編者按：本文來自微信公眾號 硅谷101（ID：TheValley101），作者：泓君，編輯：王梓沁 陳思揚(yáng)，創(chuàng)業(yè)邦經(jīng)授權(quán)發(fā)布。

2025年，AI Agent是人工智能行業(yè)競爭最激烈的一個領(lǐng)域。7月17日，OpenAI發(fā)布了它的第一款A(yù)I Agent——ChatGPT Agent，頗有些通用型智能體Manus與GensPark的感覺，整個通用型AI Agent創(chuàng)業(yè)公司第一次直面來自巨頭模型層的沖擊。

ChatGPT Agent融合了OpenAI自家兩款A(yù)gent的特色：在Operator的基礎(chǔ)上加入了深度研究與思考的能力，又在Deep Research的基礎(chǔ)上加入了執(zhí)行能力，可以幫助用戶處理一些復(fù)雜且能夠落地的人物，比如ChatGPT可以處理諸如“查看我的日歷，并根據(jù)最新動態(tài)簡要匯報(bào)即將舉行的客戶會議”或“分析三個競爭對手并制作幻燈片演示文稿”等請求。

就在OpenAI發(fā)布ChatGPT Agent的前幾天，代碼編程工具Windsurf與OpenAI談判破裂，谷歌花24億美元收購Windsurf的核心團(tuán)隊(duì)，而另一家編程類Agent Devin背后的公司Cognition AI將收購剩余的WIndsurf團(tuán)隊(duì)。高昂的人才收購成本，“一分為二”的并購方式，成為硅谷討論的最熱話題之一。

除此之外，整個編程領(lǐng)域的創(chuàng)業(yè)公司與巨頭也打得不可開交：今年6月份，編程明星Cursor母公司Anysphere完成9億美元融資，估值接近百億美元。而大模型公司Anthropic推出Claude Code，直接殺入Cursor的大本營。Grok4也于7月中發(fā)布，代碼能力大幅提高，而谷歌也發(fā)布了Gemini CLI，直面編程領(lǐng)域的競爭。

另外，企業(yè)搜索方向的Agent Glean獲得1.5億美元的融資，估值72億美元；法律智能方向的HarveyAI獲得3億美元的融資，估值50億美元，垂直類Agent賽道也在全面爆發(fā)。

在AI Agent領(lǐng)域，不管是通用型Agent還是編程類Agent，大模型巨頭正在涌入搶奪創(chuàng)業(yè)公司的生存空間；隨著基座模型的能力不停變強(qiáng)，垂直賽道Agent的核心壁壘是否能夠抵御基座模型的能力變強(qiáng)，投資人會如何看待如今AI Agent的賽道是否還值得投資？本期《硅谷101》，主播泓君邀請到Fusion Fund管理合伙人張璐和Cyber Creation Ventures管理合伙人周煒，解析他們的投資邏輯。

歡迎關(guān)注《硅谷101視頻號》的音頻欄目直接收聽本期播客。如果你喜歡我們的節(jié)目，更推薦大家使用音頻客戶端來收聽，《硅谷101》已覆蓋各大主流音頻平臺（渠道見文末），歡迎訂閱！

以下是這次對話內(nèi)容的精選：

01 AI Agent融資熱，明星公司扎堆登場

泓君：你的認(rèn)知范圍里面頭部的Agent公司有哪些？

張璐：我個人對它的定義是說什么是AI Agent？就是它可以去處理，首先是復(fù)雜任務(wù)，不是單線任務(wù)，而且可以自主決策的產(chǎn)品。

它是可以處理一個相對比較復(fù)雜的多步驟的任務(wù)，從頭到尾，端到端，當(dāng)然它在過程中調(diào)用的工具還是需要你創(chuàng)建Agent的團(tuán)隊(duì)給它一個工具庫。如果是垂類Agent的話，你需要給它一個知識庫，這是我們對于Agent的一個基本定義，也是用這個標(biāo)準(zhǔn)去評估哪些公司是我們比較看好去投資的。比如說CognitionAI的Devin出來的時候也是吸引了很多注意，這是比較偏向通用Agent的，還有比如Rabbit OS，它是偏向于Agent OS（Operating System，操作系統(tǒng)）。我們投的一家公司叫You.com，也算是Glean的其中的一個競爭對手，最近剛剛成為獨(dú)角獸，也是做得非常好的一個垂類Agent，而且它是多垂類。醫(yī)療領(lǐng)域也出現(xiàn)了幾家，還有一家叫Clarity，也是垂類Agent里面最近做得比較好的。那從代碼領(lǐng)域的話，像Cursor、Windsurf，如果你問我覺得哪家做得最好，我其實(shí)最喜歡的是Anthropic的Claude Code，真的是非常非常好用。

圖源：VCG/Getty Images

美國7月9日也有一個新玩家入場，Grok 4，我覺得我們今天討論AI Agent的時機(jī)也非常的妙，因?yàn)镚rok 4發(fā)布之后，我們整個團(tuán)隊(duì)都在使用，對它很多的參數(shù)benchmark（基準(zhǔn)測試）都非常驚艷。當(dāng)然這次它沒有正式發(fā)布它的代碼模型（coding model），但是我從內(nèi)部的了解，比如說xAI，他們現(xiàn)在基本上70-80%的代碼都是用他們自己內(nèi)部的代碼模型去寫的，而且質(zhì)量很高?；诂F(xiàn)在我們看到Grok 4的各方面性能的表現(xiàn)，我對于它的代碼模型還是非常期待的，所以也想看一看它發(fā)布了之后和我很喜歡的Claude Code比較一下誰的應(yīng)用場景和表現(xiàn)更好。

我其實(shí)跟很多工程師和開發(fā)者聊，像前一陣子我跟一群偏研究的聊，發(fā)現(xiàn)他們現(xiàn)在有70-80%都在用Claude Code。因?yàn)镃laude Code本身它的編程環(huán)境也非常友好，用起來很順手，而且它的復(fù)雜程度和代碼自動編程的程度也是比其它幾個會更加好用的，所以你會發(fā)現(xiàn)這個領(lǐng)域，即使像你提到的Cursor、Windsurf，它們都已經(jīng)有這么多的收入和融資了，但其實(shí)新的程序、新的模型出來之后的話，迭代的速度還是很快的。

