前沿创业机会｜奇绩在找这样的 AI 创业者 #2

认知，是感知领域，建立结构，寻找规律。

在通用智能快速发展的今天，创业者面对的挑战，已经不只是跟上新模型、新产品和新工具。真正重要的是，能不能透过不断变化的现象，找到背后相对稳定的发展规律。

我们把近期的一些观察整理出来，也分享我们从中看到的一些创业机会。

需要提前说明的是，以下方向并不是奇绩关注的全部，也不是一份标准答案。真正重要的创业机会，往往始于一个具体的问题、一处真实的场景，以及长期持续的验证。

1. 建立领域级的真实反馈数据飞轮

人工智能领域的数据飞轮，正在从“知识数据驱动”逐步转向“行为数据驱动”，再进一步走向“真实世界反馈驱动”。

早期的大模型主要依赖互联网文本、书籍、论文、代码等静态数据，通过用户使用后的问答、反馈和数据回流继续训练模型，这一阶段的核心是不断扩大模型的知识覆盖，解决“模型知道什么”的问题。因此，数据飞轮 1.0 的典型路径是“知识问答—数据回流—再次训练—能力提升”，竞争重点也更多集中在高质量语料、参数规模和预训练能力上。

随着推理模型、Deep Research 和 Agent 出现，数据的价值开始从“最终答案”转向“解决问题的过程”。模型在搜索资料、选择路径、调用工具、修改代码、处理报错的过程中，会留下大量推理和操作轨迹。这些轨迹能够告诉模型“一个任务到底是怎么完成的”，因此数据飞轮的重点也从知识问答，逐步转向任务轨迹和环境反馈。尤其在 Coding 场景中，测试是否通过、程序是否运行成功，都可以形成非常明确的反馈闭环。

再往后，数据飞轮会进一步进入医疗、金融、制造、科研等真实产业。此时评价模型的标准不再只是“答案对不对”或“任务做没做完”，而是看最终有没有产生真实效果，比如诊疗结果是否改善、生产良率是否提升、实验是否成功。也就是说，AI 的核心数据正在经历从文本和问答，到推理过程，再到行动轨迹，最后到真实世界结果的变化。

这也意味着，未来真正有价值的数据壁垒，可能不再只是公开互联网语料，而是企业内部真实任务、真实流程和真实反馈。谁能够让 AI 更深入地进入业务场景，并持续获得高质量的过程数据和结果数据，谁就更容易形成下一阶段的数据飞轮。

2. 面向智能体的驾驶舱、运行环境与记忆系统

智能体是一个工程系统。它是模型加上一个驾驶舱系统，在认知科学里，就像大脑加上心智一样。

这套驾驶舱包括 Loop、工具界面、上下文管理和控制机制，其中最重要的是记忆体系。没有记忆，任务中积累的经验和知识就无法沉淀下来。

随着模型能力提高，今天的一部分脚手架会逐步被模型内化。但智能体仍然需要一套工程系统，帮助它在有限的时间、资源和权限条件下稳定完成任务。

这里会产生一系列新的基础设施机会：面向智能体的 Runtime、开发与运维环境、长期记忆、权限管理、任务调度、评估验证、组织知识库，以及模型和驾驶舱联合优化的系统。

真正有价值的产品，很难只是给模型加一层界面。它需要进入任务环境，连接上下文、工具和反馈，形成一套能够持续工作的工程系统。

一个值得关注的方向，是让模型学会生成更多 Runtime，并逐步内化更多驾驶舱能力。驾驶舱不一定需要很厚，但承载任务、工具、环境和反馈的工程外壳仍然需要存在。

这也是 Meta Harness 值得关注的原因：模型和驾驶舱如何联合优化、联合进化，仍然是一个非常早期、但重要的方向。

3. RSI 自我递归改进

RSI（Recursive Self-Improvement，自我递归改进）指的是 AI 不再只依赖人类持续优化，而是开始参与“改进自己”这件事。这里的“自己”并不只是模型参数，也包括记忆、工具、工作流、研发流程，甚至下一代模型本身。它更像是一条逐步推进的路径：AI 先学会总结经验，再优化自己的工作方式，之后参与 AI 研发，最终才可能走向端到端训练下一代 AI。

第一阶段是经验自进化。Agent 在完成任务后，总结哪些方法有效、哪些步骤失败，并把这些经验沉淀到记忆和技能中，在后续任务里继续复用。这个阶段优化的主要还是模型之外的经验层，相当于让 Agent “越做越熟”。

第二阶段是驾驶舱自进化。AI 开始调整自己的 Prompt、工具调用方式、Workflow、记忆结构和任务拆解方法。过去这些工作主要由工程师完成，未来会有一部分由 Agent 自己完成。也就是说，AI 不只是执行任务，而是开始思考“怎样改变自己的工作方式，才能把任务做得更好”。

第三阶段是AI 加速 AI 研究。AI 的优化对象从自身工作方式扩展到整个研发流程，可以参与文献检索、提出假设、写代码、设计实验、运行实验和分析结果。这个阶段已经在头部实验室中出现，但评测、可靠性和研究方向判断仍然需要较强的人类参与。

