AI创业老兵的二次跃迁
印奇坦言，自己已踏入AI行业近十五年，是典型的“AI创业者老兵”。他早年以计算机视觉（CV）为技术主轴，在旷视科技奠定了软硬结合的组织路径与B端商业模式；而如今，他选择以董事长身份正式加入大模型公司阶跃星辰，标志着其职业生涯的又一次关键跃迁。这一变化并非偶然，而是源于对技术本质的持续判断：ChatGPT的出现不仅是一次局部突破，更是一场席卷整个AI底层架构的革命性变革。他回忆道，最初对大语言模型持谨慎态度，但经过半年深度体验与内部技术研讨后，确认其已超越语言范畴，成为多模态、物理世界交互乃至AGI（通用人工智能）演进的关键基础设施。
“作为一个AI创业者是不得不入局的一场战斗吧。” “它其实是对于各个领域，包括语言、多模态，甚至是物理、巨声这些，可能都是最底层的技术。”
他强调，阶跃星辰的定位并非在旷视体系内延伸，而是一个全新的、研究驱动的创业平台——旷视已形成高度成熟的软硬结合组织结构，难以承载大模型所需的高投入、长周期、强探索性研发节奏。因此，阶跃星辰的诞生，本质上是为AGI使命打造一个独立、专注、可快速试错的新载体。
阶跃星辰：从阶跃函数到星辰大海
“阶跃”之名，源自数学中的阶跃函数（step function），象征着从量变到质变的非线性跃迁——这正是深度学习网络中非线性叠加所蕴含的智能本质。而“星辰”则承载着AI从业者对AGI的终极想象：技术探索必须有‘星辰大海’的格局与耐心。印奇指出，阶跃星辰的双重使命从Day One就已明确：其一，成为中国的基础模型（foundation model）领导者；其二，构建商业闭环，以终端场景为落点。无论是To B还是To C，其商业化路径始终围绕“大模型+终端”展开，如智能驾驶、机器人、手机等高价值场景。
这一战略也自然衔接了他当前的另一重身份：千里科技董事长。作为A股上市公司，千里科技聚焦AI与车的融合，涵盖智驾、智舱、Robotaxi等方向。印奇将两者关系概括为“大脑与终端”的协同：阶跃星辰提供底层大模型与AI能力，千里科技则负责将其嵌入真实物理世界的智能终端系统。这种结构并非割裂，而是高度连贯——从模型研发、产品化到落地，形成一条完整的AI价值链条。他坦言，自己约80%以上时间投入于技术与产品，两家公司虽身份叠加，但逻辑统一，本质仍是“AI native”的持续深耕。
AGI路径：大脑、身体与物理世界
印奇的技术愿景根植于对AGI的坚定信念：真正的通用智能必须与物理世界深度交互，而非停留于数字或语言空间。他深受Jeff Hawkins《Unintelligence》一书影响，认同智能演化的底层逻辑应以脑科学与进化论为基石——从皮层发育到新皮层扩展，从生存本能到高阶推理，任何跳过物理交互阶段的AI路径都是不完整的。因此，他坚持“AI+物理世界”的融合路径，并将机器人视为终极载体：“最终肯定是个机器人啊！”
不过，他清醒地意识到，重构一个新物种需分阶段推进：先以车、手机等成熟终端为“大脑”训练场，逐步构建可迁移的通用能力，再向更复杂的具身智能演进。他预计，具身智能（embodied AI）将是一个约五年周期的长赛道，需耐心布局。目前，阶跃星辰已在孵化终端公司，进一步夯实“模型-终端-反馈”闭环。他强调，技术路线的选择不是理想主义，而是对智能本质的务实回应——唯有让AI在真实世界中“成长”，才能真正逼近AGI的彼岸。
从终端切入：AI与硬件融合的战略路径
