一级投资人眼中的 2026 AI 上半场：FOMO、数据闭环与上市潮

李丰：大家好，欢迎来到这一期的产业观察。我是峰瑞资本的合伙人李丰。AI 相关的二级市场，尤其是芯片、存储等等相关的这些产业链公司，在过去的一周和最近这几天产生出了巨大的波动。

当然由于 Meta 在这两天关于他们自己的一些算力基础设施的安排，也导致了不同的话题讨论，不管是存储还是芯片，还是 AI 的基建、算力中心的投建，这些话题是不是到了一个阶段性的高点或者泡沫要开始破裂等等。

我们请了我们两位跟科技投资有关的同事，让他们讨论和交流一下关于 AI 投资，也会涉及到我们处在泡沫的哪个阶段，以及在不同的影响下假定之后的泡沫破裂会发生哪些事情。

当然他们的话题也涉及到了非常多今天的在我们这个行业里比较重要或者叫时髦的一些投资方向，不管它是机器人还是由机器人引起的世界模型、物理模型，还是由 OpenClaw 小龙虾引起的 Agent，以及 Agent 所带来的这些词源就是 token，整个经济的可能应用和商业模式的变化。

当然也涵盖了从云到边到端，就是简单来讲从训练到推理，也到端侧芯片，整个从芯片来看，随着应用和 AI 泡沫的不同阶段，这些芯片和基础设施以及硬件架构会怎么改变，他们当然也涉及到了这些话题。

他们各自讨论的内容也都只代表他们各自的意见，因为在我们基金内部，大家基本上采取了尽量公开透明的讨论方式，能够听取别人的不同意见并且表达自己的不同意见。

那我想他们两个的这次讨论也代表了这样的形式和观点。当然就我自己个人而言，对于 AI 相关的阶段，我想在两期以前的宏观漫谈当中，其实已经明确地表达了对于 AI 和 token 处在了哪个阶段以及会产生出什么样的变化和影响，也代表了个人的意见。

当然我看下面的讨论也有一些不同的意见和不同的问题，我想这大概都是促进大家从不同角度思考，当然这可能也是大家愿意听这种不同类型的播客的原因。那接下来的时间就交给他们两位。

刘鹏琦：大家好，我是峰瑞资本的科技投资人刘鹏琦。那么站在 2026 年年中的这个时间点呢，我们回看过去半年，都有一个非常明显的体感，就是整个 AI 行业的发展没有一点减速的趋势。

从年初的 OpenClaw 再到世界模型的创业热潮，以及最近资本市场对于像存储或者光这一系列概念的追捧，以及最近包括像智谱刚刚冲破了万亿港币的市值。所以我觉得非常有必要今天来一起系统地复盘一下 2026 年上半年的 AI 行业，它到底发生了什么，以及为什么在这个时间点发生，以及后续我们会走向何方。

今天跟我一起参与讨论的嘉宾也是我的同事颜黔杭严博士。我们之前也一起在节目中跟大家讨论过有关具身智能包括像 Agent 的相关话题。

颜黔杭：大家好，我是峰瑞资本科技投资人颜黔杭。从我们跟鹏琦过去三四年一直以来高强度的追踪 AI 行业的变化，再到投资的相关跟进来看，其实我们能感受到一个非常明显的趋势。

从 GPT-2 年刚出来的时候，再到今天，AI 从一个简单的语言模型逐步切入到很多我们以前从来没想过的领域。最直接的就是我以前看的机器人领域，现在大家更多讨论的都变成叫具身智能，而不再是传统的一个机器人的概念。

除此之外，还有更多我们以前没有预期过、想象过的新的赛道，都逐步地跟 AI 渗透结合，然后成为了所谓 AI+ 的新赛道，包括说现在 AI for Science，甚至连我们在看的核聚变里面都离不开一些 AI 的贡献。所以今天站在这个时间点，其实 26 年上半年到现在，有蛮多的 AI 热点话题在不停地每一波冲击着大家的社交媒体推荐流。

刘鹏琦：那我觉得可以先来几个快问快答。首先就是也想问问颜博士上半年大概聊过多少个项目？

颜黔杭：上半年的话差不多百到三百之间的这么一个大概的数，聊的 AI 相关的项目都快接近 150 个以上到 200 个左右。

刘鹏琦：我体感也差不多。看了这么多项目，如果说用一句话或者几个关键词来描述你上半年看这些项目的感受的话，你会用什么词？

颜黔杭：其实我比较想用三个词来讲。第一个词叫 FOMO。在一些非常热点的领域就会出现大量的人，大量的项目是我们从来没看到过的，或者说估值它在快速上涨。很多人会因为觉得 FOMO，我是不是逼迫自己必须得把所有的项目都看一遍。所以这已经行业的估值上涨带给大家的刺激就是：我们今天投了多少？是不是得出投？

第二个关键词我觉得叫分化。非常明显的感受，上半年除了特别热门的赛道融资真正是向上之外，其实大部分的赛道还是处在一个相对冷静或者说没有那么热门的状态。这个其实跟二级市场的感受也很像，二级市场今年的涨幅也非常的分化，大家所谓的科技股涨得非常好，有一些不在热点范围内的股票反而是一直不温不火，甚至是下跌的一个状态。

第三个关键词我觉得比较叫估值前置。假设我们过去非常理性的角度去看早期投资的话，我们对早期投资的界定是非常明确的，大概在什么样的 milestone 之前，我们会给一个什么样的合理的估值。

在没有形成共识之前，比如说形成共识加上有一些交付的 milestone、展现的 milestone 之后，我们可能会把估值给抬上去，是一个合理估值。但现在就是因为热，所以大家对于估值的很多规则或者过去的经验全被打破了，现在我们可以看到连续融资估值快速地上涨，十亿美金可能就是在几个月之内直接火箭式地诞生。这三个关键词——FOMO、结构分化跟估值前置——是我觉得上半年最深的三个感受。

刘鹏琦：我觉得也可以给听众朋友们解释一下 FOMO（Fear of Missing Out），其实就是担心会投不到一个项目而焦虑，大概是这样的情绪。然后确实在上半年我们也看到很多的项目，可能一周的时间它的估值就变，甚至可能一个项目会同时有三轮融资在进行，对吧。比如大家都开玩笑说一轮在交割中，一轮在谈协议，还有一轮已经在敲定方案过程中。面对这样的一个市场的情况，我不知道你觉得焦虑吗，作为投资人的话？

颜黔杭：我觉得说不焦虑那不现实。其实我们基金内部早期的风格来说，我们追求的还是去前置地发现一些趋势。我觉得更多的焦虑不来自于投资，而是来自于 AI 的变化太快，时时刻刻都会有新的热词、新的想法，也就是说新的思路变化出来。

每次发一个新模型，或者说每次有什么新闻，可能我们焦虑的都是：哎，这新闻我怎么过几天才看到？这个反而是我觉得当下会给大家更多的焦虑，你就怕被 AI 时代甩掉。

刘鹏琦：反正最近跟很多其他投资人交流，我觉得确实共识是会有焦虑，但大家各有各的方法。因为我们也知道投资比如有偏价值投资，然后有偏机会性投资，可能自己需要针对不同的项目，它到底更偏机会还是更偏价值拆分开，这样子可能就不会因为这个价值和它的价格不匹配而导致的焦虑去影响我们的投资决策吧。

说回来，肯定确实是有一些估值的前置，包括也有一些泡沫，但我相信这里面，像刚才颜博士讲的，肯定还是产生了很多新的东西、新的机会。所以我不知道比如在我们讨论一些标识性的东西的话，就是在看项目的过程中，有没有发现一些比如方向啊，或者是这些方面的一些变化，就不是纯市场情绪这个层面的。

颜黔杭：对，我觉得这个可以分两个切入的视角去看。第一个切入的视角叫研究型的赛道机会，就是更像大家现在比较热的词叫 New Lab。那大家去解决一些长期的问题，但它通过商业化公司运转的方式去加速这个研究。在上半年其实出来蛮多新的这样的公司，大家不再那么纠结是不是教授创业，反而更关注的是教授出来创业做一个商业化的研究型公司的话，是不是能在研究上面远比其他组织形态要快。

所以这是一个研究型创业的新趋势。从投资人去看，那这时候看这项目，大家的关注点就变成你能把新的研究推高到一个什么样的高度，你能不能做这个市场或者这个行业里最好的研究输出者。你能做出最好的研究来然后改变这个世界。

第二个趋势变化，我们再往比较偏落地的角度去看落地层的 AI 产品跟硬件层，其实就能发现一个很有意思的点。去年上半年大家非常 FOMO AI 应用，因为 Manus 的出现非常 FOMO Agent；去年下半年因为 Insta360 上市，大家非常 FOMO 的是 AI 硬件。但是回归到今年上半年之后，大家都发现一件事情：FOMO 没什么用，过度地追赶潮流，慢慢地就沉淀回了我去找更好的产品定义者。

几个例子，AI 应用，你是不是真的像 Agent 大家现在已经成为共识，Agent 要交付任务价值。今天是不是这个产品团队能够交付任务价值，能够形成任务闭环，还能让 Agent 变得更好更强，形成一个自身的数据飞轮壁垒。

在 AI 硬件层面，慢慢地大家就回过来还是看这个东西是不是消费者感兴趣且需要的，是不是满足了一些忽略的潜在需求。所以从这两个方向来看，其实看似是两个极端，实际上都是在各自的创业形式上去回归，回归价值或者叫回归底层的判断认知方式。我觉得这是上半年比较大的趋势。

这两个趋势还有另一个很有意思的点，尤其是在 AI 创业里面。自从去年 Codex 加 Claude Code 发布之后，我们发现越来越多的创业者本身不再是原来的工程师跟算法研究员，他们不一定有算法背景，他们可以是好的产品经理，可以是好的设计师，他们慢慢地就把自己变成了一个全栈的产品经理。

所以大家可以回忆一下，10 年前有一个经典的创业玩笑叫“我有 idea，我有天使轮融资，我缺一个 CTO，我缺一个程序员”，但今天不再有这个问题。

挺有意思的点是，之前看一些线下的 Hackathon 跟 YC 在美国的 Hackathon，最后做得特别好的产品，往往是一些你完全没想过他会用 coding 工具去做一个产品出来的那些人。他可能是一个律师，可能是一个家庭主妇，也可能是某些场景的一些非 IT 相关的从业者。

所以这是一个挺大的变化趋势。包括我们今年投资，我们也遇到了蛮多很不错的产品，其实完全不是原来做算法、然后 VC 背景出来的人去做到的一个好产品。

刘鹏琦：有意思。原来我们也经常会说，很多技术型创业者他会拿锤子找钉子，但现在看起来都是钉子直接出来创业，然后锤子已经变成了一个非常普世化的工具了。

颜黔杭：锤子你就花钱买 coding plan 就行了。然后钉子我知道钉子在哪，我直接亲自去敲，不再像以前一样“我知道钉子在哪但我不会敲，我得找人来帮我敲”。这个是一个挺大的变化，或者说 AI 时代对大家最大的赋能。

刘鹏琦：如果一定要从上半年里面找一些你认为能够确实影响了整个市场发展的大事件，我不知道你会挑哪几个事情？

颜黔杭：我觉得 OpenClaw 肯定是全球影响力最大的一个事件。OpenClaw 直接让大家——让我们原来在投资人或者创业者之间讨论的 Agent 概念——直接让所有的社会大众感受到“我要雇一个数字员工”的概念。

所以这是一个快速的概念放大跟映射，让这个形成共识了。就有点像去年 DeepSeek 出圈，DeepSeek 出圈的时候大家觉得中国大模型还能做这么好，所以那是一个观念冲击。这个是一个对全球的，大家更好地去接受 Agent，大家也会尝试自己去做 Agent。有了 OpenClaw，所以才有养龙虾的概念。

其他更多是一个行业趋势上的变化，并不是什么事件性上的变化。我觉得还有一个是整个半年的大趋势，就是这半年的话其实在社交媒体上会看到更多的讨论是光，你是站在光里还是光着站在哪里，是二级市场的。

所以这个趋势我觉得更像是今天相不相信 AI，或者说你在对 AI 未来资产的一个判断上，大家形成了市场用脚或者交易价格，即便说它是泡沫也形成了一个短期的热潮。甚至开始让不做 AI、不懂 AI、只做交易或者大家只关注股市的人，今天他们变成了最花时间研究 AI 的一帮人。

刘鹏琦：那我们就正好接着刚才颜博谈到的这个大事件里面非常重要的 OpenClaw 这件事情，我们来展开聊一聊 Agent 这个话题。

我想今年大家关于 OpenClaw 的讨论其实也挺多了，然后也发酵了一段时间，包括从全民各种装龙虾去买这些苹果的电脑，然后再到后面逐渐比如各大厂商，无论是像模型厂商 Anthropic 还是国内的这些 IM 的厂商、腾讯这些，都开始推自己的 Agent，再到现在这个热度也慢慢感觉下来了一些。

我觉得它的火和现在稍微冷却一些，可能都是跟 OpenClaw 开源这件事情有关系。可能因为开源让大家觉得接触到 Agent 的门槛很低，我在自己的电脑上就可以装一个完全自主可控的东西，它看起来门槛很低所以很快就热起来。但反过来又是因为它是开源，所以它不那么完善，无论是在安全机制上，还是在用户的体验上其实都会有很多挑战。

当然我觉得相信还有一部分用户是它的忠实粉丝和用户，但是可能对于多数大众来说慢慢可能就转到其他的平台上来了。经历过这么一个周期之后，我不知道对于颜博你觉得，它这波表面的热潮走到现在它留下了什么？它代表了一些什么更深层次趋势的变化，包括和我们去年看 Manus 相比有什么不同吗？

颜黔杭：去年我们在聊 Agent 的时候，更多还是从 Manus 这类的通用 Agent 再到一些 LangChain 还有一些 Agent 框架衍生出来的由算法工程师开发出来的 Agent。但今天去看会发现一个很大的变化，其实大家开始自己去尝试装 OpenClaw，尝试去下载各种各样的 skills，然后自己再叫有一个所谓的养龙虾的概念。

