E15 中美 AI 的真实差距有多大？｜国字号投资人的一线判断
输入“/”快速插入内容
E15 中美 AI 的真实差距有多大？｜国字号投资人的一线判断
E15 中美 AI 的真实差距有多大？｜国字号投资人的一线判断
用户6734用户67342025年10月17日修改
投资
•
作为中国机构投资人，筛选 AI 项目的核心标准是什么？具体的领域是什么，是算力、模型，还是应用落地？
◦
作为成长期到中后期的投资人，我们投资主要是看胜率，因此我们不做赛道型投资，基本就投最有可能胜出的公司。以这个策略来做投资，其实最核心标准就两条：一是技术路线正确，二是没有短板。
◦
我们按产业链来分划分，现在一般都把AI产业链由上往下划分为AI Infra，模型层和应用层。以AI Infra和模型层分别举个例，
◦
AI Infra
▪
目前最核心的是什么？毋庸置疑是算力，是GPU，GPU在服务器中的价值含量超过70％。英伟达市值已经超过了4万亿美元，那在当前的宏观背景下，算力投资在中国最大的价值也就在国产算力芯片，寒武纪最近市场表现大家也都看到了，今年上半年业绩实现了超级增长。那在一级市场，是不是还有机会，我们认为还是有的，以3年周期来看，英伟达在中国的市场份额估计会降到50％，华为可能取得25％－30％，那市场还剩下20％的市场份额，如果中国算力的市场规模为500亿美元每年，20％对应的就是100亿美元。寒武纪今年的市场预期是50－70亿人民币，换算过来也就不到10亿美元，这么来看，这个市场未来3年至少还有5－10倍的增速。
▪
那从前面提到的核心标准，怎么来衡量呢？一是技术路线，最核心的就是GPGPU和ASIC两条路线的判断，比如华为和寒武纪，就是ASIC芯片；比如摩尔线程，沐曦，这些就属于GPGPU。正常的市场，通用的GPGPU与ASIC市场比例我们认为应该是符合八二法则的，考虑华为和寒武纪的影响，其实ASIC这条赛道已经很难再跑出来新的公司了，所以在技术路线上，我们优先要看走GPGPU路线的公司；
▪
第二个标准是没有短板，这怎么衡量？我们讲算力芯片公司，绝大部分都是IC设计公司，只负责芯片设计，生产都是代工的，而目前先进的算力芯片，起码都是要7nm以下，那在现在的环境下，决定公司的前途最主要的几块木板：设计能力、资金、供应链。设计能力主要看团队配置和产品规划，资金不用说了（举个例子，7nm及以下制程的芯片流片费用都是1.5亿人民币起，融不到足够的资金，连流片的钱都没有），供应链是现在这个环境下最重要的，不论是代工、HBM，首先要有渠道，其次工艺能够匹配，第三现在全都是预付款，还是回到了资金的问题。这三方面，有一块短板对公司而言都是致命的。这就是我们所说的要没有短板。
◦
接下来我们讲模型，也是这两年最受关注的领域，还是分开讲技术路线和没有短板两个判断标准。这里我们稍微做下区分，要把大厂剔除出去，只讲创业公司。
▪
先说技术路线：经过两年的迭代，其实现在我们说模型已经开始分化了，基座模型、推理模型、多模态模型，在这两年迭代的过程中，我们一直在观察国内创业公司对技术路线的选择和团队是否具备训练模型的能力。到现在复盘来看，我觉得是有两点心得的：
•
① 技术路线要遵循第一性原理，其实跟马斯克提到的类似，你必须是从头开始构思，从要搭建一个什么样的AI系统来考虑要怎么训练模型，像OpenAI，Anthropic，Deepseek。在我们尽调的过程中，其实是能看到有些是跟风，有些纯粹套壳，有些根本想不明白；
•
② 模型必须从第一天就进入用户中，从用户反馈里得到真实评价，这就要求模型必须紧密结合产品。数据集刷分现在已经很普遍了，基于数据集分布去做拟合不是一件难事，有的公司刷榜没输过，但是根本没看见人用，这样没有意义的。从这两点就可以筛掉大部分公司；
▪
