【摘要】Shaan Puri认为,未来5—10年,AI的重要增长机会可能出现在药物、农业、建筑、机器人等8个物理产业方向。这一判断揭示了2类不同的成本机制:数字世界的生产门槛持续下降,物理产业的实验、制造与验证约束却不会同步消失。AI通过成本下降、性能突破和能力扩展3条路径,重新划定产业的经济可行性边界。然而,技术突破不等于市场成功,新增市场也不保证企业获得高利润。产业价值最终由谁获取,取决于真实需求、规模化交付与竞争结构。

核心关键词:Shaan Puri | AI进入物理世界 | AI产业机会 | 经济可行性边界 | 物理产业智能化 | AI创业机会 | 成本结构重构 | 经济性翻转 | 价值创造与价值捕获 | AI产业未来趋势 | 运通链达研究

引言

2026年11月9日,前Twitch产品负责人、连续创业者Shaan Puri在创业播客《My First Million》第880期节目中提出一个与当前AI创业热潮有所不同的判断:未来5—10年,值得关注的增长机会可能不再集中于内容生成、软件工具和个人助手,而是药物、食品、建筑、机器人等物理世界。

他列出了8个产业方向,以“十倍机会”描述长期潜力。这是对未来市场的判断,而非经过验证的产业收益预测。

这一观点真正值得研究的地方,在于AI正在改变不同产业的生产约束。数字世界的开发门槛持续下降,物理产业的研发、制造和交付却仍受到真实资源限制。技术进步可能使过去成本过高、性能不足或难以执行的活动获得商业可行性。

AI下一阶段值得关注的产业机会,不只是让现有工作更快完成,而是让过去无法经济实现的产品、服务和生产活动获得新的发展条件。

但市场增长与企业盈利之间并不存在必然关系。技术创造了多少价值,以及企业能够保留多少收益,需要分别判断。

一、AI正在改变数字世界的竞争规则,但生产效率不等于商业利润

Shaan Puri对数字AI创业的担忧,来自生产能力普及带来的竞争变化。过去需要专业团队完成的软件和内容生产,现在越来越多地可以借助AI工具实现。产品开发门槛降低之后,竞争者也可能随之增加。

但成本下降是否导致利润减少,取决于市场竞争结构。AI削弱的是部分数字产品的生产壁垒,而不是所有数字企业的定价能力。

1. AI降低的是开发门槛,而非数字产品原本已经很低的复制成本

传统软件行业早已具备低边际复制成本的特征。一款软件完成开发后,可以向更多用户分发,而不需要按照用户数量同比增加研发投入。这种成本结构,为互联网平台和软件服务形成规模效应创造了条件。

生成式人工智能(Generative Artificial Intelligence, GenAI)带来的变化,主要发生在首次开发、功能迭代和内容制作环节。

过去,开发商业软件需要产品设计、程序编写、测试和维护等多种专业劳动。如今,AI可以辅助完成代码编写、界面设计和测试用例生成,减少部分重复劳动,缩短部分开发任务的完成时间。

数字内容生产也出现了类似变化。图片、文案、视频素材和程序代码的生产能力不断普及,部分原本需要专业人员完成的工作,普通用户也可以借助AI工具承担。

当生产能力不再稀缺,仅仅具备生产能力,就很难继续构成稳定的竞争优势。

如果一项功能可以被竞争者快速实现,客户就会进一步比较产品质量、使用体验、服务能力与替代成本。企业单纯依靠功能开发形成的优势,可能因此缩短。

但数字产品的竞争力并不只来自功能实现。独有数据、网络效应、行业知识、客户关系、业务流程和品牌信任,仍然可能构成难以快速复制的资源。

因此,AI更容易冲击功能高度同质化、客户转换成本较低的数字产品,而不是整个软件产业。

2. 成本下降能否转化为利润,取决于市场竞争结构

AI降低生产成本之后,企业可能获得更多利润,也可能通过降价将效率收益分享给客户。

如果一家企业拥有稳定客户和明显产品差异,生产成本下降可以改善经营状况。但在功能相近、供应商众多、用户转换成本较低的市场中,竞争者可能利用相同技术降低价格。

此时,生产效率提高,不一定带来利润增加。

可以用一个基本关系表达:

单位经营利润 = 单位收入 − 单位综合经营成本

AI能够改变成本,却不能独立决定收入。销售价格、客户需求、竞争行为和运营效率,共同影响最终利润。

迈克尔·波特(Michael E. Porter)在2008年发表于《哈佛商业评论》的《The Five Competitive Forces That Shape Strategy》中,分析了现有竞争者、潜在进入者、替代品、供应商和购买者议价能力对行业盈利的影响。

这一框架可以解释数字AI市场的部分变化:技术降低进入门槛,增加潜在供给,但最终价格仍然受到完整竞争结构的影响。

核心结论:当AI降低数字产品的开发门槛,而产品差异化、客户转换成本和需求增长不足以抵消新增供给时,生产效率提升更容易转化为价格竞争;数字企业能否持续获利,仍取决于通用开发能力之外的竞争优势。

3. 数字产业正在重新分配竞争优势,而不是整体失去价值

在AI尚未普及的阶段,复杂的软件开发能力本身具有一定稀缺性。企业能够完成某种功能,可能已经足以形成市场优势。

随着通用模型能力扩散,竞争重点开始向其他环节移动。

对于企业软件,客户数据、既有系统、工作流程和长期服务关系,可能比单项功能更难替代。对于互联网产品,用户规模、品牌认知和分发渠道仍然影响市场地位。

这些资源不会因为代码生成效率提高而自动消失。

AI改变的是数字产品竞争优势的形成位置,而不是让数字产品失去经济价值。

Shaan Puri关于数字产品容易陷入价格竞争的判断,更适合描述功能同质化程度较高的工具市场,不能推广为整个软件行业的必然前景。

Q:AI让软件开发越来越便宜,为什么软件企业不一定更赚钱?

