（點擊收聽本期音頻）

采訪｜ 泓君

圖文｜Scarlett

編輯｜王梓沁 陳思揚

2025年，AI Agent是人工智能行業競爭最激烈的一個領域。7月17日，OpenAI發布了它的第一款AI Agent——ChatGPT Agent，頗有些通用型智能體Manus與GensPark的感覺，整個通用型AI Agent創業公司第一次直面來自巨頭模型層的沖擊。

ChatGPT Agent融合了OpenAI自家兩款Agent的特色：在Operator的基礎上加入了深度研究與思考的能力，又在Deep Research的基礎上加入了執行能力，可以幫助用戶處理一些復雜且能夠落地的人物，比如ChatGPT可以處理諸如“查看我的日歷，并根據最新動態簡要匯報即將舉行的客戶會議”或“分析三個競爭對手并制作幻燈片演示文稿”等請求。

就在OpenAI發布ChatGPT Agent的前幾天，代碼編程工具Windsurf與OpenAI談判破裂，谷歌花24億美元收購Windsurf的核心團隊，而另一家編程類Agent Devin背后的公司Cognition AI將收購剩余的WIndsurf團隊。高昂的人才收購成本，“一分為二”的并購方式，成為硅谷討論的最熱話題之一。

除此之外，整個編程領域的創業公司與巨頭也打得不可開交：今年6月份，編程明星Cursor母公司Anysphere完成9億美元融資，估值接近百億美元。而大模型公司Anthropic推出Claude Code，直接殺入Cursor的大本營。Grok4也于7月中發布，代碼能力大幅提高，而谷歌也發布了Gemini CLI，直面編程領域的競爭。

另外，企業搜索方向的Agent Glean獲得1.5億美元的融資，估值72億美元；法律智能方向的HarveyAI獲得3億美元的融資，估值50億美元，垂直類Agent賽道也在全面爆發。

在AI Agent領域，不管是通用型Agent還是編程類Agent，大模型巨頭正在涌入搶奪創業公司的生存空間；隨著基座模型的能力不停變強，垂直賽道Agent的核心壁壘是否能夠抵御基座模型的能力變強，投資人會如何看待如今AI Agent的賽道是否還值得投資？本期《硅谷101》，主播泓君邀請到Fusion Fund管理合伙人張璐和Cyber Creation Ventures管理合伙人周煒，解析他們的投資邏輯。

歡迎關注《硅谷101視頻號》的音頻欄目直接收聽本期播客。如果你喜歡我們的節目，更推薦大家使用音頻客戶端來收聽，《硅谷101》已覆蓋各大主流音頻平臺（渠道見文末），歡迎訂閱！

以下是這次對話內容的精選：

01

AI Agent融資熱

明星公司扎堆登場

泓君：你的認知范圍里面頭部的Agent公司有哪些？

張璐：我個人對它的定義是說什么是AI Agent？就是它可以去處理，首先是復雜任務，不是單線任務，而且可以自主決策的產品。

它是可以處理一個相對比較復雜的多步驟的任務，從頭到尾，端到端，當然它在過程中調用的工具還是需要你創建Agent的團隊給它一個工具庫。如果是垂類Agent的話，你需要給它一個知識庫，這是我們對于Agent的一個基本定義，也是用這個標準去評估哪些公司是我們比較看好去投資的。比如說CognitionAI的Devin出來的時候也是吸引了很多注意，這是比較偏向通用Agent的，還有比如Rabbit OS，它是偏向于Agent OS（Operating System，操作系統）。我們投的一家公司叫You.com，也算是Glean的其中的一個競爭對手，最近剛剛成為獨角獸，也是做得非常好的一個垂類Agent，而且它是多垂類。醫療領域也出現了幾家，還有一家叫Clarity，也是垂類Agent里面最近做得比較好的。那從代碼領域的話，像Cursor、Windsurf，如果你問我覺得哪家做得最好，我其實最喜歡的是Anthropic的Claude Code，真的是非常非常好用。

圖源：VCG/Getty Images

美國7月9日也有一個新玩家入場，Grok 4，我覺得我們今天討論AI Agent的時機也非常的妙，因為Grok 4發布之后，我們整個團隊都在使用，對它很多的參數benchmark（基準測試）都非常驚艷。當然這次它沒有正式發布它的代碼模型（coding model），但是我從內部的了解，比如說xAI，他們現在基本上70-80%的代碼都是用他們自己內部的代碼模型去寫的，而且質量很高。基于現在我們看到Grok 4的各方面性能的表現，我對于它的代碼模型還是非常期待的，所以也想看一看它發布了之后和我很喜歡的Claude Code比較一下誰的應用場景和表現更好。

我其實跟很多工程師和開發者聊，像前一陣子我跟一群偏研究的聊，發現他們現在有70-80%都在用Claude Code。因為Claude Code本身它的編程環境也非常友好，用起來很順手，而且它的復雜程度和代碼自動編程的程度也是比其它幾個會更加好用的，所以你會發現這個領域，即使像你提到的Cursor、Windsurf，它們都已經有這么多的收入和融資了，但其實新的程序、新的模型出來之后的話，迭代的速度還是很快的。

