22 個 VC 只有他說 Yes：Anthropic 早期投資人 Anjney Midha 談 AI 的四大瓶頸

TL;DR

• Anthropic 種子輪找了 22 個投資人，21 個拒絕，多數人連 GPT-3 是什麼都不知道。原本想募 5 億美元，最後降到 1 億
• AI 產業有四個核心瓶頸：Context（資料回饋）、Compute（算力）、Capital（資本）、Culture（文化），其中文化可能是最關鍵的，因為文化對了，演算法創新會自然發生
• 我們不在 AI 泡沫裡，我們在 GPU 浪費泡沫裡。算力沒有標準化，H100 和 GB200 之間的 FLOPS 不能互通，像 1885 年電力尚未標準化的狀態
• 中國用「全棧系統共設計」配合大規模 adversarial distillation 蒸餾西方模型，開源釋出收集回饋後迭代追趕，追上後就不再開源
• 西方需要一個「推理鐵穹」（Iron Dome for Inference），讓前沿推理服務通過共享防護層協調防禦蒸餾攻擊
• 創投正在「回到未來」：最有價值的公司來自投資人和科學家深度共創，光寫支票的時代結束了
• Optimal competition 才是正解：每個前沿領域三到四個頂尖團隊，完美競爭是輸家，壟斷是黑幫

Podcast 與來賓背景

這集在 2026 年 4 月 14 日播出的 20VC（The Twenty Minute VC），是創投圈產量最高的 Podcast 之一，主持人 Harry Stebbings 每週都在跟各種 VC 和創辦人對談，節奏快、問題直接。這集的來賓是 Anjney Midha，大概是目前 AI 投資圈最難繞過去的一個人。他是 Anthropic 最早期的天使投資人，之前在 a16z（Andreessen Horowitz）擔任 General Partner，主導了 Mistral、Black Forest Labs、Sesame 等 AI 公司的投資。更早之前他自己創辦過 Ubiquity6（一家做 AR 和電腦視覺的公司，後來被 Discord 收購）。2025 年 10 月他離開 a16z，創辦了 AMP PBC（Public Benefit Corporation，公益法人），同時做創投和算力基礎設施，第一支基金募了 13 億美元。他在 Stanford 開一門叫 CS 153: Frontier Systems 的課，自己還每週三天蹲在他孵化的 AI 材料科學公司 Periodic Labs 裡上班。

Anthropic 的種子輪：22 個 VC，21 個說不

Anjney 跟 Tom Brown（GPT-3 的核心作者之一）是老朋友。2021 年初，Tom 打電話跟他說，我們要離開 OpenAI，成立一個新實驗室叫 Anthropic，需要大量資金和算力。

Anjney 當時剛把 Ubiquity6 賣掉，手上的錢不多，大部分身家都綁在 Discord 股票裡。但他相信這群人，直接把積蓄投了進去。

然後他幫忙牽線，把 Dario Amodei、Tom 介紹給 Sand Hill Road 上 22 個投資人朋友。

結果？21 個拒絕。

理由很經典：「這個策略聽起來不錯，但證據在哪？」Anjney 回：「這些人發明了 GPT-3，你還要什麼證據？」對方：「GPT-3 是什麼？」

他說到這裡的時候語氣是真的無奈。你要怎麼教育一個連當下最重要的技術突破都不知道的人？

他們原本想募 5 億美元，最後只好降到 1 億的種子輪。那時候 OpenAI 已經募超過 10 億了。後來真正買單的，一個是跟 ML 社群有交集的 EA（Effective Altruism，有效利他主義）圈子裡的人（包括 SBF），另一個是 Amazon。Amazon 的邏輯很直白：如果 Anthropic 能做出頂級模型跑在 AWS 上，那對 AWS 業務直接加分。這就是後來 Amazon 投入 40 億美元的起點。

我之前在 Anthropic 狂飆、OpenAI 失焦、SaaS 重新定價 有聊過 Anthropic 現在的市場地位和產品節奏，但回頭看種子輪被幾乎所有人拒絕的故事，真的會覺得早期投資最難的地方就是在所有人都說不的時候說 yes。

