Fusion Fund創始人張璐
以下為詳細訪談內容：
01 矽谷創投圈的“馬太效應”顯著，好專案面臨併購潮，規模高達幾十億美金
騰訊科技：你2010年就去美國斯坦福大學讀書，之後開始在矽谷創業，請分享一下目前整個矽谷的創投生態是怎麼樣的？
Fusion Fund 張璐：儘管今年市場環境不佳，矽谷銀行破產並導致金融市場波動，但事實上，矽谷銀行對生態系統的影響並不像人們所想象的那麼大。矽谷銀行實際上是由政府託管，確保了企業、投資者和其他資產儲戶的現金安全。銀行的破產並沒有產生巨大的實質性影響，更多是在生態系統中缺少一個活躍的金融服務提供方。
固然風險投資領域資金充裕，但現在的投資更加謹嚴，“馬太效應”顯著。與去年同期相比，本季度整體投資專案的數目大幅下降，但投資金額並未如人們想象的那樣大幅降低，由於優質專案然吸引大量資本。一些具備巨大市場潛力、在收入和客戶層面表現出色的領軍企業吸引了頂級資本，它們通常在募資過程中能夠逾額募資150%至200%.我們自己的企業今年融資的基本都是超募，有一家深科技的邊沿計算晶片公司幾個月前融資B輪，也是200%超募。
在金融市場和公開市場的影響下，現在的投資者在選擇公司時的前提和要求與以前有很大不同。過去更注重公司是否能實現超高速增長，而現在更注重是否有明確的市場驗證、良好的現有收入和資料增長。我以為，這實際上是迴歸貿易本質。
騰訊科技：在這樣的環境下，反而更輕易催生出一批偉大的企業？
Fusion Fund 張璐：沒錯，仔細觀察風險投資市場，可以看到目前的一個重要特點是，創業者的均勻素質和質量比往年要高得多，他們要麼是連續成功創業者，要麼具有豐碩的行業經驗。
在過去幾十年的立異浪潮中可以看出一個規律，經濟低潮、經濟變化和轉折階段是最輕易泛起偉大企業的時候。
第一，這是週期性變化，在觸底後必定會反彈，反彈過程中能夠順勢崛起的公司將會更快成長。
第二，資本在這個時候更加集中地投資，優質公司可以獲得更多集中的資本、資源和人才。
第三，現在的經濟低潮階段意味著大型企業、上市公司和財富500強公司面臨著巨大挑戰。現在與往年不同的是，往年我們可能以為技術整合和立異是可有可無的，但現在必需進行整合，包括與人工智慧這一批新技術的整合。
假如不進行新技術的整合，效率將降低，生產力將下降，同時各種本錢和競爭性題目困擾著這些大型上市的財富500強企業。它們迫切需要與技術進行整合，這也證實初創企業可以更快地獲得訂單和市場驗證。
矽谷整體的創投環境可以用核心幾個詞來概括：
首先是“馬太效應顯著”；
其次是“崛起”，我們正處於一個調整期和快速崛起的前期階段；
最後是“活躍”，儘管中晚期有許多基金備用金和資金，但大家仍在觀察市場的調整，等待優質企業崛起後再進行重點投資。
騰訊科技：你提到在週期性變化中，“觸底後必定會反彈”，現在已經處於週期性變化的底端了嗎？“反彈”是不是即將來臨？
Fusion Fund 張璐：還需要時間來實現反彈，由於反彈的核心是整合和推動新技術。現在的人工智慧具有很多上風，特別實用。
企業應用的發展進展非常迅速，但要將它們大規模推廣像IBM、微軟和輝瑞這樣的公司可能需要一年的時間。
一旦進入客戶端，要讓它們的訂單從幾百萬美元增加到幾千萬美元甚至更高，也需要一年的時間。
在未來一到兩年內，人工智慧將迅速崛起，但不會像人們想象的那樣在幾個月內完成，它仍舊需要一個週期。在這個過程中我們將會經歷經濟週期，但同時也會看到各種垂直領域的人工智慧應用蓬勃發展。
騰訊科技：這一兩年內，企業需要做哪些技術上的搭建和預備，才能掌握和應對垂直領域人工智慧的發展機會？
Fusion Fund 張璐：中美之間存在著一個技術創新週期的區別。中國可能仍在基礎設施的立異階段，而美國的基礎技術創新已經完成。
