當模型能力逐漸接近，企業真正開始計算：每一單位智能，到底值多少錢。 核心判斷 中國大模型切入美國市場，靠的不只是“便宜”，而是同時踩中了兩個趨勢：單位智能成本下降，以及企業對可部署、可替換、可治理AI架構的需求上升。 最近，CNBC報導了一個很有意思的現象。

中國近兩年的算力規模與美國差距重新拉開，算力的結構性緊缺（低端算力過剩，人工智慧算力不足）對中國人工智慧開發和應用形成很大掣肘，問題拖得久的話，會嚴重削弱中國的AI產業競爭力。 中國應在開放的生態中實現晶片的自主安全，在推動國產化的同時，可以通過建立分級分類進口管理體制，來緩解國內高端晶片短缺導致的算力不足問題。應該避免贏了硬體製造，而輸了技術開發和應用的局面。 （一）AI在重構全球權力和財富格局，關乎國運、中國經濟再增長的動力 儘管不斷有人質疑人工智慧發展路徑是否正確，以及是否存在泡沫，但是AI正在以遠超以往任何新技術的速度，在重構全球財富格局。

大模型能力差距縮小，並不意味著中美AI競爭已趨於均衡，Agent能力正成為新的分水嶺。美國頭部企業持續加速迭代，這場競爭是一場關乎產業主導權、全球規則與國家戰略空間的淘汰賽。 文章的價值，正在於打破“追平論”與“落後論”的簡單對立，區分模型能力與產品競爭力、推理智能與自主智能，並進一步追問中國一旦被排除於全球主流AI生態之外，可能面臨怎樣的經濟、科技與戰略後果。由此提出的路徑同樣鮮明：以開源守住全球競爭底線，同時改革人才培養、基礎研究與創新資助機制，為少數頂尖人才和高風險探索創造真正不同的制度空間。 當窗口期不斷縮小，我們能否以非常之法應對非常之爭，在堅持自身優勢的同時，為異見、試錯與長期主義留下足夠空間？ 6月9日，Anthropic正式發佈Claude Fable 5。這款模型發佈後迅速登頂Artificial Analysis智能指數榜首，在Agent能力上的表現尤為突出：軟體工程、知識工作、科研、視覺全線頂尖，且任務越長越複雜，相對其他模型的優勢越明顯。這不是一次普通的模型迭代，AI圈的反應用“震驚”來形容並不誇張。

編者按 中美兩國元首於川普訪華期間就人工智慧問題達成共識，同意啟動AI政府間對話，表明雙方在AI風險管控與治理框架領域仍存在足夠的共同利益基礎。與此同時，全球AI技術標準與產業生態正加速成型，中國參與國際規則制定的時間窗口正在縮小。 作者提出，中國在推進中美AI對話時不能夠將美國視為“鐵板一塊”。事實上，美國內部存在四組訴求迥異的力量——川普及其家族、MAGA（美國優先派）與科技右翼派、猶太民族主義和以色列派、民主黨與進步左派。中國需要針對各方利益精準施策並展開分層對話，方能在這一輪AI博弈中爭取到真正有利的規則空間。 昨天（5月19日），外交部在例行記者會上給出了一個簡短但份量極重的表態：川普總統訪華期間，兩國元首就人工智慧問題進行了建設性交流，同意開展人工智慧政府間對話。

不融資、不上市、不接受外部干預的DeepSeek一直被認為是AI圈最特立獨行的存在。但創始人梁文鋒近日終於鬆口，表示要資本市場融資，估值目標是100億，這一戰略改變，或許意味著AI競爭即將進入白熱化階段。自從ChatGPT引爆“ChatGPT時刻”至今不過短短三年，2025年DeepSeek橫空出世，迅速打破了外界對中國大模型能力的刻板印象。這兩年，AI領域又發生了什麼翻天覆地的變化？這場看不見硝煙的戰爭中，誰最有機會勝出？史丹佛大學最新發佈長達432頁的《2026年AI指數報告》或許能夠告訴我們真相。圖源：Artificial Intelligence Index ReportAI世界格局重寫中美模型兩分天下這組資料如果放在三年前看，幾乎是不可想像的。2023年，Open AI推出GPT-4在AI圈一騎絕塵，當時中國的AI模型還落後了30%，但是在2026年，這個差距已經飛速縮小。在最新的LMArena測評中，美國最強的模型是Anthropic的Claude Opus 4.6，評分是1503。而中國字節跳動推出的Dola-Seed Preview拿到1464分，兩個最頂尖的大模型只差39分，從比例來看，差距約2.7%。圖源：Artificial Intelligence Index ReportLMArena評分是AI界的段位分，分數越高，意味著在盲測中勝出的機率越大。在此之前美國模型一直霸榜，而現在中美的AI模型差不多兩分天下。從2025年初開始，中美兩國的頂尖AI模型就多次輪流登頂，你追我趕已經成為常態。2025年全球大約有95個頂尖AI模型，美國發佈了50個，中國以30個緊隨其後。在全球Top 10的模型發佈主體中，我們熟悉的Open AI、Google、xAI都有上榜，中國也佔了四個席位，分別是阿里巴巴、DeepSeek、清華大學和字節跳動。無論是在中國還是美國，這些頂級模型中，超過90%來自企業，高校、實驗室、研究所的貢獻微乎其微，前沿AI模型的研發已經主要由工業界主導。圖源：Artificial Intelligence Index Report全球發佈的約95個頂尖AI模型基本集中在個別科技巨頭手中，中小企業缺乏資源、人才和實力，在AI這場戰爭中和大廠的差距越拉越遠，AI領域的馬太效應越來越明顯。不過，如果我們要分析中美兩國的AI發展路徑，其中也有一些差異。美國模式是大力出奇蹟，靠砸錢和建基建堆出優勢。大量資金湧入AI賽道，2025年私人AI投資高達2859億美元，是中國的23倍；擁有5427個資料中心，數量是其他國家總和的10倍以上。而中國走的是精打細算、精準發力路線，雖然投入沒有美國強，基礎設施沒有美國厲害，但是AI論文發表量、專利產出量世界第一。圖源：Artificial Intelligence Index Report工業機器人裝機量佔全球54%，落地應用的廣度遠超美國，可以用更低的成本實現了頂級模型相差無幾的效果。不過也有反對的聲音認為目前AI的發展不能只看模型資料，美國在資料中心的投入依然佔有很大優勢，而且壟斷晶片、作業系統等底層技術。中國雖然看起來是追平美國，但是過於依賴外部技術，如果被算力封鎖，差距又會再次拉開。AI越強 人和人的差距反而越大AI的發展速度之快，很多人都有深刻的體會，這段時間，幾乎每天睜開雙眼就能看到AI取代不同的職業。但其實，AI有些地方已經超過人類，有些地方差得離譜。Google的Gemini Deep Think模型在2025年國際數學奧林匹克競賽中拿到了35分獲得金牌，比去年的銀牌又有新的進步。但是在讀取模擬時鐘的ClockBench測試中，正確率只有50.1%。圖源：Artificial Intelligence Index Report這種差異也被稱為“鋸齒狀前沿”，意思是AI在某些複雜任務上表現出色，但是在一些簡單任務上卻失敗了。比如AI智能體在真實電腦任務上的成功率可以從12%提升到66%，但是在結構化基準側重依然有三分之一的機率會失敗。AI機器人在實驗室中通過軟體模擬機械操作成功率達到89.4%，但是在真實的生活環境中只能完成12%的任務，AI真正從實驗室走向物理世界還有很漫長的路要走。AI偏科的特性，對勞動力市場的衝擊也有差異。除了重複性、標準化強的崗位會被加速替代之外，報告提到，22-25歲的開發者面臨的AI衝擊最大。這一年齡階段基本是職場菜鳥，主要寫基礎程式碼、功能測試、資料整理等執行類工作，而這些任務都是AI最容易自動化完成的。而稍微年長的35歲以上程式設計師，由於積累了行業經驗、對業務也有基本的判斷力，所以很容易找到人和AI協作的切入點，受到的衝擊就比較少。資料顯示，2024年美國22-25歲年輕開發者就業人數下降約20%，而年長開發者數量還在增長，AI的篩選作用清晰可見。圖源：Artificial Intelligence Index Report毫無疑問，AI的出現會拉開人與人之間的差距，而不同層次的人群對AI就業影響的感受也天差地別。73%的專家認為AI會帶來更多就業機會，但是只有23%的美國人覺得AI可以改善自己的工作。AI雖能讓客服、軟體開發等領域生產力提升14%-26%，但在需要依靠人類判斷力的任務中效果不理想。不過報告指出，有三類人不僅不用擔心AI衝擊，而且還會在這波浪潮中漲薪。第一類是能夠駕馭AI的專業人士，可以利用AI放大自己的能力；第二類是需要溝通、創意等軟技能的崗位，因為AI無法替代，而這些需求一直存在；第三類是AI訓練師、倫理專家等新興崗位，屬於AI延伸出來的職業，未來前景大。AI的偏科既帶來了生產力的提升，也重塑了勞動力市場的格局。對於每個人來說，適應AI、學會與AI協作，找準自身不可替代的核心優勢，才是應對這場變革的關鍵。AI與教育錯位 一場正在擴大的時代裂縫AI的發展速度，已經快到讓教育體系有點跟不上節奏了。AI教母李飛飛曾說，現在的傳統教育是滯後的。她認為，當前的教育依然停留在工業時代，依靠知識填充和應試，這種模式是通過記憶和重複訓練將大量知識喂給學生。圖源：網路問題在於，生成式AI最擅長的就是快速、精準地學習這些結構化知識。生成式AI可以在幾秒鐘內完成資料整理、寫作潤色甚至邏輯推演。如果教育還在強調這些能力，相當於讓人類用自己的短板，去和AI的長板硬碰硬。