文章核心观点 文章通过多位AI领域华人创业者的对话，揭示了2025年全球华人AI创投圈在具身智能、AI硬件、AI Agent及大模型等前沿领域的核心动态、技术进展、市场差异与未来展望，展现了中美在AI赛道竞争格局的变化以及中国团队独特的优势与挑战 [2] 中美创业环境与团队优势 - **机器人行业中美无代差**：至少在机器人行业，中美之间已不存在技术代差，但市场体感存在差异 [8] - **To B业务逻辑差异**：中国市场企业倾向于全栈自研，更希望供应商提供概念验证；美国及高劳动力成本地区客户更倾向于基于清晰分工和长期合作推进项目，海外客户毛利更高且更容易沉淀长期合作 [9] - **中国团队优势：聪明勤奋与市场打磨**：中国团队兼备聪明和勤奋，疫情期间在新能源汽车和智能驾驶等领域实现了快速追赶和超越 [10] 国内B端客户和消费者对新产品容忍度高、期待高，通过与客户联合共创能快速打磨出有竞争力的产品，再批量化复制并走向海外 [11] - **中国在AI硬件产业链的优势**：中国在硬件产业链上具有优势，且中国团队在软硬件结合方面具有得天独厚的优势，而美国同行在AI硬件产品上常面临交付困难 [11] - **中美To B市场逻辑差异**：欧美To B市场垂直专业性和服务深度高，切入口小但做得深；中国出海创业者更偏向To C，擅长整体流量和增长玩法，但新一代出海科技公司的决策行为正越来越接近欧美客户 [12] - **中国To B市场的机遇在于AI与劳动力价值**：中国To B软件市场挑战源于企业数字化成熟度不足，难以判断单点价值，而AI能将软件价值显性化，例如将AI转化为数字员工，其价值完全显性，因此AI在To B对标的是劳动力市场而非软件市场 [13] - **中国对新技术的拥抱速度更快**：中国对于新技术的拥抱和开放程度比绝大多数海外国家更快，即使在基座模型不如美国的情况下，在跨国项目中的结果也能成为客户全球合作的标杆 [13] - **大模型方向一致，中国应用转化更快**：中美在大模型方向上一致，中国基础模型可能只用海外模型十分之一甚至更少的算力就取得了高普及率的结果，且中国企业对于模型应用的转化率比海外团队快得多 [14] 2025年最令人兴奋的技术与行业进展 - **强化学习的跑通开启AI下半场**：强化学习在数学、编程、GUI等领域的成功验证，突破了依赖人类标注数据的限制，使机器能够超越人类认知边界，这被认为是AI下半场的开始 [15] - **Agentic AI在真实业务中跑通**：支撑Agentic AI在真实业务中运行的关键技术条件在2025年同时具备，包括长期任务和上下文记忆跑通、工具调用和执行稳定性质变、以及从人类示范转向结果驱动的自我优化 [16] - **Google回归与Gemini 3推动模型进步**：Google的回归让行业重新聚焦于模型能力的提升，Gemini 3的出现使多模态能力（特别是视频能力）进一步增强，符合模型发展趋势预判 [17] - **视频生成大模型内嵌物理规律**：视频生成大模型能越来越多地将物理规律内嵌到生成的视频中，这不仅进一步佐证了Scaling Law，也为具身智能行业的数据补充带来了信心 [17] - **数据规模验证Scaling Law边界尚远**：美国公司Generalist使用27万小时数据进行训练，未看到训练收益放缓，这使得业内数据讨论单位提升至十万小时级别，让行业认识到Scaling Law的边界还很远 [18] 中美科技资本环境差异 - **美国早期融资机制更简化灵活**：美国早期融资如采用SAFE协议机制相当简化，且更愿意在小圈子内闭环完成，更强调对创新和试错的支持，对创始人压力较小 [19] - **美国资本更具耐心**：美国整体在坚信一个技术或方向并进行长期投入方面，呈现出更加包容和耐心的状态 [19] - **中美风险偏好不同**：硅谷VC圈更愿意投资高风险项目以获得高回报，而国内资本可能更倾向于投资共识类项目，创业者希望中国VC能更大胆支持非共识和冒险的事情 [19] - **国内资本市场过度相信共识**：国内资本市场过度相信共识，而创业和技术的竞争力往往来自反共识，当前对做大芯片、集群、降token成本等线性思维的追求可能不经济 [20] - **中国早期投资比例偏低**：硅谷风险投资中有接近一半集中在早期投资，而中国的这个比例是硅谷的1/5到1/7，显示中国在早期投资领域仍需加强 [20] 具身智能与机器人行业洞察 - **专业化分工与成本优势**：机器人公司自建数据基础设施团队非其核心，但投入高、经验要求高，诺亦腾机器人作为第三方数据服务商，可通过多客户项目摊销研发成本，积累专业经验，拥有稳定市场空间 [23] - **人形机器人商业验证是关键期待**：行业最期待的颠覆性进步是人形机器人的通用性在商业领域得到验证，需要找到介于专用机器人和真人之间的、稳定可持续的应用空间 [23] - **家庭场景可能是商业化突破口**：与工业领域相比，家庭场景中确定性任务与高度柔性任务之间的“夹缝”更宽，例如扫地机器人这类“时空分离”场景，对容错性、安全性等容忍度更高，可能率先实现商业化 [25] - **真实数据与仿真数据需协作**：机器人学习内容可分为可枚举合成的“规则”和无法枚举合成的“人类先验”，因此真实数据与合成仿真数据需要协作，单一类型无法解决所有问题 [26] - **渐进式路线与规模化部署是关键**：具身智能需在真实场景中锻炼迭代，难以仅靠仿真或实验室环境达到所需泛化能力，必须通过实际部署实现规模化，类似特斯拉在自动驾驶领域采取的渐进式路线是构建护城河的关键选择 [27] - **优质真实场景数据稀缺**：不同于大语言模型有海量可获取数据，具身智能面临优质真实场景真机数据稀缺的挑战，难以一蹴而就，需坚定走渐进式发展路线 [28] - **B端场景利于当前技术落地**：在技术不成熟、数据缺乏的当下，工业、商业服务等B端场景允许通过做一定“减法”，较快速地实现落地闭环，而家庭场景复杂度太高 [28] - **世界模型是走向通用的必要条件**：具身智能要走向通用，需要类似高等动物内置的、能够预测、想象和模拟物理世界变化的隐式世界模型，这是非常强大的必要条件 [30] - **隐式与显式世界模型并重**：无界动力当前研发重点是将隐式世界模型内嵌于负责动作执行的VLA模型中，同时显式世界模型对于数据短缺情况下的数据增广和生成也有重要意义 [31] AI硬件与产品战略 - **Looki的核心是打造AI的“眼睛”和“耳朵”**：公司核心是给AI提供感知能力（眼睛和耳朵），让AI在物理世界生活，其首代产品L1是探索人机交互的起点，目标是实现以人为中心的AI，让物理世界成为AI的prompt [31][32] - **产品形态与功能将随技术演进**：AI硬件的形态将随着供应链、低功耗、无感化等技术的发展而不断延展，功能也将随着模型能力和记忆基础设施的升级而生长 [31] - **规划 proactive AI 与 General Agent**：下一代产品L2将实现适时主动式AI，L3是更远期设想，即出现一个懂用户的中心General Agent，负责理解用户指令并对接其他服务型Agent [33] - **AI硬件全球化最大挑战是数据合规**：AI硬件作为数据入口，面临数据需留在当地、进行数据审计、遵守不同国家数据所有权规定等合规挑战，这是传统消费硬件未曾积累的经验 [34] AI Agent 与平台商业模式 - **Aha平台实现Agentic AI在真实业务跑通**：Aha作为AI员工式达人营销平台，其飞轮效应被点燃，达人侧入驻速度在半年内从0增长到5万，呈现指数级增长，并获得了全球顶尖AI客户和头部大厂的认可 [16][34] - **增长源于强烈市场需求与双边网络效应**：营销预算正从传统广告向达人营销迁移，客户存在高效解决方案的迫切需求，平台通过自动化流程连接客户与达人，构建了客户越多、达人越多、体验越好、客户更多的飞轮效应 [34][35] - **主要竞争来自传统人工模式**：在中型及以上客户市场，主要竞争模式是外包给Agency或自建大型内部团队，而达人营销本身高度依赖人力执行，规模化时人力成本线性增长，因此客户迫切寻求降低人工依赖的解决方案 [36][37] 