我們目前很少談論投資人專注於投入大模型的情況，而是專注於下一步，即技術應用立異，但加速仍需要一定時間。此外，推動力不僅僅是技術創新本身。你開發出的技術需要被人們使用，需要被應用於工業。當前，美國的大型公司（包括500強公司）的CTO(首席技術官)手中有很大的預算，甚至可以達到數十億美元。這些鉅額資金專門用於與初創企業合作，進行訂單戰略合作或併購。
你會發現過去半年以及未來一段時間的併購流動非常活躍，而且買家不僅限於傳統科技公司，還包括金融和保險等行業，它們正在收購各種垂直領域的人工智慧公司。併購金額從幾億美元到幾十億美元不等，這是一個極其重要的訊號。
同時收併購的速度也很快，過去2年我們有8家公司被收購，幾個月前我們的一家和Nvidia合作的AI公司，在兩個月內被一家上市公司高價全現金收購，所以技術整合的速度在加速。我們之所以對此感到高興，是因為過去在網際網路時代數字化轉型主要集中在科技領域，其他行業固然提到了"網際網路+"但仍不是深度應用。但是這次人工智慧確實影響了整個工業，大趨勢是全工業的數字化轉型。
騰訊科技：在全工業數字化轉型過程中，生產力和生產關係會發生調整，大家會面臨許多的動盪和變化，好比企業裁員、許多人面臨失業，這是一個必然的趨勢嗎？
Fusion Fund 張璐：裁員有兩個原因，一方面是經濟形勢的調整，大家都但願增加現金流；另一方面，特別是科技公司，它們不再需要那麼多工程師，由於透過最佳化工作流程和降低開發成本，就可以實現大規模的本錢降低。
假如一個員工的生產力和效率進步，整個公司是否需要更少的員工就可以運轉？我以為數字化轉型的核心就是自動化，工業越自動化，對人力需求就越少。
實際上，目前美國存在一定的對立情況，科技行業進行裁員，而傳統行業卻招不到人。
例如，我自己創辦了CXO網路，其中有44位來自全球1000強企業的首席技術官，我的合夥人之一是曾任惠普全球首席技術官的Shane Wall，我們可以瞭解現在這些工業領袖的預算和下一步數字化轉型的戰略佈局。
其中，一家大型物流供應鏈公司的首席技術官告訴我，他們的人才流動率高達130％，由於年輕人不願意從事該行業的工作，所以他們無法招到人才，不得不開始推進更多的自動化。
與此相反，科技公司之所以裁員，是因為新的人工智慧技術的泛起降低了開發成本，使得他們不再需要那麼多的員工。此外，一些科技公司過去幾年的估值過高，快速增長導致人力本錢過高，這也是裁員的原因之一。
我以為在看待整體題目時，需要分別看待不同的生態和工業，從宏觀和微觀的角度思索。固然許多科技公司在裁員，資金鍊緊張，但並不代表它們會一直“貧窮”，相反，假如你來到矽谷，會發現這裡會萃諸多優質的專案和大量的資金。
只是現在大家投資更加謹嚴，也更加集中，這就是為什麼好專案能夠崛起的原因。想象一下，將同樣的資金分散投資到100個公司，那麼每個公司的成功可能性都不太高。但現在，資金大部分集中在最優質的企業中，他們的成功機率天然更高。
02 矽谷進入AI驅動的全工業數字化轉型時代
騰訊科技：今年3月，立異工場董事長李開復以為，AI已經從1.0邁入2.0的拐點，ChatGPT則是AI 2.0時代的第一個現象級應用。在矽谷，有沒有對AI的發展做過類似的階段劃分？
Fusion Fund張璐：矽谷沒有對AI發展階段做過類似的概念區分，但矽谷一致認同，現在是一個AI推動全工業數字化轉型的時代。在ChatGPT泛起之前，大家談論AI的語境主要集中在科技產業裡，但現在基本探討的都是AI和全工業的整合。
騰訊科技：從什麼時間點開始，你非常明顯地感覺到，AI推動了全工業數字化轉型時代的到來？
Fusion Fund張璐：大概在今年（2023年）年初，大眾才開始對AI推動全工業發展有所反應，ChatGPT實在做了一個重點工作，它給全工業做了一場AI教育。
但假如真的從全工業應用來說的話，我們從2019年就一直在投“零程式碼人工智慧平臺”方向，也就是說使用它的人不需要懂一行程式碼。ChatGPT的泛起，讓不需要有任何技術背景的人也可以使用進步前輩技術，這是ChatGPT帶來最大的效應之一。
