AI投資，究竟該投算力、算法還是數據？

相比於AI的應用，最近一年多中，算法和算力的企業在一、二級市場被吹捧、炒作得非常厲害，大模型中有橫空出世的DeepSeek，算力企業裡英偉達達到全球市值第一，2024年A股的市值漲得最多的是寒武紀，一年漲了5倍。

AI市場無疑成爲當前投資人眼中最大的香餑餑，市場的風雲變幻也不可避免地更多的投資人思考具體的投資機遇究竟在哪個戲份賽道。比如，DeepSeek之後大模型還值得投資嗎？具體到算法、算力、數據層面，中美存在多大的差距？中國的市場機遇在哪裡？AGI真的會到來嗎？

這些問題，不同的投資人有不同的答案。

對此，2025年4月16-18日，由投中信息、投中網共同主辦的第19屆中國投資年會·年度峰會在中關村國際創新中心隆重召開。同創偉業合夥人陳凱、創世夥伴創投合夥人樑宇、清流資本合夥人劉博、五源資本合夥人劉凱、鼎心資本合夥人潘濤、紫光基金董事長闕里、清智資本創始合夥人張煜和山行資本合夥人朱思行，圍繞人工智能三大基座進行了深度的討論，在這場討論中，以上問題都得到了答案。本次論壇由投中網副主編陶輝東主持。

以下是現場實錄，由投中網編輯整理：

陶輝東：相比於AI的應用，這一年多裡算法和算力的企業在一、二級市場被吹捧或者炒作得要更加厲害一些，大模型的公司就不用說了，算力像英偉達是全球市值第一，去年A股的市值漲得最多的也是寒武紀，一年漲了5倍。

臺上6位都是來自頂級投資機構的嘉賓，在算力、算法和數據方面都有非常深入的投資和佈局，相信本場能夠貢獻出一些有價值的觀察和思考。本場會有一個特別的環節，本場panel的最後會有一個投票，在場嘉賓互相投票選出本場發言最精彩的嘉賓成爲MVP。

投資人眼中的算法、算力與數據

陶輝東：第一個問題，先從整體的視角展望一下目前國內在這三大基座、這三個方面的發展到了怎樣的階段，尤其是跟美國對比我們的優劣勢在哪兒？各自的機構最關注的是什麼？首先請陳總。

陳凱：感謝陶總。大家好，我是同創偉業的陳凱，同創偉業在國內是歷史比較悠久的老牌創投機構，2000年成立，到目前爲止投了600多家企業，大部分都是分佈在科技領域，其中新一代信息技術、半導體等是我們都投資佈局了完整產業鏈，我本人主要負責半導體、AI等硬科技領域的投資工作。

剛纔陶總說的問題我們一直都在思考，人工智能分成幾塊，無非是算力、算法、數據。中國與美國在人工智能領域處於全球領先地位，但中國與美國相比仍存在一定差距，這種差距主要體現在量上而非質上，甚至在局部領域中國已具備相對優勢。從投資角度來看，算力是整個AI的基座部分，涉及底層硬件，尤其是AI大算力芯片，其發展依賴於全產業鏈的綜合實力，在這塊中美差距較大，也是我們重點關注的領域。

目前中國在AI大算力芯片的設計能力上已取得顯著進步並快速追趕，但更上游的晶圓先進製程仍存在很大短板。因此，過去幾年同創偉業的投資重點集中在包括算力在內的底層支撐性技術領域，例如AI大算力芯片、CPU和GPU等國內頭部芯片設計企業；同時，爲彌補產業鏈上游的不足，也在晶圓廠、先進封裝廠以及更上游的裝備材料（如光刻膠）等領域進行佈局。只有補齊這些短板，才能在產業發展當中的根本性問題。

從投資角度而言，當前二級市場的熱點（如寒武紀的表現）以及國際環境的不確定性對國產替代總體構成利好，尤其是AI算力及相關賽道，技術領域的補短板和創新超越會同時並存。未來幾年，投資主線不會發生重大變化。通過優化投資佈局、支持企業發展，獲得投資效益和社會效益，通過可持續、良性循環的方式爲國家科技實力的提升發揮作用。

