主题演讲

a16z 的 Matt Bornstein 谈如何打造一家 AI 科学创业公司

a16z's Matt Bornstein on How to Build an AI Science Startup

主题演讲🎤 Matt Bornstein（马特·伯恩斯坦，安德森·霍洛维茨 a16z 普通合伙人）⏱ 27:19👁 NA

▶ 在 YouTube 观看

顶级风投 a16z 的 AI 投资人剖析为何「AI + 科学」创业格外艰难——根源在于物理世界缺乏语言模型那样的普适低维结构与海量数据，并结合投资组合案例总结出五种应对技巧与一套实战融资/组队/算力打法。

核心要点

语言模型之所以成功，是因为它建模的是「人类表达」——存在清晰的普适低维结构（如 Llama 3 输入虽有数千维，实际自由度仅约 30），且数据近乎免费、自发产生、容忍噪声。
科学创业之所以难，是因为它要建模「物理世界」——几乎没有普适结构、训练数据稀少且昂贵、误差会迅速累积放大、平滑处理反而有害。
LLM 有「投入一美元产出超过一美元」的独特商业属性，而科学模型（如 PDE 求解器）不一定具备，这正是科学创业要逃脱的「引力井」。
AI 科学创业有五种已被验证的应对技巧：用 LLM 做研究助手、分解问题、新型训练技巧、生成合成数据、自动化实验室。
现在是历史上创办 AI 公司最好的时机：资本充裕、技术可用、人才愿意加入、势能强劲。
科学创业的核心打法：算力决定融资规模、首个集群按「首个有意义的技术成果」来定、团队要小而互补、找懂使命的投资人、12-18 个月内拿出清晰结果。

分章详解

开场与自我定位：「没人真懂怎么做」

演讲者 Matt Bornstein 是 a16z（Andreessen Horowitz）AI 与基础设施基金的普通合伙人，投资 AI 创业超过 10 年——他自嘲这在前些年其实是一门很失败的生意，近三年才明显好转。
他笑称自己属于会场「最后一排的人」：前两排坐着拥有图灵奖、菲尔兹奖、诺贝尔奖的大牛，而后排几人这三类奖项加起来「恰好为零」，所以他不会做技术性演讲以免出丑。
他坦言关于「如何打造 AI 科学创业公司」其实没人真正知道答案，但希望讨论本身有启发；a16z 过去对科学/研究方向较为谨慎，如今开始认真对待。

为何语言模型成功：人类表达的普适低维结构

语言模型本质上建模「人类表达」——新闻、YouTube 视频、Reddit 评论、GitHub 代码，全是人脑的输出，因而模型能在「人类表达」这个域里高效运作。
这类数据有清晰的普适结构（他称之为「语言基底/linguistic substrate」）：输入虽处于极大空间（小模型输入空间约 10 的 20000 次方量级），但真实数据落在一个低维流形上，所以仅用几万亿 token 就能训出惊人的泛化能力。
他引用研究佐证：Llama 3 输入理论上有 4000 多维（序列长度），实际自由度只有约 30 维；另一项图像研究表明，用不同架构（CNN、ViT 等四五种）在相同数据上训练，潜空间几乎一样、可轻易互译，暗示存在某种我们尚未理解的潜在结构。
LLM 还有三大好处：训练数据丰富且自发产生（「很难让人类闭嘴」），对噪声和错误容忍，平滑（求聚合答案）反而是优点。

为何科学创业难：物理世界没有「捷径」

科学的目标是理解物理世界的行为，这与建模人类表达截然不同：实践中没有普适结构、训练数据极少且生成昂贵、误差很糟（如流体力学仿真中小误差会迅速累积放大）、平滑是 bug（复杂多尺度模型需要高精度）。
他借「持怀疑态度的费曼（skeptical Feynman）」调侃：费曼相信物理有统一原理，这或许解释了科学模型中已现的一些泛化苗头（如某些 PDE 求解器出现早期涌现式泛化），但与 LLM 的零样本泛化仍有巨大差距。
无论物理世界是否存在结构，现实是预训练数据量远不足以覆盖——要么关系极复杂我们不懂，要么就是数据不够。
科学创业被「物理世界」拖入引力井：工作「硌牙」、每个问题域都要做独特建模、要应对实体实验室、仿真与高性能计算（HPC）、监管机构、以及拥有强大市场势力的大公司。
关键的商业差异：LLM 能「投一美元、直接产出价值超过一美元的资产」（纯靠算力换价值，这是技术史上的新现象）；而训练 PDE 求解器是否也能「一美元产出超一美元」并不清楚——这正是科学创业要逃脱的引力井。但医药、新材料、新能源的机会太大，无法忽视。

