# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
最近，越来越多的 AI 创业公司开始讲起 Neolab 的故事。
在这套叙事里，创业公司的核心是围绕技术假设展开研究，先聚集人才、算力和资本，产品和市场的事之后再说。Neolab 会训练自己的模型，主要是为了寻求技术突破，产品只是研究的下游结果。甚至在公司发展的早期，研究本身就是产品。
资本正在大量涌入。Thinking Machines 还没有发布任何产品时，就以 120 亿美元估值融到了 20 亿美元。Jeff Dean 离开谷歌后创办的 Discovery Loop，也计划以约 100 亿美元估值融资 10 亿美元。
据硅谷 VC Leonis Capital 统计，自 2024 年以来，投资者已经向 119 家 Neolab 投入 943 亿美元。其中大多数尚未产生收入，一些甚至还没有产品。这些公司几乎覆盖了当前 AI 最前沿、也最烧钱的方向，包括前沿模型、Physical AI 与机器人、世界模型、AI for Science 等等。
但现实问题是，如果技术拐点和商业前景都尚不明确，投资人该用什么给一家 Neolab 定价？
为此，Leonis Capital 对这些 Neolab 及其创始人进行了系统分析。报告发现，给 Neolab 定价，很多时候就像在拍卖离开大厂创业的人才。谁在做、谁愿意加入、谁愿意为它背书，都会成为估值的一部分。甚至这一轮融资有多受投资人追捧，也可能成为下一轮提价的依据。
这股 Neolab 热潮未必会全盘崩塌。更可能发生的，是不同类型的资本重新分流。风险投资、战略资本和主权资本，最终将流向更符合自身回报逻辑的项目。
以下为报告全文，经 Founder Park 编译整理。
2010 年代，风险投资从硬科技撤退，与其说是因为缺乏雄心，不如说是激励机制造成的结果。软件已经成为一种非常适合风险投资的资产类别。公司只需几百万美元就可能实现 PMF。几个月内，使用数据和收入就能带来反馈。每多投入一美元，都能换来围绕可观察需求的可观察进展。软件的边际分发成本接近于零，成功的公司可以快速复利增长。
DeepTech 呈现出的特征恰好相反。在商业化之前需要投入数亿美元甚至更多，核心假设往往要经过数年才能得到验证。除技术风险之外，还叠加了制造和监管风险。公司在此过程中还会经历一轮又一轮的股权稀释。
面对这两套经济模型，风险投资只是做出了理性选择。把钱投向实验成本更低、反馈速度更快、进展更容易衡量的资产类别。
基础模型改变了这种权衡。基础模型实验室将研究风险与更接近软件速度的商业化结合在了一起。当一家实验室取得有意义的技术突破时，从研究突破走向付费客户，所需时间可以用月而不是用十年来衡量。尽管其利润率结构与软件不同，但它的商业化方式仍然更接近软件，而非传统 DeepTech。
OpenAI 和 Anthropic 已经证明，一家研究型组织能够以巨大的规模完成这种转变。基础模型还在不断吸收那些过去被认为属于应用层的能力，这进一步强化了一个判断，持久的价值或许会积累在更靠近模型层的位置。
我们数据集里的 119 家实验室，大多仍处于商业化之前的阶段。一家 Neolab 可以凭借一个研究假设和一支创始团队融资数亿乃至数十亿美元，再将资金用于算力和研究人员薪酬，但其研究的商业价值仍然并不明确。它甚至可能在没有推出多少产品的情况下，以更高估值再次融资。早期商业化从来不是重点。收入，如果最终出现的话，跟在研究之后。
最终形成的，是由多轮私募融资支持的漫长研究周期，其间只有零星的外部进展信号。
风险投资过去曾经资助过一种与 Neolab 高度相似的资产：生物科技。Neolab 融资与生物科技相似，是因为投资者需要在核心技术假设被完全验证之前，就为持续多年的研究提供资金。
