李翔
大家好，我是李翔，欢迎来到《高能量》。
这一次我们请来了两位嘉宾。一位是具身智能公司星海图的创始人高继洋。继洋有着典型的硬科技创业者履历，本科就读于清华大学电子系，之后在美国南加州大学攻读计算机视觉博士。毕业后，他先后在谷歌旗下的无人驾驶公司 Waymo，以及国内头部无人驾驶企业 Momenta 工作过。2023 年，他创办了今天的具身智能公司星海图。
另一位嘉宾是今日资本的创始人徐新。我相信徐新女士已经不需要过多介绍了。她有一个称号叫“风投女王”。在消费互联网、互联网和移动互联网时代，徐新和今日资本投资京东、美团，包括投资 BOSS 直聘的故事，已经耳熟能详。
很多人可能不太熟悉的是，徐新其实也一直在看人工智能公司和硬科技公司，星海图也是她投资的企业之一。
我觉得我们今天的对话会非常有意思，因为其中一位嘉宾是年轻的明星创业者，另一位嘉宾则是经历过技术周期和商业周期的明星老牌投资人。我非常希望今天我们之间能有很多碰撞，可能过了几年，甚至很多年之后，大家回头再看这个对话，仍然会认为它是一次标志性的访谈。
因为我们今天这个时间点也非常有意思。大家都知道，今天具身智能，包括人工智能，已经非常非常滚烫，甚至很多人已经开始谈论泡沫了。
你们两位是怎么认识的？在什么场景下认识的？包括对彼此的第一印象，谁先找谁，类似这样的问题。
徐新
1. 星海图脱颖而出
我们是主动找的星海图。我们是去年年初、春节左右，把这个赛道的每家公司都见了一遍。
我们投资有一个理念：当你看一个新的行业时，你最大的错误就是只见树木、不见森林。你怎么才能见到森林呢？就是要把每一棵树都拿来看一下。
然后我们找到星海图，先见的是赵航老师。我在北京见的赵航老师。我问他：“你现在创业，跟你当教授有什么区别？”
他说：“太累了。”
我说：“你怎么这么卷？你以前不是闲庭信步吗？以前我认识你的时候……”
他说：“现在公司有个卷王。”
我说：“谁是卷王？”
他说：“高继洋。”
后来我赶快在第二天飞到苏州去见继洋。继洋当时给我的印象特别深刻。他没有给我们讲什么 PPT，办公室里站着一堆机器人，很多机器在那里“指点江山”。他不断地说：“这个怎么改，那个怎么改。”
我当时就感觉：“哇塞，你改这么多东西啊！”我说：“你不是学软件的吗？你不是 USC 的 PhD 吗？我也是学 AI 的，你也是学 AI 的。AI 其实也是软件，但你怎么感觉硬件这个可以改、那个可以改？”
我感觉他们的速度特别快，好像大概 8 个月就把第一期软件和本体都搞出来了。一个学软件的人去搞硬件，8 个月就把本体搞出来了。我觉得只有一句话可以形容，就是“初生牛犊不怕虎”，什么都敢改。
所以我们当时的第一印象就是，改变一个行业的往往是个外行。他们速度特别快，胆子特别大。
李翔
8 个月做出本体，在你们这个行业里面也算很快吗？
高继洋
那肯定算很快。
这里面确实有很多原因。刚才徐新讲的“初生牛犊不怕虎”，我们没有按照原本的流程来做，反正看着什么就先干起来，然后再改、再搞，是这样的方式。
但在那个时间点，我们也看到了一个机会。因为我们第一款产品做的是 R1 轮臂，这个市场上还没有这样的产品。先不谈好不好的问题，有总比没有强，所以我们就赶紧进入市场，然后跟客户互动，获得反馈，不断迭代。
我觉得最重要的是，在看准的事情上执行得快。
徐新
对，执行快，但方向选得还是挺对的。
2. 公司坚持大脑本体战略
我记得第一次见面的时候，他就讲了一句话，叫“智能定义本体”。他们既要做大脑，又要做本体，这是一个重大战略选择。第二个，他们是先做硬件，再做大脑。
我觉得今天回过头来看，已经过了一年多、一年半了，这两个选择还是非常对的。
但是我觉得做大脑其实挺不容易的。当时我们一直想，具身智能时代的 founder 应该长什么样。
我们在 2023 年年初投了 Moonshot，投了 Kimi，也投了智谱。当时我有一个很模糊的感觉：这一定是中国的最强大脑。因为他又要做大脑，又要做 body，而大脑其实挺难做的。
我们投过 foundation model，所以我觉得这是最强大脑。最强大脑在哪里呢？当时我的感觉就是清华。
清华大学交叉信息研究院有一个特别牛的科学家，叫姚期智。他把交叉信息研究院搭起来了，返聘了非常多海外最好的学校毕业的留学生回来。他们都是 PhD，回来教书。
他们教什么？教中国最牛的姚班学生。姚班可不容易进，非常非常不容易进。你看，最优秀的老师教最优秀的学生，而那些学生也可以帮老师做很多事情。我觉得这就是最强大的地方。
所以我当时就觉得赵航老师是这样的人。
但是那时候我们还有一个观点：光做大脑，身体不行也不行。你要做 body。做 body 就是说，我们希望找一个团队，他有 engineering experience，做过量产、供应链和批量生产。
我觉得继洋有量产经验。他在 Momenta 做过软件量产、上车，也有硬件经验。所以这个组合非常重要。
因为我们觉得，存量很小，增量很大。你把人选对，创始人的组合很重要。
李翔
但是当时你并不知道今日资本把市场上的公司，尤其是深圳的公司，都看了一遍，对吗？
高继洋
当时见面的时候不知道。凯茜突然就来了，突然就来了，所以我们也没有特别多准备。可能就是讲了一下之前的 PPT，然后带她看看公司现在的状况。
凯茜很快就做了决定，当天我们就签了 term sheet。当天见完她以后就签了 term sheet。
后来我们又加仓了两次。他们又融资，我们都跟仓了。
李翔
像这种当天就签投资协议，对你们来说算是比较常规的操作吗？
徐新
不是经常这样。特别见到千里马，就赶快扑上去，也不是每次都这样，偶尔会这样。
李翔
上一个是谁？
徐新
上一个是智林，杨子林。我们当时第二天飞过去就签了。
李翔
你们当时有互相问对方什么问题吗？你们应该也是第一次见面。
高继洋
凯茜当时问我的，主要还是公司的一些问题，包括为什么做硬件，以及一个很重要的问题：为什么你们能做硬件？
因为她会觉得，你看，继洋以前是搞 AI、搞智驾的，算是软件工程这一类的。今天公司需要搞硬件，你们为什么能做？
凯茜会觉得，硬件是老师傅做的，你们一帮年轻人怎么解决这个问题？
我记得我的回答是“拆解”。我们对于任何复杂问题，工程化的思维都是这样：任何复杂问题，我们就进行拆解。一个复杂问题拆成若干个子问题，然后每一块单独去看，找到合适的人，再继续拆解，最后变成一个个非常具体的问题。我们逐个解决，解决完之后再汇总起来，其实就是一个整体方案了。
徐新
我当时是在北京见赵航老师，也问了他一个重要的问题。
我说：“你们这几个创始人，每个人都很牛。每个人单独出来，都可以融很多钱，也可以自己创业。为什么你们要合在一起创业？”
赵老师当时说了一句话，也让我印象特别深。他说：“这个事情特别大，也特别难。一个人做出来的概率没那么高，但是几个人在一起，做出来的概率高很多。”
因为这个事情太大、太颠覆，所以需要几个特别能干的人一起做。
高继洋
是的。他们那个组合我觉得还是不错的。
从今天来看，具身智能这个行业的链条非常长，比我们刚开始想的时候还要长。
开始的时候我想，这个事情就是整机加智能。先把大脑做好，把整机做好。但做的过程中发现，整机加智能可能只是两个柱子、两个 pillar，后面还有一堆其他东西。
要解决智能，就得解决数据的问题。数据的背后，又是怎么进入场景，怎么解决运营问题，怎么解决设备问题。未来甚至还有 infra，包括存储和传输 infra 的优化问题。
因为我们的数据量特别大。历史上，大语言模型的数据量跟我们今天比小太多了。大语言模型是参数量大，但数据量其实没有那么大，因为全都是 text，都是文本。
而我们这里全都是多模态数据，数据量特别大。
我们在看硬件的过程中，以整机为中心往上看，也会发现一堆问题。所有的供应链都不成熟。
比如动力模组，动力模组里面有无框电机和减速器。减速器再拆开看齿轮，齿轮加工能力怎么样，背隙怎么样，一致性怎么样。
有了动力模组，再看电池。现在机器人对于电流通量的要求很大。它不是像手机一样稳定输出一个电流，而是会突然爆发。全身电机同时运转和只有一个电机运转时，电流通量是不一样的，所以电池的要求也不一样。
再看端侧算力，甚至最后还要考虑整个机器人的重量。你用不同材料，密度不一样，最后的重量也不一样。重量不一样，又会影响性能。
所以需要优化的东西特别多。
徐新
这就是为什么胆子大很重要。你要敢于尝试，大的战略不要变，这属于在学习中进步，特别重要。
李翔
我之前以为，创业已经过了王健林说的“清华北大不如胆子大”这个阶段了。原来清华毕业的人胆子也大。
徐新
我再告诉你一个 fact，这是我们的一个观察。当然，继洋你不一定同意。
我们现在投大模型、投 AI agent、投机器人，接触的都是 PhD，都是 Computer Science，都是最好的学校，基本上都是科学家。
我一直想过一个问题：科学家里面，10 个科学家都想去创业，其实不是很多的。因为他把 PhD 读完以后，已经很理性了，机会成本也很高。而且很多科学家追求的是求真，他会说：“我想离 AGI 最近，AGI 在哪里我就要去哪里。”
所以你可以看到，最近 Andrew Karpathy 这样的顶级人才，直接去 Anthropic 做 CEO 的二把手。他自己也不当老板。
在这种情况下，10 个科学家里面可能只有 0.5 个想创业。这是稀缺资源。既优秀，又愿意创业，还有创意，是稀缺资源。
而且他来了以后，下面的学生也更愿意跟着他。学生不是看你给多少股份、给多少钱，而是看这个老大够不够牛，在技术上是不是很牛。
这个“牛”的定义就是 tech vision。你要能看到别人看不到的东西。
我觉得这特别重要。星海图这个团队特别好。继洋是 PhD，学 AI 的，而且比别人读得快一点；赵航老师也很牛，天威也很牛。
你看最近这几个大语言模型。一开始 OpenAI 很厉害，是因为 Ilya 在。Ilya 是储备科学家，他是真正发明“预测下一个 token”的人，是真正的大语言模型发明者。
他走了以后，我觉得 OpenAI 在 tech vision 上就差了一点。他们的 CEO 当然也不错，但我感觉他在资源、战略这些方面，不是一个科学家的 tech visionary。
但是 Anthropic 就很好，包括我觉得子林他们也有自己的模型。他们的 vision 非常好。
因为你不知道未来在哪里，要做出判断。一个判断可能烧掉几千万美元、几个亿人民币。你不能说我既要、又要、还要，所有方向都赌一下，最后是不行的。
你看 Anthropic 就只赌一个方向，赌对了。不能犯错误，赌对了非常重要。
李翔
所以你是怎么把这些稀缺资源凝聚到一起的？像这些愿意创业的科学家，第一是怎么找对人，第二是怎么找到这几个合伙人的？
高继洋
其实不是找的，是在过程中大家认识，然后走到了一起。
我跟赵航读博的时候彼此就认识。我在 USC，他在 MIT，但我们都是做计算机视觉的，属于一个圈子。开会的时候会遇到，而且我们在博士期间做的课题方向有一部分是一样的，都是 video，也就是视频分析。
所以平常开会，包括论文，读博的时候我们俩就会互相读对方的论文。
后来 2019 年，我们俩都到了 Waymo，都做自动驾驶。
其实我后来发现，我们做自动驾驶也是因为有一个共同的原点：都想做 robot。自动驾驶是那个时代最接近 robot 的产业，是最简单形态的机器人。
在 Waymo 期间，我们俩就开始合作了。不是简单的同事关系，当时做了一系列工作，有论文，也有工程。
这就是我和赵航过去怎么认识的。
跟天威呢，其实是 2021 年那会儿我回国，回国之后到了 Momenta 工作。天威原本不是我团队的，后来因为组织重组，到了我团队。然后我们俩就开始工作。
我发现，刚才凯茜提到 tech vision，我觉得赵航的 tech vision 特别好，比我的好。我觉得我的能力可能比较综合，能够跟最好的 scientist 对话，但我没有最好的 scientist 的 tech vision。
但是产业里面有些 CEO，可能没有办法跟 scientist 对话，思维逻辑对不到一块儿去，也不行。
所以我觉得我能做到的是，在综合能力上把这件事串起来。
李翔
我问一个问题。你们当时决定既要做大脑，又要做本体，这个 vision 是谁的？是你们两个人谁的 vision？
高继洋
这个应该是我定的，当然也可以说大家一拍即合。
原因很简单，因为我们做过自动驾驶。做完自动驾驶你会发现，首先我们的目标是做智能。要做物理世界智能，就得有物理世界数据。
有了物理世界数据，就得有一个收集和承接数据的载体。这个载体是什么？就是整机。
以前做自动驾驶最大的问题是，你是一个软件供应商、系统供应商，拿到数据的链路没有那么通畅，飞轮跑不起来或者跑得慢，这是致命的问题。
所以我们就说，做具身智能，第一，市场上没有现成的整机，这就是机会。第二，未来如果要把智能做好，它的上限也需要整机。
既有机会，又有必要性，那我们就干。唯一缺的就是不懂硬件，但不懂就去学一学，成长一下。
李翔
像他们这样的顶尖人才，会不会因为大家都很聪明，而且像凯茜刚才讲的，每个人出去都很容易融到很多钱，所以每个人的自我会比较大，大家之间会出现冲突吗？