其次是没有短板，模型公司最重要的几块木板：算法、算力和数据。算法不用细说，你怎么构建MoE，专家网络，模型架构，都是最核心的部分。数据的体量和多样化分布，特别是现在已经遇到了数据墙了，怎么去构建自己的高质量数据，这是后续差异化竞争的关键。算力跟资金是强挂钩的，所有模型公司80％的支出都花在了算力上，而千B以上的模型训练基本都要花掉大量资金，如果训崩了，成本只会更高，其实跟流片是一个道理。同时算力在国内还更叠加了怎么获取充足的训练算力资源，在国内也差异化出了两条路，一条是Deepseek，对算力的利用优化到了极致；一条是灰色路线，怎么搞到足够的国外的算力资源。
▪
基本上，如果追求胜率，现在对公司的要求都是要全栈全能选手。
•
美国机构投资人是否有一些差别？具体体现在哪些方面
◦
我去硅谷的时候也集中跟一些投资机构和创业公司做了交流，这方面确实还是有一些体会的，分投资决策和赛道偏向来说。
◦
投资决策上实在是太简单了，基本上一页纸你就能够launch一个创业项目，而且投资人直接打钱，早期甚至不需要谈估值，以可转债方式打到你账上，也没有偿还义务，只在你达到Milestone开始正式融资了，才对应转换为股份。对比国内投资人，现在国内投资人的结构已经发生了很大变化了，美元基金基本退出得差不多了，尽调是不能不做的，条款是不能不谈的。诚实地说，单纯从创业融资的难度来看，国内确实是要高于美国的。
◦
其次是赛道偏好，美国现在就是All in模型和应用。模型已经很收敛了，基本就是只再投资OpenAI、Anthropic和XAI了，新模型公司已经没有机会了。应用是美国现在投资的重点，2024年北美61％的创投资金都投在了AI应用，大方向上基本还是专注在B端赛道，如Databrick，如Vibe Coding。国内现在更多集中在Infra和C端应用，生态上彼此还是有些区别。
•
AI 创业者中，中国人擅长什么？美国人擅长什么？各个领域的领先状态是怎样的？
◦
先玩个梗，现在AI领域基本就是在中国的中国人和在美国的中国人的竞争。America Chinese beat China Chinese。
◦
然后说创业公司，还是分产业链来讲，因为生态的不一样导致了创业的分层。
◦
Infra层面，美国不受芯片的限制，所以现在开始做大规模的集群搭建，这方面能力是强于中国的，XAI的单一集群已经超过了20w张，国内现在最大的单一集群估计也没超过5w张。而中国在受到限制的情况下，在Infra层面的发展开始走向了极致的算力优化和异构集群的组建。
◦
模型层面，现在互有千秋。语言模型毫无疑问美国现在还是领先的，但是视频模型和语音模型，其实国内和美国现在基本不会有太大差距，而由于数据的丰富（毕竟短视频都在中国公司手里），我还是很看好视频模型中国公司取得领先的。
◦
应用层面，我觉得C端毫无疑问将来会成为中国人的天下，而B端由于客户的接受度和付费意愿，能发展起来的大概率还是美国公司。但是有一点，由于现在C端应用要想有比较好的效果，底层应用的还是海外的模型，这也导致头部的应用公司（典型如现在的AI Agent），还是成立在海外，未来是否会分化，我们还得再继续观察。
•
过去几年国内 AI 投资都有哪些风口？几年过去，哪些是真机会，哪些更像短期泡沫？
◦
到目前为止我只投了算力芯片和基座模型，是不是也算用脚投票哪些是真机会了。其他的我也看了不少了，但目前基本没有下注。
◦
AI领域其实颇有些天上一日，人间千年的感觉。现在想想Deepseek R1发布感觉已经是很久前的事情了，但实际上也只过去了半年。虽然时间并不长，但这个行业迭代太快了，大家认知在不断更新的同时，有些东西也是在不断地被证伪的。
◦
有一张梗图我觉得还是能很好解答这个问题，一辆写着AI Startup的小巴路过，结果被写着LLM的火车头直接碾压过去。简单按第一性原理来解释的话，如果大家对AGI的预期是无所不能的各个领域的专家，那么一切以大模型边界能力不足为前提做工具后续都会被替代，最多只有时间窗口价值。
◦
