9月23日晚，北京大学二教109。连续创业者、风险投资人刘勇走上《AI创业与投资》第三课的讲台，主题是"AI创业的第一性框架，赛道和时机"。他开场没讲模型参数，先问了一个问题：为什么苹果、微软这些跨世纪的公司，总在同一时期扎堆出现？
整堂课其实只讲了一道算术题：人工完成一项任务的总成本，和AI完成同一项任务的总成本（含失败返工），什么时候后者小于前者，创业的窗口就打开了。赛道选择、时机判断、产品壁垒，都是这道题的变形。
出场的东西不少：康波周期、红杉的赛道论、一组50步成功率的数学、87天窗口、AI产品经理的新基本功"评测"、FDE这个硅谷正当红的岗位，以及14个现场问答里被反复追问的真问题。转译中还加入了6个商业案例作为参照：字节跳动、AWS、Cursor、Manus、Scale AI、Ray-Ban Meta，帮你把课堂上的判断落到真实的商业世界里。
以下为第一人称转译：以刘勇的讲述口吻重组课堂录音，保留原意、原顺序与14个现场问答，只为可读性做了分段和小标题。凡课堂之外的信息，均以"背景补充"或"案例参考"标出，与讲者原话严格区分。
这门课，我想从创业者的第一性视角出发，把创业和投资这件事拆开来看。AI创业这几年太热了，热到很多人只谈理想、不谈账。但我的看法是，很多事情不是只能靠直觉，掌握几个基本变量之后，是可以一步一步推理的。
先说我的核心判断：AI创业，先学会算账，再谈理想。算清成本拐点，算准时机窗口，算对稀缺转移。这三笔账算明白了，赛道怎么选、时机怎么判、壁垒从哪来，很多争论自己会消失。
为什么我要强调"算"？因为热度是情绪，账是事实。情绪会让你在错误的战场上越跑越快，账会逼你回答三个具体问题：这个任务今天做，成本能不能打平？如果不能，还差几个数量级？差的这部分，是靠等模型降价，还是靠我自己把流程重做一遍？答不上来，就不要动手。
这堂课我就讲两件事：赛道，和时机。赛道决定你进的是不是一个值得打十年的战场；时机决定你进场的时候，账能不能算得过来。赛道是空间，时机是时间，创业的期望值是两者的乘积。空间再大，时间没到，账算不过来；时间再好，空间是个小水洼，账也做不大。两件事都要对。
所谓第一性视角，在我这里有个很操作化的定义：把一个问题拆到不能再拆的变量，然后看这些变量之间的数学关系。比如"AI创业能不能做"，拆开就是：任务能不能被拆成AI可执行的步骤，每步成功率多少，连乘之后是多少，失败一次的成本是多少，人工做同样任务的成本是多少。这几个数摆出来，答案自己会出现，不需要争论。
先问大家一个问题：为什么苹果、微软这些跨世纪的公司，会在同一个时期扎堆出现？我的答案是，它们都诞生在个人电脑开始兴起的阶段。当一种新技术刚出现，人们对它能做什么还没有固定认知，市场也没有被既有公司完全占住。
移动互联网也一样。重要的公司，都是在新设备和新使用方式出现的时候成长起来的。每个技术周期的机会，都和技术拐点、市场扩散绑在一起。完整的因果链是这样的：新技术出现，先改变成本结构；成本结构变化，催生新的用户习惯；新习惯长大之后，旧巨头的组织、渠道、定价跟不上，这就给了新公司时间窗口。窗口不会永远开着，等巨头反应过来、完成自我革命，起跑线就重新拉开了。所以"扎堆出现"不是巧合，是同一扇窗被同一批人看到了。
技术拐点不保证每家新公司都成功，但它会让创业者和成熟企业站在相对接近的起跑线上。旧行业的经验未必能直接转化成优势，新一代用户和创始人，反而可能更早理解新设备、新成本和新使用习惯。这是新人的结构性机会，也是每一轮技术周期里，年轻人最值得下注的时刻。
这里有个不对称：成熟企业有存量包袱，它的产品、组织、定价都是为旧技术设计的，转向意味着自我革命；创业公司没有包袱，可以直接按新技术的成本结构设计产品。所以拐点附近，经验的折旧速度最快，学习速度的价值最高。我看一个团队，从来不只看它过去多成功，更看它愿不愿意为新技术重写自己的假设。
