陆奇：Researcher Founder，从 -1 到 1，从研究到价值

晚点专栏作者丨奇绩创坛

*本文来自陆奇在奇绩创业公开课《Researcher Founder 研究型创业者：从 -1 到 1》中，作者奇绩创坛，《晚点 LatePost》做了部分删减。陆奇最近一次讲述该课是在 5 月底于清华大学。

今天，研究和创新之间的距离正在被快速压缩。

过去，-1 到 0 更多发生在大学、科研机构和实验室；0 到 1 更多发生在企业和创业公司。但在 AI、数据、算力和模型系统的推动下，研究正在更直接地进入生产过程，前沿创业也越来越从一个科学问题、技术路径或研究方向开始。

这背后，是生产力关键要素的变化。

从生产力的结构来看，一个时代的变化，往往不只是某个工具变了，而是生产者、生产过程、生产工具和生产对象同时发生变化。

因此，这一轮变化的本质，不只是 AI 作为一个新工具出现了，而是生产力的结构正在被重组。研究人员、研究过程、算力和数据，共同构成了新的生产力系统。

这也意味着，一个新的角色正在走到时代前台：研究型创业者，Researcher Founder。

Researcher Founder 不是只做论文的研究者，也不是只把成熟技术商业化的创业者。他们要做的是把 “不可能” 推进到 “可能”，再把 “可能” 变成真实价值。

本课将围绕四个问题展开：

1. 时代格局

每一个时代，都会重新定义什么是最重要的人才。

农业时代，核心生产力来自土地、经验和人力。工业时代，核心生产力来自机器、能源、制造系统和工人。信息时代，核心生产力来自软件、互联网和数据。而今天，随着 AI、算力、数据和模型系统进入更深的生产过程，一个新的时代正在形成。

这个时代最重要的一类人才，正在从 “开发型创业者” 扩展为 “Researcher Founder”。

过去很多年里，创业更多是开发者创业。一个团队看到明确需求，用软件和工程能力做出产品，再通过市场、运营和销售把价值放大。这样的创业仍然重要，但它已经不能解释今天最前沿的一批公司。

今天越来越多重要公司，不是从一个成熟产品切口开始，而是从一个前沿问题、一条技术路径、一个还没有被完全验证的研究方向开始。它们要做的，不只是把已有技术产品化，而是把过去 “不可能” 的事，先推进到 “可能”，再把 “可能” 变成真实价值。

这就是从 -1 到 1。

所谓 -1，是不可能，或者还不可行。它可能是一个科学问题，也可能是一条技术路径，还没有被证明可以实现。所谓 0，是可能。某个关键能力出现了，某个原理被验证了，某条路径开始成立。所谓 1，则是价值开始产生：有产品，有用户，有市场，有产业影响。

过去，-1 到 0 更多由科研机构、大学实验室完成；0 到 1 更多由企业、创业公司完成。研究负责证明可能性，企业负责把可能性变成价值。两者之间距离很远，评价体系不同，组织方式不同，激励机制也不同。

但今天，这个距离正在被压缩。研究不再只是生产力的上游准备阶段，而是正在直接进入生产过程。研究本身开始成为生产力的一部分。

这也是为什么 Researcher Founder 会成为新时代的主角。他们既要有科学家对未知问题的好奇心、判断力和研究能力，也要有企业家面对真实需求、组织资源、承担风险、创造价值的能力。

这个时代需要的，是有企业家精神的科学家，也是有科学家内涵的企业家。

更进一步说，今天的 Researcher Founder 不仅要创造价值，也要理解技术最终会走向普惠。AI 这样的技术，其边际成本会不断下降，最终会深入千行百业，成为社会基础能力。因此，Researcher Founder 不仅要有格局、抱负、胆识和能力，也需要有社会责任和担当。

2. 新兴巨头和 NeoLab 成批涌现

新兴巨头：美国

过去几年，美国已经出现了一批最典型的新兴巨头。OpenAI、Anthropic、SpaceX 代表了这一轮研究型创业公司的早期样本。

这些公司的增长速度令人瞩目。Anthropic 今年的收入相比去年已经是 80 倍的增长（注：数据源于 VentureBeat 对 5 月初的 Code with Claude 大会的报道，由 Anthropic CEO 在采访中自己披露）。从目前的发展趋势看，它很快会超过 OpenAI，今年总估值超过 1 万亿美元是大概率的事情。OpenAI 过去 3 年多的成长速度，SpaceX 即将成为人类历史上最大的 IPO，这些公司都是研究型驱动的，它们的创始人都是 Researcher Founder。

这些公司并不是传统意义上的产品公司。它们不是先找到一个成熟市场，再做一个更好的工具，而是从一个非常底层、非常长期、也高度不确定的问题出发。

OpenAI 要推进通用人工智能，Anthropic 要探索更安全、更可靠的大模型和智能系统，SpaceX 则从商业航天这个过去几乎由国家工程和大型承包商主导的领域切入。它们共同说明了一件事：过去只有大学、国家实验室、大型科研机构和巨头公司才能承担的任务，现在正在被一批研究驱动型创业公司承担。

