为什么硅谷VC疯抢 Neolab: 定价不在收入, 在脑子里

119 家实验室，943 亿美元。大部分没有收入，一部分连产品都没有，估值却排在全球私有公司最前列。投资人到底在给什么东西定价——拆八层。

回硅谷第一天，把这两个月关于 Neolab 的几份研究从头翻了一遍。核心判断Neolab 的价格不锚在收入上。它锚在两个地方：全球几千名能领衔前沿训练的研究员的劳动力价格，以及下一轮有没有人接得住。

而硅谷之所以敢用这个锚，是因为 OpenAI 和 Anthropic 自己就是从这个形态长出来的。今天这批 Neolab 在复制一条已经走通过一次的路径，只是把入场价提高了一到两个数量级。真正被买走的东西，从来没有出现在任何一篇论文里。

119家 Neolab943 亿美元已披露融资16家披露过任何收入

Neolab 到底是什么公司先把词说清楚。Neolab 不是谁写在报告里的正式分类，是硅谷这一年自己叫出来的。较早的公开用法来自 Menlo Ventures 合伙人 Deedy Das， 十年前风投躲着研究走，现在为什么敢投了2010 年代风险投资退出硬科技，原因是算术，不是野心不够。

软件公司几百万美元就能验证 PMF，几个月内通过使用量和收入拿到反馈，边际分发成本接近零，跑通之后复利极快。硬科技的曲线正相反：几亿美元才走到商业化门口，几年后才知道核心假设成不成立，技术风险上面还叠着制造风险和监管风险，中间反复稀释。同一笔钱放在两条曲线上，回报的期望值和方差都不在一个量级。资本做了那个年代唯一理性的选择。

基础模型改的正是这个算术。当一家实验室拿到一个有意义的技术突破，从突破到付费客户的距离可以用月计算，而不是用十年计算。毛利结构和纯软件不一样，但商业化路径更接近软件，而不接近传统深科技——不需要建厂，不需要过监管，不需要铺渠道，模型跑通之后接上 API 就能收钱。

还有第二个变量在同时发生：模型层持续吸收原本预期落在应用层的能力。上下文变长、工具调用变强、编码和长任务能力上移，一批曾经需要独立公司来做的产品，被模型的下一个版本直接吃掉。这让「价值会沉淀在更靠近模型的位置」这个假设变硬——如果价值在往下沉，那么把钱投在最靠近模型的地方，逻辑就自洽了。

通俗解读以前投研究，等于把钱锁进一个十年才开一次的保险箱。基础模型把锁换成了几个月一开。风险没有消失，开锁频率变了，愿意付的价格就跟着变。

真实案例Anthropic2026 年 2 月 12 日，Anthropic 完成 300 亿美元 G 轮，投后估值 3800 亿美元，GIC 与 Coatue 领投，D. E. Shaw Ventures、Dragoneer、Founders Fund、ICONIQ、MGX 共同领投。公司公告里给出的数字是：距离赚到第一美元收入还不到三年，年化收入 140 亿美元，此前每年增速超过 10 倍。

一个以研究为组织核心的机构，可以在这个量级上完成向商业化的转换。119 家 Neolab 的估值，某种意义上都在借用这条曲线——它是这个类别里被完整验证过的路径。

这笔钱定的是人的价格把 Neolab 的投入拆开看：算力、电力、数据中心、数据、研究员。前四项都能用钱直接买到，价格公开，供给可扩张。只有最后一项不行——资本买不出第二个能领衔前沿训练的研究员。

