硬科技创业者与投资女王的初遇
在播客《Vol.227 具身新贵与投资女王》中，主持人李翔邀请了聚升智能旗下具身智能公司星海图创始人高继阳与今日资本创始人徐新（人称“风投女王”）展开对话。高继阳拥有清华大学电子系本科背景与南加州大学计算机视觉博士学位，曾在谷歌旗下无人驾驶公司Waymo及国内头部企业Momenta任职，于2023年创立星海图；而徐新虽以消费互联网时代的成功投资（如京东、美团、每日优鲜）广为人知，但她近年来持续关注硬科技赛道，星海图正是其投资组合中的一员。
徐新回忆，2023年初春节前后，她带领团队系统性地拜访了当时市场上几乎所有具身智能领域的创业者，秉持“不见森林只见树木是最大错误”的理念。她先与星海图CTO赵航交流，赵航一句“现在公司有个卷王——高继阳”，激起了她的兴趣。次日她便飞赴苏州实地考察，第一次见到高继阳时，他正站在一堆机器人前现场指导硬件改进，毫无PPT、不拘办公室，展现出极强的动手能力与执行速度。
“八个月就把软件第一期搞出来，一个软件背景的人去搞硬件，八个月就搞出来。”
“初生牛犊不怕虎——改变一个行业的往往是个外行。”
战略选择与团队组合的深层逻辑
徐新指出，星海图在2023年做出的两个关键战略选择——“智能定义本体”（即同时掌握大脑与本体）与“先硬件、后大脑”的路径——如今回看极具前瞻性。她强调，具身智能时代对创始人的要求远超以往：既要有顶尖的AI科研能力，又需具备硬件量产经验。她将星海图团队视为“稀缺资源的组合”：高继阳（PhD AI背景，执行力极强）、赵航（资深计算机视觉专家，MIT博士，曾与高继阳同在Waymo共事）、张航（供应链与量产专家）——三人互补性强，且都具备技术愿景（tech vision）。
徐新特别提到，科学家创业本就稀少，而其中真正愿意从零搭建整机+智能系统的更是凤毛麟角。她以大模型领域为例：伊利亚离开OpenAI后，其技术领导力明显弱化；而Anthropic之所以能聚焦突破，正因团队拥有清晰的技术判断力与战略定力——“不能既要又要还要，必须敢于押注并拒绝错误路径”。
高继阳则解释了团队协作的底层逻辑：面对复杂系统，他们采用工程化拆解思维——将问题逐层分解、匹配合适人才、快速迭代验证。这种“边做边改”的敏捷方式，正是其能在极短时间内完成硬件本体开发的关键。
“事情太大太难，一个人做概率不高，几个人在一起概率高很多。”
“科学家创业的稀缺性在于：既优秀，又敢从0到1，还愿带学生一起干。”
行业认知的迭代：链条远比想象中长
随着项目推进，徐新与高继阳均意识到，具身智能的产业链条远比初期预想的更为复杂：“整机+智能”只是两个支柱，背后还涉及数据、场景运营、设备适配、基础设施（如存储与传输）等多重环节。尤其在数据层面，多模态数据量远超大语言模型时代——后者虽参数量巨大，但数据本身以文本为主；而机器人需处理海量视频、传感器流数据，对算力与能效提出更高要求。
硬件端的挑战同样严峻：从动力模组（无框电机、减速器、齿轮加工），到高动态电流需求下的电池设计，再到整机轻量化与材料优化，每一环节都需深入供应链底层。高继阳坦言，正是“胆子大”支撑了初期快速试错；但更重要的是在动态学习中坚守核心战略——方向不因短期困难轻易偏移。
“清华北大不如胆子大？原来清华毕业的人，胆子也大。”
“你看到的不是一个人在创业，而是一群人用工程思维拆解世界。”
具身智能的现状：To B 渗透早于 To C，速度决定经济性
在当前阶段，具身智能已在部分 To B 作业场景中实现落地应用，例如分拣、打包、共包等任务，系统本身“已经 work 了，已经能够转起来了”。但其核心瓶颈在于运行速度仍不及人类操作员——这并非原理性问题，而是软硬件协同迭代与模型能力共同制约的结果。而速度最终转化为经济效益的差距，成为决定商业化可行性的关键变量。
与大语言模型（LLM）的爆发路径不同，具身智能的渗透方式更偏向“静默落地”：它可能正在某家工厂里默默干活，难以像 ChatGPT 那样通过手机 App 一下载、社交媒体一传播，瞬间触达全球用户。因此，其初期定位是生产力工具而非消费产品。C 端应用若存在，也更可能聚焦于陪伴、娱乐等情绪价值场景，而非替代体力或认知劳动。
它的基础的有效性其实已经得到解决。
它的渗透的方式，不是那种 GPT 的方式……它是在哪个厂子里边在那干活呢？
双曲线演进：硬件线性积累 × AI 指数爆发
对比 Coding Agent 的爆发路径，可清晰看到两条增长曲线的差异：AI 应用依托现有终端（手机、Pad）与分发渠道（App Store、社交媒体），呈现指数级增长；而具身智能受限于硬件成熟度，仍处于线性演进阶段——整机尚未定型，供应链与可靠性仍需打磨。