这些公司的特点，不只是融资规模大、估值增长快、商业化速度快。更重要的是，它们的核心能力来自研究判断、工程系统、组织能力和长期目标之间的高度统一。

以 OpenAI 为例，它不是先有一个成熟产品，再配置一个研究部门，而是研究、工程、产品和商业化在同一套组织里快速交织。以 Anthropic 为例，它把前沿模型能力、安全对齐和产品化结合在一起，形成了非常快的收入增长。SpaceX 则证明，哪怕是在航天这种极重、极难、极长周期的领域，创业公司也可以通过新的组织方式和资源配置，改变原有产业结构。

这背后真正值得关注的，不是某一家公司的成功，而是一种新的组织范式已经出现：研究型公司可以直接站在时代前沿，承担最难的问题，并在很短时间里形成极大的产业影响。

这种趋势说明，未来最重要的公司，可能不再只是 “更会做产品的公司”，而是 “更会组织研究、工程、资本和市场的公司”。

未来巨头：NeoLab

如果说 OpenAI、Anthropic、SpaceX 已经是被市场看见的新兴巨头，那么过去几年不断出现的 NeoLab，则代表了下一批未来巨头的雏形。

NeoLab，直译为 “新实验室”。它不是传统大学实验室，也不是传统大厂研究院，更不是普通创业公司，而是一种新的前沿创新组织。

它们像实验室，因为它从科学问题、技术范式和能力突破出发；它们也像公司，因为它必须面对产品、市场、融资、组织和商业化。它们真正探索的，是如何把前沿研究、工程实现、资本支持和真实需求放进同一个组织里。

过去几年，NeoLab 的数量增长非常快，越来越多公司围绕大模型、超级智能、物理 AI、AI for Science、世界模型、具身智能等方向成立。

它们的共同特征是：团队早期规模不一定大，但人才密度极高；融资和估值起点很高；组织从第一天起就高度研究驱动；目标不是做一个短期产品，而是寻找一个足够大的技术范式。

几家值得关注的海外 NeoLab：

这类公司通常不是先问 “市场上现在缺什么产品”，而是先问：“未来哪一类能力会成为基础设施？哪一条技术路径可能打开巨大空间？什么样的研究突破，一旦发生，就会改变整个产业结构？”

因此，NeoLab 的路径往往是：先找到技术范式，再聚集顶级认知，形成研究密度，等待关键能力突破，最后再进入产品化、平台化和商业化。

这条路的不确定性很高，但一旦成立，空间也极大。

从这个角度看，NeoLab 不是 “实验室公司化” 这么简单。它的本质，是从 -1 到 1 的组织化。它承担的不是单点科研成果转化，而是一个新技术范式从不确定走向可用、从可用走向价值、从价值走向产业基础设施的完整过程。

它们的出现，意味着研究型创业正在从个别现象变成时代趋势。

新兴巨头：中国

过去几年，中国也出现了一批高度研究驱动的新公司。智谱 AI、DeepSeek、月之暗面、无问芯穹、MiniMax、寒武纪等，分别处在大模型、AI Infra（AI 基础设施）、芯片、算力基础设施等不同方向。它们共同说明，中国的新一代科技公司正从应用创新走向更深层的研究驱动创新。这不只是单个团队的努力，而是中国科技创新结构正在变化。

一方面，中国有极大的产业纵深。制造业、消费、医疗、教育、物流、能源、交通、金融、企业服务等领域，都有大量真实场景和复杂需求。另一方面，中国拥有越来越多接受过系统训练的技术人才和研究人才，他们不再只把大厂或高校作为唯一选择，而开始进入创业公司，尝试把前沿技术推向真实世界。

更重要的是，国家战略也为前沿技术创业提供了长期方向。AI+、科技强国、2035 年远景目标等，都意味着中国未来会持续投入和支持前沿科技创新。

因此，中国一定会出现自己的 NeoLab。

问题不是这个趋势会不会发生，而是它会从哪里长出来，由谁来创办，谁能更早识别这些方向，谁能在早期支持这些 Researcher Founder。

中国 NeoLab：透过奇绩的窗口

从奇绩创坛过去几年的投资和加速实践中，已经可以看到一批中国 NeoLab 的早期样本。

例如基流科技。它从 AI Infra 的关键能力切入，围绕大规模集群、高速网络和底层基础设施，为大模型时代的算力系统提供支撑。

基流科技是清华的团队，今年大概率会港股上市，有可能是中国大模型 Infra 第一股。

我今天还记得胡效赫同学来申请奇绩创坛。那个时候他在中国融了一圈，能看懂的人不多。面试时，我说：“哦，你是做 RDMA，做 RoCE 的呀，那当然投啊。”（注：RDMA，Remote Direct Memory Access，即 “远程直接内存访问”，一种绕开 CPU，让服务器之间直接读写内存的技术，解决传输瓶颈，被数据中心广泛使用。而 RoCE 是 RDMA over Converged Ethernet，即 “以太网承载的 RDMA”，早期的 RDMA 需要专用硬件和协议，兼容性差；RoCE 则可以用普通网线和交换机直接跑 RDMA。）

讲点儿小背景，RDMA 是在微软时，我的组织推进的。因为那时候是 CPU core-to-core（不同 CPU 核心之间的高速通信，用于聚合多机 CPU 算力），我们的搜索引擎想聚合更多算力，需要连接更多 CPU，当然现在的技术是用来连接 GPU 的。

我想说，由于我们的背景和导向，奇绩很愿意扶持年轻人，尤其是支持他们做极早期技术探索。那时候你讲 RDMA、RoCE，全中国可能没一家投资机构说 “这个我要投”。但在我们眼里，真的毫无疑问，这肯定要投。

