徐新51条核心观点：AI时代投资与具身智能战略

近期，一位资深投资人做客行业播客，分享了关于具身智能、AI产业和风险投资的系统性观点，这是其近年少见的高密度公开分享。本次整理的内容并非单一事件解读，而是一套完整的投资方法论体系，涵盖赛道研究、团队判断、资本配置等核心维度。其中涉及的具体企业判断仅为嘉宾个人视角，仅供参考。我们将整期内容梳理为51条核心观点，分为七大模块呈现。

一、陌生赛道的研究方法

1. 建立全局视角，避免只见树木不见森林

切入全新行业时，最容易犯的错误就是仅关注头部明星企业。想要真正理解赛道全貌，必须覆盖尽可能多的参与主体，把每一个细分环节都研究透彻。在布局具身智能赛道前，团队曾走访了数十家相关企业，通过横向对比梳理出完整的行业生态。

2. 早期投资的核心是选对创始人团队

当行业处于萌芽阶段，商业数据尚未成型，无法通过财务指标判断企业价值时，创始人团队的质量就成为决策的核心。尤其看重兼具技术研发能力和产业落地经验的组合——既能驾驭基础模型训练，又拥有硬件开发、供应链管理和量产落地的实战经验。

3. 三种高效的赛道学习机制

总结出三套成熟的赛道研究方法：

• 向创始人深度学习：每两三个月进行一次深度交流，重点询问近期的行业观察、未被关注的趋势以及当前遇到的核心挑战。

• 赢家模式研究：通过分析赛道头部企业的发展路径、实验室成果、创始人演讲、行业报告和技术路线，尽早找到成功的底层逻辑。

• 直接用户洞察：通过访谈终端用户、开发者和企业客户，理解真实的使用场景、付费意愿和定价边界。

4. 高质量信息决定认知上限

会持续跟踪行业内最顶尖的大模型创始人、具身智能创业者和学术专家，优先收听他们的分享内容。对于长内容音频，会先通过翻译、摘要和核心观点快速获取信息，需要时再回溯全文。核心不是获取最大信息量，而是持续接触最优秀的行业观察者。

5. 用固定时间思考长期问题

坚持“固定时间做固定的事”的习惯：每天冥想后复盘前一日的学习收获；每月设定一个核心思考问题，允许这个问题在思考清单中停留数月，反复打磨，而非追求立刻得到答案。

二、创始人与团队的判断标准

6. 拥有超越常人的战略洞察力

优秀创始人的核心特质之一，是能够看到他人未察觉的行业趋势，并敢于做出排他性的战略下注。比如刘强东提前布局物流配送体系，以及杨植麟较早押注长上下文和智能体方向，都是这类前瞻性判断的典型案例。

7. 学习速度与执行速度缺一不可

仅拥有快速学习能力但执行效率低下的团队，无法在竞争中脱颖而出。真正优秀的创始人会快速更新行业认知和自我认知，并将其迅速转化为产品迭代和组织优化的动作。在判断合作团队时，学习能力、执行力和复杂决策勇气是核心考察点。

8. 志存高远与长期耐心

更看重创始人将企业做强、做大、做久的愿景，而非单纯的赚钱动机。伟大的企业需要十年尺度的耐心培育，短期投机者很难吸引同样具备长期主义思维的优秀伙伴。

9. 通过知行合一判断真实使命感

区分创业者是短期淘金还是拥有长期使命感，可以通过三个维度判断：言行是否一致、是否将长期资源投入核心赛道、以及吸引到的联合创始人质量。优秀的联合创始人愿意押注未来十年，比投资人更了解核心团队，也能为创始人的真实动机提供强验证。

10. 顶尖科学家具备强大的人才引力

AI创业的稀缺资源不是普通博士，而是同时追求技术真理、愿意投身创业、拥有清晰技术 vision 的科学家。最优秀的人才往往会追随技术实力最强、成功概率最高的团队，而非仅比较股份和薪资。

