Neolabs.fyi：100个新AI实验室信息聚合导航站

如果你平时需要跟踪 AI 前沿方向、找研究方向、看竞品，或者想了解哪些 AI 实验室值得关注，那这个项目可以收藏一下。这次要看的是 Neolabs.fyi，一个把 100 个新 AI 实验室按研究领域、估值等维度整理出来的信息聚合项目。区别于常见的 AI 工具导航站，它更像一个“AI 实验室地图”，帮助技术人和投资人快速判断当前 AI 赛道上到底有哪些新玩家、各自在研究什么方向、做到什么阶段。

这个项目最核心的价值是把分散在新闻、Twitter、arXiv、Crunchbase 等渠道的实验室信息汇总到一个页面，并且按研究领域、融资金额、成立时间等维度做结构化展示。从使用门槛来看，它不需要 GPU、不需要本地部署、不涉及任何模型推理，只要打开浏览器就能用，这对只想快速看行业格局的读者来说非常友好。

本文会带你完成以下内容：第一，拆解 Neolabs.fyi 的核心功能与信息维度；第二，演示如何使用筛选和排序方式快速定位目标实验室；第三，分析这个项目的数据来源、适用人群和局限性；第四，提供一套可落地的 AI 行业信息跟踪方法，把这个网站和 arXiv、GitHub、LinkedIn 等渠道结合起来用。

1. Neolabs.fyi 核心能力速览

在动手使用之前，先把整个项目的能力边界说清楚。这个项目不是模型、不是框架，也不提供任何代码推理能力，它是一个面向 AI 行业研究的信息导航工具。

从材料看，这个项目最值得关注的点是它的信息组织方式：它把一个相对宽泛的“AI 实验室”概念拆成了研究领域、估值、阶段等可量化、可筛选的维度。这意味着读者不需要自己去各大媒体平台搜集零散新闻，而是可以在一个页面内建立对 AI 实验室版图的整体认知。

2. 适用场景与使用边界

任何一个信息聚合类产品都有它的适用边界。Neolabs.fyi 适合以下几类人使用。

第一类，AI 领域的研究生和科研人员。如果你正在选研究方向，可以用这个站点按研究领域筛选，看看大型模型、AI 安全、具身智能、Agent 等方向上都有哪些新实验室成立，这些实验室的创始团队通常来自顶级高校或大厂，本身就是一个研究方向热度的重要指标。

第二类，AI 创业者和产品经理。通过观察新实验室的估值和融资阶段，可以判断当前资本在哪些细分方向集中入场，这对于创业选题、产品规划、融资叙事都有参考价值。

第三类，投资人和行业分析师。这个站点的价值在于快速建立对标池。以前要一个个去看 Crunchbase、PitchBook 才能整理出新兴实验室列表，现在一个页面就能掌握基础数据，节省大量信息搜集时间。

第四类，技术博主和内容创作者。写 AI 行业盘点类内容时，这个站点可以作为数据来源之一，快速找到值得写的实验室案例。

再说使用边界。首先，Neolabs.fyi 覆盖的是“新实验室”，不代表行业全貌，OpenAI、Google DeepMind、Anthropic 这类老牌机构通常不在它的覆盖范围内。其次，站点的估值数据多为第三方估算或公开信息整理，不能直接作为投资决策依据。最后，网站信息存在时效性，实验室的融资、团队变动更新是否及时，需要在使用过程中自行验证。

合规层面也要说明：这个项目本身只做信息聚合，不涉及任何侵权内容。如果你后续把这些实验室信息用于商业报告或公开文章，需要注意数据来源标注，避免直接搬运站点的整理内容作为自己的原创数据。

3. 信息维度与数据结构分析

使用 Neolabs.fyi 之前，需要先理解它的数据结构。只有知道每个字段代表什么，才能高效地利用筛选和排序功能。

从项目标题和公开介绍看，这个站点至少包含以下维度：

从信息架构的角度看，这个站点实际上在做的是“实体-属性-分类”的标准化工作。它把非结构化的实验室新闻数据变成了结构化表格数据，这正是信息聚合类产品的核心价值。

如果你后续想自己做一个类似的行业监测系统，可以从这个数据结构出发，用爬虫抓取新闻中的实体信息，再用 LLM 做实体识别和属性抽取，最后存入数据库并搭建前端页面。Neolabs.fyi 本质上就是一个轻量级的行业知识图谱前端。

