张亚勤谈AI创业：当下似1998年互联网，AI无泡沫但早期公司有

【访谈背景】

6月盛夏，在清华无锡研究院智能产业创新中心见到了张亚勤院士，他进门就建议降低室内温度。访谈中，他认为当下具身智能、AI投资创业热潮应降降温，要更冷静、不急躁。

【AIR发展成果】

五年前，张亚勤创建了清华大学智能产业研究院（以下简称AIR），聚集多位有AI产业经验的知名教授。如今AIR第一届博士生已毕业，孵化、走出十家公司，累计“融资约150亿元，估值1500亿元” ，华深智药、它石智航等独角兽在资本市场受追捧。但张亚勤表示，AIR首要任务是科研，孵化公司是副产品，多数公司处于“证明能力”阶段。

【AI阶段类比】

张亚勤经历过技术革命和资本周期潮起潮落，他认为当下AI所处阶段像1998 - 1999年的互联网，正在大规模投资基建（电力 + 算力 + 算法）。长期看AI产业潜力大，“AI没有泡沫，但早期AI公司会有泡沫”，未来万亿市值巨头可能不是眼前明星公司。

【物理AI布局与观点】

2026年，“物理AI”成技术开发和资本押注热门方向，过去五年张亚勤团队在自动驾驶、具身智能仿真、工业能效AI等已布局多家公司。他直言拿太多钱业务不聚焦，可能钱烧完没转化成业绩。

【AI发展观点预判】

近几年张亚勤每年给出AI发展观点预判，2024年6月他提出开发新AI算法体系，包括世界模型、Agent等以实现百倍效率提升。还提出问题：从时间维度，为何说当下AI像1998年的互联网？面向物理世界的AI数据缺失，VLA、世界模型技术路线如何结合？如何看待教授创业？

【太湖对话】

自2024年起，每年6月，AIR在无锡举办“太湖对话”，今年已是第三届。以下是论坛前夕张亚勤与暗涌Waves的对话（经编辑）。

【Part 1 教授重站创业C位，但多数不适合做CEO】

暗涌问张亚勤如何看待“教授创业”，他认为这轮AI创业强技术驱动，教授技术能力和理念重要，中国有高水平教授能做出世界级主流创新。科学家创业有三种方式：一是教授从院所离职All in创业；二是教授以学术为主，将研究与技术转化成企业但不直接管理，公司市场化运作；三是教授仍在学校就职，同时管理多家公司，第三种基本做不成。

暗涌问第一、二种方式是否较好，投资人是否更偏好全职创业教授。张亚勤称第一种有成功案例，如高通由两位MIT教授创建，AIR彭建教授全职创立华深智药表现好。但大部分教授不适合run company，做CEO创业失败几率高于普通创业者，中美都如此。因为研究到技术、技术到产品、产品规模化铺开有很多鸿沟，很少有人既懂前沿研究又懂市场和商业化。

AIR教授创业大部分是第二种，科学家以技术入股孵化企业，企业找懂商业和工程的CEO按市场化运作，能发挥教授优势，兼顾企业发展特点。

暗涌提到全职创业成功收益大，张亚勤指出全职创业风险大，可能商业和科研都丢了。来AIR的教授多数想做科研，希望成果产业化，最好有团队帮忙。AIR定位是科研机构，非孵化器，一年只有一两个公司出来。

暗涌问AIR培养CTO、顶级架构师的核心，张亚勤表示核心是成长阶段有产品和系统思维。只在校园没真实场景和数据，博士生能做算法、写论文，但关键是验证能否在真实系统跑起来。这也是AIR成立初衷，它与字节、阿里、百度、比亚迪等20多家大企业合作，通过联合实验室等做科研项目，很多学生到大厂实习，参与前沿研发系统做规模化验证。

暗涌问张亚勤是否帮孵化公司找CEO及青睐的CEO画像，他称创业第一步技术孵化阶段教授可兼顾公司管理，最难是下一步找CEO搭建工程团队和商业模式，现在多数企业从第一步走向第二步，处于“证明自己”阶段。理想是为每个团队配合适CEO，但做不到。CEO不一定是职业经理人，可能是连续创业者、科研团队里的年轻人。现在AI人才易找，难的是找到产业扎根深、既有产业经验又理解一部分AI技术的人。核心是这个人要有强信念感，创业会遇困难，没信念感几乎做不成。他还强调不能把创业想得太简单，估值数字没太大意义，企业最终要靠技术实现商业化，有收入、利润，形成竞争力。

【Part 02 AI不是泡沫，但AI公司有泡沫】

暗涌问创业公司拿到高估值是否应格外冷静，张亚勤认为这是风险，市场期望高，需证明的就多，这个阶段要清醒。在学院他会给大家泼冷水，成立公司前会问很多问题，如到底要解决什么问题、AI能解决什么、谁来为产品买单。短期高估值不能说明成功。比如当前机器人赛道几百家公司，三四年后可能只剩20家；大模型赛道最终国内可能只剩三四家。他们经历过互联网泡沫，当时资本市场更狂热，很多明星公司迅速消失。