11. 学术头衔不是终点，行业影响力才是人才飞轮

判断创始人的人才吸引力，核心不是本科、硕士还是博士学历，而是其是否拥有能够吸引顶尖研究者跟随的行业影响力。核心研发团队通常只需要二三十位顶尖人才，前提是能够将他们吸引、留住并维持团队稳定。

12. 理解越深，越敢于聚焦单一方向

真正理解技术底层逻辑的创始人，能够清晰判断行业的最优路线，敢于集中资源押注单一赛道；认知不足的团队往往会“既要又要”，将有限的人力、资金和时间分散到多个方向。比如Anthropic、Kimi、DeepSeek等团队的聚焦策略，都是值得参考的正面案例。

三、具身智能的核心判断

13. 具身智能比自动驾驶、大模型和传统机器人更复杂

具身智能同时需要基础模型、硬件本体、供应链管理、数据采集、量产能力和真实场景交付能力。仅具备单项优势远远不够，行业的复杂度来自于整条产业链的协同。

14. 必须实现“大脑+本体”一体化

仅开发硬件本体，无法获得持续迭代的智能能力；仅专注算法研发，无法获取真实世界的交互数据。认可“智能定义本体、整机加智能”的发展路线，虽然一体化模式难度最高，但可能是长期最优的产业结构。

15. 先做硬件再训练模型是合理的发展顺序

没有自有硬件本体，算法模型就缺少稳定的数据回传和迭代载体；过早投入大量资源训练模型，会因为缺乏足够的真实场景数据而导致研发效率低下。

16. 物理世界数据是核心瓶颈

大语言模型可以利用互联网存量数据进行训练，但机器人交互数据必须通过真实场景主动采集。具身智能能否实现从百万小时到千万小时级别的数据扩张，是当前行业需要突破的关键变量，但具体的数据需求和时间表仍存在不确定性。

17. 大脑越用越值钱，硬件越造越便宜

硬件产品需要持续降低成本和使用门槛，而算法模型则会通过数据积累和用户使用不断提升价值。因此，具身智能的软硬件结合并非简单叠加，而是两条价值曲线的协同增长。

18. 当前仍处于产业极早期阶段

估算具身智能的技术渗透率仅在2%-3%的创新者阶段，尚未完成市场教育和跨越鸿沟。推测数据和硬件迭代可能在未来两三年取得关键进展，但反复强调具体时间节点存在不确定性。

19. 商业化应优先切入To B的脏活苦活累活

传统机器人已经在搬运、仓储、物流、光伏施工等场景验证了市场需求。通用具身智能虽然成本更高，但可以执行更复杂、更柔性的任务，短期内的付费客户应该以企业用户为主，而非以家庭陪伴为核心的C端市场。

20. 跨越鸿沟后需要快速扩张规模

颠覆性技术一旦完成市场教育跨越鸿沟，可能会迎来连续三到五年的高速增长。如果企业属于操作系统或基础设施赛道，并在增长期快速扩大市场份额，获得的行业地位将具有很强的持续性。

21. 一体化操作系统的价值可能高于纯基础设施

参考历史产业分层：PC时代Windows是操作系统，Intel是基础设施；移动互联网时代iOS和Android是操作系统，高通是基础设施。成熟市场中，操作系统层企业的市值可能达到基础设施企业的三至五倍。模型与智能体结合形成生态后，价值上限会高于单纯的算力基础设施；如果具身智能企业同时掌握硬件设备和操作系统，发展潜力将更大。

22. 具身智能终局市场集中度可能很高

VLA模型的年度研发投入可能达到数亿甚至十亿美元级别，再叠加真实数据积累和顶尖人才储备，能够长期留在赛道中的企业数量有限。具体最终会形成三五家还是更多玩家，目前尚无定论。

四、AI商业模式与竞争格局判断

23. 大模型是一门具备规模效应的好生意

大模型行业具备明显的规模效应：固定训练投入巨大、顶尖人才稀缺、行业进入门槛高，最终竞争可能收敛到三五家头部企业。随着定价上升、Token成本下降以及智能体带来的百倍甚至更高的消费量，模型的毛利和盈利前景将逐渐清晰。

