--- author: 课代表立正 date: '2026-09-02' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=my_lMhlKLVk speaker: 课代表立正 tags: - investment-thesis - market-consensus - founder-qualities - technology-trends - risk-management title: 硅谷创投逻辑、AI投资环境与创业者核心素质分析 summary: 文章深入探讨了当前硅谷创投的投资逻辑，指出AI领域投资的窗口期已缩短，资金正涌向明确的赢家。文章强调了投资决策中对趋势的判断、对底层技术（如算力架构）的关注，以及对创业者“杀手直觉”和“第一性原理”的考察。同时，文章也分享了投资人的心智管理，如冥想、注意力管理和放下助人情结的重要性。 insight: '' draft: true series: '' category: investment-assets area: finance-wealth project: [] people: [] companies_orgs: [] products_models: [] media_books: [] status: evergreen --- ### 硅谷创投逻辑与当前AI投资环境 今天是在跟高通创投的投资合伙人Nan交流，主要聊两个话题，但其实更多的还是聊故事。一个是硅谷的创投游戏到底是怎么玩的，它可能和大家想的很不一样，起码在深入交流时就会发现和外界预想的有很大差距。比如有时候一个创业者觉得产品还不错，但不知道怎么打入这个圈子；或者常听到有人抱怨：“我的产品很好，但为什么投VC，VC也不要我？跟投资人聊，投资人也不理我？”这说明这里边是有一个对外不公开的门道的，可以先聊聊这个门道。 接下来贯穿的一个投资逻辑（thesis），其实就是软件和硬件，并且一直聚焦在人工智能。谈及软件和硬件，尤其现在的人工智能领域，外界感觉好像是软件一片繁荣，而硬件可能都在布局、投资和成长的阶段。 但实际情况恰恰相反。从今年开始软件就非常惨，SaaS尤其惨淡；反而是硬件做算力、做compute的这些方向非常火爆。今年的软件，特别是SaaS相关的股票表现尤其比较惨。看到Conviction的founder写的一篇文章，大意也是说现在创投圈觉得软件好像都没什么好做的了，所有的目光和资源都在NVIDIA和Anthropic身上。 今年的AI投资确实非常难。个人的投资逻辑一直非常明确：一定要在形成共识之前下注，哪怕这个窗口期非常短，也一定要在形成共识之前非常短暂的窗口下注；绝对不能在到达共识之后才下注，因为如果等到大家达成共识再去下注，那就只能等着被割韭菜。这是一个非常严格的投资逻辑。虽然大家常说在CVC（企业风险投资）做投资可以不用那么过分关注财务回报（financial return），但这其实是一个给自己的极高且严格的要求：绝对不能去追高，一定要在形成共识前建立起自己的investment thesis——看到这样一个趋势，判断出最值得下注的核心点是什么，然后在形成共识之前，哪怕窗口期只有短短两三个月，也要抓住这个窗口去下注。 回顾窗口期的变化：2024年的窗口期大概还有3到6个月，到2025年缩短到了大概2到3个月，而今年的窗口几乎就没有任何窗口了，因为市场已经完全形成了共识。因此可以看到很多AI项目的估值被推得非常高，尤其是new labs。 在这种情况下，能投的东西其实并不是很多。如果去投通用型智能体（general-purpose agent），它极有可能会被像OpenAI、Anthropic这些头部的大型前沿实验室（Frontier lab）直接吃掉；如果想投一些垂直领域的AI agent（vertical AI agent），同样也面临被Frontier lab吃掉的风险。比如想做finance agent或者services agent，其实Anthropic等大模型公司自己都在涉足。所以单纯做一个vertical AI agent其实也是非常危险的，这导致投资人非常难出手。 因此今年一级市场呈现出的一个典型现象，就是大多数资金都在涌入winner category、winner define。像Anthropic这样的SPV一个接一个地成立，非常火爆，所有人都想把钱下注在这些明确的赢家身上，包括OpenAI、SpaceX，还有Databricks等中晚期企业。往这些中晚期头部企业下注，反而成了今年VC投资的一个显著趋势。 对于Sarah Guo那篇文章的前半部分，确实会有很强的共鸣，感觉市场上确实很难找到一些特别明显、容易下手的趋势去进行投资。 面对这种情况，其实也不是完全没有办法，关键在于深入行业去做详尽的调研（掘地三尺做调研），还是能发现一些可以去下注的趋势。当然可能是一些相对小一点的回报，而那种能够带来全市场级别巨大回报的公司，在当前节点看，大家提的方向可能也有些偏向人云亦云。比如物理AI（physical AI）、机器人方向，或者一些更偏底层的硬件方向，比如新型计算架构（new compute）、针对推理场景（inference）的ASIC compute等，这些都是可以下注的领域。但这也对投资人对技术的敏锐判断力提出了极高的要求。相反，对于general-purpose agent或者vertical AI agent，目前会采取更加谨慎的态度。 ### CVC视角与投资标的的选择机制 作为在高通创投工作了差不多六年多的投资人，所代表的视角更多是CVC（企业风险投资）。站在一个大型芯片公司的平台上看，能够接触到很多不同的产业视角和技术视角。在偏硬科技或偏硬件方向的投资上，相比纯财务投资机构（financial VC），CVC能够获得非常多来自产业一线的反馈，内部及周边有一整圈企业技术高管和行业朋友圈提供及时的产业动态。因此在跟financial VC相比时，往往能够形成一些不同甚至更加前瞻的技术判断。 关于不同规模的基金寻找什么样的deal：如果VC的资金规模比较小，比如现在很多新兴GP（emerging GP），第一支基金的规模大概在20到30个million美元，那么他们的打法就可以去下注一些体量比较小的案子，期待公司后续能通过较快的并购（M&A）实现退出。投很多小而美的公司、小型基础设施（infra）公司，这是一种完全可行的打法。 但是如果管理的资金规模非常大，比如达到上亿美元，或者是200 million、300 million美元以上，那就必须瞄准最终的行业赢家（winner）去打。因为大体量的基金不可能在一个周期内分散投几十个以上的项目，作为一个基金的GP，投大概二十几个项目就基本达到管理极限了，毕竟投后还需要花大量精力去陪伴公司成长、提供管理支持。这就注定了大基金必须具备极具前瞻性的investment thesis，然后精准下注给未来的winner。 针对类似YC（Y Combinator）孵化的早期公司，大基金的投资决策会非常谨慎，而且极度依赖直觉。因为YC里的公司数量实在太多了。虽然已经很久不专门去看YC的项目，但回顾十年前看YC项目的经历，当时很早就看中了Scale AI。YC的项目虽然海量，但如果投资人对技术趋势有清晰的判断力，或者对创始人（founder）有敏锐的直觉和判断力，依然能够在早期瞄准到非常优秀的标的。 十年前通过看YC录像回放注意到Alexander Wang时，当时在百度工作，团队内部就已经深刻意识到数据（data）对于模型训练至关重要，尤其是自动驾驶方向，需要极其丰富、高质量且经过精准标注的数据。而当时的Scale AI正好提供了这样一种解决方案，专注于解决这个问题。 