400 萬美元種子輪做到 1.2 億營收：AI 如何重寫新創經濟學

本文整理自《This Week in Startups》2026 年 6 月播出的 VC 圓桌單集（E2299）。

---

400 萬美元種子輪，年營收 1.2 億

Castalia Capital 管理合夥人 Michael Downing 在節目中分享了一個讓人停下來重算的案例。他投資組合裡的一家 AI 基礎設施公司，種子輪只募了 400 萬美元，現在的年營收跑率是 1.2 億美元，每個月產生大約 75 萬美元的自由現金流。

對這些創辦人來說，一個過去幾乎不存在的問題浮上了檯面：我們到底需不需要再融資？傳統的路徑是種子輪、A 輪、B 輪、C 輪，直到上市或被收購。但當你只花了 400 萬就做到月正現金流 75 萬，這條路徑上的每一步都變成了可選項，不是必經之路。

你確實會看到搶先投資和高估值條款的出現，但越來越多創辦人在考慮稀釋的代價。有些人在已經獲利的情況下還是選擇融資，不是為了聘 500 個人或租辦公室，而是因為他們的 token 支出即將爆發性成長。資本的用途完全變了。

這不是孤例。Downing 觀察到，AI 基礎設施和應用基礎設施領域的公司快速衝到一億美元營收的情形「非常頻繁」。AI 已經改變了新創公司的成本結構、成長速度和融資邏輯，改變的幅度大到連幾年前的經驗法則都不再適用。

Series A 的門檻：從 3 倍跳到 10 倍

Behind Genius Ventures 創辦人 Paige Doherty 把這個變化量化了。她在基金一到基金二之間做了大量市場分析，其中一個發現是 IPO 的營收門檻持續攀升。過去 100 家市值超過十億美元的退出案例中，上市時的平均年營收介於 3 億到 5 億美元。這個數字反推回來，意味著她在種子階段就必須問那些關於市場規模的問題，不能等到後面才開始關心。

更直接的改變是 Series A 的成長期望。Doherty 明確表示，在 SaaS 時代，年成長 3 倍就可以拿到一輪很好的 A 輪，「投資人會推著一整車百元鈔票來找你」。現在 3 倍可能只是中間水準，拿不到最好的條款。她在投資組合裡看到 AI 原生公司一年成長 10 倍甚至 100 倍的案例。主持人 Alex Wilhelm 追問這是可持續的新常態，還是技術轉型期的特殊現象。

兩個結構性的加速器

Theory Ventures 創辦合夥人 Tomasz Tunguz 從結構面回答了這個問題。他指出兩個正在同時運作的動力。

第一個是 AI 實驗室的採購規模。當一家新創公司的客戶是 AI 實驗室，單筆合約可以達到數千萬甚至數億美元。原因很具體：在模型競賽中，取得某項特定技術或資料集可以在單次模型發布中顯著改變市場份額，而這種份額的改變可能讓實驗室的市值波動 100 億到 500 億美元。當不擁有某項技術的代價這麼高，採購的急迫性和支付意願就會推到極端。一筆合約就能讓一家新創的營收成長 10 到 50 倍。

第二個動力來自企業端。Tunguz 引用摩根士丹利的分析：超過 50% 的企業 AI 預算是淨新增支出，不是從既有 IT 預算挪過來的。其中一部分來自未來的人力支出，也就是公司決定不再增聘人手，把原本要花在新員工上的錢轉到 AI。這一點很關鍵，因為人力支出通常是軟體支出的 3 到 7 倍。當 AI 開始吃進的是人力預算而非軟體預算，可投入的總金額就大得多。

Doherty 補充了應用層的視角。她的基金主要投資應用層公司，在她的觀察裡，成長不只來自 AI 實驗室的大額採購，更來自那些在過去軟體浪潮中被忽略的產業。這些產業第一次有了夠好的 AI 應用可以購買，從零到一的轉換本身就會產生驚人的成長率。

