内容来源：本文为公众号新加坡国立大学EMBA（ID：NUS_EMBA）原创首发，笔记侠经授权发布。转载请联系原公众号授权。

责编 | 金木研排版| 沐言第 9253篇深度好文：18686字 | 25 分钟阅读

商业思维

笔记君说：

在人工智能与全球化浪潮叠加的时代，创新的速度与深度正重塑创业版图。

2025年10月12日，新加坡国立大学商学院EMBA携手硅谷Plug and Play创新中心举办的 “NUS新全球企业家硅谷论坛（第三季）” 再次汇聚全球视野下的思想与行动者。

来自人工智能、硬科技、资本与国际化领域的创始人与投资人齐聚硅谷，共同探讨如何在AI时代的浪潮中“走得快，也走得远”；如何让华人企业家与全球创业者在不同文化与市场中，找到属于自己的坐标。

一、AI创业的速度与深度如何在快落地与深扩张之间找到平衡？

Arvin Sun 孙邻家：Traini创始人兼CEO，全球首个宠物共情AI对话平台创始人。

AI原生思维：让抽象问题可计算

真实需求先于AI存在，AI的价值在于把“模糊的人类问题”转译成可规模化的计算问题，在1米宽处挖100米深。

关键词：AI原生、真实痛点、垂直深耕、可计算化

1.厘清两件事：AI原生公司 vs AI原生应用

讨论“要不要用AI”前，必须先分清两层“原生性”：

AI原生公司：组织协作与研发范式适配AI时代:非工程师也能通过Vibe Coding把功能接入主产品，围绕同一工作流高效协同。

AI原生应用：技术栈以当代AI架构为内核（ 如Transformer等 ），而非事后外挂；产品价值由AI核心驱动，才称得上“原生”。

一个实用的外部信号：年轻用户（ 尤其是大学前的群体 ）是否自然使用你的产品。这常常预示着潜在的渗透力与长期价值。

2.需求从哪里来：先于AI存在的“真实痛点”

Arvin的转型故事说明：需求不因AI而诞生，AI只是更好的解法。

早年在美国做外卖平台时，他通过用户调研原想扩展“宠物食品配送”，但更强的信号来自宠物行为理解与纠正：

许多家庭每年愿为狗狗训练投入$3000–$6000，社区里充满“行为含义、叫声解释”的讨论。真正扎实的痛点并非“送什么”，而是如何系统化理解并改善宠物行为。

3.把“抽象问题”变成“可计算问题”：AI的用武之地

在大模型普及前，团队已用传统ML连接“宠物行为专家—普通用户”，但在情感与行为的理解上仍受限。大模型出现后，经历三阶段演进：

增强阶段：先把大模型叠加到既有产品，摸清能力边界与可用场景；

去魅阶段：打破“贵、难、神秘”的幻觉，回到底层共识，算力 × 数据 × 合适算法；

原生阶段：2024年初转向自研垂直小模型，把“宠物行为/情感理解”固化为 核心能力。他的判断是：AI最擅长处理“抽象且模糊”的人类问题（ 情感、行为、语义、意图 ），把它们转译为可计算、可规模化的产品能力。

4.核心挑战：在“用户想要”与“产品能做”之间收敛

他们的目标是“帮助人类与宠物沟通”，理念新颖、难有对标。起初的设想（ 识别行为并转化为语音交流 ）在实践中遭遇长上下文、记忆与语义连续性等技术难题。

真正的挑战并非“技术可不可”，而是如何定义一个既真实可用、又能承载用户情感的产品形态，在无限想象与可行实现之间做收敛。

5.信心来源：场景与用户的双重验证

产业侧验证：多家大型手机品牌与电动车品牌主动接洽合作，证明商业场景与分发通路的潜力。

用户侧验证：在宠物临终前，用户用产品与其“交流”后表达强烈的感动与依恋,这类高强度情感反馈，让团队确认真正的价值锚点。

6.方法论与创业心态：兴趣驱动，长期坚持

Arvin把创业分为两种路径：

风口驱动：风起即入场；

热爱驱动：从擅长与热爱出发，长期深耕，等风来。

他自认为处于后者，并将其凝练为一条操作性路径：

确认真实需求→用AI将抽象问题可计算化→在单一垂直里1米宽、100米深地打穿→借助年轻用户验证与产业分发，持续收敛产品形态。

Jisong Liu 刘吉松：BeFreed创始人兼CEO，AI教育革新探索者。

轻量学习：AI放大人类有限带宽

人类学习的稀缺不是知识，而是注意力。AI不是替代老师，而是让“碎片知识”变得可用、可留存、可持续。

关键词：轻量内容、AI原生教育、聚焦验证、信噪比

AI内容的需求首先是“符合人类直觉”的。我们每天都在“想学”与“学不完”之间挣扎：

在线课程（ 如 Coursera ）的完成率不足5%，机场买的书常常只读前两章，社交媒体上无数被收藏的“Save for later”也很少再被打开。

这些现象说明，学习欲望真实存在，但人类的时间与注意力有限。

与此同时，在Pinterest、TikTok、微信等社交平台上，那些短小精悍的知识内容往往有极高的互动率。

这种“轻量学习”的趋势已经被用户行为验证，只是目前分散在不同媒介中，还没有被系统化地整合与优化。

2.市场印证：非 AI 产品已跑通商业模型

判断“真需求”的另一个信号，是非AI产品的表现。

过去几年，已经有多家专注书摘与知识内容的公司实现了接近一亿美元的年营收。这说明，愿意为“轻知识”付费的用户群体，早已存在。

3.供给端：AI 放大了内容创作的可能性

AI的出现，让内容的供给端发生了质变。 生成式AI不仅显著降低了创作成本，还提升了内容生产的规模与质量。

随着模型能力的提升，AI能够持续输出更多样、更精准的内容，从而稳定支撑这一真实的需求。

4.产品验证：从一周 MVP 到十万用户的实证过程

为了验证这一假设，团队在去年年底启动了实验。他们没有急于开发App，而是仅用一周时间上线了Web版本的最小可行产品（ MVP ）。

这些信号促使团队持续快速迭代，十多个版本之后正式推出App。目前产品在北美地区已拥有超过10万用户，其中5000多人是付费用户。

用户不仅留下来了，还愿意为这种形式的内容付费,这正是“真需求”最有力的验证。

他认为，早期最关键的是“信噪比的控制”： 能做的事太多，不做什么与做什么同样重要。

① 聚焦取舍 = 控制噪声

只做iOS App，不做Android（ 尽管用户强烈要求 ）。仅支持英文内容，不做多语言（ 团队能做、也想做，但故意按下 ）。原因：每新增一项“看起来容易的功能”，都会引入额外噪音，分散早期验证。