泓君：因?yàn)槠鋵?shí)我們在討論Agent的時候，我發(fā)現(xiàn)基本上大家討論的Agent還是不同領(lǐng)域的，我大概按照我粗淺的理解，把AI Agent分成三類。

第一種是AI coding，就是我們剛剛講的現(xiàn)在大筆融資的，比如說Cursor，包括被谷歌收購核心團(tuán)隊(duì)的Windsurf，還有剛剛你提到的Claude Code，；第二個大類就是通用型的AI Agent，比如大家討論很火的Manus，還有剛剛提到的也有很多垂類的Agent，比如Cresta AI， 還有Harvey AI，包括璐你投的很多醫(yī)療領(lǐng)域的，我覺得接下來我們可以把它們分成三個類別。我們分別去討論一下，站在投資人的視角是怎么看待這三個類別的Agent的。

圖源：Cursor

那首先是AI coding，我能想到的第一個問題就是Anthropic的更新Claude Code，它已經(jīng)是沖擊到了Cursor了，所以你覺得像Cursor這樣編程類的AI Agent，它的護(hù)城河是什么？會不會被大模型沖擊到？

張璐：我覺得其實(shí)模型的進(jìn)化對這些AI可編程工具還是有影響的。當(dāng)然Cursor，它其實(shí)內(nèi)置的也是GPT 4和Claude作為代碼的編程助手， Claude確實(shí)是Cursor背后的引擎之一，它們也不止使用這一個引擎，但是Claude Code是一個可以直接使用的產(chǎn)品。

在開發(fā)者層面 ，Claude Code我覺得可以看作Cursor的一個直接競爭對手，而且遷移的數(shù)量還是挺大的。包括我跟一些比較大量級的，比如一些獨(dú)角獸級別的科技公司去聊，他們可能之前用Windsurf或者Cursor比較多，那現(xiàn)在很多也開始轉(zhuǎn)向使用Claude Code。所以這兩邊它當(dāng)然有一個助力的層面，你背后的模型越來越好的話，會讓內(nèi)置了這些模型的編程公司，AI代碼的公司，做得越來越好。

但是他們自己本身做的這些編程產(chǎn)品，因?yàn)樗亲约旱囊妫约旱漠a(chǎn)品，其實(shí)整合程度更高，所以這也是為什么我們其實(shí)也挺驚訝的，Claude Code出來之后它的代碼能力這么強(qiáng)，尤其是支持一些比較復(fù)雜的代碼分析解釋生成，而且它很擅長比較長的上下文分析。你會發(fā)現(xiàn)很多東西出來，我們都會想再去測試它到底能夠達(dá)到什么級別？是10萬token（文本中最小的語義單元），20萬token它是不是可以做一些大型項(xiàng)目？Claude Code是可以做到的，另外的話其實(shí)還是回到它這個開發(fā)者環(huán)境，至少讓硅谷的開發(fā)者覺得非常好用。它對于很多插件，比如說大家經(jīng)常用的Slack、Notion，集成的效果也非常好。所以我覺得Claude Code并不是一個獨(dú)立的IDE（Integrated Development Environment 集成開發(fā)環(huán)境），其實(shí)更多的是一個Claude模型代碼特性增強(qiáng)的一個體現(xiàn)。

這也是為什么我剛才又提到了Grok 4他們自己內(nèi)部的代碼模型已經(jīng)使用很長時間了，如果現(xiàn)在發(fā)布出來供第三方使用，那它的表現(xiàn)性能可能也比其他去調(diào)用或者內(nèi)置Grok 4模型的一個代碼工具可能會表現(xiàn)得更好。當(dāng)然整體層面上這個市場也不是一家就可以把所有的市場份額都吃掉。很多時候一方面是它的迭代過程很快，但是如果說一個公司已經(jīng)在其中一個編程的模型層面上集成得比較深入了，它還是有一些遷移成本的。像我有一個公司的團(tuán)隊(duì)，他們就是非常喜歡Windsurf，那現(xiàn)在的話也并不是一定要去轉(zhuǎn)向新的平臺，因?yàn)槠鋵?shí)跟Windsurf的整合就做得也都比較好了。

我還想提另外一個新入場的玩家，就是Gemini CLI，也是谷歌Gemini項(xiàng)目的一部分，也是AI編程助手，當(dāng)然它更多的是一個進(jìn)行自然語言交互的終端，所以并不是直接的競爭對手，但是它本身也是進(jìn)入到AI編程市場的一個非常重要的玩家，相當(dāng)于給很多可能想在這個領(lǐng)域做創(chuàng)新的公司提供了一個非常好的新的平臺。

泓君：AI coding，比如Cursor 、Windsurf、Devin，是怎么在Copilot 已經(jīng)一統(tǒng)江湖的情況下成長起來的？這些大的編程類軟件在它成長的一些關(guān)鍵節(jié)點(diǎn)核心突破跟改變是什么？

張璐：當(dāng)然我們不投C端，也沒有投任何AI代碼模型，但我覺得像Cursor非常好用的一點(diǎn)其實(shí)就是UI（User Interface， 用戶界面）、UX（User Experience用戶體驗(yàn)） 的設(shè)計(jì)，它是為AI編程優(yōu)化的，做得非常好。如果把它和普通的VS Code (Visual Studio Code，輕量級代碼編輯器 ) 去比的話，它對于AI的集成過程是非常順暢的，很好使用。而且它的一些小的功能，比如說自動補(bǔ)全、自動的這些代碼解釋, 修改，還有通過自然語言的方式去上下文聯(lián)動就是很好用的，它大大降低了門檻。

我修過編程的課，當(dāng)時在讀書的時候，但我又不是計(jì)算機(jī)背景，我是材料科學(xué)工程的背景，但即使這樣我也可以去用它去搭建產(chǎn)品，把它和ChatGPT或者是Gemini結(jié)合其實(shí)是可做很多很有意思的小的應(yīng)用的嘗試，所以我覺得這點(diǎn)是Cursor非常好用的一點(diǎn)。

而且像Windsurf的話，我沒有用Windsurf用很多，但是有好幾個朋友他們比較喜歡用Windsurf，覺得它更好地能夠去做一個多步驟的執(zhí)行，而且過程相對比較流暢，它可能對于搭建AI Agent會是一個更加適合的場景。