Leonis 的估计是，全球有能力可信地主导前沿或接近前沿训练任务的人，数量在几千这个量级。这是整条链上唯一不能用钱制造的投入，那么定价权就落在这一项上。由此推出一个机制：当一位研究员的判断超出了他所在机构内部能分给他的算力配额，外部资本可以绕过这家机构，直接给这个判断出钱。新实验室的供给因此是大厂组织架构的下游产物。Mira Murati 离开 OpenAI，市场上就多一家 120 亿美元的种子期公司；Yann LeCun 离开 Meta，欧洲就多一家十亿美元级实验室——AMI Labs，2026 年 3 月完成 10.3 亿美元种子轮，投前估值 35 亿美元，团队十几个人。研究员的每一次跳槽，都是这场拍卖在公开进行。再推一步，会得到一个反直觉的结论：估值是这门生意的输入，不是它的输出。要把一位资深研究员从 OpenAI 或 DeepMind 拉出来，股权包必须对得上八位数甚至九位数的留任报价。高估值加大额融资，本身就是发薪水的工具。估值定得越高，同样比例的期权越值钱，能挖到的人越强，研究成功的概率才越高——这条链是正向反馈，也正因为是正向反馈，它没有外部刹车。

通俗解读一般公司先做出业绩，再拿到估值。Neolab 反过来：先拿到估值，用估值去买人，人再去做研究。估值在这里是招聘预算，不是成绩单。

真实案例Jeff Dean 与 Discovery LoopJeff Dean 在 Google 待了 27 年，从搜索和广告的底层系统一路做到首席科学家。2026 年 8 月 5 日，他和三位长期合作者宣布成立 Discovery Loop——全公司四个人，目标是让 AI 自动跑科研流程：并行提出、执行、分析上千个实验，覆盖机器学习、工程、医学、材料设计。公司注册为公益公司（PBC）。

首轮由 Radical Ventures 与 Khosla Ventures 领投，Lightspeed、Kleiner Perkins、Doerr Capital 参与，Alphabet 是创始投资人兼云伙伴，金额未披露。随后 Business Insider 报道，Dean 正在洽谈约 10 亿美元融资，估值约 100 亿美元；这笔钱尚未以 10 亿规模完成交割。没有产品，没有客户，没有收入。Dean 在 8 月 7 日斯坦福的演讲里给出了自己的理由：今天的创业公司可以直接租云厂商的算力，不必自建基础设施，所以四个人的规模不但可行，而且是加速创新的更优载体。100 亿美元这个数字定的是这四个人的价格，以及他们接下来能招到谁的价格。

就算做砸了，人还能卖出价钱任何资产的入场价，都取决于最坏情况下还能拿回多少。传统早期投资的默认假设是绝大部分项目归零，靠头部几个覆盖全部损失——正因为归零概率高，入场价必须压低。Neolab 把这个假设改了：它的归零概率被人才市场切掉了一块。

三个已经发生过的案例说明了同一件事。Inflection 的团队被微软整体吸收，微软为此向公司支付了 6.5 亿美元；Adept 的创始人被亚马逊带走；Character 的 Noam Shazeer 回到 Google，交易结构同样是为团队付钱。三家公司的产品线都没有独立活下来，但团队本身卖出了价格。另一个方向的出口是研究做成之后的战略收购。

两个方向合起来，损失分布被压缩了：全亏的那条尾巴变薄。尾巴变薄，前端就敢下重手——这在数学上直接支持今天看起来离谱的入场估值。通俗解读如果一家公司失败时，人还能按人头卖出一部分价钱，那么「全亏」这个尾部就变薄了。

硅谷现在对 Neolab 的容忍度，有一半来自这块地板。真实案例SAP 收购 Prior LabsSAP 以超过 10 亿欧元收购 Prior Labs——一家做表格基础模型（tabular foundation model）的研究团队。SAP 自己有相当规模的 AI 团队，仍然愿意为一个细分方向的专门团队付这个价，理由很具体：通用大模型在表格数据上做得不够好，这个能力买不到替代品。对整个类别的意义在于，它给「研究做成之后的出口」标了一个可比价格。有了这个价格，前面那些看不到收入的轮次才有了参照系。

桌上坐着四种钱，出的不是同一个价同一个研究资产，不同类型的资本可以理性地给出完全不同的价格，因为他们的收益函数不同。VC 的回报只能从股权里拿，所以对入场价极度敏感；战略投资人可以从算力需求、平台拉动、专有 IP 里先拿走一部分；主权基金和赞助人可以把「掌握这项能力本身」计入回报，股权回报只是其中一项。

