Finansowanie AI NeoLab przez Radical Ventures osiągnęło 24 mld dolarów, ale produkty wciąż pozostają w tyle
Finansowanie AI neolabów przez Radical Ventures miało podobno osiągnąć 24 mld dolarów w ciągu ostatnich dwóch kwartałów, mimo że wielu beneficjentów nie ma jeszcze ugruntowanych produktów, rynków ani przychodów. Według analizy przytoczonej przez „Financial Times” łączna kwota jest niemal pięciokrotnie wyższa niż kapitał pozyskany przez OpenAI i Anthropic przed pojawieniem się ChatGPT.
To porównanie pokazuje wyraźne odwrócenie trendu w finansowaniu startupów. OpenAI i Anthropic przez lata rozwijały programy badawcze, zanim ich komercyjny impet stał się oczywisty. Dziś inwestorzy stawiają miliardy dolarów na nowo zebrane zespoły, zanim te zdążą osiągnąć dopasowanie produktu do rynku.
Radical Ventures nazywa te firmy „NeoLabs”, czyli startupami prowadzonymi przez badaczy, które rozwijają fundamentalne osiągnięcia AI poza uznanymi laboratoriami pracującymi nad modelami frontier. Kategoria obejmuje Safe Superintelligence, Thinking Machines Lab, World Labs, Reflection AI oraz dziesiątki bardziej wyspecjalizowanych firm badawczych.
Zakład nie polega po prostu na tym, że kolejny chatbot zdobędzie udział w rynku. Inwestorzy liczą na to, że niewielkie zespoły uznanych badaczy odkryją architekturę, metodę treningu lub system uczenia, który zastąpi dzisiejsze dominujące podejście.
Ta teza rodzi niewygodne pytanie. Czy firmy venture capital finansują kolejne OpenAI przed jego przełomem, czy płacą wyceny spółek frontier za projekty badawcze, których ścieżki komercyjne pozostają nieokreślone?
Finansowanie AI NeoLab przez Radical Ventures osiągnęło nowy ekstremum
Kluczową zmianą jest skala kapitału, jaki inwestorzy są gotowi zaangażować, zanim pojawią się konwencjonalne dowody sukcesu startupu.
Radical Ventures zidentyfikowało ponad 40 niezależnych AI neolabów, które od 2024 roku wspólnie pozyskały ponad 40 mld dolarów. Jego mapa rynku NeoLab umieszcza je w obszarach modeli świata, uczenia ze wzmocnieniem, uczenia ciągłego, dyfuzji i innych kierunków badań.
Według relacji „Financial Times” 24 mld dolarów napłynęły w ciągu zaledwie dwóch ostatnich kwartałów. Tempo ma większe znaczenie niż łączna suma, ponieważ sugeruje, że finansowanie przyspiesza, zamiast stabilizować się po początkowym boomie.
Radical Ventures przedstawia porównanie historyczne. OpenAI i Anthropic wspólnie pozyskały 5,3 mld dolarów między założeniem OpenAI w 2015 roku a premierą ChatGPT w listopadzie 2022 roku. Nowa grupa przyciągnęła niemal pięciokrotność tej kwoty w ciągu sześciu miesięcy.
Porównanie nie jest idealne. Koszty mocy obliczeniowej wzrosły, znajomość AI wśród inwestorów się zmieniła, a nowsze laboratoria mogą rekrutować osoby z udokumentowanym doświadczeniem w budowaniu modeli frontier. Dolar pozyskany w 2026 roku nie ma też takiej samej siły nabywczej ani nie funkcjonuje w tym samym kontekście rynkowym co dolar pozyskany kilka lat wcześniej.
Te zastrzeżenia nie niwelują jednak zasadniczej zmiany. Finansowanie startupów kiedyś podążało za dowodami, że firma odkryła rynek. W modelu AI neolab kapitał często trafia do firm, aby sfinansować poszukiwanie odkrycia, które może stworzyć rynek dopiero później.
