铃阅
❌

阅读视图

硅谷风向变了!最前沿的AI公司,开始抢传统生意了

原创 硅基君 2026-11-16 19:00 北京

AI不想只赚软件的钱了

谁能想到,最前沿的AI创业公司,开始抢着干最传统的生意。

最近一两年,硅谷有一个明显趋势,一批AI创业公司不再满足于向企业出售软件,而是直接下场,收购律所、会计事务所、保险代理机构,甚至物业管理公司。

据不完全统计,全球已经有32家AI相关企业收购或直接经营传统服务业务。其中,会计税务领域最多,达到9家;法律服务5家;保险、客服和物业管理各3家。

这件事情很有意思。

过去二十年,软件行业最成功的商业模式之一,就是向传统企业出售工具,通过提高客户的经营效率赚取订阅费。

但现在,一些AI公司发现,光卖工具似乎已经不够了。

一方面,传统服务业的市场规模远比软件市场大。另一方面,随着通用模型越来越强,单纯依靠AI功能建立的竞争优势,也越来越难维持。

于是,一种新的商业模式开始流行:与其帮助传统公司提高效率,不如直接把它们买下来,自己经营。

不过,问题也随之而来。AI能够替代大量重复劳动,却替代不了客户关系、员工管理和市场竞争。技术让一门生意变得更高效,但也不代表它就能变得更赚钱。

对于这批AI创业公司而言,真正的考验,可能才刚刚开始。

/ 01 /

AI公司,开始抢传统服务业的钱

过去几年,越来越多原生AI公司开始将目光投向传统行业。

例如,美国AI法律公司Eudia,原本主要通过AI帮助企业审查合同、处理合规事务。2025年,公司先后收购了爱尔兰法律服务商Johnson Hana和美国Out-House。

AI会计领域也有类似趋势。

Multiplier最初计划开发AI税务软件,帮助会计师处理报税、记账等工作。但今年4月,它收购了新西兰财税咨询公司Oxygen Advisors,9月又拿下美国外包会计服务商Rooled。

保险领域的Equal Parts累计收购10家保险代理机构;客服领域的Crescendo收购了客服外包商PartnerHero;英国物业管理平台Dwelly今年也已完成13笔收购。

这些企业虽然分布在不同行业,但商业逻辑基本一致:从出售AI工具,转向直接经营传统服务业务。

背后的原因也很简单,争夺更大的市场和利润空间。

今年3月,红杉资本在研究文章中提到,企业每花1美元购买软件,大约还会花6美元购买人力服务。换句话说,AI软件公司过去争夺的,只是企业整体服务支出的一小部分。

但如果直接经营法律服务业务,AI公司就有机会获得原本属于律所的服务收入,同时把节省下来的人工成本转化为自己的利润。

Eudia就是一个例子。2025年初,这家公司的年度经常性收入(ARR)只有200万美元。在陆续收购两家法律服务企业之后,到当年12月,ARR已经突破2000万美元,一年扩大10倍。

当然,这部分增长有相当比例来自并购,但也说明直接经营传统服务业务,能够迅速扩大AI公司的收入规模。

更值得关注的是利润率。

客服公司Crescendo收购PartnerHero后,将AI引入原有客服业务,使需要转交人工处理的咨询减少了70%以上。

公司管理层披露,部分完成AI改造的业务,毛利率已经超过60%。相比之下,传统客服外包行业毛利率通常只有15%—25%。

这意味着,AI不仅能够扩大收入规模,还有机会显著提高传统服务业的盈利水平。

不过,除了争夺利润,AI公司收购传统企业还有另一个目的:建立新的竞争壁垒。

随着通用模型能力不断提升,越来越多原本需要专门开发的AI功能,开始被基础模型直接覆盖。对于AI应用公司而言,今天领先的功能,明天就可能成为所有产品的标配。

相比之下,真实业务中的客户关系、行业数据和工作流程,反而更难复制。

英国物业管理平台Dwelly就是一个例子。截至今年10月,Dwelly通过连续收购,已经管理约1.61万套房产。

这些收购不仅带来了客户,还让Dwelly获得了大量真实的物业管理数据,包括租客沟通、房东偏好、维修记录等。

更重要的是,直接经营业务,让Dwelly能够不断利用真实场景改进AI系统。

2026年8月,Dwelly的AI系统处理了1000多笔维修任务。每当AI需要人工介入,团队就会分析原因,再反过来优化系统。

根据公司披露,经过AI改造,单笔维修任务所需的人工处理时间,已经从约3小时缩短至15—20分钟,降幅接近90%。

这就形成了一种潜在的数据飞轮:收购带来客户和数据,数据帮助优化AI,AI又进一步降低经营成本。当模型能力越来越容易被复制,真实业务经验和客户关系,反而可能成为AI公司更重要的护城河。

说到底,这轮收购潮既是为了争夺传统服务业的利润,也是AI应用公司寻找新竞争优势的一次尝试。

/ 02 /

买下了生意,也买来了麻烦

不过,传统生意并没有那么好接手。

在硅基君梳理的32家相关企业中,至少有7家在收购后出现客户投诉,另有5家出现员工对内部管理的不满。这些反馈背后,暴露出两个现实问题。

首先,是收购后的经营整合。

不同于软件产品可以低成本复制,法律、会计、保险等专业服务,高度依赖具体的人。客户信任的可能是合作多年的律师、会计师,而不是新接手的AI公司。

一旦原有员工离职、服务流程调整,企业不仅可能流失客户,还需要承担额外的管理成本。

AI法律公司Lawhive就是一个例子。2025年9月,Lawhive收购Woodstock后不久,就有客户投诉,原本承诺7—14天完成的沟通,25天过去仍没有结果。

内部员工也有不满。一位Woodstock法律助理在Glassdoor上抱怨,公司被收购后缺乏统一培训,内部管理混乱,甚至新员工刚入职不久,就得教其他新人怎么工作。

这说明,AI能够优化具体工作流程,却无法自动解决组织管理的问题。AI可以买下一家公司的客户和业务,却无法直接复制它多年积累的经营能力。

其次,也是更关键的问题,AI节省下来的钱,未必全部属于AI服务商。

AI虽然降低了服务成本,但效率红利还需要在服务公司、专业人员和客户之间重新分配。

以Lawhive为例,公司创始人曾披露,引入AI后,平台律师的平均收入提高约2.8倍,但消费者支付的法律服务价格也下降了约30%。

客服领域也是如此。Crescendo不再单纯按照客服人数收费,而是改为按实际解决的问题收费。其CEO也明确表示,AI降低成本后,部分收益会让利给客户。

而且,客户正在变得越来越强势。

今年9月,《金融时报》报道,花旗、摩根士丹利和高盛等大型投行,已经开始要求外部律所披露AI节省的成本,并通过竞标、固定收费等方式压低法律服务开支。

HFS Research对304家大型企业的调查也显示,74%的受访采购方认为,采用AI交付的专业服务应该更便宜,其中34%预期降价幅度超过30%。

这背后,其实是AI正在动摇传统专业服务业的收费基础。原因很简单,AI将原本需要几小时完成的工作压缩到几分钟,客户自然会质疑,为什么还要支付原来的费用?

更重要的是,随着AI技术逐渐普及,竞争对手也能获得类似的效率提升。当所有服务商的成本都开始下降,降价就可能成为争夺客户的新武器。

最终,AI创造的效率收益,很可能通过价格竞争,不断向客户转移。

这意味着,AI公司可能面临一个尴尬的局面:通过AI大幅减少了人工投入,却又不得不为了争夺客户持续降低服务价格。

AI能够降低一家公司的成本,但决定它能赚多少钱的,仍然是市场竞争的结果。

/ 03 /

AI收购潮,真正的考验才刚刚开始

说到底,这轮AI收购潮,本质上是一场用技术改造传统服务业的商业实验。

AI创业公司试图通过并购和技术改造,将高度依赖人力的传统服务企业,变成利润率更高、能够规模化扩张的科技服务商。

但问题在于,效率提升不等于利润增长,更不意味着商业模式发生了根本改变。

即使AI大幅降低人工成本,企业仍然要面对客户管理、业务整合和市场竞争。更何况,AI带来的效率红利,也未必能全部留在自己手里。

这个故事究竟能创造多大的价值,仍然需要更多时间的检验。

文/元元

跳转微信打开

  •  

被围剿的黄仁勋,暴露了AI投资的最大风险

原创 硅基君 2026-11-13 17:00 北京

硅谷的胳膊,拧不过华盛顿的大腿

谁能想到,把英伟达乃至整个美国带上全球AI产业之巅的黄仁勋,最后没倒在商业竞争中,却栽在了一场桃色风波里。

老黄的问题,显然不是私生活。

从贝索斯到马斯克,美国科技大佬的桃色新闻并不少见,却很少因此丢掉自己的商业帝国。

老黄真正失去的,是华盛顿的信任。到了这一步,他跟谁好过、好过几个,已经不重要了。

同样面临麻烦的,还有马斯克。

为了这场中期选举,马斯克砸下创纪录的4.74亿美元,却依然没能阻止自己的大本营得州翻蓝。

随着政治格局改变,马斯克主导的政府效率部(DOGE)、SpaceX的政府合同,以及星链在俄乌战争中的使用,都可能面临更严格的国会审查。

这背后,其实揭示了一个科技投资里很重要的趋势性变化:

AI产业越做越大,这些企业家在美国政治中的处境,反而越来越微妙,那些裹挟着汹涌民意的政治博弈,正在成为左右AI产业走向最难预测的变量。

比起看得见的外部威胁,看不见的内部政治风险,往往更有杀伤力。

在这个风险面前,传统PE、EPS、护城河的作用都终将有限。毕竟,商业竞争有输赢,政治博弈却可能改变游戏规则。

随着黄仁勋的下台,至少英伟达的胜率和赔率,都需要重新评估。而这或许只是一个开始。

/ 01 /

老黄的问题,从来不是私生活

在美国商业环境里,几乎所有美股的上市公司,都严禁高管与下属发生未披露的亲密关系。但规矩这东西,向来是都给普通人用的。

不信你看看贝索斯和老马。

2019年亚马逊老板贝索斯出轨,最后还闹离了婚。马斯克就更不用说了,先是当德普夫妻的小三,后来性骚扰空姐,是公司帮他出了25万美元和解费。

结果呢?出轨同一年,亚马逊的董事会选举,贝索斯的支持率您猜怎么着,接近99%。

马斯克更嚣张。特斯拉2025年一份官方文件里白纸黑字写着:股东们多年来反复请愿,希望公司留住并激励我们的"马斯克大帝"。

人家董事会心里那本账,算得比谁都清楚:再找一个马斯克,比再找一个好人难太多了。

所以老黄真正麻烦的,压根不在这儿,而是他已经丢掉的是华盛顿的信任。

很多人第一反应:民主党搞的鬼吧。毕竟民主党一直喊着要收紧先进AI芯片出口。

10月29日,《纽约时报》披露美国情报机构对Alice Huang的怀疑,以及她与黄仁勋的私人关系。11月3日,美国中期选举结束,民主党赢得参众两院控制权。

但很多人没有注意到,要求黄仁勋赴国会接受闭门简报的三名众议院委员会主席,全部来自共和党。显然,共和党和民主党,这次似乎都不准备轻易放过他。

其实,黄仁勋与Alice Huang的关系,并不是什么刚刚发现的秘密。至少从2024年开始,两人就有公开同框的照片。

Alice Huang关联的新加坡公司Megaspeed,也早就在美国政府的调查视野里。

2025年2月,新加坡警方开始调查Megaspeed涉嫌虚假申报服务器采购等问题。同年6月,美国商务部也对其进行了出货后核查。

英伟达2026财年第二季度,按客户账单地址算,新加坡贡献了22%的营收。试想一下,一个小小的新加坡哪能吃得下这么多的订单。货最后去哪了,圈里不算秘密。

既然早就知道,为什么偏偏是现在?