從投資角度看，我們從2018年就開始投資生成式人工智慧了，當時ChatGPT 1.0泛起了，我們有一個合夥人在2018年和谷歌合作非常緊密，他們也在探索用Transformer做一些金融層面的應用，但彼時大模型還沒有現在這麼成熟好用，從GPT 3.5泛起開始，整個工業的加速變快了。
騰訊科技：在2018年ChatGPT 1.0泛起的時候，你們內部是怎麼思索生成式AI的？好比海內有的投資人會畫一個生成式AI的投資圖譜，按照AI Infra、模型層、應用層三個層面一一尋找頭部專案，矽谷投資人也會做這樣的分層嗎？
來源：英諾天使基金合夥人 王晟
Fusion Fund張璐：我也同意這個分層。我們投資佈局人工智慧的時候，大語言模型只是其中一個模型型別，我們同時也投聯邦學習、可解釋性人工智慧等。固然我們很早就看到大語言模型的機會，但是確實沒想到它發展的速度這麼快。我們當時判定，語言模型基本上會由幾個大公司或者大機構把它作為一個底層基礎提供出來。
在AI Infra層面，我們投資佈局了一些模型最佳化公司，主要集中在算力、能耗、資料質量晉升三個大方向；
在模型層面，我們非常看好開源平臺，但開源平臺和閉源平臺不會取代彼此，需要針對不同的應用來選擇相應的模型，有的應用適合呼叫Open AI的API，有的適合呼叫谷歌的PaLM，有的則適合用Meta的Llama 2，每個應用根據需要的場景各取所需；
在應用層面，我們主要看垂直to B的應用，青睞具有海量高質量資料的行業。只有擁有大量高質量的資料，才能充分展現人工智慧技術的優越性。其中醫療行業是首選，由於它擁有資料量最大、質量最高的資料，同時應用場景非常多樣，無論在中國仍是美國都一樣。相比之下，像消費者資料和使用者資料這樣的C端資料往往較為雜亂。
現階段監視學習仍舊遠大於生成式AI，兩者都將繼承增長，生成式AI的增長速度可能會更快。同時生成式AI使得監視學習的發展變得比原來可能快100倍、同時也更便宜，並更輕易為公家所接受。
矽谷生成式AI的投資邏輯：10%精力看大模型，90%精力看應用和Infra
騰訊科技：在模型層面，什麼樣的應用會選擇閉源模型、什麼樣的應用選擇開源模型，這裡面存在著什麼樣的規律？
Fusion Fund張璐：這裡面可能沒有特殊規律可遵循，核心的考量在安全隱私層面，好比金融保險這類傳統機構不會使用開源模型，但科技產業類企業對開源模型的立場更加開放一些。現在也有初創企業動態選擇不同的模型來支援不同的應用，最佳化整體效率。
騰訊科技：可以理解為，Open AI、谷歌、Meta基本搶佔了矽谷大模型的天下，所以你們在模型層面不會做其它投資動作了？
Fusion Fund張璐：並不是說完全不看模型層面的機會，只是會有側重點，我們會用10%的時間去關注模型，剩下90%
的時間關注Infra最佳化和在垂直領域的應用。美國仍是有許多人在持續探索模型層面的最佳化以及其它不同方向，好比如何用更小的資料量進行新一代的演算法最佳化等，現在只是一個開始。
騰訊科技：在這10%的精力裡面，你們會用什麼樣的邏輯去探索新的模型層面的機會？
Fusion Fund張璐：因為它仍是一個比較新的事物，我們只能永遠去保持關注，在關注的同時不一定有新的東西可以馬上投，還需要時間讓模型更成熟並且適合大規模貿易應用，但我們一定會持續花時間去探索。大語言模型非常Amazing，但它不是AI的全部，它只是AI的開始。李開復老師也說AI有1.0到2.0的迭代，這說明它還會有3.0甚至4.0，未來會有更好的演算法、更最佳化的模型匡助我們實現真正的零程式碼人工智慧平臺，這就像傻瓜相機泛起後，大家不用具備專業的調光知識也能去拍照一樣。
騰訊科技：在AI Infra層面，你提到關注資料質量晉升，和質量比擬，數目不重要嗎？