Safe Superintelligence ilustruje ten wzorzec. Ilya Sutskever, Daniel Gross i Daniel Levy uruchomili firmę w czerwcu 2024 roku wokół jednego deklarowanego celu: budowy bezpiecznej superinteligencji. W ciągu kilku miesięcy laboratorium pozyskało pierwszy 1 mld dolarów.
Publiczna strona SSI podaje, że jej jedyny cel pozwala unikać „cykli produktowych” i chronić prace przed krótkoterminową presją komercyjną. Ta misja stawiająca badania na pierwszym miejscu wyjątkowo bezpośrednio mówi o odłożeniu standardowych obowiązków startupu programistycznego na później.
Doniesienia z 2025 roku wskazywały, że SSI pozyskało następnie kolejne 2 mld dolarów przy wycenie 32 mld dolarów. Firma wciąż nie miała wówczas publicznego planu rozwoju produktu. Inwestorzy wyceniali założycieli, cel badawczy i możliwość przyszłego przełomu.
Thinking Machines Lab podążyło inną wersją tej samej ścieżki. Firma założona przez byłą dyrektorkę ds. technologii OpenAI, Mirę Murati, zamknęła rundę seed o wartości 2 mld dolarów przed wydaniem produktu. Według ówczesnych doniesień jej wczesna wycena osiągnęła 12 mld dolarów.
Wielkość i moment tych rund zmieniają znaczenie „inwestycji seed”. Runda seed tradycyjnie finansuje początkowe zatrudnienie, rozwój produktu i wczesne testy rynkowe. Warta miliard dolarów runda neolabu finansuje talenty, moc obliczeniową i czas w skali bliższej instytucjonalnej.
Radical Ventures podaje, że od początku 2025 roku 13 północnoamerykańskich i europejskich dostawców modeli zakończyło rundy finansowania o wartości co najmniej 1 mld dolarów. Osiem należało do jego kategorii NeoLab.
Nie są to odosobnione transakcje z udziałem założycieli-celebrytów. Tworzą wyłaniającą się strukturę kapitałową dla badań nad AI, opartą na wyjątkowo dużych początkowych zobowiązaniach i bardzo długich horyzontach technicznych.
Dlaczego inwestorzy finansują zespoły przed produktami
Inwestorzy AI neolabów finansują rzadko spotykanych badaczy i tezy badawcze, a nie obecne przychody.
Podejście to zaczyna się od przekonania, że niewielka liczba badaczy może istotnie zmienić kierunek rozwoju sztucznej inteligencji. Ich dorobek staje się zastępczym wskaźnikiem produktów, które jeszcze nie istnieją.
Sutskever pomagał kierować rozwojem wpływowych systemów sieci neuronowych przed współzałożeniem OpenAI. Murati nadzorowała ważne działania produktowe i badawcze w OpenAI. Założycielka World Labs, Fei-Fei Li, ma za sobą dekady uznanej pracy w obszarze widzenia komputerowego i inteligencji przestrzennej.
Takie doświadczenia zmniejszają jedną formę niepewności. Inwestorzy mogą ocenić, czy zespół założycielski wcześniej wniósł wkład w systemy frontier, rekrutował elitarnych współpracowników i zarządzał dużymi programami obliczeniowymi.
Nie eliminują jednak niepewności rynkowej. Znakomity zespół badawczy może realizować pomysł, który zawiedzie technicznie, pojawi się po konkurencji lub okaże się zbyt kosztowny dla klientów.
Argument inwestorów częściowo opiera się na zwrotach zgodnych z prawem potęgowym. Większość laboratoriów może ponieść porażkę, jeśli jedna udana firma stanie się nową platformą o ogromnej wartości gospodarczej. Pojedynczy zwycięzca mógłby pokryć straty z pozostałej części portfela funduszu.
OpenAI i Anthropic stanowią dowody, że taki model może istnieć. Obie firmy wyrosły ze skoncentrowanych grup badaczy, przyciągnęły znaczący kapitał i ostatecznie zbudowały szeroko stosowane produkty. Ich trajektorie sprawiają, że nowe niezależne laboratorium wydaje się mniej nieprawdopodobne niż przed ChatGPT.
