推理效率提升74%、KV快取壓縮90%、API定價不及閉源競品1%。當大模型的邊際成本趨近於零，AI產業的真正變局才剛剛開始。2026年4月24日，DeepSeek在沉寂長達15個月後，正式發佈並開源新一代旗艦模型DeepSeek-V4。這不是一次常規的模型迭代，而是一次從架構底層到價格體系、從算力生態到產業邏輯的全方位重塑。如果說過去兩年AI圈的競爭是“誰能做出更聰明的模型”，那麼從這一天開始，競爭正在轉向：“誰能讓AI變成人人用得起的水電煤”。一、暴力破解的終結：當AI開始“聰明地花算力”DeepSeek-V4系列包含兩款模型：V4-Pro（1.6兆總參數，每次推理啟動490億參數）和V4-Flash（2840億總參數，每次推理啟動130億參數），兩者均原生支援100萬token超長上下文。1M上下文從此不再是一個“高端功能”——一年前它還是Gemini獨家的王牌，如今被DeepSeek直接挪成了行業標配的“水電煤”。這組資料之所以震驚業界，不是因為參數大，而是因為效率做到了前所未有的極致。在100萬token的極端長度下，V4-Pro的單token推理FLOPs僅為上一代V3.2的27%，KV快取佔用僅為10%。V4-Flash則更進一步，只需要10%的單token FLOPs和7%的KV快取。這意味著什麼？處理同樣長度的超長文件，V4不僅讀得更多，而且讀得更快、更省、更穩。效率提升的核心來自一系列值得深挖的架構創新：壓縮稀疏注意力（CSA） ：每4個token合併成一個壓縮條目，然後用閃電索引器快速篩選出最相關的少量塊進行注意力計算——“拿著放大鏡找關鍵線索的偵探”。重度壓縮注意力（HCA） ：以高達128倍的壓縮率濃縮全域資訊——“站在山頂俯瞰全景的指揮官”。兩者交錯部署在模型的各層中，形成精準定位與全域把握的互補。流形約束超連接（mHC） ：給訊號傳播加上“安全閥”，從根本上保證訓練穩定性。Muon最佳化器：取代業界標配的AdamW，進一步降低訓練成本。這一切的底層哲學，不是“堆參數”，而是“每瓦特算力的最大產出”。DeepSeek V4把注意力機製做了一次“手術級”的改造，讓超長上下文從實驗室裡的“高端展示”變成了普通開發者也能跑得動的日常工具。這種效率革命帶來的是價格上的斷崖式下降。DeepSeek V4-Flash每百萬token輸出價僅0.279美元，而同期OpenAI發佈的GPT-5.5 Pro輸出價高達180美元——價差整整645倍。V4-Pro輸出端成本則僅為GPT-5.5 Pro的2%。如果把V4-Pro考慮折扣後的API輸入價壓到0.25元/百萬詞元，與GPT-5.5 Pro加權平均價格30美元/百萬token相比，價差超過700倍。更直觀地說：V4呼叫一次的價格，還不到對手的千分之一。 在推理效率層面，華為昇騰950超節點的測試資料顯示，V4-Pro單卡Decode吞吐可達4700TPS，V4-Flash在8K長序列場景下單卡Decode吞吐1600TPS。DeepSeek V4的回答是：快，是能力的下限；省，才是格局的起點。二、一扇門打開，另一扇門關上當DeepSeek V4以700倍的價格差距直插市場時，它激發的連鎖反應遠遠超出模型本身。開源vs閉源：矽谷在“造牆”，中國在“修路”。矽谷的頭部玩家們不約而同地選擇了閉源路線。OpenAI、Anthropic、Google的Gemini，當前沿技術創新被鎖死在各自的資料中心裡，玩家們不可避免地陷入了零和博弈的“權力遊戲”。就在V4發佈前夕，一場圍繞新模型的輿論狙擊戰剛剛上演——4月16日Anthropic剛發佈Claude Opus 4.7，OpenAI兩個多小時後便宣佈Codex大幅更新；隨後又圍繞營收資料互相拆台，敵意滲透進每一個決策環節。而DeepSeek走了一條完全不同的路。它聚焦基礎模型的核心能力攻堅，進一步築牢了全球開源大模型的性能天花板，為全行業提供了性能比肩閉源旗艦的基礎底座。巧合的是，就在V4發佈前後，國內的Kimi也開源了K2.6，兩個兆參數模型同時亮相，卻沒有一絲互掐，甚至還在技術底層進行了“換防”。正如大量評論所指出的，這背後是中美AI路線的一次分岔：矽谷在“造牆”，守住既得利益；中國在“修路”，走開源協同之路。這種路線的分野，背後是根本邏輯的差異。閉源路線的本質是技術作為“護城河”和賺錢的工具，一旦共享就會失去競爭優勢；而開放原始碼的邏輯是模型越開放，生態越繁榮，蛋糕才能越做越大。網際網路巨頭：戰火從“參數比拚”燒向“應用落地”。DeepSeek V4發佈僅一天後，阿里雲百煉就火速上線，API價格與官網一致；國家超算網際網路同步上線服務。科大訊飛、中關村科金、華為昇騰等廠商也在第一時間完成了適配對接。對於騰訊、字節跳動、阿里這樣的巨頭來說，V4的衝擊更多是戰略層面的：以前大家的競爭焦點是“誰的模型參數更大、榜單更高”，現在V4用700倍的成本優勢提醒所有人——接下來真正決定勝負的戰場，是誰能在真實業務場景中用模型創造價值。誰先學會“用好V4”，誰就可能在下一階段佔據卡位優勢。各行各業：一次從“能不能用”到“用不用得起”的跨越。在此之前，企業引入大模型最大的瓶頸不是技術夠不夠好，而是成本夠不夠低。一次API呼叫幾十上百美元的成本，對中小企業來說等於把AI鎖在實驗室裡。V4的出現改變了這一切。在金融行業，國泰海通率先完成DeepSeek-V4基於昇騰的本地化部署，將依託模型實現在智能投行、智能投研、智能投顧、智能風控等八大業務領域的全面突破。保險行業聚焦投保、核保、理賠查勘等高重複性、知識密集型和互動高頻度場景展開部署。在醫療領域，深圳市南山區人民醫院基於昇騰率先部署V4，全面升級了政策諮詢、醫保監管、門診病歷質控等30余項應用，全方位覆蓋醫療全流程。廣西移動落地部署V4，聚焦行銷服務、研發設計等核心領域，全面賦能16個業務場景。河北交投智能科技公司在行業內率先完成V4本地化部署，建構了“自主創新算力+頂尖大模型”的全端自主創新AI底座。從金融到醫療，從通訊到交通——DeepSeek V4發佈後24小時內，各行業頭部企業就火速跟進部署。這本身就是最好的訊號：當AI足夠便宜，企業就不再觀望。“用得起”的真正意義，在於讓AI從實驗室資源變成基礎設施，從而催生前所未有的創新。三、AI便宜到人人敢用，模式才敢真變如果說過去兩年AI的變革是“天變了”，那麼V4之後，我們才第一次站在真正的變局起點上。為什麼這麼說？因為模式創新的土壤不是技術能力本身，而是足夠低的試錯成本。當一個團隊可以毫不心疼地跑十次不同提示詞、對比輸出質量而不是在意API帳單，產品經理可以大膽設想的每個互動都即時呼叫AI，企業可以把AI植入到那些“不太重要但希望更好的環節”——這才是模式創新真正開始的時候。DeepSeek V4的Agent能力經過了專門最佳化。在Agentic Coding評測中，V4-Pro已達到當前開源模型最佳水平，交付質量接近Claude Opus 4.6非思考模式；在世界知識測評中大幅領先其他開源模型，僅稍遜於頂尖閉源模型Gemini-Pro-3.1；在數學、STEM、競賽型程式碼等推理任務中超越所有已公開評測的開源模型。V4-Pro還在Codeforces程式設計任務中拿下3206分的測評成績，位列全球活躍使用者第23位。這意味著，過去只有頂級閉源模型才具備的強大執行能力，現在以1/700的價格向所有人開放。中小企業可以部署自動處理客戶問題的7×24小時AI客服系統；個體開發者建構的Agent能自主呼叫API完成多步任務；創業公司可以在產品中“鋪滿AI”，讓大模型程式碼改寫、文件生成、資料清洗成為功能的默認組成部分。當AI便宜到可以和“發一條簡訊”比較成本的時候，所有行業都值得重新問自己一個問題：如果AI呼叫幾乎是免費的，我的產品應該長什麼樣？四、Token經濟的興起：當消耗量三年增長一千多倍在把模型做得更高效、更便宜的同時，一個更深層的經濟變革正在發生。Token——大模型的基本計量單位——正在從後台技術參數變成AI經濟的前台結算單位。商湯科技大裝置產品總經理盧國強在2026中國生成式AI大會上提出的“AI Token Factory”概念，精準概括了這一趨勢：行業正在從“AI原生”邁向“Agent原生”，Token替代Flops成為新的度量衡，AI系統的核心使用者將從人轉向Agent。Token消耗量的增長數字令人震撼。國家資料局公佈的資料顯示，到2026年3月，中國日均Token呼叫量已超過140兆，相比2024年初的1000億增長了1000多倍，相比2025年底的100兆，短短三個月又增長了40%以上。中國工程院院士鄭緯民指出，AI產業的競爭核心正從MaaS（模型即服務）向TaaS（Token即服務）躍遷，從比拚算力叢集規模轉向比拚每瓦Token生產效率。圍繞Token經濟的整套產業邏輯正在逐步成型：生產層：對應算力、晶片、資料中心與推理引擎，把Token作為核心產品來組織基礎設施。分發層：對應雲平台、大模型廠商與API服務商，將底層能力打包按量計費分發。轉化層：對應各行業的AI原生應用和Agent系統，將Token轉化為實際的業務結果。阿里巴巴已正式成立Alibaba Token Hub事業群，騰訊雲將MaaS平台升級為TokenHub，行業從藍海迅速變為紅海。Token兩年激增千倍，智能體市場規模2025年達78.4億元，預計2026年將達135.3億元，增速超過70%。Token正從技術參數，變成AI時代最核心的生產資料和度量衡。誰能高效生產Token、精準分發Token、有效轉化Token，誰就能在智能經濟的新賽道上佔據先機。五、變局中的挑戰與耐心V4帶來的不可能全是好消息。巨大的機遇背後，挑戰同樣不容迴避。安全邊界重構需要時間。 當模型能夠讀取百萬token的超長上下文，風險不再只存在於使用者的當前問題中，而可能藏在龐大材料的某個角落——長長的郵件鏈的腳註裡、PDF的不可見區域中、程式碼註釋裡或歷史聊天記錄中。攻擊者可以把惡意指令藏在這些地方，在模型執行複雜的跨文件推理時“潛伏發動”。強制長上下文安全做前置治理，對使用者指令和外部資料做來源標註和風險掃描，已經成為迫在眉睫的工程需求。落地到用好有個過程。 企業部署了V4並不等於馬上獲得商業價值。從部署到真正融入核心業務流程創造收益，中間還有漫長的產品化、場景適配和組織變革之路。Token成本大幅下降後，產品經理如何在AI能力邊界內重新設計功能，才是決定成敗的關鍵因素之一。地緣政治與算力安全需要關注。 