一位投資人對具身、模型與算力的17條判斷

作者：小燕

來源：騰訊科技（ID：qqtech）

過去幾年，中國科技創投圈最熱的幾個關鍵詞，幾乎都繞不開AI、機器人和具身智能。

在大模型賽道，智譜是最早一批被放到“中國版OpenAI”語境下討論的公司。階躍星辰、生數科技，也分別站在基礎模型、視頻生成等熱門方向的中心。在機器人方向，優必選已經登陸資本市場，銀河通用機器人、因時機器人、它石智航等公司，則代表著機器人從本體、模型到場景落地的不同探索。

在這些明星企業背后，有一家共同的投資機構——啟明創投。這家機構成立于2006年，旗下管理11只美元基金，7只人民幣基金，已募管理資產總額達95億美元。

多次投中技術浪潮，啟明創投的方法論是什么?

近日，啟明創投主管合伙人周志峰，圍繞啟明創投的投資方法論，分享了大模型、具身智能、算力芯片等前沿賽道底層發展趨勢，拆解區分概念炒作與真實產業落地的核心標準。

作為投資人，周志峰是不折不扣的AI深度體驗者，在交流中他不時從生活化的細微視角切入，描繪出AI技術落地的真實時代圖景。他談及家中長輩，早已熟練刷短視頻平臺，也能順暢使用AI完成日常信息查詢;自身工作場景里，AI同樣深度滲透，日常依靠AI工具完成數據拆解、素材梳理，即便日程緊湊，也會持續關注AI生成短視頻的內容迭代。

這些細碎、真實的日常片段，直觀印證一個核心趨勢：AI 早已不只是停留在實驗室理論、期刊論文里的專業概念，或是一級市場僅停留在融資通稿里的資本故事，而是真正下沉至普通大眾的手機終端，完成從前沿技術到全民日常工具的跨越。

而投資人的職責，是在這些變化大規模出現之前，判斷出哪些技術方向、產品形態和公司，最有可能把這種變化帶到現實里。

周志峰把這種思路總結為“快半步”投資——不是越早越好，也不是等市場形成共識后再追進去，而是在技術突破點之后、商業引爆點之前進入。

周志峰 啟明創投主管合伙人

周志峰以智譜為例。2020年5月，GPT-3發布，讓啟明創投看到Scaling Law 正在被驗證，大模型已經跨過一個重要技術節點。基于這個判斷，啟明創投在2021年12月投資智譜。彼時，ChatGPT尚未發布，“All in AI”還不是投資圈的集體口號。直到2022年11月，ChatGPT橫空出世，生成式AI才真正被推到大眾和創投市場面前。

那么，在AI、機器人、算力和芯片這些熱門方向里，下一個“快半步”的機會會出現在哪里?現場交流中，周志峰沒有直接給出答案，而是更多拆解了這些賽道正在發生的變化。

面對這些火熱賽道和大量涌入的熱錢，周志峰認為，越是接近風暴中心，越要回到最樸素的問題：有沒有創造真實價值，能不能經得起商業邏輯的驗證。他多次提到，市場大概率會進入“show me the money”的階段。越是新的東西，越要警惕短期關注度和長期價值之間的落差；越是市場喧囂，企業越要證明自己能把技術變成收入，把想象變成現實。

接下來，為了閱讀效率，騰訊科技以第一人稱的口述方式，整理了周志峰的核心判斷。

01

“具身智能，是殺死我腦細胞

最多的領域，沒有之一”

1、和很多具身智能公司交流下來，我主要有三點感受。

第一，一二級市場都格外看好這條賽道。核心原因是，這或許是我們有史以來第一個兼具“智能手機的出貨規模”和“乘用車的單價”的產業。如果這個行業發展成熟，一年會有10億臺的出貨量，單臺均價約3萬美元、折合20萬元人民幣，這放在人類兩三百年商業發展史里，都是體量頂尖的賽道，沒有之一。

