从技术热潮到产业实效：AI落地的五个关键词

当下，AI早已从实验室的技术概念，走进千行百业的生产经营场景。然而在热潮之下，落地困难、盈利无期、难以规模化复制等困境，仍困扰着不少企业—如何让AI从热潮转向实打实的产业价值，成为行业破局的核心命题。

不同赛道的企业用实践给出了它们的回答：我们看到中控让AI读懂“机器语言”，着力实现制造业领域的“自动驾驶”；智谱敏锐感知市场需求，快速迭代，摸索出适配中国市场的大模型商业模式；钉钉将AI扩展为生产力平台，驱动新工作方式为组织协同献力；华为以生态思维重塑组织和业务，以自主技术为根，同各方伙伴培育中国AI土壤；可胜技术则抓住科学家创业的主要矛盾，理清了向企业家转型的思维路径。

“场景”“变现”“组织”“生态”和“人才”这五个关键词背后，是中国企业探索AI落地的不同剖面，也印证了AI从创想到商业闭环的系统性。

下文将通过五位企业实践者的自述，深入理解他们的具体探索，为更多企业提供AI落地思路的借鉴。

关键词1：场景

制造业可以实现“无人驾驶”吗？

深耕工业领域数十年，我常常在想一个问题：制造业能否像智能汽车一样，实现真正的“无人驾驶”？在回答这个问题前，我们不妨先回望工业发展的脉络——从1.0的“机械化”、2.0的“电气化”、3.0的“自动化”、4.0的“数字化与智能化”到未来5.0的“人机协同”——如今，我们正站在数智化升级的关键节点上，AI已深度参与新质生产力的发展，各大产业正从量变走向质变，这个趋势无人能忽视。

国家统计局数据显示，2024年中国流程工业约占工业总产值的40%—45%。这么庞大的产业，如果继续依赖传统发展路径，将长期陷于安全隐患突出、数据利用率低、能源消耗高的困境。因此，工业领域的升级必须对症下药，核心目标在于提升安全性和稳定性，优化工艺流程以提升产品质量，通过能源替代与能效优化实现减排减碳，最终降低成本、提升效益。

从国家战略的层面看，习近平总书记强调“要推动人工智能科技创新与产业创新深度融合，构建企业主导的产学研用协同创新体系”。AI在工业领域的运用绝非简单的技术叠加，而是要让产业竞争力实现质的飞跃。

回归工业的本质

要实现升级，工业领域的本质痛点是什么？在我看来，是安全、质量、低碳与效益的有机统一。无论技术如何迭代，这四大核心需求始终是制造业的立身之本。

近年来，我走访过众多企业，听到最多的诉求始终围绕“降本、提质、增效、减碳”。桐昆集团负责人曾坦言：“我们生产化纤必须用煤，若改用天然气，成本会增加30%，根本无法在国际市场竞争。”这道出了制造业的现实困境—既要控制成本，又要满足低碳要求。

中控三十年来始终聚焦工业本质。过去半个世纪，工业控制系统一直采用DCS（distributed control system）架构，设备与系统之间相互独立，难以实现数据贯通。UCS（universal control system）的诞生，是中控对“下一代控制系统”命题的回答：超越分布式思路，让工厂的每一个控制点都具备智能协同的能力，实现“统一智能体”的体系革命。这是基于我们对工业三十余年的深度理解，为未来工业AI准备的数字基座。

从依赖“老专家”到读懂机器语言

从物理世界到AI，往往存在一个“语言”和“翻译”的难点。制造业的核心经验，过去都沉淀在“老专家”的头脑里，这是行业的宝贵财富，却也存在“传承难、复制难”的痛点——他们的经验多为隐性知识，难以转化为标准化的操作流程，而工业生产的复杂性，更让传统软件难以对每一个操作环节都精准适配。这就需要我们搭建一座“桥梁”，把“老专家”的经验转化为机器能读懂的语言，让工业知识实现规模化复用。

工业的机器语言是什么？不是人类的自然语言，而是传感器捕捉的温度、压力、流量信号，是设备运行的时序数据、贯穿生产全流程的工艺参数。为了让AI“读懂”这些语言，中控打造了时间序列大模型TPT（time-series pre-trained transformer），它结合了我们三十年来对工业的“know-how”知识，构建了覆盖化工、石化、冶金等50多个细分行业的“工业语言库”，目标是提供符合流程工业第一性原理的可靠模型。

