哪些公司在2022年依然取得了激动人心的增长？哪些前沿科技已日趋成熟即将爆发？2023年科技创投界的热点与风向将在何方？
过去一年，我们走访观察了全球新兴科技企业，探寻星星之火背后的核心动能，求索科技行业新格局下初创企业的下一个大机会。
提名公司：Descript，Jasper，Runway，Inflection.ai
提名公司：Deel，Miro，Chainalysis，Vercel，Snyk，Plaid
提名公司：Neuralink，Biofourmis，CalibrateHealth，PivotBio
提名公司：Supabase，PlanetScale，Wiz
提名公司：CommonwealthFusionSystems，EverydayRobotics
回顾过往，中国科学家、工程师与企业家在推动科技的边界中，始终扮演着关键的角色。我们不仅会坚定支持以科技为支点撬动商业机遇的创业者们，也相信在未来10年，在全球核心的科技与商业节点上，会有更多中国创始人的名字，也期待能陪伴创业者驶向科技的星辰大海。
2023年机会犹在，中国仍将是最好的投资市场。让我们有更多的耐心和信心，共同为一个美好的科技未来做好准备！
在此鸣谢共创报告的伙伴们温绵绵，杜頔康，陈瑞珏，牛源蕾
生成式AI：创作工具进化到自然语言，艺术的本质回归到提问与表达
（Vortograph,1916–17，Coburn通过创新的镜头附件和拍摄技巧，开创了抽象摄影）
今天，像DALL·E2这样的AI大模型可以按照你能想到的任何艺术风格进行创作，包括现实主义、野兽派、印象主义甚至抽象派等。它还可以学习指定任意艺术家，甚至糅合梵高与毕加索的风格进行创作。当这项技术的潜力被充分地发挥出来，当代艺术家又将如何应对呢？
尽管DALL·E2如此强大，它也最多像它的训练数据一样强大，就像是一位只能根据脑海中已掌握的技巧作画的艺术家。我们仍然需要艺术家对世界有独立的观察和思考，不断提问与表达。大模型会推动艺术家进入到下一个艺术思潮，会诞生前所未有的艺术风格，也会出现新老艺术媒介的融合，产生更高的创作自由度。
生成式AI的技术驱动力
技术红利消失了？生成式AI还可以持续释放生产力，今天的大模型就是明天的小模型！
大算力：大模型需要大规模的底层芯片来处理大量数据并执行语言理解和生成所需的复杂计算。这包括功能强大的GPU集群，可以加速训练和推理过程。
大参数：GPT1.17亿参数，到GPT-31750亿参数，不断突破能力边界的GPT模型是一部暴力美学的代表作，也代表了一种AI发展的价值观，以大计算为杠杆实现智能。大模型的意义在于通用性和极强的泛化能力，刚出现的时候还有很多的局限性，但每一次都做到了以前无法想象的事情，并且还将继续出现更多新的突破。
大架构：
ChatGPT的闪亮登场与Google的CodeRed
ChatGPT
这次的CodeRed也来自于ChatGPT的爆火，同时一部分用户更喜欢通过问答而不是关键字搜索来获取信息；这个危机事件中看到机遇的一方则是微软，早在2019年，微软就投资了OpenAI10亿美金，成为主要的外部股东，同时也联合OpenAI推出了GithubCopilot。在ChatGPT出圈后，也开始积极推进数年累积投资100亿美金增持到49%持股与未来收益权的交易，通过加深与OpenAI的合作，积极将ChatGPT整合到Bing，正面挑战Google的搜索业务。
这些因素会带来很多业务中的法律风险，也许就是Google迟迟没有推出产品的顾虑，让用户可以相信他们从搜索获得的答案。很期待它如何做出响应，融合大模型和搜索，做出更好的用户体验。
如果我们问ChatGPT：“是不是可以先用ChatGPT获得答案，然后再去Google验证信息？”它也会认可这是个不错的方法，虽然调侃了它的无中生有，但它的回复的思维逻辑又无懈可击。
ChatGPT关于Google的回答
ChatGPT也定义了人与AI的关系：如鱼得水，如胶似漆。ChatGPT最大的创新就是RLHF(ReinforcementLearningwithHumanFeedback)，通过不停止的收集人类的反馈，让机器从他们犯的错误中学习并相应地调整行为。人类可以不断地帮助AI在决策过程中变得更加高效和准确，也减少了额外的人工标注的成本。人机结合进行改进的能力终将产生颠覆性的影响，也是一种人类文明的汇集，承载和传承。
生成式AI将让科技与创作走向大众
提示工程，Promptengineering，是一个门槛最低的编程语言。掌握智能技术将会成为每个人的必备技能，当编程门槛已经降到了提示工程，没有严格的语义，只要会自然语言，就可以将人类的想法转化为可重复执行的程序。不需要训练更多的人成为程序员，但必须把它当做一个编程工具去学习。常见的高级编程语言如Python、Java、JavaScript等大多诞生于90年代。未来的某个时刻，对于没有经过技术培训的普通用户来说，如何使用AI系统的能力也会是一项职业必备技能，就像今天的白领工作者都必须具备使用搜索引擎和Office办公套件的能力一样。
