# Vol.223 产业观察42｜一级投资人眼中的2026年AI上半场：FOMO、数据闭环与上市潮 高能量 · 2026-07-08 · 118 min · https://www.xiaoyuzhoufm.com/episode/6a4e16422e335a35a81012ab?utm_source=rss ## 逐字稿 李丰 大家好，欢迎来到这一期的《产业观察》，我是峰瑞资本的合伙人李丰。AI 相关的二级市场，尤其是芯片、存储等产业链公司，在过去一周和最近几天产生了巨大的波动。Meta 这两天对于自身算力基础设施的安排，也引发了不同的话题讨论：不管是存储、芯片、AI 基建，还是算力中心的投建，这些话题是不是到了一个阶段性的高点，或者泡沫要开始破裂？ 我们请了两位和科技投资有关的同事，讨论和交流一下 AI 投资，也会涉及我们处在泡沫的哪个阶段，以及假定之后泡沫破裂，会发生哪些事情。他们的话题也涉及了很多今天行业里比较重要、或者说比较时髦的投资方向：不管是机器人，还是由机器人引起的世界模型、物理模型，还是由疑似 OpenClaw（原音为 OpenCloud）这个“小龙虾”引起的 Agent，以及 Agent 所带来的 token 经济、整个经济的可能应用和商业模式变化。 当然，讨论也涵盖了从云到边到端，简单来讲就是从训练到推理，再到端侧芯片。随着应用和 AI 泡沫处在不同阶段，这些芯片、基础设施以及硬件架构会怎么改变，他们也都会谈到。两位嘉宾各自讨论的内容，只代表他们各自的意见。因为在我们基金内部，大家基本上采取尽量公开、透明的讨论方式，听取别人的不同意见，也表达自己的不同意见。我想，他们两个的这次讨论也代表了这样的形式和观点。 就我自己个人而言，关于 AI 所处的阶段，我在两期以前的《宏观漫谈》中，其实已经明确表达了对 AI 和 token 处在哪个阶段，以及会产生什么变化和影响的看法，那也只代表个人意见。下面的讨论中也有一些不同的意见和不同的问题，我想这大概都是促进大家从不同角度思考的方式，也可能是大家愿意听不同类型播客的原因。接下来的时间就交给他们两位。 刘鹏奇 大家好，我是峰瑞资本的科技投资人刘鹏奇。站在 2026 年年中的时间点，我们回看过去半年，都有一个非常明显的体感，就是整个 AI 行业的发展没有一点减速的趋势。从年初的 OpenClaw，到世界模型的创业热潮，再到最近资本市场对于存储、光互联这一系列概念的追捧，以及智谱刚刚冲破万亿港币的市值，我觉得非常有必要今天一起系统地复盘一下 2026 年上半年的 AI 行业：它到底发生了什么，为什么在这个时间点发生，以及后续我们会走向何方。 今天跟我一起参与讨论的嘉宾，也是我的同事严千行严博士。我们之前也一起在节目中跟大家讨论过具身智能，包括 VLA 相关的话题。 严千行 大家好，我是峰瑞资本投资人、科技投资人严千行。从我和鹏奇过去三四年一直高强度追踪 AI 行业的变化，再到投资跟进来看，其实我们能感受到一个非常明显的趋势：从 ChatGPT 在 2022 年刚出来，到今天 AI 从一个简单的语言模型，逐步切入很多我们以前从来没想象过的领域。 最直接的就是，我以前主要看机器人领域，现在大家更多讨论的都变成了具身智能，而不再是传统的机器人概念。除此之外，还有更多以前没有预期过、想象过的新赛道，逐步和 AI 渗透结合，成为所谓的“AI+”新赛道。包括现在的 AI for Science，甚至连我们在看的核聚变领域，都离不开 AI 的贡献。 所以站在 2026 年上半年到现在这个时间点，其实有很多 AI 热点话题，在不停地一波一波冲击大家的社交媒体推荐流。我觉得可以先来几个快问快答。首先想问问严博士，上半年大概聊过多少个项目？ 严千行 上半年差不多在 100 到 300 个之间。AI 相关的项目，聊的已经接近 150 个到 200 个左右。 刘鹏奇 我的体感也差不多。看了这么多项目，如果用一句话或者几个关键词来描述你上半年看这些项目的感受，你会用什么词？ 严千行 ### FOMO Reshapes Early Investing 我比较想用 3 个词来讲。 第一个词是 FOMO。在一些非常热点的领域，会出现大量我们从来没看到过的人和项目，或者估值快速上涨。很多人会因为 FOMO，觉得自己是不是必须把所有项目都看一遍，行业估值上涨也会给大家带来刺激：我们今天投了吗？今天投了多少？是不是还得多投？ 第二个关键词，我觉得是分化。非常明显的感受是，上半年除了个别特别热门的赛道融资蒸蒸日上之外，大部分赛道仍然处在相对冷静、没有那么热门的状态。这其实和二级市场的感受很像。今年二级市场的涨幅也非常分化，所谓的科技股涨得非常好，但有一些不在热点范围内的股票，反而一直不温不火，甚至处于下跌状态。 第三个比较关键的词叫估值前置。假设我们过去从非常理性的角度去看早期投资，对早期投资的界定是很明确的：在什么样的 milestone 之前，我们会给一个什么样的合理估值。没有形成共识之前，估值通常不会特别高；形成共识，加上一些交付和展示 milestone 之后，我们可能会把估值抬上去，认为那是合理估值。 但现在因为市场很热、大家有 FOMO，过去关于估值的很多规则和经验全被打破了。我们可以看到连续融资、估值快速上涨，10 亿美元可能在几个月之内直接火箭式诞生。这 3 个关键词——FOMO、分化和估值前置——是我觉得上半年最深的感受。 刘鹏奇 我也给听众朋友们解释一下，FOMO 就是 Fear of Missing Out，担心投不到一个项目而产生焦虑，大概是这样的情绪。上半年我们确实看到很多项目，可能一周之内估值就变了，甚至一个项目可能同时有 3 轮融资在进行。大家开玩笑说，一轮在交割中，一轮在谈协议，还有一轮已经在敲定方案。 面对这样的市场情况，作为投资人，你焦虑吗？ 严千行 说不焦虑不现实。其实从我们基金内部的早期投资风格来说，我们追求的还是前置地发现一些趋势。更多的焦虑不来自投资，而是来自 AI 变化太快了。时时刻刻都会有新的热词、新的想法和新的思路出现，每次发布一个新模型，或者发生什么新的新闻，我们焦虑的可能都是：这条新闻我怎么过几天才看到？ 这反而是当下给大家更多的焦虑：你怕自己被 AI 时代甩掉。最近我和很多其他投资人交流，大家确实都有焦虑，但各有各的方法。投资有偏价值投资的，也有偏机会型投资的，可能需要针对不同项目，把它到底更偏机会还是更偏价值拆分开。这样就不会因为价值和价格不匹配所带来的焦虑，影响我们的投资决策。 刘鹏奇 说回来，确实有一些估值前置，也有一些泡沫。但我相信这里面肯定还是产生了很多新的东西和新的机会。如果讨论一些比较实的东西，在看项目的过程中，有没有发现一些方向或者投资逻辑上的变化，而不只是纯粹的市场情绪？ 严千行 我觉得可以分成两个切入视角。 ### Investment Logic Returns To Value 第一个切入视角，叫研究型的赛道机会，更像现在比较热的词——美国的 New Lab。大家去解决一些长期问题，但通过商业化公司的方式运转，以加速研究。上半年其实出现了很多这样的公司。大家不再那么纠结是不是教授创业，反而更关注教授出来创业、做一个商业化的研究型公司之后，是不是能在研究上远远快于其他组织形式。 所以，这是一个研究型创业的新趋势。从投资人的角度看这类项目，关注点就变成了：你能把新的研究推进到什么高度？你能不能成为这个市场或者行业里最好的研究输出者？你能不能做出最好的研究，然后改变这个世界？ 第二个趋势，我们往更偏落地的角度去看。落地层的 AI 产品和硬件层，其实能发现一个很有意思的点：去年上半年，大家非常 FOMO AI 应用，因为疑似 Manus 的出现，大家非常 FOMO Agent；去年下半年，因为 Insta360 上市，大家非常 FOMO AI 硬件。 但回到今年上半年，大家逐渐发现，FOMO 没什么用。过度追赶潮流之后，慢慢沉淀回了对产品本身的判断：我去找更好的产品定义者。比如 AI 应用，产品是不是真的像 Agent？Agent 已经成为共识，它要交付任务价值。那今天这个产品团队能不能交付任务价值，能不能形成任务闭环，能不能让 Agent 变得更好、更强，形成自身的数据飞轮壁垒？ AI 硬件也是一样。大家慢慢回过头来，还是看这个东西是不是消费者感兴趣、是不是消费者需要，是否满足了一些被忽略的潜在需求。所以这两个方向看似是两个极端，实际上都是在各自的创业形式上回归价值，或者说回归底层的判断和认知方式。这是我觉得上半年比较大的趋势。 还有一个很有意思的点，尤其是在 AI 创业里面。自从去年 Codex 和疑似 Claude Code 发布之后，我们发现越来越多的创业者本身不再是原来的工程师和算法研究员。他们不一定有算法背景，可以是好的产品经理、好的设计师，慢慢把自己变成一个全栈产品经理。 大家可以回忆一下，10 年前有一个经典的创业玩笑：“我有 idea，我有天使轮融资，我缺一个 CTO，我缺一个程序员。”但今天不再有这个问题。现在一个很有意思的点是，之前看一些线下黑客松和 YC 在美国举办的黑客松，最后做得特别好的产品，往往是一些你完全没想过会用 coding 工具做产品的人。他可能是一个律师，可能是一个家庭主妇，也可能是某个和 IT 不相关的从业者。 这是一个很大的变化趋势。今年我们投资时，也遇到了很多很不错的产品，它们完全不是原来做算法、做 research 的人做出来的。 刘鹏奇 有意思。我们原来经常说，很多技术型创业者是拿着锤子找钉子。但现在看起来，都是钉子直接出来创业，锤子已经变成了非常普适化的工具。锤子就是花钱买 coding plan 就行了；钉子知道自己在哪儿，直接亲自去敲。 严千行 对。不再像以前一样，我知道钉子在哪儿，但我不会敲，得找人来帮我敲。这是一个很大的变化，或者说 AI 时代对大家最大的赋能。 刘鹏奇 如果一定要从上半年找几个确实影响了整个市场发展的重大事件，你会挑哪几个？ 严千行 ### OpenClaw Makes Agents Mainstream 我觉得 OpenClaw 肯定是全球影响力最大的一个事件。