全球 AI 版图与投资风向|圆桌精要 嘉宾来自二级市场、交叉资本与企业风投。开门见山:AI 资金洪流正在重绘全球力量版图。 1)地缘格局 •中美是唯二“超级引擎”。美国在基础模型、人才与资本上继续拉开差距;中国在应用落地、工程优化、供应链效率与成本控制上强势,许多场景(医疗影像、边缘终端)5 年前已商业化。双方相互低估常见:美国易忽视中国在应用层的速度与规模;中国易低估美国在基座模型与基础研究的领先幅度。 •欧洲步调更稳,受监管牵引; •中东意在自给自足的 AI 战略,重金扶持本地初创,布局数据中心与云。 2)赛道偏好 •算法走向:多模态、小模型与MoE降低推理成本;蒸馏让中小模型在子任务上媲美大模型,并可上边缘设备。 •数据与合规:从“量”转向“质”,需要付费/授权机制与隐私计算/联邦学习,企业或自训、或授权他训。 •硬件与基础设施:GPU/TPU 的矩阵并行与低比特量化红利在兑现,但访存/带宽/能耗成瓶颈;通信光互连从机架间向机架内加速渗透。 •数据中心与能源:电网老化、算力用电缺口扩大,SMR(小型模块化核电)、分布式储能与“算力就近”将成关键投入。 3)垂直与“物理 AI” •医疗:影像可疑点标注、EKG/编码/文书自动化是“低垂果实”,单个医生节省 1 小时/日即创造系统价值。 •机器人/物流/餐饮自动化:从仓内搬运到前台饮品机器人,软硬一体打开百亿级市场。 •内容电商:AI 生成内容+供应链,东南亚与美国同步起量。 •航天与新空间:可重构卫星网络、太空数据中心、失重环境材料/药物研究,受发射成本指数级下降驱动,进入产业化窗口。 4)资本与回报 •今年百亿美元级资金高度集中于少数基础模型公司,但历史上最佳回报往往来自产业垂直与应用层。 •中国硬件创业在成本、效率、产能上具数量级优势;美国 B2B 软件 体系成熟。 •一级/二级市场:二级龙头估值高企但仍有结构性机会;面向“算法+数据+场景”的垂直龙头,5–10 年拿到 10–15× 并非天方夜谭(风险自担)。 5)方法论 •投资上坚持“5-UP”:深扎复杂行业工作流、抗“大厂升级坍塌”;以应用牵引而非盲逐通用代理。 •创业上先做过硬突破再谈公司,人才迁移比技术转移更重要;对齐雇主/政府/保险/医院/患者激励,规模化才可期。 •参与胜于旁观:我们常高估一年、低估十年——AI 的“下一幕”需要你在场。 结语 AI 正在把“能源—算力—数据—应用”的链条重新焊接。多模态与小模型上边缘、数据合规与付费、硬件光互连与低能耗、医疗与机器人等垂直将是未来 3–5 年的主航道。要么留在旧地图,要么一起书写新章。
AI、金融与资本市场的未来|Gary Gensler 演讲要点 生产力与增长 真正推动 GDP 的并非简单自动化,而是转型与增强。自动化本身未必拉动增长,关键是市场集中度、就业、工资、通胀与金融稳定如何演变。 未来某个时点(也许 2030 年代),AI 会触发一场金融危机。不一定像 2008 年那么严重,但风险真实存在。 乐观与谨慎的分歧 顶尖经济学家意见分化:有人认为 AI 十年内难见显著生产力增量,也有人极度乐观。现实或许介于两者之间。AI 本质上是非线性、非确定、超维度的数学系统,解释性难题短期难解。 集中度与地缘政治 •芯片制造、稀土精炼、台积电等环节高度集中,带来国家间的博弈。 •厂商则靠“护城河”锁定用户,强化依赖。 •数据泄漏与价格不透明也是隐患,尤其在金融业。 •中美竞争是主轴,欧洲、拉美、亚洲、非洲如何在“算力与数据依赖”中保持韧性,是关键挑战。 资本市场的映照 •1964 年市值前四:IBM、GM、AT&T、埃克森。 •今天前 10 大公司占美股 40% 市值,其中数家单体突破万亿美元。美股总市值相当于 GDP 的 225%,约占全球股市的一半。 •仅四家巨头(亚马逊、谷歌、微软、Meta)每年在 AI CapEx 上投入 3000 亿美元,几乎等于 1% GDP。 •上半年美国 GDP 增长的一半,来自芯片与数据中心支出。 金融应用与风险 •成功落地:客服、理赔文档、情绪分析、小型量化交易特征提取。 •局限:推理延迟大、错误率高,尚不适合高频交易。 •金融业依赖外包与服务商,中小金融机构需要 AI 服务商,这是初创公司的大机会。 •但必须关注欺诈、操纵、深度伪造等风险。监管要为 AI 加上“护栏”,避免金融欺诈与市场操纵。 泡沫与差异 •AI 投资热潮与 19 世纪铁路泡沫、2008 房地产泡沫不同:大部分资金来自现金流充裕的巨头,而非债务。 •因此即便存在泡沫,其性质也更可控。 对创业者的建议 1.服务定位:为金融机构提供数据清理、模型编排、RAG 等外部服务。 2.合规框架:长期发展必须在法律政策范围内,避免单纯投机。 3.守住客户与数据:银行利润空间巨大,金融科技切入点是找到数据与客户洞察。 4.内部颠覆:允许团队内的“创业者”推动 AI 应用,否则容易被外部颠覆。 加密货币的对比 AI 的价值主张清晰,Crypto 大多仍停留在情绪与投机。稳定币是美元变体,其他代币的长期价值存疑。资本市场最终会让基本面追上情绪。 结论 AI 将继续是变革力量,但伴随集中度、金融危机、地缘政治与监管难题。对企业与投资者而言,机会在于深度应用、垂直服务与合规创新。对国家而言,如何在数据、算力与监管上建立韧性,决定未来在全球 AI 地图上。
硅谷的技术浪潮与 AI 革命 约翰·L·亨尼西演讲摘要 今天上午的主题对话嘉宾是约翰·L·亨尼西(John L. Hennessy),他是 Alphabet 董事长、美国计算机科学家,被誉为“硅谷教父”,2000–2016 年任斯坦福大学校长,并因与大卫·帕特森(David Patterson)共同开创 RISC 架构获 2017 年图灵奖。 硅谷的起点 硅谷历史可追溯到二战前。MIT 出身的弗雷德里克·特曼(Frederick Terman)来到斯坦福任教,招回比尔·惠利特(Bill Hewlett),与戴夫·帕卡德(Dave Packard)一起创业。他们发明了温度补偿音频振荡器,卖给迪士尼用于《幻想曲》,这就是惠普的开端。车库实验室的故事也由此流传。 从此,硅谷迎来一波波技术浪潮:半导体、集成电路(英特尔、AMD、仙童)、微处理器与个人电脑革命、互联网与思科、万维网与谷歌雅虎、社交媒体与 Facebook、Snapchat……每一波浪潮最终留下 3–4 家巨头,推动格局不断变迁。 创新源头 早期突破来自 IBM、贝尔实验室、施乐 PARC 等研究机构。晶体管、集成电路、个人电脑、图形界面与鼠标都从这里起步。斯坦福、MIT、伯克利、卡内基梅隆等大学成为人才与思想的孵化器。互联网最初服务科研,直到杨致远等人用 Yahoo 做出在线点披萨,我才意识到互联网将改变一切。 人才与创新 硅谷的经验是:转移的不仅是技术,更是人。真正推动创新的,是敢于挑战旧路的年轻人。谷歌的成功离不开佩奇、布林,更离不开后来数百位来自斯坦福、伯克利的人才。创新需要人去承载、去相信。 AI 革命 今天我们正处在人工智能的浪潮中。几十年的基础研究,加上近十年的突破——深度神经网络、Transformer、自监督学习——使 AI 在图像识别、自然语言、推理上突飞猛进。关键要素是算法、数据与算力。ImageNet、Wikipedia、亿万网页训练了这些模型。RLHF 帮助它们减少错误,但完美仍不可期。 技术与社会挑战 AI 发展面临三大挑战: 1.训练成本飞速上涨,算力需求超过硬件降价速度。 2.能耗问题,数据中心能耗是人脑的数千倍。 3.高质量数据枯竭,2030 年前后或遇到瓶颈。 同时,AI 引发就业与社会担忧。程序员、教师、医生都面临改变,但若定位为“增强人类能力”而非替代,就能释放积极价值:减轻医生文书负担、为教师提供个性化辅导、让学习与诊疗更高效。 展望 AGI 十年前大多数人认为 AGI 需几十年,如今很多人预计 5–10 年。大模型已超过人类平均水平,向专家级迈进。但它们的学习效率、能耗远不如人脑。我们仍需从神经科学汲取灵感,把革命推向改善人类生活的方向。 “真正驱动硅谷的,不是单个公司,而是一波又一波的技术浪潮。今天,AI 就是新的浪潮。” ——约翰·L·亨尼西 ⸻