萬字洞察丨100 家頂尖 AI 初創公司的 7 個真相

注：特別感謝特工宇宙戰略顧問 @莊明浩 老師的推薦。

人工智能領域的過去三年，仿佛走過了三十年。

2022 年 11 月，ChatGPT 問世改變了一切。緊隨其后的是一場狂熱的技術浪潮、推特熱議浪潮，以及對軟件未來的熱切預測。但在喧囂之下，一個更值得關注的趨勢正在顯現：一批新型初創企業應運而生，它們定義著 AI 時代的公司構建模式，脫離了上一時代成功企業所遵循的 SaaS 運營準則。

到 2023 年初，數千個 AI 項目紛紛涌現，但營收增長卻滯后于用戶使用率。許多行業分析師質疑這些酷炫的演示能否轉化為真實業務，有人將其稱為泡沫，并追問營收究竟何在。

2024 年，敘事發生了巨大轉變。隨著模型能力的提升，客戶開始認真付費。從語音、視頻到早期 Agent 平臺，多個領域的技術都從演示階段邁入了實際應用階段。營收增長讓真正有價值的項目與炒作劃清界限，頂尖初創企業也證明了自己能夠快速高效地實現規模化發展。

2025 年，AI 的應用開始向醫療、法律、金融等復雜垂直領域拓展。這些市場對可靠性、合規性和工作流程深度有著嚴苛要求，雖抬高了行業進入門檻，卻也為成功者構筑了更堅固的競爭壁壘。

短短三年間，AI 初創企業從備受追捧到遭遇質疑，再到實現實質性增長，將完整的市場周期壓縮到了上一代科技企業構建產品和業務所需時間的一小部分。

Leonis Capital 是華人于 2021 年成立的專注于早期 AI 項目的風險投資基金。他們在全球超過 10,000 家 AI 初創公司中，基于融資、招聘、用戶使用情況，GitHub 趨勢、新聞、ProductHunt、ARR 預估等數據和信號，篩選出了 100 家增長最快的初創公司。

公司名錄鏈接：https://airtable.com/appohRrDHVz4puMeO/shrEJmZB9I77npd1g/tblOsxsvnlbrT1E7L/viwXyXZ3QLg0fjHQ1

他們對這 100 家 AI 初創公司進行了詳細分析，制作了一份

The Leonis AI 100

該報告已經放到了特工宇宙 ima 知識庫中，可以在線查看/免費下載/AI 問答。

其中核心內容可以總結為七個顯著趨勢：創始人背景、企業營收規模化路徑、團隊結構、市場推廣模式、競爭格局、轉型的速度與性質，以及市場的解鎖順序。以下是逐一探討。

洞察 1 ：規模更小、層級更扁平的團隊，帶來巨大的產出

這一波 AI 企業最顯著的特征之一，便是以非常精簡的團隊實現了極高的成就。上一代 SaaS 獨角獸企業往往會隨著營收增長同步擴大員工規模，而如今的 AI 初創公司正在重塑團隊規模與產出之間的關系。它們的優勢不僅源于資本效率，更來自于在內部運用 AI 進行產品開發、銷售推廣及客戶支持。

據報道，Midjourney 在 2023 年以 40 人團隊創下約 2 億美元的年度經常性收入（人均 500 萬美元），而 Lovable 則以 45 人團隊實現了約 1 億美元的年度經常性收入（人均 220 萬美元）。這些數據甚至讓頂尖的上市前 SaaS 公司相形見絀 —— 后者的人均年度經常性收入平均約為 30 萬美元，這意味著 AI 企業的人均營收效率可達其 3 至 10 倍。

這絕非單純的效率提升，更是初創企業構建模式的結構性變革。傳統 SaaS 企業在規模化過程中，往往會形成多個專業化層級：產品經理在工程師與客戶之間協調溝通，銷售開發代表（SDR）負責開拓潛在客戶，客戶成功團隊則專注于用戶留存與深度使用。

而 AI 企業正在壓縮其中諸多層級：工程師搭建的系統可自主實現功能開發；AI Agent 能處理大部分客戶咨詢；負責系統架構設計的人員，通常也會直接向客戶演示產品并將代碼部署至生產環境。市場推廣不再依賴龐大的銷售開發代表團隊，而是通過開發者關系維護與技術型銷售實現。即便是商務崗位人員，也具備更強的技術素養，借助 AI 工具彌補技能缺口。最終形成的是一種明顯更扁平化、更側重研究的組織架構 —— 早期階段通常僅設 2 至 3 個層級，所有職能均圍繞技術核心展開。

