左：錦秋基金管理合伙人楊潔、 右：錦秋基金合伙人藏天宇

錦秋基金無疑今年國(guó)內(nèi)AI賽道最活躍的投資機(jī)構(gòu)之一。

公開數(shù)據(jù)顯示，僅在今年（截止10月底）錦秋基金在AI相關(guān)賽道（芯片算力、Agent應(yīng)用、具身智能、AI硬件等）出手總次數(shù)超50次。被投企業(yè)中更是不乏行業(yè)一線明星標(biāo)的，例如生數(shù)科技、Pokee AI、星塵智能、地瓜機(jī)器人等等。

在夸張的出手總次數(shù)之外，錦秋基金在AI創(chuàng)業(yè)生態(tài)上的成果，更令同行們羨慕不已。從“錦秋小飯桌”到“Scale With AI”硅谷行，再到剛剛結(jié)束的“Experience with AI”CEO大會(huì)，錦秋基金這個(gè)成立僅3年的品牌，已經(jīng)在AI創(chuàng)投時(shí)代刻下了自己鮮明的印記。

11月1日，在錦秋基金第一場(chǎng)AI CEO大會(huì)上，錦秋基金的管理合伙人楊潔為我們分享了她眼中算力/芯片、應(yīng)用和機(jī)器人三個(gè)賽道的歷史性機(jī)遇，以及founder在這些機(jī)遇面前應(yīng)該作何應(yīng)對(duì)；錦秋基金的合伙人藏天宇也分享了他在AI浪潮下的行業(yè)觀察與投資邏輯。透過兩位合伙人充滿洞察與務(wù)實(shí)的分享，我們不難發(fā)現(xiàn)錦秋基金的投資版圖背后，是一套深刻理解技術(shù)周期與創(chuàng)業(yè)規(guī)律的底層邏輯。

錦秋基金管理合伙人楊潔

以下為此次錦秋基金管理合伙人楊潔的分享原文，略有刪減。

今天到場(chǎng)的有三類創(chuàng)業(yè)者，也是我們投資的三個(gè)方向，大家分別有著自己的焦慮：

? 做應(yīng)用的：擔(dān)心OpenAI會(huì)不會(huì)顛覆自己的業(yè)務(wù)？

? 做芯片的：擔(dān)心英偉達(dá)太強(qiáng)，國(guó)產(chǎn)替代空間有多大？

? 做機(jī)器人的：擔(dān)心技術(shù)落地太慢，投資人還有耐心嗎？

我們常說 2007 年的 iphone 時(shí)刻是一個(gè)時(shí)代的開始，在那之后的十年里誕生了高通/ARM、OV/小米、微信/抖音這樣的參天大樹。

而現(xiàn)在，其實(shí)AI時(shí)代的Iphone 的時(shí)刻不是要來，而是已經(jīng)開始了。無論在哪個(gè)戰(zhàn)場(chǎng)，現(xiàn)在都是最好的時(shí)刻。
我想快速地跟大家分享一下我們看到這三個(gè)戰(zhàn)場(chǎng)的歷史性的機(jī)遇。

首先我們可以看下面這張圖，就是技術(shù)迭代的浪潮在持續(xù)地提速。

一方面得益于基礎(chǔ)設(shè)施的完善，另外一方面得益于社媒的豐富，信息可以以更快的速度流通，每一個(gè)新的技術(shù)迭代浪潮都在以更高的速度重塑格局。

而AI 尤其快。相較于移動(dòng)互聯(lián)網(wǎng)的速度，AI的速度快了十倍。

第一個(gè)戰(zhàn)場(chǎng)是AI 應(yīng)用

比較有爭(zhēng)議的話題就是“未來到底是模型一統(tǒng)天下，還是產(chǎn)品更有價(jià)值”。

在錦秋，我們堅(jiān)定地認(rèn)為模型是commodity，價(jià)值會(huì)讓路給產(chǎn)品。

讓我們來看兩張圖，左邊這張圖代表智能提升的速度，右邊這張圖代表在達(dá)到同樣準(zhǔn)確率的情況下，每百萬token消耗的成本。很明顯，成本在劇烈下降。由此我們可以得出模型只是commodity，產(chǎn)品才有價(jià)值，真正懂得用戶的產(chǎn)品是更是稀缺。

