微软战投M12每年投资1.5亿美元押注AI软件护城河

微软战投M12年投1.5亿美元押注AI软件护城河 微软M12合伙人Alan Du指出，AI时代企业独有的工作流认知与防火墙内的机密数据将构筑核心软件护城河。 节目深入剖析了微软战略投资基金 M12 的核心投资策略与机制。嘉宾 Alan Du 指出，AI 时代企业软件的终极护城河在于其独有的工作流认知与防火墙内的机密数据。同时，他披露了 M12 每年约 1.5 亿美元的投资额度、聚焦 A/B 轮的阶段定位，以及单笔 500 万至 1000 万美元且倾向于跟投头部财务 VC 的具体策略。 Alan Du 认为在 AI 时代微软的护城河更加坚固，提出“Context is king（上下文是王道）”，企业核心壁垒在于自身独特的工作流认知与防火墙后的机密数据。 (0:00) 微软战投基金 M12 资金直接来自微软资产负债表，年投资额约 1.5 亿美元，投资版图涵盖底层芯片算力、新型基础软件、垂直行业应用、网络安全与游戏等领域。 (1:10) M12 单笔投资额通常为 500 万至 1000 万美元，主要聚焦于 A 轮和 B 轮阶段，相比小额撒网式 CVC 能为创业项目提供更深度的后端生态资源与商业支持。 (1:10) 在领投策略上 M12 倾向于跟投头部财务 VC，由财务投资人专业主导定价与条款、战投提供产业资源的组合，更有利于深科技与 AI 创业团队。 (1:10)

微软战略投资基金（M12）投资合伙人Alan Du认为，AI时代软件的核心护城河并未削弱，而是由“上下文（Context）”与防火墙内的机密数据决定；基于此，M12依托微软资产负债表进行全栈布局，并主张由财务VC定价领投、战投跟投赋能。 上下文是王道：AI时代的企业护城河 针对AI生态的发展，Alan Du明确提出微软的竞争壁垒正在显著增强，核心逻辑在于“上下文是王道（Context is king）”。他认为，技术底层的演进并未消除软件壁垒，企业最根本的护城河依然深植于防火墙背后的机密数据，以及长期沉淀的特定工作流认知（know-how）。 M12的资本体量与全栈赛道布局 M12作为微软的战略投资基金，其运作资金直接来自微软资产负债表，年投资规模约为1.5亿美元。其投资视野覆盖从底层架构至上层应用的完整链条，重点涵盖新一代算力芯片及硬件设施、新型数据库等水平式底层软件、垂直行业应用软件，以及前沿网络安全和游戏产业等关键板块。 聚焦A/B轮大额跟投及VC协同逻辑 在交易结构上，M12单笔出资通常在500万至1000万美元之间，不同于硅谷其他SaaS巨头战投50万至100万美元的“撒网式”小额出资，旨在提供更深度的商业支持与后端生态链接。投资阶段主要集中在A轮与B轮，并保持灵活度。策略上，M12偏向跟投头部财务VC而非执意领投。Alan Du指出，财务VC在估值定价及条款设计上更专业且中立，由财务投资人领投、懂行业且具资源的CVC共同参与，是当前深科技与AI创业公司的理想融资结构。 本期对话确立了M12基于上下文壁垒的战投逻辑，但对于后续议题中大厂直接推出类似功能（Feature）对初创软件构成的竞争威胁，讨论内容尚未展开。

[0:00] Alan Du: Context is king（上下文是王道） [0:00] Alan Du: 微软的护城河非但没有变弱，反而“变得非常强了”。 [0:00] Alan Du: 最终的护城河在于企业独有的工作流认知（know-how）以及防火墙背后的机密数据。

[0:00] 你怎么看待微软的护城河它是变强了还是变弱了变得非常强了context is king是王道实际上真正的最终护城河在哪里是这个workflow的这个knowhow是独有的这个企业机数据真正的有用的数据实际上都是在防火墙后面的一般做agent的公司不能轻易能拿到的整个对AI算力实际上它已经超过了万亿级的级别而你看最大的AI公司就包括OpenAIClaw这种公司它实际上它所有的年化的AR加在一起可能都不过百亿阿伦今天欢迎你来到硅谷坐标的节目你是微软站头M12的合伙人微软又是一个最重要的企业软件的玩家你又在微软的生态里看到的是最前沿的软件的一些变化你今天的分享将会对我们来说有非常重要的一个指导意义你可以先给我们介绍一下M12吗可以可以感谢感谢热情邀请M12是微软的战头基金我们是直接从资产负债表上做投资的大概每年的投资额有1.5亿美元左右基本上去看中的几个方向包括基础的算力新一代的这种芯片硬件再往上会看一些软件类包括相对来说水平的软件数据库这方面的科技然后外加还有一些到后面是垂直的具体的软件Application另外这里头还包括比如说网络安全甚至到后期还会涉及到一些比如说做gaming游戏产业还有一些更前沿的技术基本上就这几个大块对你们一般是投哪一个阶段呢大概你们的Ticket Size有多大Ticket size基本上是5-10个million我们一般是愿意跟比较头部的所谓的财务投资人去合作类似于能叫得出来名字的基本上都是跟我们有use