Porównanie to skraca jednak lata trudnego rozwoju do prostej historii sukcesu. OpenAI badało robotykę, uczenie ze wzmocnieniem, modele językowe i inne projekty, zanim ChatGPT zdobył masową popularność. Anthropic rozwijało swoje modele i metody bezpieczeństwa, jednocześnie budując komercyjną działalność skoncentrowaną na przedsiębiorstwach.
Nowe neolaby otrzymują wyceny pod wpływem tego, czym te firmy się stały, a nie tego, jak wyglądały w najwcześniejszych latach. Inwestorzy faktycznie przesuwają oczekiwaną przyszłą wartość do teraźniejszości.
Konkurencja o talenty wzmacnia to zachowanie. Nowo utworzone laboratorium nie może zatrudniać uznanych badaczy wyłącznie dzięki odległej obietnicy i standardowemu wynagrodzeniu startupowemu. Potrzebuje wystarczającego kapitału, aby oferować konkurencyjne pakiety, zapewnić zasoby obliczeniowe i pokazać, że jego prace mogą trwać przez kilka cykli treningowych.
Radical Ventures szacuje, że ponad 40 założycieli NeoLab pracowało wcześniej w Google DeepMind. Inni odeszli z OpenAI, Meta, czołowych uniwersytetów i uznanych startupów AI.
Wpływ DeepMind jest szczególnie istotny. Jego zespoły przyczyniły się do powstania AlphaGo, AlphaStar, AlphaFold i innych głośnych programów badawczych. Byli pracownicy przenoszą zarówno wiedzę techniczną, jak i sieci zawodowe do nowych przedsięwzięć.
Tworzy to kolisty mechanizm finansowania. Słynni badacze przyciągają kapitał, kapitał pomaga rekrutować kolejnych słynnych badaczy, a rozbudowany zespół uzasadnia wyższą wycenę. Dowody produktowe mogą pozostawać drugorzędne na wczesnych etapach tego cyklu.
Inwestorzy obawiają się też przegapienia firmy definiującej kategorię. Gdy laboratorium zapewni sobie renomowany zespół i duże zobowiązanie dotyczące mocy obliczeniowej, dołączenie później może stać się znacznie droższe.
Ten strach sprzyja szybkim decyzjom. Czekanie na przychody może dostarczyć lepszych dowodów, ale może też zamknąć dostęp do inwestycji lub radykalnie podnieść wycenę wejściową.
Rezultat przypomina finansowanie badań farmaceutycznych bardziej niż zwykłego oprogramowania. Inwestorzy finansują programy naukowe przez długie okresy bez przychodów komercyjnych, ponieważ udane odkrycie może wesprzeć wartościowy portfel produktów.
AI różni się pod jednym kluczowym względem. Rozwój farmaceutyków ma ustrukturyzowane etapy kliniczne, kamienie milowe regulacyjne i jaśniejsze metody porównywania potencjalnych terapii. Badania nad frontier AI nie mają równoważnych ram walidacji.
Benchmarki zapewniają częściowe dowody, ale można je optymalizować, zanieczyszczać lub szybko prześcignąć. Demonstracje techniczne ujawniają możliwości bez dowodzenia, że klienci zapłacą wystarczająco dużo, aby pokryć koszty rozwoju i inferencji.
Ta luka wyjaśnia, dlaczego reputacja założycieli ma tak dużą wagę finansową. Gdy obiektywne kamienie milowe pozostają niepewne, wcześniejsze osiągnięcia stają się wyjątkowo ważnym sygnałem.
Zakład dotyczy nowych architektur wobec obecnej granicy technologicznej
Główna rywalizacja toczy się między alternatywnymi paradygmatami badawczymi a skalowanymi systemami transformerowymi już skomercjalizowanymi przez obecnych liderów.
Większość neolabów nie obiecuje nieznacznie ulepszonej wersji istniejącego asystenta. Twierdzą one, wprost lub pośrednio, że obecne modele napotykają ograniczenia wymagające innej ścieżki technicznej.