Prompt是一个问题或者指令，也可以是输入数据和用例示范，用于指导AI系统生成响应。今天提示的微小改变都会对AI的结果质量产生关键的影响，使用者还是需要理解AI系统的能力和每个模型特定的局限性。
在未来的生产力年代，我们每个人都需要成为超级用户ProUser，才能真正的掌握表达思想的道具。当然也可以期待Prompt变得越来越容易，模型变得越来越智能。
内容创作的“零门槛”化。我们生活在一个内容爆炸的年代，技术一直以来做到的就是不断的降低内容生产的门槛，让没有多年学习和经验的人，也参与到内容生产中来。
比如画家需要表达需要审美，技法，构图的综合体现。摄影的出现，就让需要表达的人可以摆脱对画师技艺的要求来进行艺术创作。这可以带来更加多样化和包容性的内容生态系统，任何人都可以参与创意、思想和艺术的创造和传播。
同样，人工智能生成的内容技术也在让内容制作过程进一步的降低门槛。
生成式AI带来的10倍效率提升
而编程领域的应用同样激动人心：开源是软件能够迅速发展起来的核心，也为大模型提供了数十亿行代码的训练数据。这些工具的目标不是要取代程序员，而是要让像Codex和Copilot这样的工具与人类“结对”，以提高编程的效率。
ChatGPT在编程任务上展现出了比Copilot更大的想象空间：Copilot还是只能做到自动补全。阅读、建议和修改文本以创建传统的软件程序。Copilot是无状态的，用户只能通过修改prompt重新生成代码。语言模型本身不跟踪状态。而ChatGPT在其中跟踪从一个prompt到下一个prompt的状态，可以根据用户反馈迭代输出，实现了复杂的“会话”。比如如果在对话中提供了更多的上下文，API提示和数据库Schema等背景信息，可以更好的帮助AI的代码生成。甚至可以在提示中教授算法。
AI的局限性
质量不高：AI还是基于概率模型生成的内容，往往存在逻辑错误，比如误解问题，混淆了不同信息的输出位置，也会无中生有捏造事实。更加适用于对质量要求不高，错误容忍度高的场景，或者嵌入专业技能的人来做质量判断的工作流程。
成本还需要进一步的下降：文字的成本大概是几美分，但如果是生成3D模型，今天的成本依然在10美金左右，还无法真正普及。
道德问题：AI生成的内容可能会引发错误信息的传播以及使用AI生成的内容冒充个人带来的安全隐患。比如可以通过Deepfake技术，替换视频中的内容。
价值偏见：人工智能生成的内容是基于它所训练的数据，也会继承人类认知中对于性别、职业、种族的偏见，会产生很多种族主义和性别歧视的回答。
对数据的依赖：人工智能生成的内容依赖于大量数据来训练模型，如果数据不具有代表性或多样性，则生成的内容也不会多样化或具有代表性。比如问他FTX是否安全与合规，因为训练数据截止于2021年，它会给出与现状完全不同的答案。
危险信息：比如可以让他解释如何做恐怖袭击。
未来的展望
在数据维度，ChatGPT是基于2021年及之前的数据而训练，还不能实时更新最新的数据或者连接互联网，执行程序拿到反馈去优化模型，或者在模型的风格上更加的微调以适应个人风格和偏好。试想如果未来这些成为可能，将会给我们的世界带来多大变化？
在模型维度，不断扩大模型参数的暴力美学并非唯一的路径，例如披露的GPT4的参数量就并不会显著多于GPT3的1750亿的规模，如果未来的方向不会是参数规模越来越大，除了增加数据和参数规模外，大模型的架构会如何演进也同样令人期待。
大模型也给AI系统软件带来的挑战：压缩、硬件加速和在边缘的部署，都仍有提升的空间：AI模型的数据结构化，比如把可信的知识放在一个可查询的结构化的数据库里，可以进一步的压缩大模型的规模，提高结果的可信程度；AI模型的存算分离，可计算的模型也可以抽离出来；随着边缘计算、机器人的普及，如何适配异构硬件环境，支持更多的智能终端。
在商业与生态上，未来将如何分工？大模型的预训练成本需要至少上亿元的前期投入（StableDiffusion的训练使用了4000个英伟达A100的GPU集群），很难也没有必要重复通用泛化的建设基础设施底座。早期以探索前沿AI为核心目标的公司：Deepmind被Google收购提供支持；OpenAI最开始是非盈利组织，后面微软的不断注资，都是依靠着巨大的算力，数据和资金成长起来的。
初创企业的机会在哪里？
大模型需要丰富的插件生态，围绕基础模型的ISV插件生态是初创企业的机会
基于垂直产业的小模型也可以在差异化的场景，与大模型形成有效的互补
