黄郑：智算经济新发展与创投新思路

题记：2026年5月23日，北京大学国家发展研究院承泽论坛第53期暨《AI改变世界：人工智能新发展与智算经济》悦读会举办。本文根据新书作者、科珹资本创始合伙人、可可资本管理合伙人黄郑的主题演讲整理。

今天想讨论的主题是人工智能的最新发展、智算经济的最新趋势，以及相关创业与投资的机遇和挑战。

当前宏观形势下智算经济面临发展契机

我们正站在历史十字路口：一方面，通用人工智能引领的第四次工业革命浪潮到来；另一方面，中国经济正处于改革开放、转型升级的关键时期，这是我们开展投资、研究以及出版《AI改变世界》的宏观背景。

中国改革开放已近半个世纪，经济增长取得瞩目成就。上半场驱动中国经济快速增长的核心引擎有两个：一是中国加入WTO后全面融入国际经贸金融体系，享受全球化红利，增长从长三角、珠三角逐步辐射中西部；二是中国房地产行业，带动上下游40余个相关产业发展。

进入改革开放下半场，尤其近3到5年，统计数据和市场体感都显示传统增长模式遭遇一定挑战，两大传统增长引擎出现放缓，甚至停摆。站在当前经济增长的十字路口，什么会成为新动力，驱动中国经济下半场继续发展？

我们不妨引用发展经济学中常用的一个增长方程:

其中，Y代表整个经济产出，简化处理即为GDP增速；TFP是全要素生产率；K代表资本（capital），L代表劳动力（labor）。

先看劳动力：进入2000年之后，尤其2010年后，中国人口增速、人口自然增长率显著下滑，对应增长模型中劳动力变量发生变化。再看资本：根据世界银行使用的增量资本产出率（ICOR），近年该指标持续走高，说明国民经济中资本边际产出效率不断递减。

因此，在传统增长模式遇阻、原有两大引擎放缓的前提下，经济增速要恢复回升，最重要的是依靠新增长模式，即新经济崛起。其中最基础的变量、最底层的驱动力，就是AI及其赋能各行业产生的新变量。

由此可见，我们应当在增长方程中引入新变量“AI+算力”。模型、数据、算力成为新的核心生产要素，共同决定智能产出的新上限与迭代速度。它不只是新增变量，还会和资本、劳动力等传统要素产生化学反应，让这些要素在新增长阶段焕发新活力。

接下来看外向型经济领域的新变化。加入WTO、融入上一波全球化，对中国经济增长起到了极其重要的作用。但随着国际地缘政治形势发生剧烈变化，当今中国的经常账户和资本账户，在不同阶段都面临着新的挑战。

出口作为“三驾马车”之一，虽然整体上面临挑战，但如果以庖丁解牛的方式拆解开来就会发现，其中与AI、自动化相关的出口项目保持着非常强劲的增长。

2025年前三季度的数据显示，从出口结构来看，AI产业链正在成为全球贸易增长的重要驱动力，也为中国制造业带来新的结构性机遇。仅看中国大陆，AI相关商品出口的占比和总量在全球范围内都十分可喜；如果把港澳台计入，数字则更加积极。AI相关商品出口额占到中国经常账户项下出口总额的三分之一以上，其中尤以存储器、AI相关自动化处理器和控制器等核心零部件的出口增长最为强劲。由此可见，从外部经济形态看，尽管我们面临严峻的外部竞争挑战，但结构性机会依然十分明显。

AI对人力资本和教育的影响

首先讨论AI发展对就业市场，也就是上述方程中劳动力这一核心因素的影响。概括起来，这一影响呈现出K字形的分化态势：AI对就业的影响分为正负两面——它既有创造新就业岗位的一面，也有毁灭传统就业岗位的一面。

K字形向上的一端，对应的是相对资深、对行业认知、人脉资源和产业动态需要更深积累的岗位，AI目前对其冲击相对较小；向下的一端，对应的则是相对年轻的入门级劳动力，AI冲击已经非常明显。