AI 的四大瓶頸

Harry 問 Anjney 現在 AI 進展最大的瓶頸是什麼，他列了四個。這個框架我覺得比多數分析都清晰。

Context Feedback：缺的不是模型，是資料回饋迴路

模型要在特定領域進步，需要那個領域的資料和即時回饋。問題是很多重要的資料根本不在網路上。

Anjney 提到他之前在 Stanford 物理系當訪問科學家的時候，把 Claude、Gemini 拿去跑物理和化學的 benchmark，結果慘不忍睹。行銷上說 AI for Science 多厲害，實測起來在科學分析上爛得可以。原因很簡單：網路上大部分是部落格、程式碼、社群討論，物理和化學的資料被鎖在國家實驗室、學術機構、半導體工廠裡。

這就是他創辦 Periodic Labs 的動機。他在 Menlo Park 搞了一個三萬平方英尺的實驗室，讓 LLM 預測新材料和超導體，用機器人合成材料，再用 X 光繞射儀（X-ray diffraction）驗證物理性質是否跟模型預測的一致，驗證數據再餵回訓練。每一輪迭代，多砸算力進去，效能增長是超指數的。

之前寫過 用 AI 搜尋所有可能的材料，聊 CuspAI 用生成式 AI 做材料科學的搜尋引擎。Periodic Labs 的思路類似但更硬核：直接在物理世界做驗證，然後把結果灌回模型。這種 AI 加上物理驗證的閉環，才是真正讓模型在科學前沿進步的方式。

Compute：算力不是不夠，是不能互通

更精確地說：算力沒有標準化。

NVIDIA 的 H100、GB200、GB300 是完全不同的晶片類型。你在 H100 上跑的訓練任務，沒辦法搬到 GB200 上繼續。所以兩三年前買了大量 H100 的公司，現在想訓練新模型，卻發現 H100 記憶體不夠跑 frontier model。但也不能直接用 Blackwell 晶片接手舊的工作負載，得重頭來過。舊集群就這樣閒置了。

他的判斷很直白：我們不在 AI 泡沫裡，我們在 GPU 浪費泡沫裡。幾十億美元的算力閒在那邊沒人用，能力面沒有泡沫，基礎設施浪費才是泡沫。

Capital：400 億美元的算力調度

需要持續的資金維持算力和資料迴路的運轉。AMP 在建的「AMP Grid」目前確保了約 1.3 GW 的算力基礎設施，相當於未來四年約 400 億美元的雲端支出，融資結構是 20% 股權加 80% 債務。

Culture：文化才是終極瓶頸

Anjney 說文化可能是最重要的瓶頸。如果文化對了，你能吸引最好的研究者。最好的研究者不會執著於某種架構（transformer 還是 diffusion model），他們只想解決問題。演算法創新會自然發生。

反過來，前三個瓶頸都解開了，文化不對的話整件事照樣崩。

1885 年的電力危機

Anjney 做了一個比喻，我覺得非常有畫面。

他說我們現在大約在 1885 年工業革命的英國。蒸汽引擎發明了，工廠開始大量生產，但每家工廠都在自家後院跑自己的發電機，利用率大概只有一半。完全沒道理。

解法是把發電機集中起來建電網。鞋廠白天用電量大的時候調高供給，鋼鐵廠晚上生產的時候調高，整體利用率就最大化了。

AMP Grid 想做的就是算力版的電網。他們自己定位為 Independent System Operator（獨立系統營運商），不是雲端供應商，不擁有資料中心，是在現有算力池之間做調度，讓前沿團隊可以按基礎負載來配置，不用為了尖峰需求過度採購。需要跑大型訓練的時候再動態擴展。

但電力走了 50 年才完成標準化，經歷了 AC vs DC 之爭和一堆 boom-bust cycle。他希望算力能跳過這段，但坦白說目前連開放協議都還沒有，不同資料中心、不同晶片之間的 FLOPS（浮點運算次數）完全不能互通。

他講了一句我覺得很到位的話：大家在爭論有沒有 AI 泡沫，但真正的問題是基礎設施浪費危機。能力在每個領域都在指數成長，浪費才是問題。

中國的全棧系統共設計，與西方的「推理鐵穹」

這段聽的時候讓人有點緊張。

Anjney 描述了中國的追趕策略：在晶片端短期內追不上 NVIDIA，所以走全棧系統共設計（full-stack systems co-design）。把華為的晶片跟算力基礎設施、訓練流程整合在一起，在堆疊的每一層做效能最佳化。

然後大規模 adversarial distillation（對抗性蒸餾）。從各個端點蒸餾西方前沿模型的能力，盡可能榨出效能增益，以開源模型釋出，收集全世界的回饋，迭代，再來一輪。等追到前沿了，就不開源了。「國內需求自己夠用，何必繼續分享？」