一开始的热度是因为大家好奇，因为大家过去接触的从来都是 chatbot 这样的豆包对话，但是 Agent 没养过或者也没做。原来 Agent 部署其实是相对麻烦的一件事情，除非很多人也没有用过 Codex 跟 Claude Code。

所以对大众来说，第一次一个快速部署的、而且是能把 Agent 的核心机制部署在端侧不是放在云侧去用的，然后又能自己去定义自己去打磨，通过自然对话的方式让它去实现一些任务，这个对很多人来说是一个全新的概念。

大家都说 Agent 要交付价值，你只有真正上手体验过之后，你才知道它交付了什么价值。所以当时的热潮再叠加它开源，然后传到国内之后，因为我们中国的开源模型做得非常好，所以大家在这个支持下很快就形成了一个社交热度叠加爆炸起来。

所以我觉得这个热潮引发了什么？Agent 不再只是作为一个具体的任务工具，因为它定义的是一个 Agent OS 的形态，在上面用自然对话的方式去定制你自己的 Agent。然后这个功能开放给大家之后，今天就会有各种从来没用过的人去尝试，会有我们预期之外的场景去尝试。这些 OpenClaw 之后也许能沉淀下很多新的应用跟 Agent 的落地场景出现，包括像很多 skills 其实都是用户自发基于自己的想法做出来的。

你能看到的是热度降下来了，当然很多被吸引进来的人其实不需要 Agent，但需要 Agent 的人真正切切实实地现在就在稳定地用 Agent。

我举个例子，我一个自媒体博主的朋友，他不是技术背景出身，他原来是做美妆博主，跨度挺大，但他现在也需要自己去切入新赛道，想去做一些科技类的博主。他就自己通过 OpenClaw 的方式给自己搭好了这个 workflow，然后给自己定下去搜集相关的科技信息，帮他去生成相应内容输出的 pipeline 搭好，他就可以快速地把这个链自动地运转起来，对他来说利用好自己的社交媒体平台去响应，就能把内容快速输出。

还有就是我很明确能看到的是 pipeline 的制作上，各种各样的 skills 配合 OpenClaw 也好、配合 Claude Code 也好，都已经成为大家去做 pipeline 的标准范式。

我觉得这个很明显能感受到，我们今年收到的很多 BP 一看就是 AI 做的，要么豆包、要么 Claude Code、要么 Manus。Coding 我觉得不用说了，coding 这个事今天已经非常明确了。

所以收敛下来之后，很多人包括很多电商、很多企业内部流程化的任务，一些人逐步地沉淀出来。只是这些任务可能那些人声音没那么大，但是他们已经切实地在用了。所以我觉得一波热潮之后，虽然有泡沫，有一些波动、一些噪音，但是最后沉下来发现实际在在的，吹开了啤酒的泡沫，下面是醇厚的啤酒。

刘鹏琦：当大模型应用从纯粹的聊天这样的交互形式，变成了帮助用户去做任务执行，那这里面什么事情开始变得更重要了？比如我也听说，大家最近开始强调 Harness Engineering 这件事？

颜黔杭：去年 5 月的时候其实聊到 Agent，我们去讲 Agent 跟 Language Model 最大的区别，在于 Agent 本质上是一个需要环境搭建、需要决策、执行、执行再反馈的这么一个闭环系统。这么一个闭环系统才能说我们觉得这样的 Agent 才能在执行过程中不断地积累、学习、成长，它就像一个机器一样运行，模型只是支撑它核心智能的一个大脑。去年是这么一个概念。

今年大家可能用更准确的词叫 Harness Engineering。大家在 Agent 的开发上会把这些事定义得非常死，但今年讲 Harness Engineering 的话，从我的理解，更多是在去把模型周边的环境定义好，它的反馈通路定义好，以及把整个闭环反馈的过程定义好之后，让模型自己去运转，真实地去运转 workflow。然后它可以在 workflow 中去找到最好的一个运转方式，其实就不需要人去定死你每个路径怎么走，你给它定义好一个环境，AI 自己能探索出更好的决策来。这个是 Harness Engineering 大家今年去讲的一个重要的点。

我觉得更多是大家思路上的变化。为什么今年讲 Harness Engineering 去年不讲？我猜测一个比较明显的驱动要素，是模型在 Agent 支持方面变强了非常多。

去年的时候，你指望模型在 Harness Engineering 的环境里去探索的时候，它甚至探索出来的都不一定有你给定或者明确定义好的 workflow 来得效果好。但现在模型的 Agent-to-Use 能力或者说它的长程决策能力变强了，它的模型探索肯定比我们给定的更好。所以这时候 Harness Engineering 才慢慢地变成大众关注的一个开发方式。

还有一个是大家对语言模型的使用。过去我们用 chatbot 的时候，一问一答一问一答，最后会发现一件事情：给我输出的文字，我需要自己用手去点鼠标，我需要去把它转成文档，我需要把它转成 PDF，再去操控别的软件来执行。它相当于只是我的一个 guidance 或者指导书。

但人总是希望偷懒的，既然它知道怎么做，它能不能自己去亲自做好？所以我觉得这是非常直觉的一个往应用去转的方向。去年的时候我们就强调这一点，那今天的话能看到各方面的条件，包括 AI Coding 的工具变成熟，基模的 Agent 能力变强，以及大家对 Agent 怎么去开发探索得更加成熟之后，今天的 Agent 就开始变得更加出乎我们意料的好用，以及更多的人可以开始去用。

刘鹏琦：就是它开始逐渐进入一个可以依赖模型能力去自我进化和迭代的阶段？

颜黔杭：我觉得可能今天说自进化跟迭代还早，但更多是环境搭建好了，它有的是机会让大家把自己的想法去变成现实去尝试，就有点像随机进化。

就像寒武纪生物大爆发一样，并不是因为有某一些核心的决策要素，或者哪个突然来了一个创造，并不一定每一次迭代都是一个正向的，但是它因为有足够好的环境且足够丰富的资源之后，大家在里面随机进化，往往最后进化出来的结果就是一个大爆发以及一个高价值的结果。

刘鹏琦：我觉得这个就跟另外一个问题其实也相关，就是大家之前也一直在诟病大模型本身其实是缺少一个数据飞轮。它很多喂给它的数据都是需要比如人写好或者专家定义好，当然有一些这种强化学习的方式可以让它自己做一些迭代，但它本质上其实是没有真正利用好比如外部用户的很多数据去提升模型的能力的。

有了现在刚才谈到的 Agent 类型的这种范式之后，我不知道大模型的这个所谓缺乏数据飞轮的问题会不会得到某种程度的解决。

当然这个数据飞轮可能听起来比较虚，比如我们就把它定义为个性化的体验，这个个性化体验在传统互联网时代其实是非常有效的，包括字节、包括像淘宝阿里他们跑出来这样的商业模式，其实都是基于这种个性化的体验。那么在大模型时代，这个 Agent 会不会成为它形成这样一个数据飞轮和个性化体验的一个载体？如果是的话，那这里面什么东西是重要的？

颜黔杭：这个我觉得从数据的角度来说，可能过去大家单单用 chatbot 的话，更多收集的是所谓的用户的语言对话上下文数据，这个非常重要，所以当时谁家的模型用得多，那它能收集到的语料数据就更多。

但到了 Agent 的这个场景下，大家考虑的是这种执行，所以最后不再是单一地比你收集了多少上下文数据，所谓的任务轨迹才是关键的核心数据。这个跟机器人也是类似的，我们说具身智能本身也是一个 Agent，具身智能今天大家也强调的是真实的任务数据。

Agent 里面也一样，我怎么去做决策，然后任务每一个怎么执行，workflow 执行下来的具体的执行数据，这些数据我觉得是能形成一个数据价值的。

Agent 的 RL 今天也是一个非常热闹的话题，因为我们去年强调的就是 workflow 的 Agent 能快速落地，但是未来真正交付超越人现有水平价值的 Agent 产品，肯定是得基于 RL 去推进的。

所以当这类数据被积累了，然后再加上 Harness 整个环境搭建好之后，Agent 的 RL 我觉得自然而然就能把整个过程往前去推进得更好，因为你有强化学习，你有每次的行为轨迹数据。

当然我现在不确定的是，这些轨迹数据能不能流通回给基模公司？除非是基模公司，比如举个例子，Claude Code 自己做的 coding 的一些轨迹数据，它肯定可以用来反哺自己的模型训练，所以它可以做得比人更强。

但是放到最后，Agent 大量会是垂直分散的，这些上下文数据、这些轨迹数据都是对基模模型不开放的。所以我觉得有可能会在 Agent 这一层形成一些可以沉淀的机制，这样才会说存在 Agent 的创业机会。

不然今天大家都担心的一件事情就是模型越来越强、边界吞噬一切，模型即万能的应用，那就没有 Agent 的创业机会了。但我觉得考虑到尤其刚刚我们聊到的这个点——任务轨迹加垂直场景数据怎么去反哺整个 Agent 的运转——我们觉得大概率会在这个体系内去运转。所以这么去看的话，Agent 有可能会实现自身的一个数据飞轮，然后形成自己的一个领域跟场景，不再被大模型所吞噬。

刘鹏琦：那听起来到底谁能获得用户的数据，包括这些刚才讲到的任务轨迹，大家会把它当成一个兵家必争之地，因为谁能拿到这些资产，谁就更有可能去提供更好的这样一个用户体验。

当 OpenClaw 的浪潮稍微慢了一点之后，我们也看到其他的大厂其实也纷纷推出自己的这种 Agent 产品。比如跟 IM 结合起来，其实就是像我们看到的，比如像微信或者飞书发的自己的这种 Agent 产品；然后跟大模型结合，像 Claude CoWork，包括 OpenAI Codex，其实也能做很多这样的事情。

第三类其实刚才颜博士也谈到了，可能更多是一些偏第三方的，当然有些是跟硬件比如 PC 也好或者盒子也好绑定的这样一些类型，所谓叫龙虾机对吧。我们看到最近有很多公司在做这方面的尝试，然后也有说去帮助这些龙虾怎么能更好地部署在不同类型的这种算力能力的硬件上，然后给用户提供本地化服务的这样一些机会。所以我不知道比如针对这几类，你觉得谁最终胜出的概率会大一点？

颜黔杭：这个事儿上我觉得今天去讲谁胜利概率会大一点挺神棍的，但我想讲的是其实三个方向切入的人想做的事情是不一样的，他们并不是说会互相竞争。

我觉得从大模型厂商的公司来说，他要去切这些 Agent 肯定第一时间选离模型最近的，他们去做是最有优势的，同时对他们来说还具备提升模型能力价值的数据。

所以今天可以看到大模型厂商过去好几种类型的 Agent 出来之后大模型厂商迅速做了。第一个叫 Deep Research，讲的是互联网搜索的 Agent，跟他能直接挂钩，所以今天可以看到所有的大模型直接推出的 ChatGPT 也好、Claude 也好，直接自带互联网搜索能力。

第二个大模型厂商愿意推出的也是自己直接去做的，然后再到后面就是 coding。因为 coding 本质上就是各种各样的文字 token 输入输出，对他来说还有一个环境去做输出结果的判别跟审查，这个是一个天然适合 Agent 来做的。所以大厂一般还是去切一些通用类的、跟他相关性非常高的这样的机会，确实是对大厂来做的。

也就是说一开始会有一些创业公司去做，最后发现干不过大厂。我觉得今年比较悲情的一个 case 就是 Cursor 被收购。Cursor 可能是过去三年做 coding 先驱里面最强的公司，但他被收购对公司来说并不差，只是到最后他从一个给 coding 贡献最大 token 消耗量的公司，被 coding 自己发布的 Agent 产品给干掉了。所以这个确实能说明，在离模型太近的 Agent 领域去创业的话，就像恒星末期膨胀一样，你是一个行星离他很近瞬间被吞噬。

第二类你刚提到的 IM 跟办公入口这类的话，这里的好处是他把 chatbot 从原来单一的 app 上拓宽到我们原来熟悉的场景，还有现有的 IM 跟办公类的软件。其实它有现成的文件体系跟现成的数据文档体系，那今天对 Agent 来说也是一个很好的封闭环境。

所以在这里的话我觉得他比较有优势的就是：第一，公司大家都用某一种办公软件，你作为一个人你就会快速切进去用，它已经有了原有的市场推广生态；第二，你有很多工作流是沉淀在上面的。

比如举个例子发票报销，所有人包括投资人包括所有工作人员都会遇到这个问题。那这个问题在每个企业内部假设数字化做得好，都有标准的数字化流程。那这个流程沉淀在上面，这个是不是 Agent 可以快速去学？所以对这些 IM 来说，他们就可以把原有在 SaaS 时代还有工作办公时代的很多 workflow 变成 Agent，我觉得这是他们的一个优势，他们最后切的也还是这些场景。

第三个我觉得本地跟硬件类的形式，这个算是大家的一种尝试。但至于说做成一个龙虾机这样的方式是不是真的好玩或者怎么样，其实大家发现一开始热的时候抢得最凶的是 Mac mini，冷下来之后咸鱼上卖得最惨的也是 Mac mini，所以这个说是不是一个产品路线我觉得先打一个问号。

我觉得用 MacBook 也好、你自己用自己电脑来尝试或者用云服务器来尝试的话也都没有太大的问题。除非你真的明确你要用，而且你对隐私要求比较高，你不用主力机，你才会买这种龙虾机。

但从硬件的形式来说，比如还有各种端侧 AI 的硬件，我们今年投资上也看了蛮多的，不管是端侧算力盒子的形态，还是端侧路由、端侧硬盘的形态，我觉得这些都是一些基于今天 AI 场景的需求去补充的。

