巅峰对话：中国AI“大跨越”，核心在场景

自ChatGPT于2022年底横空出世后，在全球范围内掀起了新一轮的AI创业和投资浪潮。这场人工智能的“大跨越”，堪称人类正在从事的最为深刻的创新，其意义甚至不亚于火与电的运用。

5月10日，在“第18届中国投资年会·年度峰会”上，复星创富首席投资官丛永罡的主持下，祥峰投资管理合伙人夏志进、毅达资本创始合伙人黄韬、九合创投创始人王啸、顺为资本合伙人程天、普罗资本创始人徐晨昊、清智资本创始合伙人张煜、力合创投总经理汪姜维，一起就《人工智能的突破，重构数字经济的未来》这一主题展开了精彩对话，深刻探讨了中国人工智能的发展趋势和挑战。

在复星创富丛永罡看来，人工智能是一个有机体，推动AI产业发展不可能头痛医头、脚痛医脚，而需要经络全通。这里面有资本市场政策的原因，也有创业氛围的原因，需要从政府到资本市场、到创业者几个层面一起发力解决。 

毅达资本黄韬提出，本地化、轻量化、垂直化的“轻模型”是中国AI发展的另一条思路。在具体的专业赛道、应用场景中能够找到自己的一席之地，提高对商业落地的重视，不失为更符合中国生态的生存策略。 

在九合创投王啸看来，当下AI最大的痛点是成本高昂，而应用端的商业价值尚不足以覆盖如此高昂的成本。再加上中国目前缺乏长钱，这导致成本问题成为国内大模型发展的最大制约因素之一。 

祥峰投资夏志进认为，人工智能发展速度非常快，顶尖人才的紧缺和技术迭代速度不足成为我国人工智能发展直面的重大挑战。一方面，受国际政治因素影响，很多顶尖人才的交流不像以前那么频繁；另一方面，OpenAI在全球范围内全面领先，并以超预期的加速度推动技术快速迭代，作为追逐者，我们的速度还不够快。应对人才挑战，紧跟人工智能技术的加速发展态势，是我们需要密切关注的。 

顺为资本程天提出，这波人工智能的机会，具备长期高度确定、短期高度不确定的特点。在他看来，未来几年，当机器人应用、AI硬件，或是无论什么形态的应用，有真正的创新出现以后，才迎来AI行业的繁荣。 

以下为现场探讨实录，由投中网进行整理： 

丛永罡（主持人）：这场是比较细分的话题，人工智能，这是过去两年全球和中国资本市场里新增的亮点。上一场论坛，我们听到有嘉宾总结未来投资机会的时候，也比较看好这个赛道，事实上这个赛道也有非常多的争议。上一次这么热烈讨论人工智能还是八九年前，我们这些人应该经历过那个周期。这次称之为AI 2.0的阶段，首先也结合着我的第一个问题，请每位同行介绍一下自己，介绍过程中聊一聊在AI 2.0阶段的投资策略、打法具体是什么样的。 

程天：很高兴今天参加投中的会议，感谢投中这么多年来对顺为的支持。 

顺为资本是2011年成立的专注于中国本土市场的风险投资基金，由雷军总和许达来总共同创办，目前管理近500亿人民币规模的双币基金。自创立以来，顺为团队就专注于中早期的科技创投，我们的业务从来没有多元化，一直特别专注，所以在过去十几年的时间里已经投了超过600家的科技创新创业企业，分布在各行各业，不管是科技制造、互联网+、数字经济、医疗大健康、消费等等所有的赛道，几乎都有布局。 

我们积极参与了十年前那波人工智能的机会，当时也布局了云从科技等项目。而这波新的机会，从去年开始，我们和兄弟公司小米集团、金山集团一起联合做了比较多的布局。因为小米和金山都在AI的落地层面场景上有着非常丰富的场景、用户以及应用的基础。截至目前，我们已经在大模型领域布局了十几家公司，不仅仅包括基础大模型公司，还有一些应用型公司，不管是文本生成、图像生成、文本处理，还有一些设计软件等等方面，都有一些涉足。 

