卫诗婕
今年模型能力的提升有点失望，但是未来 agent 在做 scaling 的这种可能性让我们已经看到了。我们会关注的一点叫作 model orchestration，也就是集众模型之所长。海外所有最先进的模型已经开始使用英伟达的 Blackwell，甚至明年要用 Rubin，但是国内现在只能用水货卡。非共识变成共识的速度急速缩短。对大语言模型来说，它的整个商业化速度远超于自动驾驶。这是全世界智力密度最高、资本密度最高的一场超级竞赛。
这个领域实际上还没有到达一个临界点，这就很像十年前的无人车。十年前的 Waymo 也能开得不错，但是到它真正全面落地，又花了十年。
Hello，大家好，这里是漫谈 Light the Star，我是诗杰。这是一档追求深度、生动和信息质量的科技商业访谈节目。我们争取在每一个技术、商业时代的关键变化节点提供负责、可靠的一手信息。二〇二六年的这些内容更新，是一份迟来的、来自二〇二五年的年终复盘笔记。之所以会迟，是因为这篇笔记很重，串联了漫谈在二〇二五年所捕捉到的大量 AI 行业的关键视角，取材自近三十位中美 AI 浪潮中的关键人物，其中包含我在硅谷和中国两地找到的 AI 创业者、投资人、头部科技大厂研究员、生态建设者和观察者，文字量达到数十万字。
特别要说明的是，这些访谈中的绝大多数我还没有做成节目放出来，是专门为这次年终复盘而做的调研。其实做年终复盘有一种更轻松的做法，比如找一位具有说服力的嘉宾，和他一起复盘二〇二五。但因为这一年的变化实在过于密集和多元，我个人认为，很难找到一位嘉宾能对每一个方向的变化都产生足够聚焦和准确的观察，所以我选择了人海和题海战术，在多个领域的视角中寻找能够交叉验证的部分，当然也呈现分歧。
正如标题所说的，二〇二五年，我们站在四分之一世纪的交界处。我相信，未来回望这一年，它足够重要。今年是一个硅谷大年，科技巨头继续搅动世界，但 DeepSeek、Manus、千问、K2 等中国 AI 力量也开始赢得世界认可，生出一股华人春风。
从中国视角来看，这也是“十四五”收官和“十五五”衔接之年。“人工智能+”行动中的一系列新风向和趋势暗流涌动，中国可能会书写一个跟美国不同的故事。除此之外，在技术上，这也是变化密度极大的一年：一些旧叙事来到了尾声，新叙事开始酝酿。
所以，我们还是试图记录下二〇二五年中美 AI 跃进的轨迹，也埋下二〇二六年值得关注的伏笔，希望大家也能在评论区留下你们的观察或者是不同意见，你的转发更加是支持我们在新年持续进步的动力。那么，从那个不平凡的春节开始，我想很多人都会记得 DeepSeek、宇树还有 Manus 在第一季度带来的震撼和影响力。但大家可能没有过多关注的是，这三家公司分别带来了不同的后效应。
先从 DeepSeek 开始。春节期间，DeepSeek 和宇树让整个硅谷都意识到，要看工程能力的实力，还得看中国人。我记得大观资本的北美负责人 Richard 讲过，他有一个在英伟达工作的白人朋友，在查阅 DeepSeek-V3 的源代码之后感慨说：“这个工程太漂亮了。”
其实华人数学好，这在硅谷早就是共识。但是在 AI 时代，还有一个关键原因让华人成为 AI 的主力军：硅谷早年很多华人在做 infra。Infra 很苦，白人不愿意干，但 infra 对于大模型来说又刚好非常关键。
所以，这些早年做过 infra、拥有超强工程能力、聪明勤奋，而且见识过现象级增长的华人，就成为了这次 AI 战局当中的香饽饽。其实最近这些年来，硅谷的华人气候一直在壮大。硅谷之前有一种说法叫“竹子天花板”，就是用竹子暗喻华人，特指华裔因为种族身份而在职业晋升中受阻的现象。
但是现在，这个 bamboo ceiling 正在消弭。这次我在硅谷不止一次听到美元投资人跟我说，当 DeepSeek、Qwen 和 K2 这些中国大模型项目出现时，bamboo ceiling 在硅谷 AI 领域的当下就已经彻底消失了。
但是，DeepSeek 除了带来华人对 AI 的信心之外，还带来了一层关键转折，就是它真正掀起了中美科技竞争升级的浪潮。我的节目之前介绍过，美国从二〇二二年开始对华实施全面的算力封锁。中国的 AI 市场到今天也只能使用一些芯片水货，但是即便如此，中国人还是做出了 DeepSeek-R1，以更少的算力、更高的效率，做出了能够媲美 GPT-4o 的大模型。
美国政界和科技界也因此出现了两派分歧。一派认为，DeepSeek 的出现宣告过往的算力封锁是无效的，不应该再用这样的方式继续防下去，代表人物是英伟达，因为它当然不希望芯片禁售，希望能够把算力芯片卖到全球。
另外一派则以 Anthropic CEO Dario Amodei 的发声为代表，一种对华加强管制的论调正在抬头。这种加强管制论指的是，从前美国对华的算力封锁不是防得无效，而是防得不够。这一派声音很快就随着特朗普上台而迅速发展。
我们可以看到，针对中国 AI 的算力限制升级、投资限制的加强落地，以及 AI 扩散规则，一起把中美科技竞争推向了一个新的高潮。感兴趣的朋友可以找到漫谈之前第二十三期和第五十八期的播客，我们都曾经详细阐述过算力限制升级、AI 扩散规则和投资限制，我这里就不赘述了，但是我会详细讲一下投资限制这件事，以及 Manus 整个事件的核心影响。
1. Manus 点燃赴美创业
先抛一个结论：Manus 的出现，肯定让更多华人 AI 创业者坚定了去硅谷创业的决心。先来回顾一下 Manus 今年的历程。三月，Manus 发布且爆火，我在第二十六期节目当中复盘过这个过程。最先是在海外的 KOL 和技术圈层中被高度讨论，而 Manus 的表现也确实很好，得到了一批海外技术精英和 KOL 的认可。
这种在海外的广泛讨论，又承接着 DeepSeek 的后效应，在海外确实掀起了一定声量。但是当国内官媒捕捉到海外这种舆情动向时，就把它定义为 DeepSeek 的再现，把它推到了一个前所未有的高度。年中，Manus 经历了投资审查；到了年尾，大家最近听到的消息是，Meta 花了数十亿美元收购 Manus。
先从第一季度和上半年 Manus 的影响来说，这件事在硅谷的影响体现在二〇二五年第一季度：从 DeepSeek、宇树到 Manus，整个硅谷都在谈论中国。我后来跟好几个硅谷的美元投资人复盘第一季度，他们告诉我，市场上的情绪已经发生了变化。
一个表现是，Manus 爆火之后，Benchmark 的创始人决定来华寻找项目，而且是亲自来华。这趟来华的结果就是，他们在几个月之后以七千五百万美元大手笔投资了 Manus 的母公司蝴蝶效应，也把 Manus 的估值一下子推到了五亿美元。
怎么理解 Benchmark 的这笔投资？七千五百万美元放在硅谷其实并不算什么惊人的大数目，但是这却是顶级美元机构的创始人亲自投的、针对中国背景 AI 项目开出的一单超级 super check。这给了很多华人 AI 创业者以无限的想象。
简单来说，很多人会觉得：Manus 可以，所以我也可以。有一家 FA 机构向我透露，从第二季度开始，很多 AI 项目的创始人就开始询问，是不是最好能够拿到硅谷本土美元的钱，因为那意味着更高的估值和更宽松的投资条款限制。
所以同期的中国 AI 创业者当中，确实开始出现了一股去硅谷找钱、去硅谷创业的趋势。这就是 Manus 诞生的里程碑式效应：在华人 AI 创业这个领域里，某种信心被点燃了。
但我这次还得到一个很有趣的信息：其实在 Manus 之前，顶尖美元机构一直在通过数据监测中国市场上有潜力的公司。比如，有一个投资人告诉我，a16z 曾经主动询问过一个位于成都的 AI 项目。这个项目据称跟 OpenAI 一直有着深度合作。
所以能够看出来，顶尖机构对华人背景的项目其实一直有浓厚兴趣。毕竟美国 AI 项目的估值涨得太快了，相较之下，中国 AI 资产显得划算无比。简单来说，一直被举的一个例子就是，中国所有 AI 初创公司的估值加起来，可能都不如一家 Thinking Machines Lab 出道时的估值。
这里想展开讲一下，中美 AI 资产定价为什么有这么大的差异，这些差异背后的底层逻辑是什么。其实，划算是表象，折价才是本质。
美国的顶级项目，比如 OpenAI、Anthropic、xAI，都有 AGI 溢价。我们这期节目后面会讲到，资本市场愿意给 OpenAI 一百六十亿美元的算力亏损买单，是因为他们赌的是：OpenAI 未来会成为数字世界的电力公司，成为一个新时代的范式。这是瞄向主权级资产的定价逻辑。