現(xiàn)在的客觀情況就是模型還不夠完善，產(chǎn)品還有進(jìn)步的空間，用戶此刻選擇相信誰(shuí)，就會(huì)留下來跟誰(shuí)一起共同成長(zhǎng)，所以“信任尤為重要”。

而市場(chǎng)要的不是“我也能做”，而是“只有我能做”，誰(shuí)真正更懂得用戶，誰(shuí)才能得到用戶的信任。

另一方面，AI應(yīng)用的收入和估值暴漲的速度也遠(yuǎn)超互聯(lián)網(wǎng)時(shí)代的產(chǎn)品。

下面這張圖的左邊是 新興AI 公司，右邊是傳統(tǒng)saas公司。過去這些相對(duì)傳統(tǒng)的公司達(dá)到一億美金 ARR可能要用 4 — 5 年，甚至更長(zhǎng)的時(shí)間，而現(xiàn)在新興的AI公司都以更快的速度達(dá)到了一億美金 ARR的 收入水平，像Cursor 僅用了12個(gè)月。這說明，懂用戶的團(tuán)隊(duì)在形成復(fù)利，AI加速了這個(gè)過程。

芯片是另外一個(gè)巨大的市場(chǎng)。

2025 年全球算力市場(chǎng)是 1, 500 億美金的規(guī)模。 AMD 預(yù)測(cè)到 2028 年，全球算力市場(chǎng)將會(huì)達(dá)到 5, 000 億美金。

我們尤其看到推理芯片的需求在激增，Token 調(diào)用量在加速增長(zhǎng)。谷歌在 Q3 平均每個(gè)月的 Token 消耗是 1, 000 萬億次， 9 月份就達(dá)到 1, 300 萬億。

Open AI 披露的 API調(diào)用數(shù)據(jù)是每小時(shí) 60億次，字節(jié)火山披露的數(shù)據(jù)是每天 30 萬億調(diào)用，也就是一個(gè)月 900 萬億次。這種巨大的調(diào)用量正好證明了推理需求的激增。

在芯片算力方向，我們看到了三個(gè)機(jī)會(huì)：

第一個(gè)是推理芯片的窗口剛打開；

第二個(gè)是芯片-軟件-算法的正向飛輪，本土的大模型倒逼芯片優(yōu)化；

第三個(gè)就是不同的支點(diǎn)，有很多創(chuàng)新團(tuán)隊(duì)在用不一樣的技術(shù)方案去解決問題。

第三個(gè)戰(zhàn)場(chǎng)是機(jī)器人：整個(gè)賽道正在迎來 ChatGPT 的時(shí)刻。

我們可以看到數(shù)據(jù)級(jí)爆發(fā)、資本狂奔、成本下降，這三個(gè)拐點(diǎn)都同時(shí)發(fā)生。

2025 年整個(gè)市場(chǎng)的融資額 414 億，是 2023 年的 5 倍。

不管是做應(yīng)用、做芯片還是做機(jī)器人，其實(shí)跨越這三個(gè)戰(zhàn)場(chǎng)，都有一些共同的法則。

第一個(gè)法則就是“找到不對(duì)稱”。

? 芯片，看推理、看創(chuàng)新；

? 機(jī)器人，看區(qū)分場(chǎng)景的深度；

? 應(yīng)用，講垂直應(yīng)用；

第二個(gè)法則就是“做時(shí)機(jī)判斷，然后決定資源的投入度”。

引用硅谷的一個(gè)預(yù)測(cè)，我們?cè)谥悄芗?jí)服務(wù)這個(gè)大浪潮的 20 年周期內(nèi)，現(xiàn)在才是第三年，也就是芯片即將迎來應(yīng)用的爆發(fā)、客戶的爆發(fā)。

第三個(gè)法則就是“數(shù)據(jù)飛輪確實(shí)有效”。

數(shù)據(jù)飛輪其實(shí)不是單指說我們?cè)谶@個(gè)過程中積累越來越多的數(shù)據(jù)，而是確實(shí)要推動(dòng)某一個(gè)明確的業(yè)務(wù)指標(biāo)，比如收入、留存，或者轉(zhuǎn)化率。

