物理AI诞生00后10亿开云体育- 开云体育官方网站- APP下载俱乐部：新“梁文锋”们正在到来

　　开云体育,开云体育官方网站,开云体育APP下载

　　2025年深秋的一个上午，北京国贸某顶级投资机构高耸入云的会议室里，几位合伙人西装革履，对面是一个穿着连帽衫、面容清稚的年轻人。半小时会面后，这位年轻人获得了上亿的TS（投资意向书）。

　　这位年轻人叫秦深涛，2001年出生，哈尔滨工业大学本科毕业、清华大学博士在读，2025年创立了一家名为”渊澈太初”的公司，方向是具身智能数据基础设施。

　　一位长期关注具身智能产业的投资人对潮涌AI表示：“现在投资机构对于出身名门的AI创业者，都是追着投资的状态，生怕自己投不进去，特别是那些年轻的，做物理AI、具身智能、世界模型领域的……”

　　在同一时间段，00后创始人、专注物理AI的公司LiberAI与萝博派对的融资过程“差不多也是如此”。

　　秦深涛的投资者砺思资本曹曦在第20届中国投资年会上面对台下数百位投资同行，说了一句让很多老一辈创业者坐立不安的话：“AI行业的代际切换已经完成。在我们基金的投资组合里，创始人年龄从95后急速下沉至00后。”

　　2026年第一季度，AI融资项目中30岁以下创始人占比达到34%；而在2024年，这一数据仅为12%——短短两年间，年轻创始人在AI融资中的占比翻了近三倍。

　　更惊人的是AI独角兽创始人的平均年龄变化：从2020年的40岁，骤降至2024年的29岁。

　　红杉中国联合真格基金、美团龙珠、顺为资本，共同押注LiberAI——方向是物理世界模型；

　　高瓴创投同时投资了灵初智能和逆矩阵科技，分别代表VLA大脑和通用世界基座模型两条路线；

　　云启资本发起Y Transformers计划，承诺1亿元专项资金支持98后AI创业者，单个项目在2周内完成投资决策……

　　这些不是公关噱头，而是真金白银的战略转向——当传统赛道的项目越来越内卷，00后创业者成了机构争夺的新战场。

　　一位腰部机构的投资人半开玩笑地说：“拼不过别人的资源、品牌和关系时，那就只能提供情绪价值。”于是，陪聊、捧场、抢份额、快速决策，逐渐成了竞争00后创业者的标配动作。

　　有人甚至在社交媒体上自嘲：“现在见00后创始人，要比见上市公司CEO还快。”

　　曹曦还有另一句话，值得所有参与者深思：“没有小天才的时代，只有时代的小天才。”

　　这句线后创业者集体涌现，不是因为他们比前辈更聪明、更勤奋，而是因为他们恰好站在了一个技术范式转移的拐点上。

　　物理AI——这个将人工智能从比特世界推向原子世界的概念——就是这场代际切换的底层动力。

　　物理AI（Physical AI），指的是人工智能从“语言模型”时代迈向“物理世界”时代的范式转移——不再只是处理文字和符号，而是理解物体、空间、力学和因果。

　　过去十年，以GPT系列为代表的大语言模型在比特世界里攻城略地，处理的是文本、代码、图像——本质上都是信息的排列组合。

　　你向ChatGPT提问，它生成一段文字；你给它一段代码，它帮你调试。这些任务的共同特征是：输入和输出都是比特，不涉及与物理世界的直接交互。

　　一个机器人如何用合适的力度拧开一个矿泉水瓶盖，太轻拧不开，太重会把瓶子捏变形？如何在颠簸不平的地面上保持平衡？如何预测一个被抛出的篮球的落点，并在正确的时间伸出手接住……这些问题没有标准答案，因为每一次物理交互都是独特的——瓶盖的松紧程度不同，地面的凹凸程度不同，抛球的力度和角度不同。

　　世界模型（World Model），试图让AI像人类一样建立对物理规律的内在认知。人类婴儿在成长过程中，通过不断扔东西、推东西、敲打东西，建立了对重力、摩擦力、弹性的直觉理解。世界模型的目标，就是让AI也通过类似的“经验积累”，形成对物理世界的内在模拟。

　　具身智能（Embodied AI），强调智能必须在物理交互中涌现。这个哲学取向认为，真正的智能不是坐在服务器里“思考”出来的，而是在与环境的持续互动中“生长”出来的。一个机器人如果不亲手碰过一千个杯子，就不可能真正理解“易碎”是什么意思。

