一年出手50次，锦秋两位合伙人首谈AI创业与投资

过去的一年当中，出手投资了超过 50 个项目。

来源 |钛媒体创投家

锦秋基金无疑今年国内AI赛道最活跃的投资机构之一。

公开数据显示，仅在今年（截止10月底）锦秋基金在AI相关赛道（芯片算力、Agent应用、具身智能、AI硬件等）出手总次数超50次。

被投企业中更是不乏行业一线明星标的，例如生数科技、Pokee AI、星尘智能、地瓜机器人等等。

在夸张的出手总次数之外，锦秋基金在AI创业生态上的成果，更令同行们羡慕不已。

从“锦秋小饭桌”到“Scale With AI”硅谷行，再到刚刚结束的“Experience with AI”CEO大会，锦秋基金这个成立仅3年的品牌，已经在AI创投时代刻下了自己鲜明的印记。

在锦秋基金第一场AI CEO大会上，锦秋基金的管理合伙人杨洁为我们分享了她眼中算力/芯片、应用和机器人三个赛道的历史性机遇，以及founder在这些机遇面前应该作何应对；

锦秋基金的合伙人臧天宇也分享了他在AI浪潮下的行业观察与投资逻辑。

透过两位合伙人充满洞察与务实的分享，我们不难发现锦秋基金的投资版图背后，是一套深刻理解技术周期与创业规律的底层逻辑。

01

以下为此次锦秋基金管理合伙人杨洁的分享原文，略有删减。

今天到场的有三类创业者，也是我们投资的三个方向，大家分别有着自己的焦虑：

•做应用的：担心OpenAI会不会颠覆自己的业务？

•做芯片的：担心英伟达太强，国产替代空间有多大？

•做机器人的：担心技术落地太慢，投资人还有耐心吗？

我们常说 2007 年的 iphone 时刻是一个时代的开始，在那之后的十年里诞生了高通/ARM、OV/小米、微信/抖音这样的参天大树。

而现在，其实AI时代的Iphone 的时刻不是要来，而是已经开始了。

无论在哪个战场，现在都是最好的时刻。

我想快速地跟大家分享一下我们看到这三个战场的历史性的机遇。

首先我们可以看下面这张图，就是技术迭代的浪潮在持续地提速。

一方面得益于基础设施的完善，另外一方面得益于社媒的丰富，信息可以以更快的速度流通，每一个新的技术迭代浪潮都在以更高的速度重塑格局。

而AI尤其快。相较于移动互联网的速度，AI的速度快了十倍。

第一个战场是AI 应用

比较有争议的话题就是“未来到底是模型一统天下，还是产品更有价值”。

在锦秋，我们坚定地认为模型是commodity，价值会让路给产品。

让我们来看两张图，左边这张图代表智能提升的速度，右边这张图代表在达到同样准确率的情况下，每百万token消耗的成本。

很明显，成本在剧烈下降。

由此我们可以得出模型只是commodity，产品才有价值，真正懂得用户的产品是更是稀缺。

现在的客观情况就是模型还不够完善，产品还有进步的空间，用户此刻选择相信谁，就会留下来跟谁一起共同成长，所以“信任尤为重要”。

而市场要的不是“我也能做”，而是“只有我能做”，谁真正更懂得用户，谁才能得到用户的信任。

另一方面，AI应用的收入和估值暴涨的速度也远超互联网时代的产品。

下面这张图的左边是新兴AI 公司，右边是传统saas公司。

过去这些相对传统的公司达到一亿美金 ARR可能要用 4 — 5 年，甚至更长的时间；

而现在新兴的AI公司都以更快的速度达到了一亿美金 ARR的 收入水平，像Cursor 仅用了12个月。

这说明，懂用户的团队在形成复利，AI加速了这个过程。

芯片是另外一个巨大的市场。

2025 年全球算力市场是 1, 500 亿美金的规模。

AMD 预测到 2028 年，全球算力市场将会达到 5, 000 亿美金。

我们尤其看到推理芯片的需求在激增，Token 调用量在加速增长。

谷歌在 Q3 平均每个月的 Token 消耗是 1, 000 万亿次， 9 月份就达到 1, 300 万亿。

Open AI 披露的 API调用数据是每小时 60亿次；

字节火山披露的数据是每天 30 万亿调用，也就是一个月 900 万亿次。

这种巨大的调用量正好证明了推理需求的激增。

在芯片算力方向，我们看到了三个机会：

第一个是推理芯片的窗口刚打开；

第二个是芯片-软件-算法的正向飞轮，本土的大模型倒逼芯片优化；

第三个就是不同的支点，有很多创新团队在用不一样的技术方案去解决问题。

第三个战场是机器人：整个赛道正在迎来 ChatGPT 的时刻。

我们可以看到数据级爆发、资本狂奔、成本下降，这三个拐点都同时发生。

2025 年整个市场的融资额 414 亿，是 2023 年的 5 倍。

不管是做应用、做芯片还是做机器人，其实跨越这三个战场，都有一些共同的法则。

第一个法则就是“找到不对称”。

•芯片，看推理、看创新；

•机器人，看区分场景的深度；

•应用，讲垂直应用；

第二个法则就是“做时机判断，然后决定资源的投入度”。

引用硅谷的一个预测，我们在智能级服务这个大浪潮的 20 年周期内，现在才是第三年，也就是芯片即将迎来应用的爆发、客户的爆发。

第三个法则就是“数据飞轮确实有效”。

数据飞轮其实不是单指说我们在这个过程中积累越来越多的数据，而是确实要推动某一个明确的业务指标，比如收入、留存，或者转化率。

接下来想分享一下，我们看到的快速成长的公司的三个信号。

第一个信号就是：解决具体的痛点和用可验证的解决方案。

其实不用怕垂直领域，因为在垂直领域做到了极致，就掌握了这个领域的定价权。

我们也看到原本 Saas 公司不太愿意去服务的行业，比如说医疗、法律等信息化程度相对低的行业也在爆发。

比如美国的 open evidence，它最新一轮融资是 60 亿美金的估值，有 5, 000 万美金的 ARR。

不用回避套壳。

这里举了一个大家都知道的公司 Cursor，其实 Cursor 没有发明 IDE，也没有发明代码补全，但是它把这个垂直场景做得足够好，所以也用很快的时间做到了 1 亿美金的 ARR，270 亿美金的估值。