泓君：因為其實我們在討論Agent的時候，我發現基本上大家討論的Agent還是不同領域的，我大概按照我粗淺的理解，把AI Agent分成三類。

第一種是AI coding，就是我們剛剛講的現在大筆融資的，比如說Cursor，包括被谷歌收購核心團隊的Windsurf，還有剛剛你提到的Claude Code，；第二個大類就是通用型的AI Agent，比如大家討論很火的Manus，還有剛剛提到的也有很多垂類的Agent，比如Cresta AI， 還有Harvey AI，包括璐你投的很多醫療領域的，我覺得接下來我們可以把它們分成三個類別。我們分別去討論一下，站在投資人的視角是怎么看待這三個類別的Agent的。

圖源：Cursor

那首先是AI coding，我能想到的第一個問題就是Anthropic的更新Claude Code，它已經是沖擊到了Cursor了，所以你覺得像Cursor這樣編程類的AI Agent，它的護城河是什么？會不會被大模型沖擊到？

張璐：我覺得其實模型的進化對這些AI可編程工具還是有影響的。當然Cursor，它其實內置的也是GPT 4和Claude作為代碼的編程助手， Claude確實是Cursor背后的引擎之一，它們也不止使用這一個引擎，但是Claude Code是一個可以直接使用的產品。

在開發者層面 ，Claude Code我覺得可以看作Cursor的一個直接競爭對手，而且遷移的數量還是挺大的。包括我跟一些比較大量級的，比如一些獨角獸級別的科技公司去聊，他們可能之前用Windsurf或者Cursor比較多，那現在很多也開始轉向使用Claude Code。所以這兩邊它當然有一個助力的層面，你背后的模型越來越好的話，會讓內置了這些模型的編程公司，AI代碼的公司，做得越來越好。

但是他們自己本身做的這些編程產品，因為它是自己的引擎，自己的產品，其實整合程度更高，所以這也是為什么我們其實也挺驚訝的，Claude Code出來之后它的代碼能力這么強，尤其是支持一些比較復雜的代碼分析解釋生成，而且它很擅長比較長的上下文分析。你會發現很多東西出來，我們都會想再去測試它到底能夠達到什么級別？是10萬token（文本中最小的語義單元），20萬token它是不是可以做一些大型項目？Claude Code是可以做到的，另外的話其實還是回到它這個開發者環境，至少讓硅谷的開發者覺得非常好用。它對于很多插件，比如說大家經常用的Slack、Notion，集成的效果也非常好。所以我覺得Claude Code并不是一個獨立的IDE（Integrated Development Environment 集成開發環境），其實更多的是一個Claude模型代碼特性增強的一個體現。

這也是為什么我剛才又提到了Grok 4他們自己內部的代碼模型已經使用很長時間了，如果現在發布出來供第三方使用，那它的表現性能可能也比其他去調用或者內置Grok 4模型的一個代碼工具可能會表現得更好。當然整體層面上這個市場也不是一家就可以把所有的市場份額都吃掉。很多時候一方面是它的迭代過程很快，但是如果說一個公司已經在其中一個編程的模型層面上集成得比較深入了，它還是有一些遷移成本的。像我有一個公司的團隊，他們就是非常喜歡Windsurf，那現在的話也并不是一定要去轉向新的平臺，因為其實跟Windsurf的整合就做得也都比較好了。

我還想提另外一個新入場的玩家，就是Gemini CLI，也是谷歌Gemini項目的一部分，也是AI編程助手，當然它更多的是一個進行自然語言交互的終端，所以并不是直接的競爭對手，但是它本身也是進入到AI編程市場的一個非常重要的玩家，相當于給很多可能想在這個領域做創新的公司提供了一個非常好的新的平臺。

泓君：AI coding，比如Cursor 、Windsurf、Devin，是怎么在Copilot 已經一統江湖的情況下成長起來的？這些大的編程類軟件在它成長的一些關鍵節點核心突破跟改變是什么？

張璐：當然我們不投C端，也沒有投任何AI代碼模型，但我覺得像Cursor非常好用的一點其實就是UI（User Interface， 用戶界面）、UX（User Experience用戶體驗） 的設計，它是為AI編程優化的，做得非常好。如果把它和普通的VS Code (Visual Studio Code，輕量級代碼編輯器 ) 去比的話，它對于AI的集成過程是非常順暢的，很好使用。而且它的一些小的功能，比如說自動補全、自動的這些代碼解釋, 修改，還有通過自然語言的方式去上下文聯動就是很好用的，它大大降低了門檻。

我修過編程的課，當時在讀書的時候，但我又不是計算機背景，我是材料科學工程的背景，但即使這樣我也可以去用它去搭建產品，把它和ChatGPT或者是Gemini結合其實是可做很多很有意思的小的應用的嘗試，所以我覺得這點是Cursor非常好用的一點。

