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。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。

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”