本文来自微信公众号： 科工力量 ，作者：科工力量
编者按：过去很长一段时间，中国的科技投资可以先望向美国：那里有先跑出来的公司、相对清楚的技术路线，也有可供比较的估值锚点。中国团队追得够不够快，投资人多少有一套判断方法。
如今，在人工智能等前沿方向，中国的一些团队开始与美国同行同时探索。山顶还没露出来，投资人很难仅靠对标判断哪条路走得通，张辰把这种状态叫作“雾里登山”。
9月23日，在S创上海2026期间，观察者网策划的播客对谈“雾里登山：从美国的‘黄金时代’走出来”举行。观察者网策划部主任周宇舫主持，首都经济贸易大学案例中心主任孙喜、成为资本C Engine首席投资官张辰参与对话。
观察者网播客对谈“雾里登山：从美国的‘黄金时代’走出来”
当部分领域从追赶走向并跑，谁来定义技术目标，资本怎样选择创业者，国家任务与产业需求又如何接上？张辰从投资实践谈科学家创业和阶段性的商业闭环；孙喜从工业体系与创新机制出发，讨论前沿技术走进产业的条件。
（以下据现场录音整理，为便于阅读，对重复、口误和语序做了编辑。）
雾里登山没有现成的美国坐标
观察者网：今天的题目叫“雾里登山：从美国的‘黄金时代’走出来”。过去讲科技创新，大家经常说美国做从0到1，中国做从1到100。美国做出什么，我们再找追赶的方向。现在这个参照似乎没那么清楚了。张辰，你先讲讲“雾里登山”作为投资人的体感。
张辰：这是我做投资这几年一个很直接的感受。我们做了七八年投资，以前投资本身更像挑选：先看好一个行业，再从里面选最好的公司。大家对“好”的标准可以不一样，但至少知道要往哪里去。
到了AI、量子这些前沿领域，情况不一样了。创业公司走的路线还没有收敛，什么是好、什么是坏，也没有办法先达成一个统一标准。追赶时，美国前沿的技术和公司相当于一个可以看到的山顶。投资人知道爬到山顶大概是什么样子，才能比较谁的方向更准、速度更快。
现在中国的一些科技创新，不再只是追着美国已经做出来的东西跑，而是在同一时间探索。投资人的位置就像在雾里登山：我看不到山顶是什么样子，也看不到整座山上的所有选手，只能看见身边几个人在往上走。他们脚下的路好像是在向上，但这条路是不是对的，是不是最好的捷径，我很难判断。
这个变化，我大概从2025年前后开始有比较强烈的感觉。可以从技术的供给侧和需求侧同时看。供给侧，机器学习和计算机视觉的顶会里，中国研究者的参与越来越多。我当时对比了ICML连续两年的投稿、录用情况，也关注CVPR的第一作者构成。尽管不同会议的统计口径需要仔细核对，一个直观感受是，中美前沿研究力量正在迅速接近。在我观察的一些方向上，中国团队已经有能力提出最前沿的问题，而不只是追赶别人提出的问题。
需求侧也有变化。中国模型在海外的调用量上升，越来越多外国企业会直接购买中国模型的能力。需求正在出现，这个趋势很值得投资人注意。
还有一种很直接的产品体感。谈语言模型，大家会先想OpenAI；谈视频生成这些多模态工具，字节的Seedance、海螺、可灵，已经是全球用户会拿来比较的产品。在一些榜单里，中国团队也常常处在非常前面的位置。
这些变化加在一起，让我觉得，一些产业走到了中美并跑的深水区。追赶时，投资人能把同行做过的产品当作坐标；并跑时，连产品边界和使用场景都还在变化。山顶还看不见，怎么投资、谁适合创业，乃至政府怎么适应这种创业方式，问题都变了。
观察者网：孙喜研究创新体制。张辰说我们有些领域已经走到并跑的位置，你怎么看这种变化？