case的合同案例的基本上是focus在A轮和B轮之间当然也会有时候有例外会看一些比较早期或者甚至更后期的项目这个没有一个特别硬性的规定但是我们对外说基本上就是A轮B轮为主明白所以你们是更加处在一个跟头不是一个领头的一个角色是吧对我觉得其实跟头与领头实际上怎么说从创业者角度来讲有一个好的商业投资人财务投资人作为领头我觉得是更合适的因为从价格制定以及它的投资条款的制定方面在商业投资人财务投资人这边他们可能会做的专业性更强一点二由于站投基金往往会带一些他们自己商业方面的考虑这个使得在投资的时候可能他们考虑的维度不大一样考虑到这些实际上作为财务投资人他们更适合作为领投这里我觉得其实领投与否更重要其实要看重就是说首先这个战投基金它投多少多数的战投基金是投相对来说比较小的ticket size基本上很多你像这边比较有名的SaaS公司他们每次投可能就投50万100万就是大概几百万这样像微软M12这边能投一次500万到1000万之类的这种区间的站投基金还是相对少的我们也愿意提供更多更多的资源所以我们带来的不光是500万到1000万之间的资金支持更多的是我们后端庞大的生态系统以及给他们带来的商业价值现在如果有一个初创公司然后他想去融资你觉得他应该怎么样去思考我应该去找企业站头部还是去找像独立的这种VC财务考虑的VC我觉得我的建议是都要去聊为什么尤其是现在我们看到特别多的AI深层科技的创业者他的技术性非常强聊的东西也是需要对方或者投资人的这种技术经验需要有一定的门槛的那么我觉得在这方面你如果光跟财务投资人聊可能聊的深度是有限的比如说你在确定了一个财务投资人领头之外我的建议是去找一些比较合适比较懂这个领域的战略投资人帮你去round up这个round [5:00] 这样子我觉得这个combination实际上是这个组合是非常非常powerful的而且会给整个市场一个非常强的信号现在如果有一个初创公司他出来创业他很担心的是自己可能做的一个idea很快就被大厂的一个feature给淹没了那你会作为这个M12你会怎么样去考量这个初创公司他在面对这些大厂他真正的这个生存空间有多大我觉得这个担心有点被过度放大化了为什么呢就是当我在最早最早开始设计这个涉入这个VC领域的时候经常就有人会问我在做一家公司经常有投资人问我为什么Google不能这么做我觉得其实你觉得Google或者是微软 Amazon这样的公司它是一个非常非常庞大的公司但是真正涉及到具体产品的时候他们其实很小的一个团队在做某一个具体的产品实际上他们能够调用到的资源也是有限的还有更重要的一点实际上就是你的速度很多情况下大的公司由于他的现有的产品已经非常的赚钱或者已经卖给了很多很多的客户他要再做自己的新的产品自己去革命自己的话这个是有一定阻力或者是有一定惯性在里面的你作为一个初创公司你是没有全面的那些包袱的你可以跑得更快可以用最新的技术可以去反复的试错相对来说你的试错成本又很低因为你是初创公司而不是亚马逊谷歌微软这样的公司你这边要出一点错你的客户是非常不愿意原谅你的对吧你作为一个初创公司你卖给的一般卖给的对象可能是相对来说比较也是类似于初创公司更愿意去试错的这种对象那么对你来说你可以迅速的去迭代迅速的去调整你的产品你还是有非常大的优势的除此之外我觉得还有像类似于这种大的公司大的平台他们更多是在专注于建一个通用的技术比如说针对市场中80%的用户而你作为一个初创公司你可以先找到一个相对比较niche或者一个比较窄的垂直这个垂直是你非常懂的对吧你不去做这种80%的通用式技术通用式软件你可以就做这1%2%的垂直性软件垂直性技术这个实际上也可以做得非常大今天想跟你聊聊软件行业的整个的一个背景软件行业今年是从去年开始发生了一个很大的变化你是怎么去看待现在这些公司哪些是被颠覆的哪些可能部分颠覆哪些可能是被错误定价的或哪些其实是互乘合在这个过程中是被增强的这个就是大家在市场经常叫的这个trillion dollar question就是万亿级的一个问题我觉得首先SaaS公司软件公司不能一概而问因为软件它分垂直软件分水平式软件然后这个里面细分化层次又非常非常的复杂我觉得最容易被颠覆的软件属于那种怎么说那种类似于搬运工的软件比如说把你的数据从这里搬到那里它非常的浅二类似于像比如说RPA软件叫robotic process automation这种软件它从最早的只是说把你的行为录下来录下来之后再去用机器相当于是重复它这个里面实际上是相对来说比较简单的一个技术实际上用现在这种AI的agent去智能体去代替的话它是从最早的一个录制反复到现在是去reason去推理然后再去act再去执行我觉得这是一个是非常颠覆性的一个技术这个可能会去在市场上绝大多数提供这RPA服务的公司除此之外我觉得类似于单feature的公司单功能的这种软件公司肯定是会被颠覆的一个很好的例子就是我前一段时间跟一个朋友聊到他去做核磁核磁共振结果他跟他的医生说你把我的拍出来的片子给我好吗然后医生就给他寄了一个CD过来他放进电脑里一看说现在你现在找能读CD的那个核子现在大家基本上都没有那个东西了他把它放进去看,他只需要一个非常特殊的软件这个软件你要去买,这是一家公司,不知道是可能是美国中西部地区的一家公司提供的软件你要去花可能几百美金去买一个软件他说我不可能是花这个钱的那直接就把他把这个文件就扔给了CloudCloud时时就造了一个软件,去把这个东西读取出来了所以类似于做这种非常 [10:00] 非常薄或者是非常非常这个single