过去几年,黄仁勋一直在做一件事:试图利用自己的商业影响力,在中美科技竞争中为英伟达争取更大的经营空间。

他反复强调,限制美国芯片出口中国,并不会阻止中国发展AI,反而可能促使中国企业摆脱美国技术生态,加速发展自己的替代产品。

无论是共和党的强硬派,还是民主党,早对就黄仁勋恨得牙痒痒了。

选举之前,特朗普还能兜着。随着2026年中期选举结束,民主党赢得参众两院控制权,特朗普政府未来在国会面前的回旋空间也将受到限制。

特朗普可以继续通过行政权力调整部分出口政策,却无法单方面阻止国会调查、举行听证,或者推动新的限制性立法。

但黄仁勋可能低估了一件事:当一家科技公司的产品被上升到国家战略资产的高度时,它所能获得的商业自由,也就不再完全由市场决定。

有些事不上秤没有四两重,可要上了秤,一千斤都打不住。

老黄跟谁好过、好过几个,到这一步已经不重要了。没有黄仁勋,对他们很重要。

/ 02 /

马斯克成了下一个“靶子”

你别以为,倒霉的只有长得黄皮的黄仁勋,马斯克的日子也没好到哪去。

2026年11月3日投票结束,民主党重夺参众两院,一堆深红州翻蓝,其中包括得州。

得州自1988年以来头一回选出民主党联邦参议员,自1994年以来头一回选出民主党州长。

得州一直是马斯克精心构筑的“红色堡垒”,他把公司注册地从特拉华迁出、总部从加州搬到得州,甚至建了一座自己的城市 Starbase。

他的算盘打得挺简单:华盛顿刮什么风我管不着,得州永远是红的。

为了这场选举,马斯克砸了约4.74亿美元,创下非参选捐赠者的历史纪录。支持的37名共和党众议员候选人,3人当选;7名参议员候选人,6人落选。

11月3 日之后,一切都变了。

新当选的得州州长希诺霍萨,此前就起诉过,要求公开马斯克和前任州长阿博特之间逾千页的通信记录。

民主党那边话也放出来了:马斯克主导政府效率部(DOGE)——就是他牵头砍政府开支的那个临时机构——期间的削支动作要查,SpaceX 卫星在俄乌战争中的使用要查,AI数据中心的审批也要查。

不止老马。整个AI产业,一夜之间风向就变了。

路透社报道,民主党议员已经在攒一批针对AI和数据中心的监管法案,准备2027年1月重新掌控国会后推。数据中心建设、电力成本、模型安全、法律责任,以及对大型科技公司的调查监督,一个不落。

选举刚结束,众议员 Yassamin Ansari 就发帖:新国会第一天,先暂停先进AI,先禁超级智能。

支撑这个论述的是《禁止人工超级智能法案》(Ban Artificial Superintelligence Act of 2026),于 9 月 23 日由 Sanders 在参议院提出,次日 Casar 等 10 人在众议院提出,Ansari 是共同提案人法案要求禁止超级智能,暂停训练算力达到10²⁵次运算的先进模型,决策层鲁莽违规最高判 20 年。

当然,这并不意味着相关法案一定能够通过。特朗普仍然掌握总统否决权,也一直反对对AI实施过于严格的监管。

但有一点已经不可避免,“限制 AI 巨头”,正在永久性地成为美国政治生活的中心议题。

/ 03 /

一场围绕财富再分配的“清算”

政治周期与资本周期,从来是咬合的齿轮。美元潮汐收割外部,选票潮汐清算内部,两个轮子交替转动,一轮又一轮。

只是这一次,被放上牌桌的,是过去十年全球财富增长最集中的一批人和他们的公司。

2022年11月,ChatGPT发布前夕,苹果、微软、谷歌、亚马逊、Meta、英伟达和博通七家科技巨头的总市值约为7万亿美元,相当于当年美国GDP的27%。

到了2026年11月,这七家公司的总市值已经接近23万亿美元,相当于美国预计全年GDP的70%左右。

短短四年,七家科技巨头的市值增加了约16万亿美元,而同期美国名义GDP的增长只有约6.58万亿美元。

钱去哪了?多出来的16万亿,进的是极少数人的口袋。

美联储2026年第二季度的数:美国财富前10%的人,握着约88%的公司股票及共同基金份额;后50%的人,加起来约0.6%。

那代价谁付?留给了整个社会。

比起AI带来的便利,普通人体感更直接的是两件事:饭碗,和每个月寄到家里的账单。

2026年8月皮尤研究中心的调查,73%的美国18至29岁年轻人认为,AI会在未来20年减少美国的就业岗位。2024年这个数还是61%,两年跳了12个百分点。

斯坦福大学今年8月更新的一项研究,揭示了一个令人担忧的趋势:AI还没有引发大规模失业,但已经开始影响年轻人的就业机会。

研究扒了美国数百万员工的工资数据,2022年11月到2026年6月,受AI影响较大的职业里,22至25岁就业人数降了约11%。

工作被AI取代就算了,生活成本还越来越高了。

美国最大的区域电网运营商之一PJM,覆盖中大西洋及中西部部分地区,服务超过6500万人。

PJM设有一个叫“容量市场”的机制。简单来说,为了确保未来用电高峰期不缺电,电网会提前向发电企业购买未来的供电能力。

如今,随着数据中心用电需求激增,电网需要提前储备更多供电能力,容量市场价格也随之上涨。而这些额外成本,最终又通过电价传导给普通企业和家庭。

PJM独立市场监测机构估算,仅2025年至2028年三个供电年度,数据中心需求带来的额外容量市场成本,就超过230亿美元。

在马里兰州和俄亥俄州部分地区,数据中心需求甚至已经让普通家庭每月多承担约10美元的电费。

这些不满正在被转化为政治压力,AI巨头也开始成为两党博弈的重要对象。比起账面上的经济账,这些裹挟着汹涌民意的政治博弈,正在成为左右AI产业走向最难预测的变量。

/ 04 /

总结

毋庸置疑的是,老黄下台,对英伟达乃至整个AI产业后果是灾难性的。

但显然,最坏情况还远没有到来。

原因很简单,比起外部威胁,看不见的内部清算往往更有杀伤力。

当AI创造的财富越来越集中,就业、能源等社会成本却可能由更多普通人承担。当这种利益失衡转化为选票,科技巨头就不可避免地被卷入政治博弈,长尾风险真正变大。

这意味着,英伟达乃至整个AI产业的胜率和赔率,都需要重新评估。政治不确定性带来的长尾风险正在放大,即便EPS持续增长、技术护城河依然稳固,也未必能阻止估值倍数进一步压缩。

毕竟,商业竞争有输赢,政治博弈却可能改变游戏规则。

文/阿奇

跳转微信打开

  •  

Character.AI都要破产了,AI陪伴却开始闷声赚大钱

原创 硅基君 2026-11-12 19:00 北京

AI陪伴,开始赚内容的钱了

谁能想到,曾经最被看好的AI陪伴独角兽Character.AI,最后竟然走到了破产这一步。

10月12日,Character.AI正式申请美国《破产法》第11章破产保护,计划通过法院监督出售公司资产。如果最终找不到合适的买家,这个曾经风靡全球的AI应用,甚至可能面临关停。

要知道,Character.AI可不是什么无名之辈。

它曾经拥有超过2000万月活跃用户,用户每天平均使用时长高达两个小时。2023年,成立不到两年的Character.AI,就获得a16z领投的1.5亿美元融资,估值达到10亿美元。

放在当时,它几乎就是AI消费应用最成功的代表之一。

更让人意外的是,就在Character.AI陷入破产困境的同时,一批名不见经传的AI角色扮演应用,却开始闷声赚大钱。

Sensor Tower的数据显示,AI陪伴赛道的移动端收入从2026年1月单月的3.16亿元涨到8月单月的6.56亿元,整整翻了一倍。

其中,韩国AI角色扮演应用Zeta,仅今年上半年就实现了709亿韩元收入,折合人民币约3.4亿元,已经实现盈利。

另一款名叫CHAI的AI社交应用,今年10月披露的年化收入运行率已经达到1.2亿美元,团队规模却只有十几到二十人。

还有Tipsy、PolyBuzz、Crushie等产品,也在全球AI应用收入榜上迅速崛起。

同样是AI陪伴,为什么最早跑出来的行业龙头破产了,后来者却开始赚到钱了?这背后可能是AI陪伴行业商业模式的一次重要转变。

/ 01 /

从2000万月活到申请破产,Character.AI到底输在哪里?

放在三年前,Character.AI绝对算得上AI行业最火的公司之一。

2023年3月,Character.AI获得硅谷顶级风投a16z领投的1.5亿美元融资,估值达到10亿美元,成为最早跻身独角兽行列的AI应用公司之一。

Character.AI的移动端应用上线不到一周,下载量就超过170万次。

同年9月,根据Similarweb的数据,Character.AI在美国移动端的月活跃用户达到420万,已经接近同期ChatGPT移动端约600万的水平。

到了2024年,Character.AI已经成为全球最受欢迎的AI陪伴应用。

根据Sensor Tower的数据,当年8月,Character.AI全球月活跃用户达到2200万,创下历史新高,在AI陪伴赛道排名第一。

更夸张的是用户粘性。根据Sensor Tower的统计,Character.AI活跃用户平均每天使用超过90分钟,平均每天发起约25次对话。

这是什么概念?当时即便是以用户粘性著称的TikTok,日均使用时长也只有70多分钟。

为什么AI陪伴有这么大的吸引力?

Character.AI创始人Noam Shazeer曾经提出过一个很有意思的观点:全球娱乐业每年规模高达2万亿美元,而娱乐消费的一个重要本质,就是人类与虚构人物建立情感联系。

他们相认为,互动过程本身,也可能成为一种具有商业价值的体验。

借助大模型,虚拟角色不仅可以与用户自由对话,还能根据用户的喜好和经历不断调整互动方式。这意味着,过去只能被动观看的娱乐内容,开始变成一种可以持续参与的双向互动。

虽然Character.AI证明了用户愿意花大量时间与AI建立情感联系,却始终没能回答一个更重要的问题:这些时间,究竟该怎么变成钱?

回过头看,Character.AI的失败,其实暴露了早期AI陪伴商业模式的两个矛盾。

一方面,平台最受欢迎的角色,大量来自动漫、游戏和影视作品。Character.AI依靠这些IP吸引了数千万用户,却并不拥有其中许多角色的版权。这意味着,它虽然掌握了流量入口,却没有完全掌握内容的定价权。

另一方面,AI陪伴与传统互联网产品不同。用户每多聊一句话,背后都意味着真实的模型推理成本。但Character.AI早期主要依靠每月9.99美元的会员订阅变现,大量免费用户也可以无限聊天。

结果就是,用户花在平台上的时间越来越多,成本也随之增长,但收入却没有同步提高。

根据破产文件,直到2026年8月,Character.AI的月收入才达到约530万美元,其中订阅收入280万美元,广告收入250万美元。

2026年8月,公司每月运营费用约1330万美元,月度亏损仍然达到800万至900万美元。其中,仅算力支出就达到5610万美元,占运营费用的45%左右。

Character.AI这类情感陪伴类产品的商业模式有点像健身房,只能接受用户轻度使用,重度使用就要亏钱。这又变成了一个死局:重度用户资源消耗大,但轻度用户又留存差。

与此同时,Character.AI因为未成年人使用AI聊天机器人引发的安全问题,面临多起诉讼和监管调查。

这些问题不但带来了高额法律成本,也进一步增加了公司融资和持续经营的难度。

一系列的麻烦,最终把Character.AI推向了破产。

/ 02 /

AI陪伴没有凉,反而开始闷声赚大钱

Character.AI的破产,并没有让AI陪伴赛道陷入沉寂。恰恰相反,一批新的AI角色扮演产品,正在闷声赚大钱。

根据移动应用数据机构Appfigures的统计,2026年上半年,全球214款恋爱及成人向AI陪伴应用,合计创造了1.628亿美元的移动端用户消费额。

其中,韩国Zeta以3300万美元排名第一,Tipsy Chat以1520万美元紧随其后,Crushie AI也达到了880万美元。

更值得注意的是,部分产品已经开始实现盈利。

比如,Zeta背后的韩国公司Scatter Lab,今年上半年实现收入709亿韩元,相当于去年全年收入267亿韩元的2.7倍,同时实现营业利润52亿韩元。

这意味着,AI陪伴已经开始证明是一门真正赚钱的生意。

为什么Character.AI没能赚到的钱,这些后来者反而赚到了?一个很重要的原因是,它们不再把AI陪伴单纯当成聊天工具,而是越来越像一门内容生意来做。

过去的AI陪伴产品,一直有两个绕不开的短板。

首先是情感体验不够真实,也很难持续。

AI很难完整理解和模拟人类复杂的情感,对话过程中还经常出现记忆丢失、人物设定前后矛盾等问题。聊着聊着,用户就会发现,眼前这个角色似乎不再是自己最初认识的那个人。

另一个问题,则是交互门槛太高。

过去,在社交的逻辑下,大部分AI陪伴产品都停留在对话框里。用户需要不断主动发起话题,通过一来一回的聊天,在脑海中构建场景、推动剧情,再慢慢投入感情。

说白了,用户不仅要参与故事,还得自己承担相当一部分内容创作工作。

但问题是,愿意花大量时间创造故事的用户终究是少数。对于大多数人来说,相比自己写故事,他们显然更习惯消费故事。

而现在这批新产品最大的变化,就是让AI承担更多内容生产工作,把用户从故事的创作者,变成故事的参与者和消费者。

最有代表性的就是Tipsy。

与Character.AI早期主要提供角色聊天不同,Tipsy更强调互动剧情。用户可以直接选择喜欢的角色,进入一个已经设定好人物关系和故事背景的虚拟世界,在与AI互动的过程中推动剧情发展。

比如,用户可以扮演恋爱故事中的主角,通过不同选择改变人物关系,甚至影响整个故事的走向。

与此同时,平台还能根据剧情生成图片、视频,让用户不再只能依靠文字想象角色和场景。整个体验,越来越接近一款可以实时生成剧情的互动游戏。

韩国Zeta也在沿着类似的方向发展。

过去,Zeta主要依靠用户与虚拟角色一对一聊天。但从今年开始,它逐渐把产品重点转向包含多名角色、复杂人物关系和完整世界观的互动故事。

今年3月,Zeta甚至将平台的内容单位从“角色”调整为“剧情”,进一步强化故事本身的重要性。

按照官方的解释,如今平台上的内容,已经不再局限于某个虚拟人物,而是逐渐演变成一个包含主角、配角、人物关系和完整世界观的故事。

为了进一步降低用户参与剧情的门槛,今年4月,Zeta又上线了AI剧情选项功能。

比如,用户进入一段校园恋爱或者奇幻冒险故事后,不再需要自己不断寻找话题、编写对话。AI可以根据当前情节自动生成不同选项,用户只需要点击,就能决定接下来的故事走向。

这几次调整背后,其实是同一个思路:让AI承担更多故事创作和情节推进工作,减少用户需要主动投入的精力。这样的变化,显然更接近大众熟悉的游戏和内容消费体验。

随着产品形态发生变化,这些公司的赚钱方式也开始向传统游戏和内容平台靠拢。

Tipsy就越来越像一家手游公司:通过角色和剧情吸引用户,再利用订阅、虚拟货币和增值互动,提高单个用户的消费金额。

根据Airbridge今年10月的研究,Tipsy提供4.9美元、14.9美元和44.9美元三个档位的月度订阅服务,同时销售虚拟宝石,最高档位的宝石包售价达到199美元。

这些宝石可以用于角色聊天、图片和视频生成等功能。使用更高级的模型、生成更多内容,或者进行更复杂的长对话,都可能带来额外消耗。

这套机制,其实很像手游里的月卡、钻石和付费道具。

用户可以免费进入故事,但如果想获得更好的互动体验、更丰富的视听内容,或者持续深入某段剧情,就有了进一步付费的理由。

相比传统AI聊天产品主要通过固定订阅收费,这种模式还有一个重要优势:用户消费的多少,可以与体验深度挂钩。

/ 03 /

总结

回过头来看,Character.AI和这些后来者最大的区别在于,更清楚用户究竟为什么付钱。

Character.AI试图创造一种没有边界的虚拟情感关系,但用户越沉迷,平台反而可能亏得越多。而Zeta、Tipsy选择回归游戏和内容消费的逻辑,把原本难以定价的情感陪伴,变成可以持续付费的娱乐体验。

这也意味着,AI陪伴正在从一个试图颠覆人类社交关系的宏大故事,回归到一门商业模式更加清晰的内容生意。

虽然这个故事不再像最初想象的那般宏大,但对于AI陪伴行业而言,找到一条真正能够赚钱的路,或许比讲出一个更大的故事重要得多。

文/阿奇

跳转微信打开

  •  

上市半年股价暴跌77%,英伟达“挑战者”Cerebras怎么了?

