徐新方法论：如何研究陌生赛道、判断创始人、配置资本

已有的估值页与配置页回答「怎么算」——分子分母怎么拆、权重怎么定；本页补的是一级市场的上游问题：面对一个陌生赛道，怎么研究它；面对一群创始人，怎么判断人；面对有限的钱，怎么配置。

素材来源是徐新 2026 年 7 月做客《高能量》播客（第 227 期）的发言整理稿，共 51 条观点、分七类。需要说明的是，这更像是一位一线投资人的方法论自述；其中涉及具体公司的领先性判断（谁更早押注某条技术路线、谁在整机与供应链上更强、谁的数据规模更大），主要来自徐新与嘉宾高继扬的个人视角，行业里未必有共识，本页按「一家之言」处理。

本页负责把这些观点翻译成可复用的操作步骤，而不是替素材做独立验证。凡属素材立场，按「（素材主张）」标注；本库自己的归纳与推论按「（判断）」标注。

一、研究陌生赛道：三个学习机制

1.1 不要只见树木不见森林

（素材主张） 进入新行业最大的错误，是只看少数明星公司。要理解「森林」，就要尽可能把每一棵「树」都看一遍。今日资本在投资具身智能前，集中见了赛道内的大量团队，再做横向比较。

（判断） 这条的方法论内核是样本必须先于判断：在形成结论之前横向扫描足够多的样本，否则你比较的不是「这个赛道」，而是「你能接触到的几个头部」。

可操作步骤：

步骤	动作	产出
1	列清单：把赛道上所有能识别的玩家列出（含未融资、已倒闭、跨界进入者）	一张不全的地图（先承认不全）
2	全量接触：优先见非明星团队——头部团队的融资与曝光会掩盖早期信号	横向比较表
3	找模式：在比较表中找重复出现的结构（谁拿到钱、什么形态留存下来）	初步的赢家模式假设
4	记反例：写下与你假设冲突的观察	反例清单（防止只取支持性证据）

1.2 早期投资首先是选人

（素材主张） 当行业存量很小、未来增量很大，商业数据还不足以判断时，核心是选择正确的创始人组合。她特别看重「最强大脑」与「工程量产能力」的结合：既能训练基础模型，也做过硬件、供应链和批量生产。

（判断） 这句话给出了一条在数据稀缺时非常实用的判断原则：当商业数据不足以判断，就用「能力组合的稀缺性」代替「商业指标的验证」。「既懂模型又懂量产」的稀缺性，本身就是一项可检验的资产——它决定了这个团队在下一个拐点上是否还有牌可打。

1.3 三种学习机制

（素材主张）

机制	具体做法	解决的问题
向 Founder 深聊	每两三个月深聊一次，重点问「最近学到了什么」「看到了什么别人没看到的东西」「当前最大的成长痛苦是什么」	赛道的当下状态（一线信息）
Winner Pattern Study	研究历史赢家、领先实验室、创始人演讲、播客、财报会议记录和技术路线，尽早找到赢家模式	赛道的历史规律（可重复的结构）
客户洞察	直接访谈用户、开发者和企业客户，理解真实使用场景、付费意愿和定价边界	需求的真伪与边界

（判断） 三者的分工值得强调，因为它们各自有不同的失效模式：

• 深聊 Founder 的失效模式是幸存者偏差与自述偏差——创始人说的永远是叙事，而叙事会被投融资环境塑造；
• Winner Pattern Study 的失效模式是时代错配——历史赢家的模式可能来自上一个技术周期；
• 客户洞察 的失效模式是样本偏差——愿意接受访谈的客户往往不是典型客户。

（判断） 因此三者必须交叉验证，且优先级随信息类型变化：早期信息不足时，深聊与客户洞察权重更高；进入对比验证阶段，Winner Pattern Study 权重上升——因为历史样本这时才开始具备统计意义。

1.4 信息输入质量决定认知上限

（素材主张） 她会跟踪少数最优秀的大模型创始人、具身智能创始人和顶尖学者；长播客先看翻译、摘要和 takeaways，需要时再回到全文。重点不是信息量最大，而是持续听「最优秀的人」。

