7月29日，中欧基金“中欧长谈”长视频播客栏目第二季《AI的中场时刻》第二期更新，继去年第一季聚焦价值投资后，今年中欧长谈的话题很应景：
当AI全面进入“能力落地”时代，当AI投资短暂进入中场时刻，投资者最应该关心的是什么？中欧科技战队基金经理冯炉丹详细拆解了AI发展的几个重要阶段。
看这期视频播客前，对冯炉丹有两个比较深的印象：
一是她爱养花，聊起养花就像在讲一件让日子生出根须的事儿。如今正值盛夏，她的蓝雪花和三角梅或许开得正盛；
二是她的季报中“风险提示含量”很高，从去年三季度开始，冯炉丹就在不遗余力地向持有人提示科技板块的高估值和高波动；与规模相比，显然她将投资者的持有体验放在了更重要的位置。
而这场长达一个半小时的长谈，又让我们对冯炉丹的了解多了一些维度——她对共识始终保持质疑。
她多次面对主持人的提问后表示：“我觉得这是一个开放性讨论”，并提出共识的另一面。
当市场普遍认为“模型即应用、模型能力决定一切”时，她说：“未来模型能力也许会越来越平权。到那个时候，比拼的可能不是谁最聪明，而是谁最‘易得’——我的评判标准是，我外婆这一代人是否会用。”
同样，她对整个产业的价值流向判断也是如此，她指出市场认为能源的占比将会提升，但实际上能源更多的是“卡脖子”属性，是阶段性约束，而模型层和应用的价值扩张才是结构性趋势。
作为中欧基金完全自主培养的基金经理，冯炉丹在2016年从复旦金融系硕士毕业后即加入公司，从研究助理起步，并在2021年搭档“双十”老将周蔚文，正式开启自己的基金经理生涯。
如果单看时间点，这个开局充满了挑战：2016年，A股全年下跌超12%，在一个不那么“好”的年份入局，肯定有压力；2021-2022年，疫情封锁叠加科技股普遍承压，投资上的焦灼，同样不言而喻。
但也正是在这些痛苦的阶段，冯炉丹在专业能力与投资心性上，持续向下扎根、向上生长。
此次对话发生在AI发展的一个“中场时刻”，面对压力，她的应对方式不是试图避开每一次波动，而是鼓励自己在每一个共识面前多想一步——“在大家都比较嗨的时候，多想想风险；在大家比较绝望的时候，多想想未来的利好。”
她也坦言：“市场很极致，只能磨自己，把能力边界外再推一推。”
一个多小时的先锋对话，聊得很精彩——冯炉丹作为嘉宾，主持人是硅谷101创始人陈茜，搭档是科技战队另一位投资经理谢钊懿，三人从模型能力出发，深聊AI 产业链的价值如何迁移。
聪明投资者（ID:Capital-nature）整理了本次视频播客的精彩内容，分享给大家。
模型能力决定AI周期和价值迁移
问 过去三年，AI模型和产业价值链经历了哪些变化？
冯炉丹 过去三年的变化，始终围绕着模型能力展开。
第一个阶段，是2022年底ChatGPT推出之后，市场第一次真正看到基于Transformer架构的大语言模型所展现出的能力。这一阶段最核心的是Scaling Law，模型参数越大、数据越多、训练投入越高，模型能力就越强。
第二个阶段，是以推理模型的出现为代表。模型不再只是给出一次性的回答，而是能够围绕问题进行多步思考，再得出结论。
第三个阶段，是模型开始在垂直领域真正落地。以Claude为代表，模型在编程等细分领域已经不只是展示能力，而是能够解决具体问题、创造收入。
这三个阶段背后都有一个始终未变的环节，就是AI基础设施持续紧缺。但除芯片和基础设施外，产业价值正在越来越多地向模型层和应用层迁移。
问 如果按照能源、芯片、基础设施、模型和应用这“五层蛋糕”来看，价值正在如何流动？
谢钊懿 AI投资早期，最重要的是寻找价值链中最紧缺的环节，因此市场主要聚焦芯片和基础设施。
