互联网和科技创业与投资的异同

👤 主讲嘉宾朱啸虎金沙江创投主管合伙人上海交通大学通信工程本科、复旦大学国际经济硕士。曾任麦肯锡资深顾问，参与创办易保网络。2007 年加入金沙江创投，以「快、准、狠」著称，先后捕获滴滴、饿了么、 小红书等超级独角兽，被誉为中国风投界「独角兽捕手」。多次入选福布斯全球最佳创投人榜， 是中国早期投资领域最具影响力的代表人物之一。

🎯一、课程理念

2026 秋季《AI创业与投资》课程，是一门创业投资实战课，主要目标是培养未来的 AI 创业者。课程由北京大学光华管理学院马化祥教授、向昊天教授，联合北大校友、前蓝驰创投投资合伙人、连续成功创业者及 TaoZ Capital 合伙人刘勇共同开设。我们看见，这一代年轻人正站在技术革命与国运跃迁两股百年大浪的交汇处。这样的时代，正是造英雄的时代。我们想要"为科技立心，为产业立命；为后学传薪火，为时代造英雄"。

💼二、演讲摘要

9 月 16 日晚，2026 秋季北京大学《AI 创业与投资》第二课在二教 109 举行，主讲人是金沙江创投主管合伙人朱啸虎，分享主题为《互联网和科技创业与投资的异同》。分享结束后，上一课的主讲人、百川智能创始人兼 CEO 王小川回到现场，与朱啸虎围绕技术派与市场派、方向盘与发动机等问题正面交锋。

整场分享的核心判断是：技术会随时间扩散、普及，进而趋于平权；商业结构与人文判断才是穿越技术周期后仍然稀缺的能力。顺着这条判断，金沙江过去二十年沿用的三条选标准被重新搬了出来——市场规模要达到千亿美元级别（Significant）、商业模式要支持低成本复制（Scalable）、要能抵御大平台整体吸收的风险（Sustainable），并结合滴滴、美团、共享单车、格瓦拉、维络城等案例，讲清楚了可防御性在实际投资决策中怎么用。

技术投资部分的核心框架，是比较技术进步速度与扩散速度：技术进步快于扩散时，技术领先本身就是优势；一旦扩散速度超过进步速度，竞争要素就会转向供应链效率、资金成本、渠道资源这些传统商业维度。光伏、电动车、机器人、AI 大模型这几个行业被拿来一一印证，也给出了对开源模型走向的判断——开源模型有可能在三到五年内成为多数应用场景的基础设施，这个判断参考了 Linux 用三十年取代商业 Unix 的历史过程。

关于当下的 AI 原生应用，判断是消费端体验仍处于早期阶段，Token 计费方式、响应速度、交互门槛这几个条件得同时改善，才可能迎来规模化增长。已经出现增长信号的案例也摆了出来，包括投资的一家 AI 原生角色扮演公司，以及若干水下作业机器人、柔性装配机器人项目。

Panel 环节，主持人围绕应用创业的时机判断、技术派与市场派的自我认知、方向盘与发动机的类比这几个问题，请两位嘉宾分别作答。王小川回应了"技术派"标签的风险、中国在大模型发展中的角色定位；朱啸虎则从技术扩散速度、投资退出通道的角度给出了对应观点。开放提问环节，两位嘉宾还就 AI 泡沫、开源模式对模型公司的影响、具身智能的数据瓶颈这些问题做了解答。

以下为完整演讲实录，包含 Panel 对谈与现场观众提问的完整内容。

◆ · ◆ · ◆

🧭三、完整演讲实录

（一）从二十年投资经验讲起

朱啸虎的分享从过去二十年的投资经验讲起。上周王小川来讲了 AI，他想先接一句：技术很重要，但更重要的是人文和商业。这句话背后是技术背景出身的经历——本科在上海交通大学电子工程试点班，后来虽然不靠技术吃饭，但对技术周期的观察一直没断过。愿意来北大分享，是因为北大这里机会很多。

每一个技术周期都很像：技术刚来的时候，重要的是技术领先性和基础设施；等到全世界聪明人都涌进来，技术普及、平权的速度会非常快。一旦技术普及平权以后，重要的永远是人文和商业。这句话是整场分享的总纲：AI 技术本身不会长期构成壁垒，能构成壁垒的是把技术装进商业结构里的能力。

所以这堂课虽然叫《AI 创业与投资》，讲的内容主要还是过去二十年互联网和移动互联网留下的经验教训。理由很直接：技术进入 AI 时代之后，创业和投资的关键业绩指标，和当年互联网、移动互联网时代还挺像的。今天大部分创业者用的都是现成模型，自研模型、挑模型的比例会越来越少，模型能力之间已经越来越难分出高下。技术这一项被拉平之后，剩下的变量就回到了几个老问题：市场有多大、能不能扩张、能不能守住。

中国创业与风险投资的三十年被切成三段：前十年是 PC 互联网，中间十年是移动互联网，最近十年是软件与科技投资。三十年里投出去的企业差不多几千家，但今天大家还记得、手机上还留着的 App 没有几个，这是一个大浪淘沙的过程，这些企业为什么能活下来，值得每个人思考。

课件上把这三段并排摆出来：PC 互联网时期的代表是社交（QQ）、实物电商、搜索；移动互联网时期是社交（微信）、O2O 服务电商、个性化内容分发（抖音、快手、小红书）；软件与科技投资阶段则是基础云服务、企业统一通信（钉钉、企业微信、飞书）、企业软件 SaaS，还有大模型与世界模型、具身智能与工业自动化、AI 应用与硬件、核聚变与量子计算这些方向。

最近十年软件投资的成绩单，他坦率地说了一下：2021 年前后中国软件企业融资很热，也投了不少软件公司，但最终结局并不理想。同期美国的情况正好相反，这几年美国投资人几乎不再投消费端应用，最好的投资回报都在企业服务端，投消费端的美元基金基本被市场淘汰了。

为什么中国软件的投资回报比美国差这么多？原因有两条。第一，软件本质上是一种人力服务，相当于律师、审计师、餐饮、按摩这类服务，收费标准在全世界都锚定当地人力成本——美国软件的定价对标美元人力，中国对标人民币人力，两边天然差一个量级，问题不在于中国企业不愿意为软件付钱。第二，美国软件公司说英语，出海是本能；中国软件企业要出海打大客户销售非常难，那个时代也没有这个基因，触达能力不足，用英语做企业评级也很难。

他在这里留了一个转折，也是后面会讲到的伏笔：在 AI 时代，用创新的打法，中国的应用有可能像电动车产业一样弯道超车，只是打法完全不一样，这个打法就是开源，后面会详细展开。

（二）三个 S：二十年不变的投资标尺

这套标准金沙江用了二十年，今天照样在用，现场被概括成三个 S：Significant、Scalable、Sustainable。此前有同学向他推荐过一个创业项目，判断很直接：市场规模太小了。

市场规模一定要大，至少千亿美元级别，能做到第一年 100 亿美元的规模，这才是让投资人感兴趣的起点。课件上 Significant 一栏的定义是「足够大的市场容量，覆盖足够大的、有支付能力和支付意愿的用户群」，下面附带两个追问：「广场舞用户？」问的是这批用户有没有支付能力；「用户的使用场景：事前还是事后？」问的是需求发生的时点能不能被平台截住。

