马斯克的第一性原理，为什么在AI创业里不灵了？

资讯 36氪 2026/11/14 12:23 全文 5980 字 · 约 15 分钟读完

中国AI创业的实践路径

写给每一位在AI创业浪潮里埋头找路、认真做事的人：

如果你也曾被“第一性原理”那种简洁的劲儿吸引，想拿它去改造某个行业，那过去两年，你多半见过或亲历过理想从高处落到地面时的那一下磕碰。

毛病也许不出在追问本质上，而出在我们对“复杂系统”到底是怎么回事看走了眼。

商业世界是一张拆不开的互动网络，可有人偏想把它还原成几个基本单元；技术路径有依赖、会被锁定，可有人偏要照着“从头算起”的理想图纸干。鸿沟就横在这儿，不少理想主义者正是栽在这道沟里。

“第一性原理”是什么？

马斯克的火星思维碰上中国复杂的商业土壤，同一套方法论在硬件领域轰轰作响，到了软件生态里怎么就哑了火？我们是不是把“第一性原理”的真正精神读错了？

这套说法最早是马斯克推上神坛的，后来成了无数创业者和创新者的口头禅。它吸引人的地方在于一种近乎物理学的纯粹：不管现成的、惯常的做法，回到事物最基本的条件，拆成最基本的要素，再从源头重新搭一遍、做出新东西。

在火箭和电动汽车上，这种工程思维的胜利用震撼来形容不为过——它直接对着物理规律和制造成本干，突破确实拿到了。可这套思维一旦被原样供成商业世界的金科玉律，尤其是用到AI这类复杂系统的创业上，危险的简化就开始了。

问题首先出在维度的根本差异上。

物理世界大体上是可还原的，变量相对有限，因果关系也更直接。

火箭的推力、材料的强度，你算得出来；电池的化学成分和成本，你拆得开。

可商业生态不一样，尤其是数字技术驱动的现代商业生态，它是典型的复杂系统。

它满是不可还原的“涌现”特性：用户、开发者、竞争者、监管者，无数个体彼此互动，冒出来的宏观模式没法从单个人的行为里推出来。

这里不存在单一的“基本粒子”，摆着的是一张动态的、互相纠缠的网络。拿处理可还原物理系统的思路，直接往不可还原的商业社会系统上套，跟用牛顿力学去解释一场金融市场的恐慌差不多，片面和风险是自带的。

于是普遍出现一种误读：不少创业者把“第一性原理”做成方法论、喊成口号，当成一张能绕开所有复杂性的“免死金牌”。他们觉得现有的产业格局、用户习惯、协作网络都可以不放在眼里，只要手里有一个更优的技术解、一个更“本质”的构想，就能从零起步把一切掀翻。

这背后是对“理性设计”的过度自信，系统自身强大的自组织能力和路径依赖，被忽略了。

这种思维在AI创业热潮里格外扎眼，也格外容易失灵。

AI不是跑在实验室真空里的，它得嵌进现有的社会经济技术体系，才能产出价值。一个典型困境就是“技术路径依赖与生态锁定”。

打个比方，你的算法按“第一性原理”看更漂亮、效率更高，可它跟当前主流开发框架不兼容，用不上现有庞大的算力基础设施，或者接不进已被巨头垄断的数据生态，那商业前景立刻就暗下来。

OpenAI自己的发展路径就是个绝佳的反例。它并不是一开始就凭一张完美的“第一性原理”蓝图把谷歌颠覆了，而是一路走过来：从非营利到有限营利，从开放到部分封闭，技术路线上从强化学习到大模型“大力出奇迹”，不断试错、不断演化。这是一个跟复杂生态持续互动、适应、博弈的故事，不是一张纯粹从零设计的图纸。

到了中国市场，这种复杂性还要再叠一层独特的“隐性约束条件”。

监管环境强，政策就得当成内化进商业模型的核心变量，而不是外部扰动。用户习惯也独特，比如对超级App的依赖、在隐私与便利之间权衡的差异，塑造出来的产品需求形态完全不同。