她還指出當前教育體系存在的三個困境，第一是目標錯位，學生花很多年時間學習一些機器輕鬆替代的技能，浪費人類的潛力；第二是內容過時，課程重理論、輕技能，依然圍繞記憶和考試展開，而這些正是最容易被AI替代的部分；第三是結構僵化，文科理科被強行分開，學生很難同時具備技術理解和人文判斷，而現實世界的問題越來越依賴跨界能力。很多人都有共識，AI已經成為這一代學生的基本素養，但系統的AI教育卻遲遲沒有跟上。史丹佛大學的《2026年AI指數報告》指出，從全球看，基礎電腦教育已經比較普及，超過90%的國家在中小學階段提供相關課程，但AI教育的推進速度較慢。圖源：Artificial Intelligence Index Report中國和阿聯都從2025-2026學年開始，把AI教育納入強制體系，但AI的發展技術迭代以月為單位，教材更新以年為周期。很多學生在書本上學到的已經是上一個版本的內容，越來越多學生只能在課堂之外學習AI，於是學校的價值被質疑。更值得注意的是，教育變革也明顯落後於AI擴散的速度。報告提到，超過80%的美國高中生和大學生，已經在學習中使用AI工具，最常見的用途是查資料、修改論文和做頭腦風暴。圖源：Artificial Intelligence Index Report進入AI時代，年輕人已經普遍開始依賴並運用AI工具，但學校的反應卻明顯滯後。只有一半的中學制定了AI相關政策，而在教師中，只有6%認為這些政策是清晰可行的。學生在用AI，老師不知道該怎麼管，規則也不明確，這是教育界最擔心的場景。AI以迅雷不及掩耳之勢改變我們的生活、工作和教育，但當前的教育系統還在按舊邏輯運轉，而現實世界已經換了一套規則。這種錯位和滯後不只是因為技術更迭快，而是教育的底層邏輯已經和當今社會不相匹配。AI既可以放大一部分人的優勢，也會進一步拉大差距。如果我們依然選擇停留在被動接受知識，那麼未來就會成為被AI取代的一員。教育真正的挑戰，不是追問如何贏AI，而是要思考在一個答案隨時可得的時代，人類學習的意義究竟是什麼。 (Letsight)

按：近期，字節跳動推出的多模態視訊大模型 Seedance 2.0 在2026年初引爆全球開發者社區，被視為中國AI原生創新的標竿，彰顯本土技術從“追趕”邁向“引領”的潛力。很多人感興趣當前中美AI企業的競爭形勢究竟如何？以下分享來自巴克萊的最新研報，算是瞭解當前中美AI創新企業競爭格局的科普文。其實自2022年ChatGPT公開發佈以來，人工智慧（AI）已成為推動全球股市盈利增長、資本支出（capex）和投資回報的主要引擎。進入2026年，隨著生成式AI技術從實驗階段邁向規模化部署，中國科技公司正迅速崛起，挑戰美國在全球AI競賽中的主導地位。然而，這一處理程序並非一帆風順：全球AI相關企業估值持續攀升的同時，美國AI公司面臨融資壓力，而中國同行則在艱難的定價環境與不斷調整的稅收政策中艱難前行。在本篇報告中，巴克萊從回顧美中股市（尤其是各自科技類股）近期的表現趨勢；對比了西方與東方市場的AI融資架構，以幫助理解AI投資如何塑造當前市場動態；到深入分析中美AI技術堆疊的技術細節；隨後探討中美雙方在AI採用、普及及變現前景上的不同路徑。最後，巴克萊認為，供給約束、市場邊界侷限以及使用模式差異共同導致中國AI生態在資本投入和算力消耗規模上與美國存在顯著差距。這一差距不僅體現在當前支出水平，也可能影響未來技術迭代與生態競爭力的長期格局。一、股市表現與估值自2022年底ChatGPT發佈以來，美股表現強勁。標普500指數的未來12個月市盈率（NTM P/E）從2022年第三季度末的15.3倍擴張至目前的21.7倍，AI是關鍵推動力。其中，超大型科技股（mega-cap Tech）在指數表現和盈利貢獻中佔據了不成比例的高份額。具體來看，“Big Tech”（大型科技公司）對標普500每股收益（EPS）的貢獻佔比從2022年第三季度的約12%躍升至2025年第四季度的約30%。同期，Big Tech的NTM市盈率從22.9倍上升至27.3倍；而科技類股中其他公司的市盈率也從15.4倍顯著擴張至24.5倍。相比之下，恆生指數（HSCI）自2022年以來的表現更為波動，其中2023年成為拖累三年整體回報的關鍵年份。當年中國經濟放緩導致中資股票大幅走弱：恆生指數最大回撤達-28.2%，而標普500同期僅為-10.3%。儘管如此，自2022年第三季度末以來，恆生指數已累計上漲約68%，表現健康，但仍落後於美股。與美國類似，科技股在中國股市也是推動回報的主要力量——過去三年，該類股是恆生指數中表現最好的行業之一，累計漲幅達96.7%。然而，一個關鍵區別在於對整體指數回報的傳導效應：恆生指數的行業分佈遠不如標普500集中於科技類股。標普500約33%的市值集中在科技行業，而恆生指數中科技股權重僅為5%左右。相比之下，金融和可選消費類股合計佔恆生指數市值權重的47%。這意味著，中國經濟的整體狀況及其消費者信心對恆指表現的影響，遠大於科技公司。若單獨比較標普500與恆生指數中的科技類股，差距更為顯著：自2022年第三季度末以來，美國科技股絕對回報高達約172%，大幅領先中國同行。這一分化背後，美國AI熱潮無疑是核心催化劑，而中美之間的貿易緊張局勢進一步加劇了這一鴻溝。美國的出口管制限制了中國獲取先進計算晶片和半導體製造裝置的能力，對部分中國AI技術堆疊（尤其是算力層）構成了明確的制約。美國在AI研發和盈利方面的領先地位，對中國企業而言可能難以快速彌合。我們認為，考慮到近期估值的重新定價，中國科技股中任何所謂的“AI溢價”都顯得更為脆弱，且更依賴經濟周期，相較之下，美國科技股的AI估值支撐則更具結構性和可持續性。二、AI投資：東方與西方之比較作為一項早期技術，AI的發展高度依賴持續的投資與資金支援。我們將中美兩國的AI支出劃分為兩大類進行對比：政府支出與非政府支出。核心區別在於：美國的技術投資主要由非政府主體驅動（即超大規模雲服務商的資本開支），而中國的科技基礎設施建設則更多受到政府主導型資金的引導。1、非政府支出我們估算，過去三年美國主要超大規模雲服務商（包括Meta、Alphabet、亞馬遜、微軟和Oracle）的資本開支總額從1281億美元大幅擴張至3922億美元，並預計2026年將增長約52%，2027年再增長約19%。中國的主要超大規模企業包括騰訊、字節跳動、阿里巴巴和華為。我們估計，2025年：1）騰訊資本開支為120億美元，2）字節跳動為120億美元，3）阿里巴巴為180億美元。4）華為作為非上市公司，披露的財務資料口徑不同，但其2024年年報顯示研發支出達1797億元人民幣（約合257億美元），較2022年的1615億元人民幣增長10.8%。展望未來，阿里巴巴和騰訊預計將成中國AI投資的主要推動力。例如，阿里巴巴已宣佈計畫在未來三年（2025–2027財年）投入3800億元人民幣用於AI和雲端運算基礎設施。此外，中國的國有電信營運商（如中國移動、中國電信）也是資料中心投資的重要來源，我們將在後文進一步討論。儘管中美超大規模企業的資本開支增速相近，但總支出規模仍嚴重偏向美國——美國雲巨頭正持續大規模擴建算力基礎設施，並投資下一代AI晶片，而中國企業在高端算力獲取受限的背景下，整體投入體量仍明顯較小。2、政府支出由於中美在AI投資模式上存在根本差異，兩國政府支出難以直接對標。我們觀察到，中國政府對AI及科技領域的財政支援主要通過三種形式實現：1）直接政府投資：由地方政府設立的市級或省級科技產業基金；2）政府背景的風投/私募基金：通過國有投資平台募集並管理的資金；3）面向高校與科研機構的公共科研經費：用於支援基礎科技與前沿研究。基於這一框架，我們彙總了若干主要資金來源，包括：1）國家積體電路產業投資基金（“大基金”）三期；2）北京人工智慧與機器人產業基金等重點城市及科技樞紐的省級基金。據此估算，未來十年中國政府主導的科技投資承諾總額至少達9480億元人民幣（約合1350億美元），資金來源涵蓋直接財政撥款與政府引導撬動的資本。其中：1）政府引導基金是最大來源，規模約6100億元人民幣（佔總額的64.3%），計畫在未來5–10年逐步投放；2）直接投資佔比11.6%；3）其餘部分為高校與科研機構的公共研究經費。需要指出的是，這只是一個粗略估算，實際政府投入可能遠高於此。例如，我們的測算未包含“國家創業投資引導基金”——該基金目標是在未來20年內撬動1兆元人民幣（約1420億美元）支援科技創新項目。若政策性金融動員目標全面落地，中國官方對AI生態系統的支援力度可能被顯著低估。美國政府對AI基礎設施的投資主要通過《晶片與科學法案》（CHIPS Act）實施。該法案撥款約520億美元聯邦資金，用於支援半導體製造激勵、研發補貼及針對晶圓廠和裝置製造商的稅收抵免。截至目前，這項政策已撬動數千億美元的私人投資。自2022年8月法案頒布以來，大部分撥款已獲批或分配，但由於採用基於里程碑的支付機制，實際資金撥付預計將延續至未來數年。除CHIPS法案外，美國政府預計每年還將額外投入數十億美元用於與AI相關的各類項目，包括清潔能源稅收抵免、基礎設施與電力投資，以及國防部（DoD）和國家科學基金會（NSF）的專項經費。