第二条是能不能迅速扩大。风险投资给钱的目的就是让企业迅速扩大规模，商业模式本身必须支持低成本复制。软件在中国难做，很大一部分原因就是定制——一旦要给客户做定制开发，就很难扩大规模。C 端产品为什么容易做到这一点？因为它的 App 是统一的一个版本，这批用户喜欢，后面的用户大概率也会喜欢，扩张的边际成本很低。课件上 Scalable 的两个子问题是「口碑传播、用户的转介绍率」和「新平台的流量红利」，其中口碑传播被特别强调，是创业企业能否成功最重要的前提之一，而 AI 时代的倍数增长速度比互联网时代还快。

第三条是可持续、可防御。课件的定义是「有足够的进入壁垒以阻止潜在的竞争者，足够高的用户留存率和粘性」，下面列了三个观测指标：用户的留存率和收入留存、使用时长和频次、主动续费率（或者换手机后的主动复装率）。中国最怕的就是给大厂打样——一家企业做出了个有意思的产品，结果被大平台整体吸收进去，可能就是一场空欢喜。

过去两三年不少机构投了做 AI PPT、AI 办公的公司，他的判断是，这些独立的创业机会很可能会被大平台的「AI OS」整体吸收，这个判断在后面的 Panel 环节被主持人追问了一次，回答依然一致。

现场还展示了一张被引用较多的课件：商业模式从来不是生而平等的，社区、平台、产品三层各有各的天花板。金字塔尖是社区，课件上只放了腾讯一家，用户会自发帮拉新，获客成本最低，执行难度最低；中间一层是平台，拼多多、美团、滴滴、携程、京东都在这一层，关键成功要素是效率、减少交易摩擦，执行难度中等，考验运营；底层是产品，小米、盛大、苹果，需要不断创新，每一代新产品能否成功都很重要，执行难度最高，每代都要重新赌一次。

社区模式为什么机会稀少？因为基本上没有人会同时维持很多个社交网络。东南亚市场可以佐证这个判断：几乎每一个国家，只要某个社交产品的渗透率超过 10% 到 20%，就会爆发式地统治当地市场，剩下的产品只能沦为小众，原因是网络效应要求朋友都在同一个网络里，先进入者的优势足够强，最终每个市场只剩一到两家。国内也一样，微信的地位非常稳定，社交赛道的独立创业机会极少。

他点名的平台型机会是拼多多、美团、滴滴、携程，核心能力是运营效率和双边交易网络的建立。最难的是底层的产品公司——苹果可能是全世界市值最高的公司之一，但它需要不断创新，一旦新产品不好就会被用户抛弃。苹果的厉害之处就在这儿，每一代新苹果都被吐槽说没有创新，但大家还是要换手机。游戏公司是同一逻辑的另一面：当年游戏公司的市盈率只有五倍，因为一款游戏能不能成功不确定性太大；但那些做了十年二十年的老游戏，内部已经沉淀出小社区，生命周期变得很长，每年还能贡献十亿元以上的收入——产品一旦沉淀出社区，就相当于从金字塔底层往上爬了一层。

（三）腾讯与阿里：两种流量打法

同样是巨头，腾讯和阿里在流量结构上完全不同。腾讯的战略一直是投资加赋能，前提是它有社交网络这块流量高地，流量会自己往外溢，腾讯就围着这个核心根据地不断往外画同心圆，每一个圆都是一项业务：最大的游戏平台、最大的视频网站、最大的网络文学、最大的音乐、最大的动漫。二十年前腾讯开始做游戏时被普遍认为「难玩」，但今天腾讯是全世界最大的游戏公司；视频网站、网络文学、音乐这些赛道，腾讯也大多是从第三名、第七名的位置一路追上来的。今天大家说腾讯在 AI 时代落伍了，但腾讯一直是这样——它从来不会烧钱去犯错误，等到大家犯完错误、把经验教训总结出来，它再追上来，往往很容易也很快，混元最近的表现已经相当不错。只要微信和 QQ 的社交网络还在，主要用户还在使用，腾讯的整体地位就相当稳固。

讲到字节跳动，评价更直接一些。红果短剧、番茄小说、汽水音乐这三个例子说明，字节在这些赛道的打法比腾讯更犀利，原因在于结构上的差别：腾讯有流量高地但主要靠赋能被投企业，字节自己既有流量高地，又亲自下场做业务。这说明「有流量」只是必要条件，流量能不能直接转化成自营业务的增长，还要看流量的性质和组织的执行方式。

阿里的结构正好相反。阿里所有的布局都围绕交易展开，从淘宝到天猫，到跨境电商，再到支付业务，全部都是为了获取流量，所以阿里的并购逻辑是把流量买过来，被并购的小平台进去之后往往比较艰难，因为自身缺乏独立流量。娱乐和社交能让用户产生愉悦感，本质上是在产生流量；而所有产生交易、让用户花钱的业务，包括电商和直播带货，本质上都在消耗流量。阿里今天的地位不如从前稳固，原因就是流量持续不足，而流量的获取成本越来越高。在互联网时代流量非常重要，到了 AI 时代，今天大家可能还没充分意识到流量的重要性，但后面流量仍会是最重要的决策要素之一。

（四）不是所有商业模式生来平等：双边平台与切入点

互联网时代最大的创业投资机会大多出现在交易平台上，而底层最重要的判断是：这个平台是不是双边平台，即供给方和需求方都是多对多的关系，而不是一对多。出租车属于典型的高频、供给端极度分散的双边平台；电影票的情况相反，用户端频次不低，但供给端出票系统只有两三家，是一种「二对多」结构，防御性极弱。

课件给出了在中国市场被反复验证的四条整合规律：刚需吃掉非刚需（比如出租车对代驾）；高频次吃掉低频次（比如出租车对长途客运）；同一笔交易里能切更高份额的模式，会整合掉切得少的模式（比如团购对优惠券、会员卡）；从低端客户往高端客户扩张，比从高端往低端扩张容易得多（比如出租车对租车、外卖对定位服务）。

格瓦拉是一个反面案例。二十年前国内相当知名的电影票创业公司，高峰时卖出了上海市场 20% 以上的电影票，但需要对接的出票系统只集中在两三家，业务结构无法防御，最终并入微影。美国的 ZocDoc 是另一种死法：作为医生预约平台，它汇聚了数以千计的医生，但就医频次太低，无法与需求端建立强绑定关系。医疗健康之所以是最难做的方向之一，是因为对年轻人来说，就医可能一年一次或两年一次，平台每一次都要重新单独获客，获客成本很难摊薄，即便是资金充裕的大公司来做，也很难守住这类低频市场。但一个 AI 时代的反向观察也值得注意：豆包并没有专门针对医疗场景做优化，可每天却有超过 20% 的提问与医疗健康相关——这说明低频垂直平台守不住，不代表这类需求不存在，在通用入口里，这类需求会自然聚集。

操作性的判断是：一款产品最好至少一周被用一次，达不到这个频次，就不适合单独做成一个 App，做成小程序就好，用户不会在手机首屏专门为它留一个位置。

关于为什么投滴滴而不是易到，这是一次较完整的回顾。易到比滴滴早两三年成立，模式对标当时在美国已经成功的 Uber，从专车业务切入。金沙江接触易到时发现，它每周只能完成自身计划的 25%，观察两三周就判断出了问题。专车业务当时难以推进的原因也很具体：中国消费者当时对专车不熟悉，需要销售人员到写字楼一家一家拜访推广；智能手机也还没普及，平台还得给司机配发智能机，供需两端都需要教育。程维选择从出租车切入，就不需要教育用户——当时出租车司机的智能机渗透率已经上来了，只要给一点激励，司机自己就有动力换设备。

