硅谷坐标 x 微软战投Alan Du：AI时代软件的护城河

你怎么看待微软的护城河？它是变强了还是变弱了？

变得非常强了。Context is king，context 是王道。实际上，最终的护城河在哪里？是 workflow 的 know-how，是独有的企业级数据。真正有用的数据实际上都在防火墙后面，一般做 agent 的公司不能轻易拿到。

整个 AI 算力的规模，实际上已经超过了万亿级别。你看，最大的 AI 公司，包括 OpenAI、Claude 这样的公司，它们所有的年化 ARR 加在一起可能都不过 100 亿美元。

你是微软战投 M12 的合伙人。微软又是最重要的企业软件玩家之一，你在微软的生态里看到的是最前沿的软件变化。你今天的分享对我们来说会有非常重要的指导意义。你可以先给我们介绍一下 M12 吗？

1. The M12 Investment Mandate

可以，感谢热情邀请。M12 是微软的战略投资基金，我们直接从微软的资产负债表上做投资，每年的投资额大概是 1.5 亿美元左右。

我们主要关注几个方向。首先是基础设施，包括算力、新一代芯片和硬件；再往上会看软件，包括水平软件、数据库等科技类项目；此外还会关注垂直领域的具体软件应用。这里面也包括网络安全，甚至到后期还会涉及 gaming、游戏产业，以及一些更前沿的技术。基本上就是这几个大方向。

你们一般投哪一个阶段？Ticket size 有多大？

Ticket size 基本上是 500 万到 1,000 万美元。我们一般愿意和比较头部的财务投资人合作。基本上能叫得出名字的机构，大多都有和我们合作的 use case。

我们主要 focus 在 A 轮和 B 轮之间。当然有时候也会例外，会看一些更早期或者更后期的项目，没有特别硬性的规定。但是我们对外说，基本上以 A 轮、B 轮为主。

所以你们更多是处在跟投、而不是领投的角色，对吧？

对。我觉得跟投与领投，实际上从创业者的角度来讲，有一个好的商业投资人、财务投资人作为领投，会更合适。因为在价格制定以及投资条款制定方面，财务投资人可能会做得更专业。

第二，由于战略投资基金往往会带有自己的商业考虑，所以在投资时考虑的维度可能不太一样。考虑到这些因素，财务投资人更适合做领投。

我觉得领投与否，更重要的是要看战略投资基金投多少。多数战略投资基金投的 ticket size 相对较小，很多比较有名的 SaaS 公司，每次可能只投 50 万、100 万，或者大概几百万美元。像微软 M12 这样一次能投 500 万到 1,000 万美元的战略投资基金，还是相对少的。

我们也愿意提供更多资源。所以我们带来的不光是 500 万到 1,000 万美元之间的资金支持，更多的是微软后端庞大的生态系统，以及能够给被投公司带来的商业价值。

如果有一个初创公司想去融资，你觉得它应该怎么思考：是应该去找企业战略投资部，还是去找独立的 VC，也就是财务投资人？

2. Startups Need Speed And Capital

我觉得都要去。我的建议是两边都要聊。

现在我们看到特别多 AI、深科技领域的创业者，他们的技术性非常强，聊的东西也需要投资人具备一定的技术经验和门槛。如果光跟财务投资人聊，可能聊的深度是有限的。所以在确定财务投资人领投之外，我建议再去找一些比较合适、比较懂这个领域的战略投资人，帮你 round out 这个 round。

这样的话，我觉得这个 combination，也就是这个组合，实际上是非常 powerful 的，而且会给整个市场一个非常强的信号。

如果有一个初创公司出来创业，很担心自己的 idea 很快就被大厂的一个 feature 淹没，那作为 M12，你会怎么样考量这个初创公司面对大厂时真正的生存空间有多大？

我觉得这个担心有点被过度放大了。最早开始涉入 VC 领域的时候，经常有人问我：“我在做一家公司，为什么 Google 不能这么做？”

Google、微软、Amazon 这样的公司非常庞大，但真正涉及具体产品时，往往只是一个很小的团队在做某一个具体产品。它们能够调用到的资源也是有限的。

还有更重要的一点，就是速度。很多情况下，大公司由于现有产品已经非常赚钱，或者已经卖给了很多客户，再做新的产品、自己去革命自己，会有一定阻力，也会有一定惯性。

作为初创公司，你没有前面的那些包袱，可以跑得更快，可以用最新的技术，也可以反复试错。相对来说，你的试错成本又很低。因为你是一个初创公司，而不是 Amazon、Google 或微软这样的公司。大公司出一点错，客户可能都非常不愿意原谅你。