有“AI教父”之称的杰弗里·辛顿教授曾在访谈中有一段话令我印象深刻。他提到，AI要替代他本人这样在行业内已经做到顶层的人物，目前还不容易；但在他所从事的科研行业里，AI对研究助理、年轻助理教授这类初级岗位，已经高频发生产生了翻天覆地的影响。他提到：“AI现在还不能替代辛顿，但它正在扼杀未来30年有可能成为辛顿的年轻人。”

道理很清楚：青年科学家、青年教师需要花大量时间从事重复劳动——测算数据、饲养小白鼠、摇试管，而这类工作正在极大程度上被AI及其衍生的软硬一体工具所替代。这就是K字形分化所反映的、AI对当前劳动力就业市场最直观的影响。

K字形分化给经济实践带来的第一个启示，是AI正在很大程度上重构教育的逻辑。在通用人工智能时代到来之前，我们在学校所接受的成体系的传统教育，大约占到一生认知体系的90%以上，毕业之后重新学习的部分不足10%。但随着AGI时代到来，这一比例发生了潜移默化却十分巨大的变化。参照硅谷的统计数据，并与国内教育培训体系的数据对照，这个比例正从传统的9:1向5:5、6:4演化。直观的结论是：在进入职场之后，传统学校教育教给我们的知识的用处正在大幅缩水；随着AI重塑百行千业，我们更加需要在职学习。换言之，进入职场之后的学习，对个人的职业发展、创业或做投资的影响可能更加重要。

第二个启示，关乎宏观经济层面的“合成谬误”。从微观个体来看，最理性的选择就是积极拥抱AI，这一点已形成共识。但当所有公司都开始拥抱AI，宏观层面却可能形成合成谬误：如果每家企业都用AI降本增效、提高劳动效率，那么整体就业、尤其是短期就业的机会反而会减少。要破解由此带来的困境，只能依靠对人力资本的持续投资，依靠重建教育逻辑和分配保障体制。

因此，从公共政策角度看，随着AGI进一步渗透，我们需要增加与AI成长动能相匹配的职业教育和公共服务投入。当前我国财政性教育经费占GDP的比重还不到4%，需要向发达国家5%以上的水平提升；同时要探索更加普惠、更可及的社会保障，为AI冲击下劳动力市场的结构性变化做好准备和铺垫。

智算经济发展的两条主线：智能体与具身智能

下面谈谈智算经济，也就是AI驱动经济增长范式的新变化。

首先要提示大家关注的核心一点是：token的供给能力，已经在通用人工智能的发展中扮演着极其重要的角色。AI1.0时代是单一模型能力的竞争；接下来，谁能够以更低的成本、更大的规模、更稳定地交付token变得极其重要。

在今年全国两会期间，token终于有了正式的中文译名——“词元”。无论在中文语境还是英文世界，token都是大模型处理文本的最小单位：人类眼中的一个完整句子，对AI而言对应的就是若干个token。token使得任何智能服务都能够被简单、直观地计量，从而很容易被交易、被出口。

我们统计发现，中国开源模型的token相对美国同行具有极大的成本优势。中国最具代表性的大模型以开源为主，如DeepSeek、通义千问、智谱；美国最优秀的大模型则以闭源为主，如谷歌的Gemini、OpenAI的ChatGPT、Anthropic的Claude。中国token的成本相对美国具有几何级的优势。另一个重要指标——海外调用量同样验证了这一结论，排名靠前的阶跃星辰、智谱AI、MiniMax都是中国在AIGC时代涌现出来的本土模型公司。

探讨智算经济发展，我们归纳了两条主线：一条偏软，一条偏硬。偏软的主线沿着AI智能体的发展展开，推动token需求呈几何级增长；偏硬的主线则聚焦智能化、自动化的机器人本体，也就是具身智能。

