高通创投周楠：AI共识窗口期已压缩至三个月内

高通创投周楠：AI共识窗口期已压缩至三个月内 投资者必须在共识形成前提前下注，否则只能承担高估值并面临极大被侵蚀的风险。 对话围绕 AI 投资与创业的核心策略展开，周楠强调顶级 VC 必须在市场共识形成前两三个月的极短窗口内前瞻下注，避免陷入高估值陷阱。结合对 Scale AI 转向公共部门订单以及 Cerebras 在 Transformer 爆发前下注 Wafer-scale 芯片架构的深度案例拆解，展现了第一性原理风险拆解的重要性。针对大厂技术人创业，她指出了执念技术、缺乏互补合伙人以及盲目追求高估值等误区，指出真正的机会藏在打通复杂高价值工作流与 Physical AI 数据闭环中，并建议创业者具备系统性思维、注重实际交付与 Storytelling 杠杆。 投资的核心纪律是在共识形成前下注。到了2025至2026年，共识形成的前置窗口期已收窄至两三个月甚至完全消失，一旦市场形成广泛共识再入局，往往只能承受极高估值。 (0:47) Alexandr Wang在自动驾驶退潮期展现出极强的执行力与直觉，迅速将业务重心转向公共部门数据基础设施，并以28分钟高密度演示讲透Scaling Law与未来远景，带领Scale AI跨越危机。 (6:43) 在Transformer架构问世前，Cerebras团队便敏锐预判了算力需求的指数级爆发，提出颠覆性的晶圆级（Wafer-scale）芯片方案，并通过第一性原理将工程与落地风险拆解到极细颗粒度。 (14:48) 当前硅谷风投共识集中在Physical AI、世界模型以及能打通高价值复杂工作流的垂直Agent；单纯靠硬件走街串巷采集物理数据的繁荣较为短暂，长期必须依靠能自动生成高保真数据的世界模型引擎。 (31:40) 大厂技术人创业常陷入缺乏明确大场景和盲目抬高首轮估值的误区；周楠指出，具备系统性思维与架构拆解能力的人不易被淘汰，高交付力团队亦可选择如Surge AI般自筹资金（Self-funding）跑通商业闭环。 (56:07)

硅谷一线投资人周楠指出，2026年风险投资在形成共识前的下注窗口期已大幅压缩至接近于零，随着通用模型侵蚀浅层应用，资本正加速向硬件算力、物理AI及能打通复杂高价值工作流的垂直Agent集中。 共识窗口收窄与资本集中化 (0:47) 周楠表示，科技投资的关键纪律是在共识形成前下注。这一窗口期在2024年尚有3到6个月，至2025至2026年已压缩至两三个月甚至彻底消失，盲目追逐共识容易面临高估值接盘的风险。与此同时，二级市场SaaS表现低迷，一级市场资金高度向已确立的领跑者（如OpenAI、Anthropic、SpaceX和Databricks）聚集。对于一般性与垂直类Agent，由于极易被头部前沿模型实验室（Frontier Labs）的功能扩展所吞噬，面临极高的投资风险。 面对资金分化，不同体量机构策略各异：2000万至3000万美元的小型基金偏向寻找可并购退出的小型基础设施，数亿美元以上的大型基金则依赖极具前瞻性的假设押注赛道赢家，而CVC更侧重依托产业链深度判断进行战略布局，通常避开小额撒网式投资。 商业模式转型与前沿投资共识 (31:40) 前沿模型时代的收费框架正从软件时代的固定订阅制转向基于Token消耗量与算力使用量的动态收费。这一变化严重压缩了底层应用开发者的利润空间，却使具备系统级能力的硬件基础设施更具持续收益能力。例如芯片公司Cerebras不再单纯售卖晶圆级芯片，而是直接运营数据中心向大模型巨头按量提供推理算力服务；降低推理成本的基础设施因而成为极具价值的赛道。 在投资方向上，周楠指出2025至2026年硅谷前沿共识聚焦于物理AI（具身智能真实场景落地）、世界模型（提供物理法则与环境模拟），以及能够自动化打通复杂高价值链条（如医疗全流程）的垂直Agent。单纯依赖静态数据或套壳模型的应用因缺乏壁垒，易被合成数据和模型升级轻易取代。 物理AI虚假繁荣与数据引擎迭代 (39:15) 针对具身智能和机器人的展示热潮，周楠提示需警惕“Demo繁荣”背后依赖远程遥操作的现象。风险投资评估的核心在于机器人能否进入真实生产场景实现部署，从而完成“场景落地采集真实数据反哺模型与硬件”的闭环。早年仓储物流机器人因疫情红利消退及无法向客户证明ROI而大批倒闭，创业者必须警惕这种“暂时的PMF”。 对于世界模型与数据采集初创公司，部分企业当前ARR的高速增长很大程度上受大模型公司高价采购训练数据的驱动。周楠认为，长期依靠线下硬件采集成本过高，终极方案是通过能理解物理规律的“数据引擎”自动生成高保真数据，未来该赛道有望经历理论生成与实景修复的螺旋演进，并诞生Scale AI级别的基础设施公司。 技术型创业者的认知盲区与避坑建议 (56:07) 大厂技术背景创业者常陷入三大认知误区：一是“拿着锤子找钉子”，过度迷恋底层技术却未想清市场空间，无法回答“为何通用大模型做不了”；二是盲目追求过高估值，导致后续轮次因业绩跟不上而陷入估值断崖（Down-round）；三是缺乏商业与法务认知，单打独斗而缺少能负责商业落地的互补合伙人。 面对一线风投时，创业者需具备将技术愿景拆解为极细颗粒度执行方案的能力，并精炼其故事表达（Storytelling）。此外，创业者必须展现出真正的“可教练性”（Coachable）——能够主动反思并根据反馈自我修正，而非表面应和或固执己见。对于具备强交付与造血能力的团队，周楠更看好如Surge AI般自筹资金（Self-funding）跑出商业闭环的路径，避免为创业而盲目追逐风口。 周楠认为2026年共识窗口的关闭标志着AI第一发展阶段进入中晚期收割，但这并非泡沫破裂，而是向先进制造等高ROI落地场景与下一轮技术突破周期的转换过渡。

周楠: 一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 [6:00] 周楠: 这个创始人是我见过的 founder 中最 sharp、最有智慧，而且执行力超强的一个人……知行合一，这样的创始人是非常少见的。 [51:00] 周楠: 人教人教不会，事教事一教就会。你如果自己觉不到悟不到那就不是你的，我硬去给你塞，你也不会去执行。

[0:47] 我们今天是在跟Nan [0:49] 是高通创投的投资合伙人 [0:51] 主要聊两个话题 [0:52] 但是我们其实更多的还是聊故事 [0:54] 一个是硅谷的创投游戏 [0:56] 到底是怎么玩的 [0:57] 他可能和大家想的很不一样 [0:58] 起码我跟你聊的时候 [0:59] 就发现和我想的很不一样 [1:01] 或者说如果是一个你觉得产品还不错 [1:03] 你是怎么打入这个圈子 [1:05] 因为我们有也会听说过一些人抱怨 [1:07] 就是我的产品很好 [1:08] 但是为什么我投VC VC也不要我 [1:11] 跟投资人聊 [1:12] 然后投资人也不理我 [1:13] 那说明这里边是有一个门道 [1:15] 对外大家是不知道的 [1:17] 所以我们可以先聊聊这个门道 [1:18] 再接下来呢 [1:19] 你的一个thesis [1:20] 其实很贯穿的就是软件和硬件 [1:23] 一直focus在人工智能 [1:24] 但是这个软件和硬件 [1:25] 尤其现在人工智能 [1:27] 感觉就是软件一片繁荣 [1:29] 但是硬件可能都是在布局和投资 [1:31] 和成长的阶段 [1:32] 恰恰相反 [1:33] 今年开始软件就很惨 [1:35] SaaS就很惨 [1:36] 哦确实 反而是硬件做算力的 [1:39] 做compute的这一些就很火 [1:40] 就是今年的软件 [1:41] 我觉得SaaS [1:42] 这些股票尤其的比较惨吧 [1:44] 确实今天看你的那个LinkedIn [1:47] 我还看你repost了 [1:48] 那个Conviction的founder [1:49] 的一篇文章 [1:51] 对我repost完 [1:52] 我还没有来得及好好看 [1:54] 他的意思就是说 [1:55] 呀现在创投圈 [1:57] 觉得好像软件都没什么好做的 [1:59] 然后所有东西都是NVIDIA和Anthropic [2:01] 是是 [2:02] 就今年的AI投资非常难 [2:04] 像去年的时候 [2:05] 因为我个人的投资逻辑就是说 [2:07] 一定要在形成共识之前下注 [2:09] 哪怕这个窗口非常短 [2:10] 你也一定要在共识的 [2:12] 哪怕这个非常短的前窗口下注 [2:14] 你不能在到达共识才下注 [2:15] 因为你如果到达共识再下注 [2:17] 那你就等着被割韭菜 [2:18] 这个是我自己的 [2:19] 一个非常严格的投资逻辑 [2:21] 就虽然大家说你在CVC做投资 [2:23] 你可以不要去那么关注 [2:24] 这个financial return [2:25] 但是这个是我觉得 [2:26] 我给我自己的一个非常高的 [2:27] 严格的要求 [2:28] 就是你不能说去追高 [2:30] 你一定要在形成共识前 [2:31] 有自己的investment thesis [2:33] 就是你看到这样的一个趋势 [2:35] 然后你觉得值得下注的一个点是什么 [2:38] 然后你在形成共识之前 [2:39] 哪怕这个窗口只有短短两三个月 [2:41] 你要抓住这个窗口去下注 [2:42] 2025年(口误)的窗口大概是2到3个月 [2:45] 2024年的窗口 [2:46] 我觉得还有3到6个月 [2:47] 而今年的窗口几乎就没有窗口 [2:49] 今年就是已经是完全共识了 [2:51] 所以你会看到 [2:51] 很多AI的项目的估值是非常高的 [2:54] 尤其是new labs [2:55] 你可以投的东西也不是很多 [2:57] 因为你如果要投general-purpose agent [2:59] 它可能会被像OpenAI、Anthropic [3:02] 这一些大的Frontier lab给吃掉 [3:04] 另外就是 [3:04] 如果你想投一些vertical AI agent [3:07] 它也可能会被这种Frontier lab给吃掉 [3:09] 比如说你如果想做一个finance agent [3:12] 或者你想做一个services的agent [3:14] 其实这些Anthropic都在做 [3:16] 所以你说哦 [3:17] 如果我就是做一个vertical AI agent [3:19] 那其实也很危险 [3:21] 所以对于 [3:21] 投资人来讲就特别不好投 [3:23] 所以你会看到说今年的现象就是大多数的钱 [3:27] 一级市场的钱都在涌入winner category、winner define [3:31] 就是像Anthropic这样的SPV [3:33] 做的一个又一个非常的火爆的 [3:35] 大家都想去把钱下注在这些winner上面 [3:38] 包括OpenAI [3:39] 包括SpaceX [3:40] 还有包括像什么Databricks [3:42] 往这个中晚期的企业去下注 [3:45] 反而是成了今年VC投资的一个趋势 [3:47] 觉得自己是很echo with [3:49] 不好意思 [3:50] 我可能说的英文比较多 [3:51] 没有问题 [3:52] 没有问题 [3:52] 因为在美国很久工作很久 [3:54] 很多中文忘记了 [3:55] 就是我会对于Sarah Guo这篇文章的前半部分 [3:58] 就比较共鸣 [3:59] 就是感觉确实是 [4:00] 好像找不到一些特别明显的趋势 [4:03] 去进行投资 [4:04] 那怎么办呢 [4:05] 这是一个有办法的事情 [4:07] 还是一个没有办法的事情 [4:08] 其实不能说没有 [4:09] 也是有的 [4:10] 就是你会有一些观察吧 [4:12] 就是我自己也有一些观察 [4:13] 怎么说呢 [4:14] 就是掘地三尺 [4:15] 做一些调研 [4:16] 也会觉得有一些趋势是可以去赌的 [4:19] 当然可能是比较小的一些return [4:21] 市场级就这种特别大的return的这种公司 [4:25] 我在这个时候觉得 [4:26] 可能也是人云亦云 [4:27] 就是像physical AI [4:28] 机器人这个方向 [4:30] 或者一些再偏硬件的方向 [4:32] 比如说新的compute呀 [4:34] 比如说ASIC compute呀 [4:35] 能够针对inference这个场景的 [4:37] 一些新型的compute [4:38] 我觉得也是可以下注的 [4:40] 但是这个 [4:40] 就是需要你对技术有相当敏锐的判断 [4:44] 相反是general-purpose agent [4:45] 或vertical AI agent [4:47] 我会比较谨慎一些 [4:48] 你其实代表的是 [4:49] 美国最主流的投资机构 [4:51] 然后你进的呢 [4:52] 也是最头部的这些deals [4:54] 然后你看的呢 [4:55] 基本上 [4:56] 也是瞄准着市场上最大的机会去看 [4:58] 基本上这样对吧 [4:59] 我觉得可能我代表的是CVC吧 [5:02] 因为我在高通创投也差不多六年多了 [5:04] 因为你站在一个 [5:06] 尤其这么大一个芯片公司 [5:07] 会看到很多不同的一些产业视角 [5:10] 技术视角等等 [5:11] 偏硬科技或偏硬件方面的一些投资 [5:14] 相比financial VC来说 [5:15] 我们会有一些产业上的反馈 [5:17] 我们会有一圈企业里的这种 [5:19] 技术的高管呀 [5:20] 或者周围的这些朋友圈 [5:22] 也会有一些反馈给我们 [5:24] 所以这样的话 [5:25] 可能我觉得 [5:25] 我在跟一些financial VC相比的话 [5:28] 会形成一些比较不一样的 [5:30] 甚至比较前瞻的一些技术判断 [5:32] 但是我刚刚说 [5:33] 就是大家去找什么样的deal [5:35] 因为我们会想 [5:36] 就是有一些可能小一点的VC [5:38] 它会关注那些更小的deal [5:41] 是的是的 [5:41] 如果你的VC的规模比较小的话 [5:43] 比如说现在很多emerging GP [5:46] 