這個春節，DeepSeek上了科技圈微博熱搜，理由有點奇怪。不是因為它發佈了什麼驚天大模型，而是因為——它變冷淡了。2月11日，DeepSeek悄悄推送了一次灰度更新。很多使用者打開App，發現那個曾經靈動、有溫度、會親切叫你暱稱的AI，突然變得爹味、乾巴、陰陽怪氣。微博熱搜第一，#DeepSeek變冷淡了#。與此同時，全網都在等一個東西：DeepSeek V4。據外媒The Information報導，V4編碼能力超越Claude和GPT系列，原定春節前後發佈。結果除夕過了，初一過了，今天大年初五了，還沒來。一個AI變冷淡，一個大模型遲遲不來，這兩件事加在一起，其實講了一個比技術參數更有意思的故事。我在一級市場，見過不少“技術上無懈可擊、商業上舉步維艱”的項目。今天想借這個春節熱點，聊聊DeepSeek這家公司，以及它背後那些被人忽略的問題。一、先說“冷淡”這件事DeepSeek這次更新，技術上是紮實進步的：上下文窗口從128K直接升至100萬Token，知識庫更新至2025年5月，首字響應速度反而還提升了。但使用者感受到的，是“變冷了”。原來會叫你名字，現在統一叫使用者。原來深度思考會洋洋灑灑，現在吐短句、風格乾硬。有人換了好幾套提示詞，找不回那種感覺了。這件事讓我想起一個做了很多年消費品的朋友說過的話：“產品的靈魂，是一致性。使用者不怕你不夠強，怕的是你變了。”在投行做項目，我們評估一個品牌資產的時候，有個維度叫“情感連接”——使用者和產品之間建立起來的那種信任與習慣。這種東西很難量化，但一旦建立，就是真實的護城河。最典型的例子是可口可樂1985年換配方那次。新配方盲測完勝原版，科學上無懈可擊，結果消費者激烈抵制，三個月後公司灰溜溜地把老配方改回來。技術層面“更好”的產品，輸給了使用者“情感上熟悉”的感受。DeepSeek去年靠R1出圈，不只是因為技術強，也因為它有“人味”：會開玩笑，回答有溫度，用起來不像在操作一台機器。這是它在使用者心裡佔的位置。這次更新，它把上下文從128K升到了100萬，卻在另一個維度上，把自己跟使用者的距離拉遠了一些。當然，這可能只是灰度測試的過渡狀態，V4正式版出來可能完全不同。但這件事本身值得記住：技術能力可以快速迭代，使用者情感不能。二、V4為什麼還沒來？按照外媒爆料，V4應該在春節前後發佈。今天是大年初五，沒有任何官方聲音。有消息說已推遲到三月底。DeepSeek官方，一如既往地沉默。有意思的是，光是“V4要來了”這個傳言，就已經在行業裡掀起了一陣亂流。一位大模型領域的從業者直接說：“傳聞DeepSeek V4很強，所以晚發不如早發，撞車等於白髮。一旦V4發佈且效果炸裂，輿論關注度會被瞬間吸乾，那時候再發模型就真的發了個寂寞。”於是春節前，國內各家大模型公司加速趕工、搶先發佈。V4還沒來，已經把整個行業逼出了一場提前量的軍備競賽。這種影響力，本身就說明了DeepSeek在行業裡的地位。這家公司有一個很特別的氣質：公眾號自2025年1月發佈R1以來，只發了10篇文章，篇篇10萬+，但絕不多說一個字。高管幾乎不公開發聲，沒有路演，沒有採訪，沒有預熱，模型發了就發了。我見過很多公司，恨不得把每一次技術更新都做成發佈會。DeepSeek這種反向操作，其實需要極大的定力。但V4遲遲不來，也說明了另一件事：大模型的研發，從來不是線性的。外界爆料的時間節點，永遠只是計畫，不是承諾。全網等V4，本質上是在等一次“去年R1震撼”的復刻。但R1之所以震撼，是因為它超越了所有人的預期。當預期本身就已經被拉滿，再強的模型，震撼感也會打折。這是一個很微妙的處境。你越成功，下一次就越難超越自己。這是任何行業的頭部玩家都繞不過去的命題。三、一年過去了，“技術突破≠商業成功”這句話還成立嗎？去年R1出來的時候，我寫過一個判斷：技術是入場券，不是護城河。一年後，這句話有了最好的現實註腳。看一組資料。QuestMobile的資料顯示，截至2025年9月，國內AI應用月活第一名是豆包，1.72億；DeepSeek是1.45億，排第二。技術上公認最強的，不是月活最高的。這不是說DeepSeek失敗了——1.45億月活是極其亮眼的成績。但它說明，在應用層面，“好用”和“最強”之間，還有很長一段距離。豆包在做什麼？字節用火山引擎登上今年春晚舞台，把AI能力直接推向全民場景；阿里拿下多個衛視春晚獨家冠名，把通義千問送進全國客廳；騰訊拿出10億真金白銀為元寶鋪路。這些打法，DeepSeek一個都不玩。這不是DeepSeek不會，是它不想。它選擇的路，是用開源建生態、用技術說話、用論文影響同行。這條路是對的，但它收益的方式，和大廠砸錢買使用者的方式，根本不是同一個賽道。從投行的視角來看，這是兩種完全不同的商業模式：一種是直接變現，一種是平台生態。前者短期見效，後者長期壁壘更深。DeepSeek選的是後者，但這意味著短期內，月活和收入資料，不會是它最好看的那張牌。平台生態這條路，歷史上走通的案例都有一個共同特徵：先做開發者，再做企業，最後才是C端消費者。Android用了將近十年才真正確立生態優勢。DeepSeek開源才一年，這個周期還早得很。四、那普通人應該關心什麼？每次DeepSeek有新動靜，很多人都會問這樣的問題：這個AI會不會取代我？我的回答一直沒變：AI取代的，是不思考的重複動作，不是判斷力。但今年，我想在這個回答後面加一句話。DeepSeek這次更新，上下文升到100萬Token，意味著它可以一次性讀完你整個公司的文件庫，處理你半年的郵件，消化一個完整項目的所有程式碼。這不是輔助工具的量級了，這是可以替你做大量資訊處理工作的量級。在投行做盡調的時候，有一種工作叫資訊整合——從幾百份檔案、幾十個資料來源裡，把關鍵資訊拼成一張完整的圖。這種工作，AI現在做得比人快。但有一件事，AI做不了：判斷這張圖意味著什麼。在資訊不完整的情況下做決策，理解對方真正的動機，在談判桌上感知那些沒有說出口的東西。所以我想說的是：不要焦慮AI變強，要焦慮的是自己有沒有在練那些AI永遠替代不了的能力。DeepSeek變冷淡了，使用者覺得少了什麼。這個“少了什麼”，恰恰是人類最獨特的東西：溫度，情感，連接。它用一次灰度更新，不小心證明了這件事。五、最後說一句大年初五，V4還沒來，熱搜是“DeepSeek變冷淡了”。這個春節檔，DeepSeek沒有按照所有人期待的劇本走。但我覺得這反而是一件值得尊重的事——它在做自己認為對的事，不管外界怎麼等、怎麼催、怎麼猜。一家在全球AI競爭最激烈的時刻，還能保持這種定力的公司，不管V4什麼時候來，我都願意繼續關注它。只是希望它發佈的時候，能把那股子“人味”找回來。畢竟，技術可以追，溫度不好複製。 (Linda產業筆記)

大模型鏈：從“模型數量賽跑”到“範式與效率之爭”（一）產業結構與關鍵指標：從“參數規模”到“國家—產業雙集中”從產業結構來看，大模型鏈可以粗分為三層：底層：語料與資料（通用語料、產業資料、合成資料）、算力與訓練架構；中層：通用基礎大模型（LLM、VLM、多模態模型），包含閉源「前沿模型」與開源權重模型；上層：產業/版本（金融、製造業模式、零售模型、零售模式與建築）、結構與建築）、建築、製造模型、零售模型（金融、製造模型）。這鏈條的幾個關鍵「集中度」特徵，基本可以用幾組數字來刻畫：1.「模型數量」層面的中美集中－中國信通院參與的《2024全球數位經濟白皮書》數據顯示：截至2024年一季度，全球AI大模型數量約1,328個，其中中國佔比約36%，位列全球第二，僅次於中國。 2025年世界人工智慧大會（WAIC）揭露的最新數據則顯示：全球已發布大模型累計3,755個，其中中國發布1,509個，位居世界第一，佔比超過40%。這意味著，從「模型數量」和「參與者數量」角度看，中美已經形成明顯的雙中心結構，中國在絕對數量上開始反超，但美國仍然掌握了更多「前沿模型」。 2.「前沿模型品質與產地」－美國仍是性能高地。史丹佛HAI發表的《2025AI Index》對「notable models（具代表性的前沿模型）」做了單獨統計：2024年，美國機構發布的「notable models」數量為40個，中國為15個，歐洲（主要是法國）為3個，美國依然是高性能模型最主要的國家。同一報告指出，2024年近90%的「notable models」由產業界發布，而2023年這一比例還是60%，模型研發重心已經基本從大學和實驗室全面轉向頭部科技公司。從效能收斂趨勢來看，AI Index的總結顯示，在公開評測榜上，前十名模型之間的Elo得分差距在一年內從約11.9%縮小到5.4%左右，頭部模型之間進入「你追我趕」的膠著狀態，而不再是某一兩家絕對壓制。 3.資本投向－生成式AI和大模型仍是投資「主戰場」。 AI Index統計：2024年美國民間AI投資達1,091億美元，中國約93億美元，美國約為中國的12倍；其中生成式AI相關的私人投資在2024年達到339億美元，年比+18.7%，佔全部AI私募投資的20%以上，仍是資本最集中的賽道之一。整體來看，大模型鏈已從早期的「單純參數軍備競賽」轉向「少數國家掌握前沿模型+產業資本高度集中在少數頭部實驗室+各國圍繞本土模型生態展開制度競爭」的階段。（二）美國：前沿閉源模型+超高資本密度在大模型鏈上，美國的優勢集中體現在「前沿閉源模型+高資本密度+全球開發者心智」三個面向。 1.前沿模型集中在少數實驗室－從「notable models」的統計可以看出，OpenAI、Google（Gemini）、Anthropic、Meta等少數幾家機構，貢獻了2024年美國大部分前沿模型。這些模型往往具備幾個共同特徵：參數規模和訓練算力處於行業天花板；多模態（文本、圖像、音頻、視頻）能力強，逐步向“agent + tool use”演進；採用嚴格的對齊與安全策略，以閉源API、企業服務為主要商業化方式。 2.資本投向高度集中－AI Index的經濟章節顯示：2024年美國私部門AI投資總額1,091億美元，約為中國的12倍、英國的24倍；生成式AI相關的私人投資339億美元，佔全球AI投資超過五分之一，其中相當部分流向了上述前沿實驗室。這意味著，「前沿模型」既是美國技術優勢的象徵，也是資本市場的集中押注標的——透過閉源API、雲端服務、企業訂閱等模式回收巨額算力投資。 3.制度與安全框架先行－在大模型安全、透明度和監管方面，美國在G7、OECD等多邊框架中發揮重要作用，同時透過本土行政命令和行業自律規範，對frontier models的訓練、部署和評估提出要求。這既是在國內政治環境下的“風險防控”，也是在國際競爭中為自身前沿模型設定規則門檻的一種方式。（三）中國：模型數量第一+開源與效率路線與美國「少而強、重前沿閉源」不同，中國的大模型發展更呈現出「數量多、參與主體廣+重視開源與效率+強監管門檻」的綜合特徵。 1.模型數量和服務數量「雙高」－白皮書數據顯示，截至2024年第一季全球大模型1,328個，中國約佔36%；2025年WAIC上公佈的數據進一步顯示：全球累計發布大模型3,755個，中國發布1,509個公佈，數量位居全球第一，佔比超過40%。在應用服務層面，截至2024年底，中國境內已正式備案的生成式AI服務達302項，其中2024年新增238項；到2025年一季度，這一數字進一步增至346項。此外，網信部門與工信部的統計顯示，到2024年底，中國註冊使用生成式AI服務的用戶數量已超過6億人，顯示出較高的C端滲透率。 2.開源模型與「效率路線」－在大模型開源領域，中國近一兩年呈現明顯加速：MIT與HuggingFace聯合研究指出，在「開放權重模型」下載量方面，中國開發者和模型已經超過美國，約佔全球下載量的17%，而美國代表性約為15.8%，項目包括DeepSeek、通義（Qwen）、千川等。 DeepSeek系列模型（包括DeepSeek-V3、DeepSeek-R1等）在國內外開源社群的下載和復現度顯著提高。