我们相信，基础的通用大模型与场景专精的中小模型或者插件，将会把AI商业化带到下一个里程碑。
推荐理由：虚拟世界里最重要的就是内容创作者生态，不断的降低创作门槛才能释放新的生产力。Descript定义了下一代易于使用的视频编辑平台，可以像编辑文档一样，剪辑视频。拍摄视频的成本还是很高的，需要布景灯光，准备脚本，但录制的过程，如果创作者没有经过专业的训练，就会存在静音，填充词和出现口误。Descript把AI巧妙地应用到了视频纠错这个高价值场景里，既发挥了AI的效率，又克服了技术今天原创内容质量不高的局限性，打造了基于现有技术成熟度的人机协作创作高质量内容的完美场景。
Descript
成功要素：创始人AndrewMason是之前美国最大的团购网站Groupon的创始人，成功带领公司在2011年上市，作为主导过百亿美金的连续创业者，Andrew最初切入的播客音频剪辑市场并不大，但几乎统治了这个市场，伴随着视频编辑能力的完善与客户向视频创作的转型，Descript顺势切入了视频编辑这个更大的赛道。
Descript做了精妙的市场定位与差异化竞争策略，并不直接与专业的视频编辑工具如AdobeAE竞争，仅提供滤镜和绿幕等一些基础视频编辑能力。核心亮点是准确的ASR提取文本，并基于文本对视频内容进行抽象与关联，让创作者可以基于文本，段落等结构化信息来对视频进行剪辑，剪辑后也可以导出到更多专业工具中。
Descript采用了Freemium的模型，提供每月1小时剪辑内容的免费账户到30小时每月的Pro（30美金/月）的付费账号，让业余爱好者可以低门槛尝试。为了推广产品让创作者进行背书，Youtube等创作平台发布内容，并且为Descript带来成交客户的，可以从客户第一年的收入中获得15%的分润。
作为一名主导过上市公司的连续创业者，Andrew在资本市场上也动作频频，2019年A轮融资同时宣布收购了Lyrebird，为用户提供了杀手级功能Overdub，可以在用户口播文本中增改文字让视频内容自动生成。在2022年大模型应用井喷的时代，引入OpenAI领投的新一轮融资，2x估值并且引入OpenAI的核心技术背书。
推荐理由：Jasper是连续创业者的赞歌，也是创始人第3次在营销科技赛道的创业，通过上一段Proof积累的场景理解以及2.5万名信任他们的客户，借力GPT3的惊艳效果在2年内做到近亿美元ARR，验证了生成式AI的规模商业化能力，尽管面临ChatGPT的挑战，Jasper团队积极推出JasperChat以及JasperArt拓宽产品线提高TAM，也有望成为首个破亿ARR的生成式AI公司。
Jasper
在产品与技术上，Jasper更擅长营销长文的协作，相比竞争对手能够提供更多元化的价值，例如对SEO的优化，规避Google等搜索引擎在AI生成内容上降低搜索权重的影响，帮助客户捕获有机流量，同时可以对是否抄袭进行自动检查，避免知识产权问题。
团队对AI技术与营销场景结合极具洞察与执行力，最早的PMF就是基于GPT3API，针对长文本营销写作进行调优，后又推出JasperArt的营销图像生成以及JasperChat的对话式写作工具，给用户提供更完整产品矩阵。
在增长中以产品为引擎，提供免费版本的5天试用权限，在产品上引入Chrome插件，让用户可以更低门槛地尝试产品，缩短TimetoValue。用G2上平均分高达4.9/5的产品评分来为产品的进行背书，并且对于转推荐的客户给予30%收入的返利从而激励社群的裂变传播。产品可以直接开通试用，近乎0交付成本，为了帮助用户更好地使用产品，提供了丰富的Q&A以及Blog和文档，在Facebook有一个7万多人的社群可以讨论各种基于Jasper的最佳实践。
Runway
up
成功要素：Runway的团队能够很好地在创作者和AI之间找到一个平衡，CEO是设计师背景，与2位联合创始人在纽约大学ITP（InteractiveTelecommunicationProgram）相识，共同完成的毕业论文成为了Runway的产品原型。首席科学家则是StableDiffusion的合作者之一，也建立了和慕尼黑大学、纽约大学的学术合作。
在生成式AI成为最炙手可热的技术概念之前，Runway就坚持在探索AI和创作结合了，视频对于制作水准的要求提高了视频后期处理的挑战，Runway在前生成式AI时代为创作者提供了抠像，稳定追踪，删除杂物等能力；当Dall-E-2横空出世，Runway的团队也捕捉到了大模型给图像视频创作带来的新机会，对创作者需求的把握，对AI技术的理解与将两者结合的坚定探索，让Runway成为了功能最完备的AI视频编辑工具。