行业成长将分三阶段展开： 1. 第一阶段（研发制造型）：以整机销售为主，年化增速约 30%–100%； 2. 第二阶段（方案订阅型）：在单一生产力场景形成解决方案能力后，增速可达 3–10 倍； 3. 第三阶段（Token 经济型）：当设备规模足够、智能覆盖多场景后，转向通用 Token 服务，增速或达数十倍。
这一路径已被其他生产力技术（如工业自动化）的历史经验所验证。硬件成本下降与智能能力提升将形成“双轮驱动”：硬件制造越来越便宜，而大脑（智能系统）因持续学习而价值递增。
它的 device 也是他的， operating system 他的……它两个是分别看了那个《跨越鸿沟》那本书……分别看了。
长期主义：跨越鸿沟前的信仰与动态决策
借鉴《跨越鸿沟》理论，一项颠覆性技术从 innovator/early adopter 阶段走向大众市场，通常需 10–15 年技术渗透期，产品生命周期可达 20–30 年。真正暴涨期出现在“鸿沟跨越”之后——当 early majority（34% 用户）开始广泛采用，叠加成本下降（如 DeepSeek 将推理成本降十倍），行业将进入三到五年 200%+ 的高速增长。
历史表明，此阶段往往仅剩 3–5 家头部玩家，其中率先“get big fast”的企业将建立深护城河，占据主导市占率。类比 PC 时代的 Intel（基础设施）与 Windows（操作系统），未来具身智能的终极价值可能集中在操作系统层——其市值可达基础设施层的 3–5 倍。
尽管方向明确（如“一脑多型”“数据闭环”“硬件自研以支撑大脑迭代”），具体路径却需动态调整：从切入哪个市场、首款产品定义，到整机与智能的协同节奏，均随实践反馈持续优化。投资决策依赖“事实+规律”的推演框架，在多条可能路径中择优，并允许根据新信息动态修正。
我们对长期的方向……没有迟疑，没有怀疑过。
每个决策本质上是个循环：信息→认知→策略→行动→结果→更新信息。
硬科技投资的陡峭学习曲线
我们最早进入硬科技投资是在七八年前，2016年左右投了自动驾驶领域的小公司Auto X，当时整个行业处于高度不确定性中：Waymo坚持用激光雷达，Tesla则主张纯视觉方案，我们无法判断哪条路线更优，于是采取“双押注”策略——在中国分别投资了学习Waymo路线的Auto X和学习Tesla路线的Leo（未来汽车）。这是一次典型的“在不确定性中行动”的实践，也开启了我们漫长的deep learning curve（深度学习曲线）。
此后五年，我们又密集布局机器人赛道，投资了高仙、海柔、XYZ等公司。硬件比软件难得多，“bits是容易的，atoms是难的”：软件可以指数级扩张，而硬件受制于供应链——你无法仅靠自身决策决定生产节奏，“供应链控控制你”。我曾与Peter T对话时深刻体会到这一点：伊隆·马斯克造车花了十几年，市占率仍不到10%；而扎克伯格做社交平台却能快速垄断——这印证了B2C数字产品与实体硬件在规模化上的本质差异。
“Adam是很难的……Tesla做汽车做了十几年，市占率都不到十个点，但小扎啪啪啪一下子就垄断了。”
“人的天性就是懒惰……当你习惯了吃这个熟悉，别人给你做好了，你不用自己做，那你慢慢加价，他也会是会吃的。”
三大认知构建方法论：向创始人学习、Winner Pattern Study、客户洞察
我们总结出一套系统性学习框架：第一，向创始人深度学习。我们与季阳等创始人保持每两三个月一次的深度对话，核心问题不是“你赚多少钱”，而是：“你最近习得的是什么？看到别人没看到的东西了吗？成长的痛苦是什么？”同时，我们反复从第一性原理出发，追问：这家公司的长期护城河究竟是什么？
第二，Winner Pattern Study（赢家模式研究）。我曾因早期未投张一鸣而留下遗憾——当时他估值高达70亿美元，令人望而却步。后来我通过系统研究Facebook历年季报 transcript，才真正理解其核心逻辑：“未来所有信息将以feed流形式呈现，广告即内容”——这揭示了推荐引擎的巨大威力。同样，美团重仓决策也源于对铃木敏文《零售的本质》中“人的天性是懒惰”的洞察：一旦习惯被养成（如外卖），价格弹性将显著下降。
第三，客户洞察要“见二十个用户”。我们坚持亲自访谈大量终端用户：第一次见面觉得“哇，这个人好牛”，第二次发现“好像没那么牛”，第三次则结合财报与重大决策复盘，层层穿透表象，直抵本质。
“你真的是赚不到你认知之外的钱。”
AI时代创业的本质差异：迭代即护城河，具身智能是创业友好型赛道
