Radical Ventures 的 AI NeoLab 融资达 240 亿美元，但产品仍显滞后

据报道，Radical Ventures 的 AI NeoLab 在过去两个季度获得了 240 亿美元融资，尽管许多受资方尚未拥有成熟产品、市场或营收。根据 Financial Times 重点报道的分析，这一总额接近 OpenAI 和 Anthropic 在 ChatGPT 问世前融资规模的五倍。

这一对比揭示了创业融资领域的显著转向。OpenAI 和 Anthropic 曾用数年时间发展研究项目，之后其商业势头才变得清晰。如今，投资者在团队尚未验证产品市场匹配度之前，便向新近组建的团队押下数十亿美元。

Radical Ventures 将这类公司称为“NeoLabs”，即由研究人员主导、在成熟前沿实验室之外推进基础 AI 突破的创业公司。这一类别包括 Safe Superintelligence、Thinking Machines Lab、World Labs、Reflection AI，以及数十家更专注于细分领域的研究公司。

这场押注并不只是认为另一款聊天机器人能够赢得市场份额。投资者押注的是，少数知名研究人员组成的小型团队，能够发现取代当前主流方法的架构、训练方法或学习系统。

这一逻辑带来了一个令人不安的问题：风投机构是在 OpenAI 实现突破之前就资助下一个 OpenAI，还是在为商业路径尚不明确的研究项目支付前沿公司级别的估值？

Radical Ventures 的 AI NeoLab 融资达到新高点

最显著的变化在于：即使缺乏传统创业公司所需的证据，投资者也愿意投入巨额资金。

Radical Ventures 识别出 40 多家独立 AI NeoLab，自 2024 年以来合计融资超过 400 亿美元。其 NeoLab market map 将这些公司分布于世界模型、强化学习、持续学习、扩散模型及其他研究方向。

据 Financial Times 报道，仅最近两个季度就有 240 亿美元资金涌入。相比累计金额，这一速度更值得关注，因为它表明融资并未在初期热潮后趋于稳定，而是在持续加速。

Radical Ventures 提供了一项历史对照。自 OpenAI 于 2015 年成立，到 ChatGPT 于 2022 年 11 月发布，OpenAI 和 Anthropic 合计融资 53 亿美元。新一批公司在六个月内吸引的资金接近这一总额的五倍。

这一比较并不完全严谨。算力成本已经上升，投资者对 AI 的熟悉程度发生了变化，后来的实验室也能招募到拥有前沿模型建设经验的人才。2026 年筹得的一美元，与数年前的一美元在购买力和市场环境上也并不相同。

不过，这些限定并未改变底层转变。过去，创业融资通常跟随公司发现市场的证据而来；在 AI NeoLab 模式中，资金往往用于支持寻找某项未来可能创造市场的发现。

Safe Superintelligence 体现了这种模式。Ilya Sutskever、Daniel Gross 和 Daniel Levy 于 2024 年 6 月创办这家公司，围绕一个明确目标：构建安全的超级智能。几个月内，该实验室便完成了首轮 10 亿美元融资。

SSI 的公开网站称，其单一聚焦有助于避免“产品周期”，并使研究免受短期商业压力影响。这项 research-first mission 对推迟履行软件创业公司常规职责的表述格外直接。

2025 年的报道称，SSI 随后又以 320 亿美元估值融资 20 亿美元。当时，该公司仍未公布产品路线图。投资者所估值的是创始人、研究目标，以及未来实现突破的可能性。

Thinking Machines Lab 则沿着同一轨迹走出了另一种版本。这家由前 OpenAI 首席技术官 Mira Murati 创办的公司，在发布产品前完成了 20 亿美元种子轮融资。据当时报道，其早期估值达到 120 亿美元。

这些融资轮的规模与时点改变了“种子投资”的含义。传统上，种子轮用于支持初步招聘、产品开发和早期市场验证。而价值数十亿美元的 NeoLab 融资轮，则以接近机构级别的规模，为人才、算力和时间提供资金。

Radical Ventures 表示，自 2025 年初以来，已有 13 家北美和欧洲模型提供商完成至少 10 亿美元的融资。其中 8 家属于其 NeoLab 类别。