真正打动人的是程维的一句话：我把出租车市场占到 90% 以上，再自己做专车。这个策略非常清晰。同期北京还有一家叫摇摇招车的公司，在专车和出租车之间来回摇摆——当时投资人普遍被 Uber 的专车故事吸引，创业者跟着去做专车，但订单量起不来，又转回出租车，来回切换的代价是错过了唯一的窗口期。

也不断有人问，地铁市场规模这么大、所有通勤人群都要用，为什么不做？理由有三条：当时北京地铁还不支持刷卡，用户根本不需要打开 App 就能完成出行；地铁客单价只有一两元，打车客单价约二十元，中间的价格跨度太大，很难实现用户升级；即便获取了几千万用户，能不能往上升级、赚更高的毛利同样重要，从二十元的打车升级到四十元的专车，比从一两元跳到二十元容易得多。

还有一个最近遇到的案例：一家创业公司说自己用较低成本获取了 300 万下沉用户，投入产出比很漂亮。判断很直接：下沉用户本身价值有限，就算引导升级，这批用户的付费意愿通常也不强，这类打法更像是讲给投资人听的融资故事，而不是可持续的商业模式——判断失误的常见根源，是只盯着单个用户的获取成本，而忽视了这批用户的长期价值和升级空间。

家政、上门按摩这类 O2O 业务为什么难做大，道理也类似：这类服务对提供者本人的依赖度很高，用户容易在多次服务后跟具体的服务人员建立私下联系，从而绕开平台，所以这类平台的日订单规模长期停留在数千单量级，跟打车平台完全不是一个量级。

在中国创业，可防御性尤为重要，「未虑胜，先虑败」说的就是这个意思。当年做优惠券、会员积分、订位预约、代驾、大巴的公司一茬接一茬，最后大多被同赛道的更大平台并购或整合。团购和优惠券的对比很能说明问题：做优惠券要扫楼、扫街、一家家拜访餐厅，工作量跟团购差不多，但一张优惠券可能只赚几分钱，团购一单能赚几十块——同样的交易规模、同样的劳动投入，赚的收入明显低于同赛道其他商业模式，防御能力就会很弱。由此得出的判断是：同一个赛道上，要找到收益结构最优的那个切入点，一旦切入点偏离最佳位置，这个细分领域最终可能被对手切走，并购时也很难卖上好价钱。

（五）遥遥领先、重新定义与退可守四维

互联网模式要赚超额利润，往往得在市场份额上遥遥领先，一般要到 70% 以上。外卖大战就是个例子：补贴最凶的时候，头部平台在高客单价外卖上的份额一度跌到 60% 出头，补贴停掉之后又慢慢回到 65%、66%、67%，基本回到 70% 这条线附近——这就是市场结构本身的韧性。课件里还有一句提醒：即便自认为已经赢了，也不能固步自封，曾经的领先者随时可能被后来者超越，Grubhub 和 DoorDash 的故事就是一例。

讲到共享单车，先讲了一段历史：小黄车是从北大起来的，这也说明了北大的创新能力。但话题很快拉回商业判断：今天全国每天还有约 5000 万单共享单车的需求，需求点是成立的，可惜哈啰、青桔、美团单车三家份额相近，三分天下，每家都活得挺辛苦，拿不到超额利润。如果当年 ofo 和摩拜能合并，这个平台原本还有不小的机会；脱离了遥遥领先的位置，企业实际上更像是在给整个大平台生态打工。

美团为什么收购摩拜，他讲了一段亲历的往事：王慧文当时给出的理由是流量安全边际不够。彼时美团日活跃用户已经有两三亿，已经很成功了，但团队仍然觉得不安全——在中国，最大的产品比如微信、抖音是十亿级用户规模，作为一二线平台，至少要五亿级才相对安全，而共享单车全国每天约 5000 万单，正好能补充进这个流量安全边际。王慧文当时说得很直白：蚊子腿都是肉。这句话很能代表中国大平台的普遍心态——哪怕已经很成功，危机感依然拉满，需要不断把用户基数再往上推一个台阶。

市场已经被大厂占了怎么办？思路是重新定义市场边界。Grubhub 是美国最早做外卖的公司，一度占了美国外卖市场约 90% 的份额并成功上市，但它服务的只是那些自己有配送能力的餐厅，覆盖范围有限；DoorDash 的做法是重新定义市场——为所有餐厅提供外卖服务，自己建配送团队，市场规模一下子放大了一百倍以上。Airbnb 也是同一个逻辑，在它之前已经有人做度假别墅这类高端房源的短租（HomeAway），Airbnb 把「客厅里的一张沙发」也拿出来共享，市场规模因此成倍扩大。能不能重新定义市场、把规模放大一百倍以上，决定了一家企业有没有机会挑战现有的市场领先者。

一张雷达图把互联网时代积累的防御经验归纳成四个维度：依赖度、控制力、战场纵深、管理难度。依赖度上，对大型平台的流量依赖是把双刃剑，业务增长可能特别快，天花板往往也特别低——维络城就是个例子，这家公司曾经在北上广及香港等十个城市布下了 2000 多台终端机，高峰期吸引了 500 多万用户和 3000 多个商家，一年发出 2000 多万张优惠券，年收入接近一亿元人民币，但因为业务严重依赖地铁站点的特定流量，随着地铁运营方逐年涨租金、最终自己下场做同类业务，这家公司就没能撑下去。控制力上，前面提到的格瓦拉正是败在对两个出票系统的依赖上。战场纵深上，对应的是市场规模和同类商业模式从同一笔交易里能切多厚的收益，这正是团购能整合掉优惠券的原因。管理难度上，美团打饿了么的全国战是个典型例子：当时饿了么相对保守，只在 20 个城市运营，美团凭着团购业务已经铺到了全国几乎所有市场，一切入外卖赛道就全国同步开打。在任何一个城市，如果比竞争对手晚半年进入，就很难推了。饿了么当时也想过全国跟进，招了几百人在上海总部集中培训后派往各个城市，但最终还是被压着打，症结在管理——一家大学生创业的公司，很难同时管理几千人在几十个城市开仗，能不能同时在多个城市高效作战，本质上是组织能力问题，而组织能力本身也是商业模式选择的一部分。

留存这条线在 AI 时代一模一样：投资人给钱是为了帮企业获取用户，但能不能把用户长期留住，才是真正要看的东西。课件给出的判断标准是：6 个月用户留存率如果低于 20%，很难发展成 10 亿美元以上规模的互联网大平台；要密切关注不同版本和运营策略对留存率的影响；在强网络效应的应用场景里，留存曲线可能出现「翘尾」现象。现场补充的经验值更细：第二个月能保住 50% 以上，六个月后能保住 20% 以上，才算达标；理想情况是，哪怕只剩 20% 的用户，这批人的消费金额占比也能到 40%，也就是人均消费比初期涨了一倍以上。

（六）技术投资：进步速度与扩散速度的赛跑

讲完互联网的经验，话题转入技术投资，两者之间有一个根本性差别。互联网是先发优势：任何一个赛道刚起步的时候，前三年的获客成本几乎为零，因为东西新鲜，用户会自己来；后进入的人就得花几倍甚至十几二十倍的成本，才能获取同样数量的用户，所以过去二十年在中国投互联网，投得早就不太容易死。技术投资正好相反：先行者往往要花很多钱去试错，一旦技术路径被验证，后面跟进的人速度会非常快。美国今天做一个前沿模型大概要五到十亿美元，中国可能只要百分之一到百分之二的成本就能跟上去，也就两三亿人民币，这时候后发反而有优势。