簡言之，美國在AI領域的資金投入憑藉超大規模雲服務商的資本開支和強勁的私人投資，總體規模遠超中國；而中國則更依賴政府主導的財政承諾來縮小差距。三、中美AI技術堆疊在接下來的部分中，我們將深入分析中美AI技術堆疊的技術細節，並比較其應用普及與分發模式。我們聚焦於AI生態系統的三個核心維度（或層級）：應用層（Applications）、模型層（Model Layer）、算力層（Compute Layer）。1、應用層（Application Layer）（1）月活躍使用者（MAU）：中國AI聊天機器人使用者規模遠小於西方同行，且高度集中於本土。根據第三方2025年9月的估算資料：DeepSeek全球月活使用者（MAU）達約2.49億（涵蓋App與網頁端），在中國AI聊天機器人中排名第一；字節跳動的 Doubao 約1.99億；騰訊的 Yuanbao 約4900萬；月之暗面（Moonshot AI）的 Kimi 約2300萬。相比之下，西方主流產品同期表現如下：ChatGPT MAU約7.99億；Gemini約3.01億；Grok約4900萬（見圖14）。這意味著，中國領先的AI聊天機器人使用者規模僅相當於ChatGPT同期的約30%。儘管第三方資料可能存在偏差，僅可作為趨勢參考，但結合企業最新披露：ChatGPT在2025年10月宣佈周活躍使用者（WAU）已達8億，Gemini在2026年2月MAU突破7.5億，表明西方AI聊天機器人的擴張速度仍在加快。此外，ChatGPT使用者高度全球化——據《The Information》報導，其近90%的使用者來自美國和加拿大以外地區。而中國聊天機器人的使用者幾乎全部集中於境內，海外滲透率接近於零，唯一例外是DeepSeek：其海外MAU達約5200萬，與Grok同期流量相當，佔其總使用者的約21%。（2）移動端 vs 網頁端：中國AI使用以移動端為主導。QuestMobile資料顯示，2025年9月中國移動端AI使用者達7.29億，約為PC端（網頁及桌面應用）使用者的3.6倍。比如Doubao 在移動端流量領先，其移動MAU是網頁端的6.5倍；DeepSeek則在網頁端表現最佳，但其移動MAU仍是網頁端的2倍。這凸顯了中國AI應用具有鮮明的“移動原生”和“消費者導向”特徵。相比之下，西方模型在網頁端的工作流場景中參與度更高：ChatGPT、Gemini和Claude的網頁端MAU均顯著高於移動端（見圖14），反映出其在生產力工具和工作流程整合方面的更強滲透力。（3）贏家通吃？頭部效應顯著，使用者黏性極強。當前，無論東西方，AI聊天機器人使用者高度集中在前兩名玩家手中，且使用者表現出極強的產品黏性。在中國，DeepSeek與Doubao 合計佔據獨立AI聊天機器人絕大部分MAU（涵蓋網頁與移動）；在西方，ChatGPT與Gemini 主導市場。值得注意的是，儘管各大語言模型（LLM）在基準測試中持續刷新性能紀錄，但聊天機器人端的使用者遷移意願極低——這很可能源於產品設計優勢和已形成的使用習慣。然而需提醒的是，中國AI應用的使用者規模仍遠小於海外領導者，也遠低於國內成熟超級App（如微信日活超10億）。市場仍處早期階段，增長路徑可能隨時間演變。為此，阿里巴巴、騰訊、百度等科技巨頭已在2026年春節假期推出“紅包引流”活動，以爭奪AI使用者。具體使用者增長動態如下：移動端方面：Doubao在2024年12月MAU為7500萬，到2025年9月迅速增至1.72億；36氪報導稱其DAU已於2024年12月突破1億。騰訊Yuanbao從2024年12月的200萬MAU增長至2025年9月的3300萬。Kimi和百度文心一言（Wenxiaoyan）的MAU則出現下滑。DeepSeek無疑是此階段使用者增長的最大黑馬：自2025年1月上線後，其中國區MAU從1月的約3400萬飆升至9月的1.45億。阿里通義千問（Qwen）：截至2025年9月MAU僅300萬，但在2025年11月重新發佈後，2026年1月MAU已突破1億。（4）嵌入式應用 vs 獨立聊天機器人：在中國，嵌入現有超級App內的AI功能（如AI搜尋、智能助手） 遠超獨立聊天機器人。我們認為，中國的AI使用者流量高度依附於既有消費平台，AI能力被直接整合到微信、抖音、百度App等“超級App”中。例如：百度的AI搜尋在2025年9月達到3.47億MAU，佔其整體搜尋流量的一半以上；百度還披露，截至10月底，約70%的移動端搜尋結果頁已包含AI生成內容。字節跳動在其抖音App內推出的Doubao AI搜尋，MAU達2.15億。騰訊微信的AI搜尋MAU為1.66億。阿里巴巴也在支付寶、高德地圖（Amap）、夸克（Quark）等多個核心應用中全面嵌入AI功能。這些管道極大地加速了AI在中國大眾市場的普及，且相關AI功能普遍免費使用。但這也可能導致AI使用高度依賴平台生態，難以培育出真正獨立的AI品牌。（5）變現模式：中國聊天機器人基本免費，海外使用者付費意願更強。在中國，大多數通用AI聊天機器人（如DeepSeek、智譜Zhipu）目前仍免費開放，以最大化使用者覆蓋和分發規模。根據智譜在港交所IPO檔案披露，儘管AI助手和工具不斷湧現，中國使用者對大語言模型（LLM）的付費意願依然很低。因此，其收入主要來自企業客戶的API呼叫和本地化LLM部署服務。對於大型科技公司而言，AI變現主要通過雲端運算服務和API消耗實現。例如阿里巴巴和百度，當企業客戶擴大模型訓練、微調和推理工作負載時，它們便從中獲得收入。此外，AI也正在賦能現有業務：提升廣告與搜尋推薦效果；為電商提供智能化廣告工具；最佳化客戶服務體驗。不過，MiniMax是一個例外。根據其IPO檔案，2025年前三個季度約70%的收入來自面向消費者的AI產品。但值得注意的是，這些消費端收入幾乎全部來自音訊、圖像、視訊及AI陪伴類應用，而其通用AI聊天機器人/智能體應用“MiniMax”的變現貢獻僅佔總收入的1%。更關鍵的是，在其AI原生產品收入中，超過80%來自中國以外市場，這清晰表明：海外消費者對AI服務的付費意願顯著高於中國使用者。2、模型層（Model Layer）（1）中國開源社區 vs 美國閉源模式中國的大語言模型（LLM）生態明顯趨向開源發展。眾多領先初創企業（如 DeepSeek、月之暗面 Moonshot AI、MiniMax、Z.ai）以及超大規模科技公司（如阿里巴巴、騰訊、百度、字節跳動）紛紛將其最新或接近前沿的模型開源，以加速集體創新。這種策略促進了學術界和商業界的廣泛採用，支援快速迭代，並借助開源社區的集體力量推動模型技術進步。不過，中國超大規模企業普遍採取混合策略：其最先進、高算力消耗的旗艦模型（如阿里通義千問 Qwen3-Max、百度文心 ERNIE-5.0、騰訊混元 HY-2.0-Think、字節跳動 Doubao-1.8）仍保持閉源，以維持商業差異化優勢。政策層面，北京和上海在2025年12月分別發佈規劃，明確將在未來幾年大力發展開源生態，包括到2028年建構數百個行業專用的開源大模型，並向中小企業開放相關技術。相比之下，美國主要玩家——包括 OpenAI、Anthropic 和 Google——仍堅持閉源路線，嚴格保護模型權重不對外公開。（2）定價：DeepSeek輸出價格僅為GPT-5.2的3%中國領先的 LLM 提供商在價格上展開激烈競爭，近期發佈的基礎模型輸出定價普遍不到 GPT-5.2 的 30%。這種大幅折扣反映了其更高效的訓練成本結構和推理最佳化，有助於推動 AI 在中國的廣泛普及。具體案例：DeepSeek V3.2（2025年12月發佈）：輸入價格：0.28美元/百萬token（為 GPT-5.2 的 16%）；輸出價格：0.42美元/百萬token（僅為 GPT-5.2 的 3%；GPT-5.2 定價為輸入 1.75 美元、輸出 14 美元）。字節跳動 Doubao-Seed-1.8（2025年12月發佈）：輸入/輸出價格分別為 GPT-5.2 的 7% 和 8%。即使是大型模型，如百度 ERNIE-5.0（2.4T MoE 架構）和阿里 Qwen3-Max（1T MoE），其輸出定價也僅為 GPT-5.2 的 約24%在美國方面：Anthropic 的 Claude Opus 4.5 定價處於高端；Google 和 OpenAI 的模型略低，但仍顯著高於中國同類產品。（3）模型性能：中國開源模型正快速縮小與美國前沿模型的差距我們參考兩個“人工分析”（Artificial Analysis）指數，從綜合智能水平（涵蓋英語、程式碼、數學、智能體任務、工具使用等基準）和智能體能力（agentic capabilities）兩個維度對比中美模型。DeepSeek 在2025年12月發佈的 V3.2 論文指出：過去幾個月，Anthropic、Google 和 OpenAI 的閉源模型進步速度快於中國開源模型。當前，GPT-5.2（High）和 Claude Opus 4.5 仍在綜合智能和智能體任務上保持領先，而開源模型整體仍處追趕狀態。但值得注意的是，部分中國模型已在關鍵指標上追平甚至超越部分西方中端模型：Kimi-K2.5、GLM-4.7、DeepSeek V3.2、Qwen3 Max Thinking 和 MiniMax-M2.1 在“綜合智能指數”上已達到與 Claude Sonnet 4.5 相當的水平。