第四阶段是AI 端到端训练下一代 AI。AI 开始更完整地参与模型设计、数据准备、训练、评估和迭代，研究结果又反过来提升下一代模型能力。更强的模型继续参与下一轮研发，才形成真正意义上的“递归”。

因此，RSI 的本质不是 AI 突然获得一种“自我进化能力”，而是优化对象不断向自身靠近：从经验，到工作系统，再到研发流程，最后到下一代模型本身。可以概括为一条很清晰的路径：总结经验 → 优化系统 → 参与研发 → 训练下一代 AI。

4. 世界模型、具身智能与情境智能

语言和代码只是人类世界的一部分。通用智能继续向前发展，必须理解真实的物理环境。

世界模型需要理解空间结构、物理现象和因果关系。具身智能则要在理解世界的基础上，控制本体，与环境交互并完成任务。

当前，这些方向仍处在非常早期的阶段。模型结构、预训练方式和数据路径都没有完全收敛。真正的关键仍然是数据，尤其是能够规模化获得的真实反馈数据。

具身智能的数据大致形成了一个金字塔：互联网视频、仿真和合成数据、低成本设备采集的数据，以及成本最高的真机遥操作数据。不同路径都会发挥作用，但最终要解决的是同一个问题：怎样用足够低的成本，持续获得足够真实的反馈。

除了机器人，音频和流视频也值得关注。

人类拥有大量无法通过文字完整表达的隐性知识。工厂里的操作经验、医院里的观察判断、人与人面对面的交互，以及日常生活中的大量技能，往往通过声音、动作和视频传递。

谁能把这些隐性知识转化为模型可以学习、执行和验证的数据，谁就更有机会让智能体走出办公室，进入日常生活和物理世界。这里有机会形成新的数据平台、交互入口和大型应用公司。

5. 从领域模型走向科学智能系统

科学智能仍然处在早期，还需要“让子弹飞一会儿”，但它正在出现一个重要变化。

过去，很多团队会围绕蛋白质、材料或某一类科学问题，训练一个专门的领域模型。新一轮科学智能开始更多地采用通用智能的路径：用预训练的方法，找到足够多的数据和真实反馈数据，先把领域里的可迁移能力做出来。

模型已经可以完成一部分信息理解、科学推理和代码执行，但可靠性仍然存在明确的边界。技术路线和产品形态也没有完全收敛。

因此，未来的竞争不会只发生在模型之间，也会发生在“模型加科研体系”之间。团队能否把领域数据、模型能力、工具执行和实验或仿真反馈连接起来，形成持续迭代的科研系统，会变得越来越重要。

更长期来看，科学正在走向大规模工程化和产业化。过去依赖少数科学家长期推进的认知工作，可能逐步被系统复制、验证并加速。研究本身也会越来越直接地转化为产品和产业价值。

6. 为 AI 建立真正的“理解层”

今天，代码是 AI 落地最快的领域，一个重要原因是代码工作的上下文相对集中。

文件、代码仓库、任务说明、测试结果和部署环境，都可以被模型直接访问。其他行业的上下文往往分散在文档、数据库、聊天记录、人的经验和组织规则中。模型不知道应该去哪里找，也不知道不同信息之间是什么关系。

因此，AI 进入更多行业之前，必须先建立理解层。

一个完整的认知系统通常包含三层：底层接入数据和资源，中间理解业务与环境，上层调用工具并完成操作。中间的理解层最为关键，它需要记忆、反思、规划、业务语义、判断规则和真实反馈。

Ontology，也就是对业务对象、概念和关系的系统定义，会在这里变得越来越重要。如果每个人用不同的语言描述同一件事，AI 很难真正理解组织正在做什么，也无法稳定地执行任务。

围绕理解层，会出现新的数字化全栈。过去相互分离的开发环境、运行环境和运维环境，会逐渐围绕智能体重新组合。模型的代码能力进入产品和工作流，运维系统也需要从“为人设计”转向“为智能体设计”。

这里的机会包括业务 Ontology、上下文工程、智能体原生 Runtime、硅基运维系统、组织记忆，以及连接数据、理解和操作的新一代企业平台。

7. FDE 与大规模定制化的企业 AI

企业使用 AI，不能只靠交付一个标准软件。

模型要进入真实业务，需要有人深入一线，把企业的业务语言、数据定义、判断标准、组织流程和反馈机制转化为 AI 能够理解和执行的系统。

因此，咨询、开发和部署正在逐渐合在一起。FDE（Forward Deployed Engineer，前沿部署工程师）会成为非常重要的角色。它既需要理解技术，也需要理解业务；既要进入现场解决问题，也要把一次性交付沉淀为可以复用的产品能力。

这在中国尤其值得关注。

过去中国企业软件很难形成统一的标准产品，一个原因是企业管理和业务流程差异较大，另一个原因是因为中国码农价格相对较低，规模较大的企业通常选择自主开发，而非外部采购。AI 带来了一种新的可能：只要模型真正理解企业的业务，就有机会用更低的边际成本完成大规模定制。

