共识与非共识：AI 2.0创业的八大真问题

AI2.0的创业与创新，正在从技术探索为主，转向拓展技术边界的同时，加速应用落地。

从ChatGPT时刻和GPT-4，再到DeepSeek，从翻译到编码等，AI在大语言模型相关领域轻松完成了以往普通人需要花费巨大精力学习、解决的问题，并且以开源加速了技术的部署；但同时又创造了更多令人困惑的技术与商业问题，从数字空间到物理世界的问题。很多问题，即将发布的GPT-5也是难以解决的。

启明创投主管合伙人周志峰认为，今年 AI 处在一个“AI技术与应用的共振周期”。在刚过去的上海世界人工智能大会（WAIC）上，不少科技巨头、风投机构与初创企业，在分享与争论中，形成了这些问题的共识和非共识。

启明创投主管合伙人周志峰

启明创投举办的创业与投资论坛——创业投资开启AI技术与应用共振周期，汇聚了它所投资的AI企业，来自基础设施、具身智能、通用机器人、AI终端、AI教育、AI药物发现等通用和垂直领域。这些创始人是如何看待并解决这些问题，初步形成了哪些思考与方法，我们从他们的发言与讨论中，总结出了创新过程中必须直面的八组真问题。

AI效率VS组织适配

这是一个贯穿历次技术革命始终的话题，在大模型时代同样被引爆了。尤其是科技巨头一边推进人员调整，一边加码AGI研究，更加剧了对这一话题的争论。

微软近期的一项研究表明，在用户与Copilot的互动中，AI完成的任务与用户请求往往并不重合，用户的目标也不是寻求最优解，而是希望免去大量重复劳动。这似乎是指向了 AI 在提升工作效率方面的重要作用 —— 通过承担重复性工作，让人们能将精力集中于更具创造性和价值的事务上。

从实际业务来看，AI 的应用呈现出明显的效率优化特征。AI制药初创企业英矽智能表示，目前公司70%以上的代码已经由大模型生成。内部的工程师负责把这些代码再跑一遍，看看是否有错误，进行一些修改。而且，代码只是AI制药流程中的一环，更关键的研发决策，仍需人类科学家。

英矽智能联合首席执行官兼首席科学官任峰将AI制药划分为五个阶段，目前处于第二阶段，即从传统工具辅助药物设计和发现，向部分自动化——分子生成过渡。随着AI渗透到更多环节，行业将进入第三阶段，而要迈入第四阶段，就需要针对性训练的超级智能体来主导决策环节。但是，训练这样的智能体，目前面临两大挑战，一是高质量预训练数据的不足，二是垂类科学家对专有模型的反馈，这样的人才少且反馈成本更高。

在这个意义上，通过AI将服务业转变成制造业，是行业长期愿景。与爱为舞创始人兼CEO张怀亭相信，算力成本会越来越低，而人力成本会越来越高。要规模化地提供个性化服务，算力替代人力将成为更具性价比的路径。在“替代”范式下，业务增长有望呈现指数级扩展。在通往最终阶段的过程中，AI表现或许仍没有达到顶级人类的水平，但其平均水准会持续提升，且有望显著压缩人类决策的方差。

正因为转型漫长，组织进化与人才结构重构就显得尤为关键。从业者不能高估短期收益，也不能低估长期积累。AI人才需与专业人才深度融合，先构建稳定业务闭环，再通过AI实现升级与重塑，最终让人机协同成为智能时代的基础运营范式。

通用 vs 垂直

到底是通用为王，还是垂直率先落地，是整个生成式AI商业化路径中最核心、最具分歧的问题之一。

在千里科技董事长印奇看来，打造通用大模型，更像是打造一个巨大的飞轮，启动门槛高、持续投入大，商业模式必须能够支撑每年数十亿人民币的算力成本，否则难以成立。而垂直领域的模型，则更容易形成“一推就转”的小飞轮，能够快速打造出明确的商业闭环。对于平台型软件领域，这是巨头下重注的地方，难以出现初创企业“偷袭”的机会；在硬件领域，很多百万级年出货量的子品类，也可能孕育优质创业机会。

AI制药也是典型的垂直模型案例。与开放式的通用模型不同，专有模型的反馈者只有少数垂类科学家，反馈成本高、知识稀缺，但也因此壁垒更强、价值更高。

无论是通用还是垂直，它的商业价值的真正分野，恰恰在于构建这样的数据与反馈的“飞轮”。张怀亭认为，在完整约束条件的高度可验证的标准化的任务上，模型已经做的比人类好，甚至拿下IMO金牌也不在话下。用户与模型的交互不再产出“新知识”或“新反馈”，所以难以构建数据飞轮。而真正具备“数据飞轮”效应的，是那些目标模糊，高度依赖于用户行为在长期使用中沉淀出的静态特征与动态偏好，才能形成真正闭环的数据反馈循环。