Badacze modeli świata uważają, że systemy potrzebują wewnętrznych reprezentacji środowisk fizycznych, a nie tylko wzorców statystycznych wyuczonych z tekstu. Takie modele próbują przewidywać, jak scena lub środowisko zmienia się po wykonaniu działania.
World Labs rozwija inteligencję przestrzenną, podczas gdy inne firmy stosują pokrewne idee w robotyce, wideo i symulacjach. Ich szansa zależy od tego, czy obecne modele multimodalne osiągną pułap, który reprezentacje oparte na świecie będą mogły przekroczyć.
Firmy zajmujące się uczeniem ciągłym koncentrują się na kolejnym ograniczeniu. Większość wdrożonych modeli fundamentalnych pozostaje w dużej mierze niezmienna po treningu. Twórcy mogą dodawać do nich wyszukiwane informacje lub je dostrajać, ale podstawowy model nie aktualizuje się stale dzięki codziennym doświadczeniom.
Skuteczny system uczenia ciągłego dostosowywałby się, zachowując wcześniejszą wiedzę. To połączenie pozostaje trudne, ponieważ nowa nauka może uszkodzić wcześniej zdobyte zdolności — problem często nazywany katastrofalnym zapominaniem.
Laboratoria uczenia ze wzmocnieniem przedstawiają inny argument. Twierdzą, że modele trenowane głównie na przewidywaniu danych generowanych przez ludzi nie mogą niezawodnie wyjść poza istniejącą wiedzę.
Ich systemy uczą się na podstawie informacji zwrotnej w środowiskach, gdzie wyniki można sprawdzić. Wygranie gry, udowodnienie równania lub stworzenie działającego programu daje silniejszy sygnał niż samo naśladowanie tekstu.
Inne grupy badają modele językowe oparte na dyfuzji. Tradycyjne modele autoregresyjne generują jeden token po drugim. Podejścia dyfuzyjne mogą udoskonalać większe bloki równolegle, potencjalnie zmieniając kompromis między szybkością, kosztem i jakością wyników.
Modele oparte na energii obierają jeszcze inną drogę. Zamiast bezpośrednio generować sekwencję, oceniają konfiguracje kandydackie względem ograniczeń. Zwolennicy uważają, że proces ten może poprawić planowanie i weryfikowalne rozumowanie.
Podejścia te są technicznie odrębne, ale ich narracje inwestycyjne mają tę samą strukturę. Każde laboratorium wskazuje ograniczenie dzisiejszych modeli z czołówki i proponuje metodę, która może stać się niezbędna, gdy skalowanie zacznie przynosić malejące korzyści.
OpenAI, Anthropic, Google DeepMind i Meta nie stoją bezczynnie, gdy te startupy prowadzą badania. Zasiedziali gracze mogą wewnętrznie badać wiele tych samych metod, korzystając z istniejącej infrastruktury, dystrybucji i relacji z klientami.
To stanowi główną presję dla tezy o neolabach. Startup potrzebuje czegoś więcej niż trafnego pomysłu badawczego. Musi rozwijać ten pomysł szybciej, niż zasiedziały gracz zdoła go odtworzyć, przejąć lub przewyższyć.
Radical Ventures wymienia ten zmienny cel wśród kluczowych ryzyk tej kategorii. Laboratoria programistyczne mogą na przykład przez lata rozwijać wyspecjalizowane systemy, by następnie zetknąć się z szybko ulepszającymi się produktami, takimi jak Claude Code czy Codex.
Modele o otwartych wagach stwarzają kolejne wyzwanie. Jeśli wydajne systemy stają się publicznie dostępne wkrótce po ukończeniu przez laboratorium kosztownego treningu, techniczne zróżnicowanie może stracić wartość komercyjną, zanim firma zbuduje dystrybucję.
Oryginalność badań również nie gwarantuje trwałego biznesu. Laboratorium może opublikować wpływową technikę, którą większe firmy wdrożą bez płacenia pierwotnemu twórcy.