陶輝東：謝謝陳總，着重談了對算力的看法。下面請創世夥伴創投的樑總。

樑宇：謝謝陶總，大家好。創世夥伴創投的管理團隊自2007年起在中國從事投資業務，至今已歷經近二十年。在人工智能領域，當前正處於至少第二波重大發展浪潮，第一波以“AI四小龍”爲代表，而如今又迎來新的高峰。

首先，在上一輪週期中，行業普遍關注中美人工智能的差距，當時中國已實現追趕甚至部分超越。然而，隨着以OpenAI爲代表的新範式出現，2022年行業一度認爲差距再次拉大。美國主流媒體最初評估中國落後約20個百分點，但後續不斷修正觀點。例如，李飛飛團隊的研究表明，中美在人工智能技術和研究領域的差距正在快速縮小。這一過程客觀反映了行業參與者——包括創業者、投資人、相關機構及政府——的信心和投入決心不斷增強。

第二，在算力、算法、數據三大基座中，創世夥伴更專注於早期投資，並重點關注算法和數據領域。儘管國內在算力底座方面仍存在短板，但我們堅信通過持續努力能夠逐步突破，且追趕速度正在加快。我們對中國人工智能的發展前景充滿信心。

在算法和數據方面，我們認爲關鍵在於長期積累。上一輪人工智能週期中，企業主要聚焦於專家型模型，並在各行業沉澱數據。今年初，DeepSeek的進展爲行業注入了信心，證明通過降低模型成本可以推動更廣泛的應用。當經濟模型達到臨界點，市場需求將被迅速點燃。

中國在這一階段具備獨特優勢，能夠充分利用過往在RAG模型和技術人才上的積累，實現無縫銜接。我們持續關注並投資這一領域，堅信除了基座大模型外，各行業垂直應用的“小模型”將迎來爆發式增長，呈現百花齊放的局面。

數據作爲核心養料，中國的優勢在於規模而非整合。國內數據資源豐富，但大量高價值數據分散於政府、國企、民營企業及垂直行業中。目前大模型訓練數據約80%來自公開市場，而真正具備商業價值的行業數據仍如冰山般潛藏，佔比同樣高達80%。這既包括結構化數據，也涵蓋海量非結構化數據。

因此，在數據領域存在巨大機會，尤其是在存儲格式、治理和流通環節。中國數據規模遠超美國，但關鍵在於如何高效、低成本地釋放這些數據價值，賦能各類模型，使其真正發揮作用。這是我的看法。

陶輝東：謝謝樑總。下一位是清流資本的劉總。

劉博：大家下午好，我是清流資本的劉博。我們基金成立於11年前，是一家專注於早期階段的雙幣基金。由於創始合夥人王夢秋女士曾是百度早期的技術副總裁，我們的投資風格始終圍繞技術範式的變遷調整關注方向。過去兩年半，生成式AI是我們重點佈局的賽道之一。

在AI三大基座的討論中，我們持續觀察行業動態，尤其關注各大廠商的技術演進，試圖釐清大模型的能力邊界，並在此過程中逐步建立起對AGI的信念。關於算力問題，近期與同行交流時重點討論了英偉達在貿易戰背景下的處境。我們認爲當前算力供給仍遠遠不足，核心矛盾在於英偉達的商業成功並不等同於算力產業的整體盈利——現階段主要由大型科技企業爲其買單。

今年中美兩地的雙幣基金普遍聚焦應用層投資，因爲必須通過應用端的突破來驗證算力投資的價值。只有當應用場景充分證明算力投入的商業回報，真正的算力普及纔會到來。作爲AGI的信仰者，我們判斷當前全球算力基礎設施仍遠未達到支撐AGI發展的需求水平。

