Radical VenturesのAI NeoLab資金調達、240億ドルに到達も製品化はなお遅れ

Radical VenturesによるAI NeoLabへの資金調達は、過去2四半期で240億ドルに達したと報じられている。投資先の多くは、確立された製品、市場、収益をまだ持たない。Financial Timesが取り上げた分析によれば、この総額はChatGPTの登場以前にOpenAIとAnthropicが調達した資金の約5倍に迫る。

この比較は、スタートアップ金融における急激な逆転を示している。OpenAIとAnthropicは、商業的な勢いが明らかになるまで何年にもわたり研究プログラムを進めてきた。現在では、投資家は新たに結成されたチームに対し、プロダクトマーケットフィットを確立する前から数十億ドル規模の賭けに出ている。

Radical Venturesはこうした企業を「NeoLabs」と呼ぶ。これは、既存の最先端ラボの外で基盤的AIの進歩を追求する、研究者主導のスタートアップを指す。このカテゴリーには、Safe Superintelligence、Thinking Machines Lab、World Labs、Reflection AIのほか、より専門的な数十社の研究企業が含まれる。

賭けの対象は、単に別のチャットボットが市場シェアを獲得することではない。投資家は、著名な研究者から成る小規模な集団が、現在の主流アプローチを置き換えるアーキテクチャ、訓練手法、あるいは学習システムを発見できると見込んでいる。

この仮説は不都合な問いを生む。ベンチャー企業は、ブレークスルー前の次のOpenAIに資金を供給しているのか。それとも、商業化への道筋がなお定まらない研究プロジェクトに、最先端企業並みの評価額を支払っているのか。

Radical VenturesのAI NeoLab資金調達は新たな極端な水準に達した

決定的な変化は、従来型のスタートアップに必要とされる証拠がそろう前に、投資家が拠出する資本の規模にある。

Radical Venturesは、2024年以降に合計400億ドル超を調達した、40社を超える独立系AI NeoLabを特定した。同社のNeoLab market mapでは、これらをワールドモデル、強化学習、継続学習、拡散モデルなど、さまざまな研究領域に配置している。

Financial Timesの記事によれば、そのうち240億ドルは直近2四半期だけで流入した。このペースが累計額以上に重要なのは、当初の熱狂の後に落ち着くのではなく、資金供給が加速していることを示唆するためだ。

Radical Venturesは歴史的な比較を提示している。OpenAIとAnthropicは、OpenAIが2015年に創業してからChatGPTが2022年11月に公開されるまでに、合計53億ドルを調達した。新たな企業群は、わずか6カ月でその総額のほぼ5倍を集めた。

この比較は完全ではない。コンピューティングコストは上昇し、投資家のAIへの理解も変化しており、後発のラボは最先端モデル構築で実績を持つ人材を採用できる。2026年に調達される1ドルは、数年前の1ドルと同じ購買力や市場環境を意味するわけでもない。

しかし、こうした留保によって根底にある変化が消えるわけではない。かつてスタートアップへの資金供給は、企業が市場を見いだした証拠に続くものだった。AI NeoLabモデルでは、後に市場を生むかもしれない発見を探すための資金が、しばしば先に提供される。

Safe Superintelligenceはこのパターンを示している。Ilya Sutskever、Daniel Gross、Daniel Levyは2024年6月、「安全な超知能の構築」という一つの目標を掲げて同社を立ち上げた。数カ月以内に、このラボは最初の10億ドルを調達した。

SSIの公開サイトは、単一の焦点を置くことで「product cycles」を避け、短期的な商業圧力から研究を隔離できるとしている。このresearch-first missionは、ソフトウェアスタートアップに通常求められる義務を後回しにする姿勢を、異例なほど直接的に示している。

2025年の報道によれば、SSIはその後、評価額320億ドルでさらに20億ドルを調達した。この時点でも同社には公開された製品ロードマップがなかった。投資家は創業者、研究目標、そして将来のブレークスルーの可能性を評価していた。

Thinking Machines Labは、同じ道筋の別の形をたどった。元OpenAI最高技術責任者のMira Muratiが創業した同社は、製品を公開する前に20億ドルのシードラウンドを完了した。当時の報道によれば、初期の評価額は120億ドルに達した。

こうしたラウンドの規模と時期は、「シード投資」の意味を変えている。従来、シードラウンドは初期採用、製品開発、初期の市場検証を資金面で支えるものだった。10億ドル規模のNeoLabラウンドは、人材、コンピューティング、そして機関投資家に近い規模での時間を賄う。