初创公司一般卖给的对象，可能也是相对来说比较像初创公司的客户，他们更愿意试错。对你来说，你可以迅速迭代，迅速调整产品，还是有非常大的优势。

除此之外，大公司、大平台更多是在专注于建立通用技术，比如针对市场中 80% 用户的技术。作为初创公司，你可以先找到一个相对 niche、比较窄的垂直领域，而这个垂直领域是你非常懂的。

你不去做 80% 的通用技术、通用软件，而是做 1% 或 2% 的垂直软件、垂直技术，这实际上也可以做得非常大。

今天想跟你聊一聊软件行业的整个背景。软件行业从去年开始发生了很大的变化。你怎么看待现在这些公司？哪些是被颠覆的，哪些可能是部分被颠覆的，哪些可能是被错误定价的？又有哪些公司的护城河在这个过程中被增强了？

3. AI Rewrites Software Moats

这是大家在市场上经常说的 trillion-dollar question，也就是万亿级的问题。

我觉得首先，SaaS 公司、软件公司不能一概而论。软件分垂直软件和水平软件，里面的细分层次又非常复杂。

我觉得最容易被颠覆的软件，属于那种类似“搬运工”的软件，比如把数据从这里搬到那里。这类软件非常浅。

第二，类似 RPA，也就是 Robotic Process Automation。这类软件最早只是把你的行为录下来，录下来之后再用机器重复你的行为，技术相对来说比较简单。现在用 AI agent、智能体去替代，它已经从最早的录制和重复，发展到现在的 reason，也就是推理，然后再 act，也就是执行。

我觉得这是一个非常颠覆性的技术，可能会取代市场上绝大多数提供 RPA 服务的公司。

除此之外，单 feature、单功能的软件公司肯定会被颠覆。一个很好的例子是，我前一段时间和一个朋友聊到，他去做核磁共振，然后跟医生说：“你把拍出来的片子给我好吗？”医生给他寄了一个 CD。

他把 CD 放进电脑一看，首先，现在能读 CD 的设备基本上已经没有了。放进去之后，他还发现需要一个非常特殊的软件。这个软件是一家公司提供的，他需要花几百美元去买。他说：“我不可能花这个钱。”于是直接把文件扔给了 Claude，Claude 实时生成了一个软件，把这个文件读取出来了。

类似这种非常薄、非常 single-feature，也就是单一功能的软件，我觉得非常容易被颠覆。

除此之外，还有我们经常提到的 consulting，也就是咨询公司，以及做 research、市场调研的公司。我觉得这一块也很可能很快被取代、被颠覆，而且现在我们已经看到它正在发生。

作为一个 consultant、咨询师，你其实就是读取大量二手市场材料，可能会做一些一手市场调查，但多数还是以二手材料为主。你肯定跑不过 agent 的速度，它可以在很短的时间内读完网上有限的、能够看到的资料，这一点你没法和它竞争。

那什么东西不容易被取代、不容易被颠覆呢？其实你看，在部署 agent 的时候，agent 首先是一个智能体，但它需要大量 context，对吧？它需要大量真实的数据，我们经常叫 ground truth。也就是说，数据本身的真实性和数据来源，是提供 agent 的公司没有的。

它更像是从外到里这样一个 motion。如果你是 Atlassian 或 ServiceNow 这样的公司，本身就是企业信息流非常自然的焦点。不管是 ticketing、IT support，还是后端的 Slack 等聊天软件，整套信息都会集中在某一个点上。ServiceNow 这样的公司就变成了一个非常自然的焦点。

这种公司我觉得非常有持久性。为什么？因为它实际上不会被 agent 取代，而是在 enable agent，给 agent 提供它真正需要的信息。这一点很难被取代。

还有一点更重要。最早制造汽车时，是作坊式的制造，从发动机到轮胎，再到拧螺丝，基本上都要由一个师傅一套做下来。后来变成非常 specialized、非常专业化的流水线，每个人的工作就是拧某一个螺丝。

如果一个公司的核心竞争力是服务 healthcare、服务健康产业，那它的核心竞争力并不是搭建一个 AI agent。假设它要搭建 AI agent，取消掉现有供应商，那它是不是还得出去招专业人士？这些专业人士很贵，招来之后还要做测试、做合规。这样算下来，成本可能并不划算。