feature就是单功能的软件我觉得是非常容易被颠覆的除此之外还有比如说我们经常提到做consulting做这个咨询公司做这个research市场调研的我觉得这一块也很可能很快的而且我们现在正在看到它被取代被颠覆因为你作为一个consultant作为一个咨询师你其实就是读取很多二手的这种市场材料你可能会做一些一手的这种市场调查但多数是以二手材料为主你肯定跑不过一个agent的速度他可以在短时间内读完所有网上有限的网上能够看到的资料这个你是没法去跟他竞争的我觉得什么东西是不容易被取代或者不容易被颠覆的其实你看去pool agent去deploy agent的时候Agent 首先它是个智能体但是Agent 需要大量的 context对吧它需要大量的数据真实的数据我们经常管的叫 ground truth也就是说你的数据的本身的真实性这个数据的来源Agent 是作为一个提供 agent 的公司是没有的,对吧?它是类似于从外到里这么一个motion那如果你比如说你是一个像Alasian或者ServiceNow这种公司你本身就是一个非常自然的焦点什么自然焦点?就是整个企业信息流的焦点不管你是从你的ticketingIT的support这一块IT的支持ticketing system到后端的slack比如说聊天软件整一套它会集中在某一个点类似于像service now这种公司它就变成了一个非常自然的焦点这种公司我觉得是非常有持久性的为什么因为它实际上是不会被agent取代而是它在enable agent他会给agent真正他需要的信息这个我觉得是很难取代的还有一点更重要的就是首先就像我们最早造汽车从这种作放式的这种制造你基本上从发动机到后面的轮胎到后面拧螺丝都要一套一个师傅去做下来到后面变成非常非常specialized非常专业化的这种流水线你的工作就是这么一个螺丝如果我作为一个公司我的核心竞争力是比如说服务给healthcare服务给健康产业的我的核心竞争力并不再去搭建一个AI agent对吧我要搭建AI agent取消在我现在现有的供应商我是不是还得出去再去招这类的这类的专业的人士这类人士又很贵建起来之后我还就要再测试做合规这一套成本算下来可能是不划算的对吧还有就是这个责任的转移当你出现任何问题的时候你可以直接去找service now可以去找了拉线他们会负责帮你去做回滚帮你去做patching如果你是完全自己建立那你的责任人就是你自己对吧甚至你就是说这个责任就是在agent这里你怎么去到后期解决所有support支持回滚或者patching remediation这一套流程我觉得企业如果去算一笔账的话他很快会发现这边是不make sense的所以像Alasian的CEO也是在之前接受采访的时候说其实企业的真正护城河是他们积累下的几十年的流程的经验这就是他们的护城河是吧对说的完全正确举一个例子我这个数据有点老了但是我觉得还是非常有代表性的GPT-4这已经是感觉很久以前的一个尖端的modelGPT-4整个在训练过程中大概用了1.5个petabyte的数据量这个数据听起来好像很大实际上跟真正企业防火墙后边的数据的量来比这个是微不足道的首先像类似于JP Morgan像我之前的公司PayPal每一家公司防火墙后面都有15 20 30 petabyte这种data它的数据量很明显的其实你看达到一个GPT4的这种水平的智能它采用了那么一点点的数据当企业能够把自己的数据利用起来合理利用起来对性能的提升对可用性的提升这个是不是一点点的会非常的可观所以这个Alessian CEO讲的我觉得完全正确真正的有用的数据实际上都是在防火墙后面的这个东西是一般做agent的公司不能轻易能拿到的所以 [15:00] 真正的MOTE是在那里所以这些传统的软件公司加上AI的功能对比于这些AI原生的公司你更看好哪一个我觉得要分开来看首先看你针对的客户是什么传统的公司我觉得卖给大企业大企业由于它整个购买采购的流程是非常复杂的而且涉及到可能非常严格复杂的监管程序他更愿意去买比如类似微软买Alessia and mySurfstown这种公司的服务因为它是一套成熟的服务体系已经建成了对他们来说只一旦出现错误这个成本是非常可观的甚至是不能容忍的对于一个相对来说可能服务于新兴的这种产业或者是服务给别的startup别的startup可能更愿意用比较AI native的工具他们比如说新的小的startup他招来的人他可能在学校里的时候就是一直在用这种新的工具在去试验对他们来说试错成本很低而且他们可以跑得更快我之前讲说你作为一个startup你怎么觉得怎么才能保证说不被谷歌的一个feature release这个发布淹没掉那你就是比别人跑得更快那你就要去敢于去试用这种新的新的工具新的平台新的model那我觉得实际上它是针对不同的市场都是可以我觉得活得很好的你怎么看待微软的护城河它是变强了还是变弱了我觉得总体来说是变得强变得非常强了怎么说呢回到我们刚刚的那个话题就是实际上真正的最终护城河在哪里就像你说的是这个workflow的这个knowhow是独有的这个企业机数据这一块呢首先微软本身它是服务于整个全世界所有的企业甚至多数的个人都在都在用微软的服务我们能够看到的数据能够看到的人的这种在生产过程中积累的这种knowhow我觉得是很少公司能够跟我们相媲美的这一点实际上在搭建agent中虽然我们可能速度没有人跑得快但是真正搭起来的agent我觉得从使用体验这一块可以做得非常好还有更重要一点企业其实在购买软件购买服务的时候它还是存在一定惯性的它每去onboard一个新的软件进来它是有非常复杂的流程很多这种它的区分并不是发生在技术层面的而是发生在那种非技术层面比如说人跟人之间的这种交流就是你销售团队懂不懂怎么去卖给enterprise懂不懂卖给SMB所谓中小企业它实际上是完全不同的一种甚至讲了不同的语言所以说是这一块你有现有的渠道现有的distribution这是一个非常难以跨越的一个互乘河当然我觉得微软其实自己做的产品很多地方也需要提升在这一块用户体验上比如说我们的GitHub