短短两年间，AI领域风起云涌。从ChatGPT的横空出世到Sora的惊艳亮相，技术迭代速度令人目不暇接，新工具、新理论更是层出不穷。这场席卷而来的AI浪潮，正将我们带向何方？下一个改变世界的高价值应用，将在何处诞生？置身其中，创业者们又该如何抉择——是勇攀技术高峰，还是深耕场景沃土？
7月18日，2025新青年创投大会现场，奇绩创坛合伙人毛圣博、美团龙珠合伙人王新宇、元禾原点合伙人郑丁、闪马智能创始人&CEO彭垚、耀速科技创始人谢鑫，在基石资本执行董事张任奇的主持下，展开了一场富有洞见的对话。他们结合各自的实战经验，围绕技术演进与商业化落地等核心议题，深入探讨日新月异的AI世界。
以下是他们本场对话实录，由创业邦整理。
AI技术跃迁：投资人&创始人眼中的关键突破
张任奇（主持人）：首先想请大家分享一下：过去一年，最令人兴奋的AI技术突破是什么？ 我们先聚焦技术层面进行探讨，后续再讨论商业化落地。
毛圣博：过去一年，AI技术实现了显著的质变。去年，行业还在惊叹于AI能够聊天、绘图，而今年，我们见证了实时多模态交互变得更加自然流畅，并且端侧模型的发展有效解决了隐私保护和交互延迟两大关键问题。这些突破并非孤立现象，它们共同指向一个明确的未来：AI将演变为一个无处不在、可按需调度的操作系统（OS）。
当前阶段类似于2008年智能手机的核心技术已基本成熟可用，但决定性的应用生态和交互范式仍在探索之中。此阶段仅构建一个聊天机器人已经远远不够了，尚不是理想的终极产品形态。
我最兴奋的点在于，大模型正成为这个智能OS的核心基础。我们有望在这个强大的OS之上，构建和孵化出极其丰富的应用生态。这个OS的独特优势在于，它建立在整合了几乎全人类知识的基础之上——这如同拥有了一台可以调用整个人类知识库的个人电脑，其能力是异常强大的。目前，这个OS在许多场景中已具备实用性，但我认为，我们仍处于其应用生态大规模爆发的前夜。
彭垚：AI经过这一年多的发展，大量应用已经涌现。其中，部分应用已具备一定用户基础，海外市场也有诸多探索正在进行。在我看来，当前AI行业正呈现两极分化的趋势：
第一，基础平台大模型公司层面：行业正在经历一轮显著的洗牌。无论在美国还是中国，从AI模型训练到实际落地应用，筛选与整合进程正在加速。第二，专业性/行业性模型公司层面：我深切感受到这类公司正面临较大压力。其核心原因在于，基础模型巨头最终将对专业性模型公司构成强大的替代威胁。
另外，从AI应用落地的角度看，真正成熟、有影响力的大规模应用尚未完全成形，未来两到三年将是竞争的关键窗口期。
王新宇：关于过去一年的技术进展，确实日新月异。诸如Reasoning（推理能力）的提升和多模态技术的发展，已被广泛讨论，这是技术侧的显著进步。
但我认为，更重要的突破在于成本的急剧下降——其速度甚至突破了摩尔定律的轨迹。当前我们正处于一个关键十字路口：技术仍在高速发展；而成本下降也在成为解锁各种应用可能性的基石。
大量创新想法涌现，作为投资人进行财务测算时，我们并不担忧用户增长太慢，反而是基于目前token成本，增长过快可能带来的成本问题。试想，当一家创业公司快速达到100万DAU、1000万DAU，甚至1亿DAU时，推理成本就是重要问题。
尽管如此，我们依然保持乐观。我们预期DAU的增长速度会低于成本下降的速度。据我观察，在中国，接触过大模型驱动产品的用户很可能已超1亿人；而放眼全球，我相信这一数字应已超过10亿。