而且像Windsurf的話，我沒有用Windsurf用很多，但是有好幾個朋友他們比較喜歡用Windsurf，覺得它更好地能夠去做一個多步驟的執行，而且過程相對比較流暢，它可能對于搭建AI Agent會是一個更加適合的場景。

泓君：我當時看過Cursor創始人的一個訪談，他的訪談其實也是在回答這樣一個問題，在Copilot已經在統治整個代碼天下的情況下，他們是怎么去突破的？我覺得有很核心的一點，就是所有的編程類軟件的核心突破其實是跟底層的基座模型相關的。比如說Anthropic在2024年7月份的那個更新，其實Copilot當時并沒有根據你的更新跟代碼能力的飛躍去做產品上的迭代，但是Cursor做了。我覺得創業公司的崛起它可能不是一個線性的，而是在一個關鍵的時間點，根據你底座大模型的更新，你的整個產品的迭代跟上了，然后讓整個的用戶體驗變得更好了。整體看那個訪談總體的感覺就是一個字，卷。

張璐：它是很卷，其中核心的一點就是你要有非常強的執行能力，快速地進入商業市場，進行快速地收入增長。而且你會發現現在的收入增長速度跟過去以前是不一樣的，以前可能比如你2-3年時間收入從0漲到一兩百萬美金，像去年我們投的70%-80%的企業，一年收入20倍，成長得快的可以從0漲到幾千萬美金，甚至有一家從50萬美金漲到上億美金。但是這么快的一個原因也是因為競爭壓力非常大，如果你不這么快速地去進入到商業市場的話，你的護城河就很難保持住。甚至說你即使有這么高的收入，其實還是要繼續往前沖，現在真的是快速迭代、快速競爭的市場，很挑戰，也很興奮。

02

ToB垂類Agent

低成本、高壁壘的隱秘戰場

泓君：AI coding在你們看來應該算是一個ToC（To Consumer面向個人消費者） 還是ToB（To Business 面向企業客戶）？

張璐：我們也是把它定義在比較偏向ToC端。

泓君：我其實更想知道作為一個投資人的判斷邏輯，大家都看好ToB方向的Agent賽道，而不是ToC方向的公司，那它們在你判斷的哪個象限，為什么就是不在你們的投資名單上？或者它能不能投？值不值得投？

張璐：長線的對于市場的判斷就是我們比較看好整體ToB的機會，所以當AI Agent這個賽道崛起的時候，我們看的也都是垂類的Agent比較多。C端可能做得比較偏向通用Agent的我們看得就比較少。

我們在定義ToB的話，比較直接的場景是說它的商業模式，是不是直接ToB銷售給企業級用戶，中小型或者大的企業？另外其實我們也會看模型本身，它是一個直接調用的大模型套殼的方式，還是說也可以自己做垂類的模型或者微調的小模型？我覺得現在人工智能的競爭已經不單純只是一個模型的競爭，更重要的一點其實是一個數據和成本的競爭，這時候我們要看到你直接去內嵌調用大模型的成本，和你針對一些垂類應用去做的一個垂類小模型，成本哪個更低？那我們可能更看好的是這種垂類小模型，邊緣端小模型的方向，而這類方向主要的應用場景就是ToB，因為B端客戶可能對于人工智能產品的成本要求更高。

以前大家覺得一提到vertical就是垂類，就會覺得是個小市場，現在你會發現其實很多垂類它是一個比較巨大的市場。我給大家舉一個可能大家平時都想不到的一個市場，我們投了一家公司，它做一個非常細分的小垂類，這個東西叫做commercial paper issuing（商業票據），它是一個短期借債的工具，可能做金融的朋友會知道。大公司在發工資的時候會做一個短期的借債去進行現金流的補充來發工資，需要用到商業票據。所以你看它每次發工資是不是就是一個比較頻繁發生的場景？同時它的量級也比較大，比如說像沃爾瑪，全球的員工非常多，它一年要發行的商業票據一年大概是 600 億美金。

但過去的話這個垂類的應用場景全部是由人工完成的，和傳統銀行合作，所以是量級又大，重要性又高，但又是很無聊、很重復性的一個過程。所以我們投的一家公司，它就是用人工智能把這個過程自動化了，都不需要叫它智能體，因為它是一個非常簡單的reinforcement learning（強化學習）加machine learning（機器學習）的應用。

圖源：Corporate Finance Institute

泓君：這樣的一個應用，團隊不到7個人，已經把沃爾瑪這樣的大客戶簽下了，在一個星期之內完成了60億美金的商業票據的生成。7個人的團隊拿到了這個訂單，如此巨量，它其實收費的比例很低，可能就0.01~0.02。但是你可以計算一下，是0.01~0.02乘以60億。所以你會發現其實細分的應用場景的市場量級是非常巨大的，只是說大家之前對這些行業不了解，所以你沒有能看到這個巨大的市場機會。

那再回到我們剛才提到的，為什么說做ToB的話你可以積累很多行業的經驗，就是包括你對行業本身的理解，去捕捉到這些垂類巨大的行業機會。同時你了解了它現有的工作流程，可能在對于設計一個AI Agent產品，你也會有更多的積累。

