“工业生产制造是高度依赖物理和物质的过程，这就要求AI的输出结果必须具备明确的物理意义。”

“在垂类工业场景中，工业大模型反而不太适用，工业小模型更具优势，也更适合本地化部署。”

“工业发展逻辑是从规模化生产，到流程化、模块化，再到灵活自动化，其核心核心是工序。”

“AI是技术和手段，工业是应用场景之一。从投资视角看，我更关注两个方向：技术迭代的深度和应用场景的渗透程度……”

AI+制造正在卷起新一轮产业革新浪潮，从声学检测到3D打印、编程试教，创业者们在拥抱AI，拥抱大模型的过程中也在逐渐触及当前人工智能应用能力的边界。

大模型之于工业，从很有价值到落地场景、稳定可用，还有多远的路要走？在投资人眼中，怎样的创业企业会脱颖而出获得机构青睐，面对持续迭代的竞争对手，他们又建立起“护城河”？

在2025创业邦新青年大会现场，领声科技创始人、董事长邓哲，海尔创投产业投资合伙人郭庆淳，阿奈索三维创始人&CEO刘瑞，新鼎资本合伙人刘霞，万勋科技联合创始人钱钟锋，越秀产业基金副总经理、合伙人吴煜，朝希资本管理合伙人闫绪奇，与世辉律师事务所合伙人王晓栋围绕上述问题分享了他们的创投洞察。

创业者们对新技术保持乐观，但同时对实际应用中面临的挑战有着清醒认识。投资人们则着眼于产业生态及商业逻辑提出了诸多中肯的建议。

以下是现场焦点对话实录，由创业邦整理：

01 制造向自主决策演化，将会释放哪些机遇

王晓栋：感谢各位嘉宾的分享。今天在场的既有投资经验丰富的投资人，也有各类创业公司代表。

第一个问题想请教各位创业者：智能制造正从自动化向自主决策演进，在这一趋势下，大家认为存在哪些商业机会？初创公司又该如何把握？

邓哲：这对我们来说是个很有价值的问题。领声科技是一家基于声学技术为电池制造领域提供解决方案的公司。声学检测本身是一种相对传统的检测方法，但AI和大模型的发展赋予了传统检测技术新的可能性。

过去，检测在很多行业被认为是“不创造价值”的环节。比如制造100个产品，不检测可能全量销售，检测后若发现5个不合格品需要报废，反而会增加成本，这也导致传统检测技术在工业领域的推广存在较大阻碍。

而新算法与 AI 技术的加持，让检测技术具备了反向调整生产制造的能力。以电池制造为例，通过新的声学手段实时监测关键工艺环节的变化后，我们可以借助AI模型动态调整生产设备参数，形成正向反馈。这使得检测不再只是判别产品“好与坏”，还能根据结果实时优化生产策略和工艺，从而让生产流程更平稳顺畅，降低损耗与成本。

随着这类反馈机制的落地，生产参数能通过算法动态调整，持续保障生产质量，制造将真正从自动化迈向自主化，传统检测技术也将在新工业制造中焕发新生。

刘瑞：我从3D打印行业分享一些观点。制造业的自主决策是行业常讨论的话题。 3D打印诞生几十年来，本应推动制造业从“标准品大规模生产的超级工厂”转向“定制化产品的分布式制造”，但这个口号喊了几十年，始终没有太大突破。不过近几年，大模型的发展让这一目标有了更多落地可能。

国内制造业供应链很成熟，我们也在和美国、德国的制造业企业谈合作。目前不少国外企业在搭建云接单平台，把全球各地企业的3D打印机、机床等设备接入云端，实现机器联网。平台能自动接单、分析客户需求，再把订单智能分配到各个设备，最大化提升设备利用率，最终产出定制化产品。这也是我们一直和行业共同努力的方向。

具体来说，我们正通过大模型推动技术落地。以前机器只做自动化加工，现在借助大模型，从设计端就能实现突破。比如过去建模画图需要专业工程师，现在客户只要把机器接入系统，平台就能自主完成建模。无论是3D打印机需要的切片文件，还是机床需要的CAM程序，都能自动生成。当然，完全实现还有很长的路要走，但目前在大模型支持下，相对简单的零部件流程已经能局部跑通。