此外，许多未被直接标识为AI产品的应用，其后台正越来越多地由AI或大模型驱动。从这个角度看，AI的渗透速度是惊人的。
我尤为期待的，是技术进展将催生过去因技术瓶颈而无法想象的全新范式。硬件发展通常较慢，但人们对新交互方式驱动的新硬件充满期待。我认为，未来两到三年内，这一领域将迎来非常显著的变化。
谢鑫：王总提到了芯片行业的摩尔定律。实际上，在生物医药行业，存在着一种被称为“反摩尔定律”的现象：过去四五十年间，行业的研发投入持续大幅增加，但新药产出效率并未相应提升，反而显著下降。这具体表现为“双十定律”——即通常需要投入10-20亿美元和耗费10-15年时间才能成功研发出一款新药。造成这一困境的关键原因之一在于：在进行药物研发项目时，人体临床试验阶段之前，我们无法准确预知候选药物对人体的实际效果和安全性。
然而过去四五年间，技术发展带来了变革性的工具，包括计算机视觉在生物医药分析中的应用、对细胞形态学研究的逐步深入、多组学数据、新型体外测试模型的开发与进步等，大幅提升新药研发在临床前阶段向临床阶段转化的成功率与效率。
AI在此领域的潜力已获权威认可，今年FDA（美国食品药品监督管理局）发布了未来3-5年关于AI应用的路线图。同时，FDA内部也正式推出了名为“AI Agent Elsa”的系统，旨在显著提升其材料审批效率，包括对申报数据的预先审核等环节。
基于这些进展，传统需要10-15年的新药研发周期，有望在未来5-10年内缩短50%，所需的巨额资金投入也至少降低50%。
郑丁：AI的发展确实令人振奋，例如AI具身智能和AI coding在过去两年的显著突破。作为专注于前沿科技与医疗领域的投资机构，我们也非常关注AI与医疗结合的交叉应用。我观察到的一个重要趋势是：整个生物技术领域，乃至大健康产业，其研发模式正日益向scaling law（规模法则）范式靠拢，这种转变也正在驱动生物技术研发范式的根本性创新。
以美国当前的“Stargate”计划为例，该计划旨在通过极其高效且低成本的方式，例如仅需10毫升血液样本进行早期筛查，利用AI算法进行快速分析，在48小时内将个性化癌症疫苗注射入患者体内。核心目标是将癌症精准控制在早期阶段，从而大幅提高人类攻克此类重大疾病的可能性，这正是AI赋能医疗健康领域的强大体现。
此外，正如前面嘉宾提到的交叉领域应用，在终极能源——可控核聚变领域，AI也在展现巨大的潜力。我们几年前曾投资过国内一家该领域企业。在AI介入之前，行业普遍预测可控核聚变的商业化需要20年、30年甚至50年的漫长周期。然而，AI在优化等离子体控制模型方面的突破性应用，显著缩短了人类实现终极能源商业化的时间表，这同样是一个极具革命性的突破。
从实验室到市场：AI商业化的实战路径与核心挑战
张任奇（主持人）：谢谢各位。接下来我们进入第二个议题——商业化落地。在AI的商业化落地方面，闪马智能和耀速科技都有了比较成功的尝试。请二位介绍一下各自的经验。
彭垚：我认为AI的商业化路径主要分为两大方向，一是面向C端的日常交互应用，目前这个领域已有许多尝试，但尚未出现显著创新或更丰富的成熟模式。一些原本拥有庞大用户基础的C端公司，也在积极探索更多样化的AI应用。这反映出，无论是C端还是B端，在现有用户流量基础上进行AI落地，是一条更为可行的路径，而本身就拥有庞大客户群体的公司，其AI应用的成效明显优于初创公司，成功的机会也更多。
