熱錢湧入、賽道扎堆，三類玩家瘋搶。 過去十年，AI醫療一直是資本市場眼中的“黃金賽道”。 2026年7月，商湯醫療完成超1億美元B輪融資，投後估值突破百億元。這家脫胎於AI視覺巨頭的醫療子公司，正以“醫療世界模型”的概念向資本市場發起衝刺。據知情人士透露，公司已進入Pre-IPO階段，有望成為“醫療世界模型第一股”。 與此同時，巨頭也在加速下注。字節跳動斥資60億元，想建成全國第一家“AI原生醫院”；螞蟻阿福從C端切入健康醫療領域，以“科學減重一億斤”活動打開聲量，目前月活突破3000萬；騰訊發佈AI醫療全端解決方案，助力AI醫療加速落地；由李彥宏創立、百度支援的AI製藥公司“百圖生科”，據市場消息也已秘密遞交上市申請......

01 | 一個價值千金的問題 6月下旬以來，全球AI類股經歷了一輪顯著回呼。 輝達從高點回撤，雲端運算巨頭集體承壓，半導體類股波動加劇。市場情緒從"AI是未來"迅速切換到"AI是不是到頭了"。 這到底是短暫的技術性回呼，還是周期見頂的訊號？

《A Bit Personal with Jodi Shelton》第一季第 1 集 主持人：喬迪·謝爾頓（Jodi Shelton）全球半導體聯盟（GSA）聯合創始人兼 CEO嘉賓：黃仁勳（Jensen Huang）輝達（NVIDIA） 【編者說明】 本文基於 YouTube 自動字幕（經人工按語義切分說話人、修正明顯識別錯誤）完整重現，非官方逐字稿；對話內容忠實於原片，措辭為中文譯述。文中〔原音不清〕等標註，為自動字幕存疑之處，均按原樣保留。 "你見過的最聰明的人是誰？"

依託飛速進步的視訊生成模型和高效的智能製作工具，中國短劇產業正迅速“AI化”。一個顯著標誌是，AI短劇如今已成為行業絕對主流。 行業權威研究機構DataEye劇查查向證券時報記者提供的資料顯示，今年一季度中國全行業上線短劇約12.8萬部，其中AI短劇佔比超95%。 AI短劇產能大爆發的另一面是行業流量競爭日益加劇，流量成本持續走高。“AI短劇製作端成本大概下降了90%，但流量成本同比上漲了超過100%，與此同時，收益端下滑了50%以上。”DataEye劇查查副總裁林啟文向證券時報記者表示。 單月上線近5萬部

AIGC、Chatbot、AI Agent、AI Infra……在AI技術全面爆發的時代浪潮之下，一場屬於科技圈的創業新浪潮正在奔湧而來。 然而，AI技術爆發雖然給了創業者們新的風口，AI創業卻並不像十年前那場“大眾創業萬眾創新”一樣，只需一個“網際網路+”的點子就可以闖進一個新市場，在遍地“熱錢”的簇擁下，規劃起未來的宏圖大業。 現實是，在成為AI創業時代的造富神話之前，創業者們當下的經歷，比AI本身更真實，AI創業這條路也遠比想像的更複雜。 關掉公司，我只用了三天

當地時間5月1日，美國商務部直屬機構——美國國家標準與技術研究院（NIST）下屬的人工智慧標準與創新中心（CAISI）發佈對中國DeepSeek V4大模型的評估結果。評估認為，DeepSeek V4比美國技術更具成本優勢，但能力相差8個月。 CAISI測試了DeepSeek V4在網路安全、軟體工程、自然科學、抽象推理和數學等領域的能力，結果包括：DeepSeek V4是迄今為止CAISI評估過的最強大的中國人工智慧（AI）模型。DeepSeek V4的實際性能與美國8個月前發佈的GPT-5類似。