Atom Capital：中美AI最前沿——创投新趋势、中美竞争与初创企业出海战略

2024又是AI精彩纷呈的一年。LLM不再是AI舞台上唯一的主角。随着预训练技术遭遇瓶颈，GPT-5迟迟未能问世，从业者开始从不同角度寻找突破。以o1为标志，大模型正式迈入“Post-Training”时代；开源发展迅猛，Llama 3.1首次击败闭源模型；中国本土大模型DeepSeek V3，在GPT-4o发布仅7个月后，用 1/10算力实现了几乎同等水平。同时，大模型的日渐成熟也让产业重心从基础模型转向应用落地。AI在编程领域爆发，“数字员工”崛起...都在深刻变革着产业格局。

我们花时间整理和分析过去一年的发展，为了回答：有哪些趋势正在发生？2025年，最重要的变化会是什么？AI Agent是否真的在爆发边缘？中美之争，反映在AI领域有哪些根本差异？中国企业的机会在哪里？相信这些也是大家关心的，希望本文能带来一些启发。

01  2024年最有影响的AI Moments

回顾过去，我们选了8个最让人兴奋、对技术发展影响最为深远的标志性事件来记录2024。

Sora发布：“世界模拟器”的理想与现实

2月，OpenAI发布视频生成模型Sora，以其长达1分钟的高质量视频生成能力和对物理规律的模拟能力引发市场高度关注。当时市场猜测Sora可能具备“世界模拟器”的潜力，这被视为通往AGI的重要一步。然而，年底正式开放的Sora版本对“世界模型”的探索少有提及，显示这方面的挑战比预期更大。视频模态的真正突破，估计仍需时日。

GPT-4o发布：多模态融合、语音能力实现突破

5月，OpenAI发布了GPT-4o，实现了多模态的深度融合，能够自然生成和理解文本、音频、图像，让人机交互更人性化。其语音能力尤为成熟，依托端到端的音频处理架构，同时将平均响应时间降至320毫秒，开启了实时交互的新场景。

Llama3.1发布：开源首次追平闭源

7月，Meta发布Llama 3.1。405B参数版本支持128K的上下文长度，并在多个任务上展现出与顶级闭源模型相媲美的性能。这是开源模型首次在核心能力上追平顶级闭源模型。这一突破意味着开源与闭源的技术鸿沟被打破，AI技术的民主化进程进一步被加速。

11x.ai：数字员工初具雏形

9月，AI SDR公司11x.ai完成两轮共7400万美元融资，资本竞相追逐的背后，是“数字员工”的迅速崛起。其旗下产品AI SDR Alice可自主执行复杂的SDR销售流程，并通过自身获客推动了千万美元ARR增长，验证了AI替代人类完成完整任务的商业潜力。AI正在加速深度融入企业运营中，推动新生产力革命。

o1发布：开启大模型Post Training时代

过去几年，预训练Scaling Law推动大模型依赖参数和数据扩张，但逐渐触及瓶颈。9月，OpenAI发布的o1模型开创性地提出1:1:1资源分配范式（预训练、后训练和推理）和新Scaling Law：通过强化学习提升微调和推理计算时间，来提升模型性能，正式开启了大模型的后训练时代。年底，OpenAI发布了o3模型，进一步验证了这一范式的有效性。这个新Scaling Law在成为大模型发展的重点。

Claude发布Computer Use：多模态重要突破口

10月，Claude推出Computer Use场景，OpenAI和Google的迅速跟进使其成为行业焦点。我们认为，这个方向很可能成为接下来多模态技术的突破口。相较于其他复杂的物理世界交互场景，该领域相对容易形成"观察-理解-行动-反馈"的闭环。Computer Use的突破，预示着AI技术从感知理解向实际行动的关键跨越，也为未来更复杂的人机交互场景奠定了基础。

Devin & Cursor：AI编程的突破之年

2024年，AI编程成为AI领域最炙手可热的赛道，Devin和Cursor分别完成1.96亿和1.6亿美元融资。有趣的是，年初Devin融资曾遭质疑为“概念炒作”，但年末Cursor融资赢得一致认可。态度转变的背后是2024年AI编程有了根本性突破。我们认为其中主要有几个关键节点：Claude 3.5 Sonnet发布大幅提升了代码生成的可靠性；Cursor的本地代码索引和“Edit mode”让AI进入软件开发主流程，而Devin探索的全栈开发Agent模式将AI从编程助手升级为能够完成编程任务。我们预计接下来AI编程将对IT产业带来更大的冲击和颠覆。