对于成立仅三年的AI公司，追问“护城河是什么”确实残酷。我们的答案是：迭代本身就是唯一的护城河。在高速演进的AI领域，“你必须得自己成长、自己迭代；否则停两天，就落后了”。
与移动互联网时代不同，AI创业的最大差异在于：终端未变（仍是手机）、流量被大厂垄断。这意味着，创业公司无法靠补贴换流量，必须做出“十倍好”的产品——当前成功者无一例外都具备极致产品力。
而具身智能（Embodied AI）恰恰是创业者的“黄金赛道”： - 供给侧：基础模型与整机设计均为全新领域，“所有人的起点都一样”；汽车零部件无法直接复用，大厂若沿旧思维造机器人，反而会因路径依赖而迭代缓慢； - 需求侧：尚无主流终端载体，不存在“手机流量垄断”问题；劳动力市场高度分散（最大民企京东仅百万员工），无人能垄断“劳动力”这一核心生产要素。
因此，创业公司在此赛道中不会被大厂已有业务协同降维打击——这是与通用AI应用层截然不同的结构性优势。
“一个懂AI的创始人会颠覆一个不懂AI的创始人，这个就是未来十年二十年的增长动力。”
供需双侧空白下的竞争格局
当前具身智能赛道处于需求侧与供给侧均高度空白的状态：终端产品尚未出现，没有企业占据流量入口；劳动力市场也无任何企业具备垄断能力——即便规模最大的民营企业（如京东）员工仅百万级，占整体劳动力市场比例极小。这意味着，大厂无法凭借既有优势实现降维打击，创业公司与巨头的竞争本质聚焦于两个维度：组织效率与资源/资金能力。
在组织层面，能走到今天的创业公司，其核心团队高度“native”（原生适配），组织结构扁平、决策链条短，普遍处于“Founder Mode”状态；在资金层面，当前时代已不同于以往：政策与资本市场更倾向于奖励持续创新，只要产品领先，融资循环即可自我强化。值得注意的是，尽管头部企业（如小米、华为）现金储备达千亿级，但其中厂（数百亿现金）仍需优先保障主业，真正能聚焦于单一新赛道的资源可能反而不如初创团队充裕。当大厂“钱没我们多、组织效率没我们高、业务协同性为零”时，初创企业便具备显著胜率。
‘钱没我们多，组织效率没我们高。也没什么业务可以协同，那肯定是我们赢。’
‘AI agent 真的是让这个组织非常有效率。老板一天都烧，我们先看老板牛不牛，有没有烧一亿 token，有没有 AI agent 用的很好。’
新型组织范式：少人高效、AI 增强
AI agent 正在重构组织形态：中层干部被大幅压缩，典型结构为“老板 + 几名负责人 + AI agent”，负责人直接指挥 agent 执行任务；极小团队可支撑极高产出——例如大摩（Kimi）去年底仅300人，DeepSeek约200人，却具备强劲战斗力。硬件类企业因涉及实体，人员略多，但核心逻辑不变：最聪明的小团队 + 高效 AI 协作 = 超强执行力。
这种范式也深刻影响人才观与招聘逻辑：如房哥所言，“五万月薪的人若加 agent 后产出仍不如 agent，就不值得雇佣”；企业更倾向招募十万、二十万月薪的高阶人才——他们能指挥 agent，实现指数级效率提升。创始人自身也高度“AI-native”：每日仅睡四五小时，却因 AI 将人类极限不断推高而持续奔跑；他们将 AI 视为“战旗”，主动突破认知边界。
‘五万块钱月薪这个人加 agent 有没有大于 agent？如果你干的事情还不如 agent 好，你就没有必要。’
‘我每天早上 meditation 完了以后……眼睛睁开的时候，我就开始想，哎，我昨天干了什么？习得了什么？’
深度思考与关键决策方法论
高效执行背后是系统性深度思考机制：创始人普遍采用“固定时间+场景”进行高专注思考——如晨间冥想后复盘、飞机上无干扰环境进行课题推演（“先睡半小时，再用记事本梳理关键词”）；重大问题则设定为月度核心议题（“可能三个月都答不完，但持续迭代”）。这种习惯确保战略不陷入“战术勤奋、战略偷懒”的陷阱。
在投资与合作层面，“先见森林，再选树木” 的逻辑被修正为“先建树木，再成森林”：需深度接触足够多项目，才能形成赛道级判断。以星海图为例，其差异化在于： 1. 专注具身智能基础模型预训练，构建“学得越多越聪明”的规模效应； 2. 早期即坚持“整机+智能”战略，在软硬结合与供应链整合上建立领先优势； 3. 最早押注真实数据路径，并以最大规模与技术领先性验证其正确性（如 G0.5 模型发布）。
但更本质的护城河在于方法论：无论面对技术、供应链、资本还是商务问题，均坚持“从事实与规律出发拆解问题→想透→立即执行→快速迭代”。这种能力，叠加创始人极强的学习力、执行力与长期耐心，构成其在巨大、颠覆性赛道中脱颖而出的核心竞争力。
‘我们更愿意从就是规律和事实出发去做所有的问题的思考和拆解……想清楚了之后，我们就马上开始执行，然后迭代。’