「我們募 2500 萬，用途：Token 支出」

Downing 描述了一個他最近看到的融資對話。一家公司說要募 2,500 萬美元。他問資金用途，對方的回答只有兩個字：token spend。不是招人，不是開辦公室，不是拓展新市場，就是 token 支出，也就是運行 AI 推論的成本。

這跟兩年前他和 Jason Calacanis 在 TWiST 上討論 Midjourney 模式的情境形成了鮮明對比。當時的結論是：如果一家公司可以不靠大量資本就快速成長，晚期創投還有什麼用？現在答案出來了。用途不是傳統的規模化路徑，而是餵養產品裡的 AI 引擎。當你的產品每處理一筆交易都要消耗 token，營收成長和推論成本會同步放大。

這也解釋了為什麼 OpenAI 和 Anthropic 都在積極建立合作夥伴計畫，向新創公司提供 token 額度。對實驗室來說，今天免費送出去的 token，會在這些公司成長後變成大額的付費客戶。對新創來說，token 額度就是資本的另一種形式。Downing 甚至提到有基金在做 2,000 萬美元的投資時，一半以 GPU 運算時數交付，不是現金。運算的金融化正在成形。

這幾股力量加在一起，畫出了一種過去不存在的新創輪廓：營收極高、人數極少、資本主要花在運算而非人力。創辦人的議價能力因此大幅提升。

Tunguz 觀察到一個伴隨現象：創辦人越來越傾向使用超級投票股結構來保持對公司的控制權，而不是靠縮小董事會規模。跟 2021 年的創辦人權力高峰很像，但這次的底氣來自真實的營收和現金流，不是零利率環境下的估值泡沫。

Claude Fable 5：十個百分點的跳躍

對話轉到了 Anthropic 最新的旗艦模型 Claude Fable 5（又名 Mythos）。Tunguz 用了很強的措辭：「根本性地好很多。」

他先建立了一個參考框架。AI 模型的發布節奏大約每 41 天一個新版本，每次在關鍵基準上的進步通常只有 1 到 2 個百分點。Fable 5 的 agentic coding 基準從 13.4 跳到了 29.3，整整十個百分點，在正常的發布週期中極不尋常。Tunguz 實際跑了測試，讓 Fable 5 在一個晚上分析了三個不同的程式碼庫並做效能優化。他描述的架構是一個「中央協調器」模式：你給它任務，它會把工作分配給不同的子代理，在較長的時間跨度內調度，並且管理自己的記憶。結果讓他印象深刻。

代價是每 token 的價格為 Opus 4.8 的兩倍。Tunguz 指出它不是市面上最貴的，OpenAI 針對數學和科學的 Pro 版本每 token 成本是 Fable 5 的三到四倍。但對通用目的來說，Fable 5 確實是目前最貴的。

Doherty 說她需要去問投資組合公司的實際反應，但根據她的觀察，大多數公司已經在用混合架構：低成本模型處理重複性任務，昂貴的前沿模型只在需要高階推理或調度時出動。這帶出了下一個話題。

技能蒸餾：91% 的工作在本地完成

Tunguz 分享了他自己在實踐的一個工作流。他用前沿模型（像 Fable 5 這個等級的）來產生他稱為「技能檔案」的東西，就是一份 Markdown 格式的文字檔，詳細描述如何執行某個任務。然後他把技能檔案交給跑在 Mac 上的本地模型。

透過不斷累積技能檔案，他的本地模型推論比例從 65% 提升到了 91%。換句話說，日常 AI 工作中只有 9% 需要呼叫雲端的前沿模型，其餘全部在本地完成，token 支出大幅降低。他提到史丹佛大學幾乎同一時間發表了一項研究，驗證了這種「技能蒸餾」架構在各種技能分布上都有效。他稱這是「大多數應用的未來架構」。

Doherty 從另一個角度呼應。她說在製造業的應用場景中，邊緣部署和本地推論正在回歸。部分原因是成本，更重要的是資安。製造業是網路攻擊的首要目標之一，把敏感的生產資料送到雲端做推論是一個真實的風險。她半開玩笑地說：「我們要回去 on-prem 了。」

