真正稀缺的不是懂AI的技术人,而是能用产业视角看透大模型落地场景、给出投资判断的投资人;当前深度大模型风口下,投资人最核心的能力已经从“看财务模型”转向“穿透技术壁垒、判断商业化路径”。
大模型投资窗口期,为什么懂AI成了投资人的分水岭
过去一年,一级市场最直观的变化是:顶着AI大模型名头的项目,估值动辄翻倍,但真正敢下重注的投资人并不多,行业共识认为,这轮技术浪潮的迭代速度远超移动互联网时代,用传统TMT打法做尽调、看DAU、算LTV,在大模型项目上基本失效。
一个典型的场景是:某家做行业大模型的公司,技术团队来自头部实验室,模型参数和评测分数都很漂亮,但一问到具体客户在哪、客单价多少、数据从哪来,创始人就开始含糊其辞,这类项目,懂行的投资人会直接划掉,因为大模型的商业闭环首先要回答“数据飞轮转不转得起来”,而不是模型刷分多高。
从需求端看,无论是地方政府引导基金布局人工智能产业链,还是产业资本寻找第二增长曲线,都急需一批既能听懂Scaling Law、又能算清ROI的复合型人才,这里要区分两个概念:懂AI的投资人不是AI科学家,而是能用技术语言跟创始人对话、用商业语言跟LP汇报的翻译器。
懂AI的投资人与传统投资人,差距体现在哪三个层面
技术认知层面:从“听概念”到“拆架构”
传统投资人看项目,习惯依赖外部专家访谈,但大模型领域的信息差极其短暂,一份专家报告从撰写到传阅,可能已经错过了最佳出手时机,懂AI的投资人会自己拆解技术架构是用了MoE架构还是Dense模型,训练成本里算没算上数据清洗的边际支出,推理侧有没有做量化压缩,这些细节直接决定项目的毛利率天花板。
估值体系层面:用“单位经济模型”替代“PS倍数”
大模型公司很难用常规的PS或PE估值,因为多数还在亏损或刚过盈亏平衡线,业内专家指出,现在主流做法是看单位推理成本下降曲线和客户留存率对token消耗量的弹性系数,打个比方,如果一家大模型API公司,客户月度调用量增长30%,但收入只涨了10%,说明定价权在流失,这类项目后续融资会非常吃力。
投后赋能层面:从“帮忙招人”到“对接算力与数据”
懂AI的投资人投后做得最多的事,不是帮项目方设计期权池,而是帮忙搞定稀缺的GPU资源、介绍高质量行业数据合作方、协调大厂的模型开源生态,这些资源比钱更稀缺,也是创始人最买账的增值服务。
怎么判断一个大模型项目值不值得投?操作层面的五个步骤
很多人会问,
怎么判断大模型项目的商业前景
,这里给出一套可复用的判断流程:
- 第一步,看算力消耗的真实性。 拉出项目的训练日志或云账单,确认算力成本不是被战略性补贴扭曲的,如果项目声称训练效率行业领先,可以追问是否使用了序列并行、张量并行等工程优化手段。
- 第二步,测数据壁垒的厚度。 用同类数据集跑一次微调,看效果提升是否显著,如果换个数据集就失灵,说明项目没有真正形成数据飞轮,只是堆了一些公开语料。
- 第三步,算客户留存与调用频次。 通过侧面对话客户成功部门,了解客户的token消耗趋势,健康的B端客户,调用量应该在3个月内呈阶梯式上升,而不是一次性采购后闲置。
- 第四步,核查商业化团队的配比。 一家纯算法团队出身的大模型公司,如果销售副总裁是创始人同学且没有B端大客户经验,需要高度警惕,技术理想主义可以聊,但商业订单必须落纸面。
- 第五步,设计估值安全边际。 用“融资轮次+现金储备+月均烧钱速度”倒推下一轮融资的最晚时间点,如果按当前进度,现金只能维持8个月,而产品商业化还需12个月以上,这个项目存在明显的估值下修风险。
大模型基金里,懂AI的投资人都在哪些细分岗位
从岗位设置来看,大模型投资方向已经出现明显的专业化分工:
- 技术尽调岗:全职跟踪开源社区的技术演进,输出模型评测报告,关注推理成本与训练效率的月度变化,部分机构要求该岗位具备独立复现主流模型训练流程的能力。
- 产业研究岗:深入垂直行业做需求侧调研,比如金融大模型要跑券商和银行的合规流程,医疗大模型要吃透卫健委的数据隔离政策。
- 投后运营岗:负责对接算力供应商、数据服务商和潜在的行业客户,这个岗位的核心KPI是帮被投企业拿到真实的付费合同。
对比传统TMT投资团队,大模型方向的投资人普遍要求硕士以上学历,且有过硬的数学或计算机背景,但也有例外少数出身产业、在头部云厂商做过解决方案架构师的从业者,因为懂客户痛点,转型做投资后反而比纯技术背景的人更有优势。
想转型做懂AI的投资人,不建议一上来就刷论文
AI投资人需要什么技能
,这个问题没有标准答案,但有一个路径是明确不建议的:不要只花时间在arXiv上追论文,也不要迷信刷几门深度学习的网课就觉得懂了,更实操的做法是:
- 每个月抽出两天,自己动手部署一次开源模型,用LoRA微调一个小数据集,感受从模型加载到推理的完整链路。
- 建立“算力台账”习惯,把主要云厂商的GPU租赁价格、主流开源模型的训练成本做成动态表格,这是后续做财务测算的基本功。
- 刻意练习“3分钟技术翻译”:看到一个模型效果数据,能快速转译为对下游客户的价值,这个OCR模型把票据识别的错误率降了40%,意味着财务共享中心的审核人力可以削减三分之二”。
- 定期跟一线交付工程师聊天,而不是只约创始人,交付工程师最清楚哪些功能客户买完后悔,哪些定制开发是无底洞,这一手的负反馈信息价值千金。
大模型投资方向,职业回报和门槛同样显著
从公开招聘信息看,头部美元基金和产业CVC都在增设AI投资岗位,薪酬区间相比传统投资分析师有一定上浮,核心原因是复合背景的候选人供给严重不足,这个岗位的隐性门槛也不低至少要有一次成功或失败的AI项目全流程投资经历,才能积累下对节奏和节点的真实感知。
关于大模型创业公司的估值逻辑,目前市场上也有明显的分化,对于基础大模型公司,资本更看重技术密度和融资节奏,
大模型创业公司估值怎么算
已经成了一门新课题,常见的锚点是用“训练成本×技术壁垒系数”作为底价,再叠加预期市场空间,但实操中争议极大,对于垂直行业大模型,估值核心转移到“单客经济模型”和“可复制性”上,比如同一套模型服务不同客户的边际成本是否趋近于零。
对从业者来说,一个不得不面对的现实是:这个岗位的知识折旧速度极快,半年前关于MoE的认知,可能已经被新的稀疏化方法颠覆;半年前关于算力紧缺的预判,可能因为推理侧芯片的迭代而不再成立。持续感知技术潮流,保持稳定的学习节奏,比任何固化的知识体系都重要。
Q&A:懂AI的投资人”最常见的追问
AI投资人的日常工作内容与之前有什么不同?
最大的不同是开会对象变了,以前看消费互联网项目,上午见CMO聊用户增长,下午见CFO聊单位经济模型,现在看大模型项目,上午跟CTO讨论显存优化的具体实现,下午跟解决方案架构师聊客户现场部署的痛点,每一场会都需要扎实的技术常识打底,否则连提问都问不到点子上。
没有技术背景的人转型做AI投资,最先补什么?
最先补的是成本结构感知,而不是算法原理,能算清楚一次模型训练的电费和云账单,能估算出一条API调用链路的边际成本,远比你理解Transformer的注意力机制有用,成本感知是商业判断的基石,技术原理可以后续慢慢补。
现在市面上哪些项目最受懂AI的投资人青睐?
两类项目意图很明显:一类是深度绑定真实业务场景、数据飞轮已经转起来的垂直大模型应用;另一类是针对模型推理效率做工程优化、能实打实降低部署门槛的工具链项目,相比之下,只讲参数规模、讲不出行业付费逻辑的基础大模型项目,在一级市场的融资难度已经明显增加。