OpenClaw 直接让原来只在投资人和创业者之间讨论的 Agent 概念，让所有社会大众都感受到：我可以雇一个数字员工。 这是一次概念的快速放大和映射，让大家形成共识。就有点像去年 DeepSeek 出圈。 刘鹏奇 对，DeepSeek 出圈的时候，大家觉得中国的大模型也能做得这么好，那是一次观念冲击。OpenClaw 则是让全球用户更好地接受 Agent，大家也会尝试自己做 Agent。有了 OpenClaw，才有了“养龙虾”的概念。 严千行 其他更多是行业趋势上的变化，不完全是事件性的变化。 刘鹏奇 我觉得还有一个贯穿整个上半年的大趋势。上半年在社交媒体上，会看到很多关于“站在光里”还是“光着站在那里”的讨论，这是二级市场的段子。这个趋势更像是，大家今天相不相信 AI，或者说对 AI 未来资产的判断，已经通过市场交易价格表达出来了。 有人认为它是泡沫，也形成了短期热潮。甚至开始向“不做 AI、不懂 AI，只做交易”转变。今天只关注股市的人，反而变成了最懂 AI、花最多时间研究 AI 的一批人。 我们正好接着刚才严博士谈到的大事件，展开聊一聊 Agent。关于 OpenClaw 的讨论今年已经很多了，也发酵了一段时间。从全民装龙虾、买苹果电脑，到后来各大厂商——无论是 Anthropic 这样的模型厂商，还是国内腾讯等厂商——都开始推出自己的 Agent，再到现在热度慢慢降下来。 我觉得它快速升温和稍微冷却，都和 OpenClaw 开源有关。开源让大家觉得接触 Agent 的门槛很低，在自己的电脑上就可以安装一个完全自主可控的东西，所以很快就热起来了。但反过来，因为它是开源的，所以还不那么完善，无论是安全机制还是用户体验，都有很多挑战。 我相信还有一部分用户是它的忠实粉丝和用户，但对多数大众来说，可能慢慢会转到其他平台。经历过这样一个周期之后，你觉得这波表面的热潮走到现在，留下了什么？它代表了哪些更深层次的趋势变化？和我们去年看 Manus 相比，有什么不同？ 严千行 去年我们聊 Agent，更多是从 Manus 这类通用 Agent，再到 LangChain 和其他框架衍生出来的、由算法工程师开发的 Agent。但今天去看，会发现一个很大的变化：大家开始自己尝试安装 OpenClaw，下载各种 Skills，然后出现了“养龙虾”的概念。 一开始的热度是因为大家好奇。过去大家接触的都是 Chatbot，比如豆包式的对话，但没有养过 Agent，也没有做过 Agent。原来的 Agent 部署相对麻烦，除非使用过 Codex 和 Claude Code，普通大众很难快速上手。 OpenClaw 第一次让大家能够快速部署 Agent，而且把 Agent 的核心机制部署在端侧，而不是放在云端使用。用户可以自己定义、自己打磨，通过自然对话让它完成一些任务。这对很多人来说是一个全新的概念。 大家都说 Agent 要交付价值，但只有真正上手体验过，才知道它交付了什么价值。热潮再叠加开源，以及中国开源模型本身做得非常好，所以传到国内之后，很快就形成了社交热度叠加的爆炸效应。 我觉得这波热潮引发的变化是：Agent 不再只是一个具体的任务工具，它开始被定义成一种 Agent OS 的形态。用户可以通过自然对话定制自己的 Agent。功能开放之后，会有很多过去从未使用过的人去尝试，也会出现我们预期之外的场景。 热度降下来之后，很多被吸引进来的人其实不需要 Agent，但真正需要 Agent 的人，现在确实正在稳定使用。比如我有一个自媒体博主朋友，他不是技术背景，原来是做美妆博主。现在他想切入科技类内容，就通过 OpenClaw 给自己搭好了一个工作流，定向搜集科技信息，生成内容，并把整个输出 pipeline 搭好。这样，他就可以快速地让这条链自动运转起来。 对他来说，利用好自己的社交媒体平台和放大效应，就能把内容快速输出。还有 PPT 制作，各种 Skills 配合 OpenClaw，或者配合 Claude Code，也已经成为大家做 PPT 的标准范式。我们今年收到的很多 BP，一看就是 AI 做的：要么豆包，要么 Claude Code，要么 Manus。 Coding 这件事也不用抢了，今天已经非常明确。热潮收敛下来之后，很多人，包括电商企业和企业内部的流程化任务，都逐步沉淀出来。只是这些任务的使用者声音没有那么大，但他们已经切切实实在用。 所以我觉得，一波热潮之后，虽然有泡沫、有波动、有噪音，但最后沉淀下来，确实像吹开了啤酒的泡沫，下面是醇厚的啤酒。 刘鹏奇 当大模型应用从纯粹聊天的交互形式，变成帮助用户执行任务之后，什么事情开始变得更重要？我听说最近大家开始强调 harness engineering。 严千行 去年 5 月我们聊 Agent 时，讲过 Agent 和 language model 最大的区别是什么。Agent 本质上是一个需要搭建环境、进行决策和执行、再根据执行结果反馈的闭环系统。只有这样的闭环系统，Agent 才能在执行过程中不断积累、学习和成长，它像一台机器一样持续运行。模型只是支撑它核心智能的大脑。 今年大家可能用更准确的词叫 harness engineering。过去在 Agent 开发上，大家会把过程定义得非常死；今年讲 harness engineering，更多是把模型周边的环境定义好，把反馈通路定义好，把整个闭环反馈过程定义好，然后让模型自己运转，真实地运转整个 workflow，在 workflow 中找到更好的运转方式。 也就是说，不需要人把每一条路径怎么走都定义死。你把环境定义好之后，AI 自己能够探索出更好的决策。这是今年大家讨论 harness engineering 的一个重要点，但我觉得更多是思路上的变化。 为什么今年讲 harness engineering，去年不讲？我猜一个比较明显的驱动因素，是模型在 Agent 支持方面变强了很多。去年如果指望模型在这样的环境里探索，它探索出来的结果甚至不一定比人预先定义好的 workflow 更好。但现在模型的 Agent tool-use 能力和长程决策能力都增强了，它摸索出来的结果可能比我们预先定义的更好，所以 harness engineering 才慢慢变成大家关注的开发方式。 还有一点，是大家对语言模型的使用方式发生了变化。过去用 Chatbot，一问一答，最后发现模型输出的文字还需要自己用鼠标操作，把它转成文档、PDF，再去操作其他软件执行。它相当于只是我的指导书。但人总是希望偷懒，既然模型知道怎么做，能不能让它自己亲自做好？ 这是非常直觉的应用方向。去年我们就强调这一点。到今天，AI coding 工具变成熟，基础模型的 Agent 能力变强，大家对 Agent 如何开发、如何探索也更成熟了，Agent 开始变得出乎意料地好用，更多人可以开始使用。 我觉得它逐渐进入了一个可以依赖模型能力自我进化和迭代的阶段。不过，今天说自我进化和迭代可能还早。更多是环境搭好了，它有机会把大家的想法变成现实，去不断尝试。 这有点像随机进化，像寒武纪生物大爆发。并不是因为某个核心决策要素，或者突然出现了某个创造；也不是每次迭代都是正向的。但因为有足够好的环境和丰富的资源，大家在里面随机进化，最后往往会出现大爆发，以及高价值的切入点。 刘鹏奇 这其实也和另一个问题相关。大家一直在诟病，大模型本身似乎缺少数据飞轮。很多喂给它的数据需要人写好，或者由专家定义。当然，有一些强化学习方式可以让它自己迭代，但本质上它还没有真正利用好外部用户的很多数据来提升能力。 有了 Agent 这样的范式之后，大模型缺乏数据飞轮的问题，会不会得到某种程度的解决？数据飞轮听起来可能比较虚，我们可以把它定义为个性化体验。传统互联网时代，个性化体验非常有效，字节、淘宝、阿里跑出来的商业模式，其实都建立在个性化体验之上。 在大模型时代，Agent 会不会成为形成数据飞轮和个性化体验的载体？如果是，这里面什么东西最重要？ 严千行 从数据角度来说，过去单独使用 Chatbot，更多收集的是用户语言对话的上下文数据，这非常重要。谁家的模型用得多，谁就能收集更多语料数据。 但到了 Agent 场景，大家考虑的是任务执行。所以最后不再是单纯比较你收集了多少上下文数据，而是任务轨迹。任务轨迹才是关键核心数据。 这和机器人也类似。我们说具身智能本质上也是一个 Agent，今天具身智能强调的是真实任务数据；Agent 也是一样：我怎么做决策，任务的每一步怎么执行，workflow 执行下来的具体数据，这些数据才能形成数据价值。 Agent 的强化学习也是现在非常热的话题。我们去年强调，workflow 型 Agent 可以快速落地，但未来真正交付超越现有水平、超越人类现有水平价值的 Agent 产品，肯定得基于强化学习推进。 当这些任务轨迹被积累，再加上 harness 把 Agent 的环境搭建好，Agent 的强化学习就能自然地把整个过程往前推进。因为你有强化学习，也有每次行为的轨迹记录。 当然，我现在不确定的是，这些轨迹数据能不能流通回基础模型公司。比如 Claude Code 自己产生的 coding 轨迹数据，肯定可以用来反哺自己的模型训练，所以它能做得比别人更强。但最后 Agent 大量会垂直、分散，这些上下文数据和轨迹数据都不向基础模型开放。 所以，我觉得有可能在 Agent 这一层形成一些可以沉淀的机制，这样才会存在 Agent 创业机会。否则大家担心的是，模型越来越强，边界吞噬一切，模型成为万能应用，那就没有 Agent 的创业机会。 但考虑到任务轨迹加垂直场景数据，如何反哺整个 Agent 的运转，大概率会在这个体系内完成。这样看，Agent 有可能实现自己的数据飞轮，形成自己的领域和场景，而不被大模型吞噬。 刘鹏奇 听起来，谁能获得用户数据，包括刚才说的任务轨迹，都会把它当成兵家必争之地。谁能拿到这些资产，谁就更有可能提供更好的用户体验。 