核心内容总结
这篇圆桌讨论聚焦AI产业的六大关键问题：AI技术从工具向端到端解决方案进化、国产模型与硬件联动重构估值逻辑、大模型公司需兼顾技术参数与商业化能力、出口管制下中国开源模型获全球机会、硬件领域训练端与推理端格局分化、万亿美元AI资本开支的回本前景，同时探讨了AI泡沫与真实趋势的共存。讨论为投资者和产业参与者提供了多维度的判断框架。
一、AI技术：从“帮写代码”到“端到端解决问题”
过去一年AI最大的变化是从单一生产力工具升级为能完成全流程任务的解决方案。
- 代码能力突破：Anthropic的大模型不仅能帮程序员写代码，还进入“自我迭代”阶段（自己写代码改进自己）；Claude Opus 4.6让非科班出身的人也能开发小工具，相当于“数字世界的钢筋混凝土”普及了。
- Agent带来的革命：以前AI只能聊天、解数学题，现在Agent能像“智能助手”一样完成全流程——比如你让它帮你做一个电商网站，它会从需求分析、规划步骤、写代码到测试交付，直接给结果。这让AI公司的商业模式从“卖算力/调用次数”变成“卖解决方案”，估值逻辑也从“消耗品”转向“软件平台”（像微软、 Salesforce那样）。
二、国产AI：模型与硬件打通，估值终于“有根了”
以前国内硬件厂商说“对标英伟达”，但投资人心里没底——没有实际业务支撑，凭啥对标？现在这个问题解决了：
- DeepSeek V4的意义：它把国产大模型和国产硬件在业务上连起来了。比如用国产GPU训练模型、跑推理，证明了国产硬件不是“空架子”，有真实需求支撑。这让硬件厂商的估值不再是“空中楼阁”，而是和国内AI算力需求直接挂钩。
- 资本市场认可：寒武纪突破市值关口、国产GPU企业密集上市、智谱冲击“大模型第一股”，说明AI产业从“概念”变成了“长期增长赛道”。海外SpaceX（算力+模型平台）准备上市、OpenAI计划IPO，也印证了这个趋势。
三、大模型公司怎么选？技术和赚钱能力都不能少
评估大模型公司不能只看“参数多大”，也不能只看“赚了多少钱”，两者是一体两面：
- 技术是根本：模型的“智商”（比如自我迭代能力、长任务处理能力）是变现的基础。但不能只看单一指标，要综合人才、数据、持续迭代能力（比如DeepSeek的后训练强化学习、通义千问的长文本能力）。
- 商业化是关键：ARR（年度经常性收入）反映模型的变现水平——比如OpenAI的ARR高，说明企业愿意花钱买它的服务，反过来又能支持技术迭代。
- 成本竞争也重要：不是所有场景都需要“最强模型”。比如找便宜机票，头部AI0.1秒完成但要10元，普通AI10秒完成只要1毛钱，用户可能选后者。所以未来可能是“多赢家”，不同成本、不同需求对应不同模型。
四、出口管制下，中国开源模型的全球机会来了
美国对大模型出口管制（连盟友都限制），让非美国家更重视“主权AI”（自己能控制的模型）：
- 信任危机与替代需求：非美国家担心用美国模型会泄露数据，所以宁愿用能力稍弱但自主可控的模型。调研发现，很多非美国家训练自己的大模型时，都用中国的开源模型（比如DeepSeek开源版）。
- 阶段性利好，但长期靠实力：这给中国开源厂商带来了全球市场机会，但要注意——这是“机会窗口”，不是“永久优势”。长期竞争力还是要看资本投入、算力积累和技术迭代（比如能不能追上北美头部模型的能力）。
五、硬件格局：训练端英伟达难撼动，万亿投入能回本
AI硬件分训练和推理，格局完全不同：
- 训练端：英伟达三年难动摇：英伟达的CUDA生态（软件+开发者+工具链）是“护城河”，不仅芯片强，配套服务也完善。未来三年，其他厂商很难追上。
- 推理端：国内厂商有机会：推理侧可以“解耦”（把GPU的多个功能拆分成不同模块），比如PD分离（预处理和推理分离）、AF分离（注意力和前馈分离），这给国内GPU厂商提供了赶超窗口。
- 万亿资本开支能回本吗？ 答案是肯定的：Anthropic的毛利接近80%，还愿意和云厂商“五五分成”（以前是三七），说明算力需求旺盛，云厂商有动力继续投钱。而且AI未来会进入医疗（比如和诺华合作）、工业等领域，创造的价值远超过万亿投入——就像互联网泡沫后诞生了电商、广告等大生态一样。
最后：AI有泡沫，但不是全泡沫
部分AI资产估值确实高（比如有些科技股PE达36倍），但整个AI不是泡沫：
- 真实需求驱动：模型变强需要更多算力，算力增长带动芯片、数据中心需求，形成“自我循环”。
- 机会在哪里？ 基础设施（算力芯片、数据中心、电力）和应用（机器人、自动驾驶、医疗）是长期方向。
- 风险要注意：信息差越来越难赚（AI降低了分析成本）、热门赛道容易“拥挤交易”（资金集中导致波动大）、商业化兑现（技术能不能变成收入和利润）。
关键不是纠结有没有泡沫，而是找到能真正创造价值的公司——比如那些能把技术转化为利润、有独特数据或生态的企业。