Copilot在这一块我们是承认其实是有一些提升的空间的但是对我们来说我们一旦需要去有新的质量性能提升的时候我们是可以做得非常好的资本市场一直在反复的讨论像微软这样的大厂资本开支和它的AI收入之间的落差包括谷歌的CEO也承认会有一些可能AI的这种泡沫的一些元素你们从微软的大厂的大厂的资本开支和它的AI收入之间的落差包括谷歌的CEO也承认会有一些可能AI的这种泡沫的一些元素你们从微软的角度上特别是你们看到的企业在真正的部署环境中的有多少的比例versus像还是在POC探索阶段的比例你觉得趋势是怎么样的对AI的应用部署它不是一个齐头并进它不是一个水平式的前进它是在某些领域里面跑得非常快某些领域基本为零很好的一个例子就是在AI写代码这里基本上现在我们碰到过的公司甚至就是微软内部绝大多数的写代码的过程是被Agent取代了就在这一块其实AI的推进是非常快的但有一些领域就稍微慢一些比如说类似于传统的生产制造业healthcare这一类我觉得AI它是相对来说可能还是在慢慢的开始它有很多这种也是非技术上的原因监管privacy隐私法律上面这一套东西会限制它的进度说回到投资这一块其实怎么说我觉得叫泡沫这个词其实 [20:00] 是一个非常不严谨的叫法首先泡沫的定义是什么我觉得要区分来看这个东西它的价值和它的价格要分开来看AI是不是有价值是绝对有价值的我觉得是没有办法去质疑它本身的价值在价格上面我觉得是不是有一些存在跟风或者我们这边叫FOMO这个叫错过恐惧症绝对是有存在的很多公司初创公司由于它创始人背景很厉害出来之后我觉得可能都不要说产品成熟与否连技术可能做研发这块是刚刚开始就可能会融几亿甚至十亿这样的种子轮我觉得这个可能是市场多少有一些过热多少有一些风貌的表现这个是存在的而且从具体数字上来看整个对AI算力还有包括早期公司的投资实际上它已经超过了万亿级的级别或者已经接近万亿级了而你看最大的AI公司就包括OpenAI Cloud这种公司它实际上它所有的年化的ALR加在一起可能都不过百亿这个实际上是有一个很大的落差那么中间这个gap是可能有人估算是可能一万亿或者是八千亿美元左右这么一个gap也就是说接下来三年到五年之间这些公司或者新兴的AI公司需要产生大概八千亿美元的总体的营收才能够去justify前面万亿级的投资我觉得这个gap还是挺大的市场可能需要重新考虑一下就是说早期公司的这种投资定价二就是硬件算力中心这块投资方面可能更需要专注于比如说不光是建新的data center数据中心而是要把现有的数据中心的效率提升通过新的硬件的开发或者是在软件层面对现有数据中心的使用率提升现有数据中心实际上在看那种GPU集群的时候它的使用率是非常低的有的人会说是30%到40%我们可能觉得这个可能会更低你其实花了上万亿的投资在里面建了这么多的Data Center你的使用率却那么低对吧你那是去继续去建新的Data Center还是说focus on就是把现有的这个Data Center的使用率提升我觉得这也是市场可能接下来12到18个月之间需要去搞清楚的一件事情为什么它的这个使用率这么低这里头原因就很复杂了首先就是GPU在做训练或者在做inference的时候它的failure就失败率是出错率是非常非常高的它有时候会出错是转移出错的软件层面甚至有时候出错会出错在什么就是在比如说GPU跟GPU之间或者blade就是我们讲板子跟板子之间的这种连接线的这种安装出错都是有可能造成整个训练过程去出错失败的它其实出错的原因会有很多还有一点在去做训练的时候他们会叫over provision就相当于是会有很多backup的GPU的放在里面就是空闲着但是是需要去做一旦出错的时候马上把workload shift到另外一个GPU这边它是非常有益的这种做法如果有什么好办法可以去改进吗有现在有一些人提出来怎么把GPU像早期的做虚拟VM虚拟机的方式能够让首先VM就像DockerContainer Kubernetes实际上最早是提升了硬件的使用率大家想说是不是可以用同样的VM的方式去解决GPU的使用率还有我觉得甚至在硬件方面都有很多新的技术出来想去tackle GPU它比如说70%的这种failure是出错率其中可能涉及到有大概10%到25%原因是出在硬件的数据线连接端这都有可能的光纤是一个比较昂贵的替代品但是光纤本身自己也有一些物理特性比如说他对温度的敏感可能提升或者降低一摄氏度都会影响他的performance甚至他的弯折传光纤的管子里面如果有折把它弯到一定程度也可能使他的信号衰减他里有很多问题 [25:00] 