还有一句我想送给创业者：巨头做得对还是错，跟你没关系。你要判断的只有两件事，巨头不做，你能不能做；巨头做，你拼不拼得过。盯着巨头的对错做决策，是把主动权交给了别人。
说到选赛道，红杉有一个说法我很认同：押赛道，不只押选手。红杉在同一赛道里也可能支持多家公司，这说明投资判断要同时看行业结构和团队能力。（以上为课堂表述）创业者要关心的，不只是"我够不够优秀"，更要问自己：我进的这个战场，值不值得打十年？赛道会放大创业者的能力，也会压缩它。普通团队进入一个真正扩张的市场，往往比顶尖团队在错误市场里拼命更有机会。选赛道，本质上是在选"风往哪吹"，再强的选手也跑不过风向。
方向选错了，努力只会加速失败。所以选赛道这件事，我的建议是：慢。如果你预计用八到十年做成一家公司，花十分之一的时间，也就是一年左右，认真选方向，是值得的。这只是我的经验之谈，不必机械照搬。
选完不是结束。公司接近独角兽规模之后，我建议每个季度复盘一次：赛道还成立吗？战场变了吗？我们的差异还在吗？选择不是一锤子买卖，是持续校准。很多公司死掉，病因不在当初选错，而在选对之后世界变了，它没跟着变。
我还想拆一个常见的迷思。传说某些投资人只花很短时间就决定投一个项目，创业者就以为选择方向也可以很快。但你要看分母：那种快，常常伴随着极低的投资占比和极高的项目数量，用组合对冲单个判断的风险。创业者一生能下注的次数屈指可数，别人的快，有你看不见的便宜，学不来。
我用三个标准检验一个方向。第一，它符合供需和成本规律，有真实用户愿意用、愿意付费。注意"愿意付费"四个字，很多AI产品用户愿意用、不愿意付费，这就是账算不过来的信号。验证付费意愿不需要把产品做完，一个高保真的Demo加一个报价单，就能测出来。第二，它可以被量化，也可以被事实推翻，讲不出来"什么数据出现就证明我错了"的方向，不要进。一个不能被证伪的方向，等于没有方向。第三，把它放进长期的技术和经济周期里，依然讲得通。历史能帮我们理解未来，但不是机械重复历史。
把这三个标准翻译成实操问题就是：谁是用户？原来这件事由谁完成？旧方式的总成本是多少？新方式能不能稳定地把成本打下来？如果我判断错了，会看到什么数据？变量越明确，团队越早能发现：是方向不对，是时机没到，还是执行环节要改。
我把技术理解为一种延伸。汽车延伸人的移动能力，计算机延伸人的计算能力。技术革命会经历引入、爆发、扩散的过程，而理解这个过程在时间上的尺度，需要康波周期这把尺子。
为什么创业者要关心五十年？因为处在周期的不同位置，你的打法完全不同。在引入期，拼的是对技术方向的定义权，谁先讲清楚"这个技术到底用来干什么"，谁就拿到了定价权；在爆发期，拼的是融资能力和扩张速度，窗口短，要敢下注；在扩散期，拼的是成本、效率和落地，技术本身不再稀缺，稀缺的是把技术变成可靠交付的能力；在萧条期，拼的是现金流和活下去，活下来的人吃掉倒下的人的市场。很多人拿着引入期的打法去打扩散期的仗，或者反过来，这是最常见的错位。
AI现在处在什么位置？我的判断是，基础能力的引入期已经过去，正在进入扩散期。扩散期的主角不再是"谁模型更强"，而是"谁能把能力变成便宜、可靠、可规模化的交付"。引入期是科学家的舞台，扩散期是工程师和商人的舞台。认清自己在哪个舞台上，决定了你该为什么能力付费、为什么能力定价。
技术变便宜之后，钱去了哪？我的答案是：去找新的稀缺。创业的本质，是找到正在变得稀缺的东西。每一轮技术革命，都是把原来稀缺的东西变便宜，同时制造出新的稀缺。
搜索时代，稀缺的是信息分发，谷歌和百度赚到了注意力；移动时代，稀缺的是用户时长和精准分发。技术把旧稀缺打掉，利润就流向新稀缺。创业者要盯的，永远是"什么正在变稀缺"，而不是"什么正在变便宜"。变便宜的那部分，是巨头的战场：它们有规模、有资本，打价格战你打不过；变稀缺的那部分，是创业公司的猎场：巨头看不上、看不懂、来不及，你反而有时间窗口。
