AI芯片赛道近期市场表现 - AI芯片赛道成为近期一二级市场关注焦点，摩尔线程登陆科创板，上市首日股价最高涨超500%至688元/股，市值一度突破3000亿元 [2] - 沐曦开盘即报700元/股，市值直接站上3500亿元关口 [2] - 截至12月19日收盘，四家AI芯片公司市值分别为：摩尔线程3121亿元、沐曦2863亿元、寒武纪5347亿元、海光信息4744亿元 [3] 联想创投的投资布局与时机 - 联想创投同时是摩尔线程、沐曦、寒武纪、海光信息四家千亿市值AI芯片公司的股东 [2] - 该机构于2017年参与寒武纪A轮投资，是唯一连续参与其四轮融资的机构 [5] - 2021年，联想创投在摩尔线程和沐曦股份的A轮阶段入局，并于2025年在沐曦的C轮融资中继续加注 [5] - 2021年参与了海光信息IPO前的战略融资 [6] 联想创投的投资逻辑与核心能力 - 作为联想集团的CVC，其核心定位是为集团未来5-10年的创新方向进行前瞻性布局 [6] - 投资逻辑是站在未来10年的视角锚定当下投资方向 [6] - 前瞻性判断认为大算力将成为未来社会发展与国家竞争的重要基石，车载计算、机器人计算、AR/VR、IoT等新场景将催生未来10年数以百倍增长的算力需求 [7] - 每年花费2-3个月时间专注进行行业研究，期间不投资任何项目 [8] - 深度行研能力支撑了其早期投资的高命中率 [7][8] 构建互补的AI算力投资版图 - 投资布局并非押注单一技术路线，而是构建了互补的算力版图 [7] - 寒武纪（AI专用芯片）对应算法效率需求 [7] - 海光信息（x86兼容CPU）对应生态迁移需求 [7] - 摩尔线程（全功能GPU）对应图形渲染需求 [7] - 沐曦（数据中心GPU）对应高性能计算需求 [7] - 投资版图还囊括此芯科技、无问芯穹、后摩智能等其他算力企业 [9] 通过生态体系实现双向赋能 - 对于优质科技企业，发展到特定阶段后，产业资源比资金更为迫切 [12] - 联想创投的核心竞争力在于与生俱来的联想集团产业资源禀赋 [12] - 赋能模式是构建双向奔赴、价值共生的生态闭环 [12] - 一方面为被投企业提供场景、产研、技术与市场通道，另一方面被投企业也反哺联想创新算力底层能力 [12] - 寒武纪AI芯片已集成在联想AI服务器上，应用于智慧城市、医疗影像等场景 [13] - 海光信息的CPU与DCU产品为联想的科研计算、金融量化建模提供核心算力 [13] - 摩尔线程GPU芯片搭载于联想游戏本与专业工作站 [13] - 联想集团与沐曦联合推出“DeepSeek国产AI一体机”，打造芯片+硬件+软件一体化解决方案 [13] 未来投资方向 - 在保持对核心算力芯片关注的同时，正将目光投向下一代计算范式 [13] - 积极布局存算一体、量子计算、RISC-V、类脑计算等颠覆性技术 [13] - 在相关领域已投出华翊量子、图灵量子、进迭时空、铭芯启睿、清程极智等多家企业 [14]