DeepSeek-V4首次在官方技術報告中，將華為昇騰與輝達GPU並列寫進硬體驗證清單，這是中國大模型首次將國產晶片與進口晶片放到了同等戰略高度。適配的昇騰新款推理晶片採購價格僅為輝達晶片的1/4，端到端延遲比原有叢集降低35%。輝達CEO黃仁勳此前警告稱：“如果頂尖的AI模型被最佳化在華為晶片上運行，對美國而言將是可怕的後果”。V4的發佈標誌著中國AI基礎設施的重心正從依賴美國半導體轉向本土化算力底座建構。但技術代差客觀存在，DeepSeek也坦承其能力整體落後於同期主要閉源對手約3至6個月。六、變局的開端才剛剛到來回到標題的那個判斷：DeepSeek V4是AI開源大事件，更是產業變革新開端。是的，事件已經發生——V4-Pro和V4-Flash雙雙開源，百萬上下文成為標配，API定價低至全球閉源競品的1/700，Agent能力逼近頂尖水平。但真正的變革才剛剛開始。因為V4真正的意義，不在於它本身有多強，而在於它重新定義了什麼才是AI產業真正的“兵家必爭之地” 。V4向行業宣告：當模型能力開始逐步趨同（開源會逐步追平閉源），真正決定勝負的將是：誰能讓AI更便宜、更易用、更快地融入真實世界。從長遠來看，AI產業的終極形態是：大模型成為像電力一樣的基礎設施，上面的Agent和智能應用才是創造價值的核心。而DeepSeek V4用700倍的成本優勢一次性把基礎設施的“電費”降到了幾乎可以忽略不計的水平。接下來，誰能在上面建造出更有創造力的智能應用，誰才是真正的贏家。2026年4月24日以前，AI還在比拚“能力的天花板”。從這一天開始，AI產業的真正競賽才剛剛開始。 (數字新財報)

輝達開源全能AI模型，效率暴漲9倍！AI Agent終於有了「感官大腦」昨天（4月28日），輝達幹了一件大事——發佈了開源全模態模型 Nemotron 3 Nano Omni。這不是又一個「能聊天的AI」，而是一個能讓AI Agent同時「看、聽、說、做」的全能模型，官方稱推理效率最高提升9倍。為什麼這件事重要？因為之前的AI Agent就像一個只會打字的員工——能寫郵件、能查資料，但你看不了螢幕、聽不了會議、處理不了視訊。現在，AI Agent終於有了「眼睛、耳朵和嘴巴」，而且輝達把它開源了。✦🔬 前沿解讀：Nemotron 3 Nano Omni 到底是什麼？1. 一個模型搞定四種感官——不再「拼積木」傳統的多模態AI，說白了就是在「拼積木」：一個視覺模型負責看圖，一個語音模型負責聽聲音，一個文字模型負責理解文字，然後用膠水程式碼把它們粘在一起。Nemotron 3 Nano Omni 的做法完全不同——它用一個模型原生支援文字、圖像、音訊、視訊四種輸入，在同一個架構內完成理解與推理。打個比方：以前的多模態AI像一個翻譯團隊，英語翻譯、日語翻譯、法語翻譯各幹各的，需要一個人在中間協調；Nemotron 3 Nano Omni 像一個真正的多語言者，直接用一種思維理解所有語言。這意味著什麼？減少了跨模型呼叫的資訊損耗和延遲，Agent在複雜任務中的一致性和穩定性大幅提升。2. 300億參數隻啟動3億——MoE架構的「省錢魔法」Nemotron 3 Nano Omni 總參數量約300億（30B），但採用了混合專家（MoE）架構，推理時只啟動約**3億（3B）**參數。類比一下：這就像一個300人的顧問團，遇到不同問題只叫3個最擅長的人出來回答。你不用養300個人全天候待命，但每次都能得到專業答案。效果呢？推理效率最高提升9倍，視訊推理吞吐量比同類開源模型快9.2倍，同時大幅降低算力消耗。在6個主流基準測試（文件智能、視訊理解、音訊理解等）中拿下榜首。3. 誰在用它？富士康、甲骨文、帕蘭蒂爾已上車這不是畫餅。輝達公佈的首批使用者包括：富士康：用Nemotron做智能製造場景的Agent甲骨文（Oracle）：企業級AI Agent部署帕蘭蒂爾（Palantir）：資料分析與決策智能此外，Nemotron 3系列（Nano/Super/Ultra）過去一年累計下載量已突破5000萬次。輝達不是在做一個模型，而是在建一個Agent生態。✦🛠️ 實用性拆解：對「我」有什麼用？怎麼用？對普通開發者的價值場景1：智能客服升級——從文字客服到全管道客服以前的AI客服只能處理文字。有了全模態模型，使用者可以：發一張產品圖片，AI識別問題並給出方案語音描述故障，AI自動理解並轉工單上傳視訊演示Bug，AI直接定位問題環節場景2：內容理解——一鍵讀懂長視訊/多頁PDFNemotron 3 Nano Omni 支援百萬Token上下文，加上原生視訊/音訊理解能力：丟一個1小時的會議錄影，自動提取關鍵議題和決策丟一份100頁的掃描PDF，自動理解圖表和文字丟一個產品演示視訊，自動生成功能清單場景3：自動化辦公Agent——讓AI真正操作電腦結合Nemotron的介面操作能力，可以建構：自動讀取螢幕內容→理解介面→執行操作的Agent全高畫質螢幕錄影的即時解讀與數字環境互動怎麼用？3步上手Step 1：下載模型前往Hugging Face搜尋「Nemotron-3-Nano-Omni」，模型權重、訓練配方和資料集全部開源。也可以通過 build.nvidia.com 直接呼叫NIM微服務。Step 2：選擇部署方式本地部署：適合對資料隱私要求高的企業，單卡GPU即可運行（30B MoE只啟動3B）雲端呼叫：通過NVIDIA NIM微服務、OpenRouter或25+合作夥伴平台混合部署：Nemotron做本地感知，雲端大模型做深度推理Step 3：建構Agent應用Nemotron 3 Nano Omni 支援工具呼叫（Tool Use）和介面操作能力，可以：作為Agent的「感知層」，負責看/聽/讀把理解結果傳給更強的雲端模型做決策執行操作指令，形成感知→理解→決策→執行的閉環⚠️ 避坑指南別指望它替代GPT-5.5做深度推理：Nemotron定位是Agent的「感官大腦」，不是「思考大腦」。複雜推理任務仍需配合大模型硬體要求：雖然只啟動3B參數，但完整模型仍需30B的視訊記憶體。推薦使用A100/H100，消費級顯示卡可能捉襟見肘開源≠免費商用：注意查看輝達的開源協議條款，企業商用前確認授權範圍✦🌊 行業影響分析AI Agent賽道的分水嶺Nemotron 3 Nano Omni的發佈，釋放了一個明確訊號：大模型競爭正在從「誰的模型更聰明」轉向「誰的Agent更實用」。輝達不做最聰明的大模型——那是OpenAI和Anthropic的戰場。輝達做的是Agent的基礎設施：算力晶片→模型底座→部署工具→應用生態，一條龍通吃。這就像智慧型手機時代的晶片廠商：高通不造手機，但每一部Android手機都離不開驍龍。輝達不做ChatGPT，但未來每一個AI Agent可能都跑在Nemotron+NVidia GPU上。那些領域最先受益？企業客服/銷售：全管道AI Agent，7×24小時值守智能製造：富士康已在用，視覺質檢+語音互動+文件理解醫療健康：Eka Care（印度醫療科技公司）已接入，多模態病歷理解資料分析：帕蘭蒂爾模式，視訊/文件/資料多源融合分析普通人的機會如果你是開發者，現在就是上車AI Agent的最佳時機：模型開源免費，門檻降到最低全模態能力讓Agent的場景想像空間10倍放大輝達生態意味著大量企業需要懂Nemotron的人才✦💡 金句總結AI Agent的競賽，已經從「誰更聰明」變成了「誰更全能」。能看、能聽、能理解——這不是錦上添花，而是Agent從「聊天機器人」進化為「數字員工」的入場券。 (捭闔思享)

無論市場泡沫如何，其應對的核心原則是堅守價值底線。大模型的語言世界已經走向真實的物理世界，AI正在開啟新一輪的產業革命，新概念也層出不窮，一級市場的熱錢蜂擁而至，即便團隊尚小、收入微薄，估值也能輕鬆衝至百億；但另一邊，從實驗室走向真實場景，AI與物理世界的融合仍面臨著感知、決策、執行的重重關卡，技術落地道阻且長。4月24日，在“第20屆中國投資年會・年度峰會”上，國科嘉和總經理、執行合夥人陳洪武，天創資本洪雷，聚合資本創始人李旺，中關村原生引擎總經理馬建平，九合創投創始人王嘯，遠毅資本楊瑞榮，這批國內一線硬科技投資機構“話事人”，圍繞“投資於‘AI走向物理世界’的處理程序”這一主題，展開了一場精彩的巔峰對話。陳洪武在風險投資行業深耕20餘年，長期聚焦科技領域投資，他認為，具身智能對物理環境的多維度感知與動作決策，複雜程度遠超自動駕駛，短期內行業難實現全場景突破，核心將聚焦特定場景的技術最佳化，具備真實落地能力、能解決真問題的企業具備長期投資價值。同時他也指出，當前具身智能賽道估值泡沫顯著，無團隊、無收入的項目估值高企，對創業者是福音，對投資則禍福相依。他認為泡沫是產業發展的必經階段，建議企業把握窗口期多融資、嚴控燒錢節奏，投資端則需理性看待估值快速上漲。天創資本先後佈局中科曙光、智譜、kimi等AI產業鏈核心項目，在智能類股形成了系統化佈局。洪雷表示，3年內大模型對物理世界的感知理解仍有較長路要走，AI走向物理世界將遵循從實驗場景到結構化、半開放場景，最終實現泛化的漸進路徑，核心硬體、VLA與世界模型領域具備長期投資價值。在洪雷看來，資本市場的熱度波動與泡沫是行業常態，當前AI具身賽道的火熱與此前科創板牛市的周期規律一致。應對泡沫的核心策略，是“往前多走半步”，平衡機會與估值，在市場形成共識前提前佈局，同時引導被投企業儲備充足現金、穩健發展。聚合資本由華為、中興、比亞迪核心成員發起成立，深耕科技產業生態投資，已佈局星動紀元、松延動力等具身智能明星項目。李旺認為，3年內AI走向物理世界難實現全場景泛化，將率先在物流等簡單標準化場景落地突破，家庭、複雜製造業場景成熟仍道阻且長，最具投資價值的是具備全端技術能力、能實現漸進式場景落地的企業。他明確表示，當前熱點賽道已形成高度共識，存在顯著的結構性泡沫，雖對產業長期發展有利，但對投資回報形成挑戰。其應對策略為上半年完成賽道核心佈局後，將轉向科技出海等價值窪地，整體保持謹慎樂觀，在市場高熱度階段逐步收緊投資節奏，規避估值泡沫風險。中關村原生引擎是集孵化與投資於一體的平台，馬建平提出，AI走向物理世界可分為in AI、for AI、be AI三個層次，3年內前兩者將迎來大量落地機會，對於be AI的具身智能落地核心要打通資料閉環、多感測器融合、量產三大環節，均具備極高投資價值。對於市場泡沫，馬建平認為其是多方情緒共振的結果，只有價格嚴重偏離價值才是真正的泡沫，能解決真問題、可落地量產、有真實收入的企業，估值溢價並非泡沫。