泓君：我當(dāng)時看過Cursor創(chuàng)始人的一個訪談，他的訪談其實(shí)也是在回答這樣一個問題，在Copilot已經(jīng)在統(tǒng)治整個代碼天下的情況下，他們是怎么去突破的？我覺得有很核心的一點(diǎn)，就是所有的編程類軟件的核心突破其實(shí)是跟底層的基座模型相關(guān)的。比如說Anthropic在2024年7月份的那個更新，其實(shí)Copilot當(dāng)時并沒有根據(jù)你的更新跟代碼能力的飛躍去做產(chǎn)品上的迭代，但是Cursor做了。我覺得創(chuàng)業(yè)公司的崛起它可能不是一個線性的，而是在一個關(guān)鍵的時間點(diǎn)，根據(jù)你底座大模型的更新，你的整個產(chǎn)品的迭代跟上了，然后讓整個的用戶體驗(yàn)變得更好了。整體看那個訪談總體的感覺就是一個字，卷。

張璐：它是很卷，其中核心的一點(diǎn)就是你要有非常強(qiáng)的執(zhí)行能力，快速地進(jìn)入商業(yè)市場，進(jìn)行快速地收入增長。而且你會發(fā)現(xiàn)現(xiàn)在的收入增長速度跟過去以前是不一樣的，以前可能比如你2-3年時間收入從0漲到一兩百萬美金，像去年我們投的70%-80%的企業(yè)，一年收入20倍，成長得快的可以從0漲到幾千萬美金，甚至有一家從50萬美金漲到上億美金。但是這么快的一個原因也是因?yàn)楦偁帀毫Ψ浅４?，如果你不這么快速地去進(jìn)入到商業(yè)市場的話，你的護(hù)城河就很難保持住。甚至說你即使有這么高的收入，其實(shí)還是要繼續(xù)往前沖，現(xiàn)在真的是快速迭代、快速競爭的市場，很挑戰(zhàn)，也很興奮。

02 ToB垂類Agent，低成本、高壁壘的隱秘戰(zhàn)場

泓君：AI coding在你們看來應(yīng)該算是一個ToC（To Consumer面向個人消費(fèi)者） 還是ToB（To Business 面向企業(yè)客戶）？

張璐：我們也是把它定義在比較偏向ToC端。

泓君：我其實(shí)更想知道作為一個投資人的判斷邏輯，大家都看好ToB方向的Agent賽道，而不是ToC方向的公司，那它們在你判斷的哪個象限，為什么就是不在你們的投資名單上？或者它能不能投？值不值得投？

張璐：長線的對于市場的判斷就是我們比較看好整體ToB的機(jī)會，所以當(dāng)AI Agent這個賽道崛起的時候，我們看的也都是垂類的Agent比較多。C端可能做得比較偏向通用Agent的我們看得就比較少。

我們在定義ToB的話，比較直接的場景是說它的商業(yè)模式，是不是直接ToB銷售給企業(yè)級用戶，中小型或者大的企業(yè)？另外其實(shí)我們也會看模型本身，它是一個直接調(diào)用的大模型套殼的方式，還是說也可以自己做垂類的模型或者微調(diào)的小模型？我覺得現(xiàn)在人工智能的競爭已經(jīng)不單純只是一個模型的競爭，更重要的一點(diǎn)其實(shí)是一個數(shù)據(jù)和成本的競爭，這時候我們要看到你直接去內(nèi)嵌調(diào)用大模型的成本，和你針對一些垂類應(yīng)用去做的一個垂類小模型，成本哪個更低？那我們可能更看好的是這種垂類小模型，邊緣端小模型的方向，而這類方向主要的應(yīng)用場景就是ToB，因?yàn)锽端客戶可能對于人工智能產(chǎn)品的成本要求更高。

以前大家覺得一提到vertical就是垂類，就會覺得是個小市場，現(xiàn)在你會發(fā)現(xiàn)其實(shí)很多垂類它是一個比較巨大的市場。我給大家舉一個可能大家平時都想不到的一個市場，我們投了一家公司，它做一個非常細(xì)分的小垂類，這個東西叫做commercial paper issuing（商業(yè)票據(jù)），它是一個短期借債的工具，可能做金融的朋友會知道。大公司在發(fā)工資的時候會做一個短期的借債去進(jìn)行現(xiàn)金流的補(bǔ)充來發(fā)工資，需要用到商業(yè)票據(jù)。所以你看它每次發(fā)工資是不是就是一個比較頻繁發(fā)生的場景？同時它的量級也比較大，比如說像沃爾瑪，全球的員工非常多，它一年要發(fā)行的商業(yè)票據(jù)一年大概是 600 億美金。

但過去的話這個垂類的應(yīng)用場景全部是由人工完成的，和傳統(tǒng)銀行合作，所以是量級又大，重要性又高，但又是很無聊、很重復(fù)性的一個過程。所以我們投的一家公司，它就是用人工智能把這個過程自動化了，都不需要叫它智能體，因?yàn)樗且粋€非常簡單的reinforcement learning（強(qiáng)化學(xué)習(xí)）加machine learning（機(jī)器學(xué)習(xí)）的應(yīng)用。

圖源：Corporate Finance Institute

泓君：這樣的一個應(yīng)用，團(tuán)隊(duì)不到7個人，已經(jīng)把沃爾瑪這樣的大客戶簽下了，在一個星期之內(nèi)完成了60億美金的商業(yè)票據(jù)的生成。7個人的團(tuán)隊(duì)拿到了這個訂單，如此巨量，它其實(shí)收費(fèi)的比例很低，可能就0.01~0.02。但是你可以計(jì)算一下，是0.01~0.02乘以60億。所以你會發(fā)現(xiàn)其實(shí)細(xì)分的應(yīng)用場景的市場量級是非常巨大的，只是說大家之前對這些行業(yè)不了解，所以你沒有能看到這個巨大的市場機(jī)會。

那再回到我們剛才提到的，為什么說做ToB的話你可以積累很多行業(yè)的經(jīng)驗(yàn)，就是包括你對行業(yè)本身的理解，去捕捉到這些垂類巨大的行業(yè)機(jī)會。同時你了解了它現(xiàn)有的工作流程，可能在對于設(shè)計(jì)一個AI Agent產(chǎn)品，你也會有更多的積累。