第二，大家現在搶IPO，本質上是在搶稀缺性紅利。二級市場本身就有這個特性：一個大賽道前一兩家企業率先上市時，因為標的稀缺，它能夠享受超級資本紅利，直觀體現就是股價和市值會高到脫離常規邏輯，所以大家都想搶先上。

第三，很多公司已經越來越難區分。我們監測到，中國有370多家具身智能相關企業，而且基本上每周還會收到兩三家新項目。它們的團隊背景、技術路線和落地場景都越來越相似：無非是教授、小天才、自動駕駛大廠高管或AI模型背景出身；都在講VLA、世界模型；落地也大多圍繞工業制造、物流、商業服務，最近又出現了仿生機器人場景。但問題是，現在還沒有一個客觀評判技術水平或模型能力的標準，能真正判斷誰的技術更強、落地能力更強。

所以，前一兩家公司上市后，可能會因為稀缺性沖到很高的市值。但半年到一年后，市場大概率會進入“show me the money”的階段，只看能不能落地，能不能轉化成銷售收入和利潤率。

如果到今年年底、明年年中，一旦落地不及預期，就算成功上市，市值都可能跌到小幾百億區間，一二級市場也會估值倒掛。一級市場原有估值撐不住，企業后續再融資難度會大幅提升。

關鍵還是技術。如果機器人賽道沒有關鍵突破，尤其技術路線無法收斂，行業就很難大規模落地。現在各家機器人落地探索，很多用的還是專屬場景的模型，并不是當下輿論熱度很高的通用模型。如果無法實現技術收斂，就打不開規模化落地場景，到頭來只能做一些可有可無的demo項目，商業化規模起不來。

所以我現在能做的，就是持續積極看所有新出來的項目，保證全面收集信息、持續跟蹤行業盤面。

現在一級市場還在拼命融資，規模相對穩定的公司在拼命準備上市。但最終，不管上不上市，市場看的還是商業化。如果行業拿不出真實落地成果，市場大概率會迎來一輪深度大調整。

2、我一直不認為世界模型是全新賽道，未來VLA和世界模型融合的概率超過50%。它更像是一條技術路徑，只是在一級市場被炒成了熱門概念。近期新冒出來大概30余家世界模型的初創企業，對比之前的VLA技術路線的公司來看，在商業化落地上沒有本質差別。

3、現在具身智能缺少客觀評測標準。語言模型有很多 benchmark，但具身智能面對的是物理世界的勞動力，評測難度高得多。目前全球市場上大概有三五個具身智能 benchmark，但這些榜單最近也受到很多質疑。一些公司靠刷榜取得高估值，業內人一看就知道，沒有任何意義。

在標準沒有收斂前，我們目前更多還是從底層邏輯來推：第一，算法和模型架構路線是否符合我們的推演；第二，團隊是否有豐富的工程化經驗；第三，數據策略。數據可能是接下來最關鍵的變量。語言模型是給了100億的token，才實現Scaling Law；視頻模型是給了十億級clip，才實現Scaling Law。目前，中美最頂級的具身模型公司手里大概只有幾十萬小時數據，距離足夠規模還差一個量級。但基本中美頭部具身智能公司有可能在今年會達到這個數據規模，所以今年可能會實現突破。

一旦技術突破，評測反而會變簡單。比如在工業場景里，一家大廠的25道工序，在沒有任何的后訓練或僅有很簡單的后訓練，去看機器人完成這些任務的成功率有多少，如果成功率能過50%，大廠就會真的付錢購買機器人;如果只有5%，那就說明還不行。

4、數據是具身模型需要突破的技術瓶頸，但未來一兩年可能會快速改觀。要把具身模型做出來，可能需要100萬到200萬小時訓練數據，而且現階段數據體量比單條數據質量更重要。關于各類數據搭配方案，行業專業叫法是數據策略，近幾個月這塊已經形成共識。之前行業分幾類數據路線，像特斯拉自研真機采集的數據，真實度最高，模型更容易學習適配，后續模型部署到硬件執行時，和訓練采集的數據匹配度完全一致。

