1.1 AI融资的定义、边界与核心参与者
我接触AI融资这件事，最早是从几个创业者的饭局上听来的。当时大家争论的焦点特别朴素：一家做AI客服的公司，到底算不算AI公司？这问题听起来像抬杠，可放到融资语境里，它直接决定投资人用哪套逻辑给你估值。有人把AI融资简单理解为“给做AI的公司投钱”，我一开始也这么想。后来看得多了才发现，边界比这模糊得多。一家卖摄像头硬件的公司，如果核心收入来自内置的行为识别算法，它在融资故事里就会把自己包装成AI公司。一家做数据标注的劳动密集型团队，也能讲出“AI基础设施”的叙事。说白了，AI融资的边界不是由技术纯度决定的，是由资本叙事和收入结构共同拉扯出来的。
我自己画过一张图，把核心参与者分成四层。最上面是财务投资人，包括VC、PE、对冲基金和家族办公室。他们看回报周期，看退出路径。中间是产业资本，英伟达、微软、谷歌、阿里、腾讯这些名字反复出现，他们投的不只是钱，还有算力配额、云 credits 和渠道入口。底下是政府引导基金和主权财富基金，中东的钱这两年特别活跃。最底层是创业者自己，以及围绕他们的一级市场中介——FA、律所、会计师事务所。这四层人坐在同一张桌子上，诉求完全不同。财务投资人想的是三五年后谁接盘，产业资本想的是生态卡位，政府基金想的是招商落地和税收。一个AI创始人如果只盯着估值数字，很容易忽略这张桌子底下的腿在往不同方向蹬。
说到核心参与者，有个趋势我感受很深：投资人和创业者的身份正在互相渗透。以前是投资人给钱，创业者干活。现在很多AI公司的创始团队里，本身就坐着从大厂战投部出来的人。他们带着钱和资源进场，同时保留着投资人的思维习惯。这种双重身份让融资谈判变得微妙。我见过一个案例，某大模型公司创始人在见产业资本之前，先让自己的FA做了一份“反向尽调报告”，把对方过去三年的AI投资组合、退出情况和战略意图摸了个透。这种打法在传统互联网融资里很少见，在AI赛道却越来越普遍。
1.2 AI产业链融资分布：基础层、技术层、应用层
基础层融资金额大，这是我最早注意到的现象。算力芯片、云基础设施、数据中心、能源配套，这些项目单笔融资动辄几亿美金起。英伟达的GPU交付周期一度成为行业晴雨表，谁能拿到卡，谁就能拿到下一轮融资。我认识一个做液冷散热方案的团队，技术不算颠覆性，但因为直接服务某头部AI云厂商，A轮就融了八千万美金。投资人给的理由很简单：算力扩张的确定性比应用变现的确定性高。这话在2023年到2024年特别成立。基础层的融资逻辑像修高速公路，先不管路上跑什么车，路本身要够宽够结实。风险在于，路修多了也会过剩。2024年下半年开始，部分智算中心的利用率被拿出来反复讨论，一些地方性算力项目融资明显变难。
技术层夹在中间，处境最微妙。大模型公司、算法框架、AI中间件、数据平台都属于这一层。它们的融资故事通常最性感，也最容易被质疑。我参加过一场路演，某多模态大模型团队讲完技术架构后，台下一位LP直接问：“你和OpenAI的差距，用融资金额怎么量化？”创始人愣了两秒。这个问题很难回答，因为技术层的估值锚点一直在漂移。模型参数规模、benchmark排名、开源社区影响力，这些指标都能写进BP，但转化成收入需要时间。国内几家头部大模型公司的融资节奏在2024年明显放缓，不是钱没了，是投资人开始要求看到更清晰的商业闭环。数据服务商的日子相对好过，尤其是拥有独家数据源或合规壁垒的团队。一家做医疗影像数据清洗的公司告诉我，他们的融资谈判周期比纯算法公司短三分之一，因为数据资产的尽调路径更清晰。
应用层融资最分散，也最考验投资人眼光。医疗AI、法律AI、金融风控、教育硬件、AI Agent、具身智能，每个细分赛道的融资逻辑都不一样。我看过一组内部数据，2024年国内AI应用层融资中，AI Agent和具身智能拿走了将近四成资金，医疗和金融各占一成多，剩下的被教育、法律、营销等场景瓜分。这种分布和两年前截然不同。2022年应用层最火的是AI制药和自动驾驶，现在前者因为临床周期太长被部分基金移出核心池，后者因为事故责任和法规问题让很多财务投资人退避三舍。应用层的融资像打地鼠，热点迁移速度快，创业者如果只追风口，很容易在下一轮融资时发现对面坐着的投资人已经换了赛道。
1.3 AI融资与传统科技融资的差异
传统科技融资的节奏感很强。种子轮看团队，A轮看产品，B轮看收入，C轮看利润。这套漏斗在SaaS和移动互联网时代被验证过无数遍。AI融资把这套节奏打乱了。我见过一家做AI视频生成的团队，产品还没正式上线，估值已经翻了三倍。投资人的逻辑是：模型能力摆在那里，场景爆发只是时间问题。这种“能力先于收入”的估值方式，在传统科技融资里很少见。传统VC会问“你的DAU多少”，AI投资人更爱问“你的模型在MMLU上跑多少分”。两个问题的底层假设不同。前者假设用户会用脚投票，后者假设技术指标能预测用户行为。哪个更靠谱，目前还没有定论。
资金消耗结构也不一样。传统SaaS公司最大的成本是销售和营销，AI公司最大的成本是算力和人才。我算过一笔账，一个五十人规模的AI初创公司，如果自研基础模型，每月GPU开销可能超过二十万美金，这还不包括数据采购和标注费用。传统科技公司拿融资后可以慢慢打磨产品，AI公司拿融资后必须立刻买卡、招人、跑实验。钱烧得快，下一轮融资的压力来得更早。这种压力传导到条款上，就出现了很多传统融资里不常见的结构。比如算力换股权，产业资本用GPU配额折算估值入股。比如里程碑对赌，投资人要求模型在指定榜单上达到某个排名才释放下一笔资金。比如分层回购，创始人团队在特定条件下可以按约定利率回购老股。这些条款在传统科技融资里也有，但AI赛道把它们用得更频繁、更精细。
还有一个差异容易被忽略：退出路径的模糊性。传统科技公司上市时，投资人能拿PS或PE倍数去对标同行业已上市公司。AI公司上市时，对标谁？英伟达是芯片公司，微软是云公司，Palantir是数据公司，OpenAI没上市。我参与过一次Pre-IPO项目的内部讨论，一家AI医疗公司准备报材料，投行给出的估值区间跨度极大，下限和上限差了近四倍。原因就是二级市场没有足够多的纯AI标的做锚。这种模糊性让后期投资人很纠结。他们想退出，又怕定价定低了吃亏，定高了破发。2024年几家AI公司上市后的股价波动，充分说明了这种纠结。
1.4 驱动AI融资增长的宏观与技术因素
低利率时代结束这件事，对AI融资的影响很复杂。按常理说，利率上升，风险资产估值应该下降。AI赛道却走出了一条独立曲线。我琢磨了很久，觉得原因是AI被当成了一种“确定性技术革命”。当其他赛道增长乏力时，资本会向少数几个共识度极高的方向集中。AI就是那个共识。2023年到2024年，全球AI融资总额在整体VC市场收缩的背景下逆势上涨，说明钱不是消失了，是换地方了。中东主权基金、新加坡政府投资公司、欧洲家族办公室，这些原本配置在房地产和固定收益里的钱，开始通过母基金或直投方式进入AI。他们看中的不是三五年回报，是十年维度的技术主权和产业话语权。
技术侧有几个节点直接引爆了融资。Transformer架构的成熟是远因，ChatGPT的发布是近因。我印象很深，2022年底到2023年初，很多原本不看AI的投资人突然开始约AI创业者喝咖啡。一位做NLP的朋友告诉我，他2022年融资时见了三十家机构，只有两家听懂他在做什么。2023年3月之后，同样这批机构，有十几家主动回头找他。这种转变不是创业者变了，是技术演示的效果太直观。大模型把AI从“后台工具”变成了“前台产品”，投资人能亲手体验，感知门槛大幅降低。
