蓝驰创投陈维广：AI热潮中什么会真正留在岸上？

数据、价值和长期判断。

来源|蓝驰创投

市场越热的时候，越要回到真实价值。

蓝驰创投长期关注基础模型、AI 应用与 Physical AI，投资了Kimi、Genspark、银河通用、智元机器人，这背后，是蓝驰长期坚持的一套判断：

真正值得长期投入的公司，不只要站在技术变化的起点，更要深入真实场景，找到需求、积累数据，并建立能够持续进化的能力。

8月3日，在新加坡举行的 AGI Playground 2026 上，蓝驰创投管理合伙人陈维广结合蓝驰在 AI 领域的长期投资实践，分享了对 AI 市场变化、AI 企业估值逻辑，以及 Physical AI 如何从技术走向真实世界的思考。

在他看来，模型能力越趋同，创业公司越需要建立独特的场景理解和数据壁垒；

Physical AI 的价值，在于进入真实生产，解决存在的问题。

陈维广也谈到了近期关于大模型开放权重的讨论——

这是成本、数据和部署需求共同推动的市场趋势，无论技术路径如何变化，最终仍要回到成本、交付与用户价值。

以下是对谈全文，由蓝驰编辑整理，Enjoy：

01

市场越热

越要找到真正的差异化

陈哲：过去 12 个月，AI 行业发生了哪些值得关注的变化？

陈维广：我看到了几个较为明显的变化，尤其是对中国创业者而言，不论他们现在在中国，还是在海外。

第一，市场明显升温，即使是非常早期的 AI 项目，估值也已经被推到了很高的位置。

第二，我们看到大量优秀工程师出来创业。

他们有的来自大型 AI 公司，有的原本就在创业公司里。

这背后和资本市场重新活跃也有关系：更多钱涌入了市场，而且不只是 VC 市场，二级市场也是如此。

虽然仍然会有波动，但整体上，资金确实在大量进入。

第三，大家关注的方向开始趋同。

这有好的一面，也有不好的一面。

好处是投资人会更容易集中研究这些赛道；但另一面，很多人也开始涌向同一类想法。

当市场上的钱更多，竞争一定会更激烈，错误也一定会更多。

陈哲：市场和技术都在快速变化的情况下，你目前还会遇到让想快速出手的机会吗？公司有哪些特质是你会比较关注的？

陈维广：两三年前，投资判断相对容易一些。

那时候，大家看大语言模型、半导体芯片、GPU，也看一些应用层的机会，方向比较清楚。

但如今竞争更激烈，资本市场也在升温。这种情况下，我们需要找到一些有明显差异化的东西。

过去半年，我们看了不少 Physical AI 方向的机会。

这个市场虽然已经进入了很多资金，但它仍缺少非常基础的一样东西：高质量的物理交互数据。

所以，我们一直在寻找能够真正解决这个问题的公司。

今年年初，蓝驰投资了 OriginFlow。

这家不只依赖第一视角的影像数据，而是借助新的算法能力，重新定义了肌电数据在机器人训练中的价值。

举个很简单的例子：当我们伸手拿起一个瓶子时，手臂和手部的肌肉会发生一系列细微收缩。

他们可以捕捉这些肌肉收缩产生的电信号，再把信号数据提供给机器人做训练，让机器人的行为更接近人，也能完成更精细的任务。

这是我们正在关注的一类机会：

如何把 Physical AI 实际体验中缺少的那一部分补起来。

刚才提到的 Agent 也是同样的逻辑。

我们会尽量避免投资那些容易被大语言模型取代的 Agent，或者某一项单独的 Agent 能力。

大家可能都在新闻中看到过类似的事：

一家创业公司正在做某个 Agent，过不了多久，Anthropic 或者其他大模型公司就做出了相近的能力。

所以过去半年，我们更愿意看那些拥有独特场景、独特数据和独特上下文的创业公司。

它们真正要解决的，是当前最先进的模型与用户真实需求之间的那段距离。

很多人觉得，只要模型达到了当前最先进的水平，就自然能解决用户问题。

但实际上不是这样。

大多数用户不像开发者那么熟悉模型，用户真正想要的东西和大语言模型能够直接提供的东西之间往往还隔着一层。

要把这一层补上，就必须真正理解产品的使用环境和具体上下文，同时还要有独有数据。

01

市场空间依然巨大模型会吃掉应用吗？

壁垒在场景、数据与闭环