但是在中国，因为我们现在的模型暂时的确无法引领世界级的 SOTA，所以中国的 AI 资产更早进入了看财报、看落地、看 DAU 和留存的阶段。通俗一点来说，就是资本不为中国团队的大模型梦买单，只会为能够赚钱的超级应用，或者中国模型提供的极致性价比买单，这些后面也会讲到。
在这样的逻辑下，应用层面的中国项目就会特别受看好。美元 VC 对中国在工程化和应用层面，包括二〇二五年大火的 Agent 层面，都非常感兴趣。还有另外一层原因，就是发展应用的时机也到了。
在二〇二五年初，DeepSeek 和千问这两个来自中国的成熟模型，一下子把 AI 推入了普惠的推理时代。开源的 DeepSeek 和千问把使用大模型的成本打了下来，而 Manus 则演绎了套壳产品定义和工程化创新的力量。
这里有一个背景：在这一轮 AI 浪潮故事开始的时候，美国 VC 其实几乎集体错过了大模型。底层基模几乎是巨头大厂之间的游戏，VC 根本没有机会参与。但是，当 AI 的应用时代正式到来，美元 VC 又开始活跃起来。这就是截至第一季度的时间轴背景。
2. 反向 CFIUS 重塑创业身份
故事进展到这里，一个对中国人、华人创业者来说很严肃的议题就浮现了：reverse CFIUS 之下，华人的 AI 创业该何去何从？
大家都熟悉 CFIUS 是什么，就是限制海外资金投资美国本土项目；reverse CFIUS 则是反过来，限制美国本土资金投资海外项目。稍后我会详细介绍 reverse CFIUS 的具体出处，这里先用一句话概括结论：在当下这个时代，创业者选择成为一家中国公司还是美国公司，是一个非常敏感、重要，但是艰难的选择。
这个背景是，Benchmark 投资 Manus 的同期，本土美元投资中国 AI 的风险客观上正在上升。原因在于，reverse CFIUS 的出处其实来自一个叫 OIR，也就是 Outbound Investment Rule 的法案。
这个法案规定，美国资本投资特定行业——三大行业分别是半导体、AI 和量子计算——在投资这三大特定行业的中国公司时，符合一定条件的必须申报，达到某些条件的会被禁止，否则美国财政部会保留追究权利，严重的将触发撤回投资。
简单来说，法案的核心就是限制美国资本投资中国 AI 公司。值得注意的是，在 OIR 法案当中，“中国公司”的界定范围被扩大了。法案规定，总部在中国、中国人或中国公司持有大部分股权、控股子公司，以及根据财务数据判定等情况，都有可能被界定为一家中国公司。
在这样的界定之下，美元基金 Benchmark 此前对 Manus 的七千五百万美元投资，被美国财政部认为可能存在禁止投资的嫌疑。所以今年五月，Manus 收到了美国财政部的问询函。事实上，包含 Manus 在内的很多笔投资，也都在遵循 OIR 法案的追究和执行过程中。
这客观上营造出一种寒蝉效应：美国本土的美元基金面对中国背景的 AI 项目时，既兴奋又谨慎。很多顶级美元机构其实早就完成了拆分，比如红杉、GGV 这些顶级机构早就为华人团队设立了独立分支，所以它们不会面临同样的问题。
但是，对于那些从美国基金直接出手的纯美元机构而言，选择中国项目的风险就难以忽视。比如 Benchmark、Sutter Hill、Greylock 这些顶级美元机构，正在形成一种默契：在微妙的地缘政治面前，要实现 decoupling of capital and talent，也就是资本和人才的脱钩。
具体来说，这些美元机构依然热爱中国背景的顶级工程师、创始人和产品团队，但前提是这些项目必须在法律架构、数据存储和市场重心上，彻底剥离中国属性，成为一家彻底的全球化公司或者美国公司。
很多人觉得 Manus 完成了一场彻底的示范。比如今年十月，我在硅谷一场科技大会现场，从不同人士的谈话间多次听到了关于 Manus 的讨论。其中一个也在硅谷做 AI 创业的华人，原话是这样的：“Manus 很好地示范了一家中国公司如何摇身一变成为一家美国公司。”
他当时指的是，在 Manus 收到美国财政部问询函之后，火速裁撤了位于武汉的团队，并将总部搬迁到新加坡。这一系列动作是干脆的、利落的。但是这里要补充两点：第一，Manus 是开曼架构；第二，总部搬去了新加坡。由此可以看出，它并不是要成为一家美国公司。
我个人认为，选择搬去新加坡而非美国，也可能出于特别的考量。抛开 Manus，我们第五十八期播客的嘉宾、中美两地的律师黄敏达曾经提醒过 AI 创业者，Manus 的选择其实并不值得大家借鉴。
原因有三点。第一点是，Manus 选择把总部搬到新加坡。当然，从二〇二五年最终的结局来看，Manus 既然能够被 Meta 收购，就说明把总部搬到新加坡是可行的、合规的，是一个正确的选择。
但是黄律师提醒大家，在美国眼中，新加坡已经不是一个绝对信任之地了。常常去那边的朋友应该也能够感受到，最近几年，新加坡被华人占据的程度越来越高，越来越多中国团队开始搬到新加坡。所以在美国看来，把总部搬到新加坡，并不是向美国彻彻底底递交的投名状，可能会呈现一种暧昧姿态。
这是黄律师提醒的逻辑。第二点是，裁撤中国团队其实也不能完全说明问题。即便裁撤了中国团队，甚至假如创始人变更了国籍，这些也不是最重要的，也不能彻底说明问题。
因为最终，美国判断一家公司是否属于应该被限制投资的中国背景公司，其实并不取决于当前纸面上的法案。美国人更在乎的是，当有一天中美两地发生不可调和的分歧时，这家企业是否会完全站在美国这边，并且为美国所控制。
从这个角度看，国籍、总部所在地、运营支出的大头所在地，这些都重要，但都不是最重要的。黄律师想说的是，如果只是根据某一个法案去设计规避方案，只是头痛医头、脚痛医脚，因为中美科技对阵会是长期的、动态变化的，法案在这个过程当中只是一种对阵武器，而这些武器也会动态变化。
这里要打一个补丁：在这期播客发布时，Meta 对 Manus 的收购也正在被中国相关部门评估是否接受审查。所以我们能够看出，黄律师的提醒和观点是有一定前瞻性的。
我确实也比较认同黄律师的看法：对于大多数华人 AI 创业者来说，Manus 其实并不是一个很好的模仿样本。客观上，大多数 AI 创业者在找到纯美国公司对自己进行收购之前，都会面对非常决绝的选边站问题。
我在年底的采访中了解到，今年具身智能领域一位绝对权威的华人学者，正是因为这个原因而决定回国创业。这位教授本来是在美国创业的，但是美国要求他和中国彻底完成切割。因为教授本人三十多岁才到美国，对美国的归属感其实没有那么强烈，经过挣扎，他最终决定回国创业。
有一个投资人曾经对我说过一句话：“上一代的全球化创业已经彻底画上句号。”过去华人创业者会充分利用成本洼地的优势，比如把工程师团队放在中国，因为中国工程师的薪资远低于美国。但是现在没有人敢这么做了。
此时此刻，选择成为一家中国公司还是美国公司，成为了一个敏感、重要但艰难的选择。两地局势充满张力，立场不再允许暧昧不清。所以，但凡本土美元要投，就必须接受彻底成为一家美国公司。
那么，有多少 AI 创业者会面临这样的抉择？答案是，可能比我们想象中要多。一家双币基金的掌门人跟我讲过一句话：“国内的现状是，三亿美元以前很热闹，三亿美元以后融不到。”原因在于，市场化资金里面只有 VC 和投机资金，而 PE 的资金真空了。
所以，当估值逼近三亿美元的天花板时，很多创始人就会意识到，去硅谷是继续融资的一个选项。创业者去硅谷本身就是资本驱动的，而这条水位线就在于一亿美元融资额以上，就会面临跟中国切割的选择。
跟中国切割，意味着要对照 OIR 中的界定一一进行合规。常规做法包括：总部搬到美国；清退股东，保证中国身份的股权持有总和低于 OIR 投资限制的标准；裁撤中国团队；控制中国地区的运营支出。在绝大多数情况下，也会包括创始人原则上尽快更换为美国公民身份。
这里提两个案例，一个是刚才说过的 Manus，一个是 HeyGen，它们确实提供了一场果决的示范。HeyGen 可能是近年来华人 AI 创业硅谷化最成功的范本之一。
在 Manus 之前，二〇二〇年，在 Snapchat 工作了六年的徐卓在疫情期间回国，在深圳创立了视界一线科技，也就是 HeyGen 的前身。这家公司在创立之初就旨在探索视频生成技术的商业化。起初，它接受了红杉、真格和百度的投资，也接受了很多中国一线美元基金的投资。
三年后，HeyGen 的产品跑通，在海外画出了一条恐怖的增长曲线。它的 ARR 一下子从百万美元飙升到逼近一亿美元的门槛，成为准独角兽。这种极强的现金流属性，会吸引顶级美元机构。
