北大《AI 创业与投资》公选课 · 第三讲回顾

AI 创业的第一性框架：赛道和时机

这是 2026 秋季北京大学《AI 创业与投资》公选课的第三讲。前两讲，王小川讲的是创业者要如何站在非共识的一端，朱啸虎讲的是互联网与 AI 创业投资逻辑的异同，两位都是从宏观视角讲一个完整的图景。刘勇这一讲反其道而行，他讲的是微观：把创业拆成一道可以像物理题一样一步步推导的题目，从「为什么比尔・盖茨和乔布斯都生于1955年」这个问题开始，试着回答创业者最该想清楚、也最容易想不清楚的两件事：赛道和时机。

刘勇是一位穿越了互联网、移动互联网和 AI 三轮技术浪潮的连续创业者与投资人。他本科毕业于北京大学，后赴美先后获得 UIUC 计算机硕士和 Kellogg 商学院 MBA 学位。2003年底联合创办国内领先的社交网络平台亿友网，08年创立热酷，是亚洲最大社交游戏公司和移动互联网全球化的代表性创业公司之一。21年他加入蓝驰创投任投资合伙人，重点投资 AI 和 Web3.0；26年创立 TaoZ Capital，专注 AI 时代的孵化与投资。他把这套框架总结为「第一性框架」，核心是两个变量：一个决定赔率的赛道选择，一个决定胜率的时机判断。

一用物理学的方式想创业

00:00 起　刘勇用两个跨越七十年的巧合开场：为什么比尔·盖茨和乔布斯都生于1955年，把创业问题拆成一道可以推导的物理题。

开场：为什么要讲得「硬核」一点00:00

刘勇开场先给自己定了位。他说三十年前自己也和台下的学生一样坐在教室里，学的是物理，一门非常硬核的学科。前两讲，王小川和朱啸虎讲的分别是创业和投资相对宏观、完整的图景，他想讲点不一样的：微观的东西。但一进入微观，事情就不好说了，一定要耗费脑力去推导。

这句话定了整堂课的基调：接下来讲的不是经验之谈，而是一套可以像推导数学题一样，从假设一步步走到结论的框架。他把这套框架拆成三个部分：宏观的技术周期、中观的战场优先框架、以及为什么是现在。三部分原计划各讲一堂课，被压缩进了一场分享里。

全场的路线图，右上角是他的个人简介，「用第一性原理、物理、周期拆解 AI 创业投资」。

标题页：主讲人刘勇，副标题直接点出这堂课的两个变量：战场（Battlefield）和时机（Timing）。

一个问题：为什么比尔・盖茨和乔布斯都生于一九五五年00:04

刘勇用一个问题打开整场分享：为什么比尔・盖茨和乔布斯都出生在一九五五年？这个问题来自马尔科姆・格拉德威尔的畅销书《异类》。他评价这本书本身不算特别有深度，但提的问题都很好，这是其中之一。

答案指向的不是这两个人的天赋，而是一个时间点：一九七六年，苹果和微软两家跨世纪的公司先后诞生。那一年，乔布斯和比尔・盖茨都是二十一岁，正是台下学生的年纪。他们赶上了 PC 刚刚兴起的窗口，凭想象力抓住了机会，并且坚持了下去。这个问题的价值不在于答案本身，而在于它示范了一种思考方式：把一个人的成功，还原成他所处的时代和赛道。

开场问题与红杉的赌赛道哲学，是整堂课方法论的起点。

二技术史上的「大年」与赌赛道的哲学

00:06 起　从四个技术「大年」讲到赌赛道的哲学：一流的赛道，会把普通人的能力放大成非凡的结果。

1976、1982、1995、2010：四个大年00:06

一九七六年不是孤例。刘勇把它比作科技史上的「大年」，就像爱因斯坦在一九〇五年一年内发表四篇跨世纪论文一样，技术史上也存在若干个高密度诞生伟大公司的年份。美国互联网的大年是一九九五年，雅虎、亚马逊前后诞生，网景比这更早一点；PC 时代的大年是一九八二年前后，Oracle、Adobe 等今天所有大型软件公司几乎都诞生在那一年前后；移动互联网的大年是二〇一〇年，小米、美团随后诞生，二〇一一年滴滴出现，字节跳动这个今天市值最高的公司也是那个时候诞生的。