差异化战略：整机+智能的早期坚持
在具身智能创业早期，团队做出了一个关键但非主流的选择——整机加智能的垂直整合战略。当时市场主流分为两类：要么专注硬件（body），要么专注大脑（大脑模型），而团队坚信只有两者结合才能真正落地。这一判断在当时面临巨大质疑：投资人普遍认为，既做整机又做智能会分散资源，既难赢过专业整机厂商，又无法快速出 demo。但团队坚持认为，先整机再智能的节奏虽在短期内带来劣势，却为后续发展奠定了不可复制的基础设施优势。这一策略的长期价值在近年逐渐显现——如今多数中国企业已转向“整机+智能”路径，印证了当初的战略前瞻性。
“我们觉得那个不灵啊。” “事后证明，就今天很多企业其实就是就是这么去做的，就是中国企业都是整机加智能啊。”
真实世界数据驱动：从方法论到行业共识
在数据采集策略上，团队选择开放场景真实数据采集而非实验室或蔬菜大棚式采样，这一决策直接支撑了其基础模型的质量。团队认为，真实世界数据是训练具身智能模型的唯一有效路径，并用三年时间验证了该逻辑的正确性。如今，这一方法已从“异类”走向主流：过去半年内全球发布的最先进开源具身智能模型，全部基于真实数据训练，标志着该范式正成为行业新共识。与此同时，团队提出的“本能智能—作业智能—进化智能”三阶段技术愿景，也逐步清晰：其中“本能智能”聚焦身体快速适应能力（类小脑功能），“进化智能”则指向对身体形态本身的演化能力——这一框架最初源于一次咖啡馆对话，后经团队反复打磨成型。
“又因为我们采了这样的数据，我们有好的整机，所以我的基础模型才好。” “过去半年左右的时间，就二六年以来，全世界发布的最新的开源的这个最领先的开源巨深技术模型，全部是真实数据为基础做的训练，这是一个事实。”
创业系统的五大支柱：复杂即护城河
要实现具身智能的长期愿景，团队识别出五大关键支撑要素：人才、数据、资金、供应链（整机+零部件）、渠道体系。其中，与清华大学共建联合研究中心旨在提前绑定高质量人才；亦庄数据计划保障数据供给；供应链方面，团队特别指出：车规级零部件企业跨界入局机器人领域，正催生一条能力更强、成本更低的新供应链；而渠道建设则属行业空白——具身智能尚无成熟分发路径，需从零构建。团队认为，这种多维度复杂性反而是创业公司的天然优势：大厂因组织惯性难以灵活整合，反而使初创公司拥有“轻装上阵、聚焦核心”的敏捷性。正如 Anthropic 与 Google 的对比：只聚焦大模型的轻量级公司，往往比已有五层能力的巨头更具爆发潜力。
“所以你看，这刚才我就说这五方面是吧？人才、数据、资金、整呃零部件儿、供应链儿，然后还有就是渠道体系，这这五个维度。” “我觉得真的就碰到这样的涨，每年它是每年涨十倍，涨了三年啊，前五就是历史上没有过的。”
现金流与节奏：早期创业的生命线
在具身智能这一高投入、长周期的赛道中，维持正向现金流是生存前提。创始人强调“子弹先充足，粮草先行”，即在寒冬未结束前就需储备足够资金以“熬到春天来临”。融资能力不仅是资源保障，更是节奏把控的关键支点——节奏过快易被烧死，过慢则丧失人才吸引力与融资竞争力。早期项目尤其需要在“激进”与“保守”间找到平衡：步子太大可能倒在春天前，太慢又难以进入头部投资人的视野，陷入“融资差—人才流失—增长乏力”的恶性循环。
“最好的是：你有最好的团队，然后花不完的钱，然后最大的市场，然后总能跑出来。”
“Raise money when you can，当你能融钱的时候必须融钱，而不是说当你需要的时候再融钱，因为你需要的时候可能市场便利融不到了。”
大厂威胁论：组织力与迭代速度才是关键
面对大厂潜在入局，创始人并不恐慌，而是聚焦于组织效率与迭代速度两个核心变量。他观察到：Google 因 founder 回归、资源聚焦（如整合 DeepMind 与 Google Brain 于 Hinton 体系），三年内完成组织重构，最终实现 Gemini 等突破；而字节等中国巨头则凭借年轻创始人、雄厚现金流与“大力出奇迹”的执行力，可能在一年半内完成类似调整。但大厂若缺乏坚决投入与快速迭代能力，反而不具实质威胁。
“如果一个企业今天虽然在我们后面呢，但是它过去十二个月变化超过了我们的变化幅度，那我觉得我都得非常注意的，因为就说明人家迭代的比我快。”
泡沫认知：周期性洗牌中的战略窗口
创始人坦言经历过多次泡沫（互联网、移动互联网、AI），并认为泡沫本身并不可怕——泡沫破裂的价值在于“别人死了，你活下来，三年无对手”。当前市场虽处“FOMO”（错失恐惧）驱动的贪婪阶段，但理性策略是：能上市就上市，能融资就融资，提前储备弹药应对下一轮周期。