原创 硅基君 2026-11-11 19:00 北京

AI芯片明星,撞上商业现实

谁能想到,曾被寄予厚望、号称挑战英伟达的Cerebras,上市仅仅半年,股价就跌去了近八成。

2026年5月14日,Cerebras上市首日股价一度冲至386.34美元。而截至11月6日收盘,股价只剩89.68美元,较高点暴跌76.8%。

更让人意外的是,Cerebras的业绩并不差。

从2025年第四季度到今年第二季度,公司营收同比增速分别达到110.3%、94.4%和74%。虽然增速有所放缓,但仍然保持着较高的增长水平。

不过,在这份增长背后,Cerebras的商业模式正在发生一场深刻变化。

去年第二季度,Cerebras云及其他服务收入占比只有32%,到今年第二季度已经提升至70%,成为公司最主要的收入来源。与此同时,硬件业务收入却连续两个季度环比下滑。

换句话说,曾经靠卖芯片挑战英伟达的Cerebras,如今越来越像一家AI云服务商。

这也带来了一个值得思考的问题:一家拥有全球领先推理性能的芯片公司,为什么越来越依赖云服务赚钱?答案可能恰恰藏在Cerebras最引以为傲的技术优势里。

Cerebras几乎做到极致的Token生成速度,始终无法转化为同等幅度的商业价值。而转向云服务,虽然降低了客户使用门槛,却也让Cerebras承担起更加沉重的资本投入。

当技术优势难以转化为定价权,收入增长又依赖巨额资本投入,投资者自然开始重新审视Cerebras的商业价值。

/ 01 /

不卖芯片,开始卖云了

与其说Cerebras是一家芯片公司,倒不如说是一家AI云公司。

今年第二季度,Cerebras云及其他服务收入达到1.26亿美元,同比增长281%,收入占比高达70%。

要知道,去年同期这个比例还只有32%。短短一年时间,云服务已经成为Cerebras最主要的收入来源。

相比之下,曾经作为核心业务的硬件销售,却出现了下滑。

从2025年第四季度到2026年第二季度,Cerebras核心硬件收入从1.22亿美元降至1.12亿美元,再降至8214万美元,连续两个季度环比下降。

为什么会出现这种变化?一个重要原因是,相比卖硬件,云服务更容易打开市场。

在第二季度财报电话会上,Cerebras首席财务官Bob Komin透露,部分硬件客户的采购和交付,正在受到数据中心建设进度的影响。

说白了,客户购买Cerebras的芯片,还得解决机房、电力、冷却等一系列基础设施问题。不仅前期投入大,建设周期也长。

但对于大量AI应用公司而言,比起一台昂贵的超级计算机,它们更希望随时能够调用的高速推理能力。Cerebras也发现了这一商机。

今年8月,CEO Andrew Feldman在采访中透露,公司最初搭建云平台,只是为了方便潜在客户体验芯片性能。没想到,随着需求不断增长,这项原本用于展示产品的服务,逐渐发展成了一门真正的生意。

如今,Cerebras甚至开始主动将硬件产能向云业务倾斜。

今年一季度财报电话会上,管理层明确表示,未来几个季度硬件收入预计会下降,因为新生产的大部分设备,将优先部署到自有云平台,用于履行大型客户合同。

从客户拓展来看,这种模式已经开始取得成效。

第二季度,Cerebras与AI编程公司Cognition、Lovable签署新的云容量协议,金融信息平台AlphaSense、制药巨头GSK等也成为其客户。

这意味着,Cerebras正在摆脱过去依赖少数大型硬件订单的模式,转而通过云服务覆盖更广泛的AI应用市场。

但问题来了,云服务虽然打开了更大的市场,却也让Cerebras变成了一门更重的生意。

过去卖硬件,设备采购和数据中心建设主要由客户承担。现在经营云平台,Cerebras则需要提前投入大量资金,采购计算设备、建设算力基础设施,再通过未来的服务收入慢慢收回投资。

这种变化,已经反映在财报上。

今年上半年,Cerebras资本开支达到5.49亿美元,同比增长近两倍,其中大部分用于采购云服务所需的计算设备。

随着投入不断扩大,公司上半年自由现金流净流出达到5.96亿美元,接近去年同期的两倍。仅第二季度,自由现金流就净流出4.77亿美元,相当于同期营收的2.65倍。

也就是说,Cerebras每实现1美元收入,同期就有约2.65美元的自由现金流流出。

与此同时,云业务扩张也开始挤压利润率。

第二季度,Cerebras整体核心毛利率从上一季度的46.5%下降至40.6%。为了满足客户需求,公司甚至需要从客户手中租回设备,由此产生的额外成本,拉低了约5个百分点的毛利率。

这也暴露出Cerebras云业务扩张背后的另一面:收入增长很快,但为了支撑这种增长,公司需要持续投入巨额资金,盈利能力也面临压力。

当然,重资本投入本身并不可怕,关键在于能否赚到足够的回报。但这恰恰是Cerebras面临的最大问题,芯片性能领先,无法转化为同等程度的定价权。

/ 02 /

技术领先,却换不来定价权

Cerebras最大的商业困境在于,芯片性能上的巨大优势,很难转化为同等程度的商业价值。

说得直白一点,即使Cerebras的芯片比英伟达快十几倍,客户也未必愿意为此支付更高的价格。

Cerebras的核心优势来自晶圆级芯片架构。通过将大量计算核心和高速存储集成在一整片晶圆上,大幅减少数据搬运,从而实现极高的Token生成速度。

根据招股书披露的2026年4月测试数据,在特定条件下运行Llama 3.3 70B模型,Cerebras每秒可以生成2457个Token,而采用英伟达GPU的对比云服务只有164个,前者接近后者的15倍。

但问题在于,在AI推理场景下,只有生成Token快远远不够。

对于批量数据处理、离线内容生成等场景,企业更关心整体吞吐量和单位成本,而不是单纯的生成速度。

即便是当下最热门的AI编程,也不是Token生成越快,任务就完成得越快。

一个编程Agent除了生成代码,还需要读取文件、调用工具、运行测试,并根据结果反复修改。这些环节同样需要消耗大量时间。

这意味着,即便Cerebras将Token生成速度提高十几倍,整个任务的完成效率也未必能提升同样的幅度。

这就带来了一个尴尬的问题,虽然Cerebras在技术上领先十几倍,但能为客户创造的实际价值,可能远没有这么大。

这一点,也能从Cerebras的公开报价中看出端倪。

以GPT-OSS-120B模型为例,Cerebras公布的输出价格为每百万Token 0.75美元,标称生成速度约为每秒3000个Token。

而同样主打高速推理的GroqCloud,输出价格为每百万Token 0.60美元,标称速度约为每秒500个Token。

虽然两家平台并非严格同条件测试,但Cerebras的标称速度高出数倍,输出Token单价却只高出25%。

这至少说明,极致的速度优势,并不能换来同等幅度的价格溢价。

除了定价能力,Cerebras还面临着另一个挑战:存储容量。

为了追求极致速度,Cerebras采用大量片上SRAM。这种存储器速度极快,但占用芯片面积较大。以第三代晶圆级芯片WSE-3为例,相比上一代,其晶体管数量增长超过50%,片上存储容量却仅从40GB增加至44GB。

与此同时,大模型参数规模和上下文长度还在持续增长。

当单片晶圆无法容纳整个模型,就需要多片晶圆协同计算。虽然Cerebras能够通过模型分层和流水线技术解决这一问题,但也意味着需要投入更多设备,并承担更复杂的系统部署和调度成本。

换句话说,Cerebras虽然在单芯片性能上取得了巨大突破,但要将这种优势转化为整套算力系统的成本优势,仍然存在不小的挑战。

除了自身技术路线面临的挑战,Cerebras还要面对一个更棘手的对手:英伟达。

今年1月,英伟达披露,通过软件优化,同一套Blackwell GPU平台运行DeepSeek-R1模型时,单卡吞吐量在三个月内最高提升了2.8倍。

这意味着,即便不更换硬件,英伟达也能持续提高GPU的推理效率,缩小与Cerebras之间的性能差距。

更重要的是,相比Cerebras的专用架构,GPU还有一个明显优势:通用性。

对于已经投入巨资采购英伟达GPU的企业而言,同一套设备既能训练模型,也能执行推理,还能适应不同的模型架构。

相比之下,Cerebras主要针对特定计算场景优化,客户不仅需要考虑额外的部署和适配成本,还要承担未来模型变化、设备利用率不足等风险。

这让Cerebras陷入一个尴尬的局面:它需要依靠极致性能证明自己的价值,但英伟达只要持续提高GPU的推理效率,就可能不断压缩客户愿意为速度支付的溢价。

如今转向云服务,虽然降低了客户使用门槛,却没有从根本上改变这笔商业账。

固然,Cerebras已经制造出全球最快的AI推理芯片之一,但距离证明这是一门足够赚钱的生意,还有很长的路要走。

/ 03 /

总结

过去常说,一招鲜,吃遍天。

但在如今的AI算力市场,这套逻辑似乎越来越难成立。

原因很简单,AI模型既要训练,又要推理;不同应用有的追求极致速度,有的更看重吞吐量和成本。需求越来越多样化,单一性能再突出,也很难通吃整个市场。

事实上,专用AI芯片早就经历过类似的困境。

英国Graphcore曾凭借独特的芯片架构挑战英伟达,估值一度达到27.7亿美元。但到了2022年,公司年收入仅有270万美元,最终被软银收购。

另一家AI芯片公司Wave Computing,也曾凭借专用数据流架构获得资本青睐,却在2020年申请破产重组。

这些公司的经历说明,技术上的领先,并不意味着商业上的成功。真正的难题,是如何把性能优势转化为足够广泛的客户需求,并从中赚到钱。

如今,Cerebras也站在了同样的十字路口。

它已经证明了自己有能力造出全球速度领先的AI芯片,但能否把这种技术优势转化为持续增长的收入和稳定的利润,仍然是个未知数。

而这道题,可能比造出世界上最快的AI芯片还要难。

文/元元

跳转微信打开

  •  

蚂蚁灵波,寻找具身智能产业的“最大公约数”

原创 硅基君 2026-11-10 18:15 北京

机器人触觉,有了通用底座

灵巧手,可能是具身智能赛道里,除了机器人本体和大脑之外,最受资本追捧的方向之一。

今年,灵巧手明星企业灵心巧手的估值已经超过200亿元,新一轮融资的目标估值甚至超过400亿元,接近部分头部人形机器人整机企业的估值水平。

资本如此看重灵巧手,原因不难理解。

随着通用大模型不断突破,机器人在视觉理解、任务规划等方面的能力越来越强,但真正进入物理世界,完成精细操作,仍然面临不少挑战。

而弥合这“最后一厘米”操作差距的关键之一,就是触觉。

不过,当前机器人触觉行业仍面临一个棘手的问题:不同灵巧手采用的传感器各不相同,积累的数据和训练出的感知能力,很难相互复用。

如今,蚂蚁灵波正在尝试解决这一难题。

近日,蚂蚁灵波发布触觉基础模型 LingBot-Touch,让不同传感器积累的触觉经验能够共同参与训练,并为不同灵巧手和动作模型所用。

从技术报告来看,效果相当明显。在两款灵巧手、26项真机任务的测试中,包括 π0.5 在内的四种动作模型,接入 LingBot-Touch 后,平均成功率均有明显提升。

不过,比性能提升更值得关注的是,这次技术突破背后的思路:从真实物理交互中学习,把不同机器人共同需要的智能能力,沉淀为可复用的基础模型。

这也是蚂蚁灵波一直坚持的“具身原生”路线。而LingBot-Touch 的推出,正是这一理念的又一次产业化落地。

/ 01 /

灵巧手百花齐放,触觉数据却成了一座座孤岛

对于人来说,触觉是一种非常自然的能力。拿起一个杯子,我们几乎不需要思考,就能根据手指感受到的压力,判断杯子有没有拿稳、是否需要增加握力。

但机器人不一样。它需要依赖安装在灵巧手上的传感器,获取手指与物体接触时的各种物理信息,再由模型判断下一步应该怎么操作。

问题在于,当前机器人触觉行业,还没有形成统一的技术路线。

目前,行业主流的触觉传感器主要包括视触觉、磁触觉和压阻式触觉三种。

视触觉主要通过观察接触表面的形变,判断物体的接触位置和形状;磁触觉通过磁场变化感知受力;压阻式触觉则利用材料受压后的电阻变化,测量接触压力。

三种方案各有优势,也存在不同的局限。

比如,视触觉适合感知细微的接触变化,但往往需要安装摄像头和光学结构;压阻式传感器容易覆盖更大的面积,成本也有优势,但精细感知能力相对有限。

因此,在相当长一段时间里,行业可能都会维持多条技术路线并行发展的局面。这原本是正常的技术竞争,但放到机器人模型训练上,就产生了一个很大的问题。

不同传感器采集的数据,很难直接放在一起使用。

举个例子,同样是机器人用手指按压一个杯子,视触觉传感器记录的是接触表面的形变,磁触觉传感器记录的是磁场变化,压阻式传感器记录的则是电阻变化。

它们经历的是同一种物理接触,产生的却是两种完全不同的数据。

虽然它们感知的是同一个动作,但产生的数据完全不同。对于模型来说,就像三个人用不同的语言描述同一件事,很难直接放在一起学习。

更麻烦的是,当灵巧手厂商升级硬件、更换传感器,或者机器人企业切换动作模型时,原来训练出来的能力往往难以直接沿用。

结果就是,大家都在重复解决一些非常基础的问题。对具身智能产业而言,这种重复投入的代价其实很高。

因为机器人训练不像互联网模型,可以直接从海量公开内容中获取数据。高质量触觉数据需要真实的物理交互,要么让人穿戴传感设备反复操作,要么通过遥操作机器人采集。这意味着,每增加一批数据,背后都需要相应的设备、人力和时间投入。