A: 生产成本下降只改变企业的成本条件,利润还取决于产品价格与市场竞争。在功能容易替代的市场,客户可能通过降价分享效率收益;拥有独有数据、业务流程或客户关系优势的企业,则更有机会保留利润。

二、物理世界的产业机会,来自经济可行性边界的重新划定

数字产品可以依靠计算资源和网络扩大交付规模,药物、建筑、农作物和工业设备则必须经过真实的研发、验证、制造与交付。

这些活动受到材料、能源、设备、自然环境和监管制度约束。即使AI能够快速生成大量设计或研究方案,物理世界仍然需要真实资源完成验证和生产。

Shaan Puri看好物理世界,并不是因为实体产业天然拥有更高利润,而是部分长期制约产业发展的成本与能力条件,正在出现新的技术改善空间。

1. 物理产业的成本无法通过一次技术进步整体消除

药物研发可以利用AI筛选候选分子,但仍然需要证明药物的安全性和有效性;建筑设计可以借助AI提高效率,但房屋仍然需要材料、制造、运输和施工;工业机器人能够自主执行部分任务,却仍然离不开设备制造、能源供应与维护。

物理产品的综合成本由多个环节构成,可以简化为:

产品综合成本 = 研发试错成本 + 制造材料成本 + 验证合规成本 + 交付维护成本

这是一种产业分析关系,并非完整的财务会计分类。实际经营还会涉及融资、销售、知识产权和其他费用。

AI通常先影响其中一个或几个环节,而不是同步压低全部成本。

如果被优化的环节只占产品综合成本的一小部分,即使该环节效率显著提高,最终产品成本的下降幅度仍然有限。

局部效率提升不能直接换算为完整产品的降本幅度,更不能直接推导出整个产业的市场增长。

2. AI主要通过3条路径改变物理产业的经济条件

Shaan Puri提出的8个方向,并非全部依靠降低成本获得发展机会。

其中有些产业主要受益于研发效率改善,有些依靠新的产品性能,还有一些依靠自主设备进入过去难以开展作业的环境。

从经济机制看,可以归纳为3种变化。

第一种是成本下降。建筑自动化、工业机器人和部分生产设备,可以降低单位制造或服务成本,使原本价格较高的产品与服务进入更多客户的支付范围。

第二种是性能突破。AI辅助药物发现、新材料研究和农业育种,可能创造过去难以达到的治疗效果、材料性能和作物特征。市场机会来自产品价值的提高,而不只是原有产品降价。

第三种是能力扩展。自主机器人、海洋设备和人体硬件,可以拓展机器或人体与外部环境交互的能力,使部分过去难以执行的任务具备实现条件。

增长机制

技术改变的主要条件

典型产业

潜在经济结果

成本下降

研发、制造或服务的单位成本

建筑、工业机器人

产品更可负担,部分需求扩大

性能突破

产品功能、效果和科学发现能力

新药、新材料、农业育种

新产品出现,原有方案被替代

能力扩展

任务执行的范围和环境条件

海洋技术、无人系统、人体硬件

过去难以完成的任务获得实施条件

这3种机制可能同时作用于一个产业,但不能简单等同。

它们共同指向一个更具解释力的概念:经济可行性边界。

这一边界由技术能力、产品性能、综合成本和客户支付条件共同决定。它划分了哪些产品与服务能够被持续提供,哪些仍然缺乏现实的商业条件。

AI改变经济可行性边界,既可能改善已有市场的效率,也可能释放受成本限制的需求,还可能创造此前不存在的产品和服务能力。

3. 经济性翻转解释了为什么降本有时能够创造新市场

传统产业中存在大量已经明确,却没有得到充分满足的需求。

桥梁需要定期检测,船舶需要维护船体,高层建筑需要清洁外墙。但部分服务受到人工费用、设备投入和作业风险限制,难以按照理想频率开展。

当机器人能够降低这些任务的综合成本时,变化就可能超出一般效率改善。

原本已经开展的服务费用下降,属于效率改善;原本由于成本过高而没有开展的服务,因技术变化具备购买条件,则属于经济性翻转。

效率改善让既有交易变得更便宜,经济性翻转让过去无法成立的交易开始具备商业条件。

两者最大的区别,在于是否改变交易本身的可行性。

例如,某项工业检测服务如果原本已经能够被客户接受,机器人降低其交付成本,首先改善的是原有业务的经济性。

如果费用下降后,客户开始增加检测频率、扩大检测范围,或者原本无法负担的企业开始采购这项服务,市场需求就可能随之扩大。

但经济性翻转并非每次成本下降都会发生。只有当成本或性能变化足以影响客户的购买决策,原本受到限制的潜在需求才可能成为真实交易。

经济性翻转是经济可行性边界变化的一种结果,而不是解释全部物理AI机会的唯一机制。

4. 技术突破必须跨越3道门槛,才能形成可持续的产业价值

技术可行是第一道门槛。产品必须在真实环境中达到使用要求,实验室演示只能证明特定条件下的技术能力。

经济可行是第二道门槛。完整交付成本需要与客户支付意愿形成合理关系,技术先进却缺乏可负担的价格,难以形成持续市场。

规模可行是第三道门槛。企业必须能够稳定制造、交付和维护产品,并使生产规模与成本控制相匹配。工厂产能、供应链、设备利用率和质量一致性,都会影响这一过程。