为什么会存在大年？刘勇没有展开论证，只留下一句判断：赶上那个时间点，你很可能只需要付出不成比例的小努力，就能获得巨大的回报。这为下一节「赌赛道」的哲学埋下了伏笔：时代和赛道的重要性，可能超过个人能力。

赌赛道不赌选手：一流赛道会放大普通人的能力00:09

刘勇提到一本专门研究这个问题的书，作者是全球风投老大红杉资本的相关人士，书名叫《赛道为王》，总结出一句话：Bet on the racetrack, not the jockey，赌赛道，不赌骑师。他说这真的是红杉的哲学，红杉会在同一条赛道上同时投两三家公司，赌的是赛道本身，而不是某一个创始人。他补充了一句提醒：这种打法对创业者是非常忌讳的，选 VC 的时候要想清楚对方到底在赌什么。

类似的表达他还举了两个：一个是「选择大于努力」的鸡汤版本，一个是《孙子兵法》里「善战者求之于势，不责于人」，意思是势大于个人能力，时势造英雄。

他说自己创业的时候还没完全想明白这一点，是后来进入 VC 之后才发现这条不成文的规则。这句话后面会被反复用来解释具体的案例。

Follow on 好问题：把「怎么选」拆成「花多久选」，并直接给出他自己的答案：十分之一的时间。

三该花多长时间去做选择

00:10 起　选赛道该花多久，是这一段的核心问题：宁可选择慢一点，也不要在错误的战场上跑得很快。

How long 比 how 更重要：花十分之一的时间想赛道00:10

知道要做好选择还不够，刘勇接着问了一个更少人问的问题：不是怎么选（how），而是该花多长时间去选（how long）。他给出的参照系是移动互联网时代的经验：一家公司平均要花八到十年才能长成独角兽。如果创业本身是一场十年的长跑，那应该花多少时间去想清楚赛道、方向、战场？

他补了一个反例：外界常常传颂孙正义十五分钟就决定投资某家后来非常成功的互联网公司的故事，但那笔投资只占孙正义投资总额的千分之一，对他而言完全不需要深思熟虑，「反正补一下就行了」。传奇故事可以钦佩，但不能照搬到自己身上。对大多数创业者而言，思考多久这件事本身，比想清楚答案更值得认真对待。

快与慢：宁可跑得慢，也别在错误的战场拼命跑00:12

借用《思考，快与慢》的书名，刘勇总结出一条创业版本的快与慢规则。

这条规则和上一节「花一年想清楚赛道」是同一件事的两面：想清楚方向需要时间，但一旦想错了方向，执行力越强、跑得越快，偏离目标点就越远。这也是后面「how long」问题重要性的另一种表达。

一个好框架的三条标准00:13

花时间想清楚赛道，需要有方法论。刘勇给自己的框架定了三条标准，也是他判断任何一套创业理论是否可靠的通用标准。

他把接下来的内容分成三部分：宏观周期、他的「战场优先框架」，以及为什么是现在。这套体系是他穿越互联网、移动互联网、AI 三个周期，创办过两家公司、又转做投资看了大量创始人之后，不断和前辈请教、读书总结出来的。

一个好框架要满足的三条硬标准，后面所有推导都要回到这三条上检验。

四技术的本质与稀缺的迁移

00:18 起　回到麦克卢汉的技术史观：技术是人的延伸，但真正的商业价值，永远只能来自被重新定义的稀缺。

技术是人的延伸，但商业价值只能来自稀缺00:18

进入宏观周期部分，刘勇先讲技术史的主线。他引用麦克卢汉《理解媒介》一书的核心判断：技术史是人类心理与外部需求不断被延伸的历史，技术是人身体和器官的延伸：汽车是脚的延伸，电脑是计算能力的延伸，手套是防冷防热能力的延伸。他说这本书是做互联网、尤其是顶尖产品经理的必读书。

但他认为更第一性的解释不在这本书里，而在别处：技术的本质，是人用工具加上能量去获得想要的东西，简单说就是工具加能源。这个定义直接推出一个结论：一项技术只要能大规模满足人类需求，本质上都是在做同一件事：消灭稀缺，或者说反稀缺性。

