AI news

Alphaist 陈哲对谈蓝驰陈维广:AI 应用的机会在哪里?具身到底怎么投?

By Founder Park1 viewsSource: Founder Park
Alphaist 陈哲对谈蓝驰陈维广:AI 应用的机会在哪里?具身到底怎么投?

当基础模型随时可能吃掉应用层,创业公司还剩下多少空间?热钱涌入 Agent 和具身智能,高估值究竟由什么支撑?如果技术兑现的速度赶不上资本预期,又会由谁承担代价?围绕这些问题,Alphaist 创始人陈哲与蓝驰创投管理合伙人陈维广在 AGI Playground 2026 上展开了一场对谈。

The full text has not been translated yet. The Chinese original is shown below.

当基础模型随时可能吃掉应用层,创业公司还剩下多少空间?热钱涌入 Agent 和具身智能,高估值究竟由什么支撑?如果技术兑现的速度赶不上资本预期,又会由谁承担代价?

围绕这些问题,Alphaist 创始人陈哲与蓝驰创投管理合伙人陈维广在 AGI Playground 2026 上展开了一场对谈。过去 12 个月,AI 创投市场被推向一个「疯狂的高点」。早期 AI 项目的估值被不断推高,优秀工程师密集出来创业,资金和人才重新涌向少数赛道。但市场越热,真正值得下注的机会越难判断。

陈维广认为,SOTA 模型并不等于用户需求已经得到满足,他们更倾向于寻找能够填补模型能力与真实需求之间 gap 的公司,这要求创业者真正理解使用环境和上下文,并掌握独特的数据。对于 Physical AI,他更关注的是,在技术尚未完全成熟的今天,不要只盯着终局,能否先找到可以落地的场景。

陈哲则表示,要找到大玩家不愿投入资源的细分领域。模型公司适合从终局出发,看市场最终有多大。应用公司要回到具体的单位经济,看自己能在基础模型成本之上创造多少溢价。

以下为对谈全文,由 Alphaist Partners 编辑整理,经授权转载。

01

过去 12 个月,市场远比预期更热

陈哲:过去 12 个月里,有哪些事情你判断错了,或者改变了看法?

陈维广:有三个变化。第一是市场明显升温,即使是非常早期的 AI 项目,估值也已经被推到了很高的位置。

第二是大量优秀工程师出来创业,有的来自大型 AI 公司,有的原本就在创业公司里。这背后和资本市场重新活跃有关,不只是 VC 市场,二级市场也是如此。

第三是大家关注的方向开始趋同。好处是投资人更容易集中研究这些赛道,另一面是很多人也开始涌向同一类想法。市场上的钱更多,竞争一定会更激烈,错误也一定会更多。

陈哲:我这边落差最大的也是市场温度。2024 年底我们启动第一期基金的时候,市场非常冷,大家都在说创投没什么机会、不值得投。12 个月过去,我们在资本市场、在创投市场看到的却是那种疯狂的高点。

另一方面是 Coding Agent 的演进速度。12 个月前大家对 Claude Code 的 ARR 增长预期大概是两倍、三倍,少有人预期今年会是 10 倍、20 倍。

也有低于预期的。Companion AI 和那些效率工具比,进展明显慢了很多。这和基础模型的演进方式一致,推理和长程任务 ( long horizon task ) 的能力提升很快,但更偏感受、更难量化的方向没有跟上。

文章配图

02

找到 SOTA 模型与用户需求之间的 gap

陈哲:这 12 个月里,你还会对很多新机会感到兴奋吗?

陈维广:两三年前,投资判断相对容易一些。那时候大家看大语言模型、半导体芯片、GPU,也看一些应用层的机会,方向比较清楚。但如今竞争更激烈,资本市场也在升温,这种情况下需要找到一些有明显差异化的东西。

比如 Physical AI。这个市场虽然已经进入了很多资金,但仍然缺少一样非常基础的东西,高质量的物理交互数据。今年年初我们投了 OriginFlow,这家公司不只依赖第一视角的影像数据,而是借助新的算法能力,重新定义了肌电数据在机器人训练中的价值。当我们伸手拿起一个瓶子时,手臂和手部的肌肉会发生一系列细微收缩,他们可以捕捉这些电信号,再把信号数据提供给机器人做训练,让机器人的行为更接近人,也能完成更精细的任务。

Agent 也是同样的逻辑。我们会尽量避免投资那些容易被大语言模型取代的 Agent,或者某一项单独的 Agent 能力。大家可能都在新闻里看到过类似的事,一家创业公司正在做某个 Agent,过不了多久,Anthropic 或者其他大模型公司就做出了相近的能力。

所以过去六个月,我们更倾向于看那些能填补 SOTA 模型和用户需求之间那道 gap 的公司。很多人相信只要模型是 SOTA 的,就意味着能满足用户需求,事实并非如此。用户不像开发者那么专业,要填补这个落差,你得理解使用环境、理解上下文,还得有独特的数据。

就像 Companion,你必须真正理解使用场景,理解人性和情绪。创业者要想的是如何在具体场景里建立起独特价值,让大模型公司无法仅凭模型能力的升级就轻易取代你。

03

应用层还有机会:自有数据和大公司不愿做的事

陈哲:很多人担心基础模型的能力会覆盖掉整个应用层。在应用层创业还有没有意义?