但這類真機數據采集門檻極高，哪怕特斯拉這種頭部企業推進起來也十分吃力，一年產出量十分有限;需要投放1000臺機器人，搭配專人值守，單臺設備一天有效采集時長僅一兩個小時，效率極低，想要攢夠100萬小時數據，耗時十年都未必完成，特斯拉尚且如此，其他企業更難實現。這類數據質量頂尖，但總量稀缺。早前谷歌、OpenAI傾向采用視頻數據，谷歌本身深耕視頻模型領域，但海量通用視頻數據和機器人實操場景脫節，例如會議室場景視頻，很難讓機器人學到實操能力，反而會給模型引入大量低質量噪聲數據。

介于兩者之間的是近一年興起的UMI數據，工人作業、人類實操時借助可穿戴設備記錄真實操作場景，更容易對齊模型訓練需求。目前中美頭部企業規劃今年采購合計100萬小時訓練數據，其中真機數據僅占 1%–3%，UMI數據約70%，視頻數據占20%。諾亦騰從動捕業務拆分獨立發展，動捕技術可以優化UMI數據與真機數據采集，現在能夠全品類供應各類訓練數據。

除了規模，觸感數據也會變得重要。比如機器人拿起一瓶看似普通、但實際更重的液體，人類會立刻感知重量變化并調整握力;但目前的真機數據、紋理數據和視頻數據，大多缺少這種觸感信息。

所以，現在有一批公司在嘗試做觸感織物這類方案，用來打造帶觸覺感知的機器手，采集觸覺數據。這個方向投資很熱，但目前全球范圍內還沒有哪家公司的技術做到完全成熟。

5、在具身智能模型層面，中國的優勢主要有三個：數據、落地場景和硬件配套。

現在很難量化中美模型技術差別，因為中美在模型上的差距本質上就是算力。技術還沒有完全收斂，技術探索研究特別像在黑夜的大海上航行去尋找金銀島。

美國沒有算力限制，頭部企業每晚能同時派出30條船，每一輪探索反饋對尋找方向至關重要，每個團隊回來匯報路線，比如今天沿30°方位角航行5海里沒找到目標，后續就不用重復這條路線。

而中國現在受芯片限制，一晚只能派出一條船，核心差距就在這。當前大語言模型的整體路線已經清晰，所以直觀感受差距不算懸殊。但如果行業迎來下一次技術飛躍，從概率上來說，同時鋪開30條探索路線，對比只走一條路線，美國率先實現技術突破的可能性會大很多。表面看當下模型差距很小，但長期整體差距其實并不小。

不過，在數據、落地產業場景和硬件配套上，中國有明顯優勢。

美國幾家頭部大廠都在向中國企業采購數據，這點足以說明他們自身數據儲備不足；

第二是落地產業場景，中國有寧德時代、比亞迪這類海量制造企業，有充足實體工廠可以協同研發;

第三是硬件配套，人形機器人整機約有1200個零部件，90%以上供應鏈集中在中國長三角、珠三角，中國公司可以讓本體和模型同步快速迭代。一旦發現模型算法和硬件執行不匹配，兩周內就能對接供應商調整優化。

總結下來，中國在硬件、數據層面具備顯著優勢，美國的優勢在模型端，但雙方差距并不算大。

6、關于人形機器人“炫技”還是“實用”的爭議，很多討論沒有分清概念。

具身智能相關算法大體分三大方向：Manipulation、Navigation導航和Locomotion運動控制。

第一，Manipulation是物理層面的作業操控，具身智能、世界模型都歸在這個方向，目前行業整體還沒形成統一成熟路線；第二是Navigation導航，技術已經落地成熟，移植于自動駕駛；第三是Locomotion運動控制，也就是跑步、武術這類表演性動作，偏展示。