这样的方向早期并不容易被市场理解。因为它不是一个面向 C 端用户的产品，也不是一个可以用简单商业模式解释的应用。但在大模型时代到来后，算力集群、网络通信和基础设施能力成为核心问题，这类公司的价值就会被重新看见。

极佳科技、光轮智能、帕西尼、本末科技、极壳科技等，也体现了相似特点。它们分别进入了世界模型、具身数据、触觉传感、机器人核心部件、消费级外骨骼等前沿方向。它们早期面对的不是成熟市场里的同质化竞争，而是要解决新技术栈、新产业链、新能力体系刚刚形成时的关键问题。

这类公司最重要的，不只是它们做了什么产品，而是它们站在什么技术范式上，解决什么关键问题，以及未来有没有可能成为某个新产业基础设施的一部分。

这也是研究型创业早期最难判断的地方。很多真正重要的公司，在早期并不容易被传统商业语言解释。它们没有一个足够成熟的市场，也很难用短期收入证明长期价值。但如果它们站在正确的技术范式上，解决了足够关键的问题，就可能在未来形成非常大的价值空间。

奇绩关注这类公司，本质是关注一个更底层的问题：在前沿技术刚刚从 “不可能” 走向 “可能” 的时刻，谁能更早判断方向，谁能更早组织起一支高人才密度团队，谁能更早把研究突破和真实需求连接起来。

这就是中国 NeoLab 正在出现的地方。

3. 研究成为直接生产力

生产力结构的根本调整

为什么 researcher founder 和他们创立的组织在成批发生，并以这么高的速度往前走？

核心原因是生产力结构发生了根本调整。从宏观经济学看，生产力的要素有生产者、生产过程、生产工具、生产对象。

从工业革命到智能革命，研究和生产的距离逐渐缩短

Researcher Founder 之所以成为时代主角，正是因为他们处在新生产力的关键节点上。为了更好理解这一点，我们可以回到研究与生产关系的历史演变中。从第一次工业革命至今，研究和创造价值之间的距离越来越短。

现代意义上的研究体系，起源于启蒙运动和工业社会。启蒙运动带来了科学理性，也奠定了现代生活的基础。此后，科学逐渐成为推动社会进步的核心力量：第一次工业革命建立在物理学、机械和牛顿力学之上；第二次工业革命进一步释放了电磁学和工程体系的力量；随后，人类进入信息时代，并正在走向智能时代。

在过去相当长的历史中，研究与价值创造之间存在明显距离，研究主要发生在实验室、大学和科研机构中，其典型过程是阅读论文、讨论问题、设计实验、发表论文、传播知识。企业则在另一端，把已经被验证、被写入论文或书籍中的可行技术，进一步工程化、产品化和商业化。也就是说，研究负责证明 “什么是可能的”，企业负责把这种可能性转化为现实价值。

因此，可以用一个简单的框架来理解研究与生产的分工：研究解决的是从 “不可能” 到 “可能”，也就是从 -1 到 0；生产和创业解决的是从 “可能” 到 “价值”，也就是从 0 到 1；而从 1 到 100，则是规模化扩张，相对来说更容易。

真正推动人类社会进步的，恰恰是最难的两个阶段：从 -1 到 0，以及从 0 到 1。前者充满科学风险和技术不确定性，尤其是那些可能改变世界的研究；后者则面对市场风险、组织风险和价值创造的不确定性。过去，这两个阶段通常由不同组织完成：科研机构承担 -1 到 0，企业承担 0 到 1。

两个阶段的距离曾经非常遥远。第一次工业革命的核心研究基础，是以牛顿为代表的力学和物理学。牛顿在十七世纪形成了万有引力和动力学体系，但直到近百年后，瓦特蒸汽机才推动工业革命真正发生。研究先改变人类对自然的理解，很多年后才通过工程和产业进入生产系统。

第二次工业革命也类似，麦克斯韦方程建立了电磁学的理论基础，但之后历经几十年，无线电报才真正形成产品和产业影响。

而今天，这种分工正在被打破。信息时代之后，研究与生产开始逐步靠近。微软、Google 等公司已经把研究、工程和产品放进同一家公司，只是它们往往仍然分布在不同部门、不同评价体系之中。

到了智能时代，这个结构进一步变化。

以 OpenAI 为代表的新型组织，把研究、工程、产品和商业化压缩进同一个组织系统。研究不是一个独立部门，工程不是后端转化，产品也不是最后才出现。模型能力、工程系统、用户反馈和商业化探索彼此交织，共同推进。

这正是今天时代机会的来源：研究不再只是生产的上游知识储备，而正在直接进入生产过程。研究成果可以更快变成代码、模型、系统、材料方案、药物设计、机器人能力和企业生产工具。过去分开的 -1 到 0 与 0 到 1，今天开始被同一类团队、同一种组织、同一套资源配置方式同时完成。

所以从工业革命到信息时代，再到人工智能时代的演变，可以清楚看到一条主线：研究越来越直接地参与生产过程，研与创之间的边界越来越模糊。过去需要几十年甚至近百年才能完成的转化，今天可能在同一个组织、同一个团队，甚至同一个产品迭代周期中发生。

Researcher Founder 正站在研究和生产两个越来越接近的阶段的交汇处：他们既要能够进入未知，解决 “不可能到可能” 的问题；又要能够组织产品、市场和资本，把 “可能” 变成真实价值。这个变化，构成了智能时代创新范式最重要的底层转折。