3道门槛解释了技术突破为什么经常需要较长时间才能转化为产业价值。

核心结论:AI通过成本下降、性能突破和能力扩展重新划定物理产业的经济可行性边界;只有技术性能、客户支付条件和规模化交付同时成立,潜在价值才可能转化为可持续市场。

5. 高进入壁垒可以延缓竞争,却不能保证高利润

物理产业通常具有较高的进入门槛。

新药研发需要实验设施和专业研究能力,建筑制造需要工厂与供应链,机器人企业需要整机制造和现场部署经验。这些资源无法仅靠调用通用AI模型立即获得。

但进入壁垒的来源并不只有资本投入,还包括知识产权、专业知识、许可制度、客户转换成本和其他关键资源。

某些进入壁垒能够限制竞争者快速进入,同时也会增加企业自身的投入与风险。

如果市场需求不足,工厂设备可能长期闲置;如果客户集中,供应商仍然可能面对较强的议价压力。即使行业参与者数量较少,企业也未必能够获得较高利润。

高进入壁垒可以限制竞争,却不能替代真实需求、经营效率和客户认可的产品差异。

物理世界的机会,不能被理解为软件行业利润向制造业的简单转移。

Q:物理产业进入门槛更高,是否意味着它比数字产业更容易赚钱?

A: 高进入门槛限制竞争者进入市场的速度,却不能保证客户需求和销售价格。资本投入、研发风险、产能利用率和采购方议价能力,仍然可能使高壁垒行业面临较低利润。

三、药物、建筑和自主机器,揭示了3种不同的产业价值形成机制

Shaan Puri提出的8个方向,涉及截然不同的科学与工程条件。如果平均介绍每一个行业,容易得到一份产业趋势清单,却无法解释AI为什么可能改变其中的商业机会。

新药研发、工业化建筑和自主机器具有较强的代表性。它们分别对应科学发现与临床验证的距离、制造成本与最终售价的区别,以及自动化如何改变部分服务的经济性。

1. 新药研发:发现效率提高,不等于临床成功率同步提升

药物研发是Shaan Puri最先讨论的领域。

他在节目中以约10年研发周期、20亿美元投入作为传统创新药研发成本的概括,并介绍了礼来、Isomorphic Labs等企业的AI研究探索。

这类数字受到药物类别、研发阶段和统计方法影响,不能作为所有创新药项目的统一标准。

AI对药物研发的影响,首先体现在科学发现阶段。

研究人员可以利用AI分析蛋白质结构、预测分子性质、辅助筛选候选药物,并通过真实实验验证模型提出的部分方案。这种结合有机会减少无效筛选,改善早期研究效率。

但模型预测与真实临床结果之间仍然存在明显距离。

2026年8月,《Nature Reviews Drug Discovery》发表了研究文章《Artificial intelligence in drug discovery — what it is, where we stand and the path forward》。

研究指出,AI药物发现已经取得多方面进展,但临床转化仍然面临数据复杂性、模型适用范围和科学验证不足等问题。大量AI原生药物研发项目仍处于临床前阶段,进入后期临床试验的项目相对有限。

这一区别影响着技术价值的形成方式。

一种候选分子即使在计算预测和早期实验中表现良好,仍然需要经过后续研究、临床验证和监管审查,才能判断是否具有实际治疗价值。

AI扩大的是科学探索的可能性,临床验证决定这些可能性中有多少能够转化为真实的医疗价值。

研发效率改善也不等于药物市场规模必然扩大。

如果AI能够降低部分疾病研究的前期成本,可能使原本缺乏研发吸引力的项目获得探索机会。但项目是否能够形成商业市场,还取决于治疗效果、患者需求、后续研发投入和医疗支付条件。

企业获得收益的方式同样存在差异。

提供分子预测和研发平台的企业,可以通过软件、技术授权或研究服务获得收入;拥有候选药物权益的企业,则可能分享后续药物资产的收益,同时承担更长周期和更高失败风险。

2种商业模式都有价值,不能仅根据是否持有药物资产判断优劣。

Shaan Puri在节目中还提到了借助肿瘤测序、计算分析和医学研究寻找治疗方案的个人经历。

这些经历体现了医学数据与计算能力结合的探索方向,但个人治疗结果不能代替临床证据,也不能证明AI能够独立治愈癌症。

药物研发领域真正值得持续观察的,是计算发现、实验验证和临床转化之间的效率能否共同改善。

Q:AI制药企业是否最终只能成为传统药企的技术服务商?

A: AI制药企业的价值位置取决于其掌握的技术、知识产权和药物权益。提供通用研究工具的企业可能主要获得服务收入,拥有差异化研发能力或经过验证的药物资产的企业,则可能参与更深层次的产业价值分配。

2. 智能建筑:制造成本下降,并不意味着住房价格同步下降

建筑是Shaan Puri讨论较为深入的方向之一。

他介绍了ZURU Tech将高度自动化的制造体系引入住宅生产的探索。该企业试图把更多制造工作从施工现场转移到工厂,通过数字设计、自动化制造和模块化装配改变传统建筑生产方式。

