英国皇家工程院院士、伦敦大学学院（UCL）教授汪军经常收到学生和老师关于创业的咨询：有人提出技术想法，希望将研究成果变成公司，却不知道该如何起步。汪军通常会先给出建议，也会介绍投资人，让双方进一步交流。
但随着类似的需求越来越多，仅靠个人关系和时间，已经难以完成持续的资源对接。如何让这种连接不再依赖个人牵线，而成为一种更稳定的合作机制？
这类困惑，也是许多AI创业者正在面对的现实问题：科研人员可能花了数年时间攻克一个技术难题，却不知道谁会真正使用它；创业团队找到了潜在客户，却发现技术还不足以支撑完整的产品；投资人看好一个方向，也未必能判断它何时能够形成商业回报。
技术突破、市场需求与商业回报之间，并不存在一条自动打通的路径。
RLChina是一个围绕强化学习开展学术交流与人才培养的社区，长期组织课程、学术交流和研讨活动，参与者包括高校研究者、青年学者和学生。随着社区不断发展，科研成果转化、创业资源对接等需求也逐渐显现。如何让原有的学术交流网络进一步连接产业、开源生态与资本，成为RLChina尝试探索的新方向。
近日，由中国计算机学会主办的CCF决策智能会议（RLChina 2026）在上海交通大学徐汇校区召开。会议期间，RLChina Venture Network计划在创业与产业论坛正式发布，希望让科研人员更早接触产业需求，也让企业和投资人有机会参与前沿技术探索。
对于科研成果如何走向产品，汪军提出了一个直接的判断：研究者需要改变看待问题的方式。在科研过程中，研究者通常更关注算法和技术本身，但当项目准备走向市场，就必须进一步想清楚：用户为什么需要？如何让别人真正用起来？除了算法，还需要怎样的系统，以及如何接触市场？在他看来，科研与产品之间的一个关键区别，是研究者是否真正理解用户的需求。
他还提到，技术转化不一定要从正式的大型合作项目开始。研究人员进入企业或相关机构，与产业方共同解决具体问题，也可能成为技术落地的起点。
图丨英国皇家工程院院士、伦敦大学学院教授汪军进行主旨演讲，题为《强化学习与决策智能：技术进展与产业需求探索》（来源：RLChina 2026）
围绕AI技术如何走向产业，现场嘉宾从不同角度展开讨论，涉及群体智能的技术探索、AI在专业场景中的应用，以及创业公司的商业路径和早期资本的投资判断。
蒲志强：AI的下一步增长，不只是把模型做大
人工智能的能力提升，是否一定要依靠更大的模型？中国科学院自动化研究所复杂系统认知与决策国家级重点实验室副主任、北京中科沌序科技有限公司创始人兼董事长蒲志强，在主旨演讲中提出了另一种思路：群体智能。
他以蚂蚁搭桥为例解释这一概念。一只蚂蚁的能力有限，但一群蚂蚁能够依据简单的行为规则相互配合，在没有统一指挥者的情况下完成搭桥。个体不需要理解整体目标，群体却能够完成单个个体无法完成的任务。
蒲志强认为，这为人工智能提供了另一种能力增长路径。大模型主要通过扩大规模增强单体能力，而群体智能希望通过组织和协作，让多个智能体形成整体能力。“我们不是去Scaling模型，而是去Scaling组织。”
图丨中国科学院自动化研究所复杂系统认知与决策国家级重点实验室副主任、北京中科沌序科技有限公司创始人兼董事长蒲志强进行主旨演讲，题为《群体智能：迈向人工智能发展的新形态》（来源：RLChina 2026）
不过，多个智能体组合起来，并不意味着能力一定更强。它们之间的沟通会产生成本，一个智能体产生的错误也可能沿着协作链条传播。蒲志强引用的一项机器人群体研究显示，局部连接的机器人群体有时比全连接群体表现更好，因为前者能够限制错误信息的传播范围。
这意味着，群体智能真正需要解决的，不只是如何增加智能体数量，而是如何设计个体之间的连接、分工与协作机制。当单个模型的能力不断增强，如何通过组织多个智能体解决复杂任务，也可能成为下一阶段值得探索的方向。
赵军：技术先进，不等于市场需要
一项AI技术有了突破进展，接下来应该寻找能够使用它的场景，还是先找到一个真实需求，再决定用什么技术解决？
在以“从技术到创业：机会如何成立？”为主题的圆桌讨论上，上海交通大学工业技术创新研究院院长、安泰经济与管理学院、中银科技金融学院教授赵军提醒科研人员，不要把技术先进性、市场需求和产品先进性混为一谈。