他表示，應對泡沫要做清醒的樂觀主義者、冷靜的長期主義者、堅定的價值主義者，堅守價值投資，鎖定技術源頭，深耕投前投後服務。九合創投專注早期科技投資16年，累計投資三百余家科技企業，在工業機器人、具身智能、端側晶片等領域早有佈局，投資了自變數機器人、地瓜機器人等明星項目。王嘯判斷，3年內AI走向物理世界將率先在工業場景實現規模化落地，家庭場景成熟至少需要3-5年，行業核心門檻集中在資料積累、世界模型迭代、端側算力升級、本體成熟四大方向，均存在優質早期投資機會。他分析，本輪泡沫由美股科技股估值抬升傳導而來，結構性泡沫客觀存在，如果泡沫持續時間長，更有可能誕生偉大企業，需警惕渾水摸魚、純炒估值的項目。他認為VC的本質就是投資預期與夢想，天然與泡沫相伴，應對核心是不被市場情緒裹挾，堅守商業本質與項目基本面，通過組合投資平衡風險。遠毅資本專注數字醫療領域投資，累計佈局七八十家AI與數字醫療相關企業，在醫療AI、手術機器人等賽道有著深厚的產業積累。楊瑞榮指出，醫療領域AI走向物理世界，3年內難實現通用具身智能落地，核心將聚焦單病種、單場景的小閉環應用突破，具備單病種資料閉環、能與醫療硬體深度融合的AI技術企業，具備核心投資價值。他表示，每一輪技術革命都會伴隨泡沫周期，本輪AI熱潮中，“這一次不一樣”的論調正是最需要警惕的泡沫訊號。無論市場泡沫如何，其應對的核心原則是堅守價值底線，聚焦醫療領域能真正創造臨床價值、為患者帶來實際獲益的項目，拒絕純概念炒作的標的。3年，AI走向物理世界怎麼落地？張楠：各位上午好！感謝大家來參加投中的年度峰會。我是投中網的副主編張楠。大家手裡都有一個牌子，後面有個環節，6位嘉賓要互評一下，覺得那位嘉賓說得最真實、最是心裡話，就給他投一票，我們最終會評出本場的MVP。今天我們的主題是“投資於‘AI走向物理世界’的處理程序”，不知道大家怎麼看這個話題，反正我乍一聽有點抽象。為什麼？因為從2015年開始，我就感覺AI已經在走向物理世界了，當然，2015年的AI和今天以AI大模型為基礎的AI，不是一回事。現在LLM已經解決了基本的理解問題，但是現實世界還有很多未解決的問題。我想問各位的第一個問題是，你們怎麼理解AI走向物理世界的具體過程？我們不聊10年、20年、30年之後的事，想5年的事都已經很難了，就聊3年。你們覺得3年之內，AI走向物理世界是怎麼個過程？能解決什麼問題？順帶說一下，你們認為那一個環節的投資價值是最高的？大家也可以先簡短介紹一下自己。先請洪武總。陳洪武：大家上午好！我是國科嘉和總經理陳洪武，在風險投資行業幹了20幾年，國科嘉和自成立以來一直專注於硬科技領域的投資。剛才主持人問的AI和物理世界的關係問題，是當下最受關注的行業風口。現在這個領域裡，各種新概念層出不窮，具身智能是當前市場的熱點。這個賽道的估值，在我的投資生涯裡還沒見到過——很多企業在還沒有多少團隊人員、也沒有實質性收入的時候，估值就能喊到100億，即便如此，依然有大量投資人趨之若鶩。這種情況對創業者來講是福音；但從投資角度來講，是禍福相依的。畢竟創業的成功率就擺在那裡，不可能所有企業都能走到最後。回到物理世界的話題，我們投資的馭勢科技，剛剛順利過了港交所的聆訊。他們主攻自動駕駛領域，核心要解決的問題就是精準評測車輛周邊環境，確保車輛不發生碰撞。但即便只是這樣一個看似簡單的目標，落地起來依然很困難。在和創始人交流時他也坦誠表示，要實現真正意義上的完全解放雙手、不需要人類干預、完全自主可控、機器自主營運，未來至少還需要十到十幾年的時間。機器解決真實物理世界的複雜場景，難度遠比我們想像的要高。對機器來講，所有決策本質上都是基於統計分析得出的，而真實世界裡要解決的變數、應對的突發情況實在太多了。現在的具身智能，更是要對物體的材質、大小、形狀、軟硬程度、顏色等每一個維度都做出精準判斷，再決策自身的動作，其複雜程度比自動駕駛要高很多。當然，可以想像，一旦這項技術真正實現突破、成功攻克，它能創造的價值也將是不可估量的，當然難度也同樣巨大。這個領域不斷有新技術迭代，從原來的“VLA（Vision-Language-Action）”到現在的“世界統一模型”，幾乎每一個新概念出來，都會引發行業內的廣泛關注和熱烈討論。但客觀來講，一個技術從提出概唸到最終落地、形成真正可用的產品，還有很長的路要走。我很看好這個領域的技術發展，也知道未來機器能幫我們解決問題、帶來巨大價值，但到底什麼樣的技術算真正成熟、真正具備實用價值，還有待我們從業者一起探索和驗證。我先說這些，把時間留給其他嘉賓。張楠：謝謝洪武總，說得很謹慎很藝術。我們邀請洪雷總。洪雷：大家上午好！我是來自天創資本的洪雷。天創資本在投資圈做了超過20年，始終致力於硬科技方面的投資，智能類股是我們最重要的佈局方向。我們十多年前參與了中科曙光的投資，之後投了一系列晶片企業，過去兩三年，在人工智慧領域參與了kimi和智譜的投資，目前還在緊密觀察智能領域的進展和變化。今天的主題是個非常宏大的問題，AI如何走向物理世界，我們全行業都很關心。剛才陳總也說到了它的巨大意義，這一點已經取得了社會、國家和資本市場的共識。剛才嘉賓們也在聊，現在一級市場的火爆程度不亞於二級市場，我們的選擇也相對比較謹慎。主持人讓我們只聊近3年，那我就聚焦這個周期。近3年，我們能看到大模型真正理解我們的感官世界還有很長的路要走，現在它只是從字意上、機率上實現了人工智慧，對於物理世界的溫度、大小等屬性，它的感知還有很多功課要補。從感知-決策-執行，這是一個非常複雜的工程問題，需要大模型不斷演進，同時還要完成工程化落地，所以這個題目難度非常高。未來3年，我們更關注這樣的團隊：既能拿到足夠多的社會資源、做好募資，同時創業時還能保持長期主義心態，真正沉下心解決問題。因為這個問題不是一瞬間就能解決的，必然要從實驗場景，走向結構化場景、半開放場景，最終實現泛化，每一步都需要硬功夫。說到我們關注的方向，從核心零部件硬體，再到VLA、世界模型，長期來看都有很大潛力。在這一領域，我們今年有兩家企業上市，一家是杭州易思維，這是一家天津大學孵化出的科技型企業，做工業場景化視覺；另一家是智譜，其實這條路很長遠，也有大量機會，希望大家都能抓住。謝謝。張楠：謝謝。智譜、MiniMax在市場上的表現大家有目共睹，核心還是有底層token消耗量的確定性在裡面。有請李總。李旺：大家上午好，我是聚合資本的創始人李旺。我們來自深圳，聚合資本是強產業背景的投資團隊發起成立的，核心成員來自華為、中興、比亞迪，所以我們的投資風格也是沿著科技產業生態做佈局。基金創立快6年，在市場站穩了腳跟，做了比較系統的科技生態佈局。今天的主題是AI走向物理世界，剛才幾位嘉賓也聊了，這確實是當下行業最熱的話題，也是資本市場的共識，過去半年相關標的估值漲幅非常大。在這個問題上，行業似乎有很大共識，但我們團隊雖然看好長遠方向、看到行業趨勢在加速，可對落地這件事還是偏保守的。去年上半年我就在看這個領域的項目，帶著團隊去了比亞迪、小米的智能製造工廠，當比亞迪和小米給這些項目一些場景任務時，它們基本都接不住。但今年再看，行業已經有一些場景逐漸落地了。比如星動紀元，我們也參與了投資，看到它最近在物流場景實現了落地，效率能達到人的80%，這種長時間枯燥的工作，能做到80%的人效，同時精準率達到90%以上，這比我們預期的速度要快。我們認為這是個好現象，說明行業在加速，具備全端能力的企業，一旦在相對簡單的場景落地，會給行業打開新的天窗。但同時我們也看到，很多做具身大腦的項目，想進入家庭、酒店、製造業場景，我們覺得這條路還很遠。智駕走了20多年，現在基本剛做完L3，當然美國Robotics已經能做全端了。今天的具身智能，要實現泛化場景，難度是數量級增加的，不只是一個數量級的提升，我們認為路徑會非常難。它的落地路徑，一定是先在相對簡單的場景實現突破，能在簡單場景落地的企業，才會逐漸成為行業的勝出者。聚合資本也投了幾個項目，比如北京的松延動力，我們對它的定義很簡單，就是一個大玩具，但它把成本做得更低，比早些年的具身智能有更強的科技屬性；還有就是星動紀元。最近我們在看深圳一個華為出來的早期團隊，他們做家電場景，沒有提終極解決方案，而是走漸進式路線，認為要把全球創客集中在一起共創場景，我們反而覺得這種漸進式的模式更符合行業發展規律。一上來就想解決某個具體場景的全能力問題，還是太遙遠了。理想是遠大的，但路徑是曲折的，不可能一帆風順。所以今天，對創業者和投資人都是考驗，這是我的理解。張楠：聚合有很深厚的硬科技產業背景。下面有請馬總。馬建平：各位好，我是中關村原生引擎的總經理馬建平，可能大家對我的身份好奇，其他都是投資機構，怎麼來了個企業。因為我4月份從啟航投資調到了集團的原生引擎，原來只干投資，現在不僅要干投資，還要干孵化，所以中關村原生引擎是既要干孵化、也要干投資的平台。聽前面幾位嘉賓分享，我感觸很深，我們從2010年前後開始做投資，投了350多個項目，跟具身、AI相關的差不多有100個。今天這個話題很有意思，我拿到的時候就在想，AI走進物理世界，要分開三個層面看。第一個，是in AI的機會。現在AI已經成了共識、成了底座，未來三年，傳統企業怎麼擁抱AI、轉型AI化，是很重要的機會。第二個層面，是for AI的機會。你能為AI做什麼？有人說做資料採集不行嗎？這個事當然香。特種場景的資料能賣到八九千塊錢一條，北京的某個資料採集廠，一條資料也得十幾塊錢。所以for AI的過程中，未來3年有非常多能落地的機會，像松應這些做素材的企業，增長和估值都非常快。我認為最難的是第三個層次，be AI，你能不能做成一家真正的AI公司。是做垂類模型、基礎大模型，還是真的做一家具身企業，現在有很多技術變種，包括超級OPC、OPU、OPD等等。未來，inAI是普適性的，只要擁抱AI，都有被投資的機會；forAI是做細分賽道，要想清楚你的客戶是誰、產品賣給誰；最難的還是be AI，怎麼讓自己成為真正的具身公司，走進物理世界。2017-2018年我們投機器人的時候，根本沒有具身的概念，大家只說工業、服務、特種、協同機器人，我們投的博清科技做銲接機器人，史河做高空清洗索並聯機器人，博雅工道做水下機器人，艾力特的協作機器人，靈動的搬運機器人，國廣順能的充電機器人，最近投的月泉做仿生機器人，其實它們早就走進了物理世界，只是當時沒套上具身的概念，大家只覺得它是個能幹活的機器人本體。現在具身這個概念，是AI走到物理世界特別好的載體。前段時間我跟團隊分享，AI走到物理世界，具身智能要打通三個核心環節：第一個是資料閉環，網際網路的公開資料已經被LLM用完了，具身智能需要的真實世界資料，必須高品質採集上來，否則機器人擰不開瓶蓋、穿不了針、引不了線。