與美國性價比最高的GPT-5.4 mini相比，DeepSeek V4在7項基準測試中的5項上成本更低。 此外，CAISI還發佈了一張中美最強模型總體能力隨時間的推移圖，暗示中美AI技術差距日益擴大。不過，有多家專業科技媒體對CAISI的評估結果表示質疑。AI領域新聞網站The Decoder發文稱，CAISI的評估很可能帶有自身的政治目的。人工智慧、比特幣新聞網站Decrypt則援引了人工智慧分析（Artificial Analysis）公司的評估結果。該公司評估認為，DeepSeek和OpenAI頂尖模型的差距實際上正在縮小。 (科技日報)

這兩天黃仁勳的訪談刷得到處都是，刷短影片、看公眾號，到處都在剪他那句“很可怕”的片段。大部分號都在說，老黃急了，少賺中國市場的錢，慌了。還有的在渲染對抗，說他怕了華為，怕了中國的晶片。我一開始也沒當回事，直到找了完整的兩個小時訪談，一字一句啃完，才發現幾乎所有人都看錯了。他急的根本不是少賺那幾百億營收，甚至不是怕華為的晶片追上他。他真正慌到骨子裡的，是放棄中國市場，等於直接把整個AI技術鏈條的未來，拱手讓人了。01. 黃仁勳最怕的是失去迭代能力前幾年我還在網際網路公司做ToB產品經理，那時候我們團隊接了個任務，要做一款給工廠用的生產管理工具。一開始我們幾個產品經理關在會議室裡憋方案，天天對標國外最頂尖的同類軟體，把人家的功能拆得稀碎，想著做個更牛逼的出來，肯定能爆。結果產品上線三個月，連十個付費客戶都沒拉到。我們幾個都懵了，功能明明比別人全，價格還便宜，怎麼就沒人用？後來老闆急了，把我們全趕去工廠駐場，讓我們別在辦公室裡瞎想，就跟著車間的工人、廠長待著，看他們到底怎麼幹活，到底需要什麼。我在浙江一個汽配廠待了快一個月，才明白我們之前做的東西，就是個空中樓閣。我們想的是“功能全不全”，人家想的是“車間裡的工人小學文化，能不能三步就操作明白”；我們想的是“資料統計多精準”，人家想的是“能不能提前預警機器故障，別耽誤半夜的生產進度”。就這麼著，我們天天泡在工廠裡，聽客戶提各種細碎的、甚至我們之前覺得“不值一提”的需求，改一版，給人家試，有問題再改，前前後後磨了快半年。最後這款我們當初根本看不上的、“一點都不高大上”的產品，成了公司之後三年裡最穩的營收支柱。也是那時候我才懂一個道理：一款產品、一項技術，能一直往前走，核心根本不是你在實驗室裡能憋出多牛逼的技術，而是有沒有持續的、真實的需求，推著你迭代。02. 市場從來不是什麼提款機是技術迭代的養料，是你活下去的根很多人覺得，中國市場對輝達來說，就是每年幾百億的營收，沒了就沒了，大不了少賺點，反正全球還有別的市場。但只有真正做過技術、跑過市場的人，才懂這個市場的價值，根本不是錢能衡量的。現在的中國，是全球最大、最活躍的AI應用市場，沒有之一。你能想到的所有AI落地場景，這裡都有最旺盛的需求。工廠裡的AI質檢，港口裡的無人調度，城市裡的智慧交通，還有數不清的網際網路公司、創業團隊，每天都在用AI做各種各樣的嘗試。這裡有全球近一半的AI開發者，他們每天都在跟晶片打交道，提需求，找bug，想辦法把晶片的性能榨到極致。輝達的晶片為什麼能一直領先？真的是他們的工程師天生比別人聰明嗎？不是的。是全球無數的開發者、無數的企業使用者，在用他們晶片的過程中，不斷地給他們反饋，不斷地提出新的要求，逼著他們一代一代地最佳化，一代一代地突破。你把這個市場放棄了，等於主動把自己的耳朵堵上了，眼睛蒙上了。你聽不到最前沿的需求了，看不到技術落地的真實問題了，你的技術迭代，自然就慢了。