本文来自微信公众号： 混沌学园 ，作者：混沌学园，原文标题：《陆奇最新演讲！点破新一代AI创业者的底层能力》
为什么Anthropic的收入预计将在今年实现80倍增长？
DeepSeek这样研究驱动的团队，为什么做出来的东西可以迅速被用户使用？
为什么越来越多有学术背景的创始人，其公司估值飙升的速度远远超过传统创业者？
答案可能不是他们更聪明，而是这个时代的游戏规则变了——研究与生产之间的距离，正在以前所未有的速度被压缩。
牛顿的《自然哲学的数学原理》到瓦特改良蒸汽机，中间隔了89年；
麦克斯韦方程组到商用无线电应用，中间隔了31年；
在微软、谷歌时代，研究和生产已经进入同一家公司，但激励体系是割裂的——研究员发论文拿绩效，产品经理做收入拿绩效；
而OpenAI、DeepMind这一代研究型创业企业，研究和生产被同一支团队、同一套激励机制紧密捆绑。
过去，研究是研究，生产是生产；今天，研究成为直接生产力。
这带来的不是线性效率提升，而是量级跃迁。
今天的创新，也不再只是传统意义上的“从0到1”，而是让“-1到1”的研究与生产，在同一个循环里完成。
研究型创业者，正以前所未有的速度创造价值。
（2026年5月30日，奇绩创坛创始人兼CEO陆奇博士在清华大学作讲座分享，主题为《研究型创业者：从-1到1》。本文是对其演讲内容整理而成的笔记文章。）
从-1到1，第四范式下的前沿组织单元
先定义一个基础坐标：
研究解决的是“不可能到可能”，也就是从-1到0；
生产解决的是“可能到价值”，也就是从0到1；
再往后，才是从1到100的规模化。
过去，大学、科研机构和实验室，承担从-1到0的不确定性；企业承担从0到1的市场验证，以及后续的规模化增长。这套分工，支撑了很长时间的现代创新体系。
在AI时代，这个距离被压短了。
生产力的关键要素发生了根本性变化：
研究不再只是论文、模型指标和实验结果，而是可以直接转化成代码、产品能力、企业流程、材料设计、药物设计、客服方案和业务规划。
因此，研究不再停留在论文和实验室里，而是直接进入产品、工程和商业化流程，成为生产资料本身。
更关键的是，生产过程的核心正在变化：过去主要靠开发和运营推进，今天越来越多地由研究过程本身驱动。
研究者不再只问“这个问题在科学上是否新颖”，还要问“它未来会满足什么需求、进入什么产业、需要什么数据、要求什么资本规模、能否在市场里被验证”。
企业也不再只等成熟技术，而是必须前置进入研究阶段，把需求、数据、场景和资源带到可能性探索里。
于是，一个现象产生了——研究与创业开始在同一个组织里闭环。
而这样组织，被称为Neo Lab。
一种AI研究实验室，通常由来自顶级AI实验室的精英研究员、教授或已实现财务自由的企业家创立。它们处于产品市场契合前且营收规模极小，但以极高（通常是独角兽级别以上）的估值融资，专注于长期突破。
它不是一个小众概念，而是第四范式下的一种前沿组织单元。
它既不是传统实验室，也不是传统创业公司。它要有高端人才，要有算力和数据，要能快速工程化，要能触达真实需求，要能获得资本支持，还要能承受长周期的不确定性。
从这个角度看，OpenAI、DeepMind、SpaceX、Neuralink，以及中国正在出现的一批研究型创业团队，都不是传统的公司，它们本质上都是一座拥有全栈商业化和吞噬资本能力的“顶级实验室”。
这类企业需要同时承担四类风险：
科学风险：自然规律或技术路径是否成立。
工程风险：能否稳定、规模化、可交付。
市场风险：是否有人真实需要，是否愿意迁移和付费。
资本风险：这个探索需要多少资源，能否在合适的时间窗口内筹到钱，撑到关键节点。
过去，这些风险分散在不同组织里。今天，它们被压在同一个组织里。
这也是研究型创业真正难的地方。
重要的不是研究选题的数量，而是单个选题的影响力
中国与美国在算力、资本和市场环境上并不相同，但一个共同趋势已经很明显：