社群梳理顯示，DeepSeek-V3.2採用MoE（混合專家）結構，在接近GPT-5級別表現的前提下，據稱訓練成本控制在數百萬美元量級，引發了全球對「低成本高性能訓練路徑」的討論。在高階GPU受限的背景下，中國廠商普遍更重視模型壓縮、蒸餾和算力利用效率，在「以較少算力逼近前沿模型性能」的路線下逐步形成差異化優勢。 3.監管驅動下的「有證經營」模式－自《生成式人工智慧服務管理暫行辦法》實施以來，中國對面向公眾開放的生成式AI服務實施備案製，要求企業在模型安全、資料來源和內容治理方面進行自評和申報。截至2024年底、2025年初的備案數量和用戶規模顯示，這一模式在一定程度上形成了「統一監管門檻+多元商業探索」的格局：一方面壓實安全責任，另一方面也使得合規模型形成「准入壁壘」。（四）小結：美系“少而強”vs中系“多點開花”綜合來看，大模型鏈中中美的相對優勢可以概括為：美國——在「前沿模型數量+性能+投資強度」上仍然明顯領先；模型更多以閉源API、企業服務形態輸出，強調安全與對齊；少數頭部實驗室掌控了參數規模、評測標準和生態心智，形成技術與資本的雙重高地。中國在模型總數量、開源模型下載量、註冊服務數量以及C端用戶體積上佔據優勢；在算力受限背景下走出“低成本、高效率”的技術路線，湧現出一批以DeepSeek等為代表的高性價比模型；在監管框架下，透過備案和標準體系推動“有證經營”，逐步構建本土生態。一句話概括為，美國的大模型優勢更多體現在“少而強的前沿閉源模型+高資本密度”；中國則通過“數量優勢+開源與效率路線+大規模應用”，在大模型鏈上形成了另一種“多點開花”的競爭路徑。軟體應用鏈：從“試點計畫”到“生產系統重構”（一）產業結構與關鍵指標：高滲透率vs價值兌現分化軟體應用鏈主要承接大模型在組織與個人層面的落地，大致可分為三類：通用辦公室與生產力工具－辦公室套件、搜尋、程式碼助理、內容產生；產業應用－金融風控、行銷自動化、客服與營運、研發/設計、醫療與教育等；智慧體與工作流程重構－基於大模型的agent、自動化工作流程、決策支援系統。從全球視角來看，過去兩年這條鏈呈現出「採用率很高，價值兌現不均衡」的典型特徵。 1.採用率快速上升－AI Index報告指出：2024年全球78%的組織報告“已經在業務中使用AI”，而2023年這一比例為55%，一年內提升超過20pcts。麥肯錫2024年全球AI調查顯示，約65%的受訪企業已經在「定期使用」生成式AI，比例在10個月內幾乎翻倍；其中約40%的企業在兩個以上業務職能中部署了生成式AI。 2025年最新一版《State of AI》調查進一步指出，接近9成受訪企業表示“定期使用AI”，但在業務重構程度、效率提升與風險管理等指標上差異較大。 2.價值兌現與ROI仍顯分化——BCG 2024年報告給出的結論相對冷靜：約74%的企業尚未能從AI項目中獲得“可量化的經濟價值”，只有少數“AI領先者”實現了可觀收益。報告同時指出，這些領先者在過去三年內實現了約1.5倍的營收成長、1.6倍的股東回報和1.4倍的投入資本回報，體現出明顯的「強者恆強」效應。 Gartner對資料基礎的評估則更加悲觀：預計到2026年，缺乏「AI-ready data」的組織將放棄60%的AI項目，原因主要在於資料品質、治理與整合能力不足。整體來看，軟體應用鏈已經從「試點/PoC階段」進入「大規模部署+系統性重構但價值實現高度分化」的階段。（二）美國等已開發經濟體：知識工作流程與企業軟體“AI原生化”在美國及其他部分已開發經濟體，軟體應用鏈的主戰場主要在白領知識工作流程和企業軟體「AI原生化」上，典型特徵包括：1.「辦公室+編碼+銷售/客服」三大高頻場景－綜合AI Index、麥肯錫和多家產業報告的拆分，目前生成式AI在企業側最集中的應用包括：程式碼輔助與軟體開發（DevOps、測試自動化等）；客服與銷售（智慧客服、郵件產生、銷售線索管理）；辦公室自動化（文件起草、分析總結、會議記錄與行動項目產生）。這些場景的共同點在於：資料相對結構化、流程可標準化、易於透過API插入現有SaaS系統。 2.企業軟體「AI-first」策略－頭部辦公與企業軟體廠商（雲端辦公、CRM、ERP、DevOps平台等）普遍採用「AI-first」或「Copilot」式路線：將LLM能力封裝成“助手/共駕”，以插件或側邊欄形式嵌入原有產品；不改變企業現有系統的主幹架構，而是用AI對人機交互和知識檢索進行升級；收費模式往往是“在原有訂閱之上疊加AI附加費”，提高ARPU。 3.治理與合規成為關鍵約束－在隱私保護、資料跨境、安全責任認定以及員工技能再培訓方面，歐美企業普遍面臨更嚴格的監管與社會輿論審視，這在一定程度上放緩了高風險場景（如自動決策、敏感資料處理）下的全面落地。整體上，美國在軟體應用鏈上的優勢是：依托成熟的SaaS生態和高價值知識工作流程，把大模型快速嵌入已有企業軟體體系，實現對高收入群體和關鍵業務流程的「優先重構」。（三）中國：C端超級入口+B端工業智慧化與美國偏向知識工作場景不同，中國的軟體應用鏈更呈現出「C端超級入口+B端工業和政務場景」並重的特徵。 1.C端：生成式AI服務用戶規模全球領先－網信部門與權威媒體的統計顯示，截至2024年底，中國生成式AI服務註冊用戶已超過6億人，依託的是搜尋、短視頻、即時通訊和支付等超級入口。正式備案的生成式AI服務在2024年底達到302項，其中2024年新增238項；到2025年3月底，這一數字進一步上升到346項。這意味著，中國在C端呈現出「以平台型應用為載體的大規模試用與迭代」：透過搜尋、短視頻、社交、電商和支付等入口，把文本生成、圖像/視頻生成、對話助手、AI翻譯等能力大規模分發。 2.B端：製造業與基礎設施中的“隱性AI”，與部分已開發經濟體相比，中國在To B與To G領域的AI應用更偏製造業與基礎設施。媒體和研究報告顯示：在製造業領域，家電、鋼鐵、水泥等行業龍頭已在產線調度、品質檢測、設備預測性維護等環節部署“AI工廠大腦”，透過視覺檢測+機器人協同顯著降低人力需求。在港口、物流和能源系統中，以天津港等為代表的樞紐已在堆場調度、集卡路徑規劃和排班中引入AI系統，實現了接近「無人值守」的運作模式。這類應用往往不以「聊天機器人」的形式呈現，而是嵌入生產控制系統、MES、SCADA等底層軟體中，對應的是「隱性AI」：對終端用戶不可見，但對產能、能源效率和安全指標有實質影響。 3.產業規模與結構－應用層正在放大，多家機構測算顯示：到2024年，中國AI產業總規模已超過2,000億元人民幣，近幾年保持年均20%以上增速；工信部及研究機構預計，2029年產業規模可望突破1兆元，2035年可望達到1.7兆元，複合成長約15.6%，其中具身智慧、多模態系統和產業應用被視為主要成長點。從結構來看，基礎設施、模型平台和產業應用三個子類股2024年營收分別實現約54%、18%和13%的年成長，應用層雖起步較晚，但在整體規模中的佔比正逐步提升。（四）小結：應用層的「落地路徑」差異從軟體應用鍊看，中美之間的主要差異可以壓縮為三點：落地點不同－知識工作vs.工業與民生，美國等已開發經濟體的增量更多來自知識工作流程和企業軟體，強調提升白領生產力、重構辦公與開發工具；中國在此基礎上，更大力度押注於工業、基礎設施和公共服務，透過「隱性AI+顯性大模型應用」並行，製造業與城市升級與城市基礎設施升級。商業模式路徑不同——SaaS附加vs.平台內嵌，美國更側重於在成熟SaaS訂閱模式上疊加“AI加價包”，形成“單用戶價值提升”；中國則更多透過平台型應用（電商、支付、社交、短視頻、超級App）將大模型能力“內嵌”為基礎功能，通過閉環與廣告、金融、現流量服務與廣告、金融、現流服務與廣告、金融、現流服務與廣告、金融、現在治理節奏不同－自律框架vs.准入制與備案，美國在企業和行業層面更依賴企業自律與行業標準補充政府監管，強調創新與安全的平衡；中國則透過「備案+標準+專項治理」的組合方式對C端應用進行統一門檻管理，在一定程度上提高了合規成本，但也為本土企業提供了相對明確的政策預期。用一句話概括軟體應用鏈的格局：在應用層，美國依托成熟的企業軟體與知識工作流，把大模型變成「白領工位上的標配工具」；中國則依托超級平台和工業/政務場景，把大模型和AI嵌入龐大的C端流量和實體經濟系統。兩條路徑疊加起來，構成了「大國競爭」中軟體應用鏈的雙重樣態。2026年全球AI端側應用投資展望：人形機器人、智慧駕駛、AI手機、AI眼鏡、AI製藥與AI醫療診斷AI端側應用已從概念示範邁入商業化落地關鍵期，成為衡量AI產業鏈價值的核心指標。全球產業呈現「美國定標準、中國促進落地」的雙極格局－美國以科技原創與生態能力佔據高端話語權，中國依托供應鏈縱深與場景優勢快速追趕。 2026年將是端側AI走向業績兌現的拐點，人形機器人、智慧駕駛、AI手機、AI眼鏡、AI製藥、AI醫療診斷六大領域將迎來關鍵突破。本章節將聚焦這六大核心領域，從市場預期、中美產業格局、核心差距及未來催化因素四個構面展開分析，為2026年投資決策提供參考。（一）人形機器人：量產前夜，中美競速開啟市場預期：2026年量產關鍵驗證期，兆市藍圖浮現2026年將是人形機器人從原型機驗證邁向規模化量產的關鍵拐點。特斯拉的Optimus將在2026年開啟量產進程，中國頭部機器人企業2026年的訂單同樣呈現5~10倍的成長。高工機器人產業研究所口徑顯示，2026年全球人形機器人市場規模預計超過20億美元，並在2030年達到200億美元，對應複合成長78%，這意味著產業將進入接近指數級增長的爆發期。 2026年人形機器人成本下降與技術成熟將形成共振，推動產業實現真正意義上的量產，其長期全球潛在市場規模可望突破兆級。目前，人形機器人產業雖已就2026年實現量產達成共識，但在具體規模上卻存在明顯分歧，這直接構成了新一年的核心觀察焦點。海外投行對於量產規模的預測差距甚大，在1萬台~10萬台不等。這一落差根源在於市場對於技術成熟度與商業化節奏的假設不同，一部分觀點相信整機廠的產能擴張能迅速拉動產業鏈成熟，而謹慎的觀點則更加現實地考慮了核心零部件產能瓶頸以及機器人實際工作效率仍遠低於人類等硬約束。因此，2026年與其簡單稱為量產年，不如更精確地定義為驗證訂單與產能爬坡並行的年份。由特斯拉和國內領軍企業所釋放的實質訂單與穩定的出貨節奏，將成為判斷產業走向最具含金量的訊號。產業格局：美國技術引領，中國量產突圍當前全球人形機器人領域呈現出清晰的中美雙極格局。美國依託其深厚的技術積累，形成了硬體創新與平台賦能兩條發展主線，美國企業正在定義產業的技術標準與發展方向。同時，中國展在明確的產業政策引導下，本土企業正以驚人的速度推進產品迭代和產能建設，透過快速規模化搶佔市場，並在應用實踐中持續優化技術。隨著2026年量產節點的臨近，全球市場的競爭態勢與融合路徑將深刻重塑全球產業鏈。01 美國：研發驅動與雙軌生態並行美國在人形機器人領域的產業格局呈現出典型的研發驅動和巨頭引領特徵，其核心優勢在於完善的政策支援體系、深厚的技術累積以及成熟的產學研生態。在此背景下，美國形成了兩條平行的發展路徑：一是硬體本體廠商的技術深耕，二是科技巨頭的平台化賦能。在硬體本體層面，美國頭部企業憑藉著先發優勢和技術壁壘，佔據了產業制高點。特斯拉（Tesla）依託其在電動車領域累積的強大AI和視覺處理能力，將其FSD系統復用於Optimus人形機器人，實現了技術的快速遷移和迭代，目標是替代人類從事危險、重複或枯燥的工作。波士頓動力（Boston Dynamics）的Atlas機器人憑藉領先的液壓驅動技術和動態控制演算法，在高機動性、爆發力及複雜地形適應性方面處於全球頂尖水平，是技術探索的標竿。 Figure AI作為新興力量，透過與寶馬集團的合作，將其Figure 02機器人成功部署於實際生產線，驗證了其技術的商業化可行性，為該行業樹立了清晰的應用標竿。同時，一個更強大的技術賦能生態正在輝達、OpenAI等科技巨頭的推動下形成。與硬體製造商不同，它們從底層技術切入，建構了差異化的競爭路徑。