這種邊界消融的趨勢也延伸至管理層級。在許多原生 AI 初創公司中，傳統意義上 CEO 與 CTO 的分工界限正逐漸模糊。由于眾多首席執行官本身具備深厚的技術背景，他們往往會直接主導產品開發、撰寫或審核代碼，并為技術發展方向定調。相應地，CTO 的角色更偏向于研究領域與基礎設施建設的引領，而非唯一的技術權威。這種創始人協作模式，更像是兩位工程師搭檔將創意規模化落地，而非傳統的“商務+技術”組合。

AI 企業精簡的員工規模，并不意味著它們屬于 “輕資本” 模式 —— 核心差異在于資金的投向。在 SaaS 時代，新一輪融資往往直接轉化為員工招聘：組建龐大的銷售團隊、工程師團隊和產品經理團隊。而在 AI 領域，資金更少投向人力，更多投入基礎設施：GPU、推理運算成本及數據授權費用。這些企業 “輕人力”，卻 “重算力、重數據”。換句話說，SaaS 企業是將資金轉化為人力，而 AI 企業是將資金轉化為算力與數據。

產品標準化也為這種人均效能優勢提供了助力。許多 AI 初創公司向不同客戶提供的產品基本保持統一：一款 AI 編程助手或圖像生成工具，對每位用戶而言功能形態通常一致，或許僅需對接不同的代碼庫或數據集，幾乎無需定制化開發。相比之下，傳統企業級 SaaS 產品往往需要與每個客戶的現有基礎設施和數據系統進行深度集成。原生 AI 能產品的相對標準化，降低了實施復雜度和客戶專屬的工程開發成本，從而實現了高人均營收。

值得注意的是，并非所有入選 “AI 百強” 的企業都能達到這一人均營收水平。像 Midjourney、Lovable 和 Cursor 這樣的標桿企業，都具備共同特質：提供具有廣泛吸引力的橫向產品，以純軟件形式交付、配套服務極少，并通過自助訂閱或病毒式傳播實現商業化。它們的商業模式使得基礎設施投入能直接轉化為營收，無需依賴龐大的客戶對接團隊。相比之下，垂直領域的 AI 企業（尤其是醫療和法律行業）通常需要提供專業服務、系統集成和合規支持。這往往會使它們的人均營收更接近 SaaS 行業的常規水平，但企業級服務帶來的優勢也能形成平衡：更高的利潤率、更長的合同期限，以及更穩固的客戶關系。

初步數據顯示，這種影響正在反向滲透 —— AI Native 企業開創的精簡模式，正逐漸蔓延至整個 SaaS 行業。ICONIQ《2025 年軟件行業現狀報告》顯示，每位全職員工對應的 ARR 同比增長 11%，增速是人均運營支出（OpEx）的兩倍多，這一數據印證了隨著 AI 工具在各團隊的規模化應用，企業的人力杠桿效應正不斷提升。簡而言之，SaaS 與 AI 行業可能正在走向融合，更精簡的原生 AI 運營模式正成為新的行業標準。

一個尚未有答案的問題是：這種模式能否實現規模化擴張？如今的 AI 企業通過內部工作自動化和角色精簡，實現了極高的效能杠桿，但這種簡潔性也可能限制它們的成長上限。隨著客戶對深度集成、合規合規性和企業級支持的需求不斷提升，即便是最精簡的團隊，或許也需要建立更完善的組織架構，并在相關領域擴充人員。未來的核心矛盾已然清晰：原生 AI 企業在規模擴張的同時，能否維持人均約 100 萬美元營收的高效能？還是會逐漸沿用它們所取代的 SaaS 時代的層級架構？

洞察 2 ：PLG First, Sales Later

在我們追蹤的 100 家 AI 初創企業中，產品驅動型增長（PLG）是早期獲取用戶的主導模式。超過 80% 的企業以自助注冊啟動業務，這充分體現了小團隊僅憑產品本身的吸引力就能觸達廣泛用戶。根據我們的數據，企業級銷售方式并未消失，只是轉向了下游環節：如今的銷售動作發生在用戶采用產品之后，核心是將已存在的需求正式化，而非從零創造需求。

銷售驅動型模式依然重要，尤其在垂直領域和復雜場景中。例如法律科技領域的 Harvey 和醫療健康領域的 Abridge，從創立之初就依賴企業級銷售 —— 因為它們的客戶對系統集成、數據安全和合規性有著硬性要求。

