徐新：具身智能、AI 与风险投资的 51 条方法论

趁着泡沫，多融钱。

本周，徐新做客《高能量》播客：《Vol.227 具身新贵与投资女王：创新、热潮、泡沫和周期 》[1]，在这期播客中，徐新输出了大量与具身、AI、投资相关的观点，这是近年来徐新少见的一次高密度公共表达。

需要说明的是，这更像是一位一线投资人的方法论自述——最值得读的是她研究赛道、判断人、配置资本的思维框架；至于其中涉及具体公司的领先性判断，例如谁更早押注某条技术路线、谁在整机与供应链上更强、谁的数据规模更大或技术更领先，主要来自徐新与另一位嘉宾高继扬（星海图创始人兼 CEO）的个人视角，行业里未必有共识，建议大家当作"一家之言"来看。

我们将整期内容中徐新的发言整理为 51 条观点，并分为 7 个类别，与大家分享。

一、如何研究一个陌生赛道

1. 不要只见树木不见森林

进入新行业最大的错误，是只看少数明星公司。要理解「森林」，就要尽可能把每一棵「树」都看一遍。今日资本在投资具身智能前，集中见了赛道内的大量团队，再做横向比较。  

2. 早期投资首先是选人

当行业存量很小、未来增量很大，商业数据还不足以判断时，核心是选择正确的创始人组合。她特别看重「最强大脑」与工程量产能力的结合：既能训练基础模型，也做过硬件、供应链和批量生产。  

3. 三种学习机制

她总结的赛道学习方法包括：

•向 Founder 学习：每两三个月深聊一次，重点问「最近学到了什么」「看到了什么别人没看到的东西」「当前最大的成长痛苦是什么」。

•Winner Pattern Study：研究历史赢家、领先实验室、创始人演讲、播客、财报会议记录和技术路线，尽早找到赢家模式。

•消费者/客户洞察：直接访谈用户、开发者和企业客户，理解真实使用场景、付费意愿和定价边界。

4. 信息输入质量决定认知上限

她会跟踪少数最优秀的大模型创始人、具身智能创始人和顶尖学者；长播客先看翻译、摘要和 takeaways，需要时再回到全文。重点不是信息量最大，而是持续听「最优秀的人」。  

5. 用固定时间思考长期问题

她相信「固定时间做固定的事」：每天冥想后复盘前一天的学习；每月设定一个 major question，允许它在清单中停留数月，反复深思，而不是要求立即回答。  

二、如何判断创始人与团队

6. 杀手直觉：看到别人看不到的东西

优秀创始人的第一项共性是 killer instinct / Tech Vision：能够比别人看得更深或更远，并敢于对路线作出排他性的下注。刘强东提前建设配送、杨植麟较早押注长上下文和 Agent，都是她举出的例子。  

7. 学习速度与执行速度必须同时高

只有学习快而执行慢不够；真正优秀的创始人会快速更新行业认知和自我认知，并马上转化为产品与组织动作。她对高继扬的判断集中在：学习快、执行力强、敢做复杂决策。  

8. 志存高远与长期耐心

她看重的不只是赚钱动机，而是创始人是否想把公司做强、做大、做久。伟大公司需要十年尺度的耐心，短期淘金者很难吸引同样优秀的长期伙伴。  

9. 判断使命感要看「知行合一」

识别创业者是淘金还是有使命感，可以看他说的、相信的和做的是否一致；还要看他吸引到怎样的联合创始人。优秀 co-founder 愿意押上未来十年，比投资人更了解主创，也构成对 Founder 的强验证。  

10. 顶尖科学家会形成强人才引力

AI 创业的稀缺资源不是普通 PhD，而是同时追求真理、愿意创业、拥有 Tech Vision 的科学家。最优秀的学生往往跟随技术上最强、最可能成功的人，而不只是比较股份和薪资。  

11. 学历不是终点，「科学家地位」才是人才飞轮

她认为关键不只是本科、硕士还是博士，而是创始人是否拥有足以吸引顶尖研究者跟随的 scientific status。最核心的研究团队可能只需要二三十个极聪明的人，前提是能把他们吸引、留住并稳定下来。  

12. 懂得越深，越敢只押一个方向

真正理解技术的 Founder 能听见前线炮火，知道应该押哪条路线；理解不够深的人往往「既要又要」，把有限的人、钱和时间分散到多个方向。她用 Anthropic、Kimi、DeepSeek 的聚焦作正面参照。  

三、对具身智能的核心判断

13. 具身智能比自动驾驶、大模型和传统机器人更难

它同时要求基础模型、硬件本体、供应链、数据采集、量产和真实场景交付。单项能力强不够，复杂度来自整条链路。  

14. 必须「大脑 + 本体」一体化

只做本体没有持续变聪明的能力；只做大脑又拿不到真实世界数据。她认可星海图「智能定义本体、整机加智能」的路线，认为一体化虽最难，却可能是最好的长期结构。  

15. 先做硬件，再训练大脑，是合理顺序

没有自有本体，大脑就缺少稳定的数据回传和迭代载体；过早烧钱训练模型，可能因为没有足够真实数据而低效。  

16. 物理世界数据是关键瓶颈

语言模型可利用互联网存量数据，机器人交互数据必须主动采集。具身智能能否从约百万小时向千万小时数据扩张，是她反复追问的关键变量；但她明确承认所需数据量和时间表仍不确定。  

