二级市场投资人WAIC上谈AI下一轮机会

2026世界人工智能大会（WAIC）期间，在国泰海通主办的“智见AI 合创未来”人工智能投融资论坛上，“AI时代的下一轮投资机会“圆桌讨论聚集了多位来自国内外头部金融机构的投资人。

参与圆桌的嘉宾包括：华安基金副总经理、首席投资官翁启森，易方达基金研究部总经理、基金经理贾健，富国基金资深基金经理曹晋，贝莱德基金权益、量化及多资产首席投资官王晓京，以及法国兴业银行（中国）首席执行官何昕。圆桌由富国基金权益研究部总经理陈杰主持。

这场讨论的核心问题涉及大模型能力持续演进、国产算力链、全球AI资本开支继续扩张，以及在地缘政治不断扰动的背景下，AI产业的下一轮投资机会等多个方面。

以下为「明亮公司」精编后的圆桌讨论观点：

# 01 AI技术变化：从生产力工具，到端到端解决方案

围绕过去一年AI领域最重要的变化，翁启森首先提到了Anthropic。

在他看来，过去一年AI市场发生的最大变化，是Anthropic的coding code正式进入程序员的生产力工具。“它开始实打实地交出了一个生产力工具。”翁启森说。

他提到，自己最近与硅谷方面沟通了解到，Anthropic的大模型coding code已经进入self recursive，也就是自我迭代阶段。虽然Anthropic近期宣布的模型参数已经达到很高水平，但更关键的是，依靠自我迭代能力，未来模型参数规模有机会继续扩展。“历史上我们看到武林绝学的左脚踩右脚，目前真的是在生产工具已经发生了，而且是彻底地发生了。”

贾健的观察与翁启森接近，但他更具体地把Claude Opus 4.6的发布视为一个标志性节点。他认为，这个模型具有划时代意义，因为它深刻拓展了AI应用范畴。

一方面，它把以前一些初级程序员做的网页、Demo等工作，真正转化成生产力工具；另一方面，它让非计算机类、非科班出身的人，也能享受编程能力。“代码可能是数字世界的钢筋混凝土。一旦在代码端产生涌现，其实可以赋能非常多的行业。”贾健说。

他认为，未来会看到越来越多从未写过代码的人，开始用AI开发自己的小工具。而这种self training模式，也可能随着代码端能力涌现，进一步推动模型自我训练。

曹晋则把今年AI最大的变化概括为：从卖算力、卖Token，变成卖结果、卖解决方案。

过去，市场理解大模型，更多是看它能不能解数学题、能不能聊天、能不能提供情绪价值。但今年Agent的出现，让大模型开始成为一整套解决方案：从感知环境，到规划任务，再到具体执行。

“我觉得大模型真正的裂变，就是从一个卖Token或者算力的过程，慢慢过渡到真正输出一个结果或者输出一个解决方案的过程。”曹晋说。

这也意味着，AI公司的商业模式和估值逻辑正在发生变化。如果大模型只是Token消耗品，投资人更关注调用量、单位成本和毛利率；但如果大模型成为Agent，成为企业流程和产业系统的一部分，估值逻辑就会更接近软件、平台和基础设施。

#02国产模型与国产硬件联动：解决了二级市场估值困惑

与国内公募基金经理更关注海外前沿模型不同，贝莱德基金的王晓京有一些不同的观点，他把过去一年最重要的变化放在了国内产业链上。

王晓京认为，DeepSeek V4的发布，把国产大模型和国产硬件在实际业务端连了起来，这对二级市场投资具有重要意义。

过去，国内很多硬件厂商会说自己可以对标美股同类厂商估值，但投资人面临一个困惑：如果没有解决底层业务支撑，凭什么直接对标海外估值？

王晓京认为，国产大模型和国产硬件在业务上打通之后，给了国产硬件产业链一个确实的业务底层支撑。“你的估值就可以和国内AI算力的需求连在一起了，这个时候底层这些股票的估值就有意义了。”