而對于橫向工具類產品，其模式則截然不同：開發者先個人采用 Cursor 這類編程助手，幾周內便在團隊內部擴散開來，數月后，銷售團隊才介入處理采購流程和定價事宜。許多創始人在實現可觀的 ARR 后，才開始組建銷售團隊。銷售動作緊隨用戶使用行為之后，而非相反。這種 “倒漏斗” 模式已成為 AI 企業的標準市場推廣流程：PLG 負責建立品牌認知并驗證價值，隨后銷售團隊負責鞏固成果并實現規模化擴張。

在如今的 AI 周期之前的 SaaS 時代，盡管出現了 Slack 等產品驅動型增長的標桿企業，但銷售驅動型增長仍是大多數公司的主流選擇。根據 Notion Capital 對 3 萬家企業的數據集統計，2022 年員工規模超過 5 人的 B2B SaaS 企業中，71% 采用銷售驅動型模式，僅有 29% 為產品驅動型。2013 年的 “獨角獸俱樂部” 也反映了這一趨勢：超過半數的頂尖初創企業嚴重依賴銷售或營銷驅動型模式，產品驅動型增長僅占約五分之一。

如今，這套誕生于 SaaS 時代的 PLG 方法論得到了更廣泛的應用。Slack、Atlassian 和 Dropbox 早已證明，產品的病毒式傳播效應和易用性可以替代冰冷的主動推銷，但 AI 進一步壓縮了這一周期：用戶價值實現時間縮短至秒級，API 支持即時集成，開源傳播創造需求的速度遠超任何外呼推廣活動。

洞察 3 ：Multiple Winners, Not Winner-Takes-All (Yet)

在當前的 AI 熱潮中，多個行業正涌現出多家成功企業并行發展的景象。這與搜索、社交媒體等過往科技浪潮的格局截然不同 —— 在那些領域，往往是單一平臺占據主導地位。

如今的 AI 儼然成為一股 “水漲船高” 的浪潮：需求與投資的爆發式增長，讓同一細分賽道的眾多 AI 初創企業得以同時蓬勃發展（至少在初期是如此）。

以編程領域為例，Replit 的 Ghostwriter、Cursor 的 IDE 以及 Cognition 的 Devin 等產品，均憑借獨特優勢積累了忠實用戶群：Replit 主打云端協作，Cursor 側重本地運行速度與操控性，Devin 則以全 Agent 自主化及端到端工作流為核心賣點。開發者會根據自身使用場景與需求選擇不同工具，且常常同時使用多款產品。

此外，AI 編程市場正分化為兩個明確類別：一類面向追求 IDE 整合、版本控制與代碼可靠性的專業工程師；另一類面向看重低使用門檻與快速原型開發的 Vibe Coders。Lovable 和 v0 能夠與 Cursor、Replit 共存，這一現象充分說明 AI 編程市場不僅規模龐大，且需求多元。巨大的市場體量意味著，多家企業無需相互擠壓就能實現增長。

同樣，涵蓋圖像、視頻、音頻生成的創意與內容領域，也經歷了工具“寒武紀大爆發”，不同創意場景下已涌現出諸多早期贏家。

AIGC 的需求極為廣泛，沒有任何單一服務能滿足所有使用場景或受眾群體。以 AI 圖像生成為例：盡管 Stability AI 和 Midjourney 奠定了市場基礎，但新的平臺仍不斷涌現并發展壯大。許多創作者使用 Krea 或 OpenArt 進行圖像生成與編輯；而 Stable Diffusion 等開源圖像模型，則催生出數十款專業工具，從 AI 設計助手到圖像超分服務應有盡有。

在 AI 視頻生成領域，市場競爭堪稱 “白熱化” —— 多家競爭企業甚至會針對 “Synthesia” 這一關鍵詞投放廣告。例如，HeyGen 推出了一款替代性虛擬人視頻平臺，在同一企業培訓市場中同樣廣受歡迎。但兩家公司均取得了顯著進展：Synthesia 于 2025 年 3 月實現 1 億美元 ARR，擁有 6 萬家企業客戶；而 HeyGen 的年度經常性收入也突破了 1 億美元。

AI 語音領域同樣呈現 “多贏家” 格局。ElevenLabs 專注于高質量語音合成，估值達 66 億美元；Cartesia 以超低延遲實時對話為核心優勢；Deepgram 則深耕企業級語音轉文字領域，實現了 2180 萬美元的營收。該領域的用戶鎖定效應較弱，客戶通常會組合使用多家提供商的服務，以優化不同場景下的需求。

