创业底层逻辑已改写：AI降执行成本，判断力更贵
AI正在大幅拉低执行层面的成本，但这也让商业判断力的价值变得愈发珍贵。据行业深度访谈的最新数据显示，某创业扶持机构的硬科技赛道公司占比已从8%攀升至20%，入选企业的中位数月收入从8000美元涨到20000美元，单人创始人的比例也接近20%。这背后折射出的，是整个创业底层逻辑的彻底重构——知道该做什么，远比知道该怎么做更有价值。
我们曾深信不疑的创业假设——必须联合创始、需要庞大的工程师团队、硬件创业门槛高风险大——正在被逐一推翻。该创业扶持机构每年对接数千家创业公司，往往能比市场提前半年到一年捕捉到行业趋势。近期其核心团队在行业深度对谈中分享的多个判断，值得我们仔细拆解思考。
这次对谈里有两组数据格外引人注目：一是该机构入选批次中硬科技企业的占比，从8%翻倍到20%；二是入选企业在周期结束时的中位数月收入，从8000美元跃升至20000美元，增幅超过两倍。这两个数字背后，同时上演着创业方向和创业效率的双重根本性变革。
从虚拟到实体：硬科技赛道的爆发逻辑
具体来看，机器人相关企业的占比从1%增长到近7%，工业制造类企业从4%升至10%，半导体与光子学领域从1%涨到近4%，能源基础设施赛道也从1%提升至3%左右。相关从业者将这个时代称为“机器时代”，这些赛道的增长并非小幅波动，而是方向性的整体转向。该机构还提到，当前入选批次中有六分之一的创始人拥有博士学位，这一比例创下历史新高，硬科技的回归本质上是深度专业知识的回归。
硬科技真正爆发的核心原因，在于AI编程工具打破了过去的人才瓶颈。此前开展硬科技创业的最大阻碍，是软件工程师属于稀缺资源，搭建从固件到应用层的全栈硬件团队，需要招募大量顶尖技术人才，要么被大厂锁定，要么需要支付天价薪资。而现在AI编程工具大幅降低了这一门槛，一个小而精的团队就能借助AI完成过去需要上千人团队才能推进的工作。更深层的变化是，AI正在直接加速科学研究进程，顶尖的AI模型能帮助硬科技创业公司更早取得重大研究突破，而这类突破过去往往需要设备齐全的大型实验室花费数年时间才能完成。这并非投资人被迫从软件转向硬科技，而是硬科技本身因为AI的普及变得更加可行。
从更深的逻辑来看，过去二十多年风险投资大量涌向SaaS赛道，核心在于SaaS的边际成本接近为零，增长曲线清晰，退出路径明确。但这一逻辑的前提是软件工程师属于稀缺资源，拥有优秀的工程团队本身就是核心护城河。如今这一前提正在动摇：AI让软件执行能力变得民主化，纯软件赛道的护城河越来越难维持；而反过来，那些需要深度领域知识、涉及物理世界复杂交互的硬科技赛道，其护城河反而更容易建立——小团队可以借助AI推进复杂研究，而对手很难在短时间内复制企业积累的领域数据和实验经验。这才是硬科技回归的真正底层逻辑。
此外还有多个宏观趋势推动硬科技崛起：SpaceX的成功带动了一批太空领域创业者，当前就有企业专门打造主权卫星互联网替代方案，还有企业为太空卫星研发太阳能电池板；AI对算力的爆发式需求，让数据中心建设成为庞大的物理基础设施课题，从选址、建设到散热、供电的全链条都存在创业机会。这些宏观力量共同推动资本和人才流向实体科技赛道。
新生态崛起重塑全链条供应链
有一个现象格外值得关注：某企业在底特律空置多年的老工厂中重建美国金属制造业，却能像软件公司一样快速成长。原因在于新一代技术创业公司需要大量金属原材料，但传统供应商无法跟上其节奏，无论是交货速度还是协作方式都难以匹配。该从业者将这家企业比作早年的Stripe——老牌支付服务商并非不能用，但Stripe的体验更顺滑、响应更快，更懂新一代创业者的需求。