阶跃星辰的战略并非一蹴而就地构建“巨身”（即终极AI计算平台），而是采取分阶段演进的路径：以车、手机、穿戴设备等终端为起点，逐步构建大脑能力，最终实现更复杂的AI系统。其中，车是第一个切口，其次是手持与穿戴类消费电子设备，而“家”则被视为未来“巨身”核心场景的潜在载体。这一“人车家”逻辑背后，是AI与终端深度融合的大趋势——未来硬件将不再是单纯的信息展示载体，而是AI Agent的具象化实体，形成“硬件+模型+软件”三位一体的服务闭环。
“未来的硬件更像是一个Agent的一个实体化的一个存在，且它未来会其实是一个AI服务的闭环。”
“硬件、模型、软件本身就是一个三位一体的东西。”
这一路径也决定了阶跃的商业化方向：必须围绕软硬结合的C端场景展开，中间可辅以To B服务，但最终落脚点必须是AI+终端。相比纯To B或纯To C软件应用，软硬一体模式具备双重优势：一是能避开大厂在数据飞轮和用户规模上的碾压式优势；二是硬件领域尚未形成绝对垄断，为创新公司提供了上牌桌的机会——尤其在AI重新定义交互方式（如语音、多模态）后，屏不再是硬件形态的决定性因素，千万级量级的创新硬件品类将大量涌现。
超长链路中的残酷淘汰赛：本质竞争力与商业模式的双重筛选
当前AI创业被描述为一场链条极长、节奏极快、竞争极烈的残酷淘汰赛。其挑战体现在三方面：一是人才密度空前，全球顶尖聪明人集中于此；二是资源投入强度史无前例，基础研发动辄百亿人民币起步；三是商业化节奏高度不确定——哪些场景先爆发、哪些后成熟，尚无清晰答案。
面对如此长链路，阶跃认为必须抓住两个原点：第一是本质的技术竞争力，即在基础模型层面建立不可替代的差异化优势（无论是全面领先还是局部突破）；第二是商业模式的清醒选择——关键在于“做排除法”。
具体而言，以下路径被明确排除： - 基模公司+To B服务：基模投入巨大，而To B变现周期长、天花板低，难以形成正向现金流； - 基模公司+纯To C软件应用：大厂在用户、数据、数据飞轮上占据绝对优势，创业公司极难突围。
因此，阶跃坚定选择以终端为牵引的软硬一体路径，既依托基模的技术深度，又通过硬件载体构建真实场景闭环。这种路径虽非最短路径，却是唯一可能穿越周期、建立可持续壁垒的路径。
“这是一个逐渐进入决赛圈的这样一个过程。现在到哪个圈了？我感觉现在可能赛程过半吧。”
模型开发的‘推拉平衡’：场景驱动下的技术理性
阶跃在模型研发上坚持“推拉平衡”理念：一方面，底层技术仍在快速演进（如从模仿学习到强化学习），需要持续投入保持技术前沿性；另一方面，场景牵引正变得愈发关键——模型尺寸、架构、效率必须服务于具体终端场景。
以终端为例，阶跃的目标并非盲目追求参数量或单一benchmark排名，而是确保： 1. 基础模型水平世界一流； 2. 架构设计高度适配端侧部署（成本、延迟、功耗）； 3. 在核心场景中实现性能-效率-成本的最优平衡。
这标志着大模型公司正在从“通用技术竞赛”转向“差异化BAT”（Big bets）竞争：阶跃的BAT是基模+终端。与他人不同，阶跃不追求“先做模型再找场景”，而是从终端场景反推模型需求，形成闭环迭代。
“阶跃的BAT是终端。”
泡沫与人才：量变到质变的行业现实
在当前AI热潮中，泡沫的体现主要集中在两个核心指标上：部分公司的非理性高估值与核心研发人员薪酬的大幅跃升。受访者指出，从AI 1.0时代至今，顶尖人才的薪酬普遍上涨了5至10倍，尤其在硬件编程、大模型研发、量化金融等方向形成高度重叠的人才竞争格局。值得注意的是，中国优秀华人人才的待遇已基本达到“人民币换算美元”的同等水平，反映出全球人才市场的趋同性。受访者强调，技术演进本质上是连续性的量变积累，而非颠覆性断裂——即便大语言模型（LLM）展现出强大能力，对早期CV等方向也并非“取代”，而是通过阶跃函数式跃迁重构技术路径。正如其所说：