在智能體能力方面，中國模型進步尤為顯著：Kimi-K2.5、GLM-4.7、DeepSeek V3.2 和小米的 MiMo-V2-Flash 均優於 Gemini 3 Pro 和 Claude Sonnet 4.5。具體亮點：GLM-4.7：作為智譜（Zhipu）最新基礎模型，在開源模型中智能體任務表現突出。智譜於2026年1月8日成為首家在港交所上市的中國生成式AI公司。DeepSeek V3.2 針對閉源模型的三大結構性劣勢進行了創新突破：計算成本與長上下文效率：提出 DeepSeek Sparse Attention (DSA) 結構，顯著降低注意力機制複雜度；複雜任務性能：在後訓練階段強化了強化學習（RL）；智能體能力：開發了一套新型合成訓練流程，包含1,800+ 種不同環境和85,000+ 複雜提示，將推理能力深度融入工具呼叫場景。此外，DeepSeek 還發表論文提出 mHC 架構，以更高效的方式擴展訓練並提升性能。Kimi-K2.5：可自主協調多達 100 個 AI 子智能體協同工作，每個子智能體能獨立使用工具進行搜尋、生成、分析和資訊組織。MiMo-V2-Flash：小米推出的開源高速推理與智能體大模型，總參數量達 3090 億，啟動參數 150 億。MiMo LLM 團隊負責人羅富麗（Fuli Luo）曾是 DeepSeek V2 模型的核心貢獻者。（4）智能水平 vs 成本效率：中國模型在實現具競爭力的智能評分的同時，展現出顯著更優的成本效益。有人可能會指出，儘管中國模型定價大幅折扣，但開發者評估模型整體效率和經濟性時，執行具體任務的實際成本（即“token效率”） 才是關鍵。圖21對比了各模型在“智能指數”（Intelligence Index）得分與其運行測試所需成本之間的關係：GPT-5.2 雖然取得最高的智能評分，但其運行成本也是所有東西方模型中最昂貴的。若以 Grok 4 的智能指數作為東西方模型的中位基準，則西方模型中，Gemini 3 Pro、GPT-5.1 和 Claude Sonnet 4.5 表現出較好的成本效率——在相對較低的運行成本下實現了高於平均水平的智能表現。DeepSeek V3.2 同樣實現了高於平均水平的性能，但其運行成本極低：僅為 GPT-5.2 的約 3%，也僅相當於 Gemini 3 Pro 的約 9%。總體而言，中國模型普遍以遠低於西方同行的成本運行，在性價比方面具備明顯優勢。（5）Hugging Face 下載資料：另一個有價值的參考指標來自 Hugging Face——全球領先的開源AI與機器學習模型平台。根據最近一個月的下載資料顯示（見圖22）：阿里巴巴的通義千問（Qwen）系列佔據了熱門下載榜單的主要份額；其餘上榜模型主要來自 OpenAI、Meta 和 Mistral。值得注意的是，榜單上的大多數模型均為輕量級模型（參數量通常低於100億），這很可能是出於本地部署的實用性、硬體資源限制以及性能與效率之間的權衡。阿里巴巴通過其豐富且多層次的開源Qwen模型矩陣（涵蓋數百種變體及衍生模型），有效滿足了開發者多樣化的應用需求。另一方面，DeepSeek R1 在 Hugging Face 上獲得了累計最多的點贊數（likes），顯示出其在開源社區中的極高人氣與認可度。3、算力層 / 資本支出（Compute Layer / Capex）在本節中，我們嘗試估算中國領先AI企業為滿足其推理（inference）所需的年度總Token使用量及相應的GPU叢集規模。我們採用自下而上的方法，將每家公司的Token使用劃分為以下三類：1）第一方應用推理（1P Application Inference）：指各公司在其自有AI助手（如字節跳動的Doubao、騰訊的Yuanbao）以及高流量App內嵌AI功能（如微信和抖音中的AI搜尋）所產生的Token消耗。我們估計，目前1P應用推理構成了中國AI公司推理算力需求的主體。2）公有雲MaaS（Public Cloud MaaS, Model as a Service）：反映面向第三方企業客戶的模型商業化，主要來自外部API呼叫（如阿里雲的“百煉”、字節火山引擎的AI服務）。儘管該業務增長迅速，但目前仍僅佔整體Token使用量的很小一部分。3）內部訓練（Internal Model Training）：代表這些公司的“固定”計算成本，包括基礎模型預訓練、持續的後訓練（post-training）和微調所需的Token消耗。不過，由於峰值推理需求才是GPU採購決策的主要驅動因素，而內部訓練通常可錯峰進行，因此我們在後續GPU需求測算中不將其納入考量。1）第一方應用推理的算力需求在上述三類中，1P應用推理所需的算力最多，也是推動Token用量和GPU需求快速上升的核心驅動力。除DeepSeek外，中國主要AI玩家均為成熟的網際網路巨頭，它們不僅營運自有AI聊天機器人，還在旗下眾多移動與PC應用中廣泛部署AI功能，覆蓋電商、社交、內容、地圖等多個垂直場景。以騰訊為例：其移動端AI助手“元寶”（Yuanbao）截至2025年9月MAU達3300萬（QuestMobile資料）；同時，騰訊在其旗艦應用微信（MAU超14億）中推出AI搜尋功能，已有超過1700萬使用者使用過該功能。為估算這些公司1P應用產生的總AI查詢量，我們做出以下關鍵假設：日活/月活比率（DAU/MAU，即日活滲透率）：根據應用普及度不同，該比率約為20%至60%。應用規模越大、使用者體驗越好，使用者黏性越強，日活滲透率越高。例如，媒體曾報導Doubao在2024年12月DAU已突破1億，而其2025年9月MAU為1.72億，意味著其DAU/MAU比率可能已超過50%，接近60%。作為參照，Similarweb資料顯示，ChatGPT在2025年8月的DAU滲透率接近44%；同期DeepSeek的DAU滲透率約為20%，但此後很可能已顯著提升。每位日活使用者的日均互動強度：假設每位DAU每天使用移動或桌面App 3–4次，每次平均進行5輪對話，即每天產生15–20次查詢。參照Axios在2025年7月援引的資料：ChatGPT每日處理約25億次查詢，相當於每位DAU每天15–20次查詢，與我們的假設一致。市場格局：頭部效應顯著根據我們的分析，Doubao和DeepSeek無疑是中國最受歡迎的兩大AI模型系列，分別處理了全國約60%和25%的AI查詢總量。需要強調的是，由於相關公司披露資訊極為有限，上述結論基於大量估算假設，最終數值應僅作趨勢參考。但我們認為，這一結果精準反映了當前中國AI行業的基本動態：市場高度集中，頭部兩家玩家很可能佔據了絕大部分份額。我們估計，文字/語音類查詢佔總查詢量的絕大部分，並驅動約80%的Token消耗。儘管圖像生成僅佔總查詢量的1%–2%，卻貢獻了約15%的Token用量，這主要是因為AI圖像生成（通過擴散模型）單次所需Token量極大。例如，使用2×2的圖像塊（patch size）生成一張1024×1024解析度的圖像，並進行20步擴散採樣，大約需要8萬個Token——相當於一本220頁的書的文字量。在文字/語音查詢中，我們認為深度推理類查詢（reasoning queries）佔比已升至總查詢量的約30%，這得益於推理模型在速度和精準性上的持續提升。作為參考，據Zebracat分享的Perplexity AI使用者資料顯示，2025年有29%的查詢與學術或研究相關，可作為合理基準。這類推理查詢顯著推高了Token用量：單次推理查詢平均消耗約1萬個Token，而普通訊息類查詢僅需約2000個Token。僅1P應用推理就已催生對H20 GPU的巨大需求即使僅考慮第一方應用推理需求，各公司也亟需大量輝達H20 GPU，並正激進擴大資本開支。以字節跳動為例：為支撐其每年超7,100兆（7,100T）的Token處理量，我們的測算顯示，該公司至少需要超過37.3萬張H20 GPU，才能滿足高峰時段的算力需求。我們採用了200%的峰均流量比（peak-to-average ratio），以反映結構性流量波動——例如工作日白天或晚間使用者活躍高峰——這要求企業必須大規模超配GPU，以保障使用者體驗。這一估算可與《南華早報》（SCMP）的報導相互印證：該報導稱，字節跳動2025年GPU預算約為850億元人民幣（約120億美元）。若其將全部晶片預算用於採購H20（每台8卡伺服器成本約16萬美元，含機箱、網路及其他基礎設施），我們估計其2025年實際採購量約為30萬至40萬張H20。報導還指出，字節計畫在2026年將預算進一步提升至超1000億元人民幣（約140億美元）。阿里巴巴則承諾在未來三年（2025–2027財年）投入3800億元人民幣用於AI相關資本開支，超過其過去十年的總資本支出。騰訊方面，最初在2025財年初指引全年資本開支佔收入比例為“低兩位數區間”（low-teens%）。但到2025年11月，公司下調了指引，雖低於原區間，但仍高於2024年的12%。管理層強調，這一調整完全源於AI晶片供應變化，而非AI戰略或未來Token需求預期的改變。