从Agent支付到太空机器人：29家种子轮公司勾勒硅谷创业新方向

　　要找到下一家伟大的公司，得盯着那些尚未形成行业共识的机会。Felicis创始人Aydin Senkut在访谈中这样阐述自己的投资逻辑。这位投资人所在的机构与硅谷科技媒体Newcomer联手交出了一份样本——名为“Emergent”的创业公司榜单，29家入选公司的融资阶段全部停留在种子轮及更早。

　　名单的出炉方式颇为特别：主办方邀请一批业内重量级人物提名各自看好的早期公司，Vercel创始人Guillermo Rauch、Runway创始人Cristóbal Valenzuela、ElevenLabs联合创始人Mati Staniszewski、LinkedIn联合创始人Reid Hoffman都出现在推荐人名单中。这些公司的业务铺得很开，从Agent的支付、安全和管理，到机器人、AI医疗、生物科技，再到音乐影视制作均有涉猎。AI创业项目层出不穷，这份名单恰好提供了管窥硅谷创业风向的一个切面。

　　数量最集中的板块，是围绕Agent搭建工具和基础设施的公司。AI开始替用户购物、操作企业软件、独立跑完复杂任务之后，一连串此前不存在的需求冒了出来：谁来给Agent付钱？谁来管住它的权限？谁来保证它不出错？

　　支付是其中一个全新市场。Karen Serfaty和Felipe Abello创办的Agentcard，想让AI代理自主完成线上交易，买商品、订服务都包括在内。Guillermo Rauch押注这个方向的理由很直接：当AI从出主意转向动手干，支付能力就成了数字服务与商业活动之间的连接件。

　　权限一旦放大，安全管理立刻变得棘手。初创公司Arrakis Security能找出企业内部正在运行的Agent，分析其行为，发现风险时拦截或撤销操作。Mati Staniszewski在推荐语里点破了个中缘由：传统安全工具是围绕人类用户设计的，如今企业的客户管理和财务系统里出现了能自主干活的AI，防御体系不得不跟着重构。

　　Reid Hoffman关心的是操作留痕与信任问题。他看好的Mnemom，为Agent的每次行动生成可验证记录，再把实际行为与企业下达的指令逐条比对，管理者因此能够回溯任务执行的来龙去脉。

　　可靠性是另一块硬骨头。Convergent从实际运行记录里挖出失败案例，改造成评测环境，再调用编程Agent修复问题。这家公司已经进入法律、金融、人力资源等领域，专门治理Agent在真实场景中反复出错的顽疾。

　　Ampersand则往企业内部扎得更深，它分析员工的操作和业务流程，建立一套持续更新的企业运营模型，用来规划自动化任务、评测Agent、改进工作流程，创始团队出自Palantir、OpenAI和Google。Crosby创始人Ryan Daniels同时推荐了Convergent和Ampersand，看中的是两家公司对企业真实工作流程的理解深度。

　　模型挑选和推理开销也在长成一个独立市场。Martian做了一套模型路由系统，按任务需求实时挑选合适的大模型，帮企业看住推理费用。Conway则开发预测基础模型，把企业实时业务数据用于商品推荐、价格制定和信贷评估等场景。

　　Peak盯上的是AI编程催生的新瓶颈：代码生成越来越快，持续集成和自动化测试却拖了后腿。它提供更快的代码构建环境，推荐材料称其已跑过数百万项持续集成任务。

　　在Senkut的设想里，未来的Agent经济需要成体系的配套。他在Newcomer的访谈中提出，当数百万乃至数十亿个Agent开始通过API搜索信息、调用服务、执行任务，身份管理、安全和数据基础设施的分量还会继续加重。

