对话张亚勤：AI不是泡沫，但AI公司有泡沫

张亚勤院士在清华无锡研究院智能产业创新中心接受了采访。他认为，当前关于具身智能和人工智能投资创业的热潮需要“降降温”，保持更为冷静的态度。

张亚勤五年前创立了清华大学智能产业研究院（AIR），该研究院已毕业首届博士生，并孵化了十家公司，累计融资约150亿元，估值达1500亿元。其中，华深智药和它石智航等公司已成为资本市场的热门。尽管估值可观，张亚勤强调AIR的首要任务是科研，公司孵化是自然衍生的副产品，多数公司仍处于验证能力的阶段。

作为资深的工程院院士，张亚勤经历过技术与资本周期的起伏。他将当前人工智能的发展阶段比作1998-1999年的互联网，认为AI正在进行大规模的基础设施建设（包括电力、算力和算法）。他看好AI产业的长期潜力，明确指出“AI本身没有泡沫，但早期AI公司可能会有泡沫”，并预测未来的万亿市值巨头可能并非当前备受瞩目的公司。

2026年，“物理AI”成为技术开发和资本关注的热点，而张亚勤及其团队在过去五年已在自动驾驶、具身智能仿真和工业能效AI等领域布局了多家公司。他提醒，过度追求“趁市场热多融资”可能导致业务分散，最终因资金耗尽而未能转化为实际业绩。

张亚勤每年都会对AI发展趋势做出预测。例如，他在2024年6月提出需要开发新的AI算法体系，包括世界模型和Agent，以实现效率的百倍提升。他深入探讨了当前AI发展为何类似于1998年的互联网，解释了面向物理世界的AI数据缺失问题，以及VLA和世界模型等技术路线的结合潜力，并分享了他对教授创业的看法。

自2024年起，AIR每年6月在无锡举办“太湖对话”论坛，今年已是第三届。在论坛前夕，张亚勤与暗涌Waves进行了对话。

第一部分：教授投身创业，但多不适任CEO

关于投资机构曾一度“不投教授”的现象，以及在新一轮AI创业中科学家重回核心地位的趋势，张亚勤表示，本轮AI创业高度依赖技术驱动，因此教授的技术能力和前瞻性理念至关重要。他认为，中国已有一批高水平教授能够引领世界级创新。

他将教授创业分为三种模式：一是教授全身心投入创业；二是教授以学术为主，将技术转化为企业，但不直接管理；三是教授在职期间同时管理多家公司。他认为第三种模式成功率极低，第一种有成功案例，如高通。

然而，张亚勤指出，大多数教授并不适合经营公司，即使全身心投入，其创业失败的几率也远高于普通创业者。他解释说，将研究转化为技术，再将技术发展为规模化产品，中间存在巨大的鸿沟，很少有人能同时精通前沿研究和市场商业化。

AIR教授创业多采用第二种模式：由科学家作为联合创始人或首席科学家，以技术入股孵化企业，同时寻找懂商业和工程的CEO进行市场化运作。这种模式能发挥教授优势，也符合企业发展规律。

对于全职创业的高收益，张亚勤提醒其风险巨大，可能导致科研和商业双双失败。AIR的定位是科研机构而非孵化器，每年只孵化一两个项目，更侧重于产业化有价值的基础研究成果。

AIR的另一目标是为行业输送CTO和顶级架构师。张亚勤认为，培养这类人才的核心在于培养其在成长阶段具备产品和系统思维。博士生不仅要能在校园里做算法和论文，更要能验证技术在真实系统中的可行性。AIR通过与20多家大企业合作，设立联合实验室，让学生参与前沿研发和规模化验证。

关于寻找CEO，张亚勤表示，虽然理想状态是为每个团队匹配合适的CEO，但现实中非常困难。他认为CEO不一定是职业经理人，也可能是连续创业者或团队中的年轻人。他认为，目前AI人才相对容易找到，难得的是那些深耕产业、既有经验又能理解AI技术的人。CEO必须具备强大的信念感，才能应对创业过程中的重重困难。他重申，1500亿的估值并非最终衡量标准，企业最终需要通过技术实现商业化，获取收入和利润，形成核心竞争力。

第二部分：AI非泡沫，但AI公司或有泡沫

张亚勤认为，创业公司获得高估值，应保持清醒，因为市场期望越高，需要证明的就越多。他以机器人和大型模型赛道为例，预测几百家机器人公司最终可能只剩20家，国内大型模型公司可能仅存三四家。他以互联网泡沫为例，当时市场更狂热，但许多明星公司迅速消失。