创业团队可以先通过 FDE 进入企业，完成数据接入、业务理解、流程重构和智能体部署，再把高频需求逐步沉淀为行业产品。不仅要派更多工程师进入企业，更要把认知能力、开发能力和部署能力结合起来，让原本难以标准化的企业需求，也可以被更高效地理解和交付。

随着 AI 继续发展，FDE 也可能扩展为 FDX。产品、设计、销售、市场和研究等职能，都可能形成既懂业务又能够调用智能体完成工作的前沿部署角色。

8. Token 效益、推理基础设施与数据主权

随着智能体进入长程任务，Token 使用量仍然会快速增长。但市场关注的重点，正在从单纯使用更多 Token，逐步转向单位 Token 能够创造多少价值。

Token Max 仍然重要。只有用更多 Token 去探索，才能知道能力和认知空间的边界在哪里。但与此同时，Token 效益也会变得越来越重要。

推理成本、模型路由、私有化一体机、垂直模型和运行轨迹优化，仍然存在大量基础设施机会。

与此同时，企业数据的价值也会被重新定义。

今天，很多企业的数据一方面没有被充分使用，另一方面又可能被外部平台拿走。

企业提供了信息，最后还需要购买模型生成的 Token。这种单向的信息流正在被重新审视。

新的机会，是帮助企业把自己的数据真正用于自身业务，使数据从被浪费、被外部拿走的资源，变成企业自己能够控制和使用的资产，并进一步产生经济价值。

医疗、制造、物流、金融和专业服务中，都存在类似的机会。围绕企业数据如何被使用、如何进入真实业务、如何真正产生收益，仍然有很大的探索空间。

9. 从个人大脑到 AI 原生组织

AI 最终改变的不只是某一个岗位，也会改变组织本身。

这一过程可能从四个层次逐步发生：先对齐个人，再对齐业务，随后对齐团队，最后对齐整个组织。

对齐个人，需要把一个人的工作资料、判断标准、历史反馈和工作习惯接入系统，让 AI 知道这个人过去怎样做、为什么这样做，以及什么样的结果才算好。

对齐业务，需要让 AI 理解业务语境、数据定义和判断规则。只说“帮我做一个看板”远远不够，它需要知道每一个指标的含义、数据之间的关系，以及什么样的结果才是正确的。

对齐团队，需要理解群聊、会议、文档和项目之间的联系，知道一句简短的“做这个”具体指向什么任务、由谁执行、依赖哪些资源。

当个人、业务和团队逐步连在一起，组织就会拥有自己的记忆、反思、规划和执行能力，成为一个可以持续学习和自我进化的系统。

围绕这一过程，组织大脑和组织记忆会成为值得持续关注的方向。谁能更早完成这种组织重构，谁就更有机会获得持续的效率和创新优势。

这些机会背后的共同判断

1. AI 落地的核心是理解

理解不只是能够回答问题，还包括能够解释、生成、调用工具并完成任务。一个系统如果不能在真实环境中行动，也就无法通过反馈不断加深理解。

2. 真实反馈决定系统能否持续进化

预训练可以带来通用能力，推理可以扩展探索空间，但只有进入任务、改变环境并获得反馈，模型才能知道自己的判断是否正确。未来的壁垒，会越来越多地来自模型公司难以获得的领域数据、工作轨迹和反馈闭环。

3. 越通用的价值层往往越薄

一个能力被越多产品和公司共同使用，它就越容易成为基础设施。真正厚的价值，通常存在于某一个足够大的具体场景中：它拥有复杂的业务语境、独特的数据、持续的反馈和明确的经济价值。

因此，创业者既要理解通用智能的发展方向，也要找到自己能够进入的厚价值层。

做一个大的创业项目

至少要同时检查四个维度

1. 产业规模

项目所在产业是否足够大？市场是否有持续增长或结构性重构的可能？如果选择小市场，要明确自己的生存方式，而不能用“大叙事”掩盖市场不足。

2. 有效算力

团队能够获得多少真正有效的算力、数据、模型和工程资源？有效算力不只是名义上的硬件数量，也包括能否被团队稳定调用、能否转化为产品能力，以及成本是否与商业模式匹配。

3. 资本结构

项目需要什么资本，资本从哪里来，能维持多久，配置效率如何？对于实验室、具身智能、量子计算和其他重投入、长周期项目，资本节奏本身就是产品设计的一部分。

4. 人才与组织

能否聚集适合这个问题的人，并建立适应 AI 时代的新型组织？创始人要把个人能力、智能体、工具和团队流程结合起来，形成不依赖单个英雄的执行系统。

四个维度必须一起看。产业很大但拿不到有效算力，项目无法推进；技术很强但资本结构不匹配，可能在成果出现前耗尽；资源充足但组织不能持续学习，也很难把机会转化为公司。

如果你正在进行类似的探索，或者已经有一个想继续推进的创业想法，欢迎申请奇绩创业营。