「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd

导语 过去十年，人工智能完成了从技术突破、产品化爆发到基础设施大规模扩张的跨越。如今，行业正在越过“只要加大投入就能获得估值奖励”的阶段，进入更严肃的经营考验：模型是否能稳定变现？数据中心能否提升利用率？巨额资本开支何时回收？而当 GPU 供给逐步改善，电力、并网、冷却和工程能力又如何成为新的稀缺资源？ 这篇文章基于一场关于 AI 产业投资逻辑与硅谷见闻的课程分享整理，尝试从产业周期、价值链、存储价格、模型竞争、能源约束与 Physical AI 等维度，梳理 AI 下半场最值得关注的变化。 核心摘要 AI 产业可概括为三段演进：2016—2021 年的技术突破与视觉 AI 落地、2022 年的估值出清与 GPT-3.5 产品化拐点，以及 2022 年末以来的 AI 基础设施建设周期。 2025 年末前后成为重要分水岭：市场从奖励“敢于大举资本开支”，转向要求企业证明收入、现金流、利用率和回报周期。 AI 产业链可分为下游模型与应用、中游云与算力服务、上游半导体与能源。模型层的定价权，决定了成本和利润能否向上游传导。 存储涨价周期表明，价格上涨并不自动等于长期机会；当终端承受力达到上限，需求收缩、替代方案和新增供给都会反过来压制价格与估值。 算力瓶颈正由芯片供给向能源基础设施迁移。未来数据中心的扩张不仅取决于 GPU，还取决于电力接入、输配电、冷却、并网和建设能力。 大模型竞争正在分化为极致性能、极致性价比和垂直场景三条路线；真正的胜负手是能否形成可持续的单位经济模型。 人形机器人和 Physical AI 仍面临三维世界数据不足与泛化能力有限的问题，短期更适合在标准化、可控场景落地；自动驾驶则更接近规模化商业运营。 从 AlphaGo 到大模型：AI 的三次断代 回看近十年的 AI 产业发展，可以大致分为三个阶段。 第一阶段：技术突破与视觉智能落地 2016 年，AlphaGo 战胜李世石，让公众第一次直观感受到人工智能在复杂任务上超越人类的可能性。随后，AI 产业的关注度迅速升温，但在相当长时间内，商业化落地主要集中于计算机视觉领域。 这一时期，商汤、旷视等视觉 AI 公司成为典型代表。市场认可 AI 的技术价值，却仍在寻找更广泛的产品形态与商业场景。可以说，当时的 AI 已经“足够聪明”，但离大规模、低门槛地服务普通用户仍有距离。 2020 年前后，GPT-3 等模型已让研究人员意识到生成式 AI 的潜力，但普通用户尚未真正感知其变化。原因并不复杂：技术能力已有雏形，产品交互却尚未成熟。 第二阶段：估值出清与 GPT 时刻 2022 年，全球流动性收紧、风险资产估值回落，市场经历了广泛的“去泡沫”过程。对于 AI 产业而言，这一轮调整并非只是资本市场的降温，也为下一轮产业周期释放了空间。 真正的转折出现在 2022 年末。GPT-3.5 以更易用的聊天交互方式进入公众视野，生成式 AI 第一次从研究成果变成了可被大规模体验的产品。技术突破、产品成熟度提升与宏观环境变化在这一时间点叠加，构成了新一轮 AI 周期的重要起点。 第三阶段：AI 基础设施扩张与 ROI 考验 从 2022 年末开始，AI 进入基础设施建设周期。数据中心、GPU、CPU、存储、网络连接、机柜与配套电力系统，都成为产业链的关键投入方向。 在这一阶段的前半段，市场更关注企业是否足够积极地扩大资本开支：建更多数据中心、采购更多芯片、部署更多算力，往往被视为抢占未来的必要动作。 但到 2025 年末前后，市场的评价标准开始发生变化。企业不再仅仅因为“投入更多”而获得认可，投资者开始追问更具体的问题： 资本开支能否转化为收入？ 数据中心的利用率是否足够高？ 