核心事件

S&P Dow Jones Indices 正考慮修改 S&P 500 指數的納入規則，目的是讓 SpaceX 在 IPO 後能更快速地加入指數。

現行規則與潛在變革

• 目前 S&P 500 沒有快速通道機制，公司須符合多項條件才能入選：

  • 市值至少達 227 億美元

  • 須在美國註冊

  • 上市滿 12 個月

• S&P 正與各方利害關係人溝通，評估是否有修改需求，但尚未做出決定，後續仍需數週的正式諮詢程序

SpaceX IPO 的潛在規模

• SpaceX IPO 估值可能超過 1.75 兆美元，募資規模最高達 500 億美元。

• 以此市值計算，SpaceX 將是 S&P 500 中市值第六大的公司，僅次於 Nvidia、Apple、Microsoft、Amazon 和 Alphabet，甚至超越 Meta 和特斯拉。

市場影響

• 約 24 兆美元的資金追蹤 S&P 500，一旦 SpaceX 入選，追蹤基金將被迫大量買進，引發數十億美元的強制性買盤。

• S&P 500 涵蓋美國股市約 80% 的總市值，規則變動影響深遠。

更廣泛的市場背景

• Nasdaq 同樣考慮加速大型新上市公司納入 Nasdaq 100 的規則，SpaceX 甚至將「早期納入 Nasdaq 100」列為選擇在 Nasdaq 掛牌的前提條件。

• FTSE Russell 也針對大型 IPO 的指數處理方式展開諮詢。

• OpenAI、Anthropic 等大型私有科技公司也可能最快於今年 IPO；若美國前 10 大創投支持的公司全數上市並納入 S&P 500，合計權重將超過能源板塊（約 4.5%）。

此次規則討論的本質，是各大指數提供商在面對超大型獨角獸公司即將上市的浪潮下，主動調整遊戲規則，以確保指數能即時反映市場結構的重大變化。

問題的的核心是——指數規則的變革速度，不應該快過市場的定價能力。

開特例的正當性

指數的存在目的是即時反映市場結構。當 SpaceX 以 1.75 兆美元市值上市，第一天就已經是全球第六大公司，硬要等 12 個月才納入，反而讓 S&P 500「失真」——追蹤它的基金組合根本不代表真實的美國股市。

但特例一旦開了，邊界在哪裡？

• Anthropic、Databricks、OpenAI 若陸續上市，市值都可能破千億

• 如果全部比照辦理，未來每一個大型 IPO 都會觸發指數的強制買盤

• 「特例」就不再是特例，而是新的常態，但這個常態有沒有經過嚴謹的規則設計，是很大的問號。

估值消化問題

剛掛牌的公司存在幾個結構性風險：

1. 價格發現尚未完成

   IPO 定價本質上是承銷商與大股東的協商結果，不是充分市場交易後的均衡價格。上市初期的波動往往很劇烈，強迫指數基金在這個時點大量買進，等於讓數兆美元的被動資金承擔流動性溢價。

2. 籌碼結構不穩定

   早期投資人（VC、員工）的閉鎖期通常是 180 天，解禁後賣壓龐大。若指數基金在閉鎖期內就被迫建倉，解禁賣壓來臨時，被動基金反而成了接盤方。

3. 基本面透明度不足

   私有公司上市後，市場需要幾季的財報才能真正理解其商業模式與獲利能力。12 個月的等待期，某種程度上正是為了讓這個資訊消化過程發生。

SpaceX 估值倍數遠超市場合理範圍

SpaceX 的目標估值約為 2025 年收入的 94 倍，即便採用最樂觀的 2026 年預測也超過 60 倍。相比之下，Facebook 上市時的遠期銷售倍數為 11 倍，當時已被視為極度昂貴；Google 約為 5–6 倍。SpaceX 的倍數甚至超過目前標普 500 中估值最高的 Palantir。

Starlink 的市場天花板遠低於預期

IPO 敘事依賴 Starlink 到 2040 年達到 12 億用戶，但這個數字存在根本性矛盾：

• 全球每日收入超過 32 美元、有能力負擔月費的人口約 10 億，其中大多數已有更快且更便宜的有線寬頻。

• 真正既負擔得起、又缺乏固網的潛在用戶，實際估計僅約 3,200 萬戶，且其中多數已能透過行動網路上網。

• 現有數據已顯示天花板跡象：訂閱數超預期 50%，收入卻低於預測，顯示每用戶貢獻正在下滑。

EBITDA「盈利」具有嚴重誤導性

SpaceX 吹噓的 80 億美元 EBITDA 刻意排除了兩項對業務存續至關重要的成本：

• 衛星折舊：Starlink 衛星壽命僅約 5 年，必須持續替換，這是核心營運成本，而非一次性支出

• Starship 研發支出：數十億美元的研發投入被計入資產負債表而非損益，使帳面看起來更健康

一旦納入這些成本，所謂「盈利」便難以成立。

xAI 的併入是以高估值轉移虧損

SpaceX 以 2,500 億美元將 xAI 納入合併，但：

• xAI 在 2025 年前 9 個月收入僅 1.2 億美元，同期每月燒錢 10 億美元，相當於每 6 天花完全年收入

• Grok 市佔率僅 3.4%，對手 ChatGPT 與 Gemini 合計超過 85%

• 自年初以來大量核心人才出走，包括六位從 Google 和 DeepMind 挖角的創始成員

• 此舉與 2016 年特斯拉收購 SolarCity 高度相似——用優質資產的資產負債表為關聯虧損企業紓困

「軌道數據中心」願景工程上難以實現

支撐高估值的核心敘事是將 AI 算力遷移至太空，但工程現實極為嚴峻：

• 在太空中散熱只能靠紅外輻射，已有測試案例顯示單顆 H100 晶片因過熱必須頻繁關機。

• 達到 1 吉瓦算力需要約 4 公里長的太陽能與散熱陣列——相當於 40 個足球場，極易被太空碎片損毀。

• 地面同等設施成本約 160 億美元，軌道版本估計超過 500 億美元，超出三倍以上。

• Starship 目前尚未完成完整入軌任務，距「每小時一次、每次 200 噸」的目標頻率極為遙遠。

IPO 結構本身是設計出來的供需操縱

即便估值難以邏輯辯護，IPO 機制仍能推高股價：

• 僅流通 5–10% 的股份，人為製造稀缺感。

• 據報導 SpaceX 要求僅需 15 個交易日即可納入 Nasdaq 100，繞過其他公司需要的一年等待期。

• S&P 500 亦在考慮快速納入，意味著約 24 兆美元的被動資金將被迫在任何價格上買入。

• 這實際上將所有養老基金持有人轉化為內部人士的退出流動性。

特斯拉 2020 年納入 S&P 500 後，至今已跑輸大盤逾 20%，提供了一個可供參照的歷史先例。

總結矛盾核心：

SpaceX 作為工程公司的真實成就毋庸置疑，但此次 IPO 的估值邏輯依賴多個同時成立的高難度假設——市場規模、技術突破、AI 競爭逆轉——而 IPO 結構設計則確保即便邏輯不成立，股價短期內仍可能被推高，代價由被動投資者承擔。

在早期的風投史上，投資被視為一種「點石成金」的煉金術。那時的傳奇如 Arthur Rock 或 Don Valentine，開出的支票往往只有幾十萬美元，賭的是一個能讓個人電腦普及、或讓通訊革命的遠大願景。

但今日，這門藝術正被數據、規模與壟斷摧毀。我們正處於一個「資本巨獸化」的時代。原本應該是為了「風險」而存在的資金，現在卻成了「規避風險」的工具。這種扭曲，正從矽谷延燒到台灣，形成兩種截然不同、卻同樣令人窒息的創業生態。

這週在美國，我一直在思考「Megafunds」（巨型基金）這個詞。為什麼？因為這短短幾週內，市場的數字已經瘋狂到令人失語：Founders Fund 募集了 60 億美元，Spark Capital 拿了 30 億美元，而據傳 General Catalyst 正在洽談一筆高達 100 億美元的募資。

當這些數字擺在面前時，人們總會不由自主地問：「這對風險投資的未來意味著什麼？」

我的答案可能會讓許多同行感到不適：「風險投資」（Venture Capital）其實已經不存在了。 至少，不再是我們過去幾十年所共同定義、共同信仰的那種樣子。

今日我們口中那個包山包海、用來形容所有私有公司募資的「風投」，實際上是四種截然不同的邏輯在玩一場混亂的博弈：(1) 種子投資 (Seed)、(2) 經典風投 (Venture Classic)、(3) 超壓強增長投資 (Supercharged Growth)，以及 (4) 過往的小盤成長型科技股 (Small Cap Stocks)。

「名不正則言不順。」當我們繼續假裝這四者是一回事時，就是在誤導所有的創業者與投資人。

現在，我們看到一群剛從商學院畢業、或許只有兩年產品經理經驗的新手，正在操作著數十億美元的資金，把錢灌進所謂的「10 億美元種子輪」。這不是在播種，這是在摧毀土壤。

Read more

這是一份令人唏噓的「死亡名單」。站在 2026 年 1 月回望，那份 2023 年的《Forbes AI 50》榜單，更像是一張「AI 新創泡沫破裂前的集體遺照」。

這些公司，曾是我輩台灣創投鄉巴佬仰望矽谷、可視為神級新創難以企及的對象；然而不過短短三年，當年風頭無兩的明星案例，如今卻多已門庭冷落、人去樓空。世事翻覆之快，令人不勝唏噓，亦只能哀矜而不敢幸災樂禍。

我試著對這份名單進行一場冷靜的「驗屍」，大致可歸納出五種典型的死亡方式：
被掏空靈魂的併購（acqui-hired）、被降格為單一功能的產品（feature-ized）、護城河乾涸後的競爭潰敗、遭基礎設施巨頭夾擊而失血，以及垂直領域長期掙扎後的終局。

第一類：被「偽收購」掏空的靈魂

這類公司是「Founding Team 不見了」。巨頭為了規避反壟斷調查，發明了「逆向收購人才」模式：不買公司，只買人與授權。公司名義上活著，但大腦已被挖空，估值歸零。

• Inflection AI（曾融資 13 億美元）

  • 死因：微軟的吸星大法。

  • 2026 判決：名存實亡。早於 2024 年，微軟支付 6.5 億美元「授權費」，將創辦人 Mustafa Suleyman 及 70 名核心工程師打包帶走。剩下的 Inflection 轉型做 B2B 供應商，徹底失去了打造「個人 AI 助理 Pi」的野心與能力。

    

• Adept（Agent 先驅）

  • 死因：亞馬遜的人才外包。

  • 2026 判決：殭屍企業。2024 年中，CEO David Luan 與核心團隊被 Amazon 挖角。隨著 OpenAI 與 Anthropic 原生支援 Computer Use 功能，Adept 試圖「外掛操作軟體」的技術路線被證實是過渡性方案，公司僅剩維護舊代碼的空殼。

    

• Character.AI（C 端流量王）

  • 死因：創辦人回歸母體。

  • 2026 判決：流量與靈魂雙失。Noam Shazeer 被 Google 重金買回。面對 Meta AI 在 Instagram/WhatsApp 內建免費且強大的角色扮演功能，Character.AI 失去了增長動能，變成了一個逐漸被遺忘的社群。

    

• Neeva

  • 死因：投降輸一半。

  • 2026 判決：已消失。早於 2023 年就被 Snowflake 收購並關閉業務。試圖挑戰 Google 搜尋本身就是自殺行為，尤其在 ChatGPT Search 與 Perplexity 興起後，Neeva 毫無招架之力。

第二類：被降級為「功能」的棄子

這類公司驗證了「分分鐘可以推出之前架在 LLM 上面的那些應用」。當 GPT-5 或 Copilot 內建這些功能時，他們的訂閱價值瞬間崩塌。

• Jasper / Writer / Copy.ai（文案生成）

  • 死因：Office 365 與 Workspace 的原生整合。

  • 2026 判決：價值歸零。誰還會每月花錢訂閱一個「Prompt 封裝器」？現在用戶直接在 Word 或 Google Docs 裡按一個鍵就能生成文案。Jasper 營收腰斬再腰斬，僅靠舊合約苟延殘喘。

    

• Tome（簡報生成）

  • 死因：PowerPoint Copilot。

  • 2026 判決：被微軟輾壓，NotebookLM 一鍵生成。Tome 曾因「一句話生成 PPT」爆紅，但微軟直接將此功能植入 Office。用戶不需要一個格式不相容的第三方軟體，Tome 失去了存在的必要性。

    

• Descript（影音編輯）

  • 死因：Adobe 與 剪映 (CapCut) 的夾擊。

  • 2026 判決：功能被瓜分。Descript 的「文字剪輯影片」功能被 Adobe Premiere 吸收，而易用性則輸給了字節跳動的 CapCut。加上多模態模型的高昂成本，使其無力再戰。

• Gong / Clari（銷售科技）

  • 死因：Salesforce 的吞噬。

  • 2026 判決：成為 CRM 的一個按鈕。Salesforce 的 Einstein GPT 直接在底層做掉了「通話錄音分析」和「銷售預測」。客戶不想為了單一功能多付昂貴的 SaaS 費用並處理資料串接問題。

第三類：技術路線錯判或護城河乾涸

這類公司在 2023 年看起來技術領先，但輸給了更宏大的生態系或技術典範轉移。

• Midjourney（影音編輯的一代拳王）

  • 死因：工作流孤島 與 影片世代的落後。

  • 2026 判決：小眾化。

    1. 成也 Discord 敗也 Discord：長期堅持在 Discord 操作，使其無法嵌入專業設計工作流。Adobe Firefly 直接內嵌於 Photoshop，搶走了專業用戶。

    2. 錯失 Video 爆發：2025 年是 AI Video（Sora, Kling, Runway Gen-4）的天下。Midjourney 在 3D 與影片生成上的轉身太慢，從「生產力工具」退化為「藝術家的玩具」。

       

• Synthesia（數位人）

  • 死因：技術白菜化。

  • 2026 判決：紅海犧牲品。2023 年生成虛擬人很貴，2026 年連手機 App 都能即時生成逼真 Avatar。Synthesia 失去了定價權，面臨 HeyGen 和阿里 EMO 的毀滅性價格戰。

• Runway（影片編輯）

  • 死因：Sora 與 Adobe 的擠壓。

  • 2026 判決：被大廠收購或邊緣化。雖然技術強，但缺乏分發渠道。OpenAI 有 ChatGPT 的流量，Adobe 有設計師的桌面。Runway 卡在中間，叫好不叫座。

    

Read more

2008：從 Marvell 出走，一場逆向豪賭

2008 年，全球陷入金融危機。兩位 Marvell 資深工程總監——鄭志峰（Lawrence Cheng）與林一東（Job Lam）——幾乎在同月遞出辭呈。

他們不是為了追逐風口，而是為了一個根本的工程問題：為什麼高速連線必須消耗這麼多電？

在 Marvell 的 11 年，他們專注於類比與混合訊號電路設計——這正是高速串列傳輸（SerDes）的心臟。Credo 的第一個願景，就是在「成熟製程」上，實現極致的高速與低功耗。