钱钟锋：传统自动化更多承担的是“执行”工作。我们所做的编程示教，本质上是让设备按既定轨迹完成动作。它的输出很简单，通常只是“是或否”地判断。一旦出现问题，也只是发出报警，最终还是要靠产线人员解决。而谈到“决策”，无论是机器人还是其他设备，若想提升认知能力，需要从几个方面入手。比如结合产线环境强化环境感知能力，以及具备实时动态规划能力。在新的技术背景下，我们能看到的一个方向是，让产线上的机器人拥有与人相仿的柔性作业能力，这与我们的技术方向高度契合。

我们判断，相关需求主要来自两方面：一方面，传统工业物联网产生的海量数据，为机器人训练提供了基础；另一方面，需求侧对产线智能设备的要求在提升——希望它们具备柔性制造能力、泛化作业能力，同时能减少新设备部署成本、缩短调试周期，最终提升产线整体效率。

在传统自动化领域，我们也发现了一些机会和未被满足的需求：部分场景需要通过融合多维度数据（比如视觉、力觉数据，以及动作规划的复杂实时判断）来辅助完成快速决策，但这类作业目前还没有很好的智能化落地方案，大部分仍依赖人工完成。并且，部分特定场景已有的解决方案，其成本仍相对较高，性价比不足。

但这类需求，结合万勋科技领先的软体机器人及精准柔性控制技术，我们能提供一套成本更低、更安全且泛化性更强的智能解决方案。关于产品规划，今年下半年我们会陆续推出相关产品及应用，也期待大家关注。

02 AI+工业的投资逻辑

王晓栋：感谢三位创业者的分享。刚才三位在分享中都提到了AI大模型，这是一个很关键的点。接下来想请投资人们聊聊，在“AI+工业”的热潮中，大家比较关注哪些细分领域？也借此给创业者们一些方向上的参考和建议。

郭庆淳：海尔作为大家熟知的民族工业品牌，至今已有四十多年的历史。大家传统认知里，海尔以家电为代表，属于传统制造业，但实际上我们早已积极拥抱AI，并且布局了智慧住居生态、大健康产业生态和数字经济产业生态三大赛道依托集团雄厚的产业背景，海尔创投坚持产业投资，投向聚焦硬科技和大健康，希望做成“更懂产业的投资人”。

我个人觉得从投资角度看，AI领域的长期机会有四大方向：

1. 工业场景智能化与数智化相关领域。具体到赛道上，近期会重点关注具身智能机器人的上游，比如核心零部件及有突破性的关键技术。在工业机器人和协作机器人领域，我们已有不少投资，也储备了一些拟投项目。海尔创投采用“母基金+直投”模式，同时也成为青岛百亿具身智能机器人产业基金的管理人。基于这些基础，该赛道将是我们下一步关注的重点。

2. AI+医疗领域。海尔大健康板块目前有3家上市公司，业务覆盖生命科学、医疗器械及医疗服务。去年收购的上海莱士，让我们也拥有血液生态及血液制药领域的上市平台。目前我们也在探索“AI+医疗”，为医疗产业实现“强链、延链、补链”，这类项目对整个产业生态而言，也具有长期投资价值。

3. 工业大数据平台。我们集团也布局了有代表性的工业互联网平台我们也在关注其上下游的投资机会。

4. 供应链与物流智能化领域。随着“AI+工业”浪潮兴起，供应链与物流的智能化是我们关注的重点。我们基金此前投资的极智嘉，已于上周在香港上市。这是一家AMR领域的企业，聚焦智慧仓储渗透率提升，目前已做到AMR市场份额全球第一。供应链与物流的智能化能为“AI+工业”变革中的相关公司及赛道提供赋能，也建议大家关注这一方向。

刘霞：我们目前在关注人工智能，包括具身智能，以及半导体相关产业链，并且在人工智能领域已投资多家企业。我认为AI智能体赛道有巨大发展空间，它正在重塑制造业的价值链。比如通过AI大模型、DeepSeek的部署以及产业链协同，能优化工艺流程、实现降本增效，成本可得到显著降低。

我可以分享几个实际案例。比如，我们投资的一家企业在智能化工厂部署AI后，产业链效率大幅提升。以往仅在生产终点进行产品缺陷检测，现在能在各个工艺节点提前优化，整体良品率显著提高，成本降低了20%-30%。

在智能装备领域，AI应用也加速了产业链升级。我们投资的一家国内前沿企业，主营电子数字设备及CDCM良品检测设备，通过AI部署重塑了产业链，同时加速了知识图谱建设。工业设备场景往往复杂，AI部署能针对性优化场景效率，还能在关键节点实现工艺改进，比如在计算光刻核心的晶圆检测环节，AI应用直接提升了节点良品率。