輝達透過提供從硬體到軟體的全端解決方案，打造了一個開放協同的開發生態：開源Isaac GR00T基礎模型與Omniverse平台，降低研發門檻；提供從Jetson計算硬體到Newton物理引擎的軟硬體深度優化方案，奠定產業標準化基礎；並透過投資Figure AI等企業，建構緊密的產業地位，建立緊密的產業地位。本質上，輝達正將AI領域的技術優勢延伸至機器人產業，以底層基礎設施賦能整個產業。OpenAI則聚焦於提升機器人的認知與決策能力。利用GPT系列大模型賦予機器人更深度的語言理解、環境推理與自主決策能力；透過投資Figure AI、1X Technologies等公司，推動大模型與具身智能的融合；OpenAI採取的「大模型+投資賦能」路徑，旨在為機器人注入高階智能，攻克長期存在的決策瓶頸。這類技術賦能生態展現出獨特的競爭優勢，能夠高效整合資源、加速技術迭代、易於建構技術壁壘，並營造多方協同的產業環境。02 中國：全產業鏈配套與群聚式發展中國的產業格局則體現出鮮明的政策領航與全速產業化特徵。國家層級將具身智能提升至未來產業的戰略高度，2025年《政府工作報告》首次將其納入培育方向。工信部發布的《人形機器人創新發展指導意見》明確提出2025年實現整機批量生產的目標，為產業發展設定了清晰的時間表。地方政府迅速跟進，上海、重慶、杭州等地密集出台支持政策，例如上海張江為具身智慧產業提供單一項目最高可達億級的資金支持，大大激發了市場活力。截至目前，本土整機企業數超過百家，形成全球最密集的產業集聚，解決方案差異化突出，量產節奏加快，小批量交付與場景驗證持續推進。智元機器人計畫在2025年實現數千台年產量，並於2026年將目標提升至數萬台。優必選也制定了清晰的產能爬坡計劃，預計到2026年，其工業人形機器人年產能將達到5000台，2027年再翻一番至10000台。包括宇樹科技在內的多家國內頭部企業，均將2026年實現數萬台層級的量產規模作為核心策略目標。中國企業在快速推進量產的同時，也致力於建構自主可控的供應鏈。在靈巧手、觸覺感測器、輕量化材料等領域實現技術突破，並積極推動諧波減速器、無框力矩馬達等核心零件的國產化，產業生態正在快速形成。03 核心差異中國機器人產業與美國相比的差距並不反映在產業規模或落地速度上，而是集中存在於少數高價值、決定長期競爭力的關鍵環節。從整體格局來看，中國在機器人製造規模、供應鏈完整度以及應用落地速度方面已處於全球領先位置，而美國的優勢更多體現在底層技術原創、具身智能演算法、算力與生態控制力上。這種差距不是“全面落後”，而是一種結構性分工差異，也決定了兩國產業所處的價值鏈位置不同。在最核心的「智慧大腦」層面，中美差距最為明顯。美國機器人產業在具身智慧、強化學習和端到端控制框架上長期領先，強調讓機器人透過大模型與數據學習形成通用認知與決策能力，追求跨場景泛化與自我進化能力。特斯拉、Figure AI 等公司的技術路線，本質上是把自動駕駛中累積的感知、決策和控制能力遷移到人形機器人上，由演算法先行，再反向定義硬體能力邊界。相較之下，中國機器人更依賴工程驅動與任務導向的控制方式，強調場景拆解、規則設計和快速部署，在特定環境中效率很高，但在跨任務、跨場景的通用智慧層面仍然偏弱。這種差距不是短期產品能力的差異，而是對「機器人究竟該如何獲得智慧」這個核心問題的理解路徑不同。在算力和晶片層面，中美有明顯差距。美國不僅掌握高階AI晶片設計能力，也控制從硬體架構、軟體框架到開發生態的完整體系，使得機器人訓練和迭代效率具有天然優勢。算力資源的充裕直接決定了模型規模、訓練頻率和演算法演化速度，這在通用機器人時代尤其關鍵。中國雖然在專用晶片、邊緣運算和成本控制方面進步顯著，但在高階訓練晶片和生態相容性上仍受限制，這使得機器人在學習能力和長期進化速度上存在客觀差距。在系統級創新能力上，兩國也呈現明顯不同的產業氣質。美國更擅長從系統層面提出全新範式，透過少數突破性架構形成代際領先，而中國的優勢在於工程整合能力和規模化能力，能夠把已經驗證的技術快速優化、降本並推向大規模應用。這導緻美國機器人產品往往數量不多、價格高，但技術路線前瞻，而中國機器人產品更新快、型號多、成本低，更容易在真實商業場景中形成規模優勢。在關鍵零件領域，中美差距正在縮小，但在高階環節差距仍然存在。中國在伺服馬達、減速器、感測器等核心零件上的國產化率持續提升，中階性能已能滿足大部分工業和服務機器人需求，但在極高精度、長期可靠性和壽命穩定性方面，與日本和歐美頂級廠商仍有差距。不過，這一領域更多是時間與累積的問題，而非能力天花板，隨著規模化應用與持續迭代，差距正在快速壓縮。從全球價值鏈位置來看，美國機器人產業更多佔據高利潤、高話語權的上游環節，包括演算法、作業系統和事實標準的製訂，而中國則在中下游的製造、整合和應用端形成壓倒性規模優勢。這種結構與智慧型手機、新能源車等產業早期階段高度相似，中國往往先在規模和成本上取得領先，但在標準制定和生態主導權上相對被動。最長期、也是最難彌補的差距，體現在全球標準與生態影響。美國公司更容易形成被全球開發者、科學研究機構和資本接受的技術標準，從而在無形中鎖定未來演進方向。中國機器人企業的生態影響力目前仍以本土市場為主，出海更多依賴性價比和交付能力，而不是規則和平台的主導權。這一差距並不會在短期內消失，但一旦中國企業在具身智慧或系統架構上形成原創突破，生態格局也可能隨之重塑。綜合來看，中國機器人產業並不存在「做不出來」的問題，而真正的挑戰在於「誰來定義機器人未來的智慧形態和技術標準」。在未來三到五年內，中國很可能繼續在機器人量產、人形機器人落地和商業應用規模上保持領先，而更長期的競爭關鍵，則取決於中國是否能夠誕生具備全球影響力的底層平台型企業，在演算法、系統和標準層面真正進入美國的優勢區。2026年展望展望2026，市場的焦點將集中在幾個方面：一是標竿產品的技術高度，特斯拉Optimus Gen3的實際性能與小規模生產進展將成為行業技術標尺；二是中國產業化的速度，以宇樹、智元為代表的企業能否兌現其萬台級量產目標，將檢驗中國供應鏈的實力；三是商業落地的廣度，更多類似Figure在寶馬工廠的實際應用案例亟待，以驗證其經濟價值下降，以驗證其經濟價值的變化是零度的成本斜率下降。儘管中美兩國發展路徑各異，但整個產業共同面臨兩大根本挑戰：軟體與資料是目前最大瓶頸，高品質訓練資料的稀缺限制了演算法能力的提升；硬體自主可控則是另一大課題，以減速器為代表的核心零件，其效能、成本與供應穩定性仍是產業發展的關鍵。未來，隨著供應鏈成熟帶動成本下降、關鍵技術持續突破、以及應用場景從工業向服務業不斷拓寬，人形機器人產業有望迎來關鍵的商業化拐點，為智慧化未來開啟新的篇章。（二）自動駕駛：商業化奇點，Robotaxi規模落地市場預期：2026年開啟主流化，2030年規模達2,000億美元智慧駕駛市場正迎來高階功能滲透率的爆發期，L3級以上自動駕駛成為核心成長引擎。工銀國際預測，自2026年起，L3以上自動駕駛的滲透率將從5%的基數開始快速躍升。華為的展望更為積極，預計到2027年，L3級的滲透率可望突破20%。作為關鍵功能的自動導航輔助駕駛（NOA）已展現強勁成長勢頭，預計到2030年，L2及以上智駕功能的滲透率將全面超過90%。技術上，產業正全面轉向由數據驅動的端到端架構，大模型成為核心。以理想、元戎啟行為代表的VLA架構，以及華為ADS 4.0採用的WEWA架構，都致力於擺脫對複雜人工規則的依賴，透過海量資料驅動模型自學習、自進化。此外，高階智駕的普及離不開核心硬體的成本優化，其中光達是關鍵。其單顆成本已從早期的數萬元降至2025年的1,200元水平，為大規模前裝量產鋪平了道路。Robotaxi作為終極應用場景，其商業化正迎來成本轉折點。生成式模擬技術突破大幅降低測試成本，東西方協作帶來供應鏈成本下降，以及全球監理政策的漸進支持。領先企業將跨越技術驗證與小範圍測試，在更多城市部署無人化車隊，真正開啟出行服務的商業變現。預計到2026年，Robotaxi的單公里營運成本將下降至與傳統計程車相當，具備了與現有旅遊服務競爭的商業化基礎。產業格局：中美雙線並行，商業模式分化從整體格局來看，中美自動駕駛產業已經形成了高度分化但相互映射的雙中心結構。美國在自動駕駛領域長期佔據技術原創與範式定義的優勢地位，尤其是在演算法、晶片、基礎軟體和頂層技術路線選擇上擁有先發優勢；而中國則在應用落地、量產能力、場景豐富度以及產業鏈完整性方面迅速崛起，形成了全球規模最大的自動駕駛試驗與商業化土壤。在技​​術路線上，美國產業更強調「通用智慧優先」的路徑，以特斯拉和Waymo為代表，普遍採用端到端或高度整合的演算法體系，透過大規模真實道路資料訓練統一模型，追求在複雜環境中的泛化能力。特斯拉堅持純視覺路線，將自動駕駛視為通用人工智慧的一部分；Waymo則在多感測器融合基礎上，注重高安全冗餘與演算法可靠性，已率先實現L4級的無人駕駛商業化運作。相較之下，中國產業更偏向「場景驅動、工程優先」的路徑，車企與科技公司多從L2+、L2++漸進式向高階智慧駕駛演進，借助複雜交通環境加速系統成熟。比亞迪、華為、小鵬等企業透過將高階智駕下放到中階車型，推動了技術快速普及。 2024年中國乘用車中具備自動駕駛能力的車型滲透率已超過50%，預計2025年將進一步提升至約65%。商業化路徑上，美國以Robotaxi和無人駕駛服務為核心，Waymo、Cruise等企業圍繞城市級無人運營展開，推進節奏謹慎而路徑清晰；中國則採用多線並進模式，一方面以Robotaxi作為L4技術試驗場，如百度Apollo Go已在多城規模化運營，另一方面透過量產乘用車推動高階智駕快速落地，使自動駕駛成為產品競爭力的重要組成部分，形成真實的商業閉環與數據反哺。從產業鏈結構觀察，美國在晶片、作業系統、核心演算法及軟體工具鏈等高價值環節優勢明顯，輝達、高通、Google、特斯拉等企業在算力平台與生態建構上掌握主導權；中國則在感測器整合、整車製造、供應鏈協同與成本控制方面表現突出，能夠將新功能迅速推向大規模市場。政策環境上，美國透過判例與監管框架逐步明確責任邊界，更注重安全與法律可解釋性；中國則依托政策試點與地方支持，形成「先試行、再推廣、邊跑邊改」的模式，顯著加快了技術迭代與商業驗證速度。2026年展望2026年，自動駕駛產業的核心看點將從技術演示轉向商業化營運數據的驗證。市場焦點不再侷限於技術參數比拼，而是深入至車隊規模擴張速度、日均訂單量、單位里程成本控制及獲利能力等實際營運指標。特斯拉Cyber​​cab的量產成本、Waymo的跨城市營運效率、文遠知行的無人化營運安全數據等，都將成為檢驗商業模式可行性的關鍵試金石。同時，法規演進仍是影響產業發展的關鍵變量，特別是完全無人駕駛事故責任認定法律框架的明確化，將直接左右資本投入與市場信心。若中美兩國能在2026年推出更清晰的監管政策，將為產業突破提供重要支撐，加速Robotaxi從試驗走向普及。（三）AI手機：範式初現，靜待花開市場預期：滲透率即將達到關鍵節點AI手機正從概念導入期邁向規模化普及階段。根據Canalys的預測，全球AI手機出貨量佔比將在2026年達到45%的關鍵滲透率節點，並於2029年佔據57%的市場。這一趨勢清晰表明，AI功能正從高階旗艦的專屬賣點，向全系標配快速演變。聚焦中國市場，IDC預計到2027年，新一代AI手機的出貨量將達到1.5億台，市佔率超過50%，領先全球平均。產業格局：蘋果生態築牆，中國安卓陣營差異化突圍目前，全球主流AI手機廠商在技術佈局上呈現出清晰的共通性與差異。共通性在於，各方均致力於將AI能力從應用層下沉至作業系統層，透過軟硬體協同優化，提升AI運算效率與使用者體驗。硬體層面，具備強大NPU算力的SoC晶片、大容量高頻寬記憶體（LPDDR5X）已成為高階機型的標準配置。然而，在生態路徑和商業模式演進上差異顯著。美國AI手機產業格局由蘋果絕對主導。蘋果透過Apple Intelligence將AI能力與自研晶片（A系列/M系列）、作業系統（iOS/macOS）和硬體終端深度綁定，建構「硬體-軟體-服務」整合的封閉護城河。