陈维广:归根到底要回到客户需求,而市场分成企业和消费者两块,两者非常不一样。

企业这边,老板一开始会批一笔预算,让团队去订阅各种大语言模型。但他们很快会发现成本非常高,而且最「可怕」的是,真正很会用 AI 的人往往可以消耗非常多额度。所以对企业来说,预算始终是个问题。如果只用闭源模型,成本会变得很高。如今在中国,open weight 模型很受欢迎。

另一件事是数据和知识产权对企业客户越来越重要。企业会担心使用闭源模型时,自己的数据是否可能被模型公司获取。另一个顾虑是,基础模型公司可能随时进入应用层。Cursor 的产品使用 Anthropic 的模型,原本是 Anthropic 的客户,而 Anthropic 推出 Claude Code 之后,双方就形成了直接竞争。对很多依赖闭源模型的应用公司来说,这种关系本身就意味着风险。

消费者这边是自己付费,付费意愿往往没有企业那么强,所以产品一方面要好用,另一方面也必须足够便宜。创业公司必须先想清楚自己要服务哪一类人:Companion 偏消费者侧,看的是有没有相应的数据、对使用场景的理解够不够深。企业侧看的是能不能帮客户保护数据,同时让他们以合理成本用上 AI。

陈哲:还有一个角度是,大的基础模型公司有自己的优先级和 KPI。我们要找的是他们不太愿意做的细分领域。

去年我们形成的一个想法是聚焦语音和音频。多模态模型什么都能生成,听上去问题已经解决了,但真去看这批用户,需求要复杂得多,一个通用的 All in One 模型很难满足。ElevenLabs 已经有数亿美元的 ARR,而且没有大公司在和他们竞争。

我们投的 ACE Studio 做 AI 音乐,让更熟练的用户产出带有独特品味的作品,再用这些偏好去 fine-tune 出更适合用户的模型。他们的发展空间没有被基础模型挤压,反而是最新的训练和微调技术让他们能用自有数据训自己的模型。

找到大玩家不愿意投入资源的细分领域,再持续积累自有数据和自己的品味,这能构成一条很强的护城河。

04

两套估值逻辑:模型公司看终局,应用公司看溢价

陈哲:你怎么给这些 Agent 公司估值?这个公式和 SaaS 时代很不一样,SaaS 有很高的毛利和留存,而 Agent 应用要把很多钱付给基础模型。

陈维广:目前你看到的估值是一个供需问题,而不是公司到底需要多少钱的问题。至少在 A 轮,估值取决于创业者的质量,以及有多少基金对这个团队感兴趣,这说的是不需要预训练的应用公司。

Physical AI 或者做下一代大模型的团队不一样,他们要预训练、要租大量 GPU,A 轮通常就要融 5000 万到 1 亿美元,投前起点可能就在 2 亿到 3 亿美元。

陈哲:所以模型公司更像 top down,看这个饼有多大、你能切走多少,再用终点倒推。应用公司更像 bottom up,看你能在基础模型的费用之上加多少溢价。

最起码毛利要是正的。如果能做到七八成的毛利,也就是在基础模型成本上有三到四倍的加价,那说明你真的为用户创造了价值。

05

具身智能别只盯着终局,先找今天能落地的场景

陈哲:过去两个月,AI 硬件和 Physical AI 的投资都变得非常热。你怎么理解这一波热度?

陈维广:有宏观和微观两层因素。

从宏观层面看,中国正在进入「十五五」时期,具身智能进入国家重点发展的方向,资本市场便围绕它形成了较强的投资共识。

再看微观层面。首先,中国还没有形成成熟的企业级 AI 付费市场。过去包括我们在内的很多投资机构都投过中国 SaaS,但真正获得理想回报的项目并不多,一个重要原因是中国企业为软件解决方案支付高价的意愿相对有限。所以创业者进入 AI 领域时可选的方向相对集中,一类是消费级应用,另一类就是 Physical AI。

第二点是制造业基础。对 Physical AI 来说,真实的生产场景非常重要。机器人只有进入实际环境,在人的参与下不断采集数据、获得反馈,模型才有可能持续提升。完整的制造业生态恰好提供了这样的训练场。

这些因素共同推高了 Physical AI 的投资热度。这也是早期投资市场的特点,一个方向可能在几个月内迅速升温,也可能在接下来的几个月里快速降温。Physical AI 的长期价值,与当下资本市场的短期热度,是两件需要分开判断的事。

陈哲:那么在预期这么高的情况下,还有什么是可投的?