Runway采用了按照席位数付费的商业模式，对于个人用户提供永久免费的基础版本不过只能使用部分AI的工具，对于可用资产和导出的视频精度也有限制，而15美金每月的Pro版本以及35美金每月的Team版本，则有更大的资产存储空间，同时可以使用更为完备的AI能力。而Enterprise企业用户则可以享受定制化的专属模型，同时提供安全合规的企业级功能。
推荐理由：由DeepMind创始成员MustafaSuleyman和原Linkedin联创ReidHoffman组成的顶级创始团队，希望通过AI重新定义人机交互。公司成立之初便获得2.25亿美金的融资金额，跻身独角兽之列。该方向已经在Deepmind的研究"通过数据驱动的方法训练AI控制计算机/Adata-drivenapproachforlearningtocontrolcomputers"中初见成效，期待在Inflection.ai团队的探索下有机会诞生全新的人机交互模式。
IInflection.al
price
由于Inflection.ai没有公布任何产品信息，这里我们用了它的竞品Adept.ai的产品页面来给大家一个直观认识新型的人机交互模式产品。用户可以通过chat的模式调用应用程序流程，得到人通过鼠标点击应用程序相同的结果，类似于去掉自动化流程设置的RPAbot。
全球化2.0：多元化、本地化、人性化与数字化
全球化2.0(主要指人才、信息与服务和数据的流通)将会是一个更加长期和复杂的过程，世界将在多元化(diversified)和本地化(distributed)、人性化(disposition)和数字化(digitalization)的动态平衡中常态化。
i
Shein的成功，得益于中国在全球化1.0的世界格局里提供的强大服装供应链，每天2千款上新的速度也倒逼了供应链更加柔性，升级了快速迭代的供货能力。中国强大的供应链能力不仅体现在服装生产端，小到智能家居和电子产品、大到汽车和机器人制造，都可以在长三角和珠三角找到全球最便宜、生产速度最快、质量最好的供应商。Pingcap的成功则与全球化2.0里中国的人才流动和服务流动密不可分。中国的互联网工程师占全球工程师总量的1/3,技术实力过硬，代码质量过关，但成本仅为硅谷工程师的1/3。在疫情后全球化远程办公的今天，工程师红利的输出将会在『出海』这个大主题下尤为重要。除了工程师以外，在激烈竞争环境下积累的互联网用户交互侧的产品和运营实战经验，特别是基于大量用户数据的AI算法，可以说在Tiktok这里取得了惊人的效果。我们相信，在全球化2.0的时代里，中国过硬的供应链优势、优秀的工程师红利和产品运营经验的积累，将会持续帮助和成就中国出海公司成为全球化2.0时代的焦点。
turning
业务全球化面临的第一个挑战是，企业需要满足不同国家和地区的法律法规。从招聘到运营到数据安全等，都需要受到不同国家和地区的约束。例如在数据的跨国流动里，欧洲有数据导出的地域限制，要求数据在本地国家存储和处理。因此，公司必须创建单独的基础设施、计算能力和本地团队，且无法为跨地域的客户提供服务。而有些国家，例如印度尼西亚，则允许将数据复制到原产国以外的地方进行处理，但需要在当地基础设施中备份这些数据。
2001-2020
2005vs2014
除了传统的企业服务外，诞生在全球化2.0时代的新技术，例如区块链，带来的合规化的挑战也不容小觑。由于区块链公开透明的数据和全球用户匿名的属性，这给监管提出了更高的要求。专注区块链数据分析的独角兽Chainalysis从为IRS提供反洗钱监管解决方案切入市场，在政府监管领域站稳脚跟，为全球区块链的安全与监管保驾护航。新技术与监管手段不断演化，越来越多的全球问题可能通过广泛的公私合作关系找到解决方案，将使当今不透明和隐藏的多层交易结构变得更加可观测和可监管。
人性化：货物的全球化已成常态，人才的全球化刚刚开始
过去三年，由于疫情的影响，世界各国为控制疫情的蔓延，纷纷采取了更严格的边境管制和签证制度。然而，当我们回看统计数据时却发现，疫情期间中国的外贸出口却并没有停下脚步，反而一直在增长。从2020年的2.59万亿美元增长为2021年的3.36万亿美元。
USD
同样，尽管疫情使得人与人之间的面对面交流变得困难，但却恰恰成为了远程办公的催化剂和协同工具增长的加速器。人与人之间的沟通与协作，并没有因为距离的原因而疏远，反而促进了更远距离，甚至跨国协同变得习以为常。与全球化1.0关于贸易、资金和货物的流动不同，全球化2.0允许所有公司，无论大小，在全球雇用员工，从而打破单一地区的技能劳动力的供应不足问题。根据麦肯锡全球化人才流动统计，随着社交媒体的发展，如果我们把拥有1个外国朋友的人与旅游、求学、工作等等进行实际跨国流动的人群一起计入全球人才流动数据的话，早在14年，该统计数据便超过了10亿人。尽管疫情带来了旅游人群的大规模减少，但是其他形式的人才流动，例如跨国远程工作、移民、求学等却只增不减。
