category: ai-application tags: - large-model-development - ai-investment - model-bottlenecks - data-synthesis - hardware-dependency people: - Greg Brockman - Ilya Sutskever - Yang Liu - Jeff Dean - Sanjay Ghemawat - Mira Murati companies_orgs: - OpenAI - Meta - Google - Prometheus - Safe Superintelligence - World Labs - Basecamp Research - Lila Sciences - Axiom Math - Mirendil - Discovery Loop products_models: - GPT-6 Astra - GPT-6 Astra - Claude - Gemini - ChatGPT media_books: [] draft: true status: evergreen --- 2026年秋天的硅谷，庆功的香槟几乎从未停过。OpenAI 推出了新一代旗舰模型 GPT-6 Astra，总裁 Greg Brockman 表示这是历史性的转折点。英伟达 CEO 黄仁勋也发推说，通用 AI 已经到来。从这些大老板们的发言来看，这场AI军备竞赛似乎已近尾声，接下来是商业收割的时间了。 相比之下，台下的故事则完全不同。过去两年里，大批直接参与造出主流大模型的顶尖人物纷纷出来单干。像 OpenAI 前首席科学家 Ilya Sutskever、Meta 前首席 AI 科学家杨立昆、谷歌前首席科学家 Jeff Dean，再加上斯坦福大学教授李飞飞和一批同期离开大厂的技术骨干，前前后后一共成立了 45 家新公司。根据德国科技媒体的最新报道，这些公司所获得的已确认融资总额达到了 538 亿美元。即使仅计算那些已经公布估值的公司，总估值也接近 2450 亿美元。 这批造模型的老手最清楚大厂的底细。连他们都排队离开大厂，说明现有的技术路线确实遇到了大麻烦。但仔细看这些钱的流向，又让人捏一把汗：超过一半的融资，都给了两手空空、连一行公开代码都没发过的公司。他们觉得现在的模型哪里不行？钱花出去了，谁有真本事，谁在吹牛？ ## 为什么造模型的人觉得现在的路走不到头 平时我们用ChatGPT、Claude或者Gemini来写代码、改方案，总觉得模型每隔几个月就聪明一截，顺着现在的路子堆算力似乎能解决一切难题。但在设计底层架构的科学家眼里，现行聊天大模型从娘胎里就带着三个靠喂文字解决不了的死穴。先看清这三处病根，才能看懂门外那批创业者在折腾什么。 第一，出生即定型。今天不论GPT、Gemini还是Claude，一旦训练完成出厂，它的神经网络连接就固定不变了。你给再多的参考资料，再大的检索库，它只是在单次对话里临时翻小抄。关掉窗口重来，昨天踩过的坑今天照样踩，做不到像人类实习生那样在工位上犯错复盘，把教训真长进脑子里，越干越熟练。 第二个短板是纸上谈兵，熟背菜谱却没亲手捏过鸡蛋。大模型把网上的物理教材读得滚瓜烂熟，可网页文字终究只是人类对现实的事后摘要。手指碰到蛋壳瞬间该收多少力道，湿滑的杯子拿歪了摩擦力怎么变，高速运转的传送带上怎么准确接住滑落的零件，这些精确的三维空间尺度和接触力反馈，从来没写进网页里。让纯文字模型直接做高频物理控制，一碰上真实的重力与摩擦变化就会抓瞎。 第三个现实短板是大厂爬虫快把网上的公开文字抓光了。写文章、编程序、做客服，人类过去多年在网上留下了海量范本，模型顺着学就能做得像模像样。可一旦走进新分子药物、先进固体材料、极端空气动力学或深海微生物基因这些前沿科学领域，大自然没把答案写成帖子发在网上。光靠咀嚼旧论文，算力再大也变不出真实的物理、化学和生物实验结果。 这 45 家新实验室大多围着这几处短板找解药。有的想让模型在工作里边干边长记性，有的教模型理解三维空间和操控机器，还有的下苦功采集一手科学实验数据，或者让 AI 自己做科研验证，另一些则在做模型定制工具或新硬件。只可惜看清老路子的病根是一回事，自己能不能拿出药方又是另一回事。 ## 500 多亿美元砸下去，为什么大半公司还没跑通独立活路 大多数从业者和投资者看到这波创业浪潮，第一反应都是看哪个创始人牛逼、拿多少钱。