之所以说 HeyGen 特殊，是因为 Benchmark 合伙人 Victor Lazarte 亲自加入了 HeyGen 的董事会。这在硅谷意味着某种血统认证。但是在顶级美元入场之前，华人创业者也必须交出自己的投名状。
从二〇二三年底开始，徐卓就开始游说早期股东接受回购，并取消个别董事的董事会席位，以实现彻底的资本隔离，确保投融资情况处在 OIR 界定的安全地带。另一方面，公司也把总部彻底搬到洛杉矶，创始人常驻美国，以实现物理隔离。
大家看，HeyGen 跟 Manus 其实惊人地相似，区别是 Manus 搬到了新加坡，而 HeyGen 彻底搬到了洛杉矶。HeyGen 这种做法，是黄律师更建议的一种、更彻底也更安全的做法。
就此，HeyGen 跑通了一条“华人团队加中国技术红利加硅谷资本加全球市场”的极窄通道。之所以说狭窄，是因为绝大多数项目都不是 HeyGen。无论是 HeyGen 还是 Manus，都享受了一段窗口期：要么像 Manus 一样拥有 Agent 的先发优势，要么像 HeyGen 一样，在大模型浪潮真正来临之前就已经投入 AIGC 试水。这两个项目都有各自的 timing。
但无论如何，在中美 AI 投资限制处于冰点的情况下，这两个代表性案例为众多华人创业者提供了一场果决但是有效的生存模板。据我了解到的情况，在硅谷现在确实存在不少国内 AI 创始人，甚至有人拿着旅游签落地。他们想要在美国创业，这一点我和黄律师的那期播客也聊到过，客观上违反了移民法，而且在合规路上也会遍地是坑。
但是，相比全球化这条漫长的征程，身份问题显然只是第一个，甚至是最小的挑战。一位常驻硅谷的美元投资人跟我说，他觉得那些抱着“硅谷人傻钱多”心态来这里找钱的人，多半都会铩羽而归，因为硅谷的钱没有想象中好拿。
首先，语言是第一道关。口音其实并不重要，因为硅谷本来就汇聚了全球人才，是各类族裔的大熔炉。但是，创始人可以满口口音，却不能表达不好。
现在 LAMA Venture 的联合创始人周航，最近两年一直生活和定居在硅谷，也在从事 AI 大潮下针对华人的投资。他指出，很多创始人虽然人已经来到硅谷，但是思维还是中国式的。许多中国创始人来了之后就马不停蹄地开工、和时间赛跑，但其实都是瞎忙。
周航给华人创业者的建议是，来到硅谷要有充分的耐心和心理准备，至少要有两三年的时间，才有可能真正适应美国。另一个现实是，很多在中国被视作佼佼者的人才，放在硅谷的人才堆里，可能不如人们想象中那么出色和扎眼。
上述双币基金的掌门人也说，对于 HeyGen 来说，选择跟中国切割并不是一个艰难的决定，身份问题不是一个不能解决的问题。当有超级大美元机构愿意给你开出大笔投资时，一堆投资机构会帮你想办法。
但是首先，第一步，你的用户和市场本来就要在海外，而且已经找到了 PMF。第二步，这些漂亮的增长曲线会吸引本土美元，愿意给你砸足够大的钱。第三步，顺理成章地成为一家美国公司。
只是，绝大部分公司会卡在第一步，因为第一步就没有那么容易。尽管如此，我还是观察到，有很多有雄心的年轻一代创业者，今天依然非常果决地选择尽早去硅谷。
周航也觉得，新一代年轻的华人创业者不同以往。他说，像米哈游的创始人，在国内已经取得这么大的成就，却选择放弃一切，跑到美国重新开始，这些都是很好的榜样力量。这是独属于这一代华人创业者的野心、见识和抱负。
3. 具身智能成为资本焦点
以上讲完了硅谷上半年的进展，再来看看二〇二五年的中国一级市场，可以说是经历了一个短暂的春天。一级市场的本质是，有情绪才会有 FOMO。国内不少投资人都能感知到，二〇二五年初，中国一级市场的情绪和氛围也到达了一个高点。
这种氛围是多种因素混合作用的结果。首先是美股 AI 龙头的溢出效应，因为美国 AI 资产估值飙升，所以也能给中国 AI 项目起到很好的对标作用。第二是港股和科创板 IPO 恢复，而且这两个市场在二〇二五年的表现都非常不错，投资机构终于在退出通道层面看到了曙光，于是二级带动一级，上半年美元基金们出手很松。
在具身领域，宇树在春晚的爆火有很长的长尾效应，使得机构们热情更高，催生了很多具身领域创业项目的诞生。最后一点是消费硬件层面，像影石 Insta360 的上市，还有华米、安克在资本市场上都有不错表现，都冲到了比较高的 PE 倍数，使得出海消费硬件领域的投资人更加 FOMO。
从年头到年尾，中国一级市场的资金流向主要汇集在四个方向：具身智能、AI 应用和 Agent、多模态，以及 AI 硬件。
首先是具身智能。大家还记得春节宇树机器人在春晚一舞之后，带动了整个具身领域的火热。具身智能成为中国二〇二五年资本市场上无可争议的关键词。我之前的节目讲到过，这当中也有技术本质的变化。
因为推理能力的提升，从二〇二四年底到二〇二五年初，具身领域确实在机器人身上表现出了运控和“大脑”层面非常大的进展。所以这的确是从一个技术转折点开始，接着由一家明星公司带动，同时也有资本市场的深层原因，整体带动了这场具身智能的火热。
这种资本繁荣的直观体现是，市场上所有叫得上名字的具身创业头部公司，账上都趴着不少于十亿元的现金。前面讲到，国内一级市场存在三亿美元估值以上融不到钱的问题，但这个问题并不体现在具身智能领域的头部企业上。
原因在于，中国具身智能头部企业虹吸着大量国资人民币基金，这跟国资的特性有关。人民币基金偏好长周期的底层和硬件，比如芯片、具身智能，因为它们周期长，尽量不出错。而对于应用层，比如 Agent、AI 应用和软件，国资就会非常谨慎，因为这些赛道周期短、容易被证伪、失败率高，国资不会去冒险投资这样的项目。
另外一个层面的原因是，国家也期待具身智能等硬件领域能够带动实体经济。但是也有从业者指出，机器人的大脑跟 Agent 的本质相近，抓手虚，而且烧钱重。尽管国家队很积极，但认知也还在磨合。
我这次在硅谷调研的一个结论是，虽然现在具身智能领域在中国很火，硅谷也认为硬件领域还是要看中国，因为中国背靠着特别强大的供应链。但是实际上，在具身智能领域的大脑层面，仍然是美国的一些创业公司和巨头处于研究领先位置，所以这里面也存在认知差异。
4. 应用与 Agent 进入主场
第二个资金流向是 AI 应用和 Agent。之所以把这两个赛道放在一起讲，是因为它们本质上都是模型上层衍生出来的、面向用户的服务价值。美元一直偏爱的应用趋势，在二〇二五年迅速升温。
一方面还是因为技术趋势：基模的故事基本上已经收敛。国内比较有共识的答案是，千问、DeepSeek、豆包和 Kimi 仍然在牌桌上。MiniMax 被认为技术实力很强，但是面临着跟大厂的竞争，所以大家对它的看法不太一致。
年初，模型的底层能力，比如推理和 coding，产生了跃迁；再加上开源燎原、模型使用成本下降，这些一举把大模型推入应用时代，所以 AI 应用的时机确实成熟了。上半年，头部美元基金明显活跃起来。据说红杉、高瓴上半年一个月可能投资二十个项目，每个项目的金额大概在一两百万美元左右，非常积极。
但是，如果看整体投资规模，市场上的主力军其实仍然是大厂的投资部门。另一方面，对中国 AI 应用和 Agent 感兴趣的资金也在变多，主要指中东资金。据说中东资金很乐意投资中国的 AI 应用资产。
我记得去年，一位接近中东主权基金的人士曾经告诉我，二〇二四年由于美国方面的施压，限制中东主权基金直接投资中国 AI 基础大模型，所以当时基模投资比较受限。但是现在到了 AI 应用和 Agent 这一波，就不涉及主权模型了。
在 AI 早期浪潮当中，好的应用产品常常会带来指数级增长，前面提到的 HeyGen、Manus 都是这样。而且事实一再证明，好的数据能够带来超高融资额。
这里有一个最新、非常贴切的案例，是字节的 90 后产品经理陈冕创立的 LiblibAI。它的日收入达到了十五万美元，而且仍然在增长。知情人士透露，LiblibAI 的下一轮融资可能达到惊人的八亿美元。据说他们虽然亏损也很厉害，但是 LiblibAI 社区的黏性很高，这种高潜力还是会让投资人愿意买单。
有一个小八卦是，在 LiblibAI 估值达到五亿美元时，阿里曾经放弃这个项目；但是当项目涨到八亿美元时，阿里又杀了一个回马枪，重新入场了。这也再次验证了前面讲到的：当你真的有非常傲人的增长时，其实不愁钱拿，而且不愁大钱拿。
第三个资金流向是多模态。到了二〇二五年，Google 有了自己的 Nano Banana，中国也要有。中国市场急需一个能够代表中国视觉 AI 最高水平、同时具备独立自主能力的底座模型。
