深度｜硅谷風投正集體押注一批“反叛”的AI實驗室，一個月砸下25億美元，AI研究需要巨頭體系外的新范式

短短一個多月，硅谷最敏銳的那批投資人正在做同一件事——押注新一代“AI 實驗室”，也就是被稱為neolab的研究型創業公司。它們不是去復刻 OpenAI 或 Anthropic 的商業路徑，而是試圖在巨頭忽視的方向上，重新定義 AI 研究的范式。

根據The Information報道，僅五家 neolab 初創公司，就在過去一個月內完成或洽談了高達25 億美元的融資。

這股熱潮背后，是資本對“研究本身”重新定價。隨著 OpenAI、Anthropic、Google 等巨頭不斷擴大模型規模，訓練投入早已突破百億美元級別。行業逐漸意識到，巨頭的優勢同時也是枷鎖——當組織被規模、流程與算力體系鎖定，它們便難以快速試錯。而 neolab 創業者要做的，就是用更小的團隊、更高的研究密度、更冒險的理論假設，去挖出巨頭體系外的“新金礦”。

前 OpenAI 安全研究員 Eddie Zhang 創立的Isara，正是這場變革的代表之一。公司正在研發一套能讓上千個 AI 智能體同時協作的軟件系統，用以解決復雜任務，如財報預測、企業盡調、法律文件分析等。Zhang 最近正與多家投資機構洽談融資，目標估值約為10 億美元。

知情人士透露，Isara 的核心研究難題不在“算力規模”，而在“協調機制”——如何讓成千上萬個智能體在沖突中找到共識、在不確定的任務里自動分工。這意味著不僅要攻克智能體規劃的問題，還要在“信用分配”“長期強化學習”與“安全邊界”之間重新平衡，這一切都需要耗費巨額資金與時間。

Eddie Zhang 曾在 OpenAI 的安全團隊中負責多智能體系統研究。他相信，未來的智能不來自“單一超級大腦”，而是由成千上萬個小智能體協作組成的“數字社會”。而 Isara 想做的，是讓這些 agent 像公司部門一樣，分工合作、形成穩定的治理機制。這是對 “智能體自治” 的一次系統級探索，也可能是繼大語言模型之后最具潛力的新范式。

另一家備受關注的公司Humans&，由前 xAI 研究員 Eric Zelikman 創立，目標是打造“具備情感智能”的 AI。公司成立數月，便已與投資人討論以40 億美元估值融資 10 億美元的可能性。知情人士稱，Nvidia 與 AMD 均有意投資——兩家 GPU 巨頭希望這些新實驗室成為下一代算力大戶。

Zelikman 的研究核心在于將強化學習擴展到“長時任務”，從幾分鐘的代碼或數學問題，拓展到數周甚至數月的現實任務，比如 AI 進行長期決策、戰略規劃或陪伴型對話。這種研究方向的意義在于，AI 不再追求“一次答對”，而是追求“長期最優”，不再是模仿人類語言的鏡像，而是具備自我情緒建模與長期目標權衡的“新智能”。

這類研究極其昂貴、周期漫長，也幾乎沒有成熟商業模型，但資本依然愿意押注——因為這是對“模型即產品”邏輯的反叛。當整個行業都在卷推理速度與上下文長度時，這些新實驗室選擇去卷“思維方式”與“行為結構”。

巨頭的存在感依然壓迫。OpenAI 與 Anthropic 今年合計營收或將達到數百億美元，并計劃到 2028 年累計投入1340 億美元的算力開支，用以訓練下一代模型。這幾乎讓后來者看不到突破口。

然而，這種規模本身也孕育了縫隙。前 Salesforce 首席科學家、You.com CEO Richard Socher 直言：“當你把整個組織、基礎設施、招聘體系都圍繞某一種范式搭建完，要轉向幾乎不可能。”他本人也在籌建一家新實驗室，計劃融資10 億美元，目標是“用 AI 來自動化 AI 研究”。

Socher 認為，大模型的研究范式已經被固化在“單次最優輸出”上——用戶提問、模型回答、循環結束。新的實驗室要打破的，是這種“一問一答”的交互結構，讓 AI 擁有自我反思、迭代與持續實驗的能力。他的目標是打造一種能“自發提出新假設、驗證假設、再修正自己”的研究型智能體。

資本押注 neolab，不僅因為好奇，也因為它們提供了一種“更安全的風險”。Adept、Inflection AI、Character.AI 等曾經的明星實驗室，最終被 Amazon、Microsoft、Google 收編——投資人雖未暴賺，但至少回本。對于風投機構來說，這種“半退出”模式反而形成了新的安全邊界：最壞的情況是賣給巨頭，最好的情況是創造下一個 OpenAI。

與此同時，還有更多“細分研究實驗室”在崛起。由前 OpenAI 研究負責人 Liam Fedus 創立的Periodic Labs，正以“AI 自動化科學研究”為目標，率先應用于低能耗超導材料的探索領域。另一個新實驗室Reflection AI，則由兩位前 DeepMind 研究員創立，專注于高質量開源模型，正面挑戰 OpenAI 與 Anthropic 的閉源路線。

這些實驗室共同指向一個趨勢：AI 研究正在從“單點能力的競賽”轉向“多智能體協作、長期學習與可解釋性”的系統競賽。它們不像巨頭那樣追求短期商業回報，而是押注在“研究范式”的更新迭代上。

但問題仍然存在：這些 neolab 能活下來嗎？

算力成本仍然是最大考驗。當巨頭占據高端 GPU 供應鏈，小團隊的計算資源只能依靠創新架構與高效訓練策略來彌補，比如稀疏化模型、低精度推理、蒸餾與多專家（MoE）混合系統等。其次，長期任務的評測體系尚未成熟，行業仍缺乏衡量“智能體協作質量”“長期任務表現”“研究自主性”的標準。

真正的挑戰，在于商業模式——這些公司如何從基礎研究到產業落地，找到自我造血的路徑？業內普遍認為，neolab 必須以“中間成果”為核心，嵌入特定行業場景，如自動化投研、企業財務分析、實驗材料設計等，讓“研究—產品—收入”形成閉環，否則就只能成為巨頭的孵化池。

參考文獻：

[1] https://www.theinformation.com/articles/investors-chase-neolabs-outflank-openai-anthropic?rc=jn0pp4

歡迎掃碼加群參與討論

我們相信認知能夠跨越階層，

致力于為年輕人提供高質量的科技和財經內容。

稿件經采用可獲邀進入Z Finance內部社群，優秀者將成為簽約作者，00后更有機會成為Z Finance的早期共創成員。

我們正在招募新一期的實習生