创新者
4 场深度对话收录
José
观点集合
为什么风险投资的未来属于硬科技、无人机与物理 AI｜Ian Rountree
Cantos将Fund IV控制在7000万美元，以150万至400万美元早期支票和当天SAFE签署形成差异化优势。Ian押注硬科技、垂直整合与制造规模，Neros已达每周1000架并瞄准年产100万架，但中国对电机、执行器和稀土供应链的控制仍是物理AI风险。
查看摘要（8段）
- José 围绕 Roelof Botha 对中位数基金“无回报风险”的质疑展开讨论，并指出 Ian 主动在自己的基金中设置了门槛收益率。 José 的保留意见是，中位数风投基金可能跑输公开市场或短期国债，但排名前1–2%的基金却能交出“令人难以置信的数字”。Ian 的回答是持续性：头部风投机构在不同基金年份中反复胜出，因为“不是投资者挑选资产，而是资产挑选投资者”——任何人都可以买 Micron，但有顶级履历的创始人会把 Sequoia 列入候选名单。因此，对LP而言，真正的问题不是中位数基金，而是如何选出那些异常出色的基金。
- Cantos 对超级平台的回答是刻意保持小规模：Fund IV 仅从5000万美元增至7000万美元，以便“低于大型基金在经济理性上的最低规模”。 他们首轮开出150万–400万美元支票（“公司一旦有了网站，对我们来说就太晚了”），投资团队的每个人都能对创始人说：“你的公司占我净资产的比例不低。”这种利益一致性，大型多阶段基金在公司创立之初未必能提供。
- 他如今更偏好“硬科技”而不是“深科技”，因为他“开始质疑突破性创新的神话”。 大部分价值来自“1000件小事不断复利”——核心是工程和执行，而不是主要押注科学风险；他还拿那些动辄讲10万亿美元、时间跨度20年的聚变叙事开刀：“如果两家聚变能源公司都成功了，会发生什么？你明白竞争性套利是客观存在的吗？”
- Howard Marks 的共识/非共识矩阵“不适用于早期风投”，而 Abe Othman 对 AngelList 数据的分析显示，价格与业绩正相关。 资不抵债的初创公司必须在下一轮融资前变成共识标的，因此早期优势在于获取项目和速度——如果在太平洋时间下午2:00前见到创始人，SAFE“当天就能签完”。他最大的失误，一类是因为价格太高而放弃，另一类是只看路演材料而错过 Castelion 的种子轮前项目；Cantos 最终在 A 轮买入时，价格已经“贵了很多”。
- 核心论点是：不要把技术卖给暮气沉沉的 incumbents，而要做垂直整合，直接与它们竞争。 Earth AI 自己申请矿权，而不是把 AI 找到的矿产线索卖给矿商；Shinkei 卖的是品牌鱼，而不是机器人；那家木材初创公司设计出行业此前从未制造过的更大锯机，如今自己运营 Mississippi 的锯木厂，以“更有利的成本结构”出售“字面意义上的大宗商品”。
- Neros 在2023年8月向无人机竞速世界冠军 Soren 投出种子前支票后，已成长为美国出货量最大的无人机制造商，达到每周1000架，并瞄准年产100万架。 一名五角大楼官员无意中透露了真实需求：“谁能生产100万件任何东西，我们愿意给他10亿美元。”Ian 由此推论：“如果你的无人机性能排名第二，但能比那架略胜一筹的无人机多生产1万架……我知道我会选哪一架。”
- 战略风险在于中国对物理 AI 供应链的控制：人形机器人50–70%的BOM来自执行器和电机，而“西方世界并不真正生产廉价电机”。 稀土、加工化学品、铜和电机都集中在中国；Ian 称，北京已经利用这一杠杆迫使美国在制裁问题上退让。如果物理 AGI 依托这条供应链到来，“那他们就掌握了全部权力”。他投资美国及其盟友是原则选择，而不是抗议式投资；没有这一原则，“我会想办法投资 Unitree”。
- 面对动量和迷因公司逻辑，Ian 仍然摇摆，而 José 提议“一半坚持、一半逆向”，同时承认“场上的游戏规则”。 路径依赖、尚未盈利的初创公司“负担不起连续几年都不符合共识”，José 认为二级市场流动性已经让风投更像加密货币交易；但 Ian 所说的终局仍是“某种能够持久、永远复利的东西”，而不是把资产倒给散户。