泓君：對，所以我理解ToB行業(yè)它需要很多的行業(yè)積累跟行業(yè)經(jīng)驗(yàn)，那它是一個越老越吃香的行業(yè)嗎？

張璐：也不是說單純的越老越吃香，是因?yàn)榈讓蛹軜?gòu)的重要性，對于AI Agent的建立還是很重要的。這個層面上它也在快速地迭代，比如剛開始很多Agent的搭建其實(shí)就是完全基于大語言模型LLM（Large Language Model），那在過去這半年時間，很多討論其實(shí)是對于強(qiáng)化學(xué)習(xí)的討論?，F(xiàn)在我們看到很多新的做AI Agent的架構(gòu)，其實(shí)都是在探討怎么樣把大模型和強(qiáng)化學(xué)習(xí)結(jié)合在一起去優(yōu)化Agent表現(xiàn)。尤其是對于我剛才提到這些行業(yè)，無論是金融，保險，醫(yī)療，甚至法務(wù)行業(yè)，有一個很大的挑戰(zhàn)，就是在于它不太能夠去承受這個幻覺。

我們都知道大語言模型有一個很大的問題，就是幻覺的問題。那你在C端應(yīng)用有點(diǎn)幻覺，OK，但在我剛才提到這些行業(yè)有很多監(jiān)管層面上的風(fēng)險，你不能夠出現(xiàn)幻覺。那怎么樣解決這個問題？那就會有更多的討論，包括現(xiàn)在其實(shí)大家開始形成行業(yè)的一個共識，就是強(qiáng)化學(xué)習(xí)在架構(gòu)層面上的一個重要性。這個領(lǐng)域它是快速迭代的，那我們作為這個領(lǐng)域的投資人就要持續(xù)地關(guān)注新的底層架構(gòu)的發(fā)展，去提前布局。所以它和行業(yè)知識是兩個不同類別的知識儲備，所以對于ToB領(lǐng)域?qū)用嫔系耐顿Y人的學(xué)習(xí)能力要求也是比較高的。

泓君：對，我覺得ToB領(lǐng)域有一個問題，尤其像你說的它不能出現(xiàn)幻覺，比如說60億的商業(yè)票據(jù)，你哪怕只出現(xiàn)一點(diǎn)點(diǎn)的錯誤，可能也是一個很大的數(shù)據(jù)偏差，而且你這個涉及到錢的問題會更加敏感。所以在你投垂類的AI Agent的問題中，他們是怎么解決幻覺的問題，然后讓結(jié)果100%準(zhǔn)確呢？因?yàn)槲矣X得確實(shí)我們?nèi)绻瓷弦惠?，比AI視覺，AI醫(yī)療影像的那一類公司，包括自動駕駛，它其實(shí)最難的是最后長尾的corner case（極端邊緣情況）要怎么去解決。

張璐：其實(shí)就是我提到的對于包括底層架構(gòu)的一個新的設(shè)計(jì)，去幫助我們不能說完全消除幻覺，但是至少要保證它的錯誤率在一定可控范圍之內(nèi)，所以其實(shí)我們看到做得比較好的就是把大語言模型和強(qiáng)化學(xué)習(xí)進(jìn)行結(jié)合。而且強(qiáng)化學(xué)習(xí)現(xiàn)在的應(yīng)用越來越廣泛，包括一些Agent OS的公司其實(shí)也是在做這方面的一個討論。有些公司可能是從 API（應(yīng)用程序編程接口）和產(chǎn)品兩個角度同時在推進(jìn)，但其實(shí)在底層強(qiáng)化學(xué)習(xí)的應(yīng)用越來越多，所以我覺得至少在我們的小圈子討論中，大家是形成了一個共識， 強(qiáng)化學(xué)習(xí)對于Agent底層的架構(gòu)非常重要，而且可能是架構(gòu)中必不可少的一層之一。

其實(shí)大語言模型在搭建Agent的時候，它賦予Agent的一其實(shí)是理解、分析、表達(dá)的能力，再加上強(qiáng)化學(xué)習(xí)之后，是一個決策，驅(qū)動，再去學(xué)習(xí)，再去強(qiáng)化然后記憶的能力。所以這樣構(gòu)成了一個基礎(chǔ)，它們兩個可能是可以互相地查漏補(bǔ)缺，我們也會看到有一些ToB的應(yīng)用場景，其實(shí)很好的一點(diǎn)是它不是每次你使用的時候，它的調(diào)用都是完全不同的，很可能你在一個應(yīng)用場景里面你調(diào)用10次，然后有5次你的調(diào)用跟你要它實(shí)現(xiàn)的功能都是一致的，那這個過程就不需要再去走一遍大語言模型去生成一個新的答案，你可以完全去調(diào)用過去已經(jīng)成功驗(yàn)證了一個準(zhǔn)確的答案，去保證它的一個準(zhǔn)確性。所以我們會看到這樣一個架構(gòu)的實(shí)現(xiàn)會幫助我們更好地去保證這個模型最后的準(zhǔn)確性。

泓君：對。所以關(guān)于垂類小模型的微調(diào)跟大模型套殼這兩種方案中，如果是做ToB方向的投資，你是有更偏好于哪一種嗎？因?yàn)閯倓偲鋵?shí)你有強(qiáng)調(diào)微調(diào)小模型。

張璐：我是非?？粗仄髽I(yè)可以做微調(diào)小模型的。一來是我剛才提到的，微調(diào)小模型你可以做得更加精準(zhǔn)。另外很重要的一點(diǎn)其實(shí)是一個成本問題，模型小的話自然你的成本就會降低，而且它不只是一個算力成本，訓(xùn)練成本和inference（模型推理）的成本，還有它的耗能成本。其實(shí)現(xiàn)在對于人工智能來講非常大的一個挑戰(zhàn)，是電力和耗能的挑戰(zhàn)，它可以把成本在耗能層面上降低。