17. 「大脑越用越值钱，硬件越造越便宜」

硬件要持续降成本、降低使用门槛；模型则通过数据和使用不断学习、提高价值。因此做大脑与本体不是简单叠加，而是两条价值曲线的结合。  

18. 当前仍处在极早期阶段

她估计具身智能技术渗透率仍约在 2%–3% 的创新者阶段，尚未完整跨越鸿沟。她推测数据与硬件迭代可能在未来两三年取得关键进展，但反复强调时间表不确定。  

19. 商业化应先从 To B 的脏活、苦活、累活切入

传统机器人已经在搬运、仓储、物流、光伏施工等场景证明需求。通用具身智能成本更高，但可执行更复杂、更柔性的任务；近期买单者仍应是企业，而不是以家庭陪伴为主的 To C 市场。  

20. 跨越鸿沟后要 Get Big Fast

颠覆性技术一旦跨越鸿沟，可能出现连续三至五年的高速增长。

若企业属于操作系统或基础设施，并在暴涨期最快扩大规模，获得的市场份额可能具有很强的持续性。  

21. 一体化的操作系统价值可能高于纯基础设施

她给出的历史分层对照是：PC 时代，Windows（Microsoft）是操作系统，Intel 是基础设施；移动互联网时代，iOS（Apple）和 Android（Google）是操作系统，Qualcomm 是基础设施。她据此概括，成熟格局中操作系统层公司的市值可能达到基础设施公司的三至五倍。这里的「三至五倍」是她在节目中的经验性归纳，并非对各家公司独立业务市值的严格拆分比较。

模型与 Agent 结合后形成生态，价值上限高于单纯算力基础设施；具身公司若同时掌握 device 与 operating system，潜力更大。  

22. 具身智能终局可能高度集中

VLA 模型的年度投入可能达到数亿美元乃至约十亿美元量级，再叠加真实数据和顶尖人才，能长期留在牌桌上的公司不会很多。究竟是三五家还是更多，她没有给出确定答案。  

四、对 AI 商业模式与竞争格局的判断

23. 大模型是一门「好生意」

她判断大模型具备明显的规模效应：固定训练投入巨大、顶尖人才稀缺、进入门槛高，竞争最终可能收敛到三五家。随着定价上升、Token 成本下降以及 Agent 带来百倍甚至更高的消费量，模型毛利和盈利前景可以成立。  

24. 领先模型可能在 Post-training 形成网络效应

Pre-training 未必具备传统互联网式网络效应，但在 Coding 和强化学习阶段，最优秀工程师用最难问题训练模型，模型变强后吸引更多高价值用户，可能产生正向循环。  

25. AI 应用必须做到十倍好

这一轮 AI 没有更换手机等终端，流量仍掌握在大厂手里。创业公司既要支付 Token 成本又要获客，若产品不是显著优于替代方案，单位经济很难成立。  

26. 没有历史包袱的创业公司更容易跑得快

巨浪来临时，聚焦单一方向的创业公司往往比业务复杂的大厂更敏捷。她以 Anthropic 对比 Google，认为前者轻装、聚焦；但 Google 通过 Founder 回归、统一技术指挥权和集中资源，也能恢复竞争力。  

27. AI 是「科学家赚钱的时代」

这一波成功概率较高的创业者往往拥有强科学背景。与消费互联网的产品经理红利相比，AI 的门槛更依赖前沿科学判断与顶尖研究人才。  

28. Token Economy 是新增经济增长动力

传统消费和成熟行业可能只能取得较低增长，而模型、Agent 与 Token 消费仍可能保持数倍增长。她据此认为，VC 资金应优先流向 Token 生产与消费链条。  

29. 这轮 AI 浪潮比互联网更大

她认为判断颠覆性最直接的指标是增长速度：互联网和移动互联网常见年增三至五倍，而 AI 产品可能年增十倍。AI 不只是连接或工具，还会直接替代部分人的劳动，因而天花板更高。  