Radical Venturesによると、北米と欧州のモデルプロバイダー13社が、2025年初頭以降に少なくとも10億ドルのラウンドを完了した。このうち8社がNeoLabカテゴリーに属していた。

これは著名創業者による孤立した案件ではない。非常に大きな初期コミットメントと極めて長い技術開発期間を軸に構築された、AI研究の新たな資本構造を形作っている。

投資家が製品より先にチームへ資金を出す理由

AI NeoLabの投資家が引き受けているのは、現時点の収益ではなく、希少な研究者と研究仮説である。

このアプローチは、少数の研究者が人工知能の方向性を大きく変えられるという信念から始まる。彼らの実績は、まだ存在しない製品の代替指標となる。

SutskeverはOpenAI共同創業前に、影響力の大きいニューラルネットワークシステムの開発を主導した。MuratiはOpenAIで主要な製品および研究の取り組みを監督した。World Labsの創業者Fei-Fei Liは、コンピュータビジョンと空間知能において数十年にわたる評価された研究実績を持つ。

こうした経歴は、不確実性の一形態を減らす。投資家は、創業チームが以前に最先端システムへ貢献したか、優秀な同僚を採用したか、大規模なコンピューティングプログラムを運営したかを評価できる。

ただし、市場の不確実性は解消されない。優れた研究チームでも、技術的に失敗するアイデアを追う可能性があり、競合に後れを取ることも、顧客にとって高コストすぎることもあり得る。

投資家の論拠は、一部にはべき乗則的なリターンに基づく。他の多くのラボが失敗しても、1社が莫大な経済価値を持つ新たなプラットフォームになればよい。単一の勝者が、ファンドの残りのポートフォリオにおける損失を補える可能性がある。

OpenAIとAnthropicは、その存在証明となっている。両社は研究者の集中した集団から生まれ、大規模な資本を呼び込み、最終的には広く採用される製品を構築した。その軌跡により、新たな独立系ラボはChatGPT以前よりも非現実的には見えなくなった。

しかし、この比較は長年に及ぶ困難な開発を、簡潔な成功物語へと圧縮している。OpenAIは、ChatGPTが大規模な普及を生む前に、ロボティクス、強化学習、言語モデルなどのプロジェクトを探求した。Anthropicは、エンタープライズ向けの商業事業を構築しながら、モデルと安全性の手法を開発した。

新たなNeoLabは、これらの企業が初期にどのような姿だったかではなく、最終的に何になったかに影響された評価額を受けている。投資家は実質的に、期待される将来価値を前倒ししている。

人材獲得競争もこの行動を強めている。新設のラボは、遠い将来の約束と通常のスタートアップ報酬だけでは、著名な研究者を採用できない。競争力のある待遇を提示し、コンピューティング能力を確保し、複数の訓練サイクルにわたって研究を継続できることを示すための十分な資本が必要となる。

Radical Venturesは、40人を超えるNeoLab創業者が以前Google DeepMindに勤務していたと推定している。他にも、OpenAI、Meta、有力大学、既存のAIスタートアップを離れた人材がいる。

DeepMindの影響は特に大きい。同社のチームはAlphaGo、AlphaStar、AlphaFoldなど、注目度の高い研究プログラムに貢献した。元従業員は技術的知識と職業的ネットワークの双方を新たなベンチャーへ持ち込む。

これにより、循環的な資金調達メカニズムが生まれる。著名な研究者が資本を呼び込み、その資本がさらに著名な研究者の採用を支え、拡大したチームがより高い評価額を支える。サイクルの初期段階では、製品に関する証拠は二次的な位置にとどまり得る。

投資家はまた、カテゴリーを決定づける企業を見逃すことも恐れている。ラボが著名なチームと大規模なコンピューティングへのコミットメントを確保すると、後から参加するコストは大幅に高くなり得る。

この恐れは迅速な意思決定を促す。収益を待てばより良い証拠を得られるかもしれないが、投資機会そのものを失ったり、参入時の評価額が劇的に上昇したりする可能性もある。

その結果は、通常のソフトウェアよりも医薬品研究への資金供給に似ている。投資家は、成功した発見が価値ある製品ポートフォリオを支え得るため、商業収益のない長期にわたって科学プログラムへ資金を提供する。

