联想创投宋春雨：想投DeepSeek但梁文锋不融资，押中了智谱

来源：铅笔道

一家AI公司多久没有推出新产品，就可能出局？

投资人宋春雨给出的答案是：三个月。

在他看来，在今天，AI模型能力、产品形态和技术路线几乎每个月都在升级，三个月就是一次大迭代……投资人必须围绕下一代基础模型演进的关键技术来投资布局。

最近，在联想创投2026 CVC创投周活动上，铅笔道与多家媒体一起，与联想集团副总裁、联想创投首席投资官、高级合伙人宋春雨交流。

今年，智谱AI在港股上市，一度突破万亿元市值。宋春雨谈到，联想创投在智谱AI最困难的时候选择押注。

“DeepSeek的模型能力几乎压过了中国其他模型，那段时间也是唐杰的至暗时刻。智谱面临融资困难，而我们判断，基础模型公司一旦进入牌桌，竞争就会长期处于你追我赶的状态。一家公司可能暂时领先，也可能很快被另一家公司超过。智谱的人才密度，有持续追赶和迭代的能力……”

联想创投还非常关注AI多模态领域的应用项目创业，字节跳动、米哈游等公司的产品、研发部门负责人出来，就会被盯上。联想创投在这个赛道也有诸多布局，代表性企业演语科技ARR有望达到6亿至7亿美元。

以下是宋春雨访谈内容精华，由铅笔道编辑。

为什么能投中智谱？

这一轮AI产业革命，是一个典型由非共识驱动的过程。很多时候，正确的投资决定可能与过去的经验和直觉相反。

智谱就是一个典型案例。

在AI 1.0阶段，我们投资旷视科技、第四范式等公司，取得了比较成功的结果。这些成功经验，也让我们形成了一套判断早期AI企业的方法。

但ChatGPT出现之后，中国基础模型公司的团队画像，与我们过去成功投资的AI企业很不一样。

这导致我们错过了Kimi和智谱的早期阶段。

阶跃星辰是一个例外。因为我们与印奇有长期信任关系，所以项目一出来，我们很快就进行了投资。

我们很早也注意到了DeepSeek，大概在V2阶段，就认为这个团队非常好。

因为我们投资了Mistral AI，DeepSeek团队还曾希望通过我们与Mistral交流。Mistral是全球较早采用开源MoE路线的公司，对DeepSeek团队也有一定启发。