② 目标导向

1000个“疯狂用户” > 10万个“差不多喜欢”：

早期更看重高强度使用与强力口碑，而非面向所有人“铺开”；

以极致聚焦换取产品清晰度与迭代速度，先把核心体验打穿。

③ 节奏观：做与不做的边界同等重要

以“信噪比”为准绳设定产品边界；在能做与想做之间，坚持“此刻不做”，保持策略定力。

AI时代的创业应以“AI原生（ AI-native ）”的视角重新审视一切问题。

④ 思维方式：用AI原生视角重新看待旧问题

不应仅把AI视作工具，而应从底层逻辑重新定义产品、组织与用户交互。许多传统互联网的做法，源于过去的技术限制或路径惯性，如今都值得被重新检视。

⑤ 应用层面：从企业架构到管理方式都需重构

AI 将改变企业的运营方式、用户互动形态与团队协作结构。创业者应从“first principles（ 第一性原理 ）”出发，思考问题的本质，再决定用AI解决哪些环节。

⑥ 方向判断：不要做“延长线产品”

真正有突破的AI创业，不是传统产品的延伸或补丁，而是基于全新范式、从零出发的再创造。

用AI-native的方式看世界，才可能做出与上一代互联网截然不同的产品。

Grace Yao：ARTLAS创始人.兼首席执行官,AI艺术跨界探索者。

AI让艺术“可达”，兴趣成为通道

艺术从未失去观众，只是被门槛隔绝。AI让策展、翻译与叙事的边界消失，让每个人都能“被艺术抵达”。

关键词：AI艺术、文化可达性、跨界信任、兴趣驱动

艺术的“可达性”长期被切断，但兴趣与欣赏需求真实存在。

1.需求端：长期被切断，但兴趣与欣赏需求真实存在

Grace在Google工作之余担任策展人，为全球女性艺术家争取被看见的机会。

疫情期间，线下活动取消，人们与艺术的接触被中断；她希望通过线上展览，让观众在家也能获得文化体验。事实表明，人们并非对艺术缺乏兴趣，而是缺乏接触的途径与媒介。

2.供给端：AI显著提升策展效率与跨语种内容生产

早期团队无艺术背景，人工翻译与撰写展览文本成本极高。

在尝试早期OpenAI模型后，发现AI生成的文本不仅准确、连贯，还能快速构建故事化叙事。这使展览制作周期从原本需要数年缩短至数周，形成供给端的效率革命。

3.行为验证：线上与线下均显示强烈需求信号

首场线上展即帮助艺术家售出约20万美元作品，远超多数传统画廊的经营成果。

随后在Google举办线下展览，两周吸引5000+观众（ 平均活动仅百人规模 ），并收到数百封手写反馈，普遍提到“前所未有的贴近感与疗愈感”。

这些数据表明， 艺术欣赏的需求真实存在，只是被“叙事门槛”和“接触成本”阻隔。

4.方法论：从兴趣出发，小规模快速验证

起点是兴趣驱动的线上实验（ online MVP ），先测试观众停留、反馈与情绪反应。

随后引入AI作为策展与文本生成的核心工具，提升跨文化内容转化效率。以用户行为数据（ 停留、反馈、付费 ）为依据，判断是否继续扩展与线下化。

Grace Yao认为，她面临的最大挑战是如何进入并获得传统文化体系的认可。

① 挑战：跨界与信任的壁垒

项目的核心在于与博物馆合作，将AI导览系统嵌入其官方体验。

北美博物馆体系具有强烈的文化精英主义，进入门槛高。她来自科技行业、无艺术从业背景，又是亚裔女性，初期很难获得机构信任。

② 关键突破：找到能“带你进门”的人

她邀请了一位全球顶级博物馆顾问（ Advisor ）加入团队，为项目背书。通过权威人士的引荐，顺利建立了与多家博物馆的合作通道。

③ 方法：设身处地理解合作方痛点

采取 “put yourself in their shoes” 的方式，深入研究博物馆的实际需求。以解决机构痛点为前提，提供能真正帮助他们提升体验的解决方案，赢得信任与合作。

Yan Liu 刘岩：43 Prompts创始人兼CEO、六间房视频集团创始人、NUS EMBA校友、中国互联网直播开创者、AI原生与提示词科学倡导者。

AI原生创业＝兴趣×使命感

真正的AI创业不是追风口，而是被好奇与热爱驱动，用Prompt工程重塑人与记忆、人与生命的连接。

关键词：Prompt科学、数字生命、兴趣驱动、AI原生

AI时代的创业不应从“市场”或“需求”出发，而应回到兴趣与使命感本身。

真正的原生（ Native ）AI创业，其核心动力不是“发现赛道”，而是“被兴趣驱动的行动”。

1.需求端：人们缺乏舞台，直播成为表达的出口

他最初关注到中国普通人,尤其是年轻人和广场舞群体，他们认为 “没有舞台、没有观众”。

传统媒体和公共舞台被官方渠道占据，普通人缺乏被看见的空间。直播的出现，为普通人提供了“被观看、被回应”的机会，这本身就是一种真实需求。

2.供给端：AI的两个引擎，算法与Prompt（POM）

AI的底层驱动力并非只有算法，Prompt工程（ POM ）也是第二个引擎。

Prompt不只是输入一句话，而是包含上下文、system prompt、以及构造agent的全部逻辑。

基于POM，可以在低成本下快速构建出多样化的应用，这就是Native AI的创造空间。

3.个人实践：从数字生命到传记产品的延展

早在ChatGPT之前，他就因担忧父母年老去世后故事被带走，开始记录“数字人生”。

2019年，他参与为好友包小柏的女儿制作“数字复生”，让她以数字形态“回到家人身边”，并能在社交媒体上以她的语气、价值观与亲友对话。

这不是复刻外形，而是复现思维与价值观。其核心仍是“记忆”与“上下文”，回到POM的理念。

该项目延伸出一款“传记”产品：通过对话采集200个问题，生成约10万字的人生传记，用以保存父母的人生记忆。

4.方法论：以兴趣为起点、以使命为延伸

他的初衷并非商业化，而是个人情感与记录的冲动。这种由兴趣驱动、再衍生出使命感的路径，才是他认为真正符合AI Native创业逻辑的方式。

他强调：“如果只是追随市场需求，那更像旧时代的创业； 在AI时代，兴趣与使命感才是原生动力。”

Charles Xie 谢涛：Zilliz公司创始人,兼首席执行官,AI数据基础设施开拓者。

理性判断与用户反馈的闭环

创业不靠预测爆点，而靠逻辑推演＋用户验证的循环：从兴趣出发，抓住结构化→非结构化的时代转折。

关键词：AI数据基础设施、逻辑判断、开源策略、用户反馈

在AI时代判断真实需求，关键是从个人能力与兴趣出发，以理性推演结合用户反馈。

他总结自己的创业路径为三步：“从兴趣与能力出发→逻辑判断大方向→通过客户反馈打磨产品形态。”