更深层判断是：具身智能的商业化落地已在 rule-based 机器人领域验证（订单持续、客户复购），而具身通用模型虽成本高，却在物流、仓储等场景具备不可逆替代逻辑——全球约 1700 万相关岗位，人力成本高、工作强度大，自动化趋势不可逆。泡沫破裂后，并购传统机器人企业（具备工程能力、客户渠道）将成为重要增长路径。AI 企业的核心 mindset 是 scaling：敢于在关键节点上规模投入，相信 scaling law 必将带来非线性回报。
“你那 bubble 就 burst 以后，你可以还继续加仓。那时候你再多拿长，那个是最最合算的。”
AI与传统机器人研发逻辑的根本差异
在具身智能领域，AI思维与传统机器人研发思维存在根本性差异。前者以scaling law为核心驱动力，强调“敢于上规模”，即在早期阶段就敢于大规模投入，即使尚不清楚五到十的临界点会发生什么——但历史反复证明，五和十一定会带来惊喜，且市场会奖励这些惊喜。而传统机器人或硬件产业的思维则聚焦于单款产品的回本周期与利润测算：研发成本多少、销量多少、毛利率几何，是一套高度可量化的线性逻辑。
这种差异导致许多传统机器人公司难以真正进入AI节奏：一旦用传统ROI逻辑去套AI项目，就会因无法清晰计算而不敢投入。而具身智能的突破，恰恰依赖于这些公司能否切换到AI的底层逻辑——以非标、快速迭代、指数级扩展为特征的投入范式。AI产品的“生产”本质是每一次训练都是飞镖生产（non-standardized），与机器人标准化批量制造形成鲜明对比；其全生命周期也远非传统硬件的“18个月研发+3–4年销售+2年售后”可比，而是以3年为基准的研发周期，叠加持续迭代的动态演进。
“AI的人的 mindset 是 scaling，我现在一，我必须得到五到十那儿，我去看看去，哪怕我不知道五和十会发生什么，但是历史证明了，五和十一定会有惊喜，而且会在那个市场会奖励这种惊喜。”
“搞机器人儿，我这个构型定下来了，我批量生产一千个、一万个，每一次都是标准化生产。但是搞AI，AI的产品是什么？是大模型，大模型每一次生产都是飞镖生产。”
大模型与具身智能的“好生意”本质
判断一个生意是否“好”，可借用巴菲特标准：是否具备相对垄断、定价权、规模效应、网络效应与知识产权壁垒。大模型虽无传统互联网那种多边网络效应，但其规模效应极为显著——年投入需达十亿美元量级，才能进入牌桌；叠加顶尖人才的稀缺性，形成天然护城河。当前全球仅三至五家玩家具备持续竞争力（如OpenAI、Anthropic、Google、Meta部分尝试失败），中国亦仅少数头部企业突围。
从盈利角度看，pre-training是固定成本，inference是可变成本；后者正快速趋近盈利：模型毛利已达约40%，且token成本持续下降、服务价格持续上涨，验证了其商业可行性。Open Source模式同样具备潜力——Agent时代token消耗激增（可达chat的100–1000倍），反而为“薄利多销、全球输送智能”打开空间。
具身智能亦呈现类似特征：极高固定成本 + 极高人才门槛构成双重护城河。硬件与大脑的深度融合虽难，却是最优路径；而大厂（如硬件巨头、互联网公司）出于自用需求，也可能内部构建模型，虽规模受限，却进一步抬高外部创业门槛。
“它肯定不像那种互联网的这种 super app，它是一个垄断的一两家什么的，它有点像 data center，就是三五家……三五家为什么少呢？是因为你固定资产投入太大，你投不起这钱，这个钱就把你卡住了，对吧？第二呢，你这个人才你没那么优秀，就这两个一卡，可能就是三五家。”
“你有这么多，你能融到这么多钱吗？因为资本马上都聚焦给一个top……谁现在谁还敢去投个新的大模型公司啊？谁敢投，对吧？”
VC的冲浪哲学：抓住浪头，Double Down
面对技术浪潮，VC不能做岸边观察者——战略上必须跳入水中，战术上才可精准择时。王鑫曾精辟指出：传统行业投资如登山，可稳中求胜；而技术投资如冲浪，必须赶在浪头到来时入场。VC的核心目标是打出“home run”：一个项目的回报足以覆盖整只基金。其定义包含两个维度：频次（一期基金约4个home run）与强度（股权比例+持有时长）。其中，强度比频次更可控、也更重要——可通过持续加仓、长期持有实现复利增长。
实践中，过度分散项目反而稀释精力与判断力：投20个项目不如聚焦4个深度跟踪。Kimi、星海等案例均印证：早期投资后多次加仓（如Kimi达5次）、持有8–10年，方能真正吃满增长红利。规模过大亦非优势——十亿美元基金做八倍回报已极难，而几十亿则几无可能，因伟大公司本就稀缺。