开源生态的繁荣是另一个容易被低估的驱动因素。Llama、Mistral、Qwen这些开源模型让创业门槛骤降。以前做一个AI应用需要从头训练模型，现在微调开源模型就能起步。这直接刺激了应用层融资。我统计过自己跟踪的五十家AI初创公司，超过六成在技术栈里依赖开源模型。开源降低了技术风险，也让投资人更容易判断团队的执行力。但开源也带来了同质化竞争。当大家都能用同样的基座模型时，差异化在哪里？这个问题成为2024年应用层融资路演上被问得最多的问题之一。
地缘政治算宏观因素里最不可预测的一个。美国对华芯片出口管制，直接改变了中国AI公司的算力获取方式。我认识几家做多模态的团队，原本计划用英伟达H100集群训练，管制升级后被迫转向国产芯片或租赁海外算力。这种切换带来的成本增加和时间延迟，成为融资谈判中必须披露的风险项。反过来，管制也催生了国产算力芯片的融资热。壁仞、摩尔线程、燧原这些名字在2023年到2024年频繁出现在融资新闻里。一位美元基金合伙人跟我说，他们内部把AI投资分成了“管制敏感型”和“管制绝缘型”两类。前者看地缘风险，后者看场景落地。这种分类方式本身，就是地缘政治重塑融资逻辑的缩影。
2.1 AI融资最新动态：全球规模、轮次与热点迁移
我上个月翻了一份全球AI融资的季度简报，数字看得我有点恍惚。2024年全年AI融资总额比2023年又涨了一截，可拆开轮次看，故事完全不一样。种子轮和A轮的单笔金额在变大，我认识一个做AI合规工具的团队，三个人，产品还是个demo，种子轮就拿了1200万美金。投资人给的理由是团队背景硬，之前在大厂做过风控模型。同一时间，B轮和C轮的项目融资周期拉长了一倍。一家做AI客服的成长期公司，2023年融资时两周见了八个投资人，2024年见了二十多个，最后只拿到一个TS。中间的B轮最难受，技术故事讲完了，收入还没验证，卡在中间不上不下。
热点迁移的速度比我预想的快。2023年上半年所有人都在看大模型，下半年注意力转到了AI Agent，2024年具身智能又成了新宠。我在一个闭门会上听到某头部基金合伙人说，他们内部把AI投资分成了“模型层已投完，算力层投不动，应用层赶紧看”。这种说法有点极端，但反映了一个现实：大模型的融资窗口在收窄，钱开始往能快速验证收入的方向走。我跟踪的五个AI Agent项目，2024年有三个完成了新一轮融资，估值涨幅都在三倍以上。具身智能更夸张，一个做双足机器人的团队，Pre-A轮估值就过了两亿美金。
轮次结构的变化让我想起互联网泡沫时期的某些片段。后期项目出现超级轮，单笔五亿美金以上，由主权基金或产业资本领投。早期项目出现“预种子”概念，连产品都没有就敢定价。我跟一个FA朋友聊，他说现在帮AI项目融资，BP里不写“大模型”三个字，投资人连约见都不给。写了的，又要被追问“你的模型和别人的差异在哪”。这种既要蹭热点又要答差异化的矛盾，让很多创业者左右为难。我自己感觉，2025年如果出现一波大模型公司的估值回调，我不会意外。
2.2 区域竞合：美国、中国、欧洲、中东及亚太市场
美国市场的吸金能力还是独一档。OpenAI、Anthropic、xAI这几家拿走了全球AI融资的很大一块蛋糕。我在硅谷待过两周，感受最深的是投资人聊AI时的理所当然。他们不讨论AI有没有前景，只讨论哪个团队能跑出来。中国市场的逻辑不一样。2024年国内AI融资总额在涨，但单笔金额比美国小得多。国产替代和场景落地是两个最硬的叙事。我见过一个做AI芯片的团队，融资材料里专门有一页讲“出口管制下的供应链安全”，投资人看完就签了TS。欧洲靠Mistral撑场面，监管太严导致很多应用层项目往美国跑。中东的钱多，条件也直白：总部迁到当地，或者跟本地企业合资。亚太的新加坡、日本、韩国各有打法，新加坡做区域总部，日本做AI+机器人，韩国做AI+半导体。
我对比过几个区域的条款清单。美国基金容忍度高，愿意给长周期，但要求信息权很细。中国基金要求收入验证，C轮以后才敢给高估值。中东主权基金要求合资落地和本地就业，条款里经常出现“技术转移”的附件。欧洲基金对伦理合规的追问最狠，一份ESG问卷能问三十页。这种差异让跨区域融资变成一门技术活。一个AI创业者如果同时接触美国和中国的基金，他得准备两套完全不同的叙事。我认识一个做AI医疗影像的创始人，他给美国投资人讲FDA认证和全球市场，给中国投资人讲医保控费和基层医院覆盖。两套故事都成立，但背后的战略选择完全不同。
区域竞合不完全是你死我活。我注意到中东资本投美国AI项目，美国项目拿到钱后去中东设研发中心。中国AI公司去新加坡设总部，再反向投资国内。这种多层架构让融资的地域属性越来越模糊。一个美元基金合伙人跟我说，他们现在看项目，先问创始人能不能在三个时区开电话会。这话听起来像调侃，但背后是资本流动的真实状态。地缘政治越紧张，资本越会找缝隙钻。缝隙里长出来的公司，往往比单一市场里的公司更有韧性。
2.3 热门赛道融资表现：大模型、算力、数据、AI Agent、具身智能
大模型赛道的融资门槛肉眼可见地抬高了。2023年拿五千万美金就能做基础模型，2024年这个数字变成了两亿美金起。国内几家头部大模型公司在2024年的融资节奏明显慢下来，不是没人给钱，是投资人开始算账了。我参加过一次内部路演，某大模型公司创始人说他们2025年的目标是收入翻五倍。台下一位LP直接问：“翻五倍之后，能覆盖算力成本吗？”创始人沉默了半分钟。这个问题没有标准答案，但它说明大模型融资从“信仰阶段”进入了“算术阶段”。算力赛道分化更剧烈。做GPU的、做液冷的、做数据中心的，估值逻辑完全不同。一家做液冷散热的公司告诉我，2024年他们的订单排到了年底，融资时投资人只看产能扩张计划。另一家做通用算力租赁的公司，因为利用率不到四成，B轮融资直接黄了。
数据服务被低估了很长一段时间，2024年开始有人重新看。我认识一个做法律文本数据清洗的团队，他们的数据源覆盖了国内八成以上的公开裁判文书。2024年初融资时，投资人给的估值不算高。到了下半年，一家大模型公司想收购他们，开价翻了六倍。团队没卖，转头拿了一笔战略投资。AI Agent的融资表现最活跃。我统计了自己跟踪的十二个Agent项目，2024年有九个完成了融资，平均周期不到四个月。投资人看Agent的逻辑很直接：场景是否闭环，付费意愿是否清晰。一个做销售自动化Agent的团队，产品上线三个月，ARR到了80万美金，A轮估值直接给到一亿美金。具身智能的融资热度在2024年下半年冲到顶点。我见过一个做灵巧手的团队，产品还处于实验室阶段，Pre-A轮融了1.2亿美金。投资人给的理由是“硬件壁垒比软件高”。这个逻辑对不对，可能需要两年后才能验证。
2.4 活跃投资机构与产业资本布局
财务投资人里，a16z、Sequoia、Thrive、Lightspeed这几个名字反复出现在AI融资新闻里。a16z的打法很凶，从种子轮到后期全覆盖，内部有专门的AI Infra团队和AI App团队。Sequoia更挑，喜欢投有收入验证的项目。Thrive Capital因为重仓OpenAI，在AI圈的地位直线上升。我跟一个在Lightspeed工作的朋友聊过，他说他们2024年内部把AI投资分成了“算力基础设施”和“AI原生应用”两条线，两条线的投资决策会互相参考。这种组织架构的调整，说明财务投资人也在适应AI赛道的复杂性。
产业资本的存在感比财务投资人更强。英伟达的投资部门2024年投了几十家AI公司，从芯片到模型到应用全覆盖。微软、谷歌、阿里、腾讯都在用算力配额和云 credits 换股权。我跟一个产业资本的投资总监吃过饭，他说得很坦白：“我们的KPI不是财务回报，是生态协同。”这句话翻译一下就是：被投公司能不能用我们的芯片，能不能上我们的云，能不能帮我们卡住竞争对手的入口。这种投资逻辑让创业者在选择投资人时面临一个艰难选择。拿产业资本的钱，资源多，但站队风险大。拿财务资本的钱，自由度高，但算力还得自己买。我见过一个AI视频生成公司，同时拿了产业资本和财务资本的钱，条款里专门有一条“算力采购不排他”。这条款在传统融资里很少见，在AI融资里越来越普遍。