机器学习平台在工业领域的应用也是重要方向。我们投资的相关企业在该领域有丰富实践，除工业场景外，在银行后台、券商等领域的应用还提升了风险控制与预警能力。再举一个案例，AI agent在港口的应用优化了船舶停泊时间和作业流程，不仅成本降低30%，效率也明显提升，该企业今年业绩预计增长25%-30%。因此，AI智能体和机器学习平台在工业领域的应用场景非常广阔。

此外，机器人在工业领域的垂类应用也是我们关注的重点。比如我们正在跟踪的一家机器人企业，专注于工业航天领域——以往高温高频环境下人工操作效率低，而“工业机器人+AI”的模式不仅提升了作业效率，还能对精密部件进行研磨，精度大幅提高。

未来，我们会重点关注这些方向：AI智能体、机器学习平台在工业的应用、工业机器人垂类场景，以及底层数据库和AI应用相关领域，这些领域都有较大发展空间。今年我们在该赛道已有布局，1-6月已投项目金额超13亿元人民币，下半年计划投资10-15亿元人民币。如果有相关创业企业需要融资，欢迎联系我们。

吴煜：前面两位嘉宾从具体案例展开了分享，大家的视角都比较开阔，我这里稍微“收一下”再往下挖一点。

我想讲三个方面：一是重新审视“工业”的本质；二是基于这个认知，看AI或智慧化对工业的影响具体体现在哪些环节；三是从长期视角看哪些领域更具备投资价值。

先看“工业”它的发展逻辑是从规模化生产，到流程化、模块化，再到灵活智慧化。而工业的核心是“工序”，我们今天聊的所有内容其实都和工序相关，比如前面提到的声学检测、光学检测，本质上都是特定工序的体现。回顾工业中工序的执行主体，最早是人工，后来出现机器。机器先经历了机械化，解决线动力学问题，接着进入机电化引入强电，再引入弱电进到信息化。而AI的出现，是在信息化基础上推动工业走向智能化，即通过弱监督、半强监督的机器学习方式，让工序执行进入新的阶段。这就是AI或智慧化对工业影响的核心逻辑，是一个层层递进的过程。

这种影响具体体现为两个现象。一是对原有工序的改造。比如传统检测依赖人工，现在可以通过光学、声学等技术，结合机器和智慧化手段优化工序，提升效率。

二是创设新的工序。比如在物流领域，在AGV、AMR基础上拓展到低空空域，利用三维空间实现工业转运。再比如3D打印为代表的增材制造，依托粉末冶金、树脂ABS工程塑料等材料技术，结合工业图形软件和机电技术，形成了一套全新的制造工序。

无论是改造原有工序还是创设新工序，最终目的都是提升工业制造效率，更好地满足物质需求。

再谈长期投资价值。从数字技术或AI对工业的作用来看，核心可分为三个环节：感知、决策、执行。

智慧感知，这是基础。工业互联的第一步是获取数据，也就是把物理世界中的声、光、电、温、湿、热、颜色等信息转化为数字信号。比如对3D空间的感知数据，能成为人工智能、机器人控制、自动驾驶的大模型“语料”。还有一些肉眼无法捕捉的细微数据，在工业场景中反而至关重要。再比如当前人类向极深空、极深海探索，向极宏观和极微观领域突破，像水下涡流这类的复杂物理学状态仍然难以用数字化描述的信息，正是智慧感知需要解决的问题。

智慧决策。这需要结合工业互联中的数据，解决底层的工业求解问题。而这类问题目前不少还是“卡脖子”领域。决策的核心是把感知到的数据转化为具体指令，最终要反馈到工序中。

智能化执行。将决策落地到实际工序，这一环节会融合机电技术与智慧化技术，贯穿所有工业环节的优化过程。

在我看来，这三个环节没有轻重之分，长期来看会形成“飞轮效应”——某一个环节的突破会带动另外两个环节，三者相互传导、协同发展。不过从投资人视角，我个人更偏向于“智慧决策”。

闫绪奇：前面三位嘉宾已经从案例和投资逻辑等方面做了很深入的分享，尤其是吴总的分析，非常透彻。

从2015年成立后，朝希一直深耕于两个产业——能源与科技。能源板块，横向包括一次能源、二次能源、负荷侧等，纵向从材料、装备到制造、应用均全面覆盖；科技板块，除了电子与半导体之外，我们又向AI、具身智能，以及低空、商业航天等未来产业板块做了延伸。