还有责任转移的问题。当出现任何问题时，你可以直接找 ServiceNow 或 Atlassian，它们会负责帮你回滚、patch。如果完全由自己建立，那责任人就是自己，甚至责任就在 agent 这里。后期怎么解决 support、回滚、patch、remediation 这一套流程？

企业如果算一笔账，很快就会发现，完全自己建立这套系统可能并不 make sense。

所以像 Atlassian 的 CEO 之前接受采访时说，企业真正的护城河，是它们积累了几十年的流程经验。这就是它们的护城河，对吧？

对，说得完全正确。

举一个例子，我这个数据有点老了，但我觉得还是非常有代表性。GPT-4 已经是感觉很久以前的一个尖端 model。GPT-4 在整个训练过程中大概用了 1.5 petabyte 的数据。这个数据听起来好像很大，但实际上和真正企业防火墙后面的数据量相比，微不足道。

像 JPMorgan、我之前所在的公司 PayPal，每家公司防火墙后面都有 15、20、30 petabytes 的 data。很明显，GPT-4 达到这样的智能水平，采用的数据量其实只是一小部分。

当企业能够合理利用自己的数据时，对性能和可用性的提升会非常可观。所以 Elasticsearch CEO 讲的完全正确：真正有用的数据实际上都在防火墙后面，一般做 agent 的公司不能轻易拿到。真正的 moat 就在那里。

传统软件公司加上 AI 功能，对比 AI 原生公司，你更看好哪一个？

我觉得要分开来看，首先要看针对的客户是什么。

传统软件公司卖给大企业。大企业的采购流程非常复杂，而且可能涉及严格、复杂的监管程序，所以它更愿意购买微软这样的公司的服务，因为成熟的服务体系已经建立起来了。

对大企业来说，一旦出现错误，成本非常高，甚至不能容忍。相对来说，服务新兴产业或者其他 startup 的公司，可能更愿意使用 AI-native 工具。新的、小的 startup 招来的人，可能在学校时就一直使用这些新工具进行试验。对它们来说，试错成本很低，也可以跑得更快。

我之前说过，作为 startup，怎么保证不被 Google 的 feature release 淹没？就是比别人跑得更快，敢于试用新的工具、新的平台、新的 model。

所以我觉得，针对不同市场，这两类公司都可以活得很好。

你怎么看待微软的护城河？它是变强了还是变弱了？

我觉得总体来说是变强了，而且变得非常强。

回到刚才的话题，真正最终的护城河在哪里？就像你说的，是 workflow 的 know-how，是独有的企业级数据。

微软服务于全世界所有企业，甚至大多数个人都在使用微软的服务。我们能够看到的数据，以及人在生产过程中积累的 know-how，我觉得很少有公司能够和微软相媲美。

这一点在搭建 agent 时非常重要。虽然我们的速度可能没有别人快，但真正搭起来的 agent，在使用体验上可以做得非常好。

还有更重要的一点，企业购买软件、购买服务时，还是存在一定惯性的。每 onboard 一个新软件，都有非常复杂的流程。很多公司的区分并不发生在技术层面，而是发生在非技术层面，比如人与人之间的交流。

销售团队懂不懂怎么卖给 enterprise，懂不懂怎么卖给 SMB，也就是中小企业，实际上完全是不同的事情，甚至需要讲不同的语言。

所以在这一块，现有渠道和 distribution 是非常难以跨越的护城河。

当然，我觉得微软自己做的产品在很多地方也需要提升，尤其是用户体验。比如 GitHub Copilot，我们承认还有一些提升空间。但对微软来说，由于前面有大量积累，有庞大的用户群体和生态群体，一旦需要提升质量和性能，我们可以做得非常好。

资本市场一直在反复讨论微软这样的大厂的资本开支和 AI 收入之间的落差，包括 Google 的 CEO 也承认，可能会有一些 AI 泡沫的元素。

从微软的角度，特别是你们看到的企业真实部署环境来看，现在有多少比例是真正部署，多少比例还在 POC 和探索阶段？趋势是怎么样的？

4. The AI Deployment Gap

AI 的应用部署不是齐头并进，也不是水平式地前进，而是在某些领域跑得非常快，在某些领域基本为零。

很好的一个例子就是 AI 写代码。现在我们碰到的公司，甚至微软内部，绝大多数写代码的过程都已经被 agent 取代了。在这一块，AI 的推进非常快。

有一些领域会稍微慢一些，比如传统生产制造业、healthcare 等。我觉得 AI 在这些领域还处在慢慢开始的阶段。这里面有很多非技术上的原因，监管、privacy，也就是隐私和法律方面的一系列要求，都会限制它的进度。

