二級市場投資人WAIC上談AI下一輪機會

2026世界人工智能大會（WAIC）期間，在國泰海通主辦的“智見AI 合創未來”人工智能投融資論壇上，“AI時代的下一輪投資機會“圓桌討論聚集了多位來自國內外頭部金融機構的投資人。

參與圓桌的嘉賓包括：華安基金副總經理、首席投資官翁啟森，易方達基金研究部總經理、基金經理賈健，富國基金資深基金經理曹晉，貝萊德基金權益、量化及多資產首席投資官王曉京，以及法國興業銀行（中國）首席執行官何昕。圓桌由富國基金權益研究部總經理陳杰主持。

這場討論的核心問題涉及大模型能力持續演進、國產算力鏈、全球AI資本開支繼續擴張，以及在地緣政治不斷擾動的背景下，AI產業的下一輪投資機會等多個方面。

以下為「明亮公司」精編后的圓桌討論觀點：

# 01 AI技術變化：從生產力工具，到端到端解決方案

圍繞過去一年AI領域最重要的變化，翁啟森首先提到了Anthropic。

在他看來，過去一年AI市場發生的最大變化，是Anthropic的coding code正式進入程序員的生產力工具。“它開始實打實地交出了一個生產力工具?！蔽虇⑸f。

他提到，自己最近與硅谷方面溝通了解到，Anthropic的大模型coding code已經進入self recursive，也就是自我迭代階段。雖然Anthropic近期宣布的模型參數已經達到很高水平，但更關鍵的是，依靠自我迭代能力，未來模型參數規模有機會繼續擴展。“歷史上我們看到武林絕學的左腳踩右腳，目前真的是在生產工具已經發生了，而且是徹底地發生了?！?/p>

賈健的觀察與翁啟森接近，但他更具體地把Claude Opus 4.6的發布視為一個標志性節點。他認為，這個模型具有劃時代意義，因為它深刻拓展了AI應用范疇。

一方面，它把以前一些初級程序員做的網頁、Demo等工作，真正轉化成生產力工具；另一方面，它讓非計算機類、非科班出身的人，也能享受編程能力。“代碼可能是數字世界的鋼筋混凝土。一旦在代碼端產生涌現，其實可以賦能非常多的行業?！辟Z健說。

他認為，未來會看到越來越多從未寫過代碼的人，開始用AI開發自己的小工具。而這種self training模式，也可能隨著代碼端能力涌現，進一步推動模型自我訓練。

曹晉則把今年AI最大的變化概括為：從賣算力、賣Token，變成賣結果、賣解決方案。

過去，市場理解大模型，更多是看它能不能解數學題、能不能聊天、能不能提供情緒價值。但今年Agent的出現，讓大模型開始成為一整套解決方案：從感知環境，到規劃任務，再到具體執行。

“我覺得大模型真正的裂變，就是從一個賣Token或者算力的過程，慢慢過渡到真正輸出一個結果或者輸出一個解決方案的過程?！辈軙x說。

這也意味著，AI公司的商業模式和估值邏輯正在發生變化。如果大模型只是Token消耗品，投資人更關注調用量、單位成本和毛利率；但如果大模型成為Agent，成為企業流程和產業系統的一部分，估值邏輯就會更接近軟件、平臺和基礎設施。

#02國產模型與國產硬件聯動：解決了二級市場估值困惑

與國內公募基金經理更關注海外前沿模型不同，貝萊德基金的王曉京有一些不同的觀點，他把過去一年最重要的變化放在了國內產業鏈上。

王曉京認為，DeepSeek V4的發布，把國產大模型和國產硬件在實際業務端連了起來，這對二級市場投資具有重要意義。

過去，國內很多硬件廠商會說自己可以對標美股同類廠商估值，但投資人面臨一個困惑：如果沒有解決底層業務支撐，憑什么直接對標海外估值？

王曉京認為，國產大模型和國產硬件在業務上打通之后，給了國產硬件產業鏈一個確實的業務底層支撐?！澳愕墓乐稻涂梢院蛧鴥華I算力的需求連在一起了，這個時候底層這些股票的估值就有意義了?！?/strong>