在二级市场上，快手因为做出了可灵，迎来了一轮市值重估。在中国已有的多模态模型创业项目中，生数科技和爱诗科技是其中的佼佼者，前者更侧重研究，后者已经完成了不错的商业化。
但这些还不够，新的潜力选手还在被关注。比如从商汤离职的刘宇创立的 Vivix AI，迅速成为二〇二五年最受关注的 AI 项目之一。刘宇毕业于香港中文大学多媒体实验室，也就是 MMLab。这个实验室被誉为计算机视觉界的黄埔军校，由汤晓鸥教授创办。
刘宇在商汤时曾经主导过大规模视觉基座模型的训练，而且曾经是几千张算力卡的总指挥。这种对底层算力调度和大规模参数模型的实操经验，是目前 AI 创业者当中比较稀缺的能力。
也正因为如此，短短一年时间内，Vivix AI 的估值从一年前的一到两亿美元，飙升到了最新一轮的十三点四亿美元，而且这个项目甚至从来没有正式亮相过。
一个值得关注的问题是，多模态的发展整体相比语言模型大概会滞后一到两年。这意味着语言模型的 scaling law、它的爆发节点，多模态也都会经历一遍。
如果说 Nano Banana 让多模态进入了稳定可用的时代，就好比 Claude 当年推出 Claude 3.5，那么多模态的 Cursor 时刻会在什么时候到来？多模态的 DeepSeek 又会被谁做出来？这些都是未知的，但也是市场现在渴望找到的答案。
5. AI 硬件争夺入口
第四个方向是 AI 硬件。二〇二五年可以说是 AI 硬件投资爆发的元年。如果说二〇二三到二〇二四年一级市场是在买大脑，也就是模型，那么二〇二五年大家就开始买身体，也就是硬件载体。
二〇二五年围绕硬件的投资热潮，其实是由技术、政策和中国供应链红利共同掀起的。技术层面，推理、coding、Agent 的成熟，共同带来了 AI 硬件成熟的核心支点。
首先，推理、coding 和 Agent 的成熟，意味着大模型这个大脑已经发育得足够成熟。当这样的大脑有条件接入硬件载体时，那些智能硬件就开始具备主动服务和交互能力，这就使得已经被谈论多年的人工智能助手开始成为现实。
比如今年我们访谈过的全球增速最快的 AI 硬件 Plaud。表面上看，这是最快把大模型接入录音传感器的团队，并因此获得了现象级成功，成为全球增速最快的 AI 硬件。
但实质上，Plaud 的产品背后蕴含着团队对基座模型的精细化工程，也蕴含着他们对下一代智能设备的深度理解。比如，他们认为下一代设备必须具有主动性，甚至包括对下一代基础智能设施的理解。
对于市场来说，Plaud 不仅让大家见识到一款高完成度 AI 原生硬件作为消费品的爆发潜力，更重要的是，巨头们也会纷纷意识到，一款贴身消费硬件，作为收集线下用户数据和下一代交互的入口，在大模型的智能之争中会起到极为关键的战略作用。
这也是为什么我们会看到，硬件爆发的背后会是一场大模型的入口之战。它会涉及芯片、操作系统和生态，也会是一次划时代的机遇。
在这场战争当中，可穿戴设备可能会成为最核心的战场。试想一下，当一款穿戴式设备可以 24 小时 always on，在这个层面它就已经超越了手机，可能成为大模型最佳的宿主和载体。
在这些可穿戴设备当中，又以 AI 眼镜赛道成为二〇二五年最大的黑马。这里要讲一个非常重要的故事：这一年春天，Rokid 创始人朱明旻Misa把自家产品 Rokid Glasses 戴到了国家领导人的脸上，而且这张照片很快登上了权威媒体。
之后在二〇二五年，我们就看到智能眼镜在中国迅速升温。阿里、字节、百度、小米，甚至理想这些巨头公司，都纷纷开始入局竞争。根据 IDC 的预测，二〇二五年中国智能眼镜同比增长了 121%。
这个数字背后，除了政策推动的力量，还有一个非常重要的问题：AI 眼镜为什么重要？我们能够看到，Meta 在 AI 眼镜的布局上也是一次豪赌，因为它确实把 AI 眼镜当成下一代交互入口之一。
Meta 的选择和做法是，从底层芯片、操作系统、AI 适配到应用，全部自己重做一遍。原因在于，AI 眼镜架在人面部的核心三角区，是我们输入和输出信息的核心地带。
关于 AI 眼睛后面我会做一期单独的专访，大家可以期待一下。我这里分享一个特别有趣的观察。一位 AI 眼镜领域的从业者告诉我，只有 AI 眼镜的摄像头拍出的画面，才是人的第一视角画面。其他所有设备，无论是手机，还是其他穿戴设备，比如挂在胸前的项链，或者别在衣服上的 AI Pin，都没有办法真实还原人眼所看到的第一视角。
这也是所谓核心三角区的体现，也是 AI 眼镜之所以重要、被认为是下一代交互入口的原因。所以，AI 眼镜肯定会成为接下来非常焦灼的一片战场。
除了商业层面的时机到了之外，政策推动也是宏观上不可忽视的风向。二〇二五年是“十四五”收官和“十五五”衔接之年，在这其中，AI 硬件作为“新质生产力”的核心载体，获得了大量政府引导基金和专项补贴的倾斜。
据我了解，一家头部眼镜公司最新一轮融资可以达到惊人的二十亿元人民币。国家出台的“人工智能+”行动中也明确提到，到二〇二七年，新一代智能终端的普及率要超过 70%。
在多重因素影响之下，今年硬件投资的狂热情绪极强，项目被疯抢。在这个过程中，资本流向发生了结构性偏移。二〇二五年第二季度，流向 AI 硬件的资金超过了软件。截至二〇二五年第二季度结束，中国在具身智能和 AI 硬件领域的投融资总额已经突破一百四十五亿元人民币。
很多投融资从业者都觉得，现在市场上很多项目的估值疯狂到不可思议。一位 FA 从业者跟我讲，这些估值被炒高的一种通俗做法，是适当利用一级市场的狂热情绪，营造饥饿效应。
比如，先用额度紧俏和滚动估值制造项目势能，再由 CVC 在一到两亿美元的阶段去承接。就像我前面讲的，适当的泡沫肯定是行业繁荣的标志，是繁荣的副产品，这是自然现象。但是其中也一定存在压错注的个案。
现实就是，二〇二五年硬件创业潮大爆发。这里还有一个非常有意思的现象：VC 们都开始到大厂去挖人出来创业。硬件领域里，大家可能就差把工位搬到大厂门口了。
一级市场都在做同一件事：说服 DJI、拓竹、安克、影石、小米这些大厂中的技术和产品精英出来创业。这是所有人都在努力尝试的事情。
现在很流行一种孵化做法，通常由投资机构提供明确的创业方向，把这些人从刚才提到的大厂挖出来，给他们两到三个月的时间验证执行力。如果项目推进顺利，投资机构就会投资；反之就会放弃投资。
在这样一种孵化创业潮中，投资年轻人就成为了另外一种共识。相比大厂高 P，年轻人在大厂中更容易获得可观的股权分红，创业动力会更强。而且，这些非顶级高管的草根实干型人才，估值性价比更高，潜力更大，他们的行动力和实践能力也确实更强。
比方说，以云启资本为例，云启资本今年设立了一支专投 27 岁以下创业者的基金。他们说，27 岁是一个神奇的数字，因为纵观美国商业史，不管是 Google、Facebook，还是当年的 Microsoft 和 Bill Gates，他们创业时都没有超过 27 岁。
所以，越来越多人相信，年轻人一定会带给这个世界无穷的可能性。以上就是对今年中国一级市场资金流向和投资动向的一些总结。
回顾这四大流向可以发现，跟模型强绑定的应用层面，投资逻辑其实仍然是在对标美国、学习美国；但是在硬件层面，像具身智能和 AI 硬件，其实能够看出中国正在努力走出中国特色，只是其中还有很多技术、政策和认知需要对齐。
6. 融资窗口正在急速缩短
接下来是第六个篇章，也是第六个发现：顶尖项目的融资窗口往往只在几个月内。AI 的发展和上一轮 AI 2.0，也就是自动驾驶的浪潮其实很像。这是我引用云启资本陈宇的观点。
陈宇经历过完整的自动驾驶行业周期，也投出了代表性案例。在这一轮 AI 周期里，他也投资了 MiniMax。陈宇说，顶尖项目的融资窗口往往只有几个月，二〇一六年的自动驾驶就是这样。
今天还留在自动驾驶牌桌上的那几家公司，当时就是在二〇一六年的一到两个季度内集体登场的。在 AI 时代也是一样，他相信最终留在 AI 牌桌上的几家公司已经集体出现了，而且投资窗口也只有几个月。
很多人都提到，在这一轮 AI 时代，形成共识的窗口期正在急速缩短，任何事情都会很快变成共识。陈宇提出了很重要的一点：共识之所以迅速达成，是因为当下 AI 发展的时间点，有点类似二〇一六年的自动驾驶。
二〇一六年之前，自动驾驶其实已经发展了七到十年。所以技术拐点到来的时候，市场已经万事俱备、只欠资本，因此迅速形成了共识。
今天的大模型之所以看起来更快，是因为它也处在这样一个技术拐点上。如果从 GPT-1.0 开始算起，这股深度学习浪潮其实也已经有了七年左右的积淀和发展。