1.起点：兴趣与专业能力的结合

自博士阶段起即专注数据库研究，后加入Oracle担任云数据库早期核心工程师。因此在创业时自然聚焦“数据与数据库”领域，从自身熟悉的技术出发寻找机会。

2.判断：从结构化到非结构化的历史转折

在2015–2016年间观察到神经网络快速发展，计算机视觉成为突破口。

他推断：AI的核心在于处理非结构化数据（ 文本、图片、音视频等 ），而人类社会90%以上的信息都属于非结构化。

如果非结构化数据的价值能被系统化挖掘，其市场规模将是传统结构化数据的十倍以上。

由此提出：AI时代必然会出现一种为非结构化数据原生设计的数据库。

3.实践：从GPU数据库到向量数据库的战略转型

公司2017年成立，最初探索GPU数据库方向，与NVIDIA合作，将GPU算力用于数据处理。

经过一年市场验证后，市场在此期间发生了翻天覆地的变化，深度学习普及加速，让特征向量的提取方式和用途范围进一步拓宽，涌现出了大量基于文本、图像等的语义嵌入（ embedding ）数据亟需处理。

因此，2018年Zilliz果断停掉原GPU数据库产品，转向向量数据库研发。

到2019年底，Zilliz正式开源全球首个向量数据库产品Milvus，短时间内获得50–60家企业采用；2020年全球已有约500家企业使用。

在ChatGPT爆发前的“第一代AI公司”中，多数已开始依赖该技术，这证明方向与需求的正确性。

4.方法论：理性推理与用户反馈并行

创业不是预测爆发点，而是基于逻辑判断提前布局。 通过长期观察、持续迭代和真实客户使用反馈，不断打磨产品形态与功能定位。

在AI Native语境下，真实需求的发现过程是“技术兴趣→逻辑推演→市场回证”的循环。

做基础软件最大的挑战在于如何从海量、分散、异构的需求中提炼通用能力，而不是被动做“行业版拼盘”。其核心做法：以开源为武器。

① 基础软件的难点：需求抽象与通用化

向量数据库不可能像传统大型数据库那样为每个行业做一个版本；必须提炼共性需求、整合各行业差异，打磨出可复用的核心能力。

② 应对策略：开源作为“武器”

通过开源快速进入市场、占领开发者心智；

以社区形成需求收集—产品迭代闭环，获得大规模真实使用反馈；

用户从几百→几千→1万+企业使用，反哺产品路线与优先级。

③ 方法论（To B/底层软件通用）

用开源降低试用门槛、扩大触达范围；将主要精力放在社区需求的聚合与验证，避免被零散定制拉扯；

坚持“抽象共性能力 + 社区反馈迭代”，而非行业化碎片版本。

二、硬科技新风口AI时代的底层创新与资本逻辑

Nathan Xu：Plaud Inc. 联合创始人兼CEO,硅谷高速成长独角兽创业者。

从“记录”到“智能”：对话即资产

人类智能源自对话，AI的使命是让每一句对话都可被采集、提炼与行动化——Plaud正是这种智能的物理延伸。

关键词：AI会议纪要、可穿戴智能、第一性原理、场景判断

团队自2021年夏天筹备，经历早期组建与研发，于2023年夏发布首款AI-native会议纪要产品Plaud，并在此后形成三款以硬件为载体的AI记要方案。

Nathan将公司的使命概括为“帮助人类采集、提取、利用智能”，而这份“智能”的源点恰恰来自我们每天发生的对话。

在他的产品哲学里， “对话本身就是智能”。商业协作、组织决策、知识沉淀，无不由对话触发与推进。然而现实中，大多数人并没有系统地把对话变成可计算、可检索、可行动的资产。

用户常以为用手机录音、事后转写即可，但真正的门槛并不在“能不能录”，而在于从采集到高质转写、从结构化总结到自动生成行动项的全链路打磨。

Plaud的产品由此从工业设计与交互入手，降低采集门槛；在云端保证高质量转写与摘要；

继续向下延伸到Action List、To-do的自动生成，并进一步尝试以Agents释放私有数据的复用价值。产品主要服务“高知识密度、强对话依赖、高决策杠杆”的人群。

过去两年，Plaud的业务实现了跨越式增长，用户规模已超过百万。

在“做出正确的产品决定”这件事上，Nathan提到了两次广受团队争论、但最终被证明有效的“逆风决策”。

第一次发生在首款产品设计期。 当时行业内不少同类产品都主打“实时转写”。团队内部也有人认为，实时字幕更“能打动用户”。

Nathan选择基于第一性原理反推：会议进行时，人们的主要目标是交流与理解，而非观看滚动的文字；实时转写在准确率、注意力与算力成本之间常常失衡，“看起来很酷，但并不高效”。

因此他们在首发时刻意不做实时，把资源压在事后一次性高准确的转写与更有用的总结/行动项上。

事实证明，这一取舍让体验与成本结构更健康。待到网络能力和应用场景成熟（ 如4G接入、远程协作与外场作业 ），团队再引入“实时”能力，服务新增场景，而不是为了堆功能而堆功能。

第二次决策更具前瞻性： 团队要决定2024年的产品方向。Nathan坚持推出可穿戴形态。

理由并不复杂：随着大模型的能力跃升，对话语义理解与会议纪要体验会被系统性放大，而手机厂商迟早会把“对话智能”做进系统（ 后来Apple Intelligence的走向也印证了这一判断 ）。