大多数风险投资基金都在玩动量游戏｜Michael Dempsey
风险投资的动量缺乏规模化流动性，叠加摊薄与优先级结构，买盘走弱可能从10%–20%变成100%的回撤。Compound数据显示，除最低四分位外，各种子估值区间的顶级十分位结果相近，Dempsey因此更重视高阶影响分析。他预计2028–2030年廉价智能将推动大部分市场商品化，而前沿智能会创造新的机会。
查看摘要（8段）
- Dempsey 的核心警告是：大量风险投资基金都在玩动量游戏，而动量在风险投资中格外致命，因为市场没有足够规模的接盘买盘。 在公开市场，动量交易退潮通常是在仍有买盘承接的情况下下跌10–20%；但在流动性差、持续摊薄严重的私募市场，“当买盘开始走弱时，它不是走弱10%或20%，而是走弱100%”。投资“在某些36个月窗口里看起来很容易，但通常要到48个月以上才会发现它其实很难”。
- 他用数据否定了种子轮为“可识别度高的创始人”支付溢价的策略：种子估值只要不是处于最低四分位，顶级十分位结果的分布基本相同。 高价种子的亏损率并没有显著优于低价种子；Compound 规模最大的2家公司——Runway 和 Wave——的创始人“即便放到今天，也不会被认为特别容易识别”。随着 AI 降低创业门槛，他认为很难理解为什么人才来源会收窄而不是更加分散。
- 对 Compound 而言，确定性达到极致的赛道就不再可投：风险投资是“金融领域最低确信度的资产类别”，共识主题会导致模型坍塌和公司同质化。 José 认为，如今 AI 的显而易见程度大约是2024年“显而易见到极致”时的2倍；Dempsey 更愿意等待尘埃落定的窗口——他判断在2028–2030年，廉价智能会让市场大部分环节商品化，而前沿智能会创造新的机会。
- Compound 的优势正在按设计自然衰减，必须重新建立：2016–2022年仅靠理解学术研究形成的优势，如今“基本已经消失”，因为任何人都能把论文放进 ChatGPT。 新优势在于对一阶、二阶和三阶影响做出具有指向性的判断——AI 仍做不到，因为“没有任何东西让我看到 AI 能够分布外思考”——以及理解叙事如何驱动估值倍数和后期资金流，而这些恰恰是模型“非常不擅长”的地方。
- 这支公开市场基金通过投资市场误读的错位机会，试图获得类似风险投资的 IRR：面临 AI 驱动利润率压缩的软件公司，可能在推理成本下降后重新扩张利润率——据称 Pinterest 的微调开源模型运行成本只有前沿 API 的8%。 生物科技多头包括被低估的数据资产和被市场抛弃的小盘股；空头则是由叙事驱动的深科技公司，一旦出现首个证伪信号，股价可能在4到6周内下跌“40%到60%”。
- 对 Magnificent Seven 的看法是：无论是否构建前沿模型，Meta “可能是最有条件实现 AI 商业化的公司”；Google 的结构性优势——包括 GCP、模型和异常便宜的债务——让他看多；Apple 也处于有利位置。 他对 Nvidia 和存储股的确信度较低。他在2024年建立、至今未变的约30只“AI 显而易见篮子”（包括 ASML、Micron、超大规模云厂商和 Alibaba）“表现出了极其惊人的超额收益”，并认为类似 Citrini 的主题篮子可能代表主动管理的未来。
- 机器人是他判断时点严重错误的领域——2016–2018年押注可泛化深度学习策略，结果“早了8到10年”；但“这次真的不一样”，他正在支持一家隐身状态的垂直整合前沿实验室，以及 Alquist 这类垂直玩家。 对于 José 称听 Andrew Kang 说过的“从0美元到10万亿美元”的人形机器人判断，Dempsey 建议更克制地看待：人形机器人最有意义的场景，是相关成本不是人工成本而是人的生命成本——军事或工业领域；而工业机器人已经是渗透率最高的领域。
- 他的宏观判断不是单一顶部，而是“滚动泡沫”：CoreWeave 曾升至79美元，随后又回到100美元上方；Palo Alto 则一度下跌超过40%，之后向前高修复——剧烈反复是结构性的，因为所有人的止损位都是同一个20%回撤。 在卖出纪律上，Compound 的数据显示，对于高度反身性的股票，在未来12个月收入倍数创历史新高时退出，优于等回撤25%再卖——但“你可能会错过3年后的那一段上涨。我不知道”。