他认为，创业需要充足资金，但钱并非最关键因素。创业本就九死一生，必须聚焦。如果尚未想清楚就大量融资并试图覆盖所有领域，结果往往是资金耗尽而业务无果。真正拥有优质产品、独特技术、强大团队和清晰前景的企业，总会获得投资。

对于AI和具身智能行业普遍存在的泡沫论调，以及人们仍旧蜂拥而入的现象，张亚勤指出，与上一轮互联网创业不同的是，当前AI头部公司收入增长迅速，如OpenAI和Anthropic的增速前所未有，这增强了市场的信心。

但他对这种高增长能否持续表示不确定。他提到，全球科技巨头在数据中心和芯片等领域的巨额投入，是基于对未来的高预期，但这些投入能否转化为实际订单和收入仍需验证。他认为，未来2-3年是关键的观察期，如果巨头的收入增长未能达到预期曲线，整个循环将受到影响，小企业将更为敏感。

张亚勤将当前AI发展阶段类比为1998、1999年的互联网兴起时期，当时雅虎等公司备受追捧。他重申，长期来看AI产业没有泡沫，但AI公司和估值可能存在泡沫。他强调，短期的资本炒作意义不大，企业应专注于务实，通过结果证明自身价值。

第三部分：让机器人先承担“脏活累活”

张亚勤认为，通用型家庭和服务的机器人可能还需要10年以上才能成熟，但在特定场景下执行具体任务的机器人，如自动驾驶（本质是“开车机器人”）和工业机器人，其技术难点已基本突破，进展将更快。家庭机器人面临更开放复杂的环境，需要与人交互，理解意图并完成动作，这其中仍有科学问题待解决。

他解释了物理世界AI发展缓慢的原因：数字智能得益于过去20多年互联网积累的海量数据和成熟的scaling law；而物理世界数据稀缺，场景分散，且“原子世界”不遵循摩尔定律，机械结构控制也非仅靠算力可解决。

为解决数据缺失问题，他提出几种方式：一是学习人类，收集第一人称视角下的交互数据；二是机器人自主采集数据；三是在仿真环境中生成模拟数据。然而，仿真通过不代表真实世界可行，因此需要RSR（Real-to-Sim-to-Real）闭环，这是一个极具挑战性的方向。

关于VLA（Vision-Language-Action）和世界模型等技术路线，张亚勤认为，目前尚未形成像互联网那样海量的数据积累。VLA路线可借鉴大语言模型方法论，但动作的语言描述可能不够精确。从视觉直接产生动作，以语言为辅是另一种思路。世界模型旨在让机器真正理解世界，但理解方式多样。他认为最终解决方案可能是这两种路线的结合。

他进一步解释，结合两种路线的原因在于机器人面对的环境极其复杂。自动驾驶偏向视觉端到端系统，而许多机器人任务需要通过语言指令，并依赖视觉做出决策，转化为动作信号，这一过程缺乏清晰的scaling law。他提到AIR团队在X-VLA系统上的探索，旨在实现不同机械臂和机器人能力的“归一化”和技能泛化。

在具体应用场景方面，张亚勤建议机器人首先应用于真实生产力场景，承担危险、艰苦的任务，如煤矿和地下管网的巡检。他强调，AI和具身智能应服务于人，而非取代人的工作。

对于当前AI领域不断追求“超级智能”和“通用AI”的趋势，张亚勤认为，虽然可以作为科研目标，但从社会和企业角度，解决具体问题更为重要。他警告，一味追求智能上限，可能导致风险不可控，且AI不一定非要“学人”或“超过人”。他指出，AI在放大能力的同时，也会放大人性中的缺陷，带来安全和伦理风险。

张亚勤特别关注AI的失控、滥用和系统性风险，特别是AI系统日益复杂且机理不明的“黑盒”特性。他提到，具备行动能力的Agent部署到现实中存在自主复制、约束逃逸等隐患，例如Anthropic的Claude Mythos因识别软件漏洞的风险而未公开。他强调，在设计AI产品和技术时，明确其要解决的问题，有助于增强AI的可控性，最终目标应是服务于人类，提升生活质量。

对话张亚勤：AI不是泡沫，但AI公司有泡沫

gg扑克以深度规则解析，助你轻松掌握各种扑克玩法。为核心，带来高效便捷的体验。

赛事分析：

Comments 4

gg扑克围绕热门活动聚合，丰富你的扑克社交体验。不断创新，回应用户的真实需求。

快速链接

我们的服务