AIには一つの決定的な違いがある。医薬品開発には、構造化された臨床段階、規制上のマイルストーン、候補治療を比較するより明確な手法がある。最先端AI研究には、それに相当する検証フレームワークがない。

ベンチマークは部分的な証拠を提供するが、最適化、汚染、あるいは急速な陳腐化が起こり得る。技術デモは能力を示す一方で、顧客が開発費と推論コストを賄えるほど支払うことを証明するものではない。

この隔たりが、創業者の評判にこれほど大きな金銭的重みが与えられる理由を説明する。客観的なマイルストーンがなお不確実なとき、過去の実績は極めて重要なシグナルとなる。

賭けの対象は、現在の最先端に対抗する新アーキテクチャだ

主な競争は、代替的な研究パラダイムと、既存企業がすでに商業化したスケール化トランスフォーマーシステムの間で展開している。

大半のNeoLabは、既存アシスタントをわずかに改善したものを約束しているわけではない。現在のモデルには、異なる技術的経路を必要とする限界があると、明示的または暗黙的に主張している。

ワールドモデルの研究者は、システムにはテキストから学んだ統計的パターンだけでなく、物理環境の内部表現が必要だと考えている。こうしたモデルは、行動の後にシーンや環境がどう変化するかを予測しようとする。

World Labsは空間知能を追求しており、他の企業は関連するアイデアをロボティクス、動画、シミュレーションに応用している。その機会は、現在のマルチモーダルモデルが、ワールドベースの表現が超えられる上限に達するかどうかにかかっている。

継続学習を手掛ける企業は、別の制約に焦点を当てている。配備済みの基盤モデルの大半は、訓練後もほぼ固定されたままだ。開発者は検索情報を追加したり、ファインチューニングしたりできるが、基盤となるモデルが日常的な経験を通じて継続的に自己更新するわけではない。

成功する継続学習システムは、以前の知識を保持しながら適応する。この両立は依然として難しい。新たな学習が、すでに獲得した能力を損なう可能性があるためだ。この問題はしばしば「破滅的忘却」と呼ばれる。

強化学習ラボは異なる主張をしている。主に人間が生成したデータを予測するよう訓練されたモデルでは、既存の知識を確実に超えることはできないというものだ。

こうしたシステムは、結果を検証できる環境内のフィードバックから学ぶ。ゲームに勝つこと、方程式を証明すること、あるいは動作するプログラムを作ることは、単にテキストを模倣するよりも強いシグナルを提供する。

他のグループは、拡散ベースの言語モデルを研究している。従来の自己回帰モデルは、トークンを一つずつ生成する。拡散アプローチは、より大きなブロックを並列に洗練できる可能性があり、速度、コスト、出力品質のトレードオフを変えるかもしれない。

エネルギーベースモデルは、さらに別の経路を取る。シーケンスを直接生成するのではなく、制約に照らして候補構成を評価する。支持者は、このプロセスが計画能力と検証可能な推論を改善できると考えている。

これらのアプローチは技術的には異なるが、その投資ストーリーは同じ構造を共有している。各研究所は現在のフロンティアモデルの限界を特定し、スケーリングの収穫逓減が進んだ後に不可欠となり得る手法を提案している。

こうしたスタートアップが研究を進める間も、OpenAI、Anthropic、Google DeepMind、Metaは手をこまねいているわけではない。既存のインフラ、流通網、顧客関係を背景に、既存大手も同様の手法の多くを社内で探索できる。

これがネオラボ論における最大の圧力だ。スタートアップには、有効な研究アイデアだけでは足りない。既存大手が再現、買収、あるいはそれを上回る前に、そのアイデアを発展させなければならない。

Radical Venturesは、この変動する競争環境を同カテゴリーの主要リスクとして挙げている。例えばコーディング研究所は、Claude CodeやCodexのように急速に進化する製品に直面するだけのために、専門システムの開発に何年も費やす可能性がある。

オープンウェイトモデルも別の課題をもたらす。研究所が高額なトレーニングを終えた直後に高性能なシステムが公開されれば、同社が流通網を構築する前に技術的差別化が商業的価値を失う可能性がある。

研究の独創性も、持続可能なビジネスを保証するものではない。研究所が影響力のある技術を発表しても、より大きな企業が元の開発者に対価を支払うことなく取り込むかもしれない。