‘我一直相信的一个观点是连续性，没有什么颠覆性的东西，就是如果颠覆，只是说你可能缺少了一些前序的信息。’
‘它确实会量变到质变，所以就又像阶跃函数一样，就是啊，你在这个领域持续的累积之后啊，可能很多时候确实跟原来的认知是不一样。’
组织重构：为‘一模型覆盖全场景’而生的工程体系
面对大模型工程化挑战，阶跃星辰进行了三方面关键组织变革：其一，整合算法与工程团队成立统一的‘算法工程组’，打破原有小组内‘打杂式’工程支持与平台级工程脱节的困境；其二，将数据体系直接汇报线调整至算法负责人，强调‘数据决定模型70%~80%上限’，推动算法人员深度参与数据采集、清洗与标注全流程；其三，围绕‘one model, many applications’架构，设计‘1+N’应用场景协同机制，确保核心模型与文本创作、动态生成、陪伴交互等子场景形成高效反馈闭环。受访者坚信，未来只有‘一个大脑’能主导全局，因此‘视觉模型’‘物理AI’等垂直模型终将被基座模型吸收——多模态能力正是阶跃星辰的核心优势。
硬件牵引：从智驾到穿戴设备的物理世界闭环
阶跃星辰的硬件落地路径清晰：首站聚焦汽车场景，包括智驾（VLME、多模态、世界模型基座）与座舱超级助手（类特斯拉/Grok方案），并计划向创新性手持与穿戴设备延伸（非传统手机形态）。其终极构想是构建一个融合数字空间与物理空间数据的大一统模型——物理数据的稀缺性（尤其室内精细化人机交互数据）成为关键瓶颈，而数据来源将依赖两大路径：规模化平台采集与可穿戴设备感知网络（如眼动、多传感器连续流）。受访者坦言，机器人数据的获取尤为困难，受限于构型、传感器标准尚未统一，且当前模型水平仍处于‘GPT-1/2阶段’，远未达GPT-3.5临界点。他补充道：
‘你现在投入到阶跃一周有多少时间？投入到千里一周有多少时间？我觉得很多事是融合的，所以不用特别强调两边怎么划分。’
模型定位与竞争格局：差异化三关键词
阶跃星辰的模型战略可凝练为三大关键词：基模（Base Model）、全模态（Full Modality） 与 VLA（Vision-Language-Action）。其中，基模被视为‘means everything’，是技术能力的终极体现；全模态（文字、语音、图像）是人机交互的底层刚需；VLA则强调将车端、机器人端、终端的运动与执行数据纳入模型训练闭环，形成物理世界理解的独特壁垒。受访者指出，当前国内大模型同质化严重，多数公司陷入‘编程能力’内卷——虽在技术训练上有价值，但商业化空间已被大厂与开源生态（如DeepSeek）挤压殆尽，新创公司难以突围。他直言：
‘编程这个赛道就跟Chainbot这个赛道一样，新公司碰都没有任何意义啊。’
关于竞争，受访者明确将小米、字节、华为等视为‘同层级优秀玩家’而非直接对手，强调自身聚焦技术闭环与场景深耕，硬件分散性与生态开放性为创业公司提供了差异化生存空间。
AI产品形态的演进与ChatGPT的阶段性
当前AI应用的商业化路径正面临严峻挑战，尤其在To C软件赛道，如编程助手、AI生成内容（AIGC）等场景，由于大厂价格战激烈、开源模型（如DeepSeek）拉高行业水位，导致新入局者几乎无生存空间。“编程这个赛道就跟Chainbot这个赛道一样，这个新公司碰都没有任何意义”——这并非悲观判断，而是对行业现实的清醒认知：当上下游环境高度整合、边际成本趋近于零时，单一功能型应用难以建立可持续壁垒。