所以我看AI创业，第一问永远是：它让什么变便宜了，又让什么变稀缺了？"模型有多强"只是第二问。算力变便宜了，推理变便宜了，那么新的稀缺是什么？我列几个正在发生的：写代码变便宜了，稀缺的是对业务逻辑的理解；生成内容变便宜了，稀缺的是可信的分发和品牌；做Demo变便宜了，稀缺的是把Demo变成可靠交付的工程能力；获取信息变便宜了，稀缺的是高质量的反馈数据。这些地方，才是创业公司的机会清单。每一项稀缺背后，都站着一群愿意付费的人，找到他们，账就成立了一半。
多说一句，稀缺转移发生的时候，老玩家往往看不见。因为老玩家的利润正来自旧稀缺，承认新稀缺等于承认自己的护城河在漏水。所以每一轮转移，都是新人的窗口：你不需要说服巨头你是对的，你只需要在新稀缺上先跑出一个付费闭环。
AI创业，第一笔账是成本账。不是模型参数的账，是人工成本的账。你要算三件事：人工成本、成功率、反馈速度。
先说人工成本。一项任务，人工完成的总成本，和AI完成的总成本（含失败、返工、人工介入），什么时候后者小于前者，创业的窗口就打开了。这里有个国别差异：美国部分知识岗位的人工成本是中国的数倍（课堂表述），这意味着同样的AI能力，在美国先达到经济性，在中国可能要再等一轮成本下降。算账的时候，国别是变量，不能直接抄美国的结论。反过来看，中国的优势在供给侧：工程师红利、制造能力、落地速度。所以同样一个AI产品，在美国可能是"替代高价人工"的故事，在中国可能是"用供给能力服务海外需求"的故事，账的算法不一样。
再说成功率，这是最容易被低估的一笔账。假设一个任务要拆成50个独立步骤，每步成功率95%，整体成功率只有约8%；每步99%，整体约61%；每步99.9%，整体才能到95%。这就是为什么"演示时很惊艳"和"生产环境真能用"之间，隔着一道鸿沟。AI产品经理的第一课，是把成功率连乘起来看，而不是看单步。
这个数学有一个直接的工程含义：不要追求每一步都到99.9%，那不现实。更聪明的做法是找出流程里5%到15%的关键节点，在这些节点上用人来把关。机器跑完95%的流程，人只在最关键、最容易错的地方介入一次，整体成功率就能从8%拉到可用水平。这就是"人机协同"的账：人的时间只花在刀刃上，成本可控，可靠性达标。实操中，你要先画出任务的流程图，标出每个节点的失败代价，代价最高的5%到15%节点，就是人应该站的位置。
第三是反馈速度。结果能不能自动判分，决定了你的迭代速度。如果答案需要专家逐条判断，反馈周期长、成本高，产品进化的速度就起不来。能设计出高质量、及时的评价回路的团队，在扩散期会越跑越快。反过来说，如果你的场景天然缺乏反馈，比如结果要三个月后才知道好坏，那就要先解决"如何低成本获得反馈"这个问题，否则模型再强，你的产品也进化不动。
时机怎么判？我的方法是找能力拐点。我算过一笔账：从GPT-4发布，到第一批通用智能体产品出现，中间大概只有87天的窗口（课堂估算）。这个窗口是怎么形成的？一头是模型能力刚好越过"能用"的线，另一头是推理成本降到"用得起"的线，两条线交叉，就打开了一个短暂的时间缝。先进来的人吃到了"能力刚好够用＋成本快速下降"的双重红利，晚进来的人面对的是已经拥挤的赛道和开始变慢的成本降幅。
所以"Why now"这道题，答案不在新闻里，在成本曲线里。你要问的是：未来两个季度，成本会不会降到让我的场景成立？如果答案是肯定的，现在就是进场做验证的时候；如果还要等三轮降价，那现在进场就是给别人交学费。时机判断的本质，是把"还要等多久"量化出来，而不是凭感觉说"AI很火"。我给大家一个实操方法：先算你的场景需要多少成功率和多低的单次成本，再按每年5到10倍的降幅倒推，看这个交叉点落在哪个季度。交叉点在未来两个季度内，动手；在一两年之后，先做技术储备，不要all in。