当时就觉得这个founder虽然年纪非常轻，但是商业头脑异常敏锐，能让人明显感觉到他极其聪明。虽然当时在早期阶段并没有直接投资，但从2019年、2020年开始就对他进行了持续的追踪与关注。 投资人内部通常会维护一个漏斗（funnel），把重点想要关注的优秀人才放进漏斗里，持续观察其成长轨迹。在长期的追踪中可以发现，这位创始人一路以来的成长轨迹、技术与商业判断、行事风格以及推动公司扩张的策略，都展现出高度的连贯性，有迹可循地证明了他是一个极其聪明且执行力超强的founder。随后在2022年和2023年相继提议投资这家公司，最终成功完成投资。 这就是一个长期持续追踪founder的典型案例。如果当时手里有自己的独立基金，或者当时百度战投能够开出小额支票（check size），可能在更早阶段就会出手，从而在更早期拿到更高倍数的回报。但这再次取决于所管理的资金规模和投资属性：如果是像百度或高通这样的战略投资（战投），很难直接从YC的一堆初创案子里随便开小支票，这不符合战投的投资逻辑；但如果运作的是自己管理的20到50 million美元规模的基金，完全可以从YC这类孵化器中挑选标的。 ### 优秀创业者的杀手本能与Scale AI的跨越 在挑选创业者时，非常需要依赖敏锐且强大的直觉判断力。徐新老师曾提出过一个观点：在挑选创业者时，极其看重对方是否具备“杀手直觉”（killer instinct）。这一点非常令人认同。在挑选创业者时也会有同样的倾向，虽然识别杀手直觉的能力与经验或许还达不到徐新老师的火候，但始终将其作为核心的投资原则之一。 同时，投资人自身也必须具备高度敏锐的直觉（intuition）。很多极其优秀的投资人都拥有敏锐的直觉，因为他们必须在当时看似混沌不堪、杂乱无章的各种技术表象中，迅速捕捉到最具前瞻性的技术变革力量是什么。投资人需要极大的敏锐度去把握技术范式的转移（paradigm shift），把握创业者的特质，并通过持续跟踪企业来不断修正和调整自己的判断逻辑，这样投资逻辑才能在年复一年的投资实战中得到真正提升。 很多人可能会认为投资主要是拼资金充裕、拥有独家准入渠道（access），或者纯靠大量的案头调研和逻辑推导。但其实instinct（本能）和intuition（直觉）在其中扮演着不可替代的角色。 以Alexandr Wang为例，展现杀手本能的标志性阶段是在Scale AI发展的第二阶段，他展现出了极强的商业敏锐度。Scale AI早期主要为自动驾驶公司提供数据标注服务。自动驾驶在2016年、2017年非常火爆，大量VC重金下注自动驾驶产业链，无论是传感器还是软硬件一体方案，资本堆叠催生了大量的自动驾驶公司，这些公司资金充裕时都需要大量采购数据，因此Scale AI早期的业务增长非常迅速。 但到了2021年、2022年前后，自动驾驶行业遭遇了资本泡沫破裂和小崩盘的局面，投资急剧降温，导致Scale AI原有的自动驾驶客户大幅减少，公司面临严峻的业务困局。面对危机，Alexandr Wang展现出了惊人的突破能力：他极其敏锐地察觉到美国政府及公共部门（public sector）在AI项目上对数据基础设施（data infra）和相关服务的巨大需求，迅速将公司的业务模式调整为全力为政府搞定这些项目。 他的行动极为迅速，而且非常善于争取关键资源。当时Google前CEO Eric Schmidt是他的导师（mentor）之一，他紧紧抓住了这些关键人物为自己站台背书。在疫情期间，Scale AI来自公共部门的订单量迎来了爆发式增长，直接推动公司迈上了第二个台阶。他在极短时间内敏锐捕捉到新机会并以极强行动力落地的表现，充分体现了他非同寻常的直觉与执行魄力。 在那段时间，一位非常优秀的朋友拿到了Scale AI的offer，在与另一家公司的选择间犹豫不决，并询问意见。当时Scale AI的估值已经接近7个billion美元，朋友担心估值过高，但当时给出的建议是坚决去Scale AI。因为这家公司的上限极高，其founder是所见过的创业者中最敏锐（sharp）、最有智慧且执行力极强的人。后来这位朋友加入了Scale AI，随后在大模型时代迎来了公司的又一次巨大腾飞。这位创始人能够抓住所有的时代机遇，并把每一个机遇都执行到位，做到真正的知行合一，这在创业者中是非常罕见的。正是因为一直将他置于雷达范围内持续追踪，才坚信他一定能成大事。后来Scale AI被Meta以29个billion美元收购，再次印证了这一判断。 对于一个年轻的小伙子在早期体量不大、甚至一度面临行业下行压力的情况下，如何搞定Eric Schmidt等顶级导师，以及后续进入Meta后如何赢得扎克伯格的高度认可，其核心在于他极具远见（vision），以及能够将前瞻性判断与未来趋势清晰表达出来的极强能力。 在Scale AI进行F轮融资时，Alexandr Wang录制了一段28分钟面向投资人的presentation视频。面对大量想要投资的机构，他不可能一一进行线下pitch，便通过这段视频展示。这28分钟视频的信息密度极大，他在极短的时间内把公司的前因后果、来龙去脉、在AI各个阶段的发展布局、产品定位，以及为什么未来的AI时代极其需要这样一套data infra讲得透彻清晰。在2023至2024年左右，当时大多数投资人还只是刚刚认同Scaling Law，对AGI何时到来尚无清晰概念，但他已经在视频中极其大胆且清晰地预测了AGI的发展方向与具体时间表。 看完那个视频后，非常直观地感受到这个年轻人的过人之处：他把原本让人感到模糊晦涩的技术概念阐述得极为透彻，勾勒出了极其宏大的远景，同时又让投资人清晰地看到具体的实现路径——Scale AI如何通过现有及未来的产品迭代、客户群体演进以及多条业务线的布局，一步一步抓住这一历史性机遇。他在28分钟内展现出的逻辑思维、故事叙述能力（storytelling）以及战略远见，完全是顶级公司创始人的水准，而当时他才仅仅28岁。 ### 百度早期芯片投资与Cerebras的系统级颠覆 另一个体现优秀创业者素质的典型案例，是十年前在百度主导投资的Cerebras，这也是个人投资生涯中的一个代表性案例（home run）。 Cerebras是一家做系统级芯片（system-on-chip）的公司，其芯片架构具有极强的颠覆性：直接在一整张晶圆（Wafer）上无缝互联80多个芯片，以此来大幅加速当时深度学习模型的训练速度。这项投资是在Transformer架构诞生之前完成的。 当时百度的美国人工智能研究院（百度美研）处于技术的最前沿，在Transformer出现前就已经从DeepSpeech模型的相关研究中发现了Scaling Law的端倪。那篇论文由Dario（后来的Anthropic创始人）与几位百度前同事共同撰写。当时刚从投资银行转入百度，正在快速恶补大量关于人工智能的底层技术知识。 当时研究院的核心研究员明确指出：未来的AI模型体量会极其庞大，需要海量的数据支撑；而模型若要持续迭代演进，就必须依赖极其强大的算力支持，然而当时现有的算力基础设施根本无法满足这种需求。在2016年那个节点上，全市场几乎只有英伟达的GPU能用来训练AI模型。但英伟达在十年前本质上还是一家做游戏显卡芯片起家的公司，用来做深度学习训练还远远不够理想（虽然英伟达随后通过多年的系统级迭代构建了极其庞大的壁垒）。 基于当时百度的前沿认知，团队得出了一个推论：如果未来人工智能对算力有如此巨大的需求，要么英伟达凭借自身演进变得极其强大并形成市场垄断；而为了不让一家芯片公司垄断整个算力市场，就必须去投资全新的颠覆性芯片架构。 正是基于这一底层认知，开始在市场上广泛寻找具有颠覆性芯片架构的初创团队。在那个共识形成之前的多年时间里，筛选了多家芯片公司，Cerebras正是其中之一。