所以套壳不用怕，只要把这个壳从薄做到厚就行。

第二个信号是，做填补鸿沟的产品。

我们可以看到 AI 跑 Benchmark 的能力和 AI 在现实世界中解决具体问题的能力，其实存在一个巨大的鸿沟。

同时大家也能看到模型智能的提升速度。

我们就算假设未来 10 年模型不再更新，那消化现有的智能能力也依然需要很长的时间。

所以能解决问具体问题，并且能很好地引导用户使用产品的公司会有长期的价值。

第三个点是，我们看到执行力是唯一的验证成功的途径。

唯一可能有点绝对，但在我们看到的案例里面确实是这样的。

尤其是在现在，因为 AI 放大了整个执行力的复利效应，所以快的团队和慢的团队差距会越来越剧烈和越来越快地显现出来。

所以你能够识别复利的方向，并且有更高的执行力是决胜的关键。

最后我再讲三个 2026 年的预判：

第一个预判：

大模型的竞争会持续，这个对于应用公司是利好的。

其实用户对模型是没有忠诚度的，在模型之间切换的成本非常的低，所以差异化会转移到产品体验、垂直场景和品牌信任。

我们认为模型厂商在未来的这个发展当中不具优势，深入场景的产品会更具有优势，所以还是想强调模型是commodity，但是产品不是。

第二个预判：

我们在从一个“个人助手的时代”走向一个“Agent Economy（代理经济）的时代”。

Agent Economy 就是指Agent除了传递信息以外还可以传递资源，做交易。

我们会拥有一个全新的经济系统，在这个经济系统诞生的过程中又会有三个巨大的充满挑战的机会：

第一个就是实现真正的自主学习的机会；

第二个是全新的基础设施的机会；

第三个是伴随着的信任与安全的机会。

第三个预判：

我们低估了 AI 的需求

科技巨头资本支出从 2023 年的 2, 270 亿美金到 2026 年的 5, 430 亿美金，比特、原子、生物-比特世界都在被 AI 重塑——

所以我们判断即便是如此大的投入，依然远远不够。

未来我们在重建什么？

做应用的founder在重建行业的工作方式与人的生活方式；

做芯片的founder在重建计算的基础；

做机器人的founder在重建比特世界与原子世界的交互。

这些都不是渐进式的范式创新，而是范式的转移。

AI 加速的速度，过去 20 年要发生的事可能会在未来五年发生。

最后有几句话送给founder

给做应用的founder：

“模型是 commodity，有审美有用户信任的产品永远不是”；

给做芯片的founder：

“窗口才刚打开，与用户场景深度适配是护城河”；

给做机器人的founder：

“ChatGPT 时刻即将到来，现在积累的场景是未来壁垒” 。

谢谢大家，让我们在这个充满不确定的时代能够找到你们，让我们一起全速前进。

02

以下为此次锦秋基金合伙人藏天宇的分享原文，略有删减。

首先，我跟大家再分享一下关于锦秋的三个重要的关键词。

第一个关键词是专注于AI。

我们的整个投资都是围绕着 AI 的核心产业链去展开的。

第二个关键词是12 年。

我们是一支 12 年周期的美元基金，所以有足够的耐心，愿意长期去支持优秀的创业者。

第三个关键词是活跃。

在过去的一年当中，我们出手投资了超过 50 个项目，从我们的了解看，在整个行业是 top 2的水平。