高继洋
我觉得冲突，或者说分歧，是客观存在的。核心是怎么解决分歧。
我觉得最重要的还是，我们是不是有共同目标。我们要去的地方是不是一样的，是不是都要做具身智能，用具身智能解决人类社会的生产力问题。
假设目标一样，下一个问题就是价值观是不是一样。因为过程中还是要做很多判断，什么是对的，什么是错的，什么是现在该做的，什么是明天该做的。
比如 2024 年，我们决定先做整机。客观来讲，事后看这个决策是对的。但是回到那个时间点，赵航是做智能的，那个时间点其实牺牲了赵航的一些事情。也不是说他没事干，而是他能做的事情在那个阶段比较少，因为其他要素资源还不够。
但这时候就需要统一。首先，我们的 vision 是不是一致的；其次，战略是不是大家都认可；再者，组织文化是不是应该有统一的步调。统一之后，我们就一起执行。
到了智能发力的时候，智能会对硬件提出很多要求。我会要求硬件团队、整机团队，不能再把外部客户作为第一优先级，而必须把内部客户赵航提出的需求作为更高的优先级。
这个时候，还是要服务于公司更重要的使命和愿景，大家就做出牺牲。
李翔
懂了。听上去 CEO 工作不好干。
徐新
其实也好干，我觉得就是找到对的人，什么事都顺了。
高继洋
人错了，天天都在解决矛盾和问题。
李翔
刚刚继洋一开始讲到，他做着做着发现这个行业非常非常复杂。我不知道在你的视野里，还有没有复杂度可以跟具身智能相比的行业？
徐新
我觉得没有。我觉得它比我们投过的自动驾驶、大模型和 robotics 都难，具身智能是最难的。
因为它又要做大脑。大脑就是说，不是最聪明的人做不出来。现在可能看不出来，以后就能看出来。
所以我们想找的团队，一定要有做大脑的能力，要有继洋或者赵航老师这样的最强大脑，带一批特别聪明的 PhD 学生把它做出来。
同时工程能力又要求很高。因为你们现在是先行者，哪一天 Product-Market Fit 出来了，成千上万的竞争对手就进来了。那些造手机的、造汽车的都会过来，到时候怎么打？
具身智能是一个相当复杂的东西。
我们五年前开始投机器人。当时投的是 rule-based robotics，有高仙的扫地机器人、海柔的仓储机器人、XYZ 的装卸机器人，还有 VisionNav 的无人叉车，反正投了一系列。
对我们来说，这是一个两年左右的学习过程。我们去年突然感觉春天来临了。
为什么是去年？第一，硬件过关了，稳定性增强了。第二，UE 跑通了，因为老龄化、人工工资越来越高，大家又不愿意干脏活、累活。
那时候还没有星海图，主要是做 rule-based robotics。我们感觉春天来临，是因为硬件过关了，软件的 corner case 也跑得差不多了。
机器人不能跟人拼效率，但它能干人不想干的脏活、苦活、累活，比如搬运特别重的东西，或者在沙漠里安装光伏板。这些场景跑通了，春天就来了。
我觉得正好去年星海图也火了一把，把市场教育了。
《跨越鸿沟》这本书里讲，什么时候跨越鸿沟？可能是 20% 的用户开始使用你，马上就进入迅速增长阶段。这个阶段的体现就是成本下降、用户数增加，增长会很快。
我觉得机器人已经跑过来了，但是具身智能更难，因为大脑那部分不是所有人都能做出来，要求很高。
现在你还感受不到，到了那个时候，可能一年没有 10 亿美元，就根本不能入场。因为对算力和数据的要求都非常高。
李翔
今天星海图应该还远远没有到跨越鸿沟的阶段吧？现在可能只是通过一些即兴表演，让大家认识到了它，但还没有作为实际的生产工具被消费者使用。
我也挺想听继洋的观点。跨越鸿沟，从数据量来讲，到底还需要多少数据？鸿沟怎么才能跨越？现在肯定还没有跨，对吧？你觉得现在是哪个阶段？
徐新
两个 percent 是 innovator，12% 到 13% 是 early adopter，两者加起来大概 15% 到 16%。那个时候会有一道鸿沟，跨不过去就摔死了，跨过去就进入高速增长阶段。
李翔
那你觉得我们现在在哪个阶段？
高继洋
首先肯定还没有跨过鸿沟，还在 innovator 阶段，大概 2% 到 3%。
3. 公司走向生产力
所以我们的业务逻辑叫“从开发者到生产力”。这其实就是《跨越鸿沟》里从 innovator 到 majority 的过程。
开发者最早期其实就是 innovator，他拿这个东西做开发、创业，或者做一些自己想做的事情。
跨越鸿沟的过程中，最重要的要素欠缺在哪里？还是技术模型，也就是技术模型从没用到有用。
我观察过去从去年年终到今年年终这一年的变化，到今天为止，我觉得基础模型还不能算有十足的商业价值。但是我们看变化，从去年的这个时间到今年这个时间，国际第一梯队和国内第一梯队的基础模型能力，都有非常大的长进。
如果跟一个小孩的成长速度做对比，我认为它超过了婴幼儿的成长速度。婴幼儿从 0 岁到 1 岁，1 岁时还什么都干不了。但现在，正好今天我们在 WDC，看我们的产品，翻包、捡零件、万物抓取，这些其实都已经具备基本能力了。
现在的问题是什么？速度还不够快，成功率还不是 100%。今天可能是 99%，是这样的逻辑。
所以今年开始，我们自己很清楚，要进入 early adopter 阶段。怎么进入？一定要找到正确的客户和早期共创伙伴。
我觉得这一点我们国家已经看到了。所以今年搞训练场，训练场换个词叫中试基地。中试训练场的意义，就在于最终使用和研发实验之间搭一座桥，帮助跨越鸿沟。
我觉得这件事特别对。我们自己的预测是，今年下半年会在一些场景里面开始跑起来。一定会有各种各样的问题，如果单独算账、算 ROI，肯定算不过来。
明年在部分场景里就能赚得过来了。在海外更容易赚得过来，因为海外人工成本更高。
但是肯定还是先在国内基本跑通，然后对国内企业来说，再从国内扩展到海外。对于海外企业来说，现在他们跨越鸿沟最大的瓶颈，不来自生产力价格问题，而来自供应链问题。
他们的供应链跟不上前进速度，这就是他们的瓶颈。
李翔
我理解一下“跨越鸿沟”，是不是可以这样说：在具身智能这件事情上，scaling law 已经得到证明了，但是还没有找到完全的 Product-Market Fit。
举个例子，大家都说数据缺，数据不够多。但这个数据跟大语言模型不一样。大语言模型 pre-training 的数据都是从互联网上来的，机器人数据得去采，尤其是交付数据，全部都得采。
自动驾驶是一边开车一边自动采集数据，这是最好的自动采集，不花钱，用户帮你采。但是机器人不一样。还要做 teleoperation，还要装夹爪，可能 5 万的设备，这些数据都得采，先把这个课补上，肯定要很长时间。
另外，过去有手机、电脑这样的 device，但我们这个 device 是新的，而且挺贵。这两件事都得从头来过，所以可能还需要一段时间。
有没有一个量化的感觉？比如今年大家说要做 100 万个小时的数据，这 100 万个小时到底是多少数据？什么时候可以说机器人已经有足够的数据，可以训练它做一些简单的家务，比如捡垃圾、收拾玩具？有没有一个概念，还是说我们连这个都不知道？
高继洋
我觉得是有概念的。坦率来说，现在 G0.5 这样的模型，如果先不考虑经济效益，只考虑有效性，也就是 make it work，我觉得今天在部分 To B 作业场景里，已经可以替代人了。
问题是什么？速度还赶不上。这里面有硬件问题，也有模型问题。但它已经 work 了，已经能够运转起来，去做分拣、打包、供包，这些都可以运转起来。
速度还不够快，所以速度最后翻译出来，其实就是经济效益的问题。
但是基础的有效性已经得到解决了。
徐新
大家都在等“具身智能 GPT 时刻”是什么时候来。
我自己的感觉是，星海图的渗透方式不是 GPT 的方式。
GPT 的方式是突然一瞬间出来一个很厉害的产品，大家通过手机 App 下载，体验一下，再通过社交媒体传播，很快全世界很多人都看到了、体验到了。
但星海图不是。星海图真正用起来的时候，可能是在某个工厂里干活。它在那里干活，怎么让全世界的人一下子都感知到？
李翔
你的意思是，它是 To B 的，不是 To C 的？
高继洋
我觉得第一阶段做生产力，就是 To B 的。
To C 可能还是偏陪伴、偏娱乐，偏情绪价值，不是生产力。
回到一个主题，具身智能企业类型很多，但我们的目标和使命是什么？是生产力。
围绕这个目标，我们要做整机加智能。业务上从开发者到生产力，先解决 To B 里面的部分作业场景，解决岗位问题，而不是真正去替代一个人、替代一个岗位。
李翔
这个变化也很快。从大语言模型一开始 ChatGPT 出来，到 coding，再到现在的 agent，真正的爆发好像是今年 1 月 Open Crawl 的 agent 出来以后，用量一下子起来了，token consumption 跟 ChatGPT 比是一百倍，甚至将来可能是一千倍。
因为你需要足够的算力。这个东西也是慢慢过来的。
我不知道具身智能有没有这样的可能：突然有一个人找到一个方向，比如 coding；又有一个人找到一个方向，比如 agent，然后一下子把整个行业带起来。有没有这样的 moment？还是说硬件的东西就跑不了那么快？
高继洋
这里面是两条曲线叠加。
Coding agent 是因为终端已经 ready 了。终端就是我们的平板和手机，硬件已经 ready 了，渠道也 ready 了。社交媒体、App Store、互联网分发，这些都 ready 的情况下，AI 的曲线一定是指数增长。
但是回到具身智能，它有一条线性曲线，因为 device 还没做好，hardware 还没做好。
我们对这件事判断的过程是，整个行业规模会越涨越快，增速越来越快。
增速的前半段是研发制造型行业，也就是整机，卖整机。到了第二个阶段，在单一生产力场景形成方案能力，开始做订阅。
在生产力场景里，货已经出去了，多场景也开始有效。智能从单一场景有效到多场景有效，从单一有用到通用的时候，就变成卖 token。
只有 device 足够多，才能卖 token。一旦卖 token，才会进入刚才所说的那种增长状态。
所以第一阶段可能是年化 30% 到 100% 之间的自然增长率。第二阶段卖方案，可能是 3 倍到 10 倍，因为我们在其他行业观察过这样的生产力场景爆发，它有这样的增长能力。
到了卖 token、通用 token 的阶段，我们看到可能是几十倍的年增长。
所以从一倍、几倍到几十倍，它是这样一个展开过程。具身智能行业未来很有可能越涨越快。
徐新
这点我很认同。今天继洋演讲的时候讲了一个观点：大脑的部分有学习能力，越用越值钱；但是硬件可能是越造越便宜。你要把 device 的价格降下来，降低门槛，让更多人使用。
一个是越来越低，一个是越来越高，所以两个都要做。
我还记得我们看过一个研究：当一个特别巨大、颠覆性的技术来临时，它首先是一个很长的周期。技术从 innovator、early adopter 进入大众，可能要 10 年到 15 年，但产品生命周期可能是 20 年到 30 年。
PC 时代的 Microsoft 到现在还在吃红利，已经多少年了。Netscape 出来的时候，也还有很多年。
第一，它是一个很长的年轮。技术判断走完，再走产品判断，可能是 15 年到 30 年。
第二个学习是，你在哪个阶段投资很重要。鸿沟之前投，是 VC；鸿沟之后投，也还可以拿很多年。
有一个很重要的观点是，当你跨越鸿沟之后，会进入暴涨期。这个暴涨期是什么意思？就是以 200% 的速度增长，持续 3 到 5 年。
为什么会涨那么快？因为大多数人都在用。原来是 2% 到 3% 的 innovator，加上 10% 几的 early adopter，但大头叫 early majority，34% 的人。一百个人里有 34 个人都在用，用户很多。
第二，成本下降。特别感谢 DeepSeek，去年年初把成本降了 10 倍，应用也丰富了。这时候你会发现，跨越鸿沟之后增长得特别快。
历史证明，当你跨越鸿沟进入暴涨期时，通常会有 3 到 5 家 player。你如果是 3 到 5 家里面跑得最快的，而且大力出奇迹，get big fast，迅速做大，那么在那个阶段拿到的市场份额可能是永恒的，说明护城河很深。
所以你一定要找到这样的企业。
但是这个“永恒”有两个前提。第一，你必须是 operating system；第二，你可能是 infrastructure。
PC 时代有 Windows 和 Intel。Intel 是 infrastructure，Windows 是 operating system。移动互联网时代有 Qualcomm，也有 iOS 和 Android。它们都是垄断型企业。
我觉得在大语言模型和 AI 时代，大语言模型先跨越鸿沟了。我们 2023 年投智谱和 Kimi 的时候还没有跨，现在我觉得已经跨过 20% penetration 了。你看豆包的 MAU，跟整个互联网差不多，已经跨过去了。
以前我很纠结，大语言模型是不是 operating system，会不会形成垄断。现在我不纠结了。我觉得 operating system 加 agent 是一体的，如果这是一体的，其实就是一个巨大的生态，可以形成某种垄断。