这个都会导致整个GPU在跑不管你是training还是跑influence的时候出错那么现在有一些新的技术比如说想用RF就是我们讲的叫毫米波去代替铜或者是光纤我的意思想说实际上大家都在从不同的角度去解决GPU应用率以及应用率低的问题去降低它的出错率这样子你可以从比如说原来30%甚至更低的应用率提升到比如说60%到70%而且与此同时还可以提升你的energy降低你对能源的需求明白想跟你聊聊你们M12一共投了大概有100多家的背头公司然后其中有15家是独角兽然后6家已经IPO了你可不可以给我们提供一张就是你们的portfolio的一张投资的画像哪些是你们重仓的赛道然后都有一些哪些代表性的公司重仓的赛道有几个 我觉得一就是我们讲的新的硬件比如说用光学去取代传统的硬件 传统的芯片现在是一个非常热的赛道我们在这边也做了一些布局在正硬件层面我们有比如说类似比较代表性的NeurofossDmatrix这都是非常成功的公司另外我觉得还有一个方向就是数据层面大家我觉得都能看到实际上数据是最终的互乘河之一那么我们也投了像Micro One这类的公司就是帮助企业去有医手的非常有针对性的非常干净的高质量的数据除此之外我们也投了比如说类似于像做网络安全而且是在比较AI native的情况下提供网络安全服务提供模型安全类似于像比较代表性就是hidden layerrich security这类的公司我们还是比较看好甚至对模型的这种performance的Eval类似于Arise这都是比较有代表性的公司除此之外我们还看了一些类似于垂直方面的公司比如说我们最近投了一家叫Diderot它是用AI去替代传统的供应链上的一些workflow这家公司我觉得是我们在垂直领域这边还是投的不错的一家公司除此之外我们也慢慢再看一些我还有一个领域忘提了就是类似于在gaming这一块gaming实际上我觉得现在慢慢也是在回暖的一个过程中gaming之前整个产业的投资量是非常非常的低的我觉得现在是在回暖的过程中尤其是在大量的世界模型或者物理模型的这种开发的情况下gaming变成了一个非常自然的使用场景那使得大家对整个游戏产业有一个新的兴奋点除此之外我们也在慢慢看一些有关区块链的项目这个领域是一个对我们来说相对来说本身区块链这个产业并不信但对我们来说去寻找它和AI的结合点这是一个相对来说比较新的课题尤其涉及到对agent的管理agent身份的管理以及甚至涉及到agent的支付这一块我觉得还是可能会看到一些区块链技术的应用的所以这一点我们也在慢慢的去发掘讲到支付因为你之前背景是在paypal的venture做投资然后支付的赛道其实你投了很多非常经典的一些标的你看到的在AI agent的时代支付的范式跟原来有一些什么样的不一样非常不一样首先支付的人变了接受支付的对象也变了我们最早看到的大家都会讲说agent支付智能体支付市场现在基本上还停留在一个叙事或者是一个实验的阶段demo的阶段真正你说智能体去做支付大量的这种支付还是基本上是看不到的大家觉得这个会是一个下一个爆发点很多它的obstacles它的挑战存在于首先法律上规定智能体是不能拿个人的信用卡信息的这个是违反了我们叫PCI compliance你任何个人的信息尤其是涉及到信用卡这种支付信息是不能直接给AI的这里衍生了几个早期的解决方案 [30:00] 比如说给你像stripe就早期推了一个解决方案是什么给你一个叫虚拟卡相当于就是一次性的这个卡里头比如说你可以提前写好这个卡里就只装100块钱然后你让agent去购物的时候就花到100块钱花完了就结束了去从别的维度来限制agent的自由这个实际上我觉得不是一个长期的有可持续性的解决方案首先这个速度非常的慢而且还是在利用原有的真人的身份去衍生一个新的信用卡成本也很高还有比如说你去让你的agent去买东西之后一旦出现了纠纷或者出现了错误的时候原本是你跟一对一你跟商家之间的一个问题现在变成了你跟商家在家agent的一个问题这个就变成了非常复杂的一个纠纷这个是很难去解决的另外一种解决方案就是像Visa Mastercard他们推出了叫Tokenized Credentials实际上是跳过了虚拟卡这一部分直接用你个人的Credentials你个人的背景信息去直接跳到你的银行里然后告诉银行里你是可以放这么多的款比如说这里可以放5块钱然后它通过你的叫tokenized credential去authenticate payment这是一种做法我觉得可能是近期来看我觉得还是相对可行的一个方案但是涉及到真正的我觉得这都不能叫完全纯粹的agentic支付为什么这个归根到底还是在用一个真人的身份那么agent如果比如说我是一家公司的采购我需要agent去帮我同时采购比如说我要去做一个大模型的训练去采购数据去采购算力甚至采购不知道别的什么一套东西的话agent本身他用谁的身份他是用我采购员的身份还是说自己有一个agent native的身份这是一个很难解决的问题怎么去给agent自己的一个身份然后这个身份怎么能够把它做成一个可以去verify可以去审计的一个身份还有就是涉及到之前我们可能多数看到支付场景是一对一的我去商店买东西我给商店做支付像我刚刚讲到的场景比如说我这个人要从这里去购买data购买数据然后从这里购买算力然后从别的地方再去可能给模型的提供商再付钱首先涉及到往往这种的交互场景它不是以一个dollar一块钱来做它可能都不是以一分钱来做单位的它可能是非常小就是fraction of