不定义终点的创业，增长只是自我感动 | 五源×浙大meetup

过去几年，大模型给技术行业提供了一种极具吸引力的叙事：模型能力持续增长，需求就会随之出现。只要能力曲线还在向上，就值得继续投入。

但当 AI 进入机器人、药物设计这些应用场景，这条曲线开始失灵：更高级的算法未必更好用，更多的数据未必拿得到，"有没有 Scaling Law"本身都成了问题。真实世界不会给技术一把统一的尺子，也不会给创业者一个现成的答案。离开学校之后，没有人再给你出题；创业之后，也没有人告诉你终点在哪里。

**「当一个年轻人决定创业」**是五源资本面向高校发起的系列活动，希望在年轻人做出创业选择之前，和他们一起讨论真正值得解决的问题。9 月 21 日，我们与浙江大学 Delta Space 一起，邀请五源资本合伙人孟醒，与两位五源被投企业的创始人，微分智飞创始人高飞、英灵殿科技创始人张昊天（Odin），分别从投资、飞行机器人和 AI for Biology 的一线经验出发，讨论真实世界里的技术进展、创业选择和个人成长。

9 月 21 日，五源资本 × 浙江大学 Delta Space「当一个年轻人决定创业」

Highlights

• 大模型是少数可以只看能力增长、让世界为它填充需求的技术。在物理世界，多数技术需要以终为始；
• 机器人里最泛化的东西，可能不是某种算法的 scaling，而是科学家对问题本质的数学抽象；
• "当你不追求物理的时候，物理出现了。"蛋白设计的突破，恰恰发生在不再要求模型遵循人类已有的物理公式之后；
• 真实世界的数据闭环没有通用解：工业无人机一旦坠机，就会同时失去用户和数据；AI 制药则缺少能快速反馈的实验数据；
• "没有第一目标，就没法选择放弃。"科技创业最难的，是平衡技术的长期积累与商业的快速落地；
• 离开学校，题目就消失了。热爱不是默认选项，找到自己的命题，本身就是最重要的能力；
• 品味可以培养：读过一万篇论文，自然知道什么是好研究；看过一万个产品，才会形成商业判断。

讨论嘉宾 | 孟醒、高飞、张昊天

整理 | 周沐森

物理 AI：Scaling Law 不再自动成立

语言模型建立在海量现成文本之上，可以依靠规模持续提升。但机器人和 AI for Science 面对的是物理世界：任务具体，数据稀缺，失败有代价。在这里，"更高级""更多数据""更大规模"都不再是自动成立的答案，每个领域都需要重新回答两个问题：什么才算进步？进步的燃料从哪里来？

1. 大模型的成功是"一种例外"

过去二十年的科技创业中，语言模型是非常少见的一类技术：它有一个宏大但颗粒度很粗的 AGI 目标，大家只关心智能上涨和分发的速度，让世界来为它填充需求。一生能遇到一次这样的技术浪潮，是一种幸运。但它也带来一个副作用：大家容易相信所有技术创业都应该这样做，只看增长速度，不问终点。

自动驾驶提供了另一个参照。2016 到 2020 年，行业的 KPI 基本是"自己给自己定的，接管里程每年提升200%算 S，100%是 A， 50%是 B"，但终点可能只差一步，也可能还差几个数量级，没有人衡量过。直到 2020 年前后，业内才参考 Waymo 撤掉安全员的实践，倒推出一个阈值：约 2 万公里无关键接管，才敢把安全员撤下车。有了这个数，放弃哪条路、加不加一个昂贵的传感器，才第一次有了依据。当接管里程做到足够高之后，重点也随之转向降本，scaling 开始收敛。

多数走进真实世界的技术，更像后者，而不是前者。

2. 真正重要的是对问题本质的数学抽象

十年前，大家期待强化学习让机器人自主决策、从失败中学会很多事。十年过去，强化学习终于被证明能解决控制问题，但控制恰恰是机器人里最基础、最容易被数学刻画的问题；真正的自主决策依然没有解决。

在没有信号的复杂环境里，无人机靠什么完成任务？高飞的回答是，靠的不仅仅是某种更高级的智能范式，而是大量底层工作：建模、底层算子、工程设计，以及科学家对问题本质的数学抽象。

这也是他理解的泛化：同一套模型、算法和软件，能进入不同场景完成任务。把几套针对特定场景的策略拼在一起，并不构成泛化。以"空间理解"为例，能理解一个房间，不等于能理解地下空间；真正能迁移的，是对问题本质的抽象，一条数学定理可以描述大量现象。单靠某种算法的 scaling 做不到这一点，还需要面向现实的手段，叠加出可以交付的方案。