这并非孤立的明星创始人交易。它们正构成一种新兴的 AI 研究资本结构，其基础是异常庞大的初始投入，以及极其漫长的技术周期。

为什么投资者会在产品问世前资助团队

AI NeoLab 投资者承保的是稀缺研究人才与研究命题，而非当前营收。

这种方式始于一个信念：少数研究人员能够实质性改变人工智能的发展方向。他们的履历成为尚未存在的产品的替代指标。

Sutskever 在共同创办 OpenAI 之前，曾参与主导具有重要影响力的神经网络系统开发。Murati 曾负责 OpenAI 的主要产品和研究工作。World Labs 创始人 Fei-Fei Li 则在计算机视觉和空间智能领域拥有数十年的公认成果。

这些背景降低了一类不确定性。投资者可以评估创始团队是否曾为前沿系统作出贡献、招募顶尖同事，以及管理大型算力项目。

但这并不能消除市场不确定性。一支优秀的研究团队可能追逐技术上无法实现的想法，可能落后于竞争对手，也可能开发出对客户而言成本过高的产品。

投资者的论点部分建立在幂律回报之上。即使大多数实验室失败，只要有一家成功公司成为具备巨大经济价值的新平台即可。单一赢家或许就能覆盖基金其余投资组合的损失。

OpenAI 和 Anthropic 是这种可能性的现实证明。两者都源于高度集中的研究人员团队，吸引了大量资本，并最终打造出被广泛采用的产品。它们的发展轨迹让新的独立实验室显得不再像 ChatGPT 出现前那样难以想象。

然而，这种比较将多年艰难的发展过程压缩成了一个干净利落的成功故事。在 ChatGPT 获得大规模采用之前，OpenAI 曾探索机器人、强化学习、语言模型和其他项目。Anthropic 则一边开发模型与安全方法，一边建立面向企业的商业运营体系。

新 NeoLab 所获得的估值，受到这些公司后来成就的影响，而非它们最早期阶段的实际状态。投资者实际上是在提前兑现预期的未来价值。

人才竞争进一步强化了这种行为。一个新成立的实验室无法仅靠遥远的愿景和普通的创业公司薪酬来招募知名研究人员。它需要足够的资本来提供有竞争力的待遇、获取算力，并证明其工作能够持续经历多轮训练周期。

Radical Ventures 估计，40 多位 NeoLab 创始人此前曾在 Google DeepMind 工作。另一些人则来自 OpenAI、Meta、顶尖大学和成熟 AI 创业公司。

DeepMind 的影响尤为重要。其团队曾参与 AlphaGo、AlphaStar、AlphaFold 及其他高知名度研究项目。前员工将技术知识和职业网络一并带入新的创业项目。

这形成了一个循环融资机制。知名研究人员吸引资本，资本帮助招募更多知名研究人员，而扩大的团队又支撑更高估值。在这一循环的早期阶段，产品证据仍可能处于次要位置。

投资者同样担心错过定义一个类别的公司。一旦实验室聚集起知名团队并获得大规模算力承诺，后续入场的成本可能会高得多。

这种担忧有利于快速决策。等待营收或许能获得更好的证据，但也可能失去投资机会，或令入场估值大幅上升。

其结果更接近药物研发融资，而非普通软件融资。投资者会在长期没有商业营收的情况下资助科研项目，因为一次成功发现可能支撑一系列高价值产品。

AI 在一个关键方面有所不同。药物开发拥有结构化的临床阶段、监管里程碑，以及更清晰的候选疗法比较方法。前沿 AI 研究缺乏相应的验证框架。

基准测试只能提供部分证据，但它们可能被针对性优化、受到数据污染，或迅速被超越。技术演示能够展示能力，却无法证明客户愿意支付足以覆盖开发和推理成本的费用。

这一缺口解释了为何创始人声誉具有如此大的金融权重。当客观里程碑仍不明确时，过往成就便成为格外重要的信号。

这场押注是新架构对当前前沿技术的挑战

核心竞争发生在替代性研究范式与现有巨头已商业化的规模化 Transformer 系统之间。

大多数 NeoLab 并非承诺打造现有助手的小幅升级版。它们明确或隐含地认为，当前模型面临一些限制，需要通过不同的技术路径来解决。

世界模型研究者认为，系统需要对物理环境形成内部表征，而不只是学习文本中的统计模式。这类模型试图预测一个场景或环境在执行某项操作后将如何变化。

World Labs 正在推进空间智能，其他公司则将相关思路应用于机器人、视频和模拟领域。它们的机会取决于当前多模态模型是否会达到一个由基于世界的表征所能突破的上限。