在算法和數據領域，我們此前的投資佈局主要聚焦於這兩個維度，早期投資了包括具身智能領域的星動紀源、AI for Science方向的深勢科技等項目。由於早期基金規模限制，我們並未直接佈局大模型賽道——考慮到大模型需要長期持續的融資支持，而是選擇在垂直領域尋找機會。當時我們稱之爲"垂直模型"，而如今行業更普遍的做法是基於開源模型進行蒸餾，再結合行業特定數據進行鍼對性訓練。

從應用端反觀數據與算法的現狀，我們發現許多高價值數據的可獲得性仍面臨挑戰。雖然數據客觀存在，但有效獲取和利用的難度較大。當前各類應用的核心邏輯，在於通過創新交互方式將非互聯網原生數據注入模型。以近期熱門的Agent技術爲例，其本質是通過人類經驗數據的沉澱，構建支持特定任務執行的小模型。儘管目前尚未實現真正的AGI，但至少在數字世界已能完成部分自動化任務。

就數據可得性而言，無論是To B還是To C領域，算法和數據類創業公司都在竭力獲取差異化、專項化的數據資源，並通過算法優化提升模型能力。從投資視角出發，今年我們會重點關注這一領域。整個行業正處於關鍵驗證期，需要具體案例來測算中美兩國在算力投入的性價比和投資回報。因此，無論是科技企業還是投資機構，都期待在未來兩年內能看到清晰的經濟收益模型得到驗證。

關於中美差異的問題，近期觀察到一個有趣的現象：我們接觸的很多項目，包括從硅谷回來的創業者，都體現出一些微妙的變化。事實上，美國美元VC投資的很多項目創始團隊中，華人佔比較高。特別值得注意的是，最近一個季度，不少原本計劃長期在硅谷發展的創業者也開始考慮回國創業。

這種現象反映出中美在AI領域的差距正在縮小，包括融資環境的差距。目前國內的融資氛圍持續升溫，資金層面的差異已不再顯著。基於這樣的市場環境，我們今年的投資策略將更聚焦於算法和數據領域，重點尋找那些能夠巧妙運用技術、真正體現AGI執行力的優質項目。

陶輝東：謝謝劉總，下一位是五源資本的劉總。

劉凱：我們是一家較早成立的投資機構，目前採用雙幣種投資模式。關於AI基礎設施的三大要素——算力、算法和數據，我認爲這三者密不可分。

中美的AI發展路徑存在顯著差異：美國憑藉強大的算力基礎（包括衆多芯片設計公司和像Google、Meta的大廠自研芯片）率先突破，繼而發展基座模型算法，最後解決數據應用問題。而中國的發展路徑則有所不同，早期在算力領域相對薄弱，這點在一二級市場已有充分體現。中國的寒武紀、摩爾線程等企業，最初市場規模有限，主要客戶爲互聯網公司，但經過三四年發展已逐步進入主流視野。

在算力投資方面，第一波機會確實已經過去。當前上市或排隊的企業大多是在2018-2020年間完成投資。當時市場對大算力存在分歧，有人認爲大算力在中國很難發展起來，但強勁的需求最終推動了行業發展。未來算力領域仍存在細分機會。

關於算法與數據的關係，我們認爲二者緊密相連。即便在美國市場，這一領域的競爭格局也尚未完全明朗。回到中國市場，大模型競爭剛剛進入白熱化階段，DeepSeek在推理端的突破具有啓蒙意義，但在訓練側和多模態等領域仍有巨大提升空間。我們內部將這一發展階段類比計算機發明初期——雖然難以準確預估其最終價值，但只要持續推動成本下降直至研發出最好的模型，必將深刻改變衆多行業。

關於AI發展的歷史參照，美國電力行業的發展歷程提供了很好的借鑑。在GE和西部電氣完成電力基礎設施佈局後，電力行業曾經歷相當長的蟄伏期，而正是在這一時期，電力應用實現了在各個領域的快速滲透。相關研究著作詳細記載了電力如何推動美國現代化進程，包括郊區化發展、獨棟住宅的興起、有軌電車的沒落以及鄉村音樂的流行等社會變革，這些都與電力普及密切相關。