接下来你会发现，infrastructure 先行，会涨得很快，但后来 operating system 会更快。operating system 涨得很快时，infrastructure 的增速就放缓了。
今天大语言模型这个 point 已经转换了。英伟达的 AI 芯片可能涨 80% 到 90%，Google 可能涨 100% 到 200%，但 Anthropic 涨得多快？Kimi、智谱涨得多快？那是每年 10 倍的增长。
最终的结局是，operating system 的 market cap 是 infrastructure 的 3 倍到 5 倍，所以它更值钱。
快进到具身智能，现在还是一个新的赛道，有硬件，还处在 innovator 和 early adopter 之间，early adopter 刚刚开始。
如果今年数据拉到 100 万个小时，明年到 1,000 万个小时，可能很快就翻过去了。中国的硬件和供应链很强，可能迭代完以后，两三年就能把这件事做完。
做完以后，它的好处是 operating system 和 infrastructure 是一体的。像星海图这样，本体和 operation 都是自己做的，就会很厉害。
高继洋
对，我们的 device 是自己的，operation 也是自己的。
李翔
所以你们两位是分别看过《跨越鸿沟》这本书吗？
徐新
高继洋
对，分别看过。
李翔
太有文化了。
徐新
它讲了很多规律。因为这本书写得很早，现在你可以去证伪或者证实，但我觉得大部分规律还是很对的。
高继洋
很对。
徐新
而且要有耐心。有时候你其实也不是那么确定，可能看到 20% 到 30% 就决定了，也可能要看到 70% 到 80% 才决定。
最后还是要靠信仰。大方向上要有信仰，但谁是赢家，其实你也不是那么确定。
高继洋
对我们来说是这样。长期方向，我们肯定是有信仰的，这件事上没有迟疑，也没有怀疑过。
其实做决策也没有那么难。最基本的是，基于事实是什么，基于规律是什么。我们把这两个东西抓住，然后对未来做一些推演。
推演结果可能有 A、B、C、D 不同路径，我们就去看应该选哪一个。也不是今天选了以后就完全定死了，不能再调整。
如果过程中有新的事实进来，我还可以再调整。
本质上这是一个循环：因为我们更早拿到一些信息，所以更早形成认知；因为这些认知，形成策略；因为策略，展开行动；因为行动，获得结果；因为结果，更新信息。是一个不断叠加的过程。
李翔
我挺想知道，你们 2023 年创办公司到现在，技术愿景、战略和策略有没有发生变化？跟开始时讲的相比，今天有没有变化？
高继洋
最基本的几条没有变。
比如我们说，星海图未来是一脑多行，一脑多行；核心在脑，不在形。第二，星海图未来的长期壁垒是物理世界的数据闭环。构建数据闭环的关键路径，是整机加智能。
这几句话在创业最开始就已经想好了。
没有想好的是怎么实现，路径是什么，从哪个产品开始做，这个产品从哪个市场切入。这些事情变化非常多。
徐新
第一次见面的时候，他就讲“智能定义本体”。他们既做大脑，也做身体，但大脑是最重要的。数据闭环也讲了。
高继洋
对，基本没有改变。
徐新
大脑比身体更重要。当时为什么做本体？就是因为大脑比身体重要，为了把大脑做好，所以需要一个好的本体。
高继洋
因为大脑怎么做，你一开始其实也不知道。硬件不能用别人的，还是要用自己的。身体没有做出来，大脑就没有办法迭代，因为要靠数据回传才能进步和学习。
李翔
我问凯茜一个问题。过去大家对你的最大印象，可能还是投资京东、投资美团，投资消费互联网，而且投得非常成功。
我挺想知道，你什么时候开始关心继洋他们这样的硬科技公司？包括 Moonshot 这样的公司。这个领域应该需要一条很长、很陡峭的学习曲线。你是怎么学习的？投资这件事又没有专业限制，你既可以投消费互联网，也可以投机器人和智能。
徐新
这是个好问题。
第一，我们最早投硬科技，大概是 7 年前。7 年前投了自动驾驶，当时有一家小公司叫 AutoX。
那时候 Waymo 和 Tesla 走的路线不一样，你也不知道哪个路线对。一个要激光雷达，一个不要激光雷达，我们也看不懂，就在中国各投一家。
一个是 AutoX，学习 Waymo；另一个是 NIO，学习 Tesla。
这是一个很大的 deep learning curve。每次开董事会，商业模式都在改变。因为那么小的公司其实找不到模式，就是不断变化、不断学习。我们坐在董事会上，从创始人那里学到了很多东西。
后来我们在 5 年前开始投机器人，就是刚才说的高仙扫地机器人、海柔、XYZ 等，投了很多。
以前我们从来没搞过硬件，后来又是出海，又是供应链。我觉得硬件比软件难多了。
为什么？因为软件一下就可以跑得很大，但硬件不一样。我觉得 bits 很容易，atoms 很难。供应链就那么几家，不是你自己说了算，别人还会控制你的供应链。
我记得特别清楚，我跟 Peter Thiel 有过一次对话。他说 Tesla 的 Elon Musk 非常厉害，扎克伯格也不错，但 Elon Musk 比扎克伯格厉害很多。
你看 Tesla 造汽车，做了十几年，市占率还不到 10%；但 Facebook 一下子就垄断了。做 bits 很容易 scale，atoms 很难。
但硬件也很稳定，所以我们中间有很多 learning curve。
2023 年年初，我们投了 Kimi、智谱，又是一个巨大的 learning curve。
我们学习有 3 个方法论。
第一个是向 founder 学习。我跟继洋也经常两三个月做一次 deep diving 的聊天。这个聊天不是问你赚多少钱、收入是多少，而是问：“你最近的习得是什么？”
我最喜欢问这个问题：你最近习得了什么？你看到了什么别人没看到的东西？第二个问题是，你最近的成长痛苦是什么？
第三，我们会反复讨论，从第一性原理来看，这家公司的长期护城河到底是什么。这几个重要问题，我们会来回深度讨论。
第二个方法是 winner pattern study。以前我人生中最大的遗憾，就是字节早期没有投到。
当时去见张一鸣，他要价很贵，我被吓到了。我做 VC，他要 70 亿美元还是哪一年，我具体记不清了。移动互联网当时哪有 7 亿美元，我觉得太贵了。
后来我发现，是我没有看懂。你赚不到认知之外的钱。
我什么时候看懂它的模型？是我开始研究整个广告行业的 winner pattern。我把扎克伯格，也就是 Facebook 创始人的所有年报和每个季度的 earnings call transcript 都看了。
他在 2012 年、2013 年左右，有一个季度说，未来所有信息都会以 feed 流的形式表达，不是 search。
PC 时代是 search，移动互联网时代就是 feed 流，刷刷刷刷刷。他说，广告也会像内容一样，无缝地嵌在 feed 流里。
在那个 moment，我就知道这其实就是推荐引擎。之前我不知道推荐引擎这么 powerful。
所以 winner pattern study 要早点做。现在我一开始就会看最先进的 model、最新的 lab 在做什么。要把它们搞得特别清楚，包括创始人的所有演讲、所有 podcast、每个技术人员的观点，都要研究。
第三个是消费者洞察，要跟客户聊天。
我也尝到过 winner pattern study 的甜头。当时在移动互联网时代，我们一个基金 55% 的钱投到了美团。
那时候美团刚刚跟点评合并，还要跟饿了么竞争，不一定打得赢，大家都靠补贴。
当时有一个重要问题：如果你免费给别人吃，补贴 9 元、10 元，一份饭原来 15 元，当然会吃。但如果不便宜了，还会吃吗？
这是一个合理的问题。我去问美团的王慧文，他说：“我们试过，一旦不补贴，订单立马掉 20%。我们只掉了一天，就不敢了，又回去了。”
这个答案你也不知道。后来我想起来，“七幺幺”的创始人铃木敏文写过一本传记，讲到零售的本质。
二战结束以后，大家都很穷。他做了一个特别好吃的寿司，用最好的米、最好的 cooker，还用菲律宾深海的鱼。寿司在家里做很麻烦，所以他拿到便利店卖。
这个寿司很贵，他说半价卖，很多人来排队。后来有人问：“老板，你半价卖给大家吃，亏着钱做。哪天不半价了，他们还吃吗？”
他说：“人的天性就是懒惰。人的最大本质就是懒惰。当你习惯了吃别人做好了的东西，不用自己做饭，慢慢加价，他还是会吃。”
我当时想起来这句话，就觉得美团应该重仓。这个重仓决定，其实来自我对铃木的判断。
人的天性真的很懒。外卖送到家，你不用做饭，一旦懒下来，就回不去了。不是给一次补贴，而是给 5 次，养成习惯，给了 5 次以后，他就回不去了。
这就是 winner pattern study。
李翔
但像星海图这样的公司，它是一个开创性、全新的领域，没有既有的赢家，客户也还不成熟。你刚才讲的 founder 判断，在这里仍然适用吗？
徐新
我觉得看 founder 还是很重要。
我做这行时间很长了，从 1995 年开始做投资。我的感觉是，对人的判断还是有一点经验的，判断人挺重要。
条条大路通罗马，创始人的性格各有不同，都可以成功，但有一些共性。我试图总结一下。
第一，他要有杀手直觉，能看到别人看不到的东西。比如杨植麟，他很早就看到了 long context，也是最早做 agent 的人之一，那个工具一出来就是 agent。
刘强东先做配送、做物流。当时阿里巴巴说：“我们拿着放大镜都找不到对手。”他们相信做轻，不相信做重。
但刘强东一开始就去做配送，在每个城市建配送体系。我们当时 20 个人、两辆车，每天 20 单都在亏钱。要到 2,000 单才不亏。从 20 单到 2,000 单需要一年。
但我们不是只去一个城市，而是去 30 个城市。这就是他的 vision，他看到了别人没看到的东西，很早就建配送，因为 80% 的客户抱怨都来自配送不好。
比如我们投的 Zalora，张小沛很早就创造了一个品类：用算法颠覆传统行业。他找来找去找到 fashion，因为 fashion 的 SKU 越多，算法越有作用。
我觉得现在很多年轻人都可以去做这样的事情。很多人说 AI 来了，工作没有了，那他们去干什么？
我觉得他们可以去颠覆传统行业，降维打击那些线下行业，因为他们懂 AI。AI 可以再造每一个行业。
就像所有零售都被电商重做了一遍，我觉得 AI 可以再做一次。工程师们现在都可以创造新的行业，去颠覆那些线下的人。
懂 AI 和不懂 AI，是巨大的差别。一个懂 AI 的创始人会颠覆一个不懂 AI 的创始人，这可能是未来 10 年、20 年的增长动力。
李翔
包括我之前问继洋，第三个问题是，你们的护城河是什么？对于一家成立 3 年的公司来说，这个问题是不是太残忍了？
高继洋
我们经常讨论这个问题。
4. 迭代构成护城河
对于我们这样一个高速发展、每天都有创新发生的行业来说，迭代是唯一的护城河。你必须自己成长、自己迭代。否则你觉得自己有点东西，停两天，就会发现自己落后了。
很多投资人和合作伙伴问，星海图的基因是什么，是做大脑的基因吗？我觉得我们的基因就是迭代，围绕目标去学习、成长、迭代自己。
徐新
我觉得这一代 AI 创始人，跟互联网创始人的本质区别在于，互联网一开始，device 已经换了。
移动互联网时代有了 PC，后来有了 mobile phone，所以流量是新增的，大家都在跑马圈地。谁跑得快，谁的商业头脑好，谁能把 App 做出来，都有可能成功。
但这一次 AI 最大的不一样是，技术非常颠覆，可 terminal 没有换，还是手机，流量还在大厂手里。
所以现在要做 AI agent，产品必须特别好，真的要好 10 倍。否则你花钱买流量，根本活不下来。你要烧 token、获流量，这个 UE 是不成立的。
所以现在所有做得好的产品，都是极度优秀的产品。
高继洋
我想补充一点。我觉得星海图特别适合创业，完全是客观地说这件事。
一个创业公司面对成熟企业和大厂，最可怕的是什么？最可怕的是被对方已有业务协同，然后降维打击。
比如流量问题，有流量的大厂，天然流量就在它那里，随便分一点给新 App，马上就上去了。但创业公司必须产品足够好，才能从这里面博取一些东西。
但回看星海图，我觉得它不在任何大厂的直接射程范围之内。
首先看供给侧。我们的供给是什么？是基础模型、智能和新的整机。基础模型以前不存在，连数据都没有，这是全新的东西，任何人的起点都一样。
第二是整机。离得最近的可能是汽车，但汽车里没有哪个零部件能直接拿过来用，全都得从头设计。
如果带着汽车设计的理念去设计机器人，会带来什么问题？就是太慢。刚才凯茜也讲，初生牛犊不怕虎，年轻人可能不受那套思维限制，迭代会更快。
再看需求侧，我们的终端不存在。没有一个已经存在的手机，也没有谁已经占领了手机上的流量，这是一个完全空白的空间，大家凭各自的发展去竞争。
谁能垄断劳动力？没有人能垄断劳动力。最大的民营企业可能是京东，可能有 100 万人，但 100 万人占整个劳动力市场的比例还是很小。