所以，当二〇二二年底 ChatGPT 爆发时，共识本来就应该迅速形成，因为此前已经有六到七年的技术积淀，只是资本还没有进入。
另外一个观察是，当下优质项目仍然稀缺，一级市场出手其实相对更难。有一点确实在改变：AI 时代的应用早期创业，不再像上一个时代那样依赖 VC 融资。从这个层面来看，创业的底层逻辑正在改变。
有一个非常有趣的形容：当下顶尖华人 AI 创业者有三类画像，某种程度上很像美国的留学生。第一种是“刷盘子模式”，指的是那些创业公司本来就有自己的主营业务，能够产生非常强大的现金流。
比如，爆火之前的 DeepSeek，其背后的幻方主要靠量化基金获得收入。米哈游创始人蔡浩宇创业时，也是通过之前的游戏创业积累了雄厚资金，甚至可以自建算力。
这就是刷盘子模式：他们已经在其他业务上完成了资本原始积累，再投入这一轮 AI 创业浪潮，因此不那么依赖 VC。包括我采访过的 Plaud 也是这样，它的启动资金其实就是两个创始人自己的财务投入。
第二种是奖学金模式，指的是因为项目或技术团队表现卓越，可以获得全球顶级机构融资。Manus 就是很好的代表。这些项目是所有基金都希望投中的目标，但是标的非常少，一旦发现，估值也非常惊人。
第三种是集资模式，指的是这些项目通常有国家队或者人民币基金支持，往往也跟国家战略深度绑定，和前两者的路径有所不同。
但是客观来讲，上述三种类型都不缺资金，而且资本都呈现集中化。事实上，市场上绝大部分钱都被少数项目拿走了。优质标的稀少，所以一级市场出手也会相对更难。
因此，市场上衍生出两种投资风格。一种是在热门赛道当中矮子里面拔将军，重在参与。这里面有一个非常微妙的小信号：上一轮基模主要是基金管理人们的游戏，新一代投资人只有在这一轮 AI 应用浪潮中才能出场。
他们在这一轮周期里跃跃欲试，都非常渴望投出代表作。也因为年轻一代投资人在机构中并不是管理层，所以相比项目后续发展和真实投资回报，他们更在意投出了多少案例。
其中任何一个案例，如果能够跑出来、写进自己日后的履历里，就非常值得了。另一种风格，是坚持寻找真正具有颠覆性、能够定义未来的项目，即便这意味着很长一段时间内不出手。
我采访的投资人中，有一位这样评价市场上的绝大多数项目：“其实现在看到的绝大部分项目，只是把上一个时代的传统应用用 AI 技术再做一遍，就像在 iPad 上看报纸，但实际上，今天头条还没有出现。”
这两种风格当中，前者肯定占市场大多数，而且狂热情绪也更浓。这里引用一位投资人的原话：“中国市场上，能够做出独立判断的机构和人很少。”
7. 硅谷巨头展开模型决战
讲完中国这边的情况之后，我们再把视角回到硅谷几家头部巨头。二〇二五年的基础大模型之争，就像是这些巨头之间的一场季度排位赛。
从时间上看，年初被行业高度讨论的是 DeepSeek，但它带来的主要是一种对中国式 AI 效率工程创新的敬畏和惊讶。实际上，在冲击 SOTA 的层面，年初仍然是 ChatGPT，年终是 Anthropic，到了下半年就变成 Gemini。
一位二级市场分析师跟我说，这个变化太快了。背后是硅谷巨头大厂之间激烈的竞争和博弈，牵动着美股市场的变化，局面发展变幻莫测。二级市场看不清走势，所以大家都不知道该怎么给明年定价。
我们拆解一下：年初 DeepSeek 和千问的开源，开启了大模型的普惠时代，直接带动英伟达股价暴跌。紧接着，五月份 Claude 发布 Sonnet 3.7，催生了大批 coding 项目和 Agent 项目的爆发。
在很多人看来，这也是一次标志性的分化。有一种很具代表性的声音认为，基模最终会是巨头大厂之间的 PK，创业公司要尽早聚焦，发展自己的差异化优势。
Claude 放弃 To C 和多模态，选择聚焦 coding 和 Agentic，是基于竞争局面做出的选择，因为它是一家创业公司，而非巨头。
那么，如何看待硅谷几家头部巨头之间的模型之争？首先，最重要的是 OpenAI 和 Google 之间的王者对决。可以说，在基模巅峰对决这件事上，目前仍然主要是 OpenAI 和 Google 之间的交锋。
作为先发者，OpenAI 始终保有先发优势。一个很有意思的细节是，这家公司一边在训练模型、冲击 SOTA，一边在全力加速产品化。一份在一级市场流传的 OpenAI 算力消耗财务表显示，这家公司仍然把更大比例的算力消耗在训练模型，而不是推理。
这意味着 OpenAI 还在拼命训练模型。但是随着 GPT-5 发布，市场开始观察到，现有 Transformer 架构下的 scaling law 天花板可能已经出现，模型训练可能开始撞墙了。
不止一位业内人士指出，GPT-4 开始出现一些挤牙膏现象，模型能力提升幅度其实没有想象中大。这一点在漫谈第四十八期对话 OpenAI 前科学家的访谈中，嘉宾 Ken 和 Joe 曾经预言过。
很高兴在第四十八期这场很早的对话中，Ken 和 Joe 给出的观点，比如 scaling law 快要见顶，可能要重新回到研究时代，这些观点都在年底被很多其他技术核心人物验证了。
天平的另一头，是今年大放异彩的 Google，它实实在在打出了一场翻身仗。Gemini 2.5 Pro 横扫各大榜单，它的 LMArena 评分一度超过包括 GPT-4o 和 Claude 3 在内的所有对手，而且是史上第一次有模型同时制霸文本、视觉和 Web 开发三大榜单。
到了八月底，Nano Banana 爆火出圈；再到 Gemini 3 Pro 时，很多业内人士已经认为，它的回答效果超过了 GPT-5.1，而且 Gemini 的多模态效果远比 GPT 稳定。在 memory 方面，早在 Gemini 2.5 时期，它就已经优于 GPT-4 了。
十月份在硅谷时，我跟 Google DeepMind 的研究员有过一场深度对话，后面有可能会脱敏之后放出来。他告诉我，作为最早喊出 AI first 的公司，看到自己发明的 Transformer 架构被 OpenAI 应用到极致，而后者还成为硅谷权力中心，Google 过去两年其实非常煎熬。
在这之前，Google 的研究方向更加发散和前沿。但是从二〇二二年底开始，Google 开始全面追赶 OpenAI，代价是内部暂缓其他前沿研究方向，而且要举公司上下之力，高度聚焦于现有的 LLM 方向。
过程中，原来 Google Brain 团队和 DeepMind 团队在二〇二三年四月合并之后，其实也经历过一段磨合和阵痛期。我问他，现在看来 Google 是全然胜利了吗？
他说并不这么认为，因为当下的胜利只是阶段性结果。如果拉长时间来看，其实没有办法确定，此刻所谓的聚焦到底是彻底的胜利，还是牺牲了其他前沿方向更大的机会成本，尤其是在二〇二五年底这个节点。
市场上有一个小范围共识：scaling 可能快要见顶了，AI 要重回研究时代。但是随着 Google 重回王座，给 OpenAI 带来的压力是实实在在的。现在轮到 OpenAI 拉响红色警报了。
我在硅谷时，很多人都会提到同一句话：到了年尾，Google 今年这一通操作会让 OpenAI 的压力非常大。Google 凭借 TPU、云设施以及 AI 技术的深厚底蕴，它的优势会更加具有长尾效应。
表面上看，当下跟 Google 对阵的是 OpenAI，其实还有一个隐身的大玩家 Microsoft，一直在牌桌暗处。Microsoft 通过投资 OpenAI，成功转型为生态的托举者；它还有一系列 AI 布局和投资，让自己始终占据 AI 时代的核心位置。
但是一个比较有趣的信号是，OpenAI 和 Microsoft 之间已经产生了嫌隙，因为 OpenAI 不想跟 Azure，也就是微软云平台绑定。Sam Altman 找来了新的盟友黄仁勋，两者一起搞了 Stargate，希望把 AI 的泡沫吹得更大。
在很多观察者看来，这其实标志着 OpenAI 的去微软化，可能是今年硅谷巨头 AI 大战中最值得回味的一幕。
关于 Stargate，值得展开讲一讲。英伟达肯定是这一轮 AI 的超级大 Boss、最重要的玩家，而且它在二〇二五年的一系列行动，也非常符合和延续它一贯的合纵连横风格。
我们可以看到，它今年左手跟 OpenAI 达成深度战略合作，搞 Stargate；右手则把 AI 推理芯片团队 Groq 收入囊中。今年九月份，NVIDIA 给了 OpenAI 一个承诺，会分批投资高达一千亿美元给 OpenAI，前提是这些资金要用于部署英伟达的系统。
