核心观点 - 上海人工智能实验室与多家国产芯片厂商合作，完成了对10余家主流国产算力的适配，旨在通过软硬件协同优化，提升MinerU项目的生态兼容性，赋能开发者与企业构建大模型语料基石 [1] - MinerU项目凭借其自研VLM模型，在文档解析方面展现出极高的准确率与跨行业普适性，既能作为大模型研发的语料生产引擎，也能作为政企办公的精准文档解析工具 [1] - 国产AI芯片企业正积极适配国内主流AI大模型，例如太初元碁已完成超过30个AI大模型的国产算力适配工作，覆盖了从语言模型、多模态模型到OCR模型的广泛类型，加速智算与产业融合 [2] 行业动态：国产算力生态建设 - 上海人工智能实验室OpenDataLab团队、DeepLink团队联合昇腾、平头哥、沐曦、海光、燧原、摩尔线程、天数智芯、寒武纪、昆仑芯、太初元碁、壁仞等10余家主流国产芯片厂家，完成了对MinerU项目的算力适配 [1] - 适配工作采用软硬件协同的全栈优化策略，旨在深度适配各类算力，全面提升MinerU项目的生态兼容性与适应力 [1] - 国产AI芯片企业正紧跟国内大模型更新步伐进行适配，例如太初元碁已完成包括DeepSeek、千问、智谱、MinerU、文心一言等在内的30多个AI大模型的国产算力适配工作 [2] - 适配的模型范围广泛，涵盖Qwen3Dense/MoE系列、BAAI Embedding/Reranker系列、多模态理解模型、多模态生成模型、大语言模型以及主流OCR模型 [2] - 相关企业表示将持续更新适配，以加速推动智算与产业融合 [2] 技术产品：MinerU项目解析 - MinerU项目依托自研的VLM模型，对PDF及复杂网页的元素捕捉准确率可达99% [1] - 该技术能够精准还原与结构化提取精密复杂的数学公式和嵌套繁琐的结构化表格 [1] - MinerU的核心价值在于其跨行业的普适性与极高的解析精度 [1] - 对于大模型研发而言，MinerU是高效的语料生产引擎，能够支撑千万级规模文档向AI-Ready数据的快速转化 [1] - 对于政企办公及科研领域，MinerU是精准的文档解析工具，能极大提升数字化办公的高质量发展 [1]

行业与公司 * 存储芯片行业、射频芯片行业、AI编程行业、轮胎行业、药房行业、创新药行业 * 涉及的公司包括：闪迪、铠侠、卓胜微、米其林、普利司通、固特异、海安、赛轮、中策、BMS、默沙东、礼来、三星、GitHub、Anthropic、DeepSeek、智谱、阿里千问、Kimi 核心观点与论据 存储芯片 * HBF在AI服务器中用于部分替代HBM，以平衡性能与成本，预计2026Q4–2027Q1量产，价格约10–11美元/GB[1][2] * HBF技术对闪迪和铠侠构成利好，因为这两家公司不涉足HBM业务，可通过HBF拓展市场[1][2] * 目前HBM供需基本平衡，产能方面，2026年计划扩产至47.6万片/月，推测2026年HBM价格将稳中有降[2] 射频芯片 * 2026年射频芯片行业整体温和回暖，4G领域价格战激烈，5G领域L-PAMiD模组利润率超20%，竞争相对缓和[2] * 手机直连卫星成为新增长极，华为Mate80系列支持低空直连，主要与卓胜微合作；小米、vivo、OPPO、三星等厂商跟进[2] AI编程 * 当前AI编程工具主要分为插件类、AI原生IDE类和Agent类三大类别，代表产品分别为GitHub Copilot、Cursor、Claude Code[2] * GitHub Copilot商业化进展最快，其月活用户付费率超过20%[3] * Cursor最新年度经常性收入达十亿美元；Claude Code编程方向API调用量已达Anthropic的约60%，收入规模可观[3] * 国内编程能力较靠前的模型主要有DeepSeek、智谱、阿里千问和Kimi，国内企业的重心偏向B端市场，C端免费且IDE产品表现暂不乐观[3] 轮胎 * 业内认为2025-2029年全球巨胎需求增速预计达35%，主要是海外矿业项目需求增速更高[3] * 米其林、普利司通、固特异等外资品牌计划2026年巨胎涨价10%以上，而海安等国内品牌为了份额开拓不会涨价[3] * 海安今年在海外的增长主要看俄罗斯、西北非、南非等市场，其他国产品牌如赛轮、中策等也在加速出海[3] 药房 * 近期出台的文件内容宏观，看似缺少具体措施，但这恰恰为后续各部委出台细则提供了纲领和空间[3] * 