WAIC 2026：國內算力鏈與模型商業化中的 AI 投資機遇

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。

文章作者、來源：微信公眾號「明亮公司」（ID：suchbright）

There are certainly some assets in the AI industry chain that are overvalued, but AI as a whole is not a bubble.

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

與會嘉賓包括：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晓京，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傑主持。

本場討論的核心議題涵蓋大模型能力的持續演進、國產算力鏈、全球AI資本開支持續擴張，以及在地緣政治不斷干擾的背景下，AI產業的下一輪投資機遇等多個方面。

以下為「明亮公司」精編後的圓桌討論觀點：

在談及過去一年 AI 領域最重要的變化時，翁啟森首先提到了 Anthropic。

在他看來，過去一年AI市場最大的變化，是Anthropic的coding code正式進入程式員的生產力工具。「它開始實實在在地交出了一個生產力工具。」翁啟森說。

他提到，最近與矽谷方面溝通後了解到，Anthropic 的大模型 coding code 已進入 self recursive，也就是自我迭代階段。雖然 Anthropic 近期宣佈的模型參數已達到很高水平，但更關鍵的是，憑藉自我迭代能力，未來模型參數規模仍有機會繼續擴展。「歷史上我們看到武林絕學的左腳踩右腳，目前真的已在生產工具上發生，而且是徹底地發生了。」

賈健的觀察與翁啟森相近，但他更明確地將 Claude Opus 4.6 的發布視為一個標誌性節點。他認為，這個模型具有劃時代的意義，因為它深刻拓展了 AI 應用範疇。

一方面，它將過去一些初級程式設計師製作的網頁、Demo 等工作，真正轉化為生產力工具；另一方面，它讓非電腦類、非科班出身的人也能享受程式設計能力。「程式碼可能是數位世界的鋼筋混凝土。一旦在程式碼端產生湧現，其實可以賦能非常多的行業。」賈健說。

他認為，未來會看到越來越多從未寫過代碼的人，開始使用 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湧現，進一步推動模型自我訓練。

Cao Jinze summarized the biggest change in AI this year as: shifting from selling computing power and tokens to selling results and solutions.

過去，市場對大模型的理解，更多是看它能否解數學題、能否聊天、能否提供情緒價值。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。

「我認為大模型真正的裂變，就是從一個賣 Token 或算力的過程，慢慢過渡到真正輸出一個結果或輸出一個解決方案的過程。」曹晉說。

這也意味著，AI 公司的商業模式和估值邏輯正在發生變化。如果大模型僅是 Token 消耗品，投資人會更關注調用量、單位成本和毛利潤；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體、平台和基礎設施。

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，將國產大模型與國產硬體在實際業務端連接起來，這對二級市場投資具有重要意義。

過去，國內許多硬體廠商會聲稱自己的估值可與美股同類廠商比擬，但投資人面臨一個困惑：如果沒有解決底層業務支撐，憑什麼直接對標海外估值？

王曉京認為，國產大模型與國產硬體在業務上打通之後，為國產硬體產業鏈提供了切實的業務底層支撐。「你的估值就可以與國內AI算力的需求掛鉤了，這時底層這些股票的估值就有意義了。」

從這個角度看，國產算力鏈的投資邏輯正逐漸從「對標英偉達」或「國產替代」，轉向「模型業務驗證 + 硬體性能提升 + 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。

在中国，從寒武紀突破重要市值關口，到國產GPU企業全面上市，再到智譜衝擊「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台」、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。「這些都表示 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。」

當討論如何評估大模型公司時，陳傑提出了一個問題：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？

Weng Qisen believes that the two are two sides of the same coin.

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。」翁啟森說。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，並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 在後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後者。

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。

例如，如果用戶讓 AI 在未來三個月內協助尋找最具性價比的機票和酒店組合，頂級 AI 可能在 0.1 秒內完成，但需花費 10 元；能力較弱的 AI 可能需要 10 秒，但僅需 1 元甚至 0.1 元。對於非關鍵任務，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。「不必要過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裡面細分的贏家，可能是更廣譜的二級市場投資角度。」

今年以來，美國最前沿大模型的發布開始受到更多監管因素影響。陳傑提到，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，主要分為兩方面。

一方面，出口管制會在客戶端引發信任危機，尤其在非美、非歐國家商業化時，會損害美國AI公司的風險定價和估值。另一方面，政府監管也等同於以政府信用背書，向市場表明哪些模型才是真正處於前沿的模型，在某種程度上又對這些模型的估值產生正面影響。

但更重要的是，這會引發「主權AI」和大模型自主可控的問題。賈健提到，他們過去幾年調研了眾多非美國國家，每次無論是政府官員還是科技領袖，都會提到，即使本國模型的能力與北美頭部廠商存在差距，也一定會堅持開發自己的模型。

尤其是這次美國對盟友也採取類似限制後，將讓韓國等國家的科技廠商更加堅定推進大模型自主可控。

“In our research, we found that many non-U.S. countries developing their own large models have largely drawn inspiration from China’s open-source models,” Jia Jian believes, which clearly provides better development opportunities for China’s leading open-source model vendors on the global stage.