penny这个时候传统的轨道是跑不了这种所谓的叫微 payment微支付它跑不了的二我刚刚回到我刚刚讲它原来是一对一的一个支付关系现在可能是一对多甚至一对多再对多它可能有不同层次的整个在这个payment流程中可能传统的管道还是解决不了所以说真正要做到agent能够自己有自己的身份然后自己能有自己的permission然后再去跟多个别的agent去交互传统肯定解决不了它是需要一个完全新的infra来去enable这个场景的那么现在我们看到有一些初上公司在试着在做但是应该还没有说跑到非常成熟的这种阶段所以说在刚刚你讲到的支付轨道相比于像Visa MasterCard还有PayPal这样的老玩家的改造他们已有的轨道vs这些WebSANA Crypto这样的新玩家去建立他们的基建你会更看好Epson Crypto这样的我觉得还是取决于具体的使用场景如果是简简单单的比如说我让我的agent去网上我找一双跑步鞋对吧这个完全不需要用任何的这个stablecoin稳定币去解决这个相对来说是比较简单的一个场景可能用传统的轨道是更廉价更可靠更安全的这么一套解决方案但涉及到我刚刚描述的相对比较复杂比如说agent对一对多对多而且是非常微小的甚至是我们叫不光是微支付甚至叫留支付就是说你在每次用一定算力的时候马上去做计价然后再去做支付的时候这个可能我觉得在 [35:00] 这个场景下可能对这种稳定币使用还是我觉得有一些潜力的再给你探讨一下网络安全的问题我们知道当疫情期间的时候当时的城堡的内外的物理的这种边界被打破但我们现在的网络安全你从Agentic的AI开始看到有没有看到一些新的凡事我觉得目前在Agent这一块大家聊的最火的题目之一就是Agent Identity就是Agent的身份从早期的agent借智能体借用人的身份去做一些工作比如说调用API到现在说agent必须要有自己的agent native identity甚至涉及到agent实际上你看我们早期的网络安全相对来说它是一个简单的描述就是看门对吧确定你这个人是可以进到这里来的进到这里来之后做什么可能会有一些简单的解决方案但是更多情况就是看你知道你作为一个有智慧的人是不会去乱调用工具去做一些不该做的事情实际上人们对agent的这种信任还没有达到那个程度也就是说现在我决定说agent是可以去接触这些resources接触不管是data接触各种各样的工具的时候我还要看到agent实时他在做什么我还要后期再能做审计然后agent出错的时候我怎么再去做这种回滚去做remediation这一套系统我觉得现在大家是非常关注的一个领域也是有一些不错的公司我觉得一是融了很多钱二是可能现在都已经达到比如说被收购你想之前有一家公司叫Security AI有一家公司叫Veza这都是相对来说比较成功的案例就在Agent Identity这一块还有一块就是数据安全这个也是一个比较永恒的话题当你agent在实时的调用数据的时候数据安全的这一套防御体系要做得非常严密因为很多数据agent是不能看到的涉及到比如说个人隐私的东西这一套东西怎么去做更颗粒化的管理这也是一个相对来说比较热的话题除此之外数据安全我觉得还有非常多的领域这个是一个相对来说大家永远都会关注的比如说model security这一块你像我们之前投的hidden layer还有之前有一家公司叫Protect AI也是被很高的价格收购了大家对model security不停地去做这种类似于red teaming或者做pintesting去确认你的model在投放了之后不会被比如说叫prompt injection attack不会被别人提走一些秘密的数据这一套东西是一个相对来说比较新的领域大家都会比较在乎首先你的model再放在外面我不会被一个黑客去黑相当于是让model去leak去泄露比如说客户的数据比较隐私的数据这一套东西这一块也是向来说比较受关注的你觉得现在传统的安全类的公司他们已经具备能力去解决这些新的问题吗很多都没有我觉得首先agent的出现完全创造了一个新的attack surface一个攻击面而且传统的cyber security传统的网络安全我觉得是以防御被动防御为主现在完全要变成主动防御因为Agent他做事的速度他能够造成的潜在的风险是这种传统的被动防御是无法预见到的也没有办法避免所以怎么去提供这种主动防御像我之前说的这种模型安全这边实际上是大家投入了很多资金很多经历去研究这个方面这个就是一个主动防御的代表比如说类似于叫我们经常说的叫Red Teaming这一块这个是很多传统的比如说做firewall做这种human人的identity这块是无法解决的实际上除了agent本身作为一个新的attack surface之外还有非常多的比如说数据安全就是叫data secure [40:00] AI的部署使得首先你的我们叫threat actors变了从原来这种你的威胁全是来自于外部现在变成了其实内部也可以形成威胁因为往往agents不管是受外部的这种prompt injection的影响或者说自己就去做产生一些机器的这种幻觉它会产生很多你无法预见的内部的威胁这个东西你怎么去解决现在是很难解决的Agent我们叫运行时Runtime Security现在是非常难解决的一件事你可以知道OK我是给了Agent