TaoZ Capital刘勇：AI创业成功率的核心计算公式

9月底，TaoZ Capital创始合伙人刘勇走上北京大学《AI创业与投资》第三课的讲台。

这门课的前两讲，百川智能王小川讲的是创业者如何站在非共识的一端，金沙江创投朱啸虎讲的是互联网与AI创投逻辑的异同，都是宏观图景。

刘勇反其道而行，讲微观：把创业拆成一道可以像物理题一样，一步一步推导的算术题。

刘勇本人的经历，正好横跨这门课要讲的三轮技术周期。

他本科毕业于北京大学，学的是物理，之后赴美拿了UIUC计算机硕士和Kellogg商学院MBA。2003年联合创办社交网站亿友网，2008年创立热酷，做成亚洲最大的社交游戏公司之一；2021年加入蓝驰创投任投资合伙人，重点投AI和Web3；2026年创立TaoZ Capital（道中资本），以孵化者而非纯财务投资人的姿态做AI早期投资。

先交代三件事：

1、本文是潮涌AI根据刘勇北大演讲的现场录音整理稿和课程公开笔记综合整理，未经讲者审定；口述体整理，以第一人称呈现，部分口语表述有精简；凡课堂之外的信息，均以“背景补充”标出，与讲者原话严格区分。

2、我们核心收录了AI创业方法论和商业判断的部分，并切分成观点式发布；

3、课堂课件的部分演示细节和问答没有全部收录，想对照原文的读者可以自行搜索其他整理版本。

这篇口述稿的核心内容：刘勇给出了他的“战场优先框架”——一个关于成本的公式（机器加能源，对比人的工资），并指出成功率才是公式里真正的杠杆；他用单步成功率连乘的数学，解释了“AI什么都会、又什么都做不成”这个普遍困惑；用DeepSeek R1开源后87天的窗口期，讲清楚了时机判断怎么量化；最后落到AI产品经理的新基本功“评测”、中美的两本账，以及AI创业最常见的三个坑。

以下为演讲实录的正文部分——

01

开场：创业也有公式

三十年前，我和台下的同学一样坐在北大的教室里，学的是物理，一门非常硬核的学科。

今天我想沿袭学物理的精神，用第一性原理，从创业者的视角，非常hardcore地看一下创业这个过程一步一步会怎么走。你真的掌握了一些基本能力之后会发现，创业也是有公式的，有的地方完全可以像学数学分析一样，一步一步推理过去。

这堂课只讲两个变量：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，它决定赔率——一块钱能赚几块钱；时机决定你进场的时候账能不能算得过来，它决定胜率。

用投资语言翻译，就是VC最爱问的三个问题里的两个：why this，why now。

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，很多争论自己会消失。

02

赌赛道，不赌骑师

红杉有一本书叫《赛道为王》，总结成一句话：Bet on the racetrack,not the jockey。

赌赛道，不赌骑师。

红杉会在同一条赛道里同时投两三家公司，赌的是赛道本身。

当然这种打法对创业者是忌讳的，你选VC的时候要想清楚对方在赌什么。

我的判断是：一流的赛道，三流的创业者去做，成功的概率会显著高于一流的创业者去做一个垃圾赛道。一流赛道会放大普通人的能力，三流赛道会吞没顶尖选手的才华。如果一个顶尖选手再叠加一流赛道，这个buff就更大了。

这是我自己创业时没完全想明白、进了VC之后才发现的不成文规则。《孙子兵法》说“善战者求之于势，不责于人”，势大于个人能力。

选择大于努力，这话是鸡汤，但它是对的。

03

快与慢：方向值得花一年

创业不怕你跑得慢，最怕的是你在错误的战场上跑得快，使劲跑，拼命跑，这就南辕北辙了。

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。

选完也不是结束，公司做大之后每个季度要复盘一次：赛道还成立吗？战场变了吗？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。

一个大决定做得慢，执行和验证做得快，两个阶段用两套操作系统，不要混用。

怎么检验一个方向？三条标准。

第一，符合第一性原理，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。

第二，可量化、可证伪。

讲不出来“什么数据出现就证明我错了”的方向，不要进。

第三，放进长期的技术和经济周期里依然讲得通。

我自己看赛道，大概一半时间花在研究历史上，一半留给判断未来。

04

康波周期：要拥抱泡沫

为什么苹果、微软这些跨世纪的公司会在同一时期扎堆出现？为什么比尔·盖茨和乔布斯都生于1955年？因为它们都诞生在新技术拐点附近：新技术先改变成本结构，成本结构催生新的用户习惯，旧巨头的组织、渠道、定价跟不上，窗口就打开了。

