北京
把 “不可能” 變成 “可能”，把可能變成價值。
晚點專欄作者丨奇績創壇
*本文來自陸奇在奇績創業公開課《Researcher Founder 研究型創業者：從 -1 到 1》中，作者奇績創壇，《晚點 LatePost》做了部分刪減。陸奇最近一次講述該課是在 5 月底于清華大學。
今天，研究和創新之間的距離正在被快速壓縮。
過去，-1 到 0 更多發生在大學、科研機構和實驗室；0 到 1 更多發生在企業和創業公司。但在 AI、數據、算力和模型系統的推動下，研究正在更直接地進入生產過程，前沿創業也越來越從一個科學問題、技術路徑或研究方向開始。
這背后，是生產力關鍵要素的變化。
從生產力的結構來看，一個時代的變化，往往不只是某個工具變了，而是生產者、生產過程、生產工具和生產對象同時發生變化。
- 過去，重要的生產者是開發人員、市場人員和運營人員；今天，越來越重要的生產者是研究人員。
- 過去，主要的生產過程是開發、運營和商業化；今天，研究過程本身正在成為生產過程。
- 過去，核心生產工具是機器、設備和軟件系統；今天，算力正在成為最核心的生產工具之一。
- 過去，生產對象是原材料、商品、信息和流程；今天，數據既是投入，也是產出，正在成為新的生產對象。
因此，這一輪變化的本質，不只是 AI 作為一個新工具出現了，而是生產力的結構正在被重組。研究人員、研究過程、算力和數據，共同構成了新的生產力系統。
這也意味著，一個新的角色正在走到時代前臺：研究型創業者，Researcher Founder。
Researcher Founder 不是只做論文的研究者，也不是只把成熟技術商業化的創業者。他們要做的是把 “不可能” 推進到 “可能”，再把 “可能” 變成真實價值。
本課將圍繞四個問題展開：
- 為什么今天是 Researcher Founder 的時代？
- Researcher Founder 需要怎樣的新思維？
- 從 -1 到 1 的實踐路徑是什么？
- 新時代的創業機會在哪里？
新時代、新格局、新范式：從 -1 到 1
1. 時代格局
每一個時代，都會重新定義什么是最重要的人才。
農業時代，核心生產力來自土地、經驗和人力。工業時代，核心生產力來自機器、能源、制造系統和工人。信息時代，核心生產力來自軟件、互聯網和數據。而今天，隨著 AI、算力、數據和模型系統進入更深的生產過程，一個新的時代正在形成。
這個時代最重要的一類人才，正在從 “開發型創業者” 擴展為 “Researcher Founder”。
過去很多年里，創業更多是開發者創業。一個團隊看到明確需求，用軟件和工程能力做出產品，再通過市場、運營和銷售把價值放大。這樣的創業仍然重要，但它已經不能解釋今天最前沿的一批公司。
今天越來越多重要公司，不是從一個成熟產品切口開始，而是從一個前沿問題、一條技術路徑、一個還沒有被完全驗證的研究方向開始。它們要做的，不只是把已有技術產品化，而是把過去 “不可能” 的事，先推進到 “可能”，再把 “可能” 變成真實價值。
這就是從 -1 到 1。
所謂 -1，是不可能，或者還不可行。它可能是一個科學問題，也可能是一條技術路徑，還沒有被證明可以實現。所謂 0，是可能。某個關鍵能力出現了，某個原理被驗證了，某條路徑開始成立。所謂 1，則是價值開始產生：有產品，有用戶，有市場，有產業影響。
過去，-1 到 0 更多由科研機構、大學實驗室完成；0 到 1 更多由企業、創業公司完成。研究負責證明可能性，企業負責把可能性變成價值。兩者之間距離很遠，評價體系不同，組織方式不同，激勵機制也不同。
但今天，這個距離正在被壓縮。研究不再只是生產力的上游準備階段，而是正在直接進入生產過程。研究本身開始成為生產力的一部分。
這也是為什么 Researcher Founder 會成為新時代的主角。他們既要有科學家對未知問題的好奇心、判斷力和研究能力，也要有企業家面對真實需求、組織資源、承擔風險、創造價值的能力。
這個時代需要的，是有企業家精神的科學家，也是有科學家內涵的企業家。
更進一步說，今天的 Researcher Founder 不僅要創造價值，也要理解技術最終會走向普惠。AI 這樣的技術，其邊際成本會不斷下降，最終會深入千行百業，成為社會基礎能力。因此，Researcher Founder 不僅要有格局、抱負、膽識和能力，也需要有社會責任和擔當。
2. 新興巨頭和 NeoLab 成批涌現
新興巨頭：美國
過去幾年，美國已經出現了一批最典型的新興巨頭。OpenAI、Anthropic、SpaceX 代表了這一輪研究型創業公司的早期樣本。
這些公司的增長速度令人矚目。Anthropic 今年的收入相比去年已經是 80 倍的增長（注：數據源于 VentureBeat 對 5 月初的 Code with Claude 大會的報道，由 Anthropic CEO 在采訪中自己披露）。從目前的發展趨勢看，它很快會超過 OpenAI，今年總估值超過 1 萬億美元是大概率的事情。OpenAI 過去 3 年多的成長速度，SpaceX 即將成為人類歷史上最大的 IPO，這些公司都是研究型驅動的，它們的創始人都是 Researcher Founder。
這些公司并不是傳統意義上的產品公司。它們不是先找到一個成熟市場，再做一個更好的工具，而是從一個非常底層、非常長期、也高度不確定的問題出發。
OpenAI 要推進通用人工智能，Anthropic 要探索更安全、更可靠的大模型和智能系統，SpaceX 則從商業航天這個過去幾乎由國家工程和大型承包商主導的領域切入。它們共同說明了一件事：過去只有大學、國家實驗室、大型科研機構和巨頭公司才能承擔的任務，現在正在被一批研究驅動型創業公司承擔。