孙喜：并跑不是突然发生的。关于中国怎样从跟跑走向并跑，十多年前研究产业和科技政策的人就在讨论。起初可能在少数产业链上看到变化，再从一个产业链扩散到更多产业，从单个企业的技术能力扩散到系统、工艺和上下游配套。这个时候，科技端和市场端会一起接近前沿，不能只拿一项科研成果或一家公司的产品去衡量。
这里有一个很重要的基础：中国过去几十年一直在建设工业体系，没有停下来。这个体系越完整，对于AI等新兴产业，一方面越能从供给侧降低成本、提供试验和制造条件，另一方面越能从需求侧提供场景和利润。一项新技术落在完整产业链上，能找到零部件、工程人才，也能找到第一批客户。不能只看塔尖上的某一家科技公司，还要看它下面的产业底座。
观察者网：中国是一层一层把基础设施和产业体系搭起来，才有机会把塔尖堆得更高。以前塔尖很多时候是美国走在前面，投资人可以拿它作范本。现在我们接近这个身位，美国那边也有压力：对手就在这里，试错成本会被看见。你最近研究美国的科技政策，有什么发现？
孙喜：我关注到白宫近期的一份科技政策报告。我的感觉是，美国越来越重视把科学发现和国家战略任务接起来。它关心的不只是科技供给，还包括试验测试能力、关键产品开发能力，以及怎样真正实现国家层面的任务。你有科学家提出设想，还要有地方完成测试、把东西做成产品，并且围绕一个国家任务持续组织团队。
如果用一个比喻说，它要造足够多的“容器”去承接这些任务。有人开玩笑说，美国也在学中国组织科技攻关，甚至可以拿中国早期制定国家科技规划的方式作比较。我认为不能简单讲谁学谁，但这确实表明，连原先走在前面的一方，也在调整从科研到产品、再到国家任务的组织方式。美国原本就有组织任务的历史，现在需要面对的新问题，是如何在更多前沿领域重新把这些能力连起来。
观察者网：美国的技术创新一直有它的长处。中国和美国现在会不会更多地学习对方？张辰你从创业公司这边看到什么？
张辰：我觉得是一个相互学习、相互融合的过程。一方遥遥领先时，它定义标准，不太需要考虑别人怎么做；并跑之后，双方都会看对方最有优势的部分。美国在关注中国组织大规模任务的能力，中国也开始出现更多在美国很常见的研发型创业组织。
有一些团队更像New Lab。OpenAI早期就可以作为这种形态的例子：研发目标先行，商业化路径还不清楚时，不一定先回答市场空间多大、目标客户是谁，而是集中力量把一项前沿技术做出来。
以前中国在很多产业更像追赶者，目标相对明确，企业最需要的是工程能力：把一条已知的路走快、走通。科学家当然也会参与，但创业的组织方式更多是围绕一个清楚的工程目标展开。
这两年在AI大模型、具身智能、世界模型和AI for Science等领域，我看到科学家更积极地加入创业。很多团队早期不急着讲商业模式，而是比谁有更高的研发效率，谁能让技术更快收敛。它们会以公司为载体面向社会资本融资，同时保持很强的研究属性。所以变化不只是技术能力跟上了，公司的样子、创业者的画像也在变。投资人过去熟悉的工程型创始人，和今天带着研究团队出来创业的科学家，不应该用完全一样的方法判断。
投谁？谁出钱？怎么估值？
观察者网：原来投资人可能会问“你对标美国的哪家公司”，或者沿着国家项目、基础研究、工程化、商业化这条链条找机会。现在科学家直接创业，资本什么时候进入？对投资人有什么挑战？
观察者网策划部主任周宇舫
张辰：我和很多投资人交流，大家这两年都觉得迷茫，过去的一些方法好像失效了。我把问题拆成三件事：确定交易对手，也就是投什么人和公司；确定钱从哪里来；再确定交易对价，也就是估值。科技创新走到这个阶段，三件事都发生了变化。
