AI for Science（AI驅(qū)動(dòng)科學(xué)發(fā)現(xiàn)），正在改寫(xiě)科學(xué)發(fā)現(xiàn)的底層邏輯，逐步改變?nèi)祟愄剿魇澜绲姆绞?/blockquote>

　　來(lái)源：財(cái)經(jīng)媒體人 于超

　　AI for Science（AI驅(qū)動(dòng)科學(xué)發(fā)現(xiàn)），正在改寫(xiě)科學(xué)發(fā)現(xiàn)的底層邏輯，逐步改變?nèi)祟愄剿魇澜绲姆绞健．?dāng) AlphaFold 團(tuán)隊(duì)摘得 2024 年諾貝爾化學(xué)獎(jiǎng)，AI 首次以“發(fā)現(xiàn)者”的角色進(jìn)入基礎(chǔ)科研核心，標(biāo)志著 AI for Science 的時(shí)代性拐點(diǎn)真正到來(lái)。

　　AI開(kāi)始深度介入科學(xué)探索全過(guò)程，從加速實(shí)驗(yàn)、輔助建模，到參與提出假設(shè)、反饋驗(yàn)證——AI 與物理、生命等基礎(chǔ)科學(xué)的融合，已不再是工具升級(jí)，而是科研范式的重構(gòu)。

　　什么是 AI for Science （AI4S）？它不僅是用 AI 來(lái)加速實(shí)驗(yàn)，更是推動(dòng)科學(xué)從“靠經(jīng)驗(yàn)試錯(cuò)”邁向“由智能主導(dǎo)”的全新范式。理想形態(tài)下，它應(yīng)當(dāng)像科學(xué)家一樣：提出假設(shè)、規(guī)劃實(shí)驗(yàn)、分析數(shù)據(jù)，并通過(guò)反饋持續(xù)修正、迭代模型，完成閉環(huán)優(yōu)化。 正如深度原理Deep Principle創(chuàng)始人賈皓鈞所說(shuō)：“AI不是要取代科學(xué)家，而是讓更多人站在巨人的肩膀上，用更少的時(shí)間，推動(dòng)更大的發(fā)現(xiàn)” 

　　本期對(duì)談中，賈皓鈞這位 MIT 出身、投身 AI4S 創(chuàng)業(yè)的科學(xué)家型創(chuàng)始人，系統(tǒng)聊了聊 AI for Science 的三階段演進(jìn)邏輯，AI for Science的“ DeepSeek 時(shí)刻”的前提條件，講述為什么這場(chǎng)科研革命在中國(guó)更具落地優(yōu)勢(shì)，也分享 了AI 創(chuàng)業(yè)中最被低估但最關(guān)鍵的創(chuàng)始人能力。 

　　當(dāng) AI scientist、自動(dòng)化實(shí)驗(yàn)與科研生態(tài)的飛輪真正啟動(dòng)，我們距離下一個(gè)重大科學(xué)發(fā)現(xiàn)，或許比想象中更近。

　　01．AI 正在成為新一代科研“引擎”

　　Michelle于超：現(xiàn)在越來(lái)越多地聽(tīng)到“AI正在重塑科學(xué)研究”的討論。而深度原理Deep Principle，正是一家專注在 AI for Science（AI4S）方向的創(chuàng)新公司。能不能具體聊一聊，目前深度原理Deep Principle的技術(shù)方向是怎樣的？產(chǎn)品形態(tài)發(fā)展到了哪一步？在整個(gè)科研鏈條中，你們主要聚焦在哪些問(wèn)題、解決什么樣的科學(xué)難題？作為這一波“AI + 科學(xué)”創(chuàng)業(yè)浪潮中走在前面的團(tuán)隊(duì)，你們的路徑有什么特別之處？

　　賈皓鈞：好的，先說(shuō)一下我們公司的歷程。我們是在 2024 年 6 月從美國(guó)回到中國(guó)發(fā)展的，目前團(tuán)隊(duì)主要在杭州。其實(shí)最初這個(gè)項(xiàng)目是從 MIT 孵化出來(lái)的，我們最早在 2022 年就萌生了這個(gè)想法，之后也得到了很多來(lái)自 MIT 社區(qū)的支持和資源。但最終，我們還是決定把主戰(zhàn)場(chǎng)放在中國(guó)。