“当一个特别巨大的浪打来，你是要跳到水里去的，你不能在岸边观察。”
“做VC最核心就是要打到home run……home run的强度其实你是就可以决定的，因为你可以看到好的，不断的加仓，对吧？拿的时间长，这你都可以决定。”
聚焦：避免分散精力的核心法则
在快速变化的AI时代，founder的vision至关重要，因为犯大错的代价极高——例如盲目尝试多个技术路径（如多模态、具身、coding等），不仅消耗大量时间与资金，更可能错失窗口期。文中以某公司为例指出：不聚焦是大忌，它导致资源分散、迭代缓慢，最终被真正聚焦者甩开。创始人若缺乏“killing instinct”（致命直觉），就容易陷入“什么都想做”的陷阱，看似高效实则低效。
“OpenAI是领先的呀，说不定都是个小弟嘛，他是个大哥，为什么他突然一下？我觉得就是在这个方向上，人家OpenAI看的是coding，他没有看到coding，他啥都做嘛，因为他看不清楚，所以他什么都赌一把啊，多模态呀，什么什么具身呐，什么都搞。”
“不聚焦是大忌，明白？”
精力分配：从执行者到战略大脑的转型
企业成长中必然伴随“成长的痛苦”——创始人初期常陷入事无巨细的管理（供应链、HR、报销等），但这些事务最终都是可替代的。真正不可替代的是你对方向的判断、数据调优的直觉、以及调动资源的能力。文中强调：模型训练方向、数据策略、与前沿研究者的深度交流，应占据你一半以上时间。正如张一鸣将50%精力投入抖音底层逻辑思考，小公司创始人更应将80%精力聚焦于“大脑”建设——即战略决策与认知升级。
“你本身又是PhD又是学这个的，所以我觉得你应该花很多精力去思考这个问题……给这些最insightful人天天聊天，就你的灵感是从这些地方来的。”
“但你的大脑，你对你的vision、你的公司的发展以及你调动资源的能力，是没有人能够替代的。”
历史对照：具身智能 vs 自动驾驶的范式差异
与上一轮无人驾驶热潮相比，具身智能有三大本质不同： 1. 规模更大：影响范围远超自动驾驶的垂直领域； 2. 定位更中心：形成“上游即下游”的生态闭环，具备成为未来基础设施的潜力； 3. 驱动力不同：自动驾驶第一波主力是robotics背景团队（强调corner case解决与系统拆分），而具身智能早期参与者多为AI native企业（强调规模、数据闭环与基础模型）。文中特别指出：战略选择比技术细节更重要——如Tesla放弃30万行手写代码转向端到端学习，正是源于对《The Bitter Lesson》中“相信规模与数据”原则的坚定信仰。
“Tesla是自动驾驶的鼻祖嘛……当他把眼睛睁开的时候，他说了：‘This will do。’然后就switch了。”
“这真的不一样……我觉得比互联网大很多。”
速度即天花板：具身智能的颠覆性节奏
在讨论人工智能与具身智能的投资前景时，一位资深投资人的一句话令人印象深刻：“投资中最危险的五个字是‘这次不一样’，但这次真的不一样。” 这一判断并非轻率的乐观，而是基于对技术扩散速度的深刻观察：本轮AI（尤其是具身智能）的渗透率与增长速度远超以往任何技术革命。互联网时代，一个产品一年涨三倍已属罕见；移动互联网时期，外卖、打车等赛道也仅达三至五倍；而如今，某些AI相关赛道已出现一年十倍的增长——其速度之快，甚至远超GDP增速。
这种指数级增长不仅意味着市场规模的跃迁，更标志着技术性质的根本转变：过去的技术（如互联网）是工具或连接方式，而当前的AI正逐步具备替代人类执行物理世界任务的能力，即“直接把人给换掉了”。这不仅是效率提升，而是生产关系的重构。正如一位连续创业者所感：“我用Gemini，越来越觉得它比我聪明……它好像还有human compassion的样子。”
“他说我我自己知道，投资中最危险的五个字是这次不一样，嗯，是吧？但是这次真的不一样。”
“我觉得他比我聪明……我经常问他，我都我觉得他很奇怪，他好像还有 human compassion 那个样子。”
泡沫、周期与历史镜像：从激情到清醒
回望历史，技术热潮常伴随泡沫与幻灭：移动互联网初期的外卖大战、共享单车狂潮、乃至早年AI冬夏交替的周期性起伏，都曾让亲历者热血沸腾又最终冷静反思。一位曾在大学时代亲历移动互联网浪潮的创业者坦言，当年看完美团创业故事时“激情澎湃”，但很快意识到“这感觉跟我也没啥关系”，于是转向AI领域深耕——这种从旁观到躬身入局的转变，恰恰是技术周期中个体理性回归的缩影。