先看偏软的主线。在中国创投版图上，类似的词汇已不是第一次出现：团购时代有“百团大战”，两年前大模型如雨后春笋般涌现时有“百模大战”；进入2026年，更受关注的则是“百虾大战”，互联网巨头和大模型公司纷纷入局。Open Claw，也就是我们所说的“龙虾”，在2025年底发布后，在GitHub上突破十万、二十万、一百万Star数量等历史性里程碑的速度，远远超过此前互联网时代、移动互联网时代以及此前AI时代的所有项目，成为历史上增长最快的应用形态。我们之所以把Open Claw定义为“智能体时代计算机的操作系统”，正是有这些坚实数据的支撑。

随着Open Claw爆火，大模型的使用方式正在从单轮问答向多步骤、长任务和持续性调用转变，全球token消耗量正呈指数级上升。三个重要指标——活跃智能体的数量、年化执行任务总量、年化token消耗总量，增速都在不断提升。

智能体可以分为两大类型。一类是按需型（on demand）：用户发起一个任务，比如订机票、写一段代码，智能体按照指令和需求去规划、执行、循环并返回结果。另一类是常驻型（always on）：它常驻后台，是7×24小时工作的“好员工”，通常对token的消耗量是前者的十倍以上。

从经济学角度看，Token经济正迎来盈利拐点。在成本端，英伟达GPU、谷歌TPU和亚马逊Trainium等AI芯片持续迭代，推动单位Token的计算与能耗成本不断下降。在收入端，头部模型公司凭借产品能力与生态壁垒逐步重获定价权，Token销售价格趋于稳定。随着价格与成本之间的差额持续扩大，模型公司的单位经济性有望在2026年上半年迎来明显改善。过去，token更多只是市场瞩目的热点；如今，它已转化为真金白银的盈利，能够为市场参与者创造可观的回报。

再看中国开源大模型生态与国产算力匹配体系下的情况。随着摩尔线程、寒武纪、沐曦、瀚博等本土GPU公司崛起，加之供应链安全要求持续提高国产算力的使用比例，本土企业有望通过芯片迭代和模型适配，推动中国市场形成独立的算力成本走势。从中国本土的token供需关系看，利润平衡点可能比美国头部厂商更早出现，持续盈利的空间更早打开；而中国开源模型一贯具有的价格比较优势，也有助于压低全球token的价格走势。

算力出海的底层逻辑已经日趋清晰，那就是把低成本的电力转化为可交易的token：把中国大西北戈壁滩上平均单价仅0.18元一度的风光电能，输入本土AIDC数据中心的GPU集群，再把电力转化成可交易的token，通过横亘太平洋海底长达数千米的光缆，传输到太平洋彼岸，进入美国硅谷程序员的账户中被消费。通过这样一个正向循环，token从最初在中国的电力成本0.18元一度，到美国使用端对应3.6元一度，实现了20倍的增值。

这件事为什么只有中国能够做成？因为我们既有完备的高端制造体系，又有不断崛起的AI大模型公司，还有西北等地极其低廉的风电、光电清洁能源。当这些优势组合在一起，就不难理解为什么这个星球上只有中国能够如此之快地在token国际贸易体系中占据如此有利的位置。

再看偏硬的一条叙事主线：与世界交互的具身智能正在突飞猛进，成为AI发展极其重要的方向。具身智能本质上是把两大范畴的增长结合在一起：第一大范畴是AIGC通用大模型的快速增长，它为机器人提供了更聪明的“大脑”；第二大范畴是中国本就强大的工业机器人，也就是自动化1.0时代积累的优秀硬件。两者结合，使多维感知、交互学习、自我进化这三个核心要素形成闭环。这也解释了当前中国具身智能为何能取得如此迅猛的发展。

具身智能的算法有三条技术路线。

第一条是分层架构，把自动化任务拆解为感知、规划、控制三个独立环节，应对长尾复杂情况的能力是它需要弥补的短板。

第二条是VLA模型，把结构化与非结构化数据——包括图像、语言、动作——统一编码，实现端到端的直接映射，泛化能力较强。

第三条是世界模型，它发端相对较晚，但目前看来成长的天花板更高：通过在“大脑”中构建整个物理世界的模型、模拟物理规律，从而大幅减少对真实数据的依赖，这是世界模型实现突破的核心要点。