当时，中国一下子出现了多家基础模型公司，包括智谱、Kimi、百川智能、零一万物等。

我们把这些项目都看了一遍，但最初一家也没有投。

很多财务型投资机构可能会选择把六家公司全部投一遍，但我们不是扫射型投资机构，出手还是非常谨慎的。当时我们最认可的是DeepSeek，但梁文锋不融资。

2023年年初到年底，很多基础模型公司连续完成五六轮融资。我们开始复盘：AI 1.0阶段，我们的投资很成功；到了AI 2.0阶段，我们是不是过于严格了？

后来，我们决定必须在中国的基础模型选手中，选择一家最有潜力的公司。

1月8日，智谱登陆港交所 图源：智谱官方公众号

当时智谱估值已经接近200亿元，DeepSeek又迅速崛起。那段时间也是唐杰的至暗时刻，智谱遇到融资难题。

但我们没有根据直觉马上放弃，而是重新进行深度研究。团队对智谱进行了大量访谈，我本人也与唐杰聊了四五次。最后一次开投资会时，我还在与他通电话讨论。

最终决定投资智谱，主要有几个原因。

第一，我们判断，基础模型公司一旦进入牌桌，竞争就会长期处于你追我赶的状态。

一家公司可能暂时领先，也可能很快被另一家公司超过。DeepSeek本身也是后来追上来的，此前它的能力并不一定超过智谱、Kimi和美国模型公司。

因此，某一时点的模型排名，不应该成为判断一家基础模型公司长期价值的唯一依据。

第二，我们认可智谱的人才密度。

唐杰和清华体系聚集了一批数学、物理和计算机能力非常强的研究人员。我们认为，这支团队有持续追赶和迭代的能力。

第三，当时其他基础模型公司大多选择To C，只有智谱重点做To B。

我们判断，大模型进入千行百业之后，一定会形成To B市场。智谱在产业化和企业服务方面具有差异化优势。

第四，我们进行了大量访谈，发现清华已经非常明确地支持智谱，很多资源正在向智谱集中。

虽然智谱当时的模型能力落后于DeepSeek，但我们愿意下注唐杰和团队持续追赶的能力。

三个月没产品基本出局

AI行业的竞争，已经开始以一个月、三个月计算，和过去非常不一样。

我们与海内外同行交流时，发现大家都非常重视未来一个月到三个月的变化。因为很多人相信，一个月或者三个月内，就可能出现革命性的技术突破。

行业里有一种说法：如果一家公司一个月没有推出有影响力的产品，它可能已经落后；如果三个月没有做出重要进展，基本就可能出局。

前一段时间，很多人认为Claude Code在AI Coding方面的能力非常强，增长速度也非常快。但很快，OpenAI的Codex又可能超过它。Kimi通过三万亿参数的大模型，也重新回到了SOTA开源基础模型的牌桌上。

模型能力和竞争格局的迭代速度非常快。对这个行业来说，三个月已经是一次非常大的迭代。

盯着头部科技公司业务“一号位”

在应用层，我们把机会分为数字世界和物理世界。

数字世界的核心是智能体，有两个领域最有可能出现平台级应用。

第一类是软件，包括AI Coding。未来，大量软件开发、设计和操作流程都会被AI改变。

第二类是内容，尤其是多模态。人们刷抖音、看Instagram、看电影和短视频，未来这些内容中会有越来越高的比例由AI和智能体生成。

我们在这个方向投资了不少项目。

在多模态领域，我们投资了演语科技。按照目前的发展情况，它的ARR接近4亿美元，预计到今年年底，ARR可能接近6亿至7亿美元，公司估值接近30亿美元。

演语科技旗下AI创作平台LiblibAI

半图科技由米哈游AI研发负责人创立，可以生成并实时运行可训练的超写实数字人。这些数字人不仅可以对话，还能根据指令唱歌、跳舞和实时互动。

阶跃星辰则在探索多模态基础模型与终端设备的结合。

我们希望在AI应用领域找到具有平台属性的机会，投出下一个小红书或者字节跳动这样的现象级公司。

我们对AI应用创业者的要求也在提高。现在，我们投资的很多团队，都是字节跳动、剪映、米哈游等公司的产品或研发负责人。只有人才密度和产品能力达到很高水平的团队，我们才会下注。

在物理世界，我们重点看两个方向。

一个是自动驾驶。过去，自动驾驶仍然没有真正解决泛化问题。大模型出现之后，把新的模型能力应用到自动驾驶领域，一些过去十年没有解决的问题，可能在半年内就将取得突破，并且向产业渗透。

另一个是机器人。我们对机器人的投资是全栈式的，从核心部件、基础模型训练，一直到垂直行业落地，都在进行布局。

- 04 -

三大优先投资方向

现阶段，第一个优先方向，是围绕下一代基础模型演进的关键技术进行布局。

前一阶段主要是语言大模型。接下来，我们会重点关注多模态基础模型、具身智能基础模型和AI for Science。

现在中国很多具身智能公司，仍然是在单一场景中做Fine-tuning，不具备真正的泛化能力。我们希望寻找能够实现泛化的具身智能基础模型，这也是我们投资AMI的重要原因之一。