供应链网络和产业集群深入骨髓，硬件创新就必须考虑跟现有制造体系怎么耦合，而不是简单替换。这些都不是能随手“拆解”“重构”的背景板，它们是框住创业可能空间的刚性结构。在这里，忽视生态的“从头算”思维，更容易撞上无形的墙。

所以说，对“第一性原理”的崇拜，错不在原理本身追求本质的那股精神，错在对“复杂系统”没有敬畏，拿起来就简单套用。

用一套处理有限变量、讲线性因果的思路，去应付变量无穷、非线性互动的现实世界，这就是问题所在。AI创业一旦陷进这种对物理学的崇拜，等来的多半不是颠覆式胜利，而是在真实商业环境里处处碰壁的悲壮失灵。

难点其实很清楚：怎么把追问本质的思考，和接纳复杂性的智慧捏到一起。

硬件与软件的本质分野

马斯克的成功被讲得太简单了。看他拆电池成本、重做火箭制造，很多人就以为“第一性原理”是能开所有商业难题的万能钥匙。可这套思维有一个被严重忽视的适应边界：硬件和软件，走的是两套完全不同的底层逻辑。

硬件主导的领域，可以看成一个“收敛系统”。电动车也好，可回收火箭也好，核心难题最后都收敛到一组能说清楚的物理定律和工程问题：能量密度、材料强度、空气动力学、制造成本。这些变量虽然难，但它们的性质和相互关系在相当程度上是已知的、可测量的。

特斯拉能做成的关键，是在一组严苛的物理与成本约束下，把已知变量优化到极致、再系统集成起来。物理法则不容辩驳，它为创新划出的赛道相对清晰、可以计算。你是在跟钢铁、化学和牛顿力学较劲，对手的规则恒定不变。

可一旦进入以软件和生态为核心的领域，尤其是人工智能的商业化应用，规则就彻底变了。这里不是“收敛系统”，而是“发散系统”。

对手不再是沉默的物理定律，而是充满不确定性的人——用户飘忽的偏好、开发者社区的倾向、竞争对手的动态反应、监管者认知的变化。这个系统的核心特征，也从优化已知变成了应对“涌现”。

网络效应会凭空造出垄断壁垒，用户习惯会形成难以迁移的粘性，一条技术路径的胜出，往往起于早期微小的偶然优势，然后被系统急剧放大。

在这里，最优的技术解常常打不过恰好占住更优生态位、技术却次优的产品。一种用户交互模式或者一个数据飞轮的最终形态，你没法像算电池能量密度那样精确算出来。

在中国独特的AI市场里，这种“发散系统”的复杂性还多出一层“双轨制”的割裂：一轨是追尖端技术突破的实验室竞赛，对标全球最新论文；另一轨是求商业落地的产业苦旅，在工厂车间、政府大厅和超级App的夹缝里找应用场景。

两轨之间往往横着一道巨大的鸿沟。一项技术可能在全球学术会议上备受瞩目，却完全融不进中国现有的产业链、数据治理规则或消费者付费意愿。这种落差，恰恰是纯粹硬件思维的“第一性原理”最难理解、也最难跨过去的。政策风向、地方保护、数据孤岛这些“非技术约束”，它没法作为基本变量放进最初的計算模型。

这就带来了跨语境移植的巨大风险。源自硅谷的“颠覆式创新”叙事，到了中国市场常常发生深刻的变异。

纯粹的技术理想主义，在这里往往得跟一种深刻的“生态现实主义”结合。看字节跳动或腾讯的成长，你会发现一种跟马斯克式宣言很不一样的智慧，一种靠试错、反馈和快速迭代的演化智慧。

