@FinanceYF5: 1/ Neolab 最难的，可能不是训练出模型，而是算清这笔账。 所谓 Neolab，通常是由顶尖 AI 研究员创办、在产品和收入出现前就募集巨额资金，用 GPU 算力攻克大型 AI 问题的初创公司。 但从买下算力的那一刻起，它就进入了一…

1/ Neolab 最难的，可能不是训练出模型，而是算清这笔账。

所谓 Neolab，通常是由顶尖 AI 研究员创办、在产品和收入出现前就募集巨额资金，用 GPU 算力攻克大型 AI 问题的初创公司。

但从买下算力的那一刻起，它就进入了一场极其昂贵的倒计时。👇

1/ Neolab The hardest part might not be training the model, but rather figuring out the math on this bill.

What is commonly referred to as Neolab is typically a startup founded by top AI researchers, which raises massive funding before products and revenue even emerge, using GPU computing power to tackle large-scale AI challenges.

But from the moment it purchases that computing power, it enters an extremely expensive countdown. 👇

2/ 购买 1000 张 GB300，约等于 14 套 NVL72 机架。

三年成本约 1.25 亿至 1.5 亿美元，需要预付 15% 至 30%，功耗约为 2 至 2.5MW。

这些算力每季度大约可以完成 10²⁵ FLOPs，足以训练出 GPT-4 级别模型，但预训练能力仍落后前沿模型 1 至 2 个数量级。

3/ 如果基于优秀的开源模型进行后训练，追上前沿水平的机会更大。

但有两个风险：

1. RL 环境本身还要投入数百万美元

2. 团队会被绑定在某个基础模型上，一旦新的底座模型发布，现有成果可能迅速被超越

4/ 要收回投资，Neolab 必须提供比基础模型更好、最好也更便宜的推理服务，并让客户使用足够长的时间。

即使推理毛利率达到 50%，若按 Fable 或 Astra 约 2 美元/百万 Token 的综合价格计算，仅收回 1000 万美元训练成本，就要服务约 10 万亿 Token。

5/ 而且，它还必须证明自己优于 Opus 5.5 这类价格更低的前沿模型。

因此，很多 Neolab 最终不能只靠推理收费，而是向客户额外收取高额平台费与算力费。

与此同时，GPU 每闲置一小时都在烧钱。团队通常只能转售算力、为开放模型提供推理，或出售 Spot 实例。

Spot 利用率低于约 60%，仍然会亏损。

还没算极其昂贵的人才成本。

6/ 这些算力还能用来做什么？

1. 完全不参与通用模型竞争

2. 选择大实验室不愿进入的新模型方向，例如 Jev、World Labs。因为这类产品可能蚕食现有业务、短期收入不够大，或让大公司偏离主线

3. 获取大规模专有数据，在机器人、生物、化学等领域做出超过通用前沿模型的能力，例如 Periodic Labs

7/ 即使成功做出比大实验室更实用、定价更合理的模型，仍必须进入一个“收入/算力成本”足够高、市场需求又足够大的领域，才能收回巨额投入。

这是一场非常困难的游戏。

这些假设中，哪些是错误的，或者值得质疑？

8/ Neolab 持续融资同样困难。

第一轮资金可能帮助团队完成技术里程碑，但收入会让它陷入两难：

公开收入，如果规模不够大、增长不够快，就缺乏吸引力。

不公开收入，又只能继续依靠“规模化后会非常成功”的承诺融资。

9/ 留住人才也很难。

如果公司以高估值融资后长期停滞，员工会开始怀疑：

自己是否选对了公司？

手里的股权还有多少价值？

是否应该去增长更快的地方？

Neolab 往往聚集了 AI 领域最优秀的人才，他们每年的机会成本可能达到七位数、八位数美元，甚至更高。

10/ 高估值也抬高了被收购的门槛。

如果一家公司以 50 亿美元估值融资 10 亿美元，收购方至少要先拿出 10 亿美元清偿优先权，员工股权才可能获得回报。

人才争夺战正在降温，能支付这个价格的买家并不多。

相比之下，收购不到 10 人、估值低于 1 亿美元、融资较少的年轻团队，往往能以更低成本获得同样优秀的人才，投资回报也更高。

阅读原文：