接下來想分享一下，我們看到的快速成長(zhǎng)的公司的三個(gè)信號(hào)。

第一個(gè)信號(hào)就是：解決具體的痛點(diǎn)和用可驗(yàn)證的解決方案。

其實(shí)不用怕垂直領(lǐng)域，因?yàn)樵诖怪鳖I(lǐng)域做到了極致，就掌握了這個(gè)領(lǐng)域的定價(jià)權(quán)。

我們也看到原本 Saas 公司不太愿意去服務(wù)的行業(yè)，比如說醫(yī)療、法律等信息化程度相對(duì)低的行業(yè)也在爆發(fā)。比如美國(guó)的 open evidence，它最新一輪融資是 60 億美金的估值，有 5, 000 萬美金的 ARR。

不用回避套殼。

這里舉了一個(gè)大家都知道的公司 Cursor，其實(shí) Cursor 沒有發(fā)明 IDE，也沒有發(fā)明代碼補(bǔ)全，但是它把這個(gè)垂直場(chǎng)景做得足夠好，所以也用很快的時(shí)間做到了 1 億美金的 ARR，270 億美金的估值。所以套殼不用怕，只要把這個(gè)殼從薄做到厚就行。

第二個(gè)信號(hào)是，做填補(bǔ)鴻溝的產(chǎn)品。

我們可以看到 AI 跑 Benchmark 的能力和 AI 在現(xiàn)實(shí)世界中解決具體問題的能力，其實(shí)存在一個(gè)巨大的鴻溝。同時(shí)大家也能看到模型智能的提升速度。我們就算假設(shè)未來 10 年模型不再更新，那消化現(xiàn)有的智能能力也依然需要很長(zhǎng)的時(shí)間。所以能解決問具體問題，并且能很好地引導(dǎo)用戶使用產(chǎn)品的公司會(huì)有長(zhǎng)期的價(jià)值。

第三個(gè)點(diǎn)是，我們看到執(zhí)行力是唯一的驗(yàn)證成功的途徑。

唯一可能有點(diǎn)絕對(duì)，但在我們看到的案例里面確實(shí)是這樣的。尤其是在現(xiàn)在，因?yàn)?AI 放大了整個(gè)執(zhí)行力的復(fù)利效應(yīng)，所以快的團(tuán)隊(duì)和慢的團(tuán)隊(duì)差距會(huì)越來越劇烈和越來越快地顯現(xiàn)出來。所以你能夠識(shí)別復(fù)利的方向，并且有更高的執(zhí)行力是決勝的關(guān)鍵。

最后我再講三個(gè) 2026 年的預(yù)判：

第一個(gè)預(yù)判：大模型的競(jìng)爭(zhēng)會(huì)持續(xù)，這個(gè)對(duì)于應(yīng)用公司是利好的。

其實(shí)用戶對(duì)模型是沒有忠誠(chéng)度的，在模型之間切換的成本非常的低，所以差異化會(huì)轉(zhuǎn)移到產(chǎn)品體驗(yàn)、垂直場(chǎng)景和品牌信任。我們認(rèn)為模型廠商在未來的這個(gè)發(fā)展當(dāng)中不具優(yōu)勢(shì)，深入場(chǎng)景的產(chǎn)品會(huì)更具有優(yōu)勢(shì)，所以還是想強(qiáng)調(diào)模型是commodity，但是產(chǎn)品不是。

第二個(gè)預(yù)判：我們?cè)趶囊粋€(gè)“個(gè)人助手的時(shí)代”走向一個(gè) “Agent Economy（代理經(jīng)濟(jì)） 的時(shí)代”。

Agent Economy 就是指Agent除了傳遞信息以外還可以傳遞資源，做交易。我們會(huì)擁有一個(gè)全新的經(jīng)濟(jì)系統(tǒng)，在這個(gè)經(jīng)濟(jì)系統(tǒng)誕生的過程中又會(huì)有三個(gè)巨大的充滿挑戰(zhàn)的機(jī)會(huì)：