从这个角度看，国产算力链的投资逻辑正在从“对标英伟达”或“国产替代”，逐渐转向“模型业务验证+硬件性能提升+生态协同”。

何昕则从更宏观的资本市场角度观察AI产业。他认为，过去一年最重要的感受，是整个AI产业在二级市场进一步资本化。

在中国，从寒武纪突破重要市值关口，到国产GPU企业全面上市，再到智谱冲击“大模型第一股”、DeepSeek新融资等，都说明AI产业正在被资本市场重新定价。在海外，SpaceX这样的“算力加模型基础设施平台”、OpenAI准备上市等，也体现了同样趋势。

何昕提到，法国兴业银行作为唯一一家法资银行，参与了SpaceX的IPO承销。“这些都表示AI开始被资本市场系统地定价，也意味着它带来的不仅是一个概念，而且真正发展成一个长期增长的产业。”

#03评估大模型公司：看技术参数还是看ARR

当讨论如何评估大模型公司时，陈杰提出了一个问题：投资人到底应该更看重模型技术参数，还是更看重以ARR为代表的商业化数据？

翁启森认为，两者是一体两面。

在他看来，大模型公司唯一的商品就是大模型的“智商能力”，唯一能够变现的也是这种能力。因此，模型能力能否被真实评价出来，是非常关键的因素。但随着大模型进入Agentic阶段，各类Benchmark越来越多元，投资人不仅要看单一指标，还要看模型在不同任务上的有效性。

更重要的是，不能只从某一个时间点看一家公司的能力。“光从一个timing的时点去看一家公司的能力高低与否，就去评断它单个时段的能力，可能也是片面的。”翁启森说。投资人更应该看一家公司的全面能力，包括人才、数据、优化能力和持续迭代能力。

商业化数据同样重要。OpenAI和Anthropic的ARR数据受到市场关注，本质上反映的是模型能力的变现水平。变现能力越强，越能强化大模型公司的造血能力，并进一步支持团队和技术迭代。

回到国内市场，翁启森提到，从DeepSeek在后训练强化学习上的领先，到通义千问在长任务能力上的强化，再到智谱在coding code上追赶国际大厂，以及Kimi推出接近北美SOTA水平的大模型，投资人需要不断评估每个阶段不同厂商的综合实力，判断真正的引领者和落后者。

王晓京则提出了另一种视角。他认为，AI是在不同成本点上提供不同服务。

比如，如果用户让AI在未来三个月内帮忙寻找最有性价比的机票和酒店组合，头部AI可能0.1秒完成，但要花10元；一个能力没那么强的AI可能需要10秒，但只要1元甚至1毛钱。对于非关键任务而言，用户未必一定选择最强模型。

因此，AI不仅在能力和速度上竞争，也在成本上竞争。王晓京认为，未来不一定是一两个头部模型吃掉所有行业。不同应用、不同成本点、不同需求，可能会出现不同赢家。“不必要过早判断哪个大模型最终能胜出，保持相对包容性的观点，关注AI大模型在每一个行业里面细分的赢家，可能是更广谱的二级市场投资角度。”

#04出口管制与主权AI：中国开源模型获得全球机会

今年以来，美国最前沿大模型发布开始受到更多监管因素影响。陈杰提到，Anthropic和OpenAI的最新模型发布都曾遇到美国出口管制或政府监管因素。这样的变化是否会影响美国AI公司的风险定价？又是否会利好中国开源模型公司？

贾健认为，这肯定会产生影响，主要有两方面。

一方面，出口管制会在客户端引发信任危机，尤其是在非美、非欧国家商业化时，会对美国AI公司的风险定价和估值造成损伤。另一方面，政府监管也相当于用政府信用背书，告诉市场哪些模型是真正处于frontier的模型，某种程度上又对这些模型估值有正面影响。

但更重要的是，这会引发“主权AI”和大模型自主可控问题。贾健提到，他们过去几年调研了很多非美国国家，每次无论是政府官员还是科技领袖，都会提到即使本国模型能力和北美头部厂商存在差距，也一定会坚持做自己的模型。

特别是这一次，美国对盟友也采取类似限制后，会让韩国等国家的科技厂商更加坚定推进大模型自主可控。

“在我们的调研过程中发现，很多非美国家在做自己的大模型训练时，很多都是借鉴了中国的开源模型。”贾健认为，这显然会让中国本土头部开源模型厂商在全球舞台上获得更好的发展机会。

