Sagde Mia, grundlægger og administrerende partner i Stormbreaker Ventures – Intervieuserie

Said Mia er grundlægger og administrerende partner i Stormbreaker Ventures, en venturekapitalfond, der investerer i tidlige faser af virksomheder, der arbejder med connectivity-infrastruktur, AI-RAN, Open RAN, edge-computing, satellit-cellekonvergens, IoT, connected mobility og modernisering af amerikansk produktion. Hans partner inkluderer Wade Oosterman (grundlægger af Clearnet Communications, opkøbt af Telus for $6,6 mia.; tidligere bestyrelsesmedlem i Bell Canada, hvor han tilføjede $50 mia. i markedsværdi), Derek Aberle (tidligere præsident for Qualcomm (QCOM ) i næsten et årti) og Glenn Lurie (tidligere præsident og administrerende direktør for AT&T (T ) Mobility og Consumer Operations). Said har en baggrund i telekominvestering og har udviklet Stormbreakers teses og samlet holdet.

De tilbragte år med at rådgive større telekomselskaber, halvleder- og infrastrukturselskaber i firmaer som Citi og PJT Partners (PJT ), før du grundlagde Stormbreaker Ventures. Hvad overbeviste dig om, at den største mulighed ikke længere var at rådgive etablerede selskaber, men at støtte startups, der bygger infrastrukturlaget for AI-æraen?

Rådgivningsarbejdet gav mig en førsterangsplads til et langsommeligt problem. Jeg arbejdede med handler, der involverede nogle af de mest betydningsfulde infrastrukturer på kloden – spektrum, netværksarkitektur, halvlederforsyningskæder – og jeg lagde konstant mærke til den samme dynamik: de etablerede selskaber forstod omfanget af AI-overgangen intellektuelt, men deres kapitalallokering, fusionshorisont og organisationsincitamenter gjorde det strukturelt svært for dem at flytte hurtigt nok til at eje infrastrukturlaget, som AI faktisk kræver. De optimerede for det eksisterende netværk, ikke det næste.

Jo mere jeg testede den observation på tværs af flere engagementer, desto klarere blev det, at den virkelige værdiskabelse ikke ville ske inden for disse organisationer. Det ville blive bygget af grundlæggere, der kunne operere uden arv fra tidligere tid. De byggede connectivity-stoffet, edge-compute-arkitekturen og AI-naturlig netværksinfrastruktur, som en maskinstyret økonomi virkelig kræver. På et tidspunkt var det mest intellektuelt ærlige, jeg kunne gøre, at stoppe med at rådgive om denne transformation og starte med at finansiere den.

Stormbreaker fokuserer stærkt på “picks-and-shovels”-laget af AI-infrastruktur. Hvorfor tror du, at infrastrukturselskaber måske kan tiltrække mere varig langsigtsværdi end mange AI-startups på applikationslaget?

Applikationslaget er spændende, men det er også strukturelt skrøbeligt på måder, der ikke er fuldt ud prisset. Når de underliggende modeller bliver billigere – og det vil de – forsvinder mange applikationslags barrierer hurtigt. Selskaberne, der trænede på GPT-4, har nu at tackle GPT-5, derefter GPT-6, og omkostningerne ved at skifte er lave, præcis fordi apperne er bygget på andres infrastruktur.

Det fysiske lag fungerer ikke på den måde. Spektrumaktiver, radiotilgangsnetværk, edge-computedeployeringer, satellit-celleovergangsinfrastruktur – disse ting er dyre at bygge, langsomme at reproducere og dybt integreret i de operationelle teksturer, de kunder de betjener. Netværksvirkningerne er virkelige og varige. Når en industriel producent integrerer privat 5G og edge-AI på produktionsgulvet, river de det ikke ud, fordi en ny model er kommet ud. Infrastrukturen bliver bærende.

Der er også en tidsdimension, der er vigtig. Vi er stadig i første kapitel af AI’s fysiske opbygning. Gapet mellem, hvad AI-økonomien vil kræve af netværksinfrastruktur, og hvad der eksisterer i dag, er enormt – og lukningen af dette gap vil tage et årti eller mere af vedvarende kapital og innovation. Det er en meget anden risikoprofil end at satse på, hvilken chatbot vinder markedet for virksomhedsproduktivitet på 18 måneder.