三者同屬機器人AI算法，但決定機器人能否形成大規模商業價值的核心，還是操控技術。Locomotion發展更成熟，宇樹在全球這塊做得頂尖，優必選也有不錯的積累。所以現在大家覺得它們只會炫技其實很正常，這本來就是它們的強項。近期新成立的360多家機器人企業，主攻的都是操控方向;而宇樹、優必選資金充足，也都搭建了相關研發團隊，這方面能力也不弱。

單看運動控制這類表演展示類場景，全球市場天花板僅約 10億美元;反觀工業制造相關的機器人落地場景，全球規模要大很多，兩者體量完全不在一個層級。簡單來講，運動控制技術成熟更早，早年機器人只能實現跳舞、表演這類功能;要等到今明兩年操控相關技術完成收斂，機器人才能落地真正具備實用價值的大規模場景。

02

“AI領域有兩個變化超出預期，

一個變化低于預期”

7、未來一兩年，AI公司的估值最終還是會回到收入和交付能力。傳統企業軟件公司可能PS估值倍數在5-15倍，處在熱門風口、技術領先的行業，倍數能給到20至100倍。像智譜這類企業能不能穩住估值，關鍵就看營收規模能不能做起來。如果能做到百億營收，給到100倍PS，對應市值就是一萬億;可如果營收只有15億，市場估值就會迎來回調，機器人賽道也是同一個邏輯。

企業的ARR年化收入代表它的成長性，賬面確認收入代表現金流。機器人行業其實也一樣，最終還是要看整體營收，這些財務指標是一把最公平的尺子。

所以，AI公司最重要的還是兩件事：模型能力能不能持續提升，客戶側能不能形成真實使用和收入。這兩點，決定了公司到底有沒有長期價值。

8、過去一年，AI領域有兩個變化超出預期，一個變化低于預期。

第一個超預期，是AI算力。整個算力總盤子以及從訓練到推理，算力范式或者需求范式的轉移速度等是超出預期的。比如某國內科技大廠，去年算力預算最終落地大概500多億元，今年給出的預算是去年的6倍多。

所以不管一級市場涌現大批新一代AI芯片企業，還是二級市場炒作HBM內存、光通信賽道，行業各類火熱行情，本質都是巨大算力需求在牽引，整套底層邏輯是通順的。至于個股短期暴漲合不合理，這點我沒法判斷，但算力市場整體熱度和增量，確實遠遠超出我的預期。

第二個超預期，是模型技術自身發展速度以及市場圍繞模型快速形成的共識。包括今年1月份，隨著小龍蝦為代表的智能體，coding能力，去年我們做十大展望的時候，在WAIC只說coding能力很重要，沒有想到如今代碼能力已經成為大語言模型最核心的競爭力。

因為coding能力帶來了智能體的能力，我認為智能體的產業價值，對比過去兩三年以對話Chatbot為主的AI產品高出無數個量級。同時還形成正向循環：智能體運行產生的算力消耗，是單純對話類產品的上千倍，這也能解釋為什么算力賽道增長全面超預期，這倆是互相關聯的。

模型技術的發展及資本市場對模型企業的追捧熱度也超出預期。市場對優質模型企業的共識形成速度極快，頭部標的市值能夠沖擊萬億規模;市面上還涌現大量neo labs新型模型創業公司，創始人基本都是95后、00后，這類項目天使輪估值就能到20億、30億元，從業這么多年我從沒見過如此火熱的行情。

低于預期的是AI應用，尤其是2C應用。我去年判斷，2025年是AI應用時代開啟的元年。現在看，AI應用的大盤子依然是超預期的，只不過它的打開方式和我去年想的不太一樣。今天基本上AI應用主要是與AI Coding相關的，包括智能體的發展，這是我沒有預料的。我去年以為也許今年會看到AI真的賦能千行百業，也許出幾個有一點點希望成為新騰訊、新字節跳動、新阿里巴巴的2C應用，但今天來看并沒有跑出讓整個市場特別為之一振的新一代2C應用。