此外在劳动力成本较高的国家，例如美国和中国的一线城市，由于地区生活成本高昂和人口老龄化带来用人成本急剧增加。在全球化1.0货物流通的时代，生产成本向劳动力较低的地区倾斜，影响了全球的制造业劳动人口。而今天在全球化2.0的时代，在数字科技的支持下，服务业的劳动人口分布正在被重塑。工作报酬越高，且工作地点对产出影响有限的职位，远程雇佣便会先从这个职位开始替代，比如程序员。远程雇佣的兴起，会一定程度上弥合发达国家与发展中国家的薪酬差距，同时也会引发发展中国家对于人才的新的竞争。比如印尼发放的数字牧民的工作签证，为巴厘岛带来了许多的创业公司的年轻员工。
数字化：不只是产品的研发分布式，一切工作流程都将远程线上化。
deel
arr
成功要素：
miro
5x
成功要素：团队在在线白板产品领域深耕多年，产品支持思维导图、甘特图、看板和产品圆形图等一系列内容的绘制，非常精准的切中远程办公场景的协同沟通需求。
ideas
Miro走的是典型的freemium+PLG工具化产品的扩张路线，且天然带有强烈的网络扩张效应。用户可以免费注册，根据功能、协同人数和白板数等可以选择更多的付费套餐，从每月8美金，16美金到企业定制化不等。Miro的用户量从2020年的700万用户增长到21年的2000万，付费用户数从2万增长到13万，用户总量到22年底已经达到4500万。
API集成也是Miro的一大特点。用户即可以在Miro里集成其他工具来管理项目，也可以将Miro集成在其他工具里进行更好的协作沟通。与众多第三方工具的API集成，使得Miro成功的从单一的工具产品转向了平台产品。用户粘性和产品延展性都得到了极大的提升。
在平台模式的基础上，Miro也渐渐开始建立自己的生态闭环，包括社区、咨询和专业的服务等。成功从单一工具产品升级为平台产品与生态的结合，利用整个生态的力量开始不断扩圈，开启了第二增长曲线。
推荐理由：Chainalysis是链上数据分析的独角兽，通过Reactor,KYT,Kryptos等核心产品矩阵，Chainalysis服务了70多个国家和地区包括政府、金融科技和金融机构公司在内的750多个客户，为全球区块链安全保驾护航。
chanalysis
ndr
成功要素：Chainalysis走的是大客户销售(enterprisesale)策略。通过合规和安全切入行业，帮助各国政府和交易所追踪被盗数字货币。14年成立之初刚好发生Mt.Gox比特币被盗事件，Chainalysis也参与了追踪，服务了FBI和IRS两大标杆政府机构，成功的在Crypto行业与政府监管中构建了桥梁。
在大客户端站稳脚跟后，Chainalysis开始拓展Mid-market客户群体，往Fintech、Crypto-native的公司和金融机构渗透，将不同的角色的需求纳入产品范围，深入客户的安全与业务领域。同时在产品端开始构建矩阵式的打法，用不同的产品满足不同客户和角色的需求。收入模式也从项目收入和API调用收入的基础上增加了SaaS收入的模式。
重视毛利率和NDR等核心指标。虽然早期以项目收入和API调用收入为主，但Chanalysis非常重视产品化的构建，重视毛利率的提升(80%)和NDR的提升(140%)。
推荐理由：JAMStack（JavaScript+API+Markdown组成的工作流）崛起后，OpenAPI开发者生态已经出现了Kong，Postman等独角兽公司，而Vercel则是JavaScript生态的旗帜。由知名React框架Next.js的核心团队创办，在开源社区里享有盛誉，也重新定义了极简的前端工作流。
vercel
gthuub
成功要素：创始人GuillermoRauch是开源社区领袖，在创办Vercel之前，他已经发起过node.js的WebSocket框架Socket.io（50+kstars）以及MongoDB的客户端mongoose（20+kstars），13年被Automattic收购2年后离职后发起Zeit公司（Vercel前身），16年开源了Vercel的核心社区next.js，至今已在Github收获99k的stars，是最有影响力且增长最快的React框架，在npm下载增长中远超其他竞争对手（如下图所示）。
downloads
Guillermo信奉极简，Zeit的核心产品now将复杂的域名DNS解析、SSL证书、CDN等复杂能力封装成产品，从而让开发者可以真正做到一键部署；而next.js则是为了解决前后端分离后，搜索引擎在前端获得信息不足带来的SEO排序下降的问题，将现代的前端框架如何后端渲染的问题有效解决。这种与主流前端渲染冲突的架构让部署更为复杂，而Zeitnow则与next.js深度耦合，将极简的开发者体验，优秀的后端渲染与SEO效果推到极致。