ChatGPT虽已成为现象级C端超级应用，日活月活数据庞大，但其是否构成“长期产品形态”仍存疑。访谈者认为，用大模型取代搜索是确定性趋势，但产品形态尚未收敛；当前的对话框交互模式，尤其在嵌入AIGC能力时，用户反馈交互不自然、转化率低，说明它更像一个“阶段性成果”，而非终极方案。OpenAI早期也将ChatGPT视为一个优秀Demo，而非终点。
“如果你要问OpenAI的人，他当年做ChatGPT，可能更多觉得它是一个很好的demo。”
“坦诚讲，我觉得ChatGPT的可能不是一个特别本质的、长期的AI的产品形态。”
软硬结合的战略定力与后发入局的挑战
面对To C软件赛道的红海，团队早已做出明确战略取舍：“我们不会独立做一个C端的应用，纯软件。如果我们做的这软件一定是跟我的硬件做配套。” 这一决策并非临时起意，而是自创业第一天就确立的“软硬结合”路径——既源于对AI领域长期实践的观察（过去十来年真正成功的多为软硬融合产品），也契合团队的技术兴趣与差异化能力。
入主阶跃星辰（原“千里”）则代表另一维度的战略跃迁：从技术驱动的“先发模式”转向场景牵引的“后发模式”。与以往“拿着锤子找钉子”的技术推演不同，智驾（RoboTaxi）赛道已基本形成共识：以模型驱动为核心路径（特斯拉路线），融合传感器与产品设计，技术栈趋于收敛。尽管早期技术积累部分失效，但商业模式与技术路径的清晰化，反而为后发者提供了窗口期。
“我觉得这个时候下场其实是我们看到还是一个很好的机会，也可能是一个最后的窗口期啊！”
“后发其实比的是很综合的一些能力啊，包括组织力啊，这也很重要啊。”
生态协同的双轨管理与行业终局展望
管理阶跃星辰（专注AI大模型底层）与千里（专注智驾系统）的双轨模式，并非简单分权，而是基于“生态协同”的理念：“不同文化的组织应该相对独立，否则会把不同的文化吸在一起，变成可能从任何一个角度不够优秀的一个组织。” 但两者共享AI原生团队、技术判断力与商业化敏感度，使协同效率远高于外部合作。
对于智驾行业终局，判断将高度头部化：“最终一定会形成，我觉得三家左右吧的核心供应商。” 理由在于——新能源车整体利润率承压，而智驾系统研发成本极高，必须依赖规模化摊薄成本；同时，安全关键系统（如智驾）更可能集中于专业Tier 1（如博世模式），而个性化强的场景（如Robotaxi运营）则倾向车企自研。华为已占一席，其余两到三家将由具备技术纵深与生态整合能力者争夺。
“所有的科技公司都会碰到。……创业公司首先第一还是要专注吧，然后第二点就是还是要有你自己的核心竞争力。”
创业路径的反思：从技术驱动到用户中心
在回顾旷视科技的发展历程时，创始人坦承创业本质上是实现个人终极目标的手段——即通过AI技术，在技术、产品与客户价值三个维度上做出真正有价值的东西。尽管旷视已取得显著成就，但团队在产品与商业落地层面仍未能完全达到预期。尤其在从“1.0”到“2.0”的演进中，虽无剧烈情绪波动，但对战略方向的复盘却极为清醒：早期选择切入安防领域，实属“年少轻狂”，因团队在组织文化与能力结构上并不匹配该行业。真正值得敬佩的是海康威视这样的企业，其深耕与系统性构建能力远超初创团队的短期冲击力。