AI创业越来越由研究驱动。
中国的新一代大模型企业——智谱、MiniMax、月之暗面、DeepSeek、百川智能等，都在不同程度上体现了这种特征：它们不是先有成熟产品再补研发，而是从一开始就把研究能力放在组织中心，用研究突破带动产品、融资和商业化进程。他们用极短的时间，走完了传统企业需要走十几年的高估值神话。
当研究员成为时代的绝对主导，每一个研究者都需要更早理解自己的题目会进入怎样的价值世界。
陆奇博士用了一个比喻：过去的科研评价更像艺术体操（评委说你好，你就好）；未来会越来越像田径比赛（跑多快、跳多高），结果更客观。
一个博士阶段的选题，如果方向足够宽、技术足够深、需求足够真实，可能在毕业前后就看到外部贡献和商业化路径。
所以，科研选题不再只是论文题目，而是未来影响力的入口。
陆奇博士提出了一种“影响力积分”框架：
影响力=∫峰值强度×dt存续时间
研究影响力，你的科研是否帮助更多科学家做更好的科研；
开发影响力，你的数据集、工具和方法，能否帮助他人训练模型、构建系统；
产业影响力，多少用户、客户、收入增长；
社会影响力，改变了政策、教育、医疗普惠性。
四维覆盖面越大，存续时间越久，影响力积分越高。
一个很直观的例子是：
你发20篇普通CVPR论文，每篇提升5%，但一个月内就被更好的方法替代，那么这些工作的shelf life（影响力生命期）很短，积分面积也很小。
而李飞飞做的ImageNet数据集，10年后依然被引用、被使用、被讨论。它的峰值足够高，存续时间足够长，所以影响力积分远远超过那20篇普通论文的总和。
这也是Go High的真正含义：不要用数量堆砌，而是高度制胜。
写很多篇论文、做很多小改进、追很多热点，并不等于你在改变世界。真正的影响力来自一个足够高、足够深、足够长的方向。
这个方向的选择很重要。陆奇博士在分享中推荐了Paul Graham框架：
第一，看禀赋：你真正擅长什么？第二，看兴趣：你是否有足够强的好奇心，能长期投入？第三，看空间：这个问题表面是否很小，但背后能不能挖出足够大的世界？
有企业家精神的科学家，有科学家内涵的企业家
在-1到1的新模式下，主角不是单纯的科学家，也不是单纯的职业经理人，而是研究型创业者。
这个角色有两个方向的复合能力。第一，他要有科学家内涵，能理解真正的不确定性在哪里，能判断哪些问题值得研究，哪些路径只是局部优化。第二，他要有企业家精神，能把可能性推进到价值，能面对客户、资本、组织和社会责任。
这也是研究型创业者和传统技术创业者最大的区别：
不是技术是否更强，而是能不能把技术放进真实需求里。
因为技术训练容易让人以为，“更先进”就是“更有价值”。但从0到1的核心不是先进性，而是需求。没有需求，能力再强也只是能力；进入需求，它才会变成价值。
而创新，就是用更好的方法去满足需求。
陆奇博士在分享中说：“最直接的需求发现方法就是，要去观察钱如何合法地从一个口袋流向另一个口袋。哪里有合法的钱流动，哪里就有需求、价值和创造力。”
也就是说，有能力有技术的研究者，要走向市场和用户。
这就涉及一个很关键的转变：从Book Smart到Street Smart。
Book Smart（书本聪明/高学商）是考试能力，是静态知识结构。
对很多优秀学生来说，这种能力很强。但知识只有变成活的知识，才有用。活的知识，必须进入观察、实践和价值流。
对研究者来说，这个转变不轻松。因为Book Smart的世界里，问题被定义得更清楚，评价标准更明确，同行语言更熟悉；Street Smart（街头智慧/商业敏锐）的世界里，需求混乱、利益多元、反馈粗糙、路径不稳定。
但从-1到1恰恰发生在这种混乱里。
研究型创业者必须让自己的知识进入真实系统：用户怎么说，客户怎么拒绝，预算怎么批，组织怎么抗拒，数据怎么拿，产品怎么落地，政策和伦理怎么限制。这些东西看起来不如理论优雅，却决定了可能性能不能成为价值。