此外，騰訊透露，微信計畫未來在其小程序生態中推出內建AI智能體（agent），覆蓋電商、支付及廣泛網際網路場景。考慮到微信MAU已超14億，我們估算此舉可能帶來每年約2,000兆Token（2,000T）的新增消耗，進一步推高其資本開支需求。2）公有雲/MaaS市場格局目前，中國公有雲MaaS（模型即服務）市場由字節跳動、阿里巴巴和百度主導。根據IDC發佈的資料，2025年上半年，字節跳動按Token用量計佔據約50%的市場份額。字節在2024年中率先發起價格戰，將其面向企業的模型API定價大幅低於競爭對手。儘管其他廠商迅速跟進並匹配價格，但字節成功吸引了大量高頻、價格敏感型API客戶。相比之下，阿里巴巴聚焦於提供最完善的開源模型與整合化雲解決方案：其通義千問（Qwen）系列擁有數百種變體和衍生模型，在Hugging Face上下載量居首，充分滿足開發者多樣化需求；同時提供整合的雲服務，包括底層安全與合規基礎設施，特別適合金融、汽車等傳統行業企業客戶。因此，儘管阿里處理的Token量可能低於字節，但其單位Token產生的收入更高，商業模式更具價值密度。目前，中國的公有雲/MaaS（模型即服務）在整體Token消耗和算力使用中僅佔較小份額。根據我們的測算，其佔比約為10%出頭，遠低於第一方應用推理（1P App Inference）的消耗量。不過，這一比例因公司戰略重心不同而有所差異：字節跳動和騰訊更側重B2C業務，其Token使用高度集中於1P應用推理和內部用途。這一點可從騰訊管理層近期表態得到印證：“我們的GPU資源實際上已足夠滿足內部需求……但外部雲業務收入仍受某些限制因素制約。”相比之下，阿里巴巴和百度在MaaS市場處於領先地位，且自有消費級App流量相對較小，因此其算力分配更為均衡，B2B與B2C之間的比例更趨平衡。由於公有雲/MaaS整體規模有限，各公司為此所需的H20 GPU數量也明顯較少，每家大約僅需1萬至2萬張。3）內部訓練：受限於晶片供應，佔比被迫壓縮在中國當前的市場環境下，內部模型訓練所佔算力需求比例相對較小，主要原因如下：GPU供應嚴重受限：所有中國公司都無法按需採購H20晶片；資源分配面臨兩難抉擇：是將大量GPU用於訓練以提升模型能力，還是優先保障面向使用者或企業客戶的推理服務？在激烈的中國消費網際網路競爭中，“先搶使用者、再最佳化體驗” 的策略已被反覆驗證有效。因此，大多數公司選擇將稀缺算力優先用於推理服務，以贏得“使用者爭奪戰”，同時通過演算法最佳化、資料提純等方式，在有限晶片條件下持續改進模型。面對算力約束，中國企業正積極探索高效利用已有NVIDIA晶片的方式，包括：逐步將部分H20轉向訓練任務，並用國產AI ASIC晶片（如華為昇騰、崑崙芯等）替代其在推理場景中的角色；利用為高峰推理預留的冗餘算力，在非高峰時段執行微調（fine-tuning）、知識蒸餾（distillation）等輕量級訓練任務。據媒體報導，幾乎所有中國頭部AI公司目前已部署華為晶片，例如螞蟻集團已部署數萬張昇騰晶片。如果中國監管機構批准企業向輝達下單採購H200（該型號已獲美國政府許可對華銷售），企業有望以更低資本開支實現同等性能。具體而言：一台8卡H200伺服器成本約為H20伺服器的2倍；但其理論算力（FP8/INT8）可達H20的約6倍；因此，在不考慮實際運行中MFU（Model FLOPs Utilization）差異的情況下，實現相同性能所需資本支出可減少約20%。路透社近期報導稱，中國科技公司計畫在2026年訂購約200萬張H200。但據我們瞭解，這些訂單仍需經中國監管部門審批——當局正在評估各企業的實際需求，相關流程仍在進行中。4）綜合算力需求估算綜合1P應用推理、公有雲/MaaS及內部訓練需求，我們估算：騰訊、阿里、百度等頭部AI企業各自約需10萬張H20；字節跳動需求更高，可能接近40萬張H20（此估算尚未包含其內部編碼、行銷自動化、AI工具鏈等潛在用途——這些需求可能相當可觀，但極難量化）。值得注意的是，部分公司的內部AI使用可能實際佔更大比重。正如阿里和騰訊所透露，在晶片短缺背景下，它們正優先保障內部AI應用，這可能意味著未公開的Token消耗遠超外界預期。若形勢進一步惡化，這些公司可能被要求主要甚至全部採購國產晶片。這將帶來新的挑戰：中芯國際（SMIC）的7奈米製程產能仍有限，儘管其計畫在2026年大幅擴產，但產能爬坡需要時間，供應瓶頸在擴產完成後仍可能持續存在。如果企業能夠：獲得足夠數量的國產晶片（如華為昇騰910C），並解決系統與模型層面的相容性問題，那麼在某些場景下，從H20切換至昇騰910C甚至可能降低約10%的資本開支。四、2026年展望：Token用量與資本開支預測我們預計，2026年中國主要AI公司的總Token生成量將同比增長約117%，達到25,221兆（25,221T），主要驅動力來自：AI聊天機器人App的普及；超級App（如微信、抖音、支付寶）內嵌AI功能的廣泛採用。相應地，這些公司的H20相關資本開支合計將達到約285億美元；若計入伺服器機箱、網路裝置及其他配套基礎設施等非GPU支出（約佔AI總Capex的另一半），整體AI相關資本開支預計將達約540億美元。當然，這一估算可能偏保守——如果類似美國的智能體（agentic）在中國快速流行，或對輝達晶片的採購限制有所放鬆，實際需求可能遠超預期。為何我們的Capex估算低於公司指引？投資者可能會注意到：即便在我們對使用者增長和使用強度做出樂觀假設的前提下，我們對阿里和騰訊2026年H20相關Capex的估算仍顯著低於公司官方指引或媒體報導的內部目標：阿里管理層指引未來三年AI Capex為3800億元人民幣（約合每年180億美元）；騰訊2025年Capex佔收入“低兩位數百分比”，若2026年維持相同比例，按其收入規模推算，年Capex約為140億美元；《南華早報》亦報導稱，字節跳動2026年GPU預算將超1000億元人民幣（約140億美元）。這一差距主要可歸因於以下四點：1）公司整體Capex包含大量非GPU支出：GPU僅佔AI總Capex的一半左右，其餘用於伺服器機箱、高速網路、冷卻系統、資料中心建設等配套基礎設施。2）需疊加歷史基線Capex：公司披露的Capex目標包含其傳統業務（如遊戲、廣告、電商）所需的常規IT投入，並非全部用於AI。3）大量算力用於內部非AI大模型業務：企業還需為軟體開發、推薦系統、廣告平台、內容稽核、合規與法務等內部系統分配GPU資源，這些同樣產生可觀Capex。4）前瞻性投資策略：公司預期未來幾年AI需求將爆發式增長，因此選擇提前大規模投入，以搶佔生態位和人才。經上述因素調整後（見圖35），我們的測算結果與各公司Capex指引區間基本吻合。我們清楚地看到，中國企業在AI資本開支（Capex）方面明顯落後於美國同行。根據我們此前的估算及公司指引，中國四大領先AI企業（阿里、騰訊、字節、百度）——合計AI相關資本開支僅相當於彭博共識預測的2025年美國五大超大規模雲服務商（Meta、微軟、亞馬遜、Google、甲骨文）。而據彭博共識預計，這些美國雲巨頭在2026年還將同比再增加約50%的資本開支。造成這一差距的原因是多方面的：1）晶片供應受限：中國公司常常面臨硬體（尤其是高端AI晶片）供應瓶頸，即使預期業務將快速增長，也難以提前大量採購庫存，從而制約了資本支出規模。2）使用者基數與全球化程度差異顯著：美國企業服務的是全球使用者，使用者規模遠超中國公司。例如，《The Information》報導稱，ChatGPT近90%的使用者位於美國以外；其他媒體資料顯示，Google Gemini約87.5%的流量來自國際市場。相比之下，中國AI聊天機器人及App內嵌AI功能的使用者幾乎全部集中於境內，海外滲透率極低。3）使用者行為存在本質差異：美國使用者普遍將AI工具深度融入PC端日常工作流，頻繁發起複雜、高Token消耗的推理型查詢（如程式設計、研究、文件生成等），推動Token用量大幅攀升；中國使用者則主要通過移動端使用AI，多用於簡單任務（如問答、搜尋、娛樂），單次互動Token消耗較低，整體使用強度和複雜度不及西方。綜上，供給約束、市場邊界侷限以及使用模式差異共同導致中國AI生態在資本投入和算力消耗規模上與美國存在顯著差距。這一差距不僅體現在當前支出水平，也可能影響未來技術迭代與生態競爭力的長期格局。 (衛斯李的投研筆記)