最良の結果には、つながった3つの達成が必要となる。チームは実質的な技術進歩を実現し、それを製品へと転換し、競合他社がすぐには消し去れない商業上の優位性を築かなければならない。

最初の段階は注目と資金を集める。2番目と3番目の段階が、投資家が企業に資金を出したのか、それとも非常に高価な研究プログラムに資金を出しただけなのかを決める。

240億ドルという数字が示していないこと

見出しに出る資金調達総額は、独立系のリスク投資家がどれほどのリスクを引き受けたか、また研究所が実際にどれほど利用可能な資本を管理しているかを過大に見せることがある。

非公開企業の資金調達発表には、複数のコミットメント形態が混在することが多い。報じられたラウンドには、現金、クラウドクレジット、将来の分割拠出、戦略的投資、特定の条件に連動した資金調達が含まれる場合がある。

したがって見出しの金額は、必ずしも企業の銀行口座に直ちに入金される使途制限のない資金と同義ではない。完全な取引書類がなければ、外部の読者がすべてのラウンドを同じ条件で信頼性高く比較することはできない。

バリュエーションも別の歪みを生み得る。企業の小さな持分が高値で売却されれば、事業全体について見出し用の評価額が設定される。その数字は、同社がより大きな持分を同じ価格で売却できるかどうかを示さない。

戦略的投資家には、財務リターン以外の利害もある。チップメーカーは、研究所がコンピューティングハードウェアを購入すれば利益を得る。クラウドプロバイダーは、スタートアップが長期的なインフラ利用を約束すれば利益を得る。

Radical Venturesによれば、Nvidiaはモデルプロバイダー市場全体で最も活発な投資家の一社となっている。この立場は、スタートアップへの資金供給と計算資源需要の密接な結び付きを反映している。

Radicalは、トレーニングと推論が通常、ネオラボの支出の半分を大きく上回ると見積もっている。投資家がチップ、クラウド容量、またはインフラに連動した資金を提供する場合、取引の一部は投資家自身の商業エコシステムを支えることになる。

これは投資を見せかけのものにするわけではない。研究所は実際に計算資源を必要としており、戦略的パートナーシップは容量不足のリスクを低減できる。しかし、資金調達を将来の製品収益に対する独立した信頼と単純に解釈することを難しくする。

計算資源に関するコミットメントは負債にもなり得る。研究所は、どのアーキテクチャが機能するか、将来の製品がどれほどの需要を生むかを知る前に、数年分の容量を確保する可能性がある。

フロンティアモデルのトレーニングは技術資産を生むが、新世代ごとに再び大規模な投資が必要になる場合がある。重要なサイクルを一度逃した企業は、不利な条件で再調達を迫られる圧力に直面しかねない。

SSIの当初の資金調達は、この緊張がどれほど早く現れ得るかを示した。Axiosは、同社が中間的な収益なしにスーパーインテリジェンスを追求するなら、10億ドル規模の現金ラウンドでさえ長くは持たない可能性があると指摘した。同社の資金調達分析は、繰り返される資本需要を中心的なリスクとして挙げている。

収益がないことは、必ずしも失敗の証拠ではない。研究志向の企業が、困難な技術プログラムを守りながら商業化を合理的に遅らせることはあり得る。

問題は、投資家が生産的な忍耐と、検証がいつまでも得られない状態とを区別しなければならないことだ。非公開企業に関する報道では、外部者がトレーニング結果、支出ペース、社内マイルストーンについて得られる情報は限られる。

研究所はステルス状態を維持したまま、より高い評価額で資金を調達できる。その後の各ラウンドは、最も強いシグナルが別の投資家の参加意思にすぎない場合でも、前回のラウンドを裏付けているように見える。

資本供給が弱まれば、このモデルは脆弱になる。有償顧客を抱える企業は、支出を調整し、利益率を改善し、最も強い製品に集中できる。収益化前の研究所には選択肢が少ない。計算資源を削減したり研究者を失ったりすれば、主力資産が損なわれる可能性があるためだ。

人材の集中も同様のリスクをもたらす。研究所の評価額は、著名な数人の創業者やシニア研究者に大きく依存している可能性がある。彼らが去った場合、同社はソフトウェア企業が営業幹部を交代させるほど容易には、その評判を置き換えられない。

Thinking Machinesでは、大規模なシード資金調達後に共同創業者のAndrew TullochがMetaへ戻り、初期の事例が生じた。この離脱が同社の運命を決めたわけではないが、人材に基づく投資仮説がどれほど早く試され得るかを示した。