這在當時是一次徹底的「逆向」豪賭。

當所有人都朝 28nm、16nm 等先進製程衝刺時，Credo 選擇在 40nm 與 28nm 的成熟節點上，打磨極致性能。

他們的邏輯很簡單：高速連線是資料中心最大量、也最昂貴的零件之一。誰能用成熟製程造出同等性能的 SerDes，誰就能掌握巨大的成本與供應鏈優勢。

2008–2013：「無人問津」的五年

從 2008 到 2013，Credo 幾乎沒有營收。沒有風險投資、沒有大客戶、沒有新聞。

這五年，他們把所有時間都投入 SerDes IP 的設計與模擬。這種 IP 授權模式讓他們能以極低資本維持研發：靠 NRE（非經常性工程費用）與授權金存活，既不必稀釋股權，也不必被投資人追著上市。

這段時間，主流巨頭押注的方向完全不同：

• Intel 重心放在矽光子（Silicon Photonics），夢想用光完全取代銅。

• Broadcom 與 Mellanox 則專注於伺服器 NIC 與光模組。

只有 Credo，在孤獨地打磨「銅線仍有未來」這個想法。

他們的核心洞見是：光雖快，但貴又耗電；銅雖便宜，但受限於距離。如果能讓「銅」變聰明，它就仍有改變世界的潛力。

這個洞見，最終成為 AEC（Active Electrical Cable，主動式電纜）的雛形。關鍵在於銅纜兩端各放一顆微型 SerDes 或 Retimer 晶片，讓信號在進入銅線前先被「淨化」與「強化」，抵達另一端時再被「重建」。

這種「中間地帶創新」的策略，使 Credo 既非光通信公司，也非傳統線纜廠，而是一家橫跨類比、DSP 與系統整合的「混種」公司。

2013：Bill Brennan 上任——從工程到商業

2013 年底，Credo 迎來第一個重大轉折。前 Marvell 儲存事業副總裁 Bill Brennan 加入，接任 CEO。

他帶來的不是新技術，而是將技術推向市場的商業化與銷售能力。

五年研發後，SerDes IP 終於成熟。2014 年，Credo 簽下第一筆 NRE 與 IP 授權合約——公司開始「被看見」。但 Brennan 知道，光靠授權無法讓 Credo 壯大；他要把這顆 SerDes「引擎」，裝進一輛能真正開上市場的「汽車」——AEC。

2015：陳立武的「耐心資本」

2015 年 8 月，Credo 迎來第一輪機構融資，投資人是華登國際創辦人、時任 Cadence 執行長的陳立武。

這是一筆僅 800 萬美元的 A 輪，卻是關鍵的轉捩點。

陳立武身兼 EDA 巨頭 CEO，讓他擁有所謂的「不對稱資訊優勢」：他清楚 Cadence、Synopsys 與 Alphawave 的 SerDes 能力，因此更能看穿 Credo 在低功耗混合訊號架構上的獨到價值。

他押注的不只是技術，更是一種「成熟節點的商業模式」——低功耗、低成本、高良率，這才是超大規模資料中心真正需要的特性。

這筆投資成為 Credo 走向規模化的起點。2015 到 2022 年間，公司陸續完成 B、C、D 輪融資，最終於 2022 年 1 月成功 IPO。

AEC：從逆行者到時代標準

AI 與雲端的「大爆炸」，終於讓 Credo 迎來了屬於它的時代。

資料中心傳輸介面的演進路徑清晰可見：

• DAC（無源銅纜）： 便宜、低功耗，但距離極短。

• AOC（有源光纜）： 距離長、速度快，但昂貴、耗電、且相對脆弱。

• AEC（有源銅纜）： 以 Retimer 與 DSP 為核心，成為兼具速度、距離、成本與可靠性的完美平衡。

當 AI 叢集的規模暴增至萬卡級別，AEC 成為唯一能在成本與能耗間取得平衡的解法。在同樣的 7 公尺距離下，AEC 比 AOC 節省 25% 功耗、50% 成本，並減少 70% 空間。

更重要的是，它實現了「近乎零延遲」，這對分布式 GPU 訓練至關重要。

特斯拉與 xAI：來自 Elon Musk 的驗證

2017 年，特斯拉在打造 Dojo 超級電腦時，便首次採用了 Credo 的 AEC。

馬斯克的團隊發現：在 Dojo 那種高強度運算環境裡，任何一次光模組抖動（link flap），都可能導致訓練中斷，造成高達 20 萬美元的即時損失。AEC 的低誤碼率與高穩定性，成為 Dojo 能長時間穩定運行的關鍵。

隨後，xAI 的 Colossus AI 集群照片曝光，那一幕——機櫃間整齊排列的紫色外殼 AEC 線纜——正是 Credo 的標誌性產品。

這不只是商業勝利，更是技術信仰的回報。從 2008 年那場孤獨的豪賭，到 2025 年被 xAI、AWS、Microsoft 全面採用，Credo 花了 15 年，把一個「中間解法」變成了全球標準。

SerDes 的靈魂：從 PAM4 到 224G

若要理解 Credo，就必須深入其技術靈魂——SerDes。

SerDes（Serializer/Deserializer）是數據世界的「轉運站」。它讓數十條慢速的平行訊號，轉成一條超高速的串列通道，再於終點還原。它是所有高速介面——PCIe、Ethernet、NVLink——的共同語言。

過去十年，SerDes 經歷了兩次重大演進：

1. 從 NRZ 到 PAM4： PAM4 以「四階振幅」取代二進制，使每個時脈週期可傳輸兩倍資料速率（50G→112G）。

2. 從 112G 到 224G： 速率再次翻倍，需要極其強大的 DSP 與 FEC 演算法來對抗嚴重的雜訊與干擾。

Credo 的自研 PAM4 DSP 正是其「差異化」的核心——低功耗、低延遲，卻能精準重建訊號。

2025 年 9 月，Credo 宣布在台積電 N3 製程上推出 224G PAM4 SerDes IP，為 1.6 Tbps 乙太網路打下基礎。這意味著，Credo 從最初的 40nm 逆向哲學，終於「也」走到了先進節點的技術最前沿。

它不再只是「低成本玩家」，而是「定義」高速連線的創新源頭。

AEC 崛起的背後：可靠性即 ROI

在 AI 超級電腦中，「鏈路可靠性」已成為繼晶片、電力和冷卻之後的第四大瓶頸。

650 Group 創辦人 Alan Weckel 指出：「每次鏈路抖動事件，可能造成 30 分鐘的訓練中斷與 20 萬美元的損失。」

這些損失不只是能源浪費，更是 GPU 閒置、租用時數浪費與 Checkpoint 重算的巨大成本。因此，AEC 的價值不僅在性能，更在於「經濟穩定性」。它確保每 1 MW 的運算資產都能保持最高稼動率，成為 AI 工廠中「看不見、卻也最昂貴」的保險。

營收起飛與 IPO 的果實

Credo 於 2022 年 1 月掛牌 NASDAQ。上市後的前幾季，公司仍處於「蟄伏」狀態。直到 AI 浪潮全面爆發，營收才真正開始指數型成長。

• 2025 財年營收 4.4 億美元，年增 100%。

• 掌握六大 Hyperscaler 客戶（AWS、Microsoft、GCP、Meta、xAI 等）。

• AEC 市佔率高達 88%，成為 AI 機櫃間連線的「非 NVIDIA」標準。

• 毛利率超過 62%，並在 2026 財年首度實現轉虧為盈。

這段從 IPO 到爆發的兩年，正是對其十五年技術耐心的集中回報。

從 Dojo 到 Azure：非 NVIDIA 陣營的共同語言

當 NVIDIA 靠 NVLink 在自家「封閉」叢集內橫行時，其他雲端巨頭被迫尋找屬於自己的「互連標準」。

AEC 恰好成為他們的共同語言。

AWS 在 Trainium 平台大量部署 AEC；Microsoft 在 Azure 的 AI Fabric 全面導入；Meta 與 Google 也在短距傳輸方案中採用。這場非 NVIDIA 陣營的「Scale-Up 聯盟」，正由 Credo 的 AEC 與 SerDes 技術支撐。

從機櫃邊緣到資料中心核心，Credo 已成為 AI 基礎設施的「血管製造商」。

創業啟示：慢工出奇蹟

回顧 Credo 十五年的歷程，它是現代 VC 世界裡罕見的「反 Playbook 公司」。

Credo 大概從未做過任何 Pitch Deck，也沒有喊出什麼「10 倍回報」的口號。它倚靠的，不是行銷包裝，而是「技術的真相」與「時間的複利」。

創辦人鄭志峰的故事，讓我想起 Zoom 創辦人袁征——同樣是那種對自己親手打造的產品懷抱無限信念的人。他選擇自行創業，願意蹲在苦窯裡，反覆打磨技術，只為等到那一天，當產品被最挑剔的客戶看見、認可、甚至依賴時，一切的孤獨與堅持才顯得有了意義。

下一幕：1.6T 與 AI Factory 時代

當 AI Cluster 進入 1 GW 級規模，每個機櫃間的連線都將成為系統瓶頸。AEC 勢必將向 1.6T、甚至 3.2T 演進。

Credo 的 224G PAM4 SerDes 在台積電 N3 量產後，將直接支撐這場「AI 脊椎」的再造。公司如今不僅在 AEC 領域領先，也進軍光學 DSP 與 LRO（線性接收光學），嘗試用相同哲學——以低功耗類比智慧取代暴力算力——去重新定義「光電融合」的新邊界。

結語：被時間證明的信仰

在 Credo 的故事裡，沒有 VC 式的瘋狂成長曲線，只有幾位工程師，15年如一日地問同一個問題：「我們能不能讓訊號在銅裡跑得更快、更省電？」

這個問題，曾讓他們被忽視、被懷疑、被冷落。但也正因為如此，當 AI 的浪潮終於來臨時，世界才發現——真正的基礎創新，往往誕生於那些「無人問津」的歲月。

Credo 共同創辦人鄭志峰的這句話，總結了這一切：

「不賭未來會流行什麼，只賭我們相信的物理學。」

15 年後，這場關於銅線的信仰，最終變成了 AI 世界的神經系統。

而 Credo，終於被看見。

Anthropic 在 F 輪融資中募得高達 130 億美元，估值飆升至 1830 億美元，這不僅是一筆普通的資金交易，更是一個劃時代的信號：人工智慧已成為新的「曼哈頓計畫」。這個估值，僅僅一家 AI 實驗室，就超越了去年整個印度所有新創的總融資額，甚至超過了太空探索巨頭 SpaceX 至今的總籌資額（約 120 億美元）。

這筆資金的流向也揭示了 AI 產業的本質：它不是用來開發一個個應用程式，而是用來爭奪最核心的資源——算力。

算力競賽：從億級到主權基金級的消耗戰

AI 模型訓練的成本正以驚人的速度攀升。訓練 GPT-4 的成本約為 1 億美元，而 Anthropic 新一代模型 Claude 4 或 Opus 的訓練成本可能已超過 10 億美元。如果這個趨勢持續下去，未來更先進的模型如 Claude 7，將需要主權基金等級的資本支持才能推動。這場高昂的算力競賽，讓 AI 產業的門檻變得前所未有的高，也決定了未來的競爭格局。

企業的選擇：金錢正在流向何處？

市場數據明確地告訴我們，資本正在毫不猶豫地湧向能提供卓越效能的前沿 AI 模型。大型語言模型（LLM）API 的支出正在爆炸式成長，從 2024 年的 35 億美元，短短六個月內就翻倍成長至 84 億美元。在激烈的市場競爭中，Anthropic 以 32% 的市佔率領先，緊隨其後的是 OpenAI（25%）和 Google（20%）。

特別值得注意的是，在專業的編碼市場中，Anthropic 的 Claude 以 42% 的市佔率遙遙領先，將 OpenAI（21%）甩在身後。這強勁的表現得益於其產品的爆發式成長。Claude Code 和 Agentic IDE 上線僅三個月，營收年化運轉率（run rate）就達到 5 億美元，幾乎一夜之間成長了十倍。Anthropic 成為史上成長最快的軟體公司，其營收在短短八個月內從 10 億美元迅速攀升至 50 億美元。

產業趨勢：效率至上，向頂尖實驗室集中

這場資本與算力的競賽，也深刻影響了企業的決策。儘管 AI 模型的單位成本每年下降了十倍，但高達 61% 的企業表示，他們更換模型的主要考量是「效能」而非「價格」。這是一個關鍵的信號：在商業應用中，模型表現所帶來的價值遠遠超過了成本考量。

更為顯著的是，高達 77% 的新創公司和 51% 的企業正完全避開開源模型，轉而投向 Anthropic 和 OpenAI 這樣的閉源前沿實驗室。這代表產業正迅速向少數能掌控頂尖算力與模型能力的實驗室集中。

這場融資背後，不僅僅是 Anthropic 的勝利，更預示著一場由資本、算力與技術主導的全球智慧革命。誰能掌握強大的算力與頂尖的 GPU 資源，誰就能在未來 AI 時代的競爭中取得絕對的控制權。這場競賽已經開始，沒有人願意被拋下。

2023 年 Palo Alto Networks 以 6.25 億美元收購新創 Talon Security，而該公司創立不到一年即募資超過 1.43 億美元。另一家備受矚目的 Island Enterprise Security 則在今年最新一輪由 Caotue 領投的 E 輪募得 2.5 億美元資金，估值提升至 48 億美元，距離公司成立 2022 年，產品正式發佈僅不到三年。

Palo Alto Networks 每年評估超過 250 間新創公司，顯示其併購 Talon 的決策，反映出他們對企業瀏覽器成為資安關鍵基礎設施的高度重視。

什麼是企業瀏覽器？為何重要？

企業瀏覽器（Enterprise Browser）是一種為企業量身打造的網路瀏覽工具，與消費者常用的 Chrome、Edge、Firefox 不同，其內建強化資安防護與企業應用整合能力。企業瀏覽器透過將關鍵防護功能直接內建於企業員工最常使用的瀏覽器中，徹底改變資訊安全的運作模式。

與其事後加裝各種安全工具，這種方法是直接在工作發生的地方—瀏覽器—實現原生安全。對於那些飽受安全架構過於複雜與使用體驗不佳困擾的組織而言，企業瀏覽器提供了一條能夠統整平台並加強安全控管的有力途徑。

為何是現在？

企業瀏覽器的興起，源自工作型態與資訊安全需求的根本轉變。以下三大趨勢推動了這場轉型：

1. 遠距工作使傳統邊界安全模式失效。

2. SaaS 應用激增，導致傳統安全工具難以應對新挑戰。

3. 員工使用體驗成為優先考量，傳統造成摩擦的安全做法不再可行。

行業洞察

1. 消費者瀏覽器已歷經多次革新，企業瀏覽器卻仍屬初階階段

自 1998 年 Mozilla 推出 Netscape 起，瀏覽器即成為日常資訊存取的主要入口。2008 年 Chrome 崛起後，更進一步鞏固了其地位。然而，雖然消費者瀏覽器每月都有效能與資安升級，企業級瀏覽器卻少有針對「生產力 + 資安」的深度設計。

