WAIC 2026特别对话：当算力开始“算账”，谈Token经济学重塑芯片，拆解AI资本开支向上游转移

2026年，AI产业的底层叙事正经历一次隐秘而彻底的重构：单纯的技术指标正向财务指标让位，“Token经济学”开始主导基础设施的价值分配。

在2026世界人工智能大会（WAIC）期间，天数智芯副总裁石加圣与易方达基金经理肖宛远在《远见Talk》中指出，在模型训练与推理齐头并进的态势下，推理端商业化的加速，正彻底终结软硬件解耦的云计算时代。

行业趋势方面，当前，TCO（总拥有成本）和“每百万Token成本”已取代理论算力峰值，成为衡量AI芯片商业闭环的核心标尺。这种对经济性的极致追求，正倒逼芯片企业向软件栈与网络协议延伸，实现产业链的深度耦合。

产业范式的转移同步引发了资本暗流的涌动。肖宛远观察到，随着国内自主制造需求的攀升，AI资本开支（CapEx）正从下游云服务商（CSP）向晶圆代工厂（Foundry）传导，半导体设备环节受益于这种资本开支的传导，构成了当前确定性最强的投资主线。

针对本届WAIC备受瞩目的具身智能，两位专家揭示了物理AI演进的商业反面：端到端大模型的进化正大幅降低对硬件传感器的依赖，进而重塑整机BOM（物料清单）成本。同时，物理AI落地的核心瓶颈在于高质量训练数据的获取难度大——由于现实世界的试错成本极高，产业正高度依赖云端算力的模拟来生成合成数据。

在技术爆炸与市场噪音交织的当下，当编程等传统人机交互“手段”被AI接管，人类的“目的”与好奇心成为唯一壁垒。面对不可避免的错失恐惧（FOMO），回归商业常识、利用指数工具对冲尾部风险，并借鉴AI的“工程化迭代”重塑认知心智，正成为跨越周期的共识。

以下为《远见Talk》与石加圣、肖宛远的深度对谈实录：

从展台到现实：AI的商业闭环与赋能

Q1：作为本届WAIC的参展方，从2018年大会举办至今，您觉得本届展会跟往年相比，最显著的不同或趋势是什么？在布展和议程方面有哪些特别的感受？

石加圣：我们往年也参加过几届WAIC。首先第一点很明确，它每一年的展会都在持续扩大规模，参展商数量、整体展馆的面积都在不断扩大。但今年我们看到一个特别明显的变化趋势：它的产业导向其实更明显了。

可以从两方面观察：第一是分论坛，相比以往，这次分论坛提供的话题更细分了，技术专业精度更高，同时平行的分论坛也更多、更密集。第二是参展商，今年有一个很明确的产业导向主题——智能体（Agent）和具身智能的实际落地应用。

我们能看到，整体参展商从以往更多的“技术展示为主”，到今天大家都在探讨和尝试验证：从智算基础设施的建设，到大模型的变革，一直到智能体和具身智能的落地，它本身是不是能够形成一个商业闭环？它的商业价值到底怎么样？

也就是说，会务举办方逐渐从一个单纯的会展，演变为一个生态和平台的提供商，这让业内人士感到非常激动。

Q2：您的投研范围覆盖了科技投资领域。对比普通观众看展，作为基金经理，您在展会上会有哪些特别留意的视角？

肖宛远： 我们每年都去看、去学习，我有个很大的感受：每一年展会边际上增量最多的部分，其实是对现实世界技术变化的一个很真实的映射。

去年大家应该有个感觉，就是机器人特别多。我印象中去年有一个专门的展厅，全是各种各样类型的机器人整机和零部件展商，对应去年是机器人产业变化非常明显的一年。

今年的话，整体应用层面又变得更丰富了。大家看到了Physical AI（物理AI），它的边界很广阔，除了机器人、具身智能、智能驾驶，还包括AI for Science（AI驱动科学研究）、AI制药等专业领域的应用。同时在上游，大家也能看到国内Infra（基础设施）公司的种类和丰富度越来越多。

这对应着今年的一个感受：除了国内内循环做得很好，我们能够参与到整个国际大循环、科技产业链分工中的Infra厂商也变得越来越多，从能源到其他一系列的基础设施。

展会其实是现实世界发生事情的一个缩影。在这个展会上，你体感上边际变化最大、或者比去年相比人最多的那个方向，可能确实就是这一年来技术世界里进步最多的，也是我们在金融市场上需要花更多时间去研究和关注的方向。