新生产力临界点：AI 同时加速研究、工程和商业化

“研究和创造价值之间的距离缩短”——这其实是一个长期趋势，而智能时代让这个趋势越过了临界点。这是因为，AI 同时加速了研究，也加速了工程和商业化。

一方面，AI 可以帮助人类更快完成研究。人类定义问题、设定标准、提出假设，AI 则可以进行资料搜索、推理、实验设计、代码实现、结果分析和持续迭代。Deep Research、Auto Research 这类能力正在降低研究门槛，也在提高研究速度。（注：Deep Research 是 AI 执行多步骤资料检索、交叉验证和深度分析的研究能力；Auto Research 是 AI 自动化完成选题拆解、信息搜集、整理和报告生成的研究流程。）

另一方面，研究的产出越来越直接变成生产力。AI 写出的代码可以直接进入工程系统，模型生成的设计可以直接进入材料、药物、制造和产品流程；智能体完成的规划和执行可以直接影响企业运营。

过去，研究成果需要经过长链条转化，才可能成为生产资料。今天，研究和生产之间的链条被大幅缩短。

这就是智能时代的新生产力临界点。Anthropic 的 Claude Code 等 Agentic AI 产品，是让我们站上这个临界点的标志性突破。

在这个临界点之后，碳基人类和硅基智能的分工也会变化。人类更重要的是提出好问题，形成高认知、高品味，定义需求和验证条件。硅基智能则可以承担越来越多 7×24 小时的信息处理、理解、规划和执行。

因此，未来每个人都有可能更接近研究本身。不是每个人都要成为传统意义上的科学家，而是每个人都可以借助 AI，进入更深的问题探索和能力创造过程。

这会极大放大 Researcher Founder 的能力边界。

4. 新生产关系和生产者

新生产关系：新组织

讲完新生产力之后，更关键的问题是：什么样的组织和机制，才能真正释放这种生产力。

过去的研究与生产，长期处在两类不同组织之中，也对应两套不同的奖励函数和资源配置方式。科研追求同行认可，企业追求商业结果；科研伴随长期不确定性，企业强调短期可验证回报。二者都重要，但它们没有真正形成一个完整闭环。

到今天，以 OpenAI、Anthropic 为代表的新型组织开始把研究、开发、产品和市场放在同一个系统之中。研究不再只是论文产出，开发不再只是工程实现，产品和市场也不再只是商业化末端。它们共同构成一个从 -1 到 1 的组织闭环。

这种组织的核心，是三个环节同时存在：做研究，解决能力突破；做开发，把能力变成可运行系统；做产品和市场，把系统放进真实需求中验证价值。研究、开发、市场不再是线性传递关系，而是彼此反馈、彼此校准、彼此推动。组织内部必须重新设计分配方式和激励机制以及资源配置机制。

这就要求组织重新设计激励机制和资源分配方式。

长期激励必须存在，因为研究突破往往需要时间和耐心；短期激励也必须存在，因为组织需要持续接受现实反馈，避免与市场和需求脱节。二者不能简单对立，而要形成平衡。

更重要的是资源分配：判断哪些资源投入到基础能力，哪些资源投入到工程系统，哪些资源投入到产品化和市场验证。资源分配一旦脱节，组织就会回到旧结构：研究团队只做研究，产品团队只做产品，市场团队只做增长，彼此无法形成真正的闭环。

新生产者：新人才

新生产力和新组织最终都要回到人。Researcher Founder 是 Agentic AI 时代的中坚力量，但这个角色对人的要求也更高。

未来的创业者需要同时理解研究和产品，既能判断技术突破的可能性，也能理解真实世界的需求。但 AI 放大了人的能力，使个人和小团队能够完成过去大型组织才能承担的工作，机会是空前的。

5. One More Thing：每个人都可以成为研究者

到了这个时代，很多同学会问：如果我不是学计算机的，或者我是文科背景，还有没有机会？

答案是：有，而且机会很大。

因为 AI 正在降低研究的门槛。过去很多资料整理、信息检索、初步分析，需要很强的专业训练；现在，Deep Research、Auto Research 这类工具已经可以帮助我们完成大量研究工作。也就是说，研究这件事不再只属于少数专业研究者。

但这不代表人不重要了。恰恰相反，AI 越强，人的判断越重要。

未来真正重要的能力，不只是会写代码、会做技术，而是能不能提出好问题，能不能理解真实需求，能不能判断什么事情真正有价值。

如果一个人只懂计算机，但不懂人类需求、不懂社会和产业，他也很难成为好的 Researcher Founder。因为从 -1 到 1，不只是把技术做出来，更重要的是知道为什么做、为谁做、解决什么问题。

所以，文科、社会科学、设计、商业等背景的人，在这个时代反而有新的机会。AI 可以帮人做研究、做分析、做执行，但人需要有高认知、好品味、好奇心和探索欲。

总结来说，这个时代最重要的，不是单一技能，而是人的格局、抱负和判断力。新的生产力、新的生产关系、新的人才结构，正在共同形成新的机会。背后真正的原因，是做事的范式变了。

新时代也要求创业者的底层思维发生变化。Researcher Founder 需要三种新思维：研究思维、创新思维和斜率思维。

1. 研究思维

近年来，一些诺奖获得者很能说明这个时代正在发生的变化。

戴维·贝克（David Baker）、德米斯·哈萨比斯（Demis Hassabis）、杰弗里·辛顿（Geoffrey Hinton） 这三个人都是创业者，这三个人做的研究工作离诺奖距离都很短，但这只是一个开始。