陈哲：目前很多创业者关心的一个问题是：当基础模型持续进步，并不断向应用层延伸时，今天做应用创业还有没有意义？

陈维广：这件事还在快速发展，所以我今天分享的不一定百分之百代表现实，我可以从感受层面分享一下：

从投资人的角度来看，我们和创业者一样，最终还是要理解客户和用户的需求。

现在的市场大致可以分成两类：一类是企业用户，另一类是消费者。这两类用户很不一样。

企业市场里，老板们当然都希望公司尽快建立 AI 能力。

一开始，很多企业会先批一笔预算，让团队去花，去订阅各种大语言模型。

但他们很快就会发现，成本非常高。

而且最“可怕”的是，那些真正很会用 AI 的人，往往可以消耗非常多额度。

因此对企业来说，预算始终是个问题。

如果企业只用闭源模型，成本会变得很高。

而如今在中国，开放权重的模型很受欢迎。

另一个问题是，数据和知识产权对企业客户越来越重要。

企业会担心使用闭源模型时，自己的数据是否可能被模型公司获取。

另一个顾虑是，基础模型公司可能随时进入应用层。

比如 Cursor 的产品使用了 Anthropic 的模型，原本是 Anthropic 的客户；

但 Anthropic 推出 Claude Code 后，双方就形成了直接竞争。

对很多依赖闭源模型的应用公司来说，这种关系本身就意味着风险。

而在另一方面，对消费者而言，他们自己付费使用 AI，付费意愿往往没有企业那么强。

所以产品一方面要好用，另一方面也必须足够便宜。

我之所以先讲这两类用户，是因为对创业公司来说，你必须先想清楚，自己究竟要服务哪一类人。两者需要的产品完全不同。

比如，陪伴型 AI 更偏向消费者。

所以它需要聚焦的问题是：有没有相应的数据？对这个使用场景的理解够不够深？你的 Agent 是不是真的能让用户觉得，它理解自己？

而在企业市场，需要考虑的问题则是能不能帮客户保护数据，同时让他们以合理成本用上 AI。

这些问题必须在一开始就想清楚。

创业者要知道在服务谁，才能建立真正的价值。

对创业公司来说，你需要找到的不应该是“我能不能做出一个更好、更聪明的模型”，而是哪些具体场景能形成独有价值。

比如最近已经有不少创业公司在做科学和数学方向。

创业者真正需要思考的是，如何在具体场景中建立起独特价值，让大模型公司无法仅凭模型能力的升级就轻易取代你。

回到开始的那个问题：过去半年，市场发生了哪些变化？

和一年前相比，我们现在看到的 AI 应用公司少了，Physical AI 公司则明显多了。

因为创业团队必须先想清楚两件事：

大语言模型的持续进步会给自己带来怎样的竞争？面对这种竞争，自己又能建立什么样的独特能力和壁垒？

从这个角度看，过去半年，市场其实变得理性了一些。

一年前，大量资金涌向应用层；现在，资本的关注重点正在转向大模型和 Physical AI。

当然，这个趋势仍在变化。

一些大模型公司已经进入资本市场，另一些也在筹备上市，并获得了很高的市场估值。

这让市场逐渐形成了一种共识：与大模型公司相比，应用公司的成长空间和投资机会可能没有那么大。

但这种共识究竟对不对，现在下结论还为时过早。

也许半年或一年后，当一批应用公司建立起真正的核心能力和竞争壁垒，并用持续增长的收入证明自己的商业价值，市场对应用层的判断也会随之改变。

03

AI公司的估值

最重要回到价值本身

陈哲：投资人应该如何判断一家 AI 或 Agent 公司的估值？哪些因素最关键？

陈维广：现阶段，早期 AI 公司的估值主要还是由市场供需决定的，很难完全按照公司的收入、利润，或者实际资金需求来计算。

现在出来创业的很多团队背景都很好，因此会提出更高的估值要求。

与此同时，越来越多资本正在进入 AI 市场。

对于早期项目，尤其是 A 轮前后的公司，估值很大程度上取决于两个因素：

创始团队本身的质量，以及市场上有多少家基金愿意参与竞争。

这套逻辑更适用于不需要自行预训练模型的应用公司和 Agent 公司。

它们的资本需求相对有限，估值更多反映的是投资人对团队和市场机会的判断。

但对于 Physical AI 公司，或者正在训练下一代基础模型的团队，情况就不一样了。