图1 全自主运行工厂（fully autonomous plant，FAP）示意图

制造业的“无人驾驶”

然而读懂机器语言只是第一步。拥有了完整的、核心的工业数据，怎么让控制系统动起来？怎么让AI的能力最终落地到解决生产问题上？2007年的图灵奖得主约瑟夫·斯发基斯（Joseph Sifakis）曾说：“AI的终极目标是形成自主系统，替代人类完成特定任务。”如同智能驾驶的终极目标是让车自主运行，制造业的“无人驾驶”同样如此——目标是打造全自主运行工厂（fully autonomous plant，FAP），实现智能感知、自动分析、自主决策、自动执行的完整闭环。

UCS和TPT就是这个愿景的核心底座：前者形成运行中枢，后者则构建生产大脑。也就是说，将机器语言转化为数据后，AI智能体与控制系统结合，将实现真正的全自主运行。在这个“自动驾驶”的状态下，我们的工厂可以实现7×24不间断自主感知异常、评估风险、做出决策并精准执行，从而解放操作人员，推动工厂少人化、无人化运转。同时，智能体能够动态寻找实时最优解——从“安全平稳不跳车”跨越到“始终在最优曲线运行”。安全性方面，则可以通过“数字免疫机制”，提前预知潜在风险，大幅降低非计划停车损失。

这种种变革背后，是AI对工业能力边界的突破。当然，与民用AI不同，工业场景绝不允许“机器幻觉”的发生，一旦AI给出错误指令，就可能引发安全事故。因此，我们在系统中融入了工业机理模型，为AI决策设定严格的“安全边界”，确保“无人驾驶”的生产既保留工业生产的严谨性，又发挥AI的高效性。

站在工业5.0的门口，我们有理由相信，未来的工厂将逐步变成静默且高效的智能空间：机器人巡检设备，AI优化工艺，数据驱动决策，人类则从“操作者”转变为“管理者”。当工厂像智能汽车一样自主运行，当AI真正融入工业的每一个环节，制造业将迎来可持续发展的全新阶段。

关键词2：变现

从“烧钱”到“赚钱”：大模型盈利难题何解？

吴玮杰，

2025年9月，美国人工智能公司Anthropic突然宣布将停止向多数股权由中国资本持有的集团提供Claude服务。消息一出，不少依赖Claude API的开发者和企业陷入困境。智谱当天就推出了Claude API用户“特别搬家计划”——无需复杂适配，只需替换API URL就能无缝切换。这个看似仓促的决策，背后是我们对大模型行业现状的清醒认知：如今的大模型赛道早已不是四五年前独角兽们的蓝海，而是巨头云集的竞技场，跟上节奏才不会落败。

从2019年成立至今，智谱几乎完整经历了大模型行业从冷清到狂热的全过程。我们看到，热潮背后是全行业共同的痛点：研发时是用巨额投入“开盲盒”。面对未知的回报，多数企业仍在“烧钱”求生——训练一个大模型，不仅要承担服务器、算力等直接成本，更要面对可能的训练失败带来的隐形成本。很多客户虽然对AI充满热情，但面对高昂的合作成本时往往犹豫不决。这种“投入多、产出少”的困境，让不少企业陷入了“烧钱—融资—再烧钱”的循环。

敏捷感知，快速迭代

历经数年的探索，我们相信，在大模型行业想要找到合适的商业模式，需要依托企业自身的资源禀赋与所处市场的需求特点来具体考量。综观全球，大模型市场已经跑出了四种成功的商业模式：

第一种是用户订阅制。以个人或中小企业用户为核心，通过月度、年度订阅费用提供模型使用权，主打“轻量化、低门槛”，是C端市场与中小微企业覆盖的主流路径。典型案例是OpenAI，其收入核心就来自应用的“按需付费”。

第二种是API服务模式。面向开发者与企业开放模型接口，按Token调用量计费，以低门槛接入和弹性计费推动生态扩展，是最标准化、可扩展的商业模式。Anthropic是该模式的全球标杆，其核心业务便围绕Claude系列模型的API服务展开。

第三种是定制化项目制。针对大型企业、央国企及政府机构等大客户的复杂需求，提供私有化部署的全流程服务，通常项目合同额高，需深度结合行业知识。Palantir是这一类的代表，它通过FDE（frontier deployment engineering）模式为大型客户提供定制化方案，让兼具技术深度与行业认知的工程师进入客户业务一线，既解决具体业务痛点，又能推动技术方案产品化，满足企业从数据处理到模型落地的全链路需求。