這種模式提供了高度一致、流暢且安全的跨裝置體驗，形成了強大的使用者黏性。 Apple Intelligence的技術精髓在於其本地AI+私有雲運算的混合架構，旨在平衡強大的AI功能與極致的用戶隱私保護。其核心功能包括多模態能力（文字、圖像生成）、智慧寫作、優先通知、跨應用操作和增強版Siri。同時，蘋果的AI策略突顯隱私保護，大部分AI任務利用設備端強大的自研晶片進行本地處理。對於需要更強算力的複雜請求，系統會將其傳送至專門建置的私有雲處理。蘋果的封閉生態策略以隱私和跨裝置無縫體驗為核心，透過Apple Intelligence強化其高階市場定位和使用者黏性。中國市場則呈現百花齊放的多元化格局，並分化出兩條路徑：一是以華為、小米為代表的手機廠商，依托自研大模型和操作系統，構建軟硬一體化的全場景生態；二是以字節跳動（豆包）與中興合作為代表的互聯網技術與硬體技術公司，通過“AI技術賦能+硬體合作模式，解耦能碼與硬體技術公司，通過“AI技術賦能+硬體合作”模式，解耦能碼與硬體的新設施。以vivo、華為、小米為首的手機廠商，發揮深度綁定軟硬一體優勢，基於自身優勢探索差異化路徑。華為憑藉Harmony Intelligence建構全場景協同能力，鞏固其在多設備用戶中的優勢；小米則透過「人車家全生態」策略，利用其龐大的IoT設備基礎，主打萬物互聯的用戶心智；vivo則持續深耕AI影​​像，吸引對攝影有專業需求的用戶群。這種多元化競爭格局，使得安卓陣營在滿足細分市場需求和快速迭代方面具備優勢，但也面臨生態碎片化的長期挑戰中國廠商普遍採取靈活策略，透過模型精簡優化技術，加速AI手機向大眾市場的滲透。以字節跳動為代表的網路科技公司，也正透過與硬體廠商合作的模式切入市場，與手機廠商自主研發路徑形成互補。字節跳動旗下豆包與中興努比亞達成首個OS級合作，推出搭載豆包AI手機助手的nubia M153工程樣機。該合作打破了傳統預裝模式，實現了AI與作業系統的深度整合，由字節跳動提供核心AI大模型，中興負責硬體。豆包AI手機助理具備跨應用執行、複雜步驟規劃及情境記憶能力，支援多模態喚醒，並可透過模擬點擊完成操作。其功能涵蓋多平台比價、一站式旅行規劃等，展現了互聯網科技公司與手機廠商合作，透過能力解耦實現技術優勢互補的新典範。2026年展望真正的AI手機，必須是系統深度整合且體驗優秀的新一代產品。目前發展的核心瓶頸並非硬體能力，而是軟體層面尚未出現真正實現深度整合、賦予AI系統級權限的成熟作業系統。這意味著，AI手機需要的不是功能疊加，而是一個能從根本上理解並執行使用者複雜意圖的「智慧大腦」。 AI手機系統級深度整合的終極目標是重構人機互動範式，推動手機從「應用驅動」向「意圖驅動」的智能體（Agent）演進。展望2026年，競爭的關鍵將不再是AI功能的堆砌，而是誰能率先打造出真正懂用戶、能執行複雜任務的系統級智能體，這將徹底改變消費者的使用習慣，並重塑AI手機的商業模式。隨著AI手機普及與體驗升級的關鍵轉折點，投資脈絡也日益清晰，或將帶動大規模換機需求，為整個產業鏈創造顯著的增量空間。 AI手機市場的投資機會關鍵在於掌握三大趨勢。首先，硬體升級是確定性主線，AI對算力、儲存的需求將持續拉動SoC晶片、高頻寬記憶體（LPDDR）和快閃記憶體（NAND） 的需求。其次，商業模式正從硬體銷售轉向「基礎免費+高級訂閱」的軟體服務，AI應用商店和垂類模型優化商具備高成長潛力。最後，擁有深厚用戶基礎、能建構開放生態的平台廠商將掌握定義體驗的主動權，應專注於具備生態建構能力和在關鍵零件領域實現技術突破的廠商。（四）AI眼鏡：從0到1突破，開啟千萬級出貨時代市場預期：2026年邁入千萬級體量，年複合成長率超50%全球AI眼鏡賽道將在2026年迎來從前沿概念到規模化放量的關鍵爆發期，多家權威機構的預測數據形成高度共識，指向千萬級出貨量和百億級美元市場規模。IDC 10月發布的報告預計，2026年全球AI眼鏡出貨量將突破2368.7萬台，較2025年的350萬台實現跨越式增長，標誌著市場正式邁入千萬級體量。中國市場的成長同樣強勁。高盛預計2025年中國AI眼鏡市場將迎來爆發，出貨量預計從2024年的數十萬級躍升至百萬級，全球市場則向千萬級邁進IDC預測到2026年，中國廠商的AI眼鏡出貨量將佔據全球市場的45%，成為全球核心供應方。這項成長不僅來自消費級市場，工業、醫療等產業應用的規模化落地也將提供重要支撐，2025年國內已出現多起百萬級產業訂單，驗證了AI眼鏡在特定場景的實用價值。產業格局：美國定義產品，中國主導製造與放量從整體格局來看，中美AI 眼鏡產業已經形成了非常清晰的分工結構。美國主導的是產品定義、底層AI 能力與全球消費級標桿，中國主導的是供應鏈、產品形態快速迭代、規模化落地速度。在美國市場，AI 眼鏡的核心推動者是少數頭部科技公司，產品路徑相對集中且克制。以Meta為代表的RayBan Meta智慧眼鏡，是目前全球範圍內唯一實現規模化銷量的AI眼鏡產品，其成功並不依賴顯示或AR，而是聚焦拍攝、音頻與語音AI助理的「無顯示」輕量化路線。 Meta的優勢在於模型能力、系統級AI體驗和全球社交生態，透過語音互動、即時拍攝、內容總結等功能，把AI眼鏡定義為“始終在線的隨身AI入口”，而不是AR設備。谷歌與蘋果在美國的角色更偏向下一階段的定義者，Google已明確計畫在2026年推出AI驅動的智慧眼鏡，強調多模態AI與Android生態協同；蘋果則保持一貫的審慎節奏，更關注隱私、系統級體驗與Vision系列的協同，而非快速鋪量。與美國相比，中國AI眼鏡市場呈現出完全不同的景象，大量廠商同時入場快速試錯，形成百鏡大戰的格局。網路公司、手機廠商、AR新創公司、汽車廠商幾乎同時參與，使得中國成為全球AI眼鏡產品形態最豐富、迭代最快的市場。阿里夸克、小米、華為、百度、理想，以及雷鳥、Rokid、INMO等AR廠商，均已推出或正在密集迭代AI 眼鏡產品，覆蓋拍攝型、音頻型、AI+AR 融合型等多種路線。在技​​術路徑上，中美分歧同樣明顯。美國更強調“AI 能力優先、硬體極簡”，主流產品刻意壓制顯示模組，以降低功耗和佩戴負擔，把AI 眼鏡當作語音與感知的延伸終端。中國廠商則更激進，往往在同一代產品中同時嘗試AI 拍攝、即時翻譯、資訊提示、輕量顯示等多種功能，那怕犧牲部分續航和佩戴舒適度，也希望盡快探索出新的「殺手級場景」。這使得中國在產品創新速度和功能豐富度上明顯領先，但在體驗穩定性和系統成熟度上仍參差不齊。產業鏈角度來看，中國在AI眼鏡上的優勢更加明顯。光學模組、攝影機、音訊元件、電池、整機製造幾乎全部集中在中國，這使得中國廠商能夠快速壓低成本、快速改版、快速鋪貨。美國廠商即便在產品定義上領先，也高度依賴中國供應鏈完成量產。正因如此，全球AI 眼鏡出貨量的快速成長，很大一部分實際上是由中國製造體系所支撐的，而中國市場本身也正在成為全球成長最快的需求來源。商業化階段上，美國已經跑出了確定性路徑，而中國仍處於密集探索期。RayBan Meta 已經驗證了無顯示AI 眼鏡在真實消費者中的可行性，並貢獻了當前全球AI 眼鏡銷量的絕大部分，這使美國在產品正確性上領先一步。中國雖然產品眾多，但真正形成全國性、持續性銷售爆發的單一型號仍然有限，更依賴通路鋪設、生態綁定和價格優勢推動出貨。這也意味著，中國市場短期內仍將經歷一輪淘汰與收斂。綜合來看，中美AI 眼鏡格局的本質差異在於定位不同。美國把AI 眼鏡當作下一代運算平台的入口級設備，強調長期用戶習慣、生態綁定與系統體驗；中國則更像是在把AI 眼鏡當作一個高速演進的新硬體品類，透過規模、場景和供應鏈優勢，尋找最先跑通的商業模式。短期內，美國在產品定義和全球影響力上仍佔優勢，而中國在出貨量成長、產品多樣性和成本控制上更具爆發力。真正的分水嶺，將出現在誰能率先把AI 眼鏡變成日常剛需，而不是技術展示品。2026年展望2026年將是AI眼鏡從早期嚐鮮走向規模化普及的關鍵一年。其發展將主要取決於兩大驅動力：持續深入的消費者市場教育，以及以Meta、蘋果、Rokid、雷鳥創新為代表的中美龍頭企業的產品放量與生態建構。消費者的認知與接受度，將直接決定市場滲透的速度；而頭部廠商能否推出兼具實用性與性價比的爆款產品，則是產業跨越鴻溝、實現放量的核心。然而在邁向普及的過程中AI眼鏡也面臨挑戰：1) 技術升級：當前產品在續航、重量、顯示效果與交互自然度上仍有不足，若下一代產品未能顯著改善，將影響大眾接受度。 2) 內容體驗：殺手級應用缺失、各系統間生態封閉可能導致使用者體驗割裂，限制設備使用頻率與價值。 3) 成本與競爭風險：供應鏈降本速度若不及預期，將延緩普及進程。 4）隱私與監理風險：作為全天候配戴的感知設備，資料安全與使用者隱私保護將面臨嚴格檢視，相關法規的演變可能影響產品功能設計與市場推廣。（五）AI製藥：逆轉Eroom定律的希望，臨床轉化迎來考驗市場預期全球AI製藥市場近年快速擴大，中國市場起步略晚但成長速度明顯更快。Global Market Insights在2025年發布的報告顯示，全球AI製藥市場在2024年的規模約為36億美元，預計2025年將增至約46億美元，並在2034年達到約495億美元，對應2025年至2034年年均複合增長率約30%。隨著AI深度賦能藥物研發，市場預期2030年前後全球相關產業規模可望邁入數百億美元量級，AI製藥將從早期試點走向產業化放量階段。 2019年至2024年中國AI驅動藥物市場規模從0.7億元成長至7.3億元，年均複合成長率約57.4%。在國家政策支持和技術進步的共同推動下，未來五年中國AI製藥市場預計將維持接近70%的年均成長速度，市場規模到2028年達到約58.6億元，國內市場空間加速擴張。AI相關計畫和基礎科學突破正在成為推動製藥產業深度變革的關鍵力量。2010年全球AI介入的新藥研發項目數量不足10個，而2021年已增至158個。 2022年底，全球已有約80個由AI參與研發的藥物管線進入臨床階段，其中41個處於Ⅰ期，接近30個處於Ⅱ期。 AlphaFold等里程碑式技術突破推動AI深入生物醫學領域，2020年發布的AlphaFold2解決了蛋白質結構預測這一長期難題，為大分子藥物設計提供了新的技術路徑。 2024年發表的AlphaFold3進一步將預測對象擴展到蛋白質與核酸及小分子配體等複合體相互作用結構，使結構生物學資訊更直接服務於藥物標靶結合與先導優化。整體來看，未來幾年AI可望席捲製藥全鏈條，從標靶發現到臨床試驗各環節實現顯著提速降本，市場規模和產業影響力都有望倍增。產業格局美中兩國在AI製藥領域形成此消彼長的競爭格局，美國在原始創新和商業模式成熟度方面仍佔上風，中國依托龐大市場和醫療數據正在加速追趕並形成後發優勢。整體來看，美國憑藉起步更早、產學研體系完備以及跨國藥企與AI新創公司深度合作，在演算法、藥物化學和臨床轉化上更成熟；中國在政策扶持、資本投入和專利佈局的推動下，正通過平台化+管線化路徑快速補齊短板，未來在部分細分方向存在實現超車的可能，但短期內繼續超越高階藥物差距。美國在AI製藥上的優勢主要體現在創新生態和商業轉化環節。 2010年代起，Recursion、Exscientia、BenevolentAI等科技新創公司逐步崛起並成功登陸資本市場，多家大型製藥企業主動式佈局AI，與上述公司建立了穩定合作關係，全球已有超過800家知名藥廠以不同方式參與AI製藥專案。依托這一生態，美國在分子生成與篩選演算法、小分子和大分子設計能力以及臨床試驗設計和數據整合上積累深厚經驗，商業模式以專利授權、合作研發和里程碑分成為主，形成「AI初創+製藥巨頭」雙輪驅動的格局，在原始創新和全球業務拓展方面明顯領先。中國在AI賦能新藥研發上起步較晚，但近年來受惠於政策支持與資本投入，追趕速度非常快。國內已出現近百家相關企業，既包括晶泰科技、英矽智能等專注AI的新藥公司，也包括恆瑞醫藥、石藥集團等傳統藥企透過股權投資和聯合研發引入AI能力，依托臨床資源和本土需求推動創新藥從「Me-too」「Fast Follow」轉型為「First-in-class」。