Vercel品牌（versatile,accelerate以及excel）脱胎于Zeit，通过next.js框架与云平台为开发者提供了极简的"VercelWay"的开发方式，正如其官网定义的三个核心环节："Develop.Preview.Ship."在开发阶段提供完整的工具能力并链接多种后端；在预览环节可以直接关联代码仓库，每一次变更可以在前端工程师与UI设计师之间实时协作；在部署环节集成了Zeitnow的体验，解决了全球化产品访问速度与SEO的问题，并提供完整的可观测能力。
Vercel是一家贯彻开源精神的公司，除去next.js的影响力以外，在其Github账号下，有100多个代码仓库，提供了从开发框架，终端以及打包管理工具等前端工程师需要的全面能力。同期吸引了一大批开源社区领袖加入公司，例如React的核心成员SebastianMarkbge，webpack的创造者TobiasKoppers，Svelte的作者RichHarris等，除去对各个组件进行优化等，也带来了Turbo，SWC等优秀的开源项目。
Vercel采用Freemium的定价策略，对于个人以及非商业场景需求，Vercel提供免费的Hobby服务，可以让开发者和自己的个人Github账号集成实现一键部署；如果需要协作或者是带宽超过100GB，那么则需要开通Pro账号，每一个账号每月为20美金，同一个团队可以在UI界面评审环节进行协作与讨论；而企业版本则提供安全，可观测性等企业级需求。
在资本市场端，Vercel不仅具备高效的融资能力，也通过并购与投资整合了更多的优质产品，在21年收购了Turborepo，提升了用户在JS以及TypeScript生态内的构建体验，22年则收购了Splitbee让用户在托管网页后，也可以更进一步分析网页的转化数据。
推荐理由：Snyk是产品驱动增长、以开发者为中心的安全产品，产品与CICD流程高度集成，帮助开发者在开发阶段发现开源代码漏洞并提出一键修复方案。Snyk不断扩充产品并支持更多语言，在开发者社区中收获广泛好评。
snyk
2022
创始人GuyPodjarny是以色列人，20年经验安全经验，Blaze.io的联合创始人，2012年将其出售给了Akamai后任Akamai的全球副总裁与网络体验业务CTO，2015年创立Snyk。
推荐理由：Plaid提供开放银行API，使得应用程序更简便、安全地连接用户的银行账户，访问交易、账户验证、余额等数据。Plaid现在已成为许多数字金融业务的基础设施，把银行能力输出到多元场景。
plaid
200M
数字健康和可持续发展：生命和环境也需要一个操作系统
“Elephantintheroom”是所有人都能看到的问题。但如果问题是一种微小的存在，肉眼不可及，但对个人健康和社会福祉有巨大影响，我们又将如何应对呢？一些硅谷企业家在新西兰购置房产，建筑地下避难所，以对冲核战争，作为一种“末日保险”的策略。然而过去三年影响全人类经济和生活的，却是一场由看不见的病毒引发的疫情。这使我们反思，健康是一件我们认为理所当然的事情，就像空气和水，维系着生命活动，却又透明无形。
科技最终让我们的身体也从原子世界走向了比特世界，就像计算机有IT运维，智能工厂的设备有预测性维护。数字健康就是在打造一个关于生命的、有科学原理支撑和数据驱动的操作系统，从而产生新的治疗方法。我们对科学的热情，不只是研究外部世界运行的规律；也会回馈到自己的身体，让生命本质和科学建立联系。无论人类个体多么不同，我们都可以在保持健康的朴素愿望上连结起来。未来，一定会有更多的人才、资金、科技投入到这个领域。
科学化健康管理
抗衰老。2018年，哈佛大学遗传学教授DavidSinclair团队在《科学》上宣布发现NMN（β-烟酰胺单核苷酸），能帮助修复因衰老而受损的DNA，提高NAD+水平，后者是一种对新陈代谢至关重要的辅酶。Sinclair实验室的研究表明，给老鼠喂食NMN可能会减缓动物的衰老，模仿卡路里限制的效果。“我们得到与运动或节食相同的效果，”他说。“老鼠更瘦，更有活力。他们可以在跑步机上跑得更远。”但NMN在监管路径上尚不明朗，并没有在FDA获批。尽管人们对NMN的潜在益处很感兴趣，但其在人体中的临床有效性研究仍处于早期阶段。
可穿戴与疾病预防。目前，一些可穿戴设备已能生成有临床意义的监测结果，如2022年FDA批准了AppleWatch的房颤监测。平时，我们可以善用可穿戴设备，实时观察身体数据的变化。比如，当发现睡眠中血氧饱和度多次降到90以下，醒来精神不佳，可以筛查是否有睡眠呼吸暂停。通过及早发现这些疫病风险，个人可以采取积极措施来解决这些问题，例如更早的寻求医疗救助。
构建全息数字生命模型