Leonis 用两个维度切了一个 2×2：验证这个研究要花多少钱，以及研究成功后多快能变成收入。119 家的分布高度失衡——90% 的已披露资本落在「验证昂贵」那一侧。其中 60% 落在主权型象限（验证昂贵、变现慢，60 家），战略型占 30%（24 家），资助型占 2%（9 家），而经济学最接近传统风险投资的那个象限，只有 8% 的资本、26 家公司。这个分布说明的事情很直接：这个类别的主体是主权资产，被当成风投资产在卖。历史上与它同构的是曼哈顿计划、阿波罗、DARPA 项目——昂贵、缓慢、以能力而非现金流为存在理由。能长期持有它们的历来是国家，因为战略能力本身就算回报。所以最大的几轮里总能看到赞助人和主权资金：Bezos 本人是 Prometheus 那笔 62 亿美元 A 轮的最大出资人，并在 2026 年 6 月 120 亿美元、估值约 410 亿美元的 B 轮里继续跟投；DeepSeek 首轮外部融资里，国家人工智能产业投资基金与腾讯、宁德时代同列出资方。

通俗解读同一件东西，收藏家、博物馆和二手贩子会出三个完全不同的价，三个价都合理，因为他们买它的用途不同。现在这三类人挤在同一场拍卖里，还在用同一套报价术语。

真实案例Nvidia在 Leonis 的数据集里，Nvidia 出现在 119 家 Neolab 中的 34 家股东名册上，比任何一家风险投资机构都多。原因清楚：它的回报不必全部从股权里拿，被投公司买它的卡，这本身就是回报的一部分。

最典型的一笔是 2026 年 7 月对 SSI 的 50 亿美元投资——据报道按接近既有 320 亿美元估值的结构进入，而不是抬价。同一个价格，对 Nvidia 是一笔生意，对一支基金是一次赌上回报倍数的定价。这两种钱坐在同一张桌上，报出同一个数字，含义完全不同。

同样卖一千亿，有人赚 2.5 倍，有人赚 87 倍技术重要性和投资回报是两个变量，历史上反复被混为一谈。铁路改造了整个经济，同时反复消灭投资人的本金；电信基础设施把互联网带进现实，建它的公司大批破产。规律是清楚的：当商业化需要反复补充资本，技术价值不会自动落到最初出钱的那份股权上，它会被后面每一轮稀释掉。把账算一遍。一家估值 320 亿美元的超智能实验室，商业化之前还需要 150 亿美元，那么在 1000 亿美元退出时，今天进场的投资人大约只有 2.5 倍；要拿到 10 倍，退出规模得接近 4000 亿美元。一家估值 10 亿美元、只需再补 3 亿美元就能规模化的实验室，同样 1000 亿美元退出，回报约 87 倍。

同一个退出数字，入场价和商业化前还要烧掉多少钱，把结果拉开了两个数量级。结论跟着出来：这一轮的收场方式是资本再分选，不是一次性崩盘。最脆弱的那批公司，是资本结构按风险投资回报设计、研究行为却按十年期科学项目运行的——它们既拿不到主权资金的耐心，也不具备风投资产的反馈速度。通俗解读同一场牌局，有人在第一手就下了大注，有人在第五手才进场。牌面一样，赢的钱可以差一百倍。决定回报的不是这家公司最后卖了多少钱，而是你进场时的价格和后面还要往里填多少。真实案例Thinking MachinesMira Murati 离开 OpenAI 后创办 Thinking Machines，2025 年 7 月以 120 亿美元估值完成 20 亿美元种子轮——当时还没有产品。

2025 年底，公司曾寻求 500 亿美元估值，约为上一轮的四倍。这一轮没有完成，最后一个已交割的价格仍然是 120 亿美元。380 亿美元的价差之间，公开可见的研究证据几乎没有变化。这个差额度量的是情绪，不是技术风险的消解程度。

它就是这个类别当前的定价精度——在一个精度这么低的系统里，入场价的重要性被放大到了极限。