従来のスタートアップ・デューデリジェンスは、顧客が製品を繰り返し選ぶかを問う。ネオラボのデューデリジェンスでは、チームが防御可能な何かを発見するまで十分長く結束を保てるかが問われることが多い。

これらの問いには異なる証拠が必要だ。資金調達総額は、いずれにも答えない。

AIネオラボへの資金調達は既存大手と小規模スタートアップに圧力をかける

この資金は研究者と計算資源の獲得競争を激化させる一方、フロンティアAIを独立して追求するための最低コストを押し上げる。

OpenAI、Anthropic、Google DeepMind、Metaは、直接的な人材流出防止の問題に直面している。最も有力な研究者たちは今や、退職によって巨額の資金と新しい研究アジェンダに対する大きな裁量を得られることを知っている。

大規模研究所は、より高い報酬、より大きな自律性、あるいは投機的なプロジェクトを中心に組織した社内チームで対応できる。Metaの積極的な採用キャンペーンは、研究者への報酬がどれほど迅速に戦略的費用となり得るかを示した。

既存大手には重要な優位性が残る。巨大なコンピューティングシステム、経験豊富な運用チーム、独自データへのアクセス、そして研究から数百万人のユーザーへの即時の道筋を提供できる。

しかし、規模は不満の原因にもなり得る。製品スケジュール、安全性レビュー、エンタープライズ契約、組織階層は、より狭い技術仮説を追求したい研究者を制約することがある。

ネオラボは別の選択肢を売り込む。小さなチームは、長期的な問題を1つ選び、成熟製品を支える必要を避け、会社全体をその研究を中心に組織できる。

この提案は独立系スタートアップにも圧力をかける。有用な製品を構築するために数百万ドルの資金を求める従来型のAI企業は、より劇的な技術的野心を掲げて数十億ドルを調達する研究所と注目を競うことになる。

両者はしばしば異なる市場を追うが、エンジニア、投資家、計算資源という重複するプールから人材や資源を引き出している。潤沢な資金を持つ研究所の高い報酬は、製品志向の企業にとって採用を大幅に難しくし得る。

クラウドとチップの容量は、もう1つの格差を生み出す。Radical Venturesは、保証された複数年の計算資源へのアクセスは、資本そのものより制約が強くなっていると主張する。

チームは資金を調達しても、適切な時期に十分な先進アクセラレータを確保するのに苦労する可能性がある。遅延はトレーニング計画を混乱させる一方で、よりつながりの強い競合は前進する。

資金調達の波はエンタープライズの買い手にも影響する。より多くの研究所が、特化モデル、代替アーキテクチャ、低コスト推論を約束している。買い手の選択肢は増えるが、多くのプロバイダーには実証済みの運用実績がない。

技術ベンチマークは、ベンダーが本番ワークロードを支え、データを保護し、サービス上の約束を守り、数年間生き残れるかという問いには答えない。調達チームは、モデル能力と並行してサプライヤーの財務的な持久力を評価しなければならない。

開発者も関連する問題に直面する。新しいモデルのアプリケーション・プログラミング・インターフェースが代替手段と互換性があるように見えても、その上に深く構築すれば切り替えコストが生じる可能性がある。

方向転換、資金枯渇、あるいはチームの既存大手への売却が起きたネオラボは、顧客が期待していた製品ロードマップを失わせる可能性がある。

買収は保証された安全網ではない。Radical Venturesは、大手テクノロジー企業がすでに確立したAI研究所と密接な関係を維持しているため、自然な買い手のプールは限られていると指摘する。

規制当局は、企業全体を買収せずにチームと技術を移転する取り決めも調査している。こうしたいわゆる逆アクハイヤーは、外部投資家に不確実な回収見込みを残しつつ、創業者と従業員に出口を提供し得る。

MicrosoftとInflection AIの取り決めは、なぜこうした構造が精査を招くのかを示した。この取引は、従来の買収の最も単純な形を取らずに、シニア人材を移し、技術をライセンス供与した。

成功したネオラボにとって、既存大手への圧力は生産的になり得る。信頼できる代替案は、より迅速なリリース、より良い研究環境、より競争力のある価格設定を促すことができる。

失敗した研究所にとっては、同じ圧力が高価な重複を生む可能性がある。複数のチームが、防御可能な優位性を持つチームがないと判明する前に、類似のシステムのトレーニングに多額の資金を投じるかもしれない。

