风投的钱，开始由AI科学家重新分配

来源：市场资讯

（来源：DeepTech深科技）

这本来是一则很普通的科研资助启事。

申请人提交一至三页研究计划，附上半年内的里程碑、预算和团队履历。截止日期是 2026 年 6 月 19 日，评审在一周内完成。入选者获得 10 万美元现金，以及 2.5 万美元的模型训练额度。

图丨相关启事（来源：Thinking Machines Lab）

但它的出资方却有点特殊：成立只有一年多的 Thinking Machines Lab，商业化才刚刚起步，自身仍主要依靠风险资本支持。如今，它已经开始挑选并资助公司之外的研究项目。

而这已经是 Thinking Machines 推出的第二类外部资助。2025 年 10 月，公司开始为使用 Tinker（该公司面向研究者推出的模型训练与微调 API）的大学课程、研究项目和开源软件提供算力额度。斯坦福和卡内基梅隆大学的课程，以及一个计算化学研究团队，进入了首批名单。

相似的事情也出现在 Periodic Labs。它在获得 3 亿美元种子轮融资后，宣布设立 Academic Grant Program，计划资助外部学术研究。具体金额和首批项目尚未公布。

这些项目的规模还很小，却展现了一种微妙的角色倒转。就在不久前，这些前沿的 NeoLab 还需要向投资人解释自己的研究为什么值得花钱；现在，他们把这些问题抛给外部研究者。

投资人先选择科学家

“NeoLab”是风险投资行业近年用来描述一批新型 AI 公司的词。它们通常由大型科技公司或顶尖大学的研究者创办，围绕一个长期技术判断成立，在产品和商业路径尚不清晰时便募集大额资金。硅谷的多个 AI 研究员对 DeepTech 表示，NeoLab 本质上是一种对前沿 AI 人才的共识标的。

硅谷风投 Radical Ventures 统计，2024 年以来，超过 40 家 NeoLab 已累计融资逾 400 亿美元，不少公司的第一轮融资就达到十亿美元级别。Safe Superintelligence 成立后数月便融资 10 亿美元；Thinking Machines 完成了 20 亿美元种子轮；AMI Labs 在 2026 年 3 月融资 10.3 亿美元。

图丨一些代表性的 NeoLab（来源：Radical Ventures）

这些交易改变了风险投资原有的考察顺序。许多 NeoLab 处于“三无状态”，即“没有收入、没有产品，有时连模型也没有”，但依然可以拿到十亿美元级融资。在这样的交易中，产品已不是唯一被定价的对象。资本同时在给研究者的经历、人才网络和技术判断定价。投资人相信，Ilya Sutskever、Mira Murati、Yann LeCun 等人知道哪些方向值得投入，也能吸引其他优秀研究者加入。

由此形成了一条不同于传统科研拨款的选择链条。过去，大学和政府机构通常先设立研究计划，再通过项目经理和同行评审选择申请人；NeoLab 的投资人先选择一名科学家或一支团队，再把相当大一部分议程设置权交给他们。投资人选择科学家，科学家再选择问题和研究者。

一家公司开始写项目指南

我们可以从 Thinking Machines 的资助文件中看到这种变化。

这家公司发布的不是一份宽泛的慈善计划。它先提出了一个技术判断：近年的 AI 研究强调智能和自主性，对“交互性”的投入不够。围绕这一判断，公司列出了几组希望外部研究者解决的问题，包括实时多模态交互的评测、多模态系统的安全机制、生成式用户界面，以及人类如何在长周期任务中实时干预智能体。

项目不必严格落入这些题目，但评审标准仍由公司定义。申请人需要证明研究与交互性相关，方案具有可行性，评测指标确实对应所声称的能力，方法也应尽量简单和通用。

这已经超出了赞助几篇论文的范围。Thinking Machines 正在定义一个研究领域的缺口，列出优先问题，设置评审标准，再用现金、模型和算力吸引外部研究者进入。

公司的产品和资助方向也紧密相连。Tinker 是 Thinking Machines 提供的模型训练平台；获得 Interactivity Research Grants 的团队除了现金，还会得到 Tinker 额度及公司的模型访问和技术支持。外部研究项目由此成为公司研究网络的一部分，也可能扩大其平台的使用者和技术反馈。

资助条款亦是如此，Thinking Machines 表示不主张拥有受资助者产生的论文、数据集和其他成果，同时要求获得一项永久、免版税且可转授权的使用许可，可将成果用于训练、改进和开发自身产品。使用公司材料或提及公司的成果，在发表前还需要交由公司审阅。

这类资助同时服务两套目标。对研究者而言，它提供了大学预算难以覆盖的现金、算力和模型访问；对公司而言，它能够调动组织之外的智力资源，探索与自身技术路线相关、却未必适合立即组建内部团队的问题。

这样看来，NeoLab 没有复制一套纯粹的公共科研制度。它正在发明一种混合工具：形式接近学术资助，研究议程与公司的长期技术判断相连，成果又可以进入公司的平台和产品。

公司边界之外的研究部

私人公司资助大学研究并不新鲜。微软、谷歌、英伟达和制药企业长期设有学术合作、奖学金和研究基金。而 NeoLab 的特殊之处在于，它们自己也还是年轻的研究型公司，却在极早阶段同时扮演了资金接受者和资金分配者。