工廠的糖果品管員被 AI 取代了

Doherty 舉了投資組合公司 Maneva 的例子來說明這個趨勢。Maneva 的創辦人之前在 DeepMind 研究具身 AI，現在把影像轉機器人動作的模型部署在工廠的邊緣硬體上，用的是現成的設備。

一個具體的場景是糖果工廠。原本產線上需要一個人逐一目視檢查每條糖果棒有沒有缺陷，發現問題就按下按鈕。現在這個任務由 Maneva 的 AI 代理在現場硬體上執行。有趣的是，被解放出來的工廠員工不是被裁掉了，而是開始主動提出新的 AI 應用想法，用在工廠裡更有價值的地方。人被從重複性勞動中釋放後，反而成為推動更多自動化的力量。

Doherty 在這裡提出了她的核心投資論點：超專業化 AI（hyper-specialized AI）。前沿模型在通用智慧上很強，但要在特定的工業應用任務上做到卓越，需要的是存在公司內部或工廠現場的真實資料。這些資料是通用模型拿不到的，而 AI 原生的新創公司比既有的大型企業更有優勢來做這件事，因為大企業需要把 AI 硬塞進既有的軟體架構裡，改造的成本和摩擦很高。

應用層的價值：情境資料庫、技能庫、模型路由

Tunguz 對未來 AI 軟體公司的定義值得仔細聽。他認為這些公司的核心業務是三件事：管理一個「情境資料庫」，記錄標準作業程序和企業知識；建構和維護技能庫，讓常見任務可以被有效執行；以及智慧地選擇模型，讓客戶用不到前沿價格就能得到前沿品質。

他舉了一個例子：理論上你可以用 Claude Fable 5 跑完 HubSpot 的整個工作流，技術上沒問題，但沒有人想為此付那個價格。應用層公司的價值就在於把前沿模型的智慧壓縮、蒸餾、打包，然後分攤到大量使用者身上。Downing 從市場端補充，現在跑最快的是那些能把 AI 調度和工作流包裝得最簡單的公司，讓矽谷以外的人也能用。這也是為什麼 OpenAI 和 Anthropic 都在跟 Accenture、Blackstone 這類公司建立顧問合作關係。AI 在企業端的部署需要大量客製化組裝，離「開箱即用」還很遠。

開源模型在這個架構裡扮演了關鍵角色。Tunguz 指出 Open Router 上一週最熱門的模型清一色是開源或中國模型：DeepSeek v4 Flash、小米的 Mimo v2.5、騰訊的 Hi3 preview、Minimax M3。Theory Ventures 的分析也發現，最早採用開源模型的是毛利率較薄的公司，完全合理。Nvidia 投入了約 230 億美元支持開源模型生態，Google 也在推 Nemo Tron。開源模型讓應用層公司能在成本上跟前沿實驗室競爭，這對整個生態的健康很重要。

我的觀察

這場對話有一條線索把所有主題串在一起：AI 正在把新創公司的成本結構從人力密集轉向運算密集。

當「資金用途：Token 支出」成為常態，傳統創投用來評估公司的框架就需要重新校準。你不再看員工人數和辦公室大小來判斷一家公司的規模和野心，你看的是它的推論帳單和模型路由策略。一家只有 20 個人但每月燒 200 萬美元 token 費用的公司，可能比一家 500 人的 SaaS 公司更有競爭力。

技能蒸餾的架構暗示了一個有趣的未來。前沿模型的價值可能越來越集中在「教學」而非「執行」：你花高價讓 Fable 5 解決一個新問題、產出一份技能檔案，然後用幾乎免費的本地模型跑上一萬次。前沿模型的營收模式會從按次收費轉向知識萃取，長期來看可能改變實驗室的定價邏輯。

Doherty 在節目最後提到的 Maneva 讓我印象深刻。一個前 DeepMind 研究員，拿著影像轉動作模型，跑在工廠的現成硬體上，做糖果品管。這種落地方式離矽谷的 demo 文化很遠，但可能才是 AI 應用最大的市場。當技能蒸餾和邊緣部署成熟，AI 的價值不在於你用了多貴的模型，而在於你對特定場景的理解有多深。