硅谷重返“硬核”：AI繁荣下，谁在挑战不可能？

在经历了多年的SaaS和商业模式创新后，硅谷的投资焦点和创业精神正重新转向那些需要深厚技术积累的“硬核”领域。从下一代芯片、量子计算到AI驱动的材料科学，一场关于技术深度的竞赛正在展开。

1. 芯片战争进入新维度：光子的崛起

今年的Hot Chips大会传递出一个明确信号：除了谷歌的Ironwood TPU，其他挑战者想在AI训练芯片领域撼动Nvidia的统治地位已经变得异常困难。

真正的亮点出现在光子计算领域。Celestial、Ayar Labs、Lightmatter和Nvidia四家公司同台展示了他们的光学互联解决方案。AI加速芯片的功耗需求已经暴涨到如此程度，以至于终于将光子学产业从电信泡沫破裂后的数十年沉寂中拖拽出来。

硅光子制造是一个众所周知的难题，市场应用一直局限在少数利基领域。如果AI热潮退去，这一领域的投资能否持续仍需观察。但眼下，电网的能源限制正在催生整个新技术生态的繁荣。

2. 日本半导体复兴梦：Rapidus的“艺术晶圆”赌注

日本半导体复兴的野心寄托在了Rapidus身上。这家公司正在采用IBM授权的技术开发2纳米制程工艺，但选择了与众不同的路径。

与传统晶圆厂追求大规模量产不同，Rapidus将其工厂和工艺共同优化，目标是实现全球最快的 turnaround time（生产周转时间）。他们提出的“All Single Wafer”（全单晶圆）概念，号称能将标准周转时间缩短至惊人的15天。

这一策略引发了行业质疑。开发一款AI芯片需要投入数亿美元，晶圆代工的客户通常需要巨大产量来分摊这些成本。谁会需要如此小批量、快速的生产服务？或许是为了原型设计和概念验证？但如果这样，规模效应从何而来？Rapidus的商业模式仍需时间验证。

3. 软件危机：当“氛围编程”开始侵蚀SaaS护城河

2010年代，硅谷的宠儿是软件即服务（SaaS）。其可预测的经常性收入（ARR）模型赢得了市场的丰厚估值。但ChatGPT之后的SaaS格局已经改变。

AI极大提升了特定编码任务的效率，这是一把双刃剑。它帮助某些公司快速增加收入，但利润却是另一回事。许多人开始担忧“氛围编程”（vibe coding）的威胁——一个顶着一头西兰花发型的Z世代年轻人，可能在一个周末就用AI“ vibe”出一个功能相似度达80%的竞品。

投资者的自然反应是，更愿意资助那些解决真正艰难问题的努力。

4. 寻找下一个革命性材料：AI驱动的材料科学

一种新材料的发现足以改变世界。钢铁助力了工业革命，钴酸锂（Lithium cobalt oxide）奠定了现代锂电池的基础，从而催生了今天的消费电子和电动汽车产业。

然而，新材料的发现过程至今仍主要依靠残酷的试错或纯粹的偶然。许多材料在发现其有用特性之前，已被搁置数十年。

如今，一批由AI驱动的“科学项目”初创公司正试图改变这一现状。它们训练模型，以期加速甚至自动化这个近乎无限维度的材料发现空间。

• 高调玩家： 由ChatGPT联合创造者之一Liam Fedus共同创立的Periodic Labs，已从A16Z融资2亿美元，估值达10亿，正在建设大型自动化湿实验室。
• 技术路径： 可能的方向是使用传统计算密集型方法（如密度泛函理论DFT）生成训练数据，然后利用这些数据训练模型来“ shortcut”（ shortcut）发现过程。
• 核心问题： 仅依靠现有数据，真的能够预测全新材料分支的行为吗？这仍是待解的核心问题。

5. 替代计算：量子与超导的并行宇宙

寻找传统硅计算之外的下一代计算范式是另一大焦点。

PsiQuantum 走的是光量子路线。他们将单光子转化为量子比特（qubits），并利用硅光子元件使其相互作用进行计算。这家由知名英国教授创立的公司已融资约10亿美元，正在Milpitas将一个前Analog Devices半导体晶圆厂改造成其光量子计算机的组装基地。其投入规模之大，从定制化的分子束外延（MBE）设备便可见一斑。

Snowcap Compute 则致力于商业化一种基于超导体的低能耗计算新方法。其技术与1990年代出现的一种新超导计算方式一脉相承，据称比IBM早期的约瑟夫森结技术（Josephson Technology）更可持续、能效更高。关键进展在于，Snowcap花费数年时间使其方法与主流的CMOS工艺兼容，这大大提高了其大规模制造的可能性。

6. 具身智能：机器人学的现实进度

物理AI（或称机器人学）正在取得切实进展。一年前，许多人认为中国公司如优必选（UniTree）将在人形机器人领域占据绝对优势。如今，看法正在变得复杂。

以1x等公司为例，其策略值得关注：

• 市场切入： 瞄准家庭场景，其机器从底层设计就为室内环境优化（如独特的线缆滑轮系统，据称更安全）。
• 推广策略： 借鉴特斯拉路径——首代机器非常昂贵，仅面向富人。白天由远程人员遥操作，生成宝贵的物理训练数据；夜间则尝试自主执行简单任务。
• 关键教训： 必须频繁发布（ship）。必须将产品推向市场，即使不完美，以此获得反馈并迭代。1x给出的时间表是2026年。

机器人技术的普及不会像ChatGPT那样的消费软件般迅速，其产业动态更类似于汽车——耗时数年，且初期将高度本地化。

7. 寻找下一个“杀手级应用”：编码之后是什么？

目前，编码辅助（如Anysphere/Cursor, Replit, Claude Code）无疑是AI最明确的“杀手级应用”。它意味着全球软件工程师每年8000亿至2万亿美元薪酬的一部分将被AI效率所替代。

但下一个同等规模的应用是什么？答案仍不清晰。

• 数学能力： 模型在国际数学奥林匹克竞赛中表现优异，但这对于普通办公者的价值有限。
• 智能体（Agentic AI）产品： 目前仍显得脆弱，容易在无人严密干预的情况下失控。其最初的目标似乎是业务流程外包（BPO）行业，但印度IT外包服务业的总收入每年约为700亿美元，且并非全部都能被自动化替代。这个市场似乎不够大。

在旧金山之外，越来越多的人开始接受AI泡沫的存在，并讨论当泡沫最终破裂时，AI生态系统将如何应对随之而来的经济挑战。有分析指出，超大规模企业在AI资本支出上的回报并不好看。如果AI能够解决一个“千禧年难题”（如Navier-Stokes方程的存在性与光滑性），那么 dynamics（发展动态）无疑将彻底改变。

结论：硬核科技的复兴时代

AI材料发现、替代计算、智能体和机器人技术……这一切看似疯狂。它们会成功吗？还是仅仅成为科学家们沉溺幻想的代价？或者更糟，成为另一个Theranos？

对此，许多人提到了OpenAI的例子。在2019年，这家当时默默无闻且有些古怪的初创公司从微软融资10亿美元。没人理解它为何需要这么多钱，更少人相信其技术路径能成功。