他们的第一支fund都是20到30个million [5:48] 那他可能就可以去下注一些 [5:50] 比较小的案子 [5:52] 期待这个公司会有一个比较快的M&A这种 [5:55] 这也是一种打法 [5:56] 就是他可以投很多小而美的公司 [5:58] 我觉得这也是可以的 [5:59] 就是一些小的infra company [6:01] 但是如果你的这个管理的资金 [6:02] 规模很大的话 [6:03] 比如说你上亿美金或者是200个million [6:06] 300个million以上的这种 [6:08] 那你就要瞄准这个winner去打 [6:10] 因为你不可能说 [6:11] 我一个基金投几十个以上的项目 [6:13] 你可能作为一个基金的GP [6:15] 你就投大概二十几个项目就撑死了 [6:17] 因为你还要管它去陪伴这个公司成长 [6:20] 所以就注定了 [6:21] 你必须是有一个非常前瞻性的 [6:24] investment thesis [6:25] 然后去下注这个winner [6:26] 直观一点的理解的话 [6:27] 就是比如说YC的公司 [6:29] 你们大多数是不看的 [6:31] YC的公司 [6:32] 我觉得要非常谨慎的去看 [6:34] 就是你要有一定的直觉 [6:36] 因为YC的公司实在是太多了 [6:38] 我是很久没有去看YC的公司了 [6:40] 但是我也回忆起我在十年前的时候 [6:43] 当时看到了一些YC的公司 [6:45] 我当时很早就看上了Scale AI [6:47] 那我就想说 [6:49] YC公司确实很多 [6:50] 但是如果你作为投资人 [6:52] 对这个技术趋势有一定的判断力的话 [6:55] 或者你对founder有一些的判断力的话 [6:57] 有一些直觉的话 [6:59] 能够去瞄准到一些还不错的标的 [7:01] 那就比如说像十年前 [7:03] 那个时候 [7:03] 我也是通过看YC一些录像的回放 [7:06] 看到了Alexander Wang [7:07] 因为那个时候我在百度的时候 [7:09] 就已经意识到 [7:10] 这个data非常重要 [7:11] 对于模型训练 [7:12] 尤其是说自动驾驶这个方向 [7:14] 它需要非常丰富的数据非常 [7:18] 好的高质量的数据 [7:19] 被打过标签的数据 [7:21] 那像Scale AI [7:22] 当时好像就是这么一个解决方案 [7:24] 就想干这个事 [7:25] 我就觉得 [7:26] 这个founder虽然年纪很轻 [7:27] 可是他的商业头脑非常敏锐 [7:30] 而且你能感觉到他特别的聪明 [7:33] 当然这个公司我那个时候也没有投哈 [7:34] 我也是等到了2019年 [7:36] 20年才开始对他持续的去关注 [7:38] 就会发现说 [7:39] 这个聪明的founder [7:40] 就是我们作为投资人 [7:41] 我们会有一个funnel [7:42] 就像一个漏斗一样 [7:43] 我们会把那些我们想要关注的人 [7:45] 放在我们的漏斗里 [7:46] 然后持续看他怎么成长 [7:47] 然后你就会发现说 [7:48] 这个创始人就是一路成长 [7:50] 一些他的判断和他的一些行为 [7:52] 和他怎么去让这个公司长大 [7:54] 都可以能够有迹可循 [7:55] 说他就是一个非常聪明 [7:57] 非常有执行力的founder [7:58] 然后我在2022、2023年 [8:00] 相继都propose要去投这家公司 [8:02] 然后最后终于投成了 [8:04] 投Scale AI对这个就是一个 [8:06] 我长期持续关注的一个founder [8:08] 那可能如果当时我有一个自己的基金 [8:10] 或者是说 [8:11] 如果当时百度能够投这种比较小的 [8:14] 写一个比较小的check size我可能还是会去写的 [8:17] 你就可以更早期的去投他 [8:19] 拿到一个更高倍数的回报了 [8:21] 对但是就是again [8:22] 这个取决于你管的资金的规模对吧 [8:24] 如果就是说你的这个基金像百度或高通这样的战投 [8:28] 你也很难说 [8:28] 我就是从YC的一堆案子里面 [8:30] 投一个份小的check [8:31] 它这个不符合战投的一个投资逻辑 [8:33] 但是如果你是做一个自己的基金 [8:35] 或者是你是自己是一个GP [8:37] 管一个20到50个million之间的 [8:39] 这样的一个基金规模 [8:40] 那其实你是可以从YC这样公司里 [8:42] 去选择一些投资标的的 [8:44] 但我觉得 [8:45] 就这里 [8:45] 一定要有一个比较强的直觉的判断力 [8:48] 我其实非常喜欢徐新老师的一句话 [8:51] 就是徐新老师他在挑选创业者的时候 [8:53] 他就是非常看重说 [8:55] 这个创业者有没有killer instinct就是杀手的直觉 [8:58] 我就非常认同这个 [8:59] 我觉得我在挑创业者的时候 [9:01] 我也有这样的一个倾向吧 [9:03] 当然 [9:03] 可能我去识别人家杀手直觉的能力 [9:06] 远远不到徐新老师的这种甄别力 [9:08] 和判断力 [9:08] 但是这个也是我觉得一个我的一个投资原则 [9:12] 同时我觉得作为投资人 [9:14] 本身也要有一定的直觉 [9:15] 你会发现 [9:16] 往往非常优秀的投资人 [9:18] 他都是有相当敏锐的直觉的 [9:19] 因为他需要去捕捉到 [9:21] 在当时非常混沌不堪的一些技术的这种现象里 [9:25] 最前瞻的一个技术的改变力是什么 [9:28] 就是你要有一定的非常大的敏锐度 [9:29] 去把握这个技术的一个范式的改变 [9:31] (有)敏锐度去把握这个founder [9:33] 然后你要能够去通过 [9:35] 不断的去追踪这个公司 [9:37] 然后去修正你的这个判断 [9:38] 然后让你的这个判断逻辑 [9:40] 不断不断的去调整 [9:41] 这样的话你的投资逻辑 [9:42] 才能够在日复一日 [9:43] 年复一年的这种投资活动上 [9:45] 能够得到提升 [9:47] 我觉得你这两个词用的都很有意思 [9:49] 一个是instinct [9:50] 一个是 [9:51] 中文说的可能有点啰嗦 [9:53] 不不不这是很重要 [9:54] 因为很多人会觉得 [9:55] 投资是一个有钱就行 [9:58] 或者你有access就行 [9:59] 或者说你可能要做很多调研 [10:00] 然后有很多逻辑 [10:02] 但是你强调的词反而是instinct和intuition [10:05] 对吧就是本能和直觉 [10:07] 所以说这个killer instinct [10:09] 就是这个杀手的本能 [10:11] 和你刚刚所说的这个直觉 [10:13] 能不能给我们各举一个具体的例子 [10:16] 就是什么样是杀手的本能 [10:18] 这个很抽象 [10:19] 怎么讲呢 [10:20] 很难去...跟我们描述一个故事吧 [10:22] 就是你在一个人身上 [10:23] 看到了一个这种杀手本能 [10:25] 或者你当时Alexandr Wang [10:26] 你是看到了他什么 [10:28] 他怎么在那么多人中脱颖而出 [10:29] 我在他第二阶段的时候 [10:30] 就觉得他非常的具有商业敏锐度 [10:32] 因为Scale AI早期 [10:34] 是给自动驾驶的公司提供数据标注 [10:36] 然后它在2021年 [10:38] 22年就有那么一段时间的时候 [10:40] 自动驾驶不行了 [10:41] 你还记得吗 [10:41] 就是自动驾驶 [10:42] 它从16年17年的时候开始很火 [10:45] 你会看到 [10:45] 那个时候 [10:46] 很多的VC下注了一些自动驾驶的公司 [10:48] 不管是它的就是传感器也好 [10:51] 还是这种软硬结合方案也好 [10:53] 就是有很多资本堆叠起来的 [10:55] 自动驾驶公司 [10:56] 然后一旦他没有资本 [10:57] 他们就会需要买数据对吧所以那个时候 [10:59] Scale AI的业务是长得很好的 [11:01] 结果到2021年22年的时候 [11:03] Scale AI其实就面临着一个自动驾驶 [11:05] 有点像是这个投资或泡沫 [11:06] 或有点小小崩盘的这么一个局面 [11:09] 那他的客户已经就变少了 [11:11] 所以他面临的这个困局 [11:12] 他怎么突破的呢 [11:13] 他就是敏锐的察觉到 [11:15] 就是说美国的这些政府 [11:18] 或者public sector [11:19] 他一些AI的项目 [11:20] 需要去做一些data的infra数据层面的一些服务工作 [11:25] 他就把自己立刻调整成一个 [11:27] 我去帮美国这些政府搞定这些 [11:31] 项目的一个模式吧 [11:32] 而且他的行动非常快 [11:34] 他也抓到了非常需要抓住的人 [11:36] Eric Schmidt当时是他的一个mentor [11:38] 他也抓住了很关键的人帮他去站台 [11:41] 他那段时间 [11:41] public sector的那些订单量就涨得非常好 [11:45] 尤其在疫情的那段时间 [11:46] 我觉得 [11:46] 这个是让他公司上了第二级台阶 [11:49] 那他就是敏锐的抓住了这点 [11:51] 我那个时候就感觉到 [11:52] 这个小伙子的直觉力和行动力 [11:55] 非常的不一般 [11:56] 而且那个时候我有个很好的朋友 [11:57] 刚好也拿到了Scale AI的offer [11:59] 他还在问我说 [12:01] 这个offer和另外一家公司应该去哪 [12:03] 我就说你应该去Scale AI [12:05] 然后他说你不觉得这公司已经很贵了吗 [12:07] 那时候估值已经是好像将近7个billion了 [12:09] 我说我觉得这个公司 [12:11] 上限是非常非常高的 [12:12] 因为这个founder [12:13] 我觉得是我见过的founder中 [12:14] 最sharp [12:15] 最有智慧 [12:16] 而且执行力超强的一个人 [12:18] 后来我这个朋友就去了 [12:19] 当然我这朋友也非常非常优秀 [12:20] 非常能干 [12:21] 他就也赶上了一个后面Scale AI [12:23] 在这个大模型时代的一个腾飞 [12:25] 所以你就看到这个创始人 [12:27] 所有的机遇都能抓住 [12:29] 所有的机遇都能执行好 [12:31] 知行合一 [12:31] 我觉得这样的创始人是非常的少见的 [12:34] 我也就是碰巧 [12:35] 因为在人工智能这个领域 [12:36] 瞄到了这样的一个人 [12:37] 他一直在我的雷达上 [12:38] 我一直在关注他 [12:39] 我就觉得他一定能成事 [12:40] 后来Scale被Meta收是200 billion [12:42] 是吗 [12:43] 没有没有 [12:44] 他被Meta收是29个billion [12:47] 应该是 [12:48] 对sorry一个数量级 [12:49] 对29个billion [12:50] 这个案例还是挺有意思的 [12:51] 我们再多深挖一下 [12:52] 你说他的mentor是 [12:54] Eric Schmidt谷歌的前CEO是吗 [12:56] 对对one of the mentors他可能也不少mentor [12:59] which I don't know maybe [13:00] 怎么做到的 [13:01] 这么一个年轻的小伙子 [13:02] 而且他的公司一开始也不是那么大 [13:04] 对吧然后又是一个走下坡路的公司 [13:07] 而且你很明显他到了Meta以后 [13:09] 搞定小扎也是搞定的非常好 [13:11] 这个是怎么做到的 [13:12] 我觉得他非常有vision [13:13] 他的一些前瞻性的判断 [13:16] 和他的一些很敏锐的这种把一个 [13:19] 前瞻性会发生的东西 [13:20] 讲清楚的能力非常的厉害 [13:23] 他在融那个F轮的时候 [13:25] 他录了一个28分钟的 [13:26] 一个投资人的presentation [13:28] 因为他也不可能说这么多投资人 [13:30] 想投他的一个一个去pitch也不可能对吧 [13:32] 他录了一段28分钟的视频 [13:34] 这个28分钟的视频中的信息量 [13:36] 就是非常的大 [13:37] 然后我就很震惊 [13:38] 他能够在这么短的时间内 [13:40] 把这个公司的前因后果 [13:42] 整个就是因缘际会 [13:43] 怎么去在AI中开始投几个阶段怎么投 [13:46] 产品是怎么样 [13:47] 定位是什么 [13:48] 为什么后面AI的这个时代 [13:51] 需要这么一个data infra [13:52] 那时候还是二三年二四年的时候吧 [13:54] 当时大多数投资人 [13:55] 那个时候差不多就刚刚认同Scaling Law [13:58] 还不知道AGI什么时候来 [13:59] 但他就已经非常的大胆的预测了 [14:02] AGI的一个方向跟时间表 [14:04] 我当时看完那个视频以后 [14:05] 我是真觉得 [14:06] 这个小伙子不得了 [14:07] 就是把这个让人感觉好像有点 [14:09] 捉摸不透的一个技术概念 [14:10] 讲的非常清楚 [14:11] 而且把这个远景 [14:13] 也绘制的非常的远大 [14:14] 然后让投资人还能看到 [14:16] 就是说他怎么从这一步到达那一部 [14:18] 他怎么能够让Scale AI [14:20] 通过Scale AI的这些产品的迭代 [14:23] 他的客户的迭代 [14:24] 他现在有的客户 [14:25] 未来的客户 [14:25] 他几块业务线 [14:27] 他是怎么去把这个机会抓住的 [14:28] 讲的非常好 [14:29] 