這些公司的特點，不只是融資規模大、估值增長快、商業化速度快。更重要的是，它們的核心能力來自研究判斷、工程系統、組織能力和長期目標之間的高度統一。
以 OpenAI 為例，它不是先有一個成熟產品，再配置一個研究部門，而是研究、工程、產品和商業化在同一套組織里快速交織。以 Anthropic 為例，它把前沿模型能力、安全對齊和產品化結合在一起，形成了非常快的收入增長。SpaceX 則證明，哪怕是在航天這種極重、極難、極長周期的領域，創業公司也可以通過新的組織方式和資源配置，改變原有產業結構。
這背后真正值得關注的，不是某一家公司的成功，而是一種新的組織范式已經出現：研究型公司可以直接站在時代前沿，承擔最難的問題，并在很短時間里形成極大的產業影響。
這種趨勢說明，未來最重要的公司，可能不再只是 “更會做產品的公司”，而是 “更會組織研究、工程、資本和市場的公司”。
未來巨頭：NeoLab
如果說 OpenAI、Anthropic、SpaceX 已經是被市場看見的新興巨頭，那么過去幾年不斷出現的 NeoLab，則代表了下一批未來巨頭的雛形。
NeoLab，直譯為 “新實驗室”。它不是傳統大學實驗室，也不是傳統大廠研究院，更不是普通創業公司，而是一種新的前沿創新組織。
它們像實驗室，因為它從科學問題、技術范式和能力突破出發；它們也像公司，因為它必須面對產品、市場、融資、組織和商業化。它們真正探索的，是如何把前沿研究、工程實現、資本支持和真實需求放進同一個組織里。
過去幾年，NeoLab 的數量增長非常快，越來越多公司圍繞大模型、超級智能、物理 AI、AI for Science、世界模型、具身智能等方向成立。
它們的共同特征是：團隊早期規模不一定大，但人才密度極高；融資和估值起點很高；組織從第一天起就高度研究驅動；目標不是做一個短期產品，而是尋找一個足夠大的技術范式。
幾家值得關注的海外 NeoLab：
從 2020 年開始，去年（2025 年）有 18 家 NeoLab 成立，今年前 5 個月已經有 9 家。
- Thinking Machines Lab，由 OpenAI 的前 CTO 米拉·穆拉蒂（Mira Murati）創立。這家公司成立約一年半，當下估值是 500 億美元。
- Project Prometheus，是杰夫·貝索斯（Jeff Bezos）和前 Google X 科學家維克·巴賈吉共同創立的公司，主要方向是物理 AI。
- Ineffable Intelligence，正式成立是去年 11 月，目前 8 個月不到。這家公司的創始人是大衛·西爾弗（David Silver），是 AlphaGo 的核心作者。他的種子輪融資 10 億美元，第一輪估值 40 億美元。
這類公司通常不是先問 “市場上現在缺什么產品”，而是先問：“未來哪一類能力會成為基礎設施？哪一條技術路徑可能打開巨大空間？什么樣的研究突破，一旦發生，就會改變整個產業結構？”
因此，NeoLab 的路徑往往是：先找到技術范式，再聚集頂級認知，形成研究密度，等待關鍵能力突破，最后再進入產品化、平臺化和商業化。
這條路的不確定性很高，但一旦成立，空間也極大。
從這個角度看，NeoLab 不是 “實驗室公司化” 這么簡單。它的本質，是從 -1 到 1 的組織化。它承擔的不是單點科研成果轉化，而是一個新技術范式從不確定走向可用、從可用走向價值、從價值走向產業基礎設施的完整過程。
它們的出現，意味著研究型創業正在從個別現象變成時代趨勢。
新興巨頭：中國
過去幾年，中國也出現了一批高度研究驅動的新公司。智譜 AI、DeepSeek、月之暗面、無問芯穹、MiniMax、寒武紀等，分別處在大模型、AI Infra（AI 基礎設施）、芯片、算力基礎設施等不同方向。它們共同說明，中國的新一代科技公司正從應用創新走向更深層的研究驅動創新。這不只是單個團隊的努力，而是中國科技創新結構正在變化。
智譜 6 歲，月之暗面 3 歲，無問芯穹 3 歲，DeepSeek 3 歲，MiniMax 4 歲，寒武紀 10 歲，還有即將上市的長鑫存儲，它們都是研究驅動的公司，公司的創始人都是 Researcher Founder。
一方面，中國有極大的產業縱深。制造業、消費、醫療、教育、物流、能源、交通、金融、企業服務等領域，都有大量真實場景和復雜需求。另一方面，中國擁有越來越多接受過系統訓練的技術人才和研究人才，他們不再只把大廠或高校作為唯一選擇，而開始進入創業公司，嘗試把前沿技術推向真實世界。
更重要的是，國家戰略也為前沿技術創業提供了長期方向。AI+、科技強國、2035 年遠景目標等，都意味著中國未來會持續投入和支持前沿科技創新。
因此，中國一定會出現自己的 NeoLab。
問題不是這個趨勢會不會發生，而是它會從哪里長出來，由誰來創辦，誰能更早識別這些方向，誰能在早期支持這些 Researcher Founder。
中國 NeoLab：透過奇績的窗口
從奇績創壇過去幾年的投資和加速實踐中，已經可以看到一批中國 NeoLab 的早期樣本。
奇績投資的一些 researcher founder 創立的 NeoLab。
例如基流科技。它從 AI Infra 的關鍵能力切入，圍繞大規模集群、高速網絡和底層基礎設施，為大模型時代的算力系統提供支撐。
基流科技是清華的團隊，今年大概率會港股上市，有可能是中國大模型 Infra 第一股。