它们很少说要按物理本源重构某个行业，而是敏锐地找现有生态系统的缝隙和流量洼地，像生物体一样快速适应、嵌入，再反过来改造环境。抖音不是靠“第一性原理”发明了短视频，而是在中国独特的移动互联网基础设施、内容创作者生态和用户娱乐需求的交汇处找到一个爆发点，再用精密的算法运营把它催熟。腾讯的微信更是一个在复杂社会关系与通信需求中自然生长、不断“涌现”新功能的超级有机体。

这种智慧的核心，是承认在软件与生态的“发散系统”里，你没法第一天就设计出终极形态。成功来自建立一个能持续感知环境、吸收反馈、调整自身结构的适应性组织。那么，这就不是物理学的征服，而是生物学的共生。

技术理想主义撞上生态现实主义，赢家常常不是图纸画得最漂亮的工程师，而是最能适应环境的那类物种。中国这片数字丛林又大又特殊，看懂这一点，比迷信任何一种思维模型都管用。

复杂系统思维下的AI创业框架

那是不是该把追根究底彻底扔掉？倒也不是。真正出问题的地方，是我们脚下踩着的思维模型。

现在需要的，不再是那种适配稳定、可还原世界的"物理学第一性"，而是一种能应付动态复杂性的"生物学第一性"。这并非把第一性原理推翻，而是一次范式层面的升级：从还原论走向复杂适应系统思维。

关键在于三个认知上的跃迁。

头一个，是从在理想真空里造完美解，转为去现实里找能活下来、能长大的"生态位"。你得先回答：眼下的技术格局、产业联盟和监管框架里，哪条缝允许你发芽、拿到最初的资源、再筑起防线？创业不是从零搭一个乌托邦，而是在一片已经长满的雨林里，找到属于你的那捧土、那缕阳光、那点水。

第二个，得认清"协同演化"的分量，把"单向颠覆"的浪漫念头放下。你的产品和技术，会跟用户习惯、竞争对手、互补品供应商乃至监管规则一起往前走。成不成，不看你单方面有多能"颠覆"，而看你能否启动并带动一个多方参与、彼此得利的演化过程，像珊瑚和藻类那样共生。

第三个，要接受"涌现适应"这套逻辑，别死抱着"全盘设计"的掌控感。第一天你没法把所有细节和最终形态都定死。该做的是搭一个具备核心适应力的初始系统，把演化规则和反馈机制设清楚，然后在跟真实环境的持续互动里，让更好的策略、形态和模式自己"冒"出来。你设计的是进化的规则，不是进化的结果。

照这个思路，一套新的决策架构就出来了，它至少包含四个需要持续盯住、持续互动的层次。最外层是"环境层感知"。放到AI领域，这尤其意味着你必须把中国特有的AI政策周期当成核心变量来建模。政策起落不是噪音，它是划定游戏版图的气候变化。

另外，钱往哪流、人才结构怎么波动，一起构成了创业必须顺着走的宏观水文条件。再往里一层，是"生态层分析"。

这时候你得学生态学家，去扫一遍现有的开源框架、云服务平台、硬件供应链、主要玩家的API接口，看它们拼出了一片怎样的"技术雨林"。你的创新是当入侵的破坏性物种硬闯，还是能找到"寄生"或"共生"的口子，先活下来再谈发展？这决定了你早期是到处树敌，还是能借势往前。

把这些想明白，才轮到"路径层设计"。核心是搭出"最小可行生态单元"（MVE）。它不只是测产品功能的MVP，更要测你的方案能不能在真实生态里跑完最小闭环——能不能拉到初始用户、能不能跟至少一个关键伙伴做数据或价值交换、能不能在一个很小的场景里形成可持续的价值流。这是你演化进程靠得住的起点。

最后，才轮到整个组织去建"适应层机制"。也就是说，决策架构得敏捷、得由反馈驱动，能把环境、生态和路径实践里涌来的大量信号，迅速变成战略和战术上的调整。你的计划不是一张要严格照办的图纸，而是一堆需要不停修正的假设。