随后带领百度的核心研究员团队对Cerebras展开了深度尽职调查。 由于芯片研发涉及极为复杂的技术细节，整个尽调过程高度技术化，核心在于验证其创新的晶圆级架构到底能否跑通，以及其中包含的大量系统级工程风险该如何逐一拆解。在众多芯片初创公司中最终选定Cerebras，最核心的因素就是其创始人展现出的卓越素质。 Cerebras的创始人Andrew Feldman在当年就显露出了极其出色的创业者特质。他此前创立的公司SeaMicro被AMD成功收购，而在收购完成后，当年与他一同创业的所有联合创始人（co-founders）全部选择再次跟随他出来创办Cerebras。在公司仅仅成立一年的时间节点上，他就已经招募了80多位创始工程师（founding engineers），而且全都是过去与他深度共事过的老搭档。 在这80多人的团队中，有超过60位拥有博士（PhD）学位。通常行业里会谈论资本密度，而这家公司聚集了硅谷在硬件、系统和软件领域最聪明的一群顶尖人才，集中攻克这一颠覆性的芯片架构。六七十位PhD组成的团队，其人才密度极为罕见。 十年前市场对高科技创业风险的承受度远不像现在这么高，如今AI领域有大量年轻人走出校园创业，而在当时，能吸引如此多行业顶尖人才承担巨大职业风险、加入一家高风险但极具颠覆性的初创硬件公司共同实现愿景，充分证明了这位founder拥有极强的个人魅力、信誉和号召力。强烈的直觉表明这位创业者绝非等闲之辈，通过后续极其深入的尽职调查，进一步强化了这一投资信念（conviction），最终完成了投资。 在随后的发展历程中，Cerebras遇到了极多的挑战，技术与商业化突破并不像初期想象的那样一帆风顺，尽调阶段预判的所有系统与工程风险在后续研发中几乎全部暴露出来。然而Andrew Feldman在逆境中展现出了极强的韧性，带领团队逐一攻克了各项困难。整个创始团队在面对困境时几乎没有人选择离开，团队展现出极强的凝聚力和对公司愿景的执着。 Andrew Feldman在创办Cerebras时已经四十多岁，具备成熟的职业履历，能将此前共事过的数十位顶尖专家再次召集在一起，充分体现了他极高的人品与靠谱程度。 ### 创始人核心素质：解决足够难的问题与第一性原理拆解 总结来看，投资人（尤其是投资硬件或软硬件结合领域）所看重的优秀founder，必须具备几项核心素质： 第一，必须致力于解决一个足够难、足够大且目前尚无有效解决方案的问题。创业者必须能够洞察到该问题所对应的市场痛点未来会极其庞大。例如Cerebras当年瞄准的就是AI模型训练对庞大算力的迫切需求，创始人精准预判到未来十年的模型会越来越大、算力缺口会呈指数级扩大。 尽管当时百度美研的专家也看到了这一趋势，但在全市场范围内这绝非行业共识，当时多数VC根本看不清AI爆发的时间表。在2016年预测2025年AI芯片市场规模将达到25个billion美元时，曾被身边同行认为过于激进，因为当时英伟达的市值仅有几百亿美元。然而从今天回头看，在Scaling Law的指数级效应推动下，AI的崛起速度和市场体量远远超越了当年的想象。因此，优秀的创始人必须具备解决超级大问题的战略前瞻性。 第二，必须具备基于第一性原理，将宏大问题与所有潜在风险拆解到极细颗粒度的能力。仅仅有一个宏大的愿景是远远不够的，关键在于解决问题的方法论是否扎实。在对Cerebras进行尽调时，正是将所有工程和商业风险逐一拆解推演，以验证其可行性。 投资人的直觉是发现优秀人才的本能，但要真正建立起下注的投资信念（conviction），必须像验证科学假说一样，把所有风险点逐个剥离拆解，观察其是否可解，同时也以此考验创业者是否对所有潜在风险进行过深思熟虑。创业过程九死一生，任何一个未被充分考虑的风险点最终都可能演变成致命隐患。Andrew Feldman当年把所有技术、制造、系统集成的风险点拆解得极其透彻，展现出了既有宏大vision又有扎实落地工程经验的系统级思考能力。直觉绝不是拍脑袋做决定，直觉的背后必须依靠遵循第一性原理的严密推导与细致验证。 在投资工作（尤其是像高通创投这类要求担任董事会观察员的CVC）中，投后管理和前期案头工作量极大，投多少家公司就必须深度管理多少家，需要做大量的尽调、行业对话以及认知迭代。 针对“解决足够难的问题”，市场上普遍存在许多认知误区。比如某些创业者常说“我要做下一个Facebook”或“我要做下一个微信”，自认为志向高远、在解决大问题，但这完全不符合标准。因为微信和Facebook已经存在并高度成熟，除非能证明现有产品存在无法解决的致命缺陷，否则这类想法毫无意义。真正解决大问题，必须满足： 1. 目标问题在当前市场上完全没有成熟的解决方案； 2. 这是一个面向未来3到5年甚至5到10年的前瞻性问题，且未来的市场空间足够大； 3. 所提出的解决方案必须显著优于现存的所有替代方案； 4. 能够清晰回答“为什么是我（Why me）”以及“具体如何做（How）”。 关于“为什么是我”，早期的比尔·盖茨、扎克伯格、埃隆·马斯克在创业伊始也都是草根出身。对于早期创业者而言，回答“为什么是我”的核心在于是否拥有极其强大的愿力与内在驱动力。当愿力足够强大时，对市场的前瞻性预判以及对问题复杂度的阐述就会极具说服力（convincing）。把对市场的独特洞察、颠覆性的解决方案与扎实的执行路径阐述清楚，本身就是在强有力地回答“为什么是我”，因为其他人无法具备同样的战略远见与落地执行力。 对于年轻的初创者（如19岁创办Scale AI时的Alexandr Wang），VC下注往往看重其展露出的巨大潜力和敏锐直觉；而对于成熟的连续创业者（如40多岁创办Cerebras的Andrew Feldman），过往成功的创业记录、卓越的组队能力、极具颠覆性的架构方案以及对所有技术风险的深度拆解，能够让投资人迅速形成强大的投资信念。 如果某些技术背景的创业者自认为技术极其优秀、思考的问题足够前瞻，却依然在市场上募不到资金，往往是因为陷入了自我认知的盲区（bubble）。如果技术和远见真的到位却融不到钱，本质上是因为没有把商业逻辑和发展故事讲清楚；而故事讲不清楚的背后，往往反映出其商业推演与逻辑闭环本身存在严重的漏洞与硬伤。 ### 投资人对创始人的核心判断与提问逻辑 你面对投资人，投资人都是身经百战的人。比如说你如果来跟我pitch，如果这个投资人有十几年的经验，那他很快就能够判断出来说，你的这个视角是不是一个正确的视角，或者说是不是有一个经过深思熟虑的、具有前瞻性的视角。 投资人会问很多问题，投资人是非常会问问题的。通过这几个问题，如果这个founder没有回答得足够好，或者说这几个问题显示出来他想得不够深、有点想当然，那当然在5分钟内就被毙掉了，都没有下一个再讲的机会了。 所以我觉得founder在去pitch之前，也需要对自己有个清晰的认知：你是不是把这个事情想清楚想透了？你的愿力是不是足够大？然后是不是能够让投资人看到，就是你可以把这事做成？然后你是不是能够去召集到一些跟你志同道合的founding team一起做这件事情？我觉得founder很重要的几个能力，就是讲故事的能力、招人的能力，还有融资的能力。对于早期的founder来讲，要不然你也活不到A轮。 稍稍替founders们挑战一下你：你似乎预设了投资人是比一个菜鸟founder更懂这个事情能不能做成的，你觉得是这样吗？ 那我觉得要看他面对的是什么样的投资人了。我觉得一些一线的VC或者是一线的CVC投资人，他并不一定就是懂这个技术的细节，因为永远都是这个founder一定是这件事情最懂的人。但是投资人可以通过问问题，看看这个founder的思维方式、想的东西对不对，你要做的这件事情、你想要去解决的这个问题，这个市场领域够不够大。