我今天還記得胡效赫同學來申請奇績創壇。那個時候他在中國融了一圈，能看懂的人不多。面試時，我說：“哦，你是做 RDMA，做 RoCE 的呀，那當然投啊。”（注：RDMA，Remote Direct Memory Access，即 “遠程直接內存訪問”，一種繞開 CPU，讓服務器之間直接讀寫內存的技術，解決傳輸瓶頸，被數據中心廣泛使用。而 RoCE 是 RDMA over Converged Ethernet，即 “以太網承載的 RDMA”，早期的 RDMA 需要專用硬件和協議，兼容性差；RoCE 則可以用普通網線和交換機直接跑 RDMA。）
講點兒小背景，RDMA 是在微軟時，我的組織推進的。因為那時候是 CPU core-to-core（不同 CPU 核心之間的高速通信，用于聚合多機 CPU 算力），我們的搜索引擎想聚合更多算力，需要連接更多 CPU，當然現在的技術是用來連接 GPU 的。
我想說，由于我們的背景和導向，奇績很愿意扶持年輕人，尤其是支持他們做極早期技術探索。那時候你講 RDMA、RoCE，全中國可能沒一家投資機構說 “這個我要投”。但在我們眼里，真的毫無疑問，這肯定要投。
這樣的方向早期并不容易被市場理解。因為它不是一個面向 C 端用戶的產品，也不是一個可以用簡單商業模式解釋的應用。但在大模型時代到來后，算力集群、網絡通信和基礎設施能力成為核心問題，這類公司的價值就會被重新看見。
極佳科技、光輪智能、帕西尼、本末科技、極殼科技等，也體現了相似特點。它們分別進入了世界模型、具身數據、觸覺傳感、機器人核心部件、消費級外骨骼等前沿方向。它們早期面對的不是成熟市場里的同質化競爭，而是要解決新技術棧、新產業鏈、新能力體系剛剛形成時的關鍵問題。
這類公司最重要的，不只是它們做了什么產品，而是它們站在什么技術范式上，解決什么關鍵問題，以及未來有沒有可能成為某個新產業基礎設施的一部分。
這也是研究型創業早期最難判斷的地方。很多真正重要的公司，在早期并不容易被傳統商業語言解釋。它們沒有一個足夠成熟的市場，也很難用短期收入證明長期價值。但如果它們站在正確的技術范式上，解決了足夠關鍵的問題，就可能在未來形成非常大的價值空間。
奇績關注這類公司，本質是關注一個更底層的問題：在前沿技術剛剛從 “不可能” 走向 “可能” 的時刻，誰能更早判斷方向，誰能更早組織起一支高人才密度團隊，誰能更早把研究突破和真實需求連接起來。
這就是中國 NeoLab 正在出現的地方。
3. 研究成為直接生產力
生產力結構的根本調整
為什么 researcher founder 和他們創立的組織在成批發生，并以這么高的速度往前走？
核心原因是生產力結構發生了根本調整。從宏觀經濟學看，生產力的要素有生產者、生產過程、生產工具、生產對象。
- 過去，核心生產者主要是開發人員和市場人員；今天，研究人員的重要性顯著上升。
- 過去，生產過程主要是開發和運營；今天，研究本身越來越成為生產過程的一部分。
- 過去的生產工具是設備、軟件和工程系統；今天算力正在成為最核心的工具。
- 生產對象則是數據，它既是輸入，也是輸出；既是被處理的對象，也是進一步生成能力的資源，是這個時代最重要的生產要素。
從工業革命到智能革命，研究和生產的距離逐漸縮短
Researcher Founder 之所以成為時代主角，正是因為他們處在新生產力的關鍵節點上。為了更好理解這一點，我們可以回到研究與生產關系的歷史演變中。從第一次工業革命至今，研究和創造價值之間的距離越來越短。
現代意義上的研究體系，起源于啟蒙運動和工業社會。啟蒙運動帶來了科學理性，也奠定了現代生活的基礎。此后，科學逐漸成為推動社會進步的核心力量：第一次工業革命建立在物理學、機械和牛頓力學之上；第二次工業革命進一步釋放了電磁學和工程體系的力量；隨后，人類進入信息時代，并正在走向智能時代。
在過去相當長的歷史中，研究與價值創造之間存在明顯距離，研究主要發生在實驗室、大學和科研機構中，其典型過程是閱讀論文、討論問題、設計實驗、發表論文、傳播知識。企業則在另一端，把已經被驗證、被寫入論文或書籍中的可行技術，進一步工程化、產品化和商業化。也就是說，研究負責證明 “什么是可能的”，企業負責把這種可能性轉化為現實價值。
因此，可以用一個簡單的框架來理解研究與生產的分工：研究解決的是從 “不可能” 到 “可能”，也就是從 -1 到 0；生產和創業解決的是從 “可能” 到 “價值”，也就是從 0 到 1；而從 1 到 100，則是規模化擴張，相對來說更容易。
真正推動人類社會進步的，恰恰是最難的兩個階段：從 -1 到 0，以及從 0 到 1。前者充滿科學風險和技術不確定性，尤其是那些可能改變世界的研究；后者則面對市場風險、組織風險和價值創造的不確定性。過去，這兩個階段通常由不同組織完成：科研機構承擔 -1 到 0，企業承擔 0 到 1。
兩個階段的距離曾經非常遙遠。第一次工業革命的核心研究基礎，是以牛頓為代表的力學和物理學。牛頓在十七世紀形成了萬有引力和動力學體系，但直到近百年后，瓦特蒸汽機才推動工業革命真正發生。研究先改變人類對自然的理解，很多年后才通過工程和產業進入生產系統。
第二次工業革命也類似，麥克斯韋方程建立了電磁學的理論基礎，但之后歷經幾十年，無線電報才真正形成產品和產業影響。
而今天，這種分工正在被打破。信息時代之后，研究與生產開始逐步靠近。微軟、Google 等公司已經把研究、工程和產品放進同一家公司，只是它們往往仍然分布在不同部門、不同評價體系之中。
到了智能時代，這個結構進一步變化。
以 OpenAI 為代表的新型組織，把研究、工程、產品和商業化壓縮進同一個組織系統。研究不是一個獨立部門，工程不是后端轉化，產品也不是最后才出現。模型能力、工程系統、用戶反饋和商業化探索彼此交織，共同推進。