Q3：AI正在赋能千行百业，很多人把Coding（编程）视为一种底层能力，今年跑通后也确实应用在生产环境中了。AI对于现实社会的影响，它的量级大概在一个什么样的程度？

石加圣： 作为技术公司，Coding肯定是对我们影响最大的一块。实际上我们公司内部，已经有很多用AI辅助来做Coding、Vibe Coding，或者做Prompt Engineering（提示词工程）。

我们和外部交流也比较多，因为我们既是通用GPU 产品及 AI 算力解决方案提供商，又是Token的消纳方。大家对这个市场确实比较看好，我们和云厂商聊的时候，他们觉得整个Coding市场可能达到万亿级别。 除了Coding，目前已经在落地的是视频生成，这在国内的商业环境里是走得相对更前沿的路线。

但实际上，更令我们激动的其实是远期的一些场景，因为我们的判断是，AI更多的是对人的能力的一个放大。 它能赋能人类，去服务一些以前需要花极高成本去做的事业。举例来说：

第一是生物医药和生命科学。人类对两件事知之甚少，最远大的是宇宙太空，最微小的是人体自己。AI的辅助可以节省生物医药研发里大量的时间成本和资本投入。

第二是教育行业，有了AI辅助，会有更多自驱式的学习方式，让教育达到更普惠的状态。

第三是对整个世界的探索，我们从“信息智能”（语言类模型、Coding）逐渐往“行动智能”发展，下一步就是“探索智能”——帮助人类一起去探索甚至改造世界，比如材料科学等。

肖宛远： 我补充一下。Coding今年的变化很大，它不仅仅是写一行print hello world这么简单，还需要资源调度、项目管理等。编程是我们触及物理世界和现实世界的一个过渡语言。

以前我们讲未来世界的语言是计算机语言（如C语言、Python）。那时候要做数学或金融分析，要先花一两个小时写脚本、取数据、做前端展现。现在你通通交给AI，你只需要想一件事情：我今天要关心什么？我自己想要知道什么？ 到了医学、天文学也一样，你只需要有一个好奇心就可以了。

就像80、90年代图形操作系统发明之前，跟机器互动是非常专业的事；后来大家还要专门学Office套件、背Excel快捷键。现在通通不需要了，以前讲“目的和手段”，现在“手段”被AI解决了，你只需知道“目的”。

在商业世界里，以前C端聊天机器人大家不一定愿意付费；但如果有一天AI能帮你发明新药、做股票分析，你愿意支付的价值是很高的。这一切的底层，都是Coding作为人机交互方式又往前走了一步。

产业链博弈：“五层蛋糕”与Token经济学

Q4：2026年AI依然是全球资本市场定价的核心变量。黄仁勋曾提出AI的“五层蛋糕”（能源、芯片、Infra、模型、应用），两位如何看待当前AI产业链的生态与价值分配？过去几年发生了什么变化？

肖宛远： 仔细研究会发现，现在面临的情况和云计算时代很不一样。云计算时代产业链分工非常清晰，各环节占的比重相对稳定，但现在整个AI Infra产业链的价值分配没有那么稳定。

以前芯片行业就是摩尔定律，晶体管密度提升一倍，计算性能就大致提升一倍。但到了AI时代，只做这个是不够的。今天通信、存储、能源、软件栈，都会影响整个集群的推理性能。

今天模型推理能力提升一个百分点，不一定都是靠晶体管密度提升来贡献的。在比较“古早”的时候，芯片公司就是Design House（设计公司），设计完交给Foundry（代工厂）做生产封装，每一层都是解耦的。

但现在，芯片公司的边界在不断扩大，大家越来越关心CUDA生态、软件协议、网络协议，比如像NVLink的应用。上下游没有以前那么解耦了，而是更紧密地耦合在一起。

石加圣： 宛远老师很专业。从产业角度看，我们作为一家GPU芯片公司，定位产品时从来没有把软件和芯片分割开来，最后交付的是一个整体。

如果今天我们关注的是Token经济，整体AI Infra的交付，就是要让整个Token经济达到更大的性价比。所以目前很难以一个固定的比例去分配产业链各层的占比。

因为它本身是Token经济，最后看的是“每个Token的成本”。我们在晶体管、软件栈、模型架构、AI Infra设计等方面，都可以发力把性价比做到更好。整个产业还在早期，中国人有一句老话叫“先把蛋糕做大”，现在以偏向零和博弈的角度去审视比例分配，还为时过早。

这种变化发生在两个层面：一是企业内部，芯片和软件团队配合非常有机、高频，不再有隔阂；二是对外合作，我们和AI Infra公司、模型应用公司都有很紧密的互动，大家一起打磨，把生态先做起来。

