AI热潮下的三个追问：数据越多越好？估值越高越强？哪些能胜出？

AI产品加速涌现、具身智能持续吸引资金，围绕模型、数据和估值的讨论也越来越热。但当工具越来越多、数据规模越来越大、融资价格越来越高时，判断一家AI公司究竟处在什么位置，反而变得更难。

近期，在外滩大会期间，多位AI应用产品相关负责人、具身智能创业者及投资人在与澎湃新闻等媒体的交流中，谈到了行业竞争、数据价值与企业估值等问题。从产品如何应对通用模型的能力扩展，到机器人训练数据如何发挥作用，再到融资价格能否得到业务支撑，不同受访者给出了各自的判断。

AI产品越来越多，真正的竞争才刚刚开始

AI Coding是观察这一变化的一个窗口。过去，它更多是程序员使用的代码辅助工具；随着大模型和智能体能力发展，交付物开始从一段代码变成一个可以部署、分发和使用的应用，普通用户也由此进入开发环节。秒哒产品负责人朱广翔表示，2023年以后大模型能够生成更完整的代码，近两年智能体进一步把调试、打包、上线和部署等工具纳入流程，“从交付Code，变成了一个结果，交付App”。

门槛下降虽扩大了潜在用户，却不意味着市场教育已经完成。朱广翔提到，直到现在，很多人想到开发一款App，第一反应仍是“找大学生开发”，而不是用AI完成。他把当前阶段称为“AI Coding的文艺复兴”：不同平台有各自的场景和流派，但眼下的核心问题还不是彼此争夺存量用户，而是让更多人认识到AI可以把想法变成产品。

不过，增量市场之外，产品边界已经开始交叉。秒哒沿着用户变现需求，从生成网页逐步向后端、数据存储、应用分发、支付、广告等环节延伸。朱广翔表示，秒哒希望把用户从制作应用到获取流量、完成付费和实现变现的链路打通；面向企业交付时，则要覆盖源码下载、打包和本地部署等环节。其定位仍偏向专业的应用开发工具，但与通用智能体之间会存在交集。

商汤小浣熊选择的是另一条路径。商汤小浣熊产品运营负责人王尚表示，产品已将代码、研发和通用工作场景收拢到同一个工作台，同时面向金融、教育、政务等场景推出行业版本。其研发逻辑不是简单区分单项能力，而是由真实行业需求驱动；如果有一天通用版本能够覆盖某个行业版本，该版本也可能被收拢。

灵光运营负责人李响则将Coding视为通用全模态助理的一项底层能力。他表示，未来，纯AI开发工具或面向用户生成内容的开发平台，“最后一定要跟Agent产品竞争”。在灵光的产品逻辑中，用户首先提出的是一个需要解决的问题，系统再判断是通过问答还是生成应用来满足需求。

多位AI应用产品相关负责人交流现场。本文图片均来自 澎湃新闻记者 秦盛

这些不同的产品定位带出一个共同的问题：当模型持续进步时，应用自身的价值体现在哪里？

这也是投资人观察AI应用时看重的维度。峰瑞资本副总裁颜黔杭表示，AI应用需要在模型智能进化之上找到“独立存在价值的空间”。模型变强可以让产品变好，但产品如果过度贴近底层模型、主要价值完全由模型能力驱动，就可能被模型厂商直接覆盖。他以视频应用为例，这类产品在用户创作流程中增加模型之外的功能，让模型使用起来更方便。

百万小时数据之后，行业开始反思“数字竞赛”

产品能否完成任务，不仅取决于功能设计，也与模型训练和数据使用有关。在具身智能领域，数据规模与实际效果之间的关系正受到更多关注。

破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲表示，对具身智能数据数字的追求“被高估了”。一百万小时天然比十万小时更醒目，也更容易被创业者、媒体和投资人比较，但从其观察到的模型结果看，并不能由此得出数据数字越高、效果就一定越好的结论。

许华哲并不否认数据规模扩大的价值。他强调，自己相信数据规模会增长，反对的是为了追求数字而放弃质量要求和寻找技术方法的过程。他举例称，市场上一小时数据可能售价数百元，一百万小时可能涉及数亿元投入；如果事后证明数据无效，对企业和社会资源都是浪费。