同时也会通过一些提问的蛛丝马迹，能够看出来这个人是不是一个很scrappy的founder、很hustling的founder，能不能把这事做成，能不能成事。 光是有一个vision，你技术很强，跟你能不能落地，这个已经能够把很多的公司给拍掉了。你一定要能够把这事做成才行，而这个能不能把事做成，也是投资人对他的一个预判。 ### 创始人素质与硬件创业的落地能力 我们刚刚又讲出来几个创始人的核心素质，就是hustling、scrappy、能把东西落地，on top of他要再解决一个足够大的问题，才能把这个风险点给想清楚。你觉得还有没有additional的一些素质是投资人看重的？ 我觉得这几个就还挺重要的，如果真的都具备的话，可能真的就是直接写check了。 因为最近data center、芯片互联这些方向也很重要，我也在data center这个领域里面聊了一些创业者。我也聊到过就像你讲的技术非常厉害、非常有远见，他这个东西能解决一个很大很大的data center里面互联的问题。就是这样一个我觉得在技术上、在资历上都是超级棒的创业者，我给他打5A吧。 但是我在跟他聊的过程中，会比较担心他的执行能力。通过一些问问题，包括对他的一些感觉和他的一些性格的判断，就觉得这个人可能挺温和的或干嘛的。尤其在硬件的这种创业中，founder还是要有相当的执行能力的。然后我对他的一个判断就是说，你如果要去融一个比较有规模的seed round或者A轮，你要有一个在商业层面的co-founder，把前端的一些落地、这些operation的事给你做了。在能够找到这样的co-founder情况下，你有相当的概率能够拿到VC的钱。 这样的founder，可能有经验的VC，虽然我不懂他那个技术是怎么做到的——我就必须非常诚实地说，他讲的里面的一些光互联，就是非常technical的东西，我能够知道他是懂的，我通过他跟我讲故事我知道他真的有这个实力——但是同时我作为投资人判断，我也能够看到可能这样的一个founder在一些落地的上面，他会需要一个更强的合伙人，就跟他很互补的合伙人。我就会建议他说，你要找到一个这样的co-founder以后再去募资，你的成功概率会大很多。 ### 非共识的判断与拐点时刻的下注时机 咱们讲到这的话，就继续讲你刚刚说的那个非共识。你通过你的intuition去看这些founder，尤其是你要在技术上做一个判断，这个正确的非共识一定也是跟你的investment thesis非常相关的。刚刚说的这种优秀的founder是非常闪耀的，所有一线的VC可能跟他一聊就觉得OK，可以给你写check了。那大家会判断错吗？因为投资本身就是一个小成功率的东西，所以说你投的这个人他没有把那个东西做出来，不见得你当时做了一个错误的决定。我更想知道的就是在这个过程中共识是怎么形成的，然后你在这中间又是怎么样子先人一步地去找到那个正确的非共识，这可能是我想问的问题。 我觉得非共识一定是你作为一个一级市场投资人，经过对这个领域多年的一些深耕，对一些事情的一些预判。共识是怎么形成的？那一定是说这个市场、技术到了一个拐点，然后这个共识就形成了。 比如说我在2017年、18年在百度工作那些年，我中间有一段时间我是出来跟我的前老板想募一个AI的基金。当时我们聊了很多的LP，包括institutional、一些大公司，包括中美的都有。但那个时候当然也有一些地缘政治的原因，这个基金没做起来，这是后话。但是明显就能够感觉到，那个时候我聊的一些LP，他们就对于AI这个赛道觉得这是个非常不靠谱的赛道，那是完全的一个非共识。 我记得当时我带着我的deal book去募资，当时OpenAI在我deal pipeline上，Databricks在deal pipeline上。Databricks其实2017年融资很困难的。就是这些公司在当时都是非共识，没有一个LP买账。我觉得我可能当时没有那个命吧，这个基金就没有募起来。当时其实Cerebras也在我的deal pipeline上，因为我当时想说虽然我17年投了，但是18年、19年还可以继续加投。然后就没有人觉得这个AI的赛道能够那么快起来，而且就算能够慢慢起来，也是个非常重资产的赛道，就是你要去花钱去铺这些Infra。那啥时候才有拐点？那VC就不愿意去这么早下注。 当时我们在百度的美研预测，一个像Wikipedia这样级别聪明的模型出来的时间大概是2025年，这个我还记得非常清楚，是当时那些研究员们给我的一个大概的年份的预判。当时让我觉得这个事情在加速，就是在2022年ChatGPT出来的时候。我当时脑子里猛地就感觉被打了一顿，就是说哇，这个东西已经比我想象中快了三年。然后我那个时候就开始意识到说，这个已经进入了一个拐点时代。 然后那个拐点时代到来的时候，很多VC就把握住了机会，像Menlo，还有像当时我MBA同学Sarah Guo也出来做conviction。就是会有那么一部分嗅觉很敏锐的投资人，在拐点刚刚形成的时候立刻下注。我觉得那个时候是你的赢面最大的时候，因为你度过了那段很艰难的非共识期。因为非共识期的时候公司要成长，你需要去给它烧钱。然后你在拐点刚刚快要出来的时候，那时候下注其实是挺好的一个时机，就那个时候你从非共识到共识的窗口会比较短一些。 那个时候其实我当时就感觉到了AI infra，比如说那个时候能够解决模型胡说八道的就是RAG，一些fine-tuning或者inference as a service，一些比较浅层的AI infra。然后这些公司你会看到在2024年、25年有一波收购潮。然后再接着就是像视频模型，像一些inference as a service，还有就是那个时候我已经很笃定地能够看到AI agent会出来。所以那个时候我其实在很早的时候，我就推动想投Genspark，当然还有Manus，这些就是早一点发现的一些公司。再到后面，你会发现这个阶段能够看到的公司它已经快要进入共识阶段了，就是进入一个爆发点了，那这个时候其实是下注很好的时候。 ### 错过的Deal与投资人的Anti-portfolio 我再倒回去叙述一下：你在17年、18年的时候跟前老板去募资，所谓的deal pipeline上有OpenAI，就是说如果我募到了这个基金，我就可以投进OpenAI，但是那个时候LP们不看好，LP们不给你这个钱。对，那岂不就是又有了创始人的一些叙事，就是你看VC们不懂、VC们看不到这个东西的价值，所以说OpenAI这样的公司在那个时候也融不到钱。 因为可能当时OpenAI它的产品线也不是很清晰，那个时候在尝试不同的东西。他的公司的logo其实是一个像六边形战士一样的那种，他其实当时就是在尝试五六个不同的东西，语言模型是他尝试的其中一个。 那个时候我把它放在deal pipeline上，也是当时Sam Altman他跟百度当年的president陆奇其实那个时候他们关系还挺好，然后当年百度应该也是YC的一个支持方。所以Sam Altman一直都是我觉得这个founder、这个人很年轻，就跟我有点像同龄的吧，就觉得这么年轻的一个人又这么有vision，想干一件这么伟大的事情，又是AI这个方向，如果能够募到资就可以支持一下。说实话我当时没有特别多去想这个案子的回报率，就是觉得说这个人很厉害，应该去投一下。 Databricks是当时一个非常遗憾的错过。因为我是2017年在Andreessen的年会上，当时Andreessen他们的GP给我发了一两百个公司，说你选一个你想聊的公司，我就从那一堆公司中选了Databricks。就可能是一种命运的指引吧，我就跟当时的founder聊了好几次，我就还挺喜欢他们做的data warehouse的一种理念的，他们会针对一些low-tech的company去build一个data infra。