在雷总的带领下，当时的判断是，认为这波人工智能的机会，长期确定性很高，但是短期确定性还需观望。这个过程中，也出现了很多争论，例如：AI应该怎么做、AI应该怎么投，是什么路径？但总体来讲，作为科技创新的忠实信仰者和积极参与者，顺为作为这个赛道里过去两年投得最多、最广的前几家机构之一，我们还是笃定认为，中国会在AI这个赛道上跑出世界级企业，而且有可能是百花齐放而不是单一模式、单一路径或者单一方法论成功的企业。

我们对所布局的企业，不光会提供资金支持，也将提供场景、用户等串联的机会。我们希望和在座的各位行业同仁一起，推动实现中国第二波人工智能的新高潮，顺为也很荣幸能够积极参与其中。   

黄韬：大家好，我是毅达资本的黄韬，毅达资本由江苏高科技投资集团内部混合所有制改革而来，自2014年开始，启用新的品牌毅达资本，今年是十周年。以前是国有创投，现在是一家市场化的机构，有将近1300亿的资产管理规模，涉及的领域相对较广，从新一代信息技术到双碳、制造业、新材料、生物医药板块都有相对比较完整的布局。 

我们在人工智能这块做得比较早，现在除了区域基金以外，还有专门的行业基金，其中和人工智能有关的是数字经济基金、双碳基金、还有以半导体集成电路为主投领域的行业基金。在细分赛道的投资特点不追求大而全，更多聚焦在小而精领域深耕。从历史案例来看，比较优秀的AI应用项目，主要集中在金融赛道、政企赛道，以及医疗等热门赛道。   

汪姜维：大家好，我是来自于力合创投的汪姜维。力合创投是由深圳清华大学研究院控股的上市公司，力合科创全资的创投平台。力合科创从成立以来一直秉持着大股东清华研究院的科技成果转化基因，从事早期硬科技的投资，一直以来投早投小投硬科技。我们的Slogan是“让科技创新种子长成参天产业大树”。和很多投资机构不太一样，我们有很多长出来的项目，像很多力合字号、清研字号的项目，都是硬科技早期的企业。 

成立以来，我们投了差不多五六百家企业，除了基金以外，我们也有自有资金的投资。自有资金目前投资布局的项目在手的也有100多家。    

在人工智能方面，我们比较看好以数据为核心的行业应用机会，而不是以算法为核心的。因为算法大模型很多，行业领域的数据比较细分，我们也投资了这样的企业，包括不同行业里的应用。这可能和我们主要聚焦在大湾区和深圳以制造业和智能制造等各种硬科技企业为主的领域有关系。   

当然我们同时和中科院集成所联手，和他们的团队打造了数字化的科技情报平台，为整个科技创新服务和科技成果转化以及投资孵化来做服务。总体来讲，在整个科技的发展过程中，人工智能也是一个很好的工具和帮手。另外，行业领域的垂直应用，也是我们比较看好的。  

王啸：大家好，我是九合创投的王啸，九合创投成立于2011年，历经13年的发展，我们投了300多家早期的科技初创公司，我们的特点是投企业的第一轮和第二轮，绝大部分是第一轮投资人，帮助企业一起成长。

我们从2014年开始在人工智能领域布局，投了自动驾驶、AI+医疗等人工智能公司，其中一些企业已经上市，自动驾驶公司也发展得不错。近期我们在看大模型相关领域，我们在五六年前投了大模型的训练框架平台公司，最近两年投了十家左右大模型应用公司。大模型本身的竞争非常激烈，而且需要的资金量非常大，主要是巨头的战场，但是以大模型或者开源大模型作为能力去赋能产业界，把它变成生产力，是非常大的机会。 

过去软件和工具是赋能人，让人最终提高效率，但是大模型可以直接变成生产力，所以这是一个巨大的、结构性的变化。我们投了很多产业当中的垂直应用，比如音乐生成、场景生成等公司，也投了一些To C的平台，如果把大模型当做一个大脑，加了语音、形象之后，就变成一个虚拟人，满足玩游戏、看漫画等陪伴的需求，有可能存在To C大平台的机会，所以我们在这个领域做了一些布局。 

总体来讲，大模型解决的是数据深度加工之后的决策能力问题，而这个决策能力很有可能可以应用在各行各业。类似特斯拉FSD解决了真正的自动驾驶问题，以前自动驾驶解决的是辅助驾驶L2、L3的问题，特斯拉第一个突破了端对端的全自动驾驶问题。大模型的能力还可以应用在机器人领域，以后家庭机器人不但能扫地，还可以做饭，当然还需要5-10年，但是在一些具体场景中，让它做咖啡等，应该两三年就可以看到，所以我觉得大模型+具身智能（机器人）肯定是一个方向。