未来很有可能一个博士生，等到他博士毕业时，可以拿诺奖，还有可能财务自由，因为他也可能同时是创业者，这是这个时代可以有的机会。

重新理解科学、技术和需求的关系

要形成新的研究思维，需要重新理解科学、技术和需求的关系。

科学的本质就是可解释、可预测的自然现象，它研究 “why”。技术则是把科学原理封装成可用的手段，去满足需求，它解决 “how”。如何制造一台机器、训练一个模型、合成一种材料、把一种理论转化成工具……这些都是技术问题。

需求则来自人类社会。人要活得更久、更安全、更自由、更高效，企业要更好地感知、决策和行动，国家和社会要解决安全、能源、医疗、教育、产业升级等问题。

科学、技术和需求不是彼此孤立的。真正有生命力的科学往往会不断靠近重要需求；真正重要的技术也往往来自对科学规律的深刻理解。

因此，科学的本质不仅是解释现象，也是为人所用。这里的 “为人所用” 不是狭义功利，而是指科学最终会进入人类文明，成为理解世界、改造世界和创造价值的能力。

对 Researcher Founder 来说，这一点非常关键。科学恒久的驱动力仍然是好奇心和想象力，但 Researcher Founder 还需要考虑，它能为后来者提供什么基础？它能不能最终创造价值？

选择研究方向，是一个战略问题

选题是研究思维的关键能力。一些科学方向之所以长期活跃，是因为它们不断靠近重要问题，不断产生新的工具、新的解释和新的能力。科学本身也是一个进化体系。很多重要创新不是从零开始凭空出现，而是在已有元件、已有理论、已有工具、已有数据之上，重新组合、重新解释、重新推进。

Researcher Founder 要学会选择研究方向和观察科学发展的生命力。

好的研究方向，往往有几个特征。

高度活跃、有生命力的科学，则通常有两个共同特征：第一，它持续解决真实的人类需求；第二，它能创造规模化、长期不可替代的价值。

从这个角度看，研究选题不只是学术问题，也是战略问题。Researcher Founder 选择科研方向时，不能只问 “这个问题能不能发论文”，还要问：“这个问题是否足够重要？它是否可能产生长期影响？它是否连接未来真实需求？它是否值得我投入很多年？”

AI 时代更新迭代速度更快，低水位、短周期、容易被替代的研究会更快失去影响。真正值得投入的，是长线、宽面、高水位的问题。

方向选对了，努力才会积累成复利。这就是新的研究思维。

好选题的例子：姚顺雨、哈萨比斯、伊利亚

好的科研选题，不是追逐热点，而是找到长期不可替代的高水位问题。

姚顺雨是一个典型案例。他早期围绕语言模型、工具使用、推理与行动等方向进行研究，后来这些问题成为大模型和智能体时代的关键议题。他的 ReAct 工作，本质上连接了推理和行动，后来成为理解 Agent 能力的重要基础之一。（注：ReAct 即 Reasoning and Acting，一种让语言模型同时进行推理和行动的智能体方法）

他的研究理论基础很强，但每次交流，他都在思考未来的工程体系与产品形态。聊模型，必然谈产品。在腾讯，他可以模型、产品一起推进——这与他当初选博士论文时埋下的种子一脉相承。ReAct 是关于如何选题的一个极有说服力的案例。

德米斯·哈萨比斯的路径也很典型。他早期关注海马体、记忆机制和强化学习，后来将这些研究积累带入 DeepMind，持续推动从游戏智能到科学发现的探索。这不是简单追逐热点，而是围绕智能的本质问题长期推进。如今 DeepMind 的技术路径与发展思路，皆与其博士论文选题密切相关，这也表明他的选题很宽、触达很远。

伊利亚·苏茨克维（Ilya Sutskever）的路径同样说明，高水位问题往往需要长期判断。他参与 AlexNet（2012 年被提出的深度卷积网络模型，是图像识别领域的突破性工作），深度参与 Scaling Hypothesis（规模假说）和 Scaling Law 相关方向。他做的博士论文主题和他在 OpenAI 时代坚信 “模型只要足够深、足够宽，数据的 scaling 可以导致智能的涌现” 有关。这改变了世界。

中国科学家中也有很多类似案例。潘建伟、袁隆平、钱学森、屠呦呦，他们都在 “Go high”，在一个领域中做得很高很高，而不是堆砌。屠呦呦通过青蒿素改变全球抗疟体系，潘建伟推动量子通信与量子计算前沿，袁隆平开创杂交水稻育种体系，钱学森奠定现代控制科学与航天理论。这些工作共同说明，真正重要的科研，不是停留在局部技巧，而是连接了长期重大需求，并在很长时间里持续产生影响。

真正一流的科学家，不靠数量堆砌，而靠高度制胜。

系统性地选好方向

选好方向，也有系统性方法。

第一步，是选领域。找到一个你愿意长期投入的领域。这个领域最好与你的禀赋相关，也就是你擅长什么；与你的兴趣相关，也就是你对什么问题有超乎常人的好奇心；同时也要有足够大的探索空间。

第二步，是到前沿。选定领域之后，要尽快读完关键论文、了解重要人物、理解核心问题、掌握新的研究模式。不到前沿，就很难判断什么问题已经被解决，什么问题仍然存在，什么地方有真正空白。

