作者： 小燕， 腾讯科技
编辑丨徐青阳
过去几年，中国科技创投圈最热的几个关键词，几乎都绕不开AI、机器人和具身智能。
在 大模型 赛道，智谱是最早一批被放到“中国版OpenAI”语境下讨论的公司。阶跃星辰、生数科技，也分别站在基础模型、视频生成等热门方向的中心。在 机器人 方向，优必选已经登陆资本市场，银河通用机器人、因时机器人、它石智航等公司，则代表着机器人从本体、模型到场景落地的不同探索。
在这些明星企业背后，有一家共同的投资机构——启明创投。这家机构成立于2006年，旗下管理11只美元基金，7只人民币基金，已募管理资产总额达95亿美元。
多次投中技术浪潮，启明创投的方法论是什么？
近日，启明创投主管合伙人周志峰，围绕启明创投的投资方法论，分享了大模型、具身智能、算力芯片等前沿赛道底层发展趋势，拆解区分概念炒作与真实产业落地的核心标准。
作为投资人，周志峰是不折不扣的AI深度体验者，在交流中他不时从生活化的细微视角切入，描绘出AI技术落地的真实时代图景。他谈及家中长辈，早已熟练刷短视频平台，也能顺畅使用AI完成日常信息查询；自身工作场景里，AI同样深度渗透，日常依靠AI工具完成数据拆解、素材梳理，即便日程紧凑，也会持续关注AI生成短视频的内容迭代。
这些细碎、真实的日常片段，直观印证一个核心趋势： AI 早已不只是停留在实验室理论、期刊论文里的专业概念，或是一级市场仅停留在融资通稿里的资本故事，而是真正下沉至普通大众的手机终端，完成从前沿技术到全民日常工具的跨越。
而投资人的职责，是在这些变化大规模出现之前，判断出哪些技术方向、产品形态和公司，最有可能把这种变化带到现实里。
周志峰把这种思路总结为“快半步”投资——不是越早越好，也不是等市场形成共识后再追进去，而是在技术突破点之后、商业引爆点之前进入。
周志峰 启明创投主管合伙人
周志峰以智谱为例。 2020年5月 ，GPT-3发布，让启明创投看到Scaling Law 正在被验证，大模型已经跨过一个重要技术节点。基于这个判断，启明创投在 2021年12月 投资智谱。彼时，ChatGPT尚未发布，“All in AI”还不是投资圈的集体口号。直到 2022年11月 ，ChatGPT横空出世，生成式AI才真正被推到大众和创投市场面前。
那么，在AI、机器人、算力和芯片这些热门方向里，下一个“快半步”的机会会出现在哪里？现场交流中，周志峰没有直接给出答案，而是更多拆解了这些赛道正在发生的变化。
面对这些火热赛道和大量涌入的热钱，周志峰认为，越是接近风暴中心，越要回到最朴素的问题：有没有创造真实价值，能不能经得起商业逻辑的验证。他多次提到， 市场大概率会进入“show me the money”的阶段。越是新的东西，越要警惕短期关注度和长期价值之间的落差；越是市场喧嚣，企业越要证明自己能把技术变成收入，把想象变成现实。
接下来，为了阅读效率，腾讯科技以第一人称的口述方式，整理了周志峰的核心判断。
01“具身智能，是杀死我脑细胞最多的领域，没有之一”
1、和很多具身智能公司交流下来，我主要有三点感受。
第一，一二级市场都格外看好这条赛道。 核心原因是，这或许是我们有史以来第一个兼具“智能手机的出货规模”和“乘用车的单价”的产业。如果这个行业发展成熟，一年会有10亿台的出货量，单台均价约3万美元、折合20万元人民币，这放在人类两三百年商业发展史里，都是体量顶尖的赛道，没有之一。
第二，大家现在抢IPO，本质上是在抢稀缺性红利。 二级市场本身就有这个特性：一个大赛道前一两家企业率先上市时，因为标的稀缺，它能够享受超级资本红利，直观体现就是股价和市值会高到脱离常规逻辑，所以大家都想抢先上。
第三，很多公司已经越来越难区分。 我们监测到，中国有370多家具身智能相关企业，而且基本上每周还会收到两三家新项目。它们的团队背景、技术路线和落地场景都越来越相似： 无非是教授、小天才、自动驾驶大厂高管或AI模型背景出身；都在讲VLA、世界模型；落地也大多围绕工业制造、物流、商业服务，最近又出现了仿生机器人场景。 但问题是，现在还没有一个客观评判技术水平或模型能力的标准，能真正判断谁的技术更强、落地能力更强。