　　我們?cè)谧龅氖虑?，其?shí)是用人工智能去解鎖一些全新的化學(xué)反應(yīng)路徑，主要聚焦在化學(xué)材料和反應(yīng)機(jī)制這塊。具體一點(diǎn)說(shuō)，就是 AI for Chemistry & Materials，像 carbon capture（碳捕捉）和功能材料發(fā)現(xiàn)這樣的方向，是我們重點(diǎn)在做的。

　　這兩年，尤其是到了 2024 年，隨著生成式 AI 的爆發(fā)，整個(gè)行業(yè)對(duì)“AI + 科學(xué)”的關(guān)注度明顯提升了，美國(guó)和歐洲很多創(chuàng)業(yè)者和學(xué)者都看到了這個(gè)領(lǐng)域的潛力和機(jī)會(huì)，紛紛出來(lái)創(chuàng)業(yè)。我們也是其中一員。但在國(guó)內(nèi)，我們應(yīng)該算是最早、也是目前唯一一家具備從頭到尾全鏈路能力、專注在化學(xué)與材料領(lǐng)域的 AI 科創(chuàng)公司。

　　02．AI for Science 發(fā)展路徑三階段

　　Michelle于超：在您看來(lái)，AI for Science 當(dāng)前的發(fā)展路徑是否已經(jīng)形成一個(gè)清晰的技術(shù)分層？從數(shù)據(jù)建模、假設(shè)生成到自動(dòng)化實(shí)驗(yàn)，不同階段的AI介入方式分別有什么樣的典型代表和挑戰(zhàn)？

　　賈皓鈞：在化學(xué)和材料領(lǐng)域，AI for Science其實(shí)這些年發(fā)生了很大的變化。就是AI for Science這個(gè)到底是什么樣的定義。

　　我們一般也認(rèn)為AI for science有三個(gè)階段。

　　第一個(gè)階段是 AI 作為科學(xué)數(shù)據(jù)分析工具的階段 （AI Assistant）。我們知道任何的科學(xué)研究都會(huì)產(chǎn)生一些的數(shù)據(jù)。那這些數(shù)據(jù)是怎么個(gè)分析呢？尤其是這里面可能數(shù)據(jù)的維度很高，有一堆X和一大堆Y，我們想知道某一、兩個(gè)Y跟哪些X是有相關(guān)作用。因?yàn)槲覀兛赡芟攵ㄏ騼?yōu)化某些性能，所以這里面其實(shí)有個(gè)非常高維度的問(wèn)題。所以能不能通過(guò)一些簡(jiǎn)單的機(jī)器學(xué)習(xí)模型來(lái)做一些數(shù)據(jù)的分析，降維來(lái)幫助我們比人腦更好的來(lái)理解這些數(shù)學(xué)，或者說(shuō)是一些數(shù)據(jù)背后所隱含的一些含義。這就是AI for science的第一階段作為AI Assistant。

　　簡(jiǎn)單來(lái)說(shuō)，AI 在這一階段的作用是輔助我們理解已有數(shù)據(jù)中蘊(yùn)含的科學(xué)意義，這是 AI for Science 的起點(diǎn)，也是在各類科研場(chǎng)景中已經(jīng)得到廣泛驗(yàn)證和應(yīng)用的部分。

　　第二階段的話，就會(huì)更加智能一點(diǎn)，進(jìn)入了 AI 深度參與科研過(guò)程的階段 （AI Scientist）。大家做科研就一定要做實(shí)驗(yàn)，而實(shí)驗(yàn)通常分為兩大部分，或者說(shuō)科學(xué)發(fā)現(xiàn)分成兩大部分。

　　第一部分就叫做hypothesis generation（科學(xué)假設(shè)生成），就是生成一些科學(xué)性的假設(shè)。這部分過(guò)去往往只有頂尖科學(xué)家能完成，例如牛頓、愛(ài)因斯坦、薛定諤等，他們屬于極少數(shù)能從復(fù)雜現(xiàn)象中提出突破性理論的人。但現(xiàn)在，AI 已經(jīng)開(kāi)始在這一環(huán)節(jié)提供強(qiáng)有力的輔助——它能夠從大規(guī)模文獻(xiàn)、數(shù)據(jù)中總結(jié)規(guī)律，輔助科學(xué)家提出可能性的理論方向。