中國企業普遍採用「平台+管線」模式，一方提供藥廠AI演算法、算力和工具服務，另一方面自建或共建創新管線以增強自身議價能力和估值彈性。在這種路徑下，中國憑藉政府支持、海量醫療數據和快速試錯環境，在應用落地和成本效率上具有優勢，有機會在特定靶點、特定適應症或新型分子類型上形成差異化競爭，但在基礎研究積累、全球註冊經驗和高價值原創管線數量上仍明顯落後於美國。核心驅動與挑戰AI賦能製藥的核心驅動力在於大幅提升研發效率和成功率，進而緩解新藥研發投入高和周期長的結構性痛點。製藥領域長期存在倒摩爾定律（Eroom定律），即研發成本約每9年翻倍，新藥開發平均耗資高達20億美元到30億美元，耗時往往超過10年。人工智慧和機器學習結合大數據分析可望逆轉這一趨勢，加速早期研發決策。已有統計顯示，應用AI可將藥物發現周期縮短約40%，將臨床試驗時間縮短50%到60%，將新藥臨床成功率從12%提高到約14%。尤其在標靶挖掘和先導化合物優化等環節，演算法能夠更全面地搜尋化學空間並預測生物活性，取代大量人工反覆試誤。各國監管政策也逐步為AI開路，美國FDA和中國NMPA已經多次釋放支持利用AI提升研發效率的訊號，其中FDA針對AI演算法用於藥物設計和臨床試驗給予指導原則，提質增效和政策利多共同推動AI製藥從概念階段走向實際應用。AI賦能製藥在快速推進的同時也面臨一系列挑戰和瓶頸。高品質生物醫藥資料取得難度較大，產業存在資料孤島現象，關鍵實驗資料往往集中在少數大型藥企且對外保密，限制了AI模型的訓練與驗證。 AI演算法對藥物作用機理的解釋能力有限，監管部門和科學研究人員對黑箱決策仍有顧慮，新藥研發關乎安全性，需要更嚴謹的驗證機制。目前AI發現的候選藥物在實際成功率上尚未出現決定性突破，截至2025年仍然沒有任何由AI設計的新藥完成3期臨床或獲得上市批准，一些AI製藥公司在臨床階段遇到挫折後被迫調整戰略，市場仍在等待可以真正驗證AI價值的標誌性新藥。跨學科人才缺口和投入成本高企也在一定程度上限制了AI在醫藥領域的大規模應用。整體來看，技術進步與現實約束並存，AI正以前所未有的速度重塑製藥流程，但要實現2026年前後較為樂觀的預期，仍需在數據獲取、監管框架和臨床轉化等方面持續攻關，確保AI工具在嚴謹的科學體系中經受充分檢驗。2026年展望面向2026 年，AI 製藥可望進入由個案驗證走向體系化落地的關鍵階段。預計到2026 年，全球將有更多由AI 參與發現或優化的候選藥物進入Ⅱ 期甚至Ⅲ 期臨床試驗，部分計畫有望公佈中期結果，為市場提供更具說服力的臨床證據。若能出現一批在安全性和有效性上表現優於傳統同類藥物的品種，AI 對製藥成功率的邊際貢獻將更充分認可。在監管層面，FDA 與NMPA 預計會進一步完善針對AI 輔助藥物研發的技術指南，例如對虛擬篩選、體外模擬實驗和數位孿生模型提出更清晰的合規要求，為企業使用AI 工具提供更明確的操作空間。2026 年中國AI 製藥生態可望在平台成熟度和專案廣度上同步提升。國內AI 製藥公司預計將與更多創新藥廠和跨國藥廠建立聯合研發關係，形成以共建管線和里程碑分成為核心的合作模式。本土大型藥廠也將更有系統地將AI 融入研發流程，從先導化合物篩選延伸到臨床試驗設計和真實世界證據分析。隨著中國創新藥在全球註冊進程中的推進，部分由中國團隊主導、引入AI 技術的候選藥物預計將在境外重要市場啟動臨床試驗，為本土AI 製藥積累國際經驗。整體而言，2026 年可望成為檢驗AI 製藥價值和中美差距變化的關鍵觀察點，成功案例與失敗教訓都將對後續產業路徑產生深遠影響。（六）AI醫療診斷：多模態賦能臨床，邁向體系化落地階段市場預期醫療診斷領域正在掀起新一輪人工智慧浪潮，全球市場規模維持快速成長且前景看好。 Precedence Research測算，2024年全球醫療診斷人工智慧市場規模達到約13億美元，並在2034年增至約145億美元，10年複合成長率約27.4%。成長動力主要來自醫療體系對快速精準診斷的迫切需求，以及慢性病高發和人口老化帶來的龐大疾病負擔，這些結構性因素共同催生出更有效率和智慧的診斷解決方案，推動資本和產業持續加碼這條賽道。中國醫療人工智慧診斷市場同樣呈現爆發式成長態勢，體量和成長速度在全球都具有代表性。2024年中國人工智慧醫學影像市場規模約39億元，預計2025年將大幅升至57億元，2026年進一步成長到約88億元；疊加「健康中國2030」及「新一代人工智慧發展規劃」等政策利多，各地試點計畫正在陸續落地，人工智慧輔助診斷預計在2027年前後帶動中國醫療人工智慧整體市場突破100億元人民幣，從局部試點走向全國範圍的規模化應用，為全球醫療診斷AI市場貢獻越來越重要的增量。產業格局美國在AI醫療診斷產業上佔據先發主導地位，已經形成從基礎研究到臨床應用的完整生態。美國產業生態較為完善，既有Google、IBM、微軟等科技巨頭長期深耕醫療AI基礎研發，也有GE醫療、西門子醫療等傳統醫療設備企業全面整合AI技術。此外，大批專業化醫療AI公司在美國湧現，例如卒中診斷領域的Viz.ai、病理AI領域的PathAI、醫學影像領域的Zebra Medical等，形成了豐富的創新集群和多樣化商業模式。美國監管體系較為成熟，也為產業發展提供了穩定環境，2015 年FDA 僅核准6 款AI 醫療設備，而到2024 年底數字已突破1,000 款。根據FDA 最新公開清單及第三方統計，截至2025 年5 月底已共有1247 款AI 驅動醫療設備獲得FDA 授權，雙邊政策研究機構BPC 進一步估算，截至2025 年7 月已超過1250 款，顯示美國在AI 醫療器材臨床轉換上的顯著領先優勢。中國在AI醫療診斷領域以後來居上的姿態加速追趕，依托龐大的醫療需求和數位轉型浪潮持續釋放潛力。眾多中國醫療AI公司迅速崛起，尤其在醫學影像輔助診斷領域成果突出，代表企業包括專注眼底影像AI並於2021年在港交所上市的鷹瞳科技，被市場稱為中國醫療AI第一股，以及在肺部CT智能診斷領域已向科創板遞交招股書的推想醫療和專注心血管影像的科亞醫療等。此外，平安好醫師、好大夫線上等網路醫療平台也開發了智慧問診和診斷系統，將AI用於分診和疾病風險篩檢。中國監管部門積極回應創新步伐，自2018年以來已有多款AI醫療軟體取得第三類醫療器材註冊證。國家藥監局在2025年11月公開答覆中揭露，已累計核准超過110款基於深度學習的第三類AI醫療器材獨立軟體產品，AI醫療器材從試驗走向常態化應用。隨著審批提速，一批AI影像產品例如胸部CT結節檢測和DR糖尿病視網膜病變篩檢系統已經在全國數百家醫院落地應用，AI閱片功能在放射科逐步普及。一些地方衛生系統也將AI輔助診斷納入基層醫療，用於提升鄉村和社區醫生的診斷水平，中國模式在政府引導、試點示範和公立醫院深度參與方面表現出鮮明特色。中美在AI醫療診斷領域的競爭與合作格局正逐步成型，整體來看各自優勢與短板都十分清晰。美國在核心演算法研發、產品成熟度和國際市場份額等方面目前仍領先中國，這一優勢來自長周期科研累積、產業資本投入和完善的標準體系。中國正在發揮數據體量和應用場景優勢，在政策扶持和數位基礎設施完善的背景下，預計在影像輔助診斷和智慧問診等具體場景實現局部超越，例如在眼科和胸部疾病早篩領域，中國AI產品已經在大規模人群篩檢中展現出較高的實用價值。未來誰能在這領域取得更大話語權，將取決於持續的技術突破、監管體系對創新的適配程度以及商業模式的成熟度。可以預見，美中兩國企業將在全球市場同台競爭，同時也會在部分領域透過合作與數據共享推動AI診斷技術更快走向成熟，為全球患者提供更高品質的診斷服務。核心驅動與挑戰未來AI在醫療診斷領域將邁向智能水平更高和融合程度更深的新階段。第一個重要趨勢是大模型技術在醫療場景中的加速應用，隨著通用人工智慧的進步，各國科技公司紛紛研發面向醫療的超大規模預訓練模型。中國在這方向上動作頻繁，2023年被不少機構稱為醫療大模型元年，平安、百度、阿里巴巴等企業先後推出醫療版大語言模型，用於輔助問診和診斷決策支援。億歐智庫預測，2025年中國醫療大模型市場規模可望接近20億元，並以超過140%的年平均成長率擴張，到2028年形成數百億元的新興市場。這類醫療智能助理預計在2024年至2026年逐步進入臨床實踐，例如協助醫生書寫病歷、解讀檢驗結果，並在安全可控前提下根據患者主訴提出初步鑑別診斷建議。第二個趨勢是多模態AI診斷技術的快速發展，未來的AI不再局限於讀取單一醫學影像或數據類型，而是綜合分析影像、病理、基因組和電子病歷等多源數據，提供更全面和精準的診斷支持。例如，透過融合放射影像和病理影像，AI可以提高對腫瘤早期識別和分型的準確率，結合基因資訊和臨床數據則有助於預測患者對特定治療方案的反應。中美研究團隊已經在這一方向上進行探索，預計到2026年將出現多模態診斷AI的標誌性成果並開始商業化落地。AI診斷效能和醫療效率將出現顯著提升，這一趨勢已在多項臨床研究和真實世界試點中得到初步驗證。近年來大量研究表明，AI與醫生協同工作可以顯著提高診斷準確率和工作效率，例如史丹佛大學的一項實驗顯示，在醫生參考AI建議後，綜合診斷準確率提升了約10個百分點。國內有三甲醫院在乳癌篩檢中引入影像AI系統後，將早期篩檢準確率從82%提高到94%，漏診率從12%降至3%。隨著演算法模型持續迭代和算力條件不斷改善，預計到2026年前後，主流AI診斷產品在準確率和敏感度方面將進一步逼近甚至在部分標準化程度較高的場景中超越有經驗的專科醫生。例如在眼底影像和皮膚疾病影像辨識等領域，AI可望承擔大規模初篩工作，醫師更負責結果覆核、複雜病例判斷和最終決策，從而形成更有效率的人機協同診斷流程。產業監管和臨床認可度的提高將成為AI診斷從局部試點走向大規模應用的重要前提。目前AI診斷的一個現實挑戰是部分醫護人員對自動化工具仍然持保留態度，不少臨床醫師對AI給出的診斷結論缺乏充分信任，需要更多臨床證據和明確的責任邊界。隨著更多前瞻性臨床試驗數據和真實世界研究結果發布，以及針對AI診斷演算法的品質控制標準陸續出台，醫護人員對AI工具的接受度有望明顯提升。例如，美國放射科醫師學會已經啟動以影像AI為導向的驗證平台，用於系統性評估不同演算法的安全性和有效性。中國國家藥品監督管理局也在2024年提出要求醫療AI產品在說明文件中清晰標註演算法性質與診斷結論用途，為臨床使用提供明確邊界。到2026年，AI診斷可望在若干高價值應用場景中被納入臨床指引或健保報銷試點，從制度層面推動其走向常規化使用。綜合來看，未來2年至3年將是醫療AI從輔助工具走向關鍵生產力的窗口期，大模型驅動的智能問診、跨模態融合的精準診斷以及更加成熟的行業規範都將成為值得重點關注的亮點。同時仍需正視資料隱私保護、安全與倫理治理等挑戰，產業各方與監管部門需要協同推進，確保技術演進始終服從於提升醫療品質與病患福祉這一根本目標。2026年展望面向2026 年，醫療診斷AI 可望從單點技術驗證階段進入系統性落地和規模化擴張階段。影像AI 產品在三級醫院的滲透率預計將進一步提升，並向區域醫療中心和基層醫療機構下沉，胸部CT 結節篩檢、腦中風急診影像識別和糖尿病視網膜病變篩檢等場景有望成為首批實現常規化使用的應用領域。多模態診斷系統有望在腫瘤和複雜疑難疾病領域率先實現商業部署，為醫生提供跨影像、病理和基因的綜合決策支援。若相關項目能夠在真實世界數據中證明對減少漏診、縮短住院時間和降低總體成本具有顯著作用，醫療機構和支付方對AI 診斷的接受度將顯著提高。2026 年中國醫療診斷AI 生態可望在示範計畫和政策配對上取得實質進展，進一步鞏固在應用場景落地的優勢。預計到2026 年，中國將形成若干具有全國示範意義的智慧醫院和區域影像中心，這些項目將在影像閱片、病理診斷、檢驗分析和隨訪管理等多個環節全面嵌入AI 工具。部分省市可能推動將AI 輔助診斷納入按病種付費或按人頭付費系統的試點，以探索透過技術手段提升效率和控費的路徑。若相關政策順利推進，醫療診斷AI 在中國的商業模式將逐步從一次性設備和軟體銷售轉向以服務為核心的長期合作模式，為產業鏈上下游帶來更穩定的收入預期。