尽管市场上关于AI泡沫的讨论越来越多,红杉资本坚持认为其投资策略不会受到市场狂热的影响。
"市场有涨有跌,但我们的策略始终保持一致。我们总是在寻找有想法构建世代企业的杰出创始人,"红杉资本早期投资团队合伙人博戈米尔·巴尔坎斯基表示。
为了证明这种一致性,红杉资本周一宣布了两只新基金,规模几乎与大约三年前推出的基金相当:一只7.5亿美元的早期基金,专门投资A轮初创公司,以及一只2亿美元的种子基金。
这些基金是在这家传奇公司经历动荡时期后推出的。2021年,红杉将其结构重组为一个由特定策略"子基金"支持的常青主基金,主要是为了让公司能够在投资组合公司IPO后长期持有股票。该公司在2022年底遭受了重大财务损失,当其在加密货币交易所FTX的投资失败时损失超过2亿美元,随后在2023年与印度和中国分部分离。
这家知名公司曾在Airbnb、谷歌、英伟达和Stripe的初期阶段投资,现在正将近期的挑战抛在身后,回归其核心目标:在创业的最早阶段投资有前途的创始人。
巴尔坎斯基强调了这一使命:"我们的抱负一直是,也将继续是尽早识别这些创始人;撸起袖子,积极参与他们的公司建设之旅。"
随着AI初创公司估值飙升,红杉希望利用新基金投资那些在创业之旅开始阶段最有前途的创始人。这种策略使公司能够以低价格获得投资机会,同时锁定可观的股权份额。
这种早期投资重点对该公司来说现在更加重要。随着估值以前所未有的速度飙升,早期进入是锁定较低价格和获得大量股份的关键。
这种方法正在取得成效:红杉对Clay、Harvey、n8n、Sierra和Temporal的种子轮和A轮投资在AI热潮中已经获得了数倍增值。
即使拥有著名的A轮投资历史,巴尔坎斯基明确表示,红杉旨在通过更早投资来捍卫其传统:"我们有着与公司在最早期阶段合作的惊人记录和传统,这在今天将被归类为前种子轮。"
他强调了公司的早期判断力:红杉最近向安全测试公司Xbow、AI可靠性工程师Traversal和DeepSeek替代方案Reflection AI写出了第一张支票——所有这些公司此后都以更高估值筹集了大量资金。该公司表示,它在幕后帮助的方式包括招募前Databricks首席营收官加入Xbow董事会,为Traversal联系了30多个潜在客户,并安排Reflection AI与英伟达的黄仁勋会面,直接促成了这家芯片制造商5亿美元的投资。
即使取得了这些近期成功,红杉仍然专注于维护其作为硅谷顶级投资者五十年传统。为了确保这种心态持续下去,该公司新装修的办公室设有一面墙,每位投资者都亲手写下了这个提醒:"我们的价值仅取决于下一笔投资的好坏。"
Q&A
Q1:红杉资本新推出的基金规模有多大?主要投资什么?
A:红杉资本推出了两只新基金,总计9.5亿美元:一只7.5亿美元的早期基金专门投资A轮初创公司,以及一只2亿美元的种子基金。这些基金主要用于在AI热潮中投资最有前途的早期创业者。
Q2:红杉资本为什么强调早期投资策略?
A:随着AI初创公司估值飙升,早期进入是锁定较低价格和获得大量股份的关键。红杉希望在创业者刚开始创业时就投资他们,这样能以低价格获得投资机会,同时锁定可观的股权份额。
Q3:红杉资本最近的AI投资表现如何?
A:红杉的早期投资策略正在取得成效,其对Clay、Harvey、n8n、Sierra和Temporal的种子轮和A轮投资在AI热潮中已经获得了数倍增值。最近还投资了Xbow、Traversal和Reflection AI等公司,这些公司后来都以更高估值筹集了大量资金。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。