所以我们其实可以把锦秋作为一个好的观察创投趋势的样本，那这张图其实是统计了我们在不同AI细分领域上的投资数量。

那可以看到应用层的占比是最高的，有56%的项目是处于应用层，这个其实源于去年中开始我们对于模型能力和成本趋势的一个重要观察。

有 25% 的项目是投资在了具身智能领域。

具身智能不仅代表了物理世界的 AI 应用，同时也是迈向 AGI 的一个重要路径，是我们非常重仓的一个方向。

有 10% 的项目是在算力基础领域。

我们认为对于长期模型的降本是一个非常重要的基础支撑。

此外，有接近 8% 是智能硬件项目。

这在我们理解是硬件形态的AI应用。

我们进一步和市场的情况做一个对比。

这里我们选取了国内最活跃的 20 家 VC 以及 CVC，分析了他们的投资组合。

可以看到整体大家对于投资领域的注意力分布是相差不多的，但在具体的结构上略有差异。

首先是锦秋会更加重仓在应用方向上。

其次，锦秋对整个算力基础层有更加长期和乐观的判断，希望能够投到一些能够弯道超车的新算力架构上，能够长期支持数据中心和模型的降本。

具身方向大家其实是有非常相同的侧重，确实具身也是过去一年国内最火热，也是融了最多钱的一个方向。

另外在硬件方向上我们会更有选择性。

看重那些有清晰的用户需求和产品定义，并能很好的跟 AI 技术结合的品类，而不是盲目的去投资一些所谓的 AI native 产品。

这页总结了部分锦秋的投资版图。

可以看到，从算力到模型到中间层，再到上层广泛的应用领域，我们都有系统的布局。

图的右边，具身是一个独立产业链的垂类，我们也有非常完整的产业链布局。

大家可能会关心在投资这些方向背后，我们对于 timing 的判断是什么？

从宏观的视角看，我们核心关注的是两个大的趋势：

一是智能的持续提升，第二是获取智能的成本持续下降。

过去一年多的这个时间里，我们在这两个维度上都看到了非常明确的变化。

首先来看智能的提升。

今年1月的时候我们在硅谷办了一次活动，也邀请我们部分被投企业的CEO，一起去那边跟当地的研究员和创业者做了交流。

当时我们定的活动主题叫 scale with AI，其实更多想强调的就是当时以持续 scale 数据、 scale 模型参数为核心的这样一条预训练的scaling law。

在那边的各种 panel 交流上，我们发现其实很多硅谷的研究员已经开始把注意力放到用高质量的数据集做后训练这件事上去了。

这个春节前后，DeepSeek R1和 GPT o3先后发布，业界开始进入以强化学习进行后训练的这样一个时代。

到今年4月，Rich Sutton发了经验时代的这篇文章，进一步提出让AI从直接的经验当中去学习的设想。

所以我们这次活动的主题也变成了experience with AI。

我们认为这背后代表的其实是一个智能范式的迁移，逐渐地从一级火箭进入到二级火箭，对应的模型能力的变化也非常明显。

我们从去年下半年开始加大在 AI 应用领域的投资，当时看到模型在整个对话能力上已经到了非常成熟的水平。

尤其各家优化后的character模型，能够非常好地支持像 companion、互动对话这样的场景。

进入今年上半年，随着 reasoning model 的推出，模型在agentic reasoning、工具使用和coding方面的能力有了非常显著的进步，直接带动了这一波 agent 创业的热潮。