建筑工业化的吸引力,来自传统现场施工中长期存在的不确定性。

不同工种需要在现场协调,生产活动受到天气、材料供应、人员安排和施工条件影响。工厂制造可以通过标准化工序、自动化设备和统一质量控制,改善部分生产环节的稳定性。

ZURU Tech在公开资料中介绍了其数字设计系统、自动化工厂和AI质量控制方法,并将工业化生产与个性化设计结合列为重要技术方向。

Shaan Puri在节目中提到过相当可观的潜在建造成本下降幅度。

但这类数字涉及企业目标、特定项目和不同成本范围之间的比较,不能直接作为已经实现的行业平均降本结果。

即使工厂能够降低建筑构件的制造成本,房屋最终售价仍然受到其他因素影响。

建筑产品至少涉及3个不同层次的成本与价格:构件制造成本、完整建筑交付成本,以及房地产最终销售价格。

运输、现场装配、融资、土地、税费和地理区位,都可能影响最终结果。

制造效率影响房屋能够以多少成本生产,土地、市场供需和交易结构则共同决定购房者需要支付多少价格。

工业化建筑还面临固定资产投入与订单规模之间的关系。

自动化工厂需要持续订单分摊设备折旧。如果生产需求不足,产能闲置可能抵消技术改善带来的收益。不同地区的建筑标准和现场条件,也可能增加标准化生产与项目交付之间的协调成本。

Katerra的失败揭示了工业化建筑的经营边界

美国建筑技术企业Katerra曾试图通过数字设计、工厂制造和供应链整合改变传统建筑生产方式。

它同样希望提高建筑工业化程度,减少项目之间的重复工作。但该企业于2021年6月申请美国《破产法》第11章破产保护。

Construction Dive当年的报道显示,Katerra的经营陷入困境,与资金压力、复杂的项目组织和执行问题等因素有关。

Katerra的失败不能直接证明建筑工业化不可行,也不能据此预测ZURU Tech的未来。2家企业的技术路线、资本结构、业务组织和市场条件并不完全相同。

但Katerra提供了重要的反面案例:先进的制造设施并不能自动形成稳定订单,复杂的产业整合也可能使企业承担超出预期的管理和资本压力。

自动化工厂可以改善制造效率,却无法替代订单规模、项目交付和资本回报之间的经济匹配。

ZURU Tech展示了工业化建筑的技术潜力,Katerra则说明,制造能力必须与真实需求和企业经营条件相匹配。

建筑产业的机会,不在于将所有房屋简单变成可以批量复制的标准件,而在于找到标准化生产、项目差异化和持续交付之间的经济平衡。

Q:预制建筑已经发展多年,为什么AI和自动化仍可能带来新的机会?

A: AI能够改善数字设计、制造调度和质量检测之间的协同,但建筑工业化的商业价值仍需要通过完整交付成本、质量和稳定订单验证。技术进步改善生产条件,并不能独立解决产能利用率和资本回报问题。

3. 自主机器:从替代现有劳动,到释放受成本抑制的服务需求

Shaan Puri用“Full Self-Driving Everything”描述自主技术从汽车扩展到更多机器的趋势。

仓库叉车、桥梁检测设备、高层建筑外墙清洁机器人和船体维护设备,都属于这一方向。

这些任务具有共同特点:需求已经存在,但传统作业方式受到人工成本、特殊环境和安全风险限制。

与仍需较长科学验证周期的部分产业不同,自主机器已经在若干细分领域形成可观察的商业应用。

Hullbot:持续维护为什么可能比单次清洁更有价值

澳大利亚企业Hullbot开发了用于船体清洁和维护的自主机器人。

船舶长期在水中运行时,船体表面会附着海洋生物,增加航行阻力,影响燃油消耗和运行效率。

传统船体清理通常需要安排专业人员和设备,并可能影响船舶运营计划。Hullbot尝试通过更持续的自动化清洁,使船体维持较好的运行状态。

2025年3月11日,澳大利亚NRMA公布了与Hullbot合作的试验结果。

据NRMA披露,在Manly Fast Ferry船队开展的相关试验中,采用Hullbot船体清洁方案后,船队报告燃油消耗降低约13%。NRMA还介绍了机器人清洁融入船队日常运营的情况。

这一结果提供了可观察的运营证据,但需要严格区分其证明范围。

13%是特定船队试验中报告的燃油节约幅度,不是船体清洁服务的总成本下降比例,也不能直接推广到其他船舶和航线。

公开信息还不足以据此计算Hullbot的完整投入资本回报,或证明整个船体清洁机器人行业已经形成大规模新增市场。

但这一案例仍然具有分析价值。

客户获得的收益并不只是机器人完成了清洁动作,而是船体状态改善可能带来的燃油节约、维护安排优化和运营效率变化。

过去,维护活动可能需要在停航、人工费用和清洁收益之间权衡。自动化设备改变了部分作业条件,使更持续的维护方式获得了新的经济可能。

机器人价值的关键,不只是替代人工完成同一项任务,而是改变任务能够以什么成本、按照什么频率、在什么条件下持续完成。

Hullbot案例证明了特定条件下的运营收益改善,但“经济性翻转”是否已经发生,还需要进一步观察客户是否增加原本无法负担的维护活动,以及新的服务需求是否形成持续市场。

Gecko Robotics:机器人也可能通过专业数据创造价值

另一种商业模式来自工业检测。

2025年11月2日,ADNOC Gas宣布与AIQ和Gecko Robotics达成多年期合作,计划将机器人检测与AI分析技术进一步部署到相关设施。

根据企业公告,合作涉及机器人检测、数据分析和工业资产维护等领域。这表明相关技术已经进入大型工业企业的采购与应用体系。

但多年期合作协议不能直接等同于已实现的长期财务收益,具体效果仍需根据实际部署和运营结果判断。

Gecko Robotics所代表的方向,与传统设备销售有所不同。

机器人采集设备状态和结构信息,软件系统分析相关数据,客户最终使用这些信息辅助资产维护与经营决策。

在这种模式中,物理设备负责获取真实环境中的信息,数据分析能力负责将信息转化为具有实际用途的结果。

机器人企业的价值来源可能同时包括设备能力、专业数据、行业知识和持续服务关系。

自主机器的商业价值不取决于机器是否能够独立行动,而取决于它能否持续交付客户认可、愿意付费的任务结果。

不过,设备采购、维护、能源、折旧和人工接管仍然影响经济性。只有综合运营成本与客户支付条件匹配,机器人商业模式才能持续。

Q:机器人替代人工和机器人创造新服务市场,哪种机会更值得关注?