说回投资，泡沫这个词其实是一个非常不严谨的叫法。首先，泡沫的定义是什么？我觉得要把价值和价格分开来看。AI 有没有价值？当然有价值，这一点没有办法质疑。

但在价格上，是否存在跟风，或者我们叫 FOMO，也就是错过恐惧症？绝对存在。很多初创公司由于创始人背景很厉害，出来之后可能产品还不成熟，甚至技术研发都刚刚开始，就可以融到几亿美元，甚至 10 亿美元这样的种子轮。

我觉得这可能是市场多少有一些过热、多少有一些 FOMO 的表现，这一点是存在的。

从具体数字上看，整个 AI 算力以及早期公司的投资，实际上已经超过或者接近万亿级别。最大的 AI 公司，包括 OpenAI、Claude 这样的公司，它们所有的年化 ARR 加在一起可能都不过 100 亿美元。

这中间有一个很大的落差。有人估算，这可能是 1 万亿美元，甚至大约 8,000 亿美元的 gap。也就是说，接下来 3 到 5 年，这些公司或者新兴 AI 公司需要产生大约 8,000 亿美元的总体营收，才能 justify 前面万亿级别的投资。我觉得这个 gap 还是挺大的。

市场可能需要重新考虑早期公司的投资定价。第二，硬件和算力中心的投资可能更需要专注于效率提升，而不只是建设新的 data center。可以通过开发新的硬件，或者在软件层面提升现有数据中心的使用率。

现有数据中心在看 GPU 集群时，使用率非常低。有人会说是 30% 到 40%，但我们可能觉得还会更低。你花了上万亿美元投资建设这么多 data center，使用率却这么低。接下来是继续建设新的 data center，还是 focus on 提升现有 data center 的使用率？我觉得这是市场在接下来 12 到 18 个月需要搞清楚的一件事。

为什么 GPU 的使用率这么低？

这里面的原因很复杂。首先，GPU 在做训练或 inference 的时候，failure，也就是失败率、出错率非常高。有时候会出错在软件层面，甚至有时候会出错在 GPU 与 GPU 之间，或者 blade，也就是板子与板子之间的连接线安装上，都可能造成整个训练过程出错、失败。

出错的原因有很多。还有一点，在做训练时，他们会 over-provision，也就是放入很多备用 GPU。这些 GPU 平时是空闲的，但一旦出错，就需要马上把 workload shift 到另外的 GPU 上。这是非常有益的一种做法。

有没有什么好办法可以改进？

有。现在有人提出，能不能像早期用 VM，也就是虚拟机的方式一样使用 GPU。VM、Docker container、Kubernetes，实际上最早都是为了提升硬件使用率。大家就在想，是不是也可以用同样的 VM 方式解决 GPU 使用率的问题。

我觉得硬件方面也会出现很多新技术，去 tackle GPU 大约 70% 的 failure。其中可能有 10% 到 25% 的原因出在硬件数据线的连接端，这些都有可能造成问题。

光纤是一个比较昂贵的替代品，但光纤本身也有一些物理特性。比如它对温度敏感，温度提升或降低 1 摄氏度，都可能影响 performance。光纤的弯折也可能造成信号衰减，如果里面的管子弯到一定程度，就会产生问题。

这些问题都会导致 GPU 在跑 training 或 inference 时出错。

现在也有一些新技术，比如用 mmWave，也就是毫米波，去替代铜线或光纤。大家实际上都在从不同角度解决 GPU 使用率低和降低出错率的问题。

这样可以把原来 30% 甚至更低的使用率，提升到 60% 到 70%。与此同时，还可以提升 energy efficiency，降低能源需求。

想跟你聊聊 M12 的 portfolio。你们一共投了 100 多家被投公司，其中 15 家是独角兽，6 家已经 IPO 了。你可不可以给我们提供一张 portfolio 的投资画像？哪些是你们重仓的赛道？有哪些代表性公司？

重仓的赛道有几个。

5. M12 Builds An AI Portfolio

第一个是新的硬件。比如用光学取代传统硬件、传统芯片，这是现在非常热的赛道，我们也做了一些布局。在硬件层面，比较有代表性的公司包括 Neuro Flux、D-Matrix，这些都是非常成功的公司。

