SpaceX兩員工出走搞出4.2億估值

2024年全球發射入軌的衛星超過2800顆，每顆衛星每秒吐出的數據點以百萬計。但諷刺的是，處理這些數據的工程師，很多還在用Excel表格手動篩選異常。

Sift這家成立剛滿3年的南加州創業公司，3月25日宣布拿到4200萬美元B輪融資。領投方StepStone Group，跟投名單里還有老股東Google Ventures——后者在2023年領投了Sift的1750萬美元A輪。兩輪加起來接近6000萬美元，投后估值雖未披露，但按B輪常規稀釋比例推算，這家40人左右的團隊已躋身獨角獸候選名單。

從Dragon飛船到創業：兩個SpaceX工程師的"數據 PTSD"

CEO Karthik Gollapudi曾是SpaceX Dragon載人飛船的飛行軟件負責人，CTO Neel Kujur和聯合創始人Austin Spiegel則來自Starlink星座工具團隊。三人的共同經歷很具體：眼睜睜看著火箭和衛星產生海量傳感器數據，卻找不到好用的工具來理解它們。

Gollapudi在融資聲明里打了個比方：「現代火箭、衛星、國防系統和自動駕駛汽車，本質上是包著鋼皮的計算機，每秒從數百個傳感器產生數百萬數據點——但如果沒有結構化處理，AI連一個字節都讀不懂。」

這句話的潛臺詞是：軟件行業花了20年搭建出完善的可觀測性（Observability）基礎設施，從Datadog到Splunk，開發者能實時追蹤代碼運行的每個環節。但硬件領域的時間線仿佛凍結在2005年——工程師們還在靠"部落知識"（tribal knowledge）和電子表格硬撐。

Sift想做的，就是給硬件裝上類似軟件行業的"神經系統"。自動把原始傳感器流轉換成結構化、可查詢的數據，既供人類工程師排查故障，也供AI算法直接調用。

4200萬燒向哪：搶在星座爆發前鋪基礎設施

本輪資金的核心用途很明確：擴招工程師，夯實"AI控制硬件的基礎設施層"。

這個表述值得拆解。Sift不直接做AI模型，而是做AI與硬件之間的"翻譯層"——讓算法能像理解代碼一樣理解物理世界的傳感器反饋。Kujur的表述更具體：「數據量將是巨大的，Sift的關鍵作用是讓運營無縫化，自動標記越界遙測數據，并用真實世界數據閉環優化設計。」

后半句指向一個行業痛點。傳統航天器的迭代周期以年計，設計-制造-發射-發現問題-再設計， loop 太長。但Starlink模式證明了另一種可能：用海量在軌數據持續優化下一代衛星。Sift的工具鏈瞄準的正是這個場景——讓"設計閉環"從口號變成可執行的工程流程。

客戶畫像也隨輪融資逐漸清晰。除了商業航天公司，Sift明確提到"國防系統"和"自動駕駛車輛"。這兩個領域的共同點：對實時決策的可靠性要求極高，容錯率極低，且傳感器數據維度復雜（溫度、振動、電流、姿態、圖像……）。

投資人押注什么：當"太空數據基建"成為共識

Google Ventures連續兩輪加注，在VC語境里是個強烈信號。這家機構以技術判斷激進著稱，通常不會在同一個賽道重復下注，除非看到明確的網絡效應或平臺級機會。

Sift的潛在網絡效應在于數據格式的標準化。如果足夠多的衛星運營商采用Sift的數據架構，行業可能形成事實標準——后來者為了兼容生態，會主動接入。這與云計算時代的AWS路徑有相似之處：先解決基礎設施的臟活累活，再收割生態位。

StepStone Group作為新領投方入場，則反映了成長期資本對太空數據賽道的重新定價。2021-2022年的太空投資熱潮多集中在發射端（火箭）和應用端（遙感圖像），中間的數據處理層相對冷門。但現在，隨著Starlink、OneWeb、亞馬遜Kuiper等星座進入規模化部署階段，"數據堰塞湖"的瓶頸效應開始顯現。

一個粗略估算：單顆Starlink衛星每天產生約1TB數據，整個星座（目標4.2萬顆）滿編運行后，日數據量將達到PB級。這還沒算上遙感衛星的圖像載荷、國防衛星的加密流、以及未來自動駕駛汽車的車隊數據。

Sift的競品格局目前較分散。傳統玩家如AGI（被Ansys收購）、GMV提供航天任務分析軟件，但架構偏 legacy；新興公司如LeoLabs專注太空態勢感知，Wyvern做高光譜圖像處理，都與Sift的"通用傳感器數據基礎設施"定位有差異。換句話說，Sift選擇了一個相對空曠的戰場——不是做某個垂直應用，而是做所有應用的底層。

風險與變量：硬件行業的"慢" vs 資本的"快"

Sift的敘事里有一個張力：它服務的是航天、國防、汽車這些超慢行業，但自身是硅谷速度的風險資本產物。Gollapudi的履歷（Dragon飛行軟件）確實能敲開客戶大門，但硬件客戶的采購周期以季度甚至年計，與SaaS公司的月度經常性收入模型天然沖突。

另一個變量是AI本身的演進。如果端到端模型（如特斯拉的FSD v12）真的能繞過顯式傳感器融合，直接通過視頻流學習駕駛，Sift所強調的"結構化傳感器數據"價值會不會被削弱？這個問題沒有現成答案，取決于多模態大模型的能力邊界，以及監管對可解釋性的強制要求。

但至少在航天領域，監管和工程文化都指向一個結論：黑箱AI短期內無法被信任。火箭發射失敗的成本以億美元計，工程師需要知道"為什么AI做了這個決策"，而這正是結構化數據的可追溯性所能提供的。

Sift的B輪官宣稿里埋了一個細節：公司成立于2022年，正好趕上SpaceX的星艦首次軌道試飛失敗、以及隨后的快速迭代。那個時間點選擇離開"地球上最酷的工程團隊"去創業，需要某種執念——或者說，對痛點足夠痛的確認。

現在的問題是：當更多SpaceX校友帶著類似執念涌入市場，Sift能否在窗口期內建立起足夠深的護城河？還是說，這個4200萬美元的里程碑，只是太空數據基礎設施長跑的發令槍？