這一歷史經驗表明，重大技術革命往往需要經歷較長的演進週期。就AI領域而言，大模型和AGI的發展很可能遵循類似的規律。我們需要以更宏觀的視野來觀察這一進程，而非侷限於三五年時間跨度。但從具體投資機會來看，未來五年內，算力、算法和數據三大領域都將持續涌現重要的投資機遇。

陶輝東：謝謝劉總，看的都是五年以後、十年以後的事情。下一個是潘總。

潘濤：鼎心資本成立至今已有近11年曆史，目前管理第四期VC基金。我們的投資方向經歷了持續聚焦的過程：從早期的模式創新、互聯網投資，到後來的硬科技領域（包括新材料、半導體等），直至第四、第五期基金明確All in AI的戰略定位，這與今天討論的主題高度契合。

早在2021-2022年，我們就開始系統思考AI的本質。當時並未侷限於算力、算法、數據的分析框架，更多的是從"數智化"演進的角度進行理解。我們認爲技術架構可分爲三個層次：最底層是基礎設施層（以芯片等爲代表），遵循摩爾定律；中間層是通信及硬件+軟件融合層，遵循吉爾德定律；最上層是互聯網應用平臺層，遵循麥特卡夫定律。過去三十年間，信息技術產業正是由這三個"飛輪"交替驅動發展，每個輪子的投資週期在不同的時點有不同的價值體現。

站在2024-2026年的時間節點，當前全球科技產業的核心矛盾集中在底層算力領域。英偉達的崛起及其最新產品（如GB200、H100系列）就是一個體現，且其對中國市場的限制，標誌着與互聯網時代根本性的差異：中國在移動互聯網時代基於開放的底層架構取得了巨大成功（如字節跳動、BAT等），但在當前AI時代，底層技術自主可控已成爲生死攸關的問題。這一認知在過去四五年間已逐漸成爲行業共識，也使得解決算力瓶頸成爲當務之急。

關於算力的定義，我們遵循國家工信部提出的"新型智算"概念，即集異構計算、通信、存儲於一體的綜合能力體系。基於這一理解，我們的投資佈局着重以下幾個方面：

在計算領域，我們觀察到Transformer架構對GPU算力的需求與傳統通信行業對專用算力的要求存在顯著差異。尤其是DeepSeek等企業的實踐表明，我們發現單純追求算力規模（如Tflops指標）並非唯一路徑，通過MoE架構和算法優化等系統級創新同樣能實現突破。這促使我們調整了對算力投資的理解。

在通信基礎設施方面，我們重點佈局了支持萬卡集羣互聯的技術，包括硅光光源、下一代薄膜鈮酸鋰（1.6T/3.2T）、ODSP芯片和AFE等關鍵器件。這些投資在行業向大規模集羣計算轉型的過程中獲得了先發優勢。

新型存儲領域，在2024-2025年間，我們持續關注新型存儲技術的發展。現階段，隨着摩爾定律推動的底層算力進步，我們的投資重點將逐步向上層應用延伸。雖然大模型領域目前仍由巨頭主導，但後端大家會用腳做投票。

上世紀70年代IBM高層曾預言"人類只需五臺計算機"，而今天單部智能手機的算力就已遠超這個規模。這引發我們思考：當前"中美各一個大模型就足夠"的論斷，是否會像當年的預測一樣被未來發展所顛覆？當前也許會，但往後發展我們相信AI演進將呈現更豐富的形態。

未來20-30年，隨着技術持續突破（包括摩爾定律、吉爾德定律的持續作用），每個人或將擁有多個智能體。這種演進不會僅停留在規模擴張，而是會向專業化、精細化方向發展。

在當前階段，我們的投資重點不在基礎大模型領域。更關注AI基礎設施領域，包括我們剛纔討論的計算、通信、存儲於一體的綜合能力體系，另外就是應用層機會，特別是具有中國特色的兩大方向：一是大模型驅動的傳統產業升級，充分發揮中國產業鏈優勢；二是AI與硬件的融合創新，如具身智能等領域。"AI+硬件"方面的突破尤其值得關注。我們認爲，中國在這些領域將涌現大量投資機會。

