文 | 樹龍談，編輯 | 蘇琦
2023 年，标普 500 指數的 70% 增長由 The Magnificent Seven（蘋果、微軟、英偉達、谷歌母公司 Alphabet、Meta、特斯拉和亞馬遜）推動，而這些公司大部分都在矽谷。
矽谷一向是科技創新的代名詞，由 OpenAI 掀起的生成式 AI 浪潮，則進一步強化了矽谷的地位。把矽谷再次推向繁榮的，除了巨頭公司、創業公司，還有數量衆多、非常活躍的 VC 資本，FusionFund 就是其中一家。
FusionFund 創始人叫張璐，2010 年她被斯坦福大學錄取，讀研期間憑借自己的專利創辦了一家醫療設備公司，後來這家公司被美國一家五百強上市醫療器械公司收購，她轉型成爲投資人，并在 2015 年創立了 Fusion Fund，專注醫療、人工智能和深科技領域投資。
Fusion 有核聚變的意思，她認爲，用小的資本去投資早期的偉大的技術，可以創造巨大的市場，從而推動産業的進步。因此，過去近 10 年，她專注在 To B 方向，在具有海量高質量數據的行業中，尋找出 AI 在其中可以發揮作用的投資機會。
最近我跟張璐進行了一次交流，就矽谷的 AI 生态、投資趨勢、産業機會，以及中美 AI 創業者的偏好和差異，她分享了自己的見解，主要觀點整理如下：
01 生成式 AI 行業巨變，投資重點從應用轉向 AI Infra（基礎設施）
我們從 2017 年就開始投資 AI，2018 年 GPT 第一代剛剛出現，但大模型還沒有現在這麽成熟，直到 2022 年底 ChatGPT3.5 的出現，才讓大家看到了 AI 技術巨大的優越性以及廣泛的商業應用可能性。
Fusion Fund 的投資一直是兩個維度，一個是應用層面，另外一個是 AI Infra 層面。去年 3 月份之前投應用更多，3 月份之後，OpenAI 的 API 可以驅動大量應用被生成，現在投 AI Infra 更多，但兩個層面都還在投資。
在應用層面，C 端市場非常擁擠，且 C 端的消費者數據較爲雜亂，相比之下，我們更關注 To B 的應用，重點關注已經具有海量高質量數據的行業，比如醫療、金融、保險、物流和化工等，這些行業對專業性應用的要求較高，同時應用場景多樣，可以建立行業專屬模型。
在 AI Infra 層面，我們重點關注模型優化和提升的公司，用于解決 AI 應用所面臨的幾大挑戰：算力成本過高、耗電量成本過高、數據傳輸（communication）的延遲性和隐私性等問題。而邊緣計算（Edge Computing）是解決耗能和數據延遲的核心技術，Fusion Fund 從 2018 年就開始布局，投資了 EdgeQ、Macrometa、Bodo.ai 等邊緣計算公司。
02 隻投 To B 不投 To C
應用層有 B 端和 C 端的應用，但我們從來不投 To C 的産品。
現階段，AI 驅動了多個産業的數字化轉型和大規模效能提升，其中包含很多創新機會，但不代表所有的創新機會都屬于初創企業。
經過比較，我們發現在 To C 應用市場更多機會屬于大的科技公司，他們擁有更強大的算力平台和更海量的用戶數據等，最近 Sora 的發布也讓大家看到，在強大的算力支持下，其形成的産品效果和叠代速度都快于很多初創企業。
對于初創企業來講，大部分的機會還是在 To B 應用領域，美國的商業市場有非常成熟的做企業級 To B 銷售的土壤。我們從 2015 年開始做投資的時候，就一直關注 To B 領域，重點投資的是各垂直産業的專屬大模型所做出來的行業應用。
03 垂類大模型市場很大
在 To B 方向，一個行業想要做出自己的專屬大模型，需要滿足三個條件：行業有海量數據且數據質量高，應用場景夠多樣，行業本身的市場空間巨大。按照這個邏輯，排名第一的行業一定是醫療。
醫療市場占據美國 GDP 的 20%。這 20% 的 GDP 裏面有多樣化的應用場景，從疾病診斷、數字化治療（Digital Therapeutics）、數字化生物學（Digital Biology）到數字化生命科學（Digital Life Science）等各個方向，都存在大量機會，所以垂直領域的市場量級是夠的，也可以扶持起百億美金級别的公司。
除了醫療之外，其他産業量級也很大，比如保險行業一年大概 7 萬億美金的市場。
04 垂直賽道大模型獲勝的關鍵，在于數據質量
垂直行業都需要行業專屬模型，但這個模型不是從頭做，而是調用 OpenAI 的 API 或者直接調用開源模型，再用行業專屬的、高質量的、專業的數據進一步優化訓練模型，讓模型更加準确、高效。對于行業大模型領域的初創公司來說，數據的質量很可能會成爲一個重要壁壘。