判断的核心，是看技术的提升速度和扩散速度，哪一个占主导。技术进步快于扩散的时候，技术领先本身很重要；一旦进入扩散速度主导的阶段，讨论的东西就完全不一样了。腾讯在 AI 上为什么一直不着急？因为它有流量、有用户留在那儿，可以等技术扩散之后花很少的钱跟上来。过去两年大模型确实处在技术进步主导的阶段：每发布一个领先的前沿模型，都能获取大量新用户，而且都是口碑传播。但今天情况变了——最新一代前沿模型的使用率一直只在 10% 左右徘徊，整体前沿模型使用率也从最高峰接近 50% 降到了 45% 以下。发布前沿模型既不能带来收入增长，反而会提前暴露自己的能力被对手追上，这正是今天行业发布节奏慢下来的主要原因。

技术扩散之后拼什么？四个行业可以说明问题。光伏的硅料环节已经洗了三轮牌，当年在美国上市、市值很高的无锡尚德如今已经没了；今天太阳能面板做硅材料已经没有任何技术壁垒，领先的通威股份主业其实是水产饲料，跟银行关系好、资金成本低、厚度够，能扛到最后——资金成本本身就成了核心竞争力。电动车已经洗牌三次：第一轮的企业大多退出了市场；第二轮是蔚来、小鹏、理想，但全行业这一阶段整体是亏损的，投进去的钱远超回报，还没算上政府补贴；今天小米、华为能进来，靠的是供应链、渠道和品牌优势。机器人行业国内现在有两百多家企业，多数很难突围，相关标的的估值回调也说得通。世界模型方向今年冒出来大概一百个项目，高校教授团队创立的项目估值就能到几亿、十几亿甚至二十亿元，但这条技术路线现在其实还没看明白，很可能被下一代通用模型直接覆盖，技术路线不确定加上扩散又快，这个方向的创业和投资风险都不低。这四个行业结构很像：技术不再是变量之后，供应链效率、销售渠道、品牌和客户资源、资金成本、规模优势这五项成了决定胜负的关键，而这五项恰恰是大公司的主场。新能源汽车领域，参与企业已经从两百多家收缩到二十家左右；光伏领域，行业前五名的市场份额合计已经超过 70%；机器人领域的最终格局还有待观察。

在中国，技术扩散之后还有一件更可怕的事：客户可能变成竞争对手。地平线的例子很典型：只要一家车企年出货量超过 100 万辆，自研芯片就比外部采购划算，而车载芯片的研发难度已经随着技术扩散明显降低，比亚迪这类大客户完全有可能自己开发芯片。地平线创始人余凯的应对是：既然你要自研，那我就和你合作，把 IP 授权给你用。但授权 IP 和直接卖芯片相比，收入规模差得远——原本一颗芯片能卖 100 元，授权模式下可能只收 20 元的版权费。这不是孤例：寒武纪刚上市时华为是它最大的客户，后来华为转向自研芯片；字节上市之后，也在推进自研芯片。对中国科技企业来说，一个值得警惕的风险是，最大的客户很可能变成最大的竞争对手。

美国市场也开始出现类似情况。Abridge 是一家美国的垂直 AI 公司，把医生和患者的对话自动转成病历，准确率超过 90%，大幅减轻了医生的文书负担；而美国的病历系统市场高度集中，Epic 占了大约 50% 的份额，同时还是 Abridge 的股东和渠道方。Epic 已经宣布免费提供跟 Abridge 类似的功能，理由是这类能力应该由病历系统自己来做。AI 时代的竞争很残酷：如果企业没有自己的用户入口，只做一个简单的 AI 功能环节，很容易被渠道方直接复制。Abridge 早期确实有一定的技术门槛，但随着模型能力不断提升，做出类似效果的门槛已经明显降低了，国内也已经冒出好几家做类似方向的创业公司——这类应用容易被复制，最需要警惕的仍然是没有稳定的用户入口。

（七）开源终局与投资方法：偏离共识 15 度

这一部分连续展示了三张课件，讲的是同一件事的三个侧面。第一张课件给出的时间判断是：目前「足够好」的开源模型已经能满足 50% 以上应用场景的需求，最多再过两年，「足够好」的开源模型就能满足 95% 以上的应用场景需求；课件同时提醒，前沿模型的投入会越来越像战略层面的高强度竞争，经济上的投资回报率会越来越难算清楚。第二张课件展示了 Token 价格指数的走势：整体价格指数和闭源模型价格指数一路下行，开源模型价格指数则一直贴着低位——定价比跑分更能说明问题，头部模型能不能守住定价权，可能就是判断模型厂商估值是否见顶的标志，长期来看这对算力充沛的云厂商有利。开源模型已经足够好，还能本地化部署，成本只有闭源的大概 5%，这个价差摆在这儿，闭源厂商不降价，大盘用户就不会接受，这也是美国 Token 平均价格一路走低的原因。有一个容易被误读的现象要澄清一下：中国开源模型价格最近在往上走，不是厂商想涨价，而是算力不够被迫涨——按现在的价格，买到 GPU 差不多十个月就能回本，毛利其实还不错。第三张课件的两组数据也值得一提：新模型一降价，相关公司股价就明显回调，DeepSeek 和其他前沿模型在价格两端对独立模型公司形成挤压。独立模型公司以后能存在的空间会越来越小，因为开源模型的商业价值最终取决于能调动多少算力，这场竞争拼的是算力，不是模型本身。今年上半年行业还在讲 token max，什么任务都想调用最好的模型；现在大家讲的是 value max，因为大模型太贵，创造的价值却有限。

开源的终局会怎样，有一段历史类比可以参考。1991 年到 2021 年，服务器市场份额经历了一次完整的交替：Linux 的份额一路上升，商业 Unix 一路下降。Linux 出现之前，Sun、惠普、IBM 各自卖专有的 Unix，绑定自己的硬件，只能跑在自家的服务器上，价格很贵；Linux 最后能赢，关键是它能跑在便宜的通用 x86 服务器上，而互联网公司起来之后都讲性价比，x86 慢慢就成了事实标准。Linux 能成功，课件归纳了三条原因：全球社区自发共建，自下而上的创新活力；打破专有硬件的束缚，能跑在通用又便宜的 x86 服务器上；电信级标准的建立和软件生态的全面成熟。Linux 取代 Unix 用了 30 年，他判断在 AI 时代这个速度会快得多，可能只要 5 年。

云厂商为什么倾向用开源模型，背后的商业逻辑也很直白：部署闭源模型，要给模型公司分掉三到四成以上；部署开源模型，这部分收益自己全拿，那何必还要部署闭源模型？这正是黄仁勋一定要在美国推动本土开源模型的原因——云厂商需要有开源模型可以部署，不然整体投资回报率上不去。如果不是中美之间的政治因素，美国的云厂商原本是有动力大规模采用中国开源模型的。对 DeepSeek 的开源路线，他给出了一个评价：梁文锋想得很清楚，AI 这件事太大了，谁都不可能自己把这个钱全赚了，必须把绝大多数人都带上，哪怕自己只拿不到百分之一，才能真的把这件事做成。