行业出清仍在继续，未来预计每年仍会有1-2万家的自然出清，判断当行业门店总数稳定在60万家左右时可能达到动态平衡[3] * O2O客单价持续提升，从不足50元升至约55元，未来O2O增速预计仍能保持20%以上[3] 创新药 * 为了应对专利悬崖问题，BMS推出了新的七大核心产品，默沙东进行了广泛的并购并进入新的疾病领域[4] * 各大药企都在AI方面进行积极布局，但像礼来那样有实力进行算力投入的公司还是比较少[4] * CXO领域来自韩国的竞争愈发激烈，三星将进军ADC与细胞治疗生产[4] 其他重要内容 * 无

文章核心观点 文章记录了2026年初中国AI领域一场汇聚顶尖学者与产业界核心人物的圆桌讨论，探讨了中国大模型行业的发展分化、AGI的下一个技术范式、Agent战略以及中国AI的未来前景[1][6]。核心观点认为，中国AI行业在经历了2025年开源模型的爆发式增长后，正进入一个关键的分化与战略选择期，行业需从追随转向引领，通过聚焦特定方向、探索新范式、发展Agent应用并改善创新环境，以在全球竞争中占据领先地位[6][22][57][70]。 话题1：中国大模型将如何分化？ - **市场出现To C与To B的明显分化**：ChatGPT和Claude Code分别被视为To C和To B的典范。To C应用对智能强度的需求增长放缓，而To B应用则因智能直接关联生产力，对最强模型有明确的付费意愿溢价[8][9][10][11]。 - **技术路径出现垂直整合与模型应用分层分化**：在To C场景，模型与产品强耦合的垂直整合模式依然有效（如ChatGPT、豆包）。但在To B生产力场景，趋势是模型层与应用层分离，强大的基座模型被多样化的应用层产品所利用[12]。 - **企业战略分化基于自身基因与数据优势**：腾讯作为To C基因强的公司，其瓶颈在于为模型提供更多上下文（Context）和环境（Environment），而非单纯追求模型规模[13][14]。大公司可利用其内部多样化的真实场景数据来训练模型，这相比依赖外部数据标注商能获得独特优势[15]。 - **分化是自然演进与客户需求驱动的结果**：行业分化并非完全预设，而是在与客户频繁交流中自然发现机会（如Anthropic聚焦Coding和Finance），中国SaaS市场环境与美国不同也影响了分化路径[17][18]。 - **学术界与工业界的分化与协作**：工业界在资源投入上主导发展，学术界应跟进解决基础科学问题，如智能上界、资源分配效率、哥德尔不完备定理下的幻觉消除极限等[19][20]。 话题2：AGI的下一个范式 - **自主学习（Self-learning）成为硅谷共识与热点方向**：该方向已被广泛讨论，但其具体形态因场景和奖励函数不同而多样，例如聊天个性化、编码环境适应、科学探索等[23]。 - **自主学习已在特定场景下以渐变形式发生**：例如ChatGPT利用用户数据优化聊天风格，Claude Code项目95%的代码由自身编写以实现自我改进，这被视为一种特定场景下的AGI体现[24]。 - **新范式的瓶颈在于想象力与评估标准**：实现突破的关键条件可能已部分具备（如Cursor的模型利用实时用户数据更新），但更大的挑战是如何定义和验证“实现了自我学习”的成功标准[25][26]。 - **OpenAI仍被视为最有可能引领新范式的公司**，尽管其商业化可能削弱了部分创新基因[26]。 - **强化学习（RL）的潜力尚未充分释放**：RL的计算规模（Compute）尚未充分扩展，仍存在基础设施（Infra）问题，其潜力有待进一步挖掘[27]。 - **Task-time Scaling（任务时间缩放）与主动性（Active Learning）是关键探索方向**：让AI在单次任务中通过消耗更多计算时间（Token）变得更强，以及让AI能根据环境信号自主启动并规划任务，是重要的范式候选，但伴随安全担忧[27][28]。 - **个性化（Personalization）可能是自主学习早期落地的场景**，但如何衡量AI时代的个性化效果成为新的技术挑战[29][30]。 - **记忆（Memory）技术的突破可能是线性发展后的感知临界点**：技术本身线性发展，但当记忆能力达到某个临界点，用户体验可能发生跃迁，类似电影《Her》中的效果，这可能需要一年左右时间[31]。 - **联邦学习（Federated Learning）代表的协作范式前景广阔**：通过“多个中心协作”模式，能结合通用大模型与本地专业化模型，在医疗、金融等隐私要求高的领域具有应用潜力[34]。 - **2026年出现新范式变革的驱动力增强**：学术界算力资源提升使其具备创新基础；工业界持续投入的边际效率下降，催生对“智能效率”（Intelligence Efficiency）提升新范式的需求[35][36][37]。 话题3：Agent战略 - **To B的Agent已进入价值上升曲线**：Anthropic的路径表明，在To B领域，模型智能提升与解决任务数量、商业收入增长高度一致，使得生产力Agent的发展势头强劲[41]。 - **当前Agent发展的两大瓶颈是环境部署与用户教育**：即使模型能力停滞，通过更好部署到各行业也能带来巨大经济收益（潜在影响GDP 5%~10%，目前远低于1%）。同时，会使用AI工具的人与不会使用的人之间的能力差距正在拉大，教育至关重要[41][42]。 - **产品哲学趋向“模型即产品”（Model as a Product）或“研究即产品”（Research as a Product）**：成功的Agent产品（如Manus）以及OpenAI的模式显示，研究员端到端地将研究转化为产品是重要趋势[43]。 - **未来的Agent将是“托管式”且与自我进化、主动学习强相关**：能够执行长时间、通用任务的Agent，需要在任务过程中自我进化并主动决策，这对模型能力提出更高要求[44]。 - **Agent的终极潜力在于与复杂物理环境交互**：超越电脑环境，指挥机器人进行湿实验等操作，才能实现自动化人类更长时间工作流的愿景，这可能需3-5年并与具身智能结合[45][46]。 - **通用Agent的机会在于解决长尾需求**：与推荐系统类似，解决海量个性化、非标的长尾问题是AI和通用Agent的核心魅力与挑战所在[46][47]。 - **强化学习（RL）降低了修复模型问题的难度**：相比以前，现在只需少量查询（Query）和奖励（Reward）数据，就能通过RL快速优化模型在特定问题上的表现[48][49]。 - **Agent将经历从人工定义到内生自动化的四个阶段**：从当前目标与规划皆由人定义，最终发展为目标和规划均由大模型自主定义的内生（Native）系统[51][52]。 - **Agent成功的三要素是价值、成本与速度**：需解决有真实价值的问题、控制实现成本，并在快速迭代的时间窗口内建立优势[54][55]。 话题4：中国AI的未来 - **中国在技术追赶和工程复现方面具备强大能力**：一旦技术路径被证明可行，中国团队能快速跟进并在局部做到更好，制造业和电动车已有先例[57]。 - **突破新范式需要更多冒险精神与前沿探索**：中国拥有大量顶尖人才，但相较于美国，愿意从事高风险、探索性前沿研究的人可能还不够多，这受经济、商业环境和文化因素影响[58]。 - **研究文化更倾向于做确定性高和看重榜单排名**：国内研究更聚焦已被验证的路径（如预训练），对探索性方向（如长期记忆）相对谨慎。同时，相较于海外更注重实际体验（如Claude的实用性），国内有时对刷榜数字看得更重[60][61]。 - **算力资源分配存在差距，但可能催生“穷则思变”的创新**：美国在用于下一代研究的计算资源上领先中国1-2个数量级，中国大量算力用于产品交付。资源紧张可能反而激励算法与基础设施的联合优化等效率创新[62][63][64]。 - **年轻一代冒险精神增强与营商环境改善是积极信号**：90后、00后的冒险精神更强，结合中国营商环境的持续改善，为创新提供了可能[65][70]。 - **对中国团队3-5年内成为全球AI领导者的概率判断存在分歧**：林俊旸认为概率低于20%，主要因历史积淀和算力差距[66]。姚顺雨表示乐观，认为关键在于能否引领新范式[57][58]。杨强回顾互联网发展，认为中国在应用层面，尤其是To C领域，有望百花齐放并领先[66][68]。 - **成功的关键条件包括人才、环境与坚持**：需要敢于冒险的聪明人、更有利于创新的营商环境（减少交付压力、鼓励竞争），以及从业者在选定的道路上笨拙而持久的坚持[69][70][71]。