第四种是AI原生应用产品模式。聚焦垂直领域或通用场景，基于大模型构建AI agent等原生应用，直接服务终端用户，强调“场景化、功能化”。这类模式的代表企业多聚焦细分领域，例如专注AI编程的Devin、侧重垂直行业agent开发的Manus与Lovart等，通过“解决具体问题”实现商业闭环。

从市场需求出发，智谱选择结合API和项目制两种模式，另外又摸索出AI咨询这个创新盈利点。其中，MaaS API模式实现的是“开箱即用”，按调用量付费，追求灵活性，可随时更新优化；项目制模式则主要服务于需求复杂、数据安全要求高的大型企业及政府机构，深度适配其业务场景—如智谱与杭州城投合作，针对公交、路桥、应急、能源等重点业务场景，打造30余款专属智能体和20余款城投专属模型；AI咨询服务则是根据市场痛点创新的模式——很多大型企业有AI转型意愿，却缺乏清晰的落地路径：一线员工不会用模型，中层干部不懂如何结合业务，管理层找不到价值切入点，咨询的价值就在于帮客户发掘AI的应用场景，输出从0到1构建模型的能力。

图2 全球大模型市场的四种商业模式

可信赖AI的未来

商业模式的探索只是第一步，要实现持续盈利，还需要清晰的愿景引领和长远的技术规划。我们最初的愿景是“让机器像人一样思考”，这是科学家们朴素的技术追求。但随着服务的客户越来越多，我们逐渐意识到：技术不能脱离现实价值，更不能失去安全底线。因此，今年我们将愿景升级为“让机器像人一样思考，用可信赖的AI让人类更美好”，这既是对客户的承诺，也是对行业责任的践行。

我始终相信，没有“用户量”的模型不是好模型，没有“用户量”的产品不是好产品，没有“用户量”的行业不是好行业。过去几年，我们完成了两次关键跨越：先是将单独的代码模型与语言模型融合，让模型既能对话又能编程；再是将推理能力、智能体功能压入统一模型；明年，我们的核心目标是攻克模型自学习能力——让模型能够自主总结经验、迭代优化，大幅提升服务效率。

大模型的盈利难题并非无解，而是需要在技术投入与市场需求之间找到切入点，在快速迭代与长期主义之间把握节奏。盲目跟风不是解法，重要的是结合自身禀赋、适配中国市场，同时要对需求有敏锐的感知，实现商业模式的快速迭代和动态调整。

关键词3：组织

链接人、组织和世界，AI让想法变做法

贾 伟，

在深耕协同办公领域的十年里，我们见证了无数企业向数字化转型时所经历的阵痛。当AI浪潮席卷而来，我们相信，AI不是替代人的工具，而是打通“想法”与“做法”的桥梁。它能让个体的创意快速转化为组织的行动，打破部门间的壁垒，让企业的知识真正流动起来。在组织层面深度理解AI、运用AI，意味着真正用它去链接人、组织和物理世界，让想法落地。

AI驱动的新工作方式

过去，办公场景中充斥着大量重复性劳动：会议纪要靠手写整理、跨语言沟通依赖专业翻译、业务应用搭建需要专业开发者、信息检索要在海量文档中翻找。而一站式AI协同体系，正在驱动新工作方式成为现实——我们可以从连接、协同、效能、集成、创造力这五个维度来理解这一变革。以协同场景为例：

第一，AI能够连接组织内的“信息孤岛”。过去新员工入职，想要了解某个业务流程，可能需要请教多位老员工，有时还不得要领；跨部门协作时，查找一份合规文件往往要翻遍多个文件夹。现在通过AI，员工可以“一框问遍天下事”。比如制造企业的新员工询问MaaS流程，AI会自动整理公司内部最优SOP（standard operating procedure,标准作业程序），标注流程入口和关联应用，还能一键创建相关工作流。

第二，AI提高了创造力落地的效率。过去需要专业开发者编写代码才能实现的业务系统，现在用低代码甚至零代码的方式就能快速搭建，“人人都是开发者”，业务想法能快速转化为实用工具。

管理AI化：打造无边界学习组织

新工作方式的下一步，是组织协作逻辑的转变—当信息能主动流转、想法能快速落地，传统依赖人工监督、经验传承的管理模式，已经跟不上AI时代的协同节奏。那么，如何让这些高效的工作行为沉淀为组织的管理能力呢？