这个案例背后藏着一个通用规律：每一次新生态的崛起，都不止会在终端产品层创造机会，整个供应链的每一个环节都等待着被用新的方式重构。Web 2.0时代，Stripe重构支付、AWS重构服务器、Twilio重构通讯，这些基础设施企业的回报并不亚于任何应用层公司。当前的AI与硬科技浪潮同样如此，真正的机会不止在终端可见的产品层，更在支撑新生态运转的基础供给侧。只是这类机会往往不够“性感”，难以用来做演示，因此很多创业者会将目光集中在终端应用上，反而忽略了供给侧的空白。
在快速崛起的新技术生态中，最先跑出来的供给侧企业往往拥有最强的定价权。需求方对价格并不敏感，他们更在意速度和可靠性，当整个赛道都在比拼发展速度时，能跟上节奏的供给方本身就属于稀缺资源。
AI算力成为物理基础设施难题
有一个反直觉的现象：英伟达A100 GPU的每小时租用价格正在上涨而非下降。这在芯片历史上几乎从未发生过——过去的规律是芯片越旧价格越低，但现在因为AI需求爆发而供给不足，就连稍旧的GPU都在涨价。这意味着算力已经从单纯的IT采购问题，变成了物理基础设施的稀缺性问题，就像土地和电力一样。
当前已经有企业在这个领域探索：比如Dipole Labs研发光子学交换机，替代数据中心中连接不同GPU的电子交换机。如今GPU的运算速度越来越快，但连接它们的交换机成为瓶颈，因为电子信号的传输速度无法跟上GPU的性能提升。全光子路径的方案能让GPU之间的传输速度远超现有电子交换机。还有企业尝试用三值表示法优化硬件架构，将模型权重压缩到三个离散值，因为大语言模型实际上并不需要完整的浮点精度，英伟达从A100到H100再到B300的迭代也在不断降低浮点精度，这一方向有明确的数据支撑。
这类机会往往被普通的AI应用层创业者忽略，但战略重要性极高。模型能力的天花板很大程度上取决于训练和推理的速度与成本，而这背后受芯片、互连、供电等物理层约束。每个时代都有自己的“限制性试剂”，过去是软件工程师，现在则是物理算力基础设施。找到当下最紧缺的环节，往往就能找到最有价值的创业机会。这类机会对创始人的技术背景要求极高，但一旦成功，护城河也会非常深厚。
机器人即将迎来ChatGPT时刻
行业普遍认为，机器人领域即将迎来自己的ChatGPT时刻，但还未完全到来。有一项基准测试数据能直观体现这种接近感：此前领先的机器人模型任务完成率约为10%，而最新的Astra模型已经能完成60%-70%的任务，这是量级上的跳跃，且仅用了几周时间。从业者表示，现在每隔几周就会有新的突破，上个月还无法运行的功能，可能在某天早上就可以正常使用了。
机器人基础模型和大语言模型有本质区别：大语言模型是将世界建模为语言，而机器人需要将世界建模为三维物理空间，自由度要高得多。更关键的是，机器人需要实时响应，不像大语言模型可以慢慢生成结果再审核。如果工业机器人在数据中心接错线路，或是有人干扰操作，它需要在毫秒级的时间内做出判断和反应，容错空间极小。该机构中所有使用物理智能基础模型部署机器人的企业，都没有直接使用基础模型，而是针对具体场景进行微调。比如Ultra公司在物理智能模型的基础上，加入了几千小时的“将物品放入箱子”的操作录像，让该模型在这一特定任务上的表现大幅提升。