我還給項目方出了主意，就該把機器人放到技工學校，跟藍翔合作，去採集最標準的具身運算元據。第二個，是和資料採集配套的感測器融合落地。要採集真實世界的資料，感測佈局必須到位，是多感測器融合還是單一感測器，邏輯和自動駕駛是一模一樣的。沒有多感測器融合的合成資料，具身智能走不遠。最後一個是量產。所有AI加到具身機器人身上之後，最大的問題，是能不能用高性價比的方式量產，讓它走進千家萬戶、工廠、學校、我們的生活，這才是真正走到了物理世界。當然我說的不全，資料、感測器、本體，未來三年都有機會。現在市場的熱鬧，是大家把未來的機會和期望值，折現到了現在，去投當下的項目。最後說說原生引擎在做的事。我們承接了教育部全國高校人工智慧區域技術轉移轉化中心，能給大家提供更早期的原始創新技術，把它變成可落地轉化的機會、可投的項目，涵蓋資料採集等各個模組。也歡迎在座的投資機構、合作夥伴，未來有機會一起合作。謝謝大家。張楠：謝謝馬總，有請王嘯總。王嘯：大家好，我是九合創投的王嘯，我們做早期投資15年，投了三百多家公司，主要聚焦科技領域，具身智能和世界模型我們一直在看、很早就有佈局。九年前我們投了一家工業機器人公司，現在已經進入富士康的工廠，和人協同做上下料、基礎操作，其實具身走入物理世界早就開始了，只是我們期待的、能全自動自主思考、長周期完成家庭任務的最高級機器人，目前還沒真正實現。我們天使階段投的自變數機器人，馬上要把機器人放進家庭收集資料了，現在正在招募志願家庭，已經開始向難度最大的家庭場景、完全自主機器人的高峰攀登。我認為，從資料收集到世界模型建立，到家庭場景適配，再到機器人最佳化和價格普及，這個過程至少需要三年甚至五年，才有可能性，中間要邁過的門檻非常高。第一個門檻是資料。網際網路上存在的資料，具身智能基本用不了，這個領域需要大量的場景化資料，而且每個機器人不一樣，不同機器人採集的資料最後能不能適配新的機器人，也要打個問號。高品質、複雜場景、長周期的資料收集，是目前最難的。第二個門檻，資料收集之後，現有的大模型架構，沒辦法很好地處理時空資料。大模型處理的資料，本質上是沒有時空屬性的，語言模型最大的問題，就是“一根三米長的竹竿能不能通過一扇門”這種問題，它都有可能會答錯，因為它沒有時空概念。現有的大模型升級到世界模型，從LLM到世界模型的過程中，整個演算法需要大規模迭代，而且目前技術路線還沒有統一。有人從視訊起步，有人從語言模型+圖像識別起步，有人直接從機器人起步，有人從因果模型起步，這些路線最後都會融合，但融合的過程還需要兩年時間，才能看到技術路線的統一，和能真正解決問題的世界模型的誕生。除此之外，還有端側計算能力的提升。這些模型需要在一秒內做出判斷，現在機器人的動作都很慢，加倍速之後才看起來像正常速度，核心就是端側推理晶片的算力明顯不夠，也不一定符合具身模型、世界模型的算力要求。端側這個方向，我們投了地瓜機器人，和一家做端側NPU晶片的公司。第四個門檻是本體。本體大家做得很多，但真正能適配家庭場景、低成本、高可靠、能完成基礎任務的本體，還沒有實現規模化出貨和銷售。大腦還沒成熟，本體需要適配大腦、適配環境，靈巧手這些部件也沒成熟，本體自然也沒成熟。從這四個角度來說，四個方向都有投資機會，目前還沒有成建制的龍頭公司，都還有創業公司的機會，我們也都做了佈局，包括華為“天才少年”的項目、松延動力、自變數，端側晶片有地瓜和另一家企業，我們一直在沿著這個思路佈局。我們最早還投了工業方向機器人，我覺得工業場景最容易落地，場景簡單、標準化程度高，重複性工作多，我們投的那家工業機器人公司已經有規模化收入了，今年預計五個億的收入，已經算是具身領域裡有規模化收入的標的。反過來看，AI走入世界，從自動駕駛就開始了，我們十年前也投了Momenta這樣的公司。甚至最早進入物理世界的，是人臉識別，現在過個門都要人臉識別，那時候AI就已經走進物理世界了。掃地機器人、割草機器人也早就走進了物理世界，背後都是AI演算法在支撐，不然沒法實現自動清掃。AI進入物理世界，包括我們手上戴的各種感測器，告訴你睡眠、休息情況，這些都和生活息息相關。但真正讓大模型完成自主決策、有自主意識、完成高複雜任務，還需要很長時間，三年是非常樂觀的預期，五年是更中性的預期。張楠：謝謝，前幾天自變數的發佈會我也去了，我也特別期待家裡能有一個幫我掃地、洗碗、洗襪子的全能機器人，泛化能力的實現，真的需要非常長時間的資料積累。有請楊瑞榮總。楊瑞榮：大家好，我是遠毅資本的楊瑞榮，我們專注在數字醫療方向，一直在研究AI和大模型在醫療領域的應用，過去投了七八十家跟AI和數字相關的企業，從技術投入、數位化疾病管理到創新支付，全鏈條去改善醫療環節。從我個人的感受來說，大家聊的大模型和具身智能之間，其實是有割裂的：大模型是大模型，所謂機器人大部分還只是簡單的工具，真正能實現具身智能的機器人，離得還很遠。我們在醫療領域投了手術機器人等一系列帶智能屬性的產品，但它們和大模型沒關係，只和AI有一定關聯。我們投的AI影像、AI腔鏡手術相關產品，包括AI製藥、合成生物學、類器官，都和智能有關係，但理論上的智能，和實際上的具身落地，還是有很大差距。尤其是從網際網路大模型走向具身智能，在醫療領域，我認為有兩個非常大的門檻必須先突破，我對未來的判斷，比王嘯總還要悲觀一些。我理想中醫療領域的具身智能終極形態，是家裡有個機器人，不只幫你掃地，還能在你睡覺的時候，把你身上的病全治好，這個景象，我在十年、五十年、一百年之內都看不到。問題在那？兩大核心門檻。第一個就是大家反覆提到的資料。現在大語言模型能在網際網路領域實現巨大突破，核心是有海量的公開資料。大家可以想想，生活裡的各個場景，你的社交、消費、金融、出行資料，不管你願不願意，其實都已經被分享了。但醫療領域不一樣。我可能是在場把醫療資料做到極致的人，我身上戴著智能戒指、智能手環、智能運動手錶，還有很多裝置能夠收集資料，同時我還能夠把自己的醫療資料都整合在一起。但即便如此，能真正被大模型、被具身智能所用的醫療級資料，還是非常少。就算是在美國，醫療資訊化系統做得很強、行業高度集中、系統相對互通，醫療資料的可用性依然非常低。在中國，有國家隱私保護法規，醫院體系對醫療資訊的保護門檻是最高的，這就成了最大的壁壘，大部分醫療資料根本沒法用。普通人的健康資料，運動、睡眠、飲食、心理、社交資料，要和院內的診療資料、甚至體檢資料結合起來，都非常困難。只有當所有資料整合起來，每個人都形成完整的資料閉環，醫療資料的應用才能進入好的狀態，才能被具身智能所用。現在連基礎的診療環節都還沒做到，這是第一個最大的門檻。第二個最大的門檻，來自於監管。我說的監管是廣義的，不只是批藥、批器械、批醫護資質。在技術發展的過程中，有個詞叫Human in the loop，擁護和反對的人都非常多。所謂的人工智慧，是脫離人之外的智能，那人在裡面的干預到底該是什麼樣的？有個反對Human in the loop的美國漫畫：汽車剛發明的時候，所謂的人為干預，就是一個人站在汽車前面，控制它的速度跟馬車差不多，防止它撞人。其實現在很多監管，在Human in the loop這件事上，起到的就是這個作用，在安全環境裡不敢放開，反而限制了行業發展。這在醫療領域更是如此，醫療出不了事，一出事就是人命關天的大事，還會涉及嚴重的倫理和道德問題。這兩大門檻疊加，導致醫療領域裡，大模型走向物理世界的具身智能，還有非常長、非常難的路要走。那落地路徑是怎樣的？我們也做了很多探索。醫療領域的AI和具身智能，和其他行業的落地路徑完全不一樣。從我們的經驗來看，它不是靠一個最大的通用模型就能實現的，現在醫療AI裡，真正實現落地、產生巨大商業價值的，不管是AI影像、手術機器人，還是單病種病理分析，都是單病種、單場景的，是一個一個的小閉環。先在一個細分疾病領域，集中最核心的資料，再從文字智能，走向物理智能。拿手術機器人舉例，它可能是醫療領域最像通用行業具身智能的產品，但現在，那怕是全球最頂尖的達文西，或是國內的天智航，都只是一個工具，沒有智能，因為它沒有後端的資料閉環。我們在四川天使投了一家企業，專門做腔鏡下手術人工智慧，積累了大量的手術資料，現在正在和全球頂級的手術機器人合作。有了我們的演算法和資料，手術機器人才有了大腦，才能真正往具身智能的方向走。只有一個一個的小場景形成小閉環，才能為未來的通用醫療具身智能，打下基礎。資料是最大的門檻，因為我們永遠不可能實現手術室全場景、全物理空間的資料全覆蓋，這是永遠做不到的。未來只有先把垂直疾病領域的小步AI做好，才能真正走向具身智能的長遠發展。謝謝。泡沫，這次會不一樣嗎？張楠：謝謝楊總。不管是醫療方向，還是具身智能，乃至AI走向物理世界的整個處理程序裡，資料都是一個核心的關鍵點。時間關係，我們直接進入下一個問題，這個問題昨天和前天的會場上，也有很多嘉賓隱晦地提過，我們就開門見山，聊跟市場最相關的話題。大家覺得現在市場上有沒有結構性的泡沫？泡沫體現在那裡？為什麼這麼判斷？以及，你們是怎麼應對的？時間關係，希望大家儘量簡短。為什麼提這個問題？比如昨天毅達的應總說，他在2024年中開了戰略會，強制要求團隊必須把錢趕緊投出去，大家都知道，2024年7、8月是市場的低谷，之後才有了“924”行情。剛才私下交流，王嘯總也說，去年春節之前，他就催著團隊趕緊投、趕緊定項目，因為預判到了後續市場的火熱。所以回到問題，泡沫到底有沒有？有的話在那？你們怎麼應對？現在還投不投？我們還是從陳總開始。陳洪武：現在這個階段對具身智能創業者來說無疑是好時機，只要核心團隊具備技術背景、做好專業打磨與合理包裝，就能高效對接資本、順利完成融資，這個窗口期對創業者非常友好。但泡沫要分兩面看，就像買彩票，市場平均回報率其實很有限，為什麼還有這麼多人衝進來？因為萬一中了頭獎，回報是幾十萬倍、上百萬倍的。在投資裡也是這樣，當某個賽道出現泡沫時，很多人明知道風險很高，依然選擇進場，不只是為了理性計算下的平均回報，更是為了不錯過那個“萬一中了頭獎”的機會。泡沫在某種意義上，是市場在為可能性定價，為不確定但具備巨大潛力的未來買單。從整個社會的角度看，任何新興產業最終格局定型、誕生龍頭企業的過程，必然伴隨優勝劣汰，腳下一定是一片“屍體”，這是所有科技產業發展的客觀規律。現在資源大量湧進這個領域，會給產業發展注入充足養分，成為技術迭代與落地突破的重要催化劑，加速行業整體成長處理程序。也希望我們的從業者能抓住這個機會，謹慎看待市場裡的熱錢，把握窗口積極融資，同時精細化管控成本，合理規劃燒錢的節奏。眼下行業行情向好，但兩三年後的市場環境充滿不確定性。