A: 替代人工主要分享现有作业的成本节约,新市场则来自过去因价格、风险或能力限制而没有得到满足的需求。两者都可能创造价值,但新增市场必须通过实际采购和长期运营证明,不能仅依据单次技术演示判断。

4. 3个案例揭示了不同的产业价值形成机制

典型案例

AI改善的主要环节

主要价值形成方式

仍需面对的约束

新药研发

分子发现、预测与实验筛选

扩大科学探索能力,改善研发效率

临床验证、失败风险、药物权益

智能建筑

数字设计、工厂制造与质量控制

改变部分制造成本和生产组织方式

固定资产、订单规模、工程交付

自主机器

感知、控制、检测与持续作业

改善运营效率,扩大部分服务的经济可行性

可靠性、综合运营成本、持续采购

药物研发说明,技术发现需要经过真实验证才能形成产品价值;建筑工业化说明,生产效率必须与订单规模和资本回报相匹配;自主机器说明,成本与能力变化可能改变客户的使用方式和购买决策。

3个案例共同支持的不是“物理产业更容易赚钱”,而是AI正在改变不同产业中价值形成的关键条件。

四、8个产业方向的商业机会,不能用同一种增长逻辑解释

Shaan Puri列出的8个方向,不是按照技术成熟度、市场规模或投资回报排列的行业清单。

药物研发与人体硬件需要面对医学验证,农业育种受到自然环境和品种资源限制,建筑与机器人依赖制造和交付体系,国防及海洋技术则受到特殊作业环境与制度约束。

如果仅仅将它们归入“AI改造传统产业”,就会遗漏决定商业价值的差异。

1. 农业与食品:技术价值可能从生产过程延伸到种子本身

Shaan Puri将食品视为持续技术创新的产物。现代农业中的大量作物品种,都经过长期人工选择、杂交育种和其他技术改良。

AI可以辅助分析作物基因与性状之间的关系,与基因编辑等技术结合,改善候选品种筛选和研究设计。

但一种作物在实验环境中表现良好,并不代表能够适应不同气候、土壤和病虫害条件。

品种验证、种子繁育和市场准入,仍然需要专业资源和长期积累。

因此,农业AI的价值可能分布在育种数据、种质资源、品种权益和农业生产服务等多个环节。

种子真正具有竞争力,依靠的是经过验证的生物学性能和农业生产价值,而不是育种过程中使用了多少AI。

2. 新材料:发现新物质只是商业化的起点

AI能够辅助预测材料结构与性质,帮助研究人员筛选符合目标要求的候选材料。

但材料从实验室进入工业生产,还需要解决加工工艺、原料供应、产品良率和长期稳定性等问题。

一种材料即使具有优秀性能,如果制造成本较高,也可能只适用于航空航天、专业医疗或其他对性能要求更高的细分市场。

它未必能够进入规模更大、对价格更敏感的普通工业市场。

因此,材料发现与材料产业化之间存在明显距离。

材料性能决定潜在应用,制造成本与稳定性决定它能够进入多大的商业市场。

对于新材料企业,长期竞争优势可能来自专利、特殊工艺、生产良率和稳定供应能力,而不是单纯拥有某种材料预测模型。

3. 国防技术:高技术壁垒也受到采购方议价能力限制

Shaan Puri关注无人机、自主设备和智能感知系统对军事装备的影响。

相关技术能够改善信息处理、环境感知和部分任务执行能力,但国防市场具有特殊的采购和政策条件。

客户集中、产品认证严格、研发周期长和出口管制,都会影响企业的商业化范围。

高技术门槛可以限制部分竞争者进入,却不能消除采购方的议价能力,也不能保证企业获得持续订单。

国防AI的价值,需要同时考察技术能力、专业制造、采购关系和长期交付条件。

4. 海洋与气象:复杂自然环境创造新的信息和作业需求

海洋探测、海底设施维护与环境监测,长期受到设备成本、通信条件和特殊作业环境限制。

AI与自主设备结合,可以改善部分环境识别、导航控制和数据分析能力,使部分难以长期开展的任务获得新的实施条件。

气象技术则更多依赖观测数据、计算模型和预测能力,为能源、航运、农业和保险等行业提供服务。

虽然同样涉及自然环境,海洋设备与气象AI的价值形成方式并不相同。

前者更多改善物理作业能力,后者则可能通过专业预测和数据服务创造价值。

物理世界的AI机会,并不要求每家企业都制造硬件;能够更可靠地理解真实环境,也可能构成具有商业价值的专业能力。

5. 人体硬件:功能突破需要接受医疗价值与支付能力检验