　　VLA架构（Vision-Language-Action，即视觉-语言-动作模型），则是一种更工程化的技术路径。它将视觉感知（看见什么）、语言理解（听到什么指令）和动作控制（做出什么反应）统一在一个端到端的神经网络中。

　　世界模型最具雄心但难以落地，具身智能直觉上正确但训练成本高昂，VLA架构已经产出Demo但在泛化能力上受限。

　　这场技术路线后创业者最大的机会窗口——因为没有人知道正确答案，所以每个人都有机会定义答案。

　　2025年，具身智能全赛道融资398亿元；2026年前5个月，这一数字已经突破577亿元；2026年被业内称为“世界模型元年”，国内超过25起世界模型相关融资事件，融资总额超22亿元。

　　一个标志性事件加剧了这场技术路线月底的红杉资本AI Ascent 2026大会上，英伟达科学家Jim Fan抛出了一个爆炸性观点：“VLA已死。”

　　他提出了WAM（World Action Model，世界动作模型）作为新范式，认为单纯的视觉-语言-动作拼接已经走到尽头，未来的机器人需要一个真正理解物理因果的“世界引擎”——不是简单地看到图像、理解语言、输出动作，而是在行动之前，先在“脑海”中模拟出这个动作的后果。

　　他们没有移动互联网时代的路径依赖，没有“做App”的肌肉记忆，没有在上一代技术框架中形成的思维定势。

　　一位资深投资人说：“真正有突破性的东西，未必来自那些最懂产业的人，反而可能来自最年轻、最前沿的一批researcher。”

　　Researcher——这个词在中文语境里通常被翻译为“研究者”，但在00后创业者的世界里，它更接近一种身份认同：不是商人，不是传统意义上的工程师，而是站在技术最前沿的学术原生代。

　　他们中的许多人，从实验室直接走向创业，带着尚未被产业经验稀释的技术直觉，带着对最新论文的熟悉和对旧范式的质疑。

　　02 时代的分野——90后做大模型，00后做物理AI如果把中国AI创业的版图摊开来看，一条清晰的代际分界线浮现出来。

　　杨植麟，1993年出生，清华大学和卡内基梅隆大学背景，2023年创立月之暗面（Kimi），用长文本处理能力在一众大模型中撕开一道口子，砺思资本把所有赌注押在他身上，连投三轮；

　　梁文锋，1985年出生，浙江大学背景，2023年从幻方量化分出DeepSeek团队，2025年发布R1模型，以不到OpenAI十分之一的训练成本达到相近性能，震动硅谷，被海外称为“来自东方的神秘力量”；

　　闫俊杰，1989年出生，中科院博士加清华博士后背景，商汤科技前副总裁，2021年创立MiniMax，2026年1月在港交所上市，市值突破2600亿港元，成为全球大模型企业最快IPO的纪录保持者。

　　这三个人有一个共同点：他们主攻的都是大语言模型——让AI理解文字、生成文字、在比特世界里完成任务。

　　他们的战场在云端，在服务器里，在API调用中。用户输入一段文字，模型返回一段文字——整个过程不涉及任何物理世界的交互。

　　陈源培做VLA大脑，试图让机器人不仅能“看见”和“听懂”，还能“动手”完成复杂操作。

　　他们的战场在工厂车间、在仓库货架、在家庭厨房。用户不需要输入文字，只需要下达一个指令——“把那个箱子搬到货架第三层”——然后看着机器人真的走过去、伸出手、搬起箱子、放到位。整个过程发生在原子世界里，每一步都需要对物理环境的精确理解和实时适应。

　　大语言模型的技术路径在2023年已经基本收敛——Transformer架构、自回归训练、Scaling Law——这意味着后来者很难在技术层面实现颠覆性突破，竞争主要集中在算力、数据和工程优化上；

　　而物理AI的技术路径远未收敛——世界模型、具身智能、VLA、WAM，哪条路线能走出来，现在没有人确切知道。这种“不确定性”恰恰是00后创业者的最大优势：他们没有在已经收敛的赛道上与90后前辈正面竞争，而是选择了一个全新的、尚未被定义的战场。

　　更深层的逻辑在于，大语言模型的核心能力是“理解符号”，而物理AI的核心能力是“理解因果”。

　　让AI写一首诗，和评价这首诗写得好不好，本质上都是符号层面的任务。但让AI拧开一个瓶盖，需要理解力的大小、摩擦系数、瓶盖的几何形状、手指的施力角度——这些都不是符号，而是物理因果。