持续学习公司聚焦于另一项限制。大多数已部署的基础模型在训练完成后基本保持固定。开发者可以添加检索信息或对其进行微调，但底层模型不会通过日常经验持续更新自身。

成功的持续学习系统需要在保留既有知识的同时不断适应。这种组合仍然很困难，因为新学习可能损害先前获得的能力，这一问题通常被称为灾难性遗忘。

强化学习实验室提出了不同论点。它们认为，主要通过预测人类生成数据训练的模型，无法可靠地超越现有知识。

其系统从结果可被验证的环境反馈中学习。赢得一场游戏、证明一个方程，或生成可运行的程序，都能提供比单纯模仿文本更强的信号。

其他团队正在探索基于扩散的语言模型。传统自回归模型逐个生成 token。扩散方法可以并行优化更大的内容块，可能改变速度、成本与输出质量之间的权衡。

能量模型则采取另一条路线。它们并非直接生成序列，而是根据约束条件为候选配置评分。支持者认为，这一过程能够改进规划能力和可验证推理。

这些方法在技术上各不相同，但其投资逻辑具有相同结构。每家实验室都指出当今前沿模型的一项局限，并提出一种可能在规模扩展收益递减后变得不可或缺的方法。

在这些初创公司开展研究的同时，OpenAI、Anthropic、Google DeepMind 和 Meta 并未止步不前。这些既有巨头可借助现有基础设施、分发渠道和客户关系，在内部探索许多相同的方法。

这正是 neolab 理论面临的核心压力。初创公司仅有一个成立的研究想法还不够；它必须比既有巨头复制、收购或超越该想法更快地将其发展起来。

Radical Ventures 将这一不断变化的竞争目标列为该类别的关键风险之一。例如，编程实验室可能耗费数年开发专用系统，却发现 Claude Code 或 Codex 等产品正在迅速进步。

开放权重模型带来了另一项挑战。如果一家实验室完成昂贵训练后不久，功能强大的系统便以开放方式提供，其技术差异化可能会在公司建立分发能力之前失去商业价值。

研究原创性同样不能保证业务具有持久性。一家实验室或许会发表一项颇具影响力的技术，但更大的公司可能在不向原始开发者付费的情况下将其纳入自身产品。

最佳结果需要实现三项彼此关联的成就：团队必须取得真正的技术突破，将其转化为产品，并建立竞争对手无法迅速抹平的商业优势。

第一步能吸引关注和融资。第二步和第三步则决定投资者资助的是一家企业，还是一个异常昂贵的研究项目。

240 亿美元数字未能揭示的内容

头条融资总额可能夸大了独立风险投资者承担的风险，以及实验室实际可支配的资金规模。

私募融资公告往往会将多种形式的承诺合并计算。一轮披露的融资可能包括现金、云服务额度、未来分期资金、战略投资，或与特定条件挂钩的融资。

因此，头条金额并不总是等同于立即、无条件存入公司银行账户的资金。若没有完整的交易文件，外部读者无法可靠地按照完全相同的条件比较每一轮融资。

估值也可能造成另一种失真。公司的一小部分股权可能以高价出售，从而为整个业务确立一个头条估值。这个数字并不能表明，公司是否能以相同价格出售大得多的持股比例。

战略投资者的利益也不止于财务回报。芯片制造商会从实验室采购计算硬件中受益；云服务提供商则会在初创公司承诺长期使用基础设施时获益。

据 Radical Ventures 称，Nvidia 已成为模型提供商市场中最活跃的投资者之一。这一地位反映出初创公司融资与算力需求之间的紧密联系。

Radical 估计，训练和推理通常会占 neolab 支出的半数以上。如果投资者提供芯片、云容量，或提供与基础设施绑定的融资，那么交易中的一部分就在支持投资者自身的商业生态。