在過去兩年裡，當我們在談論中美AI差距時，由於Nvidia GPU的顯性存在，我們幾乎把所有的目光都聚焦在了“算力鴻溝”上：因為製程封鎖，由於H100/H800的禁售，中國AI”似乎“被卡住了脖子。然而，就在所有人的眼睛都盯著矽（Silicon）的時候，大洋彼岸的華爾街和矽谷巨頭們，卻開始因為電子（Electrons）而焦慮。微軟CEO薩提亞·納德拉（Satya Nadella）在上一季的財報電話會議上，以及馬斯克在最近的長達3小時的《Moonshots》對話中，幾乎是明著說了：顯示卡不再是唯一的瓶頸，真正的瓶頸正在變成吉瓦（GW）等級的電力和帶電的資料中心。但在這個層面，也就是AI的基礎物理層，電力供應上，中美正面臨著完全相反的兩種“絕境”——美國面臨嚴重“缺電”危機，而中國卻擁有20倍的冗餘！但中國即便電費便宜，AI算力的能源成本卻可能比美國高出40%？這到底是怎麼回事呢？01. 美國需要一場AI曼哈頓計畫讓我們先看一組資料，這組資料來自麥格理（Macquarie）最新的估算：到2030年，中國AI發展所需要的電力增量，僅相當於過去五年中國新增發電能力的1%到5%。而在同一時期，美國AI發展所需要的電力增量，將佔據其過去五年新增發電能力的50%到70%。麥肯錫的最新預測更是表明，到2030，美國資料中心電力需求將翻兩番，達到80-100吉瓦（GW）請細品一下這組對比資料。如果你品出來了，就知道，中國在過去五年裡，為了這個AI時代提前儲備了近乎20倍於AI實際需求的電力冗餘。中國的電網，就像是一個蓄滿水的巨型水庫，AI這條“大魚”游進去，水位線幾乎紋絲不動。反觀美國，它的電網建設速度不僅緩慢，而且面臨著巨大的存量替換壓力。如果要把AI這個新的巨獸塞進美國的電網系統，它將一口吞掉整個國家未來幾年新增電力的大半壁江山。2023年，美國全年新增發電裝機容量約為51 GW（吉瓦）。同年，中國新增發電裝機容量達到了驚人的429 GW。8倍的差距。這是一個物理世界的降維打擊。所以當OpenAI的Sam Altman在四處遊說，聲稱需要7兆美元來重構晶片產業鏈時，他其實更應該擔心的是，即便有了晶片，他在美國那裡能找到足夠的電把它們跑起來？在美國弗吉尼亞州的“資料中心走廊”，電力公司Dominion Energy已經無數次發出警告，由於輸電瓶頸，他們可能無法及時為新的資料中心供電。而同樣的故事，正在全美各地重演。變壓器短缺、環保審批流程（NEPA）長達數年的拖延、老舊電網的各種物理限制，正在成為美國AI頭頂的“天花板”。但，中國已經“解決”了近期的AI電力供應問題。如果你是一個在中國做AI基礎設施的創業者，你可能還在為拿不到H100而頭疼，但你絕不會像你的美國同行那樣，因為申請不到市電擴容指標，而不得不去考慮自建核反應堆。02. 那怕電費為零中國AI的成本依然可能更高讀到這裡，我們中國的讀者可能會覺得：穩了。既然電力是AI的血液，而中國擁有龐大的造血能力，那我們在AI競賽中豈不是佔據了絕對的地利？且慢。這裡有一個巨大的“但是”。中國有電，但是，“電怎麼轉化成算力”（Efficiency）。這就要回到半導體物理學的基本常識。目前，美國頂級AI晶片（如Nvidia的B200/GB200）採用的是台積電最先進的4nm甚至3nm工藝。而受限於製程封鎖，中國的主流國產AI晶片不得不停留在7nm或更成熟的工藝節點上。製程落後不僅僅意味著單卡算力（FLOPs）的差距，更意味著能效比（Performance per Watt）的巨大鴻溝。在微觀層面，電晶體越小，驅動它所需的電壓越低，漏電率控制越好。反之，為了在落後製程上堆出同樣的算力，工程師必須堆疊更多的電晶體、拉高頻率、忍受更高的發熱。Weijin Research做了一個場景模擬：對比華為的CloudMatrix叢集（基於國產晶片）與Nvidia的GB200叢集。即便在最理想的最佳化下，要在同樣的算力輸出（FLOPs）上對標輝達，國產系統消耗的能源可能要高出100%甚至更多。這是一個非常可怕的乘數效應。一套完整的CloudMatrix系統可以提供Nvidia的GB200接近2倍的計算能力，但功耗是其4.1倍讓我們算一筆帳：假設美國的工業用電平均成本是每千瓦時0.12美元，而中國依靠強大的煤電和新能源優勢，將成本壓到了0.08美元（便宜33%）。但是，如果國產晶片跑同樣的模型需要消耗2.5倍的電力（能效比落後），那麼最終每生成一個Token，或者每訓練一個參數，中國的電力成本實際上是美國的140%。這就是“效率黑洞”。即使我們的電網裡流淌著世界上最充沛、最廉價的電子，但由於終端轉換裝置（晶片）的能效瓶頸，這些電子在轉化為智能的過程中，被大量的熱損耗浪費掉了。這就解釋了為什麼華為等中國巨頭在最新的技術白皮書中，瘋狂強調“液冷”、“系統級能效”、“叢集最佳化”。因為在單點物理能效無法突破製程天花板的情況下，必須通過系統工程（System Engineering）來補課。液冷 CDU，核心作用是 安全、精準、高效地將冷卻液輸送到伺服器晶片，並回收熱量但散熱也是物理限制。當一個機櫃的功率密度從10kW飆升到100kW甚至更高時，傳統的風冷徹底失效，資料中心必須進行傷筋動骨的液冷改造。這對於基礎設施的營運能力提出了地獄級的挑戰。03. 電網設計正在成為新的核心國力如果我們跳出單純的“晶片卡脖子”敘事，站在更高的維度——能源與計算的共生（Energy-Compute Symbiosis）來看待這場博弈，你就會發現：電力、電網設計和計算效率，正在成為AI時代的核心國家能力（Core National Capabilities）。我們先來看美國的策略面對陳舊的大電網，美國科技巨頭正在試圖“繞過”電網。亞馬遜買下了核電站旁邊的資料中心，直接取電。微軟和OpenAI正在投資核聚變和小型模組化反應堆（SMRs）。Google正在探索地熱供電。SMRs產生的熱量可用於燒開水、產生蒸汽、驅動渦輪機和發電機，從而在火力發電廠中發電這是一場“去中心化”的自救運動。美國正在倒逼其能源技術創新，試圖用技術突破來彌補基建的虧欠。如果SMR（小型核堆）技術一旦成熟，美國將解決算力能源的“最後一公里”問題。美國策略的關鍵詞是：分佈式突圍與核能復興中國這邊則在打一場完全不同的仗。我們擁有世界領先的特高壓（UHV）輸電技術，能夠將西部（甘肅、內蒙、四川）過剩的風光水電，跨越數千公里輸送到東部的算力中心，或者直接在西部建設“東數西算”基地。但這還不夠。中國的真正野心在於將AI嵌入到能源系統本身。比如，華為不僅僅在賣晶片，它在賣“數字能源”解決方案，把太陽能逆變器、儲能系統和資料中心溫控做成了一體化。寧德時代正在把電池塞進資料中心，作為UPS（不間斷電源）和削峰填谷的神器。比亞迪正在建構從太陽能板到儲能電站的閉環。華為的資料中心和能源基礎設施建設解決方案這是一種“全端式”的打法。中國正在試圖用極其強大的宏觀能源調度能力（Macro Energy Management），去避險微觀晶片能效（Micro Chip Efficiency）的不足。既然我的晶片費電，那我就把電變得更便宜、更穩定、更易得。用物理世界的“大力”，去出奇蹟。我們這裡的關鍵詞是：系統級碾壓與特高壓輸送04. 終局文章的最後，我們需要看到一個更深遠的趨勢。“當全世界都需要AI時，誰能提供‘交鑰匙’方案？”想像一下，未來一個開發中國家（比如沙烏地阿拉伯、巴西或東南亞國家）想要建設自己的主權AI。他們面臨兩個選擇：選項A（美國模式）：花費巨資購買Nvidia的H200晶片（如果美國商務部批准的話），然後自己解決頭疼的電力供應問題，自己去搞定電網擴容，自己去建設昂貴的液冷設施。這對於很多基建薄弱的國家來說，是不可承受之重。選項B（中國模式）：中國公司提供一套“交鑰匙”方案（Turnkey Solution）。我不只賣給你AI伺服器（雖然能效稍差一點，但也能用），我還打包賣給你配套的：一片GW等級的太陽能電站；一套巨型的儲能電池系統；一套全液冷的資料中心基礎設施；甚至是特高壓輸電網路。這不僅僅是賣鏟子，這是把“礦山”和“運礦車”一起打包賣了。在“一帶一路”沿線，這種“綠色能源+數字基建”的組合拳，正展現出極強的競爭力。美國或許在晶片的最尖端擁有無可比擬的統治力，但中國正在掌握“將算力落地為物理現實”的完整產業鏈。中國提議在全球範圍內建構AI驅動的衛星巨型網路，惠及所有人回到文章開頭，AI的戰爭絕不僅僅發生在幾奈米的微觀世界裡，同樣發生在高聳的輸電塔、連綿的太陽能板和轟鳴的變壓器之間。美國焦慮的是“無米下鍋”——有最好的爐子（晶片），但缺柴火（電力）。中國焦慮的是“柴火利用率”——有堆積如山的柴火，但爐子的熱效率不夠高。這兩種焦慮，將塑造未來十年兩個超級大國的科技樹走向。值得注意的是，對於中國的產業界而言，不要因為我們在電力基建上的巨大優勢而沾沾自喜，從而忽視了晶片能效落後帶來的長期成本黑洞；但也絕不要妄自菲薄，因為在即將到來的“能源算力時代”，我們有牌可打。遊戲，才剛剛開始。 (TOP創新區研究院)