我们的身体是一个庞大复杂的生命系统，生物的进化使一切身体运行效率达到最高。新的技术可以帮助我们观察和解析亚细胞和分子水平的微观结构，探索和理解生命系统的动态过程。比如模拟不同的生理功能，如器官系统、代谢途径和神经网络。人类大脑中860亿个神经元、100万亿个连接，神经网络是如何运作的？通过脑机接口技术，我们逐步开始获得和解析大脑信号，试图理解脑功能障碍的机制，并研发新的治疗方法。简单到智能手机中的加速度计、陀螺仪和计步器等传感器，也可以帮助我们测量身体运动，心跳等体征数据，为提供个性化医疗打造基础。
人类基因组含有约30亿个DNA碱基对。2001年人类基因组计划的完成改变了医学世界。过去20年，完整的基因组测序成本从10亿美元大幅下降至1,000美元。今天在计算的辅助下，我们可以了解疾病的遗传学机制，并研发个体化的治疗方法。基因疗法的突破使得一些特定的癌症有了被治愈的可能。在基因组学之后，蛋白质组学的数据规模继续挑战分析工具的极限。在高性能芯片和人工智能算法的驱动下，Alphafold2用深度学习预测蛋白质结构实现突破，此后精度与速度不断提升，在抗体发现、筛查诊断、精准医学等应用场景的探索也如雨后春笋。
创新与监管互动前行
由于规避风险的性质和监管的严谨性、复杂性，医疗保健适应变化的速度很慢，新想法在接近患者之前需要证明至少“不会造成伤害”。因此，医疗体系中技术演进的速度和科技行业完全不同。
医疗健康系统遗留着众多数据孤岛，成为生态系统各方之间合作的壁垒。要打破孤岛，需要面对数据治理与信息安全的挑战。生态系统中的各方都需以合乎道德的方式合作，否则不仅医疗机构蒙受损失，还会泄露个人隐私数据，失去患者信任。健康保险公司越来越多地利用个人数据（婚姻状况、运动数据，甚至人们是否购买大码服装），对滥用个人健康数据监管手段也仍在讨论之中。
探索采用与付费路径
许多数字医疗企业虽然获得FDA批准，但距离技术与创新业务落地，还需面临商业化路径的复杂挑战。在错综复杂的医疗生态系统中，支付方和使用者在很多时候是不一致的，创新企业要获得采用、同时获得付费，才是成功的商业化。采用率上，一方面，解决依从性问题，以患者为中心、提供充分激励和无缝的用户体验，需要大量产品化的努力；另一方面，同时如何满足医院的需求，获得医生的支持和认可，则需要做好客户成功的工作。总的来说，成功的数字化产品能使患者获益、医院痛点解决、医生自我实现等多方利益一致，从而获得采用推广。
重新想象医疗体验的6BP
在数字科技的影响下，我们看到医疗生态中六个不同角色，在后疫情时代引领着各自的颠覆性创新。
1.BeyondPatient以个体患者为中心的医疗体验
2.2BeyondPill数字疗法与药物伴随，逐渐渗透到药企研发过程
3.BeyondPhysician医疗服务的去中心化
AAMC
Growth
4.BeyondPayment走向基于价值的护理与支付方式
5.BeyondPerception科技公司用AI重新想象医疗服务体验
6.Beyondpeople用IT和BT技术升级供应链，实现人类与自然的健康可持续
推荐理由：希望未来脑机接口可以赋能每个人，让人类与AI有更好的交互，形成一种新的共生方式。每个人都在使用手机和计算机更好的工作和生活，但今天信息与人类大脑之间的数据交互是有明显的带宽瓶颈的。侵入式的人脑手术还是非常危险，所以Neuralink首先选择了特定的医疗场景，帮助瘫痪与失明者恢复身体功能。未来随着芯片、材料、信号分析技术的突破，每个人都可以具备融合了AI的认知能力。
neuralink
技术突破：脑机接口技术从“运动”突破到人类特有的“语言”，让因瘫痪等原因而失语的人重新表达、并且不断提高准确率与效率。斯坦福科学家FrankWillett2021年的一项研究登上Nature封面，从运动皮层的神经活动中解码瘫痪患者想象中的手写动作，并利用循环神经网络（RNN）实时转换为文本。转化原始准确率为94.1%。而2022年，加州大学旧金山分校ChangLab展示了一项成果，通过机器学习算法将瘫痪失语者的大脑活动直接解码成语言，展现出实时完整的句子，准确率中值为75%。就在23年1月，FrankWillett团队也展示了语音脑机接口的突破，速度达到每分钟62个单词，是之前SOAT脑机接口的3.4倍，开始接近自然对话的速度。
机会与挑战：
推荐理由：Biofourmis基于传感器收集患者体征数据，构建FDA批准的心衰分析模型并组建专业的临床支持团队，提供一套院外患者监测、风险预警和决策的全栈方案，探索了数字医疗新的产品形态与商业模式。
biofouurmis
成功要素：专注于垂直疾病，提供清晰的临床价值：30天再入院率减少70%，护理成本降低了38%。Biofourmis率先选择的心衰场景，特点是有一个“积累--爆发”的过程，且如果及时干预能够避免急性事件，因而持续性监测和预测能力就尤为重要。选择垂直疾病让创业公司得以集中研发投入，充分验证临床价值。