AIGC时代，AI正变得越来越聪明。3年前，AI解答高考题，水平大约只相当于中等或中等偏上的考生；而到去年，无论是文科还是理科的高考题，AI几乎都能取得接近满分的成绩。过去12个月里，AI还帮助人类数学家解决了超过85%的历史遗留数学难题。

但另一方面，AI与理想状态之间仿佛总有一段距离，这正体现在物理世界、也就是具身智能接下来要解决的问题上。比如桌上放一个瓶子，让机器人抓取，它对桌面高度、瓶身间距的处理要做到十分“丝滑”，目前仍有挑战。而以世界模型为代表的第三条技术路线正在演化，有望形成突破。

从行业前沿看，一方面要高度关注以第三代擎天柱（Optimus V3）为代表的美国硅谷最前沿进展；另一方面，马斯克本人也明确表示，中国具身智能凭借完备的传统工业体系，以及在大模型时代展现出的能力，二者结合，使中国机器人公司成为特斯拉最重要、最强劲的竞争对手。

我们再用数据看一看中国人形机器人究竟发展到了哪一步。根据2025年全球人形机器人出货量统计，全球出货量约为1.86万台，其中中国的宇树和智元各自出货约5000台，合计超过50%； Counterpoint Research数据显示，2026年上半年全球人形机器人出货量已超过2.2万台，同比增长接近300%，其中智元出货约9,700台，宇树出货超过7,000台，合计占全球市场的比重超过七成；紧随其后的还有乐聚机器人、加速进化、松延动力、银河通用等。从全球市场格局看，中国企业已经在机器人本体制造、供应链整合和规模化交付方面形成较为突出的竞争优势。

这些头部中国人形机器人公司所走的路径和风格截然不同。宇树是典型的硬件派，追求极致的垂直整合能力，最大的优势概括为一个字——“动”，相当于小脑（控制系统）能力极强，每年春晚都给人留下深刻印象。智元的核心优势是“全场景操盘手”，业务拓展与量产协同做得非常出色，它不仅实现技术突破，还把产业化、生态伙伴以及地方政府背景的产业投资深度绑定在自身生态之中。银河通用是北大系创始人创办的优秀公司，长处相对偏软件，战略核心聚焦具身大模型研发：如果说宇树强在“小脑”，银河通用便强在“大脑”，它把具身智能与多模态大模型的底层能力结合在一起，因而能在具身智能行业牢牢占据一席之地。星动纪元主打软硬件全栈自研，商业化能力同样优秀。星海图的收入主要来自具身智能开发平台EDP，发展初期所需投入很大，但平台型公司的优势在于后劲，一旦平台生态形成，下半场的追赶能力可能非常强。

值得注意的是，机器人出货规模增长并不意味着通用具身智能的商业化难题已经解决。当前中国头部企业在机器人本体制造、运动控制与供应链体系方面已经取得显著进展，但不同企业的真实应用深度仍存在较大差异。根据Counterpoint Research统计，2026年上半年，文娱商演、科研教育与数据采集相关用途仍占全球人形机器人出货量的六成以上，智能制造和仓储物流分别占13%和5%。这表明当前行业出货增长仍较多依赖科研、展示和早期应用需求，真正面向复杂生产环境的规模化部署尚处发展阶段。

从更长期的产业发展看，具身智能尽管取得出色进展但仍需要跨越三道关键鸿沟。第一道是技术鸿沟，即从能够完成预设动作的机器人，进一步发展为能够适应动态环境、处理长尾情况并实现自主泛化的智能系统；第二道是场景鸿沟，即从实验室Demo和示范性项目，进入制造业、物流、商业服务等具有真实经济价值的应用场景；第三道是商业鸿沟，即从实现产品销售和初步交付，进一步走向规模化部署、持续复购与经营利润兑现。这三个阶段的突破速度未必同步，甚至可能出现技术快速进步而商业化相对滞后的情况。因此，具身智能最大的长期确定性在于产业发展方向，而最大的现实不确定性，则是商业价值兑现的路径、速度与资本回报水平。