　　第二部分就叫做experimental validation（實(shí)驗(yàn)驗(yàn)證），也就是在已有假設(shè)的基礎(chǔ)上，通過(guò)不斷試驗(yàn)去驗(yàn)證是否成立。這個(gè)是絕大多數(shù)科學(xué)家一直在干的。就是很牛的人可能花一天提出一個(gè)偉大的idea，剩下的人花了十年把它來(lái)驗(yàn)證。

　　所以這兩部分其實(shí)AI都可以參與到。例如我們做實(shí)驗(yàn)的時(shí)候，我們的數(shù)據(jù)能不能及時(shí)被得到驗(yàn)證以及迭代，來(lái)指導(dǎo)我們下一步來(lái)做這個(gè)實(shí)驗(yàn)。就例如我們想做一些純粹的“autonomous lab”（自主實(shí)驗(yàn)室） ，就是純自動(dòng)化的實(shí)驗(yàn)室。這一方向近年來(lái)已有不少突破性的成果，預(yù)計(jì)在未來(lái)一到兩年內(nèi)，將對(duì)科研效率帶來(lái)實(shí)質(zhì)性的提升。

　　第三階段其實(shí)就像我們有點(diǎn)像AGI了，接近 AGI 的能力邊界 （AI Innovator）。我們?cè)O(shè)想是否能出現(xiàn)一種完全自動(dòng)化的科學(xué)系統(tǒng)，由 AI 獨(dú)立完成從提出問(wèn)題、構(gòu)建模型、設(shè)計(jì)算法，到發(fā)現(xiàn)新的科學(xué)規(guī)律的全過(guò)程。它不再只是輔助人類做科學(xué)，而是像科學(xué)家一樣主動(dòng)提出問(wèn)題并解答問(wèn)題。

　　比如，它是否能夠自動(dòng)推導(dǎo)出某些新的公式，甚至發(fā)現(xiàn)類似牛頓三大定律這樣具有劃時(shí)代意義的自然法則？這就是我們常說(shuō)的AI Innovator。

　　我認(rèn)為，這個(gè)階段的實(shí)現(xiàn)可能比真正的通用人工智能（AGI）略晚一步，但不會(huì)相差太遠(yuǎn)。

　　至于 AGI 究竟什么時(shí)候會(huì)真正出現(xiàn)，這個(gè)問(wèn)題其實(shí)討論了很很久，不同人對(duì) AGI 的定義也有很大差異，至今沒(méi)有明確的結(jié)論。我一般也不喜歡對(duì)未來(lái)做預(yù)測(cè)，我個(gè)人的觀點(diǎn)也是“The best way to predict the future is to create it”。但可以確定的是——無(wú)論是否真正達(dá)到 AGI，AI 在科學(xué)研究上的角色已經(jīng)在快速演化，將在未來(lái)持續(xù)帶來(lái)重大突破。

　　03．AI for Science 的“DeepSeek 時(shí)刻” 

　　Michelle于超：大家都在關(guān)注 AI for Science 會(huì)不會(huì)出現(xiàn)類似 DeepSeek 這樣的突破時(shí)刻，也就是一個(gè)真正打破現(xiàn)有科研范式、引發(fā)飛躍式變革的臨界點(diǎn)。在您看來(lái)，推動(dòng)這個(gè)時(shí)刻到來(lái)的核心支撐因素有哪些？是模型本身的通用能力？是垂直領(lǐng)域的數(shù)據(jù)質(zhì)量與規(guī)模？還是科研場(chǎng)景中對(duì)可解釋性、嚴(yán)謹(jǐn)性、工程化能力的高度要求？目前來(lái)看，距離這樣的臨界點(diǎn)，我們還缺哪一塊拼圖？

　　賈皓鈞：首先，我確實(shí)認(rèn)為，任何一個(gè)行業(yè)其實(shí)都期待出現(xiàn)像 DeepSeek 這樣的“突破時(shí)刻”。因?yàn)檫@通常意味著，行業(yè)內(nèi)部發(fā)生了結(jié)構(gòu)性的變化，并且這個(gè)變化能對(duì)整個(gè)社會(huì)產(chǎn)生真正的價(jià)值。所以 AI for Science 領(lǐng)域，也同樣在期待這樣一個(gè)拐點(diǎn)。