传统的企业研究资助，通常来自已有稳定业务和现金流的大公司。NeoLab 的资金主要来自风险投资、战略投资者和主权资本。许多实验室都是在产品和研究路线尚未定型时，就获得了远超团队规模的融资。尽管他们也可能需要花费大量资金来投资算力，但这些尚且只能服务于已经选定的技术方向，而无法替公司回答下一个问题应该研究什么。

于是把一小部分资金交给外部研究者，就提供了另一种选择。公司可以同时试探更多问题和方法，接触尚未进入内部团队的人才，再从中判断哪些方向值得继续投入。相对于数亿美元的融资，这些资助金额并不大，却足以让公司提前接触更多研究方向和团队。

科研资金链条由此增加了一个中间层：投资机构把资金交给 NeoLab，NeoLab 用自身的研究判断重新分配其中一部分，并用模型、算力和实验平台决定外部研究可以如何展开。

资助只是这种组织方式的一种形式。Prime Intellect（一家去中心化的 AI 平台初创） 把强化学习训练、评测、算力和研究环境做成开放平台，外部团队可以在其基础设施上运行实验，也可以向社区贡献新的训练环境。它不直接等同于 funding agency，却体现出相近的边界变化：公司的研究能力开始通过平台分布到一个更大的外部网络中。

对 NeoLab 而言，这种网络比单纯扩大雇员规模更灵活。它可以同时支持多个方向，在研究尚未成熟时保持松散合作，发现有价值的团队后再深化关系。资助项目还可能成为人才筛选、技术侦察和生态建设的入口。

外部研究者得到的也不只是钱。前沿 AI 研究越来越依赖昂贵算力、闭源模型和复杂训练基础设施。现金资助与模型访问、算力额度和工程支持捆绑之后，私人实验室拥有了一种公共科研机构很难提供的资源组合。

这种优势最终会更容易产生依赖关系。研究者获得了进入前沿系统的机会，研究题目、实验方法和成果流向则更容易围绕平台提供者展开。当越来越多项目需要借助某家公司的模型和工具才能完成，公司便能影响一个领域优先研究哪些问题，以及研究者用什么方式回答它们。

NeoLab 的边界不再只由劳动合同确定。凡是接受其资金、算力和研究工具的团队，都可能进入这家实验室更宽泛的研究版图。

像 funding agency，又不完全像

以往，美国国家科学基金会（NSF）的项目通常由外部专家评审，同时考察学术价值和社会影响。美国国防高级研究计划局（DARPA）的项目经理则拥有更大的决定权，可以主动提出高风险研究目标，组织跨机构团队。

NeoLab 的做法更接近后者：公司先确定值得研究的问题，再寻找合适的团队，决策速度也更快。不同之处在于，公共科研机构受到任务、预算和评审程序的约束；NeoLab 的方向由创始团队、董事会和投资人决定，成果公开、利益冲突和评审方式也主要由公司自行规定。

目前，Thinking Machines 已经公布申请和成果条款，Periodic 的学术资助计划还没有披露具体规则。这些案例已经足以说明 NeoLab 开始具备科研资助机构的部分功能，但能否成为长期组织形式，还要看这些计划是否持续存在，以及研究者能否保留发表和使用成果的自由。

如果外部资助成为固定安排，改变的将不只是 NeoLab 的组织边界，也包括它们与大学之间的关系。过去几年，一批顶尖研究者和前沿 AI 项目从大学进入私人公司；如今，资金、算力和研究项目又开始流回大学，只是双方的位置已经不同。

大学研究者依然提出问题、设计实验和发表论文，而稀缺的现金、算力与模型访问则越来越集中在私人实验室手中。过去由大学同行、基金会或政府项目官员作出的部分选择，可能改由明星科学家及其背后的资本方完成。

这种安排可能提高新领域的资助速度。Thinking Machines 承诺在申请截止后一周内完成评审，远快于大型公共科研机构常见的周期。对刚出现、尚未形成稳定学科共同体的问题，少数研究者的判断有时也比层层评审更敢于承担风险。

但集中决策带来的另一面，是少数人的研究品味可能逐渐塑造整个领域。哪些问题获得算力，哪些评测被广泛使用，哪些成果可以接入最先进的模型，都可能受到私人实验室技术路线和商业利益的影响。

从这个意义上说，部分 NeoLab 已经开始 funding agency 化。它们仍然是研发公司，同时也在向外部研究者出题、评审和拨款。只要这些计划持续下去，NeoLab 管理的就不再只有自己的研究团队，还包括一批由资金、算力和模型连接起来的外部项目。

它们最终未必会成为私人版 NSF 或 DARPA，更可能形成一种由明星科学家主导、风险资本支撑的私人研究网络：核心团队确定议程，大学和小型实验室承担部分研究，成果再通过平台、许可或合作回到公司。

Thinking Machines 发放的 10 万美元资助，在 AI 行业算不上大数目，但它所象征的一种新趋势在于，决定谁能获得前沿模型和算力的人，已经不只在大学、基金会和政府机构里了。

参考资料：

1.https://thinkingmachines.ai/news/interactivity-research-grants/

2.https://radical.vc/radical-reads-the-rise-of-the-neolab/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成