中美AI竞速：六个维度的对照

回到智算经济的大框架，在AI2.0时代，中美在通用人工智能发展格局中，究竟谁能最终胜出、赢得长期优势？

一个经济体如果按传统模式成长，随着经济不断发展、体量增大，增速放缓的压力必然显现，这并不只是中国面临的挑战，各转型经济体都面临同样的破局问题。破局的核心，正是从传统经济增长模式过渡到智算经济增长模式：GDP增长会在放缓之后重新提速，重新获得强劲的动能。

微观层面，这体现为单体规模效应——对每一家企业而言，AI与其技术、运营融合越深，降本增效的能力就越强；宏观层面，则体现为产业规模效应——随着AI技术成熟、产业融合度提升，AI成本进一步下降、能力进一步增强，整个经济呈现出更强的持续增长动能。

在这一框架下，我们对当今世界主要经济体的综合AI发展指数做了排列：一部分衡量与AI应用相对应的市场发展友好程度，一部分衡量AI技术的活跃度，两者加权得到综合指数。结果并不太出人意料，前两名是美国和中国，紧随其后的是德国、日本、英国、印度、法国等。中国的优势在于海量数据、庞大而系统的产业链，以及由此积累的专有数据和工程化能力；美国的优势在于科研创新能力支撑下的高端算力和基础算法，弱项则在产业应用场景和相应的专有数据。

中美全方位竞逐、各显优势，竞争终局将由六个方面的对照所左右：模型、算力、应用、人才、资本，以及在这五大方面背后一个极其重要的推手——能源，尤其是电力。我们先简要勾勒六个方面的基本态势，再逐一展开。

• 在模型方面，美国的原始创新仍有优势，但中国凭借工程创新正在迎头赶上。

• 在算力方面，高端芯片本是硅谷的传统长项，但随着行业重心从训练转向推理，中国工程创新的优势会凸显出来，国产芯片持续崛起、不断取得产业化进展。

• 在应用方面，美国凭借算力普及和云平台拓展，初期发展较快，但中国拥有庞大的用户和数据基础，后劲十分可观。

• 在人才方面，中美毫无疑问都引领全球：美国的人才优势可称为“PhD红利”，中国的人才优势则是“工程师红利”。

• 在资本方面，风险投资、股权投资对技术创新和商业模式创新的支撑作用极其重要；尤其在中国这样的商业环境下，很多时候并不是“大鱼吃小鱼”，而是“快鱼吃慢鱼”，资本的加持是创新技术快速产业化的重要推手。

• 最后是能源，AI的尽头是能源。随着大模型训练、推理和智能体应用规模持续扩张，电力供给能力、能源成本和数据中心建设效率正在成为影响全球AI竞争的重要因素。

先看模型，这也是六个维度中进展最具标志性的一个方面。对比中美两国最优秀大模型的性能演进可以看到，虽然从0到1的原始创新美国仍然领先，但中国凭借雄厚的工程创新实力正迎头赶上，以DeepSeek、通义千问为代表的公司在局部战场形成重要突破。AGI上半场发令枪响之时，双方差距十分明显；而如今，两国大模型的综合能力已经十分接近。

如果选取其他指标，例如大模型发布的数量、AGI前沿领域的核心专利，中国的后发优势还会更加明显。中国大模型的发展令人欣喜，我们理应为之自信和自豪。但与此同时，我们也应该对中国大模型快速增长的热场面有自己的冷思考。客观总结起来，国内大模型持续落地所面临的瓶颈主要有三个方面。

第一是“数据幻觉”。中国大模型从创立第一天起，追求的就是“大”——数据多、参数多，token消耗得多，似乎就对应着更强的AI能力。但事实上，比数据总量更值得关注的是数据语料的质量。高质量数据不足，正困扰着大模型的进阶发展。硅谷有个说法：对于同样质量的模型，输入数据的质量决定了最终输出的质量。走过草莽发展的第一阶段之后，如何获得持续的优质数据来“喂养”大模型，是值得关注的问题。