课堂上我还提到"AI摩尔定律"这个说法：推理成本每年下降约一个数量级，能力每年上一个台阶。它和芯片摩尔定律的区别在于，芯片的摩尔定律是供给侧的确定性，AI的这条曲线是供需两侧共同作用的结果，模型架构、工程优化、硬件，三股力量一起往下压成本。理解这个区别很重要：前者你可以躺着等，后者你要盯着看，因为曲线的斜率本身会变。
窗口期的残酷之处在于，它奖励算得准的人，惩罚追热点的人。热点出现的时候，窗口往往已经打开一半了；等所有人都看懂，窗口就开始关闭。
AI产品经理除了理解用户需求，还要加一门新基本功：懂评测。你要知道模型当前能做什么、哪些步骤容易失败，以及能力会如何变化。通用基准测试代替不了你自己的场景评测。
我的做法是：选出用户真正关心的任务，设计二十个左右有代表性的工作样本，持续衡量完成质量、速度、失败率和返工。比如预订机票、处理理财经理的工作步骤，逐项检查模型能不能完成、错在哪里、需要多少人工补充。任务样本要覆盖真实流程，能够重复测试，才能知道模型升级带来的提升，对用户到底有没有意义。通用榜单上的分数涨10分，不等于你的用户多付1分钱；你自己的20个样本涨10分，才等于。样本怎么选？覆盖三类：用户最常做的任务、历史上最容易失败的任务、下一代模型可能新解锁的任务。三类都测，评测才有前瞻性。
最有价值的任务，在模型能力与用户需求的交界处。已经很容易完成的任务，继续优化价值有限；长期无法完成的任务，也未必适合当前产品。交界处的任务，既有用户价值，又能随着模型进步持续改善，这是AI产品经理要长期蹲守的位置。
我强调"为下一代模型做产品"。根据能力曲线准备产品，知道哪些环节会随下一代模型明显改善，同时持续测量今天的表现。这背后的逻辑是：用今天的评测数据，判断明天的可行性，而不是盲目等待。某项任务从10%成功率提高到20%、40%，再到可以交付的水平，团队就能看见能力何时接近拐点。产品要围绕模型尚未稳定、但正在快速变好的部分做设计，同时持续删掉已经不再需要的中间步骤。很多AI产品的界面里，还留着上一代模型时代的"人工确认"按钮，早就该删了。删步骤和加功能同样重要，甚至更重要。
当然硬币的另一面是，模型升级后，你的优势可能迅速放大，也可能被模型厂商直接内置。这是做AI应用必须接受的生存条件。
在赛道选择时要慢，在产品与市场匹配之后要快。这是整堂课的节奏总纲。"快"有两个层次：选赛道是十年级别的大决定，要用时间分析；PMF之后的扩张则要快，因为模型厂商、平台公司和其他创业团队都会进来。"快"在组织上的含义是：决策链条要短，一线听得见炮火的人要有开火权；评测数据要天天看，方向不对一周内就要调。慢选解决的是"做不做"，快做解决的是"谁先做出来"，两个阶段用两套操作系统，不要混用。
十年级别的大决定。花一年选方向，按季度复盘，用三个标准检验：供需与成本规律、可量化可证伪、放进长期周期讲得通。
模型厂商和复制者都在路上。应用团队要在用户体验、流程完整度、交付速度上明显领先，在对手复制之前建立客户关系。
模型公司会进入很多应用场景，应用团队不能只靠"模型公司暂时没做"作为壁垒。更现实的优势，可能是比模型厂商更快贴近客户、打通完整工作流、积累独特数据，或者在模型不擅长的环节提供服务和执行。壁垒从来不是"我有你没有的技术"，而是"你追上我需要的时间"。PMF之后拼的，就是把这个时间拉长。
数据成为壁垒的前提很苛刻：它确实独特、可获得、能合法使用，并且能持续改善产品。如果数据可以公开购买，或者竞争者轻易复制，数据量本身就不能构成长期防御。业务依赖真实场景和线下积累时，数据需要时间沉淀。团队既要判断是否值得长期建设，也要利用AI降低测试成本，及时发现方向不成立。
