作者 | Kozmon 编辑 | 硬 AI 在WAIC2026荣耀举办的探讨智能终端下一个十年的圆桌对话中，刘靖康给出了一个极具现实感的产业判断：未来的创新硬件将高度收敛于两类 角色——充当手机的"感官"以采集上下文，或是作为手机的执行端完成全自动任务。 同一场对谈中，红杉中国董事总经理李彦男亦从工程约束角度印证了这一趋势：在物理与化学技术取得突破前，手机仍是兼顾算力与便携的最优 解，三五年内无法被取代。 01 "高频打低频"的中心化逻辑 刘靖康的底层逻辑建立在商业逻辑之上。他以美团从外卖切入所有本地生活服务为例，指出通信与娱乐的刚需，决定了手机拥有极高的携带频 次。 新硬件做两件事——感官与手脚 硬·AI 尽管各类AI原生硬件试图重塑交互范式，但在影石Insta360创始人刘靖康看来，基于"高频打低频"的商业逻辑，智能手机不仅不会走向消亡，反 而将进化为统御所有外设的超级中枢。 频次决定了核心地位，而数据积累则构筑了护城河。过去十年，手机沉淀了海量的用户上下文数据。这意味着，无论未来涌现多少主打新采集或 新执行的智能外设，最终的数据与指令流向，都将汇聚于手机这一中心节点。 这一中心化论断，直接框定了未来外设 ...

文章核心观点 - 近期A股AI板块回调本质是杠杆出清而非基本面恶化，中国AI生态长期投资逻辑未受损 [2] - AI板块去杠杆进程已基本完成，且中美云巨头资产负债表健康，与历史泡沫期有本质区别 [2] - AI技术持续迭代、硬件供给约束延续至2028年等因素，共同构成板块上行支撑 [2] - 建议投资者在短期波动中继续持有优质AI大盘股，并预计AI板块将在8月业绩期重夺市场领先地位 [2] 流动性信号：去杠杆进程接近尾声 - A股IT行业融资交易额占总成交额比重已从约12%的中期峰值降至8%-9%，表明激进杠杆头寸已大量出清，去杠杆进程基本完成 [2][4] - A股5天滚动成交额虽从约6.5%的周期高点回落，但仍高于此前牛市触底低点，符合“去泡沫”特征，而非机构集体撤离 [4] - 7月1日至13日期间，ETF资金转为净流入A股，其中半导体ETF日均净流入达12亿元，科技硬件ETF日均净流入为3.5亿元，印证回调健康而非系统性风险蔓延 [4] 资产负债表核查：与历史泡沫相比仍处健康区间 - 中美超大规模云服务商（腾讯、阿里巴巴、百度、亚马逊、Alphabet、微软、Meta）最新资产负债率均在40%左右，远低于中国房地产开发商2021-2022年峰值时约100%的平均杠杆，更远低于2001-2002年美国互联网泡沫时期电信运营商约230%的极端杠杆 [6] - 上述云服务商均保持投资级债券评级，整体资产负债表依然稳健，与历史泡沫破裂前的财务结构有本质区别 [7] 技术进化与需求扩张：上行期权仍在打开 - 大语言模型能力持续迭代是AI资本支出可持续性的核心支撑，中国头部模型正努力追赶美国领先模型截至2026年中期的性能水平 [12] - 每一代性能更强的模型都会解锁新场景，带动基础设施增量投入，同时AI板块年度经常性收入（ARR）正在加速增长，国内AI供应链订单可见度也大幅改善 [12] - 技术进步催生新场景、新场景推动ARR增长的正向循环仍在延续，构成估值层面的上行期权 [12] 硬件瓶颈：供给约束至少延续至2028年 - 全球AI硬件关键组件的供给约束最早不会在2027年底至2028年之前缓解，未来两个季度不会成为验证AI资本支出可持续性的窗口 [17] - 台积电亚利桑那州晶圆二厂将于2027年下半年进入3纳米量产，美光与SK海力士分别推进HBM内存量产，且SK海力士首席执行官警告2027年将出现历史上最严重的内存短缺 [17] - 全球HBM供给进入大规模释放阶段、短缺真正缓解预计要到2028年全年，这一约束反而强化了AI基础设施支出的定价能力与紧迫性 [17] 策略建议：持有优质AI大盘股，关注短期轮动机会 - 经历回调后，中国AI生态整体的远期市销率倍数及估值差异已回归更合理水平，建议在短期流动性波动背景下继续持有优质AI大盘股 [19] - 短期内，在券商、保险、医疗保健行业盈利季催化下，7月市场可能延续从AI向非AI板块的轮动 [19] - 维持2026年底MSCI中国指数基准目标点位100点、沪深300指数基准目标点位5200点不变，并预计中国AI生态将在8月业绩期凭借二季度财务表现与下半年业绩指引重夺市场领先地位 [2][19]