OpenClaw 的浪潮稍微降温之后，我们也看到其他大厂纷纷推出自己的 Agent 产品。比如和 IM 结合，微信、飞书都推出了自己的 Agent；和大模型结合，Claude Cowork、OpenAI Codex 也能做很多这样的事情。 第三类，刚才严博士也谈到，可能是一些偏第三方的产品，当然有些会和硬件绑定，比如 PC、盒子，或者所谓的“龙虾机”。最近有很多公司在做这方面的尝试，帮助 OpenClaw 更好地部署在不同类型、不同算力能力的硬件上，为用户提供本地化服务。 针对这几类，你觉得谁最终胜出的概率会更大？ 严千行 ### The Agent Market Splits Three Ways 今天直接讲谁胜率更大，挺像算命。但我想说的是，这 3 个方向切入的人想做的事情其实不一样，它们并不是相互竞争。 大模型厂商做 Agent，肯定是第一时间切入离模型最近的领域，他们最有优势，同时也能获得数据和提升模型能力的价值。可以看到，大模型厂商推出几类 Agent 后，很快做了 Deep Search，也就是互联网搜索 Agent，和模型直接挂钩。现在所有大模型，包括 ChatGPT、Claude，都直接自带互联网搜索能力。 第二个大模型厂商愿意推出的是 Deep Research，他们也直接自己做。再往后就是 Coding。Coding 本质上是 token 的文字输入和文字输出，同时还有一个环境可以对输出结果进行判别和审查，非常适合 Agent。 所以，大厂一般会切通用类、和模型相关性非常高的机会，这确实得由大厂来做。一开始可能有创业公司去做，但最后发现打不过大厂。 今年比较悲情的一个案例是 Cursor 被收购。Cursor 可能是过去 3 年 coding 领域最强的先驱公司，但它被收购对公司来说并不差。只是到最后，它从一个给 Claude Code 贡献最大 token 消耗量的公司，变成被 Claude 自己发布的 Agent 产品打掉的公司。 这说明，在离模型太近的 Agent 领域创业，就像恒星到末期膨胀一样：你是一颗离恒星太近的行星，会瞬间被吞噬。 第二类是 IM 和办公入口。它的好处是把 Chatbot 从原来单一的 App 拓展到我们熟悉的场景。同时，现有 IM 和办公软件有现成的文件体系和数据文档体系，对 Agent 来说是一个很好的封闭环境。 它有两个优势。第一，公司如果大家都用某种办公软件，作为个人就能快速切进去使用，原有的市场推广生态已经存在。第二，很多工作流已经沉淀在上面。比如发票报销，所有人包括投资人、企业员工都会遇到。每个企业内部，如果数字化做得好，都会有一套标准的数字化流程。这个流程沉淀在软件上，是不是 Agent 可以快速学习的？ 所以对这些 IM 产品来说，它们可以把 SaaS 时代和数字化办公时代的很多 workflow 变成 Agent，这是它们的优势。它们最后切的，还是这些场景。 第三类是本地化和硬件形式，这算是大家的一种尝试。但做成“龙虾机”是不是真的好玩，或者是不是真的必要，还要打个问号。刚开始热的时候，抢得最凶的是 Mac mini；冷下来之后，闲鱼上卖得最多的也是 Mac mini。 你用 MacBook、自己的电脑，或者云服务器尝试 OpenClaw，都没有太大问题。除非你非常明确要用，而且对隐私要求比较高，不想用主力机，才会买这种龙虾机。 从硬件形式来说，还有各种端侧 AI 硬件。今年我们也看了很多，不管是端侧算力盒子、端侧路由器，还是端侧硬盘，都是基于今天 AI 场景需求的补充。 刘鹏奇 我们刚才说到，用户的大量轨迹数据可能被模型拿去训练。比如我是某家公司的核心架构设计师，我使用模型之后，如果我的数据被 Claude 知道，对我来说就是一个非常大的风险隐患。 从数据端侧的角度，你怎么看隐私和模型能力之间的冲突？ 严千行 现在很多人讨论的问题是：我想用最好的模型，但不接受把数据交给模型。就像我们刚才讨论具身智能的数据积累，数据到底归谁？最近两个月，很多公司开始认真思考这个问题。 要回答它，可以分成两类用户。 对于大多数 C 端用户，从互联网时代的历史经验来看，他们更多看重效率和体验，而不是隐私。他们甚至可以让渡一部分隐私和数据安全。现在我们大量数据其实根本不在自己手里，而是在外部平台手里。但我们也没有真的想办法把数据拿回来，依然享受到了电商、媒体、娱乐等很好的体验。 所以从 C 端长期角度看，用户可能更倾向于使用云端服务，使用大厂提供的服务，不一定要把数据完整掌握在自己手里。 第二类是 Pro C 端用户，尤其是 B 端用户。对他们来说，这个问题会非常突出。B 端的数据资产本身就是企业经营最核心的资产，无论技术文档，还是产品设计方法，都沉淀在数据上。 如果这些数据被让渡给大模型，换取一定的效率能力，我觉得对企业来说可能得不偿失。所以未来的机会在于，怎样把最好的大模型能力，和企业、以及 Pro C 用户自己的本地数据、知识库连接打通，同时具备权限和隐私保护。这其实是大家正在尝试解决的问题。 刘鹏奇 假设模型可以安全使用，你可以安全地和它讨论自己的核心隐私。比如律师不能泄露客户资料，核心工程师不能泄露自己的配方。过去大家使用 AI 会面临一个很大的问题：要么私有化部署，要么就别用。 假设理想情况下这些问题都解决了，是不是这些场景会成为 AI 下一步渗透的方向？ 严千行 我觉得是。最近我和一个阿里云的朋友讨论，他们给很多客户卖服务器。做 C 端生意的客户，token 调用量可能比较多；但很多大 B 客户的 token 使用量一直上不来，和他们云计算服务器的消耗比起来少得多。 挑战在于，他们现在用不起来，也释放不出 token 和模型的能力去服务业务场景，目前可能只能用在比较浅层的效率工具上。但如果有一天，隐私安全等问题能够解决，而这些问题确实又是很多企业使用大模型时非常重要的卡点，那么我相信会释放出更多 token 和模型调用需求。 刘鹏奇 我和鹏奇最早都看过 SaaS 和 FinTech。早年大部分 SaaS 和 FinTech 客户都是大 B 客户，所以大家对大 B 客户都是又爱又恨：钱多，但做起来累，问题复杂。 今天你怎么看 AI 在这些大 B 客户中的落地？最近有个词挺火，叫 FD，也就是“AI 外包”，外包 AI 落地工程师。海外很多公司在招，国内大量服务也掌握在大型模型厂商和云服务公司手里。未来 AI 渗透大 B，会和 SaaS、FinTech 时代有什么变化？ 严千行 大 B 行业又爱又恨，这个描述非常准确。他们确实是有钱的客户，但要求也非常高。 至少从现在这个时间点来看，和一些企业聊大 B 时，还是会遇到过去的问题，比如“加量不加价”。客户意识到 AI 能帮它解决一些问题，也会想：既然市面上都是开源模型，我是不是愿意为你提供的 AI 服务支付溢价？他可能不一定愿意。中国市场又比较内卷，各个厂商的价格战也打得很激烈。 所以，在当前阶段落地大 B，确实会遇到这些问题。海外可能也会遇到中国过去遇到的 B 端客户问题。过去大家说海外 SaaS 模式比较好，客户可以按订阅付费，但像 FDE 这样的模式，如果真的要介入企业底层数据库和系统，尤其 AI 要渗透进去，就不可避免地要解决数据安全、隐私和内部数据库对接问题。 还有一个最重要的问题，是怎么控制幻觉。现在 AI 能解决一些效率场景，却迟迟不能介入核心业务环节，原因是效率场景对幻觉的容忍度较高。但真正的业务，比如 FinTech 风控，如果完全交给 AI，而 AI 出现幻觉，损失由谁承担？是模型承担，还是企业员工承担？ 这个责任界定和自动驾驶很像，现在还没办法清晰切分。所以这确实是制约 B 端大规模应用的一个挑战。 我们也会关注新的创业公司：如何把企业内部的数据标准化、打通，减少构建业务图谱所需要的人力；以及如何在介入业务的过程中解决幻觉控制问题。这可能还有一部分学术问题需要解决，但也正因为如此，它反而是机会。 严千行 Agent 我们聊得差不多了。因为我们是投资人，大家肯定还会关心 Agent 的下一步。这里有一个挺有意思的悖论：如果 Claude 什么都能做，为什么还要做 Agent 创业、给别人提供服务？你有什么需求不应该自己写？ 但我觉得，市场永远可以抽离出共性需求。共性需求由最好的人打磨成好产品，再提供给大家；剩下碎片化、极度个性化的需求，再用相应的“锤子”，自己去当钉子砸就行了。 但如果已经有人把钉子砸好，把产品拿过来，我觉得大家还是愿意用的。比如最近出现了很多 AI RSS 订阅源总结产品。我最早也想过，要不自己用 Claude Code 或 Codex 写一个，但后来发现现有产品已经很好用，我一个月付十几块钱订阅费就可以了，完全不需要自己烧几百个 token 去写一个 App。 这有点像锤子或者机床刚发明时，大家都想自己做东西玩；但当产品的共性需求足够明确、可以规模化之后，买一个产品往往比自己做更便宜。所以 Agent 现在还处于大家动手尝试的早期阶段，到了规模化、工业化供给阶段，大概率会分化出很多满足大多数人需求的共性 Agent 产品，形成创业机会。这是我比较期待的。 刘鹏奇 大家一开始愿意自己动手做，一部分可能来自 FOMO，一部分也来自过程中的成就感和掌控感。比如以前我们会说“只差一个工程师”，现在没有工程师，我也能把这件事做成，这个成就感很强。 但如果这项能力已经普世化，大家都这么做，从全球经济价值角度看，一个 token 能带来的实际经济价值可能确实不高。很多 C 端用户开发的代码，可能就是垃圾代码，躺在那里，并不会真正上线运行，也不会服务什么用户。 我的感觉是，这还处在比较早期的阶段。相关的另一个有意思的话题，是 token economy。大家还在形成共识：token 应该怎么定价？按成本定，还是按它实际创造的价值定？ 很多人开发了有成就感的应用，但实际上没有产生价值。这样的应用，其定价还能不能持续维持？我觉得还需要拭目以待。 刘鹏奇 明白了。不要重复造轮子，也就是说，最后如果 token 经济体系形成，大家才会在上面更好地运转 Agent。 