為什么Anthropic的收入預計將在今年實現80倍增長？

DeepSeek 這樣研究驅動的團隊，為什么做出來的東西可以迅速被用戶使用？

為什么越來越多有學術背景的創始人，其公司估值飆升的速度遠遠超過傳統創業者？

答案可能不是他們更聰明，而是這個時代的游戲規則變了——研究與生產之間的距離，正在以前所未有的速度被壓縮。

• 牛頓的《自然哲學的數學原理》到瓦特改良蒸汽機，中間隔了89年；

• 麥克斯韋方程組到商用無線電應用，中間隔了31年；

• 在微軟、谷歌時代，研究和生產已經進入同一家公司，但激勵體系是割裂的——研究員發論文拿績效，產品經理做收入拿績效；

• 而OpenAI、DeepMind這一代研究型創業企業，研究和生產被同一支團隊、同一套激勵機制緊密捆綁。

過去，研究是研究，生產是生產；今天，研究成為直接生產力。

這帶來的不是線性效率提升，而是量級躍遷。

今天的創新，也不再只是傳統意義上的“從0到1”，而是讓“-1到1”的研究與生產，在同一個循環里完成。

研究型創業者，正以前所未有的速度創造價值。

（2026年5月30日，奇績創壇創始人兼CEO陸奇博士在清華大學作講座分享，主題為《研究型創業者：從-1到1》。本文是對其演講內容整理而成的筆記文章。）

01 從-1到1，第四范式下的前沿組織單元

先定義一個基礎坐標：

研究解決的是“不可能到可能”，也就是從 -1 到 0；

生產解決的是“可能到價值”，也就是從 0 到 1；

再往后，才是從1到 100 的規模化。

過去，大學、科研機構和實驗室，承擔從 -1 到 0 的不確定性；企業承擔從 0 到 1 的市場驗證，以及后續的規模化增長。這套分工，支撐了很長時間的現代創新體系。

在 AI 時代，這個距離被壓短了。

生產力的關鍵要素發生了根本性變化：

研究不再只是論文、模型指標和實驗結果，而是可以直接轉化成代碼、產品能力、企業流程、材料設計、藥物設計、客服方案和業務規劃。

因此，研究不再停留在論文和實驗室里，而是直接進入產品、工程和商業化流程，成為生產資料本身。

更關鍵的是，生產過程的核心正在變化：過去主要靠開發和運營推進，今天越來越多地由研究過程本身驅動。

研究者不再只問“這個問題在科學上是否新穎”，還要問“它未來會滿足什么需求、進入什么產業、需要什么數據、要求什么資本規模、能否在市場里被驗證”。

企業也不再只等成熟技術，而是必須前置進入研究階段，把需求、數據、場景和資源帶到可能性探索里。

于是，一個現象產生了——研究與創業開始在同一個組織里閉環。

而這樣組織，被稱為 Neo Lab。

一種 AI 研究實驗室，通常由來自頂級 AI實驗室的精英研究員、教授或已實現財務自由的企業家創立。它們處于產品市場契合前且營收規模極小，但以極高（通常是獨角獸級別以上）的估值融資，專注于長期突破。

它不是一個小眾概念，而是第四范式下的一種前沿組織單元。

它既不是傳統實驗室，也不是傳統創業公司。它要有高端人才，要有算力和數據，要能快速工程化，要能觸達真實需求，要能獲得資本支持，還要能承受長周期的不確定性。

從這個角度看，OpenAI、DeepMind、SpaceX、Neuralink，以及中國正在出現的一批研究型創業團隊，都不是傳統的公司，它們本質上都是一座擁有全棧商業化和吞噬資本能力的“頂級實驗室”。

這類企業需要同時承擔四類風險：

• 科學風險：自然規律或技術路徑是否成立。

• 工程風險：能否穩定、規模化、可交付。

• 市場風險：是否有人真實需要，是否愿意遷移和付費。

• 資本風險：這個探索需要多少資源，能否在合適的時間窗口內籌到錢，撐到關鍵節點。

過去，這些風險分散在不同組織里。今天，它們被壓在同一個組織里。

這也是研究型創業真正難的地方。

02 重要的不是研究選題的數量，而是單個選題的影響力

中國與美國在算力、資本和市場環境上并不相同，但一個共同趨勢已經很明顯：

AI 創業越來越由研究驅動。

中國的新一代大模型企業——智譜、MiniMax、月之暗面、DeepSeek、百川智能等，都在不同程度上體現了這種特征：它們不是先有成熟產品再補研發，而是從一開始就把研究能力放在組織中心，用研究突破帶動產品、融資和商業化進程。他們用極短的時間，走完了傳統企業需要走十幾年的高估值神話。