access他可以去到这种几个不同的环境里去做事情但是他实时的正在做什么做的这个事是不是我让他做的事这个事是不是合规的这个现在是很难真正看到的有很多公司现在在说我们是在做这个Runtime Security但是真正其实做到规模的我们现在还没有看到你觉得现在AI它能够胜任去写底层的一些代码吗比如说数据库的这些引擎特别是对于延迟然后吞吐量以及对于稳定性要求极高的这种环境我觉得他写底层的代码可能现在还是有一些距离的我觉得停留在应用层面为主写底层的代码它的复杂程度远远超过于现在现有agent能力范围而且底层代码实际上它本身你看在agent写代码的时候它是一个类似于有一个概率性的元素在里面的而底层代码99%的可靠度是不行的必须要100%因为底层代码底层的工具底层的infra一旦出错整个公司可能面临的是一个可能是毁灭性的打击所以在这里我觉得首先agent他能力还没有到那一部分二是人对他的这种信任还没有到那一部分而在application层面就是应用层面出现错误它有一定的这种概率性是可以容忍的因为它一旦出错之后它产生的风险它产生的这种damage实际上是有限的这样的一个能力边界对于Infra的一些创业公司有一些什么启发呢有一些比如说在写代码这一块你看大家最熟悉的就是codexclock code然后另外有一项什么open handopen codekiloclient这种公司就有很多很多这类相对来说叫open source的platform然后除此之外由于机器写的代码的量在飞速的增长很多人就说OK我们做review的时候是不是要用机器来做review这个是肯定的因为多数时间你把你的code给另外一个engineer去review的时候人家有自己的工作人家可能多数看一下比如说很简单的看一下你有没有你的difference什么的基本上就是一个check the box的motion另外这一块我觉得code review这一块现在有很多比较有趣的公司你像code rabbit, codo, grab tile这类的公司其实也是融了不少钱而且是成长还是相对比较快的因为对机器产生的code质量大家现在还是存在一定的质疑程度的除此之外实际上现在很多你刚刚提到的基础层面的软件或者基础层面的代码去写因为它出错的成本是非常非常高的这个时候就需要在早期做计划叫planning stage或者在做设计的时候就需要有一些AI的辅助确定你在早期设计这一套后端怎么写code后端写软件的时候你的合规你的风险的控制就已经在最早设计层面的时候被考虑到了现在有一些很有趣的公司在这个层面已经做出了一些小的traction比如说像Clover SecurityPrime Security还有ClearlyCISODepth First这个list这个list还是蛮长的他们实际上的理念是什么就是说在codegen就是代码生成这一块他们觉得是基本上是用比较前端的模型比如说用opus用codex去写就已经写得很好了真正能够有互乘和长期 [45:00] 或者长期能站住脚的是什么是你必须确定你的记忆你的context是会集中到你的这层面那么你看像Codex还有Codex如果Codex有一天决定要变成完全closed的一个system像Codex一样的话它可能会威胁到很多做open source的platform的生存而且CodeReview本身这一块它是最后review所有的成品它对本身的context它我觉得看到的是非常有限的很多人现在想法就是说真正能够看到更多context的地方还是在我刚提到的design这一块它的软件的设计层面因为在早期设计的层面你的接触的数据就非常的多比如说你要看你的Jira里面的ticket的information然后你要看你的slack你要看你的notion board这一套就变成了一个非常自然的natural的一个焦点你在整个software设计软件设计的流程中公司对软件的preference比如说个人的喜好或者个性化的一些设置设定或者甚至产业具体产业的要求就完全集中在这一点上他们能够看到所有的context我觉得这一块实际上就回到你刚刚的问题那里是一个非常有趣的领域这个领域我们现在真的是在看的比较多一些我觉得其实到最后最简单的一句话就是context is kingcontext是王道在整个流程中谁是能抓住context accumulation的就是context的集中谁我觉得是最终能够跑赢的最后一个问题是想问关于合规行业的AI落地比如说像医院还有金融行业这种强借管的行业我们知道AI落地的难度可能不是在技术本身而是在它的合规可审计包括问责合规行业的AI未来应该是怎么样往前推进我觉得实际上它不是一个技术问题这是一个know how的问题首先你必须在这个领域待了很久往往最后卡住这些公司的或者让他们有受阻力的地方并不是在技术层面我觉得你能够把整个合规这一套复杂的流程跑通才是真正的重点比如说一个例子我们现在投了一家我们现在还没有发布信息可能下周信息就发布出来了我们投了一家软件平台这个软件平台实际上是帮助别的软件尤其是网络安全这一块把他的产品卖给政府的涉及到政府这一块相对来说是真的是高监管高风险的一些具体应用场景这一块很多公司是不愿意去花时间花精力去研究我怎么把我的产品直接卖给政府卖给政府首先尤其是美国联邦政府它是一个相对严格的审核体系叫FedRamp这个东西基本上除非你是特别大的一家公司然后钱是很多然后可以去请很多lawyer帮你做然后请审计帮你做这个事它的成本可能下来要基本上到500万到1500万美元才能够跑完这个流程而且这个流程总共的长度是三年时间这个过程使得绝大多数的公司对跟这种类似于高监管高风险的这种生意是往而却步的他自己首先就是我自己现有的客户都跑不完那我干嘛要花这个钱而且是要三年以后才能见到效果实际上就是有这种类似于其实你在网络安全这一块也会看到类似于叫MSSP叫Managed