大模型在任何一个产业中都能提高效率，直接变成生产力，这也是当前可以投资的重要机会。中国的应用场景、数据是比较丰富的，我不觉得会在大模型方面落后美国很多，当然在基础研究，包括大模型的算法方面，我们比国外落后1-2年的时间，但我觉得这并不是算力能完全卡住的，所以我对这个事情没那么悲观。中国的模型公司很有可能在全球输出能力。   

夏志进：大家好，我是祥峰投资的夏志进。祥峰投资是一家总部位于新加坡的早期投资机构，我们在全球不同地区有本地化的团队，包括中国、以色列、美国和东南亚，中国基金是从2008年成立，专注在硬科技、医疗健康领域的早期投资。我们在AI领域的投资，偏向于和硬件结合，比如智能驾驶芯片、AI+机器人等，是我们非常看好的方向。不仅仅是机器人，软硬件结合的各种解决方案，也是我们非常关注的。 

中国在AI的应用场景落地上和美国的方向很不一样。

在美国我们看到了很多软件层面的AI应用，发展非常快、非常好。我们知道很多做大模型的公司以及做上层应用的公司，通过企业软件去提供服务方面，已经做到非常大的规模，可能有一些年化收入已经达到好几亿美金的规模。因为在美国，企业服务是非常大、非常成熟、非常完善的市场，所以在新的AI技术出现的时候，很多传统软件的玩家能够很快地把AI技术集成进去，不管是老牌的Oracle，还是新锐的软件企业，都可以利用新一波的大模型AI把自己的软件能力提升几个档次。

反观中国，我们的特色是制造业以及很多硬件产业远远比其他国家更发达，更先进，所以我们非常看好AI和硬件的结合，不管是机器人，还是专用的设备，这块是我们重点投资的方向。谢谢！    

张煜：谢谢投中网，谢谢主持人，我是来自清智资本的张煜，我们这个资本稍微有点新，是2022年才成立的，真正投资是一年左右的时间。我们是清华大学智能产业研究院支持下的资本，专注投资人工智能早期项目。   

我们有自己的孵化器，也是立足于从源头去发现和孵化原创的项目，我们孵化器提供六个月的免租空间，还提供免费的算力，如果大家是初创企业，欢迎到我们孵化器去看看机会。 

我们去年大概投了十余个项目，从生命科学到行业大模型、到机器人、到工业智能、AIGC等等。我们积极看好未来的AI发展，我们觉得人工智能大概是我们国家未来5-10年最大的发展机会，人工智能的使用能力会成为企业的基本竞争能力。当然我们也觉得从AI所有要素，从算法、算力、数据、系统到应用都有投资和发展的机会，所以我们是非常积极和乐观地去看待AI的发展。 

丛永罡（主持人）：谢谢各位嘉宾。今天各位嘉宾在机构分布上比较广，有民营机构，有国资，有美元基金，有产业资本，当然也有学院派的基金。 

我也自我介绍一下，复星创富2007年成立，是复星旗下的私募股权基金管理人。目前为止，累计投的项目大概100多个，累计管理的资产规模是500多亿，从早期、VC，到PE、并购等，横跨各个阶段。

刚才几位嘉宾的投资理念我也非常有同感，对复星复星创富而言，我们也非常看中应用端。复星控股一系列实体企业，拥有包括制造业、汽车、生物医药、消费等多个场景，所以我们投人工智能也非常看中和上述场景的打通。 

在这个点上和各位嘉宾有很强的共识。除了共识之外，我们也注意到有很多争议。无论是中美之间人工智能2.0的发展，起手和后手的不同，还是国情的差异，以及资本市场几个层面上，算力、算法、能源、通信、政策、法规，包括人口结构等等一系列的问题，可能都会带来一系列的难点，这可能是大家持续在难点中一边辩论一边探索的。 

把问题抛给今天各位嘉宾，你们怎么看待这些难点？当中有哪些地方你们自身也在试图拿出一些解题方案来？    

张煜：难点还是挺多的，一个事物刚刚开始，肯定有很多不确定性。具体包括以下几点： 

第一，人才挑战。对创业来说，肯定人才是最重要的。目前AI人才总体上是比较稀缺的，而且国内外还稍微有点差异。比如，我们很多同行都在国外留过学，读过书，会有一个体会，国外大学的交叉学科非常流行，国内的交叉学科很少。我们当时投的第一个项目叫华深智药，他的创始人先后获得了计算机和生物医学方向的学位。 