24. 领先模型可能在后续训练阶段形成网络效应

预训练阶段未必具备传统互联网式的网络效应，但在代码开发和强化学习阶段，顶尖工程师用最难的问题训练模型，模型性能提升后会吸引更多高价值用户，形成正向循环。

25. AI应用必须实现十倍级体验提升

本轮AI浪潮并未更换手机等终端设备，流量仍掌握在大厂手中。创业公司既要承担Token成本，又需要获取新用户，如果产品没有显著优于现有替代方案，单位经济模型很难成立。

26. 无历史包袱的创业公司更容易快速突破

行业浪潮来临时，聚焦单一方向的创业公司往往比业务复杂的大厂更敏捷。比如Anthropic相比谷歌，前者更轻量专注；但谷歌通过创始人回归、统一技术指挥权和集中资源，也能快速恢复竞争力。

27. AI时代是科学家的红利期

本轮AI浪潮中，成功率较高的创业者往往具备深厚的科学背景。与消费互联网时代的产品经理红利不同，AI行业的门槛更依赖前沿科学判断和顶尖研究人才。

28. Token经济是新的增长动力

传统消费和成熟行业通常只能获得较低个位数的增长，而模型、智能体和Token消费仍能保持数倍的增速。因此风险投资资金应优先流向Token生产和消费链条。

29. 本轮AI浪潮的影响规模远超互联网

判断颠覆性技术的直接指标是增长速度：互联网和移动互联网的常见年增长率为三至五倍，而AI产品可能实现年增十倍。AI不仅是连接工具或效率提升手段，还会直接替代部分人类劳动，因此行业天花板更高。

30. 中国可能在具身智能领域实现领先

认为中国具备三大叠加优势：一是懂软硬件结合的创始人红利，二是工程师和供应链红利，三是政府在基础设施、数据组织和产业执行上的支持红利。大语言模型仍处于追赶阶段，但具身智能可能具备实现领先的窗口。

五、风险投资与资本配置方法

31. VC投变化，价值投资投不变

认为巴菲特的价值投资专注寻找长期不变的事物，而VC的投资对象则是处于变化中的新兴领域。虽然两者逻辑不同，但“专注”和“长期持有”仍是共同的核心原则。

32. 技术投资像冲浪而非登山

传统行业投资就像登山，机会始终存在；而技术投资则像冲浪，错过浪潮就只能等待下一次机会。正确的做法是先用可承受损失的小额资金进入赛道，看到明确苗头后再迅速加仓。

33. 重磅投资的质量比数量更重要

单只基金能够投中的伟大企业数量大致固定，约三到五家。盲目增加项目数量和扩大团队规模，不会提升投资命中率，反而会稀释团队注意力。真正可控的变量是持股比例和持有时间。

34. 确认赢家后持续加仓并长期持有

在确认优质标的后，应该通过多轮加仓实现重仓，并给予足够的时间让复利发挥作用。比如对Kimi连续三年五次加仓，以及对星海图的持续跟投，都体现了这种策略，认为八至十年的持有周期才称得上足够长期。

35. 基金规模过大会损害投资回报

伟大企业的数量有限，基金规模扩大后，实现五至八倍的投资回报会变得更加困难。认为单只基金规模在6亿至10亿美元区间仍可有效管理，超过这个规模则容易被迫进行分散投资，影响整体回报。

36. 最大的投资遗憾来自认知不足而非估值过高

早期曾因约70亿美元的估值放弃字节跳动，后续通过研究Facebook的信息流和推荐引擎才真正理解其商业模式。教训是“无法赚到认知之外的钱”，因此赢家模式研究必须更早启动。

37. 重仓美团源于对人性的理解

曾在一只基金中将约55%的资金投向美团。通过铃木敏文的便利店案例理解补贴逻辑：便捷服务经过重复使用后会形成用户习惯，用户不会轻易回到更麻烦的旧方式，底层逻辑是“人的天性懒惰”。