可惜当时我把这个公司带到当时百度去讲的时候，大家就觉得它有点太low-tech了，不符合当时百度想投前端AI的一个投资逻辑，这个案子就没有能够成功地上会。但它也确实在我当时想要去融资的那个基金的deal pipeline里面。我觉得我对它是有conviction的，它虽然可能不符合一个非常前瞻的人工智能AI lab的投资逻辑，但这个公司一定是非常有市场的，所以我对它有这样的一个预判。当然后面事实证明这个预判还是挺正确的，所以也挺可惜的，当时一些判断没有能够在那个时候成功地募集基金把它投掉。 投资人嘛，每个投资人都会有很多的anti-portfolio，就是他们的遗憾，不止我一个，很多投资人都是这样，几乎所有的都是。而且越厉害的投资人越会有这种anti-portfolio。就好像我记得是哪个红杉投资人，他的anti-portfolio是字节，然后他就出来做了五源吧，是不是五源那家基金？我记得中国有一个投资人是这样子的。包括Sarah Guo她本人在Greylock也有很多的anti-portfolio，所以她就是一怒冲冠一下就出来做自己的基金了，时间点也非常非常的好。 ### 硅谷投资共识与垂直领域AI Agent的护城河 那我们正好顺着这个话题，想帮大家了解一下现在硅谷投资大家的consensus是什么样子，现在的investment theses，就是硅谷的人现在在投什么呢？ 今年其实非常的共识，就今年大家看的东西一窝蜂的都是一样的。像机器人这个赛道、physical AI，还有像world model（世界模型）这个领域，应该是现在很火的一个赛道吧。因为毕竟就是说你做agent的话，agent的一些不管是general-purpose agent还是垂直领域的一些agent，大家都很担心它会被大模型公司给吃掉。 等等，这句话我觉得不是一个大家都知道的事情。也就是说垂直agent或者说是这种AI的subsector，因为有人来问未来哪些AI的subsector还适合VC去投，是不是这句话的意思就是说已经都不投了？ 那倒也不是。我觉得这些subsector即vertical sector，比如说医疗、药物研发或者是金融领域，还是可以投的。但是要去寻找那种能够去自动化比较复杂工作流程的AI agent。如果你只是develop一个产品基于一个模型的套壳，你就是拿到一些垂直行业的数据，可能一两年前你会觉得我有这个行业的domain knowledge或数据会形成一个护城河，但现在已经不行了。因为这些大模型公司它可以去生成一些synthetic data，它也可以去找到这些人去给它进行数据的标注，所以这些数据已经不能够成为护城河了。 可能之后成为护城河的反而是某个领域的一个非常高价值链的工作流。比如说在医疗领域，如果说你有一个工作流能够把从你去找医生看病，到看病中间流程的病例记录，然后到最后去给患者一些建议，再去辅助他拿药——这我只是举个例子——你把整个复杂的流程都打通，那可能这样的一个agent是比较有价值的。Frontier model可能在这个domain knowledge上会成为一个非常厉害的医生，或者是非常厉害的药物研发专家，可是你的工作流它还没有办法完完全全地去automate。所以如果你能够从这个角度去下手，这几个垂直领域还是有机会可以去投的。 就是模型是很好的大脑，但是动手还是需要动；模型可以编程，但是很多东西也不是光靠编程就能解决的。需要有一个动手，但是动手如果是模型也能动，那你也没机会。你可能要动的是这种更加高价值链上的一些更复杂的工作流的动手。如果模型编程就可以搞定的话，那肯定也是没有机会的。总之就是这个大模型能力水涨船高之后，很多逻辑都变了。 你会觉得软件这件事还有前途吗？或者说是做一个产品创业这件事还有什么机会吗？ 软件可能挺难的。因为我没有去看软件，所以也不要把我的意见当做影响你们的一个因素。我自己觉得作为投资人我可能不会去看软件，我会看一些更加infra层面的东西。因为软件也不是我本身特别擅长的，所以不擅长的东西我就不发表扰乱大家心智的意见了。 ### 具身智能、世界模型与数据生成 你在硬件这里边，刚刚说了机器人、physical AI、world model都是比较overloaded的词。那你在这里边觉得什么东西是大家觉得厉害其实已经证实了不那么厉害，然后有什么你觉得是其实已经挺厉害了的？ 今年的world model确实是很多的创业公司在做。我自己可能会比较关注的方向就是这个数据的形成，因为目前数据还是非常稀缺的，对于机器人领域来讲，而且有的时候数据需要在一个能够落地的场景下。所以我觉得比如说humanoid人形机器人，如果你是Demo很厉害——我们在CES上看到很多Demo很厉害的机器人，他可能是有人在远程遥操这样的一个结果——那我觉得关键点是你能不能落地，找到一个落地场景真的把它落下来，然后在这个落地场景下收集数据，然后让这个数据去对它的机器人大脑或者是它的软硬件integration进行迭代。我觉得有一个真实的落地场景，在落地场景下得到的这种数据其实挺重要的。 所以我觉得真正的deployment有一点点被忽视。大家太多的去讲说我这个训练模型的方法论是什么，我要不要多去引入语言模型，还是说我要多去用vision language model，还是我两个结合，还是我抛弃一个怎么怎么样。你会听到有很多这样的讨论。我觉得这个讨论是有必要的，但是真的你要去找到一个让你的机器人能打磨到一个可以真的去落地的场景很重要。 还有一点就是我自己可能在修正的一点，就是我觉得data是很重要的。你现在会看到很多做世界模型的公司，或者是做一些数据生成的公司帮助机器人领域去搞数据。你会发现他们其实现在ARR涨得很快，因为这些融了很多钱的机器人公司真的很缺数据，所以他们的ARR也都是通过这些融到很多钱的机器人公司来的，因为他们要去买数据训练模型。你现在看到一个暂时的繁荣场景，去采数据的这些公司很挣钱。 但是我觉得或许有一天，会有一个公司可以去develop一个生成数据的模型，这样可能才是一个终极的解决方案，而不是说去满大街地采数据。你要是能够生成一个能够真正懂物理世界的模型，然后去自动生成数据，我觉得这样的一个解决方案可能是更加第一性原理的。我就觉得说，如果你去投这种光是能够帮你采集机器人数据的公司要小心，你要看它背后是不是能够有一个自己的数据引擎去生成这些数据，而不是说硬生生去买硬件在各种场景下去采集。 这个技术话题稍稍挑战一下或者深聊一下：一个能自动生成数据的世界模型，我们就用世界模型去叫它就好了，但是如果我们有了这个以后，我们也不需要数据了，相当于这个问题已经解决了，有点鸡生蛋蛋生鸡是吧？ 有可能会这样。我们想要能做到这个世界模型的前提是我们掌握了这个世界的analytical solution。我觉得这可能是一个迭代的过程：你可能有一个初级的、1.0或2.0版本的世界模型生成这样的一些数据，然后这个数据在现实的落地中不断地去修复，然后你的数据变成了一个3.0、4.0版本的数据；反过来又回来迭代你的世界模型，让它变成了一个4.0、5.0版本的世界模型。所以它们之间可能是在相互进步的，就是理论引导实验、实验修正理论。 我自己还是觉得这个领域应该会出现像Scale AI这样的一个公司。就像当年Scale AI给语言模型提供了数据，会有一个像Scale AI这样的数据引擎给world model机器人去提供高质量的数据，可能不止Scale AI一个，会有好几个。 ### 商业模式重构：从SaaS ARR到算力与系统消耗量 这就有一个问题了：软件投资人看的是ARR（recurring revenue），那硬件投资人看的是什么呢？ 我觉得现在的一些Benchmark都在被改写。