4. 使用流程与方法演示

虽然这个站点不需要安装部署，但还是需要一套系统的使用流程来提升效率。这里给出一个 5 步操作方法。

4.1 打开站点并浏览默认列表

直接访问 Neolabs.fyi，进入首页后默认会展示一批实验室列表。建议先整体滚动一遍，对项目覆盖的实验室有大致印象。重点观察以下几点：

站点是否按研究领域做了默认分类；列表页是否展示估值、地区、成立时间等关键字段；是否有搜索框和筛选条件。

第一次使用不要急着筛选，先花 5 分钟把默认列表从头到尾看一遍，理解站点的信息密度和排序逻辑。

4.2 按研究领域筛选目标赛道

假设你想关注 Agent 和具身智能方向，找到研究领域筛选栏，勾选或选择对应标签。筛选后列表会缩小到该领域下的实验室集合。

这一步的核心目标是确认每个实验室的具体研究方向和产品形态。建议为每个实验室准备一个本地笔记文件，记录名称、领域、估值、一句话方向描述，为后续深入调研积累素材。

4.3 按估值或融资阶段排序

如果你想看哪些实验室已经被资本认可，可以按估值从高到低排序。高估值实验室通常意味着团队背景强、技术方向得到了市场验证。

排序后重点关注前三名的实验室，进入它们的官网或 GitHub 主页，查看实际产品和技术输出。这里要注意，估值高不等于技术领先，有些实验室估值高是因为创始团队出身和融资节奏，真实产品可能还停留在早期阶段。

4.4 检索特定实验室

如果你在新闻里看到一个实验室名字，想确认它是否在 Neolabs.fyi 中收录，直接使用站内搜索功能。搜索时注意使用实验室的官方英文名称，不要使用缩写或中文翻译，避免匹配失败。

4.5 导出或整理数据

材料中没有明确说明站点是否支持 CSV 导出。如果站点没有导出按钮，可以用以下方式手动整理数据结构。

建立本地表格，字段包括实验室名称、研究领域、估值、成立时间、官方网站、核心成员、主要产品和我的备注。然后逐个实验室填写。这个过程虽然手动，但能帮助你对整个 AI 实验室版图形成更深的理解。

5. 与 AI 行业信息跟踪体系结合

单独使用 Neolabs.fyi 只能解决“有哪些新实验室”这个问题。要形成一个完整的 AI 行业信息跟踪闭环，还需要把它和以下信息源组合使用。

5.1 arXiv 论文跟踪

对于技术研究者来说，实验室在官网上的介绍往往滞后于论文发布。建议把 Neolabs.fyi 上筛选出的高价值实验室作为关键词，在 arXiv 上建立周更订阅。这样实验室一有新论文上传，你就能第一时间看到。

具体操作是访问 arXiv 的订阅页面，设置关键词为实验室名称和核心方向，比如“AgentAI”和“EmbodiedAI”，然后每周接收邮件摘要。

5.2 GitHub 开源动态

很多新实验室会在早期阶段开源部分代码和模型权重。关注实验室的 GitHub 组织账号，观察其仓库的 star 增长、issue 活跃度和 release 节奏，可以判断一个实验室的技术投入程度。

5.3 Hacker News 与 Reddit 讨论

Neolabs.fyi 本身就通过 Hacker News 的 Show HN 发布，说明这个站点服务的人群与 HN 用户高度重合。对技术社区讨论保持关注，可以了解海外开发者对新实验室的真实评价。尤其是 launch 帖子下面的评论，往往会有人指出实验室的技术路线问题或产品短板，这些信息比官网宣传更有参考价值。

5.4 LinkedIn 团队动态

研究实验室的核心成员变化通常先出现在 LinkedIn 上。关注实验室创始人和核心科学家的动态，可以提前判断技术方向的调整。如果大量核心成员离开，实验室的研究方向大概率会出问题。

6. 数据可信度判断方法

使用 Neolabs.fyi 时，最需要警惕的不是不会用，而是轻信数据。这个站点的信息来源于公开渠道，估值、融资数据可能存在延迟或估算偏差。判断数据可信度有一套方式方法。

第一步，看实验室是否被权威媒体报道过。如果一个实验室的融资信息只出现在站点上，但在 TechCrunch、Reuters 等媒体上搜不到，那数据可信度存疑。优先关注有独立媒体报道支撑的实验室。

第二步，交叉验证估值数据。进入 PitchBook 或 Crunchbase 查看该实验室的融资记录，比对金额和轮次。Neolabs.fyi 的估值可能是某一轮融资后的估值，而不是最新估值。

第三步，看实验室的实际技术产出。一个值得关注的实验室至少要有以下一种输出：arXiv 论文、GitHub 仓库、产品 Demo、专利。如果一个实验室除了官网介绍页之外没有任何技术输出，那大概率还处于非常早期的概念阶段，不必急着深入研究。

第四步，关注创始团队背景。新实验室的估值和团队背景高度相关。如果创始团队来自 DeepMind、Google Brain、OpenAI 等头部机构，这个实验室的技术起点通常会比较高，值得跟踪。