第三步，是找空白。真正有价值的问题，往往不是一眼看上去最大的问题，而是那些看似小、但背后连接更大结构的问题。要对现实保持敏锐，观察哪些地方有矛盾、缺口、低效、未被解释的现象。

第四步，是挖潜力。很多伟大发现不是一开始就被看见为伟大，而是在持续挖掘中显现出结构性价值。一个小问题，如果连接了大空间，就值得深入。

这里有三个关键维度：禀赋、兴趣、空间。

禀赋决定你在哪些问题上更容易形成优势。兴趣决定你是否能长期坚持。空间决定你做出来之后，是否有机会形成伟大影响。

而贯穿其中的核心动力，是好奇心和热情。

高影响、高胆识：Go High 才能 Go big

影响力可以理解为 “高水位 × 持续时间”。很多短期论文的总量，并不等于真正高影响力。

假设一篇论文只是在某个训练算法上提升了 5%，短期看可以发表，但很快就可能被新的方法替代。一旦被替代，它对后来者的影响就停止了。

相反，像 ImageNet（由李飞飞团队推动建设的大规模图像识别数据集和竞赛，推动深度学习在计算机视觉领域取得突破）这样的工作，它的意义不只是一篇论文，而是成为一个时代的基础设施。它影响了大量算法、论文、产品和产业方向，推动了计算机视觉和深度学习的发展。即使后来有新的数据集和方法出现，它的历史影响也已经被长期积累下来。

牛顿和爱因斯坦的工作更是如此。它们在数百年甚至更长时间尺度上持续影响人类理解世界的方式。

所以，高影响工作的关键，不是短期热度，而是时间积分。能影响越多人、越多方向、越长时间，价值越大。

做高水位问题，需要胆识。

很多真正重要的问题，在早期都不容易判断。它们不一定符合现有评价体系，也不一定有立刻可见的回报。选择这些方向，需要更早进入不确定性，承受更长时间的孤独和压力。

有两条路径都值得走。

一条路径，是在已有路径上做别人做不出的事。这要求极强的能力、训练和执行力。你知道这个问题重要，大家也知道这个问题重要，但真正能做出来的人很少。

另一条路径，是开辟新路，走别人不敢走的方向。这要求更强的判断、勇气和长期主义。因为在早期，没有太多人能证明你是对的。

Researcher Founder 要以高胆识追求这样的高影响，找到高水位、长周期、不可替代的问题。只有 Go High，才能 Go Big。

2. 创新思维

什么是创新

创新的核心定义，是用更好的方法满足需求。

创新不一定意味着 “全新的东西”。旧的技术、产品和能力，如果被放进一个新场景，用新方式满足了需求，也是一种创新。真正重要的，不是它看起来是否足够新，而是它是否用了更好的方法，把需求满足得更好。

因此，创新的关键不是追求表面的 “新”，而是理解需求、把握需求，并找到更好的满足方式。

这一点对理工科背景的同学可能反而是个挑战。因为很多技术训练，会让人习惯于从技术、功能和实现出发。但真正的创新，往往不是从 “我能做什么” 开始，而是从 “人、企业和社会到底需要什么” 开始。

理解需求

首先是个人需求。个人需求有很多层次，人的内在需求几乎没有终点。

睡觉的需求被满足好了吗？并没有。人们仍希望睡得更深、更稳定、更容易恢复精力。吃饭的需求被满足好了吗？也没有。人们仍然会追求新口味、新体验、新的健康方式和社交场景。

所以，做功能性产品，如果只是停留在 “解决一个明确功能” 的层面，机会会越来越有限。真正值得挖掘的，是功能背后的深层需求：情绪、身份、关系、表达、陪伴、掌控感、归属感和自我实现。

一个创业者不能因为自己不理解，就否定一个需求。泡泡玛特就是一个很好的例子。

我过去不理解泡泡玛特，觉得这些产品似乎没有什么 “实际用途”。但后来我在北京、上海的地铁里观察，发现越来越多女生的包上挂这类产品，接着男生也开始挂。这说明它背后一定有某种真实需求：情绪价值、身份表达、审美认同，或是社交符号。无论形式如何变化，创业者真正要研究的，始终是底层的需求。

这就是创新思维的起点。不是从 “我觉得有没有用” 出发，而是从真实行为中理解需求如何发生。

企业需求同样如此。真正深入企业需求的，目前走在前面的是 Palantir（美国数据分析与企业软件公司，长期服务政府和大型企业，近年来重点推动 AI 在企业业务流程中的落地）和 Anthropic。今天大多数产品只满足表层需求——搬运信息、辅助开会。但开会只是手段，企业真正需要的是更好的决策、更好的文化、更持续的创新能力。企业的需求也是永无止境的。我们要做的就是挖掘更深的需求，这是创新的思维。

研创一体

Researcher Founder 还需要以终为始，形成研创一体的思维。

选博士论文，我常建议同学选宽一些、延伸空间长一些的课题。因为真正有活力的研究，最终一定要创造价值。

从科学第一性原理看，科学探索、技术开发、市场需求、社会需求、国家战略需求，这五个层次始终相互连接。清华创业大赛、资源对接平台、耐心资本、孵化加速，以及像今天这样的交流场合，有机会就去参与、去结识朋友。