软件 vs 硬件

巨头不仅瞄准了通用模型，也已经在软件领域积累了庞大的用户规模，很容易将创业公司拖入网络效应的竞争之中。软件领域的创业，至今绕不开如何与互联网巨头竞争的问题。

印奇认为初创企业在硬件这一侧存在更多的机会。在硬件领域，AI终端本质上是AI服务、操作系统与硬件三者融合结果。目前智能体、操作系统的定义尚未收敛，为初创公司封装端到端AI服务、构建新交互闭环提供了窗口期。但关键在于找到那些手机与App无法闭环解决的AI场景。例如拍立得类产品的爆火，不在于设备外形，而在于其通过AI生成+物理输出构成了完整的闭环服务体验。

而且，在硬件场景，尤其是具身智能在工业场景中，AI系统面临远超软件的工程复杂度。物理世界容错率低，异常处理无法靠“重启”解决，因此，整个流程的设计必须覆盖它所有的异常闭环。这构成从概念验证到大规模部署的鸿沟。具身智能企业原力灵机联合创始人兼首席执行官、旷视科技联合创始人唐文斌，曾在旷视科技建立了物流机器人业务，他表示快不一定是“快”，稳可能才是真的“快”，因为当机器人被大规模部署和进场之后，如果稳定性存在问题，可能会导致运维灾难，技术的不成熟就需要靠服务去补，将消耗大量技术人员和算法工程师去现场做运维。

技术信仰 vs 商业闭环

没有一项创新技术在诞生之初就具备商业化的确定性。不确定性与对技术的信仰，恰恰构成了初创企业存在的基础。关键在于，如何在市场需求、能力边界与技术可及性之间找到交汇点。它既能承载并验证前沿技术，又拥有足够的规模与明确的需求。

唐文斌就认为，创业团队应判断AI的发展趋势与迭代速度，明确当前模型的能力边界，避免过早陷入某个垂直场景。在技术尚未收敛的阶段，固化路线意味着牺牲泛化能力。技术演进路径应与未来应用问题保持正相关，用唐文斌的话说，就是“梯度为正”，也就是当前技术具备向目标问题自然逼近的可能性，才值得投入。

但还必须考虑可操作性与容错性。印奇强调在决定创业的时候，从技术到产品、到商业化这些基础要素，至少要有个大概的设计，因为真正创业过程中，没有人知道未来怎么样。尤其是在需要更大投入的AI领域，不提前想到相对清晰的商业闭环，就难以支撑持续的资源投入。

张怀亭则提出一条更为务实的渐进路径。当前大模型仍存在幻觉率高、推理不稳定等问题，AI系统必须嵌入在明确的业务闭环中运行，通过逐步替换其中可被建模的模块，逐步实现“AI化”的系统性变革。这要求企业必须能采集高质量的结构化交互数据，并将其有效反馈至模型训练中，实现业务与AI能力的协同进化。

需求在场景里，而不是实验室里。张怀亭认为，许多颠覆性技术的真正应用契机，往往来源于成熟业务的倒逼压力。阿里云与AWS最初就是为了应对电商系统的极限压力而生的。具身智能与机器人企业它石智航创始人兼CEO陈亦伦也提出，应优先寻找“高价值、有规模、有难度”的场景。

这就包括那些上一代技术尚未能彻底解决的问题。陈亦伦认为，制造业既有大量机器人使用基础，又存在难以彻底自动化的深层痛点，可能是具身智能最可能首先取得商业化突破的领域。

发散 vs 收敛

过去两年，具身智能技术显著提速，正进入“越跑越快”的阶段。全身域控制、移动能力等环节已趋近收敛；多模态大模型具备日益复杂的感知、规划与推理能力，且扩展定律尚未见顶；部分零部件也已接近量产形态。

技术收敛是创业者明确方向、投资人控制风险、行业推动落地的关键拐点，这也是启明创投投资AI的底层逻辑。周志峰透露，2012年 AlexNet 引爆深度学习浪潮后，视觉识别迅速走向应用；2020年 GPT-3 出现后，大模型成为主流路径，巨头迅速入场，生态加速成熟。这类收敛过程有助于推动工具链打磨和商业化落地，基于这一判断，启明创投投资了一批AI企业。

相比之下，具身智能尚未形成真正收敛，陈亦伦认为，整体呈现“宏观共识、微观多元”的局面。以 VLA 为代表的端到端、多模态、数据驱动路径正在形成共识，但从算法框架、数据来源、硬件形态到场景优先级，各环节仍待探索，团队仍需各自试错。

具身智能领域的创业者和投资机构，就在这种非共识中信仰未来、落地前行。即便部分技术方向已是共识，也往往是阶段性的，例如，“快慢双系统”就是一种因应当前芯片算力结构与内存瓶颈的架构妥协，虽能提升执行与规划效率，但从长期看，仍有待更统一、高效的通用架构替代。