暗涌问这种冷静与“趁着市场好，多融资”的逻辑是否冲突，张亚勤表示创业需要钱，但钱不是最重要因素。做startup本来就九死一生，一定要聚焦。没想清楚就拿很多钱，什么都干，更多情况是钱烧完没转化成业务结果。当企业有好产品、独特技术、强团队和清晰前景，一定会有人愿意投。

暗涌提到人人说AI、具身行业有泡沫却都往里冲，氛围像上一波互联网创业又不同。张亚勤指出不同在于多数互联网公司一开始无规模化收入，而这次AI头部公司收入增长快，如OpenAI、Anthropic收入增速史无前例，所以市场对AI更有信心。但这种高增长能否持续不确定。目前全球几家科技巨头在数据中心、芯片等方面投入高，基于对未来高预期，这些投入能否转化成订单、收入还需证明。未来2 - 3年是关键观察期，如果巨头收入不能按预期指数曲线走，循环会受影响，大公司受影响，小企业更敏感。

暗涌问以互联网技术周期对照，现在AI大概处在什么阶段，张亚勤认为可能相当于1998、1999年，互联网兴起，雅虎被追捧阶段。互联网不是泡沫，但早期很多企业有泡沫，长期看AI产业无泡沫，但AI公司和估值会有泡沫，短期资本炒作没意义，做企业要专注，用结果证明价值。

【Part 03 让机器人先干脏活、苦活】

暗涌问机器人没迎来chatGPT时刻，通用机器人可能还得10 - 15年，中间“卡点”关键有哪些，张亚勤称通用家庭、服务机器人还需很久，可能10年以上，但特定场景做具体工作的机器人很快可实现，如无人驾驶技术难点基本突破，工业机器人进程更快。家庭机器人面对环境开放、复杂，要和人交互，还有科学问题没解决，理论和算法未突破。

暗涌问为什么物理世界AI会慢很多，张亚勤十年前就把智能分成数字智能、物理智能和生物智能。数字智能发展快是因为互联网积累海量数据，有scaling law，加上算法和算力，模型通用能力变强。但物理世界没那么多数据，场景分散，数字世界比特要和物理世界原子结合，原子世界不遵从摩尔定律，机械结构控制不是靠堆算力能解决，所以物理智能进展慢。没有足够数据的解决方式有：学人收集数据、机器人自己采集数据、在仿真环境模拟场景生成模拟数据。但在模拟器跑通，到真实世界不一定work，所以在做RSR（Real - to - Sim - to - Real），形成闭环，AIR周谷越教授在特定场景很快会有突破。

暗涌问面对物理世界数据缺失挑战，目前有哪些可行技术路线，张亚勤表示现在有方法，但没像互联网那样收集海量数据。一种是把大语言模型方法论拓展到VLA模型（Vision - Language - Action），好处是主线是语言，能用现有方法论，但动作难用语言精确描述；另一种思路是从视觉直接产生动作，把语言作为辅助。还有世界模型，构想是让机器理解世界，可能最终是这两种路线结合。

暗涌问怎么理解“两种路线的结合”，张亚勤认为做VLA、世界模型没有绝对对错，结合是因为机器人面对环境复杂。比如自动驾驶以视觉为主、端到端系统，不需要很多语言，但机器人很多时候要理解语言，做事靠视觉形成决策再转化为电机动作信号，目前没有清晰scaling law可用。在语言模型中token是有结构有含义的字，图片最小物理单元是像素，像素本身无物理含义，动作同理。AIR老师做了很多探索，詹仙园团队研发的X - VLA系统尝试把不同机械臂、机器人能力“归一化”，实现部分技能可泛化、可跨设备迁移，也有团队让模型观看大量流视频理解动作和环境。在科研问题没突破时，要继续做通用性研究，也要在特定场景解决真问题。

暗涌问现在机器人可以率先用在哪些场景，张亚勤认为要先在真实生产力场景使用，先做人不愿意做的事，如在极危险、艰苦地方作业，他们和煤科院合作开发煤矿场景无人车、机器人，和首创合作开发地下管网巡检机器人、电网机器人等。这类场景目前还需人机协作，他强调AI和具身智能要帮助人，而不是抢人的工作。

暗涌提到当下AI领域追求“超级智能”“通用AI”，问张亚勤是否认为这是最重要的事，他表示作为科研目标可以，但从社会和企业角度，还是要解决具体问题。有些美国企业钻牛角尖，一味追求智能上限，没明确目标，“学人、要比人更厉害”风险不可控。而且AI不一定要“学人”“超过人”，人有好坏，AI放大能力同时会放大人性中坏的部分，有安全和伦理风险。

暗涌问张亚勤会格外关注AI可能存在的哪些风险，他指出AI主要有失控、滥用和系统性风险，系统性风险包括失业等社会问题，目前他更关注失控和滥用。AI系统复杂，很多机理是黑盒，具备行动能力的agent从实验室走向现实部署，存在自主复制、约束逃逸等隐患。2026年4月，Anthropic披露模型Claude Mythos但未向公众开放，因为Mythos能自主识别软件漏洞，有形成大面积网络攻击的风险。所以设计AI产品、技术时，要明确解决什么问题，让AI可控性更强，AI终究是要帮助人，让人活得更好。