第二个优先方向是推理算力。

预训练Scaling之后，推理计算和Agentic强化学习都将进入Scaling阶段，需要大量针对推理优化的专用芯片和基础设施。

我们投资算苗科技、无问芯穹等公司，本质上都是在解决推理计算成本和效率问题。

第三个优先方向是AI应用。

我们的布局重点会从AI Coding逐渐迁移到AI多模态。同时，我们也关注基础模型如何进入垂直行业。

无论是Palantir的FDE模式（前沿部署工程师），还是NeoCloud模式（新型云平台），核心问题都是如何把基础模型与企业业务结合，构建千行百业的Token经济。

- 05 -

硬科技投资五大分歧

下一代AI技术路线还远没有形成全面共识。

这反而是好事。所有人都形成共识之后，资产价格就会被抬高，投资机构也很难获得超额回报。

这一轮AI革命，不是简单依靠商业模式创新，而是要等待科研和技术原点真正取得突破。

其中一个重要分歧是：基础模型还能不能继续Scaling？

有人认为模型规模已经接近上限，但我是比较坚定的Scaling派。

预训练、推理计算和Agentic强化学习之后，我认为还会出现更大规模的Scaling。比如AI for Science是否需要更大的模型，现在没有人知道，必须由前沿实验室继续探索。