3. AI for Science：把运气问题变成工程问题

制药史给了一个很好的注脚。青霉素的发现源于一次偶然：培养皿意外被霉菌污染，周围的细菌随之死亡。如果没有这次意外，青霉素可能要晚很多年才被发现。

后来结构生物学、分子生物学出现，"理性药物设计"才诞生，随机的幸运第一次变成了可以被工程化的过程。2024 年诺贝尔化学奖表彰的蛋白质结构预测与计算设计，也是把一个依赖偶然的问题，变成了可以工程化解决的问题。

张昊天把这种变化概括成一句话：当你不追求物理的时候，物理出现了。

英灵殿科技创始人 张昊天

模型有没有学到最底层的物理规律？一种看法是，人类写下的物理理论本身也只是不同尺度下的有效描述：牛顿力学在微观尺度失效，到了量子体系，我们又需要另一套语言。对于 AI for Science 来说，模型是否复现了某一套既有方程，未必是最重要的问题。更重要的是，它学到的规律能不能在新的体系里继续预测、泛化，并指导下一步设计。

用两个例子说明这一点：一个反例是，机器学习力场可以把能量和力的误差做到很低，但这并不自动意味着自由能、动力学或者其他最终关心的物理量就一定正确。把某一个底层指标拟合得更准，并不等于已经抓住了整个体系真正有用的物理。

蛋白设计则提供了另一条路径：模型不再被要求先写出一个完美、可求解的显式能量函数，而是直接从大量结构中学习序列、几何和相互作用之间的规律，进一步回答"给定一个靶点，什么样的蛋白可能与它结合"。

在 AI for Science 里，更值得期待的是物理从模型里长出来，而不是用已有的物理去约束它。

4. 真实世界的数据闭环，没有通用解

走进真实世界的系统，首先要回答数据从哪里来，而不同领域卡在完全不同的地方。

工业无人机要去的，往往正是用户不愿意进去的场景：高危、没有 GPS。指望用户先进去建图、示范一遍，是不现实的。而硬件的任何一个环节出问题，无人机就会坠毁，没有第二次机会。坠机损失的不只是设备。**用户一旦失去信任就会停用产品，真实数据随之中断，产品也就难以继续迭代。**微分智飞给出的答案是，在没有真机数据之前，先用仿真、公开的第一人称（FPV）数据和底层数学模型，让产品具备进入场景的初始能力，再在使用中迭代。

AI 制药则是另一种困境：缺少可以低成本规模化获取、并快速形成反馈的数据。药物研发是一条很长的链路，如果只看最终有没有药走到临床甚至上市，反馈周期太长，很难指导模型本身怎么进步。但如果换成 AI 的逻辑，问题就可以变成泛化：面对一个新的靶点，能不能设计出真正结合得上的抗体？ 这个问题可以做实验、可以反复验证，也可以随着靶点数量和成功率不断推进。对 AI for Science 来说，这种可验证、可累积的目标，可能比"有没有一款药最终上市"更适合作为模型进步的尺度。

在物理世界里，数据策略取决于产品：先想清楚产品要完成什么任务，才知道需要什么数据、从哪里获得。

品味，决定你放弃什么

技术不会自动收敛成产品，终点需要创业者自己定义。而定义终点、决定放弃什么、在热门赛道面前坚持独立判断，依赖的都是创始人的品味。当 AI 让写代码、生成内容的成本越来越低，判断"该做什么、做成什么样"反而更稀缺。

1. 品味，首先意味着不做什么

学术是开放目标，没有人要求你倒推离答案还差多远；而做产品时，目标定义与需求发现同样重要。完美解决一个问题或许需要一万份资源，而团队手上只有一百份，核心问题是放弃哪九千九百份，"不完美地完成目标"。没有第一目标，就无从选择放弃；而放弃什么，最能体现一个创始人的品味。

2. 科研品味不等于商业品味，但都来自于大量输入

科技创业最难的，是平衡技术的长期积累与商业的快速落地，两者需要不同的品味。技术积累像爬山：没有缆车可坐，任何一步不扎实都会留下隐患。商业则要判断市场的水往哪里流，顺势而为。

但如果只顺流而下，一家科技公司便失去了技术积累构筑的壁垒，也失去了由科学家来创办它的理由：为什么是我来做这家企业，而不是一个比我精通 100 倍生意的人？**创始人需要一只眼睛看技术的长期走向，另一只眼睛看市场的流向。**高飞也坦言，自己过去的科研品味不错，商业品味却需要重新学习。

科研品味来自日复一日地阅读论文，来自品味好的导师与同伴。读过一万篇好的、一般的和差的论文，自然知道什么是好研究。商业品味同样如此：看过一万个产品、扫描过足够多的行业，判断力才会形成。前提是先进入市场，在实践中积累，而不是等一切都想清楚了再出发。