文章核心观点 - 具身智能行业正从实验室概念验证阶段步入真实产线商业化阶段，评价体系从模型参数转向端侧大算力与工程交付能力 [2] - 中国具身智能产业链正以务实姿态，试图跨越技术与商业之间的“量产鸿沟” [3] - 行业竞争焦点已从云端大模型参数之战，彻底下沉为物理世界的工程交付之战，需要能将算法、本体、芯片、数据与场景彻底打通的系统级玩家 [18] 端侧算力成为工业部署硬约束 - 具身智能产业化需重新回答良率、产能和ROI（投资回报率）问题，产线要求“N个九”的稳定性，任何推理延迟或规划卡顿都会直接转化为真实产能损失 [5] - 云端部署因网络抖动与延迟，在要求毫秒级控制闭环的工业场景中存在致命停线风险，因此支撑高实时性、高可靠性的端侧大算力平台已成为商业化“必选项” [5][6] - 地瓜机器人的旭日S600 SoC提供高达560 TOPS算力与204.8GB/s带宽，内置四核BPU单元、18核CPU及6核R52+ MCU，以满足感知决策与运动控制协同 [6] - 为跨越工程鸿沟，旭日S600被打造为核心模组，具备-40℃到105℃的宽温运行能力，并完成11项以上工业级可靠性验证，以应对恶劣真实工况 [6] AI原生工具重构开发范式 - 工程化交付效率是决定量产爬坡速度的关键，如何将复杂AI模型高效、稳定部署到端侧是全行业面临的效率瓶颈 [8] - 地瓜机器人开源自研的Moss™ Agent Engine重构开发范式，例如适配新相机传感器，从过去资深工程师需5到10天调优，缩短至AI仅用2小时完成，开发效率提升10倍以上 [10] - 基于第三代Nash架构的BPU，旭日S600对Transformer网络的加速超过27倍，软硬协同深度优化让前沿模型在端侧“跑得快、跑得稳” [10] - 智在无界的Being-H0.7隐式世界动作模型适配旭日S600后，实现接近30FPS的实时推理速度，地平线实验室的HoloBrain模型（0.2B参数量）通过端侧优化，在仿真测试中达到接近7B模型的效果 [10] 打破“数据悖论”：触觉感知与真实产线的飞轮效应 - 行业深陷“数据悖论”：没有好模型就拿不到真实场景，没有真实场景就缺乏高质量训练数据 [12][13] - 破局之道依靠早期战略性投入以启动数据飞轮，早期试错成本是跨越冷启动阶段的必经之路 [13] - 触觉感知正从“锦上添花”变为具身智能精细化操作的“必选项”，视觉、触觉与仿真数据的多模态融合成为新方向 [13] - 帕西尼感知科技通过专用芯片将触觉感知硬件成本降至200元级别，为大规模数据采集扫清障碍 [13] - 章鱼动力提出“Bio-to-Normal”生物电触觉概念，通过采集人体操作生物电信号，真实还原人接触物体时的力觉与位移信号 [13] - 它石智航引入“Human-in-the-Loop（人在回路）”机制，将罕见异常、边缘案例和失败恢复策略沉淀为数据，促成全国首个千台级工业具身机器人项目落地，跨本体任务共享与指令组合泛化等类似Scaling Law的信号已出现 [14] 终局视角：5%-10%成本定律与生态护城河 - 随着行业成熟，AI芯片在机器人整机中的成本占比预计将最终稳定在5%-10%的合理区间 [16] - 端侧模型参数量正快速膨胀，从早期2.6B，到如今闭源5B，未来将向30B级别演进，云端模型则将突破100B [16] - 芯片厂商的真正壁垒不再是单一的TOPS数值，而是产业链协同能力与生态护城河 [17] - 地瓜机器人的核心策略是“更早一步与客户共同开发”以获取真实需求复利，同时坚守“不碰客户业务数据”的底线，专注做底座，提供从芯片、算法到工具链的全栈能力 [17] - 旭日S600已汇聚包括兆易创新在内的100余家软硬件及解决方案伙伴，这种致力于成为行业“最大公约数”的平台定位，是其支撑千台级真实产线交付的底气 [17]

文章核心观点 - 花旗与美银证券的分析师认为，以Kimi K3为代表的AI模型效率提升与成本降低，并不会导致芯片与内存总需求下降，反而可能因触发“杰文斯悖论”而推高总资源消耗 [2] - 模型更便宜、更高效的关键影响在于可能释放更大的使用量，推动更多AI智能体部署、更长任务链和更多token生成，从而将单位成本下降转化为总资源消耗的增加 [2][4] - 市场竞争加剧，特别是中国开源模型能力逼近，将迫使领先的AI公司增加算力投入以维持优势，进而持续拉动对GPU、HBM、内存及基础设施的需求 [2][11] 低价高性能，触发“杰文斯悖论” - 花旗将Kimi K3视为“杰文斯悖论”的潜在案例，即技术效率提升降低单位成本后，使用量大幅增加导致资源总消耗不降反升 [3][4] - Kimi K3的缓存命中输入价格为每百万token 0.3美元，输出价格为每百万token 15美元，其低成本与高性能组合可能提高开发者调用意愿，推动更多AI智能体部署 [4] - 模型降价不会自动减少硬件需求，智能体任务的连续性和长度增加会将单位成本下降重新转化为总资源消耗，关键在于总token量是否扩大 [4][6] 长上下文推理，把压力传导至内存 - Kimi K3采用Kimi Delta Attention、Attention Residuals和Stable LatentMoE三项关键技术，使其扩展效率达到K2的2.5倍，并支持100万token上下文窗口 [8][9] - 尽管架构优化压低了运行成本，但长上下文和智能体任务会推高KV Cache占用，增加推理端内存负担，运行仍需多节点集群（如超过64颗GPU的超级节点） [9] - 长上下文推理的需求直接关联服务器DDR5和eSSD，DDR5承担高频数据存取，eSSD受益于更大的缓存和数据存储需求 [9] - 对内存厂商而言，关键变量是模型被调用的次数、每次调用生成的token量以及智能体任务链的长度，而非单个模型是否更省算力 [9] 模型逼近，反而抬高算力门槛 - 美银证券认为，更强的中国开源模型（如Kimi K3）不会导致美国AI巨头（如OpenAI、Anthropic、Google）削减算力投入，模型差距收窄反而会提高领先者维持优势的成本 [2][11] - 为守住差异化，领先公司需要依靠更大规模训练、更多强化学习与合成数据循环、更重的测试时推理以及更快的产品发布节奏 [11] - 当模型能力趋同，竞争压力会传导至底层基础设施，包括GPU、HBM、高速网络和推理系统 [11] - 模型竞争加剧的背景下，领先者为保持距离将继续加码算力投入 [11] MoE架构改变瓶颈，显存和互连更重要 - Kimi K3采用的MoE架构使总参数量和每次推理激活的参数分离，降低了部分计算压力，但将基础设施瓶颈转向显存访问、专家路由、响应延迟和互连能力 [12][13] - MoE推理要求系统更高效地搬运数据、调度专家模块并连接更大的计算集群，英伟达提出现代MoE推理需要更大的GPU域 [13] - 英伟达测算显示，其GB300 NVL72在领先开源模型上的每瓦性能最高可达到Hopper平台的25倍 [13] - CoreWeave对Kimi K2.6的测试表明，要在速度和性价比上保持领先，仍需经过优化的英伟达GB300/GB200 NVL72基础设施 [13] - 模型权重可能逐步商品化，但运行模型所需的GPU、高带宽内存、网络互连和推理系统的价值不会消失，随着调用量扩大，这些环节可能成为竞争更集中的地方 [13] Token使用仍在扩张，需求端尚未见顶 - 美银证券引用OpenRouter数据指出，模型调用量仍在快速增加，其中中国AI实验室模型的token使用量已经超过非中国实验室模型 [15][17] - 模型价格下降和能力提升，可能推动调用量继续扩张，而不是被单一模型的效率提升所抵消 [17] - 企业付费使用在增加，截至2026年6月，约55%的美国企业已付费订阅AI模型、平台或工具 [17] - 具体企业采用率：Anthropic为42.4%，OpenAI为39.5% [17] - AI支出高度集中：头部1%的企业用户平均每名员工每月AI支出约4833美元，前10%为516美元，整体中位数仅为11美元 [17] - 分行业与企业规模：科技与媒体行业订阅率达79.8%，大型企业采用率为65.5%，高于中型企业的61.3%和小型企业的48.7% [17] - AI使用仍处于扩散过程，低价模型降低进入门槛后，未来增量需求可能来自更多企业、开发者和智能体应用 [20] 从“更省算力”转向“更多工作负载” - 花旗与美银证券的共同结论是，Kimi K3的意义在于低成本是否释放更大规模的工作负载，而非单一模型是否降低单位推理成本 [21][22] - 花旗认为直接受益方向是服务器DDR5和eSSD，因长上下文、KV Cache和智能体任务会提高内存访问与存储需求 [22] - 美银证券认为更重要的是GPU、HBM、高速网络和推理系统，因为模型竞争会迫使领先者继续投入基础设施 [22] - 美银证券提到，Kimi K3涉及的“45纳米开源EDA”不应被简单解读为商业EDA被替代，在先进制程上，Cadence和Synopsys等商业EDA厂商仍处于关键位置 [22]