Charles Hudson在早期初创公司投资领域深耕十余年。作为Precursor Ventures的创始人兼管理合伙人,他投资了数百家公司,亲历了市场的深刻变革——这些变革要求创业者打破旧有的融资思路,以更具创造力的方式应对挑战。在本周《Build Mode》节目中,Startup Battlefield主持人Isabelle Johannessen与Hudson深入探讨了当前早期创业者面临的阻力,以及他们在寻求融资过程中应当避免的常见错误。
一味追求高估值,而非审慎规划
高估值并不适合每一家公司。虽然它能吸引媒体关注,也能为公司在其他投资者眼中增添可信度,但创业者需要对自己的估值抱有现实预期,更重要的是,要认真思考谁进入了自己的股权结构表。一张大额支票,真的值得与一个并不匹配的投资者共事十年吗?
Hudson表示:"大额融资真正的风险在于,你最终会成为自己公司的囚徒。你拿了这么多钱,向投资人描绘了宏大愿景,但他们并不想要钱回来——他们希望你能建造出与他们给予相称的事业。"
对潜在投资者做好尽职调查
主动与投资方的被投创始人交流,了解该投资者能提供哪些实质性价值。核实他们在招聘支持、市场推广和平台资源对接方面的承诺是否属实。要记住,投资方在考察你的同时,你也在审视他们。
合理判断风险投资是否适合自己的业务
优秀的企业未必都是适合风险投资的企业。风险投资模式只有在你构建的公司具备"能够为基金带来回报"的潜力时才能真正奏效。
Hudson说:"我最近更成功的做法是直接告诉创业者:'这是风险投资要求你做的事,先抛开你的公司不谈,这是你需要想要建立的那类业务,这真的是你的追求吗?'"
正视当下真实的融资环境
过去几年,风险投资生态发生了深刻变化。投资者不仅会把你的公司与去年的初创项目作比较,还会把你与历史上增长最快的那批AI公司放在一起衡量。即便是在其他市场堪称亮眼的增长数据,在这种对比下也可能显得平平无奇。
Hudson坦言:"他们的营收在翻倍、翻三倍、翻四倍,但市场给他们的反馈却是:不错,但还不够好。"
《Build Mode》新一季已正式上线。节目每周邀请顶级投资人和创业者,深入探讨天使轮融资、众筹、条款清单解读,以及实战路演建议等核心话题。节目每周四更新,可在Apple Podcasts、Spotify等平台收听,完整视频版本也可在YouTube上观看。
Q&A
Q1:Charles Hudson认为创业者在估值上最容易犯什么错误?
A:Hudson认为,很多创业者一味追求高估值,却忽视了随之而来的高压预期。一旦接受大额融资,创业者等于向投资人许下了宏大承诺,投资人不会要求退款,而是期待你建立出与融资规模相称的公司。这种压力可能让创业者陷入被动,成为"自己公司的囚徒"。他建议创业者在追求估值之前,先认真评估是否认同风险投资对公司发展路径的要求。
Q2:创业者在选择投资人之前应该怎么做?
A:Hudson建议创业者对潜在投资人进行主动的尽职调查。具体方法包括:与该投资机构已投公司的创始人交流,了解投资方实际提供的支持是否与其承诺一致,例如招聘协助、市场推广资源和平台对接能力等。他强调,融资本质上是双向选择,创业者在被投资人考察的同时,也应该反过来审视对方是否真正适合自己的公司。
Q3:当前融资环境对早期创业者来说有什么变化?
A:Hudson指出,风险投资的评判标准已经发生了显著变化。投资人如今不仅会横向比较同期初创公司,还会将被投候选人与那些增长速度极快的AI公司进行对标。这意味着即便一家公司实现了营收翻倍或翻三倍的增长,在当前市场语境下仍可能被认为"还不够好",这对非AI赛道的早期创业者构成了更大的融资压力。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。