产业资本的另一个特点是出手快。财务投资人尽调三个月，产业资本可能三周就签TS。我认识一个做AI推理芯片的创始人，他上午跟某大厂战投部开完会，下午就收到了投资意向书。这种速度让创业者又爱又怕。爱的是效率，怕的是条款里藏着排他性条款。我自己感觉，2025年产业资本在AI融资中的占比还会上升，财务投资人需要找到新的差异化优势，比如更灵活的退出安排，或者更深的行业认知。
2.5 政策监管、出口管制与地缘风险对融资的影响
美国对华芯片出口管制的影响，我在好几个融资案例里都看到了。一家做多模态大模型的中国公司，原本计划用H100集群训练，管制升级后只能转向国产芯片。训练时间从三周变成了两个月，成本增加了四成。创始人把这段经历写进了融资材料的风险披露部分。投资人的反应分两种：美元基金要求把总部迁到新加坡，人民币基金觉得这是国产替代的机会。同一件事，两种解读，融资策略完全不同。欧盟AI法案在2024年正式生效后，我跟踪的几家欧洲AI公司融资节奏明显变慢。合规成本太高，一家做AI招聘的初创公司，光法律咨询就花了八十万欧元。但头部公司反而受益。Mistral在法案生效后拿了一笔大额融资，投资人给的逻辑是“监管越严，头部越集中”。
中国的监管框架在2024年变得更清晰。生成式AI管理办法落地后，持牌数据源和合规模型的公司融资变容易了。我见过一个做AI医疗辅助诊断的团队，因为拿到了三类证，融资谈判周期比同行短了两个月。地缘风险对融资的影响更隐蔽。美元基金在华AI投资变得更谨慎，很多基金内部要求“不投涉及敏感数据的项目”。中东和新加坡的钱填补了一部分空缺。我认识一个中国AI公司创始人，为了拿中东主权基金的钱，把公司架构改成了开曼控股、新加坡运营、中国研发。这种三层架构在融资谈判里变成了前置条件。他跟我说，改架构花了四个月，律师费七位数，但不改就拿不到那笔钱。
出口管制还催生了一个新现象：算力换股权。我听说有产业资本用GPU配额折算估值入股AI公司，条款里写明每年提供多少张卡的算力，按市场价八折计算。这种安排在传统融资里几乎没有，在AI赛道却越来越常见。地缘风险也影响了退出路径。一家AI芯片公司本来计划去美国上市，出口管制升级后，投行建议改道港股。估值预期直接从五十亿美金砍到了二十亿。创始人跟我打电话时语气很平静，他说：“能上市就不错了，先活下来。”这句话我记了很久。政策监管和地缘风险不是融资的注脚，它们正在成为融资剧本里的主要角色。
3.1 AI初创企业融资案例：大模型与通用AI平台
我跟踪过一家做中文多模态大模型的初创公司，内部代号叫“玄武”。创始人是从谷歌回来的，团队里七八个核心成员全有顶会论文加持。2024年初他们融A轮，我旁观了其中一场路演。现场坐着红杉、高瓴和一家中东主权基金的代表。创始人讲了四十分钟技术架构，最后十分钟才提到收入。Q&A环节第一个问题来自主权基金：“你们跟智谱、月之暗面的差异化到底在哪？”创始人没直接回答，而是掏出一张图，上面标着他们模型在医疗和法律两个垂直领域的评测分数，比通用模型高出十几个点。那场路演之后两周，他们拿了1.8亿美金，估值冲到12亿。这个价格在美元基金圈里有人说贵，有人说便宜。说贵的人算的是算力成本——他们每个月烧在训练上的钱超过800万美金。说便宜的人算的是稀缺性——中文多模态领域能打的团队不超过五个。
另一家做通用AI平台的公司“致远”，融资路径完全不一样。他们不训基础模型，而是做模型调度和编排层，帮企业客户在多个大模型之间切换。创始人以前是阿里云的中层，对To B销售那套打法很熟。2024年他们融B轮的时候，账上已经有2000万人民币的ARR，客户主要是银行和国企。投资人给的估值是8亿美金，PS倍数接近40倍。我一开始觉得这个倍数离谱，后来跟一个投行朋友聊，他说在AI基础设施层，40倍PS不算夸张，因为投资人赌的是平台效应——一旦客户把工作流跑在你这儿，迁移成本极高。致远那轮融资的领投方是某产业资本，跟投方里有一家券商直投。条款里有一条我印象很深：如果公司三年内被收购，产业资本有优先购买权。这条款在传统SaaS融资里很少见，在AI平台型公司里越来越普遍。
大模型和通用AI平台的融资有个共同特点：收入结构里“非经常性收入”占比很高。玄武2024年报表里，四成收入来自模型授权的一次性费用，三成来自政府补贴和科研项目，只有三成是可持续的API调用收入。致远略好一些，订阅收入占六成，但客单价里硬件捆绑的比例不小。我认识一个FA朋友，他跟我说现在帮大模型公司融资，BP里要把“经常性收入”和“项目制收入”拆开算，投资人看前者给PS，看后者给PE。两种估值逻辑混在一起，最后谈出来的价格全靠讲故事的能力。他还告诉我一个细节：2024年下半年开始，美元基金对大模型公司的尽调周期从三周拉长到了六周，人民币基金反而缩到了两周。背后的逻辑是美元基金要算全球竞争格局，人民币基金只看国产替代进度。
3.2 算力芯片、云基础设施与数据服务融资案例
算力芯片赛道里，我印象最深的是“燧原科技”的D轮融资。2024年初他们融了20亿人民币，投前估值超过150亿。这个价格在当时的市场环境下算是逆势上涨。我跟一个参与那轮融资的投资经理聊过，他说尽调时最关心三件事：流片良率、客户集中度和供应链安全。燧原的流片交给台积电，但封装测试放在长电科技，一定程度上分散了地缘风险。客户集中度偏高，前五大客户占了七成收入，但投资人的判断是“国产替代的窗口期就这么两三年，先占住位子再说”。那轮融资的领投方是某国资背景的基金，跟投方里有互联网战投和一家汽车集团。汽车集团进来的逻辑是自动驾驶芯片的协同，条款里专门写了“优先供应权”。这种产业协同型的投资条款，在AI芯片融资里已经成了标配。
云基础设施层的融资案例我关注过一家叫“矩阵云”的公司。他们做的是AI推理云，专门给中小AI公司提供按需算力。创始人以前在AWS干过，对弹性调度那套东西很熟。2024年他们融A轮的时候，GPU利用率做到了72%，行业平均只有四成左右。就这一个指标，让投资人追着给钱。最后融了5000万美金，估值3亿。投资方里有一家做光模块的上市公司，战略投资部的负责人跟我说，他们投矩阵云不是为了财务回报，是为了锁定光模块的采购订单。这种“以投带销”的模式在AI基础设施层越来越常见。另一家做数据服务的公司“清源数据”，融资过程更有意思。他们做的是多模态训练数据的清洗和标注，客户包括几家头部大模型公司。2024年中的时候，一家大模型公司想全资收购他们，开价8000万美金。创始人犹豫了一个月，最后拒绝了，转头拿了一笔3000万美金的战略融资，估值1.5亿。拒绝收购的逻辑很简单：数据服务是模型公司的上游，一旦被一家模型公司收购，其他客户就会流失。这个判断后来被验证了——他们拒绝收购之后，客户从三家变成了七家。
算力和数据这两个赛道的融资有个共性：投资人对“资产厚度”的关注超过了“技术领先性”。燧原的资产是芯片设计和流片产能，矩阵云的资产是GPU集群和调度软件，清源数据的资产是标注团队和数据源关系。这些资产都不体现在资产负债表的无形资产科目里，但投资人尽调时会一项一项盘点。我见过一份算力公司的尽调清单，里面甚至包括“与英伟达的采购关系年限”和“机房租赁合同的剩余期限”。这种尽调颗粒度，在移动互联网时代的融资里很少见。产业资本在这些赛道里的话语权也比财务资本大得多。矩阵云那轮融资，产业资本拿走了四成份额，财务资本只拿到三成，剩下三成是创始人跟投。FA朋友跟我说，产业资本给钱快，但条款苛刻，财务资本给钱慢，但条款灵活。创业者往往两种都拿，用产业资本的钱买算力，用财务资本的钱发工资。