整體來看，2026 年將成為醫療診斷AI 在中美兩國從關鍵應用走向體系化建設的重要節點，技術成熟度、政策環境和支付機制的協同演進將決定這一領域能否真正邁入永續發展階段。總結（一）結論整體來看，大國競爭下的AI浪潮正在形成技術高地與產業廣度並存的雙中心結構，投資主線逐漸收斂到算力、電力、端側硬體和高價值應用場景四個方向。美國在高階晶片、大模型與基礎軟體等技術高地上維持領先，並透過雲端平台和訂閱模式加速商業化落地。中國在電力成本、資料中心建置、製造能力和場景豐富度上形成規模優勢，透過效率路線和工程能力縮小與技術高地之間的效能差距。端側硬體和產業組織模式呈現美國負責產品定義和標準輸出、中國負責規模化製造和降本增效的格局，人形機器人、智慧駕駛、AI手機和AI眼鏡等領域的分工已經比較清晰。醫藥和醫療服務開始成為AI賦能的重要落地方向，從藥物發現、影像診斷到院內營運管理都有望受益於算力成本下行和演算法迭代。中長期看，更有潛力的資產往往同時具備技術護城河、供給約束和產業協同三類優勢，並能在中美競爭的框架下持續獲得資源和需求的雙重支撐。美股科技在各個維度已跨越從0到1的初始階段，從能源到端側發展主要聚焦於優化與探索期。（二）標的配置方向在可選標的層面，可以按照電力基礎設施、美股算力與平台、美股與全球機器人及端側硬件、A股算力與硬體鏈以及醫藥與AI結合標的五個方向進行梳理，以下羅列部分代表性個股與ETF以供跟踪參考。電力基礎設施A股與美股的電力設備龍頭及發電側新技術領導者：思源電氣(002028.SZ)：高壓電力設備出海核心標的。金盤科技(688676.SH)：深耕乾式變壓器，提供北美資料中心中壓變壓器及SST（固態變壓器），已取得相關訂單。伊戈爾(002922.SZ)：資料中心移相變壓器（巴拿馬電源核心零件）供應商，已切入海外頭部客戶供應鏈。陽光電源(300274.SZ)：全球儲能係統龍頭，海外出貨佔比高。阿特斯(688472.SH / CSIQ.O)：北美大儲市場的重要參與者，美國出貨佔比高。西門子能源(ENR.DF)：全球電力設備龍頭，在燃氣渦輪機、電網技術等領域優勢顯著，訂單可見度高。伊頓(ETN.N)：全球電氣化巨頭，受惠於電網現代化、資料中心配電需求。通用電氣(GEV.N)：燃氣渦輪機主要製造商之一，訂單高速成長。Vertiv (VRT.N)：資料中心關鍵基礎設施（供電、溫控）全球領導者。Bloom Energy (BE.N)：固態氧化物燃料電池（SOFC）的全球龍頭，已獲得甲骨文等資料中心訂單，直接受惠於資料中心備用/分散式電源需求。Oklo (OKLO.N)：小型模組化核反應器（SMR）的先驅。全球基礎設施/清潔能源ETF：例如iShares Global Infrastructure ETF (IGF)、Invesco Global Clean Energy ETF (PBD)，其中包含多家全球電力設備及新能源營運商。美國工業ETF：例如Industrial Select Sector SPDR Fund (XLI)，涵蓋通用電氣、伊頓等工業及電氣巨頭。美股算力與平台標的美股算力與平台方向主要包括全球級晶片龍頭及雲端平台公司。輝達（NVDA.US）是目前AI訓練和推理GPU的核心供應商，資料中心業務收入佔比已成為公司營收的重要來源之一。超微半導體（AMD.US）在通用GPU和CPU領域形成差異化競爭格局，在AI訓練和推理伺服器中持續提高市場份額。博通（AVGO.US）在客製化加速晶片和高速互連晶片上具備優勢，同時受惠於雲端廠商自研ASIC外包需求。微軟（MSFT.US）透過Azure雲端平台與自研大模式加速企業級AI落地，在算力供給與應用層均具備重要地位。Alphabet（GOOGL.US）依託搜尋、廣告和雲端業務，將AI能力深度嵌入各類產品中，對生成式AI和基礎模型保持高強度投入。Meta Platforms（META.US）在大模型開源和AI推理基礎設施領域保持較強投入，並透過社群和廣告場景驗證AI商業化能力。VanEck半導體ETF（SMH.US）透過集中持有全球半導體龍頭公司，對AI算力晶片及配套產業形成一籃子敞口。安碩半導體ETF（SOXX.US）持有美國及全球主要半導體公司，在晶片周期和AI景氣上提供相對分散的配置方式。Invesco納指100ETF（QQQ.US）透過持有納斯達克100成份股，對美國大型科技平台公司和AI應用形成廣泛敞口。機器人與端側硬體標的機器人與端側硬體方向主要涵蓋自動駕駛、電動車、人形機器人和精密醫療設備等高工程密集度賽道。特斯拉（TSLA.US）在電動車和自動駕駛軟硬體一體化平台上具有先發優勢，是智慧駕駛與車載AI算力的重要載具之一。Intuitive Surgical（ISRG.US）透過達文西手術機器人切入微創手術領域，在醫療機器人和高端設備資料沉澱方面具有長期優勢。Global X機器人與人工智慧ETF（BOTZ.US）集中投資全球機器人與AI相關公司，對人形機器人、工業自動化和服務機器人形成組合曝險。安碩機器人與人工智慧多元ETF（IRBO.US）透過分散持有多家機器人、自動化和AI公司，為機器人和端側硬體賽道提供相對均衡的配置工具。小鵬汽車（9868.HK）在智慧駕駛與整車電子電氣架構上持續加強研發投入，是中國智慧電動車與車載AI的重要參與者之一。比亞迪股份（1211.HK）透過垂直一體化模式降低關鍵零件成本，在電動車和動力電池放量過程中為車載AI和智慧座艙提供硬體基礎。A股算力與硬體鏈標的A股算力與硬體鏈方向主要涵蓋伺服器、晶片、光模組及相關主題ETF。浪潮資訊（000977.SZ）長期深耕伺服器整機和AI伺服器市場，在國內算力集群建設中佔據較高出貨份額。中科曙光（603019.SH）在高效能運算和資料中心基礎設施方面具有較強競爭力，受益於東數西算等工程帶來的算力需求成長。中際旭創（300308.SZ）在高速光模組領域具備領先優勢，是AI資料中心內部高速互連的重要供應商之一。海光資訊（688041.SH）在伺服器CPU和配套晶片上推進國產替代佈局，是國內通用算力和AI算力的重要備選方案。半導體ETF（512480.SH）主要投資A股半導體設計製造公司，對AI晶片和功率元件景氣提供高彈性敞口。晶片ETF（159995.SZ）圍繞著本土晶片設計、製造和封測企業建構組合，在半導體全產業鏈上提供相對分散的投資工具。電腦ETF（512720.SH）追蹤中證電腦指數，持有覆蓋軟體、網路安全和部分AI應用公司，是國內AI軟體與電腦類股的重要指數工具。人工智慧ETF（515980.SH）以人工智慧主題指數為績效比較基準，聚焦A股AI演算法和應用相關公司，為AI主題提供集中敞口。醫藥與AI結合標的醫藥與AI結合方向主要涵蓋醫療服務、CRO和醫藥製造中對演算法和算力依賴度較高的公司以及相關醫藥ETF。Intuitive Surgical（ISRG.US）在手術機器人和數位化手術數據領域將持續受益於AI演算法優化和器械迭代。Teladoc Health（TDOC.US）在網路醫療和遠距醫療服務中累積了大量結構化和非結構化數據，是將AI用於追蹤管理和慢病管理的代表性公司之一。藥明康德（603259.SH）在小分子和生物藥CRO服務中積極佈局AI輔助藥物發現和研發流程數位化，有望在效率提升中放大平台優勢。藥明生物（2269.HK）在生物藥CDMO領域佔據全球較高份額，透過大規模製程數據累積為製程優化和品質控制中的AI應用提供基礎。泰格醫藥（300347.SZ）在臨床CRO領域具有較強全球專案管理經驗，臨床試驗數位化和智慧化推進可望為AI輔助試驗設計和數據分析提供情境。易方達滬深300醫藥ETF（512010.SH）追蹤滬深300醫藥衛生指數，透過集中持有A股醫藥龍頭公司，對醫藥類股整體景氣提供一籃子敞口。廣發中證全指醫藥衛生ETF（159938.SZ）追蹤中證全指醫藥衛生指數，相比產業龍頭更偏向全產業覆蓋，對中小市值醫藥公司也提供一定權重。華寶中證醫療ETF（512170.SH）追蹤中證醫療指數，持倉結構更偏向醫療服務和醫療器械，對醫藥中游服務和高端設備有相對較高暴露。 (諾亞精選)

（矽谷創投教父Marc Andreessen： AI 產業處於早期）進入2026，矽谷最會押趨勢的那批人，開始強調一個更底層的邏輯：AI 不是先變強，而是先變便宜。1月7日，a16z 創辦人Marc Andreessen（馬克安德森）在自家播客上做了一場訪談，核心觀點是：AI 是他見過最大的技術變革，但關鍵不在於模型能力的突破，而是智慧本身正在從奢侈品變成日用品。調用一次AI 的成本，正以驚人的速度往下掉。不是降了一點，是斷崖式暴跌。Marc 同時強調：現在還早。成本已經降下來了，但大部分機會還沒被創業家發現。他這場訪談不談技術前景，也不談市場泡沫，而是聚焦一個更具體的問題：如果智慧像水電一樣便宜且隨處可得，商業規則會怎麼變？變化體現在四個面向：成本結構、技術路徑、定價模式、競爭格局。現在的AI，不是誰更強，而是誰先把便宜智能變成標準流程。第一節｜崩的是價格，起飛的是收入Marc Andreessen 首先指出：AI 的智慧成本正在暴跌他說：“AI 的單位成本，下降速度比摩爾定律還快。”模型越訓練越強，但每次調用AI 所需的成本，反而越來越低。不是降一點點，而是斷崖式往下掉。他特別提到：過去一年，大模型的token 成本正在快速下滑。 OpenAI、Anthropic、Google 都在把自己的AI 能力連接到雲端服務，誰都想多拿市場份額。競爭一激烈，價格自然一落千丈。硬體端的使用年限也變了。 Marc 引用了一條AWS 的數據：GPU 的使用壽命從3 年延長到7 年以上。企業買一塊卡、蓋一個伺服器，能跑AI 的時間直接翻倍，攤到每次呼叫上的成本，就降了一半還多。這意味著什麼？智慧正在變成一種可批量採購、按需計費的新材料。而且成本下降的同時，收入卻在快速成長。Marc 用「起飛」來形容AI 公司最近一年的變現速度。他說：我們看到的AI 公司，營收成長速度比以往任何一波科技周期都快。具體看兩端：個人端：越來越多消費者願意為AI 服務付高價訂閱。20 美元/月不再是上限，現在200～300 美元/月的高級方案也開始有大量付費用戶。企業端也是一樣：AI 能幫客服多處理一個工單、幫銷售多挽回一個用戶，光這些日常工作，就能帶來直接回報。只要能帶來結果，就有人願意花錢用。也就是說：價格在掉,價值在漲。在 Marc  看來，這正好說明：AI，不是泡沫，而是開始變成真生意了。第二節｜AI 不用做最強，用得起才是關鍵第一節說了成本在崩，但為什麼崩？因為AI 不是要做到最聰明才有用。Marc Andreessen 在對話中舉了一個形象的例子：有些工作任務，不需要「愛因斯坦」大腦來解決，只要一個聰明、可靠的普通人就足夠。這一點破了一個很多人沒注意到的機會：模型不需要越大越好，夠用就好，尤其是在成本敏感的場景下。過去一年，大量小模型開始冒頭。 Marc 特別提到國內的Kimi 模型：最新版Kimi 在推理能力上已經追平了GPT-5，但模型體積更小，成本更低，可能在MacBook 上就能跑。他觀察到一個規律：大模型推出後，6 到12 個月，就會出現同等能力的小模型。大模型證明某個能力可行，小模型快速複製，然後以更低成本提供。這帶來兩個現實變化：一是使用方式改變了：AI 正在從高高在上的聰明大腦變成隨手可用的小工具；二是開發方式改變了：新創公司、獨立開發者都可以拿開源模型，快速部署上線，甚至自己微調一套專用模型。但這不代表大模型會消失。Marc 認為，AI 產業會形成金字塔結構：頂端：少數超級模型，在巨型資料中心運行，永遠是最聰明的底層：大量小模型，擴散到各種裝置裡，運行在手機、手錶、甚至每個實體物品內部就像電腦產業的演化：超級電腦沒有消失，但真正改變世界的是無所不在的微晶片。所以真正的機會在那裡？不是去做最強，而是：誰能把智慧壓縮、量產、變成隨時可調用的標準件，誰就能搶佔最大的市場。因為當智慧不再稀缺，拼的不是最強，而是「用得起」。