我们刚不是说到用户的很多轨迹数据好像模型都拿去训练？这个例子我是某公司的核心做架构设计的人，我用了之后我的数据如果被竞争对手知道，对我来说是一个非常大的风险隐患对吧。如果从数据的端侧角度来说，我不知道你怎么看隐私跟模型能力的这么一个冲突？现在很多时候大家讨论的问题都是我想用最好的模型但我不接受我数据给他，我们刚刚讨论的 Agent 有几类数据，那数据到底归谁，不知道你怎么看这个问题？

刘鹏琦：我们可能最近两个月突然会发现很多公司会开始往这个方面去思考。那我要去回答这个问题的话可以分成两类用户吧。

我觉得对于大多数比如 C 端用户来说，从历史经验来讲，包括从互联网时代过来的经验来讲，我觉得更多可能还是更看重效率体验而多于他的隐私。他可能甚至可以让退一些自己的隐私，包括数据安全。因为我们现在知道我们其实大量的数据都根本不在我们自己手里，都在外部的平台手里，但我们其实也没有人真的说怎么想办法把这些数据拿回到自己手中来，但我们依然还是享受到了很不错的各种电商啊或者各种媒体、娱乐这样的一些体验。所以我觉得从 C 端长期角度来讲，他可能会更倾向于使用一些偏云端或者比如大厂提供的这样一个服务，不一定会去把数据完整掌握在自己手里面。

但是如果说第二类用户，我觉得可能是一些 Pro 的 C 端用户，尤其是一些 B 端用户吧，我觉得这个问题会显得非常突出。尤其是对于 B 端来说，数据资产其实本身就是这个企业经营的最核心的资产，无论是他自己的技术文档也好，还是一些产品设计的方法也好，其实都是沉淀在他的这些数据上面。如果这些数据都让渡给大模型而换取一些效率上的能力的话，我觉得应该对这些企业来说是得不偿失的。

所以我觉得从我们看到的一些未来的机会上来看，怎么把最好的大模型的能力，然后和这些企业当然也包括一些 Pro C 自己的本地化的一些数据、包括一些知识库怎么能够去连接和打通，同时又有一定的权限隐私保护，这其实是一个大家在尝试解决的问题。

颜黔杭：所以我有有个问题，假设这个模型你能安全地用，你能安全地跟他讨论任何你自己的核心隐私——举个例子，很多律师是不能把自己客户的资料泄密的，核心工程师是不能把自己的配方泄密的——那大家去用 AI，就有一个很大的诉求是私有化部署。那假设理想情况下这些问题都解决，是不是这些场景就会成为今天 AI 下一步渗透的领域？

刘鹏琦：对，我觉得是。其实最近跟一个阿里云的朋友去讨论，因为他们都是卖大量的服务器给一些客户，他们那些比如做 C 端生意的客户其实 token 的用量可能还是比较多，他们很多比如大 B 类型的客户其实 token 的使用量是一直上不来，跟他们云计算服务器的消耗比起来少得多得多。

挑战就是在于他们现在用不起来，释放不出来这个 token 和模型能力用于他们的业务场景。可能目前只能用在一些比较浅层的效率工具上。但如果真的有一天比如刚才我们说这些问题包括隐私安全的问题能解决——而且这些问题确实是通过我们的一些访谈和调研，它确实是很多企业在用大模型上面的一个非常重要的卡点——如果这些卡点能解决的话，我相信是能够释放出来更多 token 和模型调用的使用的。

颜黔杭：事实上其实我跟鹏琦最早我们都看过 SaaS 跟 Fintech。早年其实大部分 SaaS 跟 Fintech 的客户都是大 B 客户，大家那时候看完经历到现在，对大 B 客户包括我们投资也好、包括创业公司也好，对大 B 客户都是又爱又恨。他钱是多的，但是做起来是累的，问题也是复杂的。不知道今天你怎么看 AI 在这些大 B 客户里去落地？最近有个词挺火叫 FDE（Forward Deployed Engineer），叫 AI 外包，外包 AI 的落地工程师，这个海外很多公司都在招。国内的话大 B 服务也很多都是比如在大型的模型厂商、大型的云服务公司手里去捏着他们去定向服务的。不知道你怎么看未来 AI 渗透到这些跟大 B 形成一套商业模式的话，会跟原来 SaaS 跟 Fintech 有什么变化？Fintech 是非常经典大 B 客户很多的一个 case。

刘鹏琦：对，对大 B 这个行业，“又爱又恨”这个描述是非常准确的。一个是他们确实是比较有钱的客户，但是他们另外一点就是要求非常高。至少从现在这个时间点，比如我们跟一些企业聊，大家在大 B 的时候确实还会遇到一样的问题，比如叫加量不加价的问题。因为客户也意识到说 AI 这件事情能帮我解决一些问题，然后他也觉得说既然市面上大家都是开源的模型对吧，你说我是不是愿意为你能给我提供的这些 AI 服务付溢价，那他可能也不一定愿意。以及中国这个市场也比较内卷，所以大家可能各个厂商的报价价格上也会打得比较狠。

所以对于现在这个时间点去落大 B 的话，其实是我们刚才讲到的这些问题。那么我觉得这个问题在海外可能会遇到像中国过去一样的这个 B 端客户的问题。因为之前大家都在说比如海外客户 SaaS 这个模式比较好，大家都真的可以按照订阅去收费。但刚才谈到比如像 FDE 这样的模式，他们如果真的要介入到他非常底层的数据库包括系统当中去的时候，尤其 AI 要渗透进去的话，不可避免地要去解决很多数据安全隐私、包括内部各个数据库的对接的问题。

以及还有一个最重要的就是怎么去控制幻觉的问题。因为现在刚才也谈到它能解决一些效率层面的问题，而迟迟不能去介入到业务环节，核心原因就是效率可能对于幻觉的容忍度比较高，但是真正业务比如刚才谈到 Fintech，比如我做一笔风控，我如果完全交给 AI，它如果有幻觉的话，那这个带来的损失你说是谁来承担？是模型来承担还是企业的员工来承担？这个界定就跟自动驾驶一样，其实现在还没办法去做切分。

所以我觉得这个确实是限制 B 端去大规模应用的一个挑战。那可能我们也在这方面会去关注很多新的这种创业公司，他们也可以去用大模型的能力，比如怎么去把企业内部的数据层面去做标准化包括打通，然后可能不需要那么多人去介入去构建企业的一个业务图谱。然后另外就是怎么能够在介入业务的过程中去把幻觉控制的问题解决。但这可能目前看起来可能还是有一部分的学术问题在里面需要去被解决的，但是这反而也是机会对吧？

颜黔杭：对，我觉得 Agent 其实我们聊得差不多了。然后因为我们是投资人嘛，我觉得大家肯定感兴趣说，聊完 Agent 的下一步我们怎么预期？

我可以先整理一下我的想法。对 Agent 来说今天其实有个挺有意思的争议叫悖论：Claude Code 什么都能做了，为什么还要去做 Agent 的创业给别人提供服务？那你有什么不应该自己写？

但我觉得这个市场永远都是能抽离出一个共性的需求，然后共性的需求由最好的人打磨成一个好的产品再提供给大家去服务；剩下碎片化的、极度个性化的需求，那用相应的所谓锤子自己去当钉子砸就行了。但是已经有人给你砸好的钉子拿过来，我觉得大家是愿意用的。

我可以举些例子。包括对我来说，我最近有蛮多的 AI RSS 订阅源总结的产品出来，我最早也想说自己要不自己用 Claude Code 写一个或者用 Codex 写一个，但后面发现现有的觉得挺好用，所以我一个月给他们付个十块钱订阅费的时候，完全不需要自己烧多少 token、大几百的 token 去写一个什么样的 app。

我觉得有点像一开始比如举个例子锤子或者机床发明出来的时候，大家都想自己去做一些东西玩。到最后发现当一些产品共性非常明确之后、可以规模化之后，那所幸买比自己做要便宜。所以我觉得可能今天 Agent 很多时候还是在比较早期的大家动手阶段。到了规模化、工业化供给的阶段的话，大概率会分出来很多共性的、满足大部分人需求的、然后能形成创业机会的一些 Agent 产品。我觉得这还是我比较期待的。不知道鹏琦你怎么想这一块对未来的预期？

刘鹏琦：我觉得大家一开始可能愿意自己动手做一些，一部分可能来自于 FOMO，一部分可能也来自于他从这过程中得到的一些成就感和掌控感。比如刚才你讲的，比如我们就差一个工程师，但现在没有工程师我也可以把这事儿干成，所以这个成就感我觉得是很强的。

但这个能力如果现在看起来已经普世的话，如果大家都是这么做，我们实际如果从全球经济价值的角度去考虑这个问题的话，比如这个单位 token 带来的实际的经济价值有多少，可能确实就没多少。因为大家也说比如很多 C 端用户开发的代码其实也就是垃圾代码躺在那里，它可能也并不会真正地上线运行去服务什么用户。

我的感觉是这个确实是还在一个比较早期的阶段，以及这个可能跟它相关的另外一个有意思的话题就是这个 token economy 的问题，我觉得还在一个形成的过程中，就是大家怎么给这个 token 去定价。它的价值到底是按成本定还是按它实际的价值来定？那比如刚才讲到的大家开发了很多有成就感的应用，但实际可能没有产生价值，它这个定价的价格是不是还能持续维持住？所以我觉得这件事情可能还需要去拭目以待。

颜黔杭：明白，不要重复造轮子，以及最后是 token 的经济体系如果形成了，大家的 Agent 才会上面说更好地形成运转。

刘鹏琦：对，我觉得长期来看 token 的价格肯定会在一个供需关系的基础之上去回归一个价值，但这个价值到底会以什么为锚点，我觉得还是挺拭目以待的。我觉得肯定不能以这种现行的方式去推演，比如现在大家都按这种订阅的方式去推演，比如这几家模型大厂的商业模式和营收模式，我觉得这个可能未来并不一定是这样。

颜黔杭：我感觉可能大家今天也没有摸索清楚到底用多贵的 token 去跑自己想做的，但是在往往不清楚的情况下，我宁愿用最贵的。所以之前 token 的用量或者 token 的支出涨得太厉害了，现在要回撤了。我理解这个更多是一个比较健康的回撤，大家意识到不要杀猪用牛刀，用便宜的也可以，所以慢慢地大家会趋于理性。我觉得这都是一个经济行为上的正常波动。

刘鹏琦：OK，我们刚才其实针对 Agent 已经聊了很多了，这实际上对大模型的讨论也很多。还是想问一个老生常谈的问题，我不知道颜博士觉得过去这半年来，整个大模型的能力，它进步的速度是加快的还是在放缓的？

颜黔杭：我觉得体感分两方面。如果是结构性的创新，比如举个例子像当年 o1 出来的 reasoning 创新，这种跨越式的创新来说，现在确实有一段时间没看到了。但是回过头看它关注的能力点的进步，那还是非常快。

有一个比较明确的感受，就是原来大家去看模型每次发布的报告的时候，大家都是用 MMLU 还有一些数学的测试，就像去考试去考榜单；但今年大家做的都是 SWE-bench，让它做的是 Computer Use、GAIA Benchmark 之类的，讲究任务交付能力的一个榜单。

模型其实叙事从原来的“我去应付考试”变成“我要真正交付 Agent 价值”。所以今年我觉得最大的一个变化， lazily 在它的模型越来越像我们刚才聊 Agent 的，它能支撑 Agent 变成一个数字员工的角度去提升。

所以你看了大家都讲我的 coding 更好、我修 bug 的能力更好、我调用 CLI 命令行调研能力更强了、我桌面的 Computer Use 更强了、我能做长任务、我的分数更高，所以不再像过去一样考数学考试谁的分数更高。

所以我觉得这也是一个最直观的感受，它虽然没有一些结构性的、颠覆式的创新出来，但是它在真实任务的落地能力中快速提升。这也是为什么大家意识到 AI Coding 越来越好用了，本质上就是模型越来越强了。

它就像一个学生从学校毕业走入社会的过程中，可能它的知识储备和能力已经基本上定型了，但它实际在工作中能多大程度发挥出来的能力，现在就变成考试分数了，考你能做多少工作任务了，所以这是一个比较大的变化。

刘鹏琦：那这里面表现最突出的你觉得是哪家的？

颜黔杭：我觉得大家现在肯定是关注海外 coding 最强的 Anthropic。至于说为什么，我觉得当时 Anthropic 非常明确地把所有的中心都投入到 coding 上来是一个绝佳的战略决策，把它直接从一个大模型竞争里的追赶者变成了行业的引领者。

因为它是最早看到模型要从考试转成任务执行的评估体系上去变的，所以它做的模型可以看到为什么 AI Coding 这些产品突然变好用了，其实本质上就是 Claude 3.5 Opus 出来之后就好用，然后 Claude 一直往前做，那 coding 的工具就越来越好用，所以大家会用得越来越多就形成一个正反馈。那对 Claude 来说自己就在这方面逐步地强化。

另一个就是 Claude 收入增长实在太好看，现在都说他们的收入 ARR 可能到 160 亿美元，然后这家公司的市值大家都预测它今年上市可能会是一个万亿美元的市值。那从这个角度来说它无疑是最引领风头的，它的推理毛利率也就是说它可能说成算自己很快今年年中就要盈亏平衡，这都是一个超乎大家预期的一个进展速度。

刘鹏琦：对，所以它选择了一个相对看起来比较垂直但其实也足够大的一个市场去把这个市场的用户群打透，其实比你做一个看起来很全面但是每个方向上可能并不绝对领先的选择……

颜黔杭：我觉得也不是这么描述。从 coding 的角度切入的时候，coding 并不是一个特别垂直的领域，因为 coding 本质上是包含了人的逻辑跟决策流程在里面的，因为 coding 本质上就是我们去把算法落成一个具体的 application。

那它去把重心投入到 coding 之后，它自然而然增强的是它的推理能力、它的关联思考能力跟它的长链条决策能力。所以这反哺了它的模型，大家在用它的时候总觉得它特别严谨、特别聪明。比如我不点名某些模型公司的产品，可能感觉是天马行空非常有想法，但是不可靠。所以这是它基于切入 coding 跟切入 Agent 应用之后带来对它的一个模型能力的反哺。