随着数据中心建设越来越多，能源开始成为新的瓶颈。特别是在美国，电网和发电基础设施建设速度较慢，需要协调的资源更多，因此能源在某些阶段成为制约AI基础设施扩张的重要因素。
而现在，模型层逐渐开始获得更大的价值。
早期用户使用AI的频率不高，付费意愿也不强。但随着Gemini、Claude等模型的能力提升，特别是最近半年，企业和个人的付费意愿明显增强，大模型公司的ARR实现快速增长。
模型公司有了持续的现金流，才有能力继续购买芯片、建设基础设施和消耗能源。因此，模型收入的增长正在成为整个AI产业资本开支的来源。
应用并不是没有到来。我们看到模型已经在编程、金融、法律等领域获得收入，C端的AI漫剧等应用也在增长。现阶段，模型本身就是应用。
冯炉丹 能源在AI投资中的金额占比未必持续提升，甚至可能有所下降，但它的重要性在于“卡脖子”。真正占比明显提升的是模型层。
能源之所以会卡脖子，主要是因为电网和发电产能的建设速度没有那么快，特别是在美国，一旦能源不足，其他环节即使准备好了，数据中心也无法正常运行。
而模型层，当前阶段可以概括为“模型即应用”，因为一些编程已经落地的AI应用，本质上仍高度依赖模型公司的能力。
但未来大概率会逐渐出现独立于大模型公司的AI原生应用。因为大模型提供的是通用能力，真正面向细分场景、改变用户习惯的产品，还需要新的公司和组织去完成，就像移动互联网也是在智能手机出现5-7年后，才诞生了大量真正流行的应用。AI应用可能也会经历类似的发展过程。
问 模型公司最终会不会拿走AI时代的大部分价值？
冯炉丹 这是一个还没有明确答案的问题。
一类观点认为，模型就是能力。如果没有领先的模型能力，入口、商业模式和应用都无从谈起，因此模型公司会拿走大部分价值。另一类观点认为，模型能力仍在快速迭代，未来随着开源模型发展，领先能力可能逐渐平权。
现在模型的使用门槛仍然比较高。到了模型能力更加平权、普通人都”易得”，也就是我们外婆那一辈人都可以轻松使用的阶段，会出现很多新的应用和商业化机会，不太可能由模型研发公司把所有事情全部做完。
此外，模型公司和应用公司的组织方式也未必相同。模型公司通常是人才密度很高的研发型组织，但这套组织结构不一定适合做面向大众、强调运营和用户体验的应用。
怎么看AI产业链当下仍处在0-1阶段的几个方向？
问 为什么要将AI投资划分为0-1和1-10两个阶段？
冯炉丹 因为这两个阶段对应着不同的投资逻辑和投资方式。所谓“1”，可以理解为一个产品或行业已经跨过商业化门槛，收入和利润开始进入可预测的快速增长阶段。
在0到1阶段，技术方向可能很有前景，但产品还没有形成，或者尚未进入大规模商业化。而到了1到10阶段，则意味着商业模式已经跑通，行业不仅依靠研发资金，还能依靠商业收入支持自身运转，并进入规模快速扩张的阶段。
目前，人形机器人、端侧AI和大部分AI应用仍处于0到1阶段；AI基础设施和国产算力，则已经逐渐进入1到10阶段。
问 机器人已经出现不少订单，为什么仍然被归为0-1阶段？
冯炉丹 机器人是物理AI最重要的方向之一。现在的AI主要存在于网络和虚拟世界，但AI要真正改造现实世界，需要一个连接虚拟与现实的桥梁，智能机器人可能是最重要的落地点。
目前机器人已经有一些订单，但很多仍然来自科研、展览等场景，市场规模相对有限。
真正决定机器人能否跨过商业化门槛的，是其能否获得足够强的智能化能力，进入工厂和家庭，并完成具有实际价值的任务。商业化需要同时满足能力和成本两个条件，即使一个机器人能够完成任务，但成本高达上千万元，也很难大规模推广。
问 机器人会先进入工厂，还是先进入家庭？
冯炉丹 我认为B端会比C端更早到来。
