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
1. 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。
2. 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
3. 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
4. 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
5. 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。
6. 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
7. 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
8. 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。
9. 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
10. 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。