刘鹏琦：我觉得这就叫“学而不思则罔，思而不学则殆，知行合一”。Anthropic 是最早知行合一做得最好的，所以反馈下来他的“知”就提得比别人快很多，我觉得是这个点会比较有意思。

颜黔杭：所以今年 Anthropic 发了自己的 Opus 3.5 或者 Claude 4 的时候，我觉得新闻特别多，就是说绝对不对外供，然后只中间短暂地给大家供了一段时间之后又下线，还要传出来说美国要封禁。我不知道你怎么看封禁这个事儿？

刘鹏琦：当然我理解大家其实在网上对他们的能力有一些评价，但是因为很多用户其实也没有真正使用过。但我大概看了一下，可能他的能力的提升比如在这个上下文的程度上对吧，包括说他能做一些这种自适应的这种循环的思考，以及在跟刚才讲到的 Agent 的这种能力去做融合，给用户带来了体感上我觉得就是很强的一个体验。但他被封禁这件事情，包括像 GPT 也发了 5.0 模型，然后反正目前也没有对大众开放，但我觉得这个一方面会有一些烟雾弹的成分，有一些饥饿营销的成分在里面，但他是不是能够真的带来国家之间竞争武器一样的能力，可能还需要再看一看。

再回头看国内的模型，你觉得这半年进展怎么样？

颜黔杭：我觉得对我的惊喜来自于智谱。智谱的股价加上他的 GLM-5.2，他也是一样把重心就放到 coding 上，所以回过头来看模型呈现的进展。最后我不知道你怎么看其他家的一个进展情况？

刘鹏琦：我觉得智谱还是在一些架构上做了一些自己的创新，包括他自己 5.2 其实也在训练他长程任务的表现上，我们也听说加入了一些这种过程奖励的方式去提升他的能力。所以我觉得国内团队的整体不论是在架构上还是在算法模型的创新上都还是在持续迭代的。

但是另外我觉得更重要的一点是可能在一些数据的定义包括数据的采集和任务的定义上也开始逐渐补强对吧？这个其实也是大家之前讨论得比较激烈的部分。

比如可能海外的厂商也都在质疑我们是不是在做大量的蒸馏，但如果你只做蒸馏，你的天花板其实是有限的。但看起来大家开始——包括上市之后，包括大家融了足够多的钱以后——除了过去比如对算力和挖人才以外，大家其实也越来越多地愿意在数据的采集上花很多的资源和钱对吧？包括国内其他几家大厂就我们了解，包括我们今年也看到很多专门做这种数据服务商的公司其实都赚钱还蛮多的，而且基本上是只要有数据都会被疯抢。所以我觉得主要大家是在做除了模型架构迭代以外，在数据上其实补足了原来跟海外大厂的差别。

当然另外一个比较有标志性的事件其实也是像大家一直非常关注的这个 DeepSeek，他自从去年年初发了模型之后后面一直一段时间比较沉寂一点。但我们都知道他其实也在做很多的努力和工作，包括适配国产的这个算力。他在今年也完成了一次融资，这个其实是他在过去一直声明自己不融资的情况下做出了一个变化。

我觉得这个当然也是比较有标志性的。我觉得他做这个选择应该更多是为了从人才和资源绑定的角度去帮助他本身企业发展得更好。因为我觉得一个是说目前国内模型的竞争依然还是比较白热化，尤其大家对这种人才的追求还是比较强的，所以他需要通过比如给自己公司做一个估值定价的方式去给他们的员工足够的激励，这样子能够吸引和留住最好的员工，我觉得这个其实是这个时代最重要的资产。

我觉得另外一点就是他做出的选择可能会希望能够更多地去跟国内的这种算力或者说这种厂商去合作，这样子他做的不仅仅是把自己的能力提升上来，更多是把整个中国的一个产业生态带起来，就是从模型然后到上游的这些算力基础设施、芯片整个系统都带起来。

颜黔杭：DeepSeek 我觉得这个事倒挺值得说一句。我觉得最大的变化是 DeepSeek 刚出来的时候，行业里的竞争者包括国内的几小龙，大家的资金支持规模大概都是在几十亿级别。所以在几十亿的时候，DeepSeek 作为一个有量化基金公司支持的 research lab 或者叫 research 公司，其实还是能跟大家去协同竞争的。

但去年开始到今年遇到一个很明确的变化，就是大厂开始砸钱去干这个事。Seedance 的组织砸了很多钱，阿里也在砸钱，小米也在砸钱，那还有很多 MiniMax、智谱上市，那这些公司手上的资金体量就不再是一个几十亿人民币的体量。那这时候如果 DeepSeek 还是按照原来的那种方式运转的时候，它无疑是自己给自己增加挑战难度。

所以我觉得对它来说，DeepSeek 作为一家风格很明确的公司，它一切都是服务于做出更好的大模型，并不是说服务于一些商业落地目标的。

刘鹏琦：刚才我们其实聊了很多关于国内大模型的一些变化，所以我不知道从你的观点来看，我们和美国的这些头部的模型相比，它的差距是在变大还是在变小？

颜黔杭：我觉得在急速入门的、也就是说一些通用的标准版的模型上，其实今天中美的差距是在逐步缩小的过程。比如就拿刚刚的智谱举例，很多人都觉得智谱 GLM-5.2 的能力、编程能力已经非常接近于 Claude Opus 最新模型，所以这个是会缩小的。

但是有一个非常明确的问题是我们没法去克服的：基础设施加算力今天始终还是美国占优，他们有数十万卡集群的算力中心去支持他们去训练模型，所以在最前沿的模型上我们短期还是比较难追赶上，因为这是一个生态的竞争嘛。

但在整体的我们擅长做什么事情上，既然我们没有算力，DeepSeek 还是我们擅长去提升算法的效率，我们擅长花小钱办大事，所以我们在追赶的速度会很快。所以我理解上短期之内可能还会是美国的模型厂商去探索前沿、去把尖端的性能再往前推进，然后我们去想办法去跟进。

但随着中国的整个生态完善提升的话，我觉得到最后也会有我们去探索前沿的这么一个时间点出现。只不过说我能感受到的差距是在越来越小的。22 年的时候大家觉得我们很难追上了，23、24 年的时候我们觉得好像差一两年的差距，但今年就是很快，就几个月的时间可能大家都感受到了。

就像最近智谱的 CEO 在 X 上跟马斯克的那个对话一样，马斯克说你什么时候能赶上 Opus，他说就过一个季度，下个季度可能我们就赶上了。所以我觉得我对于差异的观察还是这么一个角度，我觉得值得期待，但现在也要正视基础设施我们的差距。

刘鹏琦：毕竟这些基础设施还是决定了在模型架构的探索上做实验的空间嘛。你有更多的机器就能够去同时跑不同的实验，这样去探索前沿的效率肯定是更高的。

但反过来说，比如在补数据的能力上，其实变得比原来强了很多。数据其实看起来目前整体对模型能力的进步的贡献占比应该是会越来越高，所以从这个角度来看我也觉得它会更快。

然后如果再说一点的话，刚才其实颜博也谈到了，包括像这些极速版或者说相对轻量化的一些模型，其实我们在效率和成本上的优势是明显的。我觉得在这方面我们一定是领先海外这些模型厂商的。

颜黔杭：我觉得一定程度上叫我们已经出名了。MiniMax 2.5 在 OpenClaw Trials 就直接成为了官方推荐的模型。然后在今年 3 月份的英伟达发布会上，王锐勋就提到未来模型的分层，其实在很多极速版跟中间相对标准版、通用版的模型上，StepFun 和 MiniMax 的名字都列在了它的 PPT 上。我觉得这个事情上还是我们追赶得比较快的一步。

另一个我觉得挺有意思的是视频生成模型真的是好像今天是反而是国内的声音更大。尤其 Seedance 发布之后，收入 ARR 已经 20 亿美元。反观海外对吧，海外目前看到除了 Google 的 Veo 3.0 大家还觉得不错之外，Sora 已经关闭了服务，现在整个差异反而看起来好像是我们更强，我不知道这是为什么？

刘鹏琦：我觉得现在可能有几个点。一个是我们在训练视频模型的数据上，我觉得包括像字节、包括像阿里其实在这方面我们其实并不落后。刚才我们谈到比如偏纯文本或大模型的数据其实我们需要重新采集很多，有很多存量的视频数据，但怎么把它们的训练和数据的挖掘做好，这个其实是有很大的空间的。在这一层面上我觉得国内的厂商做得还是不错的。

然后另外一点就是这些视频模型的 token 消耗量是巨大的，那么在这个前提下，你产生 token 的成本和效率就会被成指数级地放大。所以比如对于 Sora 来说，可能生成同样一条视频它的成本是比如 Seedance 的很多倍，如果还按照同样的价格的话，它基本上很难支撑它这样的模型的商业模式。

对于 Seedance 来说，他们可以通过价格的设计、通过算力的高效利用，这样子把成本相对降到一个可以接受的程度，这样子就能够带来相应的一些商业化的价值。所以我们也可以看到它的收入，就是视频模型相关的收入确实目前包括 token 的使用已经占到整个人体大盘子的一个相当重要的比重了。

颜黔杭：可能因为我们中国有 AI 短剧、AI 漫剧，所以我们是有明确的需求，加上现在工作室始终在等着最新的模型去改进自己生产效率流程，然后这些内容实实在在生产出来是真的有人消费的。但海外可能确实在消费或者很多消费的渠道上场景是比我们少很多的。

还有一些很有意思的观察点，是现在看视频模型做得最好的几家：字节、快手、谷歌，三家各自都有自己的视频平台——快手有快手，字节有 TikTok 加抖音，谷歌有 YouTube。所以我猜测也是数据的能力能决定它的进展速度要多快，就刚刚你说的数据非常重要。

刘鹏琦：对，出于隐私的关系不一定用自己平台上的数据，但是它因为做过视频平台，包括这些数据的平台，它知道怎么能够从工程化的角度去处理这些数据资产。

那么接下来我们再聊聊关于 AI 基础设施的一些部分。NVIDIA 去年年底收购了 Groq，然后它在今年 3 月份的 GTC 上也发布了 LPU 的方案。然后最近我们也看到 Cerebras 这种一体化晶圆的公司也上市了，然后 OpenAI 正好在前两天也刚刚流片了自己设计的一个推理的芯片。那么随着整个各个大模型厂商在快速推高自己的资本开支，然后 token 的消耗量也变得非常的大，那么算力基础设施的成本肯定会成为一个很重要的问题和瓶颈。比如针对算力基础设施这一层，你觉得它正在发生一些什么变化？有什么是市场要面对的一些挑战和机会？

颜黔杭：对，我觉得可以先讲一个大家比较感兴趣的东西。从去年下半年到现在，NVIDIA 的股价没有涨幅特别大，还是在 180 美元到 220 美元之间波动，但是它上游相关的 Infra 公司，包括光互链公司、包括存储公司，股价都是迎来让人羡慕的 10 倍——快变成币圈了，10 倍以上的一个涨幅。就是你去年把年中奖存进去，今年可以收获一整年工资的感觉。

这个是大家非常非常都能关注到而且时长会在各种社交媒体冲击你的，比如美国股价涨多高了，港股的南方两倍海力士今天跌 20 个点、明天涨 30 个点，就那种上上下下的状态。

但这里回过头来看，我觉得我们讲正经的，这行业的变化核心的变化是从算力够不够变成了今天是否整个算力系统是不是最高效地运转。

所以过去大家只用英伟达最好的芯片去把推理跟训练什么事都做了，包括英伟达也是这样用传统的 GPGPU 来做；变成了我要去搭建一个更高效、在各个场景性价比 ROI 最高的一个系统。

所以今天的关键模块就不再是 GPGPU 或者单独的一个算力芯片，也变成了推理是不是需要更好架构的芯片去降低大部分的推理成本。因为到最后假设 AI 真的渗透到各个行业去的时候，推理是绝对九成以上的一个大头需求，推理成本就决定了整个社会 AI token 消耗的渗透速度跟渗透量。推理成本越便宜肯定越便宜，模型产业有钱赚。

然后另一个就是这个系统如果要高效，那就不仅仅是算的问题，还有存跟传输的问题，就变成了大家现在很热的光互联跟存储的问题。

光互联解决什么问题？原来是这么去举个例子：一万个节点的集群的 GPU 卡，第一个节点算完了一个卡，要把结果快速地传给不同的第二个节点、第三个节点，大家去计算和实际网络这么一个传输过程。假设传输跟不上，最后就变成了 A 算完了给 B 的过程中，B 已经把地里他手上的活算完了在等。

等的过程这叫什么？GPU 利用率。如果 GPU 利用率整体是偏低的话，对算力公司来说或者对整个算力系统来说是低效浪费成本的。因为你雇了一万个人，结果一万个人里面因为活流水线传得慢，所以有些人在摸洋工，你肯定是白花钱。所以大家就开始花了很多精力在怎么去考虑提升通信的速度，包括光互联，光互联再到片上光互联，这都是一个长期的所谓光进铜退的过程。

所以大家可以看到光模块的用量在大幅增加。数据中心的板间连接从原来的直接接线变成现在 PCB、PCB 背板，所以 PCB 也在大幅的用量提升。然后再到片上的一些探索，大家是不是探索更高效率的光互联形态，比如更高速率的光模块，从现在的可插拔光模块再到 LPU 再到 CPO，这些都是基于刚刚那个需求下去倒推出来去逼着整个系统变高效。所以我们可以看到系统里明确面对的墙就是所谓的传输墙。

还有另一个就是存储墙。存储墙是什么意思？存储墙就是我们已经算完了把东西存在那，今天我们要重新算的时候把这些东西搬给这些要计算的单元的时候，这个过程也会让你的算力单元在那边代工，这也是一个算力浪费。所以大家非常在试图去提升存储跟算力之间的一个带宽。