但如果你把这45家新公司的产品进度和融资额放在一起，会发现一个令人咋舌的倒挂：32家老老实实做出并公开了产品、接口或免费模型的团队，只拿到了约209亿美元的融资。而另外8家至今没发布任何公开模型、接口或论文的空手套白狼公司，却一口气拿走了近300亿美元，占去总融资额的近56%。剩下的约29亿美元则分给了5家还在私密内测的公司。 45 家新实验室中 8 家零产品公司拿走近 300 亿美元融资，超过 32 家有产品公司的总和 这近 300 亿美元大头落在了谁手里？吸金最多的 Prometheus 主攻工业制造与科学自动化。虽然带队的是亚马逊创始人贝索斯和前谷歌旗下生命科学业务负责人，但研发班底正是从各大厂挖来的大批核心研究员；单它一家就累计拿了 182 亿美元投资，外界至今连个产品影子都没见到。 空手套白狼最集中的地方，是让模型边干活边长记性，也就是眼下最热闹的持续学习方向。这类公司一共拿了 108.5 亿美元投资，其中 99% 都流向了 5 家没产品也没论文的团队。最典型的是 OpenAI 前首席科学家 Ilya Sutskever 参与创立的 Safe Superintelligence，简称 SSI；它拒绝先做普通聊天软件，至今没发过一篇论文，已经拿了约 80 亿美元投资。剩下几家有公开代码或接口的小团队只分到零头。 真正把模型推上考场的公司，刚交出成果就遭通用大模型打了一个措手不及。在英伟达西雅图机器人实验室的仿真测试中，从没专门练过控制机器人的通用大模型 GPT-6 Astra 借用写代码助手的操作框架，一步步向机器人下达动作指令，拿下了 74.8% 的成功率夺冠。相比之下，估值百亿的明星机器人独角兽 Physical Intelligence 专门练动作控制的机器人小模型 π0.5，在同一场测试里成功率只有 28.0%。同一天的另一场真实机械臂评测中，各家模型在静止桌面上通过编程助手接口操控机械臂完成写字和搭积木等任务，Astra 照样夺得了第一名。 为什么没练过开机器人的聊天模型反而能赢？因为在静止不动的桌面上，比拼的其实是看懂复杂指令、安排先后步骤的眼力。通用大模型见识广、推理强，在这上面自然占尽便宜。可它的死穴也一目了然：太慢、太贵。测试里 Astra 每想一步动作就要停顿 13 秒以上，在静止桌面上干完一件活平均得磨蹭 30 分钟。两场测试跑通单次任务，还要花 16 到 36 美元的接口费。在固定桌面上花半小时慢慢试还能拿高分，真放到运转中的工厂流水线或家庭日常里就没法用了。机器每动一下都要发呆十来秒，早就接不住滑落的零件了，也没人愿意为洗个碗付几十美元的账单。 相比之下，专用机器人小模型完成一次动作判断只需 0.05 秒左右，反应速度比通用模型快了约 300 倍。大厂旗舰模型强在看懂复杂场面、规划多步任务，却做不了毫秒级的实时动作微调。机器人团队要想挡住大厂挤压，出路不在比谁更会安排复杂任务，在于攒下大厂没有的真实机器接触数据，把这种眨眼间完成的手眼反射小脑练扎实。 另一拨人想自己从头训练能模拟真实三维物理环境的模型，也很快算清了现实账：单靠创业公司融来的十几亿美元，远远填不满长期买卡和底层硬件优化的无底洞。李飞飞参与创立的空间智能公司 World Labs 年初刚融完大钱，为了拿到专门的底层芯片支持，几个月后还是选择并入硬件巨头。芯片厂商 AMD 最近发了官方收购公告，宣布以约 82 亿美元全股票将它买下；交易完成后李飞飞将出任 AMD 首席科学家，直接向 AMD 掌门人苏姿丰汇报。 ## 真正不怕大厂碾压的团队，手里都攥着什么 那这 45 家新公司里，到底什么样的团队真能挡住 OpenAI 和谷歌的挤压？目前真正拿出扎实成果、立住脚跟的公司，手里都握着下面两样筹码之一。第一样筹码，是大厂网页爬虫抓不到的真实物理与生化实验数据，就像前面提到的真机接触数据一样。 在前沿科研里，真能把护城河垒高的，都是肯去物理世界实地采样、拿真数据的公司。生物科技公司 Basecamp Research 不坐办公室在网上扒现成资料，直接跟全球 26 个国家签下符合国际公约的收益分成协议，派人去极地、深海、火山口采样，攒出了含 98 亿个全新基因的独家数据库，相当于公共基因库的 10 倍大。现在医药研发人员直接在平时用的 Claude 里点开专属工具插件，就能调用 Basecamp 的生物模型来设计新基因。 