泓君：對，所以我理解ToB行業它需要很多的行業積累跟行業經驗，那它是一個越老越吃香的行業嗎？

張璐：也不是說單純的越老越吃香，是因為底層架構的重要性，對于AI Agent的建立還是很重要的。這個層面上它也在快速地迭代，比如剛開始很多Agent的搭建其實就是完全基于大語言模型LLM（Large Language Model），那在過去這半年時間，很多討論其實是對于強化學習的討論。現在我們看到很多新的做AI Agent的架構，其實都是在探討怎么樣把大模型和強化學習結合在一起去優化Agent表現。尤其是對于我剛才提到這些行業，無論是金融，保險，醫療，甚至法務行業，有一個很大的挑戰，就是在于它不太能夠去承受這個幻覺。

我們都知道大語言模型有一個很大的問題，就是幻覺的問題。那你在C端應用有點幻覺，OK，但在我剛才提到這些行業有很多監管層面上的風險，你不能夠出現幻覺。那怎么樣解決這個問題？那就會有更多的討論，包括現在其實大家開始形成行業的一個共識，就是強化學習在架構層面上的一個重要性。這個領域它是快速迭代的，那我們作為這個領域的投資人就要持續地關注新的底層架構的發展，去提前布局。所以它和行業知識是兩個不同類別的知識儲備，所以對于ToB領域層面上的投資人的學習能力要求也是比較高的。

泓君：對，我覺得ToB領域有一個問題，尤其像你說的它不能出現幻覺，比如說60億的商業票據，你哪怕只出現一點點的錯誤，可能也是一個很大的數據偏差，而且你這個涉及到錢的問題會更加敏感。所以在你投垂類的AI Agent的問題中，他們是怎么解決幻覺的問題，然后讓結果100%準確呢？因為我覺得確實我們如果看上一輪，比AI視覺，AI醫療影像的那一類公司，包括自動駕駛，它其實最難的是最后長尾的corner case（極端邊緣情況）要怎么去解決。

張璐：其實就是我提到的對于包括底層架構的一個新的設計，去幫助我們不能說完全消除幻覺，但是至少要保證它的錯誤率在一定可控范圍之內，所以其實我們看到做得比較好的就是把大語言模型和強化學習進行結合。而且強化學習現在的應用越來越廣泛，包括一些Agent OS的公司其實也是在做這方面的一個討論。有些公司可能是從 API（應用程序編程接口）和產品兩個角度同時在推進，但其實在底層強化學習的應用越來越多，所以我覺得至少在我們的小圈子討論中，大家是形成了一個共識， 強化學習對于Agent底層的架構非常重要，而且可能是架構中必不可少的一層之一。

其實大語言模型在搭建Agent的時候，它賦予Agent的一其實是理解、分析、表達的能力，再加上強化學習之后，是一個決策，驅動，再去學習，再去強化然后記憶的能力。所以這樣構成了一個基礎，它們兩個可能是可以互相地查漏補缺，我們也會看到有一些ToB的應用場景，其實很好的一點是它不是每次你使用的時候，它的調用都是完全不同的，很可能你在一個應用場景里面你調用10次，然后有5次你的調用跟你要它實現的功能都是一致的，那這個過程就不需要再去走一遍大語言模型去生成一個新的答案，你可以完全去調用過去已經成功驗證了一個準確的答案，去保證它的一個準確性。所以我們會看到這樣一個架構的實現會幫助我們更好地去保證這個模型最后的準確性。

泓君：對。所以關于垂類小模型的微調跟大模型套殼這兩種方案中，如果是做ToB方向的投資，你是有更偏好于哪一種嗎？因為剛剛其實你有強調微調小模型。

張璐：我是非常看重企業可以做微調小模型的。一來是我剛才提到的，微調小模型你可以做得更加精準。另外很重要的一點其實是一個成本問題，模型小的話自然你的成本就會降低，而且它不只是一個算力成本，訓練成本和inference（模型推理）的成本，還有它的耗能成本。其實現在對于人工智能來講非常大的一個挑戰，是電力和耗能的挑戰，它可以把成本在耗能層面上降低。

在這個基礎之上還有一個大的優勢是什么呢？其實很多ToB類的場景，公司或者企業，它是不太愿意把自己所有的東西都傳到云端，一方面是可能它本身現在的企業架構，它沒有把所有東西都放到云端，完全地和cloud（云端）結合。還有一部分原因是因為它也不想把所有東西放到云端，它有些比較敏感的核心的數據，它想放到本地的設備和網絡，保證它的隱私性和合規的一些要求。