DeepSeek V3: 中国在AI领域迎头赶上

12月，DeepSeek发布DeepSeek-V3模型并同步开源，在GPT-4o发布7个月后，仅用1/10算的力就实现了几乎同等水平，让人惊艳。DeepSeek的发展证明了中美地缘政治冲突并没有导致中国AI产业的停滞。相反，随着OpenAI等头部公司在预训练模型上遭遇瓶颈速度放缓，中国的大模型技术正在快速追赶。

 02   AI早期投资趋势洞察

做早期投资，对于趋势的洞察非常关键。而做到这些，数据是基础。我们梳理了从2022年到现在AI领域头部早期项目，数据来源包括AI Grant共四期的项目，以及2022年后成立并在2023和2024年融资金额排名前100的项目（我们认为AI Grant在取代YC成为AI的风向标）。也许我们对早期AI头部项目有遗漏，但是这些很大程度代表了趋势。我们对项目进行分类，追踪各个赛道的获投情况，从资本层面观察不同赛道的发展趋势。本次分析聚焦于软件领域的AI创业项目，剔除了硬件相关的应用，旨在更清晰地展现AI软件赛道的融资动态与演变。

下表展示了这些细分赛道的项目首次获投时间分布，以及它们在2024年持续获得融资的比率。

2B应用占绝对主导地位

在筛选出的217个AI早期头部项目中，基建项目（Fundation Model、Infra、安全和芯片）占比28.4%，2B应用占比54.4%，2C应用占比17.2%，可以看到，现阶段的AI应用中，2B是绝对主导。我们认为背后有两个主要原因：

• 这轮AI核心带来的是生产力的提升，所以在生产场景中率先落地。
• 2C应用很容易与模型公司的产品形成竞争，因而跑出来的难度更大。

资本热点

总体而言，与23年更聚焦在底层大模型相比，2024年投资呈现出从LLM向AI应用的转移。

• 除大模型外（本表不包括2022年之前成立的大模型公司，比如OpenAI/Anthropic），资本下注最多项的方向包括：Agent、Infra、AIGC及安全。
• 观察项目获首次融资的时间分布，可以看到各赛道热度在分化：AI陪伴和AIGC持续降温，Agent和安全领域的热度持续上升。
• 观察24年持续获投比率，搜索、AI for Science、语音、生物医疗、具身这几个方向在2024年保持了较高的融资活跃度。而AI陪伴已不再是资本关注的重点。
• 对Agent获投的细分赛道进一步拆解（如下图），销售、客服和Computer Use在24年持续受到资本的关注，而数据分析和金融关注明显较少。

Gartner曲线 by Atom Capital

基于上述数据和我们的一线投资实践，我们借用Gartner曲线的形式绘制了AI细分赛道的技术成熟度与早期投资机会曲线（如下图），以反映各赛道的早期投资窗口。萌芽期的赛道处于技术突破与商业模式逐渐清晰但尚未被过度投资的阶段，是早期投资的良好切入点，可供寻找机会的创业者参考。

（声明：这是我们根据自己的认知做出的判断，仅供参考）

03   Agent元年及核心挑战

什么造就了“Agent元年”？

2025被称为Agent元年，从编程到销售，Agent正从概念真正走进生产生活，并将以超出预期的速度创造着商业价值。那么，是什么使"Agent元年“成为可能？

我们认为，是AI领域的如下几点突破：

• LLM复杂推理能力：从o1开始，大模型复杂推理的能力取得根本性突破，使复杂任务的规划成为可能。
• AI编程突破：AI实现Workflow变得容易，可以较为可靠地生成代码调用API、获取信息等来执行。
• Agent开发门槛降低：各种Agent框架的普及，让初级工程师也能胜任Agent开发。
• LLM成本下降：大模型成本大幅降低，每百万token的成本从$60（GPT-3）到 $0.06（Llama 3.2），降低1000倍。这使Agent在商业上变得可行。

Agent面临的核心挑战

那么，Agent是不是就会在各个领域马上爆发呢？我们认为，具体落地还面临着不少挑战。当前AI应用开发中的挑战可以分为两类：

• 结构性挑战：某些场景只有等关键技术突破之后，才可能产生落地的应用。
• 工程性挑战：场景已经没有关键技术障碍了，但产品和技术实现需要一段时间的成熟期，是个时间问题。

结构性挑战

当前AI的突破主要集中在自然语言处理和语音视觉的表达层面。尽管大模型在人类思维模拟和信息交流上表现出色，但对物理世界的理解还非常有限，包括物理规律和空间关系的理解严重不足，直接制约了AI在涉及物理世界交互场景的应用，比如物理过程仿真、长视频生成、空间认知、具身智能等。