7. 批量调研与自动化扩展思路

Neolabs.fyi 本身不支持批量任务，但由于它已经做了数据标准化，你可以基于它做自动化调研。这里提供两个可落地的思路。

7.1 基于站点数据构建本地监控库

先用浏览器访问 Neolabs.fyi，手动把实验室名称、领域、估值复制到本地 CSV 文件，然后写一个简单的 Python 脚本，定期访问这些实验室的 GitHub 和 arXiv API，自动拉取新增论文和仓库，生成每日动态摘要。

这段脚本的作用不是抓取 Neolabs.fyi 的数据，而是把你在站点上筛选出的实验室变成自动监控对象。GitHub API 的免费额度通常足够个人跟踪使用。

7.2 用 LLM 做周报生成

每周把各地实验室的更新信息汇总到一个文本文件，然后用 LLM 做摘要提炼。可以采用如下提示词模板。

这个流程能显著降低信息跟踪的时间成本。Neolabs.fyi 提供的结构化数据是这套自动化流程的起点，而不是终点。

8. 性能与访问体验观察

由于 Neolabs.fyi 是一个在线站点，不涉及模型推理和显存占用，所以这里重点观察的是它的前端交互性能和信息加载效率。

从一般使用体验来看，这类信息聚合站点需要注意以下性能表现。

页面首屏加载时间。如果列表数据量在 100 条以内，前端做了表格或卡片渲染，理论上首屏加载应该在 3 秒以内。超过这个时间就需要检查网络或站点服务器状态。

筛选交互的流畅度。当用户选择领域标签时，页面是否需要重新请求后端接口，还是在前端本地过滤数据。前端过滤的体验会明显优于后端请求，尤其是在无分页的长列表场景中。

浏览器兼容性。如果站点使用了较新的前端框架特性，老版本浏览器可能无法正常渲染。建议使用 Chrome 或 Edge 的最新版本访问。

移动端适配。如果你需要在手机上快速浏览实验室列表，需要确认站点是否提供响应式布局。如果没有移动端适配，建议使用桌面浏览器访问。

9. 常见问题与排查方法

由于 Neolabs.fyi 是纯网页项目，这里的问题排查聚焦在访问和数据处理两个层面。

从材料看，Neolabs.fyi 的常见问题大概率集中在前三类。如果站点本身没有单独的文档页，排查思路和普通 Web 应用一致。

10. 与同类 AI 行业信息工具的对比

为了更清楚地定位 Neolabs.fyi 的价值，这里拿它和几类常见行业信息渠道做一个对比。

从对比可以看到，Neolabs.fyi 真正的差异化价值不在数据量，而在数据组织方式。它把“实验室”作为一个独立实体来管理，这在当前 AI 信息工具里并不常见。大多数产品要么是工具导航，要么是论文检索，专门针对成立初期实验室做信息聚合的站点很少。

11. 最佳实践与使用建议

基于上面的分析，这里给出 Neolabs.fyi 的使用建议。

第一次使用先做泛浏览。不急着筛选，把 100 个实验室的列表完整看一遍，对当前 AI 实验室生态建立整体感知。

第二次使用做定向筛选。按自己的研究或投资方向，把领域标签缩窄到 2 到 3 个，再对筛选结果做深度调研。调研时至少需要打开 3 个来源：实验室官网、GitHub、arXiv。

建立自己的监测列表。通过站点的数据和外部信息源，筛选出 10 到 20 个高价值实验室，纳入长期跟踪范围。定期检查以下信息是否更新：新论文、新融资、新发布产品、核心成员变动。

不要直接照搬站点数据做投资决策。估值、融资轮次的信息只是辅助判断的维度之一，最终决策必须结合技术路线和产品验证。

注重信息源标注。如果你把 Neolabs.fyi 的数据用于公开文章或行业报告，建议标注信息来自公开聚合站点，并补充原始数据来源。

12. 总结与下一步

从实际使用角度看，Neolabs.fyi 本质上是一个“AI 实验室目录”，它解决的是“有哪些新实验室值得关注”的问题，并且把答案整理成了标准化的字段。它不适合用来寻找具体模型、部署推理环境，也不提供论文搜索和产品评测，但在行业格局感知和实验室筛选这个细分场景里非常高效。

建议你拿到这个站点后，先做一件最简单的事：用 20 分钟把实验室列表按领域筛选一遍，挑出 3 个和你工作相关的实验室，然后逐一打开官网、GitHub 和论文页面做深度阅读。

如果你对 AI 行业动态跟踪有长期需求，可以试着把 Neolabs.fyi 的数据作为种子信息源，结合 GitHub API、arXiv API 搭建一套自己的行业监控脚本。这个组合方案的信息价值会远超单纯浏览网站。下一步，先把常用浏览器书签加上这个站点，同时准备好一个本地表格，在下次调研时就开始记录。