如果这些投入只能服务于某一款灵巧手、某一套动作模型,那么随着硬件种类和应用场景不断增加,整个行业的研发成本也会持续上升。

所以,机器人触觉当前真正需要解决的问题,已经不只是如何提高传感器精度。更重要的是,如何让不同硬件、不同任务积累的触觉经验,转化为整个行业都能复用的基础能力。

这正是蚂蚁灵波LingBot-Touch 的核心价值。

/ 02 /

让不同的灵巧手,共享同一种智能

LingBot-Touch 做的事情,可以理解为给机器人开发了一套通用的触觉“翻译器”。

无论传感器记录的是磁场变化、表面形变,还是电阻变化,LingBot-Touch 都能从这些不同的信号中,提取接触位置、受力及其变化等信息,再转换成统一的触觉 Token,供下游动作模型使用。

这样一来,动作模型就不必每次都从原始信号中学习如何理解接触,而是可以直接利用已经训练好的触觉感知能力。

当然,要做到这一点并不容易。

因为不同传感器不仅测量原理不同,触点数量、排列位置和采样频率也存在很大差异。即便记录的是同一种物理接触,产生的数据也可能完全不同。

灵波的解决办法,是先对不同传感器的信号分别进行编码,再交给同一个模型学习,从中寻找共同的物理规律。

举个例子,无论传感器记录的是磁场变化还是表面形变,当机器人握住杯子时,都会产生相应的接触变化。模型要学习的,就是如何从这些不同的信号中,理解手指是否接触物体、受力如何变化,以及物体是否可能滑动。

为了让模型真正掌握这些规律,灵波还采用了一种类似“填空题”的训练方法:随机隐藏部分触觉数据,让模型根据剩余信息,预测被遮挡部分的接触特征。

经过大量训练,模型逐渐掌握了不同硬件都需要理解的物理接触规律。这也是 LingBot-Touch 能够跨传感器、跨灵巧手复用的关键。

为了训练这套模型,灵波还积累了相当规模的真实数据。

根据技术报告,LingBot-Touch 使用了4983小时真实触觉数据进行预训练,覆盖约46.44万段交互记录,累计约13.3亿帧数据。其中,约三分之二来自人类佩戴触觉手套完成的真实操作,其余来自遥操作机器人。

那么,这套方法的实际效果如何?

为了验证模型的通用性,蚂蚁灵波选择了两款不同类型的灵巧手进行真机测试,分别是自由度较高的 Sharpa Wave,以及自由度相对较低的 XHand。

测试覆盖26项真实操作任务,并搭配 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex 四种不同的动作模型。

团队还设计了三组对照实验:完全不使用触觉、直接输入原始触觉信号,以及使用 LingBot-Touch 提取的触觉信息。

结果相当明显。在两款灵巧手上,四种动作模型接入 LingBot-Touch 后,平均任务成功率均达到三组实验中的最高水平。

以 LingBot-VLA 为例,在 Sharpa Wave 上,接入 LingBot-Touch 后,平均任务成功率从无触觉时的44%提升至72.51%;在 XHand 上,相较于直接输入原始触觉信号,成功率也从57.21%提升至75.04%。

更有意思的是,XHand 使用的磁触觉传感器型号,并未出现在 LingBot-Touch 的预训练数据中。而模型训练所使用的磁触觉数据,全部来自人类佩戴触觉手套完成的真实操作。

这意味着,人类操作积累的触觉经验,也可以迁移到机器人上,帮助不同硬件理解接触信息。

这一点同样具有产业价值。相比依赖机器人遥操作采集数据,让人佩戴触觉手套进行日常操作,不仅降低了对特定机器人本体的依赖,也为规模化采集真实触觉数据提供了新的路径。

这种让不同硬件共享基础能力的思路,并不局限于触觉领域,而是贯穿了蚂蚁灵波整个具身智能技术布局。

/ 03 /

寻找具身智能产业的“最大公约数”

LingBot-Touch 的推出,是蚂蚁灵波一直坚持的“具身原生”技术路线的又一次重要实践。

从 LingBot-Vision、LingBot-Depth 2.0,到 LingBot-World 2.0,再到 LingBot-VLA 2.0、LingBot-VA 2.0,灵波始终在围绕机器人进入物理世界所需要的基础能力展开研发。

视觉和深度模型负责理解空间,世界模型负责预测环境变化,动作模型负责生成操作,而 LingBot-Touch 则进一步补上了接触感知这一环。

这些模型看似解决不同的问题,背后却遵循着同一套逻辑:从真实物理交互的需求出发,把不同机器人共同需要的能力,沉淀为可以复用的基础模型。

这条技术路线有着很强的现实意义。今年9月,GPT-6 Astra 发布后,通用大模型已经展现出直接控制机器人的潜力,甚至引发了具身基础模型是否还有必要存在的讨论。

但从现有实验来看,通用大模型虽然擅长理解任务、规划动作,在精细控制、动态操作和实时反馈等方面,依然存在明显短板。

原因并不复杂,理解物理世界和真正与物理世界交互,是两回事。

比如,模型可以理解如何拧开瓶盖,但手指接触瓶盖后,究竟应该施加多大的力、什么时候调整握姿,却需要从真实物理交互中学习。

更何况,现实世界不会停下来等待模型完成推理。因此通用大模型越是向复杂物理操作延伸,对物理感知、实时反馈和操作泛化能力的要求反而越高。

从这个角度看,通用大模型的进步,并不意味着具身基础模型失去了价值。相反,如何从真实物理交互中学习,并把这些经验迁移到不同机器人上,正在成为具身智能发展的重要方向。

而这种跨硬件、跨任务的能力复用,也有望改变具身智能产业的研发模式。

过去,不同灵巧手使用的触觉传感器各不相同,算法企业往往需要针对不同硬件,重复开发和训练感知模型。不仅研发成本高,不同厂商积累的数据也很难共享。

而 LingBot-Touch 展示了另一种可能。

灵巧手厂商可以专注于提高硬件性能,动作模型厂商可以继续完善控制策略,双方都能复用已经训练好的触觉能力,把更多研发资源投入到具体任务和应用场景中。

更重要的是,当不同硬件的数据能够共同参与训练,整个行业就有机会形成新的正向循环:更多机器人积累更多物理交互数据,更多数据训练出更强的基础模型,再反过来提升更多机器人的操作能力。

从这个角度看,蚂蚁灵波坚持的“具身原生”路线,也与 AI 领域著名的“苦涩的教训”有着相似的底层逻辑。

“苦涩的教训”认为,长期来看,能够持续利用更多数据和算力的通用学习方法,往往比针对特定任务设计的专用方案更具扩展潜力。

具身智能同样如此。决定产业发展上限的,不只是机器人能完成多少复杂动作,更在于这些动作背后的物理经验,能否沉淀为可积累、可迁移、可复用的基础能力。

这也是蚂蚁灵波坚持具身原生路线的深层价值:通过学习真实世界的物理规律,让不同机器人能够共享这些经验,并在此基础上持续提升操作能力。

当一台机器人积累的经验,能够成为更多机器人学习的起点,具身智能才有望摆脱单一硬件和场景的限制,真正形成规模化发展的能力基础。

文/阿奇

跳转微信打开

  •  

华大智造,盯上了AI制药最缺的东西

原创 硅基君 2026-11-09 18:23 北京

AI制药,正在催生新卖铲人

今年以来,AI for Science(AI4S)正在成为AI产业最受期待的投资方向之一。

海外科技巨头已经纷纷下场。今年2月,OpenAI将GPT-5接入自动化实验室,通过6轮实验、测试超过3.6万种配方,成功将一种蛋白质的生产成本降低40%。

随后,Anthropic宣布自建湿实验室,Google也开始探索让AI智能体参与真实生物实验。

与此同时,国内资本市场也开始重新审视AI4S的投资机会。

今年9月,浙商证券在一份研报中指出,AI4S有望推动医药板块的估值重估。其中,上游科研工具、实验自动化和高质量数据生产等环节,被视为值得重点关注的投资方向。

而在这一轮行情中,华大智造成为了颇受关注的公司之一。

8月20日,受到mRNA癌症疫苗等生命科学产业热点带动,华大智造20%涨停,次日继续上涨8.22%。

到了9月,随着AI虚拟细胞、AI制药概念持续升温,公司又迎来一轮上涨。尤其在宣布与百图生科合作建设虚拟细胞数据基础设施后,9月14日股价盘中一度上涨超过8%。

进入11月,华大智造的股价再次活跃。公司今日股价一度上涨8.3%。

虽然几轮行情背后的催化因素不尽相同,但一个值得关注的变化是,资本市场正在将华大智造放到AI4S产业链中,重新审视这家公司的价值。

一家原本以研发、生产基因测序仪等生命科学仪器为主业的公司,为什么会受到AI4S投资者的关注?或许可以从公司在进博会上传递出来的信息中窥见一二。

/ 01 /

AI4S的竞争,开始转向基础设施

过去几年,AI在生命科学领域取得了不少突破。但随着模型能力不断提升,越来越多的投资机构开始意识到,AI4S真正的瓶颈,可能不只在算法,而在底层基础设施。

今年4月,全球知名风险投资机构Bessemer Venture Partners发表了一篇研究报告,提出了一个值得关注的判断:

下一代AI生物科技公司的竞争力,将越来越取决于高质量生物数据、AI驱动的研发流程和实验室自动化能力。

政策层面也开始释放积极信号。

今年7月,美国《FDA现代化法案3.0》在众议院获得通过,进一步推动非动物实验方法进入药物研发监管体系。9月,国家药监局药审中心也正式发布新方法(NAMs)研究和应用“先锋计划”,支持类器官、器官芯片等新技术在药物研发中的研究、验证与应用。

这意味着,AI制药对高质量实验数据和新型验证手段的需求,不仅来自技术进步,也开始获得监管政策的支持。

说到底,AI4S要进一步发展,光靠更强大的模型已经不够了。整个产业还需要一套能够持续生产高质量数据、高效执行实验,并与AI模型深度协同的底层基础设施。

而这,恰恰是华大智造过去多年持续积累的领域。

与许多从算法起步的AI创业公司不同,华大智造本身就是一家生命科学底层工具制造商。

按照公司2025年年报披露的口径,华大智造是全球唯一兼具“全读长测序、智能自动化、多组学”三大业务全栈自研能力的生命科技工具提供商。

这三大业务,恰好对应了AI4S基础设施建设中的两个重要环节:数据生产和实验执行。

其中,测序和多组学业务构成了数据底座,能够从基因、细胞、蛋白质等不同维度生产生命科学数据,为AI模型训练提供基础。

智能自动化业务则相当于执行终端,通过样本处理、自动建库、实验操作等设备,将原本高度依赖人工的实验流程,逐步转变为标准化、自动化操作。

在此基础上,今年3月,华大智造又专门成立涌生智能,进一步布局AI科学智能体和自主实验平台,为原有的生命科学工具体系补上了智能层。

至此,华大智造已经初步搭建起一套覆盖数据生产、执行终端和AI智能调度的基础设施体系。

更重要的是,华大智造的底气,不只是拥有一套完整的产品体系,还在于这些底层技术已经经过了大量科研实践的验证。

从测序硬件、自动化平台、多组学数据体系到Physical AI落地能力,华大智造具备的全栈能力正是它区别于一般AI创业公司的重要优势。

对于许多AI生物科技公司而言,高质量数据、自动化实验设备和真实实验能力,都是需要从零建设的基础设施。但华大智造已经在这些领域积累多年,拥有现成的产品体系、设备基础和科研用户网络。

如今,随着AI技术逐渐成熟,华大智造需要做的,就是将原本相对独立的数据生产、实验执行和智能分析能力进一步连接起来。

凭借多年积累的技术能力和产业基础,华大智造正在逐步确立自身作为“AI4S基座”的独特优势。此次进博会上的一系列动作,正是华大智造将多年积累的底层技术,进一步整合为AI4S基础设施,并推动其走向实际应用的重要一步。

/ 02 /

从数据到实验室,华大智造AI4S布局加速产业兑现

此次进博会上,华大智造围绕数据生产、实验执行和AI智能调度等核心能力,集中推出了一系列新产品和合作方案,进一步完善了AI4S基础设施布局,并开始逐步落地。

首先是扩大高质量数据供给。

AI制药尤其是虚拟细胞,需要的不只是基因序列,还要知道细胞在药物刺激、基因干预后的变化。这些数据无法直接从互联网上获取,只能依靠真实实验持续生产。

此次进博会上,华大智造全球首发C6单细胞产品,单次运行可获得超过百万个有效细胞数据,标准版支持96种样本标记,定制版最高支持384种,单批次细胞处理规模可达百万至千万级。

更值得关注的是,华大智造还同步启动了“智元细胞数字化百亿联盟”及相关共创计划,计划未来一年支持100个百万级单细胞转录组项目,累计产出超过1亿个高质量单细胞转录组数据。