醫療健康領域也正涌現出多家并行發展的贏家，這很大程度上源于醫療健康行業本身包含多樣化、復雜化的需求。Abridge 和 Freed AI 均瞄準實時 AI 病歷記錄市場，但各自走出了獨特的規模化路徑：Abridge 通過部署于 150 多家企業級醫療系統，估值達到 53 億美元；而 Freed AI 采用精簡的 “直接面向臨床醫生” 的 SaaS 模式，兩年內轉化了 2 萬名臨床醫生，實現 1900 萬美元的 ARR。它們的共存印證了：即便是定義狹窄的工作流程，也可能根據用戶類型、集成深度和市場推廣模式，分化為多個具備商業可行性的細分市場。

這種 “多贏家” 格局由多重結構性因素驅動：AI 的應用場景極為廣泛，企業能夠開辟獨特的細分賽道 —— 每個賽道都需要專業知識與特定領域數據的支撐，而這些資源很少有競爭對手能輕易復制。

不過，值得思考的是：這究竟代表著 AI 市場運作模式的根本性轉變，還是僅反映了行業尚處于早期階段、后續難免會出現整合？隨著市場動態走向成熟、資本變得更具選擇性，資金更充裕、戰略定位更清晰的企業很可能會擊敗并吸納競爭對手。

可以說，整合趨勢已經顯現：據報道，Cursor 的營收是 Cognition AI 的三倍以上；在企業級市場的采用率上，Abridge 也已確立對 Freed AI 的顯著領先優勢。此外，那些以 Agent 本身為核心產品、而非圍繞工作流程或垂直領域構建服務的企業，長期來看面臨的處境可能更為艱難 —— 因為它們最容易成為基礎模型廠商整合的目標。但就目前而言，AI 領域仍在創造不斷擴大的機遇，獎勵那些在多個并行賽道中深耕創新與專業化的贏家。

洞察 4：贏家快速轉型，AI 讓這一切成為可能

在前 AI 時代，轉型的形態截然不同。即便是成功的轉型，也需要數年而非數月時間。Twitter 2005 年以播客應用 Odeo 起家，花了約 12 個月完成轉型，這在當時已被視為神速；Coinbase 作為比特幣錢包運營兩年后，才轉型為加密貨幣交易所；Slack 則用了四年時間，從游戲公司 Tiny Speck 轉型為企業通訊工具。同樣，Lyft、Notion 和 Twitch 都花了四年及以上時間才放棄最初的創業想法。在那個產品方向受限于用戶反饋周期、基礎設施搭建進度和緩慢迭代循環的時代，這樣的時間線是合理的。

傳統觀念認為，研究人員和技術型創始人會執著于最初的愿景，但我們的數據卻給出了相反的答案：AI 百強企業中 66% 至少經歷過一次轉型，而獨角獸俱樂部中這一比例僅為 54%。研究人員主導的團隊轉型中位時間為 12 個月，非研究人員團隊則需要 18 個月；CEO 往往能帶領企業快速轉型（12 個月），而非技術背景 CEO 的企業轉型時間則是其兩倍多（27 個月）。

為何會有這樣的差異？因為他們身處模型技術的前沿。他們密切關注模型發布報告、性能基準測試和 arXiv 學術論文，因此當模型能力出現突破性進展時，他們能最先察覺。他們的優勢不僅在于市場直覺，更在于技術前瞻性。

對新模型發展的敏感度，往往會觸發最早、最徹底的轉型。以 Manus 為例，該公司 2022 年以名為 Monica 的 AI 瀏覽器插件起家，但在首席科學家季 Peak 一年后加入時，團隊迅速意識到，前沿模型已具備跨任務推理、規劃和執行能力。短短幾個月內，團隊便將重心轉向搭建平臺以整合這些新興能力，最終推出了一款震驚科技界的通用 AI Agent。

Cursor 的故事也類似。其創始人最初計劃為機械工程師打造 AI 驅動的 CAD 軟件 —— 這是一個技術難度極高的項目，需要模型具備空間推理和 3D 模型生成能力。但他們遭遇了根本性瓶頸：訓練數據不足、模型無法處理物理約束問題，且市場尚未準備就緒。當團隊提前獲得 GPT-4 的使用權限后，僅測試幾分鐘就意識到，這款模型在編程領域的表現驚人。他們當即決定放棄已投入數月的 CAD 產品開發，從零開始打造編程助手。

另一個有趣的趨勢是，許多團隊最初聚焦于基礎設施領域，后來才轉型至應用層。這一選擇合乎邏輯：技術型創始人通常從自己熟悉的領域入手，且初期用戶往往與自己背景相似。但隨著基礎模型的發展，他們觀察到兩個關鍵變化：新能力的出現讓許多基礎設施層級變得冗余，而價值開始向掌控數據、分發渠道和用戶體驗的應用層轉移。