所以在需求侧，没有一个企业能够垄断。也就是说，供给侧和需求侧，大厂进来都没有降维打击的能力。
我认为我们和大公司竞争，归根结底是两方面：组织和人，以及资源和资金。
先拆解组织。能跑到今天的创业公司，肯定已经做对了一些事情，组织效率一定是高的，核心团队也一定更 native，为这件事准备得更充分。
第二是资金。这个时代奖励创新，只要我们能持续做出最好的产品，资本市场和国家政策就会持续给你资金，让你循环起来。
这和几年前、十几年前的时代不一样了。
事实上，头部企业现在拿到的资金，可能都有几十亿，甚至大几十亿人民币。小米、华为这样的公司，可能有几千亿现金储备；中型大厂可能有几百亿现金储备。
但它还有主业要做，现金是服务主业的。它能拿出多少钱，专注在这一件事上？可能还没有我们多。
钱没我们多，组织效率没我们高，也没有业务协同，那肯定是我们赢。
徐新
我想 echo 一下。我觉得 AI 时代创始人的画像，第一是最强大脑，第二是年轻，可能是 90 后，第三是组织非常高效。
我们现在见到的创业公司，人真的很少，全部是 founder mode。
我每天见 4 到 5 个创始人，感觉这些创始人已经把 AI 用到极致了。一个人可能指挥 3 到 5 个 AI，像一个将军攻城略地，AI 就是他们的战旗。
他们每天只睡 4、5 个小时。我问：“你们有了 AI agent，为什么还这么辛苦？”
他说：“agent 一直在把人类的 limit 往前推。一看它能干这么多事，马上就继续 push limit，想知道到底能干多少。”
AI 在 push 他们。
我觉得 AI agent 真的让组织非常有效率。首先要看老板牛不牛，有没有烧 1 亿 token，有没有把 agent 用好。
第二，组织里没有中层干部，就是老板加几个负责人，负责人直接带着 agent 干活。
我看到的 agent 组织就是这样。可能一个组织不需要很多人，二三十个人做 10 亿元人民币的销售，没有任何问题。
这种新型组织就是这样。
你看大模型，Kimi 到去年年底也才 300 多人，DeepSeek 才 200 多人。
高继洋
但他们没有硬件。
徐新
对，他们没有硬件，做硬件可能需要多一些人。但我觉得组织效率非常重要。
做大模型，就是最聪明的一小撮人，再利用很好的 AI agent，战斗力特别强。反而那种老式组织可能打不过你们。
高继洋
这点我也深有体会。
我创业之后一直有大模型。我的一种方法是跟 GPT 深度讨论规律性的东西。
事实是什么，其实比较容易获取。我去现场、去一线获取信息，这就是事实。
但规律怎么获取？规律肯定是过往发生过。很多事情其实是类似的，只是有人懂这个行业，有人懂那个行业。谁能够高效、极度压缩地把这些规律呈现在你面前？GPT 能做这件事。
徐新
你知道有一个 founder 跟我说，他现在招人是这样招的：月薪 5 万的人不需要了。
为什么？他算一个公式：5 万月薪的人加 agent，能不能大于 agent？如果你干的事情还不如 agent 好，就没有必要。
他要找月薪 10 万、20 万的人，因为这些人可以指挥 agent 干活。
以后组织真的没有中层干部了。要找特别厉害的人，他可以指挥 agent，效率提高很多。
李翔
你现在每天睡多久？
高继洋
我比较正常，一般还是睡 7、8 个小时。
徐新
我也吓唬过他。我说你不能长期睡眠不足，会得癌症。我吓唬他说，不能这样。
高继洋
我创业之后睡眠还比较正常，也正常运动。
李翔
我看你跟赵航老师都是精气神很好。
高继洋
赵航老师精神也很好。
我觉得还是要保持好睡眠，经常运动，这样决策会比较好。
很多时候不要陷入战略偷懒、战术勤奋。要有一些时间做深度思考。
李翔
你怎么深度思考？
高继洋
我发现是在飞机上。没人打扰，也没有互联网，你就坐在那里想。
有很多次，我一上飞机，前半个小时可能先睡一会儿，后面睡不着了，就总得干点什么。我就开始琢磨。
我会拿一个最近一直在思考的课题，深度开始琢磨。然后把手机拿出来，开个记事本，写关键词，理一理思路。
很多时候一下飞机，我就开始给同事打电话，灵感来了，重新部署。
李翔
老板一出差，活就来了。
徐新
我每天早上 meditation。我一直想找一个固定时间思考，但好像总找不到。
后来我相信一件事，叫固定时间做固定的事情。所以我早上起来 meditation，闭着眼睛听鸟叫，等睁开眼睛的时候，就开始想：我昨天做了什么？学到了什么？习得了什么？
这是每天的思考。重大事情则需要固定时间。我会在周末思考一个重大问题并写下来：这个月我的 major question 是什么，我要回答的问题是什么。
这个问题可能一个月答复不了，两个月答复不了，三个月答复不了，但它会一直在我的 list 上面。
对重大问题进行深度、反复、多次的思考，是很重要的。
李翔
年轻人就不明显了，直接上飞机之后就在飞机上干活。
徐新
因为前面讲过，投一个公司之前，要把行业里的主要公司都见一遍。先建森林，再选树木，不是先建一棵树再建森林。
李翔
对，先见足够多的树木，心里才有森林。
除了去年年初投星海图，之后每一轮都跟了。你会觉得这棵树特别的地方是什么？
现在市场已经很热了，有这么多公司都声称自己要做具身智能。星海图跟其他公司的不同是什么？
徐新
三个创始人都很好。我跟继洋和赵航老师比较熟，天威接触稍微少一点。
早期我觉得看人很重要。他们志存高远，又长期有耐心。杀手直觉也很好，至少一开始提出既做大脑又做本体，这个决策是对的；先做本体，我觉得也是很聪明的决策。
他们对数据一直很执着。第二个是学习能力特别强。
我定期跟继洋沟通，他每一次都在迭代对行业和自己的认知，迭代速度很快。他可能也比较卷，学习速度很快，执行力超强。
早期来看，这三点其实就是护城河。
因为这个事情太大，现在老实说，Product-Market Fit 还没有，对吧？大家只知道 scaling law 是 work 的，其他都不知道。
所以在一个足够大、足够颠覆的赛道里，找到靠谱的创始人非常重要。
李翔
你每次问他心得是什么时候，他一下飞机就想了很多，然后就开始重新部署。
徐新
我觉得他跟赵航和天威三个搭档也特别好。
继洋工程能力很强，可以把事情落地；赵航老师在模型的 training、pre-training 上下了很多功夫，而且想得很深。
李翔
天威一定不是清华交叉信息研究院的吧？所以你没有那么熟悉。
高继洋
天威是北大毕业的，是我以前在 Momenta 的同事。他以前也是搞智驾的。
现在公司的成长和迭代能力，其实也体现出来了。今天所有重要的供应链伙伴，来了很多到现场，其中可能一半是天威自己去接触的。
李翔
供应链老板们现在对具身智能是什么态度？
高继洋
向往加焦虑。
对于一个未知的巨大事物，往往都是这样的情绪：这件事我得做。但如果做起来没做好，就会焦虑；做起来做得很好，也会焦虑，焦虑的是有没有更好的供应链伙伴，能不能跟上我们的迭代速度。
因为我们对供应链要求很高，很多东西都要从头打造，他们能不能跟上？这里面就是一个筛选过程，不是所有人都能跟上。
过去我们做了大量实验和筛选，现在已经有一批很可靠的伙伴，可以长期合作。
李翔
如果他们都是 A 股上市公司，应该是你们还是初创公司，但他们愿意付出这么大的成本，跟着你们不断迭代。
高继洋
他们愿意。大家看的不是我们，而是这个赛道。只不过我们现在在这个赛道里看上去是领跑者，所以他们选择跟我们合作。
李翔
星海图在这么多具身智能公司里面，最与众不同的地方是什么？
高继洋
今天在会上演讲的时候，我提了几句话，我觉得比较准确地概括了今天的星海图。
第一，我们是具身智能的大脑企业，专注做具身智能基础模型的预训练。预训练这件事赋予我们长期的规模效应，叫“学得越多，越聪明”，而不是传统的“造得越多，越便宜”。
徐新
这个总结特别好，讲的就是规模效应。
高继洋
第二，我们很早就认识到，具身智能不是纯软件的人工智能，一定是软硬结合，所以最早就确定了整机加智能的战略。
今天在整机和供应链上，在所有具身智能大脑企业当中，我们是最好的。
第三，在怎么做具身智能大脑的技术路径上，我们是最早押注真实数据的。今天已经证明这条路径是对的。
在这条路径里，我们的规模最大，技术最领先。最近发布的 G0.5 基础模型就是一个证明。
这三点可以概括今天的星海图。
但我觉得这些还不是本质，因为这只是一些阶段性的小结果。更本质的是，我们愿意从规律和事实出发，去做所有问题的思考和拆解。
这个问题可能是我熟悉的智能问题，也可能是我不熟悉的供应链问题，或者资本市场、商务问题。我们都用同一套方法论，用事实和规律去思考、拆解。
想清楚之后马上开始执行，然后迭代。所以我觉得，这一套方法论才是公司的内核，也使我们的学习速度很快。
李翔
你刚才讲了数据、同时做本体和模型等。我想知道，你认为你们团队跟其他公司相比，最不一样的选择是什么？市场上肯定也有人声称自己同时做这些事情。
高继洋
我觉得每一个阶段，我们都有在那个阶段不一样的选择，只是可能事后已经变成了常规选择。
最早的时候，我们虽然是做大脑的，但选择了整机加智能。当时很多公司要么做硬件，要么做大脑，没有两个都做。
我看准了，必须两个都做才能做起来，单独做一个是不行的。
第二，整机和智能也要有先有后。先整机再智能，还是先智能再整机？我们的选择是先整机，再智能。
这个策略今天给我们带来了很大的优势，但回到 2024 年、2025 年的时候，也有阶段性劣势。
除了 Kathy 这样明智、高明的投资人能看出来这个战略，更多投资人会挑战我们。
他们会说：“继扬，你搞智能得先搞 demo，赶紧把 demo 搞出来。没有 demo，你的智能不行。”
或者说：“你搞整机，也搞不过专门做整机的企业，所以你不应该搞整机，应该专注做智能。”
这两种声音在那个阶段给了我们很多阻力，但我们还是坚持自己的判断。
再比如数据，有人做仿真，也有人做真实数据，我们选择真实数据。真实数据也有不同选择。
2025 年，有很多人在封闭场景里采数据，我们没有去那里，而是去开放场景采数据，证明开放场景的数据质量更高、更有效。
因为我们采了这样的数据，又有好的整机，所以基础模型才会好，才会有今天的结果。
我们用了可能 3 年时间，去验证这套逻辑的正确性。逻辑一旦验证，背后整个组织就已经成型了，迭代速度也越来越快。
李翔
用真实世界数据训练模型，现在在具身智能领域算是共识了吗？
高继扬
我觉得用事实来说。共识是主观的，我们用事实来说。
过去半年左右，2026 年以来，全世界发布的最新、最领先的开源具身智能技术模型，全部都是以真实数据为主进行训练的。这是一个事实。
李翔
包括你和赵航老师讲的技术愿景，具身智能的路线图，以及智能的三个阶段。这个路线图是你们团队讨论出来的，还是你提出来的，或者是赵航提出来的？
高继洋
有一次我和赵航在咖啡馆聊天，聊着聊着就聊出来了：本能智能、作业智能和进化智能。
本能智能这个词，最早来自赵航老师的一个学生庄子文的项目 Project Instinct，这个词很早就有了。
那次聊天我们讨论，具身智能的未来到底应该由什么组成？难道只有今天训练的 G 系列基础模型、VLA 和 WAM 吗？除此之外还有什么？
首先我们定下来，第一个还得有本能智能。本能智能就是天然地支配自己的身体。今天我的身体是两只胳膊、两条腿，如果换成四只胳膊、两条腿，它能不能支配？这就是本能智能，有点像小脑。
再进一步，为什么人的身体长成这个样子？这也是有原因的，而这个原因是进化。为什么 AI 不能做这件事？
所以我们当时就把这三个事情串在了一起。
有意思的是，当时我们没有想到“进化智能”这个词。后来我把大概意思告诉 GPT，GPT 说可以用“进化智能”这个词。
徐新
我是什么时候知道这个路线图的？其实也是最近。上次春节的时候，我们聊了一次，那次提到把智能分成几个阶段。当时只是一个大纲，还没有今天讲得这么细，但大的框架已经有了。
李翔
要实现这个愿景，你觉得需要具备什么条件，才能很好地实现这个路线图？
高继洋
条件其实很多，我觉得可以分几个方面。
第一，要有好的人才。这是最重要的，是一切的原点。
今年我们会和清华大学做清华大学—星海图具身智能联合研究中心，希望能更深地和清华的高质量学生人才绑定，尽早产生往来和关系。
第二是数据。有了人，还得有数据。我们和亦庄有具身智能数据计划。
第三是资金。刚才 Kathy 也说了，没有钱是万万不能的。钱的问题我们解决得还可以。
第四是整机和零部件供应链。过去半年，我们在这方面也有长足进步。
这里面有一个结构性机会。三年前，中国做机器人的供应链相对更弱。为什么这几年变强了？因为很多车规级供应链零部件企业进入了机器人行业，要寻找第二曲线。
这些企业的能力、资质和规模都更好、更大。我们正在跟这些企业合作，这样一条新供应链未来的势能和潜力更高。
第五是渠道体系。
具身智能的分发渠道还不存在。大语言模型靠社交媒体和手机分发，但我们的渠道不存在。
我们卖的东西单价也不便宜。京东当然可以卖，会是其中一个渠道，但你总要从头开始建设一些东西，所以渠道体系建设也很重要。
人才、数据、资金、零部件供应链和渠道体系，这五个维度揉到一个创业公司里，其实挺复杂的。