在這個情況下，它希望你的AI的模型、AI的產品、AI的Agent，是可以在一個當地部署的，可以在當地的網絡去運行，甚至說當地的設備上去運行的。那這個時候就有一個非常現實的情況，如果你是一個大模型，你的耗電量，你的算力需求，那可能當地的設備是無法滿足的，但垂類小模型是可以在當地的一個邊緣設備上就可以完成的。包括我們投的一家公司是做這種邊緣小模型，最小的一個模型是不到一個billion，10億token的規模，它可以把這個小模型直接在 “Raspberry Pi（一種廉價、低功耗的小型計算設備）上去運行，運行的表現和GPT 4是類似的，這是非常讓人驚艷的。所以我覺得這也是ToB類的企業，會更加愿意使用垂類小模型的原因，這也是為什么我們會有很強的偏好，比較喜歡去投這種垂類小模型的公司。

泓君：我們剛剛聊到了三類，一個是AI coding，還有一個是垂類Agent，這兩類我們都聊得比較透徹了，然后還有一類就是通用型Agent，比如最近在國內很火但是爭議性也非常大的Manus。我最好奇的一個問題就是我好像在美國沒有看到類似于像Manus這樣的通用AI Agent，為什么?

圖源：Manus

張璐：我覺得取決你怎么定義通用型的AI Agent, 比如Thinking Machines Lab, 現在是Mira(Murati) 要做的這個公司，他們想做的是類似于一個通用Agent的終端產品。我覺得是有公司想去做的，但是可能沒有看到很多這一類的創新企業落地，其實還是因為背后的成本問題，還有包括護城河的問題。如果你做一個通用Agent，它可以去解決各種各樣不同的應用場景甚至跨行業，其對于底層模型，Agent優化能力的要求是非常高的，那底層模型一定是一個很強有力的大模型，這個時候誰做比較有優勢？初創企業還是說是大企業自己做？可能他的判斷就比較顯而易見。

另外一個層面還是成本問題，包括我跟一些大的企業，公司也會去討論到底是做通用Agent還是垂類Agent？其實通用Agent技術層面上我覺得未來是可以做到的，但還是回到那個問題，你背后的成本是非常高的。

我們經常提到我們現在會看到你既使用人力勞動力，也使用人工智能勞動力。但如果人工智能勞動力的成本比人力勞動力還要高，那對于一些行業應用來講就會比較挑戰，那是不是還要應用這個Agent，而不是去使用人？但是垂類Agent的一個優勢就是我提到的一個成本優勢，成本優勢很巨大，再加上它去進行優化微調的時候，針對各個應用場景是比較容易做到消除大部分的幻覺，高精度的。這個是目前通用Agent可能在很多應用場景層面上還不能達到的。

泓君：所以通用Agent主要的問題是因為它要去做不同任務的泛化，要讓其場景能夠接入更多的任務，就要用最好的模型，要接入很多的步驟，那它的推理成本一定是很高的。但是很多任務反而可以用一個垂類的Agent來解決。

張璐：對，還有就是我們剛才提到的，通用Agent背后調用的一定就是我們提到的這幾個GPT 4、Claude、Gemini。那你現在調用的是這些大模型，那如果這些大模型的公司自己也會去做一個通用的Agent的話，你跟它的競爭性在哪里呢？

03

巨頭圍獵與估值狂飆

AI編程Agent的會與幻覺

泓君：作為一個投資人，你們會怎么去看編程類的Agent，為什么是它們跑出來？它們還值不值得投資？

周煒：我們現在看到的狀況非常像第一個互聯網泡沫時代以及移動互聯網初期的時候，巨頭會愿意很高金額的并購。但是現在很明顯感覺這個通貨膨脹時代錢不是錢了，在以前可能1億美金1個billion的并購，現在動不動就10 billion（100億）。其實現在我們作為投資人很清楚全世界很多的錢都在尋找優質資產，優質資產的數量非常少，所以全擁擠在一些非常有數的優質資產以及高潛力的資產，也讓我們感到很驚異吧。作為一個做早期的VC，我們一個幾億美金的基金，看著這些數字也是望洋興嘆，哈哈，人家一個并購是我們的10個基金的size。

泓君：對，其實剛剛您提到在代碼Agent領域巨頭也不會放過，其實我看見硅谷巨頭除了像谷歌的這個收購以外，它自己也推出了一個Gemini CLI的一個項目，也是做編程的。包括Anthropic，他們其實自己也推出了一個叫做Claude Code的產品，也是直面跟Cursor的競爭。那Grok最近也是在我們播客錄制的那一天，它發布了自己的Grok 4的模型。這個模型其實整個代碼能力是有非常大的進步的。除了這個模型之外，它說未來的幾周它也會去做自己的coding model（編程模型 ）。

我覺得在編程這個領域，已經不是說巨頭想怎么收購了，它們是既自己做，也收購，也是看到了這個市場然后就全力去押注。雖然我們現在看著Cursor的估值很高，但是它能不能跟基礎模型競爭？包括我們看所有的基礎大模型都在做自己的代碼模型的情況下，那這些創業公司是不是還有自己的生存空間呢？