　　科學(xué)問(wèn)題本身就非常重要。人類一直在通過(guò)做實(shí)驗(yàn)，試圖理解這個(gè)物質(zhì)世界的運(yùn)行規(guī)律。我們希望能找到更好的定律，發(fā)現(xiàn)新的材料、新的藥物，從而改善我們的生活。但傳統(tǒng)科學(xué)探索依賴大量的“試錯(cuò)”（trial and error）方法，在今天這個(gè)時(shí)代，其效率已經(jīng)越來(lái)越難以滿足現(xiàn)實(shí)需求。特別是在新材料、藥物等高價(jià)值領(lǐng)域，需求越來(lái)越多、越來(lái)越緊迫，而傳統(tǒng)方法的效率瓶頸也越發(fā)明顯。

　　在這個(gè)背景下，AI 成為了一個(gè)非常重要的變量。它能參與科研流程中的多個(gè)階段，從前面說(shuō)的高維數(shù)據(jù)分析，到輔助做實(shí)驗(yàn)，甚至進(jìn)一步提出新的假設(shè)。AI 不只是一個(gè)加速器，它可能是重新定義科研范式的方式和方法。

　　如果要推動(dòng) AI for Science 進(jìn)入“DeepSeek 時(shí)刻”，我認(rèn)為需要幾個(gè)關(guān)鍵前提條件的配合。

　　第一、是模型本身的能力

　　我們談到的通用大模型（foundation model），它的模型的通用性其實(shí)是非常關(guān)鍵，或者說(shuō)它的模型性能本身是最關(guān)鍵的。它的泛化能力非常關(guān)鍵。比如，一個(gè)大語(yǔ)言模型，可能既能幫助記者生成采訪提綱，也能幫科學(xué)家做文獻(xiàn)總結(jié)，甚至輔助我們進(jìn)行論文寫(xiě)作、論文 review 等等。不同領(lǐng)域的用戶會(huì)提出完全不同的任務(wù)需求，因此模型需要足夠通用、理解力足夠強(qiáng)。所以它需要非常強(qiáng)的泛化能力來(lái)幫助他們完成這個(gè)事情。

　　第二、垂直領(lǐng)域的數(shù)據(jù)質(zhì)量與專業(yè)性

　　而在 AI for Science 這個(gè)垂直領(lǐng)域，尤其是像材料、化學(xué)反應(yīng)這類方向，模型所使用的數(shù)據(jù)質(zhì)量反而更關(guān)鍵。我們普遍認(rèn)為，模型性能由兩個(gè)因素決定：一是模型架構(gòu)本身，二是數(shù)據(jù)的量與質(zhì)。在垂直領(lǐng)域里，高質(zhì)量、結(jié)構(gòu)化、專業(yè)的數(shù)據(jù)，可能比模型架構(gòu)本身還更重要。

　　因?yàn)榭茖W(xué)問(wèn)題要求極高的準(zhǔn)確性。你不能說(shuō)這個(gè)結(jié)果是 80%、90% 準(zhǔn)確的——這在科學(xué)研究中是完全不能接受的，必須嚴(yán)謹(jǐn)。因此，大模型要想在這個(gè)領(lǐng)域發(fā)揮作用，就必須以高質(zhì)量的專業(yè)數(shù)據(jù)為基礎(chǔ)。

　　其實(shí)，我們回頭看一下 AI 的整體演進(jìn)路徑，從 2021 年之后，生成式模型的爆發(fā)可以說(shuō)是由兩股技術(shù)路徑推動(dòng)的：一是 NLP 領(lǐng)域的 transformer-based 大語(yǔ)言模型，二是 CV 領(lǐng)域的 diffusion 模型。這兩類模型是生成式 AI 的兩個(gè)主流技術(shù)路線。

　　我們有時(shí)也會(huì)說(shuō)，大語(yǔ)言模型更像是“文科生”。它的訓(xùn)練數(shù)據(jù)主要來(lái)自公開(kāi)網(wǎng)站、語(yǔ)料庫(kù)、文字信息，對(duì)語(yǔ)言理解、知識(shí)總結(jié)特別強(qiáng)。但你讓它解高等數(shù)學(xué)，它可能也能做一點(diǎn)，但并不是最擅長(zhǎng)。