這正是今天時代機會的來源：研究不再只是生產的上游知識儲備，而正在直接進入生產過程。研究成果可以更快變成代碼、模型、系統、材料方案、藥物設計、機器人能力和企業生產工具。過去分開的 -1 到 0 與 0 到 1，今天開始被同一類團隊、同一種組織、同一套資源配置方式同時完成。
所以從工業革命到信息時代，再到人工智能時代的演變，可以清楚看到一條主線：研究越來越直接地參與生產過程，研與創之間的邊界越來越模糊。過去需要幾十年甚至近百年才能完成的轉化，今天可能在同一個組織、同一個團隊，甚至同一個產品迭代周期中發生。
Researcher Founder 正站在研究和生產兩個越來越接近的階段的交匯處：他們既要能夠進入未知，解決 “不可能到可能” 的問題；又要能夠組織產品、市場和資本，把 “可能” 變成真實價值。這個變化，構成了智能時代創新范式最重要的底層轉折。
新生產力臨界點：AI 同時加速研究、工程和商業化
“研究和創造價值之間的距離縮短”——這其實是一個長期趨勢，而智能時代讓這個趨勢越過了臨界點。這是因為，AI 同時加速了研究，也加速了工程和商業化。
一方面，AI 可以幫助人類更快完成研究。人類定義問題、設定標準、提出假設，AI 則可以進行資料搜索、推理、實驗設計、代碼實現、結果分析和持續迭代。Deep Research、Auto Research 這類能力正在降低研究門檻，也在提高研究速度。（注：Deep Research 是 AI 執行多步驟資料檢索、交叉驗證和深度分析的研究能力；Auto Research 是 AI 自動化完成選題拆解、信息搜集、整理和報告生成的研究流程。）
另一方面，研究的產出越來越直接變成生產力。AI 寫出的代碼可以直接進入工程系統，模型生成的設計可以直接進入材料、藥物、制造和產品流程；智能體完成的規劃和執行可以直接影響企業運營。
過去，研究成果需要經過長鏈條轉化，才可能成為生產資料。今天，研究和生產之間的鏈條被大幅縮短。
這就是智能時代的新生產力臨界點。Anthropic 的 Claude Code 等 Agentic AI 產品，是讓我們站上這個臨界點的標志性突破。
在這個臨界點之后，碳基人類和硅基智能的分工也會變化。人類更重要的是提出好問題，形成高認知、高品味，定義需求和驗證條件。硅基智能則可以承擔越來越多 7×24 小時的信息處理、理解、規劃和執行。
因此，未來每個人都有可能更接近研究本身。不是每個人都要成為傳統意義上的科學家，而是每個人都可以借助 AI，進入更深的問題探索和能力創造過程。
這會極大放大 Researcher Founder 的能力邊界。
4. 新生產關系和生產者
新生產關系：新組織
講完新生產力之后，更關鍵的問題是：什么樣的組織和機制，才能真正釋放這種生產力。
過去的研究與生產，長期處在兩類不同組織之中，也對應兩套不同的獎勵函數和資源配置方式。科研追求同行認可，企業追求商業結果；科研伴隨長期不確定性，企業強調短期可驗證回報。二者都重要，但它們沒有真正形成一個完整閉環。
到今天，以 OpenAI、Anthropic 為代表的新型組織開始把研究、開發、產品和市場放在同一個系統之中。研究不再只是論文產出，開發不再只是工程實現，產品和市場也不再只是商業化末端。它們共同構成一個從 -1 到 1 的組織閉環。
這種組織的核心，是三個環節同時存在：做研究，解決能力突破；做開發，把能力變成可運行系統；做產品和市場，把系統放進真實需求中驗證價值。研究、開發、市場不再是線性傳遞關系，而是彼此反饋、彼此校準、彼此推動。組織內部必須重新設計分配方式和激勵機制以及資源配置機制。
這就要求組織重新設計激勵機制和資源分配方式。
長期激勵必須存在，因為研究突破往往需要時間和耐心；短期激勵也必須存在，因為組織需要持續接受現實反饋，避免與市場和需求脫節。二者不能簡單對立，而要形成平衡。
更重要的是資源分配：判斷哪些資源投入到基礎能力，哪些資源投入到工程系統，哪些資源投入到產品化和市場驗證。資源分配一旦脫節，組織就會回到舊結構：研究團隊只做研究，產品團隊只做產品，市場團隊只做增長，彼此無法形成真正的閉環。
新生產者：新人才
新生產力和新組織最終都要回到人。Researcher Founder 是 Agentic AI 時代的中堅力量，但這個角色對人的要求也更高。
未來的創業者需要同時理解研究和產品，既能判斷技術突破的可能性，也能理解真實世界的需求。但 AI 放大了人的能力，使個人和小團隊能夠完成過去大型組織才能承擔的工作，機會是空前的。
5. One More Thing：每個人都可以成為研究者
到了這個時代，很多同學會問：如果我不是學計算機的，或者我是文科背景，還有沒有機會？
答案是：有，而且機會很大。
因為 AI 正在降低研究的門檻。過去很多資料整理、信息檢索、初步分析，需要很強的專業訓練；現在，Deep Research、Auto Research 這類工具已經可以幫助我們完成大量研究工作。也就是說，研究這件事不再只屬于少數專業研究者。
但這不代表人不重要了。恰恰相反，AI 越強，人的判斷越重要。
未來真正重要的能力，不只是會寫代碼、會做技術，而是能不能提出好問題，能不能理解真實需求，能不能判斷什么事情真正有價值。
如果一個人只懂計算機，但不懂人類需求、不懂社會和產業，他也很難成為好的 Researcher Founder。因為從 -1 到 1，不只是把技術做出來，更重要的是知道為什么做、為誰做、解決什么問題。
所以，文科、社會科學、設計、商業等背景的人，在這個時代反而有新的機會。AI 可以幫人做研究、做分析、做執行，但人需要有高認知、好品味、好奇心和探索欲。
總結來說，這個時代最重要的，不是單一技能，而是人的格局、抱負和判斷力。新的生產力、新的生產關系、新的人才結構，正在共同形成新的機會。背后真正的原因，是做事的范式變了。