提供完整的院外护理方案，“工具+决策”，形成竞争壁垒。Biofourmis不是一个纯软件或工具提供商。从出院决策、到院外患者管理，到风险预警与重入院决策，Biofourmis依托FDA批准的AI分析模型和有决策能力的临床支持团队，完整地承接了护理责任，获得客户粘性。
Biofourmis探索了两种有代表性的数字医疗商业模式，数字疗法（与药企合作）和远程护理（与医院合作）。随着疫情激化了病床紧张的问题，公司更多将远程护理作为加速商业化的途径。在与医院合作中，能够获得丰富的真实世界数据，一方面加速支付方验证，一方面支撑继续开辟新的场景，如去中心化临床试验，药物伴随的开发。
sheet
推荐理由：作为“科技减肥”市场的新兴玩家，Calibrate从生物学角度理解“体重“。引入了FDA批准的药物来调节代谢系统，结合生活方式干预，为肥胖人群提供个性化、效果导向的减重管理。
calibrate
21M
app
推荐理由：PivotBio用基因编辑等技术优化微生物的固氮能力，开发出性能稳定的产品来替代化学氮肥，2022年实现5000万美金商业化收入。PivotBio的实践也表明，在农业食品供应链的可持续升级上有丰富的创新机会，关键是产品性能与成本能否突破。
pivot
50M
bio
prove
Serverless无服务器：实现应用系统与基础设施解耦
Serverless的出现，在最早的云计算路线之争就埋下了引子：云服务应该提供与服务器类似的能力，还是围绕云计算的需求提供更为高层的抽象？前者是AmazonEC2的选择，后者则是GoogleAppEngine（GAE）。相比EC2仅仅提供硬件层的资源，而不提供任何额外的能力，GAE提供了更能发挥云计算能力的自动扩缩容能力，但是开发者为了获得这些能力，需要接受相应的编码规范，并且使用Google提供的存储和计算服务。
现在看来，AmazonEC2已经获得了市场的认可，成为了云厂商的主流选择。主要是因为对开发者而言，在本地完成了开发之后，希望能直接迁移到云端进行部署而无需任何的优化；没有额外的学习成本也不用担心难以迁移。但随着底层硬件虚拟化路径的大获全胜，也将更多的运维问题留给了开发人员：分布式系统的容错；自动扩缩容；可观测性；服务迁移等等。对于中小企业而言，在用好云服务的同时，解决运维问题；开发过程中高效地使用rpc，监控，包管理等云原生工具，都是极大的负担。而Serverless的理念则是让用户无需管理Server，云厂商承担起对应业务与资源的运维工作。
在UCBerkeley关于Serverless的论述《CloudProgrammingSimplified:ABerkeleyViewonServerlessComputing》中，对于Serverless进行了两个关键的定义：
Serverless的应用应当满足自动扩缩容以及按照使用量计费；
ServerlessComputing=BaaS（Backend-as-a-Service）+FaaS（Function-as-a-Service）
前者最具代表性的则是Google在2014年宣布收购的Firebase，整合在GCP的产品中也将Firebase的11万注册开发者收入囊中。而FaaS的起点则是Amazon在2015年推出的AWSLambda，并且提出了云函数（CloudFunction）的概念，将应用简化为了一个高级语言编写的云函数，以及一个触发函数运行的触发器（Trigger，例如数据库变动，添加到购物车等等），早期的云函数主要对Python，JavaScript进行了支持，而后也拓展到了更多高级语言例如Java，Go等等。
BaaS与FaaS有着不同的发展阶段，在Firebase收购后，BaaS的商业化也逐渐走向成熟，甚至出现了一批开源的挑战者；而FaaS在使用上已经出现井喷增长，但是仍未有太多收入上的规模验证。这与两者的产品定位的差异与互补有关，比如Firebase具备账户系统，存储，数据库等能力，而数据库与存储原本就是用户付费的主要部分，FaaS仅提供函数触发与计算的能力，往往用来实现一些胶水代码。
随着云计算的普及以及云厂商底层技术的迭代，Serverless曾经被人诟病的问题也逐渐被一个个解决，在GoogleTrends中也可以看到LambdaonAWS的搜索指数也在不断上升的过程中（如下图所示），在2022年也达到高峰；Vercel的CEOGuillermo也在一个Serverless的调研中提到Vercel托管的服务中，函数的调用量在过去1年增长了125%；阿里云也在2022云栖大会披露，函数计算产品业务年均增速达到300%，日调用次数突破200亿。