所以，前一两家公司上市后，可能会因为稀缺性冲到很高的市值。 但半年到一年后，市场大概率会进入“show me the money”的阶段，只看能不能落地，能不能转化成销售收入和利润率。
如果到今年年底、明年年中，一旦落地不及预期，就算成功上市，市值都可能跌到小几百亿区间，一二级市场也会估值倒挂。 一级市场原有估值撑不住，企业后续再融资难度会大幅提升。
关键还是技术。如果机器人赛道没有关键突破，尤其技术路线无法收敛，行业就很难大规模落地。现在各家机器人落地探索，很多用的还是专属场景的模型，并不是当下舆论热度很高的通用模型。如果无法实现技术收敛，就打不开规模化落地场景，到头来只能做一些可有可无的demo项目，商业化规模起不来。
所以我现在能做的，就是持续积极看所有新出来的项目，保证全面收集信息、持续跟踪行业盘面。
现在一级市场还在拼命融资，规模相对稳定的公司在拼命准备上市。但最终，不管上不上市，市场看的还是商业化。如果行业拿不出真实落地成果，市场大概率会迎来一轮深度大调整。
2、我一直不认为世界模型是全新赛道， 未来VLA和世界模型融合的概率超过50%。
它更像是一条技术路径，只是在一级市场被炒成了热门概念。近期新冒出来大概30余家世界模型的初创企业，对比之前的VLA技术路线的公司来看，在商业化落地上没有本质差别。
3、现在具身智能缺少客观评测标准。
语言模型有很多 benchmark，但具身智能面对的是物理世界的劳动力，评测难度高得多。目前全球市场上大概有三五个具身智能 benchmark，但这些榜单最近也受到很多质疑。一些公司靠刷榜取得高估值，业内人一看就知道，没有任何意义。
在标准没有收敛前，我们目前更多还是从底层逻辑来推：第一，算法和模型架构路线是否符合我们的推演；第二，团队是否有丰富的工程化经验；第三，数据策略。数据可能是接下来最关键的变量。 语言模型是给了100亿的 token，才实现Scaling Law；视频模型是给了十亿级clip，才实现Scaling Law。 目前，中美最顶级的具身模型公司手里大概只有几十万小时数据，距离足够规模还差一个量级。但基本中美头部具身智能公司有可能在今年会达到这个数据规模，所以今年可能会实现突破。
一旦技术突破，评测反而会变简单。比如在工业场景里，一家大厂的25道工序，在没有任何的后训练或仅有很简单的后训练，去看机器人完成这些任务的成功率有多少，如果成功率能过50%，大厂就会真的付钱购买机器人；如果只有5%，那就说明还不行。
4、数据是具身模型需要突破的技术瓶颈，但未来一两年可能会快速改观。
要把具身模型做出来，可能需要100万到200万小时训练数据，而且现阶段数据体量比单条数据质量更重要。关于各类数据搭配方案，行业专业叫法是数据策略，近几个月这块已经形成共识。之前行业分几类数据路线，像特斯拉自研真机采集的数据，真实度最高，模型更容易学习适配，后续模型部署到硬件执行时，和训练采集的数据匹配度完全一致。
但这类真机数据采集门槛极高，哪怕特斯拉这种头部企业推进起来也十分吃力，一年产出量十分有限；需要投放1000台机器人，搭配专人值守，单台设备一天有效采集时长仅一两个小时，效率极低，想要攒够100万小时数据，耗时十年都未必完成，特斯拉尚且如此，其他企业更难实现。这类数据质量顶尖，但总量稀缺。早前谷歌、OpenAI倾向采用视频数据，谷歌本身深耕视频模型领域，但海量通用视频数据和机器人实操场景脱节，例如会议室场景视频，很难让机器人学到实操能力，反而会给模型引入大量低质量噪声数据。
介于两者之间的是近一年兴起的UMI数据，工人作业、人类实操时借助可穿戴设备记录真实操作场景，更容易对齐模型训练需求。目前中美头部企业规划今年采购合计100万小时训练数据，其中真机数据仅占 1%–3%，UMI数据约70%，视频数据占20%。诺亦腾从动捕业务拆分独立发展，动捕技术可以优化UMI数据与真机数据采集，现在能够全品类供应各类训练数据。