Cao Jinze 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係數，而不是永續性風險。

他提到，最近一些政策已出現反轉，例如部分模型訪問已恢復。這說明大模型行業的競爭格局非常激烈，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」的標籤，而另一家企业迅速發布新產品，前者也會受到很大影響，並可能主動遊說政府恢復訪問。

曹晉認為，對於中國大模型而言，階段性肯定是利好。全球許多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，這更多是從獲取率角度的利好，並不意味著中國模型的能力已經反超或全球領先。更長期的競爭力，仍取決於持續的資本支出投入，以及算力和數據的積累。

大模型的能力離不開先進AI硬體的支持，而目前高端AI硬體仍主要由海外廠商壟斷。針對未來三年英偉達、海力士等公司的壟斷地位是否會被打破，賈健和曹晉作出了分層判斷。

贾健認為，晶片端需區分訓練和推理。

在訓練端，英偉達自 CUDA 生態發布以來積累了深厚壁壘。它的優勢不僅來自晶片性能，還包括軟體生態、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。

但在推理端，賈健認為壁壘鬆動可能只是時間問題。推理端有許多新的硬體優化思路，包括 PD 分離，以及更細分的 AF 分離。這些軟硬體優化機會，為海外二線廠商和國內 GPU 廠商都提供了趕超窗口。

存儲端也要分開看待。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，很難出現巨大躍升。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。

Cao Jin 也認為，未來 2 到 3 年，無論是晶片還是存儲，海外巨頭的優勢依然強大。但他觀察到一個明顯趨勢：整個行業正在解耦這些佔據領先優勢的巨頭。

以英偉達為例，GPU 在訓練端一騎絕塵，ASIC 芯片與 GPU 的差距較大。但無論是 AF 分離還是 PD 分離，本質上都是將一個處理多項任務的 GPU 解耦成不同功能模組。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，雲廠商一直以來都在降低對英偉達的依賴，因此會設計出許多軟體方案來分化功能。「我們不需要一個大而全的超級大晶片。我們希望的是更多參與者進來，把成本降下來，把細節做精，把效率提升上去。」

存儲端未來也可能出現類似的解耦。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，這也構建了存儲寡頭壟斷格局，即少數巨頭共同主導的局勢。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，其他業務將被更多地分化出去。

關於國產 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 已在推理端為上游半導體廠商帶來了增量估值，因為市場意識到，國產模型與國產硬體結合可以獨立於海外模型體系，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宣稱完全在國產硬體上實現了訓練和推理。例如美團的 LongCat2.0（龍貓）被提及是在國產硬體鏈上完成。如果這一點被驗證，將對整個國產硬體產業鏈帶來更大的估值提升。

王曉京認為，一些通用硬體模組，例如光通信，過去主要受益於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，就可能同時受益於全球算力和國產算力兩條需求曲線。

因此，完整打通國產算力鏈對長期產業趨勢至關重要。

全球雲廠商持續加大AI資本開支。陳傑問道，美國幾家最大雲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，但他並不那麼焦慮。

他分享了幾個數據。首先，Anthropic 目前 Token 的 gross margin（毛利）已接近 80%。由於算力不足，Anthropic 願意將更多利潤分給算力中心。據他了解，Anthropic 最近與北美算力雲廠商（AWS Bedrock）的分成，已從過去的「三七開」調整為「五五開」。

這意味著，即使 Anthropic 受算力限制，也願意將更多利潤分給雲廠商，從而讓雲廠商有更大動力繼續增加資本支出。

翁啟森預計，明年的 AI 資本支出可能不止 1 萬億美元，甚至可能達到 1.2 萬億到 1.5 萬億美元。「這一點大家不要那麼焦慮。」在他看來，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，其獲利能力已達到相當規模。

其次，他以互聯網泡沫作類比。當年互聯網早期，由雅虎帶領的搜索時代也曾經歷大規模燒錢，商業模式並不清晰。但後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，並與諾華合作。他認為，未來 AI 對產業的衝擊已經指日可待。

「你說一萬億GDP可能沒有幾個國家，但它未來創造的商業生態，可能都不止這一萬億。」翁啟森說。

最後，何昕從金融機構的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資產的估值已經很高。例如，亞洲部分科技股的遠期市盈率一度達到36倍，韓國、中國台灣的AI相關資產也處於歷史較高估值階段。因此，如果問是否存在泡沫現象，答案是肯定的。

但他強調，不能簡單說 AI 就是泡沫。因為 AI 與歷史上許多泡沫完全不同。過去許多泡沫的問題在於需求並不存在，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；算力增長又帶動晶片、資料中心和能源需求增長。所以某種程度上來說，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，都離不開算力晶片、數據中心、網絡設備和電力能源支持。

其次為 AI 應用帶來的機遇，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 正在降低資訊獲取成本，當所有人都能更快獲取資訊、更快分析數據，單純依靠資訊差賺錢會越來越難。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的數據來源、相似的模型和相似的投資邏輯，當資金集中在同樣熱門的賽道上時，一旦市場預期發生變化，調整會非常迅速且劇烈。

第三，商業化實現風險。許多 AI 公司的估值已反映非常樂觀的未來預期，接下來市場將越來越關注：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，而是業績實現。

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裡，找到最終能夠創造價值並兌現價值的贏家。」