他說這個策略某種程度上跟 Google 的做法一樣：Land、Power、Shell、TPU、Borg、Gemini，從頭到尾垂直整合。中國用開源當 bootstrap 機制，追上之後轉閉源。精準且有效。

之前在 Distillation 戰爭與 SWE-Bench 之死 有聊過 Anthropic 指控中國實驗室蒸餾的事，Anjney 講的更具體。他同時坐在七八個 AI 公司的董事會上，有創辦人直接傳訊息給他：「今天有沒有人發現某個地區的蒸餾流量暴增？」然後他拉群組協調。目前完全是非正式的方式在防守。

他提出的解法叫「推理鐵穹」（Iron Dome for Inference）：所有前沿模型的推理服務通過一個共享的代理層（shared proxy），某一家被攻擊時，整個生態系即時協調防禦。概念就像以色列的鐵穹飛彈防禦系統，但防的是蒸餾攻擊。

「如果不在前沿推理服務上建立協調防禦機制，未來十年我們沒辦法持續待在前沿。」這話說得很重。

創投的「回到未來」

Anjney 的論點是：AI 時代最有價值的公司，誕生方式跟過去十年零利率時代完全不同。他舉了三個歷史案例：

• Intel：Arthur Rock 每天到公司，幫忙寫股票激勵計畫，每週主持全員會議。投資人跟科學家是同一個團隊
• Genentech：在 Kleiner Perkins 地下室孵化出來的。共同創辦人 Bob Swanson 就是 Kleiner 的 associate
• Apple：Mike Markkula 是天使投資人，但實際上當了第一年的 CEO，處理所有 CapEx 和供應鏈，讓 Jobs 和 Woz 專心做產品

Anjney 自己也在走這條路。他每週三天在 Periodic Labs 上班，每天早上八點跟共同創辦人 Liam Fedus 開站會，AMP 的算力團隊就在樓上幫 Periodic 調度資源。

他很直接地說，這種模式跟「寫支票等結果」的模式很難在同一個人身上並存。被問到未來五年創投會怎麼變，他說如果你不能提供這個時代創業者真正需要的東西（算力、基礎設施、深度技術合作），那就別做創投了。他提到 Robinhood 推出創投基金就是訊號：軟體已經能取代你大部分的協調功能。

Optimal Competition：Peter Thiel 那句話需要更新

Anjney 修正了 Peter Thiel 在 Zero to One 裡那句「Competition is for losers」。

他說 Thiel 沒有錯，但不夠精確。精確版：完美競爭（perfect competition）是輸家，壟斷是黑幫（mafias）。

完美競爭就像餐飲業，50 家做一樣的事，大家都虧錢。現在 inference 領域可能有 50、60 家公司，VC 不斷燒錢進去，搶的是稀缺算力，真正在創新的團隊反而拿不到資源。

壟斷也有毒。壟斷者確立地位後就停止創新，改用資產負債表往上下游收購、囤積資源。

最佳狀態叫 optimal competition：每個前沿領域三到四個頂尖團隊。夠多到維持創新壓力，又不至於多到 race to the bottom。

最後活下來的四五家 inference 公司，決定因素很簡單：算力供應。沒有算力拿什麼做推理？

He Was Right

節目最後 Harry 問 Anjney 想被記住什麼。他說三年前老婆 Viv 在朋友聚會上問他墓碑上想寫什麼，他脫口而出：

「He was right.」（他是對的。）

全場安靜。

因為他有一種偏執，想搞清楚未來的方向然後告訴所有人。所有人一開始都覺得他在瘋言瘋語，直到事實證明他判斷對了，幫 LP 賺了大錢，大家才開始認真聽。

坦白說，這種自信如果放在一個判斷沒有被驗證過的人身上，大概會被歸類為妄想。但他確實在幾乎所有人說不的時候，用身家去賭了 Anthropic。這個賭注現在看來，嗯，他確實是對的。

整集聽下來最大的 takeaway 可能是：AI 產業的真正瓶頸從來就不只是技術問題，更多是人的問題。資本配置的錯位、算力標準化的缺乏、文化和使命感的稀缺，這些比「模型夠不夠聰明」重要得多。

如果你也對 AI 基礎設施和產業結構這類主題有興趣，我的部落格 wilsonhuang.xyz 會持續寫這方面的觀察，訂閱一下就不會錯過。