3.3 垂直行业AI应用融资案例：医疗、金融、法律、教育
医疗AI的融资案例里，我看过一家做病理辅助诊断的公司“深视医疗”。他们的产品逻辑很直接：把数字病理切片扫进系统，AI先筛一遍，标出疑似癌细胞区域，医生再复核。2024年他们融C轮的时候，已经拿到了三类医疗器械注册证，覆盖了全国三百多家医院。创始人跟我聊的时候强调了一个数字：用了他们的系统之后，病理科医生的日均阅片量从80张提到了160张。这个效率提升直接转化成了收入——他们的收费模式是按阅片量抽成，单张收费比传统人工阅片低四成。那轮融资的领投方是某医疗产业基金，跟投方里有一家保险公司。保险公司的逻辑是控费——病理诊断准确率提升后，误诊导致的理赔支出会下降。这种“效率提升+控费”的双重叙事，让深视医疗在医疗AI赛道里脱颖而出。投资人给的估值是25亿人民币，PS倍数超过30倍。
金融AI的融资案例我关注过“智策科技”，做的是银行信贷审批的AI决策系统。他们2024年融B轮的时候，客户覆盖了六家股份制银行和二十多家城商行。收入模式分两部分：系统部署费按项目收，模型调优费按年收。2023年他们收入6000万，2024年翻到了1.5亿。增长主要来自监管压力——银保监会要求银行信贷审批流程必须留痕可追溯，AI系统正好满足这个需求。那轮融资的领投方是一家美元基金，跟投方里有两家券商直投。美元基金给的估值逻辑是对标美国的Zest AI，PS倍数给到25倍。但人民币基金觉得这个估值偏高，因为国内银行的IT预算受政策影响大，收入稳定性不如美国。双方最后达成的方案是分期打款，第一期打六成，后两期跟业绩对赌挂钩。这种分期打款安排在AI To B融资里越来越常见，尤其是客户集中在政府和国企的项目。
法律AI和教育AI的融资案例规模小一些，但增速很快。法律AI公司“法域科技”2024年融A轮时只有3000万收入，估值却给到了9亿人民币。投资人的逻辑是律师行业的付费能力强，一个中型律所每年在检索工具上的支出超过50万。法域的产品把合同审查和案例检索打包在一起卖，客单价12万，续费率超过九成。教育AI公司“知学教育”做的是自适应学习系统，2024年融B轮时覆盖了2000多所学校。他们的收入主要来自教育局采购，单校年度费用8万。投资人给的估值是12亿人民币，PS倍数不到10倍，在AI赛道里算便宜的。估值便宜的原因也简单：教育行业的预算受政策影响太大，2021年双减之后投资人还心有余悸。创始人跟我说，他现在融资时主动把“政策风险”写进BP的第一页，反而让投资人觉得踏实。
3.4 具身智能、机器人与自动驾驶融资案例
具身智能赛道里，我跟踪过一家做双足机器人的公司“逐迹科技”。2024年他们融Pre-A轮的时候，产品还在实验室阶段，连量产计划都没有。创始人以前是波士顿动力的工程师，回国后带了十几个人干了两年。融资材料里最核心的一页是“关节电机扭矩密度”的对比图，他们的数据比国内同行高出三成，比波士顿动力的公开数据只低一成。投资方里有一家做伺服电机的上市公司，战投部负责人跟我说，他们投逐迹的逻辑是“硬件供应链协同”——逐迹用的电机方案如果跑通，他们的电机订单就能翻倍。那轮融资5000万美金，估值2.2亿。投资人给的估值逻辑是“对标Figure AI的估值折价”——Figure 2024年估值26亿美金，逐迹的技术指标差一档，市场差两档，打个一折比较合理。
自动驾驶的融资案例我关注过“元戎启行”的C轮。2024年他们融了1亿美金，投资方里有一家主机厂和一家出行平台。主机厂给钱的条件是“量产车型定点”，出行平台给钱的条件是“Robotaxi试点城市优先合作”。创始人跟我说，这轮融资谈了八个月，比B轮多花了一倍时间。原因不复杂：自动驾驶的估值逻辑从“技术领先”转向了“量产能力”。投资人不再问“你们的接管率是多少”，而是问“你们拿了几张定点，单车成本能压到多少”。元戎那轮融资的估值比B轮只涨了20%，在AI赛道里算很保守的。创始人自己也承认：“能融到就不错了，现在不是讲故事的时候。”
机器人赛道里，工业机器人和服务机器人的融资逻辑差异很大。我认识一个做协作机器人的创始人，2024年融B轮时收入1.2亿，估值15亿，PS倍数12倍。投资人的逻辑是对标国产工业机器人龙头埃斯顿的二级市场估值，再打个八折。另一家做清洁机器人的公司，2024年融A轮时收入4000万，估值却给到了8亿，PS倍数20倍。原因在于清洁机器人的场景更标准化，复制成本低，投资人赌的是规模效应。具身智能和自动驾驶的融资有个共同特征：产业资本的占比极高。逐迹科技那轮融资，产业资本拿走了七成份额。元戎的C轮里，主机厂和出行平台加起来拿了五成。我那个FA朋友跟我说，2024年他经手的具身智能项目，没有一个是纯财务资本领投的。产业资本不仅给钱，还给订单、给场景、给供应链关系。这种深度绑定的融资模式，在互联网时代很少见，但在AI硬件赛道里成了主流。
3.5 案例横向对比：融资节奏、估值逻辑与投资方组合
把前面几个案例放在一起看，融资节奏的差异一目了然。大模型公司从A轮到B轮平均间隔14个月，算力芯片公司是18个月，垂直应用公司是12个月，具身智能公司是9个月。节奏最快的是具身智能，最慢的是算力芯片。原因其实不复杂：算力芯片的流片和验证周期长，投资人需要看到量产数据才敢给下一轮。具身智能的硬件壁垒在早期就能通过技术指标体现，投资人不需要等收入验证。元戎启行从B轮到C轮花了22个月，逐迹科技从天使轮到Pre-A轮只花了7个月。这两个数字放在一起，能看出资本市场对“硬件+AI”和“软件+AI”的耐心完全不同。
估值逻辑的分层更明显。大模型公司看PS倍数和模型能力排名，算力芯片公司看流片良率和客户订单，垂直应用公司看收入和续费率，具身智能公司看技术指标和团队背景。我统计过自己跟踪的二十个AI融资案例，发现一个规律：越靠近基础层的公司，估值越依赖“可比公司对标”；越靠近应用层的公司，估值越依赖“收入模型”。玄武的估值锚定的是OpenAI和Anthropic的PS倍数打三折，深视医疗的估值锚定的是收入乘以行业平均PS。两种逻辑没有对错之分，但反映了投资人在不同赛道里的安全感来源不一样。基础层的不确定性高，需要外部锚点；应用层的不确定性低，可以内部定价。
投资方组合的演变也很有意思。2023年的AI融资里，财务资本占主导，产业资本是点缀。2024年反过来了，产业资本在很多案例里成了领投方。我那个FA朋友跟我说了一个观察：“2023年创业者问投资人‘你能给多少钱’，2024年问的是‘你能给什么资源’。”资源包括算力配额、客户订单、供应链关系、政府关系。这些资源财务资本给不了，产业资本能给。但产业资本的钱拿多了也有副作用。元戎启行的创始人跟我抱怨过，主机厂股东要求他们把研发资源优先投向特定车型，这跟公司自己的产品路线图有冲突。清源数据拒绝被收购后拿的那笔战略融资，条款里也有一条“数据源排他性”——某个特定数据源只能供他们一家用，不能转售。这种条款在财务资本主导的融资里很少见，在产业资本主导的融资里几乎每单都有。
创业者面对这种格局，策略开始分化。一类创始人坚持只拿财务资本的钱，代价是估值低一些、算力贵一些，好处是决策自由度高。另一类创始人主动拥抱产业资本，用股权换资源，用资源换速度。我认识一个做AI推理芯片的创始人，他同时拿了三家产业资本的钱，每家给的钱不多，但每家承诺采购一定数量的芯片。他的逻辑是：“估值低点没关系，订单才是硬通货。”这种策略在AI硬件赛道里越来越普遍。大模型赛道的创业者更纠结，产业资本的钱拿了要站队，不拿又缺算力。玄武的创始人最后选了一个折中方案：拿了一家中东主权基金和一家财务资本的钱，算力靠租，不绑定任何一家云厂商。这个选择的代价是估值比预期低了15%，但他觉得值。