文章核心观点 - 具身智能是当前贝塔最高的投资赛道，但其核心“大脑”部分的技术范式尚未收敛，仍处于探索突破阶段[3][4] - 中国在具身智能大脑的研发上存在独特的技术路径（如类脑计算），并有望实现领先，但国内在资金和数据投入上与国外差距正在拉大[8][14][24] - 解决数据稀缺和计算效率问题是具身大脑落地的关键，不同公司通过类脑解耦、世界模型预训练及自动化数据处理等不同方式应对挑战[12][14][16][17] - 具身大脑的成熟将实现本体无关和场景泛化，其技术范式有望在2年内初步收敛，并将催生比语言大模型更大的市场和更多的巨头公司[20][21][26][27] 行业现状与挑战 - 具身智能是过去几年最热、贝塔最高的投资方向，但“大脑”部分远未成熟，其“DeepSeek、ChatGPT时刻”尚未到来[3][4] - 国内与国外在具身大脑领域的差距不是在缩小，而是在变大，主要原因是国外企业获得更多资金用于数据Scaling，每周有上十万小时的数据持续回流[8] - 国内在大脑的投入远远不够，而技术范式已从去年年底、今年年初开始向视频预训练切换，特斯拉Optimus团队、Figure的Go-Big项目都在进行相关实践[8] - 具身智能的数据非常少，现有数据量仅对应3-5岁小孩的水平，远未达到成年人的能力预期[14][15] 公司技术路径与方案 千诀科技 - 公司孵化于清华类脑中心，致力于打造一个可让所有机器人使用的“缸中之脑”，该大脑不分形态，可持续学习、自我演化和分化分区[4] - 技术核心是类脑计算与解耦，模仿人脑分区独立优化与演化的机制，而非端到端模型，这种方式可将样本效率提高至少一万倍[5][16] - 已完成第三代模型的预训练，并在7大类、20多小类机器人形态上完成适配，与头部公司合作，预计明年将有10万台设备接入其大脑[4] - 已实现“四个跨”的自主智能泛化：跨场景、跨物体、跨任务、跨形态，机器人可在无人类指令下仅凭出厂设置和通识预训练工作[25] - 认为中长期解决方案是“类脑大模型+类脑芯片”，以解决端侧部署的功耗与性价比矛盾，中国在此技术路线上全球领先[24] 流形空间 - 公司聚焦于构建世界模型驱动的具身大脑，技术孵化自清华大学电子系的FIB实验室，团队是国内最早研究世界模型的工业界团队之一[6][7] - 已开发出对标李飞飞RT-M的、可单图生成可交互空间的基础世界模型，并应用于机器人大脑和无人机[6] - 技术范式区别于VLA，其通过空间智能的世界模型预训练再部署到机器人，认为VLA路线因通信带宽低、泛化性差，不适合作为大脑基座[6][7] - 拥有全栈自动化数据处理能力，内部有超过100个计算机视觉算子自动化处理视频标签，无需人工，旨在将数据变为公司资产[12][13] - 认为世界模型应是数据驱动的黑盒模型，以避免人为先验知识限制其能力上限，坚信机器智能最终将超越人类（ASI）[19] 关键技术范式探讨 - **世界模型的定位**：世界模型应是对世界的极致压缩，是机器人的Foundation Model，而不仅是环境模型[11] - **世界模型的类型**：主要分为两种范式，一种是构建人能看见的、输出视频的显空间世界模型；另一种是构建编码高维世界知识的隐空间世界模型，后者可能更具发展潜力[9][10] - **白盒与黑盒之争**：对于世界模型是否可解释存在分歧，一方认为基于因果推理的模型应是白盒；另一方则认为数据驱动的视觉模型必然是黑盒，其能力上限不应被人为理解所限制[18][19] - **实现路径**：要实现通用机器人，需要两个阶段：首先是世界模型预训练提供通识教育（0-60分能力），其次是结合具体场景的软硬一体后训练进行过拟合，兜底性能下界[21][22] 发展预期与落地展望 - 技术范式收敛时间预计在2年以内，前提是数据利用范式和管线得到提升[26] - 若追求处理更复杂的功能，具身大脑可能永远不会收敛到端到端范式，而是收敛到一个持续学习、动态变化的分区结构，类似于人脑[27] - 具身智能是比语言大模型更大的方向，未来将出现更多的创业公司和千亿级公司[27]