大模型与商业强化学习路径 - **商业强化学习是基座模型的延展，而非同一赛道**：未来趋势并非单一超级模型或无数垂类模型，而是通过分工与协作，让独立训练的模型解决统一目标，实现从个体智能到群体智能的飞跃，类似一个超级MOE（混合专家模型） [38] - **模型智商边际效果下降，需构建“大学”**：当前模型已足够强，重点应转向如何为模型构建“大学”，使其与业务耦合，找到最优解，从而实现从个体智能到群体智能的飞跃，这符合OpenAI AGI路径的level 4和level 5 [39] - **商业强化学习对标劳动力市场**：该领域被视为对标50万亿美金的劳动力市场，而非软件市场，突破场景的选择标准包括该工种当前的市场规模以及其是否可完全在数字空间解决 [40] - **行业存在供给热、需求冷的错配**：供给侧资本开支巨大，模型成本下降、算力提升，但需求侧真实落地并带来显著收益的应用仅约5%，大模型落地场景单调，未切入核心业务 [41] - **AI需嵌入物理世界并解决价值观测与成本问题**：AI应像电力一样通过影响物理世界来创造价值，当前挑战在于效果如何直观观测以及成本如何下降，需要找到大一统的方式解决垂类场景与模型的最优匹配，而非仅依赖人类标注数据 [42] 对2026年的行业展望 - **争议与百花齐放**：2026年AI产品可能出现百花齐放，同时也可能伴随很大的泡沫争议 [43] - **AI真正进入物理世界元年**：2026年有望成为AI真正进入物理世界的元年，也是商业强化学习落地的元年，期望AI能为二级市场带来明显的业务价值提升，而非仅体现在供给侧财报 [43] - **具身智能落地前景更光明**：期望2026年行业探索重心能从“小脑”（执行控制）转向“大脑”（认知决策），为具身智能的突破奠定基础 [44] - **行业稳健发展与全球化扎根**：希望AI行业更好，更多客户产品走过PMF阶段进入市场推广期，并在全球更多地区扎根 [44] 同时希望具身智能创业公司能走得稳、走得远 [44]

小米集团人工智能与机器人战略 - 未来5年人形机器人将大规模应用于小米工厂 [1] - 人工智能与传统产业深度融合将开启万亿级市场 [1] - AI视觉大模型检测汽车大压铸件效率达人工10倍精度达人工5倍以上检测时间2秒 [1] 百度集团经营状况与调整 - 启动新一轮裁员个别团队裁减比例高达40% [1][2] - 裁员持续到年底规模较大具体人数因部门和绩效而异 [1][2] - 人工智能投入尚未带动核心广告业务增长市场份额被小红书抖音等平台侵蚀 [2] 美团公司财务表现 - 2025年第三季度收入955亿元人民币同比增长2% [2] - 核心本地商业分部经营亏损141亿元新业务分部经营亏损13亿元 [2][3] - 经调整EBITDA为负148亿元经调整溢利净额为负160亿元为2022年以来首次亏损 [3] - 现金及现金等价物992亿元短期理财投资421亿元 [3] 机器人行业动态 - 长安汽车投资设立机器人公司定位为智能人形机器人技术牵引发展多机器人产业 [8] - 埃斯顿酷卓发布柔性全场景具身智能机器人磐石C05-L身高138至168厘米单臂负载5公斤 [10][11] - 极壳科技完成7000万美元Pre-B及B轮融资投后估值近4亿美元为消费级外骨骼领域引领者 [4] 人工智能技术应用与突破 - 钉钉上线首个AI医生助理豆蔻医生超级助理1分钟整合超4000万医疗文献助力妇产科诊断 [10] - 顺丰成功完成我国首次单包装多组三元动力锂电池航空运输应用AI预警与主动防控技术 [13][14][15] - 苹果发布PARS突破性AI技术通过自监督学习分析脑电图信号未来AirPods或可读取脑电波 [5][7] 淘宝平台服务升级 - 淘宝闪购全面取消超时扣款年底前覆盖全国直营城市 [2] - 推广服务分机制以正向激励骑士70分为基础超75分有奖励超时1次最多扣2分 [2]