　　基础设施之外，另一群创业者把AI直接塞进了企业和个人的日常工作。比起通用助手，他们的场景切得相当具体，产品价值能用省下的时间和完成的任务来衡量。

　　企业活动策划是个典型例子。Anna Sun和Amy Yan创办的Nowadays开发了一套专办活动的Agent，找场地、联系供应商、比较报价、协商合作条款统统可以交给AI。据Mati Staniszewski介绍，Google、Amazon和Notion等公司已经在用它的服务。这类活计流程琐碎，邮件往来和多方协调不断，但最终拍板的还是人——Nowadays的算盘是把重复性高的环节自动化，让活动负责人腾出手来琢磨方案选择和现场执行。

　　Hercules把AI用在了企业软件开发上。用户跟Agent对话，就能搭出客户关系管理、库存管理等业务应用。它采用开放权重模型，力图以更低的成本提供软件生成能力。Fireworks AI创始人Lin Qiao看好这套模式，认为它能拉低企业开发定制软件的门槛。

　　面向个人用户的产品也在开垦新市场。Justin Quan和Raymond Chen创立的Tomo，正在做处理日常事务的AI助理。推荐人Josh Tobin特别提到，这款产品的用户已经扩散到硅谷科技圈之外，面向普通消费者的AI应用受众正在一点点变大。

　　只是，个人AI助理已经成了竞争最凶的赛道之一。最近几个月，OpenAI、meta、Apple和Google接连推进个人Agent产品，从管日程、处理邮件到购物、跨应用操作，巨头们都在抢用户日常生活的AI入口。对Tomo这类初创公司而言，后面的仗只会更难——大公司握着庞大的用户基数，还握着操作系统、社交平台、办公软件这些现成入口，把个人Agent塞进自家产品里轻而易举。

　　办公与组织管理方向还入选了两家公司。前Slack首席产品官Noah Desai Weiss联合创办的Scuba，正在探索AI原生的办公产品，Abridge创始人Shiv Rao看重的正是这个团队在协作软件领域的历练。SkillBench关心AI时代员工的能力成长，帮企业识别适合自动化的任务，同时培养员工的专业技能和判断力，拿到了Reid Hoffman的推荐。

　　动画、音乐和影视领域同样有三家公司上榜。与早期那种主打一键生成图片、视频、音频的产品不同，它们把心思放在了专业创作者的实际工作流程上。

　　Cristóbal Valenzuela一口气推荐了Cartwheel和Resin两家。前者由Jonathan Jarvis和Andrew Carr创立，能把视频、文字描述和现成的动作素材转成三维角色动画，还能接进现有动画制作流程，替制作人员省掉大量重复操作。后者出自Pedro Tsividis之手，可以根据音乐人手头正在做的曲目生成新的乐器声部，比如贝斯或弦乐，创作者能立刻试听不同的编配方案。在Valenzuela看来，这类工具让创作者更顺手地表达想法，与Runway的产品理念有几分神似。

　　Wonder Studios的打法更接近一家影视制作公司。这家AI原生工作室坐落在伦敦，由Xavier Collins和Justin Hackney创立，替品牌、唱片公司和影视机构制作商业内容，同时开发原创作品。Mati Staniszewski在推荐时提到，Wonder Studios参与过歌手Lewis Capaldi的音乐视频项目，还与DeepMind、Universal等机构有过合作。公司的打算，是把AI制作技术与传统影视行业的专业人才、制作经验捏合在一起，一边压低制作成本，一边慢慢攒下原创内容和知识产权。

　　相比软件，机器人创业一直背着更高的研发成本和更难缠的商业化难题。不过，随着模型在感知、学习和任务执行上接连突破，投资人开始重新打量这个市场。

　　一些创业者选择从机器人软件下手。Jonathan Jacobi和Gal Niv创办的Enigma，想给不同机器人平台做一套通用的AI系统，让机器人更聪明、更好操作。Cartesia创始人Karan Goel看好这条通用软件路线——长期以来，不同类型的机器人都得针对硬件专门开发，通用软件有望砍掉这些重复劳动。