從這個角度看，國產算力鏈的投資邏輯正在從“對標英偉達”或“國產替代”，逐漸轉向“模型業務驗證+硬件性能提升+生態協同”。

何昕則從更宏觀的資本市場角度觀察AI產業。他認為，過去一年最重要的感受，是整個AI產業在二級市場進一步資本化。

在中國，從寒武紀突破重要市值關口，到國產GPU企業全面上市，再到智譜沖擊“大模型第一股”、DeepSeek新融資等，都說明AI產業正在被資本市場重新定價。在海外，SpaceX這樣的“算力加模型基礎設施平臺”、OpenAI準備上市等，也體現了同樣趨勢。

何昕提到，法國興業銀行作為唯一一家法資銀行，參與了SpaceX的IPO承銷?！斑@些都表示AI開始被資本市場系統地定價，也意味著它帶來的不僅是一個概念，而且真正發展成一個長期增長的產業?！?/p>

#03評估大模型公司：看技術參數還是看ARR

當討論如何評估大模型公司時，陳杰提出了一個問題：投資人到底應該更看重模型技術參數，還是更看重以ARR為代表的商業化數據？

翁啟森認為，兩者是一體兩面。

在他看來，大模型公司唯一的商品就是大模型的“智商能力”，唯一能夠變現的也是這種能力。因此，模型能力能否被真實評價出來，是非常關鍵的因素。但隨著大模型進入Agentic階段，各類Benchmark越來越多元，投資人不僅要看單一指標，還要看模型在不同任務上的有效性。

更重要的是，不能只從某一個時間點看一家公司的能力。“光從一個timing的時點去看一家公司的能力高低與否，就去評斷它單個時段的能力，可能也是片面的?！蔽虇⑸f。投資人更應該看一家公司的全面能力，包括人才、數據、優化能力和持續迭代能力。

商業化數據同樣重要。OpenAI和Anthropic的ARR數據受到市場關注，本質上反映的是模型能力的變現水平。變現能力越強，越能強化大模型公司的造血能力，并進一步支持團隊和技術迭代。

回到國內市場，翁啟森提到，從DeepSeek在后訓練強化學習上的領先，到通義千問在長任務能力上的強化，再到智譜在coding code上追趕國際大廠，以及Kimi推出接近北美SOTA水平的大模型，投資人需要不斷評估每個階段不同廠商的綜合實力，判斷真正的引領者和落后者。

王曉京則提出了另一種視角。他認為，AI是在不同成本點上提供不同服務。

比如，如果用戶讓AI在未來三個月內幫忙尋找最有性價比的機票和酒店組合，頭部AI可能0.1秒完成，但要花10元；一個能力沒那么強的AI可能需要10秒，但只要1元甚至1毛錢。對于非關鍵任務而言，用戶未必一定選擇最強模型。

因此，AI不僅在能力和速度上競爭，也在成本上競爭。王曉京認為，未來不一定是一兩個頭部模型吃掉所有行業。不同應用、不同成本點、不同需求，可能會出現不同贏家?！安槐匾^早判斷哪個大模型最終能勝出，保持相對包容性的觀點，關注AI大模型在每一個行業里面細分的贏家，可能是更廣譜的二級市場投資角度?！?/strong>

#04出口管制與主權AI：中國開源模型獲得全球機會

今年以來，美國最前沿大模型發布開始受到更多監管因素影響。陳杰提到，Anthropic和OpenAI的最新模型發布都曾遇到美國出口管制或政府監管因素。這樣的變化是否會影響美國AI公司的風險定價？又是否會利好中國開源模型公司？

賈健認為，這肯定會產生影響，主要有兩方面。

一方面，出口管制會在客戶端引發信任危機，尤其是在非美、非歐國家商業化時，會對美國AI公司的風險定價和估值造成損傷。另一方面，政府監管也相當于用政府信用背書，告訴市場哪些模型是真正處于frontier的模型，某種程度上又對這些模型估值有正面影響。

但更重要的是，這會引發“主權AI”和大模型自主可控問題。賈健提到，他們過去幾年調研了很多非美國國家，每次無論是政府官員還是科技領袖，都會提到即使本國模型能力和北美頭部廠商存在差距，也一定會堅持做自己的模型。

特別是這一次，美國對盟友也采取類似限制后，會讓韓國等國家的科技廠商更加堅定推進大模型自主可控。

“在我們的調研過程中發現，很多非美國家在做自己的大模型訓練時，很多都是借鑒了中國的開源模型?！辟Z健認為，這顯然會讓中國本土頭部開源模型廠商在全球舞臺上獲得更好的發展機會。