但这里出现一个矛盾：商业价值的前提恰恰是稀缺。空气人人都需要，需要量无穷大，但它一点都不稀缺，所以空气没有价格。技术在不断消灭稀缺，商业却依赖稀缺存在，这两者天然对立。刘勇留了一个悬念：接下来会揭晓这个矛盾是怎么被解决的。

每一次技术革命，稀缺都换了个地方00:21

矛盾的答案是一句他反复强调的话：一个东西不再稀缺了，价值链旁边一定会有新的东西开始变得稀缺。刘勇用四轮技术革命依次举例：

技术史主线的时间轴，从工具、能源到信息，跨度两百万年，落点收在稀缺与反稀缺的矛盾上。

PC、互联网、移动、AI 四代范式并排对比，AI 这一列的降价要素是「智力」。

这条规律留下一个没有直接给出答案的问题：AI 让什么不再稀缺，又会让什么变得稀缺？刘勇把这个问题留给听众自己去想，后面几节关于「成功率」和「数据」的讨论，其实都是在回答这个问题。

技术革命让普通人离财富更近的三种机制，以及两个最容易踩的认知陷阱。

稀缺重估的完整链条：机械时代到 AI 时代，每次都是旧稀缺消失、新稀缺登场。

五康波周期与 AI 的新周期

00:22 起　把五轮康波周期串成一条线，找到一九八二和二〇二四这两个决定性的年份。

五个康波周期，一九八二与二〇二四两个关键年份00:22

解释技术周期的理论框架不止一种，马克思主义、熊彼特都提供过解释，但刘勇个人最偏爱康德拉季耶夫周期（康波周期）。按他的划分，从第一次工业革命前的一七八二年算起，人类经历了五个大的技术周期，每个周期都和经济周期、政治周期、金融周期绑定在一起。他建议用余弦曲线而不是简单的三角波去理解这些周期的起伏。课件给出了五轮周期各自的技术标签和总时长：纺织和蒸汽机技术（六十三年）、钢铁和铁路（四十七年）、电气和重化工业（五十六年）、汽车和电子计算机（四十三年）、信息技术（尚未走完）。每一轮的共同扩散链条是：核心技术走向基础设施，基础设施推动制度重塑，制度重塑之后才形成新的市场与利润池。

他标出了几个关键节点：第一次蒸汽革命周期结束于一八二〇年代前后，正是第一次鸦片战争的年代，他调侃道：「我们也没多远，这为啥开始这么惨，那现在我们不是赶上来了吗」；第四轮周期在一九三七年到一九八二年，底部在一九八一、一九八二年；上一轮以 PC 为代表的信息革命周期从一九八一年算起，按每轮约四十三年计算，大约在二〇二三、二〇二四年结束。而二〇二二年十一月三十日，ChatGPT 发布，新的周期由此开启。

五轮康波周期的具体年份和时长，第五轮「信息技术」还没走完，问号留在那里。

拥抱泡沫：技术革命给普通人的三个机会00:27

康波周期的三叶曲线展开后可以看到：复苏到繁荣是上升期，衰退到萧条是下降期。上升期是创业和资本最活跃的时间，也必然伴随金融泡沫乃至崩盘。每一次技术革命都是一场大的发牌，但大家往往只记得恐惧泡沫。

为什么拥抱泡沫能致富？他给出三个理由，指向的都是「普通人」（他称之为「非老登」）相对于「老登」（上一代成功者）获得的结构性机会：

康波周期的四阶段模型：复苏、繁荣、衰退、萧条，创业的窗口在复苏到繁荣这一段。

六中观框架：一个关于成本的公式

00:28 起　全场最核心的一套公式，用英国工业革命的历史案例反过来验证。

供给成本小于需求成本，创业的窗口才会打开00:28

讲完宏观周期，刘勇进入他的「战场优先框架」，这是全场最核心的一套公式。它对应第一条标准，也就是第一性原理：需求以价格的形式出现，供给的成本必须低于需求端愿意支付的成本，机会才会出现。

公式右边是需求端，用劳动力价格来表达：每小时你要付给别人多少钱来完成这件事，或者你自己做这件事的每小时机会成本，用他的话说：「咱们北大机会成本肯定就比隔壁更高」。公式左边是供给端，由两部分构成：资本（以机器体现）加上能源。机器的价格要摊销，能源的价格在不同时代分别是煤、石油、天然气、电，而今天 AI 时代的机器就是大模型，能源就是电。

