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Dipublikasikan tanggal 2024-07-30Terakhir diperbarui pada 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。

Bacaan Terkait

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit1j yang lalu

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit1j yang lalu

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit1j yang lalu

GPT Merancang GPT

marsbit1j yang lalu

Trading

Spot
Futures
活动图片