第二是“供给侧陷阱”。我们在供给侧不断取得进步，对需求侧的关注却严重不足。商业里常讲锤子与钉子的关系：锤子代表供给能力，而钉子应该钉在哪里、应该解决什么问题，是需求端的问题。“百模大战”之下，模型功能高度重叠、雷同，但造出一百把相似的“锤子”，并不能使整体效能更优；我们更需要的，是以犀利的眼光判断“钉子”应该钉在哪里、应当如何校正和优化。当大量行业资源、政策资源涌向供给端的模型和算力时，需求端的培育必须得到进一步重视。

第三是“分配缺位”。任何生产力的快速迭代，都必然要求生产关系的优化和重构。此前每一次工业革命，都发生了与生产力变化相匹配的生产关系重构：蒸汽机催生了现代工厂和工会运动，IT革命引发了知识产权体系的重塑。今天的大模型时代，数据资产本质上属于每一位普通用户——你打车的行程，中午点的外卖，乃至在微信上与亲友的交流，这些语言、文字、图片、视频，无论结构化还是非结构化数据，真正的主人都是用户自己。但现实中，这些海量用户数据正被平台型公司、大模型公司以极低的价格、甚至免费地占有和使用。AGI要进阶发展，相应的生产关系、包括与之匹配的数据分润机制和标准，都亟待优化和明确。

（二）算力：重心转向推理，国产替代窗口开启

中国通用人工智能正从训练侧向推理侧快速突破，为硬件层的创新迭代、为智算中心产业链的国产替代打开了极其重要的战略窗口。训练侧方面，英伟达、AMD优势显著，而随着大模型应用规模扩大和智能体任务复杂度提高，推理算力正在成为人工智能产业增长的重要驱动力。相比前期主要由大规模模型预训练带动的算力需求，推理需求具有调用频率高、应用场景广、成本敏感度强等特点，为国产GPU、专用推理芯片和算力调度服务创造了新的发展空间。叠加供应链安全和算力自主可控要求，国产算力产业有望迎来更加广阔的应用机遇。但需要看到，国产GPU实现硬件性能突破只是第一步，真正进入大规模商业部署，还需要解决软件工具链适配、算子支持、集群稳定性、开发者生态和软硬件协同等一系列问题。未来国产算力的竞争重点，将逐步由单纯追求芯片性能，转向以综合计算效率、系统可用性和客户实际使用成本为核心的产业能力竞争。

尤其值得关注的是，AI算力产业竞争并不只发生在芯片硬件层面，更发生在软件生态和系统平台层面。以英伟达为例，其竞争优势不仅来自GPU芯片性能，更来自长期积累的CUDA软件生态、开发工具、算法库以及开发者使用习惯。对于国产GPU企业而言，即使在部分算力指标上逐步接近国际先进水平，如果缺乏成熟的软件工具链和完善的应用适配，仍可能面临算力利用率不足、迁移成本较高和客户使用体验不佳等问题。因此，未来真正具有长期竞争力的国产算力企业，可能不仅是能够设计先进芯片的企业，还包括能够通过软硬件协同、算力调度和推理优化，将芯片性能有效转化为客户实际生产力的系统型企业。

（三）人才：本科人才全球第一，高端人才仍在追赶

人才是AGI下半场的另一个胜负手。客观地讲，当前中美竞争中，美国在高端人才方面仍有优势。以本科毕业为分界，中国的本科AI人才在全球排名第一；但延伸到硕士、博士乃至真正进入AI一线岗位，美国方面的比较优势逐步显现。如何让优秀人才在中国自身的AI生态中发挥更积极的作用，是我们需要深思的现实课题。从最近期的统计数据看，我国在优秀AI人才的吸纳上正不断取得进步，十分可喜。