因为工厂场景更标准化，任务也更加明确，可以直接测算机器人是否能够替代设备或人工成本。而家庭环境会更加复杂，每个家庭的摆设不同，人员结构不同，机器人需要具备更强的泛化能力以及同时完成多任务的能力，才能足够通用。
若机器人先在B端跑通，一方面可以更早实现商业化，另一方面也可以收集更多真实世界的数据，通过进一步训练模型，以更好满足家庭日常需求。
值得一提的是，海外人工成本更高，机器人替代人工的商业模式也可能更容易跑通。
问 中国机器人供应链的优势体现在哪里？
冯炉丹 中国供应链非常有竞争力，主要体现在两个方面：
一是快速研发和响应客户需求的能力。机器人硬件和结构仍在快速迭代，中国企业能够伴随客户共同成长，用研发资源快速支持产品变化。
二是大规模量产和降本的能力。当行业需求从几千台、几万台走向几十万台、上百万台时，中国制造企业在扩产、供应链管理和成本控制方面的优势会更加明显。
现阶段，机器人企业还没有进入到单纯拼供应链的阶段，最重要的仍然是智能化研发能力。等产品成熟并开始大规模放量后，供应链和产品定义能力的重要性才会进一步提升。
问 从机器人供应链中选择投资标的，最重要的指标是什么？
冯炉丹 客户、竞争格局和价值量，是我们选择机器人供应链投资方向时重点关注的三个维度。
首先要看公司服务的客户是谁，最理想的状态是客户能够实现大规模量产，供应链企业也可以跟随客户一起放量。
其次要看竞争格局和产品壁垒。如果产品比较容易被替代、壁垒不高，即使行业增长很快，公司也未必能够获得足够多的价值。
然后再看单机价值量。即使竞争格局很好，但如果一台机器人只使用价值很低的零部件，也很难形成足够大的收入空间。
问 如何理解机器人量产和智能化能力之间的关系？
冯炉丹 机器人量产和大脑智能化之间的关系，类似于“先有鸡还是先有蛋”。
大语言模型最初可以使用海量互联网数据进行训练，但机器人缺少足够多、可重复、低成本获取的真实世界数据。仿真数据和合成数据虽然可以提供帮助，但目前仍然不够。
一方面，机器人公司需要持续推动底层模型和智能化能力的研发；另一方面，也需要推动量产，通过更多机器人进入真实场景来收集数据，再反过来提升模型能力。
因此，量产和智能化能力并不是简单的先后关系，而是互相促进的关系。
问 手机、PC、眼镜等设备现都已配备AI功能，为什么说端侧AI还没有走到“1”阶段？
冯炉丹 其实目前硬件和软件都还没有完全准备好。
以AI眼镜为例，硬件需要同时解决重量、显示和续航问题。它既要轻到能够全天佩戴，又要支持足够好的显示，还要保证足够长的续航时间。
软件方面，目前行业花了大量时间用于探索模型能力的上限，但真正针对端侧设备设计的定制化原生操作系统仍然很少。好的端侧AI产品，不应该只是把手机系统搬到眼镜或其他硬件上，而是应该围绕新的交互方式重新设计。
除了眼镜外，市场也在探索像键盘、AI Pin、项链、戒指等不同形态，但真正软硬件深度融合的原生产品还没有出现。
问 编程、视频生成、广告素材等应用已经快速增长，为什么AI应用整体仍被归入0到1阶段？
冯炉丹 目前比较成熟的应用，大多仍然是效率工具，主要服务企业或小型商户，核心价值是提升效率或降低成本。
其中，编程已经明确进入1到10阶段，广告素材、客服和内容生成也已经在不少场景落地。
未来更大的AI应用，可能来自两个方向。
一类是真正面向普通消费者的娱乐应用，例如能够根据每个用户的体验实时生成游戏内容；另一类是入口级应用，它会改变人们社交、使用硬件、上网和使用AI的方式，真正深入每个人的日常生活。
目前这些应用还没有出现，因此AI应用整体仍然处在寻找商业化临门一脚的阶段。
问 二级市场应该如何参与0-1的投资？
冯炉丹 对于0-1的机会，我主要观察两个维度。
第一，技术变化是否打开了更大的市场空间。原本只有一百亿元的市场，能否因为新技术，规模扩大到五百亿元甚至一千亿元。