2. 瀏覽器成為攻擊主戰場

現代企業員工，不論遠端或混合辦公，幾乎全靠瀏覽器存取內部資源。但自 2023 年以來，Chrome、Safari、Edge、Firefox 等主流瀏覽器皆爆出多起重大漏洞（含多個零時差攻擊）。如 CVE-2023-5217，該漏洞甚至波及所有 Chromium 系列瀏覽器，說明主流瀏覽器並未針對企業場景建立有效防線。

3. 企業瀏覽器興起：以效能取代虛擬化解法

過往企業若要保護遠端連線，需部署 VDI（虛擬桌面基礎建設）、RBI（遠端瀏覽器隔離）或 SWG（安全網頁閘道）等高成本方案。如今，企業瀏覽器結合這些功能，並具備輕量化、高整合性與良好用戶體驗，成為資安新選擇。

4. Chromium 開源化為市場催化劑

2009 年開源專案 Chromium 推出，開啟開發者自訂企業瀏覽器的可能性。Talon 與 Island 等公司即基於 Chromium 架構開發，縮短產品上市時程，並將資安模組嵌入瀏覽體驗之中。

5. 混合辦公與 BYOD 政策加速需求

企業讓員工自備設備（BYOD），並大量聘用短期外部人力，這類非受管設備使用風險提升。企業瀏覽器可將工作環境虛擬化，讓外部人員以個人裝置透過安全登入方式存取公司資源，兼顧彈性與風險控管。

市場預測與發展趨勢

• 根據 Gartner 預估，至 2027 年企業瀏覽器將成為企業「超級應用整合策略」的核心。

• 目前大型企業中，企業瀏覽器滲透率仍低於 10%，但預估至 2030 年將成為管理員工與外部人力生產力與資安的核心平台，尤其適用於非受管裝置的場景。

核心產品功能

雖然企業瀏覽器取代了許多傳統安全工具，但與現有安全解決方案的整合仍扮演關鍵角色。CISO 們會將企業瀏覽器與下列系統整合：

• 核心身份驗證提供者（如 Okta、Azure AD）

• 端點防護平台

• 網路安全基礎設施

關鍵功能包含：

✅ 身份整合

瀏覽器可自然地連結現有身份驗證工具（如 Okta 和 Azure AD），實現無縫的單一登入、自動繼承政策，以及更強的存取控管，無需額外設定。

✅ 端點保護

將瀏覽器視為「永遠在線」的安全代理：可偵測惡意腳本、封鎖鍵盤側錄、即時隔離危險內容，並檢查裝置是否符合安全要求。

✅ 網路安全

無須加裝網路安全工具，瀏覽器即可處理所有網頁流量，內建政策執行與內容過濾功能，實現全面可視性與控管。

✅ 防釣魚與網頁隔離

透過電腦視覺辨識偽造標誌與可疑頁面；若需加強保護，可將頁面在雲端隔離容器中渲染，只傳送安全內容給使用者。

✅ 資料防護

內建機制防止資料外洩（如禁用下載、截圖、複製貼上等），可自動浮水印文件，並依據政策遮蔽敏感資訊。

✅ 行為監控

觀察可疑行為，例如異常登入地點、異常檔案活動或 Shadow IT 使用情形，有助於及早偵測威脅並維持完整稽核紀錄。

為何 CISO 們喜愛企業瀏覽器？

CISO 們之所以青睞企業瀏覽器，是因為它們能將眾多安全工具整合成單一平台，簡化操作流程，同時強化對多樣使用情境的保護。企業瀏覽器能整合身份、端點與網路安全，不但降低成本、減少複雜度，也不犧牲使用者體驗，是少見的成本與效能雙贏方案。

市場競爭格局

以 Island 與 Talon（現屬 Palo Alto Networks）為代表的企業瀏覽器新創，正透過基於 Chromium 的安全瀏覽平台，顛覆傳統網路安全市場。他們不僅挑戰 SASE 與 Zero Trust 巨頭（如 Zscaler、Netskope），也為企業提供替代高成本 VDI 的輕量方案。

主要市場參與者

✅ Island

首家企業瀏覽器公司，專為企業級安全打造。基於 Chromium 架構，提供熟悉操作介面與強大的容器隔離技術。安全功能全面，支援腳本阻擋、加密、異常偵測等，部署簡便，管理負擔低。具備強勁的企業客戶推廣策略與成熟團隊。

✅ Talon Cyber（2021 年創立，後被 Palo Alto 以 6.25 億美元收購）

平台支援個人與企業裝置，內建資料外洩防護、網頁閘道功能，也提供擴充元件支援其他瀏覽器，強化彈性。正整合進 Prisma SASE，強化 Palo Alto 的 Zero Trust 解決方案。

✅ Microsoft Edge Enterprise（2023 年推出）

強調將工作與個人瀏覽視窗分離，以防止資料洩漏。與 Copilot 整合具潛力，但功能仍不如 Island、Talon。未來可能透過 Microsoft 生態系進軍中小企業市場。

✅ Google Chrome Enterprise（2017 年推出）

近期增強 BeyondCorp Enterprise 整合，強化 Zero Trust 瀏覽器安全功能。支援管理與非管理裝置的惡意程式與釣魚防護，但在安全整合深度仍落後 Island，特別是在與 SSE、EDR 工具整合方面。

✅ 傳統 VDI 解決方案（逐漸式微）

如 VMware Horizon View、Citrix Workspace、Microsoft Azure Virtual Desktop。雖提供高度隔離與安全性，但部署昂貴且複雜，正在被如 Island、Surf 等更輕量的企業瀏覽器取代，特別適用於 BYOD 與外包場景。

瀏覽器成為 SASE 新戰場

PANW 正重新定義 SASE 的核心構成，不僅提供傳統網路防護、零信任接入與雲安全，如今透過安全瀏覽器與身份整合，打造出「從端點到雲端、從身份到應用」的全方位防護策略。

未來的 SASE 競爭，將從「誰能整合得更好」走向「誰能深入終端行為、精準守住瀏覽層」，而 PANW 已搶先啟動這場變革。三種可能的長期市場結局：

1️⃣ 企業瀏覽器成為「新作業系統」：

瀏覽器將承載所有資安與生產力軟體部署與管理工作，甚至支援傳統桌面應用程式的虛擬化遷移，成為類似「雲端作業系統」的角色。以 Island 來說，則在市場上已實際排擠到 SASE 市場，除了擅長併購壯大的 Palo Alto Network 於 Talon 甫成立二年，即以 6.25 億美元併購外，目前其他 SASE 廠商仍在觀望中。如果 Island 選擇在2025/2026年進行IPO，那麼這些 SASE 將會快速出手併購市場上具備與 Island / PAWN 競爭的新創公司，如華人背景新創 Mammoth Cyber 等，會成為前在的標的。

2️⃣ 企業瀏覽器成為管理外部人力的主平台：

包括第三方承包商、顧問、自備設備員工等，可透過企業瀏覽器安全登入與管理，甚至取代 VPN 與 VDI 這類傳統高成本資安基礎建設。

3️⃣ 企業瀏覽器將被大型平台整合：

如 SASE（安全接取服務邊緣）、SSE（安全服務邊緣）、VDI 供應商或雲端安全平台，將以併購方式收編這些新創。Palo Alto 收購 Talon 即為前例，後續可能持續發生整併潮。而事實也證明 PANW 在併購 Talon Cyber 後推出的 Prisma Access Browser，成為公司的成長引擎。

領先者：Island Enterprise Browser

成立時間與架構佈局

• 由前 Symantec 總裁 Mike Fey 與以色列資安科技創業者 Dan Amiga 於 2020 年創立，於 2022 年 2 月正式公開上市產品。

產品定位與差異化競爭力

• Island Enterprise Browser 內建企業級安全、IT 管控、及生產力功能（如防拷貝、防螢幕截圖、MFA 插入、智慧路由與 Zero‑Trust 控制），無需額外插件即可替代 SWG、網頁過濾、VDI 等傳統工具。

市場採用與規模指標

• 已取得超過 450 家企業客戶，涵蓋金融機構、高教、公部門與製造業等，其中美國前十大銀行中有七家為客戶；員工規模約 500 人，其中研發工程師佔 200 人以上。

Palo Alto Network 併購 Tylon Cyber

Palo Alto Networks（PANW） 正積極聚焦「安全瀏覽」來推動其 SASE（Secure Access Service Edge） 業務發展。在 2025 財年第三季中，SASE 是 PANW 成長最快的部門，ARR 年增 36%。

成長引擎：Prisma Access Browser

此波成長的主要動能來自 PANW 透過收購 Talon Cyber Security 所推出的 Prisma Access Browser：

• PANW 已售出 300 萬個瀏覽器授權，年增超過 10 倍。

• 第三季中，該瀏覽器佔所有 Prisma Access 座位數的 1/3。

• 此產品目前擁有 九位數美元級別的銷售機會清單，顯示市場高度關注與需求。

擴展身份整合：與 Okta 的合作升級

為強化安全瀏覽效果，PANW 最近與身份管理領導者 Okta 擴大合作：

• Prisma Access Browser 現可與 Okta Workforce Identity 整合。

• 這意味著企業可確保員工在啟動工作應用程式時，強制使用安全瀏覽器。

• 即使在個人裝置或非受控設備上，也能保護關鍵應用與資料，並讓 IT 團隊獲得更高的可視性與控管力。

PANW 的 SASE 市場表現

截至第三季：

• PANW 已擁有約 6,000 家 SASE 客戶，年增 22%。

• 當季新增的 SASE 客戶中，有 約 40% 為全新客戶（非 PANW 現有客戶）。

👉 這顯示 Prisma Access Browser + 身份整合策略 正逐漸成為 PANW 推動 SASE 擴張的關鍵武器。

競爭對手動態：Zscaler 與 Fortinet

✅ Zscaler（ZS）

• 正積極擴展 瀏覽器原生安全防護，產品包括：

  • ZIA（Zscaler Internet Access）

  • ZPA（Zscaler Private Access）

• 第三季延續強勁需求，客戶持續用其 零信任架構取代舊有 VPN。

✅ Fortinet（FTNT）

• 憑藉 FortiSASE 平台快速成長：

  • 2025 Q1，統一式 SASE 計費年增 18%，佔整體營收 25%。

• 差異化優勢：

  • 提供 單一作業系統整合全部核心 SASE 功能。

  • 推出 Sovereign SASE，針對需國內數據主權的大型企業與服務提供者量身打造。

整體趨勢重點

1. AI 領域崛起：

   • OpenAI（$300B）、xAI（$115B）、Anthropic（$62B）三家AI企業擠進前十，其中xAI與Anthropic為新進榜（*New），反映生成式AI與AGI的投資熱潮持續升溫。

2. 美國主導：

   • 前十名中有七家企業來自美國，且前三名皆為美國公司，顯示其在創新創業、生態資源與資本市場的優勢依舊明顯。

3. 中國企業下滑：

   • Tiktok 母公司 ByteDance 雖仍居第三，但排名下滑，成長幅度遠低於OpenAI與SpaceX。

   • Shein 估值下降15%，跌出前五。目前已經選定香港上市。

   • 螞蟻金服雖仍在榜，但增幅僅 $7B。在 AI 強勢崛起的年代，其排行將持續下探

4. 新進榜者實力強勁：

   • xAI 以一年創業時間躍居第四，Anthropic 則從200名外暴衝至第八，皆顯示生成式AI在估值與資本關注上的爆發力。

名單中較不為人熟知的投資標的是 Databricks，卻是 AI 時代最關鍵的公司之一。相比已上市的 Snowflake 與 Palantir，Databricks 長年被視為矽谷最具潛力的 IPO 候選之一，但至今仍選擇透過初級市場募資，不僅持續打磨產品，也長年維持全矽谷員工薪資中位數最高的紀錄（今年可能會輸給 LLM 公司，如 OpenAI、Anthropic）。

事實上，許多日常應用程式的背後，都仰賴 Databricks 的 Data Lake 技術以支撐龐大的運算需求。我們透過 SPV 投資 Databricks，對其技術與發展有深刻了解。若要完整說明資料科學與資料工程的演進，足以分成十集細說從頭；但今天我盡量簡要回顧其創立歷程，並介紹其關鍵技術 Data Lake 及現今業界積極投入的 Data Lakehouse，以理解其在大數據與 AI 時代的重要地位。

至於技術的演進，如何從OLAP到Hadoop/MapReduce到Spark，有機會再細談。不喜資料工程技術的讀者，可直接跳到文章後段。

一切的起點：Databricks 的創立故事

Netflix 百萬獎金競賽

2006 年，Netflix 發起一場名為「Netflix Prize」的競賽，只要能將推薦演算法的效能提升 10%，即可獲得 100 萬美元獎金。

當時，網際網路帶來大量非結構化與結構化數據，企業急於尋找分析這些資料的最佳解法。而實現這一點，需要龐大的儲存與運算能力。

當時最主流的工具是 Hadoop，於 2006 年問世，但效率低落且難以操作，無法勝任真正的大數據需求。

Spark 的誕生

到了 2009 年，競賽吸引了超過 5 萬名參與者，卻仍無人達標。資料集規模極大，包含 18000 部電影、超過 1 億筆評分、45 萬名用戶資料。

Berkeley 博士生 Lester Mackey 也決定參戰，但馬上面臨現實困難——沒有工具能有效處理如此龐大的資料。

他的同學 Matei Zaharia 開發了一套更高效的運算框架，這個工具正是 Spark 的前身。

儘管他們成功提升推薦準確率達標，但因為延遲 20 分鐘繳交作品，最終由 AT&T 的團隊獲勝。

Spark 的崛起與 Databricks 的創立

Zaharia 早在 Yahoo 工作時就發現 Hadoop 的不足，決定與 Berkeley AMPLab 團隊攜手創建 Spark，並將其商業化，Databricks 應運而生。

Databricks 的初始願景，就是打造一個統一的平台，讓數據分析與 AI 建構變得簡單易行。

實驗室→明星開源項目→成立公司專責管理Spark 持續發展

在柏克萊大學，AMPLab（Algorithms, Machines, and People Laboratory）堪稱是開源與數據計算技術的創新搖籃。這個跨領域實驗室不僅孕育出眾多劃時代的開源專案，也成為創業精神與工程實踐結合的典範。2007 年至 2011 年間，來自 Stanford 創業團隊獲得的天使與風投案數為 203 筆，居全美之冠；而 UC Berkeley 緊隨其後，以 90 筆名列全美第三，顯示 Berkeley 雖未強調創業文化，但學生在創業能力與熱情方面同樣不容小覷。

更值得注意的是，許多當今主流的大數據與雲端運算框架——包括 Spark、Shark、Alluxio（前稱 Tachyon）、Mesos 等，皆發源於 AMPLab。這些專案如今已成為全球數據處理與 AI 基礎架構不可或缺的一部分。