而具身智能领域的创业魅力，也在于这种依然具备多种可能性的态势，给予像它石智航和原力灵机这样的企业今年入局的机会，并且能在天使轮融到数十亿和数亿元人民币。

AI+ vs +AI

在AI硬件创业中，硬件是否成立、场景是否成立，远比AI能力强大更关键。过往许多AI硬件项目因过于侧重在硬件上叠加AI能力，而忽视了基础硬件的素质，导致用户预期与体验严重错配，商业上难以为继。

耳机是典型案例。未来智能CEO马啸总结称，真正可行的AI耳机产品，必须遵循“5+X”策略：先做好音质、续航、外观、降噪、舒适度等核心体验，这是产品作为“耳机”的成立前提；“X”则是AI能力提供的差异化价值，如AI录音转写、AI摘要、翻译、AI嘴替等独特功能等，必须立足明确场景带来直接效用，然后逐步从“功能”向“闭环”过渡。

相比之下，印奇强调的则是先定义AI服务，而至于硬件则是载体化的。关键在于找到手机与App无法闭环解决的AI场景。原生智能硬件AI Pin的失败恰恰在于，先定义了硬件形态，所提供的AI服务反而并不清晰。他主张在定义一个AI硬件时先定义它的AI服务，“什么样的AI服务装在这个硬件上要比在手机上装一个豆包要好。”

事实上，无论是AI+，还是+AI，最终都将重新定义硬件。即便从已有产品出发，AI功能依然可能深刻改变硬件本身。在将AI引入耳机的过程中，传统的耳机软硬件技术，事实上已经被改变了。原先，耳机设计出来，只是为了收集用户说话时的声音，距离较近；但是，一旦需要更有辨识度更清晰地远距拾音，就需要重新设计技术与组件。

做铲子 vs 挖金子

“卖铲子”并不是所有AI公司的归宿。英伟达之所以能成功，是因为它卖的是通用的token工厂，处于AI价值链最上游，是横跨多个行业、需求稳定、技术壁垒极高的基础设施型产品，而且构建了一个以CUDA为核心的开发生态。相比之下，很多垂直行业的AI工具，比如AI制药平台，往往位于价值链中游，仅服务特定环节，缺乏网络效应和议价能力，容易被集成或“跳过”。

AI作为工具的逻辑，已经逐步成立。英矽智能在其PandaOmics与Chemistry42平台上，曾在18个月内、投入约200万美元，就完成了特发性肺纤维化靶点发现、小分子设计，研发已经推进到临床2a期。这全新的AI工具，相比传统路径，节省了数年时间与上千万美元成本，且在患者中观察到以往药物所不具备的优势。

尽管如此，任峰仍表示，公司最终目标是成为一家以AI为核心技术的创新药企业，而非单纯的AI技术供应商。如果仅提供AI工具，最终会陷入与其他平台的同质化竞争；只有真正进入新药研发的场景中，才有可能获得独特数据、真实反馈、商业分成或溢价。

巨头 vs 初创

无论是通用还是垂直，是软件还是硬件等等，这些问题最终都直接与间接地与一个反复被提出的问题相关：在科技巨头近乎“垄断”的优势下，初创公司还能做什么？

科技巨头在模型、算力、数据、流量、人才、资本等各个维度高筑围墙，许多创业者感到难以突破。但这正是对“创新”的真正考验。它既意味着在发散的技术中找到自己的机会，也意味着更深入地进入具体的场景，形成数据与反馈的“飞轮”与闭环。

科技巨头不是万能的。在马啸看来，互联网巨头的成功路径是快，通过极致效率压缩竞争空间，迅速拿下平台地位。但是，AI领域的很多机会，尤其是硬件领域，需要慢工出细活，是一个对“工程闭环”和“用户体验”要求极高的系统性过程。在这些环节上，初创企业反而可能拥有“耐心的红利”，能够从底层重新设计产品逻辑。

AI硬件独特的价值“锚定”，在于从物理上与系统上打破数据孤岛的困境。这恰恰是传统互联网巨头受限于软件生态所未曾完全实现过的。正如马啸与印奇所预判，硬件或将成为下一代AI操作系统不可或缺的入口。它的初期形态可能仍然发散，但终将逐步收敛。

在这一路径上，AI2.0时代的新的巨头，很可能就此崛起，“下一个iPhone”时刻终将降临。

最后回到AI的基础设施，还有巨大的改善空间，在中国尤其如此，如清华大学电子工程系长聘教授、系主任，无问芯穹发起人汪玉所言，大模型和神经网络的架构、芯片系统多元异构、软硬件结合演进更高效的算力，所有这些牵涉到能源/算力/token更为复杂精密的耦合。

基础尚且如此，AI技术革命，最终形成生产力并惠及社会，仍然是一种加速中的长期耐心创新过程。