打造机器人领域的 SoftBank | Andrew Kang
人形机器人或正处于AI迎来ChatGPT前的阶段：单价5万美元时，2万台即可带来10亿美元营收，Kang预计行业将在未来2至4年达到数百亿美元。Robo Strategy（NASDAQ: BOT）拟借公开市场挑战 SoftBank，偏好拥有本体数据和供应链的垂直整合公司；限制中国机器人进入美国或成催化剂，但数据层公司的长期持续性仍待验证。
查看摘要（7段）
- Kang 的核心判断是，今天的人形机器人所处的阶段，类似于 AI 在 2022 年、加密货币在 2014–15 年的阶段——这是一个尚未迎来 ChatGPT 时刻、主流投资圈仍在错误定价的行业。 他的单位经济模型是：每台机器人售价5万美元，10亿美元营收只需要20,000台，100亿美元营收也只需要200,000台，相比手机或汽车动辄“数亿乃至数十亿”的产量微不足道；他预计行业营收将在“未来2到4年之间的某个时间点”达到数百亿美元。他的优势判断是：“一个行业越难理解，能创造的超额收益就越多。”
- 面对人形机器人怀疑者，TAM 的答案是通用设备逻辑：“所有人类体力劳动都是你的 TAM”，而规模经济会像智能手机击败相机、GPU击败 ASIC 一样，压过专用机器。 现实已经给出证明：BMW、Volkswagen 和 BYD 在工业自动化发展数十年后，仍然雇用数十万乃至超过100万名工人，因为大多数工厂工作变化太频繁，除非 SKU 达到数百万级，否则不值得配置固定自动化设备。
- Robo Strategy（NASDAQ: BOT）之所以成立，是因为 Tom Lee 在8–9个月内为“一项跌了50%的资产……一个并不出色的投资逻辑”募得了180亿美元——如果资产本身在上涨，募资规模“可能会多一个数量级”。 Kang 的目标非常明确：利用公开资本市场，突破 a16z 规模——其上一轮基金系列规模为150亿美元——“成为 SoftBank 的新挑战者”，并将 TransDigm 和 Constellation Software 所采用的私募转公开估值逻辑复制过来，即以3–8倍盈利买入，再按15–40倍估值计价。
- ChatGPT 之后的幂律改变了创投数学：如今即使以数十亿美元估值投资，仍可能期待“以20亿美元估值投出50倍、100倍、500倍的回报”，这正是成长期部署数十亿美元资本成为可能的原因。 组合采用杠铃结构：6–10家公司占基金约70%，20–30%投向种子前期至B轮的期权价值，并“让赢家继续奔跑”。
- 他集中投资垂直整合公司，因为与具体本体绑定的机器人端数据“绝对必要”——在错误身体上训练的模型，就像先用7英尺身高学篮球、再换成5英尺10英寸身体上场一样：“整个人会变得摇摇晃晃”。 所谓“机器人领域的 Scale AI”公司则像《Toy Story》的巴斯光年梗——千家同质化企业——更像一头“短期现金奶牛”：一旦机器人开始自我改进，它们的营收可能在“未来2、3、4、5年后”骤降，“几乎更像交易，而不是投资”。
- 谈到美国与中国，他拒绝“谁会赢”的叙事：两国都能造出优秀产品，但美国公司凭借20–50%+的利润率和更强的资本市场，为股东创造更好的结果——“你可以少卖10倍产品，却成为更大的生意”。 此外，两党支持限制中国机器人进入美国的法案，获批“概率非常高”，可能将最大的市场圈在美国体系内——任何主要产品的美国市场通常占30–60%——因此“美国才是你想投资的地方”。
- 他的投资哲学是给风险回报定价，而不是刻意逆向：他引用 Coatue 的数据称，大型上市公司实现10倍回报的频率是小公司的10倍，因此会在更高估值下押注最强创始人——“赢家恒赢”——而不是掉进 Character AI、Inflection AI 那种买入“更苦、更便宜”公司的陷阱。 他承认自己改变了一个判断：对纯模型公司更悲观、对开源更乐观；“Kimi 在一些基准上达到 Claude 的水平”将在人形机器人领域重演，而这利好拥有锁定供应链的硬件公司，不利于受到限制的中国机器人。
识别世代级管理人：与 Jordan Nel 对谈
