Neolab 爭議：沒有百億美元，AI 新創還能怎麼贏？

本文整理自 TBPN Podcast 2025 年 12 月播出的單集。

「Scale is all you need。」這句話在 AI 圈幾乎成了信條。OpenAI、Anthropic、Google DeepMind 這些頂尖實驗室，都在瘋狂擴大運算規模，動輒燒掉數十億甚至上百億美元。Scaling Laws 的信仰者認為，只要持續加大模型參數、增加訓練資料、堆疊更多運算，AI 的能力就會持續提升。

但如果你沒有那麼多錢呢？

最近矽谷出現了一種新型態的 AI 公司，被稱為「Neolab」。這些公司的特徵是：募資規模相對較小（可能只有幾億美元而非幾十億），不打算從頭訓練基礎模型，而是專注在特定的研究方向上。這種模式引發了不少爭議——有人認為這是認清現實的務實選擇，也有人認為這根本沒有勝算。

創投 Conviction 的創辦合夥人 Sarah Guo 在 Podcast 中對這個議題進行了深入分析，她的觀點提供了一個不同的思考角度。

什麼是 Neolab？為什麼引發爭議？

要理解 Neolab 的爭議，首先要理解當前 AI 研究的資本密集程度。訓練一個前沿的大型語言模型，運算成本可能高達數億美元。這還不包括人才成本——頂尖的 AI 研究員年薪動輒數百萬美元，而且供不應求。

OpenAI 和 Anthropic 這樣的公司，背後有微軟、Google、Amazon 等科技巨頭的資金支持，可以負擔這種燒錢的遊戲。但對於規模較小的團隊來說，這條路根本走不通。Neolab 的出現，就是一種對這個現實的回應：既然正面對決不可能，那就找另一條路。

這些 Neolab 通常專注在特定的技術方向，例如後訓練（post-training）技術、新型模型架構、或是特定領域的應用。他們不打算訓練一個能跟 GPT-5 競爭的通用模型，而是希望在某個細分領域做出突破。

爭議在於：這樣的策略真的可行嗎？還是只是在自我安慰？

反方論點：規模不是一切

Sarah Guo 對 Neolab 的態度相對樂觀。她的核心論點是：AI 研究的進展，不完全是靠砸錢堆出來的。

她舉了一個例子：假設你有一個 40 人的頂尖研究團隊，完全專注在「後訓練」這個領域。雖然你沒有 OpenAI 那樣的運算資源，但你的研究方向非常聚焦，每個人都在解決同一個問題。相比之下，OpenAI 雖然資源多，但他們的注意力分散在幾十個不同的項目上。在「後訓練」這個特定領域，你的團隊可能反而更有優勢。

這個邏輯有一定道理。AI 研究不是純粹的資本遊戲，它還需要「品味」——對於該做哪些實驗、該追求哪些方向的直覺判斷。這種品味是無法用錢買到的。一個方向正確但資源有限的團隊，可能比一個方向錯誤但資源充沛的團隊更有效率。

更重要的是，AI 技術的發展並非線性的。Scaling Laws 確實在過去幾年被反覆驗證，但沒有人能保證它會永遠成立。如果未來的突破來自於一種全新的架構，而不是單純的規模擴大，那麼那些專注在新架構研究的 Neolab，可能反而站在正確的位置上。

另一種算法：人才收購的安全網

Sarah Guo 還提出了一個務實但少有人談的觀點：即使 Neolab 最終沒有成為下一個 OpenAI，它們也不一定是失敗的投資。

原因是人才收購（acqui-hire）。AI 研究人才極度稀缺，大型科技公司願意付出高價來收購這些人才。一個 Neolab 如果聚集了 40 位頂尖的 AI 研究員，即使他們的研究方向最終沒有開花結果，這個團隊本身就有巨大的價值。Google、Meta、OpenAI 這些公司，隨時準備用十幾億美元收購這樣的團隊。

這聽起來可能有點犬儒，但對投資人來說，這確實是一個合理的風險計算。投資一個 Neolab，最好的情況是他們真的做出突破性的研究，成為下一個獨角獸；中等的情況是他們被大公司收購，投資人拿回本金加上合理回報；最差的情況才是團隊解散、投資歸零。這個風險結構，比很多其他類型的創業公司還要好。

Sarah Guo 認為，這種「安全網」的存在，讓 Neolab 成為一個相對合理的投資標的。你不需要相信他們一定會成功，你只需要相信 AI 人才會持續稀缺，而這個判斷幾乎是確定的。

這場賭局的真正風險

當然，Neolab 模式也有其風險。最大的風險不是資金不足，而是時機。

AI 領域的競爭是一場速度賽。如果你專注的研究方向確實重要，但你的進度比 OpenAI 或 Google 慢，那麼你的研究成果可能在發表前就被別人搶先。這種情況下，你的所有努力都白費了，連被收購的價值都會大幅降低。

另一個風險是方向判斷錯誤。Neolab 的邏輯建立在「找到被大公司忽略的重要方向」這個假設上。但如果你認為重要的方向，其實並不那麼重要呢？或者大公司根本沒有忽略，只是你不知道他們在做？這種資訊不對稱，對小團隊來說是很大的劣勢。

最後，Sarah Guo 也承認，Neolab 的成功機率確實比不上那些資源充沛的頂尖實驗室。這是一個關於機率和期望值的計算——成功機率較低，但如果成功的話回報巨大；失敗的話也有人才收購作為保底。對於某些風險偏好的投資人來說，這是可以接受的賭注。

小結：不是所有人都要打同一場仗

Neolab 的存在提醒我們，AI 領域的競爭不只有一種形式。不是每家公司都需要募集百億美元、訓練最大的模型。找到一個被忽略的角落，聚集一群頂尖人才，專注深耕，這也是一種可行的策略。

這種策略不會產生下一個 OpenAI，但它可能產生重要的技術突破，或者至少培養出一批寶貴的人才。在 AI 這個快速變化的領域，保持多元化的發展路徑，對整個生態系統來說也許是好事。