我们依托于过往积累的丰富的产业资源，在以上产业链的各个环节都做了布局，例如作为海辰储能首轮融资时的唯一一家机构投资人并连续投资3轮，主导正泰新能的分拆并加注数亿资金，在装备环节支持拉普拉斯、通嘉宏瑞、合肥欣奕华等泛半导体装备企业，在科技板块布局机器人上游传感器企业灵动佳芯等等。

带着交叉融合的视角纵观朝希所深耕的这两个大赛道，“AI+工业”必然是不可避免的关注重点。对我们来说，“AI+工业”的核心很清晰：AI是技术和手段，工业是应用场景之一。从投资视角看，我更关注两个方向：技术迭代的深度和应用场景的渗透程度，这也是我判断项目的两个关键标准。

AI技术与工业应用场景的结合，需要“桥梁”。这既有偏软的部分，比如系统性解决方案、管理体系；也有偏硬的产品类，比如大家提到的机器人，或者智能驾驶相关技术，甚至AR眼镜也属于这类。对创业者和投资机构来说，核心是找到技术与场景的结合点，以及如何通过产品迭代让这种结合更紧密。

另外，技术迭代到一定阶段必然会走向“平权”。当技术不再是少数玩家的壁垒时，谁能找到精准的应用场景并做深做透，从技术壁垒转化为商业壁垒，谁就能更大概率成功。这是我比较看重的一个逻辑。

再具体到赛道，刚才郭总提到的机器人、具身智能领域。其实有个值得关注的点，春节前后这个赛道热度很高，做本体、大模型、“小脑”系统，以及手臂、灵巧手、移动部件的公司很多，但上游零部件环节仍有不少未解决的问题。我们认为能够填补上游短板的某些细分赛道在未来几年可能有较大的发展价值。

简单总结一下，在“AI+工业”领域，我们主要关注两个大方向：一是应用场景的精准度与深耕程度；二是连接技术与场景的具体产品，包括产品如何打磨，以及如何与场景深度融合。

03 AI浪潮下，企业的新挑战

王晓栋：感谢各位的分享。AI新技术的持续涌现带来了机遇，但机遇背后往往伴随着挑战。想请各位创业公司的创业者们聊聊，在新技术不断迭代的背景下，你们认为企业面临的最大挑战有哪些？

邓哲：从挑战来说，AI技术，包括工业大模型，在工业领域的应用其实难度很高。因为工业生产制造是高度依赖物理和物质的过程，这就要求AI的输出结果必须具备明确的物理意义。通用大模型的输出可能允许一定误差甚至“幻觉”，但工业场景中，一旦AI输出偏离实际物质世界，就可能引发生产事故或造成损失。这也是为什么工业领域的AI应用必须高度垂直，需要对具体场景有深刻认知，给AI设置清晰的物理边界，才能实现有效应用。

当然，挑战中也蕴藏着机会。AI正在改变传统自动化制造的逻辑。传统自动化追求以预设节拍和参数精准推进生产，但实际制造中，原材料、环境、人工操作等因素的波动，总会让生产偏离预设状态。而AI能通过实时采集关键工艺数据，反向动态调整制造参数，从而抑制波动。这个过程能显著提升制造效率和良品率，最终创造更高的制造价值。

刘瑞：邓总的分享很深刻，我非常有共鸣。现在整个行业都在谈AI，好像科技公司不做些AI相关的尝试，都算不上科创型公司。我们公司也在3D打印机的功能里叠加了AI技术，但过程中发现一个核心问题：物理世界很难实现精准地输入和模拟。

做一个聊天机器人实现起来相对容易，因为使用者对误差的容忍度较高。但在工业加工中，哪怕一点偏差都可能影响结果。有时候是传感器精度不够，导致最终效果打折扣。有时候是材料流动过程中，配方或流体力学状态不够稳定。这些都会让AI功能的实际表现打折扣。很多企业花大代价开发出带AI的生产功能，可能只能实现百分之七八十的预期效果，剩下20%的精度差距会直接影响体验。客户用的时候，可能10次里有7次靠谱，2次出问题，反而浪费时间。我们就发现，有些客户买了带AI功能的产品，初期觉得新鲜，但用着用着就把这个功能关掉了。

