硅谷“砸钱”造神，中国式 AI 能复制么 ?
一扫去年裁员、股价暴跌的阴霾，硅谷凭借 AI 正在以 " 盖茨比 " 式的姿态重新站到镁光灯下。
据光锥智能不完全统计，180 天里，硅谷在人工智能领域共完成了 42 起融资、拿下 55% 全球筹资金额。其中，8 家人工智能明星独角兽公司拔地而起，平均轮次融资金额 3.3 亿美元。
热钱从硅谷的天空撒下，美元堆起了新故事。
" 对 AGI 时代来说，今年是过去十年中最好的一年，却是未来十年中最差的一年。" 创业的氛围充斥着每个角落，这几乎成为了硅谷的共识。
" 一周参加五六场聚会，从技术研讨到应用机会，硅谷这半年都处于 AI 的兴奋之中。" 毕业于斯坦福，常驻于硅谷的华人孔祥来不仅投身到 AI 电商导购的创业中，连其偶然发起的 AI 社区 AGI 降临派，也在这波热度下意外爆火。
身处大洋彼岸的中国创业者也受到了感染，王小川、李志飞等明星创业者和真格基金管理合伙人戴雨森、金沙江创投合伙人周雨桐等众多知名投资人不想再 " 雾里看花、水中望月 "，一月连续三次飞往硅谷。
中美 AGI 领域虽然同样火热，但在市场的格局生态却截然不同。
最明显的区别是，与国内的 " 百模大战 " 相比，基础大模型创业在硅谷并不火热。"OpenAI 一家独大，只有谷歌和 Meta 等大公司向其发起挑战，创业公司很少做基础大模型。" 远望资本合伙人、迅雷创始人程浩对光锥智能谈到，但在中国，还是有人想赌一把，因为最终谁是中国的 OpenAI 还不确定，造神的这一过程既危险又性感。
而大模型之外，硅谷却在中间层和垂类应用层里，呈现出百花齐放的热闹。但反观中国，虽然投资人们嗅觉敏锐，早就闻到了 " 肉香 "，却 " 看得多投的少 "；而 AI 创业领域，也鲜有全新的大模型之外的公司出现，更多是大中型公司的声音。
无论是源于美元基金的撤退，还是国内的 AI 创业环境，与互联网时代不同，在这一轮科技狂潮中，中国创业者和 VC 们正在经历着前所未有的迷茫，Copy to China 的策略似乎逐渐失灵了。
" 硅谷重视技术，埋头升级大模型能力，而国内则更看重商业模式。" 孔祥来对光锥智能说道。AGI 时代，各自的商业逻辑依然没有改变。
结合投资人、创业者的深度访谈，光锥智能复盘了今年上半年硅谷 AI 初创公司的融资和发展情况，希望能从中探寻到 AI 2.0 创业浪潮中的机遇和警示，以期给国内投资人和创业公司一点启发。
AI 掘金潮，热钱撒向哪儿？
国外风投数据分析公司 PitchBook 数据显示，上半年全球 AI 领域共计发生融资 1387 件，筹集融资金额 255 亿美金，平均融资金额达 2605 万美金。据融资服务机构 Carta 数据显示，2023 年 Q1，美国 A 轮 AI 初创公司融资环比增长 58.4%，种子轮公司估值增长了 19%。
热钱一半都流向了硅谷。据光锥智能不完全统计上半年硅谷一共有 42 起融资，总金额约 140 亿美元，占世界总融资金额的 55%。平均轮次融资金额为 3.3 亿美元，是平均融资水平的近 13 倍之多。
硅谷 AI 创业公司梳理，制表：光锥智能
以 OpenAI 为首的 AI 新贵成为当之无愧的主角，在获得投资的 40 家公司中，有近 60% 的公司成立时间在一年之内。其融资轮次也处于早期阶段，42 起融资事件中，种子轮次占了 40%，B 轮以前（包含 B 轮）占了 86%。
孔祥来告诉光锥智能，硅谷这波创业大多采取小而精方式，早期创业项目团队的人数在 3-5 人，中期项目团队的规模也控制在十几人～几十人之间，当初 Midjourney 效果惊艳全世界，凭借早期 11 个人的团队就做到了一亿美金的营收，"AGI 领域更重视技术创新，堆人没有用。"孔祥来直言。