在這個基礎(chǔ)之上還有一個大的優(yōu)勢是什么呢？其實(shí)很多ToB類的場景，公司或者企業(yè)，它是不太愿意把自己所有的東西都傳到云端，一方面是可能它本身現(xiàn)在的企業(yè)架構(gòu)，它沒有把所有東西都放到云端，完全地和cloud（云端）結(jié)合。還有一部分原因是因?yàn)樗膊幌氚阉袞|西放到云端，它有些比較敏感的核心的數(shù)據(jù)，它想放到本地的設(shè)備和網(wǎng)絡(luò)，保證它的隱私性和合規(guī)的一些要求。

在這個情況下，它希望你的AI的模型、AI的產(chǎn)品、AI的Agent，是可以在一個當(dāng)?shù)夭渴鸬?，可以在?dāng)?shù)氐木W(wǎng)絡(luò)去運(yùn)行，甚至說當(dāng)?shù)氐脑O(shè)備上去運(yùn)行的。那這個時候就有一個非常現(xiàn)實(shí)的情況，如果你是一個大模型，你的耗電量，你的算力需求，那可能當(dāng)?shù)氐脑O(shè)備是無法滿足的，但垂類小模型是可以在當(dāng)?shù)氐囊粋€邊緣設(shè)備上就可以完成的。包括我們投的一家公司是做這種邊緣小模型，最小的一個模型是不到一個billion，10億token的規(guī)模，它可以把這個小模型直接在 “Raspberry Pi（一種廉價、低功耗的小型計(jì)算設(shè)備）上去運(yùn)行，運(yùn)行的表現(xiàn)和GPT 4是類似的，這是非常讓人驚艷的。所以我覺得這也是ToB類的企業(yè)，會更加愿意使用垂類小模型的原因，這也是為什么我們會有很強(qiáng)的偏好，比較喜歡去投這種垂類小模型的公司。

泓君：我們剛剛聊到了三類，一個是AI coding，還有一個是垂類Agent，這兩類我們都聊得比較透徹了，然后還有一類就是通用型Agent，比如最近在國內(nèi)很火但是爭議性也非常大的Manus。我最好奇的一個問題就是我好像在美國沒有看到類似于像Manus這樣的通用AI Agent，為什么?

圖源：Manus

張璐：我覺得取決你怎么定義通用型的AI Agent, 比如Thinking Machines Lab, 現(xiàn)在是Mira(Murati) 要做的這個公司，他們想做的是類似于一個通用Agent的終端產(chǎn)品。我覺得是有公司想去做的，但是可能沒有看到很多這一類的創(chuàng)新企業(yè)落地，其實(shí)還是因?yàn)楸澈蟮某杀締栴}，還有包括護(hù)城河的問題。如果你做一個通用Agent，它可以去解決各種各樣不同的應(yīng)用場景甚至跨行業(yè)，其對于底層模型，Agent優(yōu)化能力的要求是非常高的，那底層模型一定是一個很強(qiáng)有力的大模型，這個時候誰做比較有優(yōu)勢？初創(chuàng)企業(yè)還是說是大企業(yè)自己做？可能他的判斷就比較顯而易見。

另外一個層面還是成本問題，包括我跟一些大的企業(yè)，公司也會去討論到底是做通用Agent還是垂類Agent？其實(shí)通用Agent技術(shù)層面上我覺得未來是可以做到的，但還是回到那個問題，你背后的成本是非常高的。

我們經(jīng)常提到我們現(xiàn)在會看到你既使用人力勞動力，也使用人工智能勞動力。但如果人工智能勞動力的成本比人力勞動力還要高，那對于一些行業(yè)應(yīng)用來講就會比較挑戰(zhàn)，那是不是還要應(yīng)用這個Agent，而不是去使用人？但是垂類Agent的一個優(yōu)勢就是我提到的一個成本優(yōu)勢，成本優(yōu)勢很巨大，再加上它去進(jìn)行優(yōu)化微調(diào)的時候，針對各個應(yīng)用場景是比較容易做到消除大部分的幻覺，高精度的。這個是目前通用Agent可能在很多應(yīng)用場景層面上還不能達(dá)到的。

泓君：所以通用Agent主要的問題是因?yàn)樗プ霾煌蝿?wù)的泛化，要讓其場景能夠接入更多的任務(wù)，就要用最好的模型，要接入很多的步驟，那它的推理成本一定是很高的。但是很多任務(wù)反而可以用一個垂類的Agent來解決。

張璐：對，還有就是我們剛才提到的，通用Agent背后調(diào)用的一定就是我們提到的這幾個GPT 4、Claude、Gemini。那你現(xiàn)在調(diào)用的是這些大模型，那如果這些大模型的公司自己也會去做一個通用的Agent的話，你跟它的競爭性在哪里呢？

03 巨頭圍獵與估值狂飆，AI編程Agent的會與幻覺

泓君：作為一個投資人，你們會怎么去看編程類的Agent，為什么是它們跑出來？它們還值不值得投資？

周煒：我們現(xiàn)在看到的狀況非常像第一個互聯(lián)網(wǎng)泡沫時代以及移動互聯(lián)網(wǎng)初期的時候，巨頭會愿意很高金額的并購。但是現(xiàn)在很明顯感覺這個通貨膨脹時代錢不是錢了，在以前可能1億美金1個billion的并購，現(xiàn)在動不動就10 billion（100億）。其實(shí)現(xiàn)在我們作為投資人很清楚全世界很多的錢都在尋找優(yōu)質(zhì)資產(chǎn)，優(yōu)質(zhì)資產(chǎn)的數(shù)量非常少，所以全擁擠在一些非常有數(shù)的優(yōu)質(zhì)資產(chǎn)以及高潛力的資產(chǎn)，也讓我們感到很驚異吧。作為一個做早期的VC，我們一個幾億美金的基金，看著這些數(shù)字也是望洋興嘆，哈哈，人家一個并購是我們的10個基金的size。

泓君：對，其實(shí)剛剛您提到在代碼Agent領(lǐng)域巨頭也不會放過，其實(shí)我看見硅谷巨頭除了像谷歌的這個收購以外，它自己也推出了一個Gemini CLI的一個項(xiàng)目，也是做編程的。包括Anthropic，他們其實(shí)自己也推出了一個叫做Claude Code的產(chǎn)品，也是直面跟Cursor的競爭。那Grok最近也是在我們播客錄制的那一天，它發(fā)布了自己的Grok 4的模型。這個模型其實(shí)整個代碼能力是有非常大的進(jìn)步的。除了這個模型之外，它說未來的幾周它也會去做自己的coding model（編程模型 ）。