这并不意味着该投资是人为制造的。实验室确实需要算力，战略合作关系也能降低容量不可得的风险。不过，这会使人们难以简单地把融资理解为市场对未来产品收入的独立信心。

算力承诺同样可能成为负债。实验室可能在尚不清楚哪种架构能够奏效、未来产品将产生多少需求之前，就锁定数年的容量。

训练前沿模型会产出一项技术资产，但每一代新模型都可能需要另一笔大额投资。错过一个重要周期的公司，可能会面临以不利条件再次融资的压力。

SSI 的早期融资显示出这种紧张关系可能出现得多快。Axios 指出，如果公司在没有中期收入的情况下追求超级智能，即便是一轮 10 亿美元现金融资也可能难以维持太久。其融资分析将反复出现的资金需求视为核心风险。

缺乏收入并不自动意味着失败。研究导向型公司为了保护艰难的技术项目，可以理性地延后商业化。

问题在于，投资者必须区分富有成效的耐心与无限期缺乏验证。私募披露只能让外部人士有限地了解训练成果、支出速度或内部里程碑。

实验室可以在保持隐身状态的同时，以更高估值融资。随后，每一轮新融资似乎都在验证上一轮，即便最强的信号只是另一位投资者愿意参与。

一旦资本可得性走弱，这一模式就会变得脆弱。拥有付费客户的公司可以调整支出、改善利润率，或专注于最强的产品。尚未产生收入的实验室选择更少，因为削减算力或流失研究人员都可能损害其核心资产。

人才集中也带来类似风险。一家实验室的估值可能高度依赖几位知名创始人或资深研究人员。若他们离开，公司无法像软件企业替换销售高管那样轻易地替代其声誉。

Thinking Machines 在联合创始人 Andrew Tulloch 于其获得重大种子融资后回归 Meta 时，遇到了一个早期案例。这次离开并未决定公司的命运，但它表明，基于人才的投资逻辑可能多么迅速地受到检验。

传统初创公司尽调会问，客户是否持续选择某款产品。NeoLab 尽调则常常会问，一个团队能否维系足够长的时间，以发现某种可防御的技术优势。

这些问题需要不同的证据。融资总额无法回答其中任何一个。

AI Neolab 融资令既有巨头与较小初创公司承压

这笔资金加剧了对研究人员和算力的竞争，同时提高了独立追逐前沿 AI 的最低成本。

OpenAI、Anthropic、Google DeepMind 和 Meta 面临直接的人才留任问题。其最优秀的研究人员如今知道，离开可以解锁巨额融资，并对新的研究议程拥有相当大的控制权。