这种新人才，能在-1到1的全过程里建立判断：从选题开始，就知道这个研究未来可能进入什么需求空间；从实验开始，就知道数据、工程、市场和资本会如何限制路线；从产品开始，就知道真正的价值不是demo，而是持续满足需求的能力。
无法被AI“蒸馏”的三条斜率和三个行动
AI时代，人还剩下什么？人的位置在哪里？人应该怎么做？陆奇博士在演讲中给出了关键的判断指标，以及现实的行动路径。
先看三条斜率：什么样的人更适合AI时代
认知斜率：认知更新的速度。AI会让知识获取变便宜，真正贵的是持续更新认知模型。
高斜率组织×高密度循环=认知斜率的指数加速。对个人而言，在AI原生组织里一年的学习密度，相当于传统组织里五年。高斜率组织内的认知复利，远大于传统组织的工资差距。
能动性斜率：搞定复杂事情的能力持续提升。从-1到1没有标准答案，能不能持续推进，比一开始懂多少更重要。
研究型创业不是做一道题，而是长期处理不完整信息、不稳定资源和高不确定反馈。“研究+工程+商业化”即代表"高能动性"。
品味斜率：知道什么是高价值。AI会生成无数方案，但只有人能判断哪个方向值得继续投入。
做药知道哪个下游需求更强；做材料知道供应链拐点在哪......这个斜率一旦建立起来，它是最难被别人复制的竞争力。而品味来自大量数据+体验+系统性用AI。
这种斜率思维，比传统的学历、履历、专业标签，更适合AI时代。因为比"今天有多强"更重要的是"曲线的斜率"。
关键不是起点高低，而是你成长得有多快——这决定你的曲线是线性还是指数。
再看三个行动：普通人怎么进入这条曲线
行动一：到河对面去
所谓河两边，一边是技术，一边是需求。
今天AI让技术侧越来越便宜，vibe coding之后基础工程人员不再稀缺，反而用户调研、需求深挖、体验设计越来越贵。技术人员如果不过河，就会离价值越来越远。
FDE（前沿部署工程师）这类角色之所以重要，是因为它不是传统意义上的“工程支持”，而是把工程能力部署到客户现场。它要理解真实工作流、权限结构、数据约束、风险边界和价值路径，再把技术嵌入组织。
对研究者也是一样。做生物要去医院和药企，做材料要去上下游供应链，做企业AI要进企业流程，做教育要进课堂和家庭。不是为了“调研一下”，而是要在真实需求里重新定义研究问题。
行动二：到墙外面去
“研究可以在墙内学，但创业只能边做边学。”校园、实验室、导师组、课程和论文训练，能提供强知识体系，但它们无法替代真实创业环境。
墙内学的是知识，墙外练的是判断：如何招人，如何和客户谈，如何面对失败反馈，如何判断现金流，如何在不确定里取舍，如何让一个模糊产品进入真实使用......
去创业公司实习，加入高强度团队，参与真实项目，甚至自己启动一个小方向，都会让人更早暴露在价值判断里。
对研究型创业来说，这种暴露越早越好。因为从-1到1的关键不是等所有能力成熟后再出发，而是在出发过程中让能力长出来。
行动三：到同行者中去
一个人的斜率，往往取决于他所在网络的密度。
做一件伟大的事，不能只靠一个人的天赋和努力，还要进入一个高密度、多样化、有长期信任的网络。
复杂机会往往出现在不同知识和资源的交界处。你不能只认识同专业的人，还要认识产业、艺术、工程、资本、市场、政策和不同技术方向的人。
并且，一个人很难长期承受不确定性，但同行者会提供长期支撑。
“研”与“创”彻底一体化的历史性相变已经发生，属于研究型创业者的黄金时代，已经正式到来。
研究型创业不只是给研究者的一条职业建议，而是AI时代正在发生的结构变化。
当研究本身成为生产力，谁能组织研究，谁就能组织未来的生产。
所以，这场讲座表面上讲的是“研究者如何从-1到1创业，成为研究型创业者”，其实更底层的问题是：
当AI把研究、工程、产品、数据、市场和资本压进同一个组织单元，新时代的创业者，到底需要什么样的判断和能力？该用什么方式选题、验证、组织资源，并承担价值结果？