从单台设备的百万级处理能力,到联盟规划的亿级数据产出,华大智造正在尝试将原本分散在不同实验室的数据生产能力整合起来,推动生命科学数据从小规模、项目式生产,向标准化、规模化供给转变。

正如华大智造首席运营官蒋慧所言,C6的价值不仅在于提高单细胞数据的生产效率,更重要的是连接湿实验的数据生产能力与AI的建模预测能力,为形成干湿闭环提供规模化、标准化的高质量细胞数据。

与此同时,AI还需要蛋白质、代谢等更多维度的信息。

为此,华大智造在进博会上与多家企业扩大合作:独家经销诺亚源医学相关流式分析产品,获得兆瑞医学相关外泌体产品独家销售权并开展联合研究;与贝普奥生物推出蛋白质组学联名产品HTProX Ultra+,与迈维代谢共建全国首条代谢领域全流程自动化产线。

其次是让AI真正进入实验室。

此次进博会上,华大智造旗下涌生智能推出云端自主实验室SE-Fab-SynBio,将AI算法、实验室软件和自动化设备连接起来。

简单来说,就是让AI提出的研究任务进入自动化实验流程,再将实验条件、质控数据和结果反馈给模型,支持下一轮研究。这相当于让AI不再局限于分析已有数据,而是能够通过真实实验不断验证和优化研究结果。

目前,这项能力已经开始进入实际应用。根据公司披露,天津元一生物已接入该平台,在菌株改造方向探索干湿闭环,让实验数据参与研发迭代。

与此同时,华大智造还提出基因测序仪“AI Ready”的能力理念与合作方向,目标是让测序仪在身份鉴定、授权和审计机制下,被AI Agent理解和调用。

两者实际上指向同一个目标:让原本需要人工操作和协调的生命科学仪器,逐步转变为AI能够直接调用的实验资源。

最后是把底层能力延伸至药物研发。

此次进博会上,华大智造与元示科技合作共建虚拟细胞干湿闭环基础设施,通过自动化样本处理功能岛、AGV机器人转运和AI智能调度,为虚拟细胞模型训练提供真实实验环境和数据支持。

简单来说,元示科技负责虚拟细胞模型的研发,华大智造则提供模型所需要的数据生产和实验执行能力,让AI能够通过真实实验不断优化模型。

另一项合作则更加深入。

华大智造旗下涌生智能宣布,拟与艾凯生物共同设立AI原生自体细胞制药公司,围绕iPSC治疗管线、智能化制备装备、虚拟干细胞模型及亿级单细胞多组学数据建设展开合作。

值得注意的是,艾凯生物已经拥有实际的药物研发管线,其针对帕金森病的候选产品ALC01已获得美国FDA的IND许可。

这意味着,双方的合作不再局限于技术研发,而是有望依托具体的药物管线,将华大智造的自动化设备、多组学检测和AI实验平台,进一步应用到药物研发与生产环节。

回过头看,华大智造此次进博会上的一系列动作,实际上已经形成了一条清晰的产业链。

通过C6和多组学产品扩大高质量数据供给,通过SE-Fab-SynBio和AI Ready推动AI进入真实实验室,再通过与元示科技、艾凯生物等企业合作,将这些能力延伸至AI制药和细胞治疗领域。

从数据生产、实验执行到产业应用,华大智造正在进一步完善AI4S基础设施布局,持续巩固自身的产业优势。

/ 03 /

华大智造成功切入了新的赚钱赛道

除了新产品和新技术本身的价值,更值得关注的,是华大智造向AI4S基础设施提供商升级,所带来的商业价值重塑。

在过去相当长时间里,资本市场看华大智造,主要还是把它当成一家生命科学工具制造商。但随着华大智造从生命科学工具供应商向AI4S基础设施提供商转型,这门生意正在打开新的想象空间。

不妨先看一组数据,根据Evaluate的预测,2025年全球药物研发支出达到约2940亿美元,2026年进一步增长至3080亿美元,到2030年有望达到3430亿美元。

也就是说,全球药企每年投入的研发资金,接近3000亿美元,折合人民币超过2万亿元。

今年4月12日,全球知名风险投资机构Bessemer Venture Partners发布了一份名为《Building Biology-Native Data Infrastructure for the AI Era》(构建AI时代的生物数据基础设施)的研究报告。

报告指出,接近90%的候选药物进入临床试验后最终失败。从发现药物靶点到筛选出临床候选药物,往往也需要五年以上。这意味着,对于药企而言,哪怕只是提高一点研发效率、降低一点失败风险,背后都可能意味着巨大的经济价值。

而AI4S的商业机会,恰恰藏在这笔庞大的研发投入里。根据Bessemer此前估算,全球制药企业每年向外部服务商和软件供应商支付的费用,已经超过1500亿美元,覆盖药物发现、临床试验、生产运营、监管事务及商业化等多个环节。

过去,这些钱很大一部分流向了CRO等专业服务机构。如今,随着AI模型与自动化实验室逐步结合,药企开始有机会通过新的技术平台,提高数据生产、药物筛选和实验验证的效率。

更重要的是,市场已经出现了愿意为这类能力付费的大型药企。

今年1月,英国制药巨头GSK与AI生物科技公司Noetik达成五年合作,获得其虚拟细胞基础模型的使用权。根据协议,GSK将支付合计5000万美元的预付款及近期里程碑款项,并支付年度模型授权费。

值得注意的是,Noetik并没有自己的药物研发管线,而是依靠生物数据和AI模型,向药企提供研发能力。

其投资方DCVC就认为,这笔交易验证了一种新的商业模式:AI技术服务商可以作为独立的基础设施,通过授权和订阅持续创造收入。

这说明,AI4S的商业价值,已经不再局限于销售科研工具。只要能够帮助药企提升研发效率,底层数据、模型和实验平台本身,也有机会成为可以持续收费的产品。

而华大智造正在探索的,是在此基础上进一步参与药物研发成果的价值分配。

此次进博会上,涌生智能与艾凯生物拟成立合资公司,围绕细胞治疗管线、智能化制备装备、虚拟干细胞模型和多组学数据展开合作。

这次合作,不仅是涌生智能AI4Bio能力的一次实战检验,也是双方携手打造AI原生自体细胞制药公司的重要一步。

按照合作规划,双方希望通过共同开发治疗管线、探索共享商业化收益的模式,持续积累数据、模型、工艺和管线等资产。

这笔合作最值得关注的地方在于,华大智造开始尝试从提供研发工具,向参与药物研发及产业化过程延伸。

这也意味着,公司正在探索一种不同于传统设备销售的商业模式。

当然,这种模式也意味着更长的研发周期、更高的资金投入和更大的失败风险。但一旦管线成功实现商业化,单个项目带来的回报,就可能达到传统设备销售难以企及的量级。

而华大智造敢于向产业链下游延伸,底气恰恰来自多年积累的底层技术能力。从销售设备、耗材,到提供AI4S基础设施,再到探索参与药物研发成果的价值分配,华大智造正在沿着产业链不断拓宽自身的商业边界。

毕竟,无论未来哪家AI制药公司胜出,高质量数据和真实实验验证都是绕不开的环节。而这,恰恰是华大智造盯上的机会。

文/阿奇

跳转微信打开

  •  

ShopifyCEO最新判断:AI正在前移购物决策,传统广告模式可能玩不转了

原创 硅基君 2026-11-05 19:00 北京

AI开始抢电商的饭碗了

最近,全球电商行业发生了一件挺有意思的事。

面对Meta推出的AI Agent产品Muse,亚马逊选择限制其访问,Shopify却采取了完全相反的态度,主动拥抱。

同样是电商巨头,为什么面对AI Agent,两家公司的态度截然不同?

Shopify联合创始人兼CEO Tobi Lütke认为,这背后其实是两种商业模式的根本差异。

亚马逊更像一家数字化百货商店,依靠庞大的商品库存、流量和交易体系建立竞争优势。而Shopify服务的是数百万独立商家,让他们能够在任何渠道销售商品。

对于前者来说,AI Agent可能意味着失去对购物入口的控制;但对于后者,Agent反而可能带来新的交易机会。

最近,Tobi Lütke参加了Alex Heath主持的《Sources》播客,围绕AI购物、Agent商业模式,以及整个电商行业的未来,进行了一场长达84分钟的访谈。

其中有几个观点,我觉得非常值得关注。

第一,电商介入用户购物决策的节点被提前了。AI正在把购物这件事情从商品消费,变成为意图消费。

就拿家庭健身房为例,过去用户可能先拆解具体需要的商品,然后再搜索跑步机等具体商品,逐一购买,而现在直接会要求AI把搭建家庭健身房需要的东西全部买齐。

第二,Tobi也对目前普遍认为个人Agent抽佣的商业模式存疑。因为现有电商已经存在一整套成熟的利益分配体系,真正能够自由分配的利润空间,未必有那么多。

第三,Agent时代,传统广告模式可能面临一个根本性的信任问题。如果一个AI助手收了商家的钱,再向用户推荐商品,那么它究竟代表买家,还是卖家?

今天,硅基君就借着这场访谈,聊聊AI正在如何改变电商行业的底层逻辑。

/ 01 /

从商品消费到意图消费,购物决策的节点提前了

过去二十年,电商行业一直在围绕一件事展开竞争:如何让消费者更容易找到自己想买的商品。

从最早的商品分类、关键词搜索,到后来的个性化推荐、直播带货,本质上都是在优化商品与消费者之间的匹配效率。

但AI Agent的出现,可能让这套逻辑发生根本性变化。Tobi Lütke在访谈中提到,Shopify已经观察到一种很有意思的现象。

目前,通过AI Agent完成的购物交易仍然处于较低基数,单纯讨论增长率意义不大。真正值得关注的,是消费者购买行为正在发生变化。

一个典型案例,就是家庭健身房。

过去,一个人想在家里搭建健身房,可能会先搜索跑步机,再研究哑铃、训练椅、地垫等器材,最后根据预算和空间逐一购买。

整个过程中,电商平台主要负责提供商品信息和完成交易。至于买什么、怎么搭配、预算如何分配,仍然由消费者自己决定。

但现在,一部分消费者开始向Agent提出完全不同的要求:

帮我把搭建家庭健身房需要的东西全部买齐。

这看起来只是提示词发生了变化,但背后的商业逻辑其实完全不同。

因为Agent面对的,已经不再是单一商品的购买需求,而是一个需要完整解决方案的项目。它需要理解用户的预算、空间、健身目标,判断哪些设备值得购买,再完成商品筛选、搭配和下单。

Tobi甚至设想,未来消费者可能只需要上传一张房间照片或者户型图,AI就可以参与整个采购规划。

类似的场景还有很多。比如,周末想陪孩子完成一个3D打印项目。过去,家长可能需要先研究项目方案,再了解需要哪些电子元件、磁铁和打印耗材,最后到不同商家分别下单。

现在,只需要告诉Agent想完成什么项目,它就有机会把材料清单、商品采购和配送安排全部处理好。

这就是Tobi观察到的一个重要趋势:越来越多复杂、高客单价的购买行为,开始通过Agent完成。

我觉得,这里面真正重要的变化,是AI正在将购物决策的起点,从商品需求提前到生活需求。

过去,从意图到具体商品,仍然隔着一个巨大的决策环节,这部分工作往往由消费者自己完成。

现在,AI有机会把这些决策工作变成一种可以规模化提供的服务。

这意味着,Agent的价值可能不只是提高现有购物效率,还可能创造出过去因为决策成本太高而没有发生的消费。

/ 02 /

亚马逊为什么挡住Agent,Shopify却主动开门?

当消费者开始把购物决策交给Agent,一个新的问题随之出现:

原本掌握消费者入口的电商平台,该怎么办?

亚马逊和Shopify的不同选择,恰好提供了两个很有代表性的案例。

在Tobi看来,这种分歧其实一点也不意外。

过去二十年,两家公司一直代表着两种不同的电商发展路线。

亚马逊的商业模式,更接近一家数字化百货商店。消费者进入亚马逊,搜索商品、比较价格、查看评价,最终完成购买。平台通过庞大的商品供给、物流履约能力和交易体系吸引消费者,再利用流量帮助商家完成销售。

因此,消费者在哪里搜索、看到哪些商品、最终选择购买什么,对平台的商业价值非常重要。

尤其是广告业务。当商家需要购买站内广告来获得曝光时,消费者的搜索和浏览行为,就成了平台重要的变现资源。

但Agent可能改变这一切。假设一个消费者让AI帮自己购买家庭健身器材,AI直接完成需求分析、商品比较和采购决策,最后只需要调用电商平台完成交易。

那么,传统电商平台的很多核心环节,就可能被绕过去。消费者不一定需要打开电商App,也不需要逐个浏览商品,更不用按照平台的推荐顺序做决定。

对于依赖流量分发和广告变现的平台来说,AI Agent可能不只是一个新的购物渠道,更是一个潜在的入口竞争者。

当然,Tobi并没有断言亚马逊限制Muse就是为了保护广告收入。他也承认,聚合型平台确实有更强的动力维持控制权,而Agent当前的技术实现也存在问题。

但从商业模式来看,两者之间的潜在冲突已经相当清晰。

相比之下,Shopify的情况完全不同。Shopify并不经营传统意义上的大型电商市场,而是为独立商家提供建站、支付、订单管理和销售工具。

消费者可以通过商家的独立网站下单,也可以通过社交媒体、线下门店等渠道完成购买。

Tobi对此有一个很简单的判断:商家能够在越多地方销售商品,Shopify的价值就越大。

因此,无论最终下单的是消费者本人,还是代表消费者的AI Agent,对Shopify来说,都是可以接受的。它真正关心的,是交易能否顺利完成,以及商家能否获得更多订单。

这也是为什么,Shopify正在建设更多API和交易系统,让Agent能够更方便地调用商品和结账能力。

两种商业模式的区别,就这样体现出来了。

亚马逊需要考虑如何维持消费者与平台之间的关系,Shopify则更关注如何帮助商家接入新的消费者入口。

当然,这并不意味着Shopify一定会成为Agent时代的赢家。但至少从商业模式上看,Shopify与Agent之间的利益冲突,可能比传统流量型平台小得多。

我觉得,这也是理解下一轮电商竞争的关键。

当AI开始掌握购物决策,电商平台的竞争重点,可能从如何把用户留在自己的平台,转向如何让自己的商品和服务被Agent优先使用。

/ 03 /

Agent想从每笔交易中抽走2%,但谁来买单?

