56. 硅谷国庆见闻 - 愿天下处处是泡沫
摘要
- Raymond认为,硅谷是否有泡沫,远不如自己能否参与上行周期重要。 他在20天里开了70个会,看到大厂员工创业、创业者投资,资本与人才不断寻找下一站。第一天就有人要卖出2023年买入的Anthropic旧股,再投老师的新实验室:“硅谷其实是一个和人间有时差的地方。”
- new labs的产品验证落后于融资热度,早期退出逻辑却仍在吸引资金。 他引用的统计是,119家new labs合计向市场索取943亿美元,只有16家曾披露收入;部分投资人仍愿靠学术关系进入低估值种子轮,赌后续融资或收购。Raymond不理解这种投资判断,但支持研究者分享财富:“读书就不应该穷。”
- 数据公司正在承接后训练预算,客户买的是专家组织、响应速度与完整交付。 他听到的行业共识是,2027年的重心可能不再是coding:90%已被覆盖,剩余10%可能ROI极低,下一批domain仍待探索。单条数据可能值1万至数万美元,但几百万美元的项目也可能要求两天交付,“RSI吃两个东西,一个是卡,一个是数据”背后是很重的运营负担。
- Raymond将DeepMind的竞争压力归因于组织、合规与算力分配的叠加。 从Gemini成为全司P0后增加的管理层,到用户数据限制,再到算力优先供给GCP,技术能力之外的约束正在影响迭代。他转述的说法是,GCP的价值目前可能是Research的10倍;与此同时,他观察到第三名的位置正由不同中国模型轮流占据。
- YC的年轻化有就业与收购激励支撑,To B创业却可能先遇上行业经验不足。 初级岗位和实习机会收缩,创业反而更容易获得资金,成功被收购还可能直接进入大厂管理层。他见到的招聘创业者很懂AI,却没有解决明确的招聘难点,像“一个男孩子偷穿爸爸的西装,整个衣服看起来大了一号”。
- 较畅通的并购市场支撑硅谷的VC循环,但“被收购”不足以证明投资人兑现了收益。 Raymond引用过去一年AI并购1590亿美元的口径,也听到投资人投入100万美元、最终只退出1.2万美元的案例。有人把找到一份工作称为acqui-hire,因此他现在会先问:“你的交易架构是怎么样的?”
- 华人创业者基数扩大正在形成集群,付费意愿却可能拖累商业合作。 一位Midas投资人向他估计,每年华人项目可能上千,未来可能跑出50至100个袁征;这是对人才基数扩大的押注。另一面,他安排国内大厂看完To B产品demo,得到的回应却是推动内部研发做平替,反复如此会耗尽供应商配合的意愿。
精读
1. 硅谷的时差让泡沫之问失去焦点
- 抵达第一天,Raymond就遇到朋友出售2023年买入的Anthropic旧股,准备把钱投进老师创办的new lab。对方已进入退出与再投资阶段,外界还在问Anthropic能不能买:“他和我的时差基本上是3年。”
- 20天、70个会带给他的共同感受,是“每一个人都有好几摊的事情”:大厂员工偷偷创业,创业者偷偷投资。他想到2014—2015年的中国:多年后,更值得懊悔的可能是没花时间看美团、字节、小米、拼多多,而不是记恨当年拿到过量融资的公司。
- 华尔街追问下一个coding在哪里,实验室同行却忙于招聘、加班和迭代;学生、大厂员工、被收购的创业者也都在寻找下一站。Raymond承认这很浮躁、很像泡沫,但仍怀念“上行期的推背感”,最后表达的是“天下处处都是泡沫,天下没有难做的生意”的愿望。
2. 多数new labs尚未证明PMF,早期资金仍在赌接力退出
- Thinking Machines Lab是他的警示案例:没有产品时以120亿美元估值融资,曾期待2025年底按500亿美元估值再融一轮,但据他了解始终没有close,也没有明确收入消息,老股交易却四处流传。
- 他引用的统计进一步拉大融资与验证的反差:119家new labs合计向市场索取943亿美元,只有16家曾真正披露收入,大部分没有明显PMF,甚至没有产品。面对仍有人称其为好赛道,他的反应是“我非常的不理解”。
- 部分投资人的逻辑是,凭师生关系挤进天使、种子轮,赌名校教授还能拿到A、B轮,前轮就有退出机会。Raymond质疑这套投资逻辑,却支持高校允许创业失败者返校,也支持“教授就应该有机会成为亿万富翁”:让读书与研究获得财富回报,是社会的正反馈。
3. 数据公司靠重服务承接后训练预算
- Raymond观察,中美成熟团队的方法论没有特别大的差别,差异更多在算力、资金,以及robust的RL环境和可规模化infra。Frontier model花在后训练上的时间与钱越来越多,数据因此成为过去半年最显性的商业机会。