文章核心观点 - 行业专家在AGI-Next前沿峰会上讨论了通用人工智能（AGI）的发展趋势，共识是AI正从对话（Chat）范式转向执行任务的智能体（Agent），多模态与效率提升是未来重点，同时探讨了中国在AI领域追赶美国的机遇与挑战 [3][5][15] 市场与商业模式分化 - To B与To C市场出现明显分化：To C场景对超高智能需求有限，更多是增强版搜索，而To B场景中智能直接对应生产力提升，企业愿意为最强模型支付高溢价（例如200美元/月 vs 50或20美元/月） [11][18][19] - 商业模式出现分化：在To C场景，垂直整合（模型即产品）成立，如ChatGPT和豆包；而在To B场景，模型层与应用层倾向于分层，因为将强大模型部署到不同生产力环节需要不同的能力 [11][20] - To B的Agent价值明确，处于上升曲线，模型越智能带来的收益越高，其发展受限于环境部署与用户教育，而非模型本身的创新 [11][26] 技术发展趋势与挑战 - 大模型技术从参数规模竞赛转向注重“智能效率”提升，需通过算法创新降低对算力的过度依赖，解决数据规模膨胀与收益递减问题 [5] - 多模态融合是关键技术方向，当前模型在统一感知视觉、声音等多源信息方面存在短板，需借鉴人类感觉统合机制实现原生多模态能力 [5][9] - 强化学习与Agent技术是重点，需提升AI的主动性并与环境深度交互，但需同步解决安全风险 [5][9][14] - Scaling Law（规模定律）仍是基石，但需优化Token效率与长上下文处理，例如通过Muon优化器实现2倍Token效率提升，或采用线性注意力机制处理超长任务 [8][9] 自主学习（Self-Learning）的现状与展望 - 自主学习已成为热点，但定义模糊，目前多是特定场景下的优化（如代码优化、聊天个性化），缺乏突破性的、通用的任务范式 [11][23] - 自主学习的信号在2025年已出现，例如Cursor每几小时利用最新用户数据学习，但受限于模型效果和想象力，尚未展现出“石破天惊”的威力 [11][25] - 实现范式突破需要想象并定义出具有里程碑意义的任务，例如能赚钱的交易系统或解决重大科学问题的系统 [11][25] 中国AI发展的机遇与挑战 - 中国在AI领域反超美国的概率较高，优势在于强大的工程实现与产业化能力，一旦技术路径被证明，能够快速复现并在局部做得更好 [28][29] - 面临的主要挑战包括：算力瓶颈（如光刻机等产能与软件生态）、To B市场成熟度与国际化商业环境、以及需要培育更多敢于冒险、进行前沿范式突破的文化 [28][29][30] - 国内研究文化更倾向于做已被证明的、确定性高的事情（如预训练），对于探索性方向（如长期记忆）的投入和耐心相对不足，同时存在“刷榜思维”，需要更关注实际体验与正确方向 [30][31] 产业应用与部署瓶颈 - 即使模型性能停止进步，将现有模型充分部署到各行业也能带来巨大价值，预计能产生相当于当前10倍或100倍的收益，对全球GDP的影响可从目前的不足1%提升至5%-10% [1][27] - 当前AI对GDP的实际影响仍低于1%，部署（Deployment）和环境适配是主要的瓶颈 [1][27] - 教育普及是关键瓶颈之一，会使用AI工具的人与不会使用的人之间差距巨大，普及工具使用教育是当前中国能做的有最大意义的事情之一 [1][16][27]

文章核心观点 - 文章记录了AGI-NEXT活动中多位中国AI行业领袖的圆桌讨论，核心观点是：AI行业正从“聊天”范式转向“行动”范式，并出现明显的市场与技术分化，未来竞争的关键在于模型的“品味”与价值观注入，而非单一能力的比拼 [16][17][20][21] - 与会嘉宾普遍认为，下一阶段的竞争焦点是Agent（智能体）和自主学习，中国AI公司在工程实现和局部创新上具备优势，但要在全球引领新范式，仍需在基础算力、研究文化和冒险精神上取得突破 [17][42][71][73][76] 行业分化趋势 - **To C与To B市场明显分化**：To C产品（如ChatGPT）对普通用户而言体验变化不大，更多是搜索引擎的加强版；而To B市场对智能高度敏感，生产力提升与模型能力直接挂钩，用户愿意为最强模型支付高溢价（例如200美元/月 vs 20-50美元/月） [31][32][33] - **垂直整合与分层路线出现分化**：在To C场景，模型与产品强耦合的垂直整合模式依然成立（如ChatGPT、豆包）；但在To