03. 你越想靠封鎖把對手摁死越容易把對手逼成你最不想看到的樣子我想起前幾年華為被斷供GMS的時候，我身邊好幾個在國外工作的朋友，用的華為海外版手機，一夜之間連Google地圖、信箱都用不了，那時候全網都在說，華為的海外市場徹底涼了。誰能想到，幾年過去，鴻蒙起來了？不是華為天生就想砸進去幾千億，去做一個完全自研的作業系統。是你把人家現成的路堵死了，人家除了自己開一條新路，別無選擇。你以為封鎖能摁死人家，結果反而幫人家把所有的退路都斷了，逼著人家只能往前衝，最後長出了你最忌憚的本事。這種事，歷史上發生過太多次了。當年美國給日本汽車加高額關稅，限制進口，想保住本土車企，結果豐田直接跑到美國建廠，針對美國人的需求改車型，反而在美國徹底紮下了根。當年歐美對中國搞太陽能封鎖，結果現在中國太陽能企業佔了全球90%以上的市場份額，人家連湯都喝不上了。黃仁勳在這個行業裡摸爬滾打了三十年，把一家快倒閉的公司做成了全球巨頭，他比誰都懂這個道理。你不讓輝達的晶片進中國，中國的企業就不用AI晶片了嗎？不可能的。需求就在那裡擺著，你不供應，自然有人供應。原本大家有現成的輝達晶片用，不會拼了命去搞全端自研，結果你一禁售，直接把所有人的路徑依賴都打破了。逼著中國的企業，從晶片設計，到架構，到模型，再到開發工具，一點點把整個AI的鏈條都打通了。等人家把整個生態都建起來了，全行業都習慣了用人家的東西，你再想進來，就一點機會都沒有了。04. 市場才是一個企業真正的護城河很多人看到黃仁勳說“只要能讓我們參與競爭，我們的晶片性能會遠勝華為，肯定能贏”，都在罵他自大，吹牛逼。但我看完訪談，反而覺得這是他最清醒的地方。他不是覺得輝達的技術有什麼天生的光環，永遠不會被超越。他是知道，真正的護城河，從來不是政策給你築起來的壁壘，不是你把對手擋在市場外面，自己躲在溫室裡過日子。真正的護城河，是你在充分的市場競爭裡，一點點磨出來的本事。是你天天跟對手貼身肉搏，天天被使用者的需求逼著往前走，練出來的，別人抄不走的能力。我見過太多企業，靠著地方保護，靠著政策壁壘，在自己的小圈子裡過得舒舒服服，十幾年都沒遇到過像樣的競爭。結果一放開市場，外面的對手一進來，瞬間就垮了。為何？因為太久沒打過仗了，你連使用者真正要什麼都不知道了。你所有的優勢，都是別人給你的，不是你自己練出來的。就像一個人，一輩子都待在溫室裡，從來沒淋過雨，沒吹過風，看起來白白淨淨，一出門，一場風雨就扛不住了。黃仁勳怕的，根本不是華為的晶片現在有多強。他怕的是，輝達被擋在中國市場外面，失去了最大的競爭陣地，失去了最前沿的需求反饋，慢慢就失去了迭代的動力。而華為在全球最大的AI市場裡，天天被使用者逼著跑，天天在跟市場磨合，遲早會長出能跟你正面抗衡的能力。真正能讓你站穩腳跟的，從來不是沒有競爭的安穩，不是把對手擋在門外的壁壘。是你在一次次的真實需求裡，一次次的貼身競爭裡，磨出來的本事。是你不管環境怎麼變，都能接住需求、解決問題的能力。黃仁勳那段刷屏的話，說到底，根本不是什麼中美晶片戰，也不是什麼大佬之間的博弈。他說的是商業世界裡最樸素的一個道理：你能服務多大的市場，接住多大的需求，你就能走多遠。那些靠高牆築起來的優勢，終有一天會被市場的洪流沖垮。只有在真實的世界裡，在一次次的打磨裡沉澱下來的本事，才能陪你走到最後。 (關山敘)

