AI浪潮席卷而来。当大模型重构产业逻辑，机器人走进生产生活，无数创业者都在追问：AI时代，创业和投资的方向究竟在哪里？AI将会对企业和人才的未来发展产生怎样深刻的影响？
今年是复旦管院科创赋能实践五周年，在日前举行的第二届科技创业者大会上，深耕AI与科创领域的投资人、创业者相聚新AI专场论坛，从技术实践与资本投资等视角，拆解AI创业的核心密码。
“把技术逻辑和经济逻辑结合起来，
才能真正推动行业发展”
苏度科技CEO&联合创始人韩铮做“重构机器视觉:下一代智能感知技术的突破与边界”主旨演讲。
我之前有过两次科技创业经历，两家公司都成功被并购，苏度科技是我第三次创业的项目。苏度科技核心聚焦在机器人的底层技术模型研发。今天我想结合两个维度来分享：一个是机器视觉与感知技术，另一个则是AI和机器人技术背后的经济逻辑。
今年大家熟悉的一些国内外大企业，如宇树科技、通用等，都在布局汽车领域的机器人“大脑”及相关模型研发。苏度科技在这个大趋势里，代表的是两种主流技术路线中的一种——以合成数据为核心的技术路径。具体来说，我们主要通过仿真器加上大量3D合成数据，再用大规模GPU模拟运行，让机器人在虚拟场景中强化学习，不断尝试和训练。
强化学习早期以学习人类技术为主，AlphaGo最早就是学习人类棋谱。到Alpha Zero版本，已经可以完全靠机器人自主对弈来进化，最终走出了很多人类从未发现的棋路。我们做机器人技术的思路也与此相似，核心就是让机器自主学习和进化。我们目前主要在汽车领域发力，核心是构建虚拟环境，让机器人在其中完成训练和优化。
今天我想重点分享的是，我们为什么选择合成数据这条技术路线，具体怎么做，以及从经济角度看为什么这条路线更具可行性。
2006年，我参与创办了国内第一家智能硬件公司ZEPP，这家公司是苹果公司线上业务在国内的合作方之一，2017年左右和华米国际（曾是小米生态链的智能手表公司）完成合并。之后我又创办了一家叫火箭科技的公司，做会议系统，类似现在的飞书会议，当时和微软、5G领域的企业都有合作，2020年也完成了并购。
之后我用之前积累的资金和资源，聚焦在科创相关的项目上，苏度科技就是在这样的背景下诞生的。
我们认为机器人要具备强大的环境泛化能力，无论面对什么样的场景，都能稳定、高效地完成任务。这里不得不提“世界模型”这个概念，它原本特指机器人对自身所处环境的认知，比如通过图像判断物体状态和自身空间位置，但一年半以前开始，很多人把视频生成模型也称为世界模型，但这和机器人需要的环境认知能力相差甚远。我们做的大模型，核心是服务于机器人对物理世界的空间理解，不过我们也判断，未来两三年，这两套技术框架有可能出现融合。
我们有一些技术落地的案例，其中有全球首个能完成特定货架摆放任务的机器人技术，对环境复杂度和物理交互精度要求都很高。还有一个工业场景的案例，他们的产线之前在总装环节还依赖大量人力，核心难点在于精密设备的组装。2023年底我们发布的技术成果通过机器人末端数据采集结合强化学习方法，实现了精密零件的自动化组装。
不过这些不是我们的标的产品，我们的核心产品是通用操作模型，通过合成数据和仿真技术做机器人训练，这条路线如果走通，潜力会远大于在固定场景里靠人力重复操作收集数据的模式。
今天我想重点算算经济账。以特斯拉为代表，他们的自动驾驶真正取得突破，靠的是特斯拉通过数百万辆已售车辆，在用户在日常使用过程中持续收集数据、训练模型。但机器人领域如果走同样的路，成本会高到难以想象。我们和英伟达都做过测算，要靠人力和机器人在物理世界收集足够的操作数据来训练模型，投入可能需要1万亿到10万亿美金。那为什么还有很多企业选这条路？因为讲故事容易。上一波AI创业潮，我们微软亚洲研究院的不少同行创业时，都是找个客户收集一批数据，训练一个小模型，就包装成“大模型模式”融资。但ChatGPT出现后，大家都明白这种模式走不通了。
对机器人和物理智能而言，数据不可能靠单一主体的意志和实力来积累，必须找到能让机器人在虚拟或真实环境中快速进化的方法，虽然这对技术要求更高。 如果一家机器人技术公司还在讲“靠大量收集物理数据训练模型”的故事，大家要谨慎对待。
