模速正年轻｜不设答案，只问真问题：一场AI青年的“集体进化”

辩题一

创业VS科研

价值实现与长远突破孰轻孰重？

聚焦AI青年职业道路的“元选择”，投身创业浪潮能快速将技术转化为产品，通过市场验证推动技术迭代，是当下AI价值最直接的体现方式。

无问芯穹总经理曾书霖以自身实践回应了这一辩题：“无问芯穹通过真实业务的反馈来迭代底层芯片与系统infra，只有把真实业务里的关键数据反馈给创新源头，技术迭代才能更好地转起来。”

品览科技董事长李一帆则认为创业、科研两者之间并非天然对立，他建议大家：“别着急要答案，先问对问题；不要迷信权威，机会这么多，创业也需要像科研一样做实验，要有自己的思考和想法，才能做出自己的GPT。”

不过也有嘉宾认为，基础研究是AI发展的“根技术”，没有底层突破，应用创新将成为无源之水。上智院物质科学领域首席科学家徐丽成展示了科研转化的闭环路径：“让科研一线的化学家通过自然语言调动分子设计与合成模型，打造干湿实验全链路的闭环，把好想法快速落实到物质创造里。”

上海人工智能实验室青年科学家刘翼豪提醒大家不要盲目追逐行业中的热潮：“不要都去做同质化的事，也要去关注那些看似边缘、数据获取难的差异化方向，它们可能在未来成为主流。”

当讨论深入，大家也逐渐开始形成了一种默契：科研和创业不是对手，而是彼此的养料。市场反馈为源头创新注入活水，硬核研究终将成为下一代应用的地基。

辩题二

大厂VS小厂

第一份工作该追求稳定平台还是快速成长？

面对职业起点，许多年轻人往往会在成熟大厂与初创小团队之间犹豫不决。大厂完善的培训体系、海量的数据资源、规范化的研发流程，能够帮助新人建立系统化思维和职业安全感；但小厂能在扁平结构中实现多面手锻炼、从0到1的决策参与、直面用户反馈的快速迭代，是AI领域最宝贵的“创业基因”培养皿。

当讨论深入到职业履历含金量、抗风险能力与技术视野时，多位嘉宾给出了超越二元对立的洞见。

MiniMax执行总编辑周晓榕指出，时代正在变化：“AI正在改变个人能力积累的方式，也在填平大厂和创业公司之间的资源鸿沟。比选择哪里更重要的，是你想解决什么问题。”

阶跃星辰CTO朱亦博的发言从开源角度切入，在他看来不管是大厂还是小厂，开源是获得用户口碑和生态的最好手段，而在职业流动性上，他则提出“大厂和小厂是双向流动的，别把自己锁死在大厂，要做‘π型人才’，活出无限不循环的人生。”

极顶数创创始人嵇盼直言，真正的机会恰恰藏在不确定性里：“高度不确定的方向才有机会。特别确定的东西，砸人砸资源换不来机会。大厂的稳定性是个问号，真正的安全感来自于能否在不确定性中获得最大化的成长。”

三位嘉宾的分享共同指向一个结论：与其纠结“大厂还是小厂”，不如追问自己究竟要解决什么问题、想成为什么样的人。无论选择哪条起点，持续成长的能力与开放的心态，才是最长久的职业资产。

辩题三

成功VS失败

如何看待“失败”对年轻事业的意义？

AI青年成长过程中的心理韧性与价值重塑，影响着新一代创新者能否在高压与不确定性的当下行稳致远，也关乎着整个AI生态发展的可持续活力。

在AI这一高投入、高不确定性的领域，失败的科研项目、关闭的创业公司、落选的技术路线，恰恰是年轻人积累判断力、提升抗压能力的必修课。现场青年代表分享了各自经历中那些“未达预期”却“意外收获”的时刻，重新定义了成功与失败的关系。

红熊AI CEO温德亮直言，真正的成长来自一线实践：“技术方案永远是在真实业务场景里迭代出来的，否则你听到的只是别人的故事。”在他看来，失败并不可怕：“失败不可怕，怕的是失去继续挑战的勇气。每一次失败都可能孕育一个真正的技术创新。”

蜜度蜜巢总裁刘益东则从AI训练的角度给出了一个精妙的类比：“失败的经验是负样本数据，比正样本更能促进智能迭代。”这恰恰呼应了心理韧性的核心——不是逃避错误，而是把每一次“未达预期”都当作优化自身决策模型的数据。

中天新辰CEO高翰从跨界视角补充：“技术和内容就像河的两岸，做AI+影视，必须让文科生和理科生互相‘游到对岸去’。”这种主动游向“对岸”的能力，恰恰是在失败与碰撞中磨练出的最宝贵的心理韧性——敢于放下自己的思维惯性，理解另一种逻辑，才有可能在高度不确定的AI浪潮中，找到属于自己的可持续路径。