扎堆不是巧合，是同一扇窗被同一批人看到了。

理解这个过程的时间尺度，需要康波周期这把尺子。

经济存在50到60年的长波，复苏、繁荣、衰退、萧条，每一轮对应一次重大技术革命。

处在周期不同位置，打法完全不同：引入期拼的是对技术方向的定义权；爆发期拼融资能力和扩张速度；扩散期拼成本、效率和交付；萧条期拼现金流，活下来的人吃掉倒下的人的市场。

AI现在基础能力的引入期已经过去，正在进入扩散期，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”。

图源：网络

还有一点我想对北大的同学说：一定要有丰富的想象力，要拥抱泡沫，千万不要怕泡沫，拥抱泡沫才能够致富。

每一次技术革命都是一场大的发牌，它给普通人三个结构性机会：生产力百倍提升带来全新的增量市场；老一代的经验清零，所有人重新站在同一条起跑线上；生产要素级别的壁垒普遍降低。

大家往往只记得恐惧泡沫，但泡沫恰恰是新人上桌的时候。

05

一个成本公式：成功率才是真正的杠杆

讲完宏观周期，进入全场最核心的一套公式。

需求以价格的形式出现：每小时你要付给别人多少钱来完成这件事——咱们北大的机会成本，肯定比隔壁更高。

供给端由两部分构成：资本（以机器体现）加上能源。

工业时代能源是煤、石油、电，今天AI时代的机器就是大模型，能源就是电和算力。

只有新的供给成本显著低于人力成本，替代才会真实发生，创业的窗口才会打开。

但AI和过去的机器有一个本质区别：AI是概率产品，会失败，失败了需要人工接管。

所以，供给端的真实成本，必须加上失败介入的成本，再除以成功率。

我给一组测算：成功率90%的时候，总成本只比理论值高2.2倍；成功率只有20%的时候，总成本会高45倍。

成功率，才是这个公式里真正的杠杆变量。

这个数学还能解释一个常见的困惑：为什么大模型看起来无所不能，用起来却处处碰壁？一个复杂任务由n个简单步骤组成，整体成功率约等于单步成功率的n次方。

50步的任务，单步95%成功率，整体只有约8%；单步99%，整体约61%；单步99.9%，整体才能到95%。

而咱们真实面对的任务可能要一万步、十万步。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。

工程上的含义是：不要追求每一步都到99.9%，找出流程里5%到15%的关键节点，在这些节点上用人把关。

机器跑完95%的流程，人只在最容易错的地方介入一次，整体成功率就能拉到可用水平。

06

87天窗口：时机是可以算出来的

时机怎么判？找能力拐点。

模型能力是连续进步的，但你的机会是不连续的，是一个阶跃函数。

2025年1月，DeepSeek开源了推理模型R1。

之后中国出现两家现象级的通用Agent公司：Manus 3月6日发布，蓝驰投资的Jasper 4月8日发布，距离R1开源只有两到三个月。

那个窗口期一样的只有87天。

后面再做所谓的通用Agent，再也不可能成功了，因为模型已经做到那儿去了。

所以，那时候只有拼命快，7×20小时这样去干，把它干出来。你必须在拐点来临之前，就等在风口。

（背景补充：Manus后来上线的增长印证了窗口期的速度——上线270天ARR突破1亿美元；2025年12月Meta宣布以20亿到30亿美元收购其母公司蝴蝶效应，但这笔交易在2026年4月被国家发改委以国家安全和关键技术流向风险为由叫停。这是公开报道，不是课堂内容。）

再说Claude Code。

自动化编程这件事，项目负责人Boris大概2022、2023年就想做，2024年产品做出来了，但很不好用；2025年1月勉强可用；直到2025年5月22日Opus 4发布，能力突然跃升到60%到70%的可用区间。

即使是Anthropic自己，做Claude Code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。

更何况咱们应用公司呢？

需求常在，但机会窗口只是偶尔开放。

07

冲浪三天法：为下一代模型做产品

我把这套观察总结成一个方法，叫“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。

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。

具体做法是给AI产品经理加一门新基本功：懂评测。

这里要区分benchmark和evaluation两个概念：benchmark是宏观通用的评测集，今天很多已经被打满分，反映不了真实能力差距；evaluation是针对自己产品场景，自己设计的十几二十条具体任务，比如订机票的完整流程，持续衡量完成质量、速度、失败率和返工。通用榜单涨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。