"人脑以仅约20瓦的功耗支撑起千亿级神经元的复杂运作，这为AI提供了极致的能效范例。借鉴人脑机制将成为突破 低功耗、长序列与通用性三大核心难题的关键。" 在"从脑机接口到脑机共生"主题论坛期间，在接受《科创板日报》等媒体采访时，对于AI与脑机接口融合的下一步发 展方向，中国科学院自动化所研究员李国齐如是阐述。 在这场会议上，天桥脑科学研究院研究院创始人雒芊芊宣布天桥脑科学研究院成立尖峰智能实验室，由李国齐团队研 发的国内首款类脑脉冲大模型"瞬悉1.0"也同步亮相。该模型在国产GPU算力平台上完成训练与推理，并与国产GPU企 业沐曦科技协同，打通了从类脑基础模型、国产算力平台到类脑芯片的全栈式研究链条。 打通国产GPU算力平台 "瞬悉1.0"被视为我国类脑计算与大模型融合的一次关键突破。该模型由李国齐团队研发，是国内首个类脑脉冲大模 型。与当前主流基于Transformer架构的大模型不同，类脑模型借鉴人脑以脉冲形式进行信息传递和处理的机制，试图 从根本上破解高能耗、长序列建模和泛化能力受限等问题。 李国齐向《科创板日报》等媒体介绍，发现式智能的一个关键能力是神经动力学。人脑以仅约20瓦的功耗支撑起千亿 级神经 ...

技术突破核心 - 江南大学杨国锋教授团队在宽禁带多功能光电子器件领域取得重要进展，提出基于偏压调控实现神经形态计算与硬件加密成像的多功能器件方案 [1] - 该方案具有单器件多功能集成、低功耗与高安全性的优势，相关成果发表于国际学术期刊《先进光子学》 [1] 技术方案与原理 - 研究基于氮化铝钪/氮化镓（AlScN/GaN）异质结，通过精确调控偏压实现器件功能可重构切换 [1] - 在低偏压下，器件表现为高速、高灵敏的紫外探测器；在高偏压下，器件展现出持久光电导效应，可模拟生物突触的学习与记忆功能 [1] - 团队结合快慢响应模式，设计动态偏压协议作为物理"密钥"，实现了对图像的硬件层级加密 [1] 技术优势与应用前景 - 该成果为在单一器件上实现探测、计算、存储与加密一体化开辟了新路径，解决了传统方案需要多个分立元件组合导致的功耗高、体积大、安全风险高等问题 [1][2] - 技术展示的硬件本征加密特性将加密过程前置到信息采集源头，为提升信息安全提供了新的物理层解决方案 [2] - 该技术有望应用于对安全性与集成度要求较高的领域，通过将类脑计算与传感加密深度融合，推动更安全、更高效的智能硬件系统发展 [2]

大会核心成果与发布 - 2025世界计算大会于11月20日至21日在长沙举行，并发布了2025全球计算十大创新成就 [1][3] - 全球算力水平迅速提高，千亿参数级别大模型在手机、汽车、智能家居等大众消费品中应用日益广泛 [1] - 人工智能、数字孪生等前沿应用正深刻改变生产方式和生活方式 [1] 前沿计算技术与应用展示 - 大会现场展示了昇腾384超节点系统、超智融合算力集群、人形机器人、智能网联汽车、脑机接口等创新产品 [3] - 发布的十大创新成就包括全球计算能力指数级增长加速生成式AI应用爆发、区域性计算集群协同推动全球算力互联网落地、神经形态处理器商业部署开启类脑计算新纪元、"九章三号"拓展人类计算能力上限等 [3] 先进计算的产业效益与影响 - 依托先进计算建设的卓越型智能工厂实现产品研发周期平均缩短28.4%，生产效率提升22.3%，不良品率下降50.2%，碳排放平均减少20.4% [4] - 计算是信息技术产业核心和数字经济时代根基，先进基础计算产业的战略与基础地位日益凸显 [4] - 以先进计算为核心驱动力的科技创新正在加快重塑全球产业格局 [4]