Der er voksende opmærksomhed omkring kunstig intelligens Radio Access Networks (AI-RAN), edge-computing og satellit-cellekonvergens. Hvilken af disse skift er du overbevist om, at den bredere venture-samfund ikke forstår?

AI-RAN, uden tvivl. Venture-samfundet har generelt behandlet det som en telekommunikationshistorie – en inkrementel forbedring af eksisterende radiotilgangsinfrastruktur – og har overset, hvad det faktisk er: en grundlæggende arkitektonisk skift i, hvordan intelligens er fordelt på tværs af et netværk.

Traditionel RAN er dum i kanten. AI-RAN ændrer det. Du skyder inferens og realtidsbeslutning ind i radiolaget selv, hvilket har dybe konsekvenser for latency, energoeffektivitet og økonomien i at deployere autonom AI i stor skala. Dette er den infrastrukturprimitive, der muliggør, at en robot på en fabriksgulv, en autonom bil på en motorvej eller en drone i en logistikkorridor kan operere med under-millisekund respons uden at routere hver beslutning gennem en hyperskale-sky.

De fleste almindelige VCs har ikke den nødvendige telekommunikationsdybde til at se den forskel klart. De forstår AI på applikations- og data-laget, men radiotilgangsnetværket har historisk været en sort kasse for Silicon Valley. Det er præcis det gap, Stormbreaker blev bygget til at lukke – vi har operatører på vores partnerskabsteam, der har kørt disse netværk i stor skala, og vi forstår både den tekniske arkitektur og de kommercielle dynamikker på en måde, som almindelige investorer ikke gør.

Du har argumenteret for, at arveløse netværk er dårligt egnet til en maskinstyret økonomi. Hvilke er de største infrastruktur-bottlenecks, der forhindrer, at i dagens telekomsystemer og industrielle systemer kan understøtte autonom AI i stor skala?

Der er tre bottlenecks, jeg tænker over hele tiden.

Latency-arkitektur. Internettet og cellulære netværk blev designet til menneske-hastighedsinteraktioner. Mennesker lægger ikke mærke til 50 millisekunders latency. Autonome systemer gør – og i mange tilfælde er det forskellen mellem en sikker beslutning og en katastrofal en. Arveløse kerne-netværksarkitektur router trafik på måder, der er simpelthen uforenelige med de deterministiske, lav-latency-krav til industriell AI.

Intelligensgapet i kanten. De fleste industrielle netværk behandler stadig edge-infrastruktur som passiv transport – rør, der flytter data til en central compute-miljø til behandling. Men autonom AI i stor skala kræver lokal intelligens. Du kan ikke autonomt operere en fabrik, en havn eller en logistikhub, hvis hver beslutning skal traversere WAN. Compute-, lagrings- og inferenskapaciteten skal bo i eller nær handlingens punkt, og de fleste eksisterende installationer er ikke bygget på den måde.

Interoperabilitet og fragmentering. Industrielle miljøer er en patchwork af OT-systemer, proprietære protokoller og arv-hardware, der forudgår moderne connectivity-standarder med årtier. At få disse systemer til at tale sammenhængende til et AI-lag er en massiv integrationsudfordring – en udfordring, der er let at undervurdere, hvis du ikke har prøvet at installere i disse miljøer. Startups, der knækker dette problem, der kan fungere som intelligent connective tissue mellem den fysiske operationelle verden og AI-laget ovenover, vil være enormt værdifulde.

Selskaber som Qualcomm, Ericsson (ERIC ) og Nokia er mere og mere fokuseret på AI og software-opkøb. Ser du dette som starten på en længere konsolideringscyklus på tværs af telekomsystemer og infrastrukturteknologi?

Ja, og jeg tror, vi stadig er i de tidlige innings. Det, vi ser fra Qualcomm, Ericsson og Nokia, er ikke oportunistisk handel – det er en strategisk nødvendighed. Disse selskaber forstår, at software- og AI-intelligenslaget er, hvor infrastrukturokonomien migrerer, og ingen af dem kan bygge alt, de har brug for, organisk på den hastighed, markedet kræver.

Den dybere dynamik er, at AI-naturlige startups i dette område bygger kapaciteter, som etablerede selskaber virkelig ikke kan replikere internt – ikke på grund af talent eller kapital, men på grund af arkitektonisk frihed. Når du ikke har en arv-produktlinje at beskytte og en $10 mia. kunderelation at bevare, kan du designe systemer fra første principper til AI-æraen. Det er en strukturelt anden output.