但在国内这种交叉学科，特别是相差比较远的交叉学科还不太多，这是未来AI同产业结合，同应用结合，同实际场景结合很重要的因素。这方面我们需要加强，所以人才是第一个挑战。    

第二，生态挑战。AI不止刚刚讲的5个要素，还包括把这五个要素整合起来构成的生态系统。过去创业有个idea，有目标，有用户就做起来了，但AI创业，整个生态还是挺难建立的，明显创业难度加大了。    

第三，资金挑战。我们观察到，不管是美国的OpenAI还是其他国际大公司支持的AI创业，动辄上亿美金、几十亿美金甚至上百亿美金，国内可能目前融资额最大的是Kimi（moonshot），一次融资超过10亿美金。但大多数AI创业公司融资是不足的，而AI创业本来就是大投入的行业，从算力到数据，投入都非常巨大，所以这也是难点。    

第四，观念挑战。新一代AI，以生成式AI为标志，更多是大家去体验和使用AI，而不光是少数的AI公司自己创业的AI，这挺重要的。新一代AI已经可以很好地辅助企业提升工作能力和效率，但大多数企业和从业者还是观望居多，有运用AI的先行者也多数是文图生成、新闻和文档辅助等很简单的应用。所以，运用AI的观念还是需要在国内进一步加强和普及。    

我一月份去美国CES，也去硅谷转了一圈，美国几乎所有公司都在讨论AI和AI应用怎么样跟自己的工作和未来发展结合到一块儿。我觉得现在在国内有这样的氛围，但还是要进一步落地到应用和创新创业，融入到自己的工作中去。     

徐晨昊：上来先设定一下大家的预期，人工智能这件事是很难的，先讲讲挑战。就我们所投的芯片行业，挑战很多，人才肯定是最大的挑战，我自己的感知是，全世界最顶尖的人工智能的人才58%在美国，12%在中国。 

其实从两个国家的出生地来讲，差不多一半一半，中国甚至比美国还多一个点，但大部分最顶尖的人才都是选择在美国就业，怎么让这些厉害的人回来？一方面要有创业的环境，另一方面要有钱，还要有其他的应用场景等，这都是投资机构和政府要考虑的。  

我们自己接触最多的企业是在算力端，从需求侧来讲，所有的人工智能企业都需要有效率的算力，而且需求是每3-4个月就要翻倍。从投机的角度来讲我们的算力是远远不够的。市场上有两种观点，一种说我们的算力是冗余的，还有一种说我们的算力不够。我认为肯定是不够的，因为生态环境造成了我们的算力不够，而不是芯片硬件的设备造成我们的算力不够。 

从供给侧来讲，今天在中国特定的环境下算力肯定是不够的。讲一个比较干涩的概念，算力是什么？算力是芯片能够提供的指令数，怎么定义？芯片的面积×每个单位面积的晶体管数目×每个晶体管能够执行的指令数。英伟达最近的B200已经接近800毫米了，甚至超过800毫米了，光刻机能解决的就是800毫米，基本已经到顶了。  

二是单位面积的晶体管数目是由制程决定的，大家每天看各种自媒体、专业媒体、民间媒体讲的12纳米、5纳米、40纳米就不讲了，我们被卡在一定的阶段了。   

三是围绕每个晶体管能执行的指令数，有两种想法，一种是尽量做通用，要跟英伟达的节奏走，如果要突破，可能要有非常大的架构创新。第二种是做专用，模型迭代数很快，与其做非常通用的芯片，还不如用很便宜很快的速度做非常专业的芯片，像Google等很多大厂也在做这方面的工作。   

这三个乘法因子上都有创新，归根到底是我们要走出一条创新的路来，这就是最大的挑战。如果我们是跟随的打法，在芯片面积、单位面积上的晶体管数目和晶体管指令数这三点上都是跟随的，那企业不可能成功，关键是要有创新。 