我覺得在編程這個領(lǐng)域，已經(jīng)不是說巨頭想怎么收購了，它們是既自己做，也收購，也是看到了這個市場然后就全力去押注。雖然我們現(xiàn)在看著Cursor的估值很高，但是它能不能跟基礎(chǔ)模型競爭？包括我們看所有的基礎(chǔ)大模型都在做自己的代碼模型的情況下，那這些創(chuàng)業(yè)公司是不是還有自己的生存空間呢？

周煒：對，這是個非常好的問題。我覺得Cursor這種公司要very carefully evaluate（非常慎重地評估）自己真正的技術(shù)壁壘，他們自己心里其實(shí)很清楚的。如果你最終覺得跟競爭對手，跟這些大廠，并沒有核心的競爭優(yōu)勢，你可能只是first-mover advantage（先發(fā)優(yōu)勢），我個人的看法是在這個時候該賣就賣了，該并購就并購了。因?yàn)檫@個大模型時代的AI，一個核心的跟以前的區(qū)別在于它把進(jìn)入一些領(lǐng)域的壁壘降到了無比的低，因?yàn)橐郧霸谌魏我粋€公司進(jìn)入一個新方向的時候，是人在起阻礙的作用，它的人，團(tuán)隊(duì)這方面的knowledge（知識）、knowhow（實(shí)踐經(jīng)驗(yàn)）、training（訓(xùn)練）、 everything（一切），對這個領(lǐng)域的理解，會給創(chuàng)業(yè)公司一個很長的lead time（先行時間），它需要去學(xué)。

大模型這個時代，進(jìn)入一個新的領(lǐng)域，一晚上訓(xùn)練它就已經(jīng)差不多該有的都有了。所以如果你沒有特別優(yōu)勢的壁壘，或者是特別獨(dú)有的數(shù)據(jù)積累，所有的東西都是在互聯(lián)網(wǎng)公開數(shù)據(jù)里訓(xùn)練的，都是差不多的東西，只是你有領(lǐng)先優(yōu)勢，過去你習(xí)慣于所謂first mover advantage，覺得我有一年兩年的lead time，現(xiàn)在我覺得可能這個壁壘根本就不存在了。那你不賣的話，對方很簡單，剛才我說到了大廠是會因?yàn)檫@個是對它來說strategically very important（在戰(zhàn)略上非常重要的），它可以負(fù)毛利，甚至于如果是對比中國的競爭的話，中國的競爭是甚至于完全不收錢跟你一直競爭下去。

泓君：負(fù)毛利是指它們的推理成本，比如說這些代碼的Agent的推理成本很高，然后接這個大模型的API成本很高，但是用戶一個月就付20美元，可能自己消耗的API的token數(shù)量可能很快就超過20美元、30美元、40美元了，所以每個用戶凈價值可能還是負(fù)的，是這個意思吧。

周煒：舉個例子來說，像Chat GPT， 現(xiàn)在我一個月付20美元，我每天跟ChatGPT說三句 “Hi” 它回答我一下，它的成本就已經(jīng)很高了好不好？所以舉例來說，我原來KPCB（Kleiner Perkins Caufield & Byers），我們美國投資了Uber，我們中國投資了滴滴，那滴滴不但很長時間完全不收錢跟快遞競爭，還倒給coupon（優(yōu)惠券），每一單你坐了車還給你20塊錢的一個乘車券下次接著用，你很長時間都可以連續(xù)去拿，完全免費(fèi)。

那我們當(dāng)時跟KPCB美國合伙人在討論這個項(xiàng)目的時候，大家就不能理解。但實(shí)際上我們后來分析這個東西很清晰，因?yàn)榈蔚魏涂斓漠?dāng)時分別跟阿里和騰訊是捆綁得很緊的。那阿里和騰訊給他們很大的資源支持，其中一個核心原因在于剛才說的戰(zhàn)略價值。

圖源：愛范兒

滴滴，快的，你從創(chuàng)業(yè)公司來說單獨(dú)就是個打車的公司。如果按打車來說，我應(yīng)該是要賺錢，但從阿里和騰訊來說，他們打的是什么？其實(shí)他們打的是支付的習(xí)慣，他們那時候支付的戰(zhàn)爭還沒結(jié)束，它要通過這樣一個高頻支付的場景，我綁了滴滴，我就讓用戶在我滴滴的平臺上盡量用我的支付，那是騰訊的做法。阿里是跟快的，所以最終他們的戰(zhàn)略價值是在支付習(xí)慣上，所以它不顧其他成本的，我就要把這個事情要做成。

那你作為一個獨(dú)立創(chuàng)業(yè)公司，如果是第三方?jīng)]有這兩方的戰(zhàn)略價值的時候，你怎么打？今天我覺得是一樣的，就是coding在AI這一波里面，它是在這個商業(yè)模式、這個鏈條非常早期就可以崛起大公司的，而且它是非常fundamental（根本的）的一個東西。你可以認(rèn)為它是下一步讓AI自己去寫自己的代碼的根基。這些巨頭它很可能會不顧成本地去跟你競爭，那作為一個單純就是靠coding來做自己唯一的商業(yè)模式的AI公司，你就很難辦。

泓君：其實(shí)我看到今年上半年除了coding的公司，還是有非常多的AI Agent公司拿到了大筆融資的，比如說Harvey AI，是一個做法律咨詢的AI Agent，他們也是在2025年的6月份拿到了自己F輪的3億美元融資，現(xiàn)在也估值50億美元了。

圖源：TechCrunch

泓君：中國其實(shí)是在通用型Agent方向就火了一輪，像Manus、Genspark這一塊有一堆這樣的公司，你怎么看為什么突然在2025年的上半年，Agent的投資一下火了？你作為投資人，現(xiàn)在你會怎么去評估你自己手里這些Agent？哪些可以投？哪些不可以投？

周煒：去年我就在講，我覺得大家過度關(guān)注技術(shù)底層，Agent在那個時候還沒有人去認(rèn)真關(guān)注是一個很奇怪的事情，現(xiàn)在大家關(guān)注我覺得比我應(yīng)該想的要晚一些了。