Hvor vigtig bliver edge-AI over de næste fem år, især i sektorer som produktion, logistik, robotteknologi og industriautomatisering, hvor latency og pålidelighed er kritiske?

Det vil være den definerende infrastrukturtema over de næste fem år i disse sektorer, punktum. Spørgsmålet er ikke, om edge-AI er vigtigt – det er, om de selskaber, der deployer det, har den underliggende infrastruktur til at understøtte det pålideligt.

Produktion er sandsynligvis det mest avancerede på denne kurve. Økonomien i AI-drevet kvalitetskontrol, prædikativ vedligeholdelse og autonome produktionslinjer er allerede overbevisende, og de store producenter, der flytter hurtigt, gør det, fordi ROI’en er målbar og umiddelbar. Begrænsningen er ikke AI-modellerne – det er netværks- og compute-infrastrukturen, der gør realtids-inferens på fabriksgulvet mulig.

Logistik og connected mobility er lidt tidligere, men vil flytte hurtigt. Økonomien i autonomt fragt, smart havneoperation og AI-drevet supply chain-management er massive. Den vigtige nuance for investorer er, at edge-AI ikke er en enkelt infrastrukturkategori – det er en stack. Compute, connectivity, strømstyring og software-orchestration skal alle arbejde sammen i kanten, og selskaberne, der bygger integrerede løsninger på tværs af denne stack, snarere end punktløsninger, er de, der vil være mest varige.

Industrialiseringsmodernisering og reshoring er blevet vigtige politiske prioriteringer i både USA og Canada. Hvor meget af den nuværende AI-infrastruktur-boom er drevet af geopolitik og nationale sikkerhedsbekymringer snarere end ren kommerciel efterspørgsel?

Mere end de fleste investorer i dette område er villige til at sige offentligt. Jeg vil være direkte om det: den nationale sikkerhedsoverlay er en reel og strukturel halevind for infrastrukturlaget, ikke en talepunkt.

Den amerikanske regering har konkluderet – og jeg tror korrekt – at AI-ledelse ikke er kun et økonomisk spørgsmål. Det er et suverænitetspørgsmål. Hvem kontrollerer den fysiske infrastruktur, som AI kører på, hvem producerer halvlederne, hvem bygger de private netværk inde i kritiske industrielle faciliteter – disse er nationale sikkerhedsbeslutninger såvel som kommercielle. CHIPS-loven, executive-handlinger omkring kritisk infrastruktur-beskyttelse, DOD’s investeringsholdning til edge-AI og suveræn compute – disse er ikke midlertidige politiske fænomener. De reflekterer en varig bipartisan konsensus om den strategiske vigtighed af domestic infrastrukturkapacitet.

Din operatørnetværk inkluderer tidligere direktører fra selskaber som AT&T Mobility, Bell Canada og Qualcomm. Hvilke operationelle indsighter bringer erfarne telekommunikationsledere, som traditionelle Silicon Valley-investorer ofte overseer?

Det ærlige svar er: en dyb respekt for, hvad det faktisk kræver at deployere og operere i stor skala i fysisk infrastruktur-miljøer.

Silicon Valley-investeringskultur har historisk været optimeret til software – høje marginer, hurtige iterationer, relativt lav kapitalintensitet og kundeacquisitionsdynamik, der kan modelleres rent. Infrastruktur fungerer ikke på den måde. Netværksinstallationer har multi-årige salgsperioder med enterprise- og carrier-kunder. Integration med eksisterende OT-miljøer er kompleks og langsom. Reguleringskontakter er reelle og kan materielt påvirke go-to-market-tidsplaner. Operatørforholdet – carrier-accept, netværksintegration, spektrumadgang – er ikke en formalitet; det er en strategisk aktiv, der tager år at bygge.