比如说你现在看这些模型公司、Frontier Labs，就是看它的token消耗量了，包括inference token的throughput。像Anthropic这个API，你的credit一直在爆对不对？你作为一个用户不停地在加码，其实这个商业模型已经在转变了。因为你不停地需要去烧token，那你硬件的Infra也在不停地往上涨。可能这个硬件会从纯卖硬件，变成去构建一个系统，基于这个系统上你的inference或者是token的消耗量去收费，所以是一个使用量的proxy，大概这种感觉。 但是所有的硬件公司都可以被这样抽象吗？ 我觉得一定是有系统级能力的这种硬件公司。像Cerebras它现在如果你去看它的招股书，它就已经不是说卖一个wafer-scale芯片，它不是，它是卖一个inference系统。它有自己的data center，帮助客户去运行inference的workload。跟OpenAI签这样一个单，它其实是一个系统级别的很大的收费项目。如果你这个项目能够交付的话，它这个收入应该是可持续性一直往下走的。 软件时代的收费模式是说我有固定的数，一个月20美金、200美金。但是我们现在其实已经相当于在一个AGI的时代下了，可能过了两年，人类对于模型去产生intelligence的依赖会更大，那你的input token、output token会更多，你消耗的算力会更多，你对Infra的要求也就更高。所以我觉得系统层面就变成了硬件加系统还有Infra的这么一个模式，收费框架会比软件时代的收费框架更有吸引力，就是基于你的usage，基于你对智能的依赖程度和产出需要。 那感觉这里边的价值都被硬件公司给吃掉了。 硬件公司、系统级别、模型公司会吃掉很大部分，infra cloud这些会吃掉很大部分。剩下的application的创业者就分不到什么东西了，汤都喝不上。如果你能打造出来一个爆款，那应该还是可以的。 我还是觉得AI agent有很多的机会。可能会出现很多的agentic developer打造一个产品，但它不一定是个公司，不一定是venture-backable的。它可能就是说我本来要打造这样一个产品以前需要一个团队，我现在一个人就行了，我用不同的AI工具去做。当然打造AI agent的这些developer或者小公司，他希望这个账能算得过来，那就是你的inference cost要能够下来。所以我为什么其实还是比较喜欢投Infra：如果你有一个Infra的产品能够把你的inference cost弄下来，那提供agentic AI产品或服务的创业者是不是就能够有比较大的毛利空间？因为不然的话，你就一直在给Anthropic、在给Frontier model付费。Fable出来了以后，群里的很多人已经说完了完了遭不住了，用一用就直接到头了。 ### 硬件创业落地的死亡陷阱与仓储机器人复盘 我这边再问一个关于硬件的问题：我们在CES上看到那么多Demo，走出来的公司是很少的。从Demo到量产中间死掉的公司的共性，你觉得主要是什么？ 就是不能落地。他没有办法找到一个足够多的能够向客户demonstrate足够大的ROI回报率进行落地。 我记得在疫情的时候，仓储物流机器人很火，觉得说大家以后都不出去shopping了。美国绝大多数的都是e-commerce（电子商务），其实美国电子商务的普及率比中国是要低很多的。疫情的时候大家都不出去shopping了，都要网上网购。但其实美国人很多网购也是从Amazon上网购，碎片化的e-commerce business其实没有你想象中那么多。但疫情的时候他们确实有一个爆发的体量，当时就有很多grocery shopping买菜需要去进行仓储物流自动化，就有很多很多这样的startup出来，然后最后都死了。 疫情一过，美国人民又回到了以前的一种生活工作模式上去，一些小电商都没有了。因为那段时间你去建造的一些仓储物流自动化的机器人也都不行了，而且那些机器人都是在vision language model出来之前构建的，他们的Infra本身也比较落后，所以这批公司死了一大堆。 他当时有一个暂时的product market fit，但是一旦一个现象级的事情过去之后，这个product market就没有了，你的市场就不足够大了。然后你又要去把它进行落地，又需要去跟很多local的IT去进行configure、去进行调试，就很麻烦，ROI也很难去demonstrate。那个时候的这种仓储物流机器人，现在能活下来就没有几个。共性可能还是错判了需求，再就是没有办法落地，就是那个东西看上去好像很厉害，其实是不行的。 ### 周期顶峰、技术拐点与工业制造场景落地 我再问两个关于VC行业和大家对VC的了解。第一，你刚刚也提到了，24年的共识窗口可能是3-6个月，25年可能是两三个月，今年就几乎没有了。那你觉得VC这个行当还make sense吗？ 是make sense的。通常当你共识窗口没有的时候，就是第一阶段的发展到了顶峰。所以你会看到今年其实一些大的玩家要收割，像OpenAI还有Anthropic都要上市了，这就说明第一阶段的爆发到了一个顶峰。你也可以说可能是个小泡沫要进行破裂的时候，但是我不认为AI这个泡沫会破裂，只是说这个阶段你刚好到了一个收割的阶段。下一个阶段的爆发期可能就是从这个阶段收割出来的公司里面成长出来的一些技术曲线的突破，就是你有一些技术曲线的大的突破，然后你再到一个技术的拐点，找到市场。我觉得下一个cycle可能正在形成中，但这一个cycle差不多已经到头了。 那你觉得投软件的VC，大家可能觉得VC本身的做法可能也要有改变了，因为好像整个软件都不是那么make sense了。 我觉得他们可能要更加去投一些比较AI native的founder，能够去把这些AI的工具用起来。然后就像我刚刚讲的，在一些垂直行业去找一些比较高价值的工作流，然后这个工作流又能够足够覆盖这个行业比较大的一个场景。像我刚刚说医疗、金融，其实它都有非常复杂的工作流去做。以前的软件公司可能就是这些工作流中的一个工具，但是这些工具现在都被AI替代了。所以你就要找非常AI native的founder，他能够去用好这些AI的工具，然后去构建一个复杂的工作流，用里面的一些special know-how去构建一个工作流。 听起来你是对未来有这么一个investment thesis，尤其是对于Infra你会持续地关注和持续地bet。那除了Infra之外，你还有没有什么其他的investment thesis？ 我是挺看好Physical AI的，就是世界模型机器人这个方向。 可不可以跟我们解释一下，这里边你觉得比较能早期落地的应用是什么？是自动驾驶，还是炒菜机器人？ 自动驾驶已经过去了。我觉得可能是advanced manufacturing，就是一些能够在工业场景下落地的机器人，尤其是美国。因为我觉得现在美国可能有一个战略目标，就是说能把这种生产场景带回到美国来，让美国重新具有一个生产的能力。可能在美国的话，会有一些能够在生产车间落地的机器人能够先跑起来。 但是我有一个想法：我初中的时候去参观意大利，那个时候我爸在国内做瓶盖，他的一个工厂里边可能是1,000个员工；然后意大利的那个瓶盖工厂产量比他多，但是整个工厂里面有三个员工。感觉制造业本身已经高度自动化了，尤其这种资本密集的发达国家。在那这种情况下AI真的能帮助很多吗？感觉人已经是很少了，人做的是那种高难度、非常难以被AI解决的东西了，那这种时候physical AI它的落地或者说它的空间有这么大吗？ 我觉得瓶盖这个事情可能是比较简单的一些生产场景，可能它有更加落地场景的是一些复杂的工业生产场景，比如说汽车的制造业，还有像一些化工化学的这种制造业。我觉得哪怕是仓储物流机器人的环境，也还是需要真正能落地的工业级别机器人的。 