大部分创业公司可能不需要解决这么多维度的问题。但这不是说做不了，恰恰是因为它太复杂了，要素太多、链条太长、比较难，所以大厂来做也没有特别明显的优势。
我觉得这是天然给创业者的赛道。
徐新
站在投资人角度，听到这是一个特别复杂的事情，肯定会先往后退一步。
但它足够大、足够颠覆，增长又快，所以很难遇到这么大的赛道。
我最近还有一个习得：当一个特别巨大的浪打来，也就是一个新的技术特别大、特别颠覆的时候，作为一家没有包袱的公司，你跑得最快。
如果不够大，跑着跑着就到顶了。但如果没有包袱，肯定跑得更快。
比如 Anthropic 和 Google 哪个更好，我一直在思考这个问题。
很多人说投 Google 肯定好。黄仁勋讲的六层蛋糕，Google 可能已经有芯片、data center、大语言模型、agent，很多层都有了，还有很多现金，风险不高，但成长可能是 20%。
另一个选择是 Anthropic。它没有包袱，只有一个大模型。在整个价值链里，最靓的仔是谁？我们说 most handsome boy，最靓的仔肯定是大模型。
大模型可以做很多东西，也可以只做大模型。只做大模型就是轻装上阵、最聚焦、跑得最快、最犀利。
当然最好是两个都投，做一个 allocation。
但如果碰到一个每年涨 10 倍、已经涨了 3 年的公司，历史上从来没有过，我觉得就应该抓住。
Kimi 和智谱也涨得很快，这就是它创造价值的方式。
我们一直觉得，未来经济增长的一个主要动力就是 token economy，靠生产 token 创造财富、推动经济增长。
如果不在 token economy 里，增长基本就会乏力，防御性增长可能只有 10% 到 20%，还很辛苦。
但如果在 token economy 里面，每年增长 200%、300% 都没有悬念。
李翔
按照这个理论，零售和消费不就完了吗？
徐新
零售和消费也没有完，只能靠供应链和自有品牌，增长可能是 10% 到 20%。
李翔
你想做创始人 IP，我想知道你们作为投资人怎么看？
徐新
我觉得 AI 时代，创始人的 leadership 还是挺重要的，因为你会吸引很多优秀人才跟着你。
创始人至少要有一个让别人知道你的过程。低调肯定不行，但也不要每天花时间做流量。你吸引的是知识分子，他们很快就能找到你。
像我们今天这样的发布会就挺好，一年至少做一次，把你的理想、信念、技术迭代和产品分享出来，我觉得很重要。
李翔
AI 时代好像没人打广告，基本不怎么打广告，但大家怎么会知道产品呢？
徐新
第一，产品特别好，自己会说话。第二，每次产品发布会大家都会知道。
创始人还是要让大家知道你的 vision。产品和 vision 都要让大家知道，定期做发布会也很好。
李翔
其他人讲创始人 IP，指的是创始人去做社交媒体账号。
高继扬
关键是看以什么形式做、做什么内容。
我们更希望讲公司、讲行业，因为这个行业有特殊性：噪声很多，声音很杂。
在这种情况下，如果好的公司没有足够的声音带宽，就会被淹没。反过来，优秀人才和合作伙伴也找不到好的合作对象。
所以我们需要一个发声的通道。今天举办这个发布会，也是这样的目的。通过这个机会，聊一聊公司的情况、对行业的理解，都是为了传播。
最终的竞争，还是这几类要素：人才、数据，以及谁能够快速整合它们。
李翔
Kathy，我想请教你。刚才继扬描述了技术愿景、路线图和需要具备的要素。从你的角度看，这里面可能会出现什么卡点？
徐新
我觉得卡点是时间表的问题。
你不知道每个阶段能做到什么程度，这件事现在确定性还不是很强。
我一直想知道，100 万个小时到 1,000 万个小时，是不是就靠谱了？产品的 Product-Market Fit 是不是就证明了？我们是不是就可以卖给企业，企业也愿意付钱？
今年做到 100 万个小时，我们可能有信心，但到 1,000 万个小时需要多长时间，并不确定。整个技术流程可能都要改变。
Google 的意思好像是，1,000 万个小时基本可以做出一个靠谱的系统，能够干一些三级家务，但这个时间要多长，其实不确定。
第二，在这个过程中，怎么维持现金流一直是正向的？融资很重要，子弹要充足，粮草要先行，要熬到春天来临。
竞争方面，我倒不是特别担心。大厂肯定会下来，但大厂未必有那么多优势。
你能不能做出最强大脑？foundation model 其实挺不容易的。
我觉得主要还是时间表的问题。做早期项目，节奏很重要。
如果太激进，步子跨太大，可能把自己烧死。春天来了，但你已经倒下了。
但太慢也不行。你会落后，吸引不到人才，也融不到钱。投资人会说：“你都不是头部，我只投头部几家。”人才也会说：“这家公司好像没什么声响。”
所以掌握节奏特别重要。成长的速度和节奏很重要，因为它们环环相扣。跑得太猛，可能把自己烧死，因为还没有收入。
高继扬
节奏跟资源是相关的。
李翔
所以从你的角度来讲，你更担心竞争对手是大厂，还是和你们一样充满饥渴感的创业公司？
高继扬
我比较关注一个指标：看它过去 12 个月的变化。
如果一个企业过去 12 个月的变化很大，哪怕今天我们在具身智能行业里算领先，但它过去 12 个月的变化幅度超过了我们，我就必须非常注意，因为这说明它迭代得比我快。
如果大企业迭代速度不够快，动作不够快，投入也不够坚决，其实没有特别需要担心。
徐新
我补充一下。我观察过 Google，个人也买了很多 Google 的股票，因为它的积累很深。整个 Transformer 都是它做出来的，但 ChatGPT 最后不是它的，挺遗憾。
Google 花了 3 年时间才把组织架构调对。最核心的是 founder 回来了。
当时有两个牛人，一个是 DeepMind founder Hassabis，一个是 Google Brain 的 Jeff Dean。他们都很牛，但互相打架，资源一直分散，原来的 CEO 也没有真正作为。
后来 founder 回来，第一件事就是把 Hassabis 提起来，让他同时管理 DeepMind 和 Google Brain，所有资源向他汇拢，他是老大，完全说了算。
他们马上就打了第一个胜仗，拿到 Banana，很成功。之后 Gemini 就像开了挂，再加上 TPU 迭代很快，算力也够。
Google 花了将近 3 年才把组织架构调对，但它毕竟还是 Google，还是很强。
中国像字节这样的公司，创始人年轻，组织调整可能不需要 3 年，也许一年、一年半就能到位。账上的钱也很多，又能大力出奇迹。
从长远来看，它仍然可能是很强的竞争对手。不过现在这些公司还没有重点做具身智能，所以这就是我们的时间窗口，要跑得快。
Get big fast，要做大、做快。
李翔
还是不能慢。
高继扬
从这个角度来说，具身智能基础模型的进展速度在现阶段没有那么快，未必是坏事。
如果进展太快，马上全打开，大厂全部下来，我反而会担心。
今年可能到了进步速度加快的原点。100 万到 1,000 万，就是数据量 10 倍增长。
以前数据搞来搞去，发现原来的数据不 work。teleoperation 搞了半天，机器人硬件和软件一迭代，原来的东西又不 work 了，只能重新来过。
当行业到这个阶段，大厂一定会来。关键是我们自己现在在哪里，你得跑到前面。
坦率来说，以我们今天的成长速度，以及在行业里积累的成绩，我们不是特别害怕大厂投入。
这反而会让游戏变得更好玩。更多资源进来了，我们也可以获取更多资源。
李翔
突然想起来，理想昨天刚开完发布会，就在你们办会的前一天。
继扬前面讲，你们的护城河是迭代速度足够快。但这肯定不符合巴菲特对护城河的定义吧？
高继扬
巴菲特是价值投资，投的是不变的东西。我们是风险投资，投的是变化，这完全不一样。
但他的有些理念也对，比如专注、长期持有，这些都对。
李翔
星海图至少在中国应该已经是市场共识度最高的具身智能公司之一了吧？
徐新
算吧。要看是谁的具身智能。
我觉得在风投、VC、PE 里面，具身智能已经是共识赛道，基本都投了。
李翔
大厂还没有完全下场，因为还在忙大语言模型。那个市场也足够大，够它们竞争，还要花很多钱。
基本上有一个规律：当市场高度共识的时候，往往是这个领域最危险的时候，可能意味着有泡沫。这个规律符合吗？
徐新
5. 泡沫会淘汰弱者
我觉得不用特别担心泡沫，因为我经历过很多次泡沫和 bubble burst。
最早的时候，我经历过互联网泡沫。1999 年投了网易、新浪、搜狐，2000 年上市，2000 年下半年 bubble burst。
好处是别人都死了，拿不到钱，血流成河，很多互联网公司都死了。但这三家公司拿了大概 7,000 万到 1 亿美元，活了下来。
好处是 3 年没有对手。拿了钱，3 年没有对手，怎么着也能折腾出一个模式。
丁磊很厉害，在压力下找到了游戏，后来成了中国首富，我们也赚了很多钱。
泡沫的时候其实还是能拿到钱的。投资人永远是两种心态，一个是贪婪，一个是恐惧。
恐惧的时候，你说什么都没用。再好的项目他也不会投，也不会相信。
贪婪的时候，再贵他也会投，因为他有 fear of missing out。
现在我觉得大家都在贪婪，都有 fear of missing out。所以这次融钱是个好机会，能上市就上市，能融资就融资。
我的经验教训是：raise money when you can。当你能融钱的时候必须融钱，而不是等到需要的时候再融钱。因为你需要的时候，市场可能已经变了，就融不到了。
我觉得 bubble 也就是短期大家高估了它的价格，但长期可能低估了这个事情。事情足够大，其实也不一定贵。
泡沫破灭之后会洗牌，很多人会被洗掉。亚洲金融危机到互联网 bubble burst，再到 COVID 之后 3 年没有 IPO，再到去年 DeepSeek 挽救大家的信心，我经历了很多次 bubble。
Bubble 没什么了不起。泡沫破了以后，你还可以继续加仓。那时候再多拿几年，是最合算的。
因为这个事情本身是存在的。
我们投了很多 rule-based 公司，它们已经跑出来，Product-Market Fit 已经证明了，也已经卖出去了。你能看到订单不断来，老客户不断 repeat order，不同场景的客户不断加单。
去年我们感觉春天来了，就是因为订单不断增加，需求已经被证明了。
接下来是具身智能。它更 general，成本高一点，但干的活更复杂、更柔性。
我们看过几个行业，物流、仓储、搬运等，全世界大概有 1,700 万人。中国的工资可能是美国的三分之一，美国这类工人至少需要 5 万到 7 万美元，甚至更多。
将来我们收 subscription，但这个趋势势不可挡，因为这些活太苦、太累、太无聊，人不愿意干。
李翔
如果真的像你讲的那样，超级巨头上市之后把市场上的流动性都吸走，这个领域的泡沫到了顶峰，对星海图而言，你们做好准备了吗？这对你们是好事还是坏事？
高继洋
我们时刻都在准备。我觉得真正好的公司、强的公司，都会受益，都会赢。
本质上还是要提前对趋势和变化做判断。泡沫破灭之后应该做什么，我们其实已经做好准备了。
李翔
泡沫破灭之后，你们想做什么？
高继洋
泡沫破灭之后，决定一个行业走向的人，我一直觉得可能就是中国的一两百个人。
真正决定行业走向的，可能是一两百个人。如果这一两百个人聚成 10 堆，我就有 9 个竞争对手；如果聚成 5 堆，剩下的是散兵游勇，那我就是 4 个竞争对手。
所以在这个过程中，我们要吸收这些人，这是我会去做的事情。同时也会出现一些并购机会。
尤其是在资本市场上，我们还可以享受一些杠杆。
更惨的是传统的 rule-based robotics。它们不是没有价值，价值很高，只是泡沫破了以后，资本市场给它们的估值可能更低，尤其是更传统的机器人。
但它们的客户渠道、交付能力和过去积累的工程能力，都是很好的资产，对我们来说也有价值。
这些就是我们未来可能展开的行动，但也要审时度势，不能贸然出击。
我们一直看两件事：融资路径和支出路径。
融资路径上，有钱就拿钱，持续增加。
支出路径上，有两个逻辑。第一，我们是 AI 行业，背后的驱动力一定来自 scaling law。该上规模的时候就要上规模。
我做下来发现，传统 robotics 和 AI 最大的区别在 mindset。
AI 的人是 scaling mindset：我现在要从 1 到 5、到 10 去看，哪怕我不知道 5 和 10 会发生什么，但历史证明 5 和 10 一定会有惊喜，而且市场会奖励这种惊喜。
这是 AI 的 mindset。
robotics 或传统产业的 mindset 是研发制造型：我研发一款机器人花 5,000 万元，卖 1,000 台还是 2,000 台？单款产品什么时候回本，之后净利润是多少？
但如果用这套逻辑套 AI，就不敢投入，因为算不清楚。
我觉得要把具身智能做好，过去做机器人公司的最大障碍，是能不能用 AI 的方式投入和研发。
第二，还是要审时度势、抓住机会。支出过程中，有些局部 ROI 是可以算清楚的，如果 ROI 足够高，就应该做。
李翔
