深科技创始人面临着一项独特挑战:如何将突破性科学成果转化为可规模化的创业公司。从处理学术资源和知识产权,到融资、生产制造和产品市场契合度的验证,从实验室走向真实世界影响力的道路远非一帆风顺。
本期《Build Mode》节目中,主持人Isabelle Johannessen与Capella Kerst展开对话。Capella Kerst是geCKo Materials的创始人兼首席执行官,也是2024年创业战场的亚军得主。geCKo Materials正在研发一种仿生黏附材料,其应用场景涵盖机器人技术、制造业,乃至太空领域。在本期节目中,两人深入探讨了Kerst如何将斯坦福大学博士阶段的研究突破,转化为一家获得风险投资支持的深科技公司。
本次对话涵盖以下核心议题:
如何将学术研究成果转化为可规模化的创业项目;
从斯坦福博士转型为创始人兼首席执行官所面临的挑战;
深科技与硬件创业公司在融资过程中需要具备哪些条件;
为何商业化落地与生产制造是创新过程中最艰难的环节;
如何发掘真实世界的应用场景,实现产品与市场的契合。
在此前围绕团队建设的系列节目之后,本期对话将焦点回归至每一家创业公司的根本命题:如何将突破性技术转化为可持续发展的商业实体。
《Build Mode》每周四更新新一期节目,由Isabelle Johannessen主持,Maggie Nye负责制作与剪辑,Morgan Little主导受众发展工作,特别感谢Foundry及Cheddar视频团队的大力支持。
Q&A
Q1:geCKo Materials开发的仿生黏附材料有哪些应用场景?
A:geCKo Materials研发的仿生黏附材料灵感来源于自然界的黏附机制,目前其应用场景涵盖机器人技术、制造业以及太空探索等领域,甚至已延伸至国际空间站相关项目。这种材料具有较强的适应性,能够在不同环境条件下发挥黏附功能,为多个行业提供创新解决方案。
Q2:深科技创业公司在融资方面面临哪些主要挑战?
A:深科技和硬件类创业公司在融资时面临的挑战远比软件类公司复杂。由于研发周期长、资金需求大、产品验证难度高,投资人往往持更为谨慎的态度。创始人不仅需要证明技术的可行性,还需展示清晰的商业化路径和规模化生产能力,这要求创始人同时具备科学素养和商业运营能力。
Q3:Capella Kerst是如何将斯坦福博士研究成果转化为创业公司的?
A:Capella Kerst在斯坦福大学攻读博士期间取得了仿生黏附技术的研究突破,随后创立了geCKo Materials。她的转型历程涉及学术成果的知识产权处理、早期融资、制造工艺开发以及市场应用场景的识别等多个环节。其核心挑战在于将实验室阶段的技术成果推进至可商业化、可量产的产品形态。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。