行业技术发展趋势 - 传统大模型存在能耗大和缺乏自主学习能力等局限性 [1] - 将类脑计算与具身智能结合是让大模型具备自主学习能力的关键方向 [1] - 类脑大模型技术可实现自主感知、决策和行为并产生更强泛化能力 [1] - 具身智能的原理与人的神经系统和形态协同发育过程相似 [3] 技术实现路径 - 基于Transformer架构加入类脑机制可实现有不同通道的脉冲大模型 [3] - 技术实现包括自上而下通道、自下而上通道以及注意力机制调整 [3] - 该技术路径与人脑内的不同通道和神经调控机制存在关联 [3] 机构研发进展 - 西湖大学在具身智能领域借助大模型已实现更自主的感知、决策和执行 [3]

行业背景与需求 - 智能时代尤其以大模型为代表的新人工智能对计算的需求呈爆炸式发展[1] - 现有计算系统面临功耗和成本不成正比的严峻现实，急需发展新的类脑计算[2] - 产学研用相结合研发是国家科技体制机制转变的重要内容[1] 技术平台与研发进展 - 清华大学类脑中心已构建类脑云脑-异构融合类脑计算研究平台，规模达16亿神经元[2] - 该平台构建了万亿级突出的全模式端到端类脑仿真平台，服务于脑模拟和智能医学等应用[2] - 广东省智能院布局类脑具身智能验证平台，研究视觉位置定位及多模态连续学习，目标是打造开放场景下具有终身学习能力的类脑智能系统[3] 创新产品发布 - 全球首款超小型移动式类脑智算体“智者一号”BIE-1正式发布[2] - 产品在迷你单门冰箱大小的空间里集成1152个CPU核心、4.8T DDR5内存、204T存储空间以及40G高速网络接口[2] - 产品核心技术为自主研发的“直觉神经网络”（INN），采用结构信息抽取—逻辑组网架构机制，可解释数值与符号统一的类脑学习网络[3] 产品性能表现 - “智者一号”在CPU单节点上仅用30小时便可完成百亿token训练[3] - 产品训练与推理速度分别达到10万token/秒和50万token/秒[3]

MOF材料的技术突破 - 莫纳什大学科学家利用MOF材料制造出超迷你流体芯片，该芯片不仅可完成常规计算，还能形成类似大脑神经元的短期记忆[1][2][3] - MOF材料具备明确的通道结构，适配多种化学成分，可在分子和离子传输过程中实现原子级精度调节，解决了制备高精度纳米通道器件的难题[5][6] - 基于MOF构建的分层纳米流体晶体管器件h-MOFNT，包含一维异质结（直径100纳米）和三维MOF相内部结，实现了非线性质子传输特性[7][8][12] 纳米流体芯片的性能特征 - h-MOFNT在0.1M HCl溶液中表现出非线性质子传输特性：低电压（0-0.2V）时电流快速增加，中间电压（0.3-0.8V）时适度增加，高电压（0.9-2V）时电流增长放缓达到饱和[12] - 漂移扩散实验确认HCl和KCl的阳离子转移数分别为0.86和0.81，表明特性主要源于质子和K+离子的非线性电阻开关行为[13] - 器件在电压扫描时表现出滞后环路效应，扫描速率下降会挤压滞后环路，证明非线性质子传输对电压扫描频率存在依赖性[16] 类脑计算与记忆功能 - h-MOFNT通过局部电势ΔE的建立和衰减（间隔约10秒），实现了短期记忆特性和仿生可塑性学习方式，器件能记住过去的电压状态[18] - 利用五个h-MOFNT并行编程构建的小型流体电路，模拟了电子FET的输出电流特性，证明基于液体的信息存储和类脑计算的可行性[16][19] - 该技术为新一代计算机提供新范例，可通过设计纳米级功能性材料补充或克服当前电子芯片的局限性[3][19] MOF材料的应用前景 - MOF此前因结构稳定性差（水或空气中易分解）、合成复杂、成本高昂，导致工业化应用稀少，相关论文虽达10万篇但落地成果有限[26][27][28] - 本次突破证明MOF并非"无用"，而是需找到适用场景，诺奖组委会曾强调其潜力可为定制新材料提供前所未有的机会[20][21][29]