只有当你替代人力的意愿足够强（工资足够高，比如硅谷天天想替代的高薪码农），同时供给端的成本足够低（能源和资本便宜），这个替代才会真实发生。这就是一个典型的第一性推导：新的供给成本，必须显著低于市场上现有的供给成本。

把宏观框架落成一个可以直接计算的公式：机器价格加能源价格，对比劳动力工资。

英国工业革命为什么发生在英国00:33

这个公式只表明变化可能发生，要持续发生，两边的差距必须显著且持续拉大，这就是可规模化的 PMF（product market fit，产品市场匹配）。刘勇引用一本专门研究这个问题的书：为什么工业革命发生在英国，而不是德国、法国，更不是中国？

答案落在公式两端：一八〇〇年前后，英国工人工资贵，同时英国的煤炭埋藏在地表，开采成本极低，能源价格便宜，公式两端的差距天然存在。法国当时人工反而更便宜（英国「跑马圈地」把农民赶出土地形成了廉价劳动力市场，法国没有类似的进程），法国和德国的煤炭也更难开采，能源价格更高。两边条件都不满足，工业革命自然没有优先在那里发生。

刘勇的评价是：这是一个听起来很基本的问题，但用这套公式去理解，逻辑链条一下子就清晰了。

英国工业革命的历史案例，用来验证这套公式不是凭空编的。

VC 最爱问的三个问题：why this、why you、why now00:35

把这套公式用回 AI 赛道，刘勇说它可以回答见 VC 时三个最经典问题中的两个：为什么做这个（why this）、为什么是你（why you）、为什么是现在（why now）。团队、壁垒这些其他问题，很多都可以在这套「牛顿三大定律」式的框架里找到答案。

他用投资语言把问题翻译成两个变量：赛道决定赔率：一块钱能赚多少块钱的倍数；时机（timing）决定胜率：切入点选得好不好。他举了滴滴的例子：滴滴最早从出租车市场切入，这个切入点本身就决定了它相对更高的胜率。他评价：一个优秀的独角兽捕手，一定对胜率极其敏感。相比投资人，胜率对创业者的重要性要低一些，因为创业者有更长的时间去搏，但赔率这件事，创业者一定要提前想清楚。

把公式翻译成两个 VC 最爱问的问题，What 决定赔率，Why Now 决定胜率。

成本阈值达标之后还要过的三关：新市场、TAM 要大、能不能快速起规模。

七AI 摩尔定律与「成功率」这个核心变量

00:36 起　AI 独有的成本下降规律，以及供给公式里最容易被忽略的那个变量，成功率。

AI 摩尔定律：成本每年降低十倍以上00:36

用这套公式分析 AI 之前，必须先理解一条 AI 独有的规律，刘勇称之为 AI 摩尔定律：每十二个月，AI 的推理成本会下降十到三十甚至五十倍。传统摩尔定律是十八个月性能翻倍，AI 摩尔定律的迭代速度要快得多。三年下来，成本可能下降上千倍。课件给出一个具体例子：达到 GPT-3.5 同等水平的推理成本，十八个月内下降了超过二百八十倍，从每百万 token 二十美元降到七美分。

AI 摩尔定律的具体曲线：达到同等能力的推理成本，十八个月跌去二百八十倍。

供给成本公式里，成功率才是真正的杠杆00:39

在 AI 摩尔定律下，供给端的成本被拆成了三部分：模型（机器，需要摊销）、算力（token 价格），再加上一项过去的机器不需要考虑的成本：失败后人工接管的成本。因为 AI 是概率产品，会失败，失败了就需要人工去修，这笔成本必须算进去，且要除以成功率才是真实的总成本。

刘勇给出一组测算：当成功率是 90% 时，总成本只比理论值提升 2.2 倍；但当成功率只有 20% 时，总成本会提升四十五倍。成功率，才是这个公式里真正的杠杆变量，后面关于能力拐点的整套讨论，都是围绕这一个数字展开的。