讲完对行业终局的判断，话题回到了朱啸虎自己的投资方法论。金沙江和其他机构不太一样的地方，是更讲商业逻辑和人文判断，更看性价比，关注的标的类型也和多数机构不太一样——这套偏好来自过去二十年看过的大量失败案例。这套选择标准可以概括为跟主流共识偏离约 15 度：偏离共识过多的方向，往往估值过高、共识过于集中，比如大语言模型、垂直模型、AI 基础设施、GPU、人形机器人、VLA 和世界模型；估值合理、长期价值明确的方向，则包括 AI 消费者应用、AI 赋能的服务、AI 消费电子、工业自动化。选择标准归纳成三条：合理的进入估值、可防御的长期价值、较低的资本投入。这个角度是刻意选的——偏离共识太多，以后退出会更难，这一点在 Panel 和提问环节都反复强调过。

课件上还有一面「陨落的独角兽」案例墙：PC 互联网时代的开心网（靠偷菜功能出圈，巅峰估值曾超百亿元）、拉手网（千团大战的头部玩家，估值曾超 11 亿美元）、蘑菇街（巅峰估值曾超 10 亿美元）、凡客诚品（估值一度超过 30 亿美元）；移动互联网时代的 91 手机助手（2013 年被百度以 19 亿美元收购）、豌豆荚、ofo 小黄车（估值曾超 20 亿美元）、蜜芽（估值曾超百亿元人民币）。这些案例的失败原因归结起来无非三类：资本依赖、盈利模式不清、护城河太浅。过去二十年，中国市场投了几千甚至上万家互联网企业，砸进去几十亿、几百亿甚至上千亿美元，这面墙上的公司当年个个有名，今天大多已经没了。

讲到开心网的时候，现场反响挺热烈：当年开心网的「偷菜」火遍全网，校内网同期也有类似功能；今天的年轻人在《王者荣耀》里偷菜，在 Roblox 上也在偷菜。每一代人似乎都要经历一遍类似的需求，二十年前的年轻人偷菜，今天的年轻人也在偷菜，需求点是一致的，只是表现形式变了，这种循环规律大概每十年就要重来一遍。

紧接着讲了一个相反的案例，说明单纯的产品体验创新守不住壁垒：最先做出双列瀑布流的其实是蘑菇街，今天小红书这套展现形式最初就是跟蘑菇街学的。可小红书还在，蘑菇街没了。差异出在供给端——蘑菇街靠双列瀑布流的体验创新，供给规模始终追不上淘宝，而淘宝很快就学会并复制了这套展现形式。淘宝的商品供给是蘑菇街的一百倍以上，这个结构性差距蘑菇街跨不过去，光靠用户体验层面的创新，往往只能红一阵子，最后给大平台当了「打样」。

课件里还有一组对照：亚马逊、谷歌、Facebook 这些美国互联网巨头之外，还有一批企业实现了突围，比如 Uber、DoorDash、Airbnb。两条批注很能说明问题：大厂不愿意干的、看不上的脏活累活，才是创业公司的机会；历史反复证明，一开始看上去壁垒较高的最后都没有壁垒，一开始看上去没有壁垒的最后壁垒最高。

围绕这一页课件，他讲了一段投资滴滴期间的田野调查：当时腾讯投资部的团队一起，每天凌晨四点跑到出租车司机常去的早餐摊，因为政府补贴让那里成了司机固定聚集的地方，就在那儿一个一个地推。这种线下的苦活累活，大厂不愿意干，创业公司才有机会。

（八）AI 原生应用还在 3G 前夜

消费端应用为什么还没起来？答案是当前 AI 在中国还不够便宜，速度也还不够快，整体体验有点像早年的拨号上网。课件把移动通信的发展阶段和今天的 Token 计费方式做了个类比：2.5G 时代靠彩信彩铃赚钱，用户看图都得省着点用；3G 阶段运营商逐渐管道化；5G 阶段的用户体感跟 4G 比其实差别不大。今天的大模型 Token 计费方式，是不是相当于「2.5G 时代的流量套餐」？

AI 消费应用要真正爆发，得满足四个前提。第一，Token 要能包月畅用，就像当年互联网一样一百块钱包到底，用户不用算着用；第二，延时要大幅降低，不是小幅提升，而是答案能一下子出来；第三，不用写复杂的提示词——今天提示词写得好不好和结果强相关，这对用户体验的伤害很大，大部分用户既不愿意也写不出复杂提示词，得由应用端自动生成；第四，不用让用户在一堆模型里挑，得做到像今天的自动路由一样，用户根本不用关心背后用的是哪个模型。现在的整体环境还处在「3G 之前」，消费端确实还有点早。

第一款爆款 AI 应用很可能来自游戏，这个判断背后有一段很多人都记错的历史。三个时代对应三种核心交互：PC 互联网（1990—2005）靠鼠标点击，代表游戏是挖地雷；移动互联网（2005—2020）靠多点触控，代表游戏是愤怒的小鸟；AI 时代（2020— ）则是多模态输入加 AI 生成。一个容易被忽略的细节是，iPhone 一代其实没有多点触摸，只有单点触控，多点触摸是 iPhone 3 才有的——真正意义上第一批「只有在这块屏幕上才成立」的应用，是 iPhone 3 之后才出现的，愤怒的小鸟、切水果这类靠多点触摸的游戏就是那时候起来的，很多年轻人都不知道这段历史。AI 时代那个等价于「多点触摸」的独特支点，今天可能还没出现，还需要创业者自己去找。移动互联网的支点是 GPS 定位和触摸屏，滴滴、美团这些应用都是踩在这两个支点上长出来的。

虽然整体还早，但已经有企业涨得非常快，他去年投的一家就是例子。这家公司季度现金收入的曲线，从 2025 年初贴着零轴，到 2026 年中已经冲得很高，背后是一套反复强调的判断公式：找一个之前的技术时代已经验证过的需求场景，用 AI 做到十倍以上更好的体验，核心能力大多不在 AI 技术本身，而在场景理解和产品设计。

这家公司去年 5 月投资时月收入不到十万美元，上个月约一千七百万美元，本月约两千多万美元——一家海淀的企业，在这个规模上仍然保持每两个月翻一倍，做的是 AI 原生角色扮演，提供情绪价值。角色扮演这个赛道，AI 刚出来、技术还不成熟的时候占到用量的 70% 左右，今天降到 30% 左右，但因为大盘变大了，绝对值反而涨了很多；不管是豆包还是其他模型，角色扮演都稳定占着 20% 到 30% 的用量。眼下机会最大的场景，是角色扮演、推理和视频生成。这个赛道为什么在 AI 时代才真正立得住？乙女游戏是个好例子：《恋与深空》在 AI 之前只能设定五个固定的男主角，今年想加第六个，被用户一句「我就要养老」挡了回去；而 AI 时代想要多少个都行。这家新公司的月收入已经超过了那家老牌乙女游戏公司，只用了两年时间。腾讯内部有三个产品组在做同样的事，到现在都还没上线——如果按传统 3A 游戏大作的思路做，两三年不上线很正常，但今天的 AI 创业节奏要求更快地把产品迭代出来，更快拿到市场的真实反馈。