陶輝東：謝謝潘總，重點也是在算力上。下一位是闕總。

闕里：我是紫光基金的負責人。紫光基金作爲新紫光集團旗下全資控股的CVC平臺，投資聚焦在聚焦在半導體，尤其是芯片設計領域、ICT領域，緊緊圍繞着AI時代，從基礎設施的建設到終端應用、到智能的各方面的行業的實際落地應用。紫光基金肩負着雙重使命：一方面要補強集團核心產業競爭力，另一方面要推動產業鏈的完整佈局。在中美科技競爭的背景下，這種"求全"策略雖然從經濟學角度並非最優解，但卻是保障產業鏈安全的必要選擇。

在具體實踐方面，我們去年完成了疫情後最大規模的對美併購案，以21.43億美元回購新華三30%股權，使集團持股比例提升至81%，外資所佔股權隨之降至20%以下。這一舉措不僅強化了主營業務，也爲企業開拓信創市場和海外擴張掃清了障礙。

針對AI基礎設施領域，我們重點佈局相對薄弱的算力環節，涵蓋計算、存儲和傳輸三大核心領域。通過"內部孵化+外部投資"的雙輪驅動，以及與行業龍頭企業的戰略合作，持續完善產業生態。我們始終秉持開放態度，期待與各界夥伴開展多層次合作，共同推動中國半導體和ICT產業的發展。

陶輝東：謝謝，下一位是清智資本的張總。

張煜：我是清智資本張煜。我們專注於人工智能早期投資，去年一年投資了十餘個項目，覆蓋AI基礎技術、AIGC、生命科學、具身智能等多個領域。同時我們還運營孵化器支持原創項目孵化，位於清華大學，號稱中關村最美孵化器。

關於AI發展要素，我們提出五要素模型：算法、算力、數據、系統和應用，其中核心基礎同時也是中美競爭方面，算力和算法最爲重要。在算法領域，中美差距主要體現在基礎算法創新層面，美國在原創性算法研究方面佔據主導地位，而中國在工程算法實現上追趕較快。這種差異類似於探索路徑與跟隨路徑的區別。

算力方面，不得不承認，英偉達在芯片架構和生態建設上具有顯著優勢。國內企業中，華爲展現出較強的追趕潛力，特別是在構建完整芯片生態體系方面。數據領域，美國的數據商業化做得非常不錯，反觀國內，國內的數據行業更像是勞動力行業，並不當作技術行業來看待，所以估值都不高。

系統層面，中國已涌現出一批優秀商業化系統廠商，這與美國大廠自建系統的模式形成差異。應用領域，隨着項目數量顯著增加和市場預期改善，結合中國豐富的應用場景和製造業基礎，有望形成比較優勢。

陶輝東：謝謝張總分享，下面是山行資本的朱總。

朱思行：我是山行資本的朱思行，目前我們主要的投資方向是AI。從2022年開始觀察這個領域，前年、去年到今年，我們的感受與張總提到的類似。在模型方面，我們尚未看到明顯超越的情況，但跟隨的速度明顯加快了。之前我們與美國之間的差距，或者說追趕上一個版本所需的時間較長，現在這個時間正在縮短。

在過去的兩年多時間裡，大模型本身在模型和算法上取得了長足的進步，這爲許多應用領域的實際使用創造了良好條件。因此，我們認爲未來一段時間內，應用層會出現更多創新企業，並逐漸嶄露頭角。這對投資人來說是很好的現象，也意味着一系列的投資機會。

這一趨勢不會瞬間爆發，而是一個持續的過程，可能會延續若干年，類似於移動互聯網在2011年、2012年之後的發展局面。

在數據方面，我們的觀點是：在中國的環境下，無論是模型訓練還是應用的提升與推廣，都離不開數據。然而，中國的數據公司很難獨立成長爲一家規模化的商業機構。雖然可以成爲一門生意或小型公司，但受限於客觀環境，難以發展成大型企業。因此，這一領域並非我們主要的投資方向。