第一個(gè)就是實(shí)現(xiàn)真正的自主學(xué)習(xí)的機(jī)會(huì)；

第二個(gè)是全新的基礎(chǔ)設(shè)施的機(jī)會(huì)；

第三個(gè)是伴隨著的信任與安全的機(jī)會(huì)。

第三個(gè)預(yù)判就：我們低估了 AI 的需求

科技巨頭資本支出從 2023 年的 2, 270 億美金到 2026 年的 5, 430 億美金，比特、原子、生物-比特世界都在被 AI 重塑，所以我們判斷即便是如此大的投入，依然遠(yuǎn)遠(yuǎn)不夠。

未來我們在重建什么？

做應(yīng)用的founder在重建行業(yè)的工作方式與人的生活方式，做芯片的founder在重建計(jì)算的基礎(chǔ)，做機(jī)器人的founder在重建比特世界與原子世界的交互。

這些都不是漸進(jìn)式的范式創(chuàng)新，而是范式的轉(zhuǎn)移。

AI 加速的速度，過去 20 年要發(fā)生的事可能會(huì)在未來五年發(fā)生。

最后有幾句話送給founder

給做應(yīng)用的founder：“模型是 commodity，有審美有用戶信任的產(chǎn)品永遠(yuǎn)不是”；

給做芯片的founder：“窗口才剛打開，與用戶場(chǎng)景深度適配是護(hù)城河”；

給做機(jī)器人的founder：“ChatGPT 時(shí)刻即將到來，現(xiàn)在積累的場(chǎng)景是未來壁壘” 。

謝謝大家，讓我們?cè)谶@個(gè)充滿不確定的時(shí)代能夠找到你們，讓我們一起全速前進(jìn)。

*錦秋基金合伙人臧天宇和創(chuàng)業(yè)者在Portfolio Logo墻前

以下為此次錦秋基金合伙人藏天宇的分享原文，略有刪減。

首先，我跟大家再分享一下關(guān)于錦秋的三個(gè)重要的關(guān)鍵詞。

第一個(gè)關(guān)鍵詞是專注于AI，我們的整個(gè)投資都是圍繞著 AI 的核心產(chǎn)業(yè)鏈去展開的。

第二個(gè)關(guān)鍵詞是 12 年，我們是一支 12 年周期的美元基金，所以有足夠的耐心，愿意長(zhǎng)期去支持優(yōu)秀的創(chuàng)業(yè)者。

第三個(gè)關(guān)鍵詞是活躍，在過去的一年當(dāng)中，我們出手投資了超過 50 個(gè)項(xiàng)目，從我們的了解看，在整個(gè)行業(yè)是 top 2的水平。

所以我們其實(shí)可以把錦秋作為一個(gè)好的觀察創(chuàng)投趨勢(shì)的樣本，那這張圖其實(shí)是統(tǒng)計(jì)了我們?cè)诓煌珹I細(xì)分領(lǐng)域上的投資數(shù)量。

那可以看到應(yīng)用層的占比是最高的，有56%的項(xiàng)目是處于應(yīng)用層，這個(gè)其實(shí)源于去年中開始我們對(duì)于模型能力和成本趨勢(shì)的一個(gè)重要觀察。

有 25% 的項(xiàng)目是投資在了具身智能領(lǐng)域，具身智能不僅代表了物理世界的 AI 應(yīng)用，同時(shí)也是邁向 AGI 的一個(gè)重要路徑，是我們非常重倉(cāng)的一個(gè)方向。

有 10% 的項(xiàng)目是在算力基礎(chǔ)領(lǐng)域，我們認(rèn)為對(duì)于長(zhǎng)期模型的降本是一個(gè)非常重要的基礎(chǔ)支撐。

此外，有接近 8% 是智能硬件項(xiàng)目，這在我們理解是硬件形態(tài)的AI應(yīng)用。

我們進(jìn)一步和市場(chǎng)的情況做一個(gè)對(duì)比。

這里我們選取了國(guó)內(nèi)最活躍的 20 家 VC 以及 CVC，分析了他們的投資組合?？梢钥吹秸w大家對(duì)于投資領(lǐng)域的注意力分布是相差不多的，但在具體的結(jié)構(gòu)上略有差異。