设备折旧、融资成本和电力成本能否覆盖？ 算力租赁的价格是否能够维持？ 模型服务是否拥有持续提价能力？ AI 由此进入“算账”的下半场。增长仍然重要，但增长的质量、回报周期和现金流能力变得更加重要。 重新理解 AI 产业链：模型、云与能源 理解 AI 投资逻辑，需要先统一产业链视角。 产业环节 典型参与者 核心职责 关键问题 下游 模型厂商、AI 应用公司 面向企业和消费者提供模型能力、应用服务 能否形成用户价值与持续付费 中游 云厂商、算力服务商 建设并运营数据中心，提供计算资源 利用率、租赁价格、回本周期 上游 半导体、存储、网络、能源厂商 提供芯片、设备、材料、电力等基础能力 供需关系、价格、产能与基础设施约束 在这个框架中，模型厂商是直接面向用户的一端，包括通用大模型、行业模型和 AI 应用服务商。它们决定了 AI 能力能否转化为真实收入。 云厂商则更像“数字时代的商业地产开发商”：先投入资金建设数据中心，再把算力以云服务或租赁的方式提供给客户。其商业模型并不神秘，核心是投入、利用率、租赁价格、折旧与回本周期之间的平衡。一个健康的云业务，需要能够在相对明确的周期内收回资本投入。 而半导体与能源构成了产业链的上游基础。过去数年，GPU、存储、服务器、网络设备等硬件成为最受关注的环节；但随着数据中心规模迅速扩大，新的约束已经逐渐显现：芯片未必是唯一稀缺资源，稳定、可接入、可扩容的电力正在成为更重要的瓶颈。 “全产业链通胀”正在被打破 AI 基础设施周期之所以能带来显著的产业机会，本质上依赖于一种类似“全产业链通胀”的机制。 以传统地产周期为例：当下游房价和土地价格持续上涨时，开发商可以承受更高的水泥、钢材、设备和人工成本。下游能够涨价，就会将利润和价格空间逐步传导至中游与上游，最终形成整条产业链的盈利扩张。 AI 产业同样如此。 如果模型厂商可以持续提高服务价格，或者通过更高价值的产品和更大的调用量扩大收入，那么云厂商能够承受更高的算力建设成本，上游的 GPU、存储、服务器和能源供应商也更容易获得更高的价格与利润。 但问题在于：模型服务是否真的具备长期提价能力？ 随着中国模型厂商加速追赶、开源模型能力提升，以及全球大模型竞争持续加剧，模型层的价格战正在削弱这一前提。若模型能力逐步趋同，服务价格持续下降，产业链就可能从“量价齐升”转向“量增价不涨”。 这将直接改变投资判断：需求增长依然存在，但估值扩张和利润率提升未必能够同步发生。 存储周期的启示：涨价并不等于长期机会 存储行业是理解周期波动的一个典型样本。 在周期底部，市场常常表现为价格低迷、交易冷清、投资者缺乏兴趣；而当需求改善、库存下降和供给扩张不足同时出现时，价格会迅速上行。涨价初期，市场通常会给予更高的预期和估值。 但价格并不可能无限上涨。 课程中以消费级内存为例指出，当终端产品价格涨到用户难以承受的水平时，需求会明显收缩。对于消费者而言，硬件价格过高并不会自动带来更多购买，反而可能让用户延迟换机、减少配置，甚至放弃相关消费。 这背后反映的是一个朴素的经济规律：供给端的涨价，最终可能引发需求端的崩塌。 对于企业级市场，情况可能有所不同。大型云厂商和数据中心客户对高性能存储有更强的刚性需求，短期内仍可能接受更高价格。但一旦价格过高，也会激励客户寻找替代供应商、优化软件架构、调整采购节奏或推动新产能进入市场。 因此，判断周期品不能只看“是否涨价”，更要看三个问题： 涨价来自真实需求增长，还是短期供给扰动？ 下游是否有能力把成本继续转嫁出去？ 高价格是否会损害终端需求，或吸引新的供给进入？ 从这一角度看，存储行业未来更可能进入需求稳健、价格趋于理性、回报更依赖分红与回购的阶段，而非持续依靠估值抬升实现高弹性增长。 算力瓶颈正在从“卡”转向“电” 过去两年，市场讨论 AI 时，最常见的问题是“GPU 够不够”。