先说人。以前大家对成功创业者的画像虽有分歧，但常常希望他是一个“六边形战士”，技术、产品、销售、管理都能做。科学家成为前沿创业的重要力量后，不能要求一个科学家一开始就什么都擅长。他可能只在某一个关键的研究层面有显著领先能力。投资人要重新判断：什么样的科学家适合做创始人，怎样的团队能够围绕他的长处建立公司？
第二是钱。过去资金分工比较清楚：非常前沿的研究由国家课题支持，主要在高校和科研机构完成；技术有了转化的可能，社会资本参与早期风险；企业相对成熟以后，政府基金再进行产业引导。每一类钱要解决什么问题、在哪个阶段进来，相对清楚。
现在同一批早期科技公司，可能同时需要社会资本、国有资本和科研经费。社会资本支持公司发展，国资还可以帮助对接产业和地方资源，课题经费则给前沿探索留出余地。有的项目在完成股权融资后，仍可以申请科研课题经费来支撑研发，这不是同一类资金的简单替代。
所以你会看到，美元投资人投的项目越来越像过去的人民币项目，一些国资基金进入了原来不太会投的早期领域。过去按不同阶段接力的钱，现在同一时间涌向同一类企业。这对创业公司来说未必是坏事，但投资机构不能只凭以前熟悉的“美元基金投应用、人民币基金投硬科技”的标签来判断项目。
第三是定价。人和资金的画像都不清楚了，价格就更难定。过去一级市场喜欢用成熟公司的PE、PS倍数去对标；但做最前沿的技术，没有一家现成的公司告诉你市场会是什么样，估值缺少锚点。这种不确定性，是现在所谓“估值混乱”甚至泡沫出现的背景。
观察者网：没有锚点时，政府该在哪个阶段发挥作用？
孙喜：因为从投资人角度看，越前沿的技术可能越“性感”，但如果放到历史上看，像今天AI所处的很多探索阶段，本来未必适合完全靠市场化投资去接。前面有相对稳定的科研投入，经过试验和初步产品开发，后面再由市场化机制接续，这原本是一种可以讨论的安排。
即使在美国，国家和市场之间也有接口，而且它对不同类型的任务已经摸索出不少组织办法。AI这轮发展太快，技术前沿、创业公司和资本市场几乎同时挤到一起。我觉得政府和投资界都有一点措手不及：过去分段接力的机制，现在未必刚好接得上。尤其是长期任务该由谁承担、哪一段可以交给企业，不能只用企业估值来回答。
国家任务与市场之间还缺什么接口
观察者网：我想到一个不一定成熟的比喻。美国原来要求自己保持代差，一旦中国在某个方向单点突破，它就得投入更多资源来回应。我们是不是可以做更多这种突破，让它分散资源？
孙喜：这个想法有意思，不过讨论到现在，我们的叙事前提几乎一直是一家一家企业。前沿产业从无到有，在美国也不是只靠企业自己试出来的。它有国家战略任务，也有市场化的团队和公司，关键是两者怎么对接。
从国家层面定义产业竞争力的需求，再把科研、试验、产品开发和企业组织到一个任务里，这件事对中国同样重要。过去追赶时，大家知道方向在哪里；需要自己定义前沿方向时，就不能只把任务分给企业，让企业各自去猜。
观察者网：我们在不同时期也有过任务导向和市场导向。改革开放前组织国家任务的能力很强，后来市场机制越来越重要。现在是不是又要走向一个新阶段？
孙喜：我想讨论的是“任务”怎样形成。追赶阶段要做某个产业技术，可以先找国际上的科研和产业进展作为坐标，再写研发指南、分解目标。很多时候，即便指南的第一稿会写“国家战略需要什么”，交给下一个环节，大家还是会追问西方国家有没有可参考的路线、国外已经做到什么程度。这套办法在追赶时有用，因为外面确实有一个可供对照的目标。