让存储具备一个更高的带宽，今天就需要更好的存储芯片，比如 HBM 就是这么一个过程中诞生的。也是过去十几年折腾了很久，大家一直以为这是一个低性价比、没什么用处的东西，突然在今天被整个 AI 快速地全面铺开。

然后还有一个价值就是，我觉得随着 AI 的应用越来越多，我们很多的数据都会变成数字化数据，很多未被数字化的上下文全部会被上下文存储，那对云端的存储来说它就需要更多的量去存储这东西。假设以后多模态模型出来之后，存储的需求只会进一步提升。所以对云端来说这就不仅仅是 HBM 的问题了，也有 SSD，也有中间 DRAM 的问题。

同时 HBM 成本过于的高，为了降低整个所谓的提升整个系统的 AI，那我我是不是要考虑梯次利用跟所谓的分级存储利用，这也是过去一两年很多云厂商基础设施公司在做的事情。

所以最后回头来看，不管是光互联链也好、存储链也好，HBM 年代的 DRAM 跟 SSD 都一同被推到一个非常高的需求。我们听到的情况也是阿里云的朋友跟我说他们 26 年买存储的话都得靠抢了，已经是非常难去订到市面上的存储芯片。

我觉得最直观的感受就是苹果发了新闻，因为存储价格上涨我的 MacBook 要涨价了，已经影响到 C 端的跟 AI 无关的，已经影响到我们普通人。比如为什么我去年非常坚决地要把用了 5 年的手机给换掉？因为去年如果不换，明年换手机大概率会因为这些芯片存储的价格上涨手机也要涨价，iPhone 也会涨价。所以我觉得这是看到的一个变化。

挑战跟机会的话这么去看的：供给侧有些新的技术出来慢慢地给需求侧去推广，我做了什么新技术去找场景去让他们用；结果今天因为 AI 带来的一个爆发式需求，把原来的很多周期性行业变成了一个成长性行业，直接是需求侧倒逼，今天是英伟达去倒逼上游的公司去解决问题去做更多的投入，把我的所谓的存储墙跟通信墙给解决好。所以我觉得这是一个整个行业在过去一两年非常大的一个变化。

你说今天解决好了吗？我觉得也还不算解决得特别好。大家最后还要考虑我们整个算力系统抽上去看它做的就一件事：电力 in，token out。然后这样一个里面先不考虑它基本的技术设施投入，就是在运行的时候 OPEX 的话，怎么样把 OPEX 这个支出尽可能高效地转化为产出？这个过程也还是会持续地倒逼整个算力基础设施系统的各个模块去抓紧迭代自己的技术，比如所谓的更低功耗、更高的产出、更低的成本、更好的可维护性、不要坏或者怎么样。

所以我觉得这个本质上都是在去做更好的 AI 基础设施，用更便宜的价格供给大家。就回到我们前面聊 AI 大模型跟 Agent 一样，这些都在去解决藏在下面的问题，让我们更便宜地去用 token 或者更好更快地用 token。

刘鹏琦：明白明白，所以总结一下的话就是，其实我们的关注点也不只盯在算力本身，包括跟算力相关的存储、包括通信，以及上面跑的软件，还有甚至像整个服务器集群上面的包括像液冷，它整个是一体化的一个优化的过程。

颜黔杭：对，这整个是一个系统工程。

刘鹏琦：另外一方面很重要的一点是需求的多元化会反映到这些算力在不同类型的硬件上有不同的需求。比如刚才讲到的端、边、云这样的分类。

这边可以大概简单解释一下，比如端侧就是我们身边的一些不插电对吧，但是带电运行的一些设备，比如像手机、手表、耳机或者各种各样的可穿戴设备其实都算端侧硬件。

然后还有一类就是所谓叫边缘侧。边缘侧可能是一些插电但是仍然在我们身边，能够针对比如少量的 C 端用户或者 B 端用户去做一些私有化部署的这样一个边缘计算的盒子也好或者一体机也好这样的一些方式。

那云端就比较熟悉了，比如那就是一些在线提供的远程的服务器资源，比如像阿里云、腾讯云、华为这样的一些厂商。前面我们看到大模型的时候，大模型的不同类、不同档次的模型会分层，那么它们落地到应用侧的时候在不同的边缘侧也会分层，那么这些不同的分层的交叉就会诞生新的机会。

我们不可能用一个最高性能的设备去跑一个端侧对吧，这样它从功耗的角度来讲包括体积这些方式可能都是不合理的，所以我们需要为不同的端、缘、云去设计不同类型的推理芯片，然后这样子能够最大可能地去适配不同的应用场景。

颜黔杭：所以这里正好说到这个事儿，就端、缘、云的话你觉得在模型生态里各自会有一个什么样的发展？它可能会有一些不同场景的切分对吧，哪些场景会最适合端侧，哪些场景会各自吃掉哪些？

刘鹏琦：我觉得对 C 端来说未来端侧的比例可能会比较高。因为现在可能端侧跑不了太大的模型，但是我们看到未来的趋势包括我们投的一些初创公司，其实在端侧未来甚至跑个几十 B 的模型都是有可能的。那到那一天的时候，我相信模型的能力本身也有了进一步的提升，现在几百 B 能力的模型未来能跑到几十 B 的模型上，然后同时能跑到端侧，那我相信大多数这种比较简单的甚至一些 Agent 类型的任务已经可以完全在端侧去完成了。只有一些非常复杂的比如编程或者长程推理，可能才需要交到比如边缘或者云端去完成。所以可能未来在 C 端的端侧市场这绝对是一个未来不可忽视的机会。

那么对于边缘侧来说，我相信它可能未来会成为一个沉淀最多无论是对于 C 端用户来讲还是 B 端用户来讲它的私有数据的这样一个载体对吧。无论是 NAS 的形式还是这种一体机的形式，它会把你所需要的跟你的业务或者个人相关的一些比如文档、视频、图片，当然还有很多数据库相关的内容都跑在偏边缘侧的设备上。它对于这些 Pro C 或者 B 端的价值其实就跟我们刚才讲的可能跟 C 端的端侧设备价值比较类似，它基本上可以在本地跑一个满血版的开源模型，这样子它大多数的任务应该都可以在本地去完成了。除非有一些非常特殊的任务本地解决不了，可能在经过我们刚才前面讲到的一些包括脱敏或者安全的机制再交到云端去协同去完成这样的一些任务。当然就剩下可能更多的就是一些云端的算力去解决的。

颜黔杭：其实有一个突然想到挺有意思的小问题。刚提到了苹果在涨价，那现在云端的支出也就是云端对这些硬件算力基础设施产品的需求这么的大，直接把它价格推涨，是不是一定程度上短期也压抑了我们端侧的需求？比如你可能短期不会再去更新电脑了，然后原来比较便宜的一些端侧硬件现在都要变贵，反向是不是会对端侧短期来说不那么利好，听起来？

刘鹏琦：当然现在我觉得端侧本身的算力的能力包括它存储的空间可能也支撑不了太复杂的应用。我觉得刚才这个判断可能更多是针对比如两年后这个市场的情况。当然到那个时候我们还需要叠加一些别的周期性的考虑，比如到那个时候整个的 AI 它的周期会不会发生变化。我们都知道泡沫或者高位它到时候会不会有某种程度上的回调，它如果有回调之后其实可能会带来对上游供应链挤泡沫的这样一个过程，所以这个成本到时候可能会有很多的变动的可能性，所以这件事情还需要看未来整体市场的一个周期性的变化。

颜黔杭：对，我倒是觉得有一个点挺有意思，就是假设我们接受短期云侧会吸走大量的资源给大家做基础设施，那端侧是不是在长期之内都会倾向于去让大家在一个相对低算力消耗且相对低硬件成本开支的情况下去实现更好的功能？也许会是一个挺好的创业方向或者切入点。如果这个做好了，假设后面真的资源多了，那它也有它的优势。我猜测这也许是一个可以切入的。

刘鹏琦：没错没错，这块其实我们也看到很多初创公司，把一个相对大参数的模型比如通过剪枝也好，甚至跟存储的一些 SSD 的这种互动也好，对吧，怎么能够把它部署在一个相对低性能一点的硬件上，这个我觉得是很多厂商在尝试去解决的问题。但这类模式到底能够去带动多大的市场，这个可能还需要再去观察。

2026 年从咱们一级市场的体感来说最明显的就是世界模型这个事变成了一个超级无敌热的词。我印象中上半年看的反正号称跟世界模型相关的公司应该也得有几十家，我相信颜博咱们也一起看过一些嘛，也是比较多元化。比如有的是做跟具身智能相关的，然后也有做跟视频生成或者游戏相关的，然后可能也有一些是跟仿真相关的。

大家其实对于到底什么是世界模型，通过一个比较粗浅的理解来讲的话，反正我觉得世界模型它本身并不是所谓的模型对吧？它其实更多就是一种概念，这个概念可能指的就是我们给这个世界一个外部的行为干预，然后去预测这个世界下一个时间点它的状态会怎么变化。在这一定义之下，我们是不是也可以认为比如牛顿定律它其实也是一个世界模型，以及我们生活在世界上我们无时无刻也在调动一个自己的世界模型去预测怎么跟身边的人和环境去交互。

所以基于这个概念，我想我们还是回到跟 AI 相关的这个世界模型这个狭义的定义。它既可以是真实的它也可以是纯数字化的。它如果是真实的可以用来去做一些跟具身智能的交互，然后它如果是纯数字的可能会用来做一些视频的生成。所以我不知道它跟我们比如之前看到的其他的一些创业方向，比如 VLA，比如视频生成模型，甚至说大语言模型有什么关系？

颜黔杭：我觉得世界模型这个概念并不是新概念，可能从最早强化学习里就有世界模型这个概念。因为强化学习本质上就是一个给予环境一定刺激然后给予反馈的中间 parts，本质上就是这个世界模型。所以今天我觉得定义上大家对世界模型理解都差不多，就是让 AI 去完成对一个所谓状态的预测，基于各种输入之后的状态结果做预测。那这个结果能用来干嘛？那就变成了结合不同场景的一个世界模型。

当然现在世界模型这个概念贴合的，就自己叫世界模型了，所以好几种世界模型都冒出来了。我现在看到的，比如举个例子视频生成模型，Sora 当年出来的时候她就叫自己世界模型，就因为她认为自己是通过视频输出的形式去预测世界的未来变化对吧？那这是一类。那包括说现在的 Sora、VCLS 这些一定程度算世界模型，她预测的可能确实不太符合物理规律对吧，手穿玻璃对吧，或者上车是从车穿玻璃跳进去了，所以这是视频模型。

还有一派是李飞飞代表的所谓 3D 世界模型，因为李飞飞过去其实 10 年包括苏浩在他们组其实后 5 年做了很多事情都是在解决传统 CG 里的 3D 模型的一些 AI 工作。今天她想去做的是一个建模，然后在这个 3D 空间里你是可以做 3D 操作的，而不是输出一张单平面图的帧。那她的那个场景就更倾向于像一个渲染的 3D 世界，对，那个是一个可交付的世界的一个状态。至于说她能不能做一些真实物理交付或者怎么样，那其实今天我们也不太清楚，没有看到一些具体的进展。

还有一个就大名鼎鼎的 LeCun 的 JEPA，我要把世界抽象出一些客观表征来。她是针对 Anti-LLM 或者 Anti-Next-Token-Prediction，这是她套路的反旗者，所以她就认为世界的很多表征不能用什么具体的 token 去表示，她就是用一个抽象化的隐空间的表示。

但这个说起来大家会觉得有点迷。LeCun 说的那一套所谓抽象表达就是我只要知道前面是一个话筒就 OK 了，因为他把这个光的信息或者图片信息抽象成了一个概念表征，所以这意思他去做。但能不能做出来我觉得我今天也不知道，今天就他家在做，你说最后能做成什么样？

把 world model 跟 action policy 结合起来叫所谓的 World Action Model（WAM），这也是上半年这段时间比较热的方向。所以我们可以看到每一个方向都有一些相应的公司在一级市场活跃地融资，而且融资非常热，属于是上来就上一级级上去了。这也是我刚刚前面有人说视频模型是一个非常典型的 FOMO。

刘鹏琦：所以听起来大家都在尝试用一种新的架构去搭建这个世界模型。大家对于世界模型需要一个不同的架构可能是有共识，但是对于它到底需要一个什么样的架构和表征可能还没有形成共识。比如刚才讲到有从 3D 路线去走的、有做视频路线的、然后也有包括像 JEPA 这种隐空间路线的，所以大家可能在不同路线上探索，但都认为说至少它可能跟 LLM 的架构是不一样的。

但是我的理解就是因为语言本身其实已经是一种比较高度的抽象了，但是世界模型刚才谈到可能包含了非常多的实际物理空间现实世界的一些多模态的信息，那么这些多模态信息其实是没有经过这么高的高度抽象的，所以它可能需要另外一种表征的方式去把它抽象成可以去做比如因果推理或者说去做预测的这样的一种架构。不知道你是不是也同意这个观点？以及你觉得它到底未来跟 LLM 会是一种什么关系？

颜黔杭：我觉得语言跟世界模型其实我个人更倾向于并不是说谁好谁不好或者谁要干掉谁。我觉得从人的角度来说，说话跟写作输出是我们跟世界交流的一部分；同时另一部分很简单，就是我去看这个世界、我用双手去体验这个世界、我去做一些事情去改变这个世界也是我跟这个世界交互的方式。我们面对面交流我们不仅通过声音，我们也通过大家的表情、大家的眼神来去交换一些感受。

所以我觉得从这个角度去出发的话，本质上是大家去跟世界交互的不同渠道而已。只不过语言是高度压缩的语言方式；那感官——我们的触觉、我们的视觉、我们的听觉、嗅觉，五感所感觉到的——更像是世界模型所关注的那种需要输入的信号跟处理预测，以及我们有双手我们去执行。