Q5：进入今年后，模型从“训练”进入了“推理”。在这样的大背景下，国内芯片在推理端走到哪一步了？衡量推理卡好不好用的指标是什么？这一转变带来了怎样的投资逻辑变化？

石加圣： 今年更明确的态势是训练和推理齐头并进，但商业化上，确实是推理走得更前面。从“能用”到“好用”，国内芯片在推理上已经迈出了相当大且扎实的一步。在核心的大语言模型推理业务上，国内芯片一定程度上可以提供相当高的商业价值，甚至高于英伟达的一些产品。

推理卡的衡量指标是一个十分公开的市场：首先要满足一定的SLA（服务等级协议）用户体验要求，比如首字延迟在多少毫秒内；在限定条件下，下一步就看你能提供多大的“吞吐量”。吞吐量越大，相对于一年的TCO（总拥有成本）来说，每百万Token的成本就越低。大家看各家云厂商的API都有每百万Token定价，如果定价相比成本有盈利，商业上就达到了闭环。

肖宛远： 往前倒两三年，对比芯片同业，大家会讲晶体管密度、FLOPS算力、带宽等技术指标。现在你再问一家企业推理卡做得怎么样，他会跟你说TCO是多少、每百万Token的成本是多少。因为对于模型厂商来说，推理已经是一个要算经济账的赚钱业务了。

以前训练时代是前置投入，更关心理论峰值性能和万卡集群稳定性。现在大家发明了“Token经济学”。模型厂商的总算力池是有限的，投入更多给推理，就没有资源做训练。为了保证模型代际不落后，厂商必须保证训练资源足够，那就倒逼推理部分的经济性要足够好（投入1美元能提供更多的服务）。

所以Token经济学倒逼了硬件企业做很多优化。比如现在推理芯片要做PD (Prefill-Decode) 分离，把Prefill和Decode放到两张卡上以节省硬件性能；要做分级存储，用系统能力榨干Infra的性能。算力还是约束，这会倒逼整个Infra技术往更经济性的方向走。

预见未来：芯片演进与物理AI的挑战

Q6：面向未来10年，AI芯片的核心变量是什么？在“应用定义模型，模型定义硬件”的时代，底层模型架构每年都在变（如MoE架构、后训练技术、Coding Agent需要的长上下文窗口），而硬件企业调转船头较慢，芯片公司怎么维持长期竞争力？

石加圣： 我们的视角是：应用定义软件/模型，软件定义硬件。

我们比较忌讳闭门造车。10年对AI来说有点长，可能1到5年内，需求变化就会非常剧烈。比如Vibe Coding在经济效益上已经比较成熟，但它真正起来的时间其实一年都不到。随之而来的芯片架构优化、存储结构优化、工艺突破，都是水到渠成的事情。

要在变化中维持竞争力，最关键的是理解计算的本质。万变不离其宗，要在变化中沉淀出技术理解：哪些东西应该在软件做（迭代快），哪些需要到硬件做。这也是为什么我们强调，虽然是硬件芯片设计公司，但触角必须触达到应用、Infra和模型，作为输入来确定芯片发展方向。

另一方面，芯片技术本身也在增加灵活度，比如Chiplet（芯粒）技术用得越来越多。同时，AI正在辅助芯片设计（比如辅助台积电等厂商），让芯片设计周期变快。把这些工具箱利用好，我们有信心在5-10年内满足前端需求。

Q7：稍微回扣一下产业链上游，作为“卖铲子的人”，半导体设备板块当前的投资逻辑是怎样的？

肖宛远： 半导体设备确实是今年大家特别关心的板块。

第一，资本开支在逐步从下游的CSP（云服务提供商）往中游的Foundry（代工厂）传导。海外CSP从23年就开始明显加大资本开支，而很多Foundry可能要到25年才开始明显上调。资本开支往上游传导，最终都会变成买设备、建产线的需求。

第二，AI时代和过去科技发展经验很不一样。以前是全球产业链分工，大家发挥比较优势；但现在，整个上下游垂直一体化整合很重要，生态耦合更加紧密。国内科技大循环需要建立自己的制造能力。随着国内模型和芯片能力的提升，国内Foundry有很强的扩产意愿。

所以在中报预告中，大家已经能看到半导体设备企业非常好的业绩表现。今年投AI最重要的一件事就是“找业绩主线”，下半年可以继续关注这个方向。

Q8：今年WAIC首次将智算和具身智能设为独立核心展区。物理AI（Physical AI）和云端AI对芯片的要求有什么不同？模型在不断迭代，是否会“吞噬”所有应用（比如机器人）？