AI时代，企业能够真正实现知识在组织内部的无边界流动。

在知识管理方面，过去分散在老员工头脑里、部门文件夹中的知识——如公开数据、内部技术资料、规章制度、SOP等——纷纷能够被整合为统一的知识语料库，AI则负责知识的萃取、分发和流转。跨部门协作时，员工无需反复沟通就能获取所需知识；新员工入职，AI能加速知识消费，通过陪练让新员工快速上手。

在沟通方面，AI打破了语言和文化的壁垒。对跨国企业或有跨境业务的公司而言，语言障碍曾是协同的最大难题。现在，AI协同已经实现了多语言实时翻译功能。而在内部沟通中，AI也能精准捕捉会议核心要点、提取关键结论和待办事项，甚至对会议效果进行AI质检，判断培训是否按标准执行、关键信息是否传递到位。

通过将隐性知识显性化，AI驱动的管理能够真正打破“部门墙”，提升组织整体的协同效能，同时也正推动着组织形态的新变革。未来企业若想拓展新业务，不再需要大规模招兵买马，只要一个员工搭配10个AI agent，就能形成一个高效的创新单元。这是正在组织管理层面发生的变化。我们始终相信，技术的价值在于让人和组织更有力量，而协同能够带来改变。

关键词4：生态

围绕应用场景，探索智算生态

姜正华，

2021年，华为经历了一次不小的挑战，迫切需要找到新的增长引擎，寻求有质量的生存之路。2003年互联网泡沫时，我们靠国际化战略打开海外市场才渡过难关，而这一次，转机来自AI产业的爆发——ChatGPT带火大模型技术，全行业对AI算力的需求井喷。在内部我们有一个比喻：挖矿热潮中，人人都需要铲子——而AI企业都离不开算力的硬件支撑。因此，我们称自己做的是“卖铲子”的生意。

这个机遇助推了华为的AI战略落地：以多年积累的芯片技术为基础，配套操作系统、数据库、AI框架，聚焦计算根技术创新，形成从硬件到软件的全栈自主体系。就像当年国际化战略挽救公司一样，AI战略再次让我们在挑战中站稳脚跟。

基于企业自身的禀赋，我们决心打造一个智算生态，联合软硬件伙伴、投资机构、产业平台、高校等力量，开放协同，聚起全产业链力量，让AI技术真正走进千行百业。我们的目标很明确：一是技术上实现100%自主可控，帮助培育中国自己的AI“土壤”;二是和生态伙伴共建“场景化解决方案库”，让每一份技术创新都能精准对接市场需求，助力伙伴场景落地和复制，形成商业闭环。

智算生态

华为的智算生态，一面强调根技术自主，另一面聚焦开放协同。在技术架构上，我们对标英伟达，但更强调“开放”。在生态设计上，我们搭了三层“圈层”结构，让不同角色都能找到自己的价值。最核心的是“客户/伙伴圈”，包括ISV（独立软件开发商）和APN（AI伙伴网络）等；中间层是“开发者与高校圈”，这是生态的“土壤”——通过开发者大赛、技术沙龙、技术赋能大力发展D2和CANN开发者；最外层是“产业协同圈”，涵盖行业协会、产业平台、咨询机构等，通过思想引导，让更多力量关注国产AI。

面向商业闭环

生态这条路，一般要经历哪几个生命阶段？我认为有四个主要节点：

第一是开拓期，主要任务是构建新范式，打造首个成功范例，吸引伙伴加入，处于0—1的概念验证阶段；第二是扩展期，关键在于打造重量级应用和构建核心伙伴团队，扩大影响力，实现商业落地，是1—N；第三是领导期，这时领导者企业要设立健康的边界，树立权威的同时要平衡生态利益；第四是革新期，持续的性能改进是最重要的，要延长企业在生态中的生命，避免被替代。

目前，华为智算生态正处于“扩展期”——生态伙伴的发展重心从早期无差别发展，逐渐演变为聚焦各领域核心伙伴，打造重磅级应用，更聚焦从技术认证到商业落地的闭环。

如何能成功度过扩展期？有四个关键的考量维度：战略（S）、架构（A）、政策（P）、运营（O）。“S+A”构成“引领产业”板块，通过需求场景锚定产业痛点、产品竞争力构建技术壁垒，推进产业渗透；“A+P”构成“伙伴信任”板块，以使能伙伴、利益分享举措等保障伙伴权益；“O+P”构成“共赢文化”板块，通过战略协同打破组织边界；“S+O”则形成“管理机制”板块，通过培育生态意识、考核转变等保障生态运转。其中，“战略协同”“打破组织边界”“考核转变”和“创新氛围”是实现商业闭环的关键因素。