周煒：對，這是個非常好的問題。我覺得Cursor這種公司要very carefully evaluate（非常慎重地評估）自己真正的技術壁壘，他們自己心里其實很清楚的。如果你最終覺得跟競爭對手，跟這些大廠，并沒有核心的競爭優勢，你可能只是first-mover advantage（先發優勢），我個人的看法是在這個時候該賣就賣了，該并購就并購了。因為這個大模型時代的AI，一個核心的跟以前的區別在于它把進入一些領域的壁壘降到了無比的低，因為以前在任何一個公司進入一個新方向的時候，是人在起阻礙的作用，它的人，團隊這方面的knowledge（知識）、knowhow（實踐經驗）、training（訓練）、 everything（一切），對這個領域的理解，會給創業公司一個很長的lead time（先行時間），它需要去學。

大模型這個時代，進入一個新的領域，一晚上訓練它就已經差不多該有的都有了。所以如果你沒有特別優勢的壁壘，或者是特別獨有的數據積累，所有的東西都是在互聯網公開數據里訓練的，都是差不多的東西，只是你有領先優勢，過去你習慣于所謂first mover advantage，覺得我有一年兩年的lead time，現在我覺得可能這個壁壘根本就不存在了。那你不賣的話，對方很簡單，剛才我說到了大廠是會因為這個是對它來說strategically very important（在戰略上非常重要的），它可以負毛利，甚至于如果是對比中國的競爭的話，中國的競爭是甚至于完全不收錢跟你一直競爭下去。

泓君：負毛利是指它們的推理成本，比如說這些代碼的Agent的推理成本很高，然后接這個大模型的API成本很高，但是用戶一個月就付20美元，可能自己消耗的API的token數量可能很快就超過20美元、30美元、40美元了，所以每個用戶凈價值可能還是負的，是這個意思吧。

周煒：舉個例子來說，像Chat GPT， 現在我一個月付20美元，我每天跟ChatGPT說三句 “Hi” 它回答我一下，它的成本就已經很高了好不好？所以舉例來說，我原來KPCB（Kleiner Perkins Caufield & Byers），我們美國投資了Uber，我們中國投資了滴滴，那滴滴不但很長時間完全不收錢跟快遞競爭，還倒給coupon（優惠券），每一單你坐了車還給你20塊錢的一個乘車券下次接著用，你很長時間都可以連續去拿，完全免費。

那我們當時跟KPCB美國合伙人在討論這個項目的時候，大家就不能理解。但實際上我們后來分析這個東西很清晰，因為滴滴和快的當時分別跟阿里和騰訊是捆綁得很緊的。那阿里和騰訊給他們很大的資源支持，其中一個核心原因在于剛才說的戰略價值。

圖源：愛范兒

滴滴，快的，你從創業公司來說單獨就是個打車的公司。如果按打車來說，我應該是要賺錢，但從阿里和騰訊來說，他們打的是什么？其實他們打的是支付的習慣，他們那時候支付的戰爭還沒結束，它要通過這樣一個高頻支付的場景，我綁了滴滴，我就讓用戶在我滴滴的平臺上盡量用我的支付，那是騰訊的做法。阿里是跟快的，所以最終他們的戰略價值是在支付習慣上，所以它不顧其他成本的，我就要把這個事情要做成。

那你作為一個獨立創業公司，如果是第三方沒有這兩方的戰略價值的時候，你怎么打？今天我覺得是一樣的，就是coding在AI這一波里面，它是在這個商業模式、這個鏈條非常早期就可以崛起大公司的，而且它是非常fundamental（根本的）的一個東西。你可以認為它是下一步讓AI自己去寫自己的代碼的根基。這些巨頭它很可能會不顧成本地去跟你競爭，那作為一個單純就是靠coding來做自己唯一的商業模式的AI公司，你就很難辦。

泓君：其實我看到今年上半年除了coding的公司，還是有非常多的AI Agent公司拿到了大筆融資的，比如說Harvey AI，是一個做法律咨詢的AI Agent，他們也是在2025年的6月份拿到了自己F輪的3億美元融資，現在也估值50億美元了。

圖源：TechCrunch

泓君：中國其實是在通用型Agent方向就火了一輪，像Manus、Genspark這一塊有一堆這樣的公司，你怎么看為什么突然在2025年的上半年，Agent的投資一下火了？你作為投資人，現在你會怎么去評估你自己手里這些Agent？哪些可以投？哪些不可以投？

周煒：去年我就在講，我覺得大家過度關注技術底層，Agent在那個時候還沒有人去認真關注是一個很奇怪的事情，現在大家關注我覺得比我應該想的要晚一些了。

泓君：你覺得去年就應該關注Agent？

周煒：對，就是這一次大模型，整個業界的不管創業者還是投資人的表現，很像blockchain（區塊鏈）這個圈子里面人的行為。大家整天都在討論技術，但是真正落地讓人看到一個實實在在的應用，這件事情nobody care（無人在意）。過去一年，我覺得so weird（很奇怪），所有人都覺得大模型來了，AI要改變人們的生活了，但是從真正所有身邊的人會覺得我還沒有感覺它幫我很多，或者有些東西很有趣，能幫我做PPT，能幫我做圖，但是它不是一個真正端到端的產品。這個是很奇怪的一個事情，你關心過互聯網和移動互聯網的底層的基礎設施嗎？你關心過對IT時代（information technology，信息技術時代）來說，大部分做IT產品或者數字電子產品的人，誰會去關心這個芯片的底層的技術是什么樣子？我只需要關心它的性能，能不能match（匹配）我的需求就行了，我是在應用層做產品的。