第二，技术变化是否缩短了商业化落地的时间，让未来的路径变得更清晰、更确定。
二级市场对确定性的要求高于一级市场，因此参与0-1阶段时，也需要控制整体仓位。
问 如何判断产业是否进入到技术真空期？
冯炉丹 判断技术真空期，与判断一个行业能否从0走到1有共通之处。
0-1阶段很容易陷入一个误区就是：技术每天都在迭代，也不断有新产品和新功能出现，但这些变化并没有让市场空间变得更大，也没有让商业化落地的时间提前。
技术虽然在发展，却没有真正跨过商业化的临门一脚，也没有让原本只能展望十年的市场变成可以展望二十年。
只有技术进步，但缺乏商业空间和落地时间变化，说明很有可能进入到了技术真空期。
AI基础设施的产业价值开始分化
问 AI基础设施已经进入1-10阶段，接下来最值得关注哪些环节？
冯炉丹 AI基础设施是这一轮AI投资中相对确定的方向。
硬件公司的商业模式比较直观：产品交付后形成收入，只要毛利率和净利润为正，就能直接兑现利润。其他环节投入越多，基础设施公司的收入和利润通常就越高。
早期市场最关注的是GPU和计算能力，因为算力、数据与模型能力之间存在直接关系。
但随着产业发展，AI基础设施的瓶颈已经不只在计算。
第一个瓶颈是网络。很多数据中心算力负载率不高，并不是算力不足，而是计算结果无法高效传输。
第二个瓶颈是存储。数据需要及时保存，既用于模型继续迭代，也用于理解客户和提供服务。
进入智能体时代后，CPU的重要性也在提升。模型需要完成更多流式计算、节点安排和任务处理，CPU与GPU之间的配比会发生变化。
因此，未来计算在资本开支中的占比可能相对下降，网络、存储和CPU的占比会相应提高。
谢钊懿 AI资本开支可以分为计算、存储和传输等几个主要环节。
未来计算在资本开支中的占比可能相对下降，存储和网络的占比会提升。在计算内部，CPU的重要性也会有所提高。
在一个不断扩大的资本开支市场中，我们更愿意关注占比持续提升的细分领域。
从全球产业分工来看，美国企业强在GPU、ASIC和计算，韩国企业强在存储，日本企业在不少上游环节具备优势，中国企业最有竞争力的方向之一是网络，当前处在全球领先位置，也能够跟随甚至引领未来网络技术的迭代，是我们重点关注的方向。
问 国产算力处于什么阶段？
冯炉丹 国产算力与海外算力的发展方向基本同步，只是在部分环节存在一定滞后。
最主要的瓶颈仍然来自晶圆制造，因为最先进的EUV光刻设备目前还受到限制。但国内企业也在通过架构、系统和工程能力，绕开部分先进制程的约束。
需求端，国产算力与整个AI产业共同增长；供给端，产业也在持续突破瓶颈。供需两端共同推动国产算力逐渐进入1到10的阶段。
2026年下半年，最值得关注的几个指标
问 2026年下半年，AI投资最值得关注什么指标？
冯炉丹 我最关注的是模型公司的ARR增长。
Token中可能包含免费、补贴、内部推理甚至浪费掉的部分，很难准确拆分。但ARR代表用户真金白银支付的收入，是一个可以量化、追踪、比较的指标。
过去几年，Token需求的价格弹性大于1，也就是价格下降10%，需求增长超过10%，使得市场规模仍在扩大。
未来企业可能会将简单任务交给便宜的开源模型，将复杂任务交给昂贵的闭源模型。这样一来，Token数量可能继续增加，但单位消耗成本会下降。
当前AI整体渗透率仍然很低，企业和个人对AI的采用还在快速增加，因此暂时不需要过度担心效率优化影响行业总需求。
谢钊懿 我最关注的是Token的增长速度。
因为，万变不离其宗。产业链投资最终依赖于大模型公司的资本开支，而资本开支能否持续，取决于模型公司有没有足够强的能力和意愿进行投入。