（判断） 这条与本库 独立判断力框架 的「区分事实与观点」是互补的：那一页讲如何处理信息，这一条讲输入什么信息。

（判断） 值得注意的是这里的取舍是故意牺牲广度换深度——「跟踪少数最优秀的人」意味着放弃大量噪音。代价是盲区风险：如果被跟踪的那几个人共享同一套错误认知（比如都相信某个技术路线），你的信息源会同时失效。对冲办法是刻意保留一两个来源与你正相反——这与本库 独立判断力框架 的「主动写一份『我可能错在哪』」是同一个动作的两种形态。

1.5 用固定时间思考长期问题

（素材主张） 她相信「固定时间做固定的事」：每天冥想后复盘前一天的学习；每月设定一个 major question，允许它在清单中停留数月，反复深思，而不是要求立即回答。

（判断） 这条在方法论上是可迁移性最高的一条，因为它不依赖任何赛道知识：把长期问题制度化，而不是等它有空时想。本库 独立判断力框架 的「固定时间做固定的事」是同一结构的个人版本。

二、判断创始人与团队

2.1 五项观察项

（素材主张） 原文给出六条判断创始人的要点，合并为一张可核对的清单：

维度	素材主张	可观察信号
killer instinct / Tech Vision	看到别人看不到的东西；敢于对路线作出排他性下注	是否明确说「我们只做 X，且不做 Y」
学习速度 × 执行速度	只有学习快而执行慢不够；优秀创始人会快速更新认知并马上转化为产品与组织动作	新信息进入决策的时间差
志存高远与长期耐心	看重的是是否想把公司做强、做大、做久，而非只是赚钱动机	融资节奏取舍、是否拒绝短期套利
知行合一	是淘金还是有使命感，看他说的、相信的和做的是否一致；还要看他吸引到怎样的联合创始人	公开表述 vs 实际投入的偏差
联合创始人验证	优秀 co-founder 愿意押上未来十年，比投资人更了解主创，构成对 Founder 的强验证	co-founder 的时间与股权投入

（判断） 素材给出的正面例子是刘强东提前建设配送、杨植麟较早押注长上下文和 Agent——两例的共同点是「提前下注 + 押重」，不是「预测对了」。因此这条判断项的真正检验标准是：当时在没有证据支持时敢不敢集中下注。事后能解释的叫复盘，不能事前下注的叫叙事。

2.2 人才引力与「科学家地位」

（素材主张） AI 创业的稀缺资源不是普通 PhD，而是同时追求真理、愿意创业、拥有 Tech Vision 的科学家。最优秀的学生往往跟随技术上最强、最可能成功的人，而不只是比较股份和薪资。关键不是本科、硕士还是博士，而是创始人是否拥有足以吸引顶尖研究者跟随的 scientific status。最核心的研究团队可能只需要二三十个极聪明的人，前提是能把他们吸引、留住并稳定下来。

（判断） 这条给出了一条可被证伪的判据：去查这个团队里最强的人的过往轨迹——他们此前在哪个团队、跟随谁、待了多久。如果顶尖人才选择跟随这个创始人，说明 scientific status 成立；如果核心成员频繁更换且都是跟随别人过来，说明这个团队是人才的中转站而非磁极，那么「人才飞轮」并不存在。

2.3 懂得越深，越敢只押一个方向

（素材主张） 真正理解技术的 Founder 能听见前线炮火，知道应该押哪条路线；理解不够深的人往往「既要又要」，把有限的人、钱和时间分散到多个方向。她用 Anthropic、Kimi、DeepSeek 的聚焦作正面参照。

（判断） 这是全页最重要的一条，因为它把「聚焦」从道德建议变成了认知深度的函数：

理解深度 ↑  →  能识别的最优路线数 ↓（收敛到一条）
理解深度 ↓  →  能识别的最优路线数 ↑（看似多条，实为不确定）
        ↓
「既要又要」= 不确定的伪装成分散