公式左边：机器完成复杂任务的真实成本，把失败介入成本也算了进去。

中美人力成本差与「国运」这个变量00:42

公式右边（人力成本）在中美之间差距悬殊，美国的人力成本大约是中国的三倍。供给端成本持续下降的曲线，会先触达美国这条更高的成本线，再触达中国这条更低的成本线，这也是为什么今天不管是模型公司还是应用公司，收入大部分甚至全部来自海外高端市场：那边的客户能付更多钱，替代的价值更大。但在制造业和机器人这类要素上，中国的资本成本和政府支持力度更低，物理自动化在中美两地发生的时间差可能不会像数字产品那么悬殊。

刘勇把这套框架里还漏掉的一个重要变量叫「国运」：它会同时改变公式两端的价格：机器成本和客户愿意支付的价格。他举了中国新能源车的例子：最早完全靠十年的政府补贴才培育出蔚小理这样的公司（蔚来创始人是北大九一级校友）。他认为这一轮 AI 浪潮里国运的作用比移动互联网时代大得多，因为模型、资本、制造、部署的整合大量需要从零到一的基础科学突破，需要强系统性、大规模的工程能力。

他提到一个例子作为佐证：美国目前第一梯队的 AI 公司 Anthropic，其 CEO 是纯理科背景，物理学博士出身，曾是美国物理奥赛队成员，他反问在座学生知不知道这一点，意在强调这一轮 AI 浪潮的技术门槛之高。他身边认识的 OpenAI 前员工也提到，在二〇二一、二〇二二年前后，公司里学物理背景的人是最多的专业。这也是他判断北大这一波 AI 技术浪潮里一定会跑出很牛的师生创业公司的理由：从基础科学到产业转化的路径，从未像今天这样短。

中美人力成本的真实数字对比，公式右边「人有多贵」的具体答案。

同一公式两套要素价格：软件先看美国，物理自动化再看中国。

「国运」怎么进这套公式：美国的资本密度和中国的制造部署规模，是两条不同的赛道。

八能力拐点与只有八十七天的窗口期

00:47 起　用一个 n 次方公式，解释「AI 什么都会又什么都做不成」，再用两个真实案例讲透只有几十天的窗口期。

用单步成功率的 n 次方，理解「AI 什么都会又什么都做不成」00:47

怎么判断模型能力的拐点？刘勇给出一个非常粗糙但好用的框架：一个复杂任务由 n 个简单步骤组成，完成整个任务的成功率，约等于每一步单步成功率的 n 次方。

他给出几组对比：十步任务，单步成功率 95% 时，整体成功率是 60%；单步成功率提高到 99%，整体成功率才到 90%。而如果是五十步的任务，单步 95% 成功率对应的整体成功率不到 10%；单步 99% 时是 61%；只有单步 99.9% 时才能到 80%。

这个模型解释了一个常见的困惑：为什么大模型看起来无所不能，实际用起来却处处碰壁。答案是任务的步数放大了单步误差，越复杂的任务，对单步成功率的要求越苛刻。

Why Now 版本的战场优先框架：真正的 Driver 不是市场热度，是大模型的能力拐点。

能力拐点的数学模型：完整任务成功率等于单步成功率的 n 次方，直观解释了「AI 什么都会又什么都做不成」。

Claude Code：一款专门为下一代模型做的产品00:51

刘勇用 Claude Code 说明「需求常在，窗口只是偶尔打开」。自动化编程这件事，各家公司都想做，但直到二〇二五年五月，它才第一次真正达到「人类程序员可以正常好用」的水准，在此之前都不行。

他讲了 Claude Code 的时间线：项目负责人 Boris 大约在二〇二二、二〇二三年就想做这件事，二〇二四年产品做出来了，但很不好用；直到二〇二五年一月才勉强可用；二〇二五年五月二十二日，Opus 4 发布之后，能力突然跃升到 60% 到 70% 的可用区间。刘勇的判断是：即使是 Anthropic 自己，做 Claude Code 这件事本质上也是「为下一代模型做产品」，先做出来，等模型能力追上来，产品体验才会真正跨过那道门槛。「更何况咱们应用公司呢？」