它们的投入能力来自可预期收入，而模型收入可以简单理解为Token数量乘以单位Token价格。长期来看，单位Token价格会随着硬件和模型效率提升而下降。但价格下降后，随着模型变得更好用，用户也会消耗更多Token，导致模型的收入上升。
只要Token需求增长的速度快于价格下降的速度，模型公司的总收入就会继续上升，资本开支也能够持续，产业链公司便能继续获得增长。
问 企业从鼓励员工大量消耗Token，转向控制Token成本，意味着什么？
谢钊懿 早期企业鼓励员工多使用Token，一方面是为了让员工适应AI环境，另一方面也是因为使用AI完成任务可以节省人工成本。
随着模型不断升级，顶尖模型的价格也在提升，企业在AI上的花费越来越多。到了一定阶段，企业自然会重新评估投入产出比。
在这个阶段，一方面顶尖的头部模型越来越贵，另一方面市场上也出现了越来越多性价比更高的模型。
部分开源或国产模型，已经能够达到海外昂贵模型几个月前的能力。所以企业会考虑将一些任务切换到更加便宜的模型，在不明显影响产出的情况下控制成本。
但这并不改变主线。企业对AI的采用仍然在增加，支付在AI上的总金额也会继续增长。
问 AI是不是已经成为一种“宏观免疫”资产？
冯炉丹 AI并不是宏观免疫的。过去几年AI表现较好，一方面是基本面持续超预期，另一方面也是因为宏观环境相对宽松。
AI不仅会受到融资环境影响，也会受到经济基本面的影响。如果整体经济收缩，大型云服务厂商的收入可能下降，投资意愿也会减弱。
在宽松和变化较快的环境中，企业更愿意为未来进行投资；在紧缩环境中，企业往往更关注眼前的现金流。
谢钊懿 宏观和利率会从两个维度影响AI投资。
首先是估值。流动性收紧、利率上升时，成长公司的估值会受到压制。
其次是基本面。AI产业依赖大客户的资本开支，而资本开支一部分来自企业自身现金流，另一部分来自股权和债务融资。
如果流动性明显收紧，企业融资能力下降，原本计划投入一千亿元，但实际只能投入两百亿元，产业链公司的收入也会受到影响。
目前还没有看到足够多的负面迹象，表明AI资本开支的基本面已经受到明显冲击，现阶段这方面的风险还较小。
问 面对AI行情中的剧烈回撤，应该如何处理？
冯炉丹 回撤很难避免，所以我们要做好事前预演、事中调整和事后复盘。
AI投资与其他成长投资的本质没有太大区别，但行业基本面和市场情绪变化得更快、更极致。这要求投资者比过去多往前想几步。在市场情绪高涨时，多考虑潜在风险；在市场极度悲观时，也要重新思考未来可能出现的积极变化。
行业变化越快，就越需要把观察指标、预演方案和风险管理做得更加充分。
谢钊懿 在买入之前，就要先把可能发生的问题分析清楚，比如因为什么回撤、回撤幅度多大。再把每只个股可能的回撤乘以组合权重，也能够大致估算整个组合的风险。
另外在持有过程中，还需要根据行业、宏观和流动性指标的变化，及时通过交易来控制风险。
基金有风险，投资须谨慎。以上内容仅供参考，不预示未来表现也不作为任何投资建议。其中的观点和预测仅代表当时观点，今后可能发生改变。未经同意请勿引用或转载。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成其他基金业绩表现的保证。您在做出投资决策之前，请仔细阅读基金合同、基金招募说明书和基金产品资料概要等产品法律文件和风险揭示书，充分认识基金的风险收益特征和产品特性，认真考虑基金存在的各项风险因素，并根据自身的投资目的、投资期限、投资经验、资产状况等因素充分考虑自身的风险承受能力，在了解产品情况及销售适当性意见的基础上，理性判断并谨慎做出投资决策。
—— / Cong Ming Tou Zi Zhe / ——
排版：唐唐
责编：艾暄
精彩评论