Jordan Nel认为，创投机会不在资产类别beta，而在自下而上捕捉被忽视的公司，让新兴基金先于大基金成为信号。关键是判断GP如何决策、与谁同行及能否提前进入共识；但前沿AI难以竞争，优势会衰减，首支基金还需有天使记录。
查看摘要（7段）
- Jordan Nel，前 Hummingbird/Nomads 成员，拒绝为创投作为资产类别辩护：「我不确定 venture beta 是否足以支撑流动性溢价。」 他的论证完全自下而上——「每一家出众的公司背后，至少有3家出众的基金」：每一家 Coinbase 背后都有 Ribbit、USV，以及十几家仅靠押中一家公司的名字就能获得数倍回报的基金。即便在2021年，市场也存在局部套利机会——「如果你在印度生命科学领域捞鱼，可能整个池子里只有你一个人」；LP 的工作是找到这些局部机会，而不是择时 beta。
- 新兴管理人不该试图击败 Andreessen 或 Sequoia，而应当比大基金更早看到公司，并「成为大基金的信号，让它们最终跟着你追加投资」。 20人团队的大基金 GP 没有动力去偏远角落寻找一位投后估值上限为500万美元的创始人；他们需要投出3,000万美元–1亿美元的单笔支票，才能推动 carry 增长。这不是非此即彼：大基金会运营母基金项目，为新兴管理人提供种子资金，同时把他们当作交易流来源。
- Nel 不接受「逆向」这个说法，更倾向于「共识形成前」；真正的能力，是让创始人「对资本变得可读」，并安排好资本表的进场顺序。 Bridget Mendler（从迪士尼童星到博士、Northwood Space 创始人）本可以从超大型基金融资，但她刻意用有信号价值的天使投资人搭建 pre-seed 轮；一位来自尼日利亚 Abuja 的创始人，花了6个月也拿不到 term sheet，直到一位高风险偏好的 pre-seed GP 帮他打开旧金山硬科技生态。对于一位能直接接触顶级基金的创始人，Nel 说他会为「Sam Bradberry Taylor」出手，但也补充：「我不是 Bret Taylor」，而大多数创始人都没有这种条件。
- 在花了4年、见过5,000多位 GP 后，Nel 放弃了寻找精确的 GP 原型；真正关键的观察角度是「他们如何做决定，以及他们和谁待在一起」。 把超强表达能力的投资论点当成核心指标是「一个错误」——有时，「这是我今年见过最好的创始人」本身就是满仓押注信号，而最有效的校准问题是：「好，那你今年还见过谁？」Compound 的 Michael 是典型案例：投资论点人人都看得见，但真正的优势是「他对该听谁的，有着非常、非常好的直觉」。
- 优势取决于周期和行业：在炽热的湾区前沿 AI 领域，「能赢的 GP 就会赢」；如果你无法出价超过 Sequoia、Conviction 和 Benchmark，「那你可能就不该参与」。 在更冷门的行业，胜负取决于挑选能力——这也是机构 LP 对 Dimension 感兴趣的原因：这家专注科技生物、从 Lux 分拆出来的基金，「某种意义上……是城里唯一的游戏」。向前看，机会包括印度生命科学、巴西 pre-seed（「真正写 pre-seed 支票的 VC 少之又少」），以及资金匮乏的中国——前提是以旧金山为标尺，把门槛维持在「全球最高水平」。
- 集中下注是「凸性带来的下游结果」，不是一条规则——40笔投后估值200万美元的投资「基本上就是免费的看涨期权」，但除了 Silicon Valley Angel，几乎没有基金拥有足够的网络，能在不遭遇逆向选择的情况下这么做。 定价纪律曾从松散转向过度严苛，最后落脚于心态而非绝对标准：关键是拿到「桌面上最好的条款」，因为「回报会跟随 GP 的心态」。只有此前有天使投资记录的首支基金管理人，才值得支持：「如果你之前从未写过一张支票，我没有任何数据点可以据此行动。」
- 流程上的启示，是持续在 WhatsApp 上争论，而不是召开排期固定的 IC。 Nel 最深的教训来自一家南非航空公司：他在新冠疫情前以深度价值逻辑买入，但政府这一交易对手没有付款，最终企业破产——「我想，大概不存在一个价格」。映射到创投上，这不是战术问题，而是情绪问题：「我只是不想亏掉这笔钱。」