Najlepszy rezultat wymaga trzech powiązanych osiągnięć. Zespół musi dokonać rzeczywistego postępu technicznego, przełożyć go na produkt i stworzyć przewagę handlową, której konkurenci nie będą mogli szybko zniwelować.
Pierwszy krok przyciąga uwagę i finansowanie. Drugi i trzeci przesądzają o tym, czy inwestorzy sfinansowali firmę, czy wyjątkowo kosztowny program badawczy.
Czego nie pokazuje kwota 24 miliardów dolarów
Łączne kwoty finansowania podawane w nagłówkach mogą zawyżać zarówno skalę niezależnego ryzyka podjętego przez inwestorów, jak i wysokość kapitału, którym laboratoria faktycznie mogą dysponować.
Ogłoszenia o prywatnym finansowaniu często łączą kilka form zobowiązań. Zgłoszona runda może obejmować gotówkę, kredyty chmurowe, przyszłe transze, inwestycje strategiczne lub finansowanie powiązane z określonymi warunkami.
Kwota z nagłówka nie zawsze jest zatem równa nieograniczonym środkom natychmiast wpłaconym na konto bankowe firmy. Bez pełnej dokumentacji transakcji zewnętrzni obserwatorzy nie mogą wiarygodnie porównać każdej rundy na identycznych zasadach.
Wyceny mogą tworzyć kolejne zniekształcenie. Niewielka część firmy może zostać sprzedana po wysokiej cenie, ustanawiając wycenę nagłówkową dla całego biznesu. Liczba ta nie pokazuje, czy firma mogłaby sprzedać znacznie większy pakiet po tej samej cenie.
Inwestorzy strategiczni mają również interesy wykraczające poza zwroty finansowe. Producenci chipów odnoszą korzyści, gdy laboratoria kupują sprzęt obliczeniowy. Dostawcy chmury korzystają, gdy startupy zobowiązują się do długoterminowego używania infrastruktury.
Według Radical Ventures Nvidia stała się jednym z najaktywniejszych inwestorów na rynku dostawców modeli. Ta pozycja odzwierciedla ścisły związek między finansowaniem startupów a popytem na moc obliczeniową.
Radical szacuje, że trening i inferencja zwykle pochłaniają znacznie ponad połowę wydatków neolabu. Jeśli inwestor dostarcza chipy, pojemność chmurową lub finansowanie powiązane z infrastrukturą, część transakcji wspiera własny ekosystem komercyjny inwestora.
Nie czyni to inwestycji sztuczną. Laboratoria rzeczywiście potrzebują mocy obliczeniowej, a partnerstwa strategiczne mogą ograniczyć ryzyko niedostępności zasobów. Komplikuje to jednak każdą prostą interpretację finansowania jako niezależnego zaufania do przyszłych przychodów z produktów.
Zobowiązania dotyczące mocy obliczeniowej mogą również stać się obciążeniami. Laboratorium może zabezpieczyć wieloletnią pojemność, zanim będzie wiedziało, która architektura zadziała lub jaki popyt wygeneruje przyszły produkt.
Trening modelu z czołówki tworzy aktywo techniczne, ale każda nowa generacja może wymagać kolejnej dużej inwestycji. Firma, która ominie jeden istotny cykl, może stanąć pod presją ponownego pozyskania kapitału na niekorzystnych warunkach.
Pierwotne finansowanie SSI pokazało, jak szybko może pojawić się to napięcie. Axios zauważył, że nawet runda gotówkowa o wartości miliarda dolarów może nie wystarczyć na długo, jeśli firma będzie dążyć do superinteligencji bez przychodów pośrednich. Jego analiza finansowania wskazała powtarzające się potrzeby kapitałowe jako centralne ryzyko.
Brak przychodów nie jest automatycznie dowodem porażki. Firmy zorientowane na badania mogą racjonalnie opóźniać komercjalizację, chroniąc trudny program techniczny.