中国大模型行业高管创业趋势 - 2025年上半年智谱、MiniMax、零一万物等5家大模型公司至少有12位高管离职 [1] - 高管离职后主要去向包括跳槽至字节跳动等大厂、再次创业或暂未披露动向 [1] - 创业方向高度集中于AI Agent、AI Coding、AI音视频三条垂直应用赛道 [39] 智谱AI高管创业案例 - 前首席运营官张帆于2025年7月创立元理智能YooLee AI 专注商业强化学习智能体员工 [2][3] - 元理智能在2025年10月完成800万美元种子轮融资 由蓝驰创投领投 光源创业者基金跟投 [8] 零一万物高管创业案例 - 前技术副总裁戴宗宏于2025年3月创立基点起源 专注AI Infra云计算和ToB定制化服务 [2][10] - 基点起源完成超亿元人民币天使轮融资 投资方包括创新工场、坚果资本等 [16] - 前大模型API平台负责人蓝雨川独立运作SparkView AI视频混剪项目并启动融资 [16] 百川智能高管创业案例 - 公司走出4位创业者 包括前联合创始人焦可创立AI电台项目来福 [2][17] - 前联合创始人陈炜鹏创立涌跃智能 专注AI编程优化 [2][22] - 前AI产品负责人刘小艺创立OpenCreator AI内容创作平台 [2][22] - 前商业合伙人邓江于2025年8月创立缘启智慧 专注医疗AI智能体 [2][23] MiniMax高管创业案例 - 前海螺AI产品负责人冯雷于2024年12月创立火星电波 核心产品为AI播客生成工具ListenHub [2][24] - ListenHub在2025年5月获得红杉中国数百万美元天使轮融资 [28] 月之暗面高管创业案例 - 前Noisee产品负责人明超平于2024年9月创立新言意码 专注AI编程赛道并面向国际市场 [2][29] - 新言意码在2024年底完成5000万美元估值天使轮融资 [36] - 2025年初A轮融资后估值达8000万美元 6月A+轮由红杉中国领投后估值跃升至数亿美元 [37][38] 行业转型与创业特征 - 通用大模型底座融资节奏放缓 创业公司更多转向ToB和ToG业务 [1] - 垂直应用赛道因场景明确、收费模式清晰而更受资本青睐 [39] - 海外对标产品如Cursor、ElevenLabs的存在使垂直应用融资相对容易 [39]

公司融资与估值 - Thinking Machines Lab获得由a16z领投的20亿美元种子轮融资，估值达到120亿美元，参与融资的机构包括NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street等[3] - 公司最初计划融资10亿美元，估值90亿美元，但最终融资额和估值分别提升至20亿美元和120亿美元[4] - 这是科技史上最大的种子轮融资[3] 创始团队与技术方向 - 公司由OpenAI前CTO Mira Murati创立，创始团队包括John Schulman、Barret Zoph、Bob McGrew、Alec Radford等AI领域顶尖人才[5][7][9] - 团队成员在OpenAI期间主导开发了GPT-3、GPT-4、DALL-E、ChatGPT等突破性技术[7][10][12][14][15] - 公司技术方向包括商业强化学习、多模态能力以及AI安全措施，首款产品将在数月内发布[22] 行业趋势与人才竞争 - AI行业三要素中人才的重要性被提升到前所未有的高度，算力和数据的Scaling Law效应正在减弱[24] - Meta以143亿美元收购ScaleAI 49%股权并挖角多位AI顶尖人才，包括GPT-4o开发者等[25] - Google以27亿美元收购Character.AI并吸纳其核心团队，以24亿美元与Windsurf达成许可协议获取人才[26] - 2025年上半年美国AI领域投资占初创公司总融资额的64.1%，达到1628亿美元的76%[28] 产品规划与技术创新 - 首款产品将包含重要开源组成部分，帮助研究人员和初创公司开发定制化模型[22] - 公司将采用新技术从开源模型中"摘取"特定层进行组合，专注于企业KPI定制的AI解决方案[22] - 强调多模态能力和AI安全措施，包括对齐、红队演练和部署后监控等方法[22]