- 他听到的行业共识是,2027年的重心可能不再是coding:90%已被覆盖,剩余10%可能ROI极低。下一个domain尚未明确,数据公司必须共同判断需求、准备数据和专家,因此更像模型公司的“research partner”。
- 训练数据也可能从成本变成收入,甚至卖给竞争对手;他知道有中国大模型公司这样做。单条值钱数据可能卖1万或数万美元,但交付很重:几百万美元项目可能两天就要结果,PM需24小时待命,凌晨2点也要回应不断变化的需求。
- 客户支付的是组织专家、快速响应和完整交付的能力。他还听到某数据公司最低工资50万美元起跳、鼓励员工搬到公司附近的传闻。这类业务过去因扩展性和想象空间受限而不符合VC框架,如今却占据AGI、RSI的重要预算:“一个是卡,一个是数据。”
4. DeepMind面临组织、合规与算力分配的三重约束
- 他回顾此前嘉宾Lewis的离职解释:Google更早做出模型,却更晚推出可用产品,personal agent迭代也慢。作为Gemini的founding PM,Lewis看到项目成为全司P0后,老板和中间层不断增加,工作变成了“传话游戏”。
- Seedance已经把美国的朋友们打懵了;他们把原因归结为美国的合规成本太高,使用用户人脸训练会带来巨大问题。对方强调,Apple、Google说不用用户隐私训练,“是真的不用的”。
- 算力分配也令他意外:据同行说法,卡主要给了GCP,DeepMind不太够用;GCP的价值目前可能是Research的10倍,因此供给不足时会被优先满足。他还听到一个细节:Sergey Brin开会迟到也得站着,没有人会让座。
- Raymond并不否认Google的技术能力,但竞争对手持续进步,下一次发布SOTA的门槛也在提高。在他看来,过去一年第三名的位置由Kimi、DeepSeek、GLM等中国模型轮流占据;美国投资人组团访华,更多源于对这些能力的担忧,而不只是好奇。
5. YC年轻化加速,行业经验成为To B创业的缺口
- Raymond把扩招后的YC比作大学或商学院:一年从两季变四季,每批接近200家公司,全年七八百家。创始人平均年龄从2015—2022年的28—30岁,降至2023年的28岁、2024年的27岁、2025年的26岁;他猜2026年可能到24岁。
- 这在他看来是理性选择:Vibe Coding后,大厂收缩junior招聘,很多实习项目不开,应届生找工作困难,创业却更容易得到资金与宽容。创业的学习曲线更快,被收购还可能直接成为VP,颠覆了在大厂逐级晋升的路径。
- Raymond约到一家YC招聘公司的创始人:对方年轻聪明、做过TikTok推荐,却频繁提出外行的招聘问题。产品可能AI native、能省人力,但似乎没有address特别明确的招聘难点,像“一个男孩子偷穿爸爸的西装,整个衣服看起来大了一号”。
- 当对方说客户主要是种子到A轮、招聘需求旺盛的成长公司时,Raymond意识到这很像YC自己的毕业生群体。他调侃大家可以“互相购买,一起刷单,一起进步”,背后的疑问是:没有企业经验的年轻人,能否真正理解自己准备改造的行业?
6. 并购支撑退出循环,交易结构决定兑现程度
- 按Raymond引用的口径,过去一年AI并购达1590亿美元,包括600亿美元的Cursor和刚close的82亿美元World Labs。上市公司需要储备第二增长曲线,股票又能充当支付工具;他引用过去十年33%的公司可退出的统计,解释LP为何能获得正反馈、继续出资。
- 但“收购夸大”是另一面。他遇到一位做盲人版GPT的Stanford学生,自称被acqui-hire,追问后才发现既无现金也无股票,只是获得了一份工作;对方刚读完大一。Raymond困惑的是,为何连这种经历也要包装成退出。
- 一位投资人甚至对他说,“80%的收购可能都是吹牛”:自己的被投公司广发收购PR,投入100万美元却只退出1.2万美元。另有创业公司被其他创业公司全股票接收,也不能算上岸。Raymond因此改变了听到收购消息时的反应,至少会先问“你的交易架构是怎么样的?”
7. 华人创业集群正在扩大,付费意愿仍是合作阻力
- 一位Midas投资人向他估计,每年华人项目可能上千,主要来自大厂、学生与教授创业;袁征过去是一个点,基数扩大后可能形成一个面,未来可能出现50至100个袁征。Raymond观察到新华人GP不断出现,也回顾此前统计:三家头部实验室中华裔接近三分之一,拼音姓名约15%,高级研究员中更明显。
- 国庆期间,LP看GP、投资人看项目、创业者找客户,让他感到华人非常拼。但他安排国内大厂看完一家To B公司的业务与demo,对方想到的却是“卷一卷内部的研发,做同款的平替”。他担心连产品付费都难以发生,反复索取介绍与演示后,就不会再有公司愿意配合。