无论做什么学问，都要以终为始，研创一体。

从 Book Smart 到 Street Smart

一流学府的学生，Book Smart 肯定很强，考试、书本、科研样样出色。我自己也类似，过去以 Book Smart 为傲。但到了今天这个年龄，我意识到，真正的 Smart 是从 Book Smart 到 Street Smart。Street Smart 是对真实世界的理解。它不是书本里的静态知识，而是对人、市场、组织、交易、预算、流程、关系和价值流动的理解。

Street Smart 不是天生的，它来自大量观察、实践和反馈。最重要的是身体力行：去嵌入价值的流通过程。通俗地说，在做科研的过程中，要留意钱是如何合法地从一个口袋流到另一个口袋。哪里有钱在流动，哪里就有生命力和创造力。不断观察、不断理解、不断融入，逐步把 Book Smart 变成 Street Smart，你的 Smart 才能成为真正有生命力的知识。

邓锋，清华校董，就是一个从 Book Smart 到 Street Smart 的例子。他在清华期间便已开始做生意与创业。他是 NetScreen（美国网络安全公司，2001 年在纳斯达克上市，2004 年被 Juniper Networks 以约 42 亿美元收购）的创始人——华人在美国创办的第一家上市公司。

这个案例想说明的是，真正一流的创业人才，不能只有书本里的聪明，真正要做创业，就必须把这些能力放到真实世界中打磨。

这不是从学术转向世故，而是从抽象转向创造。它要求一个人不仅能理解复杂理论，也能理解复杂现实；不仅能回答问题，也能发现问题；不仅能提出方案，也能推动事情发生。

3. 斜率思维

三条斜率

AI 是认知的加速器，这个时代，重要的不是你今天有多强，而是你的斜率有多陡。

三条斜率：认知斜率、能动性斜率、品味斜率。

高斜率的组织

AI 会放大个人斜率，也会放大组织斜率。

在 AI 原生组织里，碳基人与硅基系统不是简单分工，而是共同迭代。人负责目标、判断、品味、需求定义和关键决策；AI 负责信息处理、规划辅助、执行生成、持续反馈和流程自动化。一个组织如果能把这套循环建起来，它的整体迭代速度会显著提高。

因此，个人成长不只取决于自己有多努力，也取决于自己是否处在一个高斜率组织里。

高斜率组织有几个特征：问题足够难、反馈足够快、人才密度足够高、AI 使用足够深，组织能持续自我进化。在这样的组织里，一个人每天接触的问题、反馈和判断都会推动成长曲线变得更陡。

重要的不是起点，而是系统迭代深度。对年轻人来说，进入一个高斜率组织，往往比停留在一个舒适但低反馈的环境里更重要。

斜率思维的例子

分享一个高斜率人才的案例——沈亦晨，他创立的曦智科技 2026 年 4 月刚刚上市。

沈亦晨是麻省理工学院博士，博士论文研究通过控制电压让光子完成 2×2 矩阵运算，发表于 Nature 正刊。我与他有过一次半小时的交流，是我认为奇绩历史上最精彩的半小时。我问他最关键的问题：毕业时，美国一流高校与顶级科技公司的 offer 悉数在手，为什么选择回国创业？

他的回答是：我最在意的，是把光计算、光存储真正产业化，把这件事做出来。

他分析了三条路径：一、去高校任教，需要不断申请资金、培养学生、发表论文，实现目标需要时间。二、去谷歌或微软，则需要逐级说服上级、副总裁、资深副总裁、总裁，乃至董事会，才能推动自己的方向落地。三、回国创业，只需要说服沈南鹏。

这个判断背后，是对创新生态的清醒认知：耐心的资本就应该押注这样的团队，加速他们的成功。

他之所以想得如此透彻，与他的高斜率密不可分。他在美国的 mentor 是 Ray Stata——麻省理工学院的 Stata Center（麻省理工学院计算机、信息科学与人工智能等相关院系和实验室所在建筑）正是这位先生捐赠建造的。高斜率，我们都有机会去找到别人来帮我们。

4. 新思维总结

这三种思维合在一起，才构成 Researcher Founder 真正需要的底层能力。

从 -1 到 1 不是只靠理解就能完成的。Researcher Founder 必须走出熟悉的环境，进入真实需求、真实场景和真实同行者的网络之中。

实践的核心，是三个方向：到 “河” 对面去，到 “墙” 外面去，到同行者中去。

1. 到 “河” 对面去：从 FDE 到 FDX

人类的进展，本质上是一个扩散过程。

过去，技术和需求之间隔着一条河。河的一边，是研发、产品、技术、算法和工程；河的另一边，是客户、用户、市场、销售和真实需求。很多时候，技术团队觉得自己的技术很好，只是市场不会卖；市场和销售又觉得研发团队没有真正理解客户，也没有解决最重要的问题。但今天，所有真正创造价值的人，都越来越需要过河。

第一个到河对面去的公司是谁？是 Palantir，这家公司 20 多年前就开始到河对面去了。Palantir 提出了 FDE（Forward Deployed Engineer，前线部署工程师）这个概念。

为什么会发明这个概念？这和他们的产品有关——给美国中央情报局提供软件，他们必须到河对面去。

一开始他们也不想过河，说先去调研需求。美国情报局的人就说，你开什么玩笑？难道我会告诉你我怎么当间谍的？你要调研需求，得跟我一起当间谍啊。所以他形成了一个全新的文化，就是驻场开发。

