盛景嘉成刘昊飞：从投资人角度看AI切入应用场景的方法

大家上午好！接下来，我将与大家分享我们在 AI 投资实践中的一些体会。创业成功的标志必然是商业化，以及商业化的成熟度与规模。因此，从这一角度出发，我们不仅要探讨技术，更要关注在技术之上如何走向商业社会并取得商业成果，这是我们探讨本次话题的出发点。今天，我就围绕这一方向展开分享。

首先，简要介绍一下盛景嘉成。盛景嘉成创投隶属于盛景集团，该集团成立于 2007 年。早年因从事培训与咨询业务，积累了众多创业者资源，涵盖超过上万名中外创业者。此外，还有不少投资机构曾在我们的平台上进行互动。

我们从 2010 年开始涉足投资业务，由我主导该项业务。截至目前，管理规模约为 140 亿元，基本全部为股权类基金，其中包括创投基金。到目前为止，我们所投资的项目组合中，已有超过 260 家项目在全球各主要资本市场完成上市。2017 年我们进行过统计，自 2015 年第二季度起，每个季度都能看到我们的投资组合在不同市场上市的情况，多的时候有 20 多家，少的时候可能仅有 1 家，这在一定程度上反映了资本市场的热度。但资本市场的热度只是外部环境，内在的驱动依然是创新与技术的发展。

因此，我们始终保持在投资领域的活跃参与。盛景作为一家起步咨询机构转型而来的投资机构，目前已有 12 个项目完成上市，其中最高时有 4 个项目的市值超过 500 亿元，截至目前仍有一个项目的市值约在上千亿元。在人工智能领域，我们的投资活动依然非常活跃。如开篇所介绍，我们是由清华产业和清华校友联合创办的投资机构，凭借这一人脉资源，在整个科技投资领域，尤其是 AI 时代，具备一定的先机。

今天主要分享三个方面的内容：一是快速回顾 AI 高速发展的态势；二是探讨 AI 应用层面的机会与挑战（展示区有相当多的展示项目都属于应用层面）；三是介绍我们在半年前形成的一套方法论——AI RaaS，即如何利用 AI 交付一个完整结果的方法论。

2025 年，AI 的发展势头依然十分强劲。我们来看几个例子，暂不提及统计数据，因为很多机构都做过相关数据统计。著名的 Cursor AI被大家视为标杆，其 ARR（年度经常性收入）从 1 亿美元增长到 3 亿美元仅用了两年多一点的时间，速度极快。最新的 ARR 已达到 50 多亿美元，这样的增速令人惊叹，这在很大程度上得益于大模型的发展推动。

“互联网女王Mary Meeker”在沉寂一段时间后，于 2025 年首次推出了人工智能发展报告——《AI 趋势报告》。她自 1996 年开始推出互联网报告，后来停更了几年，而我们投资的 KPCB（凯鹏华盈）当时与她有一定联系。该报告显示，在诸多领域，包括先进制造、医疗等，AI 都发挥了至关重要的推动作用。

我们再看其他例子，比如特斯拉的 FSD（完全自动驾驶），其行驶里程在过去 33 个月里增加了 100 倍。它的“经验”会不断积累，最终能达到“老司机”的水平，而且一辆车的行驶数据所有车辆都能共享学习。我们普通人开车，即便行驶十万公里，也只是个人的经验，而 FSD 则是所有车辆的行驶数据都能汇总学习，这一点非常厉害。

另外有一家名为 Kobold的公司，不知道大家是否关注过，它是做 AI 探矿的，是我们 AI RaaS方法论中非常有代表性的公司。该公司通过 AI 方法大幅提高了探矿精度，精度的提升意味着每投入 10 亿美元的探矿成本，所能找到的矿产价值会大幅增加。从 70 年代到 2020 年的曲线数据来看，在这段时间里，每 10 亿美元投入所发现的矿产平均价值，在 80 年代达到峰值后便持续下降，探矿成本越来越高，目前已降至最低点，而 Kobold 通过 AI 探矿，将这一数值提升到了最低点的 15 倍。其商业模式并非售卖探矿工具并教他人如何探矿，而是自己成为矿主，这就是 AI RaaS——最终自身成为甲方，拥有资产与 IT 能力。