包括Manus我之前也訪談過，Manus出來以后，很多人對它的評價就是這個公司沒技術，是個AI指揮大師。我年初做了很多的訪談，我一直都在堅持的觀點是Manus不一定是最后會大成功的一家公司，但它指出了一個正確的創業者做Agent這個方向該做的事。就是你把一個產品做到讓用戶用的時候會感覺它能幫我完成的工作是達成了我最重要的對產品的底線要求的，我是可以拿來直接用的，不一定是完美的，但它是能用的。

至于它背后指揮了哪幾個AI？ 誰在意。作為一個用戶不需要關心，所以今天我覺得大家才走向正軌，就是你AI到這個時候，如果大家還不去專心做一個真正讓用戶能實現最終產品的Agent，那很快這一波的大模型的AI泡沫就要破裂了。

泓君：我覺得這個里面難點就在于如果你是做一個ToC類的Agent，不管是這種通用型的AI Agent還是coding的AI Agent，它一旦做大了，巨頭看到了這個方向，或者說基座大模型看到了這個方向，他們可能會自己做，那ToC類是不是有市場？如果你做一個ToB類的Agent，我覺得在硅谷還是挺有戲的，因為硅谷還是有整個的SaaS（Software as a Service，軟件即服務）行業，企業跟用戶都有比較好的付費意愿，但是我感覺在中國很難。

周煒：這是現在一個很有趣的現象，就是大量的中國做一些，首先我們很喜歡這種公司，就是在一些垂直的領域做一些跟業務流緊密相關的ToB這方面的產品，幫助這些行業實實在在解決問題的這種公司。很多團隊是在中國創建的，但是它把業務很快就擴展到美國去了。因為美國從當年的SaaS開始，包括軟件行業，只要能幫它產生商業價值的話，其對方的付費意愿以及付費的百分比是非常直截了當的。

也有很多人在日本開拓，但在中國本土確實從無論軟件還是SaaS，因為我當年創業的時候，我們也是做金融行業的，大量的系統集成的支付軟件當年就是那樣，現在我覺得還是同樣的情況。一方面付費比較難，第二持續付費更難，這種訂閱模式在中國本身在ToB的企業里接受度相對難一些。現在也有很多接受了，但是它很容易形成一個cap（上限），就是他付到一定的程度他覺得有點多了以后他就不愿意按照用量付了，他會跟你談判說‘我只能最多付到這以后不管用多少就這么多了’，所以他把你的收入上限也cap住了。美國這個問題我覺得不明顯，應該是比較好的狀況，所以我們看到在美國有很多華人創業團隊做的是很窄的一個方向，但它收入漲得非常的快。

04

Agent投資核心邏輯與矛盾

通用高風險vs垂類低天花板

泓君：嗯，所以你們現在判斷一個AI Agent值不值得投？你的核心邏輯是什么？

周煒：第一，無比巨大的方向，就像general（通用）Agent，我們投不投？我們仍然在投。雖然我們覺得成功的希望非常的渺茫，這一定是巨頭絕不可能放過的方向，但是做人還是要有夢想的，沒有夢想那跟咸魚有什么區別？所以還是要賭一下。包括coding我們也繼續在看。

但從另一個方向來說，我們現在特別喜歡投的就是剛才講的，舉個例子來說ToB方向的話，這個行業的業務流程應該是相當復雜的，分好幾層的。就有點像黑客帝國一樣，對吧？黑客帝國，像章魚一樣的機器來進攻Zion（黑客帝國中的“錫安城”，是人類最后的地下城市、抵抗機器統治的堡壘）時候是一層一層突破的，對它來說每一層都要花很長時間。像這個業務流程如果分了很多層，可能最外層是比general的，general AI就可以很快突破，那第二層可能是更行業specific（特定的），第三個層可能是更細的一些行業know how和流程等，它需要對這個行業非常懂才能真的讓AI發揮作用。其實對大廠來說要一層一層突破要花時間。第二的話，vertical（垂直的）的這些行業相對來說目前大廠是不太會顧得上的，除非是‘it' s huge enough’（它足夠的大）。

泓君：因為市場規模太小了，他們可能覺得投入產出比算不過來。

周煒：對，但是我覺得本身它還是很容易產生出100億這種size的公司是沒有問題的，當然它不一定是1000億這種size，但是100億這種size往上是我覺得還是能看到很多。第三就是這個行業如果有一些自有的數據，相對沒有公開的數據，這點我們特別喜歡。像我們投的一些醫療相關的，其數據是public Internet（公共互聯網）上面沒有的。通用大模型公司很難找到這些數據去train它的模型，所以我覺得這一類公司是要有很強的壁壘的。所以我們也很糾結，一方面我們還是在繼續投那些可能大模型公司升級一次產品就瞬間被滅掉的方向，因為是巨大的夢想。另一方面我們又在找一些壁壘很高的，但是相對必然會產生這個問題，就是它的upside（增長空間）是有限的。