Spark：從學術實驗室到全球運算平台的崛起

Apache Spark 的誕生可追溯至 2009 年，最初只是 AMPLab 內部的研究性專案，由博士生 Matei Zaharia 領銜開發。Spark 的核心設計——RDD（Resilient Distributed Dataset），為分散式資料處理帶來突破性的彈性與效率，讓記憶體內運算成為可能。

2013 年，Spark 正式加入 Apache 基金會，同年 Zaharia 與 AMPLab 團隊聯合創辦了 Databricks，將 Spark 商業化並帶向全球市場。與許多為商業導向而設計的框架不同，Spark 從一開始就烙印著學術深度與理論創新。其 SQL 智能查詢、流處理（Streaming）、機器學習（MLlib）、圖形計算（GraphX）等模組，幾乎都可在學術論文中找到對應的演算法與設計思想，展現了學術研究如何直通實際應用。

Spark 最關鍵的創新，在於統一了異質的資料處理模型——MapReduce、SQL 查詢、即時流處理、機器學習、圖分析——並將它們整合於單一平台與一致的 API 之中。這種一體化設計大幅降低了數據團隊的學習與維運成本，也讓 Spark 成為從資料工程到 AI 建模的理想選擇。

開源生態與全球社群的壯大

Spark 的迅速壯大，離不開其開源社群的活躍與貢獻。自從 2013 年加入 Apache 基金會以來，Spark 專案的月活貢獻者數量呈爆炸性成長，參與貢獻的公司也從最初的 17 家擴展至超過 50 家，其中包括阿里巴巴、百度、騰訊、搜狐與網易等多家中國科技公司，顯示其國際化程度與企業落地能力。

除了技術貢獻之外，Spark 的社群活動也遍及全球——從每年盛大的 Spark Summit（後來更名為 Data + AI Summit），到遍佈各地的社區 Meetup 活動。上圖所示的全球 Meetup 分布圖中，那些遍布世界各地的紅點仍在不斷增加，反映出 Spark 的技術生命力與實用價值。

關鍵人物：Matei Zaharia 與學術產業雙棲的傳奇

Databricks 聯合創辦人、現任 CTO Matei Zaharia 無疑是 Spark 背後的靈魂人物。他於 2012 年自 AMPLab 博士畢業，現亦擔任 MIT 助理教授。Zaharia 的研究觸角遍及多項前沿系統專案，包括 Spark、Shark、Hadoop 改進、Mesos、資源公平調度（Multi-Resource Fairness）、MapReduce 排程優化、基因序列對齊器 SNAP 等。

為什麼 Spark 和 Databricks 有其存在必要？

1. Spark 的必要性：
   大數據愈來愈龐大，處理愈來愈困難。要提取價值，必須有像 Spark 這樣的運算框架。這就是「追風」一：大數據浪潮。

2. Databricks 的必要性：
   雲端運算改變了一切——讓儲存與運算資源可以無限擴展，但開源軟體管理依然複雜。Databricks 的價值就是結合 Spark 的威力與雲端服務的易用性。這是「追風」二：雲端轉型。

Databricks 曾拒絕一家金融機構提出的 2000 萬美元 on-premise 授權提案，當時公司年營收僅 1000 萬美元。

Spark 相對 Hadoop 的技術優勢

Databricks 簡單來說，就是讓複雜的事變得可行、讓簡單的事變得輕鬆。
Spark 架構中，Driver 負責分派任務，Cluster Manager 分配資源，Executors 執行任務。相較於 Hadoop，Spark 更快、更具成本效率。

由於機器學習極度依賴計算力，Databricks 初期的客戶以大型企業的資料科學家與 ML 工程師為主。這與 Snowflake 專注商業分析的方向形成對比。

Spark 是一種運算框架，不是資料庫，它坐落在如 S3 的物件儲存之上，處理的是結構化與半結構化數據。與 Snowflake 作為結構化數據倉的定位完全不同。

從開源走向商業化

2013~2015 年間，Databricks 持續打磨產品，尋找產品市場契合點。

2016 年，Ali Ghodsi 出任執行長，公司管理層大幅改組，引入具企業級銷售經驗的團隊。技術創辦人仍然留在公司，專注技術創新。

為了創造商業價值，Databricks 開始保留部分 Spark 功能作為專屬技術，不再全數開源。這是艱難但必要的轉型。

這也是「追風」三：開源技術的商業化浪潮。

走向主流：從 Spark 到平台型企業

Databricks 採取雲端代管 Spark，從運算收費中抽取高毛利差價，主攻大型企業與資料密集的新創公司。

2017 年，Databricks 與 Microsoft Azure 合作，推出 Azure Databricks，實現技術整合與聯合銷售。這一策略成功借力微軟通路，擴展客戶群。

此舉甚至可視為日後 Microsoft 投資 OpenAI 的前哨戰。

成為數據平台與「Lakehouse」推手

2018~2021 年，Databricks 共募得五輪資金，估值從 5 億美元一路攀升至 280 億美元：

• 2018：D 輪 1.4 億

• 2019：E 輪 2.5 億、F 輪 4 億

• 2021：G 輪 10 億、H 輪 16 億（估值 280 億）

期間推出兩項關鍵開源專案：

• Delta Lake：讓 Data Lake 可追蹤與治理

• MLflow：開放式機器學習開發框架

這奠定了 Databricks 主打的「Lakehouse」理念：結合資料倉（Data Warehouse）的即席查詢能力與資料湖（Data Lake）的規模與成本優勢。

Databricks 的現在：AI 時代的資料作業系統

2022 年起，Databricks 加速產品整合與併購，從資料擷取、轉換、運算、SQL 查詢到 AI 建模與治理，建立完整的 Data & AI 平台。

其核心定位明確：成為企業資料的統一作業層，幫助企業更快、更有效率地從資料中獲取洞見。

目前的主要功能模組包含：

• 資料科學：以 Spark 為基礎的程式化分析

• 資料倉儲：儲存與查詢結構化資料

• 資料工程：建置 ETL 流程與編排

• AI 建模：MLflow、生特徵庫、模型服務與精調

• 智慧代理：Agent framework、向量資料庫等

• 安全治理：資料資產盤點與權限控管

Databricks 的最終願景：用戶可以向資料代理人提問，獲得未來預測，而不只是回顧過去。

從Data Lake 到 Data Lakehouse

當我們討論 Data Lake（資料湖） 與 Data Warehouse（資料倉儲） 的異同與技術演進時，實際上是在談論 企業資料架構如何因應資料規模、種類與用途變化 的演化過程。以下將從定義、架構、技術演進、代表廠商與使用情境來全面比較與剖析。

一、基本定義與比較總覽

二、歷史演進與技術脈絡

1. 資料倉儲的起源與發展（1990s–2010s）

• 1990 年代由 Bill Inmon 與 Ralph Kimball 發展出企業資料倉儲理論與建模（如 Star Schema、ETL 流程）。

• 初期主要使用商用關聯式資料庫（如 Oracle、Teradata、IBM DB2）。

• 採用 OLAP（Online Analytical Processing） 模式，針對 KPI 與商業報表最佳化。

• 技術關鍵詞：ETL (Extract, Transform, Load)、Dimensional Modeling、Batch Processing

關鍵廠商：

• Teradata（資料倉儲先驅）

• Oracle（ERP 結合 DW）

• IBM Netezza、SAP BW

• Microsoft SQL Server + SSIS/SSAS/SSRS

2. Big Data 與資料湖的誕生（2010s）

• 資料來源爆炸性成長（社群媒體、IoT、影像、sensor），資料型態趨於多樣化。

• Hadoop 出現（2006–2012）掀起分散式檔案儲存熱潮。

• Schema-on-Read 成為主流，允許資料以原始形式儲存至 HDFS、S3 等平台中，分析時再套用結構。

• 重點從「資料整齊」轉向「儲存全量、保持彈性」。

關鍵技術：

• HDFS（Hadoop Distributed File System）

• MapReduce、Hive、Pig、HBase

• Spark（解決 MapReduce 效能瓶頸）

• Parquet、ORC（列式儲存格式）

關鍵廠商：

• Cloudera / Hortonworks / MapR（Hadoop發行版）

• Amazon S3 + Athena

• Azure Data Lake / Google Cloud Storage

• Databricks（Apache Spark 商業化）

3. 資料湖與資料倉儲的融合：Data Lakehouse（2020s）

• 大量企業將資料湖導入後，發現：

  • 雖可儲存所有資料，但分析效率不高，缺乏一致性管理與治理機制。

• 為解決此問題，Data Lakehouse 概念誕生：整合 Data Lake 的彈性與 Data Warehouse 的治理與效率。

• 代表產品如：

  • Databricks Delta Lake

  • Snowflake on S3

  • Google BigLake

  • Apache Iceberg / Apache Hudi

技術特徵：

• ACID transaction on object storage

• Metadata Layer（如 Delta Table, Iceberg Table）

• Time travel、schema evolution 支援

• 整合 BI、ML、AI 工作流程

三、使用情境差異

四、未來趨勢

1. Lakehouse 成主流架構：Databricks 和 Snowflake 均在強化 Lakehouse 功能。

2. Open Table Format 標準化：如 Delta Lake、Apache Iceberg、Apache Hudi 成為兼容 Spark、Trino、Flink 等工具的中介層。

3. 資料治理與安全提升：Unity Catalog、Data Lineage、Fine-Grained Access Control 成為企業資料湖治理關鍵。

4. AI 原生整合：資料湖將成為 AI 模型訓練的資料主幹，支援向量資料庫（Vector DB）、RAG 等應用。

Databricks 與 Snowflake

Databricks 與 Snowflake 作為現代數據平台的兩大巨頭，正展開一場激烈的競爭，爭奪企業「資料 + AI」轉型過程中的關鍵地位。雖然兩家公司都從「處理大規模資料」起家，但技術出發點、平台策略與市場重心存在明顯差異，並逐漸向彼此靠攏，形成典型的 橫向融合競爭（converging competition）。

核心定位差異：AI 原生 vs BI 原生

➡ Databricks 為 AI 原生平台，Snowflake 則為 BI 原生平台

AI 戰略：Databricks 領先，Snowflake 加速追趕

✅ Databricks 的 AI 優勢：

• 買下 MosaicML：提供企業訓練自家 LLM 的完整堆疊（模型 + 訓練 +推論）

• 推出開源 LLM DBRX：強化其 AI 軟體技術形象

• 原生整合 RAG、向量搜尋、Agent Workflow 編排

• 提供 MLflow、Feature Store、模型部署 API，企業可全流程管理 AI 專案

⚠️ Snowflake 的 AI 進展：

• 收購 Neeva（RAG 搜尋引擎）、Applica AI（文件理解）、Streamlit（建前端 UI）

• 推出 Snowflake Cortex：提供即時 AI 推論 API（OpenAI + 自家模型）

• 發展 Snowpark ML：讓資料科學家在 Snowflake 上做模型訓練與部署

• 引入 向量索引（Vector Indexing） 與外部模型串接（如 Bedrock）

➡ Databricks 優勢在「AI 原生整合」與開源訓練能力，Snowflake 則以即時推論與 SaaS 化簡便為主

客戶導向與商業策略

技術架構對比：Lakehouse vs Cloud Warehouse

🔷 Databricks：Lakehouse 架構

• 支援結構化 + 非結構化資料（圖像、PDF、影片）

• 資料與 AI 原生整合（如支援向量資料、模型推論、微調）

• 提供 Delta Lake 強化 ACID、時間旅行、版本控制

• Unity Catalog 為多雲統一治理基礎

🔶 Snowflake：Cloud DW + 外掛 AI 模組

• 資料集中於 SQL 表格（結構化為主）

• 非結構化資料支援近年逐步加強，但仍須轉換至內部格式

• AI 模型整合偏向黑箱 SaaS API（非原生訓練）

• 專注於 SQL 開發者與分析師生態

Databricks如何在AI競賽中搶佔先機

事實上，Databricks 早已成為AI策略中不可或缺的一環。如今，每年營收以約 60% 的速度年增，預計到2025年底，年度化營收（ARR）將超過50億美元。

Databricks 最新 ARR、估值與客戶規模

雖為未上市公司，Databricks 已展現極高成長力道：

• 2024 年底 ARR 已達 ≈ 3 B USD，年增約 60 %（2023 年為 1.9 B）。

• 2025 年 7 月預估可達 3.7 B USD ARR，YoY增長 50 %。

• Databricks SQL（倉儲類子產品）也預計年底達 1 B USD ARR；目前為 400–600 M ARR。

• 客戶總數超過 15,000 家，其中 >500 家的貢獻超過 $1M ARR，且有近 50 家大客戶年付 $10M+。

• 最新估值約為 62 0億美元。

AI 市場的關鍵先機

隨著企業紛紛導入生成式AI及類 ChatGPT 的應用，如何利用既有資料來訓練大型語言模型（LLM）成為當務之急。然而，在此之前，企業需先整理資料，使其乾淨且可靠。Databricks推出 Mosaic AI 和其自家 LLM（DBRX），能協助企業將內部專有資料整合、定制這些模型，真正發揮「資料智慧」（data intelligence）價值。

Databricks 的競爭強勢到底從何而來？

1. Lakehouse架構： 同時支援結構化和非結構化資料，一站式滿足BI與AI開發。

2. 資料智慧 (Data Intelligence)：整合資料整理、治理、LLM 客製化和向量搜尋，是企業AI應用的核心基建。

3. 策略性併購：如併購 MosaicML、Tabular、Neon 等，提高製模、治理與即時處理能力。

4. 資金實力雄厚：2024年12月募資達 100億美元，加上逾 5.25億美元債務，短期不急上市。

5. 夥伴生態拓展：與 Microsoft、Google Cloud、Meta、Anthropic、SAP 等策略聯盟，有助提升產品能見度與採用率。

營收與客戶規模比較總表

• 成長速度：Databricks 勝出（50–60 % vs Snowflake 的 24–26 %）。

• 客戶規模：Databricks 客戶更多，但兩者高價值客戶都十分強勁。

• 營收規模：Snowflake 略高，但差距在縮小中。

小結與展望

Databricks 已從資料工程供應者，成功轉型為AI基礎建設平台，透過 lakehouse、資料治理與AI整合，站上企業級 AI 應用的浪頭。目前看來，Databricks 在生成式 AI 與資料整合方面仍保有領先優勢。

2012年，Facebook 約以 1,040 億美元成為美國最大 IPO 市值之一，我們預估 Databricks有機會打破這個紀錄，雖然每年華爾街都把 Databricks 列為最可能上市公司之一，但預估 2026 年上市機率極高。

Cognition AI 宣布，已完成對 AI 編程工具公司 Windsurf 的全面收購，交易涵蓋其知識產權（IP）、產品、商標、業務與約 250 名全體員工。

此次收購發生於 Google 以 24 億美元挖角 Windsurf 創辦人與部分核心工程師、並取得非獨家技術授權後僅 72 小時。原先 OpenAI 曾擬以 30 億美元收購 Windsurf，但最終未能完成交易。