首先是錦秋會(huì)更加重倉(cāng)在應(yīng)用方向上。

其次，錦秋對(duì)整個(gè)算力基礎(chǔ)層有更加長(zhǎng)期和樂觀的判斷，希望能夠投到一些能夠彎道超車的新算力架構(gòu)上，能夠長(zhǎng)期支持?jǐn)?shù)據(jù)中心和模型的降本。

具身方向大家其實(shí)是有非常相同的側(cè)重，確實(shí)具身也是過去一年國(guó)內(nèi)最火熱，也是融了最多錢的一個(gè)方向。

另外在硬件方向上我們會(huì)更有選擇性，看重那些有清晰的用戶需求和產(chǎn)品定義，并能很好的跟 AI 技術(shù)結(jié)合的品類，而不是盲目的去投資一些所謂的 AI native 產(chǎn)品。

這頁(yè)總結(jié)了部分錦秋的投資版圖。

可以看到，從算力到模型到中間層，再到上層廣泛的應(yīng)用領(lǐng)域，我們都有系統(tǒng)的布局。

圖的右邊，具身是一個(gè)獨(dú)立產(chǎn)業(yè)鏈的垂類，我們也有非常完整的產(chǎn)業(yè)鏈布局。

大家可能會(huì)關(guān)心在投資這些方向背后，我們對(duì)于 timing 的判斷是什么？

從宏觀的視角看，我們核心關(guān)注的是兩個(gè)大的趨勢(shì)，一是智能的持續(xù)提升，第二是獲取智能的成本持續(xù)下降。

過去一年多的這個(gè)時(shí)間里，我們?cè)谶@兩個(gè)維度上都看到了非常明確的變化。

首先來看智能的提升。

今年1月的時(shí)候我們?cè)诠韫绒k了一次活動(dòng)，也邀請(qǐng)我們部分被投企業(yè)的CEO，一起去那邊跟當(dāng)?shù)氐难芯繂T和創(chuàng)業(yè)者做了交流。

當(dāng)時(shí)我們定的活動(dòng)主題叫 scale with AI，其實(shí)更多想強(qiáng)調(diào)的就是當(dāng)時(shí)以持續(xù) scale 數(shù)據(jù)、 scale 模型參數(shù)為核心的這樣一條預(yù)訓(xùn)練的scaling law。

在那邊的各種 panel 交流上，我們發(fā)現(xiàn)其實(shí)很多硅谷的研究員已經(jīng)開始把注意力放到用高質(zhì)量的數(shù)據(jù)集做后訓(xùn)練這件事上去了。

這個(gè)春節(jié)前后，DeepSeek R1和 GPT o3先后發(fā)布，業(yè)界開始進(jìn)入以強(qiáng)化學(xué)習(xí)進(jìn)行后訓(xùn)練的這樣一個(gè)時(shí)代。

到今年4月，Rich Sutton發(fā)了經(jīng)驗(yàn)時(shí)代的這篇文章，進(jìn)一步提出讓AI從直接的經(jīng)驗(yàn)當(dāng)中去學(xué)習(xí)的設(shè)想。

所以我們這次活動(dòng)的主題也變成了experience with AI。

我們認(rèn)為這背后代表的其實(shí)是一個(gè)智能范式的遷移，逐漸地從一級(jí)火箭進(jìn)入到二級(jí)火箭，對(duì)應(yīng)的模型能力的變化也非常明顯。

我們從去年下半年開始加大在 AI 應(yīng)用領(lǐng)域的投資，當(dāng)時(shí)看到模型在整個(gè)對(duì)話能力上已經(jīng)到了非常成熟的水平，尤其各家優(yōu)化后的character模型，能夠非常好地支持像 companion、互動(dòng)對(duì)話這樣的場(chǎng)景。