另一个方向是数据。大家都能看到，数据是最终的护城河之一。我们也投了 MicroOne 这类公司，帮助企业获得一手的、有针对性的、非常干净的高质量数据。

除此之外，我们也投了一些网络安全公司，在 AI-native 的情况下提供网络安全服务和模型安全。比较有代表性的公司包括 HiddenLayer、Rich Security。对于模型 performance 的 eval，也就是评测，我们投资了 Arise 这样的公司。

我们还看了一些垂直领域的公司。比如最近投了一家叫 Datarail 的公司，它用 AI 替代传统供应链上的一些 workflow。我觉得这家公司是我们在垂直领域投得比较好的一家公司。

还有一个领域我差点忘了，就是 gaming。Gaming 实际上正在慢慢回暖。之前整个游戏产业的投资量非常低，我觉得现在正在回暖，尤其是在大量世界模型、物理模型开发的情况下，gaming 变成了一个非常自然的使用场景，也让大家对整个游戏产业有了新的兴奋点。

除此之外，我们也在慢慢看一些区块链项目。区块链产业本身并不新，但对我们来说，寻找它和 AI 的结合点是一个相对新的课题。尤其是 agent 的管理、agent 身份的管理，甚至 agent 支付这一块，我觉得可能会看到一些区块链技术的应用，所以我们也在慢慢发掘。

你之前在 PayPal 的 venture 部门做投资，支付赛道也投了很多经典标的。在 AI agent 的时代，支付范式和原来有什么不一样？

6. Agent Payments Need New Rails

非常不一样。首先，支付的人变了，接受 payment、接受支付的对象也变了。

大家现在讲 agent 支付、智能体支付，市场基本还停留在叙事、实验和 demo 阶段。真正由智能体大量进行支付的场景，基本还看不到。大家觉得这可能会是下一个爆发点。

很多 obstacle，也就是挑战，首先存在于法律层面。法律规定智能体不能拿个人的信用卡信息，这违反了 PCI compliance。任何个人信息，尤其是信用卡支付信息，都不能直接给 AI。

这就衍生出几个早期解决方案。比如 Stripe 早期推出过一个方案，给 agent 一张虚拟卡，相当于一次性的卡。你可以提前设定卡里只有 100 美元，然后让 agent 去购物，花完 100 美元就结束，从其他维度限制 agent 的自由。

我觉得这不是一个长期、可持续的解决方案。首先速度很慢，而且仍然是在利用真人身份衍生一张新的信用卡，成本也很高。

此外，如果让 agent 买东西后出现纠纷或错误，原本是你和商家之间的一对一问题，现在变成你、商家和 agent 三方之间的问题，纠纷会变得非常复杂，也很难解决。

另一种解决方案是 Visa、Mastercard 推出的 tokenized credentials。它跳过虚拟卡这一部分，直接使用个人 credentials，也就是个人身份信息，连接到你的银行，然后告诉银行你可以支付多少钱，比如可以支付 5 美元，再通过 tokenized credentials 去 authenticate 这个 payment。

我觉得从近期来看，这还是相对可行的方案。但它还不能叫完全纯粹的 agentic payment，因为归根到底，使用的仍然是真人的身份。

如果我是公司的采购员，需要 agent 同时帮我采购，比如做大模型训练时采购数据、采购算力，甚至采购其他东西，那么 agent 本身使用谁的身份？是使用我的采购员身份，还是它自己拥有一个 agent-native 的身份？这是一个很难解决的问题。

怎么给 agent 自己的身份？这个身份怎么变成一个可以 verify、可以审计的身份？这些都需要解决。

另外，我们过去看到的多数支付场景是一对一的。我去商店买东西，给商店付款。但刚才描述的场景中，agent 可能要从一个地方购买 data，从另一个地方购买算力，再从别的地方向模型提供商付款。

这种交互场景往往不是以 1 美元，甚至不是以 1 美分为单位，而可能是 fraction of a penny。这时，传统支付轨道跑不了这种 micro-payment，也就是微支付。

原来是一对一的支付关系，现在可能是一对多，甚至一对多再对多，存在不同层次。传统的 payment 管道可能解决不了整个流程。

真正要做到 agent 拥有自己的身份、permission，并且和多个其他 agent 交互，传统体系肯定解决不了。它需要一套全新的 infra 来 enable 这个场景。