したがって、240億ドルの波は実験と無駄の両方を増加させる。ベンチャーポートフォリオはその組み合わせを許容できるかもしれないが、インフラプロバイダー、従業員、エンタープライズ顧客は異なる形でその影響を受ける。

3つのシグナルがAIネオラボ論を試す

製品、独立した技術的証拠、そして再現可能な収益が、この資金調達の波が新たなフロンティア企業を生み出したかを決める。

最初のシグナルは製品提供だ。大規模な初期ラウンドを調達した研究所は、研究プログラムを外部ユーザーが評価できるシステムへと転換しなければならない。

リリースはChatGPTに似ている必要はない。モデル、開発者プラットフォーム、ロボティクスシステム、科学ツール、インフラ製品でもよい。それでも、創業時の研究チームを超えたユーザーにとって、明確に定義された問題を解決しなければならない。

Thinking Machinesは、記録的なシードラウンド後にツールのリリースを始めた際、初期の試金石を示した。同社の企業アップデートは、投資家と開発者が過去の期待と比較できる公開記録を提供している。

重要なのは、研究所が何かをローンチするかどうかではない。企業は既存の手法を、それなりに立派なデモとしてパッケージ化できる。問われるのは、その製品が研究所の当初の研究仮説につながる優位性を示すかどうかだ。

2つ目のシグナルは、独立した技術的検証である。ネオラボは、新たな学習手法、アーキテクチャ、あるいは汎用知能への道筋について、しばしば主張を行う。

こうした主張は、外部の研究者が結果を再現できる場合、顧客が性能を試験できる場合、あるいは詳細な評価が意味のあるタスク全体で優位性を示す場合に、より信頼できるものとなる。

数週間後に消えるベンチマーク上の優位は、数十億ドル規模の評価額をほとんど裏付けない。トレーニングコストを下げ、信頼性を高め、あるいは従来は非現実的だったアプリケーションを可能にする手法は、より強い証拠となる。

既存企業が同様の手法を採用するかどうかにも、投資家は注目すべきだ。採用は研究の方向性を裏付ける一方で、スタートアップの商業的な堀を弱める可能性がある。

3つ目のシグナルは、収益の質だ。研究所に即時の収益性は必要ないが、継続的な顧客需要こそが、持続する企業と資金提供を受けた実験を分ける。

収益は、主に関連する戦略的取り決めや一度限りの研究提携ではなく、顧客が製品を選ぶことで生まれるべきだ。また、推論およびインフラのコストを考慮した後でも、成長には十分な意味が残る必要がある。

OpenAIの歩みは、なぜ流通が重要なのかを示している。同社は2025年の資金調達発表で、新たな資本を、拡張されたインフラと、毎週数億人のユーザーに提供する製品に結び付けた。同社の資金調達アップデートは、研究支出を、すでに目に見える形で稼働している採用のエンジンと結び付けている。

新設された研究所の大半は、まだその循環を確立していない。彼らは、そのような循環が存在するかどうかを見出すために必要な資本を調達している。

今後数四半期で、このカテゴリー内の有意な差異が明らかになるはずだ。信頼に足るシステムをリリースするチームもあれば、追加資金を求めながら非公開のままにとどまるチームもある。人材を失い、方向転換し、あるいは戦略的な売却を模索するチームも少数ながら出てくるだろう。

したがって、240億ドルという総額は出発点であって、成績表ではない。これは、投資家が現在のフロンティア企業を超える代替的な道筋に資金を投じる意思を測るものだ。そうした道筋のうち、どれだけが機能するかを測るものではない。

開発者やエンタープライズの購買担当者は、各研究所の製品が、約束された技術的差別化を反映しているかを注視すべきだ。投資家は次のバリュエーションだけに目を向けず、支出よりも速く証拠が積み上がっているかを問うべきである。

Radical Ventures AIのNeoLab向け資金調達は、独立したフロンティア研究を前例のない規模で可能にした。より困難な課題はラウンドの完了後に始まる。集中的な人材、高価なコンピューティング、そして科学的な野心を、人々が繰り返し選ぶ製品へと転換することだ。

次の大型資金調達までに、その転換を示せる研究所はどこだろうか。その答えが、NeoLabブームがAIのフロンティアを広げたのか、それとも単にその探索コストを押し上げただけなのかを明らかにする。