4.1 技术壁垒、数据资产与人才密度如何定价
我陪一个AI芯片公司创始人见过一轮投资人。尽调会上，投资人没问营收，先要了一份专利清单和流片良率报告。创始人拿出台积电的良率数据，85%。投资人点点头，又翻到团队页，数了数有几个IEEE Fellow。那天谈完，创始人跟我说：“他们不是在投技术，是在投可验证的指标。”技术壁垒的定价，就是把抽象能力拆成可量化的参数。模型公司看评测榜单排名，芯片公司看算力和良率，机器人公司看关节扭矩密度。逐迹科技融资时，BP里最显眼的就是一张关节电机扭矩密度的对比图。投资人给估值，先看技术指标在行业里的分位，前10%给溢价，前30%给正常价，后面就不看了。
数据资产的定价更微妙。清源数据做多模态训练数据清洗，投资人问的第一个问题是“数据源怎么来的”。创始人列了十二个数据源，其中三个有排他协议。就这三个排他协议，让估值多了3000万美金。数据资产的估值逻辑是“稀缺性乘以合规性”。稀缺性看独家数据源，合规性看版权和隐私授权。我见过一家医疗AI公司，数据来自三百家医院，授权协议里有一半没明确允许商业使用。投资人要求重新签协议，融资推迟了四个月。人才密度这块，投资人喜欢看两个数字：核心团队顶会论文数和竞赛名次。玄武团队七个核心成员，五篇NeurIPS，两个Kaggle冠军。这个数字直接让估值比同类公司高了20%。人才密度不等于组织能力。我见过一个团队全是名校博士，产品迭代速度比对手慢一半。投资人后来在条款里加了“核心成员锁定四年”。
这三个因素的权重在不同阶段完全不一样。种子期技术壁垒和人才密度占八成，数据资产没人看，因为还没积累。成长期技术壁垒降到四成，数据资产和收入各占三成。后期数据资产和商业化验证占七成，技术壁垒反而成了基础门槛。我认识一个FA，他做估值模型时把这三个因素做了加权评分。技术壁垒40分，数据资产30分，人才密度30分。加权总分乘以行业平均估值，得出一个参考价。实际谈判时，这个数字只是起点。创始人说“我的技术比对手强两倍”，投资人回“你的收入只有对手三分之一”。成交价往往在中间。
4.2 收入模型、毛利率与商业化验证
AI公司的收入分三种。项目制收入是一次性的，比如给银行做一套AI风控系统，验收完就结束。订阅收入按年收，客户续费才有。API调用收入按量收，用多少付多少。玄武2024年收入里，项目制占四成，订阅占两成，API占四成。投资人看这三种收入给不同倍数。项目制给3到5倍PE，订阅给10到15倍PS，API给8到12倍PS。我那个FA朋友说，BP里得把三种收入拆开算，混在一起算就是耍流氓。毛利率更关键。大模型公司毛利率经常是负的，推理成本比收入高。致远做模型调度层，毛利率能到65%，靠的是不养模型，只做编排。深视医疗按阅片量抽成，毛利率78%，投资人特别喜欢。
商业化验证看四个指标：客户数、续费率、客单价、获客成本。智策科技做银行信贷AI，客户六家股份制银行加二十多家城商行。续费率92%，客单价从80万涨到150万。这个数据拿出去，投资人追着给钱。法域科技做法律AI，客单价12万，续费率90%，客户总数只有400家。投资人觉得天花板低，估值给不上去。商业化验证的核心问题是：客户为什么付钱？深视医疗的客户是因为效率提升，病理科医生阅片量翻倍，医院愿意分钱。知学教育的客户是政策驱动，教育局要求采购。政策驱动的收入，投资人会打个七折，政策一变收入就没了。创始人跟我说，他现在融资时把政策风险写进BP第一页，反而让投资人觉得实在。
毛利率的改善路径比毛利率本身重要。我见过一个AI医疗公司，毛利率从负20%做到正40%，花了三年。投资人尽调时盯着每个季度的毛利率变化，还问“明年能不能到60%”。创始人说能，但要增加研发投入。投资人算了一笔账：增加研发投入会让毛利率降到30%，收入能翻三倍。最后估值按收入翻三倍来给，毛利率暂时不重要。AI应用层的毛利率天花板在80%左右，基础设施层在50%左右，大模型层很难超过30%。投资人现在学会了用毛利率反推商业模式：毛利率高的公司，要么有定价权，要么成本控制好。毛利率低的公司，要么在烧钱换规模，要么商业模式有问题。
4.3 算力成本、研发投入与资金消耗周期
算力成本是大模型公司的死穴。玄武每个月训练成本800万美金，一年将近1亿美金。融资1.8亿美金，只够烧一年半。投资人尽调时算了一笔账：如果收入不涨，下一轮融资前现金就断了。创始人说“模型能力上去后，推理收入会指数增长”。投资人回“先看六个月数据”。算力成本还受地缘政治影响。英伟达H100禁运后，国内公司转向华为昇腾，训练效率下降30%，成本上升50%。燧原科技做国产芯片，投资人看中的就是算力替代的逻辑。那个投资经理跟我说：“算力成本降不下来，AI公司永远赚不到钱。”
研发投入不只是算力。AI科学家的年薪中位数在50万到100万美金之间。逐迹科技团队十五个人，人力成本一年2000万人民币。创始人说“这还只是工资，不算期权”。资金消耗周期分三个阶段。种子期月烧钱10万到50万，成长期月烧钱100万到500万，后期月烧钱1000万以上。投资人要求runway至少18个月。我见过一个AI公司，B轮融了2亿美金，一年半烧完，C轮没接上，裁员一半。创始人后来跟我说：“当时觉得钱多，招人太快，算力浪费也大。”现在投资人会看“单位算力产出”，每美元算力带来多少收入。矩阵云做推理云，GPU利用率72%，行业平均40%。这个数字让他们的算力成本比对手低三成，估值多给5000万美金。
算力成本长期看会下降，模型规模在涨，总成本不降。GPT-3训练成本460万美金，GPT-4涨到1亿美金。国内大模型公司训练成本从千万人民币涨到上亿。投资人现在会问“下一代模型要花多少钱”。如果答案超过融资额的一半，投资人就会犹豫。我认识一个创始人，把训练计划拆成三步，每一步对应一轮融资。A轮训基础模型，B轮训行业模型，C轮训多模态模型。投资人觉得这个节奏可控，给了钱。另一个创始人想一次性训出对标GPT-4的模型，融资额要5亿美金，没人敢投。资金消耗周期的管理，成了AI创始人最核心的能力之一。会管钱的创始人，估值能多拿10%。
4.4 种子期、成长期、后期项目的融资策略差异
种子期融资看人和方向。投资人赌的是创始人的背景和技术路线。我见过一个AI Agent公司，只有三个人，产品还没上线，估值3000万美金。原因很简单：创始人来自OpenAI，做过GPT-3的强化学习。种子期融资策略是小步快跑。先融300万到500万美金，做出Demo，再融下一轮。条款简单，优先清算权1倍，董事会两个席位，创始人占一个。FA朋友跟我说，种子期不要纠结估值，拿到钱比估值重要。有个创始人为了估值多要200万美金，谈了三个月，市场变冷，连原来的条件都没拿到。
成长期融资看收入和增长。估值用PS倍数，倍数高低看赛道和增速。致远B轮40倍PS，收入翻了三倍，这个增速支撑了高倍数。成长期融资策略是找领投方。领投方给估值锚点，跟投方凑资源和钱。条款开始复杂。对赌协议、回购条款、优先清算权、反稀释条款、董事会席位分配。我见过一个成长期AI公司，对赌协议要求三年内收入到10亿。创始人签了，第二年发现做不到，只好降价融资，投资人按对赌条款拿走更多股份。成长期融资还要考虑产业资本和财务资本的平衡。产业资本给订单，同时要求排他性。财务资本给钱，同时要求快速回报。元戎启行C轮融资，主机厂和出行平台各拿一半份额，创始人说“订单比钱重要”。