定价是另一个实操要点。AI让开发成本下降，团队可以更快做出Demo拿给客户试用。但定价不能只从调用成本出发，还要反映客户节省的时间、完成任务的质量和服务成本。价格要覆盖销售、服务、失败介入和产品迭代等完整成本，也要让客户看见可量化的收益。客户愿意为可靠的结果付费，而不是为token数量付费。只做模型调用的转售，模型一降价，利润就被压缩。我见过太多团队按API成本加个价就定价，结果模型降价30%，自己的毛利直接归零。定价要锚定客户价值，而不是锚定你的成本。
市场进入策略要看任务本身。企业软件销售、监管要求和采购周期可能较长，一个大客户的POC可能要跑半年，这半年里你的账要能撑住；海外市场的工资水平、消费习惯与分发环境又不同于中国，同样的产品在美国算得过账，在东南亚可能要重算；软硬件的市场打法也不同，软件可以快速迭代，硬件一次量产就是一次重注。不能用单一策略覆盖所有赛道，进场之前，先把你这个赛道的"时间常数"搞清楚。
AI创业有三个常见的坑，我一个一个讲。
第一个坑，做大而全。AI能力看起来什么都能做，诱惑创业者一上来就做平台、做生态。但扩散期的机会恰恰在具体：一个任务、一个工作流、一个付费场景。平台是打赢之后的结果，不是开局的姿势。先把一个小市场做深，再考虑扩展，不能只靠创意本身防守。
第二个坑，融资太多。钱会掩盖问题，让你误以为"有钱"等于"有需求"。真实场景数据往往需要时间，但团队完全可以先用低成本原型验证需求。没有统一的边界，关键是辨认哪些环节必须长期投入，哪些假设可以快速试错。我的建议是：融资节奏跟着验证节奏走，每一轮钱都对应一组要回答的问题，答不出来就不要拿下一轮。
第三个坑，团队太大。AI把开发成本打下来之后，小团队能做的事情比以前多得多。团队应该把关键人才放在决定产品结果的环节：人才判断、信任建立、合作谈判和推动组织，这些仍然需要人。重复、可拆解、可验证的工作，优先交给AI。人效这笔账也要算：一个10人团队人均产出如果低于行业线，问题不在AI，在组织。
那怎么切入？我建议沿着自己的能力曲线。两种画像：第一种，团队有较强的底层技术能力，对模型、工程有深入理解，可以参与更通用、更长期的方向，用技术深度换时间；第二种，团队资源和经验有限，但懂某个行业，那就从具体、可测试的垂直任务切入，在一个细分市场形成稳定使用和数据积累，再逐步扩展，用行业Know-how换壁垒，同样成立。小市场不是永远足够，但它可以成为验证产品的入口。关键是要知道未来如何扩大，而不是只靠概念扩大市场规模。切入点的选择标准只有一个：你的团队在这个切入点上，有没有不对称优势。
还有一条：赛道在市场上越热门，越要问自己是否仍有稀缺优势。共识越强，独特机会可能越少。概念可以指向长期目标，实际产品则应解决今天有人愿意付费的问题。
基于上面的框架，我说说我看好的四个方向。先声明，这只是我基于成本账和稀缺转移的推演，不是预测，更不是投资建议。
第一，智能体。把"给答案"变成"交付结果"，是AI应用这两年最确定的范式转移。通用智能体的窗口已经打开，接下来是垂直智能体沿着一个个工作流往下打。谁先把"成功率连乘"这道题做及格，谁先拿到入场券。注意，智能体的竞争不在模型层，在工作流层：谁更懂这个行业的任务长什么样，谁的交付就更可靠。模型是公共的，工作流理解是私有的，这就是应用公司的机会。
第二，FDE，前置部署工程师。AI产品进企业，最大的摩擦不在模型，在最后一公里：把产品在客户真实环境里部署跑通，对结果负责。Palantir靠这个岗位把政府和大企业客户一个个啃下来。我判断，未来每个AI应用公司都需要自己的"Delta部队"，把现场定制能力沉淀回平台。FDE的本质，是把"卖软件"变成"交付结果"，而"结果"正是客户唯一愿意付钱的东西。