Problem polega na tym, że inwestorzy muszą odróżnić produktywną cierpliwość od nieokreślonego braku walidacji. Prywatne raportowanie daje obserwatorom z zewnątrz ograniczone informacje o wynikach treningu, tempie wydatków lub wewnętrznych kamieniach milowych.
Laboratoria mogą pozostawać w trybie stealth, pozyskując jednocześnie finansowanie przy wyższych wycenach. Każda kolejna runda wydaje się wtedy potwierdzać poprzednią, nawet jeśli najsilniejszym sygnałem jest gotowość kolejnego inwestora do udziału.
Model staje się kruchy, jeśli dostępność kapitału słabnie. Firma z płacącymi klientami może dostosować wydatki, poprawić marże lub skoncentrować się na swoim najsilniejszym produkcie. Laboratorium bez przychodów ma mniej możliwości, ponieważ ograniczenie mocy obliczeniowej lub utrata badaczy może podważyć jego główne aktywo.
Koncentracja talentów wprowadza podobne ryzyko. Wycena laboratorium może w dużej mierze zależeć od kilku uznanych założycieli lub starszych badaczy. Jeśli odejdą, firma nie może tak łatwo zastąpić ich reputacji, jak firma programistyczna zastępuje dyrektora sprzedaży.
Thinking Machines napotkało wczesny przykład, gdy współzałożyciel Andrew Tulloch wrócił do Meta po znaczącym finansowaniu seed. Odejście nie przesądziło o losie firmy, ale pokazało, jak szybko można sprawdzić tezę inwestycyjną opartą na talencie.
Tradycyjna analiza due diligence startupu pyta, czy klienci wielokrotnie wybierają produkt. Due diligence NeoLab częściej pyta, czy zespół potrafi pozostać razem wystarczająco długo, by odkryć coś możliwego do obrony.
Te pytania wymagają różnych dowodów. Łączne kwoty finansowania nie odpowiadają na żadne z nich.
Finansowanie AI NeoLab wywiera presję na zasiedziałych graczy i mniejsze startupy
Pieniądze nasilają rywalizację o badaczy i moc obliczeniową, jednocześnie podnosząc minimalny koszt niezależnego rozwoju AI z czołówki.
OpenAI, Anthropic, Google DeepMind i Meta stoją przed bezpośrednim problemem utrzymania pracowników. Ich najlepsi badacze wiedzą teraz, że odejście może odblokować ogromne finansowanie i znaczną kontrolę nad nową agendą badawczą.
Duże laboratoria mogą odpowiedzieć wyższymi wynagrodzeniami, większą autonomią lub wewnętrznymi zespołami zorganizowanymi wokół spekulacyjnych projektów. Agresywne kampanie rekrutacyjne Meta pokazały, jak szybko wynagrodzenia badaczy mogą stać się wydatkiem strategicznym.
Zasiedziali gracze zachowują ważne przewagi. Oferują rozległe systemy obliczeniowe, doświadczone zespoły operacyjne, dostęp do zastrzeżonych danych oraz bezpośrednie ścieżki od badań do milionów użytkowników.
Skala może jednak również rodzić frustrację. Harmonogramy produktowe, przeglądy bezpieczeństwa, zobowiązania wobec przedsiębiorstw i warstwy organizacyjne mogą ograniczać badaczy, którzy chcą realizować węższą tezę techniczną.
NeoLabs oferują alternatywę. Mały zespół może wybrać jeden długoterminowy problem, uniknąć utrzymywania dojrzałych produktów i zorganizować całą firmę wokół swoich badań.
Ta propozycja wywiera presję także na niezależne startupy. Konwencjonalna firma AI, która chce pozyskać kilka milionów dolarów na stworzenie użytecznego produktu, rywalizuje teraz o uwagę z laboratoriami pozyskującymi miliardy wokół bardziej spektakularnych ambicji technicznych.
Obie grupy często celują w różne rynki, lecz korzystają z nakładających się pul inżynierów, inwestorów i zasobów obliczeniowych. Wysokie wynagrodzenia w dobrze finansowanych laboratoriach mogą znacznie utrudnić rekrutację firmom skoncentrowanym na produktach.