工程性挑战

AI在与人类交互和偏重社会性的场景已展现出巨大潜力。在这些已被"解锁"的领域中，AI落地依然面临着工程实现的挑战。短期内它们会限制了AI落地速度，但从技术发展历史来看，这些问题应该终将被逐步解决。由于目前AI Agent的大量落地实践是在2B/Prosumer市场，在此我们集中讨论2B领域的主要工程性障碍。

1）编程模式的转换

回顾LLM之前的企业软件开发，企业软件构建依赖大量hardcoded rules，具体表现就是各种workflow、SOP以及后来的RPA和低代码平台。除此之外，还存在着"定制化魔咒"——系统越复杂，边际效益递减越明显。

LLM的出现为企业软件带来了一个全新的可能：系统不再局限于执行预设的固定规则，而是能够像人类一样进行动态决策。要实现这一突破，核心挑战在于如何将人类多维度、模糊的决策逻辑形式化为AI可理解的机制。传统软件仅执行明确指令，而AI需理解决策背后的思考，这是一个全新的技术命题，目前尚无成熟方法论。

值得注意的是，当前一些AI应用仍然存在着workflow、SOP等旧有思路。开发者必须要认识到：Agent本质上是一个处理多维度、不确定性的递归状态机，它通过状态转换来实现动态决策，而非简单的workflow自动化。

2）对业务场景的深入理解

当前AI应用开发尚处于早期，基础设施的不成熟使得开发者在构建产品时更关注技术实现，而不是深入挖掘客户的业务需求与场景痛点。缺乏对业务逻辑的深刻洞察以及垂直场景的高质量数据，导致许多Agent在具体落地时需要用户介入完成复杂操作，并未能将Agent的理想潜能完全发挥出来

随着AI应用开发的基础设施逐步完善，开发者的关注点将从技术实现转向业务场景的深度适配。未来，只有那些能够深度融入用户工作流程、用业务语言思考的应用，才能真正扎根企业环境，实现通用智能到场景智能的跃迁。

3）知识搜索是基础

实现企业的AI Agent/AI Worker，核心前提是有效引入企业经验性知识。缺乏强大的知识搜索系统，AI难以真正落地业务场景，也就无法摆脱硬编码规则的限制。知识搜索会成为AI企业应用的基础。

这一点在当前市场上已有许多印证。例如，Cursor通过强大的代码库索引与搜索机制实现了自动代码改进的精准落地；Glean AI也依托其领先的知识搜索能力向Assistant/Agent演进；Perplexity扩展到B端知识搜索。高质量知识搜索的普及将推动AI应用从Copilot->Agent->AI Worker持续演进。

4）AI系统的自学习能力

智能意味着有学习能力。AI系统进化的关键在于实现自我学习的闭环：从知识检索到决策到执行，再到新知识的积累。没有学习和记忆能力，AI Agent和AI Worker的愿景都难以落地。构建学习能力会成为下一个工程焦点。我们预计，1-2年内具备自我学习能力的系统将得到普及。

AI编程将改变一切

那么，2025年最可能影响产业的是什么？我们认为是AI编程。从Github Copilot到Cursor再到Devin，AI工具正逐步从单点辅助升级为具备更强任务执行能力的Agent。以Cursor为例，这家公司去年完成了1.6亿美元融资，其功能已实现跨文件多处补全和下一步动作预测，大幅提升了编程的智能化水平。AI编程的这一突破将给IT产业以及依赖数字化的各行各业带来根本性的改变。

打破现有的壁垒

随着AI可以编程，现有软件行业的壁垒和定制化魔咒正在被打破。

• 软件行业的壁垒。传统软件开发是高智商蛮力的积累，同时建立了用户粘性，让迁移成本很高。
• 定制化魔咒。中国企业软件都面临着这个问题。客户要求功能定制化，而定制意味着系统更加复杂，人工投入更大，边际效益递减。

颠覆性改变

• 团队结构的变化。AI编程将推动团队向小型化、专业化方向发展。一人独角兽公司成为可能。未来掌握行业经验的人可能比工程师更适合编程工作，因为AI编程的突破大幅降低了技术门槛，而拥有专业领域知识反而成了更高的竞争门槛。

• 软件应用范围的扩展。AI编程正推动脑力劳动的软件化，未来越来越多人工做的工作，可以转化为AI软件。AI会比现在软件做多得多的事情。

04  中美AI之争

中美的AI之争一直是备受关注的话题。随着大模型Scaling Law进展变缓，中国大模型正在拉近与美国一线竞争对手的差距。这两年近距离接触中美AI创业者，我们对此有了更深的体会。在我们看来，可以从三个层面来思考中美的AI之争。

人才维度

在全球AI领域，华人群体已经成为不可忽视的中坚力量。从论文发表数量到开源社区贡献，从一线大模型公司的核心研发到关键管理岗位，华人的身影无处不在。这种深度参与和广泛影响力，使得华人在AI领域的地位不可替代。