（四）能源：比特背后是瓦特

比特的背后是瓦特，AI的尽头是能源。中美AI对决从科技延伸到能源是必然趋势。目前美国AI行业一年消耗的电力总量在850亿到1340亿度之间，相当于荷兰、瑞典、阿根廷三国耗电量的总和。预计到2030年，中国AI带来的电力消耗将超过4300亿度，而快速增长的电耗与绿电供给相对冲，有助于减轻其对绿色低碳转型的扰动。在中美能源对照中，中国凭借能源体系、尤其是可持续新能源方面的优势，占据重要的战略先机，无论是累计装机总量，还是过去四年的新增装机，都遥遥领先于美国。

AI竞速下半场，国家电力系统的能力至关重要。美国电网受制于审批流程、设备老化，整体共建能力不足，马斯克、黄仁勋等AI行业领袖都已表达严重关切。与之形成鲜明对照的是，我国以更强的发电能力和全国统筹的调配系统，能够很大程度上缓解能源与算力错配的局面。

投资视野与终局思考

在当前宏观经济和地缘政治形势下，中美各自涌现出具有高壁垒的优质科技资产，已是必然结果。我清楚地记得，2008年我在美国华盛顿工作，回京正值北京奥运会召开，满大街都是“One World, One Dream（同一个世界，同一个梦想）”的标识，那是全球化进程下中国全方位融入全球金融、贸易和科技体系的写照。时过境迁，不过十余年过去，我们已进入全新宏观经济与地缘政治形势下的高科技创新时代。

于是我们把那句话改写为“One World, Two AIs（同一个世界，两套AI体系）”。美国的AI生态建立在自产的芯片半导体、自研的算法以及自身赋能百行千业的体系之上；与之泾渭分明的，是中国正在快速崛起的本土GPU和芯片、自主可控的算法，以及基于海量用户数据和完备工业体系的AI应用。中国这些优质公司已陆续登陆A股、港股，呈现出旺盛的增长活力，我们也有信心在中美竞速的下半场跑得更好。

进入2026年以来，除了人工智能技术和产业应用的持续进展，地缘政治冲突、国际贸易环境变化以及全球流动性预期，也对核心科技资产的估值定价产生了较大影响。尤其在经历前期估值快速提升后，A股和港股部分科技公司出现了不同程度的波动与调整。

不过，从中长期来看，我们依然看好中国优质核心资产、尤其是核心科技资产的成长潜力。中国完整的制造业产业链体系、持续增强的自主创新能力，以及人工智能、新能源和高端制造等战略性产业的发展，为相关企业构建长期竞争壁垒提供了重要支撑。随着自主核心技术不断突破、产业应用逐步深化，具备真实技术壁垒、稳定经营能力和持续创新能力的优质企业，有望在市场波动中逐步体现其长期成长价值与相对估值韧性。

再看一级市场。从AI1.0向AI2.0进阶的过程中，中国AI格局本身正经历深刻重构，这十余年大致可以分为三个阶段。

第一阶段是“AI四小龙”时期，以商汤、依图、旷视、云从为代表。这些公司从小模型做起，基于自然语言处理等技术，以AI1.0赋能安防、交通、运输等行业，取得了不错的成就。但客观地讲，AI行业迭代极快，今天四小龙都不同程度地面临各自的困难。当年我曾代表美元基金对接四小龙的每一个团队，他们都有远大抱负，但行业迭代的速度超越了创始人在那个时点的预期和判断。

第二阶段是“AI六小虎”时期。随着通用大模型技术快速发展，以智谱、百川智能、月之暗面、MiniMax、零一万物、阶跃星辰等为代表的本土创业企业陆续崛起，并在技术路线和商业模式上形成差异化探索。其中，智谱和MiniMax已成功登陆港股市场，成为观察中国基础大模型企业资本化进程的重要样本。上市初期，资本市场曾对其技术能力、市场空间和未来成长性给予较高估值，但随着投资者对行业竞争、研发支出、盈利路径和股权融资需求的关注不断增加，相关公司估值也出现较大波动。这表明，AI企业的技术突破固然能够打开新的估值空间，但高成长预期同样需要收入规模、商业化效率和长期盈利能力的持续验证。资本市场对于新技术的定价并非单向上行，未来优秀模型公司的长期价值，仍取决于其能否将技术领先优势转化为稳定、可持续的商业竞争力。