于是他們向產業鏈上游轉型。Windsurf 的發展歷程完美體現了這一點：團隊最初打造的是 Codium，一款用于管理大規模 GPU 運算的基礎設施產品。但隨著 AI 基礎設施走向成熟，他們意識到 GPU 管理正逐漸成為同質化競爭的領域；與此同時，AI 編程技術的發展催生了一個更大的機遇。團隊迅速向上游轉型，推出了一款 AI 編程助手，最終用戶量突破 100 萬。

Manus、Cursor 和 Windsurf 的故事，是這一代 AI 初創企業的典型寫照 —— 新的模型能力成為技術轉型的觸發點。在 SaaS 時代，轉型由市場認知和用戶需求驅動：先打造 MVP，與用戶溝通，迭代功能直至找到 PMF。例如 Slack，最初是某游戲公司的內部通訊工具，后來團隊才發現這款聊天產品比游戲本身更有價值，但底層技術基本保持不變。而 AI 企業的轉型則不同：驅動因素不僅有用戶反饋，還有模型能力的演進。新模型的發布，可能瞬間讓某個產品品類崛起或消亡。

AI 還讓轉型變得異常快速且低成本。由于大多數應用都搭建在相同的基礎模型之上，重構產品往往無需重建技術棧 —— 相同的 API 和編排框架，能在幾天內重組為一款全新產品。不同領域的 Agent 共享相同的底層組件：評估、日志記錄、路由和編排基礎設施。一旦搭建好這一層級，切換應用場景就相對容易，因為核心差異更多在于提示詞設計和數據語境，而非核心系統設計。

這種靈活性也延伸到團隊層面。AI 領域的技術人才，比傳統 SaaS 行業的商務人才更具 “可遷移性”：在傳統 SaaS 領域，行業專業化會將人才束縛在特定垂直賽道。例如在電子商務領域，成功依賴于對供應鏈、物流等領域的深度了解，技能難以跨行業遷移。而在 AI 領域，一支精通 Agent 架構、檢索技術和模型微調的技術團隊，無需招聘新的專業人才，就能從語音 AI 領域轉向代碼生成領域。

但與前沿模型的緊密關聯是一把雙刃劍。這種賦予企業轉型速度的依賴性，也威脅著企業的生存。當基礎模型整合了編程、智能 Agent 工作流等功能后，整個產品品類可能會被納入基礎模型的內置功能中。許多企業的轉型并非出于主動選擇，而是被迫為之 —— 試圖在同質化競爭波及自身之前逃離。

最優秀的創始人能預判這一周期，提前布局轉型。他們預測下一個成熟的模型能力會是什么，圍繞下一代模型將解鎖的潛力進行產品構建；他們會巧妙定位自身，讓新模型的發布成為產品能力的放大器而非替代者。如此一來，模型的波動性就從風險轉化為了競爭優勢。

洞察 5：Markets Break Out in Sequence

AI 市場的爆發并非偶然。只有當模型性能突破某個關鍵閾值時，市場才會真正騰飛。如今，對于創始人及風險投資人而言，理解這些閾值的位置以及它們何時即將發生變化，已成為最重要的技能之一。過早進入市場，技術可能無法兌現承諾；過晚進入市場，則會錯失優勢。

以下是多米諾骨牌倒下的經過：

寫作和編程等早期突破并非偶然。這些領域從一開始就由基礎模型實驗室進行優化，因為它們擁有海量的結構化訓練數據、清晰的任務定義以及龐大的早期用戶群體。具體的應用案例通常會加速早期普及，而開發者往往是嘗試新工具最快的人群之一。

隨著模型日趨成熟，醫療保健、法律和金融等垂直領域開始蓬勃發展。這些領域受益于基礎模型的改進，這些模型提升了推理、檢索和長上下文理解能力。一些模型甚至針對垂直領域的數據和任務進行了優化。憑借這些改進，垂直領域 AI Agent 最終得以實現，催生了金融領域的 Rogo 和醫療保健領域的 Abridge 等初創公司。這種轉變與 SaaS 的發展歷程如出一轍，即先出現通用工具，然后軟件才逐漸按行業進行專業化。

整個 LLM 時代的關鍵模式是，一旦性能突破某個閾值，就會涌現出全新的應用。Claude 3.5 大幅提升了編碼可靠性（能夠處理多步驟推理、調試，甚至端到端的應用生成），幾周之內就涌現出一大批 Vibe Coding 初創公司。此前，Stable Diffusion 催生了眾多圖像生成公司，因為它讓高質量圖像合成變得觸手可及。而現在，隨著 OpenAI 最新發布的 Sora，我們或許正在見證視頻優先型初創公司迎來類似的轉折點。