第三節｜AI 應用不只是套殼，定價方式決定天花板過去一年，很多人看AI 應用公司時會說：這不就是套了一層GPT 介面？Marc Andreessen 可不這麼看。以AI 編程工具Cursor 為例：一開始確實是呼叫大模型輔助編程，但很快，這類公司開始自己微調模型、甚至自研模型。產品不是換個殼，而是在功能、速度、成本上做了深度最佳化。他把這個叫做「向後整合」。換句話說，以前是前端產品，後端呼叫別人的API，現在是：從一個模型起步，最後用12 個、50 個、甚至上百個模型不同模型負責不同部分：介面回應、程式碼邏輯、情境記憶針對垂直場景，自己訓練客製化模型這不是為了技術而技術，而是為了掌控技術棧。因為對業務理解最深的人，才知道那些環節需要什麼樣的智慧。Marc 說，最前衛的AI 應用公司，實際上掌握了核心技術。那麼AI 應用在定價上呢？這裡的規則和第一節不一樣。第一節說，基礎設施層（OpenAI API）在打價格戰，成本暴跌。但應用層的定價邏輯完全不同。因為定價邏輯分層了：基礎設施層：智慧變成水電，按使用量計費，競爭激烈，價格往下走應用層：產品賣的是結果，以價值計費，差異化大，價格可以往上走關鍵在於：不要以成本定價，要以價值定價。傳統SaaS 按年訂閱、按坐席收費，但AI 應用可以探索更多可能：不是按「產生了幾份文件」收費（使用量）而是以「節省了多少工時」收費（價值）或以「提升了多少生產力」分成（回報）舉個例子：如果一個AI 程式設計工具讓程式設計師效率提升30%，它可以收走這30% 生產力帶來的部分價值，而不是只收調用了多少次API的成本。為什麼高價產品反而好賣？因為使用者買的不是模型，而是結果。只要結果值這個價，就有人付錢。這就解釋了第一節提到的現象：200～300 美元/月的訂閱越來越多，本質上這些產品在賣“解決了什麼問題”，而不是“用了多少Token”。依照這個思路，應用層的機會在於：向後整合，掌控技術棧深耕場景，瞭解使用者價值按價值定價，而不是按成本定價基礎設施層會繼續價格戰，但應用層的天花板，取決於你能創造多少價值。這個機會窗口，到底留給誰？第四節｜追趕只需要半年，不確定性變成了常態很多人看AI 產業，第一個反應是：已經有OpenAI、Anthropic 這些巨頭了，我們是不是來晚了？但實際情況是，一旦有人證明某件事可行，其他人追上來的速度會很快。幾個具體的例子：xAI 不到12 個月追上行業前列： Elon Musk 的團隊從零開始做Grok，不到一年就把產品性能拉到了OpenAI 和Anthropic 的水平。DeepSeek 用開源衝進主舞台：避險基金背景的團隊，用開源模型直接把能力推到全球視野，還能在本地運行。多家中國公司同時追上：月之暗面（Kimi）、阿里巴巴（Qwen）、字節跳動、百度等，不到12 個月都追到了前沿水平。1.為什麼追趕這麼快？Marc 給了三個主要因素：第一，開源降低了學習門檻：領先者做出了新突破，開源模型就把「怎麼做」展示出來。任何人都能學習、複製、改進。第二，知識擴散速度極快：現在全世界最好的AI 人才，很多只有22、23、24 歲。他們不可能在這個領域待很久，必然是過去四、五年迅速成長的。如果他們能做到，未來會有更多人做到。第三，成本已經不是門檻：前三節說的成本塌陷、小模型崛起、雲端服務競爭，都在降低做AI 的資源需求。不需要幾千人團隊，也不需要數十億美元，一個小團隊就能快速驗證想法。2、這對不同角色意味著什麼？第一，對現有的AI 公司來說，這是個壞消息Marc 指出：當一家公司不知道該往那個方向發展時，這是個大麻煩。因為公司必須做出選擇，把資源押注在某個方向上。一旦押錯了，競爭對手追上來，優勢就消失了。這就是他說的「兆美元問題」：不是現成的答案，而是每個公司都要面對的策略不確定性。第二，但對創投和創業家來說，這是個好消息a16z 的投資策略是：不只投一個方向，而是同時支援多個有希望的路徑。只要某種方法有可能跑通，就支持有人試一次。對創投來說，不確定性意味著可以分散投資。對創業者來說，不確定性意味著窗口還開著。總結來說：領先者不再安全。追趕只需要半年到一年，技術方法已經透明，成本也降低。但這也意味著，追上之後你也會被追趕。持續競爭變成了常態。結語｜不是AI 更強了，而是你用得起了Marc Andreessen 說，AI 產業的轉捩點，不是模型多聰明，而是智能不再昂貴。成本暴跌讓智慧變成了可以大量採購的新材料。小模型夠用就能打，應用層可以用價值收費。而且追趕只需要半年到一年，領先者的護城河正在變淺。這意味著什麼？模型再大，不如先落地。技術再強，不如用。這場技術變革才剛開始，但商業競爭規則已經重寫了。(AI深度研究員)

💡美國就業數據表面優於預期，但下修後顯示下半年就業近乎停滯。CPI雖大幅降溫，卻因樣本缺口與估算引發失真疑慮，住房通膨仍高，市場反應冷淡，對短期降息保持觀望。 💡日本央行如期升息至 0.75%，象徵政策持續正常化。但因市場早已充分預期、央行釋出不急於連續升息的訊號，日元反而走貶。展望明年，在刺激政策與金融環境轉緊下，日元續貶空間有限。 💡美光成為AI新亮點！財報顯示 AI 記憶體需求強勁，營收、毛利率與現金流全面改善，產業前景轉佳，但股價今年已翻三倍，追價需留意技術面與記憶體報價趨勢。💡時間軸00:00 正片開始00:53 美國CPI有水分04:12 日本央行如期升息06:49 美光財報炸裂09:41 本週市場焦點本文內容不構成任何投資建議，與個人投資目標，財務狀況或需求無關。如有任何疑問，請您諮詢獨立專業的財務或稅務的意見 。

過去兩年裡，關於“AI 將導致大規模失業”的討論幾乎變成全民話題。在AI的發源地——科技行業，也普遍瀰漫著一種“被替代”的焦慮。根據美國專門報導失業資料的Layoffs.fyi追蹤顯示，2025年以來，200多家科技公司已經裁掉了12多萬名員工，其中不乏微軟、Google、亞馬遜等大廠的大規模裁員。高盛曾在一份研究報告中指出：全球3億全職崗位面臨AI替代風險，美國三分之二的職業可以實現部分自動化。惠普公司CEO恩裡克·洛雷斯也曾在財報會議上直言不諱地說："很多人工任務未來會由AI做得更好、更快。"如果根據這種趨勢線性外推，必然會進入一個絕望的死胡同：當AI 掌握了邏輯與算力，人類還能剩下什麼？當所有目光都盯著“演算法工程師”和“算力架構師”時，大洋彼岸的矽谷和華爾街，卻悄然開啟了一場反直覺的招聘狂潮。根據《華爾街日報》的最新報告，科技巨頭們正在以高達 27.4 萬美元（約合人民幣 200 萬）的年薪，瘋搶一種古老而感性的角色。這個職位不是“提示詞工程師”，也不是“資料標註員”。它是“故事講述者”（Storyteller）。一、公司正“瘋狂招募故事講述者”華爾街日報剛剛發表了一篇文章《Companies Are Desperately Seeking ‘Storytellers’公司正“瘋狂招募故事講述者”》，在外網引起了熱烈的討論。從中我們可以看到一種早期趨勢的痕跡，和經叔之前探討的、為什麼科技公司和風投都開始搞自媒體，其實是一個邏輯。根據報導，美國 LinkedIn（領英）職位發佈裡包含“storyteller”的比例，在截至 11 月 26 日的一年裡翻倍。更具體的數字是：在“行銷”類別下，提到該詞的崗位約5 萬條；在“媒體與傳播”類別下，超過2 萬條。不僅招聘在漲，連高管嘴裡這個詞也越來越多。FactSet 統計顯示：企業高管在財報電話會和投資者日裡提到“storyteller / storytelling”的次數，今年截至 12 月 11 日為469 次，而 2024 年全年359 次，2015 年僅147 次。更直觀的是案例，而且它們都帶著一種“急迫感”：•Google招“客戶故事講述經理”，說“講故事在推動客戶獲取與長期增長上不可或缺”•Microsoft的安全組織招“敘事與講故事”方向的高級總監，要求既懂技術又能溝通、又能行銷。•合規技術公司Vanta招“講故事負責人”，最高薪資可達27.4 萬美元。•Notion乾脆把傳播、社交媒體、網紅合作合併成一個 10 人的“講故事團隊”。•金融科技品牌Chime開出了首個“企業編輯與講故事總監”崗位。•USAA一年內從 0 招到第 4 位 storyteller，用來寫部落格、報告、指令碼、演講稿，把真實場景“帶入生活”。更重要的是，這不是“文案崗換了個潮一點的名字”這麼簡單。報導裡有一句話很關鍵：它不完全是編輯、也不完全是活動、公關或行銷，而是這些模組如何協同，最終匯入同一個更大的東西——你的故事。換句話說：企業在招的，不是“寫得多的人”，而是能把公司講成一個世界觀的人。二、為什麼會這樣？為什麼是故事講述者？某種層面，答案隱藏在經濟學的供需曲線裡：當某種資源無限過剩時，與之相對的另一種資源就會變得極度稀缺。AI 帶來了什麼？它帶來了人類歷史上最恐怖的“內容通膨”。資訊不再稀缺，邏輯不再稀缺，甚至平庸的創意也不再稀缺。但“意義”稀缺。“信任”稀缺。“把冷冰冰的技術轉化為人類願景的能力”，極度稀缺。我們可以從三個底層變化理解這件事。1）“贏得媒體”在縮小，品牌被迫“直接面向受眾”過去公司很依賴媒體報導（earned media）。但現實是，媒體行業在收縮：報導引用了美國勞工統計局資料——“新聞分析師、記者與新聞工作者”人數約4.9 萬，而 2000 年是65,930。地方新聞同樣萎縮：西北大學梅迪爾學院的《地方新聞現狀》報告指出，美國紙媒發行量較 2005 年下降70%，一些大報網站瀏覽量近年也顯著下滑。媒體變少、注意力變貴，於是品牌越來越像“媒體公司”：自己做帳號、做播客、做視訊、做 newsletter（比如 Substack）。這叫going direct——不再等別人替你講，而是自己講。但問題來了：你管道越多、觸點越碎，就越需要有人把它們統成一個敘事宇宙。否則你今天發一條“我們很溫暖”，明天做一個“我們很狠的增長”，後天講“我們有信仰”，觀眾只會覺得：你到底是誰？2）“AI 內容氾濫”製造了信任危機，真實敘事反而變貴報導裡有位傳播公司 CEO 講得很直白：“AI slop（AI 垃圾內容）製造了巨大不信任。”當每個人都能一鍵生成“像樣的文字”，文字本身就不再是價值。價值轉移到了更稀缺的東西：•立場是否清晰•語氣是否一致•敘事是否可信•細節是否來自真實世界•你是否能讓人感覺“這裡有個人”這也是為什麼很多公司更愛招前記者：記者訓練的核心不是“寫”，而是不斷追問：So what那又怎麼樣呢？讀者為什麼要在乎？這對他意味著什麼？這不是關於文采，而是“意義生產”。3）在過剩裡，人需要意義；在噪音裡，組織需要一致性講故事，就是在豐剩和過剩中強加意義、在噪音中建立連貫、在權力面前賦予正當性的唯一方式。沒有敘事控制權，戰略、營運、資本都不會長期立足。因為，資訊越多、選擇越多、管道越多，系統越容易走向混亂。混亂的代價是什麼？不是“看不懂”，而是不相信、不記得、不願意跟隨。所以 storytelling 的本質，不是“講得更動聽”，而是讓一個組織在外界的噪音裡依然能做到：•我們相信什麼•我們反對什麼•我們為誰服務•我們如何證明•我們要把人帶到那裡你會發現，這些問題回答不清楚，再多內容也只是“產出”；回答清楚，內容才會變成“敘事資產”。當AI生成一切，聰明人開始搶佔敘事資本和認知程式設計權為什麼AI 時代需要故事講述者？因為技術本身是冰冷的、理性的、複雜的。而人類的選擇是感性的、情感的、簡單的。當AI可以寫出完美的程式碼、生成精美的設計、做出精準的預測時，企業發現：技術不再是護城河。任何技術，都會被快速複製、快速迭代、快速商品化。但故事不一樣。一個好故事，可以建立情感連接，可以塑造品牌信仰，可以創造文化認同。它讓技術不再是功能，而是意義；不再是工具，而是身份。這不僅是行銷，更是生命的哲學。當我們說"講故事"時，我們說的不是"編個好聽的故事"。我們說的是：1. 賦義（Meaning-making）：把複雜的技術和價值，轉化成普通人能理解和感受的意義。2. 