这背后藏着物理世界的创业规律：通用能力只是起点，垂直领域的专有数据才是真正的护城河。软件时代的护城河往往来自网络效应或用户习惯，而机器人时代的护城河则来自企业拥有的特定场景下的高质量真实操作数据。这类数据无法通过爬取或合成获得，只能在真实环境中持续积累。这意味着在机器人赛道中，先入局、先跑量、先积累数据的企业，会形成难以追赶的复利优势，谁先拿到几千小时的垂直场景数据，谁就能在该场景建立几乎无法绕过的壁垒。
软件并未消亡，而是成为执行枢纽
对谈中一段对话格外值得深思：Salesforce近期的表现超出预期，让“SaaS已死”的言论不攻自破。相关从业者解释道，如果企业的系统是核心数据存储与管理平台，而AI代理可以直接调用该系统，那么它的价值反而比以前更高——因为AI代理使用软件的频率远超人类。
但每个数据存储系统都面临一个选择：要么发布模型上下文协议，让外部AI代理可以轻松调用自身数据，这会让数据护城河消失，切换成本变得极低；要么主动转型为执行枢纽，不止让用户读写数据，而是让用户在系统中完成全部工作，让AI代理在系统内执行任务并交付结果。以Slack为例，如果Slack成为AI代理的主要协作界面，同时Salesforce掌控Slack，那么它就能同时拥有数据层和执行层，形成极强的组合护城河。该机构还补充了一组数据：当前入选批次中，提供“端到端完整任务”的企业比例从10%升至25%以上，这类企业不再提供需要人工操作的工具，而是直接交付完整结果，比如完整的保险经纪流程、临床入院评估、医疗账单处理等。
从记录数据的工具转型为执行枢纽，表面上是产品形态升级，背后实则是商业模式重构。仅记录数据的工具，定价逻辑通常是按席位收费，用户上限就是企业的员工数量；而真正完成任务的执行枢纽，定价逻辑可以按任务量、结果、节省的人力成本收费，理论上没有天花板，且替换成本极高——企业不仅存储了客户的数据，还承载了其核心工作流。这对SaaS创业者的启示是，不要只问“你的产品能让用户做什么”，而要问“你的产品能帮用户做完什么”，一字之差，背后是完全不同的商业潜力。
数据与强化学习环境赛道被严重低估
有一组数据鲜为人知：仅在过去两年，该机构就资助了十几家企业，这些公司通过向AI实验室出售数据或强化学习环境，年营收超过1000万美元，部分企业甚至达到数亿美元规模，而这些公司大多仅成立两三年。据报道，大型AI实验室在该领域的年支出约为10亿美元量级，但这一赛道在业界几乎从未被公开讨论。
数据是规模定律的三大支柱之一，另外两个是算力和模型架构。很多人将目光集中在算力上，但没有高质量的数据，模型就无法进步。而强化学习环境正在走向垂直化和专业化，比如专门针对金融场景的强化学习环境，需要兼具对金融业务的深度理解和扎实的工程能力，这种组合并非轻易可以复制。该赛道的企业普遍不愿公开自身成绩，原因很简单：一旦对外宣称表现优异，竞争对手就会快速涌入。在数据业务中，先发优势非常真实。
在机器人领域，这一趋势愈发明显。实验室需要的不再只是文本数据，而是大量真实世界的物理操作数据，比如以第一视角拍摄的动作录像、真实工业场景的任务数据等。当前就有企业在全球搭建网络，让各地的工业生产场所持续产生操作数据，专门卖给机器人实验室。这类“现实世界数据采集网络”看起来并不性感，但可能是未来几年回报最确定的基础设施投资之一。
这一赛道最反直觉的地方在于：它看起来像是在为大型实验室做嫁衣，但实际上数据供应商积累的是极难复制的资产，包括真实场景的数据采集能力、标注质量控制体系，以及与实验室建立的信任关系。当模型公司需要新一轮数据时，通常会选择之前合作顺畅的供应商，而非陌生服务商。这种信任壁垒加上数据本身的积累效应，让该赛道的头部企业拥有扎实但不显眼的竞争优势。