苏度科技联合创始人、CEO韩铮则从数据组合的角度补充了这一问题。他表示，核心是获得结构化、多样且高质量的数据。苏度以仿真数据为重要组成部分，但并不排斥真实世界数据：一些任务可以主要依靠仿真迁移到真机，一些涉及操作步骤、规则或柔性物体的任务，则需要人工演示、第一人称或第三人称视角等真实数据。不同训练阶段如何组合数据，本身就是技术路线的一部分。

许华哲也强调，数据采集需要升级，而非被简单否定。重复、低质量的工厂式采集虽然价值有限，但真实场景中的长程、复杂任务，以及经过精细设计和筛选的数据工厂任务仍有价值。关键在于任务足够丰富、采集足够认真、筛选足够细。

类似的数量与效果差异，在AI Coding中同样存在。朱广翔透露，秒哒内部由AI生成的代码占比约为90%至95%，但在没有人工参与的情况下，由AI独立跑完整个流程的比例不到一半，其余仍依赖人机协同。原因在于生产级代码还涉及上下文、部署、交付、性能及细节优化。也就是说，AI生成了多少代码，与AI能否独立完成生产级交付，并不是同一个指标。

九合创投投资总监赵福珩也表示，具身模型的训练范式远未达到大模型的收敛程度，现阶段相关数据的总体量是否足以支撑大规模预训练，仍需要头部公司通过算力和研发继续探索。在技术范式尚未明确时，有的机器人公司先做收入，有的先落场景，有的优先做大规模预训练，这种分化正是行业早期状态的表现。

这些讨论并不否定规模的价值，而是提醒人们区分投入与结果：采集了多少小时数据、生成了多少代码，都不能直接回答模型是否更好用、任务是否真正完成。

许华哲表示，对具身智能数据数字的追求被高估了。图片由AI生成

高估值可以买来时间，但买不来“第一梯队”

当技术路线仍在探索，资本市场已经用估值给公司排出了座次。这种排序能在多大程度上反映竞争实力？

许华哲表示，如果按估值划分，行业当然存在梯队，但“是否估值高意味着能赢”，答案未必。他认为，资源不可或缺，但企业还要先找到正确的技术路径，再沿着路径投入资源。真正决定具身智能公司梯队的，是智能能力和整机稳定性：机器人能否连续工作较长时间而不出问题，模型换到不同地方能否使用。

韩铮也把判断标准落到了组织和系统工程上。他表示，资金多并不必然意味着组织有效。如果一家公司同时从多个方向出击，不同小组做同质化尝试，效率未必最高。在技术结果尚未充分接受市场检验前，团队是否围绕统一路线形成足够的人才密度和协作效率，同样重要。

这种谨慎与一级市场的热度形成对照。GGV纪源资本投资人姜浩楠表示，近期一级市场项目估值水涨船高，部分团队首轮估值可能是他两三年前所见项目的3倍至5倍。他提醒，他们做一级市场投资，至少按五年的周期考虑。企业在市场情绪高点以较高估值融资后，仍要证明产品和业务能够支撑这一价格，并具备穿越周期的能力。

AI领域投资人交流现场。

资金投入也需要经过研发和部署环节，才能转化为实际能力。韩铮表示，从原型机到大规模量产之间还有多个环节；在工业场景中，元器件能否经过长时间连续运行检验、不同机器之间的误差如何由算法适配，都会影响真正部署。

这并不等于可以把AI热潮简单归结为泡沫。BAI Capital AI领域投资负责人冯甜表示，她的判断是泡沫与创新呈正相关，新产业会吸引资金和人才涌入，投资人的挑战在于判断哪些公司能在泡沫消退后穿越周期。许华哲也认为，具身智能当前存在预期高于实际能力的“真空层”，但如果技术进步能够追上预期，这一差距也可能被填实。

除了技术与预期之间的差距，赵福珩还关注另一种落差：优秀公司的预期数量与最终数量可能并不一致。他将泡沫分为两类，一类是预期商业价值高于最终能够实现的价值；另一类则是市场仿佛按未来会出现“100家”优秀具身公司的热情投资，而他认为，“10家以内”可能是更符合商业规律的结果。