所以我觉得这两者的话不能说是取代或者谁更优谁更劣，而是在我们用大语言模型去解决好很多语言层面的一些智能之后，我们自然而然地去关注说我们是不是能拓展到更多的领域去让 AI 去获得对世界的理解能力。

所以我觉得世界模型算是一个在话题理解之上的一个升级。但至于为什么说有这么多路线，因为每个人对世界的理解或者世界的思考方式都不一样的，有些人擅长具象的思考，有些人擅长抽象的思考，所以不同的人他对世界的一个预测方式、决策机制都不一样，他们出发点不同。

所以他出发点不同的话，我觉得世界都有各种各样的人，世界模型必然也有各种各样的切入点。至于说这些切入点谁能做出什么，肯定各自都有擅长、各自擅长的事。比如擅长抽象推理的人就非常适合去做数学，擅长具象化想象的人他的艺术创作能力就比另一边的人要好。我猜测模型最后输出来各自会有各自擅长的点，所以并不是说今天世界模型谁路线优谁路线劣。

从我的角度来看的话，比如 3D 世界模型它是去渲染世界；JEPA 那条路径是去抽象世界，我要抽象出牛顿定律来，你是 JEPA 这条路线；WAM 是我要去做什么事情去想象我去做的事情。每个场景我觉得大家用一种类型的世界模型去补充，这是一个很合理的思路，甚至大一统也有可能，但也有可能不会大一统，这个我觉得今天我预测不了。

刘鹏琦：我总结一下，我觉得 WAM 和世界模型是有点互补的关系。我之前在内部的分享中其实也尝试去抽象过，我觉得可能世界模型更像是我们的一种先天能力对吧，我们可能通过基因的几十亿年的进化迭代出来的一种我们和世界能够去学习怎么跟世界去交互的一种能力；那可能语言模型更像是一种后天的学习和能力，我们可能出生以后学会语言之后就开启了第二条增长曲线。所以一个先天、一个后天，它们的迭代方式也不同，进化方式也不同，但可能共同塑造了我们今天每个人的能力。

那我们刚才讨论了很多关于世界模型的技术路线包括跟 LLM 的关系，那还有一个比较有趣的事就是你觉得为什么世界模型是在今年上半年这个时间点突然爆发，而不是比如去年或者未来？

颜黔杭：我觉得这分两个方向去看，各自都有一些技术迭代节点去驱动了今年的世界模型爆发。

第一个是视频模型的完善。今天视频模型最早大家去回忆某电影明星吃面那个经典的视频，再到现在的视频模型去模拟去渲染生成大家吃面的这个画面其实已经获得了巨大的提升，原来是跟物理完全不相关的，但今天已经非常符合真实。所以视频模型训练的完善其实是给世界模型的切入去搭好了一个基础，所以今天很多是基于视频模型去实现一些世界模型的功能的赛道，比如具身智能对吧？视频模型、视频类的世界模型就 action-driven 的世界模型，比如基于一个动作无限流的视频模型，这些我觉得都是在视频模型的完善基础上搭建出来的。这是供给侧的一个变化。

另一个供给侧的变化是 3D，3D 表示的新的一些表征形态的出现。最早我们可能 Mesh 点云，这是最早在 CG 里用的是用来渲染用的，也就是说做一些操作用的；再到后面 Nerf，Nerf 用来做采样贴图重建；然后再到今天 3D Gaussian Splatting，非常适合渲染一些输出的 3D 结果；然后再到 3D VGT 发布了之后，单张照片的 3D 建模，也就是说 AI 的 3D 模型生成这些技术能力的一些完善之后，做一个 3D 世界的生成就打好了一些良好的基础。

但反过来挺有意思的，我发现能做 3D 的 Synthetic 社的公司还是少数，因为对算力的要求或者整体训练难度的成本都非常的高。所以目前国内也只有腾讯发了一个版本，因为腾讯自己的游戏特别强，然后在里面发布了一些成果。

但是在世界模型基于视频模型驱动的这块我们就看到非常多的团队介入进来，包括说具身、包括说游戏都有一些相应的介入进来的新的团队。这个我觉得一个比较大的变化就是开源视频模型的供给非常完善，今天大家有好的开源模型去快速地尝试去训练，所以就可以快速地去调出一些阶段性的成果。

刘鹏琦：那是不是也有可能是因为这些视频的数据量比较丰富？相比于比如 3D 或者其他的一些多模态数据，所以这些数据比较 ready 的情况下，这些不同的团队它更有可能去训练出来一个基于视觉的世界模型？

颜黔杭：我觉得这也跟视频本身——原来 Diffusion 加 Autoregressive 这些进展它相对到一个比较成熟的状态。还有人类的视频数据，大量的视频数据其实就包含了很多物理世界的信息跟特征。你去拿一个水杯的视频肯定是符合物理规律的一个视频，那这些大量的数据其实就比较好作为一个先验数据。

但是在 3D 生成上，3D 怎么去生成一个跟真实逼近的画面，我觉得这过去在很多传统的 CG 领域更多还是基于一些经验或者规则驱动去做的，所以李飞飞那一套的话相对来说难度会大很多，所以我觉得这是一个比较明显的差异。

至于说 LeCun 搞的 JEPA 我也不知道他今天能做成什么样，这属于是他自己非常独树一帜的一条路。如果他能做出来了那他就是做了一件颠覆式的创新；如果他不能做出来我觉得也没什么关系，因为他在挑战这世界上最难的一件事情之一。

刘鹏琦：那看起来其实世界模型和我们过去几年一直在看的具身智能一样，它其实面临着一个比大语言模型更严重的问题，就是它没有数据。所以我们才看到大家有一个数据金字塔：最底层是一些合成数据，中间是一些第一视角采集的 Egocentric 数据或者无名数据，最上面可能有些真机摇操作数据。

所以我们也看到这些头部的具身智能厂商也好、世界模型厂商也好，其实都在投入大量的资源去获取这样的数据，包括今年大家也讲说我们希望能够把这种第一人称视角的数据——自从英伟达提出了他那个路线之后，希望能够从比如 10 万小时然后推到百万小时甚至千万小时，就觉得这事最有可能能够 Scale。所以我不知道你觉得数据的瓶颈和问题最终会是会通过这样的方式解决吗？还是说我们仍然需要探索一些不同的方式去获取这些数据和去训练世界模型？

颜黔杭：我的理解是如果我们聚焦在世界模型这个概念上的话，今天世界模型希望去抽象现实物理世界中的所谓物理的状态、物理的 Dynamics 跟物理的规律。从数据的角度来说那现在不缺视频，我们也不缺视频数据，其实我们还是缺蕴含了物理信息的相应的数据。

所以其实现在有三类路径去做这些数据采集，这样抽象完其实大家不管是对应到具身也好、对应到世界模型也好，大家我觉得都能有很好的一个印照。

第一类叫真实的物理传感器的采集，比如摄像头、雷达、各种力传感器、触觉传感器、温度传感器、声音传感器，这个数据记录最真实的一些物理量的视频世界数据。然后这些数据再跟最好是跟真实的一些视频流数据或者是其他世界模型需要的三类数据去结合，那这个就是蕴含物理知识的我们需要的训练数据。

第二类，因为我们大量的物理交互其实不会布传感器的，我不可能说今天跟你握个手我去手上布个传感器。但是过去我们有物理仿真工具，解决的问题就是假设在没有传感器的基础上，我去通过计算去算出一个接近于真实的物理量来指导我们怎么去更好地在工业上做设计或者叫工业上的各种任务。这一类的数据——仿真数据跟所谓的数据孪生——它就能生成大量相对可控而且真实、而且是真实环境中非常难采集到的一些稀缺数据。这个我觉得可以通过合成数据合成，这并不会像我们去在学术界里去聊到的那种合成数据一样（那种说 Sim-to-Real gap 很大）。假设今天我们给予重复的时间、给予足够的精度，我理解像我们看的那些 CAE 的公司它确实可以拿出相对 99% 以上精度的数据来，那也是有价值的。

第三类就是大家今天试图去做的一件事情，因为既然视频中会蕴含物理数据的话，就基于视频去做物理数据的推理，给视频做物理数据打标，用这么一个思路来做。然后从视频中直接由 AI 模型去推断大概的接触物受力状态变化是什么样子的，然后去形成一个数据标签。

这三者是我觉得是所有世界模型数据的一个方式。这个我们说对应到具身上，真实物理传感器采集的就是数据手套摇操作各种各样的数据；然后基于视频的物理推理其实就是基于我们的 EgoCentric 数据或者是人类的运动数据去反推之前的一些物理数据；然后再有就是我们所谓的 Sim-to-Real 或者叫做合成数据。

在世界模型也一样，我觉得各种各样这类型的数据在不同的世界模型的基础之上都是可以去补充世界模型所需要的一些数据。但怎么做、需要怎么样高效率的、具备经济价值地去做，那是每个场景去探索的问题。当然大家都觉得肯定最好的就是真实物理传感器去采集的物理数据，但是这个问题就成本过高了，我不可能为了训练一个模型花个五六百亿去采一个数据，这不现实。所以最后还是基于 ROI 最高的角度去合理地分配多种数据的构成，然后形成一个数据利用梯度的系统，我觉得这个是跟具身是一样的思路。

刘鹏琦：所以我理解其实还是跟我们前面讨论的比如不同的表征方式有关，它也许最终会决定到底需要一个多少数据量以及多高数据质量的这样一个输入能把它做得比较好。当然这可能也跟下一个应用场景可能也会直接相关。

那就是针对其实咱们上半年看到这些项目而言，其实我还观察到一个比较有意思的现象，就是看起来这一波世界模型的创业者很多都是非常年轻的学者，甚至很多都是还没毕业的博士生，但是大部分可能是一些刚刚毕业的拿到教职的这些老师。我不知道你觉得为什么是他们在这个时间点出来创业？以及投资人咱们为什么愿意去赌这些老师？

颜黔杭：我觉得从整个市场角度来说，第一是 New Lab 这个概念开始为投资人接受，大家愿意去投一些 Pure Research 的公司。原来大家可能就像我一开始说的，今年最大的变化，大家可能从看你有什么商业化收入、你什么时候落地，变成了说你能做出什么样的好的成果来改变世界，然后再去谈商业化。所以我愿意接受之前一段时间是用投资让你去做研究，这个是一个最大的变化。那最天然适合的就是这类青年学者以及站在行业一线的一些学者跟年轻的博士生来做这方向的创业。以及从投资上确实非常热，所以这个钱大家也都能拿到，所以大家会先努力地去尝试一把看看能不能去做加速，我觉得这是一个比较大的原因。

那投资赌什么？我觉得一方面肯定有风格的因素在里面，比如合理的角度来说不会项目在没有什么变化的情况下砰砰砰连续四五轮下去估值翻十倍对吧，这个从理性层面上肯定是不合理的。但是投资肯定还希望的是说真的能够赌出中国下一个 DeepSeek、不同领域的 DeepSeek，一家好的研究驱动的然后真的非常纯粹的公司能够做出一些改变世界的东西，这个是我觉得我自己都在赌的点。

当然这里就有各种各样不同的思考跟判别模式以及去思考怎么去投这些老师，我觉得这个就要具体问题具体分析。

刘鹏琦：我之前也尝试站在这些老师角度上去想过这个问题。我觉得他们的出发点一定是想去做出最好的研究成果包括交付出来甚至 AI 这样的能力，所以对他们来说可能学校的资源是不足够的，他们一定需要借助产业的资源，这样子才有足够的钱、算力或者找到最优秀的人和学生，这就跟包括为什么 DeepSeek 出来融资是一样的。

颜黔杭：对，所以他们不得不出来。

刘鹏琦：然后但从另外一点来说我觉得可能也泼点冷水。我相信这里面多数创业者肯定都是希望能够把这事做好的。但站在另外一个角度来看，就是他们无论是不是出来创业，他的目标都是去做这个研究，所以他出来创业拿了钱这件事情，即便我们从最差角度来讲没有成功，对他自己来说其实也是做出了还不错的一些学术成果，他即便最终没有交付商业价值。所以这个可能也是一个泡沫里面的一点隐忧。

颜黔杭：对。但最后你说什么样的教授能做出一个好的公司来，我觉得这还是要回归本质去看，并不是说你只是把研究放出来去做就能成为一个好的公司。因为我博士老板之前在博士毕业之后在美国创业成功被收购了才去做老师的，所以他也跟我们讲过说做老师跟做创业完全是两回事。如果你做创业那你就要用创业的思维去思考这件事情，不仅仅是做研究，因为即使是创业公司的研究也是基于创业公司要创业成功为目的去做研究，并不是说要发个论文做研究，这还是有蛮大的区别的。

刘鹏琦：但可以长一个轻松一点的话题。我们可以想象一下如果世界模型真的有一些明确的商业化进展的话，你觉得最新让我们感受到的场景是游戏内容消费这些场景，还是我们最近一直听到的具身智能？

颜黔杭：我觉得从消费者角度来讲，最先看到的可能还是偏游戏和内容消费。无论你生成的视频也好对吧、还是 3D 的资产也好对吧、还是游戏里面的场景也好，它其实并不追求一个绝对的准确性，它只要能够去欺骗过我们人类的眼前就可以。我觉得做成这么一件事情可能纯数字驱动的方式是能够做得比较好，当然它的前提也是它整个的成本、算力这些账能算得过来的情况下，我相信在这个领域是能够率先去落地的。

那么对于可能偏具身的操作的一些落地会需要相对更长的时间，它可能会在一些垂直领域做一些尝试，但是可能从长期普遍落地的角度来讲，我觉得刚才说到的数据问题可能还需要等待我们去解决。

刘鹏琦：我还蛮期待的，如果说真的就在游戏里这辈子就不用在游戏里看到诡异的穿模跟各种各样奇怪的 bug 出现了。那相信有了世界模型之后，具身智能的行业你觉得有发生什么特别的变化吗？

颜黔杭：我觉得大家能感受到的感官就是好像 VLA 被变成了人人喊打、然后世界模型大行其道，这是一个比较明显的变化。今年所有讲具身智能出来创业的公司都在讲做世界模型。