在这场深度同盟的战略中，还有一个很重要的角色，就是甲骨文 Oracle。我跟 PPIO 创始人姚欣聊这件事时，他有一个很有趣的观点：Oracle 作为小弟，是一个带资入组的超级基建承包商，为 Stargate 这样的三角关系完成了一个非常完美的闭环。
我来解释一下 Stargate 和这个三角闭环。根据三方约定，这个闭环可以简单理解为：
第一步，英伟达投钱给 OpenAI，让它打造最好的模型、冲击 SOTA，然后实现 AGI。第二步，OpenAI 用这笔钱向甲骨文购买云服务。第三步，Oracle 把这些收入，甚至更多收入，交给英伟达，购买数以十万计的 GB200 等顶级芯片来搭建数据中心。
所以能够看到，这是一场三方豪赌，其中赌注最大的其实是小弟甲骨文。市场一度认为，只要成为 OpenAI 的基建商，Oracle 就会成为下一个英伟达。
因为 Stargate，甲骨文股价一度在九月一飞冲天，单日涨幅一度接近 40%。创始人 Larry Ellison 甚至短暂超越马斯克成为世界首富。
但是不到一个季度，市场就发现，大哥 OpenAI 和英伟达的小弟不好当。根据二〇二五年底的财报，Oracle 的自由现金流开始转负，这其实就是 Stargate 的代价。进入第四季度，Oracle 股价遭遇剧烈回调，距离最高点又跌去了近 40%，感觉一夜回到解放前。
其中一个更重要的信号是，对于这些独立创业云公司来说，目前云服务收入甚至抵不上租卡成本。
在另一边，英伟达也在花两百亿美元收购 Groq 的 AI 芯片资产 LPU。原因在于，市场需要一款基于大模型的原生芯片，而 Groq 的 LPU 宣称，运行大模型推理时比英伟达 GPU 速度更快、成本更低，剑指千亿美元规模的 AI 推理市场。
面对这样的威胁，英伟达选择直接用超能力化解技术威胁，把 Groq 这个对手转化为自己的生态伙伴。这也是二〇二五年硅谷 AI 领域正在发生的故事：在 LLM 领域，市场叙事其实从之前单向的技术挑战，转向了现有技术的生态团战，大家开始圈地为盟。
这个趋势背后的另外一面是，即便在 SOTA 这些世界领先的模型当中，差异化也在变小，各家优势领先的窗口正在快速缩短。比如上半年，Anthropic 在 coding 能力上曾经大幅领先，但是到了下半年，其他头部模型厂商也将将追平了。
像 Grok、GPT-4、Gemini 这些模型，在 benchmark 上追赶得非常迅速，很快逼近了 Anthropic。算法工程师们会认为，在算法领域的 coding 其实是 Gemini 更强，在工程领域的 coding 其实是 Claude 更强。
所以能够看出来，差距在缩短，但是各家也在发展自己的差异化。包括国内的智谱，这家公司也宣称 coding 能力可以跟 Claude 齐平，因此拿到了不少订单，后面讲中国基模时会再说到。
硅谷讲完 OpenAI、Google 和英伟达之外，还有两个非常重要的玩家，就是徘徊在现有王座周围的马斯克和扎克伯格。他们正在全力争夺大模型决赛圈的门票，还没有彻底坐上超一流的牌桌，但都跃跃欲试。
马斯克的 xAI 试图通过情感陪伴平台、编程模型等打造产品矩阵，利用 Twitter 的数据源和自身工程能力，积极进行错位竞争。
Meta 可能是当下最着急的大厂，也一度被认为已经下了牌桌。作为曾经的开源王者，从 Llama 3 之后，Meta 的风光就不在了。在 AI 基础模型的正面战场，这家公司几乎全面溃败。
我在硅谷聊了很多行业从业者和观察者，大家都表达了同一个观点：目前的顶级模型圈当中，Meta 全面掉队。而且大家觉得，既然当下基础模型 Meta 已经落后，那么至少未来半年的时间里，它也会落后，这是代差形成的势能。
面对落后的局面，Meta 今年不惜十倍重金挖人，掀起了硅谷 AI 人才争夺战。这也是今年 AI 年终复盘中非常浓墨重彩的一笔，被认为是扎克伯格为了追赶 SOTA 所下的一剂猛药。
但是，很多熟悉 Meta 的人会觉得，这极有可能破坏原本的内部共识文化。Meta 内部的组织专注度被认为不足，而且存在整合困难等一系列问题。
PPIO 创始人姚欣今年在硅谷了解到的信息是，Meta 内部围绕 AI 同时并行着四个团队。第一个团队是原本的 Llama 团队继续保留；第二个是另外成立一个大约 40 到 50 人的团队，把整个闭源模型的预训练重新做一遍；第三个是原来杨立昆带领的研究团队继续做前沿研究；第四个是新建一个围绕 AI 做基础设施的团队。
随着杨立昆离开，负责前沿研究的团队会易主，但还是会继续存在。很多访谈对象都提到了一个非常重要的点：当下所有大厂的问题，不管是中国还是美国，问题都不在创新，而在组织。
某种程度上，Meta 正在经历二〇二三到二〇二四年时期的 Google。当时 Google Brain 和 Google DeepMind 在组织上合并，并不意味着战略和执行力也随之合并，需要一段非常长的磨合期，而且结果并不确定。
面对当下的变局，Meta 的上层组织需要一位既有技术威望、能够统一不同技术路线、能够服众，同时又有足够手腕应对组织变化的一号位领袖。
此刻，扎克伯格选择的是原来 Scale AI 的创始人 Alexander Wang。但是他能否担此重任，还是一个未知数。这次我聊到的很多人也有不同看法，有人认为他仍然不足以承担这么大的责任、解决 Meta 现在面临的难题。
一个客观现实是，现在二级市场又开始出现做空 Meta 的力量。在以上背景之下，二〇二五年的最后几天，大家也都看到了新闻：Meta 再次投掷下一枚科技圈炸弹，豪掷数十亿美元收购 Manus。
这又是一次巨头用资本兑换技术时间和市场势能的竞速赛，某种程度上跟英伟达收购 Groq 的 LPU 非常相似。但是在 Meta 这桩收购背后，可能存在一个很重要的暗示，这是我的个人观点：
在模型和智能体之间，Meta 很有可能在腾挪重心，向后者靠拢。因为即便自己没有训练出最强模型，Manus 仍然实现了 SOTA 级别的智能体性能和表现。
这就带来一个很有趣的问题：有没有一种可能，即便没有造出最强模型，但是如果打造出最强智能体的执行层，也有机会写下另外一种剧本？这就是为什么在智能体这片全新的战场中，Meta 会非常着急地去抢占一片新的山头。
很多人在讨论，数十亿美元收购 Manus，是不是有过高溢价，是不是一笔人傻钱多的买卖。在我们的听友群和读者群交流中，我一直持有这样的观点：我觉得这笔收购对于 Meta 来说其实非常值得。
Manus 现在在 Agent 领域拥有非常大的势能，它是先发者，而且做得非常好，在各类榜单上的表现也很好。所以，全球对这家公司和团队的认知整体非常正向。
某种程度上，Meta 其实是在收购这种势能，挽回市场，或者说挽回一定程度上市场对它的消极信心。这在 Meta 现有的战局中非常重要。
美股七姐妹基本聊得差不多了，还差苹果。围绕这家公司的看法也很割裂。有人觉得苹果已经全然在 AI 时代下桌了，因为直到现在都没有苹果什么事；但是也有不少人依然对它保持超高期待。
因为苹果内部的人才储备太强了。不光是我采访到的 DeepMind 研究员，包括之前 Pro 的创始人 Nathan，他们都表达过同样的观点：苹果的布局、人才储备以及对产品的思考深度，都决定了这家公司不出手则已，一出手一定会成为市场上有分量的存在。
这是一家甘为人后的公司。我个人觉得，如果在中国市场找一个对比，它很像腾讯现在的风格：在当下 AI 的投资浪潮、产品进程和布局层面，腾讯都不是最积极的那一个，但是它一直是市场最期待的那一个，因为它有条件甘为人后。
硅谷这几家最重要的大公司逐家分析完了，能得到什么呼之欲出的结论吗？首先，一个关键词肯定是豪赌。这个在美国叙事当中并不鲜见，豪赌会带来泡沫，泡沫是一个中性词，我一再强调，它是繁荣的附带产品。
至于这场泡沫是否已经大到超出合理值，目前其实很难有答案。但是这会是市场从混沌走向有序所要经历的一个必然过程。
另外一个关键词就是团战。我们可以看到，这些巨头之间已经出现了一些命运共同体。比如英伟达和 OpenAI 的深度结盟，对两家公司来说，接下来都是一荣俱荣、一损俱损的局面。
当泡沫被越吹越大，二〇二六年就更值得期待了。
8. 中国模型走向全球开源
讲完七姐妹，再来看中国基模的开源之路。对于中国基模和中国所有 AI 创业公司来说，二〇二五年确实是非常浓墨重彩的一年。