At have Wade Oosterman, der byggede Clearnet og derefter drev $50 mia. i markedsværdi-tilvækst hos Bell Canada, og Glenn Lurie, der styrede AT&T Mobility og ved, hvordan store carrier-tænker om vendor-forhold og teknologi-adoptionsdynamik, som partner, betyder, at vi kan evaluere grundlæggere og selskaber mod en standard, som de fleste tidlige investorer ikke kan nå. Når en grundlægger præsenterer os for deres go-to-market med en større carrier, kan vi stille de rigtige spørgsmål – ikke kun om produkt-markedsfit, men om, hvorvidt den kommercielle struktur er realistisk, givet hvordan disse indkøbsorganisationer faktisk fungerer. Den operationelle dybde betyder også, at vores portefølje-selskaber får mere end kapital. De får introduktioner til beslutningstagere, vejledning i at navigere enterprise-salgsperioder og troværdighed i rum, hvor Stormbreaker-navnet har vægt på grund af de personer bag det.

AI-infrastruktur bliver mere og mere krævende, kapitalintensiv og afhængig af forsyningskæden. Hvad adskiller startups, der kan overleve i denne omgang, fra dem, der måske kæmper, på trods af stærk teknologi?

De selskaber, der overlever, er dem, der har fundet en måde at gøre kapitalintensiteten arbejde til deres fordel, snarere end at behandle det som en drag på forretningen.

Go-to-market-arkitektur. Kapitalintensive infrastrukturselskaber, der afhænger af direkte enterprise-salg, er langsomme til at skala og ømtålige. Dem, der udvikler distribution gennem carrier-partnere, system-integratorer eller regeringsindkøb, kan deployere hurtigere og skabe tilbagevendende indtægtsstrømme, der understøtter deres kapitalbehov. Forretningsmodellen skal være designet til miljøet.

Kundeprofil og kontraktstruktur. Hvis du bygger krævende edge-computing eller netværksinfrastruktur, har du brug for kunder, hvis købsadfærd matcher din kapitalcyklus. Lange kontrakter, anchor-deployeringer og strategiske partnere, der co-investerer i infrastrukturen – disse er ikke nice-to-haves. De er overlevelseskrav.

Hold-dybde i operationer, ikke kun ingeniørarbejde. Jeg har set teknisk brillante infrastrukturselskaber fejle, fordi de ikke kunne håndtere forsyningskædekompleksitet, ikke kunne forhandle de rigtige vendor-forhold eller ikke kunne udføre en stor skala-deployment uden at brænde gennem kapital. Grundlæggerne, der har gjort dette før – der har faktisk deployeret fysisk infrastruktur i stor skala – har en enorm fordel over første-gangs-grundlæggere med stærke ingeniørkvalifikationer alene.

At se fremad fem til ti år, hvilken infrastruktur-stack driver AI-økonomien faktisk?

Fordelt – men ikke ensartet fordelt, og ikke uden hyperscalere spiller en rolle. Den ærlige billed er en lagdelt arkitektur, der er mere kompleks og mere interessant end enten “hyperscalere vinder alt”-narrativen eller “edge erstatter sky”-mod-narrativen.

Hyperscalere vil fortsætte med at eje trænings- og stor skala-inferens-arbejdsbyrden. Det er en kapital-spil, der favoriserer konsolidering, og hyperscalere har vundet det afgørende. Men inferens på handlingens punkt – på fabriksgulvet, inde i den autonome bil, ved base-stationen, inde i den suveræne regeringsdatacenter – vil være bredt fordelt. Fysikken af latency, økonomien af båndbredde og politikken af datasuverænitet trykker alle i samme retning: intelligens skal bo tættere på, hvor den handler.

Det, jeg finder mest overbevisende om ti-årsbilledet, er opkomsten af en ny infrastrukturkategori, der ikke har en ren analogi i den tidligere generation af computing: suveræn og industrielle compute-netværk, der er private, formål-byggede og dybt integreret med den fysiske operationelle miljø, de betjener. Disse er netværk, som en havne-myndighed, en forsvars-kontrakt, en stor producent eller en national regering bygger og kontrollerer – ikke, fordi hyperscaler-optonen ikke eksisterer, men fordi datasensitiviteten, latency-kravene og den strategiske vigtighed af arbejdsbyrden kræver det. Det er infrastrukturlaget, vi bygger mod ved Stormbreaker. De selskaber, der opstår som grundlæggende for denne distribuerede, suveræne, AI-naturlige infrastruktur-stack, vil være blandt de mest betydningsfulde infrastrukturselskaber bygget i dette årti – og de fleste af dem er endnu ikke grundlagt.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Stormbreaker Ventures.