大型实验室可以通过提高薪酬、赋予更大自主权，或围绕探索性项目组建内部团队来应对。Meta 激进的招聘行动表明，研究人员薪酬可以多么迅速地成为一项战略性支出。

既有巨头仍保有重要优势：庞大的计算系统、经验丰富的运营团队、获取专有数据的渠道，以及将研究成果迅速触达数百万用户的路径。

但规模也可能带来挫败感。产品进度、安全审查、企业承诺和组织层级，可能限制那些希望追求更狭窄技术理论的研究人员。

NeoLabs 提供了另一种选择。小型团队可以选择一个长期问题，无须维护成熟产品，并围绕自身研究来组织整个公司。

这一主张也给独立初创公司施压。一家常规 AI 公司若寻求数百万美元来打造实用产品，如今还要与那些围绕更具戏剧性的技术抱负融资数十亿美元的实验室争夺关注。

两类公司通常瞄准不同市场，但它们从相互重叠的工程师、投资者和计算资源池中获取资源。资金充裕实验室提供的高薪，可能令以产品为中心的公司更难招聘。

云服务和芯片容量造成了另一种分化。Radical Ventures 认为，获得有保障的多年期算力，已经变得比资本本身更受限制。

团队即使筹到资金，仍可能难以在恰当的时间获得足够先进的加速器。延误可能打乱训练安排，而关系更紧密的竞争对手则继续推进。

这波融资潮也影响企业买家。更多实验室承诺提供专用模型、替代架构或更低成本的推理。买家拥有更多选择，但许多供应商缺乏经验证的运营历史。

技术基准测试并不能回答供应商能否支持生产工作负载、保护数据、履行服务承诺或存续数年。采购团队必须在评估模型能力的同时，评估供应商的财务续航能力。

开发者面临相关问题。即便新模型的应用程序编程接口看起来与替代方案兼容，深度构建于其上的应用仍可能产生切换成本。

一家 neolab 若改变方向、耗尽资金，或将团队出售给既有巨头，可能使客户失去原本预期的产品路线图。

收购并非有保障的安全网。Radical Ventures 指出，天然买家的范围有限，因为大型科技公司已经与成熟 AI 实验室保持密切关系。

监管机构也审查了那些在不收购整家公司情况下转移团队和技术的安排。这类所谓的反向人才收购，可能为创始人与员工提供退出路径，却使外部投资者面临不确定的回报。

Microsoft 与 Inflection AI 的安排说明了此类结构为何会受到审查。该交易转移了高级人员并授权使用技术，却没有采取传统收购最简单的形式。

对于成功的 neolab 而言，对既有巨头施加的压力可以带来积极效果。一个可信的替代方案能推动更快的发布、更好的研究条件或更具竞争力的定价。

对于不成功的实验室而言，同样的压力可能导致昂贵的重复投入。多个团队可能在训练相似系统上大举支出，最终才发现没有任何一个具备可防御的优势。

因此，这波 240 亿美元融资同时增加了试验与浪费。风险投资组合能够容忍这种组合，但基础设施提供商、员工和企业客户受到的影响各不相同。

三个信号将检验 AI Neolab 理论

产品、独立技术证据和可重复的收入将决定，这波融资潮是否造就了新的前沿公司。

第一个信号是产品交付。获得大额早期融资的实验室，必须将研究项目转化为外部用户能够检验的系统。

一次发布不必类似于 ChatGPT。它可以是模型、开发者平台、机器人系统、科学工具或基础设施产品。但它仍必须为创始研究团队之外的用户解决明确的问题。

Thinking Machines 在创纪录的种子轮融资后开始发布工具时，提供了一次早期检验。其公司动态提供了公开记录，投资者和开发者可据此与早期预期进行比较。

关键问题不在于实验室是否推出某种产品。公司可以将现有方法包装成像样的演示。问题在于，该产品是否展现出与实验室原始研究理论相关联的优势。

第二个信号是独立技术验证。Neolabs 经常就新的学习方法、架构或通往通用智能的路径提出主张。

当外部研究人员能够复现结果、客户能够测试性能，或详细评估显示其在具有实际意义的任务中具备优势时，这些主张会更可信。

在数周后便消失的基准领先地位，对数十亿美元估值的支撑有限。能够降低训练成本、提升可靠性，或让此前不切实际的应用成为可能的方法，则提供更有力的证据。

投资者还应关注既有企业是否采用类似方法。采用这些方法可以验证研究方向，但也可能削弱初创公司的商业护城河。

第三个信号是收入质量。实验室不需要立即实现盈利，但持续的客户需求才是长久公司与依靠融资维持的实验之间的分水岭。

收入应来自客户主动选择产品，而不应主要依赖关联的战略安排或一次性的研究合作。即使计入推理和基础设施成本后，增长也需要保持实质性。

OpenAI 的发展轨迹说明了分发能力为何重要。其 2025 年融资公告将新增资金与扩建基础设施、服务数亿周活跃用户的产品联系起来。该公司的融资更新将研究支出与一个已清晰可见的用户采用引擎关联起来。

大多数新实验室尚未建立起这一闭环。它们正在筹集资金，以验证这样的闭环是否存在。

未来几个季度应会揭示这一类别中具有实质意义的差异。一些团队将发布可信的系统。另一些团队会在寻求额外融资的同时继续保持私有状态。还有少数团队将流失人才、改变方向，或寻求战略性退出。

因此，240 亿美元的总额只是一个起点，而非成绩单。它衡量的是投资者为当今前沿公司之外的替代路径提供资金的意愿，而不是这些路径中有多少真正行得通。

开发者和企业买家应关注每家实验室的产品是否体现了其承诺的技术差异化。投资者则应超越下一轮估值，追问证据积累的速度是否快于支出增长。

Radical Ventures AI neolab funding 以前所未有的规模，使独立的前沿研究成为可能。更艰巨的任务在融资完成后才开始：将集中的人才、昂贵的算力和科学抱负转化为人们会反复选择的产品。

哪些实验室能够在下一次重大融资前证明这种转化能力？答案将揭示，NeoLab 热潮究竟拓宽了 AI 前沿，还是仅仅抬高了寻找前沿的成本。