除了规模，触感数据也会变得重要。 比如机器人拿起一瓶看似普通、但实际更重的液体，人类会立刻感知重量变化并调整握力；但目前的真机数据、纹理数据和视频数据，大多缺少这种触感信息。
所以，现在有一批公司在尝试做触感织物这类方案，用来打造带触觉感知的机器手，采集触觉数据。这个方向投资很热，但目前全球范围内还没有哪家公司的技术做到完全成熟。
5、在具身智能模型层面，中国的优势主要有三个：数据、落地场景和硬件配套。
现在很难量化中美模型技术差别，因为中美在模型上的差距本质上就是算力。技术还没有完全收敛，技术探索研究特别像 在黑夜的大海上航行去寻找金银岛。
美国没有算力限制，头部企业每晚能同时派出30条船，每一轮探索反馈对寻找方向至关重要，每个团队回来汇报路线 ，比如今天沿30°方位角航行5海里没找到目标，后续就不用重复这条路线。
而中国现在受芯片限制，一晚只能派出一条船，核心差距就在这。当前大语言模型的整体路线已经清晰，所以直观感受差距不算悬殊。但如果行业迎来下一次技术飞跃，从概率上来说，同时铺开30条探索路线，对比只走一条路线，美国率先实现技术突破的可能性会大很多。表面看当下模型差距很小，但长期整体差距其实并不小。
不过，在数据、落地产业场景和硬件配套上，中国有明显优势。
美国几家头部大厂都在向中国企业采购数据，这点足以说明他们 自身数据储备不足；
第二是落地产业场景， 中国有宁德时代、比亚迪这类海量制造企业，有充足实体工厂可以协同研发；
第三是硬件配套， 人形机器人整机约有1200个零部件，90%以上供应链集中在中国长三角、珠三角，中国公司可以让本体和模型同步快速迭代。一旦发现模型算法和硬件执行不匹配，两周内就能对接供应商调整优化。
总结下来，中国在硬件、数据层面具备显著优势，美国的优势在模型端，但双方差距并不算大。
6、关于人形机器人“炫技”还是“实用”的争议，很多讨论没有分清概念。
具身智能相关算法大体分三大方向： Manipulation、Navigation导航 和 Locomotion运动控制 。
第一，Manipulation是物理层面的作业操控，具身智能、世界模型都归在这个方向，目前行业整体还没形成统一成熟路线；第二是Navigation导航，技术已经落地成熟，移植于自动驾驶；第三是Locomotion运动控制，也就是跑步、武术这类表演性动作，偏展示。
三者同属机器人AI算法，但决定机器人能否形成大规模商业价值的核心，还是操控技术。 Locomotion发展更成熟，宇树在全球这块做得顶尖，优必选也有不错的积累。所以现在大家觉得它们只会炫技其实很正常，这本来就是它们的强项。近期新成立的360多家机器人企业，主攻的都是操控方向；而宇树、优必选资金充足，也都搭建了相关研发团队，这方面能力也不弱。
单看运动控制这类表演展示类场景，全球市场天花板仅约 10亿美元；反观工业制造相关的机器人落地场景，全球规模要大很多，两者体量完全不在一个层级。简单来讲，运动控制技术成熟更早，早年机器人只能实现跳舞、表演这类功能；要等到今明两年操控相关技术完成收敛，机器人才能落地真正具备实用价值的大规模场景。
02“AI领域有两个变化超出预期，一个变化低于预期”
7、未来一两年，AI公司的估值最终还是会回到收入和交付能力。 传统企业软件公司可能PS估值倍数在5-15倍，处在热门风口、技术领先的行业，倍数能给到20至100倍。像智谱这类企业能不能稳住估值，关键就看营收规模能不能做起来。如果能做到百亿营收，给到100倍PS，对应市值就是一万亿；可如果营收只有15亿，市场估值就会迎来回调，机器人赛道也是同一个逻辑。
企业的ARR年化收入代表它的成长性，账面确认收入代表现金流。机器人行业其实也一样，最终还是要看整体营收，这些财务指标是一把最公平的尺子。
所以，AI公司最重要的还是两件事：模型能力能不能持续提升，客户侧能不能形成真实使用和收入。这两点，决定了公司到底有没有长期价值。
8、过去一年，AI领域有两个变化超出预期，一个变化低于预期。