Security Service Provider这种公司实际上它是一个类似于像是承包商或者一个中介别人的软件卖给他们的平台然后他们的平台再转卖给比如说后端的医院系统或者政府系统或者甚至大的公司这个实际上就把整个合规的负担从本身软件公司这一块转嫁到了中间商这一层面中间商实际上他在做了很多年的积累之后他对整个流程非常了解甚至他已经有现有的渠道了对这种这类的公司想要进入如果他们有需要进入到这种高监管的环境下其实这一条路我觉得是一个挺好的解决方案这也是为什么我们投了这家公司之后发现确实是处在一个客户主要主动来找我们的这种情况下 [50:00] 我们不需要去花太多精力去说服客户而客户会直接来找我们因为他们也是在这方面 struggle很久如果你要给现在正在创业的小伙伴们指一个你比较看好的方向你会指哪些方向方向不敢说吧我觉得其实AI的这种普遍的部署大众化甚至平民化使得创业的成本或者创业的门槛变得非常非常的低就像早期Cloud云的部署使得软件公司去做创业去赚新的产品也变得很低你自己不需要建数据中心自己不需要买一堆机器AI尤其替代了写代码的这些你不需要再去学习代码了实际上你很简单就可以再利用不管是Lovable, Replit, Cursor, Codex这一套非常普遍的系统去写一套相对来说比较完善的小的程序小的产品使得创业的门槛变得非常低相对来说对你门槛低了对大家门槛都低了更重要最后它细分或者差异是出现在哪里就是对你针对的某一个领域你自己的know how在这一块可能你是来自于比如说传统健康服务产业你对这个产业是非常非常了解的它很多细节的东西是别人不知道的虽然大家用的工具都一样但是你可以更合理的利用这个工具而且你在早期在设计这个产品的时候你就知道哪些东西是我只有在这个产业里待过的人抛过的人才知道的东西这个我觉得是真正做出差异化的地方你在微软的站头部看到了这么多的创业项目你最想给这些创业圈的小伙伴们一些什么样的建议我觉得首先在技术层面我觉得很多新的创业者是非常优秀的但是可能我经常会遇到的一些问题就是在后期的产品化市场化上面还是有一些欠缺的当然这个东西是很多是需要经验积累的尤其是针对华人创业者在这一块我觉得还是有一些小的建议也就是说早期的时候不要光考虑在技术层面做事情我觉得要在整个生态系统里做一些调研然后去了解你做的技术将来的应用针对的市场是哪些把技术的应用具体化一些除此之外我的建议是在比如说早期融资的过程中不要光考虑比如说我一定要达到某种估值或者是我一定要拿非常大的投资机构的钱才算成功我觉得很多情况下在早期创业的时候更注重的是速度你能够找到相对合理的估值相对合理的条款和一个真正能够帮到你的投资人其实是更重要的我觉得这会让你的速度提升很多还有我觉得在融资量方面可以做一些考虑更灵活一些当然我也知道很多比如说做基础模型开发原来起步价是非常高的现在可能由于整个产业的增长起步价降低了但是你要想做基础模型训练可能还是需要3000到5000万美元左右这一块我觉得很多投资人就比较头痛我怎么第一笔就融这么大的款项我觉得可以把它拆分开来比如说我先去融5个million然后先有一定早期的叫Proof of Concept能够做到一些能够给人demo的东西我觉得把一个很大的一个融资的round拆分成一个一两个小的融资的round然后这样你的Milestone可以设置的更小一些这个可能到最后实际上是让你跑得更快的一种方式还有我觉得更多的是我会看到很多创业者他在自己的领域他会非常熟悉我自己的领域内我认识所有的人我认识所有的公司但是往往你做的这个产品不光是卖给你自己的领域是要卖给很多别的垂直领域甚至你可能完全不了解的领域在这个时候我觉得早期搭建团队的时候要在这方面有一些考量 [55:00] 这个人是不是就完全是跟你一样只做技术的还是说他在技术层之外他对别的产业有深度的了解他知道怎么去帮你做Go to market这一块我觉得可能是在早期就需要做到一些考虑的还有我觉得可能不管是在尤其是华人创业者我也见到很多华人创业在这上面才坑他们更多不管是因为性格或者文化方面可能更愿意跟别的华人一起创业我觉得在团队上的这种多元化也可以有一些考量因为毕竟你做生意卖给的对象不只是华人企业你可能涉及到一些别的传统产业还是需要有一些不同背景的人一起来帮你提供不同的这种perspective所以在早期团队搭建的时候我更建议说去跨出自己的舒适圈去了解一些别的背景的人然后跟你实际上不光是在技术上有认同但是更多在别的skill的gap上面可以有一定互补的除此之外我也自己打一个小广告我非常喜欢跟创业者合作喜欢跟他们聊天因为我觉得在这个过程中对我自己是个很大的提升我也曾经帮过很多很优秀的创业者们去融资去考虑后端的业务拓展所以有兴趣做创业的小伙伴们愿意找我聊天我也很开心很欢迎谢谢你今天精彩的分享非常感谢感谢