2022、2023年成立的那一批第一代AI應用，大多以對話工具、情感陪伴CharacterAI這類產品為代表，現在不少已經發展乏力，行業陷入產品同質化競爭。用戶增速也不復前兩年的高速，過去一年整體增長偏緩慢。我們內部復盤總結，核心問題在于：互聯網、移動互聯網那套用戶增長、流量邏輯，放到AI時代做2C產品行不通。

AI玩具和AI短劇都是例子。有些AI玩具企業賣出幾十萬臺，但90%的用戶都不會長期啟動 AI交互功能，公司坦言這反而是好事，因為如果幾十萬用戶全都是高頻對話、持續消耗token，公司根本扛不住成本。在AI短劇中AI內容占比提升很快，但很難跑出真正的爆款。

這說明短劇行業靠規模化體量打底，核心變現卻高度依賴爆款作品，現階段AI還沒辦法產出很多爆款。這也能說明文藝創作里人的藝術表達、構思占比很重，不是單純靠AI生成精致人物畫面就能支撐起優質內容。

9、過去一年，視頻模型技術實現了階躍式增長。

新一代視頻模型，比如引爆全球的Seedance 2.0.采用的都是MoE架構，智能能力提升顯著。如今已經支持4K分辨率。也正因如此，現在不少好萊塢影片，可口可樂、麥當勞這類大品牌廣告，很多片段全部或部分由AI生成，依托的就是模型高清生成能力。

再到這一輪世界模型，能賦能視頻生成，實現物體運動、碰撞效果，還原真實物理規律，放在一年前完全難以預判。過去一年相關企業業務增速迅猛，頭部玩家分兩類：全球三家大廠，字節Seedance、快手可靈、谷歌Veo;還有創業公司，我們布局的生數科技、愛詩科技、Video Rebirth等，各家的業務與收入基本都實現十倍級增長。

現在好萊塢、廣告行業、婚慶、會務公司全都在用。各類落地場景一下子全面打開，我判斷今年行業整體商業化規模會迎來大幅提升。

10、Seedance、可靈和谷歌Veo 3的核心優勢是算力和數據。

Seedance、可靈跟谷歌這三家算一個類型，即便可靈分拆，仍然能依托快手的算力和數據支持;三家核心優勢是自有算力規模，相較生數科技這類創業公司具備優勢，同時它們擁有一定的數據優勢。視頻模型升級后，訓練和推理規模都要跟上，這幾家公司手里有幾萬張到幾十萬張卡，優勢明顯。

但我認為創業公司仍存在機會：技術尚未完全收斂，創業公司在人才、技術探索迭代速度上不輸于大廠。我相信，可靈選擇分拆，也有利于持續留住頂尖人才。VC與創業公司存在的底層邏輯在于，創業公司體量雖小，但股權激勵機制和能集中全部資源發力，這兩點上永遠相較大廠更有優勢。

市場規模在快速放大，規模化之后分工就會更細化，各家商業化發力點已經出現明顯分化。先說語言模型，美國頭部三家，不同用戶使用感受各有差異，有人覺得Gemini聊天體驗更好，但單從技術和產業共識來看，OpenAI旗下ChatGPT用戶體量最大，也是最早推出對話類聊天機器人，大量優化都圍繞對話場景展開。

主打英文對話場景的話，ChatGPT流暢度全球領先;Gemini背靠谷歌，接入海量線上數據，優勢集中在信息檢索與整理;Anthropic則從底層第一性原理出發，代碼Coding與智能體能力從起步階段就具備優勢，三家已經形成清晰分化。

各家視頻生成企業同樣路線不同：字節核心面向C端，可靈主打B端業務，我們投資的生數科技同樣聚焦B端的某些場景，行業分化趨勢十分明顯。B端場景和C端場景對模型特性的要求也有不少區別。