對于創始人而言，關鍵在于把握時機與執行力同樣重要。過早進入市場，在技術尚未成熟之前，即使是最好的執行力也會付之東流。我們親眼目睹了這一點：2021 年之前，許多 AI 編程初創公司舉步維艱，原因就在于其底層模型不夠完善。另一個錯誤是錯過了拐點，那時機會窗口已經關閉。到 2024 年中期，AI 筆記和聊天式客戶支持等市場已經飽和；數十款幾乎相同的產品在用戶體驗的優化上展開競爭，而非在底層技術差異化上取勝。這些創始人對市場需求的判斷并沒有錯，只是錯過了技術成熟的最佳時機。最佳時機介于兩者之間，既要足夠接近拐點以創造真正的價值，又要足夠早以在市場飽和之前實現復利增長。

洞察 6：2024 年后的收入激增

許多人認為 AI 融資泡沫會在 2024 年破裂，但事實并非如此。

回溯 2023 年（甚至到 2024 年年中），行業主流聲音都在說 “資本過剩，優質實體業務稀缺”。紅杉資本的大衛?卡恩用著名的 “2000 億美元之問” 精準捕捉了當時的情緒，他警示稱，AI 基礎設施領域投入了巨額資金，但下游營收卻微乎其微。到 2024 年年中，他更將其升級為 “AI 6000 億美元之問”，描繪出行業在研發上燒錢不止、而客戶卻持觀望態度的景象 —— 這些擔憂在當時都合情合理。

隨后，營收的 “大壩” 轟然決堤。

經過一年的病毒式演示與概念驗證，2024 年末成為了關鍵轉折點。一夜之間，數十家 AI 初創企業不僅展現出增長勢頭，更在創紀錄的時間內實現了驚人的營收規模：Cursor 用 12 個月達成 1 億美元 ARR；ElevenLabs 僅花 22 個月就突破 1 億美元年度經常性收入；數據集中還有多家企業在不到一年的時間里，從 0 營收增長至 1000 萬美元以上年度經常性收入。作為對比，SaaS 時代高速增長的標桿企業 Slack，花了約 12 個月才達到 1000 萬美元年度經常性收入，用了 36 個月才突破 1 億美元。

我們對此并不像大多數人那樣意外。即便在 2023 年初懷疑論者占據話語權時，我們就堅信，AI 優先型企業的營收規模化速度，會遠超上一代 SaaS 企業。核心邏輯很簡單：AI 產品提供的價值，是靜態軟件無法比擬的指數級增長。一款能為你編寫代碼或管理全部客服工單的工具，絕非邊緣性功能補充 —— 它能替代數小時的熟練勞動力。這種 “替代勞動力” 的邏輯，讓產品價值主張直觀且迫切：只要產品能減少員工編制，或大幅提升現有團隊的生產力，客戶就會迅速付費。

看似矛盾的是，盡管擁有學術背景，研究人員出身的創始團隊，在商業化上往往比傳統 SaaS 創始人動作更快。他們的實驗性思維 —— 快速迭代、坦然面對不確定性、樂于驗證假設 —— 直接轉化為激進的市場推廣策略，也加速了產品與市場的契合。

但營收高速增長，并不總能等同于健康的經濟效益。我們和其他投資者面臨的最大疑問之一，就是這些企業的毛利率水平。盡管增長驚人，許多企業的毛利率依然慘淡，甚至為負。據《The Information》報道，Lovable 的毛利率僅為 35%，StackBlitz 為 40%，Replit 更是只有 23%。這些數據還排除了免費用戶的成本，意味著實際毛利率可能更低。現實是，如今大多數 AI 企業的產品，其云服務與推理運算成本會隨使用量線性增長。除非推理效率得到提升，或專有模型的使用成本降低，否則許多 “高營收” AI 初創企業，本質上仍是低毛利業務。爆發式的營收增長與脆弱的單位經濟效益之間的矛盾，將決定如今的行業領導者中，誰能成長為可持續的、具備軟件行業典型盈利能力的企業。

不過，并非所有公布的營收都具有同等含金量。該領域已形成了獨特的 “創意會計” 模式：“ARR” 被用來指代各種收入類型，從長期訂閱合同收入，到一次性費用、云服務 credits，甚至是已簽署的意向書（LOI）。有人將這種收入稱為 Vibe Revenue。例如，11x 公司曾宣稱其 ARR 達 1000 萬美元，但這一數字很大程度上基于意向書和口頭承諾。到 2025 年，成熟的投資者對年度經常性收入數據已變得更為謹慎，要求企業明確區分經常性收入與一次性流入資金。