面对当下具身智能的热潮，投资人的担忧并非来自技术本身能否成功（“具身智能产业一定能成功”），而是其社会影响的不确定性：当AI垄断物理世界的生产力时，财富与权力的集中可能带来前所未有的结构性风险。尤其在AGI（通用人工智能）尚未到来的过渡期（可能还需十年），大量劳动力将面临转型阵痛。此时，单纯依赖市场机制可能加剧贫富分化，亟需社会层面的价值引导与制度设计——“从哲学跟价值上做一些引导，这个我觉得还挺重要的”。
值得注意的是，创业者对自身风险的认知已超越“公司能否存活”，转而聚焦于“是否因精力错配而错过重大机会”——如OpenAI未及时押注coding而被Anthropic后来居上。这提示：在高速迭代的赛道中，Founder Mode（创始人亲临一线）与战略聚焦比资源广度更具决定性。
红利叠加：中国具身智能的差异化路径
中国在具身智能领域的崛起，正得益于三重红利的叠加效应：一是创始人红利——兼具硬件与软件背景的复合型创始人；二是工程师红利——顶尖技术人才（尤其是清华等名校PhD）愿意追随有远见的Leader；三是政府执行力红利——国家通过系统性规划（如五年计划）推动基础设施与生态建设，类似早期光伏产业的政策支持。
一位投资人特别指出，大模型训练所需海量数据与算力，已非单靠企业难以承担，而需社会协同。中国政府的高效组织能力在此场景中展现出独特优势：“政府很给力……高官很多是清华PhD，超级懂。” 这种“社会级协作”模式，使中国在部分环节（如供应链整合、数据获取）具备反超可能。
然而，成功的关键仍在于聚焦与笃定：DeepSeek、Kimmy等团队之所以能快速突破，核心在于“敢只走一个方向”——在资源有限（年训练成本极高）、人才稀缺的背景下，创始人必须亲临一线感知“炮火”，以技术愿景凝聚顶尖大脑（约20–30人即可撬动全局）。正如一位创始人所言：“the best brain的founder就是那个the best brain，因为你是best brain，他愿意跟随你。”
增长逻辑：亏钱做增长，但现金流为王
在高速成长期，企业是否选择盈利，并非完全由自身决定，而是由整个行业周期与竞争格局共同塑造。若未来三年仍存在十倍以上的增长空间，则当前阶段应将全部可投入资源用于扩张，而非过早追求盈利。关键问题不在于“何时盈利”，而在于“何时增长放缓至非十倍量级”——目前显然仍处于启动期，因此盈利节奏可暂不优先考虑。
但另一条生命线必须牢牢守住：正向现金流。无论是经营性还是融资性现金流，只要公司整体保持正向，就具备稳健发展的基础。这一逻辑与早期京东、移动互联网公司的扩张路径高度一致：亏损不可怕，只要现金流健康，就可以大胆“get big fast”。
“亏损并不可怕，只要现金流挣钱的话，你可以大胆的往前走。” “你不要看它存量是多少，就增量里面那个 market share 你是次占最大，你就是最靓仔。”
以京东为例：刘强东在获得投资后，果断执行两大战略——扩品类（从IT产品到数码、日用品）与自建物流网络（快速铺开至30城），虽初期单城日单仅20单、严重亏损，但一旦突破2000单临界点，规模效应即开始显现。同时，公司还设置了18%的ESOP（员工持股计划），其兑现严格挂钩“增长再增长”的业绩目标，当年承诺100%年增长，实际执行达200%，五年内营收从5000万跃升至10亿美金。整个过程始终“亏钱做增长”，但始终维持正向现金流，甚至通过优化账期（如从现金结算延至15–30天）撬动供应链资金，实现“零融资扩张”的可能——这正是国美、苏宁早期也曾采用的模式。
当下资本环境虽仍处“贪婪”阶段，对亏损换增长的容忍度依然很高，但作者提醒：资本情绪终将周期性切换，一旦恐惧占据上风，融资窗口将迅速收窄。因此，当前策略是“趁贪婪多拿点钱”，把资金储备当作应对不确定性的“保险”。
创业者画像：硬科技一代的共性与差异
对比九零后硬科技创业者与前两代互联网创业者，其核心共性在于：杀手级直觉、超强学习能力与志存高远的长期主义。他们往往能“看得更深刻、更长远”，且具备极强的迭代能力；更重要的是，他们不以短期套现为目标，而是致力于打造“能活下去、做强、做大、做久”的伟大企业。
然而，差异也日益显著：组织形态正从“重人力”转向“轻量化、高智能”。消费互联网时代依赖大量一线员工（如京东的配送员），而AI时代强调“最强大脑在精不在多”，中层管理职能正被AI替代，组织应追求“Founder Mode”式的高效、极简结构。这带来新的管理挑战：如何协调软硬融合团队（如软件工程师与硬件研发者）——他们文化、激励方式、协作节奏迥异，甚至开会方式都需重新设计。
另一显著变化是：科学家背景创业者成功率显著提升。当前硬科技浪潮中，PhD出身者占据主导地位，印证了“AI是科学家赚钱的时代”这一判断。他们不仅懂技术本质，更能将前沿科学转化为商业价值，是这一周期最核心的推动力量。