新思維
新時代也要求創業者的底層思維發生變化。Researcher Founder 需要三種新思維：研究思維、創新思維和斜率思維。
1. 研究思維
近年來，一些諾獎獲得者很能說明這個時代正在發生的變化。
戴維·貝克（David Baker）、德米斯·哈薩比斯（Demis Hassabis）、杰弗里·辛頓（Geoffrey Hinton） 這三個人都是創業者，這三個人做的研究工作離諾獎距離都很短，但這只是一個開始。
未來很有可能一個博士生，等到他博士畢業時，可以拿諾獎，還有可能財務自由，因為他也可能同時是創業者，這是這個時代可以有的機會。
重新理解科學、技術和需求的關系
要形成新的研究思維，需要重新理解科學、技術和需求的關系。
科學的本質就是可解釋、可預測的自然現象，它研究 “why”。技術則是把科學原理封裝成可用的手段，去滿足需求，它解決 “how”。如何制造一臺機器、訓練一個模型、合成一種材料、把一種理論轉化成工具……這些都是技術問題。
需求則來自人類社會。人要活得更久、更安全、更自由、更高效，企業要更好地感知、決策和行動，國家和社會要解決安全、能源、醫療、教育、產業升級等問題。
科學、技術和需求不是彼此孤立的。真正有生命力的科學往往會不斷靠近重要需求；真正重要的技術也往往來自對科學規律的深刻理解。
因此，科學的本質不僅是解釋現象，也是為人所用。這里的 “為人所用” 不是狹義功利，而是指科學最終會進入人類文明，成為理解世界、改造世界和創造價值的能力。
對 Researcher Founder 來說，這一點非常關鍵。科學恒久的驅動力仍然是好奇心和想象力，但 Researcher Founder 還需要考慮，它能為后來者提供什么基礎？它能不能最終創造價值？
選擇研究方向，是一個戰略問題
選題是研究思維的關鍵能力。一些科學方向之所以長期活躍，是因為它們不斷靠近重要問題，不斷產生新的工具、新的解釋和新的能力。科學本身也是一個進化體系。很多重要創新不是從零開始憑空出現，而是在已有元件、已有理論、已有工具、已有數據之上，重新組合、重新解釋、重新推進。
Researcher Founder 要學會選擇研究方向和觀察科學發展的生命力。
好的研究方向，往往有幾個特征。
- 第一，它足夠高水位。它不是一個很快會被替代的小問題，而是連接著更大科學問題、技術趨勢或真實需求。
- 第二，它有足夠長的影響空間。一個好的方向不會在短期內被做完，而是能持續展開，帶來新的問題、新的方法、新的數據、新的工具或新的產業可能性。
- 第三，它和研究者自身的稟賦、興趣有關。偉大的工作通常很難，靠短期熱情無法持續。如果一個方向只是熱門，但你并不真正讓一個人好奇，他也很難長期堅持。
高度活躍、有生命力的科學，則通常有兩個共同特征：第一，它持續解決真實的人類需求；第二，它能創造規模化、長期不可替代的價值。
從這個角度看，研究選題不只是學術問題，也是戰略問題。Researcher Founder 選擇科研方向時，不能只問 “這個問題能不能發論文”，還要問：“這個問題是否足夠重要？它是否可能產生長期影響？它是否連接未來真實需求？它是否值得我投入很多年？”
AI 時代更新迭代速度更快，低水位、短周期、容易被替代的研究會更快失去影響。真正值得投入的，是長線、寬面、高水位的問題。
方向選對了，努力才會積累成復利。這就是新的研究思維。
好選題的例子：姚順雨、哈薩比斯、伊利亞
好的科研選題，不是追逐熱點，而是找到長期不可替代的高水位問題。
姚順雨是一個典型案例。他早期圍繞語言模型、工具使用、推理與行動等方向進行研究，后來這些問題成為大模型和智能體時代的關鍵議題。他的 ReAct 工作，本質上連接了推理和行動，后來成為理解 Agent 能力的重要基礎之一。（注：ReAct 即 Reasoning and Acting，一種讓語言模型同時進行推理和行動的智能體方法）
他的研究理論基礎很強，但每次交流，他都在思考未來的工程體系與產品形態。聊模型，必然談產品。在騰訊，他可以模型、產品一起推進——這與他當初選博士論文時埋下的種子一脈相承。ReAct 是關于如何選題的一個極有說服力的案例。
德米斯·哈薩比斯的路徑也很典型。他早期關注海馬體、記憶機制和強化學習，后來將這些研究積累帶入 DeepMind，持續推動從游戲智能到科學發現的探索。這不是簡單追逐熱點，而是圍繞智能的本質問題長期推進。如今 DeepMind 的技術路徑與發展思路，皆與其博士論文選題密切相關，這也表明他的選題很寬、觸達很遠。
伊利亞·蘇茨克維（Ilya Sutskever）的路徑同樣說明，高水位問題往往需要長期判斷。他參與 AlexNet（2012 年被提出的深度卷積網絡模型，是圖像識別領域的突破性工作），深度參與 Scaling Hypothesis（規模假說）和 Scaling Law 相關方向。他做的博士論文主題和他在 OpenAI 時代堅信 “模型只要足夠深、足夠寬，數據的 scaling 可以導致智能的涌現” 有關。這改變了世界。
中國科學家中也有很多類似案例。潘建偉、袁隆平、錢學森、屠呦呦，他們都在 “Go high”，在一個領域中做得很高很高，而不是堆砌。屠呦呦通過青蒿素改變全球抗瘧體系，潘建偉推動量子通信與量子計算前沿，袁隆平開創雜交水稻育種體系，錢學森奠定現代控制科學與航天理論。這些工作共同說明，真正重要的科研，不是停留在局部技巧，而是連接了長期重大需求，并在很長時間里持續產生影響。
真正一流的科學家，不靠數量堆砌，而靠高度制勝。
系統性地選好方向
選好方向，也有系統性方法。
第一步，是選領域。找到一個你愿意長期投入的領域。這個領域最好與你的稟賦相關，也就是你擅長什么；與你的興趣相關，也就是你對什么問題有超乎常人的好奇心；同時也要有足夠大的探索空間。