美国最顶尖的算力芯片企业也都在挑战自我，所有美国人工智能芯片公司没有一家是跟随英伟达做的，如果跟随，肯定不可能超越英伟达。我就讲这两点。       

夏志进：张总和徐总把挑战概括的非常全面，涉及了人才、生态、资金、算力方面。我在人才这个因素上再做一点补充。一方面，因为中美关系，很多顶尖人才交流不像以前那么频繁，对整个行业的进步产生很大的影响。 

另一方面，除了工程师人才、算法人才外，金字塔顶尖的人才是这个行业现阶段很大的推动力，而这类顶尖人才在全球范围内都是稀缺的。回头看，自ChatGPT3.5出来的2022年起，OpenAI一马当先，全面领先全球市场，带领整个行业向前发展，这就是领军人才的作用。 

目前我们还是“追逐者”的状态，和美国技术之间的差距还有很长的一段路要走。一方面，人才高度上还有一定的距离。另一方面，新一代AI技术还处于快速往前发展的阶段，很多技术迭代速度比大家预期的还要快。

比如我们觉得大模型在视频领域的应用还要两三年时间，结果OpenAI推出SORA，所有人都没想到会这么快，今年很有可能GPT5.0也会出来。现在技术迭代的速度不是在放缓，而是在加速。 

作为追逐者，我们的速度还不够快，这也是对国内很多创业者巨大的挑战，不管是基础模型，还是上层应用，现在速度都不够快，导致现在差距依然很大。 

我还是比较有信心，长远来看中国还是能够紧跟步伐，不仅仅是中国，其他各个地区也都在有自己的人工智能计划。我就补充关于人才和创新速度方面的挑战。   

王啸：我觉得最大问题是推理成本比较高，而应用产生的商业价值目前不足以覆盖成本，要考虑投入产出比的情况下，中国在大模型领域的投入是受限的。 

美国在这方面投入的比较大，发展比较快，中国缺乏像美国那样大量不计成本的长钱。资金的结构、性质、时间忍耐度是完全不一样的。中国发展大模型有它天然的“水土”问题。

如果投入1块钱能挣10块钱，很快所有人都会去投，但从大模型变成商业化应用，之间还需要一点时间，去探索应用形态、应用模型和降低推理成本，本质是成本问题制约了中国大模型的发展。

第二，大模型本质是世界知识的“复读机”，创造性并不足，这样的大模型会不会还有再升级的可能性和机会？有可能在未来几年会发生新的突破。这样的“复读机”最大问题是在商业应用时的不确定性，以前大模型会“瞎说”，现在不准确的情况少了。 

但如果是在商业应用里，这部分的问题从工程上怎么解决，怎么在垂直领域中，把大模型和垂直行业中的数据和应用场景更好地结合起来，是中国现在很多创业公司在探索的核心场景和领域。大模型和场景快速结合之后，如何产生更有价值的垂直应用和解决方案，是当前第二个要去解决的核心问题。     

汪姜维：之前几位嘉宾谈到的我都同意，谈到了人才、资金、算力等挑战，确实都是挑战，在这方面确实有我们的不足。    

我们做自己可以做的事情，是“以行业应用、以数据为中心”的技术路线，朝这个方向去投资去深耕。深圳清华大学研究院和力合科创在海外设有多个创新中心，也有丰富的校友资源和创新资源，在人才、项目等进行国际合作，建立一套产学研深度融合的科技创新孵化体系。    

通过不同方面的努力，我相信这个领域的挑战都能慢慢解决，同时把目前能做的事情做得更基础更扎实更深入。那些挑战也要认识很清楚。比如说算力，我相信会有大厂和大企业努力，移动互联网时代创造了很多财富，我觉得资金应该往这些方向去投资。大家要抓住时机，鼓励大科技企业投资，这很重要。要从各个角度鼓励大家做这样的事情。 

黄韬：对于人工智能，不同入局者的体感和角度都会有不一样，看待困难和挑战也会有些不一样。资源禀赋比较充分充足的，可能要做通用大模型，这就是在美国看到的局面，也是国内资源相对比较丰富的这批创业团队正在做的事。站在他们的层面，更多要考虑算力、算法、数据，每一个都是一座“大山”，每一座大山都构成挑战。

现在还有另外一种思路，是否可以做轻模型？它们的特点是本地化、轻量化、垂直化，做到最后就是在具体的专业赛道、应用场景中以较小成本找到自己的一席之地，并且有较大概率能创业成功。 