第三，垂类数据。数据成为壁垒的前提苛刻，但一旦满足，就是深护城河：来自高价值的真实场景，有明确的使用权，能形成稳定的评价与反馈，并且能持续改善模型或产品。只有规模、没有场景和用途的数据，未必值钱。反过来说，如果你手里有某个行业十年积累的真实任务数据和反馈回路，巨头想复制，最快的办法可能是直接来买你。
第四，智能眼镜。AI需要新的载体，手机承载了上一个十年，下一个十年可能属于眼镜。新设备要证明自己能提供足够有价值的输入和持续需求，智能眼镜能不能替代手机，还没有被完全证明，但出货量已经开始说话。眼镜的特殊价值在于输入：第一视角的视觉和音频，是手机给不了的真实世界数据流。谁先占住这个输入入口，谁就占住了下一代交互的定义权。
四个方向看下来，共性很清楚：它们都不赌模型本身，都赌"模型变强、变便宜之后，什么变得稀缺"。智能体赌的是工作流理解，FDE赌的是交付能力，垂类数据赌的是反馈回路，眼镜赌的是真实世界输入。这就是整堂课的方法论落到方向选择上的样子：先找到稀缺，再算账，再看时机。
课程最后的问答环节，信息量不输正课。十四组问答，按主题重新归类如下，回答保留我的原意。
模型厂商也会进入应用层，这是确定的，指望它"看不上"你的场景是不现实的。应用公司要跑得更快：贴近具体客户和工作流，找到独特数据、服务交付或难以复制的场景。先证明产品与市场匹配，再快速扩张。速度本身就是壁垒，你在客户现场学到的东西，模型厂商在实验室里学不到。
在AI时代，功能被复制的速度确实更快，靠"点子新"防守已经不现实。小团队要找到具体用户愿意付费的场景，争取在关键体验或交付上明显领先，并在细分市场持续学习，形成独特数据和客户关系。先把一个小市场做深，再考虑扩展。复制者能抄走功能，抄不走你和客户之间攒下来的信任和Know-how。
前置部署工程师确实能帮助产品进入客户流程，但如果每个客户都依赖大量定制服务，业务就会受人力限制，变成一家咨询公司。关键要观察：哪些客户工作可以沉淀成标准产品，哪些必须保留为服务。能回注到平台的，才是规模化的部分；回注不了的，要敢于涨价或者放弃。
重复、可拆解、可验证的工作，优先由AI补足。人才判断、信任建立、合作谈判和推动组织，仍然需要人。团队要把关键人才放在决定产品结果的环节。一个简单的检验：如果这个人离职，AI能不能在两周内补上？能，就交给AI；不能，就是你的关键人才。
如果团队的技术和资源能支撑长期投入，可以面向更通用的场景；如果需要尽快验证，就从具体、可测试的垂直任务切入。垂直产品要讲清楚从小切口如何扩大，通用方向也要讲清楚现在能解决什么问题。最怕的是"通用"的愿景、"垂直"的执行力，两头不靠。
要看数据是否来自高价值的真实场景，是否有明确的使用权，能否形成稳定的评价与反馈，并且是否能改善模型或产品。只有规模、没有场景和用途的数据未必值钱。真实数据的采集周期、合规要求和客户采购流程，也会影响商业化。数据生意的估值，锚定的是"它能变成多少模型的提升"，而不是"它有多少TB"。
医疗受数据、法规、医院合作和结果验证影响，创业公司单独进入会有较高摩擦。要找到能降低摩擦、和医疗机构协作的切入口，避免只凭AI能力判断市场。医疗的账不能只算技术账，还要算"进医院的门要敲多久"这笔时间账。
凡是能够被编程、建模和获得反馈的物理任务，都可能逐步纳入AI能力范围。实际进展仍取决于传感、控制、数据和工程系统的成熟度。软件的智能可以一夜复制，物理世界的智能要一个螺丝一个螺丝地验证，这是快不起来的部分，也是护城河可能更深的部分。
新设备要证明自己能提供足够有价值的输入和持续需求。智能眼镜是否能替代手机，还没有被完全证明。宠物、家庭等明确需求，也可能支撑有规模的专用硬件。判断硬件机会，我只看两条：输入是不是新的，需求是不是每天都发生。两条都满足，才值得下注。