它们需要进行预训练，必须投入大量资金租用 GPU。

因此，这类公司在 A 轮就可能需要融资 5000 万至 1 亿美元。

对这类资本密集型公司来说，估值往往是从融资需求和股权稀释比例倒推出来的。

假设公司需要融入一大笔资金，同时又不能在一轮融资中让出过多股权，那么它的投前估值自然会被推高。

我们看到的一些项目，A 轮投前估值可能已经达到 2 亿至 3 亿美元。

所以，应用公司与模型、Physical AI 公司不仅融资规模不同，背后的估值逻辑也不一样：

前者更多由团队质量和市场竞争决定，后者还要考虑训练成本、资金需求和可接受的股权稀释比例。

04

中国制造业

是Physical AI的训练场

陈哲：过去 12 个月，AI 硬件和 Physical AI 的投资热度显著上升，你怎么看这一轮热潮？它背后的驱动因素是什么？

陈维广：在我看来，这轮 Physical AI 热潮背后，既有宏观因素，也有微观层面的产业原因。

从宏观层面来看，中国正在进入“十五五”时期，具身智能进入国家重点发展的方向，资本市场便围绕它形成较强的投资共识。

再看微观层面。首先，中国还没有形成成熟的企业级 AI 付费市场。

过去，包括我们在内的很多投资机构都投过中国 SaaS，但真正获得理想回报的项目并不多。

一个重要原因是，中国企业为软件解决方案支付高价的意愿相对有限。

因此，中国创业者进入 AI 领域时，可选择的方向相对集中：

一类是消费级应用；另一类就是 Physical AI。

由于中国缺少足够成熟的企业级 AI 市场，创业者和投资人自然会把更多精力和资本投向消费应用和 Physical AI。

微观层面的第二点，是中国庞大的制造业基础。

中国拥有规模庞大、链条完整的制造业生态。

对 Physical AI 来说，真实的生产场景非常重要。

机器人只有进入实际环境，在人的参与下不断采集数据、获得反馈，模型才有可能持续提升。

中国庞大的制造业体系恰好提供了这样的训练场。

工厂里丰富的任务、流程和交互数据可以为机器人持续积累真实世界数据。

这些因素共同推高了 Physical AI 的投资热度。

这也是早期投资市场的特点：

一个方向可能在几个月内迅速升温，也可能在接下来的几个月里快速降温。

Physical AI 的长期价值，与当下资本市场的短期热度，是两件需要分开判断的事。

陈哲：面对不同类型的 Physical AI 公司时，投资人的评估标准是怎样的？

陈维广：这个问题如果问不同的人，往往会得到完全不同的答案。

比如，李飞飞教授曾提到，Physical AI 目前仍然缺少足够的数据，真正成熟可能还需要 10 年甚至 15 年。

但如果你去问这个领域里最有激情的创业者，他们可能会告诉你，未来 5 年内，我们就会在工厂甚至家庭里看到大量机器人。

谁对谁错？我觉得现在还很难下结论。

但有一点是可以确认的：技术在持续进步。

我们投资了一些规模相对较大的机器人公司，包括银河通用、智元机器人和它石智航。

从这些公司的实际数据中，我们已经开始看到一定的 Scaling 效应：

随着训练数据不断增加，机器人的能力也会相应提升。

这个过程和大语言模型有相似之处。五年前的机器人还比较“笨”，即使学习一项简单任务，也可能需要投入大量时间反复训练。

但今天，随着 AI 能力提升和数据量增加，机器人能力的提高也在加速。

不过，Physical AI 的 Scaling 不会像大语言模型那么快，因为它面对的是一个复杂得多的物理世界。

互联网上的文本、图像等数据，可以相对直接地用于训练大语言模型。

Coding AI 也是如此，GitHub 已经积累了多年的代码和软件数据，模型可以直接从中学习。

但 Physical AI 所需要的真实世界交互数据，很难以同样的方式大规模获取。

即便如此，我们仍然保持相对乐观。未来会有一些公司率先把具身智能机器人部署到工厂和制造业中，在具体场景里完成真正有价值的工作。

它石智航就是一个例子。

汽车线束由大量线路组成，需要连接扬声器、通信设备等不同部件。

过去，这类工作需要大量熟练工人手工完成，而且对准确率的要求极高。

