硅谷风投正集体押注一批“反叛”的AI实验室，一个月砸下25亿美元，AI研究需要巨头体系外的新范式

来源：ZFinance

短短一个多月，硅谷最敏锐的那批投资人正在做同一件事——押注新一代“AI 实验室”，也就是被称为 neolab 的研究型创业公司。它们不是去复刻 OpenAI 或 Anthropic 的商业路径，而是试图在巨头忽视的方向上，重新定义 AI 研究的范式。

根据The Information报道，仅五家 neolab 初创公司，就在过去一个月内完成或洽谈了高达 25 亿美元 的融资。

这股热潮背后，是资本对“研究本身”重新定价。随着 OpenAI、Anthropic、Google 等巨头不断扩大模型规模，训练投入早已突破百亿美元级别。行业逐渐意识到，巨头的优势同时也是枷锁——当组织被规模、流程与算力体系锁定，它们便难以快速试错。而 neolab 创业者要做的，就是用更小的团队、更高的研究密度、更冒险的理论假设，去挖出巨头体系外的“新金矿”。

前 OpenAI 安全研究员 Eddie Zhang 创立的 Isara，正是这场变革的代表之一。公司正在研发一套能让上千个 AI 智能体同时协作的软件系统，用以解决复杂任务，如财报预测、企业尽调、法律文件分析等。Zhang 最近正与多家投资机构洽谈融资，目标估值约为 10 亿美元。

知情人士透露，Isara 的核心研究难题不在“算力规模”，而在“协调机制”——如何让成千上万个智能体在冲突中找到共识、在不确定的任务里自动分工。这意味着不仅要攻克智能体规划的问题，还要在“信用分配”“长期强化学习”与“安全边界”之间重新平衡，这一切都需要耗费巨额资金与时间。

Eddie Zhang 曾在 OpenAI 的安全团队中负责多智能体系统研究。他相信，未来的智能不来自“单一超级大脑”，而是由成千上万个小智能体协作组成的“数字社会”。而 Isara 想做的，是让这些 agent 像公司部门一样，分工合作、形成稳定的治理机制。这是对 “智能体自治” 的一次系统级探索，也可能是继大语言模型之后最具潜力的新范式。

另一家备受关注的公司 Humans&，由前 xAI 研究员 Eric Zelikman 创立，目标是打造“具备情感智能”的 AI。公司成立数月，便已与投资人讨论以 40 亿美元估值融资 10 亿美元 的可能性。知情人士称，Nvidia 与 AMD 均有意投资——两家 GPU 巨头希望这些新实验室成为下一代算力大户。

Zelikman 的研究核心在于将 强化学习 扩展到“长时任务”，从几分钟的代码或数学问题，拓展到数周甚至数月的现实任务，比如 AI 进行长期决策、战略规划或陪伴型对话。这种研究方向的意义在于，AI 不再追求“一次答对”，而是追求“长期最优”，不再是模仿人类语言的镜像，而是具备自我情绪建模与长期目标权衡的“新智能”。

这类研究极其昂贵、周期漫长，也几乎没有成熟商业模型，但资本依然愿意押注——因为这是对“模型即产品”逻辑的反叛。当整个行业都在卷推理速度与上下文长度时，这些新实验室选择去卷“思维方式”与“行为结构”。

巨头的存在感依然压迫。OpenAI 与 Anthropic 今年合计营收或将达到数百亿美元，并计划到 2028 年累计投入 1340 亿美元 的算力开支，用以训练下一代模型。这几乎让后来者看不到突破口。

然而，这种规模本身也孕育了缝隙。前 Salesforce 首席科学家、You.com CEO Richard Socher 直言：“当你把整个组织、基础设施、招聘体系都围绕某一种范式搭建完，要转向几乎不可能。”他本人也在筹建一家新实验室，计划融资 10 亿美元，目标是“用 AI 来自动化 AI 研究”。

Socher 认为，大模型的研究范式已经被固化在“单次最优输出”上——用户提问、模型回答、循环结束。新的实验室要打破的，是这种“一问一答”的交互结构，让 AI 拥有自我反思、迭代与持续实验的能力。他的目标是打造一种能“自发提出新假设、验证假设、再修正自己”的研究型智能体。

资本押注 neolab，不仅因为好奇，也因为它们提供了一种“更安全的风险”。Adept、Inflection AI、Character.AI 等曾经的明星实验室，最终被 Amazon、Microsoft、Google 收编——投资人虽未暴赚，但至少回本。对于风投机构来说，这种“半退出”模式反而形成了新的安全边界：最坏的情况是卖给巨头，最好的情况是创造下一个 OpenAI。

与此同时，还有更多“细分研究实验室”在崛起。由前 OpenAI 研究负责人 Liam Fedus 创立的 Periodic Labs，正以“AI 自动化科学研究”为目标，率先应用于低能耗超导材料的探索领域。另一个新实验室 Reflection AI，则由两位前 DeepMind 研究员创立，专注于高质量开源模型，正面挑战 OpenAI 与 Anthropic 的闭源路线。

这些实验室共同指向一个趋势：AI 研究正在从“单点能力的竞赛”转向“多智能体协作、长期学习与可解释性”的系统竞赛。它们不像巨头那样追求短期商业回报，而是押注在“研究范式”的更新迭代上。

但问题仍然存在：这些 neolab 能活下来吗？

算力成本仍然是最大考验。当巨头占据高端 GPU 供应链，小团队的计算资源只能依靠创新架构与高效训练策略来弥补，比如稀疏化模型、低精度推理、蒸馏与多专家（MoE）混合系统等。其次，长期任务的评测体系尚未成熟，行业仍缺乏衡量“智能体协作质量”“长期任务表现”“研究自主性”的标准。

真正的挑战，在于商业模式——这些公司如何从基础研究到产业落地，找到自我造血的路径？业内普遍认为，neolab 必须以“中间成果”为核心，嵌入特定行业场景，如自动化投研、企业财务分析、实验材料设计等，让“研究—产品—收入”形成闭环，否则就只能成为巨头的孵化池。