最近跟隨，我在那邊待了 10 天時間，于我個人而言有很多收獲，這也是我最近 7 年來再次去硅谷。

就像我在朋友圈所說，這次在硅谷真是各種巧遇，很多在國內沒見上甚至快 10 年沒見過的朋友，都在那邊的一些活動或者聚會上意外的碰上了，也跟很多關注我公眾號【投資實習所】的朋友見上了。

期間跟硅谷那邊的 VC 投資人、創業者、高校學生/研究學者以及大廠從業者進行了大量交流，錦秋基金組織的每天5-6 場密集交流對話，讓信息得到了最高效的流動，因此這里要對錦秋的所有小伙伴說聲感謝。
關于錦秋基金：專注于 AI 領域，12 年長期基金。59% 的項目為首次投資，積極支持早期創業者，采取激進的持續投資策略，可多輪追加投資。投資了一些北美活躍的 AI 基金，在全球 AI 市場建立廣泛鏈接。目前正在積極尋找 AI 領域有志于突破的創業者。

宏觀感受：硅谷仍然是人才、資本以及創新的聚集地

由于信息量太多我有選擇性的說一些個人感受，整體而言，硅谷仍然跟我 10 年前第一次去的時候非常類似，這是一個人才、資本、創新等各種要素的聚集地，各種信息在這里的流動速度非常快。

僅僅是這 10 天時間，我在那邊見過的國內創始人和投資人可能比我在國內一年見的都要多上 10 倍。雖然前幾年情況我不太清楚，但很多人說 AI 讓硅谷再次回到了 10 年前的樣子，灣區在重新崛起，我的感受是類似的。

無論是我見過的創業者、投資人、高校學生還是大廠的人，大家對 AI 時代的未來都充滿了信心，這是一個比互聯網時代具有 10 倍甚至 100 倍級機會的時代?；ヂ摼W的加持，讓各種信息的流動得到了極大加速，而很多機會就誕生于這些信息的高速流動過程中。

比方說幾乎所有來分享的嘉賓都希望能招到合適的人才，即使整個大環境面臨各種裁員；一些聚會交流過程中可能就談成了一些合作，idea 碰撞的過程中可能就有斯坦福的學生決定輟學創業了。雖然這些是小概率事件，不過有意思的是我在這次的 10 天行程中都還親眼見證了。

其次，盡管整個創投環境在發生一些變化，但是創業者的理想主義色彩仍然相對比較濃一些，大家對商業化沒有想象中的那么迫切，特別是早期階段。

這波 AI 創業的門檻相對是比較高的

我印象比較深的一點是，創業的門檻其實是比較高的。在與大家的交流過程中，無論是做硬件、AI 大模型還是 AI 應用甚至做 VC 的，大家探討的東西都還是比較細節，非常的技術化和學術化，說著說著就會引用某個 Paper 論文的結論和數據，這和互聯網那一波的創業還是有很大差別。

從業者對學術最新研究的關注度在我看來可能是歷史最高，特別是最前沿的技術領域表現最為明顯，比方說 AI 機器人、大模型甚至 AI 編程等領域。

這同樣反映在高校的學術研究和大廠內部的研究以及創投實踐結合的非常密切，資金、人才、知識在這幾個環節流通的這個機制仍然非常高效。

但各種 AI 基礎設施的不斷完善，也讓“創業”的門檻在降低和普及，讓創業越來越成為一種生活方式。

文字是通往智能的捷徑

大模型這塊我不是特別熟悉，大部分聊的都是共識的東西，比方說 Pre-Training 在現有架構下基本上都認為已經結束。不過有幾個觀點比較有意思：文字是通往智能的捷徑，視頻和文字之間的效率差距是幾百倍。不同模態的對齊，目前還沒有形成共識；

另外，對于合成數據的使用，目前也還沒有形成共識，比方說大模型生成數據然后訓練小的模型是可行的，但反過來就比較難。在視頻這塊，目前的問題是，生成視頻對于軌跡不精確，很難體現物理規律。

AI 機器人的 ChatGPT 時刻還遠未到來

AI 與機器人的結合，是我這次印象比較深刻的一部分，目前大火的 AI 人形機器人，在大部分從業者看來，還遠沒有到類似 AI 的 ChatGPT 時刻，而最大的阻礙就是數據。

這個領域的數據閉環還沒找到可靠路徑，核心原因在于，機器人需要在物理世界中精確完成任務，而不是僅通過虛擬語言來做各種生成。但物理世界的數據，目前不僅獲取很難，行業也比較缺乏統一的數據共享和激勵機制。

機器人的“關鍵時刻”需要滿足幾個條件：

• 通用型：能夠適應不同任務和環境；

• 可靠性：在真實世界中具有較高的成功率；

• 可擴展性：能通過數據和任務不斷迭代和優化。

在跟從事相關研究的學者的交流過程中，談到了機器人的范化（Generalization）的難點：

• 環境復雜性：家庭環境、工業環境的多樣性和動態變化；

• 物理交互問題：比方說很簡單的一個開門動作就涉及到了門的重量、角度差異、磨損等物理特性；

• 人機交互的不確定性：人類行為的不可預測性對機器人提出了更高的要求；

在實際中，就像掃地機器人，現在也沒有能處理所有場景的機器人。一些看似非常簡單的任務比方說掃地或者做飯，由于環境的復雜性和動態性，其范化要求也非常高。

當然這也帶來了很多新的機會，那就是讓機器人專注于某個特定任務，而不是追求全面的人類能力，即使你選擇某個非常細分的領域，仍然有非常大的機會。

就像美國是一個非常多群體多族群的國家，每一個族群都有很多不同的特殊情況，因此做一個解決所有人的范化解決方案同樣不可能，所以很多創業公司會把大公司的解決方案放到某個細分領域也能做的非常好。