　　从符号到因果，是AI从“工具”走向“agent（智能体）”的关键一跃，也是00后创业者试图完成的代际使命。

　　03 00后AI十亿俱乐部以下四个00后物理AI创业者的公司估值都超过10亿，是00后创业者中最具代表性的人物，潮涌AI称他们为“00后AI十亿俱乐部”。

　　潮涌AI发现，他们虽然岁数相同，但成长路线差异巨大，他们的公司虽然都在“物理AI”这个大赛道下，但是项目方向并不相同。

　　清华大学计算机系年级第一，GPA 3.99/4.00，每年仅10人的清华特等奖学金获得者。他师从清华AI研究院副院长朱军教授，在ICML、NeurIPS等机器学习顶会上发表多篇一作论文，总引用超过1300次。

　　如果沿着学术道路走下去，刘松铭很可能会成为一名备受尊敬的教授，在世界各地的学术会议上做主题演讲，带一批又一批的博士生。但2025年12月，他选择了另一条路——创立LiberAI。

　　这个决定在当时并不令人意外。物理AI的热潮已经卷起，而刘松铭恰好站在学术与产业的交汇点。他的博士研究方向——机器人学习与世界模型——与产业需求高度吻合。

　　RDT-1B（Robotics Diffusion Transformer，机器人扩散模型）是一款物理世界模型，核心思路是将扩散模型——也就是Midjourney、DALL-E生成图像的那套技术——应用到机器人控制中。其领先之处在于，它比硅谷最炙手可热的Physical Intelligence公司推出的π0模型早一个月发布。在物理AI这个分秒必争的赛道，一个月的领先意味着巨大的先发优势。

　　创立半年内，公司累计融资近5亿元，估值翻了5倍，进入10-20亿元区间。真格基金、红杉中国、美团龙珠、顺为资本联合押注。

　　2026年4月，LiberAI发布了一段灵巧操作Demo：机器人双手剥香蕉、拧瓶盖、持锅颠勺。这些对人类来说稀松平常的动作，对机器人而言却是技术难度的珠穆朗玛峰。

　　剥香蕉需要手指施加恰到好处的力——太重会捏烂香蕉，太轻剥不开皮；持锅颠勺需要协调手腕、手臂、肩膀的多个关节，在重力和惯性的复杂交互中保持平衡。每一个动作的完成，背后都是对世界模型精度的严苛考验。

　　刘松铭代表的，是00后创业者中的“学霸路线”：顶级学术背景、顶级论文产出、顶级资本加持。他的竞争优势在于，将最前沿的学术成果快速产品化。

　　RDT-1B本质上是一个“机器人通用大脑”——不同于为特定任务训练的专用模型，它试图让机器人通过理解物理世界的规律，泛化到从未见过的操作场景。

　　学术世界的评分标准清晰明确——论文引用量、顶会接收率、竞赛排名，商业世界的规则却模糊得多：客户在哪里？付费意愿有多强？技术护城河够不够宽？这些问题，不是GPA 3.99能回答的。

　　更现实的是，LiberAI的“通用大脑”路线天然是一场重资源消耗战——模型训练需要大量的计算资源和数据，如果商业化节奏跟不上烧钱速度，即便有顶级资本背书，也可能陷入困境。

　　如果说刘松铭的路径是“自上而下”——从学术高地切入产业，那么，秦深涛的路径则是“自下而上”——从机器人竞赛的实战经验中生长出来。

　　2001年出生的秦深涛，在哈尔滨工业大学读本科时师从邓宗全院士——中国航天器着陆技术领域的泰斗级人物；后在清华大学读博士，师从院士——中国汽车智能驾驶领域的开拓者。

　　但秦深涛真正引人注目的，不是他的导师名单，而是他在竞赛场上的战绩。他是哈工大史上首位在大三同时斩获校长奖章与五四青年奖章的学生，带领团队拿下ROBOCON亚太大学生机器人大赛、RoboMaster机甲大师赛等多项顶级赛事冠军。

　　在RoboMaster的赛场上，机器人需要在复杂环境中自动识别目标、规划路径、精准射击，同时还要应对对手机器人的干扰。这要求参赛者在机械设计、电控系统、计算机视觉、策略算法等多个领域都有扎实的功底。能在这些赛事中夺冠的团队leader，本质上已经具备了管理一个小型技术公司的能力。