面向商业闭环打造生态，我们逐渐形成了“正向飞轮”的逻辑：伙伴的需求先进入华为研发体系，研发推动单个或多个伙伴介入，联合开发解决方案，再通过我们的销售网络变现——形成“需求—开发—变现”的闭环。举例来讲，随着具身智能产业往商用落地纵深发展，高质量的训练数据成为显性需求。对此，我们发动生态能力，围绕某地人形机器人数据采集中心需求，牵引机器人伙伴做了全国产人形机器人开发和算力背包开发，是应用场景带动生态联创的典型案例。

图4 华为应用场景带动核心伙伴生态的正向飞轮

重塑生态思维

生态战略不只体现在外部，还驱动了我们组织内部的变革。为达成战略协同，我们在公司内成立了“AI算力先遣队”，把AI业务的关键部门整合到一起——机制上，通过行业联合创新中心（JIC，joint innovation center）形成联合创新机制，与行业领先客户共同定义并孵化创新产品或解决方案；组织上，建立垂直领域“生态特战队”，消除组织掣肘，培育力出一孔的生态建设土壤；流程上，建立“三图一沙盘”可视化生态作战看板，实现流程流转一目了然，避免重复劳作。

然后是考核机制和思维的转变。华为一直有着强KPI的文化，以前与伙伴之间停留在买卖关系层面，意识上以“伙伴能为我创造多少收入”的利己观念为主。现在更注重“利他”思维，从战略层面认同生态理念。过去以市场营收、短期份额作为考核主要标准，主要关注自身收益，忽略伙伴侧对生态工作的体验和感受。现在则尝试将考核指标设置融入长期导向，绑定伙伴产品商业落地情况，以伙伴的成功作为考核导向。

如果说自主创新是AI发展的“根”，那么一个开放的生态也许称得上是它可持续发展的“魂”。生态思维就是要做“纽带”——把伙伴、人才、产业拧成一股绳，一起突破技术垄断，一起实现商业成功。

关键词5：人才

科学家如何创业才能成功？

金建祥，

谈到科学家创业，谁都不会忘记爱迪生。1876年，他在新泽西州门洛帕克建立了全球首个工业研发实验室，被称为“发明工厂”，由工程师、化学家、机械师组成跨学科团队，开始做系统化实验。这时，研发已经开始从个人行为转向组织化、产业化。但到这一步，技术还是停留在实验室里。

1879年，爱迪生成立了电力照明公司，发明电灯的同时，开发配套的开关、插座、保险丝等组件。连续创业十年后，他最终将旗下多家公司合并为爱迪生通用电气公司，实现了电灯与电力系统的商业化。

“灯泡只是终端，电力系统才是生意”，爱迪生的创业带给我们哪些启示？第一，技术必须解决真实问题,实验室成果只有进入工厂和家庭，才算真正成功；第二，单点突破不如系统构建；第三，要善于整合资源，包括人才和资本等。

不止爱迪生，中国也有许多科学家创业的成功典范。这些案例让我们认识到，科学家创业一旦成功，往往能打造出具有核心竞争力的伟大企业。

科学家VS企业家

但科学家创业，成功率实际上是多少？

美国巴士底（Bastille）CEO拉尚博士指出：大多数美国高校教授不愿投身创业，小部分教授尝试创办企业，其失败率高达96%-97%。如以色列的Better Place公司，凭借换电站替代充电的创新构想获得8.5亿美元融资，却因忽视基础设施成本与用户接受度，最终破产；曾估值60亿美元的柔宇科技，虽打破多项柔性屏技术纪录，却因产品无法大规模量产、缺乏主流客户，最终陷入清算危机。

为何科学家创业“九死一生”？成功的障碍到底在哪里？我们不妨来对比一下科学家与企业家的核心特质，和对能力的要求差异（表1）：

从成功标准来看，科学家的成功在于探索真理、验证规律，追求结论的精准与严谨，一项技术突破、一篇高质量论文就是成功；而企业家的成功必须以结果为导向，能否盈利、能否让企业存活发展、能否为用户创造价值，才是最终衡量标准。