如果说AI改变购物方式已经初见端倪,那么另一个更加现实的问题是:

Agent究竟应该怎么赚钱?

在这场访谈中,主持人Alex Heath提到了当前硅谷Agent创业公司的一个普遍想法。

很多创业者认为,未来个人Agent可以通过交易抽佣建立商业模式。比如,AI帮助消费者完成一笔100美元的订单,从中抽取2%,就能获得2美元收入。

乍一看,这个模式似乎很合理。

毕竟,Agent帮助用户完成商品研究、比较和采购,创造了实际价值,获得一定比例的交易收入,也说得过去。

但Tobi直接提出了一个问题:这2%的佣金,究竟由谁来支付?

这里面有一个容易被忽视的现实。电商交易本身,已经存在一整套成熟的利益分配体系:支付机构、信用卡网络、电商服务商等参与方,都要从交易中获得相应收入。

据Tobi披露,在Shopify约3%的交易收费里,其中很大一部分实际上流向了信用卡公司。也就是说,看起来有几个百分点的交易收入,但真正能够自由分配的利润空间,未必有那么多。

现在,Agent突然加入交易链条,还想从中拿走2%,问题就变得复杂了。

如果让商家承担,相当于进一步增加获客成本。如果让平台承担,就意味着现有参与者需要让出自己的利润。如果让消费者承担,那么Agent就必须证明,自己提供的价值足以让用户额外付费。

所以,Tobi并不急于判断,抽佣一定会成为Agent的最终商业模式。

在他看来,更重要的问题是,Agent到底能够为用户创造多少价值。

比如,一个Agent能够帮消费者比较不同银行的收费方案,发现长期支付的不合理费用,甚至自动完成更换服务。如果它每年能够帮助用户节省几百美元,那么消费者完全有理由为它支付一定费用。

这种模式下,Agent不一定需要参与商品交易抽佣,而是可以直接向用户收费。未来也可能出现按使用量付费、订阅收费,或者与交易相关的混合模式。

但比商业模式更值得讨论的,是Tobi提出的另一个问题:当Agent真正代表消费者做决策时,传统广告模式可能遇到信任危机。

假设你有一个非常了解自己的私人购物助手,知道你的预算、生活习惯和购买偏好,可以帮你比较不同品牌,选择性价比最高的商品。

但有一天,你发现它推荐某款产品,并不是因为这款产品最适合你,而是因为商家向它支付了广告费。

那么,你还会相信它吗?

在Tobi看来,这就构成了对用户信任的破坏。

传统广告模式,主要站在卖方一侧。商家付费购买曝光,希望影响消费者的购买决策。但个人Agent的价值,恰恰建立在它代表买方利益这一前提上。

如果一个Agent既要代表消费者选择最合适的商品,又要根据商家支付的费用决定推荐顺序,两者之间就可能产生利益冲突。

这也是为什么,Agent时代的广告商业模式可能需要重新设计。

不过,Tobi并不认为广告会因此消失。

因为无论AI多么强大,新品牌仍然需要找到消费者,新产品仍然需要获得曝光。

过去,Facebook和Google的广告系统,帮助大量小商家找到了自己的第一批用户。未来,Agent世界同样需要某种商品发现和供需匹配机制。

只不过,这套机制必须回答一个新问题:如何帮助商家获得流量,同时不损害消费者对AI助手的信任?

这可能是Agent商业化最值得关注的方向之一。谁能在卖方的获客需求与买方的决策信任之间找到平衡,谁就可能建立新一代的商业分发平台。

文/阿奇

跳转微信打开

  •  

三年狂赚100亿美元!拆解Anthropic背后最牛VC的AI投资逻辑

原创 硅基君 2026-11-04 19:00 丹麦

最好的投资,是押注变化

Anthropic的招股书里,有一个很有意思的细节。

在这份长达数百页的文件中,一家名叫Spark Capital的投资机构,被前前后后提及了50多次。

这个出现频率,甚至超过了不少向Anthropic投资数十亿美元的科技巨头。

原因很简单,Spark Capital是Anthropic最早的机构投资者之一,其合伙人至今仍是公司董事会中唯一来自传统风险投资机构的代表。

很多人可能不知道,Anthropic刚成立时,几乎没有VC愿意投它。甚至在C轮融资之前,公司很大程度上只能靠科技圈的熟人关系寻找资金。

尤其是ChatGPT横空出世后,投资人更有理由犹豫:OpenAI已经抢占先机,背后还有微软撑腰,Anthropic凭什么赢?

但Spark偏偏选择了坚定下注。

从C轮开始,Spark参与了Anthropic的每一轮融资,前前投进去7.77亿美金,按1.5万亿美金的估值来算,三年时间赚了整整100亿美元。

为什么偏偏Spark,敢在OpenAI如日中天的时候,押注它的竞争对手?

翻阅这家公司过去十几年的投资记录,以及几位核心合伙人的公开访谈,我觉得,这笔投资远不只是运气好那么简单。

Spark很早就意识到,AI正在改变的不只是科技行业的竞争格局,还有风险投资本身的游戏规则:

传统投资逻辑中那些相对静态的竞争优势,在AI时代正变得越来越不可靠。相比于一时的技术领先,技术判断以及应对变化的能力才更为关键。

/ 01 /

一笔改变命运的7500万美元投资

说起Spark Capital,就不得不提它的合伙人Yasmin Razavi。

这位在伊朗德黑兰长大的女性,2006年去加拿大探望留学的哥哥时,临时决定留在当地。后来,她考入多伦多大学,进入麦肯锡,又读了哈佛商学院。2017年加入Spark,2020年晋升合伙人。

而她职业生涯最成功的一笔投资,就是Anthropic。

别看Anthropic现在风光无限,刚成立时,几乎没有VC愿意投它。

2021年,Anthropic没有产品,没有收入,却一开口就要融资5亿美元。

当时,科学家出身的Anjneyn Midha曾帮助Anthropic寻找投资人,一口气见了22家VC,21家当场拒绝,剩下一家最终也没谈成。

有投资人甚至反问:GPT-3是什么?

没办法,Anthropic只能转而找那些已经财富自由的科技圈大佬。

2021年5月,Anthropic完成1.24亿美元A轮融资,领投方是Skype联合创始人Jaan Tallinn,其他投资者包括Facebook联合创始人Dustin Moskovitz等人。

2022年4月,又完成5.8亿美元B轮融资,最大金主之一是后来因FTX破产而声名狼藉的Sam Bankman-Fried。

真正的转折发生在2023年。

ChatGPT横空出世,微软又向OpenAI投入巨额资金。大模型的商业前景终于得到验证,但新的问题也来了:

既然OpenAI已经抢占先机,背后还有微软撑腰,为什么还要投资Anthropic?

大多数VC仍然选择观望。但Yasmin Razavi不这么想。

今年5月,她在接受《福布斯》采访时回忆,为了推动这笔投资,自己专门写了两份详细的投资备忘录,说服Spark其他合伙人。

她的逻辑主要有三点:

第一,大模型可能代表一次真正的技术范式革命。

她借用科学哲学家托马斯·库恩的范式转换理论,认为过去十年深度学习、无监督学习和Transformer的发展,已经为LLM带来新的技术范式创造了条件。

第二,AI的应用范围将远远超过普通的软件工具。

Razavi列举了法律、医疗、会计、软件开发、采矿、农业等领域,认为AI正在重新定义人类与计算机共同工作的方式。

第三,安全不仅是技术伦理,也是开发可靠AI产品的基础。

她特别提到Anthropic团队在Scaling Laws、RLHF以及Constitutional AI方面的研究积累,认为这支团队既有顶尖模型能力,也有对安全和对齐问题的长期投入。

更重要的是,她并不认为大模型行业已经被OpenAI彻底拿下。相反,随着AI成为新的技术范式,拥有原创研究能力、能够持续迭代模型的公司,仍然有机会成为下一代科技巨头。

2023年5月,Spark领投Anthropic的4.5亿美元C轮融资,自己掏了7500万美元。这是Spark历史上最大的一张支票,相当于其14亿美元成长基金规模的5%以上。

事实证明,这笔投资只是开始。

招股书显示,此后Spark又连续参与Anthropic五轮融资,累计投入达到7.77亿美元。按照1.5万亿美元估值测算,Spark所持股份账面价值可能超过百亿美元,累计投资回报约14倍。

其中,最初7500万美元投资对应的股份,潜在回报甚至可能达到80倍。

但Spark获得的还不只是财务回报。Razavi从2023年3月开始担任Anthropic董事,甚至早于C轮融资正式官宣。

进入董事会后,Razavi开始帮助公司识别哪些具体应用能创造最大商业价值。

Anthropic联合创始人Daniela Amodei曾向《福布斯》透露,在Claude Code成熟之前,Razavi就反复建议公司,把AI编程作为一个独立的重要市场。

后来故事我们都知道了,Claude Code成为Anthropic增长最快的产品之一。

/ 02 /

Spark只看好两类AI应用公司

如果只看Anthropic,很容易把Spark的成功理解为一次偶然的投资。但把时间线拉长,就会发现,这家公司对AI的布局其实相当系统。

从公开投资组合来看,Spark几乎押注了AI产业链的每一个重要环节。

在基础模型领域,除了Anthropic,它还投资了AI蛋白质设计公司Profluent、机器人基础模型公司Generalist。

在算力层,Spark投资了Lightmatter、MatX、Enfabrica,分别布局光互联、AI专用芯片和高性能网络互联。

在基础设施层,它投资了数据标注公司Scale AI、向量数据库Qdrant、模型推理平台Baseten,以及AI数据中心公司Crusoe。

应用层同样没有落下,包括AI医疗公司Abridge、音视频编辑平台Descript、AI视频生成公司Pika,以及AI会议笔记工具Granola。

这些投资看起来很分散,但背后的逻辑却高度一致:寻找每个环节真正有能力建立长期竞争壁垒的公司。

尤其对于AI应用层,Spark把AI创业公司分为三类:

第一类是Adaptation(适配),也就是给现有软件增加AI功能,比如AI搜索、AI助手。

这类产品虽然能改善体验,却很难仅凭AI功能形成长期壁垒。

第二类是Evolution(进化),即利用AI重新设计工作流程。

比较有代表性的就是,AI医疗公司Abridge和AI会议笔记工具Granola。

前者利用AI自动整理医患对话,生成临床文档。而后者则把用户自己的记录与会议内容结合,生成更符合个人需求的笔记。

第三类则是Revolution(革命),也就是AI创造出过去根本不存在的产品和市场。

Hyatt坦言,Spark最成功的投资,主要集中在第三类,以及部分第二类。对于第一类简单增加AI功能的公司,基本没有兴趣。

因为在它们看来,真正有价值的技术创新,不只是把原来的事情做得更便宜、更快,而是让用户能够完成过去无法完成的事情。

Hyatt还特别提醒,AI Agent创业存在一个陷阱。

很多公司利用大模型自动化传统人工服务,通过降低成本迅速获得收入。但如果竞争对手都能调用相同的模型,那么今天建立的成本优势,明天就可能消失。

真正的竞争壁垒,必须来自产品本身,以及持续积累的数据、用户反馈和工作流能力。

这或许也是理解Spark AI投资版图的关键:它既投资创造技术范式的公司,也投资利用新技术重新定义产品的公司。

/ 03 /

AI时代,VC投资的规则也在改变

Spark不仅在重新判断什么样的AI公司值得投资,也在反思传统VC的投资方法。

2025年,Spark合伙人Nabeel Hyatt在接受采访时,提出了一个很有意思的观点。

Hyatt在2025年的访谈中提出,过去十几年的SaaS投资,越来越像一道有标准解法的数学题。

投资人可以通过ARR、客户留存率、销售效率、市场规模等指标,评估一家软件公司的增长潜力。

但投资AI不行。几个月后模型会有什么能力、会出现什么产品形态、哪些岗位会被重新定义,这些问题在决策的那一刻都没有答案。

所以他做了个区分:过去VC擅长解 Puzzle,已知条件下的难题;AI 投资更像 Mystery,答案还没被写出来的探索。

这种区别,看起来很抽象,放在Anthropic身上却非常直观。

2023年,任何试图用传统财务模型估算Anthropic价值的投资人,都很难为一家收入有限、算力成本高昂、前面还有OpenAI的公司,找到令人信服的投资理由。

但Spark看中的,恰恰是那些财务模型难以衡量的东西:一支顶尖研究团队,以及大模型可能创造的全新市场。

当然,押注技术变革,并不意味着可以忽视投资风险。尤其在AI行业,今天看起来领先的技术,可能几个月后就被竞争对手追赶甚至超越。

那么问题来了,如果技术领先随时可能被打破,AI公司的长期竞争壁垒究竟是什么?

Hyatt在之前访谈中,也被问到了这个问题。

当时,DeepSeek的出现让不少投资人开始质疑,大模型公司投入数百亿美元训练模型,究竟还能建立多大的竞争优势。

但Hyatt并不认为,巨额资本投入本身就是模型公司的唯一壁垒。相比于某一代模型的领先,Spark更看重顶尖团队的技术判断,以及持续执行和迭代的能力。

从这个角度看,传统投资逻辑中那些相对静态的竞争优势,在AI时代正变得越来越不可靠。相比于一时的技术领先,企业能否持续适应变化,甚至主动引领下一轮技术变革,才是决定其长期价值的关键。

文/阿奇

跳转微信打开

  •  

存储股,怎么就成了最先被抛弃的AI资产?