再往未来看的话，我们认为 physical AI 是非常重要的智能迭代的方向。

当你把 AI 放到一个具身实体里去的时候，它可以真正去实现在开放世界的探索和学习，现实世界直接提供了非常多样的可验证的任务环境。

当然我们也可以训练一个世界模型去拟合真实的世界。那这是我们看到的智能持续提升的过程。

其次是获取智能的成本下降。

刚刚杨洁的分享其实已经提到。

看左边的这个图，不仅仅是从宏观上说模型的每 token 成本有非常大且持续的下降，而且是在不同的 Benchmark 上面，获取某一个特定能力值以上的智能的成本也在持续的下降。

我们知道，业界在不断的构建新的Benchmark去迭代模型不同维度的能力。

这意味着未来模型商品化的颗粒度是会越来越细的，对于应用层公司来说，未来选模型就像逛超市——

我可以去挑选适合自己的模型，而且货比三家，优选性价比，这是重大的利好。

智能商品化的这个大趋势，其实在历史上互联网时代已经有一次非常好的例证。

在1996年到2001年之间，美国的电信运营商投入了 2.2 万亿美元的资金去构建光纤光缆网络，推动整个网络宽带的价格有 96% 的下降；

而同期美国的互联网用户渗透率翻倍增长，达到了接近 70% 的水平，为后来整个互联网应用产业的发展提供了契机。

我们认为在 AI 智能时代也会出现相同的趋势，只不过这个带宽变成了智能的带宽。

在推动智能商品化的趋势上，我们认为有一个非常重要的因素是算力架构的创新。

如果想要持续获得更低的每token成本，推理集群的能效比还需要非常显著的提升，而这不会在当前英伟达GPU的这套架构下去实现，而是会有新的算力架构出现。

在这个领域，锦秋已经投资了像近存，存算一体，以及光计算这样非常有潜力的技术路线，也在进一步观察像类脑计算这样更加前沿的方向。

上面这两个大的趋势叠加之下，我们认为属于应用层的机会是真正到来了。

从去年下半年开始我们就在重点关注应用层的机会，这点从刚刚的投资分布里也可以看出来。

我们经常被问到的一个问题是怎么去看应用层的变化和机会，这里是一个可供参考的分析框架。

我们认为关键还是要抓核心变量。

这里可以借鉴互联网和移动互联网的历史做一个分析。

在互联网时期关键的变化是什么？

一是基于 TCP/IP 这样一个开放协议，能够把所有的网络连通到一起，成为一张开放的互联网。

二是 PC 提供了一个个人能够去上网的一个终端。

所以它核心的影响是搭建了一个信息的管道，然后在这个管道上信息传递的边际成本是趋近于零的，所以整个分发效率有一个极大的提升。

在这个基础上诞生了像门户网站，进一步到搜索引擎，再到电商平台这样的新的业态。

再看移动互联网时代，核心的变量是什么？

其实是手机设备的诞生，那背后对应两个比较关键的点，一是它的随身性，二是摄像头。

随身性意味着对用户做了一次全量的数据化——

包括用户所处的位置信息，包括一天16小时随身携带使用，沉淀的用户行为信息，基于这些数据可以对用户的特点和偏好进行非常好的建模和刻画。

进一步就由原本人去找信息的这样一种搜索模式，变成了直接把信息推送给人的这样一种推荐模式，变革了整个信息分发的机制。

摄像头意味着什么？

生产工具的平权。

我不再需要有专门的相机或DV机，就可以随手的去记录生活当中的一些碎片，然后做非常轻量级的创作。

对应带来的是自媒体的崛起，非常大的变革了整个信息生产的机制，而且为整个推荐引擎提供了非常重要的原料。

在这样的一个大的变化下，其实诞生了两个主要的新业态。

一是 LBS service，就是基于人的位置信息，我给你去推送基于位置的服务信息，像打车和外卖。

二是推荐信息流，最典型的像头条和抖音。

那我们今天再来看 AI 智能时代，最大的变量是什么？

对应可能的影响是什么？