我们判断，未来两三年，随着基础模型的突破，机器人行业会发生颠覆性变化。从投资角度看，近期一些机器人公司上市后，短线投资或许可行，但长线布局要谨慎。特斯拉未来大概率会成为机器人领域的巨头，但过去三年他们在基础模型上的进展其实并不快，直到最近才开始重视这个问题。可能只有马斯克手里的资金，才有可能支撑这种“靠物理数据堆模型”的模式。
所以我们选择了新的技术路径。这里有个反直觉的结论：有时候仿真数据的质量比真实采集的遥测数据更高。还是拿AlphaGo举例，当机器掌握了正确的自主进化方法，最终就能走出远超人类经验的路径。
AI和具身智能的技术路线选择，必须先算好经济账。 如果世界上存在现成的高质量物理数据，我们当然可以用，但现实是，互联网数据不能直接用来训练自动驾驶和机器人模型。 技术行业的人容易沉迷算法，但只有把技术逻辑和经济逻辑结合起来，才能真正推动行业发展。
“风险投资的核心不是追风口，而是在差异中寻找机会”
常垒资本创始合伙人石矛做“AI投资逻辑与周期判断”主旨演讲。
做投资十几年，我认为单纯用美国思路或中国思路看产业都是以偏概全的。对风险投资而言，能找到中美差异点，就能取得成功。
从宏观数据分析中美经济可以看出，疫情前十年，全球经济增长主要靠中美。非洲、东南亚人口多、日活高，但市场价值有限。疫情一年后，中国在全球GDP的占比有所回落，这和美国的遏制政策有一定关系，但依然是全球经济增长的强力引擎。另外三大经济体中，美国经济走势持续上升，日本股市虽热，但经济全球占比没有变化，欧盟则基本持平。 总体而言，中美在全球GDP中的此消彼长，是未来五年甚至十年的主旋律。
贸易端的变化更为明显。2018年中美相互贸易制裁后，中国对美出口从接近20%逐渐降低到2025年第三季度的10%左右，这部分缺口主要由东盟十国承接；2017年中国还是美国的第一大进口来源国，到2025年中国占比大幅下降，欧盟和墨西哥补了上来。不管是不是做AI、科技方面的投资，都需要关注这种全球格局变化。
再看中美科技产业三十年的差异。不是每代通用技术都能在两地百花齐放。PC时代，中美平分秋色，美国有谷歌、戴尔，中国有百度、联想，各自发展得有声有色；移动互联网方面中国发展略胜一筹。除了APP，智能电动化应用和智能制造也是我们的核心优势。美国虽在呼吁制造业回流，但成本高企，手机、无人机、新能源车等领域中国制造的优势很明显；在具身智能领域，中国的领先毋庸置疑。
这次浪潮中，智能软件方面也许中国稍许落后，但当软件和硬件载体结合起来，中国一定是全球领先的；云计算方面则是美国完胜。中国云生态里初创企业机会太少，基本被华为、阿里几家巨头垄断；AI方面，中美竞争目前难分胜负，但中国大模型的开源生态很强，DeepSeek、千问的开源模型在全球都有竞争力，这是一个积极信号，代表着中美在大模型领域的差距在缩小。
造成中美科技产业差异的核心原因是产业驱动逻辑不同。在中国，任何产业的驱动因素都不仅仅是技术本身。技术是服务产业的手段，产业则要服务国家战略，把技术和顶层设计结合才能成功。 具身智能、6G、低轨卫星等产业，都在“十四五”规划里写明，这就是明确的方向。
美国过去四五十年的产业发展则基本围绕技术迭代，2020年后全力押注AI。但中国技术是多元化的，因为技术只是服务产业的工具，所以中国产业的发展常是多种技术融合，比如现在的智能化、AI，都是叠加在既有产业上的。 中国产业从不是围着概念转，而是跟着顶层设计走，这就是中美产业变革的核心区别。
今年中国资本市场有个大变化，科创板进入了“真正的邀请函”阶段。过去六个月在科创板上市的企业有个共性，都围绕人工智能、集成电路这些硬核科技，这就是中国科创的导向。从去年开始，港股市场的科技类公司也受到追捧。
IPO数量2020年到2024年持续下降，全球新诞生的独角兽公司数量也在下跌。现在如果创业公司不在具身智能、6G、可控核聚变、火箭这些最热门的赛道，获得融资很难。