B生产力场景，趋势是强大的基座模型与多样化的应用层产品分离，模型层与应用层所需能力不同 [34] - **中美市场应用重点不同**：美国市场Coding（编程）需求消耗量巨大，几乎全是Coding；而中国市场Coding消耗量相对较小，这导致自然的市场分化 [37][38] 技术范式与未来展望 - **当前范式收益接近瓶颈**：预训练走了3年，收益已达七八成；强化学习成为共识，做到了四五十的空间；后续增长需要依赖数据和环境 [43] - **“自主学习”是热门方向但定义多元**：它并非单一方法论，而是依赖于具体场景和奖励函数，例如聊天个性化、代码熟悉度提升、科学探索等，且该趋势已在发生（如Claude Code项目95%的代码由AI编写） [43][44] - **新范式可能在2026年出现**：有观点认为，当Scaling（规模扩展）的收益效率遇到瓶颈时（例如数据从10TB扩展到100TB但收益很小），追求“智能效率”的新范式就会出现，学术界与工业界的资源差距缩小（从万倍差缩小到十倍差）将助推创新 [56][57][58] - **联邦学习与协作模式受关注**：在医疗、金融等隐私要求高的领域，通用大模型与本地领域专家模型通过联邦学习等方式进行协作，成为一种重要趋势 [53][55] Agent（智能体）的发展战略 - **Agent是下一仗的核心**：行业共识是让AI从聊天转向“做事情”，Agent的本质被视为一个搜索问题 [17][18] - **To B Agent处于上升曲线**：其发展逻辑清晰，模型越智能，解决的任务越多，带来的收益就越大，目前没有放缓趋势 [60][61][62] - **环境与部署是关键瓶颈**：即使模型能力停止进步，将现有模型更好地部署到各行业，也能带来10倍或100倍的收益，对GDP产生5%-10%的影响，但目前影响不足1% [62] - **Agent的四个发展阶段**：从目标与规划均由人定义，最终发展到目标与规划均由大模型内生定义，目前处于非常初级的阶段 [68] - **通用Agent的机会**：解决长尾需求是AI的魅力所在，但通用Agent的竞争对创业者和模型公司各有机会，取决于能否比模型公司“套壳”做得更好，或模型公司能否实现“模型即产品” [65] 中国AI公司的机遇与挑战 - **成为全球领先的概率**：嘉宾对此看法不一，有观点表示乐观，认为概率很高；也有观点给出具体数字，认为3-5年后中国公司成为全球最领先的AI公司的概率约为20% [71][77][79] - **关键挑战一：算力与基础设施**：光刻机突破、算力瓶颈、软件生态是主要客观制约因素，中国虽有电力和基础设施优势，但算力规模与美国有1-2个数量级差距，且大量算力用于交付而非前沿研究 [72][76] - **关键挑战二：研究文化与冒险精神**：中国团队更倾向于做已被证明可行的“安全”事情，对刷榜和数字更看重；需要培养更多敢于进行前沿探索和范式突破的冒险精神，这需要文化积累和时间沉淀 [73][74][75][77] - **关键优势与机会**：中国在工程实现、局部优化、产业落地方面能力强，一旦技术被证明，能快速复现并做得更好；年轻一代（90后、00后）冒险精神更强；在To C市场有望百花齐放 [71][77][80][83] - **必要的环境改善**：需要改善营商环境，让顶尖人才有更多时间投入创新而非交付；需要更多资源（资金、算力）投入到AGI行业，支持年轻研究员 [83][85]

文章核心观点 - 多位中国AI行业领军人物在AGI-NEXT会议上探讨了行业发展趋势，核心观点认为Chat聊天范式竞争已结束，下一阶段竞争焦点转向Action（执行任务）和Agent（智能体）[6] - 行业将出现明显分化，包括To C与To B市场的分化，以及垂直整合与模型应用分层路径的分化[12] - 对下一代技术范式（如自主学习）持乐观态度，并认为2025-2026年可能出现关键信号[21][23][28] - 智能体（Agent）在2026年有望创造显著经济价值，能够处理更长时间跨度的任务[32] - 中国AI公司在未来3-5年有成为全球领先者的机会，但需克服算力、市场环境和文化等挑战[39][40][41][45][46] 行业分化趋势 - **To C与To B市场分化明显**：To