曹晋则认为，政策性风险肯定会影响风险溢价，但它更像是一个阶段性摩擦系数，而不是永续性风险。

他提到，最近一些政策已经出现反转，比如部分模型访问恢复。这说明大模型行业竞争格局非常激烈，没有任何一家企业能保证永远领跑。如果一家大模型企业被贴上“封闭”的标签，而另一家企业迅速发布新产品，前者也会受到很大影响，并可能主动游说政府恢复访问。

曹晋认为，对中国大模型来说，阶段性肯定是利好。全球很多AI使用者更希望使用开源、可自主部署、更安全安心的模型。但他也提醒，这更多是获得率角度的利好，并不意味着中国模型能力已经反超或全球领先。更长期的竞争力，仍取决于持续资本开支投入，以及算力和数据积累。

#05硬件格局：训练端英伟达仍强，推理端解耦趋势明显

大模型能力离不开先进AI硬件支持，而目前高端AI硬件仍主要由海外厂商垄断。围绕未来三年英伟达、海力士等公司的垄断地位是否会被打破，贾健和曹晋给出了分层判断。

贾健认为，芯片端要区分训练和推理。

在训练端，英伟达自CUDA生态发布以来积累了深厚壁垒。它的优势不仅来自芯片性能，还包括软件生态、开发者社区和工具链。因此，未来三年内，外部变化未必能动摇英伟达在训练端的优势。

但在推理侧，贾健认为壁垒松动可能是迟早的事情。推理侧有很多新的硬件优化思路，包括PD分离，以及更细分的AF分离。这些软硬件优化机会，给海外二线厂商和国内GPU厂商都提供了赶超窗口。

存储端也要分开看。DRAM仍依赖平面微缩，而国内在EUV领域受到较大限制，因此三年内更可能是稳步提升份额，很难出现巨大阶跃。但NAND依赖垂直堆叠，不涉及EUV这类关键设备限制，因此国内头部厂商追赶全球巨头的机会更好。

曹晋同样认为，未来2到3年，无论芯片还是存储，海外巨头优势仍然很强。但他观察到一个明显趋势：整个行业都在解耦这些占据领先优势的巨头。

以英伟达为例，GPU在训练侧一骑绝尘，ASIC芯片与GPU的差距较大。但无论是AF分离还是PD分离，本质上都是把一个处理多项任务的GPU解耦成不同功能模块。在这个过程中，更多企业有机会进入供应链，包括GPU企业和ASIC企业。

他认为，云厂商一直在降低对英伟达的依赖，所以会设计出很多软件方案去分化功能。“我们不需要一个大而全的超级大芯片。我们希望的是更多玩家进来，把成本降下来，把精细化做出来，把效率提升上去。”

存储端未来也可能出现类似解耦。过去提到存储，大家想到的是HBM产能瓶颈和CoWoS封装产能不足，这也构建了存储oligopoly，即少数巨头共同主导的格局。但随着封装与存储业务不断解耦，未来海力士、三星等巨头承接的业务可能越来越简单，其他业务会被更多分化出去。

#06国产芯片：国产算力链全走通，才会有更大估值空间

围绕国产AI芯片应优先聚焦推理还是训练，王晓京认为，推理和训练同样重要。

他提到，DeepSeek V4已经在推理端给上游半导体厂商带来了增量估值，因为市场意识到，国产模型和国产硬件结合可以独立于海外模型体系，形成自己的算力需求和业务支撑。

同时，他也关注到国内部分厂商已经宣称完全在国产硬件上实现了训练和推理。例如美团的LongCat2.0（龙猫）被提到是在国产硬件链上完成。如果这一点被验证，对整个国产硬件产业链会有更大估值提升。

王晓京认为，一些通用硬件模块，比如光通信，过去主要受益于全球算力产业链需求。如果未来它们也能在国产算力产业链需求中得到应用，就可能同时受益于全球算力和国产算力两条需求曲线。