脑机接口(Brain-Computer Interface, BCI)、智能假肢和神经控制设备,正在探索人体与外部机器之间新的交互方式。

这些技术可能改善部分患者的运动控制和功能恢复能力,但仍然需要面对长期安全性、设备可靠性、医疗支付和持续维护等条件。

一款智能假肢即使能够完成复杂动作,如果价格过高、使用困难或维护成本过大,也难以形成广泛市场。

人体硬件的商业价值,需要通过实际功能改善、长期使用结果和医疗可及性证明。

6. 8个产业方向的统一比较

下表将Shaan Puri提出的8个方向放进同一分析框架,比较技术作用位置、价值形成环节与供给约束。

“商业化状态”描述的是相关细分应用已达到的阶段,不代表整个行业的统一成熟度;“关键价值环节”属于产业结构分析,不构成已验证的利润排名。

产业方向

AI主要作用环节

可能形成价值的环节

供给扩张约束

商业化判断

药物研发

科学发现、分子筛选

药物权益、实验与研发能力

临床验证、研发周期

已有临床探索,最终转化仍需验证

农业食品

育种分析、品种开发

种质资源、品种权益

田间验证、繁育体系

部分技术已有应用

国防技术

无人系统、智能感知

装备、系统集成、专业服务

采购、资质和安全要求

部分场景已有实际应用

智能建筑

数字设计、工厂制造

制造工艺、工程交付

固定资产、订单、法规

工业化实践持续发展

新材料

结构预测、实验优化

材料产权、制造工艺

良率、稳定性、工业生产

研发与工业化进展差异较大

自主机器

感知、控制、任务执行

整机、专业数据、运营服务

可靠性、综合运营成本

部分细分场景已经商业化

海洋与气象

自主探测、环境预测

专业设备、数据与行业服务

环境条件、数据与设备质量

因具体应用而异

人体硬件

神经接口、智能控制

医疗设备、专利和临床服务

安全性、支付和长期适配

部分功能已验证,普及仍受约束

不同产业的技术成熟度、市场规模和利润条件差异明显。

不能因为某个方向具有巨大的社会需求,就直接判断其中企业具有更高的商业回报;也不能因为某项技术能够显著改善性能,就认为整个市场会按相同比例增长。

市场规模、技术成熟度和企业利润,是3个需要分别评价的维度。

Shaan Puri提供的是值得研究的方向。真正决定这些方向能否产生长期价值的,仍然是技术变化是否改善了真实需求,以及企业能否在相应的产业结构中建立有效竞争优势。

五、AI创造的经济价值,最终未必由AI企业获得

成本变化解释了技术如何改善生产条件,经济可行性边界解释了新的市场为什么可能形成。

但市场形成之后,企业能否获得持续利润,还需要考察价值如何在产业链中分配。

在这个问题上,物理产业与数字产业遵循相同的基本经济规律。

1. 创造价值与获得利润,是2个不同的过程

1986年,战略管理学者David J. Teece在《Research Policy》发表《Profiting from Technological Innovation: Implications for Integration, Collaboration, Licensing and Public Policy》,分析技术创新者为什么不一定能够获得创新所创造的全部经济收益。

研究强调,技术模仿难度、知识产权保护,以及制造、分销等互补资产,都会影响创新收益的分配。

当某项创新容易被模仿,掌握关键互补资产的企业可能获得相当一部分收益。

这一理论适用于AI进入物理产业的过程。

一家AI公司可能开发出能够提高工厂生产效率的软件,但如果其他供应商能够提供相近功能,制造企业便可以通过采购竞争降低技术服务价格。

反过来,如果AI企业拥有难以替代的专业数据、控制技术和客户关系,也可能获得较强的议价能力。

制造企业同样需要证明自己的优势。

如果不同工厂能够以相近质量生产同类产品,单纯拥有生产设备并不能保证长期利润。

技术创新决定能否创造新价值,关键资源与竞争结构决定企业能够获得其中多少价值。

核心结论:AI创造的经济收益不会自动归属于技术开发者,也不会天然流向物理资产拥有者;能够持续捕获价值的企业,需要掌握客户认可、竞争者难以替代的技术、资源或交付能力。