严千行 长期来看，token 价格肯定会基于供需关系回归某种价值，但这个价值到底以什么为锚点，还值得观察。未来不一定能用线性的方式推演。比如现在大家按订阅方式推演几家模型大厂的商业模式和营收模式，未来未必会这样。 今天大家还没有完全摸索清楚，到底用多贵的 token 去跑自己的任务。往往在不清楚的情况下，宁愿用最贵的。所以之前 token 用量和支出上涨，后来又突然回跌。我理解这更多是一次健康回撤：大家意识到，不要杀鸡用牛刀，便宜的模型也可以。 慢慢地大家会趋于理性，这都是经济行为上的正常波动。 刘鹏奇 我们刚才针对 Agent 已经聊了很多。市场对大模型的讨论也很多，还是想问一个老生常谈的问题：过去半年，整个大模型的能力进步速度，是加快了还是放缓了？ 严千行 ### Models Learn To Deliver Work 我的体感分两方面。如果是结构性创新，比如当年 o1 出来的 reasoning 创新，属于跨越式创新，那么现在确实有一段时间没看到了。但回过头来看模型关注的能力点，进步仍然非常快。 一个很明确的感受是，过去大家看模型发布报告，主要看 MMLU、数学测试，相当于让模型去考试、看榜单。但今年大家看的是 SWE-bench、Computer Use Agent Benchmark 之类，强调任务交付能力。 模型的叙事从“我能应付考试”，变成“我要真正交付 Agent 价值”。今年最大的变化，就是模型越来越像一个能够支撑数字员工的系统。大家都在讲我的 coding 更好了、修 bug 能力更强了、调用工具和命令行能力更强了、桌面 Computer Use 更强了、执行长任务能力更强了。 所以不再像过去一样考数学、比谁分数高，而是看真实任务中的交付能力。它虽然没有出现结构性、颠覆式的创新，但在真实任务落地能力上快速提升。这也是为什么大家感觉 AI coding 越来越好用，本质就是模型越来越强。 刘鹏奇 就像一个学生从学校毕业走入社会，知识储备和能力可能已经基本定型，但他在实际工作中能发挥到什么程度，现在考核的不再是考试分数，而是能完成多少工作任务。这是一个很大的变化。 表现最突出的是哪家公司？大家现在肯定关注海外 coding 最强的 Anthropic。 严千行 Anthropic 非常明确地把所有重心投入到 coding 上，是一个绝佳的战略决策。它从大模型竞争中的追赶者，变成了行业引领者。它最早意识到，模型要从考试转向任务执行，评估体系也要转变。 为什么 AI coding 产品突然变好用？本质上是 Claude 3.5 出来之后，coding 就好用了，Claude 一直往前做，coding 工具就越来越好用，大家用得越来越多，形成正反馈。对 Claude 来说，它在这个方向上持续强化。 另一个原因是 Claude 的收入增长太好看、太夸张了。现在有说法认为它的 ARR 可能达到 160 亿美元，市场也预测它今年上市时可能达到万亿美元市值。从这个角度来说，它无疑是最引领风投的公司。它的推理毛利率也很好看，据说今年年底可能很快实现盈亏平衡，这都是超出预期的进展速度。 它选择了一个看起来比较垂直、其实足够大的市场，把用户群打透，比做一个看起来很全面、但每个方向都不绝对领先的产品更有效。 刘鹏奇 我觉得也不能简单描述成“垂直”。从 coding 角度切入，并不是一个特别垂直的领域。Coding 本质上包含了人的逻辑和决策流程，是把算法落实成一个真正能运行的应用。 它把重心投入 coding 后，自然而然增强的是推理能力、关联思考能力和链式决策能力。这些能力又反哺了模型，所以大家在使用 Claude 时，总觉得它特别严谨、特别聪明。相比之下，有些模型可能天马行空、非常有想法，但不可靠。 这就是基于 coding 和 Agent 应用带给模型的反哺。我觉得这叫“学而不思则罔，思而不学则殆”，也可以说是知行合一。Anthropic 是最早把知行合一做得比较好的公司，所以反馈下来，它的“知”提升得比别人快。 今年 Anthropic 说发布了自己的 Fable 5 或者 Mithos，当时新闻特别多，说绝对不对外供应，只短暂开放了一段时间后又下线，还传出美国要封禁。我不知道你怎么看封禁这件事？ 严千行 网上对这些模型的能力有很多评价，但很多用户其实没有真正使用过。我简单看了一下，它的能力提升，比如上下文长度、自适应循环思考，以及和 Agent 能力的融合，确实给用户带来了很强的体感。 但它被封禁这件事，一方面可能有烟雾弹和饥饿营销的成分；另一方面，它是否真的能带来类似国家竞争武器的能力，可能还需要继续观察。GPT-5.6 也发布了模型，但目前同样没有完全对大众开放。我觉得还是要再看。 刘鹏奇 回头看国内模型，你觉得这半年进展怎么样？ 严千行 最大的惊喜来自智谱。 刘鹏奇 对，智谱的股价。 严千行 智谱股价上涨，加上 GMM 5.2，它也把重心放到了 Chain of Thought 上。回过头来看，模型呈现出的进展最好。你怎么看其他家的进展？ 刘鹏奇 智谱在架构上做了一些自己的创新，GLM-5.2 也在训练长程任务表现。我们听说它加入了一些过程奖励的方式去提升能力。 我觉得国内团队无论是在架构、算法，还是模型创新上，都还在持续迭代。更重要的是，大家在数据定义、数据采集和任务定义上也开始补强，这也是之前讨论比较激烈的部分。 海外厂商一直质疑国内是不是在做大量蒸馏。但如果只是蒸馏，天花板其实有限。现在大家在上市、融到足够多资金之后，除了堆算力、挖人才，也越来越愿意在数据采集上投入资源和资金。 国内其他几家大厂，据我们了解，今年也看到很多专门做数据服务的公司，这些公司赚得很多。只要有数据，就会被疯抢。所以除了模型架构迭代，国内模型也在数据上补足了原来和海外大厂的差别。 另一个标志性事件是 DeepSeek。它自从去年年初发布模型后，有一段时间比较沉寂，但其实一直在做很多努力，包括适配国产算力。今年它完成了一次融资，这和过去一直声称不融资相比，是一个变化。 这个选择，可能更多是为了从人才和资源绑定的角度，帮助企业发展得更好。国内模型竞争仍然非常白热化，大家对人才的争夺很强，所以 DeepSeek 需要通过给公司做估值定价，给员工足够激励，吸引和留住最好的员工。我觉得这可能是这个时代最重要的资产。 另外，它可能也希望更多和国内算力及其他厂商合作，不仅提升自己的能力，也把整个中国的产业生态带起来，从模型到上游算力基础设施、芯片和整个系统都带起来。 严千行 DeepSeek 这件事值得说一句。刚出来时，行业竞争者包括国内的一些模型公司，资金支持规模大概都是几十亿级别。作为一家由量化基金支持的 research lab，DeepSeek 还能和大家协同竞争。 但从去年到今年，出现了一个巨大而明确的变化：大厂开始砸钱做模型。字节的相关团队砸了很多钱，阿里、小米也在砸钱；还有 MiniMax、智谱上市。现在这些公司手上的资金体量已经不是几十亿人民币的规模。 如果 DeepSeek 还按照原来的方式运转，无疑是在给自己增加挑战难度。DeepSeek 是一家风格非常明确的公司，一切都是服务于做出更好的大模型，而不是服务于某些商业落地目标。 刘鹏奇 我们聊了很多国内大模型的变化。从你的观点来看，和美国头部模型相比，我们的差距是在变大还是在变小？ 严千行 在基础能力、入门能力以及一些通用标准版模型上，中美差距正在逐步缩小。拿智谱举例，很多人觉得 GMM 5.2 的编程能力已经非常接近 GPT-5.5 和 Claude Opus 的最新模型，这个差距确实在缩小。 但有一个非常明确的问题短期无法克服：基础设施和算力。美国有数十万卡集群的数据中心，支持它们训练模型。所以在最前沿模型上，我们短期仍然比较难追赶，因为这是生态竞争。 但在整体效率上，我们擅长用小钱办大事。没有算力，就提升算法效率，所以追赶速度会很快。短期内可能还是美国模型厂商探索前沿、推进尖端性能，我们想办法跟进；但随着中国生态完善，我相信最终也会出现我们探索前沿的时间点。 2022 年大家觉得很难追上；2023、2024 年觉得可能差一两年；到今年，可能几个月就能赶上。就像最近智谱 CEO 在 X 上和马斯克对话，马斯克问什么时候能赶上 Mistral，他说过一个季度、下个季度可能就赶上。 我对差距的观察就是这样：值得期待，但也要正视基础设施的差距。 刘鹏奇 这些基础设施决定了模型架构探索的空间。机器更多，就能同时运行更多实验，探索前沿的效率更高。但在补数据能力上，国内已经比原来强很多。数据对模型能力进步的贡献占比看起来也会越来越高，所以从这个角度看，差距会缩小得更快。 另外，轻量化模型在效率和成本上的优势非常明显，我们一定程度上已经领先海外模型厂商。MiniMax 2.5 在 OpenClaw 出来时就成为官方推荐模型；今年 3 月英伟达发布会上，黄仁勋也提到未来模型会分层，在轻量版和中间标准版、通用版模型中，Kimi 和 MiniMax 都出现在 PPT 上。这说明我们确实追赶得很快。 还有一个很有意思的方向是视频生成模型。 严千行 确实，今天国内的声音反而更大，尤其 Seedance 发布之后，收入 AR 已经达到 20 亿美元。反观海外，除了 Google 的 Veo 3.0 还被认为不错，Sora 已经关闭服务，整体差异看起来反而是国内更强。 我觉得有几个原因。首先，国内在训练视频模型的数据上并不落后。字节、阿里在这方面都有积累。刚才谈到文本和大模型数据，需要重新采集很多数据；但视频本身有大量存量数据，怎么把训练和数据挖掘做好，这里面有很大空间，国内厂商做得不错。 另外，视频模型的 token 消耗量巨大，所以 token 生成成本和效率会被指数级放大。比如 Sora 生成同样一条视频，成本可能是 Seedance 的很多倍，如果还按照同样的价格，就很难支撑商业模式。 Seedance 可以通过架构设计和算力高效利用，把成本降到可接受的程度，从而带来商业化价值。我们也看到，视频模型相关收入和 token 使用量，已经占到字节整体业务中相当重要的比重。 