進(jìn)入今年上半年，隨著 reasoning model 的推出，模型在agentic reasoning、工具使用和coding方面的能力有了非常顯著的進(jìn)步，直接帶動(dòng)了這一波 agent 創(chuàng)業(yè)的熱潮。
再往未來看的話，我們認(rèn)為 physical AI 是非常重要的智能迭代的方向。

當(dāng)你把 AI 放到一個(gè)具身實(shí)體里去的時(shí)候，它可以真正去實(shí)現(xiàn)在開放世界的探索和學(xué)習(xí)，現(xiàn)實(shí)世界直接提供了非常多樣的可驗(yàn)證的任務(wù)環(huán)境，當(dāng)然我們也可以訓(xùn)練一個(gè)世界模型去擬合真實(shí)的世界。那這是我們看到的智能持續(xù)提升的過程。

其次是獲取智能的成本下降。

剛剛楊潔的分享其實(shí)已經(jīng)提到。

看左邊的這個(gè)圖，不僅僅是從宏觀上說模型的每 token 成本有非常大且持續(xù)的下降，而且是在不同的 Benchmark 上面，獲取某一個(gè)特定能力值以上的智能的成本也在持續(xù)的下降。

我們知道，業(yè)界在不斷的構(gòu)建新的Benchmark去迭代模型不同維度的能力。

這意味著未來模型商品化的顆粒度是會(huì)越來越細(xì)的，對(duì)于應(yīng)用層公司來說，未來選模型就像逛超市，我可以去挑選適合自己的模型，而且貨比三家，優(yōu)選性價(jià)比，這是重大的利好。
智能商品化的這個(gè)大趨勢(shì)，其實(shí)在歷史上互聯(lián)網(wǎng)時(shí)代已經(jīng)有一次非常好的例證。

在1996年到2001年之間，美國(guó)的電信運(yùn)營(yíng)商投入了 2.2 萬億美元的資金去構(gòu)建光纖光纜網(wǎng)絡(luò)，推動(dòng)整個(gè)網(wǎng)絡(luò)寬帶的價(jià)格有 96% 的下降，而同期美國(guó)的互聯(lián)網(wǎng)用戶滲透率翻倍增長(zhǎng)，達(dá)到了接近 70% 的水平，為后來整個(gè)互聯(lián)網(wǎng)應(yīng)用產(chǎn)業(yè)的發(fā)展提供了契機(jī)。

我們認(rèn)為在 AI 智能時(shí)代也會(huì)出現(xiàn)相同的趨勢(shì)，只不過這個(gè)帶寬變成了智能的帶寬。

在推動(dòng)智能商品化的趨勢(shì)上，我們認(rèn)為有一個(gè)非常重要的因素是算力架構(gòu)的創(chuàng)新。

如果想要持續(xù)獲得更低的每token成本，推理集群的能效比還需要非常顯著的提升，而這不會(huì)在當(dāng)前英偉達(dá)GPU的這套架構(gòu)下去實(shí)現(xiàn)，而是會(huì)有新的算力架構(gòu)出現(xiàn)。

在這個(gè)領(lǐng)域，錦秋已經(jīng)投資了像近存，存算一體，以及光計(jì)算這樣非常有潛力的技術(shù)路線，也在進(jìn)一步觀察像類腦計(jì)算這樣更加前沿的方向。

上面這兩個(gè)大的趨勢(shì)疊加之下，我們認(rèn)為屬于應(yīng)用層的機(jī)會(huì)是真正到來了。

從去年下半年開始我們就在重點(diǎn)關(guān)注應(yīng)用層的機(jī)會(huì)，這點(diǎn)從剛剛的投資分布里也可以看出來。

我們經(jīng)常被問到的一個(gè)問題是怎么去看應(yīng)用層的變化和機(jī)會(huì)，這里是一個(gè)可供參考的分析框架。

我們認(rèn)為關(guān)鍵還是要抓核心變量。這里可以借鑒互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的歷史做一個(gè)分析。