另一类靠自建自动化车间攒数据的代表，是拿了 25.5 亿美元投资的 Lila Sciences。这家公司建起了全自动的化学与材料合成车间，让模型先出方案，再由车间里的机械臂动手合成验证，把电脑推演和真实物理实验连成一个闭环。跨国谈判采样和建车间看起来又慢又苦，却实实在在挡住了习惯在线上赚快钱的软件巨头。OpenAI 和谷歌哪怕显卡再多，光靠敲代码也变不出深海火山口里的微生物和试管里的化学反应。 第二样筹码，是给模型配一个可以立刻判对错的铁面电脑裁判。大模型写东西爱胡说八道，是因为没人能低成本自动验算每一步对错。但在数学证明或代码调优这些黑白分明的领域，机器检查程序就可以当严厉考官。比如数学界著名的有限单群分类定理，原始证明散落在大约 15000 页论文里。初创公司 Axiom Math 的官方技术报告显示，他们让多个 AI 分工配合，只用 24 天就把整套定理改写成了 4310 万行 Lean 代码。这是一种专门用来验算数学证明的编程语言，每一步推导都由电脑程序自动核对对错。 这套系统不仅能翻译旧文献，还在电脑裁判逐行验算的过程中，顺手揪出了人类数学家原文里的 34 处实质差错，甚至补上了一篇老论文里藏了 40 年的证明漏洞。同样的道理放到模型训练代码调优上也好使，因为每次改完代码跑一遍测试，好坏立判。一批前大厂研究员创办的 Mirendil 就用了这套思路。每次让 AI 改完训练代码，系统立刻跑一遍测试看模型得分有没有提高。靠着这种自动打分反馈，AI 在无人看管的情况下连续运行 50 小时，自己把模型调得更好。 这也划出了电脑裁判这套打法的适用边界：前提是单次验证对错必须足够快、足够便宜。像验证数学证明步骤或微调几行训练代码，电脑程序很快就能给出反馈；可一旦要从零验证一套全新的底层大模型架构，光靠小打小闹的跑分远远不够，非得投入庞大算力、熬时间做大规模训练不可。电脑裁判没法在短时间内帮你低成本试错。谷歌前首席科学家 Jeff Dean 和传奇工程师 Sanjay Ghemawat 等人新创的公司 Discovery Loop，主打的就是让 AI 自主开发下一代算法。这家公司虽然一上来就在谈 100 亿到 500 亿美元的融资估值，但目前还没有任何公开论文或产品问世。 ## 为什么英伟达旱涝保收，这批公司两三年后又会走向哪里 想到这里，你可能会问另一个商业问题：既然这么多钱投向了连公开产品都没有的公司，为什么背后掏出几百亿美元的金主不担心打水漂呢？其实这里面出手最频繁的大金主正是卖显卡的英伟达。翻开英伟达风投部门的公开投资名单，再算上公开披露的各轮交易，这 45 家公司里至少有 26 家拿到了英伟达的直接投资或者算力合作，占比过半，把前面提到的几条技术路线全铺上了。 英伟达在至少 26 家新实验室投资或合作，带动风投资金回流购买自家显卡 传统风投投错一家无产品公司可能血本无归，但对英伟达来说却是旱涝保收的算力回流生意。它在多家新公司的融资中参投一部分，带动其他风投跟着投入几百亿美元。创业公司拿到钱的第一件事就是租用或购买高毛利的英伟达显卡。就算英伟达亲自掏大钱重仓，也会顺手把算力大单拉回自家阵营。比如它和 Sutskever 的 SSI 敲定合作并注资 50 亿美元，合作之后 SSI 立刻把训练的主力从原先租用的谷歌自研芯片转向英伟达显卡。不管哪条技术路线成功，即使两三年后多数实验室倒闭，英伟达都不亏：整个创业潮涌入的几百亿美元风投，已经提前进了它的显卡和云服务收入。 靠大厂明星头衔轻松要天价的热度已经开始降温。前 OpenAI 首席技术官 Mira Murati 创立了做模型定制工具的 Thinking Machines Lab。哪怕这家公司手里已经有公开产品，最近推进新一轮融资时碰上核心联合创始人出走和市场收紧，融资前的估值预期还是从最初要价的 500 亿美元降到了 400 亿美元。再过两三年，这 45 家新实验室里只有极少数握着独家真实数据或铁面电脑裁判的团队能独立长大。剩下的多数公司若既拿不出突破性产品，又扛不住算力成本，要么只能打折融资勉强续命，要么就像 World Labs 卖给 AMD 那样并入大厂，最后人手和算力还是回到巨头手中。 以后不管哪位前大厂大神出来单干、喊出多高的估值，想判断它有没有真本事，问两个问题就够了。手里有没有大厂爬虫抓不到的真实物理或生化实验数据？业务里有没有能瞬间自动判对错的铁面电脑裁判？两样都不占、只靠宏大算法愿景撑场面的公司，多半只是在替黄仁勋冲下个季度的显卡销量。