AI 正在让很多原本稀缺的技术能力变得更容易获得。代码可以生成，信息可以检索，分析可以自动化，很多过去需要大量工程人力完成的工作，正在被新的工具重构。技术本身仍然重要，但只停留在技术这一边的人，会越来越难真正发挥价值。

今天，从 Anthropic 开始，Vibe Coding 正在让代码生成变得越来越容易。过去只停留在写代码、做技术实现的人，价值会越来越被压缩。要真正发挥作用，就必须到 “河” 对面去。

这也是 FDE 的意义：工程师要过河，进入客户现场、真实场景和具体问题中去。

Anthropic 现在已经有 Claude Design，设计师很快也要过河，成为 Forward Deployed Design。产品经理也很快要过河，成为 Forward Deployed Product。市场和销售本来就更靠近河对面，但未来所有真正创造价值的人，都要到河对面去。

未来的研发、产品、设计、市场和销售，都要更靠近真实场景。工程师不能只在办公室里写代码，产品经理不能只在会议室里写需求，设计师不能只在界面上打磨体验，研究者也不能只在论文和实验室里理解问题。

更广义说，未来每一种关键角色都需要 Forward Deployed，可以把 FDE 扩展成 FDX。

做科研，也要到企业里去，甚至驻场做科研。做生命科学，就到医院去、到药企去；做材料，就到下游公司去，或者到上游供应商去；做工程系统，就到真实产业现场去。只有真正去到那边，才能知道什么问题长期存在，什么能力真正稀缺，什么方向值得自己持续投入。找到自己真正感兴趣的领域，到河对面去思考和研究问题。

2. 到 “墙” 外面去：创业，只能边做边学

研究可以在墙内学，但创业只能边做边学。

加入一家真正优秀的创业公司，进入一线，去看一个想法如何变成产品，一个产品如何找到用户，一个团队如何在资源有限的情况下持续推进。胆子大一点，自己创业，直接把自己的研究、技术判断或问题意识放进真实世界中验证。

未来，你可以选择继续做科学家，也可以选择成为企业家。但无论走哪条路，素质都必须变得更综合。即使在大学任教，也需要企业家的素质；即使选择创业，也需要科学家的内涵。这是这个时代科学范式带来的必然。

3. 到同行者中去：进入高密度创业社区

第三件事，是到同行者中去。

Researcher Founder 尤其需要社区。因为从 -1 到 1 是高不确定性的过程，传统路径不够清晰。一个好的社区，可以帮助他们更早连接技术、市场、资本、人才和产业资源。同时也能让自己进入一个更高人才密度和更多高质量反馈的成长环境。在这里，早期判断可以被认真讨论，也可以被及时挑战；不成熟的想法可以被打磨，重要的问题可以被持续推进。

这也是为什么奇绩一直强调要创建一个创业者社区。

1. 研创新时代

产业创新的机会，往往来自拐点。

1995、1996 年的互联网，是一个重要拐点。第一波进场的公司，很多都活了下来，今天不少重要的科技巨头，也是在那个时间窗口里开始的。

2022 年 11 月，ChatGPT 发布，是新的拐点。它让 AI 从实验室和专业系统中走出来，成为所有人都能使用的生产工具。今天，Agentic AI 正在带来更大的相变：AI 不再只是回答问题、辅助工作，而是开始进入长期任务、复杂执行和组织流程。

下一个拐点，Physical AI 也正在到来。智能将进一步进入物理世界，进入机器人、制造、能源、交通、医疗、供应链和更多真实系统。产业创新的机会，会因此被重新打开。

AI for Science 是另一个巨大方向。AI 可以帮助科学家发现新材料、设计蛋白质、加速药物研发、模拟物理系统、优化实验流程。过去很多科学问题受限于实验成本、计算能力和搜索空间，今天开始有机会被新的模型系统推进。

还有一个重要变化，是新全球化。

过去，做全球化技术公司，更多是硅谷的特色。今天，中国拥有更完整的软件、硬件、数据和供应链基础，也拥有强大的工程能力和丰富的产业场景。新一代中国技术创业者，有机会从第一天起就面向全球市场，定义全球产品，组织全球资源，创造真正有世界竞争力的技术公司。

这些拐点共同指向一个判断：Researcher Founder 的机会正在变大。

2. 走出第一步

对每一个年轻的 Researcher Founder 来说，如何走出第一步？

如果你这三件事情都有了，启动你的历程。

3. 奇绩创业社区

奇绩创坛的使命是在源头最大化驱动创新，愿景是建设源自中国的最大、最活跃的创业者社区。目前已经搭建了奇绩创业营、算力、创业公开课、前沿信号等体系，系统性支持 Researcher Founder。

奇绩希望建设的是一个面向年轻技术创业者、Researcher Founder 的创业社区。真正重要的，不只是投出几家公司，而是持续发现、支持和加速那些有可能改变未来的人。

今天的 Researcher Founder，可能还只是一个学生、一个博士、一个工程师、一个研究员，或者一个刚刚开始思考创业的人。但在新的时代里，每个人都有机会从一个高水位问题出发，进入真实世界，找到同行者，组织资源，把 “不可能” 推进到 “可能”，再把 “可能” 推进到 “价值”。

这就是从 -1 到 1。

也是 Researcher Founder 真正要走的路。

题图：陆奇在 5 月底于清华大学讲授创业公开课。来源：奇绩创坛

- FIN -