第三阶段，就是此时此刻我们所处的、全新范式下的AI2.0时期。模型公司的典型代表包括DeepSeek、通义千问，它们多为开源大模型。更重要的是，它们所立足的“地面”不再是英伟达、AMD，而是快速崛起的中国本土GPU公司，以摩尔线程、燧原、壁仞、沐曦等为代表。DeepSeek、通义千问等开源模型的性能与顶级闭源模型已在伯仲之间，国产AI芯片企业持续发力，正在为顶尖模型提供源源不断的“中国制造”本土算力，这已成为产业界和资本市场的高度共识。

从技术特征、商业路径和技术生态看，三个阶段一脉相承：从当初专注视觉算法等细分赛道的小模型时代，走到今天“大模型+垂类应用”，AI赋能百行千业。开源与闭源的差距进一步拉近，倒逼整个行业进步，正是当今时代最大的特点。

从多年关注AI产业的VC视角，我们可以把整个AI生态想象成一座巨大的金字塔，分为三个层级：最底层是基础层，中间是模型层，最上面是应用层。

基础层又可细分为算力层、算法层和数据层。中间的模型层，据我们对大量科创公司的观察，此时此刻基础大模型公司的“江湖格局”已相对确定；更值得关注的，是AI赋能百行千业所需要的、与之匹配的垂类模型公司。塔尖的应用层，则深度嵌套进百行千业之中。

上一个时代，真正纯粹的互联网公司在国民经济中占比可能还不到10%，90%是传统行业所经历的“互联网+”与“+互联网”，同样的逻辑在AI时代依然成立。因此，AI赋能百行千业的行业应用，以及偏软路线上的AI智能体，偏硬路线上的人形机器人、具身智能、自动驾驶，都会造就优秀的创业与投资机会，这些细分赛道有望涌现新一代伟大公司。其中我们尤其看好以下方向：AI芯片与本土GPU、AI算力柔性供给系统、光互联（包括光芯片、光模块），以及数据层中的合成数据等。

除此之外，我们同样看好并已在孵化、投资若干前沿子赛道。一是量子计算，包括超导、光量子、中性原子、离子阱、硅基等路线，例如中性原子方向，进入2026年二季度之后已涌现出不少优秀创业项目；二是脑科学与脑机接口，分为侵入式和非侵入式，同样可能诞生优秀的创业机会。

在科技出海方面，美国人口约占全世界的5%左右，中国人口约占13%左右。美国市场使用美国的AI，中国庞大的经济系统使用中国的AI，这几乎已是确定的事实。真正尚未确定的，是全球其他80%以上的人口，他们最终会使用谁家的AI——这决定着通用人工智能最终的竞争格局。数据比较已经表明，中国完备的产业链体系、尤其在应用端强大的研发实力，为科技出海提供了源头活水。东南亚、欧美都是中国科技出海重要的空间。

我们三年前开始撰写《AI改变世界》这本书，出版之后，它成为业界较有影响力的AI专著之一。但展望未来，AI改变世界的终局究竟如何，我们仍持谦卑而谨慎的态度。当年茅台、五粮液、格力成为龙头，是因为它们服务人类需求，提升碳基生物生活体验。如今宁德时代、寒武纪及光模块企业，服务机器人、AI，助力硅基生物发展。碳基生物与硅基生物谁会最终在地球繁荣发展，正是我们关注“AI改变世界”的终极问题。

最后，我想引用乔布斯的一句话。面对纷繁复杂、不断变化的格局，我们只有不断拥抱AI带来的新变化，而不可能做把脑袋埋进沙子里的鸵鸟。这就是：Stay hungry, stay foolish（若饥若愚）。

整理：白尧 | 编辑：王贤青