第一个超预期，是AI算力。 整个算力总盘子以及从训练到推理，算力范式或者需求范式的转移速度等是超出预期的。比如某国内科技大厂，去年算力预算最终落地大概500多亿元，今年给出的预算是去年的6倍多。
所以不管一级市场涌现大批新一代AI芯片企业，还是二级市场炒作HBM内存、光通信赛道，行业各类火热行情，本质都是巨大算力需求在牵引，整套底层逻辑是通顺的。至于个股短期暴涨合不合理，这点我没法判断，但算力市场整体热度和增量，确实远远超出我的预期。
第二个超预期，是模型技术自身发展速度以及市场围绕模型快速形成的共识。 包括今年1月份，随着小龙虾为代表的智能体，coding能力，去年我们做十大展望的时候，在WAIC只说coding能力很重要，没有想到如今代码能力已经成为大语言模型最核心的竞争力。
因为coding能力带来了智能体的能力，我认为智能体的产业价值，对比过去两三年以对话Chatbot为主的AI产品高出无数个量级。同时还形成正向循环：智能体运行产生的算力消耗，是单纯对话类产品的上千倍，这也能解释为什么算力赛道增长全面超预期，这俩是互相关联的。
模型技术的发展及资本市场对模型企业的追捧热度也超出预期。市场对优质模型企业的共识形成速度极快，头部标的市值能够冲击万亿规模；市面上还涌现大量neo labs新型模型创业公司，创始人基本都是95后、00后，这类项目天使轮估值就能到20亿、30亿元，从业这么多年我从没见过如此火热的行情。
低于预期的是AI应用，尤其是2C应用。 我去年判断，2025年是AI应用时代开启的元年。现在看，AI应用的大盘子依然是超预期的，只不过它的打开方式和我去年想的不太一样。今天基本上AI应用主要是与AI Coding相关的，包括智能体的发展，这是我没有预料的。我去年以为也许今年会看到AI真的赋能千行百业，也许出几个有一点点希望成为新腾讯、新字节跳动、新阿里巴巴的2C应用，但今天来看并没有跑出让整个市场特别为之一振的新一代2C应用。
2022、2023年成立的那一批第一代AI应用，大多以对话工具、情感陪伴CharacterAI这类产品为代表，现在不少已经发展乏力，行业陷入产品同质化竞争。用户增速也不复前两年的高速，过去一年整体增长偏缓慢。我们内部复盘总结，核心问题在于：互联网、移动互联网那套用户增长、流量逻辑，放到AI时代做2C产品行不通。
AI玩具和AI短剧都是例子。有些AI玩具企业卖出几十万台，但90%的用户都不会长期启动 AI交互功能，公司坦言这反而是好事，因为如果几十万用户全都是高频对话、持续消耗token，公司根本扛不住成本。在AI短剧中AI内容占比提升很快，但很难跑出真正的爆款。
这说明短剧行业靠规模化体量打底，核心变现却高度依赖爆款作品，现阶段AI还没办法产出很多爆款。这也能说明文艺创作里人的艺术表达、构思占比很重，不是单纯靠AI生成精致人物画面就能支撑起优质内容。
9、过去一年，视频模型技术实现了阶跃式增长。
新一代视频模型，比如引爆全球的Seedance 2.0，采用的都是MoE架构，智能能力提升显著。如今已经支持4K分辨率。也正因如此，现在不少好莱坞影片，可口可乐、麦当劳这类大品牌广告，很多片段全部或部分由AI生成，依托的就是模型高清生成能力。
再到这一轮世界模型，能赋能视频生成，实现物体运动、碰撞效果，还原真实物理规律，放在一年前完全难以预判。过去一年相关企业业务增速迅猛，头部玩家分两类：全球三家大厂，字节Seedance、快手可灵、谷歌Veo；还有创业公司，我们布局的生数科技、爱诗科技、Video Rebirth等，各家的业务与收入基本都实现十倍级增长。
现在好莱坞、广告行业、婚庆、会务公司全都在用。各类落地场景一下子全面打开，我判断今年行业整体商业化规模会迎来大幅提升。
10、Seedance、可灵和谷歌Veo 3的核心优势是算力和数据。
Seedance、可灵跟谷歌这三家算一个类型，即便可灵分拆，仍然能依托快手的算力和数据支持；三家核心优势是自有算力规模，相较生数科技这类创业公司具备优势，同时它们拥有一定的数据优势。视频模型升级后，训练和推理规模都要跟上，这几家公司手里有几万张到几十万张卡，优势明显。