陈维广:这个问题问不同的人,往往会得到完全不同的答案。李飞飞教授曾提到,Physical AI 目前仍然缺少足够的数据,真正成熟可能还需要 10 年甚至 15 年。但你去问这个领域里最有激情的创业者,他们可能会说未来 5 年内就会在工厂甚至家庭里看到大量机器人。谁对谁错?现在还很难下结论,但有一点可以确认,技术在持续进步。

从我们投的公司看,比如 Galbot、AgiBot,Scaling 确实在发生,你喂进去更多数据,机器人就真的变得更聪明。五年前不是这样,那时训几个小时也只能做简单任务。当然速度不可能像大语言模型那么快,AI Coding 快是因为 GitHub 上积累了多年的代码,物理世界要复杂得多。

一个已经在发生的例子是汽车线束 ( wire harness )。线束由大量线路组成,需要连接扬声器、通信设备等不同部件,过去要靠大量熟练工人手工完成,对准确率的要求极高,一旦其中一根线连接错误,整个部件都可能无法使用。这份工作既需要一定的知识和技能,又高度重复,愿意长期从事的年轻人会越来越少。现在机器人已经开始进入这一生产环节,实际效果非常令人惊喜。

所以简单来说,技术正在进步,商业落地也已经开始发生。但当市场热度过高时,错误投资和市场调整同样不可避免。大家期待的是机器人真正进入工厂和家庭,完成有实际价值的工作,而不只是跳个舞。

陈哲:今天的具身智能和五年前那一代机器人不一样。五年前我们是手写各种规则、异常、corner case,去覆盖一个非常窄的应用领域。今天这是一个 AI 问题,也是一个数据问题,真正关注的是泛化能力。

因为这个原因,我更偏谨慎乐观,这件事会来,但没有乐观到认为两三年内就会实现。所以我们投的是基础设施层,硬件和零部件、数据采集公司,尤其是更难获取的 manipulation 数据。

陈维广:所以我想对创业者说的是,不要只盯着终点。成功的那些人依然看着终点,但会先问自己,在技术还没有百分之百成熟的今天,有哪些场景是我现在就能满足需求、达成里程碑的。

06

未来三年:技术继续向前,但资本的高预期有待兑现

陈哲:关于未来三年,你愿意做一个预测吗?比如今天的某个共识会被证明是错的,或者今天被忽视、不被相信的东西会成为现实?

陈维广:第一,open weight 模型和开源模型会变得更加普及。随着企业使用 AI 的规模不断扩大,成本会成为越来越重要的问题。同时企业也需要保护自己的专有数据,并根据业务需求选择更灵活的部署方式。所以未来的市场不会只有一种方案,闭源和开源会长期并存,分别满足不同场景的需求。这是成本、数据和部署需求共同推动的市场趋势。

第二,Physical AI 会进入更多真实场景。它的发展速度可能不会像大语言模型那么快,但未来三年一定会在更多工厂和细分应用中看到它,机器人会逐渐从展示能力走向解决具体问题。

第三,AI 会重新塑造一部分工作。一部分重复性工作会被替代,政府、企业和社会都需要思考如何应对由此带来的就业和经济结构变化。但这件事也有积极的一面,真正懂得使用 AI 的人,可以完成更多工作,创造更高的产出。

我不太确定的是资本市场。今天有大量资金进入 AI,一方面推动了技术和产业发展,另一方面也抬高了市场预期。最终一定会有人获得很好的回报,也会有人损失大量资金。如果 AI 没有在预期时间内创造出足够大的实际价值,市场会不会出现明显调整?调整会有多大?这些问题现在还很难回答。

陈哲:宇树就要 IPO 了。我们看看这一轮 Physical AI 或者人形机器人的热潮能持续多久。

陈维广:短期的热度本身不是我担心的,我说的是更长期。进入的资本太多了,所有人的预期都非常高。所以我对 AI 和 Physical AI 的长期发展相对乐观,但对短期资本市场会如何变化,仍然保持谨慎。

陈哲:我的三年赌注是灵巧手。回看三年前,我不会预期人形机器人演进得这么快。

今天还有人问我,为什么要用灵巧手去做某些任务,明明二指夹爪就可以。我想三年之后人们大概会问一个反过来的问题,既然硬件更成熟、软件算法也好得多,为什么不用灵巧手?

我从基础模型那里学到的一个教训是,它的发展从来不是线性的,而是一个 step function。一旦到了某个点,很多事情就会出现爆发和指数级增长。所以未来三年物理世界这一侧会发生什么,非常难预测。

文章来自于微信公众号 “Founder Park”,作者 “Founder Park”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)