Claude Code 的真实时间线：能力拐点前等了三年，窗口打开后只用八十七天就从 Preview 走到 GA。

Manus 与 Jasper 的八十七天：DeepSeek 开源引爆的窗口期00:54

刘勇讲了一个具体到天数的窗口期案例。二〇二五年一月，DeepSeek 开源了自己的推理模型 R1。这件事之后，中国出现了两家现象级的通用 agent 公司：Manus（后续也是这门课要邀请的嘉宾之一）和蓝驰投资的 Jasper，分别在二〇二五年三月六日和四月八日发布产品，距离 DeepSeek 开源只有两到三个月。

这个案例把前面「能力是连续进步的，但机会是不连续的、是阶跃函数」这句话具象化了：DeepSeek R1 的开源是一次能力拐点，谁能在拐点打开的窗口期内冲出来，谁就赢得了先发优势；等窗口关闭，同样的机会不会再来一次。这也解释了为什么刘勇反复强调「唯快不破」：关键不在时时刻刻求快，而在拐点窗口期内必须快。

九AI 产品经理的方法论

01:03 起　把前面所有观察收敛成一个方法：所有成功的 AI 应用公司，都是在为下一代模型做产品。

冲浪三天法：永远在为下一代模型做产品01:03

刘勇把这套观察总结成一个方法，他称之为「冲浪三天法」：所有成功的 AI 应用公司，本质上都是在为下一代模型做产品。课件上把这六个字浓缩成三句口诀：为下一代模型做产品，测量今天，重估昨天，预测明天。Claude Code 就是最典型的例子：二〇二二、二〇二三年立项时模型能力还不够，团队选择先做出来，随着底层模型能力持续变化，产品体验才逐步追上，直到 Opus 4 发布后跃升。

冲浪三天法的完整表述：为下一代模型做产品，测量今天，重估昨天，预测明天。

要为下一代模型做产品，你必须理解模型的能力曲线：从过去、现在推演到未来。具体的做法是持续跟踪 benchmark 和自己的 evaluation，观察哪些能力正在快速变化，比如一项能力的评估分数从 10% 慢慢涨到 20%，又突然跳到 30%、40%，再跳到 60%、70%，看到这条曲线，就知道拐点要来了。这正是回答现场一位同学提出的问题：在市场还没成熟时，为什么敢提前下注？答案是相信沿着技术的反馈速度，它一定会成熟。

可验证性、标准化程度与打分能力01:06

选赛道时，刘勇认为「可验证性」是一个被低估的关键指标，它由两部分组成：反馈速度和可标准化程度。Coding 之所以最容易被 AI 攻克，就是因为反馈速度最快，代码写完下一秒就能知道对不对。相比之下，数学证明（比如冲击菲尔兹奖级别的问题）反馈速度慢得多。

标准化程度背后是「打分」（grading）能力。大模型在后训练阶段的 RLHF（基于人类反馈的强化学习）环节，一条打分数据的成本曾高达上百美元，具身智能的数据打分成本更是极高。刘勇认为，今天数据公司真正的核心能力，就是打分（grading）能力：有了高质量的打分，才能形成快速反馈的飞轮，跑得比别人快。

他还特意区分了 benchmark和 evaluation两个概念：benchmark 是宏观、通用的评测数据集；evaluation 是针对自己产品的垂直场景，自己设计的十几二十条具体任务（他举了「订机票」这样的例子）。今天很多通用 benchmark 已经被打满分，不再能反映真实能力差距，产品团队必须自己设计更贴近业务场景的 evaluation，才能持续追踪能力边界的移动。

AI 产品经理的可验证性框架：grader 越强的任务，越是好的创业战场。

找到需求曲线与能力曲线的交点01:09

刘勇给「能力曲线」下了一个精确的定义：它一定是沿着「行」与「不行」之间那条缝移动的边界，而非模型全都会做的那些事。如果北大学生把小学题目都拿去测模型，那测出来的根本不是能力边界。

这句话把这一部分的方法论收束到一起：AI 产品经理不再只需要理解用户需求，还必须持续理解模型能力边界在哪里、正在往哪个方向移动，两条曲线的交汇处，才是真正值得做的产品机会。