Pojemność chmurowa i chipowa tworzą kolejny podział. Radical Ventures twierdzi, że gwarantowany, wieloletni dostęp do mocy obliczeniowej stał się bardziej ograniczający niż sam kapitał.
Zespół może pozyskać pieniądze, a mimo to mieć trudności ze zdobyciem wystarczającej liczby zaawansowanych akceleratorów we właściwym czasie. Opóźnienia mogą zakłócić harmonogramy treningu, podczas gdy lepiej powiązani rywale posuwają się naprzód.
Fala finansowania wpływa również na nabywców korporacyjnych. Więcej laboratoriów obiecuje wyspecjalizowane modele, alternatywne architektury lub tańszą inferencję. Nabywcy zyskują opcje, lecz wielu dostawców nie ma sprawdzonej historii operacyjnej.
Techniczny wynik benchmarku nie odpowiada na pytanie, czy dostawca potrafi obsługiwać obciążenia produkcyjne, chronić dane, dotrzymywać zobowiązań usługowych lub przetrwać kilka lat. Zespoły zakupowe muszą oceniać finansową wytrzymałość dostawców obok możliwości modeli.
Deweloperzy napotykają powiązany problem. Głębokie oparcie się na nowym modelu może tworzyć koszty zmiany, nawet jeśli jego interfejs programowania aplikacji wydaje się zgodny z alternatywami.
Neolab, który zmieni kierunek, wyczerpie finansowanie lub sprzeda swój zespół zasiedziałemu graczowi, może pozostawić klientów bez planu rozwoju produktu, którego oczekiwali.
Przejęcie nie jest gwarantowaną siatką bezpieczeństwa. Radical Ventures zauważa, że pula naturalnych nabywców jest ograniczona, ponieważ największe firmy technologiczne już utrzymują bliskie relacje z uznanymi laboratoriami AI.
Organy regulacyjne analizowały również porozumienia, które przenoszą zespoły i technologię bez zakupu całej firmy. Te tak zwane reverse acquihires mogą zapewnić założycielom i pracownikom wyjście, pozostawiając zewnętrznych inwestorów z niepewnym odzyskiem środków.
Porozumienie Microsoft z Inflection AI pokazało, dlaczego takie struktury przyciągają uwagę organów nadzoru. Transakcja przeniosła kluczowy personel i licencjonowała technologię, nie przyjmując najprostszej formy konwencjonalnego przejęcia.
Dla odnoszącego sukcesy neolabu presja na zasiedziałych graczy może być produktywna. Wiarygodna alternatywa może wymusić szybsze premiery, lepsze warunki badań lub bardziej konkurencyjne ceny.
W przypadku nieudanych laboratoriów ta sama presja może prowadzić do kosztownego dublowania wysiłków. Wiele zespołów może wydawać duże sumy na trening podobnych systemów, zanim dowie się, że żaden nie ma przewagi możliwej do obrony.
Fala 24 miliardów dolarów zwiększa więc zarówno eksperymentowanie, jak i marnotrawstwo. Portfele venture capital mogą tolerować to połączenie, lecz dostawcy infrastruktury, pracownicy i klienci korporacyjni odczuwają jego konsekwencje inaczej.
Trzy sygnały sprawdzą tezę o AI NeoLab
Produkty, niezależne dowody techniczne i powtarzalne przychody określą, czy fala finansowania stworzyła nowe firmy z czołówki AI.
Pierwszym sygnałem jest dostarczenie produktu. Laboratoria, które pozyskały duże wczesne rundy, muszą przekształcić programy badawcze w systemy, które użytkownicy zewnętrzni mogą zbadać.
Premiera nie musi przypominać ChatGPT. Może to być model, platforma dla deweloperów, system robotyczny, narzędzie naukowe lub produkt infrastrukturalny. Nadal musi rozwiązywać zdefiniowany problem użytkowników wykraczających poza założycielski zespół badawczy.
