2026年，AI领域的喧嚣与冷静并存。一边是物理AI成为资本追逐的最热赛道，一边是业界大佬不断发出降温警告。在这场技术革命与资本周期的交汇点上，中国工程院院士、清华大学智能产业研究院（AIR）院长张亚勤的观点格外引人深思。他认为，长期来看AI产业没有泡沫，但早期AI创业公司确实存在估值泡沫，这一判断背后是对科技趋势的深刻洞察。在无锡太湖对话前夕，张亚勤就AI发展阶段、教授创业、物理AI卡点等话题与媒体进行了深度交流，本文梳理其核心观点，并结合行业现状进行再解读。
AI的1998时刻：基础设施大基建
张亚勤将当前AI发展阶段类比为1998-1999年的互联网——正在大规模投资基础设施：电力、算力、算法。这一类比精准地捕捉了科技趋势的核心特征：底层基建先行，应用爆发在后。当年互联网巨头疯狂铺设光缆、建设数据中心，最终催生了雅虎、亚马逊等新物种；今天的大模型竞赛中，全球科技巨头在数据中心和芯片上的投入同样以千亿美元计。
但张亚勤提醒，这种高投入能否转化为可持续的收入增长，未来2-3年是关键观察期。如果收入不能按预期的指数曲线走，整个循环将受影响。从大公司到小型AI创业公司，都会面临压力。值得注意的是，本轮AI头部企业的收入增速史无前例——OpenAI、Anthropic的增长曲线远超当年的互联网公司，这给了市场信心，但也埋下了期望过高的隐患。
从技术路线看，当前正在进行的大模型训练竞赛本质上是一场“电力+算力”的军备竞赛。张亚勤认为，下一代AI算法体系需要实现百倍效率提升，这涉及世界模型、Agent等技术突破。在此背景下，那些真正能解决效率瓶颈的AI创业公司，才可能穿越周期。
教授创业的三条路径与一道红线
在这轮AI创业浪潮中，科学家重新站回C位。与三年前“不投教授”的反思形成鲜明对比，今天投资人狂热追捧学术背景的创始人。张亚勤指出，这一轮创业是强技术驱动，中国已经有一批教授能做出世界级的主流创新。但他同时划出一条红线：大部分教授不适合做CEO。
他将教授创业分为三种模式：第一种，教授从院所离职，全职All in创业；第二种，教授以学术为主，将技术转化为企业但不直接管理，公司市场化运作；第三种，教授在校任职同时管理多家公司。张亚勤直言第三种基本做不成。
对于前两种，他认为第一种有成功案例——比如高通由两位MIT教授创建，AIR彭建教授全职创立华深智药也表现出色。但失败概率极高，因为从研究到技术、从技术到产品、从产品到规模化之间有多道鸿沟，很少有人能同时跨越。第二种模式更具可行性：科学家作为联合创始人或首席科学家以技术入股，企业另寻懂商业和工程的CEO。这既能发挥教授优势，又能兼顾企业发展特点。
那么，AI创业公司该如何找到合适的CEO？张亚勤坦言自己也无法为每个团队“配人”。理想CEO的画像应具备强烈信念感、产业深耕经验和对AI技术的理解。值得注意的是，他特别强调：“在学院里我会给大家泼冷水，（成立公司前）会问他们很多：到底要解决什么问题；AI能解决什么；谁来为产品买单。”这种务实态度，对当前AI融资热潮中的创业者极有参考价值。
泡沫的辩证法：行业无泡沫，公司有泡沫
“AI没有泡沫，但早期AI公司会有泡沫。”张亚勤这句话看似矛盾，实则揭示了科技趋势发展的内在规律。他经历过互联网泡沫，当时资本市场远比今天狂热，但很多明星公司迅速消失。今天，机器人赛道已有几百家公司，但张亚勤预测三四年后只会剩下20家；大模型赛道国内最终可能只剩三四家。
他特别提醒创业公司不要盲目追求高估值。市场期望越高，需要证明的就越多。拿太多钱反而可能导致业务不聚焦，钱烧完了却没能转化成业绩。这与“趁市场好多融资”的惯性逻辑形成冲突。张亚勤的忠告是：创业需要足够的钱，但钱不是最重要的因素。当一家企业有真正好的产品、独特的技术、足够强的团队和清晰的前景，一定会有人愿意投。