很多做機器人的創業者，就選擇了某些非常特定的場景，通過產品化實現數據采集的閉環，同時這些特定場景的解決方案也比較容易做商業化。

另外，無論是在跟學界、投資人還是創業者的交流過程中，大家都認為中國在機器人這塊的供應鏈優勢非常明顯，一位美國本土 VC 投資人認為美國基本上沒有趕上的機會了，因為關于這塊的整個制造鏈條，美國啥都沒有了。

2025 年的主要投資機會仍然是在 AI 應用

跟 SaaS 時代一樣，普遍仍然認為在美國基本上沒有 Killer Apps for everyone，大家習慣于在不同的場景中使用不同功能的 App，關鍵是讓用戶體驗盡可能的無障礙。

但 AI 公司作為一個新物種，和之前的 SaaS 很不一樣，一旦找到 PMF，其收入的增長會非?？欤赡芡耆褪潜l式增長。

這點其實我們能非常明顯的感受到，像 2024 年我關注過的一些 AI 編程、法律 AI、AI 教育以及 AI 搜索引擎等領域的公司，在找到 PMF 后其收入都實現了爆炸式的增長。

另一個現象是，大企業里對 AI 產品的消費決策部門在發生變化，一些之前往往是控制成本的部門比方說財務和 HR人事等，現在反而對 AI 產品的消費有極大激情，這背后原因是這些之前往往依靠人來做的事情，現在逐漸可以通過 AI 來做的，并且更加高效。

因此在 AI 時代，越是人工成本貴的領域，越容易被 AI 取代，也是 AI 最容易切入的領域，而那些人工成本本身就很低的領域，用 AI 反而沒什么競爭力。

AI 讓硬件和軟件強行綁定起來

AI 與硬件的結合也是大家非常關注的一個領域，除了上面提到的 AI 機器人，越來越多其它場景的 AI 硬件產品在冒出來，而 AI 對硬件來說，核心是讓商業模式開始發生了改變：它讓硬件與軟件強行綁定了起來，產品銷售到用戶手里后，可以持續收費，實現 Recrring。

這和我之前所說的“新一波硬件+訂閱公司興起”的現象非常類似《》，在當前這個時間點上，大家認為技術的變化已經到了創業的實踐點，特別是 AI 可以把人類有用的信息學習到，并且 Scale 起來，這讓模型具有了實時性，開始走向擬人化。

讓模型走向擬人化，那么大量的對話式智能硬件就可以產生，比方說陪伴的生命感更更容易被觸動到，進而產生了大量的陪伴類寵物產品。

另外，傳統的掃地機器人本質上是對自動駕駛產品的邊界拓展，但麥克風+攝像頭+AI 的結合可能就會產生完全不一樣的產品。

對于大廠來說，硬件是一個新的數據入口，這也讓大廠成為這波 AI 硬件的先行者，比方說當下正上演百鏡大戰的智能眼鏡這個領域《》。

幾句讓我印象深刻的話

在這次與一些美國本土 VC 投資人的單獨交流過程中，他們有一些讓我印象非常深刻的話：

1. 中美創業者最大區別：Co-founder 不是 Equal Partner；

2. 將自己的產品融入你客戶的工作流程，哪怕只是其中很小很小的一個環節；

3. 將 AI 應用到那些很少有人注意到的傳統行業，你獲得的收益可能會更好；

4. 最好的信號，就是從用戶聽到是不是真的值得做。

最后想說的是，其實在一些領域，我們是有非常大的優勢的，比方說機器人、供應鏈、C 端應用包括現在逐漸展露頭腳的大模型，但是各種內卷讓整個鏈條賺不到錢，或者說最后只能賺到非常少的一部分錢，我覺得這種卷是非常不健康的，如果我們哪天的內卷能變成是一種向上而非向下，當價格戰不再是第一個競爭策略，當成本的下降主要來自技術的進步而非降低產業鏈的利潤時，或許整個行業會是另一個景象。

加入 MemoPro會員，獲取更多趨勢信號

Memo: Signal, not noise!

訂閱 MemoPro

Memo（vcsmemo.com）是一個基于付費訂閱模式的創投內容平臺，已得到大量 VC、企業 CEO 以及高管的支持，我們希望幫助你捕捉最具價值的趨勢信號、過濾噪音（Signal,Not Noise）。

訂閱 MemoPro你將獲得：

1.解鎖未來一年以及之前的所有會員專屬內容

2.：付費內容+最新行業快訊+...

3.優先體驗 Memo 新產品和新功能

限時 799 元/年（原價 999 元/年），掃碼立即訂閱