这里引用一份行业风向标式的年度报告，它是由知名 AI 投资人 Nathan Benaich 和伦敦 AI 专项基金 Air Street Capital 联合发布的《State of AI Report》。
这份二〇二五年的报告首次把中国 AI 体系从外围追赶者提升到了平行竞争者。其中写道：“二〇二五年，中国不再是追赶者，它正在开源 AI 和商业化部署方面设定节奏。”
我刚才已经讲过，客观上中国大模型能力暂时仍然无法达到世界 SOTA 级水平，这是基础设施决定的。美国的算力封锁之下，美国公司现在已经在使用 Blackwell 芯片，但是中国创业公司还只能使用水货卡。
我们没有办法使用最先进的芯片，这客观上决定了我们的 AI 发展速度一定受限。落后就会走向开源，而开源也在带来全新的叙事。
在开源领域，以 DeepSeek、Kimi、Qwen，也就是千问为代表的中国模型，已经在多项关键性能指标上实现了对曾经开源王者 Meta Llama 系列的全面反超。开源看中国，正在成为全球共识。
中国模型梯队也在二〇二五年完成了一场商业意义上的超车，主要体现在：凭借更高的模型性价比，中国模型正在成为全球选择。
这里以智谱为例，它的 coding 能力在全球排名靠前，自己宣称跟 Claude 齐平，并自称全球第三，但是定价仅仅是 Anthropic 的七分之一。
凭借这样的价格优势，智谱拿下了不少国家主权大模型的订单，当然其中很多国家属于“一带一路”国家，这跟它的股东性质有关。但这是一个大模型 To B 的很好代表：中国模型在具备不错能力的基础上，可以提供更高性价比和更低价格，就有机会在全球拿到订单。
DeepSeek、K2 和千问也都是一样。实际上，下半年硅谷的创业公司都开始切换到千问、DeepSeek 和 K2，所以这是二〇二五年中国基模的质变。
9. Scaling law 进入新阶段
接下来是第九章，也是我个人在这次调研中最兴奋的一部分：回顾大模型技术从二〇二三年到二〇二五年的演进，以及大家对二〇二六年的预判。
先快速讲一下结论：低垂的果实可能快被摘完了，scaling law 仍然有效，但是形式会变。当时间进入二〇二六年，大模型浪潮已经足足演进了三年有余。
回顾最近十多年的历史，应该没有任何一次技术热点能够维持这么长时间，所以我确实有一种在见证历史的感觉。
从时间线来看，自二〇二二年底开始，大模型能力分别经历了预训练 pre-training 的爆发，以及二〇二四年底强化学习的爆发。我了解到的一个业内 insight 是，当下海外模型公司其实已经以后训练，也就是 post-training 为主，而中国大模型训练还在以预训练为主，其中阿里和 DeepSeek 正在大力投入 post-training。
这里解释一下：预训练主要聚焦于习得知识和常识，学习语言规律，就好比一个小孩在 18 岁之前接受通识教育，上大学。后训练则聚焦于指令追随、对话、推理，以及对齐人类价值观，就好比一个大学毕业生真正走向社会之后，要解决具体问题。
目前其实还没有任何迹象能够证明后训练就是未来，只是一位从业者的观点。大家都在探索下一个 scaling law 在哪里。
到了下半年，尤其是年尾，围绕 scaling law 的讨论变得非常重要。先快速做一下科普：scaling law，也就是缩放定律，是人工智能，尤其是大语言模型领域的第一性原理。简单来说，它像 AI 界的摩尔定律，揭示了模型性能和三个核心变量——计算量、数据量和参数量——之间存在可预测的幂律关系，我们叫它 power law。
这里的 scaling 其实有两个层面。第一个层面是 pre-training scaling，也就是预训练 scaling，它是过去几年 GPT-3 到 GPT-4 的理论基石。简单来说，通过堆叠计算量、数据量和参数量这三大核心变量，就能够大力出奇迹，量变引发质变。也就是说，模型尺寸越大，就会越聪明。
第二个层面的 scaling，是二〇二五年发生的一个新变体，叫作 inference-time scaling，也就是推理侧扩展。二〇二四年底到二〇二五年，大家发现单纯堆参数开始遇到瓶颈。
预训练如果只是不停放大尺寸、堆叠参数，就会遇到瓶颈。比如数据会枯竭，互联网上的语言数据都快被用完，边际效应就会递减。
所以，OpenAI 的 o1 和 Claude 3.7 这两个代表性模型，引入了新的定律，也就是推理侧扩展。模型的智能不仅取决于它学了多久，这个“学了多久”指的是预训练；还取决于它回答问题时想了多久，这个“想了多久”可以理解为推理时间。
于是，就从“模型尺寸越大越聪明”变成了“思考越久越聪明”。这两种 scaling 是不同的，也经历了一个发展过程。
但是到了二〇二五年底，围绕 scaling law 是否到达天花板的争论，在硅谷产生了两种思潮。一种是以 LeCun 和 Ilya 为代表的撞墙派，他们认为单纯堆算力和数据的 pre-training 边际效应正在递减，所以必须转换新的范式。也就是我们刚才讲的第一种 pre-training scaling，可能已经到达天花板。
第二种是以 Hinton 和 Anthropic CEO Dario 为代表的 scaling law 不死派，他们认为 scaling law 仍然有效，只是形式会变。当下转向 inference-time scaling，也就是推理侧扩展，仍然有很大空间。
Anthropic 的路线图显示，通过改进数据质量和训练方法，模型在未来几年内仍然会以指数级速度变强。Claude 3.7 就是这一理念的体现。但是，这个观点其实也存在争议。
围绕 scaling law 是否已经逼近天花板，我访谈了很多行业从业者。其中一种声音可能具有很大价值，我在这里分享给大家：scaling law 正在经历从模型尺寸大小的 scaling，过渡到模型思考深度的 scaling。
但是未来还将产生一种更重要的 scaling，就是 Agent 智能体之间协作所诞生的网络效应 scaling。这是一个非常值得期待、但尚未真正发生的 scaling。
我们会发现，到现在已经有三种 scaling 了。第一种是模型尺寸，是大小的 scaling；第二种是思维深度的 scaling；第三种是 Agent 智能体协作之间的协作网络广度 scaling。
第三种其实才刚刚萌芽，刚刚开头，非常值得期待。只靠堆砌预训练数据和参数量的 pre-training scaling 时代已经接近尾声，这意味着低垂的果实很快就要被摘完。
大家在抢夺这些低垂果实、疯狂对算力和数据进行 scaling 的过程中，训练成本过高，代价也可能过大。这是一个很重要的技术趋势，也是围绕 scaling 的一个重要观点和讨论。
另外一个非常重要的技术趋势，是 AI 正在从数字世界迈向物理世界。这里我推荐大家，可以去回看或者回听一下漫谈播客第四十一期，对话智源王仲远的那一期播客，或者是搜索我的公众号，可以查看到文字版。其实，更多商业公司正在试图在现实世界和数字世界之间架设一条高速公路。
怎么理解这条高速公路？一边，人们希望在现实世界中添置更多传感器，以便从现实世界获取更多数据，为现实世界搭建一个孪生的数字世界。这样，在数字世界里就能够更好地训练 AI，让 AI 更懂用户，也更具主动性。
在这个叙事之下，刚才提到的具身智能和 AI 硬件，其实都起到了非常重要的传感器作用。另一边，让 AI 更深刻地理解物理世界的运作规律，也是接下来非常重要的研究方向。
其中，世界模型就是一个典型代表。语言模型是 next-token prediction；如果过渡到多模态和世界模型，它就会是 next-state prediction，也就是对下一个物理状态的预测。
这里引用我和 Google 研究员访谈中的一段话。我觉得他说得很好：
“为什么 LLM 不会是 AGI 或者 ASI 的全部？为什么 world model，也就是世界模型，以及让 AI 进入物理世界、理解物理和宇宙规律，会是非常重要的一件事情？
一句话解释就是，你可以认为，现在 LLM 的 world model 是 learn from 这个世界上所有的文字。语言这个事情本身就是人类知识的边界，但并不是宇宙知识的边界。
我们认为，一个更强的 world model 应该是 learn from the physical world。人类知识的边界永远非常局限，而宇宙的知识远远超过人类知识。如果你不能直接跟宇宙进行 interaction，去获得宇宙的 signal，那么你的知识可能很难超过人类知识的边界，尤其是人类语言的边界。