这也是我们持续投资算力、更大模型和更优算法的原因。

第二个分歧是能源问题。

AI对算力和能源的消耗非常大。第四次工业革命能否持续，很大程度上取决于能源供给。

所以我们也开始布局更底层的能源技术，包括可控核聚变，投资了诺瓦聚变。可控核聚变等新技术，某种程度上也是为了支撑这一轮AI革命而出现的。

第三个分歧是Token经济的商业模式。

Token经济究竟是什么样的经济，目前还没有完全清晰。

一种模式是NeoCloud，由云计算平台提供算力和模型服务。

第二种模式是Model as a Service，把模型与算力打包，通过出售模型服务计算Token收入。

第三种模式更加颠覆，不按照消耗了多少算力收费，而是按照最终效果和交付成果收费。比如直接交付代码，客户按照代码创造的价值付费。

第四个分歧是开源和闭源。

我认为，开源模型会受到大型企业客户欢迎，特别是拥有私有数据的企业。它们不愿意把自己的数据、流程和Know-how交给闭源模型，因此会有很强的私有化部署需求。

非常有意思的是，现在全球三个开源基础模型的领先企业，DeepSeek、Kimi和智谱，都是中国创业公司，而不是大厂。

第五个分歧，是基础模型和应用之间的关系。

我们内部经常讨论一个问题：基础模型会不会“吃掉一切”？基础模型会吞掉多少应用？应用公司的机会究竟在哪里？

- 06 -

算力紧缺会持续

目前AI商业模式需要消耗巨大的算力和能源，有点像“吞金兽”。

大公司增加AI资本开支时，资本市场有时会担心投入过大，甚至在财报公布后出现股价下跌。

我认为，这种现象是短期存在的。

这也是我们为什么加大投资新型算力架构。行业必须大幅降低Token成本和计算成本，只依靠GPU是不够的。

当前基础模型企业对算力仍然处于供不应求的状态，基本上是“有多少卡收多少卡”。

一方面，它们需要训练更大的模型；另一方面，还要探索AI Coding之外的多模态、机器人、AI for Science和世界模型。

这些前沿方向都需要大量算力。

我个人判断，未来一到两年，算力供应短缺和高资本开支仍会持续。

全行业都在等待一个临界点，也就是AI的经济模型真正转正。过去半年已经出现了一个比较重要的苗头，就是AI Coding。

AI Coding能够比较直接地证明AI进入企业之后的商业价值，因此也会推动新一轮算力军备竞赛。

- 07 -

AI推理带来的三重机会

推理是用户每一次使用模型时都会发生的成本，因此，推理商业模式对成本和性价比极其敏感，而现在的推理成本仍然很高。

这会推动整个推理架构进行全栈优化。

在芯片层，需要出现为推理专门优化的处理器。

在Infra层，需要根据不同基础模型和不同芯片进行深度优化。无论使用英伟达，还是摩尔线程、沐曦等芯片，都需要把模型性能和吞吐量优化到更高水平。

在NeoCloud层，企业通过运营整套系统，为客户提供更低的推理成本和更好的推理性能。

因此，推理产业会形成芯片、Infra和NeoCloud等不同层次的垂直分工。

中国能够直接竞争NeoCloud的企业可能相对有限，但在推理芯片、新型计算架构和模型基础设施方面，仍然有很大机会。

例如算苗科技利用3D堆叠降低计算成本；无问芯穹这样的企业，则可以在模型和算力之间进行深度优化。

所以，AI Infra领域仍然存在比较明确的创业机会。

- 08 -

50%的AI应用可能被基础模型消灭

在过去半年，基础模型已经把一些通用能力直接内化了，包括通用Harness、通用Deep Research和部分通用AI Coding能力。

因此，创业公司必须与可能被基础模型吞掉的领域划清界限。

Cursor曾经长时间引领AI Coding，但后来也受到Claude Code和OpenAI Codex的直接竞争。

对于投资机构来说，即使一家应用公司最终被几十亿美元收购，也可能带来不错的回报。但从长期独立发展的角度看，通用型基础应用正在被基础模型吞吃。

简单一点说，我认为大约50%的AI应用可能会被基础模型吃掉。

什么样的应用更有机会长期存在？我们主要看三个要素。

第一，任务足够长程和复杂。

第二，能够进入企业的核心业务工作流。

第三，拥有闭源、原生的数据，也就是Agentic Data。

Agentic Data是AI在企业内部运行过程中产生的数据，在公共互联网中找不到，也很难被通用基础模型训练进去。

通用AI Coding应用很难长期守住。通用Deep Research团队也比较难守住，因为它们处理的数据主要来自互联网，基础模型很快就可以获得相似能力。

一些法律AI公司也面临同样的问题。如果核心能力主要来自公开法律数据，基础模型可能逐渐覆盖它们的能力。

复杂长程任务则不同。

例如AI短剧涉及导演、镜头、节奏、审美和大量连续决策。不同导演有不同的风格和品位，不可能通过一个通用基础模型完全解决。这类任务更难被基础模型直接吞掉。

另一类机会，是把开源基础模型带进企业工作流。

Palantir、Airbnb等企业不愿意把内部Know-how、工作流、数据和Skills交给Anthropic或者OpenAI的闭源模型训练，因此更愿意使用开源模型和私有化部署方案。

这也是中国开源模型的重要机会。

- 09 -

具身智能的“ChatGPT时刻”

具身智能真正的分水岭是泛化。

市场上90%以上的具身智能公司，仍然采用深度学习 1.0时代的逻辑。

企业可以组织数据科学家，针对一个场景做Fine-tuning和单独训练，在这个场景中表现得非常好。但是换一个场景，就要重新投入一批人进行训练。

这种模式不能Scaling，也不具备真正的泛化能力。

例如机器人在一个房间里可以非常流畅地叠被子，但换一个房间、换一张床，或者房间形状发生变化，它就可能不会做了。

语言模型进入2.0时代后，Transformer的重要价值在于泛化。模型不需要针对每一个新任务重新训练，拿到新场景中就可以直接使用。

目前大多数具身智能模型还没有达到这个阶段。

它们可以解决一个房间、一个工位或者一个工厂场景的问题，但换一个场景就要重新投入人员和数据，成本非常高。

AI 1.0和AI 2.0的本质区别，就是有没有泛化性。

谁能够率先证明具身智能基础模型具备泛化能力，迎来具身智能的“ChatGPT时刻”，谁就可能成为物理世界中最重要的公司之一。

我判断，具身智能的泛化能力可能在未来6到10个月出现比较重要的进展，因为现在已经看到一些苗头。