除了邓总提到的物理世界适配问题，企业决策层面也面临很大挑战。要不要在这个时间节点投入大量资金去做AI功能？不做的话，怕一步落后、步步落后，做了又可能面临“功能被客户关掉”的风险。对当下的创业者和决策者来说，怎么找到投入与回报、创新与实用之间的平衡，是需要认真思考的问题。

钱钟锋：目前工业大模型及新兴技术在自动化领域的应用已经不少，比如标准化作业SOP、传统工艺制造、供应链体系优化、预判性维护等，我把这些统称为“后置性预判”。刚才吴总提到更看重决策环节，其实可以再深挖一层——对现有企业来说，决策环节最难的是“实时性”、“精准度”。这一点，尤其是在中小型企业的智能产线应用中，会成为最大的挑战。

对于工业模型应用的选择策略，我的观点可能略有不同，就是在垂直细分的工业场景中，工业大模型反而比较受限制，落地略显局促，工业小模型则更具优势，也更适合本地化部署。究其原因，一方面，小模型对算力和硬件的要求较低；另一方面，小模型能更好更快地解决传统大模型可能出现的过拟合问题。而现代化产线中动态决策对实时性、高精准度的要求（比如汽车行业遵循的“6sigma”标准——每百万次配置或工艺操作中，错误不能超过3.4次），与小模型的特性更为匹配。

自动化领域是高度专业化的领域，复杂、精确、流程化是它突出特点，对错误、异常和停线的容忍度极低。而在这种背景下，结合我们万勋科技的软体机器人技术——它和小模型类似，对算力、训练数据的需求量都比较小，具有更好的场景泛化应用能力。同时还有成本低、安全性高的特点，软体机器人在自动化垂类场景中，与工业小模型的碰撞和融合，将会是一套广具潜力的泛化应用解决方案。

04 投资人眼中，智能制造的护城河

王晓栋：刚才创业者们分享了在新技术浪潮下遇到的挑战。接下来想请投资人从投资视角，给创业者们一些经验分享：在你们看来，智能制造企业的长期护城河是什么？看项目时又有哪些核心考量因素？可以给一些要点式的总结。

郭庆淳：要说长期的护城河，其实不太容易界定。在我看来，护城河需要从变量和定量两个维度去考量。变量涵盖运气等因素，今天我想说说三个“定量”护城河。

1. 技术壁垒。这是个老生常谈的因素，也是任何投资人都无法回避的。对于产业而言，大企业经过几十年沉淀形成的技术壁垒，无疑是其最大的优势和最坚实的基础。如今有了AI的赋能，处于初创期、爬坡阶段的企业，在技术积累上可能比三四十年前改革开放后（尤其是“92派”企业家们所处的时代）更具便利条件。所以，技术壁垒是我想说的第一点，这确实是绕不开的话题。

2. 商业落地能力。这其实等同于给客户创造价值、让客户愿意付费的能力。刚才旁边这位嘉宾提到，有些产品和功能做出来后，客户用着用着就删掉不用了，这正好印证了我所说的——如果付出大量成本却无法让客户愿意付费，那就存在问题。我们在筛选项目时发现，有些项目技术壁垒确实很高，创始人是科学家、大学教授，甚至有院士站台，但一聊到商业化，投资人往往就心里没底了，这也是影响投资决策迟迟无法确定的重要原因。回到AI和大数据赋能工业企业这个话题，关键在于如何利用大数据平台及积累，规避商业化落地的短板，走合适的捷径实现降本提质增效。因此，商业落地能力在我们筛选标的时非常重要。

3.生态相关能力。海尔创投采取的是产业生态投资策略，我们会聚焦“生态”二字，重点考量被投企业利用生态、融入生态乃至搭建生态圈的能力。早在2019年，海尔文化价值观中有这样一句话：“未来，产品肯定会被场景替代，行业终将被生态覆盖。”如今，这句话早已成为现实。我们在投资时，给被投企业提供的不只是资金支持，还会凭借强大的产业生态背景，为企业提供产业和生态赋能。我们有足够多的场景可以帮助企业验证产品，要是企业做得好，我们甚至能导流一些订单。反过来，这也能验证投资团队筛选的项目是否过硬。我认为，未来的企业家要注重培养搭建生态圈的能力。

刘霞：今年上半年我们投资了13亿元，涉及14个以上的项目。我们团队每年看过的项目超过200家，全公司所有团队每年看过的项目则超过500家。关于长期护城河，我结合我们关注的赛道和具体案例来分享。