Thinking Machines zaoferowało wczesny test, gdy po rekordowej rundzie seed zaczęło publikować narzędzia. Jego aktualizacje firmy zapewniają publiczny zapis, z którym inwestorzy i deweloperzy mogą porównać wcześniejsze oczekiwania.
Kluczowe pytanie nie brzmi, czy laboratorium coś uruchamia. Firmy mogą pakować istniejące metody w przyzwoite demonstracje. Pytanie brzmi, czy produkt wykazuje przewagę powiązaną z pierwotną tezą badawczą laboratorium.
Drugim sygnałem jest niezależna walidacja techniczna. Neolaby często formułują twierdzenia o nowych metodach uczenia, architekturach lub drogach do ogólnej inteligencji.
Twierdzenia te stają się bardziej wiarygodne, gdy zewnętrzni badacze mogą odtworzyć wyniki, klienci mogą testować wydajność lub szczegółowe oceny pokazują przewagi w znaczących zadaniach.
Przewaga w benchmarku, która znika po kilku tygodniach, zapewnia ograniczone wsparcie dla wyceny liczonej w miliardach dolarów. Metoda, która obniża koszty treningu, zwiększa niezawodność lub umożliwia dotąd niepraktyczne zastosowania, stanowi mocniejszy dowód.
Inwestorzy powinni również obserwować, czy zasiedziali gracze przyjmują podobne metody. Adaptacja może potwierdzać trafność kierunku badań, jednocześnie osłabiając komercyjną przewagę startupu.
Trzecim sygnałem jest jakość przychodów. Laboratorium nie musi od razu osiągać rentowności, lecz powtarzalny popyt klientów odróżnia trwałą firmę od eksperymentu finansowanego z zewnątrz.
Przychody powinny pochodzić od klientów, którzy wybierają produkt, a nie głównie z powiązanych porozumień strategicznych lub jednorazowych partnerstw badawczych. Wzrost musi też pozostać istotny po uwzględnieniu kosztów inferencji i infrastruktury.
Trajektoria OpenAI pokazuje, dlaczego dystrybucja ma znaczenie. Ogłoszenie finansowania z 2025 roku powiązało nowy kapitał z rozbudową infrastruktury oraz produktów obsługujących setki milionów użytkowników tygodniowo. Aktualizacja finansowania firmy połączyła wydatki na badania z już widocznym mechanizmem napędzającym adopcję.
Większość nowych laboratoriów nie stworzyła jeszcze takiego cyklu. Pozyskują kapitał potrzebny, aby sprawdzić, czy taki cykl w ogóle istnieje.
Kolejne kilka kwartałów powinno ujawnić istotne różnice w całej kategorii. Niektóre zespoły wypuszczą wiarygodne systemy. Inne pozostaną prywatne, poszukując dodatkowego finansowania. Część straci talenty, zmieni kierunek albo zdecyduje się na strategiczne wyjście.
Łączna kwota 24 mld dolarów jest więc punktem wyjścia, a nie kartą wyników. Mierzy gotowość inwestorów do finansowania alternatywnych ścieżek poza dzisiejszymi firmami z czołówki. Nie mierzy, ile z tych ścieżek okaże się skutecznych.
Deweloperzy i nabywcy korporacyjni powinni obserwować, czy produkt każdego laboratorium odzwierciedla obiecywane wyróżniki techniczne. Inwestorzy powinni patrzeć dalej niż na kolejną wycenę i pytać, czy dowody gromadzą się szybciej niż rosną wydatki.
Finansowanie AI neolab przez Radical Ventures umożliwiło niezależne badania nad modelami z czołówki na bezprecedensową skalę. Trudniejsze zadanie zaczyna się po zamknięciu rundy: przekształcenie skoncentrowanych talentów, kosztownej mocy obliczeniowej i ambicji naukowych w produkty, które ludzie wybierają wielokrotnie.
Które laboratoria zdołają wykazać tę transformację przed kolejnym dużym finansowaniem? Odpowiedź pokaże, czy boom NeoLab poszerzył granice AI, czy jedynie podniósł koszt ich poszukiwania.