泓君：你覺得去年就應(yīng)該關(guān)注Agent？

周煒：對，就是這一次大模型，整個業(yè)界的不管創(chuàng)業(yè)者還是投資人的表現(xiàn)，很像blockchain（區(qū)塊鏈）這個圈子里面人的行為。大家整天都在討論技術(shù)，但是真正落地讓人看到一個實(shí)實(shí)在在的應(yīng)用，這件事情nobody care（無人在意）。過去一年，我覺得so weird（很奇怪），所有人都覺得大模型來了，AI要改變?nèi)藗兊纳盍?，但是從真正所有身邊的人會覺得我還沒有感覺它幫我很多，或者有些東西很有趣，能幫我做PPT，能幫我做圖，但是它不是一個真正端到端的產(chǎn)品。這個是很奇怪的一個事情，你關(guān)心過互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的底層的基礎(chǔ)設(shè)施嗎？你關(guān)心過對IT時代（information technology，信息技術(shù)時代）來說，大部分做IT產(chǎn)品或者數(shù)字電子產(chǎn)品的人，誰會去關(guān)心這個芯片的底層的技術(shù)是什么樣子？我只需要關(guān)心它的性能，能不能match（匹配）我的需求就行了，我是在應(yīng)用層做產(chǎn)品的。

包括Manus我之前也訪談過，Manus出來以后，很多人對它的評價就是這個公司沒技術(shù)，是個AI指揮大師。我年初做了很多的訪談，我一直都在堅(jiān)持的觀點(diǎn)是Manus不一定是最后會大成功的一家公司，但它指出了一個正確的創(chuàng)業(yè)者做Agent這個方向該做的事。就是你把一個產(chǎn)品做到讓用戶用的時候會感覺它能幫我完成的工作是達(dá)成了我最重要的對產(chǎn)品的底線要求的，我是可以拿來直接用的，不一定是完美的，但它是能用的。

至于它背后指揮了哪幾個AI？ 誰在意。作為一個用戶不需要關(guān)心，所以今天我覺得大家才走向正軌，就是你AI到這個時候，如果大家還不去專心做一個真正讓用戶能實(shí)現(xiàn)最終產(chǎn)品的Agent，那很快這一波的大模型的AI泡沫就要破裂了。

泓君：我覺得這個里面難點(diǎn)就在于如果你是做一個ToC類的Agent，不管是這種通用型的AI Agent還是coding的AI Agent，它一旦做大了，巨頭看到了這個方向，或者說基座大模型看到了這個方向，他們可能會自己做，那ToC類是不是有市場？如果你做一個ToB類的Agent，我覺得在硅谷還是挺有戲的，因?yàn)楣韫冗€是有整個的SaaS（Software as a Service，軟件即服務(wù)）行業(yè)，企業(yè)跟用戶都有比較好的付費(fèi)意愿，但是我感覺在中國很難。

周煒：這是現(xiàn)在一個很有趣的現(xiàn)象，就是大量的中國做一些，首先我們很喜歡這種公司，就是在一些垂直的領(lǐng)域做一些跟業(yè)務(wù)流緊密相關(guān)的ToB這方面的產(chǎn)品，幫助這些行業(yè)實(shí)實(shí)在在解決問題的這種公司。很多團(tuán)隊(duì)是在中國創(chuàng)建的，但是它把業(yè)務(wù)很快就擴(kuò)展到美國去了。因?yàn)槊绹鴱漠?dāng)年的SaaS開始，包括軟件行業(yè)，只要能幫它產(chǎn)生商業(yè)價值的話，其對方的付費(fèi)意愿以及付費(fèi)的百分比是非常直截了當(dāng)?shù)摹?/p>

也有很多人在日本開拓，但在中國本土確實(shí)從無論軟件還是SaaS，因?yàn)槲耶?dāng)年創(chuàng)業(yè)的時候，我們也是做金融行業(yè)的，大量的系統(tǒng)集成的支付軟件當(dāng)年就是那樣，現(xiàn)在我覺得還是同樣的情況。一方面付費(fèi)比較難，第二持續(xù)付費(fèi)更難，這種訂閱模式在中國本身在ToB的企業(yè)里接受度相對難一些?，F(xiàn)在也有很多接受了，但是它很容易形成一個cap（上限），就是他付到一定的程度他覺得有點(diǎn)多了以后他就不愿意按照用量付了，他會跟你談判說‘我只能最多付到這以后不管用多少就這么多了’，所以他把你的收入上限也cap住了。美國這個問題我覺得不明顯，應(yīng)該是比較好的狀況，所以我們看到在美國有很多華人創(chuàng)業(yè)團(tuán)隊(duì)做的是很窄的一個方向，但它收入漲得非常的快。

04 Agent投資核心邏輯與矛盾，通用高風(fēng)險vs垂類低天花板

泓君：嗯，所以你們現(xiàn)在判斷一個AI Agent值不值得投？你的核心邏輯是什么？

周煒：第一，無比巨大的方向，就像general（通用）Agent，我們投不投？我們?nèi)匀辉谕?。雖然我們覺得成功的希望非常的渺茫，這一定是巨頭絕不可能放過的方向，但是做人還是要有夢想的，沒有夢想那跟咸魚有什么區(qū)別？所以還是要賭一下。包括coding我們也繼續(xù)在看。

但從另一個方向來說，我們現(xiàn)在特別喜歡投的就是剛才講的，舉個例子來說ToB方向的話，這個行業(yè)的業(yè)務(wù)流程應(yīng)該是相當(dāng)復(fù)雜的，分好幾層的。就有點(diǎn)像黑客帝國一樣，對吧？黑客帝國，像章魚一樣的機(jī)器來進(jìn)攻Zion（黑客帝國中的“錫安城”，是人類最后的地下城市、抵抗機(jī)器統(tǒng)治的堡壘）時候是一層一層突破的，對它來說每一層都要花很長時間。像這個業(yè)務(wù)流程如果分了很多層，可能最外層是比general的，general AI就可以很快突破，那第二層可能是更行業(yè)specific（特定的），第三個層可能是更細(xì)的一些行業(yè)know how和流程等，它需要對這個行業(yè)非常懂才能真的讓AI發(fā)揮作用。其實(shí)對大廠來說要一層一層突破要花時間。第二的話，vertical（垂直的）的這些行業(yè)相對來說目前大廠是不太會顧得上的，除非是‘it' s huge enough’（它足夠的大）。