原创 硅基君 2026-11-03 19:00 北京

存储股,跌下神坛

谁能想到,业绩最好的存储股,反而成了这一轮AI行情里跌得最惨的资产。

截至10月30日,美股网络设备、电力基建、云厂商、光通信等AI产业链代表性企业,较各自年内高点平均下跌22.0%、29.4%、33.9%、44.0%。

相比之下,统计范围内的11家存储企业,平均回撤高达51.6%。尤其是A股的佰维存储、德明利、江波龙的最大跌幅更是超过70%。

更让人意外的是,存储企业的业绩依然好得惊人。

2026财年,美光净利润达到849.69亿美元,同比暴增近9倍,创下历史新高。第三季度,SK海力士、三星半导体业务营业利润分别达到83.33万亿、106.5万亿韩元,同样刷新纪录。

国内模组厂的表现更加夸张。去年上半年,江波龙、佰维存储、德明利三家公司还合计亏损3.29亿元,今年上半年却一口气赚了237.6亿元。

短短一年时间,从集体亏损到利润暴增,股价却接连腰斩,为什么会出现如此反常的情况?答案恰恰藏在这一轮存储超级周期的增长逻辑里。

过去一年,存储芯片价格一路上涨。三星、SK海力士、美光等原厂依靠涨价赚取巨额利润,下游模组厂则凭借提前囤积的低价库存,享受到了更大的利润弹性。

可以说,涨价是这轮存储行业利润爆发的最大功臣,也是如今市场最担心的风险。

一方面,云厂商巨额资本开支开始挤压自由现金流,未来投资增速可能逐步放缓;另一方面,中国存储厂商加速扩产,全球市场的供给格局也面临新的变化。

当存储价格的涨幅已经开始收窄。对于高度依赖库存价差的模组厂来说,涨价红利一旦减弱,此前放大利润的库存杠杆,反过来也可能放大利润回落的压力。

存储超级周期或许远未结束,但资本市场已经开始重新定价:当涨价红利退去,这些企业究竟还能赚多少钱?

/ 01 /

存储涨价红利开始松动

过去一年,存储原厂赚得盆满钵满,最大的功臣就是涨价。

根据主要厂商出货容量及平均售价变化粗略测算,三星、SK海力士、美光新增收入中,价格及产品结构变化的贡献达到约81%—90%。

以美光为例,2026财年,美光营收从373.78亿美元增长至1331.88亿美元,同比增长256%。但同期,DRAM(含HBM)、NAND出货容量均只增长约25%。

也就是说,美光卖出的存储容量只增加了四分之一,收入却增长了两倍多。粗略换算,其平均售价整整涨了2.85倍。

如今,涨价的速度开始慢下来了。根据TrendForce集邦咨询的数据,普通DRAM合约价格环比涨幅,已从第二季度的58%—63%,收窄至第三季度的13%—18%,第四季度预计进一步降至10%—15%。

NAND市场也出现松动。10月份,MLC、TLC、QLC三类NAND晶圆合约价格全部停止上涨,环比持平。

这种变化,已经开始体现在原厂的经营数据里。

2026财年第四季度,闪迪营收环比增长51%,其中约67%的新增收入来自涨价;到了2027财年第一季度,营收环比增速放缓至23%。

需要强调的是,涨幅收窄不等于价格下跌,但对于已经享受巨额涨价红利的存储企业来说,这个变化依然值得警惕。

更重要的是,支撑涨价的两个关键条件,也开始出现变化。

首先是需求端。过去两年,云厂商几乎不计成本地建设AI数据中心,GPU、存储芯片、服务器等硬件需求持续爆发。

但如此庞大的投资,已经开始影响科技巨头的现金流。

2026年第三季度,谷歌自由现金流降至负91亿美元,连续两个季度为负;亚马逊过去12个月的自由现金流,也从去年同期的正148亿美元,变成了负424亿美元。

当然,这并不意味着科技巨头已经没钱投资AI,而是投资增长不可能永远保持如此高的速度。

高盛预计,云厂商资本开支增速将从2026年的94%,放缓至2027年的50%,2028年进一步降至17%。

过去,云厂商为了抢占AI算力市场,对存储芯片的涨价接受度很高。但随着投资回报压力加大,客户还能接受多少轮涨价,就成了新的问题。

另一方面,供给端也在发生变化。

最值得关注的,就是中国厂商的扩产。根据半导体研究机构SemiAnalysis预测,2026年长鑫存储将新增约8.5万片DRAM月产能,相当于三星、SK海力士、美光三家同期合计新增产能的81%。

10月10日,长鑫又宣布新一代4F² DRAM架构取得关键进展。消息公布后的下一个交易日,三星电子、SK海力士分别下跌7.39%和10.09%。

市场为什么如此敏感?

因为中国制造业依靠技术突破和规模化扩产,改变全球市场价格体系,已经不是第一次了。

光伏就是最典型的例子。

根据国际能源署的数据,2010年,中国光伏组件产量约占全球一半;到了2024年,这一比例已经提高至86.4%。

而伴随着中国制造业迅速扩张,全球光伏组件价格也一路下跌。

当然,DRAM与光伏并不完全相同。新增产能需要经历工艺爬坡、良率提升和客户认证,并不意味着能够立即形成有效供给。

但对于海外存储巨头来说,中国厂商的持续扩产,确实可能成为影响长期定价能力的重要变量。

一边是云厂商的资本开支增速面临放缓,一边是中国厂商加速释放新产能。存储超级周期还没结束,但过去依靠供需紧张不断涨价的逻辑,正在面临新的考验。

/ 02 /

模组厂,最先尝到苦头

当存储价格红利消散,下游模组厂率先感受到了压力。

在统计的11家存储企业中,跌得最惨的就是国内三家模组厂,分别是江波龙、佰维存储、德明利。

2026年第三季度,江波龙营收环比增长3.2%,归母净利润却下降44.2%;佰维存储营收下降29.9%,归母净利润大跌62.4%;德明利虽然营收增长24.2%,净利润却只增长2.2%。

三家公司的毛利率也集体回落。江波龙从61.3%降至44.7%,佰维存储从56.0%降至42.8%,德明利从38.8%降至32.9%。

明明存储行业整体还在涨价,为什么模组厂反而越来越难赚钱?

答案就在它们特殊的商业模式里。

与三星、SK海力士等掌握晶圆制造能力的原厂不同,模组厂需要从上游采购DRAM、NAND芯片,再通过主控芯片、固件开发、封装测试等环节,加工成SSD、内存条等产品。

这种商业模式有一个特点:原材料占成本的比例极高。

以2025年为例,存储晶圆占江波龙采购总额的79.4%;佰维存储直接材料占生产成本的94.0%;德明利固态硬盘业务的直接材料成本占比,更是达到96.2%。

这意味着,模组厂的盈利不仅取决于自身加工制造能力,还高度依赖上游存储芯片的采购价格。

过去一年,存储价格持续上涨,模组厂提前采购的低价芯片,能够按照更高的市场价格出售。

产品涨价了,结转的成本却还是几个月前的低价,中间的差额自然就变成了利润。说白了,模组厂不仅赚加工的钱,还赚了一笔存储涨价的钱。

但这笔红利有一个前提:存储价格必须持续上涨,而且涨得足够快。

如今,新采购的芯片成本不断抬高,存储价格涨幅却开始收窄。随着此前的低价库存逐渐消耗,利润空间自然受到挤压。

江波龙在三季报中也提到,受前期较高价格基数影响,DRAM和NAND价格涨幅明显收窄,涨价对公司盈利的边际贡献正在减弱。

更值得警惕的是,三家模组厂手里还压着规模庞大的库存。

截至2026年9月底,江波龙、佰维存储、德明利的存货合计达到约815亿元,比2025年末增加549亿元,增幅高达206%。

而同期,三家公司经营活动现金流合计净流出约260亿元。也就是说,虽然账面利润暴涨,但这些企业也投入了大量现金去采购和储备芯片。

当然,库存增加不一定是坏事。在订单充足、价格持续上涨的情况下,提前备货能够锁定成本,创造更多利润。

但如果未来价格停止上涨,甚至掉头向下,情况就完全不同了。一旦市场售价跌破采购成本,模组厂不仅会失去此前的价差红利,还可能面临存货跌价损失。

这也是为什么,存储模组厂的股价调整幅度,明显大于上游原厂。

/ 03 /

总结

两千多年前,《史记·货殖列传》中就有一句话:“贵上极则反贱,贱下极则反贵。”

放在今天的存储行业,依然值得玩味。

高价格带来高利润,高利润刺激资本投入,而不断增加的产能,又可能反过来改变价格走势。

AI或许改变了存储需求的长期需求曲线,但它背后的商业周期规律却未必会随之消失。

文/元元

跳转微信打开

  •  

暖芯迦完成5亿元C+轮融资,跑出视觉脑机接口的中国速度

硅基观察Pro 2026-11-03 19:00 北京

中国脑机接口,照进现实

杭州暖芯迦电子科技有限公司(以下简称“暖芯迦”)宣布完成5亿元C+轮融资。

本轮融资由高榕创投领投,人保股权、Monolith砺思资本、建发新兴投资、东方嘉富、丹合资本、杭州产投集团跟投,君联资本、知名产业投资机构等老股东超额追投,启峰资本担任本轮融资独家财务顾问。

本次融资亦是暖芯迦年内斩获的第二轮融资,目前,公司累计融资规模已达10亿元人民币。极短周期内连续获得一线资本加持,印证了暖芯迦的硬核科创实力与稀缺赛道价值。

/ 01 /

视觉重建,一场正在全球展开的视觉竞赛

视觉重建被认为是脑机接口领域“皇冠上的明珠”,也是全球科技力量正面交锋的战场。

大洋彼岸,Neuralink视觉重建产品Blindsight已获得美国FDA“突破性医疗器械”认定,计划于2026年进行人体植入。

美国脑机公司Science Corporation的视网膜视觉脑机接口产品PRIMA,凭借登上《新英格兰医学杂志》的临床数据在欧洲获批商用。

这场竞赛背后,是来自全球数千万盲人及数亿视力障碍患者的巨大未满足需求。

在中国,脑机接口已被纳入国家战略,我国首例高分辨率视网膜路径视觉脑机GCP临床试验,正来自暖芯迦。

从已完成的临床案例看,首例受试者开机次日即可识别复杂字母,两个月内实现书写、抓取和定向行走。

这一康复速度远超国际常规水平,标志着暖芯迦在视觉重建的速度与质量上实现全球领跑。

截至目前,暖芯迦已成功完成三位患者的脑机接口临床试验。

2026年5月,内含320个电刺激通道的视网膜视觉脑机接口植入失明近20年的灵灵(化名)眼底,开机第二天她就识别出了H、R等复杂字母,超出团队预期;之后的两个月内,灵灵的“新视力”逐渐生长:写出“中国”、抓起水杯、沿地面白线行走、转弯。

三个月后的武汉,60岁的邱华(化名)接受全球首例高分辨率半侵入式视网膜脑机接口植入,不穿透眼球,微创可逆。经历4年黑暗,邱华在开机后逐一认出眼前的数字、写出汉字和字母、抓取物品和完成独立行走。

2026年10月,失明8年的66岁李阿姨(化名)在接受全国首例黄斑区脉络膜下植入视网膜路径视觉脑机接口手术后,从仅存微弱光感,到能够描画数字、字母和汉字、精准抓取物品,再到第一次无需家人搀扶,独自完成行走测试。

/ 02 /

全球稀缺,视网膜和视皮层视觉重建双线覆盖

放眼全球,视觉脑机接口公司大多只押注一条路线:Science Corporation的PRIMA是视网膜路径,Neuralink的Blindsight是视皮层路径,两条路线走通一条已属不易。

作为国内最早深耕视觉功能重建脑机接口领域的科创企业,暖芯迦创新性布局视网膜路径E-BCI、视皮层路径V-BCI双线并行的完整解决方案,为不同类型的失明患者提供视觉重建的可能。

支撑暖芯迦双线并进的底气,来自一套共用的全栈自研技术体系。

自2014年起,暖芯迦构建了从核心芯片、精密电极、MEMS工艺、封装技术到智能算法、系统集成的全栈自研体系,攻克了多项“卡脖子”核心技术,搭建起国内乃至全球领先的视觉脑机技术研发与产业化平台,为产品临床转化与长期迭代筑牢技术根基。

左图:灵灵写下“中国”;右图:暖芯迦视觉脑机接口体外机

目前,320通道视网膜视觉脑机接口E-BCI已正式迈入GCP规范化临床试验阶段,阶段性试验成果显著,安全性与有效性得到临床初步验证,是国内少数实现侵入式视觉脑机人体临床实质性突破的企业。

与此同时,1280通道的视觉皮层脑机接口产品处于研发阶段,计划进行临床验证。从“看见”到“看清”,分辨率的下一次跃迁即将开始。

/ 03 /

更远的目的地,视觉有机会被“软件定义”

暖芯迦的三例临床试验证明了重新“看见”的可能性,真正让人兴奋的是,当视觉信号不再来自眼球,而是来自摄像头和算法,将重新定义“看见”的边界。

马斯克描述过Blindsight的路线图,初期只是低分辨率光点,最终有潜力超越自然视觉,让人看见红外、紫外等波段。Science Corporation创始人Max Hodak判断,脑机接口有可能重塑人类体验,他认为生物混合神经接口将“以意想不到的方式重塑世界”。

植入体“看到”的世界,本就是一段可重写、可增强的数字信号,电刺激通道数可以从60到320、1280不断翻倍,分辨率随之提升;神经编码可以从256级灰阶走向全彩;摄像头可以放大、夜视、叠加导航和文字信息,视觉将成为人类可以“升级”的感官。

灵灵、邱华和李阿姨是第一批用户,他们今天读到的是字母和数字,随着技术发展,视觉重建将不断拓展人类感知的边界。通道数每翻一倍,编码算法每迭代一代,暖芯迦就在视觉重建的路上多迈一步。