但不管是通用的大模型，还是走轻量化的模式，最后都指向要商业化，中国LP跟国外不同，资金面的约束会间接地影响到GP，影响到投资人对待AI长期创业的耐心。鉴于中国式创投的特殊环境，我们会对AI创业项目商业化、商业应用的落地更加重视。 

了解这些背景之后，我觉得AI创业当前最大的挑战在于“习惯的力量”。举个例子，前几年流行公有云的时候，这块投资非常大，几乎社会各界（科技界、政府、投资界）都认为公有云可能是未来经济社会发展的基础型力量，但是真正这几年走下来以后，公有云市场竞争非常激烈，要高举高打，需要非常多资金资源的投入。

从需求端、客户的角度来看，假设你是企业负责人，当你下决心要否在公司建设公有云，你可能会有点犹豫，你会问有没有第二种方案，比如说私有云或者以私有云为主的混合云，因为中国企业的思维习惯让企业主更多考虑把企业数据置于私有云之上，而非公有云。这就会导致一个衍生问题，现在到底是算力不足，还是需求不足？因为大量私有云的算力资源是被闲置的，越是大企业建的私有云资源越是存在算力冗余，如果单点都没有充分利用的话，那从社会角度是不是也有大量的算力冗余呢？我觉得这是使用习惯的问题。 

第二个表征是客户付费习惯。为何金融、电信、政府、医疗等领域AI项目比较容易落地？那是因为这些领域客户预算比较充足，从商业应用的角度，当我们提出一种比较好的人工智能产品时，在客户端比较容易得到的客户财务预算响应，因此在这些专业赛道里，更容易产生成果，至少比一般的制造业来得更顺畅。 

第三类习惯问题，可能是一部分中国企业甚至是少量政府部门客户，似乎不太愿意为纯软件服务类项目付费。软件信息化的企业在开拓客户、开拓市场时，可能经常会面临这样的尴尬，你怎么去说服客户，让预算能够批下来。如果是纯软项目的话，可能会遇到比较大的挑战，这时候就要被迫采取一种软硬件结合的模式，可以使得项目变得更加有形，更加具体，从客户视角也更容易被接受。 

上述这些习惯，可能也不是一两天能够被打破的，当然我们也看到一些可喜的变化，比如说近三年特殊公共卫生事件，间接对全国的数字化进程有了非常大的推进。但从绝对数量上看，2023年全国一二三产的数字化渗透率，最高的是第三产业大概也就44%左右，工业制造业领域只有24%，每年的渗透增长大概也就是1-2个点左右，也没有大家想象的那种突飞猛进。第一产业渗透率只有10%左右，这种数字化鸿沟形成的巨大惯性，可能也是制约行业整体向前发展的重要原因。 

另外还有中国客户（或许是人类）对人工智能在安全方面天然的警惕。虽然这种感觉没有任何的证据，也无法确认公有云会比私有云更不安全，但可能这也是某一种客户习惯，可能会影响到行业进一步拓展。 

程天：刚才提的问题很好，其他嘉宾也在不同层面回答得差不多了。 

我补充一点，除了目前技术等层面需要突破的壁垒意外，我们还会更多地站在创业者的角度去考虑这个问题。我们虽然是投资人，但实际上大部分的工作还是去观察整个行业的发展动态。虽然经常侃侃而谈，但是客观上讲，观察以及陪伴是我们最重要的工作，这也是雷总和许总创办顺为最主要的出发点——支持创业者实现创业梦想。    

从创业者的角度来讲，我们去年对AI行业的判断是，这个赛道是一个长期高度确定、短期高度不确定的赛道，所以它最大的难点是：作为一个创业者，作为一个市场很小的参与主体，怎么去把握确定性和不确定性？怎么平衡好自身的能力，以及这波机会所带来的巨大潜力？

我们在从事风险投资行业十几、二十年的过程中，不管是什么领域，不管是AI还是制造、科技等等，随着行业的进步，随着国内总体企业质量、人才密度的提升等因素，创业的整体难度本来就是水涨船高的。发展到今天为止，创业已经成为一个难度系数极高的工作，科技进步也需要各种因素支持才能够向前探索和发展。    