這時候就要看團隊是否具備獲取行業優質數據的能力，以及能否足夠了解行業，可以在訓練模型時給予專業反饋進行調優。
比如醫療行業，有人問傳統的藥廠和醫院爲什麽自己不做，一方面是人才缺乏，訓練模型和 AI 工具開發對人才要求很高；另外一方面這些大的公司也會擔心自己處理這些敏感數據，如果處理不好會有潛在的監管風險，不如和第三方的初創企業進行戰略合作，将這些數據分享給它們。
此外，基于大企業之間的競争關系，它們反而不太可能将數據分享給微軟或谷歌這樣的巨頭，而更傾向于與小公司合作。
我們的一家被投企業叫 Huma.AI，與多家行業頂尖藥廠合作，擁有大量藥廠内部數據。它相當于醫藥領域的 ChatGPT，藥廠的科學家可以直接問它 " 新藥的臨床試驗怎麽設計方案 "" 某兩種藥有什麽關聯 " 這類問題，并且得到精準的答案，以此來提高行業效能。
05 矽谷主導科技變革的秘訣在于生态的多樣性和完整性
矽谷永遠有多樣化的文化和完整的創新生态，這裏有斯坦福、伯克利這樣的科研機構，還有專業化的 VC 機構，雖然矽谷約 300 萬人口，但是聚集了世界上 50% 的 VC 資本，這裏也是許多科技企業的誕生地，由此也彙聚了多樣化背景的人才，帶來了思維和産品的創新性，也帶來了多樣化的投資機會。
此外，矽谷對成功有不同的定義，在這裏，并不是最富有的人才最成功，大家會在改變世界的同時創造财富，但最重要的是改變世界，這個文化特點也吸引了所有想通過技術改變世界的創新人才聚集到這裏。
過去這些年，很多次的科技創新潮，最早的發源地都在矽谷，也不一定是矽谷直接創造了這些創新，而是它吸引了最想追求創新的創業者來到這裏，從矽谷生态中選擇資本和大企業合作，一起把一個想法推向更大、更成型的商業架構，然後去影響全世界。從資金、技術、人才到産業，共同形成了多樣化的生态和完整的适合創新發展的體系。
06 矽谷做大模型的創業公司很少
在美國，越來越少有初創公司做大模型，大家的關注點已經從大模型轉向應用層，行業已經進入到技術應用創新的周期。
大模型本身是基礎設施，需要的早期投入比較大，創業公司現在更多是直接使用 API 或者開源模型，然後再繼續優化。像谷歌、Nvidia，Meta，微軟等巨頭，希望在模型的基礎上去構建生态，吸引初創公司在自己的生态内建立新的應用。
07 驚豔于 Sora 的效果，但如果成本過高不如不用
這段時間，矽谷非常熱鬧，Sora 的内測結果很驚豔，帶來了很多興奮點。但是現在大家有一個信息不明确，那就是 Sora 制作一個視頻的成本有多少，需要多少算力、多長時間，如果沒有這個數據，VC 們很難去界定它的商業價值。如果消耗的算力和成本過高，可能還不如不用這樣的新技術。
當然，每次新的技術創新都會帶來泡沫。作爲投資人，想要在新的 AI 浪潮裏面避免投中泡沫型的企業，就得堅持住估值。客觀評估這些公司的價值，理性地看待新的技術創新，不要給出虛高的估值進行炒作，對于投資人來說既是挑戰，也是責任。
現在矽谷的項目價格和估值也在升高，我們要去平衡公司的估值和整個趨勢的發展，整體上，矽谷的投資生态還是比較健康的。
08 技術叠代太快，加大了投資難度
現在技術變化太快，好的項目大家都在搶，估值肯定會有泡沫。
從公司的發展角度來講，投資人還是要擦亮眼睛去看，如果一家公司的商業模式會随着大模型的更新而不停被挑戰，那就證明這不是一個好的投資機會。
整個大模型新産品發布的叠代速度已經不是以月爲單位了，可能是以周爲單位，但無論是大模型還是應用，整個生态的機會才剛剛開始。
現在對投資人的要求可能更高，我們要非常活躍的在第一線去追蹤和學習最新的技術發展，持續的更新自己的思維體系和知識體系，同時也要有非常明确的判斷，看到行業内部真正的機會。
在某種程度上，投資人之間确實競争很激烈，但大家并不隻是通過估值去競争，更多還是用附加價值去打動創業者。因爲優質的創始人并不是單純隻看誰給的估值高就跟誰合作，更多還是要看彼此之間的戰略協同，以及能否提供額外的價值幫助公司成長。優質的創業者也知道，在公司沒有收入的時候，把估值做得太高，不一定是一件好事。
09 不懂技術的投資人也能投 AI
AI 本質是一個工具，我們要把工具用在對的地方，産生産業價值，才會創造出值得 VC 投資的企業，所以投資人的核心競争力是要懂産業——哪些是可以落地的産業需求，哪些是真正合适的切入點，哪些是産業的問題和挑戰，哪些現存的産業問題可以用 AI 工具來解決。
有時候太執迷于技術也不一定是對的方向，尤其在矽谷，有很多公司可以做出非常炫酷的 AI 産品，但是這個産品對應的客戶是誰，現在的産業架構能不能去應用這個技術，都可能是一個問号，所以我覺得最重要的還是了解産業，以及對于市場和時機的把握。