这跟国内创业方式有很大不同，国内创业团队人数普遍较多，比如媒体报道称王慧文的光年之外解散前有 70 人，王小川公开信中透露百川智能最初组建人数为 50 人。
不过，硅谷 AI 创业团队规模虽然普遍偏小，但其吸金能力却十分惊艳。
截至目前，按融资金额数量的 AIGC 初创公司的排名分别为：OpenAI（113 亿美元）、Inflection（15.25 亿美元）、Cohere（4.45 亿美元）、Adept（4.15 亿美元）、Runway（1.955 亿美元）、Character.AI（1.5 亿美元）和 Stability AI（约 1 亿美元）。
站在他们背后的，仍是科技圈如雷贯耳的公司和大佬。光锥智能整理统计发现，上半年，微软参与的 AI 融资项目有 5 起，谷歌出手 4 次，英伟达出手 6 次，OpenAI 出手 3 次，这些巨头加起来累计参与了约 43% 的 AI 领域融资。
将目光更聚焦一些，当下硅谷对 AI 关注的主要集中在三个方向：一是基础大模型层；二是开发工具、数据库等所在的中间层；三是垂直应用层。
程浩向光锥智能介绍，基础大模型除了 OpenAI、Anthropic 两家公司，其他创业者都在做开源模型；工具层创业者都在动员所有人才精英做开源社区，其核心壁垒在于创造开发者生态；应用层聚集着两类创业公司，一类是像法律、HR 招聘垂直领域的公司，一类是与文案、文生图、文生视频相关的通用型公司。应用层普遍扎堆 B 端，C 端产品少很多，属于在巨头夹缝中求爆款的状态。
从不同机会层面来看，上半年，硅谷基础大模型层有 8 起融资，中间层有 12 起融资，垂直应用层面有 23 起融资。不过，在融资金额上却呈现反比，分别融资金额为 110.8 亿美元、3.5 亿美元和 25.2 亿美元。
表面上看，基础大模型层似乎是最热的投资领域，但实际上完全由 OpenAI 一家撑起来，如果把 OpenAI 的 103 亿美元巨额融资剔除，整个垂直大模型层的融资占比就直接从 79% 骤降至 21%。
从上图可以看出，目前垂直应用层面是硅谷最热的投资领域，融资次数多，但单次融资金额不高；基础大模型层 OpenAI 占据绝对的领先地位，其他大模型公司虽然单轮次的融资较高，但难以与 OpenAI 相匹敌，其业务范畴也在弥补 OpenAI 的不足；中间层是 VC 们近期发掘的新大陆，目前，已投出了估值 7.5 亿美金的向量数据库公司 Pincone，半只脚踏入了独角兽行列。
孔 祥来表示，" 硅谷 投资人内部分为了两派，一类只看好 OpenAI，认为未来 OpenAI 会统治 2C 端应用，因而没必要在 C 端应用领域投入过多时间，转而去投 B 端与行业深度整合的 AI 公司；另一派则持相反态度，积极拥抱开源社区，也会看好 2C 端的垂直应用，认为在该领域也可以跑出独角兽公司。"
总体而言，今年上半年以下方向在硅谷掀起了一波又一波的掘金潮：
基础大模型层：小参数基础模型、通用大模型。
中间层：向量数据库、AI 工具链、模型部署工具。
垂直应用层：文生视频、文生语音、AI 对话机器人、生成式 AI 搜索、法律垂类领域应用、人形机器人。
孔祥来补充总结表示，当下硅谷投资人重点看好几个方向，分别是 AI Agents（智能体）、多模态（文生图、文生视频）、解决行业幻觉（法律、医学）、个性化方向（Character AI 等对话机器人）、大语言模型的中间件以及 AI 深度赋能的行业场景应用。
（图源：CB Insights）
站在淘金热的风口，这些新贵们的身价随着水涨船高，2022 年，ChatGPT 和 AIGC 领域吸金超过 26 亿美元，共诞生出 6 家独角兽，而截至到今年 5 月 8 日，独角兽俱乐部的成员上升到 14 家 ( Midjourney 暂无估值 ) 。