从整体来看，基础模型的能力确实在不断增强。Claude 4.1 已发布，国内的模型也在持续迭代，包括在应用方面，MCP 也备受关注。在应用层面，有一个可横向对比的指标：实现 5 亿美元 ARR 所用的时间在不断缩短。目前Cursor AI是最快的，未来很可能会出现更快的案例。

接下来谈谈 AI 应用。这一层面机遇巨大，但也面临诸多挑战。首先，得益于 AI 基础模型的发展，新技术范式带来了更强的基础模型能力，推动应用发展，其最终目的是实现商业化价值创造的最大化与加速。

大模型在语义理解和多模态能力方面的提升毋庸置疑，因此垂直场景中开始涌现出更多的 Agent。但 AI 从完成单一任务向处理长链条多任务转变，这对最终用户的使用体验至关重要。若能良好驾驭，相比一两年前仅能作为玩具、作用有限的大模型，如今的大模型语义理解能力强，具备思维链和长期记忆，能支持更多任务。在思维链的作用下，模型在编程、ROI、计算机、数学题等诸多方面都能有出色表现，甚至能拿金牌，可见基础模型发展所带来的能力提升十分显著。

另外，对于应用开发者而言，必须考虑自身所做之事被基础模型取代的概率。这并非因为基础模型与开发者存在竞争关系，而是基础模型有自身的发展路径。若开发者的选择恰好处于其发展路径上，被取代将不可避免。单纯做工具，即便未被基础模型取代，其价值也很可能被稀释。回顾 PC 互联网时代，最开始好用的工具如“hao123”，能告诉用户如何上网，简单易用且流量大，但如今已经被各大浏览器自己的导航页所取代。可见，单纯的工具并不足以构成良好的竞争门槛。

随着算力与能源的不断发展（我们也涉足新能源行业），模型的总体成本长期来看必然持续下降，如同制造业的成本下降趋势。因此，AI 应用的商业化设计至关重要。若按 token 收费，收费模式是否会导致收入越来越少等问题，都是应用发展过程中需要深入思考的挑战。

2025 年，Agent 的表现尤为抢眼，其应具备将规划能力、记忆功能与工业调用能力融合，以执行完整任务的能力。在核心技术层面，包括上下文理解、多 Agent 协作、Agent 的泛化性与主动性等方面。而在用户场景端，我们认为评价一个 Agent 的关键在于用户体验——用户用得满意才会付费，这才是最终评价标准，而非演示效果不错却没有续购，那样的 Agent 并不算成功。

因此，Agent 的价值体现并非单纯作为工具，其可以始于工具，但最终必须能交付结果，并以 ROI（投资回报率）来验证，这是残酷的现实，最终比拼的还是 ROI 以及所达成的结果。

目前来看，通用 Agent 的主要作用是链接大模型能力、覆盖工作流程，在工作场景中有诸多相对详细的应用解释，这是其当前的主要战场之一。此外，一些工具产品的社区化可能未来会向平台化发展，从目前情况看存在这种可能性。

另外，大厂也开始涉足 Agent 领域，基于此，许多 Agent 创业者选择出海发展。实际上，中国的 IT 水平和人工智能水平在全球范围内处于领先地位，仅次于美国，在海外找到立足之地的机会很大，因此出海的垂直 Agent 有很多淘金点。在真正细分的行业场景中，垂直 Agent 能完成闭环任务，且与传统软件不同，其付费模式有很大差异，垂直 Agent 对软件而言，确实实现了弯道超车，这是其优势所在。