现在已经有一些初创公司在尝试，但还没有发展到非常成熟的阶段。

在刚才说的支付轨道中，相比 Visa、Mastercard、PayPal 这些老玩家改造已有的支付轨道，和 Web3、crypto 新玩家建立新的基础设施，你会更看好 Web3、crypto 这样的玩家吗？

我觉得还是取决于具体使用场景。

如果只是简单地让 agent 在网上帮我找一双跑步鞋，这完全不需要用 stablecoin，也就是稳定币来解决。这个场景相对简单，用传统支付轨道可能更廉价、更可靠，也更安全。

但如果涉及刚才描述的复杂场景，比如 agent 一对多、多对多地交互，而且支付金额非常小，甚至不只是 micro-payment，而是 streaming payment，也就是每使用一定算力就马上计价并支付，那么在这种场景下，稳定币的使用可能会有一些潜力。

再跟你探讨一下网络安全。疫情期间，城堡内外的物理边界被打破。现在从 agentic AI 开始，你有没有看到网络安全出现什么新的范式？

7. AI Needs A New Security Model

目前在 agent 这一块，大家聊得最火的题目之一就是 agent identity，也就是 agent 的身份。

早期 agent 借用人的身份去做一些工作，比如调用 API。现在大家开始说，agent 必须有自己的 agent-native identity，甚至还涉及 agent 的运行过程。

早期的网络安全，简单来说像是看门：确定你这个人可以进来。进来之后做什么，可能会有一些简单的解决方案，但更多时候，系统默认你作为一个有智慧的人，不会乱调用工具，不会做不该做的事情。

人们对 agent 的信任还没有达到这个程度。现在我决定这个 agent 可以接触 resources，包括 data 和各种工具，但我还要实时看到它在做什么，后期还要能够审计。agent 出错时，怎么做回滚、remediation？这套系统现在是大家非常关注的领域，也已经有一些不错的公司。我觉得，一是融了很多钱，二是可能已经被收购。

比如 Security AI 和 Vesa，都是相对成功的案例，尤其是在 agent identity 这一块。

另外一块是数据安全，这也是一个永恒的话题。当 agent 实时调用数据时，数据安全防御体系必须非常严密，因为很多数据 agent 不能看到，比如涉及个人隐私的数据。怎么进行更颗粒化的管理，也是一个比较热门的话题。

除此之外，model security 也是一个大家一直关注的领域。比如我们之前投的 HiddenLayer，还有之前有一家叫 Protect AI 的公司，也被很高的价格收购了。

大家会对模型进行 Red Teaming 或 Pen Testing，确认模型投入使用之后，不会受到 Prompt Injection Attack，也不会被诱导泄露秘密数据。

模型部署在外部之后，不能被黑客攻击，不能让模型泄露客户数据或隐私数据。这一块也非常受关注。

你觉得传统安全公司已经具备解决这些新问题的能力了吗？

很多都没有。

首先，agent 的出现完全创造了一个新的 attack surface，也就是攻击面。传统网络安全以被动防御为主，现在则需要变成主动防御。

因为 agent 做事的速度，以及它可能造成的潜在风险，是传统被动防御无法预见、也没有办法避免的。所以，如何提供主动防御非常重要。

就像刚才说的模型安全，大家投入了很多资金和精力研究这一方面。Red Teaming 就是主动防御的一个代表。传统的 firewall，或者 human identity 这一套体系，无法解决这些问题。

除了 agent 本身作为新的 attack surface，还有数据安全。AI 的部署首先改变了 threat actors，也就是威胁主体。过去威胁几乎都来自外部，现在内部也可以形成威胁。

agent 可能受到外部 Prompt Injection 的影响，也可能自己产生机器幻觉，从而造成很多无法预见的内部威胁。这个问题现在很难解决。

agent 的 runtime security，也就是运行时安全，现在也是非常难解决的一件事。你可以知道自己给了 agent access，它可以进入几个不同的环境做事情，但它实时正在做什么，做的事是不是你让它做的，是不是合规的，现在很难真正看到。

很多公司说自己在做 runtime security，但真正做到规模化的公司，我们现在还没有看到。

现在 AI 能够胜任编写底层代码吗？比如数据库引擎，特别是对延迟、吞吐量和稳定性要求极高的环境。

8. AI Coding Hits Its Limits

我觉得现在写底层代码可能还有一定距离，主要还是停留在应用层面。

底层代码的复杂程度远远超过现有 agent 的能力范围。而且底层代码本身存在概率性因素。agent 写代码时，里面有一个概率性的元素，但底层代码可靠度不能是 99%，必须是 100%。