曹晉則認為，政策性風險肯定會影響風險溢價，但它更像是一個階段性摩擦系數，而不是永續性風險。

他提到，最近一些政策已經出現反轉，比如部分模型訪問恢復。這說明大模型行業競爭格局非常激烈，沒有任何一家企業能保證永遠領跑。如果一家大模型企業被貼上“封閉”的標簽，而另一家企業迅速發布新產品，前者也會受到很大影響，并可能主動游說政府恢復訪問。

曹晉認為，對中國大模型來說，階段性肯定是利好。全球很多AI使用者更希望使用開源、可自主部署、更安全安心的模型。但他也提醒，這更多是獲得率角度的利好，并不意味著中國模型能力已經反超或全球領先。更長期的競爭力，仍取決于持續資本開支投入，以及算力和數據積累。

#05硬件格局：訓練端英偉達仍強，推理端解耦趨勢明顯

大模型能力離不開先進AI硬件支持，而目前高端AI硬件仍主要由海外廠商壟斷。圍繞未來三年英偉達、海力士等公司的壟斷地位是否會被打破，賈健和曹晉給出了分層判斷。

賈健認為，芯片端要區分訓練和推理。

在訓練端，英偉達自CUDA生態發布以來積累了深厚壁壘。它的優勢不僅來自芯片性能，還包括軟件生態、開發者社區和工具鏈。因此，未來三年內，外部變化未必能動搖英偉達在訓練端的優勢。

但在推理側，賈健認為壁壘松動可能是遲早的事情。推理側有很多新的硬件優化思路，包括PD分離，以及更細分的AF分離。這些軟硬件優化機會，給海外二線廠商和國內GPU廠商都提供了趕超窗口。

存儲端也要分開看。DRAM仍依賴平面微縮，而國內在EUV領域受到較大限制，因此三年內更可能是穩步提升份額，很難出現巨大階躍。但NAND依賴垂直堆疊，不涉及EUV這類關鍵設備限制，因此國內頭部廠商追趕全球巨頭的機會更好。

曹晉同樣認為，未來2到3年，無論芯片還是存儲，海外巨頭優勢仍然很強。但他觀察到一個明顯趨勢：整個行業都在解耦這些占據領先優勢的巨頭。

以英偉達為例，GPU在訓練側一騎絕塵，ASIC芯片與GPU的差距較大。但無論是AF分離還是PD分離，本質上都是把一個處理多項任務的GPU解耦成不同功能模塊。在這個過程中，更多企業有機會進入供應鏈，包括GPU企業和ASIC企業。

他認為，云廠商一直在降低對英偉達的依賴，所以會設計出很多軟件方案去分化功能?！拔覀儾恍枰粋€大而全的超級大芯片。我們希望的是更多玩家進來，把成本降下來，把精細化做出來，把效率提升上去。”

存儲端未來也可能出現類似解耦。過去提到存儲，大家想到的是HBM產能瓶頸和CoWoS封裝產能不足，這也構建了存儲oligopoly，即少數巨頭共同主導的格局。但隨著封裝與存儲業務不斷解耦，未來海力士、三星等巨頭承接的業務可能越來越簡單，其他業務會被更多分化出去。

#06國產芯片：國產算力鏈全走通，才會有更大估值空間

圍繞國產AI芯片應優先聚焦推理還是訓練，王曉京認為，推理和訓練同樣重要。

他提到，DeepSeek V4已經在推理端給上游半導體廠商帶來了增量估值，因為市場意識到，國產模型和國產硬件結合可以獨立于海外模型體系，形成自己的算力需求和業務支撐。

同時，他也關注到國內部分廠商已經宣稱完全在國產硬件上實現了訓練和推理。例如美團的LongCat2.0（龍貓）被提到是在國產硬件鏈上完成。如果這一點被驗證，對整個國產硬件產業鏈會有更大估值提升。

王曉京認為，一些通用硬件模塊，比如光通信，過去主要受益于全球算力產業鏈需求。如果未來它們也能在國產算力產業鏈需求中得到應用，就可能同時受益于全球算力和國產算力兩條需求曲線。