“其实就有些牌可以不上，对啊。” “安防其实牵扯了很多团队的精力……打完安防这场仗，对组织的锻炼也是很大的。”
团队反思指出，早期技术背景成员普遍处于一种与现实世界略有脱离的状态——他们热爱解题与技术本身，却缺乏对具体行业痛点的直觉与热情。这种“技术驱动惯性”导致旷视在多个领域（如金融、游戏、安防、机器人）“全线开花”，却因压强不足而难以建立绝对优势。如今更清晰的认知是：必须转向双轮驱动——技术是底层信念与工具，而用户价值与场景深耕才是出发点与归宿。这不仅是战略调整，更是团队认知的进化：从“用锤子找钉子”转向“带着用户需求去找技术方案”。
战略取舍的关键：想做、能做、可做的交集
旷视在多个赛道上的尝试，暴露出一个共性困境：过度追求“更大市场”而忽视自身能力边界。以安防为例，其本质是以to G为核心的B端市场，对软硬件整合、渠道建设与政府关系提出极高要求，而旷视仅在AI算法层面具备优势，硬件与市场能力储备严重不足。更关键的是，创始人坦言对安防行业本身缺乏内在驱动力——“不够想做”，导致团队在投入上难以持久。相比之下，理想汽车于2019年果断All in智能驾驶的案例，印证了聚焦与取舍的价值：在资源有限的前提下，集中兵力在一个方向上“生根”，远胜于在多个毛细血管上浅层渗透。
“过去十年如果只打一场仗，应该打车这场仗。” “创业是有很大的惯性的，然后你在那个阶段……大家目标还是很想。”
团队最终提炼出战略决策的三要素框架：想做（内在驱动力）、能做（能力匹配度）、可做（市场窗口期）。三者交集出现时，才是最佳进攻时机。过去十年中，虽多次面临抉择节点（如2016–2017年切入汽车赛道），却因资本预期、惯性思维与“怕错过”的焦虑而未能果断行动。如今回望，车智能化仍是未来十年最具潜力的主战场，而旷视2.0战略正试图以车为入口，逐步向C端场景延伸——无论是Robotaxi还是终端产品，其底层逻辑仍是以C端需求为终点，灵活选择B端或C端的交付路径。
上市不是目标，而是过程
回望过去十年AI创业的路径，一个核心问题浮现：上市不应成为创业的终极目标。虽然资本市场常被视为关键的“活下去”的中间节点，但其本质只是阶段性成果的体现，而非企业存续的根本。真正决定企业长期价值的，是能否构建“产品—利润—技术反哺”的良性闭环——即持续产出优质产品，形成稳定经营与盈利，并用利润反哺前沿技术投入。许多公司在上市后反而逐渐丧失核心竞争力：短期业绩压力迫使其放弃长期投入（如大模型基础研究），组织动力与战略定力随之减弱。正如郭士纳所言，CEO的核心职责是在长期与短期之间做出艰难取舍，并顶住压力坚持长期正确的事。这说来简单，做来极难。
“上市真的不会改变任何本质的东西。本质应该是什么呀？本质我认为还是还是业务，就是你真正好的产品。”
“CEO就是要能顶住压力去做那些长期正确的事儿，这事儿是说的很容易，但做起来会非常非常难。”
选对战场：车是通往巨深智能的唯一路径
在技术方向的选择上，语音、手机影像等赛道虽有积累，但天花板明显：手机OEM体系高度集中，第三方供应商的份额上限有限（如头部玩家在十亿级市场中或仅能切得五至六亿）；而To C的AI 1.0应用因缺乏用户触达基础，难以突围；To B则受限于客户集中度与总盘子规模。相比之下，汽车行业具备三大不可替代优势：市场规模足够大、生态相对分散、对供应商开放度高，是唯一能支撑“十亿→百亿→千亿”级成长的场景。更重要的是，智能驾驶不是终点，而是通往“巨深智能”（即具身智能）的必经之路——人形机器人或类人构型虽为终极形态，但其落地前提是先在车规级场景中完成感知、决策、控制等能力的工程化验证与规模化验证。