11、現在有一個隱患：AI共識形成后，大量熱錢正在涌入。

共識形成后大量熱錢涌入，最先進入二級市場。目前純正硬核的AI上市公司并不多，二級市場能承接資金的池子并不大。現在很明顯，二級市場的熱錢又開始流向一級、一級半市場。很多企業剛剛完成融資，本身并不缺錢，但仍有機構愿意把估值再抬升50%到一倍，立刻追加一輪投資。這批熱錢對行業沖擊很大，企業拿到超出自身需求的資金，會干擾自身戰略判斷和日常經營。但我也能理解創業者，有人主動給出更高估值、大把資金，選擇拒絕這件事本身很反人性，很難做到。

對我們短期來說利好更多，長期看，市場會被攪得很亂。就像我剛才說的，現在有近十家估值超200億的具身智能企業，還有十余家百億估值公司，成立都才兩三年，這本身就很不正常。

這么多企業拿到大額資金涌入賽道，很可能掀起無序內卷：一是算力成本水漲船高，原本300萬一臺的英偉達服務器，直接炒到上千萬，全行業算力成本被動抬高;二是人才惡性爭搶，行業薪資飆升;三是客戶層面無序競爭，各家都沒有成熟落地的商業場景，只能扎堆搶奪大客戶，單純比拼營收規模。

這些現象長期來看都會損害行業發展，當下市場里充斥著不少非理性的狂熱行為。

12、現在資本市場對年輕AI創業者有一種“謎之熱戀”。

第一，絕大部分機構錯過了這波大模型企業在兩三年前的投資機會。大部分機構因為沒有建立conviction，對AI的決心，當年沒有投。到了今年年初，對大模型有共識了，所以很多機構急于補槍，這種情況下肯定會使新出來的模型公司受到特別資本紅利。

第二，DeepSeek出來之后大家很震驚，很多媒體報道說核心團隊是北京大學、清華大學在讀博士生，并不是AI界的“老炮”，所以市場上形成一個印象，就是越年輕就越聰明，越聰明越沒有歷史包袱就越能成功。現在市場上很多投資人會迷信年輕團隊，不是說年輕團隊不好，我們也投了非常年輕的團隊，也看了很多項目。我只是說把年輕創業者當作投資主要判斷依據，我覺得是非常主觀的，立不住。

第三，美國也涌現了一些新的前沿模型實驗室。海外三家頭部企業核心人員年薪已經達千萬美元，一些優秀的年輕研究員，由于豐厚的收入，沒有財務上的后顧之憂，選擇獨立創辦新模型公司很好理解，這也帶動國內很多年輕人愿意下場嘗試。

這股浪潮背后的邏輯能夠理解，但我們落地單個項目判斷時，不會單純因為創始人年輕就出手投資。我們核心要看對方的技術路線是否具備顛覆性，或是能做到十倍級提升。哪怕創始人只是在讀博士、剛畢業博士，缺少相關行業履歷，我們也會多方搜集佐證信息，綜合驗證團隊真實硬實力及研發方向的選擇，做完整評估分析。

13、越是瘋狂的時代，越要看歷史的教訓。越是噪音比較多的時代，可能哲學思維越重要，要把這個事想通、想透。

給剛成立兩三年的年輕公司，我的建議是，多看歷史。越是大浪潮，越要看歷史里的教訓。

其實在大浪潮——互聯網、移動互聯網時代都發生過類似的情況，只是規模越來越夸張。90年代末也出現很多一個人就可以融到錢，兩年內就可以完成上市。但最終還是塵歸塵，土歸土，沒有真正創造價值，哪怕再受資本市場寵愛，最終也可能失敗。

所以，越是瘋狂的時代，越要看歷史的教訓。越是噪音比較多的時代，可能哲學思維越重要，要把這個事想通、想透。

投資本質是我們投資一家企業，它未來能夠實現規模化，我們通過IPO等形式實現退出回報。例如我們會投麥當勞，但絕對不會投一家米其林三星餐廳。米其林餐廳再賺錢，凈利潤高，如果不能實現資本化，沒有一個IPO的放大器，是沒辦法退出的。

03

“如果一年后智能體沒有起來，

算力需求也會被重新審視”