如今美国市值前几的公司基本都和AI相关，谷歌、苹果、Meta这些巨头的股价异动，往往预示着行业拐点。 AI对就业的影响也很明显。2022年ChatGPT出现后，劳动力市场就产生了分化，低端、低附加值岗位的失业率在上升，尤其是零售、基础运营这些领域。中美都出现了“中间层困境”：顶尖高校毕业生起薪能到15-20万美金，差一点的学校毕业生也能找到基础的工作，唯独中等院校的学生找工作最难，因为他们的泛化能力比不过AI。
从2023年到2025年，中国的AI行业基本是巨头主导，这对创业者不太友好。多模态领域还有些初创企业机会，但大部分赛道被字节、阿里等公司占据。创业公司要选好定位，不要在巨头公司的优势领域硬闯，比如在大模型领域，初创企业很难与字节、千问竞争，但在GPU等赛道，互联网巨头并无优势，创业团队反而有机会。
我们常垒资本现在关注的方向包括端侧芯片、具身智能的核心零部件、AI场景落地、垂直领域的多模态模型等。例如我们投资的蛋白质结构预测项目，就是复旦团队操盘，很有潜力。目前全球AI应用的市场规模才400亿美金，但算力支出一年就达到4000亿美金，投资回报率只有10%，确实有泡沫，但这不妨碍我们找机会，关键是看清楚方向。
目前我们做风险投资核心看三点：第一是天花板够不够高。在具身智能赛道，拿到1亿美金以上融资的中国公司至少有几十家，就是因为天花板足够高；第二是相对竞争优势。公司是做合成数据还是真实数据，是先做硬件批量复制，还是联合别人做“大脑”？优势路径很多，没有对错，但要有差异化；第三是要有可验证的正反馈周期，不要求公司马上盈利，但技术要能够逐步验证。
常垒资本也是创业品牌，我们几个创始人都来自产业端，陪着很多创业公司从零做到一。我们投资的主线有三个：一是人群分化带来的机会，Z时代和银发群体这两个消费群体都值得挖掘；二是全球技术突破，比如AI和具身智能的结合；三是中国政策带来的机会。 科创转型、重大技术攻关、供应链安全，这些都是中美的差异点，也是创业的增量市场。
中国AI创业公司可以对标美国，但不能一味模仿，关键是怎么把海外模式在中国重构。我常给创业者看一张产业链路图，从原材料到终端，全球有影响力的企业都只做其中一段。没有差的赛道，只有差的公司。但创业初期战略定位一定要清晰，如果材料、软件、终端等领域都想做，最后反而会什么都干不好。 创业不用追求新奇，把细分领域做透就能成功。
我信仰一句话：“流水不争先，争的是滔滔不绝。”创业起步早或晚都没关系，找好自己的定位，踏实前行，每家公司都有机会。
硅基员工与碳基员工如何共处：AI驱动的人才、结构与管理革新
当AI技术从实验室加速涌入产业现场，“硅基员工”已不再是科幻概念，而是与“碳基员工”并肩协作的新伙伴。这场技术变革不仅重构着工作流程，更对人才培养、组织架构与管理逻辑提出了全新命题：AI时代该如何锻造核心人才？跨文化出海的用人困局该如何破解？投资决策中“人”与“机会”的天平该如何倾斜？
圆桌对话环节，苏度科技CEO&联合创始人韩铮、Atkins亚太及中东负责人朱璟、MetaOrg联合创始人张蕾、常垒资本创始合伙人石矛从企业操盘、人才服务、资本视角等出发，共同探讨AI浪潮下人才培养的底层逻辑、组织革新的实战经验与投资判断的核心准则。
这代AI和新科技公司的核心人才，很多是刚毕业甚至还没毕业的年轻人，我们更倾向于自己从源头培养。
我们公司在人才培养上有个很明确的观点：这代AI和新科技公司的核心人才，很多是刚毕业甚至还没毕业的年轻人，因此我们更倾向于自己从源头培养人才。目前我们团队里很多核心主力，都是我们从本科阶段就开始招募，进入实验室一步步成长起来的。
做AI相关的科技公司，团队在技术路线上必须有足够的信念 ，很难想象一个纯商业背景的人牵头能把技术平台做好。这也是我们把公司放在上海的原因，一方面这里基础人才能力强，另一方面我们也需要新的人才培养生态。
在团队管理上，我们核心人员很多是没有太多职场经验的年轻人。我们既需要给他们足够强的愿景，也要有实际的成长反馈和成果激励。现在我们面临的最大挑战是，如何协调这些能力极强的年轻人和后端事务化运营团队的认知差异，我们也在摸索一套机制和架构，尽量在矛盾发生前就做好规避。