Cognition 承諾：

• 全體 Windsurf 員工將從交易中獲得經濟回報；

• 所有員工立即獲得已承諾之股權獎勵，無須再履行懸崖期（vesting cliffs）。

透過此收購，Cognition 得以整合旗下 AI 工程師 Devin 與 Windsurf 的原生 IDE，實現 AI 開發流程整合，並接手其約 8200 萬美元的年經常性收入（ARR）與既有企業客戶。

Cognition AI公司概況

Cognition AI 成立於 2023 年 11 月，總部位於美國加州舊金山，由三位 IOI 金牌得主 Scott Wu、Steven Hao 和 Walden Yan 共同創立。公司使命為打造革命性的 AI 軟體工程師 — Devin，協助工程師從重複性任務解放，專注於高價值工作。

核心產品：Devin AI

• 功能定位：全自動化的 AI 工程代理人，能「計劃 → 編碼 → 測試 → 除錯 → 部署」完整軟體任務。

• 技術特色：

  • 內建 shell、程式編輯器和 sandbox 瀏覽器環境，可模擬人類開發流程。

  • 採用多模型策略（如 GPT-4、Anthropic、LLaMA），結合強化學習與長期推理能力 。

  • 具備多任務 parallel devins、session 記憶、DeepWiki 文件、Interactive Planning 等企業功能。

• 成效表現：

  • 在 SWE-bench 測試中，Devin 解決率達 13.86%，遠高於 GPT-4 的 ~2%。

  • 市場應用案例提升工程效率 8×，並降低成本 20×。

團隊與競爭優勢

• 多位成員曾供職於 Google DeepMind、Scale AI、Waymo、Nuro、Cursor 等一線 AI 或軟體新創公司。

  • 致力於建立 Devin 的sandbox 執行環境（完整 shell、編輯器、浏览器支持），並設計其多任務 agent 架構與 session 長期記憶系統。

  • 核心技術涵蓋：強化學習（RL）、多步驟規劃、語境推理、開發者工具整合（如 VSCode、Slack、GitHub）。

團隊文化與運作方式

• 小而精悍：截至 2024 年底約 10 人左右，2025 年增至 15–20 人，維持以競賽高手為核心的精簡結構 。

• 學習型組織：工程師平均操作 5 個以上 Devin agent，目前 Devin 已貢獻約 25% 的公司 PR，預期年底可增至 50%。

• 快速迭代文化：從初版 Web demo（Game of Life、網站生成）到內部上線測試，由淺入深、循環重複地演進產品版本。

融資歷程

• 初始融資：2024 年由 Founders Fund（Peter Thiel 領投）注資 2,100 萬美元並 A 輪估值約 3.5 億美元。

• B 輪增資：2024 年早期再獲同家風投 1.75 億美元，估值升至 20 億美元 。

• 2025 年後續：2025 年再次募資，由 8VC 領投，估值達 40 億美元 。

• 戰略合作：已與 Microsoft Azure 建立合作，幫助企業部署 SaaS 與私有雲版本 。

Devin 的角色定位與使用情境

• 工程師的「實作助理」：

  • 工程師專注於「要建什麼、怎麼設計」，Devin 負責「怎麼實作」。

  • 實務上，使用者可在 Slack 中直接 tag Devin 處理任務，形成自然工作流。

• 知識記憶與上下文整合者：

  • Devin 可累積團隊過往的任務脈絡，例如記住某個版本升級過的細節。

  • 具備長期 session 記憶與公司內知識管理能力，是其產品差異化關鍵。

Devin 現在能做什麼？

• Devin 是一個嵌入式 AI 工程代理人（agent），可在使用者原本的開發環境中工作，例如瀏覽文件、讀取 logs、提交 PR、執行端到端任務。

• 支援企業部署：初期聚焦大型企業與金融科技客戶，處理重複性高、痛點明確的工程工作（如大規模代碼遷移、版本升級）。

• 現已推出 SaaS 自助版：只需綁定信用卡與程式碼庫，工程團隊即可使用 Devin。

市場定位與未來展望

• 專攻 B2B 市場，目標為中大型開發團隊及技術主導型企業 。

• 預期以 SaaS + 私有部署雙線策略深化企業導入，並以 Interactive Planning、DeepWiki 等功能鞏固優勢。

• 戰略模式為：先導入企業客戶試點，驗證效益後全面推出通用方案；已有包括 Nubank、Microsoft、OpenSea 等在內的使用者案例 。

• Devin 不僅可節省人力成本，更可能創造軟體開發的新生態，將工程師角色從「執行者」轉為「設計者 / 建築師」。

Devin 收購 Windsurf：精準卡位的戰略收購

這起交易表面看來是 Cognition AI 的一次漂亮併購操作，實則折射出 AI 創業環境中權力與利益的不對等現實。

對 Cognition AI 而言：一次戰略「撿漏」

在 Google 挖走 Windsurf 創辦人與技術骨幹後，Windsurf 變成了一家失去主導力、員工士氣低落的公司。但正是這樣的真空期，讓 Cognition 能在短短 72 小時內全盤接手——不僅獲得剩餘約 250 位工程師與完整產品組，還把原本與 Devin 類似的 AI IDE 打包納入，實現產品層的閉環整合。

這讓 Devin 從「AI 工程師代理人」變成了「AI 開發平台」，大大提升其在企業級市場的競爭力與落地能力。

對 Windsurf 員工與創業圈：期權制度的殘酷現實

Windsurf 的員工期權幾乎在一夜之間變成廢紙。創辦人與核心團隊拿著數十億美金投入 Google 懷抱，卻留下數百名未被交易納入的工程師——他們所持有的，是一家失去靈魂與技術的空殼公司。

這不僅是一場管理層利益最大化的私相授受，更是對早期創業員工「共患難、不共享利」的殘酷提醒。

從產業角度看：AI 工具整合加速，「第二名」面臨整併命運

Cursor 一家獨大、Claude Code 興起，Windsurf 作為 IDE 賽道的第二梯隊選手，本就面臨競爭壓力。在資本市場與人才戰爭的雙重壓力下，最終成為併購標的，幾乎是無法逃避的命運。Devin 的加入，也象徵「AI Coding 整併潮」正式啟動，獨立存在的工具型新創將越來越難生存。

7 月 11 日，一起原看似即將完成的併購案突然生變，引發AI創業圈震盪。原本傳出即將以 30 億美元被 OpenAI 收購的 AI 編程工具新創公司 Windsurf，最終卻轉向 Google，以 24 億美元將創辦人與核心工程團隊打包出售給 Gemini，留下公司與數百名員工陷入無人領航的局面。（根據 Reuters 報導，Windsurf 的約 250 名員工 被列為「大多數員工將繼續留在公司」）

這不僅是一宗破局交易，更是一場對AI創業現實的深刻警鐘：哪怕站在成功門口，創業公司也可能在瞬間解構瓦解。

從收購案到信任崩解：Windsurf事件始末

這場由高層跳槽引爆的風波，被視為創投圈近年最具代表性的「信任崩盤」案例。它揭露了創業公司在資本結構設計、激勵機制與道德選擇上的潛在裂痕。

Google 的精算操作：

• 避開收購公司股份，改以「團隊挖角＋技術授權」完成實質併購；

• 規避反壟斷風險，同時不承擔收購整體資產的包袱；

• 以24億美元取得人與技術，卻無需對公司或其員工承諾任何責任。

這種收購模式本質上將AI人才視為「可程式化資源」，完全剝離社會責任。（當然，像 Meta 以超高薪直接挖走 Open AI 核心工程師、Safe Superintelligence（Ilya Sutskever於去年創辦的 AI 新創）執行長的Daniel Gross、前 Github 的 CEO Nat Friedman、Apple的AI模型團隊負責人龐若鳴等，則是罄竹難書，輕鬆地用銀彈輾壓新創的entrepreneurship）

創辦人的道德選擇與員工的幻滅

比起Google的理性盤算，Windsurf創辦團隊的行動引發更多情緒與道德層面的憤怒：

• 明知整體收購才能保障員工權益，卻選擇繞過原公司架構，僅攜核心成員「跳船」；

• 導致員工手中 ESOP 成為一張白紙，嚴重背離「共創共享」的創業精神；

• CEO Varun Mohan對外仍聲稱「公司將持續獨立營運」，加劇業界與員工的憤慨。

我們都知道，員工認股選擇權（ESOP）制度是新創公司最關鍵的激勵機制之一。新創員工往往承擔更高的風險與不確定性，投入大量心力與時間，期盼在公司成功上市或高價被併購時，獲得相應的回報與保障。然而，這起事件也揭示了潛藏的結構性問題：一旦創辦人與投資人選擇在高點套利離場，整套制度便可能淪為一種「合法但不道德」的勞動剝削機制，最終犧牲的是基層員工的努力與承諾。

AI創業現實：平台整合將成主流

Windsurf的選擇，反映了創辦人對未來市場的兩項判斷：

1. 技術門檻難以維持：Copilot、Gemini、Claude 等大型模型更新迅速，功能趨同化嚴重；

2. 產品最終將被平台整合：AI Coding功能更可能被嵌入VSCode、GitHub、Google Docs等主流工作平台，而非作為獨立產品生存。

因此，AI IDE如Windsurf或Cursor，只是「過渡型產品」，角色在於探索用戶行為、驗證雛型與展示大模型能力，一旦大廠完成整合，便面臨功能被吸收、人才被併購的命運。

✅ 有機會打造平台型護城河：

• Cursor：若能進一步做出 codebase version graph 與深度 workflow agent，有機會構建新一代開發工作流平台。

• Replit AI：以教育市場/初學者切入，有機會建立獨立雲端 IDE 生態。

⚠️ 僅為「過渡型產品」或「功能插件」：

• Windsurf、Claude Code、Aider：功能創新大於平台創新，已被收購或高度依賴模型整合，獨立生存難度高。

• Codeium：難與 Microsoft / Google 對抗，若無明確差異化路徑，易淪為「開源替代品」。

問題本質：AI Coding IDE 是「功能」還是「平台」？

• GitHub Copilot、Gemini for Workspace / Code Assist、Claude Code、DevTools AI Plugin 等，皆代表的是：
  👉 AI Coding 功能會下沉為主流工具的一部分，而不是一個獨立產品。

• 這類產品若只是自動補全、片段生成、文件撰寫等功能，將很容易：

  • 被整合進 VSCode、JetBrains、GitHub、Google Docs、Slack 等工作流程平台；

  • 無法建立護城河，也無法主導使用者整體編碼流程。

Windsurf 的選擇反映了創業者的判斷：

Windsurf 之所以在 OpenAI 明示出「收購完成」的前提下，轉而接受 Google 的團隊整合提案，本質是創業者做出的兩層判斷：

一、技術優勢難以維持

• Copilot、Gemini、Claude 背後是大型模型持續更新，技術水準一旦拉齊，功能性就趨近同質；

• Cursor、Windsurf 等雖有界面創新，但不構成壟斷性的體驗差距。

二、市場未來將被平台整合

• 就像 Google Docs 內建 AI 寫作，Figma 一度也考慮被整合進 Adobe（Figma 未接受 Adobe 收購方案，已於日前向 SEC 提交 S-1 上市申請文書），AI Coding 也正進入整合階段；

• AI Coding IDE 並未建立像 GitHub 或 Hugging Face 般的網絡效應或社群鎖定；

• 最終變成「plugin」、「extension」、「side panel」，不是一個獨立應用的終局。

理解「過渡產品」的邏輯

這些 AI Coding IDE（Cursor, Windsurf, Replit AI, Durable AI, etc.）目前扮演的是：

• 探索使用者行為與需求場景（哪種 prompt 工具更有效？哪種上下文記憶最貼近開發者？）

• 提供產品形態的雛型驗證

• 作為大廠模型能力的應用證明場域

但一旦：

• 使用者習慣被大模型主導（如 GPT-5/6）；

• 大廠平台（Google, Microsoft）完成自家整合；

• 資源與通路明顯傾斜；

👉 那麼這些公司就會成為「功能被吸收」、「人才被併購」的對象。

VC 的思考：怎樣的 AI 公司值得投？

AI 創業者若想不被邊緣化，需回答三個問題：

1. 能否構建平台型產品，主導開發者工作流？

2. 是否掌握自有模型或智能代理調度層？

3. 能否建立強韌的社群、數據或工作流鎖定效應？

Peter Thiel 在他的著作《Zero to One》中強調了一個關鍵觀點：新創企業應該選擇「冷門」的題目（non-obvious problems）來解決，而不是進入擁擠的市場做「明顯的事」。

各大科技巨頭正全面押注 AI 編程。Cursor 年經常性收入（ARR）已突破 5 億美元，Claude Code 問世四個月即創造 1.3 億美元 ARR，這是目前 AI 落地最成熟、商業潛力最強的應用場景之一。GitHub 與 OpenAI 的 Copilot 持續進化，甚至傳出 Anthropic 因競爭而斷供 Windsurf 的事件，足見 AI Coding已是兵家必爭之地，這注定Windsurf 只能選擇提早加入大廠生態圈。

結語：在巨頭陰影下的創業困境

Windsurf的崩解，顯示AI新創不在自由市場中競爭，而是在幾大平台預設通吃的戰略遊戲裡博弈。若無法建立技術護城河或社群網絡效應，新創公司往往淪為巨頭的「人才試用場」與「功能孵化器」。

這種以併購為終局的創業環境，侵蝕了創業本質，也削弱了風險資本的價值。當創業者與投資人一心只求套現，startup便不再是改變世界的引擎，而是大公司收購管道的延伸。

AI 應該是最有創造力、最具想像空間的領域，而非一場資本算計與道德真空的戰場。對創業者與投資人而言，真正的問題是：這樣的賽局，值得投入嗎？

附錄

AI 編程工具依據「使用者是否具備程式基礎」分為兩大類：

Granola 精準切入會議筆記這一高頻剛需場景，透過「人記關鍵、AI補全」的人機協作模式，差異化明確，使用者體驗佳。產品留存率高、增長穩健，短期內即達千萬 ARR，具備從工具向知識平台擴展的潛力。在 Otter、Fireflies 等競爭中脫穎而出，是少數兼具產品洞察與商業爆發力的 AI 應用，值得關注。

2024 年 5 月正式上線的 AI 筆記應用 Granola，在不到一年內便完成了 4300 萬美元的 B 輪融資，估值達到 2.5 億美元。這款產品專注於一個看似不起眼卻又極為普遍的需求——提升會議效率與知識記錄品質，並在科技圈中憑藉極高的口碑實現 每週 10% 的用戶增長率。

創辦團隊背景

Chris Pedregal（CEO）

• 前 Google 產品經理，參與 Gmail、Search、Maps 等核心產品

• 2013 年創辦教育 AI 公司 Socratic，後被 Google 收購

• 對 AI 與知識提煉工具有深刻理解與連續創業經驗

Sam Stephenson（CPO）

• 前 Ideaflow 團隊成員，長期關注信息流設計與產品體驗

• 曾任滑雪地圖產品設計師，重視資訊可視化與 UX 實踐

• 對會議中資訊斷裂、知識留存問題具有強烈痛感與產品敏感度

起心動念：兩個重度會議痛苦者的自救計劃

Chris 是前 Google 產品經理，參與 Gmail、Search、Maps 開發，2013 年創辦 Socratic 並被 Google 收購。儘管連續創業成功，但他在密集會議後發現「靈感死在筆記本裡」，筆記妨礙了思考。