此外，此次營收激增，可能部分源于資金助推與客戶實驗性采購，而非純粹的內生增長。許多 AI 初創企業以高估值完成了規模異常龐大的融資，這讓它們手握充足現金，得以比傳統 SaaS 企業更快地擴大用戶規模與營收。其中部分資金被用于補貼模型使用成本 —— 企業可以低于實際算力與模型開銷的價格定價，以加速市場滲透。與此同時，如今的客戶正積極尋求人工智能解決方案，往往會同時與多家供應商進行試點合作。如果剔除現金儲備與客戶實驗性采購的影響，AI 企業與 SaaS 企業的營收增長速度差距可能會縮小，但不會完全消失。根本驅動因素仍是產品價值：當一款產品能直接自動化或替代熟練勞動力時，客戶轉化幾乎會即時發生。

即便剔除夸大成分，AI 領域的營收數據依然亮眼。但真正的考驗在營收產生之后：用戶留存率。爆發式增長固然令人興奮，但凈收入留存率（NRR）與客戶流失率（logo churn），才是決定這些企業能否構建持久業務的關鍵。許多早期人工智能產品能出色地解決初始問題，卻未能深度融入用戶的日常工作流程；另一些則始終面臨被基礎模型廠商整合的威脅 —— 今天實現 1000 萬美元 ARR 的 AI 寫作工具，可能明天就會變成 ChatGPT 的免費功能。盡管如此，2024-2025 年的營收激增，還是明確回答了一個核心問題：客戶愿意為 AI 付費，而且會付費迅速、金額可觀。

洞察 7：研究型創始人和技術型 CEO 正在崛起

我們數據中最顯著的趨勢并非關乎產品或市場，而是打造這些公司的人。如今的 AI 創始人，與過去十年主導創業圈的群體截然不同。回溯 2013 年 “獨角獸俱樂部” 誕生之時 ——“獨角獸” 這一術語由艾琳?李提出 —— 她發現，那些脫穎而出的企業，創始人多是 “受過良好教育、三十多歲、有共事經歷的合伙人”。那個時代的主流創始人類型包括：有過創業退出經歷的連續創業者、快速推出消費級產品的技術達人、具備客戶洞察力的產品經理，以及擁有 MBA 學位的商業運營者。

在這 100 家企業中有 82 家由技術背景 CEO 領導，而 241 名創始人中，高達 208 人（86%）具備技術背景。相比之下，獨角獸俱樂部中僅有 49% 的企業由技術背景 CEO 掌舵，且僅有 59% 的創始人具備技術背景。

這一崛起趨勢可能源于兩大相關因素。第一，與前幾波創業浪潮相比，更多技術專業人士投身 AI 創業 —— 行業準入門檻降低，風險投資機構也積極鼓勵研究人員和工程師創業。第二，在這些創業者中，技術能力最深厚的創始人更容易取得成功。

最大的轉變體現在研究背景上。“研究型創始人” 的崛起，代表了上一波創業浪潮中幾乎不存在的創始人類型。在 AI 時代，親眼見證過前沿模型訓練過程的創始人，清楚模型能力在哪些方面正在提升、哪些領域仍存在局限，以及實驗室正積極投入哪些研究方向。這種 “內部人士” 知識能幫助他們精準瞄準即將爆發的機遇 —— 比如預判哪些能力可能很快實現突破，哪些仍需基礎研究的重大進展。

值得注意的是，他們也并非是在學術界深耕數十年的純研究人員。最成功的創始人往往兼具研究資歷與創業者的緊迫感。許多人曾在頂尖實驗室短期任職 —— 時間足以讓他們洞悉技術前沿，卻未消磨掉實干本能。

研究型創始人的崛起，本質上是因為在 AI 領域，技術本身往往就是產品。不同于 SaaS 時代，AI 的核心產品就是技術本身。AI 企業的競爭，取決于模型、數據和系統層面的底層原理選擇 —— 這些決策需要具備深厚技術和研究功底的領導者來主導。

這一動態貫穿于 AI 企業構建的各個環節：風險投資機構更愿意支持那些親自交付過生產級 AI 系統的創始人，而非僅管理過相關團隊的人；最優秀的人工智能工程師希望為真正懂技術的人工作；即便是客戶（尤其是技術采購方），也期望能與深入理解底層技術的人探討實施細節。