第二步，是到前沿。選定領域之后，要盡快讀完關鍵論文、了解重要人物、理解核心問題、掌握新的研究模式。不到前沿，就很難判斷什么問題已經被解決，什么問題仍然存在，什么地方有真正空白。
第三步，是找空白。真正有價值的問題，往往不是一眼看上去最大的問題，而是那些看似小、但背后連接更大結構的問題。要對現實保持敏銳，觀察哪些地方有矛盾、缺口、低效、未被解釋的現象。
第四步，是挖潛力。很多偉大發現不是一開始就被看見為偉大，而是在持續挖掘中顯現出結構性價值。一個小問題，如果連接了大空間，就值得深入。
這里有三個關鍵維度：稟賦、興趣、空間。
稟賦決定你在哪些問題上更容易形成優勢。興趣決定你是否能長期堅持。空間決定你做出來之后，是否有機會形成偉大影響。
而貫穿其中的核心動力，是好奇心和熱情。
高影響、高膽識：Go High 才能 Go big
影響力可以理解為 “高水位 × 持續時間”。很多短期論文的總量，并不等于真正高影響力。
假設一篇論文只是在某個訓練算法上提升了 5%，短期看可以發表，但很快就可能被新的方法替代。一旦被替代，它對后來者的影響就停止了。
相反，像 ImageNet（由李飛飛團隊推動建設的大規模圖像識別數據集和競賽，推動深度學習在計算機視覺領域取得突破）這樣的工作，它的意義不只是一篇論文，而是成為一個時代的基礎設施。它影響了大量算法、論文、產品和產業方向，推動了計算機視覺和深度學習的發展。即使后來有新的數據集和方法出現，它的歷史影響也已經被長期積累下來。
牛頓和愛因斯坦的工作更是如此。它們在數百年甚至更長時間尺度上持續影響人類理解世界的方式。
所以，高影響工作的關鍵，不是短期熱度，而是時間積分。能影響越多人、越多方向、越長時間，價值越大。
做高水位問題，需要膽識。
很多真正重要的問題，在早期都不容易判斷。它們不一定符合現有評價體系，也不一定有立刻可見的回報。選擇這些方向，需要更早進入不確定性，承受更長時間的孤獨和壓力。
有兩條路徑都值得走。
一條路徑，是在已有路徑上做別人做不出的事。這要求極強的能力、訓練和執行力。你知道這個問題重要，大家也知道這個問題重要，但真正能做出來的人很少。
另一條路徑，是開辟新路，走別人不敢走的方向。這要求更強的判斷、勇氣和長期主義。因為在早期，沒有太多人能證明你是對的。
Researcher Founder 要以高膽識追求這樣的高影響，找到高水位、長周期、不可替代的問題。只有 Go High，才能 Go Big。
2. 創新思維
什么是創新
創新的核心定義，是用更好的方法滿足需求。
創新不一定意味著 “全新的東西”。舊的技術、產品和能力，如果被放進一個新場景，用新方式滿足了需求，也是一種創新。真正重要的，不是它看起來是否足夠新，而是它是否用了更好的方法，把需求滿足得更好。
因此，創新的關鍵不是追求表面的 “新”，而是理解需求、把握需求，并找到更好的滿足方式。
這一點對理工科背景的同學可能反而是個挑戰。因為很多技術訓練，會讓人習慣于從技術、功能和實現出發。但真正的創新，往往不是從 “我能做什么” 開始，而是從 “人、企業和社會到底需要什么” 開始。
理解需求
首先是個人需求。個人需求有很多層次，人的內在需求幾乎沒有終點。
睡覺的需求被滿足好了嗎？并沒有。人們仍希望睡得更深、更穩定、更容易恢復精力。吃飯的需求被滿足好了嗎？也沒有。人們仍然會追求新口味、新體驗、新的健康方式和社交場景。
所以，做功能性產品，如果只是停留在 “解決一個明確功能” 的層面，機會會越來越有限。真正值得挖掘的，是功能背后的深層需求：情緒、身份、關系、表達、陪伴、掌控感、歸屬感和自我實現。
一個創業者不能因為自己不理解，就否定一個需求。泡泡瑪特就是一個很好的例子。
我過去不理解泡泡瑪特，覺得這些產品似乎沒有什么 “實際用途”。但后來我在北京、上海的地鐵里觀察，發現越來越多女生的包上掛這類產品，接著男生也開始掛。這說明它背后一定有某種真實需求：情緒價值、身份表達、審美認同，或是社交符號。無論形式如何變化，創業者真正要研究的，始終是底層的需求。
這就是創新思維的起點。不是從 “我覺得有沒有用” 出發，而是從真實行為中理解需求如何發生。
企業需求同樣如此。真正深入企業需求的，目前走在前面的是 Palantir（美國數據分析與企業軟件公司，長期服務政府和大型企業，近年來重點推動 AI 在企業業務流程中的落地）和 Anthropic。今天大多數產品只滿足表層需求——搬運信息、輔助開會。但開會只是手段，企業真正需要的是更好的決策、更好的文化、更持續的創新能力。企業的需求也是永無止境的。我們要做的就是挖掘更深的需求，這是創新的思維。
研創一體
Researcher Founder 還需要以終為始，形成研創一體的思維。
選博士論文，我常建議同學選寬一些、延伸空間長一些的課題。因為真正有活力的研究，最終一定要創造價值。
從科學第一性原理看，科學探索、技術開發、市場需求、社會需求、國家戰略需求，這五個層次始終相互連接。清華創業大賽、資源對接平臺、耐心資本、孵化加速，以及像今天這樣的交流場合，有機會就去參與、去結識朋友。
無論做什么學問，都要以終為始，研創一體。
從 Book Smart 到 Street Smart
一流學府的學生，Book Smart 肯定很強，考試、書本、科研樣樣出色。我自己也類似，過去以 Book Smart 為傲。但到了今天這個年齡，我意識到，真正的 Smart 是從 Book Smart 到 Street Smart。Street Smart 是對真實世界的理解。它不是書本里的靜態知識，而是對人、市場、組織、交易、預算、流程、關系和價值流動的理解。