Sam 則是筆記應用 Ideaflow 前成員，也是滑雪地圖設計師。他對信息流斷裂非常敏感，批評現有工具只是機械記錄，無法抓住真正重點。

兩人發現，遠距與視訊會議普及下，會議紀錄已成知識工作者的關鍵痛點，但市面工具與使用者協作仍有落差。

解決方案：打造 AI 筆記工具「Granola」

2023 年 GPT-3 出現時，兩人在倫敦咖啡館中拍板：「AI 要當人類副駕駛，而不是全自動駕駛！」

2024 年 5 月正式上線 Granola：主打「The AI Notepad for back-to-back meetings」，即連續開會人群的 AI 筆記工具。核心功能：

• 自動記錄會議摘要

• 根據重點進行智能補全與標註

• 支援音訊轉錄、本地處理、保護隱私

• 協助提取決策點與關鍵數據

精準切入：從最痛的人群開始

Granola 的冷啟動策略是：「精準狩獵」。

• 第一批用戶名單：開會超過 6 場/天的創業者與投資人。

• 2023 年 8 月，攜早期原型拜訪 VC Firstminute Capital，獲得 425 萬美元天使輪，Zoom 創辦人也參與了「友情測試」。

投資人震驚點：
「開完會可以直接拿 Granola 的筆記去寫投資備忘錄，省下 2 小時！」

多次迭代測試：留存率達 70%

1. 懶人因局（2024.2）
   發現用戶不做筆記會讓 AI 輸出質量掉 30%，快速上線「靈感按鈕」功能，說出「這點重要」即自動補全。

2. 粘性密碼（2024.4）
   加入「Make me sound smart」功能，分析會議語境並推薦用戶下一句要說什麼，提高留存至 70%。

3. 正式上線（2024.5）
   邀請一批創業者與投資人內測，優化筆記結構化、提升準確率 20%。

4. 全面公測（2024.10）
   推筆記分析、內容搜尋、智能標籤等功能，並區分出：

• 免費版（25場轉錄，支援AI摘要與筆記模板）

• 個人版（$18/月）

• 商務版（$14/月/人）

• 企業版（$35起）

護城河與產品哲學

Granola 不急著自建模型，而是聚焦控制感、結構化與交互體驗：

• 可編輯 AI 補全：用戶可隨時修改補全內容（非 PDF）

• 跨會議透視：輸入某人姓名，可檢索歷史對話紀錄

• 理念清晰：不做「代理人」，而是「增強人」——人變得更像人，不是更像機器

這份堅持讓它在 Otter、Fireflies 等老牌競品中脫穎而出，上線 5 個月用戶數增長 5 倍，B 輪融資時 ARR 已破千萬美元。

市場行銷策略

• 口碑傳播：靠科技圈創業者與投資人主動推薦，周增長率達 10%

• 多渠道推廣：結合社交媒體、使用教學、案例報導

• 用戶活動經營：舉辦分享會、建立社群，強化用戶黏性與忠誠度

未來增長潛力與商業模式展望

• 從筆記工具延伸為知識管理平台：2024 年 10 月推出「筆記管理分析功能」，進軍筆記內容結構化、語義分析與知識地圖市場。

• 企業版本導入：支援團隊協作、筆記共編、權限控管與內部分享知識，類似 Notion 企業版導入邏輯。

• AI 訓練微調潛力：隨著筆記量累積，Granola 可透過用戶偏好個性化生成摘要、甚至預測待辦與回顧重點。

Palmer Luckey 的創業第二章

Palmer Luckey，是一位不被矽谷價值觀容納的天才。

他從高中輟學後自學工程，19 歲創造了 Oculus VR，開創虛擬實境浪潮，並在 21 歲時將 Oculus 以 20 億美元出售給 Facebook。由於捐款支持川普，他於 2016 年遭 Facebook 解雇，被矽谷主流所排擠。

但這位「被矽谷放逐的天才」沒有沉寂。他選擇進軍一個幾乎所有矽谷人避之唯恐不及的領域——國防。

他說：「我想創造一個真正保護自由的公司。」

於是，他在 2017 年聯手 Founders Fund 合夥人 Trae Stephens、工程長 Brian Schimpf 等人創辦了 Anduril，重新定義「愛國」與「創新」的交會點。

軟體定義戰爭：Anduril 的技術哲學

Palmer 認為：「未來戰場不是坦克與飛彈，而是 AI 與資料中心的戰爭。」

這家公司所有武器系統的核心都是 Lattice OS——一套 AI 軍事作戰系統。它不只是軟體，而是貫穿海、陸、空、潛各作戰單元的大腦：

• Lattice OS：以模組化架構整合感測器、雷達、攝影機與無人系統，實現自動目標識別、協同部署與邊緣決策。

• 反無人機系統：自動追蹤、攔截敵方無人機，廣泛部署於戰場與邊境。

• 反入侵防禦：從陸地到海岸，利用感知 + 無人設備主動識別與處理威脅。

• 自動空中系統（如 Fury 戰機）：自主導航與打擊的無人戰鬥飛機，能與有人機協同作戰。

• 自動水下潛艦（如 Dive-LD）：深海長程、自主執行任務、抗偵測潛航器。

這些系統強調的是：無人、自主、可快速複製與部署。

24 款硬體，AI 驅動的軍工生態系

Anduril 不是 PPT 軍工公司，而是「即造即戰」的技術軍團。他們在數年間已推出超過 24 款武器產品，部分如下：

1. Roadrunner：可回收重複使用的噴射無人攔截機

2. Dive-LD：自動水下載具，可於深海中完成聲學與偵測任務

3. Fury：無人戰鬥機，可與 F-35 等人類駕駛協同飛行

4. Anvil：小型高速反無人機飛行器

5. Menace C2：戰場態勢指揮中心系統

6. Sentry Tower：自動偵測入侵的邊境塔台系統

7. Ghost：靜音滲透型無人機

所有裝備背後，都是 Lattice OS 統一協調的作戰架構，真正實現全域感知 + 自主打擊。

從矽谷實驗室到 305 億美元巨獸

自 2017 年成立以來，Anduril 已完成 9 輪融資，總融資額突破 37 億美元，估值歷年躍升如下：

• 2019：進入獨角獸俱樂部

• 2022：Series E 融資 13 億美元，估值約 70 億美元

• 2023 年底：融資 15 億美元，估值達 140 億美元

• 2025 年 6 月：最新 G 輪融資 25 億美元，由 Founders Fund 領投 10 億美元，估值攀升至 305 億美元

其最新戰略合作包括：

• 與 Palantir 組成聯盟，共同競標五角大廈 C4ISR 合約

• 與 Meta 合作 XR 軍用頭盔系統

• 由私人資本主導，減少對政府補助依賴

下一個時代的軍工英雄？

AI 正進入軍事領域的「奧本海默時刻」。在傳統軍火巨頭仍深陷冗長程序與政治合約之時，Anduril 以科技新創模式席捲戰場。

Palmer Luckey 不只是產品天才，更是信仰「自由需要利劍守護」的極客。正如他所說：

「我不想讓美國士兵站在他國邊境冒險。如果我們能造出無人機與自動武器，就能讓他們安全地留在本土。」

6月10日，Glean 成功完成 1.5 億美元的 F 輪融資，估值達到 72 億美元，並計劃加強產品創新、擴展合作夥伴生態系統，以及拓展國際市場。

自去年 9 月完成 E 輪融資以來，Glean 的 ARR 已突破 1 億美元，Glean Work AI 平台已獲得多家《財富》500 大企業信任。Glean 首次舉辦的使用者大會 Glean:GO 吸引了超過 10,000 名現場及線上參與者，並宣布與 Dell、Palo Alto Networks、Snowflake 和 Workday 等合作夥伴建立戰略合作。團隊已擴展至全球 850 多名成員，Glean Agents 平台每年處理超過 1 億次智能代理操作。

新一輪資金將投入三大重點方向：

1. 深化產品創新：聚焦 AI 安全、企業級搜尋與Agentic AI各方面的研發。

2. 擴大合作夥伴生態系統：促進無縫整合與市場策略合作，讓企業充分發揮 AI 的價值。

3. 拓展國際市場：將 Glean 平台帶入更多新市場，服務更多領先 AI 時代的客戶。

此次融資並非出於資金短缺，而是為了加速 Glean 下一階段的快速成長。面對眾多頂尖投資機構的熱烈追捧，Glean 最終選擇與 Wellington Management 合作，原因在於 Wellington 在協助後期成長企業實現規模化擴張方面擁有豐富的經驗。

看來Glean離IPO日期已不遠。

2024年我們以SVP方式間接參與該公司 E 輪融資（估值 46 億美元）。

創立背景與創業動機

在 Google 工作期間，Arvind Jain 深刻體會到搜尋技術對於資訊存取的重要性。然而，他也注意到企業內部的資訊分散在各種應用程式和資料庫中，員工往往難以快速找到所需的資訊。這種資訊碎片化的現象促使他思考如何將搜尋技術應用於企業環境，提升員工的工作效率。因此，他創立了 Glean，旨在打造一個能夠整合企業內部各種資料來源，並提供智慧搜尋與 AI 助理功能的平台。

創業團隊核心成員

Glean 的創辦團隊由多位在科技領域具有豐富經驗的專業人士組成：

• Arvind Jain（創辦人兼執行長）
  在創立 Glean 之前，Arvind Jain 是 Rubrik 的共同創辦人，該公司專注於雲端資料管理，並已成功上市。在此之前，他在 Google 擔任資深工程師，領導搜尋、地圖和 YouTube 團隊的工作。

• T.R. Vishwanath（共同創辦人，工程部門）
  曾在 Facebook 擔任技術領導職務，參與開發 Facebook 開發者平台、新聞動態和廣告系統。在此之前，他在 Microsoft 工作，專注於開發者工具和執行環境。

• Tony Gentilcore（共同創辦人，工程部門）
  在 Google 工作期間，Tony 協助現代化網頁搜尋結果頁面，並創立並領導 Chrome Speed Team，致力於提升瀏覽器性能。

• Tamar Yehoshua（產品與技術總裁）
  在加入 Glean 之前，Tamar 是 Slack 的首席產品官，領導產品、設計和研究團隊，並參與公司上市及被 Salesforce 收購的過程。她也曾在 Google 領導搜尋、身份驗證和隱私團隊的工作。

截至 2024 年底，Glean 擁有超過 5.5 億美元的現金儲備，並計劃將員工人數擴增至 700 人，以支援其全球擴張與產品創新。

產品概覽：Glean Work AI 平台

Glean 提供一體化的 AI 工作平台，涵蓋搜尋、助理與代理人三大模組，幫助企業提升知識存取效率、簡化工作流程。

三大核心模組

1. Glean Search – 智慧企業搜尋引擎
結合語意與關鍵字技術，能理解企業專有名詞，並依據使用者身分提供個人化、權限感知的搜尋結果。

2. Glean Assistant – AI 助理
能回答工作問題、自動生成內容、處理日常任務，並整合 Slack、Teams、GitHub 等工具。

3. Glean Agents – AI 工作代理人
用自然語言就能建立任務代理人，基於內部資料自動執行流程，支援跨代理人協作與事件驅動。

安全性與擴充性

• Glean Protect：保護敏感資料、防止 AI 濫用，符合 GDPR、SOC 2、HIPAA 標準。

• 系統整合性強：支援 100+ SaaS 工具（如 Google Drive、Salesforce），具開放 API，並提供彈性部署選項（自有或託管雲）。

資料整合與擴展性

• 廣泛的應用程式連接：支援超過 100 種 SaaS 應用程式的整合，包括 Google Drive、Slack、Salesforce 等，實現資料的統一管理與搜尋。

• 開放的 API 與開發工具：提供豐富的 API 和開發工具，方便企業根據自身需求進行客製化開發和功能擴展。

• 靈活的部署選項：企業可選擇在自有雲端環境或 Glean 的託管雲服務中部署，滿足不同的安全與合規需求。

主要應用場景

1. 知識搜尋與問答：解決找資料難題，新人也能快速上手。

2. 工程與 IT 支援：支援錯誤排查、自動處理 FAQ 與工單。

3. 客戶服務：自動生成回覆、提升處理效率。

4. 業務與銷售支援：整合內部成功案例、客製銷售內容。

5. HR 與新人訓練：自動回應政策問題、生成 onboarding 指南。

6. 內容創作與會議摘要：自動撰寫會議紀錄、簡報、行銷文案。

7. 跨部門流程自動化：用 AI Agent 協助審核合約、核銷費用等標準化任務。

為什麼企業選擇 Glean？

✅資訊整合痛點明確
SaaS 工具多元，企業資料分散，員工平均花 19% 時間找資料（McKinsey）。

✅一體化平台設計
不只是搜尋與問答，還整合 RAG、生成與 Agent 執行，支援人機協作。

✅高留存、高黏著
DAU/MAU 達 38%，每日使用超過 5 次，橫跨多部門使用。

✅客製化與整合性強
可依需求打造專屬 AI Copilot，嵌入 Salesforce、Google Workspace 等系統。

✅擴展潛力與產業延伸
從搜尋延伸至 IT 支援、銷售、HR、法務等，2023 年 Q4 起用量指數成長。

✅巨大市場機會
TAM 超過 400 億美元，Glean 搶先切入「從 AI 答題 → 任務執行代理人」的新產業浪潮。

背景與願景

2024年1月，OpenAI執行長Sam Altman預測，AI技術將催生全球首個「一人獨角獸公司」。這呼應歷史案例，如 2012 年僅 13人 的 Instagram 以高估值賣給 Facebook。排行榜作者Henry Shi，一位曾以傳統模式（僱用數百人、融資數億美元）打造年收入超1億美元初創公司的連續創業者，現轉向AI創業，並深信Altman的觀點：「我們已知如何打造傳統意義上的AGI，很快將出現一人十億美元公司。」此排行榜追蹤精益AI Native公司，探索這一趨勢的實現進度。

根據Henry Shi的 Top Lean AI Native Companies Leaderboard 網站：

精益AI公司的核心特點

1. 超高人效
   小型AI公司人均年創收高達279萬美元，遠超傳統科技巨頭，展現AI驅動的驚人盈利能力。

2. 小團隊運營
   多數上榜公司員工數不到50人，顯示AI技術大幅降低規模化門檻。

3. 高收入與估值
   31家AI公司總年收入超過23億美元，彰顯強勁市場潛力。

4. 低融資依賴
   超半數公司未進行A輪融資，如Midjourney完全未融資，專注用戶需求而非資本驅動的擴張。

代表案例

• Telegram：30人團隊，年收入10億美元，專注即時通訊領域。

• Midjourney：40人，年收入5億美元，領跑AI圖像與影片生成。

• Cursor：20人，3年內收入破億，聚焦AI程式設計工具。

新創團隊以一當十，專注產品打磨，在資源有限下創造高度效率，實現真正的 Product-Market Fit。即便 Go-To-Market 團隊尚未成熟，仍勇敢穿梭於各大展會與客戶現場，不斷收集市場回饋，快速修正方向。