　　2025年8月，秦深涛创立渊澈太初，五个月内完成三轮融资，总额超过5亿元。蓝驰创投10分钟拍板的故事，就发生在他身上。

　　渊澈太初的定位不是做机器人本体——那是一个已经拥挤的战场，宇树科技、智元机器人、傅利叶智能等公司已经形成了先发优势。渊澈太初做的是“卖水人”——专注数据基础设施。

　　其核心产品NeuroScale是一款千元级肌电信号采集设备，能够捕捉人类操作时的精细力反馈，将这种“触觉数据”转化为机器人可以学习的训练素材。传统的机器人数据采录，主要依赖视觉——让机器人“看”人类怎么做事。但视觉数据有一个根本缺陷：它只能告诉机器人“手到了哪里”，无法告诉机器人“用了多大的力”，而“力”反馈恰恰是物理操作的核心。

　　物理AI领域存在一个残酷的数字：有效数据量仅约50万小时，而ChatGPT训练所用的数据量约为100亿小时——差距两万倍。这意味着，数据是物理AI最大的瓶颈。就像石油之于工业革命，谁掌握了数据采集和供给的能力，谁就掌握了这个行业的命脉。

　　秦深涛对此有着清醒的认知，他说道：“大家不会因为我们是00后就降低期望。”

　　这句话背后，是一种刻意与“年轻创业者”标签保持距离的姿态。他不想被当作“有天赋的小孩”来宽容对待，他要的是与任何年龄的创业者同台竞技。在赛道融资超500亿、营收却不足100亿的落差面前，这种清醒尤为珍贵。

　　他的故事没有清华北大的光环，没有院士导师的加持，却多了一份野生极客的草莽气和开源社区的时代嗅觉。

　　2023年，黄一考入哈尔滨工业大学未来技术学院。大一那年，他以1.5万元的成本，在宿舍里打造了一款双足机器人AlexBot，并将其全栈开源。

　　1.5万元能做出来一个双足机器人，本身就说明了一件事：开源硬件社区的力量已经到了一个临界点。树莓派、Arduino、3D打印机的普及，让一个19岁的大学生可以在宿舍里完成过去需要数百万设备和一支工程师团队才能做到的事情。

　　2025年3月，大三的黄一做了一个让同辈人侧目的决定：提前毕业，带领近15名哈工大学子集体搬迁上海，创立萝博派对。15个人，平均年龄不到22岁，从上海的一间共享办公空间起步。

　　2026年1月，萝博派对开源了公司头原型机，上线天GitHub Star突破1.4K，进入具身智能开源项目Top5。

　　截至2026年5月，Star数达到1.7K，全球开发者社区规模5000人。

　　与多数创业公司急于签下大单、快速证明商业化能力不同，黄一做了一个在投资人看来甚至有些“任性”的决定：拒绝上市公司的数百台订单，优先构建社区生态。

　　他的逻辑是：“在机器人领域，开源和闭源几乎是同时起跑的，没有任何一家公司建立了压倒性的数据或算法优势，这是开源难得的‘公平竞赛’窗口。”

　　在大语言模型领域，OpenAI已经通过海量的训练数据和计算资源建立了难以逾越的壁垒，开源模型（如Llama、Mistral）虽然在追赶，但在性能上始终落后一个身位。

　　但在物理AI领域，情况完全不同——没有人有足够的数据，没有人有成熟的算法，大家都在起跑线上。在这种情况下，开源可以成为一种“农村包围城市”的策略——通过降低使用门槛，快速积累开发者和数据，形成网络效应。

　　小米系三轮加注萝博派对，经纬与顺为联合支持。资本的认可，说明黄一的开源路线不是单纯的理想主义，而是一种经过深思熟虑的商业策略。

　　三个00后，三条路线：刘松铭走“学术-产品”路线，用顶级论文和通用模型建立技术壁垒；秦深涛走“数据基础设施”路线，用“卖水人”的定位规避硬件红海；黄一走“开源生态”路线，用社区力量构建网络效应。他们分别对应物理AI产业链的不同环节——世界模型、数据层、开发者生态。这不是巧合，而是00后创业者对这个行业结构的本能理解。

　　但三个人也有共同的短板：缺乏产业经验。物理AI不是纯软件游戏，它涉及硬件选型、供应链管理、制造良率、客户交付、售后维护——这些都需要在产业里摸爬滚打多年才能积累。