在对时间的态度上，科学家需要“慢工出细活”，一项核心技术的突破可能需要坐十年冷板凳，反复验证、持续积累是常态；但企业家必须快速响应、马上行动，市场机遇稍纵即逝，拖延犹豫只会错失良机。

对错误与不确定性的容忍度更是差异明显。科学家视错误为失信，追求零误差，必须有充分证据才会下结论，规避模糊；而企业家必须拥抱不确定性，接纳模糊，在信息不足时果断决策，允许试错但要求快速复盘。

其沟通风格与核心能力也截然不同。科学家沟通讲求精准严谨，强调限定条件，无需刻意迎合他人；而企业家需要简洁直接、有感染力的沟通，既要凝聚团队士气，也要打动客户与投资者。在核心能力上，科学家擅长推理、验证与技术积累，追求在单一领域的深度突破；企业家则需具备强大的执行、协调与变现能力，要懂市场、懂管理、懂人性，是全能型的“多面手”。

价值观基础的差异同样关键。科学家秉持理性主义与规范主义，探索未知、满足好奇心是重要驱动力，未必会关注研究的商业价值；而企业家必须坚守实用主义，盈利是企业生存的基础，只有赚钱才能支付工资、持续研发、对用户负责。

这些差异表明，仅凭技术优势，科学家很难天然成为优秀企业家。创业的过程，是科学家向企业家转型的过程，是思维方式、能力结构、行为习惯重塑的过程。

表1 科学家和企业家的特质对比

科学家创业如何成功？

结合自身三十余年创业经历与行业观察，我总结了科学家创业成功的十六条核心法则，每一条都从实践中来，又指导着实践：

（1）拥抱不确定性。具备主动承担风险的意愿与能力，将不确定性视为创新与机遇的土壤。

（2）超越技术本位。技术是起点而非终点；需高度重视技术之外的综合能力（如商业洞察、组织管理、市场判断）的系统培养。

（3）快速适应新环境。科研“小生态”与复杂多变的商业“大环境”截然不同，必须主动调整认知与行为模式。

（4）洞察真实市场需求。深入理解用户痛点，精准评估市场容量与增长潜力，避免“自嗨式”创新。

（5）从兴趣驱动转向需求驱动学习。科学家往往在好奇心和探索欲的驱动下深入钻研特定领域，而企业家的学习更多以问题和目标为导向，按企业实际需要，系统补足各方面的关键知识。

（6）善用授权，聚焦核心。坚持“下属能做的事，自己绝不亲为”，把精力集中在战略决策与关键突破上。

（7）以人才为本。高度重视“引人、育人、用人、汰人”全周期管理，尤其在引进顶尖人才与淘汰不适配者上要果断坚决。

（8）构建可持续壁垒。识别自身比较优势，通过技术、品牌、网络效应或运营效率等方式持续垒高竞争门槛。

（9）放下学术身段，敢于“接地气”。必要时主动出击、灵活应变，不被“面子”束缚行动力。

（10）懂政治，不搞政治。理解政策导向与利益格局，善用规则与资源，但避免陷入内耗与权术之争。

（11）动态调整战略重心。企业不同发展阶段需关注不同核心问题——初创期重生存，成长期重体系，成熟期重创新。

（12）共享共治，激励长期价值。核心团队应共享利益与决策权，对骨干员工持续实施股权激励，绑定长期目标。

（13）小公司效率优先。初期无需复杂管理体系，以敏捷响应和快速迭代取胜。

（14）中大型公司，管理即生命线。若长期忽视制度、流程与组织能力建设，最终一定会衰败。

（15）明确底线，建立内方外圆企业文化。内部坚持正确的价值观和标准，坚守原则；对外沟通保持开放、包容、灵活与务实，善于变通，避免僵化。

（16）认识人性，尊重人性。理解人的动机、弱点与诉求，以此为基础设计激励机制、沟通方式与组织文化。

科学家创业，是一场从实验室到市场的跨越，一次从技术专家到商业领袖的蜕变，一条少有人走成功的路，但却很可能通向关键突破。在“无科创，无未来”的今天，希望更多科学家能打破思维壁垒、补齐能力短板，在创业路上少走弯路，为中国科创事业注入源源不断的活力。

本文来自微信公众号“复旦商业知识”（ID：BKfudan），作者：《管理视野》，36氪经授权发布。