后期项目融资看规模化和退出路径。估值用DCF或可比上市公司。融资策略是 Pre-IPO轮，引入战略投资者，做老股转让。后期项目融资周期长，尽调细。我见过一个AI芯片公司融D轮，尽调花了四个月，投资人查了所有流片合同、客户订单、供应链协议。估值比C轮只涨了20%。创始人说“能融到就不错了”。后期项目的条款设计更偏向保护投资人。优先清算权从1倍涨到1.5倍，对赌从收入对赌变成IPO对赌。回购条款里加了个人连带责任。创业者这时候议价能力弱，钱快烧完了。我那个FA朋友说，后期融资就像“救火”，能拿到钱就是胜利。
4.5 常用估值方法、条款设计与风险调整
AI公司常用估值方法有三种。可比公司分析法，找美股或A股的对标公司，取PS或PE，再根据增速和毛利率调整。玄武估值时，对标OpenAI的PS倍数，打三折。OpenAI收入增速200%，玄武只有80%。风险调整法，把技术风险、市场风险、政策风险各扣一个折扣。教育AI公司政策风险大，估值打七折。现金流折现法用得少，AI公司现金流不稳定。我认识一个估值分析师，他给AI公司做DCF时，假设收入增长率从200%逐年降到20%，折现率给25%。算出来的估值比PS法低一半。创始人看完说“你还是用PS吧”。
条款设计是融资谈判的核心。优先清算权决定公司卖掉后谁先拿钱。AI公司通常给1倍优先清算权，产业资本会要求1.5倍。对赌协议分收入对赌和IPO对赌。成长期公司多签收入对赌，后期公司多签IPO对赌。回购条款规定公司如果没上市，投资人可以要求创始人回购股份。我见过一个条款：如果公司五年内没IPO，投资人按年化8%的利率要求回购。创始人个人担保。反稀释条款保护投资人不会被低价融资稀释。产业资本还要优先购买权和排他性条款。清源数据拿战略融资时，条款里写了“数据源排他性”，某个数据源只能供他们一家用。这种条款财务资本很少提。
风险调整贯穿整个估值和条款。技术风险看团队能不能按时交付模型。市场风险看客户会不会续费。政策风险看监管会不会变。医疗AI有医疗器械注册风险，金融AI有监管审批风险。投资人会在估值里扣掉这些风险，也会在条款里加保护。比如分期打款，第一期给六成，后面的跟业绩挂钩。智策科技融资时，美元基金和人民币基金对估值有分歧，达成的方案是分期打款加业绩对赌。创始人说“看起来估值高，实际上拿到的钱要看业绩”。风险调整还体现在估值倍数上。同样收入1亿的AI公司，医疗赛道给15倍PS，教育赛道给8倍PS，金融赛道给12倍PS。差距来自风险认知。创业者要做的，是把风险讲清楚，然后证明自己能控制。投资人最怕的不是风险高，创始人不知道风险在哪。我见过一个创始人，BP里专门有一页写“我们可能失败的三个原因”，投资人看完反而觉得靠谱，估值多给了10%。
5.1 估值泡沫与回报不确定性
去年底我跟一个美元基金的朋友吃饭，聊到他们投的一个大模型公司。B轮进去的时候估值18亿美金，半年后C轮想按35亿美金融。他跟我说：“这个价格我们内部根本不敢签字，但外面有三家机构抢着给TS。”那家公司年收入不到2000万美金，估值收入比接近175倍。朋友的原话是“这不是投资，是击鼓传花”。估值泡沫的典型特征是估值涨得比收入快。玄武2023年收入3000万美金，估值12亿；2024年收入8000万美金，估值涨到45亿。收入翻了2.6倍，估值翻了3.7倍。投资人算过一笔账：按45亿估值进去，公司要做到2027年收入5亿美金、利润率20%，退出时给15倍PE，才能拿回3倍回报。这个假设链条上任何一环断了，回报就归零。
回报不确定性还来自退出通道的拥堵。2024年全球AI公司IPO数量比2021年少了六成，并购退出占比从30%涨到55%。我认识一个投了四家AI公司的合伙人，他跟我说“账面上IRR有40%，但DPI是零”。DPI是已分配收益，LP真正拿到手的钱。没有退出，账面回报再高也是纸面富贵。后期项目的回报不确定性更高。C轮以后进去的基金，如果公司IPO破发或者并购估值打折，很可能亏钱。我见过一个AI芯片公司，D轮估值80亿人民币，后来被上市公司收购，交易对价只有45亿。D轮投资人拿到的钱比投入少三成。创始人也很无奈，他跟投资人签了回购条款，个人担保，公司卖不掉就得自己掏钱。
泡沫和回报不确定性的关系，我那个FA朋友有个比喻：估值泡沫像啤酒的泡沫，没有泡沫啤酒不好喝，泡沫太多就剩空气。AI赛道现在的问题是泡沫集中在头部。前10%的AI公司拿走了80%的钱，估值也集中在这10%。剩下的90%融资难，估值低。这种分化让回报分布更极端。投中头部公司的基金，账面回报好看；投中腰部和尾部的基金，可能连本金都收不回来。LP现在学聪明了，投AI基金时会问“你们有多少项目是通过老股转让退出的”。这个比例高于30%的基金，LP才愿意继续出资。
5.2 技术迭代快与产品市场匹配风险
技术迭代的速度是AI创业者最头疼的事。我认识一个做AI客服的创始人，2023年4月产品上线，用的是GPT-3.5。三个月后GPT-4出来，他们的模型能力被开源方案追平。他花了两百万做的微调，一夜之间不值钱了。技术迭代快的直接后果是研发投入的沉没成本极高。训练一个模型花三个月，三个月后可能被新架构替代。开源模型每半年能力翻一倍，闭源模型每九个月换代。创业者要在“押注下一代技术”和“维持现有产品”之间做选择。选错了，钱白花；选慢了，对手抢跑。
产品市场匹配风险在AI行业有特殊性。传统的PMF是“产品有人用、有人付钱”，AI行业的PMF还要加一条“用得起”。智策科技做银行信贷AI，客户试用后觉得效果好，一问价格，每年200万。银行说“我们愿意付50万”。创始人算了一笔账：算力成本加人力成本，低于150万就是亏。这个产品技术上跑通了，商业上跑不通。我见过的AI公司里，技术先进但卖不掉的占三成。DeepMind的AlphaFold开源后，做蛋白质结构预测的创业公司集体转型。技术领先六个月，商业窗口只有三个月。
产品市场匹配的另一个风险是需求变化太快。2023年所有人都在做AI助手，2024年转向AI Agent，2025年具身智能成了热门。创业者跟着热点跑，产品线换了三次，团队疲于奔命。清源数据创始人跟我说，他们2022年做数据标注，2023年转做数据清洗，2024年做数据合成。三年换了三个方向，好在数据源积累下来了。那些没有积累的团队，每次转型都是从零开始。投资人现在看AI项目，会问“如果大模型能力再翻一倍，你的产品还有价值吗”。回答“有”的，估值给12倍PS；回答“不知道”的，投资人直接跳过。
5.3 数据合规、版权、隐私与伦理风险
数据合规是AI融资的隐形地雷。我见过一家做医疗影像AI的公司，融资到B轮，尽调时发现训练数据里有20%的影像没有患者知情同意书。投资人要求补签，医院说“患者早出院了，签不了”。融资暂停了五个月，最后公司把有问题的数据全部剔除，重新训练模型，估值从15亿降到9亿。数据合规的风险不只是医疗。做金融AI的要用交易数据，做法律AI的要用判决文书，做教育AI的要用学生作业。这些数据都有合规要求。欧盟GDPR规定违规罚款最高2000万欧元或全球营收4%，国内《个人信息保护法》也有类似条款。投资人现在做尽调，法务团队比技术团队还先入场。
版权风险对大模型公司更直接。2023年《纽约时报》起诉OpenAI，索赔金额没说，但律师费花了上千万美金。国内几家大模型公司也被图片版权方起诉过。我认识一个大模型公司的法务总监，他跟我说“训练数据的版权清理成本，占融资额的5%到10%”。这个数字在BP里经常被忽略。投资人现在学精了，尽调时会问“你的训练数据里，版权清晰的比例是多少”。低于70%的，估值打八折。有个创始人回答“我们只用公开数据和授权数据”，投资人追问“公开数据里有没有版权保护的内容”，创始人答不上来，融资黄了。