38. 亏损不可怕，现金流断裂才是致命问题

京东早期融资时仅需要200万美元，但提供了1000万美元的资金，使其能够拓展品类、建设物流体系并进入约30个城市。公司后续连续高速增长，虽然持续亏损，但通过供应链账期维持了现金流稳定。核心原则是：只要现金流稳健且能看到盈利希望，通过亏损换取增长是可以接受的。

39. 关注增量市场份额而非存量规模

在高速扩张的市场中，“行业领先”不是看当前的收入最高，而是看谁能拿到最大的增量市场份额并保持增长速度。快速扩张的本质，就是在窗口期抢占增量市场的主导地位。

40. 行业泡沫本身并不可怕

互联网泡沫破裂后，提前完成融资的网易、新浪、搜狐存活下来，并获得了约三年的竞争真空期。泡沫破裂会淘汰缺乏资金的玩家，优质企业反而可能获得更好的并购和加仓机会。

41. 趁市场宽松时尽可能多融资

资本市场情绪在贪婪和恐惧之间切换。市场情绪乐观时，即使估值较高也有资金愿意进入；情绪低迷时，即使项目优质也难以融资。当前市场仍处于乐观阶段，创始人应该在市场愿意提供资金时尽可能储备资金，而非等到需要用钱时再融资。

42. 发展节奏比单纯激进更重要

早期具身智能企业如果发展过快，可能在尚未产生收入时就耗尽资金；如果发展过慢，则会失去融资、人才和行业头部位置。正确的节奏是在“活到行业春天”和“保持领先地位”之间找到动态平衡。

六、组织、人才与创始人管理

43. AI原生组织应该更小更轻

预计AI公司不再需要消费互联网时代的数十万员工团队；少数顶尖人才结合智能体工具，二三十人的团队就可能创造数十亿人民币的收入。中层管理岗位会大幅减少。

44. 招聘标准升级为“人+智能体是否强于智能体”

转述一位创始人的招聘逻辑：普通高薪员工如果与智能体组合后没有明显的能力增益，就不值得招聘；应该招聘能够指挥智能体的顶尖人才，即使个人薪酬更高。

45. 创始人应将大部分时间放在不可替代的工作上

供应链管理、HR、报销和日常运营都应该尽快建立制度并授权给专业团队。创始人不可替代的工作是技术方向判断、战略 vision、资源调动和顶尖人才吸引。建议技术创始人将超过一半甚至80%的精力用于技术研究、学术交流和战略决策。

46. 不聚焦是创业的大忌

获得大额融资后最常见的错误是高估自身能力，同时开展过多项目。如果在模型方向上押注错误，会同时浪费时间、资金和人才，并让竞争对手形成领先优势。认为技术时代无法容忍频繁的重大战略失误。

47. 创始人IP的核心作用是吸引人才而非追逐流量

创始人需要让潜在人才了解团队的愿景、信念和技术迭代方向，但不应将大量时间消耗在社交媒体流量上。高质量的产品发布会和周期性的公开分享已经足够。

48. 勤俭节约是长期经营的核心能力

将节俭视为科技公司的优秀品质，并以美团、京东等企业为例。在资本密集型行业，更需要避免组织膨胀和低效支出。

七、AI的社会影响

49. AI可能加剧贫富差距

具备技术优势的强者可以通过AI进一步增强自身能力，而不熟悉AI的人群可能面临更大的竞争压力。从当前到理想化的AGI社会，会经历就业结构调整、数据安全和再创业等转型阵痛。

50. 转型期需要价值引导和制度保障

认为社会需要帮助受技术冲击的人群进行二次创业或寻找新的工作机会和兴趣方向，同时需要从哲学、价值观和公共政策层面讨论转型过渡期的问题，而非仅关注技术进步本身。

51. 不必担心人类将无事可做

AIGC已经创造了音乐、视频、小说、短剧等新的工作岗位和创业机会。除了Token生产之外，还会出现庞大的Token消费产业，因此不必担心人类会完全失去工作机会。