在互聯(lián)網(wǎng)時(shí)期關(guān)鍵的變化是什么？

一是基于 TCP/IP 這樣一個(gè)開放協(xié)議，能夠把所有的網(wǎng)絡(luò)連通到一起，成為一張開放的互聯(lián)網(wǎng)。

二是 PC 提供了一個(gè)個(gè)人能夠去上網(wǎng)的一個(gè)終端。

所以它核心的影響是搭建了一個(gè)信息的管道，然后在這個(gè)管道上信息傳遞的邊際成本是趨近于零的，所以整個(gè)分發(fā)效率有一個(gè)極大的提升。

在這個(gè)基礎(chǔ)上誕生了像門戶網(wǎng)站，進(jìn)一步到搜索引擎，再到電商平臺(tái)這樣的新的業(yè)態(tài)。

再看移動(dòng)互聯(lián)網(wǎng)時(shí)代，核心的變量是什么？其實(shí)是手機(jī)設(shè)備的誕生，那背后對(duì)應(yīng)兩個(gè)比較關(guān)鍵的點(diǎn)，一是它的隨身性，二是攝像頭。

隨身性意味著對(duì)用戶做了一次全量的數(shù)據(jù)化，包括用戶所處的位置信息，包括一天16小時(shí)隨身攜帶使用，沉淀的用戶行為信息，基于這些數(shù)據(jù)可以對(duì)用戶的特點(diǎn)和偏好進(jìn)行非常好的建模和刻畫。進(jìn)一步就由原本人去找信息的這樣一種搜索模式，變成了直接把信息推送給人的這樣一種推薦模式，變革了整個(gè)信息分發(fā)的機(jī)制。

攝像頭意味著什么？生產(chǎn)工具的平權(quán)，我不再需要有專門的相機(jī)或DV機(jī)，就可以隨手的去記錄生活當(dāng)中的一些碎片，然后做非常輕量級(jí)的創(chuàng)作，對(duì)應(yīng)帶來的是自媒體的崛起，非常大的變革了整個(gè)信息生產(chǎn)的機(jī)制，而且為整個(gè)推薦引擎提供了非常重要的原料。
在這樣的一個(gè)大的變化下，其實(shí)誕生了兩個(gè)主要的新業(yè)態(tài)。一是 LBS service，就是基于人的位置信息，我給你去推送基于位置的服務(wù)信息，像打車和外賣。二是推薦信息流，最典型的像頭條和抖音。

那我們今天再來看 AI 智能時(shí)代，最大的變量是什么？對(duì)應(yīng)可能的影響是什么？

首先從信息生產(chǎn)的視角看，核心的變化是信息、知識(shí)、內(nèi)容，被編輯和生產(chǎn)的邊際成本有非常顯著的下降，甚至也有趨于零的趨勢(shì)，對(duì)應(yīng)帶來的其實(shí)是內(nèi)容供給能力的爆炸。

那由此帶來的機(jī)會(huì)，一是創(chuàng)作的進(jìn)一步平權(quán)。

我今天不只是提供了一個(gè)攝像頭，而是一個(gè)直接帶素材、帶特效、帶剪輯能力的這樣的一個(gè)攝像頭，個(gè)體的創(chuàng)作能力被大大增強(qiáng)。對(duì)應(yīng)典型的例子，像字節(jié)的即夢(mèng)，以及我們投資的Hogi、Romangic。

第二類機(jī)會(huì)，AI可以創(chuàng)造非常個(gè)性化的供給能力，意味著依據(jù)每個(gè)人的需求定制內(nèi)容，比如像Sora2 APP，講了個(gè)性化信息流的故事，例如我們投資的Wakana，希望每個(gè)人可以創(chuàng)造自己的游戲體驗(yàn)。

最后更是可以基于這樣的 AI 能力去締造前所未有的新體驗(yàn)，比如說開放的互動(dòng)式體驗(yàn)。典型的如C.ai，以及進(jìn)一步的衍生，像造夢(mèng)次元，希望能去做一個(gè)UGC互動(dòng)內(nèi)容的平臺(tái)，像獨(dú)響，希望探索人和AI的深度陪伴關(guān)系。