因此，把國產算力鏈完整走通，對長期產業趨勢非常重要。

#07萬億美元Capex能否回本

全球云廠商持續加大AI資本開支。陳杰問道，美國幾家最大云廠商明年合計資本開支可能超過1萬億美元。如此巨大的投入，未來到底能不能賺回來？

翁啟森認為，資本市場永遠要算ROI，但他并不那么焦慮。

他分享了幾個數據。首先，Anthropic目前Token的gross margin（毛利）已經接近80%。由于算力不足，Anthropic愿意把更多利潤分給算力中心。據他了解，Anthropic最近與北美算力云廠商（AWS Bedrock）分成，已經從過去的“三七開”調整到“五五開”。

這意味著，即便Anthropic受算力約束，也愿意分出更多利潤給云廠商，從而讓云廠商有更大動力繼續增加Capex。

翁啟森預計，明年的AI Capex可能不止1萬億美元，甚至可能達到1.2萬億到1.5萬億美元?！斑@一點大家不要那么焦慮?！痹谒磥?，這一輪生產力工具已經把利潤飛輪轉起來。Anthropic的盈利數據也顯示，其獲利能力已經達到相當規模。

其次，他用互聯網泡沫作類比。當年互聯網早期，由雅虎引領的搜索時代也經歷過大規模燒錢，商業模式并不清晰。但后來互聯網生態中誕生了電商、廣告、長視頻等巨大商業生態。

翁啟森認為，這一輪智能革命也會類似。除了生產力工具調用，OpenAI、Anthropic等公司正在進入AI for Science、AI for Industry。翁啟森稱，比如Anthropic接下來可能進入醫療領域，并與諾華合作。他認為，未來AI對產業的沖擊已經指日可待。

“你說1萬億GDP可能沒有幾個國家，但它未來創造的商業生態，可能都不止這1萬億?！蔽虇⑸f。

#08泡沫與趨勢共存：關鍵是找到最終兌現價值的贏家

最后，何昕從金融機構角度回應了市場最關心的問題：AI是不是泡沫？泡沫是否已經破裂？

他的結論是：AI產業鏈上肯定有些資產定價存在泡沫，但整個AI不是泡沫。

何昕認為，部分AI資產估值已經很高。例如亞洲部分科技股遠期PE一度達到36倍，韓國、中國臺灣AI相關資產也處于歷史較高估值階段。因此，如果問有沒有泡沫現象，答案是肯定有。

但他強調，不能簡單說AI就是泡沫。因為AI與歷史上很多泡沫完全不同。過去很多泡沫的問題在于需求并不存在，但今天AI有具體產出，也有真實需求驅動。

“模型越來越強，需要更多算力；算力增長又帶動芯片、數據中心和能源需求增長。所以某種程度來說，AI正在創造AI對自己的需求。”何昕說。

從金融角度，他認為未來可以重點關注幾個機會。首先是基礎設施能力。AI競爭歸根到底是基礎設施能力的競爭，無論哪個模型最終勝出，都離不開算力芯片、數據中心、網絡設備和電力能源支持。

其次是AI應用帶來的機會，包括機器人、自動駕駛、醫療健康等領域，因為這些才是真正能夠創造長期商業價值的場景。

何昕還提到，AI正在成為中國企業對接國際資本的重要推動力。目前大量排隊赴港上市的企業都集中在AI產業相關領域。某種意義上，AI不僅改變產業格局，也正在改變資本市場的融資格局。

但風險同樣需要關注。他提出了三個風險點。

第一，阿爾法越來越難獲得。AI正在降低信息獲取成本，當所有人都能更快獲取信息、更快分析數據，單純依靠信息差賺錢會越來越難。未來真正稀缺的，可能是獨特數據、獨特研究框架，以及人機協同決策能力。

第二，擁擠交易風險。越來越多機構使用相似數據源、相似模型和相似投資邏輯，當資金集中在同樣熱門賽道上，一旦市場預期變化，調整會非?？?，也非常劇烈。

第三，商業化兌現風險。很多AI公司估值已經反映了非常樂觀的未來預期，接下來市場會越來越關注：技術能否轉化為收入，能否轉化為利潤。未來股價上漲的驅動力，可能不再是估值擴張，而是業績兌現。

何昕總結稱：“真正重要的不是判斷有沒有泡沫，而是在泡沫和趨勢共存的市場里，找到最終能夠創造價值并兌現價值的贏家。”