但从客观的角度来讲，具身智能行业的变化还是整个行业来说大家都还在大脑侧持续探索一个更好的所谓的具身智能怎么去定义、怎么去实现泛化、怎么去把整个系统搭建好——从数据、预训练、后训练、部署整套流程搭建好，然后再去形成一个泛化的探索，这个是整个行业一直以来的不变的目标。

变的是什么？其实从去年有些人探索——因为原来 VLA 是什么东西？大家可能听 VLA 会觉得比较抽象。VLA 其实就是把语言模型、视觉语言模型 VLM（就大家传一个图给 ChatGPT 问他图里是什么东西对吧，视觉理解模型）跟一个机器人的 action 模型联在一起（action policy 联在一起），把视频通过 VLM 做 backbone 然后去生成动作，然后再去给机器人部署这么一个具身智能的模型。

大家发现有一个比较麻烦的问题是 VLM 里 V 的部分不大、LLM 的参数量非常高，这一部分就导致了你对世界的理解或者对物理的理解都不太够，都需要靠大量的采集的摇操作数据去训练。然后你后面的 action policy 去获得这些对物理的理解，比如 action policy 手就这么动的不能那么动所以才学习的，所以是一个标准模仿学习。所以大家过去发现 VLA 好像泛化起来一直都比较有挑战，甚至有人强调说 VLA 本质上就是一个过拟合，有人这么提过。

但后面随着我刚也说了开源的视频生成模型，大家尝试说反正也是视觉输入 in 然后一个 token out，为什么我拿视频生成模型来尝试说视觉输入 in 跟视频的 token out，然后来做它的一个基座模型，用生成来替代理解？

那生成怎么替代理解的直观理解呢？就是说就像人去做一个动作之前，我先去想象我做的这个动作会变成什么样，然后我再跟着自己的想象去走。所以这么去做的时候大家发现说很多物理的规律跟物理的真实约束就已经被训练被封装在了视频模型的隐空间里了，所以这样子似乎探索起来它泛化的上限会更高，所以大家开始各种各样的去尝试拿开源的视频模型怎么去跟现有的动作 WAM 去替换、怎么再去跟后面的动作模块去结合。所以从去年开始到今年就有非常多的具身的视觉模型出来，但也看到非常多的一级市场的创业项目都讲这个。

但是回过头来说，大家好像感受到的观点是 VLA 要被扫进垃圾桶了，实际上是这样的吗？我觉得有一个很重要要去感受的信息是美国那边的头部大厂在做什么。

因为今年 Skild AI 他们发布了最新的成果，然后他们的 CEO Peter Florence 就在自己的 X 上就发表了一篇文章叫《Beyond VLA and World Models》。其实它里面一个最核心的观点就是：具身智能也不应该基于不要幻想着靠一些 methods 拿着这些锤子去把钉子给搞定掉。具身智能还是要基于具身智能本身的定义去设定目标，用目标驱动的方式代替方法论驱动的方式去解决具身智能里的泛化问题。

就不如说今年有什么新的技术过来放到具身上试一试也许能解有一些成果，但并不能真正解决具身问题。所以它更强调的是不是去争论 VLA 还是世界模型，而是最后去基于具身智能的目标——zero-shot 的可泛化的一个具身智能动作系统——基于这个目标去不停地去搭建一个系统级别的一个具身智能解决方案出来，然后去实现这个目标。

所以这是北美那边一些最新的趋势。所以我们看到说慢慢地可能从他发了这个文章之后，大家也回过头来在国内开始提到所谓的一些具身智能的系统论，更多地强调说 World Action Model 跟 VLA 是互补的、是协同的，都是具身智能的一部分，这个逻辑反而更合理了。

大家可以去想象一下说我们自己去练习打网球：VLA 是指我们看到这网球打过来我们要去执行什么动作把它打回去；然后世界模型指的是我们平时在看到它过来先去想我们要什么样的方式打回去。但是很多时候你先想再动势必反应要慢，这也是今天世界模型的一个问题，就推理比较慢。所以先想再动明显球场上很多高专业的运动员不是先想再动的，他们是基于身体的本能的。这个身体的本能是怎么实现的？我觉得也有可能像 VLA 这样的方式，基于一个视觉的输入直接身体给予一个本能的 action 输出，快速地给予一个反击。

所以这两者并不是互相冲突的，可能对于你不熟悉的陌生环境来说，你很多时候会需要靠预测去观察自己动作的结果、去想象自己动作的结果；但是对于熟悉的动作来说可能你就不需要世界模型了。所以这个点来看的话，世界模型的引入跟 VLA 还是一个比较算是整个具身智能行业的跨越式进步。

刘鹏琦：明白。所以其实也听到比如有做世界模型的会把世界模型当成是用于训练 VLA 的一个环境对吧，所以在这种程度上其实这两者也是互补的。甚至刚才颜博提到的 World Action Model，它其实相当于是把预测和 Action 结合在一起，所以大家其实都在这里面尝试着不同的一种结合的方式。

其实我们也针对具身智能的大脑的部分其实聊了很多，那么其实我们再看看另外一面，就是比如像本体和硬件这一块。我们也知道宇树很快可能就要上市了，包括可能还有乐聚、云深处这些厂商。当然我们其实还有很多的人形包括其他的这种本体类型的厂商也在港股排队。那么所以我不知道在硬件和本体这个层面，你觉得从上面的情况来看，大家已经到了开始要去批量落地的阶段了吗？

颜黔杭：我觉得现在只能说阶段性的，这些公司有商业化场景：表演、科研这些，或者说一些特殊垂直场景对人形的需求都是有存在商业化的，你不能去否认表演不算一个商业化的场景，我觉得这不合理，因为无人机的表演也是一个很重要的商业化场景。

所以从这个角度来看，今年很多公司包括上游技术的成熟、包括去年的 MimicGen 模仿全身动作的 MimicGen 的 retargeting 这些技术的成熟，所以可以快速地看到机器人好像跳舞越来越多了。那今年的话明显就可以看到机器人在表演、接待、展览各种活动上都形成了所谓的租赁购买的价值。那这样机器人公司就会有一些明确的出货量，所以到这个阶段的话我觉得以这种硬件出货加上产品及硬件出货的方式进行销售的公司，他们也具备了一个上市的价值。所以从财务上来看，宇树的营收跟利润都还是非常可观，是比较经典的像一个硬件公司的状态。

刘鹏琦：对，所以我理解他可能除了比如除了科研市场以外，他的商业化更多是基于情绪价值。但情绪价值也是价值对吧，比如他的跳舞这些其实都是情绪价值，但其实也很重要。但确实我们要承认他可能还没有完全到比如提供功能价值的这个阶段，那可能需要再往后，下半年或者明年我们要再看。

颜黔杭：我觉得往后提供价值、提供一些更高的价值，本质上还是智能侧或者叫模型侧能力的进步。如果他能做更多的有价值的任务对吧，就更大脑那个部分可能我们讨论要去结合。

如果他怎么去更好地做一些自主的跟环境形成反馈互动，然后去做一些相关的任务，比如举个例子就最近的话除了跳舞之外，那智元的灵犀做导购给大家呈现一些导购的交互，主要在车展上的导购；还有就是 Figure 他的机器人已经呈现在物流上下的上下料怎么去拆解怎么去分解；智元最近也做了一个工厂的直播。我觉得这些尝试都是在早期阶段非常重要的一些探索，但是真正的规模化落地其实大家的预期都还是蛮高的。

这一代人形机器人跟传统的工业机器人有区别，因为传统的工业机器人本质上是你编程驱动的对吧，是人力的人的智慧要素、智能要素去驱动他的，而不是说他自身的智能要素去驱动。所以最后如果说真的能做到模型跟本体相互结合形成一个机器人智能结合硬件的智能化产品的角度的话，那那时候才会迎来一个真正上规模的一个商业化预期，我觉得。

刘鹏琦：对，这就像我们经常也会把具身落地拆成一个不可能三角对吧。比如他到底做的是这种长程复杂的竞技任务，他同时还要兼顾比较高的成功率对吧，以及说我们还希望他能够跨场景泛化，这个目前看起来是不可能的。所以我可能如果考虑落地的话比如选择其中的一项或者两项在客户能接受的程度下是有可能率先去落地的，当然这个成本也是一个很重要的考量。

颜黔杭：我是觉得从落地的角度来看的话，那今天其实阶段性的是有一些可以落地的点，但我们不能说对他预期太高或者说认为他就是终局。也不能因为今天具身智能处于早期阶段对吧，他可能精度不高、他可能成功率不高就认为就没有价值。因为今天具身智能大家首先要解决的是通用问题，通用问题解决好之后才有足够的精力去解决精度和成功率的问题。

所以回过头来就是看一个比较经典的理论叫“基模越强，强化学习越有效”。你在一个很差的基模上去做强化的话那价值也不大，所以大家今天更多是在通用化的基模上去下功夫。一旦通用化的基模到了就跟语言模型一样到了一个质变点的时候，你再加上强化学习再加上一些推理，那他所获得的给你涌现出来的成果就会远超于你的预期。我觉得是这么一个角度去看的。所以比如这个不可能三角今天摆在面前是一个挑战，但是最终也许攻克之后，这个三角会整体被大家啪地拓展开来。

刘鹏琦：对，但这里面其实就是我们也看到一些不同的公司的做法，可能也有一些不同的观点。就是到底比如这一波的浪潮能不能直接推到刚才讲到的通用和泛化，如果不能的话那是不是在中间选择一些能够阶段性能够去落地的方式是比较好的模式。所以我们也不知道答案，但是我们觉得是有这个可能性的。

颜黔杭：中国的具身公司或整个具身行业一直被各方力量催促着去反复尝试一些落地；但反而你看海外的公司更接近一个 lab 的形态，包括像 Physical Intelligence、Skild AI 跟 Sundae 这些都是更接近一个 research lab 的形态，所以他们有更多的精力去去做基模的研究。

而我们可能看到国内的新闻都是在做一些落地。从我的角度来说，能不能商业化取决于技术的成熟度是不是过了商业化的临界点。今天可能具身智能的模型本身就也有刚鹏琦提到的那个不可能三角，其实还是在一个非常早期的阶段，所以真的沉下心来好好去把这个事先做 research，反而是对长期来说更有价值的一件事。

刘鹏琦：我们看到其实过去半年在一级市场上有非常多比如灵巧手或者出现拆管的情况下，依然有非常多新的公司出来，包括大家开始做批量化的出货。所以我不知道在硬件上是不是已经到了在最末端的手上面去下功夫的一个阶段？以及它距离真正商业化相比比如现在成熟一点的夹爪方案到底到了一个什么程度？

颜黔杭：这个挺有意思的。我们那时候在 24 年去看手的时候，很多观点是说手没必要，我用夹爪就行了。但结果看这两年手的进展变好了之后，大家终于可以去利用 EgoCentric 数据，因为 EgoCentric 数据去用的就是人手的数据，人手的数据映射到灵巧手上的结果肯定要比人手映射到一个二指夹爪上要更好一些。

所以其实这个进步是这些数据能用，本质上是灵巧手的发展带来的。所以可以理解为灵巧手跟具身智能其实是一个相辅相成、相互促进的状态。有好的灵巧手才会有更多的数据可以被利用，以及更多的数据会产生。

从投资角度来看的话，我觉得过去始终会出现一些新的手，我个人觉得在硬件上形态上大家创业上更多收敛在用减速机加关节电机这两个去用的形式在做，那各自都会有一些不同的切入点。然后从研发一个手的关注度指标上来说，24 年大家看的是高自由度、负载、精度；今天大家看的是成本、耐用性、可维护性。你说这是不是真的能落地、稳定落地？你这手是一个看起来酷炫的手还是一个能用的手，大家对于它用也很重要。

还有个变化是随着它的完善上大家是会去做一些想去用手去做一些具身智能训练，那你手是不是天然跟模型侧、AI 这一次模型这一次数据这一次能适配、协同得比较好，那需要手的公司去做相应的一些中间层的服务的提供。我觉得这些都是从手上面来看一个比较明确的变化。

然后触觉传感器的话，今天来看可能跟 24 年差不多，我觉得在新技术的路径上其实还是那么一些路径，包括磁对吧，MEMS，包括视触觉。视触觉过去这几年可能声量会比较大一些，就是它的信息输入是远超过触觉所需要的，它是一个冗余信息输入再提取一个特征信息出来的过程。

所以在过程中大家可以利用它的冗余信息去做很多其他触觉传感器干不了的事。所以目前的话还是处在一个各自探索的阶段。你说触觉需不需要、怎么用，也就是说触觉以后怎么去跟模型适配，这个逻辑这个过程就像重复 24 年到现在灵巧手的过程一样。也许未来会出现触觉的相应的数据能用起来，视频中去推理触觉的物理特征，然后再结合触觉的灵巧手去做一些具身智能的部署，最后大概率也要走这么一个过程。但今天的话我觉得还是处于一个比较早期的状态。

刘鹏琦：对，我觉得触觉既然对于人来说是一个非常重要的模态，未来对于机器来说应该也是必不可少的。

颜黔杭：对对。

刘鹏琦：我其实这两天也正好想到一种任务对吧，如果机器人能完成就代表它的手和触觉的能力足够用的，就是它纯靠手上面的触觉传感器去摸摸某一个物体，大概就能把它的 3D 形状还原出来。因为我们人其实大概是有这样的能力的，比如我们可以闭着眼睛去完成一些操作，但是它可能的精度不一定那么高，但它大致上是可以还原出来的。所以如果它纯靠手和这些触觉能把它还原出来，那我相信再跟视觉模态大家其他模态结合在一起，基本上它再去完成一些任务就问题不大。

颜黔杭：对，我觉得这个我正好可以给你补充一点。你说的这个东西其实就是需要的是一个面的触觉感觉能力，在数学上就要通过一组法向量你可以反推出这组法向量的包裹面。这样子其实是比较合理的。