C产品（如ChatGPT）对大部分用户而言是搜索引擎的加强版，用户感受变化不大；而To B市场对智能水平高度敏感，智能越高代表生产力越高，用户愿意为最强模型支付溢价（例如200美元/月 vs 50或20美元/月的次优模型）[13][14] - **To B市场呈现“赢家通吃”趋势**：最强的模型与稍弱模型之间的分化会越来越明显，因为用户无法预知次优模型在哪些任务上会出错，需要额外精力监控[15] - **技术路径出现分化**：垂直整合路线（模型与产品强耦合）在To C领域（如ChatGPT、豆包）依然成立；但在To B领域，趋势似乎是模型层与应用层分离，强大的模型被不同的应用用于各种生产力环节[15] 下一代技术范式展望 - **自主学习是热门方向但定义多样**：硅谷已形成共识，但具体指代的任务场景各异，例如聊天个性化、代码环境适应、探索新科学领域等[21] - **自主学习已在发生**：例如ChatGPT利用用户数据优化聊天风格，Claude Code项目95%的代码由Claude自身编写以帮助其变得更好[22] - **范式突破可能发生在2025-2026年**：例如Cursor等公司已开始每几小时用最新用户数据训练模型，被视为早期信号[23] - **学术界与工业界将协同创新**：随着学校算力资源增加（尽管与工业界仍有10倍差距），学术界具备创新基因，将研究工业界未及解决的问题，如智能上界、资源分配、幻觉与资源的平衡（类似经济学中的风险收益平衡）等[18][19][28] - **效率瓶颈驱动创新**：大模型投入巨大但效率不高，继续Scaling的收益递减。未来需要定义“智能效率”，即用更少投入获得同等智能增量，这将成为范式创新的驱动力[29][30] 智能体（Agent）发展战略 - **To B Agent价值明确且处于上升曲线**：其价值与模型智能水平直接正相关，模型越智能，解决任务越多，带来的收益越大[32][33] - **当前瓶颈在于部署与教育**：即使模型停止进步，将现有模型更好部署到各公司也能带来10倍或100倍的收益，对GDP产生5%-10%的影响（目前影响不足1%）。同时，教育用户使用工具至关重要[34] - **Agent进化方向是更长的任务时长与主动性**：期待2026年Agent能处理人类1-2周工作量的任务流。更高级的Agent应具备自主进化和主动思考能力，但这引发了安全问题[25][32][35] - **通用Agent的机会存在于长尾需求**：解决广泛、分散的长尾问题是AI的魅力所在，也是挑战。模型公司凭借算力和数据可能快速解决部分问题，但套壳应用若做得更好也有机会[36][37] - **Agent发展有四个阶段**：从目标与规划皆由人定义，最终发展到目标与规划皆由大模型内生定义[37] 中国AI公司的机遇与挑战 - **成为全球领先者的概率与条件**：有嘉宾认为概率很高，也有嘉宾给出20%的乐观估计[39][47]。关键条件包括：突破算力瓶颈（如光刻机）、发展更成熟的To B市场或参与国际竞争、以及培养更多具有冒险精神和前沿探索意愿的人才[40][41][46] - **中美研究文化差异**：中国团队更倾向于做已被证明可行的、确定性高的事情（如预训练），对刷榜和数字指标看得较重。需要积累文化底蕴，并敢于坚持自己认为正确的方向，而非仅受榜单束缚[43][44] - **算力分配制约创新**：美国公司将大量计算资源投入下一代研究，而中国公司的大量算力被交付任务占据，用于前沿探索的资源相对捉襟见肘[45] - **软硬结合与冒险精神**：存在通过模型与芯片协同设计实现创新的机会。年轻一代（90后、00后）冒险精神增强，营商环境的改善有助于创新[46][49] - **历史借鉴与未来信心**：回顾互联网发展，中国在应用层面实现了赶超。在AI领域，To C应用可能百花齐放，To B解决方案也将跟进，关键在于创造让聪明人敢于冒险的环境并坚持到底[48][49][50]

