2026年,硅谷创投,几乎不看AI应用了?|硅谷一线投资人周楠
三句話摘要
硅谷頂級創投人分享如何在非共識時期識別優秀創始人,以及AI時代從軟體投資轉向硬體基礎設施的投資策略。 在AI時代,成功投資的秘訣不是資金多少或渠道多寬,而是在非共識期間用敏銳直覺識別解決大問題、能拆解風險、具執行力的優秀創始人,並基於系統性思維提早下注。 投資時機的藝術在於提前布局
重點整理
投資時機的藝術在於提前布局
成功投資的關鍵不是等共識形成再下注,而是在非共識期間就有敏銳的直覺和investment thesis。講者在2016-2018年就預見AI會爆炸性增長,當時多數LP都不看好,但堅持在Scale AI和Cerebras這類公司上下注,最後獲得數十倍回報。這要求投資人既有直覺,也要透過第一性原理逐點拆解風險來驗證直覺。
創始人素質決定一切
一流的創始人具備四個核心特質:1) 解決足夠大且未來才會爆發的問題;2) 對所有風險點做細緻拆解,而非拍腦袋;3) 強大的執行力和韌性,能在逆境中帶領團隊;4) 卓越的說故事能力,能讓投資人在28分鐘內看懂整個願景和商業邏輯。Scale AI創始人Alexander Wang在客戶萎縮時敏銳轉向政府部門業務,正是這種商業直覺的體現。
硬體和基礎設施成為新風口
軟體時代的SaaS月費模式正在被打破。在AI時代,硬體公司(如Cerebras)從純賣芯片轉向賣整個inference系統,收費基於token消耗量和實際使用量。這創造了更可持續的商業模式,因為隨著AI依賴加深,使用者的token消耗只會增加。機器人、物理AI、世界模型等硬體領域也需要謹慎,關鍵是能否找到真實落地場景並收集高品質數據。
垂直AI智能體的護城河已消失
傳統認為的垂直行業數據護城河已不存在,因為大模型公司可以生成合成數據。未來只有能自動化高價值複雜工作流的AI智能體才有生存空間,例如醫療領域整個就診流程的自動化,而非單純的套殼應用。
實用技巧與重點
- 投資時機數據
- 2025年窗口:2-3個月
- 2024年窗口:3-6個月
- 2023年窗口:幾乎沒有(完全共識)
- 具體案例數據
- Scale AI:早期做自動駕駛數據標註,後轉向政府部門,F輪融資時錄製28分鐘presentation,最後被Meta收購29 billion美金
- Cerebras:2016年成立時一年內招80多位founding engineer(60位以上PhD),founder Andrew Feldman在系統級風險拆解上非常細緻
- 講者2016年預測2025年AI芯片市場為25 billion美金,當時被認為aggressive,實際NVIDIA估值遠超預期
- founder必備素質清單
- Killer instinct(殺手直覺)
- Vision足夠遠大(3-5年或5-10年)
- 風險點拆解細緻度
- Hustling and scrappy精神
- 落地執行能力
- Storytelling能力
- 招人能力
- 融資能力
- Coachable程度(主動問問題、實踐反思、自我修正)
- 當前硅谷共識方向
- Physical AI和機器人
- World model
- Advanced manufacturing落地應用
- 數據基礎設施(如Scale AI模式)
- 系統級硬體+inference服務整合
- 創始人常見誤區
- 高估技術、低估應用場景
- 盲目追高估值(估值過高導致下一輪斷崖式下跌)
- 追逐熱點而非深耕
- 光有vision和技術卻講不清故事
結論
在AI時代,成功投資的秘訣不是資金多少或渠道多寬,而是在非共識期間用敏銳直覺識別解決大問題、能拆解風險、具執行力的優秀創始人,並基於系統性思維提早下注。
完整解析
這場訪談深入探討了硅谷創投的運作邏輯和AI時代的投資新格局。Nan是高通創投的投資合夥人,在過去六年多觀察到了創投圈的巨大變化。
非共識時期的投資機會
講者強調投資的核心原則是「必須在形成共識之前下注」。共識形成後,企業估值已被推高,投資回報空間消失。2016-2018年期間,講者看好AI基礎設施方向,但當時LP都不看好,甚至OpenAI和Databricks這樣的公司都融不到錢。講者當時在百度參與的AI研究發現scaling law的蛛絲馬跡,預測到2025年模型會變得巨大,需要海量算力。基於這個前瞻性判斷,他在共識形成前布局了Scale AI和Cerebras,最後獲得數十倍回報。時機緊迫:2022年ChatGPT出現時,講者意識到AI爆炸比預期快三年,拐點已到。
識別優秀創始人的方法
講者用Scale AI的Alexander Wang和Cerebras的Andrew Feldman兩個案例說明優秀創始人的共同特質。Alexander Wang在19歲創業,面對2021-2022年自動駕駛泡沫時,敏銳地察覺到美國政府部門對AI數據基礎設施的需求,迅速調整業務方向。講者看到的是這種商業敏銳度和行動力。Andrew Feldman則通過強大的人脈吸引了80多位founding engineer,並能將複雜的芯片架構風險逐一拆解到細緻程度,向投資人清晰說明每個環節的解決方案。
投資人的角色不是比founder更懂技術,而是通過提問看founder的思維邏輯、vision是否前瞻、是否真正想清楚了問題。講者會問很多細節問題,通過觀察founder如何回答,判斷是否有深思熟慮。「為什麼是我」這個問題尤其關鍵——年輕founder可能靠潛力,但成熟founder必須用過往成就說話。
硬體和基礎設施的新商業模式
過去軟體公司收費是固定月費,但AI時代改變了一切。當foundation model能力不斷提升,使用者的token消耗只會增加,系統級硬體公司可以基於使用量計費。Cerebras從純賣wafer-scale芯片轉向賣整個inference系統,與OpenAI簽大單是系統級收費項目,收入會持續增長。這種模式比SaaS更有吸引力。
在機器人和物理AI方向,講者認為關鍵不在於Demo有多炫,而在能否找到真實落地場景。很多公司在疫情時期推出倉儲物流機器人,但疫情結束、電商需求下降後就死掉了。落地場景必須足夠持久,講者看好advanced manufacturing這類需求穩定的領域。
軟體創業者面臨的困境
講者坦誠自己主要關注硬體和基礎設施,不太看軟體投資。垂直AI智能體的護城河已消失,因為大模型公司自己在做vertical agent(如Anthropic做醫療、金融agent)。數據也不再是護城河,大模型能生成合成數據。只有能自動化複雜高價值工作流的AI系統才有機會,例如整個醫療就診-診斷-開藥流程的端到端自動化,而非簡單套殼應用。
講者建議軟體founder要成為「AI native」,深度整合AI工具,打造複雜工作流。但現實是大多數應用創業者分不到價值——token成本和硬體基礎設施費用吃掉大部分利潤。
創始人常見誤區和修正
大厚人創業最大誤區是技術優先、市場後來。講者見過許多大廠技術牛人融不到錢,原因是沒想清楚應用場景。技術很強但解決的問題不夠大、市場未來不夠大,投資人就不會下注。另一個誤區是盲目追高估值。現在很多founder卯著高估值去,以為越高越好,但過高估值會導致下一輪融資估值斷崖式下跌,反而傷害公司。投資人篩選founder時會看是否「coachable」——主動提問、實踐反思、自我修正的founder更容易成功。
講者最後建議大家不要盲目創業,不要盲目追熱點(如現在的agent很火就去做agent,其實已經來不及了)。真正的創業機會留給那些有深遠vision、強大愿力、能解決足夠大問題的人。