參考Gartner曲線，當前行業正處在泡沫膨脹的上行階段，但頂峰之後的回呼深度，沒人能夠預判。總體來說，就是把握現在的好時機，多融錢，少花錢。謝謝。張楠：謝謝陳總，昨天也有嘉賓提到，建議被投企業現在能融趕緊融，最好能融到2030年夠花的錢，這個規劃確實非常長遠。有請洪雷總。洪雷：市場確實很火，說到泡沫，我們的理解是，這個話題其實並不新鮮，資本市場永遠是處於波動的狀態。就像2022年疫情期間，科創板行情火熱，天創資本在那一年有4個項目上市，很明顯是牛市，當時我們就預判，市場總會有關門的時候，很快就迎來了兩年的靜默期。現在市場又火了，波動是永遠的常態。問到VC怎麼應對，其實答案是不變的，我們永遠要在產業發展前半步做投資，永遠在平衡機會和價格。真正想參與硬科技投資的，都可以和我們多交流。比如2023年，OpenAI帶來了行業巨變，我們就決定必須重點關注這個領域，包括AI延伸的人形機器人、具身智能，都要深度跟蹤，2024年必須出手，不出手就來不及了。王嘯總投了松延，我們投了加速進化和逐際動力，都是那個時間段佈局的，現在就相對輕鬆。也和陳總一樣，勸被投企業多拿錢，少花錢，平穩落地。謝謝。張楠：還是要在產業和市場形成非共識的時候果斷出手，通過資產配置平衡風險。有請李總。李旺：這肯定是大家現在都面臨的問題。投資的最佳方案，是“投在無人問津處，退在人聲鼎沸時”，但這件事太難了，大家都在這個產業裡，很難做到世人皆醉我獨醒。毫無疑問，今年這幾個熱點賽道，已經形成了高度共識，肯定有結構性的泡沫。這個泡沫對創業有利，對產業長期發展也一定有利，中美都是如此。但站在投資機構的角度，我們不是做慈善，還是要給基金、給LP創造超額回報，所以應對策略，取決於每家機構的不同定位。站在聚合的角度，去年到今年上半年，我們還是處於加速投資的過程，2024年也是我們的重點投資年份。但我估計，這幾個熱點賽道，今年上半年投完，我們可能就會收手。同時我們也看到了其他的價值窪地，比如出海，我們團隊在深圳，有很多科技出海的項目，雖然也有一點泡沫，但遠比現在這些熱點賽道小得多。這些企業本身就是為了商業落地，很快就能形成商業閉環，項目反而更紮實。一個機構在不同階段，要有不同的投資組合，中國的科技產業生態足夠大，東方不亮西方亮。第二點，還要看二級市場，包括美國市場的後續走勢。如果今年二級市場橫盤甚至向下，估值回呼會來得更快，這也是我們重點關注的。總體來講，我們還是謹慎樂觀，現在已經到了高風險階段，所有機構都會比較難受，我們今年也會越來越謹慎。張楠：謝謝，一級市場的二級化，也是現在大家非常關注的問題。有請馬總。馬建平：大家說得都非常好，我分四個層面來理解這個事。第一，什麼是泡沫？我認為泡沫是多種情緒的共振疊加。我其實一直覺得有泡沫不是壞事，當國家的支援力度、機構的認可度、企業的賽道選擇、老百姓的接受度，這幾方認知一致、對大勢判斷一致的時候，就會形成同頻共振，自然就會出現所謂的泡沫。第二，到底是不是真的泡沫，核心要看價格和價值。當價格嚴重偏離價值，那才叫泡沫；如果價格沒有偏離價值，那就是正常的價值回歸。怎麼判斷價值？我跟清華的老師們交流，有句話特別重要：你是不是真解決了一個問題，解決了一個真問題，有抓手、能落地、能量產、有收入。能做到這些的企業，就是真正有價值的，給這樣的企業和技術多一點估值溢價，完全沒問題，能鼓勵大家創新，推動科技成果轉化。第三，我對創投的理解，創投就是創業服務+非共識投資。大家看到投資人光鮮的一面，都是做了非共識投資，比如我投了迅策，從沒人看懂的階段投進去，現在估值1000多億，賺了很多倍。但非共識從那來？其實是靠大量的投前服務，鎖定了技術的源頭。非共識投資這個動作只佔10%的工作量，剩下90%時間都是投前和投後的服務。第四，我一直跟團隊、跟被投企業說，不要怕泡沫，送給大家三句話：第一，要做清醒的樂觀主義者，市場狂熱的時候，要清醒判斷價格和價值是否匹配；第二，要做冷靜的長期主義者，任何一次創業、一次成果轉化，沒有10年左右的打磨，很難上市、給市場一個交代；第三，要做堅定的價值主義者，投資的本心，永遠是投價值，不管什麼賽道、什麼技術，核心都是能不能解決真問題。總結下來，只要能做到這三點，泡沫並不可怕。張楠：謝謝馬總，非常樂觀。我想到昨天一位嘉賓說，他最後悔的事，是2015-2016年，沒有著眼於解決國家急需問題的公司，反而投了市場追捧的標的。有請王嘯總。王嘯：這波泡沫的成因，本質上是美股的持續上漲，頭部科技公司估值抬升，國內對標公司的估值水漲船高。國內看起來估值很高的公司，放到美國也就幾百億美金，而美國的頭部公司都上兆美金了。問題不是有沒有泡沫，而是泡沫能持續多久。泡沫持續得久，泡沫裡的公司，真的有可能把估值變成現實，成長為偉大的公司；就怕泡沫來了一波，擠破之後，所有人都落荒而逃。我們肯定希望泡沫能持續得久一點，那怕最後只有一小部分公司跑出來，也足夠了，納斯達克上萬家公司，最後也就跑出了“美股七姐妹”，行業本就是如此。泡沫肯定是有，最好能持續久一點，全行業都能受益。但確實有渾水摸魚的公司，什麼業務都沒有、要解決的問題都不明確，先把估值拉到極高，讓投它的人一起把泡沫做實，這是非常危險的，最終一定會水落石出。我們必須警惕這種純炒概念的公司。第二，回到VC的本質，VC就是別人告訴你，“我十年後要做成一家百億美金的公司，現在估值一億人民幣，你投我一千萬”，本質上就是買夢想、買預期，你說這是不是泡沫？VC的本質就是在投有價值的泡沫，三個人的初創公司，什麼都沒做，拿了一千萬融資，估值一個億，這就是VC日常在做的事，只是其中只有一小部分，能最終成長為偉大的公司。我們基金通過組合投資，能賺到相對穩定的回報，本質上就是在投夢想。泡沫不是現在才有，VC做的所有事，都會有一定程度的泡沫，只是大小、結構性的區別。我們反而怕結構性沒有泡沫，市場只看收入和利潤，那科技創業就會非常難。現在沒有盈利也能融資、也能上市，企業才能做長期的研發投入，壘高自己的壁壘，才有機會成長為偉大的科技公司。第三，投資過程中，一定要小心被情緒裹挾。如果有項目明顯是衝著騙投資來的，這就完全不合適了。我們還是要回歸業務本身，看項目的落地可能性，而不是靠“別人要投了，你再不投就沒額度了”這種邏輯，來推高估值。估值的增長，必須靠階段性的成果、明確的目標落地、團隊的成長來支撐，靠焦慮感推高估值的項目，註定走不遠。泡沫到底高不高，核心看終局空間和當前價格的倍數關係，而不是絕對價格，這是我的幾個核心看法。張楠：謝謝王嘯總，總結下來就是，啤酒泡沫可以享受，肥皂泡沫必須警惕，尤其是一戳就破的那種。有請楊總。楊瑞榮：每隔幾年，市場就會提起泡沫，泡沫是經濟周期裡不可避免的環節。去年年底我看了一本書，是美國一家避險基金的首席風控官寫的，大概叫 Engines that move Market（《泡沫逃生》）。 這家基金在網際網路泡沫時期成功避開了所有陷阱，最終成長為美國頭部基金。書裡回顧了工業革命以來，蒸汽機、鐵路、電報、電話、電燈，汽車，再到網際網路，每一次技術革命，都給社會帶來了巨大價值，但也都伴隨著泡沫和投資陷阱。裡面有個核心觀點：每一次泡沫出現的時候，所有人都會說一句話——This time is different，這一次跟以前不一樣了。在泡沫裡，不管是創業者還是投資人，都會跟你說，這次不一樣，我們沒有泡沫，和過去完全不同。而這句話，恰恰是最需要警惕的時候。作為投資人，核心判斷力，就是分清這次到底和以前的陷阱，有沒有本質區別。對我們而言，核心的判斷標準，就是在醫療領域，這個項目能不能創造真正的價值，能不能給患者帶來實際的獲益。無論市場泡沫如何，我們都堅守這條原則，不管是社會價值，還是國家戰略導向，核心都是創造真實價值。張楠：謝謝。今天時間關係，我們的話題討論就到這兒，有點意猶未盡。現在請各位嘉賓，寫下本場你們心中的MVP，我來統計票數，看看誰是今天聊得最好的嘉賓。因為我們是6位嘉賓，最終出現了平局。現在我宣佈：本場的MVP，由國科嘉和陳洪武陳總，和九合創投王嘯王總共同獲得！謝謝二位，有請二位舉牌，我們合影留念。 (投中網)

就在剛剛，老黃深夜炸場了！4月29日消息，輝達今晨重磅推出Nemotron 3 Nano Omni開源全能多模態大模型。該頂尖AI多模態模型，採用30B-A3B MoE混合專家架構，整合視覺、語音、文字多維能力於一體。幫助AI智能體依託視訊、音訊、圖像、文字全維度資訊開展深度推理，輸出更快、更智能的互動應答，為企業與開發者提供可落地的工程化方案。同時，該模型顯著提升了大規模推理效率。它不僅效率高，而且擁有強大的多模態感知精度，使AI系統的吞吐量比其他具有相同互動性的開放式全向模型高出9倍（900%）。最終實現了更低的成本和更好的可擴展性，同時又不犧牲響應速度或質量。輝達表示，新模型在MMlongbench-Doc和OCRBenchV2等文件智能排行榜上提供了一流的精準性，同時在視訊和音訊理解方面也處於領先地位，在WorldSense、DailyOmni和VoiceBench等排行榜上名列前茅。除了準確率之外，MediaPerf（一個開放的行業基準測試，它使用真實媒體資料和製作任務，從質量、成本和吞吐量等方面評估視訊理解模型）顯示，Nemotron 3 Nano Omni 在所有任務中都實現了最高的吞吐量，並且在視訊級標註方面推理成本最低。值得一提的是，另一家矽谷AI巨頭依然發佈重要消息。針對市場有關銷售增長放緩及未達內部目標的擔憂，OpenAI周二公開回應稱，公司消費端與企業業務正“全速運轉”，需求持續增長，並淡化相關負面報導影響。OpenAI在聲明中表示，來自企業客戶的需求及其尚處於起步階段的廣告業務仍在持續增長。“公司內部氛圍非常積極，”該公司在一份聲明中稱。《華爾街日報》周一晚間報導，隨著競爭對手不斷取得進展，OpenAI已未能實現多個內部目標。OpenAI將該報導形容為“典型的標題黨”。輝達最強模型設計與跨模態資料和訓練Nemotron 3 Nano Omni 架構將多模態感知和推理整合到一個 30B 混合 MoE 模型中，原生支援文字、圖像、視訊和音訊輸入，同時在代理循環中保持統一的多模態上下文，無需單獨的視覺、語音和語言模型。該產品採用融合Mamba層與Transformer層結構，分別強化序列記憶體效率與推理精準度，大幅提升模型吞吐量，記憶體與計算效率最高可提升4倍，適配各類子智能體應用場景。在視訊處理層面，Nemotron 3 Nano Omni依靠3D摺積捕捉畫面幀間運動特徵，並通過高效視訊採樣層壓縮多幀高密度視覺標識，保障大模型在上下文限制內順暢完成視訊內容解析。