“打车这场仗不是为了打车，是为了打巨深智能。”
“巨深智能太远了，你得活到那个时候。五到七年吧。”
聪明人太多，反而是组织的挑战
旷视曾汇聚当时AI领域最顶尖的人才（如数学、物理竞赛金牌得主），但实践证明：“聪明”本身并非稀缺资源，真正稀缺的是“长期主义型聪明人”——即兼具高技术能力、强协同意愿、使命驱动与正确方法论的人才。许多聪明人易陷入两个误区：一是追求短期捷径（如从科研转向金融），二是迷信“巧办法”而轻视扎实复利。组织若只重智力、忽视适配性，极易导致协同失效。因此，现代AI公司的人才筛选标准已从“技术强”升级为“技术+协同+价值观”三位一体：拒绝高EGO个体，鼓励算法与系统人才交叉成长，构建“moonshot项目”所需的集中攻关能力与bottom-up创新活力的融合机制。下一代科技巨头的诞生，将取决于能否解决“高密度聪明人如何高效协同”的组织难题。
“聪明人其实往往不能用笨办法长期做……其实往往做事的正确的方式用笨办法，其实也不叫笨办法，是用更加常态化的方式，很扎实的去做一件事情。”
“太多聪明的人在一起会成为一个问题吗？会成为问题，但这我认为也是下一代科技公司需要解决的问题。”
四小龙困局与AI商业化早期的残酷现实
在AI 1.0时代，商汤、依图、云从、旷视这“四小龙”虽各有亮点——如商汤与云从顺利上市，依图在安防领域产品与口碑俱佳——但整体未能实现规模化突破。这并非个体失败，而是时代阶段的集体困境：彼时AI尚未形成清晰的商业化飞轮，技术门槛虽因深度学习而降低，但缺乏可持续的商业模式，导致企业陷入“资本输血—低价竞争—再融资”的恶性循环。正如访谈中所言，当技术壁垒下降、资本投入却持续加码时，若无强健的商业闭环，必然难以产生正向利润。这种环境下，企业往往被迫将重心转向资本市场而非客户价值，形成一种“不得不”的非理想竞争状态。
“AI本质上是降低了技术门槛……如果你没有非常好的商业模式和商业飞轮，你会一定会陷入这样的一个境地。”
“在商业的战场上，你可能很难选择以什么方式战斗，但你必须得选择就是活到最后。”
技术信仰与价值务实：创业者的底层罗盘
对比早期AI创业者的路径选择，访谈者强调技术信仰与价值务实是其团队最珍视的两大核心价值观。技术信仰意味着对技术本身的热爱与长期主义——如科研中“前三年不发论文、专注找大坑”的指数型成长路径；价值务实则呼应了步步高系所倡导的“本分”理念，即一切价值创造（客户、供应商、团队）必须扎实可感。这种组合使团队区别于“拿着锤子找钉子”的技术投机者，也解释了为何即便部分核心成员已离开旷视投身新战场（如月之暗面），原团队仍能持续吸引人才回流，并支持其在新平台成长。
“我一直在说，让我感到成就感和幸福感的两件事：一是把AI做成，二是看到聪明且价值观正确的同学获得很好成长。”
“真正有技术信仰的公司是非常非常少的……而价值务实，是给客户、供应商、团队提供扎实的价值。”
AI 2.0的范式迁移与战略聚焦
与AI 1.0相比，当前大模型时代存在两大本质差异：其一是技术视角从“小模型”转向“大模型”，工程能力成为硬门槛；其二是商业重心从to B转向to C，因大模型的通用性与普惠性真正释放了C端潜力。在此背景下，阶跃星辰与千里科技采取“大脑+终端”战略：大脑（核心模型能力）不可舍弃，终端则聚焦车端与手持/穿戴设备，构成最小可行闭环。访谈者坦言，自己更擅长技术产品驱动的战役，而非纯人效管理；而面对超长链路的残酷淘汰赛，“慢就是快”的反直觉认知与“技术+产品+商业”三者交集的战略定力，是穿越周期的关键。