对于当前AI创业公司的估值策略，他建议应该回归商业本质。1500亿估值看似亮眼，但多数企业还处于“证明自己”的阶段。企业最终要靠技术实现商业化，有收入、有利润，形成竞争力。这一观点在当前AI融资环境下具有重要警示意义——资本狂热时，创业者的冷静才是真正的护城河。
物理AI的慢变量：数据、场景与科学问题
数字智能在过去20年发展迅猛，因为互联网积累了海量文本、图片、视频数据，有清晰的scaling law可循。但物理世界AI——包括机器人、自动驾驶等——进展要慢得多。张亚勤把智能分为三类：数字智能、物理智能和生物智能，其中物理智能的突破面临三大挑战：数据匮乏、场景分散、原子世界不服从摩尔定律。
针对数据不足的问题，目前主要有三种解决路径：第一，从第一人称视角收集人和世界交互的数据；第二，机器人自主采集数据；第三，在仿真环境里模拟生成数据。但模拟器里跑通不等于真实世界可行，因此AIR团队在做Real-to-Sim-to-Real闭环——从真实世界到模拟再回到真实。这其中的技术路线包含VLA（Vision-Language-Action）模型和世界模型。
张亚勤认为，最终很可能是两种路径的结合。VLA路线借助大语言模型的方法论，但动作难以用语言精确描述；世界模型则试图让机器真正理解世界，但尚无清晰scaling law。在科学问题未突破前，应该先在特定场景着手解决真问题。例如，AIR开发的X-VLA系统尝试将不同机器人的能力“归一化”，实现跨设备迁移。
值得注意的是，当前AI图片生成和文生图技术已经相对成熟，但物理世界的“文生动作”仍面临巨大挑战。这背后涉及如何将视觉信息转化为电机控制信号的问题。如果你想快速体验数字智能的前沿成果，可以试试AI画图工具；而物理AI的突破，还需要时间和更多耐心。
让机器人先干脏活：场景落地优先于超级智能
张亚勤强调，机器人应该首先在真实生产力场景中用起来，做人不愿意做的事——比如在煤矿、地下管网、电网等危险艰苦环境工作。AIR正与煤科院合作开发煤矿无人车和机器人，与首创合作开发巡检机器人。这些场景目前需要人机协作，目标是“帮助人”而不是“抢人的工作”。
这与硅谷追求“超级智能”的狂热形成鲜明对比。张亚勤认为，一味追求智能上限，试图“学人、比人更厉害”，风险往往不可控——AI在放大能力的同时也会放大人性中坏的部分。他更关注AI失控和滥用风险。例如，Anthropic的模型Claude Mythos能自主识别软件漏洞，形成大面积网络攻击风险，因此未向公众开放。
从产业落地角度看，家用服务机器人还需要10年以上，但特定场景的机器人（如自动驾驶、工业机器人）技术难点基本已突破，剩下的主要是工程化和商业问题。这种务实路径值得我们关注：与其空谈通用人工智能，不如聚焦能创造实际价值的场景。对此，你可以利用AI工具导航寻找当下就能提升效率的AI应用。
AI风险的三角坐标：失控、滥用与系统性冲击
张亚勤将AI风险归纳为三类：失控、滥用和系统性风险（包括失业等社会问题）。他目前更关注前两者，因为AI系统日益复杂，很多机理是黑盒，且具备行动能力的Agent正从实验室走向现实部署。自主复制、约束逃逸等隐患并非科幻，而是眼前的风险。
他提出一个解决问题的基本原则：在AI产品设计之初就要明确“到底解决什么问题”，这样可控性会更强。AI终究要帮助人活得更好、更舒适、更幸福，而不是成为不可控的力量。这也呼应了前文提到的务实创业态度。当前很多AI创业公司过度追求技术上限而忽视了应用边界，这恰恰是泡沫的来源之一。
总结张亚勤的视角，科技趋势的浪潮下，我们既不必过度悲观——AI产业长期没有泡沫，也不必盲目乐观——多数AI创业公司都会在洗牌中消失。保持冷静、聚焦问题、创造真实价值，才是穿越周期的正确姿势。作为一名普通用户，你也可以借助AI诗词、藏头诗等趣味工具感受AI的魅力，或通过艺术签名、昵称生成等轻应用了解AI在日常场景中的能力。未来属于那些既能仰望星空、又能脚踏实地的玩家。