十案例与边界

01:12 起　用 Cursor、Abridge 等具体公司，检验这套框架在不同战场上到底成不成立。

Cursor：避开正面竞争，靠专用推理速度和 IDE 跑出来01:12

Cursor 是刘勇讲的第一个具体案例。它在二〇二二、二〇二三年入局时，coding 能力还不成熟，而 Anthropic 自己也决定亲自下场做这件事。Cursor 的应对是三重差异化：一是同时接入多个模型，不把命运绑在一家身上，避开与单一模型公司的正面竞争；二是自己训练针对特定编程场景的小模型，让专用推理速度更快；三是自己做 IDE，形成使用习惯上的差异。课件给出的时间线很直观：二〇二五年一月官方称年化经常性收入（ARR）突破一亿美元；二〇二五年六月这个数字超过五亿美元，企业预算与分发渠道显著跨过临界线；二〇二六年三月 Bloomberg 报道其年度销售额进入高速规模期，客户覆盖了全球五百强企业中的一半以上；二〇二六年八月，Cursor 官方宣布被 SpaceX 收购，模型、算力与产品入口进一步垂直整合。刘勇的评价是，凭这几点，它的增长速度依然非常快，Cursor 的整个成长周期只用了四年。

Cursor 的完整时间线，用真实的 ARR 数字回答「复制 Cursor 还有没有机会」这个问题。

Coding 赛道还在，但可能不是创业公司的机会01:15

刘勇借着 Cursor 回答了一个更大的问题：coding 这个战场是否已经饱和？他的判断是否定的。今天 Codex 和 Cursor 加起来只服务了大约五千万核心程序员，但 AI coding 真正的想象空间，是让全球可能十亿量级的普通人都成为「vibe coder」，不是专业程序员，但能靠 AI 写代码解决自己的问题。这是一个巨大得多的市场。

但他也提醒：市场存在，不代表机会属于创业公司。判断标准还是回到反馈速度、标准化程度、要素成本这几个变量：很可能这块蛋糕最终被模型公司自己吃掉，而不是留给创业公司。

Coding 之所以第一个跨线，靠的是六项结构性优势，不只是「程序员容易被替代」这么简单。

Abridge：数据壁垒撑起来的医疗场景01:18

Abridge 是刘勇讲的另一个案例，一家帮医生写诊疗记录（notes）的公司。它最初做的事情很简单，但美国医生的时间成本极高，这件工作很容易被 AI 替代出经济价值。更重要的是，它切入的是医疗这个天然有数据壁垒的市场，不是任何人都能拿到同样的数据。刘勇认为，找到这类「不是公用市场」的垂直场景，才是真正有戏的方向；对中国市场，他也提到即便产品形态不同，寻找类似的数据壁垒场景同样成立。

Abridge 医疗写病历产品的实测数据：接诊时间、认知负荷、时间压力全面下降。

具身智能与两条不同赛道的中美对比01:20

谈到中美在 AI 领域的竞争，刘勇认为不必事事对标硅谷，而要找到中国自己独特的杠杆，其中之一就是硬件：具身智能恰好是中国在科教兴国国运下，能够和美国正面竞争的一个大杠杆。

中美 AI 竞争的五个变量对比：模型、人才、资本、市场、物理世界，各自领先的维度不同。

课件给出了一组更精确的对比数字：二〇二五年美国私人市场投入 AI 的资金规模约为二千八百五十九亿美元，对应五千四百二十七座数据中心；而二〇二四年中国工业机器人的全球安装量占比达到 54%，约二十九万五千台。这不是一场简单的「谁投得多谁就赢」的比较，而是两个国家在两条不同赛道上各自领先：美国领先在资本和算力密度，中国领先在制造与部署规模。他的建议是：面对这种结构性差异，不要幻想在对方最擅长的算力、算法这些烧钱维度上正面硬拼，毕竟对方能用更多的钱抢到更优秀的人才，甚至直接把你培养出来的人挖走，而要去找真正属于自己的变量，比如把制造和部署规模的优势用在具身智能这类硬件赛道上。

十一现场问答

01:22 起　同学们的提问覆盖创业模式、硬件、人才、赛道禁区等话题，刘勇逐一给出他的判断。

to B 与 to C 的差异01:22

有同学问 AI 时代 to B 和 to C 机会的差异。刘勇回到那个成本公式：to C 场景里，公式右端的人力成本本身就很低，所以通用的 to C 替代today还没有真正到来的时机。to B 则不同，很多高人力成本的岗位已经被证明可以替代，机会在于找到那些「能被替代的高人力成本」环节。