第一个是“构建平台化生态的能力”。以我们关注的半导体装备、材料及零部件领域为例，这个领域细分赛道多，零部件品类繁杂，不少品类都有对应的上市公司，但单个细分市场规模往往不大，比如20亿到30亿，这让长期股权投资决策有一定难度。因此，我们筛标的时会重点看其是否有平台化构建能力。比如今年上半年我负责投资的一个项目，我们投了2亿多人民币。这个项目我跟踪了多年，它最初做零部件——工件台，后来快速发展为“装备+零部件”的平台公司，包括建禾设备，也用在国内最大的存储场和逻辑场。建禾设备有5-6款，在国内也是出货量第一的。同时还涉足技术壁垒极高的静电卡盘、退火设备等领域。这类能从单一产品向平台化拓展的企业，抗风险能力更强，这也是我们重仓它的原因。

第二个是“供应链抗风险能力”。我们有一个重仓3亿多人民币的项目，是华为供应链企业，主要做光刻胶。过去光刻胶原料大多从日韩核心企业进口，日本相关企业封锁后，国内采购变得困难。而这家企业从化工原料单体到成品全产业链布局，有效规避了原材料采购风险。这一点在半导体领域尤为重要——比如核心装备企业，若能自研卡盘、射频电源等原本依赖海外进口的核心部件，不仅能提升抗风险能力，还能增强创新能力，这是我们重点考量的方向。

第三个是“持续创新与研发，以及核心团队实力”。我们从2019年开始布局光刻机赛道，是国内唯一一家覆盖光刻机整机及所有核心零部件的投资机构，涉及光源、曝光系统、双工件台、OPC计算、光刻软件及整机等，已在该赛道投资十几亿元。之所以布局，正是因为这个领域有极高的创新壁垒，相关企业每年研发投入甚至超过2-3亿元。目前我们也在挖掘这个赛道更上游的投资机会。

此外，我们还看重“在生态中的意义”。比如在前道核心装备领域，除光刻机外，我们还布局了原子层沉积设备、检测设备、CNT设备等，这些都是生态中不可或缺的环节。当然，管理团队及其核心竞争力也是我们评估的重要因素。

吴煜：我简单分享三点，前两点可以衔接海尔同事提到的内容。

第一是“尊重技术”。过去我们看到，最好的技术未必能留存到最后——比如软件标准、通信协议的发展历程都是如此。但在未来的科技发展中，不管是做AI还是其他领域，企业家和创始人必须从本心尊重技术。即便最终未必是“最优技术”胜出，这种对技术的敬畏和重视，是长期发展的基础。

第二是“尊重商业规范与商业价值”。现在大家常说“内卷”，很多时候其实是陷入了零和博弈。我们判断一个企业的长期价值，关键看它是否在做“正和博弈”——不管解决的是企业、行业还是国家层面的问题，能创造增量价值才是核心。更进一步，能否实现多赢、共赢，这才是商业的本质，也是我们看重的“利他”思维。

第三是“长期的企业家精神”。这一点是前两点的凝结。就像上午有嘉宾说的“可投可不投的企业就别投”，因为投资后需要一起穿越困难——这一点我非常认同。尤其在当前的国际竞争环境下，项目难免遇到各种挑战。我们看一个企业家，不仅要看他在行业人声鼎沸时能否勇立潮头，更要看他在产业低谷时能否“于无声处听风雷”，对员工负责、给股东信心，甚至能带领行业走出周期、穿越至暗时刻。

总结来说就是三点：尊重技术、尊重商业价值、长期的企业家精神。闫绪奇：我个人比较关注的是团队，这包含两层含义：

一是创始人本身。这和吴总提到的企业家精神相关，创始人的格局、韧性等特质非常关键。

二是团队的完整性与适配性。创业初期的团队难免有短板，可能擅长技术的缺销售，懂管理的缺应用经验，这很正常。但企业发展到一定阶段，必须在关键环节补齐能力，而且团队结构要“适配当前发展阶段”，这一点很重要。

我和企业交流时，常会问创始人“精力主要花在什么地方”。我特别关注他是否把一部分精力放在持续招人上，因为企业发展过程中总会有人离开，需要不断补充新鲜血液。而能否招到优秀人才、让团队越来越强，直接关系到企业能否“走得稳、走得远”。