因此，把国产算力链完整走通，对长期产业趋势非常重要。

#07万亿美元Capex能否回本

全球云厂商持续加大AI资本开支。陈杰问道，美国几家最大云厂商明年合计资本开支可能超过1万亿美元。如此巨大的投入，未来到底能不能赚回来？

翁启森认为，资本市场永远要算ROI，但他并不那么焦虑。

他分享了几个数据。首先，Anthropic目前Token的gross margin（毛利）已经接近80%。由于算力不足，Anthropic愿意把更多利润分给算力中心。据他了解，Anthropic最近与北美算力云厂商（AWS Bedrock）分成，已经从过去的“三七开”调整到“五五开”。

这意味着，即便Anthropic受算力约束，也愿意分出更多利润给云厂商，从而让云厂商有更大动力继续增加Capex。

翁启森预计，明年的AI Capex可能不止1万亿美元，甚至可能达到1.2万亿到1.5万亿美元。“这一点大家不要那么焦虑。”在他看来，这一轮生产力工具已经把利润飞轮转起来。Anthropic的盈利数据也显示，其获利能力已经达到相当规模。

其次，他用互联网泡沫作类比。当年互联网早期，由雅虎引领的搜索时代也经历过大规模烧钱，商业模式并不清晰。但后来互联网生态中诞生了电商、广告、长视频等巨大商业生态。

翁启森认为，这一轮智能革命也会类似。除了生产力工具调用，OpenAI、Anthropic等公司正在进入AI for Science、AI for Industry。翁启森称，比如Anthropic接下来可能进入医疗领域，并与诺华合作。他认为，未来AI对产业的冲击已经指日可待。

“你说1万亿GDP可能没有几个国家，但它未来创造的商业生态，可能都不止这1万亿。”翁启森说。

#08泡沫与趋势共存：关键是找到最终兑现价值的赢家

最后，何昕从金融机构角度回应了市场最关心的问题：AI是不是泡沫？泡沫是否已经破裂？

他的结论是：AI产业链上肯定有些资产定价存在泡沫，但整个AI不是泡沫。

何昕认为，部分AI资产估值已经很高。例如亚洲部分科技股远期PE一度达到36倍，韩国、中国台湾AI相关资产也处于历史较高估值阶段。因此，如果问有没有泡沫现象，答案是肯定有。

但他强调，不能简单说AI就是泡沫。因为AI与历史上很多泡沫完全不同。过去很多泡沫的问题在于需求并不存在，但今天AI有具体产出，也有真实需求驱动。

“模型越来越强，需要更多算力；算力增长又带动芯片、数据中心和能源需求增长。所以某种程度来说，AI正在创造AI对自己的需求。”何昕说。

从金融角度，他认为未来可以重点关注几个机会。首先是基础设施能力。AI竞争归根到底是基础设施能力的竞争，无论哪个模型最终胜出，都离不开算力芯片、数据中心、网络设备和电力能源支持。

其次是AI应用带来的机会，包括机器人、自动驾驶、医疗健康等领域，因为这些才是真正能够创造长期商业价值的场景。

何昕还提到，AI正在成为中国企业对接国际资本的重要推动力。目前大量排队赴港上市的企业都集中在AI产业相关领域。某种意义上，AI不仅改变产业格局，也正在改变资本市场的融资格局。

但风险同样需要关注。他提出了三个风险点。

第一，阿尔法越来越难获得。AI正在降低信息获取成本，当所有人都能更快获取信息、更快分析数据，单纯依靠信息差赚钱会越来越难。未来真正稀缺的，可能是独特数据、独特研究框架，以及人机协同决策能力。

第二，拥挤交易风险。越来越多机构使用相似数据源、相似模型和相似投资逻辑，当资金集中在同样热门赛道上，一旦市场预期变化，调整会非常快，也非常剧烈。

第三，商业化兑现风险。很多AI公司估值已经反映了非常乐观的未来预期，接下来市场会越来越关注：技术能否转化为收入，能否转化为利润。未来股价上涨的驱动力，可能不再是估值扩张，而是业绩兑现。

何昕总结称：“真正重要的不是判断有没有泡沫，而是在泡沫和趋势共存的市场里，找到最终能够创造价值并兑现价值的赢家。”