更现实的是，医疗场景中医生戴着手套、边走边查房，口腔或宠物诊疗环境下不便触碰手机；大额销售或咨询顾问常在移动中交流，掏手机录音既打断节奏也显突兀。

这些高价值、却被手机忽略的时刻，需要更贴身、无感、可靠的可穿戴去“把对话留住”。

PIN上市后，即便其零售销量一度不及Pro型号，To B侧却给出了强烈信号：在开发者平台与大企业部署中，团队发现几乎百分之百选择PIN进行批量配备。

这正是硬件产品“先见性”的价值——软件可以A/B测试，硬件更多要靠战略判断与场景洞察来押注未来。

Echo Cheng：Brightway Future Capital、创始合伙人、中美亚科技投资的桥梁与引路人。

Physical AI：让智能进入现实空间

AI不止存在于屏幕，而要延伸到物理世界。Physical AI 是硬科技新阶段的关键词——感知、决策、执行的一体化。

关键词：硬科技、Physical AI、资本新逻辑、产业唤醒

Echo Cheng与新加坡因职场起步结缘。早年她在新加坡一家数据通信公司负责海外业务，公司随后被惠普收购；

此后赴伯克利深造，又加入某互联网巨头公司，负责2008–2010年间的全球化业务。

见证数家科技公司在资本助推下的高速成长后，她回到上海创业，五年后以不错的时点完成退出，并于2014年底回到硅谷。

2016年，受YC等平台重塑游戏规则的影响，独立与小微基金在硅谷迅速兴起。

尽管课堂上“VC应是人生最后一份职业”的保守忠告犹在耳边，她仍选择创立自己的基金。此后九年，可分为三个阶段：

① 2016-2019：机会探索期

以自有资金起步，凭直觉和热情捕捉种子期项目，在2017年参与专题投资并陪跑出独角兽。

② 2019-2022：生态布局期

基金一、二期相继落地，在硅谷累计投资近百个项目，同时支持9家新锐GP成长，其中一支从不足2亿美元的AUM提升至50亿美元规模。

③ 2025：战略聚焦期

相比十年前“硅谷永远有早期红利”的笼统判断，她如今更清晰地看到美国本土产业需求被AI全面唤醒，而华人创业者的整体素质与能量显著提升，她所支持的华人创始人占比，已从早年的约30%提升到接近70%。

“硬科技”不再只是传统的Deep Tech清单（ 生物、区块链、航天、分析式AI ）。

进入AI时代后，硬科技的更清晰表述是 Physical AI：把AI的感知、决策与执行能力，从纯数字世界延伸到现实物理空间。

她援引今年硅谷的一个侧影：VC年度出手规模创历史新高，却有80%资金涌向少数头部公司（ 如OpenAI、Anthropic、xAI等 ）。

在外界看来这是“泡沫”，但在她看来，泡沫的积极效应在于它替整个行业买了一次超大声量的广告，从而“唤醒”了全美各个传统产业的决策者。

美国企业级客户历来保守、难以被“补贴与促销”撬动，往往只有在产业级冲击（ 如疫情、电商物流变革、这轮AI浪潮 ）下，才会迅速转向。

ChatGPT之后，企业服务类AI公司普遍感到客户教育成本骤降、采购节奏明显加快。

更具象的变化是节奏加速。两三年前，中国创业者到硅谷还会诧异“为何这里如此松弛”，而如今不仅初创公司，甚至OpenAI、Google等巨头也进入“近乎996”状态。

AI把硅谷的齿轮拧得更紧，也把美国各行业对数字化与自动化的真实需求逼了出来。

Yuan Li 李远：北醒机器人创始人、激光雷达规模化落地先行者。

尊重工程节奏，以“可靠性”穿越周期

硬科技创业的核心不是速度，而是验证与交付的确定性；每一环验证的节奏，都是穿越行业波动的安全绳。

关键词：激光雷达、工程常识、质量体系、稳健增长

李远（ Yuan Li ）十年前创立激光雷达公司，长期在无人机、汽车与机器人等场景中打磨产品与交付。

公司早期切入无人机应用，产品完成了DO-160G等航空类环境与电磁兼容测试；进入汽车周期后，又建立起符合IATF 16949的车规质量管理体系。

随着消费级机器人需求上升，团队围绕防尘防水重新梳理结构与工艺，近期将发布一款主力机型的子产品，达到IP68等指标。

产品线的变化，几乎能够复盘过去十年智能硬件与感知系统的每一轮行业波动：从机器人、无人机到无人驾驶，再到近两年的大模型与机器人结合。

经营层面曾经历过挑战。公司经历过从亏损到盈利的过程。尤其在去年一月，在上游供应链企业和下游客户企业都遇到压力的时候，如何靠出海盈利就是很大的挑战。

李远的表述保持克制：这类冲击会扰动现金流与产能计划，但也迫使企业把质量、合规、供应链冗余与合同条款做得更稳，更可审计。

在研发组织上，强调“尊重客观规律”。

硬件产品有成熟的阶段性门槛与方法论，从样机到DV/PV直至量产，每一环都有时间常数与验证要求，不宜通过行政压力压缩周期。

如果CTO判断研发需要十六个月，管理层的职责不是“要回十二个月”，而是对外统一口径、管理客户与投资人的预期，把内部的节拍与外部的里程碑对齐。

他的判断基于一个常识：高阶工程岗位以职业规范与自我要求为约束，所谓“再压一压就快了”的做法，往往以后端质量与保修成本为代价，长期总账更高。

这种“内外有别”的处理方式，也体现在产品取舍上。

公司不追求性能堆叠，而是围绕“场景—价值—功能”的闭环推进：无人机需要航空级环境适应与电磁兼容；

汽车必须纳入车规质量体系；消费级机器人对IP防护、尺寸与能耗敏感。每一次规格与接口的更新，背后对应的是可靠性交付与售后责任的边界。

在硬科技里，真正昂贵的不是把功能晚两个月交付，而是以牺牲验证为代价的快速上线，会在未来以更高的维修、召回与信誉成本返还。

对未来，他提出两点：

一，家用机器人正在形成更明确的需求侧约束，公司围绕该场景的子产品已进入发布节奏；

二，在经历行业结构波动后，公司会进一步聚焦真实需求，把交付节点、质量体系与回款做得更可控。他认为，拥抱行业浪潮是必要的，但“别指望捷径”。

对于一家以传感与可靠性为主业的公司而言，真正能把企业带过下一段周期的，仍是围绕场景的价值，和对应的功能实现的经营基本功。

Lilly Lau 刘恩培：树米科技创始人兼首席执行官、eSIM/IoT创业先锋。

连接即壁垒：从通信到智能代理

eSIM让全球设备“上电即连”，Agent让连接变得更有生命力——在IoT的世界，连接本身就是可复用的生产力。

关键词：IoT连接、eSIM、Agent元年、Alpha客户信任

刘恩培（ Lilly Lau ）团队最早从eSIM/eUICC切入物联网连接，在2016年下半年为小米手机落地EC技术；2017年2月在小米推动下完成公司化运作。

她在圆桌上系统讲述了树米科技的业务逻辑：把云端的策略与能力，稳定、低门槛地“执行到端侧”，为全球铺货的智能硬件与IoT设备提供可持续的蜂窝通信连接。

智能硬件的商业模式并非单点爆款就结束，真正决定可持续性的，是整机生命周期内“耗材/服务”的长尾收入：

从滤芯、耗材，到会员订阅、远程服务等。要实现这套模型，设备必须在全球范围长期、稳定、低摩擦地在线。蜂窝连接越“无感、无缝”，生命周期里可兑现的服务机会就越多。

为此，树米科技把“连接”做成了可规模化复制的基础设施。

具体做法是： 在通信芯片层预置ECSDK，覆盖高通、联发科、ASR、紫光展锐、中兴微电子、（早期）海思等主流平台。

这样，设备在产线上就完成“嵌入”，出海后上电即入网，自动接入当地质量最优的运营商网络；

后续仅需通过OTA更新微小的软件模块（ SDK/策略 ）即可适配。

对以东南亚/大湾区为制造中心、面向全球铺货的品牌而言，这显著提升了部署效率，避免逐一与各国运营商谈判的高成本流程。

2017-2019年，团队完成“全品类芯片”的适配与研发；此后公司收入一度以300%–500%的年增速增长至2022年（ 受疫情与封控扰动后放缓 ），2023–2024年逐步恢复增长。