降維壓縮（Dimension Reduction）：把龐雜的資訊壓成一句可記、可講、可轉述的語言。3. 控制敘事主權（Narrative Control）：在資訊噪音中，主動定義自己是誰、為什麼重要、要去那裡。在AI時代，這三件事變得前所未有的重要。因為當AI可以生成無數內容時，品牌需要的是一個穩定的"敘事引力場"——讓別人遇到某類問題，就會想到你。當AI可以模仿任何風格時，品牌需要的是獨特的"聲音指紋"，讓讀者一眼知道"這就是你"。正如一位傳播專家所說："在一個產出無限的世界裡，'故事'才是稀缺的底層要素。誰能把混沌壓縮成一種人們能夠感受、記住、原諒並願意圍攏的東西，誰就真正運行著這個系統。"三、最高級的權力：重新審視賈伯斯的“現實扭曲力場”提到科技與故事，我們無法繞開史蒂夫·賈伯斯。很多人誤以為賈伯斯的成功在於“極致的產品”，或者“飢餓行銷”。但如果拔高一個維度，你會發現，賈伯斯一生都在踐行那個終極真理：“世界上最有力量的人是講故事的人。講故事的人決定了一個即將到來的世代的願景、價值觀和議程。”賈伯斯不僅僅是在賣手機或電腦，他是在建構一種“世俗宗教”。當 2001 年所有廠商都在比拚 MP3 播放器的儲存空間（是 64MB 還是 128MB）時，賈伯斯從口袋裡掏出 iPod，說了一句至今仍是經典的文案：“1000 首歌，裝進口袋。”請注意這其中的差別：• 平庸的敘事：參數（Storage）、功能（Play）、價格。• 賈伯斯的敘事：場景（Pocket）、體驗（Music）、自由（1000 Songs）。他沒有販賣硬體，他販賣的是“未來的生活方式”。賈伯斯最高超的地方，在於他把自己和蘋果塑造成了“反抗平庸的英雄”。從 1984 年那個對抗老大哥的廣告，到“Think Different”裡致敬愛因斯坦和畢加索，他建構了一個巨大的敘事引力場：購買蘋果產品，不是消費行為，而是一種身份投票——你投票支援創新，反對墨守成規。這就是為什麼今天科技公司瘋搶Storyteller 的根本原因：在技術同質化的時代，唯有敘事能建立“護城河”。四、普通人的“道”：AI 時代，成為自己敘事的主人當AI開始"最佳化"人類，當演算法開始替代工作，當效率成為唯一的衡量標準時，我們面臨一個選擇：是被動地接受被最佳化的命運，還是主動地建構自己的敘事？科技公司"瘋狂招募"故事講述者，不是因為他們突然變得文藝了，而是因為他們終於意識到：在AI時代，技術不再是護城河，敘事才是。在AI時代，普通人最需要學的不是提示詞，不是如何程式設計，也不是"如何講故事"的技巧，而是"如何建構意義"的底層邏輯。1）別把自己活成“功能集合”，要活成“意義坐標”AI 最擅長替代的，是可拆解、可複製、可規模化的輸出。人最難被替代的，是他所代表的意義：你站在那一邊，你相信什麼，你願意為什麼付出代價。當你能成為一種“坐標”，你就不再只是一個帳號、一份簡歷、一項技能，而是別人用來理解世界的一塊拼圖。2）在無限內容裡，稀缺的是“可被記住的解釋”今天內容最大的問題不是少，而是“太多且互相打架”。所以真正有價值的人，不是製造更多資訊，而是提供更少、但更穩定的解釋框架。能讓人記住、願意複述、可以傳遞的那種解釋，就是你的敘事力量。3）敘事主權決定你能走多遠賈伯斯極度在意發佈節奏、表達結構、本質上都是在守護一件事：解釋權。同樣，個人在 AI 時代最重要的能力之一，是不被平台、不被熱搜、不被他人的評價體系定義——你要能先定義自己。當你失去敘事主權，你就會被迫在別人的話語裡求生；當你擁有敘事主權，你才可能在變化裡持續生長。4）越是技術狂飆，越需要人文錨點AI 讓效率暴漲，也讓人更容易迷失。越是這種時候，人越需要一些“錨”——價值觀、願景、歸屬感、被理解的感覺。這就是為什麼科技公司會在最技術的地方，反而開始瘋狂招“講故事的人”。AI 會繼續加速，崗位會繼續重組。但《華爾街日報》這條趨勢至少告訴我們：當世界變得更像機器，人們反而更渴望“人”的東西——意義、信任、立場、連貫、被理解。所以，科技行業增長最快的新工作叫 storyteller，一點也不矛盾。它只是提醒我們：在過剩時代，能把混沌講清楚的人，才是真正稀缺的人。 (不懂經)

日前，美國拉攏日本、韓國，加上歐洲幾個核心盟友，共8個國家，簽署了一份“對抗中國AI聯合聲明”。這事的性質極為惡劣。如果說以前是美國一家“單挑”，現在則是直接拉起了群架。然而，就在這道鐵幕落下的同時，美國卻反常地批准輝達向中國出售H200晶片。不少人的第一反應是：“美國是不是因為輝達業績壓力大，所以認慫了？”錯了。在“8國聯合圍堵”的大背景下，H200的放行絕非美國的仁慈，而是一套精心設計的“組合拳”：妄圖一邊用“八國聯盟”斬斷你的造血能力（生產），一邊用“H200”鎖死你的依賴習慣（生態）。01 從“技術封鎖”到“全產業鏈絞殺”這次8國《聯合聲明》最狠毒的地方，不在於美國，而在於日韓和澳大利亞、新加坡、荷蘭、英國、以色列和阿聯等八個國家的深度介入。這次不僅僅是稀土聯合抵抗中國，還是一個分工明確的AI科技“全產業鏈絞殺局”：日本（材料端）： 半導體材料之王。高端光刻膠、電子級清洗液，全球市場佔比極高。韓國（儲存端）： HBM（高頻寬記憶體）的霸主。現在的AI晶片，算力再強，沒有HBM配合就是廢鐵一塊。荷蘭及歐洲（裝置端）： 掌握著光刻機這一“工業皇冠上的明珠”。以前，我們還能利用這些國家與美國的利益分歧，搞搞平衡，買點裝置。現在8國抱團，意味著中國試圖從外部獲取先進製造能力的路徑，可能基本被堵死了。他們的目標很清晰：在物理層面，把中國本土的晶片製造能力，永久鎖定在落後兩代的水平。02 H200是一顆“劇毒糖果”既然要圍堵，為什麼還要賣H200？這半年的教訓讓美國人看懂了一件事：全面封鎖，只會倒逼中國成功。此前中國大廠買不到輝達，只能硬著頭皮買華為昇騰，買國產卡。結果呢？逼著中國廠商把那套原本很難用的國產軟體生態，硬生生地給磨合出來了。美國人一看，壞了！原本想餓死中國AI，結果反而逼出了一個能打的對手。所以，現在的策略變了，這是一招“抽梯子”的損招：斷你生產：我聯合8國，把造晶片的裝置和材料斷了，把中國自主製造的難度拉到滿級；毀你生態： 我把目前最好用的H200送還給你，雖然貴點，但比你自己造的好用。一旦你吃下了這顆毒糖果，中國本土晶片尚在襁褓中的生態，就可能會受到沉重打擊。03 爭奪科技發展的“定義權”現在的世界地緣格局，是從“全球化分工”變成了“陣營化切割”。美國拉著日韓搞8國聯盟，妄圖在AI算力、半導體裝置、高端材料這三個核心維度，對中國實施徹底的“物理隔絕”。其本質，是要把全球科技市場切割成兩半：“美國+盟友圈” 和 “中國圈”。在這個邏輯下，H200的出售，並不是美國想和你做生意，而是它試圖用技術優勢，繼續在這個分裂的世界裡，保留對中國科技發展的“定義權”。他們希望看到的局面是：中國負責： 出資料、出應用場景、出電費、做低端應用。西方負責： 掌握底層的硬科技、控制算力霸權、收取高額“技術租金”。這就像當年的殖民經濟：宗主國傾銷工業品，殖民地只負責提供原材料。如果你接受了H200，你就接受了成為“AI時代的殖民地”。更致命的是供應鏈安全。在8國對抗中國的背景下，把國家的AI基礎設施建立在輝達的晶片上，無異於沙灘築樓。川普或者下一任總統，心情不好隨時可以斷供，甚至利用晶片裡的後門遠端鎖死算力。到時候，咱們的資料中心就是一堆廢銅爛鐵。04 大廠的艱難選擇和考驗黃仁勳相信：只要美國稍微鬆開一點口子，大量中國的訂單就會瞬間流回輝達。因為作為商業公司，追求利潤最大化和效率極致化是其生存的本能，這無可厚非。但這也正是我們最擔憂的軟肋：特別是對於字節、阿里、騰訊這些商業大廠來說，這不僅是一道選擇題，更是一場“長考”：選國產卡：這意味著巨大的沉沒成本，算力暫時只有H200的60%。選H200：簡直太誘人了。插上就能用，CUDA生態無縫銜接，業務效率立馬起飛，競爭優勢瞬間拉滿。但這正是對手最陰險的“陽謀”。我們一旦動搖而拋棄國產，將面臨可怕的後果：國產晶片廠商剛拿到的訂單可能會枯竭，資金鏈斷裂；剛建立的使用者反饋機制可能會中斷，工程師不再為國產架構找Bug，晶片迭代失去方向；剛聚起來的開發者生態會可能後續無力，由於缺乏應用場景，人才將再次流失。結論很殘酷，但我們必須看清：晶片不僅是造出來的，更是“用”出來的，這是我們的優勢。所以，我們不能退步，不能拋棄國產，否則國產晶片好不容易燃起的星星之火，將被我們自己親手掐滅。寫在最後：面對H200技術性能的“誘惑”和所謂8國聯盟的“圍剿”，我們需要做的不是恐慌，當然也不能抱有任何僥倖的幻想。中方目前對解禁H200的“冷處理”，以及監管層對相關產業鏈的審慎佈局，恰恰是一種極度清醒的戰略定力。我們必須參透一個殘酷的底層邏輯：買來的現代化，是守不住的空中樓閣；跪著求來的繁榮，是必然帶毒的慢性藥。在8國“鐵幕”已然落下的今天，我們早已沒有退路。我們要珍惜每一塊艱難生產出來的國產晶片：那怕它現在算力還不夠強、發熱還比較大、適配還需改程式碼，但它不僅僅是工業品，更是屬於我們自己的“爭氣芯”。使用它、打磨它、迭代它，是我們這一代人的責任。我們早就看到了這一天，科技自立就是：一場不得不走的“新長征”，也是我們維護國家尊嚴與發展權利的護城河。唯有把關鍵技術掌握在自己手中，我們才能在談判桌上挺直腰桿，才能把“卡脖子”的清單，變成激勵我們前行的“軍令狀”。 (金百臨財富通)

摩根士丹利近期發佈重磅報告，預測2026年將成為AI科技硬體"爆發式增長"的元年。其核心邏輯是：下一代AI伺服器將迎來由GPU和專用晶片驅動的重大設計革新，並帶動整個產業鏈的價值重塑。驅動引擎：從"單卡升級"到"系統革命"增長的驅動力正在從H100/H200時代，轉向由輝達GB200/300以及下一代Vera Rubin平台引領的新周期。一個顯著趨勢是：GPU的功耗和性能正在"跳躍式"攀升。H100：約700WB200：約1000WGB200：約1200W2026年的Vera Rubin：將飆升至約2300W2027年的下一代架構：可能高達3600W這種算力密度的巨幅提升，意味著伺服器機櫃不再只是"裝更多卡"，而是需要全新的系統級設計。大摩預測，僅輝達平台的AI伺服器機櫃需求，就將從2025年的約2.8萬台，在2026年躍升至至少6萬台，實現翻倍以上的增長。這背後也將重塑供應鏈格局：具備強大系統整合與穩定交付能力的製造商（如廣達、富士康等），將在新一代機櫃供應中佔據主導。核心挑戰：電力和散熱如何跟上？功耗的急劇攀升，讓電源和散熱從"配套部件"變成了"價值核心"。1. 電源配置面臨高壓升級當單機櫃變成"吞電巨獸"，傳統電源架構已不夠用。行業正朝著800V高壓直流方案過渡。報告預計，到2027年，為最先進機櫃設計的電源配置，其單櫃價值可能是現在的10倍以上。2. 液冷從"可選項"變為"必選項"隨著晶片功耗突破1400W，風冷已到極限，全液冷成為標配。這直接推高了散熱元件的價值：一個GB300機櫃的散熱元件總價值約5萬美元到了下一代Vera Rubin平台，單櫃散熱價值將再增長17%冷板、風扇、快速接頭等液冷核心部件供應商將顯著受益。價值鏈傳導：不止於晶片，整個硬體都在升級這場變革的影響是系統性的，PCB和高速互聯等基礎部件同樣迎來升級浪潮。印刷電路板要求更高每一次GPU迭代，都意味著對PCB的層數、材料和尺寸提出更苛刻的要求：載板層數從12層增至18層主機板PCB向更高層數的高密度互連升級覆銅板材料向"極低損耗"等級遷移這意味著PCB的製造工藝更複雜、單板價值更高，為具備高端技術能力的供應商帶來了明確的結構性增長機會。同時，為匹配爆炸增長的資料傳輸需求，各種高速資料與電源互聯方案也在同步升級。結語：一場由硬體定義的增長周期摩根士丹利的報告揭示了一個核心趨勢：AI的競爭正從軟體和演算法層面，深入到底層硬體基礎設施。2026年，隨著新一代高性能AI伺服器平台大規模上市，整個硬體產業鏈——從晶片、機櫃、電源、散熱到PCB與互聯——都將迎來價值重估與訂單潮。對於投資者和產業參與者而言，這不再是一個遙遠的未來，而是一個正在加速到來的確定性機遇。 (FENTECHAI)