　　Icarus Robotics瞄准的是太空里的体力活。这家公司由Ethan Barajas和Jamie Palmer创立，尝试开发能在太空环境中执行任务的AI机器人。Tines创始人Eoin Hinchy算过一笔账：太空作业的人力成本高得惊人，还处处受环境和安全条件的限制，自动化的需求清晰而迫切。

　　传统产业里同样藏着机会。Snorkel AI创始人Alex Ratner推荐的Agrippa Industries，正在探路美国海运物流。原始榜单披露的产品细节不多，但海运牵扯复杂的运输调度和运营管理，自动化技术施展的空间不小。

　　个人AI硬件走的是另一条路子。Ghost正在开发一款叫Core的个人AI计算机——一台不带屏幕的设备，能连接用户的应用、文件和智能家居系统，在本地运行AI模型，持续打理个人事务。同样押注本地计算的Mirai Labs，提供端侧推理引擎和开发工具包，让文字、语音和视觉模型直接跑在手机或笔记本上。它的创始团队曾参与创建Reface和Prisma，推荐人是Mati Staniszewski。端侧运行能压低云端推理费用、缩短网络延迟，也给个人隐私数据的处理多留了几种选择。开放权重模型的能力一旦上来，消费级硬件就会成为AI应用的重要载体。

　　还有两家公司挑了更专的门道。Alljoined把机器学习用进无创脑机接口，尝试从脑电信号里解码人眼看到的画面，Cristóbal Valenzuela欣赏它靠扩大数据和模型规模来提升脑机接口能力的思路。Mistos则把AI搬进电力基础设施工程设计，想压缩新建电力设施的设计与交付周期——AI数据中心建设一路狂奔，电力供应和相关工程服务的分量正在水涨船高。

　　Senkut在访谈中复盘过Felicis近15年的机器人投资史，早期项目败了不少。过去的机器人靠预先编写的程序完成动作，没法像人那样靠观察和经验快速学习，近几年AI技术的进展才让局面松动。他格外在意机器人背后的产业链：训练数据、推理系统、执行器、零部件制造、能源供应、部署服务，都可能随着机器人规模化应用各自长出新市场。在他眼里，真正的验证来自工业现场——企业愿意在复杂生产环境中部署机器人，技术才算摸到商业化的门槛。

　　医疗与生物科技是Felicis下注很重的另一个方向。Emergent榜单里有三家公司与此直接相关，分别从临床辅助、生物实验和专业模型开发切入。

　　临床上，Cyril Zakka创办的Almanac Health想提高AI医疗工具的准确性与可信度，让临床AI的回答立在可靠的医学证据之上，帮医生更高效地获取和使用专业信息。Glean创始人Arvind Jain认可它把模型能力与医学知识拧在一起的思路。

　　生物实验这边，David Scott和Shawn Morel创立的Instance Bio在想法子提高大规模分子测试的效率，通过并行实验，分析大量蛋白质结合分子与不同靶标之间的相互作用。按推荐人、Adept创始人David Luan的描述，研究人员通过API提交候选蛋白序列和靶标，Instance Bio就能在一次大规模并行反应中完成相互作用分析——逐一测试海量分子组合所耗费的时间和资源由此省下，生物模型也能拿到更多真实实验数据。

　　第三家Phylo由Kexin Huang、Yuanhao Qu、Jure Leskovec和Le Cong联合创立，专为生物研究定制开放权重模型。Lin Qiao的评价是，研究人员能以较低成本拿到适合特定生物学任务的模型，自主控制和调整的空间也保得住。

　　Senkut在Newcomer的访谈里反复念叨实验验证这回事：AI已经能批量产出科学假设，可真实世界里的实验和测试能力仍然有限，把实验通量提上去、把验证周期缩下来，AI才能更深地推动生物科学。资本市场同样在加注——Felicis援引Crunchbase的数据称，截至2026年10月30日，全球AI医疗及生物科技领域年内融资额已达202亿美元，超过了2025年全年的158亿美元。