　　灵初智能的办公室里，两套工位风格形成了有趣的对比。一侧是00后的天地——机械键盘、三联显示器、空掉的咖啡杯、写满公式的白板；另一侧则是产业老兵的领域——整洁的桌面、日程本、客户拜访记录、供应链报价单。

　　创始人团队由两个人构成：CEO王启斌，近20年产业经验，曾在黑莓、Sonos、云迹科技、京东担任高管，经历过完整的硬件产品周期；联合创始人陈源培，2005年出生，华南理工大学土木工程本科跨专业进入北大AI研究院，后赴斯坦福大学，师从李飞飞教授——计算机视觉领域最具国际影响力的华人科学家之一。

　　土木工程出身——这在AI创业者的背景中堪称异类——却在北大期间实现了全球首次在真实环境中运用强化学习同时控制双臂与双手完成多技能操作。这个成就的技术难度在于：双臂协调操作本身就是一个高度复杂的问题，因为两只手需要既独立又协同地工作；而在“真实环境”（而非仿真环境）中实现这一点，意味着系统必须应对传感器噪声、机械延迟、环境不确定性等一系列工程挑战。

　　毕业后，陈源培面临一个令人羡慕的选择：华为的“天才少年”计划，年薪百万起步。他放弃了。

　　“天才少年”是华为自2019年起推行的人才计划，旨在以顶级薪酬吸引全球顶尖的技术人才。对很多应届毕业生而言，这是技术生涯的终极起点。但陈源培选择了与王启斌一起创业——放弃确定的百万年薪，拥抱不确定的创业历程。

　　王启斌对行业的判断简洁而犀利：“操作才是皇冠上的明珠，移动只是入场券。”

　　在他看来，让机器人从一个点移动到另一个点——导航和行走——只是解决了“到场”的问题；真正创造价值的是到达之后的那双手：拧螺丝、贴标签、分拣包裹、装配零件。移动能力让机器人“能来”，操作能力让机器人“能干”。

　　灵初智能累计融资超过20亿元，估值一年涨六七倍。摩根士丹利在其《Humanoid Horizons: Money Meets Machines》报告中，将灵初智能列为“Brain”板块的关键成员——也就是机器人的“大脑”提供商，而非本体制造商。

　　这种“00后技术天才+20年产业老兵”的双螺旋组织模式，正在成为00后硬科技创业中最成功的组织范式。

　　陈源培负责技术前沿探索——追踪最新的学术进展、尝试新的模型架构、参与学术会议建立研究网络；王启斌负责量产落地——与工厂谈合作、管理供应链、控制成本、确保交付。一个仓库项目从接洽到稳定运行，可能需要6-9个月的打磨周期，这期间涉及无数工程细节的调试和优化。

　　零次方机器人同样采用了这一模式：闵宇恒等清华00后极客搭配量产专家，单月稳定量产百台、订单破亿元。

　　双螺旋模式的本质，是用最小的时间成本弥补00后创业者最大的短板。在技术快速迭代、产品尚未定型的阶段，00后的技术嗅觉和学术资源是核心竞争力；但在供应链谈判、客户交付、团队管理、质量控制的环节，产业老兵的经验不可或缺。

　　这种模式的成功，也折射出中国硬科技创业的一个深层变化：不再是“一个天才改变一切”的神话，而是“两个世代互补协作”的现实。00后带来技术直觉和学术网络，70后、80后带来产业认知和管理能力——这不是代际替代，而是代际融合。

　　它要求两个核心人物之间有足够的信任和默契，要求技术远见性和商业专业性能够在关键决策上达成一致。

　　04 泡沫、营收与线月，金沙江创投合伙人朱啸虎做了一个震惊行业的决定：公开批量退出人形机器人项目。他的理由直白而刺耳：“他们说的都是自己想象出来的客户，谁会花十几万买一个机器人去干活儿？”朱啸虎在中国创投圈以“敢说”著称，但他的质疑并非无的放矢。

　　数据揭示了一个令人不安的现实：2025年，具身智能全赛道融资约500亿元，但第一梯队公司的营收加总不足100亿元。

　　这两种收入来源的共同问题是：不可持续。歌舞表演是一次性的项目收入，无法规模化；数据采集的门槛也在快速降低，随着自动化采集技术的进步，单纯“卖数据”的商业模式会越来越难维系。

