VC 双重困境:LP 面临低回报高风险,GP 对市场失去饥饿感

深潮Publicado a 2024-07-30Actualizado a 2024-07-30

VC 很少投资于如此小的细分市场,因为他们更喜欢一起失败或获胜的安全感。

作者:ivangbi 🦞

编译:深潮TechFlow

如今,成为 VC 的有限合伙人(LP)是件令人失望的事情。此时的局面太难了。这不仅仅是普通合伙人四处旅行、参加晚宴的游戏,而是真正的回报挑战。许多知名基金正在情感上退出,变得对市场自满,失去饥饿感,因此只是在买他们能得到的任何东西。难怪——他们并不打算在当前周期之后继续工作。自 2021 年以来,懈怠的策略变得越来越糟糕,以至于遭遇惨败。趋势如下:

1. 存在与交易相关的肮脏把戏

每第二笔交易(是的,糟糕得令人震惊)都是由其他基金孵化的,简单来说,就是为了追随叙事而抬高或抛售。这些融资或产品并不是自然产生的,这些创始人并不是自发踏上这段旅程的。这一切都是在幕后某人操控下拼凑起来的。这意味着他们在前期融资阶段就拥有巨大的股份,团队同样如此。在那时,即使你足够早,你也只是排队的第十个人。你甚至不会得到任何利益。此外,GP 会接受个人支票(或有限合伙人投资于一些共同投资但实际上会出售的其他基金,甚至是一些顾问),以便在他们的有限合伙人之前出售,这实际上是一种欺诈行为,几乎是半犯罪,但如今这种情况发生得太频繁了。

2. 完全退出的机会渺茫

在如今的融资规模下,这些投资将永远无法流动。去年这已经是事实。问题不是包会贬值,而是基金无法出售它。作为天使投资者,在相同的完全摊薄价值(FDV)下,你仍然可能获得一些小额利润,但作为基金,这样做要困难得多。你以高估值进入,但代币和流动性之间的时间差距是数年。我可以理解在 1 亿的估值下买入一个项目,然后在 1 年内代币上线。但自 2022 年以来,几乎没有项目上线他们的代币。再加上 2 年的锁仓期(即代币在此期间无法出售),你将面临 5 年的流动性差距。这是之前时间的最少 2 倍。

3. Web2 的幂律递减收益

在这一点上完全是 Web2 的氛围,但你仍然得不到有效的保护。股权支持、创始人的金手铐和其他法律边界在这一周期变得更加真实,但仍然相对模糊。更糟糕的是,基金、项目和整体饱和度都太多。你进入的不是一个 10 倍的游戏,而是在未来几年最多只能获得 2 倍的收益。在当前的状态下,持有主流币比购买新的闪亮代币显然是一种更好的方法。这一直是这样,但之前你可以冒险追求 10 倍的收益。现在你冒险追求的平均收益仅为 2 倍。

我并不是说所有的 VC 都不好或表现不佳。许多人正在得出相同的结论,或者早已得出这些结论,但只是没有公开表达。我只是提到未来的挑战。

要么需要一个完整的 3-4 年的熊市彻底洗牌,或者用户基础必须增长 10 倍,以证明估值的增长。当然,后者是更可取的!另外,你可以投资于一个仍然微小的领域,即使行业没有神奇地增长 10 倍,你也期望它会增长。这也是可以的。但 VC 很少投资于如此小的细分市场,因为他们更喜欢一起失败或获胜的安全感。毕竟,这一切都是一个周期。但 VC 的投资周期是你必须考虑的事情。