截至目前，平台日均同时在线并服务的IoT设备已达约3000台。

在定价与竞争方面，她坦言蜂窝连接领域“永远有人比你更便宜”的实体SIM方案存在，但规模与可靠性决定了客户分层：十万台以下的中小体量，换卡重发也许还能勉强支撑；

一旦上升为品牌的全球化常态，“上电即连、统一运维、可审计”的eSIM/EC体系才是总成本更优解。因此，公司更多服务长期做品牌与规模化出海的客户。

2024年，观察到一个明显拐点—— “Agent元年”。

如果说上一阶段是“把中心化的SaaS策略下沉到端侧”，那么这一阶段变成“把各类垂直Agent的行业知识与能力，标准化地赋能到端侧”。

树米科技开始与大小Agent团队协作，把对话、角色、IP背景与行业知识打入终端，尤其在陪伴型与情绪疏导型的智能玩具上展现出良好出货势头。

汕头作为全球塑料玩具的重要产地，正在释放面向“联网陪伴玩具”的需求；

公司因此在这一细分链路上加速与多家Agent平台的适配，把“连接＋智能”打包为标准能力，以便快速复制到不同外形与品牌的终端上。

谈到“如何在价格竞争中建立壁垒”，认为是口碑与“Alpha客户”。

在重资产、长链路的B2B出海业务里，创始人亲自上阵几乎是必要条件：大型客户往往需要与CEO建立信任，技术与产品经理的专业并不足以替代“对最终责任人的判断”。

拿下一个有分量的Alpha客户，在随后的同层级客户拓展中会形成强背书与价格锚定效应，显著降低谈判与交付的不确定性。

她把这归纳为“躬身入局、以交付换信誉”：在客户是行业专家的前提下，供应商应以服务与可用性为第一优先，把连接质量、可运维性和交付确定性做到可审计，用性能稳定性与项目履约记录换取品牌溢价。

Jimmy Huang 黄俊强：Tungee联合创始人兼国际事业部负责人、AI+大数据领域全球独角兽。

从通用到行业：AI让ToB智能化

ToB的未来不是“更多功能”，而是让AI成为执行者，让找客户、触达与转化形成智能体驱动的闭环。

关键词：AI销售、行业智能体、全球市场、智能执行链路

2016年，黄俊强（ Jimmy Huang ）与团队创立Tungee科技，目标并不宏大：用数据与算法，替ToB企业把“找客户”这件事做得更稳、更快。

那是一个还没有大模型的年代，Tungee的切入点朴素而具体：构建覆盖公网的数据底座，做治理与去噪，利用算法完成潜在客户的推荐、筛选、评分与排序。

2017年，推出第一代标准化产品，帮助业务人员在漏斗顶端更高效地定位客群。

当客户开始问“找到之后怎么触达”，产品的边界随之外延。

Tungee把外呼、联络中心、邮件与短信等渠道能力集成到同一工作流里，让“找得到”与“触达上”连成闭环；

随后再把基础CRM能力补齐，让跟进、转化与管理落在一个连续的链路中。到2022年，团队在全国范围内服务的企业数突破1.5万家，PMF在多个行业与地区被反复验证。

真正的加速发生在2022年之后。

当服务面扩展到更广的地理与行业带，Tungee清楚地看到了行业集中度与地域结构：深圳的国际物流、佛山的家装、广州的美业、天津的不锈钢与型材……每一类客户都带着极强的场景特征与业务语言。

自2022年起，团队将“行业版”作为产品线的核心策略：知识产权、国际物流、各类资质与合规等行业化版本陆续上线，从GTM到Onboarding都被重写为按行业组织。

这是一次从“通用工具”到“行业解决方案”的战略迁移，客户增长速度因此明显提升，满意度与服务效率也随之改善。

2023年，大模型与Agent能力的成熟，迫使团队对产品进行一次更底层的重构。黄俊强的判断直白： 过去的功能是为人设计的，如今应为AI设计。

当执行者从人转为智能体，产品的交互与流程就不必再被拆成多级页面与手工操作，更多的步骤可以被隐藏与“黑盒化”，由智能体统筹调用。

当客户的触角延伸至海外，Tungee也同步搭建起全球商业图谱与数据底座，并在2024年底推出面向北美与全球市场的海外品牌Futern。

在这个品牌下，系统一方面在全球数据中检索与校验目标客群，另一方面自动生成高度个性化（ ultra-personalized ）的触达内容，并通过WhatsApp、邮件、（以及连接的多类外部工具）完成分渠道投放与跟进。

更关键的是，让Agent成为真正的执行者：它根据目标与约束自主调用工具、调整节奏与话术，使“找——触达——转化”的链路从人工驱动过渡到智能驱动。

迄今，Tungee/ Futern体系已累计服务5万＋家大中小型To B企业。

这条路径的共同内核，是以数据为基、以行业为纲、以Agent为形。数据提供可重复的确定性，行业版本沉淀真实的业务语言与流程，智能体把人从机械劳动中剥离出来。

随着产品从“给人用”转向“给AI用”，系统的设计原则也随之变化：少即是多，显性的流程让位于隐性的编排，用户看到的界面可以更简单，而系统内部的能力更复杂、更有效率。

三、全球突围华人创业者的playbook

Herman Zhou 周航：Inner Capital创始人，易到创始人，全球共享汽车行业开创者，硅谷天使投资人。

硅谷土壤与华人创业者路径

硅谷的“智力密度”和“资本密度”创造了更大的容错空间，真正决定创业成功的，是“为什么做”和“在什么领域拥有深刻洞见”。

关键词：硅谷生态、创业路径、认知优势

周航（ Herman Zhou ）分享了几条直接而务实的观察：硅谷的土壤、当代创业者的能力结构、真正重要的“问题选择”，以及华人创始人在湾区的三类典型路径。

首先，土壤

硅谷的“智力密度”和“资本密度”在全球范围内毫无悬念地领先，是一种“至少高一个数量级”的集聚效应。

这种集聚不仅体现在技术实力，也体现在制度与文化：对失败的宽容、对人才的流动性保障、以及成熟的大厂回流机制（ 例如内部组接收可快速回归 ），让“从大厂出来创业”不是生死抉择，而是阶段性的职业选择。