但我认为创业公司仍存在机会：技术尚未完全收敛，创业公司在人才、技术探索迭代速度上不输于大厂。我相信，可灵选择分拆，也有利于持续留住顶尖人才。VC与创业公司存在的底层逻辑在于，创业公司体量虽小，但股权激励机制和能集中全部资源发力，这两点上永远相较大厂更有优势。
市场规模在快速放大，规模化之后分工就会更细化，各家商业化发力点已经出现明显分化。先说语言模型，美国头部三家，不同用户使用感受各有差异，有人觉得Gemini聊天体验更好，但单从技术和产业共识来看，OpenAI旗下ChatGPT用户体量最大，也是最早推出对话类聊天机器人，大量优化都围绕对话场景展开。
主打英文对话场景的话，ChatGPT流畅度全球领先；Gemini背靠谷歌，接入海量线上数据，优势集中在信息检索与整理；Anthropic则从底层第一性原理出发，代码Coding与智能体能力从起步阶段就具备优势，三家已经形成清晰分化。
各家视频生成企业同样路线不同：字节核心面向C端，可灵主打B端业务，我们投资的生数科技同样聚焦B端的某些场景，行业分化趋势十分明显。B端场景和C端场景对模型特性的要求也有不少区别。
11、现在有一个隐患：AI共识形成后，大量热钱正在涌入。
共识形成后大量热钱涌入，最先进入二级市场。目前纯正硬核的AI上市公司并不多，二级市场能承接资金的池子并不大。现在很明显，二级市场的热钱又开始流向一级、一级半市场。很多企业刚刚完成融资，本身并不缺钱，但仍有机构愿意把估值再抬升50%到一倍，立刻追加一轮投资。这批热钱对行业冲击很大，企业拿到超出自身需求的资金，会干扰自身战略判断和日常经营。但我也能理解创业者，有人主动给出更高估值、大把资金，选择拒绝这件事本身很反人性，很难做到。
对我们短期来说利好更多，长期看，市场会被搅得很乱。就像我刚才说的，现在有近十家估值超200亿的具身智能企业，还有十余家百亿估值公司，成立都才两三年，这本身就很不正常。
这么多企业拿到大额资金涌入赛道，很可能掀起无序内卷：一是算力成本水涨船高，原本300万一台的英伟达服务器，直接炒到上千万，全行业算力成本被动抬高；二是人才恶性争抢，行业薪资飙升；三是客户层面无序竞争，各家都没有成熟落地的商业场景，只能扎堆抢夺大客户，单纯比拼营收规模。
这些现象长期来看都会损害行业发展，当下市场里充斥着不少非理性的狂热行为。
12、现在资本市场对年轻AI创业者有一种“谜之热恋”。
第一， 绝大部分机构错过了这波大模型企业在两三年前的投资机会。大部分机构因为没有建立conviction，对AI的决心，当年没有投。到了今年年初，对大模型有共识了，所以很多机构急于补枪，这种情况下肯定会使新出来的模型公司受到特别资本红利。
第二， DeepSeek出来之后大家很震惊，很多媒体报道说核心团队是北京大学、清华大学在读博士生，并不是AI界的“老炮”，所以市场上形成一个印象，就是越年轻就越聪明，越聪明越没有历史包袱就越能成功。现在市场上很多投资人会迷信年轻团队，不是说年轻团队不好，我们也投了非常年轻的团队，也看了很多项目。我只是说把年轻创业者当作投资主要判断依据，我觉得是非常主观的，立不住。
第三， 美国也涌现了一些新的前沿模型实验室。海外三家头部企业核心人员年薪已经达千万美元，一些优秀的年轻研究员，由于丰厚的收入，没有财务上的后顾之忧，选择独立创办新模型公司很好理解，这也带动国内很多年轻人愿意下场尝试。
这股浪潮背后的逻辑能够理解，但我们落地单个项目判断时，不会单纯因为创始人年轻就出手投资。我们核心要看对方的技术路线是否具备颠覆性，或是能做到十倍级提升。哪怕创始人只是在读博士、刚毕业博士，缺少相关行业履历，我们也会多方搜集佐证信息，综合验证团队真实硬实力及研发方向的选择，做完整评估分析。
13、越是疯狂的时代，越要看历史的教训。越是噪音比较多的时代，可能哲学思维越重要，要把这个事想通、想透。
给刚成立两三年的年轻公司，我的建议是，多看历史。越是大浪潮，越要看历史里的教训。