多模態體系以成熟文字模型作為核心解碼器，保留原生語言能力的同時搭建跨模態適配橋樑，有效降低多模態訓練的難度、成本與不穩定性，強化連續感知任務的綜合表現。音訊能力依託NVIDIA Parakeet編碼器及定製化專業資料集搭建，結合Granary、Music Flamingo等技術實現超越基礎語音轉錄的多元化音訊理解能力。視覺模組搭載C-RADIOv4-H編碼器與視訊摘要技術，通過分層壓縮策略應對高畫質圖像與動態視訊處理需求，精準保留畫面細節並保障OCR識別精度。該模型基於海量跨模態資料與指令調優完成訓練，面向真實智能體場景打造，可獨立處理圖文音視訊多類型指令，充當大型智能體系統的多模態感知子模組，全流程由NVIDIA NeMo Evaluator庫完成性能評測。依託文件、截圖、音視訊等多元大規模資料開展介面卡與編碼器訓練，讓模型在複雜企業級感知任務中具備出色泛化能力。NVIDIA 通過 Nemotron 3 Nano 和 Nemotron 3 Super 發佈了業界最全面的基於文字的智能 AI 開放 資料集，其中包括：10T+ 預訓練標記、4000+ 訓練後樣本、20 多個 RL 環境配置和完整的訓練方案，所有這些都是公開可用的。借助NVIDIA Megatron-LM落地多階段監督微調流水線，循序漸進拓展模態適配範圍，逐步將上下文長度從16K提升至262K，築牢跨模態指令跟隨基礎。模型層面約 1270 億個標記，涵蓋文字+圖像、文字+視訊、文字+音訊和文字+視訊+音訊等混合模態——反映了真實世界的上下文互動，而非單一模態資料。針對真實世界任務的訓練後訓練：約 1.24 億個精心挑選的多模態組合示例（文字+音訊、文字+圖像、文字+視訊和文字+視訊+音訊），旨在支援文件推理、電腦使用和長期工作流程。模型在監督微調後開展多環境強化學習，覆蓋25種環境配置，依託NVIDIA NeMo系列工具完成超230萬次環境部署，持續增強多模態任務與智能體工作流的運行穩定性。輝達還提供了使用 NVIDIA NeMo Data Designer建構的合成資料生成 (SDG)流水線，用於對 Nemotron 3 Nano Omni 進行後訓練，以使其能夠勝任複雜的長文件理解任務。通過迭代的流水線開發、訓練和故障分析，我們最終將一系列生成約 1140 萬個合成視覺問答對（約 450 億個tokens）的流水線整合到 Nemotron 3 Nano Omni 的最終訓練資料集中。圖像訓練資料已公開。借助底層圖像資料和模型，開發人員可以檢查、調整和擴展多模態訓練流程。對於以往維護各自獨立的視覺、語音和文件資料棧的企業而言，Omni 將這些資料棧整合到一個單一的、可用於生產環境的基礎架構中，從而降低了跨模態部署智能體的門檻。已經採用 Nemotron 3 Nano Omni 的人工智慧和軟體公司包括Aible、Applied Scientific Intelligence (ASI)、Eka Care、富士康、H Company、Palantir 和Pyler，而戴爾科技、DocuSign、Infosys、K-Dense、Lila、Oracle和Zefr正在評估該模型。H Company首席執行長Gautier Cloix表示，“要建構實用的智能體，不能讓模型花費數秒時間來解讀螢幕。基於Nemotron 3 Nano Omni，我們的智能體可以快速解讀全高畫質螢幕錄影——這在以前是無法實現的。這不僅僅是速度的提升，更是智能體即時感知和與數字環境互動方式的根本性轉變。”OpenAI回應：商業化沒放緩此前，《華爾街日報》報導稱，隨著競爭對手搶佔市場，OpenAI未能達成若干內部增長目標。報導還稱，OpenAI首席財務官Sarah Friar擔憂，若銷售增長不足，公司未來可能無力承擔不斷攀升的算力需求。如果收入增長速度不能進一步加快，OpenAI 未來能否支撐龐大的資料中心和算力合同成本？該消息出現在 OpenAI 衝刺潛在 IPO 的關鍵階段，也讓市場重新審視 AI 基礎設施投資的回報周期。受此影響，OpenAI 相關概念股出現明顯下跌。其中，甲骨文跌超4%，CoreWeave跌超5.7%。股價的波動凸顯了OpenAI在涉及頂尖雲端運算供應商和晶片製造商的複雜投資與交易網路中所扮演的核心角色。投資者本就對AI基礎設施泡沫日益擔憂，紛紛質疑OpenAI及其他科技公司未來數年投入數千億美元建設資料中心和採購晶片的計畫。與此同時，投資者對AI基礎設施泡沫擔憂也持續升溫。市場開始質疑OpenAI及其他科技公司未來數年投入數千億美元建設資料中心與採購晶片的計畫能否帶來合理回報。對此，OpenAI表示，公司仍將擴大算力資源視作“關鍵推動因素”，認為更多計算能力將幫助其持續改善客戶產品體驗。公司稱，推動更多算力部署不僅是成本投入，更是支撐長期競爭優勢的重要基礎。OpenAI本月稍早曾向投資者表示，早期大幅擴充計算資源，使公司在與長期競爭對手Anthropic競爭中具備關鍵優勢，儘管後者近期正快速追趕。不過，值得注意的是，即便在《華爾街日報》報導發佈前，OpenAI實際上已開始對基礎設施投資採取更審慎態度。公司近期表示計畫暫停英國一個項目，同時，微軟同意租賃原本擬供OpenAI使用的挪威資料中心容量。另據3月報導，由於融資談判拖延，甲骨文與OpenAI已放棄擴建德州旗艦AI資料中心計畫。市場人士認為，這些調整顯示OpenAI並未無節制擴張，而是在高投入戰略與資本約束之間尋求平衡。Wedbush 分析師DivesTech認為，《華爾街日報》報導 OpenAI 最近未能實現其新使用者和收入目標後，甲骨文遭到拋售，這是一種“過度反應”。Wedbush 認為 OpenAI 在消費者和企業市場都獲得了“非常高的需求”。該公司“強烈”不同意其增長放緩的說法。分析師在一份研究報告中告訴投資者，甲骨文5530 億美元的積壓訂單主要來自未來五年與 OpenAI 簽訂的價值 3000 億美元的雲合同，該項目預計將為公司貢獻 300 億美元的收入。該行對甲骨文完成 5000 萬美元融資的能力充滿信心。該行認為近期圍繞 OpenAI 的擔憂被誇大了，並表示該公司擁有足夠的資金來滿足其至少未來三年的計算能力需求。此外，一直以來，微軟與OpenAI的合作被視為科技屆最成功的“聯姻”。微軟向OpenAI累計投資130億美元，一步步助推後者成為世界級AI巨頭。而微軟也依靠OpenAI拿到了AI時代的核心入場券。然而在今年4月27日，微軟與OpenAI雙雙在官網發佈了一份公告“修訂後的協議，釐清長期合作細則（Amended Agreement Provides Long-Term Clarity）”，對兩家公司延續七年的合作框架作出重大調整。兩家公司在收入分配上也做出了重新調整。微軟將不再向OpenAI支付收入分成，OpenAI對微軟的收入分成持續到2030年，並設總額上限。此外，微軟將繼續“以核心股東身份深度參與OpenAI的長期發展。也就是說微軟作為持股27%的OpenAI最大股東仍然可以享受OpenAI的增長紅利。而且，此前的協議規定一旦OpenAI被認定實現AGI，收入分成即停止。修訂後的協議則取消了這一觸發條款，也就是無論OpenAI是否達成AGI，微軟都能穩定收到至2030年的分成。在這份聲明的最後，兩家公司強調，雖然本次修訂簡化了合作關係，但兩家公司共同推進事業的野心不變。聲明還提到了兩者其他的一些意向合作領域，包括“新建千兆級算力資料中心、聯合研發新一代晶片、AI技術在網路安全領域的落地”等。雙方將繼續攜手合作，為全球的個人與組織推進並擴展AI的發展。 (智能紀元AGI)

近日，英國《經濟學人》發表題為《中國正贏得人工智慧人才競賽》的文章，指出中國正在全球AI人才競逐中，逐步擴大對西方國家的領先優勢，為贏得AI競爭增加更多可能。西方媒體並非第一次有這類言論和預期，事實上，他們說得都對。相比算力，電力而言，人才，才是贏得AI競爭的終極籌碼，而中國正建立自己的領先優勢。《經濟學人》那篇文章拋出了一個判斷：在中美競爭中，中國“贏得”AI人才戰的方式是：留住增量，吸引更多存量回流。先看增量。文章援引了卡內基國際和平基金會的一份報告：2019年，全球頂尖的AI會議NeurIPS上，華裔研究者的比例是29%，已經超過了美國本土的20%；到了2022年，這個數字接近一半；而來自中國機構的作者佔比，從2019年的11%猛漲到28%——雖然還落後於美國的42%，但升勢已十分顯著。與此同時，中美之間的緊張關係也在悄悄改變年輕人的選擇。STEM專業的中國學生，前往美國讀博的機率降了大約15%，畢業後留在美國的機率又降了4%。過去，最頂尖的中國AI研究者大多把“去美國”當成理所當然的下一步；現在，越來越多人開始把目光留在中國。種種跡象指向同一個結論：美國正在失去吸引下一代的能力，進而在人才增量上出於被動。再看存量。黃仁勳說過一句很直白的話：“美國絕對有可能在AI上落後於中國，因為人才在變。”所謂人才在變，核心是流向在變，是美國的頂尖AI人才正在流往或回到中國。2025年3月，齊國君回到中國。他在美國工作了十幾年，先後在IBM研究中心、華為美國研究中心、OPPO西雅圖研究中心任職，履歷漂亮得像教科書；回國後，他全職加入杭州西湖大學，帶著一支近20人的團隊，組建了“MAPLE實驗室”。差不多同一時候，純外籍的Alex Lamb也前往中國。這位前微軟研究院高級研究員，師從圖靈獎得主Yoshua Bengio，在亞馬遜、Google Brain和微軟研究院都留下過足跡。他宣佈加入清華大學人工智慧學院，成為了一名助理教授。頂尖學者的回流只是冰山的一角，更密集的變化發生在產業界。姚順雨，前OpenAI研究員，加入騰訊成為其史上最年輕的首席AI科學家；吳永輝，前GoogleDeepMind研究副總裁，去了字節跳動；潘欣，前Google大腦研究員，加入了美團……再往前推兩年，楊植麟從卡內基梅隆大學博士畢業後，沒有留在美國，而是回到中國創辦了月之暗面。如今，成立不過三年的月之暗面已是估值超過180億美元的世界級獨角獸，其大模型也被不少美國初創公司改採用。▲月之暗面在過去一年迅速完成多輪融資，受到頭部基金、網際網路巨頭與產業資本的密集下注。圖源：VCG值得注意的是，所有這些回流，都不遠遠不是“為國效力”的口號在驅動，而是最樸素的理由——選擇更好的發展環境與空間。越來越多的頂尖AI研究者發現，“在中國”就是最好的職業路徑。中國擁有發展科創的巨大政策支援，也有一批頭部公司和頂尖高校，算力不缺，資料全面，工程體系完整，更重要的是，有大量可落地的應用場景。