　　而 diffusion 模型更像是“理科生”。它最初是處理圖像的，每個(gè)圖像可以看作由大量 pixel 組成的矩陣，數(shù)學(xué)結(jié)構(gòu)非常清晰。而科學(xué)問(wèn)題的本質(zhì)，最終也都需要能被數(shù)學(xué)表達(dá)。一個(gè)科學(xué)問(wèn)題如果不能形式化、不能用數(shù)學(xué)語(yǔ)言表達(dá)，那它可能就不夠“科學(xué)”。所以 diffusion 模型在理解科學(xué)結(jié)構(gòu)、模擬實(shí)驗(yàn)數(shù)據(jù)方面可能會(huì)更有優(yōu)勢(shì)。

　　從這個(gè)角度看，我們可以做一個(gè)分工的類比：

　　大語(yǔ)言模型擅長(zhǎng) hypothesis generation（假設(shè)生成），因?yàn)樗梢哉驹凇熬奕说募绨蛏稀薄靡延兄R(shí)資料去提出推測(cè)；

　　而 diffusion 模型或具備數(shù)理結(jié)構(gòu)的模型，更適合 validation（實(shí)驗(yàn)驗(yàn)證），例如材料配方優(yōu)化、材料結(jié)構(gòu)探索等。

　　第三、工具生態(tài)與交互方式的革新

　　再進(jìn)一步，我們談到 AI Agent 的角色時(shí)，也可以結(jié)合這兩者。因?yàn)榭蒲羞^(guò)程使用的工具往往很復(fù)雜，很多工程師或科研人員并沒(méi)有編程背景，比如工廠里的老師傅、材料車間里的工程師，他們習(xí)慣于在 Excel 表里操作，而不是寫(xiě)代碼。這時(shí)候，AI Agent 就可以成為一個(gè)中介——你只需要告訴它你要什么，它就能調(diào)動(dòng)一系列復(fù)雜工具、完成虛擬實(shí)驗(yàn)、給出結(jié)果甚至下一步建議。

　　Agent 的意義在于：降低科研門檻，提高交互自由度，讓 AI 真正服務(wù)于每一位科研一線人員。

　　04．為什么從 MIT 回國(guó)創(chuàng)業(yè)？中美AI for Science生態(tài)對(duì)比

　　Michelle于超：從MIT spin-off startup，再回國(guó)創(chuàng)業(yè)。為什么選擇落地在中國(guó)推進(jìn) AI for Science？在您看來(lái)，中美在技術(shù)創(chuàng)新和產(chǎn)業(yè)化路徑上有哪些結(jié)構(gòu)性的差異？尤其是在新材料、新能源、化工這類領(lǐng)域，中國(guó)有更大的機(jī)會(huì)窗口？

　　賈皓鈞：首先，美國(guó)在科學(xué)研究、科技進(jìn)展、商業(yè)化落地這幾個(gè)維度上，其實(shí)早在很多年前就已經(jīng)處于全球領(lǐng)先的位置了。尤其是西海岸的硅谷，它代表的是軟件、AI這一塊的最前沿；而東海岸，比如波士頓這一帶，就偏硬件方向更多一點(diǎn)。你像現(xiàn)在很多機(jī)械狗、、3D打印等等，幾乎都是從 MIT 這樣的機(jī)構(gòu)里 spin-off 出來(lái)的。所以你能看到，美國(guó)是雙核結(jié)構(gòu)：西岸偏軟件，東岸偏硬件，還有一個(gè)非常大的板塊就是生物醫(yī)療，東海岸那邊做得也很深。

　　中國(guó)這邊，其實(shí)從改革開(kāi)放以來(lái)一直是處于一個(gè)持續(xù)追趕的過(guò)程。但我個(gè)人感受很深的一點(diǎn)是：這個(gè)技術(shù)的 gap，真的越來(lái)越小了。

　　特別是，中國(guó)的制造能力這個(gè)事，我覺(jué)得現(xiàn)在已經(jīng)沒(méi)啥爭(zhēng)議了，大家基本都認(rèn)同，中國(guó)制造是全球最強(qiáng)的，而且還會(huì)越來(lái)越強(qiáng)。所以，如果我們?cè)谇岸四茏龊每茖W(xué)發(fā)現(xiàn)和技術(shù)轉(zhuǎn)化，那后端的工業(yè)能力，再疊加十幾億人口的市場(chǎng)——不光是中國(guó)自己，周邊還有東南亞、中東、非洲這些國(guó)家——這個(gè)市場(chǎng)的體量是巨大的。