这直接带来一个结果： 创业的容错空间更大、职业寿命更长。与国内动辄“35岁焦虑”不同，湾区工程师的职业曲线往往更平缓、更持久。

其次，一代人能力结构的变化

如果把时间平移到今天， 我们那一代把年龄改回现在，是竞争不过当下这代创业者的。

无论是视野、学习能力，还是受教育质量、工具使用与协作方式，当下的年轻创业者整体素质显著提升。

这是好消息，也是更残酷的门槛：在一个高手密度更高的生态里，“好”只是及格，真正拉开差距的是更清晰的动机与更稀缺的洞见。

谈到如何判断一个项目/创始人，周航并不执着于“你在做什么”，而是追问两件事：你为什么做，以及你是否在某个具体领域拥有足够深刻、哪怕很窄的洞见。

原因很简单：绝大多数团队最终做成的事，都会偏离出发时的版本；起点的题目未必重要，但驱动你坚持的动机、以及让你在反复试错中始终占优的认知优势，才决定边界。

也因此，他对硅谷“创业爱好者”现象保持宽容但谨慎： 爱好可以，但要先承认自己只是爱好者，而不是要把一件事做十年的人。

在华人创业者画像上，周航给出一个简明的三分法：

第一类：出海一代

主体长期在中国，近年基于形势与战略选择开始布局海外市场。

这类创业者对供应链与交付效率极为熟悉，资源整合能力强，但进入美国或东南亚时，第一站的选择与本地化的节奏尤为关键，不能以国内惯性“遥控指挥”。

第二类：1.5代

初高中即出国，教育和职业路径基本在美国，但中文与国内产业链仍有连接，能够“双向打通”研发、供应链与市场。

这类创始人的优势是双语/双文化与资源编排，劣势则在于对任一侧的“在地深耕”容易被另一侧牵扯，需要更强的聚焦与组织能力。

第三类：本土化一代（ABC）

与中国的业务联系相对稀薄，操作系统完全本地化，更懂美国市场与组织协作，但在供应链、制造与跨境资源上需要外部补齐。

若能与前两类形成互补，常能构成更稳健的跨文化团队结构。

这三类并无优劣之分，关键在于自我识别与优势互补：

你是以供应链与成本控制取胜，还是以产品叙事与品牌构建取胜？

你需要怎样的联合创始人与早期顾问，才能在文化与资源两侧同时“说得通、做得动”？

在一个容错率更高、竞争密度更大的环境里，真正决定长期胜负的，不是短期的风口，也不是一次融资的侥幸，而是你对所选领域是否拥有持续的热爱、是否能在窄而深的维度里建立认知复利。

做什么会变，为什么做与怎么看，才是不会轻易改变的底层变量。

Larry Li 李强：Traini创始人兼CEO，全球首个宠物共情AI对话平台创始人。

创业的窗口期与投资的筛选法则

当前创业门槛降低，资金充裕，但项目筛选变得更为困难，数据驱动和团队配合成为决胜关键。

关键词：创业机会、投资筛选、数据为先

李强（ Larry Li ）从创业与投资的“双重视角”出发，给出一个鲜明判断：此刻是创业的好时机，也是投资的艰难时刻。

前者受益于门槛降低与资金充裕，后者则面临项目汪洋带来的筛选难题。围绕这一判断，他展开了关于数据导向、人才结构与“泡沫”的一套方法与立场。

1.创业者的窗口期：门槛更低、资金更足、试错成本更小

Larry谈到，技术与工具基础设施的成熟降低了启动成本，市场中“钱多，甚至不乏‘傻钱’”，让年轻创业者拥有“nothing to lose”的条件。

与其在校园里学习商业，不如直接在市场中以几百万美元的规模做一场严肃的练习：把产品做出来、把用户跑出来、把数据做实。这是他对身边年轻人的一贯建议。

2.投资人的艰难时刻：项目海里，必须“以数据为先”

当创业门槛降低、项目数量激增，投资并未因此变得容易。

Larry强调，在硅谷少谈“深科技”的标签，多看“做出来的东西与数据”：用户数、收入、增长与留存才是第一优先。

在一个博士遍地的生态里，技术深度是“及格线”，真正的差异化在于“Make something good.”，即能不能把产品做出来、被真实用户验证。

3.结构化筛选：十个因子的一致性判断

为应对嘈杂信号，Larry团队沉淀了一套由约10个属性构成的智能评估体系，对进入池子的项目进行多因子打分，追求快速且客观的过滤。他举出几类具有代表性的因子：

① 教育与院校： 名校是优势，但非决定性。名校出身者“人人都想创业”，成功率未必更高；非名校里强烈渴望创业的人，往往更具韧性与执行力。

② 经历与团队关系： 工作背景、互补性、相识时长与信任程度，是判断团队可持续性的关键维度。

③ 人格特质： 抗压、沟通、自省与兑现承诺的能力，决定长期可塑性。

④ 移民属性： 在硅谷的优胜企业中，团队包含移民的比例极高。跨文化的迁徙与适应，常与韧性、学习与求生能力正相关。

这一体系并非“唯条件论”，而是把分散线索统一到一套可重复的模型中，与实际业务数据、客户验证共同作用，降低误判概率。

4.关于“泡沫”的立场：生态学意义大于短期得失

谈到泡沫，Larry的结论出人意料却一以贯之，泡沫是必要的。

大量资金最终会输给统计学，多数VC赚不到钱、许多公司会失败；但这些投入“肥沃了土壤”、培养了工程师与管理者、完善了基础设施，反而让少数真正优秀的企业更快地招到好人、拿到资源、长成巨头。

在这种幂律分布的世界里，“水不浊无鱼”。没有足够的喧嚣与试错，就没有足够的供给与人才储备，也就难以出现真正的超级公司。

对创业者而言，应当顺势利用泡沫完成从0→1的跃迁；对投资人而言，则需要更冷静的过滤机制与对幂律收益的清醒认知。

5.团队怎么配：别“同温层”扎堆，追求互补

他反复强调互补性：

① 背景互补： 技术×商业、博士×经营者、华人×印度人/其他族裔等，比“全是同类”的组合更有胜算。

② 资源互补： 已有校友/同门资源不必再“扎堆”，要引入不同网络与能力圈层。

③ 语言与语境： 跨文化沟通要注意语用差异（ 如 “Please have a seat.” 比 “Sit down.” 得体；道歉宜用 “I sincerely apologize.” 而非随口 “Excuse me.” ）。礼貌与措辞影响信任建立，不是“是否被歧视”的唯一解释。