在中国落地这套框架，还得把一组特有的"变量工具箱"用熟。

头一件是理解并驾驭"政府-市场"双轮驱动的逻辑。机会往往长在国家战略指向的产业赛道和市场自发需求交汇的地方，比如"智能制造"或"智慧城市"底下的某些具体场景。

再一件，是善用中国"产业链集群"的杠杆。你的AI算法优势，得跟长三角的消费电子供应链、珠三角的硬件快速打样能力、或者京津冀的数据服务产业集群深度咬合，才会被急剧放大，变成别人难抄的交付成本和速度优势。

当然了，中国"数据生态的半开放特性"也得吃透。

在安全与隐私的边界之内，让价值在企业、行业平台和公共数据之间合规地流动起来，这件事本身就很考验创业者的功力。

中国AI创业的实践路径

顺着演化的思路看，中国AI创业的落地打法大致能摸出几条线索。头一件事，是把“创新者的窘境”在本土会怎么变形看清楚，然后绕开它。

这个困境的要害在哪？互联网巨头手里攥着海量数据、资本和流量入口，正面跟它们在通用层面或消费者端拼技术，等于硬碰硬。

更实在的做法，是把差异化生态位策略执行到底。

创业者得放下“取代谁”那种宏大说法，转而去琢磨：哪个缝隙还没被满足，巨头又一时半会儿反应不过来？

回头看商汤、旷视这些早期AI公司的路子，值得重新掂量。它们并没有一上来就要另造一个数字世界，而是扎进安防、金融这类对技术有刚性需求、传统互联网巨头又渗透不深的垂直领域，靠提供关键的视觉识别能力，先做成现有产业生态里少不了的一环。说白了，就是在巨头阴影的边缘找一块阳光、水分和养分相对独立的小环境，扎下根来长。

这条路要走通，得牢牢抓住三个务实演化的战略优先级。

第一，把“场景嵌入深度”摆在“技术理论纯度”前面。模型参数再多、论文再漂亮，也比不上在一条具体产线上把检测准确率提上去0.5%，还让工人和厂长都能顺手用起来。深度嵌入，意味着把场景里的非技术约束都吃透——工作流程、采购制度、人员能力，一样不能漏。

第二，“生态兼容速度”要比“功能颠覆程度”更优先。

你的方案能不能快速接进主流云平台？能不能兼容常见的工业协议？能不能让现有开发者少培训就能上手？在生态里做到“即插即用”，商业价值往往盖过一个要推翻重来、还得教育市场的“颠覆性功能”。

第三，用“迭代反馈密度”替掉对“顶层设计完整度”的迷恋。

别花几个月去设计一个完美无缺的终极产品架构。哪怕最小可行产品（MVP）还很粗糙，也應尽快扔进真实场景，建起高频、短周期的反馈闭环。一线用户和合作伙伴嘴里蹦出来的真实抱怨和需求，比会议室里的完美蓝图更能指对演化方向。

往后看两到三年，中国AI创业的格局会露出几个清晰的演化趋势。

商业回报上，“垂直领域小模型”形成闭环的速度会明显快过“通用大模型”。医疗、法律、工业质检这些专业领域，对数据隐私、领域知识和可靠性要求都很高，通用模型常常使不上劲。反过来，针对特定场景优化、成本可控、又能直接嵌进工作流的小模型，会最先跑出规模化收入。

AI原生应用的竞争焦点也会变：不再比功能炫不炫，而是看“生态亲和度”。应用能不能敏锐地融进微信、钉钉这些超级入口，能不能和华为、百度等本土芯片及框架生态高效协同，会比单一功能上的突破更关键。

地域分化同样会加剧。长三角和大湾区各有深厚的制造业与商贸服务业底子，会分别演化出“AI+制造”和“AI+服务”两条特色路径。前者往工厂里钻，盯工艺优化和供应链智能；后者连着商户，重构营销、客服和跨境贸易。

这么一来，一条潜力巨大的“第二增长曲线”是不是就浮出来了？

比如国企的全面数字化与智能化升级。