底层代码、底层工具和底层 infra 一旦出错，整个公司可能面临毁灭性的打击。所以首先，agent 的能力还没有达到那个阶段；第二，人对它的信任也还没有达到那个阶段。

在 application 层面，也就是应用层面，写代码出现一定概率的错误是可以容忍的，因为一旦出错，产生的风险和 damage 实际上是有限的。

这样的能力边界，对 infra 领域的创业公司有什么启发？

在写代码这一块，大家最熟悉的可能是 Codex、Claude Code。除此之外，还有 OpenHands、OpenCode、Kilo Code、Cline 等相对来说比较 open source 的平台。

由于机器写出的代码数量在飞速增长，很多人会想：做 code review 的时候，是不是也要用机器来做 review？这肯定是需要的。

多数时候，你把 code 给另外一个 engineer review，对方有自己的工作，可能只是大概看一下有没有差异，基本上是一个 check-the-box 的过程。

这一块现在有很多有趣的公司，比如 CodeRabbit、Qodo、Graphite。这些公司融了不少钱，成长也相对比较快，因为大家对机器生成代码的质量仍然存在一定程度的质疑。

除此之外，基础层面的软件或代码出错成本非常高，所以需要在早期的 planning stage，或者做设计时，就有 AI 辅助，确定后端怎么写 code、后端软件怎么写，以及合规和风险控制应该怎么设计。也就是说，这些问题要在最早的设计层面就被考虑进去。

现在已经有一些有趣的公司在这个层面取得了小的 traction，比如 Clover Security、Prime Security，以及 Clearly[?]、Sezzle[?]、Depth First[?]。这个 list 还是很长的。

它们的理念是，在 code generation，也就是代码生成这一块，用比较前沿的模型，比如 Opus、Codex，已经可以写得很好了。真正能够形成护城河、长期站得住脚的是什么？是必须确保记忆和 context 集中在自己的这一层。

Claude Code 和 Codex 如果有一天决定变成一个完全 closed 的 system，像 Claude Code 一样，可能会威胁很多 open source 平台的生存。

Code review 本身负责 review 最终成品，但它看到的 context 非常有限。很多人现在的想法是，真正能看到更多 context 的地方，还是刚才提到的 design，也就是软件设计层面。

在早期设计层面，接触的数据非常多。你要看 Jira 里的 ticket information，要看 Slack，还要看 Notion board。这就变成一个非常自然的焦点。

在整个软件设计流程中，公司对软件的偏好、个人喜好、个性化设置，甚至具体产业的要求，都会集中在这一点上。处在这个位置的公司能够看到所有 context。我觉得这实际上是一个非常有趣的领域，我们现在也确实在看得比较多。

最后最简单的一句话就是：Context is king。Context 是王道。在整个流程中，谁能抓住 context accumulation，也就是 context 的集中，谁最终就有可能跑赢。

最后一个问题，想问一下合规行业的 AI 落地。比如医院、金融行业这样的强监管行业，AI 落地的难度可能不在技术本身，而在合规、可审计以及问责。合规行业的 AI 未来应该怎么样往前推进？

9. Regulated AI Needs Know How

我觉得这实际上不是技术问题，而是 know-how 的问题。

首先，你必须在这个领域待了很久。往往最后卡住这些公司、让它们受到阻力的地方，并不在技术层面。能够把整套复杂的合规流程跑通，才是真正的重点。

举一个例子，我们现在投了一家软件平台，但还没有发布这个信息，可能下周才会发布。这家软件平台帮助其他软件公司，尤其是网络安全公司，把产品卖给政府。

政府相关业务往往是高监管、高风险的具体应用场景。很多公司不愿意花时间和精力研究怎么把产品直接卖给政府。

尤其是美国联邦政府，有一套相对严格的审核体系，叫 FedRAMP。除非是一家特别大的公司，有足够多的资金，可以请很多律师和审计师来做，否则整个流程的成本可能要达到 500 万到 1,500 万美元，流程总长度则是 3 年。