在算力方面，我們較爲關注。此次AGI的發展與上一代AI相比，模型底層架構發生了顯著變化。過去模型的底層變化對運算效率的提升可能不到5%，大量時間浪費在內存相關的操作上，這是行業的共識問題，且是全球該類型企業都有的問題。全球範圍內的芯片企業，包括國際領先廠商和國內企業，都在尋求解決方案。我們認爲，隨着AI應用的深入，推理在運算中的佔比逐漸擴大，這一問題將愈發關鍵。基於這一趨勢判斷，我們認爲值得投資人重點關注。

第二個判斷是：如果將全部算力重心放在雲端，從歷史經驗和IT合理佈局來看，未必是最優方案。回顧PC互聯網和移動互聯網的發展，端側算力能力的提升是應用普及的前提條件。如果按照這一邏輯推演至今，未來若手機、筆記本甚至PC能夠支持中等規模的大模型運算，將極大促進大模型服務的普及。因此，我們也非常關注端側推理芯片的投資機會。從全球範圍看，這一挑戰普遍存在。如果能找到優質標的，其市場機會不僅限於中國，還可能面向全球。

DeepSeek之後，大模型還值得投資嗎？

陶輝東：謝謝朱總。這一輪問題聽下來，大家談的最多的都是算力。我下一個問題是關於大模型，自從DeepSeek出來以後，流行的看法是說百模大戰結束了，沒有必要重複做基座模型了，應該去做一些特定場景的小模型。大家是否認可這樣一個說法？如果確實認爲現在再做大模型只是同質化的競爭的話，那麼還有哪些是值得投的機會？這個問題從朱總開始。

朱思行：這個也是我們最近在考慮的事，我們不是特別專業的技術人員，用類比或者比喻的方式來說，現在大模型進化，特別是語言模型的進化，我們認爲它提供了非常好的類似人的基礎教育或者是高等教育的基座。人在完成了高中教育或者大學教育以後進入行業裡仍然需要各個行業的訓練和相應的知識積累，我在垂直領域裡面，這樣的過程也是同樣需要的，且在各個應用領域更貼近於相應的經濟循環，所以相應的投資以及經濟回報的機會是很明顯的、很直接的。

陶輝東：您是說仍然需要專注在小模型、細分場景。

朱思行：細分場景裡面肯定是有機會的，但不是把大模型甩掉，而是在大模型的基礎上。

陶輝東：OK，理解，張總。

張煜：我們曾將2022年稱爲大模型元年，2023年爲行業模型元年，2024年爲Agent元年。但後來發現，基礎模型的成熟度未達預期，直到今年才基本可用。因此，2025年可能纔是Agent的真正元年。在大模型基礎上延伸的應用開始涌現，這類似於一個人從兒童成長到具備通識能力的成年人，但要成爲專業人才（如工程師、醫生或飛行員），仍需進一步學習專業技能。大模型提供了基礎能力，現在基座模型的能力將將可用，行業模型因此得以發展。就像未來機器人幫我們洗衣服，最智能的方式不是手搓，而是選擇合適的洗衣程序並執行。

輕量化模型或小模型並不真正"小"——例如在生命科學或具身智能領域，行業數據量仍然龐大。但由於基於基座模型，確實節省了大量訓練成本。所謂"小"，是指數據更專用，規模相對較小。但從算法角度看，許多方案尚未真正實現輕量化。這是我們的觀察。

陶輝東：闕總有什麼看法？

闕里：基座模型發展到今天，越來越多開源化的方式使得大家獲得一個可共享的平臺，紫光旗下的核心企業，比如新華三是很強的To B企業，它面對的是真正付費的客戶，所以從產業發展角度來講，我們確實現在在着力去發展行業的垂類模型，因爲從企業發展的角度來講，我們也認爲這可能是最早能實現變現閉環的切入角度，因此我們特別關注在垂類模型裡面真正實現工業化突破的場景。