石加圣： 从计算范式来说，云端很看重“吞吐量”以服务大量客户；而具身智能（让AI动起来）可能会要求更低的“延迟”或更低的“功耗”以维持长期运转。物理AI比语言类AI更难的地方，更多的来源于训练数据。

语言类AI有丰富的互联网语料库，但物理AI的数据在质量和数量上目前还是欠缺的。这也是老黄提出“三台电脑理论”的原因：通过模拟（Simulation）生成训练数据是性价比最高的方式。

以自动驾驶为例，不可能老让车去真实撞击。所以物理AI的落地，最终也会回归到基础模型的能力上，云端和边端并没有割裂（一台训练、一台模拟生成数据、终端做推理）。

肖宛远：机器人的模型是经过很多代迭代的。最开始像达芬奇机器人，是纯机械结构；后来像ASIMO机器人，是预编程形式；再往后是大模型带来的VLA（Vision-Language-Action）模型；现在大家追求端到端模型。模型每往前走一步，对硬件的需求都会有天翻地覆的变化。早些年自动驾驶有视觉和激光雷达路线之争，最后整个车的BOM（物料清单）成本取决于你的软件/模型能力。模型能力越强，对硬件传感器的依赖就越低。

至于大模型会不会吞噬一切应用？这也是很多AI创业者常被问的问题。AI可以帮你做数字世界的东西（比如AI分子设计），但例如一个药从设计到FDA审批上市，中间大量的真实实验过程是AI无法替代的。

物理世界还有很多工作要做，这些就是公司发展的机遇和投资机会。

石加圣： 我同意。既然明确AI带来的是快速变化，我们就要去适应变化，而不是等它稳定了再去行动。我们看到行业内很多大公司团队或创业公司，都在尝试在新的环境下把应用做深。

顺势而为，比追求稳妥更重要。

投资心法：在噪音洪流中寻找确定性

Q9：现在市场信息纷杂，迭代速度极快。两位对于怎么区分有效信息和市场噪音，有什么经验或方法？在实际操作层面，对个人投资者有什么建议？

肖宛远：现在的“信噪比”确实下降了，噪音增加的速度比有效信息更多。解决这个问题无非两个形式：

第一，回归第一性原理。判断什么东西符合基本的商业常识和技术常识。金融市场每天股价都在波动，很多人觉得“股价涨了就是利好，跌了就是利空”，实际上很多时候并非如此，更要回归常识。

第二，市场最终会奖励正确的事情，这些事情都是朴素的。股价高位时常会有各种“小作文”或边际变化，但拉长久期来看，这些噪音对市场的定价能力是有限的。市场先生和投资人的久期可能不一样（你一天发现有效，市场可能需要十天），但最终方向是一致的。就像ChatGPT出现至今经历了波动，但市场最终奖励了做正确事情的人。

在实际操作层面：首先，收益永远伴随风险。一个预期收益很高的资产，往往意味着它波动一般也比较大，这是金融行业最朴素的第一性原理。不能只看涨的一面而忽略风险。其次，科技行业个股往往有明显的尾部风险。

对于投资者来说，指数这种一揽子配置的工具，是一个风险收益比比较好的投资工具，它能帮你分散尾部风险。

石加圣：作为科技从业者，我们也会有FOMO（错失恐惧症）的情绪，觉得技术更新太快追不上。

应对方法也是回到第一性原理（底层逻辑）：辨别它到底是形式上的创新，还是本质上的颠覆。另一方面，目前人比AI厉害的地方在于哲学思考和心力修炼。三个月前让你FOMO的技术，三个月后可能并没掀起什么波澜。 我们怎么应对情绪并采取行动？

其实可以借鉴AI的Engineering Loop（工程化迭代闭环）：尝试、生成、测试、有结果再反过来迭代。 我们自己的思考模式也可以这样去迭代。

*以上为基金品牌推广内容，我国基金运作时间较短，不能反映股市发展所有阶段，过往历史业绩不代表未来表现，投资人应详阅《基金合同》、《招募说明书》等基金法律文件，了解基金的风险收益特征，并根据自身的投资目的、投资期限、投资经验、资产状况等判断基金是否和投资人的风险承受能力相适应。本文不构成个人投资建议，不代表刊登平台之观点，用户应考虑文中的任何意见、观点或结论是否符合其特定状况。基金有风险，投资需谨慎，请独立判断和决策。