不是技術越來越複雜，而是技術正在變得越來越像“人”——能聽懂你、主動幫你、替你做事。這一年，AI不再是工具，而是夥伴。有沒有這樣一種感受，這兩年，AI的相關新聞到處都是，可是，總是感覺距離自己稍微有點遠，又或者，雖然聽明白了名詞，然而，卻弄不清楚它究竟意味著啥呢？最近摩根大通發佈了一份報告，這份報告是關於2026年新興技術趨勢的分析，報告裡沒有太多讓人覺得難懂的公式，然而卻把未來幾年科技將會發生怎樣的變化講得十分清楚。今日，我們摒棄晦澀難懂的技術不談，僅僅談論四個當下正在出現、並且將會對我們的工作以及生活產生深刻影響的核心變動。第一章：AI能不能幫上忙，全看它“懂不懂你”往昔我們談及AI，講的是其何等聰慧。然而當下，眾人發覺：AI即便聰慧超乎尋常，倘若對您的特定場景毫無認知、對您究竟是誰一無所知、對您所欲踐行之事全然不解，那麼它所給出的回應內容，僅僅是堆砌而成充斥正確性的無用話語罷了。那麼，首要的一個大趨勢便是，AI是否好用，其關鍵之處在於，它能否獲取到那些“恰當的上下文”。什麼叫做“對的上下文”呢？那便是它明白你當下的角色，清楚你所具有的目標，曉得你手頭現有的資料，知曉你能夠運用的工具。恰似一位新入職的同事，倘若他不熟悉你們公司的業務流程，不曉得項目的背景狀況，不清楚該去跟誰進行對接，那麼即便他再聰慧，也無法把活幹好。為了讓AI真正“懂”這些，報告裡提到了幾個有意思的方向：物理AI：人工智慧走出電腦步入真切實際世界，舉例而言，工廠之中的機器人，並非是被預先編寫程序設定好的那種固定模式動作，而是具備自我學習能力，能夠自行適應，當面對不同形狀的箱子時，它能夠憑藉自身能力判斷如何抓取，以及運用多大的力量來抓取，恰恰是這種物理人工智慧展示出其現實功效。知識圖譜：你可以把它理解成給AI裝了一個“企業大腦”。它將公司內零散的資料、關係以及規則串聯起來，在AI提問時，並非隨意翻閱資料，而是如同一位資深員工，清楚誰是誰，什麼事務該找誰去處理，以及怎樣去執行什麼流程。上下文工程：這是個全新的詞彙，然而其蘊含的道理卻並不複雜；人工智慧一次能夠接納的資訊數量存在著限制，恰似人的注意力存在著侷限一樣；故而當前所注重的並非是“給予它的資訊越多便越好”，而是“怎樣挑選最為關鍵的資訊給予它”；這就如同為人工智慧配備了一位管家，協助它篩選資訊、捋順思路。簡略來講，往後的AI運用，較量因素並非是模型有多厲害強大，而是在於它於合適的時刻，能否獲取到恰當的資訊。第二章：AI用得越多，背後的“基建”就越忙你可曾察覺到，當下開啟任意一款App，皆有可能彈出一位AI助手。這表明AI已然不再是實驗室裡的玩鬧之物，而是被較多地運用到了實際業務當中。但背後有一個問題：算力不夠用了。因此，AI推理的需求，正在推動一場前所未有的基礎設施大升級。這裡所提及的“基礎設施”，並非我們平常所認知的伺服器，而是涵蓋能源的體系，是包含資料中心的體系，是涉及晶片的體系，是關乎網路的全套體系。能源方面，AI運行起來耗電量極為顯著，針對某個大型資料中心而言，其耗電量等同於一座小城市的耗電量，鑑於此，當下眾人都在開展新供電方式的研究工作，諸如小型核反應堆、太陽能以及地熱能等，實施這些研究只有唯一的目的，那便是確保AI能夠獲得電力供應，進而實現正常運行。資料中心，以往建構資料中心時，如同搭建倉庫，現下情況不同，需建成‘高樓’，採用液冷散熱方式，助力支援更高層級密度的晶片堆疊，簡言之，即在更小容量空間內，裝填更多的算力。晶片方面，GPU這一圖形處理器向來是AI的主力，然而當下出現了各類“專用晶片”。其中有專門用於做推理的，還有專門用於做邊緣計算的。