　　我們現(xiàn)在在做的 AI for Science，其實(shí)本質(zhì)上是用 AI 去做一些新的 scientific discovery。那這些 discovery 最終都得走向工業(yè)應(yīng)用，比如說(shuō)材料、能源、化工，這些領(lǐng)域最終都要落到“怎么生產(chǎn)、怎么投產(chǎn)、怎么用”上。

　　所以，我們把主戰(zhàn)場(chǎng)放在國(guó)內(nèi)，其實(shí)是一個(gè)很自然的決定。

　　像我們深度原理Deep Principle它不僅是一個(gè)技術(shù)驅(qū)動(dòng)的公司，我們其實(shí)也非常關(guān)注應(yīng)用場(chǎng)景的選擇，因?yàn)檫@個(gè)場(chǎng)景的規(guī)模，決定了我們未來(lái)業(yè)務(wù)的空間。而在中美之間對(duì)比來(lái)說(shuō)，中國(guó)市場(chǎng)的應(yīng)用場(chǎng)景，確實(shí)對(duì)我們更友好，也更大。

　　我們現(xiàn)在聚焦的領(lǐng)域，基本就三個(gè)方向：新材料、新能源、精細(xì)化工。這三個(gè)領(lǐng)域有一個(gè)共同點(diǎn)，就是都特別需要源頭創(chuàng)新能力——需要你對(duì)化學(xué)反應(yīng)、材料機(jī)理非常懂，而這個(gè)恰好是我們擅長(zhǎng)的。

　　其實(shí)你回看國(guó)內(nèi)的情況，不點(diǎn)名說(shuō)，很多企業(yè)在這些方向上其實(shí)已經(jīng)很成熟了。美國(guó)當(dāng)然也有，比如杜邦、殼牌、陶氏、霍尼韋爾這些，他們都是非常有積淀的大型化學(xué)材料企業(yè)。

　　但你也知道，美國(guó)的工業(yè)已經(jīng)經(jīng)歷過(guò)一次大規(guī)模的“去工業(yè)化”浪潮。比如說(shuō)，波音外包之后的質(zhì)量問(wèn)題，其實(shí)是大家都在討論的。最早的一批去工業(yè)化，其實(shí)就從化工、材料這些行業(yè)開(kāi)始。當(dāng)時(shí)杜邦的特氟龍泄漏事件是一個(gè)標(biāo)志性節(jié)點(diǎn)，引發(fā)了全社會(huì)對(duì)環(huán)境污染、健康風(fēng)險(xiǎn)的強(qiáng)烈關(guān)注。

　　因?yàn)槊绹?guó)社會(huì)那時(shí)候比較富有，積累也夠了，所以他們就把污染性行業(yè)移出本土，轉(zhuǎn)移到中國(guó)、東南亞、南美這些地方。所以現(xiàn)在你去看，全球最大的化工、新能源、材料生產(chǎn)基地，其實(shí)就在中國(guó)。

　　所以我們做這些事情，其實(shí)是很順理成章地把落地場(chǎng)景放在國(guó)內(nèi)。如果你還在美國(guó)做，你可以給那些大廠的研發(fā)團(tuán)隊(duì)提供 AI 工具，做“技術(shù)層支撐”。這當(dāng)然也可以，但對(duì)我們來(lái)說(shuō)，這不是我們想做的事。

　　我們希望能真正影響生產(chǎn)、影響工業(yè)體系，而不是僅僅給別人當(dāng)“外腦工具包”。所以我們看明白了，想清楚了，選擇回國(guó)發(fā)展，其實(shí)就非常自然。

　　05．AI for Science創(chuàng)業(yè)融資現(xiàn)狀

　　Michelle于超：過(guò)去兩年創(chuàng)業(yè)融資并不容易，選擇在這樣一個(gè)時(shí)間節(jié)點(diǎn)創(chuàng)業(yè)，當(dāng)時(shí)是如何判斷這個(gè)窗口期的？您怎么看 AI 創(chuàng)業(yè)者目前面臨的挑戰(zhàn)和轉(zhuǎn)機(jī)？