Fusion Fund張璐：在美國，垂直領域的To B應用發展很快，尤其在GPT-3.5之後，假如想讓模型變得更精準和高效，資料質量比數目更重要。要想在大模型基礎上練習專屬模型，所需要的行業資料的量實在並沒有大家想象的那麼多，由於垂直領域的應用是有邊界的，這和to C端應用不同。
許多人不理解為什麼ChatGPT要用大量資料，而做專屬行業應用則不需要。我們可以設想，ChatGPT是C端應用，它需要應對人類所提出的亂七八糟的各類多樣化和發散題目，這就導致它必需不停延展自己的能力邊界，只有吸取大量資料才能籠蓋所有題目。
但行業專屬模型，只需要專注在一個領域就行。好比我們投了一家針對藥廠的公司Huma AI，它相當於醫藥領域的ChatGPT，藥廠可能會直接問它“新藥的臨床試驗怎麼設計”“某兩種藥的副作用有什麼聯絡關係”這類題目，它的謎底都無比正確。聽起來似乎很難做到，但是藥廠所問的題目都侷限在它所把握的資料範疇之內，所以它的變數比To C應用小得多。
在這樣的背景之下，實在練習資料的數目很小，但是質量很重要。在資料質量晉升方面，我們投資過一家公司名為Optimal Dynamics的公司，專注於傳統物流供應鏈行業。它的產品不僅是一個簡樸的人工智慧平臺，還具備感測器，可以在物流供應鏈過程中收集大量資料，並透過人工智慧在終端進行處理。
在Infra層面，除了資料質量最佳化之外，過去的一年我們也投資了一些在算力和能耗層面上進行最佳化和晉升的公司，有些是在Cloud層面，有些是和Edge Computing（邊沿計算）相結合，也有在晶片層面上的最佳化。固然這些公司都還很早期，商業化程序都很快，包括Nvidia，AMD，高通等晶片巨頭公司都在和初創企業合作。
03 矽谷生成式AI的應用機會：C端應用同質化嚴峻，B端應用更有壁壘
騰訊科技：之前海內投資人朱嘯虎發文表示“ChatGPT對創業公司很不友好”，傅盛回應“海內投資人的思惟怎麼這麼落後，在矽谷現在已經有1萬家公司都圍繞這個東西做立異。”在矽谷，生成式AI主要有哪些應用層面的立異模式？
Fusion Fund 張璐：比較於C真個機會，矽谷投資人更看重B真個機會。
針對C端市場，矽谷的創業者們面臨很大挑戰。目前的差異化已經不再只關注誰的生成式AI模型演算法更精彩，由於模型一旦問世並開源後，任何人都可以使用。相反，資料的獨特性和質量才是壁壘和天花板。而C真個資料基本都把握在大公司手中。在中國，這些公司可能是阿里巴巴、京東等；而在美國，如蘋果、Google和Facebook擁有大量高質量的C端使用者資料。相比之下，小型初創企業很難與大企業競爭資料質量和獲取資料的機會，資料本錢也很高。
然而，B端市場情況不同。大量的大資料把握在大企業手中，但它們卻沒有自己的人工智慧開發能力，或者不想自己在內部開發由於擔心潛伏監管的風險，它們有動力與初創企業合作，將這些資料分享給它們。此外，基於大企業之間的競爭關係，它們不太可能將資料分享給像蘋果或谷歌這樣的巨頭，而更傾向於與小公司合作。
騰訊科技：你在B端應用層面的思索過程是怎樣的？在應用發展方向上的佈局優先順序是怎樣的？
Fusion Fund張璐：在To B方向，每個行業都會需要行業專屬模型，生成式AI應用需要滿意三個前提：
第一，基礎前提是行業資料質量高且規模巨大；
第二，應用場景要足夠多樣；
第三，這個行業本身的市場空間巨大，只有在足夠大的市場裡，使用者的付費意願才足夠強。
按照這個邏輯，排名第一的行業一定是醫療，其它行業依次是金融、保險、供應鏈、化工行業等。
醫療市場佔據美國GDP的20%。不僅我一直在誇大這一點，在其他會議上，很多大型人工智慧公司的執行長也表達了相同觀點。例如，NVIDIA最新的文章關注數字生物學，微軟和谷歌也在關注人工智慧在醫療行業的應用，AI醫療絕對是一個最大的趨勢之一。
醫療行業本身又有許多分支，它的應用場景非常多樣化，我們的邏輯是在醫療行業的每個垂直領域中尋找它的Number One.