在回顾了 AI 及 Agent 的发展之后，我们来看看结果导向的 AI RaaS 方法论。AI RaaS这一逻辑基于盛景在 AI 投资领域的一套体系。AI 的影响遍及千行百业，我们可以从数字世界、科学世界、物理世界三个角度来理解，不同世界的交集所关注的重点有所不同，我们也在不断探索新的机会。在这一领域，我们有较多的投资布局，虽未投资基础模型，但覆盖了垂直模型，向上延伸至 Agent，向下包括半导体以及向物理世界发展的具身智能软硬一体等。在这一过程中，不同细分领域的投资各有侧重，但最终都需考虑商业化效果。

今年 3 月份，我们提出了应用领域的一种模式，即 Result as a Service，也就是交付结果。以往 AI 被称为 SaaS（软件即服务），而如果用 AI 取代以往简单的 SaaS，就是 AI RaaS，即结果及服务，通过这种方式提供商业服务。

巧合的是，红杉在今年 5 月份的大会上提出了“outcome - based pricing”（基于结果的定价）和“outcome as a service”（结果即服务），其核心思想与我们的 AI RaaS 完全一致，他们也在呼吁创业者，AI 不应局限于工具和技术本身的竞争，而应站在客户和使用者的角度，思考如何为其创造收益，这一点至关重要。

为什么结果如此重要？在传统软件领域，尽管全球有众多软件人才、优质软件公司以及高市值软件企业，但它们的年收入占美国 GDP 的比例不到 3%，放到全球来看，软件与 IT 服务的收入占全球百万亿美元 GDP 的比例约不到 2%。也就是说，众多高智商人才从事这些工作，但在全球收入构成中的占比却很小，这与他们的智商、学历及付出并不匹配。

那么，IT 和软件行业是否是好生意呢？对于从业者而言，可能是好生意，因为能创造较高的公司价值，但对于投资人来说，未必是好生意，因为其收入规模不够大。

为解决这一问题，我们分析了企业利润池的分布情况，发现数字化运营池的占比仅为 1 - 2%，比例较低。因此，如果仅仅采用工具模式或按用户数收费的模式，所能触及的利润池仅为企业利润池的 2% 以内；若采用人力外包模式，按人头收费，收入自然会更高，如今人力外包公司的员工数量众多，比如印度的一些公司，员工数量极为庞大，这种模式能触及更大的收入池；再进一步，若成为“包工头”，承接运营外包、整个商业流程外包业务，所能触及的利润池会进一步扩大；此外，供应链利润池和资本利润池也是重要组成部分。

我们所讲的AI RaaS，就是要尽量将 A 区、B 区和 C 区的业务都纳入其中，这样一来，我们所掌控的利润池就会变得很大，最终能赚取的收益规模也会不同。

最后，举几个例子：Sierra 智能客服按话务量收费，这也是一种“包工”模式，目前其估值已达 45亿美元，该业务属于短流程、标准化业务，纯数字化，未涉及物理世界。我们投资了一个项目（名称不便披露），是我们共同孵化的矿区自动驾驶业务的 AI “包工头”模式，该公司承接了矿区所有土石方运输业务，相比以往业主每年 20 多亿元的花费，它仅用一半的费用就能完成，但它的收入比单独售卖 AI 智矿驾驶软件的公司高出一个数量级，这是一种长流程、软硬结合、复杂调度系统且按工作量收费的模式。

再往下一个模式，能否将收入分成和佣金模式与结果深度绑定？例如，做 AI 销售时，在交付更高销售效率和小幅结果的情况下，从中分取一部分收益。

第四种是 AI 业主模式，即不只是帮助客户做事，最终自己成为资产拥有者，比如拥有矿山、探矿权等。通过自身的 AI 技术发现优质矿产后，购买探矿权再进行出售，从而获得高额收入，这是通过 AI 能力赚钱的资产拥有者模式。这是一个价值渗透的过程，在此不做过多赘述。

目前，我们已经在这方面构建了多种类型的 AI RaaS 项目孵化平台，包括平台型、出海型等。在运营方面，我们有两大举措：一是 AI RaaS联创孵化营，二是 AI RaaS 早期基金。我们团队内部清华北大校友较多，将在科技层面不断深入挖掘与探索。

今天的演讲就到这里，谢谢！