　　招投标数据揭示了更残酷的线个来自教育机构，真正工业和商业场景的占比极少。

　　这意味着，当前人形机器人的主要买家，不是工厂主，不是物流老板，不是建筑公司——而是高校和科研院所。行业在很大程度上，还在“自己人买自己人的账”。

　　一个标志性的事件是大洋彼岸的K-Scale倒闭。这家曾估值5000万美元的具身智能创业公司，最终账面仅剩40万美元，没有熬到产品量产的那一天。K-Scale的倒下，给所有还在烧钱阶段的具身创业公司敲响了警钟：融资容易，不代表能活到盈利的那一天。

　　在国内，松延动力创始人姜哲源的经历是一个缩影。由于不重视现金流，疯狂扩招，直至公司资金仅够支撑10个月，春晚成了其背水一战，这不是个例。

　　在资本大量涌入的阶段，许多00后创业者被“快速拿钱、快速扩张”的节奏裹挟，忘记了硬件创业最核心的纪律——现金流管理。

　　与大语言模型“训练一次、无限复用”的软件逻辑不同，物理AI每一台硬件都有物料成本、制造成本、运输成本、维护成本。融资5亿元，在大模型公司可能支撑两年的研发；在机器人公司，可能只够量产几千台。而几千台机器人的销售收入，可能连覆盖成本都不够。

　　秦深涛选择的“卖水人”路线，某种程度上是对这种风险的主动规避。不卷本体制造，不做硬件重资产，专注数据基础设施——这是用软件思维做物理AI，用更轻的资产模式参与赛道。

　　黄一的开源路线，也是一种轻资产策略。不直接卖硬件，而是通过开源社区构建生态壁垒，让开发者和合作伙伴成为自己的“外延团队”。社区中的每一次代码贡献、每一次问题反馈、每一次应用创新，都是在为萝博派对的生态增加价值。

　　但刘松铭的LiberAI走的是“通用大脑”路线，需要在模型训练上持续投入海量计算资源。这天然是一场重资源消耗战。如果商业化节奏跟不上烧钱速度，即便有真格、红杉、美团龙珠、顺为的联合加持，也可能面临进退两难的境地。

　　物理AI的泡沫，本质上是“技术可能性”与“商业现实”之间的落差。技术演示可以在实验室里完美呈现——灯光打得好、背景干净、动作反复排练。但走出实验室，面对工厂里的油污、仓库里的杂乱、物流线上的不确定性，机器人的可靠性会断崖式下降。

　　一位在制造业有二十年经验的高管说：“我们在产线上用机器人，核心诉求不是它多聪明，是它别坏。一天坏三次，再智能也没用。”这种来自产业一线的声音，与投资人眼中“改变世界的技术”之间，存在着巨大的认知鸿沟。

　　站在2026年中点回望，物理AI赛道有五条主要的技术路线在竞速：渊澈太初的NeuroScale数据层、LiberAI的RDT世界模型、萝博派对的RPVLA开源生态、逆矩阵的世界基座模型、灵初智能的Psi VLA大脑。

　　这五条路线条能胜出。这不是悲观，是硬科技赛道历次洗牌验证过的铁律。PC时代有几十个操作系统，最后剩下Windows、Mac、Linux；智能手机时代有十几个操作系统，最后剩下iOS和Android；物理AI也不会例外。决定胜负的三个关键变量，将在2026-2027年逐一揭晓。

　　2025-2026年的资本狂热，部分原因是AI赛道整体的资金溢出效应——大模型赛道已经被头部公司占据，资本需要寻找下一个出口，物理AI恰好承接了这部分溢出资金。

　　一旦宏观经济环境变化，或者大模型赛道出现回调，物理AI作为“更早期、更不确定”的方向，会最先受到影响。

　　Jim Fan说“VLA已死”，提出了WAM。但这个判断本身也可能被证伪。

　　物理AI的技术范式远未定型，世界模型、VLA、WAM、扩散模型——哪条路线能同时满足“精度高、泛化好、成本低”三个条件，现在没有人确切知道。

　　赌对技术路线的公司，将获得指数级的回报；赌错的公司，可能连被收购的机会都没有。

　　代际切换在资本层面确实已经发生——30岁以下创始人占比从12%跃升至34%；AI独角兽创始人平均年龄从40岁降至29岁；头部机构的投资组合里，00后的名字越来越多。

　　00后创业者们拿着钱、带着团队、揣着技术，走进了一个比他们想象中更复杂的战场。这里不仅有技术难题——如何让机器人理解物理世界，还有供应链谈判、客户交付、团队管理、现金流控制——这些都不是顶会论文能教会的。

　　谁能第一个冲过终点线，或者，谁能活到最后——这两个问题的答案，可能并不相同。