单人创始与资深创始人双双回归
两组数据能直观体现创始人结构的变化：一是该机构入选批次中单人创始人的比例，从之前的5%升至近19%，几乎翻了四倍；二是历史上多家成功企业，比如Instacart和Coinbase的创始人，都是以单人身份进入该机构，联合创始人是在公司起步后才加入的。这并非新鲜事，但现在的技术条件让更多人可以选择单人创业的路径。
过去单人创业意味着创业者需要同时在三个方面做到极致：找到正确的方向、说服他人认可项目、独立将产品落地。能同时满足这三个条件的人极少，因此单人创业者历来都是少数。现在的变化是，“将想法落地”的门槛被AI大幅降低——并非技术不再重要，而是创业者不需要达到顶尖技术水平就能将想法转化为产品。因此更多人可以跨过这一门槛。不过该从业者也提到，有联合创始人依然是加分项，多数成功的单人创始人都会在公司起步后陆续加入联合创始人，只是股权结构和传统的“双人从零起步”有所不同。
另一个值得关注的现象是，有经验的创始人正在强势回归。比如一位40多岁、拥有开发管理背景、曾主导多个项目的创业者，在深度使用早期AI工具并尝试多个方向后，因为清楚知道该做什么、哪里存在陷阱，而变得效率极高。该从业者用一句形象的话总结：“如果你走过一些弯路，就会知道哪里有陷阱。”此外，管理AI编程代理和管理大型工程师团队有本质共通之处，带领过大型工程团队的管理者，在任务分配、问题拆解、质量判断等方面，本能上比从未管理过团队的人更得心应手。
这一观察打破了我们固有的叙事：创业似乎是年轻人的专属，越年轻越能实现颠覆。但数据告诉我们，在AI工具普及的当下，那些“走过弯路、积累了判断力”的创业者，反而比以往更有竞争力。原因很简单：AI压低了执行成本，但无法替代领域认知和商业判断力。在一个行业深耕十年，你会清楚客户的真实痛点、哪些方案看似美好实则行不通、何时该坚持何时该转向——这些是无法通过提示词获得的，只有亲身经历才能积累。
我的核心感悟
听完这次对谈，我一直在思考：这个时代最稀缺的东西到底是什么？该从业者在结尾提到：“你需要知道该做什么，这是现在最重要的事。”这句话戳中了核心。
过去几十年，创业的门槛主要来自执行层：能否招到优秀的工程师、能否融到足够的资金、能否在组织扩张中存活下来。这些都是实实在在的客观稀缺性。但现在AI压低了执行成本，创业的门槛开始向上移动，移动到了判断层：你是否拥有足够深的领域知识，能判断一个问题是否值得解决、方案该如何设计、何时该坚持何时该调整。
这也解释了为什么资深创业者在当下更有竞争力：不是他们更聪明，而是他们积累了判断力，知道哪里有陷阱。同时，单人创业者越来越多，因为原本需要联合创始人弥补的技术执行短板，已经可以通过AI工具补足。
但有一点需要警惕：判断力无法通过提示词获得，它来自你在某个领域真正做事、踩过坑、见过真实用户反馈、理解行业的真实运作逻辑。这也是为什么六分之一的创始人拥有博士学位——不是学历本身重要，而是多年深入研究某个具体问题的时间，让他们拥有了这种判断力。AI工具能让每个人跑得更快，但方向是否正确，从来没有捷径。
我常常想，这轮AI浪潮中最容易被低估的，是那些在某个具体行业深耕十年但尚未创业的人。他们拥有判断力，又有AI工具作为执行引擎，缺的可能只是迈出第一步的勇气。该从业者直接表示：如果你一直有自己的想法，现在已经没有借口了，打开AI工具，开始行动吧。这并非鸡汤式的鼓励，而是有真实数据支撑的结论：AI让执行变得便宜，反而让判断力变得更珍贵。知道该做什么，从来没有像现在这样重要。