我也没有说已经上线的项目有什么问题。那些仍然存活并且存在的团队,每天都在减少,他们的基础和经验变得更强。

Lecturas Relacionadas

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

En el mundo de la IA, se está produciendo un cambio de paradigma: el "prompt" (instrucción directa) pierde relevancia frente al "loop" (bucle o ciclo). Según expertos como Jensen Huang (fundador de NVIDIA), Peter, Boris Cherny (creador de Claude Code) y Andrew Ng, la nueva tarea clave no es escribir prompts detallados, sino diseñar y gestionar loops. ¿Qué es un loop? Es un sistema automatizado donde la IA recibe un objetivo general, ejecuta tareas, las verifica automáticamente y, si no cumple los criterios, reintenta de forma independiente hasta completarlo o alcanzar un límite. Esto libera al humano de supervisar cada paso, transformándolo de "instructor" a "diseñador de reglas". Un loop no es lo mismo que un agente de IA: el agente ejecuta, mientras que el loop es el mecanismo que orquesta y automatiza su trabajo continuo sin intervención constante. Productos como Claude Code y OpenAI Codex ya implementan esta idea. Claude Code ofrece funciones como `/goal` (ejecución orientada a objetivos) y `/schedule` (tareas programadas), utilizando modelos separados para generar código (modelo principal) y para validarlo (modelo más pequeño como Haiku), asegurando una verificación objetiva. Codex emplea una "línea de ensamblaje automatizada" con múltiples subagentes que trabajan en paralelo. Boris Cherny describe cómo dirige cientos de pequeños agentes en loops automatizados que manejan desde issues de GitHub hasta fallos en CI, interviniendo solo en casos excepcionales. Para implementar loops efectivos, se recomienda: 1) Evaluar si la tarea es repetitiva, verificable automáticamente, con presupuesto de tokens viable y con herramientas adecuadas. 2) Comenzar con un loop mínimo viable (disparador, habilidad/Skill, archivo de estado STATE.md y compuerta/Gate de verificación). 3) Separar siempre la generación de código de su validación, usando agentes o modelos independientes para evitar sesgos. 4) Evitar errores comunes: establecer condiciones de parada claras (límites de tokens, iteraciones), persistir el estado en archivos, asignar solo tareas con criterios objetivos verificables por máquina (como corrección de Lint) y revisar los cambios (diffs) para mantener la comprensión del código. 5) Medir el éxito por el "costo promedio por modificación aceptada"; una tasa de aceptación inferior al 50% indica ineficiencia. Este enfoque representa la evolución natural en la ingeniería de IA: desde el "Prompt Engineering" (2023-2024, enfocado en redactar instrucciones), pasando por el "Context Engineering" (2024-2025, organizar la información de fondo), luego el "Harness Engineering" (2025-2026, crear entornos de ejecución con herramientas), hasta el actual "Loop Engineering". El nivel de control humano asciende desde frases específicas hacia el diseño de sistemas autónomos. Conceptos académicos como el marco ReAct (Reason+Act, 2022) de Shunyu Yao, que integra razonamiento y acción en un ciclo, sentaron las bases teóricas. A pesar del entusiasmo, expertos como Addy Osmani (Google) advierten sobre la etapa temprana de esta tecnología y los costos de tokens. Andrej Karpathy subraya una reflexión crucial: aunque la IA puede externalizar la ejecución, la comprensión profunda del problema sigue siendo responsabilidad humana. El loop marca un paso hacia una automatización más autónoma, pero su adopción requiere cuidado y criterio.

marsbitHace 1 hora(s)

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

marsbitHace 1 hora(s)

GPT diseña GPT

OpenAI ha presentado su primer chip, Jalapeño, un cambio estratégico que va más allá de competir con Nvidia. La empresa busca controlar todo el proceso de producción de inteligencia artificial, desde los modelos hasta el hardware, la energía y los centros de datos. La brecha entre modelos líderes se está reduciendo, mientras que la ventaja competitiva se desplaza a capas más profundas: suministro de computación, costes de inferencia y eficiencia de sistemas. Cada token generado implica un costo, y OpenAI, con productos de gran consumo como ChatGPT, necesita reducir esta "tasa de inferencia" para fortalecer su rentabilidad y defensa competitiva a largo plazo. Jalapeño, un chip ASIC optimizado para inferencia de modelos de lenguaje, fue desarrollado en solo nueve meses con Broadcom. Este plazo résubevela la ventaja clave de OpenAI: utiliza su propio conocimiento interno sobre cómo se ejecutan sus modelos masivos en producción para guiar el diseño del hardware. Esencialmente, GPT ayuda a diseñar las máquinas que ejecutarán la próxima generación de GPT, creando un ciclo de retroalimentación potente. El enfoque en la inferencia es crucial porque, a diferencia del entrenamiento (una inversión puntual enorme), la inferencia consume el flujo de caja diario. Al optimizarla, OpenAI reduce costes operativos fundamentales para su escalabilidad comercial, especialmente con futuros agentes de IA que realizarán cadenas largas de razonamiento. Este movimiento refleja una ambición mayor: OpenAI no quiere ser solo un proveedor de modelos, sino construir un ecosistema integrado al estilo de Apple, donde el software, el hardware y la infraestructura se optimizan mutuamente en un ciclo cerrado. A corto plazo depende de Nvidia, pero al trazar su propia hoja de ruta de chips, emerge como un nuevo tipo de actor en la infraestructura de IA. En resumen, OpenAI ya no aspira solo a crear la inteligencia más avanzada, sino a controlar los medios completos de su producción.

marsbitHace 1 hora(s)

GPT diseña GPT

marsbitHace 1 hora(s)

Trading

Spot
Futuros
活动图片