核心观点 - 全球资金对美元美债法币体系出现信任危机，导致2025年末黄金价格全年暴涨近2000美元/盎司并刷新历史新高 [1][8] - 知名学者刘煜辉提出，2026年投资应以“哑铃策略”为核心，一头锚定股息资产抵御不确定性，另一头押注国运与成长 [1][5] - 投资战场的本质是大国国运较量与产业生态博弈，需把握美元体系脆弱性、中国产业闭环优势及全球供应链重构趋势 [7][16] 全球经济与货币体系格局 - 当前全球经济的核心矛盾聚焦于美元体系的内生脆弱性，黄金暴涨是全球资本对美元信用坍塌风险的提前定价 [2][9] - 美元尚未垮台的关键支撑是美国“All in AI”战略催生的“新钱”，包括AI科创资本、区块链及加密货币等资产指数级上涨 [2][9] - 美国AI链市值在一年内暴涨7万亿美元，英伟达跻身5万亿美元市值俱乐部，美股市值22%被科创“七姐妹”占据 [2][9] - 日韩股市因半导体板块分别大涨70%和20% [2][9] - 美国AI产业存在致命短板：缺乏制造业支撑，无法形成经济闭环，OpenAI等企业前端资本开支高达5000亿美元，而会员收入仅600亿美元，严重失衡 [2][9] - 美国科创巨头股价自2025年10月起波动加剧，若AI产业进入高波释放期，可能直接触发美元崩塌 [2][9] 中国产业优势与战略机遇 - 中国具备完成AI产业闭环的独特优势，拥有超强的落地能力和完备的产业生态，AI端侧成为核心突破口 [3][10] - 中国AI端侧优势体现在：阿里千问、智谱等开源免费大模型对美国闭源模型形成颠覆性商业冲击 [3][10] - 中国在AI手机、智能穿戴设备、无人机、电动车等终端产品的制造能力是其工业实力的直接体现 [3][10] - 免费开源模型与高性价比硬件结合并推向全球，将形成“技术-制造-市场-金融”的完整闭环，催生新的信用周期扩张 [3][11] - 若美元崩塌场景触发，中国可能顺势推出大规模内需政策及“中国版马歇尔计划”，重构全球供应链 [3][11] - 届时全球资金可能汹涌流向人民币资产，中国有望获得胜利者溢价 [3][11] 2026年核心投资策略：“哑铃策略” - 2026年投资应确立“哑铃策略”为核心基座，平衡风险与收益 [5][7] - 策略一端是锚定股息资产以抵御不确定性 [5] - 策略另一端是押注国运、成长与历史进程 [5] - 押注国运的立场选择决定具体策略：若认为美国“All in AI”可持续，可参考“木头姐”策略，其认为费城半导体指数在强劲周期，延续AI相关策略在2026年能成功 [5][13] - “木头姐”相对应的策略是押注黄金会暴跌67%，其基础源于对美国国运的判断 [5][13] - 另一种立场是押注“东风压倒西风”，认为美国内生问题难以过去，甚至2026年这个坎也过不去 [5][14] 具体投资方向与机会 - **AI端侧的大贝塔机会**：产业趋势从前端模型向终端应用迁移，搭载开源模型的消费电子、智能设备等端侧领域将成为AI革命深入发展的核心载体，蕴藏巨大增长潜力 [6][14] - **黄金与有色板块的确定性机遇**：若美元信用问题加剧甚至崩塌，黄金上涨将“没有顶”，相关板块将迎来强贝塔行情，成为对冲全球金融风险的核心标的 [6][14] - **产业阿尔法机会聚焦能源与科技双体系**： - 能源领域：中国正构建以自然能转化为核心的新型能源体系，风光储、聚变能源等方向技术领先 [6][14] - 科技领域：半导体材料、稀土等关键产业链已成为大国竞争的“王牌”，材料工业的突破将打开成长空间 [6][14] - **低空经济的战略布局机遇**：中美竞争已延伸至太空领域，马斯克SpaceX即将IPO，估值达1.5万亿美元，轨道资源的稀缺性倒逼中国加紧投入 [6][14] - 国家层面的巨额资源倾斜，有望让低空经济产业生态催生巨大资产阿尔法 [6][14] 短期市场状态与长期展望 - 短期资本市场风险偏好偏低，港股因内需温度不足和政策节奏淡定出现回落，A股与港股均进入震荡整固期 [7][15] - 这一格局背后，是中国在G2竞争中确立优势后的战略从容 [7][15] - 投资者需适应长期竞争下的市场节奏，以“哑铃策略”在时代变局中把握中国资产的核心价值 [7][15] - 2026年的投资需聚焦AI端侧、黄金有色、能源科技与低空经济四大方向 [7][16]