1000 家 VC 同时举牌竞价，带来的是成立不到四个月的 Baby 公司，融到两轮上亿美元融资。6 月 29 日，Inflection AI 完成了 13 亿美元的新一轮融资，成为融资第二多的生成式人工智能初创公司，资本再次成功造神。
奇迹降临硅谷的同时，淘汰赛也正式开始。
数据，AIGC 时代的唯一壁垒
仅仅半年，硅谷就已经给 AI 创业贡献了一波真金白银的教训。
一类是像 Jasper 这类靠接入 OpenAI API 接口成长起来的公司受到了冲击。
作为第一批 AIGC 独角兽公司，Jasper 抓住了这波 AI 升级机会，估值飙到了 15 亿美元。但其问题也十分致命，套壳公司产品壁垒非常薄，它的用户体验和品牌很好，但达不到最好，很容易被那些高价值细分领域构建的差异化产品而替代，通而不精是其最大的问题。
程浩认为，Jasper 的最大竞争对手是 ChatGPT、微软 Copilot、NotionAI 等巨头竞争对手，这些巨头有品牌，价格也便宜很多，所以那些相对弱需求的用户自然就不愿意继续再为 Jasper 买单，其根本问题在于创造的额外价值不够厚。对于 Jasper 这类公司来讲，核心是想办法在数据存储、多人协同以及工作流整合等方面下功夫，增大用户粘性。
另一类是 VC 支持的聊天机器人团队，在去年的融资热潮下筹集了不少资金，期望今年能向企业销售。但年初市场中的聊天机器人便多如牛毛，技术壁垒不高，很容易被复制，再次走向同质化的怪圈。
另外，面向 C 端的 AI 搜索平台 Neeva 因为商业落地困难，最终被大公司收购，有了这个前车之鉴，硅谷现在几乎所有的公司都开始疯狂进攻企业级市场。
" 初创公司首先要选对路线，究竟是‘ +AIGC ’还是‘ AIGC+ ’。" 程浩认为，选择比努力重要。
选择 "+AIGC" 与 "AIGC+" 的判断标准是，AI 在业务全价值链的比例。如果一家公司的 AI 成分占 10%，业务逻辑占 90%，那就比较适合走 "+AIGC" 的创业道路；若其 AI 成分占比在 50% 以上，那就更适合走 "AIGC+" 的路线。
多米诺骨牌已经开始倒下，Jasper 之后轮到谁尚未可知，但愈加清晰的是，AIGC 时代初创公司也必须死死捍卫自身的护城河。
投资人 Chamath Palihapitiya 认为，要么你处于绝对底部，掌握数据场景；要么处于绝对顶部，拥有核心算力资源。
"对于中间阶段的公司，今天可能价值不菲，但明天可能一文不值。" Chamath Palihapitiya 道。
" 数据才是 AIGC 时代的唯一壁垒。" 孔祥来道。
孔祥来认为，模型和算力都不是 AIGC 时代的护城河。无论模型训练的打榜分数有多高，最终都要落到实际应用中，在场景中积累的用户分布数据会被纳入到企业的微调模型数据集，经过不断的迭代，就会在企业端形成数据飞轮，在这基础上被微调训练的大模型也会越来越精准，形成正向的反馈效应。
随着 LLaMA2 的开源，大模型的技术壁垒被进一步打破，正如傅盛所言 "AI 创业公司在半夜笑醒 "，技术补齐的步伐加快，数据的竞争也会更加激烈。
中国式 AI，不复制硅谷，也别复制旧自己
真金白银的机遇和教训都摆在眼前，中国式 AI 要走向哪里呢？
" 大模型将引发交互革命和生产力革命。" 程浩告诉光锥智能，最先受益的是自然语言驱动的行业，所以，智能客服、售前咨询、写作、翻译、垂直领域的法律、HR 招聘等将成为交互革命爆发后的第一波受益者，这些 " 低垂的果实 " 自然一早就被创业者们盯上。