看到一项能力的评估分数从10%涨到20%，突然跳到40%，再到60%、70%，你就知道拐点要来了。

AI产品经理要找的，是需求曲线和能力曲线的交点。

已经很容易完成的任务，继续优化价值有限；长期做不出来的任务，不适合现在的产品。

交界处的任务，既有用户价值，又能随模型进步持续改善。

这是AI产品经理比互联网产品经理对技术理解要求高特别多倍的原因——否则你做的，别人也能做，模型公司也能做，你怎么办？

08

中美两本账：去找自己的变量

成本公式右边的人力成本，中美差距悬殊，美国部分知识岗位的人力成本大约是中国的三倍。

供给成本持续下降的曲线，会先触达美国那条更高的线，再触达中国这条更低的线。

这就是为什么今天不管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——那边的客户付得起更多钱，替代的价值更大。

这套框架里还有一个重要变量，我叫它“国运”，它会同时改变公式两端的价格。

中国新能源车最早完全靠十年政府补贴培育出来。这一轮AI浪潮里国运的作用比移动互联网时代大得多，因为它需要从零到一的基础科学突破和大规模工程能力。

Anthropic的CEO是纯理科背景，物理学博士，曾是物理奥赛出身；我认识的前OpenAI员工说，2021、2022年前后公司里学物理的是最多的专业。

这也是我判断北大这一波一定会跑出很牛的师生创业公司的原因：从基础科学到产业转化的路径，从未像今天这样短。

中美对比，课件上有一组数字：2025年美国私人市场投入AI约2859亿美元，对应5427座数据中心；而2024年中国工业机器人的全球安装量占比54%，约29.5万台。

这不是“谁投得多谁赢”，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，中国领先在制造和部署规模。

差距这么大的情况下，就不要想着一定要在算力、算法上比它好——对方能用更多的钱抢更优秀的人，甚至把你培养的人直接挖走。

要去找我们自己的变量，比如具身智能，恰好是中国能和美国正面竞争的大杠杆。

不要问中国机会大还是美国机会大，要问账在哪边先算通。

09

三个坑：大而全、钱太多、人太多

第一个坑，做大而全。

AI看起来什么都能做，诱惑你一上来就做平台、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。

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”。

融资节奏要跟着验证节奏走，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。

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？

第三个坑，团队太大。

AI把开发成本打下来之后，小团队能做的事比以前多得多。

一条简洁的分割线：凡是跟人打交道的，用关键人才；凡是基本不用和人打交道的，交给AI。

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。

10

现场问答精选

Coding赛道还有机会吗？

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，是让全球十亿量级的普通人成为“vibe coder”。市场存在，不代表机会属于创业公司——很可能这块蛋糕最终被模型公司自己吃掉。

（背景补充：刘勇课堂上用Cursor的时间线回答“复制Cursor还有没有机会”：2025年1月ARR破1亿美元，6月破5亿美元，11月以293亿美元估值完成D轮融资；2026年8月，SpaceX以600亿美元全股票完成对Cursor母公司Anysphere的收购，成为风险投资史上最大规模的创业公司收购案。以上为公司公告和公开报道。）

医疗能不能进？

受监管的医疗场景，对普通创业者几乎永远不是一个好的进入时机，除非你能真正降低监管摩擦，或者和医院深度绑定。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。

通用人形机器人呢？

获取数据没有壁垒，算法也没有壁垒，靠“快”根本追不上大公司的资源投入。大家就别搞了。如果一定要做，去海外做垂直场景，不要在国内卷通用赛道。

小公司做出创新，被大公司抄袭怎么办？

靠“点子新”防守在今天不现实。

要分层竞争：从一个小需求、小市场做到0到1的垄断，积累数据再往前走；还没有可防御的数据壁垒时，就不断尝试各种小市场，而且这个“不断尝试”的周期要非常短，不是半年一年换一次方向，是以月甚至更短为单位。

硬件会不会诞生下一个“手机”？

目前还没有真正跑出来。

眼镜曾经被寄予厚望，但能不能替代手机还没有被完全证明，关键在于模态够不够——获取数据的能力不够，捕获的信息就不够丰富。

想做硬件的同学可以去看CES：喂鸟、拍鸟、养鱼这些看起来小众的硬件，每一个赛道都能做到十亿美元规模。

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。

做决策靠数学推演还是商业直觉？

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，绝大多数创业决策都值得放进第一性原理的框架里推演。

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。

11

收束：把热闹变成算术

最后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。

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。

（本文为课堂录音及公开课程笔记的口述体综合整理稿，未经讲者审定，未尽之处以现场为准。文中“背景补充” 内容来自公开报道，与讲者原话无关。）

本文来自微信公众号“潮涌AI”，作者：潮涌AI编辑部，36氪经授权发布。