微分智飞创始人 高飞

3. 好品味最大的敌人是随大流

许多学者在研究中品味极好，创业时却放弃了独特的判断，转而追逐热门方向。部分原因在于，学术上的决策可以由自己做出，创业则会持续受到资本、市场与舆论的影响。也正因如此，坚持独立判断的创始人，在同质化的赛道中更容易被识别，也更加稀缺。

坚持品味，意味着要承受噪声。张昊天把噪声分为两种：一种来自外部，外界常以其他领域的框架评判一个尚无共识的新方向，例如反复追问 AI4S 是否存在 Scaling Law；另一种来自内部，在大量质疑之下，是否会动摇自己的判断。他的经验是，与其反复论证技术路线的正确性，不如先把结果做出来。

答案廉价，而提问稀缺

从小到大，我们解的都是别人出好的题。离开学校、进入开放空间之后，题目突然消失了，你要自己为自己命题。当 AI 让答案越来越廉价，提出一个值得解的问题反而更加稀缺。找到这样的问题，并确认自己就是那个解题的人，比任何方法论都重要。

五源资本合伙人 孟醒

1. 去变量刚刚发生、用途还没有成为共识的地方找问题

2011 年孟醒即将毕业时，社交、位置服务与移动端结合的 SoLoMo，是科技行业最热的方向，最优秀的毕业生都涌向 Facebook、Twitter。但在他看来，当所有人都看到一个趋势时，它已是主流，后来者只能从洪流里分出一条小支流。

他留意到另一组还没被主流注意的变量：CUDA 解锁了 GPU 的并行算力，吴恩达证明了神经网络可能可以 scale，ImageNet 提供了数据，这些变量指向一个最直接的应用：图像识别。今天回看，这就是一个"早期版本的 GPT 时刻"。当时最前沿的人脸识别准确率只有 70% 多，除了当玩具，几乎没什么用。孟醒的第一次创业就从这里开始：视觉识别能不能做成云服务？至于怎么挣钱，当时还没想那么远。这家公司三年后被亚马逊收购。

发现了变量、但大家还不知道它能做什么的时候，往往就是个人能率先发现机会的窗口。

2. 热爱不是默认选项，它往往是在行动中遇见的

热爱是天赋吗？这个问题没有统一的答案，但至少有几种真实的路径。

第一种是遇见。 它需要运气，也需要给自己尝试的机会。一个房间里大家坐着都差不多高，但如果姚明坐在那里，你一眼就能看出不一样。

第二种是"不服"。 觉得自己的想法是对的，要去证明，在证明的过程中才发现，自己还蛮喜欢它。

如果还没找到，也不必焦虑。明确知道自己不想要什么、并且敢于放弃，本身就已经比大多数人更近一步。能找到愿意投入一生的方向是一种 privilege，而不是人人都有的默认选项。

3. 判断自己是不是那个解题的人：痴迷、独立、行动

同一个问题，世界上可能有几十甚至上千人在想。怎么知道自己是那个适合解它的人：

• 痴迷。 在正式开始之前，已经为这件事投入过多少时间、金钱和失败。
• 独立的世界模型。 同样的信息输入你的脑子，会推演出和主流不同、且能自洽的判断，你和别人的正交性越大，越可能是少数最适合解这道题的人。
• 行动。 只掌握 2% 信息的时候，你是否已经动起来了？动起来，才有新信息进入你的世界模型，才有后面的判断。

4. 问题越来越珍贵，答案越来越廉价

在 AI 渗透各行各业之后，**提出正确的问题、知道往哪个方向提问，价值会越来越高。**过去我们用八成的精力学习怎么给答案，这个比例需要改变。

另外两种能力同样重要：一是建立人与人之间信任的能力，人很难像信任一个人那样去信任一个 AI；二是自我迭代的能力。上大学不是为了成为工业体系里的"工具人"，而是学会如何学习：对一个东西真正感兴趣，就去读十几本书把它弄明白，而不是只等着上课。

写在最后：一半科学，一半信仰

走出一个有标准答案的世界之后，技术、公司和人都要自己定义问题、设定终点，再用现实不断校准。而在一切被证明之前，总要先回答同一个问题：当一件事还在朦胧中，如何让大家相信？

创始人、业务负责人和投资人，其实都在回答这个问题。创始人要产生信仰，并让更多人相信你相信的东西；业务负责人要把信仰固化为具体目标，做合理而科学的妥协；投资人则要把信仰杠杆化。后期投资可以算数，早期投资没有任何数可以算，需要一半的科学判断和一半的信仰。

模型的曲线会继续上涨，但它不会替你回答终点在哪里。五源希望做的，是在共识形成之前，找到那些已经找到自己的问题、产生了信仰、并且能让别人也产生信仰的人，再把额外多一点点的相信借给他们。