这里要分两点，一个是模型本身能力的提升，第二个就是大模型公司对自己业务边界的界定。模型本身能力这个大家可以很明显感觉到了，从最开始只能聊聊天，到现在其实已经开始真实嵌入了很多生产环节。而基座模型公司对自己业务边界的界定，其实对其他创业公司的影响会更大，因为他们是完全可以正向开发，构建一个原生的适配环境的，对很多现在的创业公司做逆向工程、上下文工程而言，根本不是一个层次的竞争。Sam Altman 2023年最开始的时候声称OpenAI只做底层系统，其他应用交给创业者。到去年的时候已经改口说创业者选择方向的时候不要选择跟基座模型要做的事情竞争。杨植麟跟张小珺的最新访谈其实也提到这一点，对比第三方的AI Agent公司，模型公司能够正向训练开发Agentic Model，并且基于模型适配合理开发环境，这是有着显著优于外部第三方的优势的。
◦
我自己的个人看法，AI未来会是一个非常强马太效应的产业，头部的几家公司会占据超过80％甚至90％的市场份额，届时其他都是泡沫。
AI 与中国经济社会
•
中国这么多人口，会担心未来 AI 应用落地对于就业的冲击吗？政策主导者是否有一些考量？
◦
我的结论是技术的进步不以人的意志为转移。实话实说，对就业的冲击不在未来，在现在就已经开始了。
◦
举两个实实在在的例子，Gen AI刚出来的时候，马上被替代的就是翻译，到现在可能连实时口译也基本不需要了，模型能够完成得非常好，而且现在模型已经能够在大部分的语种都达到local水平了，基本是无差别地取代各语种翻译；
◦
第二个例子是码农，现在AI Coding已经是被证明PMF的了，但这也意味着对码农的需求即将被AI替代。我去湾区的时候，北美的CS现在毕业失业率达到50％。大厂普遍反馈现在AI Coding能够完成20％－30％的代码量，这部分代码其实本来是初级码农的工作，所以我们看到不管北美还是国内，大厂现在初级码农的被裁率其实是很高的。
◦
随着模型能够完成的工作从结构化向非结构化发展，预计未来初级工种的需求会越来越低，而这反应到现实中，就是年轻人可能越来越难以得到工作机会。从政策的角度，一定是要关注年轻人的就业，我个人其实是比较悲观的，还是最开始的结论，技术的进步不以人的意志为转移。
•
AI 会加剧还是缩小城乡、阶层之间的差距？
◦
这里我觉得还是单独指AI的掌握和应用的能力吧。在国内，如果没有相应的政策和人力资源投入，我觉得差距还是会越来越大的。
◦
首先是中小学教育资源，一方面硬件资源有差距，城市学校在小学阶段就已经普及电脑/平板授课了，对AI资源的获得门槛要比低线城市和农村要低得多，这个差距在AI前也是始终存在的；第二是教育能力，低线城市/农村的教师对AI的掌握和教育能力显著是弱于一二线城市的，这样其实也无法为学生提供足够的AI普及教育；
◦
其次是高校实习和工作机会，现在AI企业资源是高度集聚在北上深杭的，其他都没有太多的公司了。在大城市的学生有更多的机会可以接触到AI公司，获得实习和工作机会，而这在低线城市是很难获得的资源。简单的例子，北京的清华北大，上海的复旦交大，基本已经成为了京沪AI公司实习和招聘的大本营，其他地方的学生，门槛还是要高很多的。
◦
最后是应用，从结构上来说，目前AI公司的生产价值更多集中在Web端，移动端更多是消费应用。但是从用户分布来看，Web端用户主要集中在城市，农村更多是手机这类移动端工具，如何普及使农村用户也能够更多使用Web端的AI工具，也是个待解决的问题。
•
◦
新闻不少了，很多解读都挺全面了。网上重复的我就不多说了，但这里我就补充一点，国办层面的文件，落笔都是字斟句酌的，有没有什么，哪个在前哪个在后，都代表了重要性和优先级。我们来看文章，排最前面的是什么，AI4S和AI＋Industry，那指向性就很明显了。
◦
历史上每一次工业革命，取得技术领先的国家后来都成为了全球霸主。第一次工业革命是蒸汽机，英国把蒸汽轮机装上了帆船，成为全球霸主。第二次工业革命是电力，德美崛起，美国笑到了最后。第三次工业革命是计算机，从此美国一骑绝尘。现在AI很可能成为第四次工业革命的核心技术底座，有什么理由不抓住这次机会呢？
◦
再说说和互联网＋的区别，对比来看，这里有一个主辅的变化。人工智能＋，最后技术主体会演变成AI本身；互联网＋，是给现实世界增加一层数字孪生，底座并没有变化。
中美竞争