人的感觉是这样，因为我摸了大概就知道力的方向，然后根据力推出法向量，我大概能最后估算出以及我还能再调整它的空间位置，感受它长什么样子，这是一个非常好非常典型的 case。

其实之前我们去聊我投资的几家触觉传感器公司，他们现在有个很有意思的例子：原来比如一个二指夹爪舵机驱动的二指夹爪非常性能很差很便宜，就 100 块人民币的这么一个很便宜的夹爪，通过加上了一个触觉传感器，实现了一个控制的闭环反馈之后，它就能精准地夹起一个豆腐不捏碎这个豆腐，通过力控的方式去做这件事情。那力控肯定是一个非常基础的工作。那什么时候能说集成模型侧能用好这些？我觉得长期来看是一个相互融合、相互迭代的沉淀。从具身智能跟这些细致的角度来说，可能今天大家的重心还是在先做好其他事情上，再逐步过度到这个事情上，所以这个节奏我觉得大家都知道重要，但节奏会往后拖。

刘鹏琦：好，那除了刚才其实咱们讨论过这些最热的领域之外，我不知道你觉得还有什么方向是值得大家包括创业者特别去关注的？

颜黔杭：其实有两个方向我特别感兴趣，从今年下半年来看。第一个是 AI for Science，但不是前几年 AlphaFold 那样的 AI for Science 概念，就是整个科学的研究过程其实是由人智能加操作结合的整个 pipeline。那 AI 在这些环节里能替代掉那些 pipeline，极大地理加速这个 research 的效率，我觉得这也是 AI for Science 的一个实现方式。所以今年可以看到很多 Auto Research 的一些工作，但现在 Auto Research 还是局限在某一些领域内的，是不是在一些更多的领域内能极快地提升科研创新的效率，这样的方向我觉得也是一个新类型的 AI for Science。

另一个就是结合刚刚世界模型讲的那一套，怎么去——世界模型本质上去对物理世界的底层做理解、底层做预测、对物理世界做预测。传统的物理仿真器还是基于偏微分方程求解的方式去实现的，那今天我们没办法用 AI 去替代偏微分方程的求解，把底层的内核切换过去？这个其实现在慢慢地已经成为一个主流方向，大家在讲叫神经网络算子，或者叫底层的 PDE 求解用 AI 去驱动之后，那就能极大地理改变原来的你做 CAE 仿真中也有很痛苦的问题：你要算得准就慢，你要算得快就不准，但现在可以做到又快又准。我觉得这就是一个迭代式的进步。

所以这两点的话，AI for Science 除了我刚说在物理世界之后，还有更多的研究场景是不是放在 AI 去切入。比如我们可能过去更多关注的生命科学、材料药学这些，因为是做一些分子合成预测。最近我觉得一个很有意思的点是社会科学，因为社会科学原来所有的社科是缺乏一个高效的推演的实验机制，它的实验要么靠你真厉害你去搞社会大范围的调研结果，相当于以一个社会作为它的实验环境；要么就是通过调研抽样小范围地抽样做 sampling 的方式去做研究。是不是 AI 在这里今天能够为这个社会科学做一些新的研究的加速，我们的一些环境能切进去，我觉得都是挺有意思的点。

刘鹏琦：突然让我觉得对 AI for Science 这个事思路打开了很多，就不再是局限在说 AI for 材料、AI for 生物科技里面。

颜黔杭：而另一个我觉得 AI for 硬件这件事情还是持续在国内会有很好的一个创新机会。因为并不是说我们今天看到了什么机会一定会出来，而是因为我们有最好的土壤、我们有成熟的硬件供应链、我们有很聪明的一批年轻的创始人产品经理，然后有很好的一个 AI 的技术生态去提供给他们，他们可以快速地去基于自己的想象力去搭建出一些硬件产品来。这些产品有这么个土壤我就非常期待他们会诞生一些随机进化出来预期之外的惊喜。对，这些都是过去我们觉得大家一直不怎么重视，但是今天 AI 出来之后发现这不仅是消费项目，这是一个结合科技的项目。

刘鹏琦：对对，而且针对这个 AI 硬件，我觉得它除了给用户提供直接价值以外，其实跟我们刚才讨论的世界模型其实关系很大。因为我们就纯数字化的数据其实在网上已经沉淀了很多了对吧，但是我们跟物理世界交互的这个数据以及我们自己包括像生物数据、包括像脑电的数据对吧，其实都还是非常缺乏的。所以这些数据都要靠未来的这种所谓的 AI 硬件的形式，当然 AI 硬件只是个概念对吧，它可能有算力然后有 AI 的软件能力然后有各种传感器对吧，它能在我们使用这些硬件的过程中让这个模型和 AI 更了解我们自己，这样反过来未来能够给我们提供更好的服务，可能这个价值的想象空间会更大的。

颜黔杭：所以短期来看比较明确的 AI 硬件的一个价值，就是作为人类真实活动的物理世界真实活动的上下文数据采集工具或者采集入口。也许因为它采集的这些数据，它就能更好地提供一些新的产品价值。

刘鹏琦：对这些 AI 硬件厂商来说，可能还比较重要的一点就是它到底只是一个数据采集器还是它能够作为一个数据的 hub 对吧，然后由它为中心去整合用户其他的上下文的 context 来为用户提供服务。本质上它也是个消费品，大家要买它，这个定位我觉得大家是需要在创业的时候想清楚。

最后再总结一下资本市场今年上半年的一些变化。我们知道宇树马上就要在科创板上市，然后以及智谱和 MiniMax 在年初上市之后，今年整体的股价表现尤其是智谱的表现还是非常好的。然后另外包括像 Kimi、阶跃这些大模型厂商，包括像 DeepSeek 其实也相继完成了大额的融资。我不知道你怎么看整个这个 AI 公司这个上市潮，以及它到底会对我们未来的一级市场投资会带来什么样的影响？

颜黔杭：我觉得从我们作为一级投资的角度来说肯定是好事，大家一级市场能赚钱了。从 AI 行业的角度来说，我觉得这是这些公司到了阶段性证明了其在 AI 大模型基础模型生态地位中的价值之后它的一次资本化兑现。它也需要更多的钱，也就是持续源源不断的子弹在这个市场竞争中生存下去。所以可以看到智谱跟 MiniMax 上市之后，其实其他几家也逐渐相对表现不错的公司也逐渐启动了资本化的流程。它要竞争，它要新的粮草，它要去打更长远的仗。我觉得这是整个资本市场对于这类长期有价值但短期仍需科研投入的方向做出了一个支持。

其实海外的话 OpenAI 跟 Anthropic 今年也会要上市，但这些公司的上市并不是说它真的像传统的公司上市一样大家要看 PE 或者看什么，更多还是看它一个长期的生态位的问题。其实从互联网公司的时代来看，那时候上市大家也不是看谁赚钱不赚钱，也是看一个长期的现金流带来的生态优势跟生态位置带来的一个长远价值。然后今天再怎么去看这些类型的 AI 公司上市，我觉得要用一个乐观的角度去面对。

刘鹏琦：最后的股价怎么走我觉得是由市场竞争跟他们自己最终在竞争时刻的生态位的排位去决定的。那你觉得随着更多的具身公司上市，包括下半年可能 OpenAI 包括 Anthropic 的上市，这一轮的整个 AI 我们都说它处在一个泡沫阶段，我们达到了一个什么样的位置？我们往后走它泡沫会破吗？

颜黔杭：预测泡沫会破是一件困难的事情，因为大家都可以说泡沫终究会破，但是这句话是一句正确的废话。但我只能说从阶段性的角度来看，一级市场短期会因为上市带来一波泡沫跟泡沫热潮；但这些回归理性之后，因为二级市场其实比一级市场反馈周期要短很多的，你一旦有一些业务做不好或者市场出现一些问题股价快速反馈出来，一级市场反馈会慢一些。那就看这些公司在上市之后他们的一个实际的商业化进展或者叫研究的一些阶段性进展是不是能够支撑起他们市场的预期对吧。如果他们这些带头大哥支撑不起，其实反过来就会打压我们一级市场的一个整个估值预期。

所以对于具身跟人形机器人还有 AI 下面的上市公司来说，都希望大家能够表现得好，以及说各自公司本身能够表现得好，那还会给一级市场一些空间。如果他们表现撑不住，那可能回过来对一级市场的公司来说，今年上半年遇到的快速估值上涨也有可能会出现一个阶段性的冷静期，大家会想二级市场上估值都不一定能支撑一级这么贵形成的倒挂，我是不是应该保持一些冷静，不用这么着急不用那么荒谬。所以我觉得就会有这么一个变化。

刘鹏琦：确实我也同意，反正预测泡沫这件事情什么时候破是个很难回答的问题。但我们反正从我角度来讲我们可以试图去预测一下，假设这个泡沫破了的话它的影响可能会是什么对吧？或者换句话说可能哪些公司在那个时候会更有可能活下来或者是它成为真正的好公司？

颜黔杭：泡沫的阶段大家都会想着是我买的我投的公司肯定也会是最好的公司，我投的公司不会比其他的差，就像大家在二级市场非常火热的时候大家都会想着我买的股票一定也能涨，我的股票明天也能涨。所以大家是带着这种预期在。

但是在假设泡沫破裂之后，大家又明显因为市场舆论，所以大家必须要去收缩到把资产配置到更优质的资产上来，所以大家对资产的质量要求就会更高。所以这时候回到刚刚我们讲具身跟 AI 的话，Pure Research 类型的方向比如世界模型也好、比如现在做具身智能模型研究的公司也好，真正具备持续研究交付能力然后真的能持续给出一些 milestone 关键突破进展且引领行业具备行业地位的公司，我觉得还是会持续拿到钱去撑过去；但是慢慢的就会变成你只是靠一些 demo 对吧、你好讲故事你没有一些 result 输出，你就会拿不到钱。

但是对于偏落地的比如像已经有一些商业模式的公司来说，假设泡沫破了，这个价值就会往商业模式更稳健、业务订单更真实的公司去收拢。可能短期估值会有回落，最后靠的是公司自己的商业的所谓的鲁棒性，你怎么去抗冲击的能力，你怎么应对这些危机的能力去提高自己的公司生存能力。这也是假设泡沫破了之后的一个趋势，我的一个想象。

刘鹏琦：我觉得真是说对，反正我觉得泡沫如果破了的话，它其实反而可能是大家——无论是偏软件大模型这一层的还是偏具身这一层的——可能反而更有利于大家去落地。它传导过去之后可能反而上游的整个的成本都会降下来，对于用户来说它的整体的成本下降也会更好地带动一个落地的可能性。因为现在毕竟制约这些行业落地的一个很大的因素其实都是整个的资本开支和成本的问题，所以到时候会为大家落地创造一个比较好的条件。具体谁能在落地的时候真正做出来，反正大家如果都上市了也就可比了，能够帮助市场去筛选出来好公司。其实对一级来说并不是说上市就等于结束，我们也希望它做得好，不然等到我们能够解决退出的时候，股价最终也会回归到合理的价值，二级市场的反应还是非常的快。

行，那最后一个问题就是如果针对下半年我们再做一个预测对吧，如果要压下一个变量你觉得会是什么？

颜黔杭：就像刚刚我们聊到 Agent Harness Engineering 一样，我希望去看到一些能够在某些场景形成一个所谓的真实数据闭环的这么一个机会，包括具身、包括说 Agent 其实本质上都是一样的。就是一旦能形成这种机制，或者是帮助去形成这种机制的公司（卖铲子的公司也可以去做这种搭建这种机制的公司也可以）。

具象地说，今天虽然具身智能已经到了一个早期来投资的阶段，但是我如果公司能够从具身智能的数据系统、预训练系统、后训练系统再到部署再到真机数据强化学习整个流程都能形成一道闭环不停地滚起来去测试运转的话，我觉得这样的公司天然的竞争力还是要远高于一些单点切入的公司的。

这样是不是创始人有这个 vision 能去把这样的系统搭建起来？那对于 Agent 来说也是一样的。Agent 并不是简单只是你今天还是只卖一个 skill，skill 不构成商业模式，skill 你随便下载根本不受人保护，但能保护的就是怎么样让 Agent 能够交付出类似于接近于人的产品来。所以这个是需要 Agent 具备自我决策、自我审查、自我学习这么一个过程。因为从人的角度来说，我们今天任何时候我们去干一件新的事情我们不可能实际上是没干到这案里面，我们是在学习中进步的。那是不是 Agent 能实现真实数据闭环在学习中进步？它需要的是硬件解法还是软件解法，我觉得都是只能下半年去基于这个角度去观察的节点。

刘鹏琦：这个问题其实我自己也有一个预测。我觉得可能下半年会看更多偏能落地的一些，可能落地指的是确实能够去带来一些商业化的价值。我觉得往后看虽然没法预测泡沫什么时候会破什么时候会发生，但我觉得这个事情就没有一个技术能够不经过周期就直接一拉一拉实现所谓 AGI 对吧？它中间一定会经历一些至少短期的波动。那么在这些波动的过程当中能否落地就决定它能不能在这过程中能够去建立一个阶段性的优势，包括优势能够帮它去带来收入也好、能够帮它去带来融资也好对吧，包括像刚才颜博讲的带来数据闭环的价值也好，那么就能够去帮助它在下一个阶段是不是能够再次起飞。这可能是我这边的一个预测吧。

今天反正我们针对上半年的 AI 讨论了非常多的内容。当然可能这些都是我们个人的一些意见和想法，我们的很多判断也许会在未来的几个月、半年甚至一年去被打脸，但是我们也很希望这件事发生，这样就说明整个行业的发展会进一步超出我们的预期。我们希望未来可能过段时间我们再一起坐下来再去复盘复盘，看看这个行业到底会往何处走。

颜黔杭：对，还是去年我们说的一句话：我们欢迎打脸，也希望这个行业快速变化，让我们明年有更新的东西可以持续去学习跟探讨。谢谢大家！