當研究員成為時代的絕對主導，每一個研究者都需要更早理解自己的題目會進入怎樣的價值世界。

陸奇博士用了一個比喻：過去的科研評價更像藝術體操（評委說你好，你就好）；未來會越來越像田徑比賽（跑多快、跳多高），結果更客觀。

一個博士階段的選題，如果方向足夠寬、技術足夠深、需求足夠真實，可能在畢業前后就看到外部貢獻和商業化路徑。

所以，科研選題不再只是論文題目，而是未來影響力的入口。

陸奇博士提出了一種“影響力積分”框架：

影響力= ∫ 峰值強度 × dt 存續時間

• 研究影響力，你的科研是否幫助更多科學家做更好的科研；

• 開發影響力，你的數據集、工具和方法，能否幫助他人訓練模型、構建系統；

• 產業影響力，多少用戶、客戶、收入增長；

• 社會影響力，改變了政策、教育、醫療普惠性。

四維覆蓋面越大，存續時間越久，影響力積分越高。

一個很直觀的例子是：

你發 20 篇普通 CVPR 論文，每篇提升 5%，但一個月內就被更好的方法替代，那么這些工作的 shelf life（影響力生命期）很短，積分面積也很小。

而李飛飛做的ImageNet數據集，10年后依然被引用、被使用、被討論。它的峰值足夠高，存續時間足夠長，所以影響力積分遠遠超過那20篇普通論文的總和。

這也是 Go High 的真正含義：不要用數量堆砌，而是高度制勝。

寫很多篇論文、做很多小改進、追很多熱點，并不等于你在改變世界。真正的影響力來自一個足夠高、足夠深、足夠長的方向。

這個方向的選擇很重要。陸奇博士在分享中推薦了Paul Graham框架：

第一，看稟賦：你真正擅長什么？第二，看興趣：你是否有足夠強的好奇心，能長期投入？第三，看空間：這個問題表面是否很小，但背后能不能挖出足夠大的世界？

03有企業家精神的科學家，有科學家內涵的企業家

在 -1 到 1的新模式下，主角不是單純的科學家，也不是單純的職業經理人，而是研究型創業者。

這個角色有兩個方向的復合能力。第一，他要有科學家內涵，能理解真正的不確定性在哪里，能判斷哪些問題值得研究，哪些路徑只是局部優化。第二，他要有企業家精神，能把可能性推進到價值，能面對客戶、資本、組織和社會責任。

這也是研究型創業者和傳統技術創業者最大的區別：

不是技術是否更強，而是能不能把技術放進真實需求里。

因為技術訓練容易讓人以為，“更先進”就是“更有價值”。但從 0 到 1 的核心不是先進性，而是需求。沒有需求，能力再強也只是能力；進入需求，它才會變成價值。

而創新，就是用更好的方法去滿足需求。

陸奇博士在分享中說：“最直接的需求發現方法就是，要去觀察錢如何合法地從一個口袋流向另一個口袋。哪里有合法的錢流動，哪里就有需求、價值和創造力。”

也就是說，有能力有技術的研究者，要走向市場和用戶。

這就涉及一個很關鍵的轉變：從 Book Smart 到 Street Smart。

Book Smart（書本聰明/高學商）是考試能力，是靜態知識結構。

對很多優秀學生來說，這種能力很強。但知識只有變成活的知識，才有用。活的知識，必須進入觀察、實踐和價值流。

對研究者來說，這個轉變不輕松。因為 Book Smart 的世界里，問題被定義得更清楚，評價標準更明確，同行語言更熟悉；Street Smart（街頭智慧/商業敏銳）的世界里，需求混亂、利益多元、反饋粗糙、路徑不穩定。

但從 -1 到 1 恰恰發生在這種混亂里。

研究型創業者必須讓自己的知識進入真實系統：用戶怎么說，客戶怎么拒絕，預算怎么批，組織怎么抗拒，數據怎么拿，產品怎么落地，政策和倫理怎么限制。這些東西看起來不如理論優雅，卻決定了可能性能不能成為價值。

這種新人才，能在 -1 到 1 的全過程里建立判斷：從選題開始，就知道這個研究未來可能進入什么需求空間；從實驗開始，就知道數據、工程、市場和資本會如何限制路線；從產品開始，就知道真正的價值不是 demo，而是持續滿足需求的能力。