一些科研项目介绍会列出多个潜在应用场景，声称技术能够解决不同领域的问题。在赵军看来，这往往说明团队还没有想清楚真正应该解决什么问题。
AI还容易带来另一种错觉：团队可以借助模型快速生成看起来逻辑完整、覆盖很多场景的方案，但这些方案是否对应真实问题，仍然需要谨慎判断。
科研成果可以有很多潜在用途，但创业团队资源有限，需要把人力、财力和时间集中到一两个真正有机会形成竞争力的方向。需求侧的第一性原理，最终要回到一个具体问题：究竟能够解决现实中的什么痛点？现有产品是否解决不好？能否在效率、时间成本等方面形成明显优势？
图丨圆桌讨论（来源：RLChina 2026）
赵军还谈到，AI产业化需要让研发、场景、需求和应用更早结合。科研人员不能只在实验室里完成研究，还需要尽早接触产业现场，与潜在使用者共同界定值得解决的问题。
因此，研究者认为重要的问题，不一定就是企业愿意为之付费的问题。
杨耀东：技术突破，也会创造新需求
北京大学人工智能研究院研究员、灵初智能联合创始人兼首席科学家杨耀东，则从另一个方向提出了思考。
他认为，人工智能是一门工科，而不是单纯的理科。很多能力是在不断尝试和应用中形成的，不能完全按照传统商业思路，先找到一个明确需求，再寻找技术解决方案。
他用电力革命作类比。电灯泡是一项重要发明，但有了电灯泡，并不意味着电力革命就能顺利发生。电力基础设施逐步发展起来，才能进一步支撑冰箱、电视机、空调等应用。
人工智能也有类似的情况。他以OpenAI在Dota等项目上的探索为例。这些尝试帮助团队积累大规模强化学习能力，也为后来训练能够处理长程任务的智能体提供了基础。在最初探索时，这些工作未必对应明确的商业需求。
但新兴技术的发展，并不总是沿着已有共识推进。他更倾向于从供给侧理解AI带来的变化：技术能力的突破可能带来新的生产力，并进一步创造应用需求。
这种变化也会延伸到企业内部。杨耀东举例说，如果传统企业HR部门原本需要三个月完成的绩效考核工作，交给智能体后一个星期就能完成，那么剩下的两个多月员工做什么，企业又该如何安排岗位和薪酬？
这说明，AI进入企业并不只是增加一个工具，还可能改变原有的组织方式。技术创造的新需求，有时也来自企业内部流程和管理方式的变化。
有需求，还要看谁愿意付费
浙江清松投资管理有限公司创始合伙人兼CEO张松从投资角度补充了一个更直接的判断：需求和花钱是两回事。
很多事情确实有人需要，但并不意味着他们愿意为此付费。对创业公司来说，找到需求只是开始，还要判断这种需求能否形成持续付费，能否建立商业闭环，以及技术迭代之后是否还能创造更多价值。
张松提到，投资机构通常有相对明确的资金周期，以5至10年为例，如果技术和基础设施的成熟需要更长时间，投资人就可能面临投对方向却等不到回报的情况。
PANDA CAPITAL合伙人方子骥则把中国市场的需求分成两类：一类来自国家战略和安全，包括大国博弈带来的需求；另一类来自市场本身。
对于市场需求，他认为，创业者很难在一开始就准确理解用户。更多需求需要通过试错逐渐发现。创业者需要不断调整自己对行业需求的理解，在实践中寻找真正成立的需求，而不是认为自己能够一次性把所有人的需求都想清楚。
ZODA社区负责人孟卓飞从模型和数据生态的角度，提出了另一个值得关注的问题：模型能力的发展方向与产业最需要的能力，并不总是一致。
他以代码生成为例。代码领域较早取得进展，与其适合开展大规模强化学习、奖励模型相对容易构建，以及数据来源丰富等因素有关。但这并不意味着写代码就是最有价值的产业需求。
孟卓飞认为，社区可以在模型能力与产业需求之间发挥连接作用：一方面观察模型能力的迭代方向，另一方面了解产业对数据和工具的需求，再将这些信息传递给相关企业和数据提供方。
由此可见，需求并不是一道可以提前算出的题。它需要技术、产业和用户在实际合作中不断验证。
当大模型越来越强，创业公司的壁垒在哪里？
第二场圆桌的主题围绕着“新一代AI Builders的必答题：从技术到创业，路径如何选择？”，嘉宾们讨论的是一个更现实的问题：当基础模型不断增强，创业公司还能建立什么样的竞争优势？