泓君：是的。我最近在想這個選題的過程中也找了很多投資人聊，我在硅谷發現了一個現象，我認識的很多投資人都是投ToB賽道的，那真正我們說頂級的ToC的項目，投資人能投進去的非常少。那我仔細想了一下這個ToC類的公司是什么，幾個方面，一個是基礎模型，還有一個是背景非常豪華的團隊做出來的一些Agent，比如說Open AI的CTO Mira 出來做的團隊。那我們再來看一看誰在投資ToC，首先一大批的硅谷大廠比如亞馬遜、谷歌、微軟，他們在給Open AI還有Anthropic一輪一輪地充血注資。另外是硅谷的風險投資募資之最的a16z（Andreessen Horowitz ），還有軟銀，還有一家資本叫做Thrive Capital，他們的資金管理規模超過250億美元，但是也很難說一個管理資金規模超過250億美元的基金是一個純VC（venture capital，風險投資），所以這些投資人投ToC的，他們真的是深口袋的投資人。ToC現在對整個風險投資行業來說它實在是太貴了，好的項目又鳳毛麟角，又很貴。

周煒：對，貴是一個問題。另外有一個問題是ToC的東西并沒有因為AI的出現產生太多新的商業模式；ToC的方向上你會看到幾乎每一個模式都已經有巨頭了，不管是社交還是什么，這些巨頭它adopt（引入）AI的速度也很快。所以你不但要在技術上adopt AI去做產品，你還要在模式上跟上一代的這些巨頭（競爭），它們可能AI adopt稍微慢一點點，但是它的商業模式已經成立了，用戶數量已經非常多了，它無非就是怎么樣盡快地把AI adopt進來。所以這方面你的這個競爭確實是很吃力的。

另一個方面我覺得ToC方向目前，尤其是創業公司，像社交或者某些產品，用戶的loyalty（忠誠度）在這個技術底層剛剛出現，產品剛剛emerging（興起的階段 ）的時候，大家都出于嘗鮮的心態，誰也不會說這么快我就（成為你的忠誠用戶）。所以你今天用這個，明天就會用那個，大家都在試。所以你花很多錢去買流量，買用戶，其實沒有用的，可能隔幾天以后就有一個新產品出來，switch cost（轉換成本）非常非常的低。

泓君：對，我觀察到了。包括對于大模型來說，轉換成本也很低，每個模型各領風100天嘛，之后用戶很快就切換了。我自己都切換了好多次付費模型，就是誰現在做得好用誰。

周煒：所以其實現在我特別想投真正的陪伴機器人，帶AI 大腦的陪伴機器人，而且這個陪伴機器人應該是本地部署的。不像電影《Her》一樣全世界人都在跟一個‘Her’談戀愛，那是錯的模式。一方面人會覺得很挫敗，另一方面他付費其實是很難的。但實際上如果本地部署了陪伴你的AI是你自己train出來的，它跟是別的都不一樣，在這種情況下的話，當然這可能是邪惡電影里，黑鏡里就有這種場景，對吧？那你不付每個月29美金的訂閱費用的話，那你這個train好的這個大腦可能就忘掉了跟你的對話，你會不會覺得很frustrated（挫敗的）？你跟它已經產生了一種情感鏈接，所以這種個性化定制的你跟它的交互過程，這個數據應該要產生價值，其實過去你跟Chat GPT問問題，它的記憶時間是很短的，對吧？那現在你會發現它長了很多。

來源：（Warner Bros）

說到AI Agent，《硅谷101》近期做了兩期非常值得一聽的節目，從使用者視角和投資邏輯兩個維度切入，深入探討了這波AI Agent浪潮的關鍵轉折點。歡迎聽完留言說說你的Agent使用體驗，或者你看好什么樣的Agent產品，我們也在持續關注這個方向，也許下一期就會聊到你關心的內容 。

E195｜從工具到伙伴：七位AI Agent深度使用者的思考

E191｜小而美的機會來了，聊聊這輪AI Agent進化新范式

【101 Weekly新節目推薦】

《硅谷101》上線了一版更加輕量級的音視頻節目「101Weekly」，每周由我們的三位主播復盤三個商業熱點事件，每期10分鐘左右，并請來行業專家來一手分析解讀，希望這每周的30分鐘，幫助大家輕松了解一周新聞大事件！

我們也會在公眾號逐篇更新當周「101Weekly」的文稿。本周“大事件”如下：

【音頻收聽渠道】

公眾號：硅谷101

收聽渠道：蘋果｜小宇宙｜喜馬拉雅｜蜻蜓FM｜網易云音樂｜QQ音樂｜荔枝播客｜嗶哩嗶哩

海外用戶：Apple Podcast｜Spotify｜TuneIn｜Amazon Music

聯系我們：podcast@sv101.net