這些專用晶片具備更省電的特性，同時價格更為便宜，能夠使AI的成本降下來。雲原生人工智慧，旨在使企業能夠更為便利地管理人工智慧資源，開源社區此刻正在建構一套具備標準化特性的工具。你能夠將其理解為，給人工智慧相關的基礎設施裝置了一套相當於“作業系統”的事物，進而致使開發者以及維運人員無需再為底層硬體問題而感到頭疼不已。這個趨勢向我們傳達出這樣的資訊：AI並非毫無憑藉就自行運行起來的，它的背後存在著整整一套，且這套系統正變得愈發龐大，愈發細緻入微的“後勤系統”，是該“後勤系統”在起著支撐作用。第三章：你不用再“找”App，App會來找你你若計畫去做一件事情，其通常所遵循的流程究竟是怎樣的呢，先是開啟瀏覽器，接著進行搜尋，隨後點開若干網站，再去下載一款App，而後開展註冊操作，跟著實施登錄行為，接著填寫表單，最後予以提交，光是這麼思索一番便已然覺得疲憊不堪了。然而，未來只要你將“我想要去做什麼”這般表述出來，其餘的事項便都交付給人工智慧去進行處理了。這背後的邏輯是互動方式的根本性質的轉變，這種轉變是從“應用切換”轉變為“意圖即介面”。舉個例子：智能體瀏覽器，你無需再開啟十幾個網頁，去進行比價、填表以及下單的操作。你告知瀏覽器“幫我訂一張周五下午前往上海的高鐵票”，它便會自行去查詢時刻表，去比較價格，去下單，去付款，最後向你告知“搞定了”。辦公軟體未來並非Word、Excel那些軟體，變成了一個“智能協作空間”，也就是AI原生工作空間，它能謹記你上周和那個客戶交流，清楚你下周三存在匯報事項，會主動替你規整材料，提示你回覆關鍵消息，甚至在你開會之前，為你生成一份討論提綱。對於生成式使用者體驗而言，當你去打開同一個App，然而和別人所看到的情況或許會全然不一樣，緣何如此呢，是因為它會依據你的習慣。以及你的偏好，甚至還包括你此刻的心情，即時去“生成”一個最為適合你的介面，不再是那種整齊劃一的模式，而是呈現出千人千面的狀況。以前品牌若想聽使用者反饋，就只能去看文字評論，多模態社交聆聽方面，現在呢，AI能夠聽懂播客裡的語氣，還能夠看懂視訊裡產品的露出，甚至還能從圖片中識別情緒，這使得品牌真正“聽見”了消費者的心聲。這個趨勢的核心就是：技術不再讓你去適應它，而是它來適應你。第四章：先在“虛擬世界”裡試一遍，再拿到現實中用先前，若是你打算對一款全新產品以及一個全新流程予以測試，那就只能拿到實際環境中去運行一番。其成本高昂，風險巨大，一旦出現問題還得耗費時間慢慢進行偵錯。但是呢，當下的情形已然有所不同了。運用人工智慧在虛擬世界當中，將全部的種種可能性都逐一進行嘗試，之後呢，把最為可靠的那種方案取出來拿到現實世界裡來。合成使用者：你能夠生成數量達到成千上萬個的“虛擬使用者”用以對你的產品展開測試。這些“虛擬使用者”能夠模擬具有不同年齡、職業以及偏好的人群，從而籍此 assisting 你提前發覺問題。舉例而言，倘若你想要瞭解一款全新的 App 在老年人群體當中是否好用，並非真的需要去尋覓幾百個老年人來進行試用，借助 AI 便能夠幫你模擬出來。網路安全領域，以往是遭受到攻擊之後才去修補漏洞。如今，AI能夠建構企業系統的 “數字孿生”，接下來自身充當駭客，不斷反覆模擬攻擊路徑，進而找出所有有可能被突破的點。直至真正的駭客出現時，漏洞已然被堵住了。這個趨勢的實質，是將風險以及不確定性，放置於虛擬世界當中予以解決，使得真實世界裡的每一回部署，都更為穩妥、更為高效。(TOP行業報告)