走到并跑甚至要领跑的时候，参考坐标可能没有了。国家战略到底需要什么，需求由谁定义，科研人员、产业部门和企业怎样在制定任务时参与，都要重新考虑。不能以为把指南写出来，任务就组织好了，更不能把不确定性完全推给申请项目的团队。
观察者网：也就是说，先得找到锚点，再有能力把需求翻译成技术任务。美国是怎么做的？
孙喜：美国在任务导向的科研组织上有很长的历史。早期互联网相关的项目，与军方对通信系统的需求有关；国防科研体系里，项目经理在识别技术方向和组织团队方面发挥很大作用。这些项目往往不是先挑一家企业，等它提出自己能卖什么，而是先明确一个难题，让不同团队围绕它探索。
能源领域也有例子。美国能源部体系里的阿贡国家实验室，在20世纪70年代石油危机之后围绕储能问题开展了长期研究。它最早接触的并不就是后来大家熟悉的锂电池路线，而是高温熔盐等方向；研究往前走，逐渐积累电化学、能源材料、热管理的知识和试验能力。等新的电池路线出现，它才有能力迅速进入相关材料研究。
所以任务导向不等于一开始就押准最终产品。科研组织要能够围绕一个真实的公共需求持续学习，允许技术路线在过程中变化。很多时候，国家要先把关键的科研能力、试验平台和理解产业需求的人组织起来，技术才有机会从实验室走到产品。
从技术供给到需求闭环
观察者网：AI会场里到处都是新工具，但走出会场，看整个社会大量存量的经济活动，它们跟AI的关系还没有那么紧。技术供给到底该投入多少资源，又能在多大程度上接上真正的需求？
张辰：投资里原来有两种很典型的路径。一种是自上而下，从高端的知识供给出发，先攻克一个极难的科研问题。投资人预期技术足够强之后，会出现原来想象不到的新需求。做具身智能，有人先想造出足够好的“大脑”，再看它最终进工厂、进家庭，还是进别的场景。
观察者网：这种方向本身也有概率问题。解决了技术问题，不一定就能找到足够多的场景。
张辰：对，所以投这一类项目时，投资人往往不会要求它一开始就说清楚每个具体场景，而是先判断它能不能解决那个大的技术问题。
另一种是自下而上。创业者在一个实际场景里看到明确需求，再倒过来找技术。技术有现成的就用起来，没有就组织研发，先在这个场景里形成一个小闭环，再向其他场景复制。移动互联网时代，很多公司都是沿着需求长出来的。
过去，这两种创新方式通常由不同属性的资金支持。高度技术导向、研发周期长的方向，比如GPU、量子计算这样的目标，国资和人民币基金会更关注；需求侧比较清楚的互联网应用，社会化资本和美元基金参与更多。背后是不同的问题：一个要攻克技术目标，一个要解决眼前的用户需求。
在从场景出发的公司里，创业者会很快碰到客户，看见需求有没有被满足，再决定产品往哪儿改；而从研究问题出发的公司，技术本身尚未收敛，没法把客户订单作为唯一的评判标准。现在技术前沿和应用场景在同时变化，资金也在交汇，这两套分法没有以前那么泾渭分明。
我们内部在讨论，有没有Plan A、Plan B以外的Plan C。今年我们也成立了面向更早期科技创业的孵化器，想在商业化路径还没确定的时候，就和团队一起找方向。它不是在两个老办法里简单折中，而是从一开始就让团队回答长期目标与短期验证之间的关系。
过去的两类创业都比较像“摊大饼”。从一个技术突破出发，技术越来越强，覆盖更多场景；或者先做成一个场景，再复制到别处。投资人会问“赛道有多大”，本质上是在问这个饼最后能摊多大。起点可能不同，但大家都希望从一个中心点向外扩张。
观察者网：所以以前常问市场空间、赛道规模。那现在怎么问？