對於一家早期的AI醫療企業來說，一方面要關注它的解決方案，另一方面也要看團隊是否具備獲取優質資料的能力，企業能夠擁有高質量專屬資料的資料庫，這個資料庫可以由企業自己建立，也可以透過和別人戰略合作獲取。此外，還需要擁有專業的行業知識可以在練習行業專屬模型時給予高質量反饋進行模型最佳化本身。
但這些專屬資料並不把握在初創公司手裡，而是主要把握在一些傳統大公司手中，他們可能會與第三方初創公司合作將資料分享出去。
騰訊科技：從應用場景上來看，你會把醫療行業分成哪幾個應用環節？生成式AI能改變的是哪幾個環節？
Fusion Fund張璐：我們主要分四個方向看醫療：
數字化診斷
數字化治療（Theraputics）
數字化生物學（Biology）
醫療體系的企業級軟體（Enterprise AI focus on health care）
它們並不是都需要用到生成式AI，展開來說：
數字化診斷主要和路線圖有關係，我們投資了深透醫療（Subtle Medical ），他們透過生成式AI將CT，MRI等醫療影像從低精度升級成高精度人工智慧，病人只需要做5分鐘的低精度掃描就能獲得高質量的影象，而不需要做3小時的高精度掃描，晉升診斷效率的同時，也降低診斷本錢。但數字化診斷並不需要全部都使用生成式AI技術，它可能只需要有可解釋人工智慧就夠了，假如AI pathology，人工智慧讀片，實在並不一定需要使用生成式AI。
數字化生物學一方面會用到生成式AI，另一方面會用到AlphaFold的資料庫，用來推算蛋白質摺疊結構。我們投資了Ruby Bio，就是針對化工行業的合成生物學公司。
醫療體系的企業級軟體，我們投資了Huma AI，它主要面向製藥行業和生命科學行業，它所練習的資料主要基於藥廠內部的大量資料，醫藥廠商只要輸入和藥相關的資訊，Huma AI都能輸出相關的知識。我們也投資了一些針對醫生的medical coding with AI，醫療保險等應用。
騰訊科技：B真個機會許多，但是C端完全拋卻了嗎？好比類似於像Midjourney這樣的C端應用，團隊只有11個人，但收入1億美金，類似的機會也不關注嗎？
Fusion Fund張璐：矽谷也有許多機構持續看C端機會，投資人尋找的時間本錢更高一些，C端產品基本上都直接呼叫現有的API，並且同質化也很嚴峻。
騰訊科技：最後，我們探討一些矽谷新趨勢。除了AI，矽谷現在的投資方向是否有其它高度聚焦的新主題？
Fusion Fund 張璐：這波趨勢並不是只聚焦人工智慧，人工智慧是一個新的強力工具，它應該儘可能地被應用到各個領域。然而，並不意味著所有使用人工智慧的領域都可以創造巨大的商業價值，所以對於投資來說，也要挑選哪些工業和應用可以更快創造巨大的商業價值，最適合優先應用。
在這個關注層面上，首先是醫療領域的數字化轉型。數字化是驅動人工智慧作為高效工具的樞紐。好比，我們公司一直關注醫療領域，其中重要的就是人工智慧在醫療領域的應用。
第二個關注點是企業級網路技術和企業級人工智慧，即企業級AI和企業級網路，還有資料隱私保護。
最後是傳統行業的數字化轉型。這涉及到硬體和軟體兩個方面。軟體方面就是人工智慧的應用，涉及到很多垂直行業。所以，當評判一個公司是AI公司仍是醫療公司時，我以為本質上它仍是一家醫療公司，由於人工智慧本身只是一個驅動工具。同時數字化轉型包括資料收集，資料傳輸保護，和資料處理三個部門。需要軟硬體層同時進級，才可以滿意工業需求。
總之，現在的大趨勢是各種不同型別的公司都要在不同程度上應用人工智慧，或者說圍繞人工智慧生態系統進行開發。
（歡迎創業者和投資人加作者微信交流：aiyukuailetongzai ，煩請備註公司+職務）
《AI未來指北》欄目由騰訊科技推出，邀約全球業內專家、創業者、投資人，探討AI領域的技術發展、商業模式、應用場景、及管理挑戰。