（判断） 这个推论有一个重要副作用：创始人同时铺开多个方向，往往不是因为他有多个机会，而是因为他不知道哪个是对的。因此看到「多条产品线并行」时，正确的问题不是「他是不是在打高端市场」，而是「他的资源分配是否反映了他的信息优势」。资源集中在一个方向，说明他相信那个方向；资源分散，说明他自己也在犹豫。

三、具身智能的核心判断

（素材主张） 这一组的实质是复杂度判断，可以用一张表说清：

维度	自动驾驶	大模型	传统机器人	具身智能
基础模型	需要	需要	不需要	需要
硬件本体	需要	不需要	需要	需要
供应链	需要	不需要	需要	需要
数据采集	需要	可用互联网存量数据	有限	必须主动采集
量产	有限	不适用	需要	需要
真实场景交付	需要	不适用	需要	需要

（素材主张） 因此单项能力强不够，复杂度来自整条链路。

（素材主张） 三条推论：

1. 必须「大脑 + 本体」一体化——只做本体没有持续变聪明的能力；只做大脑又拿不到真实世界数据。
2. 先做硬件，再训练大脑，是合理顺序——没有自有本体，大脑就缺少稳定的数据回传和迭代载体；过早烧钱训练模型，可能因为没有足够真实数据而低效。
3. 物理世界数据是关键瓶颈——语言模型可利用互联网存量数据，机器人交互数据必须主动采集；能否从约百万小时向千万小时扩张是关键变量，但所需数据量和时间表仍不确定。

（素材主张） 另两条价值判断：「大脑越用越值钱，硬件越造越便宜」——两条价值曲线的结合，不是简单叠加；以及当前仍处在极早期阶段——技术渗透率约在 2%–3% 的创新者阶段，尚未完整跨越鸿沟。

（判断） 「先硬件后大脑」这个顺序判断可以独立于具身智能场景，得到一个更一般的命题：当模型的价值依赖于特定物理载体的数据回流时，载体必须先于模型存在。反过来，如果数据可以从外部低成本获取，顺序就无关紧要。因此「谁先做」不是品味问题，而是「数据从哪来」的问题。

（判断） 这条对一级市场的直接含义是：「不做硬件」的公司必须能说明它的数据从哪来、用什么成本拿到、以及数据回流是否被第三方截断。这正是 机器人产业链 与 AI 价值链 两页在产业结构层面的对应问题——本体层与模型层的边界，本质上是数据所有权的边界。

（素材主张） 商业化路径的判断：应先从 **To B 的「脏活、苦活、累活」**切入（搬运、仓储、物流、光伏施工等传统机器人已证明需求的场景），近期买单者仍应是企业而非 To C；跨过鸿沟后要 Get Big Fast，因为颠覆性技术一旦跨越鸿沟可能出现连续三至五年的高速增长。

（素材主张） 分层对照：PC 时代 Windows 是操作系统、Intel 是基础设施；移动互联网时代 iOS 与 Android 是操作系统、Qualcomm 是基础设施。据此成熟格局中操作系统层公司的市值可能达到基础设施公司的三至五倍（原文注明这是节目中的经验性归纳，并非对各家公司业务市值的严格拆分比较）。具身公司若同时掌握 device 与 operating system，潜力更大。

（判断） 这一条对本库 机器人产业链 有直接补充：它提出了一个不同于「按零部件重要性排序」的分类维度——按「是不是操作系统层」排序。按重要性排序会得出「减速器、丝杠最重要」；按操作系统层排序会得出「掌握操作系统与开发者生态的那一层最重要」。两套排序指向完全不同的标的池，这是本页与既有产业链页最重要的接口。

（素材主张） 她也承认具身智能终局可能高度集中：VLA 模型的年度投入可能达到数亿美元乃至约十亿美元量级，叠加真实数据与顶尖人才，能长期留在牌桌上的公司不会很多——但究竟三五家还是更多，她没有给出确定答案。