这取决于行业本身的反馈速度、数据积累周期和竞争压力。真实场景数据往往需要时间，但团队可以先用低成本原型验证需求。没有统一边界，关键是辨认哪些环节必须长期投入，哪些假设可以快速试错。融资是手段，不是里程碑；真正要回答的永远是：这笔钱买到了哪个假设的答案。
先把产品拆成真实工作任务，观察模型在代表性任务上的成功率、质量、速度、返工和人工介入，再通过Demo让客户试用。通用榜单不能代替自己的场景评测。产品经理还要理解哪些能力正在改善，以及下一代模型会改变哪些流程。指标不在多，在真：能指导你下周改什么的指标，才是指标。
判断要区分技术周期、基础设施需求和个别公司的估值。技术扩散期可能带来真实的新市场，也可能出现资金过热和之后的调整。创业者应理解周期，不把高估值当作需求证据；投资人则要继续检查用户价值、单位经济和资本回收路径。泡沫不泡沫，对创业者是伪命题：你的账算得过来，就是机会；算不过来，就是泡沫。
能用成本、成功率、市场和反馈数据分析的问题，尽量拆成可推演的变量。但判断人、建立合作和组织团队，仍然离不开与人打交道。量化方法不能代替人的判断，但能让重要假设更清楚。我的习惯是：先算账，账算不通的直觉不要信；账算通了，再用直觉决定下多大的注。
工资、资本、硬件供应、市场规模和监管环境不同，会改变AI产品何时具备经济性。软件团队可以考虑利用中国的供给能力服务海外需求；硬件团队可能同时评估国内制造与海外市场。关键是把自身优势和目标客户对应起来。不要问"中国机会大还是美国机会大"，要问"我的成本结构，更适合在哪边先算通账"。
最后，我想把这堂课收成一句话：把热闹变成算术。AI创业的噪音会越来越多，模型发布、融资新闻、泡沫争论，每周都有新的。但噪音之下，账是稳定的：成本拐点到了没有，窗口打开了没有，稀缺转移到哪了。热度是大家的，账是自己的。算不清楚账的热闹，看得越认真，亏得越快。
创业者能做的，是把大决定做慢，把验证和执行做快，在能力与需求的交界处蹲守，用评测数据判断明天。投资人能做的，是区分技术周期、基础设施需求和个别公司的估值，不把高估值当作需求证据。两边其实在做同一件事：把不确定性拆成可计算的部分，剩下的部分，用小步快跑去试。
如果你听完这堂课只带走一张纸，上面应该写四个问题：第一，我的任务拆成多少步，每步成功率多少，连乘之后是多少；第二，AI做这件事的总成本（含返工和人工介入），什么时候低于人工；第三，我的场景里，什么正在变便宜，什么正在变稀缺；第四，如果我的判断错了，哪个数据会最先告诉我。四个问题都有答案，再动手。
刘勇这堂课的核心是"成本拐点决定论"。未来两个季度，如果出现以下任一情况，这个判断需要修正：AI推理成本的年降幅跌破2倍（即成本曲线明显放缓）；或AI应用公司在不依赖人工介入的情况下大规模盈利（即拐点已过，框架需更新到下一阶段）。复盘日期：2027年3月23日。
留一个互动问题给大家：如果今天让你为自己的方向算一笔账，你会先算人工成本、先算成功率，还是先算反馈速度？欢迎在评论区说说你的账是怎么算的。
北大《AI创业与投资》后续课程，我会继续整理。下一课见。
本文为课堂录音的第一人称转译整理稿，未经讲者审定，未尽之处以现场为准。文中"背景补充"资料来自公开研究（康波周期定义、MIT与Epoch AI《The Price of Progress》、Palantir FDE角色介绍），"案例参考"中的商业事实来自公开报道（字节跳动、AWS、Cursor/Anysphere、Manus、Scale AI、EssilorLuxottica财报），均与讲者原话无关。如需引用，请注明出处：犀牛伯爵 rhinocount.cn。
课程：《AI创业与投资》第三课 · 主题：AI创业的第一性框架，赛道和时机 · 讲者：刘勇 · 地点：北京大学