泓君：因?yàn)槭袌鲆?guī)模太小了，他們可能覺得投入產(chǎn)出比算不過來。

周煒：對，但是我覺得本身它還是很容易產(chǎn)生出100億這種size的公司是沒有問題的，當(dāng)然它不一定是1000億這種size，但是100億這種size往上是我覺得還是能看到很多。第三就是這個行業(yè)如果有一些自有的數(shù)據(jù)，相對沒有公開的數(shù)據(jù)，這點(diǎn)我們特別喜歡。像我們投的一些醫(yī)療相關(guān)的，其數(shù)據(jù)是public Internet（公共互聯(lián)網(wǎng)）上面沒有的。通用大模型公司很難找到這些數(shù)據(jù)去train它的模型，所以我覺得這一類公司是要有很強(qiáng)的壁壘的。所以我們也很糾結(jié)，一方面我們還是在繼續(xù)投那些可能大模型公司升級一次產(chǎn)品就瞬間被滅掉的方向，因?yàn)槭蔷薮蟮膲粝搿Ａ硪环矫嫖覀冇衷谡乙恍┍趬竞芨叩?，但是相對必然會產(chǎn)生這個問題，就是它的upside（增長空間）是有限的。

泓君：是的。我最近在想這個選題的過程中也找了很多投資人聊，我在硅谷發(fā)現(xiàn)了一個現(xiàn)象，我認(rèn)識的很多投資人都是投ToB賽道的，那真正我們說頂級的ToC的項(xiàng)目，投資人能投進(jìn)去的非常少。那我仔細(xì)想了一下這個ToC類的公司是什么，幾個方面，一個是基礎(chǔ)模型，還有一個是背景非常豪華的團(tuán)隊(duì)做出來的一些Agent，比如說Open AI的CTO Mira 出來做的團(tuán)隊(duì)。那我們再來看一看誰在投資ToC，首先一大批的硅谷大廠比如亞馬遜、谷歌、微軟，他們在給Open AI還有Anthropic一輪一輪地充血注資。另外是硅谷的風(fēng)險投資募資之最的a16z（Andreessen Horowitz ），還有軟銀，還有一家資本叫做Thrive Capital，他們的資金管理規(guī)模超過250億美元，但是也很難說一個管理資金規(guī)模超過250億美元的基金是一個純VC（venture capital，風(fēng)險投資），所以這些投資人投ToC的，他們真的是深口袋的投資人。ToC現(xiàn)在對整個風(fēng)險投資行業(yè)來說它實(shí)在是太貴了，好的項(xiàng)目又鳳毛麟角，又很貴。

周煒：對，貴是一個問題。另外有一個問題是ToC的東西并沒有因?yàn)锳I的出現(xiàn)產(chǎn)生太多新的商業(yè)模式；ToC的方向上你會看到幾乎每一個模式都已經(jīng)有巨頭了，不管是社交還是什么，這些巨頭它adopt（引入）AI的速度也很快。所以你不但要在技術(shù)上adopt AI去做產(chǎn)品，你還要在模式上跟上一代的這些巨頭（競爭），它們可能AI adopt稍微慢一點(diǎn)點(diǎn)，但是它的商業(yè)模式已經(jīng)成立了，用戶數(shù)量已經(jīng)非常多了，它無非就是怎么樣盡快地把AI adopt進(jìn)來。所以這方面你的這個競爭確實(shí)是很吃力的。

另一個方面我覺得ToC方向目前，尤其是創(chuàng)業(yè)公司，像社交或者某些產(chǎn)品，用戶的loyalty（忠誠度）在這個技術(shù)底層剛剛出現(xiàn)，產(chǎn)品剛剛emerging（興起的階段 ）的時候，大家都出于嘗鮮的心態(tài)，誰也不會說這么快我就（成為你的忠誠用戶）。所以你今天用這個，明天就會用那個，大家都在試。所以你花很多錢去買流量，買用戶，其實(shí)沒有用的，可能隔幾天以后就有一個新產(chǎn)品出來，switch cost（轉(zhuǎn)換成本）非常非常的低。

泓君：對，我觀察到了。包括對于大模型來說，轉(zhuǎn)換成本也很低，每個模型各領(lǐng)風(fēng)100天嘛，之后用戶很快就切換了。我自己都切換了好多次付費(fèi)模型，就是誰現(xiàn)在做得好用誰。

周煒：所以其實(shí)現(xiàn)在我特別想投真正的陪伴機(jī)器人，帶AI 大腦的陪伴機(jī)器人，而且這個陪伴機(jī)器人應(yīng)該是本地部署的。不像電影《Her》一樣全世界人都在跟一個‘Her’談戀愛，那是錯的模式。一方面人會覺得很挫敗，另一方面他付費(fèi)其實(shí)是很難的。但實(shí)際上如果本地部署了陪伴你的AI是你自己train出來的，它跟是別的都不一樣，在這種情況下的話，當(dāng)然這可能是邪惡電影里，黑鏡里就有這種場景，對吧？那你不付每個月29美金的訂閱費(fèi)用的話，那你這個train好的這個大腦可能就忘掉了跟你的對話，你會不會覺得很frustrated（挫敗的）？你跟它已經(jīng)產(chǎn)生了一種情感鏈接，所以這種個性化定制的你跟它的交互過程，這個數(shù)據(jù)應(yīng)該要產(chǎn)生價值，其實(shí)過去你跟Chat GPT問問題，它的記憶時間是很短的，對吧？那現(xiàn)在你會發(fā)現(xiàn)它長了很多。

來源：（Warner Bros）

說到AI Agent，《硅谷101》近期做了兩期非常值得一聽的節(jié)目，從使用者視角和投資邏輯兩個維度切入，深入探討了這波AI Agent浪潮的關(guān)鍵轉(zhuǎn)折點(diǎn)。歡迎聽完留言說說你的Agent使用體驗(yàn)，或者你看好什么樣的Agent產(chǎn)品，我們也在持續(xù)關(guān)注這個方向，也許下一期就會聊到你關(guān)心的內(nèi)容 。

本文為專欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個人觀點(diǎn)，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。