而从硅谷一线观察来看，真正的约束正在发生迁移：越来越多情况下，问题不再是有没有芯片，而是有没有足够的电力、变电设施和并网能力让这些芯片真正运行起来。 一座大型 AI 数据中心的建设，远不只是采购服务器。它还需要： 稳定且规模足够的电力供应。 输电、变电和配电基础设施。 冷却系统与机房工程能力。 土地、审批、并网和建设周期。 长期可预测的能源成本。 也就是说，GPU 即使已经到位，如果数据中心无法及时接入电网，算力资产就无法转化为收入。 这也是为什么 AI 基础设施投资的重点正在从单纯的半导体扩展到能源与电力设备：发电能力、电网改造、变压器、输配电设备、备用电源、冷却系统和数据中心工程能力，可能都将成为影响产业扩张速度的重要变量。 对于投资者和产业参与者而言，这意味着一个重要变化：未来 AI 产业链的超额收益，未必只来自“卖算力”，也可能来自“让算力真正插上电”。 大模型竞争：性能、价格与工程能力的分化 大模型行业正在走向明显分化。 一类公司仍然坚持追求最强模型能力，通过更大的训练规模、更高的推理成本和更激进的技术路线来维持领先优势。这类路径需要持续投入巨额资本，也需要依靠更强的性能建立品牌、用户与定价权。 另一类公司则更注重工程效率和性价比：不一定每一次都追求参数规模或排行榜第一，而是关注模型是否足够好用、推理成本是否足够低、开发者是否愿意接入、企业是否愿意采购。 这两种路线并不存在绝对优劣，关键在于商业模式能否闭环： 极致性能路线需要证明，用户愿意为领先能力支付溢价。 极致性价比路线需要证明，成本优势可以转化为规模与利润。 垂直应用路线需要证明，行业场景能够形成更高的切换成本和付费意愿。 真正值得关注的，并不是模型发布时的热度，而是模型能力能否带来可持续收入、留存率和单位经济效益。 Physical AI 仍在早期，自动驾驶更接近商业化 “物理 AI”与人形机器人是当前最受关注的前沿方向之一，但其难点远比训练一个语言模型复杂。 语言模型主要处理文本、图片、代码和视频等互联网数据；而机器人需要在真实三维世界中完成感知、理解、规划和执行。这意味着它不仅要“看见”物体，还要理解距离、方向、力度、摩擦、重力、触感、空间关系以及操作后果。 例如，一个机器人学会开门，并不代表它就能顺利关门；学会拿起一个杯子，也不代表它能在不同材质、不同重量、不同桌面环境下稳定完成操作。核心挑战在于泛化能力不足，以及高质量三维、多模态、具身交互数据的缺失。 因此，机器人短期内更可能先在高度标准化、重复性强、环境相对可控的场景中落地，如工厂、仓储、物流、清洁和特定服务流程，而不是立刻成为可以适应任何家庭环境的通用助手。 相比之下，自动驾驶在特定区域、特定天气与特定运营条件下，已经更接近规模化商业落地。其本质同样是 Physical AI，但它拥有更明确的任务边界、更密集的数据来源和更直接的商业化路径。未来，自动驾驶的发展仍将取决于安全性、成本、监管和运营效率，而非单一技术指标。 结语：AI 的机会没有结束，只是评价体系变了 AI 基础设施建设尚未结束，但“只要扩张就有价值”的阶段正在过去。 接下来的产业机会，更可能集中在能够解决实际约束、创造真实现金流的环节：更高效的模型、更可控的推理成本、更高利用率的数据中心、更稳定的能源供给，以及能够在真实物理世界中长期运行的智能系统。 对于产业参与者而言，最重要的能力不再只是讲述技术故事，而是回答一个更现实的问题：这项技术最终如何创造收入、降低成本，并在持续竞争中保持回报？ 当 AI 进入“算账时代”，真正的分水岭不在于谁拥有更多概念，而在于谁能把概念变成可复制、可交付、可持续的商业结果。 说明：本文依据课程录音转写与会议摘要整理，涉及的市场判断、行业观点与案例仅代表分享者的分析框架，不构成投资建议。