很多人可能认为，传统硬件机器人的逻辑才是商业本质：研发多少、如何定价、卖出多少、利润多少。
高继洋
这要看周期。
传统机器人的周期是，研发周期可能 18 个月，整机销售周期可能 3 到 4 年，后面再有两年的售后，大概是一款机器人的全生命周期。汽车可能比这略长。
但 AI 的投入周期不是这样。AI 可能要以 3 年作为基础研发时间，而且 AI 有个特点：每一次生产都是非标生产。
机器人把构型定下来之后，可以批量生产 1,000 个、1 万个，每次都是标准化生产。
但 AI 的产品是大模型，大模型每一次生产都是非标生产。所以不能用传统逻辑去想，因为它们计算总体 ROI 的周期不一样。
徐新
我补充一个观点。
6. 垄断决定生意质量
首先要问的是，AI 是不是一个好生意？具体来说，大语言模型是不是好生意，具身智能是不是好生意？
从好生意角度看，定义是什么？用巴菲特的话说，就是形成 monopoly，相对垄断，有 pricing power，有涨价能力。
大语言模型的生意本质是什么？除了时间周期，还要看它是不是有规模效应、网络效应和品牌效应。当然还有知识产权保护。
我觉得大模型有非常明确的规模效应。它可能没有互联网 App 那样明显的网络效应，至少 pre-training 没有看到。
但在 post-training 上，最近 Anthropic 和 OpenAI 的迭代，我好像感受到了一点网络效应，因为它们迭代特别快，找到了一个法宝，就是 coding。
最近真正改变智能的，不是一般人在那里随便使用，而是最聪明的工程师用最难的问题训练它。最聪明的人在使用，得到的结果智商很高，大家再使用，就有一点网络效应。
规模效应很明显。固定资产投入很大，一年没有 10 亿美元投入，根本不在牌桌上。人才又稀缺，都是最强大脑。
这两个条件一加，玩家就非常少。它不像互联网的 super app，形成一两家垄断，而是有点像 data center，可能是 3 到 5 家。
为什么少？第一，供应链投入太大，很多人投不起；第二，人才不够优秀。这两个条件卡住，可能就只剩 3 到 5 家。
这么大的世界，有 3 到 5 个竞争对手，其实已经是很好的生意。
美国现在基本上就是几家。Meta 还没有真正做出来，其他公司投入很多，也不容易做。
中国我觉得可能也是几家。幸运的是我们投了两家，最早投了两家。
现在大家会问，赚钱吗？不赚钱。但你可以把 pre-training 当成 fixed cost，先投入一段时间，再赚钱。
Inference 是 variable cost，我们感觉它越来越接近赚钱。第一，价格在上涨；第二，芯片和 token 成本在下降。这两件事一结合，模型的毛利其实不差，可能有 40%。
按我们了解，第二季度已经有公司赚钱了，证明这个事情可以赚钱。
有人会问，open source 是不是好生意？Anthropic 收那么贵的钱，open source 是不是好生意？
我觉得也不差。即使这样，企业也很能打。特别是 agent 出来以后，token consumption 是 ChatGPT 的 100 倍，甚至将来会到 1,000 倍。
那就薄利多销，把智能输送到全世界，也挺好。
模型是个好生意，因为它稀缺，有涨价能力，将来也可以赚钱。
具身智能也有点类似：一开始要大量投入、投很多钱、拉很长时间，还要最优秀的人。
这两个护城河已经垒起来了。
你刚才一直问护城河。你能不能融到这么多钱？资本会很快聚焦到头部。
现在谁还敢投一个新的大模型公司？谁敢投？那么强的团队都没做出来。
所以我觉得具身智能也有这个特质：固定成本太大，本身就是护城河；另外要求的人特别优秀，必须是最强大脑。
光做硬件不是最佳状态，光做大脑也有点问题，合在一起最难，但也是最好的。
李翔
现在市场上可能不会再有新的创业公司去做大模型，但具身智能未来可能也会遇到这个问题：一些大玩家觉得不得不做，于是做自己的具身智能模型，比如大的硬件厂商、大公司。
徐新
他们可能内部用，但不会是第三方使用，应用少很多。
李翔
你经历过这么多周期和泡沫，觉得泡沫也没什么了不起。但投还是不投是性质问题，什么时候投是战术问题，对吗？
徐新
对。战略和战术是两回事。
当一个特别巨大的浪打来，你是要跳到水里去的，不能在岸边观察。
如果一个 VC 没有投互联网、没有投移动互联网、没有投 AI、没有投大模型，我觉得就不是一个很优秀的 VC。几个大浪都没有抓住，那就只能等下一个浪。
王兴说过，传统行业投资像登山，山就在那里，随时都可以投。通过 buyout、加杠杆、优化成本，可以赚到相对 predictable 的钱。
但投技术就像冲浪，要赶上大浪。大浪来了没有赶上，就只能等下一个。
所以最好的办法是先跳进去，开一张小一点的支票。如果失败了，输得起；如果有苗头、不错，就像星海图一样，赶快加仓、加仓、再加仓。
这就是做 VC 的核心：要打到 home run。
Home run 的定义，是一个项目把你这支基金的钱赚回来了，这一个项目赚的钱比基金还大，或者给你赚 8 倍。
Home run 有两个本质。第一是 home run 的频次，一期基金能投到几个 home run；第二是 home run 的强度，投到的 home run 究竟能赚多少钱。
我们觉得强度比频次更重要。强度取决于你占多少股权、拿多长时间。好的项目可以不断加仓，拿的时间足够长，这些是可以决定的。
但频次有运气成分。我们看下来，基本上不变，一期基金就是 3 到 5 个，平均数大概是 4 个。
一期基金 4 年时间，投到 4 个伟大的公司，这个数字基本固定。投更多项目、招更多人，反而没有用，因为时间和精力都被稀释了。
你不知道哪个好，也不知道什么时候该加仓，也没有时间跟创始人经常聊天，学习速度反而会放缓。
所以关键是在强度上做文章，double down、triple down 给你的 winner，拿的时间还要足够长。
我们说足够长，通常是 8 到 10 年，才能赚到时间的复利。
李翔
如果频次差不多就是 4 个，那 VC 是不是也不存在规模效应？规模做大了反而没有用？
徐新
规模太大以后，要给股东赚 8 倍就难了。
比如弄一个几十亿美元的基金，做到 8 倍很难。弄一个 10 亿美元的基金，还是可以的。
假设 4 个项目都是 home run，一个 home run 投 1.2 亿美元，4 个就是 4 个项目；如果成功概率是 20%，还要投 20 个项目，其中 4 个是 home run，另外 16 个不是 home run。
如果每个非 home run 投 1,000 万美元，就是 1.6 亿美元。这样基金大概 6 亿到 8 亿美元，赚 5 倍、6 倍，算是不错的 performance。
但如果特别大，伟大的公司没有那么多。
高继洋
我突然想请教 Kathy 一个问题。
你刚才提到以前投过很多企业，也看了很多行业。我一直很好奇，我们这个行业、包括我们这家公司，未来会遇到什么常态性问题？
在你的视角里，企业做大的过程中，创始人和机构越来越大，会有哪些典型错误？
徐新
第一，每次融了很多钱以后，容易头脑发热，做很多事情，觉得人力胜天，什么都要做。
“这个我也能做，那个也能做，反正不花很多时间。”最后会发现，那些事情其实都不重要，却把时间拖累了，精力也被分散了。
事情一多，就什么都做，一天到晚做加法，不够 focus。这个很糟糕。
我刚才说过，founder 的 vision 很重要。这个时代不能犯很大的错误，因为错误的代价很大。
比如训练模型时，如果方向看不清楚，3 个方向都试一下，时间和钱都花进去了，但方向不对，人家已经跑到前面去了，你的迭代速度就慢了。
所以 killing thing 很重要，方向一定要看准。
OpenAI 原来领先，为什么后来有的公司突然追上来？我觉得就是方向问题。OpenAI 看到了 coding，但有的公司没有看到，只是什么都做，多模态、具身智能，什么都想做，后来发现搞不了那么多，只能关掉一些。
不聚焦是大忌。
第二是时间花在哪里。
一个企业成长很快，会有很多成长的痛苦。你会觉得什么都要管，供应链要管，HR 要管，operation 要管，报销要管，出差也要管。
一开始不熟悉的时候，founder mode 很强，什么都自己说了算。这些事情会耗费精力。
但这是必须经历的过程。你要迅速建立制度，迅速把权力放下去，抓关键。
真正的关键，还是模型的方向、供应链，以及数据怎么调。但最终最关键的，还是大脑的方向要怎么走。
大模型既不是纯科学，也不是普通工程，有点像炼丹。炼丹老师傅的手感和经验很重要，你要往哪个方向走。
继扬本身是 PhD，又是学这个的，所以应该花很多精力思考这个问题。我知道你每天读论文，但读论文的量还要加大。
要跟最有洞察力的人天天聊天，灵感就是从这些地方来的。大量阅读论文，跟最优秀的前沿研究者交流，非常重要。
当然我知道赵航老师在做这些事，但最好是你们两个大脑一起碰撞。
你还懂硬件，所以你的时间可能一半以上都要放在这上面。
像张一鸣，抖音是多大的生意，但他 50% 的时间都用在 Seed 上。你们现在公司还这么小，可能 80% 的精力都应该用在系统打造上。
人不到位，你就会变成瓶颈。架子先搭起来，然后 delegate，delegate，不行就换人。
这些事情都是 replaceable，但你的大脑、公司的 vision、公司的发展，以及调动资源的能力，没有人能替代。
所以你应该把精力花在这些事情上。
李翔
你觉得他们在具身智能公司里面算聚焦吗？
徐新
我觉得他们挺聚焦的。
他们一开始定位就是既做大脑又做 body，而且速度很好。没有一开始就烧大脑，因为那会烧很多钱，又没有数据，等于白烧。
他们先把硬件做出来，有了自己的硬件，数据和训练就更可控，烧钱也更高效。
对数据也很早就开始做了。我觉得他们整体数字化战略方向都还好，没有什么重大错误。
李翔
我问继扬一个问题。你之前在两家无人驾驶公司工作过。无人驾驶以前也是非常热门的创业赛道，很多公司、很多聪明人、很多钱都投入进去。
从亲历者角度看，当年无人驾驶的热度跟今天具身智能的热度，有什么不一样？
高继扬
首先小很多。
无人驾驶从行业规模，以及对大众和社会的影响力来说，都小很多。我觉得自动驾驶归根结底是一个影响力有限的小行业，它没法影响千行万业，也没法影响每个人的生活。
但具身智能很有意思，我的上游也是我的下游，我的下游也是我的上游，它是一个未来的中心型行业。
这让具身智能创业既有挑战，也有巨大机会，因为可以优化的东西很多。
第二，行业位置不一样。
第三，技术上也不一样。自动驾驶第一波企业，头部企业刚出发时，很多不是 AI 企业，而是 robotics 企业。什么是 robotics？就是 rule-based，讲究解决 corner case，做系统拆分。
但这一批做具身智能的企业刚出发时，有一些定位是对的：我们定位自己是一家 AI 企业。AI 企业解决问题的方式就是规模、基础模型和数据。
所以企业发展的逻辑完全不一样。虽然看上去都在做智能，但智能背后的来源不一样，一个是真正 AI native 驱动，一个可能还是传统 rule-based 或 robotics 驱动。
李翔
你上次跟我讲过，今天做具身智能的有三拨人：一拨以前做模型，一拨以前做硬件，还有一拨像你一样以前做自动驾驶。
自动驾驶经历对你做具身智能有什么影响？跟另外两拨人相比有什么不同？
高继扬
它帮助我在一开始做了几个最正确的基础决策：整机加智能，构建数据闭环，依赖真实数据，不能做纯软件。
具体算法和技术，坦率讲几乎没有什么可以直接借鉴的。战略选择来自以前的经验，主要是教训。
这几个选择很重要，所谓杀手直觉就是方向要选对，要看到别人看不到的东西。
李翔
很多技术上的东西其实也是这两年才出来的。
像这三种背景的人，你应该都见过。他们表现上会有什么不同？
徐新
我觉得自动驾驶出身的人上手能力都很强，很快就能把东西做出来。
做机器人需要硬件和软件，但自动驾驶的人去做具身智能，好像还挺专业、挺对口，来了以后就能上手。
不过他们大部分人没有做大脑。我觉得星海图最大的特点，就是敢把大脑也做了，可能跟他们的教育背景和最强大脑基因有关系。
高继洋
我稍微 recap 一下。
今天赵航演讲时也提到，包括我和赵航在内，我们这一批人可能是第一批深度学习培养出来的 PhD。
我 2015 年开始读 PhD，他 2013 年开始读。2012 年是深度学习革命，所以这一批 PhD 在读博士时得到的最重要的影响，就是相信深度学习，相信数据。
那时候还没有 scaling 这个说法，更多是相信深度和数据。
对我们这批 PhD 影响很大的一篇文章叫《The Bitter Lesson》，中文叫《痛苦的一课》。基本结论是，相信规模、数据和算力，不要相信基于 human bias 设计出来的规则。规则短期有效，长期看都是无效的。
带着这些东西去做自动驾驶，情况很有意思。
自动驾驶第一波人其实不是做 AI 的，而是 robotics 的。两股力量交汇在一起，搞 robotics 的人沿着过去的路径走，搞 AI 的人带着新武器进来，里面有新老交汇的冲突。