30. 中国可能在具身智能上取得领先

她认为中国拥有三项叠加红利：

•懂软硬件结合的创始人红利；

•工程师与供应链红利；

•政府在基础设施、数据组织和产业执行上的红利。

大语言模型仍以追赶为主，但具身智能可能具备领先窗口。  

五、风险投资与资本配置方法

31. VC 投变化，价值投资投不变

她认为巴菲特寻找长期不变的事物，而 VC 的对象是变化；两者虽不同，但「专注」和「长期持有」仍是共同原则。  

32. 投技术像冲浪，不像登山

传统行业投资像登山，机会一直在那里；技术投资像冲浪，大浪错过就只能等下一浪。正确做法是先用可承受损失的小支票进入，看到苗头后迅速加仓。  

33. Home Run 的强度比频次重要

一只基金能投中的伟大公司数量大致固定，约三到五家。增加项目数和团队规模不会提高命中率，反而稀释注意力。真正可控的是持股比例与持有时间。  

34. Double Down、Triple Down，并持有八到十年

确认赢家后要多轮加仓，并给时间复利。她以 Kimi 三年五次加仓、星海图持续跟投为例，认为八至十年才称得上足够长。  

35. 基金规模过大可能损害回报

伟大公司数量有限。基金规模扩大后，要实现五至八倍回报会明显更难；她认为大约 6 亿至 10 亿美元仍相对可管理，再大则容易被迫分散投资。  

36. 最大遗憾来自认知不足，而不是估值太高

她早期因为约 70 亿美元估值放弃字节跳动，后来研究 Facebook 信息流和推荐引擎才看懂其模式。教训是「赚不到认知之外的钱」，因此 Winner Pattern Study 必须更早开始。  

37. 重仓美团来自对人性的判断

今日资本曾在一个基金中把约 55% 的资金投向美团。她用铃木敏文的便利店案例理解补贴：便利服务被重复使用后会形成习惯，用户不会轻易回到更麻烦的旧方式，底层是「人的天性懒惰」。  

38. 亏损不可怕，现金流断裂才可怕

京东融资时需要 200 万美元，她给了 1,000 万美元，使其有能力扩品类、建配送并进入约 30 个城市。公司随后连续高速增长，虽然持续亏损，但通过供应链账期维持现金流。她的原则是：只要现金流稳健且能看见盈利希望，亏钱换增长可以接受。

39. 看增量份额，不只看存量规模

在高速扩张市场中，「最领先」不是当前收入最高，而是谁拿到最大增量市场份额并保持速度。Get Big Fast 的本质，是在窗口期占住增量大头。  

40. 泡沫本身不可怕

互联网泡沫破裂后，提前融资的网易、新浪、搜狐存活下来，并获得约三年的竞争真空。泡沫破裂会清洗缺钱的玩家，好公司反而可能获得更好的并购与加仓机会。  

41. Raise Money When You Can

资本情绪在贪婪与恐惧之间切换。贪婪时再贵也有人投，恐惧时再好也难融资。今天的市场还是一个贪婪的市场，因此创始人应在现在市场愿意给钱时尽量储备资金，而不是等需要钱时再融。  

42. 节奏比单纯激进更重要

早期具身公司跑太快，可能在收入尚未出现前烧死；跑太慢，又会失去融资、人才和头部位置。正确节奏是在「活到春天」与「保持领先」之间动态平衡。  

六、组织、人才与 Founder Mode

43. AI 原生组织应该更小、更轻

她预计 AI 公司不再需要消费互联网时代的几十万大军；少数最强人才直接调用 Agent，二三十人的团队可能创造十亿元人民币收入。中层管理会大幅减少。  

44. 招聘标准变成「人 + Agent 是否强于 Agent」

她转述一位创始人的招聘公式：普通高薪员工如果与 Agent 组合后仍没有明显增益，就不值得招聘；应招聘能指挥 Agent 的极强人才，即使个人薪酬更高。  

45. Founder 应把大部分时间放在不可替代的事情上

供应链、HR、报销和运营都应尽快建立制度并授权。Founder 不可替代的是技术方向、Vision、资源调动与吸引顶尖人才。她建议技术创始人把超过一半、甚至约 80% 的精力用于论文、前沿研究者交流和战略判断。  

46. 不聚焦是大忌

融到大钱后最常见的错误是高估自己、同时展开过多项目。模型方向押错会同时浪费时间、资金和人才，并让对手形成领先。她认为技术时代不能容忍频繁的重大战略错误。  

47. Founder IP 的作用是吸引人才，不是追流量

创始人需要让人才知道其愿景、信念和技术迭代，但不应把大量时间消耗在社交媒体流量上。高质量产品发布会和周期性公开表达已经足够。  

48. 勤俭节约是长期经营能力

她将节俭视为科技公司的好品德，并举美团、京东等例子。资本密集行业更需要避免组织膨胀和低效支出。  

七、AI 的社会影响

49. AI 可能扩大贫富差距

强者能利用 AI 进一步增强能力，不懂 AI 的人可能面临更大压力。从当下到理想化 AGI 社会之间，会经历就业、数据安全与再创业等转型阵痛。  

50. 转型期需要价值与制度引导

她认为社会需要帮助受影响的人二次创业或找到新的工作与兴趣，并从哲学、价值观和公共政策层面讨论过渡期，而不能只关注技术进步。  

51. 不必假设人类将无事可做

AIGC 已经带来音乐、视频、小说、短剧等新工作与新公司。Token 生产之外也会出现庞大的 Token 消费产业，因此她并不担心人类完全没有事情可做。  

参考资料

[1]《高能量》播客：《Vol.227 具身新贵与投资女王：创新、热潮、泡沫和周期 》：https://www.xiaoyuzhoufm.com/episode/6a626f5fa3fec224d5a26510

文章来自于"十字路口Crossing"，作者 "Koji"。