而且，中國公司，包括中國資本現在也都捨得為頂級人才投入，給錢、給空間，乃至給權力。不少人在矽谷可能是“螺絲釘”，但回到中國就能獨當一面，當負責人。最重要的是，中國不斷湧現的成功案例，大大增加了對美國矽谷人才的吸引力。過去幾年，中國湧現出一批10億美金，百億美金的AI初創公司，它用真金白銀告訴全球優秀人才，這裡是實現夢想的理想殿堂。如今，談中國的科創人才優勢，核心的核心，還在於自身強大的教育體系。自改革開放，尤其鄧小平提出科技是第一生產力以來，中國的理工科教育就一直備受重視。國家不斷出台政策支援理工科人才培養，民間也曾長期有著“學好數理化，走遍天下都不怕”的理工崇拜。這些的積累，為中國造就了一個領先全球的AI人才底座。現在，中國不但擁有全球最大的高等教育體系，每年培養以千萬計的大學學子，而且還約有四成的大學生攻讀STEM專業，這個比例幾乎是美國的兩倍。早在“人工智慧”這個詞還沒流行起來的時候，這片土地就已經為它儲備了最龐大的人才池。當AI的浪潮真的拍過來時，中國的這一優勢立刻湧出了驚人的勢能。到今天，中國已有80多所高校設立了AI學院，僅2025年一年，就有包括人大、北理工、西北工大在內的二十多所名校加入這個行列。五年間，AI專業新增了406個布點，在所有本科專業中增量最大。其中，清華在2025年擴招了150名本科生，全部進入新成立的通識書院，眼下已有117門課程、147個班級在嘗試AI賦能教學；而在另一頭，深圳技術大學這樣的地方院校，則選擇與華為、騰訊、百度聯手，把課堂無限延伸，讓實習直通產業。從頂尖名校到普通院校，中國搭起了一座人才培養金字塔——塔尖培養能“開天闢地”的領軍人才，塔身和底座則源源不斷地輸送應用型人才。教育端的播種，持續在產業端開花結果。2025年，中國企業發佈了超過300款AI產品，遍佈醫療、教育、物流。其中，其中，DeepSeek以不到150人的研發團隊、十分之一的成本，打造出可與GPT-4“掰手腕“的大模型。但DeepSeek最讓人感慨的不是技術本身，而是這支隊伍的底色——核心研發團隊平均年齡僅28歲。創始人梁文鋒曾坦言：“目前在人工智慧領域，前50名頂尖人才可能都不在中國，但也許我們能自己打造這樣的人。”這句話像一枚石子投進湖面，漣漪很快擴散到了招聘市場。據一家頭部AI獵頭透露，當下各家都在爭搶“C9”院校的高端人才。一位清華大學電腦系的博士畢業後，同時收到了華為“天才少年”項目、某大模型創業公司以及海外網際網路巨頭的Offer，最終他選擇了那家中國創業公司，年薪過百萬。這並非個例。脈脈資料顯示，2025年中國AI崗位的招聘量一年漲了十倍，平均月薪超過六萬，一半以上的應屆AI崗月薪破五萬。大模型演算法工程師的起薪，已經超過了不少傳統行業老專家的天花板。市場的熱度，反過來推動著教育繼續擴張——人才培養、產業吸納、再反哺教育，一個完整的閉環悄然成形。而在這套系統的底層，是國家的力量在穩穩托舉。2025年8月，國務院印發了《關於深入實施“人工智慧+”行動的意見》，明確提出到2030年，人工智慧要全面賦能高品質發展；同月，八部門聯合發文，提出要“超常規”建構領軍人才培養的新模式。政策支援不僅是檔案上的表態。2024年，中國的研發經費超過了3.6兆元，投入強度2.68%，已經超過歐盟的平均水平；2025年中央科技預算接近4000億元，同比增長一成，重點投向人工智慧、積體電路這些關鍵戰場。同時，人社部也在去年發佈了42個新工種——生成式人工智慧系統測試員是其中之一，同時頒布了73個國家職業標準，為AI賽道上的年輕人畫出了清晰的成長路線圖。教育、產業、政策，三股力量交織在一起，讓中國的AI人才培養不再是一個個孤立的點，而是一張綿密、可持續的網。當世界還在爭論“去那兒搶人”的時候，中國已經默默搭好了“自己造人”的底座。這場人才戰，贏得的不只是眼前，更是未來十年。人才培養的底座越築越厚實，但遠沒到高枕無憂的時候。這場人才戰的敘事裡，依然藏著幾道繞不過去的坎。首先，眾多頂尖人才還漂在海外。卡內基基金會追蹤了100位在2019年NeurIPS上亮相的中國籍研究者，六年後再看，87%的人還留在美國機構裡。▲2019–2025年，頂尖中國籍AI研究人員的職業路徑 註：國家隸屬關係基於研究人員目前所在機構的總部所在地 來源：保爾森基金會與卡內基國際和平研究院“回流”確實在發生，但還只是“涓涓細流”，星星之火。美國為什麼能留住他們？一來，它從基礎研究到技術轉化再到產業應用的鏈條，已經打磨得足夠成熟；二來，中國與西方頂尖創新生態之間，還橫著一條看得見的“鴻溝”。諾獎、圖靈獎的突破，至今仍然高度集中在西方。中科院院士唐本忠點破了一個尷尬的事實：“中國在AI領域擅長‘從1到10’的最佳化升級和‘從10到100’的規模擴張，但在‘從0到1’的原創突破上步履維艱。”他進一步拆解了根源——我們太推崇實用主義了，科研工作總盯著短期的成果和落地的應用，卻忘了基礎研究和原創探索才是一切的根。其次，本土人才的供需矛盾突出，AI產業的人才缺口依然巨大。2025年，AI技術類崗位的需求比前一年漲了四成。而另一邊，真正能駕馭垂直領域大模型訓練和最佳化的人，供需比已經掉到了0.3左右。高性能計算工程師更誇張——0.15，相當於七個崗位搶一個人。再者，美國政策的不確定性，既是機遇，也是變數。簽證收緊、經費削減、對華裔學者的懷疑氣氛，在一定程度上推動了美國AI人才向中國流動。2025財年，H-1B簽證的中國留學生中籤率跌到了11.7%。Meta、亞馬遜這樣的科技巨頭，已經宣佈不再為部分崗位的留學生提供擔保；那些研究半導體材料、AI演算法最佳化的學生，如果研究方向被貼上“受控技術”的標籤，連簽證都可能拿不到；美國眾議院甚至還提出議案，打算限制中國人在美國從事AI和機器學習相關的職業。這些變化，都在讓年輕一代重新思考“要不要出去”。▲北京的招生會上，中國赴美留學生人數近年來有所下降 圖源：紐約時報但問題的另一面是：這類因素極不穩定。政策會隨著選舉、隨著地緣政治的風向來回搖擺，不能把它當成可以長期依賴的變數。AI競爭，表面是算力之爭、模型之爭，乃至電力之爭，但真正的底層卻是教育體系、產業結構與人口結構的長期較量，人才，才是贏得競爭的終極變數。人才之戰，不是一場百米衝刺，而是一場漫長的馬拉松。曾經，中國不但本土優秀人才有限，而且優秀人才大規模外流。如今，中國不但本土優秀人才湧現，而且還迎來外流人才的回流。趨勢已經逆轉，但要真正長期形成超越優勢，還任重道遠。當下，或許只是這場競賽的起點。 (華商韜略)

DeepSeek在取得突破一年後推出旗艦AI模型DeepSeek Unveils Flagship AI Model a Year After Breakthrough彭博社在顛覆矽谷一年後，DeepSeek推出了其新款旗艦人工智慧模型的預覽版本，稱其為最強大的開源平台，以此向從OpenAI到Anthropic的競爭對手發起挑戰。這家中國初創公司推出了V4 Flash和V4 Pro系列，宣稱其在程式設計基準測試中具有頂級性能，並在推理和智能體任務方面取得了重大進展。該公司在Hugging Face平台上表示，這些模型帶來了架構升級和最佳化改進。DeepSeek特別提到了一項名為"混合注意力架構"的技術，稱其提高了AI平台在長對話中記住查詢內容的能力。此外，DeepSeek還將上下文窗口推至100萬token——這一飛躍使得整個程式碼庫或長文件可以作為單個提示詞傳送。V4的發佈距離這家總部位於杭州的初創公司通過發佈R1（一個模仿人類推理過程的開源模型），引發兆美元股市拋售已過去一年多。R1的性能可與OpenAI等公司的尖端AI系統相媲美，但據稱其建構成本僅為這些系統的一小部分。中國晶片製造商大漲，因DeepSeek新模型提振前景投資者押注新模型將支撐對本土晶片的需求。DeepSeek在微信上發佈的一篇文章中表示，由於計算能力緊張，V4 Pro系列的服務能力極為有限。然而，這家初創公司預計，在由華為技術有限公司昇騰950晶片驅動的計算叢集於今年下半年推出後，該模型的定價將大幅下降。DeepSeek目前正就首輪融資與騰訊控股有限公司和阿里巴巴集團控股有限公司進行談判。華為主要晶片製造商中芯國際的股價在香港一度上漲9.4%，而華虹半導體有限公司的漲幅則超過13%。智譜等競爭對手則下跌了8%。新系列在規模和效率方面邁出了一大步，這兩點正是DeepSeek崛起的定義性特徵，並給競爭對手帶來了巨大的競爭壓力。在R1發佈之後，科技公司和投資者開始反思將數十億美元投入AI開發是否明智。此後，這些支出又反彈回升，預計美國科技巨頭將在2026年向AI基礎設施和資料中心投資約6500億美元。與成名相伴的還有審視DeepSeek的兆參數系統採用了"專家混合"技術，僅選擇性觸發一小部分專家，每個任務僅啟動最多370億個參數，從而使其推理成本遠低於類似的前沿模型。該架構和技術使DeepSeek與矽谷競爭對手OpenAI、Google和Anthropic的最新模型形成了直接競爭。上周五，這家初創公司宣稱其在標準基準測試中的表現優於OpenAI的GPT-5.2等模型，但承認V4在技術上落後最先進的模型約3至6個月。儘管如此，DeepSeek強調其追求的不僅是原始能力，而且還要從根本上降低成本。V4的設計目標是在更便宜的基礎設施上部署。"Minimax和智譜作為獨立的模型提供商，將始終面臨競爭的脆弱性，尤其是來自那些擁有更好覆蓋面和分發管道的網際網路平台或雲服務提供商的競爭，"瑞士聯合私立銀行董事總經理凌維森表示，"最終，模型性能的差距對大多數使用者來說將變得難以察覺。"DeepSeek在中國也引發了一場狂熱，從阿里巴巴到百度公司的科技領袖紛紛向市場推出低成本的AI服務。從字節跳動到智譜和Minimax，競爭對手在4月前的幾周內競相更新模型，希望能搶佔DeepSeek的先機。與成名相伴的還有審視。美國科技領袖和政府官員指責DeepSeek使用非法技術和硬體來開發其模型。其中一個焦點是所謂的"蒸餾"，即一個AI模型依賴另一個模型的輸出進行訓練，以開發出類似的能力。OpenAI和Anthropic都聲稱檢測到了來自DeepSeek的這種攻擊，OpenAI在R1模型發佈後不久就開始私下提出這一擔憂。另一個擔憂是，DeepSeek可能能夠獲得被禁止的輝達AI晶片，美方去年已開始調查這種可能性。 (明日頭條)