一旦其中一根线连接错误，整个部件都可能无法使用。

现在，机器人已经开始进入这一生产环节，实际效果非常令人惊喜。

所以简单来说，技术正在进步，商业落地也已经开始发生；但当市场热度过高时，错误投资和市场调整同样不可避免。

因此最终，我们期待的就是机器人能进入工厂和家庭，完成有实际价值的工作。

我对 Physical AI 的长期发展保持谨慎乐观，它还需要时间继续发展。

05

别只看终局

先找到今天能成立的场景

陈维广：今天现场有很多创业者，我也想借这个机会分享一点观察。

谈到机器人，我们很容易从结果提问：你的机器人最终真的能走进家庭、照顾老人吗？

如果今天还做不到，是不是就意味着这家公司不值得创办？

但从我们接触过的创业公司来看，优秀的创业者不会只在“现在能不能实现终局”之间做选择。

他们当然有长期愿景，也相信自己最终能够到达那里；

但与此同时，他们会认真思考：

在技术还没有完全成熟的今天，哪些场景已经存在真实而迫切的需求？

我现在能够解决什么问题？

又该通过哪些阶段性里程碑，获得客户、积累数据，并支撑公司继续融资和成长？

汽车线束装配就是一个很好的例子。

这项工作涉及大量线路，需要熟练工人按照严格要求完成连接。

它既需要一定的知识和技能，又高度重复，而且容错率很低。

大量线路中只要有一处连接错误，整个部件都可能需要返工，甚至报废。

制造业中，愿意长期从事这类需要专业训练，但是重复性工作的年轻人会越来越少。

而这个生产环节则是机器人可以率先创造价值的场景。

所以对创业公司来说，一个现实的路径是先进入这样的细分场景，解决当下已经存在的问题。

在这个过程中，公司可以不断积累数据、客户和技术能力，再一步步向更通用的机器人能力延伸。

也许有一天，当机器人的成本足够低、能力足够强时，它真的可以走进家庭、照顾老人。

但在到达那个终局之前，创业公司首先要找到一个今天就能够成立的场景。

06

未来三年：

开放模型、Physical AI与生产力重构

陈哲：展望未来三年，你有哪些相对确定的判断？

今天的哪些共识可能被推翻，又有哪些尚未被重视的变化可能成为现实？

陈维广：我有三个相对明确的判断。

第一，开放权重模型和开源模型会变得更加普及。

今天我们在新加坡交流，现场也有很多新加坡企业。我会鼓励大家尝试开放权重和开源模型。

随着企业使用 AI 的规模不断扩大，成本会成为越来越重要的问题。

同时，企业也需要保护自己的专有数据，并根据业务需求选择更灵活的部署方式。

因此，未来的市场不会只有一种方案。

闭源模型和开源模型会长期并存，分别满足不同场景的需求。

这是成本、数据和部署需求共同推动的市场趋势。

第二，Physical AI 会进入更多真实场景。

它的发展速度可能不会像大语言模型那么快，但未来三年，我们一定会在更多工厂和细分应用中看到它。

机器人会逐渐从展示能力，走向解决具体问题，在制造业和其他专业场景中完成真正有价值的工作。

第三，AI 会重新塑造一部分工作。

无论是大语言模型还是 Physical AI，随着它们不断普及，一部分重复性工作会被替代。

政府、企业和社会都需要思考，如何应对由此带来的就业和经济结构变化。

但这件事也有积极的一面。真正懂得使用 AI 的人，可以完成更多工作，创造更高的产出。

未来的差距，可能不仅在于一个人原来具备什么能力，也在于他能否有效利用 AI。

我不太确定的是资本市场。

今天有大量资金进入 AI，一方面推动了技术和产业发展，另一方面也抬高了市场预期。

最终一定会有人获得很好的回报，也会有人损失大量资金。

如果 AI 没有在预期时间内创造出足够大的实际价值，市场会不会出现明显调整？调整会有多大？这些问题现在还很难回答。

所以，我对 AI 和 Physical AI 的长期发展相对乐观，但对短期资本市场会如何变化，仍然保持谨慎。

· END ·

超 级 社 群

【投资人说】正在组建超级创业者社群、超级读者群、超级媒体群等，目前总人数已超1000人。

关注【投资人说】微信公众号，发送信息「进群」，与各行业精英直接交流，共同进步。

旗 下 媒 体