四、资本配置方法

4.1 五条可操作原则

原则	素材主张	可操作判据
VC 投变化，价值投资投不变	巴菲特找长期不变的事物，VC 的对象是变化；共同点是「专注」与「长期持有」	先确定自己的游戏规则：变化还是不变
投技术像冲浪，不像登山	传统行业机会一直在那里；技术投资像冲浪，错过一波只能等下一波	先用可承受损失的小额进入，看到苗头后迅速加仓
Home Run 的强度比频次重要	一只基金能投中的伟大公司数量大致固定，约三到五家；增加项目数和团队规模不提高命中率，反而稀释注意力	真正可控的是持股比例与持有时间，不是项目数
Double Down、Triple Down，持有八到十年	确认赢家后多轮加仓并给时间复利（Kimi 三年五次加仓、星海图持续跟投）	加仓条件与最短持有期要事先写死
最大遗憾来自认知不足，而不是估值太高	早期因约 70 亿美元估值放弃字节跳动，后来研究 Facebook 信息流与推荐引擎才看懂其模式；「赚不到认知之外的钱」	Winner Pattern Study 必须更早开始——不是更早研究这家公司，而是更早研究赢家模式

（判断） 「Home Run 的强度比频次重要」是这一组里最反直觉、也最有约束力的一条。它的含义是基金规模与命中率是负相关的：伟大公司数量是有限的（3–5 家），扩大基金规模不会增加可投的伟大公司数量，只会增加非伟大公司的数量，从而稀释整体回报。原文给的量级是大约 6 亿至 10 亿美元仍相对可管理，再大则容易被迫分散。

（判断） 这条对本库 资产配置框架 有一层有趣的对应：在二级市场上同样存在「可投的 Alpha 容量」问题——不是因为二级市场没有机会，而是因为看得懂的且足够大容量的机会是有限的。因此「分散化」在能力边界面前是有代价的，这与本库 风险溢价 页讨论的「不确定性要被定价」是同一个道理的两面。

4.2 融资节奏与周期位置

（素材主张）

• Raise Money When You Can：资本情绪在贪婪与恐惧之间切换，贪婪时再贵也有人投，恐惧时再好也难融资；创始人应在市场愿意给钱时尽量储备资金，而不是等需要钱时再融。
• 泡沫本身不可怕：互联网泡沫破裂后，提前融资的网易、新浪、搜狐存活下来并获得约三年的竞争真空；泡沫破裂会清洗缺钱的玩家，好公司反而可能获得更好的并购与加仓机会。
• 亏损不可怕，现金流断裂才可怕：京东融资时需要 200 万美元，她给了 1,000 万美元，使其有能力扩品类、建配送并进入约 30 个城市；公司随后连续高速增长，虽持续亏损，但通过供应链账期维持现金流。原则是只要现金流稳健且能看见盈利希望，亏钱换增长可以接受。
• 节奏比单纯激进更重要：早期具身公司跑太快，可能在收入尚未出现前烧死；跑太慢，又会失去融资、人才和头部位置。正确节奏是在「活到春天」与「保持领先」之间动态平衡。
• 看增量份额，不只看存量规模：在高速扩张市场中，「最领先」不是当前收入最高，而是谁拿到最大增量市场份额并保持速度。

（判断） 这一组可以归成一个判断：在早期，公司的资产负债表与融资窗口的匹配，比损益表更重要。理由是「亏损不可怕，现金流断裂才可怕」与「Raise Money When You Can」是同一件事的两面——融资窗口是外生的、它对所有早期公司同时关闭或同时打开，而亏损是内生的、可延后的。因此一个可操作的动作是：把「未来 18 个月的现金消耗」和「下一轮融资的最坏情形」做成一个对照表，而不是只做损益预测。

（判断） 而「看增量份额不只看存量规模」是这一组里对二级市场投资者也最有用的一条：在一个总量还在扩张的市场里，存量份额的领先者可能正是增速最慢的领先者。把增量份额作为主指标，能避免在高速扩张行业里买错标的——这是一个可以直接搬到本库 科技板块估值框架 里的判据。