第二个案例是 AI 电子宠物，他上周带日本投资人体验了几款，对方特别喜欢。拓麻歌子是日本上世纪八十年代发明的电子宠物手表，屏幕是像素级的方块，动画也很差，但照样风靡全球——这个需求早就被验证过了，只是当年的技术只能做到那个程度。最打动那位日本投资人的一个细节是：日本跟中国很像，大阪话、东京话、关西话各不相同，有用户说「让我用关西话说说看」，这个玩具真的能说标准的关西话，让在场的人都很惊讶，这背后其实都是模型的功劳。今天创业为什么容易？关键是把模型用到刀口上，让用户感觉到不一样，感受到情绪价值。

开场留下的伏笔「中国软件出海为什么难」，答案是开源。他投的一家设计工具公司，走的是开源、可本地化部署的路子，数据留在本地，企业可以自己选接哪个模型 API。GitHub Star 差不多到了 10 万，而且基本每个月还能涨几万；Fork 超过 1 万——fork 可能比 star 更重要，因为 fork 才代表真的有人在用你的代码做二次开发。商业化上，产品上线两个月就有了可观的收入规模，接下来上线协作功能预计还会涨得更快。开源结合 PLG 是最好的冷启动获客手段，多少用户会用开源方提供的 Token 套餐，才是商业化能不能成的关键。

这一段现场录音转写对具体公司名称和部分收入数字的识别不太准，正文只保留了课件上明确标出的指标（GitHub Star 接近 10 万、贡献者超过 430 人、下载量超过 100 万、覆盖国家超过 60 个）和现场明确给出的量级数据，无法确认的具体数值没有强行还原。

（九）两个机器人案例

朱啸虎先表明立场：不看好人形机器人的整体前景，多数产品还停留在跳舞这类展示性动作上，这个判断跟此前的公开表态一致。但他投了两家机器人公司，逻辑都一样——找一个具体的、够得着的商业场景。

第一家是世航智能，做水下通用机器人。传统船舶清洗方案痛点很明显，单次清洗服务动辄数万美元；创始团队在水下机器人领域深耕超过 10 年，产品「虎鲸」投入商用一年就快速迭代；已经跟招商局、中国船舶、山东港口建立了合作，也在和交通部、招商局、中远海运一起制定水下清洗机器人的行业标准。他投资的时候这家公司只有洗船一个产品线，但媒体报道之后客户主动找上门，场景一个接一个冒出来，现在订单经常做不过来。

现场列举的水下场景很具体：洗船，船底不清洗会长满附着物，影响航行效率，人下去作业又危险，20 到 30 米深度人已经很难长时间工作；海关查走私，此前只能靠人下潜，非常辛苦又看不清楚；海上光伏与风电，浙江、江苏、福建都在建，中国近海水深只有 50 到 100 米，适合建，美国海岸线一出去就是几百甚至三千米，建不了，桩基不清洗就会长满藤壶、海藻，台风一刮就倒；海产养殖，网笼上长的海藻不清掉会减少供氧量，鱼可能被闷死。

水下的泛化其实比陆地容易太多——做家务看起来简单，但要做到很高的完成度非常难；水下清洗这类任务，洗船和洗桩基高度类似，泛化压力小得多。这背后还接着一整条产业链的逻辑：中国光伏本来就产能过剩，卖不出去就用来建海上光伏、海上风电，再给 AI 供电，这笔账是算得过来的。

第二家是非夕科技，做仿人自适应机器人。市面上机器人的演示视频大多剪辑、加速过，但这家公司的视频没有加速，而且已经放了两年，到现在还没人能做出同样效果的演示。视频里机器人在给真人刮胡子，标注着「遥操作无法完成」，也就是整个操作完全靠机器人自主完成；这家公司已经在特斯拉、苹果等客户的多个工业场景落地，具体应用包括焊后打磨、汽车座椅缝纫、线束组装、汽车仪表板装配、手机除胶、微齿轮装配。

刮胡子这个演示看着像秀技，其实和一个很现实的产业瓶颈直接相关：折叠屏手机的铰链，产品发布和实际发货之间常常隔了很久，就是因为铰链装配的精度要求极高，必须靠机械臂完成，而品牌方也不会为了一个部件一次性砸几千万买机械臂。这家公司专注在柔性装配这一个产品上，已经在特斯拉上海工厂和苹果部分供应商的产线里大规模用起来了。

这两个案例合在一起，正是他反复强调的方法论：不赌通用能力的突破，而是找一个已经被验证过、大厂又还没顾上的具体场景，用技术把体验做到数量级的提升。

（十）Panel 对谈：应用创业的时机判断

主持人先介绍了朱啸虎，说他此前多次代表被投企业站台，滴滴、ofo 小黄车都在其中，这次则换成了前面提到的柔性装配机器人项目。第一个问题很直接：既然现在还是"3G 套餐"阶段，真正的应用创业时机该怎么判断？

朱啸虎：我认为目前已经出现了一些信号。在情绪价值、角色扮演这类方向上，我们已经看到不少企业实现了增长，而且不是小规模的增长，仍然保持着每两个月翻一番的速度。应用层面已经开始出现机会。

主持人追问得更具体：情绪价值是一类，编程辅助（coding）是另一类，但做编程类创业的公司现在被 Claude Code、Codex 这些产品打得挺难受，哪些方向相对不容易被通用大模型直接覆盖？

朱啸虎：大厂自己不做、不愿意做的领域，往往就是创业公司的机会。coding 这个方向，创业公司现在确实压力不小；但细分垂直领域还是有机会的，可以借开源模式走向全球市场，光国内市场的天花板也不低。

办公软件这个方向，中外差异也很有意思：海外有 Office 这样体量巨大的产品，各类 AI 能力大多以插件形式往里塞；国内没有这么大体量的同类产品，反而可能直接跳过 Office 这种形态，这是中国市场在这个方向上弯道超车的机会。

公众号后台此前有人问，科技行业的风险投资有没有系统性理论？他的回答很直接：只有适合自己的方法论。一级市场比二级市场更主观，二级市场至少还能看财务报表，相对客观；一级市场变化也快，每个投资人、每个创业者适合的方向和时机都不一样。

"高频打低频"这套理念在 AI 创业里有没有类似的版本？底层逻辑是一样的，核心都在于能不能留住用户。高频使用的 App 更容易留住用户，一年用一次、两年用一次的产品，用户换手机之后往往就不会再装回来了。AI 时代多了一层：如果产品能把用户的情绪和情感需求留在自己平台上，哪怕竞争对手功能更强、价格更低，用户也不会轻易走。

现场还有一个关于具体投资标的的问题，涉及一个分拣机器人项目。投资时最看重的是一个具体明确的场景：仓库里的服装分拣。家务这类场景的自动化还差得远，但电商服装仓库的分拣相对容易实现，因为服装包裹形态固定、重量轻，而这类仓库通常需要大量人力，劳动强度也大——唯品会一个仓库就配了几千名相关岗位的员工，机器人替代的潜力不小。这个项目最初的应用场景，也是团队一起促成的试验方向。

朱啸虎：现在还是更愿意聚焦在一个具体的、"跳一下就能够到"的场景里，不建议去够明显超出能力范围的方向。如果目标只是比现有能力高出一截、努力一下就能够到的范围，今天的创业公司还值得想一想。

有人问"机器马"这个细分方向怎么看，判断是国内应用场景里确实有机会，比如国外已经有警察骑马巡逻的先例，国内也可以让机器马承担类似的巡逻功能，尤其是在强调科技创新的城市——现场也确认已经有团队在往这个方向探索。