他鼓励华人创始人： 口音和外形都不是问题，自信与互补团队才是关键。

6.给创业者与投资人的两句话

给创业者： 这是窗口期，把产品做出来、把数据做实，少讲概念。

给投资人： 在泡沫中用结构化因子+真实业务数据过滤团队，接受“多数不赚、少数极赚”的常态。

Bihong Qin 秦碧鸿：ATM Capital创始合伙人，NUS EMBA校友，东南亚新兴市场创投代表。

AI × 行业的东南亚机遇

AI与行业的结合正在推动东南亚的结构性红利，创业者需要注重本地化布局与跨文化管理。

关键词：AI落地、东南亚、行业创新

秦碧鸿（ Bihong Qin ）基于多年来对东南亚产业的一线观察，给出清晰判断：当下是“AI × 行业”在新兴市场落地的关键窗口期。

增长的底层驱动力来自人口红利、线下渠道与数字经济的广泛普及；真正的落地之道，在于以AI驱动商业模式演进与效率提升。

1.区域窗口：结构性红利清晰

① 增长驱动： 人口红利、线下渠道密度、数字经济与移动互联网快速普及。

② 入场路径： 优先布局电商主干道与上下游基础设施（商流/物流/门店），逐步拓展至其他行业。

2.AI落地路径：从概念到效率

① 两条主线： AI Infra（ 算力/平台/数据底座 ）的本地化布局；AI驱动的行业效率提升（ 把预测、执行、自动化嵌入业务流程 ）。

② 衡量标准： 强调规模化、能变现和可复制性，而非停留在Demo/PPT演示阶段。

3.重点赛道与抓手

① 代表方向： 无人机（巡检/城配）、交通与无人车（高频线路）、AI硬件（智能家居、可穿戴设备等）。

② 落地方法： 依托自有线下店、物流与渠道体系，把AI嵌入业务流程，确保“可交付、看得见回报”。

4.出海没有唯一路径：匹配企业基因

① 多路径并存： 美国是一种路径，东南亚/更广新兴市场是另一种。

② 首站选择： 结合公司基因与优势决定落点（ 产品/服务/组织/定位需同步设计 ）。

③ 入场姿态： 保持敬畏，谋定后动，先把路径想清楚，再通过快速验证迭代，避免“先蛮干”。

5.本地化：构建可持续运营体系

① 实操要求： 消费者洞察、渠道有效性、合规与供应链脆弱点需动态适配；不可“遥控指挥”。

② 组织能力： 建立一线反馈机制，敏捷试错，策略与战术快速调整。

6.时间维度：把出海当作10–20年工程

当前仍属早期窗口：心态要稳、节奏要准。

长期优势建设： 打造国际化团队与跨文化管理能力；持续深耕本地合规与渠道；构建“AI+产业”深度融合的复合型能力堆栈。

7.给出海创业者的两句话

① 出海的第一站区域选择及战略制定至关重要 ，深入做本地市场调研，做好本地化产品和服务适配。

② 沉入市场，保持敬畏： 组建本土团队、保持敬畏与敏捷，用十年的视角构建长期优势。

Tim Xiong：伯克利SkyDeck加速器创业导师，Pagoda Tree Partners风险合伙人。

AI与结果定价的新时代

真实需求先于AI存在，AI的价值在于把“模糊的人类问题”转译成可规模化的计算问题，在1米宽处挖100米深。

关键词：AI原生、真实痛点、垂直深耕、可计算化

Tim Xiong观察，2024年全球VC在AI领域的投资大约1100亿美元，其中约1000亿在美国、60%–70%集中于硅谷。

为什么需要这么多钱？因为模型与应用的单位成本过高：

大模型训练/推理、托管与调用的支出，与早期收入难以匹配；

没有资本的前置投入，数据——产品——用户的飞轮就转不起来，许多公司根本无法给早期客户提供服务进而进入可验证阶段。

因此，资本在这轮周期中承担了“基础设施”的角色。

紧随其后的是估值与融资结构的“前移”。

Tim给出的对比很直观：旧时代种子轮可能只需10–50万美元、估值百万级；现在的种子轮普遍要到200–300万美元，估值2000万左右，甚至更高。

当种子轮价格上移，门槛也同步上移：过去只需要MVP的雏形，如今连在种子轮也被要求拿出真实的traction，甚至初步PMF的证据。

这对孵化器与加速器也提出了新要求——不止帮“融到钱”，还要帮“找到客户”“接上平台”“打通数据”。

特别是做应用的团队，离开行业数据几乎寸步难行，加速器必须成为产业数据与场景的桥梁，其服务内容势必要围绕行业集成能力而重做一遍。

在行业演进层面，Tim把软件工程视为第一个被AI明确“改写底层范式”的行业。

面向程序员的工具型公司在极短周期跑出可观收入与极简人效，映照出AI对“产出/人”的拉升幅度。

更关键的是，商业模式也在从SaaS 2.0走向3.0：过去为“流程/席位”付费，未来为“结果”付费（ Results-as-a-Service ）。

这意味着定价逻辑、交付边界与服务责任都会被重塑——企业不再为工具本身付费，而是为可量化的业务结果买单。

这个趋势不会止步于软件，几乎每个行业都会被“结果定价”重新度量。

市场是否已经“ready”？Tim的判断是“是”。

他援引头部公司的公开口径与行业数据：C端订阅仍占一定比重，但B端API/企业客户的增长更快，年化十万美元级别的企业用户数同比呈倍数增长。

技术路径也更清晰：通用大模型+专业小模型/工具链的混合式方案，正在把一些关键行业的准确率推到可用阈值之上（他以医疗考试的满分案例做了说明）。

资本充足、市场就绪、路线明朗——在他看来，这构成了华人创始人“就地寻找机会”的现实窗口，而关键变量只有一个：速度。

谈到华人创始人谱系，Tim给出三类人群画像，并坦诚自己观点的变化：

① 大厂系（Google/Microsoft 等）

技术栈扎实、资源宽松（ 硅谷无竞业协议 ），出厂即带加速度；但要警惕只在“熟悉的框架内”优化。

② 名校系（Stanford、UC Berkeley等）

AI-native思维强，更容易从“未来范式”出发设计产品；挑战是快速补齐商业化与行业验证。

③ 既有成功系（在中国或他处已创业成功）

曾经最被看好，但在AI周期里路径依赖更重。如果不能放下既有叙事、重新拥抱“结果付费、数据为王”的新秩序，容易在估值、节奏和叙事上与硅谷生态“错位”。

这一类团队常见的误判包括：拿国内体量直接去申YC/早期基金、用Demo代替早期数据、用旧的销售—交付逻辑去对接美国B端信任体系，看起来都make sense，但实际落地常常“对不上口径”。这需要比想象中更大的谦逊与重构。