这个环节我必须要澄清，就是我还没有开始去仔细研究，但我感觉它可能会形成像自动驾驶一样，过段时间它也会有一个拐点的到来。这个拐点的到来会是一个什么样的标志性事件？就是这个机器人能够去通过一个比较复杂的图灵测试吧，在某个任务场景下。 ### 印象派油画与投资的共通之处 **提问**：聊聊你的这个印象派油画爱好吧，这个爱好是怎么回事？我为什么会问这个，因为我是特别粉 Paul Graham，他的文章我几乎都看了。他写了一本书叫《黑客与画家：计算机时代的大智慧》，里面讲了很多东西都是拿画画做比喻。所以我不知道画画和投资是不是有一些联系在，我觉得科学跟艺术总是有一定联系的。 **回答**：有一段时间我确实是在画油画，但是我必须承认很久没有画了，工作忙、有小孩以后就封笔了。但是在百度工作那段期间，我还是花挺多时间，周末去画一些油画。 我觉得在画印象派的时候，跟做投资有点像。你画印象派的画时，总是有这么一个大概的印象，就好像你有一个 hypothesis、有一个 thesis 一样。但是你下笔的时候，可能不知道它最终具体会成为什么样，但你心里有一个假设，然后你就是在不停地点点点点的过程中去论证这个假设。 所以我就觉得在画油画的过程中，它对我摒除杂念是一种很好的锻炼，我觉得它像一个冥想的过程一样。 ### 冥想与注意力管理 说到这里，我其实是一个比较多进行冥想的人，很多投资人都有冥想的习惯。这个可能是我最近这几年形成的一个习惯，有时间我会进行一些 20 分钟的冥想，让自己排除掉一些杂念。 因为投资里面会有很多很多的杂念：今天看了这个，又觉得错过那个；或者你过度掉入一个公司，对它进行过于深入的探究，那你可能就把时间花错了。“Attention Is All You Need”，但你需要把你的 attention 花在正确的事情上。所以我就感觉在做 meditation（冥想）这件事情上，能够在一定程度上帮助我去把 attention 从不必要的事情上拉过来。不能说每次都能拉得回来，但真的是可以让人去清除掉一些杂念。 ### 投资人的边界与放下助人情结 **提问**：你觉得你常常清除掉的杂念，除了去关注不该关注的公司，还会有什么样的杂念？ **回答**：可能去过多干涉创始人怎么去做公司吧。因为我是一个蛮负责任的投资人，不得不说，我可能在大概七八个公司上做董事会观察员（board observer）。每次就是感觉可能有点关心过度，会希望公司做得好，然后就会给他们很多意见。 这个是我在早期做投资的时候的一种风格，我觉得我一定要跟你共同成长。但是后来我发现，其实人家懂得比你多，你不需要去过度关注。或者当你觉得这个 founder 很年轻、很 green 的时候，你总是希望把你所有的经验、看到的所有教训都灌输给他。 但有一句话说得好：你如果自己觉不到、悟不到，那就不是你的。我硬去给你塞，你也觉悟不到，你也不会去执行，你也不会去内化它。 所以后来我就发现，当我发现某个被投公司出现不好的苗头，或者他要犯错的时候，我也就点到为止。因为我觉得过多的干预，或者你把正确答案塞给他，他是指不定不会去执行的，因为他没有真正领悟到。 **提问**：放下助人情结。 **回答**：对对对，放下这种一定要让这个事情完美化、或者让他能够按照一个正确方法去做的情结。他自己吃了什么经验教训，他自己会学到的。 **提问**：我最近也有很多体会，我老婆特别不喜欢 unsolicited advice（未经请求的建议），我也意识到了。很多时候我给别人 advice，就是觉得别人想的是错的、我想的是对的，我现在对谁都很少给 advice 了。 **回答**：对，其实有的时候在创投圈，很多 founder 很有技术背景，比如现在的一些 researcher，但他们在商业领域上、甚至哪怕在法律层面上，知识真的是欠缺的。有时候你给他们意见，其实这个意见真的是对的，因为他们确实欠缺这个经验。但是他不觉得你说的是对的，他可能觉得你是在干扰他，那这个时候你就得闭嘴了。即使你知道你 300% 是对的，他也得自己去经过这个教训才能学到。什么东西都不如自己学到的教训来得真切。 **提问**：人教人教不会，事教事一教就会。 **回答**：没错没错，我经历过很多类似的事情，所以就学会了不去操心，这样自己也能每天多睡一个小时。 ### 担任董事会观察员的条件 **提问**：董事会观察员有什么条件？是占股前几名吗？ **回答**：一个是你的基金或者你本人在创始人心目中的分量。如果你是个头部的 CVC，那你投的金额通常也不会少，会占据相当一部分股份。这种情况下如果你要求做董事会观察员，founder 一般也会答应。 但这确实需要你在过程中和 founder 建立很好的信任关系，他能够认可你的价值、认可你平台的价值。成为董事会观察员，双重价值都很重要：一个是你的基金平台价值（不管是 CVC 还是 VC），同时还有你个人的价值。因为他可以说“我让你们 VC 当董事会观察员，但我不让你当，我可能想让一个更加有经验的合伙人去当”，这种情况都是经常发生的。 ### 大厂人创业与融资的常见认知误区 **提问**：最后两个问题是给观众的建议。第一个问题是，大厂人想要进入 VC 或者跟 VC 打交道，你觉得最大的认知误区是什么？ **回答**：那要看你跟 VC 打交道是为了什么，是为了要融资创业吗？ 我觉得第一个误区，就是觉得自己的技术很牛。我想想，两三年前我确实聊到过一个大厂很出色的 leader，他最后没有募资成功。他当时有一套非常厉害的技术，是关于模型创新上面的，可是他的应用场景想得不够深远。因为那个时候已经有很多大模型跑在很前面了，你提出另外一种模型范式的创新，你有什么地方能够比目前大模型的 player 更好？我觉得他就是没有把应用场景想清楚。 这就是拿着锤子找钉子。你光是打造了一把很厉害的斧头，但是你的市场不够大，或者你没有想清楚、没有想到会有什么样的市场，那就不行。你能够把一个足够大的市场讲清楚非常重要，这样才可以拿到 funding。但如果你讲不清楚，只是说“我做这样一个 real-time learning 做成会很厉害”，那 so what？你想去 tackle 什么样的一个场景？为什么这个场景大模型做不了？必须要把你的 vision 想透、想得很清楚。 还有一个认知误区，就是觉得估值越高越好。我觉得现在有很多创始人就是卯着高估值去。最近我也亲身经历过一些例子，本来谈好了一个估值，他突然又觉得说要一个更高的估值，然后就一直在跟你掰扯估值这个事。 我觉得估值一定不是越高越好的。现在很多很厉害的 new labs 拿到很高的估值，那确实是因为 founder 本人很厉害。但这种特别厉害的 founder 是极少数的，比如 research 领域的大牛，市场会给他追高估值，那是因为里面包含了他的名声溢价（premium）。比如 Yann LeCun 的公司 AMI，一出来就是多少个 billion 的估值。如果你只是 DeepMind 出来的一个比较厉害的 researcher，你就不一定能够达到那个估值预期。 如果你一直只选择给你估值最高的一家 VC，我觉得这是个比较危险的行为。危险在哪呢？危险在你的下一轮。如果你后面不能够迭代得很快，或者你不能融到下一轮，你的估值就会遭遇断崖式下跌。 ### 创始人的 Coachability 与特质 **提问**：以你打交道这么多创始人的经验来看，创始人自己能很快转过弯来吗？还是通常会有认知盲区并坚持很久？ **回答**：我觉得要看创始人的悟性，悟性高的创始人能够转过弯来，这就是所谓的 coachable 的创始人。 通常一个创始人是不是 coachable 是很难提前观察到的。我也曾经在一些我觉得很优秀的创始人身上花了很多时间，尝试去 coach 他们。