在《MPW零度對話》系列中，我們邀請中國最具知名度和影響力的女性領導者，討論當下所有人共同關心的話題，從充滿熱情和妙趣的對話中，提煉出冷靜理性的智慧。臨近年末，多家權威詞典公佈的年度詞彙均指向 AI，例如“slop”（網路垃圾）、“vibe coding”（氛圍程式設計）與“rage bait”（憤怒誘餌）。而在中國，幾家機構聯合推選的年度國內詞則是“DeepSeek”。對身處矽谷這一全球AI創新中心的投資人而言，如果選擇一個年度詞彙，很可能是“泡沫”。AI投資泡沫的討論貫穿全年——從美股市場對AI概念的追捧、科技巨頭之間為抬高估值的“循環交易”，到近期亞馬遜與OpenAI正在洽談的高達100億美元的投資，狂熱與質疑同在。矽谷投資人、連續創業者、Fusion Fund創始人張璐指出，目前部分模型公司在零收入階段的估值已高達數億美元，市場遲早會迎來價格重設。事實上，本月甲骨文與資料中心服務商CoreWeave已出現市值大幅回呼，幅度堪比2000年或2008年的市場下跌。投資者正在拋售那些看似過度擴張的公司股票。不過，張璐對這輪泡沫的前景持審慎樂觀態度。她認為，與2000年網際網路泡沫時期大量科技公司缺乏實際收入、偏向C端不同，本輪AI創新背後有真實的產業需求支撐，且初創企業正加速轉向B端。“一旦與企業流程深度融合，AI公司的收入便會趨於穩健。”她預測。泡沫之外，張璐更加關注的是今年AI領域呈現的新趨勢。在她看來，2025年AI領域經歷了“上升”和“下沉”——一邊是全球競賽中的技術持續突破，一邊是AI加速向產業深處落地。技術“上升”在AI基礎設施層，尤其是晶片領域，過去由GPU主導的格局正逐步走向多元。張璐觀察到，一些新模型架構在CPU上運行效率更高；Google的TPU發展迅猛；高通、英特爾推出的NPU則在能效方面表現突出。在雲基礎設施層面，長期困擾行業的四大難題——算力成本高、能耗大、邊緣裝置應用難、資料隱私問題——正逐步得到解決。例如，OpenAI的token價格已從每千個30美元大幅降至9美分；被輝達收購的由華人創立的Lepton公司，其技術能顯著降低GPU消耗。能耗方面，新模型與晶片架構不斷最佳化計算效率。和電網在輸電過程中會產生損耗類似，“Communication過程中的能耗實際上是計算本身能耗的百倍以上，這成為最佳化重點，”張璐指出。邊緣AI亦在快速推進，Google等大廠及眾多初創公司正開發參數低於10億、性能卻可比肩GPT-4的端側小模型，未來可在手機等裝置本地運行。資料隱私方面，聯邦學習等技術已在金融、醫療等高監管行業部署，與之配套的監管科技也在同步發展。應用“下沉”在應用層，今年，美國非科技領域如醫療、金融保險、太空科技的AI應用進入快速迭代階段。初創企業層出不窮，大公司則全力衝刺。“GoogleAI部門據稱一週工作七天，有些公司開始實行“002”模式（從零點到零點，每週僅休息兩小時），馬斯克的團隊就更不用說了，常常工作至凌晨。”張璐說。與此同時，美國大公司與初創企業的合作與併購活躍。張璐透露，Fusion Fund今年就有五家公司被大企業收購，其中三家公司成立還不到兩年，價格均超過兩三億美元。就在昨日，Meta宣佈收購通用自主AI智能體公司Manus。這筆高達數十億美元的交易，成為這家科技巨頭成立以來規模第三大的收購案。此項收購意味著，AI正從“工具”加速進化為“行動者”。這種快速整合帶動了資本與人才的流動。張璐特別提到，矽谷超過40%的居民為第一代移民，獨角獸企業中六成創始人也來自移民群體。在AI基礎設施與模型架構的研發中，亞裔（尤其是華裔）、歐洲裔與加拿大裔成為主力；以色列團隊則深耕隱私與安全領域。泡沫終會調整，但技術加速下沉至產業的趨勢不會回頭。中美對比：日益模糊的界限張璐指出，儘管矽谷在晶片、模型、基礎設施層面領先，但美國電網老化嚴重，難以滿足AI的能耗需求。由於私有資本難以進入該國的電網領域，微軟、Google等巨頭不得不轉向自建能源系統。而資源豐富的加拿大今年新設了人工智慧及數字創新部，或將成為北美AI產業重要的能源後方。相比之下，中國在新能源基礎設施、完備的機器人供應鏈以及全民化的技術應用氛圍上已構築起獨特優勢。“在美國很難看到中老年人積極擁抱新技術，許多美國老年人甚至不知什麼是短影片應用。相反，在中國，使用者無論處於任何年齡層，都在快速學習使用新技術。”張璐說。在今年，關於開源模型的討論熱度繼續攀升。中國的DeepSeek、阿里巴巴等公司持續貢獻開源模型，而美國科技公司如OpenAI、Google、Meta因為處於大規模商業化階段，開源意願很有限。中美在AI創新領域的另一項差異體現在創新生態方面，而矽谷獨特的創新生態或許能夠為中國的AI發展提供一些啟示。在美國，大公司與初創企業往往會形成新型共生關係：前者為後者提供試錯場景和併購出口，後者為前者注入創新活力。具體來看，美國企業CTO的主要職能是投資未來技術，其預算用於採購、合作和併購創新項目。一方面這些公司有固定預算；另一方面有合理預期，例如合作的三家初創企業中可能有一家失敗，大公司對此有容錯空間。“這正是矽谷作為創新平台的核心優勢之一。”張璐說。一項共識是，在AI領域，中國在應用層處於領先，而美國在技術層佔據優勢。然而展望未來，這兩條路徑之間的界限正逐漸模糊。接下來的競賽，或許將聚焦於誰能找到那個關鍵的支點——既能支撐技術不斷“上升”取得突破，又能推動應用加速“下沉”實現價值。Fusion Fund創始合夥人張璐。圖片來源：受訪者提供《財富》：在AI落地提速的情況下，你作為投資人是否有很強的緊迫感？張璐：我其實非常興奮。有個說法：當世介面臨巨大變化時，有三種人：一種人創造事情的發生，一種人看著事情發生，還有一種人會問“發生什麼了？”我們應該是第一種人。自2015年至今，我們一直在重點佈局AI企業，如Otter AI、You.com、Constructor A、Wand AI等，均已成長為獨角獸。今年被收購的5家公司都是AI企業，明年還有3家即將IPO的企業。今年的增長曲線尤為陡峭：我們投資的一家B2B AI公司，從去年上半年的50萬美元年收入增長至現在的1.5億美元；另一家公司年收入從零增至2000萬美元，而團隊還不足10人。過去兩三年投資的企業中，70%以上年收入增長超過20倍。這背後是市場對AI的加速擁抱。但不可否認，任何重大的技術創新都會伴隨資本泡沫。我一年前便提出：AI趨勢是真實的，資本泡沫也同樣顯著。一方面，並非所有資本都充分理解AI或抱有合理預期；另一方面，全球經濟動盪下，資本需尋找增長點進行佈局，導致馬太效應。《財富》：泡沫主要集中在哪些領域？張璐：當前一、二級市場均存在泡沫。部分模型公司估值畸高，早期團隊在產品與收入均為零時估值已達數億美元。所以市場必將經歷價格重設，但幅度難以預測。不過，這不會改變AI的整體發展趨勢。矽谷已經歷經了多次週期——2017年、2021年均有類似現象，我們早已習慣泡沫與寒冬的交替。《財富》：這次的泡沫與2000年網際網路泡沫期的“燒錢換增長”有何不同？張璐：不太一樣。2000年前後，許多公司缺乏實際收入，且偏重C端。兩年前，美國AI的主流業務，尤其是科技巨頭們的AI業務，很多也偏重C端。但如今AI初創企業的趨勢轉向了B端。AI的作用主要體現在業務流程自動化（降本）與業務最佳化（增收）。現階段，企業大多通過AI降低成本，因此財報中尚未普遍體現收入增長。但隨著應用深入，效益將逐步顯現。《財富》：你是否有系統方法規避泡沫項目？張璐：從投資角度看，需理性預期AI發展軌跡——它不可能在幾個月內全面滲透產業，而是需要兩三年逐步落地。作為早期投資人，我們對估值保持敏感，如果項目估值過高，我們選擇不投。我們相信企業要遵循自然發展規律，在不同階段匹配相應估值。其實市場已經顯現了早期訊號：許多公司在首輪融資時憑藉願景獲得了高估值，但進入A輪、B輪後，投資方會嚴格考察收入資料及其質量——是來自B端還是C端？客戶是中小企業還是大企業？訂單是否可以全公司推廣而非僅限研發部門使用？若未能通過驗證，公司將面臨融資困難與估值調整。這十年來，我們只投To B項目，涵蓋企業級AI、工業自動化與醫療AI等。我們會深入分析訂單質量：是多年合約還是試用協議？預算來源是否靈活？考量維度很多。《財富》：你曾表示AI在C端的機會多被大公司佔據，未來五年，是否會出現能打破大公司壟斷的C端AI產品？張璐：比較難。ChatGPT雖是C端產品，也面臨Google的強力競爭。C端創業的核心難點在於資料。模型本身已難構成壁壘，因為多數公司能基於開源模型或API最佳化模型。關鍵在於能否獲取高品質資料並建構資料庫。然而，高品質的C端資料集中於Google、Meta、蘋果等巨頭手中，初創企業難以企及，且資料質量直接決定模型最佳化成本與應用成本。C端領域，如文生圖、文生視訊應用，一旦Google、Apple等實力雄厚的企業介入，小企業便舉步維艱。因此，C端創業需聚焦差異化資料與個性化體驗。當前AI投資與應用還是以B端為主。B端的產業資料還未被大科技公司壟斷，初創企業可以通過和產業企業深度合作獲取產業資料，進行私有化部署與行業合作獲取。例如，許多醫療、金融等領域客戶不願將資料上傳雲端，這就為初創企業提供了機會。《財富》：這是否意味著，無論中美，理性的AI創業都應聚焦B端？張璐：至少在美國，機會主要集中在B端。如今許多投資者轉向此領域，而我們深耕B端十年，已建立了先發優勢。聚焦B端的另一個原因在於，美國大企業勇於嘗試新技術，推進速度較快。而美國C端使用者（除東西海岸）對新事物接受較慢。美國C端的創新，大部分依靠年輕一代傳播，很難看到中老年人積極擁抱新技術，許多美國老年人甚至不知什麼是短影片應用。相反，在中國，使用者無論處於任何年齡層，都在快速學習使用新技術。《財富》：我們注意到在美國，初創科技公司有一項優勢：大公司願意與之合作。這種生態背後的邏輯是什麼？張璐：這正是矽谷作為創新平台的核心優勢之一。美國企業CTO的主要職能是投資未來技術，其預算用於採購、合作和併購創新項目。一方面這些公司有固定預算；另一方面有合理預期，例如合作的三家初創企業中可能有一家失敗，大公司對此有容錯空間。活躍的併購市場是創業者選擇矽谷的另一原因。