把这些观察压缩成一套在场方法论，Tim的主张可以归纳为几条“硬约束”：

把钱当燃料而非胜利：在成本曲线尚未被规模压低前，资本是启动飞轮的必要条件，但花在哪里决定了生死，优先买“数据、算力、验证”，而不是买“看上去的进度”。

在种子轮就证明“可被购买”：不只MVP，要拿到早期真实客户与留存曲线。没有初步PMF证据，今天的种子轮会越来越难讲故事。

寻找能获取/整合数据的垂直切口：优先与有数据的行业伙伴/平台结盟，让“AI+行业”的叙事落在可调用的样本与可交付的流程上。

为“结果定价”做产品与合同设计：从一开始就按“结果交付”去设计埋点、评估与对赌机制，把技术承诺转译成客户愿意买单的业务指标。

组织层面去路径依赖：旧方法在新周期里不再可靠。放下既有成功学，用AI-native的方式重写产品路线图与go-to-market。

把加速器当作“产业接口”：选那些能提供客户、平台与数据桥接的加速器/生态位伙伴，而不只是demo day的舞台。

这轮周期的关键词不是“风口”，而是“重写与对齐”：重写产品与定价，以对齐“结果付费”；

重写融资叙事，以对齐“种子轮即验证”；重写组织与心态，以对齐“速度与谦逊”。

当资本、市场与技术三要素都指向“可用”，真正的稀缺只剩两样：拿到数据、做出结果。能把这两件事做快、做实的人，才配得上这一次周期的红利。

Grace Zhang：XAINOODLES创始人，资本与品牌运营专家。

跨行业迁移与自动化的效率转化

AI和自动化降低了跨行业的迁移摩擦，创业者需将经验转化为设备与算法，创造可复制的商业结果。

关键词：跨行业迁移、自动化、经验转化

Grace Zhang不把“AI降低门槛”当作一句轻巧口号。她的前提是：门槛确实在下降，但不是给“无准备者”下降。真正被降低的，是跨行业迁移的摩擦，你在过往行业里积累的认知、方法与供应链理解，借助AI和自动化，可以转译到新的赛道；但如果底层认知与组织准备不足，所谓“低门槛”反而会放大试错成本。

她以自己正在推动的一个项目为例：全自动面条设备。这是一个“设备制造＋AI”的组合：在约4㎡的角落，投入水、面粉与预制浇头，两分钟内产出可与堂食品质对标的一碗面。

国内餐饮过度内卷，而海外（ 美国/欧洲 ）对中式即食的需求仍未饱和，同样的技术和设备在西方更有“性价比空间”。

这背后折射的是她强调的结构性机会：AI令“经验可迁移、流程可自动化、质量可量化”，从而让熟悉供应链与制造的创业者，有机会把“卷出的效率”带到更缺供给的市场。

这也契合她对“出海路径”的判断：过去流行的是Copy to China，如今更多是Copy China to US/Europe/Rest of World。

中国制造、供应链与许多产业方法论在全球仍具有比较优势；要做的是辨清哪些能力可转移，哪些要重构：

可转移的：资本、技术、流程方法、企业管理与质量文化；

最难转移的：人（尤其是跨境团队的合法落地与稳定供给）。

美国在“人”的跨境政策层面并不友好，这会成为制造业出海的关键约束。

为应对这一点，她与Stanford的Robotics实验室展开合作，探索用AI与机器人替代更多生产线的人力环节，以“自动化换取跨境用工的确定性”。

这条路风险不小、周期不短，但她认为这是制造业再全球化的务实解法。

1.品牌与资本：优先级的取舍

谈到品牌，Grace给出一个务实定义：品牌是当客户谈起你时脑中出现的所有联想。在企业不同阶段，这个“联想体”由不同主体塑形：

0→1早期：更多由创始人“自我定义”；

进入增长：逐步转向由客户与内容定义，“客户即内容，内容即品牌，品牌又承接使命/愿景/价值观”，三者并无清晰分界。

当资本与品牌发生张力（ 资本建议的方向与品牌内核相左 ）时，答案因企业而异，但必须先明确长期要成为什么：

是否为了长期的品牌与定价权，牺牲短期的增长与估值“更好看”？她强调，这是贯穿企业生命周期的“必答题”。

2.华人创始人：优势、分型与组织多样性

在她的样本里，华人创始人的共性并不意外： 聪明、勤奋、学习能力强。但她把“华人创始人”分成两类能力曲线：

① 美国/硅谷侧更强： 对本土客户、商业生态与付费逻辑更敏感，拥有在地资源与语境优势；

② 中国侧更强： 对供应链、制造、渠道与国内产业结构理解更深，执行效率高。

无优劣之分，关键在于互补。

从Day1就要在创始团队、核心管理层、投资人层面做“多样性设计”：

文化、认知、行业经验、阶段理解都要拉开差距，用差异对冲盲点，而不是在同温层里加速“内卷”。

3.方法论：把可迁移的效率，装进“可复制的结果”

把她的路径压缩成几条操作性原则，大致是：

① 先找结构性缺口，再谈技术叠加： 优先选择需求未被充分满足、单位人力昂贵/稀缺的海外场景，用自动化/机器人把“卷出来的效率”直接嵌进流程。

② 把“经验”转译为“设备＋算法”： 以设备和算法固化品质与流程，让“人”的差异性减少，提升结果的一致性与可交付性。

③ 以“结果可复制”定义产品： 不仅是把机器做好，更要把场景、SOP、服务与算账模型打包，形成可快速铺开的单店/单点复制单元。

④ 先品牌后规模（但别失去现金流纪律）： 在早期用真实顾客与复购，反向塑形品牌的“联想体”，让资本追随“结果”，而不是反过来。

⑤ 自动化对冲“人”的不可转移性： 在人力政策与跨境组织不确定的前提下，用自动化提升跨境落地的确定性。

出海就不只是故事，而是可复利的生意。全自动面条机只是一个样本；更大的命题，是把“可迁移的经验”持续转化为“可复制的结果”。

从AI的技术跃迁，到硬科技的底层创新，再到华人企业家的全球化实践，本次论坛不仅是思想的交锋，更是行动的集结。

NUS硅谷论坛第三季，是延续，更是升级： 它把新国大EMBA的长期主义与全球连接，落在更清晰的路径与更坚实的合作上。

创新的真正边界，不在地域，而在思维的广度与执行的深度。

硅谷只是起点，亚洲、北美与全球的新一代创业者，正以更加开放、务实与长期主义的心态，共同构筑属于“全球华人企业家”的未来版图。

*文章为作者独立观点，不代表笔记侠立场。

主办方简介——

新加坡国立大学(简称NUS)建立于1905年，是全球排名11，亚洲第一的世界级顶尖学府。新国大中文EMBA硕士学位课程是新加坡国立大学的旗舰项目，致力于培养具有国际化视野、全球化战略眼光的企业家、管理者和商界领袖。在最新QS全球EMBA排名前16名榜单中，新加坡国立大学是跻身于欧美院校中的唯一一所亚洲本土高等院校，而国大中文EMBA项目也是唯一入选的用中文授课的EMBA项目。