隐私和伦理风险更难量化。做AI招聘的公司，算法可能歧视女性或少数族裔。做AI信贷的公司，模型可能对特定区域的人群有偏见。这类风险在融资时容易被忽略，一旦被媒体曝光，估值直接腰斩。我见过一个做AI面试的公司，被曝出对非母语者有偏见，客户流失了四成，C轮融资直接取消。伦理风险还来自监管的不确定性。欧盟AI法案把AI应用分成四个风险等级，高风险应用需要第三方审计。国内也在出台类似规定。投资人现在会问“你的产品属于哪个风险等级”。高风险等级的AI公司，融资周期拉长半年，估值低两成。创业者要做的，是把合规和人伦审查前置。智策科技在融资前做了算法公平性审计，报告放在BP附录里。投资人看完说“你们比我们想得还细”，估值多给了500万。
5.4 退出路径：IPO、并购、老股转让与二级市场
AI公司的退出路径比传统科技公司窄。IPO是最理想的，但门槛在提高。美股对AI公司的要求是收入1亿美金以上、毛利率50%以上、增速30%以上。国内科创板对AI公司更严格，要求最近一年营收不低于3亿人民币，且研发投入占比不低于15%。玄武2024年收入8000万美金，距离美股IPO门槛还差一点。创始人跟我说“2026年冲一下，不行就考虑并购”。IPO的不确定性还来自市场窗口。2024年AI公司IPO平均用时14个月，比2021年多了5个月。有些公司路演到一半，市场转冷，发行价定在区间下限，上市后破发。
并购退出在AI行业越来越普遍。2024年全球AI并购交易额比2023年涨了40%，平均交易估值是收入的8到12倍。并购方主要是三类：大科技公司买技术和团队，传统行业公司买AI能力，私募基金买现金流。我认识一个做AI营销的公司，年收入5000万人民币，利润800万，被一家上市公司以6亿人民币收购，估值是利润的75倍。创始人套现离场，投资人也拿回了钱。并购退出的问题是估值折价。IPO能给15倍PS，并购只给8到10倍。创始人觉得亏，但投资人觉得“能退就不错了”。我那个FA朋友说，现在AI公司融资时就会在条款里写“并购退出时优先清算权1.5倍”，保护投资人。
老股转让和二级市场是补充退出渠道。老股转让是一级市场投资人把股份卖给新投资人，不通过IPO或并购。2024年AI老股转让交易额占AI总融资额的15%，2022年只有5%。老股转让的好处是快，坏处是折价。我见过一个AI公司的老股转让，C轮估值30亿，老股按24亿卖，折价20%。买方是产业资本，冲着战略协同来的。二级市场退出指的是S基金（二手份额基金）收购LP持有的AI基金份额。国内S基金市场还在早期，AI基金份额的流动性不好。我认识一个LP，他持有的AI基金份额挂了半年没卖出去，最后按七折卖给了一家S基金。退出路径的选择，取决于公司阶段和投资人类型。早期基金愿意等IPO，后期基金更倾向并购或老股转让。创业者要做的，是在融资时就跟投资人聊清楚退出预期。
5.5 创业者与投资机构的应对策略
创业者应对融资风险的核心是“留够钱、别签要命的条款”。我认识一个AI创始人，融资时投资人要求签个人连带回购条款，他犹豫了一周，最后签了。第二年公司现金流紧张，他抵押了房子。另一个创始人拒绝了个人连带，融资少拿了2000万，但他跟我说“晚上睡得着觉”。应对策略还包括分散融资节奏。不要一次融太多，也不要等到钱快烧完才融。致远每隔12到15个月融一轮，每轮融够18个月的runway。创始人跟我说“融资就像呼吸，不能等到憋不住才吸气”。条款设计上，创业者要守住三条底线：个人连带不签、对赌目标别定太高、优先清算权不超过1.5倍。这三条守住了，最坏情况不会倾家荡产。
投资机构的应对策略是“分散赛道、管住估值、提前想退出”。我认识一个投AI的合伙人，他的基金投了12个AI项目，分布在算力、数据、应用、具身智能四个方向。单个项目最多投基金规模的8%，估值超过收入50倍的不投。他跟我说“AI赛道变化快，押注单一方向风险太大”。退出前置也是策略。投进去的时候就找好下一轮接盘方或者并购方。元戎启行的投资人C轮时就帮公司对接了主机厂和出行平台，主机厂后来成了并购的潜在买方。风控上，投资机构现在会做“压力测试”：如果收入增速降到30%，公司能不能活；如果下一轮估值不涨，投资人能不能接受。这两个问题的答案决定了要不要投。
创业者跟投资人的博弈也在变化。2022年之前是投资人抢项目，现在是创业者抢钱。我见过一个AI创始人，融资时同时跟六家机构谈，最后选了估值第二高但条款最宽松的那家。他跟我说“估值差10%不重要，条款差10%要命”。另一个创始人把BP发给投资人之前，先让FA帮忙审了一遍条款清单，把“清算优先权”“反稀释”“董事会席位”三个条款圈出来重点谈。投资人也学精了，会在TS里加“信息权”和“跟售权”，保证自己不被创始人忽悠。这种博弈让AI融资市场更成熟。FA朋友的总结是：泡沫还在，但理性在回归。创业者和投资人都开始算账，而不是讲故事。这个变化对行业是好事。
6.1 未来12—24个月AI融资趋势预测
我跟几个做一级市场的朋友聊过，大家对未来一两年AI融资的判断有一个共识：钱不会少，但流向会变。2024年全球AI融资总额大概在600亿美金上下，2025年这个数字我估计会维持在500到700亿之间，不会出现断崖式下跌，也很难再有2023年那种翻倍式增长。头部公司继续吸金，中腰部公司融资难度加大。玄武的创始人跟我说过一句话：“以后能拿到钱的公司，要么有收入，要么有故事，两样都没有的，FA都懒得帮你写BP。”
轮次结构上，种子轮和A轮的钱会更多来自产业资本和战略投资方，纯财务VC出手会更谨慎。我认识一个母基金的合伙人，他告诉我他们2025年对AI子基金的配置策略是“减半”——原来投四支AI基金，现在只投两支。LP的钱在收紧，GP出手自然更挑。后期项目方面，C轮以后的融资会越来越像“准IPO轮”，投资人要看DPI、要看退出路径、要看回购条款。没有清晰退出时间表的公司，融资周期会拉长到9到12个月。
估值逻辑也在变。2023年大家看团队、看技术demo、看愿景，2024年开始看收入、看毛利率、看客户留存。一个FA朋友跟我说，2025年AI公司的估值中枢会从20倍PS降到10到15倍PS。SaaS公司上市时的估值也就8到12倍，AI公司凭什么高一倍？这个逻辑在回归。那些靠“大模型能力领先”撑估值的公司，如果2025年收入跟不上，下一轮融资会很痛苦。我见过一家做多模态的公司，A轮估值8亿人民币，团队确实豪华，但2024年收入才600万，B轮找了一圈没人接，最后按4亿估值融了一轮内部老股东跟投。
6.2 潜在热门方向与早期投资机会
AI Agent是我目前最看好的早期方向。不是那种“帮你订机票、发邮件”的通用Agent，而是垂直场景里的深度Agent。我认识一个团队做法律合同审查Agent，不追求通用能力，就把并购合同、劳动协议、租赁合同这三类文件做到极致。2024年收入1500万人民币，客户续费率92%。他们的投资人跟我说，这个项目最吸引人的地方是“产品能自己赚钱，不依赖融资烧钱”。AI Agent的窗口期还有12到18个月，等到大厂把通用能力做出来，垂直Agent的生存空间会被压缩。现在进场，还有机会建立数据壁垒和客户粘性。
具身智能的热度会持续，但融资分化会很严重。做通用人形机器人的公司需要巨额资金，单轮融资低于5亿人民币基本玩不转。做垂直场景机器人的公司融资门槛低一些，比如仓储机器人、农业机器人、医疗手术机器人。我见过一个做农业采摘机器人的团队，A轮融了8000万，投资方是两家农业上市公司。创始人的逻辑很清楚：“我不需要通用智能，我只需要在番茄采摘这一个场景里比人工便宜。”这个逻辑在早期更容易验证。具身智能的早期投资机会不在于“造人”，在于“造手”——灵巧手、触觉传感器、关节模组这些核心零部件，技术壁垒高，客户粘性强，估值不会太离谱。