2. 产业收益可能由4类主体共同分享

当AI进入物理生产体系,价值可能分布在多个环节。

技术供应商提供模型、算法、数据系统和控制能力,通过技术授权、订阅或服务获得收入。

关键资产拥有者掌握药物权益、种质资源、材料配方、知识产权和其他专业资源,可能通过资产权益或许可获得收益。

制造与交付企业负责生产、质量控制、供应链和客户服务,将技术能力转化为能够持续销售的产品。

最终客户与消费者,则可能通过更低价格、更高性能和更多服务选择分享技术进步带来的收益。

价值参与者

主要优势来源

收益受到限制的条件

技术供应商

模型、算法、专业软件和数据

技术通用化、替代供应商增加

关键资产拥有者

专利、权益、专有资源

技术路线替代、资产价值下降

制造与交付企业

制造质量、规模效率、服务网络

固定成本、产能闲置、价格竞争

客户与消费者

采购选择权、实际使用价值

供应商集中、转换成本较高

同一家企业可以同时占据多个位置,但覆盖更多环节不一定获得更多利润。

纵向整合可以改善技术、生产和市场之间的协作,也可能增加资本投入和组织复杂性。

企业应该掌握哪些环节,需要依据这些环节是否形成真正的竞争优势判断,而不是单纯追求产业链覆盖范围。

3. 定价权来自客户认可的差异化与有限替代

拥有较低的生产成本,通常可以改善企业参与市场竞争的条件。

企业可以选择通过降价争夺客户,也可以在市场允许的情况下保留部分成本优势。

但当竞争者使用相似技术,行业整体成本下降之后,市场价格也可能随之变化。

因此,成本领先与定价权并不是同一个概念。

定价权来自客户认可的差异化与有限替代,而不只是更低的生产成本。

差异化可以来自技术性能,也可以来自制造质量、服务可靠性、产品适配、客户关系或供应稳定性。

但稀缺能力还需要真实需求支撑。

某项技术即使难以复制,如果缺乏客户愿意持续购买,也无法形成稳定商业收益。

具有商业价值的稀缺性,需要同时满足真实需求、有限替代和可持续交付。

4. 物理资产既可能形成竞争壁垒,也可能成为经营负担

物理产业通常需要承担较高的前期研发和设备投入。

如果企业能够持续获得订单,设备利用率较高,固定资产可以形成生产效率优势。

但当需求不足,设备折旧和维护成本就可能成为经营负担。

汽车制造、工业设备和建筑工业化都具有类似特征。

企业需要在产能规模、产品售价和市场需求之间保持合理关系,不能仅凭工厂先进程度判断其盈利能力。

Katerra的经历说明,工业化制造能力如果缺乏有效的生产组织和商业需求匹配,也可能增加企业经营风险。

物理资产因此具有双重属性:它可以限制竞争者快速复制,也可能提高企业自身的沉没成本和退出难度。

5. 产业竞争优势可能出现在数字智能与专业能力的交汇处

随着通用AI能力扩散,单纯掌握模型调用能力,很难长期维持差异化。

但传统产业同样不能只依靠既有资产保持优势。

药物研发需要将计算发现与实验研究结合,建筑制造需要将数字设计与精密生产结合,机器人企业需要将智能控制与真实环境运营结合。

未来更有机会建立长期优势的企业,是能够把AI能力与专业产业需求有效结合的主体,无论这种能力来自内部积累还是外部协作。

这并不意味着没有工厂和实验室的AI企业只能获得低价值服务收入。

如果技术企业拥有难以替代的专业模型、独有数据或深度客户关系,同样可能形成较强竞争优势。

未来的产业竞争,不是软件企业与制造企业之间的简单替代,而是不同主体能否将智能能力转化为稳定、可靠且难以替代的产业供给。

Q:没有工厂或实验室的AI企业,是否只能成为传统产业的技术服务商?

A: 是否拥有物理资产,并不直接决定企业的利润空间。具有独特技术、专业数据或长期客户关系的AI企业,可以形成较强竞争优势;提供容易替代的通用功能,则更容易受到价格竞争影响。

六、未来5—10年的产业机会,必须接受5项商业边界检验

Shaan Puri在节目中承认,自己并未深入研究列出的全部产业方向。他提供的是对未来机会的观察,而不是可以直接用于商业决策的确定性预测。

“十倍机会”也没有统一的经济学定义。

产品成本下降到原来的十分之一、行业市场规模扩大10倍,以及某家企业利润增长10倍,是完全不同的指标,不能相互替代。

理解物理AI的长期机会,需要分别判断技术进展、市场形成和企业回报。

1. AI改善的成本环节,是否足以改变完整产品的经济性

AI可能显著降低某个研发或生产环节的成本,但如果该环节只占综合成本的一小部分,最终产品的经济性改善仍然有限。

药物研发中的分子筛选、建筑生产中的数字设计,都需要结合后续验证、制造和交付环节评价。

局部效率提高,只有传导到完整产品的成本或性能变化,才可能改变客户的购买条件。

2. 产品性能是否对应真实且能够支付的需求

技术能够完成某项任务,不意味着客户一定愿意购买。

新材料可能具有出色性能,但其价格未必适合普通工业应用;智能假肢可能实现复杂控制,却仍然受到患者负担能力和维护费用限制。

没有足够支付能力支撑的潜在需求,不能直接等同于实际市场。

3. 规模化交付能否保持技术和成本优势

实验室样品、单次演示和小规模试验,只能证明特定条件下的技术能力。

规模化生产需要面对质量波动、设备维护、人员配置、供应链和客户差异等问题。

产品在实验室中能够稳定运行,不代表批量制造后仍然具备相同质量和成本优势。

原型成功证明技术能够工作,规模化交付才能进一步证明技术具备持续商业化的条件。

4. 进入壁垒是否形成客户认可的市场优势

昂贵设备、复杂工艺和严格资质,不自动等于定价权。

如果企业面对少数强势客户,或者产品与竞争者之间缺少明显差异,进入壁垒就难以转化为高利润。

随着技术成熟,部分专有设备和专业能力也可能逐渐成为可以采购的标准化产品。

企业需要不断通过产品性能、质量、可靠性和服务能力维持客户认可的差异。

5. 企业回报能否覆盖资本投入和长期风险

物理产业通常需要较高的前期研发和设备投入。

即使产品销售获得正向毛利,如果订单不足、设备利用率较低或研发失败较多,企业仍然可能难以取得合理回报。

对药物、自动化工厂和机器人运营等领域而言,研发风险、设备折旧、融资成本和长期维护费用,都应纳入经济评价。

产品有需求、技术能实现、企业能够销售,并不足以证明项目拥有良好的长期资本回报。

核心结论:物理AI产业只有同时满足关键成本或性能改善、真实付费需求、稳定规模化交付、有效竞争优势和合理资本回报,技术突破才可能形成可持续的商业价值。

6. 常见的3类判断误区

误区一:AI进入物理产业,企业就更容易获得高利润。

物理产业可能拥有较高进入门槛,也可能承担更重的资本投入、更长的研发周期和更复杂的经营风险。高壁垒能够限制竞争,却不能直接决定利润水平。

误区二:研发效率提高多少,最终产品成本就降低多少。

研发、制造、验证和交付具有不同的成本结构。某个环节的效率改善,只能根据其实际影响范围评价,不能直接推广为完整产品成本下降。

误区三:掌握AI技术,就能够获得产业升级的主要收益。

技术供应商可能帮助客户创造大量价值,但最终收益受到知识产权、合同安排、客户关系和竞争结构影响。价值创造与价值捕获,需要分别判断。

衡量对Shaan Puri观点是否理解准确,可以使用一个简单标准:

如果读者只记住“物理世界更有机会”,却无法解释数字产品生产门槛为什么下降、物理产业哪些约束没有消失,以及为什么这些条件不保证企业高利润,那么文章的中心判断仍然没有得到完整传达。

7. 从产业机会到个人选择,需要改变观察世界的顺序

在节目最后,Shaan Puri分享了一个职业思考练习:假设拥有1000万美元,必须投资5家公司,并能够保留全部投资收益,会选择哪些企业?