2024年，第二波AI浪潮已经发展一年多了，有些入局早的公司已经发展了两三年，我们还是很高兴地看到，至少目前来看，已经有大量的资源投入到了这个赛道，解决了很大一部分技术难度问题。此外，我们也乐观地看到，这个行业在往前快速进步，虽然与国外相比还有差距，但是相比去年的状况，国内的创业公司的发展水平和发展速度是超出我们预期的。 

作为创业者，还是要把握好自己在行业里的定位，以及自己发挥的作用。刚才很多同行提到了赛道的特殊性，包括我们自己也投了AI芯片、基础模型、基础设施这几个赛道。 

目前以我们的观察来看，这些赛道确实有它的行业历史特殊性，在国内可能有二十来家这样的企业，承担了拓宽行业边界的历史责任，这些领先企业也获得了行业的绝大部分资源，而且我倾向于认为，他们会长期获取绝大部分的行业资源。这些公司摆在其他的创业者而言，只能是争取在最短的时间内汇聚更多的资源，争取把科技的边界再往前推动一些。

在当前短期高度不确定的境况下，国内AI行业中的大部分创业者还面临着很多问题，例如：如何最大程度发挥行业资源的作用？当前模型能力到底定格在什么程度？模型的成本到底定格在什么程度？什么样的行业AI技术能够适用，什么样的行业确实不适合用？还有监管等等各方面的问题。    

所以我们给被投企业的建议是：要在行业里保持关注，持续学习迭代，如果运气特别好，上来就抓到一个PMF，能够很快地变现，那么恭喜你。但绝大部分企业暂时还做不到这一点，那么就要保持关注，等待时机，不管是明年、后年还是什么时间点，等到模型成本以及基础设施各方面达到某个水平的时候，你能够快速反应，积极跟上。    

例如在软件行业，我们布局了很多软件企业，当前国内的软件企业行业发展遇到了很多问题，但是中国软件企业能力并不差，也积累了全世界最多的行业数据，那么在当下的环境中，创业者该如何破局呢？我个人觉得，软件企业应该保持敏感性，能够争取在人工智能这波浪潮真正明朗的时候，把这个工具用好。    

可能有不少企业看似已经在应用大模型技术了，但事实上，这些公司在商业模式上的创新还是基于上一代技术颠覆浪潮的基础上做延展。比如现在很多企业做的事情是把AI应用在了移动互联网，或者应用在软件SaaS服务业上，并没有真正做出与之前特别大不同的颠覆和创新。 

因此我认为，未来几年后，等到机器人应用、AI硬件或其他形态的应用，能真正出现颠覆性创新的时刻，才是AI行业真正繁荣的时候，所以现在大家还得保持耐心。国家也说，要做“耐心资本”，我觉得AI赛道目前还是刚刚开始，历史上任何一波技术迭代都会引起巨大的争论。所以作为入局者，不要着急，保持关注、保持参与，未来一定会在某个拐点上实现真正的创新，迎来行业百花齐放的局面。谢谢！ 

丛永罡（主持人）：几位嘉宾非常真知灼见，确实每个人都提到了一些很重要的点，包括C端教育、B端教育、人才、技术路线、场景、创业者等等。我个人想提一点，因为我本人原来做过通信行业，刚才黄总提到的云计算我也有感触，比如通信基础设施本质上和今天讨论基础大模型差不多。所有的东西到最终变成基础科技服务的时候，就和水电煤的道理是一样的，这个点上还是要在生活服务的层面上找到变现场景。

上一代通信4G这波真正带动运营商赚钱的就是直播、短视频、中视频、长视频。5G就受没有杀手应用的影响，运营商的投入回报不够好。很多人说过去三年除了聊天工具外，没有再装新的APP，这里面有资本市场政策的原因，也有创业氛围的原因，可能需要从政府到资本市场、到创业者几个层面一起发力解决。 

时间不多了，最后每个嘉宾用半分钟的时间，我们关注到2024年，“人工智能+”是第一次被写入到国家的政府工作报告里，政府的重视度也足够高，每个人花半分钟时间讲一讲，也可以发散，你希望政府层面上未来怎么支持到这个领域？或者你对人工智能带动数字经济的转型用一句话做一个寄语。    

程天：以我刚刚提到的软件行业为例，希望每个创业者都能保持敏锐度，把AI技术、AI行业的变革与自己的业务进行有机结合。并不一定非得现在很着急地去用、或者训练一个模型，但是要把思路、思想，把人工智能未来的可能性和变化，有机结合到自己的商业模式思考过程中。谢谢！ 