这使得绝大多数公司对高监管、高风险的生意望而却步。它们可能连自己现有的客户都服务不过来，为什么还要花这么多钱，而且要 3 年以后才能看到效果？

实际上，在网络安全领域也会看到类似的公司，叫 MSSP，也就是 Managed Security Service Provider。它更像承包商或者中介，把别人的软件卖到自己的平台，再由平台转卖给后端的医院系统、政府系统，甚至大型公司。

这就把整个合规负担，从软件公司本身转移到了中间商这一层。中间商积累了很多年的经验，对整个流程非常了解，甚至已经有现成的渠道。

对于想进入高监管环境的公司来说，我觉得这是一条很好的解决方案。这也是我们投资这家公司后，发现客户会主动来找我们的原因。我们不需要花太多精力去说服客户，因为客户已经在这方面 struggle 了很久。

如果要给现在正在创业的人指一个比较看好的方向，你会指哪些方向？

方向不敢说。我觉得 AI 的普遍部署、大众化，甚至平民化，使创业成本和创业门槛变得非常低。

早期云的部署让软件公司创业、做新产品变得很容易。你不需要自己建设数据中心，也不需要购买大量机器。AI 尤其替代了写代码的需求，你甚至不需要学习写代码，就可以利用 Lovable、Replit、Cursor、Codex 这些非常普遍的系统，写出相对完善的小程序和小产品。

创业门槛变得非常低。但对你来说门槛低了，对大家来说门槛也都低了。更重要的是，差异化最终会出现在哪里？

我觉得是在你针对的某个领域，以及你自己的 know-how。比如你来自传统健康服务产业，对这个产业非常了解，很多细节是别人不知道的。虽然大家使用的工具都一样，但你可以更合理地利用这些工具，而且在早期设计产品时，就知道哪些东西只有在这个产业里待过、深入了解过的人才知道。

这才是真正做出差异化的地方。

你在微软的战略投资部看到了这么多创业项目，最想给创业圈的伙伴们什么建议？

首先在技术层面，很多新的创业者都非常优秀。但我经常遇到的问题是，他们在后期产品化、市场化方面还有一些欠缺。当然，这很多都需要经验积累。

尤其针对华人创业者，我有一些小建议。早期不要只考虑技术层面的事情，而要在整个生态系统里做一些调研，了解你做的技术将来的应用是什么，针对的市场又是什么。要把技术的应用具体化一些。

除此之外，在早期融资过程中，不要只考虑一定要达到某种估值，或者一定要拿到非常大的投资机构的钱才算成功。很多情况下，早期创业更重要的是速度。

你能够找到相对合理的估值、相对合理的条款，以及一个真正能够帮到你的投资人，其实更重要。这会让你的速度提升很多。

融资量方面也可以更灵活一些。我知道，做基础模型开发，原来的起步价非常高。现在随着整个产业增长，起步价可能降低了，但如果要做基础模型训练，可能还是需要 3,000 万到 5,000 万美元。

这会让很多投资人比较头痛：第一笔怎么融这么大的款项？我觉得可以把它拆分开。比如先融 500 万美元，先做出一定的早期 proof of concept，做出一些可以给人演示的东西。

把一个很大的融资 round 拆分成 1 到 2 个小的融资 round，把 milestone 设得更小一些，最后可能反而能让你跑得更快。

还有一点，我会看到很多创业者非常熟悉自己的领域。在自己的领域内，他们认识所有人、所有公司。但你做的产品不一定只卖给自己的领域，可能要卖给很多其他垂直领域，甚至是你完全不了解的领域。

所以在早期搭建团队时，要考虑这个人是不是和你一样只做技术，还是在技术之外，对其他产业也有深入了解，知道怎么帮你做 go-to-market。这些都需要在早期考虑。

另外，尤其是华人创业者，我也见到很多人在这方面踩坑。他们可能因为性格或文化，更愿意和其他华人一起创业。我觉得团队的多元化也可以纳入考虑。

毕竟你做生意时面对的对象不只是华人企业，可能还涉及其他传统产业。团队需要有不同背景的人，提供不同的 perspective。

所以在早期搭建团队时，我更建议跨出自己的舒适圈，去了解其他背景的人。团队成员不光要在技术上认同你，更重要的是在其他 skill 上形成互补，弥补彼此的 gap。

此外，我也打一个小广告。我非常喜欢和创业者合作、聊天，因为在这个过程中，对我自己也是很大的提升。我也曾经帮助过很多优秀的创业者融资，以及考虑后端的业务拓展。

有兴趣创业、愿意找我聊天的伙伴，我也很开心、很欢迎。