Street Smart 不是天生的，它來自大量觀察、實踐和反饋。最重要的是身體力行：去嵌入價值的流通過程。通俗地說，在做科研的過程中，要留意錢是如何合法地從一個口袋流到另一個口袋。哪里有錢在流動，哪里就有生命力和創造力。不斷觀察、不斷理解、不斷融入，逐步把 Book Smart 變成 Street Smart，你的 Smart 才能成為真正有生命力的知識。
鄧鋒，清華校董，就是一個從 Book Smart 到 Street Smart 的例子。他在清華期間便已開始做生意與創業。他是 NetScreen（美國網絡安全公司，2001 年在納斯達克上市，2004 年被 Juniper Networks 以約 42 億美元收購）的創始人——華人在美國創辦的第一家上市公司。
這個案例想說明的是，真正一流的創業人才，不能只有書本里的聰明，真正要做創業，就必須把這些能力放到真實世界中打磨。
這不是從學術轉向世故，而是從抽象轉向創造。它要求一個人不僅能理解復雜理論，也能理解復雜現實；不僅能回答問題，也能發現問題；不僅能提出方案，也能推動事情發生。
3. 斜率思維
三條斜率
AI 是認知的加速器，這個時代，重要的不是你今天有多強，而是你的斜率有多陡。
三條斜率：認知斜率、能動性斜率、品味斜率。
- 認知斜率。不光認知要高，還要保持認知更新的速度。經典榜樣是愛因斯坦。
- 能動性斜率。指的是搞定復雜事情的能力越來越強。經典榜樣是 007：什么都難不倒他，任何復雜的事情都能想辦法解決。
- 品味斜率。不管做什么，都要有高品味。做藥，要知道哪個靶點未來買單的人更多；做材料，要知道哪個下游供應鏈需求會更強。品味從大量的數據、大量的體驗中得來。
高斜率的組織
AI 會放大個人斜率，也會放大組織斜率。
在 AI 原生組織里，碳基人與硅基系統不是簡單分工，而是共同迭代。人負責目標、判斷、品味、需求定義和關鍵決策；AI 負責信息處理、規劃輔助、執行生成、持續反饋和流程自動化。一個組織如果能把這套循環建起來，它的整體迭代速度會顯著提高。
因此，個人成長不只取決于自己有多努力，也取決于自己是否處在一個高斜率組織里。
高斜率組織有幾個特征：問題足夠難、反饋足夠快、人才密度足夠高、AI 使用足夠深，組織能持續自我進化。在這樣的組織里，一個人每天接觸的問題、反饋和判斷都會推動成長曲線變得更陡。
重要的不是起點，而是系統迭代深度。對年輕人來說，進入一個高斜率組織，往往比停留在一個舒適但低反饋的環境里更重要。
斜率思維的例子
分享一個高斜率人才的案例——沈亦晨，他創立的曦智科技 2026 年 4 月剛剛上市。
沈亦晨是麻省理工學院博士，博士論文研究通過控制電壓讓光子完成 2×2 矩陣運算，發表于 Nature 正刊。我與他有過一次半小時的交流，是我認為奇績歷史上最精彩的半小時。我問他最關鍵的問題：畢業時，美國一流高校與頂級科技公司的 offer 悉數在手，為什么選擇回國創業？
他的回答是：我最在意的，是把光計算、光存儲真正產業化，把這件事做出來。
他分析了三條路徑：一、去高校任教，需要不斷申請資金、培養學生、發表論文，實現目標需要時間。二、去谷歌或微軟，則需要逐級說服上級、副總裁、資深副總裁、總裁，乃至董事會，才能推動自己的方向落地。三、回國創業，只需要說服沈南鵬。
這個判斷背后，是對創新生態的清醒認知：耐心的資本就應該押注這樣的團隊，加速他們的成功。
他之所以想得如此透徹，與他的高斜率密不可分。他在美國的 mentor 是 Ray Stata——麻省理工學院的 Stata Center（麻省理工學院計算機、信息科學與人工智能等相關院系和實驗室所在建筑）正是這位先生捐贈建造的。高斜率，我們都有機會去找到別人來幫我們。
4. 新思維總結
- 研究思維：核心是高水位、高影響力（研究、產業、社會綜合價值）和不可替代。
- 創新思維：核心是研創一體和需求導向，是以科學方法解決真實需求。
- 斜率思維：高迭代和高成長，長期持續進化。
這三種思維合在一起，才構成 Researcher Founder 真正需要的底層能力。
新實踐
從 -1 到 1 不是只靠理解就能完成的。Researcher Founder 必須走出熟悉的環境，進入真實需求、真實場景和真實同行者的網絡之中。
實踐的核心，是三個方向：到 “河” 對面去，到 “墻” 外面去，到同行者中去。
1. 到 “河” 對面去：從 FDE 到 FDX
人類的進展，本質上是一個擴散過程。
過去，技術和需求之間隔著一條河。河的一邊，是研發、產品、技術、算法和工程；河的另一邊，是客戶、用戶、市場、銷售和真實需求。很多時候，技術團隊覺得自己的技術很好，只是市場不會賣；市場和銷售又覺得研發團隊沒有真正理解客戶，也沒有解決最重要的問題。但今天，所有真正創造價值的人，都越來越需要過河。
第一個到河對面去的公司是誰？是 Palantir，這家公司 20 多年前就開始到河對面去了。Palantir 提出了 FDE（Forward Deployed Engineer，前線部署工程師）這個概念。
為什么會發明這個概念？這和他們的產品有關——給美國中央情報局提供軟件，他們必須到河對面去。
一開始他們也不想過河，說先去調研需求。美國情報局的人就說，你開什么玩笑？難道我會告訴你我怎么當間諜的？你要調研需求，得跟我一起當間諜啊。所以他形成了一個全新的文化，就是駐場開發。
AI 正在讓很多原本稀缺的技術能力變得更容易獲得。代碼可以生成，信息可以檢索，分析可以自動化，很多過去需要大量工程人力完成的工作，正在被新的工具重構。技術本身仍然重要，但只停留在技術這一邊的人，會越來越難真正發揮價值。