五、组织与 Founder Mode

（素材主张）

主题	素材主张
AI 原生组织更小更轻	不再需要消费互联网时代的几十万大军；少数最强人才直接调用 Agent，二三十人的团队可能创造十亿元人民币收入；中层管理大幅减少
招聘标准变成「人 + Agent 是否强于 Agent」	普通高薪员工若与 Agent 组合后仍无明显增益，就不值得招聘；应招聘能指挥 Agent 的极强人才，即使个人薪酬更高
Founder 的时间应放在不可替代的事上	供应链、HR、报销和运营都应尽快制度化并授权；不可替代的是技术方向、Vision、资源调动与吸引人才。建议技术创始人把超过一半、甚至约 80% 的精力用于论文、前沿研究者交流和战略判断
不聚焦是大忌	融到大钱后最常见的错误是高估自己、同时展开过多项目；模型方向押错会同时浪费时间、资金和人才，并让对手形成领先
Founder IP 是吸引人才，不是追流量	让人才知道愿景、信念与技术迭代即可，不应把大量时间消耗在社交媒体流量上
勤俭节约是长期经营能力	资本密集行业更需要避免组织膨胀和低效支出

（判断） 「二三十人创造十亿元收入」这个数字应当被当作方向性判断而非预测：它成立的前提是 Agent 的能力在近两年继续快速提升。它更值得作为一条压力测试使用——如果你的组织设计假设「一个中层管理需要 20 人」而 Agent 能力继续提升，这个假设会在某个时点失效。

（判断） 「招聘标准变成『人 + Agent 是否强于 Agent』」是这一组里最锋利的一条，因为它把人力成本的判据从绝对水平转成了边际贡献。对应到二级市场，这是一条可以直接用于判断公司经营杠杆的分析方法：如果一家公司的成本结构里人力占比很高，而它所在的环节又不具备把 Agent 转化为经营杠杆的产品能力，那么在人工成本相对下降的行业里，它的毛利率是被单向侵蚀的。

六、失效边界 / 使用注意

1. 这是方法论自述，不是可验证的绩效记录。 本页依据的是播客发言整理稿，不是投资组合的完整数据、持仓与回报记录。方法的有效性未经回测检验。
2. 具体公司判断属于一家之言。 原文自己已声明：涉及具体公司的领先性判断来自徐新与嘉宾的个人视角，行业里未必有共识。
3. 「三到五家伟大公司」是经验归纳。 原文明确将其作为基金层面的经验性表述，不是一个有统计支撑的分布。
4. 操作系统层市值三至五倍是经验性归纳。 原文注明并非对各家公司业务市值的严格拆分比较。
5. 具身智能的数据量与时间表，素材自己承认不确定。 原文反复强调「所需数据量和时间表仍不确定」「究竟三五家还是更多没有确定答案」。引用时不应把这些不确定性抹平。
6. 方法不能替代具体研究。 本页给出的是「怎么研究、怎么判断人、怎么配置」的步骤，替代不了对任何具体标的的现金流与估值研究——那部分见 估值框架。
7. 本页与 独立判断力框架 的分工。 那一页讲的是如何形成与修正自己的判断（元方法）；本页讲的是在一级市场这个具体场景里，判断的对象是什么、有哪些可观察信号（对象与方法）。两者互补，但本页更依赖素材的具体语境。

七、与相关页的关系

相关页	分工
独立判断力框架	提供「如何被证伪、如何允许改观点」的纪律；本页提供一级市场场景下的具体检查项
估值框架	回答价格贵贱与隐含假设；本页回答「在还没有价格的时候怎么选」
资产配置框架	把估值与情景落成权重；本页提供「可投 Alpha 容量有限」这一约束的一级市场版本
机器人产业链	给出产业链结构；本页给出「按操作系统层而非零部件重要性排序」的另一套分类维度
AI 价值链	给出 AI 产业的价值分布；本页给出本体层与模型层边界即数据所有权边界这一判据
风险溢价	提供「不确定性要被定价」的市场侧对应物；本页提供「理解深度决定能否集中」这一主观侧对应物
科技板块估值框架	回答科技股怎么定价；本页提供「看增量份额不只看存量规模」这一可直接搬用的判据
新结构经济学与 AI	提供 AI 与生产率的宏观分析框架；本页提供一级市场的个体决策视角