盡管風險投資機構常宣稱 “學歷背景無關緊要”，但我們的數據卻給出了相反答案。數據集中超過 60% 的創始人擁有精英教育背景，持有麻省理工學院、斯坦福大學、哈佛大學等頂尖學府的學位。這一趨勢延續了上一代獨角獸創始人的特征 —— 他們中許多人也畢業于名校。

頂尖 AI 創始人的平均年齡也比 SaaS 時代的前輩更年輕 —— 中位年齡為 29 歲，而 SaaS 創始人的中位年齡為 34 歲。最常見的創業年齡是 26 歲或 27 歲，比上一代創業者年輕近十歲。這些創始人往往直接從學術界或研究實驗室投身創業，而非先在企業中逐級晉升。不過，兩波浪潮中，極年輕的大學輟學生都較為罕見，這表明打造成功的 AI 產品，仍需要過往研究或工程工作積累的經驗。

誰在支持著這 100 家 AI 頂尖創業公司？

在種子輪前和種子輪階段，Y Combinator 遙遙領先，共支持了 21 家企業，占 AI 百強總數的 20% 以上。YC 仍是 AI 領域創始人的首選加速器。

平臺基金也在積極向早期投資上游布局，a16z 和紅杉資本已在種子輪或種子輪前投資了多家企業。這與它們傳統上專注于 A 輪及后續輪次融資的策略截然不同。在 AI 領域，贏家往往更早顯露鋒芒，即便規模達數十億美元的大型基金，也不得不爭相搶奪種子輪投資份額。

SV Angel 等天使投資網絡表現相當活躍（投資了 7 家企業）；而 First Round Capital（投資 5 家）的案例則表明，成熟的種子基金仍能切入部分優質項目。與此同時，Conviction（投資 4 家）以及內特?弗里德曼（Nat Friedman）與丹尼爾?格羅斯（Daniel Gross）聯合投資組合等新型 AI Native 投資者，憑借自身品牌、技術判斷力和決策速度，迅速成為創始人的首選合作伙伴。

OpenAI Startup Fund 值得特別關注。盡管戰略投資者通常在后期階段介入，但該基金已悄然成為 AI 生態中最具公信力的早期投資者之一，領投了 Cursor、Harvey、Cognition Labs 和 UnifyGTM 四家行業重量級企業的種子輪前或種子輪融資。OpenAI 深厚的技術專長已成為該基金的核心價值主張，使其風險投資部門成為頂尖技術人才的聚集地。

隨著公司發展到 A 輪和 B 輪，投資格局趨于整合，頂級基金占據主導地位：a16z 以 16 項投資領跑，緊隨其后的是 Kleiner Perkins（13 項）、Sequoia（13 項）、Lightspeed（10 項）、Benchmark（9 項）和 Menlo Ventures（8 項）。這些公司合計占據了 A 輪/B 輪融資的很大份額，尤其是在領投或聯合領投方面。在這些后期階段，品牌、平臺實力和資本規模成為決定性優勢。

戰略投資者在 A 輪/B 輪融資階段也占據重要地位，但他們的投資策略更加精準。英偉達的風險投資部門 NVentures 已投資了 AI 100 強中的 8 家公司，專注于基礎設施領域，例如 Together AI 和 Fireworks AI，這些領域 GPU 效率與英偉達的業務直接相關。在 A 輪和 B 輪融資中，OpenAI 創業基金繼續加大對種子輪獲勝者的投入，同時領投了 Speak AI（語言學習）和 Ambience Healthcare（臨床文檔）等應用層公司的融資。OpenAI 對應用案例的重視體現了其更廣泛的目標 ：擴展基于其基礎模型的開發者和產品生態系統。

每個人都在問一個問題：我們是否正處于 AI 泡沫之中？相關數據令人不安：僅在 2025 年上半年，就有 1628 億美元流入 AI 初創企業。從歷史標準來看，這看起來像是泡沫。但泡沫的定義并非僅僅在于高價，而在于價格與基本價值之間的差距。

真正的問題在于，AI 應用能否構建起相對于基礎模型的真正防御能力。答案不僅將決定哪些初創企業能夠生存下來，還將決定應用層能否創造持久價值，還是最終淪為基礎模型時代的注腳。

我們確切知道的是，贏得下一階段的公司并非只是更快地執行今天的策略。它們會認識到新的能力門檻、已準備好應用的垂直領域，以及不斷增強而非削弱的競爭優勢。AI 應用的策略仍在不斷完善，而最重要的篇章或許還在未來。

點個“愛心”，再走 吧