（十一）Panel 对谈：技术派还是市场派

主持人把上一课的主讲人王小川请回了现场，抛出一个想了很久的问题：AI 创业里有技术信仰派，也有市场判断派，在他看来朱啸虎偏市场、王小川偏技术，这条路径的选择，是出于各自的条件限制，还是第一性原理式的独立思考？

朱啸虎：我的判断逻辑比较简单，还是此前提到的那个框架：当技术进步速度快于技术扩散速度时，每发布一个新模型都能带来明显的用户增长和业务提升，这个阶段技术因素是主导性的。但一旦技术进步速度慢于扩散速度，就会回到传统商业判断所关注的那些维度。

王小川先铺垫了一句：这次到场主要是想来学习朱啸虎的分享，还带了学生一起来。接着坦言这是个"容易掉进坑里"的问题。

王小川：如果给自己贴上标签，我确实认为自身的优势更多体现在技术层面。但如果被动接受"技术派"这一标签，可能会在潜意识中形成一种判断，即认为自己不需要关注、不需要重视市场层面的问题，这样反而可能造成误导。因此我认为，对创业者而言，不宜主动给自己贴上这类标签。技术可能是相对擅长的部分，如果在市场认知方面存在不足，应当主动补足这一部分，而不是预先将自己定位为技术派或市场派，这种预设定位可能会限制自身的判断空间。

朱啸虎补了一句：供给端和需求端得一起看，不过前两年投大模型的机构，确实偏技术判断的比例更高一些。判断时机还有个参考方法：完成一个任务所需的 Token 成本降到某个水平之后，应用层面的采用速度会明显加快，这时候就进入市场判断主导的阶段了。

主持人总结说，任何一项技术的发展都是这个规律，所以"为什么是现在"这个问题，值得从第一性原理好好想一想。

（十二）Panel 对谈：方向盘与发动机，北大与清华

第二个问题来自王小川上一堂课的原话，主持人现场把它重新引了出来：技术是发动机，决定跑多快，这是客观的；判断是方向盘，决定往哪儿开，这是主观的。从创业和投资的角度分别看，到底是方向盘更重要，还是发动机更重要？

朱啸虎：我认为这与电动车的发展历程有一定的相似性。此前普遍认为发动机更为关键，但电动车的出现使得动力系统的复杂度大幅简化，情况随之发生变化。所以关键还是要看具体的时间节点。当下最稀缺的要素，往往就是当下最重要的要素。

行业的历史数据可以佐证这一点：互联网鼎盛时期曾有数千甚至上万家企业，今天还活着、还有点规模的不到二三十家。再往细分赛道看，情绪价值、角色扮演这类产品，中国市场最初只有三家在做，后来投资一落地，跟进者迅速涌进来，今天全国可能已经有上百家在做这个方向。能不能复制成功不是简单的事，但当前模型能力本身的差异已经相对有限，怎么把模型用好，这里面差异空间很大。

主持人提到，此前一篇专访里朱啸虎说过"跟主流投资方向偏 15 度"，他给出的解读是：这个偏角代表了判断层面跟多数投资人的差异，偏 15 度、45 度、90 度分别对应完全不同的策略选择，15 度体现的是方向和速度之间的一种平衡。

王小川随后分享了自己拉得更长的一段观察。

王小川：2020 年大模型技术出现之后，中国企业总体上处于跟随者的角色。当时可以理解为尚不具备明确的"方向盘"，行业整体处于跟随海外技术路径推进的阶段。这一情形在互联网发展历程中也曾出现过：互联网早期，中国同样长期处于跟随阶段，随后逐步在应用模式层面形成了自身的领先优势，此次大模型发展的路径与当年存在一定相似之处。

哈萨比斯有个比喻被转述了出来：美国团队现在更像是拿着工具在丛林里劈路，很艰苦；中国团队跟在后面走，速度反而更快。所以在当前大模型技术路径的选择上，中国更多是在做"发动机"，靠低成本快速跟进，而不是在做"方向盘"。

王小川还讲了一段"偏得太多"的亲身经历：2023 年初跟投资人交流，说大模型来了，可以往下造 AI 医生、为生命建模型，那时候市场判断大多偏 15 度，自己偏了差不多 90 度，能认可这个方向的投资人不多。结论是：偏离共识的幅度越大，需要的判断能力和执行能力也就越高。马斯克也被拿出来举例，判断方向跟多数人明显不一样，但最后还是能把方向盘控制住。

即便是今天融资规模到了几百亿甚至上千亿的头部创业公司，多数也还在"发动机"状态，没有真正形成自己独立的"方向盘"判断。

话题接着转向一个讨论比较多的观察：王小川提过，互联网发展阶段北大在这件事上做得比清华好，现在情况反过来了，这背后有没有文化层面的差异？

王小川：举个例子，遇到一件事没做顺，清华同学会说"我自己修为还不够，我要自强不息"；同样一件事，北大同学会说"这个世界有问题"。所以北大是在找方向盘，说往哪边走；清华是在修自己，练发动机。互联网时代很多创新靠的是需求发现，那时候北大做得好；这一轮硬科技，方向上没那么多可选的，更多要靠技术本身的突破，所以现阶段发动机比方向盘更吃重。

还有一段更具体的历史观察：互联网时代，"北大的 CEO，清华给他打工"，李彦宏做搜索之后，一堆清华同学跟着干，这背后也是需求发现驱动创新的逻辑。

朱啸虎的回应成了这一轮最集中的一句总结：在模型没有差异的情况下，又回到北大的时代了。

这段之后有同学接着问了一个更实证的问题：自己在一家投资机构做兼职，同时也在做应用创业，过去半年一直在跑清华和北大，接触到的项目里清华和北大的比例大概是 7:3，查了数据发现这两年大模型创业公司的分布也差不多，想听两位怎么看。回应和前面关于文化差异的讨论基本一致，这里不再重复。

（十三）现场观众提问

Panel 环节结束后，是约二十分钟的开放提问。现场举手的同学太多，主持人中途定了规矩：每人只问一个问题，30 秒内问完，尽量覆盖更多人。以下按提问顺序整理，问题较多，只保留答得相对完整的部分。

问：中国与美国相比，哪一方的 AI 领域泡沫程度更高？

朱啸虎：从投资回收周期看，目前只要能够购置到 GPU，大约十个月即可回本；美国的回本周期略高，但整体处于同一水平区间。作为对比，2000 年前后的情况是投资回收周期可能长达一年到五年，两者不具备可比性。我的总体判断是，目前整个行业仍处于相对早期的阶段，AI 技术的应用潜力尚未得到充分释放。

王小川：大约一年前，行业内已经开始讨论是否存在泡沫的问题。相比"泡沫"这一表述，我更倾向于使用"相变"这一物理学概念来描述当前的状态。以水为例，当温度达到 100 摄氏度开始沸腾时，物质并不会因此消失或回退，而是转变为一种新的形态。未来人与机器之间的关系，可能会超出目前普遍的预期范围。我个人倾向于不将当前阶段简单理解为从互联网时代过渡到智能时代，这样的表述可能低估了这一变化的整体规模，我更倾向于将其理解为从科学时代进入智能时代，其带来的价值影响，可能超过工业革命所带来的影响。如果确实存在需要关注的风险，美国方面相对突出的问题在于国债压力较高；中国则处于所谓"K 型"分化曲线中，但同时中国每年保持数万亿美元规模的贸易顺差，在整体经济结构上具备一定的抗风险能力。因此，如果说存在潜在风险，可能更多体现在更宏观的全球金融秩序层面，而非 AI 技术本身。