所以有些企业改变得慢，有些改变得快。
我讲一个小故事。相信 Bitter Lesson 非常重要。
Tesla 是自动驾驶的鼻祖，最早开始做的时候一直是 rule-based，遇到一个问题就写一段代码。它的 C++ 代码一度写到 30 万行，团队都绝望了，说问题永远写不完，天花板已经到了。
后来 ChatGPT 出来，他们觉得自学习很厉害。那时候 Elon Musk 也收购了 Twitter，要把一批团队调到 Twitter 去做 IT。
有个年轻人说：“我暂时不能去，我现在在做一个学习 ChatGPT 的项目，类似 supervised learning，让系统自己学习。”
他写了一段代码，让车从 Elon Musk 家门口开出去一段路，让 Elon 坐在车里体验。
体验完之后，他们要做一个重大的选择：是不是放弃过去 9 年的数据、30 万行代码，以及几十亿美元的投入，全部改成机器学习，不再写人类规则代码。
这个决定非常重大，因为以前那么多年的心血可能全部白费。只有 founder 敢做这样的决策。
当时我记得有一幕：Elon Musk 开完车回来，大家开始讨论到底要不要放弃过去的东西。
他闭着眼睛想了 20 分钟，现场鸦雀无声。因为这是重大决定，他们多年的心血都在那 30 万行 C++ 代码里。
他睁开眼睛之后说了一句：“This will do。”然后就切换了。
如果没有 Elon Musk 对 scaling law 的相信，他可能不会这样做。以前的积累不是没有价值，但大部分人不会舍得放掉。
因为自己打败自己很难。大部分人会觉得以前有积累、有安全边界、有优势，舍不得放掉。但他没有管，直接放掉，从零开始。
要不是这样，这个自动驾驶系统还不知道什么时候才能跑出来。也正因为有这样的人，敢做这样的决策，才有了真正的创新。
所以我觉得，正好我们这一届人相信这一套，跟时间点也有关系。
徐新
所以为什么我说要找 90 后，这就是一个分界点。你相信还是不相信，跟年份也有关系。
我看到有的公司招聘写的是“95 后卷王”，90 后都不行了。老板可能是 90 后，因为老板读完 PhD 已经多少岁了。
李翔
之前我们听 Andreessen Horowitz 的 Marc Andreessen 的一个 podcast。他高度看好这一轮智能，包括人工智能和具身智能。
他说了一句话，我印象很深：“投资中最危险的 5 个字是‘这次不一样’。”但他接着说：“这次真的不一样。”
你认同这个判断吗？
徐新
我挺认同，而且真的不一样。我觉得它比互联网大很多。
首先看速度。我们看一个颠覆性的东西，我一直跟团队说，看一个公司好不好，就看一件事：涨得快不快。
互联网时代，京东涨得很快，一年涨 3 倍。移动互联网时代，外卖涨得快，一年涨 3 倍、5 倍。
但这一次是 10 倍，一年涨 10 倍。没有一个产品比 ChatGPT 涨得更快，它的 penetration 非常快。
这个速度决定了它的天花板有多高。我觉得它是一个完全不同的 animal，速度决定天花板，完全是不同的生物。
而且它不只是工具，不只是连接，它直接把人替代掉了，这是完全不一样的东西。
我自己经常用 GPT，越来越觉得它比我聪明。它好像还有 human compassion，真的挺厉害。
再搞几年，我们可能真的不如它。现在我已经觉得它很厉害了。
不过具身智能到作业智能还很漫长，更不用说后面了。因为硬件有两万个 component，还要反复调整供应链，确实很复杂。
李翔
你会关心历史上那些泡沫、特别热门的阶段吗？互联网、移动互联网，包括机器人以前也热过，人工智能也热过。
高继扬
我上大学的时候，正好是移动互联网最剧烈的时期，送外卖、打车、共享单车，包括摩拜单车。
我当时看创业故事也激情澎湃，特别是美团的创业故事。但看完之后觉得，这好像跟我没什么关系，还是得找自己能做的事情。
所以我在大四的时候决定开始做 AI。
李翔
像具身智能这个领域，无论是创业还是投资，你们有没有想过，对你们各自来说，最好和最坏的情况是什么？
徐新
对我来说，最坏的情况就是这一波一个好企业都没投中。
最好当然是星海图成为未来的伟大公司。
高继洋
我觉得可以分成行业和公司的情况。
首先，具身智能产业一定能成功，这个行业一定会成功。
但行业成功之后，对每家公司、对每个人的影响是什么，不太好讲。
最好情况是，每个人真正得到自由，大家不用为了钱工作，而是为了兴趣工作。
坏的情况是什么？我不确定。
这种产品本质上垄断了生产力，垄断了物理世界的生产力，这种财富和生产力的垄断可能带来什么可怕后果，我不太确定。
徐新
你担心的都是人类的问题，你是有大爱的公司。
高继扬
不是，我只是觉得，首先我们公司成功的概率还挺高。
过去几年做决策，我觉得自己越来越稳健。我觉得公司不太可能死掉。
最大的风险其实不是死掉，而是可能因为节奏错配，错过一些重大的机会。
比如 Anthropic 找到了 coding，OpenAI 没有找到，差距一下子拉开。这种情况很麻烦。
所以 founder mode 还是要在第一线。
徐新
对我来说，最好就是这次机会投到一些伟大的公司，能够改变世界。
而且我觉得中国的机会比美国更大一点。
大语言模型我们还在后面追赶，但具身智能我们甚至可能领先。供应链、数据，再加上政府很给力。
我觉得这个时候政府非常懂，怎么这么懂？很多政府官员至少是名校毕业，学相关专业的，特别懂。
五年计划、十年计划，组织得非常 well organized、systematic。像这么大的数据量，可能真的是需要社会来做，不可能一家公司请几个兼职人员就完成。
政府在这上面起了非常好的作用，有点像以前的光伏。政府这样做，对整个生态还是很有帮助的。
我们有可能领先：创始人的红利、工程师的红利，再加政府执行力的红利，三个红利叠加起来，有可能领先。
但我担心的是，AI 可能把贫富差距拉大，强者更强。不懂 AI 的人会比较麻烦。
未来肯定不是 AI 马上把人类工作全部取代，也不会马上进入 AGI 到来、社会大同、大家都不用工作、政府给大家发钱的时代。
这个时代不会很快到来。比如 10 年之内，从现在到那个时代，中间可能会有失业。怎么办？
是不是需要一些方法，帮助这些人进行第二次创业，或者找到喜欢做的事情？
总体来说，这中间可能有一个阵痛过程。数据安全、工作问题、年轻人，这些都需要在哲学和价值上做引导。
这个痛苦过程怎么度过，是很重要的话题，只是现在大家还没有认真想。
李翔
今天我们讨论这个问题，也是因为你们不太会去想这些问题。
徐新
人是分年龄的。15 岁以下的人，把它当成一种技术，自然就会用这个技术长大，根本不会多想。
15 岁到 35 岁，机会来了，就想创业、成功。再大一点，可能开始躺平、畏惧。
这可能也跟年龄有关。
李翔
这个过程怎么度过，可能确实是一个话题。
徐新
但我也不是很担心大家没事干。
我们最近看很多 AI 生成内容的公司，做音乐、视频、小说、短剧，其实有很多事情可以做，不用特别担心没事干。
这些人可以消费 AI 生成内容公司生产的 token。那边做 token manufacturing，我们做 token consumption，也可以。
李翔
感觉所有机会都被你们自己干了。
徐新
是。
李翔
我问一个跟聚焦、时间和精力分配相关的问题。
你刚才讲到，有的公司抓住 coding，聚焦在 coding 领域，反而实现了后来居上。为什么？是因为运气好吗？OpenAI 只是运气不好，没有找到那个方向吗？
徐新
我觉得一个 founder 如果很懂，他才敢押一个方向。只有知道一些但又不是那么懂的人，才会想 3 个方向都赌，因为他不知道哪个能赢，也不笃定。
资源是有限的。每年 training cost 非常大，人也就那么多，赌一个方向可能赌错。
所以你真的笃定，站在前线打仗，能听到炮火的声音，才知道哪个方向该走，才敢只走一个方向。
你看，有的公司就走一个方向，Kimi 走一个方向，DeepSeek 也走一个方向，他们知道这个方向，敢赌下去。
有的人会说：“我可能都搞一下。”但实际上精力和时间有限。
这其实还是 tech vision。你能不能看到别人看不到的东西，看得更深，或者看得更远。
Founder 要在前线打仗，还要大量跟最优秀的 researcher 交流。
我觉得 best brain 的 founder 就是 best brain。因为你是 best brain，最优秀的人才愿意跟随你。
现在我发现，很多 PhD 要跟老师，或者跟一个他觉得能成功的人。他们其实知道这件事一个人干不成，需要一批优秀的人一起做。
他们看你给多少股份、多少钱吗？不完全是。他们要看跟谁能成功，信不信这个人。
所以我一直在想，学历重不重要？本科生、硕士也能不能做？后来我想，不完全是学历，而是你有没有 scientific status。
学生不一定跟你要多少钱，但如果你没有那个科学地位，最优秀的学生不愿意跟你。
你要把大旗树起来，让清华、姚班，或者其他优秀学生都愿意跟着你。这非常重要。
其实只要少数人改变世界，二三十个最强大脑就够了。把他们招到、留住、稳定住，就够了。
高继洋
我也想问 Kathy，刚才你问了很多问题，包括时间和精力分配。我想知道，你会不会担心自己出现不够聚焦的情况？
徐新
肯定会。
每天事情很多，各个方向都需要找 CEO delegate。每个方向的事情都很多，尤其现在处在建设期，建设太快了。
再过一年、半年，可能会好一点。建设期相当于一边解决问题，一边建设体系。
如果体系已经差不多了，只需要解决问题，我就可以放开了。
现在是动能转换的阶段。
高继扬
你就每天读论文，再读论文，然后找最优秀的 researcher，安排见面，天天聊，全部聊一遍，灵感就有了。
徐新
我觉得刚才 Kathy 的提醒很重要。
第一，要选择把时间投到什么方向；第二，要选择把时间投给哪一批人。
你应该花时间在 research 上。两件事做对了，就保证信息源是对的。根据这些信息，就能选出正确的决定。
李翔
今天会上你也讲到商业模式的三个阶段。第一阶段只卖硬件、卖本体，在这个阶段，盈利领先或者营收领先并不重要。
在你的规划和考虑里，公司大概什么时候实现盈利，或者实现规模化盈利？
高继扬
Kathy 从来没问过这个问题。
徐新
我问过他们 CFO，中午吃饭的时候问的。
高继洋
坦诚来讲，这个问题不太好回答，因为它不只是由我们决定，而是由整个行业和行业里所有友商共同决定。
你选择盈利意味着什么？意味着你还有可投入空间，但选择了不投入。
如果我们看到未来 3 年，每个 3 年都有 10 倍以上增长空间，那现在就应该把所有可投入的资源全部投入进去，换取最大增长。
所以很难估计，什么时候增长不再是 10 倍。
但至少现在肯定还在 10 倍增长的启动期，不用考虑盈利问题。现在需要考虑的是现金流。
这个问题我们一直做得还不错。本质上，不管是经营产生的现金，还是融资产生的现金，只要公司现金流是正向的，经营比较稳健，就不会有什么风险。
李翔
这个逻辑跟早年互联网、移动互联网公司起来的逻辑一样吗？
徐新
一样。
我们当时投京东的时候，它也是个小公司，只有 5,000 万人民币销售收入。东哥要 200 万美元，我给他 1,000 万美元。
这是我做过最重要的决策之一：他胆子大了，步伐快了。
他拿了钱以后做了两个战略决策。
第一是扩品类。当当当时比我们大很多，有 200 万用户，我们只有 2 万，特别羡慕当当。但当当一直只卖书，不扩品类。
老刘有一个信仰，零售最关键是商品丰富，这排第一。所以他就扩品类，先卖 IT 产品，然后数码、手机、剃须刀，用户一下就来了。
第二是做配送。在每个城市做配送，一开始每天 20 单，亏钱。什么时候赚钱？2,000 单。20 单到 2,000 单需要一年。
但我们不是只去一个城市，而是去 30 个城市。所以给他的钱很重要。他要 200 万，我们给了他 5 倍。
胆子大了，步伐快了，他敢做两个战略决策。这是老刘的眼光。
我们还设计了 18% 的期权，但不是白给的，要跟业绩挂钩，业绩就是增长、增长、再增长。
当时我们说亏钱做增长。我们问：“什么是伟大的公司？”那时候我们的眼光也没有那么高，我说 10 亿美元就是伟大。
他说：“每年增长多少？”
我说：“你说了算。”
他说：“每年增长 200%。”
我说：“这么高，万一达不到，高管会失望。”
后来我给他降到每年增长 100%，但他实际做到了 200% 的增长。
4 年时间，从 5,000 万到 3 亿、10 亿、30 亿、100 亿，就是这么增长起来的。
我们一直是亏钱的。所以 get big fast 很重要，你一定要拿走增量的大头。
什么是最靓的仔？市场有增量时，不要只看存量，要看增量里的 market share。增量的大头你拿走，而且保持增长速度，你就是最靓的仔。
亏损没关系，只要现金流是正的。
当时我们也问，现金流怎么办？国美、苏宁从来没融一分钱，怎么做大？靠供应商和供应链。
账期从现金结算变成 15 天、30 天，现金流就来了。
现金流是正的很重要。亏损不可怕，现金流为正时，就可以大胆往前走。