刘鹏奇 可能因为中国有 AI 短剧、AI 漫剧，所以我们有明确需求。现在很多工作室都在等最新模型改进生产效率流程，而这些内容生产出来以后确实有人消费。海外可能在消费渠道和消费需求上少一些。 还有一个有意思的观察：目前视频模型做得最好的几家——字节、快手、谷歌——都有自己的视频平台。快手有快手，字节有 TikTok 和抖音，谷歌有 YouTube。所以我猜测，数据能力决定了产品上线和进展速度。 这不一定意味着它们直接使用自己平台的数据，但它们做过视频平台，知道如何从工程化角度处理这些数据资产。 ### AI Infrastructure Faces Bottlenecks 接下来聊聊 AI 基础设施。英伟达去年年底收购了 Groq，今年 3 月 GTC 上也发布了 LPU 方案；最近我们看到 Cerebras 这种一体化晶圆公司上市，OpenAI 前两天也刚刚流片了自己设计的推理芯片。 随着大模型厂商快速推高资本开支，token 消耗量也越来越大，算力基础设施成本肯定会成为重要问题和瓶颈。针对算力基础设施这一层，你觉得正在发生什么变化？市场要面对哪些挑战和机会？ 严千行 可以先讲一个大家感兴趣的现象。从去年下半年到现在，英伟达股价没有涨幅特别大，仍然在 180 到 220 美元之间波动，但它上游相关公司，包括光互联、存储公司，股价都迎来了让人羡慕的 10 倍涨幅，快变成币圈了。 刘鹏奇 对，10 倍以上。去年把年终奖存进去，今年可以收获一整年的工资。大家经常在社交媒体上看到，美光股价涨了多少，港股南向资金买入的海力士今天跌 20 个点、明天涨 30 个点，上上下下。 严千行 回到行业变化的核心，过去是算力够不够，今天变成整个算力系统是否高效运转。 过去大家只用英伟达最好的芯片去做训练和推理，英伟达也是用传统 GPGPU 来解决所有问题。现在变成要搭建一个更高效、在各个场景下 ROI 最高的系统。 关键模块不再只是 GPGPU 或单独的算力芯片，而是要考虑推理是否需要更好架构的芯片，大幅降低推理成本。假设 AI 真正渗透到各个行业，推理需求绝对占 90% 以上。推理成本决定整个社会 AI token 的消耗速度和消耗量。推理成本越便宜，token 越便宜，模型产业才有钱赚。 系统要高效，不仅是计算问题，还有存储和传输问题。光互联和存储因此受到关注。 光互联解决什么问题？举例来说，一个 1 万个节点的 GPU 集群，第一个节点算完，要快速把结果传给第二个节点，第二个节点再传给第三个节点，大家共同计算一个神经网络。如果传输跟不上，A 算完传给 B 的过程中，B 已经把自己手上的活算完了，只能等待。 这就是 GPU 利用率问题。如果 GPU 利用率整体偏低，对算力公司和整个算力系统来说都是低效和浪费。你雇了 1 万个人，但因为流水线传得慢，有些人在磨洋工，等于白花钱。所以大家开始花很多精力提升通信速度。 从光互联到片上光互联，这是一个长期的“光进铜退”过程。大家可以看到，光模块用量大幅增加；数据中心板间连接从原来的直接接线，变成 PCB、背板连接；再到片上的探索，大家都在尝试更高效的光互联形态。 比如更高速率的光模块，从可插拔光模块到 NPO、LPO，再到 CPO，这些都是基于刚才的需求倒推出来的，逼着整个系统变得更高效。所以系统里明确面对的墙，一个是传输墙，另一个是存储墙。 存储墙是什么意思？东西已经算完了，存在那里；下一次重新计算时，要把这些东西搬给计算单元。这个过程也会让算力单元等待，造成算力浪费。于是大家努力提升存储和算力之间的带宽，让存储具备更高带宽，这就需要更好的存储芯片。HBM 就是在这个过程中诞生的。 HBM 过去十几年一直被认为性价比低、用处不大，突然在今天被整个行业快速铺开，释放了价值。随着 AI 应用越来越多，更多数据会变成数字化数据，很多以前没有数字化的上下文也会被存储。多模态模型出来之后，存储需求只会进一步提升。 对云端来说，这不仅是 HBM 的问题，也有 SSD 和 DRAM 的问题。HBM 成本太高，为了提升整个系统的 ROI，还要考虑分级存储和多次利用，这也是过去一两年很多云厂商和技术公司在做的事情。 所以最后看，不管光互联还是存储，HBM 连带 DRAM 和 SSD，都被推到了非常高的需求水平。我们听到的情况是，阿里云的朋友说，他们 2026 年买存储都得靠抢，已经非常难订到市面上的存储芯片。 刘鹏奇 最直观的感受就是苹果昨天发布的消息。因为存储价格上涨，MacBook 要涨价，已经影响到和 AI 无关的 C 端。 现在已经影响到普通人。为什么我去年非常坚定地把用了 5 年的手机换掉？因为如果去年不换，明年换手机大概率会遇到芯片、存储价格上涨，手机也要涨价，iPhone 也会涨价。 严千行 挑战和机会可以这么看：过去供给侧有新技术出来，再慢慢向需求侧推广，做了新技术之后去找场景。但今天 AI 带来的爆发式需求，把原来的很多周期性行业变成了成长性行业。 现在是需求侧倒逼供给侧。英伟达在倒逼上游公司解决问题，加速研发和投入，把存储墙、通信墙解决好。这是整个行业过去一两年非常大的变化。 当然，今天还没有完全解决。整个算力系统抽象来看，做的就是一件事：把电力和硬件转化为 token output。先不考虑基础设施投入，只看运行时 OPEX，如何让 OPEX 尽可能高效地转化为产出，这个过程还会持续倒逼算力基建系统各个模块迭代技术。 比如更低功耗、更高产出、更低成本、更好的可维护性。最终本质上都是做更好的 AI 基础设施，用更便宜的价格供大家使用。和前面聊大模型、Agent 一样，大家都在解决底层问题，让我们更便宜、更好、更快地使用 token。 刘鹏奇 所以我们关注的也不只是算力本身，还包括和算力相关的存储、通信、上面运行的软件，甚至服务器集群中的液冷。整个系统是一体化优化的过程。 严千行 对，这是一个系统工程。另一方面，需求多元化也会反映到不同硬件上。比如端、边、云。 端侧，就是我们身边一些不插电、但带电运行的设备，比如手机、手表、耳机和各种可穿戴设备。边缘侧，可能是插电、但仍然在身边运行，针对少量 C 端或 B 端用户做私有化部署的边缘计算盒子或一体机。云端则是在线提供的远程服务器资源，比如阿里云、腾讯云、华为云。 前面谈大模型时，不同类别、不同档次的模型会分层；落地到应用侧，在端、边、云上也会分层。不同分层交叉，就会诞生新的机会。 我们不可能用最高性能的设备跑端侧，因为从功耗、体积等角度都不合理。所以要为端、边、云设计不同类型的推理芯片，以适配不同应用场景。 刘鹏奇 端、边、云在模型生态里各自会有怎样的发展？哪些场景适合端侧，哪些场景会被边缘和云端承接？ 严千行 针对 C 端，我觉得未来端侧比例可能会比较高。现在端侧还跑不了太大的模型，但我们看到未来趋势，包括我们投资的一些初创公司，端侧未来甚至可能跑几十 B 的模型。 到那一天，模型能力本身也会进一步提升。现在几百 B 模型的能力，未来可能通过几十 B 模型实现，同时还能跑在端侧。大多数简单任务，甚至一些 Agent 任务，都可以完全在端侧完成；只有编程、长程推理这类复杂任务，才需要交给边缘或云端。 所以未来 C 端端侧市场，是绝对不能忽视的机会。 边缘侧可能会成为沉淀最多私有数据的载体，无论针对 C 端还是 B 端。无论是 NAS 还是一体机，它会存储和处理和个人、业务相关的文档、视频、图片以及数据库内容。 对于 Pro C 和 B 端来说，它可能几乎可以在本地运行满血版的开源模型，大多数任务都在本地完成。只有一些本地解决不了的特殊任务，再经过脱敏和安全机制，交给云端协同。剩下的就是更多由云端算力解决的问题。 刘鹏奇 我刚想到一个问题。苹果涨价，而云端基础设施需求这么大，直接把价格推涨，会不会短期压抑端侧需求？比如大家短期不更新电脑，原来便宜的端侧硬件也变贵，反向来看是不是对端侧短期不利？ 严千行 现在端侧算力和存储空间，可能还支撑不了太复杂的应用。刚才的判断更多是针对两年后的市场。 到那个时候，还要叠加周期性因素。我们都知道现在 AI 肯定处在泡沫或者高位，它到时候会不会回调？如果回调，可能会对上游供应链进行挤泡沫，成本会有很多变动，所以还要看未来整体市场的周期变化。 刘鹏奇 我倒觉得有个点很有意思。假设短期云端会吸走大量资源去建设基础设施，那端侧长期是不是会倾向于在相对低算力消耗、相对低硬件成本的情况下，实现更好的功能？这也许会是一个很好的创业方向。 严千行 没错。我们也看到了很多初创公司，大家在尝试如何把相对大的模型，通过剪裁，或者和 SSD 互动，部署在性能相对低一点的硬件上。这是很多厂商在尝试解决的问题。但这种模式到底能带动多大的市场，还需要观察。 刘鹏奇 ### World Models Take Center Stage 2026 年从一级市场体感来看，最明显的是世界模型变成了超级热门的词。上半年看的项目里，号称和世界模型相关的公司应该有几十家。我们一起看过的项目也很多，比较多元：有和具身智能相关的，有做视频生成、游戏的，也有和仿真相关的。 大家其实对什么是世界模型并不十分清楚。粗浅理解，它本身不一定是一个模型，更像一种概念：我们对世界施加外部行为干预，然后预测世界在下一个时间点会怎么变化。 按照这个定义，牛顿定律是不是也可以算世界模型？对每个人来说，我们生活在世界上，也无时无刻不在调用自己的世界模型，预测如何和身边的人及环境交互。 回到和 AI 相关的狭义世界模型，它可以是真实的，也可以是纯数字化的。真实世界模型可以用于具身智能交互，纯数字世界模型可能用于视频生成。严博士，你觉得世界模型是什么？它和我们以前看到的 VLA、视频生成模型，甚至大语言模型有什么关系？ 严千行 世界模型不是新概念，最早在强化学习里就有。强化学习本质上是给予环境刺激，环境反馈，再基于反馈评估奖励函数，不断强化学习。刺激和反馈之间的部分，本质上就是世界模型。 所以现在大家对世界模型的理解基本上都差不多：让 AI 基于各种输入，预测某个状态的结果。这个结果能用来做什么，就变成了结合不同场景的世界模型。 现在世界模型更像一个概念。