其实在大浪潮——互联网、移动互联网时代都发生过类似的情况，只是规模越来越夸张。90年代末也出现很多一个人就可以融到钱，两年内就可以完成上市。但最终还是尘归尘，土归土，没有真正创造价值，哪怕再受资本市场宠爱，最终也可能失败。
所以，越是疯狂的时代，越要看历史的教训。越是噪音比较多的时代，可能哲学思维越重要，要把这个事想通、想透。
投资本质是我们投资一家企业，它未来能够实现规模化，我们通过IPO等形式实现退出回报。例如我们会投麦当劳，但绝对不会投一家米其林三星餐厅。米其林餐厅再赚钱，净利润高，如果不能实现资本化，没有一个IPO的放大器，是没办法退出的。
03“如果一年后智能体没有起来，算力需求也会被重新审视”
14、今年，美国几大科技巨头全年AI算力投入相关预算规模从7000多亿美元上调到8000多亿美元；中国大概是一千多亿美元量级。
这个统计数据未必完全准确，但方向很明确：这是目前人类商业社会上能看到的，比机器人领域确定性更强、落地周期更近的最大需求，需求非常清晰。
具体举些案例，前几年大家都在做模型训练，但是到今年为止，我们已知字节跳动的算力和推理部分的需求，已经从1:1慢慢变成了推理更多。包括智谱，现在token用得更多，如果它能够保持前几个月的增幅，它肯定推理算力会高速增加。基本上字节这些科技大厂，两三年后每年的推理算力需求都会达到百万张卡级别。所以这是一个巨大的需求，是非常落地、真实的需求。
所以，GPU公司市场需求空间非常大，GPU企业在这个大市场里哪怕只分到1%份额，都意味着一年能实现百亿规模的营收，对应的企业市值轻轻松松能到千亿。但市场会先分散、再收敛。中国现在会容纳很多GPU公司，但五年、十年后，能留下多少？我相信一定是收敛。
15、现在国产GPU大概有三类路线：
现在市场上的AI云端芯片企业，对应三种不同技术路线，后两类是近一年才兴起的，也是当下一级市场特别活跃的方向。第一类是国产GPU厂商，以壁仞科技、沐曦、摩尔线程、昆仑芯、寒武纪、华为为标杆 。目前核心要素是谁拿到了国产供应链的产能。目前仅有少数几家企业能看到持续稳定供货的前景。
因为有供应链的问题，先进制程产能供给受限，现在衍生出两种新的路线，是能够比当前的GPU更满足未来AI的推理需求，也可以规避供应链的问题。两个路线，一种是3D堆叠DRAM，另一种采用DDR。目前做3D堆叠路线、DDR路线的企业各有近10家，其中不少头部企业，当前估值普遍在100亿元至200亿元区间，融资规模都很大。
市场看好这类企业的逻辑很直白：只要产品能够落地量产，一来就能解决产能供给的难题；二来未来推理市场增量空间巨大，这类企业总能分到相应市场份额。
16、市场对算力需求的预期仍在摇摆，这一点值得警惕。
整个市场最需要警惕的就是，前两天已经震动过一次，有报道称Meta要对外出售一部分冗余算力，消息并非Meta官方发布，市场瞬间怀疑之前所有行业预估都出现偏差。消息出来当晚韩国股市直接熔断，三星、海力士股价大跌，国内相关港股、A股同步下跌。
如果后续AI应用落地无法保持持续爆发增长，比如Agent发展一年没有起色，商业化落地也没有更上一层楼，或是模型能力没有进一步提升，只能维持现有水平，整体应用规模就无法提升，对于算力增长的预期就会被击破，一二级市场会出现集中风险。
17、国产高端AI芯片和英伟达的差距，首先在软件生态。
现在能用来做模型训练的基本都是英伟达的卡，所有模型训练体系都是搭建在CUDA生态上的。想要高效率、低成本做推理，肯定要兼容CUDA。这不只是中国公司，AMD也在这件事情上抗争了一二十年。
现在出现了一些变化，第一，相比AI1.0时代，大模型算法收敛度更高，大家做算子优化会相对容易一点，能降低CUDA带来的适配壁垒。第二，这半年大模型代码编写能力变强，现在所有非英伟达芯片厂商，都在用大模型自动做算子适配。但不管怎么说，到目前为止，CUDA生态依然是英伟达最大的竞争壁垒。
硬件层面这么多年一直都在说，我们先进供电制程比台积电落后一代，芯片晶体管数量更少，想要堆出同等算力就得把芯片面积做大，面积变大成本随之抬高，散热压力也会同步上升，是一连串连锁问题。简单说，我们当前高端芯片相比英伟达至少落后一代水平。