生物科技通过一套围绕临床证据建立的里程碑体系，在不同轮次中重新定价，临床前研究、临床 I 期、II 期、III 期和审批。明确的终点指标和监管机构构成了每一道关卡。SaaS 则随着产品采用转化为收入、增长和留存而重新定价。
Neolab 没有与之对应的外部进程序列，能够将估值锚定在证据上。
Neolab 依靠另一套信号重新定价。创始人的履历可能影响公司成立时的价格。一位顶尖研究人员加入，或一笔重大的算力承诺，又可能推动估值变化。公司会选择性地向投资者展示内部评测，并对外宣布战略合作。每一种信号都可能提高成功概率，但没有一个能提供留存率或临床终点那样的可比性。
技术里程碑确实存在，但不同实验室的里程碑彼此异质，大多不公开，也很少能够相互比较。在没有统一的外部计分板来衡量研究风险究竟降低了多少的情况下，估值可能会在外界能够理解的技术成果出现之前大幅变动。
其结果是，即便公开证据变化甚微，Neolab 也会出现异常大幅的重新定价。据报道，Thinking Machines 在 2025 年末寻求以 500 亿美元估值融资，约为此前估值的四倍。新一轮融资最终没有完成，因此其上一轮完成融资时的 120 亿美元估值仍是最后一个有效价格。通常而言，380 亿美元的估值区间意味着投资者对底层资产做出了截然不同的假设。但在这里，这一差距似乎更多反映了投资者情绪，而非研究本身出现了与之相当的公开变化。
收入尤其凸显了这种投资评估真空。在我们数据集里的 119 家 Neolab 里，只有 16 家披露了收入，绝大多数没有。对于这一类别中的多数公司而言，收入无法提供多少共同的比较基础。即使公司已经产生收入，估值与商业产出之间也没有清晰的映射关系。
例如，Mistral 披露的 ARR 约为 4 亿美元，估值为 140 亿美元。Skild 披露的收入为 3000 万美元，估值同样为 140 亿美元。同一个价格，被用在了两家估值证据完全不同的公司身上。Mistral 越来越多地依据商业产出获得估值，Skild 的估值仍主要基于技术潜力。目前，市场对两者使用了同一套估值语言。
对于其余 103 家没有披露收入的实验室，市场依赖的是一些替代信号，例如估值上调速度、研究人员的数量与履历、已经签约的算力，以及通常不会公开的内部评测。这些指标描述的主要是研究项目的投入。估值上调速度甚至更加循环论证，因为投资者的热情既是被衡量的对象，又成了证明下一次提价合理性的部分依据。
定价问题在一定程度上也是劳动力市场问题。Neolab 让研究人员能够把自己的技术确信转化为一笔独立的研究预算。资本可以买到算力等资源，却无法轻易制造出另一名有能力领导前沿模型训练项目的研究人员。
真正稀缺的投入，是全球范围内那一小群能够可信地领导接近前沿水平训练任务的人。他们的人数很可能只有几千。Neolab 正在成为这类人才的价格发现机制。
当一名研究人员对某个方向的确信，超过他在现有实验室内部所能获得的算力配额时，外部资本便可以直接为这场押注提供资金。因此，新实验室的供给在一定程度上来自前沿实验室的组织架构变化。Mira Murati 离开 OpenAI，一家估值 120 亿美元的种子阶段公司随之出现。Yann LeCun 离开 Meta，欧洲便多了一家十亿美元级别的实验室。研究人员的流动，就是一场公开进行的拍卖。
这场拍卖还说明，估值是业务的一项投入，不是业务的产出。要从 OpenAI 或 DeepMind 挖走一名资深研究人员，公司可能需要提供一份股权方案，与八位数乃至九位数美元的留任报价竞争。高额的账面估值和大规模融资，有助于支付这种薪酬。从这个意义上说，估值本身成了招聘基础设施。
人才还为 Neolab 这一类别创造了一个下行底线。Inflection、Adept 和 Character 的案例表明，即便原来的公司无法继续独立经营，拥有优秀团队的实验室仍然可以保留战略价值。SAP 收购 Prior Labs 则表明，成功的研究能够吸引战略买家。这一底线压缩了亏损分布，也可以在一定程度上解释较低区间的入场价格为何仍具有合理性。