第二個(gè)維度是信息分發(fā)。

這里面核心的變化一是 AI 可以以 copilot 的模式，和用戶共享一個(gè)信息窗，那在這里面可以去做場(chǎng)景感知，并主動(dòng)地去推送服務(wù)。這里面的機(jī)會(huì)點(diǎn)在于誰(shuí)能夠提供一個(gè)好的產(chǎn)品形態(tài)去占據(jù)用戶的context window，例如說AI 原生的OS 或者瀏覽器產(chǎn)品，chatgpt atlas其實(shí)就在做這樣的嘗試。

又比如真正深入到人類所處的物理空間，可以探索下一代的always on的硬件。
另一個(gè)變化是過去的推薦引擎對(duì)于用戶的建模主要還是標(biāo)簽化的，那在 AI 時(shí)代，其實(shí)可以在跟用戶的溝通中，在語(yǔ)義token層面，去進(jìn)行用戶的建模，那這也有可能會(huì)誕生新一代的推薦引擎，并催生相應(yīng)的產(chǎn)品載體。

第三個(gè)維度是從信息到服務(wù)。

過去通過網(wǎng)絡(luò)分發(fā)的只能是信息，在互聯(lián)網(wǎng)時(shí)代很多業(yè)態(tài)最終的交付物是線索leads，例如賣車、賣房、賣保險(xiǎn)等，因?yàn)樽罱K服務(wù)的交付還是要轉(zhuǎn)到線下的人工流程。

agent其實(shí)是有解決具體問題能力的，那可被分發(fā)的就不再只有信息了，也可以是這個(gè)信息背后對(duì)應(yīng)的服務(wù)結(jié)果。所以可以對(duì)非標(biāo)服務(wù)進(jìn)行一個(gè)標(biāo)準(zhǔn)化的執(zhí)行和分發(fā)。例如我們投的head.ai，是在網(wǎng)紅營(yíng)銷場(chǎng)景做這樣的嘗試，又比如Pokee.ai，也在嘗試建立通用且直接有用的agent產(chǎn)品。

最后再分享一點(diǎn)我們對(duì)具身智能的觀點(diǎn)。

我們認(rèn)為具身智能未來的核心還是要構(gòu)建物理世界的 agent 應(yīng)用。但從發(fā)展階段的角度看，具身的基礎(chǔ)模型還沒有達(dá)到一個(gè)gpt時(shí)刻，所以暫時(shí)還沒有到應(yīng)用全面爆發(fā)的時(shí)間點(diǎn)，更需要解決的還是模型和智能的問題。
那對(duì)于提升智能，首先我們認(rèn)為數(shù)據(jù)還是最關(guān)鍵的，這一波AI智能的發(fā)展核心還是數(shù)據(jù)驅(qū)動(dòng)的。

這里有兩個(gè)比較關(guān)鍵的點(diǎn)。

一是我們認(rèn)為跑通第一人稱視頻數(shù)據(jù)的預(yù)訓(xùn)練，其實(shí)是Physical AI scaling 的一個(gè)非常重要的路徑，因?yàn)橹挥羞@部分?jǐn)?shù)據(jù)它是相對(duì)最可 scale 的。
二是我們建議大家還是要盡一切可能去找到建立真實(shí)場(chǎng)景數(shù)據(jù)閉環(huán)的方式，因?yàn)楦鞣Nlab級(jí)的數(shù)據(jù)其實(shí)都會(huì)有real to real的gap，并不是真正高質(zhì)量的數(shù)據(jù)。至于怎么去建立這個(gè)閉環(huán)，無論是采用分段式工程兜底的方式，還是通過先遙操進(jìn)入的方式，都是非常值得去探索的。

要先把硬件布到用戶身邊去，布到真實(shí)場(chǎng)景中去。

不要低估硬件的難度和價(jià)值，尤其是在早期階段，軟硬件協(xié)同迭代是非常重要的。一個(gè)好的硬件本體基礎(chǔ)，對(duì)于算法的開發(fā)和落地有非常大的幫助。

那以上是我的一些觀點(diǎn)分享，也歡迎大家來交流和討論，非常感謝大家。

更多對(duì)全球市場(chǎng)、跨國(guó)公司和中國(guó)經(jīng)濟(jì)的深度分析與獨(dú)家洞察，歡迎訪問 Barron's巴倫中文網(wǎng)官方網(wǎng)站