14、今年，美國幾大科技巨頭全年AI算力投入相關預算規模從7000多億美元上調到8000多億美元;中國大概是一千多億美元量級。這個統計數據未必完全準確，但方向很明確：這是目前人類商業社會上能看到的，比機器人領域確定性更強、落地周期更近的最大需求，需求非常清晰。

具體舉些案例，前幾年大家都在做模型訓練，但是到今年為止，我們已知字節跳動的算力和推理部分的需求，已經從1:1慢慢變成了推理更多。包括智譜，現在token用得更多，如果它能夠保持前幾個月的增幅，它肯定推理算力會高速增加。基本上字節這些科技大廠，兩三年后每年的推理算力需求都會達到百萬張卡級別。所以這是一個巨大的需求，是非常落地、真實的需求。

所以，GPU公司市場需求空間非常大，GPU企業在這個大市場里哪怕只分到1%份額，都意味著一年能實現百億規模的營收，對應的企業市值輕輕松松能到千億。但市場會先分散、再收斂。中國現在會容納很多GPU公司，但五年、十年后，能留下多少?我相信一定是收斂。

15、現在國產GPU大概有三類路線：現在市場上的AI云端芯片企業，對應三種不同技術路線，后兩類是近一年才興起的，也是當下一級市場特別活躍的方向。第一類是國產GPU廠商，以壁仞科技、沐曦、摩爾線程、昆侖芯、寒武紀、華為為標桿。目前核心要素是誰拿到了國產供應鏈的產能。目前僅有少數幾家企業能看到持續穩定供貨的前景。

因為有供應鏈的問題，先進制程產能供給受限，現在衍生出兩種新的路線，是能夠比當前的GPU更滿足未來AI的推理需求，也可以規避供應鏈的問題。兩個路線，一種是3D堆疊DRAM，另一種采用DDR。目前做3D堆疊路線、DDR路線的企業各有近10家，其中不少頭部企業，當前估值普遍在100億元至200億元區間，融資規模都很大。

市場看好這類企業的邏輯很直白：只要產品能夠落地量產，一來就能解決產能供給的難題；二來未來推理市場增量空間巨大，這類企業總能分到相應市場份額。

16、市場對算力需求的預期仍在搖擺，這一點值得警惕。整個市場最需要警惕的就是，前兩天已經震動過一次，有報道稱Meta要對外出售一部分冗余算力，消息并非Meta官方發布，市場瞬間懷疑之前所有行業預估都出現偏差。消息出來當晚韓國股市直接熔斷，三星、海力士股價大跌，國內相關港股、A股同步下跌。

如果后續AI應用落地無法保持持續爆發增長，比如Agent發展一年沒有起色，商業化落地也沒有更上一層樓，或是模型能力沒有進一步提升，只能維持現有水平，整體應用規模就無法提升，對于算力增長的預期就會被擊破，一二級市場會出現集中風險。

17、國產高端AI芯片和英偉達的差距，首先在軟件生態。現在能用來做模型訓練的基本都是英偉達的卡，所有模型訓練體系都是搭建在CUDA生態上的。想要高效率、低成本做推理，肯定要兼容CUDA。這不只是中國公司，AMD也在這件事情上抗爭了一二十年。

現在出現了一些變化，第一，相比AI1.0時代，大模型算法收斂度更高，大家做算子優化會相對容易一點，能降低CUDA帶來的適配壁壘。第二，這半年大模型代碼編寫能力變強，現在所有非英偉達芯片廠商，都在用大模型自動做算子適配。但不管怎么說，到目前為止，CUDA生態依然是英偉達最大的競爭壁壘。

硬件層面這么多年一直都在說，我們先進供電制程比臺積電落后一代，芯片晶體管數量更少，想要堆出同等算力就得把芯片面積做大，面積變大成本隨之抬高，散熱壓力也會同步上升，是一連串連鎖問題。簡單說，我們當前高端芯片相比英偉達至少落后一代水平。

版權聲明：部分文章推送時未能與原作者取得聯系。若涉及版權問題，敬請原作者聯系我們。