大家觉得自己和这个概念贴合，就把自己叫世界模型。比如 Sora 当年出来时就称自己是世界模型，因为它通过视频输出预测世界的未来变化。 Sora、Veo 等视频生成模型，在一定程度上都算世界模型。它们预测未来，但有时并不准确，经常会违反物理规律，比如手穿过玻璃，或者上车时从车窗穿过玻璃跳进去。 还有一派是李飞飞代表的 3D 世界模型。李飞飞过去 10 年，尤其后 5 年，在她和苏昊的团队里做了很多传统 CG 领域的 AI 工作。现在她想通过视觉模型建模真实 3D 空间，在这个 3D 空间里进行 3D 操作，而不是像 Sora 那样输出一张平面图像帧。 这更像一个可渲染、可交互的 3D 世界。至于能不能完成真实物理交互，目前还没有看到具体进展。 另外还有 LeCun 提出的 JPA。他希望把世界抽象成客观表征，是非常高调的 anti-LM、anti-next-token-prediction 路线的代表。他认为世界的很多表征不能用具体 token 表示，而应该用抽象的隐空间表示。 这个说起来有点抽象。一个典型比喻是，我们看面前的话筒。假设用 next-token prediction，它要预测我们看到的画面的每个 pixel；而 LeCun 的抽象表达是，只要知道前面是一个话筒就可以了，因为他把光和图片信息抽象成了一个概念表征。 能不能做出来，我现在也不知道。目前只有他的团队在做。把 world model 和 action policy 结合起来，叫 World Action Model，也就是 WAM，也是上半年比较热的方向。 刘鹏奇 听起来，大家都在尝试用新的架构搭建世界模型。大家可能已经形成共识：世界模型需要不同的架构，但对于到底需要什么样的架构和表征，还没有共识。 有 3D 路线、纯视频路线，也有 JPA 这样的隐空间路线。大家在不同路径上探索，但至少认为它可能和 LM 的架构不一样。 语言本身已经是一种高度抽象，但世界模型包含大量现实物理空间、多模态信息。这些多模态信息没有经过同样高度的抽象，所以可能需要另一种表征方式，把它抽象成能够进行因果推理和预测的架构。你同意这个观点吗？未来它和 LLM 会是什么关系？ 严千行 我更倾向于认为，语言和世界模型不是谁好谁坏，也不是谁要消灭谁。 从人的角度来说，说话和写作是我们和世界交流的一部分；另一部分是看世界、用双手体验世界、做一些事情去改变世界。面对面交流时，我们不仅通过声音，也通过表情、眼神交换感受。 所以本质上，大家是通过不同渠道和世界交互。语言是一种高度压缩的方式；触觉、视觉、听觉、嗅觉等感官，更像世界模型关注的输入信号和预测过程；我们的双手则负责执行。 我觉得，语言模型解决好语言层面的智能之后，自然会继续拓展到更多领域，让 AI 获得理解世界的能力。世界模型算是在语言理解之上的升级。 至于为什么有这么多路线，是因为每个人对世界的理解和思考方式都不一样。有些人擅长具象思考，有些人擅长抽象思考，所以对世界的预测方式、决策机制也不同。 世界上有各种各样的人，世界模型必然也会有各种各样的切入点。擅长抽象推理的人适合做数学，擅长具象化想象的人，艺术创作能力可能更好。模型最后也会有各自擅长的点，不一定存在一条路线优、其他路线都不优的情况。 3D 世界模型是去渲染世界；JEPA 是要抽象世界，比如抽象出牛顿定律；WAM 则是想象要做什么事情。不同场景用不同类型的世界模型去补充，是合理的思路。最后也可能大一统，也可能不会，我现在预测不了。 刘鹏奇 我总结一下。LLM 和世界模型有点互补。世界模型更像我们的先天能力，是通过基因和几十亿年的进化形成的、学习如何和世界交互的能力；语言模型更像后天学习的能力，我们出生后学会语言，就开启了第二条增长曲线。 它们的迭代和进化方式不同，但共同塑造了我们今天的能力。 严千行 我觉得这个理解很准确。 刘鹏奇 为什么世界模型是在今年上半年突然爆发，而不是去年或者未来？ 严千行 这可以从两个方面看，都是技术迭代的节点驱动了今年世界模型的爆发。 第一个是视频模型的完善。大家回忆最早生成威尔·史密斯吃意大利面的经典视频，再到现在的视频模型模拟、渲染真实吃面的画面，已经有了巨大进步。原来和物理完全不相关，现在已经非常符合真实。 视频模型训练的完善，为世界模型的切入搭好了基础。所以很多基于视频模型实现世界模型功能的赛道，例如具身智能、视频类世界模型，以及 action-driven 的世界模型，都是在视频模型完善的基础上搭建出来的。这是供给侧的变化。 另一个供给侧变化是 3D 表征形态的发展。最早有 Mesh、点云，主要用于 CG 渲染和操作；后来有 NeRF，用于采样和贴图重建；再到高斯泼溅，适合渲染 3D 结果；去年又有 3D VGGT，可以从单张照片进行 3D 建模。 这些 AI 3D 生成技术逐步完善，为 3D 世界生成打好了基础。但能做 3D 世界的公司仍然比较少，因为算力要求、训练难度和成本都很高。国内目前也只有腾讯发布了相关版本，另外有李飞飞团队的一些成果。腾讯本身游戏能力很强，所以比较适合做这件事。 基于视频模型驱动的世界模型则有很多团队介入，包括具身智能、游戏等方向。一个比较大的变化是，开源视频模型的供给非常完善。大家有好的开源模型，就能快速尝试和训练，调出阶段性成果。 刘鹏奇 是不是也因为视频数据更丰富？相比 3D 或其他多模态数据，视频数据更 ready，所以不同团队更容易训练出基于视觉的世界模型？ 严千行 这也和视频本身的发展有关。Diffusion 加 autoregressive 等技术已经相对成熟。人类视频数据量很大，视频中包含了很多物理世界的信息和特征。 比如拿一个水杯的视频，它肯定符合这个世界的物理规律。这些大量数据可以作为很好的先验数据。但 3D 生成要产生逼真的画面，过去很多传统 CG 领域并没有这么多明确的数据驱动，更多是经验和规则驱动，所以李飞飞那条路线难度大很多。 至于 LeCun 的 JPA，我也不知道最后能做成什么样。这是一条非常特立独行的路。如果做出来，就是颠覆式创新；如果做不出来也没关系，因为他是在挑战世界上最难的事情之一。 刘鹏奇 世界模型和我们过去几年一直在看的具身智能一样，面临一个比大语言模型更严重的问题，就是缺少数据。所以我们看到大家在讨论数据金字塔：最底层是合成数据，中间是第一视角采集的 ego-centric 数据或 Omni 数据，最上面可能是真机遥操作数据。 头部具身智能和世界模型厂商都在投入大量资源获取这类数据。今年大家也讲，希望第一人称视角数据从 10 万小时推到百万小时甚至千万小时。这样是否就能解决问题？还是仍然需要探索其他方式获取和训练数据？ 严千行 如果聚焦世界模型，它希望抽象现实物理世界中的物理状态、物理 dynamics 和物理规律。现在我们不缺视频，缺的是蕴含物理信息的数据。 目前有 3 类路径。 第一类是真实物理传感器采集，比如摄像头、雷达、力传感器、触觉传感器、温度传感器和声音传感器，去记录真实物理量对应的视频、视觉数据。这些数据最好再和真实视频流，或者视觉模型需要的其他 3D 数据结合起来，形成我们需要的训练数据。 第二类是仿真数据和数字孪生。很多物理交互不会布置传感器，不可能握手时就在手上布一个传感器。过去我们有物理仿真工具，在没有传感器的情况下，通过计算得到接近真实的物理量，指导工业设计和工业任务。 仿真和数字孪生可以生成大量相对可控、真实环境中又很难采集的稀缺数据。它不像机器人里常说的合成数据那样，simulation gap 可能很大。假设有充分时间、足够精度，像我们看到的 CAE 公司，确实可以拿出 99.9% 或 95% 以上精度的数据，这也是有价值的。 第三类，是大家正在尝试的基于视频做物理数据推理。既然视频中蕴含物理信息，就给视频做物理数据标注，由 AI 模型推断接触物、受力状态变化，再形成数据标签。 这 3 类是世界模型数据的主要来源。对应到具身智能，真实物理传感器采集就是数据手套等设备采集的操作数据；基于视频的物理推理，是基于 ego-centric 数据或人类运动数据，反推机器人的物理数据；仿真则是 simulation-to-real 或合成数据。 大家当然觉得真实物理传感器采集的数据最好，但成本太高。不可能为了训练一个模型花 500 亿到 600 亿去采集数据。所以最后还是要从 ROI 角度合理分配多种数据，形成数据利用梯度系统。这和具身智能的思路一样。 刘鹏奇 所以最终可能还是和前面讨论的不同表征方式有关。它决定需要多少数据量、数据质量多高，也和下游应用场景直接相关。 针对上半年看到的项目，我还观察到一个有意思的现象：这一波世界模型创业者很多都非常年轻，有些甚至还没毕业，是博士生；大部分是刚毕业、拿到教职的老师。为什么是他们在这个时间点出来创业？投资人又为什么愿意赌这些老师？ 严千行 从整个市场角度看，第一是 New Lab 这个概念开始被投资人接受，大家愿意投 pure research 公司。过去大家可能更看重商业化收入、什么时候落地；今年变成了你能不能做出好的成果，能不能改变世界，再去谈商业化。 投资人愿意接受一段时间用投资支持研究，这对青年学者、行业一线学者和年轻博士生来说天然适合。另一方面，市场很热，钱也能拿到，所以大家会先努力尝试一下，看能不能加速研究。 那投资人赌什么？肯定有 FOMO 的因素。合理角度来看，一个项目没有发生什么变化，连续 4、5 轮融资、估值翻 10 倍，当然不合理。但投资人也希望赌出中国下一个 DeepSeek，或者不同领域的 DeepSeek：一家研究驱动、非常纯粹，能够做出改变世界成果的公司。 这里面有各种不同的判断方式，如何投资这些老师，需要具体问题具体分析。我也从老师角度想过这个问题。他们的出发点一定是做出最好的研究成果，甚至交付 AGI 能力。但学校资源不足，他们需要借助产业资源，获得足够的钱、算力，招到最优秀的人和学生。这和前面所说的模型公司出来融资的逻辑类似——他们不得不出来。 刘鹏奇 但也可以泼一点冷水。