材料科学突破 - MOF材料因其明确的通道结构和可适配多种化学成分的特性 被用于制造具备原子级精度调节能力的纳米流体芯片[5] - 研究人员利用MOF构建了分层纳米流体晶体管器件h-MOFNT 该器件包含一维和三维两种类型的非均质通道结[5][8] - 此前MOF材料因结构稳定性差 合成过程复杂且成本昂贵 导致其工业化应用受限 相关论文数量高达10万篇但实际落地应用屈指可数[20] 技术原理与特性 - h-MOFNT器件在电流-电压测试中表现出非线性质子传输特性 电流增长在特定电压区间内呈现被"阈控"或"门控"的状态 而非简单的线性增加[9] - 该器件在扫描环路电压时表现出滞后环路效应 扫描速率下降会挤压滞后环路 证明其非线性质子传输对电压扫描频率存在依赖性[10] - 通过电压扫描顺序实验 h-MOFNT展现出流体忆阻和学习特性 即器件能够记住过去的电压状态[10] - 其短期记忆特性源于MOF分层相中内部电势对质子的反向传输 产生的局部电势ΔE和ΔE′间隔约10秒 可通过高压扫描频率增强[13] 应用前景与潜力 - 基于MOF的纳米流体芯片可完成常规计算 并能记住之前的电压变化 形成类似大脑神经元的短期记忆功能[3] - 利用五个h-MOFNT通过并行编程构建的小型流体电路 成功模拟了通过增加门控电压实现电子FET的输出电流特性[11] - 该技术预示着新一代计算机的范例 通过设计纳米级厚度的功能性材料 有望制造出先进的流体芯片以补充或克服当前电子芯片的局限性[4] - 未来通过合理设计异构约束系统 有望实现基于液体的信息存储甚至类脑计算[13]

文章核心观点 - 莫纳什大学的科学家利用曾获诺贝尔化学奖的金属有机框架材料，成功开发出一种具备类脑短期记忆功能的纳米流体芯片，这为克服传统电子芯片的局限性提供了新的技术范例 [1][3][19] MOF材料特性与优势 - MOF材料具备明确的通道结构，可适配多种化学成分，实现原子级精度的分子和离子传输调节 [6] - 该材料解决了制备高精度纳米通道器件的难题，为实现可调非线性的离子运输提供了可能 [4][5] 纳米流体芯片技术细节 - 研究人员构建了分层纳米流体晶体管器件h-MOFNT，通过在聚合物单纳米通道中组装分层Zr-MOF-SO₃H晶体，形成包含一维和三维异质结的多个异质结通道 [7][8][12] - 该器件在0.1 M氯化物金属离子溶液中的电流-电压测试显示，其质子传输呈现非线性特性，在0-0.2V时电流快速增加，0.3-0.8V时适度增加，0.9-2V时达到饱和 [12] - 漂移扩散实验确认HCl和KCl的阳离子转移数分别为0.86和0.81，表明特性主要源于质子和K+离子的非线性电阻开关行为 [13] 类脑计算与记忆功能 - 当扫描环路电压时，h-MOFNT表现出明显的滞后环路效应，扫描速率下降会挤压滞后环路，显示非线性质子传输对电压扫描频率存在依赖性 [16] - 器件能够记住过去的电压状态，具备流体忆阻和学习特性，局部电势ΔE的建立和衰减间隔约10秒，证明了其短期记忆特性和仿生可塑性学习方式 [16][18] - 通过并行编程五个h-MOFNT构建的小型流体电路，成功模拟了电子FET的输出电流特性 [16] MOF材料的应用前景与历史挑战 - 基于单晶胞或多晶胞厚度MOF的编程流体芯片是可行的，其在液态系统中体现出的开关、记忆等功能，可替代电子器件效果 [18] - MOF材料过去因结构稳定性差、合成过程复杂昂贵、批量生产难以维持结构一致性等问题，导致尽管有超过10万篇相关论文，但工业化应用屈指可数 [26][27] - 此项研究成果表明MOF并非无用，而是此前未找到真正适用的场景，合理设计异构约束系统可能实现基于液体的信息存储甚至类脑计算 [19][29]