今天，從 Anthropic 開始，Vibe Coding 正在讓代碼生成變得越來越容易。過去只停留在寫代碼、做技術實現的人，價值會越來越被壓縮。要真正發揮作用，就必須到 “河” 對面去。
這也是 FDE 的意義：工程師要過河，進入客戶現場、真實場景和具體問題中去。
Anthropic 現在已經有 Claude Design，設計師很快也要過河，成為 Forward Deployed Design。產品經理也很快要過河，成為 Forward Deployed Product。市場和銷售本來就更靠近河對面，但未來所有真正創造價值的人，都要到河對面去。
未來的研發、產品、設計、市場和銷售，都要更靠近真實場景。工程師不能只在辦公室里寫代碼，產品經理不能只在會議室里寫需求，設計師不能只在界面上打磨體驗，研究者也不能只在論文和實驗室里理解問題。
更廣義說，未來每一種關鍵角色都需要 Forward Deployed，可以把 FDE 擴展成 FDX。
做科研，也要到企業里去，甚至駐場做科研。做生命科學，就到醫院去、到藥企去；做材料，就到下游公司去，或者到上游供應商去；做工程系統，就到真實產業現場去。只有真正去到那邊，才能知道什么問題長期存在，什么能力真正稀缺，什么方向值得自己持續投入。找到自己真正感興趣的領域，到河對面去思考和研究問題。
2. 到 “墻” 外面去：創業，只能邊做邊學
研究可以在墻內學，但創業只能邊做邊學。
加入一家真正優秀的創業公司，進入一線，去看一個想法如何變成產品，一個產品如何找到用戶，一個團隊如何在資源有限的情況下持續推進。膽子大一點，自己創業，直接把自己的研究、技術判斷或問題意識放進真實世界中驗證。
未來，你可以選擇繼續做科學家，也可以選擇成為企業家。但無論走哪條路，素質都必須變得更綜合。即使在大學任教，也需要企業家的素質；即使選擇創業，也需要科學家的內涵。這是這個時代科學范式帶來的必然。
3. 到同行者中去：進入高密度創業社區
第三件事，是到同行者中去。
Researcher Founder 尤其需要社區。因為從 -1 到 1 是高不確定性的過程，傳統路徑不夠清晰。一個好的社區，可以幫助他們更早連接技術、市場、資本、人才和產業資源。同時也能讓自己進入一個更高人才密度和更多高質量反饋的成長環境。在這里，早期判斷可以被認真討論，也可以被及時挑戰；不成熟的想法可以被打磨，重要的問題可以被持續推進。
這也是為什么奇績一直強調要創建一個創業者社區。
新機會
1. 研創新時代
產業創新的機會，往往來自拐點。
1995、1996 年的互聯網，是一個重要拐點。第一波進場的公司，很多都活了下來，今天不少重要的科技巨頭，也是在那個時間窗口里開始的。
2022 年 11 月，ChatGPT 發布，是新的拐點。它讓 AI 從實驗室和專業系統中走出來，成為所有人都能使用的生產工具。今天，Agentic AI 正在帶來更大的相變：AI 不再只是回答問題、輔助工作，而是開始進入長期任務、復雜執行和組織流程。
下一個拐點，Physical AI 也正在到來。智能將進一步進入物理世界，進入機器人、制造、能源、交通、醫療、供應鏈和更多真實系統。產業創新的機會，會因此被重新打開。
AI for Science 是另一個巨大方向。AI 可以幫助科學家發現新材料、設計蛋白質、加速藥物研發、模擬物理系統、優化實驗流程。過去很多科學問題受限于實驗成本、計算能力和搜索空間，今天開始有機會被新的模型系統推進。
還有一個重要變化，是新全球化。
過去，做全球化技術公司，更多是硅谷的特色。今天，中國擁有更完整的軟件、硬件、數據和供應鏈基礎，也擁有強大的工程能力和豐富的產業場景。新一代中國技術創業者，有機會從第一天起就面向全球市場，定義全球產品，組織全球資源，創造真正有世界競爭力的技術公司。
這些拐點共同指向一個判斷：Researcher Founder 的機會正在變大。
2. 走出第一步
對每一個年輕的 Researcher Founder 來說，如何走出第一步？
- 第一，你已經在某個領域有一定的專業能力，正在成為專家。你不一定已經是這個領域最頂尖的人，但你要在路上，you are on your way to be an expert。
- 第二，你已經開始動手開發，開始做一些東西了。
- 第三，你已經開始找人，嘗試組合團隊。
如果你這三件事情都有了，啟動你的歷程。
3. 奇績創業社區
奇績創壇的使命是在源頭最大化驅動創新，愿景是建設源自中國的最大、最活躍的創業者社區。目前已經搭建了奇績創業營、算力、創業公開課、前沿信號等體系，系統性支持 Researcher Founder。
奇績希望建設的是一個面向年輕技術創業者、Researcher Founder 的創業社區。真正重要的，不只是投出幾家公司，而是持續發現、支持和加速那些有可能改變未來的人。
今天的 Researcher Founder，可能還只是一個學生、一個博士、一個工程師、一個研究員，或者一個剛剛開始思考創業的人。但在新的時代里，每個人都有機會從一個高水位問題出發，進入真實世界，找到同行者，組織資源，把 “不可能” 推進到 “可能”，再把 “可能” 推進到 “價值”。
這就是從 -1 到 1。
也是 Researcher Founder 真正要走的路。
題圖：陸奇在 5 月底于清華大學講授創業公開課。來源：奇績創壇
本文為晚點外部投稿專欄，內容整理自奇績創壇創始人陸奇 5 月底在清華講授的創業公開課。此前，該欄目曾發布昆侖萬維創始人周亞輝的投資筆記、五源資本合伙人孟醒的投資觀察等。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