“AI是科学家赚钱的时代，这个时代就是为他们而设的啊。” “你一定要把增量的大头……最靓仔就是在市场增量中，你不要看它存量是多少。”
在研究方法上，作者延续了早期“一手信息优先”的深度调研传统：从拼多多案例中的“与用户同住八天”，到如今对Kimi、俺 shopping 等B端产品的开发者访谈（如“办公室公司给钱就用俺 shopping，自己 moonlighting 就用 Kimi”），再到对定价敏感度的深度挖掘（如Swiss Pass定价测试），始终围绕“真实场景中的真实行为”展开。信息获取上，坚持“先物先地”，即优先接触原始数据与一线实践者；学习路径则强调“信息→目标→策略→执行→反馈→再信息”的闭环迭代，辅以对顶尖人物（如Hinton、GPT团队）的 podcast、演讲内容精读与摘要提炼，确保认知始终处于前沿。
时代与门槛：时势造英雄，技术筑高墙
创业者之间的差异，核心不在于能力本身，而在于所处的时代与技术门槛。作者坦言，即便自己出生在更早的年代，也未必能做出今天的成就；而若让九零后创业者回到移动互联网早期，同样难以复制当年的成功。“时事造英雄，运气占了五十”——时代赋予的机会窗口与技术基础设施，决定了谁能脱颖而出。与过去“有个 idea 就能创业”的消费互联网时代相比，当下大模型与具身智能领域的创业门槛显著提高：它天然筛选掉绝大多数人，因为真正具备 PhD 级别研究能力、能进入核心学术圈层的人本就稀少。这种高门槛反而降低了无序竞争的烈度——不像共享经济或百团大战那样靠补贴厮杀，硬科技创业更依赖真实产品力与技术积累。
“今天我们做这个智能AI的这个创业……最强大脑就那么多是吧？就这些。你你你你过去你没有做过这个方面的研究，没有做过这些PhD，你真的做不出来，你你根本不在这个圈子里边，别别人不会相信你能做这件事儿。”
“我觉得做，比如说像美团和京东这样的创业，某种程度上来说是更难的……因为可做的人太多了。”
格局预判：高度集中、资金驱动、阶段尚早
尽管具身智能初创公司数量已超数十家（甚至可能多于大语言模型赛道），但行业集中度将快速向头部收敛。原因有二：一是“大脑”作为核心资产具有显著规模效应，技术壁垒决定最终玩家不会太多；二是资金消耗巨大——当前头部玩家年投入已达5亿美元起步，后期或达10亿美元量级（如VLA模型训练），叠加数据、人才等资源门槛，没有足够弹药的企业根本无法上牌桌。作者认为，未来格局可能类似大模型领域：约5家核心创业公司 + 若干大厂内部团队构成主战场。
“我基本上同意他的观点……V L A 就吹这么一个东西，然后以后可能慢慢加，我觉得可能就是一年一个 billion dollar 这么一个量级，还再加上数据啊什么什么的，再加上优秀人才 best bring，其实可能也没有那么多人。”
当前行业仍处于极早期阶段：技术渗透率仅约2%-3%，连“小脑”（身体协调与基础任务执行）都未完全跑通。盈利模式尚未跑通，企业级落地（如物流、拣选、装卸）才是未来收入支柱，而娱乐、开发者等早期市场体量有限，无法支撑当前烧钱节奏。因此，行业尚未进入“增长优先”或“盈利优先”的阶段，而是仍处于“活下来”的生存期——现金流稳健比增长速度更关键。
“我觉得真的就像他说的，可能就是现在的adopt，就这个技术的渗透率可能也就是二三个 percent 那样子，就是还很早。”
价值观与初心：勤俭是精益，使命是引力
“勤俭节约”被写入公司价值观，引发外界对“星辰大海”企业的困惑。但作者强调，这并非节衣缩食的苦行，而是“精益经营”的体现：每一分钱都要算清 ROI——若决策粗放，运营成本可能虚增50%-80%，直接压缩技术迭代空间。例如：本可10次训练的预算，若浪费则仅能进行5次，效率损失将直接削弱竞争力。这种文化与京东、美团等成功企业一脉相承：节俭是手段，效率才是目的。
至于如何区分“淘金者”与“使命者”？作者提出两个关键观察：一是“知行合一”——言行是否一致；二是“志趣相投的 co-founder 团队”——真正被远大梦想吸引的人，其伙伴往往同样具备深层信念。吸引顶尖 co-founder 的不是个人魅力，而是共同愿景的引力。当然，作者也务实指出：并非所有员工都需具备使命感，只要自驱、匹配岗位、认同当下工作价值即可——务实创新，方为长期主义的底色。
“我觉得知行合一吧，就知行合一很重要。就他做的事情，就是他相信他说的话，他做的是一致的。”
“他吸引的周边的人是什么样的人？……他的 co-founder 跟他是志趣相投的。因为我觉得吸引一个很牛的 co-founder 不是靠你个人魅力，只有靠你那个远大的梦想才能吸引他。”