04 無法被AI“蒸餾”的三條斜率和三個行動

AI時代，人還剩下什么？人的位置在哪里？人應該怎么做？陸奇博士在演講中給出了關鍵的判斷指標，以及現實的行動路徑。

先看三條斜率：什么樣的人更適合 AI 時代

• 認知斜率：認知更新的速度。AI會讓知識獲取變便宜，真正貴的是持續更新認知模型。

高斜率組織 × 高密度循環 = 認知斜率的指數加速。對個人而言，在AI原生組織里一年的學習密度，相當于傳統組織里五年。高斜率組織內的認知復利，遠大于傳統組織的工資差距。

• 能動性斜率：搞定復雜事情的能力持續提升。從 -1 到 1 沒有標準答案，能不能持續推進，比一開始懂多少更重要。

研究型創業不是做一道題，而是長期處理不完整信息、不穩定資源和高不確定反饋。“研究 + 工程 + 商業化”即代表"高能動性"。

• 品味斜率：知道什么是高價值。AI 會生成無數方案，但只有人能判斷哪個方向值得繼續投入。

做藥知道哪個下游需求更強；做材料知道供應鏈拐點在哪......這個斜率一旦建立起來，它是最難被別人復制的競爭力。而品味來自大量數據 + 體驗 + 系統性用 AI。

這種斜率思維，比傳統的學歷、履歷、專業標簽，更適合AI時代。因為比"今天有多強"更重要的是"曲線的斜率"。

關鍵不是起點高低，而是你成長得有多快——這決定你的曲線是線性還是指數。

再看三個行動：普通人怎么進入這條曲線

• 行動一：到河對面去

所謂河兩邊，一邊是技術，一邊是需求。

今天AI讓技術側越來越便宜，vibe coding之后基礎工程人員不再稀缺，反而用戶調研、需求深挖、體驗設計越來越貴。技術人員如果不過河，就會離價值越來越遠。

FDE（前沿部署工程師）這類角色之所以重要，是因為它不是傳統意義上的“工程支持”，而是把工程能力部署到客戶現場。它要理解真實工作流、權限結構、數據約束、風險邊界和價值路徑，再把技術嵌入組織。

對研究者也是一樣。做生物要去醫院和藥企，做材料要去上下游供應鏈，做企業 AI 要進企業流程，做教育要進課堂和家庭。不是為了“調研一下”，而是要在真實需求里重新定義研究問題。

• 行動二：到墻外面去

“研究可以在墻內學，但創業只能邊做邊學。”校園、實驗室、導師組、課程和論文訓練，能提供強知識體系，但它們無法替代真實創業環境。

墻內學的是知識，墻外練的是判斷：如何招人，如何和客戶談，如何面對失敗反饋，如何判斷現金流，如何在不確定里取舍，如何讓一個模糊產品進入真實使用......

去創業公司實習，加入高強度團隊，參與真實項目，甚至自己啟動一個小方向，都會讓人更早暴露在價值判斷里。

對研究型創業來說，這種暴露越早越好。因為從 -1 到 1 的關鍵不是等所有能力成熟后再出發，而是在出發過程中讓能力長出來。

• 行動三：到同行者中去

一個人的斜率，往往取決于他所在網絡的密度。

做一件偉大的事，不能只靠一個人的天賦和努力，還要進入一個高密度、多樣化、有長期信任的網絡。

復雜機會往往出現在不同知識和資源的交界處。你不能只認識同專業的人，還要認識產業、藝術、工程、資本、市場、政策和不同技術方向的人。

并且，一個人很難長期承受不確定性，但同行者會提供長期支撐。

“研”與“創”徹底一體化的歷史性相變已經發生，屬于研究型創業者的黃金時代，已經正式到來。

研究型創業不只是給研究者的一條職業建議，而是 AI 時代正在發生的結構變化。

當研究本身成為生產力，誰能組織研究，誰就能組織未來的生產。

所以，這場講座表面上講的是“研究者如何從 -1 到 1 創業，成為研究型創業者”，其實更底層的問題是：

當 AI 把研究、工程、產品、數據、市場和資本壓進同一個組織單元，新時代的創業者，到底需要什么樣的判斷和能力？該用什么方式選題、驗證、組織資源，并承擔價值結果？

來源 | i黑馬（ID：hundun-university）

作者 | 混沌學園 ; 編輯 | 呼呼大睡

內容僅代表作者獨立觀點，不代表早讀課立場