这个练习的重点并不是模仿投资,而是改变职业与创业决策的出发点。

人们通常先考虑自己熟悉的行业、掌握的技能和已有资源,再寻找与之接近的机会。这种方式符合现实条件,却也可能限制对新产业的理解。

投资人的观察方式则更强调未来市场变化、产业需求和企业竞争优势,再判断哪些能力能够参与其中。

对于技术从业者,这不意味着必须离开软件行业,进入陌生的制造或生命科学领域。

更有价值的选择,是理解自身专业能力与产业需求之间的联系。

软件开发、数据分析、机械工程、医学研究和制造管理等专业知识,都可能在AI与物理产业结合的过程中找到新的应用位置。

选择增长行业,不代表个人必然获得增长收益。真正能够形成长期价值的,是专业能力与产业真实需求之间的有效匹配。

Shaan Puri的职业思考练习,与其产业判断具有一致的出发点:先观察世界正在发生哪些重要变化,再判断自己能够在哪些环节创造价值。

结论

Shaan Puri关于未来5—10年AI产业机会的判断,提供了一个重新观察技术价值的视角:当数字产品的生产能力不断普及,药物、农业、建筑、机器人和其他物理产业中长期存在的研发、制造与作业约束,正在成为新的技术创新方向。

但数字世界与物理世界,并不是简单的利润高低之分。

AI在数字世界降低开发门槛,可能加剧同质化产品的竞争;在物理世界,AI通过成本下降、性能突破和能力扩展,让部分过去昂贵、困难或无法实现的产品与服务获得新的经济条件。

AI下一阶段的重要机会,不只是从数字产业转向物理产业,而是技术正在突破原有的经济可行性边界。

这种变化可能带来3种不同结果。

对于既有市场,技术改善生产效率和产品成本;对于长期受成本抑制的需求,技术可能促成新的交易;对于过去缺乏实现条件的领域,技术还可能创造全新的产品与服务能力。

但市场增长与企业盈利之间,仍然存在技术验证、规模化交付、客户支付、产业竞争和资本回报等条件。

Shaan Puri列出的8个方向值得关注,并不是因为它们都属于物理产业,而是其中部分长期存在的生产约束,已经出现新的技术改善可能。

AI改变成本和能力边界,决定哪些经济活动能够成立;真实需求决定这些活动能够形成多大市场;产业竞争结构则决定新增价值最终由谁获得。

未来的长期竞争优势,不会天然属于拥有先进模型的企业,也不会自动归属于掌握工厂设备的企业。

能够把数字智能与科学知识、制造能力、专业数据和客户需求有效结合,持续提供具有竞争力的产品与服务,才更有机会获得产业发展的长期收益。

【链达锐评】

AI不会自动把利润从软件转移到制造业。真正的变化,是技术正在让过去不经济的事情变得可行。新市场取决于价值创造,长期利润取决于谁拥有难以替代的能力。

参考资料

1. Shaan Puri、Sam Parr(2026年11月9日),《My First Million》第880期,AI will 10x these 8 industries in the next decade。用于核对8个产业方向、企业案例及职业选择讨论。原始节目文字记录

2. 深思圈(2026年11月11日),《前Twitch产品负责人:AI会给这八大领域带来10倍的机会》,人人都是产品经理。作为中文素材和原始观点的辅助核对来源。中文原文

3. Michael E. Porter(2008),The Five Competitive Forces That Shape Strategy,Harvard Business Review。用于解释产业竞争结构与长期利润之间的关系。研究原文

4. David J. Teece(1986),Profiting from Technological Innovation: Implications for Integration, Collaboration, Licensing and Public Policy,Research Policy,15(6),285–305。用于分析技术创新收益与互补资产之间的关系。研究原文

5. Nature Reviews Drug Discovery(2026年8月7日),Artificial intelligence in drug discovery — what it is, where we stand and the path forward。用于核对AI辅助药物发现的研究进展及临床转化限制。研究原文

6. ZURU Tech,Why Build with ZURU Tech。用于核对企业公开描述的数字设计、自动化制造和质量控制体系。企业目标不等于经过独立验证的规模化经营成果。企业技术资料

7. Construction Dive(2021年6月),Katerra Files for Chapter 11。用于核对Katerra申请破产保护的事实。报道原文

8. NRMA(2025年3月11日),Meet the tiny robot saving thousands of litres in marine fuel。用于核对Hullbot船体清洁机器人在Manly Fast Ferry船队的试验情况及报告的燃油消耗变化。运营方案例

9. Hullbot,NRMA Manly Fast Ferry achieves 13% fuel savings and emissions reduction。作为企业方对相关试验与运营情况的补充说明。企业案例

10. ADNOC Gas(2025年11月2日),ADNOC Gas Partners with AIQ and Gecko Robotics to Launch Pioneering Program to Transform Industrial Maintenance。用于核对机器人检测与AI分析的多年期合作。企业公告

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