一、從前沿技術收斂看未來產業趨勢1.關鍵技術的行業地位與國家佈局① 關鍵技術的中國企業地位我們看看新基礎設施各個關鍵技術上，中國企業所處的行業地位：在新能源及新能源汽車領域處於領跑的地位；高端裝備的規模和效率，目前是世界第一；晶片領域，45奈米製程已經完全自主可控，12奈米和14奈米以上製程，中國自給率達到75%；5G通訊，世界第一；海洋、航天工程能力，世界第一。AI大模型的應用效率，世界第一；人形機器人的平衡與運動能力，排名世界第一，其出口量也是全球第一。受國際地緣競爭影響，由於美國NASA推動的登月計畫和馬斯克加速推進太空算力佈局，讓中國在商業航天領域，同樣會投入重要的資源。在量子電腦方面，中國同時在三條技術路線上推進，分別是合肥的超導路線、北京的離子阱路線、上海的中性原子路線，以期突破物理量子位元超過2000，甚至6100，邏輯量子位元突破300-500，從而大規模地進行新材料和新藥物的研發。但我們還要看到一個現實：在2025年《財富》世界500強企業排行中，中國有130家企業上榜，其中相當比例的企業集中在金融、能源、金屬產品等行業。如果以市場化程度更高、科技創新為主的行業為參照，具備全球競爭力的500強企業大約在40-70家之間。中國要在2035年成為經濟、產業和科技的強國，那意味著世界500強裡中國企業的數量或許要逼近200家。這中間巨大的“增量空間”，本質上就是硬科技創業者們應該定位的自我新坐標。近年來的大國博弈中，供應鏈的韌性與自主性成為強國夢想最堅實的基礎，尤其是國家安全性的硬核產業，更要實現全域自主可控。也就意味著儘可能在關鍵環節上確保擁有不受制於人的自主與替代方案，比如航空航天、無人機、能源、通訊、半導體，以及機器人等。② 從國家規劃中找到自己的獨特價值及未來機會今年兩會提出了“十五五”產業規劃：六大新興支柱產業，包括積體電路、航空航天、生物醫藥、低空經濟、新型儲能、智慧型手機器人。以此為基礎，作為創業者，我們要做兩方面的思考。其一，如果我們企業是創新的一個單元，就需要對這幾大領域進行審視。通過對全球及中國鏈主企業進行穿透式的分析，精準定位其結構性缺口與亟待補位都環節。有了這些思考與企業精準切入，才可能有爆發性的收入。其二，既然“十五五”規劃指明了未來五年的發展方向，那麼未來的“十六五”規劃又將在這些產業基礎上衍生出那些新的產業？比如現在的幾大新興支柱產業中，低空經濟、智慧型手機器人是過去沒有的。進一步看，智能機器人都深度發展，折射出中國製造業未來的一條重要路徑——那就是“軟硬結合、以硬為主”，這將成為中國未來新的產業燈塔和產業坐標，智能機器人就將借助中國的製造業優勢，成為未來中國產業“從產品輸出到產能輸出”的一個重要方向。2.科創生態的演變① 改變產業浪潮的三股力量在科技創新與產業融合的過程中，必然會出現改變時代產業浪潮的三股力量：其一，先鋒派，是新時代的“攪局開路者”。希望以第一性原理實現從“0-1”的創新，打破傳統體系與供應鏈格局；其二，務實派，是新時代創新落地與資源整合的“實際推動者”。依託高管創業，混合體制，善於從1-10跨越，在有限時間實現“有限目標”。其三，基石派，是新技術規模化應用的國家支柱性產業“締造者”。帶有國家隊天然的後發優勢，善於從10-100的產業覆蓋，鞏固國民經濟的技術底座。② 科創演變的關鍵要素與基本邏輯從2024年的下半年開始，國家邏輯前置了，資源快速聚焦頭部，這就加速了創業項目內部要素的重塑。創業項目要遵循兩個邏輯：一是國家邏輯，關注支柱性產業、安全自主發展，解決“卡、替、硬”，具有戰略前瞻佈局意識，關注顛覆性技術的長遠價值；二是市場邏輯，以企業化運作為主，以市場需求為導向，以效率、規模化增長、稀缺性為本。在這樣的邏輯背景下，我們一定要明白：創業是一個市場經濟活動，而非單純的技術活動。在這場經濟活動中，在不同階段要有不同的要素組合。若只遵循國家邏輯，沒有市場訂單怎麼辦？若只有市場邏輯，沒有跟上未來的發展趨勢和國家產業邏輯，又該怎麼辦？因此，一定要同時在這兩個底層邏輯上理解整個產業鏈，先找到產業鏈鏈主企業，並找到自己在產業鏈中自己的價值。③ 技術同源，產業間融合有望催生出“聚合智能體產業”過去20年，“軟硬結合、以硬為主”的中國製造業，建構了我們在世界的話語權，更推動了一次次新興產業的跨越式發展。未來十年，如果我們把新興產業群理解為是一個具有認知，能夠形成閉環，甚至能夠不斷自我進化的智能體的話，將會形成一個新舊融合的聚合智能體產業，而在這些通用技術產業的交叉融合中，新的千億級、兆級龍頭鏈主企業將應運而生。在這其中，具身智能具有最大的發展機會，它正將傳統汽車、新能源汽車、電動自行車、數控機床、工業機器人這些看似分立的產業，在具身智能的催化下，融為一體——即“聚合智能體”。3.智慧型手機器人必然成為新興支柱產業的核心邏輯第一，全球面臨勞動力系統性短缺。有報告顯示，缺口大概在億級規模，從技術研發人員、服務人員到各類創新配套崗位，都在缺人。第二，技術正在快速收斂。大模型方向，行業普遍認為垂類應用會加速收斂；物理場景也在收斂——把應用場景確定、系統流程和核心智能模組定下來，產業化速度會大幅加快。基於這個判斷，有人認為未來十年，機器人進入家庭的滲透率有望達到10%；甚至有觀點認為，如果家庭端滲透10%，工業端滲透率可能達到80%。所以現在是全方位競賽：模型在競賽、產業佈局在競賽、市場信心也在競賽。AI+傳統機器人，尤其是加上數字員工相關方向，正在全面加速。二、具身智能，重構社會1.具身智能的概念與特點在2022年之前，具身智能長期處於分散發展的階段，所以我們以往對它的定義比較宏觀。機器人，是利用電腦圍繞機械載體，實現程式設計、感知、決策和操作的工具或裝備。而具身智能，本質上是一個物理載體，是智能從數字世界走向物理世界、實現進化的一種範式。具身智能有三個核心特點：一是人機互動，能實現人與物理載體的有效聯動；二是閉環操作控制，形成“感知-決策-操作-反饋”的完整閉環；三是持續進化，能夠隨著時間推移，通過不斷採集資料，實現自身智能水平的迭代提升。2.2026，是具身智能應用元年根據高盛和摩根士丹利的分析，人形機器人未來的發展空間很大，至少類人形機器人是這樣。所謂類人形，就是具備雙眼雙臂、輪式移動，上身和人類相似的機器人。從應用場景看，這類機器人未來可以覆蓋工業、商業和家庭等多個領域。今年普遍認為是具身智能的應用元年，因為大家想通了一個問題，不一定要完全通用，不一定要完全建立世界模型，而是先進行“智能定界”。智能定界包含兩個含義：一是界定應用場景的邊界，從相對約束環境應用的“具身技能”出發，對技能進行收斂與歸納，再從具體任務、功能、載體、模型、資料等角度看待“具身智能”的研發。二是從系統角度定義智能功能，針對客觀環境的各個環節、流程、容錯容忍度、成本維護等要素，設計或選擇相應的智能功能以替代某些特定環節，從而實現產品與市場的價值匹配（PMF）。從這兩個角度來強化所謂的通用操作平台和相對垂類的應用模型。最終，通用模型會集中到三五家，而垂類專用模型可能有50家到60家，這大概是這個產業的終局狀態。3.智能體，加速社會重構隨著機器人產業的發展，工廠的數位化營運將成為必然，那麼員工的角色需要被重新定義：第一類是真實的人，他們可能拿著iPad，也可能攜帶某種智能眼鏡，成為現場調度者；第二類是機器人，比如銲接機器人、3D印表機器人，承擔相應的體力勞動；第三類是數字員工，負責即時抄報、監控、協調流程性工作。過去我們想像的機器，就是要完全替代人類。那在未來，會不會有一種全新的生產管理模式出現呢？其實就是把這三類人或三類物種重新協調起來，明確什麼時候需要人、什麼時候需要機器、什麼時候需要數字員工。而OpenClaw這類智能體技術又會加快整個處理程序。一是人們可以通過自然語言來程式設計，不用再靠寫程式碼，只要我說出來，它就能理解並進行調度；二是第三方技能包的呼叫，也會讓這個處理程序加速迭代。在這樣加速發展的過程中，如果純粹以資料效率為驅動，它將化為一匹不可抗拒的科技黑馬——既在倒逼傳統企業變革，推動創新企業誕生，也在重構整個社會。而這個重構的過程，本質是通過兩類“派遣”實現的：一類是藍領勞務派遣，我們理解為就是機器人；另一類是白領派遣，也就是我們所說的數字員工。在這種重構中，一個共識正在形成：只要是標準化、大規模的工作，人就應該儘可能少的投入，因為這類職業被替代的周期大概是24個月——也就是一輪勞動力成本的回收周期。從這個迭代速度來看，像物流配送、環衛清潔、銲接裝配、拋光打磨、農副產品或食品加工、傳統駕駛、農業種植、建築工程等領域，很容易被機器人覆蓋；而難以被替代的，是類似幼兒教育、養老服務、水暖維修這類相對複雜、難以標準化的領域。三、創業，不確定性的“九死一生”征途1.創業的兩個關鍵變數① 價值要素，正在發生變遷農業時代，價值附著於土地、農具、耕牛和勞動力上；到了工業時代，價值靠工廠、裝置和勞動時間定義，再通過資本實現擴張；網際網路時代，價值是靠創新體驗、智能終端和流量來定義；而未來，價值將由算力、資料、機器人、數字員工，乃至Token的消耗量來定義。現在全球都充滿焦慮：過去值錢的土地、房產，其價值邏輯在變；過去奏效的——僱傭人力、按時間付薪、靠效率和規模創造價值的模式，也正在被打破。如今，人越來越多地以“自我存在的價值”為導向。靠單純的效率和規模，已經很難再創造新價值了。你想想，衣服、汽車、手錶、相機……我們還缺什麼新東西嗎？② 資本市場：價值兌現前置，產業泡沫伴生很多創業者都希望通過融資快速發展，於是就出現了：事情還沒真正發生，大家靠想像、期待和政策訊號，就覺得它馬上會實現。另外，產業裡還有一個規律：投資者都在期盼著找到黑馬，守護白馬。往往出現一種情況——十年甚至二十年的價值，可能在前兩三年就被透支了七八成，後面很多年才慢慢兌現剩下的部分。簡單說，一家企業真實價值可能是100億，前三年就實現了70億的估值，後面七年再慢慢迭代耕耘通過後續增長填平估值。這是一個很奇特的現象。這個現象說明了兩點：一是當下社會本就會出現這種價值提前兌現、泡沫伴生的情況；二是對創業者而言，必須快速迭代，因為競爭極其激烈。機器人領域的一些非理性投融資，也正由過高預期、價值透支和同質化競爭共同作用。但我始終相信一句話：悲觀者往往正確，樂觀者才能前行。結語：短期的痛苦與挑戰，更有利於成功我覺得，成功往往倒推不出確定性的結論，但不成功反而都有共性的原因。所以，我覺得有幾件事是創業者要避免存在短板的：第一，是要有強烈的激情，堅持不懈的韌性；第二，要有敏銳的商業思維，要站在客戶的角度迭代產品；第三，在過程中不能教條，要與時俱進，辯證統一地拿捏資源、把握節奏。在這個過程中，如果創業的方向既符合時代的需求，又能與自己的優勢相契合，不管結果成功與否，其實都是特別值得的一個經歷。讓所有人都認同很難，只要看準自己的方向，對社會有意義，就勇敢地走下去。 (筆記俠)