二是面向特定行业的行业性AI解决方案，这类应用的推广初期往往耗时较长，因为每个行业都有其固有的商业模式和运行逻辑。评估行业性AI的落地潜力，核心在于关注行业本身是否处于变革期，而非仅仅关注AI技术可能为该行业带来的变革潜力。
以新能源行业为例，当前中国新能源产业正处于高速扩张阶段，投资增量巨大。在此背景下，我们推广AI驱动的无人电站和智能运维等解决方案就相对顺利和快速。
反观传统交通行业，像高速公路建设领域，其自身建设周期本就漫长，且当前投资规模和收益水平已不如从前。即使AI能带来显著效益，这类处于停滞或收缩期的行业也缺乏采纳新技术的动力。
因此，行业性AI的推广成效，很大程度上取决于该行业自身的投资趋势和资产规模，而非单纯由AI技术的价值决定。如果某个行业的整体投资量大幅下降，即使AI能解决其关键问题，落地也会异常艰难。成功应用AI的关键，在于敏锐识别并顺应行业的变革趋势，再思考如何利用AI技术去适配这些趋势，解决行业变革中产生的核心痛点，进而支撑未来的商业模式和发展方向。
谢鑫：耀速科技的商业化策略核心是围绕下游客户的实际需求展开。我们现阶段主要服务的对象是全球头部制药企业，以辉瑞为例：我们在计算机视觉和图形学领域的AI算法进行合作，联合开发基于病理图像或毒性预测的分析工具，帮助辉瑞在临床前或临床研究阶段，实现更精准的医学影像解读和结果判读。
同时，在监管合规层面，我们也在积极与美国食品药品监督管理局和中国国家药品监督管理局合作，共同推进跨平台数据验证以及相关行业标准的制定工作。因此，我们技术路线和发展方向的选择，根本上是基于对客户，特别是下游制药企业具体需求的深刻理解和响应。
张任奇（主持人）：接下来，商业化落地相关问题，抛给三位投资人，各位投资人在今年以来看到AI在哪些细分场景的落地取得了新进展？
毛圣博：过去一年，我认为最值得关注的仍是Agent。但需要指出的是，目前市场对Agent的概念存在混淆：部分标榜为Agent的产品实际上只是Workflow，甚至可能仅是Pipeline。实际上，真正的Agent必须具备四要素：一是有明确的任务目标；二是自主规划能力，能够独立制定执行路径；三是工具调用能力，可自主选择并操作外部工具；四是环境感知与进化能力，能够实时响应环境变化并实现自我迭代。缺少其中任何一项，都不能算是真正的Agent。
在商业化层面，我认为Agent最大的潜力在于其执行可靠性。如果能够将Agent执行任务的可靠率提升至90%甚至95%，那么它将彻底从技术演示品转变为真正的生产力工具。
王新宇：我认为商业化始终应围绕客户价值这一核心展开。按数字化程度可将商业场景分为三类：第一类是纯比特世界，如ChatBot，其产品迭代速度天然更快，用户尝鲜门槛更低，因此当前商业化进展最显著的领域必然集中于此，从ChatGPT等产品的爆发可见一斑；第二类是纯物理世界，如消费科技硬件产品；第三类则是介于比特与物理世界之间的中间形态。
以我们投资的公司“数美万物”为例，它就属于第三类商业场景，是比特世界和物理世界之间的桥梁。该公司由抖音/TikTok创始团队成员创立，过去一年公司基于AI 3D生成技术和供应链深耕，打造了一个过去不存在的商业模式：即通过AI 3D生成帮助用户定制全球唯一的实体商品，平台同步完成生产交付。这标志着AI正创造全新的商业价值——传统电商依赖"小单快返"优化既有供应链，而“造好物”（数美万物公司的产品名）实现了从虚拟设计到实体制造的闭环。尽管该模式仍处早期且实施难度极高，但已证明技术可催生前所未有的供给形态。