高榕创投表示:全球约有22亿人患有不同程度的视力障碍,其中至少4,300万人深陷完全失明的黑暗。

人类要真正攻克失明这一世界级医学难题,建立高通量的人机视觉连接正成为关键突破口。

视觉重建脑机接口超越传统医学的局限,为这些患者带来前所未有的希望。在这个神经科学、芯片制造与生物医学工程的终极交叉领域,暖芯迦展现了令人振奋的创新力。

团队不仅突破了极具挑战的高密度人工视网膜技术壁垒,更构建了扎实的底层核心元器件基础设施。作为本轮融资领投方,高榕期待未来与暖芯迦长期并肩,共同推动这项未来科技在临床中造福更多的患者。

建发新兴投资表示:脑机接口行业目前处在从早期研发验证到展现临床价值的关键节点,而视觉重建正是临床高度刚需、患者需求极为迫切的方向之一。

我们看好暖芯迦团队在视觉重建方向上持续引领技术迭代,推动产品惠及更多类型的视障患者,为更多患者带来光明。

东方嘉富表示:脑机接口是"十五五"期间最具确定性的未来产业赛道,而视觉重建是其中临床需求最刚性、商业化路径最清晰的方向——全球数亿视障人群中,数千万不可逆失明患者长期面临传统手段难以治愈的困境。

我们看好暖芯迦,它是国内极少数把芯片设计、高密度电极、气密性封装到视觉编解码算法全部握在自己手里的企业,这种全栈自研能力正是侵入式脑机接口走向量产的分水岭。

广发信德表示:作为暖芯迦的老股东,我们由衷祝贺公司完成C+轮融资。

脑机接口正从实验室走向临床,视觉重建是这一领域技术门槛很高、也更贴近患者真实获益的方向。

暖芯迦以视网膜与视皮层双线并行、从核心芯片到智能算法的全栈自研,走出一条全球稀缺的路径,也让“中国临床时刻”从愿景变成现实。

感谢团队多年来的专注与坚持,也感谢本轮新老投资方的信任与加码。

作为老股东,我们既为能陪伴这样一家公司成长感到荣幸,也为它每一步扎实的进展感到喜悦。

未来,我们将继续坚定支持暖芯迦,陪它“看见”更深、更远。

关于高榕创投

高榕创投是中国最活跃的风险投资机构之一,致力于发现优秀创业者,与他们共建长期价值。

高榕创立于2014年1月,专注于早期和成长期投资,重点投资AI、互联网与消费,新科技,医疗健康等创新创业领域。

截至目前,已有超40家高榕投资或入股的公司完成上市,多家公司成长为各自行业的领军者,其中包括拼多多、石头科技、BOSS直聘、月之暗面、鸣鸣很忙等。

高榕持续关注医疗健康领域,投资了数字健康与医疗服务、新药研发、医疗器械、AI4S、脑机接口等方向的优秀企业,包括水滴公司、平安好医生、和睦家医疗、普方生物、康诺思腾、华深智药、艾博生物等。

关于人保股权

人保资本股权投资有限公司(简称“人保股权”)是人保资本全资子公司,成立于2018年3月12日,是中国人保旗下唯一的保险私募基金管理人。

公司发起设立并管理人保健康养老产业投资基金、人保上海科创基金、武汉科创基金、现代化产业基金等多只私募股权基金,以科技创新为核心,重点布局医疗健康、集成电路、人工智能、航空航天等产业。

关于建发新兴投资

建发新兴投资成立于2014年12月,是“世界500强”建发集团旗下专业的权益类资产管理机构,致力于成为中国一流的创投产业链运营服务商。

公司重点关注国家战略性新兴产业创新成长投资机遇,秉持“开拓新价值,帮助更多新兴企业实现更好的发展”的使命,重点聚焦先进制造、医疗健康、TMT/消费,以及AI+与相关未来产业领域。

关于东方嘉富

东方嘉富资产管理有限公司是浙江省国有上市金融投资集团——浙江东方 (600120)旗下“市场化运作、专业化管理”的混合所有制科技创业投资机构,重点关注智能制造和新材料、前沿科技及生命科学领域早中期科创企业投资,并已建立起“行研、孵化、投资、服务”四位一体的科技创业投资生态。

2024年底,东方嘉富入选国家中小企业发展基金子基金管理人。

截止目前,东方嘉富管理基金总规模超170亿人民币,累积投资企业超100家,其中十余家投资企业已经成功上市。

公司现有团队50人,总部位于杭州,在北京、上海、深圳均设有办公室。

关于杭州产投集团

杭州产投集团有限公司是杭州资本整合体系资源着力打造的产业投资主平台,具体负责千亿规模杭州创新基金的投资管理工作。

围绕服务杭州市战略性新兴产业高质量发展战略,杭州产投集团秉持“市场化、专业化”运作原则,以“做强投资、做优生态”为主线,现已形成“国资产业基金管理+重大产业项目直投+主动管理型基金投资”三大业务板块发展模式。

旗下全资子公司杭州国舜股权投资有限公司负责主动管理型基金业务,是杭州资本下属私募基金管理平台。

关于广发信德

广发信德投资管理有限公司成立于2008年,是头部券商广发证券全资控股私募基金子公司,广发信德注册资本28亿元,为国内排名前列的券商系私募投资机构。

公司依托广发证券集团全链条资源协同,搭建了一体化私募股权投资体系,业务覆盖VC、PE、并购、夹层及资产投资,完整覆盖企业全生命周期;

截至 2025 年末,广发信德累计管理资产规模超300亿元,重点布局AI基础设施及半导体、人工智能与机器人、商业航天与低空经济、新一代信息技术与数字经济、新材料、新型电力系统、高端装备与先进制造、清洁能源、汽车与智慧交通、生物医药科技、医疗器械及医疗服务、消费电子产业链、金融科技与企业服务、消费与现代服务等国家战略性新兴赛道,投资了长鑫科技、沐曦股份、奇瑞汽车、蓝箭航天、地瓜机器人、图灵量子、上海超导、大疆创新、精锋医疗、千寻智能等数百余家优质企业,以长三角、珠三角为核心辐射全国。

公司搭建近60人的专业投资团队,并拥有四级风控体系与专职投后服务团队。

广发信德长期斩获清科、投中网、金牛奖、金投奖等行业重磅荣誉,连续多年稳居国内PE机构TOP30行列。

公司秉持“成就伟大企业”使命,以“投资为本、客户为先”为经营理念,致力于成为企业全周期资本合作伙伴与产业创新要素整合者。

关于启峰资本

启峰资本是启峰旗下私募融资服务板块,始终坚持服务一流项目引入一线基金,在生物科技、医疗科技、未来科技、高端工业上游等领域已陪伴出一批细分赛道头部企业。

启峰为企业提供全周期资本及产业服务,业务包括:1)启峰资本:私募融资服务;2)启势顶峰:股权投资&科技转化;3)生生纪keeploop:精准智能健康科技品牌。

文/阿奇

跳转微信打开

  •  

美国数据中心这张大饼,华尔街也吃不下了

原创 硅基君 2026-11-02 19:00 北京

规划很丰满,现实很骨感

最近,华尔街知名研究机构伯恩斯坦做了一项统计,结果挺让人意外。

美国已经公布的数据中心规划容量,累计高达488GW。但能把握落地的,只有约170GW,占比仅35%。

换句话说,美国规划中的数据中心,有接近三分之二,未来能不能建成还是个未知数。

更有意思的是,这些项目落不了地的原因,可谓五花八门。

有的开发商直接把数据中心当成房地产来搞,项目还没开工,土地就已经挂牌出售了;有的好不容易开工,客户却不断修改设计方案,硬生生让建设预算增加了近8亿美元。

以前,这些问题倒也不算什么。毕竟,AI是当下最火的投资方向。只要敢宣布几个GW的数据中心规划,华尔街就愿意给出高估值,银行和债券投资者也愿意掏钱。

但现在,情况开始发生变化。

一方面,美联储9月再次加息,融资环境趋紧;另一方面,越来越多的数据中心项目暴露出建设延期、成本超支等问题,让投资者开始重新审视其中的风险。

显然,就连华尔街,也不吃下数据中心的大饼了。

/ 01 /

美国数据中心,三分之二悬了

为什么美国数据中心有三分之二都悬了?问题主要出在两个方面。

一个是规划端,越来越多的超级数据中心,落到了没有建设经验的新手手里。

彭博新能源财经7月统计,美国最大的100个数据中心规划中,52个来自没有建设经验的开发商,合计87GW。

这些新玩家为什么如此大胆?

原因很简单,因为在美国的数据中心生意里,不一定要把机房建起来,才能赚到钱。

对于部分土地开发商来说,只要提前拿地、推动审批、争取电力接入,就有机会把土地包装成数据中心项目,再高价卖给真正的运营商。

说白了,就是炒地皮,只不过这次炒的是AI概念。

亚利桑那州的La Osa项目,就是一个典型案例。

2025年7月,没有数据中心建设履历的土地开发商Vermaland,直接宣布了一项330亿美元的超级工程,规划59栋建筑、3GW用电需求。

这个规模有多夸张?

截至今年6月底,CoreWeave旗下51座在运数据中心,活跃电力容量合计也只有1.5GW。

也就是说,Vermaland第一次涉足数据中心,就规划了相当于CoreWeave现有运营规模两倍的用电容量。

但更有意思的是,今年5月,Vermaland代表在政府听证会上承认,项目土地已经挂牌出售,准备卖给最终使用方。

此前公布的330亿美元超级规划,反而成了最好的卖地广告。在LoopNet的土地销售页面,Vermaland甚至把“有望成为美国最大数据中心”当作卖点。

对于这类开发商来说,规划越大,土地就越有机会卖出高价。至于未来能不能建成,那是接盘方需要操心的事情。

类似现象越来越普遍,业内甚至创造了一个讽刺性的词:Bragawatts,也就是“吹出来的吉瓦”。

但规划有水分还只是一个方面,更麻烦的是,即使真正动工,也未必能够按时交付。

高盛今年5月的研究显示,美国数据中心历史按时交付率约为72%,但未来一年、两年规划容量的预计按时交付比例,可能分别降至60%和50%。

原因不难理解。数据中心需要电力、变电站、冷却系统等大量配套设施,任何一个环节跟不上,都可能拖慢交付进度。

而且,即使解决了这些问题,开发商还要面对不断膨胀的建设成本。

得克萨斯州的Barber Lake项目,就是一个典型案例。

这个项目由比特币矿企转型而来的Cipher Digital开发,规划总供电容量300MW,已经与AI算力公司Fluidstack签下长期租约,谷歌还提供了部分担保。

客户有了,合同签了,按理说是个优质项目。

但建设过程中,客户不断提出新的设计需求,导致工程方案反复调整,部分机房的起租时间也被推迟至2027年第一季度。

更麻烦的是,项目预计完工总成本,已经从21.57亿美元上涨至29.41亿—29.66亿美元。

还没完工,预算就增加了近8亿美元,涨幅超过36%。

偏偏多出来的钱,还不能全部让客户买单。

根据协议,超出原预算的前约3.59亿美元由Cipher承担,超过这一门槛的部分,客户也只分担50%,通过未来20年的额外租金逐步补偿。

这就很尴尬了。原本想着靠20年的长期租约锁定收入,结果真正干起来,租金还没收回来,先被一笔笔工程款拖住了。

说到底,美国数据中心的问题,是资本市场推动的扩张速度,已经远远超过现实世界的建设能力。

/ 02 /

华尔街,也开始重新算账了

过去两年,美国AI基础设施投资之所以能够疯狂扩张,一个重要原因,就是华尔街愿意不断提供资金。但现在,华尔街开始不太愿意为这些故事买单了。

最直接的表现,就是股价下跌。

据Kpex.AI统计,10月6日至20日,CoreWeave、Nebius、IREN等8家AI基建公司,市值合计蒸发约510亿美元,股价跌幅中位数达到28%。

其中,CoreWeave一度下跌近45%。据路透社报道,仅在这家公司身上,空头就获得了约17亿美元的账面利润。

曾经被疯狂追捧的AI基建明星,如今反而成了空头的提款机。

这种变化已经蔓延到IPO市场。今年10月,英伟达支持的澳大利亚AI数据中心公司Firmus,原计划募资约50亿美元上市,结果部分投资者在上市前撤回认购意向。10月9日,Firmus最终取消IPO,转而寻求私人市场融资。

一个重要原因是,其合作伙伴CDC Data Centres确认,双方原计划合作开发的1.6GW数据中心项目不再推进。

软银支持的SB Energy也遇到了类似问题。这家公司原计划9月推进IPO,后来却推迟至年底甚至明年。

除了股市外,债券市场也在发生变化。据商业地产数据机构Trepp统计,截至10月23日,去年底已发行的64只数据中心相关抵押贷款证券中,有60只信用利差扩大。

其中,最高AAA评级的数据中心债券,年内信用利差扩大约0.6个百分点,而其他同类商业地产债券仅扩大约0.01个百分点。简单来说,就是投资者开始要求更高的风险补偿。

更麻烦的是,新债发行也开始遇冷。摩根士丹利10月的研究显示,今年初,最高AAA评级的数据中心资产证券化债券,发行收益率还不到5%,如今已经接近7%。

美国数据中心开发商EdgeCore的遭遇,就很有代表性。今年10月,公司准备发行5.21亿美元资产证券化债券,却因为投资者认购不足,差点取消交易。

为了完成融资,EdgeCore不得不提高报价,将最高AAA评级债券的信用利差从最初的100多个基点,提高至200个基点,最终以5.90%的票息完成发行。

而就在去年,EdgeCore发行的2.35亿美元债券,票息仅为4.45%,还获得了超额认购。

短短一年时间,数据中心融资已经从投资者抢着买,变成需要提高利率才能找到买家。

对于高度依赖借债扩张的数据中心行业来说,这种负反馈一旦形成,可能比短期需求放缓更加致命。

文/元元

跳转微信打开

  •  
❌