• 九游动态
• 用户反馈

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，他认为当前的具身智能和AI投资创业热潮需要“降温”，保持更加冷静的态度。

他创立的清华大学智能产业研究院（AIR）已孵化出十家公司，这些公司累计融资约150亿元，估值高达1500亿元。尽管如此，张亚勤强调AIR的首要任务是科研，公司孵化只是副产品，大多数公司仍处于验证能力的阶段。

作为中国工程院院士，张亚勤曾经历技术革命和资本周期的起伏。他认为当前AI发展阶段类似于1998-1999年的互联网，正处于大规模投资基础设施（电力、算力、算法）的时期。他看好AI产业的长期潜力，认为“AI没有泡沫，但早期AI公司会有泡沫”，并预测未来万亿市值的巨头可能并非当下备受瞩目的公司。

张亚勤指出，“物理AI”在2026年成为热门方向，而他与团队在自动驾驶、具身智能仿真、工业能效AI等领域已有所布局。他反对“趁市场热多融资”的冲动，认为过度融资可能导致业务分散，最终消耗资金却未能转化为业绩。

他曾提出需要开发新的AI算法体系，包括世界模型和Agent，以实现效率的百倍提升。在谈及AI与1998年互联网的相似性时，他解释了物理世界AI数据缺失的问题，以及VLA和世界模型技术路线的结合。他还就教授创业发表了看法。

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就AI相关话题进行了交流。

第一部分：教授创业的机遇与挑战

张亚勤认为，当前AI创业高度依赖技术，教授在其中扮演着重要角色，中国已有教授能够做出世界级创新。他将教授创业分为三种模式：全职投入、以技术转化为主但不过度管理公司、以及在职兼顾公司管理。他认为第三种模式成功的可能性极低。

他表示，第一种模式有成功案例，如高通的创始人，以及AIR教授彭建创立的华深智药。然而，他强调“大部分教授不适合经营公司”，即使全身心投入，教授创业担任CEO的失败率也远高于普通创业者，这在中美都是普遍现象。他解释说，将研究转化为技术、技术转化为产品并实现规模化推广，中间存在巨大的鸿沟，很少有人能同时精通前沿研究和商业化运作。

AIR教授创业多采用第二种模式：教授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的技术优势，并兼顾企业发展需求。

张亚勤提到，全职创业风险极高，可能导致科研和商业两方面都受损。AIR的定位是科研机构，而非孵化器，其主要目标是做科研和培养人才，而非大规模孵化项目。

他认为，培养能够胜任CTO或顶级架构师的人才，关键在于让他们在成长阶段就具备产品和系统思维。AIR通过与字节、阿里、百度、比亚迪等20多家大企业合作，让学生参与前沿研发和规模化验证，以弥补校园研究的不足。

对于寻找合适的CEO，张亚勤表示，虽然理想状态是为每个团队匹配CEO，但这非常困难。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。他表示，AI领域人才相对容易找到，但真正稀缺的是那些在产业中有深厚积累，又能理解AI技术的人。他强调，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，1500亿的估值数字意义不大，企业最终还是要依靠技术实现商业化，并产生收入和利润。

第二部分：AI产业与公司泡沫的辩证

张亚勤认为，创业公司获得高估值应保持高度警惕，因为市场期望越高，需要证明的东西就越多。他常在学院里“泼冷水”，要求创业团队明确要解决的问题、AI的适用性以及产品的付费方。他指出，短期高估值并不代表成功。

他以机器人和大模型赛道为例，预测机器人领域几百家公司最终可能只剩20家，大模型领域国内可能只剩三四家。他回顾了互联网泡沫时期，当时资本市场比现在更狂热，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。他强调创业“九死一生”，必须聚焦。如果过早拿大量资金却目标不明，最终可能烧光钱却无业务成果。他相信，拥有优秀产品、独特技术、强大团队和清晰前景的企业，自然会吸引到投资。

张亚勤指出，当前AI和具身智能领域的火热氛围与上一波互联网创业有相似之处，但也有不同。他解释，与多数互联网公司初期缺乏规模化收入不同，本轮AI头部公司如OpenAI、Anthropic的收入增长速度前所未有，这增强了市场的信心。但他不确定这种高增长能否持续。

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。然而，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指数曲线，整个循环将受到影响，大公司受挫，小企业则会更加脆弱。

在技术周期对照方面，张亚勤将当前AI发展阶段比作1998、1999年的互联网兴起时期，当时雅虎等公司受到追捧。他重申，“AI没有泡沫，但AI公司和估值会有泡沫”，短期的资本炒作缺乏意义。他主张企业应专注自身，愿意承担艰苦工作，用结果证明价值。

第三部分：机器人应用与AI风险

张亚勤预测，通用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，如自动驾驶（本质是“开车机器人”）和工业机器人，进展会更快，技术难点已基本突破，主要剩下工程化和商业化问题。家庭机器人面临的环境极为复杂，需要与人交互，理解意图并完成动作，这涉及到尚未完全解决的科学问题。

他将智能分为数字智能、物理智能和生物智能。数字智能发展迅速，得益于互联网积累的海量数据、Scaling Law以及算法和算力。而物理智能发展较慢，原因包括物理世界数据相对匮乏、场景分散，以及数字世界的“比特”与物理世界的“原子”结合的复杂性。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，他提出几种途径：学习人类第一人称视角交互数据、机器人自主采集数据、以及在仿真环境中生成数据。但他强调，仿真环境的成功不一定能直接迁移到真实世界。他提到AIR周谷越教授在“Real-to-Sim-to-Real”（真实到模拟再到真实）闭环上的研究，认为这是未来突破的关键。

面对物理世界数据缺失，他认为VLA（Vision-Language-Action）和世界模型是当前讨论的热点技术路线。VLA借鉴大语言模型方法论，但动作描述的精确性是挑战。以视觉直接产生动作，语言作为辅助是另一种思路。世界模型则旨在让机器真正理解世界，有多种实现方式，如模拟器。他认为最终可能需要结合这两种路线。

他解释“两种路线的结合”时指出，机器人面对的环境复杂，自动驾驶偏向视觉端到端系统，而很多机器人需要理解语言指令，并依靠视觉决策转化为动作。他提到AIR詹仙园团队的X-VLA系统，尝试对不同机械臂和机器人的能力进行“归一化”，实现技能泛化和跨设备迁移。同时，也有团队通过观看大量视频来理解动作和环境。他认为，在通用性要求不高的特定场景，应优先解决实际问题。

张亚勤建议，机器人应首先应用于能提升真实生产力的场景，承担危险或艰苦的工作，例如在煤矿、地下管网和电网等领域。他强调，AI和具身智能应以“帮助人”为目标，而非取代人的工作。

对于当前AI领域追求“超级智能”和“通用AI”的趋势，他认为作为科研目标可以，但从社会和企业角度，应更关注解决具体问题。他警示，过度追求智能上限，若无明确目标，可能导致风险不可控。他质疑AI是否必须“学人”或“超过人”，并指出AI在放大能力的同时，也可能放大人性中的负面因素，带来安全和伦理风险。

他列举了AI主要的三类风险：失控、滥用和系统性风险（包括社会问题）。他目前更关注失控和滥用。他指出，AI系统复杂性增加，许多机理是黑箱，且具备行动能力的Agent正走向现实部署，存在自主复制和逃逸的风险。他以Anthropic披露的Claude Mythos模型为例，说明其识别软件漏洞的能力可能导致大规模网络攻击。

因此，他强调AI产品和技术在设计之初就应明确其要解决的问题，以增强AI的可控性。他重申，AI的最终目的是帮助人类，提升生活质量。