数据基础设施是我觉得被低估的方向。大家都在做大模型、做应用，但高质量的训练数据、合成数据、数据标注工具、数据合规服务，这些“卖铲子”的生意竞争没那么激烈。清源数据创始人跟我说，他们2024年收入4000万人民币，利润800万，融资时估值3亿，PS只有7.5倍。“比起那些收入2000万估值20亿的大模型公司，我们便宜得不像AI公司。”他笑着说。数据基础设施的好处是收入可预测、客户粘性高、退出路径清晰。并购市场对这类公司的估值是8到10倍PS，比IPO门槛低，适合早期投资人退出。
垂直行业AI应用里，我关注医疗和金融两个方向。医疗AI的壁垒在于数据获取和合规，一旦跑通，护城河很深。金融AI的壁垒在于客户关系和风控理解，收入模型清晰。我认识一个做保险理赔AI的公司，2024年收入6000万，毛利率65%，客户包括三家头部保险公司。投资人给的估值是12倍PS。创始人跟我说：“我们不性感，但能赚钱。”这类公司在资本寒冬里反而容易拿到钱，因为投资人要的是回报，不是故事。
6.3 对AI初创企业的融资与资本规划建议
我给AI创始人的第一条建议是：把融资当成一个持续动作，不是一次性事件。致远每12到15个月融一轮的做法，我推荐给所有AI创业者。不要等到钱快烧完了才启动融资，那时候你谈判的筹码最少。我见过一个创始人，账上只剩三个月工资才开始见投资人，TS拿到的条款惨不忍睹：个人连带、对赌三年上市、优先清算权2倍。他咬着牙签了。另一个创始人提前九个月启动融资，慢慢挑投资人，最后拿了两个TS，选了条款最宽松的那个。融资节奏的主动权，比估值高低重要得多。
第二条建议是：估值预期要务实，不要跟2021年的泡沫比。我认识一个创始人，2023年A轮估值5亿，2024年B轮非要融15亿。FA帮他跑了三个月，见了二十家机构，最高只给到8亿。创始人不甘心，又拖了四个月，最后按6.5亿融的，还搭了一个对赌条款。FA事后跟我说：“如果他2024年初就接受8亿，能多拿1.5亿现金，够烧两年。”估值是纸面数字，到手的钱才是真的。AI创业者要算的账是：这笔钱能让我活多久，能让我跑到哪个里程碑。估值少10%，但多拿一年时间，这笔账划得来。
第三条建议是：条款底线要守住，尤其是个人连带回购。我见过太多创始人签了个人连带，最后公司不行了，自己卖房还债。法律上，个人连带回购条款在境内是有效的，签了就得认。创始人可以在TS阶段就跟投资人明确：公司层面的回购可以谈，个人连带不签。如果投资人坚持，那就换一家。市面上有不要求个人连带的机构，只是估值可能低一点。这个取舍值得做。另一个底线是优先清算权，不要超过1.5倍。超过1.5倍的清算权，意味着公司如果按低于上一轮估值的价格退出，创始人可能一分钱拿不到。
第四条建议是：尽早跟投资人聊退出预期。我认识一个创始人，融资时投资人问他“你打算怎么退出”，他说“先做大再说”。投资人后来没投。投资人的逻辑是：你连退出路径都没想过，我怎么知道我的钱怎么回来。AI公司的退出路径无外乎IPO、并购、老股转让。早期阶段就要想清楚：如果IPO走不通，谁可能并购我；如果并购也走不通，老股转让的折价我能接受多少。把这些想明白了，融资时跟投资人的沟通会顺畅很多。元戎启行的投资人C轮时就帮公司对接了主机厂，后来并购退出时少走了很多弯路。
6.4 对投资机构的赛道布局与风控建议
投资机构配置AI赛道，我的建议是“哑铃型”布局：一头投早期，一头投后期，中间少碰。早期项目估值低、股份比例高、回报倍数大，但死亡率也高。后期项目确定性高、退出路径清晰，但回报倍数有限。我认识一个基金，2022年开始投AI，早期投了15个项目，每个500到1000万人民币；后期投了3个项目，每个5000万到1亿。到2025年初，早期项目死了6个，活了9个，其中2个估值涨了10倍；后期项目1个IPO、1个并购、1个还在持有。整体DPI已经到0.8，在AI基金里算很好的。他的策略就是早期靠概率，后期靠确定性。
风控上，我建议投资机构做“压力测试”要更细。不只是问“如果收入增速降到30%公司能不能活”，还要问“如果下一轮估值不涨，老股东愿不愿意过桥”“如果核心技术人员离职，产品迭代会不会停”“如果大厂免费开放同类能力，客户会不会流失”。这四个问题的答案，比BP里的财务预测重要得多。我见过一个基金，投AI项目之前会让分析师写一份“死亡笔记”：这个项目最可能因为什么原因死掉。写不出三条以上的，不投。这个做法看起来很残酷，但能帮基金避开很多坑。
投后管理上，AI项目的特殊性在于“技术窗口期短”。投资人要帮公司盯着技术拐点，一旦发现开源方案追平了公司的技术优势，就要建议公司加速商业化或者转型。我认识一个投资人，他投的一家AI客服公司，2024年初他发现开源客服模型能力已经接近公司产品，立刻推动公司从“卖软件”转向“卖服务”，按效果收费。转型后收入反而涨了。投后不只是对接客户和招人，还要帮公司判断技术路线是不是该换了。这个能力对AI投资人要求很高，但值得建。
退出策略上，我建议投资机构在投进去的时候就写好“退出剧本”。A轮投的，预计2027年通过老股转让退出；B轮投的，预计2028年通过并购退出；C轮投的，预计2029年通过IPO退出。每个阶段对应的退出方式和估值预期都提前定好。到了时间点，如果退出不了，就要启动Plan B。我见过一个基金，投了一个AI芯片公司，C轮进去的，预计2026年IPO。2025年发现IPO窗口不好，立刻启动并购谈判，2025年底以12亿人民币卖给了一家上市公司，拿回2.5倍回报。如果死等IPO，可能等到的是破发。退出的纪律性，比投前的判断力更重要。
6.5 结语：在理性创新与资本纪律之间把握窗口
AI融资市场走到2025年，跟三年前完全不一样了。2022年大家聊的是“大模型会不会颠覆一切”，2023年聊的是“怎么抢到头部项目”，2024年聊的是“估值什么时候回调”，2025年聊的是“怎么退出”。这个变化说明市场在成熟。泡沫还在，但理性在回归。创业者开始算账，投资人也开始算账。算账不是坏事，算账才能让钱流向真正创造价值的公司。
我认识一个连续创业者，他做过两家AI公司，一家在2021年泡沫里融了很多钱，烧完了，死了；另一家2024年融的钱不多，但每一分都花在客户身上，活下来了。他跟我说：“AI创业最怕的不是没钱，是钱太多。钱太多会让你忘记商业本质。”商业本质就是有人愿意付钱买你的产品，而且你卖这个产品能赚钱。这个道理在AI行业同样适用，不管你的模型参数有多大、团队背景有多豪华。
未来12到24个月，AI融资市场会继续分化。头部公司拿走大部分钱，估值继续涨；中腰部公司融资难，估值回调；尾部公司融不到钱，被并购或者关门。这个分化对创业者来说很残酷，对投资人来说是机会。早期项目的估值低了，投资人的谈判筹码多了。真正有技术壁垒、有收入、有客户粘性的公司，会在这个周期里跑出来。那些靠故事和概念撑着的公司，会被淘汰。
我最后想说一个观察。我见过最好的AI创业者，不是技术最强的，也不是融资最多的，是那些把融资当成工具而不是目的的人。他们知道融资是为了什么：为了招人、为了买算力、为了跑客户、为了活到下一个里程碑。他们不会被估值绑架，不会被投资人绑架，不会被热点绑架。他们盯着客户，盯着收入，盯着产品。这种人，在AI融资市场里，永远能拿到钱。因为投资人最终投的不是赛道，是人。是在理性创新和资本纪律之间找到平衡的人。
评论
发表评论