我相信大多数创业者都希望把事情做好，但从另一个角度看，无论他们出来创业与否，目标都是做研究。即使创业拿了钱，最差的情况下没有成功，对他们自己来说也可能做出了不错的学术成果，即便没有交付商业价值。 这可能也是泡沫中的一点隐忧。 严千行 最后什么样的教授能做出好公司，还是要回归本质。不是把研究放到公司里做，就能成为一家好公司。 刘鹏奇 我博士老板在博士毕业后曾经在美国创业成功、被收购，后来才去做老师。他也讲过，做老师和做创业完全是两回事。创业要用创业的思维，不仅仅是做研究。创业公司的研究，也是以创业成功为目的，而不是为了发论文。这个区别很大。 我们聊一个轻松一点的话题。如果世界模型真的出现明确商业化进展，最先让我们感受到的会是游戏、内容消费，还是一直听到的具身智能？ 严千行 只能做一个大胆预测。从消费者角度看，最先看到的可能还是游戏和内容消费。无论生成视频、3D 资产，还是游戏场景，都不追求绝对准确，只要能骗过人类的眼睛就可以。 我觉得纯数据驱动的方式可能在这些领域做得比较好，前提是成本和算力账能够算得过来。这个领域可能会率先落地。 具身操作则需要更长时间，可能先在垂直领域尝试，但从长期普遍逻辑看，数据问题还要等待解决。 刘鹏奇 我还挺期待。如果世界模型真的用在游戏里，这辈子就不用再看到诡异的穿模和各种奇怪 bug 了。 严千行 有了世界模型之后，具身智能行业应该也会发生变化。 刘鹏奇 ### Embodied Intelligence Rewrites The Stack 现在大家能感受到的变化，好像是 VLA 被变成了人人喊打，而世界模型大行其道。所有讲具身智能创业的公司，今年都在讲世界模型。 但从客观角度看，具身智能行业一直在探索更好的具身智能定义和实现方式，怎么实现泛化，怎么搭建整个系统，从数据、预训练、后训练到部署，把整套流程搭建好，再形成泛化探索。这是行业一直以来不变的目标。 变化在哪里？先解释一下 VLA。VLA 就是把语言模型、视觉语言模型 VLM 和机器人的 action 模型连接起来。比如把一张图传给 ChatGPT，问它图里是什么；视觉理解模型再和 action policy 连接，把视觉输入通过 VLM 处理后生成动作，部署到机器人上。 这个具身智能模型有个问题：VLM 里的视觉部分参数量不大，但语言模型参数量很高。这导致它对世界和物理的理解不够，需要大量遥操作数据训练后面的 action policy。比如手应该怎么动、不能怎么动，都是通过模仿学习学到的。 所以大家过去发现 VLA 的泛化一直有挑战，有人甚至说 VLA 本质上是过拟合。 但随着开源视频生成模型的发展，大家开始想：既然都是视觉输入进来、token 输出，为什么不拿视频生成模型做视觉输入和视频 token 输出的基座模型？ 严千行 也就是用生成替代理解。 刘鹏奇 对。直观理解是，人做动作前会先想象做了这个动作会怎样，再根据想象去行动。这样之后，很多物理规律和真实约束似乎会被训练、封装在视频模型的隐空间里，泛化上限可能更高。 所以从去年开始到今年，出现了很多具身智能世界模型，一级市场也有很多创业项目在讲。但大家感受到的好像是 VLA 要被扫进垃圾桶了，实际上是这样吗？ 严千行 有一个重要信息是，要看美国头部大厂在做什么。今年 Generalist AI 发布了最新模型，它的 CEO Peter Florence 在 X 上发表了一篇文章，叫《Beyond VLA and World Models》。 其中一个核心观点是，具身智能不应该幻想靠某种方法论、拿着某个锤子解决所有问题。具身智能应该根据自身定义设定目标，用目标驱动而不是方法论驱动，去解决泛化问题。 不是今天出现一个新技术，就放到具身智能上试一试。那可能取得一些阶段性成果，但不能真正解决具身智能问题。更重要的是，基于具身智能目标——实现 zero-shot、可泛化的具身智能动作系统——去搭建系统级方案，最终实现这个目标。 所以最近北美的一些叙事，是不要争论 VLA 还是世界模型，而是强调 World Action Model 和 VLA 互补、协同，都是具身智能的一部分。我觉得这个逻辑更合理。 可以想象我们练习打网球。VLA 是看到网球打过来，执行什么动作把它打回去；世界模型是看到球过来时，先想象用什么方式打回去。但很多时候先想再动比反应慢，所以世界模型今天的一个问题是推理慢。 高水平运动员并不是先想再动，他们基于身体本能。这个身体本能也可能通过 VLA 实现：基于视觉输入，身体直接输出一个本能动作，快速反击。 两者并不冲突。对陌生环境，可能需要世界模型预测动作结果；对熟悉动作，可能不需要世界模型。所以世界模型的引入和 VLA 的结合，算是具身智能行业的一种快速进步。 刘鹏奇 我们也看到，有些世界模型公司把世界模型当成训练 VLA 的环境。在这个程度上，两者本身就是互补的。WAM 其实是把预测和 action 结合起来，大家都在尝试不同的结合方式。 我们已经聊了很多具身智能“大脑”的部分，再看本体和硬件。宇树很快可能要上市，乐聚、云深处等厂商也在港股排队，还有很多人形机器人和其他本体厂商。 从上半年情况看，硬件和本体已经到了批量落地阶段吗？ 严千行 现在只能说处在阶段性商业化阶段。表演、科研、特殊垂直场景对人形机器人的需求都存在，不能否认表演不是商业化场景。无人机表演就是非常重要的商业化场景。 今年很多公司，加上上游技术成熟，尤其是去年 Mimic 这类全身动作模仿和 retargeting 技术成熟之后，我们能看到机器人跳的舞越来越多。机器人在表演、接待、展览等活动上，已经形成了租赁和购买价值，机器人公司也会有明确出货量。 到这个阶段，以硬件出货、产品级硬件销售为主的公司，具备上市价值。从财务上看，宇树的营收和利润都很可观，是比较经典的硬件公司状态。 刘鹏奇 所以除了科研市场，它的商业化更多基于情绪价值，但情绪价值也是价值。跳舞、表演确实属于情绪价值，但也很重要。只是它可能还没有完全到提供功能价值的阶段，可能要到下半年或明年再看。 严千行 要提供更高价值，本质上还是智能侧或者模型侧能力进步。比如让机器人完成更多有价值的任务，和刚才讨论的大脑部分结合起来，让它更好地自主地和环境反馈互动。 最近除了跳舞，Luna 开始做导购，在车展上呈现导购交互；Figure 的机器人已经展示了物流上下料，如何拆解和分解任务；智源也做了工厂直播。这些探索在早期非常重要，真正的规模化落地大家预期仍然很高。 这一代人形机器人和传统工业机器人有巨大区别。传统工业机器人本质上是编程驱动，由人的智慧和智能要素驱动，而不是自身智能驱动。如果模型和本体真正结合，形成机器人智能和硬件结合的智能化产品，才会迎来真正上规模的商业化。 刘鹏奇 我们经常把具身智能落地拆成一个“不可能三角”：既要完成长程、复杂、精细的任务，又要有高成功率，还要跨场景泛化。目前看这 3 件事不可能同时做到。 如果考虑落地，选择其中一项或两项，在客户能接受的程度下，可能率先实现。当然成本也是重要考量。 严千行 从落地角度看，今天确实有一些阶段性落地点，但不能预期太高，也不能把它当成终局。不能因为具身智能处于早期，精度和成功率不高，就认为它没有价值。 具身智能今天首先要解决的是通用问题。通用问题解决好之后，才有精力去解决精度和成功率。这其实对应一个经典理论：基模越强，强化学习越有效。 在很差的基模上强化，价值不大。所以大家今天更多在通用化基模上下功夫。 刘鹏奇 一旦通用化基模到了质变点，再加上强化学习和推理，涌现出来的成果可能远超预期。 严千行 所以“不可能三角”今天确实摆在面前，但最终也许一个个攻克之后，整个三角会被拓宽。 刘鹏奇 我们也看到不同公司的做法和观点不同。这一波浪潮能不能直接推到通用和泛化？如果不能，是不是中间选择一些阶段性落地的方式更好？现在还没有答案，但确实存在这种可能。 中国具身智能公司一直被各方力量催促着反复尝试落地；反过来看，海外公司更接近 Lab 形态，比如 Physical Intelligence、Generalist AI 和 Sunday Robotics，都更接近 research lab，有更多精力做基模研究。国内新闻则更多是在讲落地。 严千行 能不能商业化，取决于技术成熟度有没有越过商业化临界点。今天具身智能模型本身还处在非常早期，真正沉下心把 research 做好，长期来看反而更有价值。 过去半年，市场上已经有很多灵巧手和触觉传感器，但仍然有很多新公司出来，也开始批量出货。硬件上是不是到了在最末端的“手”上继续下功夫的阶段？和更成熟的夹爪方案相比，距离商业化还有多远？ 刘鹏奇 这很有意思。2024 年我们看灵巧手时，很多观点是手没必要，用夹爪就行。但这两年灵巧手进步之后，大家终于可以利用 ego-centric 数据了。 ego-centric 数据是人手数据，把人手数据映射到灵巧手上，肯定比映射到二指夹爪上更好。所以这些数据能被利用，本质上是灵巧手发展带来的。可以理解为灵巧手和具身智能相辅相成、相互促进：有好的灵巧手，才会有更多数据可用；更多数据又会促进灵巧手发展。 从投资角度看，过去不断出现新的手，但我个人觉得，硬件形态和创业岗位已经开始收敛，主要是腱绳加关节电机两种驱动形式。各自会有不同切入点。 指标上，2024 年大家看高自由度、负载、精度；今天看的是成本、耐用性和可维护性。大家会问，你这个手是不是真的能稳定落地？是看起来酷炫，还是实际能用？ 随着灵巧手完善，大家会用它做具身智能训练。手是不是能和模型、软件、数据侧很好适配，也很重要。手的公司需要提供相应的中间层服务，这些都是比较明确的变化。 触觉传感器和 2024 年相比，技术路径仍然差不多，包括磁、MEMS、视觉触觉。视觉触觉过去几年声量比较大，因为它的信息输入远超触觉需要，再提取特征信息，实际上是一个降维过程。 在这个过程中，大家可以利用冗余信息，完成很多其他传感器做不了的事情。现在仍然处于各自探索阶段。触觉未来怎么使用，如何和模型适配，可能会重复灵巧手从 2024 年到现在的发展过程。 未来可能会出现触觉数据，视频中推理触觉物理特征，再结合触觉和灵巧手部署具身智能。