五种应对技巧与投资组合案例

技巧一·研究助手：直接用 LLM 做科学。把 LLM 比作「时速千英里、重百万吨的火车」，应顺势协作而非阻挡；它能做文献综述、生成假设、分析数据、做数学，构成众多科学 AI 系统的骨干（但像「证明 Collatz 猜想」这类问题仍做不好）。
技巧二·分解问题：以 Harmonic 公司的 Aristotle 模型为例——专做形式化数学，把问题翻译成 Lean，用蒙特卡洛搜索生成候选证明再交给模型，还配几何/数值求解器。在私有评测 Proof Bench 上，主流 LLM 约 50% 准确率，而 Aristotle 达约 70%，提升巨大。他指出这从「苦涩教训（Bitter Lesson）」视角看「本不该奏效」，却效果惊人。
技巧三·新型训练技巧：Polymathic 公司的 PDE 模型 Walrus 在 19 个不同问题上训练（此前竟无人尝试在这么多任务上训基础 PDE 模型），靠「patch jitter」、自适应计算等架构与训练改造，全面超越基线基础模型、在多数任务上也胜过专用模型；这或是「四分钟一英里」式的可能性证明。
技巧四·合成数据：蛋白质折叠领域，Boltz 做出类 AlphaFold 的完全开源模型，意义在于让计算生物学家不仅能用、还能扩展（如免疫学）；Genesis 的 Pearl 模型号称在多场景超越 AlphaFold 3，主要靠合成数据，针对「分布内表现好、分布外很差」的痛点提升泛化。
技巧五·自动化实验室（演讲者最爱）：Periodic Labs 在旧金山建大规模自主材料实验室，采用分层假设检验——LLM 生成假设材料/实验，按需分别送往神经网络评估、精确模拟器、或自主实验室做物理实验。他认为未来很多领域都会是这种「多层级、无银弹」的方案（类比内存分层）。

创业实操：钱、人、算力的新打法

他直言「现在是历史上创办 AI 公司最好的时机」（并打趣若合规部门问起就否认是他说的）：资本充裕、技术可用、人才愿来、势能十足，在犹豫的人应该去做。当下还出现怪现象：把估值定高反而更好招人，因为入职时的账面薪酬数字更亮眼。
三大要素是钱、人、算力。融资有一条迭代而反直觉的路径：先组建创始团队→拿到员工口头承诺→拿到 GPU 供应商报价→去见 VC 拿钱→回头告诉候选人「钱到了，快加入」→回头告诉 GPU 供应商「可以买了」→最后才开始真正工作。
融资规模几乎完全由算力决定；首个集群应按「达成首个有意义技术成果」来定，常见错误是 day-one 就想要太大集群、融太多钱；资金通常分两批（tranche），以便容纳 Nvidia、Google 等重要战略投资方。
研究团队：小团队几乎总是优于大团队，成员技能不重叠、为某一具体任务而招（如专精扩散或 transformer 的人）；核心是 2-3 人「对视确认一起干」，加 5-7 名研究员，超出会出现严重规模不经济；薪酬要高但别太高，否则逆向选择招来「雇佣兵」。
算力是创业的「氧气/命脉」：要尽早开始、问遍所有人、拿尽可能多的报价；供给再度紧张，但仍可议价（好的 GPU 价格可能决定生死）；小集群可签短约、大集群需签长约；不要轻视 Nebius、Lambda、CoreWeave 等「新云（neo cloud）」，它们往往不输 AWS 和 Google。