在其他地區，10多人的團隊很難在收入僅數千萬美元時獲得數億美元收購，但在矽谷卻屢見不鮮。這種快速的資金流動與商業變現構成了美國獨特的商業環境。為促進對接，我們於2018年創立了CXO社群網路。目前，網路涵蓋45家全球千強企業的CTO，每季度聚會一次。這些CTO常在董事會開會前諮詢外部技術趨勢，我們為其推薦企業並促成訂單。至今，該網路已經為被投企業帶來超過1.5億美元的訂單與戰略合作。《財富》：一些大基金也有類似網路，你們的CXO社群有何不同？張璐：這些大基金的網路可能覆蓋CEO等多類人群。我們專注B2B與技術驅動型項目，因此CTO社群的精準度與契合度更高。在競爭優質項目時，這一網路極具優勢。此外，在談判估值時，我們不僅能為創始人提供訂單，還能幫助他們獲取政府補貼等不佔股的非稀釋性資源，從而以更合理的估值完成投資。這種生態建設是長期工程，對雙方均極具價值。《財富》：我們觀察到AI與機器人技術正滲透至太空經濟的多個層面。在可回收火箭實現成本大幅降低後，太空科技的下一個“破壞性創新”可能出現在哪些環節？張璐：我們曾經成功投資SpaceX，目前也在重點佈局太空科技。這個領域正處爆發前夜。受益於AI與機器人技術的發展，SpaceX已將單次發射成本從數十億美元降至不到一億美元，未來還會很快降至千萬美元級。屆時，單顆衛星發射成本或僅數萬美元，推動衛星資料應用普及。我們投資的一家公司從事衛星交通管理與資料交易。隨著衛星增多，碰撞風險上升，可以通過AI掌握軌道資訊並進行快速調節；此外，若需要特定地區（如芝加哥或洛杉磯）的天氣資料而自身無衛星，該公司可以幫助你低成本獲取。這打破了衛星資料僅限特定階層使用的認知。這家公司商業模式很簡單，但收入已達數千萬美元。我們投的另一家公司開發全自動化機器人系統，這些機器人可在月球提取水並分解為氫氧，作為太空燃料補給，有效降低發射負載。如果由人類在太空從事此類工作，成本極高，但機器人則不同。我相信AI和機器人將快速推進太空經濟發展。今年是醫療大年，AI也在加速該領域發展。我一直關注腦部疾病，如帕金森、阿爾茨海默症、抑鬱症、躁鬱症等。今年腦疾病領域湧現許多AI相關技術，不只針對診斷，還涉及治療。我們投資了兩家公司，一家做糖尿病垂直領域的小模型，另一家做細胞療法的基礎模型。這些領域創新蓬勃，但公眾注意力仍過多集中於大型AI公司的發佈。《財富》：除了太空科技，AI Agent也被認為處於爆發前夜。如果請你預測AI Agent領域的第一個真正殺手級應用，會是什麼？張璐：程式碼智能體（Coding Agent）已近乎殺手級應用。目前多數科技公司80%的程式碼由AI生成，我自己也在用。智能體的核心能力是處理複雜任務，並自主選擇工具。現在許多公司想做“通用智能體”，即什麼都能處理的智能體，我覺得難度較大。也有一些公司專注特定應用場景的智能體，已開始落地，且商業化不錯，主要應用於To B場景。智能體的未來明確，但當前技術尚未達到期待，仍在發展。不過進度不會太慢，可能再有一年時間就差不多了。我們投資了多家智能體基礎設施公司，專注於作業系統、成本最佳化與幻覺消除。一旦基礎穩固，應用層將快速湧現。《財富》：請分享：你今年最滿意的投資項目；一個決策週期長、令你糾結的項目；以及最終放棄的一個機會。張璐：最滿意的項目是一家賦予AI長期記憶的模型公司。現有AI只有短期記憶，而該公司的視訊模型可分析視訊內容。例如，將採訪視訊輸入，它能給出精準總結，甚至包括衣著顏色等細節。由於對視訊數量無限制（僅限單個視訊時長），可以輸入大量視訊，由其長期記憶給出更智能的分析。目前主要應用於To B場景，如機器人工業安全。決策週期最長的是一個醫療項目——利用小膠質細胞治療帕金森症（目標不是緩解，而是治療）。我們經過幾個月的詳細盡調，最終決定投資。投時估值還比較低，幸運的是，投後一週，《自然》和《科學》連續發表多篇論文驗證該方向，公司隨後獲得美國國立衛生研究院（NIH）不佔股的政府補貼資金。該技術也運用了AI，因為需用AI才能實現個性化小膠質細胞的生成。腦部疾病治療的特點在於標準化治療非常難，需要個性化方案。放棄的項目多半因估值過高。我們追求高回報倍數，若最佳情景下僅能獲十倍收益，便會選擇放棄。《財富》：如今評估AI公司能否“跑出來”，多久可見分曉？張璐：大概兩年。優質公司增長極快，兩年便能判斷其潛力。《財富》：在AI創業“求快”趨勢下，你如何平衡短期回報與長期價值創造？張璐：我們始終看重長期回報。早期投資可跨週期，目標仍是培育價值數十億、數百億美元的企業。基金需分散風險，比如我們投資25-30家公司，其中有七家是核心，其他表現一般的企業可能通過收併購退出。通過這種方式我們對風險做了分層。當然，我們不願公司過早被收購（如被輝達收購的多家企業），雖然回報可觀，但難免遺憾。我們投資的初心是參與創新浪潮，挖掘頂尖企業，尤其是有潛力成為垂直領域領頭羊的企業。《財富》：在做投資決策時，你對市場空間、團隊能力、技術壁壘、商業模式等要素的重要性是如何排序的？張璐：我們最看重市場——規模要足夠大，且為增量市場；市場時機甚至優先於團隊評估，因為英雄常由時勢造就。如果大企業CTO透露，今年預算會優先花在某個方向，這就是市場時機的明確訊號。其次看團隊，我們尤其關注“創始人-產品-市場”契合度。年輕技術背景的創始人適合基礎設施項目，可能擁有新技術或模型架構想法；而連續創業者更擅獲取行業資料與推動商業化。團隊的技術需“更好、更快、更省”。成本是AI公司的關鍵競爭要素。我們看好Google，也因其憑藉全端優勢（自研TPU、模型、雲、資料）能實現最低成本。蘋果雖在AI方面的佈局稍遲，但因掌控智慧型手機這一資料入口與應用載體，後發優勢還是存在的。AI搭載的智能載體目前主要是手機，未來可能是眼鏡，但眼鏡仍需繫結手機。《財富》：你對腦機介面這一熱門領域有何佈局？張璐：2015年我就投資了腦機介面公司Paradromics（斯坦福團隊，侵入式，植入納米纖維機器人），其針對腦損傷修復，已進入臨床實驗階段。我是該公司第一個投資人，它可能很快成為獨角獸，最近剛拿到沙特新未來城（NEOM）投資基金。另一家是非侵入式公司，聚焦抑鬱症超聲治療，技術雖非侵入式但做得精準。青少年抑鬱症高發可能與社交媒體導致的“資訊繭房”有關。他們在社媒上看到的多是他人美好生活，與現實形成對比。現實是，美國社會也很內卷——高校錄取率驟降，就業市場嚴峻。我們招聘一名辦公室經理，收到了700多份簡歷，甚至包括斯坦福博士生與MBA。但長遠看，年輕人學習能力強，能快速掌握AI工具。反觀中層管理者，很多人既缺乏年輕人學習速度，又未至決策層，職業風險較高。《財富》：總體而言，AI帶來的職業變局會比預期更快嗎？張璐：大產業應用不會瞬間到來，人們還有時間適應。但每個人都應有緊迫感，主動學習使用AI工具。人類最偉大的能力正是工具的使用。AI可能替代部分崗位，但也在創造新機會。例如，公司營運部門因AI增效而裁員三分之一，但銷售團隊業績提升30%後可能擴招。勞動力市場將在不同領域重新組態。未來組織也更趨扁平，資訊流轉更高效。還有一點值得注意。正如微軟CEO薩提亞·納德拉所言，當代領導者要學會管理“人類勞動力與數字勞動力”的混合團隊。《財富》：你提到AI發展的“華彩樂章”才剛剛開始。未來三五年，你最期待看到AI在哪些方面取得突破性進展？衡量這場“交響曲”進入高潮的標誌會是什麼？張璐：標誌包括智能體爆發及各產業AI融合。科技行業僅佔美國GDP不足10%，而醫療、金融、保險等服務業佔比超50%。若這些領域廣泛整合AI，便是華彩樂章。技術層面，Transformer模型（編者註：一種採用自注意力機制的神經網路架構，已成為自然語言處理的基礎技術範式）絕非終點。新架構不斷湧現，晶片設計也將持續創新。但我認為，我們距通用人工智慧（AGI）尚遠。李開復老師對AGI的定義很精準：能完成人類90%的任務，且優於90%的人。照此標準，我們仍有很長一段距離。我認為無需執著追求AGI。各行業可發展各自的垂直應用，在特定場景超越90%的人類就是很大的突破。《財富》：你如何定義個人的“成功”？張璐：成功對我而言，並非成為最大基金，而是成為最頂尖的早期投資機構，並持續擴展影響力。另外，成功應是可持續地達成目標，而非靠運氣投中一家好企業。因此需要形成優秀的投資方法論與生態。這就是為什麼我從2015年起建構CXO、專家、學者、創始人網路，該網路至今仍在創造巨大價值。投資方法論需一以貫之。正如拉里·佩奇二十年前所言：人工智慧會是Google的終極版本。他的長期目標非常明確。我們同樣堅持擅長的投資領域，不盲目跟風熱點。團隊建設也很關鍵。沒有完美的人，但有完美的團隊。我們的合夥人有技術背景與產業經驗，能力互補，形成完美組合。《財富》：對你影響最大的人是誰？張璐：我小時候很喜歡看人物傳記，這讓我看到人生的各種可能性，所以很多傳記裡的人物都影響過我。如果說現在對我影響很大的人，是魯斯·巴德·金斯伯格（美國聯邦最高法院歷史上第二位女性大法官）。她有一種非常篤定的力量。世界上聰明人這麼多，尤其在矽谷，但不一定每個人都有這種力量。我在青少年時期就知道自己想做什麼，成為什麼樣的人，哪怕在很多人看來，我的一些想法有些另類，一些做法選擇了“少有人走的路”。 但我相信，保持篤定、始終如一，再加上全力以赴，幸運自會來臨。（財富中文網）