他的这个整个逻辑思维 [14:31] storytelling眼界vision [14:33] 在这28分钟内 [14:34] 你能够发现 [14:35] 这是顶级的一个公司的founder [14:37] 而且这么年轻的年纪 [14:38] 那真的是前途无量 [14:39] 不是说我是个三十几岁 [14:41] 四十几岁 [14:41] 他是个28岁的人啊 [14:43] 那个时候 [14:43] 我觉得这个案例很好 [14:44] 再举一个案例就是你觉得一个非常优秀的创业者 [14:48] 我觉得可能一个比较明显 [14:49] 刚好就是我自己的home run [14:51] 就是Cerebras [14:51] 这个案例是我十年前在百度投的 [14:54] 这个案例 [14:54] 它是一个芯片公司对吧 [14:56] 它是一个做系统级芯片的公司 [14:58] 而且它的芯片架构非常具有颠覆性 [15:01] 它是把八十几个芯片在一个晶圆上 [15:03] Wafer上面无缝互联然后去 [15:06] 加速当时的深度学习的一个训练的速度 [15:08] 它是在Transformer出来之前做的 [15:11] 那个时候 [15:11] 因为百度的美国人工智能研究院 [15:13] 非常的前沿嘛 [15:14] 那个时候百度美研已经发现了 [15:16] Scaling Law的一些蛛丝马迹吧 [15:18] 就通过那个DeepSpeech model的一个论文 [15:21] 当时这个论文也是Dario写的 [15:22] 他和另外几个百度前同事他们写的 [15:25] 因为当时我是从投行这边 [15:26] 加入到百度的 [15:27] 所以我当时也在恶补很多 [15:29] 关于人工智能的知识 [15:30] 我就记得很清楚 [15:31] 那几个研究员就跟我说 [15:33] 未来的模型会非常非常大 [15:34] 需要很多很多的数据 [15:36] 如果模型要持续迭代的话 [15:37] 就需要非常非常强的算力 [15:39] 而现在这个算力就是不行 [15:41] 现在一六年的时候 [15:42] 只有英伟达GPU [15:43] 能够去用来训练人工智能的模型 [15:45] 那如果说以后的模型 [15:47] 有这么大的对算力的需求的话 [15:49] 要不就是 [15:49] 除非英伟达能够成为一个非常厉害的算力的芯片 [15:53] 那个时候英伟达其实它在十年前 [15:55] 因为它是一个做游戏的 [15:57] 这种显卡的芯片嘛 [15:58] 所以那时候做深度学习的训练 [16:00] 还不是说那么的理想 [16:01] 当时英伟达这些年它的迭代 [16:03] 它整个这个系统非常的厉害对吧 [16:05] 这我们就不提中间这些发生的事情了 [16:07] 但当年当时那个时候 [16:08] 我们的一个认知就是 [16:10] 如果以后 [16:11] 人工智能 [16:11] 需要这么多算力的话 [16:13] 那就是要不就是英伟达很牛逼 [16:14] 但英伟达如果牛逼起来 [16:16] 那它就垄断 [16:16] 所以不能让他一个人垄断的话 [16:18] 那我们就要去投资新的芯片的架构 [16:21] 所以我是基于在那样的一个认知下 [16:23] 开始去满大街去找一个什么样的 [16:25] 更具有颠覆性的芯片架构的 [16:27] 那那个时候真的就是在共识前 [16:29] 很多很多很多很多年了 [16:31] 然后后来我就是在满大街找的过程中 [16:34] 找了好几家 [16:35] 然后Cerebras就刚好的是其中一家 [16:38] 然后我就开始去做尽调 [16:40] 这个尽调过程是非常非常技术化的 [16:42] 非常多的细节在里面 [16:44] 非常多的技术细节这里不赘述了 [16:45] 就是你要去验证说 [16:47] 它的这个架构能不能work [16:48] 另外就是说 [16:49] 里面这么多的系统级的风险 [16:51] 它是怎么去拆解的 [16:52] 我可以说一下 [16:53] 就是为什么我当时看上这家公司 [16:55] 从这么多家芯片公司里面选了这家 [16:58] 带着当时的百度的一些核心的研究员 [17:00] 去做尽调 [17:01] 是因为我看到了这家公司 [17:03] founder非常的厉害 [17:04] 就Andrew Feldman在当年就显示出了 [17:07] 非常卓越的一些创业者的素质 [17:09] 他的前一家公司叫SeaMicro [17:11] 被AMD收购了 [17:13] 然后收购完之后呢 [17:14] 跟他当年一起创业的 [17:15] 所有的那些co-founder们 [17:17] 都又加入了他来做这家新公司 [17:19] 然后当时公司才成立一年 [17:21] 里面有80多个founding engineer [17:24] 你想才一年他就招到了80多个人 [17:26] 而且都是他以前跟他一起工作过的人 [17:28] 这80多个人里面有60多个以上全是PhD [17:31] 大家平时说资本密度比较集中 [17:33] 那我就觉得这家公司就是集了 [17:35] 我在硅谷能够看见的最聪明的 [17:37] 一群做硬件做系统做软件的人 [17:39] 去构架这么一个颠覆性的芯片 [17:42] 六七十个PhD [17:43] 那真的是太厉害了 [17:44] 这个公司的人才密度就非常的厉害 [17:47] 那这个founder [17:48] 也很了不起 [17:48] 能够在一个初创公司里面 [17:50] 我觉得10年前大家对风险的 [17:52] 承受度不像现在这么高 [17:53] 现在AI很多年轻人出来创业 [17:55] 而那个时候那么多 [17:56] 的厉害的人能够去 [17:58] 承担这个风险 [17:59] 加入这样一个非常具有颠覆性 [18:01] 但是也是高风险的创业公司 [18:03] 去做这件事情 [18:04] 去实现这个vision [18:05] 就有这样的一个conviction [18:07] 我觉得这个founder一定是很了不起的 [18:09] 虽然那个时候我很年轻 [18:10] 但是强烈的直觉告诉我 [18:12] 他一定有几把刷子 [18:13] 所以我就当时带着百度的 [18:14] 一些研究员就开始做尽调 [18:16] 然后一路做尽调下去 [18:18] 让我们当时的一些conviction更加强 [18:20] 就投了这个公司 [18:21] 但是这个公司在后面成长的过程中 [18:23] 它也遇到很多挑战 [18:24] 它并没有想象中的 [18:26] 能够成功的这么快 [18:27] 我们当时所有看到的 [18:28] 一些系统和工程上的风险 [18:30] 后面都有出现 [18:31] 但是这个founder就是能够在这样 [18:33] 的一个逆境中去带领这个公司 [18:36] 克服了很多的困难去成长 [18:38] 他的founding team几乎就 [18:39] 没有什么特别多离职的 [18:41] 你就没有看到说觉得 [18:42] 公司好像有困难了 [18:43] 这些人就拍拍屁股走人 [18:45] 没有看到这样的情况 [18:46] 所以我觉得这个创始人 [18:48] 还有这个公司的愿景 [18:49] 还有他们的团队都是很了不起的 [18:51] 刚开始做的时候就能招到这么多人 [18:54] 已经很厉害了 [18:56] 而且他怎么认识这么多人的 [18:57] 七八十个人的这种级别 [18:59] 他不可能跟七八十个人都是好朋友吧 [19:01] 因为他创业的时候年纪也不小了 [19:03] 也应该有40多岁了吧 [19:04] 所以那些人都是跟他在前一个公司 [19:06] 前前一个公司都共事过的 [19:08] 那这个就足见他的这个人很靠谱 [19:10] 很有人品 [19:11] 你刚刚说到了 [19:12] 就是有founder优秀的素质 [19:14] 你可不可以帮大家列举出来 [19:16] 你看中的这个founder的素质都有哪些 [19:18] 我觉得尤其是投硬件或 [19:21] 软硬件结合的这些founder [19:22] 一定是要去解决一个足够难 [19:25] 足够大的问题 [19:26] 就是他能够看到说我这个问题要去 [19:28] 解决的一个市场痛点是足够大的 [19:31] 比如说当时Cerebras它要去解决的 [19:33] 就是人工智能的这个模型的训练 [19:36] 他会预见到 [19:37] 预判到说未来十年这个模型会很大 [19:40] 需要很多的算力 [19:41] 他预见到了这一点 [19:43] 可能当时百度的一些人工智能的 [19:45] 这些专家们也预见到了这一点 [19:47] 但这个在当时可能并不是一个共识 [19:49] 就当时很多VC还是觉得说 [19:51] 并不知道AI什么时候能够爆发 [19:53] 看不见这个时间表 [19:54] 我还记得当时我自己的一个对于 [19:56] 2025年的人工智能芯片的 [19:59] 一个市场预期只有25个billion [20:02] 而你想想现在2025年 [20:03] NVIDIA的估值都多少对吧 [20:05] 但是我是在2016年的那个 [20:07] 时间节点去预测了2025年 [20:09] 我记得我当时这个预测出来的时候 [20:10] 身边人还跟我说 [20:11] 你这个太aggressive了吧 [20:13] 2016年的时候 [20:14] 英伟达的市值都还非常非常低 [20:16] 我记不得多少 [20:17] 但挺低的可能就 [20:18] 小几十个billion不到吧 [20:20] 然后我就当时就预测 [20:21] 2025年是一个这么大一个提升 [20:24] 很多人是不敢相信的 [20:25] 但你现在从今天回头看 [20:27] 你就发现AI崛起的速度 [20:29] 是远超你的想象的 [20:30] 这个市场也是远超你想象的大 [20:32] 所以我觉得这个Scaling Law [20:34] 它是有一个指数级的增加效应的 [20:36] 可能刚刚扯远了 [20:37] 回到你刚才的问题 [20:38] 就是说回到这个founder本人的身上 [20:41] founder能够去解决一个足够大的问题 [20:44] 但是他解决问题的方法 [20:46] 就是说他能够把他的 [20:47] 这个怎么去解决这个问题 [20:49] 拆解到非常细的颗粒度 [20:50] 比如说当时Cerebras那个founder [20:52] 我在尽调这个风险的时候 [20:54] 我是拆解得非常非常细的 [20:55] 就对我来讲 [20:56] 我有一个直觉在founder上面 [20:58] 这个是我作为投资人 [20:59] 的一个本能的素质对吧 [21:01] 但是第二我要是形成conviction [21:03] 我需要像是去验证一个假设一样 [21:05] 我要去把它的风险 [21:06] 一个一个拆解出来 [21:07] 看看这个风险能不能被解决 [21:10] 然后我也同时在考验说 [21:12] 这个创业者有没有 [21:13] 深思熟虑过这所有的风险点 [21:15] 他要去怎么解决 [21:16] 因为创业路上九死一生 [21:18] 你所有的风险点最后都 [21:19] 可能变成压死你的稻草 [21:20] 所以你有没有把这所有的 [21:21] 风险点一个一个拆解出来 [21:23] 去详细地去思考过 [21:24] 你要怎么解决它 [21:26] 当时Andrew Feldman是把所有的 [21:28] 风险点都拆解到非常细 [21:29] 讲得非常清楚 [21:30] 所以我觉得这样的 [21:31] founder就是又有vision [21:33] 又有真正的 [21:34] 落地的这种经验 [21:36] 就那个时候芯片它还没有出来 [21:38] 但是他已经知道说他要 [21:40] 怎么去把这个东西做出来 [21:41] 而且他面临的风险是什么 [21:43] 就是一个非常系统级别的去把 [21:46] 所有的关键点都拆解出来的能力 [21:48] 我觉得这个很重要 [21:49] 所以就是说 [21:50] 我的直觉一定不是拍脑袋的 [21:52] 我有一个直觉 [21:53] 但是我去验证我的直觉的时候 [21:55] 我是遵循了第一性原理 [21:56] 的一点一点去拆解的 [21:58] 对这里边homework很重要 [21:59] 咱们上次访谈的时候也讲过 [22:01] 就是你在这里边 [22:02] 说实话你的工作非常的辛苦 [22:04] 我是不想要你那个工作的哈哈 [22:06] 对实在是太卷了 [22:07] 挺辛苦的 [22:08] 投完还要管这么多公司 [22:10] 尤其在高通这种CVC里面 [22:11] 高通的投资是一定要 [22:13] 上董事会观察席的 [22:14] 就board observer [22:15] 所以就是你投多少公司得管多少公司 [22:17] 就真的是还蛮辛苦的 [22:19] 对就要做很多很多的案头工作 [22:21] 然后包括跟人的聊天 [22:22] 然后你还要去提升你的直觉等等 [22:25] 刚才的两个点 [22:26] 一个是解决一个足够难的问题 [22:27] 第二呢就是真的想清楚了 [22:29] 然后排清楚了这里面的风险点 [22:31] 但是第一个我觉得 [22:32] 大家普遍有很多误解 [22:33] 比如说一个创业者说 [22:35] 我要做下一个Facebook [22:36] 我要做下一个微信 [22:38] 他觉得这个是一个立志高远 [22:40] 然后是做一个解决足够难的问题 [22:42] 我能不能用这个案例让你 [22:44] 来再进一步的阐述一下 [22:45] 你说解决一个足够难的问题到底是什么意思 [22:48] 我说的这个算不算 [22:49] 那一定不是下一个微信或下一个Facebook [22:51] 因为它已经有了 [22:52] 你除非觉得现在微信和Facebook [22:54] 有什么重大问题让你觉得不好用 [22:56] 你要解决的一个问题一定 [22:58] 是目前没有解决方案的 [22:59] 但是同时 [23:01] 这个市场未来会足够大 [23:02] 就是你要有一个前瞻性的视角 [23:04] 就是我要解决的这个问题是未来3到5年 [23:07] 5到10年的一个问题 [23:09] 然后我的这个解决方案足够的 [23:11] 比现在所有市场上的都优秀 [23:13] 还要回答为什么是我 [23:14] 为什么我能做到它 [23:16] 然后还有就是我要怎么做 [23:17] 这些都要讲清楚 [23:18] 我觉得这几个逻辑就不管是你对于 [23:21] 投早期还是投成长期都是一样的 [23:23] 我们如果倒回去看 [23:24] 其他的一些创业者 [23:26] 可能我们会觉得 [23:27] 比尔盖茨也是草根的呀 [23:29] 扎克伯格也是草根的呀 [23:30] 埃隆·马斯克也是草根的呀 [23:31] 没有什么一定是他的原因 [23:33] 那这个为什么是我 [23:34] 怎么回答呢 [23:35] 在这个阶段 [23:36] 那这个不一样 [23:37] 为什么是我 [23:37] 一定是你有一个强大 [23:39] 的愿力和动力去做它 [23:40] 当你的愿力足够强大的时候 [23:42] 你去阐述说 [23:44] 为什么我对这个 [23:45] 市场有这样的一个预判 [23:47] 为什么我要做的 [23:48] 这件事情是足够难 [23:49] 你会讲得非常convincing [23:51] 那同时你把这两个问题回答好 [23:53] 你就在回答为什么是我 [23:55] 因为没有人能够有你这样的vision [23:57] 或者是能有你这样的 [23:58] 一个解决方案和执行力 [24:00] 我觉得这些能够相当的从 [24:01] 一些你的看事情的角度和 [24:04] 方式上能够反映出来 [24:05] 如果是个年轻的创业者 [24:06] 这个问题可能不是那么好回答 [24:08] 所以VC就会bet on一个说OK [24:10] 我觉得这个年轻人足够有潜力 [24:11] 比如说当年的Scale AI就是这样 [24:13] Alexander Wang在创业的时候才19岁 [24:15] 那就回到Cerebras这个案例 [24:17] Andrew Feldman创业的时候已经40多岁了 [24:19] 他已经有过很多很成功的案例 [24:22] 所以为什么是我这个问题 [24:23] 就觉得很容易就解决 [24:25] 就是为什么是我 [24:26] 这就是你了我觉得 [24:27] 就只有他 [24:28] 就大概率就是你 [24:29] 你有胆量去做 [24:31] 然后你愿意去花时间做 [24:32] 然后你也有足够的能力 [24:34] 去募资并把它做出来 [24:36] 投资人对这个founder [24:37] 对这件事情都有conviction [24:40] 为什么他有足够的能力募资 [24:41] 这个其实已经很明显了呀 [24:43] 因为他当时第一 [24:45] 他看到了这个市场的潜力 [24:46] 他讲得很清楚 [24:47] 第二他的这个芯片的构架 [24:49] 这个方案足够具有颠覆性 [24:51] 而他这个团队能够把 [24:52] 这个颠覆性的芯片做出来 [24:54] 第三他把这个风险点拆解得非常好 [24:56] 这几个点讲明白了 [24:58] 我觉得愿意形成这个 [24:59] conviction的投资人就会给他钱 [25:01] 我为什么问这个问题 [25:03] 在他身上很明显 [25:04] 但是我觉得平移到另外一个人身上 [25:06] 可能具备他的所有 [25:07] 条件也不一定那么明显 [25:09] 就是有很多技术同学 [25:11] 他可能觉得自己的技术很优秀 [25:13] 有具备这样条件的人 [25:14] 募不到钱 [25:15] who is that person哈哈哈 [25:17] 不不不很多时候对自己就会 [25:19] 有这样的一个bubble嘛 [25:20] 那这种情况下 [25:21] 他以为自己的技术非常厉害 [25:22] 他以为自己解决的问题是一个很前瞻性的 [25:25] 很重要的问题 [25:26] 他会觉得自己明明技术很厉害了 [25:28] 但是自己的募资能力不够强 [25:31] 那我觉得如果他募不到钱的话 [25:33] 可能是他对自己的认知判断有误 [25:36] 他觉得自己的vision也很远 [25:38] 技术也够强 [25:39] 想做出来这个东西也够厉害 [25:41] 那就是他的故事没有讲好 [25:43] 故事没有讲好 [25:43] 这里面反映出很多点 [25:45] 就是他的逻辑是有问题的 [25:46] 你面对投资人 [25:47] 投资人都是身经百战的人 [25:49] 比如说你如果来跟我pitch [25:50] 如果这个投资人有十几年的经验 [25:52] 那他很快就能够判断出来说 [25:53] 你的这个视角 [25:54] 是不是一个正确的视角 [25:56] 或者是有一个经过 [25:57] 深思熟虑的一个视角 [25:58] 具有前瞻性的视角 [25:59] 投资人会问很多问题 [26:01] 投资人是非常会问问题的 [26:02] 通过这几个问题 [26:03] 如果这个founder他没有回答足够好 [26:05] 或者说这几个问题 [26:06] 显示出来他想得不够深 [26:09] 有点想当然 [26:09] 那当然就是5分钟内就被毙掉了 [26:12] 都没有下一个再讲的机会了 [26:14] 所以我觉得founder在去pitch之前 [26:16] 也需要对自己有个清晰的认知 [26:18] 你是不是把这个事情想清楚想透了 [26:20] 你的愿力是不是足够大 [26:21] 然后是不是能够让投资人看到 [26:23] 就是说是你可以把这事做成 [26:25] 然后你是不是 [26:27] 能够去召集到一些跟你 [26:28] 志同道合的founding team一起做这件事情 [26:31] 我觉得founder很重要的几个能力 [26:33] 就是讲故事的能力招人的能力 [26:35] 还有融资的能力 [26:36] 就是早期的founder来讲 [26:37] 要不然你也活不到A轮嘛对不对 [26:40] 稍稍替founders们挑战一下你 [26:42] 你似乎预设了投资人是比一个菜鸟founder [26:46] 更懂这个事情能不能做成的 [26:49] 你觉得是这样吗 [26:50] 那我觉得他面对的 [26:51] 是什么样投资人了 [26:52] 我觉得一些一线的VC [26:54] 或者是一线的CVC投资人 [26:56] 他并不一定就是说 [26:57] 懂这个技术的细节对吧 [26:58] 因为永远都是这个founder [27:00] 一定是这件事情最懂的人 [27:02] 但是投资人可以通过问问题 [27:04] 看看这个founder的思维方式 [27:06] 想的东西对不对 [27:08] 你要做的这件事情 [27:09] 你想要去解决的这个问题 [27:11] 这个市场领域够不够大 [27:12] 同时也会通过一些提问的蛛丝马迹 [27:14] 能够看出来这个人 [27:16] 是不是一个很scrappy的founder呀 [27:18] 很hustling的founder呀 [27:19] 能不能把这事做成 [27:20] 能不能成事的一个founder [27:22] 光是有一个vision [27:23] 你技术很强 [27:24] 跟你能不能落地 [27:25] 这个已经能够把 [27:26] 很多的公司给拍掉了 [27:28] 你一定要能够把这事做成才行 [27:30] 而这个能不能把事做成 [27:32] 也是投资人对他的一个预判 [27:33] 我发现我们刚刚 [27:35] 又讲出来几个创始人的核心素质对吧 [27:37] 就是hustling scrappy [27:39] 能把东西落地 [27:40] on top of他要再解决 [27:41] 一个足够大的问题 [27:42] 才能把这个风险点给想清楚 [27:44] 你觉得还有没有additional的 [27:46] 一些素质是投资人看重的 [27:48] 我觉得这几个就还挺重要的 [27:50] 如果真的都具备的话 [27:51] 可能真的就是直接写check了对 [27:53] 因为最近data center [27:54] 芯片互联 [27:55] 这些方向也很重要嘛 [27:57] 然后我也在data center这个领域里面 [27:59] 也聊了一些创业者吧 [28:01] 我也聊到过 [28:02] 就像你讲的 [28:03] 技术非常厉害 [28:04] 非常有远见 [28:05] 他这个东西能解决一个很大很大的 [28:07] data center里面一个互联的问题 [28:09] 就是这样一个 [28:10] 我觉得在技术上 [28:12] 在资历上都是超级棒的创业者 [28:14] 我给他打5A吧 [28:15] 但是我在跟他聊的过程中 [28:17] 会比较担心他的执行能力 [28:19] 通过一些问问题的 [28:20] 包括对他的一些感觉和 [28:21] 他的一些性格的判断 [28:23] 就觉得这个人可能 [28:24] 挺温和的或干嘛的 [28:25] 尤其在硬件的这种创业中 [28:27] founder还是要有相当的执行能力的 [28:29] 然后我对他的一个判断就是说 [28:31] 你如果要去融一个比较 [28:33] 规模的seed round或者A轮 [28:35] 你要有一个在商业层面的一个co-founder [28:38] 把前端的一些落地 [28:40] 这些operation的事给你做了 [28:41] 在能够找到这样的co-founder情况下 [28:44] 你有相当的概率能够拿到VC的钱 [28:46] 这样的founder [28:47] 可能有经验的VC [28:49] 虽然我不懂他那个技术是怎么做到 [28:51] 我就必须非常诚实的说 [28:52] 他讲的里面的一些什么光互联 [28:54] 就是非常technical的东西 [28:56] 我能够知道他是懂 [28:57] 我通过他跟我讲故事我知道 [28:59] 他真的有这个实力 [29:00] 但是同时我作为投资人判断 [29:02] 我也能够看到 [29:03] 可能这样的一个founder [29:04] 在一些落地的上面 [29:05] 他会需要一个更强的合伙人 [29:07] 就跟他很互补的合伙人 [29:09] 我就会建议他说 [29:10] 你要找到一个这样的co-founder [29:11] 以后你再去募资 [29:12] 你的成功概率会大很多 [29:14] 咱们讲到这的话 [29:15] 就继续讲你刚刚说的那个非共识 [29:18] 你通过你的intuition去看这些founder呢 [29:21] 尤其是你要在技术上做一个判断是吧 [29:23] 就是这个正确的非共识一定也是 [29:26] 跟你的investment thesis非常相关的 [29:28] 刚你说的就是这种优秀 [29:29] 的founder是非常闪耀的 [29:31] 所有的可能一线的VC [29:32] 跟他一聊就觉得OK [29:34] 可以给你写check了 [29:35] 那所以说大家会判断错吗 [29:37] 因为投资本身就是 [29:38] 一个小成功率的东西 [29:40] 所以说你投的这个人 [29:42] 他没有把那个东西做出来 [29:43] 不见得你当时做了一个错误的决定对吧 [29:46] 我更想知道的就是在这个 [29:47] 过程中共识是怎么形成的 [29:49] 然后你在这中间又是怎么样子 [29:52] 先人一步的去找到那个正确的非共识 [29:54] 这可能是我想问的问题 [29:55] 我觉得非共识一定是你 [29:57] 作为一个一级市场投资人 [29:59] 经过对这个领域多年的一些深耕的 [30:02] 对一些事情的一些预判吧 [30:04] 共识是怎么形成 [30:05] 那一定是说这个市场 [30:06] 技术到了一个拐点 [30:08] 然后这个共识就形成了 [30:09] 那比如说我在2017年18年 [30:11] 在百度工作那些年 [30:13] 我中间有一段时间我是出来 [30:15] 跟我的前老板想募一个AI的基金 [30:17] 当时我们聊了很多的LP吧 [30:19] 包括institutional [30:20] 一些大公司 [30:21] 包括中美的都有 [30:23] 但那个时候当然也有 [30:24] 一些地缘政治的原因 [30:25] 这个基金没做起来 [30:26] 这是后话 [30:27] 但是明显就能够感觉到 [30:28] 那个时候我就聊的一些LP [30:30] 他们就对于AI这个赛道 [30:32] 觉得这是个非常不靠谱的赛道 [30:34] 那是完全的一个非共识 [30:36] 我记得当时我带着 [30:37] 我的deal book去募资 [30:39] 当时OpenAI在我deal pipeline上 [30:41] Databricks在deal pipeline上 [30:43] Databricks其实2017年融资很困难的 [30:45] 就是这些公司在当时都是非共识 [30:48] 没有一个LP买账 [30:49] 我觉得我可能当时没有那个命吧 [30:51] 这个基金就没有募起来 [30:52] 当时其实Cerebras也在我的deal pipeline上 [30:55] 因为我当时想说 [30:55] 虽然我17年投了 [30:57] 但是18年19年还可以继续加投 [30:59] 然后就没有人觉得这个AI [31:00] 的赛道能够那么快起来 [31:01] 而且就算能够慢慢起来 [31:03] 也是个非常 [31:04] 重资产的赛道 [31:05] 就是你要去花钱去铺这些Infra对吧 [31:07] 那啥时候才有拐点 [31:08] 那VC就不愿意去这么早下注 [31:11] 当时我们在百度的美研预测 [31:13] 一个像Wikipedia这样级别聪明的模型 [31:16] 出来的时间大概是2025年 [31:19] 这个我还记得非常清楚 [31:20] 是当时那些研究员们给我的 [31:22] 一个大概的一个年份的预判 [31:23] 当时让我觉得这个事情在加速呢 [31:25] 就是在2022年ChatGPT出来的时候 [31:28] 我当时就是脑子里 [31:30] 猛地就感觉被打了一顿 [31:31] 就是说哇 [31:32] 这个东西已经比我想象中快了三年 [31:34] 然后我那个时候就开始意识到说 [31:36] 这个已经进入了一个拐点时代 [31:39] 然后那个拐点时代到来的时候 [31:40] 很多VC就把握住了机会 [31:42] 像Menlo [31:43] 还有像当时我MBA同学Sarah Guo [31:45] 也出来做conviction [31:47] 就是会有那么一部分 [31:48] 嗅觉很敏锐的投资人 [31:49] 在拐点刚刚形成的时候 [31:51] 立刻下注 [31:52] 我觉得那个时候是 [31:53] 你的赢面最大的时候 [31:54] 因为你度过了那段 [31:56] 很艰难的非共识期 [31:57] 因为非共识期的时候 [31:58] 公司要成长 [31:59] 你需要去给它烧钱对吧 [32:00] 然后你在拐点刚刚快要出来的时候 [32:02] 那时候下注其实是挺好的一个时机 [32:04] 就那个时候你从非共识到 [32:06] 共识的窗口会比较短一些 [32:08] 那那个时候其实我 [32:09] 当时就感觉到了AI infra [32:12] 比如说那个时候能够解决 [32:13] 模型胡说八道的就是什么RAG对吧 [32:15] 一些fine-tuning或者inference as a service [32:17] 一些比较浅层的AI infra [32:19] 然后这些公司你会看到 [32:20] 2024年25年有一波收购潮 [32:22] 然后再接着就是像视频模型 [32:24] 像一些inference as a service [32:26] 还有就是那个时候我已经很 [32:28] 笃定的能够看到AI agent会出来 [32:30] 所以那个时候我其实在很早的时候 [32:32] 我就推动想投那个Genspark [32:34] 当然还有Manus [32:35] 这些就是早一点发现的一些公司 [32:37] 再到后面 [32:38] 就是你会发现这个阶段能够看到的公司 [32:40] 它已经快要进入共识阶段了 [32:42] 就是进入一个爆发点了 [32:43] 那这个时候其实下注很好的时候 [32:45] 我再倒回去 [32:46] 叙述一下 [32:47] 就是你在17年18年的时候对吧 [32:49] 跟钱老板去募资 [32:51] 所谓的deal pipeline上有OpenAI [32:52] 就是说如果我募到了这个基金 [32:54] 我就可以投进OpenAI [32:56] 但是那个时候LP们不看好 [32:58] LP们不给你这个钱 [32:59] 对 那岂不就是又有了就是 [33:02] 一些创始人的叙事嘛 [33:03] 就是你看VC们不懂嘛 [33:05] VC们看不到这个东西的价值嘛 [33:06] 所以说OpenAI这样的公司在 [33:08] 那个时候也融不到钱嘛 [33:09] 因为可能当时OpenAI它 [33:11] 产品线也不是很清晰 [33:12] 那个时候在尝试不同的东西 [33:14] 他的公司的logo其实是一个 [33:16] 像六边形战士一样的那种对吧 [33:18] 他其实当时就是在 [33:19] 尝试五六个不同的东西 [33:20] 语言模型是他尝试其中一个 [33:22] 那个时候我把它放在那个deal pipeline上 [33:24] 也是当时Sam Altman他跟 [33:26] 百度当年的president陆奇 [33:28] 其实那个时候他们关系还挺好 [33:29] 然后当年百度应该 [33:30] 也是YC的一个支持方 [33:32] 所以Sam Altman一直都是我觉得 [33:34] 这个founder [33:35] 这个人很年轻 [33:36] 就跟我就是有点像同龄的吧 [33:38] 就觉得这么年轻的 [33:39] 一个人又这么有vision [33:40] 想干一件这么伟大的事情 [33:41] 又是AI这个方向 [33:43] 如果能够募到资 [33:44] 就可以支持一下 [33:45] 说实话我当时没有特别多去想这个案子的回报率 [33:48] 就是觉得说这个人很厉害 [33:49] 应该去投一下 [33:50] Databricks是当时一个非常遗憾的错过 [33:52] 因为我是2017年在Andreessen的年会上 [33:55] 当时Andreessen他们的GP给我 [33:57] 发了一两百个公司 [33:58] 说你选一个公司 [33:59] 你想聊的 [34:00] 我就从那一堆公司中选了Databricks [34:03] 就可能是一种命运的指引吧 [34:05] 我就跟当时的founder聊了好几次 [34:07] 我就还挺喜欢他们做的那个data [34:09] 的这种warehouse的一种理念的 [34:11] 就他们会针对一些low-tech的company [34:13] 去build一个data infra [34:15] 可惜当时我把这个公司 [34:17] 带到当时百度去讲的时候 [34:19] 大家就觉得它有点太low-tech了 [34:21] 不符合当时百度想投 [34:22] 前端AI的一个投资逻辑 [34:25] 这个案子就没有能够成功的去上会 [34:27] 但它也确实在我当时想要去 [34:29] 融资的那个基金的deal pipeline里面 [34:32] 我觉得我对它是有conviction [34:33] 它虽然可能不符合一个 [34:35] 非常前瞻的人工智能AI lab [34:37] 的这样的一个投资逻辑 [34:38] 但这个公司 [34:39] 一定是非常有市场的 [34:40] 所以我对它有这样的一个预判 [34:42] 当然后面事实证明 [34:43] 这个预判还是挺正确的 [34:45] 所以也挺可惜的当时 [34:46] 一些判断没有能够在那个时候 [34:48] 成功地募集基金能够把他投掉 [34:50] 投资人嘛 [34:51] 每个投资人都会有很多的anti-portfolio [34:53] 就是他们的遗憾 [34:54] 不止我一个 [34:55] 很多投资人都是这样 [34:56] 几乎所有的都 [34:57] 而且越厉害的投资人越有这种 [34:59] 就是他总是会 [35:00] 就会有anti-portfolio对吧 [35:01] 就好像那个 [35:02] 我记得是哪个红杉投资人 [35:04] 他的anti-portfolio是字节 [35:06] 然后他就出来做了那个 [35:07] 是叫五源吧 [35:08] 是不是五源那家基金 [35:10] 对我记得中国有一个 [35:11] 投资人是这样子的 [35:12] 我(也)记得有这样的一个 [35:13] 对对对对 [35:14] 就包括Sarah Guo她本人在 [35:16] Greylock也有很多的anti-portfolio [35:17] 所以她就是 [35:18] 一怒冲冠一下就 [35:20] 出来做自己的基金了 [35:21] 时间点也非常非常的好 [36:03] 那我们正好顺着这个话题 [36:05] 想帮大家了解一下现在硅谷 [36:07] 投资大家的consensus是什么样子 [36:09] 现在的investment theses [36:10] 就是硅谷的人现在在投什么呢 [36:13] 今年其实非常的共识 [36:14] 就今年大家看的东西 [36:16] 一窝蜂的都是一样的 [36:17] 像机器人这个赛道 [36:18] physical AI [36:19] 还有像这个 [36:21] world model呀 [36:21] 就世界模型这个领域 [36:23] 应该是现在很火的一个赛道吧 [36:25] 因为毕竟就是说 [36:27] 你做agent的话 [36:28] agent的一些 [36:29] 不管是general-purpose agent [36:31] 还是说垂直领域的一些agent [36:33] 大家都很担心它会被 [36:35] 大模型公司给吃掉 [36:36] 等等这句话我觉得不是 [36:38] 一个大家都知道的事情 [36:39] 也就是说垂直agent [36:41] 或者说是这种AI的subsector吧 [36:44] 因为有一个人来问 [36:46] 就是未来哪些AI的 [36:47] subsector还适合VC去投 [36:50] 是不是这句话的意思 [36:50] 就是说已经都不投了 [36:52] 那倒也不是 [36:53] 我觉得这些subsector就vertical sector [36:55] 比如说医疗 [36:56] 比如说药物研发 [36:57] 或者是金融领域 [36:59] 还是可以投的 [37:00] 但是要去寻找那种能够去自动化 [37:03] 比较复杂工作流程的这种AI agent [37:05] 如果你只是说develop一个产品 [37:08] 基于一个模型的套壳去 [37:10] 你就是拿到一些垂直行业的数据 [37:12] 可能一两年前你会觉得说哦 [37:14] 我有这个行业的domain knowledge或数据 [37:17] 会形成一个护城河 [37:18] 但现在已经不行了 [37:19] 因为这些大模型公司它 [37:21] 可以去生成一些synthetic data [37:23] 它也可以去找到这些人 [37:25] 去给它进行数据的标注 [37:27] 所以这些数据 [37:28] 已经不能够成为护城河了 [37:30] 可能之后成为护城河的 [37:31] 反而是某个领域的一个 [37:33] 非常高价值链的工作流 [37:35] 比如说在医疗领域 [37:36] 如果说你有一个工作流能够去把 [37:39] 比如说从你去找医生看病 [37:42] 到看病中间流程的这种 [37:44] 病例的记录 [37:45] 然后到最后你去给患者一些建议 [37:47] 再去帮他辅助他去比如说拿药 [37:49] 这我只是举个例子 [37:50] 就你把整个流程都打通 [37:52] 复杂的流程都打通 [37:54] 那可能这样的一个 [37:54] agent是比较有价值的 [37:56] Frontier model可能在这个domain knowledge [37:58] 它可能会成为一个非常厉害的医生 [38:00] 或者是非常厉害的 [38:01] 一个药物研发的专家 [38:02] 可是你的工作流它还没有办法 [38:04] 完完全全地去automate [38:06] 所以就是如果你能够 [38:07] 从这个角度去下手 [38:08] 这几个垂直领域还是 [38:10] 有机会可以去投的 [38:11] 就是模型是很好的大脑 [38:13] 但是动手还是需要动 [38:14] 然后模型可以编程 [38:16] 但是很多东西也不是 [38:16] 光靠编程就能解决的 [38:18] 对对对需要有一个动手 [38:20] 但是动手如果是模型也能动 [38:21] 那你也没机会 [38:22] 你可能要动的是这种更加 [38:23] 高价值链上的一些更复杂 [38:25] 的一些工作流的动手 [38:26] 是如果模型编程就可以搞定的话 [38:28] 那肯定也是没有机会的 [38:30] 对对对 [38:30] 总之就是这个大模型 [38:31] 能力水涨船高之后 [38:33] 很多逻辑都变了 [38:34] 那你会觉得软件这件事还有前途吗 [38:37] 或者说是做一个产品创业 [38:38] 这件事还有什么机会吗 [38:40] 软件可能挺难的 [38:42] 因为我没有去看软件哈 [38:43] 所以也不要去把我的意见 [38:45] 当做影响你们的一个因素 [38:47] 我自己觉得 [38:48] 作为投资人 [38:49] 我可能不会去看软件 [38:50] 我会看一些更加infra层面的东西 [38:53] 因为软件也不是我本身特别擅长的 [38:55] 所以不擅长的东西我就 [38:57] 不发表扰乱大家心智的意见了 [38:59] 好呀那你在硬件这里边 [39:01] 你刚刚说了机器人 [39:03] physical AI、world model都是比较overloaded的词 [39:06] 那你在这里边 [39:07] 你觉得什么东西是大家觉得厉害 [39:10] 其实已经证实了不那么厉害 [39:12] 然后有什么你觉得是 [39:13] 其实已经挺厉害了的 [39:15] 今年的world model确实是 [39:16] 很多的创业公司在做 [39:18] 我自己可能会比较关注的 [39:20] 方向就是这个数据的形成 [39:22] 因为目前数据还是非常稀缺的 [39:24] 对于机器人领域来讲 [39:26] 而且有的时候数据需要在 [39:27] 一个能够落地的场景下 [39:29] 所以我觉得比如说 [39:30] humanoid人形机器人 [39:32] 如果你是Demo很厉害 [39:33] 我们在CES上看到很多 [39:35] Demo很厉害的机器人 [39:36] 他可能是认为有人在 [39:37] 远程遥操这样的一个结果 [39:39] 那我觉得关键点是你能不能落地 [39:41] 找到一个落地场景 [39:43] 真的把它落下来 [39:44] 然后去在这个落地场景下收集数据 [39:46] 然后让这个数据去对它的 [39:48] 这个机器人大脑或者是它的 [39:50] 软硬件的这种integration进行迭代 [39:52] 我觉得有一个真实的落地场景 [39:54] 在落地场景下得到的 [39:56] 这种数据其实挺重要的 [39:58] 所以我觉得真正的deployment [40:00] 有一点点被忽视 [40:02] 大家太多的去讲说哦 [40:04] 我这个训练模型的方法论是什么 [40:06] 我要不要多去引入语言模型 [40:08] 还是说我要多去用 [40:10] 这个vision language model [40:11] 还是我两个结合 [40:12] 还是我抛弃一个 [40:13] 怎么怎么样 [40:14] 你会听到有很多这样的讨论 [40:16] 我觉得这个讨论是有必要 [40:17] 但是真的你要去找到一个 [40:19] 让你的机器人能打磨到一个 [40:21] 可以真的去落地的一个场景很重要 [40:24] 还有一点就是我自己 [40:25] 可能在修正的一点吧 [40:27] 就是我觉得data是很重要的 [40:29] 就是你会现在看到 [40:30] 很多做世界模型的公司 [40:32] 或者是做一些数据生成的公司 [40:35] 帮助机器人领域去搞数据 [40:36] 你会发现诶 [40:37] 他们其实现在ARR涨得很快 [40:40] 因为真的这些融了 [40:41] 很多钱的机器人公司 [40:43] 他很缺数据 [40:44] 所以他的ARR也都是通过这些 [40:46] 融到很多钱的机器人公司来的 [40:48] 因为他们要去买数据训练模型 [40:51] 然后你现在看到一个暂时的繁荣场景 [40:53] 去采数据的这些公司很挣钱 [40:55] 但是我觉得或许有一天 [40:57] 你会有一个公司可以去 [40:59] develop个生成数据的这样一个模型 [41:02] 这样可能才是一个终极的解决方案 [41:04] 而不是说你去满大街的采数据 [41:07] 你要是能够生成一个能够真正 [41:09] 懂物理世界的这么一个模型 [41:11] 然后去自动生成数据 [41:13] 我觉得这样的一个解决方案 [41:14] 可能是更加第一性原理的 [41:17] 我就觉得说 [41:17] 如果你去投这种光是能够帮你 [41:20] 采集机器人数据的这种公司要小心 [41:22] 你要看它背后是不是能够去有一个 [41:24] 自己的数据引擎去生成这些数据 [41:26] 而不是说我硬生生去买 [41:28] 硬件去在各种场景下去采集 [41:30] 这个技术话题稍稍挑战一下 [41:32] 或者深聊一下 [41:34] 一个能自动生成 [41:35] 数据的这种世界模型 [41:38] 我们就用世界模型去叫它就好了 [41:40] 但是如果我们有了这个以后 [41:41] 我们也不需要数据了 [41:42] 相当于这个问题已经解决了 [41:44] 有点鸡生蛋蛋生鸡是吧 [41:45] 有可能会这样对 [41:47] 就是我们想要能做到 [41:48] 这个世界模型的前提是我们掌握了 [41:50] 这个世界的analytical solution [41:52] 我觉得这可能是一个迭代的过程 [41:54] 就是你可能有一个这样初级的 [41:56] 可能1.0、2.0版本的世界模型 [41:58] 生成这样的一些数据 [41:59] 然后这个数据在现实的 [42:01] 落地中不断地去修复 [42:02] 然后你这个数据变成了 [42:03] 一个3.0、4.0版本的数据 [42:05] 反过来又回来迭代 [42:06] 你的这个世界模型 [42:07] 让它变成了一个4.0、5.0 [42:09] 版本的世界模型 [42:09] 所以它们之间可能是 [42:10] 在相互进步的这样子 [42:12] 就是理论引导实验 [42:14] 实验然后修正理论 [42:15] 对对对对 [42:16] 但我自己还是觉得这个领域应该 [42:18] 会出现像Scale AI这样的一个公司 [42:20] 就像当年Scale AI给 [42:21] 语言模型提供了数据 [42:23] 会有一个像Scale AI这样的数据引擎 [42:25] 给world model机器人去 [42:27] 提供这种高质量的数据 [42:29] 可能不止Scale AI一个 [42:30] 会有好几个 [42:31] 那这就有一个问题了 [42:32] 软件投资人看的是ARR [42:34] 就是recurring revenue [42:35] 那硬件投资人看的是什么呢 [42:36] 我觉得现在的一些 [42:38] Benchmark都在被改写 [42:40] 比如说你现在看的这些模型公司 [42:42] Frontier Labs对吧 [42:43] 就是看它的token的消耗量了 [42:45] 包括inference token的这种throughput [42:47] 像Anthropic这个API [42:49] 你的credit一直在爆对不对 [42:51] 你作为一个用户 [42:52] 你不停地在加码 [42:54] 其实这个商业模型已经在转变了 [42:57] 因为你不停地需要去烧token [42:59] 那你的硬件的这个Infra [43:01] 也在不停地往上涨 [43:03] 可能这个硬件会从纯卖硬件 [43:05] 变成去构建一个系统 [43:07] 基于这个系统上你的inference [43:09] 或者是token的消耗量去收费 [43:11] 所以是一个使用量的这种proxy [43:14] 大概这种感觉 [43:15] 诶但是所有的硬件公司 [43:16] 都可以被这样抽象吗 [43:18] 我觉得一定是有系统级 [43:19] 能力的这种硬件公司 [43:20] 像Cerebras它现在 [43:22] 如果你去看它的招股书 [43:23] 它就已经不是说我卖一个芯片 [43:25] 我卖一个wafer-scale芯片它不是 [43:27] 它是卖一个inference的这么一个系统 [43:29] 它有自己的data center [43:31] 帮助客户去运行inference的 [43:33] 这样的一个workload [43:34] 跟OpenAI签这样一个单 [43:36] 它其实是一个系统级别的很大的 [43:38] 一个收费的这么一个项目 [43:39] 比如说你这个项目能够交付的话 [43:41] 它这个收入应该是 [43:42] 可持续性一直往下走的 [43:44] 软件时代的收费模式 [43:46] 它是说我有固定的数 [43:47] 我一个月 [43:48] 20美金200美金 [43:49] 但是这个 [43:50] 我们现在其实已经 [43:51] 相当于在一个AGI的时代下了 [43:53] 可能过了两年 [43:54] 那那个时候人类可能对于 [43:56] 模型去产生intelligence [43:58] 的依赖会更大 [43:59] 那你的token就是你的input token [44:01] output token会更多 [44:03] 那你消耗的算力会更多 [44:04] 你对Infra的要求也就更高 [44:06] 所以我觉得系统层面就变成了硬件 [44:09] 加系统还有Infra的这么一个模式 [44:11] 收费框架会比软件时代 [44:13] 的收费框架更有吸引力 [44:15] 就是基于你的usage [44:17] 基于你对智能的 [44:19] 依赖程度和产出需要 [44:21] 那感觉这里边的价值都 [44:22] 被硬件公司给吃掉了 [44:24] 硬件公司吃掉 [44:25] 我觉得硬件公司 [44:26] 系统级别 [44:27] 模型公司会吃掉很大部分 [44:29] infra cloud这些会吃掉很大部分 [44:32] 剩下的application的创业者 [44:33] 就分不到什么东西了 [44:34] 汤都喝不上 [44:36] 哈哈如果你能打造出来一个爆款 [44:38] 那应该还是可以的 [44:40] 我还是觉得AI agent呢 [44:41] 有很多的机会 [44:42] 你可能会出现很多 [44:43] 的这种agentic的developer [44:45] 打造一个产品 [44:46] 但它不一定是个公司 [44:48] 它不一定是venture-backable的 [44:49] 它可能就是说 [44:50] 我本来要打造这样一个产品 [44:52] 我以前需要一个团队 [44:54] 我现在一个人就行了 [44:55] 我用不同的AI工具去做 [44:56] 当然这些人打造这个AI agent [44:59] 这些developer或者是一个小的公司 [45:01] 他希望这个账能算得过来 [45:03] 那就是你的这个 [45:04] inference的cost要能够下来 [45:06] 所以我为什么觉得 [45:07] 我其实还是比较喜欢投Infra [45:09] 如果你有一个Infra的一个产品 [45:10] 能够把你的inference cost弄下来 [45:12] 那这些去提供agentic AI的这些 [45:15] 服务的或者产品的这些创业者 [45:17] 是不是就能够有比较大的毛利空间 [45:19] 因为不然的话 [45:20] 你就一直在给 [45:21] Anthropic在给Frontier model在付费对吧 [45:23] 大家Fable出来了以后 [45:25] 群里的很多人已经说完了完了 [45:27] 遭不住了 [45:28] 用一用就直接到头了 [45:30] 那我这边再问一个 [45:31] 关于硬件的问题 [45:32] 就是比如说我们在CES上看到那么多Demo [45:34] 走出来的公司呢 [45:35] 是很少的 [45:36] 从Demo到量产中间死掉的公司的共性 [45:38] 你觉得主要是什么 [45:40] 就是不能落地 [45:41] 他没有办法找到一个足够多的 [45:44] 能够向客户demonstrate足够大 [45:46] 的ROI回报率进行落地的 [45:49] 我记得在疫情的时候 [45:50] 那段时间你记不记得 [45:51] 仓储物流机器人很火 [45:53] 觉得说大家以后都不出去shopping了 [45:55] 美国绝大多数的都是e-commerce [45:58] 电子商务 [45:58] 其实因为你要看美国电子商务的 [46:00] 普及率比中国它是要低很多的 [46:02] 然后疫情的时候 [46:03] 大家都不出去shopping了 [46:04] 都要网上网购 [46:05] 但其实美国人很多 [46:06] 网购也是从Amazon上网购 [46:08] 碎片化的这种e-commerce的一些business [46:10] 它其实 [46:11] 没有你想象中这么多 [46:12] 但疫情的时候他们 [46:13] 确实有一个爆发的体量 [46:15] 当时就有很多什么grocery shopping [46:17] 买菜呀需要去进行仓储物流自动化 [46:20] 就有很多很多这样的startup出来 [46:22] 然后最后都死了 [46:23] 就是疫情一过 [46:24] 美国人民又回到了以前的 [46:26] 一种生活工作模式上去 [46:27] 一些小电商都没有了 [46:29] 因为那段时间你去建造了一些 [46:31] 仓储物流自动化的一些机器人 [46:34] 也都不行了 [46:34] 而且那些机器人都是在大语言模型 [46:37] 就是这个vision language model出来之前构建的 [46:40] 就他们的这个Infra本身也比较落后 [46:42] 所以这批公司死了一大堆 [46:44] 他当时有一个暂时的product market fit [46:46] 但是一旦一个 [46:47] 现象级的事情过去之后 [46:49] 这个product market就没有了 [46:50] 你的这个市场就不足够大了 [46:51] 然后你又要去把它进行落地 [46:53] 又需要去跟很多的这种 [46:55] local的一些IT去进行configure [46:58] 去进行调试 [46:59] 就很麻烦 [46:59] ROI也很难去demonstrate [47:01] 那个时候的这种仓储物流机器人 [47:03] 现在能活下来就没有几个 [47:05] 共性可能就是还是错判了需求 [47:07] 再就是没有办法落地 [47:08] 就是那个东西看上去好像很厉害 [47:10] 其实是不行的 [47:11] 是的是的 [47:12] 我这再问两个关于VC行业和 [47:14] 大家对这个VC的一个了解吧 [47:17] 就是第一 [47:18] 你刚刚也提到了 [47:19] 24年的共识窗口可能是3-6个月 [47:22] 25年可能是两三个月 [47:23] 今年就几乎没有了 [47:25] 那你觉得VC这个行当还make sense吗 [47:28] 是make sense的 [47:29] 通常当你共识窗口没有的时候 [47:32] 就是第一阶段的发展到了顶峰 [47:33] 所以你会看到今年其实 [47:35] 一些大的玩家要收割 [47:37] 像OpenAI还有Anthropic都要上市了嘛 [47:39] 这就说明第一阶段的 [47:41] 爆发到了一个顶峰 [47:42] 你也可以说可能是个小泡沫要进行破裂的时候 [47:45] 但是我不认为AI这个泡沫会破裂 [47:47] 只是说这个阶段你刚好 [47:48] 到了一个收割的阶段 [47:50] 下一个阶段的爆发期可能 [47:52] 就是从这个阶段收割出来的公司 [47:54] 里面成长出来的一些 [47:56] 技术曲线的一些突破 [47:57] 就是你有一些技术曲线的一些大的突破 [47:59] 然后你再到一个技术的拐点 [48:01] 找到市场 [48:01] 我觉得下一个cycle可能正在形成中 [48:04] 但这一个cycle差不多已经到头了对 [48:07] 那你觉得VC在这个时代 [48:09] 你是投硬件的VC [48:10] 这可能没什么区别 [48:12] 但是像投软件的VC [48:13] 大家可能觉得VC本身的 [48:15] 做法可能也要有改变了 [48:16] 因为好像整个软件都 [48:18] 不是那么make sense了 [48:19] 对 [48:20] 我觉得他们可能要更加的去 [48:22] 投一些比较AI native的founder [48:24] 能够去把这些AI的工具用起来 [48:26] 然后就像我刚刚讲的 [48:28] 在一些垂直行业去 [48:29] 找一些比较高价值的工作流 [48:32] 