AI 科学创业的特有抉择与「大过滤器」

商业模式抉择：是把产出商业化（自己拥有分子/材料），还是把软件卖给已经擅长此事的人？自己「拥有分子」很诱人但极难，很多公司从这条路起步后中途转向。
监管是最关键变量：其他都能应对，一旦要过 FDA 等监管就变难。这是开放式研究，要确保研究收敛到技术里程碑——若投资人和团队总在问营收、用户、产品，说明找错了人；但需在创立后 12-18 个月内拿出清晰结果。
要找对投资人：科学创业不具备语言/扩散模型的扩展动力学，需要理解并认同这点、愿意长期对齐使命的投资人。「与使命对齐的前提是先理解使命」——若投资人只是点头说「听起来很棒、你很聪明，就干吧」，反而是坏信号。
融资往往是「大过滤器（great filter）」：把飞轮（算力+人才+再融资）转起来靠的就是融到大钱；说服投资人通常要「往大处想、追求开放式问题」，但这与脚踏实地在具体任务上展示进展之间存在张力，需要在「对外讲故事」与「实际计划」间跳一支微妙的舞。

关键引述

“「智能对科学是必要的，但不充分。新知识只有在想法被发现与现实一致时才会产生。」（Intelligence is necessary, but not sufficient for science. New knowledge is created when ideas are found to be consistent with reality.）”— Liam（Periodic Labs 创始人，由 Matt Bornstein 引述）

“「语言模型本质上是在建模人类表达……而科学模型与创业的目标是理解物理世界的行为，这二者截然不同。」”— Matt Bornstein

“「现在是历史上创办 AI 公司最好的时机，千真万确——如果你在犹豫，请一定去做。」”— Matt Bornstein

“「与使命对齐的前提，是先理解这个使命。如果投资人只是点头说『听起来很棒、你很聪明，干吧』，那是个坏信号。」”— Matt Bornstein

术语 / 人物

Matt Bornstein — a16z（Andreessen Horowitz）AI 与基础设施基金的普通合伙人，投资 AI 逾 10 年，曾主导 Cursor、Tabular（被 Databricks 收购）等交易；布朗大学数学学士、哈佛 MBA。

苦涩教训（Bitter Lesson） — Rich Sutton 提出的观点：长期来看，依靠通用方法+大规模算力/数据的做法，往往胜过依赖人工设计领域知识的做法。演讲中多次以此对照「需要人工建模技巧」的科学模型。

PDE 求解器 — 用于求解偏微分方程（如流体力学）的模型，是 AI for Science 的典型任务；演讲以 Polymathic 的 Walrus 模型为例。

潜空间互译 / 语言基底 — 指不同架构模型在相同数据上训练得到的潜空间高度相似、可互相翻译，暗示数据背后存在某种普适低维结构（linguistic substrate）。

新云（neo cloud） — 专注于 GPU 算力租赁的新兴云服务商，如 Nebius、Lambda、CoreWeave，演讲者认为其性价比常不输 AWS、Google。

引力井（gravity well） — 演讲者的比喻：科学创业被「绑定物理世界」所带来的数据稀缺、误差敏感、监管、实体实验室及不明朗商业模型等约束所拖累。

tranche（分批融资） — 把一轮融资资金分成多批拨付，常用于容纳 Nvidia、Google 等战略投资方的参与。

背景补充

Matt Bornstein 是 Andreessen Horowitz（a16z）AI 与基础设施基金的普通合伙人，被业内视为「在 AI 火起来之前就在做 AI」的投资人，加入 a16z 六年多、近期晋升为 GP。他主导或参与了 Cursor、Tabular（被 Databricks 收购）、Mistral、Hex、Replicate、Character.ai、Labelbox 等数据/AI 基础设施领域的重要交易，并是 a16z AI 播客的常驻主持。本次为 SAIR（由陶哲轩等联合创立的科学与 AI 研究基金会）活动所做的主题演讲，他以投资人视角剖析「AI for Science」创业的独特难题与打法。

适合谁看

适合正在或考虑创办/加入 AI（尤其是 AI for Science）创业公司的创始人、研究者与早期员工，以及关注 AI 科学化商业模式、融资与算力策略的投资人和行业观察者。