问：模型开源之后，相关利润更多被云服务厂商获取，而模型公司需要承担主要的研发成本，这一模式是否对模型公司不利？

朱啸虎：这是一个很好的问题。我认为梁文锋对这一问题的思考比较清楚：AI 这件事情的体量太大，任何单一主体都难以独自获取全部收益，必须让绝大多数参与者共同受益，即便自身仅能获取很小比例的收益，才有可能真正将这件事情推进成功。同时，目前所有采用开源模型的应用场景中，至少有约 20% 会使用原厂提供的付费服务，仅这 20% 的收入规模，在全球范围内也是相当可观的体量。

问：角色扮演赛道已经出现较为成熟的平台，大型企业也在以零成本的方式布局这一领域，创业公司的突破点在哪里？

朱啸虎：目前这一市场格局属于正常现象。核心判断标准是此前提到的：能否实现用户体验层面十倍以上的提升，这一点非常关键。只有在体验层面实现数量级的提升，产品才有机会实现快速增长。因此关键在于，创业公司能够在哪些具体环节创造出十倍以上的体验差异。

问：AI 玩具类产品容易被大型企业模仿，创业公司如何应对？黑客松项目是否可以算作成熟的创业项目？

朱啸虎：AI 玩具类产品的开发难度实际上并不低。以联网功能为例，通信模组需要嵌入毛绒材质的玩具内部，可能面临信号衰减等具体工程问题。AI 应用创业的门槛很大程度上与 AI 技术本身相关，例如实现良好的记忆能力，这一环节难度较大，目前行业内也尚未出现完善的解决方案。关于黑客松项目，用于验证产品概念（POC）、测试某个具体想法是可行的，但真正意义上的创业还涉及更多环节，需要持续打磨产品体验，创业者需要评估自身能否在关键体验维度上实现数量级的提升，这一点具有一定难度。

问：随着 Agent 技术的发展，未来是否会出现 A2A（Agent to Agent）模式取代现有互联网平台的情况？

朱啸虎：我们此前曾较为慎重地评估过这一方向，最终没有投资，主要考虑是这类系统相对容易受到模型层面的"投毒"攻击影响。

问：我所在的技术型创业公司，主要客户之一是大型企业，同时也为其提供 API 服务，这类发展路径是否具备长期前景？

朱啸虎：如果业务过度依赖少数大型客户或渠道，风险相对较高。这类模式可以作为一门具体的生意维持运营，但如果目标是发展成为规模较大的企业，难度会相对较大。

问：AI 相关的市场需求，主要集中在大型企业，还是更多体现在中小型创业者身上？

朱啸虎："草根创业者"这一表述本身，我不太认同其中隐含的判断逻辑。如果创业者预先认定自身相对他人处于劣势，这种比较本身就难以成立。我认为，创业者应当更关注自身具备的相对优势，而不是预先设定一种劣势心态；当感觉自身缺乏优势时，往往值得进一步思考，是否存在尚未被充分认识到的优势所在。

问：过去一年，市场情绪从相对谨慎转向较为乐观甚至出现"FOMO"（害怕错过）心态，在信息快速迭代的环境下，投资人如何保持有效的认知更新？

朱啸虎：过去两年，行业内的一些现象，我个人确实存在一定的困惑。这与互联网时代的情况有所不同：互联网时代形成的行业共识相对简单，例如早期市场普遍质疑新闻网站、视频网站的盈利能力，但后续行业发展证明，只要能够实现盈利，这类商业模式基本都可以成立，这一判断逻辑相对稳定。而在当前这一轮技术周期中，部分企业的估值逻辑和发展路径，我确实还没有完全理解清楚。

问：AI 硬件产品中，主动性这一特质是否重要？

王小川：目前在我看来，可能需要尽量减少"应用"这一表述的使用。我更倾向于将 AI 技术理解为对人的能力的一种替代，既包括对脑力劳动的替代，也包括对体力劳动的替代。在这一框架下，人本身具备主动性这一特质，因此主动性可能会成为继"记忆能力"之后，在 Agent 或机器人相关研发中另一个关键的技术环节。

问：从更长远的视角看，AI 未来可能应用于哪些主要场景？

王小川：我倾向于从更长远的角度来思考这一问题。事实上，在创业初期我就已经在思考，部分现有的工作场景可能会逐步消失，例如制作 PPT 这类工作，长期来看，PPT 这一形式本身的必要性可能会下降，因为相关内容更多会通过 AI 直接生成和呈现给使用者。过去工业文明所形成的、分工日益精细化的社会结构，可能会随之发生变化。基于这一判断，我认为未来可能会聚焦在三个主要方向：一是提升个体的创造力，因为借助模型能力，个体有可能形成更具差异化的产出，为世界留下具有个人特征的贡献；二是提升个体的幸福感，包括视频、娱乐、陪伴等相关领域；三是提升个体的健康水平。其他一些当前存在的中间性工作，未来可能会逐步减少。

问：具身智能的发展高度依赖数据，但目前较少有企业愿意主动提供相关数据，这一结构性问题应当如何解决？

王小川：目前确实观察到不少企业在尝试采集相关数据，努力深入具体场景收集高价值数据，先基于这些数据完成初步训练，再将机器人投入实际场景验证。但目前的核心问题在于，具体需要采集哪些类型的数据、采用怎样的算法路径，行业内目前还没有形成清晰的共识。

朱啸虎：如果下一代模型的能力确实能够达到相应水平，理论上有可能不再依赖大规模的人类标注数据。目前这一技术方向整体上仍处于高度不确定、尚未收敛的阶段。

问：AI 是否有可能实现科研创新的自动化？

王小川：AI 参与科研创新这一命题，本质上是在 AI 逐步成为人类"伙伴"角色之后，才可能真正实现的一个相对靠后的应用方向。在这一过程中，AI 有可能触发大量新的创新方向。目前行业内存在一种观点，认为创新能力难以被 AI 替代，创新仍需依靠人类完成；但我认为，大量具体的执行性工作确实会被 AI 逐步替代，创新本身仍会持续存在，只是人在创新过程中所承担角色的价值权重可能会有所下降。

问：在当前房地产行业下行、国有资本更多参与市场的背景下，与此前相比，投资人的整体感受发生了哪些变化？

朱啸虎：目前我们更关注的是投资退出这一环节的可行性。此前提到的"偏离共识 15 度"这一判断标准，本质上也是在考虑退出的可行性：如果偏离共识的幅度过大，未来退出和上市的难度都会明显上升。将偏离幅度控制在约 15 度左右，意味着投资标的仍处于相对主流的赛道范围内，判断仍具备一定的可验证性，退出渠道相对通畅，同时也具备一定的商业化基础。

开放提问现场比较热闹，经常几个人同时说话，录音转写在这一段的识别质量也明显下降。以上只收录了问答关系清楚、回答相对完整的部分，还有一些因为主语不清或者答非所问的片段没有收进来。个别提问者提到的院系和身份，按本人现场说的保留，没有再核实。

（十四）课程结束语

主持人收尾时说，这学期后面还有不少嘉宾，每位同学都会有机会在课堂上提问；能跟嘉宾一对一交流，也是这门课的一个重要特色。课程容量有限，希望入选的同学能真的把项目推进下去，将来成长为优秀 AI 公司的创始人或联合创始人。

（十五）下期课程预告

《AI 创业与投资》课程每周三持续更新，下一课的分享嘉宾与主题，将在本账号中第一时间公布。