但是，" 美国法律、心理咨询相关的应用火热，根本原因在于律师、心理咨询师的人力成本非常高，大模型应用的经济模型能够跑通。而在中国，没有这样的环境，盲目 Copy 走不通。" 早在两个月前，便有投资人对美国投资热潮，进行了中国式点评。
除了文生图、数字人，与硅谷一样的是，众多中国创业者也瞄向了新一代智能客服。但与此同时，对 " 同质化 " 的担心和焦虑也悄无声息地弥散。
"8 个 AI 应用创业项目，客服营销竟然占了将近一半 "，看着正在路演的竞争对手，同样从事 AI 客服营销创业的杨季（化名）低声惊叹道。随着路演进程的推进，他的神情也越来越紧张。
杨季告诉光锥智能，技术相对成熟，需求明确，客服营销成为跑得最快的场景，现在已经从国内市场卷到了东南亚。杨季的创业经历反映了一批创业者从互联网到现在 AIGC 的通病，不想花精力啃下技术硬骨头，只想通过找场景、做应用来走捷径。
硅谷踩过的坑，中国创业者恐怕也得再踩一遍。黑格尔的这句话再次应验，" 人类从历史中吸取的唯一教训，就是人类不会从历史中吸取教训 "。
没有营收预测，没有用户数，PPT 式的路演接二连三地上演，令中国 VC 们无从下手，"ChatGPT 刚来，迷茫的是不知道投什么；到现阶段，是没有什么可投的。"
蜂拥而上做简单的应用固然轻松，但 AI 产业崛起之路没有捷径可图。
包含 OpenAI 在内的大模型巨头公司，如今也来到了自身的发展瓶颈期。国外开源模型社区 Hugging Face 技术工程师尹一峰向光锥智能证实，" 至少半年内，技术可能很难有新的突破，这将极大地限制应用的大规模落地。"
硅谷技术触及天花板，不得不回过头来去强化中间层的技术能力。对于中国来说，这恰恰也是补齐产业链的绝佳机会。
如果将开发大模型比作是 " 造房子 "，那么中间层的 AI Infra（AI 基础设施）就是 " 工具箱 "。参照硅谷的发展趋势，数据工具的打造、企业端移动端的模型部署、AI Agents 的实践和应用，都将是下一步的发展方向。
（AI Infra 产业链 图源：CB Insights )
克里斯坦森的《创新者的解答》中提到，产业链中有能留住财富的聚宝盆。TMT VC 投资人 Na Liu 提到，" 当前，AI Infra 领域的聚宝盆在价值链中正在发生变化，从集成式结构的平台化解决方案 AutoML（以性能为主）转向模块化（灵活、速度、便利为主）。"这背后切中的是企业想要打开 " 黑盒化 " 的过程，希望能够灵活地调整模型和构建工作流程中的每一个组件，以得到最适合其特定需求的系统和分析结果。
最具有价值的环节，也是最难啃的骨头，中国现在正是缺少工具和原材料制造工厂，这也解释了中国为何缺乏有竞争力的大模型的根本原因：底层薄弱，上层爆发乏力。
以 AI 三要素的数据为例，中国的数据相关产业链，几乎都是云大厂 " 一站全包 "，缺乏在某个垂直领域的深耕，而这对于初创公司而言每一个环节都将是机会，可以做精做专。" 数据准备 " 是中国特色机会，这里面就包括了数据质量、数据标注、数据合成和应用商城与工程。
目前，合成数据公司已经逐步得到资本的青睐。拥有图像合成数据能力的生成式 AI 公司 " 跨维智能 " 去年一年内完成天使及 Pre-A 轮亿元级融资；今年刚成立的光轮智能半年内完成了三轮融资，天使 + 轮次后，其累计融资金额达数千万元人民币。
走过前期的技术崇拜，越来越多的创业者已经意识到，OpenAI 道路不是大模型时代的唯一解，有人向上突破，有人向下做精做专。
除了大模型，中间层是一条看似小众，但更稳妥的路；而看似最 " 低垂的果实 " 的应用层，却是千军万马过独木桥，更容易赢者通吃、中大厂先行。
但对于中国式 AI 而言，比较容易知道，不能盲目复制硅谷；比较难做到的是，不复制 " 旧时的自己 "，走向堆人抢项目的重交付老路。
来源：光锥智能