硬件会不会诞生下一个「手机」01:27

有同学问手机、手表、眼镜这类硬件搭载 AI，是否会诞生像手机一样划时代的新硬件。刘勇的判断是：目前还没有真正跑出来。眼镜曾经一度被寄予厚望，但至今没有被完全证明；他认为关键在于「模态」是否足够，获取数据的能力不够，就意味着能捕获的信息不够丰富。他建议想做硬件的同学去看 CES：喂鸟、拍鸟、养鱼这类看起来很小众的硬件，每一个赛道都能做到十亿美元的规模，机会比想象中多。

抄袭的矛盾与可防御性的分层01:32

有同学提出一个尖锐的矛盾：小公司靠创新产品和创意杀出市场，但很容易被市场份额更大的公司迅速抄袭。刘勇承认这个矛盾在今天尤其突出，他给出的应对是「分层竞争」：从一个小需求、小市场做到零到一的垄断，积累起数据之后再继续往前走；如果还没有可防御的数据壁垒，就应该不断尝试各种小市场，直到找到那个真正属于自己的切入点。而且这个「不断尝试」的周期要非常短，不是过去说的半年一年换一次方向，而是以月甚至更短为单位。

关键人才与「凡是要和人打交道的，交给人」01:36

有同学问：AI 时代创业公司该如何判断，哪些能力可以靠 AI 快速解决 30% 到 70%，哪些能力需要靠引进关键人才来建立。刘勇给出一条简洁的分割线：

另有同学问公共部门数据未来会由谁来挖掘、个人在其中能起什么作用，刘勇的回答落到中美对比：美国获取数据的摩擦成本远高于中国，这是一个比较优势，中国的数据公司普遍效率更高，也更擅长产品运营。他还谈到 PPT 生成这个具体赛道：因为可以通过明确的标准去 grading（比如要求模型不断迭代直到符合三份专业 PPT 的标准），打分逻辑相对清晰，这也是他认为这个赛道竞争激烈、字节和阿里都在争的原因。

医疗、机器人、FDE：几个「不建议现在做」的赛道01:39

连续几位同学问到几个具体赛道，刘勇给出的判断都偏谨慎：

关于中美 VC 偏好的差异，有同学提到硅谷更愿意押注硬核硬件方向的独角兽，问国内 VC 是否也是如此。刘勇的判断是两边需求本就不一样：美国 VC 很愿意投 to B（这也是为什么 SaaS 相关的公司在美股里比重很高），中国有自己独特的要素和优势，创业方向要更贴近国内的产业政策和现实土壤，用他的话说：「今天创业还挺需要新闻联播」。

数学直觉与最后的收尾01:45

最后一个问题问到，刘勇做决策和投资判断时，更偏向数学式的推导，还是商业直觉？他的回答很干脆：更偏向数学。唯一的例外是判断人、和人打交道的时候，这部分没法完全靠第一性推理；除此之外，他认为绝大多数创业决策都值得放进第一性原理的框架里深入推演。

还有一位同学问到机械工程、电气工程这类硬核工程领域会不会被这一轮 AI 浪潮改变。刘勇把这个问题转译成一个更根本的判断：大模型在物理世界的能力边界，取决于这件事是否「可编程」。电气工程的很多环节可编程，机械工程相对难以编程，这也是他认为中国制造业目前的一大优势所在。

时间到八点十分，刘勇结束了这场原定压缩进一堂课、却讲透了赛道与时机两个变量的分享。他说这套框架自己在视频号上讲过很多期，感兴趣的同学可以去找来看更细的展开。他也提到希望能借这门课，让更多师兄带师弟去创业，「为后学传薪火，为时代造英雄」。

全场的收尾页：为科技立心，为产业立命，为后学传薪火，为时代造英雄。

从王小川的非共识视角，到朱啸虎的投资逻辑，再到刘勇把创业拆成一道可以推导的物理题，三讲连起来，正好是一次从创业者到投资人、再到方法论的完整闭环。

《AI 创业与投资》是北京大学面向全校学生开设的公选课，每周三晚在北大二教举行，后续几讲的内容我们也会继续整理成回顾文章，欢迎持续关注。

来源｜北大 AI 创投课团队

编辑｜谷晓强、刘智琦

审阅｜刘勇