张辰：现在前沿科技创业更像“串葡萄”。先有一个足够长的愿景，但不能只讲遥远的终点。有人把AGI作为长远方向，有人希望让机器理解并进入物理世界；这个终点可能离今天的客户很远。沿着这条主线，团队先做出一个能落地的小闭环，再做第二个、第三个。它可能是一个具体场景的创新，也可能是一个阶段性的技术突破。
比如技术A先有了一个可用结果，完成第一个闭环，继续研发又出现技术B，找到第二种价值兑现方式。这些东西要串在同一条主线上，公司才不会变成什么热就做什么。
最短路径要能够证明价值、支撑公司走下去；最长路径又不能在做成第一个业务时就走到尽头。最后不是一个点不断膨胀成一张饼，而是一串有共同方向的成果。
观察者网：这很容易让人想到具身智能和物理世界模型。愿景很大，社会愿意投入多少资源，把这条路走出来？我觉得有点像一部公路片，边往前走，边碰到某个阶段可以变现的事情；但它不一定直接从今天人们生活和企业经营里最迫切的需求长出来？这里就有代价和效率的问题。社会实际需要的东西，在这个过程中怎样被照顾到？哪些传统产业可以主动伸手，接住其中一颗“葡萄”？
孙喜：要有远大的目标，也要考虑路是从哪里起步的。完全靠一批创业公司在市场里各自探索，会有必要的试错，也可能重复建设。市场竞争能帮我们发现效率高的团队，但建设一套所有人都用得上的数据和试验条件，未必符合单个企业眼前的收益计算。
某些行业性、基础性的工作，例如数据和试验能力，单个企业未必愿意做，也未必做得起。国家可以围绕战略目标，支持一些共同的基础，让创业团队不必每次都从头开始。
如果把人类工程活动、自然资源和行业知识放到一起观察，可能改变几个学科认识问题的方式。比如与气象、地质相关的灾害预警。再比如，北京、上海有丰富的医疗资源，也可以想想能否围绕一些明确问题（比如特定的某个病种），组织医学和其他产业的知识与数据。最后即使没完全走到最初设想的终点，过程中形成的基本技术也可能在别的学科和行业使用。
张辰：新方向难免有泡沫，也会有浪费，但要看资源浪费在哪个环节。如果发生在产业链的核心节点，虽然一些公司最终走不到终点，投入也可能沿着产业链向外延伸。具身智能就是例子：很多模型公司会竞争，也会被淘汰，但竞争推动了零部件和供应链成熟。
不过对投资人来说，不能只说整个产业得到好处，就不看一家公司的效率。同一条赛道里，很多团队都在烧钱研究类似的问题，有人走得快，有人一直绕路。现在投同一层的企业，实际上是在比较谁的研发效率更高、谁最可能把研发转化成可持续的能力。
孙老师，我想请教：如果资源按政府课题和既有科研机构来分配，那些研发效率最高的创业公司，能不能得到足够的支持？研发发生在企业内部时，政府用什么方式发现它、评价它？
孙喜：你问到了任务体系怎样分配资源。换句话说，最有效率的企业能不能参与国家任务，会不会被既有的大学和研究机构挡在外面？我认为这不是简单把钱给企业或给高校的问题，要看政府组织任务的人是否真正了解这个行业、知道哪一类机构适合做哪一段。
张辰：那能不能更多通过市场化的机制自然选择，把资源给效率最高的企业？
孙喜：市场化选择一定有它的作用。但美国的经验也不是只靠价格或者一套公开表格，就能找到最合适的团队。一个行业有自己的研究机构、企业和人才流动网络；长期参与其中的人知道谁真正懂这个问题、谁曾经把类似的事做成。社会网络不是代替公开规则，而是提醒组织任务的人，判断能力来自对技术和行业的持续接触。
这对政府提出了很高要求。负责产业科技任务的人，自己要有判断力，不能不了解行业却负责筛选团队。对于目标不确定的前沿任务，项目负责人如何识别有能力的企业，怎样避免只沿着熟悉的机构分配资源，都是制度要解决的问题。如果这一环缺乏能力，国家任务和市场机制很难真正接上。