陶輝東：潘總。

潘濤：我們對大模型的認知在過去一年發生了顯著的變化和更新。目前我們將大模型劃分爲三個主要類別：第一類是通用大模型，以ChatGPT爲代表的大語言模型。在這一領域，我們認爲投資機會主要在於追隨已經確立領先地位的行業頭部企業，因爲這些企業已經佔據了關鍵的技術、數據和市場優勢。

第二類是行業大模型或垂類大模型。雖然這類模型在傳統定義上可能不完全符合"大模型"的標準，但我們認爲它們這塊纔是中國真正的機會。首先，中文在互聯網語言中的佔比相對有限，這使得通用大模型的發展面臨天然的數據限制；其次，中國在過去20-30年的製造業發展過程中積累了豐富的行業數據，這些數據對於垂類模型的訓練、優化和收斂具有不可替代的價值。

第三類是如果剛纔我們說的人均多個智能體，那麼這裡面將產生更多星辰大海的投資機會，在更長的週期裡更值得我們去孵化、挖掘和投資。

陶輝東：劉凱總有什麼看法？

劉凱：我們對人工智能領域的投資實踐和觀察表明，當前對智能本質的理解仍處於相當初級的階段。通過這兩年的投資實踐，我們深刻認識到模型競爭仍處於早期發展階段，這與之前認爲格局已定的判斷存在顯著差異。從全球範圍來看，各類模型仍在持續迭代和分化過程中。

通過分析不同應用場景，我們發現一個關鍵特徵：儘管表現形式各異，但智能的核心載體始終是語言。無論是機器人應用的VOA技術（通過語言描述包裹視覺信息），還是我們所投資的華深智藥處理的分子結構（將複雜分子轉化爲語言表徵），甚至是自動駕駛系統，其底層都依賴於語言模型的支撐。

當前階段，我們對智能本質的認知仍然有限。無論是OpenAI的發展路徑，還是中國模型的演進方向，都存在着巨大的不確定性。這種認知促使我對智能技術保持敬畏之心，並願意投入大量時間深入研究。從投資角度看，雖然準確判斷技術路線存在難度，但這也意味着孕育着巨大的創新機遇和發展空間。

陶輝東：還有可能有下一個DeepSeek這樣的模型出來嗎？我們沒有投DeepSeek，沒有說這個事情就結束了是嗎？

劉凱：我覺得一定會有。

陶輝東：下一位劉博總。

劉博：今年基座模型的發展正在引發行業格局的深刻變革，最顯著的變化是將模型開發者和創業者劃分爲兩個主要方向。以DeepSeek的崛起爲標誌，業界開始對預訓練模型的本質和發展路徑展開深入探討。如果將預訓練過程比作塑造模型的核心智能或基礎認知能力，那麼這一領域正在呈現出明顯的生態分化趨勢。

我們看到，來自大模型廠商的創業者正在選擇不同的發展路徑：一部分轉向應用層開發，另一部分則選擇建立獨立研究實驗室，探索新型訓練方法。這種分化雖然不一定都適合風險投資，但爲預訓練技術的未來發展帶來了新的思路。當前由少數頭部廠商主導的集中式發展模式，由於其固有的商業戰略侷限性，實際上難以容納技術路線的多元化發展。

隨着技術演進，我們預見未來三年基座模型將面臨新的細分的演變。

陶輝東：謝謝劉總。創世夥伴創投的樑總。

樑宇：當前關於大模型發展是否已達瓶頸的討論，我認爲與劉凱總的觀點一致——距離真正的終點還很遙遠。

首先回到這一輪技術革命的起點Transformer架構，其核心命題"注意力機制是最需要的"開創了全新的技術範式。但在實際應用中，我們發現現有大語言模型存在明顯的記憶機制缺失問題。以日常使用體驗爲例，即便是主流對話系統在交互過程中也難以保持連貫的記憶能力，這種基礎功能的缺失反映出當前模型在智能本質定義上的不完整性。OpenAI最新推出的記憶功能更像是後期修補方案，而非架構層面的原生能力。