丘脑智能创始人兼CEO张源关注模型的长期记忆问题。模型能够处理越来越长的上下文，却不意味着真正具备持续记忆和调用经验的能力。如何让AI记住用户、理解用户，并在后续任务中调用这些信息，仍存在技术空间。
UCL Agent Infra团队负责人宋研则关注强化学习与智能体的泛化能力。他认为，大模型的发展为机器学习提供了新的可能性，值得探索的是如何让智能体在真实环境中学习，而不只是完成预设任务。
图丨圆桌讨论（来源：RLChina 2026）
专业场景也成为创业者寻找价值的重要方向。干将智能体负责人曹斌关注的是如何将分散的专业工具整合进科研工作流，让智能体参与分析和调整。星河万象联合创始人兼CEO白丰硕则指出，工程场景中的真实问题远比公开Benchmark复杂，模型在标准测试中取得高分，并不意味着已经能够满足客户要求。
芯生代创始人兼CEO李卓提出了一个关于创业壁垒的判断：“我们要做一个资产，而不是做一个具体的方法。”随着模型能力升级，一些原本需要专门开发的工具和方法可能被模型本身吸收。创业公司需要积累的，应该是能够长期产生价值、不会轻易被模型迭代替代的能力。
UCL周辉池指出，科研评价与商业评价并不是一回事。在他看来，科研可以通过通用方法在Benchmark上取得高分，但创业需要真正把产品交付给客户，让客户满意并愿意付费。他特别强调，创业团队也要敢于谈钱：需要多少投入、产品准备卖多少钱，这些都是必须回答的问题。
几位嘉宾的讨论揭示了AI创业的一项现实变化：模型能力本身越来越难成为长期壁垒，真正的竞争力需要在专业场景、真实数据、工作流和客户价值中建立。技术能否解决实际问题，并形成持续付费的产品，才是创业最终需要回答的问题。
技术尚未成熟，投资人如何判断？
尖晶资本合伙人周卉章在主旨演讲中谈到，面对同一个技术方向，研究者看到的是技术能力，创业者关注的是产品和市场，投资人考虑的则是资金投入、回报周期和风险。三方看到的是同一件事，却可能处在不同的时间节点上。
图丨尖晶资本合伙人周卉章进行主旨演讲，题为《在答案清晰之前：早期资本如何参与技术探索》（来源：RLChina 2026）
她将自己的投资判断归纳为三个问题：为什么是这件事？为什么是这个团队、这个时间点？值得期待什么，又需要承担什么风险？
这要求投资人理解技术本身，而不是仅仅根据行业热度判断项目。对于早期科技创业来说，技术路线可能还在探索，产品也未必已经形成，但团队是否能够持续解决问题、推动项目向前，是投资决策的重要依据。
她还提醒技术团队，企业采用一项新技术，并不是简单地增加一个工具。对于一家已经正常运营的企业来说，这意味着改变原有系统、承担成本，并说服内部决策者。
因此，创业者需要考虑：自己的技术进入企业之后，是要替代原有系统，还是只在某个环节提供能力加成？企业为什么要采用它？采用之后需要付出什么代价？
对于科研人员创业，周卉章还有一个直接的提醒：不要为了追求技术上的独特性，重复开发市场上已经有成熟工具解决的问题。学术研究重视原创性，但企业经营需要考虑效率和资源配置。创业团队应该用尽可能少的资源，先实现一个最小闭环，逐步验证技术和商业路径。
与此同时，投资机构也必须尊重科学和工程的客观规律。技术研发有自己的周期，工程落地也有相应条件，不能因为市场热点或者投资人的意愿，就要求团队改变技术发展的规律。
连接之后，真正的考验才开始
从群体智能到专业智能体，从科学研究到企业工作流，这场活动呈现了AI创业正在探索的多个方向。它们有的仍处于技术验证阶段，有的已经开始接触真实用户，也有的还需要寻找清晰的商业路径。
RLChina Venture Network的发布，为科研、产业、开源生态和资本之间的连接提供了一个新的组织载体。但一个网络的价值，最终不能只用参与了多少机构、举办了多少场活动来衡量。
从信睿科技评论的观察来看，这类连接机制的价值，最终要看科研团队能否找到真实的应用场景，企业能否获得切实解决问题的技术，以及创业项目能否形成可持续的商业闭环。
技术突破可以成为创业的起点，却不能替代对用户、产品和商业价值的判断。对早期资本而言，参与技术探索也不是要求创业团队提前给出所有答案，而是在不确定性中判断哪些事情值得投入，以及如何陪伴团队走向下一阶段。
刘雅坤 | 文
内容来源：信睿科技评论