同时我们看到，人类始终存在大量未被满足的需求，如私人司机、保姆、个人助理等，这些需求长期受限于可负担性（每个人都需要，只是支付不起）。而这正是我们布局具身智能领域的原因：机器人应该可以替代人类完成家庭场景的复杂任务，并且让每个家庭都可负担成本。
AI技术的本质在于通过创造新型供给满足潜在需求，尽管初期这些方案常被视为不可能任务，但当其达到某个拐点时将实现某种程度的科技平权，最终以普通人可承受的价格满足那些有需要但不能被满足的需求。
郑丁：我认为需区分看待具身智能与AI Agent的发展路径：具身智能本质是与物理世界产生交互的agent，而我们经常提到的AI Agent则主要是聚焦在虚拟世界。当前两者均致力于提升社会生产力规模，但具身智能若实现技术愿景，将首次达成生产力与生产资料的融合统一——这正是该领域被赋予极高商业天花板的核心逻辑。
在商业化落地层面，以去年海外爆发的AI coding编程工具为例：由于硅谷的AI人才成本极为高昂，市场价格常达百万美元量级，甚至国外顶级技术专家签约价甚至超越职业NBA运动员，这一块形成巨大的商业机会。然而初创公司的先发优势极为脆弱，当头部企业快速跟进，例如前段时间亚马逊也发布了相关产品，性能立刻反超了大部分创业公司，初创公司的技术壁垒很容易就被瓦解了。这印证了虚拟世界AI Agent领域留给初创公司的生存空间有限，其成功必须依赖较为细分场景切入，逐步快速构建可持续的商业护城河。而具身智能由于涉及与物理世界的交互，相对前面提到的产品会复杂很多，各类玩家更多还在一条起跑线上，同时基础还涉及具身本体的制造业能力，这一部分很多初创企业反而具有优势。
张任奇（主持人）：感谢分享。接下来请两位创始人从各自专注的领域出发，针对未来3-5年的技术演进趋势进行展望：在你们深耕的细分场景中，哪些关键性变革将深刻重塑大众的日常生活方式？
彭垚：闪马智能目前主要聚焦在能源、交通等重工业场景。我们正在研发的工业级人形机器人无需双足行走，采用固定底盘设计，承重能力达3吨。其核心应用场景锁定在汽车零部件生产线——相比整车厂，零部件制造环节的人力密集度更高。通过部署AI模型训练，我们将物理空间（生产线）与虚拟空间（数字孪生）的数据流打通，形成统一的空间智能系统。例如，当模具工艺数据完成数字化建模后，人形机器人即可同步调用该模型执行生产辅助任务，实现跨场景的效率同质化。
这套技术体系的本质是构建一套可复用的基础数据框架：从工业设计端输入参数，到生产端实时反馈优化，全周期加速迭代。未来，重工业的设计到生产闭环将持续压缩，而我们当前的业务重心仍聚焦于B端工业场景的纵深应用。
谢鑫：刚才提到物理世界和虚拟世界，我们生物制药行业里有个词叫“干湿结合”，“干”是做AI的计算，“湿”是做细胞的化学实验，用湿实验测试出来的数据不断用到干实验算法里，让它去做更优化的实验设计，包括对药物进行预测和研发，在这个过程中形成闭环系统。
未来三到五年，生物制药行业公认的三项颠覆性技术是人工智能、实验室自动化与体外新型模型。其中实验室自动化直接解决了30%以上实验无法被第三方复现的痛点，问题根源在于人工操作带来的波动。
以晶泰科技的自动化平台为例，它在一周内可完成的工作量相当于10名博士乃至10名科学家手工操作一到三个月的产出，细胞活性、化合物浓度梯度等关键指标的CV值从15%降到3%以内，所有数据实时上传云端供AI即时调用并更新模型权重。这套体系不仅用于肿瘤、自身免疫疾病的小分子或大分子药物筛选，也已扩展到化妆品功效原料、功能食品以及长寿与抗衰干预物质的快速验证，最终目标是把“发现—验证—优化”全流程压缩到常规实验室无法企及的时间尺度，让更安全、更有效、更便宜的健康产品早日惠及普通消费者。