這種原始而高效的學習與執行機制，使產品逐步打開聲量，建立初步營收與口碑，進而觸發更大資源的關注。當成長曲線開始上揚，新創也有機會透過策略性併購、國際合作等方式，站上更高的舞台。

成功，往往從這樣的節奏開始。

以下是從紅杉資本（Sequoia Capital）三位合夥人——Pat Grady、Sonia Huang和Constantine Buhler——在AI Ascent 2025大會上的演講中，分析並論述紅杉資本對AI新創公司的投資邏輯。紅杉資本作為全球頂尖的風險投資公司，其投資邏輯不僅反映了對AI市場潛力的深刻洞察，也展現了對新創公司如何在競爭激烈的環境中脫穎而出的清晰期待。

紅杉資本的投資邏輯核心

紅杉資本認為，AI不僅是一場技術革命，更是一場經濟和社會范式的轉型，其市場潛力遠超以往任何技術浪潮。三位合夥人的演講揭示了紅杉資本在評估AI新創公司時所重視的關鍵要素，包括市場機遇、應用層價值、Agent經濟的未來潛力，以及數據驅動的競爭優勢。以下從這些維度展開分析：

1. 市場機遇與價值定位：端到端解決方案與客戶本源

Pat Grady指出，AI市場的規模至少是雲計算的十倍，並正在同時對服務和軟體兩大既有利潤池發起「攻擊」。紅杉資本因此看好那些能夠提供端到端、完整解決方案的AI公司，而非僅僅提供技術工具的公司。這種轉變意味著新創公司需要從銷售工具轉向銷售成果和「工作」，直接滿足客戶的核心需求。

同時，Pat 強調創業者應從客戶需求出發（Go from the customer back），專注於解決真實問題並建立客戶信任。他警告要警惕「氛圍感收入」（Vibe Revenue），即那些因客戶好奇而產生的短暫收入，強調產品的實際採用率（Adoption）、用戶參與度（Engagement）和留存率（Retention）才是評估成功的關鍵指標。這顯示紅杉資本在投資時更傾向於那些能夠深入理解客戶痛點並實現長期價值的公司。

2. 應用層的重要性：價值匯聚與垂直領域深耕個領域在過去一年達

Sonia和 Pat 一致認為，AI的絕大部分價值將在應用層（Application layer）實現。紅杉資本從過往技術轉型的經驗中得出結論：應用層往往誕生了最多的高價值公司。儘管基礎模型的進展令人矚目，但應用層的競爭日益激烈，紅杉資本更青睞那些能夠在特定領域（Vertical specific）或特定功能（Function specific）上深耕的公司。

例如，Sonia 提到像Harvey、Glean和OpenEvidence這樣的企業，它們透過專注於特定行業或場景，解決複雜問題並創造差異化價值。紅杉資本鼓勵創業者勇於應對需要「人在迴路（Human in the loop）」的挑戰，因為這正是AI與客戶需求結合的關鍵切入點。

3. Agent經濟的未來：信任、安全與不確定性管理

Constantine Buhler 提出了「Agent經濟」的宏大構想，認為AI Agent將成為經濟活動的主體，能夠進行資源轉移、交易並建立信任。紅杉資本預測，Agent經濟將催生全新的商業模式，並對能夠在這一領域建立信任與安全的公司尤為看好。

Constantine 強調，實現Agent經濟需要克服三大技術挑戰：

• 持久身份（Persistent Identity）：Agent需保持一致性並對用戶有長期理解，以建立信任。

• 無縫通信協議（Seamless Communication Protocols）：類似TCP/IP的標準化協議將成為Agent互動的基礎。

• 安全（Security）：在無法直接「面對面」的情況下，安全的重要性將遠超當前經濟體系。

此外，他提到「隨機性思維」（Stochastic Mindset）和「管理思維」（Management Mindset）的轉變，顯示紅杉資本重視那些能夠適應和管理不確定性的公司。這類公司不僅能在技術上創新，還能在Agent經濟中找到立足點。

4. 數據飛輪與業務指標：核心競爭力的基石

Pat Grady 特別強調數據飛輪（Data Flywheel）的重要性，但指出其價值必須與具體的業務指標緊密掛鉤。他在演講中質問：「你的數據飛輪驅動了哪個業務指標的提升？」這顯示紅杉資本在投資時會深入檢視數據飛輪是否真正為公司創造了競爭優勢，而非僅停留在概念層面。能夠利用數據優化產品並提升用戶體驗的公司，將更容易獲得紅杉資本的青睞。

5. 全速前進與競爭護城河

Pat Grady 引用「利昂內商品化周期」（The Leone Merchandise Cycle）圖表，建議創業者在整個價值鏈上構建護城河（Moats），例如通過提供完整解決方案、利用數據飛輪，或深耕行業痛點。他同時呼籲創業者在當前AI市場的「真空」中全速前進，因為市場機遇稍縱即逝。這顯示紅杉資本傾向於投資那些既能快速行動又能建立長期競爭壁壘的公司。

紅杉資本的投資偏好總結

綜合三位合夥人的觀點，紅杉資本對AI新創公司的投資邏輯可以歸納為以下幾個核心原則：

1. 端到端解決方案：重視能夠提供全面價值而非單一工具的公司。

2. 垂直領域與功能專注：看好在特定領域或功能上建立差異化優勢的公司。

3. 強大可靠的Agent系統：關注能夠推動Agent經濟發展並提供穩定系統的公司。

4. 信任與安全：青睞在Agent經濟中解決安全和信任問題的公司。

5. 數據驅動競爭力：重視數據飛輪與業務指標結合的公司。

6. 快速行動與護城河：尋找能在市場中快速佔位並建立長期壁壘的公司。

結論

紅杉資本對AI新創公司的投資邏輯聚焦於尋找那些能夠在AI技術基礎上，提供真正解決客戶問題的產品或服務，並在市場中建立護城河的公司。他們不僅關注當前的市場機遇，更放眼Agent經濟的未來潛力，強調應用層創新、數據驅動的競爭優勢，以及在不確定性中快速行動的能力。對於創業者而言，紅杉資本的期待是：回歸客戶本源，深耕應用場景，並以「全速前進」的姿態迎接AI時代的萬億美元機遇。

ElevenLabs 是一個波蘭創業團隊，以「高度自然化、情感化」的語音合成技術，顛覆了傳統 TTS 工具的機械化聲音。它專注於音頻 AI 的垂直應用，從快速語音克隆、多語言配音到沉浸式遊戲與虛擬人配音，完美填補了 Google、Amazon 等雲端巨頭未深耕的專業音頻市場空白。創辦人具備深厚的技術背景與靈活產品開發能力，配合快速的迭代與商業化，讓它在短短兩年內從初創公司成長為全球音頻 AI 獨角獸。面對深偽音頻風險，ElevenLabs 更以數位浮水印與合規審查展現負責任態度，獲得 a16z、Sequoia 等頂尖投資者的認可。切入市場的情況猶如 Zoom 一樣，特別要提到 Mati 出身自 Palantir，再次驗證 Paypal、Palantir 是創業人才的搖籃。

創辦人背景

Mati Staniszewski（CEO）

• 出生於波蘭華沙郊區 Zalesie，與 Piotr 在華沙的哥白尼高中（Copernicus High School）相識，成為摯友。

• 在英國Imperial College London攻讀數學，畢業後於 Palantir Technologies 擔任部署策略師（Deployment Strategist）。

• 在 Palantir 的經歷培養了他快速解決問題和自主決策的能力，這些經驗對 ElevenLabs 的創業文化產生了深遠影響。

Piotr Dąbkowski（CTO）

• 出生於波蘭格但斯克（Gdańsk），後搬至華沙。

• 在英國牛津大學和劍橋大學攻讀人工智慧與機器學習，並在 NeurIPS 發表了基於 AI 的影像偵測論文。

• 曾在 Google 擔任機器學習工程師，專注於 AI 系統的開發與應用。

創業動機與理念

兩位創辦人從小在波蘭觀看外語電影時，常被單一男聲配音的單調語調所困擾，這種配音方式無法呈現角色的情感與語氣。

他們在觀察到現有的語音助手（如 Siri 和 Alexa）仍然缺乏自然語調後，決定創立 ElevenLabs，目標是開發能夠捕捉人類語音細節的 AI 模型，讓語音合成技術更貼近真實人聲。

技術特色與產品

ElevenLabs 的技術特色在於其語音模型能夠模擬人類語音中的自然停頓、笑聲和語氣變化，並支援多達 32 種語言的語音合成。

主要產品包括：

• Speech Synthesis：文字轉語音平台，提供自然流暢的語音合成。

• Voice Cloning：語音克隆工具，能夠根據用戶提供的音訊樣本生成個性化語音。

• AI Dubbing Studio：語音翻譯工具，保留原始語音的情感與語調，實現跨語言的自然配音。

• Voice Isolator：語音隔離工具，去除背景噪音，提升語音清晰度。

✅ 請參考連結影片介紹

ElevenLabs 的投資者陣容強大，涵蓋了風險投資公司和策略合作夥伴，包括：

• 風險投資公司：Andreessen Horowitz、Sequoia Capital、ICONIQ Growth、NEA、SV Angel、Salesforce Ventures 等。

• 策略合作夥伴：德國電信、LG Technology Ventures、HubSpot Ventures、NTT DOCOMO Ventures、RingCentral Ventures 等。

產業競爭態勢

ElevenLabs 處於 生成式 AI 語音 這個新興領域，屬於多模態 AI 產業中的「語音合成」與「語音 AI」應用場景。雖然 TTS（Text-to-Speech，文字轉語音）和語音克隆技術早有研究（如 Google、Amazon、Microsoft 也有相關產品），但 高擬真度、情感化、多語言克隆能力，以及 開放給中小企業和個人創作者的易用性，是 ElevenLabs 的核心差異化。

在這個市場中，主要競爭者包括：

• Google（WaveNet、Bard 中的語音模組）

• Amazon（Polly）

• Microsoft（Azure TTS）

• OpenAI（近期也開始推進語音生成）

• 專業語音供應商（如 WellSaid Labs、Descript、Replica Studios）

然而，這些大廠通常將 TTS 當作生態系配件，並非「音頻 AI」的核心主業。反之，ElevenLabs 專注於音頻 AI，並且直接對應各種真實使用場景（例如電影、遊戲、醫療配音、教育等），快速填補了這個垂直領域的空白。

ElevenLabs 的核心優勢

✅ 請參考連結影片介紹

1. 高度自然、情感化的聲音合成
   ElevenLabs 技術能生成極度擬真、帶有情感表現的語音，遠超傳統「機械式」語音合成，成為更接近人類聲音的工具。

2. 即時語音克隆與多語言支持

• 只需 30 秒音頻樣本即可快速克隆專屬聲音，甚至支援 32+ 語言自動轉換。

• 真正做到「全球化音頻創作」。

3. 完整的音頻工具生態系
   從 TTS → 語音克隆 → 語音隔離 → 多語言配音 → 進階工作室（Voice Studio）全套工具，成為創作者和企業一站式解決方案。

4. 技術自研、全端掌控
   ElevenLabs 的模型與工具完全由自家團隊開發，保證品質穩定和快速疊代更新（非依賴外部 API 或開源模型）。

5. 針對創作者與企業的友好介面
   不同於 Google/Amazon 等雲端 API 需要工程背景，ElevenLabs 直接提供易用的前端工具，降低門檻，迅速打入影視、遊戲、媒體等垂直領域。

業務收費模式

ElevenLabs 採取 SaaS 訂閱制 + API 課金 的混合模式，具體包括：

✅ 多層次訂閱方案

• Free Plan：免費使用者，提供有限的生成點數與基本功能，主要用於體驗和推廣。

• Creator Plan / Pro Plan / Enterprise Plan：付費訂閱者，按月或年計費，獲取更高的生成點數、語音克隆功能、批量處理等。

✅ API 授權與按量付費

• 提供開發者和企業 API 接口，依照音頻生成字符數（或生成時長）收費。

• 這種「即用即付」模式特別適合大量音頻需求的 B 端客戶（如出版社、影視製作公司、遊戲公司等）。

✅ 企業定制與增值服務

• 提供 專業語音克隆（Professional Voice Cloning）、大規模配音專案、語音安全審查等增值服務。

• 也能針對特殊需求（例如醫療輔助、語音數位人等）提供「白標技術」合作，進一步提高客單價和客戶黏性。

技術架構

ElevenLabs 的技術體系可分為三大模塊，結合自研深度學習模型與雲端微服務架構：

✅ 核心生成模型

• 自研 TTS（Text-to-Speech）模型：專注於模擬真實人聲的韻律、停頓、情感變化。

• 語音克隆引擎：基於小樣本學習（few-shot learning），可用短音頻快速生成個性化聲音。

• 多語言語音模型：內建多語言語料庫，實現跨語言語音轉換和本地化配音。

✅ 後端基礎架構

• 採用雲端微服務架構（Kubernetes / Serverless）進行語音生成服務的高效擴展。

• 每次生成請求會進入佇列，並由語音生成模型在 GPU 加速下處理，確保低延遲輸出。

✅ 音頻後製與安全模組

• 具備自動降噪、音頻優化、數位浮水印（防深偽）等後製處理功能。

• 內部審核與合規系統（混合自動模型 + 人工審核），防止濫用或非法內容生成。

市場擴展前景

ElevenLabs 目前市場版圖已橫跨歐美，並進入多個新興領域，未來潛力巨大：

✅ 現有市場

• YouTube / Podcast 內容創作者：對高質感音頻旁白需求大。

• 遊戲與動畫產業：需要多角色、動態配音的沉浸式音頻。

• 廣告與品牌推廣：追求自然聲音敘事感，適合產品宣傳和故事化行銷。

• 教育科技（EdTech）：多語言課程、有聲書及 AI 語音家教應用。

✅ 未來拓展領域

• 健康醫療：病患語音重建（例如失語症、ALS 病人）、語音輔助治療。

• 多語言即時配音 / 會議翻譯：跨境溝通、企業國際化（如虛擬會議系統）。

• 虛擬人 / AI Avatar：ElevenLabs 聲音技術可作為虛擬人核心聲音模塊。

• 對話式 AI（Conversational AI）：與 LLM（如 GPT）結合，創造真實自然的語音 AI 助理、AI 朋友等。

✅ 產業合作與國際化

• 已進入 Disney Accelerator 計畫，測試在娛樂產業的應用（如電影配音）。

• 與多家科技巨頭（OpenAI、Google、Meta）簽署深偽防範合作，為其在多國市場擴張奠定合規基礎。

• 亞洲市場（特別是中文、日本、韓國語系）被視為下一階段擴張重點。

核心問題：為何金融行業需要專業化 AI？

金融行業的資料龐雜、結構複雜、容錯率極低。從財報分析、監管文件解讀，到利率與政策變動的宏觀推演，都需要極高的專業門檻與嚴謹性。以下是幾個關鍵挑戰：

1️⃣ 資訊高度專業化
金融文件（如 SEC 文件、財報、監管報告）包含大量專有術語、結構化數據與上下文依賴。通用 LLM 難以正確辨識與解釋。

2️⃣ 因果鏈條複雜
政策變化、地緣政治事件、供應鏈波動等，會透過多層次傳導影響企業營運、行業趨勢和市場資金流動。簡單的關聯性發現，無法滿足金融機構的決策需求。

3️⃣ 可審計性需求極高
金融行業的研究與報告需可追溯、可驗證，對生成內容的真實性與資料來源有嚴格要求。通用 LLM 在「幻覺」（hallucination）問題上的缺陷，無法被容忍。