他嘴上说着“yes yes yes”，但他最后实际上没有落地，甚至可能走向相反方向。真正 coachable 的创始人是可以领悟到并进行修正的；不是很 coachable 的创始人，那就 unfortunately 可能会自己浪费时间，同时也浪费投资人的时间。 **提问**：你现在有没有一个看这个人是否 coachable 的更好的 tell 或者直觉？ **回答**：我觉得有一定的直觉，但是也有犯错的概率。比如他是不是在一些关键时点给你一些意想不到的 surprise。出现这种 surprise 时你会发现：“之前跟你说的那些，你不是都听进去了吗？怎么到关键时候你又犯同样的错误？”我有遇到过这样的情况，虽然例子比较少，可能十个里面有一个，但你会发现直觉不可能永远是对的，一定会有看错的地方。 **提问**：看人这件事太难了，人也很善于伪装自己。选老公选老婆都那么容易看走眼。 **回答**：没错，对对对。 **提问**：描述一下 coachable 具象化是个什么样的表现？ **回答**：coachable 的样子应该是：他主动问你一个问题，然后你跟他讲；讲完以后他会做一些反思，做一些实践，然后再回过头来问你，他会主动地去修正自己。而不是说你在那一遍一遍不停地跟他说，他在那点头说“嗯嗯嗯，yes yes yes”，这种就不一定是 coachable 的。 当然还有一种就是完全不 coachable，你跟他说要怎么做，他直接 push back 给你说你是错的，这种就完全不 coachable。 当然，如果你能力非常强也行，就像 Elon Musk，他一定是不 coachable 的，但这样的 founder 你根本不需要去 coach 他。他不 coachable，你也不需要去 coach。 所以其实有两种情况：一种是需要 coach 的，一种是不需要 coach 的。不需要 coach 的一定是最牛逼的 founder；如果你需要被 coach 却又不 coachable，那这种就不行，他就只能通过吃经验教训去给自己买单。 ### 避免盲目追热点与创业建议 **提问**：对于大厂技术人创业，还有没有其他的认知误区？ **回答**：我觉得就是不要去追热点。所谓的什么 AI agent 很火，或者 real-time learning 很火，你就要去追这个热点。你去追热点可能就已经来不及了，这些机会都是给很久以前就在这里深耕的人准备的。你一定要有一个自己长期深耕的领域。 **提问**：在 AI 时代，什么样的人不会被淘汰？大家应该成为什么样的人？ **回答**：能够使用 AI 工具，而且能够拥有系统性思维的人不会被 AI 淘汰。你会发现 GPT 或者 Claude 已经非常善于帮你解决问题了，所以你要做一个迅速学习并且善于发问的人、一个去构架框架的人。也就是说，清楚我要去解决一个什么样的问题，然后把这个问题拆解成一个系统性的问题，让 AI 去给你赋能，同时自己要会用很多工具。这样的人我觉得不太容易被替代。 **提问**：现在大家还应该去创业吗？ **回答**：不要盲目创业。除非你的创业点子真的让你拥有很强的 vision、很大的愿力，而且你这个事情能够解决很大的问题，你再出来创业，不要为了创业而创业。 ### 自筹资金创业与 Surge AI 的例子 **提问**：你看好不拿 VC 钱的创业方式吗？ **回答**：我觉得是可以的。像 Surge AI 就是不拿 VC 的钱创业的。作为 Scale AI 的竞争对手，Edwin Chen 他就是没怎么拿过 VC 的钱，直接出来创业了。有这样的底气、勇气和能力，当然是不拿 VC 钱最好了。 那怎么办呢？self-funding，这完全是可以的。他自己去手搓出来一个很厉害的解决方案。像 Surge 当时的 data engine，其实当时的一个大客户就是 Anthropic，是在 reinforcement learning（强化学习）方向上的一个 data engine。他的产品交付能力非常强，而且他们也有一些系统化的产品。具体细节我不知道，因为我投了 Scale AI，所以 Surge AI 就不理我了。但我知道他们产品的质量、数据的交付质量是非常高的。 这就是 Edwin 自己埋头苦干了几年手搓出来的产品，可能一两年不拿工资，把所有的知识都倾注在这个上面。做出来之后就是个爆款级产品，自然会有大厂成为客户去买单。 ### 创业者的 Storytelling 与硅谷叙事 Coaching **提问**：其实也有一些人想知道去哪里可以联系到你。我记得之前聊过，你帮助过一些中国的创业者去 refine 他们的 pitch，他们可能不知道怎么讲一个硅谷投资人认可的故事。 **回答**：是的，我确实给一些创业者做过 coaching，但是我的 bar 挺高的。从实际情况来讲，我的工作也很忙，也有小朋友要照顾，coach 创始人都是挤出来的时间，所以确实只能花在一些比较优秀的创始人身上。 我一般比较看 reference（背书推荐），比如一个很好的投资人朋友已经帮忙筛过一轮了，这个创始人是从国内来的、想在美国落地，我看一下如果觉得有时间精力，并且方向和个人 profile 比较契合，我就会去 coach。如果觉得时间精力不够，或者方向、背景不太合适，我可能就不一定是适合他的 coach。 **提问**：以后可以把大家常犯的错误、需要被 coach 的点整理分享一下，这样可以更 scalable 地帮助大家。 **回答**：可以，我们以后可以再开一个直播讲这个事情。因为我觉得 storytelling 是非常重要的。之前我听一些 founder pitch 二三十分钟，之后大概会花 10 分钟时间给他做一个 storytelling 的 coaching。 这个可能是我的一个专长，是在 Qualcomm Ventures 的 6 年时间里练出来的。因为我们的运作模式有点像 Benchmark，6 个合伙人每个人在投、融、管、退各个环节都要很能打。在这种情况下，不仅要能够识别优秀的创始人并给他们指点，我们自己也接受了很强的 storytelling coaching。所以这一直以来是我的长板，也帮我吸引到了很多案子。 如果一个 founder 是很强的技术型 founder，但在 storytelling 上差那么一点火候，我确实可以在很短的时间内发现他哪里需要改进，并迅速给他反馈，他们通常会觉得很有帮助。以后有时间我们可以再开一个 session 举一些例子，或者找几个实时的创始人现场进行 10 到 20 分钟的 pitch。 **提问**：太棒了，过段时间可以在社区里约一个小时左右的时间，看三到五个案子给实时反馈。我自己做业务也觉得讲好故事的杠杆是最大的。 **回答**：是的，杠杆非常大。而且不同的 VC 偏好不同，因为我跟一些一线 VC 刚好在一个董事会上，比如红杉的 Doug Leone，还有 Khosla Ventures 的 Vinod Khosla，我们都在同一个 board 上。在同一个 board 上这么多年，你就会发现这些大佬喜欢听什么样的故事能够被打动，他们有自己的套路。我看到了他们的这些套路，大概就会知道如果你去跟 Vinod pitch 要怎么讲、去跟美国红杉 pitch 要怎么讲，会有这么一个大概的感觉。 **提问**：非常感谢，那就提前约一下你的时间。如果想听 Nan 的 storytelling session，想报名的话就来 Superlinear Academy，多分享你的 projects，在里面多多建立你的 profile，这样到时候活动筛选时能有更多的 background 参考。非常感谢 Nan 今天的直播和时间！ **回答**：好，谢谢课代表，拜拜！