AI创业十字路口：技术颠覆 or 场景深耕？
张任奇（主持人）：现在开始AI创业，有哪些比较看好的方向？创业者该做“技术颠覆”还是“场景优化”？
毛圣博：我认为该问题包含两个关键层面：首先是AI技术驱动的宏观社会变革趋势，其次是创业者在此趋势下的战略定位。关于第一层面，未来5-10年AI将重构社会价值链与分工体系，其核心影响在于重塑劳动价值的创造方式——正如Karpathy提出的"软件3.0"理论，当前人机协作模式可能演进为AI自主完成工作的新范式。这种对劳动本质的颠覆性改变，是每位创业者必须面对的战略背景。
关于第二层面，创业者的能力模型需匹配时代特征：移动互联网时代以工程师型创始人为主导，而当前AI创业浪潮中，具备科研背景的联合创始人正成为核心要素。2022年后硅谷涌现的数十亿美元估值企业印证了这种"科研+商业化"双引擎模式的重要性。
创业者应基于自身禀赋明确路径：科研型创始人需推动特定领域的技术前沿突破，商业敏锐型创始人则需构建顶尖科研团队。
王新宇：我补充一点，创始人必须先认清自己在细分赛道里的“基因”。不论出身是科学家、工程师还是商业运营，都要先把这个细分能力打磨到世界级，而不是只满足于在中国市场领先。技术出身的人要补商业、补产品、补用户视角；商业或产品出身的人则要补技术深度，至少对大模型的能力边界和工程细节有体感，否则会被技术浪潮甩下。
今天“Agent”这类原生能力已经把技术和产品的界限抹平，产品经理也得像半个算法工程师一样思考。总之，一是要找到自己的最长板，二是要想想自己最容易忽视的事情。
郑丁：我想补充的是，创业和投资首先拼的是“进浪”时间窗口。十年前做通用AI芯片就是黄金窗口：比如我们十年前投资了寒武纪，英伟达的CUDA生态尚未成型，国内只要做出一颗可用的AI芯片就能拿到资本和订单。如果今天创业者再进入去做算力芯片，浪头已过；相反，当算力大幅度提升后，节点间、数据中心间的高速互联要求越来越高，这块反而成了新缺口机会，这是下一轮基础设施机会之一。
因此，如果你现在想切入AI，不要再去追大模型、GPU这类风口，而要回到自己真正擅长、且尚未被巨头盯上的细分赛道——哪怕它现在看起来是边缘的。先在那里建立技术或场景护城河，然后等待技术范式或市场需求的下一轮迁移。我们要找的，正是能在类似“无人区”里提前卡位的创业者。
张任奇（主持人）：最后一个简单的问题，大家用一句话寄语AI创业者。
毛圣博：一个字“冲”，这么好的时代，就是冲！
彭垚：我建议先看清趋势，再选细分赛道：国内已极度内卷，出海很快也会拥挤，唯有预判行业即将发生的结构性变化，才能锁定真正属于自己的机会。
王新宇：我的建议是一本书/三页忠告。第一页只有四字——不要创业，这是我衷心的建议；若你仍坚持，那就翻开第二页，上面写着：创业要做什么？做那些你觉得世界因为你做了这件事而更美好的事情，做那些“非你不可”的事情。第三页非常简单，前两个问题都想清楚了：来找我们，给你钱。最后我不祝你一帆风顺，只祝你乘风破浪。
谢鑫：我希望大家在AI浪潮下一起创造未来、拥抱未来，找到自己的闪光点和足够细分的应用领域。
郑丁：给AI创业者的提醒是一个词语——“冰山”，我们目光所能看到只是冰山浮在水面上的部分，水面以下其实是更大的，是积累，没有水下的积累，海面之上的一切会很快融化。