学术界

去年美国麦克罗波洛智库发布的《全球人工智能人才追踪调查报告》显示，在全球顶级AI人才构成中，华人占比高达26%，仅次于美国的28%，与其他国家形成显著差距。在研究机构层面，清华大学已跻身全球第三，仅次于Google和Stanford；而在前25名顶级AI研究机构中，中国占据6席，展现出强劲实力。

（报告基于人工智能顶级会议NeurIPS2022年的统计数据）

Top 2%AI研究人员来源国  顶级AI研究机构Top 25

企业

华人在顶级AI企业中的影响力同样不容忽视。以行业领军企业OpenAI为例，在ChatGPT发布时研发200余人，华人有30多位。在GPT-4核心团队的17位成员中，华人占比更是超过三分之一。而年底惊艳亮相的DeepSeek V3, 其背后完全是“本土团队”，没有一个海归，连Anthropic联合创始人JackClark都对其研发团队交口称赞，认为DeepSeek“雇佣了一批高深莫测的奇才”。

AI产业生态

过去两年我们在一线观察了许多中美AI初创公司，一个深刻的发现是，中国AI公司在技术能力和模型研发上的差距，是可以通过时间和投入来弥补的；但根本性的挑战，来自中国缺乏在AI领域具有竞争力的产业生态，尤其在目前AI应用的优势方向2B领域上。

中国2B领域长期以来形成了垂直整合、赢家通吃的发展模式，而非美国那样的水平分工、生态协同格局。这种结构性差异不仅制约了创新企业的成长空间，更会影响技术的长期发展。例如，Claude等大模型的快速迭代，离不开Cursor这样的生态应用支撑，反过来推动底层技术持续进化。缺乏繁荣的应用生态，仅仅依靠技术追赶，难以支撑中国AI企业在全球市场的长期竞争力。

AI战略竞争

中国在底层大模型上一直在缩小与美国一线竞争对手的差距，在某些指标上甚至实现了反超。但是，产业结构的差异可能会限制中国大模型的商业化潜力。技术与商业的良性循环是维持长期竞争力的关键——更强的商业化能力意味着能有更多的研发投入，而这种差距可能会随时间推移而扩大。这是一个国家战略层面的问题，需要长期努力。对于中国的创业公司而言，我们看到许多公司的选择是开始出海、做全球市场，规避掉这个问题。我们也期待国内的新一代科技巨头和创业者，去共同打造更加开放、水平分工的产业结构，从根本上推动AI产业的发展。

05  中国企业的出海战略

出海是2024年最热的一个主题。我们看到，中国AI企业的出海战略有三个主要方向，分别是聚焦Prosumer市场、为出海企业提供服务以及发扬供应链优势布局AI硬件。

聚焦Prosumer市场

Prosumer市场（生产消费者）已经成为中国AI企业出海的优先选择。这轮AI应用的核心领域以2B市场为主，但是中国企业在此并不具备显著优势。中国企业非常擅长线上获客、增长和运营。Prosumer市场，在商业化层面有小B的属性，而在获客策略上又更加接近C，对国内的AI出海团队而言，是一个能够扬长避短的战略：

• 扬长：海外人工贵，AI工具替代人工的价值显著，海外客户付费意愿强，商业化路径更清晰且更容易实现。
• 避短：中国企业在海外中大B客户拓展上的经验较少，而Prosumer(小B/大C)的运营方式与国内2C相近，更易掌握。
• 
  

这种模式让中国AI企业能够高效发挥自身优势，在竞争激烈的全球市场中找到适合自己的定位。大热的明星项目Heygen和Opus便是成功的例证。

围绕出海企业提供服务

随着全球跨境电商和TikTok等平台的迅速崛起，许多中国AI企业选择聚焦为国内出海企业提供服务，特别是在跨境电商和短视频运营领域。我们看到的了比较多的创业者在跨境电商营销、社交媒体内容生成和管理、跨境电商自动化运营等领域探索机遇。这些服务不仅能帮助中国企业在海外市场深度融入生态链，还能进一步扩大AI技术的市场影响力。

发扬中国供应链优势布局AI硬件

中国在全球供应链中的领先地位，使得AI硬件成为国内出海AI企业的一个重要方向。结合AI技术的硬件产品，如录音笔、智能眼镜、故事机等，已经有非常多的成功实践。以Plaud AI录音笔为例，产品上市1年多已经累计7000万美元营收，是当之无愧的赛道第一。通过AI硬件，中国企业能够进一步发挥供应链和制造业的竞争力，在全球市场中建立差异化优势。

文章来自微信公众号 “ Atom Capital “，作者 ” 科技最前沿的 “