　　賈皓鈞：從 2023 年開(kāi)始，中國(guó)的資本市場(chǎng)環(huán)境其實(shí)是極差的。我們24年剛回國(guó)的時(shí)候剛見(jiàn)了一個(gè)來(lái)自香港的 LP，他說(shuō)得很直白，2024 年整體的美元資金比前一年少了 90% 以上，人民幣資金也少了 50% 以上，這個(gè)“以上”到底是多少，很難說(shuō)得清，但就是非常難。

　　所以我們?cè)?2023、2024 這個(gè)階段出來(lái)創(chuàng)業(yè)，其實(shí)是很不容易的。包括我們這代創(chuàng)業(yè)者，現(xiàn)在有一些信心回升，某種程度上也是因?yàn)?AI Agent、AI 應(yīng)用，特別是今年春節(jié) DeepSeek 的發(fā)布，讓大家突然意識(shí)到——原來(lái) AI 真的是可以用的，不是只有 hype，它真的能帶來(lái)效率、價(jià)值和變現(xiàn)。

　　這才讓大家的信心開(kāi)始恢復(fù)，但這個(gè)過(guò)程真的挺難的。

　　06．AI 時(shí)代的創(chuàng)業(yè)者最重要的特質(zhì)

　　Michelle于超：現(xiàn)在其實(shí)可以明顯感受到，海外資金對(duì)中國(guó)科技資產(chǎn)的情緒正在回暖，很多海外 VC 又開(kāi)始回來(lái)聊 deal。一直以來(lái)我們都在講，時(shí)代變了，創(chuàng)始人的畫(huà)像也在變。尤其是在 AI 時(shí)代，創(chuàng)始人面臨的環(huán)境更不確定，需要的特質(zhì)也不同。在您看來(lái)，AI 時(shí)代真正需要什么樣的創(chuàng)業(yè)者？能夠完成從 0 到 1，乃至更重要的從 1 到 100 這樣非線性增長(zhǎng)路徑的人，他身上最核心的特質(zhì)會(huì)是什么？應(yīng)該不會(huì)再是“技術(shù)好”等一些單一維度的能力。

　　賈皓鈞：這是個(gè)很好問(wèn)題。當(dāng)然我覺(jué)得可能不同的人理解都會(huì)不太一樣?？赡芷夹g(shù)出身的人，可能覺(jué)得技術(shù)最重要。如果你是連續(xù)創(chuàng)業(yè)者，那可能會(huì)更強(qiáng)調(diào)“創(chuàng)業(yè)者精神”、資源調(diào)動(dòng)和判斷力；但如果你來(lái)自大企業(yè)的高層管理背景，可能又會(huì)覺(jué)得執(zhí)行效率、團(tuán)隊(duì)治理、流程操盤這些更關(guān)鍵。所以不同人站的位置不同，看到的那個(gè)“創(chuàng)始人畫(huà)像”也會(huì)不一樣。

　　但我自己有一個(gè)很強(qiáng)烈的體會(huì)，甚至說(shuō)是信念吧——小時(shí)候我特別喜歡看金庸，比如《倚天屠龍記》、《天龍八部》，當(dāng)時(shí)印象最深的一句話就是：“天下武功，唯快不破?！?/p>

　　我覺(jué)得這句話完全可以套用在今天的 AI 創(chuàng)業(yè)上。今天我們所處的環(huán)境，技術(shù)迭代的速度極快，外部環(huán)境變化也極其劇烈，而這兩個(gè)變量其實(shí)都是我們無(wú)法控制的。

　　創(chuàng)業(yè)者唯一能掌控的，可能就是自己的速度——你能不能更快地試錯(cuò)、更快地融資、更快地應(yīng)用落地、更快地調(diào)整方向。哪怕你技術(shù)不是最強(qiáng)，但你的反應(yīng)速度、執(zhí)行速度、調(diào)整速度夠快，這本身就可能是你最大的護(hù)城河。

　　換句話說(shuō)，在這個(gè)時(shí)代，速度可能是唯一確定性的競(jìng)爭(zhēng)優(yōu)勢(shì)。

　　新浪聲明：所有會(huì)議實(shí)錄均為現(xiàn)場(chǎng)速記整理，未經(jīng)演講者審閱，新浪網(wǎng)登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點(diǎn)或證實(shí)其描述。