如果人才既是 Neolab 最主要的投入，也是其残余价值的一部分，那么理解这些人才来自哪里，就成了理解这一类别的核心。
我们的数据集覆盖美国、中国和欧洲三个不同人才生态中的 284 位创始人。美国和中国占据了数据集里 Neolab 已披露资本的 83%。
Neolab 创始人的供给，反映了不同地区研究人才的制度结构。在美国，前沿工业实验室扮演着创始人的「进修学校」，许多人曾在 Google、OpenAI 和 Meta 工作。中国的人才管道更偏学术体系。欧洲的生态则在很大程度上由 DeepMind 的人才外溢构成。这场人才拍卖是全球性的，但不同地区培养 Neolab 创始人的机构并不相同。
一个共同模式是，实验室的成立与研究人员的职业路径之间的关系，至少与技术周期同样清晰。如果想预测下一波 Neolab 将从哪里出现，不应该只研究技术前沿，还应研究谁准备离开哪一家前沿实验室，以及他所持有的股权价值多少。
技术重要性和投资者回报是两个不同的变量。Neolab 时代或许会迫使风险投资行业重新学习这一区别。铁路改变了经济，却一次又一次摧毁投资者的资本。电信基础设施让互联网得以诞生，但许多建设这些基础设施的公司最终破产。
当商业化需要一轮又一轮资本时，一项技术的重要性并不会自动归属于为它提供资金的那部分股权。
不妨看看，对两家截然不同的研究公司来说，同样实现 1000 亿美元的结果意味着什么。一家超级智能实验室目前估值 320 亿美元，在商业化之前还需要投入 150 亿美元。如果最终以 1000 亿美元退出，今天进入的投资者只能获得约 2.5 倍回报。要实现 10 倍回报，最终结果需要接近 4000 亿美元。
相比之下，一家「风险投资型」实验室目前估值 10 亿美元，只需要再投入 3 亿美元就能扩大规模。在同样以 1000 亿美元退出的情况下，投资者可以获得约 87 倍回报。
面对同一个 1000 亿美元的退出结果，入场价格和商业化之前仍需投入的资本，会让今天的投资者获得截然不同的回报。
研究项目在商业化之前消耗的资本越多，能够产生风险投资级回报的最终结果就越少。资本密集型实验室仍然可以创造非凡的技术价值，但对今天的股权持有者而言，它带来的回报可能完全不同。
为 Neolab 定价，首先要理解两个问题。这项研究在商业化之前会消耗多少资本，以及一项技术突破能够以多快的速度转化为可持续的业务。
将这两个维度绘制出来，可以得到四种经济形态。下面的 2×2 矩阵区分了融资负担和商业化路径截然不同的研究资产，为投资者提供了一个定价起点。
这四种形态之间的资本分布极不均衡。90% 的 Neolab 披露资本都位于验证成本高昂的研究项目中，也就是 2×2 矩阵的右侧。60% 单独集中在主权型象限。只有 8% 的资本位于经济特征最接近传统风险投资的象限。主权型实验室才是真正的「飞行汽车」，占据了这个品类中最多的资本。
主权型实验室验证成本高、商业化慢。119 家实验室中有 60 家位于这一象限，包括尚无产品的超级智能实验室、人形与通用机器人、世界模型、药物和材料发现，以及递归式自我改进。
它们真正相关的里程碑，是证明自己具备某种通用型实验室无法在一个融资周期内复制的能力。与它们对应的历史角色是国家，曼哈顿计划、阿波罗计划和 DARPA 资助的项目成本高昂、周期漫长，它们存在的理由是能力而非现金流。国家能够承接这些项目，是因为战略能力本身就是回报的一部分。
同样的逻辑也有助于解释，为什么个人资助者和主权资本已经出现在最大规模的融资轮中。从 Bezos 为 Prometheus 的融资提供基石资金，到主权基金和产业基金出现在中国人形机器人实验室中。
战略型实验室验证成本高，但一旦研究成功可以快速商业化。这一类共有 24 家实验室，占资本的 30%，包括通过 API 销售能力的前沿模型实验室、已经签署合同的国防自主系统，以及大规模代码模型。