首先从信息生产的视角看，核心的变化是信息、知识、内容，被编辑和生产的边际成本有非常显著的下降，甚至也有趋于零的趋势，对应带来的其实是内容供给能力的爆炸。

那由此带来的机会，一是创作的进一步平权。

我今天不只是提供了一个摄像头，而是一个直接带素材、带特效、带剪辑能力的这样的一个摄像头，个体的创作能力被大大增强。

对应典型的例子，像字节的即梦，以及我们投资的Hogi、Romangic。

第二类机会，AI可以创造非常个性化的供给能力，意味着依据每个人的需求定制内容。

比如像Sora2 APP，讲了个性化信息流的故事，例如我们投资的Wakana，希望每个人可以创造自己的游戏体验。

最后更是可以基于这样的 AI 能力去缔造前所未有的新体验。

比如说开放的互动式体验。

典型的如C.ai，以及进一步的衍生，像造梦次元，希望能去做一个UGC互动内容的平台，像独响，希望探索人和AI的深度陪伴关系。

第二个维度是信息分发。

这里面核心的变化一是 AI 可以以 copilot 的模式，和用户共享一个信息窗，那在这里面可以去做场景感知，并主动地去推送服务。

这里面的机会点在于谁能够提供一个好的产品形态去占据用户的context window。

例如说AI 原生的OS 或者浏览器产品，chatgpt atlas其实就在做这样的尝试。

又比如真正深入到人类所处的物理空间，可以探索下一代的always on的硬件。

另一个变化是过去的推荐引擎对于用户的建模主要还是标签化的。

在 AI 时代，其实可以在跟用户的沟通中，在语义token层面，去进行用户的建模，那这也有可能会诞生新一代的推荐引擎，并催生相应的产品载体。

第三个维度是从信息到服务。

过去通过网络分发的只能是信息，在互联网时代很多业态最终的交付物是线索leads，例如卖车、卖房、卖保险等。

因为最终服务的交付还是要转到线下的人工流程。

agent其实是有解决具体问题能力的，那可被分发的就不再只有信息了，也可以是这个信息背后对应的服务结果。

所以可以对非标服务进行一个标准化的执行和分发。

例如我们投的head.ai，是在网红营销场景做这样的尝试，又比如Pokee.ai，也在尝试建立通用且直接有用的agent产品。

最后再分享一点我们对具身智能的观点。

我们认为具身智能未来的核心还是要构建物理世界的 agent 应用。

但从发展阶段的角度看，具身的基础模型还没有达到一个gpt时刻，所以暂时还没有到应用全面爆发的时间点，更需要解决的还是模型和智能的问题。

那对于提升智能，首先我们认为数据还是最关键的，这一波AI智能的发展核心还是数据驱动的。

这里有两个比较关键的点。

一是我们认为跑通第一人称视频数据的预训练，其实是Physical AI scaling 的一个非常重要的路径。

因为只有这部分数据它是相对最可 scale 的。

二是我们建议大家还是要尽一切可能去找到建立真实场景数据闭环的方式。

因为各种lab级的数据其实都会有real to real的gap，并不是真正高质量的数据。

至于怎么去建立这个闭环，无论是采用分段式工程兜底的方式，还是通过先遥操进入的方式，都是非常值得去探索的。

要先把硬件布到用户身边去，布到真实场景中去。

不要低估硬件的难度和价值，尤其是在早期阶段，软硬件协同迭代是非常重要的。

一个好的硬件本体基础，对于算法的开发和落地有非常大的帮助。

那以上是我的一些观点分享，也欢迎大家来交流和讨论，非常感谢大家。

· END ·

合 作 对 接

扫码添加投资人说运营者微信，备注「商务合作」详细沟通。

超 级 社 群

【投资人说】正在组建超级创业者社群、超级读者群、超级媒体群等，目前总人数已超1000人。

关注【投资人说】微信公众号，发送信息「进群」，与各行业精英直接交流，共同进步。

旗 下 媒 体