“我觉得阶跃千里是一体的，他们俩会形成非常好的联动。”
“未来五年左右，学习范式、记忆系统、多模态与时间模型这三件事都能被较好解决——那时，AGI大概率就能实现。”
世界模型：场景驱动的系统工程
当前世界模型的发展仍处于大系统工程主导的阶段，其核心挑战在于：世界模型的数据并非天然存在，必须依赖具体场景、数据积累与应用反馈形成闭环。这意味着，世界模型无法脱离领域场景实现泛化，而必须在特定垂直领域内持续迭代优化。例如，特斯拉已在智能驾驶领域初步落地世界模型；国内如“千里”项目也具备一年内构建该领域世界模型的信心。但更通用的世界模型仍需长期探索——它要求技术、数据、场景与应用四者深度耦合，缺一不可。技术路线必须与真实业务场景强绑定，否则容易陷入“为模型而模型”的空转陷阱。
“世界模型的数据不天然存在，所以这里面其实都需要有数据、有场景和有应用这三者要形成一个循环，才能形成好的世界模型。” “他还是得在一个领域内不能完全泛化。”
大模型公司的胜负手：技术投入与商业闭环的双重校验
未来三到五年，大模型公司的胜负手将集中于两点：一是能否持续投入并构建世界顶级模型的研发与组织能力；二是能否在三到五年内形成可支撑长期投入的商业闭环。技术层面，预判年研发投入需达30–50亿元起步，五年累计超百亿元；资金来源则需综合考量一级与二级市场。但更关键的是反向验证：能否通过自有核心应用，每年产生30–50亿元利润，反哺技术投入。这本质上是一道数学题——没有利润闭环，再强的技术也难以为继。
在中国市场，To B模式尤其挑战重重：其本质是To G驱动的市场，政府与央国企构成B端主体，采购逻辑复杂、决策链长；而金融、互联网、OEM等头部客户自研能力强，外采比例低。中小B客户则更趋近C端行为，因此“把To B当To C做”反而更有效——例如钉钉、飞书的成功，正是依托小B的C端属性实现产品驱动增长。这也印证了：在中国，脱离产品力的To B扩张难以持续。
“反向来讲，就是在三到五年之后，能不能有一个核心你自己的应用，能够让你有可能每年有三十到五十亿的利润，就这是一个数学题，就这两件事情都得满足才有机会走到那个阶段。”
创业者的自我迭代：从技术执念到系统平衡
回顾十余年的创业历程，最大的成长并非某个高光时刻，而是持续克服自身短板的过程——技术判断力虽强，但管理、资本市场、销售等能力需后天系统构建，这一过程痛苦却必要。创业阶段可大致分为三段：2013年前为早期探索，2013–2019年坚定All in To B（金融、安防等），2019年后转向资本市场与商业化落地。如今进入新阶段，核心认知发生两大转变：一是从“乐观”调整为“谨慎乐观”，更理性预判困难；二是建立“双轴思维”——技术乐观主义与商业以终为始的倒推逻辑需持续拉扯、动态平衡。
在这一框架下，阶跃星辰的路径逐渐清晰：以AI+车为第一闭环场景（从智驾、座舱到Robotaxi，依托吉利共建共生体）；以核心技术为驱动，拓展第二终端体系。这既是对“技术+商业”双轮驱动的实践，也呼应了姚班时期形成的底层认知：站在世界顶尖水平思考问题，敢于挑战“史上最难的题”。如今所解之题，已非单一技术突破，而是一道“超多元方程”——需在技术、产品、组织、商业间寻求动态最优解。
“我倒觉得对结果没有那么执念，而是说在这过程中，我有没有真正把我认为正确的方法论能够实践下去，就是我觉得这个过程很重要。”