它们真正相关的里程碑，是证明技术能力能够转化为可持续的单位经济模型或已签约需求。这些公司是战略投资者的天然匹配，它们能够在股权回报之外获取价值。Nvidia 可以获得算力需求，国防主承包商可以获得能力，超大规模云厂商可以获得平台拉动效应，企业母公司可以获得专有 IP。它们的回报函数与风险投资基金不同。
在我们的数据集里，Nvidia 投资的 Neolab 比任何一家风险投资机构都多，出现在 119 家公司的 34 张股东名册上。
风投型实验室验证成本较低、变现快。它们在我们的数据集里共有 26 家，占资本的 8%，覆盖小模型和端侧模型、形式化推理、通过 API 获得收入的生成式媒体，以及企业研究产品。
它们的经济模型保留了软件之所以吸引风险投资的特征：实验成本低、反馈速度快、变现速度快。真正相关的里程碑，是在大约 24 个月内产生收入。这一象限的前沿研究可以足够快地获得商业反馈，因此能够表现得像一种风险投资资产。
拨款型实验室验证成本较低，但商业化速度缓慢。我们数据集里的 9 家实验室属于这一类型，占资本的 2%，主要分布在 AI for Science、概率方法和安全研究领域。
它们真正相关的里程碑，是得到一个经过验证、并且有机构合作伙伴愿意付费部署的结果。历史上，这一象限中的所有者通常是大学和慈善机构。当一项发现转化为财务回报的路径过于间接，或对风险投资者而言过于漫长时，这些机构的存在就是为了资助有价值的研究。
这些分类并非永久不变，随着研究风险逐渐消除，公司可以在不同象限之间移动。AI 能够压缩研究周期，模拟可以代替一部分物理测试，一项技术突破也可以让一家实验室以比历史类比更快的速度，从主权型转向战略型。
当前的分布有助于解释，为什么这一类别同时吸引了风险投资基金、战略投资者、个人资助者和主权资本。它们都可以理性地为同一项研究资产支付不同价格，因为它们拥有不同的回报函数和激励机制。
我们认为，Neolab 热潮未必会以一次全面崩塌结束。更有可能的结局，是资本重新分类。
今天，风险投资基金、战略投资者、主权资本和个人资助者，往往在为同一批研究项目提供资金，尽管它们的回报函数截然不同。只要资本充裕，市场对技术进步的预期仍然高涨，这种情况就可以持续。
当下一轮融资取决于公司能否证明此前投入的数十亿美元确实显著降低了技术风险或商业风险时，这种状态就更难维持了。
我们预计，四个象限将开始分化。风险投资最适合技术风险能够以较低成本得到解决、商业反馈能够迅速到来的项目。战略投资者更适合资助那些成本高昂、但可以强化现有业务的研究。主权资本和个人资助者则可以为那些价值体现为能力、而非仅仅体现为财务回报的项目提供资金。
资本重新分类的过程，将给 Neolab 这一类别带来调整。最脆弱的 Neolab，是那些资本结构以风险投资式回报为前提，但研究本身却像一项以十年为周期的科学计划的公司。
资本配置错误造成的后果，并不只体现在投资回报上。资本对于它所资助的研究并不是中性的。一项需要五年解决的研究问题，如果由要求每 12 至 18 个月出现一次明显估值跃升的投资者提供资金，最终就会被要求按照同样的节奏交付里程碑。
实验室可能会开始把尚未成熟的研究包装成产品，追逐那些更容易向投资者解释的 Benchmark，或者在底层技术假设成熟之前，就把研究人员转向商业里程碑。
资本如果误解了自己持有的东西，面临的不只是亏损风险。它还会改变哪些问题得到研究、研究按照怎样的时间表推进，以及研究最终朝着谁的回报函数发展。
20 世纪用了几十年时间，才逐渐厘清哪些科学研究应该存在于大学、企业实验室、政府项目、慈善机构和风险投资支持的公司之中。Neolab 正在迫使市场用远短于此前的时间，重新学习这堂关于制度的课。
投资者终于得到了自己的飞行汽车。现在，他们必须学会如何完成价格发现，而不是强迫每一种飞行汽车都进入同一套财务模型。
文章来自于"Founder Park"，作者 "Founder Park"。