算力链前景 - 对明年算力链的beta持保留态度，市场逻辑高度集中于纯血英伟达链条[1][2][3] - 谷歌推出新一代AI模型Gemini 3，该系统被认为是当前多模态理解能力最强的系统，在各项基准测试中大幅领先[1][3] - Scaling law的有效性面临挑战，模型规模扩大后性能提升并不显著，该核心假设的动摇将影响英伟达的估值逻辑[1][3] - 特朗普政府考虑允许英伟达向中国出售H200芯片，其巨大的CUDA生态优势可能对国产算力链情绪产生冲击[1][3] AI端侧与应用前景 - 对明年AI端侧和应用的beta更为乐观，发展AI端侧符合中国自身的AI战略定位[2][4] - AI端侧是庞大复杂的产业链生态，涉及将大模型装入消费电子外设、应用场景、数据挖掘、数字资产和信用扩张周期[2][4] - 中国模型如Qwen、智谱等已逐渐获得全球开发者认可，外设则依托强大的“中国制造”能力，如消费电子、电动车、无人机、机器人等[2][4] - AI端侧的核心意义在于解决AI基建巨量资本开支的变现问题，并构建完整的AI端侧产业链生态闭环[2][4] 中美AI战略路径 - 美国（西大）力推谷歌的“全栈自研”模式，试图将芯片-软件-模型-应用的链条全部跑通[2][4] - 中国（东大）的优势在于制造能力，应聚焦机器人、无人机、智能外设、电动车等工业制造领域，软件被视为工具[2][4] - 中国战略路径是通过开源软件吸引全球用户加入AI生态，再将生态装入物美价廉的硬件（AI Agents）并销售至全球[2][4] - AI生态催生的应用场景和数据资源将形成巨大飞轮效应，使AI创造的财富沉淀在中国[2][4]

北京人工智能产业核心地位 - 北京被定位为中国人工智能创新“顶流”城市和“人工智能第一城”[2][4] - 人工智能核心产业规模近3500亿元，占全国总量的一半[4] - 相关企业突破2400家，同样占全国总量的一半[4] 人才与学术资源 - 汇聚148名全球人工智能TOP2000顶尖学者，占全国总量的四成[4] 芯片与硬件实力 - 在AI芯片领域形成自主可控的“芯片矩阵”，包括昆仑芯、寒武纪、摩尔线程、清微智能等国产明星产品[6] - 在前沿领域取得全球首款全光学人工智能芯片等成果[6] 大模型发展与应用 - 大模型发展一骑绝尘，拥有豆包、智谱、Kimi、文心等处于全球第一梯队的产品[8] - 全国备案上线的大模型共183款来自北京[8] - 通过发布“人工智能+”行动计划推动AI技术从实验室走向实际应用[9] 产业支持与投资 - 通过百亿规模的市级人工智能产业投资基金为企业提供硬支持[9] - 从研发到应用、从技术到产业具备全链条的创新能力[9]

北京国际科技创新中心建设总体进展 - 全球创新网络关键枢纽地位确立，取得重要进展和丰硕成果 [1] - “十四五”期间累计推进1105项重点项目和重大任务落地 [1] - 研究与试验发展经费投入强度保持在6%左右，位居全球创新城市前列 [1] - 连续8年蝉联《自然指数-科研城市》全球榜首 [1] - 独角兽企业数量连续四年位列全球城市第三 [1] 产业发展与集群规模 - 2024年北京高技术产业增加值达1.49万亿元，较2020年增长56.9% [1] - 已形成新一代信息技术、医药健康、科技服务业3个万亿级产业集群 [1] - 已形成智能制造与装备、人工智能等7个千亿级产业集群 [1] - 重点培育商业航天、生物制造等23个未来产业 [1] 人工智能与前沿技术成果 - 累计备案上线大模型159款，数量持续领跑全国 [1] - 豆包、智谱等标杆模型性能稳居全球第一梯队 [1] - 诞生原生多模态世界模型、覆盖科研全流程的人工智能科研平台等重大原创成果 [1] 医药健康与商业航天领域 - 创新医疗器械、人工智能三类医疗器械获批上市数量全国第一 [2] - 腹腔内窥镜单孔手术系统、高场强磁共振兼容脑起搏器等为全球首创产品 [2] - 商业航天领域已形成运载火箭、卫星制造、地面站及终端设备、卫星应用服务全产业链 [2] 中关村与“三城一区”创新引擎 - 中关村先行先试24项重大改革措施全面落地 [2] - 中关村以不到4%的土地贡献本市约三分之一地区生产总值 [2] - “三城一区”集中本市近三成企业和六成研发人员、研发经费 [2] - 怀柔综合性国家科学中心为全球重大科技基础设施最密集区域之一，累计服务成果转化项目187个 [2] 创新生态与企业活力 - 每天有300多家科技企业诞生 [3] - 建设30家标杆孵化器，重塑科技企业孵化生态 [3] - 《全球创业生态系统报告2025》显示北京位列亚洲首位、全球前列 [3] 未来发展目标 - 加快建设全球重要科学策源地、未来产业引领地、开放创新核心枢纽 [3] - 打造高水平人才高地，力争产出更多世界级原创成果，培育更多科技领军企业 [3] - 打造新质生产力发展的先行区、示范区，赋能首都高质量发展 [3]