然后这个工作流又能够足够 [48:33] 覆盖这个行业比较大的一个场景 [48:36] 像我刚刚说医疗金融 [48:37] 其实它都有非常复杂的工作流去做 [48:39] 以前的软件公司可能就是 [48:41] 这些工作流中的一个工具 [48:42] 但是这些工具现在都被AI替代了 [48:44] 所以你就要找新的创业公司 [48:46] 就是非常AI native的这些founder [48:48] 他能够去用好这些AI的工具 [48:51] 然后去构建一个复杂的工作流 [48:53] 用里面的一些special know-how [48:55] 去构建一个工作流 [48:56] 听起来你是对未来有 [48:58] 这么一个investment theses [49:00] 嗯哼 是的是的 [49:00] 尤其是对于Infra [49:02] 你会持续地关注和持续地bet [49:04] 那除了这个Infra之外 [49:05] 你还有没有什么其他的investment theses [49:07] 我是挺看好Physical AI的 [49:09] 就是世界模型机器人这个方向 [49:12] 可不可以跟我们解释一下 [49:13] 这里边你觉得比较能 [49:15] 早期落地的应用是什么 [49:17] 是自动驾驶那是那 [49:19] 对对对 那炒菜机器人还是啥嘞 [49:21] 自动驾驶已经过去了我觉得可能是 [49:23] advanced manufacturing [49:24] 就是一些能够在工业场景下落地的机器人 [49:27] 尤其是美国 [49:28] 因为我觉得现在美国 [49:29] 可能它有一个战略目标 [49:30] 就是说能把这种生产场景带回到美国来 [49:34] 就是让美国重新 [49:35] 具有一个生产的能力 [49:36] 觉得可能就是说在美国的话会有一些 [49:40] 能够在生产车间落地的 [49:42] 机器人会能够先跑起来 [49:44] 但是我有这么一个想法 [49:47] 其实我是在初中的时候去参观意大利 [49:50] 那个时候我爸在国内做瓶盖 [49:51] 然后他的一个工厂 [49:52] 里边可能是1,000个员工 [49:55] 然后意大利的那个 [49:56] 瓶盖工厂产量比他多 [49:58] 但是整个工厂里面有三个员工 [50:00] 就感觉制造业本身 [50:02] 已经高度自动化了 [50:03] 尤其这种 [50:04] 资本密集的发达国家 [50:06] 那在这种情况下 [50:07] AI真的能帮助很多吗 [50:09] 感觉人已经是很少了 [50:11] 然后人已经做的是那种高难度 [50:13] 非常难以被AI解决的这种东西了 [50:15] 那这种时候 [50:16] physical AI它的落地 [50:17] 或者说它的空间有这么大吗 [50:19] 我觉得瓶盖这个事情可能是 [50:21] 它比较简单的一些生产场景 [50:23] 可能它有更加落地场景的是 [50:25] 一些复杂的工业的生产场景 [50:27] 比如说汽车的制造业 [50:29] 还有像一些化工化学的这种制造业 [50:32] 我觉得哪怕是仓储物流 [50:34] 的这种机器人的环境 [50:35] 也还是需要真正能落地的 [50:37] 这种工业级别机器人的 [50:39] 这个环节我必须要澄清 [50:41] 就是我还没有开始去仔细研究 [50:43] 但我感觉这个它可能会 [50:45] 形成像自动驾驶一样 [50:46] 过段时间它也会有一个拐点的到来 [50:48] 这个拐点的到来会是 [50:49] 一个什么样的标志性事件 [50:51] 就是这个机器人能够去通过 [50:54] 一个比较复杂的图灵测试吧 [50:56] 在某个任务场景下 [50:58] 好然后我最后一个问题就是 [51:00] 你的这个印象派油画了 [51:02] 你来说一下你的这个爱好吧 [51:04] 这个爱好是怎么回事 [51:05] 我为什么会问这个 [51:06] 因为我是特别粉Paul Graham [51:09] 他的文章我几乎都看了 [51:10] 他写了一本书就是《黑客与画家：计算机时代的大智慧》 [51:12] 他讲了很多东西都是 [51:13] 拿这个画画做比喻 [51:16] 所以说我不知道这个东西是不是 [51:17] 画画和投资就是有一些联系在的 [51:19] 我觉得好像科学跟艺术 [51:21] 它总是有一定的联系的 [51:23] 有一段时间确实是在画油画 [51:25] 但是我必须承认我很久没有画 [51:27] 工作忙有小孩以后就封笔了 [51:29] 但是在百度工作那段期间 [51:31] 我还是花了挺多时间 [51:32] 周末去画一些油画这种 [51:34] 我觉得在画印象派的时候 [51:36] 跟你投资有点像 [51:37] 就是你画印象派的画的时候 [51:38] 你总是 [51:39] 有大概这么一个印象 [51:40] 就好像你有一个hypothesis一样 [51:42] 你有一个thesis [51:43] 但是你下笔的时候 [51:44] 你可能不知道它大概会成为什么样 [51:46] 但是你有一个假设 [51:47] 然后你就是在不停的点点点点点 [51:49] 的过程中去论证这个假设 [51:51] 所以我就觉得在画油画的过程中 [51:54] 它对我摒除杂念是一种很好的锻炼 [51:56] 我觉得它像一个冥想的过程一样 [51:58] 哦说到这里 [51:59] 我其实是一个比较多进行冥想的人 [52:02] 很多投资人都有一个冥想的习惯 [52:04] 这个可能是我最近这几年形成的一个习惯 [52:06] 有时间我会进行一些 [52:08] 20分钟的这种冥想 [52:09] 让自己的一些 [52:11] 杂念排除掉 [52:12] 因为投资里面会有很多很多的杂念 [52:14] 今天看了这个 [52:15] 要觉得错过那个 [52:16] 或者你过度地掉入一个公司 [52:18] 对它深入地探究 [52:19] 那你可能花错时间了 [52:20] Attention Is All You Need [52:22] 但是你需要把你的 [52:23] attention花在正确的事情上 [52:25] 所以我就感觉在做 [52:27] meditation这件事情上 [52:28] 能够在一定程度上帮助我去把 [52:31] attention从不必要的事情上拉过来 [52:33] 不能说每次都能拉得回来 [52:35] 但真的是可以让人 [52:36] 去清除掉一些杂念 [52:37] 你觉得你 [52:39] 常常清除掉的杂念 [52:40] 除了去关注不该关注的公司 [52:42] 还会有什么样的杂念 [52:44] 可能去过多干涉 [52:45] 创始人怎么去做公司吧 [52:47] 因为我是一个蛮负责任的投资人 [52:49] 我不得不说 [52:50] 就是我可能在大概 [52:51] 七八个公司上做董事会观察员了 [52:54] 就board observer [52:55] 然后每次就是感觉 [52:57] 可能有点关心过度吧 [52:58] 就是会希望说公司做得好 [53:00] 然后就会给他们很多意见 [53:01] 这个是我在早期做 [53:02] 投资的时候一种风格 [53:04] 我就觉得我一定要跟你成长 [53:05] 但是后来我发现诶其实 [53:07] 人家懂得比你多 [53:08] 你不需要去过度的关注 [53:09] 或者是你觉得这个founder [53:11] 很年轻很green的时候 [53:12] 你总是希望把你所有的经验 [53:14] 看到所有的这些教训都灌输给它 [53:16] 有一句话就是 [53:17] 你如果自己觉不到悟不到那就不是你的 [53:20] 我硬去给你塞 [53:21] 你也觉悟不到 [53:21] 你也不会去执行 [53:22] 你也不会去内化它 [53:24] 所以后来我就发现说 [53:26] 当我发现某个被投公司 [53:28] 出现不好的苗头的时候 [53:29] 或者是他要犯错的时候 [53:31] 我也就点到为止 [53:32] 因为我觉得过多的干预 [53:33] 或者你把正确答案塞给他 [53:35] 他是不一定会去执行的 [53:36] 因为他没有领悟到 [53:38] 放下助人情结 [53:40] 对对对 [53:40] 放下这种一定要让这个事情完美化 [53:42] 或者让他能够去按照一个 [53:45] 正确的方法去做的情结 [53:46] 就是他自己吃了什么经验教训 [53:48] 他自己会学到的 [53:49] 我这个最近也有很多 [53:50] 就是我老婆特别不喜欢unsolicited advice [53:53] 我也意识到了 [53:54] 就是很多时候我给别人advice [53:55] 就是觉得别人想的是错的 [53:56] 我想的是对的 [53:57] 然后我现在 [53:58] 对谁都很少给advice了 [54:00] 对其实有的时候我觉得就是在创投圈吧 [54:04] 因为很多founder他们很有技术的背景 [54:07] 比如说现在一些researcher这些 [54:09] 但他们在商业领域上 [54:11] 或哪怕在法律层面上 [54:12] 知识真的是欠缺的 [54:13] 然后有时候你给他们意见 [54:15] 其实这个意见真的是对的意见 [54:16] 因为他们就是欠缺这个经验 [54:18] 但是他不觉得你说的是对 [54:20] 他可能觉得说你是在干扰我 [54:22] 那这个时候你就得闭嘴了 [54:23] 就是即使你知道你300%是对的 [54:26] 那他也得自己去经过这个教训 [54:28] 他才能学到 [54:29] 什么东西都不如自己 [54:31] 学到的教训来得真切 [54:32] 人教人教不会 [54:33] 事教事一教就会 [54:34] 没错没错 [54:35] 对对对我这个经历过很多 [54:37] 这种类似的事情了 [54:38] 所以就学会了不去操心 [54:39] 这样自己也能每天多睡一个小时 [54:42] 赞 [54:43] 有一个问题是 [54:44] 董事观察员有什么条件 [54:46] 是占股前几吗 [54:47] 一个是就是说你的这个基金或者 [54:50] 是你本人在创始人心目中的分量 [54:52] 你如果是个头部的CVC [54:54] 那你可能投的金额也不会少 [54:55] 你会占据相当一定的股份 [54:57] 那这种情况下 [54:58] 如果你要求要做董事会观察员 [55:00] founder应该也会答应 [55:01] 但这个确实就是你要在这个过程中 [55:04] 和founder建立很好的信任关系 [55:06] 他能够认可你的价值 [55:07] 认可你平台的价值 [55:09] 成为董事会观察员 [55:10] 双重价值都很重要 [55:12] 一个是你基金平台的价值 [55:13] 不管是CVC还是VC [55:15] 同时还有你个人的价值因为 [55:17] 他可以说我让你的VC [55:19] 当董事会观察员 [55:20] 但我不让你当 [55:21] 我可能想让一个更加有经验 [55:22] 的合伙人去当董事会观察员 [55:24] 这个都是经常发生的 [55:26] 最后两个问题是给观众的建议 [55:28] 第一个问题就是大厂人想要 [55:30] 去进入VC或者跟VC打交道吧 [55:32] 你觉得最大的认知误区是什么 [55:34] 那要看你跟VC打交道是为了什么 [55:37] 是为了要 [55:37] 融资嘛 [55:38] 我要创业了 [55:38] 然后要跟VC打交道 [55:40] 我觉得有一个误区 [55:41] 应该就是说觉得自己的技术很牛 [55:44] 我想想 [55:44] 我好像前段时间确实在两三年前 [55:47] 有聊到过一个大厂很出色的一个leader [55:50] 他最后没有募资成功 [55:52] 我觉得他就是 [55:53] 他当时有一套非常 [55:54] 厉害的一个技术吧 [55:56] 就关于在模型创新上面的 [55:58] 可是他应用场景想的不够深远 [56:01] 就是因为那个时候已经 [56:02] 有很多大模型跑在很前面了嘛 [56:04] 你的一个另外一种模型范式的创新 [56:07] 你有什么地方能够比这个大模型的 [56:10] 目前的player要好 [56:11] 我觉得就是他没有 [56:12] 把应用场景想清楚 [56:13] 你就是拿着锤子找钉子这个事 [56:15] 你光是打造一把很厉害的斧头 [56:16] 但是你的市场不够大 [56:18] 或者你没有想清楚 [56:20] 你没有想到会有什么样的市场就不行 [56:22] 你能够把一个足够大的 [56:23] 市场去讲清楚就很重要 [56:25] 这个就可以拿到founding [56:26] 但你如果讲不清楚 [56:27] 你只是说 [56:27] 哦我这样的一个real-time learning [56:30] 或干嘛的 [56:30] 这个做成会很厉害那so what [56:32] 你想去tackle什么样的一个场景 [56:34] 为什么这个场景大模型做不了 [56:35] 要把你的vision想透透的 [56:37] 想得很清楚 [56:38] 还有一个认知误区 [56:39] 就是估值越高越好 [56:40] 我觉得现在有很多的 [56:42] 创始人就是卯着高估值去哈 [56:44] 最近也亲身经历一些例子 [56:46] 就是说可能本来谈好的一个估值 [56:48] 他突然又觉得说我要一个更高的估值 [56:51] 然后就是一直在跟你掰扯估值这个事 [56:53] 我觉得估值一定不是越高越好的 [56:55] 因为 [56:56] 你现在很多很厉害的 [56:57] 一些new labs这种很高的估值 [56:59] 那可能是确实因为 [57:00] 这个founder本人很厉害 [57:02] 这种特别厉害的founder你是很少的 [57:04] 就是这种比如说research里面的大牛 [57:06] 市场会给他追高一个估值 [57:08] 那是因为他的名声的Premium在里面 [57:10] 比如说Yann LeCun的公司吧 [57:11] AMI一出来就是多少个billion的估值 [57:13] 比如说你是DeepMind的一个 [57:14] 比较厉害的一个researcher或干嘛出来 [57:17] 你就不一定能够 [57:18] 达到那个估值的预期 [57:19] 但是你如果一直就是说我 [57:21] 就只选择给我估值最高的一个VC [57:24] 我觉得这个是个比较危险的行为 [57:26] 危险在哪呢 [57:27] 危险在你的下一轮 [57:29] 你最后不能够迭代得很快 [57:31] 或者是你不能融到下一轮 [57:33] 你的这个估值就会被断崖式下跌 [57:35] 那刚刚说到了就是 [57:36] 大家的这个误区 [57:38] 你觉得以你打交道 [57:39] 这么多创始人的经验来看 [57:41] 你觉得创始人自己能 [57:43] 很快的转过弯来吗 [57:44] 还是他一般会有这个认知盲区 [57:46] 就坚持很久 [57:48] 我觉得要看创始人的悟性 [57:50] 悟性高的创始人能够转过弯来 [57:52] 这就是所谓的叫coachable的创始人 [57:54] 就是通常这个创始人 [57:56] 是不是coachable是很难观察到的 [57:58] 我也曾经在一些我觉得很优秀 [58:00] 的创始人身上花了很多时间 [58:02] 尝试去coaching他们 [58:03] 他嘴上说yes yes yes [58:05] 但是他最后实际上没有落地 [58:07] 可能甚至相反的 [58:08] coachable的创始人是可以领悟到的 [58:10] 进行去修正 [58:11] 不是很coachable的创始人 [58:13] 那就会unfortunately可能会 [58:15] 自己也浪费时间 [58:16] 同时也会浪费一些投资人的时间 [58:18] 你现在有没有一个看这个人 [58:21] 是否coachable的更好的tell了 [58:23] 或者说是一个直觉了 [58:24] 我觉得有一定的直觉 [58:26] 但是也有犯错的概率 [58:27] 就比如说他是不是在一些 [58:29] 关键时点给你一些surprise这种 [58:31] 然后这个surprise是你没有想到的 [58:33] 你会发现说诶 [58:34] 之前跟你说的 [58:35] 你不是都听进去了吗 [58:36] 怎么到关键时候你又犯同样的错误 [58:38] 我有遇到过这样的情况 [58:40] 例子比较少吧 [58:41] 10个里面有一个 [58:42] 但你会发现诶 [58:43] 真的就是 [58:43] 直觉不可能永远都是对的 [58:45] 就一定会有一些错误的地方 [58:46] 那肯定了 [58:47] 看人这件事太难了 [58:48] 然后人也很善于伪装自己 [58:49] 所以说选老公选老婆那么容易看走眼 [58:52] 没错没错对对对 [58:53] 描述一下coachable是个什么样的 [58:55] coachable的样子应该是说 [58:58] 他主动问你一个问题 [58:59] 然后你就会跟他去讲 [59:01] 讲完以后他会做一些反思 [59:03] 他会做一些实践 [59:04] 再回过来问你 [59:05] 他会主动地去修正自己 [59:07] 而不是说你在那 [59:08] 一遍一遍不停地跟他说 [59:10] 他在那点头说嗯嗯嗯yes yes yes [59:12] 这种就不一定是coachable的 [59:14] 当然还有一种就是完全不coachable [59:16] 就是你跟他说 [59:17] 你要怎么怎么样怎么怎么样 [59:19] 他直接给你push back说你是错的 [59:21] 那这种就完全不coachable [59:23] 当然这种就是如果你能力非常强也行对吧 [59:25] 就像Elon Musk [59:26] 他一定是不coachable的 [59:27] 但这样的founder你不需要去coach他 [59:30] 就是他不coachable [59:31] 你也不需要去coach [59:31] 有这样的一种 [59:32] 就coachable有两种 [59:33] 就是你需要coach和不需要coach [59:35] 你不需要coach一定是最牛逼的founder [59:37] 你需要coach又不coachable [59:38] 那这种就不行 [59:39] 他一定就只能通过 [59:40] 经验教训去给自己买单 [59:42] 好还有没有认知误区 [59:44] 你说是这种founder的认知误区吗 [59:46] 就是大厂技术人创业吧 [59:48] 这个可能是我们频道最多的 [59:50] OK我觉得就是不要去追热点 [59:52] 所谓的什么AI agent很火 [59:54] 或者是什么real-time learning很火 [59:56] 你就要去追这个热点 [59:57] 你可能追这个热点就已经来不及了 [59:59] 这都是给很久以前就在 [60:01] 这儿深耕的人准备的机会 [60:02] 对对对就是你要有一个 [60:03] 自己深耕的一个领域 [60:05] 还有没有 [60:06] 误区 [60:06] 好像差不多了吧 [60:08] 最后一个建议就是在AI时代 [60:10] 什么样的人不会被淘汰 [60:11] 你觉得大家应该成为什么样的人 [60:13] 能够用AI工具 [60:15] 而且能够有系统性思维的人 [60:17] 不会被AI淘汰 [60:19] 就是你现在会发现GPT或Claude已经 [60:22] 非常的善于帮你解决问题了 [60:24] 所以你要做一个迅速学习 [60:26] 并且能够善于发问的人 [60:28] 去构架一个框架的人 [60:30] 就是说我要去解决 [60:31] 一个什么样的问题 [60:32] 然后我这个问题拆解成 [60:33] 一个系统性的一个问题 [60:34] 然后让AI去给你赋能 [60:36] 然后你同时要会用很多的工具 [60:37] 这样的人我觉得不太容易被替代 [60:39] 想问的一个问题是 [60:42] 现在大家还应该去创业吗 [60:43] 不要盲目创业 [60:44] 你的创业点子真的就是 [60:46] 你有一个很强的vision [60:47] 你有很大的愿力 [60:48] 然后你这个事情 [60:49] 能够解决很大的问题 [60:50] 你再出来创业 [60:52] 不要为了创业而创业 [60:53] 你看好不拿VC钱的创业方式吗 [60:56] 我觉得是可以的 [60:57] 你像那个Surge AI [60:58] 就是不拿VC的钱就创业了呀 [61:00] 就是Scale AI的这个竞争对手 [61:02] Edwin Chen他就是没怎么拿过VC的钱 [61:03] 就直接出来创业了 [61:05] 对有这样的底气和勇气和能力 [61:07] 当然是不拿VC钱最好了 [61:09] 那怎么办 [61:10] self-funding [61:11] 这完全是可以的呀 [61:12] 他自己去搓出来一个 [61:14] 很厉害的解决方案 [61:15] 像Surge当时的那个data engine [61:17] 他其实当时的一个 [61:18] 很大的客户是Anthropic [61:19] 就是在reinforcement learning [61:20] 方向上的一个data engine [61:22] 就他产品交付能力很强 [61:24] 而且他们 [61:25] 也有一些系统化的一些产品 [61:26] 细节我不知道 [61:27] 因为我投了Scale AI [61:28] 所以Surge AI他就不理我了 [61:30] 但是我知道他们的那个产品的质量 [61:32] 他们数据的质量交付是非常高的 [61:35] 那这就是Edwin自己 [61:36] 在这埋头苦干了几年 [61:38] 手搓出来的一个产品 [61:39] 他可能一两年不拿工资 [61:41] 把所有的他的知识都放在这个上面 [61:43] 那很好那一出来就是个爆款级产品 [61:45] 那就是有这个大厂 [61:47] 成为你的客户去用 [61:48] 去给你买单 [61:49] 好的好的好的感谢 [61:50] 我在想其实也有一些人 [61:52] 他们想说去哪可以联系到你 [61:54] 我记得我们之前也聊过 [61:55] 就是你其实是帮助到了一些中国的创业者 [62:00] 去refine他们的pitch吧 [62:02] 就他们可能不知道怎么样子讲 [62:03] 一个硅谷的投资人认可的故事 [62:05] 是的是的 [62:06] 我有过给这些创业者有一些coaching [62:09] 但是我的bar挺高的 [62:10] 因为从一个实际情况来讲 [62:11] 因为我的工作也很忙 [62:13] 然后我也有小朋友要照顾 [62:15] coach一些创始人也是就是挤时间 [62:17] 所以我就会觉得说 [62:19] 这个时间也确实只能花在一些 [62:21] 比较优秀的创始人身上 [62:22] 确实有一个比较高的bar [62:24] 我一般比较take一些reference吧 [62:26] 就是比如说一个很好投资人朋友他 [62:29] 可能筛过一轮了 [62:30] 这个创始人从国内来的 [62:31] 想在美国落地 [62:32] 然后我可能看一下 [62:33] 我觉得我大概有时间有精力去coach [62:36] 我就会去coach [62:37] 如果我觉得我没有时间精力 [62:38] 或者我觉得他的方向不太适合 [62:40] 或他个人的这个profile不太适合 [62:42] 我就不一定是适合他的这个coach [62:44] 那说不定以后还应该约你 [62:46] 就是把这些大家常犯的错误 [62:49] 需要被coach的这些点给大家说一下 [62:50] 这样可能比较scalable地去帮助到 [62:52] 可以可以 [62:52] 我们以后可以再开一个直播讲这个事情 [62:55] 因为我觉得storytelling是非常重要的 [62:57] 就是我确实之前我听 [62:58] 一些founder pitch的时候 [63:00] 他pitch完二三十分钟 [63:01] 我大概会给他10分钟的时间 [63:02] 给他做一个storytelling的coaching [63:04] 这个可能是我的一个专长吧 [63:06] 就这个是在Qualcomm Ventures [63:07] 在这6年被练出来的 [63:08] 因为我们的运作模式 [63:09] 有点像Benchmark这个VC [63:11] 所以6个合伙人 [63:11] 就是我们每个人都是 [63:13] 投融管退要很能打 [63:14] 就是在这种情况下 [63:15] 你怎么能够去识别优秀的创始人 [63:17] 包括给他们一些指点 [63:18] 包括我们自己也接受了 [63:19] 很强的storytelling的这种coaching [63:21] 所以这个可能是我一直的以来的一个长板吧 [63:23] 就这个对我来讲 [63:24] 这个点帮我引到了很多案子 [63:26] 就是说这个founder如果 [63:27] 是个很强的技术founder [63:28] 可是他storytelling差那么一点火候 [63:30] 我也好像确实可以在很短的时间内 [63:32] 能够发现他哪里需要去改进 [63:34] 然后很快就给他一些反馈 [63:35] 然后他们通常会觉得很有帮助 [63:37] 这个我们也可以以后有时间 [63:38] 再开一个session去举些例子 [63:40] 或者是一些实时的一些创始人 [63:42] 可能你筛一些过来 [63:43] 然后他可以进行一个 [63:44] 10分钟20分钟的pitch [63:46] 哦太棒了 [63:47] 那我应该在社区里边 [63:48] 过段时间再说吧 [63:49] 最近确实比较忙 [63:50] 起码约上一个小时的时间 [63:52] 看他三四个四五个 [63:54] 给一些实时的 [63:54] 我觉得这个会很棒 [63:56] 甚至我自己卖课 [63:57] 我觉得我都需要这样的coach [63:58] 在做这件事的时候 [63:59] 我知道你去讲一个更好的 [64:01] 故事的这个杠杆有多大 [64:03] 可以说是最大的杠杆了 [64:05] 是的是的 [64:05] 非常大杠杆 [64:06] 而且不同的VC [64:07] 可能因为我跟一些一线的VC [64:09] 刚好在一个董事会上面 [64:10] 比如说红杉的Doug Leone [64:12] 还有Khosla Ventures的Vinod Khosla [64:14] 我们都在一个board上面 [64:15] 在一个board上面这么多年 [64:16] 你就会发现说诶 [64:17] 这些大佬他们喜欢听什么样的故事 [64:19] 能够打动他们 [64:20] 他们有他们自己的套路 [64:21] 然后我刚好就是大概 [64:22] 看到他们这样的一些套路 [64:24] 我大概就知道说哦 [64:25] 你如果去跟Vinod去pitch的时候 [64:27] 你要怎么讲 [64:27] 你去跟红杉pitch时候 [64:29] 就是美国的红杉去pitch时候 [64:30] 你要怎么讲 [64:30] 会有这么一个大概的感觉 [64:32] 好的非常感谢 [64:33] 那就提前约一下你的时间 [64:35] 如果说想去听Nan的 [64:38] storytelling的session的话 [64:39] 想报名的话就来Superlinear Academy吧 [64:42] 去分享一下你的projects [64:44] 然后在里边多多建立你的profile [64:46] 这样的话我们到时候 [64:47] 有这个活动的时候 [64:48] 筛选的时候就会多一些你的background [64:51] 可以帮助我们来筛选 [64:53] 那非常感谢Nan今天跟大家的直播 [64:55] 今天非常谢谢你的时间 [64:56] 好谢谢课代表 [64:58] 好 [64:59] 拜拜