李翔
这个规则今天还成立吗？
徐新
只要现金流不断，就成立。get big fast，亏钱做增长是可以接受的。
大语言模型不就是这样吗？烧了那么多钱，大家都亏，但我们能看到赚钱的希望，这也很重要。
现在大家很贪婪，所以你多亏几年，资本也能接受。但恐惧来的时候，就不让你亏这么久了，你得赶快赚钱。
所以现在要赶快多拿点钱。京东上市前，账上有 10 亿美元。
你可能会说，拿得是不是太多了？万一市场不好怎么办？但这就像花钱买保险。
李翔
你刚才讲京东，后来移动互联网外卖是怎么做起来的？打补贴战。补贴战就是送钱让人吃。
京东再厉害也不敢打补贴战，最多打广告。
我想问的是，至少从我的体感来讲，那时候资本和市场对亏损换增长的包容度很高，但今天还有那么高吗？
徐新
现在很高。
资本永远是恐惧和贪婪相互交替。此刻是贪婪占上风，所以你赶快多融资。过两天恐惧占上风，就想融也融不到。
什么时候切换不知道，但现在贪婪已经持续很久了。
李翔
这让我想起之前见过一个上一轮做得很大的公司创始人。他一边回答说：“我觉得现在市场把我们公司高估了。”
我问：“你指的是公司的估值吗？”
他说：“那倒没有，估值还是低估的。”
李翔
刚才你也讲到王兴、刘强东。我们来的路上也在聊，我想知道，继扬他们这一波 90 后硬科技创业者，跟之前做互联网、电商和移动互联网的创业者，有什么相同和不同？
徐新
共同点是，第一都有杀手直觉，能看到别人看不到的东西，要么看得更深，要么看得更远。
第二，学习能力很强，迭代速度很快。
第三，志存高远，都想做一个好企业、伟大的企业，不只是为了赚钱，而是想长期做下去。
长期有耐心，公司要一直活下去，做强、做大、做久。
但组织上有点不一样。
以前消费互联网公司员工很多，几十万员工，物流和配送都需要大量人。
现在我觉得组织应该尽量少人，最优秀的人组成高效组织。
AI 时代，特别是做大脑的部分，核心是少而精，不在多。
中层干部长远来看可能不需要了。组织一定要轻、高效，fundamental 上高效，人少，不需要几十万大军。
高继扬
但做本体和硬件，也不需要几十万人。
徐新
对，不过挑战是怎么有效管理这两类人。
做软件和做硬件是两种不同文化。以前京东也有这个问题，一边是高科技、做互联网的人，一边是送外卖、做配送的人，两边的工资、待遇和组织架构都不一样。
开一个例会，都不知道应该怎么开。这是你们要攻克的课题。
李翔
这一波清华毕业的人更多了，是吗？
徐新
最强大脑。科学家创业的成功概率高很多。你看现在这些成功的公司，创始人基本都是很厉害的 PhD。
我觉得这是科学家赚钱的时代，这个时代是为他们而来的。
李翔
继扬，你前面一直夸学习能力强。你到底通过什么方式学习？跟 GPT 聊吗？
高继扬
首先，学习的起点是信息。
我觉得大部分时候，对一个事物不了解，都是因为获取了错误的信息，通过错误的渠道获取信息。
所以获取一手信息特别重要。我们特别强调现场、实物和一手信息。我对自己的要求也是这样。
进入一个新领域、面对一个新问题，如果公司里没人懂，我就先自己看，获取原始信息、一手信息。
有了信息之后，第二个问题是明确目标：我的目标是什么？
围绕目标，再拆解方案。方案的制定要根据这些信息、这些事实，结合规律，展开执行。
关键还是迭代。没有人能第一次就把所有事情做对，也不应该指望第一次就做对。
第一次先把方向定对，然后在这个方向里开始迭代。还是信息获取认知，认知形成策略，策略开始执行，执行拿到结果，结果再获取新的信息和反馈，反馈完之后再调整，不断循环。
李翔
其实是在训模型。
高继扬
对，就是不断循环。
源头就是信息。技术问题就看技术本身；人的问题，就跟正确的人去聊。基本上就是这两种方式。
李翔
Cathy，互联网上以前流传过你研究公司的方法，特别著名的是研究拼多多的例子。你会跟他们住在一起，做消费者研究，还会把黄峥所有的演讲都看一遍。
这个方法论在今天研究硬科技公司的时候还适用吗？有什么变化？
徐新
我们做消费的时候，做了很多用户访谈，一年大概 2,000 个，包括一对一访谈、focus group。
最关键的是跟他们住在一起，一年大概住 8 天，去不同的家庭，包括二线、三线、四线城市，外卖小哥、waitress、公务员、工程师。
做完之后，对消费品的理解确实会不一样。我们后来投拼多多，就是觉得消费是在降级，大家没什么钱，特别节俭。
现在我们投机器人和大模型，它们都是 To B 生意，客户是不一样的，是企业。
我们也做用户访谈。比如为什么我们每次都敢加仓？因为我们经常问 Kimi 的用户：什么情况下你会用它？为什么用 Kimi？
有人说：“在办公室，公司付钱，我就用一个模型；自己在家做点事情，我就用 Moonshot。”
有人说：“这个项目用量很大，我舍不得用，太贵了。我先用 Kimi 做基础的，再用其他模型做 coding。”
用户会讲这些事情，我们就能获得感受。
我们也会问，你敢不敢涨价？以前不收费，现在开始收费，价格的 sweet spot 是 90 元、190 元还是 590 元？
这些都要通过用户 deep diving 访谈出来。
现在这个阶段，最重要的是学习。我觉得信息输入的质量特别重要。
我每天都会听一些最优秀的人的 podcast。它们很长，动不动三五个小时，比如 next freedom、All-In，还有 Moonshot 之类的 podcast，都挺好。
如果有时间我就听，但有时候太长，又不想 miss 掉，就先把 transcript 找出来，让模型总结 key summary、takeaway 和 learning。想深入看时，再看 transcript。
还是要跟最优秀的人学习。大语言模型的几个创始人，具身智能的几个创始人，还有 Geoffrey Hinton 这些人，把他们的演讲和 podcast 都听一遍，基本就能跟上。
继扬不一样，他会看很多论文，可能更深入。我偶尔看一点评论，没有他看得多。
李翔
继扬，你觉得你们这一波硬科技年轻明星创业者，跟以前做移动互联网和消费互联网的创业者有什么不同？你会对他们感兴趣吗？
高继扬
我非常 respect，尊敬所有有结果的人。
我觉得差别首先来自出生年份不一样。如果我出生在他们那个年代，也不一定能做今天这件事。如果我能像他们一样把当时的事情做出来，我已经觉得很了不起了。
反过来，如果他们晚出生十几年，到了 90 后，让他们做今天这件事，可能也不一定能做。
差别不来自其他地方，而来自时势。时势造英雄，运气可能占 50%。
某种程度上，做京东、美团这样的创业，可能更难，因为可做的人太多。
今天做 AI 创业，先筛掉一大批人。没有相关研究、没有 PhD，真的做不出来，也不在这个圈子里，别人不会相信你能做这件事。
但那个时代，谁都可以有一个 idea 就去做，所以竞争更激烈。
能从那么多人里拼杀出来，也特别了不起。
李翔
确实没有听说过具身智能和大模型有当年那种百模大战，或者共享经济那样惨烈。
高继扬
因为现在没有那么多人做，而且 To C 的补贴方式也不适用。
那时候可以靠补贴，靠广告拉动。现在产品还没做出来，补贴也没有用，产品好才是最重要的。
徐新
具身智能企业数量比大语言模型多一些。大语言模型很早就收敛了，具身智能收敛得会慢一些。
现在有没有 100 家？肯定没有，但几十家是有的。
这几十家里，格局和分化也比较清楚。
李翔
如果让你去问刘强东、王兴这样的创业者，你对他们最好奇什么？会问他们什么问题？
高继扬
我挺好奇，他们在行业迅速做大的过程中，心境是什么样的，怎么样避免犯错误，犯过什么错误。
在那种状态里，他们当时的心境是什么？
这种信息不是这个世界上流通的信息。
徐新
他跟每个人讲的可能还不一样，真正讲出来的东西也不一样。
高继扬
我后来越来越觉得，历史很有意思。我喜欢看历史，也看过蒋介石日记。
他是一个大人物，当然是失败的大人物。但在那么激烈的斗争里，你看他的日记，每天写下来的文字很平实，还是一个普通人的心境。
看完之后会发现，差距没那么大，担心的问题也都差不多。
李翔
有没有特别欣赏、特别佩服的硬科技创业者？
高继扬
做硬科技的创业者还没有那么多。大家共同的楷模和偶像，可能都是 Elon Musk。
但他的传奇很难复制。
我觉得还是从每个人身上学习我们能学到的部分，结合到自己身上，实事求是地应用出来，做好自己的事情。
李翔
你们觉得具身智能赛道最终的格局会是什么样子？
有一段时间，互联网领域特别喜欢讲终局思考，从终局往回推。
高继扬
首先，这个行业的集中度会比较高。
做大脑不容易，规模效应也很明显。所以它的集中度会比较高。
今天大语言模型创业公司可能有四五家，大厂里再有一两三家，大概是这样。
具身智能也会类似。最终决定企业本质属性的，还是大脑，所以规模效应还是来自这部分。
另外，资金消耗量也很大，不可能同时支持很多家企业做这件事，所以从资金角度也会收敛到几家。
徐新
我基本同意。
一个 VLA 模型，一开始可能一年需要 30 亿到 40 亿元人民币，也就是 5 亿美元左右。到最后可能一年要投入 10 亿美元。
没有这些钱，就上不了牌桌。
再加上数据和优秀人才，best brain，其实也没有那么多人。所以最终是三家、五家，还是更多一点，不好说，但不会特别多。
李翔
如果按照现在的态势发展，它接下来更像是迅速烧钱追求高增长，增长到一定程度后再规模化盈利；还是一边赚钱养活自己，一边追求理想？
徐新
我感觉还没到那一步。
我们说的三个阶段，第一个都没走完。第二阶段还没走完。
小脑做好，身体协调，知道该干什么，这件事还没有完全走完。可能到 1,000 万个小时才差不多。
到了第二阶段，才会有收入。
高继扬
现在技术渗透率可能只有 2% 到 3%，还很早。
徐新
这个问题不用特别关注，还是看现金流。
只要现金流稳健，该亏就亏，可能两三年就到了。但前提是你得活到两三年，如果两三年之前就烧光了，已经挂掉了，就不行。
李翔
他们融资速度很快，执行力也很强，应该能很快融到钱。
徐新
我觉得账上的现金还是够的。
李翔
开发者市场、娱乐表演市场，相对来说都比较成熟。每一波新科技，这两个市场都比较稳定。但它们的稳定和成熟，能支撑这么大的 revenue 吗？
高继洋
它们的规模无法支撑这么大的 revenue。每年烧这么多钱，开发者和娱乐市场的量不够大，最终还是要靠企业，靠 enterprise 买单。
李翔
那天我去你们公司，看墙上贴了很多价值观。其中两个我印象很深，一个是“务实创新”，另一个是“勤俭节约”。
我能理解京东为什么强调勤俭节约，但你们是一家追求星辰大海的公司，为什么也需要勤俭节约？
高继洋
我想表达的是精益经营。
做任何事情都要精益经营。花 1 元钱可以解决的问题，没有必要花 2 元钱。
组织变大之后，可能会觉得 2 元、3 元也能把事情解决，没有人再精细计算。
但如果每个决定都不精细，最后整体运营成本可能多 50%、80%。原本这些钱可以用于其他事情。
比如原本训练模型，1,000 万美元可以训练出来的东西，现在要花 2,000 万美元。原本 1 亿美元可以训练 10 次，现在只能训练 5 次。
精益经营跟行业无关，每一分钱都要花出 ROI，这很重要。
李翔
Cathy，你见过哪些科技公司会把勤俭节约作为价值观？
徐新
很多。美团就很节俭。
美团创始人最著名的例子就是出差住如家，以前还两个人住一个房间。海归可能不习惯，如家房间很小，但他很节俭。
他还坐经济舱，机场排长队去喝水。
京东也挺节俭。我觉得这是一个很好的品德。
李翔
包括“务实创新”。你们追求的是颠覆式创新，把 AGI 这样的事情做出来。这样的创新应该是激进式的，还是务实式的？
高继洋
有时候要看这句话应用在什么组织上。
当一个组织已经充满创新活力和能量时，就要说“务实一点”。当一个组织死气沉沉、循规蹈矩时，就要大胆创新。
不同阶段可以不一样。
李翔
最后一个问题。
7. 使命经受知行验证
AGI 和具身智能都在一个巨大且热门的行业里。怎么区分一个人是来淘金的，还是确实有使命感？
Cathy，比如 Hassabis 认为 Sam Altman 有点像淘金者。你怎么看？
徐新
我觉得知行合一很重要。
他相信什么，做的事情就是什么，知和行是一致的。还要看他吸引的周边人是什么样的人。
如果他的 co-founder 都跟他很像，气质相同、志趣相投，也很重要。
一个人是不是志趣相投，可以从 co-founder 看出来。
因为吸引一个很牛的 co-founder，不是靠个人魅力，而是靠远大的梦想。你聊一聊就能看出来，他们的气质是相同的。
所以一个是知行合一，一个是 co-founder 和他志趣相投。
高继洋
我基本赞同。
李翔
招聘的时候也会有类似的区分。你要判断一个人才是真的认同公司的使命，本身有使命感，还是只是觉得这份工作不错。
高继洋
我觉得不能苛求所有人都认同公司的使命。
只要他认为这份工作不错，是一个自驱的人，大家能够匹配上，我觉得更多员工其实是这个样子。
不能要求所有人都认同同一个使命。
李翔
务实创新。
高继扬
务实创新。
李翔
好，谢谢两位。
高继扬
谢谢。
徐新
谢谢。