其次，如何將一個複雜的任務進行合理化的分解，分解成子人物，再由Agent執行繼而完成目標，這個問題還沒解決。

這些問題的解決不僅需要技術創新，更需要產業生態的協同共建，類似於IBM早年推動的企業級標準制定，但在新範式下需要更適應現代技術架構的解決方案。

基於這些觀察，我們對當前大模型技術的實際應用帶來的改變持謹慎態度。回到本源，要實現質的飛躍，從根上改變這一切，可能還有新的範式。

陶輝東：謝謝樑總，陳總呢？

陳凱：在算力基礎設施和大模型領域的投資佈局中，我們發現，一方面，通用大模型是典型的資本密集重投入模式，從這一點來說，大廠依託資金、資源做大模型優勢很大。但從投資角度看，可投資機會反而需要謹慎看待；另一方面，大模型迭代非常快，DeepSeek的案例頗具啓示性，這家未依賴外部融資的機構通過技術開源實現了後來居上，但形成可持續閉環商業模式似乎還需要探索。相比之下，大模型在垂直類方面的機會很多，例如特別是AI for Science等細分專業類應用方向，這些更值得投資人去關注挖掘。

在專業垂直類模型，初創企業更容易有機會把自己的壁壘建立起來，而非單純的簡單的靠“大力出奇跡”地去堆資源取勝，OpenAI的理論就屬於後者，但具體到專業垂直類領域則很大不同，這也是創業者和投資人都可以重點關注的的方向。

AGI到底會不會來？

陶輝東：這個問題可以看到一個很明顯的爭議，左邊更加願意給AGI未來一個期待，右邊好像更加落到實處一點，更加關注能看得見的行業的中模型或者小模型。如果跟美國對比的話，好像在美國沒有這樣一個討論——大模型或者基座模型現在已經可以了，我們可以重點放在細化或者行業的模型上。在中國大家更多的關注點還是在能夠落地的東西上。我特別好奇一個問題，大家對於AGI這個事情到底怎麼看？如果相信AGI會來的話，我們不可能對現在的模型感到滿意，無論是DeepSeek還是GPT-40，或者O1或者新的東西，大家到底對AGI怎麼看？到底相不相信這件事？是兩年、三年還是五年能來？這個問題從陳凱總開始。

陳凱：因爲相信所以看見。無論是軟件應用，還是具身智能硬件應用，我們都期待AI技術能賦予其靈魂，目前已經看到初步的技術演化路徑了，AGI代表未來方向，相信會有大量應用不斷涌現。

陶輝東：樑總怎麼看？

樑宇：AGI一定會來，但不會很快，至少我們相信科學，從各行各業的，我是指技術行業的統計，Gartner曲線還是一直有它的規律，時間會拉長，一定會到，但不是現在。

劉博：我們很相信AGI會到來，但是節奏上如果突然某一年我們看到大量的人在討論監管、立法，一定是這件事情已經發生了，但現在它還被關在籠子裡，人類有必要先談一談監管的問題，那一天就是AGI來臨的一天。

劉凱：雖然我們討論了很多模型，但是我們比較少討論AGI。AGI是超人的智能，人類無法衡量，這是最難的問題。如比亞迪王傳福總分享三個詞：敢想、敢做、敢堅持，不要想那麼多AGI的事情。

潘濤：大家討論的是終極AGI，但是AGI也是分階段實現的。我們投資更多還是基於技術、市場和市場的不同的階段，按照投資價值去做識別、判斷和投資。

闕里：首先回應一下剛纔主持人的觀察，我覺得分化是必然的，根據不同機構的戰略定位不同跟錢的屬性不同，一定會有不同的偏好，只有投資市場百花齊放，這纔是一個健康的市場。關於AGI的討論，我對未來始終充滿希望。

張煜：人類大概99%的活動其實都是規律性的活動，不具有太多的創造性，如果從這個角度來談AGI，肯定可以實現。AGI具有自主意識這件事，我持保留意見。

朱思行：總體來說這個問題我回答不了，但是也很簡單，它在哪方面的能力夠強了，這個賽道足夠大，創業者就做，我們就投，就這麼簡單。

陶輝東：最後進入投票環節。恭喜劉博總成爲本場的MVP。