在AI技术落地方面，我们很早就尝试用技术解决跨时区、跨语言的沟通问题。2019年末我们就对接过微软的语音转写工具，现在团队内部开会，AI会议纪要和工作总结工具已经非常好用，专业术语的识别准确率很高，极大提升了跨国团队的沟通效率。对于技术创业公司来说，选赛道可以从自己熟悉的小众领域切入，聚焦垂直赛道，避免和大厂正面竞争。
出海成功存活的比例不超过10%，其中最大的问题就出在用人上。
我们从2010年开始创业，先后做过猎头公司、专家资源平台，接触过大量出海企业。在实践中，我们发现不管是科技类还是消费类企业，出海成功存活的比例不超过10%，其中最大的问题就出在用人上。用人失误核心源于三个环节，首当其冲的就是出海商业模式和管理者能力模型不匹配。
东南亚和中东的出海逻辑完全不同，需要的人才也天差地别。
东南亚市场 人口红利优势明显，部分国家平均年龄只有25岁到28岁，市场逻辑是做规模、赚快钱，所以 需要有互联网思维，能快速抢占市场、实现标准化规模化的管理者。
而 中东市场 的核心是产能输出和产业套利，国内净利润不到5%的钢结构企业，在中东能做到25%到30%的利润，这里的市场多是To B模式，政治、经济、商业都呈自上而下的结构， 需要的是有开疆拓土能力、能融入当地文化、对接核心资源的创业者 ，关系导向和资源导向非常重要。
还有一种 “产地转移”模式的出海，则需要管理者具备降本增效、精细化运作的能力。
AI不是职场工作的替代者，而是工具。职场中谁能用好AI，谁就能获得更多机会。
我们见过不少企业一开始都把AI等同于降本增效，其实AI更大的价值在于推动组织能力进步。美国现在有个趋势，学校不再严防学生使用AI，而是引导学生把AI当作工具使用，协助打磨论文、优化思路。我们做管理咨询时，AI写出的建议书质量已经超过工作三年的初级顾问。这说明AI不是职场工作的替代者，而是工具，职场中谁能用好AI，谁就能获得更多机会。
对传统企业来说，AI转型不需要投入大量资金、大动干戈，寻找匹配自身的合作伙伴很重要。在人员方面，招收一定的新员工组成灵活团队，从局部突破慢慢带动整体变化，循序渐进转型是比较好的做法。我们接触的一家纺织企业，让部门年轻人主导AI效能提升项目，用成果激励大家，既调动了积极性，又实现了流程优化，取得了很好的效果。
做投资决策到最后环节，核心还是看“人”和“机会”。
从投资角度看，风险投资成功的概率并不高。十家企业里，能带来正向收益甚至超额回报的往往只有两到三家，但这些成功企业往往能带来十倍以上的回报。投资公司靠这部分收益覆盖其他投资成本。一个风险投资基金能在七到十年内实现两到三倍的增长就已经是不错的成绩，这和A股的逻辑完全不同。
我们做投资决策，基础判断是看项目有没有足够高的天花板、有没有强竞争优势。但到最后决策环节，核心还是看“人”和“机会”。 早期创业企业大部分都充满问题和漏洞，这时候我们就要判断企业是否有核心的关键人才，以及其创业方向和机会是不是足够稀缺。
对比互联网时代和AI时代，创业企业的相同点是都需要快速迭代，不同点在于人才价值的体现。互联网平台核心靠运营，比如抖音和腾讯微视的竞争，运营能力起决定性作用；但AI和科创企业进入算法时代，人才的稀缺性非常突出，可能少数几个人就能主宰整个行业的技术路径，DeepMind和OpenAI都是如此，关键节点的技术人才就能改变行业格局。
关于AI发展趋势，我个人认为，OpenAI如今越来越偏向纯商业化导向，但像Sora这样的产品，两个月后月留存率就降到1%，说明这条路线不一定是最优的，反而硅谷湾区一些有技术积淀的团队手里的资源和技术卡脖子能力都值得持续关注。对创业者来说，不要盲目跟风头部企业，要重点看技术和定位，在垂直领域做深做透可能更有机会。
ChatGPT出现三年多，AI发展刚拉开序幕，本身还有很多不完美之处，但同样用AI工具，为什么有些人能做出更好的成果？其中的关键在于人和AI的交互能力。 未来生产工具趋同，人和人的差异会体现在对工具的运用能力上，这也是AI时代人才价值的核心体现。"