黄韬：人工智能领域是毅达资本响应国家“投早、投小、投科技”号召，重点布局的投资赛道之一，我们将长期保持关注，密切跟进。    

汪姜维：我还是认为人工智能和行业的结合，比如智能制造+大模型、制药+大模型、新材料研发，能源领域也有很多数据，加上大模型。这些垂直领域的应用方向值得重点去关注，同时无论什么领域的企业都要有人工智能的思维，我觉得这确实非常重要。首先要有这样的思维，至于这个行业的发展，一定需要一个过程，现在是刚刚开始。谢谢！  

王啸：人工智能对未来社会进步将是结构性的推动，它把生产要素从之前的劳动力变成了大模型，很有可能带来整个社会的进步，从医疗、教育、视频等专业领域，到养老、制造、出行等广泛产业，再到PPT制作等工具层面，整个社会的生产力和生产效率都会极大提升，大模型本身就是生产力，而不只是一个生产力工具。   

夏志进：政府还能在行业里做些什么？我觉得是有所为，有所不为。举个例子，比如中国在AI的治理方面推出了一些政策，在全世界还处于比较先进的水平。有所不为，完全靠政府来支持AI的发展，可能力量不够。刚才也有嘉宾提到资金是大的挑战，在国外很多大企业，比如微软可以出100亿美金支持OpenAI，但是很难想象国内有哪个大企业出100亿美金投一个项目，政府也很难派单做这个事情，所以鼓励更多市场化企业、资金，进入这个行业，我觉得这是对AI行业发展更持续的推动力。    

徐晨昊：就主持人的问题，我有两条建议。   

第一，政府应该画出框框，制定规则，告诉资本也好、企业也好，哪些能干，哪些不能干。至于怎么干，应该充分交给市场、企业，而不要太多地干涉怎么做。   

第二，刚才夏总讲到政府在资金端是大头，一举一动对于资金的投入、项目回报、追责这些问题很敏感，我建议政府应该首先在资金上支持，如果未来是百花齐放的生态，我希望政府还是要重点支持一些头部的企业。因为人工智能行业如果都是小规模的小打小闹的公司，我们是没有办法在世界上立足的，中国的行业是需要一些非常头部的公司，这一点上我觉得政府是可以下场去做支持的。       

张煜：我完全同意，政府应该支持数字经济的基础建设，应用应该更多的交给市场。最近我们在关注几个方向：新一代通用基础模型、大模型应用和IA Agent、AI同产业（特别是制造业）的结合、数据要素及数据经济。  

提到国家的作用，数据要素这块稍微延伸一点儿，展望下未来。大家都知道今年数据资产是可以入表的，这个对经济发展非常重要。数据经济以后有可能作为独立的经济形态存在，而这也需要国家层面的大力支持。我们国家也成立了数据局，从数据的确权到交易、到规则，包括定价，其实是非常大的一套体系，这套体系的建立可能从国民经济上会带来非常大的飞跃。   

这可能成为一个新的经济发展思路。因为未来十年中国GDP翻一番，不能讲只靠实体经济，一定是数据经济同实体经济相辅相成。数据经济的规模是可以大幅快速增长的，而AI又会是其中非常重要的要素。 

我认为未来AI会是数据经济的价值体现和衡量标准。举个例子，你有很多数据，但它都是0101，怎么样能够体现数据的价值？目前看通过AI来体现是主要途径，从数据中分析、总结相关的规律，并能够预测发展和生成结果，这样才能体现出数据的价值。 

另一方面，AI的水平高低也决定了数据运算后结果的好坏和价值的大小，所以AI也是数据经济重要的衡量标准。既是价值体现也是衡量标准，AI的作用非常重要，这个方向还需要政府去前瞻性地引导。  

我的结论是，未来5-10年，新一代AI会颠覆所有的行业。我们希望各界，包括政府、创业者、产业生态，包括每个人都应该充分融入，共同推进。 

丛永罡（主持人）：人工智能是一个有机体，因为是一个新的系统，既然是有机体就不可能头痛医头、脚痛医脚，所有的发展需要经络全通，今天各位嘉宾讨论的难点，期待在全社会的呵护下中国人工智能产业取得长足发展，数年之后我们回头一看，轻舟已过万重山。