大概率会走这个过程，但今天仍处于早期。 刘鹏奇 触觉对人是重要模态，未来对机器应该也必不可少。 我最近想到一个任务：如果机器人能完成它，就代表它的手和触觉能力足够强。它只靠手上的触觉传感器触摸一个物体，就能大致还原它的 3D 形状。 人其实有这样的能力。闭着眼睛也可以完成一些操作，精度不一定很高，但大致能还原形状。如果机器人只靠手和触觉就能还原物体，再和视觉等其他模态结合，完成更多任务应该就不是问题。 严千行 这个任务需要的是一个全面的触觉感知能力。数学上，通过一组法向量，可以反推出这组法向量的包络面。 人的感觉也是这样：我摸到物体，知道力的方向，再根据力的垂直方向，逐步感知形状，还能调整空间位置。 刘鹏奇 我们之前聊过投资的几家触觉传感器公司，现场有个很有意思的例子。一个二指夹爪，舵机驱动，性能很差，也很便宜，可能只要 100 多元；但加上触觉传感器，形成控制闭环之后，就能精准夹起豆腐而不捏碎。 这是通过力控实现的。力控肯定是非常基础的能力。什么时候机器人模型能真正用好这些能力，长期来看会是相互融合、相互迭代的过程。今天具身智能和人形机器人的重心，可能还在先做好其他事情，再逐步过渡到这里。大家知道它重要，但节奏会往后拖。 除了刚才讨论的热门领域，你觉得还有哪些方向值得创业者关注？ 严千行 有两个方向我特别感兴趣。 ### AI Expands Beyond Hotspots 第一个是 AI for Science，但不是前几年 AlphaFold 那种概念。科学研究的整个过程，本质上是人类智能和操作结合的 pipeline。AI 可以替代哪些环节，极大加速 research 效率？这也是 AI for Science 的实现方式。 今年可以看到很多 auto research 工作，但目前还局限在某些领域。未来能不能在更多领域极大提升科研创新效率？这是新类型的 AI for Science。 第二个和世界模型有关。世界模型本质上是理解和预测物理世界底层。传统物理仿真器基于偏微分方程求解；现在大家尝试用 AI 替代偏微分方程求解，把底层内核切换过去。 这已经逐渐成为主流方向，大家称之为神经网络算子。用 AI 驱动底层 PDE 求解，可以改变传统 CAE 仿真中的痛点：算得准就慢，算得快就不准。现在有机会做到又快又准，这是一种迭代式进步。 AI for Science 除了科研流程，也可以进入更多研究场景。过去我们更多关注生命科学、材料、药学，例如分子合成和预测。最近我觉得社会科学也很有意思。 社会科学一直缺少高效的推演和实验机制。要么进行大范围社会调研，把整个社会作为实验环境；要么通过抽样调查做小范围研究。AI 能不能为社会科学带来新的研究和加速，哪些环节可以切入，都很有意思。 刘鹏奇 AI for Science 的思路确实被打开了，不再局限于材料、生物科技。 另一个方向是 AI for Hardware。这个事情在国内还会有很好的创新机会，因为我们有最好的土壤：成熟的硬件供应链，一批聪明的年轻创始人和产品经理，还有很好的 AI 基础设施。 他们可以基于自己的想象力快速搭建硬件产品。有这样的土壤，我非常期待会随机进化出一些预期之外的惊喜。 严千行 过去大家不太重视这些东西，但 AI 出来之后，发现这不只是消费项目，也是科技项目。 刘鹏奇 AI 硬件除了直接给用户提供价值，和世界模型也有很大关系。纯数字化数据已经在网上沉淀了很多，但我们和物理世界交互的数据，以及生物数据、脑电数据，仍然非常缺乏。 这些数据需要未来的 AI 硬件来采集。当然 AI 硬件只是一个概念，它可能有算力，有 AI 软件能力，也有各种传感器。用户使用硬件的过程中，模型和 AI 可以更了解我们自己，未来反过来提供更好的服务，想象空间可能更大。 短期来看，AI 硬件很明确的价值，是作为真实活动、物理世界上下文数据的采集工具或入口。因为采集了这些数据，它可能提供新的产品价值。 对 AI 硬件厂商来说，还要思考它只是一个数据采集器，还是能成为数据 hub，以它为中心整合用户其他上下文，为用户提供服务。本质上它也是消费品，用户要购买，所以创业时要想清楚这个定位。 刘鹏奇 最后总结一下资本市场今年上半年的变化。宇树马上要在科创板上市；智谱和 MiniMax 年初上市后，今年股价表现，尤其智谱表现很好。Kimi、阶跃等大模型厂商，包括 DeepSeek，也相继完成大额融资。 你怎么看整个 AI 公司的上市潮？它会对未来一级市场投资带来什么影响？ 严千行 ### The IPO Test Begins 从一级投资人的角度来说，当然是好事，一级市场终于能赚钱了。 从 AI 行业角度看，这些公司在阶段性证明了自己在基础模型生态中的价值之后，进行了资本化兑现。它们也需要更多持续不断的资金，在市场竞争中生存。 智谱和 MiniMax 上市之后，其他表现相对不错的公司也逐渐启动上市流程。它们要竞争、要新的弹药、要打更长远的仗。这是资本市场对长期有价值、但短期仍需要科研投入方向的支持。 海外 OpenAI 和 Anthropic 今年也可能上市，但这些公司的上市，不是像传统公司一样看 PE，而是看长期生态位。互联网公司时代，上市也不只是看赚不赚钱，而是看长期现金流带来的生态优势和生态位置。 今天看这些 AI 公司上市，我觉得要用乐观角度面对。最后股价怎么走，由市场竞争以及它们最终某个时刻的生态位决定。 刘鹏奇 随着更多模型公司上市，包括下半年可能上市的 OpenAI 和 Anthropic，这一轮 AI 我们都承认处在泡沫阶段。现在到底到了什么位置？往后泡沫会破吗？ 严千行 预测泡沫会破很困难。大家都可以说泡沫终究会破，但这是一句正确的废话。 从阶段性角度看，一级市场短期会因为上市带来一波热潮。但二级市场反馈周期比一级市场短很多。一旦业务做不好，或者市场出现问题，股价会快速反馈；一级市场反馈会慢一些。 最终要看这些公司上市之后，实际商业化进展或者研究进展，能不能支撑市场预期。如果这些“带头大哥”支撑不住，反过来就会打压一级市场整体估值预期。 所以对于具身智能、人形机器人以及 AI 相关上市公司，我都希望它们表现好。各家公司表现好，能给一级市场留下空间；如果表现撑不住，可能反过来让一级市场今年上半年快速上涨的估值，出现阶段性大冷静。 大家会想：二级市场上去之后估值都不一定站得住，一级市场这么贵，会不会形成一二级倒挂？那是不是应该保持冷静，不用这么着急，也不用那么 FOMO？ 刘鹏奇 我也同意。预测泡沫什么时候破很难，但我们可以试着预测，如果泡沫破了，影响会是什么；或者说，哪些公司更可能活下来，成为真正的好公司。 泡沫阶段，大家都会觉得自己投的公司肯定最好，不投的公司也不会比别人差。就像二级市场火热时，大家觉得自己买的股票一定会上涨，明天也能涨停。 但泡沫破裂后，市场遇冷，大家必须把资产配置到更优质的资产上，对资产质量的要求会更高。 偏 research 的方向，比如世界模型、具身智能模型研究，如果具备持续研究交付能力，能持续给出关键 milestone 和突破进展，真正引领行业、具备行业地位，仍然会持续拿到钱撑过去。 但如果只是靠 demo、靠讲故事，没有 results 输出，就会拿不到钱。 偏落地的公司，如果泡沫破裂，价值会向商业模式更稳健、业务订单更真实的公司收拢。它们的估值可能短期回升，最终靠的是商业模式的鲁棒性、抗冲击和应对危机的能力。 严千行 如果泡沫破了，反而可能有利于软件大模型和具身智能落地。泡沫传导过去，上游成本可能下降，用户整体使用成本也会下降，从而更好地推动落地。 现在制约这些行业落地的一个重要因素，就是资本开支和成本。泡沫挤掉之后，会为落地创造更好的条件。 刘鹏奇 具体谁能真正做出来，如果大家都上市了，就可以比较，也能帮助市场筛选出好公司。 严千行 对一级市场来说，上市并不等于结束。我们也希望公司上市后继续做好，否则等到我们解禁退出时，股价最终还是会回到合理价值，二级市场反应非常快。 刘鹏奇 最后一个问题，针对下半年做一个预测。如果只能押注一个变量，你觉得会是什么？ 严千行 我希望看到一些能在具体场景形成真实数据闭环的机会。具身智能和 Agent 本质上都是一样的。一旦形成这种机制，或者帮助别人形成这种机制，卖铲子的公司和搭建机制的公司都有机会。 具体来说，今天具身智能已经到了比较难投资的阶段，但如果有公司能够把具身智能的数据系统，从预训练系统、后训练系统、部署，再到真机数据和强化学习，形成一个完整闭环，不断滚动测试和运转，这类公司天然会比单点切入的公司更有竞争力。 关键是创始人有没有 vision，能不能把这样的系统搭建起来。 Agent 也一样。Agent 不是简单卖一个 Skill。Skill 随便下载，不构成商业模式，也没有什么保护。真正能保护的是，怎么样让 Agent 交付接近人的产品。 这需要 Agent 具备自我决策、自我审查和自我学习的过程。人做一件新事情，不可能一开始就做到完美，而是在学习中进步。Agent 能不能实现真实数据闭环，在学习中进步？它需要硬件解决方案，还是软件解决方案？我觉得这些都是下半年值得观察的节点。 刘鹏奇 我也有一个预测。下半年可能会看到更多真正能落地的项目，这里的落地是确实带来商业化价值。 虽然无法预测泡沫什么时候破，但没有任何技术可以不经过周期，就直接实现 AGI。中间一定会经历至少短期波动。在这些波动过程中，能不能落地，决定它能不能建立阶段性优势。 这种优势可以带来收入、融资，也可以带来数据闭环价值，帮助它在下一个阶段重新起飞。这是我的预测。 今天我们针对上半年的 AI 讨论了很多内容，当然这些都是我们个人的意见和想法。很多判断也许会在未来几个月、半年甚至一年内被打脸，但我们也很希望这件事发生，因为这说明行业发展会进一步超出我们的预期。 未来过一段时间，我们再一起坐下来复盘，看看这个行业到底会往哪里走。 严千行 还是去年收尾时说的那句话：欢迎打脸，也希望行业快速变化，让我们明年有更多新的东西可以持续学习和探讨。 谢谢大家。 刘鹏奇 谢谢大家。