我常说的一句话就是，AGI can approach but cannot arrive。也就是说，你可以永远逼近 AGI，但不能到达 AGI。”
10. AI 商业回到现金现实
接下来来到最后一章，回归商业现实。刚才我们梳理了从二〇二三年到二〇二五年，不管是在技术、资本层面，还是全球重要玩家方面的进展和发展。
我们会发现，底层能力虽然跃迁了，也带来了应用窗口，但是 AI 行业仍然处在萌芽和未爆发的早期。比如，我们一直在期待 AI 时代的 super app 出现，但客观上来说，它现在暂时还没有出现。
尽管已经有很多表现不错的黑马产品，但仍然没有一个现象级 super app。大模型像巨兽一样吞噬着金钱和算力，但是随着战线拉长，所有巨额投入都会承受更大压力。
在这个层面上，美国的压力可能比中国更大。因为我们刚才讲过，两边的定价逻辑不一样。美国的定价逻辑中包含非常高的 AGI 溢价，也就是许多人认为存在的 AI 泡沫。
我们具体看一些例子。即便 OpenAI 被认为是全球最成功的 AI 公司之一，根据第四季度在一级市场流传的数据，OpenAI 二〇二五年的年化收入达到二百亿美元，已经是一骑绝尘的状态。
但是今年它仅仅算力租卡的成本就高达一百六十亿美元，这还不算其他高昂的人力成本和运营成本。这是一个令市场倒吸一口凉气的数字，因为它的经营性亏损达到一百一十九点二亿美元。
这意味着 OpenAI 每赚到一块钱，就要投入一点六块钱。相比之下，拥有算力和更成熟基础设施的 Google 和 Meta，利润至少好看很多。这其实是对创业公司的一个警告。
在我访谈的对象当中，有一些乐观者认为，目前 AI 技术成本虽然高，但是 token 的性价比正在以十倍速度提升，所以预计到二〇二六年，很多场景就可以充分应用。
但是现实是，除了模型训练成本之外，推理成本也在暴涨。这就是我刚才讲到的推理侧扩展 scaling，它会消耗比训练阶段更海量的算力。
我记得之前在我们的播客当中有过一个非常形象的比喻：如果训练所消耗的算力是一滴水，那么推理所消耗的算力可能是一整个池塘。
这是全行业的趋势：当模型进入推理时代，会消耗比训练更海量的算力。这意味着大模型技术成本会更大，但是新 AI 时代的商业模式仍然在探索。
除了传统的订阅制、广告等商业模式之外，result as a service，也就是按结果计费，以及按 token 计费，是现在新的探索路径。但是这些新的商业模式各自都有挑战。
比如按结果付费的 RaaS，在很多场景下很难界定，你的结果有多大程度是由模型提升带来的。它很难定价，也很难归因。
PPIO 的姚欣指出，二〇二五年模型能力的提升其实有限，但是 Agent 基础设施正在丰富。所以我们刚才也提到，Agent scaling 现在已经看到雏形。
未来，如果通过并行开启多个 Agent 来解决问题，是可以突破智能天花板的。但是这种方式成本很高，对底层硬件芯片也提出了挑战。
这是二〇二六年非常值得关注的现象：底层芯片是否已经为 Agent scaling 打好基础、做好准备？
这件事也会衍生出另外一个非常重要的观察：在大模型竞争叙事中，底层算力和基础设施的自控权，越来越成为决定性因素极强的一张牌。
美国现在已经开始大规模使用债券、私募债等形式支持算力资产，这些举动的共同目标是把算力资产化，因为算力所要消耗的资金实在太大了。
国内的算力供给则面临另一种现实瓶颈：由于政策叠加，进口算力买不到，也不允许买。所以中国市场的关注点，更多从“谁的卡更多”，转向了真正的算力可得性。
在这种状态下，自建算力开始成为一种趋势。越来越多大企业意识到，如果芯片和底层基础设施不能自控，模型训练和推理的优化空间其实会受限。
据我了解，蚂蚁和米哈游现在都在自建算力。当然，中国有条件自建算力的企业屈指可数。但是，这个趋势共同指向一个结论：从底层到架构再到模型，仍然属于巨头之间的游戏。
也因为如此，中国的云加基模层面，目前看来只剩下两家选手的对决：阿里的千问和字节的豆包。其中，阿里的超算集群还是非常稀缺的。
今年不得不提的是，二〇二五年对于阿里来说，也是它开源策略的全面胜利。千问是开源的，而且做到了开源领域的领先者。它成功带来了阿里云的回春。
通过开源模型加卖算力双轮驱动阿里云的业务模式，简单来说，通义这个模型作为技术抓手，因为开源，引来了大量应用公司选择阿里的云服务和算力，形成了“模型免费、算力付费”的商业模式。
而且，阿里虽然布局了很多 AI 投资，但是在投资创业公司的过程中，很多投资比例是算力券，其实这也是在变相消耗自己的云服务。
据我跟业内人士交流，中国基模创业公司现在普遍压力很大，面临研发算力成本重、现金紧张等问题。原因在于，大模型融资中算力折现和 PR 口径放大，是比较普遍的现象。
创业公司的名义融资金额和实际到账金额存在差距。而且，尽管中国 AI 资产相较美国被低估得不可思议，行业里仍然存在很多高估值难以消化的现象。
对于这些成长中的创业公司来说，如果未来再遇到一个市场骤冷期，确实会是很大的挑战，因为这些估值溢价比较难消化。
所以，对于这些创业公司来说，追求模应一体、走产品化道路，成为一种现实主义选择。陈宇说，现在行业里都会看的一个维度叫 model orchestration，也就是模型编排。
它指的是协调多个模型工作来完成复杂任务，或者实现更高效、更经济的最优解。从这个层面出发，创业公司的优势就可以显现：它们独立的身份和状态，可以不和任何一家大巨头的生态绑定，有机会在 model orchestration 上做到最好。
其实现在很多 Agent 公司，包括 Manus、Genspark、Lovart 等优秀 Agent 产品，都做到了这一点。我还记得 Genspark 的创始人景鲲曾经在一个群里说过：“大家可以放心，我们的 mixture of models 一定会比大家自己挑选的更好。”
这也体现了模型编排的能力。而且，在当下卷 benchmark 已经不再有意义了，因为每一家都会宣称自己是最厉害的模型。但是面对应用和 Agent，用户还是会用脚投票，所以增长和留存仍然是检验大模型产品的金线。
有一种声音认为，AI 应用的发展将经历三个阶段：第一阶段是模型主导；第二阶段是模型与应用分离，我们现在可能正处于这个阶段；第三阶段是产业结合。
以上就是漫谈在二〇二五年获得的行业观察和一些趋势判断。跟大模型一样，没有办法保证绝对准确，但求创造一些碰撞和启发。
不知道大家能否感受到，在刚才漫长的梳理当中，中国和美国在 AI 这条发展叙事上，已经逐渐呈现出不同路径。我们看到，美国资本市场有它的特点，美国巨头们也提前进入了团战的棋局；而中国坚定地走开源和应用路线。
让二〇二六年仍然值得期待的一点是，我们仍然在等待一些 super app 的出现，仍然在等待一些非常具体的价值，包括刚才提到的 Agent 层面的 scaling law。当它发生时，可能会极大改变我们的生活。
这期节目确实比我预期中晚发布了一些，主要是因为年底任务太多，值得记录的事情非常多，而我的工作又比较细。近三十个人的访谈横跨中美，文字量有几十万字，是一个比较浩大的工程。我也很多年没有做过这么大体量的综述了。
但是在做的过程中，始终有一个信念，就是必须记录下来。因为我直觉觉得，未来回望二〇二五年，会是一个值得展开、并且影响深远的大年。
这是我个人从业的第十年，也是漫谈正式创业的第一个完整年。我实实在在产生了一种正在见证时代、记录时代的兴奋感和沉浸感。
而且，当 AI 本身融入我的工作和生活之后，我也越来越感到，只有自己写，而不是 AI 写，才能最大化消化这几十万字的高密度交流，包括这几十个人给予的信任，从中榨取出一些值得他人借鉴的部分。
回归到我做这些独立记录的初衷，我希望参与到这些叙事的进行时。如果记录本身能够正本清源，激发思考和碰撞，修正我们的信息和认知，甚至捕捉到一些能够影响他人和世界的力量，那么这本身就是一种存在主义。
二〇二六年，还是希望跟大家一起描述、定义、推动一个美好的世界。新的一年，我会继续产出用心的、稀缺性的内容，期待跟大家继续相遇。谢谢你们这一年多的支持，感恩。如果想再看一下这些内容的文字版，进一步消化一下，欢迎搜索关注我的公众号“魏诗杰漫谈 like the star”。好啦，我们下次再见。Into the mist, a stone stole from a precipice, paused。