研究机构与投资人如何在前沿AI突破中实现共赢

为突破定价

前沿实验室、新实验室和投资者如何实现共赢

如今的新实验室被要求同时完成两场登月计划。它们的投资者既想要研究突破，又想要一个风险投资级别的生意，而这两者中的任何一个单独实现都是百里挑一的结果。要求两者兼得，成功概率就变成了万分之一。

我认为存在一个更好的替代方案，它借鉴了制药行业处理高风险研发的方式，让前沿实验室、新实验室和投资者都能从中获益。

如今，OpenAI、Anthropic 和 Google DeepMind 在模型质量和智能水平上陷入了一场势均力敌的竞赛。每一次发布都必须超出预期，或者至少达到竞争对手的水平。因此，它们更愿意把资源花在扩展已被验证有效的事情上，比如改进数据管道、为更大规模的训练搭建基础设施，以及购买越来越多的算力。然而，研究人员往往想投身于「下一个大事件」——那些可能带来智能 discontinuous 跃升的新范式。结果就是，市场需要它们交付的东西和研究人员想要专注的方向之间，常常存在张力。

在过去一年里，许多想要追求这些大赌注的资深研究员开始创办新实验室——专注于重大研究赌注的早期 AI 创业公司，通常在产品或收入出现之前就融到了大量资金，以便支付算力和薪资。这样他们就能以风险投资级别的资源去追逐那个大想法。

表面上看，投资者是在赌某个新实验室会成为下一个 OpenAI 或 Anthropic。他们提醒自己，Anthropic 曾经也是一个新实验室，由一群离开 OpenAI 的研究员创办，在产品问世之前就融到了数亿美元。但私下里，大多数人都会承认，即便拥有世界级的研究员和工程师，复制这一成功的概率也微乎其微。

运营研究团队和扩张公司是两份不同的工作。研究员通常不擅长产品、市场推广、运营、物流等所有传统上对一家可持续发展公司至关重要的事情。（Databricks 的 Ali Ghodsi 是一个很好的例外。）

然而，新实验室被期望两者兼顾：既做出突破，又规模化产品。有时这会把公司一分为二，一半人想做产品和销售，另一半人想做研究、构建 ASI。专注和一致性是创业公司相对于资金更充裕的现有企业最大的优势，但这种双重期望会对两者都造成损耗。

那些期望自己投资的新实验室两者兼顾的投资者，很可能在它两者都做不到时大失所望。

一个激进的做法是承认新实验室只做世界级、开创性的研究。预期收入接近于零，让它们放手去做。如果成功了，就被收购或 acquihire。

问题在于，这对投资者行不通。VC 需要的是能返还整只基金的公司，而很难向 LP 承诺一次 acquihire 能做到这一点，尤其是考虑到新实验室如今动辄数十亿美元的估值。

药物研发几十年来一直在处理类似的问题。公司经常在研发上冒险投入数亿美元，去赌一款可能带来数十亿回报的药物。一款药物可以通过早期试验，却在 FDA 批准前失败，通常是因为效果不够好，有时则是因为副作用或生产问题。

制药行业通过分工来解决这个问题。较小的生物科技公司承担发现和开发的风险。如果药物有效，大型制药公司就收购这家创业公司，或者把药物作为 IP 买下来。大公司专注于自己擅长的事——大规模生产和分销药物。小公司则可以专心做科学，而不必去发明一种商业模式。一家小型生物科技公司的商业模式归结为一个问题：我们能不能让这款药物成功？

这种分工是有效的。在 FDA 于 2013 至 2022 年批准的药物中，收入低于 5 亿美元的小公司研发了 52%，而收入超过 100 亿美元的大公司研发了 36%。

生物科技投资者几十年来一直通过这种方式赚钱。他们许多最大的回报来自于被收购，而非成长为下一个 Pfizer。

今天缺失的是一个承诺。创办、加入或资助新实验室的人需要在承担风险之前就知道，如果研究成功，丰厚的回报在等着他们。

前沿实验室可以通过预先注册的收购来提前做出这个承诺。这种承诺也被称为「拉动资金」。推动资金为研究预先付费，比如拨款或 VC 轮次。拉动资金则承诺在成果出现后为其付费。1714 年，英国政府承诺向任何能找到海上船只经度的人支付 20,000 英镑，一位自学成才的钟表匠 John Harrison 为此发明了一种在摇晃的船上仍能精确计时的钟。2009 年，五个国家和盖茨基金会承诺向任何能以每剂 3.50 美元或更低价格向贫困国家供应肺炎球菌疫苗的公司支付 15 亿美元，疫苗制造商随之回应，提供了足以让超过 1.5 亿儿童接种的供应量。

大公司一直都在为了专利或人才而收购创业公司。AI 研究的不同之处在于，验证一个想法是否可行所需的成本。一个软件创始人可以在笔记本电脑上测试一个想法。要在有意义的规模上测试一种新的训练方法，需要一次可能耗资数千万甚至数亿美元的训练运行，而自 2016 年以来，最大规模训练的成本每年增长 2.4 倍。没有人会在不知道成功值多少的情况下花这么多钱去赌。而且赌注也比任何一家公司的退出更大。模型学习方式的突破最终会进入数亿人每天使用的系统中，因此我们如何为这项研究付费，决定了它发生的速度以及谁有机会去做。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）