Samaya AI 的產品定位，就是針對以上痛點，提供「專業化、可審計、可推演」的金融 AI 解決方案。

公司背景與發展脈絡

Samaya AI 成立於 2022 年，由一群在 Google Brain、Meta Fundamental AI Research Lab、AWS 和 Allen Institute for AI 等世界頂尖 AI 研究機構工作的研究人員創立。公司名稱 “Samaya” 來自梵語，意為「時機、正確時刻」，象徵著這家新創希望在生成式 AI 技術的關鍵拐點，搶佔專業化市場的新機遇。

在生成式 AI 迅猛發展的當下，Samaya 的創辦人 Maithra Raghu 和她的團隊洞察到：雖然通用型 LLM（如 GPT-4、Claude）具備強大的文本生成與邏輯推理能力，但在專業金融領域，準確度、專業性與可審計性遠遠不夠。於是，他們選擇聚焦金融服務這個高門檻、高價值的行業，試圖用 專業化 AI 取代「萬能助手」式的淺層解決方案。

2025 年 5 月，Samaya 宣布完成 4350 萬美元的 B 輪融資，投資陣容涵蓋：

✅ 前 Google CEO Eric Schmidt
✅ AI 教父 Yann LeCun（現任 Meta 首席 AI 科學家）
✅ Two Sigma 聯合創辦人 David Siegel
✅ 前高盛科技主管 Marty Chavez
✅ 以及知名風投 New Enterprise Associates 領投。

這個豪華的投資組合，也意味著業界對 Samaya 在專業化 AI 領域的高度認可。

技術解構：Causal World Models 與專家網格架構

1. Causal World Models：破解「相關 ≠ 因果」的盲點

Samaya 在 2025 年正式推出 Causal World Models，一套以 因果圖譜（Causal Graphs） 為基礎的推理引擎。其背後理念是：
🔍 關聯 ≠ 因果。通用 LLM 只能找出統計相關性，但金融決策需要知道「為什麼」與「接下來會怎樣」。
✅ Causal World Models 採用多階段流程：

• 從結構化金融數據、文件與報告中萃取因果線索。

• 構建多層次的因果圖譜，模擬經濟與行業間的交互作用。

• 以「圖譜推理」方式，對使用者提出的問題進行更嚴謹的回答。

例如，針對「縮減移民將如何影響美國通膨」這個問題，Samaya 能自動生成展示產業供應鏈、成本結構與總經變數互動的因果圖譜，結合量化（數據回測）與質化（行業深度）分析，提供決策依據。

2. 專家網格架構：分工協作 + 多層審核，對抗幻覺

Samaya 另一個技術支柱是 專家網格架構（lattice of experts architecture）。與單一大型模型的「黑盒」不同，Samaya 採用多小模型協作方式：
🔹 小模型專注化：每個小模型專責一項研究任務（如財報比較、總經變數模擬、監管條文理解）。
🔹 專門模型作為審核者（Verifier Models）：這些模型專門檢查其他模型的輸出，確保資料與邏輯的嚴謹性。
🔹 多層交叉檢核：每一層模型都會互審，避免生成錯誤與幻覺問題。

這種架構的最大優勢：
✅ 降低幻覺（hallucination）風險，提升金融分析結果的可審計性。
✅ 符合金融行業對「可溯源」與「合規」的剛性需求。
✅ 更靈活地因應行業變化（可替換、優化單一模組，而非重新訓練整個大模型）。

結合 RAG 理念：從檢索到生成到驗證

RAG（檢索增強生成）是生成式 AI 領域的新趨勢，強調：
🔎 先從高可信度資料來源（如內部知識庫、權威文件）檢索出相關內容。
✍️ 再用生成式模型進行「上下文重組」與「多角度推理」。
🔎 最後審核生成結果，確保真實性與一致性。

Samaya 的專家網格架構，實際上就是 RAG 思想的「金融專業版」：
1️⃣ 多個專業小模型先檢索與金融問題最相關的資料。
2️⃣ 生成型小模型再根據檢索結果產生新洞察（非單純複製）。
3️⃣ 最後由審核模型層層驗證，確保生成內容準確且合規。

這種從檢索、生成到審核的完整鏈條，尤其適合金融決策這種對「可追溯性」與「資料權威性」有極高需求的行業。

應用場景與用戶價值

Samaya 的產品已在摩根士丹利、Two Sigma 等金融巨頭中使用，並在多家對沖基金展開部署。具體應用包括：
✅ 自動產出同業比較報告，含圖表、指標與文字洞察。
✅ 模擬宏觀政策（如利率變動、關稅）對行業的影響。
✅ 快速生成盡職調查報告（PPT、Excel 格式）。
✅ 多輪互動 refine，與分析師進行類「頭腦風暴」的對話式研究。
✅ 在監管與合規審核上，確保所有數據與分析過程都可驗證。

實際效果：

• 報告產出效率從傳統的「幾天」縮短到「幾分鐘」。

• 使用人數月活躍增長 100%，顯示出強勁的需求與用戶黏性。

• 分析師將更多時間投入在「假設與推理」而非「資料拼湊」。

競爭態勢與商業模式

在金融 AI 市場，Samaya 面臨如 Harvey AI、AlphaSense、Legora 等競品。與它們相比，Samaya 的優勢在於：
🔹 因果圖譜推理能力：非單純文件檢索或摘要，而是真正的因果建模。
🔹 專家網格架構：可審計性和模組靈活性兼顧。
🔹 針對金融任務深度客製化：報告、PPT、Excel 等多輸出格式，符合金融業務日常流程。

目前 Samaya 可能採用的商業模式：

• SaaS 訂閱制：針對中小型機構收月費或年費。

• 按使用量計費：依據分析次數、報告量等收費。

• 高端定制化方案：為大型金融機構設計專屬解決方案，收取顧問服務費與部署費。

全球金融 AI 市場年增率高達 30.6%，Samaya 具有極大的成長潛力與拓展空間。

金融 AI 專業化

Samaya AI 不只是把 LLM 套到金融行業，而是用因果圖譜與專家網格，打造出一個更安全、更可審計的「金融專業 AI」。
它的定位是：
✅ 不取代分析師，而是成為「第二大腦」的合作夥伴。
✅ 幫助金融專業人士加速研究、提升假設驗證深度，成就真正的洞察力。
✅ 以垂直化 + RAG 思維，重新定義生成式 AI 在專業服務行業的落地方式。

Samaya 也許是當下最接近「金融界 OpenAI」的創業公司，一個專業化、專注而深度的 AI 典範。

Supabase 以開源 BaaS 平台快速崛起，結合 PostgreSQL 資料庫及即時功能，其靈活的 API、自動化服務與開源生態系統，使其在雲端後端市場中具備強勁的競爭力，Supabase 充分發揮了 PostgreSQL 的優勢，將其穩定、靈活和強大的 SQL 功能與即時性和易用性結合，提供現代化的 BaaS 解決方案。透過自動生成 API、支援行級安全與資料同步等功能，Supabase 讓開發者更輕鬆地構建可擴展的應用，展現 PostgreSQL 在開發生態中的巨大潛力。這點也充分說明其天使投資人為何是Github的前 CEO Nat Friedman、Firebase 聯合創辦人 James Tamplin 等人，產業的洞見才真的是創投 AO 最需具備的技能。

Supabase 簡介

Supabase 是一個開源的後端即服務（Backend as a Service, BaaS）平台，旨在簡化後端開發流程。它提供了一系列工具和服務，讓開發者能快速、有效率地建構可擴展的應用程式。Supabase 被視為 Firebase 的開源替代方案，並且具備更強大的 SQL 支援和開放的靈活性。

創辦人背景與創業契機

Paul Copplestone 曾擔任新加坡初創公司 Nimbus for Work 的技術長（CTO），該公司專注於辦公管理平台和服務提供。 在那段期間，他嘗試使用 Firebase 建立即時聊天應用，但遇到了性能瓶頸和查詢限制。 為了解決這些問題，他將資料從 Firebase 遷移到 PostgreSQL，並自行開發了即時功能，以彌補 PostgreSQL 缺乏即時性的不足。

這段經歷啟發了他創建一個結合 Firebase 的即時性和 PostgreSQL 的靈活性的開源平台。 他將這個想法分享給曾在新加坡共事的朋友 Ant Wilson，兩人一拍即合，於 2020 年初共同創立了 Supabase。

初期發展與成長

Supabase 在成立初期，團隊專注於開發基於 PostgreSQL 的即時功能，並於 2020 年 4 月在 Hacker News 上分享了他們的項目。 這次曝光引起了開發者社群的廣泛關注，短短幾天內，Supabase 的託管資料庫數量從 8 個激增至 800 個。 同年夏季，Supabase 加入了 Y Combinator 的 S20 批次，進一步加速了產品的開發和市場推廣。

在接下來的幾個月中，Supabase 團隊陸續推出了用戶管理、行級安全（Row-Level Security）、資料庫備份等功能，並於 2020 年 12 月正式發布 Beta 版本。 到那時，Supabase 已經託管了超過 3,000 個資料庫，GitHub 星標數也接近 5,500。Contrary Research

團隊文化與開源社群

Supabase 的團隊文化強調開源和遠端協作。 許多早期成員來自開源社群，例如 PostgREST 的維護者 Steve Chavez。 這種文化吸引了大量對開源有熱情的開發者加入，形成了一個技術實力強大的團隊。

收入與商業模式

Supabase 採用「開源核心 + 雲端託管服務」的商業模式。雖然其核心產品是開源的，但公司透過提供託管的 PostgreSQL 資料庫、即時功能、身份驗證、儲存和邊緣函數等增值服務來創收。這些服務採用訂閱制，針對不同規模的開發者和企業提供不同的方案。

根據 2025 年的報告，Supabase 的年收入達到 3,100 萬美元，較 2024 年的 1,480 萬美元增長超過一倍，顯示出其商業模式的穩定性和成長潛力。

客戶與市場定位

Supabase 的用戶群涵蓋從初創公司到大型企業，包括 Mozilla、GitHub、Meta、Netflix 和 Microsoft 等知名公司。此外，Supabase 在 Y Combinator 的初創公司中也有廣泛應用，約 40% 的 YC 初創公司使用 Supabase 作為後端解決方案。

未來展望

Supabase 計劃進一步擴展其企業級服務，提供更強大的安全性、合規性和支援，以滿足大型組織的需求。此外，隨著 AI 技術的興起，Supabase 也在加強對向量資料儲存和邊緣計算的支援，以適應 AI 應用的需求。

融資用途與成長動能

Supabase 的融資主要用於：

• 擴展企業級服務：提供更強大的安全性、合規性和支援，以滿足大型組織的需求。

• 加強 AI 功能支援：如向量資料儲存（pgvector）和邊緣計算，適應 AI 應用的需求。

• 全球基礎設施擴展：提升平台的可用性和效能。

此外，Supabase 的用戶群涵蓋從初創公司到大型企業，包括 Mozilla、GitHub、Meta、Netflix 和 Microsoft 等知名公司。

Supabase 的產業定位

Supabase 提供開源的 BaaS 解決方案，核心特色包括：

• PostgreSQL 資料庫：提供完整的 SQL 支援，適合需要關聯式資料庫的應用。

• 即時功能：透過 PostgreSQL 的複寫功能實現資料的即時同步。

• 自動產生 API：根據資料庫結構自動生成 RESTful 和 GraphQL API，方便前後端整合。

• 邊緣函式與儲存服務：支援無伺服器函式和檔案儲存，滿足多樣化的應用需求。

這些功能使 Supabase 成為開發者在尋求 Firebase 替代方案時的熱門選擇，特別是在需要開源、SQL 支援和自我託管能力的情境下。

Supabase 核心功能

✅ PostgreSQL 資料庫
提供完整管理的 PostgreSQL 資料庫，讓開發者能運用這個強大且可靠的 SQL 資料庫來打造應用。

✅ 認證與授權
內建多種登入方式（電子郵件/密碼、魔法連結、第三方 OAuth），並支援資料庫層級的存取控制（Row-Level Security），實現細緻的權限管理。

✅ 自動產生 API
Supabase 會根據你的資料庫結構，直接產生 RESTful API 與 GraphQL API，前後端整合變得非常順暢。

✅ 即時功能
結合 PostgreSQL 的複寫功能，Supabase 提供即時資料同步，讓應用程式能即時回應資料變化。

✅ 邊緣函式
支援運行在邊緣（Edge）的無伺服器函式，可用來執行自定義後端邏輯，延遲更低、效能更佳。

✅ 檔案儲存
提供可擴展的儲存解決方案，能管理和提供檔案，並整合 Supabase 生態系統的存取控制。

✅ 向量嵌入（Vector Embeddings）
內建向量嵌入支援，適合開發 AI 功能（如語意搜尋、推薦系統等）。

主要競爭對手分析

以下是與 Supabase 競爭的主要平台及其特色：

1. Firebase（Google）

• 資料庫類型：NoSQL（Firestore）

• 特色：提供即時資料同步、強大的身份驗證和雲端函式，與 Google Cloud 生態系統緊密整合。

• 適用情境：適合需要快速開發、即時功能和無伺服器架構的應用。

2. Appwrite

• 資料庫類型：SQL（自選）

• 特色：開源且可自我託管，支援多種語言的 SDK，提供身份驗證、資料庫、儲存和函式等功能。

• 適用情境：適合希望完全控制後端環境的開發者和團隊。

3. Hasura

• 資料庫類型：PostgreSQL（需自備）

• 特色：自動生成即時的 GraphQL API，支援細緻的存取控制和自定義業務邏輯。

• 適用情境：適合需要快速構建 GraphQL API 並希望保留對資料庫控制權的應用。

4. Nhost

• 資料庫類型：PostgreSQL（內建）

• 特色：結合 Hasura、身份驗證和儲存服務，提供完整的開源 BaaS 解決方案。

• 適用情境：適合希望快速部署並使用 GraphQL 的應用。

5. PocketBase

• 資料庫類型：SQLite

• 特色：輕量級、單一 Go 執行檔，內建身份驗證和即時功能，易於部署。

• 適用情境：適合小型專案、原型開發或資源有限的情境。