大模型技术演进 - 大模型技术迭代速度极快，基准测试领先优势通常不超过三个月，呈现你追我赶的竞争态势 [4] - 技术演进本质上是不断轮动的赛跑，模型性能突破后很快会被超越，尚未跨入"标志性应用"门槛 [4] - AI+内容领域最可能诞生超级AI应用，生成式AI可能颠覆传统互联网连接模式并带来范式转移 [4] 具身智能发展现状 - 国内具身智能赛道热度高涨，过去两年新成立公司超过100家，创业者普遍受"机器人是人类基因梦想"驱动 [5][6] - 商业化面临多重挑战：机器人动作速率低、高扭矩关节电机工程难度大、训练数据不足、家庭场景存在恐怖谷效应 [6] - 智能机器人将优先在拣选/搬运/组装场景落地，通过积累第一视角数据构建"模型-本体-场景数据"闭环飞轮 [6] 超级AI应用前景 - 超级AI应用技术条件已成熟（推理成本快速下降，模型能力从"可用"进入"好用"），但尚未出现具体企业 [8][9] - 关键突破点在于找到让AI成为刚需的领域、容纳亿级日活的场景、打破平台与用户旧边界的产品 [9] - 当前大模型推理成本已显著降低，从早期单用户日耗数百元降至可承受水平 [9] 投资方法论 - 区分"喊出来"与"长出来"的产品，真需求需有实际数据支撑（如收入过亿），而非仅靠概念炒作 [10] - 关注AI for Science、AI安全等冷门小模态模型，未来三五年可能出现爆点 [10] - 投资需建立方法论过滤噪声，重点判断技术商业化转折点和团队基因匹配度 [10]