观察者网：今天聊到这里，两位恰好提出了两个互相约束的问题：孙喜认为市场机制未必能独自承担长周期任务；张辰担心政府机制未必总能选出效率最高的团队。这两个机制必须握手。我们再把话题落到产业场景里。
钢铁、AI不能只停在高炉里
观察者网：孙喜老师之前讲过钢铁行业用工业互联网和AI优化高炉的例子。为什么一些传统行业能够把技术真正装进生产流程？
孙喜：这个例子不能脱离行业本身的人才体系去看。北京科技大学是传统的钢铁院校，培养的人分布在钢厂、车间和相关技术岗位。一个团队从这个体系里成长出来，它和工厂讲工艺、讲数据，能进入生产现场，也更容易知道哪些问题值得改。
围绕钢铁工业互联网建设，首先是接触车间流程、采集生产数据，再一点点摸索如何优化冶炼工艺，做到降本增效、节能减排。这是现代信息系统进入传统产业的一个真实路径：要懂工艺、有人愿意配合，还要能长期留在现场。
观察者网：但你也说，这样的应用大多集中在生产环节，往外走得还不够。
孙喜：一方面和钢铁行业自身的技术特点有关，另一方面也跟政策和产业界习惯把“工业智能化”理解为改造车间有关。工业互联网最先能拿到的是生产数据，最容易写进方案的也是降低能耗、提高良率；这让大家不断往生产端投入，却很少去研究材料在下游究竟怎样被需要。
我们应该把生产、分配、交换、消费放到同一条链上看。对于B端企业，广义的消费端也包括下游企业怎样选材、采购和使用。如果未来说要发展智能经济，问题就不只是“车间变聪明”，还包括AI怎样帮助企业创造新的需求、找到新的客户和盈利方式。
现在许多工业AI项目的主要问题还是如何降本增效；但从企业经营看，只降成本未必能带来新的利润空间。如果所有企业都做同样的降本动作，行业价格也可能一起往下走。AI能不能帮助材料找到新需求、让企业更好地触达和理解客户，值得继续想。
观察者网：可在投资市场上，技术供给侧似乎更“性感”，场景侧的估值和想象空间往往有限。这会发生变化吗？
张辰：不同投资人有不同方法。我更愿意从需求出发：有没有一个刚性、但还没被满足的需求？有些需求今天太难解决，必须先投前沿技术，让技术逐渐成熟；但最后，技术要有人用、有场景消化，才真正形成价值，而不只是停在论文或者科研资产上。
所以我们一方面继续看尚未收敛的技术，看什么样的团队能加速它成熟；另一方面也提前看，假如模型能力成熟了，进入实际场景时，还有哪些问题是模型自己解决不了的？这些承接技术、连接需求的环节，可能就是下一步投资的标的。
创业建议不只看远方
观察者网：孙喜研究创新机制，也来到创业者和投资人聚集的现场。面对这些新的创业团队，你会怎样观察？学生们又对这些问题感兴趣吗？
孙喜：我更多是从观察和研究的角度来到这里。我的学生对数字化转型、产业创新也越来越感兴趣。这些问题已经不只是课堂上的概念，要去看企业怎样做，场景和制度怎么接上。
观察者网：最后，请两位给现场国内外的创业者留一句建议。
张辰：过去一年资本市场很热闹，也有不少混乱的地方。一个方向在上升期，往往让很多人觉得自己该立即创业，但真正适合做这件事的人、真正能撑过研发和产业化过程的团队，终究是少数。今天一些项目是投资人和科学家共同推动出来的，光有技术热度，不等于公司一定能走通。我还是那句话：创业有风险，入市需谨慎。
孙喜：大家心里不能只有诗和远方，还得有眼前的烟火。产业创业有太多成败经验：目标很远大，最后可能失败；看清眼前具体的问题，先把一件事做成，反而可能走得更远。
